一、引言

目前，在分析高光譜數(shù)據(jù)這樣的高維數(shù)據(jù)時(shí)，進(jìn)行特征波段的提取是非常必要的。首先，提取特征波段可以從原始數(shù)據(jù)中獲取最具代表性和區(qū)分性的特征集，從而有效地降低數(shù)據(jù)的維度，減少存儲(chǔ)和計(jì)算成本。其次，特征波段的提取可以通過(guò)選擇與目標(biāo)相關(guān)的波段來(lái)減少噪聲和冗余的影響，提高數(shù)據(jù)的準(zhǔn)確性和可靠性。關(guān)于在田間復(fù)雜環(huán)境下，高光譜技術(shù)如何實(shí)現(xiàn)對(duì)早期水稻秧苗與稗草精準(zhǔn)識(shí)別的具體方法及能力，以及利用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣算法從高光譜數(shù)據(jù)中高效篩選出對(duì)水稻和稗草分類最有效的特征波長(zhǎng)方面的研究鮮見(jiàn)報(bào)道。本研究以二葉-四葉期水稻秧苗和稗草為研究對(duì)象，利用高光譜技術(shù)分別獲取田間和實(shí)驗(yàn)室培育的苗期水稻和稗草的光譜數(shù)據(jù)，采用CARS篩選出特征波長(zhǎng)，利用MATLAB分類學(xué)習(xí)器工具箱進(jìn)行種類識(shí)別，構(gòu)建一種高效、準(zhǔn)確的早期水稻與稗草分類識(shí)別模型，旨在探究水稻秧苗與稗草的早期準(zhǔn)確識(shí)別方法，以期為農(nóng)田雜草的精準(zhǔn)防控、減少化學(xué)除草劑的使用提供科學(xué)依據(jù)。

二、材料與方法

2.1 材料

以水稻、稗草為研究對(duì)象，供試水稻品種為‘農(nóng)香優(yōu)204’。試驗(yàn)對(duì)象數(shù)據(jù)采集為秧田直接采集和實(shí)驗(yàn)室內(nèi)培育后采集，田間數(shù)據(jù)采集地點(diǎn)為湖南省長(zhǎng)沙縣春華鎮(zhèn)張家坊的春華基地（28.29085°N，113.27462°E，海拔73.7m）。根據(jù)其生長(zhǎng)發(fā)育階段的不同，具體分為二葉期和二葉-四葉期2個(gè)樣本集，樣本數(shù)據(jù)情況見(jiàn)表1。

表1樣本數(shù)據(jù)采集信息情況

2.2 技術(shù)方法

通過(guò)分別采集秧田和實(shí)驗(yàn)室培育2種試驗(yàn)條件下的苗期水稻和稗草的高光譜反射率，利用光譜參數(shù)構(gòu)建苗期水稻和稗草快速無(wú)損分類模型，并進(jìn)行模型精度驗(yàn)證（圖1）。

2.2.1試驗(yàn)設(shè)計(jì)和數(shù)據(jù)采集方法

圖2實(shí)驗(yàn)室培育、田間種植的水稻和稗草的生長(zhǎng)情況

田間試驗(yàn)小區(qū)的種植密度為22萬(wàn)株/hm2，設(shè)置2個(gè)小區(qū)，每個(gè)小區(qū)面積180m2，分別種植水稻和稗草。樣本進(jìn)行光譜數(shù)據(jù)取樣時(shí)，按照五點(diǎn)取樣法，每個(gè)取樣點(diǎn)12個(gè)光譜數(shù)據(jù)，取樣時(shí)間分為2次，分別為2023年8月11日和8月15日（10：00—11：30），水稻或稗草的樣本量計(jì)120個(gè)（圖2）。2023年8月18日于實(shí)驗(yàn)室培養(yǎng)箱中培育水稻和稗草（圖2），分別于8月26日、8月31日和9月1日在室外進(jìn)行光譜數(shù)據(jù)采集。利用地物光譜儀對(duì)早期水稻和稗草樣本進(jìn)行光譜測(cè)定，該儀器波段范圍是400~920nm。便攜光譜儀經(jīng)白板校準(zhǔn)后進(jìn)行測(cè)試，光纖探頭置于葉片表面上方20~30mm，探頭視場(chǎng)角為25°。試驗(yàn)采用黑色背景以防影響植物的反射率。

2.2.2光譜數(shù)據(jù)處理

原始光譜數(shù)據(jù)采用SG平滑和SG求導(dǎo)進(jìn)行預(yù)處理，對(duì)二葉期數(shù)據(jù)集和二葉-四葉期數(shù)據(jù)集分別進(jìn)行SG卷積平滑、SG卷積平滑-SG卷積求導(dǎo)和SG卷積平滑-SG卷積求導(dǎo)-CARS處理。其中，SG卷積平滑的寬口寬度設(shè)置為5，SG卷積求導(dǎo)的階數(shù)設(shè)置為2，寬口寬度設(shè)置為5。

采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣算法（CARS）來(lái)進(jìn)行特征波段的提取。CARS的參數(shù)設(shè)置為：最大主因子數(shù)為10，交叉驗(yàn)證次數(shù)為10，數(shù)據(jù)預(yù)處理方法設(shè)置為“center”，蒙特卡羅采樣次數(shù)為1000。

2.2.3建模方法

采用10折交叉驗(yàn)證的方法建立LDA、PLSDA、二次SVM、子空間判別和RBF-SVM模型對(duì)稗草和水稻進(jìn)行分類?；谏鲜鎏幚砗蟮臄?shù)據(jù)集，進(jìn)行了校正集和驗(yàn)證集的劃分。對(duì)于二葉期數(shù)據(jù)集，從水稻和稗草樣品中隨機(jī)各取20個(gè)樣品劃入驗(yàn)證集中，剩下的79個(gè)樣品被劃入校正集。對(duì)于二葉-四葉期數(shù)據(jù)集，從水稻和稗草樣品中隨機(jī)各取40個(gè)

樣品劃入驗(yàn)證集中，剩下的151個(gè)樣品被劃入校正集。將劃分好的校正集作為輸入數(shù)據(jù)結(jié)合PLSDA、線性判別、二次SVM、子空間判別、RBF-SVM等建模方法分別建立模型，且對(duì)建立的所有模型進(jìn)行10折交叉驗(yàn)證和外部驗(yàn)證集驗(yàn)證。

在建立分類模型之前，需要先進(jìn)行參數(shù)設(shè)置。其中，二次SVM模型有3個(gè)參數(shù)，分別是核函數(shù)、框約束級(jí)別和核尺度模式，將其分別設(shè)置為“二次”“1”和“自動(dòng)”。子空間判別模型有集成方法、學(xué)習(xí)器類型、學(xué)習(xí)器數(shù)量和子空間維度4個(gè)參數(shù)，將其分別設(shè)置為“Subspace”“判別”“30”和“256”。RBFSVM有學(xué)習(xí)器、擴(kuò)展維度數(shù)、Lambda、核尺度和迭代次數(shù)等參數(shù)，將其分別設(shè)置為“SVM”“16384”“0.006623”“1”和“1000”。

三、結(jié)果與分析

3.1 水稻秧苗及早期稗草高光譜特征分析

由圖3可知，在700~900nm二葉期水稻的吸收強(qiáng)度略高于稗草，但從光譜曲線趨勢(shì)來(lái)看，水稻和稗草的吸收峰位置大致相同，且曲線相互混雜，無(wú)法進(jìn)行分類。通過(guò)主成分分析（PCA）發(fā)現(xiàn)，盡管前3個(gè)主成分能夠解釋數(shù)據(jù)集中97.70%的總方差，有效降低了數(shù)據(jù)維度，水稻與稗草在PCA得分圖上的分布也具有一定的區(qū)分趨勢(shì)，水稻偏右上方（PC2：?10%~20%），稗草偏左下方（PC2：?20%~0%），其重疊與聚集現(xiàn)象仍較為嚴(yán)重，不足以作為直接分類的依據(jù)（圖3（b））。

二葉-四葉期水稻和稗草在400~900nm波段的吸收光譜特性與二葉期水稻和稗草的光譜特性基本一致，但混雜程度更高（圖3（c））。對(duì)光譜數(shù)據(jù)進(jìn)行主成分分析發(fā)現(xiàn)，該時(shí)期數(shù)據(jù)集的聚集程度也高于二葉期數(shù)據(jù)集（圖3（d））。綜上，水稻秧苗與稗草在光譜特征上存在重疊，難以直接分類，且隨著生長(zhǎng)階段變化，混雜程度增加，需結(jié)合多特征參數(shù)或高級(jí)分類算法以提高分類準(zhǔn)確性。

圖3不同時(shí)期水稻和稗草的光譜曲線及主成分分析

3.2 光譜數(shù)據(jù)處理

圖4競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法（CARS）篩選的特征波長(zhǎng)

由圖4可知，CARS算法在二葉期和二葉-四葉期數(shù)據(jù)集選擇的特征光譜變量位置大致一致，在二葉期數(shù)據(jù)集中選擇了54個(gè)變量,在二葉-四葉期數(shù)據(jù)集中選中了58個(gè)變量,在2個(gè)數(shù)據(jù)集共同選擇了12個(gè)變量。綜上,盡管數(shù)據(jù)集的時(shí)間背景存在差異(一個(gè)是二葉期,另一個(gè)覆蓋了二葉-四葉期)CARS算法仍能有效識(shí)別出跨時(shí)期穩(wěn)定的特征光譜波段,意味著這12個(gè)共同的變量可能是區(qū)分不同水稻和穆草的關(guān)鍵特征波段。

3.3 水稻秧苗及早期稗草識(shí)別估測(cè)模型的建立及檢驗(yàn)

3.3.1 PLS-DA和線性判別分類模型分析

表2不同處理和建模方法下稗草與水稻的識(shí)別準(zhǔn)確率

由表2可知，PLS-DA模型中2個(gè)數(shù)據(jù)集中表現(xiàn)最好的是基于SG平滑-SG求導(dǎo)-CARS優(yōu)化后的模型，其中二葉期準(zhǔn)確率在校正集、交叉驗(yàn)證集和外部驗(yàn)證集中都為100.00%，二葉-四葉期數(shù)據(jù)集校正集、交叉驗(yàn)證集和外部驗(yàn)證集的準(zhǔn)確率分別為100.00%、98.00%和99.00%。對(duì)于無(wú)處理和SG平滑-SG求導(dǎo)建立的模型，其在二葉期數(shù)據(jù)集中表現(xiàn)一致，在二葉-四葉期數(shù)據(jù)集中基于無(wú)處理所建立的模型效果更好。

基于二葉期數(shù)據(jù)集建立的線性判別模型性能略低于PLS-DA模型，其中于SG平滑-SG求導(dǎo)-CARS優(yōu)化后的模型效果最優(yōu)，校正集、交叉驗(yàn)證集和外部驗(yàn)證集的準(zhǔn)確率分別為100.00%、98.70%和100.00%。但在二葉-四葉期數(shù)據(jù)集中，線性判別模型表現(xiàn)較差，對(duì)于無(wú)處理和SG平滑-SG求導(dǎo)建立的模型，其交叉驗(yàn)證集的正確識(shí)別率僅在75.00%左右。但基于SG平滑-SG求導(dǎo)-CARS優(yōu)化后的模型，其交叉驗(yàn)證集的正確識(shí)別率提升到97.40%，表明CARS算法能夠提取有效光譜信息，提升模型的性能。

3.3.2非線性分類模型分析

在二葉期數(shù)據(jù)集中，基于SG平滑-SG求導(dǎo)-CARS處理建立的二次SVM模型和子空間判別模型表現(xiàn)最優(yōu)，二者校正集、交叉驗(yàn)證集和外部驗(yàn)證集的準(zhǔn)確率分別為100.00%、98.70%和100.00%（表2）。在二葉-四葉期數(shù)據(jù)集中，基于SG平滑-SG求導(dǎo)-CARS處理建立的子空間判別模型表現(xiàn)最好，其校正集、交叉驗(yàn)證集和外部驗(yàn)證集的準(zhǔn)確率分別為98.00%、96.70%和97.50%。但子空間判別在無(wú)處理和SG平滑-SG求導(dǎo)處理的數(shù)據(jù)集中的交叉驗(yàn)證集中的正確識(shí)別率為84.00%左右，低于二次SVM和RBF-SVM建模方法。

四、討論

本研究應(yīng)用高光譜技術(shù)于稻田稗草的早期識(shí)別，為除草機(jī)器人的精準(zhǔn)作業(yè)提供了有力的決策支持，是實(shí)現(xiàn)農(nóng)業(yè)變量施藥、精準(zhǔn)除草策略的關(guān)鍵一步。研究表明，705nm是區(qū)別水稻和稗草的特征光譜波長(zhǎng)，本研究中使用的CARS算法在兩類數(shù)據(jù)集都在705nm附近進(jìn)行變量選擇，這更加表明CARS算法能夠成功的提取區(qū)分水稻和稗草的特征光譜變量。采用低成本的地物光譜儀，結(jié)合特征光譜篩選算法，成功構(gòu)建高敏感性的稻田稗草識(shí)別模型，該模型在二葉期達(dá)到100.00%的識(shí)別準(zhǔn)確率，在二葉-四葉期也保持98.00%的高精度，相較于利用圖像識(shí)別技術(shù)獲得的識(shí)別準(zhǔn)確率范圍在91.01%~97.48%，本模型展現(xiàn)出更為優(yōu)越的性能。這不僅證明了光譜技術(shù)在雜草識(shí)別中的有效性，也凸顯了其在提高農(nóng)業(yè)生產(chǎn)效率方面的巨大潛力。

與圖像識(shí)別技術(shù)相比，光譜識(shí)別技術(shù)以其較低的時(shí)間成本具有更大的應(yīng)用潛力。研究中采用的人工光譜數(shù)據(jù)采集方式保證數(shù)據(jù)的準(zhǔn)確性，但其耗時(shí)費(fèi)力的問(wèn)題限制了在大面積稻田中的廣泛應(yīng)用。因此，未來(lái)的研究應(yīng)聚焦于開(kāi)發(fā)高效的數(shù)據(jù)采集系統(tǒng)，如引入無(wú)人機(jī)或田間自主移動(dòng)機(jī)器人，以實(shí)現(xiàn)光譜數(shù)據(jù)的快速、實(shí)時(shí)獲取與分析，從而加速稻田稗草識(shí)別與施藥過(guò)程的智能化集成。此外，高光譜數(shù)據(jù)在采集過(guò)程中易受多種噪聲源干擾，這些噪聲不僅降低了數(shù)據(jù)質(zhì)量，也影響了后續(xù)建模的準(zhǔn)確性和可靠性。針對(duì)這一問(wèn)題，本研究均強(qiáng)調(diào)了數(shù)據(jù)預(yù)處理的重要性，包括平滑、求導(dǎo)和散射校正等措施對(duì)減少或消除噪聲、提升數(shù)據(jù)質(zhì)量具有顯著效果。

然而，隨著應(yīng)用環(huán)境的復(fù)雜化，如何進(jìn)一步優(yōu)化預(yù)處理算法，以適應(yīng)不同條件下光譜數(shù)據(jù)的處理需求，仍是下一步研究的重要方向。

五、結(jié)論

利用高光譜技術(shù)結(jié)合多種分類算法對(duì)二葉-四葉期水稻和稗草的葉片光譜數(shù)據(jù)進(jìn)行識(shí)別分析發(fā)現(xiàn)，SG平滑-SG求導(dǎo)結(jié)合CARS預(yù)處理再結(jié)合PLS-DA算法在提升模型識(shí)別精度和穩(wěn)定性方面表現(xiàn)最優(yōu)，可顯著提升二葉-四葉期水稻和稗草識(shí)別模型的交叉驗(yàn)證和外部驗(yàn)證的正確率，分別高達(dá)98%和99%，尤其在水稻二葉期單一時(shí)期的樣本集上，無(wú)論是校正集、交叉驗(yàn)證集還是外部驗(yàn)證集，均實(shí)現(xiàn)100%的識(shí)別率，該模型充分驗(yàn)證其在水稻二葉期數(shù)據(jù)建模中的高效性和準(zhǔn)確性，可應(yīng)用于水稻早期田間稗草識(shí)別和防除。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專門(mén)用于野外遙感測(cè)量、土壤環(huán)境、礦物地質(zhì)勘探等領(lǐng)域的最新明星產(chǎn)品，由于其操作靈活、便攜方便、光譜測(cè)試速度快、光譜數(shù)據(jù)準(zhǔn)確是一款真正意義上便攜式地物光譜儀。

審核編輯 黃宇