基于冠层实测光谱的油菜品种识别

基于冠层实测光谱的油菜品种识别
尹凡;刘燕;董晶晶;卢长明;徐海根
【摘要】近年来,随着信息技术的迅猛发展,高光谱遥感作为一种快速监测手段已经被广泛应用于农业生产中,利用高光谱遥感技术对农作物进行分类是一种无损、快速的技术手段.研究利用FieldSpec Hand-Held 2TM手持式野外光谱辐射仪实地采集了大田油菜(Brassica napus L.)的苗期、抽薹期、花期样本光谱反射率数据;通过引入内聚系数来控制波段聚合性,利用特征波长指数来寻找识别特征波段,使用主成分分析法降维后用马氏距离的方法建立了识别模型.结果表明,不同品种油菜的光谱反射率样本存在差异,利用光谱数据识别区分不同品种油菜的适宜期为抽薹期,模型识别精度均达到了75％以上.表明高光谱遥感技术在不同品种油菜的识别上具有一定的应用优势.
【期刊名称】《湖北农业科学》
【年(卷),期】2013(052)023
【总页数】5页(P5866-5870)
【关键词】油菜(Brassica napus L.);高光谱遥感;内聚系数;特征波长指数
【作者】尹凡;刘燕;董晶晶;卢长明;徐海根
【作者单位】南京信息工程大学遥感学院,南京210044;环境保护部南京环境科学研究所/国家环境保护生物安全重点实验室,南京210042;环境保护部南京环境科学研究所/国家环境保护生物安全重点实验室,南京210042;中国科学院植物研究所,北京100093;中国农业科学院油料作物研究所,武汉430062;环境保护部南京环境科学研究所/国家环境保护生物安全重点实验室,南京210042
【正文语种】中文
【中图分类】S127;S634.3
遥感是20世纪60年代发展起来的对地观测综合性技术，这种技术可以从远处把
探测目标的电磁波特性记录下来，通过分析揭示出物体的特征性质及其变化［1］。

任何物质都会反射、吸收、透射和辐射电磁波，且不同的物体对不同波长的电磁波的吸收、反射或辐射特性是不同的，物质的这种对电磁波固有的特性叫光谱特性，因此，利用高光谱遥感技术获得并分析物质的光谱曲线是识别物质的有效手段［2］。

将遥感技术应用到农业上是当前农业高新技术产业化的发展前沿，也是科技农业发展的趋势［3］。

在农业生产中，同种作物的不同品种之间往往具有相似而略有差异的光谱特征，通过其光谱特征对农作物进行识别分类是一种新的有效方法。

国内外学者利用卫星遥感影像在小麦、玉米、水稻、棉花和油菜等作物的识别方面进行了有益的探索［4－9］。

油菜（Brassica napus L.）属十字花科芸薹属植物，其作为产油效率较高的油料作物之一，在中国食用油供给中占有重要地位［10，11］。

油菜在中国的
生产方式主要是以农户模式为主，随意性较强，优质油菜推广面积有限，利用高光谱遥感技术对油菜品种进行快速无损的识别检测，对于油菜主产区的种植监管有着积极的意义。

为此，使用ASD FieldSpec Hand-Held 2TM手持式野外光谱辐射
仪针对3个不同品种油菜实地采集了多个时相的油菜冠层光谱数据，通过内聚系
数和特征波长指数分析，筛选出适宜高光谱遥感识别不同品种油菜的生育时期，建立了不同品种油菜冠层光谱特征的识别模型，为今后建立油菜品种光谱数据库以实现不同类型油菜识别，从而对田间油菜种植品种的监测及油菜种植区域的监控提供了可能的技术手段。

1 材料与方法
1.1 田间试验
试验在湖北省孝感市中国农业科学院油料作物研究所汉川试验基地进行，该基地位于亚热带季风气候区，气候适宜，适合油菜的生长。

根据油菜的生长特性，试验时间选择在2011年10月至2012年4月。

试验材料有中双9号、湘油15号和沪
油15号，均为中国农业科学院油料作物研究所提供的甘蓝型半冬性常规油菜品种。

每个品种4次重复，每个重复为16 m2（2 m×8 m）的小区，田块周围布置有保护行以防止边界效应。

常规田间管理，保证各田块水分、温度、肥力等条件相同。

1.2 光谱数据采集
光谱数据测量采用美国ASD公司生产的FieldSpec HandHeld 2TM手持式野外
光谱辐射仪，该设备可在325～1 075 nm波长范围内进行连续的光谱测量，光谱分辨率＜3.0 nm＠700 nm，波长精度±1 nm，视场角25°，共 751个波段。

测定时间选择在10：00～14：00，太阳高度角大于45°，且当时天气晴朗，无云，风速小于 3 m／s，能见度、太阳光光照条件良好。

在自然光照条件下进行光谱测量时，将仪器垂直于待测植株之上，并保证25°视场角内覆盖整个植株，每隔5 min左右对仪器做一次优化并做参考板（标准白板）校正。

根据油菜的生长周期
以及天气情况，分别对苗期（2011年12月 28日）、抽薹期（2012年2月18日）、开花期（2012年3月26日）油菜进行了多次田间光谱数据采集。

每个田
块选择5个点，每个点分别采集5条光谱反射率数据。

1.3 光谱数据预处理
仪器获取的原始光谱数据的光谱分辨率为1nm。

为了减小背景噪声的影响以及数
据冗余的问题，采用Savitzky－Golay滤波的方法对光谱数据进行平滑处理，并
对平滑过的光谱数据重新采样，使得其新的光谱分辨率为5 nm。

因为油菜的冠层高光谱反射曲线首尾两端存在较大噪声，所以选择400～900 nm作为关注的波段
范围。

数据处理使用Matlab软件编程完成。

1.4 样本内聚分析
由于所采集的油菜冠层光谱数据易受到气象等自然条件各方面因素的影响，因此检查其数据的质量，防止个例的干扰很重要。

选用内聚系数作为反映油菜冠层光谱数据的内聚程度的参数，从而体现出试验所采集的光谱数据的质量，其计算方法为：
其中，Rij为第i波段的第j次观测得到的反射率。

根据现有经验，当内聚系数小于0.2时，可说明这组数据具有较好的内聚性，其数据的偏离在可以接受的误差范围内，从而表现出原始冠层光谱数据的质量良好。

对各组油菜数据进行内聚性分析，一方面可以反映冠层光谱数据采集时，选择长势均匀、能够代表整体长势情况的点进行冠层光谱的测量，这样选择的样本才可以代表整个地块的长势情况；另一方面也可以检验大田试验时，田内水分、肥料、光照等外界因素的干扰是否对数据质量产生影响。

1.5 特征波长指数分析
特征波段的选择依据为波长点处反射率的品种间差异大于品种内差异。

针对每个油菜品种，分别计算其每个波长点处的反射率均值和反射率标准差，均值正是对应其品种间差异，而标准差反映了品种内差异。

定义某波长处特征波长指数（Characteristic wavelength index）P 为：
其中A、B代表所比较的两个品种，下标mean表示其反射率均值，下标std表示其反射率方差。

油菜的冠层反射率光谱数据应为围绕可代表其光谱特征的正态分布，根据正态分布数据均值的“68－95－99.7 法则”，当特征波长指数等于 1 时，说明其反射率光谱约70%可区分，且特征波长指数越大说明A、B两个品种的区分度越高。

1.6 识别模型的构建
光谱反射率数据可以看作为由N维坐标构成的多维光谱空间，鉴于本试验采用的是光谱范围在400～900 nm、光谱分辨率为5 nm的数据，即维度数为101。

因此，通过特征空间建模，将光谱数据投影到一个有限的维度空间里，可以大幅度减小计算的工作量，从而提高模型的效率。

根据筛选出的特征波段数据建立模型，具体步骤（图1）为：①通过随机抽样的方法，将非转基因型样本分为建模集和测试集（1∶1）；②利用主成分分析对选出的波段范围进行降维，选择前n个主成分构建新的特征空间（前n个主成分对数据的方差解释量能达到95%以上），获取投影矩阵；③计算特征空间内建模集中的各样本点到建模集中心的马氏距离，选择对建模集样本85%识别率的距离为判别半径；④根据投影矩阵，将测试集投影到特征空间；⑤以建模中心和判别半径为依据，使用测试集进行模型的交叉验证，获得模型的验证精度；⑥根据投影矩阵，将待测样本投影到特征空间，计算待测样本到建模中心的距离，进行待测样本类型的判别。

图1 油菜品种光谱识别模型流程图
2 结果与分析
2.1 不同品种油菜原始光谱曲线分析
经过平滑处理后，图2显示了油菜苗期、抽薹期、花期3个生长阶段不同品种油菜的反射率光谱曲线。

从图2可以看出，不同品种油菜虽具有较为相似的反射率光谱曲线，但在一些波段里也有差别。

这些差别主要体现在了“绿峰”与“红边”这2个植物生长的主要的光谱敏感区间，即500～600 nm和650～750 nm，不同品种油菜的光谱曲线有着一定的区别。

图2 油菜各生长阶段冠层光谱反射率均值
2.2 不同品种油菜样本内聚性分析
通过样本间内聚系数的计算，得到油菜各个生长阶段的冠层反射率光谱数据内聚系
数（图3）。

从图3可以看出，不同生长阶段油菜冠层光谱反射率数据的内聚系数有着不同的特征。

其中，在油菜生长的苗期，内聚系数普遍在0.2以内，仅部分品种在600～700 nm波段处略大；在抽薹期的光谱反射率数据表现得较为稳定，其内聚系数均在0.2以内；而在花期，油菜冠层光谱反射率内聚系数波动较大，且在大部分波段范围内内聚系数大于0.2，部分波段达到了 0.4。

2.3 不同品种油菜特征波长指数分析
图3 油菜各生长阶段冠层光谱反射率内聚系数
针对每个油菜品种，分别计算其每个波长点处的反射率均值和反射率标准差，得到各品种油菜之间的特征波长指数（图4）。

从图4可以看出，在油菜的苗期和花期，不同品种之间的特征波长指数在绝大多数波段均小于1，且大于1的部分特征波长指数也较小，最大不超过1.5。

而在油菜的抽薹期，在500～750 nm区间内，特征波长指数均大于1。

特别观察到位于500～600 nm和670～750 nm的波段范围内，特征波长指数均较大，部分品种间的特征波长指数大于2。

这些差别主要体现在了“绿峰”与“红边”这2个植物生长的主要的光谱敏感区间，可能的原因
是植物长势的差异。

2.4 不同品种油菜最佳识别时期的筛选
在油菜生长的苗期和抽薹期，各油菜品种的内聚系数较为均一，除苗期的部分波段外，大多数波段的内聚系数均在0.2以内，说明这些数据在组内具有较好的内聚性，其数据质量可以满足建立识别模型的需要。

而在花期，大多数波段尤其是500～700 nm光谱区间的内聚系数偏大，说明这些光谱数据在组内便具有一定的离散性，故难以取得可稳定代表此种油菜的实际光谱信息。

这一现象的可能原因是油菜在花期其个体之间的冠层特征差异较大，影响了可见光波段在其冠层的反射率。

因此，油菜花期的光谱数据不宜用于建立油菜冠层光谱识别模型。

但是从另一方面来看，可以利用油菜花期的这一特点提取出油菜种植区域的信息用于与其他种类农作物的
图4 各生长阶段冠层各品种油菜之间的特征波长指数
内聚性分析体现出不同品种油菜反射率样本数据的类内差异，而特征波长指数分析则是体现了不同品种油菜反射率样本数据的类间差异。

排除花期后，经过分析得出，在苗期大部分波段的油菜品种间特征波长指数均小于1，说明其品种类间差异较小，因此苗期数据同样不宜用于建立油菜冠层光谱识别模型。

而在抽薹期其特征波长指数均较大，其光谱反射率数据的类间差异比较明显，故判断为最佳识别时期。

2.5 不同品种油菜识别模型的建立
分析得出，抽薹期是适合进行不同品种油菜识别的较好时期，因而，本研究将选择抽薹期的数据进行建模。

根据特征波长指数并结合植物光谱特点筛选出绿峰
500～600 nm和红边670～750 nm作为特征波段。

分别针对3个品种的油菜，将数据通过随机抽样的方法分成建模集和测试集。

利用主成分分析对选出的波段范围进行降维处理，选择了前3个主成分构建出一个新的特征空间，获取投影矩阵。

计算特征空间内建模集中的各个样本点到建模集中心的马氏距离，选择对建模集样本85%识别率的距离作为判别半径。

再根据投影矩阵，将测试集的数据投影到特
征空间，并以建模中心和判别半径为依据，使用测试集进行模型的交叉验证，从而获得模型的验证精度。

根据投影矩阵，将待测样本投影到特征空间，计算各待测样本到建模中心的距离便可进行待测样本品种的判别。

最终得到模型分类结果如表1，针对湘油15号构建的识别模型，对品种本身的识别率达到81%，对其他品种的拒识率达到89.0%；针对沪油15号构建的识别模型，对品种本身的识别率达到77%，对其他品种的拒识率达到88.5%；针对中双9号构建的识别模型，对品种
本身的识别率达到76%，对其他品种的拒识率达到89.5%。

表1 各模型识别精度针对品种湘油15号沪油15号中双9号自身识别率//%81 77 76拒识率//%89.0 88.5 89.5
高光谱遥感数据以其波段多且连续的特性，能够为不同类型油菜提供更多的光谱反射率信息。

试验实地采集了大田油菜生长的苗期、抽薹期、花期样本光谱数据，通过引入内聚系数来控制波段聚合性，利用特征波长指数寻找识别波段，使用主成分分析法降维后用马氏距离的方法建立了识别模型。

结果表明，不同品种油菜之间的冠层光谱有类似的光谱特点，其原始光谱曲线大致相同，但也存在着一定的差异，主要差异集中在“绿峰”与“红边”这2个植物生长的主要光谱敏感区间内。

依
据试验获得的光谱反射率数据，对3个油菜品种进行识别区分的适宜期为抽薹期，进行识别区分的最佳识别波段为500～600 nm和670～750 nm。

针对各品种油
菜的识别模型对其自身的识别率均在75%以上，对其他品种油菜的拒识率达到88%以上。

在实际操作中，光谱数据在一定程度上受到光谱测量仪器量程的影响，本研究将光合作用波段作为单一识别波段获得了较为可靠的识别模型，为获得更多识别波段，全波段（350～2 500 nm）测量将成为未来的发展趋势。

此外，更多品种油菜的
更多年期光谱数据可进一步验证、完善油菜信息数据库，从而优化识别模型，为油菜品种识别监测提供更加可靠的技术手段。

参考文献：
［1］梅安新，彭望琭，秦其明，等.遥感导论［M］.北京：高等教育出版社，2001.
［2］李民赞.光谱分析技术及其应用［M］.北京：科学出版社，2006.
［3］滕安国，高峰，夏新成，等.高光谱技术在农业中的应用研究进展［J］.江苏农业科学，2009（3）：8－11.
［4］曹卫彬，杨邦杰，宋金鹏.TM影像中基于光谱特征的棉花识别模型［J］.农
业工程学报，2004，20（4）：112－116.
［5］钟仕全，陈燕丽，莫建飞，等.基于中巴02B星遥感数据的油菜识别技术研究［J］.国土资源遥感，2010（2）：77－79.
［6］黄文江，王纪华，刘良云，等.基于多时相和多角度光谱信息的作物株型遥感识别初探［J］.农业工程学报，2005，21（6）：82－86.
［7］李儒，陈劲松，袁定阳，等.高光谱遥感技术在水稻转入基因表达的检测指示作用研究［J］.光谱学与光谱分析，2010，30（1）：202－205.
［8］王志辉，丁丽霞.基于叶片高光谱特性分析的树种识别［J］.光谱学与光谱分析，2010，30（7）：1825－1829.
［9］XIE L J， YING Y B， YING T J.Quantification of chlorophyll content and classification of nontransgenic and transgenic tomato leaves using visible／near－infrared diffuse reflectance spectroscopy［J］.Agricultural and Food Chemistry，2007，55（12）：4645－4650.
［10］殷艳，王汉中.我国油菜产业发展成就、问题与科技对策［J］.中国农业科技导报，2012，14（4）：1－7.
［11］卢长明，肖玲，武玉花.中国转基因油菜的环境安全性分析［J］.农业生物技术学报，2005，13（3）：267－275.。