張 旭， 高何璇， 高曉陽*， 李紅嶺，賈尚云， 唐渲運(yùn)，2， 楊 梅， 李妙祺， 金 李，2， 李 東

(1.甘肅農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，甘肅 蘭州 730070；2.甘肅省葡萄與葡萄酒工程學(xué)重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730070；3.甘肅省干旱生境作物學(xué)重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730070；4.蘭州銀行網(wǎng)絡(luò)金融部，甘肅 蘭州 730000)

葡萄是甘肅的特色水果之一。在葡萄植株生長(zhǎng)發(fā)育過程中水是必不可少的營(yíng)養(yǎng)元素之一，同時(shí)也是影響葡萄產(chǎn)量和口感的重要因素。我國西北地區(qū)氣候干旱，降水量稀少，年降水量低于600 mm，且蒸發(fā)量達(dá)1 400 mm～3 100 mm。在作物缺水狀態(tài)下葉片出現(xiàn)蜷縮、枯黃和色斑等形狀及顏色的變化，因此葡萄葉片含水量檢測(cè)可作為整個(gè)葡萄植株是否缺水的參考標(biāo)準(zhǔn)，這既能精準(zhǔn)控制灌溉，節(jié)約水資源，又可保證葡萄的產(chǎn)量和口感。

目前無人機(jī)遙感技術(shù)已經(jīng)逐漸被應(yīng)用于大田作物長(zhǎng)勢(shì)和病蟲害的無損檢測(cè)[1]。近些年，由于多光譜圖像比普通的相機(jī)圖像包含了更多的波段，又可以彌補(bǔ)高光譜儀價(jià)格昂貴且攜帶不便的缺點(diǎn)，無人機(jī)多光譜遙感技術(shù)在檢測(cè)農(nóng)作物的水氮、葉綠素含量等方面得到了廣泛應(yīng)用[2-3]，譬如費(fèi)浩等利用無人機(jī)多光譜研究得出近紅外光譜特征能夠反映植物的綠色程度，而且也是棉花冠層的含水量最敏感的波段[4]。張君等利用機(jī)器學(xué)習(xí)和多光譜技術(shù)建立了油菜葉片的含水量與植被指數(shù)之間的支持向量機(jī)模型，并且獲得了較好的預(yù)測(cè)結(jié)果[5]。崔小濤等構(gòu)建基于油菜葉片的光譜參數(shù)單因素模型、偏最小二乘回歸模型和多元逐步回歸的遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型，并且發(fā)現(xiàn)MLSR-GA-BP神經(jīng)網(wǎng)絡(luò)模型能準(zhǔn)確預(yù)測(cè)出油菜葉片的SPAD值[6]。李媛媛等基于光譜反射率和玉米和獼猴桃葉片SPAD值，構(gòu)建回歸模型、主成分回歸模型、偏最小二乘回歸模型與BP神經(jīng)網(wǎng)絡(luò)模型，表明BP神經(jīng)網(wǎng)絡(luò)對(duì)葉綠素具有較好預(yù)測(cè)能力[7-9]。吳文強(qiáng)等利用PCA、遺傳算法等方式優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)，并建立預(yù)測(cè)反演模型[10-13]。高振宇等將多光譜與神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)結(jié)合起來，在圖像融合識(shí)別算法方面做了更深層次的研究[14-18]。SalahEl-Hendawy等將改良后的光譜反射率應(yīng)用于小麥的光合作用的檢測(cè)中，表現(xiàn)出了較好的估算能力[19]。Anita Prinzie 等對(duì)于隨機(jī)森林分類器的研究中，提出了RF、RMNL和RNB分類器的預(yù)測(cè)性能優(yōu)于SVM分類器，也可作為建模方法上的選擇[20]。Muharam等引入隨機(jī)森林AdaBoost算法作為優(yōu)化算法，利用紅色、歸一化植被指數(shù)(NDVI)、比率植被指數(shù)(RVI)、紅色邊緣動(dòng)態(tài)范圍植被指數(shù)(REWDRVI)和紅色邊緣調(diào)整植被指數(shù)(RESAVI)，評(píng)估出植物最佳的生長(zhǎng)階段[21]。Xu Rui等研究開發(fā)了一種可用于植物表型和精度交叉管理的多傳感器設(shè)計(jì)系統(tǒng)，并重新設(shè)計(jì)了校正方法，對(duì)多光譜和熱校準(zhǔn)方法進(jìn)行評(píng)估時(shí)取得較滿意的結(jié)果[22]。

截止目前，利用無人機(jī)搭載多光譜相機(jī)以及運(yùn)用光譜參數(shù)預(yù)測(cè)葡萄含水量反演模型的研究鮮見報(bào)道。為此，本文在甘肅武威涼州區(qū)的威龍葡萄莊園對(duì)不同灌溉制度的兩塊試驗(yàn)田進(jìn)行了實(shí)驗(yàn)研究，旨在探求葡萄葉片含水量與光譜信息之間的關(guān)系，并且通過含水量與光譜影像回歸分析和相關(guān)性分析，利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建立其估算模型，實(shí)現(xiàn)對(duì)葡萄葉片的無損檢測(cè)，推動(dòng)科學(xué)節(jié)水灌溉和決策管理。

1 材料與方法

1.1 試驗(yàn)區(qū)概況

試驗(yàn)區(qū)位于甘肅省武威市涼州區(qū)的威龍葡萄莊園(37°53′24″N，102°48′18″E)，海拔高度為1 543 m左右，年平均氣溫在4～15 ℃，年平均降水量在150～200 mm之間，屬于溫帶大陸性氣候，雨熱同期，四季分明，光照充足，降水大多集中在6～8月份。

試驗(yàn)地葡萄的生長(zhǎng)成熟分為四4個(gè)時(shí)期，萌芽期(5月中旬～6月中旬)，開花期(6月中旬～7月中旬)，果實(shí)膨大期(7月中旬～8月中旬)，著色期(8月中旬～9月中旬)，由于甘肅省武威市的氣溫相較于其他地區(qū)的氣溫稍低，因此同一時(shí)期較其他地區(qū)推遲15天左右。利用無人機(jī)搭載多光譜相機(jī)獲取試驗(yàn)田的葡萄冠層的多光譜影像，同時(shí)采集100個(gè)樣本點(diǎn)測(cè)量其實(shí)際含水量，作為反演模型的參考基準(zhǔn)值。

1.2 試驗(yàn)設(shè)計(jì)

1.2.1 試驗(yàn)處理

本試驗(yàn)選取了一塊24列的葡萄田，葡萄行間間隔5 m，每行共有16個(gè)葡萄植株，同一行的葡萄植株的株距為5 m。將葡萄葉片含水量劃分等級(jí)，利用控制澆水頻率的方法控制含水量，第1行至第8行葡萄為A組，澆水頻率為普通葡萄的1/3，即每周澆水一次，第9行至第16行葡萄為B組，澆水頻率為普通葡萄的2/3，即每周澆水兩次；第17至24行的葡萄為C組，澆水正常每周三3次。

1.2.1 多光譜影像采集

本試驗(yàn)使用大疆M200四旋翼無人機(jī)(如圖1所示)搭載RedEdge-M多光譜相機(jī)(如圖2所示)采集多光譜影像數(shù)據(jù)。RedEdge-M多光譜相機(jī)的紅(R)，綠(G)，藍(lán)(B)，近紅(NIR)，紅邊(RE)五5個(gè)通道的波段見表1。

表1 多光譜相機(jī)的波段分布

圖1 大疆無人機(jī)M200

圖2 RedEdge-M多光譜相機(jī)

M200無人機(jī)每次拍攝是在陽光充足的10點(diǎn)至14點(diǎn)進(jìn)行，設(shè)定無人機(jī)飛行高度為50 m，多光譜相機(jī)的起始拍攝高度為45 m，拍攝時(shí)間間隔為2 s，拍攝前手動(dòng)進(jìn)行無人機(jī)航線規(guī)劃，然后使用Pix4D mapper軟件進(jìn)行光譜圖像的拼接，并利用矯正板進(jìn)行矯正處理，得到五段多光譜影像圖，通過指數(shù)計(jì)算器得到歸一化光譜反射率。地圖規(guī)劃航線和5段光譜影像如圖3所示。

圖3 Pix4D mapper 拼接圖像

1.2.2 樣本采集

本研究選擇的試驗(yàn)田的葡萄行間距為5 m，每行種植有葡萄16株，株間距5 m。采樣實(shí)驗(yàn)選用隔行采樣法，每行中選取8個(gè)1 m×1 m的實(shí)驗(yàn)樣本小區(qū)，每株取4片冠層葉片作為一個(gè)樣本點(diǎn)。在采集光譜影像的同一天將樣本葉片采回實(shí)驗(yàn)室，用精度為0.000 1 g的電子稱測(cè)量鮮重，每個(gè)樣本稱重3次并記錄。然后將葉片晾曬處理，曬干的葉片用烘干機(jī)干燥8小時(shí)后測(cè)量其干重。葡萄葉片的含水量計(jì)算式為：

(1)

1.3 建模

1.3.1 神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是由輸入層、隱含層、輸出層等組成。給定訓(xùn)練集D={(x1，y1)，(x2，y2)…(xn，yn)}，其中xn∈Rd，yn∈Rl表示輸入d維實(shí)值變量，輸出l維實(shí)值變量。BP神經(jīng)網(wǎng)絡(luò)根據(jù)每次網(wǎng)絡(luò)訓(xùn)練的結(jié)果與預(yù)測(cè)的結(jié)果進(jìn)行比較，反復(fù)修改網(wǎng)絡(luò)的權(quán)值和閾值，以達(dá)到輸出與預(yù)測(cè)結(jié)果一致的模型。神經(jīng)元拓?fù)浣Y(jié)構(gòu)網(wǎng)絡(luò)中，對(duì)于第i個(gè)神經(jīng)元，x1、x2…xj為神經(jīng)元的輸入自變量。w1、w2…wj為連接權(quán)值，調(diào)節(jié)各個(gè)輸入量所占的比重。選取一種將信號(hào)結(jié)合輸入到神經(jīng)元的方式即線性加權(quán)求和可得神經(jīng)元凈輸入Neti：

(2)

根據(jù)生物神經(jīng)學(xué)原理，當(dāng)神經(jīng)元接收到的信號(hào)達(dá)到閾值θj時(shí)才會(huì)被激活，因此，將Netin與θj進(jìn)行比較后利用激活函數(shù)產(chǎn)生神經(jīng)元輸出，得到的輸出y為：

yi=f(Netin-θj)

(3))

圖4 神經(jīng)網(wǎng)絡(luò)

(4))

進(jìn)而根據(jù)這個(gè)誤差調(diào)整[(d+l+1)×q+l]個(gè)參數(shù)的值，進(jìn)一步縮小誤差Ek。

1.3.2 遺傳算法

遺傳算法(Genetic Algorithm)是一種根據(jù)生物遺傳和進(jìn)化論而形成的一種最優(yōu)并行隨機(jī)搜索算法，是“生存+檢測(cè)”的迭代搜索算法。遺傳算法將“優(yōu)勝劣汰，適者生存”的進(jìn)化原理引入優(yōu)化參數(shù)的編碼串聯(lián)群體中，根據(jù)所選擇的適應(yīng)度函數(shù)，通過選擇、交叉以及變異操作保留適應(yīng)度最優(yōu)的個(gè)體即染色體，新的群體繼承上一代群體的信息又優(yōu)于上一代，反復(fù)循環(huán)直至滿足條件。

GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)包括確定神經(jīng)網(wǎng)絡(luò)，遺傳算法的優(yōu)化以及神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)等。神經(jīng)網(wǎng)絡(luò)的確定是根據(jù)擬合函數(shù)的輸入輸出參數(shù)確定的，進(jìn)而確定遺傳算法染色體的長(zhǎng)度。遺傳算法優(yōu)化是利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，每個(gè)染色體都有一個(gè)權(quán)值和閾值，通過適應(yīng)度函數(shù)計(jì)算每個(gè)染色體的適應(yīng)度值(適值)，遺傳算法再通過選擇、交叉和變異操作選擇適值最優(yōu)的個(gè)體。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)是利用遺傳算法選擇的最優(yōu)個(gè)體對(duì)網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行賦值，經(jīng)過訓(xùn)練后得到預(yù)測(cè)函數(shù)輸出。

2 建模評(píng)估

2.1 建立GA-BP神經(jīng)網(wǎng)絡(luò)模型

本文擬合的非線性函數(shù)葡萄葉片含水量反演模型有5個(gè)輸入?yún)?shù)，即紅、綠、藍(lán)、近紅和紅邊5個(gè)波段，1個(gè)輸出參數(shù)，即葡萄葉片含水量，所以網(wǎng)絡(luò)的結(jié)構(gòu)為5-5-1，即有5個(gè)輸入節(jié)點(diǎn)，5個(gè)隱含層，1個(gè)輸出節(jié)點(diǎn)。共有5×5+5×1=30個(gè)權(quán)值，5+1=6個(gè)閾值，所以遺傳算法個(gè)體的編碼長(zhǎng)度為30+6=36。本文選擇的遺傳算法參數(shù)和BP神經(jīng)網(wǎng)絡(luò)參數(shù)見表2。

表2 遺傳算法參數(shù)和BP神經(jīng)網(wǎng)絡(luò)算法參數(shù)

在測(cè)得的100組數(shù)據(jù)中隨機(jī)選取70組作為建模數(shù)據(jù)組，即模型訓(xùn)練數(shù)據(jù)組；其余的30組作為測(cè)試數(shù)據(jù)組。由于訓(xùn)練樣本數(shù)據(jù)范圍較大，因此采用MATLAB首先對(duì)輸入和輸出數(shù)據(jù)進(jìn)行歸一化處理至同一量級(jí)，建模訓(xùn)練樣本值歸一化范圍在(0.1，0.9)之間。把訓(xùn)練數(shù)據(jù)預(yù)測(cè)誤差的絕對(duì)值之和作為GA的個(gè)體適應(yīng)度值，適應(yīng)度值越小，個(gè)體越優(yōu)。部分樣本點(diǎn)用于訓(xùn)練模型的數(shù)據(jù)見表3。

表3 部分建模訓(xùn)練數(shù)據(jù)

選定遺傳算法和神經(jīng)網(wǎng)絡(luò)的參數(shù)，基于無人機(jī)多光譜的葉片含水量BP-神經(jīng)網(wǎng)絡(luò)反演模型如圖5所示。

圖5 含水量反演模型神經(jīng)網(wǎng)絡(luò)

2.2 模型精確度的評(píng)估

在GA-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)確定后，以70組樣本數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練調(diào)優(yōu)擬合，當(dāng)參考網(wǎng)絡(luò)輸出值與目標(biāo)參考值的相關(guān)性達(dá)到最佳效果后停止。基于GA-BP神經(jīng)網(wǎng)絡(luò)和多光譜的葡萄葉片含水量模型相關(guān)度如圖6(a)所示，由圖可知，基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的葉片含水量模型中，網(wǎng)絡(luò)輸出值與目標(biāo)參考值的相關(guān)性較高，相關(guān)系數(shù)達(dá)到了0.769 82。根據(jù)圖6(b)訓(xùn)練模型誤差達(dá)到0.008 289 4，可作為訓(xùn)練的最終模型，葡萄葉片含水量的反演模型精度較高。

采用其余的30組葡萄葉片數(shù)據(jù)對(duì)反演值和參考值進(jìn)行模型仿真驗(yàn)證。將30組葡萄葉片樣本的5個(gè)波段圖像的反射率代入反演模型計(jì)算出玉米葉片含水量的反演值，與其參考值的結(jié)果對(duì)比如圖6(c)所示。根據(jù)圖6(c)中的反演值和參考值繪制仿真結(jié)果的相關(guān)關(guān)系如圖6(d)所示，反演模型的預(yù)測(cè)值與實(shí)際測(cè)量值的相關(guān)性較高，相關(guān)系數(shù)達(dá)0.814 6，由此可見遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建立的含水量反演模型有很好的預(yù)測(cè)效果，且預(yù)測(cè)結(jié)果較為準(zhǔn)確，可用于對(duì)葡萄葉片含水量的無損快速準(zhǔn)確的檢測(cè)，以滿足現(xiàn)代農(nóng)業(yè)的檢測(cè)要求。

圖6 葡萄葉片含水量與光譜波段神經(jīng)網(wǎng)絡(luò)模型信息

3 結(jié)論

以100組不同含水量水平的葡萄葉片實(shí)測(cè)數(shù)據(jù)為基準(zhǔn)，利用無人機(jī)和多光譜相機(jī)得到其光譜指數(shù)數(shù)據(jù)，利用Pix4D mapper拼接整個(gè)區(qū)域數(shù)據(jù)，選用該軟件的光譜指數(shù)計(jì)算器計(jì)算其5段光譜反射率指數(shù)。通過遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)建立了葡萄葉片含水量的反演模型，實(shí)現(xiàn)了對(duì)葡萄葉片含水量的無損快速檢測(cè)。在100個(gè)含水量樣本中，隨機(jī)選取70組樣本作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集構(gòu)建反演模型，剩余30組樣本作為網(wǎng)絡(luò)測(cè)試集。實(shí)驗(yàn)結(jié)果表明經(jīng)過遺傳算法改進(jìn)后的反演模型，網(wǎng)絡(luò)輸出值與目標(biāo)參考值的相關(guān)系數(shù)達(dá)到了0.769 82，模型誤差為0.008 289 4，反演模型的精度較高。對(duì)剩余30組樣本的反演驗(yàn)證，反演值與參考值的一致性也較高，相關(guān)系數(shù)達(dá)到0.814 6，本文采取遺傳算法改進(jìn)的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，實(shí)現(xiàn)了低空遙感多光譜葡萄葉片含水量反演模型及快速檢測(cè)，為西北干旱區(qū)的葡萄種植提供了灌溉決策依據(jù)。今后還需要進(jìn)一步探索研究其他建模方法。