基于分数阶微分和连续投影算法-反向传播神经网络的小麦叶片含水量高光谱估算 下载: 973次
1 引言
叶片含水量(LWC)是植被重要的化学组成部分,是涉及许多生理过程和生态系统模式的关键变量,也是植被蒸腾和固碳的主要限制因素,在作物生长过程中起到重要作用[1-2]。快速、准确地获取作物叶片含水量信息对于作物长势监测、干旱状况监测,以及灌溉管理等具有重要的意义。
与传统的叶片含水量地面实测方法相比,高光谱遥感具有信息量大、快速、经济等优点,是精确估算植被含水量强有力的工具,为生产不同时空尺度上的植被含水量分布图提供了可能性[3-4]。国内外学者基于常用的高光谱估算植被含水量的方法,如基于高光谱波段选择及光谱变换的植被含水量估算、基于光谱指数的植被含水量估算、基于辐射传输模型的植被含水量估算等[5],开展了大量的科学研究:Dobrowski等[6]研究发现,690 nm和740 nm处的冠层光谱可以较好地反映植被水分胁迫情况;田永超等[7]发现,小麦拔节期到抽穗期,810~870 nm和1480~1650 nm波段的光谱反射率与叶片含水率的相关性最高,抽穗期到成熟期,叶片含水率与610~710 nm和1480~1500 nm波段反射率的相关性较高;王圆圆等[8]利用冬小麦3个发育期的实测冠层光谱,结合偏最小二乘回归和迭代特征去除,建立了基于波段的提取叶片含水量的回归模型,提高了叶片含水量预测的精度;Chen等[9]利用1640 nm和2130 nm波段建立了归一化差值水分指数NDWI1640和NDWI2130,而且对中分辨率成像光谱仪(MODIS)影像采用归一化植被指数(NDVI)和归一化水指数(NDWI)来定量反演玉米的含水量,得到了较好的效果;邓兵等[5]对近红外角度指数(ANIR)进行改进,提出了近红外角度归一化指数(NANI)与近红外角度斜率指数(NASI),建立起NANI和NASI与植被含水量的线性回归模型,结果发现,模型的决定系数(
本文在农田尺度上利用春小麦实测高光谱数据和叶片含水量数据,采用连续投影算法(SPA),筛选出水分敏感波段,建立用于估算春小麦叶片含水量的反向传播(BP)神经网络模型,探索高光谱分数阶微分用于估算小麦叶片含水量的可行性,进而为星载、机载高光谱技术快速、大范围、定量反演小麦叶片含水量提供参考。
2 材料与方法
2.1 研究区概况
实验于2017年6月在新疆大学阜康科学实验基地东北角面积2 hm2的农田里进行。该科学实验基地位于新疆阜康市东北部的上户沟乡黄山村荒漠草场(88°22'~88°29'E, 44°23'~44°22'N),占地480 hm2,属于典型的中温带大陆性干旱气候区,冬季寒冷,夏季酷热,春秋季气候变化剧烈,降水稀少,蒸发量大,光照充足,热量丰富,年均气温6.7 ℃,年均降水量205 mm,年均无霜期174天。实验基地及其周围地区地势平坦,土层深厚,土壤保水保肥力强,是典型的干旱区耕作区,也是新疆主要的粮食基地,主要农作物有小麦、玉米等。本文每隔12 m做一个60 cm×60 cm的采样区用于采集小麦样本和测量春小麦冠层叶片光谱反射率。
2.2 光谱数据的采集与处理
在春小麦抽穗期进行光谱反射率的测定。利用美国Analytical Spectral Divices公司研发的ASD FieldSpec3光谱仪进行测定,波谱范围为350~2500 nm:在350~1000 nm范围内采样间隔为1.4 nm;在1000~2500 nm范围内采样间隔为2 nm,重采样后可达到1 nm。为了减少太阳高度角的影响,选择无云晴朗的天气,在北京时间10:00—14:00进行,每隔3~5 min进行一次白板校正。为了减少噪声的影响,每个样本采集10条光谱曲线,设测量间隔0.1 s,取其平均值作为样本的光谱数据。
所测得的光谱数据中,首先去除噪声较大的边缘波段350~399 nm和2401~2500 nm,以及红外波段1355~1444 nm和1777~1949 nm,剩下的光谱曲线用Savitzky-Golay滤波方法进行平滑处理。利用最常用的Grünwald-Letnikov(G-L)分数阶微分一元函数差分[14-15],在MATLAB2017a中实现对平滑后的光谱反射率数据的0~2阶微分(间隔0.2,阶数0表示平滑后原始光谱数据)的计算,处理后的光谱数据将作为下一步筛选水分敏感波段的依据。G-L分数阶微分-元函数差分表达式为
式中:
2.3 叶片含水量的测定
在采集光谱数据的同时,在每个小采样区内采摘植株样本放于密封塑料袋内,保证植株水分不受损失。在实验室中,将春小麦的叶片和茎分开,用感量为0.0001 g的电子天平称取每个样本的叶片质量,记为鲜重。然后将所有样本放入烘箱(80 ℃)中烘36 h,再称质量,记为干重。本实验将55个样本随机分为两组:一组为建模样本(35个,占总数的64%),用于建立春小麦叶片含水量预测模型;另一组为验证样本(20个,占总数的36%),用于验证建立的估算模型。叶片含水量
式中:
2.4 水分敏感波段的选择
首先利用Pearson相关分析法,对光谱0~2阶微分和小麦叶片含水量进行相关分析,找出相关系数通过0.01水平显著性检验的波段作为叶片水分敏感波段,再利用SPA进行精细的筛选,消除共线性波段的存在。SPA在生成一个波段组合的过程中,首先以某个波段为基础,分别获取其对剩余每个波段上的投影值,把投影值最大的波段选取为该组合中的一个特征波段,重复此投影步骤,筛选下一个波段,直到挑选出一定数目的波段为止[16]。SPA的计算过程如下[17]。
设用于建模的光谱数据为
1) 以任意一个波长点为起始波长点
2) 计算
3) 寻找最大投影值处的波长点,设
4) 将该波长点归入波长组合;
5) 令
6) 得到一个波长组合{
通过MATLAB2017a编程实现SPA过程。
2.5 模型建立与验证
在MATLAB2017a平台下,利用神经网络工具箱来建立用于估算春小麦叶片含水量的BP神经网络模型。常用的BP神经网络模型由输入层、隐含层和输出层组成,其中心思想是通过调整权值使网络总误差最小,通过把学习的结果反馈到中间的隐含层,改变他们的权系数矩阵,从而达到预期的学习目的[18]。此模型中,隐含层根据经验公式,不断地调节选取0~2阶微分合适的神经元个数。
式中:
对建立的模型从稳定性和预测能力两方面进行验证。模型的稳定性用决定系数(
3 结果与讨论
3.1 春小麦冠层光谱特征分析
图 1. 春小麦冠层光谱曲线。(a)不同含水量春小麦冠层光谱曲线;(b) 0~2阶微分春小麦冠层光谱曲线
Fig. 1. Canopy spectral curves of spring wheat. (a) Canopy spectral curves of spring wheat with different water contents; (b) canopy spectral curves of spring wheat with 0-order to 2-order differentials
3.2 分数阶微分对相关系数的影响及对敏感波段的提取
在以上分析的基础上,将春小麦叶片含水量和0~2阶微分反射率逐波段做Pearson相关分析,得出相关系数在各波长上的分布图(
图 2. MLWC和光谱反射率的相关系数。(a) MLWC和0阶光谱的相关系数;(b) MLWC和0.2、0.4、0.6、0.8阶光谱的相关系数;(c) MLWC和1阶光谱的相关系数;(d) MLWC和1.2阶光谱的相关系数;(e) MLWC和1.4阶光谱的相关系数;(f) MLWC和1.6阶光谱的相关系数;(g) MLWC和1.8阶光谱的相关系数;(h) MLWC和2阶光谱的相关系数
Fig. 2. Correlation coef?cients between MLWC and spectral re?ectance. (a) Correlation coefficients between MLWC and 0-order spectrum; (b) correlation coefficients between MLWC and 0.2, 0.4, 0.6, 0.8-order spectra; (c) correlation coefficients between MLWC and 1-order spectrum; (d) correlation coefficients between MLWC and 1.2-order spectrum; (e) correlation coefficients between MLWC and 1.4-order spectrum; (f) correlation coefficients between MLWC and 1.6-order spectrum; (g) correlation coefficients bet
在Pearson相关分析的基础上,利用SPA从相关系数通过0.01水平显著性检验的波段中进一步筛选水分敏感波段,筛选结果如
表 1. SPA筛选出的波段个数及组合
Table 1. Numbers and combinations of bands selected by SPA
|
3.3 模型建立与验证
以SPA筛选出的最佳波段组合作为输入层,以小麦叶片含水量作为输出层,根据(3)式计算最佳隐含层个数,建立BP神经网络模型(因0~0.8阶微分未选出最佳波段组合,不建立模型)。建模及验证结果如
表 2. 建模结果比较
Table 2. Comparison of modeling results
|
图 3. BP神经网络模型实测值与预测值的拟合分析结果。(a) 1阶微分;(b) 1.2阶微分;(c) 1.4阶微分;(d) 1.6阶微分;(e) 1.8阶微分;(f) 2阶微分
Fig. 3. Fitting analysis results between measured values and predicted values by BP neural network model. (a) 1-order differential; (b) 1.2-order differential; (c) 1.4-order differential; (d) 1.6-order differential; (e) 1.8-order differential; (f) 2-order differentials
为了进一步验证模型的估测精度,利用验证样本对模型进行验证(
4 结论
以春小麦为研究对象,利用野外原始光谱0~2阶微分数据,以及55个样本的春小麦叶片含水量数据,基于SPA算法筛选水分敏感波段,建立6个可用于估算春小麦叶片含水量的BP神经网络模型,并从中选出估算精度最高的模型。通过对光谱数据进行分数阶微分处理,发现处理后的小麦
[1] Rodríguez-Pérez J R, Ordóñez C, González-Fernández A B, et al. . Leaf water content estimation by functional linear regression of field spectroscopy data[J]. Biosystems Engineering, 2018, 165: 36-46.
[2] Fang M H, Ju W M, Zhan W F, et al. A new spectral similarity water index for the estimation of leaf water content from hyperspectral data of leaves[J]. Remote Sensing of Environment, 2017, 196: 13-27.
[3] 林毅, 李倩, 王宏博, 等. 高光谱反演植被水分含量研究综述[J]. 中国农学通报, 2015, 31(3): 167-172.
[4] 梁亮, 张连蓬, 林卉, 等. 基于导数光谱的小麦冠层叶片含水量反演[J]. 中国农业科学, 2013, 46(1): 18-29.
[5] 邓兵, 杨武年, 慕楠, 等. 基于光谱分析与角度斜率指数的植被含水量研究[J]. 光谱学与光谱分析, 2016, 36(8): 2546-2552.
[7] 田永超, 朱艳, 曹卫星, 等. 小麦冠层反射光谱与植株水分状况的关系[J]. 应用生态学报, 2004, 15(11): 2072-2076.
[8] 王圆圆, 李贵才, 张立军, 等. 利用偏最小二乘回归从冬小麦冠层光谱提取叶片含水量[J]. 光谱学与光谱分析, 2010, 30(4): 1070-1074.
[10] 郑兴明, 丁艳玲, 赵凯, 等. 基于Landsat 8 OLI数据的玉米冠层含水量反演研究[J]. 光谱学与光谱分析, 2014, 34(12): 3385-3390.
[11] 李召良, 秦其明, 等. 全覆盖植被冠层水分遥感监测的一种方法: 短波红外垂直失水指数[J]. 中国科学, 2007, 37(7): 957-965.
[12] 徐继刚, 冯新泸, 管亮, 等. 分数阶微分在红外光谱数据预处理中的应用[J]. 化工自动化及仪表, 2012, 39(3): 347-351.
[13] 张文文, 杨可明, 夏天, 等. 光谱分数阶微分与玉米叶片重金属铜含量的相关性分析[J]. 科学技术与工程, 2017, 17(25): 33-38.
[14] 林世敏, 许传炬. 分数阶微分方程的理论和数值方法研究[J]. 计算数学, 2016, 38(1): 1-24.
[15] 张东. 塔西甫拉提·特依拜, 张飞, 等. 分数阶微分算法对盐渍土高光谱数据的影响研究[J]. 光学学报, 2016, 36(3): 0330002.
[16] Liu K, Chen X J, Li L M, et al. A consensus successive projections algorithm-multiple linear regression method for analyzing near infrared spectra[J]. Analytica Chimica Acta, 2015, 858: 16-23.
[17] 刘明博, 唐延林, 李晓利, 等. 水稻叶片氮含量光谱监测中使用连续投影算法的可行性[J]. 红外与激光工程, 2014, 43(4): 1265-1271.
[18] 刘全明, 成秋明, 王学, 等. 河套灌区土壤盐渍化微波雷达反演[J]. 农业工程学报, 2016, 32(16): 109-114.
[19] , 等. 基于WorldView-2影像的土壤含盐量反演模型[J]. 农业工程学报, 2017, 33(24): 200-206.
Article Outline
吾木提·艾山江, 买买提·沙吾提, 马春玥. 基于分数阶微分和连续投影算法-反向传播神经网络的小麦叶片含水量高光谱估算[J]. 激光与光电子学进展, 2019, 56(15): 153002. Hasan Umut, Sawut Mamat, Chunyue Ma. Hyperspectral Estimation of Wheat Leaf Water Content Using Fractional Differentials and Successive Projection Algorithm-Back Propagation Neural Network[J]. Laser & Optoelectronics Progress, 2019, 56(15): 153002.