段少新，姜珊，王訪,2*，鄒銳標*，廖桂平,2

?

基于ROC圖的油菜生長期光譜敏感波段的研究

段少新1，姜珊1，王訪1,2*，鄒銳標1*，廖桂平1,2

(1.湖南農(nóng)業(yè)大學理學院/農(nóng)業(yè)數(shù)學建模與數(shù)據(jù)處理研究中心，湖南 長沙 410128；2.南方糧油作物協(xié)同創(chuàng)新中心，湖南 長沙 410128)

測定了直播和移栽油菜的苗期、抽薹期、花期、盛花期和角果期的冠層光譜，構建了比值光譜植被指數(shù)()和歸一化光譜植被指數(shù)()。為了獲得區(qū)分直播和移栽的最佳和，利用降采樣法和精細采樣法相結合的受試者工作特征(ROC)圖尋找油菜生長期光譜的敏感波長，直播和移栽油菜各時期和的最敏感波長分別為：苗期(458 nm，511 nm)和(433 nm，517 nm)；抽薹期(997 nm，501 nm)和(990 nm，510 nm)；花期(1 235 nm，1 180 nm)和(1 235 nm，1 180 nm)；盛花期(478 nm，396 nm)和(484 nm，416 nm)；角果期(1 073 nm，1 037 nm)和(1 092 nm，1 024 nm)。用敏感波長下的2種植被指數(shù)為特征，以最近鄰法為分類器的定性識別模型，結果花期的區(qū)分效果最好，最大約登指數(shù)分別為0.941 7和0.945 0。

油菜；生長期；敏感波段；受試者工作特征圖

隨著光譜技術的發(fā)展，多光譜成像技術、高光譜成像技術已經(jīng)越來越廣泛地應用于玉米[1]、棉花[2]、土豆[3]、小麥[4]、油菜[5–6]等農(nóng)作物研究中。利用高光譜技術對作物進行無損檢測和營養(yǎng)診斷的關鍵是提取其冠層光譜的敏感波段。Hansen等[7]研究了小麥高光譜反射率與葉綠素含量的相關關系，并尋找紅邊光譜范圍內(nèi)680～760 nm為敏感波段；臧卓等[8]研究了基于色素含量的針葉樹種光譜敏感波段提取方法，通過分析馬尾松、杉木主要色素和冠層光譜數(shù)據(jù)的相關關系，得到敏感波段分別為401～504 nm和659～686 nm。房賢一等[9]介紹了基于高光譜的蘋果盛果期冠層葉綠素含量監(jiān)測結果，得到的敏感波段分別為738～895、980～999、735～928、670～671、719～757、976～977、735～928、402、403、829、881、974 nm。張筱蕾等[10]探討了基于高光譜成像技術對油菜苗期、花期、角果期氮含量的快速檢測和氮素在葉片中分布的可視化方法，對每個時期葉片高光譜數(shù)據(jù)提取可見/近紅外波段(380～1 030 nm)光譜信息，經(jīng)過預處理后，通過分析比較利用回歸系數(shù)法(RC)和連續(xù)投影算法(SPA)得到油菜苗期、花期、角果期的敏感波段。劉飛等[11]探討了基于高光譜成像技術對油菜苗期、花期、角果期不同時期的敏感波段提取方法。對每個時期葉片高光譜數(shù)據(jù)提取可見/近紅外波段(380～1030 nm)光譜信息，在經(jīng)過原始光譜(RAW)和直接正交信號校正(DOSC)不同的預處理后，通過SPA算法提取的特征波長，得到油菜苗期、花期、角果期的敏感波段。李嵐?jié)萚12]為驗證無損和定量研究高光譜技術在冬油菜植株氮素積累量(plant nitrogen accumulation, PNA)時空變化監(jiān)測的適宜性及準確性，以2年田間氮肥水平試驗為基礎，采用單變量線性和非線性回歸方法，建立基于特征光譜參數(shù)的冬油菜PNA高光譜估算模型。丁希斌等[13]以油菜葉片為研究對象，利用高光譜成像技術，建立了土壤、作物分析儀器開發(fā)SPAD值的預測模型。雷利琴[14]以油菜各個物候期的冠層光譜為研究對象，首先采用降采樣法分別得到350~2 500 nm范圍內(nèi)比值光譜植被指數(shù)()及歸一化光譜植被指數(shù)()與葉綠素含量、凈光合速率的擬合曲線的決定系數(shù)2，并用2與相應的波段作出等高線圖來確定油菜各物候期高光譜的敏感波段范圍，再采用精細采樣法在敏感波段范圍內(nèi)重復以上步驟，得到不同物候期冠層光譜的敏感波長。

現(xiàn)有提取光譜敏感波段的方法是將作物地上生物量與不同波段的光譜值或各種植被指數(shù)進行相關分析，得到其最敏感的波段，計算量大且易受到生物量測量誤差的影響[15–21]。目前ROC圖(receiver operating characteristic)在分類科學中運用十分廣泛[22–25]，但用于尋找作物敏感波段的研究尚少見報道。萬柏坤等[24]的試驗結果表明，圖能兼顧靈敏度和特異性要求，以綜合評價分類器的識別性能。陳衛(wèi)中等[25]研究表明，使用 ROC圖可用來確定診斷試驗的敏感度及可疑值范圍。

筆者測定了直播和移栽油菜5個生長期的冠層光譜，利用ROC圖尋找油菜各生長期的比值光譜植被指數(shù)和歸一化光譜植被指數(shù)所對應的敏感波長，并建立以這2種光譜植被指數(shù)為自變量的定性識別模型，檢驗模型的有效性及穩(wěn)定性。

1　材料與方法

1.1　材料

選取湖南農(nóng)業(yè)大學瀏陽試驗基地24個移栽小區(qū)和24個直播小區(qū)的高油酸中熟油菜為供試材料。每個小區(qū)面積20 m2。

1.2　方法

利用美國 ASDAnalytical Spectral Device公司生產(chǎn)的FieldSpec? 3 Hi–Res便攜式地物波譜儀(波長范圍為350~2 500 nm)，分別于2014年12月2日(苗期)、2015年1月22日(抽薹期)、2015年3月9日(花期)、2015年3月13日(盛花期)、2015年4月28日(角果期)10:00––13:00，在每個小區(qū)隨機選取長勢一致的5個位置，距冠層頂部垂直高度約0.7 m，采集冠層光譜。

為有效區(qū)分直播和移栽2種方式下的敏感波段，首先在各個時期的冠層光譜有效波長350~1 350 nm范圍內(nèi)利用降采樣法[14](每隔20個波段采樣)，采集每個小區(qū)5個觀測點的信息，分別以該波段范圍內(nèi)任意2個波長光譜值的比值植被指數(shù)和歸一化植被指數(shù)為特征，選擇最近鄰方法作為分類器計算靈敏度和特異度(以移栽小區(qū)的樣本診斷的準確率作為靈敏度，以直播小區(qū)的樣本診斷的準確率作為特異度)。并采用–折交叉驗證法[26]對模型進行校正，隨機選取(–1)/′100%個樣本作為訓練集，其余的1/′100%個樣本作為測試集，在計算過程中重復100次，以消除隨機因素的影響。再分別將和的敏感度和特異度繪制ROC散點圖，計算圖中每個點至點(0,1)的歐式距離，以該距離的最小值確定大致敏感波段范圍。最后在降采樣法確定的敏感波段范圍內(nèi)，采用精細采樣法[14](每隔1個波段采用)，重復以上步驟，得到直播和移栽油菜生長期冠層光譜的最敏感波段。本研究利用約登指數(shù)[26]來描述該點對應的準確度。

2　結果與分析

利用ROC圖提取油菜各時期敏感波長如表1所示。油菜每個生長期以和為特征尋找的光譜敏感波長大致相同，而不同生長期之間有較大差異。從苗期到花期，敏感波長不斷增大，盛花期時又開始下降，盛花期到角果期又逐漸增大。表明不同栽培方式下的油菜生長期冠層光譜所包含的光譜信息有所不同?；ㄆ诘姆诸愋Ч詈?，花期為油菜5個生長期的分水嶺。以苗期為例，精細采樣法得到的以和為特征的ROC散點圖如圖1所示，紅星標注的是圖中散點中離左上角最近的點，該點即為最優(yōu)特異度和敏感度對應的油菜苗期和的最敏感波長，分別為(458 nm，511 nm)和(433 nm，517 nm)。

表1　2種栽培方式油菜生長期冠層光譜的敏感波長

圖1　油菜苗期以RSI和NDSI為特征的ROC散點圖

為了檢測所提取的敏感波段的有效性和準確性，分別以每個生長期的最敏感波段的比值植被指數(shù)和歸一化植被指數(shù)為特征，建立定性識別模型，以約登指數(shù)為評價標準，并與文獻中尋找的2個光譜植被指數(shù)作對比，如表2所示。

從表2可以看出，ROC圖確定的油菜冠層光譜敏感波段得到的2種植被指數(shù)作為特征的識別效果明顯優(yōu)于其他文獻所提出的植被指數(shù)。

表2　不同敏感波段下的油菜生長期的約登指數(shù)

為了進一步考察ROC圖確定的油菜生長期敏感波段的穩(wěn)定性，在以和為特征建立的定性識別模型中，改變訓練樣本和測試樣本的比例(訓練樣本從50%變化至90%，即在交叉驗證中，值依次取2,3,…,10)，分別得到以2種植被指數(shù)為特征的約登指數(shù)，如圖2所示。

圖2　直播和移栽油菜生長期在K值改變時的約登指數(shù)

從圖2可看出，對于油菜的各個生長期，由ROC圖得到的敏感波段比值光譜植被指數(shù)和歸一化光譜植被指數(shù)為特征建立的識別模型明顯優(yōu)于文獻[12–14]的結果。通過改變訓練樣本與測試樣本的比例，發(fā)現(xiàn)花期的比值、歸一化植被指數(shù)建模得到的約登指數(shù)最大，且以50%(=2)至90%(=10)的訓練樣本建模準確率的變化率在5%范圍內(nèi)波動，較其他4個時期的結果穩(wěn)定。其他4個時期的結果變化率均小于10%，表明利用ROC圖得到的敏感波長較為穩(wěn)定，普適性強。

[1] CILIA C，PANIGADA C，ROSSINI M，et al．Nitrogen status assessment for variable rate fertilization in maize through hyperspectral imagery[J]．Remote Sensing，2014，6(7)：6549– 6565．

[2] TARPLEY L，REDDY K R，SASSENRATH–COLE G F. Reflectance indices with precision and accuracy in predicting cotton leaf nitrogen concentration[J]．Crop Science，2000，40：1814 –1819．

[3] JONGSCHAAP R E E，BOOI J R．Spectral measurements at different spatial scales in potato：relating leaf plant and canopy nitrogen status[J]．International Journal of Applied Earth Observation and Geoinformation，2004，5(3)：205–218．

[4] GLENN Fitzgerald，DANIEL Rodriguez，GARRY O’Leary．Measuring and predicting canopy nitrogen nutrition in wheat using a spectral index：The canopy chlorophyll content index (CCCI)[J]．Field Crops Research，2010，116(3)：318–324．

[5] 張筱蕾，劉飛，聶鵬程，等．高光譜成像技術的油菜葉片氮含量及分布快速檢測[J]．光譜學與光譜分析，2014(9)：2513–2518．

[6] 李錦衛(wèi)．基于計算機視覺的水稻、油菜葉色——氮營養(yǎng)診斷機理與建模[D]．長沙：湖南農(nóng)業(yè)大學，2010．

[7] HANSEN P M，SCHJOERRING J K．Reflectance measurement of canopy biomass and nittogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J]．Remote Sensing of Environment，2003，86(4)：542．

[8] 臧卓，林輝，楊敏華．基于色素含量的針葉樹種光譜敏感波段提取研究[J]．中南林業(yè)科技大學學報，2013，33(1)：35–40．

[9] 房賢一，朱西存，王凌，等．基于高光譜的蘋果盛果期冠層葉綠素含量監(jiān)測研究[J]．中國農(nóng)業(yè)科學，2013，46(16)：3504–3513．

[10] 張筱蕾．基于高光譜成像技術的油菜養(yǎng)分及產(chǎn)量信息快速獲取技術和方法研究[D]．杭州：浙江大學，2013．

[11] 劉飛．基于光譜和多光譜成像技術的油菜生命信息快速無損檢測機理和方法[D]．杭州：浙江大學，2011．

[12] 李嵐?jié)?，馬驛，魏全全，等．基于高光譜的冬油菜植株氮素積累量監(jiān)測模型[J]．農(nóng)業(yè)工程學報，2015，31(20)：147–156．

[13] 丁希斌，劉飛，張初，等．基于高光譜成像技術的油菜葉片SPAD值檢測[J]．光譜學與光譜分析，2015，35(2)：486–491．

[14] 雷利琴．基于冠層反射光譜的油菜光合及生長監(jiān)測[D]．長沙：湖南農(nóng)業(yè)大學，2012．

[15] 劉建平，趙英時，孫淑玲．高光譜遙感數(shù)據(jù)最佳波段選擇方法試驗研究[J]．遙感技術與應用，2001，16(1)：7–13．

[16] 黃敬鋒，王淵，王福民，等．油菜紅邊特征及其葉面積指數(shù)的高光譜估算模型[J]．農(nóng)業(yè)工程學報，2006，22(8)：22–26．

[17] 王淵，王福民，黃敬鋒．油菜不同組分生物量光譜遙感估算模型[J]．浙江農(nóng)業(yè)學報，2004，16(2)：79–83．

[18] YAO X，ZHU Y，TIAN Y C，et al．Exploring hyperspectral bands and estimation indices for leaf nitrogen accumulation in wheat [J]．International Journal of Applied Earth Observation and Geoinformation，2010，12(2)：89–100．

[19] VIGNEAU N，ECARNOT M，RABATEL G，et al. Potential of field hyperspectral imaging as a non destructive method to assess leaf nitrogen content in Wheat [J]．Field Crops Research，2011，122(1)：25–31．

[20] BLACKBURN G A．Hyperspectral remote sensing of plant pigments[J]．Journal of Experimental Botany，2006，58(4)：855–867．

[21] BLACKBURN G A，F(xiàn)ERWERDA J G．Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis[J]．Remote Sensing of Environment，2008，112：1614–1632．

[22] 鄒洪俠，秦鋒，程澤凱，等．二類分類器的 ROC曲線生成算法[J]．計算機技術與發(fā)展，2009，19(6)：109–112．

[23] 孫長亮，何峻，肖懷鐵．基于 ROC 曲線的目標識別性能評估方法[J]．雷達科學與技術，2007，5(1)：17–21．

[24] 萬柏坤，薛召軍，李佳，等．應用ROC曲線優(yōu)選模式分類算法[J]．自然科學進展，2006，16(11)：1511–1516．

[25] 陳衛(wèi)中，倪宗瓚，潘曉平，等．用ROC曲線確定最佳臨界點和可疑值范圍[J]．現(xiàn)代預防醫(yī)學，2005，32(7)：729–731．

[26] JIANG Shan，WANG Fang，SHEN Luming，et al. Extracting sensitive spectrum bands of rapeseed using multiscale multifractal detrended fluctuation analysis[J]. Journal of Applied Physics，2017，121(10)：104702．

責任編輯：羅慧敏

英文編輯：吳志立

Research on spectral sensitive bands of rapeseed in different phonological periods based on ROC map

DUAN Shaoxin1, JIANG Shan1, WANG Fang1,2*, ZOU Ruibiao1*, LIAO Guiping1,2

(1.College of Science/ Agricultural Mathematical Modeling and Data Processing Center, Hunan Agricultural University, Changsha 410128, China; 2.Southern Regional Collaborative Innovation Center for Grain and Oil Crops in China, Changsha 410128, China)

In this paper, rapeseed canopy spectra was collected, in periods of seeding, bolting, flowering, lush flowering and pod, to generate ratio spectral index () and normalized difference spectral index (). In order to acquire the bestandthe most sensitive bands were obtained by employing receiver operating characteristic (ROC) map with the combination of down sampling and fine sampling. For the direct plant and transplant the best values are as followed: the seeding period:(458 nm, 511 nm) and(433 nm, 517 nm), the bolting period:(997 nm, 501 nm) and(990 nm, 510 nm), the flowering period:(1 235 nm, 1 180 nm) and(235 nm, 1 180 nm), the lush flowering period:(478 nm, 396 nm) and(484 nm, 416 nm), and the pod period:(1 073 nm, 1037 nm) and(1 092 nm, 1 024 nm), respectively. By using the two bestandas features and the nearest neighbor method as classifier, the results of the qualitative identification model show that the best discrimination effect comes from the flowering period, the corresponding Youden index is 0.941 7 and 0.945 0, respectively.

rapeseed; growth period; sensitive wave band; receiver operation characteristic(ROC) map

O433.4

A

1007-1032(2017)06-0684-05

2017–04–11

2017–10–11

國家自然科學基金項目(31501227，11571103)；湖南省科技重大專項(2014FJ1006)；湖南省科學技術廳重點研發(fā)計劃項目(2015JC3098)；湖南省教育廳重點項目(15A083)；湖南農(nóng)業(yè)大學大學生科技創(chuàng)新基金項目(2016ZK32)

段少新(1993—)，女，湖南邵陽人，碩士研究生，主要從事分形幾何及其應用研究，1014572284@qq.com；

通信作者，王訪，博士，副教授，主要從事分形幾何及其應用研究，f.wang@hunau.edu.cn；

通信作者，鄒銳標，碩士，教授，主要從事分形幾何及其應用研究，rbzou@163.com

投稿網(wǎng)址：http://xb.hunau.edu.cn