基于冠層實測光譜的油菜品種識別

摘要：近年來，隨著信息技術的迅猛發(fā)展，高光譜遙感作為一種快速監(jiān)測手段已經(jīng)被廣泛應用于農(nóng)業(yè)生產(chǎn)中，利用高光譜遙感技術對農(nóng)作物進行分類是一種無損、快速的技術手段。研究利用FieldSpec HandHeld 2TM手持式野外光譜輻射儀實地采集了大田油菜（Brassica napus L.）的苗期、抽薹期、花期樣本光譜反射率數(shù)據(jù)；通過引入內(nèi)聚系數(shù)來控制波段聚合性，利用特征波長指數(shù)來尋找識別特征波段，使用主成分分析法降維后用馬氏距離的方法建立了識別模型。結果表明，不同品種油菜的光譜反射率樣本存在差異，利用光譜數(shù)據(jù)識別區(qū)分不同品種油菜的適宜期為抽薹期，模型識別精度均達到了75%以上。表明高光譜遙感技術在不同品種油菜的識別上具有一定的應用優(yōu)勢。

關鍵詞：油菜（Brassica napus L.）；高光譜遙感；內(nèi)聚系數(shù)；特征波長指數(shù)

中圖分類號：S127；S634.3 文獻標識碼：A 文章編號：0439-8114（2013）23-5866-05

遙感是20世紀60年代發(fā)展起來的對地觀測綜合性技術，這種技術可以從遠處把探測目標的電磁波特性記錄下來，通過分析揭示出物體的特征性質及其變化[1]。任何物質都會反射、吸收、透射和輻射電磁波，且不同的物體對不同波長的電磁波的吸收、反射或輻射特性是不同的，物質的這種對電磁波固有的特性叫光譜特性，因此，利用高光譜遙感技術獲得并分析物質的光譜曲線是識別物質的有效手段[2]。將遙感技術應用到農(nóng)業(yè)上是當前農(nóng)業(yè)高新技術產(chǎn)業(yè)化的發(fā)展前沿，也是科技農(nóng)業(yè)發(fā)展的趨勢[3]。

在農(nóng)業(yè)生產(chǎn)中，同種作物的不同品種之間往往具有相似而略有差異的光譜特征，通過其光譜特征對農(nóng)作物進行識別分類是一種新的有效方法。國內(nèi)外學者利用衛(wèi)星遙感影像在小麥、玉米、水稻、棉花和油菜等作物的識別方面進行了有益的探索[4-9]。油菜（Brassica napus L.）屬十字花科蕓薹屬植物，其作為產(chǎn)油效率較高的油料作物之一，在中國食用油供給中占有重要地位[10，11]。油菜在中國的生產(chǎn)方式主要是以農(nóng)戶模式為主，隨意性較強，優(yōu)質油菜推廣面積有限，利用高光譜遙感技術對油菜品種進行快速無損的識別檢測，對于油菜主產(chǎn)區(qū)的種植監(jiān)管有著積極的意義。為此，使用ASD FieldSpec HandHeld 2TM手持式野外光譜輻射儀針對3個不同品種油菜實地采集了多個時相的油菜冠層光譜數(shù)據(jù)，通過內(nèi)聚系數(shù)和特征波長指數(shù)分析，篩選出適宜高光譜遙感識別不同品種油菜的生育時期，建立了不同品種油菜冠層光譜特征的識別模型，為今后建立油菜品種光譜數(shù)據(jù)庫以實現(xiàn)不同類型油菜識別，從而對田間油菜種植品種的監(jiān)測及油菜種植區(qū)域的監(jiān)控提供了可能的技術手段。

1 材料與方法

1.1 田間試驗

試驗在湖北省孝感市中國農(nóng)業(yè)科學院油料作物研究所漢川試驗基地進行，該基地位于亞熱帶季風氣候區(qū)，氣候適宜，適合油菜的生長。根據(jù)油菜的生長特性，試驗時間選擇在2011年10月至2012年4月。試驗材料有中雙9號、湘油15號和滬油15號，均為中國農(nóng)業(yè)科學院油料作物研究所提供的甘藍型半冬性常規(guī)油菜品種。每個品種4次重復，每個重復為16 m2（2 m×8 m）的小區(qū)，田塊周圍布置有保護行以防止邊界效應。常規(guī)田間管理，保證各田塊水分、溫度、肥力等條件相同。

1.2 光譜數(shù)據(jù)采集

光譜數(shù)據(jù)測量采用美國ASD公司生產(chǎn)的FieldSpec HandHeld 2TM手持式野外光譜輻射儀，該設備可在325～1 075 nm波長范圍內(nèi)進行連續(xù)的光譜測量，光譜分辨率<3.0 nm@700 nm，波長精度

±1 nm，視場角25°，共751個波段。

測定時間選擇在10：00～14：00，太陽高度角大于45°，且當時天氣晴朗，無云，風速小于3 m/s， 能見度、太陽光光照條件良好。在自然光照條件下進行光譜測量時，將儀器垂直于待測植株之上，并保證25°視場角內(nèi)覆蓋整個植株，每隔5 min左右對儀器做一次優(yōu)化并做參考板（標準白板）校正。根據(jù)油菜的生長周期以及天氣情況，分別對苗期（2011年12月28日）、抽薹期（2012年2月18日）、開花期（2012年3月26日）油菜進行了多次田間光譜數(shù)據(jù)采集。每個田塊選擇5個點，每個點分別采集5條光譜反射率數(shù)據(jù)。

1.3 光譜數(shù)據(jù)預處理

儀器獲取的原始光譜數(shù)據(jù)的光譜分辨率為1 nm。為了減小背景噪聲的影響以及數(shù)據(jù)冗余的問題，采用Savitzky-Golay濾波的方法對光譜數(shù)據(jù)進行平滑處理，并對平滑過的光譜數(shù)據(jù)重新采樣，使得其新的光譜分辨率為5 nm。因為油菜的冠層高光譜反射曲線首尾兩端存在較大噪聲，所以選擇400～900 nm作為關注的波段范圍。數(shù)據(jù)處理使用Matlab軟件編程完成。

1.4 樣本內(nèi)聚分析

油菜的冠層反射率光譜數(shù)據(jù)應為圍繞可代表其光譜特征的正態(tài)分布，根據(jù)正態(tài)分布數(shù)據(jù)均值的“68-95-99.7法則”，當特征波長指數(shù)等于1時，說明其反射率光譜約70%可區(qū)分，且特征波長指數(shù)越大說明A、B兩個品種的區(qū)分度越高。

1.6 識別模型的構建

光譜反射率數(shù)據(jù)可以看作為由N維坐標構成的多維光譜空間，鑒于本試驗采用的是光譜范圍在400～900 nm、光譜分辨率為5 nm的數(shù)據(jù)，即維度數(shù)為101。因此，通過特征空間建模，將光譜數(shù)據(jù)投影到一個有限的維度空間里，可以大幅度減小計算的工作量，從而提高模型的效率。根據(jù)篩選出的特征波段數(shù)據(jù)建立模型，具體步驟（圖1）為：①通過隨機抽樣的方法，將非轉基因型樣本分為建模集和測試集（1∶1）；②利用主成分分析對選出的波段范圍進行降維，選擇前n個主成分構建新的特征空間（前n個主成分對數(shù)據(jù)的方差解釋量能達到95%以上），獲取投影矩陣；③計算特征空間內(nèi)建模集中的各樣本點到建模集中心的馬氏距離，選擇對建模集樣本85%識別率的距離為判別半徑；④根據(jù)投影矩陣，將測試集投影到特征空間；⑤以建模中心和判別半徑為依據(jù)，使用測試集進行模型的交叉驗證，獲得模型的驗證精度；⑥根據(jù)投影矩陣，將待測樣本投影到特征空間，計算待測樣本到建模中心的距離，進行待測樣本類型的判別。

2 結果與分析

2.1 不同品種油菜原始光譜曲線分析

經(jīng)過平滑處理后，圖2顯示了油菜苗期、抽薹期、花期3個生長階段不同品種油菜的反射率光譜曲線。從圖2可以看出，不同品種油菜雖具有較為相似的反射率光譜曲線，但在一些波段里也有差別。這些差別主要體現(xiàn)在了“綠峰”與“紅邊”這2個植物生長的主要的光譜敏感區(qū)間，即500～600 nm和650～750 nm，不同品種油菜的光譜曲線有著一定的區(qū)別。

2.2 不同品種油菜樣本內(nèi)聚性分析

通過樣本間內(nèi)聚系數(shù)的計算，得到油菜各個生長階段的冠層反射率光譜數(shù)據(jù)內(nèi)聚系數(shù)（圖3）。從圖3可以看出，不同生長階段油菜冠層光譜反射率數(shù)據(jù)的內(nèi)聚系數(shù)有著不同的特征。其中，在油菜生長的苗期，內(nèi)聚系數(shù)普遍在0.2以內(nèi)，僅部分品種在600～700 nm波段處略大；在抽薹期的光譜反射率數(shù)據(jù)表現(xiàn)得較為穩(wěn)定，其內(nèi)聚系數(shù)均在0.2以內(nèi)；而在花期，油菜冠層光譜反射率內(nèi)聚系數(shù)波動較大，且在大部分波段范圍內(nèi)內(nèi)聚系數(shù)大于0.2，部分波段達到了0.4。

2.3 不同品種油菜特征波長指數(shù)分析

針對每個油菜品種，分別計算其每個波長點處的反射率均值和反射率標準差，得到各品種油菜之間的特征波長指數(shù)（圖4）。從圖4可以看出，在油菜的苗期和花期，不同品種之間的特征波長指數(shù)在絕大多數(shù)波段均小于1，且大于1的部分特征波長指數(shù)也較小，最大不超過1.5。而在油菜的抽薹期，在500～750 nm區(qū)間內(nèi)，特征波長指數(shù)均大于1。特別觀察到位于500～600 nm和670～750 nm的波段范圍內(nèi)，特征波長指數(shù)均較大，部分品種間的特征波長指數(shù)大于2。這些差別主要體現(xiàn)在了“綠峰”與“紅邊”這2個植物生長的主要的光譜敏感區(qū)間，可能的原因是植物長勢的差異。

2.4 不同品種油菜最佳識別時期的篩選

在油菜生長的苗期和抽薹期，各油菜品種的內(nèi)聚系數(shù)較為均一，除苗期的部分波段外，大多數(shù)波段的內(nèi)聚系數(shù)均在0.2以內(nèi)，說明這些數(shù)據(jù)在組內(nèi)具有較好的內(nèi)聚性，其數(shù)據(jù)質量可以滿足建立識別模型的需要。而在花期，大多數(shù)波段尤其是500～700 nm光譜區(qū)間的內(nèi)聚系數(shù)偏大，說明這些光譜數(shù)據(jù)在組內(nèi)便具有一定的離散性，故難以取得可穩(wěn)定代表此種油菜的實際光譜信息。這一現(xiàn)象的可能原因是油菜在花期其個體之間的冠層特征差異較大，影響了可見光波段在其冠層的反射率。因此，油菜花期的光譜數(shù)據(jù)不宜用于建立油菜冠層光譜識別模型。但是從另一方面來看，可以利用油菜花期的這一特點提取出油菜種植區(qū)域的信息用于與其他種類農(nóng)作物的區(qū)分。

內(nèi)聚性分析體現(xiàn)出不同品種油菜反射率樣本數(shù)據(jù)的類內(nèi)差異，而特征波長指數(shù)分析則是體現(xiàn)了不同品種油菜反射率樣本數(shù)據(jù)的類間差異。排除花期后，經(jīng)過分析得出，在苗期大部分波段的油菜品種間特征波長指數(shù)均小于1，說明其品種類間差異較小，因此苗期數(shù)據(jù)同樣不宜用于建立油菜冠層光譜識別模型。而在抽薹期其特征波長指數(shù)均較大，其光譜反射率數(shù)據(jù)的類間差異比較明顯，故判斷為最佳識別時期。

2.5 不同品種油菜識別模型的建立

分析得出，抽薹期是適合進行不同品種油菜識別的較好時期，因而，本研究將選擇抽薹期的數(shù)據(jù)進行建模。根據(jù)特征波長指數(shù)并結合植物光譜特點篩選出綠峰500～600 nm和紅邊670～750 nm作為特征波段。分別針對3個品種的油菜，將數(shù)據(jù)通過隨機抽樣的方法分成建模集和測試集。利用主成分分析對選出的波段范圍進行降維處理，選擇了前3個主成分構建出一個新的特征空間，獲取投影矩陣。計算特征空間內(nèi)建模集中的各個樣本點到建模集中心的馬氏距離，選擇對建模集樣本85%識別率的距離作為判別半徑。再根據(jù)投影矩陣，將測試集的數(shù)據(jù)投影到特征空間，并以建模中心和判別半徑為依據(jù)，使用測試集進行模型的交叉驗證，從而獲得模型的驗證精度。根據(jù)投影矩陣，將待測樣本投影到特征空間，計算各待測樣本到建模中心的距離便可進行待測樣本品種的判別。最終得到模型分類結果如表1，針對湘油15號構建的識別模型，對品種本身的識別率達到81%，對其他品種的拒識率達到89.0%；針對滬油15號構建的識別模型，對品種本身的識別率達到77%，對其他品種的拒識率達到88.5%；針對中雙9號構建的識別模型，對品種本身的識別率達到76%，對其他品種的拒識率達到89.5%。

3 小結

高光譜遙感數(shù)據(jù)以其波段多且連續(xù)的特性，能夠為不同類型油菜提供更多的光譜反射率信息。試驗實地采集了大田油菜生長的苗期、抽薹期、花期樣本光譜數(shù)據(jù)，通過引入內(nèi)聚系數(shù)來控制波段聚合性，利用特征波長指數(shù)尋找識別波段，使用主成分分析法降維后用馬氏距離的方法建立了識別模型。結果表明，不同品種油菜之間的冠層光譜有類似的光譜特點，其原始光譜曲線大致相同，但也存在著一定的差異，主要差異集中在“綠峰”與“紅邊”這2個植物生長的主要光譜敏感區(qū)間內(nèi)。依據(jù)試驗獲得的光譜反射率數(shù)據(jù)，對3個油菜品種進行識別區(qū)分的適宜期為抽薹期，進行識別區(qū)分的最佳識別波段為500～600 nm和670～750 nm。針對各品種油菜的識別模型對其自身的識別率均在75%以上，對其他品種油菜的拒識率達到88%以上。

在實際操作中，光譜數(shù)據(jù)在一定程度上受到光譜測量儀器量程的影響，本研究將光合作用波段作為單一識別波段獲得了較為可靠的識別模型，為獲得更多識別波段，全波段（350～2 500 nm）測量將成為未來的發(fā)展趨勢。此外，更多品種油菜的更多年期光譜數(shù)據(jù)可進一步驗證、完善油菜信息數(shù)據(jù)庫，從而優(yōu)化識別模型，為油菜品種識別監(jiān)測提供更加可靠的技術手段。

參考文獻：

[1] 梅安新，彭望琭，秦其明，等. 遙感導論[M].北京：高等教育出版社，2001.

[2] 李民贊.光譜分析技術及其應用[M].北京：科學出版社，2006.

[3] 滕安國，高 峰，夏新成，等.高光譜技術在農(nóng)業(yè)中的應用研究進展[J].江蘇農(nóng)業(yè)科學，2009（3）：8-11.

[4] 曹衛(wèi)彬，楊邦杰，宋金鵬.TM影像中基于光譜特征的棉花識別模型[J].農(nóng)業(yè)工程學報，2004，20（4）：112-116.

[5] 鐘仕全，陳燕麗，莫建飛，等.基于中巴02B星遙感數(shù)據(jù)的油菜識別技術研究[J].國土資源遙感，2010（2）：77-79.

[6] 黃文江，王紀華，劉良云，等.基于多時相和多角度光譜信息的作物株型遙感識別初探[J].農(nóng)業(yè)工程學報，2005，21（6）：82-86.

[7] 李 儒，陳勁松，袁定陽，等.高光譜遙感技術在水稻轉入基因表達的檢測指示作用研究[J].光譜學與光譜分析，2010，30（1）：202-205.

[8] 王志輝，丁麗霞.基于葉片高光譜特性分析的樹種識別[J].光譜學與光譜分析，2010，30（7）：1825-1829.

[9] XIE L J， YING Y B， YING T J. Quantification of chlorophyll content and classification of nontransgenic and transgenic tomato leaves using visible/near-infrared diffuse reflectance spectroscopy[J]. Agricultural and Food Chemistry，2007，55（12）：4645-4650.

[10] 殷 艷，王漢中.我國油菜產(chǎn)業(yè)發(fā)展成就、問題與科技對策[J].中國農(nóng)業(yè)科技導報，2012，14（4）：1-7.

[11] 盧長明，肖 玲，武玉花.中國轉基因油菜的環(huán)境安全性分析[J].農(nóng)業(yè)生物技術學報，2005，13（3）：267-275.