付虹雨 王 薇 盧建寧 岳云開 崔國(guó)賢 佘 瑋

(湖南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院, 長(zhǎng)沙 410128)

0 引言

精準(zhǔn)農(nóng)業(yè)的發(fā)展依賴于詳細(xì)可靠的農(nóng)田狀況信息,如作物長(zhǎng)勢(shì)狀況、營(yíng)養(yǎng)狀況、雜草分布、病蟲害分布等。然而,傳統(tǒng)的田間作物信息獲取方法存在耗時(shí)耗力、破壞性強(qiáng)、時(shí)效性差等缺點(diǎn),嚴(yán)重阻礙了大規(guī)模作物生長(zhǎng)實(shí)時(shí)監(jiān)測(cè)。隨著低空高通量表型平臺(tái)的出現(xiàn),這一過(guò)程得到了改進(jìn)[1],以遙感技術(shù)和機(jī)器學(xué)習(xí)技術(shù)為主的作物高通量表型獲取技術(shù)使得農(nóng)田生產(chǎn)管理者能夠非破壞性、快速地獲取有價(jià)值的作物信息,改變了傳統(tǒng)的監(jiān)測(cè)策略[2]。

理化性狀是作物生長(zhǎng)過(guò)程中被廣泛關(guān)注的表型指標(biāo),能夠用于表征作物生長(zhǎng)動(dòng)態(tài)及潛力,與作物生命活動(dòng)息息相關(guān)。主要的作物理化性狀包括葉面積指數(shù)(Leaf area index,LAI)[3-4]、葉綠素相對(duì)含量(SPAD值)[5-6]、相對(duì)含水量(Relative water content,RWC)等。其中,LAI被證明與作物生長(zhǎng)、作物水分利用、作物碳吸收和產(chǎn)量有關(guān)[7-8];葉綠素含量可以用于判斷作物營(yíng)養(yǎng)狀況以及衰老進(jìn)程[9];而RWC作為表征作物水分狀況的關(guān)鍵參數(shù),是開展水分虧缺診斷的重要基礎(chǔ)。因此,SPAD值、LAI、RWC的快速、實(shí)時(shí)、精準(zhǔn)監(jiān)測(cè)對(duì)于作物營(yíng)養(yǎng)診斷、田間肥料精準(zhǔn)管理、作物生產(chǎn)能力評(píng)價(jià)和品質(zhì)預(yù)測(cè)等均具有重要意義[10-11]。

基于遙感技術(shù)和機(jī)器學(xué)習(xí)技術(shù)的作物理化性狀監(jiān)測(cè)手段,通過(guò)分析植物反射光譜特征來(lái)指示作物生理變化和損傷[12]。學(xué)者們嘗試使用不同傳感數(shù)據(jù)和不同建模方法優(yōu)化作物理化性狀遙感反演的性能,包括使用支持向量機(jī)、偏最小二乘回歸等傳統(tǒng)機(jī)器學(xué)習(xí)方法構(gòu)建多源遙感數(shù)據(jù)與實(shí)測(cè)作物理化性狀的經(jīng)驗(yàn)關(guān)系,通過(guò)深度神經(jīng)網(wǎng)絡(luò)或通過(guò)融合PROSAIL冠層反射率模型增強(qiáng)作物理化性狀反演的解釋性等。如,CHEN等[13]基于無(wú)人機(jī)高光譜數(shù)據(jù),結(jié)合PROSAIL輻射傳輸模型和6種回歸模型估測(cè)了玉米LAI,最佳模型R2為0.72。牛玉潔等[14]基于雷達(dá)點(diǎn)云和多光譜遙感數(shù)據(jù),采用PLSR構(gòu)建了LAI估測(cè)模型(R2=0.91)。馮海寬等[15]使用多種機(jī)器學(xué)習(xí)算法構(gòu)建了蘋果葉片葉綠素含量估測(cè)模型(R2=0.94)。盡管以上研究均表明高通量表型技術(shù)在作物理化性狀估測(cè)上具有巨大潛力,但當(dāng)前研究在利用多光譜影像分析作物理化性狀時(shí),通常假設(shè)反射指數(shù)遵循正態(tài)分布,而忽視了偏態(tài)分布中其他參數(shù)對(duì)作物理化性狀定量描述的意義[16-17],導(dǎo)致信息匱乏,極大地限制了遙感數(shù)據(jù)應(yīng)用。

1 材料與方法

1.1 試驗(yàn)區(qū)域

試驗(yàn)區(qū)位于湖南省長(zhǎng)沙市湖南農(nóng)業(yè)大學(xué)耘園教學(xué)基地(28°11′1″N,113°4′10″E),屬于典型的亞熱帶季風(fēng)性濕潤(rùn)氣候,降水充沛,光熱條件良好。試驗(yàn)共布置154個(gè)小區(qū),包含154份種質(zhì)資源(圖1)。各小區(qū)面積2 m×1.8 m,2行×4蔸,蔸間距0.4 m,行間距為0.6 m,排水溝寬為0.5 m。苧麻材料于2017年12月育苗移栽,2018年6月破稈。試驗(yàn)區(qū)土壤成分均一且土壤肥沃,灌溉排水便捷,田間水肥管理一致。

圖1 苧麻種質(zhì)試驗(yàn)小區(qū)分布圖

1.2 數(shù)據(jù)采集

1.2.1無(wú)人機(jī)多光譜遙感影像采集

于2022年苧麻苗期(3月15日、3月23日)、封行期(3月29日、4月7日)、旺長(zhǎng)期(4月12日、4月20日)采用大疆Phantom 4多光譜無(wú)人機(jī)獲取苧麻冠層影像。該無(wú)人機(jī)采用厘米級(jí)定位系統(tǒng),集成了6個(gè)相機(jī)(可見光、藍(lán)光、綠光、紅光、紅邊和近紅外),所有相機(jī)均擁有 200萬(wàn)像素解析力,拍攝圖像的最大分辨率為1 600像素×1 300像素。每次飛行選擇在晴朗無(wú)風(fēng)的10:00—12:00時(shí)間段進(jìn)行,無(wú)人機(jī)遙感系統(tǒng)采取距離地面20 m的高度搭配-90°云臺(tái)俯仰角進(jìn)行拍攝,航向及旁向重疊度均為85%。

1.2.2地面數(shù)據(jù)采集

采集的苧麻理化性狀包括SPAD值、LAI、RWC,地面數(shù)據(jù)的采集與無(wú)人機(jī)飛行在同一天進(jìn)行。采用SPAD-502型葉綠素儀測(cè)量苧麻冠層葉片SPAD值作為葉片葉綠素相對(duì)含量,測(cè)量時(shí),選取植株頂部下新展開的葉片(倒4葉或倒5葉),在葉基部開始20%～80%區(qū)域的主葉脈兩端,取平均值作為該葉片的SPAD值,然后隨機(jī)選取小區(qū)內(nèi)10株苧麻,取其平均值作為該小區(qū)的SPAD值;使用LAI-2200型冠層分析儀進(jìn)行苧麻L(zhǎng)AI采集;取苧麻葉片樣本稱取其濕質(zhì)量記為Wt,然后將上述樣本干燥,稱其干質(zhì)量為Wd,RWC定義為濕質(zhì)量與干質(zhì)量的差值和濕質(zhì)量的百分比。

1.3 多光譜遙感影像預(yù)處理

1.3.1遙感影像拼接與校正

采用大疆智圖軟件生成研究區(qū)域的正射影像。拼接過(guò)程中,導(dǎo)入地面控制點(diǎn)的三維空間位置信息進(jìn)行地理校正(圖2a),同時(shí)導(dǎo)入定標(biāo)板的實(shí)際反射率進(jìn)行輻射定標(biāo)(圖2b)。

(2)發(fā)布I/M制度相關(guān)的配套性文件。江蘇、廣州、張家港等地制定了《在用汽車尾氣排放相關(guān)維護(hù)技術(shù)規(guī)范》、《汽車尾氣排放性能維護(hù)企業(yè)(M站)技術(shù)服務(wù)要求》、《汽車尾氣排放治理維護(hù)站(M站)認(rèn)定標(biāo)準(zhǔn)》、《汽車檢測(cè)與維護(hù)(I/M)制度尾氣超標(biāo)治理業(yè)務(wù)流程》等配套性文件，完善配套制度強(qiáng)化市場(chǎng)監(jiān)管，制定技術(shù)規(guī)范和標(biāo)準(zhǔn)化工作流程，在部門職責(zé)、檢測(cè)標(biāo)準(zhǔn)、M站認(rèn)定、信息化平臺(tái)、監(jiān)督管理等方面明確具體要求，明確試點(diǎn)示范企業(yè)，為有效落實(shí)I/M制度提供了良好的工作基礎(chǔ)與技術(shù)儲(chǔ)備。

圖2 無(wú)人機(jī)遙感影像的地理校正及輻射定標(biāo)

1.3.2苧麻植株分割

利用無(wú)人機(jī)拍攝的苧麻冠層遙感影像可以最大限度地獲取頂部展開葉信息,但是,在苗期影像中不可避免地包含了陰影、裸地等非作物信息[18]。為避免干擾信息的影響,研究基于HSV通道的H通道值[19]對(duì)土壤進(jìn)行分割,并進(jìn)一步利用最大類間方差法去除雜草。

1.4 苧麻理化性狀估測(cè)模型構(gòu)建

1.4.1遙感特征值提取

以往研究中,往往僅選擇常用的植被指數(shù)進(jìn)行分析,忽視了高通量、多維度數(shù)據(jù)對(duì)作物目標(biāo)性狀估測(cè)的潛在價(jià)值。參照文獻(xiàn)[20-23],提取了48個(gè)光譜特征值的均值、標(biāo)準(zhǔn)差以及9個(gè)紋理特征值(表1)。

表1 遙感特征參數(shù)

1.4.2敏感特征篩選

篩選穩(wěn)定性高的敏感特征值對(duì)于模型性能極其重要,不僅能簡(jiǎn)化數(shù)據(jù)處理流程,還能夠減少無(wú)關(guān)信息對(duì)目標(biāo)變量的干擾。本研究分別采用相關(guān)性分析法和遞歸特征消除法來(lái)篩選與目標(biāo)變量有關(guān)的特征值,以上篩選方法均在Python中實(shí)現(xiàn)。

1.4.3建模方法及評(píng)價(jià)指標(biāo)

所采用的機(jī)器學(xué)習(xí)算法包括5種,分別為線性回歸、偏最小二乘回歸分析、支持向量機(jī)、決策樹(Decision tree,DT)和隨機(jī)森林。

每個(gè)時(shí)期從所有樣地中獲取154份樣本數(shù)據(jù),全生育期共獲取樣本924份。在建模過(guò)程中,采用比例7∶3將數(shù)據(jù)劃分為訓(xùn)練集和驗(yàn)證集,采用網(wǎng)格搜索方法尋找不同模型的最佳參數(shù),采用5-折交叉驗(yàn)證方法評(píng)估模型,均方根誤差(Root mean square error,RMSE)和決定系數(shù)(Coefficient of determination,R2)被用于量化和評(píng)估模型性能。

2 結(jié)果與分析

2.1 苧麻種質(zhì)資源理化性狀差異

表2為苧麻種質(zhì)資源SPAD值、LAI、RWC在生育期內(nèi)的時(shí)序變化及各時(shí)期統(tǒng)計(jì)描述。從苗期到旺長(zhǎng)期,氣溫逐漸升高,干旱脅迫下苧麻葉片萎蔫度增加,導(dǎo)致苧麻SPAD、RWC總體呈現(xiàn)下降趨勢(shì)。隨著麻莖生長(zhǎng),出葉總數(shù)逐漸增加,葉片面積逐漸變大,地面實(shí)際測(cè)量的LAI逐漸增大。

表2 各時(shí)期苧麻理化性狀統(tǒng)計(jì)描述

從不同生育期苧麻理化性狀存在的差異來(lái)看,苗期SPAD表現(xiàn)出更為明顯的品種差異,標(biāo)準(zhǔn)差達(dá)到4.018,表明苧麻種質(zhì)資源在苗期光效利用上存在較大變異,苗期可能是影響苧麻有機(jī)質(zhì)最終累積量的關(guān)鍵時(shí)期;苧麻RWC在不同生育期的總體范圍為60.809%～95.836%,較高的含水量差異有助于干旱條件下耐旱品種篩選;苧麻種質(zhì)資源LAI總體在0.907～7.636之間,同一生育期內(nèi)變化幅度不大。綜上所述,不同時(shí)期的苧麻理化性狀表現(xiàn)出明顯差異,數(shù)據(jù)集具備建模所需的梯度和差異性。

2.2 苧麻理化性狀與遙感特征值的相關(guān)性分析

表3為苧麻理化性狀與遙感特征值的相關(guān)性分析。由表3可知,苧麻SPAD與光譜特征值的相關(guān)性比與紋理特征值的相關(guān)性更高,平均相關(guān)系數(shù)達(dá)到0.199。苧麻RWC、LAI與紋理特征值的相關(guān)性比與光譜特征值的相關(guān)性更顯著,RWC與紋理特征值的平均相關(guān)系數(shù)達(dá)到0.547,LAI與紋理特征的平均相關(guān)系數(shù)達(dá)到0.563。

表3 不同類型遙感特征值與苧麻理化性狀的相關(guān)性分析

研究進(jìn)一步分析了光譜特征值偏態(tài)參數(shù)與苧麻理化性狀的相關(guān)性。與光譜特征值均值相比,標(biāo)準(zhǔn)差總體上具有與RWC、LAI更高的相關(guān)性系數(shù),分別達(dá)到0.411和0.390。因此,在依靠遙感特征值對(duì)作物理化性狀進(jìn)行建模估測(cè)時(shí),可考慮遙感特征值的偏態(tài)分布情況。

2.3 不同建模策略對(duì)苧麻理化性狀估測(cè)精度的影響

分別采用PCA和RFE篩選敏感特征值作為模型變量,并以模型精度為指標(biāo),評(píng)估不同特征篩選方法的有效性。由表4可知,與對(duì)照(CK)相比,PCA和RFE均提高了估測(cè)模型的最終精度,但RFE具有更好的表現(xiàn)。采用RFE篩選特征后,LR-SPAD估測(cè)精度最高,R2分別比CK和PCA提高9.241%、8.525%;LR-RWC估測(cè)精度最高(R2=0.793,RMSE為2.213%),R2分別比CK和PCA方法提高8.631%、6.300%;SVR-LAI估測(cè)精度R2達(dá)到0.737,比CK和PCA方法提高0.959%、0.959%。由此可知,特征篩選是作物反演建模過(guò)程中必不可少的步驟,RFE能提供更加穩(wěn)定的特征選擇。

表4 不同特征篩選方法對(duì)苧麻生理指標(biāo)估算精度的影響

在建模算法上,對(duì)比了LR、RF、SVR、PLSR、DT算法的建模精度(表4)。LR、RF、SVR、PLSR在估測(cè)苧麻理化性狀上的綜合表現(xiàn)相當(dāng),在SPAD值上,這4種算法的估測(cè)精度都在0.592以上;對(duì)于RWC,4種算法也取得了較高的估測(cè)精度,R2均在0.760以上;對(duì)于LAI,以上4種算法R2均在0.698以上。但是,DT對(duì)所有苧麻理化性狀的估測(cè)效果都很差,并且存在訓(xùn)練集過(guò)擬合,測(cè)試集精度極低的情況。

2.4 基于多維特征的苧麻理化性狀估測(cè)

表5為基于光譜特征值和多維特征值的估測(cè)精度對(duì)比。由表5可知,對(duì)于苧麻SPAD值,基于單一光譜特征構(gòu)建的估測(cè)模型精度更高,這一結(jié)果驗(yàn)證了苧麻SPAD值與光譜特征值之間相關(guān)性更高的結(jié)論。多源特征值的融合取得了更高的估測(cè)精度,對(duì)比單一光譜特征值的估測(cè)結(jié)果,基于多源特征值的苧麻RWC、LAI估測(cè)模型的R2分別提高2.648%、0.950%,RMSE分別減小4.817%、1.408%。綜上所述,多維數(shù)據(jù)融合并不適用于所有作物理化性狀的估測(cè)。

表5 基于不同類型特征值的苧麻理化性狀估測(cè)

2.5 基于多時(shí)序數(shù)據(jù)融合的苧麻理化性狀估測(cè)

由圖3可知,對(duì)于所有苧麻理化性狀,基于多時(shí)序數(shù)據(jù)構(gòu)建的估測(cè)模型都具有最佳效果。對(duì)于苧麻SPAD值,單一生育期模型R2為0.270～0.367,由大到小表現(xiàn)為苗期、封行期、旺長(zhǎng)期;對(duì)于RWC,單一生育期模型R2為0.026～0.086,多時(shí)序數(shù)據(jù)的融合顯著提升了RWC估測(cè)效果,分別比苗期、封行期、旺長(zhǎng)期估測(cè)精度提高93.583%、90.081%、77.127%;對(duì)于LAI,單一生育期模型性能由大到小表現(xiàn)為封行期、苗期、旺長(zhǎng)期,R2分別為0.666、0.596、0.368,RMSE分別為0.598、0.487、0.707。綜上所述,使用多個(gè)生長(zhǎng)階段數(shù)據(jù)進(jìn)行建模將提高苧麻種質(zhì)資源生理生化指標(biāo)估測(cè)精度。

圖3 不同生育期苧麻理化性狀估測(cè)精度

3 討論

針對(duì)特征篩選,研究比較PCA和RFE 2種方法篩選敏感特征值的有效性(表4),結(jié)果表明,RFE比PCA具有更好的處理效果,特征篩選能顯著提高模型精度。另外,作物理化指標(biāo)對(duì)遙感特征值的類型也存在響應(yīng)差異,相比多光譜特征值和紋理特征值,RGB波段特征值與苧麻SPAD值具有更強(qiáng)相關(guān)性,證明了低成本RGB相機(jī)在作物葉綠素反演中的應(yīng)用潛力。然而在以往研究中,盡管RGB波段信息具有很好的估算能力[24],但多光譜波段特征與作物SPAD值存在更大相關(guān)性[25]。紋理特征值在苧麻種質(zhì)資源RWC和LAI估測(cè)中發(fā)揮關(guān)鍵作用,這是因?yàn)?光譜植被指數(shù)在LAI和RWC較大時(shí)會(huì)出現(xiàn)飽和現(xiàn)象,存在估測(cè)局限性。

針對(duì)算法篩選,以往研究表明,適宜的算法有助于提高作物理化指標(biāo)估測(cè)的精度[26]。研究對(duì)比了LR、RF、SVR、PLSR 4種機(jī)器學(xué)習(xí)算法的性能,結(jié)果表明4種算法都能較好估測(cè)苧麻種質(zhì)資源理化指標(biāo),并且具有較高的估測(cè)精度。但是,機(jī)器學(xué)習(xí)算法也存在一些問(wèn)題,如對(duì)數(shù)據(jù)集的大小和結(jié)構(gòu)要求高,算法過(guò)程復(fù)雜,中間變量過(guò)多[27]。

針對(duì)多時(shí)序數(shù)據(jù)融合,研究結(jié)果表明使用多個(gè)生長(zhǎng)階段數(shù)據(jù)進(jìn)行建模將提高苧麻種質(zhì)資源理化指標(biāo)估測(cè)精度,因?yàn)樵谀承┪锖蚱诎l(fā)現(xiàn)的差異可以在其他物候期得到補(bǔ)償[28],這一結(jié)論與HUNTER等[29]的研究結(jié)果一致。

4 結(jié)論

(1)苧麻各項(xiàng)理化性狀對(duì)不同類型遙感特征值的響應(yīng)程度不同,苧麻SPAD值對(duì)RGB波段光譜特征值敏感,而苧麻RWC、LAI除了與光譜特征值具有較強(qiáng)相關(guān)關(guān)系外,與紋理特征值也存在顯著相關(guān)。另外,光譜偏態(tài)參數(shù)能夠提供額外的數(shù)據(jù)信息。

(2)不同的機(jī)器學(xué)習(xí)算法在模型構(gòu)建與驗(yàn)證中有不同表現(xiàn),除DT外,其他4種算法構(gòu)建的模型精度相當(dāng)且穩(wěn)定,其中基于LR的苧麻SPAD值、RWC估測(cè)模型精度分別為0.662、0.793,基于SVR的苧麻L(zhǎng)AI估測(cè)精度可達(dá)到0.737。

(3)對(duì)比單一生育期模型,基于多時(shí)序數(shù)據(jù)構(gòu)建的苧麻生理生化指標(biāo)估測(cè)模型具有更好的估測(cè)效果,但該模型在監(jiān)測(cè)單個(gè)生長(zhǎng)階段的作物性狀時(shí)會(huì)產(chǎn)生較大的誤差。