基于ROC图的油菜生长期光谱敏感波段的研究

段少新，姜珊，王访,2*，邹锐标*，廖桂平,2



基于ROC图的油菜生长期光谱敏感波段的研究

段少新1，姜珊1，王访1,2*，邹锐标1*，廖桂平1,2

(1.湖南农业大学理学院/农业数学建模与数据处理研究中心，湖南 长沙 410128；2.南方粮油作物协同创新中心，湖南 长沙 410128)

测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层光谱，构建了比值光谱植被指数()和归一化光谱植被指数()。为了获得区分直播和移栽的最佳和，利用降采样法和精细采样法相结合的受试者工作特征(ROC)图寻找油菜生长期光谱的敏感波长，直播和移栽油菜各时期和的最敏感波长分别为：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)。用敏感波长下的2种植被指数为特征，以最近邻法为分类器的定性识别模型，结果花期的区分效果最好，最大约登指数分别为0.941 7和0.945 0。

油菜；生长期；敏感波段；受试者工作特征图

随着光谱技术的发展，多光谱成像技术、高光谱成像技术已经越来越广泛地应用于玉米[1]、棉花[2]、土豆[3]、小麦[4]、油菜[5–6]等农作物研究中。利用高光谱技术对作物进行无损检测和营养诊断的关键是提取其冠层光谱的敏感波段。Hansen等[7]研究了小麦高光谱反射率与叶绿素含量的相关关系，并寻找红边光谱范围内680～760 nm为敏感波段；臧卓等[8]研究了基于色素含量的针叶树种光谱敏感波段提取方法，通过分析马尾松、杉木主要色素和冠层光谱数据的相关关系，得到敏感波段分别为401～504 nm和659～686 nm。房贤一等[9]介绍了基于高光谱的苹果盛果期冠层叶绿素含量监测结果，得到的敏感波段分别为738～895、980～999、735～928、670～671、719～757、976～977、735～928、402、403、829、881、974 nm。张筱蕾等[10]探讨了基于高光谱成像技术对油菜苗期、花期、角果期氮含量的快速检测和氮素在叶片中分布的可视化方法，对每个时期叶片高光谱数据提取可见/近红外波段(380～1 030 nm)光谱信息，经过预处理后，通过分析比较利用回归系数法(RC)和连续投影算法(SPA)得到油菜苗期、花期、角果期的敏感波段。刘飞等[11]探讨了基于高光谱成像技术对油菜苗期、花期、角果期不同时期的敏感波段提取方法。对每个时期叶片高光谱数据提取可见/近红外波段(380～1030 nm)光谱信息，在经过原始光谱(RAW)和直接正交信号校正(DOSC)不同的预处理后，通过SPA算法提取的特征波长，得到油菜苗期、花期、角果期的敏感波段。李岚涛等[12]为验证无损和定量研究高光谱技术在冬油菜植株氮素积累量(plant nitrogen accumulation, PNA)时空变化监测的适宜性及准确性，以2年田间氮肥水平试验为基础，采用单变量线性和非线性回归方法，建立基于特征光谱参数的冬油菜PNA高光谱估算模型。丁希斌等[13]以油菜叶片为研究对象，利用高光谱成像技术，建立了土壤、作物分析仪器开发SPAD值的预测模型。雷利琴[14]以油菜各个物候期的冠层光谱为研究对象，首先采用降采样法分别得到350~2 500 nm范围内比值光谱植被指数()及归一化光谱植被指数()与叶绿素含量、净光合速率的拟合曲线的决定系数2，并用2与相应的波段作出等高线图来确定油菜各物候期高光谱的敏感波段范围，再采用精细采样法在敏感波段范围内重复以上步骤，得到不同物候期冠层光谱的敏感波长。

现有提取光谱敏感波段的方法是将作物地上生物量与不同波段的光谱值或各种植被指数进行相关分析，得到其最敏感的波段，计算量大且易受到生物量测量误差的影响[15–21]。目前ROC图(receiver operating characteristic)在分类科学中运用十分广泛[22–25]，但用于寻找作物敏感波段的研究尚少见报道。万柏坤等[24]的试验结果表明，图能兼顾灵敏度和特异性要求，以综合评价分类器的识别性能。陈卫中等[25]研究表明，使用 ROC图可用来确定诊断试验的敏感度及可疑值范围。

笔者测定了直播和移栽油菜5个生长期的冠层光谱，利用ROC图寻找油菜各生长期的比值光谱植被指数和归一化光谱植被指数所对应的敏感波长，并建立以这2种光谱植被指数为自变量的定性识别模型，检验模型的有效性及稳定性。

1　材料与方法

1.1　材料

选取湖南农业大学浏阳试验基地24个移栽小区和24个直播小区的高油酸中熟油菜为供试材料。每个小区面积20 m2。

1.2　方法

利用美国 ASDAnalytical Spectral Device公司生产的FieldSpec® 3 Hi–Res便携式地物波谱仪(波长范围为350~2 500 nm)，分别于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，在每个小区随机选取长势一致的5个位置，距冠层顶部垂直高度约0.7 m，采集冠层光谱。

为有效区分直播和移栽2种方式下的敏感波段，首先在各个时期的冠层光谱有效波长350~1 350 nm范围内利用降采样法[14](每隔20个波段采样)，采集每个小区5个观测点的信息，分别以该波段范围内任意2个波长光谱值的比值植被指数和归一化植被指数为特征，选择最近邻方法作为分类器计算灵敏度和特异度(以移栽小区的样本诊断的准确率作为灵敏度，以直播小区的样本诊断的准确率作为特异度)。并采用–折交叉验证法[26]对模型进行校正，随机选取(–1)/´100%个样本作为训练集，其余的1/´100%个样本作为测试集，在计算过程中重复100次，以消除随机因素的影响。再分别将和的敏感度和特异度绘制ROC散点图，计算图中每个点至点(0,1)的欧式距离，以该距离的最小值确定大致敏感波段范围。最后在降采样法确定的敏感波段范围内，采用精细采样法[14](每隔1个波段采用)，重复以上步骤，得到直播和移栽油菜生长期冠层光谱的最敏感波段。本研究利用约登指数[26]来描述该点对应的准确度。

2　结果与分析

利用ROC图提取油菜各时期敏感波长如表1所示。油菜每个生长期以和为特征寻找的光谱敏感波长大致相同，而不同生长期之间有较大差异。从苗期到花期，敏感波长不断增大，盛花期时又开始下降，盛花期到角果期又逐渐增大。表明不同栽培方式下的油菜生长期冠层光谱所包含的光谱信息有所不同。花期的分类效果最好，花期为油菜5个生长期的分水岭。以苗期为例，精细采样法得到的以和为特征的ROC散点图如图1所示，红星标注的是图中散点中离左上角最近的点，该点即为最优特异度和敏感度对应的油菜苗期和的最敏感波长，分别为(458 nm，511 nm)和(433 nm，517 nm)。

表1　2种栽培方式油菜生长期冠层光谱的敏感波长

图1　油菜苗期以RSI和NDSI为特征的ROC散点图

为了检测所提取的敏感波段的有效性和准确性，分别以每个生长期的最敏感波段的比值植被指数和归一化植被指数为特征，建立定性识别模型，以约登指数为评价标准，并与文献中寻找的2个光谱植被指数作对比，如表2所示。

从表2可以看出，ROC图确定的油菜冠层光谱敏感波段得到的2种植被指数作为特征的识别效果明显优于其他文献所提出的植被指数。

表2　不同敏感波段下的油菜生长期的约登指数

为了进一步考察ROC图确定的油菜生长期敏感波段的稳定性，在以和为特征建立的定性识别模型中，改变训练样本和测试样本的比例(训练样本从50%变化至90%，即在交叉验证中，值依次取2,3,…,10)，分别得到以2种植被指数为特征的约登指数，如图2所示。

图2　直播和移栽油菜生长期在K值改变时的约登指数

从图2可看出，对于油菜的各个生长期，由ROC图得到的敏感波段比值光谱植被指数和归一化光谱植被指数为特征建立的识别模型明显优于文献[12–14]的结果。通过改变训练样本与测试样本的比例，发现花期的比值、归一化植被指数建模得到的约登指数最大，且以50%(=2)至90%(=10)的训练样本建模准确率的变化率在5%范围内波动，较其他4个时期的结果稳定。其他4个时期的结果变化率均小于10%，表明利用ROC图得到的敏感波长较为稳定，普适性强。

[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] 张筱蕾，刘飞，聂鹏程，等．高光谱成像技术的油菜叶片氮含量及分布快速检测[J]．光谱学与光谱分析，2014(9)：2513–2518．

[6] 李锦卫．基于计算机视觉的水稻、油菜叶色——氮营养诊断机理与建模[D]．长沙：湖南农业大学，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，林辉，杨敏华．基于色素含量的针叶树种光谱敏感波段提取研究[J]．中南林业科技大学学报，2013，33(1)：35–40．

[9] 房贤一，朱西存，王凌，等．基于高光谱的苹果盛果期冠层叶绿素含量监测研究[J]．中国农业科学，2013，46(16)：3504–3513．

[10] 张筱蕾．基于高光谱成像技术的油菜养分及产量信息快速获取技术和方法研究[D]．杭州：浙江大学，2013．

[11] 刘飞．基于光谱和多光谱成像技术的油菜生命信息快速无损检测机理和方法[D]．杭州：浙江大学，2011．

[12] 李岚涛，马驿，魏全全，等．基于高光谱的冬油菜植株氮素积累量监测模型[J]．农业工程学报，2015，31(20)：147–156．

[13] 丁希斌，刘飞，张初，等．基于高光谱成像技术的油菜叶片SPAD值检测[J]．光谱学与光谱分析，2015，35(2)：486–491．

[14] 雷利琴．基于冠层反射光谱的油菜光合及生长监测[D]．长沙：湖南农业大学，2012．

[15] 刘建平，赵英时，孙淑玲．高光谱遥感数据最佳波段选择方法试验研究[J]．遥感技术与应用，2001，16(1)：7–13．

[16] 黄敬锋，王渊，王福民，等．油菜红边特征及其叶面积指数的高光谱估算模型[J]．农业工程学报，2006，22(8)：22–26．

[17] 王渊，王福民，黄敬锋．油菜不同组分生物量光谱遥感估算模型[J]．浙江农业学报，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，FERWERDA J G．Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis[J]．Remote Sensing of Environment，2008，112：1614–1632．

[22] 邹洪侠，秦锋，程泽凯，等．二类分类器的 ROC曲线生成算法[J]．计算机技术与发展，2009，19(6)：109–112．

[23] 孙长亮，何峻，肖怀铁．基于 ROC 曲线的目标识别性能评估方法[J]．雷达科学与技术，2007，5(1)：17–21．

[24] 万柏坤，薛召军，李佳，等．应用ROC曲线优选模式分类算法[J]．自然科学进展，2006，16(11)：1511–1516．

[25] 陈卫中，倪宗瓒，潘晓平，等．用ROC曲线确定最佳临界点和可疑值范围[J]．现代预防医学，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．

责任编辑：罗慧敏

英文编辑：吴志立

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

国家自然科学基金项目(31501227，11571103)；湖南省科技重大专项(2014FJ1006)；湖南省科学技术厅重点研发计划项目(2015JC3098)；湖南省教育厅重点项目(15A083)；湖南农业大学大学生科技创新基金项目(2016ZK32)

段少新(1993—)，女，湖南邵阳人，硕士研究生，主要从事分形几何及其应用研究，1014572284@qq.com；

通信作者，王访，博士，副教授，主要从事分形几何及其应用研究，f.wang@hunau.edu.cn；

通信作者，邹锐标，硕士，教授，主要从事分形几何及其应用研究，rbzou@163.com

投稿网址：http://xb.hunau.edu.cn