基于紋理參數(shù)的煙草葉片SPAD建模反演

摘" 要：為探討紋理參數(shù)對煙草葉片SPAD反演建模效果的影響，通過設(shè)置0 kg/667 m2、3.5 kg/667 m2、7.0 kg/667 m2的氮肥用量田間試驗，在下部葉成熟期，采用六旋翼無人機搭載四波段多光譜相機，采集煙草冠層光譜影像并提取紋理參數(shù)，利用極限學(xué)習(xí)機、隨機森林算法，構(gòu)建煙草葉片SPAD的反演回歸模型。結(jié)果表明，在基于紋理參數(shù)所構(gòu)建的反演模型中，極限學(xué)習(xí)機模型的R2為0.88，RMSE為1.90；隨機森林模型的R2為0.79，RMSE為2.55，極限學(xué)習(xí)機的預(yù)測效果最好。該研究的結(jié)果說明，紋理參數(shù)可以作為一種新的光譜參數(shù)，進(jìn)行高精度的葉片SPAD反演建模。

關(guān)鍵詞：煙草；SPAD；紋理參數(shù)；灰度共生矩陣；機器學(xué)習(xí)

中圖分類號：S572" " " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號：2096-9902（2023）12-0018-04

Abstract： In order to explore the effect of texture parameters on SPAD inversion modeling of tobacco leaves， through the field experiment of nitrogen application rates of 0 kg/667 m2， 3.5 kg/667 m2 and 7.0 kg/667 m2， a six-rotor UAV equipped with a four-band multispectral camera was used to collect tobacco canopy spectral images and extract texture parameters. The SPAD inversion regression model of tobacco leaves was constructed by using extreme learning machine and random forest algorithm. The results show that in the inversion model based on texture parameters， the R2 of extreme learning machine model is 0.88 and the RMSE is 1.90; the R2 of random forest model is 0.79 and the RMSE is 2.55， and the prediction effect of extreme learning machine is the best. The results of this study show that the texture parameters can be used as a new spectral parameter for high-precision leaf SPAD inversion modeling.

Keywords： tobacco; SPAD; texture parameters; Gray level Co-occurrence Matrix; Machine Learning

作物的氮素營養(yǎng)狀態(tài)，是作物進(jìn)行光合作用、積累干物質(zhì)的基礎(chǔ)。葉綠素含量則是表征植物氮素營養(yǎng)狀態(tài)的重要指標(biāo)。因此，及時、準(zhǔn)確地估算作物葉綠素含量，對作物施肥決策與田間管理具有重要意義。

傳統(tǒng)的葉綠素含量估測方法，不能夠進(jìn)行實時監(jiān)測，耗時、費力，而且具有破壞性[1]。研究表明，葉綠素含量與SPAD（Soil and Plant Analyzer Development）值呈極顯著相關(guān)關(guān)系[2]，作物葉片SPAD值能夠有效地反映葉片的葉綠素含量，測量葉片SPAD值是快速、便捷進(jìn)行葉片葉綠素含量無損測量的有效方法[1]。隨著農(nóng)業(yè)遙感技術(shù)和智慧農(nóng)業(yè)的發(fā)展，近年來，利用無人機遙感技術(shù)，通過采集作物冠層的光譜信息，進(jìn)行葉片SPAD的反演，從而對農(nóng)作物的氮素營養(yǎng)狀況進(jìn)行大面積實時監(jiān)測，已經(jīng)取得了巨大的進(jìn)展。在進(jìn)行SPAD反演建模時，常常利用從作物的光譜信息中提取出的植被指數(shù)作為建模參數(shù)。例如，劉小輝[3]、袁小康等[4]、孫玉婷等[5]、李夢竹等[6]以所提取的植被指數(shù)為建模參數(shù)，分別成功地進(jìn)行了小麥、玉米、水稻、煙草的冠層葉片的SPAD反演。

紋理是指色調(diào)在空間上的分布。灰度共生矩陣（Gray level co-occurrence matrix，GLCM）法[7]是一種用來定量反映紋理參數(shù)的矩陣。陳鵬飛等[8]的研究表明，影像紋理可以作為一種重要信息來支撐無人機遙感技術(shù)反演作物氮素營養(yǎng)狀況。戴震[9]通過GLCM提取數(shù)碼影像的紋理特征信息，然后，將玉米冠層光譜特征信息和紋理特征信息通過不同線性組合作為變量輸入，利用隨機森林回歸（Random Forest Regression，RFR）等算法，建立了高精度的玉米葉片氮素濃度的反演模型。張超等[10]以高空間分辨率的無人機遙感影像為數(shù)據(jù)源，采用融合Uniform-LBP（Local Binary Pattern）和GLCM方法，提取出玉米田塊紋理特征GLCM參數(shù)，得到了最適宜區(qū)分制種玉米與大田玉米的紋理辨率為0.6～0.9 m。然后，在多時相增強植被指數(shù)（Enhanced Vegetation Index，EVI）光譜信息識別玉米的基礎(chǔ)上，利用紋理分析方法，通過決策樹建立規(guī)則識別制種玉米，識別精度達(dá)90.9%。然而，目前進(jìn)行煙葉SPAD值估測的研究，基本上都是基于植被指數(shù)，而從無人機多光譜影像中提取紋理參數(shù)，并據(jù)此進(jìn)行SPAD反演建模的報道還很少。所以，為了探究用紋理參數(shù)反演建模估算煙草SPAD值的可行性，本文基于無人機多光譜紋理參數(shù)，分別采用極限學(xué)習(xí)機與隨機森林回歸的方法建立煙葉SPAD估算模型，判斷估算的精度，以期為基于光譜影像的煙葉SPAD值的精確估算提供參考。

1" 材料與方法

1.1" 田間試驗

供試煙草品種為云煙87。試驗開展地點為四川省煙草公司廣元市公司科技園區(qū)（劍閣縣普安鎮(zhèn)劍坪村），開展時間為2021年。

田間試驗設(shè)置3個施氮量（以純氮計算）處理。處理一，0 kg/667m2；處理二，3.5 kg/667m2；處理三，7.0 kg/667 m2。每個處理設(shè)3個重復(fù)（小區(qū)），共計9個小區(qū)。所有小區(qū)的磷肥（P2O5）與鉀肥（K2O）的施用量均相同，分別為14.0 kg/667 m2和 21 kg/667 m2。本試驗煙草種植的行株距分別為1.2 m、0.5 m，每個小區(qū)面積為40 m2。

1.2" 數(shù)據(jù)采集

1.2.1" 多光譜影像采集及數(shù)據(jù)的預(yù)處理

本試驗采用的無人機為大疆Matrice 600 Pro 無人機（深圳市大疆創(chuàng)新科技有限公司生產(chǎn)），搭載的多光譜相機Parrot Sequoia農(nóng)業(yè)專用多光譜相機。圖像數(shù)據(jù)采集時，無人機飛行高度設(shè)定為50 m，航速5 m/s，空間分辨率為2.2 cm。

利用ENVI 5.3、Pix4D mapper、ArcGIS 10.2等軟件，完成圖像拼接、校正裁剪等預(yù)處理工作。預(yù)處理后，提取煙草冠層反射率。

1.2.2" 煙草葉片SPAD值的實際測量

煙草葉片SPAD值的測量，采用SPAD-502型手持式葉綠素儀進(jìn)行。測量時，在每個小區(qū)選取有代表性的5株煙株的上部6片煙葉進(jìn)行。每個葉片測量3次，6個葉片的平均值即該煙株的SPAD值。每個小區(qū)煙草的SPAD，以5株煙株的SPAD平均值計算。

1.3" 數(shù)據(jù)處理與分析

1.3.1" 紋理特征參數(shù)的提取

使用eCognition Developer64的feature view，選texture中的texture after haralick用于紋理參數(shù)的計算，主要包括角二階矩（Angular Second Moment，ASM）、熵（Entropy，ENT）、對比度（Contrast，CON）、差異（Dissimilarity，DIS）和均質(zhì)性（Homogeneity，HOM）、能量（Energy，ASM的平方根）等。以相關(guān)系數(shù)0.69為篩選指標(biāo)，共選取8類紋理參數(shù)（表1）。

1.3.2" 煙草葉片SPAD估測模型構(gòu)建

利用Anaconda3，運用極限學(xué)習(xí)機、隨機森林算法，分別構(gòu)建基于紋理參數(shù)的煙草葉片SPAD預(yù)測模型。

1.3.3" 模型的評價

采用R2（決定系數(shù)）和RMSE（均方根誤差，root mean square error）進(jìn)行模型精度的評價指標(biāo)。

2" 結(jié)果與分析

2.1" 煙草葉片SPAD的測定

對3個不同施氮量處理的煙草葉片的SPAD值進(jìn)行了田間測量，結(jié)果如圖1所示。由圖1可知，3個處理之間的葉片SPAD含量差異顯著，并且隨著氮肥施用量的增加，葉片的SPAD值也隨之增加，表現(xiàn)出線性的增加趨勢。

2.2" 紋理參數(shù)的提取

采用ecognition developer64，提取了光譜圖像的紋理參數(shù)。通過計算所提取的紋理參數(shù)（灰度共生矩陣，GLCM）與SPAD的相關(guān)性，選取相關(guān)系數(shù)最高（R=0.69）的8個紋理參數(shù)組合（表1），進(jìn)行SPAD的反演回歸建模處理。

2.3" 反演建模與模型驗證

基于圖像紋理參數(shù)，采用極限學(xué)習(xí)機和隨機森林回歸的方法，分別構(gòu)建了煙草葉片的SPAD估測模型，并對模型的精度進(jìn)行了驗證，如圖2所示。

由圖2可以看出，在利用基于灰度共生矩陣所得到的紋理參數(shù)進(jìn)行SPAD反演建模時，無論是極限學(xué)習(xí)機算法，還是隨機森林算法，模型的預(yù)測值與煙草葉片田間實測值之間，均呈現(xiàn)出良好的線性回歸關(guān)系，預(yù)測值與實際觀測值之間的吻合度較高，煙草葉片SPAD反演建模較為成功。

以R2和RMSE為評價指標(biāo)，對采用這2種方法所建立的SPAD反演模型的精度進(jìn)行評價，可以看出，極限學(xué)習(xí)機回歸的R2為0.88，RMSE為1.90，如圖2（a）所示；隨機森林回歸的R2為0.79，RMSE為2.55，如圖2（b）所示。極限學(xué)習(xí)機對葉片SPAD的反演精度較好，隨機森林則精度稍遜。

3" 討論與結(jié)論

本研究通過提取煙草冠層葉片光譜信息的紋理參數(shù)，利用極限學(xué)習(xí)機和隨機森林算法，成功構(gòu)建了煙草葉片的SPAD反演模型，并對模型的精度進(jìn)行了檢驗。其中，以極限學(xué)習(xí)機預(yù)測模型的反演精度最高。

遙感影像主要是由可見光（紅光、綠光、藍(lán)光）、近紅外、熱紅外及微波等多個光譜波段構(gòu)成的。由于綠色植被葉片富含葉綠素，而葉綠素在可見光波譜段的某些區(qū)域（中心波長約450 nm和650 nm）表現(xiàn)出強烈的吸收效應(yīng)，因此，綠色植被葉片在可見光、近紅外波段具有特殊的光譜反射特性[11]。同時，裸露土壤從可見光到近紅外波段的反射率基本保持不變。基于這一特性，采用強化可見光和近紅外波段光譜反射率差異性的數(shù)學(xué)方法，植被指數(shù)可作為描述地表植被生長狀況的有效參數(shù)[12]，并在作物的葉綠素含量[3-6]、氮含量[13]、生物量[14]等的遙感監(jiān)測方面得到了較為廣泛地應(yīng)用，且估測也達(dá)到了較高的精度。

圖像的紋理特征，反映了景物的表面性質(zhì)，指的是圖像細(xì)部結(jié)構(gòu)按照一定的頻率重復(fù)出現(xiàn)展現(xiàn)的特征，是一種全局的特征。圖像紋理特征參數(shù)的提取，常用統(tǒng)計方法來進(jìn)行，其中，灰度共生矩陣法就是統(tǒng)計方法中的典型代表；另一種方法，是通過計算圖像的能量譜函數(shù)，從而提取出紋理的粗細(xì)度及方向性等特征參數(shù)。Ait等[15]認(rèn)為，在利用多光譜遙感圖像進(jìn)行地物分類時，紋理特征很好地彌補了光譜特征的不足，是地物光譜特征的重要補充。在農(nóng)業(yè)遙感領(lǐng)域，利用紋理參數(shù)進(jìn)行森林分類與生長監(jiān)測[7]、玉米制種田識別[10]、作物葉片氮含量[8]和生物量估算等均獲得了成功。

本研究使用SPAD相關(guān)性高的GLCM參數(shù)進(jìn)行 SPAD 反演建模，獲得了較高的建模精度和驗證精度。這是因為作物葉片葉綠素含量的差異，體現(xiàn)在從可見光到近紅外的多個波段的反射率光譜上，而這種差異在灰度共生矩陣中，則體現(xiàn)在像素差異。通過對包含多個像素點的區(qū)域中進(jìn)行統(tǒng)計計算，所獲得的紋理特征是一種統(tǒng)計特征，具有旋轉(zhuǎn)不變性，并且對于噪聲有較強的抗干擾能力。所以，通過紋理參數(shù)進(jìn)行葉片SPAD反演建模，能夠取得較為理想的結(jié)果。

利用遙感技術(shù)進(jìn)行作物長勢信息的監(jiān)測是精準(zhǔn)農(nóng)業(yè)、智慧農(nóng)業(yè)研究的熱點[16]。從煙葉生產(chǎn)的實際來看，是如何采用無人機低空遙感平臺，獲得農(nóng)田地塊尺度的多光譜遙感圖像，構(gòu)建基于多種遙感信息的煙葉葉綠素含量估算模型，從而快速獲取煙株生長信息，指導(dǎo)煙葉生產(chǎn)，則是一個亟待解決的問題，需要進(jìn)行進(jìn)一步的探索。

參考文獻(xiàn)：

[1] GITELSON A A，MERZLYAK M N． Remote estimation of chlorophyll content in higher plant leaves[J]．International Journal of Remote Sensing，1997，18（12）：2691-2697．

[2] MOHARANA S，DUTTA S． Spatial variability of chlorophyll and nitrogen content of rice from hyperspectral imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2016，122（12）：17-29.

[3] 劉小輝.基于無人機影像的小麥葉綠素含量及產(chǎn)量定量反演研究[D].合肥：安徽大學(xué)，2019.

[4] 袁小康，周廣勝，王秋玲，等.不同灌溉量夏玉米葉綠素含量的高光譜特征及其反演[J].生態(tài)學(xué)報，2021，41（2）：543-552.

[5] 孫玉婷，楊紅云，孫愛珍，等.水稻葉片SPAD值的高光譜估算模型[J].南方農(nóng)業(yè)學(xué)報，2020（5）：1062-1069.

[6] 李夢竹，劉國順，賈方方．干旱脅迫下旺長期烤煙冠層葉綠素密度的高光譜估測[J]．中國煙草科學(xué)，2017，38（1）：23-28．

[7] COBURN C A，ROBERTS A C B．A multiscale texture analysis procedure for improved forest stand classification[J]．International Journal of Remote Sensing，2004，25（20）：4287-4308．

[8] 陳鵬飛，梁飛.基于低空無人機影像光譜和紋理特征的棉花氮素營養(yǎng)診斷研究[J].中國農(nóng)業(yè)科學(xué)，2019，52（13）：2220-2229.

[9] 戴震.基于無人機多源影像信息融合的玉米冠層氮含量遙感監(jiān)測研究[D].合肥：安徽大學(xué)，2021.

[10] 張超，喬敏，劉哲，等.基于無人機和衛(wèi)星遙感影像的制種玉米田識別紋理特征尺度優(yōu)選[J].農(nóng)業(yè)工程學(xué)報，2017，33（17）：98-104.

[11] 李喆，胡蝶，趙登忠，等.寬波段遙感植被指數(shù)研究進(jìn)展綜述[J].長江科學(xué)院院報，2015，32（1）：125-130.

[12] 趙燕紅，侯鵬，蔣金豹，等.植被生態(tài)遙感參數(shù)定量反演研究方法進(jìn)展[J].遙感學(xué)報，2021，25（11）：2173-2197.

[13] LIU H Y，ZHU H C，WANG P. Quantitative modelling for leaf nitrogen content of winter wheat using UAV-based hyper-spectral data[J]．International Journal of Remote Sensing，2017，38（8/10）：2117-2134．

[14] NASI R，VILJANEN N，KAIVOSOJA J，et al． Estimating biomass and nitrogen amount of barley and grass using UAV and aircraft based spectral and photogrammetric 3D features[J]．Remote Sensing，2018，10（7）：1082．

[15] AIT K M， HAMMOUCH A， Aboutajdine D. Textural feature selection by joint mutual information based on Gaussian mixture model for multispectral image classification[J].Pattern Recognition Letters，2010，31（10）：1168-1174.

[16] 劉忠，萬煒，黃晉宇，等.基于無人機遙感的農(nóng)作物長勢關(guān)鍵參數(shù)反演研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報，2018，34（24）：60-71.