彭要奇，肖穎欣，傅澤田，董玉紅，李鑫星，嚴海軍，鄭永軍

1. 中國農(nóng)業(yè)大學工學院食品質(zhì)量與安全北京實驗室，北京 100083 2. 中國農(nóng)業(yè)大學土地科學與技術學院，北京 100083 3. 中國農(nóng)業(yè)大學信息與電氣工程學院，北京 100083 4. 中國農(nóng)業(yè)大學水利與土木工程學院，北京 100083 5. 中國農(nóng)業(yè)大學工學院，北京 100083

引 言

玉米是一種需水量較大的糧食作物，及時獲取玉米生長過程中植株體的水分信息，對田間灌溉管理和旱情預警監(jiān)測具有顯著的科學意義和現(xiàn)實意義。 綠色植物進行光合反應、呼吸效應和表層蒸騰作用主要是借助葉片來完成，葉片運作過程受外界環(huán)境影響明顯，作物在缺水狀態(tài)下，葉片通常會出現(xiàn)蜷縮、枯黃和色斑等形狀、顏色和紋理特征的改變，因此檢測作物葉片含水量可以作為檢測作物整體含水量的一個參考標準[1]。 目前常見的作物植株含水量測定方法主要有烘箱法[2]、涉及高危化學試劑的卡爾·費休法[3]、基于物理層面的電容法[4]和根據(jù)波長特征的微波法[5]等。 這些測定方法往往操作流程繁瑣、費時，有些甚至需要危險化學試劑，不能滿足目前測量工作中制定的安全、低成本和快速化的技術要求。

多光譜圖像是指包含多個波段信息的圖像，每個波段提取出對應的一幅灰度圖像，它包含了該波段傳感器的敏感度生成的場景亮度信息[6]。 多光譜圖像比傳統(tǒng)普通彩色圖像包含更多的光譜段，又彌補了高光譜圖像拍攝儀器價格昂貴且不易攜帶的缺點，更加適用于科學研究和實地應用。 多光譜圖像在氣象探測[7]、地貌繪制[8]、物料分類[9]、農(nóng)林[10]、海洋[11]、醫(yī)療[12]、環(huán)境監(jiān)測[13]等各領域獲得了非常廣泛的應用。

目前，多光譜圖像在農(nóng)業(yè)中的應用有了一定的進展。 陳思明[14]等利用多光譜線性分解方法對原始影像的像元進行分解，并構建了土壤有機質(zhì)含量的反演模型，實現(xiàn)了濕地土壤有機質(zhì)含量的準確實時監(jiān)測。 楊敏[15]等開展基于多光譜圖像數(shù)據(jù)的植被葉面積指數(shù)反演方法研究，提高了多光譜圖像在植被影響土壤侵蝕方面評估的應用性。 Potgieter[16]等利用多光譜數(shù)據(jù)提取NDVI指數(shù)和EVI指數(shù)，分析作物葉片的葉綠素含量，對高粱育種計劃的遺傳改良進行評估。 Backoulou[17]等使用MS3100-CIR多光譜相機拍攝冬小麥的多光譜圖像，以確定綠蠅蟲害的分布領域，指導建立有害生物管理和監(jiān)測系統(tǒng)。 多光譜圖像在農(nóng)業(yè)中的應用與常規(guī)手段相比，具有部署簡單、快速高效，成本低廉和易于推廣的優(yōu)點。 本工作基于多光譜圖像，應用改進的神經(jīng)網(wǎng)絡方法，建立玉米葉片含水量反演模型，實現(xiàn)玉米葉片含水量的快速檢測。

1 實驗部分

1.1 材料

實驗材料為按照隨機取樣的方法采集于拔節(jié)期、大喇叭口期和吐絲期等三個關鍵需水生育期的玉米葉片。 采集地點為中國農(nóng)業(yè)大學通州實驗站5號試驗田，采集時間為2018年7月19號、8月4號和9月13號三次進行，共55組葉片。

1.2 儀器設備

實驗用Micasense公司生產(chǎn)的RedEdge-M型號多光譜相機，見圖1。 該型號多光譜相機體積小，重量輕，可以手持操作也可搭載無人機使用，可以同時拍攝包含藍(475 nm)、綠(560 nm)、紅(668 nm)、近紅外(840 nm)和紅邊(717 nm)等5個離散波段的圖像。 每一個波段通道都有完整的成像儀窄帶光學過濾器，可以獲取高精度的多光譜圖像。 拍攝前需要采集標準白板信息，對獲取的多光譜圖像進行校正，主要校正拍攝圖像的反射率和輻射亮度信息，拍攝過程中通過直連下行光傳感器能夠有效消除太陽高度角對光譜反射的影響。

葉片含水量的常用指標是葉片等效水厚度，這一指標計算的原理如式(1)所示[18]。

(1)

式中，EWT為樣本等效水厚度；m1為測量區(qū)域葉片的鮮重；m2為測量區(qū)域葉片的干重；s為測量區(qū)域的表面積。

采用YLS-D型號植物營養(yǎng)測定儀進行玉米葉片水分的測量，正常工作的量程在0～99.9RH%之間，工作誤差為±0.5個標準單位，見圖2。 能夠滿足測量葉片水分的要求。 使用前需要進行初始化校準。

圖1 RedEdge-M多光譜相機

圖2 YLS-D型號植物營養(yǎng)測定儀

1.3 樣本葉片采集及數(shù)據(jù)分析

首先在實驗站通過隨機取樣法采集55組玉米葉片，在光線良好的環(huán)境下，手持RedEdge-M多光譜相機垂直正對樣本葉片進行拍攝，拍攝前需要先拍攝標準白板圖像作為校正圖像。 拍攝過程中使用WiFi模式直連手機端進行樣本圖像位置的實時預覽，相機鏡頭距離葉片高度大約25 cm，保證樣本位置都處于五個通道傳感器的正中間時，按下拍攝按鈕進行圖像保存，圖像格式為16位的TIFF圖像。 繼續(xù)使用初始化校準后的YLS-D型號植物營養(yǎng)測定儀通過五點取樣法夾持玉米葉片，記錄五個位置的葉片水厚度信息。

使用ENVI5.3軟件繪制玉米葉片感興趣區(qū)域(region of interest, ROI)，繪制過程中考慮到傳感器鏡頭的邊緣減光現(xiàn)象，所選區(qū)域應盡量遠離圖像邊緣且盡可能大的包絡玉米葉片，見圖3。 以此借助軟件可以得到ROI區(qū)域內(nèi)的平均反射光譜，并根據(jù)標準白板的標定反射率、白板ROI范圍內(nèi)的平均反射光譜和玉米葉片樣本白板ROI范圍內(nèi)的平均反射光譜，比值換算得到玉米葉片5個波段處的光譜反射率。

BP神經(jīng)網(wǎng)絡是一種根據(jù)研究樣本誤差，使用逆?zhèn)鞑ニ惴ǚ磸陀柧毻晟频亩鄬忧梆伨W(wǎng)絡, 在數(shù)據(jù)預測、樣本檢測和圖像融合等多領域具有廣泛的實施操作性[19]。 而早期經(jīng)典的BP神經(jīng)網(wǎng)絡算法在訓練過程存在收斂速度較慢、受到個別樣本異常值擾動的情況下易出現(xiàn)局部過擬合和網(wǎng)絡結構最優(yōu)化難以確定等缺點； 引入Levenberg-Marquardt方法進行改進，能夠進一步減小振蕩、加快網(wǎng)絡的收斂速度。

圖3 玉米葉片ROI的繪制

2 結果與討論

2.1 玉米葉片含水量反演模型的建立

基于多光譜圖像的玉米葉片含水量反演模型的輸入神經(jīng)元數(shù)目為5個，即藍、綠、紅、近紅外和紅邊等5個波段對應的反射率； 輸出神經(jīng)元為1個，即玉米葉片等效水厚度。 隨機選取43組玉米葉片樣本的光譜反射率作為建模數(shù)據(jù)樣本，部分用于建模的訓練數(shù)據(jù)列于表1。

表1 部分建模數(shù)據(jù)

由于訓練的各樣本數(shù)據(jù)均有最大值和最小值，并且單位不統(tǒng)一，采用MATLAB程序對輸入數(shù)據(jù)和輸出數(shù)據(jù)進行歸一化處理至同一量綱，經(jīng)處理后，建模訓練樣本值歸一化范圍在(0.1，0.9)之間。

目前對于隱含層單元數(shù)的確定尚沒有明確最佳的方法，主要依據(jù)Kolmogorov定理、經(jīng)驗公式和試湊法來確定[20]。 根據(jù)藍、綠、紅、近紅外和紅邊等5個波段圖像對應的反射率作為5個輸入神經(jīng)元，玉米葉片含水量作為1個輸出神經(jīng)元，初求解出隱含層神經(jīng)元數(shù)量在2～11個之間，將每個隱含層神經(jīng)元數(shù)目對應的網(wǎng)絡結構反復訓練20次，記錄擬合精度最高的一次，以此確定出最理想的隱含層神經(jīng)元數(shù)目。 隱含層神經(jīng)元數(shù)目訓練求解過程的主要參數(shù)記錄如表2所示。

根據(jù)表2訓練結果可知，當隱含層神經(jīng)元數(shù)目在9個時，反演模型訓練過程中迭代次數(shù)最少和均方差最小。 因此確定中BP神經(jīng)網(wǎng)絡中隱含層單元數(shù)的數(shù)目為9個，并確定基于多光譜圖像的玉米葉片含水量反演模型的BP神經(jīng)網(wǎng)絡結構為5-9-1的結構，如圖4所示。

表2 隱含層神經(jīng)元求解主要參數(shù)

圖4 含水量反演模型神經(jīng)網(wǎng)絡結構

2.2 模型準確度分析

確定完BP神經(jīng)網(wǎng)絡結構后，將43組玉米葉片樣本返回至5-9-1的網(wǎng)絡結構中繼續(xù)大量訓練，參考網(wǎng)絡輸出值與目標參考值的相關性達到最佳效果后停止。 基于萊文貝格-馬夸特方法改進的玉米葉片含水量反演模型的訓練性能和訓練擬合相關度信息如圖5所示。

從圖5可以看出，基于萊文貝格-馬夸特方法改進的玉米葉片含水量反演模型訓練迭代次數(shù)少，收斂速度快，小誤差樣本較為集中，均方差MSE值是0.009 689 9，整體網(wǎng)絡結構訓練效果好。 另外對神經(jīng)網(wǎng)絡模型進行相關回歸性分析可以看出，基于多光譜圖像的玉米葉片含水量反演模型的網(wǎng)絡輸出值與目標參考值的相關系數(shù)達到了0.896 37，玉米葉片含水量反演模型整體具有較高的精度。

2.3 檢測結果驗證

最后對剩余的12組玉米葉片樣本進行反演值和參考值的仿真驗證。 將12組玉米葉片樣本的5個波段圖像的反射率代入反演模型計算出玉米葉片含水量反演值，與參考值的對比結果如表3所示。

根據(jù)表3中的反演值和參考值信息繪制仿真結果相關關系圖，如圖6所示，反演值和參考值具有較高的相關性，二者相關系數(shù)r能夠達到0.894 8，可見基于多光譜圖像的玉米葉片含水量反演模型較為準確可靠，能夠滿足農(nóng)業(yè)環(huán)境參數(shù)的檢測需求。

圖5 反演模型訓練信息

表3 玉米葉片含水量反演值和參考值結果

圖6 反演值和參考值驗證

3 結 論

以55組不同生育期的玉米葉片為研究對象，獲取玉米葉片的光譜信息和水分狀況，結合萊文貝格-馬夸特方法改進神經(jīng)網(wǎng)絡模型構建基于多光譜圖像的玉米葉片含水量反演模型，實現(xiàn)了對玉米葉片含水量的快速檢測。

首先使用ENVI5.3軟件作玉米葉片感興趣區(qū)域的構建，得到ROI區(qū)域內(nèi)的平均反射光譜，參照標準白板出廠時提供的專屬標定反射率、白板ROI范圍內(nèi)的平均反射光譜和玉米葉片樣本白板ROI范圍內(nèi)的平均反射光譜，比值換算得到玉米葉片5個波段的光譜反射率。 隨機選擇43組樣本作為訓練集進行反演模型構建，其余12個樣本作為測試集用于仿真驗證。 結果表明，經(jīng)萊文貝格-馬夸特方法改進后的玉米葉片含水量反演模型，網(wǎng)絡輸出值與目標參考值的相關系數(shù)達到了0.896 37，反演模型整體具有較高的精度。 對剩余的12組玉米葉片樣本導入反演模型計算并進行仿真驗證，反演值和參考值具有較高的一致性，二者相關系數(shù)r能夠達到0.894 8。 因此將多光譜圖像用于玉米葉片含水量的檢測，可以實現(xiàn)對玉米葉片水分信息的快速獲取，為高效的農(nóng)場管理模式提供了一種全新的解決方案和參考依據(jù)。

多光譜對于玉米葉片含水量的檢測具有較好效果，對于反演模型的構建，本研究僅僅選取了改進的神經(jīng)網(wǎng)絡進行學習訓練，今后可以嘗試多種方法包含有多元線性回歸、偏最小二乘法、逐步線性回歸、主成分分析和支持向量機的方法進行建模，比較各種方法的優(yōu)劣，選出最適用于作物葉片含水量反演模型構建的方法。