基于冠層光譜特征參數(shù)的油菜品種識(shí)別

駱麗莎, 廖桂平, 劉凡, 官春云

(湖南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院， 長(zhǎng)沙 410128)

油菜為十字花科、蕓薹屬植物，是產(chǎn)油率較高的油料作物之一[1]，同時(shí)是一種適應(yīng)性強(qiáng)、用途廣、發(fā)展?jié)摿^大的經(jīng)濟(jì)作物。我國(guó)油菜品種繁多，不同品種的遺傳特性和群體結(jié)構(gòu)不同，其抗性、產(chǎn)量等性狀表現(xiàn)也不同[2]。研究表明，不同油菜品種對(duì)Zn的富集作用存在顯著差異[3]，另外，在應(yīng)用價(jià)值方面，不同品種油菜秸稈營(yíng)養(yǎng)成分和飼用價(jià)值不同[4]。目前油菜品種識(shí)別技術(shù)較為單一，主要利用形態(tài)學(xué)、SSR分子標(biāo)記技術(shù)、生物學(xué)等方法進(jìn)行分類。形態(tài)學(xué)識(shí)別方法要求識(shí)別人員有較高的經(jīng)驗(yàn)、不適合批量處理且存在一定錯(cuò)誤率，而分子生物學(xué)手段費(fèi)時(shí)費(fèi)力、過(guò)程繁瑣，且在無(wú)損傷和大規(guī)模監(jiān)測(cè)上不具優(yōu)勢(shì)。精準(zhǔn)識(shí)別油菜品種有利于其商業(yè)價(jià)值的開發(fā)與利用，以滿足不同市場(chǎng)的多元化需求。高光譜遙感技術(shù)分辨率高、數(shù)據(jù)信息全面、波段多且連續(xù)性強(qiáng)，符合農(nóng)產(chǎn)品檢測(cè)快速無(wú)損、精準(zhǔn)實(shí)時(shí)的要求[5]，已被廣泛應(yīng)用于農(nóng)作物的災(zāi)害監(jiān)測(cè)、產(chǎn)量估算、品質(zhì)分析和養(yǎng)分檢測(cè)等農(nóng)業(yè)生產(chǎn)方面[6]。近年來(lái)，高光譜技術(shù)越來(lái)越成熟，在農(nóng)作物的品種識(shí)別上發(fā)揮了很大的作用，運(yùn)用高光譜技術(shù)識(shí)別農(nóng)作物品種主要體現(xiàn)在優(yōu)化植物分類方法和效率[7]、掌握種植品種信息、完善種植區(qū)的品種監(jiān)管[8]、提高品種的純度和質(zhì)量[9]、降低成本、滿足市場(chǎng)營(yíng)銷需求[10]等方面，是推進(jìn)油菜產(chǎn)業(yè)走向國(guó)際化的主要手段。

油菜冠層光譜信息是油菜、土壤背景和大氣的混合信息，而高光譜數(shù)據(jù)又具有數(shù)據(jù)量大、信息冗余嚴(yán)重等特點(diǎn)[11]。利用特征參數(shù)能夠很好的從混合信息中篩選出與油菜識(shí)別相關(guān)的光譜信息。已有研究表明,高光譜特征參數(shù)能很好的應(yīng)用于作物的生長(zhǎng)監(jiān)測(cè)[12]、養(yǎng)分調(diào)控[13]、葉綠素反演[14]以及病害脅迫[15]，且不同的高光譜特征參數(shù)和光譜變換形式對(duì)品種的識(shí)別精度、識(shí)別效率都有著密切關(guān)系[16-18]。

油菜苗期約占全生育期的一半，是營(yíng)養(yǎng)生長(zhǎng)的關(guān)鍵時(shí)期，苗前期(出苗至花芽開始分化)和苗后期(花芽開始分化至現(xiàn)蕾)是油菜全生育期的重要階段。因此，本研究使用FieldSpec3 Hi-Res地物波譜儀采集11個(gè)油菜品種苗期(苗前期、苗后期)冠層反射光譜數(shù)據(jù)，以高光譜的位置、振幅、面積、寬度、反射率和植被指數(shù)6個(gè)方面共23個(gè)特征參數(shù)為研究指標(biāo)，衡量特征參數(shù)的貢獻(xiàn)率大小和方差分析顯著性，據(jù)此評(píng)價(jià)其區(qū)分油菜不同品種的優(yōu)劣，為深入研究油菜品種的分類識(shí)別和建立油菜品種高光譜數(shù)據(jù)庫(kù)提供一定的基礎(chǔ)依據(jù)，也為實(shí)現(xiàn)油菜種植品種的實(shí)地監(jiān)測(cè)與作物種植大區(qū)域管理提供可能的技術(shù)手段。

1 材料與方法

1.1 試驗(yàn)地區(qū)與試驗(yàn)材料

試驗(yàn)區(qū)位于湖南農(nóng)業(yè)大學(xué)耘園基地(113°08′ E、28°18′ N)，光、熱、水資源豐富,無(wú)霜期長(zhǎng)，年平均氣溫16～18 ℃，年降水量在1 200～1 700 mm之間，屬亞熱帶季風(fēng)濕潤(rùn)氣候區(qū)。試驗(yàn)品種灃綠1號(hào)、灃綠2號(hào)由湖南省作物研究所提供，油苔929由湖南省常德市農(nóng)林科學(xué)研究院提供，湘油708、高油酸1號(hào)、農(nóng)大1號(hào)、農(nóng)大2號(hào)、油苔1號(hào)、油苔420、湘雜油787和湘雜油518由湖南農(nóng)業(yè)大學(xué)提供，共11種油菜品種，于2019年9月27日播種。每個(gè)品種設(shè)三個(gè)重復(fù)，共33個(gè)小區(qū)，小區(qū)面積為16 m2，每個(gè)小區(qū)水肥條件及管理措施均保持一致。

1.2 冠層光譜數(shù)據(jù)采集

數(shù)據(jù)采集設(shè)備為Field Spec 3Hi-Res便攜式地物光譜儀(美國(guó)ASD公司)，其波段范圍為350～2 500 nm，光譜分辨率在350～1 000 nm內(nèi)為3 nm，采樣間隔為1.4 nm，在1 000～2 500 nm內(nèi)為10 nm，采樣間隔為2 nm。冠層高光譜測(cè)量選擇在晴朗無(wú)云、風(fēng)力較小的天氣，測(cè)定時(shí)間為10:00—14:00，每個(gè)小區(qū)隨機(jī)均勻選取30個(gè)點(diǎn)，每個(gè)小區(qū)測(cè)量之前進(jìn)行一次白板校正以降低環(huán)境和機(jī)器的干擾。測(cè)量時(shí)傳感器探頭垂直向下，高度約0.7 m處讀取數(shù)據(jù)即可。

1.3 數(shù)據(jù)處理

運(yùn)用View Spec Pro數(shù)據(jù)處理軟件進(jìn)行初期數(shù)據(jù)預(yù)處理及數(shù)據(jù)格式轉(zhuǎn)化，再將數(shù)據(jù)導(dǎo)入到Microsoft Excel 2010中進(jìn)行保存。本研究采用一階微分降噪方法，以提高光譜數(shù)據(jù)間的差異性以便后續(xù)處理與應(yīng)用，其公式如下。

(1)

式中，ρ′(λi)是在波段λi處的光譜一階導(dǎo)數(shù)值，λi是波段i的波長(zhǎng)數(shù)值，Δλ是波長(zhǎng)λi到λi+1的差值。

1.4 特征參數(shù)選取

1.4.1位置參數(shù) 位置參數(shù)是指在一定光譜區(qū)域內(nèi)最大一階導(dǎo)數(shù)值所對(duì)應(yīng)的波長(zhǎng)。其中，紅邊位置λr為波長(zhǎng)680～760 nm內(nèi)一階導(dǎo)數(shù)光譜最大值對(duì)應(yīng)的波長(zhǎng)；藍(lán)邊位置λb為波長(zhǎng)490～530 nm內(nèi)一階導(dǎo)數(shù)光譜最大值對(duì)應(yīng)的波長(zhǎng)；黃邊位置λy為波長(zhǎng)560～640 nm內(nèi)一階導(dǎo)數(shù)光譜最大值對(duì)應(yīng)的波長(zhǎng)；綠峰位置λg為波長(zhǎng)510～560 nm內(nèi)最大反射率對(duì)應(yīng)的波長(zhǎng)；紅谷位置λo為波長(zhǎng)650～690 nm內(nèi)最小反射率對(duì)應(yīng)的波長(zhǎng)。

1.4.2振幅參數(shù) 振幅參數(shù)是指一定光譜區(qū)域內(nèi)一階導(dǎo)數(shù)光譜的最大值。紅邊幅值Dr為波長(zhǎng)680～760 nm內(nèi)一階導(dǎo)數(shù)光譜最大值；藍(lán)邊幅值Db為波長(zhǎng)490～530 nm內(nèi)一階導(dǎo)數(shù)光譜最大值；黃邊幅值Dy為波長(zhǎng)560～640 nm內(nèi)一階導(dǎo)數(shù)光譜最大值。

1.4.3面積參數(shù) 面積參數(shù)是指一定區(qū)域內(nèi)所有波段一階導(dǎo)數(shù)值的總和。紅邊面積SDr為波長(zhǎng)680～760 nm內(nèi)一階導(dǎo)數(shù)光譜的積分； 藍(lán)邊面積SDb為波長(zhǎng)490～530 nm內(nèi)一階導(dǎo)數(shù)光譜的積分；黃邊面積SDy為波長(zhǎng)560～640 nm內(nèi)一階導(dǎo)數(shù)光譜的積分；綠峰面積SDg為波長(zhǎng)510～560 nm間原始光譜曲線所包圍的面積。

1.4.4寬度參數(shù) 包括紅邊(X1)、藍(lán)邊(X2)和黃邊(X3)寬度，計(jì)算公式如下。

Χ1=λr-λo

(2)

Χ2=λb-490

(3)

Χ3=λy-560

(4)

1.4.5反射率參數(shù) 包括綠峰反射率與紅谷反射率的比值(Χ4)和綠峰反射率與紅谷反射率的歸一化值(Χ5)，計(jì)算公式如下。

Χ4=ρg/ρr

(5)

Χ5=(ρg-ρr)/(ρg+ρr)

(6)

式中，綠峰反射率ρg為波長(zhǎng)510～560 nm范圍內(nèi)最大的波段反射率；紅谷反射率ρr為波長(zhǎng)650～690 nm范圍內(nèi)最小的波段反射率。

1.4.6植被指數(shù)參數(shù) 包括紅藍(lán)比值植被指數(shù)(Χ6)、紅黃比值植被指數(shù)(Χ7)、紅藍(lán)歸一化植被指數(shù)(Χ8)、紅黃歸一化植被指數(shù)(Χ9)，計(jì)算公式如下。

Χ6=SDr/SDb

(7)

Χ7=SDr/SDy

(8)

Χ8=(SDr-SDb)/(SDr+SDb)

(9)

Χ9=(SDr-SDy)/(SDr+SDy)

(10)

1.5 貢獻(xiàn)率指數(shù)

將11個(gè)品種依次分為兩組，每次以一個(gè)單一品種為第一組，以剩余10個(gè)品種為第二組，第二組利用Excel中INDEX[array, RANDBETWEEN(bottom, top)]公式選取數(shù)據(jù)。根據(jù)兩組間不同高光譜特征參數(shù)的貢獻(xiàn)率(contribution rate)大小來(lái)評(píng)價(jià)其區(qū)分油菜品種的能力。對(duì)于高光譜位置和寬度參數(shù)，其貢獻(xiàn)率(CR)計(jì)算公式如下。

(11)

對(duì)于高光譜振幅、面積、反射率和植被指數(shù)參數(shù)，其貢獻(xiàn)率(CR)的計(jì)算公式為式(12)。

(12)

式中，EV和MV分別代表第一組的品種和第二組的品種，i表示不同的高光譜特征參數(shù)值。

1.6 方差分析

利用SPSS軟件進(jìn)行方差分析。為提高品種識(shí)別精度，在貢獻(xiàn)率指數(shù)分析后，剔除整體貢獻(xiàn)率最小的2類特征參數(shù)。將每個(gè)小區(qū)30條冠層高光譜隨機(jī)對(duì)半分成兩組并分別取均值，得到該小區(qū)2條，全部33個(gè)小區(qū)共66條冠層高光譜。將各品種不同特征參數(shù)在兩時(shí)期間進(jìn)行方差分析，計(jì)算出兩時(shí)期間不同特征參數(shù)的顯著性差異值P。并篩選出優(yōu)選特征參數(shù)，采用Waller-Duncan法進(jìn)行多重比較分析，最終依據(jù)多重比較的分析結(jié)果來(lái)評(píng)價(jià)各特征參數(shù)對(duì)油菜品種的識(shí)別效果。

2 結(jié)果與分析

2.1 冠層高光譜數(shù)據(jù)分析

2.1.1全波段冠層高光譜 將本次采集的所有數(shù)據(jù)取均值，得到油菜冠層全波段高光譜反射曲線(圖1)。該圖符合綠色植物的光譜特征，但室外光譜數(shù)據(jù)受背景因素影響大，失去了部分典型反射峰和吸收谷的特征信息。例如，1 350～1 480、1 810～1 990與2 370～2 500 nm波段受含水量影響較大，有強(qiáng)烈吸收作用，出現(xiàn)了波段信息的重疊干擾。為減少儀器本身帶來(lái)的誤差及試驗(yàn)研究所需，本研究采用波段范圍350～900 nm作為研究區(qū)間。

2.1.2均值處理后冠層高光譜 油菜不同品種在苗前期和苗后期經(jīng)過(guò)均值處理后的冠層高光譜反射曲線如圖2所示。可以看出，油菜冠層光譜反射率呈上升趨勢(shì)?？傮w上，11種油菜品種反射光譜曲線的走勢(shì)基本一致。苗前期與苗后期分別在490和500 nm附近有一個(gè)微弱的吸收谷。波段640～690 nm，苗前期和苗后期分別在670和680 nm附近形成1個(gè)強(qiáng)吸收谷。波段520～590 nm，苗前期和苗后期分別在550和560 nm附近形成1個(gè)反射峰。同時(shí)，苗前期和苗后期分別在750～890 、760～890 nm形成了1個(gè)明顯的高反射平臺(tái)過(guò)度波段。油菜不同品種在冠層高光譜反射率上存在差異，730～900 nm波段最為明顯。在苗前期，農(nóng)大2號(hào)反射率明顯高于其他10種油菜品種，反射率在50%上下，高油酸1號(hào)反射率最低，約為40%；在苗后期，農(nóng)大1號(hào)反射率最高，反射率都在81%以上，湘雜油518反射率最低，在60%上下。隨著生育期的推進(jìn)，油菜不同品種的冠層反射率差異增大。

2.2 不同品種一階微分曲線對(duì)比

油菜不同品種在苗前期和苗后期經(jīng)過(guò)一階微分處理后的冠層高光譜曲線變化如圖3所示?？梢钥闯?，一階微分能增強(qiáng)有用的光譜信息而抑制無(wú)用的光譜信息，11個(gè)油菜品種在藍(lán)邊位置、紅邊位置和黃邊位置顯示出“兩峰一谷”的特征[19]。品種間特征參數(shù)存在差異，苗前期Dr在農(nóng)大2號(hào)λr的718 nm處最大，Db在油苔420品種λb的520 nm處最大，Dy在灃綠1號(hào)λy的625 nm處最大。在近紅外區(qū)域雖有多個(gè)明顯峰，但值變化都很小。苗后期Dr、Db和Dy分別在農(nóng)大1號(hào)λr的723 nm、湘油708品種λb的523 nm和高油酸1號(hào)λy的628 nm處最大。由于油菜品種間的差異性，同一時(shí)期的一階微分值即黃邊幅值、藍(lán)邊幅值、紅邊幅值大小不同。在苗前期，不同品種間的幅值差異均較小，在苗后期，品種間的Dr和Dy差異明顯。

2.3 高光譜特征參數(shù)區(qū)分不同品種的能力比較分析

2.3.1位置參數(shù)的貢獻(xiàn)率分析 各品種高光譜位置參數(shù)的對(duì)比結(jié)果見圖4。苗前期不同品種間λb貢獻(xiàn)率差異較大，λr差異較小甚至沒有變化，λg都為0。苗后期不同品種間λy貢獻(xiàn)率差異較大，λg差異小。與苗前期不同的是，苗后期不同品種間λb貢獻(xiàn)率差異小。從總貢獻(xiàn)率來(lái)看，苗前期湘油708與苗后期農(nóng)大2號(hào)具有品種區(qū)分優(yōu)勢(shì)，苗前期位置參數(shù)區(qū)分不同品種的能力優(yōu)于苗后期。

2.3.2振幅參數(shù)的貢獻(xiàn)率分析 各品種高光譜振幅參數(shù)的對(duì)比結(jié)果見圖5。兩個(gè)時(shí)期幅值貢獻(xiàn)率變化均表現(xiàn)出：Dy>Db>Dr，且不同品種間Dy貢獻(xiàn)率差異大。苗前期灃綠2號(hào)Dy貢獻(xiàn)率最大，高油酸1號(hào)Dr貢獻(xiàn)率最大，湘油708品種Db貢獻(xiàn)率最大。苗后期湘雜油518品種Dr貢獻(xiàn)率最大，湘油708品種Db貢獻(xiàn)率均最大。從總貢獻(xiàn)率來(lái)看，苗前期灃綠2號(hào)與苗后期湘油708具有品種區(qū)分優(yōu)勢(shì)，苗前期振幅參數(shù)區(qū)分不同品種的能力優(yōu)于苗后期。

2.3.3面積參數(shù)的貢獻(xiàn)率分析 各品種高光譜面積參數(shù)的對(duì)比結(jié)果見圖6。苗后期SDg貢獻(xiàn)率小于苗前期，SDr、SDb、SDy均大于苗前期，苗后期不同品種間SDg貢獻(xiàn)率差異小，SDy差異大。苗前期高油酸1號(hào)SDr貢獻(xiàn)率最大，湘油708品種SDb貢獻(xiàn)率最大，油苔420品種SDy貢獻(xiàn)率最大，湘油708與高油酸1號(hào)SDg均為最大值。苗后期灃綠1號(hào)SDr貢獻(xiàn)率最大，湘油708品種SDb、SDy貢獻(xiàn)率均最大，農(nóng)大1號(hào)SDg貢獻(xiàn)率最大。從總貢獻(xiàn)率來(lái)看，兩個(gè)時(shí)期湘油708均具有品種區(qū)分優(yōu)勢(shì)，苗后期面積參數(shù)區(qū)分不同品種的能力優(yōu)于苗前期。

2.3.4寬度參數(shù)的貢獻(xiàn)率分析 各品種高光譜寬度參數(shù)的對(duì)比結(jié)果見圖7。苗后期X3貢獻(xiàn)率小于苗前期,而X1、X2均大于苗前期。苗前期X1與X2貢獻(xiàn)率均最大為3%，X3湘油708最大為7%。農(nóng)大2號(hào)三邊寬度參數(shù)的貢獻(xiàn)率均為0，表明品種間各位置參數(shù)相同。苗后期湘油708與湘雜油518品種X1貢獻(xiàn)率均最大為7%，X2油苔929最大為3%。X3只有灃綠2號(hào)與湘雜油518的貢獻(xiàn)率為2%，其他品種均為0。從總貢獻(xiàn)率來(lái)看，苗前期油苔1號(hào)與苗后期湘雜油518具有品種區(qū)分優(yōu)勢(shì)，苗前期寬度參數(shù)區(qū)分不同品種的能力優(yōu)于苗后期，該結(jié)果與位置參數(shù)、振幅參數(shù)一致。

2.3.5反射率參數(shù)的貢獻(xiàn)率分析 各品種高光譜反射率參數(shù)的對(duì)比結(jié)果見圖8。苗后期ρr貢獻(xiàn)率小于苗前期而其他三種反射率均大于苗前期。苗前期油苔929品種ρg貢獻(xiàn)率最大，農(nóng)大1號(hào)ρr貢獻(xiàn)率最大，油苔420品種X4貢獻(xiàn)率最大，湘雜油518品種X5貢獻(xiàn)率最大。苗后期湘油708品種ρg貢獻(xiàn)率最大，湘雜油787品種ρr最大，灃綠1號(hào)X4貢獻(xiàn)率最大，油苔929品種X5貢獻(xiàn)率最大。

從總貢獻(xiàn)率來(lái)看，苗前期灃綠2號(hào)與苗后期油苔420具有品種區(qū)分優(yōu)勢(shì)，其貢獻(xiàn)率分別為30.832 1%、31.547 3%，苗后期反射率參數(shù)區(qū)分不同品種的能力優(yōu)于苗前期。

2.3.6植被指數(shù)參數(shù)的貢獻(xiàn)率分析 各品種高光譜植被指數(shù)參數(shù)的對(duì)比結(jié)果見圖9。同一時(shí)期的比值植被指數(shù)貢獻(xiàn)率差異較小，歸一化植被指數(shù)差異較大。兩時(shí)期X6貢獻(xiàn)率均最大，苗前期品種間貢獻(xiàn)率差異最小的是X9，苗后期品種間差異最小的是X8。苗前期，油苔420品種X6、X8貢獻(xiàn)率最大，湘雜油787品種X7、X9最大。苗后期湘油708品種X6貢獻(xiàn)率最大，油苔929品種X7貢獻(xiàn)率最大，湘雜油518品種X8貢獻(xiàn)率最大，湘雜油787品種X9最大。從總貢獻(xiàn)率來(lái)看，苗前期，油苔420具有品種區(qū)分優(yōu)勢(shì)，貢獻(xiàn)率達(dá)到28.089 4%，苗后期，油苔929具有品種區(qū)分優(yōu)勢(shì)，貢獻(xiàn)率達(dá)32.335 3%，苗后期植被指數(shù)參數(shù)區(qū)分不同品種的能力優(yōu)于苗前期，該結(jié)果與面積參數(shù)、反射率參數(shù)一致。

2.3.7高光譜特征參數(shù)的對(duì)比分析 高光譜特征參數(shù)的對(duì)比結(jié)果見圖10。6類特征參數(shù)在苗前期與苗后期區(qū)分油菜品種的能力不同。根據(jù)6類高光譜特征參數(shù)總貢獻(xiàn)率大小，在苗前期，不同高光譜特征參數(shù)區(qū)分油菜品種的能力由強(qiáng)到弱依次為：振幅參數(shù)>反射率參數(shù)>面積參數(shù)>植被指數(shù)參數(shù)>位置參數(shù)>寬度參數(shù)；在苗后期，不同高光譜特征參數(shù)區(qū)分油菜品種的能力強(qiáng)弱與苗前期差別不大，由強(qiáng)到弱依次為：振幅參數(shù)>面積參數(shù)>反射率參數(shù)>植被指數(shù)參數(shù)>位置參數(shù)>寬度參數(shù)。兩個(gè)時(shí)期中振幅參數(shù)區(qū)分油菜品種的能力均最強(qiáng)，寬度參數(shù)區(qū)分油菜品種的能力均最弱。

2.4 特征參數(shù)的方差分析

苗前期與苗后期各品種特征參數(shù)的方差分析結(jié)果如表1所示。苗后期各品種的Dr、SDr以及四種植被指數(shù)X6、X7、X8、X9與苗前期差異極顯著；5個(gè)品種的SDb差異極顯著；4個(gè)品種的X4差異顯著，同時(shí)有3個(gè)品種差異達(dá)到極顯著。由表2可知，苗后期不同特征參數(shù)的顯著性效果明顯優(yōu)于苗前期，苗后期不同特征參數(shù)間差異極顯著。為提高品種識(shí)別精度，選擇苗后期且顯著性效果較好的8個(gè)特征參數(shù)進(jìn)行品種間多重比較方差分析。

表1 各品種不同特征參數(shù)在苗前期與苗后期的方差分析結(jié)果Table 1 Rsults of variance analysis of variety with different characteristic parameters in the early and late seedling stage

表2 不同特征參數(shù)在苗前期與苗后期的方差分析結(jié)果Table 2 The results of variance analysis with different characteristic parameters in the early and late seedling stage

品種間特征參數(shù)統(tǒng)計(jì)結(jié)果如表3所示。Dr、X6、X9三個(gè)特征參數(shù)識(shí)別油菜品種的效果最好，可以明確區(qū)分6種油菜品種。SDb、X4、X7、X8四個(gè)特征參數(shù)識(shí)別油菜品種的效果次之，可以明確區(qū)分5種油菜品種。SDr特征參數(shù)可以區(qū)分4種油菜品種。其中，各特征參數(shù)識(shí)別湘雜油518品種的效果最好，SDr、X4、X6、X7、X8、X9共6個(gè)特征參數(shù)都能準(zhǔn)確區(qū)分湘雜油518品種與剩余10種油菜品種；各特征參數(shù)識(shí)別油苔929品種的效果較好，X4、X6、X7、X8、X9共5個(gè)特征參數(shù)都能準(zhǔn)確區(qū)分油苔929品種與剩余10種油菜品種。特征參數(shù)中X6、X7、X8、X9為植被指數(shù)參數(shù)，即植被指數(shù)參數(shù)運(yùn)用方差分析方法識(shí)別油菜品種的綜合性效果好。

表3 不同品種特征參數(shù)統(tǒng)計(jì)(苗后期)Table 3 Statistics of characteristic parameters of different rape varieties (late seedling stage)

3 討論

高光譜特征參數(shù)通常涉及紅邊、藍(lán)邊和黃邊參數(shù)，其與作物特征之間的相互關(guān)系是應(yīng)用于作物評(píng)估的基礎(chǔ)[20]?；谔卣鲄?shù)能有效識(shí)別作物品種[7,18]，同時(shí)以高光譜常用植被指數(shù)、不同數(shù)據(jù)變換形式來(lái)提取作物信息的方法，能夠有效提高作物識(shí)別精度[21-22]。本研究也證實(shí)了基于特征參數(shù)來(lái)區(qū)分油菜品種是可行的，綜合能力由強(qiáng)到弱依次為：振幅參數(shù)>面積參數(shù)>反射率參數(shù)>植被指數(shù)參數(shù)>位置參數(shù)>寬度參數(shù)。這與段丁丁等[19]研究結(jié)果相似，振幅、面積參數(shù)區(qū)分品種的能力較強(qiáng)，位置、寬度參數(shù)區(qū)分品種的能力較弱。本研究發(fā)現(xiàn)，通過(guò)提取特征參數(shù)能夠有效降低高光譜原始數(shù)據(jù)在區(qū)分作物品種維度高、數(shù)據(jù)量大的難度，在識(shí)別精度相當(dāng)?shù)那闆r下，可以優(yōu)先考慮用特征參數(shù)來(lái)區(qū)分作物品種。林川等[23]研究表明，應(yīng)用方差分析選取的光譜特征參數(shù)能較好的區(qū)分7種植物類型；王崠等[18]利用高光譜特征參數(shù)結(jié)合方差分析探討不同數(shù)據(jù)變換形式對(duì)農(nóng)作物的識(shí)別能力。本研究利用方差分析篩選出區(qū)分油菜品種較優(yōu)的三個(gè)特征參數(shù)Dr、SDr/SDb、(SDr-SDy)/(SDr+SDy)，該結(jié)論進(jìn)一步證實(shí)了劉秀英等[24]認(rèn)為紅邊區(qū)對(duì)樹種識(shí)別有重要作用的結(jié)論，同時(shí)，植被指數(shù)參數(shù)識(shí)別油菜品種的綜合性效果好這一結(jié)論與舒田等[21]經(jīng)過(guò)一階微分變換后的衍生相關(guān)指數(shù)識(shí)別農(nóng)作物的能力較強(qiáng)的結(jié)果相符。因此，經(jīng)過(guò)微分處理后的紅邊參數(shù)及基于紅邊參數(shù)變換形式的相關(guān)指數(shù)參數(shù)可作為品種分類識(shí)別的優(yōu)選特征參數(shù)。

近年來(lái)，無(wú)人機(jī)遙感技術(shù)用于大面積觀測(cè)地面農(nóng)田，測(cè)量時(shí)間靈活，光譜分辨率與空間分辨率明顯提高，而紅邊參數(shù)能夠很好地反映作物的生長(zhǎng)狀況與活力程度。這為農(nóng)作物品種識(shí)別提供了新的研究趨勢(shì)，基于紅邊參數(shù)、紅邊波段的無(wú)人機(jī)遙感技術(shù)和遙感衛(wèi)星都可以進(jìn)行品種分類識(shí)別。同時(shí)，無(wú)人機(jī)遙感技術(shù)與遙感衛(wèi)星獲取的大數(shù)據(jù)在精準(zhǔn)作業(yè)和智慧農(nóng)業(yè)中應(yīng)用廣泛。研究表明，遙感衛(wèi)星基于紅邊波段或紅邊植被指數(shù)能夠較好的預(yù)測(cè)生物量、葉面積指數(shù)等情況[25-26]。張影等[27]指出，機(jī)載高光譜遙感用于農(nóng)作物分類的研究對(duì)象多為糧食作物，經(jīng)濟(jì)作物的研究較少，但其空間分辨率較高，在未來(lái)的農(nóng)作物精細(xì)分類中，多源遙感影像的融合仍然值得我們關(guān)注。不少學(xué)者利用無(wú)人機(jī)遙感平臺(tái)結(jié)合冠層光譜進(jìn)行地物分類[28]、長(zhǎng)勢(shì)監(jiān)測(cè)[29]、產(chǎn)量預(yù)估[30]等研究，這表明基于光譜特征參數(shù)可運(yùn)用在多個(gè)遙感平臺(tái)中，為實(shí)現(xiàn)農(nóng)作物品種的分類與識(shí)別提供了新的技術(shù)手段。因此，研究可利用多個(gè)遙感平臺(tái)將影像數(shù)據(jù)與地面實(shí)測(cè)數(shù)據(jù)結(jié)合，用于品種識(shí)別、長(zhǎng)勢(shì)監(jiān)測(cè)、病害監(jiān)測(cè)，產(chǎn)量估算等多方面研究中，實(shí)現(xiàn)“點(diǎn)”與“面”兩個(gè)尺度的關(guān)聯(lián)與轉(zhuǎn)換。

本研究探討不同特征參數(shù)在油菜苗前期與苗后期區(qū)分油菜品種的能力。結(jié)果表明，苗后期不同特征參數(shù)顯著性水平明顯優(yōu)于苗前期，苗后期不同特征參數(shù)間均存在極顯著性差異。因此油菜品種應(yīng)考慮在油菜生長(zhǎng)旺期，識(shí)別效果較好。 陳春玲等[13]研究表明，因抽穗期粳稻生長(zhǎng)茂盛，植株間密集，受到背景噪聲的干擾較小，MEA-BPNN 算法的氮素反演效果最好，尹凡[8]研究表明，對(duì)于不同類型的油菜品種識(shí)別的最佳時(shí)期是抽薹期，但也表示花期并不是同種農(nóng)作物間識(shí)別的最佳時(shí)期。張雪紅[31]研究認(rèn)為，苗期是利用光譜特征評(píng)價(jià)油菜氮素營(yíng)養(yǎng)的最佳生育期。因此，農(nóng)作物品種的分類識(shí)別效果應(yīng)全面分析不同作物類型本身及其各生長(zhǎng)時(shí)期的特征差異。以上方法與研究結(jié)論可作為其他研究者應(yīng)用于油菜品種分類識(shí)別的研究思路，這也為提高作物品種的識(shí)別精度和進(jìn)一步深入品種的判別分析提供了一定的基礎(chǔ)依據(jù)。

在下一步的研究中可以增加圖像、生理參數(shù)等信息進(jìn)行多數(shù)據(jù)融合，結(jié)合其他波段選取方法，同時(shí)對(duì)比分析油菜其他關(guān)鍵生育期在不同高光譜特征參數(shù)和不同光譜波段上品種分類識(shí)別的研究，進(jìn)一步篩選出更優(yōu)的特征參數(shù)和特征波段用于品種分類識(shí)別，以達(dá)到更好的識(shí)別精度和識(shí)別效果。