王怡田，張小敏，姜海益，張延寧，林洋洋，饒秀勤*

（1.浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，杭州 310058；2.農(nóng)業(yè)農(nóng)村部農(nóng)產(chǎn)品產(chǎn)地處理裝備重點(diǎn)實(shí)驗(yàn)室，杭州 310058；3.浙江大學(xué)數(shù)學(xué)科學(xué)學(xué)院，杭州 310058）

長江流域是中國油菜主產(chǎn)區(qū)，也是世界上規(guī)模和開發(fā)潛力最大的冬油菜生產(chǎn)帶，其油菜常年種植面積和產(chǎn)量均占我國的80%以上[1]。在我國油菜產(chǎn)業(yè)生產(chǎn)能力增長緩慢、種植效益偏低的形勢下，2017 年，農(nóng)業(yè)部種植業(yè)管理司在《全國大宗油料作物生產(chǎn)發(fā)展規(guī)劃（2016—2020年）》[2]中強(qiáng)調(diào)，推進(jìn)長江中下游油菜產(chǎn)區(qū)規(guī)?；?biāo)準(zhǔn)化種植，研究和推廣高產(chǎn)栽培技術(shù)來提高單產(chǎn)水平，以保障我國油菜產(chǎn)業(yè)的可持續(xù)發(fā)展。

光照在油菜苗的形態(tài)建成和生長發(fā)育過程中起著關(guān)鍵作用[3?4]，在不同的光照條件下油菜苗形態(tài)結(jié)構(gòu)、生化組分含量呈現(xiàn)出不同的變化趨勢。在每年10月中下旬適宜移栽期內(nèi)，長江流域油菜產(chǎn)區(qū)易出現(xiàn)寡照天氣，影響油菜苗期光合作用的反應(yīng)過程，導(dǎo)致油菜苗不健壯[5]。研究表明：在弱光條件下油菜葉片光合作用較弱，葉片含水量升高，其生物量積累處于較低水平；而隨著光照增強(qiáng)，油菜苗生物量積累增加，可使油菜苗健壯生長[6?7]。因此，研究光照脅迫對油菜苗期生長的影響及光照脅迫診斷方法，對保障我國油菜產(chǎn)業(yè)的可持續(xù)發(fā)展具有重要意義。

作物脅迫診斷通常利用實(shí)驗(yàn)室生化方法來進(jìn)行檢測，但該方法存在復(fù)雜、耗時(shí)、高成本和需專業(yè)人員操作等問題，不利于規(guī)?；?biāo)準(zhǔn)化作業(yè)[8]。而機(jī)器視覺方法雖然在一定程度上提升了檢測速度，簡化了操作步驟，但其信息獲取具有局限性，準(zhǔn)確度不高[9?12]。而高光譜成像技術(shù)不僅可以獲取待測作物每個(gè)像素點(diǎn)的高分辨光譜信息，并且能可視化二維光譜信息，其結(jié)合了機(jī)器視覺技術(shù)和光譜分析技術(shù)，能滿足更廣泛的作物脅迫檢測需求[13?14]。當(dāng)作物受到脅迫時(shí)，生化組分含量和內(nèi)部結(jié)構(gòu)發(fā)生改變，產(chǎn)生與正常作物不同的光譜響應(yīng)[15?16]，因此，研究人員基于高光譜成像技術(shù)，通過圖譜分析技術(shù)捕捉到這種響應(yīng)差異，進(jìn)而實(shí)現(xiàn)作物脅迫檢測。如：RUMPF 等[17]采集了3 種甜菜葉部病害在400～1 050 nm 波長范圍內(nèi)的高光譜圖像，提取出9 種光譜指數(shù)并建立了支持向量機(jī)（support vector machine, SVM）分類器。結(jié)果表明，該方法對是否染病的分類準(zhǔn)確率達(dá)97%，對病害類別的多重分類準(zhǔn)確率達(dá)86%，對不同病害階段的分類準(zhǔn)確率在65%～90%之間。IORI 等[18]采集了感染諾氏瘧原蟲的小麥在1 000～1 700 nm 波長范圍內(nèi)的高光譜圖像，基于廣義最小二乘加權(quán)（generalized least squares weighting, GLSW）和主成分分析（principal component analysis,PCA）算法，在接種48 h 后實(shí)現(xiàn)了健康和染病組織的檢測，且篩選出的波長1 650 nm 可用于感染諾氏瘧原蟲小麥的早期檢測。XIE等[19]采集了番茄葉片早疫病、晚疫病在380～1 023 nm 波長范圍內(nèi)的高光譜圖像，基于連續(xù)投影算法（successive projection algorithm, SPA）提取特征波長，建立了極限學(xué)習(xí)機(jī)（extreme learning machine,ELM）分類器，其對病害類別的多重分類準(zhǔn)確率達(dá)97.1%。劉燕德等[20]采集了輕度、中度、重度缺鋅的柑橘葉片在400～1 000 nm波長范圍內(nèi)的高光譜圖像，基于無信息變量消除（uninformative variable elimination, UVE）算法剔除無關(guān)信息，并結(jié)合遺傳算法（genetic algorithm,GA）和SPA 篩選變量，利用ELM 和最小二乘支持向量機(jī)（least squares?support vector machine, LS?SVM）構(gòu)建柑橘黃龍病判別模型。結(jié)果表明，降維特征誤判率低于全譜特征，提升了檢測效果。

綜上所述，基于高光譜成像技術(shù)的作物脅迫檢測主要集中于全譜分析、特征波長分析等[21?22]，光譜特征的差異不僅反映了脅迫的發(fā)生，還提供了脅迫持續(xù)時(shí)間和嚴(yán)重程度的信息，但脅迫早期檢測效果有待進(jìn)一步提升。本文通過光照脅迫實(shí)驗(yàn)分析油菜苗期冠層葉片光譜特征對光照脅迫的響應(yīng)，對比不同光譜特征提取算法效果，分析光譜特征演化規(guī)律，確定合適的光照脅迫敏感特征，從而建立光照脅迫判別模型，以期實(shí)現(xiàn)油菜苗期光照脅迫早期診斷。

1 材料與方法

1.1 儀器設(shè)備

由于不同波段能反映葉片獨(dú)特的理化性質(zhì)，為了全面地獲取油菜葉片光譜信息，本實(shí)驗(yàn)采用Q285高光譜成像系統(tǒng)（德國Cubert 公司）和SOC710 SWIR高光譜成像系統(tǒng)（美國SOC公司）分別采集油菜葉片在特定波長范圍內(nèi)的高光譜圖像。如圖1所示，將葉片放置于黑色背景的載物臺上，采集時(shí)關(guān)閉暗箱門，單個(gè)樣本的總采集時(shí)間在1 min 內(nèi)。其中，Q285 高光譜成像系統(tǒng)的光譜范圍為450～998 nm，光譜分辨率為4 nm，鏡頭焦距為23 mm，空間分辨率為1 000×1 000 像素；SOC710 SWIR 高光譜成像系統(tǒng)的光譜范圍為917～1 717 nm，光譜分辨率為2.75 nm，鏡頭焦距為35 mm，空間分辨率為640×568像素。

圖1 油菜葉片高光譜圖像采集Fig.1 Hyperspectral image acquisition of rapeseed leaves

1.2 實(shí)驗(yàn)設(shè)計(jì)與樣本獲取

油菜苗期光照脅迫實(shí)驗(yàn)在實(shí)驗(yàn)室內(nèi)進(jìn)行，油菜品種為浙油50，播種前曬種4 h。將配置的含水量為70%的育苗基質(zhì)與蛭石按照體積比1∶1均勻混合后裝盤，然后將油菜種子播種于72 穴的穴盤中，每穴播種1 粒種子，共播種18 盤，之后放入智能人工氣候箱中培養(yǎng)40 d。培養(yǎng)條件：晝溫為（25±1）℃；夜溫為（15±1）℃；相對濕度為（70±5）%；光周期為光照16 h/黑暗8 h；光密度為350 μmol/（m2·s）。

待幼苗長至兩葉一心后，進(jìn)入光照脅迫實(shí)驗(yàn)階段。根據(jù)油菜生產(chǎn)的光密度范圍，油菜葉片光飽和點(diǎn)約為600 μmol/（m2·s），光補(bǔ)償點(diǎn)約為50 μmol/（m2·s）[23]。而在人工發(fā)光二極管（LED）光源下，400 μmol/（m2·s）較300 和200 μmol/（m2·s）光密度有利于培育壯苗。光密度較大時(shí)，油菜葉片吸收的光能可能超過所能利用的能量，發(fā)生光抑制現(xiàn)象；光密度較小時(shí)，油菜苗通常呈現(xiàn)高度增加而莖粗減小態(tài)勢，根系相對不發(fā)達(dá)，形成的油菜葉片保水能力較差，抵御干旱能力較弱，不利于幼苗生長和成活[24?26]。因此，本實(shí)驗(yàn)將油菜幼苗的育苗光密度設(shè)置為3 組水平：OD1，210 μmol/（m2·s）；OD2，350 μmol/（m2·s）；OD3，420 μmol/（m2·s）。其中，OD2組為對照組。分別在第1—21天，每天從每組幼苗中摘取20株油菜苗的全部冠層葉片，采用Q285 高光譜成像系統(tǒng)和SOC710 SWIR 高光譜成像系統(tǒng)分別采集在450～998 和917～1 717 nm 范圍內(nèi)的高光譜圖像。以每株油菜苗所有冠層葉片的平均光譜作為冠層光譜，構(gòu)建冠層光譜樣本集，樣本總數(shù)均為1 260 個(gè)。其中，OD1、OD2、OD3組各為420個(gè)。

1.3 光譜數(shù)據(jù)預(yù)處理

由于高光譜成像系統(tǒng)采集的是整個(gè)視場范圍內(nèi)的圖像，而我們的感興趣區(qū)域（region of interest,ROI）是冠層葉片區(qū)域，因此，需要對葉片和背景進(jìn)行分割。選取油菜樣本在450～998 和917～1 717 nm的高光譜圖像中100×100像素大小的冠層葉片區(qū)域和背景區(qū)域，分別求取平均光譜，得到如圖2所示的曲線。當(dāng)冠層葉片和背景的光譜曲線反射率差異較大時(shí)，該波長圖像可用作背景分割，最終選擇546和1 121 nm 波長圖像分別對450～998 和917～1 717 nm高光譜圖像進(jìn)行分割，分割效果如圖3所示。

圖2 450～998 nm（A）和917～1 717 nm（B）的葉片區(qū)域和背景區(qū)域平均光譜曲線Fig.2 Mean spectral curves of leaf and background areas at 450-998 nm(A)and 917-1 717 nm(B)

圖3 546和1 121 nm波長圖像分割結(jié)果Fig.3 Segmentation results of 546 and 1 121 nm images

提取冠層葉片的平均光譜，去除兩端噪聲波段，選擇498～950 nm 共114 個(gè)波長和939～1 681 nm 共267 個(gè)波長進(jìn)行分析。為了消除高頻隨機(jī)噪聲和批次差異，依次進(jìn)行Savitzky?Golay平滑、標(biāo)準(zhǔn)化和歸一化處理。采用主成分?馬氏距離法，根據(jù)Dixon 準(zhǔn)則或Chauvenet 準(zhǔn)則剔除異常樣本。計(jì)算OD1、OD2、OD3各組平均光譜及每個(gè)樣本光譜與平均光譜之間的馬氏距離，按馬氏距離從小到大順序排列；指定檢出水平α=0.05，剔除水平α=0.01，異常樣本剔除情況如圖4 所示。第1 天OD1組第6 個(gè)光譜樣本和第10天OD3組第3個(gè)光譜樣本被判別為異常樣本并予以剔除。最終有21 d 的樣本用于特征提取和油菜苗光照脅迫研究，OD1、OD2、OD3組樣本總數(shù)分別為419、420、419個(gè)。

圖4 第1天OD1組（A）和第10天OD3組（B）的馬氏距離分布Fig.4 Mahalanobis distance distribution of group OD1 on day 1(A)and group OD3 on day 10(B)

1.4 光照脅迫敏感波段提取

1.4.1 基于光譜反射率顯著性分析提取光照脅迫敏感波段

冠層光譜特性由冠層葉片生化組分和結(jié)構(gòu)特性等因素共同決定。光照脅迫下，葉片生化組分含量和結(jié)構(gòu)特性發(fā)生改變，會產(chǎn)生區(qū)別于正常的光譜響應(yīng)，最直接表現(xiàn)為各波長光譜反射率的差異。因此，首先基于光譜反射率提取光密度脅迫敏感波長。

按照觀測天數(shù)將冠層光譜樣本集劃分為d1～d21族，每族分為OD1、OD2、OD3組。指定顯著性水平α=0.05，依次對di族λj波長反射率r（di，λj）進(jìn)行正態(tài)檢驗(yàn)和方差齊性檢驗(yàn)。若3組均滿足正態(tài)或輕微偏態(tài)分布和方差齊性要求，則采用單因素方差分析，否則采用Mann-Whitney-Wilcoxon（MWW）檢驗(yàn)，檢驗(yàn)r（di，λj）在3 組之間是否存在顯著差異。若單因素方差分析結(jié)果存在顯著差異，則采用Student-Newman-Keuls（SNK）法進(jìn)行多重比較，檢驗(yàn)3組之間是否兩兩存在顯著差異。若兩兩存在顯著差異，則將λj作為di族光照脅迫敏感波長，統(tǒng)計(jì)d1～d21族λj出現(xiàn)的頻數(shù)。

由于提取的波長頻數(shù)整體偏小，不同節(jié)位葉片光合速率隨著生長期推移可能發(fā)生不同程度改變，導(dǎo)致光照脅迫敏感波長發(fā)生偏移，基于光譜反射率無法提取到全生長期光照脅迫敏感波長。因此，分別提取油菜冠層二葉期至五葉期光照脅迫敏感波長，以保留頻數(shù)占該生長期所含族數(shù)比例不低于75%的波長作為單生長期光照脅迫敏感波長。單生長期光照脅迫敏感波長分布情況如圖5所示?；诠庾V反射率共提取到1個(gè)單生長期光照脅迫敏感波段1 361～1 408 nm以及若干波長。

圖5 基于光譜反射率顯著性分析提取的單生長期光照脅迫敏感波長分布Fig.5 Distribution of light-stress-sensitive wavelength within single growth period based on the significance analysis of spectral reflectance

1.4.2 基于連續(xù)小波變換提取光照脅迫敏感波段

連續(xù)小波變換（continuous wavelet transform,CWT）將冠層光譜在不同尺度下轉(zhuǎn)換成一系列的小波系數(shù)，表示當(dāng)前尺度下的小波與所對應(yīng)波長的相似程度，這種多尺度分解的特性利于更加細(xì)致地分析光譜響應(yīng)差異，故采用連續(xù)小波變換提取光照脅迫敏感波段。本文選擇Marr 小波母函數(shù)，采用1～50連續(xù)的小波分解尺度，基于小波系數(shù)分析光照脅迫敏感波段。以d1族為例：

1）計(jì)算d1族光譜樣本1～50分解尺度下的小波系數(shù)w（si，λj），得到小波系數(shù)矩陣。采用單因素方差分析，檢驗(yàn)w（si，λj）在d1族3組之間是否存在顯著差異，得到P值矩陣灰度圖，P值越小，灰度值越低，差異越顯著。如圖6 所示，在498～950 和939～1 681 nm波段都存在低灰度P值，即存在小波系數(shù)在3組之間差異顯著的情況。

圖6 498～950 nm（A）和939～1 681 nm（B）d1族的P值矩陣灰度圖Fig.6 Gray-level matrix map of P value in the family d1 at 498-950 nm(A)and 939-1 681 nm(B)

2）若存在顯著差異，采用SNK 法進(jìn)行多重比較，檢驗(yàn)d1族3組之間是否兩兩存在顯著差異；若兩兩存在顯著差異，則將λj作為d1族光照脅迫敏感波長，將w（si，λj）作為d1族敏感小波系數(shù)。如圖7 所示，淺藍(lán)色、橙色、黃色區(qū)域分別代表3 次比較中有1、2、3 次在0.05 水平上差異顯著。圖7A 中不存在黃色區(qū)域，主要是由于OD2和OD3組差異不顯著；圖7B中黃色區(qū)域主要分布在較高尺度，說明短期內(nèi)光密度脅迫可能引起某些波段特征發(fā)生變化，而不是僅改變了某一波長反射率。

圖7 498～950 nm（A）和939～1 681 nm（B）d1族的光照脅迫敏感小波系數(shù)圖Fig.7 Light-stress-sensitive wavelet coefficient map in the family d1 at 498-950 nm(A)and 939-1 681 nm(B)

類似地，依次對其余20 族進(jìn)行分析，統(tǒng)計(jì)λj出現(xiàn)的頻數(shù)。以保留頻數(shù)占總族數(shù)比例不低于75%的波長作為全生長期光密度敏感波長，共提取到1個(gè)全生長期光照脅迫敏感波段939～978 nm，其分布情況如圖8 所示。為減少敏感波長漏檢情況，同時(shí)提取單生長期光密度敏感波長，結(jié)果共提取到2個(gè)單生長期光照脅迫敏感波段662～682、984～1 045 nm，以及若干波長，其分布情況如圖9所示。

圖8 基于CWT提取的全生長期光照脅迫敏感波長分布Fig.8 Distribution of light-stress-sensitive wavelengths in whole growth period based on CWT

圖9 498～950 nm（A）和939～1 681 nm（B）波段基于CWT提取的單生長期光照脅迫敏感波長分布Fig.9 Distribution of light-stress-sensitive wavelengths within single growth period based on CWT at 498-950 nm (A) and 939-1 681 nm(B)

綜上所述，以上2 種算法共提取到1 個(gè)全生長期光照脅迫敏感波段939～978 nm，3個(gè)單生長期光照脅迫敏感波段662～682、984～1045、1 361～1 408 nm，以及若干波長。將以上提取的波段和波長用于光譜特征提取算法研究。

1.5 光譜特征提取

1.5.1 樣本集劃分

如表1 所示，根據(jù)實(shí)驗(yàn)中培育的油菜苗期生長狀況，將冠層光譜樣本集劃分為C1、C2、C3、C4族，分別對應(yīng)二葉期至五葉期。

表1 冠層光譜樣本集劃分Table 1 Canopy spectral sample set division

后續(xù)基于1.4節(jié)提取到的光照脅迫敏感波段，對劃分后的樣本集進(jìn)行特征提取算法研究，比較不同算法在各樣本集上所提取的特征波長、小波特征和波段特征的差異性以及區(qū)分光照脅迫的能力特征。

1.5.2 特征波長提取算法

對C1～C4族進(jìn)行SPA 處理，指定特征波長數(shù)為1～20，根據(jù)均方根誤差篩選最優(yōu)特征波長，具體結(jié)果如表2所示。SPA提取的特征波長主要分布在近紅外波段處，其中984、1 408 nm 波長多次出現(xiàn)，與水分子O—H鍵第一泛頻、第二泛頻吸收帶有關(guān)。

表2 C1～C4特征波長Table 2 Characteristic wavelengths of C1-C4

1.5.3 小波特征提取算法

采用CWT 算法提取C1～C4族小波特征。為避免特征個(gè)數(shù)較多和特征間相關(guān)性較強(qiáng)，導(dǎo)致矩陣求逆的精度下降、所建判別函數(shù)不穩(wěn)定的問題，采用逐步判別分析（stepwise discriminant analysis,SDA）篩選小波特征，尋找合適的特征子集?；贑WT?SDA算法提取的小波特征結(jié)果如表3所示。

表3 C1～C4小波系數(shù)Table 3 Wavelet coefficients of C1-C4

2 結(jié)果與討論

2.1 單一特征判別模型

Fisher 分類器是一種結(jié)構(gòu)簡單的線性監(jiān)督分類模型，能讓分類結(jié)果的類內(nèi)方差最小而類間散度最大，其對噪聲有著良好的魯棒性。本研究使用Fisher 判別模型，分別對基于SPA 提取的特征波長和CWT?SDA 算法提取的小波特征構(gòu)建單一特征判別模型SPA?Fisher 和CWT?SDA?Fisher，初步評價(jià)特征波長區(qū)分在輕度弱光、輕度強(qiáng)光和正常光照下生長的油菜苗的能力。采用無放回隨機(jī)抽樣的5 折交叉驗(yàn)證方法進(jìn)行SPA?Fisher 和CWT?SDA?Fisher 模型建立和驗(yàn)證，將5 次分類準(zhǔn)確率的平均值作為模型總體分類準(zhǔn)確率。單次實(shí)驗(yàn)中每一組分類準(zhǔn)確率的計(jì)算公式如下：分類準(zhǔn)確率=TP/（TP＋FP）×100%。式中，TP 為該組判別正確的樣本數(shù)，F(xiàn)P為該組樣本被誤判成其他組的樣本數(shù)。

2 種模型的分類準(zhǔn)確率如表4 和表5 所示。結(jié)果表明：SPA?Fisher 和CWT?SDA?Fisher 模型對油菜各生長期平均總體分類準(zhǔn)確率分別為74.47%和77.25%，后者的分類準(zhǔn)確率和穩(wěn)定性略優(yōu)，但分類效果仍不理想；總體分類準(zhǔn)確率隨脅迫時(shí)間增長和生長期推移，呈現(xiàn)先升后降趨勢，在三葉期達(dá)到最佳分類效果，說明油菜冠層葉片生長初期和后期對分類準(zhǔn)確率的影響較大；2 種模型對OD1組的平均分類準(zhǔn)確率都顯著高于OD3組，說明低光密度脅迫響應(yīng)更易被區(qū)分。

表4 通過SPA 優(yōu)選的特征波長在Fisher 判別模型下的光照脅迫判別結(jié)果Table 4 Discrimination results of light stress of characteristic wavelengths optimized by SPA under Fisher discriminant model

表5 通過CWT-SDA 優(yōu)選的小波特征在Fisher 判別模型下的光照脅迫判別結(jié)果Table 5 Discrimination results of light stress of wavelet coefficients optimized by CWT-SDA under Fisher discriminant model

2.2 分類模型優(yōu)化

2.2.1 光譜波段特征提取

上述采用SPA和CWT?SDA算法提取的光譜特征沒有明顯的波段分布特點(diǎn)，分類效果仍不理想。因此，對全生長期光密度敏感波段939～978 nm 進(jìn)行特征提取。通過提取的曲線面積和特征角正切值tanθ2項(xiàng)波段特征描述939～978 nm波段光譜反射率和曲線形狀差異。

采用3 階多項(xiàng)式擬合939～978 nm 波段（圖10A），并計(jì)算各波長處切線斜率（圖10B）。以切線斜率最小處970 nm為分界點(diǎn)，將939～978 nm波段劃分成2 段?？梢钥闯?，在939～970 nm 波段處光譜差異較為明顯。

圖10 939～978 nm波段3階多項(xiàng)式擬合曲線（A）和切線斜率變化（B）Fig.10 Fitting curve by third-order polynomial method (A)and changes of tangent slope(B)at 939-978 nm

如圖11 所示，分別設(shè)置M=939 nm，A=970 nm，首先計(jì)算MA的曲線面積，計(jì)算公式為

圖11 939～978 nm波段特征tan θ示意圖Fig.11 Schematic diagram of band characteristic tan θ at 939-978 nm

隨后，為避免邊界點(diǎn)噪聲，M、A各向內(nèi)取一個(gè)點(diǎn)，計(jì)算M′、A′處切線，M′、A′處切線交點(diǎn)O構(gòu)成夾角∠M′OA′，∠M′OA′的正切值tanθ作為939～970 nm波段的第2個(gè)特征。

2.2.2 光譜特征演化規(guī)律

以3 d 為間隔，將觀測期劃分為D1—D7，其中D1—D5為育苗期，D6—D7為移栽期。對上述2 個(gè)波段特征（曲線面積和tanθ）進(jìn)行測試，分析光譜特征隨時(shí)間的演化規(guī)律。

1）939～970 nm 特征波段。939～970 nm 曲線面積變化趨勢如圖12A所示?？梢钥闯觯弘S觀測期推移，曲線面積呈現(xiàn)先減小后增大的趨勢，該值在移栽期表現(xiàn)為OD3＞OD2＞OD1。該波段反射率大小主要與葉片結(jié)構(gòu)和含水量有關(guān)。葉片厚度較大時(shí)，反射率較高；含水量較低時(shí)，反射率較高。939～970 nm 特征角的正切值tanθ變化趨勢如圖12B 所示?？梢钥闯觯弘S觀測期推移，tanθ呈現(xiàn)先減小后增大的趨勢，該值在移栽期表現(xiàn)為OD3＞OD2＞OD1。

圖12 939～978 nm波段曲線面積（A）和tan θ（B）隨觀測期的變化趨勢Fig.12 Variation trends of areas under curve(A)and tan θ(B)with observation period at 939-978 nm

2）特征波長。984 nm 反射率變化趨勢如圖13A 所示。可以看出：在觀測期內(nèi)，984 nm 反射率表現(xiàn)為OD3＞OD2＞OD1。研究表明，984 nm附近為水分子O—H 鍵第二泛頻吸收帶，984 nm 反射率與葉片含水量呈負(fù)相關(guān)。1 408 nm光譜反射率變化趨勢如圖13B 所示?？梢钥闯觯涸谠摬ㄩL下光譜反射率變化沒有明顯的一致趨勢，與此波長相關(guān)的理化特征在不同光密度下表現(xiàn)出不同的變化趨勢。

圖13 984 nm（A）和1 408 nm（B）反射率隨觀測期的變化趨勢Fig.13 Variation trends of reflectance with observation period at 984 nm(A)and 1 408 nm(B)

2.3 光照脅迫判別模型

基于2.2 節(jié)中的4 個(gè)光譜特征，即939～978 nm波段曲線面積、特征角正切值tanθ以及984 和1 408 nm 處反射率，建立多特征融合的Fisher 判別模型，采用無放回隨機(jī)抽樣的5 折交叉驗(yàn)證方法進(jìn)行模型建立和驗(yàn)證，將5 次分類的平均準(zhǔn)確率作為模型總體分類準(zhǔn)確率?？傮w分類準(zhǔn)確率和OD1組分類準(zhǔn)確率結(jié)果如圖14所示。結(jié)果表明：多特征融合的光照脅迫Fisher 判別模型總體分類準(zhǔn)確率為75.00%～95.00%，各生長初期或后期，分類準(zhǔn)確率較低，在d20族達(dá)到最佳分類效果，準(zhǔn)確率為95.00%；該模型對OD1組的分類準(zhǔn)確率為80.16%～100.00%，即對弱光脅迫樣本檢測效果較好。多特征融合的Fisher 判別模型的平均分類準(zhǔn)確率為86.88%，顯著提升了單類特征光照脅迫檢測模型的分類效果。同時(shí)，發(fā)現(xiàn)單片葉相較于冠層葉而言，干擾因素較少，可能更適于光譜響應(yīng)分析。

圖14 多特征融合的Fisher判別模型總體分類準(zhǔn)確率（A）和OD1組分類準(zhǔn)確率（B）的變化趨勢Fig.14 Variation trends of total classification accuracy (A) and OD1 group classification accuracy (B) by Fisher discriminant model based on multi feature fusion

3 結(jié)論

本文以移栽前油菜為研究對象，進(jìn)行了光密度脅迫實(shí)驗(yàn)，研究了基于高光譜成像技術(shù)的油菜光照脅迫診斷方法，建立了SPA?Fisher 和CWT?SDA?Fisher 2 種單特征油菜苗光照脅迫判別模型。結(jié)果表明，這2 個(gè)判別模型對不同生長期油菜的平均分類準(zhǔn)確率分別為74.47% 和77.25%，其中CWT?SDA?Fisher 模型的準(zhǔn)確率和穩(wěn)健性更優(yōu)。進(jìn)一步篩選出939～978 nm 波段曲線面積、特征角正切值tanθ以及984 和1 408 nm 處反射率4 個(gè)特征，建立了多特征融合的Fisher 判別模型，其平均分類準(zhǔn)確率為86.88%，顯著提升了單類特征光照脅迫檢測模型的效果。研究還發(fā)現(xiàn)，單片葉相較于冠層葉，干擾因素較少，可能更適于進(jìn)行光譜響應(yīng)分析。因此，后續(xù)將進(jìn)一步基于不同真葉研究光密度脅迫檢測方法，優(yōu)化光照脅迫判別模型，從而提高檢測效果。