基于機器學習的水稻地上生物量遙感反演

李武岐 徐峰 楊豐栓 董霞 周華

摘 要：地上生物量是水稻重要的生理生化參數，其估測模型對長勢監測、產量估計等具有重要的意義。高光譜遙感技術具有光譜分辨率高、蘊含信息豐富、高效無損的特點，能夠大范圍精準監測作物生長信息，在現代化農業中得到了廣泛的應用。本文基于ASD FieldSpec 4光譜輻射計獲取的水稻的冠層光譜反射率數據，通過光譜轉換獲得其紅邊參數、植被指數等參數，利用K近鄰回歸（KNN）、支持向量機（SVM）、隨機森林（RF）等方法開展水稻生物量估測研究，實驗結果表明：其中RF建模集精度最高：R2為0.98，RMSE為94.6g·m-2，CV為11.7%，驗證集精度：R2為0.89，RMSE為194.1g·m-2，CV為23.5%，且三種機器學習建模的精度R2均高于0.86，達到較好的反演效果。

關鍵詞：地上生物量;水稻;光譜反射率;紅邊參數;植被指數

中圖分類號：S127 文獻標識碼：A 文章編號：1671-2064（2020）12-0228-02

0研究背景

水稻是我國的主要糧食作物之一，水稻的產量是人們關心的重點問題，而水稻地上生物量（AGB，Above ground Biomass）是水稻的長勢監測、產量估計等的重要指標。傳統的水稻生物量測算方法需要人工在田間采集水稻樣本，直接采集物理樣品進行實測，這種方法具有客觀準確的特點;但是，該方法成本高，耗時費力，會造成部分水稻被破壞，無法滿足精準農業實時快速、大面積的估測需求。近年來，遙感技術的飛速發展，多尺度、高光譜以及多觀測角度的遙感數據能夠更實時、準確、高效地反映農作物的長勢信息，使用遙感技術的非破壞性或非侵入性方法可以有效避免傳統方法的問題，從而更好地為生物量進行估測。本文以ASD FieldSpec 4光譜輻射計獲取的水稻的冠層反射率為數據源，提取紅邊參數、植被指數，基于K近鄰、支持向量機和隨機森林進行回歸分析，構建多品種水稻生物量反演模型。

1研究區與數據

1.1研究區

研究區位于湖北省鄂州市試驗基地（30°22′22.27″N， 114°45′7.03″E），位于湖北省東部，長江中游南岸，屬于亞熱帶季風氣候區，夏季高溫多雨，適宜水稻生長。2019年6月至9月試驗區布設4個移栽水稻田塊，土壤為水稻土，施肥均相等且適量，選取48個品種作為采樣對象。水稻采用雙行種植，行列間距40cm，移栽密度為20000兜/畝。

1.2數據獲取

實驗使用美國ASD公司生產的ASD FieldSpec4便攜式地物光譜儀測得水稻冠層高光譜數據和人工采樣獲得AGB實測數據。其中利用ASD高光譜數據通過光譜變換提取水稻生物量相關參量，構建基于機器學習的水稻生物量反演模型。

1.2.1 ASD高光譜數據

水稻冠層高光譜數據使用美國ASD公司生產的ASD FieldSpec4便攜式地物光譜儀測得，該儀器可用于測量反射率、透射率、輻射亮度或輻射照度等參數，其測量波段范圍為350nm～2500nm，在350nm～1000nm范圍內光譜分辨率為3nm;1000nm～2500nm范圍內為8nm。選擇在晴朗無云、風速較小且太陽角較小的情況下進行測量（一般在10時～14時），每個小區重復測量五條光譜，取其平均值作為一條光譜樣本。獲取的ASD數據使用ViewSpecPro軟件進行處理得到不同時間的光譜樣本。

1.2.2 水稻地上生物量獲取

實驗使用的水稻地上生物量（AGB）是在光譜測量的同時，通過實地采集48個小區的樣本，進行實測得到。每個小區采集5兜所有水稻的地上部分（含莖、葉和穗），作為一個樣本。首先在120℃高溫條件下殺青1h，再在80℃恒溫條件下烘烤24h至恒重，稱其重量并記錄，最后，通過種植密度計算每平方米的地上生物量（g/m2）。

2研究方法

本論文主要探究植被指數、紅邊參數在水稻地上生物量估算中的表現。為了減弱環境因素引起的光譜噪聲，我們使用S_G濾波算法對每條樣本進行平滑處理。提取紅邊參數和光譜偏角。

2.1植被指數

根據地上生物量遙感反演的相關文獻，結合ASD高光譜數據的波段特點，反演水稻生長狀態參數的關鍵波段有400nm～500nm、525nm～600nm、640nm～690nm、720nm～730nm以及800nm處的近紅外波段。我們依據水稻冠層光譜變化的特性，選擇9種有明確意義的植被指數與AGB進行相關分析，從而建立估算模型。其中相關波段位置的選取分別為近紅外波段（NIR）800nm，紅光波段（Red）670nm，綠光波段（Green）550nm，紅邊波段（Red edge）720nm的光譜反射率，植被指數計算方法如表1。

2.2紅邊參數

利用公式（1）計算ASD光譜反射率的一階導數，在波長680nm～750nm范圍內確定紅邊參數。紅邊參數主要包括：

紅邊位置：波長區間一階導數最大值所對應的波長位置處。

紅邊峰值：波長區間的光譜一階導數的最大值。

紅邊面積：波長區間的一階導數所包圍的光譜積分面積。

3機器學習模型構建

對ASD高光譜數據利用KNN、SVR、RF三種機器學習回歸模型估算AGB時，利用模型的決定系數（coefficient of determination，R2）、均方根誤差（root-mean-square error， RMSE）和變異系數（Coefficient of Variation，CV）作為估測模型的評價指標。表2為機器學習回歸建模與驗證的精度：其中RF建模集精度最高：R2為0.98，RMSE為94.6g·m-2，CV為11.7%，驗證集精度：R2為0.89，RMSE為194.1g·m-2，CV為23.5%。

圖1是三種機器學習模型的預測效果，通過對比分析，其中RF模型預測擬合點均勻分布在y=x附近，大部分點均在最優擬合范圍內，體現了RF模型具備較好的泛化能力。KNN模型估算結果也較接近1∶1線，但在中高AGB區易發生偏估現象。

4結語

該試驗通過對ASD高光譜數據進行S_G濾波的預處理及光譜變換，提取了光譜植被指數、紅邊參數等特征，構建了三種機器學習反演生物量的模型，對水稻估產和水稻生物量估算模型的構建具有一定的指導意義。