基于高光譜成像的不同花期薇甘菊特征分析及監(jiān)測模型研究

馬云強，劉雪蓮，劉夢盈，石 雷**，張忠和，趙 寧

(1. 中國林業(yè)科學研究院 資源昆蟲研究所，云南 昆明 650224；2. 西南林業(yè)大學 生物多樣性保護學院，云南省森林災害預警與控制重點實驗室，云南 昆明 650224)

處于不同生長期的植物，光譜特征參數(shù)差異顯著，利用特征參數(shù)提取特征[11]. 高光譜成像技術能夠獲取目標物空間特征信息，將目標物的輻射分解成不同波長的譜輻射，能在一個光譜區(qū)間獲得大量連續(xù)的窄波段信息[12]，且能圖譜合一，具有較高分辨率[13]. 高光譜成像技術在農業(yè)、林業(yè)、工業(yè)、食品等行業(yè)得到了廣泛的應用，特別在精細農業(yè)、精細林業(yè)等領域發(fā)揮了重要作用[14]. 目前，將高光譜成像技術應用到薇甘菊特征提取的研究較少，本文采用SOC710VP成像光譜儀對不同花期薇甘菊的光譜特征信息進行采集，提取其光譜反射率數(shù)據(jù)，分析不同花期薇甘菊的光譜特征，建立了薇甘菊高光譜特征信息模型.

1 研究區(qū)與研究方法

1.1 研究區(qū)概況本研究數(shù)據(jù)來源于國家重點研發(fā)計劃、云南省科技廳“薇甘菊災控關鍵技術研究與防控體系構建”及昆明市重大科技專項項目在德宏州芒市設置的4塊試驗樣地，每塊樣地0.333 3 hm2（5畝）. 所選樣地位于德宏州東南部，地理位置為98°05′～98°44′E，24°05′～24°39′N，年平均氣溫20.0 ℃，屬南亞熱帶季風氣候，年平均降水量174.4 mm，氣候條件利于薇甘菊的生長和繁殖[15]. 見圖1.

圖1 薇甘菊試驗樣地分布圖Fig. 1 Mikania micrantha distribution diagram of sampling points

1.2 研究方法

1.2.1 材料 試驗材料為德宏州芒市實驗樣地中的薇甘菊，薇甘菊不同花期分為3個時期，即未開花期、盛花期、枯花期. 根據(jù)前期調查，在試驗樣地內根據(jù)外觀特征分別選擇不同生長期的薇甘菊，每個花期各選擇30個樣本，其中在1、2號試驗田每個花期樣本為8個，3、4號試驗田每個花期樣本為7個.

1.2.2 薇甘菊光譜反射率的測定 本研究采用SOC710VP高光譜成像系統(tǒng). 薇甘菊光譜特征測定采用地面光譜儀，在可控光源條件下測定，將SOC710VP成像光譜儀固定在推掃平臺上，平臺架設在地面. 根據(jù)采樣時當?shù)氐沫h(huán)境進行鏡頭對焦調試. 為確保圖像真實有效，圖像采集前利用參考板進行校正，通過系統(tǒng)自帶室內光譜數(shù)據(jù)采集軟件Hyperspec完成高光譜圖像特征信息的采集與傳輸.

2019年10月8日、11月15日、12月20日分別為薇甘菊的未開花期、盛花期、枯花期，對3個生長期的薇甘菊高光譜成像信息進行采集. 為了選取合適的光譜指數(shù)研究不同生長期薇甘菊的光譜特征，本研究中選取未開花期、盛花期、枯花期薇甘菊3個階段的樣本數(shù)據(jù)開展相關性分析和回歸建模. 其中，利用樣本數(shù)據(jù)的75%進行建模，剩余25%用于模型精度驗證.

1.3 數(shù)據(jù)分析與建模方法

添加可可堿的發(fā)酵液與未添加咖啡堿對照組發(fā)酵液中剩余葡萄糖含量的變化趨勢一致，相比之下，添加可可堿的發(fā)酵液中葡萄糖的含量下降的更為明顯，說明有可可堿的存在可能對刺激菌體的生長繁殖存在積極作用，從而加速冠突散囊菌對發(fā)酵液中葡萄糖的消耗；二組發(fā)酵液總蛋白質含量均隨著時間的增加而逐漸升高，而又分別在發(fā)酵第8、9 d相繼開始下降，一方面冠突散囊菌在發(fā)酵培養(yǎng)過程中胞外酶的分泌和積累，另一方面，也可能是由于菌體自溶導致胞內蛋白等大分子物質快速降解。

1.3.1 高光譜數(shù)據(jù)預處理 使用SRAnal710軟件，對光譜數(shù)據(jù)進行校正和標定等預處理，將所測亮度值轉換為反射率. 為消除原始光譜數(shù)據(jù)中干擾因素對所建模型的影響，采用Savitzky-Golay 10點平滑方法對原始光譜反射率數(shù)據(jù)進行平滑處理[16-17].采用OriginPro 8.0繪制薇甘菊不同花期的光譜曲線.

1.3.2 高光譜植被特征參數(shù)提取 對薇甘菊光譜反射率和不同花期進行Pearson相關分析，得到Pearson相關系數(shù)[18]，選擇其中相關系數(shù)顯著的波段進行高光譜植被特征參數(shù)的提取.

植被指數(shù)能夠提取薇甘菊高光譜特征，是特征提取的常用方法[19]. 本研究結合前人研究的光譜特征提取方法[20-26]，以薇甘菊光譜反射率為基礎，定義了9個高光譜植被特征參數(shù)（表1）. 對其進行逐步回歸分析，篩選出P＜0.05的特征參數(shù)，建立薇甘菊不同花期監(jiān)測模型.

1.3.3 不同花期監(jiān)測模型及精度評價 用篩選出的特征參數(shù)建立薇甘菊不同花期監(jiān)測模型，主要采用多元線性回歸模型、線性函數(shù)、指數(shù)模型和三次函數(shù)模型. 本研究使用決定系數(shù)（R2）和均方根誤差（RMSE）對模型精度進行驗證.R2值越接近1，RMSE值越接近0，精度越高.

2 結果與分析

2.1 薇甘菊光譜特征分析

2.1.1 不同花期光譜反射率特征分析 薇甘菊不同花期光譜反射率見圖2，光譜反射率可以反映薇甘菊不同花期，在綠光波段（510～560 nm），不同花期薇甘菊光譜反射率大致呈現(xiàn)先上升后下降的變化趨勢，即“綠峰”；在紅光波段（640～700 nm），存在波谷，即“紅谷”，不同花期光譜反射率大致為先上升后下降；在730～780 nm存在波谷；在720～900 nm，薇甘菊各花期光譜反射率波動不明顯. 盛花期和未開花期存在明顯“綠峰”和“紅谷”，而枯花期“綠峰”和“紅谷”逐漸消失. 整體而言，光譜反射率最高的是盛花期，其次是未開花期，最低的是枯花期.

表1 植被指數(shù)表Tab. 1 Table of vegetation index

圖2 薇甘菊不同花期光譜反射率曲線Fig. 2 Spectral reflectance curve of Mikania micrantha in different florescence

兩兩對比不同花期間的光譜反射率差值絕對值（例如比較未開花期與盛花期的光譜反射率差值絕對值），按照降序排列，選擇最大的8個值所對應的波段作為其最佳監(jiān)測波段窗口. 依次獲取未開花期與枯花期、盛花期與枯花期最佳光譜反射率監(jiān)測窗口（表2）. 不同花期兩兩對比的最佳光譜反射率監(jiān)測波段窗口多屬于紅光波段，其范圍大致為625～775 nm，說明可見光中紅波段的反射率可有效地監(jiān)測薇甘菊的不同花期.

表2 不同花期最佳光譜反射率監(jiān)測窗口Tab. 2 The best monitoring windows of spectral reflectance in different florescence

2.1.2 不同花期光譜微分曲線分析 薇甘菊不同花期光譜一階微分曲線見圖3，光譜一階微分可以反映薇甘菊不同花期的變化. 在370～480 nm，盛花期存在明顯波峰，未開花期和枯花期波動不明顯；在綠光波段（480～540 nm），未開花期、盛花期和枯花期均存在明顯波峰，且值大小依次為未開花期、盛花期、枯花期；在紅邊（670～750 nm），未開花期、盛花期和枯花期均存在明顯波峰，且峰值達到最高，值的大小依次為未開花期、盛花期、枯花期；在750～900 nm，盛花期和未開花期波峰、波谷出現(xiàn)波段范圍大致相似，枯花期出現(xiàn)3個波峰，且峰值依次減小.

圖3 薇甘菊不同花期光譜一階微分曲線Fig. 3 Spectral first derivative curve of Mikania micrantha in different florescence

兩兩對比不同花期之間的光譜一階微分差值，將其差值絕對值最大的前8個波段作為不同花期之間的最佳監(jiān)測波段窗口（表3）. 不同花期之間的最佳一階微分監(jiān)測波段窗口多在414～438 nm和682～718 nm，說明可見光中紫波段和紅波段的一階微分可有效監(jiān)測薇甘菊的不同花期.

表3 薇甘菊不同花期光譜一階微分最佳監(jiān)測窗口Tab. 3 The best monitoring windows of spectral first derivative of Mikania micrantha in different florescence

2.1.3 不同花期光譜相關性分析 薇甘菊光譜反射率與不同花期的相關系數(shù)曲線如圖4. 在529～584 nm、697～900 nm波段范圍內，均呈極顯著負相關；在404～409 nm、519～524 nm、589～595 nm、600～610 nm波段范圍內呈顯著負相關，說明隨著薇甘菊花期的變化其光譜反射率逐漸下降，與上述獲取的薇甘菊不同花期光譜反射率曲線結果一致.

圖4 薇甘菊不同花期與光譜反射率的相關性分析Fig. 4 The correlation of Mikania micrantha in different florescence and spectral reflectance

薇甘菊光譜一階微分值與不同花期的相關系數(shù)曲線如圖5，在559～671、734～744、770～786、791～796 nm和833～838 nm波段范圍內呈極顯著正相關；在844 nm和865 nm波段呈顯著正相關，說明在這些波段范圍內，薇甘菊光譜一階微分值隨著花期的變化而增大. 在498～554、682～723、760 nm和807～823 nm波段范圍內呈極顯著負相關；在493 nm波段呈顯著負相關，薇甘菊光譜一階微分值隨花期變化而降低. 在紅邊位置呈現(xiàn)極顯著性負相關，隨著花期變化，紅邊位置的光譜一階微分值逐漸下降，與上述獲取的薇甘菊不同花期的光譜一階微分值結果一致. 利用上述顯著相關波段，可有效地反映薇甘菊的不同花期，說明通過極顯著相關波段構造高光譜植被特征參數(shù)，建立薇甘菊不同花期監(jiān)測模型是可行的.

圖5 薇甘菊不同花期與光譜一階微分的相關性分析Fig. 5 The correlation of Mikania micrantha in different florescence and spectral first derivative

2.2 薇甘菊不同花期監(jiān)測模型的建立

2.2.1 特征參數(shù)的篩選 本文通過相關分析發(fā)現(xiàn)，有5個參數(shù)與不同花期顯著相關. 對高光譜特征參數(shù)進行逐步回歸分析，達到顯著性水平（P＜0.05）的參數(shù)為NDVI、RVI、GI、DVI和HI（表4）.

表4 特征參數(shù)篩選結果Tab. 4 The screening results of characteristic parameter

2.2.2 監(jiān)測模型的建立及驗證 以NDVI、RVI、GI、DVI和HI特征參數(shù)為變量，分別建立多元線性回歸模型、線性函數(shù)模型、指數(shù)模型和三次函數(shù)模型（以HI為參數(shù)的三次函數(shù)模型與線性函數(shù)模型存在近線性重合，因此三次函數(shù)模型不適用），且進行精度驗證（表5）. 其中，以NDVI、RVI、GI、DVI和HI為輸入變量的多元線性回歸模型擬合效果最佳（預測R2=0.974，RMSE=0.503）；以DVI為輸入變量的三次函數(shù)模型y=2.122+12.346x4-47.510+39.452的擬合效果最好（預測R2=0.807，RMSE=1.916）.

表5 薇甘菊不同花期監(jiān)測模型（n=66）及檢驗（n=24）Tab. 5 Monitoring models(n = 66) and validation(n =24) of Mikania micrantha in different florescence

使用多元線性回歸模型和三次函數(shù)模型分別驗證樣本的不同花期，實測值與預測值的線性擬合結果如圖6所示. 以5個特征參數(shù)構建的多元線性回歸模型，實測值與預測值擬合精度最高（R2=0.798，RMSE=0.405）.

圖6 基于高光譜特征參數(shù)的薇甘菊不同花期實測值與預測值比較(n=24)Fig. 6 Comparison of measured and predicted values of Mikania micrantha in different florescence based on hyperspectral characteristic parameters (n=24)

3 討論

傳統(tǒng)林業(yè)監(jiān)測耗時費力，且誤差較大. 高光譜可快速獲取植被的有效信息，在林業(yè)上具有得天獨厚的優(yōu)勢，植被的光譜反射率和光譜一階微分可有效反映病蟲害危害程度. 卜美婷等[27]對相鄰物候期油菜冠層光譜特征進行了差異性研究，發(fā)現(xiàn)苗期、蕾薹期、開花期和角果發(fā)育成熟期在藍邊、黃邊和紅邊3個波段范圍的光譜差異明顯. 本研究發(fā)現(xiàn)，薇甘菊盛花期和未開花期光譜反射率存在明顯“綠峰（510～560 nm）”和“紅谷（640～700 nm）”，而枯花期“綠峰”和“紅谷”逐漸消失，光譜一階微分曲線在綠光波段（480～540 nm）、紅邊（670～750 nm），未開花期、盛花期和枯花期均存在明顯波峰. 這說明植物的不同生長期可以通過光譜反射率和光譜一階微分得到有效的反映.

高光譜特征參數(shù)被廣泛用于監(jiān)測植物生長期的變化. 段少新等[28]采用油菜高光譜參數(shù)RSI和NDSI估算油菜不同生長期，區(qū)分效果較好. 本研究使用的NDVI、RVI、GI、DVI和HI等5個高光譜特征參數(shù)，與薇甘菊不同花期顯著相關，以此建立的監(jiān)測模型的預測精度較高，說明使用高光譜特征參數(shù)監(jiān)測植物不同生長期是可行的.

本研究建立了薇甘菊不同花期監(jiān)測模型. 以5個特征參數(shù)構建的多元線性回歸模型監(jiān)測擬合效果最佳（預測R2=0.974，RMSE=0.503）. 段少新等采用最近鄰法建立了油菜花生長期的最佳識別模型[28]. 岳學軍等[29]對采集的柑橘光譜數(shù)據(jù)進行分析，提取4個重要生長期的柑橘葉片反射光譜特征數(shù)據(jù)，使用支持向量機回歸（Support Vector Regression，SVR）對柑橘葉片磷含量進行擬合預測，并建立相關的預測模型，發(fā)現(xiàn)通過一階導數(shù)光譜的Isomap-SVR參數(shù)建立的模型效果最佳. 通過建立生長期的監(jiān)測模型，可以實現(xiàn)對植被生長狀況的監(jiān)測，也可對植被不同花期的狀況進行有效的監(jiān)測.

無人機機載高光譜遙感適合小范圍內的高分辨率遙感數(shù)據(jù)的即時獲取，但其操作較為復雜，成本較高. 地面成像高光譜操作簡單，在有限成本的預算下能達到較高的監(jiān)測精度. 孫中宇等[30]使用無人機獲取薇甘菊盛花期的光譜數(shù)據(jù)，基于深度學習方法準確地自動識別盛花期薇甘菊的爆發(fā)點和爆發(fā)面積，像素精度達88.62%，監(jiān)測時段受限，沒有進行不同時段的薇甘菊分類監(jiān)測，本研究的最佳監(jiān)測模型的擬合精度為0.974，模型精度較高，并且節(jié)約成本，但監(jiān)測模型的適用性仍需進行大量的測試和檢驗.

4 結論

本文測定了薇甘菊不同花期的光譜反射率，建立了薇甘菊不同花期監(jiān)測模型. 研究發(fā)現(xiàn)：①盛花期和未開花期光譜反射率存在明顯“綠峰（510～560 nm）”和“紅谷（640～700 nm）”，而枯花期“綠峰”和“紅谷”逐漸消失，整體值大小依次為盛花期、未開花期、枯花期；②一階微分曲線在綠光波段（480～540 nm）和紅邊（670～750 nm），未開花期、盛花期和枯花期均存在明顯波峰，且值大小依次為未開花期、盛花期、枯花期；③在750～900 nm，盛花期和未開花期波峰、波谷出現(xiàn)波段范圍大致相似，枯花期出現(xiàn)3個波峰，峰值依次減??；④薇甘菊不同花期與光譜反射率及光譜一階微分在529～671、734～744、770～786、791～796 nm及833～838 nm極顯著相關，以NDVI、RVI、GI、DVI和HI特征參數(shù)構建的多元線性回歸模型的擬合效果最佳（R2=0.974，RMSE=0.503）. 研究結果對于后續(xù)基于衛(wèi)星航空航天遙感進行薇甘菊的研究具有重要意義，為研究薇甘菊光譜信息與不同花期的關系奠定了基礎，同時有利于監(jiān)測、預警薇甘菊的繁殖、入侵擴散能力，對精確、精準防治提供了有力支撐.