基於無人機高光譜遙感的粳稻冠層葉綠素含量反演研究

題目

基於無人機高光譜遙感的粳稻冠層葉綠素含量反演研究

應用關鍵詞

葉綠素含量
；無人機高光譜；農業應用

背景

葉(ye)綠(lv)素(su)含(han)量(liang)是(shi)表(biao)征(zheng)粳(jing)稻(dao)生(sheng)長(chang)狀(zhuang)況(kuang)的(de)重(zhong)要(yao)指(zhi)標(biao)。開(kai)發(fa)近(jin)地(di)尺(chi)度(du)的(de)快(kuai)速(su)評(ping)估(gu)粳(jing)稻(dao)葉(ye)綠(lv)素(su)含(han)量(liang)的(de)無(wu)人(ren)機(ji)高(gao)光(guang)譜(pu)遙(yao)感(gan)平(ping)台(tai)，對(dui)輔(fu)助(zhu)田(tian)間(jian)精(jing)準(zhun)施(shi)肥(fei)和(he)農(nong)藥(yao)施(shi)用(yong)具(ju)有(you)重(zhong)要(yao)現(xian)實(shi)意(yi)義(yi)。

目前，利用高光譜數據反演作物葉綠素的研究多采用統計回歸模型
，大致可分為兩類：植(zhi)被(bei)指(zhi)數(shu)模(mo)型(xing)和(he)直(zhi)接(jie)光(guang)譜(pu)模(mo)型(xing)。在(zai)植(zhi)被(bei)指(zhi)數(shu)模(mo)型(xing)中(zhong)，首(shou)先(xian)利(li)用(yong)高(gao)光(guang)譜(pu)數(shu)據(ju)構(gou)建(jian)各(ge)種(zhong)植(zhi)被(bei)指(zhi)數(shu)，然(ran)後(hou)利(li)用(yong)這(zhe)些(xie)指(zhi)數(shu)構(gou)建(jian)多(duo)元(yuan)線(xian)性(xing)或(huo)非(fei)線(xian)性(xing)回(hui)歸(gui)方(fang)法(fa)
，建(jian)立(li)這(zhe)些(xie)指(zhi)數(shu)與(yu)葉(ye)綠(lv)素(su)含(han)量(liang)之(zhi)間(jian)的(de)反(fan)演(yan)模(mo)型(xing)。這(zhe)種(zhong)方(fang)法(fa)的(de)優(you)點(dian)是(shi)模(mo)型(xing)構(gou)造(zao)簡(jian)單(dan)，物(wu)理(li)意(yi)義(yi)明(ming)確(que)。然(ran)而(er)，它(ta)需(xu)要(yao)以(yi)特(te)別(bie)的(de)方(fang)式(shi)構(gou)建(jian)大(da)量(liang)的(de)光(guang)譜(pu)指(zhi)數(shu)
，沒(mei)有(you)對(dui)一(yi)般(ban)作(zuo)物(wu)品(pin)種(zhong)的(de)係(xi)統(tong)指(zhi)導(dao)。不(bu)同(tong)的(de)光(guang)譜(pu)指(zhi)數(shu)取(qu)決(jue)於(yu)特(te)定(ding)物(wu)種(zhong)的(de)類(lei)型(xing)和(he)區(qu)域(yu)，因(yin)此(ci)缺(que)乏(fa)普(pu)遍(bian)適(shi)用(yong)性(xing)。直(zhi)接(jie)光(guang)譜(pu)模(mo)型(xing)依(yi)賴(lai)於(yu)整(zheng)個(ge)高(gao)光(guang)譜(pu)波(bo)段(duan)
，通(tong)常(chang)是(shi)一(yi)個(ge)高(gao)維(wei)矢(shi)量(liang)。直(zhi)接(jie)利(li)用(yong)整(zheng)個(ge)高(gao)光(guang)譜(pu)波(bo)段(duan)會(hui)導(dao)致(zhi)模(mo)型(xing)複(fu)雜(za)度(du)高(gao)，甚(shen)至(zhi)模(mo)型(xing)過(guo)擬(ni)合(he)。這(zhe)個(ge)問(wen)題(ti)可(ke)以(yi)通(tong)過(guo)采(cai)用(yong)降(jiang)維(wei)技(ji)術(shu)，如(ru)主(zhu)成(cheng)分(fen)分(fen)析(xi)或(huo)偏(pian)最(zui)小(xiao)二(er)乘(cheng)回(hui)歸(gui)來(lai)解(jie)決(jue)。

上(shang)述(shu)現(xian)有(you)研(yan)究(jiu)的(de)高(gao)光(guang)譜(pu)數(shu)據(ju)大(da)多(duo)是(shi)在(zai)地(di)麵(mian)或(huo)低(di)空(kong)采(cai)集(ji)的(de)。因(yin)此(ci)
，測(ce)量(liang)的(de)覆(fu)蓋(gai)麵(mian)積(ji)非(fei)常(chang)小(xiao)。本(ben)研(yan)究(jiu)的(de)無(wu)人(ren)機(ji)平(ping)台(tai)可(ke)以(yi)在(zai)更(geng)高(gao)的(de)高(gao)度(du)操(cao)作(zuo)，從(cong)而(er)實(shi)現(xian)高(gao)效(xiao)的(de)大(da)規(gui)模(mo)數(shu)據(ju)收(shou)集(ji)。具(ju)體(ti)來(lai)說(shuo)，該(gai)係(xi)統(tong)工(gong)作(zuo)在(zai)150 m的高度，可以在15秒內獲得1000 m²區(qu)域(yu)的(de)高(gao)光(guang)譜(pu)圖(tu)像(xiang)。此(ci)外(wai)，文(wen)獻(xian)中(zhong)的(de)許(xu)多(duo)現(xian)有(you)方(fang)法(fa)都(dou)是(shi)利(li)用(yong)傳(chuan)統(tong)的(de)回(hui)歸(gui)方(fang)法(fa)開(kai)發(fa)的(de)，其(qi)中(zhong)許(xu)多(duo)模(mo)型(xing)參(can)數(shu)是(shi)根(gen)據(ju)過(guo)去(qu)的(de)經(jing)驗(yan)進(jin)行(xing)初(chu)始(shi)化(hua)。本(ben)研(yan)究(jiu)采(cai)用(yong)數(shu)據(ju)驅(qu)動(dong)的(de)方(fang)法(fa)，通(tong)過(guo)采(cai)集(ji)的(de)數(shu)據(ju)進(jin)行(xing)模(mo)型(xing)參(can)數(shu)優(you)化(hua)。數(shu)據(ju)驅(qu)動(dong)的(de)方(fang)法(fa)可(ke)以(yi)消(xiao)除(chu)人(ren)為(wei)偏(pian)見(jian)，獲(huo)得(de)更(geng)準(zhun)確(que)的(de)預(yu)測(ce)結(jie)果(guo)。

本研究的目的是利用無人機遙感平台采集的高光譜成像數據
，建立預測粳稻冠層葉綠素含量的反演模型。我們首先采用連續投影算法（Successive projection algorithm, SPA）從高光譜數據中提取特征波段。以提取的特征作為輸入，利用極限學習機（Extreme learning machine, ELM）建立反演模型。采用粒子群算法（Particle swarm optimization, PSO）對ELM的種群大小
、慣性權重、學習因子、速度位置相關係數等參數進行了優化。最終構建基於PSO-ELM算法的葉綠素含量高精度估測模型。

試驗設計

試驗地點位於遼中卡力瑪水稻實驗站，設有4個水稻氮肥梯度處理。沈陽農業大學許童羽教授團隊利用搭載有GaiaSky-mini2-VN高光譜相機（江蘇雙利合譜公司）的DJI M600無人機平台（圖1），於粳稻分蘖、拔節
、孕穗、抽穗

、開花和灌漿期共6個關鍵生育期獲取其冠層高光譜影像。高光譜傳感器的波段範圍為400 ~ 1000 nm
，光譜分辨率為2.35 nm。去除光譜上下邊界的兩個波段，最終得到253個有效波段。

圖1 無人機高光譜成像係統

本研究使用常見的連續投影算法SPA用於波段的選擇。本研究選擇的光譜範圍為400 ~ 800 nm

，這是由於水稻葉綠素含量的變化主要影響該範圍內的光譜反射率。SPA的輸出為波段的集合。為了進一步減少波段數量，對所有輸出子集應用多元線性回歸MLR模型，選擇產生最小均方根誤差RMSE的子集作為最終的優選高光譜波段。

ELM是一種具有單層或多層隱層的前饋神經網絡。與傳統的反向傳播（BP）神經網絡不同，ELM隱層節點的參數是隨機分配的，而且永遠不會調整。與傳統的BP神經網絡相比
，ELM的(de)一(yi)個(ge)主(zhu)要(yao)優(you)點(dian)是(shi)學(xue)習(xi)速(su)度(du)更(geng)快(kuai)。然(ran)而(er)
，由(you)於(yu)隱(yin)層(ceng)節(jie)點(dian)參(can)數(shu)的(de)隨(sui)機(ji)性(xing)，在(zai)許(xu)多(duo)實(shi)際(ji)應(ying)用(yong)中(zhong)，通(tong)常(chang)需(xu)要(yao)大(da)量(liang)的(de)隱(yin)層(ceng)節(jie)點(dian)才(cai)能(neng)達(da)到(dao)預(yu)期(qi)的(de)精(jing)度(du)。此(ci)外(wai)
，傳(chuan)統(tong)的(de)ELM架構有時沒有很好的泛化能力。為了解決上述問題，我們提出采用粒子群限製學習機算法，即結合粒子群算法（PSO）和ELM。利用帶有粒子群優化的ELM模擬了葉綠素含量與高光譜特征之間的關係。采用PSO對ELM的輸入層權值和隱層偏差進行優化選擇，計算輸出權重矩陣。本研究所考慮的粒子群算法參數主要包括群體大小（pop）、慣性權重（w）

、學習因子（C₁, C₂）和速度位置相關係數（m）。本文利用均方根誤差（RMSE）和決定係數（R²）對反演模型的精度進行評價。

結論

首先

，研究了粳稻葉綠素含量與不同高光譜波段的相關性。采用皮爾遜相關係數
、距離相關係數和最大信息係數（Maximum information coefficient, MIC）三種方法分析了葉綠素與各個波段的相關性（圖1）。這三種方法的結果總體上有相似的趨勢：葉綠素含量與高光譜反射率之間的最大相關性在波長範圍701 ~ 705 nm之間。具體而言
，三種方法的相關係數峰分別為0.66
、0.64和0.53。除了最大相關波段之外
，在其他波段
，如波長在410 ~ 480 nm之間的波段
，也觀察到相對較強的相關性。雖然400至450 nm的反射率低於0.1，但所有波段的信噪比在6.0至15.9 dB之間，可以提取特征的響應信息。

研究中利用SPA提取的特征波長分別為410 nm
、481 nm
、533 nm

、702 nm和798 nm。702 nm和798 nm兩個波段與用於葉綠素含量反演指數使用的705 nm和750 nm波段基本一致。410 nm、481 nm和533 nm的(de)特(te)征(zheng)波(bo)段(duan)與(yu)文(wen)獻(xian)中(zhong)用(yong)於(yu)研(yan)究(jiu)水(shui)稻(dao)拔(ba)節(jie)期(qi)的(de)波(bo)段(duan)相(xiang)似(si)。綜(zong)合(he)分(fen)析(xi)表(biao)明(ming)，不(bu)同(tong)的(de)研(yan)究(jiu)在(zai)特(te)征(zheng)波(bo)段(duan)的(de)光(guang)譜(pu)區(qu)域(yu)選(xuan)擇(ze)上(shang)存(cun)在(zai)重(zhong)疊(die)和(he)差(cha)異(yi)。特(te)征(zheng)波(bo)段(duan)的(de)差(cha)異(yi)主(zhu)要(yao)是(shi)由(you)於(yu)品(pin)種(zhong)、生長期
、環境條件和數據處理方法等方麵的差異造成的，例如

，（1）本研究所用的水稻品種與以往的研究不同；（2）稻田水分、雜草和土壤的存在可能影響高光譜信息。

利用從SPA中提取的波段的反射率作為自變量，以實測葉綠素含量作為因變量。采用粒子群算法PSO-ELM建立反演模型。為了比較
，我們還測試了傳統ELM的反演結果。在PSO-ELM中，粒子群迭代次數為100次。由於粒子群優化算法的參數很多，本研究設計了一個正交陣列來確定最佳的粒子群優化參數。結果如表1所示，其中每個參數可以取5個值中的一個，並且共有5個參數。

圖1 單波段相關性分析

表1 PSO-ELM 正交陣列

表2總結了PSO-ELM參數的正交陣列結果，其中W_ij是從參數j的第i個值得到的R²之和。例如，W₁₁是通過計算第一個參數的第一個值對應的R²之和得到的，pop = 40，而W₁₂是通過計算第二個參數的第一個值對應的R²之和得到的，w = 0.3。具體計算公式如下所示。

每一列表明了一個參數對預測精度的影響。例如
，在第一列中，對於i = 1，... ，5，W_i1之間的差異揭示了種群大小如何影響反演模型的準確性，而與其他參數的值無關。由於W₂₁ ≥ W_i1，我們得出結論，最大化R²的種群大小應該是正交陣列中的第二個值，也就是pop = 50。同樣，對應於w

、C₁
、C₂和m的列分別在W₅₂、W₃₃、W₃₄和W₃₅處最大化。因此，參數的最佳值是pop = 50，w = 0.9 ~ 0.3，C₁ = 1.65，C₂ = 2.8和 m = 0.2。

表2 PSO-ELM正交陣列結果分析

通過正交陣列獲得的一組參數，我們可以得到PSO-ELM粳稻葉綠素含量反演模型。將新建立的反演模型應用於實驗數據，得到R² = 0.791，RMSE = 8.215 mg/L。結果遠優於ELM模型，該模型的R² = 0.667，RMSE = 11.308 mg/L。反演結果表明，PSO-ELM模型對葉綠素含量的預測效果明顯優於傳統ELM模型（圖2）。

圖2 粳稻冠層葉綠素含量反演結果

通過增加無人機平台和地麵數據的采集量
，可以提高反演模型的精度。更多的數據可以減少由噪聲
、幹(gan)擾(rao)和(he)不(bu)可(ke)避(bi)免(mian)的(de)采(cai)集(ji)誤(wu)差(cha)引(yin)起(qi)的(de)不(bu)確(que)定(ding)性(xing)。此(ci)外(wai)，本(ben)研(yan)究(jiu)隻(zhi)建(jian)立(li)了(le)供(gong)試(shi)粳(jing)稻(dao)品(pin)種(zhong)的(de)反(fan)演(yan)模(mo)型(xing)。為(wei)了(le)提(ti)高(gao)模(mo)型(xing)的(de)準(zhun)確(que)性(xing)和(he)普(pu)適(shi)性(xing)，今(jin)後(hou)的(de)研(yan)究(jiu)重(zhong)點(dian)是(shi)增(zeng)加(jia)試(shi)驗(yan)品(pin)種(zhong)數(shu)量(liang)
，建(jian)立(li)不(bu)同(tong)生(sheng)育(yu)期(qi)粳(jing)稻(dao)葉(ye)綠(lv)素(su)含(han)量(liang)反(fan)演(yan)模(mo)型(xing)。

UAV-HSI平台能夠對水稻生長信息進行快速
、準(zhun)確(que)和(he)無(wu)損(sun)評(ping)估(gu)。本(ben)文(wen)提(ti)出(chu)的(de)方(fang)法(fa)可(ke)以(yi)及(ji)時(shi)了(le)解(jie)水(shui)稻(dao)的(de)生(sheng)長(chang)狀(zhuang)況(kuang)，這(zhe)對(dui)於(yu)水(shui)稻(dao)施(shi)肥(fei)管(guan)理(li)至(zhi)關(guan)重(zhong)要(yao)。不(bu)過(guo)
，該(gai)方(fang)法(fa)麵(mian)臨(lin)的(de)一(yi)個(ge)挑(tiao)戰(zhan)是(shi)水(shui)稻(dao)葉(ye)片(pian)葉(ye)綠(lv)素(su)含(han)量(liang)隨(sui)水(shui)稻(dao)品(pin)種(zhong)、肥力期、生長環境等因素不斷變化
，所得結果僅適用於東北水稻，而其他水稻品種需要獲得新的模型參數。

作者信息

許童羽，博士，沈陽農業大學信息與電氣工程學院教授，博士生導師。

主要研究方向：精準農業航空、農業信息化、農業電氣化。

參考文獻：

Cao, Y.L., Jiang, K.L., Wu, J.X., Yu, F.H., Du, W., & Xu, T.Y. (2020). Inversion modeling of japonica rice canopy chlorophyll content with UAV hyperspectral remote sensing. PLoS One, 15(9):e0238530.

https://doi.org/10.1371/journal.pone.0238530