基于無人機多光譜遙感的矮林芳樟光合參數估測

魯向暉 龔榮新 張海娜 王 倩 張 杰 謝榮秀,2

(1.南昌工程學院江西省樟樹繁育與開發利用工程研究中心, 南昌 330099;2.江西省鄱陽湖流域生態水利技術創新中心, 南昌 330029)

0 引言

芳樟(Cinnamomumcamphora(Linn.) Presl)是我國南方重要的木本精油植物,在醫藥、化工、食品領域都有廣泛的應用,具有較高的經濟價值。近年來矮林芳樟精油產業在我國南方地區發展迅速,已成為地方林業經濟發展的特色產業[1-4]。植物光合作用作為地球上最重要的化學反應過程,其光合效率是植物生產力和作物產量的決定性因素[5],因此,作為林業生產的核心,各種林業生產制度和措施都是為了更大限度地滿足植物的光合作用[6-7]。光合參數主要指凈光合速率(Pn)、胞間二氧化碳濃度(Ci)、氣孔導度(Gs)和蒸騰速率(Tr)4個指標,是反映植物生長狀態的重要特征參量[8]。對植物的光合參數進行快速精準監測,及時指導農業生產田間管理制度的制定,已成為精準農業發展必要需求。

Pn、Ci、Gs、Tr等光合參數雖然可以很好地反映植物生長狀況,但是使用光合作用測定儀(Li-6400型)的測定方法消耗時間長,受天氣條件限制性較強,操作難度高,不易普及,且結果不具備適時性[9]。近年來,無人機遙感技術的發展為植物生長狀況的實時監測提供了新思路。無人機具有低成本、易操作、高時空分辨率等一系列優點,可以實現對某一區域遙感影像的快速獲取,能迅速而準確地完成區域內植物生長狀況監測,并為更大范圍農情采樣估算提供便利。汪旭等[10]采用大疆精靈4型多光譜無人機對甜菜葉叢快速生長期和塊根糖分增長期進行監測,建立了多種植被指數對甜菜葉綠素含量的反演模型,其決定系數R2高達0.76;徐云飛[11]以冬小麥為研究對象,建立了葉綠素相對含量、地上生物量、植株含水率和株高4種生長參數與多光譜植被指數的聯合反演模型,其R2達到0.91。以上研究表明無人機多光譜技術可以在較大面積范圍快速且準確監測植物生長狀況。

由于無人機多光譜技術在植物生長監測領域具有獨特優勢,相應研究也開始應用于植物的光合參數監測。陳俊英等[12]使用六旋翼無人機搭載多光譜相機采集不同時間段棉花冠層光譜數據,并同步采集棉花冠層葉片的Pn、Ci、Gs、Tr 4種光合參數,建立了4種光合參數與敏感波段光譜反射率的反演模型,其R2最高分別為0.71、0.59、0.85、0.66。以上研究說明利用光譜技術監測植物光合參數具有相對可行性,但目前利用無人機平臺搭載多光譜相機對林木光合參數的反演研究還鮮有報道。

本研究以矮林芳樟為研究對象,通過無人機搭載的多光譜相機獲取矮林芳樟冠層六波段光譜反射率,同步測量其光合參數,計算植被指數,對光合參數與植被指數和光譜反射率進行相關性分析,使用最佳指數因子(OIF)降維及篩選光譜波段和植被指數組合作為模型自變量,采用偏最小二乘法(PLS)、反向傳播神經網絡(BPNN)和隨機森林(RF)構建自變量與光合參數的估算模型,并依據決定系數R2、均方根誤差(RMSE)、相對分析誤差(RPD)3種評價指標篩選出最優模型,以期建立高效的矮林芳樟光合參數估算方法,為矮林芳樟精油及其他矮化林業現代化田間管理方法提供技術支持。

1 材料與方法

1.1 研究設計

研究區位于江西省南昌市南昌工程學院樟樹種質資源圃,坐標為(28°41′40.85″N,116°01′41.18″E),屬亞熱帶濕潤季風氣候,年平均氣溫17℃,年降水量1 600 mm,土壤質地為紅壤土,土壤為微酸至中性,為矮林芳樟生長提供了有利條件,研究區示意圖及試驗區無人機影像如圖1所示。

圖1 研究區示意圖與試驗區無人機影像Fig.1 Research area schematic and drone imagery with the test area

研究區設66個小區,每個小區種植3行3列共9株矮林芳樟,株行距1 m,每個樣本小區3 m×3 m,于試驗區采集光譜數據及矮林芳樟冠層光合參數共66份有效樣本,隨機選擇58份樣本作為建模集,剩余樣本作為驗證集,分別基于PLS、BPNN和RF模型估算矮林芳樟光合參數,并驗證和對比不同分析模型的估算精度。

1.2 數據獲取

1.2.1無人機數據獲取

本研究采用大疆經緯M300RTK型四旋翼無人機搭載MS600pro型多光譜相機平臺獲取遙感數據,其中多光譜相機包含6個光譜通道,波段參數如表1所示。多光譜影像于2022年9月25日上午拍攝,天氣晴朗無云,根據研究區范圍規劃飛行航線,并進行白板校正,飛行高度設置為30 m,設置速度為2.5 m/s,像元分辨率為4.09 cm,選用自動捕獲模式,航向重疊度為75%、旁向重疊度為65%。

表1 無人機多光譜相機波段參數Tab.1 UAV multispectral camera band parameters nm

1.2.2矮林芳樟光合參數獲取

同一時段利用Li-6400型便攜式光合作用測定儀測定矮林芳樟光合參數。設置光照強度為1 500 μmol/(m2·s),葉室內二氧化碳濃度(Mixer)為400 μmol/mol,在66個矮林芳樟小區中進行田間測量,每個小區選3株長勢均勻的矮林芳樟,每棵樹隨機選取3片中上部健康的成熟葉片測量光合參數取平均值,共獲得66組樣本數據。光合參數具體包括凈光合速率(Pn)、蒸騰速率(Tr)、氣孔導度(Gs)、胞間二氧化碳濃度(Ci)。

1.3 數據處理

1.3.1無人機數據處理

本研究使用Yusense Map航空遙感預處理軟件對獲取的無人機圖像拼接處理,并進行幾何校正和輻射校正預處理,將預處理后的無人機多光譜影像信息導入ENVI軟件,在研究區每個小區中選定一個感興趣區域(Region of interest,ROI),截取芳樟葉片的影像,剔除土壤和陰影的影響波段如圖2所示,以每個ROI內矮林芳樟葉片樣本的平均反射光譜,作為該小區的光譜反射率。

圖2 去除陰影和土壤的葉片影像Fig.2 Remove shadow and soil from leaf images

1.3.2植被指數計算

植被指數指從多光譜遙感數據中提取的有關地球表面植被覆蓋狀況的定量數值,通常是用紅波段和近紅外波段通過數學運算后得到[13]。本文選用歸一化植被指數(NDVI)[14]、綠色歸一化植被指數(GNDVI)[14]、增強型植被指數2(EVI2)[15]、紅邊葉綠素指數(CIrededge)[16]、綠波段葉綠素指數(CIgreen)[15]、土壤調節植被指數(SAVI)[15]、修正比值植被指數(MSR)[17]、轉換型葉綠素吸收反射率指數(TCARI)[17]共8種植被指數。

1.3.3敏感波段和植被指數組合篩選

本研究使用皮爾遜相關系數(Pearson)篩選與光合參數相關性較高的敏感波段光譜反射率和植被指數,皮爾遜相關系數可以用來線性度量2個變量x和y之間的相關性,其范圍為[-1,1],其中1是總正線性相關性,0是非線性相關性,-1是總負線性相關性[18]。為減少信息冗余對數據降維,采用最佳指數因子(Optimum index factor,OIF)法,利用Matlab計算每3個波段的OIF值ROIF,其計算公式為

式中,S1、S2、S3分別為6個波段反射率和8種植被指數中隨機3組數據的標準差,R12、R13、R23分別為6個波段反射率和8種植被指數中任選3組數據間的相關系數[19-20]。OIF值越大說明變量之間的標準差越小,自變量組合數據質量越優[21]。

1.3.4模型構建

本研究模型均在Matlab 2021a軟件中運行,以OIF值最大的光譜波段反射率和植被指數組合作為自變量,分別采用偏最小二乘(PLS)、反向傳播神經網絡(BPNN)、隨機森林(RF)構建矮林芳樟光合參數估算模型。

偏最小二乘法將典型相關分析、主成分分析和多元線性回歸的優勢集于一體,為解決多變量對多變量問題提供了很好的途徑[22]。隨機森林是決策樹的組合,將許多決策樹聯合到一起,以降低過擬合的風險,在以決策樹為機器學習構建Bagging集成的基礎上,進一步在決策樹的訓練過程中引入了隨機屬性選擇[23]。本研究采用10折交叉驗證的網格搜索方法調節隨機森林參數,設置葉子節點數為4,決策樹數量為120。BPNN是指采用誤差反向傳播的多層神經網絡,包括輸入層、隱含層和輸出層,各層之間通過相應的激活函數、權值和閾值連接[24]。本研究中的BP神經網絡估計模型是使用Matlab的Neural-Net-work工具箱構建的,基于數值優化理論,將隱含層的傳遞函數設置為trainrp函數,網絡訓練采用L-M(Levenberg-Marquardt)算法,該算法是一種迭代算法,具有在網絡參數較少的情況下,達到較快收斂速度的特點,網絡具有兩層,第1層4個神經元,第2層3個神經元,最大迭代次數設置為50 000,學習率為0.1,確定目標值為6.5×10-4,到此值時訓練停止,神經網絡訓練后進行模擬,得到模擬值[25]。

1.3.5模型精度評價

為選出最理想的模型,并對其可靠性和預測結果的精準性進行檢驗,選取R2、RMSE和RPD[26],R2越趨近1,表明模型的擬合性越強;RMSE越接近于0,模型的擬合性越強;RPD為標準差與其均方根誤差之比,當RPD大于1.4時可以預測模型,RPD大于2時預測效果較好[27]。本研究對4種模型的精度參數進行統計和比較,以更直觀選擇最優模型。

2 結果與分析

2.1 樣本集數據分析

實際測量的矮林芳樟光合參數統計結果如表2所示,樣本數為66,Pn、Ci、Gs、Tr的變異系數分別為0.13、0.19、0.29和0.34,離散程度均較大,說明不同處理對矮林芳樟光合參數影響較大。

表2 樣本集數據分析Tab.2 Data analysis of sample set

光譜波段和植被指數與矮林芳樟光合參數的相關系數分別如表3和表4所示?？梢钥闯?種光合參數與所選敏感波段和植被指數均顯著負相關,表明使用光譜波段和植被指數估測矮林芳樟光合參數具有相對可行性。其中6個波段光譜反射率和EVI2、CIrededge、CIgreen、SAVI、MSR、CARI 6種植被指數與Pn、Ci、Gs、Tr 4種光合參數的相關性均在0.01水平上顯著。Pn與MSR和CIgreen相關系數最高,均達到-0.87;Ci與RE1相關系數最高為-0.69;Gs與Tr均和EVI2相關性最好,相關系數分別為-0.82和-0.81,而NDVI、GNDVI與4種光合參數相關性均較差。經Matlab計算RE2、EVI2、CIrededge組合的OIF值最大,為0.012 6,該自變量組合數據質量最優,可作為模型輸入量。

表3 單波段光譜反射率與矮林芳樟光合參數的相關系數Tab.3 Correlation between single-band spectral reflectance and photosynthetic parameters of Cinnamomum camphora

表4 植被指數與矮林芳樟光合參數的相關系數Tab.4 Correlation between vegetation index and photosynthetic parameters of Cinnamomum camphora in dwarf forest

2.2 基于PLS估算

基于PLS的矮林芳樟Pn、Ci、Gs、Tr 4種光合參數擬合結果見圖3,建模集的R2分別為0.77、0.45、0.70、0.85,RMSE分別為1.05 μmol/(m2·s)、27.92 μmol/mol、0.04 mol/(m2·s)、0.35 mmol/(m2·s),RPD分別為2.10、1.36、1.84、2.53;驗證集的R2分別為0.76、0.30、0.72、0.76,RMSE分別為1.11 μmol/(m2·s)、29.95 μmol/mol、0.03 mol/(m2·s)、0.72 mmol/(m2·s),RPD為1.73、0.84、1.82、1.03?；赑LS的矮林芳樟Gs、Tr與Pn估算模型R2均不小于0.72,高于Ci模型,且Gs模型RPD最高,因此基于PLS的矮林芳樟Gs估算模型精度最高。

2.3 基于BPNN估算

基于BPNN的矮林芳樟Pn、Ci、Gs、Tr 4種光合參數擬合結果見圖4,建模集R2分別為0.85、0.81、0.80、0.82,RMSE分別為 0.85 μmol/(m2·s)、16.23 μmol/mol、0.03 mol/(m2·s)、0.37 mmol/(m2·s),RPD分別為2.59、2.33、2.28、2.37;驗證集R2為0.81、0.73、0.83、0.76,RMSE為1.46 μmol/(m2·s)、18.37 μmol/mol、0.03 mol/(m2·s)、0.67 mmol/(m2·s),RPD為1.39、1.86、2.67、1.20?；贐PNN的矮林芳樟4種光合參數模型精度相近,模型均擁有較高準確性。

圖4 基于BPNN的矮林芳樟光合參數估算Fig.4 Estimation of photosynthetic parameters of Cinnamomum camphora in dwarf forest based on BPNN

2.4 基于RF估算

基于RF的矮林芳樟Pn、Ci、Gs、Tr 4種光合參數擬合結果見圖5,基于RF的矮林芳樟Pn估算模型建模與預測集呈現負相關,4種光合參數建模集R2分別為0.69、0.71、0.80、0.73,RMSE分別為3.66 μmol/(m2·s)、20.35 μmol/mol、0.03 mol/(m2·s)、0.46 mmol/(m2·s),RPD分別為0.60、1.86、2.28、1.93;驗證集R2為0.72、0.70、0.78、0.74,RMSE為4.10 μmol/(m2·s)、16.11 μmol/mol、0.03 mol/(m2·s)、0.59 mmol/(m2·s),RPD為0.40、1.75、2.10、1.28?；赗F的矮林芳樟Gs估算模型R2和RPD均最高,因此利用RF模型估算Gs較其它光合參數更準確。

圖5 基于RF的矮林芳樟光合參數估算Fig.5 Estimation of photosynthetic parameters of Cinnamomum camphora in dwarf forest based on RF

2.5 模型評價

為對比和選擇最優模型,將3種模型精度參數統計于表5?；贐PNN模型的Pn建模集和驗證集有最高的決定系數,分別為0.85和0.81,建模集RMSE最小,為0.85 μmol/(m2·s),是其最優模型,基于PLS模型的Pn建模集和驗證集R2次之,分別為0.77和0.76,驗證集RMSE最小,為1.11 μmol/(m2·s),2種模型建模集RPD均大于2,驗證集RPD均大于1.4,可以很好地估測樣本,而Pn的RF模型建模集和驗證集R2均最小,RMSE最大,RPD小于1,模型估測樣本能力較差。對于Ci,BPNN模型為其最優模型,建模集和驗證集R2均最高,分別為0.81和0.73,RPD均大于1.8;Ci的PLS模型建模集和驗證集R2小于0.5,RPD小于1,無法作為Ci的估測模型。Gs的BPNN、PLS、RF 3種模型建模集和驗證集R2均大于0.70,RMSE均小于0.1 mol/(m2·s),BPNN的RPD最大,驗證集RPD達到了2.67,比RF和PLS分別高0.57和0.85,因此BPNN為Cs的最優模型。Tr的BPNN模型建模集R2雖然低于PLS模型,但是驗證集R2為0.76,比PLS和RF分別高0.04和0.02,建模集和驗證集RMSE均小于1 mmol/(m2·s),RPD均大于2,故選BPNN為Tr最優模型。

表5 模型精度對比Tab.5 Comparison of model accuracy

3 討論

在對光合參數與光譜波段皮爾遜相關系數的研究中發現,Pn、Ci、Gs、Tr 4種光合參數與敏感波段均為負相關,這與陳碩博[28]利用無人機多光譜估算棉花光合參數發現上午(11:00)Pn、Gs、Tr與光譜波段顯負相關而Ci與光譜波段呈正相關的結論不同,這可能是因為光合參數的測量受不同地區氣候、植物品種影響造成差別。此外Pn、Ci、Gs、Tr 4種光合參數均與紅邊波段有較高的相關系數,這可能是因為紅邊波段處于近紅外與紅光波段之間快速變化的區域,對植被葉綠素的微小變化較敏感[29],導致光合參數對紅邊波段更敏感。

在模型構建中BPNN模型在光譜波段和植被指數組合上對Pn、Ci、Gs、Tr 4種光合參數估算的模型精度均高于PLS和RF模型,這表明BPNN模型在對光合參數的估算中比其他模型更具優勢。李詩瑤等[30]利用無人機多光譜遙感估算玉米SPAD值和邱春榮[31]利用光譜波段估算油菜SPAD值也得出相似結論。而RF模型整體表現較差,其在對Pn、Gs、Tr 3種光合參數的估算模型精度均最低。

導致以上結果可能是因為RF在解決回歸問題上,并沒有像它在解決分類問題中表現的那么好,并不能給出一個連續的輸出,當進行回歸分析時,某些特定的噪聲數據在建模時容易出現過擬合[32];PLS是將系統中的數據信息進行分解和篩選,對因變量解釋性最強的綜合變量進行提取,改善多元數據維度高、噪聲大等問題,克服變量多重相關性在系統建模中引起的不良作用,更加適合小樣本的模型構建,在本研究中取得比RF模型更好的結果,但PLS在面對非線性問題時并不能很好的處理[33];與前兩者比較,BPNN模型具有更高的模型精度,可能歸因于其非線性函數逼近能力強[34],具有較高的自學習和自適應能力,以及較高的容錯能力來應對測量中出現的誤差,使之相較其它模型更適用于矮林芳樟光合參數的估算。本研究所得出的反演模型僅適用于本次測量結果,對于不同生長期矮林芳樟以及不同品種、地區、時段內矮林芳樟光合參數的估算還有待于進一步研究。因此,后續模型優化可以擴大樣本數量,進一步篩選對矮林芳樟更敏感的光譜波段和植被指數,并根據矮林芳樟不同品種和生長期分別討論和建立模型,以期得到更準確和全面的矮林芳樟光合參數估算模型。

4 結論

(1)Pn、Ci、Gs、Tr 4種光合參數與光譜反射率和所選植被指數均顯負相關,其中葉片RE2、NIR波段反射率與光合參數密切關系,EVI2、CIrededge、CIgreen、SAVI、MSR、TCARI 6種植被指數與光合參數的相關系數絕對值均大于0.6。

(2)RE2、EVI2、CIrededge組合的OIF值最大,為0.012 6,可作為模型自變量的最佳組合。

(3)在Pn、Ci、Gs、Tr 4種光合參數的估算模型中,BPNN模型精度最優,其建模集R2分別為0.85、0.81、0.80、0.82,RMSE分別為0.85 μmol/(m2·s)、16.23 μmol/mol、0.03 mol/(m2·s)、0.37 mmol/(m2·s),RPD分別為2.59、2.33、2.28、2.37;驗證集的R2為0.81、0.73、0.83、0.76,RMSE為1.46 μmol/(m2·s)、18.37 μmol/mol、0.03 mol/(m2·s)、0.67 mmol/(m2·s),RPD為1.39、1.86、2.67、1.20。因此,BPNN模型作為矮林芳樟光合參數建模的首選方法,可以快速準確地監測其光合參數。