基于冠层光谱特征参数的油菜品种识别

骆丽莎, 廖桂平, 刘凡, 官春云

(湖南农业大学农学院， 长沙 410128)

油菜为十字花科、芸薹属植物，是产油率较高的油料作物之一[1]，同时是一种适应性强、用途广、发展潜力较大的经济作物。我国油菜品种繁多，不同品种的遗传特性和群体结构不同，其抗性、产量等性状表现也不同[2]。研究表明，不同油菜品种对Zn的富集作用存在显著差异[3]，另外，在应用价值方面，不同品种油菜秸秆营养成分和饲用价值不同[4]。目前油菜品种识别技术较为单一，主要利用形态学、SSR分子标记技术、生物学等方法进行分类。形态学识别方法要求识别人员有较高的经验、不适合批量处理且存在一定错误率，而分子生物学手段费时费力、过程繁琐，且在无损伤和大规模监测上不具优势。精准识别油菜品种有利于其商业价值的开发与利用，以满足不同市场的多元化需求。高光谱遥感技术分辨率高、数据信息全面、波段多且连续性强，符合农产品检测快速无损、精准实时的要求[5]，已被广泛应用于农作物的灾害监测、产量估算、品质分析和养分检测等农业生产方面[6]。近年来，高光谱技术越来越成熟，在农作物的品种识别上发挥了很大的作用，运用高光谱技术识别农作物品种主要体现在优化植物分类方法和效率[7]、掌握种植品种信息、完善种植区的品种监管[8]、提高品种的纯度和质量[9]、降低成本、满足市场营销需求[10]等方面，是推进油菜产业走向国际化的主要手段。

油菜冠层光谱信息是油菜、土壤背景和大气的混合信息，而高光谱数据又具有数据量大、信息冗余严重等特点[11]。利用特征参数能够很好的从混合信息中筛选出与油菜识别相关的光谱信息。已有研究表明,高光谱特征参数能很好的应用于作物的生长监测[12]、养分调控[13]、叶绿素反演[14]以及病害胁迫[15]，且不同的高光谱特征参数和光谱变换形式对品种的识别精度、识别效率都有着密切关系[16-18]。

油菜苗期约占全生育期的一半，是营养生长的关键时期，苗前期(出苗至花芽开始分化)和苗后期(花芽开始分化至现蕾)是油菜全生育期的重要阶段。因此，本研究使用FieldSpec3 Hi-Res地物波谱仪采集11个油菜品种苗期(苗前期、苗后期)冠层反射光谱数据，以高光谱的位置、振幅、面积、宽度、反射率和植被指数6个方面共23个特征参数为研究指标，衡量特征参数的贡献率大小和方差分析显著性，据此评价其区分油菜不同品种的优劣，为深入研究油菜品种的分类识别和建立油菜品种高光谱数据库提供一定的基础依据，也为实现油菜种植品种的实地监测与作物种植大区域管理提供可能的技术手段。

1 材料与方法

1.1 试验地区与试验材料

试验区位于湖南农业大学耘园基地(113°08′ E、28°18′ N)，光、热、水资源丰富,无霜期长，年平均气温16～18 ℃，年降水量在1 200～1 700 mm之间，属亚热带季风湿润气候区。试验品种沣绿1号、沣绿2号由湖南省作物研究所提供，油苔929由湖南省常德市农林科学研究院提供，湘油708、高油酸1号、农大1号、农大2号、油苔1号、油苔420、湘杂油787和湘杂油518由湖南农业大学提供，共11种油菜品种，于2019年9月27日播种。每个品种设三个重复，共33个小区，小区面积为16 m2，每个小区水肥条件及管理措施均保持一致。

1.2 冠层光谱数据采集

数据采集设备为Field Spec 3Hi-Res便携式地物光谱仪(美国ASD公司)，其波段范围为350～2 500 nm，光谱分辨率在350～1 000 nm内为3 nm，采样间隔为1.4 nm，在1 000～2 500 nm内为10 nm，采样间隔为2 nm。冠层高光谱测量选择在晴朗无云、风力较小的天气，测定时间为10:00—14:00，每个小区随机均匀选取30个点，每个小区测量之前进行一次白板校正以降低环境和机器的干扰。测量时传感器探头垂直向下，高度约0.7 m处读取数据即可。

1.3 数据处理

运用View Spec Pro数据处理软件进行初期数据预处理及数据格式转化，再将数据导入到Microsoft Excel 2010中进行保存。本研究采用一阶微分降噪方法，以提高光谱数据间的差异性以便后续处理与应用，其公式如下。

(1)

式中，ρ′(λi)是在波段λi处的光谱一阶导数值，λi是波段i的波长数值，Δλ是波长λi到λi+1的差值。

1.4 特征参数选取

1.4.1位置参数 位置参数是指在一定光谱区域内最大一阶导数值所对应的波长。其中，红边位置λr为波长680～760 nm内一阶导数光谱最大值对应的波长；蓝边位置λb为波长490～530 nm内一阶导数光谱最大值对应的波长；黄边位置λy为波长560～640 nm内一阶导数光谱最大值对应的波长；绿峰位置λg为波长510～560 nm内最大反射率对应的波长；红谷位置λo为波长650～690 nm内最小反射率对应的波长。

1.4.2振幅参数 振幅参数是指一定光谱区域内一阶导数光谱的最大值。红边幅值Dr为波长680～760 nm内一阶导数光谱最大值；蓝边幅值Db为波长490～530 nm内一阶导数光谱最大值；黄边幅值Dy为波长560～640 nm内一阶导数光谱最大值。

1.4.3面积参数 面积参数是指一定区域内所有波段一阶导数值的总和。红边面积SDr为波长680～760 nm内一阶导数光谱的积分； 蓝边面积SDb为波长490～530 nm内一阶导数光谱的积分；黄边面积SDy为波长560～640 nm内一阶导数光谱的积分；绿峰面积SDg为波长510～560 nm间原始光谱曲线所包围的面积。

1.4.4宽度参数 包括红边(X1)、蓝边(X2)和黄边(X3)宽度，计算公式如下。

Χ1=λr-λo

(2)

Χ2=λb-490

(3)

Χ3=λy-560

(4)

1.4.5反射率参数 包括绿峰反射率与红谷反射率的比值(Χ4)和绿峰反射率与红谷反射率的归一化值(Χ5)，计算公式如下。

Χ4=ρg/ρr

(5)

Χ5=(ρg-ρr)/(ρg+ρr)

(6)

式中，绿峰反射率ρg为波长510～560 nm范围内最大的波段反射率；红谷反射率ρr为波长650～690 nm范围内最小的波段反射率。

1.4.6植被指数参数 包括红蓝比值植被指数(Χ6)、红黄比值植被指数(Χ7)、红蓝归一化植被指数(Χ8)、红黄归一化植被指数(Χ9)，计算公式如下。

Χ6=SDr/SDb

(7)

Χ7=SDr/SDy

(8)

Χ8=(SDr-SDb)/(SDr+SDb)

(9)

Χ9=(SDr-SDy)/(SDr+SDy)

(10)

1.5 贡献率指数

将11个品种依次分为两组，每次以一个单一品种为第一组，以剩余10个品种为第二组，第二组利用Excel中INDEX[array, RANDBETWEEN(bottom, top)]公式选取数据。根据两组间不同高光谱特征参数的贡献率(contribution rate)大小来评价其区分油菜品种的能力。对于高光谱位置和宽度参数，其贡献率(CR)计算公式如下。

(11)

对于高光谱振幅、面积、反射率和植被指数参数，其贡献率(CR)的计算公式为式(12)。

(12)

式中，EV和MV分别代表第一组的品种和第二组的品种，i表示不同的高光谱特征参数值。

1.6 方差分析

利用SPSS软件进行方差分析。为提高品种识别精度，在贡献率指数分析后，剔除整体贡献率最小的2类特征参数。将每个小区30条冠层高光谱随机对半分成两组并分别取均值，得到该小区2条，全部33个小区共66条冠层高光谱。将各品种不同特征参数在两时期间进行方差分析，计算出两时期间不同特征参数的显著性差异值P。并筛选出优选特征参数，采用Waller-Duncan法进行多重比较分析，最终依据多重比较的分析结果来评价各特征参数对油菜品种的识别效果。

2 结果与分析

2.1 冠层高光谱数据分析

2.1.1全波段冠层高光谱 将本次采集的所有数据取均值，得到油菜冠层全波段高光谱反射曲线(图1)。该图符合绿色植物的光谱特征，但室外光谱数据受背景因素影响大，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与2 370～2 500 nm波段受含水量影响较大，有强烈吸收作用，出现了波段信息的重叠干扰。为减少仪器本身带来的误差及试验研究所需，本研究采用波段范围350～900 nm作为研究区间。

2.1.2均值处理后冠层高光谱 油菜不同品种在苗前期和苗后期经过均值处理后的冠层高光谱反射曲线如图2所示。可以看出，油菜冠层光谱反射率呈上升趋势。总体上，11种油菜品种反射光谱曲线的走势基本一致。苗前期与苗后期分别在490和500 nm附近有一个微弱的吸收谷。波段640～690 nm，苗前期和苗后期分别在670和680 nm附近形成1个强吸收谷。波段520～590 nm，苗前期和苗后期分别在550和560 nm附近形成1个反射峰。同时，苗前期和苗后期分别在750～890 、760～890 nm形成了1个明显的高反射平台过度波段。油菜不同品种在冠层高光谱反射率上存在差异，730～900 nm波段最为明显。在苗前期，农大2号反射率明显高于其他10种油菜品种，反射率在50%上下，高油酸1号反射率最低，约为40%；在苗后期，农大1号反射率最高，反射率都在81%以上，湘杂油518反射率最低，在60%上下。随着生育期的推进，油菜不同品种的冠层反射率差异增大。

2.2 不同品种一阶微分曲线对比

油菜不同品种在苗前期和苗后期经过一阶微分处理后的冠层高光谱曲线变化如图3所示。可以看出，一阶微分能增强有用的光谱信息而抑制无用的光谱信息，11个油菜品种在蓝边位置、红边位置和黄边位置显示出“两峰一谷”的特征[19]。品种间特征参数存在差异，苗前期Dr在农大2号λr的718 nm处最大，Db在油苔420品种λb的520 nm处最大，Dy在沣绿1号λy的625 nm处最大。在近红外区域虽有多个明显峰，但值变化都很小。苗后期Dr、Db和Dy分别在农大1号λr的723 nm、湘油708品种λb的523 nm和高油酸1号λy的628 nm处最大。由于油菜品种间的差异性，同一时期的一阶微分值即黄边幅值、蓝边幅值、红边幅值大小不同。在苗前期，不同品种间的幅值差异均较小，在苗后期，品种间的Dr和Dy差异明显。

2.3 高光谱特征参数区分不同品种的能力比较分析

2.3.1位置参数的贡献率分析 各品种高光谱位置参数的对比结果见图4。苗前期不同品种间λb贡献率差异较大，λr差异较小甚至没有变化，λg都为0。苗后期不同品种间λy贡献率差异较大，λg差异小。与苗前期不同的是，苗后期不同品种间λb贡献率差异小。从总贡献率来看，苗前期湘油708与苗后期农大2号具有品种区分优势，苗前期位置参数区分不同品种的能力优于苗后期。

2.3.2振幅参数的贡献率分析 各品种高光谱振幅参数的对比结果见图5。两个时期幅值贡献率变化均表现出：Dy>Db>Dr，且不同品种间Dy贡献率差异大。苗前期沣绿2号Dy贡献率最大，高油酸1号Dr贡献率最大，湘油708品种Db贡献率最大。苗后期湘杂油518品种Dr贡献率最大，湘油708品种Db贡献率均最大。从总贡献率来看，苗前期沣绿2号与苗后期湘油708具有品种区分优势，苗前期振幅参数区分不同品种的能力优于苗后期。

2.3.3面积参数的贡献率分析 各品种高光谱面积参数的对比结果见图6。苗后期SDg贡献率小于苗前期，SDr、SDb、SDy均大于苗前期，苗后期不同品种间SDg贡献率差异小，SDy差异大。苗前期高油酸1号SDr贡献率最大，湘油708品种SDb贡献率最大，油苔420品种SDy贡献率最大，湘油708与高油酸1号SDg均为最大值。苗后期沣绿1号SDr贡献率最大，湘油708品种SDb、SDy贡献率均最大，农大1号SDg贡献率最大。从总贡献率来看，两个时期湘油708均具有品种区分优势，苗后期面积参数区分不同品种的能力优于苗前期。

2.3.4宽度参数的贡献率分析 各品种高光谱宽度参数的对比结果见图7。苗后期X3贡献率小于苗前期,而X1、X2均大于苗前期。苗前期X1与X2贡献率均最大为3%，X3湘油708最大为7%。农大2号三边宽度参数的贡献率均为0，表明品种间各位置参数相同。苗后期湘油708与湘杂油518品种X1贡献率均最大为7%，X2油苔929最大为3%。X3只有沣绿2号与湘杂油518的贡献率为2%，其他品种均为0。从总贡献率来看，苗前期油苔1号与苗后期湘杂油518具有品种区分优势，苗前期宽度参数区分不同品种的能力优于苗后期，该结果与位置参数、振幅参数一致。

2.3.5反射率参数的贡献率分析 各品种高光谱反射率参数的对比结果见图8。苗后期ρr贡献率小于苗前期而其他三种反射率均大于苗前期。苗前期油苔929品种ρg贡献率最大，农大1号ρr贡献率最大，油苔420品种X4贡献率最大，湘杂油518品种X5贡献率最大。苗后期湘油708品种ρg贡献率最大，湘杂油787品种ρr最大，沣绿1号X4贡献率最大，油苔929品种X5贡献率最大。

从总贡献率来看，苗前期沣绿2号与苗后期油苔420具有品种区分优势，其贡献率分别为30.832 1%、31.547 3%，苗后期反射率参数区分不同品种的能力优于苗前期。

2.3.6植被指数参数的贡献率分析 各品种高光谱植被指数参数的对比结果见图9。同一时期的比值植被指数贡献率差异较小，归一化植被指数差异较大。两时期X6贡献率均最大，苗前期品种间贡献率差异最小的是X9，苗后期品种间差异最小的是X8。苗前期，油苔420品种X6、X8贡献率最大，湘杂油787品种X7、X9最大。苗后期湘油708品种X6贡献率最大，油苔929品种X7贡献率最大，湘杂油518品种X8贡献率最大，湘杂油787品种X9最大。从总贡献率来看，苗前期，油苔420具有品种区分优势，贡献率达到28.089 4%，苗后期，油苔929具有品种区分优势，贡献率达32.335 3%，苗后期植被指数参数区分不同品种的能力优于苗前期，该结果与面积参数、反射率参数一致。

2.3.7高光谱特征参数的对比分析 高光谱特征参数的对比结果见图10。6类特征参数在苗前期与苗后期区分油菜品种的能力不同。根据6类高光谱特征参数总贡献率大小，在苗前期，不同高光谱特征参数区分油菜品种的能力由强到弱依次为：振幅参数>反射率参数>面积参数>植被指数参数>位置参数>宽度参数；在苗后期，不同高光谱特征参数区分油菜品种的能力强弱与苗前期差别不大，由强到弱依次为：振幅参数>面积参数>反射率参数>植被指数参数>位置参数>宽度参数。两个时期中振幅参数区分油菜品种的能力均最强，宽度参数区分油菜品种的能力均最弱。

2.4 特征参数的方差分析

苗前期与苗后期各品种特征参数的方差分析结果如表1所示。苗后期各品种的Dr、SDr以及四种植被指数X6、X7、X8、X9与苗前期差异极显著；5个品种的SDb差异极显著；4个品种的X4差异显著，同时有3个品种差异达到极显著。由表2可知，苗后期不同特征参数的显著性效果明显优于苗前期，苗后期不同特征参数间差异极显著。为提高品种识别精度，选择苗后期且显著性效果较好的8个特征参数进行品种间多重比较方差分析。

表1 各品种不同特征参数在苗前期与苗后期的方差分析结果Table 1 Rsults of variance analysis of variety with different characteristic parameters in the early and late seedling stage

表2 不同特征参数在苗前期与苗后期的方差分析结果Table 2 The results of variance analysis with different characteristic parameters in the early and late seedling stage

品种间特征参数统计结果如表3所示。Dr、X6、X9三个特征参数识别油菜品种的效果最好，可以明确区分6种油菜品种。SDb、X4、X7、X8四个特征参数识别油菜品种的效果次之，可以明确区分5种油菜品种。SDr特征参数可以区分4种油菜品种。其中，各特征参数识别湘杂油518品种的效果最好，SDr、X4、X6、X7、X8、X9共6个特征参数都能准确区分湘杂油518品种与剩余10种油菜品种；各特征参数识别油苔929品种的效果较好，X4、X6、X7、X8、X9共5个特征参数都能准确区分油苔929品种与剩余10种油菜品种。特征参数中X6、X7、X8、X9为植被指数参数，即植被指数参数运用方差分析方法识别油菜品种的综合性效果好。

表3 不同品种特征参数统计(苗后期)Table 3 Statistics of characteristic parameters of different rape varieties (late seedling stage)

3 讨论

高光谱特征参数通常涉及红边、蓝边和黄边参数，其与作物特征之间的相互关系是应用于作物评估的基础[20]。基于特征参数能有效识别作物品种[7,18]，同时以高光谱常用植被指数、不同数据变换形式来提取作物信息的方法，能够有效提高作物识别精度[21-22]。本研究也证实了基于特征参数来区分油菜品种是可行的，综合能力由强到弱依次为：振幅参数>面积参数>反射率参数>植被指数参数>位置参数>宽度参数。这与段丁丁等[19]研究结果相似，振幅、面积参数区分品种的能力较强，位置、宽度参数区分品种的能力较弱。本研究发现，通过提取特征参数能够有效降低高光谱原始数据在区分作物品种维度高、数据量大的难度，在识别精度相当的情况下，可以优先考虑用特征参数来区分作物品种。林川等[23]研究表明，应用方差分析选取的光谱特征参数能较好的区分7种植物类型；王岽等[18]利用高光谱特征参数结合方差分析探讨不同数据变换形式对农作物的识别能力。本研究利用方差分析筛选出区分油菜品种较优的三个特征参数Dr、SDr/SDb、(SDr-SDy)/(SDr+SDy)，该结论进一步证实了刘秀英等[24]认为红边区对树种识别有重要作用的结论，同时，植被指数参数识别油菜品种的综合性效果好这一结论与舒田等[21]经过一阶微分变换后的衍生相关指数识别农作物的能力较强的结果相符。因此，经过微分处理后的红边参数及基于红边参数变换形式的相关指数参数可作为品种分类识别的优选特征参数。

近年来，无人机遥感技术用于大面积观测地面农田，测量时间灵活，光谱分辨率与空间分辨率明显提高，而红边参数能够很好地反映作物的生长状况与活力程度。这为农作物品种识别提供了新的研究趋势，基于红边参数、红边波段的无人机遥感技术和遥感卫星都可以进行品种分类识别。同时，无人机遥感技术与遥感卫星获取的大数据在精准作业和智慧农业中应用广泛。研究表明，遥感卫星基于红边波段或红边植被指数能够较好的预测生物量、叶面积指数等情况[25-26]。张影等[27]指出，机载高光谱遥感用于农作物分类的研究对象多为粮食作物，经济作物的研究较少，但其空间分辨率较高，在未来的农作物精细分类中，多源遥感影像的融合仍然值得我们关注。不少学者利用无人机遥感平台结合冠层光谱进行地物分类[28]、长势监测[29]、产量预估[30]等研究，这表明基于光谱特征参数可运用在多个遥感平台中，为实现农作物品种的分类与识别提供了新的技术手段。因此，研究可利用多个遥感平台将影像数据与地面实测数据结合，用于品种识别、长势监测、病害监测，产量估算等多方面研究中，实现“点”与“面”两个尺度的关联与转换。

本研究探讨不同特征参数在油菜苗前期与苗后期区分油菜品种的能力。结果表明，苗后期不同特征参数显著性水平明显优于苗前期，苗后期不同特征参数间均存在极显著性差异。因此油菜品种应考虑在油菜生长旺期，识别效果较好。 陈春玲等[13]研究表明，因抽穗期粳稻生长茂盛，植株间密集，受到背景噪声的干扰较小，MEA-BPNN 算法的氮素反演效果最好，尹凡[8]研究表明，对于不同类型的油菜品种识别的最佳时期是抽薹期，但也表示花期并不是同种农作物间识别的最佳时期。张雪红[31]研究认为，苗期是利用光谱特征评价油菜氮素营养的最佳生育期。因此，农作物品种的分类识别效果应全面分析不同作物类型本身及其各生长时期的特征差异。以上方法与研究结论可作为其他研究者应用于油菜品种分类识别的研究思路，这也为提高作物品种的识别精度和进一步深入品种的判别分析提供了一定的基础依据。

在下一步的研究中可以增加图像、生理参数等信息进行多数据融合，结合其他波段选取方法，同时对比分析油菜其他关键生育期在不同高光谱特征参数和不同光谱波段上品种分类识别的研究，进一步筛选出更优的特征参数和特征波段用于品种分类识别，以达到更好的识别精度和识别效果。