基于近地光谱特征的玉米田间杂草识别研究

胡盈盈 王瑞燕 郭鹏涛 李茂芬 梁伟红 李玉萍

摘要：化学防治是我国农田杂草防治使用较广泛的方法之一，化学除草剂的过量喷洒以及粗略的施用方式已成为农药泛滥、质量安全问题的罪魁祸首。目前，精准施药技术成为杂草去除的重要手段，杂草识别又是精准施药的关键技术。利用ASD FieldSpec 4便携式地物光谱仪，采集玉米、马齿苋、野苋菜及香附植株冠层在350～2 500 nm波段内的光谱信息，经过数据预处理，运用逐步判别模型，筛选出了954、1 324、1 869、734 nm 4个特征波段。将特征波段带入贝叶斯判别函数模型，分别对玉米田间杂草进行预测。结果表明，贝叶斯判别函数模型正确识别率达85.8%;对玉米的识别精度达90.0%。特征波段选取中剔除了波长749 nm选入了734 nm波长变量，在“红边”680～780 nm区域的反射率对玉米田间杂草识别较为重要。试验结果进一步论证了基于贝叶斯判别模型方法的可靠性，且证明了高光谱在杂草的识别方向具有一定的应用价值，该研究结果为田间杂草识别及光谱传感器提供了参考。

关键词：杂草识别;光谱技术;高光谱;玉米

中图分类号：S127 文献标志码：
A

文章编号：1002-1302（2020）08-0242-05

收稿日期：2018-11-08

基金项目：海南省自然科学基金青年基金（编号：419QN280）;海南耕地改良关键技术研究与示范专项（编号：HNGDzy2015）;中国热带农业科学院橡胶研究所基本业务费专项（编号：RRI-KLOF201803）。

作者简介：胡盈盈（1992—），女，河南许昌人，硕士，研究实习员，主要从事热带农业遥感与地理信息方向的研究。E-mail：1145673686@qq.com。

通信作者：王瑞燕，博士，副教授，硕士生导师，主要研究方向为近地遥感。E-mail：wry@sdau.edu.cn。

农田杂草的生长会使农作物产量和质量下降[1-2]，玉米作为我国三大粮食作物之一，在保障国家粮食安全中有着重要的地位[3-4]。据2002年统计，我国玉米田草害发生面积1 240万 hm2，玉米减产0.03亿t[5]。近年来，随着农业农村部“减肥减药”方案的提出，精准施药技术成为现阶段杂草剔除的重要手段和发展方向，精确施药的关键是如何快速准确地实现杂草识别[6]。国内外学者在杂草识别方面做了一系列研究。其中，光谱技术以无损性、操作性强、实时性好、经济效益高等特点，成为一种较好的杂草识别技术。

Wang 等研究了一种基于光谱的杂草传感器，将 9 种杂草放在一起，用模型算法对小麦、土壤和杂草进行分类，准确率分别达 98.3%、98.7%、 64.3%[7]。Goel等利用航空遙感技术，对玉米和大豆田杂草进行了光谱分析，结果发现红外区（675.98～685.17 nm）和近红外区（743.93～830.43 nm）的反射率对识别玉米地里的杂草最有效，而只有位于近红外区（811.40 nm）的反射率对识别大豆地里的杂草有效[8];国内杂草精准控制技术起步较晚，基于光谱特征的杂草识别发展也略晚于基于图像的杂草识别方法[9-11]。毛文华等分析了小麦、小藜和荠菜等几种杂草在700～1 100 nm波长范围内的光谱特征，正确识别率达到了97%，在680～750 nm“红边”附近的特征波长点较为显著[12]。潘家志采用Vis/NIR光谱技术，区分了苗期的大豆与牛筋草、空心莲子草、凹头芡等几种南方地区常见的植物，识别率达到了97.3%[13]。陈树人等使用 ASD便携式光谱仪进行了棉花、刺儿菜、水稻和稗草的识别研究，根据不用特征波长的组合分别识别了棉花中的刺儿菜以及水稻中的稗草[14]。白敬等利用ASD便携式光谱仪以冬油菜苗期杂草和土壤为研究对象，对比典型判别函数模型和贝叶斯判别函数模型，得到正确识别率分别为98.89%、97.78%[15]。基于光谱技术的识别方法简单易行[16]，但忽略了光谱在室外受光照等因素的影响，并且在可见光波段光谱反射率受到外界干扰较大，国内结合光谱技术的室内试验研究较少。

本研究针对拔节期夏玉米田间3种杂草马齿苋、野苋菜和香附进行识别研究，是前人研究中较少涉及的杂草类别和研究对象。本研究选取夏玉米为研究对象，同时采用光谱技术，通过特征波长筛选及建立贝叶斯判别模型对夏玉米田间杂草进行识别研究，采用室内条件进行光谱采集，既避免了室外光照的影响和干扰，又同时兼顾准确性和快速性，达到了玉米田间杂草的识别和分类，为农田精确管理和杂草信息获取的相关研究提供了思路和方法。

1 研究区概况

试验于2016年7月进行，此时的夏玉米正处于拔节期（4～7叶），是进行田间杂草管理的重要阶段[17-18]。研究区位于山东农业大学科技创新园区试验田（117°09′E、36°09′N）内，田区内草害较为严重。田块长为22.5 m、宽为6 m。经考察，试验田前茬作物为冬小麦，杂草去除方式主要有人工剔除和农药喷洒，还未使用机械除草，同时试验田内玉米未经过除草及人为破坏，田间存在北方玉米作物中常见的杂草，该试验地点田间管理水平均达到超高产水平[19]，是鲁中地区有代表性的区域，是进行研究的良好区域。

2 数据采集与处理

2.1 数据采集

高光谱采集设备由美国ASD FieldSpec 地物光谱仪、150 W 卤钨灯、三脚架和计算机等组成。高光谱数据采样时间在2016年7月18日进行，采样条件为暗室。数据采集时，将样品置于黑色橡胶上，并轻轻擦试叶片去掉灰尘杂物，保持探头垂直向下，探头高 2 cm，视场角为25°，保持光源与样本夹角始终为45°，光源在水平和垂直方向均距样本 60 cm。样本位于探头正下方，对植被冠层不同角度（中间、两侧）进行采集。为保证数据的准确性，在采集之前先用标准白板对仪器进行校正，并间隔一定时间进行校正。最终，去除异常光谱曲线之后玉米、马齿苋、野苋菜、香附均为30个样本，每个样本均采集10个光谱数据，共计1 200个光谱数据样本，样本数据采集情况见表1。

2.2 数据处理

通过筛选、求平均、一阶导数、压缩以及对原始冠层光谱数据进行转换，获取特征波段并带入贝叶斯判别函数模型。由图1-a可知，350～400 nm 范围以及2 000 nm外波段噪声较大，剔除噪声部分，选取 400～1 999 nm 范围的波段作为有效光谱数据;对每个样本10个光谱数据进行求平均处理，运用一阶导数光谱对地物光谱特征进行转换，以消除光谱数据存在的系统误差，为去除冗余、提高效率，对样本每间隔5 nm选取1个反射率，对数据进行压缩，最后每个样本数据点为320个。

由图1-b可知，可见光波段内，反射率较低;在红光（680 nm）处呈现吸收谷，而在绿光（550 nm）处呈现小的反射峰。在680～780 nm反射率急剧增大，这一段被称为“红边”[20]，它标志着吸收带的结束。近红外波段，绿色植被有较高的反射率。在780～1 350 nm范围内，由于植被的高温保护反应，叶片中的叶绿素几乎不吸收辐射，因此辐射大部分被反射，此波段为近红外高原区。在1 350～2 000 nm 范围内，化学成分开始吸收辐射，其中 1 450、1 950 nm是水分的吸收波段。

绿色植被由于植被类型的不同，叶片结构和颜色特征存在差异，反射率存在差异，就会存在敏感的特征波段[21-23]，特征波段是区分不同植被叶片结构差异的敏感波段，一般利用这些敏感波段来建立识别模型。在模型建立中，选取样本每个數据对应的有效波段反射率作为自变量，样本种类为因变量，结合SPSS 22.0软件完成判别预测。

3 结果与分析

3.1 光谱曲线

在4种类别样本中抽取各种样本的平均反射率波谱曲线进行对比分析，由图2可以看出，绿色植被的光谱曲线大致呈现一致的趋势，不同类型植被反射率存在差异。野苋菜的反射率高于其他类型植物，其中接近绿光（550 nm）、“红边”（750 nm）区域马齿苋、香附和玉米的光谱曲线较为接近，但随着样本数的增加，光谱曲线会存在重叠交互现象，很难通过直接观察光谱特征区分玉米和3种杂草。

3.2 提取特征波长

将预处理过的样本带入逐步判别函数模型，选择合适的F值和剔除值。本研究中采用F值为15，剔除值为10，最终得到734、749、954、1324、1 869 nm 5个特征波长。表2为变量筛选过程，可以看到在第1步方程有1个因子即波长 954 nm 处的光谱反射率，第2步包含2个因子波长 954、 749 nm 处的光谱反射率，以此类推。筛选过程中，第6步将波长749 nm进行剔除。

将得到的特征波长分别带入贝叶斯判别函数模型，判别规则按照组别大小计算，其判别结果如表3所示。

最终选取954、1 869、1 324、734 nm带入判别函数模型。其中，734 nm位于“红边”区，954、1 324 nm 位于近红外高原区，1 869 nm处于水分吸收带。

3.3 判别函数

将4个特征波长954、1 869、1 324、734 nm代入贝叶斯判别函数模型进行分类判别，得到标准化样区函数如下：

y1=1.13x1-3.28x2+1.44x3+0.70x4;（1）

y1=0.71x1+0.19x2+1.47x3-0.95x4; （2）

y3=0.86x1+0.07x2-0.12x3-0.82x4。（3）

式中：y1为标准化判别函数1;y2为标准化判别函数2;y3为标准化判别函数3;x1、x2、x3、x4分别为波长 954、1 869、1 324、734 nm 处的反射率。

如图3所示质心分布图可以直观地观察不同样本的分布情况以及混分情况，图中野苋菜和香附存在混分，马齿苋与玉米的区分较为明显。

先验概率根据类别大小计算时，通过贝叶斯判别模型分析得到玉米、马齿苋、野苋菜以及香附的贝叶斯判别函数如下：

y香附=3 086.45x1-2 837.97x2+2 948.93x3-1 075.16x4-3.70;（4）

y马齿苋=-9 796.94x1+568.30x2-6 758.59x3-1 180.62x4-7.45;（5）

y玉米=6 040.04x1-266.61x2+2 690.92x3+3 059.60x4-5.40;（6）

y野苋菜=3 618.60x1-3 459.10x2-823.49x3-1 590.75x4-6.12。（7）

分类结果如表4所示，总体分类精度为85.8%。此次分类中，玉米的正确分类精度达到了90.0%，其中玉米被错分成2类杂草（香附、野苋菜），玉米被分成香附和野苋菜的错分率分别为6.7%、3.3%。

4 结论

在室内环境下，对玉米田间3种杂草进行光谱识别，结论如下：

（1）筛选的4个有效特征波段954、1 324、1 869、734 nm可以实现夏玉米田间的3种杂草分类。

（2）逐步判别模型筛选特征波段过程中，剔除了749 nm波段，重新引入了743 nm波段，在杂草识别过程中位于“红边”区域的波段点具有十分重要的作用。

（3）贝叶斯判别模型的正确分类精度为85.8%，对玉米的识别精度达90.0%，贝叶斯判别函数模型能够有效实现夏玉米田间常见杂草的识别。

（4）野苋菜与香附混分现象严重，其中野苋菜被错分到香附的错分率达30%;其他种间分类效果较好。因此，要进一步克服野苋菜被错分到香附中的现象，仅依靠植被的光谱特征还存在一定的缺陷和不足。

参考文献：

[1]孙金秋，任相亮，胡红岩，等. 农田杂草群落演替的影响因素综述[J]. 杂草学报，2019，37（2）：1-9.

[2]强 胜. 中国杂草生物学研究的新进展[J]. 杂草学报，2018，36（2）：1-9.

[3]李少昆，赵久然，董树亭，等. 中国玉米栽培研究进展与展望[J]. 中国农业科学，2017，50（11）：1941-1959.

[4]张伟平，沈云峰，肖文祥，等. 玉米地除草剂防治宽叶酢浆草的田间药效评价[J]. 杂草学报，2018，36（3）：41-45.

[5]梁帝允，梁桂梅. 我国农田化学除草现状与发展对策[C]//第七届全国杂草科学会议论文集. 杂草科学与环境及粮食安全——中国化学除草50年回顾与展望. 北京：中国植物保护学会杂草学分会，2004：30-38.

[6]祖 琴，陈湘萍，邓 巍. 光谱图像技术在精准施药中的应用[J]. 农机化研究，2013（3）：19-23.

[7]Wang N，Zhang N，Sun Y. Development of spectral-based weed sensor [D]. St Joseph，Mich：ASAE，1999.

[8]Goel P K，Prasher S O，Patel R M，et al. Use of airborne multi-spectral imagery for weed detection in field crops[J]. Transactions of the ASAE，2002，45（2）：
443-449.

[9]纪寿文，王荣本，陈佳娟，等. 应用计算机图像处理技术识别玉米苗期田间杂草的研究[J]. 农业工程学报，2001，17（2）：154-156.

[10]龙满生，何东健，耿 楠，等. 精确杂草控制技术的研究现状[J]. 农机化研究，2004（6）：9-12，15.

[11]毛文华，张银桥，王 辉，等. 杂草信息实时获取技术与设备研究进展[J]. 农业机械学报，2013，41（1）：190-195.

[12]毛文华，王月青，王一鸣，等. 苗期作物和杂草的光谱分析与识别[J]. 光谱学与光谱分析，2005（6）：984-987.

[13]潘家志. 基于光谱和多光谱数字图像的作物与杂草识别方法研究[D]. 杭州：浙江大学，2007.

[14]陈树人，沈宝国，毛罕平，等. 基于颜色特征的棉田中铁苋菜识别技术[J]. 农业机械学报，2009，40（5）：149-152.

[15]白 敬，徐 友，魏新华，等. 基于光谱特性分析的冬油菜苗期田间杂草识别[J]. 农业工程学报，2013，29（20）：128-134.

[16]Ashok Kumar D，Prema P. A review on crop and weed segmentation based on digital images[J]. Lecture Notes in Electrical Engineering，2013，213：279-291.

[17]罗守德，武殿林，郭国亮，等. 旱地玉米拔节至抽穗期田间管理[J]. 山西农业科学，1984（6）：5-7.

[18]高雨茜. 夏玉米叶绿素、叶面积指数高光谱估测研究[D]. 杨凌：西北农林科技大学，2016.

[19]刘景辉，王志敏，李立军，等. 超高产是中国未来粮食安全的基本技术途径[J]. 农业现代化研究，2003，24（3）：161-165.

[20]Wu Q S，Hu Y J，Ke H Y，et al. Study pollen grains in rice by using multispectral imaging techniques[J]. Proceedings of SPIE-The International Society for Optical Engineering，2005，5694：100-109.

[21]Sui R X，Thomasson J A，Hanks J，et al. Ground-based sensing system for weed mapping in cotton[J]. Computers and Electronics in Agriculture，2008，60（1）：
31-38.

[22]齊 龙，马 旭，周海波. 基于虚拟仪器技术的田间多光谱视觉系统设计[J]. 农业机械学报，2009，40（1）：157-161.

[23]唐晶磊，何东健，景 旭，等. 基于SVM的可见/近红外光的玉米和杂草的多类识别[J]. 红外与毫米波学报，2011，30（2）：97-103.