基于近地光譜特征的玉米田間雜草識(shí)別研究

胡盈盈 王瑞燕 郭鵬濤 李茂芬 梁偉紅 李玉萍

摘要：化學(xué)防治是我國農(nóng)田雜草防治使用較廣泛的方法之一，化學(xué)除草劑的過量噴灑以及粗略的施用方式已成為農(nóng)藥泛濫、質(zhì)量安全問題的罪魁禍?zhǔn)?。目前，精?zhǔn)施藥技術(shù)成為雜草去除的重要手段，雜草識(shí)別又是精準(zhǔn)施藥的關(guān)鍵技術(shù)。利用ASD FieldSpec 4便攜式地物光譜儀，采集玉米、馬齒莧、野莧菜及香附植株冠層在350～2 500 nm波段內(nèi)的光譜信息，經(jīng)過數(shù)據(jù)預(yù)處理，運(yùn)用逐步判別模型，篩選出了954、1 324、1 869、734 nm 4個(gè)特征波段。將特征波段帶入貝葉斯判別函數(shù)模型，分別對(duì)玉米田間雜草進(jìn)行預(yù)測(cè)。結(jié)果表明，貝葉斯判別函數(shù)模型正確識(shí)別率達(dá)85.8%;對(duì)玉米的識(shí)別精度達(dá)90.0%。特征波段選取中剔除了波長749 nm選入了734 nm波長變量，在“紅邊”680～780 nm區(qū)域的反射率對(duì)玉米田間雜草識(shí)別較為重要。試驗(yàn)結(jié)果進(jìn)一步論證了基于貝葉斯判別模型方法的可靠性，且證明了高光譜在雜草的識(shí)別方向具有一定的應(yīng)用價(jià)值，該研究結(jié)果為田間雜草識(shí)別及光譜傳感器提供了參考。

關(guān)鍵詞：雜草識(shí)別;光譜技術(shù);高光譜;玉米

中圖分類號(hào)：S127?文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2020）08-0242-05

收稿日期：2018-11-08

基金項(xiàng)目：海南省自然科學(xué)基金青年基金（編號(hào)：419QN280）;海南耕地改良關(guān)鍵技術(shù)研究與示范專項(xiàng)（編號(hào)：HNGDzy2015）;中國熱帶農(nóng)業(yè)科學(xué)院橡膠研究所基本業(yè)務(wù)費(fèi)專項(xiàng)（編號(hào)：RRI-KLOF201803）。

作者簡介：胡盈盈（1992—），女，河南許昌人，碩士，研究實(shí)習(xí)員，主要從事熱帶農(nóng)業(yè)遙感與地理信息方向的研究。E-mail：1145673686@qq.com。

通信作者：王瑞燕，博士，副教授，碩士生導(dǎo)師，主要研究方向?yàn)榻剡b感。E-mail：wry@sdau.edu.cn。

農(nóng)田雜草的生長會(huì)使農(nóng)作物產(chǎn)量和質(zhì)量下降[1-2]，玉米作為我國三大糧食作物之一，在保障國家糧食安全中有著重要的地位[3-4]。據(jù)2002年統(tǒng)計(jì)，我國玉米田草害發(fā)生面積1 240萬 hm2，玉米減產(chǎn)0.03億t[5]。近年來，隨著農(nóng)業(yè)農(nóng)村部“減肥減藥”方案的提出，精準(zhǔn)施藥技術(shù)成為現(xiàn)階段雜草剔除的重要手段和發(fā)展方向，精確施藥的關(guān)鍵是如何快速準(zhǔn)確地實(shí)現(xiàn)雜草識(shí)別[6]。國內(nèi)外學(xué)者在雜草識(shí)別方面做了一系列研究。其中，光譜技術(shù)以無損性、操作性強(qiáng)、實(shí)時(shí)性好、經(jīng)濟(jì)效益高等特點(diǎn)，成為一種較好的雜草識(shí)別技術(shù)。

Wang 等研究了一種基于光譜的雜草傳感器，將 9 種雜草放在一起，用模型算法對(duì)小麥、土壤和雜草進(jìn)行分類，準(zhǔn)確率分別達(dá) 98.3%、98.7%、 64.3%[7]。Goel等利用航空遙感技術(shù)，對(duì)玉米和大豆田雜草進(jìn)行了光譜分析，結(jié)果發(fā)現(xiàn)紅外區(qū)（675.98～685.17 nm）和近紅外區(qū)（743.93～830.43 nm）的反射率對(duì)識(shí)別玉米地里的雜草最有效，而只有位于近紅外區(qū)（811.40 nm）的反射率對(duì)識(shí)別大豆地里的雜草有效[8];國內(nèi)雜草精準(zhǔn)控制技術(shù)起步較晚，基于光譜特征的雜草識(shí)別發(fā)展也略晚于基于圖像的雜草識(shí)別方法[9-11]。毛文華等分析了小麥、小藜和薺菜等幾種雜草在700～1 100 nm波長范圍內(nèi)的光譜特征，正確識(shí)別率達(dá)到了97%，在680～750 nm“紅邊”附近的特征波長點(diǎn)較為顯著[12]。潘家志采用Vis/NIR光譜技術(shù)，區(qū)分了苗期的大豆與牛筋草、空心蓮子草、凹頭芡等幾種南方地區(qū)常見的植物，識(shí)別率達(dá)到了97.3%[13]。陳樹人等使用 ASD便攜式光譜儀進(jìn)行了棉花、刺兒菜、水稻和稗草的識(shí)別研究，根據(jù)不用特征波長的組合分別識(shí)別了棉花中的刺兒菜以及水稻中的稗草[14]。白敬等利用ASD便攜式光譜儀以冬油菜苗期雜草和土壤為研究對(duì)象，對(duì)比典型判別函數(shù)模型和貝葉斯判別函數(shù)模型，得到正確識(shí)別率分別為98.89%、97.78%[15]?；诠庾V技術(shù)的識(shí)別方法簡單易行[16]，但忽略了光譜在室外受光照等因素的影響，并且在可見光波段光譜反射率受到外界干擾較大，國內(nèi)結(jié)合光譜技術(shù)的室內(nèi)試驗(yàn)研究較少。

本研究針對(duì)拔節(jié)期夏玉米田間3種雜草馬齒莧、野莧菜和香附進(jìn)行識(shí)別研究，是前人研究中較少涉及的雜草類別和研究對(duì)象。本研究選取夏玉米為研究對(duì)象，同時(shí)采用光譜技術(shù)，通過特征波長篩選及建立貝葉斯判別模型對(duì)夏玉米田間雜草進(jìn)行識(shí)別研究，采用室內(nèi)條件進(jìn)行光譜采集，既避免了室外光照的影響和干擾，又同時(shí)兼顧準(zhǔn)確性和快速性，達(dá)到了玉米田間雜草的識(shí)別和分類，為農(nóng)田精確管理和雜草信息獲取的相關(guān)研究提供了思路和方法。

1?研究區(qū)概況

試驗(yàn)于2016年7月進(jìn)行，此時(shí)的夏玉米正處于拔節(jié)期（4～7葉），是進(jìn)行田間雜草管理的重要階段[17-18]。研究區(qū)位于山東農(nóng)業(yè)大學(xué)科技創(chuàng)新園區(qū)試驗(yàn)田（117°09′E、36°09′N）內(nèi)，田區(qū)內(nèi)草害較為嚴(yán)重。田塊長為22.5 m、寬為6 m。經(jīng)考察，試驗(yàn)田前茬作物為冬小麥，雜草去除方式主要有人工剔除和農(nóng)藥噴灑，還未使用機(jī)械除草，同時(shí)試驗(yàn)田內(nèi)玉米未經(jīng)過除草及人為破壞，田間存在北方玉米作物中常見的雜草，該試驗(yàn)地點(diǎn)田間管理水平均達(dá)到超高產(chǎn)水平[19]，是魯中地區(qū)有代表性的區(qū)域，是進(jìn)行研究的良好區(qū)域。

2?數(shù)據(jù)采集與處理

2.1?數(shù)據(jù)采集

高光譜采集設(shè)備由美國ASD FieldSpec 地物光譜儀、150 W 鹵鎢燈、三腳架和計(jì)算機(jī)等組成。高光譜數(shù)據(jù)采樣時(shí)間在2016年7月18日進(jìn)行，采樣條件為暗室。數(shù)據(jù)采集時(shí)，將樣品置于黑色橡膠上，并輕輕擦試葉片去掉灰塵雜物，保持探頭垂直向下，探頭高 2 cm，視場角為25°，保持光源與樣本夾角始終為45°，光源在水平和垂直方向均距樣本 60 cm。樣本位于探頭正下方，對(duì)植被冠層不同角度（中間、兩側(cè)）進(jìn)行采集。為保證數(shù)據(jù)的準(zhǔn)確性，在采集之前先用標(biāo)準(zhǔn)白板對(duì)儀器進(jìn)行校正，并間隔一定時(shí)間進(jìn)行校正。最終，去除異常光譜曲線之后玉米、馬齒莧、野莧菜、香附均為30個(gè)樣本，每個(gè)樣本均采集10個(gè)光譜數(shù)據(jù)，共計(jì)1 200個(gè)光譜數(shù)據(jù)樣本，樣本數(shù)據(jù)采集情況見表1。

2.2?數(shù)據(jù)處理

通過篩選、求平均、一階導(dǎo)數(shù)、壓縮以及對(duì)原始冠層光譜數(shù)據(jù)進(jìn)行轉(zhuǎn)換，獲取特征波段并帶入貝葉斯判別函數(shù)模型。由圖1-a可知，350～400 nm 范圍以及2 000 nm外波段噪聲較大，剔除噪聲部分，選取 400～1 999 nm 范圍的波段作為有效光譜數(shù)據(jù);對(duì)每個(gè)樣本10個(gè)光譜數(shù)據(jù)進(jìn)行求平均處理，運(yùn)用一階導(dǎo)數(shù)光譜對(duì)地物光譜特征進(jìn)行轉(zhuǎn)換，以消除光譜數(shù)據(jù)存在的系統(tǒng)誤差，為去除冗余、提高效率，對(duì)樣本每間隔5 nm選取1個(gè)反射率，對(duì)數(shù)據(jù)進(jìn)行壓縮，最后每個(gè)樣本數(shù)據(jù)點(diǎn)為320個(gè)。

由圖1-b可知，可見光波段內(nèi)，反射率較低;在紅光（680 nm）處呈現(xiàn)吸收谷，而在綠光（550 nm）處呈現(xiàn)小的反射峰。在680～780 nm反射率急劇增大，這一段被稱為“紅邊”[20]，它標(biāo)志著吸收帶的結(jié)束。近紅外波段，綠色植被有較高的反射率。在780～1 350 nm范圍內(nèi)，由于植被的高溫保護(hù)反應(yīng)，葉片中的葉綠素幾乎不吸收輻射，因此輻射大部分被反射，此波段為近紅外高原區(qū)。在1 350～2 000 nm 范圍內(nèi)，化學(xué)成分開始吸收輻射，其中 1 450、1 950 nm是水分的吸收波段。

綠色植被由于植被類型的不同，葉片結(jié)構(gòu)和顏色特征存在差異，反射率存在差異，就會(huì)存在敏感的特征波段[21-23]，特征波段是區(qū)分不同植被葉片結(jié)構(gòu)差異的敏感波段，一般利用這些敏感波段來建立識(shí)別模型。在模型建立中，選取樣本每個(gè)數(shù)據(jù)對(duì)應(yīng)的有效波段反射率作為自變量，樣本種類為因變量，結(jié)合SPSS 22.0軟件完成判別預(yù)測(cè)。

3?結(jié)果與分析

3.1?光譜曲線

在4種類別樣本中抽取各種樣本的平均反射率波譜曲線進(jìn)行對(duì)比分析，由圖2可以看出，綠色植被的光譜曲線大致呈現(xiàn)一致的趨勢(shì)，不同類型植被反射率存在差異。野莧菜的反射率高于其他類型植物，其中接近綠光（550 nm）、“紅邊”（750 nm）區(qū)域馬齒莧、香附和玉米的光譜曲線較為接近，但隨著樣本數(shù)的增加，光譜曲線會(huì)存在重疊交互現(xiàn)象，很難通過直接觀察光譜特征區(qū)分玉米和3種雜草。

3.2?提取特征波長

將預(yù)處理過的樣本帶入逐步判別函數(shù)模型，選擇合適的F值和剔除值。本研究中采用F值為15，剔除值為10，最終得到734、749、954、1324、1 869 nm 5個(gè)特征波長。表2為變量篩選過程，可以看到在第1步方程有1個(gè)因子即波長 954 nm 處的光譜反射率，第2步包含2個(gè)因子波長 954、 749 nm 處的光譜反射率，以此類推。篩選過程中，第6步將波長749 nm進(jìn)行剔除。

將得到的特征波長分別帶入貝葉斯判別函數(shù)模型，判別規(guī)則按照組別大小計(jì)算，其判別結(jié)果如表3所示。

最終選取954、1 869、1 324、734 nm帶入判別函數(shù)模型。其中，734 nm位于“紅邊”區(qū)，954、1 324 nm 位于近紅外高原區(qū)，1 869 nm處于水分吸收帶。

3.3?判別函數(shù)

將4個(gè)特征波長954、1 869、1 324、734 nm代入貝葉斯判別函數(shù)模型進(jìn)行分類判別，得到標(biāo)準(zhǔn)化樣區(qū)函數(shù)如下：

y1=1.13x1-3.28x2+1.44x3+0.70x4;（1）

y1=0.71x1+0.19x2+1.47x3-0.95x4; （2）

y3=0.86x1+0.07x2-0.12x3-0.82x4。（3）

式中：y1為標(biāo)準(zhǔn)化判別函數(shù)1;y2為標(biāo)準(zhǔn)化判別函數(shù)2;y3為標(biāo)準(zhǔn)化判別函數(shù)3;x1、x2、x3、x4分別為波長 954、1 869、1 324、734 nm 處的反射率。

如圖3所示質(zhì)心分布圖可以直觀地觀察不同樣本的分布情況以及混分情況，圖中野莧菜和香附存在混分，馬齒莧與玉米的區(qū)分較為明顯。

先驗(yàn)概率根據(jù)類別大小計(jì)算時(shí)，通過貝葉斯判別模型分析得到玉米、馬齒莧、野莧菜以及香附的貝葉斯判別函數(shù)如下：

y香附=3 086.45x1-2 837.97x2+2 948.93x3-1 075.16x4-3.70;（4）

y馬齒莧=-9 796.94x1+568.30x2-6 758.59x3-1 180.62x4-7.45;（5）

y玉米=6 040.04x1-266.61x2+2 690.92x3+3 059.60x4-5.40;（6）

y野莧菜=3 618.60x1-3 459.10x2-823.49x3-1 590.75x4-6.12。（7）

分類結(jié)果如表4所示，總體分類精度為85.8%。此次分類中，玉米的正確分類精度達(dá)到了90.0%，其中玉米被錯(cuò)分成2類雜草（香附、野莧菜），玉米被分成香附和野莧菜的錯(cuò)分率分別為6.7%、3.3%。

4?結(jié)論

在室內(nèi)環(huán)境下，對(duì)玉米田間3種雜草進(jìn)行光譜識(shí)別，結(jié)論如下：

（1）篩選的4個(gè)有效特征波段954、1 324、1 869、734 nm可以實(shí)現(xiàn)夏玉米田間的3種雜草分類。

（2）逐步判別模型篩選特征波段過程中，剔除了749 nm波段，重新引入了743 nm波段，在雜草識(shí)別過程中位于“紅邊”區(qū)域的波段點(diǎn)具有十分重要的作用。

（3）貝葉斯判別模型的正確分類精度為85.8%，對(duì)玉米的識(shí)別精度達(dá)90.0%，貝葉斯判別函數(shù)模型能夠有效實(shí)現(xiàn)夏玉米田間常見雜草的識(shí)別。

（4）野莧菜與香附混分現(xiàn)象嚴(yán)重，其中野莧菜被錯(cuò)分到香附的錯(cuò)分率達(dá)30%;其他種間分類效果較好。因此，要進(jìn)一步克服野莧菜被錯(cuò)分到香附中的現(xiàn)象，僅依靠植被的光譜特征還存在一定的缺陷和不足。

參考文獻(xiàn)：

[1]孫金秋，任相亮，胡紅巖，等. 農(nóng)田雜草群落演替的影響因素綜述[J]. 雜草學(xué)報(bào)，2019，37（2）：1-9.

[2]強(qiáng)?勝. 中國雜草生物學(xué)研究的新進(jìn)展[J]. 雜草學(xué)報(bào)，2018，36（2）：1-9.

[3]李少昆，趙久然，董樹亭，等. 中國玉米栽培研究進(jìn)展與展望[J]. 中國農(nóng)業(yè)科學(xué)，2017，50（11）：1941-1959.

[4]張偉平，沈云峰，肖文祥，等. 玉米地除草劑防治寬葉酢漿草的田間藥效評(píng)價(jià)[J]. 雜草學(xué)報(bào)，2018，36（3）：41-45.

[5]梁帝允，梁桂梅. 我國農(nóng)田化學(xué)除草現(xiàn)狀與發(fā)展對(duì)策[C]//第七屆全國雜草科學(xué)會(huì)議論文集. 雜草科學(xué)與環(huán)境及糧食安全——中國化學(xué)除草50年回顧與展望. 北京：中國植物保護(hù)學(xué)會(huì)雜草學(xué)分會(huì)，2004：30-38.

[6]祖?琴，陳湘萍，鄧?巍. 光譜圖像技術(shù)在精準(zhǔn)施藥中的應(yīng)用[J]. 農(nóng)機(jī)化研究，2013（3）：19-23.

[7]Wang N，Zhang N，Sun Y. Development of spectral-based weed sensor [D]. St Joseph，Mich：ASAE，1999.

[8]Goel P K，Prasher S O，Patel R M，et al. Use of airborne multi-spectral imagery for weed detection in field crops[J]. Transactions of the ASAE，2002，45（2）： 443-449.

[9]紀(jì)壽文，王榮本，陳佳娟，等. 應(yīng)用計(jì)算機(jī)圖像處理技術(shù)識(shí)別玉米苗期田間雜草的研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2001，17（2）：154-156.

[10]龍滿生，何東健，耿?楠，等. 精確雜草控制技術(shù)的研究現(xiàn)狀[J]. 農(nóng)機(jī)化研究，2004（6）：9-12，15.

[11]毛文華，張銀橋，王?輝，等. 雜草信息實(shí)時(shí)獲取技術(shù)與設(shè)備研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，41（1）：190-195.

[12]毛文華，王月青，王一鳴，等. 苗期作物和雜草的光譜分析與識(shí)別[J]. 光譜學(xué)與光譜分析，2005（6）：984-987.

[13]潘家志. 基于光譜和多光譜數(shù)字圖像的作物與雜草識(shí)別方法研究[D]. 杭州：浙江大學(xué)，2007.

[14]陳樹人，沈?qū)殗逼?，? 基于顏色特征的棉田中鐵莧菜識(shí)別技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（5）：149-152.

[15]白?敬，徐?友，魏新華，等. 基于光譜特性分析的冬油菜苗期田間雜草識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（20）：128-134.

[16]Ashok Kumar D，Prema P. A review on crop and weed segmentation based on digital images[J]. Lecture Notes in Electrical Engineering，2013，213：279-291.

[17]羅守德，武殿林，郭國亮，等. 旱地玉米拔節(jié)至抽穗期田間管理[J]. 山西農(nóng)業(yè)科學(xué)，1984（6）：5-7.

[18]高雨茜. 夏玉米葉綠素、葉面積指數(shù)高光譜估測(cè)研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2016.

[19]劉景輝，王志敏，李立軍，等. 超高產(chǎn)是中國未來糧食安全的基本技術(shù)途徑[J]. 農(nóng)業(yè)現(xiàn)代化研究，2003，24（3）：161-165.

[20]Wu Q S，Hu Y J，Ke H Y，et al. Study pollen grains in rice by using multispectral imaging techniques[J]. Proceedings of SPIE-The International Society for Optical Engineering，2005，5694：100-109.

[21]Sui R X，Thomasson J A，Hanks J，et al. Ground-based sensing system for weed mapping in cotton[J]. Computers and Electronics in Agriculture，2008，60（1）： 31-38.

[22]齊?龍，馬?旭，周海波. 基于虛擬儀器技術(shù)的田間多光譜視覺系統(tǒng)設(shè)計(jì)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（1）：157-161.

[23]唐晶磊，何東健，景?旭，等. 基于SVM的可見/近紅外光的玉米和雜草的多類識(shí)別[J]. 紅外與毫米波學(xué)報(bào)，2011，30（2）：97-103.