基于機器學習的水稻地上生物量遙感反演

李武岐 徐峰 楊豐栓 董霞 周華

摘 要：地上生物量是水稻重要的生理生化參數(shù)，其估測模型對長勢監(jiān)測、產(chǎn)量估計等具有重要的意義。高光譜遙感技術具有光譜分辨率高、蘊含信息豐富、高效無損的特點，能夠大范圍精準監(jiān)測作物生長信息，在現(xiàn)代化農(nóng)業(yè)中得到了廣泛的應用。本文基于ASD FieldSpec 4光譜輻射計獲取的水稻的冠層光譜反射率數(shù)據(jù)，通過光譜轉(zhuǎn)換獲得其紅邊參數(shù)、植被指數(shù)等參數(shù)，利用K近鄰回歸（KNN）、支持向量機（SVM）、隨機森林（RF）等方法開展水稻生物量估測研究，實驗結果表明：其中RF建模集精度最高：R2為0.98，RMSE為94.6g·m-2，CV為11.7%，驗證集精度：R2為0.89，RMSE為194.1g·m-2，CV為23.5%，且三種機器學習建模的精度R2均高于0.86，達到較好的反演效果。

關鍵詞：地上生物量;水稻;光譜反射率;紅邊參數(shù);植被指數(shù)

中圖分類號：S127 文獻標識碼：A 文章編號：1671-2064（2020）12-0228-02

0研究背景

水稻是我國的主要糧食作物之一，水稻的產(chǎn)量是人們關心的重點問題，而水稻地上生物量（AGB，Above ground Biomass）是水稻的長勢監(jiān)測、產(chǎn)量估計等的重要指標。傳統(tǒng)的水稻生物量測算方法需要人工在田間采集水稻樣本，直接采集物理樣品進行實測，這種方法具有客觀準確的特點;但是，該方法成本高，耗時費力，會造成部分水稻被破壞，無法滿足精準農(nóng)業(yè)實時快速、大面積的估測需求。近年來，遙感技術的飛速發(fā)展，多尺度、高光譜以及多觀測角度的遙感數(shù)據(jù)能夠更實時、準確、高效地反映農(nóng)作物的長勢信息，使用遙感技術的非破壞性或非侵入性方法可以有效避免傳統(tǒng)方法的問題，從而更好地為生物量進行估測。本文以ASD FieldSpec 4光譜輻射計獲取的水稻的冠層反射率為數(shù)據(jù)源，提取紅邊參數(shù)、植被指數(shù)，基于K近鄰、支持向量機和隨機森林進行回歸分析，構建多品種水稻生物量反演模型。

1研究區(qū)與數(shù)據(jù)

1.1研究區(qū)

研究區(qū)位于湖北省鄂州市試驗基地（30°22′22.27″N， 114°45′7.03″E），位于湖北省東部，長江中游南岸，屬于亞熱帶季風氣候區(qū)，夏季高溫多雨，適宜水稻生長。2019年6月至9月試驗區(qū)布設4個移栽水稻田塊，土壤為水稻土，施肥均相等且適量，選取48個品種作為采樣對象。水稻采用雙行種植，行列間距40cm，移栽密度為20000兜/畝。

1.2數(shù)據(jù)獲取

實驗使用美國ASD公司生產(chǎn)的ASD FieldSpec4便攜式地物光譜儀測得水稻冠層高光譜數(shù)據(jù)和人工采樣獲得AGB實測數(shù)據(jù)。其中利用ASD高光譜數(shù)據(jù)通過光譜變換提取水稻生物量相關參量，構建基于機器學習的水稻生物量反演模型。

1.2.1 ASD高光譜數(shù)據(jù)

水稻冠層高光譜數(shù)據(jù)使用美國ASD公司生產(chǎn)的ASD FieldSpec4便攜式地物光譜儀測得，該儀器可用于測量反射率、透射率、輻射亮度或輻射照度等參數(shù)，其測量波段范圍為350nm～2500nm，在350nm～1000nm范圍內(nèi)光譜分辨率為3nm;1000nm～2500nm范圍內(nèi)為8nm。選擇在晴朗無云、風速較小且太陽角較小的情況下進行測量（一般在10時～14時），每個小區(qū)重復測量五條光譜，取其平均值作為一條光譜樣本。獲取的ASD數(shù)據(jù)使用ViewSpecPro軟件進行處理得到不同時間的光譜樣本。

1.2.2 水稻地上生物量獲取

實驗使用的水稻地上生物量（AGB）是在光譜測量的同時，通過實地采集48個小區(qū)的樣本，進行實測得到。每個小區(qū)采集5兜所有水稻的地上部分（含莖、葉和穗），作為一個樣本。首先在120℃高溫條件下殺青1h，再在80℃恒溫條件下烘烤24h至恒重，稱其重量并記錄，最后，通過種植密度計算每平方米的地上生物量（g/m2）。

2研究方法

本論文主要探究植被指數(shù)、紅邊參數(shù)在水稻地上生物量估算中的表現(xiàn)。為了減弱環(huán)境因素引起的光譜噪聲，我們使用S_G濾波算法對每條樣本進行平滑處理。提取紅邊參數(shù)和光譜偏角。

2.1植被指數(shù)

根據(jù)地上生物量遙感反演的相關文獻，結合ASD高光譜數(shù)據(jù)的波段特點，反演水稻生長狀態(tài)參數(shù)的關鍵波段有400nm～500nm、525nm～600nm、640nm～690nm、720nm～730nm以及800nm處的近紅外波段。我們依據(jù)水稻冠層光譜變化的特性，選擇9種有明確意義的植被指數(shù)與AGB進行相關分析，從而建立估算模型。其中相關波段位置的選取分別為近紅外波段（NIR）800nm，紅光波段（Red）670nm，綠光波段（Green）550nm，紅邊波段（Red edge）720nm的光譜反射率，植被指數(shù)計算方法如表1。

2.2紅邊參數(shù)

利用公式（1）計算ASD光譜反射率的一階導數(shù)，在波長680nm～750nm范圍內(nèi)確定紅邊參數(shù)。紅邊參數(shù)主要包括：

紅邊位置：波長區(qū)間一階導數(shù)最大值所對應的波長位置處。

紅邊峰值：波長區(qū)間的光譜一階導數(shù)的最大值。

紅邊面積：波長區(qū)間的一階導數(shù)所包圍的光譜積分面積。

3機器學習模型構建

對ASD高光譜數(shù)據(jù)利用KNN、SVR、RF三種機器學習回歸模型估算AGB時，利用模型的決定系數(shù)（coefficient of determination，R2）、均方根誤差（root-mean-square error， RMSE）和變異系數(shù)（Coefficient of Variation，CV）作為估測模型的評價指標。表2為機器學習回歸建模與驗證的精度：其中RF建模集精度最高：R2為0.98，RMSE為94.6g·m-2，CV為11.7%，驗證集精度：R2為0.89，RMSE為194.1g·m-2，CV為23.5%。

圖1是三種機器學習模型的預測效果，通過對比分析，其中RF模型預測擬合點均勻分布在y=x附近，大部分點均在最優(yōu)擬合范圍內(nèi)，體現(xiàn)了RF模型具備較好的泛化能力。KNN模型估算結果也較接近1∶1線，但在中高AGB區(qū)易發(fā)生偏估現(xiàn)象。

4結語

該試驗通過對ASD高光譜數(shù)據(jù)進行S_G濾波的預處理及光譜變換，提取了光譜植被指數(shù)、紅邊參數(shù)等特征，構建了三種機器學習反演生物量的模型，對水稻估產(chǎn)和水稻生物量估算模型的構建具有一定的指導意義。