孫世澤， 汪傳建， 劉 偉， 張 雅， 趙慶展

(石河子大學信息科學與技術學院/兵團空間信息工程技術研究中心/兵團空間信息工程實驗室，新疆石河子 832000)

草地生物量是天然草地生態(tài)系統(tǒng)動態(tài)研究的重要衡量指標，是草地資源合理利用和載畜平衡監(jiān)測的重要依據(jù)[1]。為了快速、便捷、有效地監(jiān)測草地資源，國內(nèi)外學者開始利用衛(wèi)星遙感技術來估算生物量。然而傳統(tǒng)的衛(wèi)星遙感重復周期長，無法及時有效地獲取地面準確信息[2]，且攝影測量易受大氣影響，分辨率低，地形復雜時難以獲取像元真值，難以滿足實際需求。近年來，無人機遙感具有低成本、低風險、高時效、高分辨率、云下獲取影像等特點[3]，使其迅速成為了遙感不可或缺的技術手段，給遙感技術在作物估產(chǎn)[4-5]、災害分析[6-7]、地物分類[8-9]等各個領域提供了新的平臺。

然而分辨率提高的同時，多光譜影像相鄰波段的相關性也大大提高，導致了大量信息冗余，增加了后期數(shù)據(jù)處理的難度，也需要消耗更多的信息空間[10-12]，因此必須進行數(shù)據(jù)降維預處理，才能進行后期數(shù)據(jù)分析。秦方普等采用圖論的譜聚類算法，利用波段互信息和圖譜劃分理論，生成類間相似度小、類內(nèi)相似度大的類簇，通過計算每一簇各波段的類間可分性因子，篩選出每一簇的代表性波段，從而達到降維的目的[13]。劉雪松等提出一種基于最大信息量的無監(jiān)督波段選擇方法，以K-L散度為信息量的度量指標，通過分析信息量在整個數(shù)據(jù)集中的分布情況，采用迭代的方法，逐步移除對數(shù)據(jù)集的信息量影響最小的波段，從而實現(xiàn)降維[14]。程志慶等將最佳指數(shù)與相關系數(shù)通過熵權評價值進行融合，選取出了反映小麥葉片葉綠素含量的最佳波段組合，并與其他波段選擇方法進行了對比，驗證了該方法可以提高葉綠素含量模型的精度[15]。

綜上所述，最佳波段組合的研究已有不少進展，但大多數(shù)都是以基于高光譜數(shù)據(jù)的地物分類為研究目標，基于多光譜數(shù)據(jù)的最佳波段組合還很少見，不少文獻指出選取最佳波段組合要針對研究的目標對象和所要突出的專題信息來進行，不同的研究對象有不同的最佳波段組合[12，16-17]。此外，大多數(shù)研究都是從信息量和信息冗余這兩方面考慮最佳波段組合，不能確定所選波段與植被光譜特征之間具有較大相關性?；谝陨暇窒扌裕狙芯坷脽o人機搭載多光譜Micro MCA12 Snap傳感器獲取多光譜影像，從波段光譜特征和植被在可見光紅光波段有很強的吸收，在近紅外波段有很強的反射特性這一基本光譜特性入手，對所有波段進行分組，結合最佳指數(shù)因子和最大相關系數(shù)選取最佳組合波段，建立天然草地生物量估算模型，以期能通過對比選取最佳波段組合，提高估算模型精度。

1 研究區(qū)數(shù)據(jù)獲取及預處理

1.1 研究區(qū)概況及生物量獲取

研究區(qū)中心位置位于85°46′15.06″E，44°00′13.23″N，地處新疆天山北坡中段，屬新疆生產(chǎn)建設兵團第八師一五一團，無人機影像面積大約3 500 m2，該區(qū)域?qū)儆诘湫偷臏貛Т箨懶詺夂?，冬季長而寒冷，夏季短而炎熱，年平均溫度6.5～7.2 ℃，年均降水量125.0～207.7 mm，海拔在980～1 100 m之間，地貌以低山丘陵和寬谷平原為主。陰陽坡草地類型迥異，陽坡屬迎風坡，地表風蝕，礫石居多，沙化嚴重，植被類型以荒漠草甸為主，植被主要有博洛塔絹蒿。陰坡雨量充沛，空氣和土壤濕度較高，植被覆蓋度高，植被類型以山地草甸為主，植被主要有針茅、苔草和丁彬花，另外河谷有少量灌叢、蕁麻和樹木等植被。

無人機拍攝結束后，地面采集生物量工作立即展開，整個研究區(qū)共隨機布設了40個樣方，每個樣方大小為1 m×1 m，手持GPS終端記錄其位置信息，齊地面刈割法收集所有樣方內(nèi)的草地生物量，使用高精度電子秤稱取每個樣方中的植被生物量，記錄樣方中植被的指標，主要內(nèi)容包括草地生物量、經(jīng)緯度及高程、主要植被種類和所在坡向。

1.2 多光譜數(shù)據(jù)獲取

本研究所采用的無人機是大疆Spreading Wing S1000+八旋翼無人機，懸停功耗1 500 W，整機質(zhì)量4.4 kg，有效載荷3 kg。傳感器為美國Tetracam公司生產(chǎn)的Micro MCA12 Snap多光譜相機，具有質(zhì)量輕、體積小及遠程觸發(fā)等特點，共有12個波段，每個波段配備1.3兆像素CMOS傳感器，光圈F3.2，焦距9.6 mm，圖像分辨率為1 280像素×1 024像素，數(shù)據(jù)采集時間為2016年7月27日，相對航高30 m，屬低空拍攝，拍攝時天氣狀況良好，無風無云。獲取影像基本不受大氣因素的影響，由于本研究對各波段范圍并沒有嚴格要求，所獲取的影像沒有進行嚴格的輻射定標。典型區(qū)域布置了5塊白板，用于影像的幾何校正處理。圖1為典型區(qū)域影像。

1.3 數(shù)據(jù)預處理

無人機影像獲取后利用傳感器自帶的校正文件進行通道校正，波段合成和格式轉(zhuǎn)換，使用Pix4D Mapper對處理過的影像進行拼接、地理位置疊加、空三加密等操作，得到數(shù)字正射影像，最后導入ENVI圖像處理軟件中進行幾何校正、影像裁剪等處理，最終選取畸變較小的典型區(qū)域進行研究。圖2為數(shù)據(jù)處理流程圖。

2 最佳波段組合

以典型區(qū)域為例，進行統(tǒng)計分析，得到各波段之間的相關性系數(shù)矩陣，波段間相關性系數(shù)表示2個波段之間數(shù)據(jù)的相似度，系數(shù)越大，表示數(shù)據(jù)相似度越高，組合后冗余信息越多；系數(shù)越小，表示數(shù)據(jù)相似度越低，組合后冗余信息越少。波段間相關系數(shù)的計算公式為：

(1)

從各波段相關性系數(shù)矩陣看出，相鄰波段的相關系數(shù)均在0.89以上，存在大量信息冗余。

最佳波段組合應滿足3個基本條件：

(1)各波段信息量較大；

(2)波段間相關性較??；

(3)所選波段組合可提高估算模型精度。

表1 典型區(qū)域A多光譜影像各波段相關性系數(shù)矩陣

2.1 波段分組

植被光譜特征是區(qū)別植被與其他地物、植被類型，以及監(jiān)測植被生長情況等的重要基礎。植被的反射光譜，隨著葉片葉綠素含量、葉細胞結構、含水量等因素的影響，在不同波段會表現(xiàn)出不同的反射光譜特征[18]。Micro MCA12 Snap傳感器各個波段的光譜特征見表2。其中第1波段位于可見光藍光區(qū)域，第2、3、4波段位于可見光綠光區(qū)域，第5、6、7波段位于植被反射曲線的紅邊區(qū)域，第8、9、10、11、12波段位于近紅外區(qū)域。植被在可見光紅光波段有很強的吸收特性，在近紅外波段有很強的反射特性，這是利用紅光和近紅外波段進行植被遙感監(jiān)測的物理基礎?；诖耍瑢⑸鲜?2個波段分為3組，前4個波段為第一組，中間3個波段為一組，最后5個波段為一組。從表1可以看出，組內(nèi)各波段的相關性相對較高，而不同組之間的相對性較弱，最佳波段組合的選取應著眼于組內(nèi)各波段的比較，而不是組間，因此分別選取每組具有代表性的一個波段，然后組合后進行對比分析。

表2 Micro MCA12 Snap傳感器波長及波段特征

2.2 最佳指數(shù)因子(OIF)

最佳指數(shù)由美國查維茨教授提出，計算方法簡單，易于操作。理論依據(jù)是：圖像數(shù)據(jù)的標準差越大，所包含的信息量也越多，而波段的相關系數(shù)越小，表明各波段的圖像數(shù)據(jù)獨立性也越高，信息的冗余度也就越小。計算公式如下：

(2)

式中：Si為波段i的標準差，rij為波段i與波段j之間的相關系數(shù)。OIF指數(shù)越大則說明波段間的相關性越小，3個波段所包含的信息量越大。在不同組內(nèi)任意選擇1個波段進行組合，利用C++編程計算其OIF值。

2.3 最大相關系數(shù)(MCC)[15]

MCC是一種利用植被參數(shù)與光譜波段數(shù)據(jù)間的相關系數(shù)大小作為特征波段選取指標的提取特征波段方法，由OIF法獲取的各個三波段組合求最大相關系數(shù)，計算公式如下：

Rstd=Rtotal-rstd。

(3)

式中：Rstd為判斷3個波段相關系數(shù)同時最大指標，Rtotal為3個波段各自與生物量相關系數(shù)的總和，rstd為3個波段各自與生物量相關系數(shù)的標準差。由于其計算簡單易于操作，在信息降維與有用波段提取中較為常用。表3為波段分組后OIF值排在前5位的波段組合以及MCC值。

表3 OIF值排在前5位的波段組合

2.4 植被指數(shù)及估算模型的選取

近年來，許多國內(nèi)外學者在植被指數(shù)構建方面做了不少嘗試，其中歸一化植被指數(shù)(NDVI)較為常用，考慮到NDVI受大氣、土壤反射率和植被生長后期高覆蓋度的影響[5]，因此還選取了適合于植被覆蓋度較高的比值植被指數(shù)(RVI)。此外，不少關于草地估產(chǎn)的研究[19-20]指出：在生物量低于370 g/m2時，一元線性估算模型精度較高，模型較為成熟，應用廣泛，足以反映植被的生長狀況。因此本研究選擇這2種植被指數(shù)來建立一元線性估算模型，具體計算公式如下：

(4)

式中：ρnir、ρred分別為每組波段組合中紅光區(qū)域和近紅外區(qū)域的波段。

3 結果與分析

通過以上分析，對以上5組波段組合進行研究，計算每種波段組合下的2種植被指數(shù)，與草地生物量進行回歸分析，建立基于植被指數(shù)的草地生物量估算模型，通過均方根誤差(RMSE)和平均相對誤差(MRE)2個指標來檢驗估算模型的精度，具體計算公式如下，所得結果見表4。

(5)

式中：yi′為驗證樣本i的預測值，yi為驗證樣本i的實測值，n=17。

從表3、表4可以看出以下幾個特點：(1)針對不同的波段組合，利用植被指數(shù)建立的生物量估算模型不同，模型精度也不同，通過選擇最優(yōu)波段組合，在一定程度上可以提高估算模型的精度，特別的是A組波段組合(即第4、7、8波段)和D組波段組合(即第3、7、8波段)模型構建和檢驗指標均相同，這是由于兩種植被指數(shù)的計算均跟紅光波段和近紅外波段有關，而這2組波段組合在紅光和近紅外波段均是第7波段和第8波段。(2)針對相同的波段組合，不同的植被指數(shù)、模型精度也有所不同，這是由于NDVI對綠色植被的生長狀態(tài)和空間分布密度反應敏感，但受土壤背景的影響較大，適用于植被覆蓋度較低的區(qū)域；RVI適用于植被長勢高度旺盛、具有高覆蓋度的植被檢測中。(3)波段分組后，計算各個波段組合的OIF值，最大的為A組波段組合，其次依次是B、C、D、E組合，而綜合來看，模型精度由高到低依次為A、D、B、E、C組合， 由此可以看出OIF指數(shù)與估算模型精度沒有嚴格的對應關系。(4)計算各波段組合的MCC值，由高到低依次為E、C、A、D組合，B組合相對最低，MCC值僅為0.876，該定量指標與估算模型精度也沒有嚴格的對應關系，利用MCC法來獲取最優(yōu)波段組合不太理想，可能是該方法易受各種因素的影響，提取的只有單一波段，不能從多角度反映植被特征等。

表4 不同波段組合后的估算模型精度

注：表中RMSE、MRE值僅作為相對值比較。

通過分析對比，綜合波段特征、波段間相關性、OIF和MCC指數(shù)可知，以本研究區(qū)天然草地生物量估算研究為目的，針對Micro MCA12 Snap傳感器，A組合(即第4、7、8波段)下的估算模型精度相對較高，為最佳波段組合。

4 結論

為了提取出最佳波段組合，提高生物量估算模型精度，本研究結合植被光譜特征、植被指數(shù)構建原理和傳感器特性對各個波段進行分組，利用最佳指數(shù)和最大相關系數(shù)2種定量指標來分析各個波段組合，從而確定最佳波段組合為第4、7、8波段組合。試驗結果表明，選取最佳波段組合可在一定程度上提高草地生物量估算模型精度，此外2種定量指標與估算模型精度沒有嚴格的對應關系，單從信息冗余和相關性兩方面選取最佳波段組合顯然不妥，應結合研究對象和研究目的等。

[1]金云翔，徐 斌，楊秀春，等. 內(nèi)蒙古錫林郭勒盟草原產(chǎn)草量動態(tài)遙感估算[J]. 中國科學(生命科學)，2011，41(12)：1185-1195.

[2]Ranggo A，Laliberte A，Herrick J E，et al. Unmanned aerial vehicle-based remote sensing for rangeland assessment，monitoring，and management[J]. Journal of Applied Remote Sensing，2009，3(1)：1-15.

[3]李宗南，陳仲新，王利民，等. 基于小型無人機遙感的玉米倒伏面積提取[J]. 農(nóng)業(yè)工程學報，2014，30(19)：207-213.

[4]張正健，李愛農(nóng)，邊金虎，等. 基于無人機影像可見光植被指數(shù)的若爾蓋草地地上生物量估算研究[J]. 遙感技術與應用，2016，31(1)：51-62.

[5]Bendig J，Yu K，Aasen H，et al. Combining UAV-based plant height from crop surface models，visible，and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation and Geoinformation，2015，39：79-87.

[6]魯 恒，李永樹，何 敬，等. 無人機低空遙感影像數(shù)據(jù)的獲取與處理[J]. 測繪工程，2011，20(1)：51-54.

[7]周潔萍，龔建華，王 濤，等. 汶川地震災區(qū)無人機遙感影像獲取與可視化管理系統(tǒng)研究[J]. 遙感學報，2008，12(6)：877-884.

[8]周夢維，柳欽火，劉 強，等. 全波形激光雷達和航空影像聯(lián)合的地物分類[J]. 遙感技術與應用，2010，25(6)：821-827.

[9]田振坤，傅鶯鶯，劉素紅，等. 基于無人機低空遙感的農(nóng)作物快速分類方法[J]. 農(nóng)業(yè)工程學報，2013，29(7)：109-116，295.

[10]趙慶展，劉 偉，尹小君，等. 基于無人機多光譜影像特征的最佳波段組合研究[J]. 農(nóng)業(yè)機械學報，2016，47(3)：242-248，291.

[11]馬 娜，胡云鋒，莊大方，等. 基于最佳波段指數(shù)和J-M距離可分性的高光譜數(shù)據(jù)最佳波段組合選取研究——以環(huán)境小衛(wèi)星高光譜數(shù)據(jù)在東莞市的應用為例[J]. 遙感技術與應用，2010，25(3)：358-365.

[12]譚玉敏，夏 瑋. 基于最佳波段組合的高光譜遙感影像分類[J]. 測繪與空間地理信息，2014(4)：19-22.

[13]秦方普，張愛武，王書民，等. 基于譜聚類與類間可分性因子的高光譜波段選擇[J]. 光譜學與光譜分析，2015，35(5)：1357-1364.

[14]劉雪松，葛 亮，王 斌，等. 基于最大信息量的高光譜遙感圖像無監(jiān)督波段選擇方法[J]. 紅外與毫米波學報，2012，31(2)：166-170，176.

[15]程志慶，張勁松，孟 平，等. 植被參數(shù)高光譜遙感反演最佳波段提取算法的改進[J]. 農(nóng)業(yè)工程學報，2015，31(12)：179-185.

[16]武文波，劉正綱. 一種基于地物波譜特征的最佳波段組合選取方法[J]. 測繪工程，2007，16(6)：22-24，33.

[17]劉建平，趙英時. 高光譜遙感數(shù)據(jù)解譯的最佳波段選擇方法研究[J]. 中國科學院研究生院學報，1999，16(2)：153-161.

[18]金云翔，徐 斌，楊秀春，等. 草原植被遙感監(jiān)測[M]. 北京：科學出版社，2016.

[19]張艷楠，牛建明，張 慶，等. 植被指數(shù)在典型草原生物量遙感估測應用中的問題探討[J]. 草業(yè)學報，2012，21(1)：229-238.

[20]黃敬峰，王秀珍，胡新博. 新疆北部不同類型天然草地產(chǎn)草量遙感監(jiān)測模型[J]. 中國草地，1999(1)：7-11.