刘智彪, 刘文昊, 靳瑰丽*, 阿德列提·艾列吾塔力甫, 常 静,加马力丁·吾拉扎汗, 宫 珂, 马 建, 李 莹, 陈 瑶
(1. 新疆农业大学草业学院/新疆草地资源与生态重点实验室/西部干旱荒漠区草地资源与生态教育部重点实验室,新疆 乌鲁木齐 830052; 2. 新源县林业和草原局, 新疆 伊犁 835000; 3. 伊犁哈萨克自治州治蝗灭鼠指挥中心, 新疆 伊犁 835000)
高光谱遥感(Hyper-spectral remote sensing)是利用人工或者飞行器携带的高光谱仪,从目标对象中获取多条窄波段通道电磁波数据的技术,它能够获取更多光谱信息,实现地物的精细化分类[1-3]。在基于高光谱遥感植物识别领域,前人的研究大多集中于农田作物、森林树种、城市植被[4-8]。陈树人[9]和白敬[10]等在对不同植物的光谱研究时,通过逐步判别方法筛选敏感识别波段,实现了不同农田作物的判别分类;曹晓兰[11]通过筛选4种苎麻(Boehmerianivea)品种的反射率特征参数,进一步利用Fisher判别规则,建立不同苎麻品种的判别函数模型,平均正确率达95.5%;也有学者通过对比多种草地植物的反射率光谱特征建立物种分类规则,经验证明分类错误率低于5%[12];韩万强[13]筛选出伊犁绢蒿荒漠草地主要植物最佳识别参数,建立Fisher判别模型,总精度为92.13%。众多研究表明利用光谱反射率特征的差异来进行分类和识别,筛选不同植物的敏感波段,能够有效地降低光谱数据量,更准确实现对植物的识别与监测。
白喉乌头(Aconitumleucostomum)为毛茛科(Ranuncuaceae)乌头属(Aconitum)多年生草本植物,是伊犁河谷山地草甸草地上一种常见的毒害草。长期过载放牧导致白喉乌头过度生长,严重制约着当地草原生态保护和畜牧业的发展[14]。目前对白喉乌头的防控手段主要以化学防除为主,毒害草在经过化学防除处理后,需要时效性强、精准度高、便捷的方法来分析防控效果。目前高光谱遥感在草地植被识别方面己有大量研究,但在草地毒害草识别方面的研究相对较少,仅在部分毒害杂草和入侵植物中进行了探索性研究,例如,程迪等[15]通过分析狼毒(Stellerachamaejasme)群落的光谱特征,得出区分狼毒与牧草的主要光谱特征参数为红谷、蓝谷与近红外反射峰;凯楠等[16]学者根据狼毒的高光谱特征,构建出叶绿素含量的最优预测模型;Underwood等[17]利用最小噪声分离(Minimum noise fraction,MNF)、波段比值(Band ratio,BR)和连续统去除法(Continuum removal,CR)3种方法对高光谱数据进行降维,实现对入侵植物莫邪菊(Carpobrotusedulis)的分类;Mund等[18]用主成分分析(Principal components analysis,PCA)和最小噪声分离两种技术对爱达荷州南部群心菜(Cardariadraba)的高光谱影像数据进行降维处理,并通过波谱角法(Spectral angle mapper,SAM)实现目标地物的分类;杨慧颖[19]筛选出紫茎兰泽(Eupatoriumadenophorum)的高光谱特征,利用最大似然法(Maximum likelihood,ML)和马氏距离法(Mahalanobis distance,MD),提取紫茎兰泽的分布。前人在对白喉乌头的高光谱分析中,得出750~1 150 nm波段范围、红边参数以及比值植被指数(Ratio vegetation index,RVI)可以用于遥感影像识别白喉乌头[20]。但经过防控处理后白喉乌头和群落中其他牧草光谱特性会发生怎样的变化?如何利用光谱特征差异客观有效地判别受药害乌头和未受药害乌头?解决这些问题是实现遥感大面积精准掌握防控效果的基础。因此,本研究以白喉乌头为对象,研究在防控处理后白喉乌头及其他牧草光谱动态变化特征,通过特征波段筛选建立Fisher判别模型进行化学防控后乌头识别,旨在为实现大面积白喉乌头防控效果遥感动态监测提供理论依据。
1 材料与方法1.1 研究区
研究区位于新源县那拉提镇阿吾赞夏牧场,地处恰普河山间谷地,位于东经83°30′~84°15′,北纬43°09′~43°20′,海拔1 800~3 700 m,降水量可达800 mm以上,草地类型属于禾草+杂类草山地草甸草地。由于长期过度放牧,毒害草白喉乌头成为群落的优势种,防控前草地群落主要植物数量特征见表1。
表1 化学防控前白喉乌头群落主要植物信息Table 1 Main plant information of Aconitum leucostomum community before chemical control
1.2 试验设计
在白喉乌头典型爆发区设置3条样线,前后间隔200 m。遵循植丛分布均匀的原则,每条样线上设置2个样地作为防控组喷施化学药剂,样线外再设置2个样地为不喷施药剂对照组,样地大小为75 m×75 m;并按SOC710 VP成像光谱仪视场范围大小,在每个样地内以白喉乌头为中心,按照样地对角线设置5个固定光谱测定样方,样方大小为0.5 m×0.6 m,共计30个防控观测样方,10个对照组观测样方。试验区样方设计见图1。
图1 试验区样地图Fig.1 Sample map of experimental area
于2020年5月下旬—6月初白喉乌头4~5叶期时,进行人工喷施化学药剂,施用药剂为迈士通除草剂,有效成分为21%氯氨吡啶酸,剂型为水剂,采用点喷法直接对其茎叶喷施。防控前进行了第1次数据采集,并在喷施后每隔15 d左右进行1次周期性防控效果监测,即分别在6月下旬(约防控15 d后)和7月中旬(约防控30 d后)进行动态测定。用于动态获取自然状态及受药害两种状态下白喉乌头和其他牧草,即4类目标地物的光谱特征。
1.3 数据处理
1.3.1预处理 使用SOC710 VP成像光谱仪测定采集白喉乌头及群落高光谱数据,其光谱范围覆盖376~1 076 nm,共有256个波段。利用SRAnal 710软件提取每一个样方中的白喉乌头、其他牧草的平均光谱反射率信息。采用多项式拟合平滑法,在保留原始光谱曲线原有特征不发生变化的基础上,对光谱曲线进行去噪处理。
1.3.2逐步判别筛选敏感识别波段 采用逐步判别分析将样方的全部光谱信息进行计算分析,对分类影响大的变量信息留在模型里,反之从模型中剔除[21],尽可能利用最少的变量信息数量,选择对分类精度影响最大的变量。研究以全波段反射率为自变量,样方的类别为因变量,用SPSS 20进行逐步判别分析,选择WilksLambda做分析模型,通过设定合适的F“输入”值与“剔除”值,进行变量筛选,提取特征波长。
1.3.3Fisher判别函数 Fisher线性判别函数是把已知样方信息都投影到一维空间,使样方在投影面上更易于分类,而易于分类投影面的特征是投影后同一类的样方尽可能集中,使类内离散度降低,不同类的样方尽可能远离,使类间离散度增加,从而判断各类特征,实现对样方目标地物的分类[23]。
2 结果与分析2.1 光谱特征动态变化分析
2.1.1白喉乌头和其他牧草光谱特征动态分析 随着生育期变化,植物的反射率也会发生改变。未进行化学防控条件下(图2 a,b),5月、6月、7月白喉乌头和其他牧草的光谱曲线变化趋势相似,且白喉乌头的整体反射率均大于其他牧草。在930~1 075 nm近红外波段,两者反射率发生明显的波动式变化,表现为5月>7月>6月;在376~710 nm可见光波段内,白喉乌头与其他牧草反射率存在明显差异,白喉乌头表现为6月小于5月和7月,其他牧草则表现为5月明显大于6月和7月。
化学防控处理后(图2 c,d),白喉乌头在600~710 nm红光波段内的反射率变化表现为7月大于6月,在770~1 075 nm近红外波段内的反射率变化表现为7月小于6月。其他牧草在720~1 075 nm波段内的反射率变化表现为7月小于6月,而在其他波段没有明显的反射率差异。
图2 白喉乌头及其他牧草的反射率动态变化Fig.2 Changes of reflectance of Aconitum leucostomum and other pastures注:图中小写字母a表示对照组的白喉乌头,b为对照组的其他牧草,c为防控组的白喉乌头,d为防控组的其他牧草Note:The lowercase letter a represents the Aconitum leucostomum in the control group,b is the other pastures in the control group,c is the Aconitum leucostomum in the chemical control group,and d is the other pastures in the chemical control group
2.1.2化学防控对白喉乌头群落光谱特征的影响 6月化学防控后白喉乌头在400~710 nm可见光波段内的反射率表现为防控组大于对照组,在770~1 075 nm近红外波段内的反射率表现为防控组小于对照组;7月白喉乌头在600~710 nm红光波段内的反射率表现为防控组高于对照组,而在770~1 075 nm近红外波段内的反射率表现虽与6月相似,但反射率大小差异更大。其他牧草在376~710 nm可见光波段内,防控组与对照组6月和7月的反射率大小无明显差异;在720~1 075 nm波段内,6月防控组反射率明显大于对照组,7月防控组则与对照组无显著差异(图3)。
图3 化学防控对白喉乌头及其他牧草光谱特征的影响Fig.3 Effects of chemical control on spectral characteristics of Aconitum leucostomum and other pastures注:图中小写字母a表示6月的白喉乌头,b为7月的白喉乌头,c为6月的其他牧草,d为7月其他牧草Note:The lowercase letter a represents the Aconitum leucostomum in June,b is Aconitum leucostomum in July,c is other pastures in June,d is other pastures in July
2.2 逐步判别筛选识别特征波段
选择合适的敏感识别波段,需要综合考虑模型判别精度和变量尽可能少的原则。将样方数据代入逐步判别函数模型,选择合适的F值和剔除值,筛选敏感识别波段。5月的敏感波段数量为4个,与其他月份相比数量最少,分布在403.95 nm的蓝光波段、512.53 nm的绿光波段、775.50 nm的红边位置以及988.36 nm的近红外波段。6,7月敏感波段的数量均为6个,其中6月分布较为均匀,在蓝光、绿光、红光以及近红外波段均有分布;7月主要分布在684~718 nm的红光波段,对比其他月份减少了在绿光波段和近红外线波段的敏感波段(表2)。
表2 波段筛选Table 2 Band selection
2.3 白喉乌头及其他牧草判别模型
将筛选的敏感识别波段,利用实际采集的训练样方获得的变量值,带入Fisher判别函数,得出5月、6月、以及7月白喉乌头和其他牧草的判别模型。
2.3.15月Fisher线性判别模型 利用SPSS软件的Fisher模型判别规则,通过5月的敏感波段建立5月防控处理前白喉乌头和其他牧草的Fisher判别函数(表3),并计算模型分类精度。
表3 5月白喉乌头Fisher线性判别系数Table 3 Fisher linear discriminant coefficients of Aconitum leucostomum in May
5月分类结果如表4所示,精度混淆矩阵表明白喉乌头识别精度达到了96.00%,而其他牧草识别精度达到了92.00%,总体分类精度为94.00%,kappa系数为0.88,通常kappa系数>0.6以上,表明分类结果与实际类别具有高度的一致性[21]。
表4 5月分类识别的精度混淆矩阵Table 4 Accuracy confusion matrix of classification recognition in May
2.3.26月Fisher线性判别模型 代入6月的敏感波段,得到6月份防控组及对照组的白喉乌头和可食牧草的Fisher判别函数(表5)。
表5 6月白喉乌头Fisher线性判别系数Table 5 Fisher linear discriminative coefficients of Aconitum leucostomum in June
6月分类结果如表6所示,其中防控组白喉乌头的识别精度为73.33%,模型错误的将对照组白喉乌头和防控组其他牧草识别成防控组白喉乌头;防控组其他牧草的识别精度为74.00%,模型混淆了大量防控组白喉乌头的样本信息;对照组的白喉乌头识别精度最低,仅为50.00%,识别错误主要在于将对照组的白喉乌头错分成了防控组可食牧草;对照组的其他牧草识别精度最高,达到86.67%。判别模型的总体分类精度为74.00%,kappa系数为0.64,白喉乌头和可食牧草的判别一致性低于5月份。
表6 6月分类识别的精度混淆矩阵Table 6 Accuracy confusion matrix of classification recognition in June
2.3.37月Fisher线性判别模型 代入7月的敏感识别波段,得到7月各处理的识别对象的Fisher判别函数如表7所示。
表7 7月白喉乌头Fisher线性判别系数Table 7 Fisher linear discriminant coefficients of Aconitum leucostomum in July
7月分类结果如表8示,其中防控组白喉乌头识别精度为78.00%,识别效果优于6月;防控组其他牧草识别精度为78.67%,主要错分对象为防控组白喉乌头;而对照组的白喉乌头分类精度最高为82.22%,对照组的其他牧草分类最低为76.00%。总体分类精度为79.00%,kappa系数为0.71,判别模型分类一致性较高,总体识别效果优于6月。
表8 7月分类识别的精度混淆矩阵Table 8 Accuracy confusion matrix of classification recognition in July
3 讨论
光谱反射率是植物特征的体现[24],研究反射率差异能够实现不同植物的精细化分类。本研究发现在近红外波段内,自然生长状态下未进行化学防控的白喉乌头和其他牧草反射率之间差异显著,各月份白喉乌头的反射率均大于其他牧草,主要是由于植物的生物量与近红外波段的反射率呈正相关关系[25],这与前人对于白喉乌头的研究结果吻合[18]。在红光和蓝紫光波段,影响反射率的主要因素是叶绿素含量[26],研究发现化学防控处理后,白喉乌头在600~710 nm红光波段内的反射率逐渐增加,在770~1 075 nm近红光波段内的反射率随时间增加而逐渐减少,这是由于白喉乌头受到化学药剂的侵害,叶片和茎杆不断枯萎、发黄,色素细胞持续凋亡,叶绿素含量降低[27],导致白喉乌头对红光的反射率增加。白喉乌头受药害影响也会导致生物量降低[28],近红外光谱反射率也随之降低。化学防控处理对白喉乌头产生持续影响,防控组与对照组反射率之间的差异随着时间的推移逐渐增加。6月防控组白喉乌头的光谱曲线特征符合植物的一般光谱规律[29],而7月防控组的光谱曲线与对照组差异更加明显,这也是区分药害乌头和自然生长乌头的重要依据。经过化学防控处理后,不同时间其他牧草与白喉乌头的光谱反射率变化不同,6月防控组明显区别于对照组,7月防控组则与对照组无显著差异,这是由于6月份白喉乌头受化学药剂的影响,叶片萎缩释放出更大的空间,其他牧草可以获取更多的光照、养分等资源,有利于生长,导致其他牧草在近红外波段的反射率增加。但是迈士通除草剂也会对禾本科、阔叶类牧草产生影响[30],所以经过防控处理30 d后的其他牧草在近红外波段的反射率降低。
通过逐步判别筛选敏感识别波段,能够有效降低数据量[31],利用最少的波段数量,选择对分类精度影响最大的波段特征。各月份通过逐步回归筛选出来的敏感识别波段主要分布在399~404 nm的蓝光波段、512~578 nm的绿光波段、684~718 nm的红光波段、775~778 nm的红边位置以及979~1075 nm近红外光波段。通过Fisher判别分类,5月防控前达到了利用最少的特征波段实现最佳的分类效果,通过精度验证可以得到,总体分类精度达到了94.00%。由于在春季5月份的植物生长迅速叶片较大,易于识别,使得白喉乌头和其他牧草在光谱特征上有明显的差异,通过光谱分析能够获得较高的分类精度。6月在紫光、绿光、红光以及近红外波段均存在特征波段,分布较为均匀,这与前文中对于防控后白喉乌头的光谱变化的分析表现一致,化学防控处理影响毒害草叶绿素以及生物量变化,从而导致毒害草在可见光和近红外波段的光谱特征改变[20,25-27]。但是6月的分类效果低于7月,7月防控处理过的白喉乌头分类精度为78.00%,6月为73.33%。6月识别错误主要在于将防控组的白喉乌头错分成了防控组可食牧草,通过光谱分析可以发现,6月份白喉乌头和其他牧草的光谱反射率相比其他月份差异更小,主要由于防控处理15 d后的药害影响并不明显,对于防控组白喉乌头的判别产生了很大的影响。7月白喉乌头所受药害影响增加,光谱反射率产生明显变化,与未受药害影响和其他牧草的混淆度降低,判别的准确性也随之增加。白喉乌头在经过化防处理后,药害的影响会随时间的推移越来越明显[32],与其他牧草在光谱特征上的差异更为显著,进而提高了模型的识别精度。由于8月草原植物进入枯黄期,对防控组与对照组植物的识别产生影响,因此本试验于7月中旬结束观察。
4 结论
化学防控造成白喉乌头不同月份间光谱特性的差异,随着受药害时间推移白喉乌头光谱曲线接近裸地,可作为区分乌头是否受药害的依据。经过逐步筛选出的敏感识别波段在各月份之间具有差异,主要分布在399~404 nm波段、512~578 nm波段、684~718 nm波段、775~778 nm波段以及979~1 075 nm波段内。通过判别模型分析,5月未经过化学防控的白喉乌头识别效果最好,总体精度为94.00%。经过防控处理后乌头识别精度下降,但随着药效的持续,识别精度有所增加,7月识别效果大于6月,识别精度由73.33%提升至78.00%。