基于高光谱曲线的马铃薯与其他主要作物光谱差异性分析*

周扬帆，陈佑启，何英彬

(中国农业科学院农业资源与农业区划研究所，北京 100081)

0 引言

在人口数量不断增长、耕地总量基本稳定及饮食结构发生变化的情况下，我国粮食自给率已由95%下降到87%左右。如何提高我国粮食安全水平已经成为政府部门和学术界共同关注的议题。三大传统粮食作物增产空间有限，而马铃薯环境适应性强、耐旱耐贫瘠，与其他主要粮食作物相比，可以在更恶劣的自然条件下更快速地生产出更多富有营养的食物[2]。2015年初，农业部启动了“马铃薯主粮化”工程，马铃薯在保障我国粮食安全的体系中发挥着越来越重要的作用。

20世纪80年代遥感技术获得重要突破，逐步形成以高光谱为标志的新遥感技术系统，解决了宽波段遥感无法获取窄波段地物诊断性光谱特征的问题，并迅速得到广泛应用[3-7]。目前，农作物高光谱研究主要集中于水稻等禾本科作物及大豆等豆科作物[8-13]，对于茄科作物马铃薯研究较少。因此，文章在我国马铃薯主要产区之一的东北地区吉林省，以马铃薯和该地区的其他3种主要粮食作物玉米、大豆、水稻为研究对象，以马铃薯关键生长期——结薯期为时间节点，建立一组作物高光谱曲线特征差异性指标，开展马铃薯与这3种主要粮食作物之间光谱特征差异性研究。以期为马铃薯等主要农作物的空间分布遥感识别提供技术支撑，为高光谱量化研究及马铃薯空间分布提取、长势监测、单产模拟及灾害监测与预警提供理论参考。

1 数据与方法

1.1 田间试验与数据获取

测量于2016年6月21日(即马铃薯结薯期)在吉林省公主岭市范家屯镇吉林省蔬菜花卉科学研究院试验田基地进行。主要观测作物为马铃薯(中晚熟品种延薯四号)、玉米、大豆、水稻4种作物，试验区田间管理条件保持一致。测量日天气晴朗、无风，测量时间为正午，测量仪器为美国Ocean Optics公司USB2000+光谱仪，波段测量范围为339.331～1 027.66nm。测量时传感器探头垂直向下，距冠层顶端垂直高度约15cm。在田间随机抽样， 4种作物各选择3组测量样本，每组样本重复测量3次，每种作物分别取高光谱反射率平均值作为该作物冠层高光谱反射率值。测量过程中，根据时间和光照情况及时进行标准白板校正。

1.2 高光谱曲线滤波处理

获取的高光谱数据在开头和结尾部分受噪声影响过大，考虑到该文研究内容主要集中于光谱曲线的可见光及近红外波段，因此仅选取4种作物波长范围在380.083～850.266nm的数据进行光谱特性研究。在测量过程中，由于光谱仪灵敏性以及近红外光谱易受外界干扰等原因，绘制的光谱曲线会产生无规律高频振动。因此需要对光谱曲线进行滤波平滑处理，以达到去除高频噪声与干扰的目的。该文选择Savitzky-Golay(SG)滤波法，这是一种在时域内基于局域多项式最小二乘法拟合的滤波方法，其最大的优点在于滤除噪声的同时可以确保信号的形状、宽度不变。

2 高光谱差异指标

在作物高光谱遥感研究中，如果缺乏有效的光谱数据处理分析方法，隐藏在遥感光谱中的大量信息将无法被有效提取。一方面大量的光谱数据会造成数据堆积，另一方面也会严重影响遥感数据处理分析的时效性。

在众多的高光谱分析方法中，光谱反射率分析法是最基本、简单的应用方法。通常可以通过预处理后的原始光谱进行初步分析，找出有效的光谱和特征光谱。此外，光谱导数分析、光谱特征点分析以及植被指数分析都是较为常用的高光谱分析方法[14]。因此，该文期望通过构建反射率、特征点及植被指数分析法对应的差异性指标，为区分作物间光谱差异提供定量分析结果。

2.1 高光谱反射率差异性指数

为进一步量化说明SG滤波后某种作物与其他作物高光谱反射率的差异特征，首先可以直接建立高光谱反射率差异性指数DRij，即在同一测量波长值w，某种作物i高光谱反射率值与另一种作物j高光谱反射率值之差的绝对值与该种作物高光谱反射率值比值的百分率，公式为：

(1)

2.2 高光谱一阶导数差异性指数

研究表明，光谱导数分析有利于扩大作物之间曲线特征差别[15]。因此，尝试对滤波后曲线进行一阶导数变换，建立高光谱一阶导数差异性指数，分析马铃薯与其他作物间光谱特征差异：

(2)

式(2)中，DFDij为高光谱一阶导数差异性指数;FDiw表示某种作物i在波长w时的高光谱一阶导数值;FDjw表示其他作物j在波长w时的高光谱一阶导数值。

2.3 高光谱红边幅值差异性指数

植物红边是绿色植物光谱在680～740nm之间反射率值增高最快的点[16]。红边是由于植被在红光波段叶绿素强烈的吸收与近红外波段光在叶片内部的多次散射而造成强反射形成的现象，是植物光谱最显著的标志。研究中通常采用两个因子描述红边特征：红边位置和红边斜率(又称红边幅值)[17]。红边与植被的叶绿素含量、植被覆盖度、叶面积指数等各种理化参数紧密相关，是描述植物色素状态和生长状况的重要指示参数[18-20]。植被覆盖度越高，叶面积指数越大，红边幅值越大，红边“红移”； 反之，红边“蓝移”[21-27]。为定量描述作物间红边幅值差异，将680～740nm范围内的高光谱一阶导数差异性指数定义为高光谱红边幅值差异性指数。

2.4 高光谱曲率差异性指数

作物的高光谱曲线可以视为由若干分段的弧线组成。某一段弧上曲率最大的点对于确定曲线的形状具有重要作用[28]。曲率K的计算公式为：

(3)

(4)

2.5 高光谱植被指数差异性指数

基于植被指数识别农作物的估算模型计算简单、精度高，得到了广泛应用[29-31]。在植被指数中，归一化植被指数(NDVI)的应用最为广泛[32]，一般用来估算作物的生理生态参数，如覆盖度、叶面积指数等[33]。此外，常用的植被指数还包括，对大气条件敏感的比值植被指数(RVI)[34]、解决植被指数易陷入饱和的增强型植被指数(EVI)[35]、改进的简单比值植被指数(MSRI)、近红外百分比植被指数(IPVI)、转换植被指数(TVI)和转换型差值植被指数(TDVI)[36-37]等。

为描述某种作物与其他作物植被指数的差异特征，基于上述7种植被指数，建立了高光谱植被指数差异性指数。

(5)

式(5)中，DVIij为高光谱植被指数差异性指数；VIi表示某种作物i的高光谱植被指数值；VIj表示其他作物j的高光谱植被指数值。

3 差异性指数分析结果

3.1 SG滤波结果及几种作物高光谱曲线特征分析

田间采集的原始高光谱曲线见图1， 4种作物具有基本相同的反射率变化趋势。由于叶绿素对红光和蓝光的强吸收，以及对绿光的弱吸收，形成了典型的作物反射光谱绿色波峰和红蓝波谷曲线； 而在近红外波段作物的光谱特性主要受叶片内部构造的控制，反射率急剧上升。SG滤波平滑处理后获得的高光谱曲线见图2。曲线显示4种作物绿色波段反射率峰值均位于波长550.362nm附近，反射率值由小到大排列顺序为玉米<马铃薯<大豆<水稻，其中马铃薯的反射率值为11.498%。在蓝色波段波长481.636nm和红色波段波长690.160nm处，由于类胡萝卜素和叶绿素吸收，形成典型作物蓝红波谷现象； 在蓝色波段481.636nm处，马铃薯与水稻的反射率值相近； 在红色波段690.160nm处，马铃薯与大豆、水稻的反射率值均相近。在近红外波段， 4种作物反射率值均大幅提升，马铃薯首个峰值位于波长761.631nm处，在此波长4种作物反射率值由小到大排列顺序为马铃薯<大豆<水稻<玉米。

图1 作物原始高光谱曲线 图2 作物SG滤波后高光谱曲线

表1 马铃薯与其他作物光谱差异性指数 %

表2 马铃薯与其他作物一阶导数差异性指数 %

表3 红边位置与幅值

图3 作物高光谱一阶导数曲线

3.2 马铃薯与其他作物高光谱曲线特征差异性分析结果

3.2.1 高光谱反射率差异性指数分析结果

根据式(1)计算得出马铃薯与玉米、大豆、水稻的高光谱反射率差异性指数值。表1数据显示马铃薯与玉米的反射率值在481.636nm处差异最显著，与大豆、水稻的反射率值在550.362nm处差异最显著。

3.2.2 高光谱一阶导数差异性指数分析结果

对SG滤波后4种作物高光谱曲线进行一阶求导，得到高光谱一阶导数曲线(图3)。根据式(2)计算得出马铃薯与其他3种作物的一阶导数差异性指数如表2。与高光谱反射率差异性指数值对比，在550.362nm和761.631nm处，马铃薯与其他3种作物的高光谱特征差异被显著放大； 而在481.636nm和690.160nm处，马铃薯仅与大豆、水稻的差异性指数值增加。

3.2.3 高光谱红边幅值差异性指数分析结果

对4种作物高光谱曲线一阶求导计算的红边位置与幅值(表3)，不同作物在不同红边位置的对比信息见图4，结果显示：(1)马铃薯和大豆的红边位置均位于波长712.9nm处，该位置马铃薯与玉米、水稻、大豆的高光谱红边幅值差异性指数值分别为13.213%、30.070%、9.305%； (2)玉米的红边位置位于波长736.073nm处，同一波长处马铃薯的高光谱一阶导数值为0.634，马铃薯与玉米、大豆、水稻的红边幅值差异性指数值分别为160.432%、33.440%、0.271%； (3)水稻的红边位置位于波长712.225nm处，该波长位置马铃薯的高光谱一阶导数值为1.164，马铃薯与玉米、大豆、水稻的红边幅值差异性指数值分别为8.202%、37.688%、20.215%。综上所述，马铃薯与玉米高光谱红边幅值差异性指数最大值位于波长736.073nm处，与大豆、水稻高光谱红边幅值差异性指数最大值均位于波长712.225nm处。各种作物红边位置与高光谱原始曲线近红外差异性最大波段761.631nm不重叠。

图4 4种作物红边位置一阶导数值对比 图5 4种作物曲率最大值所对应的波长值及在波长值点曲率值对比

表4 曲率最大值与对应波长位置

马铃薯玉米大豆水稻曲率最大值0 3830 3570 4760 451曲率最大值对应波长(nm)404 829405 209751 711752 043

3.2.4 高光谱曲率差异性指数分析结果

根据式(3)计算得出4种作物曲率最大值(表4)，不同作物间的曲率对比信息如图5。根据式(4)计算得出：(1)马铃薯的曲率最大值对应波长处，与玉米、大豆、水稻的高光谱曲率差异性指数值分别为12.226%、46.994%、34.175%;(2)玉米的曲率最大值位于波长405.209nm处，该位置马铃薯的曲率值为0.299，马铃薯与玉米、大豆、水稻的高光谱曲率差异性指数值分别为19.334%、19.679%、19.018%;(3)大豆的曲率最大值位于波长751.711nm处，同一波长位置，马铃薯的曲率值为0.291，与玉米、大豆、水稻的高光谱曲率差异性指数值分别为5.394%、63.471%、22.948%;(4)水稻的曲率最大值位于波长752.043nm处，该波长处，马铃薯的曲率值为0.249，与玉米、大豆、水稻的高光谱曲率差异性指数值分别为78.365%、8.987%、80.882%。综上所述，马铃薯与玉米、水稻高光谱曲率差异性指数最大值均位于波长752.043nm处，与大豆高光谱曲率差异性指数最大值位于波长751.711nm处。

3.2.5 高光谱植被指数差异性指数分析结果

根据3.1的结果，为保持研究结果的连续性和一致性，在计算植被指数时，近红外、红光、蓝光的具体波长值确定为761.631nm、690.160nm、481.636nm。根据式(5)计算4种作物7种高光谱植被指数差异性指数值，结果如表5。

表5 4种作物植被指数值及相应的差异性指数值

马铃薯玉米大豆水稻马铃薯与玉米差异指数值(%)马铃薯与大豆差异指数值(%)马铃薯与水稻差异指数值(%) 归一化植被指数(ND⁃VI690 160，761 631)0 7340 8890 7910 75921 2077 7643 485 比值植被指数(RVI690 160，761 631)6 50717 0468 5497 304161 94731 37112 248 改进的简单比值指数(MSRI690 160，761 631)1 5513 1291 9241 703101 72524 0429 782 近红外百分比植被指数(IP⁃VI690 160，761 631)0 8670 9450 8950 8808 9743 2851 475 转换植被指数(TVI690 160，761 631)1 1111 1791 1361 1226 1192 2821 031 转换型差值植被指数(TD⁃VI690 160，761 631)1 2711 4131 3261 29611 1224 2861 947 增强植被指数(EVI481 636，690 160，761 631)0 7911 5530 9930 89296 30625 50712 761

7种植被指数，在研究时点，玉米的值最高，大豆次之，水稻再次，马铃薯最低。马铃薯与玉米的高光谱植被指数差异性指数值由高到低排序在前3位的指数是RVI、MSRI、EVI； 马铃薯与大豆的差异性指数值最大的3种是RVI、EVI、MSRI； 马铃薯与水稻的高光谱植被指数差异性指数值排序在前3位的是EVI、RVI、MSRI。马铃薯与玉米差异性指数值远高于马铃薯与玉米、水稻差异性指数值。马铃薯与玉米、大豆、水稻的高光谱植被指数差异性指数值较低的植被指数为TVI、TDVI和IPVI。相比于RVI、MSRI和EVI，NDVI差异性分析效果并不理想。

4 主要结论与讨论

(1)目前，农作物高光谱曲线量化差异研究很少涉及马铃薯。该文为比较马铃薯与玉米、大豆、水稻高光谱曲线特征差异，建立了高光谱反射率差异性指数、高光谱一阶导数差异性指数、高光谱红边幅值差异性指数、高光谱曲率差异性指数及高光谱植被指数差异性指数，旨在为马铃薯高光谱研究提供技术支撑。

(2)作物高光谱一阶导数弥补了SG滤波高光谱曲线蓝色波段波长481.632nm位置无法明显区分马铃薯和水稻的缺陷，大幅度凸显两种作物的差异性。扩大了绿色波段波长550.362nm、近红外波段761.631nm处马铃薯与其他3种作物的光谱差异，一阶导数的运算同样放大了红色波段波长690.160nm处马铃薯与大豆、水稻的光谱差异。因此，在进行遥感影像作物分类时，如果选择550nm附近绿色波段、450nm附近蓝色波段、761nm附近近红外波段一阶导数值作为输入信息，可以提高分类精度。以红边幅值作为特征值也可以作为作物遥感提取的输入信息。通过计算4种作物红边幅值及其对应波长位置，比较发现马铃薯与玉米差异性指数最大值为160.432%，位于波长736.073nm处。与大豆和水稻红边幅值差异性指数最大值均位于波长712.225nm处，差异性指数值分别为37.688%、20.215%。因此，在进行遥感影像作物分类时可选择计算712nm、736nm附近红边幅值作为输入值区分马铃薯与其他作物。

(3)将不同指标进行横向比较，发现马铃薯与玉米、大豆、水稻的差异指数最大值均为近红外波段波长761.631nm处高光谱一阶导数差异性指数，值分别为4 140.670%、3 632.536%、3 519.378%。由此可见，高光谱一阶导数对于放大光谱差异起到了至关重要的作用。因此，在航空航天遥感识别不同作物时，如果搭载的传感器具有高光谱性能，可以首选近红外波段高光谱一阶导数进行分析，其次选取大豆和水稻曲率最大值点波段进行分析。

(4)以普通遥感器为基础进行马铃薯与其他作物的分辨，植被指数和光谱波段反射率都可以作为输入信息。横向比较植被指数，RVI是区分马铃薯与其他作物差异性最为显著的植被指数，其次为EVI，再次为MSRI(以排序值累加值为判断依据)。与光谱反射率比较，植被指数并没有在马铃薯与其他作物光谱差异分析中显示出优势。除了马铃薯与玉米差异性区分时应用RVI或MSRI或EVI强于光谱反射率外，马铃薯与大豆及水稻的差异性可以应用绿色波段反射率进行区分，其效果优于植被指数； 马铃薯与玉米的反射率值在蓝色波段481.636nm位置差异最显著。因此，在马铃薯与其他主要粮食作物空间分布分辨时，可考虑将RVI、绿色波段和蓝色波段反射率作为主要输入信息，MSRI和EVI指数可以作为备选植被指数。

(5)相对于其他生长阶段，马铃薯有两个关键生育期，即该文研究的结薯期和块茎快速膨大期，在马铃薯关键生长期进行4种作物高光谱曲线特征差异性比较从理论角度有其研究价值和意义。以时间为纵轴，进行马铃薯全生育期不同生长阶段不同差异性指标的横向比较将会带来更加有意义的研究指标结果。由于篇幅有限，该文并未如此展开，未来马铃薯全生育期或两个关键生长期的比较将会成为未来进一步研究工作的重点。此外，依据玉米、大豆和水稻关键生长期进行指标研究也可作为未来研究的方向。

[1] 李艳洁. 低至87%粮食自给率低点预警.中国经营报A3版， 2014-06-09

[2] 刘洋. 我国马铃薯产业经济2012年回顾与2013年展望.马铃薯产业与农村区域发展.2013， 5

[3] 童庆禧， 张兵，张立福.中国高光谱遥感的前沿进展.遥感学报， 2016，20(5)： 689～707

[4] 浦瑞良， 宫鹏.高光谱遥感及其应用.北京：中国地质大学(北京)， 2009

[5] 杜培军， 夏俊士，薛朝辉，等.高光谱遥感影像分类研究进展.遥感学报, 2016，20(2)： 236～256

[6] 童庆禧， 张兵，郑兰芬.高光谱遥感：原理、技术与应用.北京：高等教育出版社.2006

[7] 刘秀英， 林辉，熊建利，等.森林树种高光谱波段的选择.遥感信息， 2005，(4)： 41～44，64

[8] Lin Du，Wei Gong，Shuo Shi，et al.Estimation of rice leaf nitrogen contents based on hyperspectral LIDAR.International Journal of Applied Earth Observation and Geoinformation， 2016， 44： 136～143

[9] Siripatrawan U，Makino Y，Monitoring fungal growth on brown rice grains using rapid and non-destructive hyperspectral imaging.International Journal of Food Microbiology， 2015， 199： 93～100

[10]Chu Xuan，Wang Wei，Yoon S C，et al.Detection of aflatoxin B1(AFB1)in individual maize kernels using short wave infrared(SWIR)hyperspectral imaging.Biosystems Engineering， 2017， 157： 13～23

[11]Wang Wei，Ni Xinzhi，Kurt C L，et al.Feasibility of detecting Aflatoxin B1 in single maize kernels using hyperspectral imaging.Journal of Food Engineering， 2015， 166： 182～192

[12]Guo Binbin，Qi Shuangli，Heng Yarong，et al.Remotely assessing leaf N uptake in winter wheat based on canopy hyperspectral red-edge absorption.European Journal of Agronomy， 2017， 82： 113～124

[13]Huang Yanbo，Yuan lin，Krishna N R，et al.In-situ plant hyperspectral sensing for early detection of soybean injury from dicamba.Biosystems Engineering， 2016， 149： 51～59

[14]黄文江. 作物病害遥感监测机理与应用.北京：中国农业科学技术出版社.2009

[15]范文义， 杜华强，刘哲.科尔沁沙地地物光谱数据分析.东北林业大学学报， 2004, 32(2): 45～48

[16]邹红玉， 郑红平.浅述植被“红边”效应及其定量分析方法.遥感信息, 2010，(4)： 112～116

[17]姚付启， 张振华，杨润亚，等.基于红边参数的植被叶绿素含量高光谱估算模型.农业工程学报， 2009， 25(S2)： 123～129

[18]Zheng Youfei，Guo X，Olfert O，et al.Monitoring growth vigour of crop using hyperspectral remote sensing data.Meteorological and Environmental Sciences， 2007, 30(1): 10～16

[19]Tang Yanlin，Wang Xiuzhen，Huang Jingfeng，et al.The hyperspectra and their red edge characteristics of cotton(I).Cotton Science， 2003, 15(3): 146～150

[20]Li Fei，Miao Yuxin，Feng Guohui，et al.Improving estimation of summer maize nitrogen status with red edge-based spectral vegetation indices.Field Crops Research， 2014, 157(2): 111～123

[21]冯秀绒， 卜崇峰，郝红科，等.基于光谱分析的生物结皮提取研究——以毛乌素沙地为例.自然资源学报， 2015, 30(6): 1024～1034

[22]杜华强， 金伟，葛宏立，等.用高光谱曲线分形维数分析植被健康状况.光谱学与光谱分析， 2009, 29(8): 2136～2140

[23]Helmi Z M S，Mohamad A M S，Azadeh G.American Journal of Applied Sciences， 2006， 3(6)： 1864

[24]Tang Yanlin，HUANG Jingfeng，WANG Xiuzhen，et al.Comparison of the characteristics of hyperspectra and the red edge in rice，corn and cotton.Scientia Agncuhura Sinic， 2004, 37(1): 29～35

[25]唐延林， 王人潮，黄敬峰，等.不同供氮水平下水稻高光谱及其红边特征研究.遥感学报， 2004, 8(2): 185～192

[26]赵春江， 黄文江，王纪华，等.不同品种、肥水条件下冬小麦光谱红边参数研究.中国农业科学， 2002, 35(8): 980～987

[27]王秀珍， 王人潮，李云梅，等.不同氮素营养水平的水稻冠层光谱红边参数及其应用研究.浙江大学学报(农业与生命科学版)， 2001, 27(3): 301～306

[28]王亚飞， 钱乐祥，刘含海.地物光谱曲线特征点的提取和应用.河南大学学报(自然科学版)， 2006, 36(4): 67～70

[29]包刚， 包玉海，覃志豪，等.高光谱植被覆盖度遥感估算研究.自然资源学报， 2013, 28(7): 1243～1254

[30]贾坤， 姚云军，魏香琴，等.植被覆盖度遥感估算研究进展.地球科学进展， 2013, 28(7): 774～782

[31]李冰， 刘镕源，刘素红，等.基于低空无人机遥感的冬小麦覆盖度变化监测.农业工程学报， 2012, 28(13): 160～165

[32]王磊， 王贺，卢艳丽，等.NDVI在农作物监测中的研究与应用.中国农业资源与区划, 2013，34(4)： 43～50

[33]李树强， 李民赞.冬小麦生育早期长势反演模型通用性研究.农业机械学报， 2014, 45(2): 246～250

[34]王正兴， 刘闯，Huete Alfredo.植被指数研究进展：从AVHRR-NDVI到MODIS-EVI.生态学报, 2003，(5)： 979～987

[35]李喆， 胡蝶，赵登忠，等.宽波段遥感植被指数研究进展综述.长江科学院院报, 2015，32(1)： 125～130

[36]舒田， 岳延滨，李莉婕，等.基于高光谱遥感的农作物识别.江苏农业学报, 2016，32(6)： 1310～1314

[37]王岽， 吴见.农作物种类高光谱遥感识别研究.地理与地理信息科学， 2015，31(2)： 29～33