基于無人機多光譜的華北平原花鈴期棉花葉片SPAD建模方法研究

紀(jì)偉帥，陳紅艷，王淑婷，張玉婷

（1山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，山東泰安271018；2東營市自然資源和規(guī)劃局墾利分局，山東東營257500）

0 引言

棉花是世界上重要的經(jīng)濟作物，在中國及世界經(jīng)濟發(fā)展中占有重要地位[1-2]。葉綠素是植物光合作用中最重要的色素，葉綠素相對含量(SPAD)是評價棉花長勢的重要指標(biāo)，精準(zhǔn)估測棉花葉片SPAD值是監(jiān)測棉田長勢并指導(dǎo)棉田生產(chǎn)與管理的先決條件[3-5]。目前，遙感技術(shù)在農(nóng)作物研究領(lǐng)域被廣泛應(yīng)用，無人機遙感技術(shù)更是因其機動靈活、操作簡便、時空分辨率高等優(yōu)勢越來越多地用于農(nóng)情監(jiān)測，利用無人機搭載光譜傳感器進(jìn)行棉花葉綠素的定量光譜分析已成為研究熱點[6-8]。

中國主要有新疆棉區(qū)、黃河流域棉區(qū)和長江流域棉區(qū)3個產(chǎn)棉區(qū)。新疆棉區(qū)因其地域優(yōu)勢，當(dāng)前區(qū)域內(nèi)開展的棉花葉綠素定量遙感研究較多[9-10]；如依爾夏提等[11]基于地面高光譜估算了南疆地區(qū)棉花冠層葉綠素含量，為新疆地區(qū)棉花長勢監(jiān)測提供了手段。黃河流域棉區(qū)主要位于黃河沿岸的平原地帶，如陜北地區(qū)、華北平原地區(qū)等，流域內(nèi)空間跨度大，當(dāng)前該棉區(qū)的棉花葉綠素定量遙感研究主要集中在陜北地區(qū)[12-14]；如田明璐等[15]借助無人機高光譜影像估測了棉花葉綠素含量，為陜北地區(qū)估測棉花冠層生長參數(shù)提供了參考方法?？梢?，當(dāng)前中國棉花葉綠素定量光譜分析大部分集中在新疆棉區(qū)和黃河流域的陜北棉區(qū)，而黃河流域的華北平原和長江流域棉區(qū)的有關(guān)研究比較少見。黃河流域華北平原地區(qū)植棉歷史悠久，自然條件優(yōu)越，棉花品質(zhì)高，產(chǎn)量大，一直是中國重要的商品棉基地。因此，利用無人機遙感技術(shù)開展該區(qū)棉花葉綠素定量分析研究，監(jiān)測棉田長勢以實現(xiàn)其精準(zhǔn)管理，對該區(qū)棉花生產(chǎn)具有積極的促進(jìn)作用。

在建模方法方面，當(dāng)前棉花定量遙感模型分為統(tǒng)計分析和機器學(xué)習(xí)2類，統(tǒng)計分析是利用棉花生長指標(biāo)與光譜數(shù)據(jù)的線性相關(guān)關(guān)系建立回歸模型[16-18]，如陳碩博[12]基于無人機多光譜影像利用主成分回歸、嶺回歸和偏最小二乘回歸3種方法構(gòu)建了棉花光合參數(shù)的反演模型。但統(tǒng)計分析模型多用于解決線性問題，對非線性問題預(yù)測能力較低。機器學(xué)習(xí)是模擬人類學(xué)習(xí)的方式建立棉花生長指標(biāo)與光譜數(shù)據(jù)的關(guān)系模型[19-21]，已有學(xué)者對機器學(xué)習(xí)模型和統(tǒng)計分析模型進(jìn)行了對比分析，如張卓然等[22]利用單因素回歸分析法和支持向量機分析法構(gòu)建了棉花葉片SPAD遙感估算模型，結(jié)果表明支持向量機模型精度較高；李媛媛等[23]利用偏最小二乘回歸、主成分回歸和BP神經(jīng)網(wǎng)絡(luò)建立了玉米葉片葉綠素含量估算模型，對比表明BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果最好?？梢姡延醒芯勘砻髟谧魑锶~綠素定量光譜分析中，機器學(xué)習(xí)模型優(yōu)于統(tǒng)計分析，但針對華北平原棉花葉片SPAD反演，不同建模方法的表現(xiàn)仍需討論，最佳建模方法有待明確。

綜上，中國華北平原地區(qū)棉花葉片SPAD光譜特征以及最佳建模方法有待探明。因此，本研究針對黃河流域華北平原地區(qū)，以山東省德州市夏津縣大李莊棉區(qū)為研究區(qū)，基于無人機多光譜近地圖像，探明棉花葉片SPAD的光譜特征，分別采用BP神經(jīng)網(wǎng)絡(luò)、支持向量機、多元逐步回歸等方法構(gòu)建其定量反演模型，并進(jìn)行精度對比分析，優(yōu)選針對該區(qū)棉花葉片SPAD定量近地遙感分析的最佳建模方法，以期豐富華北平原地區(qū)棉田定量遙感理論和技術(shù)。

1 材料與方法

1.1 研究區(qū)概況

本研究區(qū)為山東省德州市夏津縣新盛店鎮(zhèn)大李莊村棉田試驗區(qū)（東經(jīng)116°1'59"，北緯37°3'15″）（圖1）。夏津縣盛產(chǎn)棉花，是中國棉花生產(chǎn)十強縣，享有“銀夏津”之美譽，是國家重要的棉花現(xiàn)貨交易集散中心、國家級優(yōu)質(zhì)棉標(biāo)準(zhǔn)化生產(chǎn)基地。夏津縣地處華北平原黃泛沖積平原，屬暖溫帶半濕潤大陸性季風(fēng)氣候，半濕潤易旱，年降水量平均556.5 mm，且位于黃河流域下游，灌溉充足，作物熟制為一年一熟。大李莊村研究區(qū)種植棉花品種為‘魯研棉37號’，田間管理嚴(yán)格控制變量。研究區(qū)北部棉花葉片枯黃、葉面積小、植被覆蓋率低、長勢較差；南部葉片繁茂、植被覆蓋率高、長勢較好（圖1）。

圖1 大李莊棉田研究區(qū)圖像和現(xiàn)場照片

1.2 影像獲取與數(shù)據(jù)預(yù)處理

1.2.1 多光譜影像獲取與預(yù)處理 于2019年8月3日10:00—15:00，利用深圳市大疆創(chuàng)新科技有限公司生產(chǎn)的大疆Matrice 600 Pro?六旋翼無人機（無人機飛行載重為6 kg，無風(fēng)環(huán)境下最大飛行水平飛行速度為65 km/h，圖2）搭載Parrot Sequoia農(nóng)業(yè)專用多光譜相機（含有4個120萬像素窄帶和同步化單色傳感器）獲取研究區(qū)田間無人機多光譜遙感圖像。相機傳感器有綠光（波長550 nm，帶寬40 nm）、紅光（波長660 nm，帶寬40 nm）、紅邊光（波長735 nm，帶寬10 nm）和近紅外光（波長790 nm，帶寬40 nm）4個波段。本次研究利用平臺傳感器進(jìn)行航線設(shè)定，并設(shè)定無人機飛行高度為50 m，空間分辨率為2.2 cm，航速5 m/s，飛行前采集白板數(shù)據(jù)用于后期的輻射校正[17]。無人機飛行時天氣晴朗，無風(fēng)少云，研究區(qū)棉花正處于花鈴期，長勢旺盛，此時生長狀況有代表性。

圖2 研究區(qū)現(xiàn)場無人機照片

在影像預(yù)處理階段，分別利用Pix4D mapper、ENVI 5.3、ArcGIS 10.2等軟件完成無人機近地圖像拼接、輻射校正及正射校正、圖像裁剪、空間校正等工作。預(yù)處理后得到綠光、紅光、紅邊和近紅外4個波段的圖像數(shù)據(jù)，按采樣點GPS經(jīng)緯度信息將野外實測的采樣點位置導(dǎo)入研究區(qū)的假彩色合成波段圖像（圖3），確定其相應(yīng)像元，并提取該像元各波段棉花冠層反射率[17]。

1.2.2 葉片SPAD測量 在研究區(qū)均勻布設(shè)94個采樣點（圖3），采樣工具為SPAD-502型手持式葉綠素儀，在每個樣點隨機選取不同部位的5片棉花葉片，測定其SPAD值，每個葉片不同部位測量3次取平均值，最后計算5個葉片的平均值作為該樣點的SPAD值。SPAD測量與無人機飛行測量同步進(jìn)行。從94個樣點中隨機抽取62個作為建模集，32個作為驗證集。

圖3 研究區(qū)假彩色合成波段影像以及樣點分布圖

1.3 光譜指數(shù)構(gòu)建與篩選

將采樣點棉花SPAD的實測值與圖像各波段反射率進(jìn)行相關(guān)性分析，篩選出特征波段；進(jìn)而組合特征波段，如紅光+近紅、紅光×綠光等，得到27個光譜指數(shù)。背景信息對農(nóng)作物光譜特征有一定的影響，利用光譜指數(shù)可以降低背景信息的干擾，提高數(shù)據(jù)精度。本研究采用了相關(guān)性分析優(yōu)選特征光譜指數(shù)參與建模。

1.4 模型構(gòu)建、驗證與優(yōu)選

基于64個建模樣本的SPAD及優(yōu)選出的光譜指數(shù)，分別采用BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network，BPNN)、多 元 逐 步 回 歸 (multiple stepwise regression，MSR)、支持向量機(support vector machine，SVM)等方法構(gòu)建棉花葉片SPAD反演模型。運用SPSS 22軟件建立棉花葉片SPAD多元逐步回歸模型，在回歸分析的基礎(chǔ)上，讓系統(tǒng)自動篩除不顯著的因變量以提高精度[24-26]；支持向量機是以核函數(shù)為構(gòu)成模塊，隱式地將數(shù)據(jù)映射到高維空間，采用訓(xùn)練集交叉驗證和網(wǎng)格搜索法進(jìn)行參數(shù)尋優(yōu)的算法，這里設(shè)定SVM類型為4（即v-SVR），核函數(shù)類型為2（即RBF），計算采用Matlab R2014a軟件的Libsvm 3.11工具箱實現(xiàn)[27]；BP神經(jīng)網(wǎng)絡(luò)是按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，其優(yōu)勢是能夠?qū)W習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，并通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小，本研究設(shè)定BP神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)參數(shù)隱含層神經(jīng)個數(shù)設(shè)定為4，學(xué)習(xí)速率5%，將特征光譜指數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入層，棉花葉片SPAD作為輸出層，通過Matlab R2014a軟件實現(xiàn)[28-29]。

利用32個驗證樣本檢驗?zāi)Ｐ筒δＰ瓦M(jìn)行對比評價，用建模集決定系數(shù)(R2)和均方根誤差(root mean squares error，RMSE)評價建模精度 ；用驗證集 R2、RMSE和相對分析誤差(the ratio of prediction to deviation，RPD)等指標(biāo)來評價預(yù)測精度，R2越接近1，RMSE越小，RPD越大，表明模型精度越高。RPD>2.0，則認(rèn)為所建模型具備較高可靠性，能夠用于模型分析[30]。根據(jù)模型精度指標(biāo)，優(yōu)選基于無人機近地圖像的棉花葉片SPAD最佳模型和建模方法。

1.5 棉花葉片SPAD的空間分布分析

將研究區(qū)預(yù)處理后的遙感圖像代入最佳模型，利用ENVI 5.3和ArcGIS 10.2軟件進(jìn)行棉花葉片SPAD的空間分布反演，并根據(jù)田明璐等[17]棉花葉片SPAD分級標(biāo)準(zhǔn)進(jìn)行分級得到研究區(qū)SPAD空間分布圖，并與研究區(qū)實際狀況進(jìn)行對比分析。

2 結(jié)果與分析

2.1 樣本棉花葉片SPAD描述性統(tǒng)計特征

全部94個樣本SPAD值介于17.1～ 68.2，平均值為43.315，中位數(shù)為 44，標(biāo)準(zhǔn)差為 8.338；62個建模集SPAD值在18.7～ 62.9，平均值為42.035，中位數(shù)為43.1，標(biāo)準(zhǔn)差為8.162；32個驗證集SPAD值為17.1～ 68.2，平均值為45.793，中位數(shù)為47.8，標(biāo)準(zhǔn)差為8.224?？梢?，研究區(qū)內(nèi)棉花SPAD整體較高，長勢較好，實際采樣時北部區(qū)域SPAD值略低于南部，南部長勢更優(yōu)；建模集和驗證集以及全部樣本集具有高度相似的統(tǒng)計分布，這樣既可以確保樣本具有代表性，又可避免在模型構(gòu)建和驗證中的偏差估計。

2.2 棉花冠層光譜特征

將所有樣本SPAD從小到大排列，按照5.11為一個單位大小將SPAD的值域等分為10個梯度，獲得棉花冠層光譜反射率隨SPAD值的變化曲線（圖4）。由圖4可以看出棉花冠層4個波段反射率值域明顯不同，綠光波段為0.028～ 0.058，紅光波段為0.018～ 0.12，紅邊波段為0.13～ 0.28，近紅外波段為0.32～ 0.64?？梢?，紅邊及近紅外波段為SPAD的高反射值區(qū)域；在變化趨勢上，紅光波段反射率表現(xiàn)為隨葉綠素梯度的增加而降低；而在紅邊、綠光和近紅外波段，反射率具體表現(xiàn)為隨SPAD升高，反射率略有升高。光譜波段與棉花葉片SPAD的相關(guān)性（表1）表現(xiàn)為紅光波段＞紅邊波段＞綠光波段＞近紅外波段，其中紅光和紅邊波段通過了顯著性檢驗。因此，紅光和紅邊可作為棉花葉片SPAD的特征波段，這與前人研究結(jié)果相一致[22]。

表1 敏感波段分析

圖4 棉花冠層光譜反射率隨SPAD變化關(guān)系圖

2.3 棉花葉片SPAD的特征光譜指數(shù)

本次研究計算了27個光譜指數(shù)，相關(guān)性分析見表2，SPAD與大部分光譜指數(shù)的相關(guān)性呈極顯著水平。在原始光譜波段以及27個光譜指數(shù)中，分別選擇相關(guān)性較高的波段和光譜指數(shù)[r、r*reg、(reg-r)/(reg+r)、r-g、作為特征光譜指數(shù)參與棉花葉片SPAD反演模型的構(gòu)建。

表2 光譜指數(shù)分析

2.4 棉花葉片SPAD反演模型

基于62個建模樣本，分別采用多元逐步回歸、支持向量機、BP神經(jīng)網(wǎng)絡(luò)構(gòu)建SPAD定量反演模型，其中，以選取的6個特征光譜指數(shù)為自變量，SPAD為因變量。建模結(jié)果如表3所示。圖5為3種模型建模樣本實測值與估測值的散點圖。圖6為驗證樣本實測值和估測值的散點圖。

圖5 建模集SPAD估測值與實測值擬合結(jié)果

圖6 驗證集SPAD估測值與實測值擬合結(jié)果

表3 棉花SPAD反演模型

各模型的R2都高于0.6，表明基于無人機多光譜反演華北平原棉區(qū)棉花葉片SPAD是可行的。對比本次研究中的3種模型，BP神經(jīng)網(wǎng)絡(luò)模型精度最高，多元逐步回歸模型和支持向量機精度較為接近且均低于BP神經(jīng)網(wǎng)絡(luò)模型，BP神經(jīng)網(wǎng)絡(luò)模型建模R2高達(dá)0.747，驗證R2為0.758，RPD為2.135且均方根誤差均為最低，說明該模型的穩(wěn)定性和預(yù)測能力相對較好，確定基于BP神經(jīng)網(wǎng)絡(luò)的棉花葉片SPAD模型為基于無人機近地圖像的棉花葉片SPAD最佳反演模型，BP神經(jīng)網(wǎng)絡(luò)為優(yōu)選的建模方法。

2.5 棉花葉片SPAD多光譜影像反演

基于最佳模型，對研究區(qū)多光譜影像進(jìn)行反演，按照田明璐等[17]棉花葉片SPAD分級標(biāo)準(zhǔn)進(jìn)行分級得到研究區(qū)棉花葉片SPAD的反演估算結(jié)果（圖7），并對比94個樣本實測值與反演值統(tǒng)計特征（表4）。94個反演值與實測值中2組數(shù)據(jù)中小于40的分別是20個和23個，占比21.28%、24.47%，位于40～ 48之間的數(shù)據(jù)分別是56個和51個，占比59.57%、54.26%，大于48的數(shù)據(jù)分別是18個和20個，占比19.15%和21.28%。可以看出反演值與實測值較為一致，且集中在40～ 48之間。在反演圖中，本研究區(qū)棉花葉片SPAD反演值范圍在19.3～ 58.6之間；反演值低于28的區(qū)域成塊狀線狀分布，與研究區(qū)裸土與道路分布一致；北部反演值偏低，南部反演值較高，與研究區(qū)北部棉花葉片發(fā)黃、長勢較差，南部長勢較好的實際情況相一致。

圖7 基于最佳模型的棉花葉片SPAD反演圖

表4 實測值與反演值統(tǒng)計特征

3 結(jié)論

（1）探明了華北平原棉花葉片SPAD的光譜特征主要體現(xiàn)在紅光和紅邊波段，紅光波段與棉花葉片SPAD呈極顯著負(fù)相關(guān)，紅邊波段則為正相關(guān)波段，紅光波段相關(guān)性高于紅邊波段；基于相關(guān)性分析選取了棉花葉片SPAD的特征光譜指數(shù)為r、r*reg、(reg-r)/

（2）對比3種建模方法，BP神經(jīng)網(wǎng)絡(luò)(BPNN)建模R2最高，RMSE最低，模型RPD最高且大于2，模型精度最佳。支持向量機(SVM)模型與多元逐步回歸(MSR)模型精度較為接近且均低于BP神經(jīng)網(wǎng)絡(luò)模型。確定BP神經(jīng)網(wǎng)絡(luò)方法為華北平原地區(qū)花鈴期棉花葉片SPAD反演的最佳方法，其建模集R2、RMSE分別為0.747、4.568，驗證集的R2、RMSE、RPD分別為 0.758、4.142、2.135。

本研究針對華北平原棉區(qū)探索了基于無人機多光譜的棉花葉片SPAD建模方法，研究結(jié)果可豐富棉田生長指標(biāo)的定量遙感理論，為華北平原棉田長勢定量監(jiān)測提供技術(shù)支持和數(shù)據(jù)支撐。

4 討論

（1）本研究基于無人機近地多光譜，探明了華北平原地區(qū)棉花葉片SPAD的光譜特征，研究表明，紅光波段和紅邊波段與華北平原棉區(qū)的棉花葉片SPAD相關(guān)性最強，其中紅光波段為極顯著負(fù)相關(guān)波段，紅邊波段為正相關(guān)波段。這一研究結(jié)果與依爾夏提·阿不來提[11]利用高光譜估測新疆棉花冠層SPAD所確定的特征波段相一致，但又略有不同：在新疆棉區(qū)，紅邊波段較紅光波段的相關(guān)性更高，而在華北平原棉區(qū)，棉花葉片SPAD在紅光波段相關(guān)系數(shù)絕對值高于紅邊波段，可見，棉花葉片SPAD的特征波段可確定為紅光和紅邊，但具體的相關(guān)性強弱有地域的差異。

（2）筆者嘗試用BP神經(jīng)網(wǎng)絡(luò)方法和支持向量機方法建立估算模型，結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型相較于支持向量機模型精度更高、更穩(wěn)定，這一結(jié)果與前人結(jié)論基本吻合[31-33]。這是因為BP神經(jīng)網(wǎng)絡(luò)模型具有較強的非線性映射能力，能夠更好地解決植物葉綠素含量等非線性問題；在權(quán)值之內(nèi)，具有高度的自適應(yīng)及自學(xué)習(xí)能力，且容錯能力較強，有助于提高模型的估算精度。但BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)選擇不一，不同的參數(shù)設(shè)置會產(chǎn)生不同的結(jié)果，要根據(jù)大量實驗數(shù)據(jù)與分析確定BP模型網(wǎng)絡(luò)權(quán)值初始化中隱含層的賦值。

（3）目前，棉花葉片SPAD定量遙感反演還沒有統(tǒng)一的標(biāo)準(zhǔn)模型。本研究是針對華北平原地區(qū)花鈴期棉花葉片SPAD的遙感反演研究，所取得結(jié)果和結(jié)論對于其他區(qū)域以及其他生育期的研究是否適用有待進(jìn)一步研究探索。