駱麗莎, 廖桂平, 劉凡, 官春云

(湖南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院， 長沙 410128)

油菜為十字花科、蕓薹屬植物，是產(chǎn)油率較高的油料作物之一[1]，同時是一種適應(yīng)性強、用途廣、發(fā)展?jié)摿^大的經(jīng)濟作物。我國油菜品種繁多，不同品種的遺傳特性和群體結(jié)構(gòu)不同，其抗性、產(chǎn)量等性狀表現(xiàn)也不同[2]。研究表明，不同油菜品種對Zn的富集作用存在顯著差異[3]，另外，在應(yīng)用價值方面，不同品種油菜秸稈營養(yǎng)成分和飼用價值不同[4]。目前油菜品種識別技術(shù)較為單一，主要利用形態(tài)學(xué)、SSR分子標(biāo)記技術(shù)、生物學(xué)等方法進(jìn)行分類。形態(tài)學(xué)識別方法要求識別人員有較高的經(jīng)驗、不適合批量處理且存在一定錯誤率，而分子生物學(xué)手段費時費力、過程繁瑣，且在無損傷和大規(guī)模監(jiān)測上不具優(yōu)勢。精準(zhǔn)識別油菜品種有利于其商業(yè)價值的開發(fā)與利用，以滿足不同市場的多元化需求。高光譜遙感技術(shù)分辨率高、數(shù)據(jù)信息全面、波段多且連續(xù)性強，符合農(nóng)產(chǎn)品檢測快速無損、精準(zhǔn)實時的要求[5]，已被廣泛應(yīng)用于農(nóng)作物的災(zāi)害監(jiān)測、產(chǎn)量估算、品質(zhì)分析和養(yǎng)分檢測等農(nóng)業(yè)生產(chǎn)方面[6]。近年來，高光譜技術(shù)越來越成熟，在農(nóng)作物的品種識別上發(fā)揮了很大的作用，運用高光譜技術(shù)識別農(nóng)作物品種主要體現(xiàn)在優(yōu)化植物分類方法和效率[7]、掌握種植品種信息、完善種植區(qū)的品種監(jiān)管[8]、提高品種的純度和質(zhì)量[9]、降低成本、滿足市場營銷需求[10]等方面，是推進(jìn)油菜產(chǎn)業(yè)走向國際化的主要手段。

油菜冠層光譜信息是油菜、土壤背景和大氣的混合信息，而高光譜數(shù)據(jù)又具有數(shù)據(jù)量大、信息冗余嚴(yán)重等特點[11]。利用特征參數(shù)能夠很好的從混合信息中篩選出與油菜識別相關(guān)的光譜信息。已有研究表明,高光譜特征參數(shù)能很好的應(yīng)用于作物的生長監(jiān)測[12]、養(yǎng)分調(diào)控[13]、葉綠素反演[14]以及病害脅迫[15]，且不同的高光譜特征參數(shù)和光譜變換形式對品種的識別精度、識別效率都有著密切關(guān)系[16-18]。

油菜苗期約占全生育期的一半，是營養(yǎng)生長的關(guān)鍵時期，苗前期(出苗至花芽開始分化)和苗后期(花芽開始分化至現(xiàn)蕾)是油菜全生育期的重要階段。因此，本研究使用FieldSpec3 Hi-Res地物波譜儀采集11個油菜品種苗期(苗前期、苗后期)冠層反射光譜數(shù)據(jù)，以高光譜的位置、振幅、面積、寬度、反射率和植被指數(shù)6個方面共23個特征參數(shù)為研究指標(biāo)，衡量特征參數(shù)的貢獻(xiàn)率大小和方差分析顯著性，據(jù)此評價其區(qū)分油菜不同品種的優(yōu)劣，為深入研究油菜品種的分類識別和建立油菜品種高光譜數(shù)據(jù)庫提供一定的基礎(chǔ)依據(jù)，也為實現(xiàn)油菜種植品種的實地監(jiān)測與作物種植大區(qū)域管理提供可能的技術(shù)手段。

1 材料與方法

1.1 試驗地區(qū)與試驗材料

試驗區(qū)位于湖南農(nóng)業(yè)大學(xué)耘園基地(113°08′ E、28°18′ N)，光、熱、水資源豐富,無霜期長，年平均氣溫16～18 ℃，年降水量在1 200～1 700 mm之間，屬亞熱帶季風(fēng)濕潤氣候區(qū)。試驗品種灃綠1號、灃綠2號由湖南省作物研究所提供，油苔929由湖南省常德市農(nóng)林科學(xué)研究院提供，湘油708、高油酸1號、農(nóng)大1號、農(nóng)大2號、油苔1號、油苔420、湘雜油787和湘雜油518由湖南農(nóng)業(yè)大學(xué)提供，共11種油菜品種，于2019年9月27日播種。每個品種設(shè)三個重復(fù)，共33個小區(qū)，小區(qū)面積為16 m2，每個小區(qū)水肥條件及管理措施均保持一致。

1.2 冠層光譜數(shù)據(jù)采集

數(shù)據(jù)采集設(shè)備為Field Spec 3Hi-Res便攜式地物光譜儀(美國ASD公司)，其波段范圍為350～2 500 nm，光譜分辨率在350～1 000 nm內(nèi)為3 nm，采樣間隔為1.4 nm，在1 000～2 500 nm內(nèi)為10 nm，采樣間隔為2 nm。冠層高光譜測量選擇在晴朗無云、風(fēng)力較小的天氣，測定時間為10:00—14:00，每個小區(qū)隨機均勻選取30個點，每個小區(qū)測量之前進(jìn)行一次白板校正以降低環(huán)境和機器的干擾。測量時傳感器探頭垂直向下，高度約0.7 m處讀取數(shù)據(jù)即可。

1.3 數(shù)據(jù)處理

運用View Spec Pro數(shù)據(jù)處理軟件進(jìn)行初期數(shù)據(jù)預(yù)處理及數(shù)據(jù)格式轉(zhuǎn)化，再將數(shù)據(jù)導(dǎo)入到Microsoft Excel 2010中進(jìn)行保存。本研究采用一階微分降噪方法，以提高光譜數(shù)據(jù)間的差異性以便后續(xù)處理與應(yīng)用，其公式如下。

(1)

式中，ρ′(λi)是在波段λi處的光譜一階導(dǎo)數(shù)值，λi是波段i的波長數(shù)值，Δλ是波長λi到λi+1的差值。

1.4 特征參數(shù)選取

1.4.1位置參數(shù) 位置參數(shù)是指在一定光譜區(qū)域內(nèi)最大一階導(dǎo)數(shù)值所對應(yīng)的波長。其中，紅邊位置λr為波長680～760 nm內(nèi)一階導(dǎo)數(shù)光譜最大值對應(yīng)的波長；藍(lán)邊位置λb為波長490～530 nm內(nèi)一階導(dǎo)數(shù)光譜最大值對應(yīng)的波長；黃邊位置λy為波長560～640 nm內(nèi)一階導(dǎo)數(shù)光譜最大值對應(yīng)的波長；綠峰位置λg為波長510～560 nm內(nèi)最大反射率對應(yīng)的波長；紅谷位置λo為波長650～690 nm內(nèi)最小反射率對應(yīng)的波長。

1.4.2振幅參數(shù) 振幅參數(shù)是指一定光譜區(qū)域內(nèi)一階導(dǎo)數(shù)光譜的最大值。紅邊幅值Dr為波長680～760 nm內(nèi)一階導(dǎo)數(shù)光譜最大值；藍(lán)邊幅值Db為波長490～530 nm內(nèi)一階導(dǎo)數(shù)光譜最大值；黃邊幅值Dy為波長560～640 nm內(nèi)一階導(dǎo)數(shù)光譜最大值。

1.4.3面積參數(shù) 面積參數(shù)是指一定區(qū)域內(nèi)所有波段一階導(dǎo)數(shù)值的總和。紅邊面積SDr為波長680～760 nm內(nèi)一階導(dǎo)數(shù)光譜的積分； 藍(lán)邊面積SDb為波長490～530 nm內(nèi)一階導(dǎo)數(shù)光譜的積分；黃邊面積SDy為波長560～640 nm內(nèi)一階導(dǎo)數(shù)光譜的積分；綠峰面積SDg為波長510～560 nm間原始光譜曲線所包圍的面積。

1.4.4寬度參數(shù) 包括紅邊(X1)、藍(lán)邊(X2)和黃邊(X3)寬度，計算公式如下。

Χ1=λr-λo

(2)

Χ2=λb-490

(3)

Χ3=λy-560

(4)

1.4.5反射率參數(shù) 包括綠峰反射率與紅谷反射率的比值(Χ4)和綠峰反射率與紅谷反射率的歸一化值(Χ5)，計算公式如下。

Χ4=ρg/ρr

(5)

Χ5=(ρg-ρr)/(ρg+ρr)

(6)

式中，綠峰反射率ρg為波長510～560 nm范圍內(nèi)最大的波段反射率；紅谷反射率ρr為波長650～690 nm范圍內(nèi)最小的波段反射率。

1.4.6植被指數(shù)參數(shù) 包括紅藍(lán)比值植被指數(shù)(Χ6)、紅黃比值植被指數(shù)(Χ7)、紅藍(lán)歸一化植被指數(shù)(Χ8)、紅黃歸一化植被指數(shù)(Χ9)，計算公式如下。

Χ6=SDr/SDb

(7)

Χ7=SDr/SDy

(8)

Χ8=(SDr-SDb)/(SDr+SDb)

(9)

Χ9=(SDr-SDy)/(SDr+SDy)

(10)

1.5 貢獻(xiàn)率指數(shù)

將11個品種依次分為兩組，每次以一個單一品種為第一組，以剩余10個品種為第二組，第二組利用Excel中INDEX[array, RANDBETWEEN(bottom, top)]公式選取數(shù)據(jù)。根據(jù)兩組間不同高光譜特征參數(shù)的貢獻(xiàn)率(contribution rate)大小來評價其區(qū)分油菜品種的能力。對于高光譜位置和寬度參數(shù)，其貢獻(xiàn)率(CR)計算公式如下。

(11)

對于高光譜振幅、面積、反射率和植被指數(shù)參數(shù)，其貢獻(xiàn)率(CR)的計算公式為式(12)。

(12)

式中，EV和MV分別代表第一組的品種和第二組的品種，i表示不同的高光譜特征參數(shù)值。

1.6 方差分析

利用SPSS軟件進(jìn)行方差分析。為提高品種識別精度，在貢獻(xiàn)率指數(shù)分析后，剔除整體貢獻(xiàn)率最小的2類特征參數(shù)。將每個小區(qū)30條冠層高光譜隨機對半分成兩組并分別取均值，得到該小區(qū)2條，全部33個小區(qū)共66條冠層高光譜。將各品種不同特征參數(shù)在兩時期間進(jìn)行方差分析，計算出兩時期間不同特征參數(shù)的顯著性差異值P。并篩選出優(yōu)選特征參數(shù)，采用Waller-Duncan法進(jìn)行多重比較分析，最終依據(jù)多重比較的分析結(jié)果來評價各特征參數(shù)對油菜品種的識別效果。

2 結(jié)果與分析

2.1 冠層高光譜數(shù)據(jù)分析

2.1.1全波段冠層高光譜 將本次采集的所有數(shù)據(jù)取均值，得到油菜冠層全波段高光譜反射曲線(圖1)。該圖符合綠色植物的光譜特征，但室外光譜數(shù)據(jù)受背景因素影響大，失去了部分典型反射峰和吸收谷的特征信息。例如，1 350～1 480、1 810～1 990與2 370～2 500 nm波段受含水量影響較大，有強烈吸收作用，出現(xiàn)了波段信息的重疊干擾。為減少儀器本身帶來的誤差及試驗研究所需，本研究采用波段范圍350～900 nm作為研究區(qū)間。

2.1.2均值處理后冠層高光譜 油菜不同品種在苗前期和苗后期經(jīng)過均值處理后的冠層高光譜反射曲線如圖2所示?？梢钥闯?，油菜冠層光譜反射率呈上升趨勢?？傮w上，11種油菜品種反射光譜曲線的走勢基本一致。苗前期與苗后期分別在490和500 nm附近有一個微弱的吸收谷。波段640～690 nm，苗前期和苗后期分別在670和680 nm附近形成1個強吸收谷。波段520～590 nm，苗前期和苗后期分別在550和560 nm附近形成1個反射峰。同時，苗前期和苗后期分別在750～890 、760～890 nm形成了1個明顯的高反射平臺過度波段。油菜不同品種在冠層高光譜反射率上存在差異，730～900 nm波段最為明顯。在苗前期，農(nóng)大2號反射率明顯高于其他10種油菜品種，反射率在50%上下，高油酸1號反射率最低，約為40%；在苗后期，農(nóng)大1號反射率最高，反射率都在81%以上，湘雜油518反射率最低，在60%上下。隨著生育期的推進(jìn)，油菜不同品種的冠層反射率差異增大。

2.2 不同品種一階微分曲線對比

油菜不同品種在苗前期和苗后期經(jīng)過一階微分處理后的冠層高光譜曲線變化如圖3所示。可以看出，一階微分能增強有用的光譜信息而抑制無用的光譜信息，11個油菜品種在藍(lán)邊位置、紅邊位置和黃邊位置顯示出“兩峰一谷”的特征[19]。品種間特征參數(shù)存在差異，苗前期Dr在農(nóng)大2號λr的718 nm處最大，Db在油苔420品種λb的520 nm處最大，Dy在灃綠1號λy的625 nm處最大。在近紅外區(qū)域雖有多個明顯峰，但值變化都很小。苗后期Dr、Db和Dy分別在農(nóng)大1號λr的723 nm、湘油708品種λb的523 nm和高油酸1號λy的628 nm處最大。由于油菜品種間的差異性，同一時期的一階微分值即黃邊幅值、藍(lán)邊幅值、紅邊幅值大小不同。在苗前期，不同品種間的幅值差異均較小，在苗后期，品種間的Dr和Dy差異明顯。

2.3 高光譜特征參數(shù)區(qū)分不同品種的能力比較分析

2.3.1位置參數(shù)的貢獻(xiàn)率分析 各品種高光譜位置參數(shù)的對比結(jié)果見圖4。苗前期不同品種間λb貢獻(xiàn)率差異較大，λr差異較小甚至沒有變化，λg都為0。苗后期不同品種間λy貢獻(xiàn)率差異較大，λg差異小。與苗前期不同的是，苗后期不同品種間λb貢獻(xiàn)率差異小。從總貢獻(xiàn)率來看，苗前期湘油708與苗后期農(nóng)大2號具有品種區(qū)分優(yōu)勢，苗前期位置參數(shù)區(qū)分不同品種的能力優(yōu)于苗后期。

2.3.2振幅參數(shù)的貢獻(xiàn)率分析 各品種高光譜振幅參數(shù)的對比結(jié)果見圖5。兩個時期幅值貢獻(xiàn)率變化均表現(xiàn)出：Dy>Db>Dr，且不同品種間Dy貢獻(xiàn)率差異大。苗前期灃綠2號Dy貢獻(xiàn)率最大，高油酸1號Dr貢獻(xiàn)率最大，湘油708品種Db貢獻(xiàn)率最大。苗后期湘雜油518品種Dr貢獻(xiàn)率最大，湘油708品種Db貢獻(xiàn)率均最大。從總貢獻(xiàn)率來看，苗前期灃綠2號與苗后期湘油708具有品種區(qū)分優(yōu)勢，苗前期振幅參數(shù)區(qū)分不同品種的能力優(yōu)于苗后期。

2.3.3面積參數(shù)的貢獻(xiàn)率分析 各品種高光譜面積參數(shù)的對比結(jié)果見圖6。苗后期SDg貢獻(xiàn)率小于苗前期，SDr、SDb、SDy均大于苗前期，苗后期不同品種間SDg貢獻(xiàn)率差異小，SDy差異大。苗前期高油酸1號SDr貢獻(xiàn)率最大，湘油708品種SDb貢獻(xiàn)率最大，油苔420品種SDy貢獻(xiàn)率最大，湘油708與高油酸1號SDg均為最大值。苗后期灃綠1號SDr貢獻(xiàn)率最大，湘油708品種SDb、SDy貢獻(xiàn)率均最大，農(nóng)大1號SDg貢獻(xiàn)率最大。從總貢獻(xiàn)率來看，兩個時期湘油708均具有品種區(qū)分優(yōu)勢，苗后期面積參數(shù)區(qū)分不同品種的能力優(yōu)于苗前期。

2.3.4寬度參數(shù)的貢獻(xiàn)率分析 各品種高光譜寬度參數(shù)的對比結(jié)果見圖7。苗后期X3貢獻(xiàn)率小于苗前期,而X1、X2均大于苗前期。苗前期X1與X2貢獻(xiàn)率均最大為3%，X3湘油708最大為7%。農(nóng)大2號三邊寬度參數(shù)的貢獻(xiàn)率均為0，表明品種間各位置參數(shù)相同。苗后期湘油708與湘雜油518品種X1貢獻(xiàn)率均最大為7%，X2油苔929最大為3%。X3只有灃綠2號與湘雜油518的貢獻(xiàn)率為2%，其他品種均為0。從總貢獻(xiàn)率來看，苗前期油苔1號與苗后期湘雜油518具有品種區(qū)分優(yōu)勢，苗前期寬度參數(shù)區(qū)分不同品種的能力優(yōu)于苗后期，該結(jié)果與位置參數(shù)、振幅參數(shù)一致。

2.3.5反射率參數(shù)的貢獻(xiàn)率分析 各品種高光譜反射率參數(shù)的對比結(jié)果見圖8。苗后期ρr貢獻(xiàn)率小于苗前期而其他三種反射率均大于苗前期。苗前期油苔929品種ρg貢獻(xiàn)率最大，農(nóng)大1號ρr貢獻(xiàn)率最大，油苔420品種X4貢獻(xiàn)率最大，湘雜油518品種X5貢獻(xiàn)率最大。苗后期湘油708品種ρg貢獻(xiàn)率最大，湘雜油787品種ρr最大，灃綠1號X4貢獻(xiàn)率最大，油苔929品種X5貢獻(xiàn)率最大。

從總貢獻(xiàn)率來看，苗前期灃綠2號與苗后期油苔420具有品種區(qū)分優(yōu)勢，其貢獻(xiàn)率分別為30.832 1%、31.547 3%，苗后期反射率參數(shù)區(qū)分不同品種的能力優(yōu)于苗前期。

2.3.6植被指數(shù)參數(shù)的貢獻(xiàn)率分析 各品種高光譜植被指數(shù)參數(shù)的對比結(jié)果見圖9。同一時期的比值植被指數(shù)貢獻(xiàn)率差異較小，歸一化植被指數(shù)差異較大。兩時期X6貢獻(xiàn)率均最大，苗前期品種間貢獻(xiàn)率差異最小的是X9，苗后期品種間差異最小的是X8。苗前期，油苔420品種X6、X8貢獻(xiàn)率最大，湘雜油787品種X7、X9最大。苗后期湘油708品種X6貢獻(xiàn)率最大，油苔929品種X7貢獻(xiàn)率最大，湘雜油518品種X8貢獻(xiàn)率最大，湘雜油787品種X9最大。從總貢獻(xiàn)率來看，苗前期，油苔420具有品種區(qū)分優(yōu)勢，貢獻(xiàn)率達(dá)到28.089 4%，苗后期，油苔929具有品種區(qū)分優(yōu)勢，貢獻(xiàn)率達(dá)32.335 3%，苗后期植被指數(shù)參數(shù)區(qū)分不同品種的能力優(yōu)于苗前期，該結(jié)果與面積參數(shù)、反射率參數(shù)一致。

2.3.7高光譜特征參數(shù)的對比分析 高光譜特征參數(shù)的對比結(jié)果見圖10。6類特征參數(shù)在苗前期與苗后期區(qū)分油菜品種的能力不同。根據(jù)6類高光譜特征參數(shù)總貢獻(xiàn)率大小，在苗前期，不同高光譜特征參數(shù)區(qū)分油菜品種的能力由強到弱依次為：振幅參數(shù)>反射率參數(shù)>面積參數(shù)>植被指數(shù)參數(shù)>位置參數(shù)>寬度參數(shù)；在苗后期，不同高光譜特征參數(shù)區(qū)分油菜品種的能力強弱與苗前期差別不大，由強到弱依次為：振幅參數(shù)>面積參數(shù)>反射率參數(shù)>植被指數(shù)參數(shù)>位置參數(shù)>寬度參數(shù)。兩個時期中振幅參數(shù)區(qū)分油菜品種的能力均最強，寬度參數(shù)區(qū)分油菜品種的能力均最弱。

2.4 特征參數(shù)的方差分析

苗前期與苗后期各品種特征參數(shù)的方差分析結(jié)果如表1所示。苗后期各品種的Dr、SDr以及四種植被指數(shù)X6、X7、X8、X9與苗前期差異極顯著；5個品種的SDb差異極顯著；4個品種的X4差異顯著，同時有3個品種差異達(dá)到極顯著。由表2可知，苗后期不同特征參數(shù)的顯著性效果明顯優(yōu)于苗前期，苗后期不同特征參數(shù)間差異極顯著。為提高品種識別精度，選擇苗后期且顯著性效果較好的8個特征參數(shù)進(jìn)行品種間多重比較方差分析。

表1 各品種不同特征參數(shù)在苗前期與苗后期的方差分析結(jié)果Table 1 Rsults of variance analysis of variety with different characteristic parameters in the early and late seedling stage

表2 不同特征參數(shù)在苗前期與苗后期的方差分析結(jié)果Table 2 The results of variance analysis with different characteristic parameters in the early and late seedling stage

品種間特征參數(shù)統(tǒng)計結(jié)果如表3所示。Dr、X6、X9三個特征參數(shù)識別油菜品種的效果最好，可以明確區(qū)分6種油菜品種。SDb、X4、X7、X8四個特征參數(shù)識別油菜品種的效果次之，可以明確區(qū)分5種油菜品種。SDr特征參數(shù)可以區(qū)分4種油菜品種。其中，各特征參數(shù)識別湘雜油518品種的效果最好，SDr、X4、X6、X7、X8、X9共6個特征參數(shù)都能準(zhǔn)確區(qū)分湘雜油518品種與剩余10種油菜品種；各特征參數(shù)識別油苔929品種的效果較好，X4、X6、X7、X8、X9共5個特征參數(shù)都能準(zhǔn)確區(qū)分油苔929品種與剩余10種油菜品種。特征參數(shù)中X6、X7、X8、X9為植被指數(shù)參數(shù)，即植被指數(shù)參數(shù)運用方差分析方法識別油菜品種的綜合性效果好。

表3 不同品種特征參數(shù)統(tǒng)計(苗后期)Table 3 Statistics of characteristic parameters of different rape varieties (late seedling stage)

3 討論

高光譜特征參數(shù)通常涉及紅邊、藍(lán)邊和黃邊參數(shù)，其與作物特征之間的相互關(guān)系是應(yīng)用于作物評估的基礎(chǔ)[20]?；谔卣鲄?shù)能有效識別作物品種[7,18]，同時以高光譜常用植被指數(shù)、不同數(shù)據(jù)變換形式來提取作物信息的方法，能夠有效提高作物識別精度[21-22]。本研究也證實了基于特征參數(shù)來區(qū)分油菜品種是可行的，綜合能力由強到弱依次為：振幅參數(shù)>面積參數(shù)>反射率參數(shù)>植被指數(shù)參數(shù)>位置參數(shù)>寬度參數(shù)。這與段丁丁等[19]研究結(jié)果相似，振幅、面積參數(shù)區(qū)分品種的能力較強，位置、寬度參數(shù)區(qū)分品種的能力較弱。本研究發(fā)現(xiàn)，通過提取特征參數(shù)能夠有效降低高光譜原始數(shù)據(jù)在區(qū)分作物品種維度高、數(shù)據(jù)量大的難度，在識別精度相當(dāng)?shù)那闆r下，可以優(yōu)先考慮用特征參數(shù)來區(qū)分作物品種。林川等[23]研究表明，應(yīng)用方差分析選取的光譜特征參數(shù)能較好的區(qū)分7種植物類型；王崠等[18]利用高光譜特征參數(shù)結(jié)合方差分析探討不同數(shù)據(jù)變換形式對農(nóng)作物的識別能力。本研究利用方差分析篩選出區(qū)分油菜品種較優(yōu)的三個特征參數(shù)Dr、SDr/SDb、(SDr-SDy)/(SDr+SDy)，該結(jié)論進(jìn)一步證實了劉秀英等[24]認(rèn)為紅邊區(qū)對樹種識別有重要作用的結(jié)論，同時，植被指數(shù)參數(shù)識別油菜品種的綜合性效果好這一結(jié)論與舒田等[21]經(jīng)過一階微分變換后的衍生相關(guān)指數(shù)識別農(nóng)作物的能力較強的結(jié)果相符。因此，經(jīng)過微分處理后的紅邊參數(shù)及基于紅邊參數(shù)變換形式的相關(guān)指數(shù)參數(shù)可作為品種分類識別的優(yōu)選特征參數(shù)。

近年來，無人機遙感技術(shù)用于大面積觀測地面農(nóng)田，測量時間靈活，光譜分辨率與空間分辨率明顯提高，而紅邊參數(shù)能夠很好地反映作物的生長狀況與活力程度。這為農(nóng)作物品種識別提供了新的研究趨勢，基于紅邊參數(shù)、紅邊波段的無人機遙感技術(shù)和遙感衛(wèi)星都可以進(jìn)行品種分類識別。同時，無人機遙感技術(shù)與遙感衛(wèi)星獲取的大數(shù)據(jù)在精準(zhǔn)作業(yè)和智慧農(nóng)業(yè)中應(yīng)用廣泛。研究表明，遙感衛(wèi)星基于紅邊波段或紅邊植被指數(shù)能夠較好的預(yù)測生物量、葉面積指數(shù)等情況[25-26]。張影等[27]指出，機載高光譜遙感用于農(nóng)作物分類的研究對象多為糧食作物，經(jīng)濟作物的研究較少，但其空間分辨率較高，在未來的農(nóng)作物精細(xì)分類中，多源遙感影像的融合仍然值得我們關(guān)注。不少學(xué)者利用無人機遙感平臺結(jié)合冠層光譜進(jìn)行地物分類[28]、長勢監(jiān)測[29]、產(chǎn)量預(yù)估[30]等研究，這表明基于光譜特征參數(shù)可運用在多個遙感平臺中，為實現(xiàn)農(nóng)作物品種的分類與識別提供了新的技術(shù)手段。因此，研究可利用多個遙感平臺將影像數(shù)據(jù)與地面實測數(shù)據(jù)結(jié)合，用于品種識別、長勢監(jiān)測、病害監(jiān)測，產(chǎn)量估算等多方面研究中，實現(xiàn)“點”與“面”兩個尺度的關(guān)聯(lián)與轉(zhuǎn)換。

本研究探討不同特征參數(shù)在油菜苗前期與苗后期區(qū)分油菜品種的能力。結(jié)果表明，苗后期不同特征參數(shù)顯著性水平明顯優(yōu)于苗前期，苗后期不同特征參數(shù)間均存在極顯著性差異。因此油菜品種應(yīng)考慮在油菜生長旺期，識別效果較好。 陳春玲等[13]研究表明，因抽穗期粳稻生長茂盛，植株間密集，受到背景噪聲的干擾較小，MEA-BPNN 算法的氮素反演效果最好，尹凡[8]研究表明，對于不同類型的油菜品種識別的最佳時期是抽薹期，但也表示花期并不是同種農(nóng)作物間識別的最佳時期。張雪紅[31]研究認(rèn)為，苗期是利用光譜特征評價油菜氮素營養(yǎng)的最佳生育期。因此，農(nóng)作物品種的分類識別效果應(yīng)全面分析不同作物類型本身及其各生長時期的特征差異。以上方法與研究結(jié)論可作為其他研究者應(yīng)用于油菜品種分類識別的研究思路，這也為提高作物品種的識別精度和進(jìn)一步深入品種的判別分析提供了一定的基礎(chǔ)依據(jù)。

在下一步的研究中可以增加圖像、生理參數(shù)等信息進(jìn)行多數(shù)據(jù)融合，結(jié)合其他波段選取方法，同時對比分析油菜其他關(guān)鍵生育期在不同高光譜特征參數(shù)和不同光譜波段上品種分類識別的研究，進(jìn)一步篩選出更優(yōu)的特征參數(shù)和特征波段用于品種分類識別，以達(dá)到更好的識別精度和識別效果。