多遙感光譜指標結合進行大田冬小麥葉片葉綠素含量估測研究

韓振強,李衛國,,張曉東,李 偉,馬廷淮,張 宏,姚永勝

(1．江蘇大學農業工程學院,江蘇鎮江212013;2.江蘇省農業科學院農業信息研究所,江蘇南京210014;3.江蘇大學流體機械工程技術研究中心,江蘇鎮江 212013;4.南京信息工程大學,江蘇南京210044)

葉片葉綠素含量是農作物生長過程中的重要理化參數,對農作物光合能力、生長態勢、肥水豐缺等具有較好指示作用[1]。小麥是我國主要糧食作物之一,其高產穩產對國家糧食安全和人民生活水平提高具有重要意義。準確、快速獲取葉片葉綠素含量有助于實時掌握小麥的營養和長勢狀況,為田間管理提供科學依據[2]。傳統獲取葉片葉綠素含量的方法或需野外人工采樣結合室內定量測試,或利用葉綠素儀實地進行人工測定,這些方法均費時費力,難以獲取大面積作物的葉片葉綠素含量信息[3-4]。遙感技術具有覆蓋范圍廣、動態、連續監測等優點,已被廣泛應用于農作物長勢監測、產量估算、病蟲害預測等方面[5-6],也為農作物葉片葉綠素含量估測提供了新方法。在遙感光譜波段中紅光和近紅外對綠色農作物敏感,蘊含了大量與葉片葉綠素含量相關的光譜信息,已有較多學者進行了大量研究。如魏青等[7]利用無人機多光譜數據構建植被指數,并與冬小麥葉片葉綠素含量(winter wheat leaf chlorophyll content,WWLCC)進行相關性分析,建立WWLCC的關鍵生育時期估測模型;楊峰等[8]通過比較多種植被指數與作物葉面積指數和葉片葉綠素密度的相關性,利用線性回歸建立了作物葉片葉綠素密度估算模型;陳曉娜等[9]利用線性擬合方法,分別構建了基于敏感波段和植被指數的WWLCC估測模型;Schlemmer等[10]將玉米葉片高光譜反射率進行導數處理計算NDVI,基于多元線性回歸實現對玉米葉綠素含量的有效估測;Shen等[11]建立偏最小二乘回歸模型對WWLCC進行估測。有學者嘗試采用圖像處理的方法估測WWLCC,如苑迎春等[12]利用圖像分割算法提取顏色特征參數進而對WWLCC估測,但未用于大田估測。前述研究主要是通過分析單個或少量幾個遙感光譜指標和葉片葉綠素含量之間的關系,利用線性回歸方法實現對葉綠素含量的快速估測。葉片葉綠素含量與多個光譜反射率和植被指數(本文統稱為遙感光譜指標)之間存在多重關系,利用單一或少量遙感光譜指標進行葉片葉綠素含量估測雖然具有建模快捷、簡單的特點,但所建模型在不同區域的通用性較差。

近年來,機器學習方法在遙感反演上的應用較廣泛,如BP神經網絡在作物生長參數反演、作物產量估算、作物病蟲害預測等方面取得較好應用效果[13-15]。有關將多個遙感光譜指標和BP神經網絡結合進行大田冬小麥葉片葉綠素含量(WWLCC)估測的研究少有報道。本研究通過在江蘇省連云港市東海縣、鹽城市大豐區和泰州市泰興市分別布置WWLCC估測試驗,在獲取冬小麥冠層葉片紅光波段反射率(BRred)、近紅外波段反射率(BRnir)和WWLCC的基礎上,根據波段反射率(BRred、BRnir)和多個植被指數(NDVI、DVI、RVI、SAVI、MSR、RDVI、EVI2和NLI)與WWLCC之間的相關性,篩選遙感光譜指標,并基于這些遙感光譜指標建立WWLCC的BP神經網絡估測模型,以期形成WWLCC有效估測的新方法,為大田冬小麥生長監測以及水肥管理提供輔助支持。

1 材料和方法

1.1 試驗區概況和數據獲取

在江蘇省連云港市東海縣、鹽城市大豐區和泰州市泰興市分別布置冬小麥葉片葉綠素含量(WWLCC)估測試驗。2022年3月24日至28日(冬小麥拔節期),用Juno ST(美國)手持GPS儀在東海縣、大豐區和泰興市三個試驗區定位,各選擇30個試驗樣點(共90個)進行數據獲取。4月15日(冬小麥抽穗期),在泰興市進行相同定位試驗樣點獲取數據。每個試驗樣點間隔約1～2 km,田間冬小麥長勢良好,施肥、灌溉等管理措施與當地常規冬小麥田相同。試驗點田塊面積不少于62 500 m2(250 m×250 m),且土壤肥力均勻。冬小麥供試品種為蘇麥13、蘇麥18和蘇麥9023,播種方式為撒播。在天氣晴朗、風力較小的天氣情況下,于10:00-14:00期間,在每個試驗樣點田塊中間位置用GreenSeeker(美國)光譜儀,采用梅花線對角法分別測量冬小麥冠層BRred和BRnir,重復測量5次,計算平均值作為單個試驗樣點的光譜信息數據。為避免測量時太陽高度角的變化對光譜信息采集造成的誤差,每隔10 min使用白板進行一次校正。WWLCC的測量是利用SPAD-502Plus葉綠素儀(日本),對冬小麥植株冠層的上、中、下部分所有葉片分別進行測量獲取SPAD(soil and plant analyzer develotrnent)值,將三個部位測量值的平均值作為該植株的葉片葉綠素含量,再測量5株得出平均值作為每個試驗樣點的WWLCC(%)。

1.2 植被指數計算

利用Green Seeker光譜儀在試驗區樣點測得冬小麥冠層BRred(Red band reflectance)和BRnir(Near infrared band reflectance)并計算八個植被指數(NDVI,normalized difference vegetation index;DVI,differential vegetation index;RVI,ratio vegetation index;SAVI,soil adjusted vegetation index;MSR,modified simple ratio vegetation index;RDVI,renormalization difference vegetation index;EVI2,enhanced vegetation index of type II;NLI,nonlinear vegetation index)[16-17]。計算公式如下:

NDVI=(BRnir-BRred)/(BRnir+BRred)

(1)

RVI=BRnir/BRred

(2)

DVI=BRnir-BRred

(3)

SAVI=[(BRnir-BRred)/(BRnir+BRred+Y)](1+Y)

(4)

(5)

(6)

EVI2=2.5(BRnir-BRred)/(BRnir+BRred+1)

(7)

NLI=(BRnir2-BRred)/(BRnir2+BRred)

(8)

式中,Y為土壤調節系數,取值范圍為0～1,當Y=0.5時可以將綠色植被中土壤變化和植被冠層干擾降至最低。

1.3 BP神經網絡

BP神經網絡由輸入層、中間層(也稱隱含層)和輸出層組成,輸入層和輸出層是單層,隱含層是多層。各層神經元僅與相鄰層神經元之間相互全連接,同層內神經元之間無連接,各層神經元之間無反饋連接。訓練開始時,為避免奇異樣本數據對輸出結果影響,加快訓練網絡收斂,需先將輸入數據進行歸一化處理,使數據范圍位于[0,1]區間[18]。計算公式為:

y=(x-Min)/(Max-Min)

(9)

y=(x-μ)/σ

(10)

y=log10x

(11)

式中,y為歸一化后的數據,x為原始數據,Min為數據最小值,Max為數據最大值,μ為數據均值,σ為數據標準差。

處理后的數據從輸入層經過隱含層,最后到達輸出層,若輸出層的數值未到達期望輸出數值,計算輸出層的誤差變化值后,將誤差進行反向傳播,然后依次調節隱含層到輸出層和輸入層到隱含層的權重和偏置,直到輸出數值滿足期望輸出數值后,將模型估測值輸出。輸出之前需要對數據進行反歸一化處理,反歸一化處理即歸一化處理的逆運算。計算公式為:

x1=y1(Max-Min)+ Min

(12)

x1=σ×y1+μ

(13)

x1=10y1

(14)

式中,x1為反歸一化處理后的估測值,y1為反歸一化處理前的估測值。

本研究通過構建三層BP網絡(即1個隱含層)對WWLCC進行估測。隱含層節點數對所建的神經網絡估測模型的精度影響很大,隱含層節點數確定依據前人研究方法[19-20]。計算公式如下:

(15)

m=log2n

(16)

(17)

式中,m為隱含層節點數,n為輸入層節點數,l為輸出層節點數,α為1～10之間的常數。

1.4 模型構建與精度驗證

利用統計軟件對10個遙感光譜指標(BRred、BRnir、NDVI、DVI、RVI、SAVI、MSR、RDVI、EVI2和NLI)與WWLCC的相關性進行分析,選擇其中相關性相對較好的遙感光譜指標作為輸入變量,并利用東海縣和大豐區拔節期60個試驗樣點數據建立葉片葉綠素含量BP神經網絡估測模型(WWLCCBP)。建模完成后,分別將泰興市拔節期和抽穗期的各30個試驗區樣點數據輸入到WWLCCBP估測模型計算WWLCC的估測值。然后將估測值和對應試驗區樣點實測值進行線性擬合,采用r2(coefficient of determination)、RMSE(root mean square error)和ARE(average relative error)作為估測模型的精度評價指標,R2值越大,RMSE和ARE值越小,WWLCC估測模型的估測精度越高。r2、RMSE和ARE的計算公式如下:

(18)

(19)

(20)

1.5 影像數據獲取與預處理

高分六號衛星(GF6/WFV)遙感影像數據于中國資源衛星應用中心下載(http://www.cresda.com/)。GF6/WFV衛星配置多光譜中分辨率相機,觀測幅寬為800 km,空間分辨率為16 m×16 m。影像獲取時間為2022年3月28日,在遙感影像處理軟件中對下載的衛星遙感影像進行輻射定標、大氣校正、幾何校正和影像裁剪等預處理[21]。

2 結果與分析

2.1 多遙感光譜指標和WWLCC之間的相關性

對60個建模試驗樣點的BRred、BRnir、NDVI、DVI、RVI、SAVI、MSR、RDVI、EVI2和NLI等10個遙感光譜指標與WWLCC進行相關分析,結果(表1)表明,不同遙感光譜指標與WWLCC之間的相關性存在差異。其中,BRred與WWLCC呈負相關,其他遙感光譜指標與WWLCC均呈正相關。10個遙感光譜指標中,BRnir與WWLCC之間的相關程度最低,相關系數為0.424;NDVI與WWLCC之間相關程度最高,相關系數為0.634。遙感光譜指標與WWLCC之間的相關系數絕對值表現為NDVI>MSR>NLI>BRred>RVI>SAVI>RDVI=EVI2>DVI>BRnir。本研究選擇相關系數絕對值大于0.55的前5個遙感光譜指標(NDVI、MSR、NLI、BRred和RVI)作為構建模型的輸入變量。

表1 遙感光譜指標與WWLCC之間的相關系數(n=60)Table 1 Correlation coefficients between remote sensing spectral indices and leaf chlorophyll contentof winter wheat(n=60)

2.2 WWLCC的BP神經網絡估測模型建立

以優選出來的5個遙感光譜指標(NDVI、MSR、NLI、BRred和RVI)作為輸入變量,WWLCC作為輸出變量,利用東海縣和大豐區60個試樣點數據建立WWLCC的BP神經網絡估測模型(WWLCCBP)。在模型訓練時,用trainlm函數作為訓練函數,用tansig函數作為隱含層激活函數,用purelin函數作為輸出層函數[22]。結合公式(15)、(16)和(17),可確定隱含層節點數的范圍為3～9。不同隱含層節點數的BP神經網絡模型估測WWLCC有不同結果,且r2和RMSE的值不同,因而需要先確定最佳隱含層節點數。

從所建WWLCC估測模型的r2和RMSE值(表2)看,隱含層節點數對WWLCC估測模型的精度有較大的影響。隨著隱含層節點的增加,r2呈先增后減的趨勢,RMSE呈先減后增的趨勢。當隱含層節點數為7時,估測模型的r2達到最大,為0.839,且RMSE最小,為5.39。因此,確定最佳隱含層節點數為7,對應的模型結構為5-7-1。估測模型的隱含層權重和偏差見表3。

表2 不同隱含層節點數的BP神經網絡模型對WWLCC的估測精度Table 2 Estimation accuracy of leaf chlorophyll content of winter wheat by BP neural network model with different hidden layer nodes

表3 WWLCC的BP神經網絡估測模型的權重和偏差Table 3 Weight and deviation of winter wheat leaf chlorophyll content estimation model based on BP neural network

WWLCC估測模型(WWLCCBP,%):

WWLCC=-0.42×Y1+0.8×Y2+0.4×Y3-0.82×Y4-0.31×Y5+0.98×Y6+0.58×Y7-0.44

(21)

(22)

Xi=BRred×w1i+NDVI×w2i+RVI×w3i+MSR×w4i+NLI×w5i+bi

(23)

式中,Yi和Xi分別為隱含層第i個神經元的輸出和輸入,bi為隱含層第i個神經元的偏差,i=1,2,3,4,5,6,7,wni為輸入層第n個神經元與隱含層第i個神經元的連接權重,n=1,2,3,4,5。

2.3 WWLCC估測模型的精度評價

將泰興市冬小麥拔節期和抽穗期的各30個試樣點數據的NDVI、MSR、NLI、BRred和RVI作為輸入變量輸入到WWLCCBP估測模型中,得到泰興市冬小麥WWLCC估測值,并將其與試樣點實測值進行線性擬合。由圖1可知,兩個時期的估測值與實測值的擬合點都均勻地分布在1∶1線的兩側,擬合點的離散程度均較小。其中,拔節期WWLCC實測值主要分布在43.3～55.2之間,估測值主要分布在43.2～53.7之間,r2為0.84,ARE為9.87%;抽穗期的實測值主要分布在47.2～61.5之間,估測值主要分布在49.3～61.2之間,r2為0.69,ARE為14.67%。綜上來看,WWLCCBP估測模型在拔節期和抽穗期的估測值與實測值較為一致,說明多個遙感光譜指標結合構建的WWLCCBP估測模型有較好的估測精度,可以實現大田冬小麥葉片葉綠素含量的有效估測。

2.4 縣域WWLCC空間信息遙感監測

利用WWLCCBP估測模型和泰興市GF6/WFV遙感影像估測泰興市全市WWLCC空間分布信息,得到遙感信息圖(圖2)。根據試驗樣點實測數據初步將葉片葉綠素含量(SPAD)分為三個等級:一級(長勢旺盛,紅色)SPAD值≥53.7;二級(長勢正常,綠色)SPAD值43.2～53.7和三級(長勢偏弱,黃色)SPAD值≤43.2。由圖2可知,葉片葉綠素含量為二級的冬小麥種植面積為25 483 hm2,占冬小麥總面積的69.81%,主要分布在泰興市的中部及東部地區,如根思、姚王、河失、南沙和珊瑚等鄉鎮(綠色),這些鄉鎮冬小麥田塊面積較大,種植較為集中。這些地區冬小麥葉片葉綠素含量正常,長勢狀況良好,說明肥水管理適當,能夠滿足冬小麥生長。葉片葉綠素含量為一級的冬小麥種植面積為4 548 hm2,占冬小麥總面積的12.46%,主要分布在泰興市的北部及東北部地區,如劉陳、元竹和古溪等鄉鎮(紅色),這些鄉鎮葉片葉綠素含量偏高,長勢過旺,需要減免肥水管理,以防冬小麥發生倒伏或病蟲害。葉片葉綠素含量為三級的冬小麥種植面積為6 464 hm2,占冬小麥總面積的17.71%,主要分布在泰興市的西部和西北部,如過船、大生和蔣華等鄉鎮(黃色),這些鄉鎮田塊較小且分散,冬小麥葉片葉綠素含量偏低,說明長勢偏弱,應及時加強肥水管理措施,以促冬小麥正常生長。

圖2 泰興市冬小麥葉片葉綠素含量空間分布遙感監測

3 討論

前人對于冬小麥生長參數(如葉面積指數、生物量以及葉綠素含量等)遙感估測大致可分為三種方法:第一種是選擇單個遙感光譜指標采用一元線性回歸方法建立估測模型,第二種是選擇幾個遙感光譜指標采用多元線性回歸方法建立估測模型,第三種是選擇幾個遙感光譜指標結合機器學習的方法建立估測模型。前兩種方法可以快速建立模型實現對小區域田塊生長參數的估測,但利用簡單幾個光譜信息難以準確反演生長參數信息。機器學習以其優秀的自適應自學習能力和非線性映射能力在生長參數反演方面具有獨特優勢,有助于揭示遙感光譜指標與生長參數之間的多重內在關系。本研究將多個遙感光譜指標和BP神經網絡結合建立模型實現對WWLCC的估測,優選多個相關性較好的遙感光譜指標作為模型的輸入變量,減小估測模型的誤差,BP神經網絡代替簡單的線性回歸彌補了單一線性擬合的不足,將自變量和因變量進行多次非線性擬合,并將誤差反向傳播,提高估測模型的精度。在遙感光譜指標的選擇以及建模方法方面加以改進,利用多個遙感光譜指標和BP神經網絡所建立的WWLCCBP估測模型精度較高,結合衛星遙感影像可生成縣域冬小麥WWLCC空間分布信息圖,有利于獲取不同葉綠素含量等級的冬小麥種植面積信息,為大面積的冬小麥生長參數智能化遙感估測提供科學方法。

實時掌握冬小麥拔節期、抽穗期等關鍵生育時期的葉片葉綠素含量空間分布信息,可快速獲取大面積冬小麥的長勢情況,有利于水肥管理的實時調整。本研究以冬小麥葉片葉綠素含量為研究對象,通過分析多個遙感光譜指標與WWLCC相互關系,確立與WWLCC相關性較好的5個遙感光譜指標(NDVI、MSR、NLI、BRred和RVI)建立了WWLCCBP估測模型,并對模型進行精度驗證,表明WWLCCBP估測模型在拔節期和抽穗期的估測精度都較好,說明綜合多個遙感光譜指標和BP神經網絡進行建模,可以有效獲取大面積的大田WWLCC信息數據,可為縣級農業管理部門提供決策參考。由于試驗樣本有限,未能全面了解WWLCC和更多遙感光譜指標之間的相互關系,建立的模型以及參數選擇尚待完善。此外,本研究僅采用高分六號衛星遙感數據,今后將考慮結合其他衛星遙感數據進行光譜信息融合,分析其對模型精度的影響,并結合更多的冬小麥遙感生長監測試驗,引入其他光譜或生長參數指標(如葉面積指數和地上生物量)改進WWLCC估測模型,以提高WWLCCBP估測精度。

4 結論

通過分析10個遙感光譜指標和WWLCC之間的相關性,確立了相關性較好的5個遙感光譜指標(NDVI、MSR、NLI、BRred和RVI),并建立WWLCCBP估測模型。利用實測數據驗證,WWLCCBP估測模型在拔節期的r2為0.84,RMSE為5.39,ARE為9.87%,估測精度為90.13%。抽穗期的估測精度與拔節期較為一致,估測精度為85.33%。WWLCCBP和高分六號影像結合進行研究區域冬小麥葉片葉綠素含量的空間信息監測,明確了縣域WWLCC的空間分布特征,葉片葉綠素含量(SPAD值)在43.2～53.7之間的冬小麥種植面積為25 483 hm2,占冬小麥總播種面積的69.81%。不同WWLCC等級信息的獲取可輔助肥水管理措施的調整。多遙感光譜指標和神經網絡結合建模可以實現對縣域冬小麥葉片葉綠素含量的準確獲取。