趙文舉 段威成 王銀鳳 周 春 馬 宏

(蘭州理工大學(xué)能源與動(dòng)力工程學(xué)院,蘭州 730050)

0 引言

植被生理生態(tài)指標(biāo)作為農(nóng)田生態(tài)系統(tǒng)敏感性表征,植被含水率直接反映土壤干燥程度[1]。研究植被含水率對(duì)干旱的響應(yīng)有助于理解全球氣候變化背景下,植被對(duì)氣候波動(dòng)的響應(yīng)機(jī)制特征,這對(duì)提高植被變化預(yù)測(cè)、農(nóng)業(yè)估產(chǎn)和水肥調(diào)控的準(zhǔn)確性具有重要意義[2]。

傳統(tǒng)方法獲取植被含水率分布及變化規(guī)律費(fèi)時(shí)費(fèi)力,易受地形限制[3]。無(wú)人機(jī)搭載光譜儀器作為低空遙感的一種,可快速獲取大范圍光譜信息,進(jìn)而實(shí)現(xiàn)土壤墑情和作物生長(zhǎng)大范圍、快速監(jiān)測(cè),可為植被含水率反演提供科學(xué)高效的技術(shù)手段[4-5]。引入紅邊波段(Red edge position,RedEdge)可提取新的光譜信息,將其替代R波段可衍生多種改進(jìn)光譜指數(shù)[6]。趙文舉等[7]將紅邊波段應(yīng)用于不同植被覆蓋土壤含鹽量反演研究,結(jié)果表明該波段對(duì)植被響應(yīng)敏感,改進(jìn)光譜指數(shù)對(duì)模型精度提升顯著。ZHANG等[8]通過(guò)對(duì)比有無(wú)紅邊波段的20個(gè)植被指數(shù),發(fā)現(xiàn)引入RedEdge的變量組精度提高7個(gè)百分點(diǎn),且此波段能與植被覆蓋下的耕地土壤鹽分建立非線性關(guān)系,可提升植被含水率反演精度。

光學(xué)遙感因其高密度數(shù)據(jù)組合及復(fù)雜的地物構(gòu)成,嚴(yán)重影響模型反演精度和效率[9]。敏感光譜變量作為反演模型的重要輸入因子,其篩選方法一直是該領(lǐng)域的研究熱點(diǎn)[7]。研究表明,使用適合的變量篩選算法可提高模型精度及學(xué)習(xí)效率[10]。代秋芳等[11]將CARS篩選變量與全波段組分別進(jìn)行CNN模型運(yùn)算,反演結(jié)果中敏感變量組相較于全變量組決定系數(shù)R2和均方根誤差(RMSE)分別提升0.03、0.007,改進(jìn)效果顯著。WANG等[12]利用變量投影重要性分析等4種篩選算法提取敏感光譜變量進(jìn)而高效反演土壤含鹽量。陳俊英等[13]利用灰色關(guān)聯(lián)度分析篩選光譜指數(shù),基于不同機(jī)器學(xué)習(xí)算法,反演不同生育期不同深度土壤含鹽量,篩選變量組反演結(jié)果優(yōu)于全變量組。ZHAO等[6]使用皮爾遜相關(guān)性分析法選取相關(guān)性高的光譜指數(shù)構(gòu)建不同植被覆蓋表層土壤含鹽量反演模型,所構(gòu)建模型較好地反映真實(shí)土壤鹽分含量。變量篩選模型及機(jī)器學(xué)習(xí)算法憑借其處理非線性問(wèn)題的優(yōu)勢(shì),已經(jīng)在農(nóng)業(yè)水土遙感上得到應(yīng)用,但多種變量篩選算法在植被指數(shù)優(yōu)選中應(yīng)用較少,且不同算法對(duì)植被指數(shù)敏感表征的相關(guān)研究較少,變量篩選算法結(jié)合不同機(jī)器學(xué)習(xí)模型,反演不同植被覆蓋含水率的響應(yīng)機(jī)理還有待深入研究。

綜上所述,本研究基于無(wú)人機(jī)搭載多光譜成像系統(tǒng)獲取苜蓿、玉米遙感影像,并對(duì)植被含水率進(jìn)行同時(shí)段野外實(shí)測(cè),通過(guò)引入紅邊波段構(gòu)建25種傳統(tǒng)及改進(jìn)光譜指數(shù),采用變量投影重要性(Variable importance in projection,VIP)、灰色關(guān)聯(lián)度(Gray relational analysis,GRA)與皮爾遜(Person)相關(guān)性分析算法對(duì)光譜指數(shù)進(jìn)行篩選,將篩選后的敏感變量作為模型輸入層,構(gòu)建基于反向神經(jīng)網(wǎng)絡(luò)(Back-propagation neural network,BPNN)、偏最小二乘法(Partial least squares regression,PLSR)、支持向量回歸(Support vector regression,SVR)和隨機(jī)森林(Random forest,RF)4種機(jī)器學(xué)習(xí)算法的植被含水率反演模型,通過(guò)對(duì)反演效果評(píng)價(jià),以討賴河流域邊灣農(nóng)場(chǎng)為例,確定不同植被覆蓋的含水率反演模型,以期為快速、精準(zhǔn)反演植被含水率提供理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

本研究區(qū)域位于甘肅省討賴河流域邊灣農(nóng)場(chǎng),該地區(qū)氣候干旱,降雨稀少,蒸發(fā)量大,水資源時(shí)空分布不均。農(nóng)場(chǎng)主要作物有:玉米、小麥、向日葵和苜蓿等,是河西走廊重要的糧食生產(chǎn)基地。無(wú)人機(jī)多光譜遙感監(jiān)測(cè)及實(shí)地采樣位置如圖1所示。

圖1 研究區(qū)示意圖

1.2 試驗(yàn)數(shù)據(jù)采集與預(yù)處理

1.2.1無(wú)人機(jī)多光譜遙感影像

采樣日試驗(yàn)區(qū)光照條件充足、均勻,所用遙測(cè)平臺(tái)為DJI公司Phantom 4 Multispectral無(wú)人機(jī),共搭載6個(gè)1/2.9英寸CMOS影像傳感器,包含1個(gè)彩色RGB傳感器和5個(gè)單色光譜傳感器,詳細(xì)波段參數(shù)如表1所示。設(shè)置飛行高度40 m,航線重疊率70%,旁像重疊率65%,無(wú)人機(jī)平均速度4 m/s,并采集白板數(shù)據(jù)用于輻射校正。通過(guò)DJI Terra及ENVI 5.3軟件完成影像預(yù)處理。

表1 機(jī)載光譜儀波段參數(shù)

1.2.2野外實(shí)測(cè)采樣

2022年6月8—10日在邊灣農(nóng)場(chǎng)進(jìn)行實(shí)地采樣,采樣點(diǎn)分布見(jiàn)圖2。分別在苜蓿、玉米覆蓋地均勻布設(shè)60個(gè)采樣點(diǎn)。在獲取無(wú)人機(jī)多光譜遙感影像后,對(duì)植被進(jìn)行整株采樣,并使用手持RTK進(jìn)行打點(diǎn)定標(biāo)。將采集樣本用去離子水洗凈稱量鮮質(zhì)量后,放入干燥箱105℃殺青30 min,然后75℃干燥至恒定質(zhì)量,測(cè)其干質(zhì)量[14]。

圖2 采樣點(diǎn)分布圖

1.3 光譜指數(shù)構(gòu)建與篩選

1.3.1光譜指數(shù)構(gòu)建

利用遙感影像中提取的光譜反射率,進(jìn)行不同的波段組合。通過(guò)研究發(fā)現(xiàn)該紅邊波段可有效提升植被覆蓋下反演模型精度[15]。本文將紅邊波段替換傳統(tǒng)光譜指數(shù)中的R波段,進(jìn)而衍生出改進(jìn)光譜指數(shù),共構(gòu)成25個(gè)光譜指數(shù)如表2所示[16-19]。

表2 光譜指數(shù)

1.3.2篩選算法構(gòu)建

光譜數(shù)據(jù)普遍存在數(shù)據(jù)密度大、波段及組合繁雜等特點(diǎn)。在模型構(gòu)建中,冗余及干擾變量均會(huì)影響植被含水率反演精度和準(zhǔn)確性,進(jìn)而需要進(jìn)行變量篩選[9]。本文選取VIP、GRA與Person相關(guān)性分析對(duì)25個(gè)光譜指數(shù)進(jìn)行篩選、對(duì)比。VIP分析和GRA分析通過(guò)Matlab R2016a實(shí)現(xiàn),Person相關(guān)性分析則是使用IBM SPSS 26進(jìn)行篩選運(yùn)算。

1.4 植被含水率反演模型構(gòu)建與精度評(píng)價(jià)

1.4.1模型構(gòu)建

將玉米、苜蓿覆蓋地獲取的60個(gè)樣本數(shù)據(jù),隨機(jī)挑選40個(gè)劃分為建模集,用于回歸建模與訓(xùn)練,20個(gè)劃分為驗(yàn)證集,用于檢驗(yàn)?zāi)Ｐ途取?/p>

通過(guò)Person相關(guān)性分析、VIP分析及GRA分析,將優(yōu)選出的敏感光譜變量作為模型的輸入層,實(shí)測(cè)的植被含水率作為模型的輸出層,分別采用BPNN、SVR、RF和PLSR構(gòu)建植被含水率反演模型,機(jī)器學(xué)習(xí)模型均通過(guò)Matlab R2016a實(shí)現(xiàn)。

1.4.2模型精度評(píng)價(jià)

利用模型的決定系數(shù)(Coefficient of determination,R2)、均方根誤差(Root mean squared error,RMSE)和平均絕對(duì)誤差(Mean absolute error,MAE)來(lái)評(píng)價(jià)建模精度。R2越接近1,RMSE和MAE越小,表明預(yù)測(cè)值和實(shí)測(cè)值之間的偏差越小,模型反演效果越好。

2 結(jié)果與分析

2.1 植被含水率統(tǒng)計(jì)特征

為了對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練和驗(yàn)證,將劃分的建模集與驗(yàn)證集互補(bǔ)性進(jìn)行對(duì)比檢驗(yàn)。全集、建模集和驗(yàn)證集描述性統(tǒng)計(jì)結(jié)果如表3所示。

表3 植被含水率統(tǒng)計(jì)特征

由表3可知,不同植被覆蓋的建模集和驗(yàn)證集均保持和全集植被含水率相近的統(tǒng)計(jì)結(jié)果。最大限度地減小了建模集和驗(yàn)證集之間的偏差。這表明所選建模集和驗(yàn)證集的植被含水率可以代表整個(gè)數(shù)據(jù)集,采樣數(shù)據(jù)可以較為真實(shí)地反映研究區(qū)的植被含水率。

2.2 敏感光譜變量篩選

2.2.1皮爾遜相關(guān)性篩選

在遙感定量估算植被含水率的研究過(guò)程中,通常需要建立植被含水率與光譜指數(shù)之間的相關(guān)關(guān)系,并進(jìn)行分析研究[6],選擇出敏感光譜變量,各變量之間的相關(guān)關(guān)系由皮爾遜相關(guān)系數(shù)(Pearson correlation coefficient,PCCs)表示。

將計(jì)算獲取的光譜指數(shù)分別與苜蓿、玉米的植被含水率進(jìn)行相關(guān)性分析,反射率、光譜指數(shù)與含水率的PCCs分布矩陣如圖3所示。

圖3 Person相關(guān)系數(shù)矩陣

從圖3可知,苜蓿地除EVI、EVI-reg、CVI、COSRI及NDVI-reg以外的20個(gè)光譜指數(shù)都通過(guò)了顯著性檢驗(yàn);玉米地則去除G波段、EVI、EVI-reg、CVI、NDGI、COSRI和TVI,保留18個(gè)敏感變量作為模型輸入層。

2.2.2變量投影重要性篩選

變量投影重要性分析法是一種基于偏最小二乘算法的變量篩選方法,主要用于評(píng)估數(shù)據(jù)集中每個(gè)變量對(duì)于解釋目標(biāo)變量的重要性[12]。該方法通過(guò)計(jì)算每個(gè)變量在主成分分析或因子分析中的投影貢獻(xiàn),來(lái)評(píng)估變量的重要性。

在Matlab R2016a中對(duì)5個(gè)光譜反射率及25個(gè)光譜指數(shù)進(jìn)行變量投影重要性分析,將篩選閾值設(shè)置為1.0,篩選結(jié)果如圖4所示。

圖4 VIP變量篩選結(jié)果

苜蓿覆蓋地篩選出R、RedEdge、NDVI-reg、DVI-reg、NDGI、NDSI-reg、SR、MCARI、CI-reg、TCARI、GLI、MSAVI、NR共13個(gè)光譜波段及光譜指數(shù)。玉米地篩選出NIR、RedEdge、NDVI-reg、DVI-reg、NDSI-reg、SR、MCARI、CI-reg、TCARI、MSAVI、NR共11個(gè)光譜波段及指數(shù),并分別作為模型輸入層。

2.2.3灰色關(guān)聯(lián)度分析

在構(gòu)建神經(jīng)網(wǎng)絡(luò)模型過(guò)程中,過(guò)多的輸入層數(shù)據(jù)會(huì)影響模型的學(xué)習(xí)過(guò)程,降低模型的收斂速度和預(yù)測(cè)精度,本文采用灰色關(guān)聯(lián)度分析對(duì)數(shù)據(jù)進(jìn)行篩選,達(dá)到去除冗余數(shù)據(jù)的目的。引入灰色關(guān)聯(lián)度分析法對(duì)該區(qū)域的植被含水率進(jìn)行了定量分析[20],計(jì)算灰色關(guān)聯(lián)度系數(shù)(Gray correlation degree,GCD),分辨系數(shù)取0.5。

在Matlab R2016a中對(duì)光譜波段及指數(shù)進(jìn)行灰色關(guān)聯(lián)分析,將篩選敏感變量的GCD閾值設(shè)置為0.7,苜蓿覆蓋地篩選得G、B、NIR、RedEdge、NDVI-reg、EVI-reg、NDSI-reg、SR、COSRI、MSAVI、NNIR、NDWI、NDMI-reg共13個(gè)敏感變量作為模型輸入層,玉米覆蓋地則僅排除DVI、EVI、TVI和TCARI。篩選結(jié)果如圖5所示。

圖5 GRA變量篩選結(jié)果

2.3 基于敏感變量的植被含水率反演模型

基于VIP、GRA和Person相關(guān)性分析3種篩選模型算法,建立波段及指數(shù)聯(lián)合樣本集,并對(duì)所選樣本集構(gòu)建BPNN、PLSR、SVR和RF共4種機(jī)器學(xué)習(xí)模型并進(jìn)行精度驗(yàn)證,建模集和驗(yàn)證集的結(jié)果如表4所示。

表4 植被含水率反演模型精度

經(jīng)Person相關(guān)性分析的敏感變量樣本集,由4種機(jī)器學(xué)習(xí)反演可得,建模集及驗(yàn)證集決定系數(shù)R2均大于0.7,均方根誤差(RMSE)存在小幅波動(dòng),多處于0.7%～1.2%之間,玉米覆蓋地MAE在0.9%以內(nèi),苜蓿覆蓋地在2.0%以內(nèi)。由VIP篩選的樣本集,執(zhí)行反演運(yùn)算。結(jié)果表明,建模集、驗(yàn)證集R2均高于0.75。除PLSR反演結(jié)果異常,其余模型的RMSE均小于1.2%,MAE保持在1.0%以內(nèi)。對(duì)反演結(jié)果進(jìn)行權(quán)重分析,此敏感變量組最佳反演模型為RF。GRA輸入因子較多,由反演結(jié)果可得,建模集及驗(yàn)證集R2除RF外均大于0.75;模型RMSE多低于1.2%;玉米覆蓋地MAE在0.7%以內(nèi)。對(duì)評(píng)價(jià)指標(biāo)進(jìn)行權(quán)重分析,GRA苜蓿地及玉米地最佳反演模型為SVR。

基于4種變量篩選算法,分別繪制苜蓿、玉米覆蓋地的機(jī)器學(xué)習(xí)反演結(jié)果散點(diǎn)圖、擬合曲線,如圖6(圖中陰影部分為反演結(jié)果置信區(qū)間)所示。苜蓿覆蓋地的散點(diǎn)分布比較均勻且集中,與玉米反演結(jié)果相比,其距離置信區(qū)間偏差較小,擬合曲線斜率也較為一致。苜蓿含水率反演結(jié)果主要集中于置信區(qū)間的中央,范圍為66%～70%。而玉米含水率分布則比較分散,PCCs-PLSR反演結(jié)果的離散性較為明顯,反演精度最差。在兩種植被覆蓋下,最佳反演模型均為GRA-SVR,散點(diǎn)圖分布均勻,置信區(qū)間合理,殘值較少,所有模型的決定系數(shù)R2都在0.8以上,反演效果較好。

圖6 植被含水率實(shí)測(cè)值與預(yù)測(cè)值對(duì)比

2.4 模型綜合評(píng)價(jià)

將不同植被覆蓋條件下含水率反演結(jié)果與實(shí)測(cè)值進(jìn)行對(duì)比。由圖7(圖中誤差棒長(zhǎng)度表示RMSE)可得,PLSR在各類篩選模型中的RMSE最大,均大于3.5%,精度最差。基于GRA和VIP篩選后建立的植被含水率反演模型多取得了較好的反演效果,Person相關(guān)性分析篩選后的反演結(jié)果稍差,但苜蓿樣地GRA-RF反演結(jié)果相較于其他兩種篩選算法還有待改進(jìn)。

圖7 模型反演精度對(duì)比

綜上所述,苜蓿、玉米覆蓋地植被含水率最佳反演模型為基于灰色關(guān)聯(lián)度分析的支持向量回歸模型,苜蓿地建模集R2為0.893,RMSE為0.650%,MAE為0.322,驗(yàn)證集R2為0.889,RMSE為0.798%,MAE為0.533%;玉米覆蓋地建模集R2為0.771,RMSE為0.748%,MAE為0.530%,驗(yàn)證集R2為0.848,RMSE為0.668%,MAE為0.542%,模型反演精度較高,可較真實(shí)反映不同植被覆蓋的含水率變化情況。

3 討論

近地遙感具有獲取信息快、覆蓋面積廣及運(yùn)行成本低等優(yōu)勢(shì),在估算植被含水率方面有較大的發(fā)展?jié)摿?是未來(lái)精準(zhǔn)農(nóng)業(yè)的發(fā)展方向[21]。但采用大量的光譜變量使模型的構(gòu)建變得較為復(fù)雜,且大量的光譜變量往往含有冗余信息。因此,選擇適宜的篩選算法及反演模型是提高植被含水率監(jiān)測(cè)精度的有效途徑。

敏感變量篩選可有效去除光譜變量中的冗余信息,降低植被含水率反演模型的復(fù)雜程度,達(dá)到提高反演模型精度的目的。綜合對(duì)比分析基于3種變量篩選方法的反演模型精度,基于VIP建立的4種反演模型精度R2較為統(tǒng)一,且均優(yōu)于PCCs反演結(jié)果。但就整體而言,兩塊樣地最佳反演模型均為GRA-SVR,這與賈萍萍等[22]、LI等[23]的研究結(jié)果一致。但GRA提取苜蓿、玉米敏感變量有較大差異,苜蓿樣地篩選后敏感變量剩余13個(gè),玉米樣地篩選后僅排除4個(gè)冗余變量。主要原因是作物光譜特征因作物類型不同、植被覆蓋差異,會(huì)表現(xiàn)出明顯區(qū)別[13],采樣時(shí)苜蓿種植密度高,且正處于盛花期;玉米覆蓋度低,大面積的土壤處于裸露狀態(tài)。張智韜等[24]在研究植被覆蓋程度對(duì)土壤含鹽量反演的影響時(shí),證實(shí)了這一點(diǎn),隨著植被覆蓋度增加,鹽分指數(shù)敏感性逐漸降低,植被指數(shù)敏感性逐漸增加。不同篩選模型對(duì)光譜變量的響應(yīng)差異較大[25],紅邊波段及相關(guān)改進(jìn)光譜指數(shù)復(fù)現(xiàn)率較高,而DVI、NDSI對(duì)模型貢獻(xiàn)率較差,引入紅邊波段改進(jìn)后,光譜指數(shù)的Person相關(guān)性及變量篩選評(píng)分明顯提升。此次采樣的玉米正處于拔節(jié)期,含水率為75%～85%,盛花期苜蓿為60%～75%,與IMPOLLONIA等[26]利用無(wú)人機(jī)遙感技術(shù)對(duì)14個(gè)芒果雜交品種進(jìn)行基于光譜指數(shù)的含水率測(cè)定結(jié)果一致。當(dāng)植被含水率超30%時(shí),模型精度較為穩(wěn)定且精度較高。AHMAD等[27]以TRMM和AVHRR星載遙感數(shù)據(jù)為基礎(chǔ),分別建立支持向量回歸、人工神經(jīng)網(wǎng)絡(luò)和多元線性回歸模型反演土壤含水率,研究表明,SVR反演結(jié)果最優(yōu),這與本研究最佳反演模型結(jié)果一致,支持向量回歸具有較高的估測(cè)性能,在處理多類問(wèn)題時(shí)準(zhǔn)確性較高,可有效反演植被含水率。

本研究基于無(wú)人機(jī)多光譜影像,建立不同植被覆蓋的植被含水率反演模型并取得了較好的反演結(jié)果,相較于BPNN、PLSR和RF,通過(guò)GRA-SVR篩選、反演的植被含水率更真實(shí)地反映不同作物內(nèi)水分變化情況。但就試驗(yàn)設(shè)計(jì)而言,仍然存在一定的改進(jìn)空間,可考慮引入機(jī)載LiDAR進(jìn)行植物表征監(jiān)測(cè),多源遙感數(shù)據(jù)的融合能進(jìn)一步有效提高反演精度,同時(shí)探究不同植被、不同生長(zhǎng)周期的含水率變化情況等[28-29]。進(jìn)而以多源近地遙感為主要技術(shù)手段,構(gòu)建多作物、少冗余、高精度的植被含水率反演模型,以期實(shí)現(xiàn)不同植被種類含水率的快速、精準(zhǔn)獲取。

4 結(jié)論

(1)對(duì)比Person分析結(jié)果構(gòu)建的模型,通過(guò)VIP、GRA篩選獲取的輸入數(shù)據(jù)所構(gòu)建的植被含水率反演模型反演效果更好,均方根誤差更小,訓(xùn)練速度也明顯提高,表明VIP、GRA篩選算法應(yīng)用于植被含水率反演及相關(guān)研究是可行的。

(2)在4種機(jī)器學(xué)習(xí)算法中,SVR算法在非線性問(wèn)題中相較于BPNN、PLSR、RF算法具有較強(qiáng)的解析能力和較高的模型魯棒性,驗(yàn)證集R2在0.779～0.889之間,反演結(jié)果波動(dòng)較小。故SVR對(duì)于不同作物覆蓋下的植被含水率反演結(jié)果最能真實(shí)體現(xiàn)植被水分變化情況。

(3)對(duì)比分析24個(gè)土壤含水率反演模型,在不同植被覆蓋下,GRA-SVR反演結(jié)果最佳,驗(yàn)證集苜蓿覆蓋地R2為0.889,RMSE為0.798%,MAE為0.533%,玉米覆蓋地R2為0.848,RMSE為0.668%,MAE為0.542%,且苜蓿覆蓋下植被含水率反演精度略優(yōu)于玉米覆蓋地。