多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究.pdf

麦类作物学报 2 0 2 3,4 3(1 1):1 4 6 7-1 4 7 4J o u r n a l o fT r i t i c e a eC r o p sd o i:1 0.7 6 0 6/j.i s s n.1 0 0 9-1 0 4 1.2 0 2 3.1 1.1 1网络出版时间:2 0 2 3-0 7-1 1网络出版地址:h t t p s:/k n s.c n k i.n e t/k c m s 2/d e t a i l/6 1.1 3 5 9.S.2 0 2 3 0 7 1 1.1 3 2 7.0 1 6.h t m l多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究收稿日期:2 0 2 2-1 2-0 3 修回日期:2 0 2 3-0 1-2 8基金项目:国家重点研发计划项目(政府间重点专项)(2 0 2 1 Y F E 0 1 0 4 4 0 0);江苏省农业科技自主创新资金项目(C X(2 0)2 0 3 7)第一作者E-m a i l:1 1 0 7 5 6 9 1 7 0q q.c o m通讯作者:李卫国(E-m a i l:j a a s l w g 1 2 6.c o m)韩振强1,2,李卫国1,2,4,张晓东1,李 伟3,马廷淮4,张 宏1,2,姚永胜4(1.江苏大学农业工程学院,江苏镇江2 1 2 0 1 3;2.江苏省农业科学院农业信息研究所,江苏南京2 1 0 0 1 4;3.江苏大学流体机械工程技术研究中心,江苏镇江2 1 2 0 1 3;4.南京信息工程大学,江苏南京2 1 0 0 4 4)摘 要:为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(B Rr e d)和近红外波段反射率(B Rn i r)的基础上,计算归一化差值植被指数(N D-V I)、差值植被指数(D V I)、比值植被指数(R V I)、土壤调节植被指数(S AV I)、改进型比值植被指数(M S R)、重归一化植被指数(R D V I)、I I型增强植被指数(E V I 2)和非线性植被指数(N L I)等8个植被指数。经统计分析,选择与叶片叶绿素含量(S P A D值)相关性较好的5个遥感光谱指标(N D V I、M S R、N L I、B Rr e d和R V I)作为输入变量,建立了冬小麦叶片叶绿素含量的B P神经网络估测模型(WWL C CB P),并对估测模型进行精度验证。结果表明,WWL C CB P估测模型在拔节期估测的决定系数(r2)为0.8 4,均方根误差(RM S E)为5.3 9,平均相对误差(A R E)为9.8 7%。抽穗期的估测效果与拔节期较为一致。将WWL C CB P和高分六号影像结合监测了研究区域冬小麦叶片叶绿素含量的空间分布信息,叶片S P A D值在4 3.25 3.7之间的冬小麦长势正常,种植面积为2 54 8 3h m2,占冬小麦总播种面积的6 9.8 1%。这说明多遥感光谱指标结合建立的神经网络估测模型可以实现对大田冬小麦叶片叶绿素含量的有效估测。关键词:冬小麦;遥感光谱指标;神经网络;叶片叶绿素含量;估测模型文献分类号:S 5 1 2.1 中文标志码:A 文章编号:1 0 0 9-1 0 4 1(2 0 2 3)1 1-1 4 6 7-0 8S t u d yo nC h l o r o p h y l lC o n t e n tE s t i m a t i o no fW i n t e rW h e a tL e a fB a s e do nM u l t i p l eR e m o t eS e n s i n gS p e c t r a l I n d i c e sH A NZ h e n q i a n g1,2,L IW e i g u o1,2,4,Z H A N GX i a o d o n g1,L IW e i3,MAT i n g h u a i4,Z H A N GH o n g1,2,Y A OY o n g s h e n g4(1.C o l l e g eo fA g r i c u l t u r a lE n g i n e e r i n g,J i a n g s uU n i v e r s i t y,Z h e n j i a n g,J i a n g s u2 1 2 0 1 3,C h i n a;2.I n s t i t u t eo fA g r i c u l t u r a lI n f o r m a t i o n,J i a n g s uA c a d e m yo fA g r i c u l t u r a lS c i e n c e s,N a n j i n g,J i a n g s u2 1 0 0 1 4,C h i n a;3.F l u i dM a c h i n e r yE n g i n e e r i n gT e c h n o l o g yR e s e a r c hC e n t e r,J i a n g s uU n i v e r s i t y,Z h e n j i a n g,J i a n g s u2 1 2 0 1 3,C h i n a;4.N a n j i n gU n i v e r s i t yo f I n f o r m a t i o no fS c i e n c ea n dT e c h n o l o g y,N a n j i n g,J i a n g s u2 1 0 0 4 4,C h i n a)A b s t r a c t:I no r d e r t os o l v e t h ep r o b l e m so f l o wp r e c i s i o na n d l o wu n i v e r s a l i t yo f t h em o d e l f o r e s t i m a-t i n gt h e c h l o r o p h y l l c o n t e n t o fw i n t e rw h e a t l e a f i n t h e f i e l d,a na c c u r a t e a n de f f i c i e n tm e t h o dw a sp r o-p o s e db yc o m b i n i n gm u l t i p l er e m o t es e n s i n gs p e c t r a l i n d i c e sa n dn e u r a ln e t w o r k s.B a s e do nt h er e db a n dr e f l e c t a n c e(B Rr e d)a n dn e a r i n f r a r e db a n dr e f l e c t a n c e(B Rn i r)o fw i n t e rw h e a t c a n o p ya t j o i n t i n ga n dh e a d i n gs t a g e s,t h en o r m a l i z e dd i f f e r e n c ev e g e t a t i o n i n d e x(N D V I),d i f f e r e n t i a lv e g e t a t i o ni n d e x(D V I),r a t i ov e g e t a t i o ni n d e x(R V I),s o i l a d j u s t e dv e g e t a t i o ni n d e x(S AV I),m o d i f i e ds i m p l er a t i ov e g e t a t i o n i n d e x(M S R),r e n o r m a l i z a t i o nd i f f e r e n c ev e g e t a t i o ni n d e x(R D V I),e n h a n c e dv e g e t a t i o ni n d e xo f t y p e I I(E V I 2)a n dn o n l i n e a rv e g e t a t i o n i n d e x(N L I)w e r ec a l c u l a t e d.A f t e r s t a t i s t i c a l a n a l y-s i s,f i v e r e m o t e s e n s i n gs p e c t r a l i n d i c a t o r s(N D V I,M S R,N L I,B Rr e d,a n dR V I)w e l l c o r r e l a t e dw i t hl e a f c h l o r o p h y l l c o n t e n tw e r es e l e c t e da s i n p u tv a r i a b l e st oe s t a b l i s haB Pn e u r a ln e t w o r ke s t i m a t i o nm o d e l(WWL C CB P)f o rw i n t e rw h e a tl e a fc h l o r o p h y l lc o n t e n t,a n dt h ea c c u r a c yo ft h ee s t i m a t i o nm o d e lw a sv e r i f i e d.T h er e s u l t ss h o w e dt h a t t h ed e t e r m i n a t i o nc o e f f i c i e n t(r2),r o o tm e a ns q u a r ee r-r o r(RM S E),a n da v e r a g e r e l a t i v ee r r o r(A R E)o fWWL C CB Pe s t i m a t i o nm o d e l a t j o i n t i n gs t a g ew e r e0.8 4,5.3 9,a n d9.8 7%,r e s p e c t i v e l y.T h ee s t i m a t i o ne f f e c to fh e a d i n gs t a g ew a sc o n s i s t e n tw i t ht h a to f j o i n t i n gs t a g e.T h es p a t i a l d i s t r i b u t i o n i n f o r m a t i o no f c h l o r o p h y l l c o n t e n t i nw i n t e rw h e a t l e a fi nt h e s t u d ya r e aw a sm o n i t o r e db yc o m b i n i n gWWL C CB Pa n dG F-6 i m a g e.T h ew i n t e rw h e a tw i t h l e a fS P A Dv a l u eb e t w e e n4 3.2a n d5 3.7g r e wn o r m a l l y,a n d t h ep l a n t i n ga r e aw a s 2 54 8 3h m2,a c c o u n t i n gf o r6 9.8 1%o f t h e t o t a l p l a n t i n ga r e ao fw i n t e rw h e a t.T h en e u r a l n e t w o r ke s t i m a t i o nm o d e l b a s e do nm u l t i p l er e m o t es e n s i n gs p e c t r a li n d i c e sc a ne f f e c t i v e l ye s t i m a t et h ec h l o r o p h y l lc o n t e n to fw i n t e rw h e a t l e a f i nt h e f i e l d.K e y w o r d s:W i n t e rw h e a t;R e m o t es e n s i n gs p e c t r a l i n d e x;N e u r a ln e t w o r k;L e a fc h l o r o p h y l lc o n t e n t;E s t i m a t i o nm o d e l 叶片叶绿素含量是农作物生长过程中的重要理化参数,对农作物光合能力、生长态势、肥水丰缺等具有较好指示作用1。小麦是我国主要粮食作物之一,其高产稳产对国家粮食安全和人民生活水平提高具有重要意义。准确、快速获取叶片叶绿素含量有助于实时掌握小麦的营养和长势状况,为田间管理提供科学依据2。传统获取叶片叶绿素含量的方法或需野外人工采样结合室内定量测试,或利用叶绿素仪实地进行人工测定,这些方法均费时费力,难以获取大面积作物的叶片叶绿素含量信息3-4。遥感技术具有覆盖范围广、动态、连续监测等优点,已被广泛应用于农作物长势监测、产量估算、病虫害预测等方面5-6,也为农作物叶片叶绿素含量估测提供了新方法。在遥感光谱波段中红光和近红外对绿色农作物敏感,蕴含了大量与叶片叶绿素含量相关的光谱信息,已有较多学者进行了大量研究。如魏青等7利用无人机多光谱数据构建植被指数,并与冬小麦叶片叶 绿 素 含 量(w i n t e r w h e a tl e a fc h l o r o p h y l lc o n t e n t,WWL C C)进行相关性分析,建立WWL-C C的关键生育时期估测模型;杨峰等8通过比较多种植被指数与作物叶面积指数和叶片叶绿素密度的相关性,利用线性回归建立了作物叶片叶绿素密度估算模型;陈晓娜等9利用线性拟合方法,分 别 构 建 了 基 于 敏 感 波 段 和 植 被 指 数 的WWL C C估测模型;S c h l e mm e r等1 0将玉米叶片高光谱反射率进行导数处理计算N D V I,基于多元线性回归实现对玉米叶绿素含量的有效估测;S h e n等1 1建立偏最小二乘回归模型对WWL C C进行估测。有学者尝试采用图像处理的方法估测WWL C C,如苑迎春等1 2利用图像分割算法提取颜色特征参数进而对WWL C C估测,但未用于大田估测。前述研究主要是通过分析单个或少量几个遥感光谱指标和叶片叶绿素含量之间的关系,利用线性回归方法实现对叶绿素含量的快速估测。叶片叶绿素含量与多个光谱反射率和植被指数(本文统称为遥感光谱指标)之间存在多重关系,利用单一或少量遥感光谱指标进行叶片叶绿素含量估测虽然具有建模快捷、简单的特点,但所建模型在不同区域的通用性较差。近年来,机器学习方法在遥感反演上的应用较广泛,如B P神经网络在作物生长参数反演、作物产量估算、作物病虫害预测等方面取得较好应用效果1 3-1 5。有关将多个遥感光谱指标和B P神经网络结合进行大田冬小麦叶片叶绿素含量(WWL C C)估测的研究少有报道。本研究通过在江苏省连云港市东海县、盐城市大丰区和泰州市泰兴市分别布置WWL C C估测试验,在获取冬小麦冠层叶片红光波段反射率(B Rr e d)、近红外波段反射率(B Rn i r)和WWL C C的基础上,根据波段反射率(B Rr e d、B Rn i r)和多个植被指数(N D V I、D V I、R V I、S AV I、M S R、R D V I、E V I 2和N L I)与WWL C C之间的相关性,筛选遥感光谱指标,并基于这些遥感光谱指标建立WWL C C的B P神经网络估测模型,以期形成WWL C C有效估测的新方法,为大田冬小麦生长监测以及水肥管理提供辅助支持。1 材料和方法1.1 试验区概况和数据获取在江苏省连云港市东海县、盐城市大丰区和泰州市泰兴市分别布置冬小麦叶片叶绿素含量8641麦 类 作 物 学 报 第4 3卷(WWL C C)估测试验。2 0 2 2年3月2 4日至2 8日(冬小麦拔节期),用J u n oS T(美国)手持G P S仪在东海县、大丰区和泰兴市三个试验区定位,各选择3 0个试验样点(共9 0个)进行数据获取。4月1 5日(冬小麦抽穗期),在泰兴市进行相同定位试验样点获取数据。每个试验样点间 隔约12k m,田间冬小麦长势良好,施肥、灌溉等管理措施与当地常规冬小麦田相同。试验点田块面积不少于6 25 0 0m2(2 5 0m2 5 0m),且土壤肥力均匀。冬小麦供试品种为苏麦1 3、苏麦1 8和苏麦9 0 2 3,播种方式为撒播。在天气晴朗、风力较小的天气情况下,于1 0:0 0-1 4:0 0期间,在每个试验样点田块中间位置用G r e e n S e e k e r(美国)光谱仪,采用梅花线对角法分别测量冬小麦冠层B Rr e d和B Rn i r,重复测量5次,计算平均值作为单个试验样点的光谱信息数据。为避免测量时太阳高度角的变化对光谱信息采集造成的误差,每隔1 0m i n使用白板进行一次校正。WWL C C的测量是利用S P A D-5 0 2 P l u s叶绿素仪(日本),对冬小麦植株冠层的上、中、下部分所有叶片分别进行测量获取S P A D(s o i la n dp l a n ta n a l y z e rd e v e l o t r n e n t)值,将三个部位测量值的平均值作为该植株的叶片叶绿素含量,再测量5株得出平均值作为每个试验样点的WWL C C(%)。1.2 植被指数计算利用G r e e nS e e k e r光谱仪在试验区样点测得冬 小 麦 冠 层B Rr e d(R e db a n dr e f l e c t a n c e)和B Rn i r(N e a r i n f r a r e db a n d r e f l e c t a n c e)并计算八个植被指数(N D V I,n o r m a l i z e dd i f f e r e n c ev e g e t a-t i o ni n d e x;D V I,d i f f e r e n t i a lv e g e t a t i o ni n d e x;R V I,r a t i ov e g e t a t i o ni n d e x;S AV I,s o i la d j u s t e dv e g e t a t i o ni n d e x;M S R,m o d i f i e d s i m p l er a t i ov e g e t a t i o ni n d e x;R D V I,r e n o r m a l i z a t i o nd i f f e r-e n c ev e g e t a t i o n i n d e x;E V I 2,e n h a n c e dv e g e t a t i o ni n d e xo ft y p eI I;N L I,n o n l i n e a rv e g e t a t i o ni n-d e x)1 6-1 7。计算公式如下:N D V I=B Rn i r-B Rr e d /B Rn i r+B Rr e d (1)R V I=B Rn i r/B Rr e d(2)D V I=B Rn i r-B Rr e d(3)S AV I=(B Rn i r-B Rr e d)/(B Rn i r+B Rr e d+Y)(1+Y)(4)M S R=B Rn i r/B Rr e d-1 /B Rn i r/B Rr e d+1(5)R D V I=B Rn i r-B Rr e d /B Rn i r/B Rr e d(6)E V I 2=2.5B Rn i r-B Rr e d /B Rn i r+B Rr e d+1 (7)N L I=B Rn i r2-B Rr e d /B Rn i r2+B Rr e d (8)式中,Y为土壤调节系数,取值范围为01,当Y=0.5时可以将绿色植被中土壤变化和植被冠层干扰降至最低。1.3 B P神经网络B P神经网络由输入层、中间层(也称隐含层)和输出层组成,输入层和输出层是单层,隐含层是多层。各层神经元仅与相邻层神经元之间相互全连接,同层内神经元之间无连接,各层神经元之间无反馈连接。训练开始时,为避免奇异样本数据对输出结果影响,加快训练网络收敛,需先将输入数据进行归一化处理,使数据范围位于0,1 区间1 8。计算公式为:y=x-M i n /M a x-M i n (9)y=x-/(1 0)y=l o g1 0 x(1 1)式中,y为归一化后的数据,x为原始数据,M i n为数据最小值,M a x为数据最大值,为数据均值,为数据标准差。处理后的数据从输入层经过隐含层,最后到达输出层,若输出层的数值未到达期望输出数值,计算输出层的误差变化值后,将误差进行反向传播,然后依次调节隐含层到输出层和输入层到隐含层的权重和偏置,直到输出数值满足期望输出数值后,将模型估测值输出。输出之前需要对数据进行反归一化处理,反归一化处理即归一化处理的逆运算。计算公式为:x1=y1M a x-M i n +M i n(1 2)x1=y1+(1 3)x1=1 0y1(1 4)式中,x1为反归一化处理后的估测值,y1为反归一化处理前的估测值。本研究通过构建三层B P网络(即1个隐含层)对WWL C C进行估测。隐含层节点数对所建的神经网络估测模型的精度影响很大,隐含层节点数确定依据前人研究方法1 9-2 0。计算公式如下:m=n+l+(1 5)m=l o g2n(1 6)m=n l(1 7)式中,m为隐含层节点数,n为输入层节点数,l为输出层节点数,为11 0之间的常数。9641第1 1期韩振强等:多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究1.4 模型构建与精度验证利用统计软件对1 0个遥感光谱指标(B Rr e d、B Rn i r、N D V I、D V I、R V I、S AV I、M S R、R D V I、E V I 2和N L I)与WWL C C的相关性进行分析,选择其中相关性相对较好的遥感光谱指标作为输入变量,并利用东海县和大丰区拔节期6 0个试验样点数据建立叶片叶绿素含量B P神经网络估测模型(WWL C CB P)。建模完成后,分别将泰兴市拔节期和抽穗期的各3 0个试验区样点数据输入到WWL C CB P估测模型 计算WWL C C的估 测 值。然后将估测值和对应试验区样点实测值进行线性拟 合,采 用r2(c o e f f i c i e n to fd e t e r m i n a t i o n)、RM S E(r o o tm e a ns q u a r ee r r o r)和A R E(a v e r a g er e l a t i v ee r r o r)作为估测模型的精度评价指标,R2值越大,RM S E和A R E值越小,WWL C C估测模型的估测精度越高。r2、RM S E和A R E的计算公式如下:r2=xi=1Ai-C-2/xi=1Bi-C-2(1 8)RM S E=xi=1Ai-Bi 2/x(1 9)A R E=1xxi=1|Ai-Bi|Bi1 0 0%(2 0)式中,Ai为3 0个试验区样点WWL C C估测模型 的 估 测 值;Bi为3 0个 验 证 试 验 区 样 点WWL C C实测 值;C-为3 0个 验 证 试 验 区 样 点WWL C C实测值的平均值;x为验证试验区样点数,取值为3 0。1.5 影像数据获取与预处理高分六号卫星(G F 6/WF V)遥感影像数据于中国资源卫星应用中心下载(h t t p:/www.c r e s-d a.c o m/)。G F 6/WF V卫星配置多光谱中分辨率相机,观测幅宽为8 0 0k m,空间分辨率为1 6m1 6m。影像获取时间为2 0 2 2年3月2 8日,在遥感影像处理软件中对下载的卫星遥感影像进行辐射定标、大气校正、几何校正和影像裁剪等预处理2 1。2 结果与分析2.1 多遥感光谱指标和WWL C C之间的相关性对6 0个建模试验样点的B Rr e d、B Rn i r、N D V I、D V I、R V I、S AV I、M S R、R D V I、E V I 2和N L I等1 0个遥感光谱指标与WWL C C进行相关分析,结果(表1)表明,不同遥感光谱指标与WWL C C之间的相关性存在差异。其中,B Rr e d与WWL C C呈负相关,其他遥感光谱指标与WWL C C均呈正相关。1 0个遥感光谱指标中,B Rn i r与WWL C C之间的相关程度最低,相关系数为0.4 2 4;N D V I与WWL C C之 间 相 关 程 度 最 高,相 关 系 数为0.6 3 4。遥感光谱指标与WWL C C之间的相关系数绝对值表现为N D V I M S RN L I B Rr e dR V I S AV I R D V I=E V I 2D V I B Rn i r。本研究选择相关系数绝对值大于0.5 5的前5个遥感光谱指标(N D V I、M S R、N L I、B Rr e d和R V I)作为构建模型的输入变量。表1 遥感光谱指标与WWL C C之间的相关系数(n=6 0)T a b l e1 C o r r e l a t i o nc o e f f i c i e n t sb e t w e e nr e m o t e s e n s i n g s p e c t r a l i n d i c e sa n d l e a f c h l o r o p h y l l c o n t e n t o fw i n t e rw h e a t(n=6 0)B Rr e dB Rn i rN D V IR V ID V IS AV IM S RR D V IE V I 2N L IB Rn i r-0.2 9 4*N D V I-0.8 0 9*0.7 6 5*R V I-0.7 8 7*0.7 7 6*0.9 2 7*D V I-0.3 8 1*0.9 9 6*0.8 1 8*0.8 2 6*S AV I-0.5 1 0*0.9 6 5*0.9 0 4*0.8 7 9*0.9 8 2*M S R-0.8 0 7*0.7 8 6*0.9 6 4*0.9 9 3*0.8 3 8*0.9 0 1*R D V I-0.4 9 3*0.9 7 4*0.8 9 1*0.8 7 5*0.9 8 9*0.9 9 9*0.8 9 5*E V I 2-0.4 9 2*0.9 7 4*0.8 8 9*0.8 7 9*0.9 9 0*0.9 9 9*0.8 9 7*0.9 9 9*N L I-0.6 4 5*0.8 6 8*0.9 7 0*0.8 8 3*0.9 0 2*0.9 6 5*0.9 2 4*0.9 5 4*0.9 5 1*WWL C C-0.5 6 4*0.4 2 4*0.6 3 4*0.5 8 7*0.4 6 4*0.5 3 6*0.6 1 0*0.5 2 3*0.5 2 3*0.5 9 9*:P0.0 5;*:P0.0 1.0741麦 类 作 物 学 报 第4 3卷2.2 WWL C C的B P神经网络估测模型建立以优选出来的5个遥感光谱指标(N D V I、M S R、N L I、B Rr e d和R V I)作为输入变量,WWL-C C作为输出变量,利用东海县和大丰区6 0个试样点数据建立WWL C C的B P神经网络估测模型(WWL C CB P)。在模型训练时,用t r a i n l m函数作为训练函数,用t a n s i g函数作为隐含层激活函数,用p u r e l i n函数作为输出层函数2 2。结合公式(1 5)、(1 6)和(1 7),可确定隐含层节点数的范围为39。不同隐含层节点数的B P神经网络模型估测WWL C C有不同结果,且r2和RM S E的值不同,因而需要先确定最佳隐含层节点数。从所建WWL C C估测模型的r2和RM S E值(表2)看,隐含层节点数对WWL C C估测模型的精度有较大的影响。随着隐含层节点的增加,r2呈先增后减的趋势,RM S E呈先减后增的趋势。当隐含层节点数为7时,估测模型的r2达到最大,为0.8 3 9,且RM S E最小,为5.3 9。因此,确定最佳隐含层节点数为7,对应的模型结构为5-7-1。估测模型的隐含层权重和偏差见表3。表2 不同隐含层节点数的B P神经网络模型对WWL C C的估测精度T a b l e2 E s t i m a t i o na c c u r a c yo f l e a f c h l o r o p h y l l c o n t e n t o fw i n t e rw h e a tb yB Pn e u r a l n e t w o r km o d e lw i t hd i f f e r e n th i d d e nl a y e rn o d e s指标I n d e x隐含层节点数N u m b e ro fh i d d e n l a y e rn o d e s3456789r20.4 3 80.7 0 20.6 2 70.7 1 20.8 3 90.5 2 10.4 8 4RM S E7.3 6 16.9 6 36.8 3 75.8 0 45.3 9 05.9 8 46.2 0 3 WWL C C估测模型(WWL C CB P,%):WWL C C=-0.4 2Y1+0.8Y2+0.4Y3-0.8 2Y4-0.3 1Y5+0.9 8Y6+0.5 8Y7-0.4 4(2 1)Yi=21+e x p(-2Xi)-1(2 2)Xi=B Rr e dw1i+N D V I w2i+R V I w3i+M S Rw4i+N L I w5i+bi(2 3)式中,Yi和Xi分别为隐含层第i个神经元的输出和输入,bi为隐含层第i个神经元的偏差,i=1,2,3,4,5,6,7,wn i为输入层第n个神经元与隐含层第i个神经元的连接权重,n=1,2,3,4,5。表3 WWL C C的B P神经网络估测模型的权重和偏差T a b l e3 W e i g h t a n dd e v i a t i o no fw i n t e rw h e a t l e a f c h l o r o p h y l l c o n t e n t e s t i m a t i o nm o d e l b a s e do nB Pn e u r a ln e t w o r ki权重W e i g h tw1iw2iw3iw4iw5i偏差D e v i a t i o n1-0.3 6-0.6 61.2 20.9 80.8 13.0 62-0.2 7-1.1 7-0.9 8-2.5 1-0.6 5-1.0 530.1 1-0.4 0-0.9 70.6 7-1.1 41.4 540.5 9-0.5 60.3 9-1.0 3-0.3 00.6 850.0 8-1.1 70.2 3-1.5 7-1.0 10.0 760.2 4-0.6 71.0 60.9 12.1 81.3 671.2 51.0 70.9 50.1 1-0.9 52.1 52.3 WWL C C估测模型的精度评价将泰兴市冬小麦拔节期和抽穗期的各3 0个试样点数据的N D V I、M S R、N L I、B Rr e d和R V I作为输入变量输入到WWL C CB P估测模型中,得到泰兴市冬小麦WWL C C估测值,并将其与试样点实测值进行线性拟合。由图1可知,两个时期的估测值与实测值的拟合点都均匀地分布在1 1线的两侧,拟合点的离散程度均较小。其中,拔节期WWL C C实测值主要分布在4 3.35 5.2之间,估测值主要分布在4 3.2 5 3.7之间,r2为0.8 4,A R E为9.8 7%;抽穗期的实测值主要分布在4 7.2 6 1.5之间,估测值主要分布在4 9.36 1.2之间,r2为0.6 9,A R E为1 4.6 7%。综上来看,WWL C CB P估测模型在拔节期和抽穗期的估测值与实测值较为一致,说明多个遥感光谱指标结合构建的WWL-C CB P估测模型有较好的估测精度,可以实现大田冬小麦叶片叶绿素含量的有效估测。1741第1 1期韩振强等:多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究图1 WWL C CB P估测模型拔节期和抽穗期的估测值与实测值比较F i g.1 C o m p a r i s o nb e t w e e ne s t i m a t e dv a l u e sa n dm e a s u r e dv a l u e so fWWL C CB Pe s t i m a t i o nm o d e l a t j o i n t i n ga n dh e a d i n g s t a g e s2.4 县域WWL C C空间信息遥感监测利用WWL C CB P估测模 型和泰 兴 市G F 6/WF V遥感影像估测泰兴市全市WWL C C空间分布信息,得到遥感信息图(图2)。根据试验样点实测数据初步将叶片叶绿素含量(S P A D)分为三个等级:一级(长势旺盛,红色)S P A D值5 3.7;二级(长势正常,绿色)S P A D值4 3.25 3.7和三级(长势偏弱,黄色)S P A D值4 3.2。由图2可知,叶片叶绿素含量为二级的冬小麦种植面积为2 54 8 3h m2,占冬小麦总面积的6 9.8 1%,主要分布在泰兴市的中部及东部地区,如根思、姚王、河失、南沙和珊瑚等乡镇(绿色),这些乡镇冬小麦田块面积较大,种植较为集中。这些地区冬小麦叶片叶绿素含量正常,长势状况良好,说明肥水管理适当,能够满足冬小麦生长。叶片叶绿素含量为一级的冬小麦种植面积为45 4 8h m2,占冬小麦总面积的1 2.4 6%,主要分布在泰兴市的北部及东北部地区,如刘陈、元竹和古溪等乡镇(红色),这些乡镇叶片叶绿素含量偏高,长势过旺,需要减免肥水管理,以防冬小麦发生倒伏或病虫害。叶片叶绿素含量为三级的冬小麦种植面积为64 6 4h m2,占冬小麦总面积的1 7.7 1%,主要分布在泰兴市的西部和西北部,如过船、大生和蒋华等乡镇(黄色),这些乡镇田块较小且分散,冬小麦叶片叶绿素含量偏低,说明长势偏弱,应及时加强肥水管理措施,以促冬小麦正常生长。图2 泰兴市冬小麦叶片叶绿素含量空间分布遥感监测F i g.2 R e m o t e s e n s i n gm o n i t o r i n go f s p a t i a l d i s t r i b u t i o no f c h l o r o p h y l l c o n t e n t i nw i n t e rw h e a t l e a f i nT a i x i n gc i t y2741麦 类 作 物 学