奧譜天成應(yīng)用案例｜基于多光譜影像的小麥葉綠素含量及產(chǎn)量定量反演研究

一．前言

小麥作為世界三大糧食作物之一，是全球40%人口的主食來源。小麥作為我國主要的糧食作物之一，種植范圍十分廣泛。專用品種小麥的生長狀況對我國國民經(jīng)濟發(fā)展方面有著重要的作用，因此對小麥長勢進行高效、無損地監(jiān)測，對小麥產(chǎn)量進行及時、準(zhǔn)確地預(yù)測變得尤為重要。

二．技術(shù)思路與主要內(nèi)容

奧譜天成利用全國產(chǎn)化的多光譜成像儀，以十個不同品種的小麥為研究對象，一方面利用多光譜相機采集的小麥揚花早、晚期的影像數(shù)據(jù)，利用影像計算的植被指數(shù)構(gòu)建不同相機下的小麥揚花早期和晚期的葉綠素反演模型；另一方面利用無人機多光譜獲取小麥灌漿中期高分辨率影像，基于顏色特征和植被指數(shù)構(gòu)建小麥灌漿中期的葉綠素和小麥產(chǎn)量反演模型。

圖1 總體技術(shù)路線

需實現(xiàn)內(nèi)容：

1）多光譜影像預(yù)處理：利用多光譜采集小麥田間可見光和多光譜影像時，為保證后續(xù)圖像處理的統(tǒng)一性，需要人為提前設(shè)置好曝光時間、光圈等參數(shù)。采集影像后為方便后續(xù)實驗定量化的使用，對獲取影像數(shù)據(jù)需要進行輻射校正、影響拼接、正射校正、幾何校正和影像裁剪等預(yù)處理操作。

2）基于可見光和多光譜影像的小麥葉綠素含量反演：以10個不同品種小麥為研究對象，利用可見光和多光譜相機獲取小麥揚花早、晚期的影像數(shù)據(jù)。通過實測的小麥葉綠素含量與兩種影像計算多種植被指數(shù)的相關(guān)性分析，選取反演小麥葉綠素含量**的植被指數(shù)。最后基于選取的植被指數(shù)建立了不同相機下小麥揚花期和晚期的葉綠素含量反演模型。

3）基于高分辨率無人機影像的小麥葉綠素及產(chǎn)量反演：利用無人機搭載的多光譜相機獲取小麥灌漿中期的影像數(shù)據(jù)。引入偏最小二乘算法，篩選出與實測參數(shù)相關(guān)性最高的多個特征作為自變量，分別構(gòu)建小麥灌漿中期葉綠素和小麥產(chǎn)量反演模型。

4）無人搭載的多光譜相機飛行一個月一次，基于長時間序列的監(jiān)測影像數(shù)據(jù)，從而對精準(zhǔn)監(jiān)控提供參考依據(jù)。

技術(shù)要點

多光譜影像預(yù)處理

由于受到傳感器自身特性、天氣等多種因素的限制，在數(shù)據(jù)獲取過程中難免會產(chǎn)生誤差，這些誤差不僅會降低影像數(shù)據(jù)的質(zhì)量，也會影響后續(xù)影響分析的精度。因此，在進行多光譜遙感影像分析之前，需要對原始影像進行預(yù)處理操作。影像數(shù)據(jù)預(yù)處理流程圖如圖2所示。

圖2 影像數(shù)據(jù)預(yù)處理流程圖

（1）輻射校正：無人機在飛行過程中，因光線及天氣情況的不同，獲取的影像在光譜維上會產(chǎn)生畸變。為保證后續(xù)影像拼接任務(wù)順利完成， 需要對數(shù)據(jù)進行輻射校正。本文中可見光影像輻射校正采用的是偽 標(biāo)準(zhǔn)地物法——白板法，通過地面目標(biāo)測得的反射率將影像的值轉(zhuǎn)換為圖像反射率，夠較真實的反映地表反射率，從而達到試驗的要求和目的。多光譜影像輻射校正是使用奧譜天成多光譜成像儀自帶的數(shù)據(jù)處理軟件來完成的。

（2）正射校正：無人機在采集影像數(shù)據(jù)時，受自然風(fēng)的影響機身不可避免地會出現(xiàn)抖動、傾斜等情況、同時相機鏡頭也會因飛行姿態(tài)變化而引起投影變形，因此有必要對影像進行正射校正。正射校正是基于糾正變換函數(shù)將原始影像的像元逐個變換到校正影像的坐標(biāo)系中。其處理流程如圖3所示。

圖3 無人機影像正射校正處理流程

（3）幾何校正：由于無人機自帶的定位系統(tǒng)精度有限，加之飛行過程中容易受到空中氣流、風(fēng)速和風(fēng)向等外界因素的影響，導(dǎo)致獲取影像的地理坐標(biāo)與實際坐標(biāo)存在誤差，因此需要通過地面控制點高精度定位系統(tǒng)的坐標(biāo)數(shù)據(jù)對航拍影響做幾何校正。

偏最小二乘回歸

在實際問題中，經(jīng)常遇到需要研究兩組多重相關(guān)變量間的相互依賴關(guān)系，并研究用一組變量（自變量或預(yù)測變量）去預(yù)測另一組變量（因變量或響應(yīng)變量），除了最小二乘準(zhǔn)則下的經(jīng)典多元線性回歸分析（MLR），提取自變量組分成分的主成分回歸分析（PCR）等方法外，還有近年來發(fā)展起來的偏最小二乘（PLS）回歸方法。

偏最小二乘回歸提供一種多對多線性回歸建模的方法，特別當(dāng)兩組變量的個數(shù)很多，且都存在多重相關(guān)性，而觀測數(shù)據(jù)的數(shù)量（樣本量）又較少時，用偏最小二乘回歸建立的模型具有傳統(tǒng)的經(jīng)典回歸分析等方法所沒有的優(yōu)點。偏最小二乘回歸分析在建模過程中集中了主成分分析，典型相關(guān)分析和線性回歸分析方法的特點，因此在分析結(jié)果中，除了可以提供一個更為合理的回歸模型外，還可以 同時完成一些類似于主成分分析和典型相關(guān)分析的研究內(nèi)容，提供更豐富、深入的一些信息。

植被各類指數(shù)計算公式

表1 植被指數(shù)計算公式

四．方案實施

4.1多光譜無人機飛行服務(wù)

多光譜成像是指同時能夠獲取多個光譜波段（通常大于等于3個），并在可見光的基礎(chǔ)上向紅外光和紫外光兩個方向擴展的光譜探測技術(shù)。常見實現(xiàn)方法是通過各種濾光片或分光器與數(shù)字圖像傳感器的組合，使其在同一時刻分別接收同一目標(biāo)在不同窄光譜波段范圍內(nèi)輻射或反射的光信號，得到目標(biāo)在幾張不同光譜帶的照片。多光譜圖像是由成像光譜儀獲取的，多光譜成像儀是一種能夠同時獲取光譜特征和空間圖像信息的設(shè)備，是光電成像系統(tǒng)發(fā)展的重要方向。多光譜成像系統(tǒng)可提供具有3至20個非連續(xù)波段的圖像，并已在農(nóng)業(yè)和食品領(lǐng)域得到廣泛應(yīng)用。從成像原理上來講，多光譜成像技術(shù)就是把入射的全波段或?qū)挷ǘ蔚墓庑盘柗殖扇舾蓚€窄波段的光束，然后把他們分別成像在相應(yīng)的探測器上，從而獲得不同光譜波段的圖像。因此，利用多光譜特性可以將植被與非植被分離，并且與無人機進行結(jié)合，可以實現(xiàn)植被健康狀態(tài)分析。

無人機多光譜具有以下特點：

采集速度快。多光譜因其采集的波段相對較少，故采集速度相對較快；

復(fù)雜性低。由于波段數(shù)量的限制，多光譜復(fù)雜性較低，更容易理解和應(yīng)用，處理工作相對較少。

數(shù)據(jù)量豐富。隨著波段數(shù)的增加，數(shù)據(jù)量呈指數(shù)增加。可提供空間域信息和光譜域信息，即“圖譜合一”，并且由成像光譜儀得到的光譜曲線可以與地面實測的同類地物光譜曲線相類比。

在規(guī)劃的研究區(qū)域，根據(jù)需求采集高光譜影像。具體步驟如下：

無人機端設(shè)置：組裝無人機高光譜設(shè)備，設(shè)置航高、航速，根據(jù)相機參數(shù)和影像重疊度需求設(shè)置影像航線間距；

相機端設(shè)置：根據(jù)航高航速設(shè)置相機幀率，根據(jù)白板測量值設(shè)置積分時間（曝光時間）；

標(biāo)準(zhǔn)反射率白板：在航線區(qū)域擺放標(biāo)準(zhǔn)反射率白板，采集影像時需拍攝到白板。

圖8 無人機高光譜數(shù)據(jù)采集示意圖

4.2無人機高光譜圖像處理

無人機高光譜影像數(shù)據(jù)采集后，需要進行以下預(yù)處理工作：

波長定標(biāo)：采集的原始影像沒有波長信息，需要添加波長定標(biāo)文件；

影像裁剪：高光譜采用推掃式成像，需要對采集的測區(qū)影像進行裁剪；

配準(zhǔn)拼接：對裁剪后的測區(qū)影像進行地理配準(zhǔn)或相對配準(zhǔn)，之后對配準(zhǔn)后的影像拼接成完整影像；

輻射校正：原始影像中的值代表反射強度，需要利用白板反射值和標(biāo)準(zhǔn)反射率進行校正，計算整個影像的反射率。

混合光譜分解：無人機采集的光譜數(shù)據(jù)受空間分辨率影像，導(dǎo)致一個像元中可能由不同地物或者植被混合平均而成，為提高精度，需要對影像進行混合光譜分解操作；

（6）光譜濾波（平滑）：原始影像中的光譜信息存在一定的噪聲，在應(yīng)用之前需要進行光譜濾波。

光譜圖像處理軟件界面：

圖9 無人機高光譜圖像處理軟件界面示意圖

4.3地物樣本數(shù)據(jù)采集

奧譜天成利用全國產(chǎn)化的高光譜成像儀和地物光譜儀在實地開展現(xiàn)場調(diào)查，目的是為無人機遙感圖像的分類提供現(xiàn)場分類模型真實訓(xùn)練樣本和分類結(jié)果的檢驗樣本。現(xiàn)場調(diào)查的主要內(nèi)容是測量感染穗頸瘟的水稻光譜數(shù)據(jù)，將地物光譜儀采集到的所有穗頸瘟水稻光譜數(shù)據(jù)進行不同感染程度的等級劃分，作為無人機高光譜影像數(shù)據(jù)處理的標(biāo)準(zhǔn)訓(xùn)練樣本數(shù)據(jù)集。

4.4結(jié)果分析

圖12 植被含水量反演結(jié)果

4.4.1估算結(jié)果可靠性

模型精度檢驗可以根據(jù)均方跟誤差（Root Mean Square Error, RMSE）和相關(guān)系數(shù)（r）兩個指標(biāo)來進行分析。

式中，n為樣本數(shù)，為樣本i的實驗室測定值，為所有驗證樣本的平均值；為利用模型預(yù)測值，為所有對應(yīng)驗證樣本的預(yù)測值的平均值。RMSE值越小，R相關(guān)系數(shù)值越大，說明模型精度越高。

4.4.2估算精度影響因素

影響反演結(jié)果精度的因素主要包含以下幾個方面：

1. 光譜數(shù)據(jù)：受外業(yè)數(shù)據(jù)采集時的環(huán)境影響和不確定性的人為操作影響，導(dǎo)致拍攝的高光譜影像質(zhì)量存在一定的差異。但該因素不是主要因素。

2. 實測數(shù)據(jù)：實測數(shù)據(jù)包含葉片的光譜數(shù)據(jù)和參數(shù)定量測量數(shù)據(jù)。受儀器設(shè)備和人為操作因素等的影響，這兩種實測數(shù)據(jù)可能會存在一定誤差，但對反演結(jié)果的影響較小。重要的是，在測量這兩種實測值時的時間差是影像反演模型的主要因素之一。盡量避免葉片采摘后長時間再測量，并保證光譜測量和參數(shù)定量測量同時進行。

3. 反演模型：反演模型的構(gòu)建是影響反演精度的主要因素。受特征光譜的選擇、變量的形式以及反演模型的形式等的影響，導(dǎo)致反演結(jié)果存在很大的不確定性。