油菜角果高光譜成熟指數構建

摘要： 為建立油菜角果成熟程度定量化評估指標，以不同品種、不同成熟等級的油菜角果為研究對象，在分析其非成像原始高光譜反射曲線、一階微分變換光譜和連續統去除變換光譜的基礎上，開展不同成熟等級油菜角果光譜特征差異研究，構建一種能夠有效辨別油菜角果成熟程度的高光譜指數。結果表明，不同品種、不同成熟等級的油菜角果反射光譜差異較大，在625 nm兩側光譜反射率明顯不同；油菜角果成熟等級越高，紅光吸收谷越淺，其谷點波深越低，吸收谷反射率不斷增強，紅光吸收谷位置基本穩定在675 nm左右；選用625 nm、675 nm和730 nm 3個高光譜波段構建新的油菜角果成熟指數（CPMI2），與改進型葉綠素吸收比值指數（MCARI）、水波段指數（WBI）、油菜角果成熟指數（CPMI）3個光譜指數的決定系數分別為0.89、0.81和0.55，即與反映植被葉綠素含量、水分含量的光譜指數及已有的角果成熟指數有較高的相關性，與油菜角果成熟程度具有較好的一致性。本研究結果可為利用高光譜探測油菜角果成熟度，有效確定油菜適宜收獲期提供參考。

關鍵詞： 油菜角果；成熟度；高光譜特征；光譜指數

中圖分類號： S127; S565.4 文獻標識碼： A 文章編號： 1000-4440（2023）03-0716-08

Construction of rape silique ripening index based on hyperspectral characteristics

WANG Ke-xiao， ZHOU Rui， HUANG Xiang， YU Bao， LI Bo

（Institute of Agricultural Information Science and Technology， Chongqing Academy of Agricultural Sciences， Chongqing 401329， China）

Abstract： In order to establish a quantitative evaluation index for rape silique maturity， the hyperspectral characteristics of rape siliques with different varieties and maturity levels were analyzed by the way of non-imaging original reflection curve， the first derivative transformation and continuous removal transformation， and a hyperspectral index that could effectively distinguish the maturity was constructed. The results showed that the reflectance spectra of rape siliques with different varieties and maturity levels were significantly different， especially around 625 nm. The higher the maturity level of rape siliques， the shallower the red light absorption valley， and the lower the wave depth of its valley point. The reflectivity of the absorption valley was enhanced， but the position of the red light absorption valley was basically stable at about 675 nm. The bands of 625 nm， 675 nm and 730 nm were selected to construct the canola pod maturity index-2 （CPMI2）. The determination coefficients of CPMI2 with modified chlorophyll absorption ratio index （MCARI）， water band index （WBI）and canola pod maturity index （CPMI） were 0.89， 0.81 and 0.55 respectively， indicating that CPMI2 had a high correlation with the spectral indices reflecting the chlorophyll content， water content and ripeness of pod， and had a better consistency with rape silique ripeness. The results of this study can provide a reference for the hyperspectral detection of rape silique maturity and the effective determination of the appropriate harvest time of rape.

Key words： rape silique;maturity;hyperspectral characteristics;spectral index

近年來，高光譜技術的發展為探測不同植被光譜特征的差異提供了有效途徑[1-3]，已經廣泛應用于不同植被的精細識別研究中。Schmidt等[4]通過野外高光譜數據實現了對荷蘭27種濕地植被的有效辨識。Mansour等[5]利用ASD FieldSpec3光譜儀測量林冠光譜值，對不同級別草地退化物種進行了識別。Adam等[6]基于地面實測光譜有效地將紙莎草同其他草種區分開來。胡琳等[7]基于機載高光譜影像，獲得不同處理下雜木林、竹林、華山松等典型植被的最佳區分波段，實現了不同植被類型的精細劃分。周偉等[8]通過對三江源區典型毒雜草和牧草的地面高光譜進行參數量化分析，實現了毒雜草草種識別和植被群落生長監測。閆馨方等[9]基于白蘿卜和云南大苦菜的高光譜數據開展的高光譜特征對比研究，探索利用高光譜遙感技術定性、定量區分2種作物的可行性。油菜在中國糧油安全和國民經濟中占據著非常重要的地位[10]。國內針對油菜的高光譜研究工作主要集中在利用高光譜數據模擬葉綠素含量或葉面積指數等長勢指標和產量等方面[11-12]，如楊婧等[13]研究了不同栽培條件下幼苗期、蕾薹期油菜葉片光譜與SPAD值的相關性，并通過光譜指數建立了葉綠素含量估算模型。鄭煜等[14]基于不同生育期高光譜特征參數與SPAD值的關系構建了油菜葉片SPAD值估算模型。趙贊忠[15]基于不同栽培因子條件下油菜特征光譜參數變化及其與葉面積指數（LAI）的相關性，建立了油菜初蕾期、蕾薹高峰期、初花期冠層特征光譜參數與LAI的線性模型和多項式模型。李嵐濤等[16]通過分析角果期冠層光譜反射率與產量構成因子、成熟期產量之間的關系，建立了油菜初始光譜、一階微分光譜與產量及其構成因子間的偏最小二乘定量分析模型。常濤等[17]通過分析油菜全生育期的光譜反射率與葉綠素含量、最終產量性狀間的相關性，證明了蕾薹期光譜參數用于預測油菜產量的可行性。然而，針對油菜角果個體及其成熟程度進行高光譜估測的相關研究則鮮有報道。

本研究擬基于3個不同品種油菜的角果在不同成熟階段的非成像高光譜反射數據，在原始反射光譜、一階微分變換光譜和連續統去除變換光譜分析的基礎上，開展不同成熟等級油菜角果光譜特征差異研究，構建能夠有效表征油菜角果成熟程度的高光譜指數，以期為高光譜定量化探測油菜角果成熟程度提供參考。

1 材料與方法

1.1 試驗設計

試驗區位于重慶市農業科學院重慶現代農業高科技園區，選用同期播種的硒滋圓1號、慶油3號和蜀豐6608等3個品種為試驗材料，均采用人工直播播種方式，各小區油菜播種行距為50 cm，株距為40 cm。樣本采集均以花后12 d左右為首次角果采樣期，采樣時間分別為2022年3月16日、2022年3月28日、2022年4月13日和2022年4月25日，對應油菜角果成熟程度標記為Ⅰ、Ⅱ、Ⅲ、Ⅳ 4個等級（圖1）。角果取樣均在單品種試驗樣區隨機選取，并隨即帶回實驗室進行光譜測量。每期單品種采集10個油菜角果，共30個角果樣本，4期共計120個角果樣本。

1.2 高光譜數據獲取

利用美國ASD公司FieldSpec HH2地物光譜儀及其自帶光源的葉片夾配合完成角果高光譜數據采集，光譜設備采集范圍325～1 075 nm，光譜采樣設置間隔1 nm。樣本光譜采集前葉片夾先進行白板校正、優化，然后以黑板為背景逐個測定角果樣本中間部位的反射光譜。單個角果樣本均獲取3條光譜反射曲線，取其平均后作為該樣品的代表性光譜曲線。每期采集單品種的10個角果樣本光譜，取其平均后作為該品種樣本的光譜反射曲線。光譜反射數據計算均值的過程是通過View SpecPro軟件完成的，反射數據的Savitzky-Golay濾波通過Origin 8.0軟件完成，同時保留信噪比較好的450～1 000 nm，以便后續使用。

1.3 高光譜數據處理

1.3.1 一階微分處理 原始反射光譜的一階微分變換可以增強不同光譜波段的對比度[18]，能夠反映出不同成熟等級油菜角果樣本的光譜反射差異，本研究選用9個反射光譜一階微分特征參數（表1），其參數定義參照文獻[7]。

1.3.2 連續統去除 通過地物高光譜反射曲線獲取光譜吸收波形形態參數信息是確定地物光譜吸收特征的重要方法[19]。連續統去除可以基于一個共同的基線比較各個光譜的吸收特征[20]。為描述不同成熟等級油菜角果間的光譜差異，本研究提取6個連續統去除特征參數進行分析，其參數定義[21]見表2。

1.4角果成熟度高光譜指數構建

圖2顯示，隨著油菜角果的成熟，以黃邊位置（625 nm）、紅谷（675 nm）及紅邊（680～760 nm）波段反射光譜點反射值構建的ABC面積不斷減小，反射曲線在黃邊-紅邊波長區間內的積分面積逐漸增加，積分面積在總面積中所占比例逐漸增大。基于此構建新的油菜角果指數（VI），其取值范圍為0～1，具體計算見公式（1）。

其中，VI為油菜角果成熟指數；ρ（λ）為光譜反射曲線函數；λ1和λ3分別為黃邊、紅邊對應波長；S為λ1、λ3波長值及其光譜反射值所圍成的梯形面積；SWingdings 3rA@ABC為對應光譜點反射值構建的三角形面積。

為描述反射光譜上的“紅谷”特性，Broge等[22]利用550 nm處的綠波段，670 nm處的紅光波段和750 nm處的近紅外波段3個光譜點反射值計算三角形面積來構建三角植被指數（TVI），以便于預測中、低冠層生物量信息。陳鵬飛等[23]用730 nm處紅邊反射值替代670 nm處的紅光反射值，提出的紅邊三角植被指數（RTVI）能夠較好地保持對高生物量變化的敏感性。因此，本研究在考慮波段敏感性和黃邊波段突出作用的基礎上，選用黃邊位置625 nm、紅波吸收谷675 nm和紅邊位置730 nm 3個光譜點構建油菜角果成熟指數（CPMI2），公式（1）可進一步簡化表達為公式（2）：

其中，CPMI2為新的油菜角果成熟指數，ρ625、ρ675和ρ730分別為波段625 nm、675 nm和730 nm處的光譜反射值。

伴隨著油菜角果的成熟，水分流失，葉綠素含量明顯下降，角果光譜特征出現黃邊波段反射率變化明顯，紅谷處反射率增大，紅邊位置向短波方向“藍移”等明顯特征，圖2中ABC面積值逐漸減小，以積分面積∫λ3λ1ρ（λ）dλ為表征的光譜指數CPMI2不斷增大，說明CPMI2與油菜角果成熟程度具有較好的一致性。

2 結果與分析

2.1 原始高光譜反射特征分析

圖3顯示，不同成熟等級的油菜角果光譜主要呈現出以下變化：（1）625 nm的黃邊波段處反射光譜變化明顯。Ⅰ級、Ⅱ級角果樣本黃邊光譜變化相對平緩，Ⅲ級樣本在625 nm附近反射率出現驟降，而Ⅳ級成熟樣本的黃邊波譜反射率最高。其原因是隨著角果成熟，葉綠素含量下降，葉綠素在紅光波段的反射增強，特別是紅光反射率升高，綠、紅光譜疊加以致于角果轉為黃色，導致角果黃邊波段變化突出。（2）紅邊位置向短波方向移動，即紅邊“藍移”。隨著角果成熟度的增加，葉綠素含量明顯下降，對光的吸收減少，紅光反射率增大，角果逐漸黃熟而“失綠”。（3）隨著角果成熟度的增加，油菜角果的反射綠峰逐漸消失，但紅谷位置變化不大，基本停留670 nm附近，但反射值整體上不斷增大，而吸收谷變“淺”，谷點反射率不斷增強，吸收谷波段起止波譜范圍變窄。這是由角果生育期內葉綠素含量下降，葉綠素在紅光波段的吸收減少，反射增強，同時紅邊“藍移”所致。

2.2 一階微分光譜特征分析

為進一步突出不同成熟等級的油菜角果樣本的光譜變化特征，對各品種不同成熟等級的原始光譜進行一階微分變換。圖4顯示，在490～530 nm的藍邊波段內，油菜角果的成熟度越高，一階微分反射率峰值越小，且對應的藍邊位置有向短波方向移動趨勢。其原因可能是隨著葉綠素含量降低，角果對藍光的吸收能力下降，藍光反射率上升。在550～675 nm的綠光-紅光范圍內有2處一階微分接近于零的變化峰值，分為位于590 nm和625 nm附近。尤其在625～675 nm，不同成熟等級的油菜角果光譜反射率區分性較強，一階微分反射率減小幅度差異較為明顯。在675～760 nm的紅光-近紅外范圍內，隨著成熟等級的增大，一階微分極大值趨于變小，對應的原始光譜紅邊位置總體向短波方向移動。

分析不同成熟等級油菜角果一階微分光譜特征相關的9個參數，結果（表3）表明，隨著成熟等級的升高，藍邊幅值（Db）和紅邊幅值（Dr）總體呈減小趨勢，黃邊幅值（Dy）略微有所增大；各品種的藍邊位置（λb）、黃邊位置（λy）和紅邊位置（λr）分別保持在510～516 nm、625～628 nm和687～698 nm的波長范圍內，且隨著成熟等級的增大均總體趨于減小；隨著成熟等級的升高，藍邊面積（SDb）、紅邊面積（SDr）總體趨于減小，而黃邊面積（SDy）總體逐漸增大。上述特征參數變化是由于油菜角果在成熟過程中水分散失、葉綠素含量下降，導致綠峰逐漸消失，黃邊波段反射增強，紅邊波段“藍移”，從而使得紅光波段吸收谷的空間受到不斷擠壓造成的。

2.3 高光譜吸收特征分析

對不同成熟等級的油菜角果原始光譜進行連續統去除變換，波深如圖5顯示，在500 nm和670 nm波段附近有2個較強的吸收谷，而較為明顯的吸收特征主要體現在675 nm處的紅谷吸收區，波深值總體隨著成熟等級升高而減小，與圖3中樣本成熟等級升高紅谷反射值整體增大的結果相一致。另外，各成熟等級油菜角果樣本的波深值在625 nm處出現明顯升高。

分析670 nm處不同成熟等級油菜角果光譜吸收特征值，表4顯示，吸收谷位置并未隨著油菜角果樣本的成熟而出現明顯變化，仍保持在675 nm左右，而波深因紅光反射增強而變小，吸收谷面積與吸收谷寬度總體呈減小趨勢，可能是因為角果受到水分流失和葉綠素含量下降的雙重脅迫，綠峰淡化，黃邊波段反射增強，紅邊波段“藍移”，致使紅谷空間變窄而減小，吸收谷對稱度和光譜吸收指數等參數也因反射綠峰減弱和黃邊反射的變化而呈總體逐漸減小的趨勢。

2.4 CPMI2與其他角果光譜指數之間的關系

當前，判斷油菜成熟程度的方法主要是通過表觀色澤和含水量2項指標進行人工評判[24]，而表觀色澤則主要體現在作物色素含量的變化。Penuelas等[25]利用970 nm和900 nm處的反射點構建水波段指數（WBI），并用于預測葉片含水量高低。Singh等[24]基于無人機高光譜提出的角果成熟指數（CPMI）與角果含水量的決定系數高達0.81以上，但與葉綠素含量或其相關指數的關系卻并不明顯。改進型葉綠素吸收比值指數（MCARI）能夠敏感地反映植被葉片葉綠素含量的變化，能夠有效預測葉綠素含量[26]。另外也有研究結果表明，WBI與植被水分含量呈負相關[27-29]，而MCARI與葉綠素含量呈正相關 [30-31]。

為探索CPMI2對油菜角果成熟程度的可表達性，本研究將CPMI2分別與MCARI、WBI、油菜角果成熟指數進行相關性分析。圖6顯示， MCARI增大，角果葉綠素含量增大，角果成熟程度降低，CPMI2減小；WBI增大，角果含水量減小，角果成熟程度升高，CPMI2增大。CPMI2與MCARI、WBI、CPMI 3個指數的決定系數分別為0.89、0.81和0.55。上述結果說明CPMI2能較好地體現油菜角果葉綠素與含水量的變化，且與Singh等[24]提出的CPMI有較好的相關性，能夠對角果的成熟程度進行表達。

3 結論

本研究在分析不同品種油菜角果非成像原始高光譜反射曲線、一階微分變換光譜和連續統去除變換光譜的基礎上，開展不同成熟等級的油菜角果光譜特征差異研究，并構建了一種能夠有效表征油菜角果成熟程度的高光譜指數，結論如下：

（1）不同成熟等級的油菜角果反射光譜的紅谷位置變化不大，而光譜反射率差異較大，主要體現在625 nm黃邊波段兩側光譜反射率的突出變化。隨著角果成熟度的增加，角果受到水分流失和葉綠素含量下降的雙重脅迫，角果藍邊、紅邊位置總體均趨于向短波方向移動。

（2）在625～675 nm，不同成熟等級的油菜角果光譜反射率區分性較強，光譜反射率減小的幅度差異較為明顯。隨著成熟等級的增大，藍邊幅值和紅邊幅值總體呈現減小趨勢，黃邊幅值略微有所增大；各品種的藍邊位置、黃邊位置和紅邊位置在較小的波長范圍內呈減小趨勢；藍邊面積、紅邊面積總體呈現減小趨勢，而黃邊面積總體逐漸增大。

（3）油菜角果成熟度越高，紅光吸收谷越淺，其谷點波深越低，吸收谷反射率不斷增強，吸收谷波段起止波譜范圍變窄，反映光譜吸收特征的波深、吸收谷面積、吸收谷寬度和光譜吸收指數等參數都趨于變小，波深曲線偏斜程度越大，吸收谷位置基本穩定在675 nm左右。

（4）基于不同成熟等級的油菜角果光譜分析特征，選用625 nm、675 nm和730 nm 3個光譜點構建了與其成熟度有較好一致性的新的油菜角果成熟指數CPMI2，與反映植被葉綠素含量、水分含量的光譜指數及角果成熟指數有較高的相關性，能夠較好地對油菜角果成熟度進行表達。本研究的不足之處是缺乏CPMI2與相應角果樣本葉綠素含量和水分含量實測值的關聯分析，試驗尚需進一步完善。

參考文獻：

[1] 劉建剛，趙春江，楊貴軍，等. 無人機遙感解析田間作物表型信息研究進展[J].農業工程學報， 2016， 32（24）： 98-106.

[2] 張 銳，廖桂平，王 訪，等. 基于冠層高光譜的油菜角果期紅邊參數及葉片SPAD值反演模型[J].江蘇農業科學， 2019， 47（20）： 255-259.

[3] 鮑義東，陳秋實，陳 果. 高光譜技術在農業遙感中的應用[J].電子技術與軟件工程， 2020（8）：170-171.

[4] SCHMIDT K S， SKIDMORE A K. Spectral discrimination of vegetation types in a coastal wetland［J］.Remote Sensing of Environment，2003，85（1）：92-108.

[5] MANSOUR K， MUTANGA O， EVERSON T， et al. Discriminating indicator grass species for rangeland degradation assessment using hyperspectral data resampled to AISA Eagle resolution［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2012，70：56-65.

[6] ADAM E， MUTANGA O. Spectral discrimination of papyrus vegetationin （Cyperus papyrus L.） in swamp wetlands using field spectrometry[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2009，64（6）：612-620.

[7] 胡 琳，甘 淑，袁希平，等. 滇中三類典型地表植被的機載高光譜特征分析[J].光譜學與光譜分析， 2021， 41（10）： 3208-3213.

[8] 周 偉，李浩然，石佩琪，等. 三江源區毒雜草型退化草地植被光譜特征分析[J].地球信息科學學報， 2020， 22（8）： 1735-1742.

[9] 閆馨方，甘 淑，胡 琳，等. 昆明冬季典型作物的高光譜特征對比研究[J].測繪科學， 2021， 46（7）： 60-66， 127.

[10]王漢中. 以新需求為導向的油菜產業發展戰略[J].中國油料作物學報， 2018， 40（5）： 613-617.

[11]高開秀. 冬油菜關鍵長勢參數及產量遙感反演方法研究[D].武漢：華中農業大學， 2020.

[12]馬 驛，汪善勤，李嵐濤，等. 基于高光譜的油菜葉面積指數估計[J].華中農業大學學報， 2017， 36（2）： 69-77.

[13]楊 婧，廖桂平，劉 凡，等. 基于高光譜成像技術的油菜葉片葉綠素含量預測[J].中國農業科技導報， 2020， 22（5）： 86-96.

[14]鄭 煜，常慶瑞，王婷婷，等. 基于連續統去除和偏最小二乘回歸的油菜SPAD高光譜估算[J].西北農林科技大學學報（自然科學版）， 2019， 47（8）： 37-45.

[15]趙贊忠. 油菜冠層特征光譜參數及其葉面積指數估測研究[D].長沙：湖南農業大學， 2018.

[16]李嵐濤，任 濤，汪善勤，等. 基于角果期高光譜的冬油菜產量預測模型研究[J].農業機械學報， 2017， 48（3）： 221-229.

[17]常 濤，謝 鑫，官 梅，等. 不同微肥處理下油菜產量與高光譜反射率關系分析[J].光譜學與光譜分析， 2021， 41（2）： 552-557.

[18]張素蘭，覃 菊，唐曉東，等. 松材線蟲危害下馬尾松光譜特征與估測模型研究[J].光譜學與光譜分析， 2019， 39（3）： 865-872.

[19]鄭蘭芬，王晉年. 成像光譜遙感技術及其圖像光譜信息提取的分析研究[J].環境遙感，1992，7（1）： 49-58.

[20]李粉玲，常慶瑞. 基于連續統去除法的冬小麥葉片全氮含量估算[J].農業機械學報， 2017， 48（7）： 174-179.

[21]李 喆，郭旭東，古 春，等. 高光譜吸收特征參數反演草地光合有效輻射吸收率[J].遙感學報， 2016， 20（2）： 290-302.

[22]BROGE N H， LEBLANC E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment， 2001， 76（2）： 156-172.

[23]陳鵬飛，NICOLAS T，王紀華，等. 估測作物冠層生物量的新植被指數的研究[J].光譜學與光譜分析， 2010， 30（2）： 512-517.

[24]SINGH K， DUDDU H， VAIL S， et al. UAV-based hyperspectral imaging technique to estimate canola （Brassica napus L.） seedpods maturity[J]. Canadian Journal of Remote Sensing， 2021， 47（1）： 33-47.

[25]PENUELAS J， FILELLA I， BIEL C， et al. The reflectance at the 950-970 nm region as an indicator of plant water status[J]. International Journal of Remote Sensing， 1993， 14（10）： 1887-1905.

[26]XUE J， SU B. Significant remote sensing vegetation indices： a review of developments and applications[J]. Journal of Sensors， 2017， 2017： 1-17.

[27]蘇 毅，王克如，李少昆，等. 棉花植株水分含量的高光譜監測模型研究[J].棉花學報， 2010， 22（6）： 554-560.

[28]熱依拉·艾合買提，吾木提·艾山江，阿不都艾尼·阿不里，等. 基于機器學習的春小麥葉片水分含量高光譜估算[J]. 麥類作物學報， 2022， 42（5）： 640-648.

[29]劉 暢，孫鵬森，劉世榮. 水分敏感的反射光譜指數比較研究——以銳齒槲櫟為例[J].植物生態學報， 2017， 41（8）： 850-861.

[30]吳朝陽，牛 錚. 基于輻射傳輸模型的高光譜植被指數與葉綠素濃度及葉面積指數的線性關系改進[J].植物學通報， 2008， 25（6）： 714-721.

[31]姜海玲，楊 杭，陳小平，等. 利用光譜指數反演植被葉綠素含量的精度及穩定性研究[J].光譜學與光譜分析， 2015， 35（4）： 975-981.

（責任編輯：王 妮）

收稿日期：2022-07-11

基金項目：重慶市農業科學院績效激勵引導項目（cqaas2021jxjl17）；重慶市技術創新與應用發展專項（cstc2021jscx-lyzxX0001）

作者簡介：王克曉（1986-），男，河南平頂山人，碩士，助理研究員，主要從事農業遙感相關研究。（E-mail）447215670@qq.com

通訊作者：周 蕊，（E-mail）12087836@qq.com