多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

韩振强,李卫国,,张晓东,李 伟,马廷淮,张 宏,姚永胜

(1．江苏大学农业工程学院,江苏镇江212013;2.江苏省农业科学院农业信息研究所,江苏南京210014;3.江苏大学流体机械工程技术研究中心,江苏镇江 212013;4.南京信息工程大学,江苏南京210044)

叶片叶绿素含量是农作物生长过程中的重要理化参数,对农作物光合能力、生长态势、肥水丰缺等具有较好指示作用[1]。小麦是我国主要粮食作物之一,其高产稳产对国家粮食安全和人民生活水平提高具有重要意义。准确、快速获取叶片叶绿素含量有助于实时掌握小麦的营养和长势状况,为田间管理提供科学依据[2]。传统获取叶片叶绿素含量的方法或需野外人工采样结合室内定量测试,或利用叶绿素仪实地进行人工测定,这些方法均费时费力,难以获取大面积作物的叶片叶绿素含量信息[3-4]。遥感技术具有覆盖范围广、动态、连续监测等优点,已被广泛应用于农作物长势监测、产量估算、病虫害预测等方面[5-6],也为农作物叶片叶绿素含量估测提供了新方法。在遥感光谱波段中红光和近红外对绿色农作物敏感,蕴含了大量与叶片叶绿素含量相关的光谱信息,已有较多学者进行了大量研究。如魏青等[7]利用无人机多光谱数据构建植被指数,并与冬小麦叶片叶绿素含量(winter wheat leaf chlorophyll content,WWLCC)进行相关性分析,建立WWLCC的关键生育时期估测模型;杨峰等[8]通过比较多种植被指数与作物叶面积指数和叶片叶绿素密度的相关性,利用线性回归建立了作物叶片叶绿素密度估算模型;陈晓娜等[9]利用线性拟合方法,分别构建了基于敏感波段和植被指数的WWLCC估测模型;Schlemmer等[10]将玉米叶片高光谱反射率进行导数处理计算NDVI,基于多元线性回归实现对玉米叶绿素含量的有效估测;Shen等[11]建立偏最小二乘回归模型对WWLCC进行估测。有学者尝试采用图像处理的方法估测WWLCC,如苑迎春等[12]利用图像分割算法提取颜色特征参数进而对WWLCC估测,但未用于大田估测。前述研究主要是通过分析单个或少量几个遥感光谱指标和叶片叶绿素含量之间的关系,利用线性回归方法实现对叶绿素含量的快速估测。叶片叶绿素含量与多个光谱反射率和植被指数(本文统称为遥感光谱指标)之间存在多重关系,利用单一或少量遥感光谱指标进行叶片叶绿素含量估测虽然具有建模快捷、简单的特点,但所建模型在不同区域的通用性较差。

近年来,机器学习方法在遥感反演上的应用较广泛,如BP神经网络在作物生长参数反演、作物产量估算、作物病虫害预测等方面取得较好应用效果[13-15]。有关将多个遥感光谱指标和BP神经网络结合进行大田冬小麦叶片叶绿素含量(WWLCC)估测的研究少有报道。本研究通过在江苏省连云港市东海县、盐城市大丰区和泰州市泰兴市分别布置WWLCC估测试验,在获取冬小麦冠层叶片红光波段反射率(BRred)、近红外波段反射率(BRnir)和WWLCC的基础上,根据波段反射率(BRred、BRnir)和多个植被指数(NDVI、DVI、RVI、SAVI、MSR、RDVI、EVI2和NLI)与WWLCC之间的相关性,筛选遥感光谱指标,并基于这些遥感光谱指标建立WWLCC的BP神经网络估测模型,以期形成WWLCC有效估测的新方法,为大田冬小麦生长监测以及水肥管理提供辅助支持。

1 材料和方法

1.1 试验区概况和数据获取

在江苏省连云港市东海县、盐城市大丰区和泰州市泰兴市分别布置冬小麦叶片叶绿素含量(WWLCC)估测试验。2022年3月24日至28日(冬小麦拔节期),用Juno ST(美国)手持GPS仪在东海县、大丰区和泰兴市三个试验区定位,各选择30个试验样点(共90个)进行数据获取。4月15日(冬小麦抽穗期),在泰兴市进行相同定位试验样点获取数据。每个试验样点间隔约1～2 km,田间冬小麦长势良好,施肥、灌溉等管理措施与当地常规冬小麦田相同。试验点田块面积不少于62 500 m2(250 m×250 m),且土壤肥力均匀。冬小麦供试品种为苏麦13、苏麦18和苏麦9023,播种方式为撒播。在天气晴朗、风力较小的天气情况下,于10:00-14:00期间,在每个试验样点田块中间位置用GreenSeeker(美国)光谱仪,采用梅花线对角法分别测量冬小麦冠层BRred和BRnir,重复测量5次,计算平均值作为单个试验样点的光谱信息数据。为避免测量时太阳高度角的变化对光谱信息采集造成的误差,每隔10 min使用白板进行一次校正。WWLCC的测量是利用SPAD-502Plus叶绿素仪(日本),对冬小麦植株冠层的上、中、下部分所有叶片分别进行测量获取SPAD(soil and plant analyzer develotrnent)值,将三个部位测量值的平均值作为该植株的叶片叶绿素含量,再测量5株得出平均值作为每个试验样点的WWLCC(%)。

1.2 植被指数计算

利用Green Seeker光谱仪在试验区样点测得冬小麦冠层BRred(Red band reflectance)和BRnir(Near infrared band reflectance)并计算八个植被指数(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]。计算公式如下:

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为土壤调节系数,取值范围为0～1,当Y=0.5时可以将绿色植被中土壤变化和植被冠层干扰降至最低。

1.3 BP神经网络

BP神经网络由输入层、中间层(也称隐含层)和输出层组成,输入层和输出层是单层,隐含层是多层。各层神经元仅与相邻层神经元之间相互全连接,同层内神经元之间无连接,各层神经元之间无反馈连接。训练开始时,为避免奇异样本数据对输出结果影响,加快训练网络收敛,需先将输入数据进行归一化处理,使数据范围位于[0,1]区间[18]。计算公式为:

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

(9)

y=(x-μ)/σ

(10)

y=log10x

(11)

式中,y为归一化后的数据,x为原始数据,Min为数据最小值,Max为数据最大值,μ为数据均值,σ为数据标准差。

处理后的数据从输入层经过隐含层,最后到达输出层,若输出层的数值未到达期望输出数值,计算输出层的误差变化值后,将误差进行反向传播,然后依次调节隐含层到输出层和输入层到隐含层的权重和偏置,直到输出数值满足期望输出数值后,将模型估测值输出。输出之前需要对数据进行反归一化处理,反归一化处理即归一化处理的逆运算。计算公式为:

x1=y1(Max-Min)+ Min

(12)

x1=σ×y1+μ

(13)

x1=10y1

(14)

式中,x1为反归一化处理后的估测值,y1为反归一化处理前的估测值。

本研究通过构建三层BP网络(即1个隐含层)对WWLCC进行估测。隐含层节点数对所建的神经网络估测模型的精度影响很大,隐含层节点数确定依据前人研究方法[19-20]。计算公式如下:

(15)

m=log2n

(16)

(17)

式中,m为隐含层节点数,n为输入层节点数,l为输出层节点数,α为1～10之间的常数。

1.4 模型构建与精度验证

利用统计软件对10个遥感光谱指标(BRred、BRnir、NDVI、DVI、RVI、SAVI、MSR、RDVI、EVI2和NLI)与WWLCC的相关性进行分析,选择其中相关性相对较好的遥感光谱指标作为输入变量,并利用东海县和大丰区拔节期60个试验样点数据建立叶片叶绿素含量BP神经网络估测模型(WWLCCBP)。建模完成后,分别将泰兴市拔节期和抽穗期的各30个试验区样点数据输入到WWLCCBP估测模型计算WWLCC的估测值。然后将估测值和对应试验区样点实测值进行线性拟合,采用r2(coefficient of determination)、RMSE(root mean square error)和ARE(average relative error)作为估测模型的精度评价指标,R2值越大,RMSE和ARE值越小,WWLCC估测模型的估测精度越高。r2、RMSE和ARE的计算公式如下:

(18)

(19)

(20)

1.5 影像数据获取与预处理

高分六号卫星(GF6/WFV)遥感影像数据于中国资源卫星应用中心下载(http://www.cresda.com/)。GF6/WFV卫星配置多光谱中分辨率相机,观测幅宽为800 km,空间分辨率为16 m×16 m。影像获取时间为2022年3月28日,在遥感影像处理软件中对下载的卫星遥感影像进行辐射定标、大气校正、几何校正和影像裁剪等预处理[21]。

2 结果与分析

2.1 多遥感光谱指标和WWLCC之间的相关性

对60个建模试验样点的BRred、BRnir、NDVI、DVI、RVI、SAVI、MSR、RDVI、EVI2和NLI等10个遥感光谱指标与WWLCC进行相关分析,结果(表1)表明,不同遥感光谱指标与WWLCC之间的相关性存在差异。其中,BRred与WWLCC呈负相关,其他遥感光谱指标与WWLCC均呈正相关。10个遥感光谱指标中,BRnir与WWLCC之间的相关程度最低,相关系数为0.424;NDVI与WWLCC之间相关程度最高,相关系数为0.634。遥感光谱指标与WWLCC之间的相关系数绝对值表现为NDVI>MSR>NLI>BRred>RVI>SAVI>RDVI=EVI2>DVI>BRnir。本研究选择相关系数绝对值大于0.55的前5个遥感光谱指标(NDVI、MSR、NLI、BRred和RVI)作为构建模型的输入变量。

表1 遥感光谱指标与WWLCC之间的相关系数(n=60)Table 1 Correlation coefficients between remote sensing spectral indices and leaf chlorophyll contentof winter wheat(n=60)

2.2 WWLCC的BP神经网络估测模型建立

以优选出来的5个遥感光谱指标(NDVI、MSR、NLI、BRred和RVI)作为输入变量,WWLCC作为输出变量,利用东海县和大丰区60个试样点数据建立WWLCC的BP神经网络估测模型(WWLCCBP)。在模型训练时,用trainlm函数作为训练函数,用tansig函数作为隐含层激活函数,用purelin函数作为输出层函数[22]。结合公式(15)、(16)和(17),可确定隐含层节点数的范围为3～9。不同隐含层节点数的BP神经网络模型估测WWLCC有不同结果,且r2和RMSE的值不同,因而需要先确定最佳隐含层节点数。

从所建WWLCC估测模型的r2和RMSE值(表2)看,隐含层节点数对WWLCC估测模型的精度有较大的影响。随着隐含层节点的增加,r2呈先增后减的趋势,RMSE呈先减后增的趋势。当隐含层节点数为7时,估测模型的r2达到最大,为0.839,且RMSE最小,为5.39。因此,确定最佳隐含层节点数为7,对应的模型结构为5-7-1。估测模型的隐含层权重和偏差见表3。

表2 不同隐含层节点数的BP神经网络模型对WWLCC的估测精度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神经网络估测模型的权重和偏差Table 3 Weight and deviation of winter wheat leaf chlorophyll content estimation model based on BP neural network

WWLCC估测模型(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分别为隐含层第i个神经元的输出和输入,bi为隐含层第i个神经元的偏差,i=1,2,3,4,5,6,7,wni为输入层第n个神经元与隐含层第i个神经元的连接权重,n=1,2,3,4,5。

2.3 WWLCC估测模型的精度评价

将泰兴市冬小麦拔节期和抽穗期的各30个试样点数据的NDVI、MSR、NLI、BRred和RVI作为输入变量输入到WWLCCBP估测模型中,得到泰兴市冬小麦WWLCC估测值,并将其与试样点实测值进行线性拟合。由图1可知,两个时期的估测值与实测值的拟合点都均匀地分布在1∶1线的两侧,拟合点的离散程度均较小。其中,拔节期WWLCC实测值主要分布在43.3～55.2之间,估测值主要分布在43.2～53.7之间,r2为0.84,ARE为9.87%;抽穗期的实测值主要分布在47.2～61.5之间,估测值主要分布在49.3～61.2之间,r2为0.69,ARE为14.67%。综上来看,WWLCCBP估测模型在拔节期和抽穗期的估测值与实测值较为一致,说明多个遥感光谱指标结合构建的WWLCCBP估测模型有较好的估测精度,可以实现大田冬小麦叶片叶绿素含量的有效估测。

2.4 县域WWLCC空间信息遥感监测

利用WWLCCBP估测模型和泰兴市GF6/WFV遥感影像估测泰兴市全市WWLCC空间分布信息,得到遥感信息图(图2)。根据试验样点实测数据初步将叶片叶绿素含量(SPAD)分为三个等级:一级(长势旺盛,红色)SPAD值≥53.7;二级(长势正常,绿色)SPAD值43.2～53.7和三级(长势偏弱,黄色)SPAD值≤43.2。由图2可知,叶片叶绿素含量为二级的冬小麦种植面积为25 483 hm2,占冬小麦总面积的69.81%,主要分布在泰兴市的中部及东部地区,如根思、姚王、河失、南沙和珊瑚等乡镇(绿色),这些乡镇冬小麦田块面积较大,种植较为集中。这些地区冬小麦叶片叶绿素含量正常,长势状况良好,说明肥水管理适当,能够满足冬小麦生长。叶片叶绿素含量为一级的冬小麦种植面积为4 548 hm2,占冬小麦总面积的12.46%,主要分布在泰兴市的北部及东北部地区,如刘陈、元竹和古溪等乡镇(红色),这些乡镇叶片叶绿素含量偏高,长势过旺,需要减免肥水管理,以防冬小麦发生倒伏或病虫害。叶片叶绿素含量为三级的冬小麦种植面积为6 464 hm2,占冬小麦总面积的17.71%,主要分布在泰兴市的西部和西北部,如过船、大生和蒋华等乡镇(黄色),这些乡镇田块较小且分散,冬小麦叶片叶绿素含量偏低,说明长势偏弱,应及时加强肥水管理措施,以促冬小麦正常生长。

图2 泰兴市冬小麦叶片叶绿素含量空间分布遥感监测

3 讨论

前人对于冬小麦生长参数(如叶面积指数、生物量以及叶绿素含量等)遥感估测大致可分为三种方法:第一种是选择单个遥感光谱指标采用一元线性回归方法建立估测模型,第二种是选择几个遥感光谱指标采用多元线性回归方法建立估测模型,第三种是选择几个遥感光谱指标结合机器学习的方法建立估测模型。前两种方法可以快速建立模型实现对小区域田块生长参数的估测,但利用简单几个光谱信息难以准确反演生长参数信息。机器学习以其优秀的自适应自学习能力和非线性映射能力在生长参数反演方面具有独特优势,有助于揭示遥感光谱指标与生长参数之间的多重内在关系。本研究将多个遥感光谱指标和BP神经网络结合建立模型实现对WWLCC的估测,优选多个相关性较好的遥感光谱指标作为模型的输入变量,减小估测模型的误差,BP神经网络代替简单的线性回归弥补了单一线性拟合的不足,将自变量和因变量进行多次非线性拟合,并将误差反向传播,提高估测模型的精度。在遥感光谱指标的选择以及建模方法方面加以改进,利用多个遥感光谱指标和BP神经网络所建立的WWLCCBP估测模型精度较高,结合卫星遥感影像可生成县域冬小麦WWLCC空间分布信息图,有利于获取不同叶绿素含量等级的冬小麦种植面积信息,为大面积的冬小麦生长参数智能化遥感估测提供科学方法。

实时掌握冬小麦拔节期、抽穗期等关键生育时期的叶片叶绿素含量空间分布信息,可快速获取大面积冬小麦的长势情况,有利于水肥管理的实时调整。本研究以冬小麦叶片叶绿素含量为研究对象,通过分析多个遥感光谱指标与WWLCC相互关系,确立与WWLCC相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BRred和RVI)建立了WWLCCBP估测模型,并对模型进行精度验证,表明WWLCCBP估测模型在拔节期和抽穗期的估测精度都较好,说明综合多个遥感光谱指标和BP神经网络进行建模,可以有效获取大面积的大田WWLCC信息数据,可为县级农业管理部门提供决策参考。由于试验样本有限,未能全面了解WWLCC和更多遥感光谱指标之间的相互关系,建立的模型以及参数选择尚待完善。此外,本研究仅采用高分六号卫星遥感数据,今后将考虑结合其他卫星遥感数据进行光谱信息融合,分析其对模型精度的影响,并结合更多的冬小麦遥感生长监测试验,引入其他光谱或生长参数指标(如叶面积指数和地上生物量)改进WWLCC估测模型,以提高WWLCCBP估测精度。

4 结论

通过分析10个遥感光谱指标和WWLCC之间的相关性,确立了相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BRred和RVI),并建立WWLCCBP估测模型。利用实测数据验证,WWLCCBP估测模型在拔节期的r2为0.84,RMSE为5.39,ARE为9.87%,估测精度为90.13%。抽穗期的估测精度与拔节期较为一致,估测精度为85.33%。WWLCCBP和高分六号影像结合进行研究区域冬小麦叶片叶绿素含量的空间信息监测,明确了县域WWLCC的空间分布特征,叶片叶绿素含量(SPAD值)在43.2～53.7之间的冬小麦种植面积为25 483 hm2,占冬小麦总播种面积的69.81%。不同WWLCC等级信息的获取可辅助肥水管理措施的调整。多遥感光谱指标和神经网络结合建模可以实现对县域冬小麦叶片叶绿素含量的准确获取。