边明博 马彦鹏 樊意广 陈志超 杨贵军 冯海宽

(1.北京市农林科学院信息技术研究中心, 北京 100097; 2.农业农村部农业遥感机理与定量遥感重点实验室, 北京 100097;3.河南理工大学测绘与国土信息工程学院, 焦作 454000; 4. 南京农业大学国家信息农业工程技术中心, 南京 210095)

0 引言

马铃薯是世界第四大粮食作物[1],马铃薯产业的健康发展对保障国家粮食安全和居民生活水平具有重要意义。中国马铃薯种植面积居世界首位,但单位产量低于世界平均水平[2]。叶绿素是主导作物光合作用的重要色素,其含量变化是表征作物胁迫状况、光合作用能力和衰老进程的信息[3]。叶绿素含量与氮含量高度相关,叶绿素含量可以直接反映作物的长势情况[4]。因此,及时准确地估算具有群体特征的作物冠层叶绿素含量,对监测作物长势和指导施肥管理具有重要的意义[5]。

传统的叶绿素含量调查通过人工破坏性取样方式获得,具有效率低、成本高,并对作物造成损伤导致减产等局限性[6]。遥感技术以宏观、无损、快速及便捷等优点广泛应用于农业信息获取方面,其迅速发展为农作物表型信息提取提供了新的技术手段与方法[7]。随着遥感监测能力的提升,超低空无人机(Unmanned aerial vehicle,UAV)遥感系统凭借其低成本、高分辨率、云下获取影像等优点,成为作物表型信息监测研究的热点,成为大规模作物长势动态监测的最有力工具[8]。 马铃薯与常规作物(如大豆、玉米和冬小麦)不同,生长前期主要以营养生长为主,生长后期会将前期积累的营养物质转移到地下块茎,这使得作物表型性状和光谱响应的变化会产生剧烈差异。无人机多光谱包含近红外波段信息可以快速响应叶绿素含量,无人机数码影像分辨率高,纹理等数据的精度较高。

刘杨等[9]利用DSM提取马铃薯的株高(Hdsm),通过无人机数码影像提取植被指数和H、Hdsm组成新的数据集与马铃薯AGB做相关性分析,结果表明各生育期基于3种回归技术均以植被指数融入Hdsm构建的模型精度最高,估算能力最强;陶惠林等[10]利用无人机数码影像,从作物表面模型中获取小麦株高信息,提取株高和实测株高R2达到0.87,加入实测株高和估测株高的可见光植被指数估算生物量的R2由0.72提升至0.79和0.82;LANG等[11]获取了玉米冠层的无人机RGB影像并基于HSV颜色模型去除土壤背景,然后使用基于BP神经网络建立玉米叶绿素含量检测模型,结果表明颜色和纹理特征的图像参数组合将叶绿素的确定系数精度由0.70提升到0.72;YUE等[12]利用无人机高光谱和RGB影像分别将光谱指数、作物株高以及株高和光谱指数进行融合来构建冬小麦地上生物量模型,结果表明单一变量估测效果不如融合变量效果好;陈鹏等[13]结合多光谱光谱和纹理特征进行马铃薯叶片叶绿素含量估算,光谱和纹理构成的综合指标模型相关系数比指数模型、纹理模型均有提升;SUN等[14]从无人机多光谱图像中提取光谱参数和纹理特征,通过纹理特征的线性计算,构建归一化差异纹理指数(NDTI)、差异纹理指数和比值纹理指数(RTI)。结果表明,无人机多光谱特征和纹理特征的结合是提高LAI估计精度的有效途径;目前将植被指数与作物参数或纹理特征结合的研究已有很多,使用植被指数与不同的作物形态学信息或纹理共同建模是一种提升作物参数反演精度的手段。但以上研究只使用了一种遥感器,不能将多种遥感器的优势相结合。

樊意广等[15]利用无人机高光谱和数码影像提取马铃薯地面覆盖度和株高等作物结构信息,结合绿边参数构建4种融合特征参数,结果表明最优融合参数模型在5个生育期R2均提高0.2以上; FENG等[16]利用SVR-REF和RF-REF方法对不同压实情况下的苜蓿高光谱进行特征重要性排序,将3种广泛使用的机器学习器(包括随机森林(RF)、支持向量回归(SVR)和K最近邻(KNN))相结合,开发了一个集成机器学习模型。结果表明,集成模型的性能优于所有基础学习者,决定系数R2达到0.874。将选择不同类型特征融合的方法一般是根据相关性排序简单筛选,参数与因变量的相关性R2可评价单个参数与因变量的相关性,而对模型的贡献不能体现出来,按相关性添加参数会因为共线性影响使模型R2虚假升高,也无法清楚得知每个添加的纹理特征对反演模型的影响。本文首先通过多光谱影像提取光谱信息构建植被指数,无人机RGB影像提取纹理信息,然后采用SVR-REF特征筛选方法进行重要性排序,最后采取迭代的方法使用SVR和KNN两种机器学习方法构建马铃薯冠层叶绿素含量反演模型。旨在构建一个可动态观测模型精度变化的模型,并通过添加不同个数纹理特征时模型R2变化,了解纹理特征对马铃薯叶绿素含量反演精度的影响,最后选取最佳LCC反演模型,以监督作物的营养状况和长势。

1 材料与方法

1.1 研究区域与实验设计

本研究于北京市昌平区小汤山镇国家精准农业研究示范基地开展。实验区域位于小汤山镇东部(40°10′34″N,116°26′39″E)。该实验区属暖温带大陆半湿润半干旱季风气候,平均海拔34 m,多年平均气温11.8℃,年平均降水584 mm,年平均无霜期203 d。

实验区域采取图1中小区梯度施肥设计,共划分48个小区(5 m×6.5 m),选用早熟马铃薯品种中薯5(Z5)和中薯3(Z3)作为实验品种。设置3种密度(T0:60 000 株/hm2、T1:72 000 株/hm2、T2:84 000 株/hm2),每组处理6个小区,重复3次。设4种氮素水平(N0:0 kg/hm2,N1:244.65 kg/hm2,N2:489.15 kg/hm2,N3:733.5 kg/hm2),每组处理8个小区,重复3次。设3种钾肥水平(K0:0 kg/hm2,K1:970.5 kg/hm2(T区和N区均为K1处理),K2:1 941 kg/hm2)。为保证影像拼接精度,在实验小区均匀设置11个控制点(G1～G11),并以高精度差分定位系统(GPS)进行毫米级定位。

图1 马铃薯实验小区概况Fig.1 Overview of potato experimental community

1.2 无人机影像获取及处理

无人机光谱影像是以红杉多光谱镜头为遥感平台,分别获取马铃薯块茎形成期、块茎增长期、淀粉积累期的多光谱影像。飞行高度20 m,航线重叠率85%,均在无风无云晴朗天气进行数据采集,并根据太阳高度角调节航线。每次飞行后检查图像是否缺失。并使用Photoscan软件对图像进行拼接得到正射影像。并对正射影像进行几何校正和辐射校正。最后使用ArcGIS软件绘出矢量小区,并使用ENVI软件提取小区平均光谱。得到每个小区的冠层光谱反射率。RGB影像是以大疆精灵4型数码相机为遥感平台,和多光谱影像在相同时间采集数据并做相同预处理。

1.3 地面数据获取及处理

在2019年5月28日、6月10日、6月20日进行3次叶绿素样品测定,地面数据的获取和无人机数据获取同步进行。为避免因水分散失引起误差采样后立即用保鲜袋将样品密封带回实验室,将每个小区选取的植株样品筛选出6片典型马铃薯叶片,用直径为0.8 cm的打孔器获取12片小样品,用精度为0.001 g的天平称取样品质量,样品质量 0.2 g左右。样品称量后放入装有80 mL、质量分数为95%乙醇浸提液的刻度试管中,然后将试管置于黑暗中,每天摇动一次,直至叶片完全变白(3～7 d)后用分光光度计测定乙醇溶液在可见光440、649、665 nm处的吸光度值并利用LICHTENTHALER[17]的方法计算叶绿素的含量(mg/g)。

1.4 植被指数与纹理信息获取

1.4.1特征筛选

根据相关研究,本研究选取18个与叶绿素反演相关性较好的植被指数:叶绿素指数-绿光[12](Chlorophyll index-green light,CIG)、归一化植被指数[13](Normalized difference vegetation index,NDVI)、绿色归一化差值植被指数(Green normalized difference vegetation index,GNDVI)、叶绿素指数-红边[13](Chlorophyll index-red edge,CIRE)、归一化差异红边植被指数[13](Normalized difference red-edged vegetation index,NDRE)、归一化差值植被指数[13](Normalized difference vegetation index,RDVI)、优化土壤调整植被指数[13](Optimize the soil and adjust the vegetation index,OSAVI)、比值植被指数[13](Ratio vegetation index,RVI)、土壤调节植被指数[13](Soil regulated vegetation index,SAVI)、叶面叶绿素指数[18](Leaf chlorophyll index,LCI)、差值环境植被指数[18](Differential environmental vegetation index,DVI)、绿色差值环境植被指数[18](Green difference environmental vegetation index,GDVI)、二次改进土壤调整植被指数[19](Secondary of adjustment soil vegetation index,MASVI2)、改进红边比值植被指数(Modified red edge simple ratio index,MSR)[18]、改进非线性植被指数[19](Modify nonlinear vegetation index,MNLI)、非线性植被指数[19](Nonlinear vegetation index,NLI)、温度归一化植被指数[20](Temperature normalized vegetation index,TNDVI)、三角植被指数[20](Triangular vegetation index,TVI)用于构建叶绿素反演模型。

Gabor变换也称加窗傅里叶变换(高斯函数作为窗函数),是一种从时间域到频率域的转换,它在提取目标的局部空间和频率域信息方面具有良好的特性。Gabor滤波器与人类视觉系统中简单细胞的视觉刺激响应非常相似,它对于图像的边缘敏感,能够提供良好的方向选择和尺度选择特性对。本研究首先使用Gabor滤波器对经过预处理的RGB正射影像进行处理,然后选取5个不同尺度对3个生育期RGB正射影像滤波,最后统计3个波段通道的4个特征值(Mean、 Ent、 Sec、 Var )共60个纹理特征作为建模参数。

1.4.2建模方法

SVR-REF是一种支持向量机回归算法,它是在SVM分类算法基础上发展而来的。与SVM算法不同的是,SVR-REF算法用于解决回归问题,而不是分类问题。其基本思想是将回归问题转换为多个二分类问题,并使用支持向量机进行回归。SVR-REF算法的优点是可以处理回归问题,且在训练过程中只需要使用一部分数据,具有较好的计算效率和内存效率。其缺点是参考向量的选择可能对预测结果产生影响,本研究通过SVR-REF特征筛选方法, 对植被指数和纹理分别进行特征筛选,得到重要性排序。

SVR是一种监督学习模型,其特征是使用内核。在 SVR 中变量首先通过核函数从原始空间转换为另一个空间。然后确定线性函数以最小化训练数据和不敏感损失函数之间的误差。KNN回归模型是一种基于邻近算法的非参数回归模型,可以用于预测一个样本的输出值。该模型的基本思想是通过找到最接近待预测样本的K个邻居,并使用这些邻居的输出值的加权平均值来估计待预测样本的输出值。在本研究中,使用了随机抽样法划分样本,选取70%的变量作为建模,剩余30%作为验证。并使用决定系数(Coefficient of determination,R2),均方根误差(Root mean squared error,RMSE)和标准均方根误差(Normalized root mean squared error,NRMSE)作为模型精度评价指标。

2 实验结果与分析

2.1 叶绿素分布

本研究利用分光光度计法获取每个小区的马铃薯叶绿素含量,由图2马铃薯叶绿素含量的箱线图可知其分布,需要持续光合的马铃薯生长分为3个主要阶段:块茎形成期、块茎增长期和淀粉积累期。块茎形成期叶绿素含量范围0.94～2.23 mg/g,平均叶绿素含量1.39 mg/g;块茎增长期叶绿素含量范围0.66～1.79 mg/g,平均叶绿素含量1.15 mg/g;淀粉积累期叶绿素范围0.40～1.51 mg/g,平均叶绿素含量0.91 mg/g。

图2 叶绿素含量分布箱线图Fig.2 Boxplot of chlorophyll content distribution

2.2 特征重要性排序

本研究使用SVR-REF方法对指数进行排序,由于SVR-REF特征筛选方法为依次建模删除最不相关的自变量,将22个光谱植被指数和60个纹理参数分别进行筛选排序,排序结果如表1、2所示。由表1可知,在3期实验中,CIG、GDVI、GNDVI的波段重要性排名比较靠前。

表1 植被指数特征重要性排序Tab.1 Vegetation index feature importance ranking

由表2可知,B-Var-1、G-Ent-4、G-Ent-2、G-Mean-1、B-Sec-2、G-Ent-3、B-Mean-1、G-Ent-1、B-Mean-3、G-Mean-2在纹理指数重要性排序中较为靠前。

表2 纹理特征重要性排序Tab.2 Texture index feature importance ranking

2.3 模型特征选择

为了探索高性能的特征变量,使用迭代的方法将变量逐次加入机器学习模型中。并采取随机抽样的方法划分模型训练集和测试集,随机选取70%的样本用来建模,30%的样本用来验证,并寻找最佳植被指数模型,在植被指数模型R2达到最高时,把纹理特征加入植被指数构建的反演模型,观察模型的R2精度变化。通过观察加入纹理特征后的模型精度变化,由图3可以看出,在添加了纹理特征后,3个马铃薯主要生育期的模型稳定性均有提升。块茎形成期的SVR模型,前19个植被指数参与建模模型R2精度达到最高值0.58,加入前4个纹理特征模型R2精度达到最高0.65,精度提升13.7%。块茎形成期KNN模型,在前7个植被指数参与建模时模型R2精度达到最高值0.55,加入前3个纹理特征模型R2精度达到最高0.58,精度提升6.8%。块茎增长期SVR模型,加入前16个植被指数参与建模模型R2精度达到最高值0.68,加入前2个纹理特征模型R2精度达到最高0.72,精度提升4.8%。块茎增长期的KNN模型,加入前11个植被指数参与建模时模型R2精度达到最高值0.56,加入前4个纹理特征模型R2精度达到最高0.60,精度提升4.3%。淀粉积累期SVR模型中,前3个植被指数参与建模时模型R2精度达到最高值0.51,加入前9个纹理特征模型R2精度达到最高0.65,精度提升27.3%。淀粉积累期KNN模型中,前5个植被指数参与建模时模型R2精度达到最高值0.52,加入前7个纹理特征模型R2精度达到最高0.63,精度提升22.6%。

图3 不同生育期迭代特征模型精度变化Fig.3 Variation in accuracy of iterative feature models at different growth stages

2.4 马铃薯叶绿素含量建模

本研究使用支持向量回归(SVR)和最近邻算法(KNN)分别采用VIs和VIs与纹理特征相结合的数据模型,对马铃薯的3个生长阶段(块茎形成期、块茎生长期和淀粉积累期)进行预测。模型参数选择:SVR模型Kernel为rbf,gamma为auto,tol为0.001,其余参数为默认参数;KNN模型n_nieighbors为5,weight为uniform,其余参数为默认参数。不同生育期下马铃薯叶绿素反演结果如表3所示。研究评估了模型的表现,并使用R2、RMSE和NRMSE来评估模型的准确性。植被指数与融合数据模型验证见图4。

表3 各生育期基于机器学习模型精度评定Tab.3 Each fertility period evaluated based on accuracy of machine learning model

图4 植被指数与融合数据模型验证Fig.4 Vegetation index and fusion data model validation

(1)块茎形成期,SVR模型建模集VIs的R2为0.58,RMSE为0.19 mg/g,NRMSE为18.2%,VIs和纹理特征相结合的R2为0.65,RMSE为0.17 mg/g,NRMSE为16.8%,模型精度提升8.9%。验证集VIs的R2为0.61,RMSE为0.2 mg/g,NRMSE为17.8%,VIs和纹理特征相结合的R2为0.71,RMSE为0.17 mg/g,NRMSE为15.3%,模型精度提升14.2%。KNN模型建模数据集中VIs参与建模的R2为0.55,RMSE为0.20 mg/g,NRMSE为19.2%,使用VIs和纹理特征相结合的R2为0.58,RMSE为0.19 mg/g,NRMSE为18.3%,模型精度提升5%。验证数据集VIs的R2为0.64,RMSE为0.16 mg/g,NRMSE为17.7%,VIs和纹理特征相结合的R2为0.65,RMSE为0.16 mg/g,NRMSE为17.3%,模型精度提升1.9%。

(2)块茎增长期, SVR模型建模数据集中VIs的R2为0.71,RMSE为0.15 mg/g,NRMSE为13.6%,VIs和纹理特征相结合的R2为0.79,RMSE为0.13 mg/g,NRMSE为11.6%,模型精度提升13.3%。验证数据集VIs的R2为0.59,RMSE为0.16 mg/g,NRMSE为16.4%,VIs和纹理特征相结合的R2为0.67,RMSE为0.14 mg/g,NRMSE为14.97%,模型精度提升8.9%。在KNN模型建模数据集中VIs的R2为0.48,RMSE为0.2 mg/g,NRMSE为18.4%,VIs和纹理特征相结合的R2为0.55,RMSE为0.18 mg/g,NRMSE为17.3%,模型精度提升10%。验证数据集VIs的R2为0.73,RMSE为0.16 mg/g,NRMSE为15.2%,VIs和纹理特征相结合的R2为0.74,RMSE为0.17,NRMSE为15.9%,模型精度下降4.3%。

(3)淀粉积累期,SVR模型中建模数据集VIs的R2为0.47,RMSE为0.17 mg/g,NRMSE为15.6%,VIs和纹理特征相结合的R2为0.63,RMSE为0.14 mg/g,NRMSE为13.0%,模型精度提升17.6%。验证数据集VIs的R2为0.62,RMSE为0.17 mg/g,NRMSE为17.6%,VIs和纹理特征相结合的R2为0.70,RMSE为0.14 mg/g,NRMSE为14.7%,模型精度提升16.7%。KNN模型中建模数据集VIs的R2为0.48,RMSE为0.18 mg/g,NRMSE为16.5%, VIs和纹理特征相结合的R2为0.63,RMSE为0.16 mg/g,NRMSE为14.6%,模型精度提升11.1%。验证数据集VIs的R2为0.63,RMSE为0.14 mg/g,NRMSE为18.3%, VIs和纹理特征相结合的R2为0.66,RMSE为0.13,NRMSE为17.0%,模型精度提升6.4%。

3 讨论

本研究通过测量植被绿色光谱反射率和近红外光谱反射率来计算的CIG、GDVI、GNDVI植被指数在3个时期中重要性排序都为前10,绿光波段对健康茂盛的植物反射敏感,近红外波段透过率强,估算叶片叶绿素含量效果更好[21]。在加入的纹理特征中,方差和均值参与建模的数量最多。使用迭代添加特征的方法,可以观察特征加入模型精度的变化,植被指数和纹理参数在最优叶绿素反演模型中所占比例。在SVR模型中,3个时期参与建模的植被指数数量分别为19、16、3,纹理数量分别为4、2、9,R2由0.58、0.68、0.51提升至0.65、0.72、0.65,分别提升13.7%、4.8%、27.3%,在KNN模型中,3个时期参与建模的植被指数数量分别为7、11、5,纹理数量分别为3、4、7,模型R2由0.55、0.48、0.48提升至0.58、0.55、0.63,分别提升6.8%、4.3%、22.6%,当植被指数模型精度低时,加入的纹理信息可以更好地提升叶绿素含量估算模型的精度。由图3和表3可知,SVR方法构建的模型精度优于KNN,主要原因是SVR利用复杂的核函数将数据映射到高维空间中,能够更好地处理数据噪声和异常值。

由结果可知,3个生育期模型加入了纹理特征后精度均有提升,这和文献[22]的研究一致,主要原因是叶片表面的纹理结构可以改变光的入射角度和方向,从而改变叶绿素吸收光的效率,可以提高叶绿素反演的精度。在块茎形成和块茎增长期,马铃薯植株为封垄状态,植被指数可以较好地预测马铃薯冠层叶绿素含量,纹理信息的添加对模型精度提升不太明显,并且只有少数纹理信息对精度提升有积极作用。在淀粉积累期,由于干物质转移,叶片开始枯萎发黄,此时植被指数不足以很好地响应叶绿素的变化时,纹理信息作为叶绿素反演的信息补充,更多的纹理指数参与建模,并且大幅提升马铃薯叶绿素含量反演模型精度。

本研究以植被指数结合纹理特征作为模型变量,利用SVR-REF方法进行特征降维,分别利用2种机器学习方法构建马铃薯3个生育期的叶绿素含量估算模型,结果显示,马铃薯植被指数结合纹理在两种建模方法中精度都有所提升。这可为作物叶绿素含量状况快速检测装置的开发与集成提供参考。本研究使用无人机多光谱和RGB影像对马铃薯叶片叶绿素含量进行估算。旨在快速无损监测马铃薯叶片叶绿素含量。对于未来的工作,将采用高光谱数据进行更深入地植被指数的分析,提升模型的精度。此外,后续研究中将添加更多不同类型的纹理和物候土壤等信息,以达到模型的异地迁移。

4 结论

(1)相较于单一的植被指数特征,各生育期加入纹理特征均能提升马铃薯叶片叶绿素含量的估算精度。

(2)在SVR模型中,3个时期参与建模的植被指数数量分别为19、16、3,纹理数量分别为4、2、9,R2由0.58、0.68、0.51提升至0.65、0.72、0.65,分别提升13.7%、4.8%、27.3%;在KNN模型中,3个时期参与建模的植被指数数量分别为7、11、5,纹理数量分别为3、4、7,模型R2精度分别提升6.8%、4.3%、22.6%。当植被指数模型精度低时,加入的纹理信息可以更好地提升叶绿素含量估算模型的精度。

(3)SVR和KNN回归构建的马铃薯叶绿素含量估算模型中,以植被指数结合纹理特征的SVR模型效果最好。3个生育期的建模R2由0.58、0.71、0.47提升至0.65、0.79、0.63,RMSE由0.2、0.16、0.17 mg/g降低至0.17、0.14、0.14 mg/g,NRMSE由17.8%、16.4%、17.6%降至15.3%、15.0%、14.7%。验证R2由0.60、0.59、0.62提升至0.70、0.67、0.69,RMSE由0.19、0.15、0.17 mg/g降低至0.17、0.13、0.14 mg/g,NRMSE由18.2%、13.6%、15.6%降至16.8%、13.3%、13.0%,表明纹理参与建模可以提升马铃薯叶绿素含量的估算。该研究为马铃薯叶绿素估算提供了种新的方法。