MDBPSO算法優(yōu)化的全波段光譜數(shù)據(jù)協(xié)同冠層SIF監(jiān)測小麥條銹病

白宗璠 競 霞,* 張 騰 董瑩瑩

MDBPSO算法優(yōu)化的全波段光譜數(shù)據(jù)協(xié)同冠層SIF監(jiān)測小麥條銹病

白宗璠1競 霞1,*張 騰1董瑩瑩2

1西安科技大學測繪科學與技術學院, 陜西西安 710054;2中國科學院遙感與數(shù)字地球研究所數(shù)字地球重點實驗室, 北京 100094

為了從全波段光譜數(shù)據(jù)中提取對小麥條銹病敏感的特征參量, 提高小麥條銹病遙感探測模型的運行效率和精度, 本文首先從慣性權重和粒子更新方式兩個方面對傳統(tǒng)離散粒子群算法(discrete binary particle swarm optimization, DBPSO)進行改進, 利用改進離散粒子群算法(modified discrete binary particle swarm optimization, MDBPSO)從全波段光譜數(shù)據(jù)中優(yōu)選遙感探測小麥條銹病嚴重度的特征變量, 然后與冠層日光誘導葉綠素熒光(solar-induced chlorophyll fluorescence, SIF)數(shù)據(jù)相結合作為自變量分別利用隨機森林(random forest, RF)和后向傳播(back propagation, BP)神經(jīng)網(wǎng)絡算法構建小麥條銹病遙感探測模型, 并將其與相關系數(shù)(correlation coefficient, CC)分析法和DBPSO算法提取特征參量構建模型的精度進行對比分析。結果表明: (1) MDBPSO算法比傳統(tǒng)DBPSO算法具有更快的收斂速度和更高的尋優(yōu)精度, 改進前后其迭代次數(shù)從395次減少到156次, 最優(yōu)適應度函數(shù)(optimum fitness value, OFV)值從0.145減小到0.127。(2)采用MDBPSO算法選擇特征變量時, RF和BP神經(jīng)網(wǎng)絡兩種方法構建的模型精度均高于CC分析法和DBPSO算法, 其中RF算法預測病情指數(shù)(disease index, DI)值和實測DI值間的檢驗集決定系數(shù)(validation set determination coefficient,2V)比CC分析法和DBPSO算法分別提高了9%和3%, 均方根誤差(validation set root mean square error, RMSEV)分別降低了28%和11%, BP神經(jīng)網(wǎng)絡算法預測DI值和實測DI值間的2V比CC分析法和DBPSO算法分別提高了13%和6%, RMSEV分別降低了21%和10%, 利用MDBPSO算法優(yōu)選特征參量能夠提高小麥條銹病的遙感探測精度。(3)在MDBPSO、DBPSO和CC分析法3種特征選擇算法中, RF算法構建的模型精度均高于BP神經(jīng)網(wǎng)絡算法, 其中RF模型預測DI值和實測DI值間的2V比BP神經(jīng)網(wǎng)絡算法至少提高了7%, 平均提高了9%, RMSEV至少降低了15%, 平均降低了20%。以MDBPSO算法優(yōu)選的特征參量為自變量利用RF方法構建的小麥條銹病遙感探測的MDBPSO-RF模型是小麥條銹病遙感探測適宜模型, 該研究結果為進一步實現(xiàn)作物健康狀況大面積高精度遙感監(jiān)測提供了新的思路。

全波段反射光譜; 改進離散粒子群; 日光誘導葉綠素熒光; 小麥條銹病; 特征波段

小麥條銹病()是一種氣流傳播病害, 一旦爆發(fā)會造成小麥大面積減產(chǎn)[1]。因此, 小麥條銹病的及時監(jiān)測和防治對我國農(nóng)業(yè)發(fā)展具有重要意義。與傳統(tǒng)田間取樣的病害調查方法相比, 遙感技術具有宏觀、快速、無損等優(yōu)勢, 已被廣泛應用于作物病害的探測[1-8], 尤其是高光譜遙感數(shù)據(jù)包含豐富的光譜信息, 能夠很好地反映作物的生化特性[9], 提高病害監(jiān)測精度[10]。但已有的研究主要集中于利用少量波段信息計算反射率光譜指數(shù)[5-7]或吸收特征[1]等算法進行作物病害監(jiān)測, 這些方法在一定程度上丟失了對小麥病害遙感探測的有用信息,且未考慮作物冠層幾何結構及大氣等因素導致的冠層反射光譜的時空變化[11], 因此針對不同時空下的小麥條銹病, 如何利用全波段信息獲取動態(tài)的冠層光譜特征變量顯得尤為重要。劉琦等[10,12]在325~1075 nm全波段范圍內(nèi)成功建立模擬識別小麥條銹病的模型。但直接使用全波段數(shù)據(jù), 波段之間具有較高的相關性[13], 數(shù)據(jù)冗余不僅加大了計算機的運行時間, 而且對模型精度具有一定影響, 因此從全波段數(shù)據(jù)中提取有效的特征變量成為模型構建過程中至關重要的一步。粒子群算法(particle swarm optimization, PSO)是由Eberhart和Kennedy[14]于1995年提出的一種群體智能隨機搜索算法, 具有魯棒性強、參數(shù)設置少及收斂速度快的優(yōu)點[15]。已有學者將粒子群算法應用于特征變量選擇中并取得了理想的結果[16-17]。但傳統(tǒng)的粒子群算法在處理高光譜的全波段數(shù)據(jù)時易陷入局部最優(yōu), 產(chǎn)生“早熟”收斂[18], 為了解決這一問題, 本文從慣性權重和粒子更新方式兩方面對傳統(tǒng)離散粒子群算法進行改進, 以提高小麥條銹病遙感探測精度。

模型精度除受所選特征參量的影響外, 建模算法也是影響小麥條銹病遙感探測精度的重要因素, 選擇合適的模型算法有助于提高小麥條銹病嚴重度的遙感估測精度。與傳統(tǒng)的經(jīng)驗統(tǒng)計模型相比, 機器學習模型具有良好的非線性擬合能力和泛化能力, 能夠通過不斷訓練樣本數(shù)據(jù)使目標達到最優(yōu)化[19]。在眾多機器學習算法中BP神經(jīng)網(wǎng)絡算法具有通過學習獲取知識并解決問題的能力[20], RF算法具有計算量小、能有效避免過擬合的發(fā)生以及良好的噪聲容忍性等優(yōu)點[21], 為此本文擬在利用MDBPSO算法優(yōu)選全波段光譜特征的基礎上分別采用RF和BP神經(jīng)網(wǎng)絡算法構建小麥條銹病遙感探測模型。

反射率光譜數(shù)據(jù)能夠敏感地反映植被生化組分信息, 但對作物光合活性不敏感, 難以揭示植被光合生理狀態(tài)[22], 而冠層SIF數(shù)據(jù)則能夠直接探測到植被的光合作用狀態(tài)[23], 小麥受條銹病菌侵染后, 其水分及葉綠素含量、光合速率和光能轉換率等一些生理生化指標均會發(fā)生變化[13], 綜合利用反射率光譜在生化參數(shù)探測方面的優(yōu)勢和葉綠素熒光在光合生理診斷的優(yōu)勢可以提高小麥條銹病的探測精度[24-25]?；诖?，本文利用MDBPSO算法從全波段反射率光譜數(shù)據(jù)中選擇對小麥條銹病敏感的特征因子, 并將其與冠層SIF數(shù)據(jù)結合作為模型的輸入變量分別通過RF和BP神經(jīng)網(wǎng)絡2種機器學習算法構建小麥條銹病嚴重度的遙感估測模型, 并將其與傳統(tǒng)的DBPSO算法及CC分析法提取特征參量所建模型的精度進行對比分析, 以確定遙感探測小麥條銹病的特征, 以及模型構建的適宜算法。

1 材料與方法

1.1 試驗設計

試驗區(qū)位于河北省廊坊市中國農(nóng)業(yè)科學院試驗站(39°30′40″N, 11°63′62″E), 小麥品種為對條銹病比較敏感的銘賢169號。試驗區(qū)小麥平均種植密度為113棵 m?2。2018年4月7日給試驗田灌溉充足的水分, 并于4月9日采用濃度為9 mg 100 mL?1的孢子溶液對小麥進行條銹病接種。將試驗區(qū)小麥分為健康組(編號為A、D)和染病組(編號為B、C), 每個試驗組的面積為220 m2。將每個組分為8個樣方(A1~A8、B1~B8、C1~C8、D1~D8)。

1.2 數(shù)據(jù)獲取

1.2.1 冠層光譜測定與處理 分別于2018年5月18日、5月24日和5月30日3個時期測定小麥條銹病不同病情指數(shù)下的冠層光譜數(shù)據(jù), 測量所使用的儀器為ASD Field Spec 4光譜儀和QE 65 pro光譜儀。其中ASD Field Spec 4測量的光譜范圍為350~2500 nm, 在350~1000 nm的波段范圍內(nèi)光譜分辨率為3 nm, 采樣間隔為1.4 nm; 在1000~2500 nm波段范圍內(nèi)光譜分辨率為10 nm, 采樣間隔為2 nm。QE 65 pro光譜儀的光譜分辨率為0.31 nm, 采樣間隔為0.155 nm, 光譜范圍為685~805 nm。冠層光譜測量時間為北京時間11:00–12:30, 探頭視場角為25°, 測量高度距離地面1.3 m, 每次測量前后均用標準BaSO4參考板進行校正。然后由公式(1)計算冠層反射率值。

為了消除和減弱樣本間因散射引起的光譜誤差,利用標準正態(tài)校正(stand normal variate, SNV)方法對原始光譜數(shù)據(jù)進行預處理, 假設每個波段的光譜吸收值均滿足正態(tài)分布, 并利用此假設對每條光譜進行校正。SNV的變換公式[26]如式(2)所示。

式中,為原始冠層反射率,target為目標輻亮度,board為參考板輻亮度,board為參考板反射率。

1.2.2 病情指數(shù)調查 冠層病情指數(shù)的調查采用5點取樣法, 在每塊小區(qū)內(nèi)選取對稱的5點, 每點約1 m2, 隨機選取30株小麥分別調查其發(fā)病情況。參照國家標準“小麥條銹病測報技術規(guī)范”(GB/T15795)量化病情指數(shù)。單葉嚴重度分為9個梯度, 即0、1%、10%、20%、30%、45%、60%、80%和100%的葉片病斑覆蓋, 分別記錄不同病情嚴重度下的小麥葉片數(shù), 按式(3)計算測試群體的病情指數(shù)[27]。

式中, DI為病情指數(shù);為梯度級值;為最高梯度等級值;為各梯度的葉片數(shù)。

1.2.3 日光誘導葉綠素熒光提取 利用輻亮度基于夫瑯和費暗線原理的日光誘導葉綠素熒光算法, 主要包括FLD (fraunhofer line discrimination)和3FLD (3 bands FLD)等[28]。標準FLD算法是基于吸收線內(nèi)外反射率和透過率相等的假設來估測日光誘導葉綠素熒光強度, 但由于吸收線內(nèi)外波段的反射率和熒光值實際上存在差異, 影響了熒光的估測精度[29]。3FLD熒光預測算法認為在吸收線波段周圍葉綠素熒光和反射率光譜是線性變化的, 利用吸收線左右各一個波段的加權平均值代替標準FLD算法中的單一波段值, 從而在一定程度上減小標準FLD方法中熒光和反射率恒定假設所帶來的誤差, 提高了冠層SIF的預測精度[30], 而且已有研究表明3FLD算法是估測SIF最魯棒性算法[31], 基于此本文采用3FLD算法估測葉綠素熒光強度, 計算公式如式(4)~(6)所示。

式中, λin、λleft、λright為吸收線內(nèi)、左、右波段的波長; ωleft、ωright為吸收線左右2個參考波段所占的權重;left、right為吸收線左右的太陽輻照度光譜強度(μW cm?2nm?1);left、right為吸收線左右的植被冠層反射輻亮度光譜強度(μW cm?2nm?1sr?1)。

為了減少太陽光強度對冠層SIF估測結果的影響, 將計算得到的SIF強度除以夫瑯和費吸收線內(nèi)參考板的太陽入射輻照度, 得到該吸收線處的冠層SIF相對強度[32]。如式(7)所示。

1.3 改進離散粒子群算法

1.3.1 離散粒子群算法 離散粒子群算法是在粒子群算法的基礎上提出的一種離散群體智能隨機搜索算法[14], 具有結構簡單, 參數(shù)較少及易于實現(xiàn)等優(yōu)點[33]。假定維搜索空間中第個粒子的速度和位置分別為v= (v1,v2, ...,vD),x= (x1,x2, ...,xD), 則粒子在第維的速度和位置的更新公式如式(8)~(10)所示。

1.3.2 離散粒子群改進策略 傳統(tǒng)的離散粒子群算法一旦達到了收斂, 所有的粒子都會朝著最優(yōu)解靠攏, 失去了粒子的多樣性, 影響了算法的收斂速度及精度。而且傳統(tǒng)離散粒子群算法缺乏對速度的動態(tài)調整容易發(fā)生“早熟”收斂現(xiàn)象, 從而導致算法的收斂精度較低, 基于此, 本文分別從慣性權重和粒子更新方式兩個方面對傳統(tǒng)粒子群算法進行改進。

1) 慣性權重: 慣性權重值越大越有利于加快收斂速度, 提高全局搜索能力, 但難以得到精確解, 反之則有利于局部搜索且能夠得到更為精確的解, 但收斂速度慢, 易陷入局部極值。為了提高離散粒子群算法的全局搜索能力, 在搜索早期將設置為相對較大的值, 在搜索過程中, 隨著迭代次數(shù)的增加使值逐漸減小, 從而得到精確的解[34]?；诖? 本研究對做了如式(11)所示的動態(tài)調整。

式中max和min分別為的最大值和最小值, 本文中max和min分別取0.9和0.4[35],為當前迭代次數(shù),max為最大迭代次數(shù)。

式中各變量的含義與公式(8)~(10)一致。

MDBPSO算法具有較好的局部搜索能力, 但是全局搜索能力相對較差, 為了使算法同時具有較好的局部搜索和全局搜索能力, 本文在迭代前期(≤ 30%max)通過式(8)~(10)對粒子進行更新, 在迭代中后期(30%max<

1.3.3 適應度函數(shù)設計 適應度函數(shù)是粒子群算法中判斷粒子位置優(yōu)劣的重要依據(jù), 適應度函數(shù)的設計直接影響到算法的收斂速度以及能否找到最優(yōu)解。本研究基于均方根誤差RMSE [式(14)]構建適應度函數(shù), 并以此作為各粒子優(yōu)勝劣汰的評判標準。將各粒子當前的適應度值與其個體歷史最佳位置對應的適應度作比較, 如果當前位置的適應度值更小, 則用當前位置更新全局最佳位置。

1.4 模型構建與精度評價

以CC分析法、DBPSO和MDBPSO三種算法提取的全波段光譜特征參量協(xié)同冠層SIF數(shù)據(jù)作為模型的輸入變量構建小麥條銹病嚴重度估測模型,并通過保留樣本交叉檢驗的方式對模型精度進行評價, 以確定遙感探測小麥條銹病的特征變量優(yōu)選算法及適宜模型。

1.4.1 模型構建方法 分別采用RF和BP神經(jīng)網(wǎng)絡兩種算法構建小麥條銹病嚴重度估測模型, 其中RF算法的核心思想是通過bootstrap重采樣的方法在原始訓練集中抽取多個樣本, 對每個抽取出的樣本都進行決策樹建模, 最后通過多數(shù)投票法得到最終的預測結果[36]。通過對訓練樣本的多次仿真確定RF算法中決策樹的數(shù)量(ntree)為500, 內(nèi)部節(jié)點隨機選擇屬性個數(shù)(mtry)取默認值。BP神經(jīng)網(wǎng)絡算法的核心思想是通過調整各神經(jīng)元之間的權值, 將誤差由隱含層向輸入層逐層反傳, 對誤差函數(shù)進行“鏈式求導”, 使誤差逼近最小值[37], 本研究中BP神經(jīng)網(wǎng)絡算法采用3層網(wǎng)絡標準結構, 其中隱含層設置為5個神經(jīng)元, 最大訓練次數(shù)為5000, 訓練間隔為10, 最小均方根誤差為0.001, 學習步長為0.1。

1.4.2 模型精度評價 為了能夠充分利用樣本中所有數(shù)據(jù), 在有限樣本容量下盡可能減少“過擬合”問題, 本文采用保留樣本交叉檢驗的方式對模型進行構建和檢驗, 將52個樣本數(shù)據(jù)分為訓練集和檢驗集, 其中39個數(shù)據(jù)(35個染病樣本, 4個健康樣本)作為訓練樣本用于模型構建, 剩余的13個數(shù)據(jù)(12個染病樣本, 1個健康樣本)作為驗證樣本用以模型評價。選擇病情嚴重度估測值與實測值之間的2和RMSE兩個模型精度評價指標[式(15), (16)], 其中2越高, RMSE越低, 則表示模型的估測精度越高。

2 結果與分析

2.1 特征變量優(yōu)選

2.1.1 CC分析法優(yōu)選特征參量 在對小麥冠層原始反射率光譜數(shù)據(jù)進行SNV變換處理的基礎上利用CC分析法對光譜反射率數(shù)據(jù)與小麥條銹病嚴重度進行相關性分析, 得到SNV變換后不同波長下反射率——病情嚴重度間相關系數(shù)的變化曲線(圖1), 選擇與病情嚴重度達到極顯著相關(相關系數(shù)的絕對值高于0.443)波段范圍內(nèi)的極值點作為小麥條銹病遙感探測的敏感波段。由圖1可以看出, 400~540 nm、742~868 nm范圍內(nèi)的反射率與病情指數(shù)呈極顯著負相關, 561~731 nm、905~1000 nm范圍內(nèi)的反射率與病情指數(shù)呈極顯著正相關, 通過CC法選擇出50個波段作為小麥條銹病遙感探測的特征變量。

圖1 SNV變換后反射率-病情指數(shù)相關系數(shù)曲線圖(n = 52)

圖中虛線表示0.1%顯著水平,0.001[52]= 0.443。

The dotted line in the figure indicates the significant at the 0.1% propability level, and0.001[52]= 0.443.

2.1.2 MDBPSO算法優(yōu)選特征參量 為了從全波段反射率光譜數(shù)據(jù)中確定小麥條銹病遙感探測的特征變量, 分別基于MDBPSO和DBPSO算法提取了小麥條銹病遙感探測的特征波段。首先通過對樣本的多次仿真訓練確定DBPSO和MDBPSO的最大迭代次數(shù)max分別為400和200, MDBPSO速度限定的最大值max和最小值min分別為4和–4。然后在上述參數(shù)確定的基礎上對比分析了DBPSO和MDBPSO兩種算法下適應度函數(shù)的收斂情況以確定OFV值(圖2)。從圖2可以看出, DBPSO算法迭代395次可以得到最優(yōu)解, OFV最小值為0.145。MDBPSO算法得到的OFV最小值和迭代次數(shù)分別減少到了0.127和156, MDBPSO算法比DBPSO算法具有更快的收斂速度和更高的尋優(yōu)精度。這是由于MDBPSO算法在迭代過程中慣性權重發(fā)生了相應的動態(tài)變化, 從而使得OFV的值變化較快, 在提高效率的同時也增加的尋優(yōu)的精度。

依據(jù)已確定的OFV的最小值和迭代次數(shù), 分別通過DBPSO和MDBPSO兩種算法從全波段反射率光譜數(shù)據(jù)中提取小麥條銹病遙感探測的特征變量(圖3)。從圖3中可以看出, DBPSO和MDBPSO兩種算法提取特征變量的個數(shù)分別為320和56, MDBPSO算法極大減少了特征參量的個數(shù), 降低了算法運行的時間。此外, DBPSO算法選擇的特征波段分布集中, 波段之間仍然存在較高的相關性, 波段信息重疊的問題依然存在, 特征波段冗余度較高的問題依然沒有得到較好的解決。

圖2 DBPSO和MDBPSO算法的適應度函數(shù)收斂曲線

圖3 DBPSO和MDBPSO算法選擇的特征波段

2.2 構建及精度評價

分別利用CC分析法、傳統(tǒng)DBPSO和MDBPSO法從全波段反射率光譜數(shù)據(jù)中選擇特征波段作為遙感探測小麥條銹病反射率數(shù)據(jù)的模型輸入變量, 并將其與冠層SIF數(shù)據(jù)相結合作為模型輸入的自變量, 通過RF算法和BP神經(jīng)網(wǎng)絡算法構建小麥條銹病遙感探測模型(圖4), 圖中橫坐標為小麥條銹病嚴重度的估測值, 縱坐標為小麥條銹病嚴重度的實測值, 實線為1∶1關系線。在病情嚴重度實測值-估測值構成的二維特征空間中, 散點的分布越接近于1∶1關系線, 檢驗集和訓練集的決定系數(shù)2V和2T越高, 均方根誤差RMSEV和RMSET越小, 模型的估測精度越高。

由圖4的模型訓練集估測結果可以看出, 無論是采用RF算法還是BP神經(jīng)網(wǎng)絡算法構建模型, 以MDBPSO算法優(yōu)選的特征參量為自變量構建的模型精度較CC分析法和DBPSO算法均有一定程度的提高。此外在CC、DBPSO和MDBPSO這3種特征優(yōu)選算法中, RF模型的預測精度均高于對應的BP神經(jīng)網(wǎng)絡模型, RF算法構建模型的散點分布與對應的BP神經(jīng)網(wǎng)絡算法相比更加貼合于1∶1關系線, 所以RF算法更適合小麥條銹病的遙感探測。

從模型檢驗集的數(shù)據(jù)中可以看出, 無論采用BP神經(jīng)網(wǎng)絡算法還是RF算法構建小麥條銹病的探測模型, MDBPSO算法提取特征變量構建的模型精度均高于CC分析法和DBPSO算法, 當使用RF算法構建模型時2V與CC分析法和DBPSO算法相比分別提高了9%和3%, RMSEV分別減少了28%和11%; 當使用BP神經(jīng)網(wǎng)絡算法構建模型時2V與CC分析法和DBPSO算法相比分別提高了13%和6%, RMSEV分別減少了21%和10%。無論采用CC法、DBPSO算法還是MDBPSO算法進行特征選擇, RF算法構建的模型精度均高于對應的BP神經(jīng)網(wǎng)絡算法, CC、DBPSO、MDBPSO三種特征選擇算法中RF模型的2V比BP神經(jīng)網(wǎng)絡模型至少提高了7%, 平均提高了9%, RMSEV比BP神經(jīng)網(wǎng)絡模型至少減少了15%, 平均減少了20%。綜上所述, 在所有的模型構建方法中, MDBPSO-RF模型精度最高, 更適合小麥條銹病病情指數(shù)的估測。

圖4 小麥條銹病病情指數(shù)實測值與預測值分布

— 1:1關系線; ■ 訓練集數(shù)據(jù); △檢驗集數(shù)據(jù)。

— 1:1 relationship line; ■ training set; △ test set.

3 討論

本文綜合利用反射率光譜數(shù)據(jù)在作物生化參數(shù)探測方面的優(yōu)勢和葉綠素熒光在光合生理診斷方面的優(yōu)勢, 分別采用CC分析法、DBPSO和MDBPSO三種方法從全波段光譜數(shù)據(jù)中提取特征變量, 并將其與冠層SIF數(shù)據(jù)相融合構建小麥條銹病遙感探測模型, 分析不同特征變量提取方法對小麥條銹病遙感探測精度的影響。

MDBPSO算法在模型效率方面較DBPSO算法具有一定提高, 其中OFV最小值從0.145減小到0.127, 迭代次數(shù)從395次減小到156次。無論建模方法采用BP神經(jīng)網(wǎng)絡算法還是RF算法, MDBPSO算法提取特征變量構建的模型精度均高于CC分析法和DBPSO算法, 其中BP神經(jīng)網(wǎng)絡方法構建的MDBPSO-BP模型預測DI值和實測DI間的2V比CC-BP和DBPSO-BP分別提高了13%和6%, RMSEV分別減小了21%和10%, RF方法構建的MDBPSO- RF模型預測DI值和實測DI值間的V2比CC-RF和DBPSO-RF分別提高了9%和3%, RMSEV分別減小了28%和11%。這是因為CC分析法依據(jù)小麥條銹嚴重度與光譜反射率的相關性選取的特征變量之間存在較高的相關性和共線性影響了模型的精度。與CC法相比, DBPSO算法以模型的RMSE作為特征波段適用性的評判標準, 選擇的特征變量構建的模型精度得到了一定的改善。但與MDBPSO算法相比, DBPSO算法的OFV較大, 模型運行的效率較低, 這是因為MDBPSO算法在DBPSO算法的基礎上對慣性權重和粒子更新方式兩個方面做出了改進, 在選擇特征變量時考慮了各個波段的光譜信息對模型貢獻率的問題[17], 提高了模型的反演精度。

分別以CC分析法、DBPSO和MDBPSO 3種算法篩選的特征因子為自變量構建小麥條銹病嚴重度估測模型時, RF算法構建的模型精度均高于BP神經(jīng)網(wǎng)絡算法, 其中CC-RF、DBPSO-RF、MDBPSO-RF模型預測DI值和實測DI值之間的2V比CC-BP、DBPSO-BP、MDBPSO-BP分別提高了10%、9%、7%, RMSEV分別減少了15%、22%、23%。RF算法比BP神經(jīng)網(wǎng)絡算法更適合于小麥條銹病的遙感探測, 這是因為RF算法對噪聲有較好的容忍度, 反演精度比較高[38]。而BP神經(jīng)網(wǎng)絡算法的網(wǎng)絡權值初始化是隨機的, 而且程序的運行結果和選用的輸入?yún)?shù)均存在差異, 致使其模型精度較低[39], 影響了模型的估測精度。

本文在基于DBPSO和MDBPSO算法利用全波段反射率光譜數(shù)據(jù)提取小麥條銹病遙感探測特征因子時, 并沒有考慮因全波段反射率光譜數(shù)據(jù)量大而導致的運行速度緩慢問題, 如何在利用上述兩種算法進行特征提取前對全波段數(shù)據(jù)進行有效降維處理是下一步要研究的主要內(nèi)容。

冠層光譜數(shù)據(jù)不僅受到病害脅迫的影響, 也受到冠層幾何結構等因素的影響, 本文在利用實驗數(shù)據(jù)建立小麥條銹病遙感探測模型時并未考慮這些問題, 這是本文的不足之處。如何消除葉面積指數(shù)以及冠層幾何結構等因素對冠層光譜數(shù)據(jù)的影響, 提高小麥條銹病的遙感探測精度是一個值得探討的問題。

本研究只比較了CC、DBPSO、MDBPSO三種特征選擇方法和RF、BP神經(jīng)網(wǎng)絡兩種建模算法在小麥條銹病遙感探測中的適用性, 如果使用更多的特征選擇算法或建模算法, MDBPSO-RF是否仍為遙感探測小麥條銹病的最適宜方法還需要進一步的比較。

4 結論

以MDBPSO算法提取的特征因子為自變量利用BP神經(jīng)網(wǎng)絡算法構建的小麥條銹病遙感探測模型預測DI值和實測DI值間的RMSEV比CC分析法和DBPSO算法分別減小了21%和10%, 利用RF算法構建模型預測DI值和實測DI值間的RMSEV比CC法和DBPSO算法分別減小了28%和11%。利用文中3種算法篩選的特征因子為自變量構建小麥條銹病嚴重度估測模型時, RF算法構建的模型精度均高于BP神經(jīng)網(wǎng)絡算法, 其估測DI值與實測DI值間的RMSEV比BP神經(jīng)網(wǎng)絡模型平均減少了20%, 最少減少了15%。因此在構建小麥條銹病遙感探測模型時, MDBPSO算法為特征選擇的適宜算法, RF算法為模型構建的適宜算法。

[1] 董錦繪, 楊小冬, 楊貴軍, 王寶山. 基于近地高光譜信息的小麥條銹病病情指數(shù)反演. 麥類作物學報, 2016, 36: 1674–1680. Dong J H, Yang X D, Yang G J, Wang B S. Inversion of wheat stripe rust disease index based on near ground hyperspectral data., 2016, 36: 1674–1680 (in Chinese with English abstract).

[2] 趙葉, 競霞, 黃文江, 董瑩瑩, 李存軍. 日光誘導葉綠素熒光與反射率光譜數(shù)據(jù)監(jiān)測小麥條銹病嚴重度的對比分析. 光譜學與光譜分析, 2019, 39: 2739–2745. Zhao Y, Jing X, Huang W J, Dong Y Y, Li C J. Comparison of sun-induced chlorophyll fluorescence and reflectance data on estimating severity of wheat stripe rust., 2019, 39: 2739–2745 (in Chinese with English abstract).

[3] Liang D, Liu N, Zhang D Y, Zhao J L, Ding Y W. Discrimination of powdery mildew and yellow rust of winter wheat using high-resolution hyperspectra and imageries., 2017, 46: 50–58.

[4] Zheng Q, Huang W J, Cui X M, Shi Y, Liu L Y. New spectral index for detecting wheat yellow rust using sentinel-2 multispectral imagery.(Basel), 2018, 18: 868–886.

[5] 梁琨, 張夏夏, 丁靜, 徐劍宏, 韓東燊, 沈明霞. 傅里葉中紅外光譜結合稀疏表示分類方法鑒別小麥赤霉病感染等級. 光譜學與光譜分析, 2019, 39: 3251–3255. Liang K, Zhang X X, Ding J, Xu J H, Han D S, Shen M X. Discrimination of wheat scab infection level by Fourier mid-infrared technology combined with sparse representation based classification method., 2019, 39: 3251–3255 (in Chinese with English abstract).

[6] Shi Y, Huang W J, González-Moreno P, Luke B, Dong Y Y, Zheng Q, Ma H Q, Liu L Y. Wavelet-based rust spectral feature set (WRSFs): a novel spectral feature set based on continuous wavelet transformation for tracking progressive host-pathogen interaction of yellow rust on wheat., 2018, 252: 1–19.

[7] Shi Y, Huang W J, Zhou X F. Evaluation of wavelet spectral features in pathological detection and discrimination of yellow rust and powdery mildew in winter with hyperspectral reflectance data., 2017, 11: 1–18.

[8] 蔣金豹, 陳云浩, 黃文江, 李京. 冬小麥條銹病嚴重度高光譜遙感反演模型研究. 南京農(nóng)業(yè)大學學報, 2007, 30(3): 63–67. Jiang J B, Chen Y H, Huang W J, Li J. Study on hyperspectral remote sensing retrieval models about winter wheat stripe rust severity., 2007, 30(3): 63–67 (in Chinese with English abstract).

[9] Wang L, Qu J J. Satellite remote sensing applications for surface soil moisture monitoring: a review.China, 2009, 3: 237–247.

[10] 劉琦, 谷醫(yī)林, 王翠翠, 王睿, 李薇, 馬占鴻. 基于偏最小二乘法的小麥條銹病潛育期冠層高光譜分析. 植物保護學報, 2018, 45: 138–145. Liu Q, Gu Y L, Wang C C, Wang R, Li W, Ma Z H. Canopy hyperspectral features analysis of latent period wheat stripe rust based on discriminant partial least squares., 2018, 45: 138–145 (in Chinese with English abstract).

[11] 黃木易, 黃文江, 劉良云, 黃義德, 王紀華, 趙春江, 萬安民. 冬小麥條銹病單葉光譜特性及嚴重度反演. 農(nóng)業(yè)工程學報, 2004, 20(1): 176–180. Huang M Y, Huang W J, Liu L Y, Huang Y D, Wang J H, Zhao C J, Wan A M. Spectral reflectance feature of winter wheat single leaf infected with stripe rust and severity level inversion., 2004, 20(1): 176–180 (in Chinese with English abstract).

[12] 劉琦, 王翠翠, 王睿, 谷醫(yī)林, 李薇, 馬占鴻. 潛育期小麥條銹菌的高光譜定性識別. 植物保護學報, 2018, 45: 153–160. Liu Q, Wang C C, Wang R, Gu Y L, Li W, Ma Z H. Hyperspectral qualitative identification on latent period of wheat stripe rust., 2018, 45: 153–160 (in Chinese with English abstract).

[13] Yang C, Tan Y L, Bruzzone L, Lu L J, Guan R C. Discriminative feature metric learning in the affinity propagation model for band selection in hyperspectral images., 2017, 9: 782–798.

[14] Kennedy J, Eberhart R. A discrete binary version of the particle swarm algorithm. In: IEEE, eds. International Conference on Systems, Man, and Cybernetics. Florida, USA: Computational Cybernetics and Simulation, 1997. pp 4104–4108.

[15] 沈林成, 霍霄華, 牛軼峰. 離散粒子群優(yōu)化算法研究現(xiàn)狀綜述. 系統(tǒng)工程與電子技術, 2008, 30: 1986–1990. Shen L C, Huo X H, Niu Y F. Survey of discrete particle swarm optimization algorithm., 2008, 30: 1986–1990 (in Chinese with English abstract).

[16] Yin C, Ye Y, Zhao H, Jiang Y Z, Wang H, Shang Y Z, Wang J F. Remote sensing of water quality based on HJ-1A HSI imagery with modified discrete binary particle swarm optimization-partial least squares (MDBPSO-PLS) in inland waters: a case in Weishan Lake., 2018, 44: 21–32.

[17] 張玨, 田海清, 趙志宇, 張麗娜, 張晶, 李斐. 基于改進離散粒子群算法的青貯玉米原料含水率高光譜檢測. 農(nóng)業(yè)工程學報, 2019, 35(1): 285–293. Zhang J, Tian H Q, Zhao Z Y, Zhang L N, Zhang J, Li F. Moisture content detection in silage maize raw material based on hyperspectrum and improved discrete particle swarm., 2019, 35(1): 285–293 (in Chinese with English abstract).

[18] Yang J, Zhang H S, Ling Y, Cheng P. Task allocation for wireless sensor network using modified binary particle swarm optimization., 2014, 14: 882–891.

[19] 王麗愛, 周旭東, 朱新開, 郭文善. 基于HJ-CCD數(shù)據(jù)和隨機森林算法的小麥葉面積指數(shù)反演. 農(nóng)業(yè)工程學報, 2016, 32(3): 149?154. Wang L A, Zhou X D, Zhu X K, Guo W S. Inverting wheat leaf area index based on HJ-CCD remote sensing data and random forest algorithm., 2016, 32(3): 149–154 (in Chinese with English abstract).

[20] 胡小平, 楊之為, 李振岐, 鄧志勇, 柯長華, 漢中地區(qū)小麥條銹病的BP神經(jīng)網(wǎng)絡預測. 西北農(nóng)業(yè)學報, 2000, 9(3): 28?31. Hu X P, Yang Z W, Li Z Q, Deng Z Y, Ke C H. BP neural network prediction of wheat stripe rust in Huazhong region., 2000, 9(3): 28–31 (in Chinese with English abstract).

[21] Rodriguez-Gailano V, Mendes M P, Garcia-Soldadoo M J, Chica-Olmo M, Ribeiro L. Predictive modeling of groundwater nitratepollution using Random Forest and multisource variables related to intrinsic and specific vulnerability: a case study in an agricultural setting (Southern Spain)., 2014, 476: 189–206.

[22] Ashour loo D, Mobasheri M R, Huete A. Developing two spectral disease indices for detection for wheat leaf rust ()., 2014, 6: 4723–4740.

[23] Song L, Guanter L, Guan K, You L, Huete A, Ju W, Zhang Y. Satellite sun-induced chlorophyll fluorescence detects early response of winter wheat to heat stress in the Indian Indo-Gangetic Plains., 2018, 24: 4023–4037.

[24] 競霞, 白宗璠, 高媛, 劉良云. 利用隨機森林法協(xié)同SIF和反射率光譜監(jiān)測小麥條銹病. 農(nóng)業(yè)工程學報, 2019, 35(13): 154–161. Jing X, Bai Z F, Gao Y, Liu L Y. Wheat stripe rust monitoring by random forest algorithm combined with SIF and reflectance spectrum., 2019, 35(13): 154?161 (in Chinese with English abstract).

[25] 陳思媛, 競霞, 董瑩瑩, 劉良云. 基于日光誘導葉綠素熒光與反射率光譜的小麥條銹病探測研究. 遙感技術與應用, 2019, 34: 511?520. Chen S Y, Jing X, Dong Y Y, Liu L Y. Detection of wheat stripe rust using solar-induced chlorophyll fluorescence and reflectance spectral indices., 2019, 34: 511–520 (in Chinese with English abstract).

[26] 孫紅, 鄭濤, 劉寧, 程明, 李民贊, Zhang Q. 高光譜圖像檢測馬鈴薯植株葉綠素含量垂直分布. 農(nóng)業(yè)工程學報, 2018, 34(1): 149?156. Sun H, Zheng T, Liu N, Cheng M, Li M Z, Zhang Q. Vertical distribution of chlorophyll in potato plants based on hyperspectral imaging., 2018, 34(1): 149–156 (in Chinese with English abstract).

[27] 魯軍景, 黃文江, 蔣金豹, 張競成.小波特征與傳統(tǒng)光譜特征預測冬小麥條銹病病情嚴重度的對比研究. 麥類作物學報,2015,35:1456–1461.Lu J J, HuangW J, Jiang J B,Zhang J C. A comparative study on the severity of stripe rust disease in winter wheat estimated by little baud sign and traditional spectral features., 2015, 35: 1456–1461 (in Chinese with English abstract).

[28] 劉新杰. 日光誘導葉綠素熒光的遙感反演研究. 中國科學院大學博士論文, 北京, 2016. pp 17–19. Liu X J. Retrieval of Solar-Induced Chlorophyll Fluorescence by Remote Sensing. PhD Dissertation of University of Chinese Academy of Sciences, Beijing, China, 2016. pp 17–19 (in Chinese with English abstract).

[29] 劉良云. 植被定量遙感原理與應用. 北京: 科學出版社, 2014. pp 146–153 Liu L Y. Principles and Applications of Quantitative Remote Sensing for Vegetation. Beijing: Science Press, 2014. pp 146–153 (in Chinese).

[30] Maier S W, Günther K P, Stellmes M. Sun-induced fluorescence: a new tool for precision farming. In: McDonald M, Schepers J, Tartly L, eds. Digital Imaging Spectral Techniques: Applications to Precision Agriculture Crop Physiology. Madison, USA: American Society of Agronomy, 2003. pp 209–222.

[31] Liu X J, Liu L Y. Improving chlorophyll fluorescence retrieval using reflectance reconstruction based on principal components analysis., 2015, 12: 1645–1649.

[32] Cordon G, Lagorio M G, Paruelo J M. Chlorophyll fluorescence, photochemical reflective index and normalized difference vegetative index during plant senescence., 2016, 199: 100–110.

[33] 曹引, 冶運濤, 趙紅莉, 蔣云鐘, 王浩, 嚴登明. 基于離散粒子群和偏最小二乘的水源地濁度高光譜反演. 農(nóng)業(yè)機械學報, 2018, 49(1): 173–182. Cao Y, Ye Y T, Zhao H L, Jiang Y Z, Wang H, Yan D M. Satellite hyperspectral retrieval of turbidity for water source based on discrete particle swarm and partial least squares., 2018, 49(1): 173–182 (in Chinese with English abstract).

[34] Yang H C, Zhang S B, Deng K Z, Du P J. Research into a feature selection method for hyperspectral imagery using PSO and SVM., 2007, 17: 473–478.

[35] 張繪娟, 張達敏, 閆威, 陳忠云, 辛梓蕓. 異構網(wǎng)絡中基于吞吐量優(yōu)化的資源分配機制. 計算機科學, 2019, 46(10): 109–115. Zhang H J, Zhang D M, Yan W, Chen Z Y, Xin Z Y. Throughput optimization based resource allocation mechanism in heterogeneous networks., 2019, 46(10): 109–115 (in Chinese with English abstract).

[36] 李健麗, 董瑩瑩, 師越, 朱溢佞, 黃文江. 基于隨機森林模型的小麥白粉病遙感監(jiān)測方法. 植物保護學報, 2018, 45: 395–396. Li J L, Dong Y Y, Shi Y, Zhu Y N, Huang W J. Remote sensing monitoring of wheat powdery mildew based on random forest model., 2018, 45: 395–396 (in Chinese with English abstract).

[37] 袁冰清, 程功, 鄭柳剛. BP神經(jīng)網(wǎng)絡基本原理. 數(shù)字通信世界, 2008, 8(17): 28–29. Yuan B Q, Cheng G, Zheng L G. Basic principle of BP neural networks., 2008, 8(17): 28–29 (in Chinese with English abstract).

[38] 姚雄, 余坤勇, 楊玉潔, 曾琪, 陳璋昊, 劉健. 基于隨機森林模型的林地葉面積指數(shù)遙感估算. 農(nóng)業(yè)機械學報, 2017, 48(5): 159–166. Yao X, Yu K Y, Yang Y J, Zeng Q, Chen Z H, Liu J. Estimation of forest leaf area index based on random forest model and remote sensing data., 2017, 48(5): 159–166 (in Chinese with English abstract).

[39] 依爾夏提·阿不來提, 買買提·沙吾提, 白燈莎·買買提艾力, 安申群, 馬春玥. 基于隨機森林法的棉花葉片葉綠素含量估算. 作物學報, 2019, 45: 81–90.Ershat A, Mamat S, Baidengsha M, An S Q, Ma C Y. Estimation of leaf chlorophyll content in cotton based on the random forest approach.,2019, 45: 81–90 (in Chinese with English abstract).

Canopy SIF synergize with total spectral reflectance optimized by the MDBPSO algorithm to monitor wheat stripe rust

BAI Zong-Fan1, JING Xia1,*, ZHANG Teng1, and DONG Ying-Ying2

1College of Geometrics, Xi’an University of Science and Technology, Xi’an 710054, Shaanxi, China;2Institute of Remote Sensing and Digital Earth, Chinese Academy of Science, Beijing 100094, China

In order to extract the characteristic parameters sensitive to wheat stripe rust from total spectral reflectance and improve the operation efficiency and estimation accuracy of the wheat stripe rust remote sensing detection model, this paper improved the traditional discrete binary particle swarm optimization (DBPSO) algorithm from two aspects: inertia weight and particle update method. The modified discrete binary particle swarm optimization (MDBPSO) algorithm was used to select the characteristic parameters for the severity of wheat stripe rust from the total spectral reflectance. The selected characteristic variables were combined with canopy solar-induced chlorophyll fluorescence (SIF) data as independent variables to construct wheat stripe rust estimation model. Random forest (RF) algorithm and back propagation (BP) neural network algorithm were used as model construction method to compare and analyze the accuracy of the feature parameter construction model extracted by the correlation coefficient (CC) analysis method and the DBPSO algorithm. The MDBPSO algorithm had faster convergence speed and higher optimization accuracy than the DBPSO algorithm. The number of iterations before and after the improvement was reduced from 395 to 156. The optimal fitness function (OFV) value decreased from 0.145 to 0.127. When the MDBPSO algorithm was used to select feature variables, the accuracy of the models constructed by the two methods of RF and BP neural networks was higher than that by CC analysis and DBPSO. The validation set determination coefficient (2V) between the predicted disease index (DI) value and the measured DI value of the RF algorithm was 9% and 3% higher than that of the CC analysis method and the DBPSO algorithm, the validation set root mean square error (RMSEV) was reduced by 28% and 11%, respectively. The2Vbetween the predicted disease index (DI) value and the measured DI value of the BP neural network algorithm was 13% and 6% higher than that of the CC analysis method and DBPSO algorithm, respectively, and the RMSEVwas reduced by 21% and 10% respectively. The MDBPSO algorithm can improve the remote sensing detection accuracy of wheat stripe rust. Among the three feature selection algorithms of MDBPSO, DBPSO, and CC analysis, the accuracy of the model constructed by the RF algorithm was higher than that by the BP neural network algorithm. The2Vbetween the predicted DI value and the measured DI value of the RF model was at least 7% higher than that of BP neural network algorithm, with an average increase of 9%; RMSEVhad reduced by at least 15%, with an average reduction of 20%. The MDBPSO-RF model for wheat stripe rust remote sensing detection constructed by RF method using the characteristic parameters selected by the MDBPSO algorithm as independent variables is an appropriate model for wheat stripe rust remote sensing detection. The research results provide new ideas for further realizing large-area high-precision remote sensing monitoring of crop health.

total spectral reflectance; modified particle swarm optimization; solar-induced chlorophyll fluorescence; stripe rust of wheat; feature band

10.3724/SP.J.1006.2020.01004

本研究由國家自然科學基金項目(41601467)資助。

This study was supported by the National Natural Science Foundation of China (41601467).

競霞, E-mail: jingxiaxust@163.com

E-mail: bzf1529@163.com

2020-01-09;

2020-03-24;

2020-04-17.

URL: http://kns.cnki.net/kcms/detail/11.1809.S.20200417.1057.002.html