基于近地光譜特征的玉米田間雜草識別研究

胡盈盈 王瑞燕 郭鵬濤 李茂芬 梁偉紅 李玉萍

摘要：化學防治是我國農田雜草防治使用較廣泛的方法之一，化學除草劑的過量噴灑以及粗略的施用方式已成為農藥泛濫、質量安全問題的罪魁禍首。目前，精準施藥技術成為雜草去除的重要手段，雜草識別又是精準施藥的關鍵技術。利用ASD FieldSpec 4便攜式地物光譜儀，采集玉米、馬齒莧、野莧菜及香附植株冠層在350～2 500 nm波段內的光譜信息，經過數據預處理，運用逐步判別模型，篩選出了954、1 324、1 869、734 nm 4個特征波段。將特征波段帶入貝葉斯判別函數模型，分別對玉米田間雜草進行預測。結果表明，貝葉斯判別函數模型正確識別率達85.8%;對玉米的識別精度達90.0%。特征波段選取中剔除了波長749 nm選入了734 nm波長變量，在“紅邊”680～780 nm區域的反射率對玉米田間雜草識別較為重要。試驗結果進一步論證了基于貝葉斯判別模型方法的可靠性，且證明了高光譜在雜草的識別方向具有一定的應用價值，該研究結果為田間雜草識別及光譜傳感器提供了參考。

關鍵詞：雜草識別;光譜技術;高光譜;玉米

中圖分類號：S127?文獻標志碼： A

文章編號：1002-1302（2020）08-0242-05

收稿日期：2018-11-08

基金項目：海南省自然科學基金青年基金（編號：419QN280）;海南耕地改良關鍵技術研究與示范專項（編號：HNGDzy2015）;中國熱帶農業科學院橡膠研究所基本業務費專項（編號：RRI-KLOF201803）。

作者簡介：胡盈盈（1992—），女，河南許昌人，碩士，研究實習員，主要從事熱帶農業遙感與地理信息方向的研究。E-mail：1145673686@qq.com。

通信作者：王瑞燕，博士，副教授，碩士生導師，主要研究方向為近地遙感。E-mail：wry@sdau.edu.cn。

農田雜草的生長會使農作物產量和質量下降[1-2]，玉米作為我國三大糧食作物之一，在保障國家糧食安全中有著重要的地位[3-4]。據2002年統計，我國玉米田草害發生面積1 240萬 hm2，玉米減產0.03億t[5]。近年來，隨著農業農村部“減肥減藥”方案的提出，精準施藥技術成為現階段雜草剔除的重要手段和發展方向，精確施藥的關鍵是如何快速準確地實現雜草識別[6]。國內外學者在雜草識別方面做了一系列研究。其中，光譜技術以無損性、操作性強、實時性好、經濟效益高等特點，成為一種較好的雜草識別技術。

Wang 等研究了一種基于光譜的雜草傳感器，將 9 種雜草放在一起，用模型算法對小麥、土壤和雜草進行分類，準確率分別達 98.3%、98.7%、 64.3%[7]。Goel等利用航空遙感技術，對玉米和大豆田雜草進行了光譜分析，結果發現紅外區（675.98～685.17 nm）和近紅外區（743.93～830.43 nm）的反射率對識別玉米地里的雜草最有效，而只有位于近紅外區（811.40 nm）的反射率對識別大豆地里的雜草有效[8];國內雜草精準控制技術起步較晚，基于光譜特征的雜草識別發展也略晚于基于圖像的雜草識別方法[9-11]。毛文華等分析了小麥、小藜和薺菜等幾種雜草在700～1 100 nm波長范圍內的光譜特征，正確識別率達到了97%，在680～750 nm“紅邊”附近的特征波長點較為顯著[12]。潘家志采用Vis/NIR光譜技術，區分了苗期的大豆與牛筋草、空心蓮子草、凹頭芡等幾種南方地區常見的植物，識別率達到了97.3%[13]。陳樹人等使用 ASD便攜式光譜儀進行了棉花、刺兒菜、水稻和稗草的識別研究，根據不用特征波長的組合分別識別了棉花中的刺兒菜以及水稻中的稗草[14]。白敬等利用ASD便攜式光譜儀以冬油菜苗期雜草和土壤為研究對象，對比典型判別函數模型和貝葉斯判別函數模型，得到正確識別率分別為98.89%、97.78%[15]。基于光譜技術的識別方法簡單易行[16]，但忽略了光譜在室外受光照等因素的影響，并且在可見光波段光譜反射率受到外界干擾較大，國內結合光譜技術的室內試驗研究較少。

本研究針對拔節期夏玉米田間3種雜草馬齒莧、野莧菜和香附進行識別研究，是前人研究中較少涉及的雜草類別和研究對象。本研究選取夏玉米為研究對象，同時采用光譜技術，通過特征波長篩選及建立貝葉斯判別模型對夏玉米田間雜草進行識別研究，采用室內條件進行光譜采集，既避免了室外光照的影響和干擾，又同時兼顧準確性和快速性，達到了玉米田間雜草的識別和分類，為農田精確管理和雜草信息獲取的相關研究提供了思路和方法。

1?研究區概況

試驗于2016年7月進行，此時的夏玉米正處于拔節期（4～7葉），是進行田間雜草管理的重要階段[17-18]。研究區位于山東農業大學科技創新園區試驗田（117°09′E、36°09′N）內，田區內草害較為嚴重。田塊長為22.5 m、寬為6 m。經考察，試驗田前茬作物為冬小麥，雜草去除方式主要有人工剔除和農藥噴灑，還未使用機械除草，同時試驗田內玉米未經過除草及人為破壞，田間存在北方玉米作物中常見的雜草，該試驗地點田間管理水平均達到超高產水平[19]，是魯中地區有代表性的區域，是進行研究的良好區域。

2?數據采集與處理

2.1?數據采集

高光譜采集設備由美國ASD FieldSpec 地物光譜儀、150 W 鹵鎢燈、三腳架和計算機等組成。高光譜數據采樣時間在2016年7月18日進行，采樣條件為暗室。數據采集時，將樣品置于黑色橡膠上，并輕輕擦試葉片去掉灰塵雜物，保持探頭垂直向下，探頭高 2 cm，視場角為25°，保持光源與樣本夾角始終為45°，光源在水平和垂直方向均距樣本 60 cm。樣本位于探頭正下方，對植被冠層不同角度（中間、兩側）進行采集。為保證數據的準確性，在采集之前先用標準白板對儀器進行校正，并間隔一定時間進行校正。最終，去除異常光譜曲線之后玉米、馬齒莧、野莧菜、香附均為30個樣本，每個樣本均采集10個光譜數據，共計1 200個光譜數據樣本，樣本數據采集情況見表1。

2.2?數據處理

通過篩選、求平均、一階導數、壓縮以及對原始冠層光譜數據進行轉換，獲取特征波段并帶入貝葉斯判別函數模型。由圖1-a可知，350～400 nm 范圍以及2 000 nm外波段噪聲較大，剔除噪聲部分，選取 400～1 999 nm 范圍的波段作為有效光譜數據;對每個樣本10個光譜數據進行求平均處理，運用一階導數光譜對地物光譜特征進行轉換，以消除光譜數據存在的系統誤差，為去除冗余、提高效率，對樣本每間隔5 nm選取1個反射率，對數據進行壓縮，最后每個樣本數據點為320個。

由圖1-b可知，可見光波段內，反射率較低;在紅光（680 nm）處呈現吸收谷，而在綠光（550 nm）處呈現小的反射峰。在680～780 nm反射率急劇增大，這一段被稱為“紅邊”[20]，它標志著吸收帶的結束。近紅外波段，綠色植被有較高的反射率。在780～1 350 nm范圍內，由于植被的高溫保護反應，葉片中的葉綠素幾乎不吸收輻射，因此輻射大部分被反射，此波段為近紅外高原區。在1 350～2 000 nm 范圍內，化學成分開始吸收輻射，其中 1 450、1 950 nm是水分的吸收波段。

綠色植被由于植被類型的不同，葉片結構和顏色特征存在差異，反射率存在差異，就會存在敏感的特征波段[21-23]，特征波段是區分不同植被葉片結構差異的敏感波段，一般利用這些敏感波段來建立識別模型。在模型建立中，選取樣本每個數據對應的有效波段反射率作為自變量，樣本種類為因變量，結合SPSS 22.0軟件完成判別預測。

3?結果與分析

3.1?光譜曲線

在4種類別樣本中抽取各種樣本的平均反射率波譜曲線進行對比分析，由圖2可以看出，綠色植被的光譜曲線大致呈現一致的趨勢，不同類型植被反射率存在差異。野莧菜的反射率高于其他類型植物，其中接近綠光（550 nm）、“紅邊”（750 nm）區域馬齒莧、香附和玉米的光譜曲線較為接近，但隨著樣本數的增加，光譜曲線會存在重疊交互現象，很難通過直接觀察光譜特征區分玉米和3種雜草。

3.2?提取特征波長

將預處理過的樣本帶入逐步判別函數模型，選擇合適的F值和剔除值。本研究中采用F值為15，剔除值為10，最終得到734、749、954、1324、1 869 nm 5個特征波長。表2為變量篩選過程，可以看到在第1步方程有1個因子即波長 954 nm 處的光譜反射率，第2步包含2個因子波長 954、 749 nm 處的光譜反射率，以此類推。篩選過程中，第6步將波長749 nm進行剔除。

將得到的特征波長分別帶入貝葉斯判別函數模型，判別規則按照組別大小計算，其判別結果如表3所示。

最終選取954、1 869、1 324、734 nm帶入判別函數模型。其中，734 nm位于“紅邊”區，954、1 324 nm 位于近紅外高原區，1 869 nm處于水分吸收帶。

3.3?判別函數

將4個特征波長954、1 869、1 324、734 nm代入貝葉斯判別函數模型進行分類判別，得到標準化樣區函數如下：

y1=1.13x1-3.28x2+1.44x3+0.70x4;（1）

y1=0.71x1+0.19x2+1.47x3-0.95x4; （2）

y3=0.86x1+0.07x2-0.12x3-0.82x4。（3）

式中：y1為標準化判別函數1;y2為標準化判別函數2;y3為標準化判別函數3;x1、x2、x3、x4分別為波長 954、1 869、1 324、734 nm 處的反射率。

如圖3所示質心分布圖可以直觀地觀察不同樣本的分布情況以及混分情況，圖中野莧菜和香附存在混分，馬齒莧與玉米的區分較為明顯。

先驗概率根據類別大小計算時，通過貝葉斯判別模型分析得到玉米、馬齒莧、野莧菜以及香附的貝葉斯判別函數如下：

y香附=3 086.45x1-2 837.97x2+2 948.93x3-1 075.16x4-3.70;（4）

y馬齒莧=-9 796.94x1+568.30x2-6 758.59x3-1 180.62x4-7.45;（5）

y玉米=6 040.04x1-266.61x2+2 690.92x3+3 059.60x4-5.40;（6）

y野莧菜=3 618.60x1-3 459.10x2-823.49x3-1 590.75x4-6.12。（7）

分類結果如表4所示，總體分類精度為85.8%。此次分類中，玉米的正確分類精度達到了90.0%，其中玉米被錯分成2類雜草（香附、野莧菜），玉米被分成香附和野莧菜的錯分率分別為6.7%、3.3%。

4?結論

在室內環境下，對玉米田間3種雜草進行光譜識別，結論如下：

（1）篩選的4個有效特征波段954、1 324、1 869、734 nm可以實現夏玉米田間的3種雜草分類。

（2）逐步判別模型篩選特征波段過程中，剔除了749 nm波段，重新引入了743 nm波段，在雜草識別過程中位于“紅邊”區域的波段點具有十分重要的作用。

（3）貝葉斯判別模型的正確分類精度為85.8%，對玉米的識別精度達90.0%，貝葉斯判別函數模型能夠有效實現夏玉米田間常見雜草的識別。

（4）野莧菜與香附混分現象嚴重，其中野莧菜被錯分到香附的錯分率達30%;其他種間分類效果較好。因此，要進一步克服野莧菜被錯分到香附中的現象，僅依靠植被的光譜特征還存在一定的缺陷和不足。

參考文獻：

[1]孫金秋，任相亮，胡紅巖，等. 農田雜草群落演替的影響因素綜述[J]. 雜草學報，2019，37（2）：1-9.

[2]強?勝. 中國雜草生物學研究的新進展[J]. 雜草學報，2018，36（2）：1-9.

[3]李少昆，趙久然，董樹亭，等. 中國玉米栽培研究進展與展望[J]. 中國農業科學，2017，50（11）：1941-1959.

[4]張偉平，沈云峰，肖文祥，等. 玉米地除草劑防治寬葉酢漿草的田間藥效評價[J]. 雜草學報，2018，36（3）：41-45.

[5]梁帝允，梁桂梅. 我國農田化學除草現狀與發展對策[C]//第七屆全國雜草科學會議論文集. 雜草科學與環境及糧食安全——中國化學除草50年回顧與展望. 北京：中國植物保護學會雜草學分會，2004：30-38.

[6]祖?琴，陳湘萍，鄧?巍. 光譜圖像技術在精準施藥中的應用[J]. 農機化研究，2013（3）：19-23.

[7]Wang N，Zhang N，Sun Y. Development of spectral-based weed sensor [D]. St Joseph，Mich：ASAE，1999.

[8]Goel P K，Prasher S O，Patel R M，et al. Use of airborne multi-spectral imagery for weed detection in field crops[J]. Transactions of the ASAE，2002，45（2）： 443-449.

[9]紀壽文，王榮本，陳佳娟，等. 應用計算機圖像處理技術識別玉米苗期田間雜草的研究[J]. 農業工程學報，2001，17（2）：154-156.

[10]龍滿生，何東健，耿?楠，等. 精確雜草控制技術的研究現狀[J]. 農機化研究，2004（6）：9-12，15.

[11]毛文華，張銀橋，王?輝，等. 雜草信息實時獲取技術與設備研究進展[J]. 農業機械學報，2013，41（1）：190-195.

[12]毛文華，王月青，王一鳴，等. 苗期作物和雜草的光譜分析與識別[J]. 光譜學與光譜分析，2005（6）：984-987.

[13]潘家志. 基于光譜和多光譜數字圖像的作物與雜草識別方法研究[D]. 杭州：浙江大學，2007.

[14]陳樹人，沈寶國，毛罕平，等. 基于顏色特征的棉田中鐵莧菜識別技術[J]. 農業機械學報，2009，40（5）：149-152.

[15]白?敬，徐?友，魏新華，等. 基于光譜特性分析的冬油菜苗期田間雜草識別[J]. 農業工程學報，2013，29（20）：128-134.

[16]Ashok Kumar D，Prema P. A review on crop and weed segmentation based on digital images[J]. Lecture Notes in Electrical Engineering，2013，213：279-291.

[17]羅守德，武殿林，郭國亮，等. 旱地玉米拔節至抽穗期田間管理[J]. 山西農業科學，1984（6）：5-7.

[18]高雨茜. 夏玉米葉綠素、葉面積指數高光譜估測研究[D]. 楊凌：西北農林科技大學，2016.

[19]劉景輝，王志敏，李立軍，等. 超高產是中國未來糧食安全的基本技術途徑[J]. 農業現代化研究，2003，24（3）：161-165.

[20]Wu Q S，Hu Y J，Ke H Y，et al. Study pollen grains in rice by using multispectral imaging techniques[J]. Proceedings of SPIE-The International Society for Optical Engineering，2005，5694：100-109.

[21]Sui R X，Thomasson J A，Hanks J，et al. Ground-based sensing system for weed mapping in cotton[J]. Computers and Electronics in Agriculture，2008，60（1）： 31-38.

[22]齊?龍，馬?旭，周海波. 基于虛擬儀器技術的田間多光譜視覺系統設計[J]. 農業機械學報，2009，40（1）：157-161.

[23]唐晶磊，何東健，景?旭，等. 基于SVM的可見/近紅外光的玉米和雜草的多類識別[J]. 紅外與毫米波學報，2011，30（2）：97-103.