火龍果植株高光譜識別與特征波段提取

舒 田，陳智虎，劉春艷，許元紅，趙澤英*

(1.貴州省農業科技信息研究所，貴州 貴陽 550006；2.貴州師范大學 喀斯特研究院/國家喀斯特石漠化防治工程技術研究中心，貴州 貴陽 550001)

0 引言

【研究意義】火龍果因其營養豐富、功能獨特，含有一般植物少有的植物性白蛋白和花青素，以及豐富的維生素和水溶性膳食纖維，具有減肥美容、降低膽固醇、預防便秘和大腸癌等功效而深受大眾青睞，已成為近年來我國種植面積增長最快的特色水果之一。截至2018年，貴州省火龍果種植面積達到5 867 hm2，產量達4.6萬t，位居全國第3位。作為我國特色優勢農產品，在農業增效、農民增收、產業扶貧等方面發揮了重要作用[1]，已成為貧困地區富民興村的搖錢樹和致富果。高光譜具有光譜分辨率高、光譜連續性強、光譜信息量大等優勢，可實時記錄植物器官生長發育中的細微變化[2]。基于高光譜分析植被植株冠層與葉片的光譜信息，可以進行作物種類識別和產量預測估算[3]，還可以評估作物的生長狀況和受病害程度[4]。利用高光譜遙感技術對作物進行識別提取、產量預測、病蟲害監測等已成為當前學術界的研究熱點。【前人研究進展】閆苗等[5]研究卷積神經網絡模型在高光譜遙感地物多分類識別中可行性以及識別效果，證實卷積神經網絡在高光譜遙感地物識別中具有較高的識別率。雷彤等[6]研究蘋果樹果期冠層反射光譜特性和敏感波段，篩選最佳光譜參數并構建蘋果產量的最佳估測模型。劉穎等[2]利用Normalize預處理的高光譜數據的偏最小二乘法(PLS)模型對高紡錘形蘋果樹冠層單位面積花量的預測效果最優。齊浩等[7]研究核桃、棗、香梨、蘋果、杏5種果樹，采用不同步長間隔的平滑濾值及5種數據變換方式處理，結果表明一階微分變換的樹種識別精度高達99.3%。劉建雄等[8]利用光譜特征參數與葉面積指數的相關性，建立茶尺蠖危害程度擬合模型，對于產業化和規模化后的茶園茶尺蠖危害進行監測具有現實指導意義。張衡等[9]基于高光譜數據對馬尾松早期階段是否感染松萎蔫病進行良好監測。周偉等[10]對三江源區毒雜草草種和優良牧草種進行高光譜識別分析，并通過馬氏距離法提取其特征波段，為該地區植被群落生長監測和畜牧業可持續發展提供了科學依據。【研究切入點】許元紅等[11-12]分別利用無人機高光譜和可見光波段對火龍果種植株數進行識別提取，目前對火龍果植株各部位的高光譜遙感識別鮮有研究，而高光譜對火龍果植株各部位的精準識別與分類對于監測火龍果植株患病與否、病害分類、產量估測、理化參數含量估算以及肥水精準管理具有重要意義，同時也為果樹營養和果實品質無損檢測等提供了可能[13-15]。【擬解決的關鍵問題】充分利用高光譜優勢實測火龍果植株冠層、果、枝、花的光譜數據，通過原始光譜反射率、光譜不同變換形式、不同類型植被指數進行識別能力分析，然后利用主成分分析(PCA)并提取特征敏感波段(1 054～1 089 nm和812～825 nm)區域的光譜反射值作為神經網絡輸入層，構建三層BP神經網絡模型開展火龍果植株各部位的識別分析，旨在為火龍果長勢監測、估產、植株病害高光譜遙感診斷提供可靠依據。

1 數據與方法

1.1 數據來源

1.1.1 數據采集地概況 高光譜數據采集于貴州省花江示范區火龍果種植基地，中心位置為E 105°39′50″,N25°40′32″，海拔430～500 m。火龍果種植行距為3 m，株距2 m。基地火龍果植株生長形態呈星狀，棱邊緣呈波浪狀或鋸齒狀，深綠色或綠色。枝條粗而長，長為30～150 cm，寬3～8 cm。花呈漏斗狀，花長25～30 cm，直徑15～25 cm。果呈長球形，深紅色或粉紅色。

1.1.2 采集方法 測量儀器采用美國ASD公司的地物光譜儀(Field Spec 3)，波譜范圍為350～1 025 nm、350～2 500 nm，光譜采樣間隔分別為1.377 nm、1.377 nm@350～1 050 nm、2 nm@1 000～2 500 nm；其光譜分辨率分別為3nm@700nm、10 nm@1 400 nm、2 100 nm、30 nm@1 400 nm、2 100 nm。測定時間為2021年8月下旬，天空晴朗無云、無風(或微風)、空氣濕度小，測定時段在12:00—13:00。測定時儀器探頭與作物冠層頂部相差0.5～1 m，垂直向下，每隔 0.5 h對儀器進行優化和白板校正。一共采集測量35處，每處測量點分別采集火龍果植株冠層、果、枝和花的光譜3次。由于反射率受到大氣、水汽以及植物自身因素的影響，光譜曲線在首尾兩端存在較大噪聲，數據顯得異常。因此，剔除異樣光譜曲線，只保留400～1 350 nm波段的反射光譜數據進行分析處理，光譜反射率以ASCLL形式導出，便于后續處理分析。

1.2 研究方法

1.2.1 原始光譜不同形式變換 原始反射光譜經預處理后求導，可以減弱土壤背景對目標光譜的影響，也可以消除部分大氣效應噪音，提高信噪比，從而可靠地反映植被內部生化組成及含量等信息[16]。因此，以原始光譜的一階微分(First order Differential，FD，波長間隔為3 nm、5 nm、7 nm、9nm、11 nm、13 nm、15 nm)、倒數的對數[lg(1/λ)]、倒數對數的一階微分[ FD(lg(1/λ))](波長間隔為3 nm、5 nm、7 nm、9 nm、11 nm、13 nm、15 nm)等不同變換形式進行分析。

1.2.2 植被指數 植被對太陽輻射的吸收與反射受到自身含水量和養分特征等因素的影響，而植被指數(Vegetation Index，VI)可結合不同波長范圍的地物反射率以增強植被的某一特征[17]。在紅光與近紅外波段植被具有較強的吸收和反射特性，不同波段組合在一定條件下定量表明植被的生長狀況。根據一般衛星傳感器通道(近紅外、紅光、綠光)間波長即830 nm、660 nm、560 nm，相應獲取其反射率數據，選取DVI、RVI、NDVI、RDVI、SAVI、GNDVI、GRVI、VARI、NPCI、SIPI、WBI等11種常用植被指數對火龍果植株冠層、果、枝、花的光譜反射率進行識別能力分析，各指數的計算方法見表1。

表1 不同植被指數及計算公式 Table 1 Different vegetation indexes and calculation formulas

1.2.3 主成分分析 由于高光譜數據繁多冗雜，若將所有光譜數據輸入模型，則不利于BP網絡模型的構建。不僅計算處理能力下降，還增加運算復雜性。因此，有效選取特征波段不僅可提高模型運算速度，還具有解析準確性。主成分分析(PCA)能在不丟失主要光譜信息前提下，將多個原始變量壓縮為幾個新變量的分析方法[18]。在主成分分析的基礎上獲取全波段(400～1 350 nm)中的敏感特征波段即最佳識別波段。載荷作為各個原始空間向量在各個新的向量空間(主成分)投影的單位向量，可用來表示這些原始向量分別在每個新的向量空間(主成分)上的相關性[19]。因此，將高光譜數據利用PCA降維后提取特征波段，將特征波段的反射值作為神經網絡的輸入，然后構建三層BP神經網絡模型。為更好地構建BP網絡模型，對采集的火龍果植株冠層、果、枝、花的光譜樣本數據按2∶1比例隨機抽取，分成建模集和預測集，即隨機抽樣選取70條實測的光譜樣本作為建模集，35條實測的光譜樣本作為預測集進行主成分分析。調節神經元激勵的傳遞函數sigmoid為0.9，輸入層節點數為47，輸出層節點數為1，通過多次試驗計算確定隱含層節點數為35。允許誤差值為0.00001，最小訓練速率為0.1，最大迭代次數為1000次。

1.3 數據處理

采用The Unscrambler V9.1和DPS7.05(Data Processing System)進行數據分析處理。

2 結果與分析

2.1 火龍果植株不同部位的原始反射光譜

通過ViewSpec Pro對火龍果植株冠層、果、枝、花原始反射光譜進行均值處理，獲得波長在400～1 350 nm反射光譜曲線。從圖1看出，整個光譜區間內，火龍果植株冠層、果、枝、花光譜反射率差異較大。可見光400～630 nm花的反射率明顯高于植株冠層、果和枝，果的反射率曲線與其他部位明顯不一致且無明顯綠峰值；在640～680 nm范圍內果實反射率最高，然后為花、冠層和枝，且均有“紅谷”出現。在680～1 150 nm波長范圍內，反射率差異顯著，反射率大小依次是果>花>冠層>枝；大于1 150 nm的波長范圍，花與果實的反射率基本重疊并且最高，枝的反射率最低。由此可見，640～1 150 nm可作為識別火龍果植株不同部位的波長范圍。

圖1 火龍果植株不同部位平均光譜反射率曲線 Fig.1 Reflectance curves of mean spectrum for different parts of pitaya plant

2.2 火龍果植株不同部位不同光譜數據變換的敏感波長

從波長間隔3 nm的一階微分光譜曲線圖(圖2)可看出，在400～680 nm范圍火龍果花的一階微分光譜曲線存在2個正峰，其他部位則僅1個正峰；680～1 350 nm范圍，果、枝、花及植株冠層波譜曲線走向基本一致，存在1個正峰和2個負谷。基于光譜差異最大且易區分原則，特選取6個不同波長處的一階微分(波長間隔為3 nm)的最佳識別光譜，最佳識別光譜波段位置為516 nm、525 nm、686 nm、702 nm、724 nm、736 nm。同理，其余光譜變換形式的光譜波長位置見表2，其中出現頻次最多的波長即為識別火龍果各部位的敏感波長(特征波長)，分別為520 nm、642 nm、664 nm、726 nm、950 nm、1 000 nm、1 130 nm、1 330 nm和1 345 nm。

圖2 火龍果植株不同部位的一階微分光譜曲線(波長間隔為3 nm)Fig.2 First-order differential spectral curves of different parts of pitaya plant(with 3 nm wavelength interval)

表2 不同數據變換形式識別光譜的最佳波長位置 Table 2 Optimal wavelength of spectrum recognition with different data transformation forms

2.3 火龍果植株不同部位的植被指數光譜識別

從表3看出，火龍果植株冠層、果、枝、花的RVI和GRVI的值均大于1，最大值分別為9.419和8.212，最小值分別為1.978和2.088，其余9種植被指數值均小于1。RVI和GRVI指數的方差與標準差均較大，遠大于1；其他植被指數方差與標準差均小于1。結合舒田等[20]的研究可以得出，RVI對于火龍果植株冠層、枝和花識別能力最強，GRVI對于果的識別能力最強。

表3 火龍果植株不同部位植被指數、方差及標準差Table 3 Vegetation index,variance and standard deviation of different parts of pitaya plant

2.4 火龍果植株BP神經網絡模型構建與驗證

2.4.1 主成分提取 表4反映火龍果植株各部位4個主成分分析的累積可信度，建模集的前2個主成分的累計可信度達94%，故選取前2個主成分作為特征敏感波段分析。

表4 火龍果各部位主成分分析的累計可信度Table 4 Accumulative credibility of different stems of pitaya plant by PCA

2.4.2 BP神經網絡模型的輸入變量 從圖3可看出，主成分1與波長1 054～1 087 nm范圍的相關性較大，即主成分1與1 054～1 087 nm波段范圍的反射值的相關性最強，主成分2與波長812～825 nm波段范圍的反射值的相關性最強，故從400～1 350 nm范圍的950個光譜反射值中選出波長在1054～1087 nm和812～825 nm范圍的共計47個反射值作為BP神經網絡的輸入變量建立鑒別模型。

圖3 波長與主成分相關性Fig.3 Correlation between wavelength and principal components

2.4.3 模型驗證 在建模設置條件下不斷通過調整隱含層的節點數來優化網絡模型，最終確定網絡模型結構為47(輸入層)-35(隱含層)-1(輸出)共3層的BP神經網絡模型，所建模型對70個建模樣本的擬合殘差值為0.000 325。通過對35個樣本的反射率實測值與BP神經網絡模型預測值(表5)進行統計分析表明，所建模型識別準確率為82.8%。雖然模型對樣本預測值準確率不算太高，但將最佳識別波段縮小在近紅外的小區間內。

表5 火龍果植株35個樣本的反射率實測值與BP神經網絡模型預測值 Table 5 Predicted value of BP neural network and actual value of 35 samples of pitaya plant

3 討論

火龍果植株各部位(冠層、果、枝、花)的反射光譜存在較大差異，火龍果果實、花的光譜曲線在400～630 nm處與綠色植物葉片或冠層不太一致，沒有“綠峰”出現；可見光區域植被原始光譜反射率較低，經過導數變換后限制了低頻背景光譜對目標光譜的影響，經過對數變換則可以增強可見光區域的光譜差異，還能減少因光照條件變換引起的乘性因素影響[21-22]。一階微分、倒數的對數和倒數對數的一階微分等數據變換形式對于增強作物在可見光區域的光譜信息、提升識別能力起到很大作用。植被指數是利用植被光譜數據線性和非線性組合構建的光譜指數，近紅外波段是作物葉片健康狀況最靈敏的區域，指示著植物光合作用是否正常運行，近紅外和紅光區域是構建植被指數的最經典波段，構建不同植被指數可以間接反映作物生長狀況和提高不同作物的識別能力。基于PCA降維操作剔除了貢獻率相對較小的主成分從而達到降維的目的，同時利用PCA構建BP神經網絡模型提取了火龍果各部位識別的最佳特征波段。未來將利用高光譜遙感影像-高光譜反射率開展“圖-譜”的綜合判別分析，提升火龍果植株不同部位識別精度，同時針對病蟲害植株開展高光譜調查，從而為火龍果長勢監測、產量估測、植株病蟲害高光譜診斷提供強有力的科學支撐。

4 結論

采集田間火龍植株冠層、果、枝、花等各部位反射光譜，通過原始光譜反射率、光譜不同變換形式、不同類型植被指數進行識別能力分析，利用主成分分析法構建BP神經網絡模型并提取出火龍果植株各部位識別的最佳特征波段，得出以下結論：一是可見光400～630 nm范圍內，火龍果花的光譜反射率最高，冠層、枝、果差異不明顯，而640～1 140 nm光譜反射差異非常明顯；二是采用原始光譜不同變化形式得到區別火龍果冠層、果、枝、花最佳識別光譜波段位置為520 nm、642 nm、664 nm、726 nm、950 nm、1 000 nm、1 130 nm、1 330 nm和1 345 nm；三是通過不同植被指數計算，RVI對于火龍果植株冠層、枝和花識別能力最強，GRVI對于果識別能力最強，同時也驗證了RVI、GRVI植被指數對不同作物識別能力強的結論；四是利用高光譜主成分降維后提取出1 054～1 087 nm和812～825 nm為火龍果植株各部位識別的最佳特征波段，通過構建BP神經網絡模型，識別準確率達82.8%。