多信息融合的冬小麥地上鮮生物量檢測(cè)研究

鄭 玲，朱大洲，董大明，張保華，王 成，趙春江*

1. 北京農(nóng)業(yè)信息技術(shù)研究中心，北京市農(nóng)林科學(xué)院，北京 100097 2. 安徽大學(xué)電子信息工程學(xué)院，安徽 合肥 230039 3. 農(nóng)業(yè)部食物與營(yíng)養(yǎng)發(fā)展研究所，北京 100081

多信息融合的冬小麥地上鮮生物量檢測(cè)研究

鄭 玲1, 2，朱大洲3，董大明1，張保華1，王 成1，趙春江1*

1. 北京農(nóng)業(yè)信息技術(shù)研究中心，北京市農(nóng)林科學(xué)院，北京 100097 2. 安徽大學(xué)電子信息工程學(xué)院，安徽 合肥 230039 3. 農(nóng)業(yè)部食物與營(yíng)養(yǎng)發(fā)展研究所，北京 100081

將小麥冠層光譜與小麥冠層圖像或者側(cè)面圖像進(jìn)行多信息融合，對(duì)冬小麥地上鮮生物量進(jìn)行預(yù)測(cè)，提高了冬小麥地上鮮生物量無(wú)損檢測(cè)精度，試驗(yàn)獲取苗期93個(gè)樣本的冠層光譜和冠層圖像，中后期(拔節(jié)期、抽穗期、開(kāi)花期、灌漿期)200個(gè)樣本的冠層光譜和側(cè)面圖像。將光譜反射率作為光譜特征參數(shù)，并通過(guò)圖像處理提取小麥覆蓋度作為圖像特征參數(shù)，建立苗期和中后期基于光譜特征參數(shù)和圖像特征參數(shù)的地上生物量檢測(cè)模型，將冠層光譜反射率和小麥覆蓋度作為多信息融合的輸入，利用多元回歸分析(MRA)和偏最小二乘法(PLS)建立地上鮮生物量預(yù)測(cè)模型并進(jìn)行驗(yàn)證。結(jié)果表明，在苗期和中后期，將光譜信息和圖像信息融合，采用PLS所建立的預(yù)測(cè)模型與單獨(dú)的圖像模型和光譜模型相比精度最高。苗期基于信息融合所建立的PLS模型驗(yàn)證集R2為0.881，其RMSE為0.015 kg； 中后期基于信息融合所建立的PLS模型驗(yàn)證集R2為0.791，RMSE為0.059 kg。由此可見(jiàn)，相比單一的光譜模型和圖像模型，圖像信息和光譜信息融合之后，充分提高了光譜信息和圖像信息的利用率，使模型的精度得以提高。

多信息融合； 偏最小二乘回歸； 冠層光譜； 機(jī)器視覺(jué)； 冬小麥； 生物量

引 言

小麥?zhǔn)鞘澜缟峡偖a(chǎn)量最多的的糧食作物之一，中國(guó)主要以冬小麥為主，冬小麥種植面積占小麥總種植面積的84%～90%。而整個(gè)生育期內(nèi)小麥的地上鮮生物量是評(píng)價(jià)產(chǎn)量的重要指標(biāo)，與整個(gè)生育期內(nèi)小麥的生長(zhǎng)狀況和群體的光能利用等有密切關(guān)系。因此，冬小麥地上鮮生物量的有效檢測(cè)在水肥管理、以及產(chǎn)量預(yù)測(cè)等方面具有重要意義。光譜技術(shù)和機(jī)器視覺(jué)技術(shù)等單一的檢測(cè)方法以其快速無(wú)損的優(yōu)點(diǎn)在作物生物量檢測(cè)方面得到了廣泛的應(yīng)用[1-4]。但是，這些方法存在一些缺陷如建立模型的準(zhǔn)確率較低。

光譜技術(shù)是檢測(cè)作物生物量常用的方法之一，它主要是利用冠層光譜來(lái)建立植被指數(shù)、尋找敏感波段的特征參數(shù)(紅邊參數(shù))以及原始波段來(lái)估算生物量[5-7]。宋開(kāi)山等[8]研究發(fā)現(xiàn)大豆的比值植被指數(shù)(RVI)與地上鮮生物量之間存在較好的冪函數(shù)或指數(shù)函數(shù)關(guān)系。常用植被指數(shù)如歸一化植被指數(shù)(NDVI)在作物生物量達(dá)到一定范圍時(shí)將趨于飽和[9]，不能全面的估算作物生物量，模型的精度不高。Mutanga等[10]對(duì)草地冠層光譜進(jìn)行波段深度分析，并結(jié)合多元線性回歸分析估測(cè)草地地上生物量。為了克服植被指數(shù)估算生物量存在的飽和問(wèn)題，付元元等[11]結(jié)合光譜數(shù)據(jù)的波段深度特征與光譜指數(shù)利用偏最小二乘法估算生物量，在一定程度上提高了估算精度。利用波段深度信息相對(duì)的提高了冬小麥生物量的估算準(zhǔn)確度，但是飽和問(wèn)題仍然存在，致使整體估算精度不高。

隨著信息技術(shù)和計(jì)算機(jī)的發(fā)展，機(jī)器視覺(jué)技術(shù)逐漸被用于作物長(zhǎng)勢(shì)的監(jiān)測(cè)，許多學(xué)者應(yīng)用機(jī)器視覺(jué)技術(shù)對(duì)作物形態(tài)、營(yíng)養(yǎng)組分和病蟲(chóng)害狀況進(jìn)行監(jiān)測(cè)研究[12-13]。雷永文等[14]利用數(shù)碼相機(jī)拍攝棉花不同生育期冠層圖像，發(fā)現(xiàn)棉花冠層地面覆蓋度可以有效地預(yù)測(cè)棉花干物質(zhì)產(chǎn)量。Lati等[15]通過(guò)機(jī)器視覺(jué)技術(shù)提取作物的葉覆蓋面積并發(fā)現(xiàn)其與作物生物量之間存在著線性關(guān)系。單成鋼等[16]利用數(shù)字圖像處理技術(shù)提取了單排小麥側(cè)面圖像像素，發(fā)現(xiàn)單排小麥圖像像素與生物量干重具有較強(qiáng)的相關(guān)關(guān)系。利用機(jī)器視覺(jué)技術(shù)能夠?qū)ψ魑锷锪窟M(jìn)行預(yù)測(cè)，但同樣存在預(yù)測(cè)精度不高的問(wèn)題。

多信息融合是充分利用多種傳感器信息資源，獲得描述作物特征的大量信息，與單一檢測(cè)技術(shù)相比，它具有信息量豐富、容錯(cuò)性好等優(yōu)點(diǎn)[17]。多信息融合技術(shù)在農(nóng)業(yè)中的應(yīng)用可加強(qiáng)精準(zhǔn)農(nóng)業(yè)關(guān)鍵技術(shù)的深入研究[18-21]。針對(duì)基于單一光譜技術(shù)或者圖像技術(shù)檢測(cè)地上鮮生物量精度低的問(wèn)題，提出一種基于機(jī)器視覺(jué)技術(shù)和光譜技術(shù)的多信息融合技術(shù)地上鮮生物量檢測(cè)方法，充分利用作物豐富的多傳感信息，提高檢測(cè)地上鮮生物量的準(zhǔn)確性和精度，最終實(shí)現(xiàn)地上鮮生物量的無(wú)損快速檢測(cè)。

1 實(shí)驗(yàn)部分

1.1 材料

實(shí)驗(yàn)于2013年10月—2014年6月在北京市昌平區(qū)小湯山鎮(zhèn)國(guó)家精準(zhǔn)農(nóng)業(yè)示范基地進(jìn)行。試驗(yàn)采用中麥12號(hào)、農(nóng)大214和中麥175等10個(gè)小麥品種，每品種按照正常密度(330 kg·hma-2)和1/2正常密度進(jìn)行種植。分別在苗期、拔節(jié)期、抽穗期、開(kāi)花期和灌漿期選擇大小為0.5 m×0.6 m長(zhǎng)勢(shì)均勻的小區(qū)作為測(cè)試對(duì)象，采集冬小麥冠層反射光譜和圖像數(shù)據(jù)，苗期共有93個(gè)樣本，中后期(拔節(jié)期、抽穗期、開(kāi)花期各40個(gè)樣本，灌漿期39個(gè)樣本)共有159個(gè)樣本。

1.2 數(shù)據(jù)獲取

1.2.1 光譜和圖像的采集

小麥冠層光譜數(shù)據(jù)的獲取采用荷蘭Avantes公司AvaSpec-2048×14型光纖光譜儀，測(cè)量的波長(zhǎng)范圍為200～1 100 nm，光譜分辨率為2.4 nm。試驗(yàn)選擇晴朗無(wú)云或少云的天氣，在苗期和中后期(拔節(jié)期、抽穗期、開(kāi)花期和灌漿期)于北京時(shí)間10:30—14:30之間對(duì)標(biāo)注的小區(qū)進(jìn)行光譜測(cè)量。采集光譜時(shí)，光纖探頭垂直向下，距小麥葉片冠層0.75 m左右，每隔15 min進(jìn)行一次標(biāo)準(zhǔn)參考板校正，每個(gè)小區(qū)反復(fù)測(cè)量5次取平均值作為該小區(qū)光譜測(cè)量結(jié)果。

苗期小麥冠層圖像數(shù)據(jù)的獲取采用大恒圖像UC-M3151工業(yè)相機(jī)，圖像分辨率為300萬(wàn)像素。與光譜測(cè)量同日進(jìn)行，在光照強(qiáng)度適中的上午6:00—8:00之間進(jìn)行，為保證多次拍攝圖像在拍攝角度和高度等條件上的一致，搭建了相應(yīng)的田間圖像采集輔助裝置，包括用來(lái)選擇拍攝區(qū)域的面積為0.5 m×0.6 m的白色矩形框、可調(diào)節(jié)高度的三腳架，拍攝苗期圖像時(shí)調(diào)節(jié)三腳架使鏡頭垂直于距標(biāo)注小區(qū)的小麥冠層1 m處拍攝。

中后期(拔節(jié)期、抽穗期、開(kāi)花期和灌漿期)小麥株高不斷增長(zhǎng)，不同行之間的小麥葉片相互重疊，行與行之間的間隙不再明顯，所拍攝冠層圖像的視野幾乎被小麥填滿。隨著小麥的生長(zhǎng)，冠層內(nèi)小麥所占背景圖像的比例變化不大，通過(guò)拍攝冠層圖像來(lái)預(yù)測(cè)生物量意義不大。因此中后期通過(guò)拍攝小麥單排側(cè)面圖像，提取相應(yīng)的特征參數(shù)來(lái)預(yù)測(cè)生物量。采用松下DMC-LX3GK，1 010萬(wàn)像素的數(shù)碼相機(jī)，與光譜測(cè)量同日進(jìn)行，在光照強(qiáng)度適中的上午6:00—8:00之間進(jìn)行拍攝。圖像采集的輔助裝置包括面積為1.2 m×1.2 m的白色背板(包含0.5 m×0.6 m的區(qū)域)和可調(diào)節(jié)高度的三腳架。拍攝時(shí)將白色背板平行于標(biāo)注小區(qū)外側(cè)的一排小麥垂直立于地面，調(diào)節(jié)三腳架高度為0.5 m左右，鏡頭平行于白色背板距離小麥側(cè)面1.2 m左右進(jìn)行拍攝。

1.2.2 生物量的測(cè)定

完成光譜和圖像數(shù)據(jù)采集之后，采用破壞性取樣，貼地面割下測(cè)量區(qū)域的小麥，并用精度為0.5 g量程為5 kg的電子稱測(cè)量鮮重，試驗(yàn)總共獲得252個(gè)樣本，苗期樣本數(shù)為93個(gè)，中后期(拔節(jié)期、抽穗期、開(kāi)花期和灌漿期)樣本數(shù)為159個(gè)。

1.3 數(shù)據(jù)處理

1.3.1 光譜特征提取

由于便攜式光譜儀對(duì)200～400和1 000～1 100 nm波段反射光的噪聲干擾較為明顯，因此選取400～1 000 nm波段的冠層光譜反射率作為光譜特征參數(shù)； 針對(duì)多元回歸分析數(shù)據(jù)融合方法，通過(guò)分析冠層光譜反射率和生物量相關(guān)關(guān)系，提取與生物量相關(guān)的特征波長(zhǎng)的光譜反射率作為光譜特征參數(shù)。

植被覆蓋度是描述作物覆蓋地表狀況以及作物長(zhǎng)勢(shì)的一個(gè)重要的綜合指標(biāo)。可以用目標(biāo)圖像(小麥)在整個(gè)圖像中所占的比值來(lái)確定。通過(guò)對(duì)所獲得的圖像進(jìn)行圖像分割，獲得目標(biāo)圖像小麥的像素?cái)?shù)和整幅圖像的總像素?cái)?shù)，得到冬小麥覆蓋度并作為圖像特征參數(shù)。圖像處理過(guò)程通過(guò)Matlab 2012編程實(shí)現(xiàn)。

由于取樣數(shù)量較大、拍攝周期長(zhǎng)以及受天氣因素影響等原因，無(wú)法有效地控制光線的變化，拍攝到的圖像會(huì)出現(xiàn)亮度不均勻的情況。為了不使分割結(jié)果失真，需要克服干擾因素的影響，采用直方圖均衡化法的灰度變換對(duì)圖像進(jìn)行預(yù)處理。采集到的苗期圖像是包含綠色小麥和土壤背景的彩色圖像。可以利用圖像中小麥和背景的顏色特征差異來(lái)分割小麥和背景。選擇RGB(紅、綠、藍(lán))模型來(lái)分割彩色圖像，苗期冠層圖像選用g-r分量分割綠色小麥和土壤，將彩色圖像轉(zhuǎn)化為灰度圖像，中后期側(cè)面圖像選用2b-g分量分割綠色小麥和白色背板，并選用最大類間方差法[19]來(lái)選取閾值，把所有像素點(diǎn)按灰度級(jí)分為兩類，實(shí)現(xiàn)小麥和背景區(qū)域的分割，獲得目標(biāo)圖像小麥的像素?cái)?shù)和整幅圖像的總像素?cái)?shù)，從而得到冬小麥覆蓋度。苗期冠層圖像分割結(jié)果如圖1所示，中后期側(cè)面圖像分割結(jié)果如圖2所示。

1.3.3 光譜特征和圖像特征的融合

為了充分利用所獲得的光譜信息和圖像信息，將獲得的光譜特征參數(shù)和圖像特征參數(shù)進(jìn)行融合。融合過(guò)程分苗期和中后期兩個(gè)階段進(jìn)行，其中光譜特征參數(shù)為400～1 000 nm波段的光譜反射率以及特征波長(zhǎng)的光譜反射率，圖像特征參數(shù)為經(jīng)過(guò)圖像分割后所獲取的苗期和中后期的小麥覆蓋度。

由于光譜和圖像特征參數(shù)在性質(zhì)上存在的差異較大，若對(duì)其直接進(jìn)行融合可能會(huì)出現(xiàn)某些特征信息不能被充分利用，為了避免這種現(xiàn)象的發(fā)生，在融合前對(duì)圖像和光譜特征參數(shù)進(jìn)行歸一化處理。處理后的圖像特征參數(shù)和光譜特征參數(shù)融合形成新的特征參量，400～1 000 nm波段的光譜特征參數(shù)為1 066維，圖像特征為1維，融合之后的特征向量為1 067維作為檢測(cè)模型的輸入數(shù)據(jù)； 特征波長(zhǎng)的光譜特征參數(shù)和圖像特征參數(shù)融合，作為多元回歸分析模型的輸入變量。數(shù)據(jù)的歸一化處理利用Matlab 2012實(shí)現(xiàn)。

圖1 苗期小麥冠層圖像和Matlab處理后的圖像

圖2 中后期期小麥側(cè)面圖像和通過(guò)Matlab處理后的圖像

1.3.4 模型的建立與驗(yàn)證

建模分苗期和中后期兩個(gè)階段進(jìn)行，采用偏最小二乘法(PLS)建立基于冠層光譜的生物量檢測(cè)模型和基于400～1 000 nm光譜特征和圖像特征融合數(shù)據(jù)的生物量檢測(cè)模型，并采用交互驗(yàn)證的方法確定主成分?jǐn)?shù)。采用一元回歸分析建立基于圖像特征參數(shù)的生物量檢測(cè)模型。采用多元回歸分析方法建立基于特征波長(zhǎng)的光譜反射率和圖像特征融合數(shù)據(jù)的生物量檢測(cè)模型。

綜合以上結(jié)論，給予護(hù)士正確的社會(huì)支持，有利于降低護(hù)士的職業(yè)倦怠感和工作壓力，可提升護(hù)士工作效率和積極性。社會(huì)利用度、社會(huì)支持和管理及人際關(guān)系、時(shí)間分配及工作量、職業(yè)倦怠感、護(hù)理專業(yè)工之間呈現(xiàn)出負(fù)相關(guān)性。

建模時(shí)將每個(gè)階段的樣本分為校正集和驗(yàn)證集，校正集用于建立檢測(cè)模型，驗(yàn)證集用于驗(yàn)證檢測(cè)模型的準(zhǔn)確性。校正集和驗(yàn)證集按照2∶1的比例從樣本中隨機(jī)抽取。選擇均方根誤差(RMSE)和決定系數(shù)R2作為模型的評(píng)價(jià)標(biāo)準(zhǔn)。決定系數(shù)越大，均方根誤差越小且越接近，說(shuō)明模型精度越高，所建立模型的預(yù)測(cè)能力越好。PLS模型均在Matlab 2012中通過(guò)算法實(shí)現(xiàn)，一元和多元回歸分析方法通過(guò)sigmaplot 12.0來(lái)完成。

表1 苗期和中后期生物量校正集和驗(yàn)證集樣本數(shù)

2 結(jié)果與討論

2.1 苗期地上鮮生物量的預(yù)測(cè)

2.1.1 苗期冠層光譜反射率和生物量相關(guān)關(guān)系變化特征

采用多元統(tǒng)計(jì)分析方法，得到苗期內(nèi)小麥冠層光譜反射率和小麥生物量的相關(guān)系數(shù)的曲線(圖3)。從圖中可以看出，在400～718 nm波長(zhǎng)范圍內(nèi)，苗期冠層光譜反射率與小麥生物量呈負(fù)相關(guān)關(guān)系，其中在400～538和538～718 nm波長(zhǎng)范圍內(nèi)形成兩個(gè)波谷，相關(guān)系數(shù)的極大值出現(xiàn)在波長(zhǎng)496和659 nm處，496 nm附近的波段是綠色作物對(duì)葉綠素和葉色素濃度的敏感波段，659 nm附近的波段是葉綠素的強(qiáng)吸收波段，而葉綠素和葉色素濃度在一定程度上都與生物量有關(guān)； 在718～1 000 nm波長(zhǎng)范圍內(nèi)，冠層光譜反射率和小麥生物量呈明顯的正相關(guān)關(guān)系，從750 nm波長(zhǎng)處開(kāi)始，相關(guān)系數(shù)的變化比較平穩(wěn)，在778 nm處相關(guān)系數(shù)達(dá)到最大值，而此波段與植物內(nèi)部組織的反射和散射相關(guān)，由生物量和葉面積指數(shù)決定； 在690～750 nm波長(zhǎng)范圍內(nèi)，冠層光譜反射率和小麥生物量之間的相關(guān)系數(shù)波動(dòng)變化較大，從明顯的負(fù)相關(guān)變?yōu)槊黠@的正相關(guān)。依據(jù)以上的相關(guān)系數(shù)確定小麥冠層光譜反射率與小麥地上鮮生物量相關(guān)的敏感波段分別為496, 659和778 nm。

圖3 苗期光譜反射率和生物量相關(guān)系數(shù)曲線

2.1.2 苗期基于冠層光譜的生物量預(yù)測(cè)

由于所采集的生物量樣本的多少和均勻程度以及田間土壤環(huán)境會(huì)影響光譜的信噪比，因此在建立模型前選擇合適的方法對(duì)光譜進(jìn)行預(yù)處理，降低噪聲。將苗期校正集的62個(gè)樣本400～1 000 nm波段內(nèi)的冠層光譜反射率作為輸入量，利用偏最小二乘法構(gòu)建立苗期冬小麥地上鮮生物量的校正集模型，生物量估算模型R2為0.839，RMSE為0.016 kg，再利用所建立的預(yù)測(cè)模型對(duì)驗(yàn)證集樣本進(jìn)行預(yù)測(cè)，結(jié)果如圖4所示，實(shí)測(cè)地上鮮生物量與預(yù)測(cè)值之間擬合R2達(dá)到0.823，RMSE為0.018 kg，預(yù)測(cè)效果較好。

2.1.3 苗期基于冠層圖像的生物量預(yù)測(cè)

利用苗期校正集的62個(gè)樣本建立地上鮮生物量預(yù)測(cè)模型，通過(guò)冠層小麥覆蓋度及地上鮮生物量進(jìn)行指數(shù)、線性、對(duì)數(shù)、冪函數(shù)以及多項(xiàng)式回歸分析，其中多項(xiàng)式預(yù)測(cè)模型對(duì)冬小麥地上鮮生物量估算模型的決定系數(shù)最大，均方根誤差最小(R2=0.851，RMSSE=0.015 kg)。再利用所建立的預(yù)測(cè)模型對(duì)驗(yàn)證集樣本進(jìn)行預(yù)測(cè)，結(jié)果如圖5所示，實(shí)測(cè)地上鮮生物量與預(yù)測(cè)值之間擬合R2達(dá)到0.828，RMSE為0.017 kg，預(yù)測(cè)效果較好。

2.1.4 苗期基于融合數(shù)據(jù)的生物量預(yù)測(cè)

根據(jù)不同傳感器的特征以及由地上鮮生物量與光譜反射率的相關(guān)系數(shù)曲線所提取出來(lái)的特征波長(zhǎng)和小麥覆蓋度等特征信息，采用多元回歸分析方法進(jìn)行多信息的融合以及地上鮮生物量檢測(cè)模型的建立。多元回歸分析融合方法的自變量分別為苗期冠層特征波長(zhǎng)的496，659和778 nm的反射率以及小麥冠層覆蓋度，因變量為苗期小麥地上鮮生物量。對(duì)校正集的62個(gè)樣本進(jìn)行多元回歸分析，得到校正集為0.772，RMSE為0.019 kg。并利用所建立的校正集多元回歸模型對(duì)驗(yàn)證集31個(gè)樣本進(jìn)行預(yù)測(cè)，得到的預(yù)測(cè)值與實(shí)際值的關(guān)系如圖6所示(R2=0.761，RMSE=0.021 kg)。

圖4 苗期基于冠層光譜的生物量預(yù)測(cè)值與實(shí)測(cè)值比較

圖5 苗期基于冠層圖像的生物量預(yù)測(cè)值與實(shí)測(cè)值比較

將苗期校正集62個(gè)樣本的400～1 000 nm波段內(nèi)的冠層光譜反射率及小麥覆蓋度作為輸入量，利用偏最小二乘法構(gòu)建基于光譜和圖像融合的苗期冬小麥地上鮮生物量的校正集模型，生物量估算模型R2為0.904，RMSE為0.012 kg，再利用所建立的預(yù)測(cè)模型對(duì)驗(yàn)證集樣本進(jìn)行預(yù)測(cè)，結(jié)果如圖7所示，地上鮮生物量實(shí)測(cè)值與預(yù)測(cè)值之間擬合R2達(dá)到0.881，RMSE為0.015 kg。對(duì)比分別基于冠層光譜和冠層圖像的生物量預(yù)測(cè)模型結(jié)果如表2所示，基于偏最小二乘法的融合方法的建模效果最好，校正集模型和驗(yàn)證集模型的決定系數(shù)最大，且RMSE最小。

表2是苗期不同建模方法的結(jié)果，從表中不難看出，在中后期，相比圖像模型和光譜模型，利用光譜和圖像融合信息，基于PLS建立的冬小麥地上鮮生物量預(yù)測(cè)模型的校正集和驗(yàn)證集的R2均為最高RMSE最小，且優(yōu)于多元回歸分析所建立的模型。

圖6 苗期基于數(shù)據(jù)融合生物量MRA 模型的預(yù)測(cè)值與實(shí)測(cè)值比較

Fig.6 Relationship between measured and predicted biomass by MRA based on multi-information fusion at seeding stage

圖7 苗期基于數(shù)據(jù)融合生物量PLS 模型的預(yù)測(cè)值與實(shí)測(cè)值比較

Fig.7 Relationship between measured and predicted biomass by PLS based on multi-information fusion at seeding stage

表2 苗期生物量不同方法建模結(jié)果比較

2.2 中后期生物量的預(yù)測(cè)

2.2.1 中后期冠層光譜反射率和生物量相關(guān)關(guān)系變化特征

采用多元統(tǒng)計(jì)分析方法，得到中后期內(nèi)小麥冠層光譜反射率和小麥生物量的相關(guān)系數(shù)的曲線。從圖8中可以看出，在400～712和735～1 000 nm波長(zhǎng)范圍內(nèi)，苗期冠層光譜反射率與小麥生物量呈正相關(guān)關(guān)系，其中在400～551，551～712，735～1 000 nm之間形成3個(gè)波峰，相關(guān)系數(shù)的極大值出現(xiàn)在波長(zhǎng)508，654和898 nm處，508 nm附近的波段是綠色作物對(duì)葉綠素和葉色素濃度的敏感波段，654 nm附近的波段是葉綠素的強(qiáng)吸收波段，898 nm附近的波段是綠色作物對(duì)水分較為敏感的波段； 在712～735 nm之間，冠層光譜反射率和小麥生物量之間的呈負(fù)相關(guān)關(guān)系，且相關(guān)系數(shù)比較小，說(shuō)明在此波段內(nèi)，冠層光譜反射率和小麥生物量的關(guān)系很小。依據(jù)以上的相關(guān)系數(shù)確定小麥冠層光譜反射率與小麥地上鮮生物量相關(guān)的敏感波段分別為508，654和898 nm。

圖8 中后期光譜反射率和生物量相關(guān)系數(shù)曲線

2.2.2 中后期基于冠層光譜的生物量預(yù)測(cè)

建立模型前選擇合適的方法對(duì)光譜進(jìn)行預(yù)處理，降低噪聲。將后期的拔節(jié)期、抽穗期、開(kāi)花期和灌漿期校正集的107個(gè)樣本400～1 000 nm波段內(nèi)的冠層光譜反射率作為輸入量，利用偏最小二乘法構(gòu)建中后期冬小麥地上鮮生物量的校正集模型，生物量估算模型R2為0.722，RMSE為0.069 kg，再利用所建立的預(yù)測(cè)模型對(duì)驗(yàn)證集樣本進(jìn)行預(yù)測(cè)，結(jié)果如圖9所示，實(shí)測(cè)地上鮮生物量與預(yù)測(cè)值之間擬合、R2達(dá)到0.637，RMSE為0.077 kg，預(yù)測(cè)效果較好。

圖9 中后期期基于冠層光譜的生物量預(yù)測(cè)值與實(shí)測(cè)值比較

Fig.9 Relationship between measured and predicted biomass based on canopy spectral at medium and later growth stages

2.2.3 中后期基于側(cè)面圖像的生物量預(yù)測(cè)

利用拔節(jié)期至灌漿期校正集的107個(gè)樣本建立地上鮮生物量預(yù)測(cè)模型，通過(guò)側(cè)面圖像小麥覆蓋度及地上鮮生物量進(jìn)行指數(shù)、線性、對(duì)數(shù)、冪函數(shù)以及多項(xiàng)式回歸分析發(fā)現(xiàn)，其中冪函數(shù)預(yù)測(cè)模型對(duì)冬小麥地上鮮生物量估算模型的決定系數(shù)最大，均方根誤差最小(R2=0.680，RMSSE=0.085 kg)。再利用所建立的預(yù)測(cè)模型對(duì)驗(yàn)證集樣本進(jìn)行預(yù)測(cè)，結(jié)果如圖10所示，實(shí)測(cè)地上鮮生物量與預(yù)測(cè)值之間擬合R2達(dá)到0.688，RMSE為0.071 kg，預(yù)測(cè)效果較好。

圖10 中后期基于側(cè)面圖像的生物量預(yù)測(cè)值與實(shí)測(cè)值比較

Fig.10 Relationship between measured and predicted biomass based on machine vision at medium and later growth stages

2.2.4 中后期基于融合數(shù)據(jù)的生物量預(yù)測(cè)

根據(jù)中后期地上鮮生物量與光譜反射率的相關(guān)系數(shù)曲線所提取出來(lái)的特征波長(zhǎng)和小麥覆蓋度等特征信息，采用多元回歸分析方法進(jìn)行多信息的融合并建立地上鮮生物量檢測(cè)模型。多元回歸分析融合方法的自變量分別為中后期冠層特征波長(zhǎng)的508，654和898 nm的反射率以及小麥冠層覆蓋度，因變量為小麥地上鮮生物量。對(duì)校正集的107個(gè)樣本進(jìn)行多元回歸分析，得到校正集R2為0.684，RMSE為0.073 kg。并利用所建立的校正集多元回歸模型對(duì)驗(yàn)證集53個(gè)樣本進(jìn)行預(yù)測(cè)，得到的預(yù)測(cè)值與實(shí)際值的關(guān)系如圖11所示(R2=0.626，RMSE=0.077 kg)。

圖11 中后期基于數(shù)據(jù)融合生物量MRA 模型的預(yù)測(cè)值與實(shí)測(cè)值比較

Fig.11 Relationship between measured and predicted biomass by MRA based on multi-information fusion at medium and later growth stages

將中后期校正集107個(gè)樣本的400～1 000 nm波段內(nèi)的冠層光譜反射率及小麥覆蓋度作為輸入量，利用偏最小二乘法構(gòu)建基于光譜和圖像融合的拔節(jié)期至灌漿期冬小麥地上鮮生物量的校正集模型，生物量估算模型R2為0.815，RMSE為0.056 kg，再利用所建立的預(yù)測(cè)模型對(duì)驗(yàn)證集樣本進(jìn)行預(yù)測(cè)，結(jié)果如圖12所示，地上鮮生物量實(shí)測(cè)值與預(yù)測(cè)值之間擬合R2達(dá)到0.791，RMSE為0.059 kg。對(duì)比分別基于冠層光譜和側(cè)面圖像的生物量預(yù)測(cè)模型結(jié)果如表3所示，基于偏最小二乘法的融合方法的建模效果最好，校正集模型和驗(yàn)證集模型的決定系數(shù)最大，且RMSE最小。由此可知，相對(duì)于冠層光譜和冠層圖像或者側(cè)面圖像模型的預(yù)測(cè)結(jié)果，基于光譜和圖像信息融合技術(shù)預(yù)測(cè)地上鮮生物量的模型較單一的監(jiān)測(cè)技術(shù)有一定的優(yōu)勢(shì)。

圖12 中后期基于數(shù)據(jù)融合生物量PLS 模型的預(yù)測(cè)值與實(shí)測(cè)值比較

Fig.12 Relationship between measured and predicted biomass by PLS based on multi-information fusion at medium and later growth stages

表3 中后期生物量不同方法建模結(jié)果比較

Table 3 Main results of calibration and validation of different methods at medium and later growth stages

校正集R2RMSE驗(yàn)證集R2RMSE基于冠層光譜0.7220.0690.6370.077基于冠層圖像0.6800.0850.6880.071多元回歸融合0.6840.0730.6260.077PLS融合0.8150.0560.7910.059

表3是中后期不同建模方法的結(jié)果，從表中不難看出，在中后期，相比圖像模型和光譜模型，利用光譜和圖像融合信息，基于PLS建立模型的校正集和驗(yàn)證集的R2均為最高且RMSE最小，且優(yōu)于多元回歸分析所建立的模型。

3 結(jié) 論

從冬小麥的冠層光譜信息和圖像特征出發(fā)分別進(jìn)行了冬小麥地上鮮生物量的預(yù)測(cè)研究，然后融合了光譜特征和圖像特征建立了基于融合信息的生物量檢測(cè)模型。結(jié)果表明，在不同的生長(zhǎng)階段，將光譜特征參數(shù)(400～1 000 nm波段的光譜反射率)和圖像特征參數(shù)(小麥覆蓋度)融合形成新的特征參量，并利用偏最小二乘法建立基于融合特征參量的冬小麥地上鮮生物量檢測(cè)模型，并對(duì)驗(yàn)證集樣本進(jìn)行預(yù)測(cè)，基于融合信息進(jìn)行預(yù)測(cè)所得結(jié)果均好于單一的圖像和光譜模型?；谌诤闲畔⑺眯Ｕ万?yàn)證集的決定系數(shù)均最大，均方根誤差均最小，苗期的校正集模型R2為0.904，RMSE為0.012 kg，驗(yàn)證集模型R2為0.881，RMSE為0.015 kg； 中后期校正集模型R2為0.815，RMSE為0.056 kg，驗(yàn)證集模型R2為0.791，RMSE為0.059 kg。由此可見(jiàn)，苗期基于冠層光譜和冠層圖像的融合、后期冠層光譜和側(cè)面圖像的融合較為充分地利用了光譜信息和圖像信息，并且對(duì)冬小麥地上鮮生物量的預(yù)測(cè)具有較高的精度和準(zhǔn)確性，預(yù)測(cè)效果均優(yōu)于單一的圖像模型和光譜模型。

[1] Damiran D, DelCurto T, Johnson D, et al. Northwest Science, 2006, 80(4): 259.

[2] Hansen P M, Schjoerring J K. Remote Sensing of Environment, 2003, 86(4): 542.

[3] WANG Da-cheng, WANG Ji-hua, JIN Ning, et al(王大成, 王紀(jì)華, 靳 寧, 等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2008, 24(Supp.2): 196.

[4] FU Yuan-yuan, WANG Ji-hua, YANG Gui-jun, et al(付元元, 王紀(jì)華, 楊貴軍, 等). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2013, 33(5): 1315.

[5] Moges S M, Raun W R, Mullen R W, et al. Journal of Plant Nutrition, 2005, 27(8): 1431.

[6] Erdle K, Mistele B, Schmidhalter U. Field Crops Research, 2013, 141: 16.

[7] Reyniers M, Vrindts E, Baerdemaeker J D. Biosystems Engineering, 2004, 89(4): 383.

[8] SONG Kai-shan, ZHANG Bai, LI Fang, et al(宋開(kāi)山, 張 柏, 李 方, 等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2005, 21(1): 36.

[9] Gao X, Huete A R, Ni W, et al. Remote Sensing of Environment, 2000, 74(3): 609.

[10] Mutanga O, Skidmore A K. International Journal of Applied Earth Observation and Geoinformation, 2004, 5(2): 87.

[11] Fu Y Y, Yang G J, Wang J H, et al. Computers and Electronics in Agriculture, 2014, 100: 51.

[12] Shatadal P, Tan J. Applied Engineering in Agriculture, 2003, 19(1): 65.

[13] Zhao C J, Li C J, Wang Q, et al. Computer and Computing Technologies in Agriculture II, Volume 1. Springer US, 2009: 253.

[14] LEI Yong-wen, WANG Juan, GUO Jin-qiang, et al(雷詠雯, 王 娟, 郭金強(qiáng), 等). Acta Agriculturae Boreali-Occidentalis Sinica(西北農(nóng)業(yè)學(xué)報(bào)), 2006, 15(3): 45.

[15] Lati R N, Filin S, Eizenberg H. Weed Science, 2011, 59(2): 276.

[16] SHAN Cheng-gang, LIAO Shu-hua, GONG Yu, et al(單成鋼, 廖樹(shù)華, 龔 宇, 等). Acta Agronomica Sinica(作物學(xué)報(bào)), 2007, 33(3): 419.

[17] CHEN Quan-sheng, ZHAO Jie-wen, CAI Jian-rong(陳全勝, 趙杰文, 蔡健榮). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào)), 2008, 24(3): 5.

[18] Van Der Wal D, Herman P M J. Remote Sensing of Environment, 2007, 111(1): 89.

[19] DiNatale C, Zude-Sasse M, Macagnano A, et al. Analytica Chimica Acta, 2002, 459(1): 107.

[20] Rudnitskaya A, Kirsanov D, Legin A, et al. Sensors and Actuators B: chemical, 2006, 116(1): 23.

[21] Huang Y, Lan Y, Hoffmann W C, et al. Journal of Bionic Engineering, 2007, 4(1): 53.

(Received Jan. 18, 2015; accepted Apr. 20, 2015)

*Corresponding author

Monitoring of Winter Wheat Aboveground Fresh Biomass Based on Multi-Information Fusion Technology

ZHENG Ling1, 2, ZHU Da-zhou3, DONG Da-ming1, ZHANG Bao-hua1，WANG Cheng1, ZHAO Chun-jiang1*

1. Beijing Research Center for Information Technology in Agriculture, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China 2. School of Electronic Information Engineering, Anhui University, Hefei 230039, China 3. Institute of Food and Nutrition Development, Ministry of Agriculture, Beijing 100081, China

The aim was to find a nondestructive way to improve the accuracy of detecting the winter wheat aboveground fresh biomass(AGFB). In this study, data fusion technology of the spectroscopy technology and the machine vision technology were used to analyze the AGFB and solve the problem that the accuracy of the prediction model of a single technology is not high. In this experiment, canopy spectra and canopy pictures of 93 samples at seeding stage were collected. Canopy spectra and side images of 200 samples at medium and later growth stage were collected. Spectral reflectance as the spectral absorption parameter was used to construct the AGFB prediction models based on the spectra technology at different stages; The wheat coverage were extracted from canopy pictures and side images by using image processing technology to build the AGFB prediction models. Multivariate regression analysis (MRA) and Partial least-squares regression analysis(PLS) were implemented on the feature variables from the spectral information and image information. The results showed that, compared with the individual image model and spectral model, the AGFB prediction models of PLS based on multi-information at different stages shows better performance. At the seeding stage, the determination coefficient (R2) of PLS models based on multi-information was 0.881，and the RMSE was 0.015 kg. TheR2of PLS models based on multi-information was 0.791, the RMSE was 0.059 kg at middle and final stages. It demonstrated that the precision of model based on multi-information fusion technology, which increased utilization of image and spectral information, was improved for AGFB detecting, which is than the individual image model and spectral model.

Multi-information fusion; PLS; Canopy spectral; Machine vision; Winter wheat; Biomass

2015-01-18，

2015-04-20

國(guó)家自然科學(xué)基金項(xiàng)目(31201125)，農(nóng)業(yè)部公益性行業(yè)科研專項(xiàng)項(xiàng)目(201203026)和北京市自然科學(xué)基金項(xiàng)目(4142019)資助

鄭 玲，1987年生，安徽大學(xué)電子信息工程學(xué)院博士研究生 e-mail: lingz0865@163.com *通訊聯(lián)系人 e-mail: zhaocj@nercita.org.cn

S132

A

10.3964/j.issn.1000-0593(2016)06-1818-08