基于冠層高光譜數據與馬氏距離的馬鈴薯品種識別

王卓卓 何英彬 羅善軍 段丁丁 張遠濤 朱婭秋 于金寬 張勝利 徐飛 孫靜

摘要：為豐富高光譜數據在精細農業中的應用，本研究基于冠層光譜數據進行不同馬鈴薯品種區分研究。利用田間實測的6-8月的馬鈴薯原始光譜數據以及經過一階微分、對數一階微分、包絡線去除處理后的光譜，采用馬氏距離法選擇3種馬鈴薯光譜差異顯著波段，再利用逐步判別法檢驗波段識別精度。結果表明，7月份經過對數一階微分變換選取的特征波段識別精度最高，達87.7%。不同生育期內，多種預處理方法下的光譜識別能力有差異。6月份包絡線去除法的識別精度最高，7月份對數一階微分處理下的識別精度最高，而8月份原始光譜的識別精度最高。提取的特征波段多位于紅光及近紅外波段。研究結果表明基于高光譜數據，借助馬氏距離與逐步判別法可以區分馬鈴薯品種。

關鍵字：高光譜;馬氏距離;馬鈴薯;品種識別

中圖分類號：TP79

文獻標識碼：A

文章編號： 1000-4440（2018） 05-1036-06

高光譜遙感具有波段連續、光譜分辨率高的特點，在分析植被的反射光譜差異性方面有較大的潛力，能夠更加準確地探測到植被的精細光譜信息，從而能更準確地識別作物，為作物的科學管理和高產高效提供技術保障。目前，高光譜數據相關研究主要是通過構建植被指數與提取光譜特征參數（包括光譜反射率、吸收谷、紅邊參數、面積參數等），借助BP神經網絡、判別分析法、歐氏距離等方法對具有較強相似性的草地種、樹種以及農作物種類進行精細分類。如王崠等基于光譜數據變換以及高光譜特征參數構建BP神經網絡模型對8種常見農作物進行分類，張豐等的研究深入到作物品種層面，基于高光譜成像光譜儀獲取的數據，采用混合決策樹分類算法（分類節點上綜合了最大似然法、光譜角匹配、馬氏距離分類以及二值編碼等方法）成功對6種水稻進行識別分類。

馬鈴薯是中國繼玉米、水稻、小麥之后的第四大糧食作物，對于保障國家糧食安全意義重大。目前，有關馬鈴薯高光譜研究多集中于成熟收獲后塊莖的品質鑒別與品種分類，而關于馬鈴薯早期植株生長方面的研究較少。利用冠層高光譜進行馬鈴薯品種識別的研究鮮有報道。同種作物不同品種之間的光譜特征極為相似，它們之間的細微差別很難通過分辨率較低的常規遙感手段探測，本研究基于3種馬鈴薯關鍵生育期內的高光譜數據，通過微分及包絡線去除等預處理，借助馬氏距離選取特征波段，利用逐步判別分析法分析不同預處理方法下的馬鈴薯品種識別精度。研究區分不同品種健康的馬鈴薯植株在其關鍵生育期內的光譜變化特征，可以豐富作物精細分類的相關研究，為馬鈴薯精準田間管理提供科學依據。

1 材料與方法

1.1 試驗設計

試驗于2017年6-8月在吉林省長春市農業科技示范園區（124°99'E，43°66'N）進行。選取吉林地區廣泛種植的早熟品種費烏瑞它以及中晚熟品種延薯4號、吉薯l號作為研究對象，為了研究方便分別記為：FW、JS、YS。3種馬鈴薯均在5月12日播種，每個品種種植2組，每組8壟，壟寬75～80cm，株距30—35cm，小區面積1.2mx6.5m。其他管理措施同大田。

1.2 數據采集

反射率光譜測量采用USB2000+便攜式光譜儀測得。光譜范圍為350—1050nm，光譜分辨率1.7～2.1nm，采樣間隔0.44nm，信噪比250∶l。選取晴朗，無風無云的天氣進行數據采集。光譜采集時間10∶00-14∶00（減小太陽高度角的影響），采集時傳感器探頭使用25。視場角，探頭垂直向下。為了保證數據準確性，測量前采取標準白板進行校正。處理時，剔除每組中的異常光譜，取平均值作為每種作物的光譜。共計得到有效數據251條。

1.3 光譜數據預處理

由于受光譜儀自身以及溫度、雜散光等外界因素的影響，所測光譜數據存在各種噪聲。為了得到真實的結果，消除基線漂移等影響，需要對實測光譜數據進行預處理。預處理包括數據平滑與數據變換。

數據平滑方法選取S-G濾波法，它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。這種濾波器最大的特點在于濾除噪聲的同時可以確保信號的形狀、寬度不變。S-G濾波采用Origin8.0實現。

采用包絡線去除與微分進行數據變換。包絡線去除法可以有效突出光譜曲線的吸收和反射特征，并將反射率歸一化為0～1.0，將光譜的吸收特征歸一化到一致的光譜背景上，有利于與其他光譜曲線進行特征數值的比較，從而提取特征波段以供分類識別。包絡線變化公式如下：

上式中，λ是波長j;RCj是波長j去除包絡線后的值;Rj是波長i的原始光譜反射率;Rend與Rstart是在吸收曲線里的起始點和末端點的原始光譜反射率;λend與λstart是在吸收曲線里的起始點波長和末端點波長;K是在吸收曲線里起始點波段與末端點波段之間的斜率。

光譜反射值經對數變換后，不僅趨向于增強可見光區的光譜差異，而且趨向于減少因光照條件變換引起的乘性因素的影響。為了取得更好的效果，光譜數據經過對數變換后進行微分處理得到對數一階微分數據。公式如下：

式中，（lgRAλi）為波長i與波長i+1之間的對數一階微分光譜;lgRλi與lgRλ（i+1）分別為波長i與波長i+1求對數后的光譜反射率，△λ為波長i+1與波長i之間的波長差值。

1.4 逐步判別分析法

采用SPSS軟件進行逐步判別分析，判別函數的系數選Fisher判別方程的系數，采用Mahalanobis距離方法（即馬氏距離）逐步選擇變量。計算公式如下：

式中，MDk為不同光譜曲線波段的馬氏距離;X為不同光譜曲線在k波段的差值矩陣;k為均值向量：∑-1為協方差矩陣。

選取差異顯著波段時，為剔除差異不顯著的波段，規定馬氏距離值要高于各波段的平均值。同時，為便于地物光譜儀實測光譜數據與高光譜遙感數據相結合，規定馬氏距離值高的波段必須連續出現10nm以上方可入選。

2 結果與分析

2.1 光譜數據處理分析

本研究以2017年7月光譜數據為例進行具體的描述分析。原始光譜數據（圖la）中，晚熟品種延薯4號7月份光譜與其他2種馬鈴薯的光譜差異較大。延薯4號的反射率光譜曲線總體上高于其他2種馬鈴薯，在750～850 nm附近，費烏瑞它反射率稍高于吉薯l號。一階微分處理（圖lb）對于區分3種馬鈴薯曲線作用不大。總體上，相對于費烏瑞它與吉薯1號，延薯4號的紅邊位置更加靠近藍色波段。對數一階微分處理（圖lc）后3種馬鈴薯光譜曲線差異比較明顯。400～500 nm處，延薯4號光譜曲線明顯低于其他2種馬鈴薯，而在550～670nm.光譜曲線較高。3種馬鈴薯光譜曲線均在700nm左右達到峰值，此處3種馬鈴薯的光譜曲線差異明顯。由圖ld可知，包絡線去除能夠進一步增加400～700nm內延薯4號與其他2種馬鈴薯之間的光譜差異。

2.2 利用馬氏距離法選取特征波段

特征變量的選擇是農作物遙感分類的重要步驟，有效地使用多種特征變量是提高農作物遙感分類精度的關鍵。本研究借助馬氏距離得到初步的光譜數據差異波段。馬氏距離越大，說明3種馬鈴薯在此波段的差異性越大，越容易區分。4種光譜數據處理方法下的馬氏距離由SPSS計算得到，以2017年7月數據為例進行分析，結果如圖2所示。原始光譜數據中，大于平均值的波段范圍大致在715—738nm、760～840 nm以及873nm之后。一階微分處理后大于均值的波段范圍在696～ 770nm.770 nm后的數據存在噪聲，波動較大，因此不考慮在內。對數一階微分處理后的光譜，在425～447nm波動較大，但存在連續大于平均值的波段，520nm處超過平均值的波段范圍小于10 nm，忽略不計。其他波段馬氏距離大于均值的波段范圍處于660—678 nm以及687—736 nm。包絡線去除后，400～446nm馬氏距離大于均值，大于均值的2個波段分別位于655～695 nm以及731—748 nm。

2.3 判別結果及精度分析

采用逐步判別法對所選取的波段進行進一步選擇，得到能夠成功區分3種馬鈴薯光譜的特征波段，具體如表l所示。逐步判別分析法選取的有效特征波段范圍多集中于紅光波段與近紅外波段。同時，6月份數據經過對數一階微分及包絡線去除處理后，也得到了一些位于綠光波段550 nm左右的特征波段，這與其他領域已有的研究結果一致。選取的特征波段的判別精度如表2所示。3種馬鈴薯光譜之間的差異程度隨生育期不斷變化。6月份，4種預處理方法下的判別精度較低。包絡線去除法處理后的數據判別精度最高，為75.9%，而一階微分變換后的數據判別精度僅為46.2%;7月份，3種馬鈴薯的光譜數據差異開始擴大，多種方法下的判別精度均升高，其中對數一階微分處理后的識別精度達87.7%，原始光譜識別精度次之，為76.3%，一階微分及包絡線去除后的識別精度約68.0%;8月份原始光譜處理下的識別精度為81.8%，一階微分及對數一階微分等其他3種方法的識別精度為60.0%左右。

總體上，不同預處理方法表現最佳時所對應的時間不同。包絡線去除識別精度最高出現在6月份，一階微分與對數一階微分處理結果最佳識別時間為7月份，而8月份時原始光譜識別精度最高。通過計算得到4種預處理方法對應的平均識別精度，對數一階微分處理與原始光譜的平均識別精度最高，分別為71.73%和71.67%，其次是包絡線去除法，其平均識別精度為70.07%，一階微分的判別精度最低僅為59.33%。微分處理能夠降低土壤等背景的影響，同時也會進一步放大光譜噪聲。導致所選取特征波段不準確，判別精度降低。

3 討論

馬鈴薯屬于茄科作物，受塊莖生長影響，在生長前期地下養分向上供應促進莖葉生長為馬鈴薯塊莖形成做準備，而中后期（開花期后）主要轉入供給地下莖促進果實膨大，因此不能將現有的水稻、玉米等禾本科作物的相關研究成果簡單地套用在馬鈴薯上。本研究通過研究3種馬鈴薯關鍵生育期內的高光譜數據，得到以下結論：（1）經過微分、包絡線去除等處理后的光譜數據選取的特征波段能夠提高馬鈴薯品種間的識別精度;（2）選取的3種馬鈴薯光譜差異顯著，波段大多位于紅光及近紅外波段，也存在少數波段位于綠峰附近，這些可作為作物識別的重點波段;（3）3種馬鈴薯光譜之間的差異程度隨生育期不斷變化。6月份，4種預處理方法下的判別精度較低。7月份光譜數據差異開始擴大，多種方法下的判別精度均升高;（4）不同預處理方法表現最佳時所對應的時間不同。包絡線去除識別精度最高出現在6月份，一階微分與對數一階微分處理結果最佳識別時間為7月份，而8月份時原始光譜識別精度最高。研究結果表明，借助高光譜數據中的特征波段可以識別不同品種的馬鈴薯，將作物識別研究深入到同種作物不同品種之間，進一步豐富高光譜數據在作物識別的研究成果。

農作物遙感識別特征具有時間效應，不同作物的遙感識別特征隨時間呈現動態變化的規律。根據作物之間的物候差異進行特征提取，是農業遙感中常用的方法。本研究通過分析比較多時期連續的光譜數據，找到目標作物之間差異最大的時期，對于確定最佳分類時相的遙感數據以及選擇合適的數據更有實際指導意義。

不同光譜變換方法在一定程度上能消除外界擾動因素的影響，能夠提高植物光譜分類識別精度。林海軍等將經過微分、包絡線去除處理后的4種樹種的高光譜數據用于樹種識別，發現光譜變換處理可有效提高樹種的識別精度。其中光譜二階微分處理后的識別精度最高，達95.5%;劉秀英等研究發現，對數變換后取一階微分的光譜及植被指數對杉木和馬尾松的識別精度最高。本研究借鑒已有研究成果，選取表現最優的數據變換方法，即對數一階微分與包絡線去除法進行研究，得到的結果較為理想。

提取差異顯著的特征波段的算法多種多樣，況潤元等基于數據誤差范圍和植被光譜均值差提取湖泊濕地植被光譜差異波段;陳永剛等基于均值置信區間帶選擇區分不同樹種的特征波段，并通過VBA宏和C#開發程序篩選出最佳區分波段;胡遠寧等用光譜特征參量法、光譜指數法和光譜重排法提取光譜特征;王志輝等利用光譜微分、相關性分析、主成分分析提取光譜特征參數。由于馬氏距離在樹種識別及草地分類等領域的廣泛運用，同時，逐步判別分析法能夠篩選出對不同作物識別能力最大的波段，并顯示識別精度。因此本研究采用馬氏距離法進行提取，并用逐步分析法檢驗識別精度。馬氏距離法屬于基于類間可分性選取最優區分波段的方法，這是高光譜最佳波段選擇的一個方向。

張富華等對草地種類進行識別，分類精度達80%;劉秀英等針對不同樹種之間的識別精度均大于81%;張豐等對6種水稻進行識別分類，識別精度達80%以上。這主要是由于所研究的對象本身的光譜差異以及采用的數據變換方法、差異波段提取算法以及分類算法不同所引起的。

由于馬鈴薯的品種繁多，種植區域廣泛以及地區之間氣候條件的差異，不同地區種植的品種不同。因此，今后的研究可以擴展到南方冬作區、中原二作區等區域。對于分類算法，相關研究結果表明，在訓練樣本小的情況下，神經網絡法算法（NN）優于判別分析法（DA）。后續的研究也可以對比分析神經網絡法算法與判別分析法波段的識別精度的差異。