多遙感光譜指標(biāo)結(jié)合進(jìn)行大田冬小麥葉片葉綠素含量估測研究

韓振強,李衛(wèi)國,,張曉東,李 偉,馬廷淮,張 宏,姚永勝

(1．江蘇大學(xué)農(nóng)業(yè)工程學(xué)院,江蘇鎮(zhèn)江212013;2.江蘇省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所,江蘇南京210014;3.江蘇大學(xué)流體機械工程技術(shù)研究中心,江蘇鎮(zhèn)江 212013;4.南京信息工程大學(xué),江蘇南京210044)

葉片葉綠素含量是農(nóng)作物生長過程中的重要理化參數(shù),對農(nóng)作物光合能力、生長態(tài)勢、肥水豐缺等具有較好指示作用[1]。小麥?zhǔn)俏覈饕Z食作物之一,其高產(chǎn)穩(wěn)產(chǎn)對國家糧食安全和人民生活水平提高具有重要意義。準(zhǔn)確、快速獲取葉片葉綠素含量有助于實時掌握小麥的營養(yǎng)和長勢狀況,為田間管理提供科學(xué)依據(jù)[2]。傳統(tǒng)獲取葉片葉綠素含量的方法或需野外人工采樣結(jié)合室內(nèi)定量測試,或利用葉綠素儀實地進(jìn)行人工測定,這些方法均費時費力,難以獲取大面積作物的葉片葉綠素含量信息[3-4]。遙感技術(shù)具有覆蓋范圍廣、動態(tài)、連續(xù)監(jiān)測等優(yōu)點,已被廣泛應(yīng)用于農(nóng)作物長勢監(jiān)測、產(chǎn)量估算、病蟲害預(yù)測等方面[5-6],也為農(nóng)作物葉片葉綠素含量估測提供了新方法。在遙感光譜波段中紅光和近紅外對綠色農(nóng)作物敏感,蘊含了大量與葉片葉綠素含量相關(guān)的光譜信息,已有較多學(xué)者進(jìn)行了大量研究。如魏青等[7]利用無人機多光譜數(shù)據(jù)構(gòu)建植被指數(shù),并與冬小麥葉片葉綠素含量(winter wheat leaf chlorophyll content,WWLCC)進(jìn)行相關(guān)性分析,建立WWLCC的關(guān)鍵生育時期估測模型;楊峰等[8]通過比較多種植被指數(shù)與作物葉面積指數(shù)和葉片葉綠素密度的相關(guān)性,利用線性回歸建立了作物葉片葉綠素密度估算模型;陳曉娜等[9]利用線性擬合方法,分別構(gòu)建了基于敏感波段和植被指數(shù)的WWLCC估測模型;Schlemmer等[10]將玉米葉片高光譜反射率進(jìn)行導(dǎo)數(shù)處理計算NDVI,基于多元線性回歸實現(xiàn)對玉米葉綠素含量的有效估測;Shen等[11]建立偏最小二乘回歸模型對WWLCC進(jìn)行估測。有學(xué)者嘗試采用圖像處理的方法估測WWLCC,如苑迎春等[12]利用圖像分割算法提取顏色特征參數(shù)進(jìn)而對WWLCC估測,但未用于大田估測。前述研究主要是通過分析單個或少量幾個遙感光譜指標(biāo)和葉片葉綠素含量之間的關(guān)系,利用線性回歸方法實現(xiàn)對葉綠素含量的快速估測。葉片葉綠素含量與多個光譜反射率和植被指數(shù)(本文統(tǒng)稱為遙感光譜指標(biāo))之間存在多重關(guān)系,利用單一或少量遙感光譜指標(biāo)進(jìn)行葉片葉綠素含量估測雖然具有建?？旖?、簡單的特點,但所建模型在不同區(qū)域的通用性較差。

近年來,機器學(xué)習(xí)方法在遙感反演上的應(yīng)用較廣泛,如BP神經(jīng)網(wǎng)絡(luò)在作物生長參數(shù)反演、作物產(chǎn)量估算、作物病蟲害預(yù)測等方面取得較好應(yīng)用效果[13-15]。有關(guān)將多個遙感光譜指標(biāo)和BP神經(jīng)網(wǎng)絡(luò)結(jié)合進(jìn)行大田冬小麥葉片葉綠素含量(WWLCC)估測的研究少有報道。本研究通過在江蘇省連云港市東?？h、鹽城市大豐區(qū)和泰州市泰興市分別布置WWLCC估測試驗,在獲取冬小麥冠層葉片紅光波段反射率(BRred)、近紅外波段反射率(BRnir)和WWLCC的基礎(chǔ)上,根據(jù)波段反射率(BRred、BRnir)和多個植被指數(shù)(NDVI、DVI、RVI、SAVI、MSR、RDVI、EVI2和NLI)與WWLCC之間的相關(guān)性,篩選遙感光譜指標(biāo),并基于這些遙感光譜指標(biāo)建立WWLCC的BP神經(jīng)網(wǎng)絡(luò)估測模型,以期形成WWLCC有效估測的新方法,為大田冬小麥生長監(jiān)測以及水肥管理提供輔助支持。

1 材料和方法

1.1 試驗區(qū)概況和數(shù)據(jù)獲取

在江蘇省連云港市東?？h、鹽城市大豐區(qū)和泰州市泰興市分別布置冬小麥葉片葉綠素含量(WWLCC)估測試驗。2022年3月24日至28日(冬小麥拔節(jié)期),用Juno ST(美國)手持GPS儀在東?？h、大豐區(qū)和泰興市三個試驗區(qū)定位,各選擇30個試驗樣點(共90個)進(jìn)行數(shù)據(jù)獲取。4月15日(冬小麥抽穗期),在泰興市進(jìn)行相同定位試驗樣點獲取數(shù)據(jù)。每個試驗樣點間隔約1～2 km,田間冬小麥長勢良好,施肥、灌溉等管理措施與當(dāng)?shù)爻Ｒ?guī)冬小麥田相同。試驗點田塊面積不少于62 500 m2(250 m×250 m),且土壤肥力均勻。冬小麥供試品種為蘇麥13、蘇麥18和蘇麥9023,播種方式為撒播。在天氣晴朗、風(fēng)力較小的天氣情況下,于10:00-14:00期間,在每個試驗樣點田塊中間位置用GreenSeeker(美國)光譜儀,采用梅花線對角法分別測量冬小麥冠層BRred和BRnir,重復(fù)測量5次,計算平均值作為單個試驗樣點的光譜信息數(shù)據(jù)。為避免測量時太陽高度角的變化對光譜信息采集造成的誤差,每隔10 min使用白板進(jìn)行一次校正。WWLCC的測量是利用SPAD-502Plus葉綠素儀(日本),對冬小麥植株冠層的上、中、下部分所有葉片分別進(jìn)行測量獲取SPAD(soil and plant analyzer develotrnent)值,將三個部位測量值的平均值作為該植株的葉片葉綠素含量,再測量5株得出平均值作為每個試驗樣點的WWLCC(%)。

1.2 植被指數(shù)計算

利用Green Seeker光譜儀在試驗區(qū)樣點測得冬小麥冠層BRred(Red band reflectance)和BRnir(Near infrared band reflectance)并計算八個植被指數(shù)(NDVI,normalized difference vegetation index;DVI,differential vegetation index;RVI,ratio vegetation index;SAVI,soil adjusted vegetation index;MSR,modified simple ratio vegetation index;RDVI,renormalization difference vegetation index;EVI2,enhanced vegetation index of type II;NLI,nonlinear vegetation index)[16-17]。計算公式如下:

NDVI=(BRnir-BRred)/(BRnir+BRred)

(1)

RVI=BRnir/BRred

(2)

DVI=BRnir-BRred

(3)

SAVI=[(BRnir-BRred)/(BRnir+BRred+Y)](1+Y)

(4)

(5)

(6)

EVI2=2.5(BRnir-BRred)/(BRnir+BRred+1)

(7)

NLI=(BRnir2-BRred)/(BRnir2+BRred)

(8)

式中,Y為土壤調(diào)節(jié)系數(shù),取值范圍為0～1,當(dāng)Y=0.5時可以將綠色植被中土壤變化和植被冠層干擾降至最低。

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)由輸入層、中間層(也稱隱含層)和輸出層組成,輸入層和輸出層是單層,隱含層是多層。各層神經(jīng)元僅與相鄰層神經(jīng)元之間相互全連接,同層內(nèi)神經(jīng)元之間無連接,各層神經(jīng)元之間無反饋連接。訓(xùn)練開始時,為避免奇異樣本數(shù)據(jù)對輸出結(jié)果影響,加快訓(xùn)練網(wǎng)絡(luò)收斂,需先將輸入數(shù)據(jù)進(jìn)行歸一化處理,使數(shù)據(jù)范圍位于[0,1]區(qū)間[18]。計算公式為:

y=(x-Min)/(Max-Min)

(9)

y=(x-μ)/σ

(10)

y=log10x

(11)

式中,y為歸一化后的數(shù)據(jù),x為原始數(shù)據(jù),Min為數(shù)據(jù)最小值,Max為數(shù)據(jù)最大值,μ為數(shù)據(jù)均值,σ為數(shù)據(jù)標(biāo)準(zhǔn)差。

處理后的數(shù)據(jù)從輸入層經(jīng)過隱含層,最后到達(dá)輸出層,若輸出層的數(shù)值未到達(dá)期望輸出數(shù)值,計算輸出層的誤差變化值后,將誤差進(jìn)行反向傳播,然后依次調(diào)節(jié)隱含層到輸出層和輸入層到隱含層的權(quán)重和偏置,直到輸出數(shù)值滿足期望輸出數(shù)值后,將模型估測值輸出。輸出之前需要對數(shù)據(jù)進(jìn)行反歸一化處理,反歸一化處理即歸一化處理的逆運算。計算公式為:

x1=y1(Max-Min)+ Min

(12)

x1=σ×y1+μ

(13)

x1=10y1

(14)

式中,x1為反歸一化處理后的估測值,y1為反歸一化處理前的估測值。

本研究通過構(gòu)建三層BP網(wǎng)絡(luò)(即1個隱含層)對WWLCC進(jìn)行估測。隱含層節(jié)點數(shù)對所建的神經(jīng)網(wǎng)絡(luò)估測模型的精度影響很大,隱含層節(jié)點數(shù)確定依據(jù)前人研究方法[19-20]。計算公式如下:

(15)

m=log2n

(16)

(17)

式中,m為隱含層節(jié)點數(shù),n為輸入層節(jié)點數(shù),l為輸出層節(jié)點數(shù),α為1～10之間的常數(shù)。

1.4 模型構(gòu)建與精度驗證

利用統(tǒng)計軟件對10個遙感光譜指標(biāo)(BRred、BRnir、NDVI、DVI、RVI、SAVI、MSR、RDVI、EVI2和NLI)與WWLCC的相關(guān)性進(jìn)行分析,選擇其中相關(guān)性相對較好的遙感光譜指標(biāo)作為輸入變量,并利用東?？h和大豐區(qū)拔節(jié)期60個試驗樣點數(shù)據(jù)建立葉片葉綠素含量BP神經(jīng)網(wǎng)絡(luò)估測模型(WWLCCBP)。建模完成后,分別將泰興市拔節(jié)期和抽穗期的各30個試驗區(qū)樣點數(shù)據(jù)輸入到WWLCCBP估測模型計算WWLCC的估測值。然后將估測值和對應(yīng)試驗區(qū)樣點實測值進(jìn)行線性擬合,采用r2(coefficient of determination)、RMSE(root mean square error)和ARE(average relative error)作為估測模型的精度評價指標(biāo),R2值越大,RMSE和ARE值越小,WWLCC估測模型的估測精度越高。r2、RMSE和ARE的計算公式如下:

(18)

(19)

(20)

1.5 影像數(shù)據(jù)獲取與預(yù)處理

高分六號衛(wèi)星(GF6/WFV)遙感影像數(shù)據(jù)于中國資源衛(wèi)星應(yīng)用中心下載(http://www.cresda.com/)。GF6/WFV衛(wèi)星配置多光譜中分辨率相機,觀測幅寬為800 km,空間分辨率為16 m×16 m。影像獲取時間為2022年3月28日,在遙感影像處理軟件中對下載的衛(wèi)星遙感影像進(jìn)行輻射定標(biāo)、大氣校正、幾何校正和影像裁剪等預(yù)處理[21]。

2 結(jié)果與分析

2.1 多遙感光譜指標(biāo)和WWLCC之間的相關(guān)性

對60個建模試驗樣點的BRred、BRnir、NDVI、DVI、RVI、SAVI、MSR、RDVI、EVI2和NLI等10個遙感光譜指標(biāo)與WWLCC進(jìn)行相關(guān)分析,結(jié)果(表1)表明,不同遙感光譜指標(biāo)與WWLCC之間的相關(guān)性存在差異。其中,BRred與WWLCC呈負(fù)相關(guān),其他遙感光譜指標(biāo)與WWLCC均呈正相關(guān)。10個遙感光譜指標(biāo)中,BRnir與WWLCC之間的相關(guān)程度最低,相關(guān)系數(shù)為0.424;NDVI與WWLCC之間相關(guān)程度最高,相關(guān)系數(shù)為0.634。遙感光譜指標(biāo)與WWLCC之間的相關(guān)系數(shù)絕對值表現(xiàn)為NDVI>MSR>NLI>BRred>RVI>SAVI>RDVI=EVI2>DVI>BRnir。本研究選擇相關(guān)系數(shù)絕對值大于0.55的前5個遙感光譜指標(biāo)(NDVI、MSR、NLI、BRred和RVI)作為構(gòu)建模型的輸入變量。

表1 遙感光譜指標(biāo)與WWLCC之間的相關(guān)系數(shù)(n=60)Table 1 Correlation coefficients between remote sensing spectral indices and leaf chlorophyll contentof winter wheat(n=60)

2.2 WWLCC的BP神經(jīng)網(wǎng)絡(luò)估測模型建立

以優(yōu)選出來的5個遙感光譜指標(biāo)(NDVI、MSR、NLI、BRred和RVI)作為輸入變量,WWLCC作為輸出變量,利用東?？h和大豐區(qū)60個試樣點數(shù)據(jù)建立WWLCC的BP神經(jīng)網(wǎng)絡(luò)估測模型(WWLCCBP)。在模型訓(xùn)練時,用trainlm函數(shù)作為訓(xùn)練函數(shù),用tansig函數(shù)作為隱含層激活函數(shù),用purelin函數(shù)作為輸出層函數(shù)[22]。結(jié)合公式(15)、(16)和(17),可確定隱含層節(jié)點數(shù)的范圍為3～9。不同隱含層節(jié)點數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型估測WWLCC有不同結(jié)果,且r2和RMSE的值不同,因而需要先確定最佳隱含層節(jié)點數(shù)。

從所建WWLCC估測模型的r2和RMSE值(表2)看,隱含層節(jié)點數(shù)對WWLCC估測模型的精度有較大的影響。隨著隱含層節(jié)點的增加,r2呈先增后減的趨勢,RMSE呈先減后增的趨勢。當(dāng)隱含層節(jié)點數(shù)為7時,估測模型的r2達(dá)到最大,為0.839,且RMSE最小,為5.39。因此,確定最佳隱含層節(jié)點數(shù)為7,對應(yīng)的模型結(jié)構(gòu)為5-7-1。估測模型的隱含層權(quán)重和偏差見表3。

表2 不同隱含層節(jié)點數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型對WWLCC的估測精度Table 2 Estimation accuracy of leaf chlorophyll content of winter wheat by BP neural network model with different hidden layer nodes

表3 WWLCC的BP神經(jīng)網(wǎng)絡(luò)估測模型的權(quán)重和偏差Table 3 Weight and deviation of winter wheat leaf chlorophyll content estimation model based on BP neural network

WWLCC估測模型(WWLCCBP,%):

WWLCC=-0.42×Y1+0.8×Y2+0.4×Y3-0.82×Y4-0.31×Y5+0.98×Y6+0.58×Y7-0.44

(21)

(22)

Xi=BRred×w1i+NDVI×w2i+RVI×w3i+MSR×w4i+NLI×w5i+bi

(23)

式中,Yi和Xi分別為隱含層第i個神經(jīng)元的輸出和輸入,bi為隱含層第i個神經(jīng)元的偏差,i=1,2,3,4,5,6,7,wni為輸入層第n個神經(jīng)元與隱含層第i個神經(jīng)元的連接權(quán)重,n=1,2,3,4,5。

2.3 WWLCC估測模型的精度評價

將泰興市冬小麥拔節(jié)期和抽穗期的各30個試樣點數(shù)據(jù)的NDVI、MSR、NLI、BRred和RVI作為輸入變量輸入到WWLCCBP估測模型中,得到泰興市冬小麥WWLCC估測值,并將其與試樣點實測值進(jìn)行線性擬合。由圖1可知,兩個時期的估測值與實測值的擬合點都均勻地分布在1∶1線的兩側(cè),擬合點的離散程度均較小。其中,拔節(jié)期WWLCC實測值主要分布在43.3～55.2之間,估測值主要分布在43.2～53.7之間,r2為0.84,ARE為9.87%;抽穗期的實測值主要分布在47.2～61.5之間,估測值主要分布在49.3～61.2之間,r2為0.69,ARE為14.67%。綜上來看,WWLCCBP估測模型在拔節(jié)期和抽穗期的估測值與實測值較為一致,說明多個遙感光譜指標(biāo)結(jié)合構(gòu)建的WWLCCBP估測模型有較好的估測精度,可以實現(xiàn)大田冬小麥葉片葉綠素含量的有效估測。

2.4 縣域WWLCC空間信息遙感監(jiān)測

利用WWLCCBP估測模型和泰興市GF6/WFV遙感影像估測泰興市全市WWLCC空間分布信息,得到遙感信息圖(圖2)。根據(jù)試驗樣點實測數(shù)據(jù)初步將葉片葉綠素含量(SPAD)分為三個等級:一級(長勢旺盛,紅色)SPAD值≥53.7;二級(長勢正常,綠色)SPAD值43.2～53.7和三級(長勢偏弱,黃色)SPAD值≤43.2。由圖2可知,葉片葉綠素含量為二級的冬小麥種植面積為25 483 hm2,占冬小麥總面積的69.81%,主要分布在泰興市的中部及東部地區(qū),如根思、姚王、河失、南沙和珊瑚等鄉(xiāng)鎮(zhèn)(綠色),這些鄉(xiāng)鎮(zhèn)冬小麥田塊面積較大,種植較為集中。這些地區(qū)冬小麥葉片葉綠素含量正常,長勢狀況良好,說明肥水管理適當(dāng),能夠滿足冬小麥生長。葉片葉綠素含量為一級的冬小麥種植面積為4 548 hm2,占冬小麥總面積的12.46%,主要分布在泰興市的北部及東北部地區(qū),如劉陳、元竹和古溪等鄉(xiāng)鎮(zhèn)(紅色),這些鄉(xiāng)鎮(zhèn)葉片葉綠素含量偏高,長勢過旺,需要減免肥水管理,以防冬小麥發(fā)生倒伏或病蟲害。葉片葉綠素含量為三級的冬小麥種植面積為6 464 hm2,占冬小麥總面積的17.71%,主要分布在泰興市的西部和西北部,如過船、大生和蔣華等鄉(xiāng)鎮(zhèn)(黃色),這些鄉(xiāng)鎮(zhèn)田塊較小且分散,冬小麥葉片葉綠素含量偏低,說明長勢偏弱,應(yīng)及時加強肥水管理措施,以促冬小麥正常生長。

圖2 泰興市冬小麥葉片葉綠素含量空間分布遙感監(jiān)測

3 討論

前人對于冬小麥生長參數(shù)(如葉面積指數(shù)、生物量以及葉綠素含量等)遙感估測大致可分為三種方法:第一種是選擇單個遙感光譜指標(biāo)采用一元線性回歸方法建立估測模型,第二種是選擇幾個遙感光譜指標(biāo)采用多元線性回歸方法建立估測模型,第三種是選擇幾個遙感光譜指標(biāo)結(jié)合機器學(xué)習(xí)的方法建立估測模型。前兩種方法可以快速建立模型實現(xiàn)對小區(qū)域田塊生長參數(shù)的估測,但利用簡單幾個光譜信息難以準(zhǔn)確反演生長參數(shù)信息。機器學(xué)習(xí)以其優(yōu)秀的自適應(yīng)自學(xué)習(xí)能力和非線性映射能力在生長參數(shù)反演方面具有獨特優(yōu)勢,有助于揭示遙感光譜指標(biāo)與生長參數(shù)之間的多重內(nèi)在關(guān)系。本研究將多個遙感光譜指標(biāo)和BP神經(jīng)網(wǎng)絡(luò)結(jié)合建立模型實現(xiàn)對WWLCC的估測,優(yōu)選多個相關(guān)性較好的遙感光譜指標(biāo)作為模型的輸入變量,減小估測模型的誤差,BP神經(jīng)網(wǎng)絡(luò)代替簡單的線性回歸彌補了單一線性擬合的不足,將自變量和因變量進(jìn)行多次非線性擬合,并將誤差反向傳播,提高估測模型的精度。在遙感光譜指標(biāo)的選擇以及建模方法方面加以改進(jìn),利用多個遙感光譜指標(biāo)和BP神經(jīng)網(wǎng)絡(luò)所建立的WWLCCBP估測模型精度較高,結(jié)合衛(wèi)星遙感影像可生成縣域冬小麥WWLCC空間分布信息圖,有利于獲取不同葉綠素含量等級的冬小麥種植面積信息,為大面積的冬小麥生長參數(shù)智能化遙感估測提供科學(xué)方法。

實時掌握冬小麥拔節(jié)期、抽穗期等關(guān)鍵生育時期的葉片葉綠素含量空間分布信息,可快速獲取大面積冬小麥的長勢情況,有利于水肥管理的實時調(diào)整。本研究以冬小麥葉片葉綠素含量為研究對象,通過分析多個遙感光譜指標(biāo)與WWLCC相互關(guān)系,確立與WWLCC相關(guān)性較好的5個遙感光譜指標(biāo)(NDVI、MSR、NLI、BRred和RVI)建立了WWLCCBP估測模型,并對模型進(jìn)行精度驗證,表明WWLCCBP估測模型在拔節(jié)期和抽穗期的估測精度都較好,說明綜合多個遙感光譜指標(biāo)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模,可以有效獲取大面積的大田WWLCC信息數(shù)據(jù),可為縣級農(nóng)業(yè)管理部門提供決策參考。由于試驗樣本有限,未能全面了解WWLCC和更多遙感光譜指標(biāo)之間的相互關(guān)系,建立的模型以及參數(shù)選擇尚待完善。此外,本研究僅采用高分六號衛(wèi)星遙感數(shù)據(jù),今后將考慮結(jié)合其他衛(wèi)星遙感數(shù)據(jù)進(jìn)行光譜信息融合,分析其對模型精度的影響,并結(jié)合更多的冬小麥遙感生長監(jiān)測試驗,引入其他光譜或生長參數(shù)指標(biāo)(如葉面積指數(shù)和地上生物量)改進(jìn)WWLCC估測模型,以提高WWLCCBP估測精度。

4 結(jié)論

通過分析10個遙感光譜指標(biāo)和WWLCC之間的相關(guān)性,確立了相關(guān)性較好的5個遙感光譜指標(biāo)(NDVI、MSR、NLI、BRred和RVI),并建立WWLCCBP估測模型。利用實測數(shù)據(jù)驗證,WWLCCBP估測模型在拔節(jié)期的r2為0.84,RMSE為5.39,ARE為9.87%,估測精度為90.13%。抽穗期的估測精度與拔節(jié)期較為一致,估測精度為85.33%。WWLCCBP和高分六號影像結(jié)合進(jìn)行研究區(qū)域冬小麥葉片葉綠素含量的空間信息監(jiān)測,明確了縣域WWLCC的空間分布特征,葉片葉綠素含量(SPAD值)在43.2～53.7之間的冬小麥種植面積為25 483 hm2,占冬小麥總播種面積的69.81%。不同WWLCC等級信息的獲取可輔助肥水管理措施的調(diào)整。多遙感光譜指標(biāo)和神經(jīng)網(wǎng)絡(luò)結(jié)合建模可以實現(xiàn)對縣域冬小麥葉片葉綠素含量的準(zhǔn)確獲取。