一種新的高光譜特征提取方法用于小麥葉片生物量監(jiān)測(cè)

背景

高光譜遙感可獲得窄波段的連續(xù)光譜信息，可提供大量關(guān)于作物理化參數(shù)的豐富信息。但是使用全波段作為輸入變量會(huì)帶來(lái)較大的噪聲和冗余信息，同時(shí)必然會(huì)增加數(shù)據(jù)處理負(fù)荷、儀器成本和應(yīng)用的復(fù)雜性。因此現(xiàn)有研究中通常選擇一小組傳達(dá)數(shù)據(jù)主要信息的敏感特征來(lái)反演作物目標(biāo)參數(shù)。

目前，協(xié)同區(qū)間偏最小二乘（SIPLS）或連續(xù)投影算法（SPA）已被成功應(yīng)用于*優(yōu)特征的選擇。SIPLS可以保證所選波長(zhǎng)的連續(xù)性，使模型性能穩(wěn)定。然而，研究中發(fā)現(xiàn)SIPLS選擇的區(qū)間位置和長(zhǎng)度都是固定的，這表明優(yōu)選特征中存在無(wú)用信息和共線性。而SPA是建立在凸幾何端元搜索算法上的。因此，該方法可以降低對(duì)離群像素的敏感性，并生成真實(shí)的端元。同時(shí)，SPA的目標(biāo)是在所有數(shù)據(jù)中選擇共線性最小的變量，這比其他算法提供的結(jié)果更具可重復(fù)性，但其所選擇的變量也可能存在信噪比低或共線性較小的現(xiàn)象。

為了克服這些缺點(diǎn)并促進(jìn)高光譜數(shù)據(jù)的特征選擇，本研究提出了一種新的混合的特征選擇方法，命名為SIPLS-SPA，并將選取的*優(yōu)光譜特征用于建立更準(zhǔn)確、穩(wěn)定的小麥葉片生物量監(jiān)測(cè)模型。

試驗(yàn)設(shè)計(jì)

南京農(nóng)業(yè)大學(xué)姚霞教授團(tuán)隊(duì)利用江蘇雙利合譜公司的可見(jiàn)/近紅外高光譜成像系統(tǒng)Gaiafield-V10E，獲取了小麥不同生育期的冠層高光譜影像，并對(duì)影像進(jìn)行預(yù)處理從而獲得平均光譜（圖1）。

圖1 小麥冠層高光譜影像預(yù)處理流程

利用SIPLS-SPA進(jìn)行特征優(yōu)選的主要步驟：（1）全波段（400-1000 nm）被分成P個(gè)區(qū)間（25-50）；（2）結(jié)合Q（Q = 2,3,4）與相應(yīng)葉片生物量建立PLSR模型；（3）重復(fù)步驟（1）和（2），選擇使PLSR模型的RMSE最小時(shí)的P和Q的值；（4）根據(jù)確定的P和Q，得到敏感特征的光譜矩陣，設(shè)為X（N*J，N為樣本數(shù)，J為光譜變量數(shù)）；（5）隨機(jī)選取一列為Xj，其余定義為S；（6）分別計(jì)算Xj對(duì)S的投影。S的*大投影表示最小相關(guān)性，其對(duì)應(yīng)的列定義為Xi；（7）設(shè)置Xi而不是Xj，并重復(fù)步驟（5）和（6），直到所選變量的數(shù)量達(dá)到預(yù)設(shè)值M。M的值是通過(guò)多次數(shù)據(jù)計(jì)算確定的。在本研究中，M = 20；（8）將選擇的變量與相應(yīng)生物量擬合多元線性回歸（MLR）模型。最后，選擇使MLR的RMSE最小的變量。

結(jié)論

通過(guò)步驟（1）-（4），成功獲得了每個(gè)PLSR模型的RMSEcv。結(jié)果表明，在P = 37和Q = 4條件下獲得了RMSEcv最低的*佳PLSR模型（圖2）。這意味著當(dāng)整個(gè)光譜區(qū)域平均劃分為37個(gè)區(qū)間時(shí)，用4個(gè)區(qū)間（22、24、30和37）構(gòu)建的PLSR模型表現(xiàn)*好。運(yùn)行步驟（5）-（8），確定*佳高光譜變量為706、724、734、806、808、810、812和816 nm。

圖2 不同P和Q值下SIPLS模型的RMSEcv

利用SIPLS-SPA選擇的輸入變量，建立了小麥葉片生物量在五個(gè)生長(zhǎng)階段的校準(zhǔn)模型（圖3）。

圖3 SIPLS-SPA在校準(zhǔn)（A）和驗(yàn)證（B）中估算的小麥葉片生物量的實(shí)測(cè)值與預(yù)測(cè)值之間的1:1擬合關(guān)系

通過(guò)對(duì)比SIPLS、SPA和SIPLS-SPA選擇的敏感特征（表1）。結(jié)果表明，SIPLS對(duì)小麥葉片生物量的敏感特征分別為694-706、722-734、806-816和890-900 nm，而SPA的敏感特征分別為726、744、758、816和830 nm。簡(jiǎn)而言之，SIPLS選擇的敏感特征比SPA和SIPLS-SPA多。以SPA、SIPLS和SPA-SIPLS選擇的敏感特征為輸入變量，構(gòu)建小麥葉片生物量PLSR模型。結(jié)果表明，SIPLS模型和全波段模型的Rc2*大（0.84），其次是SPA模型和SIPLS-SPA模型。而采用SIPLS-SPA模型得到的Rv2*大（Rv2 = 0.67），采用SIPLS模型得到的Rv2最小。利用SIPLS-SPA選擇的敏感特征建立的模型RMSEv最?。?.059 kg/m2），RRMSEv最?。?8.55%）。

使用三個(gè)指標(biāo)對(duì)PLSR模型的實(shí)用性進(jìn)行評(píng)價(jià)（表2）。結(jié)果表明，SPA模型運(yùn)行時(shí)間最短，其次是SIPLS-SPA模型，而全波段模型運(yùn)行時(shí)間最長(zhǎng)。SPA模型和SIPLS-SPA模型的矩陣復(fù)雜度和計(jì)算復(fù)雜度相似且較低，但全波段模型的矩陣復(fù)雜度和計(jì)算復(fù)雜度最高。

表1 SIPLS、SPA和SIPLS-SPA選擇的敏感特征

表2 利用SIPLS、SPA和SIPLS-SPA方法提取敏感變量建立PLSR模型的實(shí)用性

作者信息

姚霞，博士，南京農(nóng)業(yè)大學(xué)國(guó)家信息農(nóng)業(yè)工程技術(shù)中心教授，博士生導(dǎo)師。

主要研究方向：基于高光譜/日光誘導(dǎo)葉綠素?zé)晒?激光雷達(dá)的星-機(jī)-地作物生長(zhǎng)監(jiān)測(cè)；作物表型高通量獲取等。

參考文獻(xiàn)：

Jia, M., Li, W., Wang, K., Zhou, C., Cheng, T., Tian, Y., Zhu, Y., Cao, W., & Yao, X. (2019). A newly developed method to extract the optimal hyperspectral feature for monitoring leaf biomass in wheat. Computers and Electronics in Agriculture, 165. https://www.sciencedirect.com/science/article/pii/S0168169918313528