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展，高光譜遙感作為一種快速監測手段已經被廣泛應用于農業生產中，利用高光譜遙感技術對農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據；通過引入內聚系數來控制波段聚合性，利用特征波長指數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，利用光譜數據識別區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勢。

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

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業上是當前農業高新技術產業化的發展前沿，也是科技農業發展的趨勢[3]。

在農業生產中，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作物進行識別分類是一種新的有效方法。國內外學者利用衛星遙感影像在小麥、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]。油菜在中國的生產方式主要是以農戶模式為主，隨意性較強，優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，對于油菜主產區的種植監管有著積極的意義。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據，通過內聚系數和特征波長指數分析，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據庫以實現不同類型油菜識別，從而對田間油菜種植品種的監測及油菜種植區域的監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業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，氣候適宜，適合油菜的生長。根據油菜的生長特性，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，均為中國農業科學院油料作物研究所提供的甘藍型半冬性常規油菜品種。每個品種4次重復，每個重復為16 m2（2 m×8 m）的小區，田塊周圍布置有保護行以防止邊界效應。常規田間管理，保證各田塊水分、溫度、肥力等條件相同。

1.2 光譜數據采集

光譜數據測量采用美國ASD公司生產的FieldSpec HandHeld 2TM手持式野外光譜輻射儀，該設備可在325～1 075 nm波長范圍內進行連續的光譜測量，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°視場角內覆蓋整個植株，每隔5 min左右對儀器做一次優化并做參考板（標準白板）校正。根據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據采集。每個田塊選擇5個點，每個點分別采集5條光譜反射率數據。

1.3 光譜數據預處理

儀器獲取的原始光譜數據的光譜分辨率為1 nm。為了減小背景噪聲的影響以及數據冗余的問題，采用Savitzky-Golay濾波的方法對光譜數據進行平滑處理，并對平滑過的光譜數據重新采樣，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。數據處理使用Matlab軟件編程完成。

1.4 樣本內聚分析

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

1.6 識別模型的構建

光譜反射率數據可以看作為由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的數據，即維度數為101。因此，通過特征空間建模，將光譜數據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。根據篩選出的特征波段數據建立模型，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個主成分對數據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，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。這些差別主要體現在了“綠峰”與“紅邊”這2個植物生長的主要的光譜敏感區間，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別。

2.2 不同品種油菜樣本內聚性分析

通過樣本間內聚系數的計算，得到油菜各個生長階段的冠層反射率光譜數據內聚系數（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據的內聚系數有著不同的特征。其中，在油菜生長的苗期，內聚系數普遍在0.2以內，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據表現得較為穩定，其內聚系數均在0.2以內；而在花期，油菜冠層光譜反射率內聚系數波動較大，且在大部分波段范圍內內聚系數大于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（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在絕大多數波段均小于1，且大于1的部分特征波長指數也較小，最大不超過1.5。而在油菜的抽薹期，在500～750 nm區間內，特征波長指數均大于1。特別觀察到位于500～600 nm和670～750 nm的波段范圍內，特征波長指數均較大，部分品種間的特征波長指數大于2。這些差別主要體現在了“綠峰”與“紅邊”這2個植物生長的主要的光譜敏感區間，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，各油菜品種的內聚系數較為均一，除苗期的部分波段外，大多數波段的內聚系數均在0.2以內，說明這些數據在組內具有較好的內聚性，其數據質量可以滿足建立識別模型的需要。而在花期，大多數波段尤其是500～700 nm光譜區間的內聚系數偏大，說明這些光譜數據在組內便具有一定的離散性，故難以取得可穩定代表此種油菜的實際光譜信息。這一現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，油菜花期的光譜數據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域的信息用于與其他種類農作物的區分。

內聚性分析體現出不同品種油菜反射率樣本數據的類內差異，而特征波長指數分析則是體現了不同品種油菜反射率樣本數據的類間差異。排除花期后，經過分析得出，在苗期大部分波段的油菜品種間特征波長指數均小于1，說明其品種類間差異較小，因此苗期數據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均較大，其光譜反射率數據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據進行建模。根據特征波長指數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，將數據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。再根據投影矩陣，將測試集的數據投影到特征空間，并以建模中心和判別半徑為依據，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

高光譜遙感數據以其波段多且連續的特性，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、花期樣本光譜數據，通過引入內聚系數來控制波段聚合性，利用特征波長指數尋找識別波段，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間內。依據試驗獲得的光譜反射率數據，對3個油菜品種進行識別區分的適宜期為抽薹期，進行識別區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，光譜數據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展趨勢。此外，更多品種油菜的更多年期光譜數據可進一步驗證、完善油菜信息數據庫，從而優化識別模型，為油菜品種識別監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.高光譜技術在農業中的應用研究進展[J].江蘇農業科學，2009（3）：8-11.

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

[5] 鐘仕全，陳燕麗，莫建飛，等.基于中巴02B星遙感數據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].農業工程學報，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.我國油菜產業發展成就、問題與科技對策[J].中國農業科技導報，2012，14（4）：1-7.

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