基于无人机多光谱遥感的苎麻叶绿素含量反演.pdf

山 东 农 业 科 学():./.收稿日期:基金项目:国家重点研发计划项目()国家现代农业产业技术体系项目()国家自然科学基金项目()作者简介:岳云开()男硕士研究生研究方向为作物信息科学:.通信作者:崔国贤()男教授博士生导师研究方向为作物栽培学与作物信息科学:.佘玮()女副教授硕士生导师研究方向为作物信息科学:.基于无人机多光谱遥感的苎麻叶绿素含量反演岳云开陈建福赵亮焦鑫伟许明志付虹雨廖澳崔国贤佘玮(湖南农业大学苎麻研究所湖南 长沙)摘要:苎麻叶绿素含量与其光合作用及有机质积累能力有着极大的相关性对监测其生长、衰老有重要意义 无人机遥感技术的发展为快速、无损、高效监测作物叶绿素提供了新方法但利用该技术对苎麻叶绿素含量进行监测的研究还未见报道 本研究基于多时序获取的无人机多光谱遥感影像通过分析遥感指数与苎麻叶片叶绿素含量之间的相关性采用多种机器学习方法构建了不同生育期叶绿素含量反演模型 结果表明:基于无人机多光谱遥感反演苎麻叶绿素含量的最佳反演模型为成熟期的随机森林回归模型决定系数为.均方根误差为.本研究结果可为利用无人机多光谱遥感预测苎麻叶绿素含量提供方法参考关键词:无人机多光谱遥感苎麻叶绿素含量随机森林回归模型反演中图分类号:.:文献标识号:文章编号:()().苎麻(.)为荨麻科()苎麻属()的多年生草本纤维植物在我国纺织业中占有重要地位 苎麻中含有丰富的营养成分是优质的植物蛋白饲料来源叶和根中富含绿原酸和多酚等活性成分具有止血、安胎、抗病毒等药用功效叶中还含有丰富的叶绿素是一种天然可食用色素民间常将其用于食品调色 因此苎麻不断地被开发和利用叶绿素是植物叶片中的主要光合色素其含量可以直接反映植物的光合作用强弱和健康状况是评价植物生长状况的重要指标与作物的产量及品质密切相关 因此及时准确监测叶绿素含量对于苎麻生产管理十分重要 传统的叶绿素监测方法具有破坏性大、操作繁琐、效率低、费时费力等缺陷不能及时反馈作物的生长状况近年来无人机遥感技术快速发展并在作物生长监测、营养状况诊断等方面广泛应用也为作物叶绿素监测提供了新的方法 如陈浩等利用无人机多光谱遥感对不同施肥处理下的夏玉米冠层叶绿素进行估测然后基于线性回归和逐步回归建立了夏玉米冠层叶绿素含量遥感监测模型周敏姑等利用无人机多光谱遥感 个波段光谱反射率反演冬小麦 值经对比分析发现基于逐步回归法构建的模型效果最优决定系数为.等利用无人机多光谱并基于、和 等机器学习算法预测甘蔗冠层叶绿素含量结果表明所有模型反演效果均较好其中随机森林()回归模型的决定系数高达.可见利用无人机遥感反演作物叶绿素含量是可行的本研究以四个生长时期的苎麻为研究对象利用无人机多光谱图像构建多种植被指数通过对叶绿素含量和植被指数的相关性分析采用传统回归和随机森林回归方法建立了苎麻叶绿素含量的遥感估算模型经分析评价后确定最佳反演模型以实现苎麻叶片叶绿素含量的动态监测 材料与方法.试验区概况试验区位于湖南省长沙市芙蓉区湖南农业大学耘园教学基地(.)该区域属典型的亚热带季风性湿润气候降水充沛光热条件良好是苎麻的主产区之一 试验区地势平坦无遮挡物为无人机作业提供了良好的条件 试验区共种植 个苎麻品种每个品种一个小区重复 次共 个小区小区面积.行 蔸蔸间距为.行间距为.排水沟宽.苎麻材料于 年 月育苗移栽 年 月破杆 试验区土壤肥沃且成分均一灌溉排水便捷田间水肥管理一致.数据获取.无人机遥感影像获取利用大疆精灵 多光谱版无人机搭载多光谱遥感设备获取苎麻冠层影像 该无人机采用厘米级定位系统并将飞控、相机与 的时钟系统进行微秒级同步无人机搭载一台多光谱传感器该传感器集成了 个可见光相机及 个多光谱相机(蓝光、绿光、红光、红边和近红外)所有相机均拥有 万像素解析力拍摄照片的最大分辨率为 于 年 月苎麻每个生育期采集一次数据 为保证无人机影像的稳定性和可靠性每次飞行选择在晴朗无风天气的 时进行 无人机遥感系统在距离地面 的高度搭配-云台俯仰角进行拍摄飞行速度为 /航向及旁向重叠度均为 各时期飞行任务的拍摄参数、航线规划一致在飞行任务执行前设置完成 将采集的影像导入大疆智图软件进行拼接经辐射校正后获取试验区域的反射率影像再通过无人机一体化图像分析系统 软件进行植被指数及反射率的提取.叶绿素含量测定参照张宪政的方法进行 取苎麻植株顶部倒数第 叶去除叶脉后剪碎、混匀称取.装入 离心管中重复 次分别加入提取液(.丙酮无水乙醇体积比为)充分摇匀后用黑色塑料袋遮盖并避光保存 直至叶片完全变白然后用紫外分光光度计在、波长下测定吸光度并按下列公式计算叶绿素、叶绿素 含量及叶绿素总含量叶绿素 含量(/)(.)/()叶绿素 含量(/)(.)第 期 岳云开等:基于无人机多光谱遥感的苎麻叶绿素含量反演/()叶绿素总含量(/)/(.)式中、分别为相应波长下的光密度值 为提取液体积 为叶片鲜重 整个生育期苎麻叶片叶绿素含量的箱线图如图 所示图 各生育时期苎麻叶片叶绿素总含量的箱线图.植被指数选取依据已有的多光谱植被指数结合叶绿素吸收光谱的特性并通过与实测叶绿素含量进行相关性分析选择相关系数较高的 种植被指数进行建模分别为归一化植被指数()、绿色归一化植被指数()、归一化差异红色边缘植被指数()、改进简单比值植被指数()、比值植被指数()、宽范围动态植被指数()、土壤调节植被指数()如表 所示 表 植被指数及计算公式植被指数公式参考文献()/()()/()()/()(/)/(/)./(.)/(.)(.)()/(.).模型构建与评价本研究基于 种植被指数分别使用一元线性回归、多元线性回归和随机森林回归构建不同生育时期苎麻叶绿素含量反演模型 一元线性回归模型的构建使用 软件其方程为 式中 代表叶绿素含量 代表植被指数 多元线性回归模型的构建也使用 软件其方程为.式中、.代表不同植被指数 随机森林回归模型的构建使用 软件首先从全部自变量集合里有放回地随机抽取 个样本数据集在所有特征变量中选择 个特征变量然后选择最佳分割特征变量作为节点构建 树并重复 次即组建了 棵决策树最终每个决策树结果的平均作为随机森林回归模型的结果随机选取 样本作为建模集用于构建叶绿素含量反演模型样本作为验证集用于模型评价 为评估不同模型的估算精度本研究以决定系数()、均方根误差()作为评价指标 通常 越接近于、越小说明模型估算能力越好()()()式中:为叶绿素含量实测值为叶绿素含量预测值 为叶绿素含量平均值 为样本数 结果与分析.植被指数与叶绿素含量的相关性分析对不同生育期获取的植被指数与叶绿素含量进行相关性分析结果(表)显示全生育期内叶绿素与 种植被指数之间的相关性均达到显著或极显著水平苗期、封行期、旺长期、成熟期叶绿素与植被指数的相关性范围分别为.、.、.、.其中 在苗期、封行期、成熟期与叶绿素含量具有最高相关系数分别达到.、.、.与叶绿素在旺长期最相关(相关系数为.)表 植被指数与叶绿素含量的相关系数植被指数苗期封行期旺长期成熟期.注:表示在.水平极显著相关表示在.水平显著相关 山 东 农 业 科 学 第 卷因此所选植被指数可用于叶绿素含量反演模型的构建.基于传统线性回归的苎麻叶绿素含量反演根据叶绿素含量与植被指数相关性分析的结果以上述 种植被指数作为自变量、叶绿素含量作为因变量分别建立不同生育时期的一元线性回归模型和多元线性回归模型结果如表 所示所有线性回归模型的显著性均达到.极显著水平说明各模型的拟合性均较好 不同生育时期、不同建模方法的反演效果存在差异总体上多元线性回归模型的效果好于一元线性回归模型且以封行期的反演效果最佳建模集和验证集的分别为.和.各时期基于多元线性回归模型的实测值与预测值间拟合关系如图 所示 表 叶绿素含量与植被指数线性回归模型生育时期建模方法植被指数回归方程建模集验证集苗期一元线性回归多元线性回归.封行期一元线性回归多元线性回归.旺长期一元线性回归多元线性回归.成熟期一元线性回归多元线性回归.注:、分别代表、第 期 岳云开等:基于无人机多光谱遥感的苎麻叶绿素含量反演、分别指苗期、封行期、旺长期、成熟期下同图 基于多元线性回归的叶绿素估算模型预测值和实测值的关系.基于随机森林模型的苎麻叶绿素含量反演根据叶绿素含量与植被指数相关性分析的结果选择、这 种植被指数采用随机森林算法分别建立苗期、封行期、旺长期、成熟期的叶绿素含量反演模型并利用验证集数据对模型精度进行验证由表 可以看出不同生育时期随机森林模型反演效果也存在差异苗期和封行期决定系数较小反演效果较差旺长期的建模效果最好建模集 为.为.成熟期的反演效果最好验证集 为.为.且建模效果也较好建模集 为.为.基于随机森林模型的苎麻叶绿素含量预测值与实测值间的关系如图 所示综上所述与传统的线性回归模型相比基于随机森林算法构建的模型预测效果在各生育时期均有大幅提升总体以成熟期的反演效果最好建模集和验证集的 分别为.和.因此最终选用成熟期的随机森林模型用于苎麻叶绿素含量反演 表 叶绿素含量与植被指数随机森林模型的评价结果生育期建模集验证集苗期.封行期.旺长期.成熟期.讨论与结论本研究基于无人机获取的苎麻苗期、封行期、旺长期和成熟期多光谱遥感影像结合实测叶绿素含量选取 种植被指数分别利用一元线性回归、多元线性回归和随机森林算法建立了苎麻叶片叶绿素含量反演模型研究利用多光谱遥感估测苎麻叶绿素含量的可行性 相关性分析结果表明 种植被指数均与各时期叶绿素含量显著或极显著相关与陈鹏、等的研究结果一致可用于后续模型构建 经对比分析多元线性回归模型的反演效果明显好于一元 山 东 农 业 科 学 第 卷图 基于随机森林模型的叶绿素预测值与实测值的关系线性回归而基于随机森林机器学习构建模型的叶绿素预测效果最好以成熟期的反演效果最佳建模集和验证集的 分别为.和.分别为.和.这主要是因为随机森林模型有很好的抗噪声能力且不容易过度拟合使得模型精度较高无人机多光谱遥感技术为监测苎麻叶绿素含量提供了一种实用、高效、低成本、无损的方法通过结合机器学习技术能够较精准反演苎麻叶绿素含量可以作为苎麻生长过程中叶片叶绿素含量监测的有效手段虽然本研究建立的随机森林模型对苎麻叶绿素含量反演效果较好但目前对叶绿素的跨期预测模型还没有深入研究且模型的普适性也需要进一步验证在下一步研究中将对模型进行优化尝试机器学习与深度学习的对比研究以探索出普适性强、预测精度更高的苎麻叶绿素含量反演模型参 考 文 献:李宗道.麻作的理论与技术.上海:上海科学技术出版社.成雄伟.我国苎麻纺织工业历史现状及发展.中国麻业科学():.姜涛熊和平喻春明等.苎麻在饲料中的研究及开发应用.饲料工业():.熊维新李开泉.苎麻的药用开发价值.江西中医学院学报():.曾冬铭刘又年蒋云清.从苎麻叶中制取叶绿素铜钠.湖南化工():.张伏张亚坤毛鹏军等.植物叶绿素测量方法研究现状及发展.农机化研究():.().():.付虹雨赵亮王辉等.基于无人机可见光遥感的苎麻冠层氮素营养动态诊断.中国麻业科学():.陈浩冯浩杨祯婷等.基于无人机多光谱遥感的夏玉米冠层叶绿素含量估计.排灌机械工程学报():.周敏姑邵国敏张立元等.无人机多光谱遥感反演冬小麦 值.农业工程学报():.:.张宪政.植物叶绿素含量测定 丙酮乙醇混合液法.第 期 岳云开等:基于无人机多光谱遥感的苎麻叶绿素含量反演辽宁农业科学():.崔小涛常庆瑞屈春燕等.基于高光谱和 神经网络模型油菜叶片 值遥感估算.东北农业大学学报():.陈鹏.基于无人机多源遥感的马铃薯叶绿素含量反演机理及模型构建.焦作:河南理工大学./.郭松常庆瑞崔小涛等.基于光谱变换与 的玉米 值高光谱估测.东北农业大学学报():.杨祯婷.基于无人机多光谱遥感的夏玉米长势监测研究.杨凌:西北农林科技大学.().:.():.张子晗晏磊刘思远等.基于偏振反射模型和随机森林回归的叶片氮含量反演.光谱学与光谱分析():.王丽爱马昌周旭东等.基于随机森林回归算法的小麦叶片 值遥感估算.农业机械学报():.冯浩杨祯婷陈浩等.基于无人机多光谱影像的夏玉米 估算模型研究.农业机械学报():.山 东 农 业 科 学 第 卷