俞 靜 2, ，張世文，芮婷婷，李唯佳 2, ，蔡慧珍

（1.安徽理工大學(xué)空間信息與測繪工程學(xué)院, 安徽 淮南 232001；2.礦山采動災(zāi)害空天地協(xié)同監(jiān)測與預(yù)警安徽普通高校重點實驗室, 安徽 淮南 232001；3.礦山環(huán)境與災(zāi)害協(xié)同監(jiān)測煤炭行業(yè)工程研究中心,安徽 淮南 232001；4.安徽理工大學(xué)地球與環(huán)境學(xué)院, 安徽 淮南 232001）

植被生長狀況是對廢棄礦區(qū)生態(tài)修復(fù)情況的直接反映，礦區(qū)地表植被生物量是反映植被生長狀況的直接且重要的指標(biāo)，可為礦區(qū)植被恢復(fù)的效果評價提供基礎(chǔ)數(shù)據(jù)，因此實現(xiàn)礦區(qū)植被生物量快速準(zhǔn)確的預(yù)測對礦區(qū)修復(fù)效果評價具有重要意義[1-4]。傳統(tǒng)植被生物量估測采用野外人工實地采集方法，不僅費時費力，而且會對當(dāng)?shù)刂脖簧L產(chǎn)生不同程度的不良影響[5]。隨著遙感技術(shù)的快速發(fā)展，無人機(jī)遙感憑借其高靈活性、高空間分辨率和能夠進(jìn)行較小面積的植被監(jiān)測等優(yōu)勢，已成為植被長勢監(jiān)測的重要手段，并廣泛應(yīng)用于資源調(diào)查、環(huán)境監(jiān)測等領(lǐng)域[6]。

近些年，眾多專家學(xué)者使用各種監(jiān)測手段對不同植被的各種長勢指標(biāo)進(jìn)行了一系列研究，并獲得了諸多成果。如苗春麗等[7]基于無人機(jī)高光譜影像光譜數(shù)據(jù)構(gòu)建隨機(jī)森林模型對天然草地地上生物量進(jìn)行了反演研究，實現(xiàn)了高寒草甸地上生物量高精度監(jiān)測；黃家興等[8]基于Sentinel-2 和Landsat 8數(shù)據(jù)計算5 種植被指數(shù)建立草地地上生物量反演模型，結(jié)果表明使用10 m 分辨率的Sentinel-2 構(gòu)建的生物量反演模型精度高于30 m 的Landsat 8 數(shù)據(jù)；肖武等[9]運用無人機(jī)多光譜影像，在傳統(tǒng)植被指數(shù)基礎(chǔ)上引入紅邊波段擴(kuò)展植被指數(shù)用于構(gòu)建高潛水位采煤沉陷區(qū)玉米生物量反演模型，結(jié)果表明紅邊波段能提高玉米生物量反演精度；鄧尚奇等[10]利用圖像閾值分割去除無人機(jī)影像背景像元后提取小麥像元平均反射率，構(gòu)建植被指數(shù)利用偏最小二乘回歸構(gòu)建反演模型，結(jié)果顯示剔除背景像元后并使用植被指數(shù)構(gòu)建的反演模型精度有較明顯的提 升； Stratoulias 等[11]采 集 同 期 的Sentinel-1 和Sentinel-2 衛(wèi)星影像不同光譜信息，并比較了基于衛(wèi)星影像不同光譜信息估算生物量的方法，證明了相比于傳統(tǒng)植被指數(shù)，所有Sentinel-1 和Sentinel-2 的波段的簡單光譜比值組合與生物量具有更高的相關(guān)性；Wan 等[12]基于無人機(jī)利用輻射傳輸模型建立水稻全生育期生物量與葉片葉綠素含量、葉面積指數(shù)以及冠層葉綠素含量之間的關(guān)系，驗證了模型性能。以上研究對于植被生物量的遙感監(jiān)測，多集中于提取遙感影像的單一光譜特征作為特征變量實現(xiàn)地上生物量的反演，然而當(dāng)植被過于稀疏或密集時，光譜特征與地上生物量相關(guān)性會降低。并且，衛(wèi)星遙感時空分辨率低且受天氣影響較大，難以有效提取礦區(qū)的精細(xì)植被長勢信息，而新興且輕小型無人機(jī)遙感監(jiān)測技術(shù)可以彌補衛(wèi)星遙感在小尺度區(qū)域監(jiān)測方面的不足，其可以搭載多光譜傳感器實時準(zhǔn)確獲取修復(fù)礦區(qū)高分辨率遙感影像，從而實現(xiàn)修復(fù)礦區(qū)植被精細(xì)化監(jiān)測。

因此本研究以無人機(jī)遙感為監(jiān)測手段，以修復(fù)礦區(qū)草本植物地上生物量為研究對象，在單波段光譜和植被指數(shù)兩光譜特征的基礎(chǔ)上引入紋理特征和地形特征，將3 種特征分為光譜特征組和多特征組分別作為模型輸入變量構(gòu)建反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)和Elman 神經(jīng)網(wǎng)絡(luò)草本植物生物量反演模型，并將該模型應(yīng)用于全區(qū)生物量反演，對全區(qū)草本植物地上生物量進(jìn)行分級評估，研究結(jié)果可為無人機(jī)遙感礦區(qū)修復(fù)地草本植物地上生物量反演研究提供參考。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

本研究以銅官山(117.81° E，30.91° N)為研究區(qū)，區(qū)域面積約為0.11 km2。其位于安徽省銅陵市市中心東南方向2 km。銅官山全年平均氣溫為18～19 ℃，年降水量為1 384.7 mm，平均海拔495.7 m，呈東南低、西北高的地勢，山頂標(biāo)高493.1 m，屬于北亞熱帶濕潤季風(fēng)氣候，特點是季風(fēng)明顯，四季分明，雨量豐沛，日照充足，雨熱同季，無霜期長。春季雨水偏多，常出現(xiàn)低溫連綿陰雨天氣；夏季天氣炎熱；秋季晴朗少雨，常出現(xiàn)秋季干旱；冬季天氣晴朗、寒冷干燥。實地調(diào)查結(jié)果顯示研究區(qū)主要以灌草叢為地表覆蓋植被類型，其中自然生長的草本植物為主要植物類型，代表性草本植物主要有小蓬草(Conyza canadensis)、狗尾巴草(Setaria viridis)、雞眼草(Kummerowia)、狗牙根(Cynodon dactylon)、狼杷草(Bidens tripartita)和通奶草(Euphorbia hypericifolia)等，研究區(qū)域地理位置和采樣點分布如圖1 所示。

圖1 研究區(qū)位置及采樣點分布圖Figure 1 Location of the study area and distribution of sampling points

1.2 數(shù)據(jù)獲取與預(yù)處理

1.2.1 無人機(jī)數(shù)據(jù)獲取與預(yù)處理

無人機(jī)平臺采用大疆Phantom 4 多光譜版植保無人機(jī)搭載一體式多光譜成像系統(tǒng)，集成1 個可見光傳感器和5 個多光譜傳感器(藍(lán)光、綠光、紅光、紅邊和近紅外)，其中藍(lán)光波段中心波長為450 nm，帶寬為32 nm；綠光波段中心波長為560 nm，帶寬為32 nm；紅光波段中心波長為650 nm，帶寬為32 nm；紅邊波段中心波長為730 nm，帶寬為32 nm；近紅外波段中心波長為840 nm，帶寬為52 nm，同時無人機(jī)內(nèi)置GPS 和IMU 系統(tǒng)(圖2)。

圖2 無人機(jī)和多光譜相機(jī)Figure 2 UAV and multispectral camera

進(jìn)行航拍作業(yè)前，首先需要考慮到天氣條件，避免雨雪、大風(fēng)等天氣，飛行時應(yīng)選擇天氣晴朗無云，風(fēng)力較小的時候。同時需要對研究區(qū)域的地理情況及外部設(shè)施進(jìn)行調(diào)查，確保在無人機(jī)飛行過程中不會受到高壓電線、高大樹木等物體的干擾。綜上考慮，無人機(jī)多光譜影像的采集時間于2021 年9 月26 日，飛行時間為11:00－14:00。起飛前手動控制無人機(jī)飛行至校準(zhǔn)白板的正上方約2.5 m 處，采用相機(jī)單攝模式來拍攝標(biāo)準(zhǔn)白板。無人機(jī)的飛行模式按照提前規(guī)劃的S 型航線飛行，航向重疊度70%，旁向重疊度60%，無人機(jī)飛行高度50 m，傳感器鏡頭垂直向下，拍照模式為等時間間隔，共獲取了約3 000 張影像。

獲取影像后利用Pix4D-mapper 拼接軟件進(jìn)行影像拼接得到正射影像，并以正射影像為參考影像，使用ArcGIS 10.6 軟件分別在5 個單波段影像上均勻選取30 個參考點進(jìn)行幾何校正，且?guī)缀涡Ｕ`差在0.5 個像元之內(nèi)。獲取各個波段中的白板的DN(digital number)值并計算5 個波段的DN 均值，使用ENVI 5.3 軟件中的Band Math 工具對多光譜影像進(jìn)行輻射校正。計算公式為：

式中：f目標(biāo)為目標(biāo)地物的反射率，DN目標(biāo)為目標(biāo)地物的DN值，DN白板為白板DN均值，f白板為標(biāo)準(zhǔn)白板反射率。

經(jīng)上述預(yù)處理后即獲取到無人機(jī)多光譜影像，空間分辨率為0.03 m。在ENVI 5.3 軟件中導(dǎo)入預(yù)處理后的多光譜影像以及采樣點GPS 點位信息，以采樣點為中心，并對應(yīng)于樣方大小以及影像分辨率，在圖像上裁剪出33 × 33 (像素)的影像作為感興趣區(qū)，提取每個樣方內(nèi)的各個波段的平均反射率。

1.2.2 生物量數(shù)據(jù)獲取

在進(jìn)行無人機(jī)數(shù)據(jù)采集前，需進(jìn)行樣方布設(shè)，待無人機(jī)數(shù)據(jù)采集結(jié)束后立即進(jìn)行樣方采集。根據(jù)研究區(qū)域范圍，利用均勻布點原則布設(shè)采樣點，研究區(qū)內(nèi)共布設(shè)采樣點43 個，如圖1 所示，設(shè)置1 m ×1 m 的樣方，然后通過GPS 記錄每一個樣方點的位置信息，將樣方內(nèi)的植被齊地面剪下并對每個樣方進(jìn)行編號。實驗室處理時，將植被放入烘箱內(nèi)殺青30 min，溫度設(shè)置為105 ℃；考慮到樣方內(nèi)植株水分含量較大，為了避免烘干溫度不適而致使植被沒有充分烘干[13]，將其再置于80 ℃的烘箱中24～48 h直到得到恒定的生物量，最后稱取每個樣方的生物量干質(zhì)量[14]。

2 研究方法

2.1 變量提取

2.1.1 光譜特征

植被指數(shù)是不同光譜波段之間的線性或非線性組合，可以反映綠色植被的相對豐富度。植被的光譜反射率與非植被地區(qū)的光譜反射率之間具有明顯的差異，很多學(xué)者根據(jù)植被的光譜響應(yīng)特征，利用不同波段反射率構(gòu)造植被指數(shù)來表征植被狀況[15]。根據(jù)本研究參考傳感器波段設(shè)置和前人的生物量反演研究，共選擇了18 種植被指數(shù)以及無人機(jī)5 個單波段光譜反射率用于生物量反演，本研究所用到的植被指數(shù)計算公式如表1 所列。

表1 選用于反演的植被指數(shù)計算公式Table 1 Calculation formulae of vegetation indexes selected for inversion

2.1.2 紋理特征

紋理特征是物體固有的特性且穩(wěn)定性較好，很難受到外界因素的影響，灰度共生矩陣法具有旋轉(zhuǎn)不變性和多尺度特性，常常用于提取紋理信息。本研究采用灰度共生矩陣法共提取5 個波段的8 個紋理特征，包括每個波段的均值(mean)、方差(variance)、同質(zhì)性(homogeneity)、對比度(contrast)、非相似性(dissimilarity)、熵(entropy)、角二階矩(angular second moment)、相關(guān)性(correlation)[26-27]。提取出的紋理特征及其計算公式如表2 所列。

表2 紋理特征及其計算公式Table 2 Texture features and their calculation formulae

2.1.3 地形特征

自然地形影響降水和陽光輻射的空間分布，從而導(dǎo)致土壤的質(zhì)地、養(yǎng)分和含水量分布差異，進(jìn)而決定植被生物量分布以及生長更新[28]。由此本研究引入坡度、坡向等地形特征建立生物量反演模型，實現(xiàn)礦區(qū)植被生物量準(zhǔn)確監(jiān)測。在ArcGIS 10.6 中利用實測高程點數(shù)據(jù)生成不規(guī)則三角網(wǎng)(triangulatedirregular network, TIN)后轉(zhuǎn)成高精度DEM 柵格數(shù)據(jù)，并生成坡度、坡向、剖面曲率和平面曲率4 種地形數(shù)據(jù)，如圖3 所示。

圖3 研究區(qū)地形特征Figure 3 Topographic characteristics of the study area

2.2 變量篩選

經(jīng)以上數(shù)據(jù)處理后，共獲取67 個特征變量，其中光譜特征變量23 個，紋理特征40 個，地形特征4 個。本研究先后采用灰度關(guān)聯(lián)法和熵權(quán)法對光譜特征和紋理特征分別進(jìn)行篩選，由于地形特征較少，則全部作為輸入變量。

灰度關(guān)聯(lián)法是判斷變量是否相關(guān)并確定其相關(guān)程度的一種分析方法，其根據(jù)各變量間的相對變化趨勢表征變量間的關(guān)聯(lián)程度，如果變量間相對變化趨勢越一致，則該變量間的關(guān)聯(lián)度越大，其基本思想是通過計算關(guān)聯(lián)度找出系統(tǒng)各因素之間的主次關(guān)系，從而找出影響最大的因素[29]。

熵權(quán)法是通過信息熵計算變量包含的信息量大小并且對變量進(jìn)行賦權(quán)[30]，根據(jù)權(quán)重大小對變量進(jìn)行篩選。問題涉及多個變量，需確定每個變量的相對權(quán)重，一個變量的信息熵值越小其權(quán)重越大，即越能反映真實信息，該方法可以消除人為的干擾，為一種較為客觀的變量篩選方式。在計算完熵權(quán)值后，可通過設(shè)定閾值的方式對變量進(jìn)行篩選，即當(dāng)熵權(quán)值大于閾值時，保留該變量，反之則刪除。本研究設(shè)定的閾值為0.1。

2.3 反演模型構(gòu)建

實地共采集43 個生物量樣方數(shù)據(jù)，在43 個實測生物量樣方數(shù)據(jù)中隨機(jī)選取33 個用于反演模型的訓(xùn)練，剩余10 個用于模型的驗證，以此作為模型的輸入樣本，構(gòu)建神經(jīng)網(wǎng)絡(luò)反演模型。將最終篩選出所有特征變量分為光譜特征組和多特征組。選用反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)和Elman 神經(jīng)網(wǎng)絡(luò)分別構(gòu)建兩組輸入變量的草本植物生物量反演模型，3 種算法均于MATLAB 2022a軟件中實現(xiàn)。

反向傳播神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該機(jī)器學(xué)習(xí)方法的特點是信號向前傳遞，誤差反向傳播，因其具備非線性映射能力且適用于具有復(fù)雜內(nèi)部機(jī)制的數(shù)據(jù)問題，并具有自學(xué)習(xí)和自適應(yīng)能力以及泛化能力[31-32]。本研究依據(jù)輸入變量個數(shù)設(shè)置神經(jīng)網(wǎng)絡(luò)輸入層個數(shù)，輸出層為1，對模型進(jìn)行多次訓(xùn)練調(diào)試后最終確定隱含層為10，激活函數(shù)為“tansig”函數(shù)，學(xué)習(xí)率為0.01，迭代次數(shù)為1000。

卷積神經(jīng)網(wǎng)絡(luò)是具有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，減少了網(wǎng)絡(luò)參數(shù)和過擬合問題，卷積神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)性可以構(gòu)建高精度作物估產(chǎn)模型[33]。卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、池化層、全連接層和輸出層組成。其具有的局部連接、參數(shù)共享和下采樣降維3 個核心思想，使其可以加快網(wǎng)絡(luò)收斂和計算速度，去除冗余特征。本研究采用了2 個卷積層、2 個池化層和一個全連接層構(gòu)建CNN 網(wǎng)絡(luò)結(jié)構(gòu)，其中卷積核個數(shù)為32，大小設(shè)置為2 × 2，步長設(shè)為1；池化核尺寸為3 × 3，步長為1，池化方式為最大池化；卷積層和全連接層由ReLU 激活函數(shù)激活。

Elman 神經(jīng)網(wǎng)絡(luò)是一種典型局部回歸神經(jīng)網(wǎng)絡(luò)，可以被看作是具有局部記憶單元和反饋連接的遞歸神經(jīng)網(wǎng)絡(luò)，其較好地適應(yīng)動態(tài)變化的數(shù)據(jù)[34]；Elman 神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱含層、上下文層和輸出層組成，上下文節(jié)點的自連接使其對歷史輸入數(shù)據(jù)較為敏感。本研究選擇sigmoid 函數(shù)作為隱含層的傳遞函數(shù)，輸出層采用purelin 傳遞函數(shù)，隱含層節(jié)點數(shù)設(shè)為10。網(wǎng)絡(luò)訓(xùn)練函數(shù)為traingdm，其具有較快的收斂速度。

2.4 模型精度評價方法

本研究采用決定系數(shù)(R2)、均方根誤差(RMSE)兩個指標(biāo)來評價模型的精度。其中R2值越接近1 表明模型預(yù)測精度越高，RMSE 值越小表明模型精度越高，預(yù)測值與實測值越接近。計算公式如下：

式中：yi為實測值，y?i為預(yù)測值，yˉ為實測值的均值。

3 結(jié)果與分析

3.1 變量篩選

本研究首先利用灰色關(guān)聯(lián)度方法分別對光譜特征和紋理特征進(jìn)行處理，并根據(jù)關(guān)聯(lián)度大小進(jìn)行從大到小排序，且保留排序前10 的光譜特征和紋理特征；然后使用熵權(quán)法計算所保留變量的熵權(quán)值，以設(shè)定的閾值0.1 對變量進(jìn)行二次篩選，最終篩選出5 個光譜特征和4 個紋理特征，計算結(jié)果如表3 所列。將篩選結(jié)果與地形特征相結(jié)合，從而構(gòu)建出兩個生物量反演模型的輸入變量組：將篩選出的光譜特征變量作為模型輸入變量，即為光譜特征組；在光譜特征變量基礎(chǔ)上同時引入紋理特征和地形特征變量，即為多特征組。

表3 本研究輸入模型變量Table 3 Model input variables used in this study

3.2 基于光譜特征組的礦區(qū)草本植物生物量反演

利用無人機(jī)多光譜影像提取采樣點的單波段光譜反射率，并構(gòu)建相關(guān)植被指數(shù)，將5 個波段光譜反射率和構(gòu)建的18 種植被指數(shù)作為光譜特征與實測地上生物量進(jìn)行相關(guān)程度分析，先后使用灰色關(guān)聯(lián)法和熵權(quán)法選出相關(guān)程度較高且信息熵較大的光譜特征變量建立草本植物生物量反演模型。基于光譜特征分別構(gòu)建BPNN、CNN 和Elman 神經(jīng)網(wǎng)絡(luò)的生物量反演模型，其反演結(jié)果如圖4 所示，可以看出，基于BPNN 構(gòu)建的生物量反演模型的決定系數(shù)(R2)為0.762，均方根誤差(RMSE)為14.459 g·m-2；CNN 構(gòu)建的反演模型R2為0.540，RMSE 為20.119 g·m-2；Elman 神經(jīng)網(wǎng)絡(luò)反演模型R2為0.763，RMSE為14.442 g·m-2。結(jié)果表明，輸入相同的光譜特征，3 個模型表現(xiàn)出不同的反演精度，其中Elman 神經(jīng)網(wǎng)絡(luò)模型反演效果最佳，其次為BPNN 模型，CNN模型反演精度最低。

圖4 基于光譜特征組反演模型精度驗證Figure 4 Accuracy verification of inversion models based on spectral features

3.3 基于多特征組的礦區(qū)草本植物生物量反演

根據(jù)表3 所篩選出的5 個光譜特征，4 個紋理特征以及4 個地形特征共13 個變量，分別構(gòu)建BPNN、CNN 和Elman 神經(jīng)網(wǎng)絡(luò)的生物量反演模型，反演結(jié)果如圖5 所示，可以看出，BPNN反演模型R2為0.841，RMSE 為11.813 g·m-2，CNN 反 演 模 型R2為0.683，RMSE 為16.709 g·m-2，Elman 神經(jīng)網(wǎng)絡(luò)模型R2為0.814，RMSE 為12.784 g·m-2。其中，所建立的BPNN 反演模型的預(yù)測精度最高。

圖5 基于多特征組反演模型精度驗證Figure 5 Accuracy verification of inversion models based on multiple features

3.4 模型的綜合評價

3.4.1 模型精度對比

以單波段光譜和植被指數(shù)作為光譜特征組，以光譜特征、紋理特征和地形特征作為多特征組，分別用作輸入變量構(gòu)建基于BPNN、CNN、Elman 神經(jīng)網(wǎng)絡(luò)的草地地上生物量反演模型，對構(gòu)建的生物量反演模型進(jìn)行精度驗證，各特征組的模型反演結(jié)果如表4 所列。其中，在以光譜特征組作為模型輸入變量時，BPNN 和Elman 算法模型精度較為接近，CNN 算法精度最低；以多特征組作為輸入變量時，BPNN 算法精度最高，R2為0.841，RMSE 為11.813 g·m-2。根據(jù)表4 可得，構(gòu)建的6 個生物量反演模型R2均在0.5 及以上，均表現(xiàn)出良好的反演精度。對比光譜特征組，基于多特征組構(gòu)建的反演模型呈現(xiàn)出較優(yōu)的性能，紋理特征變量和地形特征變量的加入使3 種機(jī)器學(xué)習(xí)算法模型都有不同程度的提高，相比于光譜特征組，基于多特征組BPNN 算法構(gòu)建的生物量反演模型R2提高了10.37%，CNN 算法構(gòu)建的反演模型R2提高了26.48%，Elman 神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型的R2提升幅度為6.68%。對比6 個生物量反演模型結(jié)果精度可得，基于多特征組的BPNN 草地地上生物量反演模型表現(xiàn)出最優(yōu)性能，模型預(yù)測精度最高，因此本研究采用該模型對研究區(qū)進(jìn)行全區(qū)生物量反演。

表4 基于不同特征組的算法模型Table 4 Algorithm models based on different feature groups

3.4.2 模型穩(wěn)定性分析

單獨分組構(gòu)建的草本植物地上生物量模型的驗證集結(jié)果顯示BPNN 算法性能較好，且基于多特征組構(gòu)建的模型精度較單特征有明顯的提升。為進(jìn)一步評價模型的穩(wěn)定性，分別以兩組特征作為模型輸入變量，將樣本數(shù)據(jù)分為6 組，對各模型進(jìn)行交叉驗證，結(jié)果如表5 所列，可以看出，以均值分析，對于相同的輸入變量組，BPNN 構(gòu)建的模型R2、RMSE 均為最優(yōu)，其次為Elman 模型，CNN 模型精度最差；從標(biāo)準(zhǔn)差結(jié)果來看，以光譜特征組作為輸入變量組時，CNN 模型精度交叉驗證結(jié)果較為集中，而BPNN 結(jié)果較為分散，而多特征作為輸入變量時，BPNN 穩(wěn)定性顯著提升，且穩(wěn)定性最優(yōu)。結(jié)合最優(yōu)模型精度綜合分析可得，BPNN 擬合精度最優(yōu)，且相較于光譜特征組，多特征組提高了3 種模型的擬合精度，且提升了BPNN 模型預(yù)測結(jié)果的穩(wěn)定性。

表5 基于不同特征組的模型交叉驗證Table 5 Model cross-validation based on different feature groups

3.5 反演模型應(yīng)用

為獲取全研究區(qū)草本植物生物量分情況，使用訓(xùn)練好的多特征BPNN 神經(jīng)網(wǎng)絡(luò)模型對全區(qū)草本植物生物量進(jìn)行反演，反演所得的生物量分布情況如圖6 所示，其中區(qū)域為紅色表示該區(qū)域生物量高，區(qū)域為綠色表示該區(qū)域生物量低。由圖6 可以看出研究區(qū)生物量主要分布于0～100 g·m-2。將區(qū)域生物量分為5 個等級，如表6 所示，全區(qū)生物量多集中于第2 等級，即20～40 g·m-2，生物量低于60 g·m-2的區(qū)域的面積占全區(qū)87.39%，說明研究區(qū)大部分區(qū)域的生物量處于較低等級。反演結(jié)果與實地采樣情況大致相同。

表6 研究區(qū)生物量分級Table 6 Biomass classification in the study area

圖6 研究區(qū)生物量分布圖Figure 6 Biomass distribution map of the study area

4 討論

修復(fù)礦區(qū)地表的植被生物量可以反映礦區(qū)生態(tài)恢復(fù)情況，故實現(xiàn)對礦區(qū)植被生物量精確預(yù)測有利于修復(fù)礦區(qū)生態(tài)監(jiān)測工作。本研究在選用光譜特征作為生物量反演模型輸入變量的基礎(chǔ)上，引入紋理特征變量和地形特征變量，并采用BPNN、CNN 和Elman 神經(jīng)網(wǎng)絡(luò)3 種算法構(gòu)建草本植物生物量反演模型，比較模型性能后選用基于多特征的BPNN 反演模型對全區(qū)生物量進(jìn)行了反演。研究結(jié)果可為無人機(jī)遙感礦區(qū)修復(fù)地草本植物生物量反演研究提供參考。

本研究首先分別對光譜特征和紋理特征使用灰色關(guān)聯(lián)度和熵權(quán)法進(jìn)行篩選，光譜特征中單光譜波段篩選結(jié)果為紅邊波段和近紅波段，說明紅邊波段和近紅波段對估算生物量的貢獻(xiàn)較大，這與李淑貞等[35]的研究篩選結(jié)果相同；植被指數(shù)篩選結(jié)果為綠度指數(shù)、比值指數(shù)和非線性植被指數(shù)，這些植被指數(shù)主要為綠波段、紅波段以及近紅波段的組合，同時發(fā)現(xiàn)篩選出的紋理特征也是來源于這些波段，這與劉暢等[5]紋理指標(biāo)篩選結(jié)果一致，由此本研究篩選結(jié)果可為植被生物量反演相關(guān)研究提供參考。

從所構(gòu)建的生物量反演模型精度可以看出，引入紋理信息和地形信息后，3 種機(jī)器學(xué)習(xí)模型的反演精度都有相應(yīng)程度的提升，這主要的原因是紋理信息增加了地上植被的空間特性，而地形差異直接影響著植被分布和生長狀態(tài)，引入紋理特征和地形特征后同時考慮了3 種特征對生物量的貢獻(xiàn)性，解決了光譜特征的單一光譜信息不足以及光譜飽和問題[36-37]。其中基于CNN 生物量反演模型精度提升幅度最大，但是精度依然是最低，其原因是CNN訓(xùn)練需要大量的樣本數(shù)據(jù)，而本研究樣本量過少，使其沒有得到充分的訓(xùn)練。

本研究基于兩組輸入變量使用3 種機(jī)器學(xué)習(xí)算法構(gòu)建生物量反演模型并進(jìn)行反演精度比較，其中以多特征組為輸入變量構(gòu)建的BPNN 反演模型精度最高，相同的輸入變量基于BPNN 構(gòu)建的反演模型也表現(xiàn)出較優(yōu)的預(yù)測性能。本研究結(jié)果與以往的研究結(jié)果一致，Lyu 等[38]以內(nèi)蒙古草原為例，分別構(gòu)建單因素參數(shù)模型、多因素參數(shù)模型和多因素非參數(shù)模型反演草地地上生物量，結(jié)果表明BPNN 反演模型的準(zhǔn)確性和穩(wěn)定性均高于其他模型；Yang 等[39]基于最大貢獻(xiàn)變量建立BPNN 反演模型，驗證了BPNN 反演模型比傳統(tǒng)多變量回歸模型有更好的性能。其主要原因是BPNN 較其他機(jī)器學(xué)習(xí)算法更具有魯棒性和容錯性且適用于解決復(fù)雜的非線性關(guān)系。

修復(fù)礦區(qū)草本植被生長狀態(tài)可以由多種長勢指標(biāo)反映，如葉片葉綠素含量、植株含水率等；本研究僅以生物量作為單一指標(biāo)反映礦區(qū)植被長勢，未來可以綜合多個指標(biāo)實現(xiàn)對修復(fù)礦區(qū)植被監(jiān)測；此外本研究僅使用了3 種機(jī)器學(xué)習(xí)算法進(jìn)行反演模型的構(gòu)建，未來可以選擇更多的算法并對算法進(jìn)行優(yōu)化以實現(xiàn)針對特定區(qū)域構(gòu)建更高精度的反演模型。

5 結(jié)論

1) 對光譜特征和紋理特征變量分別使用灰度關(guān)聯(lián)法和熵權(quán)法進(jìn)行初次篩選和二次篩選，最終確定光譜特征變量為紅邊、近紅外波段、綠度指數(shù)、比值植被指數(shù)和非線性植被指數(shù)，紋理特征變量為var-840、con-840、con-730 和var-560，地形特征變量包括坡度、坡向、平面曲率和剖面曲率。

2) 在單波段光譜和植被指數(shù)兩光譜特征的光譜特征基礎(chǔ)上引入紋理特征和地形特征，并劃分為光譜特征組和多特征組，將其作為模型輸入變量構(gòu)建BPNN、CNN 和Elman 神經(jīng)網(wǎng)絡(luò)反演模型，其中基于多特征組構(gòu)建的3 種反演模型精度均高于基于光譜特征組構(gòu)建的反演模型，且BP 神經(jīng)網(wǎng)絡(luò)模型精度最高，該模型R2為0.841，RMSE 為11.813 g·m-2，并對3 種反演模型進(jìn)行了交叉驗證，進(jìn)一步表明了基于多特征構(gòu)建的BPNN 草本植物地上生物量反演模型更加穩(wěn)定，反演精度最優(yōu)。

3) 基于多特征構(gòu)建的BPNN 生物量反演模型對研究區(qū)生物量分布進(jìn)行預(yù)測分析可得，全區(qū)草本植物生物量估測值范圍為0～100 g·m-2、20～40 g·m-2的所占比重較大，占全區(qū)面積的52.9%，繪制結(jié)果與實地調(diào)查情況較為相符，研究結(jié)果可實現(xiàn)對草地地上生物量快速、準(zhǔn)確的預(yù)測。