融合無人機(jī)光譜信息與紋理特征的棉花葉面積指數(shù)估測(cè)

邵亞杰 湯秋香 崔建平 李曉娟 王 亮 林 濤

(1.新疆農(nóng)業(yè)大學(xué)農(nóng)學(xué)院, 烏魯木齊 830052; 2.新疆農(nóng)業(yè)科學(xué)院經(jīng)濟(jì)作物研究所, 烏魯木齊 830091;3.農(nóng)業(yè)農(nóng)村部荒漠綠洲作物生理生態(tài)與耕作重點(diǎn)實(shí)驗(yàn)室, 烏魯木齊 830091; 4.新疆大學(xué)機(jī)械工程學(xué)院, 烏魯木齊 830046)

0 引言

及時(shí)準(zhǔn)確獲取作物的長(zhǎng)勢(shì)信息對(duì)提高農(nóng)業(yè)生產(chǎn)的信息化、智能化水平具有重要的意義[1]。葉面積指數(shù)(Leaf area index,LAI)指單位土地面積上植物葉片占土地面積的倍數(shù)[2],是反映植被密度、冠層結(jié)構(gòu)與功能、生物學(xué)特性與生態(tài)環(huán)境因子的重要生理指標(biāo),可作為塑造合理冠層調(diào)控措施,提高光能利用效率的重要判斷依據(jù)[3]。傳統(tǒng)的LAI測(cè)量主要包括比重法、掃描法、光電或圖像法(冠層儀),只能進(jìn)行小面積的人工測(cè)量[4-5],測(cè)量結(jié)果相對(duì)精準(zhǔn),但存在費(fèi)時(shí)費(fèi)力、破壞性強(qiáng)、監(jiān)測(cè)尺度小等問題[4],難以幫助政策部門和生產(chǎn)部門形成有效的長(zhǎng)勢(shì)評(píng)估和農(nóng)事干預(yù)。因此,在區(qū)域尺度上開發(fā)快速、無損、精確的LAI高效監(jiān)測(cè)方法,對(duì)解決這一問題至關(guān)重要。

利用無人機(jī)遙感反演作物的LAI,可以避免效率低、成本高、田間操作困難等問題。該方法在農(nóng)田L(fēng)AI的大范圍監(jiān)測(cè)中被證明是有效的[5-7]。在LAI的遙感反演方法中,來自植物冠層的光譜吸收和反射特征起著關(guān)鍵性作用[8]。植被指數(shù)(Vegetation indexs, VIs)通過根據(jù)兩個(gè)或多個(gè)波段的冠層反射率組合來突出植被的特定屬性,通常在可見光和近紅外范圍內(nèi)[9]。如:王軍等[10]在大豆的LAI遙感監(jiān)測(cè)中提出,與其他4個(gè)VIs相比,NDVI對(duì)大豆的反演精度較好(R2=0.74);張敏等[11]在對(duì)4個(gè)植被指數(shù)選擇時(shí)發(fā)現(xiàn)增強(qiáng)型植被指數(shù)(Enhanced vegetation index, EVI),EVI得到了較高的估算結(jié)果(R2=0.64)。然而僅利用VIs進(jìn)行密植作物的LAI估算時(shí),常常存在一定的局限性。主要問題是高覆蓋度的冠層結(jié)構(gòu)容易限制對(duì)LAI的估算[12]。此外,VIs在作物不同生長(zhǎng)階段、病蟲害等條件的影響下會(huì)發(fā)生變化[13-14]。而遙感影像中豐富的紋理信息(Texture features, TFs),不僅可以表征作物的冠層結(jié)構(gòu),還能夠減小“同譜異物”和“同物異譜”的影響,成為有效減少作物生長(zhǎng)后期冠層密閉以及受病蟲害等因素干擾等的重要途徑。因此,近年來關(guān)于融合遙感影像中的光譜和紋理特征估算作物長(zhǎng)勢(shì)的研究逐漸增多。研究表明,VIs結(jié)合TFs可顯著提高生物量[15]、葉綠素含量[16]、植被覆蓋度[17]等作物長(zhǎng)勢(shì)信息的估算精度。周聰?shù)萚18]、LI等[19]的研究均證實(shí),無論是基于圖像的小波能量紋理和光譜特征相結(jié)合或者是灰度共生矩陣紋理特征結(jié)合顏色指數(shù)的模型輸入?yún)?shù),均較單一參數(shù)類型的水稻LAI估算模型具有更高的準(zhǔn)確性。這些研究為估算作物L(fēng)AI提供了一種新的方法。然而此方法在棉花LAI的遙感監(jiān)測(cè)中的應(yīng)用效果還鮮有報(bào)道。

棉花是中國(guó)重要的經(jīng)濟(jì)作物之一,在經(jīng)濟(jì)發(fā)展中占據(jù)重要地位[20]。雖然前人使用無人機(jī)遙感影像在水稻、玉米和小麥等作物的LAI估算方面已有大量研究,但目前結(jié)合VIs和TFs在估算密植作物棉花LAI的應(yīng)用仍較少。因此針對(duì)精準(zhǔn)、高效獲取棉花長(zhǎng)勢(shì)信息的重要性,發(fā)揮無人機(jī)靈活機(jī)動(dòng)的優(yōu)勢(shì),通過“點(diǎn)-面”結(jié)合的方式對(duì)棉花長(zhǎng)勢(shì)進(jìn)行實(shí)時(shí)、宏觀、快速地監(jiān)測(cè)和估算,可以因地制宜制定棉花精準(zhǔn)生產(chǎn)管理措施。本研究以新疆阿克蘇地區(qū)棉花為研究對(duì)象,擬采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法,分別構(gòu)建基于VIs、TFs和二者融合參數(shù)作為特征輸入變量的棉花LAI估測(cè)模型,對(duì)比分析3種參數(shù)選擇條件下,LAI估算精度的差異;為新疆棉田實(shí)現(xiàn)LAI的快速、無損、定量監(jiān)測(cè)提供一種可靠的方法,為農(nóng)田變量施肥、精準(zhǔn)灌溉等精細(xì)化管理提供技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)域概況

試驗(yàn)地點(diǎn)位于新疆農(nóng)業(yè)科學(xué)院阿瓦提棉花科研示范基地(40°27′N,80°21′E),如圖1所示,該區(qū)域?qū)倥瘻貛Т箨懶愿珊禋夂?年平均氣溫10.40℃,年平均降水量46.70 mm,年平均蒸發(fā)量1 890.70 mm,無霜期211.00 d,年均日照2 679.00 h。農(nóng)業(yè)生產(chǎn)完全依賴于灌溉。試驗(yàn)區(qū)土壤質(zhì)地為砂壤土,田間持水率為28.92%,土壤肥力屬于中等,土壤pH值為7.33。當(dāng)?shù)刂饕弋a(chǎn)栽培技術(shù)為膜下滴灌技術(shù)。

圖1 研究區(qū)位置及處理小區(qū)Fig.1 Location and processing area of study area

1.2 試驗(yàn)設(shè)計(jì)

采用雙因素裂區(qū)試驗(yàn)設(shè)計(jì),以對(duì)LAI有顯著影響的密度和施氮量為調(diào)節(jié)因子,以施氮量(純氮)為主區(qū),設(shè)置N1(0 kg/hm2)、N2(300 kg/hm2)和N3(600 kg/hm2)3個(gè)水平,密度為副區(qū),設(shè)置M1(1.35×105株/hm2)、M2(1.80×105株/hm2)和M3(2.25×105株/hm2)3個(gè)水平;即共有9個(gè)處理,每個(gè)處理重復(fù)3次,每3幅膜劃定一個(gè)小區(qū),小區(qū)面積49 m2(長(zhǎng)7 m,寬7 m)。

供試棉花品種為新陸中88號(hào)。采用“一膜三行三管”76 cm等行距機(jī)采棉種植模式,株距11 cm,磷肥(P2O5,150 kg/hm2)和鉀肥(K2O,150 kg/hm2)全部作為基肥,在播種時(shí)一次性施入,氮肥30%作為基肥,70%作為追肥,等量分10次隨水滴入。其他管理措施參照當(dāng)?shù)貥?biāo)準(zhǔn)。

1.3 測(cè)定項(xiàng)目與方法

1.3.1地面數(shù)據(jù)獲取

于蕾期(6月27日)、花期(7月23日)、鈴期(8月17日)、吐絮期(9月7日)選取長(zhǎng)勢(shì)均勻的4個(gè)不同測(cè)量位點(diǎn),于18:00—20:00,陽(yáng)光穩(wěn)定、無云時(shí),進(jìn)行LAI測(cè)量。測(cè)量采用CI-110型植物冠層數(shù)字圖像分析儀(Li-Cor Inc.,美國(guó)),分別選取A、B、C、D 4個(gè)位點(diǎn)(圖2),每個(gè)位點(diǎn)測(cè)量3次,取其平均值即得到各位點(diǎn)的平均LAI。其中位點(diǎn)A在中行主莖下方,位點(diǎn)B在中行與邊行中點(diǎn)處,位點(diǎn)C在邊行主莖下方處,位點(diǎn)D在露地中間位點(diǎn)處。

圖2 棉花種植方式及LAI測(cè)量位點(diǎn)Fig.2 Cotton planting pattern and LAI measurement site

1.3.2無人機(jī)影像獲取

獲取田間LAI的當(dāng)天,利用Matrice M210 RTK V2型無人機(jī)搭載多光譜相機(jī)(MicaSence RedEdge,美國(guó))進(jìn)行棉田冠層圖像提取。拍攝于13:00—15:00,太陽(yáng)高度角與地面近乎垂直時(shí)進(jìn)行,航線設(shè)計(jì)任務(wù)高度30 m,航向重疊率75%,旁向重疊率75%,航速2 m/s,采用等間隔拍照,拍照間隔為2 m。飛行前使用多光譜傳感器拍攝輻射定標(biāo)版,以便后期進(jìn)行影像輻射標(biāo)定。

多光譜相機(jī)共有5個(gè)通道,分別為藍(lán)、綠、紅、近紅外、紅邊波段,對(duì)應(yīng)波長(zhǎng)分別為475、560、668、840、717 nm,半高寬(FWHM)分別為20、20、10、40、10 nm,無人機(jī)影像劃分示意圖如圖3所示。

圖3 無人機(jī)影像測(cè)量位點(diǎn)劃分示意圖Fig.3 Schematic of image measurement point division by drone

1.3.3無人機(jī)數(shù)據(jù)預(yù)處理

1.3.3.1圖像拼接

利用Pix4D Mapper軟件對(duì)影像數(shù)據(jù)進(jìn)行拼接與輻射校正。首先將原始圖像數(shù)據(jù)導(dǎo)入軟件,讀取影像POS數(shù)據(jù),設(shè)置影像相機(jī)配置信息,選擇農(nóng)業(yè)多光譜拼接模式,然后設(shè)定拼接過程中的匹配特征點(diǎn)數(shù)量和輸出影像類型,生成點(diǎn)云和紋理信息,最后輸出數(shù)字正射影像。

1.3.3.2小區(qū)裁剪

采用ArcGIS map 軟件裁剪影像,先根據(jù)地面信息確定待測(cè)試驗(yàn)區(qū)域,建立區(qū)域shape文件在影像中勾畫出試驗(yàn)區(qū)邊界;使用裁剪工具對(duì)試驗(yàn)區(qū)shape進(jìn)行裁剪,生成試驗(yàn)區(qū)域柵格數(shù)據(jù)并通過數(shù)據(jù)轉(zhuǎn)換輸出試驗(yàn)區(qū)影像數(shù)據(jù)。

1.3.3.3光譜反射率提取

使用ENVI軟件對(duì)裁剪后影像提取光譜反射率。本文中選取小區(qū)反射率均值作為該小區(qū)的光譜反射率。

1.3.4植被指數(shù)與紋理特征選取

植被指數(shù)是由兩個(gè)或多個(gè)波段反射率經(jīng)一定方式組合而成的參數(shù)。本研究根據(jù)已有的研究成果,選取LAI監(jiān)測(cè)方面效果較好的9種植被指數(shù),計(jì)算公式如表1所示。

表1 植被指數(shù)計(jì)算公式Tab.1 Vegetation index

紋理是一種反映圖像中同質(zhì)現(xiàn)象的視覺特征,體現(xiàn)物體表面的具有緩慢變換或周期性變化的表面組織結(jié)構(gòu)排列屬性。本文使用ENVI 5.3軟件進(jìn)行基于二階概率統(tǒng)計(jì)濾波(Co-occurrence measures)的方式來實(shí)現(xiàn)圖像TFs的提取,對(duì)近紅外波段進(jìn)行提取共獲取8類TFs:均值(MEA)、方差(VAR)、協(xié)同性(HOM)、對(duì)比度(CON)、相異性(DIS)、信息熵(ENT)、二階矩(SEM)和相關(guān)性(COR)。紋理分析時(shí)選取窗口尺寸為7×7,空間相關(guān)矩陣偏移X和Y默認(rèn)為1。

1.4 數(shù)據(jù)分析評(píng)價(jià)

1.4.1模型構(gòu)建及反演

使用每個(gè)位點(diǎn)的LAI參與構(gòu)建估算模型。不同VIs與地面LAI數(shù)據(jù)相關(guān)性分析后,選取相關(guān)性較高的VIs和TFs,用于棉花LAI的估算模型構(gòu)建。全生育時(shí)期共獲得432個(gè)LAI數(shù)據(jù)樣本,由于本文的LAI實(shí)測(cè)數(shù)據(jù)需要耗費(fèi)大量人工,雖然盡可能多地進(jìn)行實(shí)測(cè)以保證模型訓(xùn)練精度,但數(shù)據(jù)集仍屬于小規(guī)模樣本集,因此本文按比例6∶4劃分訓(xùn)練集和驗(yàn)證集。隨機(jī)選取其中60%(259個(gè)樣本)作為建模集,40%作為訓(xùn)練集(173個(gè)樣本),反演LAI時(shí)選擇最優(yōu)估算模型對(duì)試驗(yàn)小區(qū)均值進(jìn)行反演。

1.4.2支持向量機(jī)回歸

支持向量機(jī)(Support vector regression,SVR)是在分類模型的框架下發(fā)展起來的一種被廣泛使用的機(jī)器學(xué)習(xí)方法。其主要思想是將輸入樣本映射到高維空間,在此空間內(nèi)建立了一個(gè)超平面,對(duì)所有落入此平面內(nèi)的樣本不計(jì)算損失,只有平面外的數(shù)據(jù)才計(jì)入損失函數(shù),通過引入距離修正損失函數(shù)使訓(xùn)練樣本與超平面的距離最小化,此時(shí)的超平面是擬合的函數(shù)[29]。SVR因其通用性、穩(wěn)健性和有效性顯示出良好的估算潛力,能夠處理高維數(shù)據(jù)和非線性問題,并且具有較好的泛化能力[30-31]。本研究采用Scikit-Learn(0.21.3)包中的支持向量回歸函數(shù)在Python 3.7環(huán)境中實(shí)現(xiàn)支持向量機(jī)算法。由于損失函數(shù)(Gamma)、誤差懲罰因子C和核函數(shù)影響支持向量機(jī)的性能,參數(shù)設(shè)置中Kernel選擇常用的徑向基核函數(shù)(Rbf),懲罰因子C為1.0,損失函數(shù)Gamma為1/n_Features。

1.4.3偏最小二乘回歸法

偏最小二乘回歸法(Partial least squares regression, PLSR)是集合多元線性回歸、主成分分析及相關(guān)性分析3種方法優(yōu)點(diǎn)于一身的統(tǒng)計(jì)分析方法[32]。當(dāng)數(shù)據(jù)集中變量較多且因變量與自變量具有多重相關(guān)性時(shí),傳統(tǒng)的線性回歸無法精確地對(duì)因變量進(jìn)行分析,從而導(dǎo)致構(gòu)建的模型精確度較低,此時(shí)使用PLSR方法可以提高模型精度。PLSR通過依次選擇正交因子來增大因變量與自變量之間的協(xié)方差,并以交叉檢驗(yàn)的方式來確定模型中的因子數(shù)等,該方法減少了數(shù)據(jù)冗余,有利于提高計(jì)算效率。PLSR適用于多個(gè)高度共線性的變量來建立預(yù)測(cè)模型,可以有效地解決自變量之間的多重共線性問題以及數(shù)據(jù)維度較高的情況[33]。本研究采用Scikit-Learn(0.21.3)包中的偏最小二乘回歸函數(shù)在Python 3.7環(huán)境中實(shí)現(xiàn)支持PLSR算法。本文設(shè)置主成分個(gè)數(shù)為2,其余參數(shù)按照默認(rèn)使用。

1.4.4深度神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是基于感知機(jī)的擴(kuò)展,而深度神經(jīng)網(wǎng)絡(luò)(Deep neural network,DNN)可以理解為有很多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)。DNN內(nèi)部的神經(jīng)網(wǎng)絡(luò)層可以分為3類:輸入層、隱藏層和輸出層,通過堆疊多個(gè)隱藏層來達(dá)到提取更高階的特征信息,這些信息在回歸預(yù)測(cè)中有助于提高性能[34]。DNN模型現(xiàn)已成為解決各種分類和回歸問題的方法[34-36]。本文設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)包含輸入層、隱藏層和輸出層,結(jié)構(gòu)中層與層直接全連接,同層之間的神經(jīng)元不連接。DNN共分為4層:1個(gè)輸入層、2個(gè)隱藏層和1個(gè)輸出層。將圖像中提取的植被指數(shù)、紋理特征和紋理指數(shù)轉(zhuǎn)換為與每個(gè)測(cè)量點(diǎn)LAI相對(duì)應(yīng)的一維向量,以此作為輸入層,輸入層設(shè)置為3個(gè)神經(jīng)元,隱藏層的每層神經(jīng)元個(gè)數(shù)依次是6、4,輸出層設(shè)置為1個(gè)神經(jīng)元,并以最終輸出結(jié)果來估算LAI。在DNN模型中選取ReLU作為激活函數(shù),使用均方根誤差作為優(yōu)化函數(shù),選擇均方誤差作為損失函數(shù),迭代100次。本研究采用Python 3.7基于Keras 2.3.0框架搭建了此網(wǎng)絡(luò)結(jié)構(gòu)。

1.4.5模型驗(yàn)證

選取決定系數(shù)(Coefficient of determination,R2)、均方根誤差(Root mean square error,RMSE)和相對(duì)均方根誤差(Relative root mean square error, RRMSE)作為評(píng)價(jià)估算模型的指標(biāo)[36]。估算模型和驗(yàn)證模型的R2越大,RMSE和RRMSE越小,表明模型穩(wěn)定性越好,預(yù)測(cè)精度越高。

2 結(jié)果分析

2.1 葉面積指數(shù)與光譜數(shù)據(jù)分析

棉花各生育時(shí)期實(shí)測(cè)棉花LAI結(jié)果如表2所示,隨著棉花生長(zhǎng),不同密度與施氮量處理下棉花LAI總體呈現(xiàn)先增大后緩慢降低的趨勢(shì)。每個(gè)時(shí)期獲得108 個(gè)樣本,生育期累計(jì)獲得432 個(gè)樣本。LAI平均值由蕾期(1.82)增加至花期(2.81)后,在鈴期、吐絮期逐漸下降,吐絮期平均值為1.85。各生育時(shí)期標(biāo)準(zhǔn)差為0.21～0.27,方差在0.04～0.07之間,變異系數(shù)在0.08～0.12之間。結(jié)果表明,標(biāo)準(zhǔn)差、方差、變異系數(shù)較小,說明LAI的離散程度小,即LAI分布均勻。

表2 棉花葉面積指數(shù)數(shù)據(jù)統(tǒng)計(jì)Tab.2 Cotton leaf area index data statistics

2.2 基于植被指數(shù)的棉花LAI估算模型

VIs與LAI相關(guān)性分析結(jié)果如圖4所示。結(jié)果表明,VIs與LAI均呈現(xiàn)顯著正相關(guān),且相關(guān)系數(shù)為0.747～0.830。在所選的VIs中VI(nir/red)與VI(nir/green)相關(guān)性較高,分別為0.822、0.830。圖4表明隨著LAI的增加,VIs增加,但在LAI大于2.0時(shí),NDVI、GNDVI、SAVI、OSAVI和MSAVI的增長(zhǎng)幅度減小。

圖4 LAI與植被指數(shù)相關(guān)性分析Fig.4 Correlation analysis between LAI and spectral parameters

由于VIs與LAI之間均存在顯著相關(guān)性,為避免數(shù)據(jù)產(chǎn)生大量冗余,因此引入相關(guān)系數(shù)絕對(duì)值|r|最高的4個(gè)植被指數(shù)(VI(nir/green)、VI(nir/red)、GNDVI、OSAVI)作為自變量,以LAI為因變量,構(gòu)建了SVR、PLSR和DNN的LAI估算模型。同時(shí),通過比較模型估計(jì)值與實(shí)測(cè)值來驗(yàn)證模型的估算精度(R2、RMSE、RRMSE),如表3所示,3種建模算法的估算精度為0.72～0.78,PLSR模型具有最低的估算精度(建模集R2=0.72,驗(yàn)證集R2=0.68),而DNN模型具有最高的估算精度(建模集R2=0.78,驗(yàn)證集R2=0.71),表明DNN模型的估算精度最好。

表3 基于植被指數(shù)的棉花LAI估算結(jié)果評(píng)價(jià)Tab.3 Evaluation of LAI estimation results of cotton based on vegetation index

2.3 基于紋理特征的棉花LAI估算模型

圖5表明LAI與近紅外波段反射率相關(guān)性最佳,因此本文選擇該波段提取TFs,并篩選出與LAI相關(guān)系數(shù)絕對(duì)值|r|最高的MEA、HOM、ENT和SEM作為自變量,構(gòu)建了基于SVR、PLSR和DNN算法的LAI估算模型。在模型變量的選擇方面,使用TFs變量構(gòu)建的LAI估算模型精度低于VIs,在模型算法方面,3種建模算法的精度為0.51～0.62(表4),其中PLSR的精度最低(建模集R2=0.51,驗(yàn)證集R2=0.49),SVR精度最高(建模集和驗(yàn)證集的R2分別為0.62、0.58)。

表4 基于紋理特征的棉花LAI估算結(jié)果評(píng)價(jià)Tab.4 Evaluation of LAI estimation results for cotton based on texture features

圖5 LAI與紋理特征相關(guān)性分析Fig.5 Correlation analysis between LAI and textural characteristics

2.4 基于結(jié)合植被指數(shù)和紋理特征的LAI估算模型

本文依據(jù)相關(guān)系數(shù)絕對(duì)值|r|來篩選VIs和TFs的最佳組合為VI(nir/red)、VI(nir/green)、HOM和MEA,表5反映了基于SVR、PLSR和DNN算法構(gòu)建LAI估算模型的結(jié)果。相比之下,SVR算法具有最高的估算精度(建模集:R2=0.82,RMSE為0.20,RRMSE為0.09;驗(yàn)證集:R2=0.78,RMSE為0.22,RRMSE為0.10)。VIs和TFs組合構(gòu)建LAI的SVR估算模型比VIs、TFs估算的模型精度分別提高7.89%、32.26%。

表5 基于植被指數(shù)和紋理特征結(jié)合的棉花 LAI估算結(jié)果評(píng)價(jià)Tab.5 Evaluation of cotton LAI estimation results based on combination of vegetation index and texture features

本研究中LAI最優(yōu)估算模型為SVR模型,基于此模型對(duì)棉花4個(gè)生育時(shí)期LAI進(jìn)行反演,最終得到棉花各生育期的LAI空間分布圖(圖6)。結(jié)果表明,棉花LAI隨著生育期的推進(jìn)呈現(xiàn)先增加后減小的趨勢(shì),在花期達(dá)到最大值。蕾期反演的LAI在1.54～1.97之間,N2M3處理下的LAI達(dá)到最大值;花期反演的LAI在2.15～2.86之間,同樣為N2M3處理的LAI達(dá)到最大值;鈴期反演的LAI在2.11～2.34之間,N3M2處理下的LAI達(dá)到最大值;吐絮期反演的LAI在1.60～2.03之間,在N1M3處理下LAI達(dá)到最大值。在空間分布上,棉花葉面積指數(shù)因不同的施氮量和密度處理具有明顯差異,LAI較好的處理為N2M3處理。

圖6 棉花不同生育期LAI時(shí)空分布圖Fig.6 Spatial and temporal distributions of LAI in different growth stages of cotton

3 討論

無人機(jī)是一種新型遙感數(shù)據(jù)獲取平臺(tái),具有分辨率高、作業(yè)效率高的優(yōu)點(diǎn),在農(nóng)業(yè)領(lǐng)域監(jiān)測(cè)作物長(zhǎng)勢(shì)信息等方面具有重要作用。多光譜傳感器可以獲取遙感所需的紅、綠、藍(lán)、紅邊和近紅外5個(gè)重要波段的數(shù)據(jù),相較于RGB三通道數(shù)碼相機(jī)和高光譜傳感器,無人機(jī)搭載多光譜傳感器具有成本低、數(shù)據(jù)處理簡(jiǎn)單等特點(diǎn),應(yīng)用于農(nóng)業(yè)遙感領(lǐng)域具有一定的優(yōu)勢(shì)。有學(xué)者研究利用無人機(jī)搭載多光譜傳感器組成的低空遙感平臺(tái),對(duì)冬小麥LAI[37]、大豆LAI[38]的反演研究結(jié)果表明,利用無人機(jī)多光譜影像對(duì)作物L(fēng)AI進(jìn)行估算是可行的。本研究通過無人機(jī)搭載多光譜傳感器采集棉田遙感影像對(duì)棉花LAI進(jìn)行估算。本研究基于VIs和TFs構(gòu)建不同算法的棉花LAI反演模型,結(jié)果證明了基于無人機(jī)多光譜影像估算棉花LAI的可行性。

3.1 估算模型變量的選擇影響因素

在模型變量的選擇方面,根據(jù)VIs與TFs對(duì)棉花LAI的敏感程度,選擇相關(guān)性較高的變量,可以有效提高反演模型精度。本研究基于LAI與VIs和TFs的相關(guān)性來選擇模型變量,綜合利用棉花生長(zhǎng)季內(nèi)多生育時(shí)期光譜信息對(duì)棉花LAI進(jìn)行估算。此方法相較于單一生育時(shí)期進(jìn)行估算LAI更加科學(xué)合理,能夠有效提高LAI的估算精度。王修信等[39]對(duì)林地LAI的估算方法研究表明,利用多光譜植被指數(shù)NDVI、RSR、SAVI構(gòu)建的估算模型精度最高,R2達(dá)到0.83,RMSE為0.19。王亞杰[40]以EVI、OSAVI、SAVI、NDVI、RDVI構(gòu)建了玉米LAI反演模型,R2為0.91。本文選取相關(guān)性較高的VI(nir/green)、VI(nir/red)、GNDVI和OSAVI構(gòu)建估算模型,基于VIs的DNN估算模型的估算精度R2為0.78,RMSE為0.22,RRMSE為0.10。對(duì)于不同研究區(qū)、使用不同的建模方法、不同的VIs得到的模型,雖然基本具有較好的估算結(jié)果,但在精度上會(huì)有一定的差異。在傳統(tǒng)的統(tǒng)計(jì)分析中通常選用單一VIs進(jìn)行構(gòu)建LAI估算模型,但單一VIs所包含的信息比較片面且存在不同程度的飽和性[41]。紋理能表征物體表面的內(nèi)在特性,同時(shí)TFs提供了更多的植被冠層結(jié)構(gòu)信息,可以提高LAI的估算精度。因此,將更多的光譜信息作為變量以構(gòu)建估算模型十分重要。本文研究發(fā)現(xiàn)在僅使用TFs對(duì)棉花LAI估算時(shí),估算精度小于VIs估算模型。而在估算LAI時(shí)加入TFs有利于提升模型的準(zhǔn)確性,結(jié)合VIs和TFs構(gòu)建的SVR估算模型的驗(yàn)證集R2分別提高9.86%、34.48%。為以后估算作物的LAI研究提供了新的思路。本研究已經(jīng)證明了采用加入TFs來估算棉花LAI的方式能夠有效提高估算精度,但是否存在更好的估算方式還有待研究。其次,本研究使用的是皮爾遜相關(guān)系數(shù)的方法來確定模型構(gòu)建時(shí)的輸入?yún)?shù),而且在選擇VIs和TFs中僅選擇了相關(guān)系數(shù)絕對(duì)值|r|最高的4個(gè)進(jìn)行建模與評(píng)價(jià),而對(duì)于其他的特征參數(shù)篩選方法還需要進(jìn)一步研究。

3.2 不同估算模型對(duì)LAI估算精度的影響

建模算法的選擇對(duì)于估算作物長(zhǎng)勢(shì)信息的估測(cè)精度影響較大。目前利用無人機(jī)多光譜影像進(jìn)行植物生長(zhǎng)參數(shù)的估算研究,主要通過光譜參數(shù)與實(shí)測(cè)值建立經(jīng)驗(yàn)統(tǒng)計(jì)或機(jī)器學(xué)習(xí)模型進(jìn)行估測(cè)。牛慶林等[42]基于無人機(jī)影像數(shù)據(jù)監(jiān)測(cè)玉米LAI,使用逐步回歸分析方法建立估算模型,R2為0.63,RMSE為0.40。而傳統(tǒng)的線性回歸方法對(duì)模型的估算精度往往不高,而機(jī)器學(xué)習(xí)以獨(dú)特的優(yōu)勢(shì)逐漸替代了傳統(tǒng)逐步回歸,在作物長(zhǎng)勢(shì)監(jiān)測(cè)中得到了廣泛應(yīng)用[43]。王瑛等[44]基于六旋翼無人機(jī)獲取小麥冠層多光譜影像,結(jié)果發(fā)現(xiàn)SVR構(gòu)建小麥LAI估算模型效果最佳,R2達(dá)到0.83,RMSE為0.29。而本研究則是構(gòu)建了1種深度學(xué)習(xí)估算模型和2種機(jī)器學(xué)習(xí)模型,DNN模型通過加入多個(gè)隱藏層,使用Sigmoid和ReLU等非線性激活函數(shù),使得DNN模型能夠挖掘出數(shù)據(jù)之間的復(fù)雜關(guān)系,從而實(shí)現(xiàn)模型估算性能的提高。本文通過選取不同的參數(shù)組合方式進(jìn)行建模,有助于發(fā)揮DNN模型的特征融合優(yōu)勢(shì)。SVR模型能夠?qū)?shù)據(jù)映射至高維特征空間,在高維特征空間上建立一個(gè)超優(yōu)平面決策邊界,從而進(jìn)行樣本分類,SVR克服了傳統(tǒng)線性回歸方法的不足,在解決本研究中小樣本和非線性問題時(shí)具有獨(dú)特優(yōu)勢(shì)[45]。PLSR是結(jié)合了PCA、MLR和CCA 3種分析方法的優(yōu)勢(shì),在單因變量和多個(gè)自變量的回歸分析中,該方法簡(jiǎn)單穩(wěn)定且精度較高[46]。因此本文選擇這3種方法建立棉花LAI的估算模型。3種算法在不同參數(shù)組合建模的方式中,估算精度由大到小均呈現(xiàn)為VIs和TFs融合模型、VIs模型、TFs模型。在僅使用VIs構(gòu)建估算模型時(shí),深度學(xué)習(xí)DNN模型的估算精度最高,而基于VIs和TFs融合構(gòu)建時(shí)使用SVR估算模型效果最佳,R2為0.82,RMSE為0.20,證明將SVR算法用于構(gòu)建VIs和TFs結(jié)合的棉花LAI估算模型具有較好的應(yīng)用前景。本研究得出SVR模型優(yōu)于DNN模型和PSLR模型,SVR模型和DNN模型差距較小,原因可能是PLSR模型主要用于處理多元線性回歸問題,而SVR和DNN則能夠處理非線性問題。DNN模型的特點(diǎn)是能夠捕捉復(fù)雜的數(shù)據(jù)特征,SVR模型的特點(diǎn)則是可以處理高維數(shù)據(jù),本研究使用全生育期的數(shù)據(jù)進(jìn)行構(gòu)建估算模型,包含了多個(gè)特征和多個(gè)時(shí)刻的測(cè)量值,這個(gè)多維數(shù)據(jù)集可能提高了SVR模型的估算能力。雖然使用SVR和DNN模型估算棉花LAI具有較好的結(jié)果,但后續(xù)研究中也可以嘗試更多的模型構(gòu)建算法。

4 結(jié)束語(yǔ)

本研究利用無人機(jī)搭載多光譜傳感器獲取多生育時(shí)期棉花冠層光譜影像,通過分析光譜指數(shù)和紋理信息與LAI的定量關(guān)系,選擇VIs、TFs和二者融合的方式,運(yùn)用SVR、PLSR和DNN構(gòu)建棉花LAI估算模型,VI(nir/green)、VI(nir/red)、GNDVI、OSAVI、MEA與LAI具有較高的相關(guān)性;采用SVR建立的LAI估測(cè)精度最高(R2=0.78,RMSE為0.22,RRMSE為0.10);在3種估算模型中,植被指數(shù)與紋理特征相結(jié)合的SVR模型較VIs、TFs模型精度分別提高7.89%和32.26%。