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(guó)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(zhǎng)狀況對(duì)我國(guó)國(guó)民經(jīng)濟(jì)發(fā)展方面有著重要的作用，因此對(duì)小麥長(zhǎng)勢(shì)進(jìn)行高效、無損地監(jiān)測(cè)，對(duì)小麥產(chǎn)量進(jìn)行及時(shí)、準(zhǔn)確地預(yù)測(cè)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(guó)產(chǎn)化的多光譜成像儀，以十個(gè)不同品種的小麥為研究對(duì)象，一方面利用多光譜相機(jī)采集的小麥揚(yáng)花早、晚期的影像數(shù)據(jù)，利用影像計(jì)算的植被指數(shù)構(gòu)建不同相機(jī)下的小麥揚(yáng)花早期和晚期的葉綠素反演模型；另一方面利用無人機(jī)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(shí)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(shí)，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(shí)間、光圈等參數(shù)。采集影像后為方便后續(xù)實(shí)驗(yàn)定量化的使用，對(duì)獲取影像數(shù)據(jù)需要進(jìn)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(gè)不同品種小麥為研究對(duì)象，利用可見光和多光譜相機(jī)獲取小麥揚(yáng)花早、晚期的影像數(shù)據(jù)。通過實(shí)測(cè)的小麥葉綠素含量與兩種影像計(jì)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(jī)下小麥揚(yáng)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(jī)影像的小麥葉綠素及產(chǎn)量反演：利用無人機(jī)搭載的多光譜相機(jī)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(shí)測(cè)參數(shù)相關(guān)性最高的多個(gè)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(jī)飛行一個(gè)月一次，基于長(zhǎng)時(shí)間序列的監(jiān)測(cè)影像數(shù)據(jù)，從而對(duì)精準(zhǔn)監(jiān)控提供參考依據(jù)。

技術(shù)要點(diǎn)

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(huì)產(chǎn)生誤差，這些誤差不僅會(huì)降低影像數(shù)據(jù)的質(zhì)量，也會(huì)影響后續(xù)影響分析的精度。因此，在進(jìn)行多光譜遙感影像分析之前，需要對(duì)原始影像進(jìn)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(jī)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(huì)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(duì)數(shù)據(jù)進(jìn)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(cè)得的反射率將影像的值轉(zhuǎn)換為圖像反射率，夠較真實(shí)的反映地表反射率，從而達(dá)到試驗(yàn)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(jī)在采集影像數(shù)據(jù)時(shí)，受自然風(fēng)的影響機(jī)身不可避免地會(huì)出現(xiàn)抖動(dòng)、傾斜等情況、同時(shí)相機(jī)鏡頭也會(huì)因飛行姿態(tài)變化而引起投影變形，因此有必要對(duì)影像進(jìn)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(gè)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(jī)影像正射校正處理流程

（3）幾何校正：由于無人機(jī)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(shí)際坐標(biāo)存在誤差，因此需要通過地面控制點(diǎn)高精度定位系統(tǒng)的坐標(biāo)數(shù)據(jù)對(duì)航拍影響做幾何校正。

偏最小二乘回歸

在實(shí)際問題中，經(jīng)常遇到需要研究?jī)山M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(cè)變量）去預(yù)測(cè)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(duì)多線性回歸建模的方法，特別當(dāng)兩組變量的個(gè)數(shù)很多，且都存在多重相關(guān)性，而觀測(cè)數(shù)據(jù)的數(shù)量（樣本量）又較少時(shí)，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(diǎn)。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(diǎn)，因此在分析結(jié)果中，除了可以提供一個(gè)更為合理的回歸模型外，還可以 同時(shí)完成一些類似于主成分分析和典型相關(guān)分析的研究?jī)?nèi)容，提供更豐富、深入的一些信息。

植被各類指數(shù)計(jì)算公式

表1 植被指數(shù)計(jì)算公式

四．方案實(shí)施

4.1多光譜無人機(jī)飛行服務(wù)

多光譜成像是指同時(shí)能夠獲取多個(gè)光譜波段（通常大于等于3個(gè)），并在可見光的基礎(chǔ)上向紅外光和紫外光兩個(gè)方向擴(kuò)展的光譜探測(cè)技術(shù)。常見實(shí)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(shí)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(hào)，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(shí)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(gè)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?hào)分成若干個(gè)窄波段的光束，然后把他們分別成像在相應(yīng)的探測(cè)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(jī)進(jìn)行結(jié)合，可以實(shí)現(xiàn)植被健康狀態(tài)分析。

無人機(jī)多光譜具有以下特點(diǎn)：

采集速度快。多光譜因其采集的波段相對(duì)較少，故采集速度相對(duì)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(duì)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(shí)測(cè)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(jī)端設(shè)置：組裝無人機(jī)高光譜設(shè)備，設(shè)置航高、航速，根據(jù)相機(jī)參數(shù)和影像重疊度需求設(shè)置影像航線間距；

相機(jī)端設(shè)置：根據(jù)航高航速設(shè)置相機(jī)幀率，根據(jù)白板測(cè)量值設(shè)置積分時(shí)間（曝光時(shí)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(shí)需拍攝到白板。

圖8 無人機(jī)高光譜數(shù)據(jù)采集示意圖

4.2無人機(jī)高光譜圖像處理

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

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

影像裁剪：高光譜采用推掃式成像，需要對(duì)采集的測(cè)區(qū)影像進(jìn)行裁剪；

配準(zhǔn)拼接：對(duì)裁剪后的測(cè)區(qū)影像進(jìn)行地理配準(zhǔn)或相對(duì)配準(zhǔn)，之后對(duì)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(qiáng)度，需要利用白板反射值和標(biāo)準(zhǔn)反射率進(jìn)行校正，計(jì)算整個(gè)影像的反射率。

混合光譜分解：無人機(jī)采集的光譜數(shù)據(jù)受空間分辨率影像，導(dǎo)致一個(gè)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(duì)影像進(jìn)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(jìn)行光譜濾波。

光譜圖像處理軟件界面：

圖9 無人機(jī)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(guó)產(chǎn)化的高光譜成像儀和地物光譜儀在實(shí)地開展現(xiàn)場(chǎng)調(diào)查，目的是為無人機(jī)遙感圖像的分類提供現(xiàn)場(chǎng)分類模型真實(shí)訓(xùn)練樣本和分類結(jié)果的檢驗(yàn)樣本。現(xiàn)場(chǎng)調(diào)查的主要內(nèi)容是測(cè)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(jìn)行不同感染程度的等級(jí)劃分，作為無人機(jī)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(yàn)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(gè)指標(biāo)來進(jìn)行分析。

式中，n為樣本數(shù)，為樣本i的實(shí)驗(yàn)室測(cè)定值，為所有驗(yàn)證樣本的平均值；為利用模型預(yù)測(cè)值，為所有對(duì)應(yīng)驗(yàn)證樣本的預(yù)測(cè)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(gè)方面：

1. 光譜數(shù)據(jù)：受外業(yè)數(shù)據(jù)采集時(shí)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(shí)測(cè)數(shù)據(jù)：實(shí)測(cè)數(shù)據(jù)包含葉片的光譜數(shù)據(jù)和參數(shù)定量測(cè)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(shí)測(cè)數(shù)據(jù)可能會(huì)存在一定誤差，但對(duì)反演結(jié)果的影響較小。重要的是，在測(cè)量這兩種實(shí)測(cè)值時(shí)的時(shí)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(zhǎng)時(shí)間再測(cè)量，并保證光譜測(cè)量和參數(shù)定量測(cè)量同時(shí)進(jìn)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。