高光譜成像鑒別玉米品種早期抗倒性

張?zhí)炝?，張東興，崔 濤，楊 麗，解春季，杜兆輝，鐘翔君

中國農(nóng)業(yè)大學工學院，農(nóng)業(yè)部土壤-機器-植物系統(tǒng)技術(shù)重點實驗室，北京 100083

引 言

倒伏是影響玉米產(chǎn)量和田間機械化收獲的關(guān)鍵因素，嚴重的倒伏情況會造成玉米大幅減產(chǎn)甚至絕收，因此對玉米品種的抗倒性進行評價和篩選具有十分重要的意義。 傳統(tǒng)的玉米品種抗倒性鑒別方法主要是通過對玉米灌漿期、穗期等的株高葉形，莖稈力學性質(zhì)，莖稈物質(zhì)積累等的統(tǒng)計分析，結(jié)合莖稈的顯微結(jié)構(gòu)和玉米基因型對玉米品種的抗倒性進行評價和鑒定。 例如吳瓊等[1]通過對不同種植密度下玉米品種在灌漿期的株高穗高、莖稈基部穿刺強度、可溶性糖含量等10項指標的統(tǒng)計分析，提出了4個互相獨立的綜合指標來鑒定玉米品種的耐密植抗倒伏能力。 Zhang等[2]研究了兩個不同玉米品種在第二和第三莖節(jié)間的維管束面積、直徑等解剖特征，證明了維管束的微觀表型是評估玉米莖稈機械性的重要指標，并開發(fā)了相應的表型檢測軟件。 田再民等[3]研究了種植密度對玉米品種抗倒伏性的影響，發(fā)現(xiàn)隨著種植密度的增加，玉米的穗高系數(shù)逐漸升高、莖稈穿刺強度逐漸下降，玉米品種抗倒性也逐漸降低。

傳統(tǒng)玉米品種抗倒性鑒定方法普遍是在穗期采集數(shù)據(jù)進行分析，具有人力時間成本高、抗倒性評價滯后等缺點。 如果能在玉米生長早期對品種抗倒性進行快速鑒別，將對玉米品種抗倒性的篩選產(chǎn)生重大意義。 高光譜成像技術(shù)具有高通量、圖譜合一等優(yōu)勢，可以對植物的內(nèi)外表型進行檢測，在對玉米表型檢測和識別方面也有非常廣泛的應用前景。 Qin等[4]使用機載高光譜數(shù)據(jù)對玉米冠層吸收的光合有效輻射進行估算，以此來監(jiān)測玉米的生長和估算產(chǎn)量。 Feng等[5]使用高光譜成像技術(shù)結(jié)合化學計量學方法對不同品種的玉米種子活力進行評估，實現(xiàn)了對不同加速老化條件下的玉米種子的老化程度的準確評估。 本研究將使用高光譜成像對玉米生長早期的品種抗倒性進行研究，通過對比不同抗倒性玉米品種在不同種植密度條件下的高光譜數(shù)據(jù)差異，篩選出適合進行玉米品種抗倒性鑒定的種植密度和特征波段并建立模型進行抗倒性評價，為玉米品種抗倒性鑒別提供了一種新的方法。

1 實驗部分

1.1 材料

選擇3個玉米抗倒伏品種登海605(DH605)、登海618(DH618)、京單28(JD28)和3個不抗倒伏品種浚單20(XD20)、隆平208(LP208)、紀元1號(JY1)，于2019年夏季在河北省滄州市吳橋縣中國農(nóng)業(yè)大學吳橋試驗站進行種植。 在同一地塊內(nèi)設(shè)置了5 000，7 000和9 000株·畝-13個密度小區(qū)，每個小區(qū)種植9行，行距0.66 m，行長7 m。 每個品種在每個密度下重復種植2次，共種植36個小區(qū)。 在玉米生長過程中未噴施植物生長調(diào)節(jié)劑類的藥物，其他田間管理措施按當?shù)氐拇筇锕芾矸绞綄嵭小?/p>

1.2 高光譜圖像采集

在玉米生長至第9片頂葉完全展開時，于田間采集玉米的第9片葉。 在小區(qū)內(nèi)挑選長勢接近的植株，自葉片中間向兩端取1/3葉片長度的樣品，用自封袋密封放入裝有冰袋的保鮮盒內(nèi)，帶回試驗站用于拍攝葉片圖像。 為了確保試驗的樣本容量且能在短時間內(nèi)完成樣品拍攝，經(jīng)計算拍攝時間確定在每個小區(qū)取樣21株，并以每3個葉片為一組進行拍攝。

試驗用的是美國SOC(Surface Optics Corporation)公司的SOC710VP型號高光譜成像光譜儀，光譜波長范圍374～1 038 nm，光譜分辨率4.68 nm，圖像分辨率696×520，可以在128個波段上進行成像，使用灰度標準板進行反射率校正。 在光學暗箱內(nèi)進行拍攝，使用4個100 W的鹵素釹燈光源照明，光譜相機布置在距葉片正上方75 cm處，使葉片樣本和標準板一起進行拍攝。

1.3 樣品處理

試驗在每一個種植密度下分別采集了252個樣本，并提取整片葉的平均光譜進行分析，以確保不丟失任何光譜信息。 對每個品種的光譜曲線進行觀察，剔除明顯偏離樣本中心的光譜曲線。 然后對每個品種單獨使用Kennard Stone算法，按訓練集和測試集3∶1的比例劃分樣本，再將各品種劃分的數(shù)據(jù)集組合成訓練集和測試集數(shù)據(jù)，以確保數(shù)據(jù)集內(nèi)各品種的樣本分布均勻，具體數(shù)據(jù)集劃分結(jié)果如表1所示。 然后對每條樣本數(shù)據(jù)使用標準正態(tài)變換(standardized normal variate，SNV)方法進行預處理，再對每個密度下的訓練集數(shù)據(jù)的特征進行歸一化處理，最后對每個測試集數(shù)據(jù)的特征使用相對應的訓練集數(shù)據(jù)參數(shù)進行歸一化處理，使得訓練集數(shù)據(jù)和測試集數(shù)據(jù)滿足同分布的條件。

表1 各密度下玉米樣本數(shù)據(jù)集劃分情況Table 1 The division of maize sample data sets

1.4 特征提取與建模方法

分別使用主成分分析(principal component analysis，PCA)和連續(xù)投影方法(successive projections algorithm，SPA)對預處理后的訓練集數(shù)據(jù)進行特征提取，以選擇含有最少冗余信息和最小共線性的特征變量組合。 其中主成分方法對線性相關(guān)的原特征變量進行了線性變換以得到新的線性不相關(guān)的主成分，并使用主成分貢獻率來篩選特征變量[6-7]。 而連續(xù)投影方法只是篩選出冗余性少、共線性小的特征變量，不對原特征變量進行操作，并根據(jù)迭代特征向量與待選變量個數(shù)回歸模型的均方根誤差來確定候選特征子集[8]。

使用高斯核函數(shù)(Gaussian kernel)的支持向量機(support vector machines，SVM)方法對篩選出的特征進行建模，對模型中的懲罰參數(shù)C和核參數(shù)γ使用網(wǎng)格搜索(grid search)法進行模型優(yōu)化[9]。 其中訓練集的模型建立使用10折交叉驗證法進行模型評價，以增強訓練模型的泛化能力、避免模型過擬合，測試集驗證使用分類正確率和受試者工作特征曲線(receiver operating characteristic curve，ROC)進行模型分類效果評價。

2 結(jié)果與討論

2.1 原始光譜圖像分析

采集的光譜圖像首先要進行反射率校正。 根據(jù)反射率校正公式(1)，要得到校正后圖像的反射率R，首先要得到標準板區(qū)域的反射強度Istd，計算標準板反射強度Istd與反射率Rstd的比值得出總光照強度，再用整個光譜圖像的反射強度I除以總光照強度即得到光譜圖像的反射率，其中標準板的反射率Rstd是已知的。

(1)

經(jīng)過分析葉片、標準板和圖像背景在128個波段上的光譜反射強度曲線，選取779和648 nm處的波段圖像，分別設(shè)置閾值范圍為[500, 1 800]及[1 000, 2 000]，對圖像進行二值化處理并取圖像的交集，可以得到圖像的標準板區(qū)域。 然后使用k-means聚類方法將該區(qū)域聚類成陰影區(qū)和正常反射區(qū)[10-11]，聚類效果如圖1(b)所示。 最后提取出標準板的正常反射區(qū)在各波段上的平均反射強度得到Istd，再根據(jù)式(1)即可求得光譜圖像的反射率校正數(shù)據(jù)。

對校正后的反射率圖像還要提取出每個葉片的平均光譜反射率曲線。 同樣使用閾值分割的方法，選擇779 nm處的反射率圖像，設(shè)置反射率分割閾值為0.25，二值化處理后的葉片分割效果如圖1(c)所示。 然后依次計算每個葉片區(qū)域在所有波段上的反射率平均值，即得到各葉片的平均光譜反射率曲線。 計算整片葉的光譜數(shù)據(jù)，可以確保不丟失任何有用的信息，同時使用平均光譜反射率可以降低不同類別樣本之間可能存在的相似像素處的光譜信息對最終模型分類效果產(chǎn)生的影響。

圖1 光譜圖像校正與光譜提取方法(a)： 葉片彩圖；(b)： 標準板聚類分割；(c)： 葉片分割效果Fig.1 Spectral image correction and spectral extraction method(a)： Color image of leaves；(b)： k-means cluster result；(c)： Leaves segmentation result

經(jīng)過反射率校正后，分別提取各密度下的抗倒品種登海605和不抗倒品種隆平208的所有樣本的反射率光譜曲線，對各組樣本曲線求反射率平均值后進行繪圖比較，如圖2所示。 從圖中可以看出各玉米品種的光譜曲線變化趨勢基本一致，但在具體的波段范圍內(nèi)也存在明顯的光譜差異。 品種間進行比較，可以看出在750～980 nm波長范圍內(nèi)，登海605品種的光譜反射率在各密度下的光譜反射率都高于隆平208的最大反射率。 在品種內(nèi)部進行比較，可以看出登海605品種在760～940 nm波長范圍內(nèi)存在不同密度下的光譜反射率差異，7 000株·畝-1密度下的光譜反射率最高，而9 000株·畝-1密度下的光譜反射率最低；隆平208品種在960～1 000 nm波長范圍內(nèi)也存在和登海605一樣的密度光譜差異，而在760～940 nm波長范圍內(nèi)則是9 000株·畝-1密度下的反射率最低、5 000和7 000株·畝-1密度下的反射率光譜十分接近。 綜上比較可以看出，不僅不同抗倒性品種的光譜曲線間存在差異，同一品種不同密度下的光譜反射率曲線也存在差異，為玉米品種抗倒性的鑒別提供了條件。

圖2 抗倒品種和不抗倒品種的平均光譜曲線Fig.2 Average spectral curves of lodging-resistantvarieties and lodging varieties

2.2 光譜數(shù)據(jù)特征提取

對所有樣品的反射率光譜數(shù)據(jù)進行SNV處理，再對訓練集數(shù)據(jù)的各特征進行中心化處理[12]，然后使用主成分分析法和連續(xù)投影算法進行特征降維與特征選擇。 主成分分析法在實際使用中只需要保留方差貢獻率最大的前幾個主成分，就可以包含原始數(shù)據(jù)中的主要信息。 以累計方差貢獻率達到99%為限，決定待選主成分數(shù)量，各密度下主成分的貢獻率如表2所示。 可以看出各密度下的前2個主成分貢獻率最大，前3個主成分的累計貢獻率都已經(jīng)超過90%，說明主成分分析法對光譜特征的降維效果顯著，同時各密度下的光譜特征都存在光譜共線性問題。 根據(jù)表2選擇三種密度下參與模型訓練的主成分數(shù)分別為前8，10和8個主成分。 連續(xù)投影算法將各波長特征向量投影到其他特征波長上，以投影向量最大的波長作為待選的特征波長，并根據(jù)迭代特征向量與待選變量個數(shù)回歸模型的均方根誤差來確定候選特征數(shù)量[13]。 通過選擇最小的均方根誤差值確定各密度下的特征波長數(shù)量分別為37，28和14個，各密度下的特征波長分布情況如圖3所示。 從圖中可以看到，各密度下在750～1 000 nm范圍內(nèi)被選中的特征波長分布最密集，說明此波段范圍是鑒別玉米品種抗倒性的特征波段，與對原始光譜圖像進行分析時得出的結(jié)論保持一致。 同時用SPA算法選擇的特征波長在整個光譜曲線范圍上都有分布，而使用PCA方法選擇的特征都集中在前幾個主成分里。

表2 各密度下主成分的貢獻率Table 2 Contribution rate of principalcomponent at each density

圖3 用SPA算法在各密度下選擇的光譜特征Fig.3 Spectral characteristics selected by theSPA algorithm at various densities

2.3 模型結(jié)果與分析

2.3.1 模型訓練與優(yōu)化

將各密度下訓練集中被選中的主成分特征與SPA算法選出的波段特征分別代入SVM模型，用網(wǎng)格搜索法對模型的懲罰參數(shù)C和核參數(shù)γ進行優(yōu)化選擇，用10折交叉驗證法對每次的模型訓練結(jié)果進行評價，選擇模型效果最好的一組參數(shù)作為最終的模型參數(shù)進行建模預測。 其中懲罰參數(shù)C設(shè)定的搜索范圍是： 2-5, 2-3, …, 229，核參數(shù)γ設(shè)定的搜索范圍是： 2-27, 2-25, …, 213。 被選中的模型參數(shù)及對應的訓練集交叉驗證正確率見表3，各密度下的參數(shù)優(yōu)化效果如圖4所示。 從模型的優(yōu)化效果可以看出，參數(shù)的選擇對于模型分類正確率的影響十分顯著。

表3 各密度下被選中的模型參數(shù)Table 3 The selected model parameters at each density

圖4(a) 各密度下PCA-SVM模型的參數(shù)優(yōu)化效果Fig.4(a) Parameter optimization effects of PCA-SVM model at various densities

圖4(b) 各密度下SPA-SVM模型的參數(shù)優(yōu)化效果Fig.4(b) Parameter optimization effects of SPA-SVM model at various densities

2.3.2 模型結(jié)果對比

將各密度下PCA-SVM模型和SPA-SVM模型的最佳參數(shù)分別代入訓練集數(shù)據(jù)建立預測模型，對測試集數(shù)據(jù)進行預測，各模型對測試集的預測結(jié)果見表3所示。 其中在7 000株·畝-1密度下PCA-SVM模型和SPA-SVM模型的預測效果均達到最好，預測正確率分別為83.33%和98.33%；SPA-SVM模型在各密度下的預測效果均優(yōu)于PCA-SVM模型，與訓練集各模型的訓練效果保持一致；SPA-SVM模型在5 000株·畝-1密度下訓練集的分類正確率達到100%，而在測試集上的分類正確率為83.33%，預測正確率明顯降低，而其他模型訓練集和測試集的分類正確率差異不大，說明SPA-SVM模型在5 000株·畝-1密度下訓練時應該存在過擬合問題。 繪制各模型預測效果的ROC曲線，如圖5所示。 在各密度下SPA-SVM模型的ROC曲線均“包裹”住了PCA-SVM模型的ROC曲線，說明SPA-SVM模型的預測性能要優(yōu)于PCA-SVM模型[14-15]；其中在7 000株·畝-1密度下，SPA-SVM模型的ROC曲線下面積為1，模型分類正確率可以達到100%。 從各密度下模型的訓練效果和預測的結(jié)果可以看出，7 000株·畝-1密度下模型的訓練和預測效果已經(jīng)達到最佳，是預測玉米品種抗倒性比較推薦的種植密度，同時SPA-SVM模型則是推薦的預測模型。

圖5 各密度下模型預測效果的ROC曲線Fig.5 ROC curve of model prediction effect at each density

3 結(jié) 論

采用高光譜成像技術(shù)對3個種植密度下6個玉米品種的抗倒性進行鑒別，實現(xiàn)了對光譜圖像反射率的自動校正和光譜提取，對比了主成分分析法和連續(xù)投影算法的特征提取效果以及對分類模型訓練和預測效果的影響，得出了玉米抗倒性鑒別時最佳的種植密度及分類模型。 主要結(jié)論如下：

(1)主成分分析法提取光譜特征具有明顯的降維效果，只用前幾個主成分就能代表光譜數(shù)據(jù)的大部分特征信息，但用PCA方法提取特征建立的模型對玉米抗倒性的分類效果一般；使用連續(xù)投影算法選擇的光譜特征在整個光譜范圍都有分布，且選中的特征波段在抗倒性區(qū)分明顯的750～1 000 nm范圍內(nèi)分布最為集中。 SPA算法對于玉米品種抗倒性特征的選擇要優(yōu)于PCA方法。

(2)SPA-SVM模型在各密度下的模型訓練效果和預測結(jié)果均優(yōu)于PCA-SVM模型，其在7 000株·畝-1密度下的測試集分類正確率達到了98.33%，是推薦的建模方法。 適當?shù)脑黾臃N植密度對于玉米品種的抗倒性分類是有益的，7 000株·畝-1密度下各模型的訓練效果和預測結(jié)果已經(jīng)達到最佳，是適于進行玉米抗倒性鑒別的種植密度。