基于高光譜曲線的馬鈴薯與其他主要作物光譜差異性分析*

周揚帆，陳佑啟，何英彬

(中國農業科學院農業資源與農業區劃研究所，北京 100081)

0 引言

在人口數量不斷增長、耕地總量基本穩定及飲食結構發生變化的情況下，我國糧食自給率已由95%下降到87%左右。如何提高我國糧食安全水平已經成為政府部門和學術界共同關注的議題。三大傳統糧食作物增產空間有限，而馬鈴薯環境適應性強、耐旱耐貧瘠，與其他主要糧食作物相比，可以在更惡劣的自然條件下更快速地生產出更多富有營養的食物[2]。2015年初，農業部啟動了“馬鈴薯主糧化”工程，馬鈴薯在保障我國糧食安全的體系中發揮著越來越重要的作用。

20世紀80年代遙感技術獲得重要突破，逐步形成以高光譜為標志的新遙感技術系統，解決了寬波段遙感無法獲取窄波段地物診斷性光譜特征的問題，并迅速得到廣泛應用[3-7]。目前，農作物高光譜研究主要集中于水稻等禾本科作物及大豆等豆科作物[8-13]，對于茄科作物馬鈴薯研究較少。因此，文章在我國馬鈴薯主要產區之一的東北地區吉林省，以馬鈴薯和該地區的其他3種主要糧食作物玉米、大豆、水稻為研究對象，以馬鈴薯關鍵生長期——結薯期為時間節點，建立一組作物高光譜曲線特征差異性指標，開展馬鈴薯與這3種主要糧食作物之間光譜特征差異性研究。以期為馬鈴薯等主要農作物的空間分布遙感識別提供技術支撐，為高光譜量化研究及馬鈴薯空間分布提取、長勢監測、單產模擬及災害監測與預警提供理論參考。

1 數據與方法

1.1 田間試驗與數據獲取

測量于2016年6月21日(即馬鈴薯結薯期)在吉林省公主嶺市范家屯鎮吉林省蔬菜花卉科學研究院試驗田基地進行。主要觀測作物為馬鈴薯(中晚熟品種延薯四號)、玉米、大豆、水稻4種作物，試驗區田間管理條件保持一致。測量日天氣晴朗、無風，測量時間為正午，測量儀器為美國Ocean Optics公司USB2000+光譜儀，波段測量范圍為339.331～1 027.66nm。測量時傳感器探頭垂直向下，距冠層頂端垂直高度約15cm。在田間隨機抽樣， 4種作物各選擇3組測量樣本，每組樣本重復測量3次，每種作物分別取高光譜反射率平均值作為該作物冠層高光譜反射率值。測量過程中，根據時間和光照情況及時進行標準白板校正。

1.2 高光譜曲線濾波處理

獲取的高光譜數據在開頭和結尾部分受噪聲影響過大，考慮到該文研究內容主要集中于光譜曲線的可見光及近紅外波段，因此僅選取4種作物波長范圍在380.083～850.266nm的數據進行光譜特性研究。在測量過程中，由于光譜儀靈敏性以及近紅外光譜易受外界干擾等原因，繪制的光譜曲線會產生無規律高頻振動。因此需要對光譜曲線進行濾波平滑處理，以達到去除高頻噪聲與干擾的目的。該文選擇Savitzky-Golay(SG)濾波法，這是一種在時域內基于局域多項式最小二乘法擬合的濾波方法，其最大的優點在于濾除噪聲的同時可以確保信號的形狀、寬度不變。

2 高光譜差異指標

在作物高光譜遙感研究中，如果缺乏有效的光譜數據處理分析方法，隱藏在遙感光譜中的大量信息將無法被有效提取。一方面大量的光譜數據會造成數據堆積，另一方面也會嚴重影響遙感數據處理分析的時效性。

在眾多的高光譜分析方法中，光譜反射率分析法是最基本、簡單的應用方法。通常可以通過預處理后的原始光譜進行初步分析，找出有效的光譜和特征光譜。此外，光譜導數分析、光譜特征點分析以及植被指數分析都是較為常用的高光譜分析方法[14]。因此，該文期望通過構建反射率、特征點及植被指數分析法對應的差異性指標，為區分作物間光譜差異提供定量分析結果。

2.1 高光譜反射率差異性指數

為進一步量化說明SG濾波后某種作物與其他作物高光譜反射率的差異特征，首先可以直接建立高光譜反射率差異性指數DRij，即在同一測量波長值w，某種作物i高光譜反射率值與另一種作物j高光譜反射率值之差的絕對值與該種作物高光譜反射率值比值的百分率，公式為：

(1)

2.2 高光譜一階導數差異性指數

研究表明，光譜導數分析有利于擴大作物之間曲線特征差別[15]。因此，嘗試對濾波后曲線進行一階導數變換，建立高光譜一階導數差異性指數，分析馬鈴薯與其他作物間光譜特征差異：

(2)

式(2)中，DFDij為高光譜一階導數差異性指數;FDiw表示某種作物i在波長w時的高光譜一階導數值;FDjw表示其他作物j在波長w時的高光譜一階導數值。

2.3 高光譜紅邊幅值差異性指數

植物紅邊是綠色植物光譜在680～740nm之間反射率值增高最快的點[16]。紅邊是由于植被在紅光波段葉綠素強烈的吸收與近紅外波段光在葉片內部的多次散射而造成強反射形成的現象，是植物光譜最顯著的標志。研究中通常采用兩個因子描述紅邊特征：紅邊位置和紅邊斜率(又稱紅邊幅值)[17]。紅邊與植被的葉綠素含量、植被覆蓋度、葉面積指數等各種理化參數緊密相關，是描述植物色素狀態和生長狀況的重要指示參數[18-20]。植被覆蓋度越高，葉面積指數越大，紅邊幅值越大，紅邊“紅移”； 反之，紅邊“藍移”[21-27]。為定量描述作物間紅邊幅值差異，將680～740nm范圍內的高光譜一階導數差異性指數定義為高光譜紅邊幅值差異性指數。

2.4 高光譜曲率差異性指數

作物的高光譜曲線可以視為由若干分段的弧線組成。某一段弧上曲率最大的點對于確定曲線的形狀具有重要作用[28]。曲率K的計算公式為：

(3)

(4)

2.5 高光譜植被指數差異性指數

基于植被指數識別農作物的估算模型計算簡單、精度高，得到了廣泛應用[29-31]。在植被指數中，歸一化植被指數(NDVI)的應用最為廣泛[32]，一般用來估算作物的生理生態參數，如覆蓋度、葉面積指數等[33]。此外，常用的植被指數還包括，對大氣條件敏感的比值植被指數(RVI)[34]、解決植被指數易陷入飽和的增強型植被指數(EVI)[35]、改進的簡單比值植被指數(MSRI)、近紅外百分比植被指數(IPVI)、轉換植被指數(TVI)和轉換型差值植被指數(TDVI)[36-37]等。

為描述某種作物與其他作物植被指數的差異特征，基于上述7種植被指數，建立了高光譜植被指數差異性指數。

(5)

式(5)中，DVIij為高光譜植被指數差異性指數；VIi表示某種作物i的高光譜植被指數值；VIj表示其他作物j的高光譜植被指數值。

3 差異性指數分析結果

3.1 SG濾波結果及幾種作物高光譜曲線特征分析

田間采集的原始高光譜曲線見圖1， 4種作物具有基本相同的反射率變化趨勢。由于葉綠素對紅光和藍光的強吸收，以及對綠光的弱吸收，形成了典型的作物反射光譜綠色波峰和紅藍波谷曲線； 而在近紅外波段作物的光譜特性主要受葉片內部構造的控制，反射率急劇上升。SG濾波平滑處理后獲得的高光譜曲線見圖2。曲線顯示4種作物綠色波段反射率峰值均位于波長550.362nm附近，反射率值由小到大排列順序為玉米<馬鈴薯<大豆<水稻，其中馬鈴薯的反射率值為11.498%。在藍色波段波長481.636nm和紅色波段波長690.160nm處，由于類胡蘿卜素和葉綠素吸收，形成典型作物藍紅波谷現象； 在藍色波段481.636nm處，馬鈴薯與水稻的反射率值相近； 在紅色波段690.160nm處，馬鈴薯與大豆、水稻的反射率值均相近。在近紅外波段， 4種作物反射率值均大幅提升，馬鈴薯首個峰值位于波長761.631nm處，在此波長4種作物反射率值由小到大排列順序為馬鈴薯<大豆<水稻<玉米。

圖1 作物原始高光譜曲線 圖2 作物SG濾波后高光譜曲線

表1 馬鈴薯與其他作物光譜差異性指數 %

表2 馬鈴薯與其他作物一階導數差異性指數 %

表3 紅邊位置與幅值

圖3 作物高光譜一階導數曲線

3.2 馬鈴薯與其他作物高光譜曲線特征差異性分析結果

3.2.1 高光譜反射率差異性指數分析結果

根據式(1)計算得出馬鈴薯與玉米、大豆、水稻的高光譜反射率差異性指數值。表1數據顯示馬鈴薯與玉米的反射率值在481.636nm處差異最顯著，與大豆、水稻的反射率值在550.362nm處差異最顯著。

3.2.2 高光譜一階導數差異性指數分析結果

對SG濾波后4種作物高光譜曲線進行一階求導，得到高光譜一階導數曲線(圖3)。根據式(2)計算得出馬鈴薯與其他3種作物的一階導數差異性指數如表2。與高光譜反射率差異性指數值對比，在550.362nm和761.631nm處，馬鈴薯與其他3種作物的高光譜特征差異被顯著放大； 而在481.636nm和690.160nm處，馬鈴薯僅與大豆、水稻的差異性指數值增加。

3.2.3 高光譜紅邊幅值差異性指數分析結果

對4種作物高光譜曲線一階求導計算的紅邊位置與幅值(表3)，不同作物在不同紅邊位置的對比信息見圖4，結果顯示：(1)馬鈴薯和大豆的紅邊位置均位于波長712.9nm處，該位置馬鈴薯與玉米、水稻、大豆的高光譜紅邊幅值差異性指數值分別為13.213%、30.070%、9.305%； (2)玉米的紅邊位置位于波長736.073nm處，同一波長處馬鈴薯的高光譜一階導數值為0.634，馬鈴薯與玉米、大豆、水稻的紅邊幅值差異性指數值分別為160.432%、33.440%、0.271%； (3)水稻的紅邊位置位于波長712.225nm處，該波長位置馬鈴薯的高光譜一階導數值為1.164，馬鈴薯與玉米、大豆、水稻的紅邊幅值差異性指數值分別為8.202%、37.688%、20.215%。綜上所述，馬鈴薯與玉米高光譜紅邊幅值差異性指數最大值位于波長736.073nm處，與大豆、水稻高光譜紅邊幅值差異性指數最大值均位于波長712.225nm處。各種作物紅邊位置與高光譜原始曲線近紅外差異性最大波段761.631nm不重疊。

圖4 4種作物紅邊位置一階導數值對比 圖5 4種作物曲率最大值所對應的波長值及在波長值點曲率值對比

表4 曲率最大值與對應波長位置

馬鈴薯玉米大豆水稻曲率最大值0 3830 3570 4760 451曲率最大值對應波長(nm)404 829405 209751 711752 043

3.2.4 高光譜曲率差異性指數分析結果

根據式(3)計算得出4種作物曲率最大值(表4)，不同作物間的曲率對比信息如圖5。根據式(4)計算得出：(1)馬鈴薯的曲率最大值對應波長處，與玉米、大豆、水稻的高光譜曲率差異性指數值分別為12.226%、46.994%、34.175%;(2)玉米的曲率最大值位于波長405.209nm處，該位置馬鈴薯的曲率值為0.299，馬鈴薯與玉米、大豆、水稻的高光譜曲率差異性指數值分別為19.334%、19.679%、19.018%;(3)大豆的曲率最大值位于波長751.711nm處，同一波長位置，馬鈴薯的曲率值為0.291，與玉米、大豆、水稻的高光譜曲率差異性指數值分別為5.394%、63.471%、22.948%;(4)水稻的曲率最大值位于波長752.043nm處，該波長處，馬鈴薯的曲率值為0.249，與玉米、大豆、水稻的高光譜曲率差異性指數值分別為78.365%、8.987%、80.882%。綜上所述，馬鈴薯與玉米、水稻高光譜曲率差異性指數最大值均位于波長752.043nm處，與大豆高光譜曲率差異性指數最大值位于波長751.711nm處。

3.2.5 高光譜植被指數差異性指數分析結果

根據3.1的結果，為保持研究結果的連續性和一致性，在計算植被指數時，近紅外、紅光、藍光的具體波長值確定為761.631nm、690.160nm、481.636nm。根據式(5)計算4種作物7種高光譜植被指數差異性指數值，結果如表5。

表5 4種作物植被指數值及相應的差異性指數值

馬鈴薯玉米大豆水稻馬鈴薯與玉米差異指數值(%)馬鈴薯與大豆差異指數值(%)馬鈴薯與水稻差異指數值(%) 歸一化植被指數(ND?VI690 160，761 631)0 7340 8890 7910 75921 2077 7643 485 比值植被指數(RVI690 160，761 631)6 50717 0468 5497 304161 94731 37112 248 改進的簡單比值指數(MSRI690 160，761 631)1 5513 1291 9241 703101 72524 0429 782 近紅外百分比植被指數(IP?VI690 160，761 631)0 8670 9450 8950 8808 9743 2851 475 轉換植被指數(TVI690 160，761 631)1 1111 1791 1361 1226 1192 2821 031 轉換型差值植被指數(TD?VI690 160，761 631)1 2711 4131 3261 29611 1224 2861 947 增強植被指數(EVI481 636，690 160，761 631)0 7911 5530 9930 89296 30625 50712 761

7種植被指數，在研究時點，玉米的值最高，大豆次之，水稻再次，馬鈴薯最低。馬鈴薯與玉米的高光譜植被指數差異性指數值由高到低排序在前3位的指數是RVI、MSRI、EVI； 馬鈴薯與大豆的差異性指數值最大的3種是RVI、EVI、MSRI； 馬鈴薯與水稻的高光譜植被指數差異性指數值排序在前3位的是EVI、RVI、MSRI。馬鈴薯與玉米差異性指數值遠高于馬鈴薯與玉米、水稻差異性指數值。馬鈴薯與玉米、大豆、水稻的高光譜植被指數差異性指數值較低的植被指數為TVI、TDVI和IPVI。相比于RVI、MSRI和EVI，NDVI差異性分析效果并不理想。

4 主要結論與討論

(1)目前，農作物高光譜曲線量化差異研究很少涉及馬鈴薯。該文為比較馬鈴薯與玉米、大豆、水稻高光譜曲線特征差異，建立了高光譜反射率差異性指數、高光譜一階導數差異性指數、高光譜紅邊幅值差異性指數、高光譜曲率差異性指數及高光譜植被指數差異性指數，旨在為馬鈴薯高光譜研究提供技術支撐。

(2)作物高光譜一階導數彌補了SG濾波高光譜曲線藍色波段波長481.632nm位置無法明顯區分馬鈴薯和水稻的缺陷，大幅度凸顯兩種作物的差異性。擴大了綠色波段波長550.362nm、近紅外波段761.631nm處馬鈴薯與其他3種作物的光譜差異，一階導數的運算同樣放大了紅色波段波長690.160nm處馬鈴薯與大豆、水稻的光譜差異。因此，在進行遙感影像作物分類時，如果選擇550nm附近綠色波段、450nm附近藍色波段、761nm附近近紅外波段一階導數值作為輸入信息，可以提高分類精度。以紅邊幅值作為特征值也可以作為作物遙感提取的輸入信息。通過計算4種作物紅邊幅值及其對應波長位置，比較發現馬鈴薯與玉米差異性指數最大值為160.432%，位于波長736.073nm處。與大豆和水稻紅邊幅值差異性指數最大值均位于波長712.225nm處，差異性指數值分別為37.688%、20.215%。因此，在進行遙感影像作物分類時可選擇計算712nm、736nm附近紅邊幅值作為輸入值區分馬鈴薯與其他作物。

(3)將不同指標進行橫向比較，發現馬鈴薯與玉米、大豆、水稻的差異指數最大值均為近紅外波段波長761.631nm處高光譜一階導數差異性指數，值分別為4 140.670%、3 632.536%、3 519.378%。由此可見，高光譜一階導數對于放大光譜差異起到了至關重要的作用。因此，在航空航天遙感識別不同作物時，如果搭載的傳感器具有高光譜性能，可以首選近紅外波段高光譜一階導數進行分析，其次選取大豆和水稻曲率最大值點波段進行分析。

(4)以普通遙感器為基礎進行馬鈴薯與其他作物的分辨，植被指數和光譜波段反射率都可以作為輸入信息。橫向比較植被指數，RVI是區分馬鈴薯與其他作物差異性最為顯著的植被指數，其次為EVI，再次為MSRI(以排序值累加值為判斷依據)。與光譜反射率比較，植被指數并沒有在馬鈴薯與其他作物光譜差異分析中顯示出優勢。除了馬鈴薯與玉米差異性區分時應用RVI或MSRI或EVI強于光譜反射率外，馬鈴薯與大豆及水稻的差異性可以應用綠色波段反射率進行區分，其效果優于植被指數； 馬鈴薯與玉米的反射率值在藍色波段481.636nm位置差異最顯著。因此，在馬鈴薯與其他主要糧食作物空間分布分辨時，可考慮將RVI、綠色波段和藍色波段反射率作為主要輸入信息，MSRI和EVI指數可以作為備選植被指數。

(5)相對于其他生長階段，馬鈴薯有兩個關鍵生育期，即該文研究的結薯期和塊莖快速膨大期，在馬鈴薯關鍵生長期進行4種作物高光譜曲線特征差異性比較從理論角度有其研究價值和意義。以時間為縱軸，進行馬鈴薯全生育期不同生長階段不同差異性指標的橫向比較將會帶來更加有意義的研究指標結果。由于篇幅有限，該文并未如此展開，未來馬鈴薯全生育期或兩個關鍵生長期的比較將會成為未來進一步研究工作的重點。此外，依據玉米、大豆和水稻關鍵生長期進行指標研究也可作為未來研究的方向。

[1] 李艷潔. 低至87%糧食自給率低點預警.中國經營報A3版， 2014-06-09

[2] 劉洋. 我國馬鈴薯產業經濟2012年回顧與2013年展望.馬鈴薯產業與農村區域發展.2013， 5

[3] 童慶禧， 張兵，張立福.中國高光譜遙感的前沿進展.遙感學報， 2016，20(5)： 689～707

[4] 浦瑞良， 宮鵬.高光譜遙感及其應用.北京：中國地質大學(北京)， 2009

[5] 杜培軍， 夏俊士，薛朝輝，等.高光譜遙感影像分類研究進展.遙感學報, 2016，20(2)： 236～256

[6] 童慶禧， 張兵，鄭蘭芬.高光譜遙感：原理、技術與應用.北京：高等教育出版社.2006

[7] 劉秀英， 林輝，熊建利，等.森林樹種高光譜波段的選擇.遙感信息， 2005，(4)： 41～44，64

[8] Lin Du，Wei Gong，Shuo Shi，et al.Estimation of rice leaf nitrogen contents based on hyperspectral LIDAR.International Journal of Applied Earth Observation and Geoinformation， 2016， 44： 136～143

[9] Siripatrawan U，Makino Y，Monitoring fungal growth on brown rice grains using rapid and non-destructive hyperspectral imaging.International Journal of Food Microbiology， 2015， 199： 93～100

[10]Chu Xuan，Wang Wei，Yoon S C，et al.Detection of aflatoxin B1(AFB1)in individual maize kernels using short wave infrared(SWIR)hyperspectral imaging.Biosystems Engineering， 2017， 157： 13～23

[11]Wang Wei，Ni Xinzhi，Kurt C L，et al.Feasibility of detecting Aflatoxin B1 in single maize kernels using hyperspectral imaging.Journal of Food Engineering， 2015， 166： 182～192

[12]Guo Binbin，Qi Shuangli，Heng Yarong，et al.Remotely assessing leaf N uptake in winter wheat based on canopy hyperspectral red-edge absorption.European Journal of Agronomy， 2017， 82： 113～124

[13]Huang Yanbo，Yuan lin，Krishna N R，et al.In-situ plant hyperspectral sensing for early detection of soybean injury from dicamba.Biosystems Engineering， 2016， 149： 51～59

[14]黃文江. 作物病害遙感監測機理與應用.北京：中國農業科學技術出版社.2009

[15]范文義， 杜華強，劉哲.科爾沁沙地地物光譜數據分析.東北林業大學學報， 2004, 32(2): 45～48

[16]鄒紅玉， 鄭紅平.淺述植被“紅邊”效應及其定量分析方法.遙感信息, 2010，(4)： 112～116

[17]姚付啟， 張振華，楊潤亞，等.基于紅邊參數的植被葉綠素含量高光譜估算模型.農業工程學報， 2009， 25(S2)： 123～129

[18]Zheng Youfei，Guo X，Olfert O，et al.Monitoring growth vigour of crop using hyperspectral remote sensing data.Meteorological and Environmental Sciences， 2007, 30(1): 10～16

[19]Tang Yanlin，Wang Xiuzhen，Huang Jingfeng，et al.The hyperspectra and their red edge characteristics of cotton(I).Cotton Science， 2003, 15(3): 146～150

[20]Li Fei，Miao Yuxin，Feng Guohui，et al.Improving estimation of summer maize nitrogen status with red edge-based spectral vegetation indices.Field Crops Research， 2014, 157(2): 111～123

[21]馮秀絨， 卜崇峰，郝紅科，等.基于光譜分析的生物結皮提取研究——以毛烏素沙地為例.自然資源學報， 2015, 30(6): 1024～1034

[22]杜華強， 金偉，葛宏立，等.用高光譜曲線分形維數分析植被健康狀況.光譜學與光譜分析， 2009, 29(8): 2136～2140

[23]Helmi Z M S，Mohamad A M S，Azadeh G.American Journal of Applied Sciences， 2006， 3(6)： 1864

[24]Tang Yanlin，HUANG Jingfeng，WANG Xiuzhen，et al.Comparison of the characteristics of hyperspectra and the red edge in rice，corn and cotton.Scientia Agncuhura Sinic， 2004, 37(1): 29～35

[25]唐延林， 王人潮，黃敬峰，等.不同供氮水平下水稻高光譜及其紅邊特征研究.遙感學報， 2004, 8(2): 185～192

[26]趙春江， 黃文江，王紀華，等.不同品種、肥水條件下冬小麥光譜紅邊參數研究.中國農業科學， 2002, 35(8): 980～987

[27]王秀珍， 王人潮，李云梅，等.不同氮素營養水平的水稻冠層光譜紅邊參數及其應用研究.浙江大學學報(農業與生命科學版)， 2001, 27(3): 301～306

[28]王亞飛， 錢樂祥，劉含海.地物光譜曲線特征點的提取和應用.河南大學學報(自然科學版)， 2006, 36(4): 67～70

[29]包剛， 包玉海，覃志豪，等.高光譜植被覆蓋度遙感估算研究.自然資源學報， 2013, 28(7): 1243～1254

[30]賈坤， 姚云軍，魏香琴，等.植被覆蓋度遙感估算研究進展.地球科學進展， 2013, 28(7): 774～782

[31]李冰， 劉镕源，劉素紅，等.基于低空無人機遙感的冬小麥覆蓋度變化監測.農業工程學報， 2012, 28(13): 160～165

[32]王磊， 王賀，盧艷麗，等.NDVI在農作物監測中的研究與應用.中國農業資源與區劃, 2013，34(4)： 43～50

[33]李樹強， 李民贊.冬小麥生育早期長勢反演模型通用性研究.農業機械學報， 2014, 45(2): 246～250

[34]王正興， 劉闖，Huete Alfredo.植被指數研究進展：從AVHRR-NDVI到MODIS-EVI.生態學報, 2003，(5)： 979～987

[35]李喆， 胡蝶，趙登忠，等.寬波段遙感植被指數研究進展綜述.長江科學院院報, 2015，32(1)： 125～130

[36]舒田， 岳延濱，李莉婕，等.基于高光譜遙感的農作物識別.江蘇農業學報, 2016，32(6)： 1310～1314

[37]王崠， 吳見.農作物種類高光譜遙感識別研究.地理與地理信息科學， 2015，31(2)： 29～33