李政 譚勇 宋少忠 劉春宇 王盛楠

(長春理工大學物理學院，吉林 長春 130022)

引言

光譜技術在智慧農業(yè)領域的應用越來越廣泛，光譜技術的發(fā)展對于快速、無損地檢測農田的生態(tài)環(huán)境，預測作物的產量，監(jiān)測作物的生長態(tài)勢及病害等信息有著不可取代的優(yōu)勢。

已有許多研究表明，利用農作物光譜可以有效估產作物的生長態(tài)勢，光譜具有的信息量非常大，通常需要對數據進行降維或特征波段的選擇。對于光譜數據降維，王毅等對豐富的光譜信息采用主成分分析(PCA)降維后進行投影分類物料的品類[1]；秦玉華等針對卷煙近紅外光譜的冗余性，提出基于隨機森林與主成分分析的特征優(yōu)選方法，降低特征維數，提高分類效率[2]；王徽蓉等通過采集玉米種子的近紅外光譜數據結合遺傳算法與線性鑒別分析(LDA)可以有效剔除光譜噪聲波段，提高LDA泛化能力，快速對玉米品種快速鑒別[3]；而對于特征波段的選擇，王耀民等采用相關系數、變量投影及袋外數據的重要性對采集的水稻光譜指數進行了篩選，構建了估產模型[4]；王嬌嬌等對5個生育期水稻葉片的高光譜數據，采用單波段原始光譜與一階導數光譜的相關性分析、高斯過程回歸，篩選出對水稻全生育期葉片及冠層尺度氮素的敏感波段[5]；沈掌泉等依據光譜變量可有效監(jiān)測水稻的長勢，監(jiān)測水稻氮素水平的冠層敏感波段為520～550nm，630～690nm，760～900nm[6]。沈廣輝采用判別分析法與競爭性自適應權重取樣法(CARS)的最佳組合方式，對近紅外高光譜的全譜段篩選為8個特征譜段，1051nm、1114nm、1140nm、1195nm、1227nm、1334nm、1396nm與1452nm，快速識別了小麥赤霉病粒[7]；束美艷等采用傳統(tǒng)光譜變換方法與連續(xù)小波變換方法對倒伏冬小麥冠層高光譜數據進行敏感波段的篩選，判別了冬小麥的倒伏信息[8]；Li等采用尺度不變特征變換，對高分辨率遙感影像進行幾何代數的匹配與分類，建立了光譜值與梯度變化的空間光譜統(tǒng)一模型，提出了一種高分辨率空間光譜篩選的新檢測器和描述器[9]；王文正等提出一種基于光譜差異性均衡化區(qū)間篩選高光譜目標檢測算法，以光譜相似性作為度量準則，以較少的數據量獲得較高的檢測率[10]；Xu等基于尺度不變特征變換技術，采用最小距離分類器提取圖像的最優(yōu)光譜特征[11]。

上述采用光譜技術，對農作物的生長態(tài)勢與產量進行研究，本文針對東北黑土地粳稻與其他水稻的差異性，旨在分析東北黑土地粳稻冠層葉片的散射光譜，提取一套表征該區(qū)域粳稻生長態(tài)勢特征的最佳光譜參數。

1 單葉片的光譜散射機制

光子與單片葉子的相互作用可以分解為以下相互獨立而又有聯系的子過程，如圖1所示，圖中箭頭表示其互相之間可能存在的轉移過程。

圖1 水稻單葉片的光譜特征

圖2 水稻冠層與光輻射的相互作用

(1)

(2)

I+=cosθ1(1+tanθstanθ1cosφ)

(3)

(4)

(5)

I-=cosθ1[1+tanθotanθ1cos(φ-ψ)]

(6)

(7)

則tanθstanθ1<1，而cosφ取值[-1,1]，所以1+tanθstanθ1cosφ>0，且0°≤θ1<90°，則cosθ1>0，I+>0，此時表明太陽輻射落在葉片的表面上。

當φ=α時，表明太陽直射光線與葉片表面平行；φ<α時，太陽光線落在葉片表面上；α<φ≤π時，太陽光線落在葉片背面上。

如圖3所示，對于太陽光輻射通量E±，光線落到葉子輻射通量可以表示為I±E±。對于單葉片而言，由于光輻射一部分落到葉子正面，其余部分會照射到葉子的另一面，I+=(1+cosθ)/2，I-=(1-cosθ)/2，則I±E±=1。證明太陽角度的不同與傳感器拍攝角度的不同對實驗分析所產生誤差較小，而實際中由于傳感器隨著工作時間的增長，其噪聲越大，且粳稻葉面與雜草會產生相互堆疊對本實驗有一定誤差。

圖3 光輻射通量與葉片間的關系

2 粳稻冠層反射光譜特征

遙感圖像上的植被信息，主要是通過綠色植物葉片和植被冠層的光譜特性及其差異或是變化來反映，不同的光譜通道所獲取的植被信息可與植被的不同要素或某種特征狀態(tài)有不同的相關性。根據上文提到的，粳稻冠層的光譜特征主要因素包括色素成分、細胞結構及含水量，在450～650nm為中心波長處出現強吸收峰；粳稻在受到稻瘟病害破壞時，葉綠素會大量的減少，葉紅素與葉黃素會相對增加，在700nm處的反射出現“紅移”現象；而反映植被水分的信息主要體現在1400nm、1900nm、2100nm左右處。圖4為地物光譜儀采集的一條典型的粳稻在分蘗期與拔節(jié)期的反射率光譜曲線及一階導數曲線。在350～900nm范圍內，粳稻冠層的反射光譜特征可用5個特征位置點來表征，圖4中依次用B、G、R、RE、NR表示。

藍色波段反射峰BBlue(λB,RB)為光譜反射率在藍波段的最大點，定義：

RB=MAX(R(λ∈450～550nm)=475nm

(9)

綠色波段反射峰GGreen(λG,RG)為反射率光譜在綠波段的最大點，定義：

RG=MAX(R(λ∈550～600nm)=560nm

(10)

紅色波段吸收峰(紅谷)RRed(λR,RR)為光譜反射率在紅波段的最小值，定義：

RR=MIN(R(λ∈600～700nm)=668nm

(11)

紅邊位置RERed-Edge(λRE,RRE)為光譜曲線在VIS-NIR的拐點，其一階導數光譜在此波段的極大值，定義：

RRE=MAX(R'(λ∈700～780nm)=717nm

(12)

近紅外吸收波段RNR(λNR,RNR)為光譜曲線在近紅外波段反射率相對較大的點，定義：

RNR=MAX(R(λ∈780～900nm)=840nm

(13)

圖4 粳稻冠層的反射光譜及一階導數特征

由圖4可以看出，這5個特征點可以基本顯示出粳稻在可見-近紅外波段的光譜特征，B、G、R可以確定綠波段處粳稻的葉綠素的基本特征，G、R、RE確定水稻在紅波段吸收峰的基本特征，RE、NR確定近紅外波段的基本特征，因此可以采用這5個特征位置的反射率值來大致表征甚至擬合整個可見-近紅外吸收波段的光譜曲線。

3 結論

本文開展了粳稻冠層與單葉片的散射光譜研究。依據粳稻葉片的內部結構，包含葉綠素、胡蘿卜素、水分、柵欄組織、海綿組織等，通過自洽散射參數，分析單葉子的散射光譜特征理論模型。基于光源的入射方向與傳感器接收的散射光譜輻射通量，分析粳稻冠層的反射率。利用地物光譜儀采集粳稻冠層光譜數據，通過數據處理與分析，提取出5個基本光譜特征點B(475nm)、G(560nm)、R(668nm)、RE(717nm)、NR(840nm)，作為粳稻冠層的基本生理特征信息。本文作為東北黑土地粳稻的地物光譜監(jiān)測技術的一個組成部分，為該類作物的綠色健康作業(yè)和智慧農業(yè)提供了基礎數據參考。