基于低空遙感與GA-BP神經(jīng)網(wǎng)絡的葡萄葉片含水量估算研究

張 旭， 高何璇， 高曉陽*， 李紅嶺，賈尚云， 唐渲運，2， 楊 梅， 李妙祺， 金 李，2， 李 東

(1.甘肅農(nóng)業(yè)大學機電工程學院，甘肅 蘭州 730070；2.甘肅省葡萄與葡萄酒工程學重點實驗室，甘肅 蘭州 730070；3.甘肅省干旱生境作物學重點實驗室，甘肅 蘭州 730070；4.蘭州銀行網(wǎng)絡金融部，甘肅 蘭州 730000)

葡萄是甘肅的特色水果之一。在葡萄植株生長發(fā)育過程中水是必不可少的營養(yǎng)元素之一，同時也是影響葡萄產(chǎn)量和口感的重要因素。我國西北地區(qū)氣候干旱，降水量稀少，年降水量低于600 mm，且蒸發(fā)量達1 400 mm～3 100 mm。在作物缺水狀態(tài)下葉片出現(xiàn)蜷縮、枯黃和色斑等形狀及顏色的變化，因此葡萄葉片含水量檢測可作為整個葡萄植株是否缺水的參考標準，這既能精準控制灌溉，節(jié)約水資源，又可保證葡萄的產(chǎn)量和口感。

目前無人機遙感技術已經(jīng)逐漸被應用于大田作物長勢和病蟲害的無損檢測[1]。近些年，由于多光譜圖像比普通的相機圖像包含了更多的波段，又可以彌補高光譜儀價格昂貴且攜帶不便的缺點，無人機多光譜遙感技術在檢測農(nóng)作物的水氮、葉綠素含量等方面得到了廣泛應用[2-3]，譬如費浩等利用無人機多光譜研究得出近紅外光譜特征能夠反映植物的綠色程度，而且也是棉花冠層的含水量最敏感的波段[4]。張君等利用機器學習和多光譜技術建立了油菜葉片的含水量與植被指數(shù)之間的支持向量機模型，并且獲得了較好的預測結(jié)果[5]。崔小濤等構建基于油菜葉片的光譜參數(shù)單因素模型、偏最小二乘回歸模型和多元逐步回歸的遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡模型，并且發(fā)現(xiàn)MLSR-GA-BP神經(jīng)網(wǎng)絡模型能準確預測出油菜葉片的SPAD值[6]。李媛媛等基于光譜反射率和玉米和獼猴桃葉片SPAD值，構建回歸模型、主成分回歸模型、偏最小二乘回歸模型與BP神經(jīng)網(wǎng)絡模型，表明BP神經(jīng)網(wǎng)絡對葉綠素具有較好預測能力[7-9]。吳文強等利用PCA、遺傳算法等方式優(yōu)化了BP神經(jīng)網(wǎng)絡，并建立預測反演模型[10-13]。高振宇等將多光譜與神經(jīng)網(wǎng)絡、深度學習結(jié)合起來，在圖像融合識別算法方面做了更深層次的研究[14-18]。SalahEl-Hendawy等將改良后的光譜反射率應用于小麥的光合作用的檢測中，表現(xiàn)出了較好的估算能力[19]。Anita Prinzie 等對于隨機森林分類器的研究中，提出了RF、RMNL和RNB分類器的預測性能優(yōu)于SVM分類器，也可作為建模方法上的選擇[20]。Muharam等引入隨機森林AdaBoost算法作為優(yōu)化算法，利用紅色、歸一化植被指數(shù)(NDVI)、比率植被指數(shù)(RVI)、紅色邊緣動態(tài)范圍植被指數(shù)(REWDRVI)和紅色邊緣調(diào)整植被指數(shù)(RESAVI)，評估出植物最佳的生長階段[21]。Xu Rui等研究開發(fā)了一種可用于植物表型和精度交叉管理的多傳感器設計系統(tǒng)，并重新設計了校正方法，對多光譜和熱校準方法進行評估時取得較滿意的結(jié)果[22]。

截止目前，利用無人機搭載多光譜相機以及運用光譜參數(shù)預測葡萄含水量反演模型的研究鮮見報道。為此，本文在甘肅武威涼州區(qū)的威龍葡萄莊園對不同灌溉制度的兩塊試驗田進行了實驗研究，旨在探求葡萄葉片含水量與光譜信息之間的關系，并且通過含水量與光譜影像回歸分析和相關性分析，利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡建立其估算模型，實現(xiàn)對葡萄葉片的無損檢測，推動科學節(jié)水灌溉和決策管理。

1 材料與方法

1.1 試驗區(qū)概況

試驗區(qū)位于甘肅省武威市涼州區(qū)的威龍葡萄莊園(37°53′24″N，102°48′18″E)，海拔高度為1 543 m左右，年平均氣溫在4～15 ℃，年平均降水量在150～200 mm之間，屬于溫帶大陸性氣候，雨熱同期，四季分明，光照充足，降水大多集中在6～8月份。

試驗地葡萄的生長成熟分為四4個時期，萌芽期(5月中旬～6月中旬)，開花期(6月中旬～7月中旬)，果實膨大期(7月中旬～8月中旬)，著色期(8月中旬～9月中旬)，由于甘肅省武威市的氣溫相較于其他地區(qū)的氣溫稍低，因此同一時期較其他地區(qū)推遲15天左右。利用無人機搭載多光譜相機獲取試驗田的葡萄冠層的多光譜影像，同時采集100個樣本點測量其實際含水量，作為反演模型的參考基準值。

1.2 試驗設計

1.2.1 試驗處理

本試驗選取了一塊24列的葡萄田，葡萄行間間隔5 m，每行共有16個葡萄植株，同一行的葡萄植株的株距為5 m。將葡萄葉片含水量劃分等級，利用控制澆水頻率的方法控制含水量，第1行至第8行葡萄為A組，澆水頻率為普通葡萄的1/3，即每周澆水一次，第9行至第16行葡萄為B組，澆水頻率為普通葡萄的2/3，即每周澆水兩次；第17至24行的葡萄為C組，澆水正常每周三3次。

1.2.1 多光譜影像采集

本試驗使用大疆M200四旋翼無人機(如圖1所示)搭載RedEdge-M多光譜相機(如圖2所示)采集多光譜影像數(shù)據(jù)。RedEdge-M多光譜相機的紅(R)，綠(G)，藍(B)，近紅(NIR)，紅邊(RE)五5個通道的波段見表1。

表1 多光譜相機的波段分布

圖1 大疆無人機M200

圖2 RedEdge-M多光譜相機

M200無人機每次拍攝是在陽光充足的10點至14點進行，設定無人機飛行高度為50 m，多光譜相機的起始拍攝高度為45 m，拍攝時間間隔為2 s，拍攝前手動進行無人機航線規(guī)劃，然后使用Pix4D mapper軟件進行光譜圖像的拼接，并利用矯正板進行矯正處理，得到五段多光譜影像圖，通過指數(shù)計算器得到歸一化光譜反射率。地圖規(guī)劃航線和5段光譜影像如圖3所示。

圖3 Pix4D mapper 拼接圖像

1.2.2 樣本采集

本研究選擇的試驗田的葡萄行間距為5 m，每行種植有葡萄16株，株間距5 m。采樣實驗選用隔行采樣法，每行中選取8個1 m×1 m的實驗樣本小區(qū)，每株取4片冠層葉片作為一個樣本點。在采集光譜影像的同一天將樣本葉片采回實驗室，用精度為0.000 1 g的電子稱測量鮮重，每個樣本稱重3次并記錄。然后將葉片晾曬處理，曬干的葉片用烘干機干燥8小時后測量其干重。葡萄葉片的含水量計算式為：

(1)

1.3 建模

1.3.1 神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是由輸入層、隱含層、輸出層等組成。給定訓練集D={(x1，y1)，(x2，y2)…(xn，yn)}，其中xn∈Rd，yn∈Rl表示輸入d維實值變量，輸出l維實值變量。BP神經(jīng)網(wǎng)絡根據(jù)每次網(wǎng)絡訓練的結(jié)果與預測的結(jié)果進行比較，反復修改網(wǎng)絡的權值和閾值，以達到輸出與預測結(jié)果一致的模型。神經(jīng)元拓撲結(jié)構網(wǎng)絡中，對于第i個神經(jīng)元，x1、x2…xj為神經(jīng)元的輸入自變量。w1、w2…wj為連接權值，調(diào)節(jié)各個輸入量所占的比重。選取一種將信號結(jié)合輸入到神經(jīng)元的方式即線性加權求和可得神經(jīng)元凈輸入Neti：

(2)

根據(jù)生物神經(jīng)學原理，當神經(jīng)元接收到的信號達到閾值θj時才會被激活，因此，將Netin與θj進行比較后利用激活函數(shù)產(chǎn)生神經(jīng)元輸出，得到的輸出y為：

yi=f(Netin-θj)

(3))

圖4 神經(jīng)網(wǎng)絡

(4))

進而根據(jù)這個誤差調(diào)整[(d+l+1)×q+l]個參數(shù)的值，進一步縮小誤差Ek。

1.3.2 遺傳算法

遺傳算法(Genetic Algorithm)是一種根據(jù)生物遺傳和進化論而形成的一種最優(yōu)并行隨機搜索算法，是“生存+檢測”的迭代搜索算法。遺傳算法將“優(yōu)勝劣汰，適者生存”的進化原理引入優(yōu)化參數(shù)的編碼串聯(lián)群體中，根據(jù)所選擇的適應度函數(shù)，通過選擇、交叉以及變異操作保留適應度最優(yōu)的個體即染色體，新的群體繼承上一代群體的信息又優(yōu)于上一代，反復循環(huán)直至滿足條件。

GA優(yōu)化的BP神經(jīng)網(wǎng)絡包括確定神經(jīng)網(wǎng)絡，遺傳算法的優(yōu)化以及神經(jīng)網(wǎng)絡預測等。神經(jīng)網(wǎng)絡的確定是根據(jù)擬合函數(shù)的輸入輸出參數(shù)確定的，進而確定遺傳算法染色體的長度。遺傳算法優(yōu)化是利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的權值和閾值，每個染色體都有一個權值和閾值，通過適應度函數(shù)計算每個染色體的適應度值(適值)，遺傳算法再通過選擇、交叉和變異操作選擇適值最優(yōu)的個體。神經(jīng)網(wǎng)絡預測是利用遺傳算法選擇的最優(yōu)個體對網(wǎng)絡初始權值和閾值進行賦值，經(jīng)過訓練后得到預測函數(shù)輸出。

2 建模評估

2.1 建立GA-BP神經(jīng)網(wǎng)絡模型

本文擬合的非線性函數(shù)葡萄葉片含水量反演模型有5個輸入?yún)?shù)，即紅、綠、藍、近紅和紅邊5個波段，1個輸出參數(shù)，即葡萄葉片含水量，所以網(wǎng)絡的結(jié)構為5-5-1，即有5個輸入節(jié)點，5個隱含層，1個輸出節(jié)點。共有5×5+5×1=30個權值，5+1=6個閾值，所以遺傳算法個體的編碼長度為30+6=36。本文選擇的遺傳算法參數(shù)和BP神經(jīng)網(wǎng)絡參數(shù)見表2。

表2 遺傳算法參數(shù)和BP神經(jīng)網(wǎng)絡算法參數(shù)

在測得的100組數(shù)據(jù)中隨機選取70組作為建模數(shù)據(jù)組，即模型訓練數(shù)據(jù)組；其余的30組作為測試數(shù)據(jù)組。由于訓練樣本數(shù)據(jù)范圍較大，因此采用MATLAB首先對輸入和輸出數(shù)據(jù)進行歸一化處理至同一量級，建模訓練樣本值歸一化范圍在(0.1，0.9)之間。把訓練數(shù)據(jù)預測誤差的絕對值之和作為GA的個體適應度值，適應度值越小，個體越優(yōu)。部分樣本點用于訓練模型的數(shù)據(jù)見表3。

表3 部分建模訓練數(shù)據(jù)

選定遺傳算法和神經(jīng)網(wǎng)絡的參數(shù)，基于無人機多光譜的葉片含水量BP-神經(jīng)網(wǎng)絡反演模型如圖5所示。

圖5 含水量反演模型神經(jīng)網(wǎng)絡

2.2 模型精確度的評估

在GA-BP神經(jīng)網(wǎng)絡模型結(jié)構確定后，以70組樣本數(shù)據(jù)進行網(wǎng)絡訓練調(diào)優(yōu)擬合，當參考網(wǎng)絡輸出值與目標參考值的相關性達到最佳效果后停止。基于GA-BP神經(jīng)網(wǎng)絡和多光譜的葡萄葉片含水量模型相關度如圖6(a)所示，由圖可知，基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡的葉片含水量模型中，網(wǎng)絡輸出值與目標參考值的相關性較高，相關系數(shù)達到了0.769 82。根據(jù)圖6(b)訓練模型誤差達到0.008 289 4，可作為訓練的最終模型，葡萄葉片含水量的反演模型精度較高。

采用其余的30組葡萄葉片數(shù)據(jù)對反演值和參考值進行模型仿真驗證。將30組葡萄葉片樣本的5個波段圖像的反射率代入反演模型計算出玉米葉片含水量的反演值，與其參考值的結(jié)果對比如圖6(c)所示。根據(jù)圖6(c)中的反演值和參考值繪制仿真結(jié)果的相關關系如圖6(d)所示，反演模型的預測值與實際測量值的相關性較高，相關系數(shù)達0.814 6，由此可見遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡建立的含水量反演模型有很好的預測效果，且預測結(jié)果較為準確，可用于對葡萄葉片含水量的無損快速準確的檢測，以滿足現(xiàn)代農(nóng)業(yè)的檢測要求。

圖6 葡萄葉片含水量與光譜波段神經(jīng)網(wǎng)絡模型信息

3 結(jié)論

以100組不同含水量水平的葡萄葉片實測數(shù)據(jù)為基準，利用無人機和多光譜相機得到其光譜指數(shù)數(shù)據(jù)，利用Pix4D mapper拼接整個區(qū)域數(shù)據(jù)，選用該軟件的光譜指數(shù)計算器計算其5段光譜反射率指數(shù)。通過遺傳算法優(yōu)化神經(jīng)網(wǎng)絡建立了葡萄葉片含水量的反演模型，實現(xiàn)了對葡萄葉片含水量的無損快速檢測。在100個含水量樣本中，隨機選取70組樣本作為神經(jīng)網(wǎng)絡的訓練集構建反演模型，剩余30組樣本作為網(wǎng)絡測試集。實驗結(jié)果表明經(jīng)過遺傳算法改進后的反演模型，網(wǎng)絡輸出值與目標參考值的相關系數(shù)達到了0.769 82，模型誤差為0.008 289 4，反演模型的精度較高。對剩余30組樣本的反演驗證，反演值與參考值的一致性也較高，相關系數(shù)達到0.814 6，本文采取遺傳算法改進的神經(jīng)網(wǎng)絡進行訓練，實現(xiàn)了低空遙感多光譜葡萄葉片含水量反演模型及快速檢測，為西北干旱區(qū)的葡萄種植提供了灌溉決策依據(jù)。今后還需要進一步探索研究其他建模方法。