無(wú)人機(jī)多光譜草地估產(chǎn)中的最佳波段組合研究

孫世澤， 汪傳建， 劉 偉， 張 雅， 趙慶展

(石河子大學(xué)信息科學(xué)與技術(shù)學(xué)院/兵團(tuán)空間信息工程技術(shù)研究中心/兵團(tuán)空間信息工程實(shí)驗(yàn)室，新疆石河子 832000)

草地生物量是天然草地生態(tài)系統(tǒng)動(dòng)態(tài)研究的重要衡量指標(biāo)，是草地資源合理利用和載畜平衡監(jiān)測(cè)的重要依據(jù)[1]。為了快速、便捷、有效地監(jiān)測(cè)草地資源，國(guó)內(nèi)外學(xué)者開(kāi)始利用衛(wèi)星遙感技術(shù)來(lái)估算生物量。然而傳統(tǒng)的衛(wèi)星遙感重復(fù)周期長(zhǎng)，無(wú)法及時(shí)有效地獲取地面準(zhǔn)確信息[2]，且攝影測(cè)量易受大氣影響，分辨率低，地形復(fù)雜時(shí)難以獲取像元真值，難以滿足實(shí)際需求。近年來(lái)，無(wú)人機(jī)遙感具有低成本、低風(fēng)險(xiǎn)、高時(shí)效、高分辨率、云下獲取影像等特點(diǎn)[3]，使其迅速成為了遙感不可或缺的技術(shù)手段，給遙感技術(shù)在作物估產(chǎn)[4-5]、災(zāi)害分析[6-7]、地物分類[8-9]等各個(gè)領(lǐng)域提供了新的平臺(tái)。

然而分辨率提高的同時(shí)，多光譜影像相鄰波段的相關(guān)性也大大提高，導(dǎo)致了大量信息冗余，增加了后期數(shù)據(jù)處理的難度，也需要消耗更多的信息空間[10-12]，因此必須進(jìn)行數(shù)據(jù)降維預(yù)處理，才能進(jìn)行后期數(shù)據(jù)分析。秦方普等采用圖論的譜聚類算法，利用波段互信息和圖譜劃分理論，生成類間相似度小、類內(nèi)相似度大的類簇，通過(guò)計(jì)算每一簇各波段的類間可分性因子，篩選出每一簇的代表性波段，從而達(dá)到降維的目的[13]。劉雪松等提出一種基于最大信息量的無(wú)監(jiān)督波段選擇方法，以K-L散度為信息量的度量指標(biāo)，通過(guò)分析信息量在整個(gè)數(shù)據(jù)集中的分布情況，采用迭代的方法，逐步移除對(duì)數(shù)據(jù)集的信息量影響最小的波段，從而實(shí)現(xiàn)降維[14]。程志慶等將最佳指數(shù)與相關(guān)系數(shù)通過(guò)熵權(quán)評(píng)價(jià)值進(jìn)行融合，選取出了反映小麥葉片葉綠素含量的最佳波段組合，并與其他波段選擇方法進(jìn)行了對(duì)比，驗(yàn)證了該方法可以提高葉綠素含量模型的精度[15]。

綜上所述，最佳波段組合的研究已有不少進(jìn)展，但大多數(shù)都是以基于高光譜數(shù)據(jù)的地物分類為研究目標(biāo)，基于多光譜數(shù)據(jù)的最佳波段組合還很少見(jiàn)，不少文獻(xiàn)指出選取最佳波段組合要針對(duì)研究的目標(biāo)對(duì)象和所要突出的專題信息來(lái)進(jìn)行，不同的研究對(duì)象有不同的最佳波段組合[12，16-17]。此外，大多數(shù)研究都是從信息量和信息冗余這兩方面考慮最佳波段組合，不能確定所選波段與植被光譜特征之間具有較大相關(guān)性。基于以上局限性，本研究利用無(wú)人機(jī)搭載多光譜Micro MCA12 Snap傳感器獲取多光譜影像，從波段光譜特征和植被在可見(jiàn)光紅光波段有很強(qiáng)的吸收，在近紅外波段有很強(qiáng)的反射特性這一基本光譜特性入手，對(duì)所有波段進(jìn)行分組，結(jié)合最佳指數(shù)因子和最大相關(guān)系數(shù)選取最佳組合波段，建立天然草地生物量估算模型，以期能通過(guò)對(duì)比選取最佳波段組合，提高估算模型精度。

1 研究區(qū)數(shù)據(jù)獲取及預(yù)處理

1.1 研究區(qū)概況及生物量獲取

研究區(qū)中心位置位于85°46′15.06″E，44°00′13.23″N，地處新疆天山北坡中段，屬新疆生產(chǎn)建設(shè)兵團(tuán)第八師一五一團(tuán)，無(wú)人機(jī)影像面積大約3 500 m2，該區(qū)域?qū)儆诘湫偷臏貛Т箨懶詺夂颍鹃L(zhǎng)而寒冷，夏季短而炎熱，年平均溫度6.5～7.2 ℃，年均降水量125.0～207.7 mm，海拔在980～1 100 m之間，地貌以低山丘陵和寬谷平原為主。陰陽(yáng)坡草地類型迥異，陽(yáng)坡屬迎風(fēng)坡，地表風(fēng)蝕，礫石居多，沙化嚴(yán)重，植被類型以荒漠草甸為主，植被主要有博洛塔絹蒿。陰坡雨量充沛，空氣和土壤濕度較高，植被覆蓋度高，植被類型以山地草甸為主，植被主要有針茅、苔草和丁彬花，另外河谷有少量灌叢、蕁麻和樹(shù)木等植被。

無(wú)人機(jī)拍攝結(jié)束后，地面采集生物量工作立即展開(kāi)，整個(gè)研究區(qū)共隨機(jī)布設(shè)了40個(gè)樣方，每個(gè)樣方大小為1 m×1 m，手持GPS終端記錄其位置信息，齊地面刈割法收集所有樣方內(nèi)的草地生物量，使用高精度電子秤稱取每個(gè)樣方中的植被生物量，記錄樣方中植被的指標(biāo)，主要內(nèi)容包括草地生物量、經(jīng)緯度及高程、主要植被種類和所在坡向。

1.2 多光譜數(shù)據(jù)獲取

本研究所采用的無(wú)人機(jī)是大疆Spreading Wing S1000+八旋翼無(wú)人機(jī)，懸停功耗1 500 W，整機(jī)質(zhì)量4.4 kg，有效載荷3 kg。傳感器為美國(guó)Tetracam公司生產(chǎn)的Micro MCA12 Snap多光譜相機(jī)，具有質(zhì)量輕、體積小及遠(yuǎn)程觸發(fā)等特點(diǎn)，共有12個(gè)波段，每個(gè)波段配備1.3兆像素CMOS傳感器，光圈F3.2，焦距9.6 mm，圖像分辨率為1 280像素×1 024像素，數(shù)據(jù)采集時(shí)間為2016年7月27日，相對(duì)航高30 m，屬低空拍攝，拍攝時(shí)天氣狀況良好，無(wú)風(fēng)無(wú)云。獲取影像基本不受大氣因素的影響，由于本研究對(duì)各波段范圍并沒(méi)有嚴(yán)格要求，所獲取的影像沒(méi)有進(jìn)行嚴(yán)格的輻射定標(biāo)。典型區(qū)域布置了5塊白板，用于影像的幾何校正處理。圖1為典型區(qū)域影像。

1.3 數(shù)據(jù)預(yù)處理

無(wú)人機(jī)影像獲取后利用傳感器自帶的校正文件進(jìn)行通道校正，波段合成和格式轉(zhuǎn)換，使用Pix4D Mapper對(duì)處理過(guò)的影像進(jìn)行拼接、地理位置疊加、空三加密等操作，得到數(shù)字正射影像，最后導(dǎo)入ENVI圖像處理軟件中進(jìn)行幾何校正、影像裁剪等處理，最終選取畸變較小的典型區(qū)域進(jìn)行研究。圖2為數(shù)據(jù)處理流程圖。

2 最佳波段組合

以典型區(qū)域?yàn)槔M(jìn)行統(tǒng)計(jì)分析，得到各波段之間的相關(guān)性系數(shù)矩陣，波段間相關(guān)性系數(shù)表示2個(gè)波段之間數(shù)據(jù)的相似度，系數(shù)越大，表示數(shù)據(jù)相似度越高，組合后冗余信息越多；系數(shù)越小，表示數(shù)據(jù)相似度越低，組合后冗余信息越少。波段間相關(guān)系數(shù)的計(jì)算公式為：

(1)

從各波段相關(guān)性系數(shù)矩陣看出，相鄰波段的相關(guān)系數(shù)均在0.89以上，存在大量信息冗余。

最佳波段組合應(yīng)滿足3個(gè)基本條件：

(1)各波段信息量較大；

(2)波段間相關(guān)性較小；

(3)所選波段組合可提高估算模型精度。

表1 典型區(qū)域A多光譜影像各波段相關(guān)性系數(shù)矩陣

2.1 波段分組

植被光譜特征是區(qū)別植被與其他地物、植被類型，以及監(jiān)測(cè)植被生長(zhǎng)情況等的重要基礎(chǔ)。植被的反射光譜，隨著葉片葉綠素含量、葉細(xì)胞結(jié)構(gòu)、含水量等因素的影響，在不同波段會(huì)表現(xiàn)出不同的反射光譜特征[18]。Micro MCA12 Snap傳感器各個(gè)波段的光譜特征見(jiàn)表2。其中第1波段位于可見(jiàn)光藍(lán)光區(qū)域，第2、3、4波段位于可見(jiàn)光綠光區(qū)域，第5、6、7波段位于植被反射曲線的紅邊區(qū)域，第8、9、10、11、12波段位于近紅外區(qū)域。植被在可見(jiàn)光紅光波段有很強(qiáng)的吸收特性，在近紅外波段有很強(qiáng)的反射特性，這是利用紅光和近紅外波段進(jìn)行植被遙感監(jiān)測(cè)的物理基礎(chǔ)。基于此，將上述12個(gè)波段分為3組，前4個(gè)波段為第一組，中間3個(gè)波段為一組，最后5個(gè)波段為一組。從表1可以看出，組內(nèi)各波段的相關(guān)性相對(duì)較高，而不同組之間的相對(duì)性較弱，最佳波段組合的選取應(yīng)著眼于組內(nèi)各波段的比較，而不是組間，因此分別選取每組具有代表性的一個(gè)波段，然后組合后進(jìn)行對(duì)比分析。

表2 Micro MCA12 Snap傳感器波長(zhǎng)及波段特征

2.2 最佳指數(shù)因子(OIF)

最佳指數(shù)由美國(guó)查維茨教授提出，計(jì)算方法簡(jiǎn)單，易于操作。理論依據(jù)是：圖像數(shù)據(jù)的標(biāo)準(zhǔn)差越大，所包含的信息量也越多，而波段的相關(guān)系數(shù)越小，表明各波段的圖像數(shù)據(jù)獨(dú)立性也越高，信息的冗余度也就越小。計(jì)算公式如下：

(2)

式中：Si為波段i的標(biāo)準(zhǔn)差，rij為波段i與波段j之間的相關(guān)系數(shù)。OIF指數(shù)越大則說(shuō)明波段間的相關(guān)性越小，3個(gè)波段所包含的信息量越大。在不同組內(nèi)任意選擇1個(gè)波段進(jìn)行組合，利用C++編程計(jì)算其OIF值。

2.3 最大相關(guān)系數(shù)(MCC)[15]

MCC是一種利用植被參數(shù)與光譜波段數(shù)據(jù)間的相關(guān)系數(shù)大小作為特征波段選取指標(biāo)的提取特征波段方法，由OIF法獲取的各個(gè)三波段組合求最大相關(guān)系數(shù)，計(jì)算公式如下：

Rstd=Rtotal-rstd。

(3)

式中：Rstd為判斷3個(gè)波段相關(guān)系數(shù)同時(shí)最大指標(biāo)，Rtotal為3個(gè)波段各自與生物量相關(guān)系數(shù)的總和，rstd為3個(gè)波段各自與生物量相關(guān)系數(shù)的標(biāo)準(zhǔn)差。由于其計(jì)算簡(jiǎn)單易于操作，在信息降維與有用波段提取中較為常用。表3為波段分組后OIF值排在前5位的波段組合以及MCC值。

表3 OIF值排在前5位的波段組合

2.4 植被指數(shù)及估算模型的選取

近年來(lái)，許多國(guó)內(nèi)外學(xué)者在植被指數(shù)構(gòu)建方面做了不少嘗試，其中歸一化植被指數(shù)(NDVI)較為常用，考慮到NDVI受大氣、土壤反射率和植被生長(zhǎng)后期高覆蓋度的影響[5]，因此還選取了適合于植被覆蓋度較高的比值植被指數(shù)(RVI)。此外，不少關(guān)于草地估產(chǎn)的研究[19-20]指出：在生物量低于370 g/m2時(shí)，一元線性估算模型精度較高，模型較為成熟，應(yīng)用廣泛，足以反映植被的生長(zhǎng)狀況。因此本研究選擇這2種植被指數(shù)來(lái)建立一元線性估算模型，具體計(jì)算公式如下：

(4)

式中：ρnir、ρred分別為每組波段組合中紅光區(qū)域和近紅外區(qū)域的波段。

3 結(jié)果與分析

通過(guò)以上分析，對(duì)以上5組波段組合進(jìn)行研究，計(jì)算每種波段組合下的2種植被指數(shù)，與草地生物量進(jìn)行回歸分析，建立基于植被指數(shù)的草地生物量估算模型，通過(guò)均方根誤差(RMSE)和平均相對(duì)誤差(MRE)2個(gè)指標(biāo)來(lái)檢驗(yàn)估算模型的精度，具體計(jì)算公式如下，所得結(jié)果見(jiàn)表4。

(5)

式中：yi′為驗(yàn)證樣本i的預(yù)測(cè)值，yi為驗(yàn)證樣本i的實(shí)測(cè)值，n=17。

從表3、表4可以看出以下幾個(gè)特點(diǎn)：(1)針對(duì)不同的波段組合，利用植被指數(shù)建立的生物量估算模型不同，模型精度也不同，通過(guò)選擇最優(yōu)波段組合，在一定程度上可以提高估算模型的精度，特別的是A組波段組合(即第4、7、8波段)和D組波段組合(即第3、7、8波段)模型構(gòu)建和檢驗(yàn)指標(biāo)均相同，這是由于兩種植被指數(shù)的計(jì)算均跟紅光波段和近紅外波段有關(guān)，而這2組波段組合在紅光和近紅外波段均是第7波段和第8波段。(2)針對(duì)相同的波段組合，不同的植被指數(shù)、模型精度也有所不同，這是由于NDVI對(duì)綠色植被的生長(zhǎng)狀態(tài)和空間分布密度反應(yīng)敏感，但受土壤背景的影響較大，適用于植被覆蓋度較低的區(qū)域；RVI適用于植被長(zhǎng)勢(shì)高度旺盛、具有高覆蓋度的植被檢測(cè)中。(3)波段分組后，計(jì)算各個(gè)波段組合的OIF值，最大的為A組波段組合，其次依次是B、C、D、E組合，而綜合來(lái)看，模型精度由高到低依次為A、D、B、E、C組合， 由此可以看出OIF指數(shù)與估算模型精度沒(méi)有嚴(yán)格的對(duì)應(yīng)關(guān)系。(4)計(jì)算各波段組合的MCC值，由高到低依次為E、C、A、D組合，B組合相對(duì)最低，MCC值僅為0.876，該定量指標(biāo)與估算模型精度也沒(méi)有嚴(yán)格的對(duì)應(yīng)關(guān)系，利用MCC法來(lái)獲取最優(yōu)波段組合不太理想，可能是該方法易受各種因素的影響，提取的只有單一波段，不能從多角度反映植被特征等。

表4 不同波段組合后的估算模型精度

注：表中RMSE、MRE值僅作為相對(duì)值比較。

通過(guò)分析對(duì)比，綜合波段特征、波段間相關(guān)性、OIF和MCC指數(shù)可知，以本研究區(qū)天然草地生物量估算研究為目的，針對(duì)Micro MCA12 Snap傳感器，A組合(即第4、7、8波段)下的估算模型精度相對(duì)較高，為最佳波段組合。

4 結(jié)論

為了提取出最佳波段組合，提高生物量估算模型精度，本研究結(jié)合植被光譜特征、植被指數(shù)構(gòu)建原理和傳感器特性對(duì)各個(gè)波段進(jìn)行分組，利用最佳指數(shù)和最大相關(guān)系數(shù)2種定量指標(biāo)來(lái)分析各個(gè)波段組合，從而確定最佳波段組合為第4、7、8波段組合。試驗(yàn)結(jié)果表明，選取最佳波段組合可在一定程度上提高草地生物量估算模型精度，此外2種定量指標(biāo)與估算模型精度沒(méi)有嚴(yán)格的對(duì)應(yīng)關(guān)系，單從信息冗余和相關(guān)性兩方面選取最佳波段組合顯然不妥，應(yīng)結(jié)合研究對(duì)象和研究目的等。

[1]金云翔，徐 斌，楊秀春，等. 內(nèi)蒙古錫林郭勒盟草原產(chǎn)草量動(dòng)態(tài)遙感估算[J]. 中國(guó)科學(xué)(生命科學(xué))，2011，41(12)：1185-1195.

[2]Ranggo A，Laliberte A，Herrick J E，et al. Unmanned aerial vehicle-based remote sensing for rangeland assessment，monitoring，and management[J]. Journal of Applied Remote Sensing，2009，3(1)：1-15.

[3]李宗南，陳仲新，王利民，等. 基于小型無(wú)人機(jī)遙感的玉米倒伏面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(19)：207-213.

[4]張正健，李愛(ài)農(nóng)，邊金虎，等. 基于無(wú)人機(jī)影像可見(jiàn)光植被指數(shù)的若爾蓋草地地上生物量估算研究[J]. 遙感技術(shù)與應(yīng)用，2016，31(1)：51-62.

[5]Bendig J，Yu K，Aasen H，et al. Combining UAV-based plant height from crop surface models，visible，and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation and Geoinformation，2015，39：79-87.

[6]魯 恒，李永樹(shù)，何 敬，等. 無(wú)人機(jī)低空遙感影像數(shù)據(jù)的獲取與處理[J]. 測(cè)繪工程，2011，20(1)：51-54.

[7]周潔萍，龔建華，王 濤，等. 汶川地震災(zāi)區(qū)無(wú)人機(jī)遙感影像獲取與可視化管理系統(tǒng)研究[J]. 遙感學(xué)報(bào)，2008，12(6)：877-884.

[8]周夢(mèng)維，柳欽火，劉 強(qiáng)，等. 全波形激光雷達(dá)和航空影像聯(lián)合的地物分類[J]. 遙感技術(shù)與應(yīng)用，2010，25(6)：821-827.

[9]田振坤，傅鶯鶯，劉素紅，等. 基于無(wú)人機(jī)低空遙感的農(nóng)作物快速分類方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(7)：109-116，295.

[10]趙慶展，劉 偉，尹小君，等. 基于無(wú)人機(jī)多光譜影像特征的最佳波段組合研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(3)：242-248，291.

[11]馬 娜，胡云鋒，莊大方，等. 基于最佳波段指數(shù)和J-M距離可分性的高光譜數(shù)據(jù)最佳波段組合選取研究——以環(huán)境小衛(wèi)星高光譜數(shù)據(jù)在東莞市的應(yīng)用為例[J]. 遙感技術(shù)與應(yīng)用，2010，25(3)：358-365.

[12]譚玉敏，夏 瑋. 基于最佳波段組合的高光譜遙感影像分類[J]. 測(cè)繪與空間地理信息，2014(4)：19-22.

[13]秦方普，張愛(ài)武，王書民，等. 基于譜聚類與類間可分性因子的高光譜波段選擇[J]. 光譜學(xué)與光譜分析，2015，35(5)：1357-1364.

[14]劉雪松，葛 亮，王 斌，等. 基于最大信息量的高光譜遙感圖像無(wú)監(jiān)督波段選擇方法[J]. 紅外與毫米波學(xué)報(bào)，2012，31(2)：166-170，176.

[15]程志慶，張勁松，孟 平，等. 植被參數(shù)高光譜遙感反演最佳波段提取算法的改進(jìn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(12)：179-185.

[16]武文波，劉正綱. 一種基于地物波譜特征的最佳波段組合選取方法[J]. 測(cè)繪工程，2007，16(6)：22-24，33.

[17]劉建平，趙英時(shí). 高光譜遙感數(shù)據(jù)解譯的最佳波段選擇方法研究[J]. 中國(guó)科學(xué)院研究生院學(xué)報(bào)，1999，16(2)：153-161.

[18]金云翔，徐 斌，楊秀春，等. 草原植被遙感監(jiān)測(cè)[M]. 北京：科學(xué)出版社，2016.

[19]張艷楠，牛建明，張 慶，等. 植被指數(shù)在典型草原生物量遙感估測(cè)應(yīng)用中的問(wèn)題探討[J]. 草業(yè)學(xué)報(bào)，2012，21(1)：229-238.

[20]黃敬峰，王秀珍，胡新博. 新疆北部不同類型天然草地產(chǎn)草量遙感監(jiān)測(cè)模型[J]. 中國(guó)草地，1999(1)：7-11.