化學防控對草原毒草白喉烏頭高光譜特性及其識別的影響

劉智彪， 劉文昊， 靳瑰麗*， 阿德列提·艾列吾塔力甫， 常 靜，加馬力丁·吾拉扎汗， 宮 珂， 馬 建， 李 瑩， 陳 瑤

(1. 新疆農業大學草業學院/新疆草地資源與生態重點實驗室/西部干旱荒漠區草地資源與生態教育部重點實驗室，新疆 烏魯木齊 830052； 2. 新源縣林業和草原局， 新疆 伊犁 835000； 3. 伊犁哈薩克自治州治蝗滅鼠指揮中心， 新疆 伊犁 835000)

高光譜遙感(Hyper-spectral remote sensing)是利用人工或者飛行器攜帶的高光譜儀，從目標對象中獲取多條窄波段通道電磁波數據的技術，它能夠獲取更多光譜信息，實現地物的精細化分類[1-3]。在基于高光譜遙感植物識別領域，前人的研究大多集中于農田作物、森林樹種、城市植被[4-8]。陳樹人[9]和白敬[10]等在對不同植物的光譜研究時，通過逐步判別方法篩選敏感識別波段，實現了不同農田作物的判別分類；曹曉蘭[11]通過篩選4種苧麻(Boehmerianivea)品種的反射率特征參數，進一步利用Fisher判別規則，建立不同苧麻品種的判別函數模型，平均正確率達95.5%；也有學者通過對比多種草地植物的反射率光譜特征建立物種分類規則，經驗證明分類錯誤率低于5%[12]；韓萬強[13]篩選出伊犁絹蒿荒漠草地主要植物最佳識別參數，建立Fisher判別模型，總精度為92.13%。眾多研究表明利用光譜反射率特征的差異來進行分類和識別，篩選不同植物的敏感波段，能夠有效地降低光譜數據量，更準確實現對植物的識別與監測。

白喉烏頭(Aconitumleucostomum)為毛茛科(Ranuncuaceae)烏頭屬(Aconitum)多年生草本植物，是伊犁河谷山地草甸草地上一種常見的毒害草。長期過載放牧導致白喉烏頭過度生長，嚴重制約著當地草原生態保護和畜牧業的發展[14]。目前對白喉烏頭的防控手段主要以化學防除為主，毒害草在經過化學防除處理后，需要時效性強、精準度高、便捷的方法來分析防控效果。目前高光譜遙感在草地植被識別方面己有大量研究，但在草地毒害草識別方面的研究相對較少，僅在部分毒害雜草和入侵植物中進行了探索性研究，例如，程迪等[15]通過分析狼毒(Stellerachamaejasme)群落的光譜特征，得出區分狼毒與牧草的主要光譜特征參數為紅谷、藍谷與近紅外反射峰；凱楠等[16]學者根據狼毒的高光譜特征，構建出葉綠素含量的最優預測模型；Underwood等[17]利用最小噪聲分離(Minimum noise fraction,MNF)、波段比值(Band ratio,BR)和連續統去除法(Continuum removal,CR)3種方法對高光譜數據進行降維，實現對入侵植物莫邪菊(Carpobrotusedulis)的分類；Mund等[18]用主成分分析(Principal components analysis,PCA)和最小噪聲分離兩種技術對愛達荷州南部群心菜(Cardariadraba)的高光譜影像數據進行降維處理，并通過波譜角法(Spectral angle mapper,SAM)實現目標地物的分類；楊慧穎[19]篩選出紫莖蘭澤(Eupatoriumadenophorum)的高光譜特征，利用最大似然法(Maximum likelihood,ML)和馬氏距離法(Mahalanobis distance,MD)，提取紫莖蘭澤的分布。前人在對白喉烏頭的高光譜分析中，得出750～1 150 nm波段范圍、紅邊參數以及比值植被指數(Ratio vegetation index,RVI)可以用于遙感影像識別白喉烏頭[20]。但經過防控處理后白喉烏頭和群落中其他牧草光譜特性會發生怎樣的變化？如何利用光譜特征差異客觀有效地判別受藥害烏頭和未受藥害烏頭？解決這些問題是實現遙感大面積精準掌握防控效果的基礎。因此，本研究以白喉烏頭為對象，研究在防控處理后白喉烏頭及其他牧草光譜動態變化特征，通過特征波段篩選建立Fisher判別模型進行化學防控后烏頭識別，旨在為實現大面積白喉烏頭防控效果遙感動態監測提供理論依據。

1 材料與方法

1.1 研究區

研究區位于新源縣那拉提鎮阿吾贊夏牧場，地處恰普河山間谷地，位于東經83°30′～84°15′，北緯43°09′～43°20′，海拔1 800～3 700 m，降水量可達800 mm以上，草地類型屬于禾草+雜類草山地草甸草地。由于長期過度放牧，毒害草白喉烏頭成為群落的優勢種，防控前草地群落主要植物數量特征見表1。

表1 化學防控前白喉烏頭群落主要植物信息Table 1 Main plant information of Aconitum leucostomum community before chemical control

1.2 試驗設計

在白喉烏頭典型爆發區設置3條樣線，前后間隔200 m。遵循植叢分布均勻的原則，每條樣線上設置2個樣地作為防控組噴施化學藥劑，樣線外再設置2個樣地為不噴施藥劑對照組，樣地大小為75 m×75 m；并按SOC710 VP成像光譜儀視場范圍大小，在每個樣地內以白喉烏頭為中心，按照樣地對角線設置5個固定光譜測定樣方，樣方大小為0.5 m×0.6 m，共計30個防控觀測樣方，10個對照組觀測樣方。試驗區樣方設計見圖1。

圖1 試驗區樣地圖Fig.1 Sample map of experimental area

于2020年5月下旬—6月初白喉烏頭4～5葉期時，進行人工噴施化學藥劑，施用藥劑為邁士通除草劑，有效成分為21%氯氨吡啶酸，劑型為水劑，采用點噴法直接對其莖葉噴施。防控前進行了第1次數據采集，并在噴施后每隔15 d左右進行1次周期性防控效果監測，即分別在6月下旬(約防控15 d后)和7月中旬(約防控30 d后)進行動態測定。用于動態獲取自然狀態及受藥害兩種狀態下白喉烏頭和其他牧草，即4類目標地物的光譜特征。

1.3 數據處理

1.3.1預處理 使用SOC710 VP成像光譜儀測定采集白喉烏頭及群落高光譜數據，其光譜范圍覆蓋376～1 076 nm，共有256個波段。利用SRAnal 710軟件提取每一個樣方中的白喉烏頭、其他牧草的平均光譜反射率信息。采用多項式擬合平滑法，在保留原始光譜曲線原有特征不發生變化的基礎上，對光譜曲線進行去噪處理。

1.3.2逐步判別篩選敏感識別波段 采用逐步判別分析將樣方的全部光譜信息進行計算分析，對分類影響大的變量信息留在模型里，反之從模型中剔除[21]，盡可能利用最少的變量信息數量，選擇對分類精度影響最大的變量。研究以全波段反射率為自變量，樣方的類別為因變量，用SPSS 20進行逐步判別分析，選擇Wilks’Lambda做分析模型，通過設定合適的F“輸入”值與“剔除”值，進行變量篩選，提取特征波長。

1.3.3Fisher判別函數 Fisher線性判別函數是把已知樣方信息都投影到一維空間，使樣方在投影面上更易于分類，而易于分類投影面的特征是投影后同一類的樣方盡可能集中，使類內離散度降低，不同類的樣方盡可能遠離，使類間離散度增加，從而判斷各類特征，實現對樣方目標地物的分類[23]。

2 結果與分析

2.1 光譜特征動態變化分析

2.1.1白喉烏頭和其他牧草光譜特征動態分析 隨著生育期變化，植物的反射率也會發生改變。未進行化學防控條件下(圖2 a,b)，5月、6月、7月白喉烏頭和其他牧草的光譜曲線變化趨勢相似，且白喉烏頭的整體反射率均大于其他牧草。在930～1 075 nm近紅外波段，兩者反射率發生明顯的波動式變化，表現為5月>7月>6月；在376～710 nm可見光波段內，白喉烏頭與其他牧草反射率存在明顯差異，白喉烏頭表現為6月小于5月和7月，其他牧草則表現為5月明顯大于6月和7月。

化學防控處理后(圖2 c,d)，白喉烏頭在600～710 nm紅光波段內的反射率變化表現為7月大于6月，在770～1 075 nm近紅外波段內的反射率變化表現為7月小于6月。其他牧草在720～1 075 nm波段內的反射率變化表現為7月小于6月，而在其他波段沒有明顯的反射率差異。

圖2 白喉烏頭及其他牧草的反射率動態變化Fig.2 Changes of reflectance of Aconitum leucostomum and other pastures注：圖中小寫字母a表示對照組的白喉烏頭，b為對照組的其他牧草，c為防控組的白喉烏頭，d為防控組的其他牧草Note:The lowercase letter a represents the Aconitum leucostomum in the control group,b is the other pastures in the control group,c is the Aconitum leucostomum in the chemical control group,and d is the other pastures in the chemical control group

2.1.2化學防控對白喉烏頭群落光譜特征的影響 6月化學防控后白喉烏頭在400～710 nm可見光波段內的反射率表現為防控組大于對照組，在770～1 075 nm近紅外波段內的反射率表現為防控組小于對照組；7月白喉烏頭在600～710 nm紅光波段內的反射率表現為防控組高于對照組，而在770～1 075 nm近紅外波段內的反射率表現雖與6月相似，但反射率大小差異更大。其他牧草在376～710 nm可見光波段內，防控組與對照組6月和7月的反射率大小無明顯差異；在720～1 075 nm波段內，6月防控組反射率明顯大于對照組，7月防控組則與對照組無顯著差異(圖3)。

圖3 化學防控對白喉烏頭及其他牧草光譜特征的影響Fig.3 Effects of chemical control on spectral characteristics of Aconitum leucostomum and other pastures注：圖中小寫字母a表示6月的白喉烏頭，b為7月的白喉烏頭，c為6月的其他牧草，d為7月其他牧草Note:The lowercase letter a represents the Aconitum leucostomum in June,b is Aconitum leucostomum in July,c is other pastures in June,d is other pastures in July

2.2 逐步判別篩選識別特征波段

選擇合適的敏感識別波段，需要綜合考慮模型判別精度和變量盡可能少的原則。將樣方數據代入逐步判別函數模型，選擇合適的F值和剔除值，篩選敏感識別波段。5月的敏感波段數量為4個，與其他月份相比數量最少，分布在403.95 nm的藍光波段、512.53 nm的綠光波段、775.50 nm的紅邊位置以及988.36 nm的近紅外波段。6，7月敏感波段的數量均為6個，其中6月分布較為均勻，在藍光、綠光、紅光以及近紅外波段均有分布；7月主要分布在684～718 nm的紅光波段，對比其他月份減少了在綠光波段和近紅外線波段的敏感波段(表2)。

表2 波段篩選Table 2 Band selection

2.3 白喉烏頭及其他牧草判別模型

將篩選的敏感識別波段，利用實際采集的訓練樣方獲得的變量值，帶入Fisher判別函數，得出5月、6月、以及7月白喉烏頭和其他牧草的判別模型。

2.3.15月Fisher線性判別模型 利用SPSS軟件的Fisher模型判別規則，通過5月的敏感波段建立5月防控處理前白喉烏頭和其他牧草的Fisher判別函數(表3)，并計算模型分類精度。

表3 5月白喉烏頭Fisher線性判別系數Table 3 Fisher linear discriminant coefficients of Aconitum leucostomum in May

5月分類結果如表4所示，精度混淆矩陣表明白喉烏頭識別精度達到了96.00%，而其他牧草識別精度達到了92.00%，總體分類精度為94.00%，kappa系數為0.88，通常kappa系數>0.6以上，表明分類結果與實際類別具有高度的一致性[21]。

表4 5月分類識別的精度混淆矩陣Table 4 Accuracy confusion matrix of classification recognition in May

2.3.26月Fisher線性判別模型 代入6月的敏感波段，得到6月份防控組及對照組的白喉烏頭和可食牧草的Fisher判別函數(表5)。

表5 6月白喉烏頭Fisher線性判別系數Table 5 Fisher linear discriminative coefficients of Aconitum leucostomum in June

6月分類結果如表6所示，其中防控組白喉烏頭的識別精度為73.33%，模型錯誤的將對照組白喉烏頭和防控組其他牧草識別成防控組白喉烏頭；防控組其他牧草的識別精度為74.00%，模型混淆了大量防控組白喉烏頭的樣本信息；對照組的白喉烏頭識別精度最低，僅為50.00%，識別錯誤主要在于將對照組的白喉烏頭錯分成了防控組可食牧草；對照組的其他牧草識別精度最高，達到86.67%。判別模型的總體分類精度為74.00%，kappa系數為0.64，白喉烏頭和可食牧草的判別一致性低于5月份。

表6 6月分類識別的精度混淆矩陣Table 6 Accuracy confusion matrix of classification recognition in June

2.3.37月Fisher線性判別模型 代入7月的敏感識別波段，得到7月各處理的識別對象的Fisher判別函數如表7所示。

表7 7月白喉烏頭Fisher線性判別系數Table 7 Fisher linear discriminant coefficients of Aconitum leucostomum in July

7月分類結果如表8示，其中防控組白喉烏頭識別精度為78.00%，識別效果優于6月；防控組其他牧草識別精度為78.67%，主要錯分對象為防控組白喉烏頭；而對照組的白喉烏頭分類精度最高為82.22%，對照組的其他牧草分類最低為76.00%。總體分類精度為79.00%，kappa系數為0.71，判別模型分類一致性較高，總體識別效果優于6月。

表8 7月分類識別的精度混淆矩陣Table 8 Accuracy confusion matrix of classification recognition in July

3 討論

光譜反射率是植物特征的體現[24]，研究反射率差異能夠實現不同植物的精細化分類。本研究發現在近紅外波段內，自然生長狀態下未進行化學防控的白喉烏頭和其他牧草反射率之間差異顯著，各月份白喉烏頭的反射率均大于其他牧草，主要是由于植物的生物量與近紅外波段的反射率呈正相關關系[25]，這與前人對于白喉烏頭的研究結果吻合[18]。在紅光和藍紫光波段，影響反射率的主要因素是葉綠素含量[26]，研究發現化學防控處理后，白喉烏頭在600～710 nm紅光波段內的反射率逐漸增加，在770～1 075 nm近紅光波段內的反射率隨時間增加而逐漸減少，這是由于白喉烏頭受到化學藥劑的侵害，葉片和莖桿不斷枯萎、發黃，色素細胞持續凋亡，葉綠素含量降低[27]，導致白喉烏頭對紅光的反射率增加。白喉烏頭受藥害影響也會導致生物量降低[28]，近紅外光譜反射率也隨之降低。化學防控處理對白喉烏頭產生持續影響，防控組與對照組反射率之間的差異隨著時間的推移逐漸增加。6月防控組白喉烏頭的光譜曲線特征符合植物的一般光譜規律[29]，而7月防控組的光譜曲線與對照組差異更加明顯，這也是區分藥害烏頭和自然生長烏頭的重要依據。經過化學防控處理后，不同時間其他牧草與白喉烏頭的光譜反射率變化不同，6月防控組明顯區別于對照組，7月防控組則與對照組無顯著差異，這是由于6月份白喉烏頭受化學藥劑的影響，葉片萎縮釋放出更大的空間，其他牧草可以獲取更多的光照、養分等資源，有利于生長，導致其他牧草在近紅外波段的反射率增加。但是邁士通除草劑也會對禾本科、闊葉類牧草產生影響[30]，所以經過防控處理30 d后的其他牧草在近紅外波段的反射率降低。

通過逐步判別篩選敏感識別波段，能夠有效降低數據量[31]，利用最少的波段數量，選擇對分類精度影響最大的波段特征。各月份通過逐步回歸篩選出來的敏感識別波段主要分布在399～404 nm的藍光波段、512～578 nm的綠光波段、684～718 nm的紅光波段、775～778 nm的紅邊位置以及979～1075 nm近紅外光波段。通過Fisher判別分類，5月防控前達到了利用最少的特征波段實現最佳的分類效果，通過精度驗證可以得到，總體分類精度達到了94.00%。由于在春季5月份的植物生長迅速葉片較大，易于識別，使得白喉烏頭和其他牧草在光譜特征上有明顯的差異，通過光譜分析能夠獲得較高的分類精度。6月在紫光、綠光、紅光以及近紅外波段均存在特征波段，分布較為均勻，這與前文中對于防控后白喉烏頭的光譜變化的分析表現一致，化學防控處理影響毒害草葉綠素以及生物量變化，從而導致毒害草在可見光和近紅外波段的光譜特征改變[20,25-27]。但是6月的分類效果低于7月，7月防控處理過的白喉烏頭分類精度為78.00%，6月為73.33%。6月識別錯誤主要在于將防控組的白喉烏頭錯分成了防控組可食牧草，通過光譜分析可以發現，6月份白喉烏頭和其他牧草的光譜反射率相比其他月份差異更小，主要由于防控處理15 d后的藥害影響并不明顯，對于防控組白喉烏頭的判別產生了很大的影響。7月白喉烏頭所受藥害影響增加，光譜反射率產生明顯變化，與未受藥害影響和其他牧草的混淆度降低，判別的準確性也隨之增加。白喉烏頭在經過化防處理后，藥害的影響會隨時間的推移越來越明顯[32]，與其他牧草在光譜特征上的差異更為顯著，進而提高了模型的識別精度。由于8月草原植物進入枯黃期，對防控組與對照組植物的識別產生影響，因此本試驗于7月中旬結束觀察。

4 結論

化學防控造成白喉烏頭不同月份間光譜特性的差異，隨著受藥害時間推移白喉烏頭光譜曲線接近裸地，可作為區分烏頭是否受藥害的依據。經過逐步篩選出的敏感識別波段在各月份之間具有差異，主要分布在399～404 nm波段、512～578 nm波段、684～718 nm波段、775～778 nm波段以及979～1 075 nm波段內。通過判別模型分析，5月未經過化學防控的白喉烏頭識別效果最好，總體精度為94.00%。經過防控處理后烏頭識別精度下降，但隨著藥效的持續，識別精度有所增加，7月識別效果大于6月，識別精度由73.33%提升至78.00%。