粳稻地物光谱特征波段分析

李政 谭勇 宋少忠 刘春宇 王盛楠

(长春理工大学物理学院，吉林 长春 130022)

引言

光谱技术在智慧农业领域的应用越来越广泛，光谱技术的发展对于快速、无损地检测农田的生态环境，预测作物的产量，监测作物的生长态势及病害等信息有着不可取代的优势。

已有许多研究表明，利用农作物光谱可以有效估产作物的生长态势，光谱具有的信息量非常大，通常需要对数据进行降维或特征波段的选择。对于光谱数据降维，王毅等对丰富的光谱信息采用主成分分析(PCA)降维后进行投影分类物料的品类[1]；秦玉华等针对卷烟近红外光谱的冗余性，提出基于随机森林与主成分分析的特征优选方法，降低特征维数，提高分类效率[2]；王徽蓉等通过采集玉米种子的近红外光谱数据结合遗传算法与线性鉴别分析(LDA)可以有效剔除光谱噪声波段，提高LDA泛化能力，快速对玉米品种快速鉴别[3]；而对于特征波段的选择，王耀民等采用相关系数、变量投影及袋外数据的重要性对采集的水稻光谱指数进行了筛选，构建了估产模型[4]；王娇娇等对5个生育期水稻叶片的高光谱数据，采用单波段原始光谱与一阶导数光谱的相关性分析、高斯过程回归，筛选出对水稻全生育期叶片及冠层尺度氮素的敏感波段[5]；沈掌泉等依据光谱变量可有效监测水稻的长势，监测水稻氮素水平的冠层敏感波段为520～550nm，630～690nm，760～900nm[6]。沈广辉采用判别分析法与竞争性自适应权重取样法(CARS)的最佳组合方式，对近红外高光谱的全谱段筛选为8个特征谱段，1051nm、1114nm、1140nm、1195nm、1227nm、1334nm、1396nm与1452nm，快速识别了小麦赤霉病粒[7]；束美艳等采用传统光谱变换方法与连续小波变换方法对倒伏冬小麦冠层高光谱数据进行敏感波段的筛选，判别了冬小麦的倒伏信息[8]；Li等采用尺度不变特征变换，对高分辨率遥感影像进行几何代数的匹配与分类，建立了光谱值与梯度变化的空间光谱统一模型，提出了一种高分辨率空间光谱筛选的新检测器和描述器[9]；王文正等提出一种基于光谱差异性均衡化区间筛选高光谱目标检测算法，以光谱相似性作为度量准则，以较少的数据量获得较高的检测率[10]；Xu等基于尺度不变特征变换技术，采用最小距离分类器提取图像的最优光谱特征[11]。

上述采用光谱技术，对农作物的生长态势与产量进行研究，本文针对东北黑土地粳稻与其他水稻的差异性，旨在分析东北黑土地粳稻冠层叶片的散射光谱，提取一套表征该区域粳稻生长态势特征的最佳光谱参数。

1 单叶片的光谱散射机制

光子与单片叶子的相互作用可以分解为以下相互独立而又有联系的子过程，如图1所示，图中箭头表示其互相之间可能存在的转移过程。

图1 水稻单叶片的光谱特征

图2 水稻冠层与光辐射的相互作用

(1)

(2)

I+=cosθ1(1+tanθstanθ1cosφ)

(3)

(4)

(5)

I-=cosθ1[1+tanθotanθ1cos(φ-ψ)]

(6)

(7)

则tanθstanθ1<1，而cosφ取值[-1,1]，所以1+tanθstanθ1cosφ>0，且0°≤θ1<90°，则cosθ1>0，I+>0，此时表明太阳辐射落在叶片的表面上。

当φ=α时，表明太阳直射光线与叶片表面平行；φ<α时，太阳光线落在叶片表面上；α<φ≤π时，太阳光线落在叶片背面上。

如图3所示，对于太阳光辐射通量E±，光线落到叶子辐射通量可以表示为I±E±。对于单叶片而言，由于光辐射一部分落到叶子正面，其余部分会照射到叶子的另一面，I+=(1+cosθ)/2，I-=(1-cosθ)/2，则I±E±=1。证明太阳角度的不同与传感器拍摄角度的不同对实验分析所产生误差较小，而实际中由于传感器随着工作时间的增长，其噪声越大，且粳稻叶面与杂草会产生相互堆叠对本实验有一定误差。

图3 光辐射通量与叶片间的关系

2 粳稻冠层反射光谱特征

遥感图像上的植被信息，主要是通过绿色植物叶片和植被冠层的光谱特性及其差异或是变化来反映，不同的光谱通道所获取的植被信息可与植被的不同要素或某种特征状态有不同的相关性。根据上文提到的，粳稻冠层的光谱特征主要因素包括色素成分、细胞结构及含水量，在450～650nm为中心波长处出现强吸收峰；粳稻在受到稻瘟病害破坏时，叶绿素会大量的减少，叶红素与叶黄素会相对增加，在700nm处的反射出现“红移”现象；而反映植被水分的信息主要体现在1400nm、1900nm、2100nm左右处。图4为地物光谱仪采集的一条典型的粳稻在分蘖期与拔节期的反射率光谱曲线及一阶导数曲线。在350～900nm范围内，粳稻冠层的反射光谱特征可用5个特征位置点来表征，图4中依次用B、G、R、RE、NR表示。

蓝色波段反射峰BBlue(λB,RB)为光谱反射率在蓝波段的最大点，定义：

RB=MAX(R(λ∈450～550nm)=475nm

(9)

绿色波段反射峰GGreen(λG,RG)为反射率光谱在绿波段的最大点，定义：

RG=MAX(R(λ∈550～600nm)=560nm

(10)

红色波段吸收峰(红谷)RRed(λR,RR)为光谱反射率在红波段的最小值，定义：

RR=MIN(R(λ∈600～700nm)=668nm

(11)

红边位置RERed-Edge(λRE,RRE)为光谱曲线在VIS-NIR的拐点，其一阶导数光谱在此波段的极大值，定义：

RRE=MAX(R'(λ∈700～780nm)=717nm

(12)

近红外吸收波段RNR(λNR,RNR)为光谱曲线在近红外波段反射率相对较大的点，定义：

RNR=MAX(R(λ∈780～900nm)=840nm

(13)

图4 粳稻冠层的反射光谱及一阶导数特征

由图4可以看出，这5个特征点可以基本显示出粳稻在可见-近红外波段的光谱特征，B、G、R可以确定绿波段处粳稻的叶绿素的基本特征，G、R、RE确定水稻在红波段吸收峰的基本特征，RE、NR确定近红外波段的基本特征，因此可以采用这5个特征位置的反射率值来大致表征甚至拟合整个可见-近红外吸收波段的光谱曲线。

3 结论

本文开展了粳稻冠层与单叶片的散射光谱研究。依据粳稻叶片的内部结构，包含叶绿素、胡萝卜素、水分、栅栏组织、海绵组织等，通过自洽散射参数，分析单叶子的散射光谱特征理论模型。基于光源的入射方向与传感器接收的散射光谱辐射通量，分析粳稻冠层的反射率。利用地物光谱仪采集粳稻冠层光谱数据，通过数据处理与分析，提取出5个基本光谱特征点B(475nm)、G(560nm)、R(668nm)、RE(717nm)、NR(840nm)，作为粳稻冠层的基本生理特征信息。本文作为东北黑土地粳稻的地物光谱监测技术的一个组成部分，为该类作物的绿色健康作业和智慧农业提供了基础数据参考。