高 林 楊貴軍 李長(zhǎng)春 馮海寬 徐 波 王 磊, 董錦繪, 付 奎

?

基于光譜特征與PLSR結(jié)合的葉面積指數(shù)擬合方法的無(wú)人機(jī)畫幅高光譜遙感應(yīng)用

高 林1,2楊貴軍1,*李長(zhǎng)春3馮海寬1徐 波1王 磊1,3董錦繪1,3付 奎3

1北京農(nóng)業(yè)信息技術(shù)研究中心 / 國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心 / 農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室, 北京 100097;2南京大學(xué)地理與海洋科學(xué)學(xué)院, 江蘇南京 210023;3河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院, 河南焦作 454000

以冬小麥LAI為研究對(duì)象, 利用孕穗期、開(kāi)花期和灌漿期獲取的無(wú)人機(jī)UHD185高光譜影像以及同步測(cè)定的地面數(shù)據(jù)(冬小麥冠層ASD反射率和冬小麥LAI), 論證光譜特征(紅邊參數(shù)或植被指數(shù))與偏最小二乘回歸算法結(jié)合的改進(jìn)型LAI擬合方法在無(wú)人機(jī)畫幅高光譜遙感LAI探測(cè)方面的應(yīng)用價(jià)值。首先, 從光譜反射率相關(guān)性和植被指數(shù)相關(guān)性兩方面比較UHD185與ASD, 驗(yàn)證UHD185數(shù)據(jù)精度; 結(jié)果表明, 第3~第96波段(458~830 nm)的無(wú)人機(jī)UHD185高光譜數(shù)據(jù)具有較好的光譜質(zhì)量, 適宜探測(cè)冬小麥LAI。其次, 分析光譜特征(6種植被指數(shù)和4種紅邊參數(shù))與LAI的相關(guān)性, 并通過(guò)獨(dú)立驗(yàn)證和交叉驗(yàn)證方法, 依次對(duì)基于紅邊參數(shù)或植被指數(shù)的傳統(tǒng)LAI擬合方法和改進(jìn)型LAI擬合方法的冬小麥LAI預(yù)測(cè)精度進(jìn)行評(píng)價(jià), 相比于傳統(tǒng)LAI擬合方法, 改進(jìn)型LAI擬合方法能大幅度提高冬小麥LAI的預(yù)測(cè)精度, 特別是PLSR+REP。研究結(jié)果證實(shí), 改進(jìn)型LAI擬合方法能更加充分地利用無(wú)人機(jī)UHD185高光譜數(shù)據(jù)預(yù)測(cè)冬小麥LAI, 可望為無(wú)人機(jī)高光譜遙感的作物理化參數(shù)探測(cè)提供幾點(diǎn)可借鑒的思路。

無(wú)人機(jī); 高光譜遙感; 葉面積指數(shù); 偏最小二乘回歸; 紅邊參數(shù); 植被指數(shù)

葉面積指數(shù)(leaf area index, LAI)是植物冠層系統(tǒng)重要屬性之一, 與色素含量、碳氮循環(huán)、生物量以及物候期關(guān)系密切[1-3], 可作為評(píng)價(jià)作物長(zhǎng)勢(shì)和預(yù)測(cè)產(chǎn)量的依據(jù)。野外實(shí)測(cè)方法可以獲得準(zhǔn)確的LAI, 但費(fèi)時(shí)費(fèi)力代價(jià)高昂, 且破壞性強(qiáng)。遙感技術(shù)因其非侵入式和高通量特點(diǎn)被Nature Methods雜志評(píng)為最值得關(guān)注的科學(xué)技術(shù)之一[4], 是開(kāi)展大范圍LAI無(wú)損探測(cè)的唯一方法。自20世紀(jì)80年代以來(lái), 基于衛(wèi)星、航空、地面平臺(tái)的高光譜技術(shù)在LAI探測(cè)方面展現(xiàn)出巨大潛力; 與此同時(shí)一系列基于高光譜技術(shù)的研究方法也得到長(zhǎng)足發(fā)展, 其中由伍德(S. Wold)和阿巴諾(C. Albano)等提出的偏最小二乘回歸方法(partial least squares regression, PLSR)[5]通過(guò)構(gòu)建自變量的潛變量關(guān)于因變量的潛變量的線性回歸模型, 間接描述自變量與因變量之間的關(guān)系, 有效地解決了各光譜變量集合內(nèi)部高度線性相關(guān)問(wèn)題, 從理論上降低光譜變量之間的相關(guān)性對(duì)估測(cè)模型的影響, 受到眾多學(xué)者的青睞, Hansen和Schjoerring[6]報(bào)道了基于PLSR模型的小麥葉面積指數(shù)高精度估算; Nguyen和Lee[7]評(píng)價(jià)了基于PLSR的高光譜技術(shù)探測(cè)水稻長(zhǎng)勢(shì)和氮營(yíng)養(yǎng)水平的潛力。然而, 許多研究選擇將光譜反射率作為PLSR的自變量因子, 以期通過(guò)增加波段數(shù)量來(lái)提升模型估測(cè)精度, 但實(shí)質(zhì)上只增加了運(yùn)算時(shí)間[8], 李小文等[9]指出植被結(jié)構(gòu)參數(shù)與波譜無(wú)關(guān), 僅通過(guò)增加波段數(shù)量并不能獲得更多有關(guān)結(jié)構(gòu)參數(shù)方面的信息; 也有一些研究[10]考慮到光譜特征位置或植被指數(shù)對(duì)LAI的敏感性, 選擇將其作為PLSR的自變量因子, 提出一種改進(jìn)型LAI擬合方法, 雖然研究結(jié)果證實(shí)該方法可有效地提高LAI估測(cè)精度, 但參與計(jì)算的原始數(shù)據(jù)來(lái)源于地面非成像高光譜儀, 無(wú)法考慮LAI的空間分布特性, 所以限制了其在農(nóng)業(yè)遙感中的應(yīng)用價(jià)值。

近幾年, 各行業(yè)工作者越來(lái)越看重遙感技術(shù)的應(yīng)用前景, 無(wú)人機(jī)遙感技術(shù)作為新型遙感技術(shù)的中堅(jiān)力量異軍突起, 也受到農(nóng)業(yè)工作者的青睞。相比于近地、航空以及衛(wèi)星等傳統(tǒng)遙感平臺(tái), 無(wú)人機(jī)遙感平臺(tái)機(jī)動(dòng)靈活、輕便主動(dòng)、自動(dòng)智能程度高的優(yōu)勢(shì)更適用于農(nóng)田環(huán)境, 高林等[11]指出將無(wú)人機(jī)遙感技術(shù)應(yīng)用于精準(zhǔn)農(nóng)業(yè)研究, 可保證LAI估測(cè)精度和維持高工作效率。隨著Cubert UHD 185-Firefly (簡(jiǎn)稱UHD185, http://cubert-gmbh.de/)、Rikola FPI (http://www.rikola.fi/)、BaySpec OCI-1000 (http:// www.bayspec.com/)等微型、輕量化高光譜傳感器的問(wèn)世, 無(wú)人機(jī)高光譜遙感為當(dāng)今農(nóng)業(yè)遙感發(fā)展掀開(kāi)了新的序幕。Bareth等[12]和Aasen等[13]依次驗(yàn)證了UHD185高光譜反射率精度和論證了UHD185生成的3D信息的應(yīng)用價(jià)值, 為后續(xù)相關(guān)研究的開(kāi)展奠定了基石, 但上述研究未能針對(duì)某一具體的作物理化參數(shù)分析無(wú)人機(jī)UHD185高光譜遙感的應(yīng)用潛力, 尤其是在挖掘無(wú)人機(jī)UHD185遙感數(shù)據(jù)高精度估算LAI方面的相關(guān)研究更鮮有報(bào)道。

本文以冬小麥孕穗期、開(kāi)花期和灌漿期無(wú)人機(jī)UHD185影像為遙感數(shù)據(jù)源, 先后使用植被指數(shù)或紅邊參數(shù)的傳統(tǒng)LAI擬合方法和以植被指數(shù)或紅邊參數(shù)為PLSR自變量因子的改進(jìn)型LAI擬合方法估測(cè)研究區(qū)冬小麥LAI, 評(píng)價(jià)兩種方法的估測(cè)精度, 為基于無(wú)人機(jī)高光譜遙感的作物理化參數(shù)探測(cè)提供幾點(diǎn)可借鑒的思路。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

2014年10月至2015年6月在北京市昌平區(qū)國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范基地(40°10′31"~40°11′18"N, 116°26′10"~116°27′05"E, 海拔36 m)開(kāi)展冬小麥試驗(yàn)。土壤類型為潮土, 0~0.3 m土層中有機(jī)質(zhì)質(zhì)量分?jǐn)?shù)15.8~20.0 g kg–1, 硝態(tài)氮質(zhì)量分?jǐn)?shù)3.16~14.82 mg kg–1, 有效磷質(zhì)量分?jǐn)?shù)3.14~21.18 mg kg–1, 速效鉀質(zhì)量分?jǐn)?shù)86.83~120.62 mg kg–1。前茬作物為玉米。

2014年10月7日播種冬小麥(供試品種為中麥175和京9843), 播種間距15 cm, 基本苗375萬(wàn)株 hm–2, 底肥均為過(guò)磷酸鈣375 kg hm–2和硫酸鉀150 kg hm–2。試驗(yàn)田內(nèi)設(shè)48個(gè)面積均等的小區(qū)(6 m × 8 m); 每16個(gè)小區(qū)劃定為1組, 按照0 (N1)、195 kg hm–2(N2)、390 kg hm–2(N3)和585 kg hm–2(N4) 4個(gè)施氮水平處理(氮肥為尿素, 基肥和拔節(jié)期追肥各施1/2), 共重復(fù)3次(圖1)。其他按照田間實(shí)際管理操作。

N1~N4表示施氮水平, 依次為0、195、390、585 kg hm-2。

N1 to N4 indicate nitrogen application level at 0, 195, 390, and 585 kg hm-2, respectively.

1.2 試驗(yàn)數(shù)據(jù)采集

依次在冬小麥孕穗期(2015年4月26日)、開(kāi)花期(2015年5月13日)和灌漿期(2015年5月22日)采集試驗(yàn)數(shù)據(jù)。

在12點(diǎn)太陽(yáng)光強(qiáng)度穩(wěn)定、晴朗無(wú)云時(shí), 利用美國(guó)Analytical Spectral Device公司生產(chǎn)的ASD FieldSpec Pro2500光譜輻射儀(簡(jiǎn)稱ASD, http://www.asdi.com/)采集試驗(yàn)小區(qū)冬小麥冠層光譜。ASD光譜采集范圍是350~2500 nm, 其中350~1000 nm范圍的光譜采樣間隔為1.4 nm, 光譜分辨率為3 nm; 1000~2500 nm范圍的光譜采樣間隔為2 nm, 光譜分辨率10 nm。采集光譜時(shí), 保持探頭與冠層的垂直距離約為1.0 m (地面視場(chǎng)范圍約0.15 m2), 測(cè)量前后均進(jìn)行標(biāo)準(zhǔn)白板校正。每個(gè)小區(qū)隨機(jī)測(cè)量10次, 取其平均值作為該小區(qū)冬小麥冠層光譜反射率。

無(wú)人機(jī)遙感數(shù)據(jù)獲取與ASD光譜測(cè)量同步進(jìn)行。為了滿足研究目的需要, 設(shè)計(jì)的無(wú)人機(jī)遙感系統(tǒng)包括無(wú)人機(jī)系統(tǒng)和高光譜數(shù)據(jù)獲取與處理系統(tǒng)。無(wú)人機(jī)系統(tǒng)由八旋翼電動(dòng)無(wú)人機(jī)、飛行控制系統(tǒng)、慣性測(cè)量單元(inertial measurement unit, IMU)、無(wú)線遙控系統(tǒng)、地面站控制及數(shù)據(jù)處理系統(tǒng)構(gòu)成。高光譜數(shù)據(jù)獲取與處理系統(tǒng)由UHD 185-Firefly和微型單板計(jì)算機(jī)Pokini Z (http://www.pokini.de/)組成。UHD 185是Cubert公司生產(chǎn)的一款全畫幅式成像光譜儀, 光譜采集范圍450~950 nm, 光譜分辨率4 nm, 凈重0.47 kg, 尺寸195 mm×67 mm×60 mm; 它獨(dú)特的成像方式保證了在無(wú)人機(jī)飛行中獲取影像較少地受到無(wú)人機(jī)遙感平臺(tái)振動(dòng)的干擾, 而這種干擾往往造成影像出現(xiàn)嚴(yán)重幾何畸變。無(wú)人機(jī)遙感作業(yè)時(shí), 先用黑、白板對(duì)UHD185進(jìn)行輻射定標(biāo), 并根據(jù)設(shè)定的飛行航線和飛行速度, 將UHD185采樣時(shí)間間隔定為1 ms, 以保證影像重疊度; 在50 m航高下, UHD185 (焦距17 mm)能獲取到的0.21 m空間分辨率高光譜像元(像元大小50×50)和0.01 m空間分辨率灰度像元(像元大小1000×1000), 并將其存儲(chǔ)在Pokini Z中; 整個(gè)作業(yè)過(guò)程中, 地面控制站始終通過(guò)無(wú)線網(wǎng)絡(luò)遠(yuǎn)程操控Pokini Z運(yùn)行。3個(gè)生育期的無(wú)人機(jī)遙感作業(yè)均采用同一套航線。

取樣后將冬小麥莖葉分離, 利用CI-203型激光葉面積儀(CI-203 Handheld Laser Leaf Area Meter, http://www.cid-inc.com/)測(cè)定葉面積, 求其總和, 進(jìn)而計(jì)算單莖葉面積, 然后乘以單位面積單莖數(shù)(根據(jù)關(guān)鍵生育期田間群體樣本調(diào)查獲得)得到冬小麥LAI。3個(gè)生育期共收集到144個(gè)冬小麥LAI樣本數(shù)據(jù), 其中因孕穗期的2個(gè)LAI樣本偏離群體水平, 本研究不予考慮。

1.3 數(shù)據(jù)處理

UHD185遙感數(shù)據(jù)預(yù)處理包括高光譜影像的輻射校正、高光譜影像的拼接和小區(qū)冬小麥冠層平均光譜提取。

采用Cubert公司在MATLAB (http://cn.mathworks.com/)環(huán)境下根據(jù)UHD185傳感器中心波長(zhǎng)和波長(zhǎng)半幅寬研發(fā)的輻射定標(biāo)系統(tǒng)校正高光譜影像。參考Lucieer等[14]研究的無(wú)人機(jī)高光譜遙感數(shù)據(jù)輻射定標(biāo)過(guò)程將像元亮度值(digital number, DN)轉(zhuǎn)換為地表反射率。

采用Agisoft PhotoScan (http://www.agisoft.com/)軟件[15]拼接高光譜影像。利用動(dòng)態(tài)結(jié)構(gòu)算法(structure from motion algorithm, SFM)檢測(cè)滿足影像重疊度(航向重疊度>70%、旁向重疊度>30%)的特征點(diǎn), 建立特征點(diǎn)匹配對(duì), 根據(jù)地面控制點(diǎn)校正相關(guān)影像方位, 實(shí)現(xiàn)影像重排列; 通過(guò)密集多視角立體匹配算法(dense multiview stereo algorithms, MVS)對(duì)重排列的影像進(jìn)行三維點(diǎn)云重建, 最后利用數(shù)字微分反解法實(shí)現(xiàn)影像的鑲嵌與正射校正, 得到研究區(qū)高光譜影像[13]。

采用ENVI (http://www.esrichina.com/)軟件提取小區(qū)冬小麥冠層平均光譜?？紤]到小區(qū)邊緣與田壟交互地帶的土壤背景干擾, 在小區(qū)內(nèi)繪制出包含36 000個(gè)像元的中心區(qū)域, 將該區(qū)域的平均光譜作為小區(qū)冬小麥冠層平均光譜。

1.4 植被指數(shù)和紅邊參數(shù)的選取

參考已有文獻(xiàn), 選取6種對(duì)LAI具有良好估測(cè)效果的高光譜植被指數(shù)(vegetation indices, VI), 即歸一化差異植被指數(shù)(normalized difference vegetation index, NDVI)[16]、優(yōu)化土壤調(diào)節(jié)植被指數(shù)(optimized soil-adjusted vegetation index, OSAVI)[17]、三角植被指數(shù)(triangular vegetation index, TVI)[18]、增強(qiáng)型土壤調(diào)節(jié)植被指數(shù)(modified soil-adjusted vegetation index, MSAVI)[19]、調(diào)節(jié)型三角植被指數(shù)(modified triangular vegetation index, MTVI1)[20]、調(diào)節(jié)型葉綠素吸收比率指數(shù)(modified chlorophyll absorption ratio index 2, MCARI2)[20]。同時(shí), 計(jì)算了4種常用的紅邊參數(shù)(red edge parameters, REP), 包括紅邊位置(red edge position, REP)[21], 即680~750 nm范圍內(nèi)的光譜一階微分最大值所對(duì)應(yīng)的波長(zhǎng); 紅邊振幅(red edge amplitude,)[22], 即紅邊位置的光譜一階微分值; 紅邊振幅/最小振幅(the ratio of the red edge amplitude to the minimum amplitude,/min)[22], 其最小振幅是波長(zhǎng)在紅邊范圍內(nèi)的光譜一階微分最小值; 紅邊面積(red edge area, SDr)[23], 即680~750 nm范圍內(nèi)光譜一階微分值的總和。

(2)

(3)

(5)

(6)

式中,是波段反射率。用上式計(jì)算ASD植被指數(shù)(統(tǒng)稱VIASD); 用682、802代替式中的680、800計(jì)算UHD185植被指數(shù)(統(tǒng)稱VIUHD185)。

1.5 葉面積指數(shù)估測(cè)精度評(píng)價(jià)方法

采用兩種模型驗(yàn)證方法來(lái)客觀評(píng)價(jià)LAI擬合方法。第一種方法, 隨機(jī)將142個(gè)總體樣本(最大值6.631、最小值0.352、平均值2.948、標(biāo)準(zhǔn)差1.547、變異系數(shù)0.525)劃分為102個(gè)建模樣本(最大值6.332、最小值0.352、平均值2.932、標(biāo)準(zhǔn)差1.571、變異系數(shù)0.536)和40個(gè)驗(yàn)證樣本(最大值6.631、最小值0.486、平均值2.987、標(biāo)準(zhǔn)差1.500、變異系數(shù)0.502), 圖2顯示總體樣本、建模樣本和驗(yàn)證樣本都呈正態(tài)分布, 奠定了本研究的理論基礎(chǔ)。第二種方法是留一的交叉驗(yàn)證(leave-one-out cross validation), 即每次用–1個(gè)樣本(=142)進(jìn)行訓(xùn)練, 留下1個(gè)樣本對(duì)訓(xùn)練模型進(jìn)行檢驗(yàn), 獲得該樣本的估測(cè)值, 如此循環(huán)次, 共建立個(gè)訓(xùn)練模型, 得到每一個(gè)參與驗(yàn)證的樣本的估測(cè)值; 其最大的優(yōu)點(diǎn)是訓(xùn)練模型能最接近總體樣本分布, 且迭代過(guò)程中沒(méi)有隨機(jī)因素影響試驗(yàn)數(shù)據(jù), 避免了因樣本劃分可能出現(xiàn)的隨機(jī)誤差。此外, 選擇決定系數(shù)(coefficient of determination,2)和均方根誤差(root-mean-square error, RMSE)作為L(zhǎng)AI估測(cè)模型評(píng)價(jià)指標(biāo)。2取值范圍為0~1, 值越接近1, 模型擬合精度越高; RMSE越小, 說(shuō)明預(yù)測(cè)值與實(shí)測(cè)值的差異越小, 模型的預(yù)測(cè)精度相對(duì)越高。

(8)

2 結(jié)果與分析

2.1 UHD185數(shù)據(jù)估測(cè)LAI的波段范圍選擇

一款新型傳感器在使用前評(píng)價(jià)其數(shù)據(jù)精度必不可少。針對(duì)UHD185, 前人已初步對(duì)其光譜反射率精度做了驗(yàn)證, 但受目標(biāo)地物和驗(yàn)證數(shù)據(jù)源(即采集驗(yàn)證光譜所使用的儀器)差異的影響, 田明璐等[24]基于對(duì)UHD185和SVC HR-1024i非成像全光譜地物波譜儀的棉花冠層波譜形態(tài)差異性分析, 指出UHD185第1~第100波段(450~850 nm)的光譜信息準(zhǔn)確可靠。該結(jié)論雖有一定的指示作用, 但就不同作物類型和驗(yàn)證數(shù)據(jù)源來(lái)說(shuō), 仍需要進(jìn)一步探索無(wú)人機(jī)UHD185數(shù)據(jù)估測(cè)LAI的最佳波段范圍?？紤]到UHD185和ASD光譜分辨率差異, 將ASD波段重采樣為UHD185波段, 并計(jì)算兩者的相關(guān)性; 結(jié)果表明UHD185和重采樣的ASD在第3~第96波段(458~830 nm)范圍的光譜反射率高度相關(guān): 孕穗期2=0.996、開(kāi)花期2=0.998、灌漿期2=0.996。在此基礎(chǔ)上, 分別使用458~830 nm范圍的ASD數(shù)據(jù)和UHD185數(shù)據(jù)計(jì)算6種植被指數(shù), 并從相關(guān)性角度更深入地分析VIASD和VIUHD185的差異; 結(jié)果表明VIASD和VIUHD185有超過(guò)93%的樣本位于最佳估計(jì)區(qū)間, VIASD和VIUHD185相關(guān)性較好,2>0.8 (圖3)。綜合上述分析, UHD185獲取的冬小麥冠層光譜信息在第3~第96波段(458~830 nm)范圍具有較好的輻射分辨率和光譜質(zhì)量, 可用其估測(cè)冬小麥LAI。

2.2 傳統(tǒng)方法估算LAI

無(wú)論是相關(guān)性分析還是兩種驗(yàn)證結(jié)果表1均證實(shí), 4個(gè)紅邊參數(shù)中, 紅邊振幅與LAI關(guān)系最密切, 其構(gòu)建的模型對(duì)LAI解釋能力最高; 然而, 整體上紅邊對(duì)LAI的估測(cè)效果并不理想。6種植被指數(shù)中, TVI構(gòu)建的模型對(duì)LAI的解釋能力最低; MTVI1對(duì)LAI的預(yù)測(cè)能力略高于TVI; NDVI、OSAVI、MSAVI和MCARI2四種植被指數(shù)與LAI的相關(guān)性依次增高。其原因在于, 以估測(cè)葉綠素濃度為初衷而構(gòu)建的TVI在冠層密度較大時(shí)(LAI>4), 因其對(duì)葉綠素高度敏感性, 導(dǎo)致估測(cè)LAI精度低; MTVI1含有對(duì)葉片和冠層結(jié)構(gòu)敏感的800 nm光譜反射率, 在一定程度上增強(qiáng)在冬小麥葉片色素高含量時(shí)(開(kāi)花期) MTVI1對(duì)LAI的敏感性; NDVI在過(guò)去近40年的LAI遙感估測(cè)中被廣泛使用, 在LAI<3時(shí), NDVI往往表現(xiàn)出與LAI較好的相關(guān)性[25], 而在LAI>3以后, 紅光反射率與LAI的相關(guān)性出現(xiàn)漸進(jìn), 近紅外反射率與LAI的相關(guān)性則繼續(xù)升高[26], 受比值的非線性拉伸影響, 紅光部分雖然得到增強(qiáng), 但近紅外部分卻受到抑制, 造成NDVI對(duì)高冠層密度(孕穗期和開(kāi)花期)下的LAI產(chǎn)生飽和效應(yīng), 所以其對(duì)LAI的預(yù)測(cè)精度不理想; OSAVI和MSAVI對(duì)LAI的估測(cè)精度優(yōu)于NDVI得益于其土壤調(diào)節(jié)系數(shù)能較好地調(diào)節(jié)紅光對(duì)土壤背景的敏感性; MCARI2估測(cè)模型預(yù)測(cè)LAI的精度是6種植被指數(shù)中最高的(獨(dú)立驗(yàn)證精度略低于MSAVI, 可能是隨機(jī)誤差; 全樣本參與的相關(guān)性分析和交叉驗(yàn)證結(jié)果均說(shuō)明MCARI2對(duì)LAI的預(yù)測(cè)能力優(yōu)于MSAVI), 原因在于MCARI2在一定程度上降低了葉綠素濃度的干擾, 也保持了對(duì)LAI變化的敏感性。同時(shí), 上述研究結(jié)果也說(shuō)明在利用植被指數(shù)預(yù)測(cè)LAI時(shí), 應(yīng)避免使用對(duì)葉片色素含量敏感的植被指數(shù)(如TVI); LAI>3時(shí), 不適宜使用易出現(xiàn)飽和效應(yīng)的植被指數(shù)(如NDVI); 應(yīng)選取對(duì)土壤光譜有抑制作用(如OSAVI、MSAVI)和對(duì)葉綠素低敏感(如MCARI2)的植被指數(shù)。

表1 基于紅邊參數(shù)、植被指數(shù)估算LAI的精度比較

2.3 改進(jìn)型方法估算LAI

上述分析結(jié)果顯示: 基于紅邊參數(shù)或植被指數(shù)的LAI估測(cè)結(jié)果并無(wú)法為大田管理提供可靠信息, 一方面原因在于紅邊與葉面積指數(shù)的相關(guān)性, 涉及葉綠素對(duì)可見(jiàn)光的吸收和葉片細(xì)胞結(jié)構(gòu)以及冠層結(jié)構(gòu)對(duì)近紅外的反射等多重因素影響, 是一個(gè)復(fù)雜問(wèn)題; 另一方面窄波段植被指數(shù)與LAI的敏感性很大程度上受到波段寬度和波段位置影響[27], 因此選擇合適位置的波段構(gòu)建對(duì)外界環(huán)境(土壤背景)和作物生化組分(色素)不響應(yīng), 對(duì)作物葉片細(xì)胞結(jié)構(gòu)和冠層結(jié)構(gòu)敏感的植被指數(shù), 是提高植被指數(shù)與LAI相關(guān)性的重點(diǎn), 而這項(xiàng)工作相當(dāng)困難。在這種情況下, 引入合理的算法, 使之與紅邊參數(shù)以及植被指數(shù)結(jié)合則成為提高LAI估測(cè)精度, 強(qiáng)化估測(cè)模型魯棒性的關(guān)鍵, 所以本文采用PLSR與紅邊參數(shù)或植被指數(shù)結(jié)合的改進(jìn)型方法估測(cè)葉面積指數(shù)。

圖4表明, PLSR+REP的LAI估測(cè)精度比單個(gè)紅邊參數(shù)大幅提高。獨(dú)立驗(yàn)證,2提高0.151~0.650, RMSE降低0.218~0.698; 交叉驗(yàn)證,2提高0.205~0.575, RMSE降低0.268~0.628。PLSR+VI的LAI估測(cè)精度比單個(gè)植被指數(shù)大幅提高。獨(dú)立驗(yàn)證,2提高0.094~0.219, RMSE降低0.15~0.29; 交叉驗(yàn)證,2提高0.092~0.234, RMSE降低0.119~0.277。盡管仍無(wú)法避免個(gè)別LAI預(yù)測(cè)值偏離最優(yōu)預(yù)測(cè)區(qū)間, 以及灌漿期個(gè)別實(shí)測(cè)LAI過(guò)低(LAI<0.7), 造成預(yù)測(cè)值出現(xiàn)負(fù)值, 但絕大多數(shù)LAI預(yù)測(cè)值能夠較好地與LAI實(shí)測(cè)值擬合, 證明PLSR算法的確有效地激發(fā)了各個(gè)紅邊參數(shù)以及植被指數(shù)對(duì)LAI的敏感性, 基于PLSR與紅邊參數(shù)或植被指數(shù)結(jié)合能夠更好地模擬LAI。

a和b是獨(dú)立驗(yàn)證; c和d是交叉驗(yàn)證。

a and b are independent validation; c and d are cross validation.

PLSR+REP比PLSR+VI更適宜估測(cè)LAI。獨(dú)立驗(yàn)證, PLSR+REP的2和RMSE分別比PLSR+VI提高0.048和降低0.068; 交叉驗(yàn)證, PLSR+REP的2和RMSE分別比PLSR+VI提高0.061和降低0.091。

3 討論

植被指數(shù)在遙感預(yù)測(cè)LAI中廣為使用, 但受波段寬度和位置以及計(jì)算原理的影響, 一些植被指數(shù)(NDVI)在LAI>3時(shí)會(huì)逐漸趨于飽和, 一些植被指數(shù)與LAI存在相關(guān)性的同時(shí)也與葉綠素濃度密切相關(guān)。盡管本文和許多研究均證實(shí)選擇自身穩(wěn)定性高的以及對(duì)葉綠素濃度、土壤背景等因素具有一定抗干擾作用的植被指數(shù), 可提高與LAI的線性關(guān)系; 但植被指數(shù)并不能充分展現(xiàn)高光譜探測(cè)LAI的優(yōu)勢(shì)[28]。紅邊參數(shù)在高光譜遙感探測(cè)作物理化參數(shù)方面效果突出, Herrmann等[29]研究就已證實(shí)紅邊與LAI高度相關(guān)(= 0.91), 然而表1指出的各個(gè)紅邊參數(shù)估測(cè)LAI精度低, 與Herrmann等研究結(jié)論出入。2種研究結(jié)果出現(xiàn)差異的原因在于: ①紅邊作為高光譜傳感器特有的檢測(cè)目標(biāo), 其大小與傳感器光譜分辨率密切相關(guān), Herrmann的作物冠層光譜測(cè)量是基于ASD Field Spec光譜輻射儀(1 nm光譜分辨率數(shù)據(jù))開(kāi)展的, 兩種不同光譜分辨率的傳感器對(duì)紅邊的探測(cè)能力必然不同, 且輻射定標(biāo)也有差異; ②冠層光譜計(jì)算方式不同, 本研究基于UHD185 “圖譜合一”優(yōu)勢(shì), 通過(guò)影像獲取小區(qū)平均光譜, 而Herrmann則通過(guò)有限的“點(diǎn)”(1.5 m高的ASD瞬時(shí)視場(chǎng)內(nèi)僅包含0.35 m2冠層區(qū)域)測(cè)量結(jié)果的平均值作為冠層光譜; ③參與研究的葉面積指數(shù)不同, Herrmann使用AccuPAR LP80植物冠層分析儀獲取有效葉面積指數(shù), 與本研究采用的真實(shí)葉面積指數(shù)不同; 另外, 葉綠素濃度、葉傾角以及水分脅迫的差異也在一定程度上影響著紅邊位置和形態(tài)[23]。因此, 不同光譜分辨率計(jì)算的紅邊參數(shù)與LAI的相關(guān)性不盡相同, 上述2種研究結(jié)果出現(xiàn)差異是合理的?？紤]到此, 本研究采用一種改進(jìn)型LAI擬合方法, 將植被指數(shù)和紅邊參數(shù)分別作為自變量因子, 通過(guò)PLSR激發(fā)植被指數(shù)或紅邊參數(shù)與LAI關(guān)聯(lián)的潛在信息, 構(gòu)建植被指數(shù)或紅邊參數(shù)的潛變量關(guān)于LAI的潛變量的線性回歸模型。獨(dú)立驗(yàn)證和交叉驗(yàn)證結(jié)果均表明改進(jìn)型LAI擬合方法對(duì)冬小麥LAI的預(yù)測(cè)精度較傳統(tǒng)LAI擬合方法有大幅提高, 說(shuō)明改進(jìn)型LAI擬合方法較之傳統(tǒng)LAI擬合方法更能充分利用無(wú)人機(jī)UHD185高光譜信息估測(cè)冬小麥LAI; 同時(shí), PLSR+REP對(duì)LAI的估測(cè)精度高于PLSR+VI則在一定程度上說(shuō)明紅邊包含與LAI有關(guān)的信息較植被指數(shù)多, 設(shè)想將PLSR+REP方法用于無(wú)人機(jī)高光譜遙感的植被葉綠素含量探測(cè)上或許也能夠帶來(lái)一些有助于開(kāi)展田塊尺度農(nóng)業(yè)管理的信息, 而這將在后續(xù)研究中進(jìn)行; 當(dāng)將6種植被指數(shù)和4種紅邊參數(shù)一起作為自變量因子時(shí), PLSR并無(wú)法充分利用植被指數(shù)和紅邊參數(shù)與LAI的潛在信息, PLSR+VI+REP對(duì)LAI的預(yù)測(cè)精度(交叉驗(yàn)證精度2=0.752, RMSE= 0.761)與PLSR+REP差異不大。

4 結(jié)論

與傳統(tǒng)LAI擬合方法相比, 改進(jìn)型LAI擬合方法能更加充分地利用無(wú)人機(jī)UHD185高光譜信息, 獲得精度更高的LAI預(yù)測(cè)值, 且PLSR+REP預(yù)測(cè)的LAI精度比PLSR+VI高, 可望為無(wú)人機(jī)高光譜遙感的作物理化參數(shù)探測(cè)提供幾點(diǎn)可借鑒的思路。

[1] Baret F, Jacquemoud S, Guyot G, Leprieur C. Modeled analysis of the biophysical nature of spectral shifts and comparison with information content of broad bands., 1992, 41: 133–142

[2] Aparicio N, Villegas D, Araus J L, Casadesús J, Royo C. Relationship between growth traits and spectral vegetation indices in durum wheat., 2002, 42: 1547–1555

[3] Coyne P I, Aiken R M, Maas S J, Lamm F R. Evaluating yield tracker forecasts for maize in western Kansas., 2009, 101: 671–680

[4] De Souza N. Machines learn phenotypes., 2013, 10: 38

[5] 王惠文, 吳載斌, 孟潔. 偏最小二乘回歸的線性與非線性方法. 北京: 國(guó)防工業(yè)出版社, 2006Wang H W, Wu Z B, Meng J. Partial Least Squares Regression-linear and Nonlinear Methods. Beijing: National Defense Industry Press, 2006 (in Chinese)

[6] Hansen P M, Schjoerring J K. Reflectance measurement of ca-nopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression., 2003, 86: 542–553

[7] Nguyen H T, Lee B W. Assessment of rice leaf growth and nitrogen status by hyperspectral canopy reflectance and partial least square regression., 2006, 24: 349–356

[8] Darvishzadeh R, Skidmore A, Schlerf M, Atzberger C, Corsi F, Cho M. LAI and chlorophyll estimation for a heterogeneous grassland using hyperspectral measurements., 2008, 63: 409–426

[9] 李小文, 高峰, 王錦地, 朱啟疆. 遙感反演中參數(shù)的不確定性與敏感性矩陣. 遙感學(xué)報(bào), 1997, 1(1): 5–14Li X W, Gao F, Wang J D, Zhu Q J. Uncertainty and sensitivity matrix of parameters in inversion of physical BRDF model., 1997, 1(1): 5–14 (in Chinese with English abstract)

[10] Li X C, Zhang Y J, Bao Y S, Luo J H, Jin X L, Xu X G, Song X Y, Yang G G. Exploring the best hyperspectral features for LAI estimation using partial least squares regression., 2014, 6: 6221–6241

[11] 高林, 李長(zhǎng)春, 王寶山, 楊貴軍, 王磊, 付奎. 基于多源遙感數(shù)據(jù)的大豆葉面積指數(shù)估測(cè)精度對(duì)比. 應(yīng)用生態(tài)學(xué)報(bào), 2016, 27: 191–200 Gao L, Li C C, Wang B S, Yang G G, Wang L, Fu K. Comparison of precision in retrieving soybean leaf area index based on multi-source remote sensing data., 2016, 27: 191–200 (in Chinese with English abstract)

[12] Bareth G, Aasen H, Bendig J, Gnyp M L, Bolten A, Jung A, Michels R, Soukkam?ki J. Low-weight and UAV-based hyperspectral full-frame cameras for monitoring crops: spectral comparison with portable spectroradiometer measurements., 2015, 2015: 69–79

[13] Aasen H, Burkart A, Bolten A, Bareth G. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: from camera calibration to quality assurance., 2015, 108: 245–259

[14] Lucieer A, Malenovsky Z, Veness T, Wallace L. HyperUAS: imaging spectroscopy from a multirotor unmanned aircraft system., 2014, 31: 571–590

[15] Turner D, Lucieer A, Wallace L. Direct georeferencing of ultrahigh-resolution UAV imagery., 2014, 52: 2738–2745

[16] Pe?uelas J, Isla R, Filella I, Araus J L. Visible and near-infrared reflectance assessment of salinity effects on barley., 1997, 37: 198–202

[17] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices., 1996, 55: 95–107

[18] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density., 2001, 76: 156–172

[19] Qi J, Chehbouni A, Huete A R, Kerr Y H, Sorooshian S. A modified soil adjusted vegetation index., 1994, 48: 119–126

[20] Haboudane D, Miller J R, Pattey E, Zarco-Tejada P J, Strachan I B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture., 2004, 90: 337–352

[21] Dawson T P, Curran P J. Technical note a new technique for interpolating the reflectance red edge position., 1998, 19: 2133–2139

[22] 馮偉, 朱艷, 姚霞, 田永超, 郭天財(cái), 曹衛(wèi)星. 利用紅邊特征參數(shù)監(jiān)測(cè)小麥葉片氮素積累狀況. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(11): 194–201 Feng W, Zhu Y, Yao X, Tian Y C, Guo T C, Cao W X. Monitoring nitrogen accumulation in wheat leaf with red edge characte-ristics parameters., 2009, 25(11): 194–201 (in Chinese with English abstract)

[23] Filella I, Penuelas J. The red edge position and shape as indicators of plant chlorophyll content, biomass and hydric status., 1994, 15: 1459–1470

[24] 田明璐, 班松濤, 常慶瑞, 由明明, 羅丹, 王力, 王爍. 基于低空無(wú)人機(jī)成像光譜儀影像估算棉花葉面積指數(shù). 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(21): 102–108Tian M L, Ban S T, Chang Q R, You M M, Luo D, Wang L, Wang S. Use of hyperspectral images from UAV-based imaging spectroradiometer to estimate cotton leaf area index., 2016, 32(21): 102–108

[25] Stagakis S, Markos N, Sykioti O, Kyparissis A. Monitoring canopy biophysical and biochemical parameters in ecosystem scale using satellite hyperspectral imagery: an application on aMediterranean ecosystem using multiangular CHRIS/ PROBA observations., 2010, 114: 977–994

[26] Gonsamo A. Normalized sensitivity measures for leaf area index estimation using three-band spectral vegetation indices., 2011, 32: 2069–2080

[27] Lee K S, Cohen W B, Kennedy R E, Maiersperger T K, Gower S T. Hyperspectral versus multispectral data for estimating leaf area index in four different biomes., 2004, 91: 508–520

[28] Yu K, Li F, Gnyp M L, Miao Y X, Bareth G, Chen X P. Remotely detecting canopy nitrogen concentration and uptake of paddy rice in the Northeast China Plain., 2013, 78: 102–115

[29] Herrmann I, Pimstein A, Karnieli A, Cohen Y, Alchanatis V, Bonfil D J. LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands., 2011, 115: 2141–2151

Application of an Improved Method in Retrieving Leaf Area Index Combined Spectral Index with PLSR in Hyperspectral Data Generated by Unmanned Aerial Vehicle Snapshot Camera

GAO Lin1,2, YANG Gui-Jun1,*, LI Chang-Chun3, FENG Hai-Kuan1, XU Bo1, WANG Lei1,3, DONG Jin-Hui1,3, and FU Kui3

1Beijing Research Center for Information Technology in Agriculture / National Engineering Research Center for Information Technology in Agriculture / Key Laboratory of Agri-informatics, Ministry of Agriculture, Beijing 100097, China;2School of Geographic and Oceanographic Sciences, Nanjing University, Nanjing 210023, China;3School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454000, China

The objective of this study was to demonstrate the value of an improved method of retrieved leaf area index (LAI) based on unmanned aerial vehicle (UAV) hyperspectral data combined spectral characteristics, as red edge parameters (REPs) and vegetation indices, with partial least squares regression (PLSR).We got UAV UHD185 hyperspectral images at booting, anthesis, and filling stages in winter wheat. And synchronously measured ASD hyperspectral data and winter wheat LAI. We compared UHD185 data with ASD data in terms of the correlation between reflectivity and vegetation indices to verify the UAV hyperspectral data accuracy. The band 3 to 96 (458–830 nm) of UHD185 hyperspectral data had better spectral quality and was suitable for detecting winter wheat LAI. We did correlation analysis between spectral characteristics, six kinds of vegetation indices and four kinds of red edge parameters, and LAI, and used two kinds of validation methods, independent validation and cross validation, to analyze the prediction accuracy of winter wheat LAI. Compared with traditional LAI fitting method, the improved LAI fitting method especially PLSR+REPs, greatly improved the prediction accuracy of winter wheat LAI. The above results confirmed that the improved LAI fitting method is able to better utilize UAV UHD185 hyperspectral data to predict LAI of winter wheat. Moreover, it is expected to provide a few new ideas for retrieving crop physical and chemical parameters based on UAV hyperspectral data.

Unmanned aerial vehicle (UAV); Hyperspectral remote sensing; Leaf area index (LAI); Partial least squares regression; Red edge parameters; Vegetation indices

10.3724/SP.J.1006.2017.00549

本研究由國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目(2016YFD0300602), 國(guó)家自然科學(xué)基金項(xiàng)目(61661136003, 41471285, 41271345)和北京市農(nóng)林科學(xué)院科技創(chuàng)新能力建設(shè)項(xiàng)目(KJCX20170423)資助。

This study was supported by the National Key Research and Development Program of China (2016YFD0300602), the National Natural Science Foundation of China (61661136003, 41471285, 41271345), and the Innovation Capacity Building Project of Beijing Academy of Agriculture and Forestry Sciences (KJCX20170423).

楊貴軍, E-mail: yanggj@nercita.org.cn

E-mail: gaol081115@126.com

2016-05-15;

Accepted(接受日期): 2017-01-21;

Published online(網(wǎng)絡(luò)出版日期): 2017-02-17.

URL: http://www.cnki.net/kcms/detail/11.1809.S.20170217.1001.014.html