基于冠層光譜特征參數的油菜品種識別

駱麗莎, 廖桂平, 劉凡, 官春云

(湖南農業大學農學院， 長沙 410128)

油菜為十字花科、蕓薹屬植物，是產油率較高的油料作物之一[1]，同時是一種適應性強、用途廣、發展潛力較大的經濟作物。我國油菜品種繁多，不同品種的遺傳特性和群體結構不同，其抗性、產量等性狀表現也不同[2]。研究表明，不同油菜品種對Zn的富集作用存在顯著差異[3]，另外，在應用價值方面，不同品種油菜秸稈營養成分和飼用價值不同[4]。目前油菜品種識別技術較為單一，主要利用形態學、SSR分子標記技術、生物學等方法進行分類。形態學識別方法要求識別人員有較高的經驗、不適合批量處理且存在一定錯誤率，而分子生物學手段費時費力、過程繁瑣，且在無損傷和大規模監測上不具優勢。精準識別油菜品種有利于其商業價值的開發與利用，以滿足不同市場的多元化需求。高光譜遙感技術分辨率高、數據信息全面、波段多且連續性強，符合農產品檢測快速無損、精準實時的要求[5]，已被廣泛應用于農作物的災害監測、產量估算、品質分析和養分檢測等農業生產方面[6]。近年來，高光譜技術越來越成熟，在農作物的品種識別上發揮了很大的作用，運用高光譜技術識別農作物品種主要體現在優化植物分類方法和效率[7]、掌握種植品種信息、完善種植區的品種監管[8]、提高品種的純度和質量[9]、降低成本、滿足市場營銷需求[10]等方面，是推進油菜產業走向國際化的主要手段。

油菜冠層光譜信息是油菜、土壤背景和大氣的混合信息，而高光譜數據又具有數據量大、信息冗余嚴重等特點[11]。利用特征參數能夠很好的從混合信息中篩選出與油菜識別相關的光譜信息。已有研究表明,高光譜特征參數能很好的應用于作物的生長監測[12]、養分調控[13]、葉綠素反演[14]以及病害脅迫[15]，且不同的高光譜特征參數和光譜變換形式對品種的識別精度、識別效率都有著密切關系[16-18]。

油菜苗期約占全生育期的一半，是營養生長的關鍵時期，苗前期(出苗至花芽開始分化)和苗后期(花芽開始分化至現蕾)是油菜全生育期的重要階段。因此，本研究使用FieldSpec3 Hi-Res地物波譜儀采集11個油菜品種苗期(苗前期、苗后期)冠層反射光譜數據，以高光譜的位置、振幅、面積、寬度、反射率和植被指數6個方面共23個特征參數為研究指標，衡量特征參數的貢獻率大小和方差分析顯著性，據此評價其區分油菜不同品種的優劣，為深入研究油菜品種的分類識別和建立油菜品種高光譜數據庫提供一定的基礎依據，也為實現油菜種植品種的實地監測與作物種植大區域管理提供可能的技術手段。

1 材料與方法

1.1 試驗地區與試驗材料

試驗區位于湖南農業大學耘園基地(113°08′ E、28°18′ N)，光、熱、水資源豐富,無霜期長，年平均氣溫16～18 ℃，年降水量在1 200～1 700 mm之間，屬亞熱帶季風濕潤氣候區。試驗品種灃綠1號、灃綠2號由湖南省作物研究所提供，油苔929由湖南省常德市農林科學研究院提供，湘油708、高油酸1號、農大1號、農大2號、油苔1號、油苔420、湘雜油787和湘雜油518由湖南農業大學提供，共11種油菜品種，于2019年9月27日播種。每個品種設三個重復，共33個小區，小區面積為16 m2，每個小區水肥條件及管理措施均保持一致。

1.2 冠層光譜數據采集

數據采集設備為Field Spec 3Hi-Res便攜式地物光譜儀(美國ASD公司)，其波段范圍為350～2 500 nm，光譜分辨率在350～1 000 nm內為3 nm，采樣間隔為1.4 nm，在1 000～2 500 nm內為10 nm，采樣間隔為2 nm。冠層高光譜測量選擇在晴朗無云、風力較小的天氣，測定時間為10:00—14:00，每個小區隨機均勻選取30個點，每個小區測量之前進行一次白板校正以降低環境和機器的干擾。測量時傳感器探頭垂直向下，高度約0.7 m處讀取數據即可。

1.3 數據處理

運用View Spec Pro數據處理軟件進行初期數據預處理及數據格式轉化，再將數據導入到Microsoft Excel 2010中進行保存。本研究采用一階微分降噪方法，以提高光譜數據間的差異性以便后續處理與應用，其公式如下。

(1)

式中，ρ′(λi)是在波段λi處的光譜一階導數值，λi是波段i的波長數值，Δλ是波長λi到λi+1的差值。

1.4 特征參數選取

1.4.1位置參數 位置參數是指在一定光譜區域內最大一階導數值所對應的波長。其中，紅邊位置λr為波長680～760 nm內一階導數光譜最大值對應的波長；藍邊位置λb為波長490～530 nm內一階導數光譜最大值對應的波長；黃邊位置λy為波長560～640 nm內一階導數光譜最大值對應的波長；綠峰位置λg為波長510～560 nm內最大反射率對應的波長；紅谷位置λo為波長650～690 nm內最小反射率對應的波長。

1.4.2振幅參數 振幅參數是指一定光譜區域內一階導數光譜的最大值。紅邊幅值Dr為波長680～760 nm內一階導數光譜最大值；藍邊幅值Db為波長490～530 nm內一階導數光譜最大值；黃邊幅值Dy為波長560～640 nm內一階導數光譜最大值。

1.4.3面積參數 面積參數是指一定區域內所有波段一階導數值的總和。紅邊面積SDr為波長680～760 nm內一階導數光譜的積分； 藍邊面積SDb為波長490～530 nm內一階導數光譜的積分；黃邊面積SDy為波長560～640 nm內一階導數光譜的積分；綠峰面積SDg為波長510～560 nm間原始光譜曲線所包圍的面積。

1.4.4寬度參數 包括紅邊(X1)、藍邊(X2)和黃邊(X3)寬度，計算公式如下。

Χ1=λr-λo

(2)

Χ2=λb-490

(3)

Χ3=λy-560

(4)

1.4.5反射率參數 包括綠峰反射率與紅谷反射率的比值(Χ4)和綠峰反射率與紅谷反射率的歸一化值(Χ5)，計算公式如下。

Χ4=ρg/ρr

(5)

Χ5=(ρg-ρr)/(ρg+ρr)

(6)

式中，綠峰反射率ρg為波長510～560 nm范圍內最大的波段反射率；紅谷反射率ρr為波長650～690 nm范圍內最小的波段反射率。

1.4.6植被指數參數 包括紅藍比值植被指數(Χ6)、紅黃比值植被指數(Χ7)、紅藍歸一化植被指數(Χ8)、紅黃歸一化植被指數(Χ9)，計算公式如下。

Χ6=SDr/SDb

(7)

Χ7=SDr/SDy

(8)

Χ8=(SDr-SDb)/(SDr+SDb)

(9)

Χ9=(SDr-SDy)/(SDr+SDy)

(10)

1.5 貢獻率指數

將11個品種依次分為兩組，每次以一個單一品種為第一組，以剩余10個品種為第二組，第二組利用Excel中INDEX[array, RANDBETWEEN(bottom, top)]公式選取數據。根據兩組間不同高光譜特征參數的貢獻率(contribution rate)大小來評價其區分油菜品種的能力。對于高光譜位置和寬度參數，其貢獻率(CR)計算公式如下。

(11)

對于高光譜振幅、面積、反射率和植被指數參數，其貢獻率(CR)的計算公式為式(12)。

(12)

式中，EV和MV分別代表第一組的品種和第二組的品種，i表示不同的高光譜特征參數值。

1.6 方差分析

利用SPSS軟件進行方差分析。為提高品種識別精度，在貢獻率指數分析后，剔除整體貢獻率最小的2類特征參數。將每個小區30條冠層高光譜隨機對半分成兩組并分別取均值，得到該小區2條，全部33個小區共66條冠層高光譜。將各品種不同特征參數在兩時期間進行方差分析，計算出兩時期間不同特征參數的顯著性差異值P。并篩選出優選特征參數，采用Waller-Duncan法進行多重比較分析，最終依據多重比較的分析結果來評價各特征參數對油菜品種的識別效果。

2 結果與分析

2.1 冠層高光譜數據分析

2.1.1全波段冠層高光譜 將本次采集的所有數據取均值，得到油菜冠層全波段高光譜反射曲線(圖1)。該圖符合綠色植物的光譜特征，但室外光譜數據受背景因素影響大，失去了部分典型反射峰和吸收谷的特征信息。例如，1 350～1 480、1 810～1 990與2 370～2 500 nm波段受含水量影響較大，有強烈吸收作用，出現了波段信息的重疊干擾。為減少儀器本身帶來的誤差及試驗研究所需，本研究采用波段范圍350～900 nm作為研究區間。

2.1.2均值處理后冠層高光譜 油菜不同品種在苗前期和苗后期經過均值處理后的冠層高光譜反射曲線如圖2所示。可以看出，油菜冠層光譜反射率呈上升趨勢。總體上，11種油菜品種反射光譜曲線的走勢基本一致。苗前期與苗后期分別在490和500 nm附近有一個微弱的吸收谷。波段640～690 nm，苗前期和苗后期分別在670和680 nm附近形成1個強吸收谷。波段520～590 nm，苗前期和苗后期分別在550和560 nm附近形成1個反射峰。同時，苗前期和苗后期分別在750～890 、760～890 nm形成了1個明顯的高反射平臺過度波段。油菜不同品種在冠層高光譜反射率上存在差異，730～900 nm波段最為明顯。在苗前期，農大2號反射率明顯高于其他10種油菜品種，反射率在50%上下，高油酸1號反射率最低，約為40%；在苗后期，農大1號反射率最高，反射率都在81%以上，湘雜油518反射率最低，在60%上下。隨著生育期的推進，油菜不同品種的冠層反射率差異增大。

2.2 不同品種一階微分曲線對比

油菜不同品種在苗前期和苗后期經過一階微分處理后的冠層高光譜曲線變化如圖3所示。可以看出，一階微分能增強有用的光譜信息而抑制無用的光譜信息，11個油菜品種在藍邊位置、紅邊位置和黃邊位置顯示出“兩峰一谷”的特征[19]。品種間特征參數存在差異，苗前期Dr在農大2號λr的718 nm處最大，Db在油苔420品種λb的520 nm處最大，Dy在灃綠1號λy的625 nm處最大。在近紅外區域雖有多個明顯峰，但值變化都很小。苗后期Dr、Db和Dy分別在農大1號λr的723 nm、湘油708品種λb的523 nm和高油酸1號λy的628 nm處最大。由于油菜品種間的差異性，同一時期的一階微分值即黃邊幅值、藍邊幅值、紅邊幅值大小不同。在苗前期，不同品種間的幅值差異均較小，在苗后期，品種間的Dr和Dy差異明顯。

2.3 高光譜特征參數區分不同品種的能力比較分析

2.3.1位置參數的貢獻率分析 各品種高光譜位置參數的對比結果見圖4。苗前期不同品種間λb貢獻率差異較大，λr差異較小甚至沒有變化，λg都為0。苗后期不同品種間λy貢獻率差異較大，λg差異小。與苗前期不同的是，苗后期不同品種間λb貢獻率差異小。從總貢獻率來看，苗前期湘油708與苗后期農大2號具有品種區分優勢，苗前期位置參數區分不同品種的能力優于苗后期。

2.3.2振幅參數的貢獻率分析 各品種高光譜振幅參數的對比結果見圖5。兩個時期幅值貢獻率變化均表現出：Dy>Db>Dr，且不同品種間Dy貢獻率差異大。苗前期灃綠2號Dy貢獻率最大，高油酸1號Dr貢獻率最大，湘油708品種Db貢獻率最大。苗后期湘雜油518品種Dr貢獻率最大，湘油708品種Db貢獻率均最大。從總貢獻率來看，苗前期灃綠2號與苗后期湘油708具有品種區分優勢，苗前期振幅參數區分不同品種的能力優于苗后期。

2.3.3面積參數的貢獻率分析 各品種高光譜面積參數的對比結果見圖6。苗后期SDg貢獻率小于苗前期，SDr、SDb、SDy均大于苗前期，苗后期不同品種間SDg貢獻率差異小，SDy差異大。苗前期高油酸1號SDr貢獻率最大，湘油708品種SDb貢獻率最大，油苔420品種SDy貢獻率最大，湘油708與高油酸1號SDg均為最大值。苗后期灃綠1號SDr貢獻率最大，湘油708品種SDb、SDy貢獻率均最大，農大1號SDg貢獻率最大。從總貢獻率來看，兩個時期湘油708均具有品種區分優勢，苗后期面積參數區分不同品種的能力優于苗前期。

2.3.4寬度參數的貢獻率分析 各品種高光譜寬度參數的對比結果見圖7。苗后期X3貢獻率小于苗前期,而X1、X2均大于苗前期。苗前期X1與X2貢獻率均最大為3%，X3湘油708最大為7%。農大2號三邊寬度參數的貢獻率均為0，表明品種間各位置參數相同。苗后期湘油708與湘雜油518品種X1貢獻率均最大為7%，X2油苔929最大為3%。X3只有灃綠2號與湘雜油518的貢獻率為2%，其他品種均為0。從總貢獻率來看，苗前期油苔1號與苗后期湘雜油518具有品種區分優勢，苗前期寬度參數區分不同品種的能力優于苗后期，該結果與位置參數、振幅參數一致。

2.3.5反射率參數的貢獻率分析 各品種高光譜反射率參數的對比結果見圖8。苗后期ρr貢獻率小于苗前期而其他三種反射率均大于苗前期。苗前期油苔929品種ρg貢獻率最大，農大1號ρr貢獻率最大，油苔420品種X4貢獻率最大，湘雜油518品種X5貢獻率最大。苗后期湘油708品種ρg貢獻率最大，湘雜油787品種ρr最大，灃綠1號X4貢獻率最大，油苔929品種X5貢獻率最大。

從總貢獻率來看，苗前期灃綠2號與苗后期油苔420具有品種區分優勢，其貢獻率分別為30.832 1%、31.547 3%，苗后期反射率參數區分不同品種的能力優于苗前期。

2.3.6植被指數參數的貢獻率分析 各品種高光譜植被指數參數的對比結果見圖9。同一時期的比值植被指數貢獻率差異較小，歸一化植被指數差異較大。兩時期X6貢獻率均最大，苗前期品種間貢獻率差異最小的是X9，苗后期品種間差異最小的是X8。苗前期，油苔420品種X6、X8貢獻率最大，湘雜油787品種X7、X9最大。苗后期湘油708品種X6貢獻率最大，油苔929品種X7貢獻率最大，湘雜油518品種X8貢獻率最大，湘雜油787品種X9最大。從總貢獻率來看，苗前期，油苔420具有品種區分優勢，貢獻率達到28.089 4%，苗后期，油苔929具有品種區分優勢，貢獻率達32.335 3%，苗后期植被指數參數區分不同品種的能力優于苗前期，該結果與面積參數、反射率參數一致。

2.3.7高光譜特征參數的對比分析 高光譜特征參數的對比結果見圖10。6類特征參數在苗前期與苗后期區分油菜品種的能力不同。根據6類高光譜特征參數總貢獻率大小，在苗前期，不同高光譜特征參數區分油菜品種的能力由強到弱依次為：振幅參數>反射率參數>面積參數>植被指數參數>位置參數>寬度參數；在苗后期，不同高光譜特征參數區分油菜品種的能力強弱與苗前期差別不大，由強到弱依次為：振幅參數>面積參數>反射率參數>植被指數參數>位置參數>寬度參數。兩個時期中振幅參數區分油菜品種的能力均最強，寬度參數區分油菜品種的能力均最弱。

2.4 特征參數的方差分析

苗前期與苗后期各品種特征參數的方差分析結果如表1所示。苗后期各品種的Dr、SDr以及四種植被指數X6、X7、X8、X9與苗前期差異極顯著；5個品種的SDb差異極顯著；4個品種的X4差異顯著，同時有3個品種差異達到極顯著。由表2可知，苗后期不同特征參數的顯著性效果明顯優于苗前期，苗后期不同特征參數間差異極顯著。為提高品種識別精度，選擇苗后期且顯著性效果較好的8個特征參數進行品種間多重比較方差分析。

表1 各品種不同特征參數在苗前期與苗后期的方差分析結果Table 1 Rsults of variance analysis of variety with different characteristic parameters in the early and late seedling stage

表2 不同特征參數在苗前期與苗后期的方差分析結果Table 2 The results of variance analysis with different characteristic parameters in the early and late seedling stage

品種間特征參數統計結果如表3所示。Dr、X6、X9三個特征參數識別油菜品種的效果最好，可以明確區分6種油菜品種。SDb、X4、X7、X8四個特征參數識別油菜品種的效果次之，可以明確區分5種油菜品種。SDr特征參數可以區分4種油菜品種。其中，各特征參數識別湘雜油518品種的效果最好，SDr、X4、X6、X7、X8、X9共6個特征參數都能準確區分湘雜油518品種與剩余10種油菜品種；各特征參數識別油苔929品種的效果較好，X4、X6、X7、X8、X9共5個特征參數都能準確區分油苔929品種與剩余10種油菜品種。特征參數中X6、X7、X8、X9為植被指數參數，即植被指數參數運用方差分析方法識別油菜品種的綜合性效果好。

表3 不同品種特征參數統計(苗后期)Table 3 Statistics of characteristic parameters of different rape varieties (late seedling stage)

3 討論

高光譜特征參數通常涉及紅邊、藍邊和黃邊參數，其與作物特征之間的相互關系是應用于作物評估的基礎[20]。基于特征參數能有效識別作物品種[7,18]，同時以高光譜常用植被指數、不同數據變換形式來提取作物信息的方法，能夠有效提高作物識別精度[21-22]。本研究也證實了基于特征參數來區分油菜品種是可行的，綜合能力由強到弱依次為：振幅參數>面積參數>反射率參數>植被指數參數>位置參數>寬度參數。這與段丁丁等[19]研究結果相似，振幅、面積參數區分品種的能力較強，位置、寬度參數區分品種的能力較弱。本研究發現，通過提取特征參數能夠有效降低高光譜原始數據在區分作物品種維度高、數據量大的難度，在識別精度相當的情況下，可以優先考慮用特征參數來區分作物品種。林川等[23]研究表明，應用方差分析選取的光譜特征參數能較好的區分7種植物類型；王崠等[18]利用高光譜特征參數結合方差分析探討不同數據變換形式對農作物的識別能力。本研究利用方差分析篩選出區分油菜品種較優的三個特征參數Dr、SDr/SDb、(SDr-SDy)/(SDr+SDy)，該結論進一步證實了劉秀英等[24]認為紅邊區對樹種識別有重要作用的結論，同時，植被指數參數識別油菜品種的綜合性效果好這一結論與舒田等[21]經過一階微分變換后的衍生相關指數識別農作物的能力較強的結果相符。因此，經過微分處理后的紅邊參數及基于紅邊參數變換形式的相關指數參數可作為品種分類識別的優選特征參數。

近年來，無人機遙感技術用于大面積觀測地面農田，測量時間靈活，光譜分辨率與空間分辨率明顯提高，而紅邊參數能夠很好地反映作物的生長狀況與活力程度。這為農作物品種識別提供了新的研究趨勢，基于紅邊參數、紅邊波段的無人機遙感技術和遙感衛星都可以進行品種分類識別。同時，無人機遙感技術與遙感衛星獲取的大數據在精準作業和智慧農業中應用廣泛。研究表明，遙感衛星基于紅邊波段或紅邊植被指數能夠較好的預測生物量、葉面積指數等情況[25-26]。張影等[27]指出，機載高光譜遙感用于農作物分類的研究對象多為糧食作物，經濟作物的研究較少，但其空間分辨率較高，在未來的農作物精細分類中，多源遙感影像的融合仍然值得我們關注。不少學者利用無人機遙感平臺結合冠層光譜進行地物分類[28]、長勢監測[29]、產量預估[30]等研究，這表明基于光譜特征參數可運用在多個遙感平臺中，為實現農作物品種的分類與識別提供了新的技術手段。因此，研究可利用多個遙感平臺將影像數據與地面實測數據結合，用于品種識別、長勢監測、病害監測，產量估算等多方面研究中，實現“點”與“面”兩個尺度的關聯與轉換。

本研究探討不同特征參數在油菜苗前期與苗后期區分油菜品種的能力。結果表明，苗后期不同特征參數顯著性水平明顯優于苗前期，苗后期不同特征參數間均存在極顯著性差異。因此油菜品種應考慮在油菜生長旺期，識別效果較好。 陳春玲等[13]研究表明，因抽穗期粳稻生長茂盛，植株間密集，受到背景噪聲的干擾較小，MEA-BPNN 算法的氮素反演效果最好，尹凡[8]研究表明，對于不同類型的油菜品種識別的最佳時期是抽薹期，但也表示花期并不是同種農作物間識別的最佳時期。張雪紅[31]研究認為，苗期是利用光譜特征評價油菜氮素營養的最佳生育期。因此，農作物品種的分類識別效果應全面分析不同作物類型本身及其各生長時期的特征差異。以上方法與研究結論可作為其他研究者應用于油菜品種分類識別的研究思路，這也為提高作物品種的識別精度和進一步深入品種的判別分析提供了一定的基礎依據。

在下一步的研究中可以增加圖像、生理參數等信息進行多數據融合，結合其他波段選取方法，同時對比分析油菜其他關鍵生育期在不同高光譜特征參數和不同光譜波段上品種分類識別的研究，進一步篩選出更優的特征參數和特征波段用于品種分類識別，以達到更好的識別精度和識別效果。