结合植被指数与纹理特征的玉米冠层FAPAR遥感估算研究
Maize Canopy FAPAR Remote Sensing Estimation Combining Vegetation Indexes and Texture Characteristics
通讯作者:
收稿日期: 2020-11-15 修回日期: 2021-01-9 网络出版日期: 2021-04-15
基金资助: |
|
Received: 2020-11-15 Revised: 2021-01-9 Online: 2021-04-15
作者简介 About authors
王思宇,主要从事地理信息系统和农业遥感研究,E-mail:
光合有效辐射吸收比率(fraction of absorbed photosynthetically active radiation,FAPAR)是反映作物产量的重要参数之一。无人机遥感能够快速无损地获取高分辨率植被冠层光谱信息,已成为进行物理化参数反演的重要手段。以不同播期玉米为研究对象,基于无人机搭载多光谱传感器,提取植被指数与植被纹理特征,使用偏最小二乘(partial least squares regression,PLSR)方法将二者结合反演玉米FAPAR,并与传统单独使用植被指数或植被纹理特征反演植被FAPAR的方法进行比较。结果表明:使用传统方法单独利用植被指数反演FAPAR(验证RMSE最低为7.33×10-2,rRMSE最低为8.66%)的效果比单独利用纹理特征反演FAPAR(验证RMSE最低为9.50×10-2,rRMSE最低为11.23%)的精度更高;使用PLSR方法单独利用植被指数或纹理特征估算FAPAR的效果比传统方法精度更高(植被指数与纹理特征的验证RMSE最低分别为6.77×10-2和5.24×10-2,rRMSE最低分别为8.01%和6.19%);使用PLSR方法将植被指数与纹理特征相结合估算FAPAR(验证RMSE最低为4.72×10-2,rRMSE最低为5.57%)的效果比单独使用植被指数或纹理特征估算FAPAR的精度更高。综上,使用PLSR方法将植被指数和植被纹理特征相结合来反演玉米冠层FAPAR可行,为作物FAPAR遥感反演研究提供了新的思路。
关键词:
The fraction of absorbed photosynthetically active radiation (FAPAR) is one of the most important parameters reflecting the crop yields. The unmanned aerial vehicle (UAV) remote sensing, which can obtain high-resolution vegetation canopy spectral information quickly and nondestructively, has become an important method of inverting the physicochemical parameters of crops. Taking maize with different sowing dates as the research object, this research extracted vegetation indexes (VIs) and texture features based on the UAV multispectral images. After that, a partial least squares regression (PLSR) method was used to invert maize FAPAR combining the two indexes, and compared with the traditional methods using VIs or texture features alone. The results showed that the accuracy of FAPAR inversion by using VIs alone (the validated RMSE is as low as 0.0733, and the validated rRMSE is as low as 8.66%) was higher than that by using texture feature alone (the validated RMSE is as low as 0.0950, and the validated rRMSE is as low as 11.23%). Moreover, the PLSR method was more accurate than the traditional methods in estimating FAPAR by VIs or texture features alone (the validated RMSE of VIs and texture features is as low as 0.0677 and 0.0524, and the validated rRMSE is as low as 8.01% and 6.19%). The accuracy of combining VIs and texture features using the PLSR method (the validated RMSE is as low as 0.0472, and the rRMSE is as low as 5.57%) was higher than that using VIs or texture features alone. The research indicated that it is feasible to invert FAPAR of maize canopy by combining VIs and texture features using the PLSR method, which provides a new idea for crop FAPAR remote sensing inversion.
Keywords:
本文引用格式
王思宇, 聂臣巍, 余汛, 邵明超, 王梓旭, 努热曼古丽·托乎提, 刘亚东, 程明瀚, 官云兰, 金秀良.
Wang Siyu, Nie Chenwei, Yu Xun, Shao Mingchao, Wang Zixu, Nuremanguli· Tuohuti, Liu Yadong, Cheng Minghan, Guan Yunlan, Jin Xiuliang.
目前,基于遥感数据估算FAPAR的方法大多是通过建立植被指数与FAPAR的数学模型进行回归统计[5],这种方法操作简便、参数少且效率高,在FAPAR的估算中应用最为广泛[6,7,8,9,10]。如Dong 等[11]基于模拟Sentinel-2数据选择叶绿素相关植被指数,检验其对小麦和玉米的FAPAR估算能力,结果表明使用近红外和红边反射率的植被指数对FAPAR的估算结果最好。刘桂鹏等[12]基于高光谱影像使用几种植被指数和高光谱反射率及其导数等进行了春玉米FAPAR估算,结果表明使用归一化植被指数(normalized difference vegetation index,NDVI)构建的二次多项式模型对FAPAR的估算效果最好,但是当FAPAR较大时其估算结果会受到影响。田春燕等[13]基于植被指数构建棉花FAPAR估算模型,用以监测棉花长势并预测产量,结果表明使用增强植被指数(enhanced vegetation index,EVI)反演FAPAR的精度最好。Qin等[14]基于机载激光雷达和高光谱数据建立了多元线性回归(multiple linear regression,MLR)模型来估算玉米FAPAR,结果表明,将激光雷达和高光谱指标相结合,比单独使用激光雷达或高光谱指标估算玉米FAPAR的精度更好。Zhao等[15]使用13种植被指数提出了基于二次函数的回归模型来估算玉米FAPAR,结果表明,结合使用冠层结构相关的植被指数与土壤调节、叶绿素和生理相关的植被指数可以更好地估算玉米FAPAR。以上研究表明,采用植被指数反演FAPAR的研究已经取得较好的结果,但该方法在冠层覆盖度较大时使用会存在一定的饱和现象,导致反演精度降低。
植被的纹理特征也可以用来表征植被冠层结构[16],因此也有一些研究通过纹理特征来反演生物量[17]、叶绿素含量[18]和冠层高度[19]等植被结构或冠层信息。如谢士琴等[20]基于SPOT5影像通过使用植被纹理等多个特征反演森林结构参数,结果表明使用纹理等特征可以较好地对森林结构参数进行估算。蔡文婷等[21]将Sentinel-2影像与冬小麦纹理信息相结合估算茬覆盖度,结果表明该方法提高了估算冬小麦茬覆盖度的精度。贾丹等[22]利用无人机影像结合光谱与纹理信息来反演冬小麦氮浓度,结果表明该方法比单一使用光谱或纹理信息估算的精度有所提高。蒙诗栎等[23]基于WorldView-2影像将植被指数与纹理信息相结合反演森林地上生物量,结果表明将二者相结合的反演方法精度最高。杨俊等[24]通过无人机影像将小麦植被指数与纹理特征相结合估算其生物量与产量,结果表明结合纹理特征与植被指数可以提高生物量与产量的估算精度。纹理特征可以反映植被冠层覆盖情况,冠层覆盖度大时到达冠层底部的光较少,FAPAR也会相应变大。因此,当光谱特征不足以反映FAPAR情况时,纹理特征也可以提供植被冠层的结构信息[25]。以上研究表明,可以使用植被纹理特征反演植被结构及冠层参数,且将植被纹理特征与光谱特征相结合可以在一定程度上改善植被光谱特征的饱和问题[26,27],但目前利用植被纹理特征反演植被FAPAR的研究较少。
因此本研究使用PLSR方法,基于无人机多光谱影像提取出的植被指数与植被纹理特征估算玉米FAPAR,并与传统直接使用植被指数或纹理特征估算FAPAR的方法进行比较。
1 材料与方法
1.1 研究区概况
试验于2020年7月-9月在中国农业科学院新乡综合基地(35.2°N,113.8°E)进行。河南新乡的气候为温带大陆性气候,四季分明,冬冷夏热。年均气温14.1℃,1月最冷,7月最热。年均降水量548.3mm,多集中在7-8月。年均蒸发量1908.7mm。年均日照2407.7h,年均无霜期200.5d。试验基地土壤为黏质壤土,耕层土壤pH 8.21,含有机质12.6g/kg、速效氮61.2mg/kg、速效磷16.2mg/kg、速效钾110.0mg/kg。
1.2 试验设计
研究对象为夏玉米,共设置8个播期,获取关键时期的玉米分层FAPAR数据,每个播期间隔10d左右,播种时间从4月下旬至7月上旬,播期1的播种时间最早,播期8的播种时间最晚,其中播期6为当地适播期。每个播期包含3个黄淮海地区主栽玉米品种,分别为丰垦139、京农科728和郑单958,每个品种设置3个重复。每个播期相同品种面积之和为64.8m2,田间水肥与病虫害管理与实际大田管理一致。
1.3 地面FAPAR数据获取
使用SunScan专业版植物冠层分析仪进行采集地面分层FAPAR数据,在2020年7月-9月有稳定太阳光直射时进行采集。获取数据前架设漫射系数传感器(beam fraction sensor,BFS),使其水平以减小误差,BFS上方不能有任何遮挡,与探测器通过无线方式进行连接,探测器与掌上电脑(PAD)相连;之后打开SunData软件将BFS与探测器保持在同一水平面上对仪器进行校正和数据采集。获取数据时选取长势均匀的区域,将探测器水平放在冠层最底部进行数据采集。每个小区采用米字型方式测4个重复,然后将4次测量结果的均值作为该小区的代表值,使用PAD记录数据。获取数据后将数据导出进行后续处理。实测的地面FAPAR数据详细信息如表1所示。
表1 地面测量FAPAR数据统计信息
Table 1
日期 Date | 品种 Variety | 样本数 Sample number | 取值范围(×10-2) Value range |
---|---|---|---|
2020-07-23 | 丰垦139 | 21 | 51.62~92.49 |
京农科728 | 21 | 50.07~93.82 | |
郑单958 | 21 | 61.20~94.15 | |
2020-08-02 | 丰垦139 | 24 | 38.25~94.19 |
京农科728 | 24 | 44.10~97.42 | |
郑单958 | 24 | 46.05~97.43 |
1.4 多光谱影像数据的获取与处理
多光谱数据使用大疆M600-PRO六旋翼无人机搭载的RedEdge-M多光谱相机进行获取。多光谱相机获取的波段有蓝、绿、红、红边和近红外,视场角47.2°,数据采样间隔1.5s。无人机飞行高度30m,设置航向重叠和旁向重叠为80%。无人机数据采集选择在晴朗无风的10∶00-15∶00之间进行,获取时间与地面FAPAR测量日期相同。
1.4.1 多光谱影像预处理 多光谱影像的预处理主要为影像的拼接与辐射校正两部分。拼接部分使用AgisoftPhtotscan Pro软件进行处理,首先将需要拼接的照片添加到软件中之后对影像进行筛选,剔除冗余照片以缩短处理时间;然后选择高精度对齐照片并构建密集点云;之后进行颜色校正并构建纹理与正射影像;最后将构建的正射影像以TIFF形式导出。辐射校正是将原始影像转换为反射率影像,首先使用地面ASD高光谱仪测得彩色定标布的高光谱反射率Rcolor_i,通过多光谱各通道的波段响应函数Fband_i计算地面定标布对应多光谱各波段的反射率(公式1);然后提取无人机多光谱影像中彩色定标布的像元值(digital number,DN),建立影像每波段DN值与反射率的回归关系,之后将各波段的回归关系应用到整个试验地块的无人机影像,最后得到校正后的反射率影像。
1.4.2 植被指数的选择与提取 使用ENVI软件对处理好的影像提取所需要播期单个小区的感兴趣区(region of interest,ROI),并进行统计,最后得出小区中每个波段的平均反射率。
1.5 模型精度评定
随机选取样本的2/3作为训练集,剩余1/3样本作为验证集。选取植被指数或纹理特征分别与实测FAPAR的决定系数R2、估算FAPAR与实测FAPAR验证的均方根误差RMSE和相对均方根误差rRMSE作为评价这些植被指数或纹理特征性能的指标。R2越接近1,则该模型的拟合精度越高;RMSE与rRMSE越小,表示估算值与实测值差异越小,模型的估算能力越好,其计算公式如下:
其中,xi和yi分别为实测值和预测值;x和y分别为实测值和预测值的均值;n为样本个数。
2 结果与分析
2.1 利用植被指数估算FAPAR
表4 各植被指数估算玉米FAPAR的最佳回归检验结果
Table 4
植被指数 Vegetation indice | 回归模型 Regression model | 建模Modeling | 验证Validating | |||||
---|---|---|---|---|---|---|---|---|
R2(×10-2) | RMSE(×10-2) | rRMSE(%) | R2(×10-2) | RMSE(×10-2) | rRMSE(%) | |||
DVI | y=-8.8039x2+6.3709x-0.2476 | 66.13 | 7.98 | 9.42 | 66.35 | 9.10 | 10.75 | |
GNDVI | y=-1.5792x2+2.4437x-0.0391 | 78.52 | 6.35 | 7.492 | 78.00 | 7.33 | 8.66 | |
MTCI | y=-0.1751x2+0.4515x+0.6248 | 61.13 | 8.54 | 10.08 | 70.63 | 7.90 | 9.34 | |
TVI | y=0.5125ln(x)-0.6934 | 56.48 | 9.04 | 10.67 | 57.39 | 10.05 | 11.88 | |
MTVI2 | y=-1.2913x2+2.3547x-0.1493 | 71.74 | 7.28 | 8.59 | 66.93 | 9.17 | 10.84 | |
OSAVI | y=1.169x1.0069 | 72.18 | 7.24 | 8.54 | 72.18 | 7.80 | 9.22 | |
NDVI | y=0.9303x1.2449 | 73.74 | 7.03 | 8.30 | 74.97 | 7.59 | 8.97 | |
RVI1 | y=0.0497ln(x)+0.636 | 33.95 | 11.14 | 13.14 | 37.53 | 11.14 | 13.16 | |
RVI2 | y=-0.0024x2+0.062x+0.5651 | 44.55 | 10.20 | 12.04 | 52.06 | 9.80 | 11.58 | |
MNLI | y=-5.4349x2+2.9606x+0.5071 | 77.83 | 6.45 | 7.61 | 75.59 | 8.59 | 10.15 | |
SAVI | y=1.3688x0.8208 | 66.58 | 7.93 | 9.36 | 67.87 | 8.21 | 9.70 | |
MSR | y=0.0908ln(x)+0.672 | 40.98 | 10.53 | 12.42 | 46.45 | 10.31 | 12.18 | |
NLI | y=0.3779x+0.5515 | 74.54 | 6.91 | 8.15 | 74.59 | 7.42 | 8.77 | |
RDVI | y=1.487x0.9052 | 68.16 | 7.74 | 9.13 | 69.25 | 8.08 | 9.55 |
从表4综合比较可以看出,14种植被指数中有4种建模R2达到0.7以上,验证RMSE小于0.08,rRMSE小于10%;其中GNDVI的二次多项式模型对FAPAR的估算结果最好,R2为78.52×10-2,RMSE
图1
图1
玉米FAPAR与GNDVI的回归关系
Fig.1
Regression relationship of the FAPAR to GNDVI in maize
2.2 利用纹理信息估算FAPAR
提取多光谱影像R、G和B波段的8种纹理特征之后,分别与FAPAR建立指数函数、线性函数、二次多项式函数、对数函数和幂函数5种统计回归模型,综合比较之后发现绿波段对纹理特征的反演效果最好,因此使用绿波段中的纹理特征对玉米FAPAR进行估算,每种纹理特征的最佳回归检验结果如表5所示。
表5 各纹理信息估算玉米FAPAR的最佳回归检验结果
Table 5
纹理特征 Texture | 回归模型 Regression model | 建模Modeling | 验证Validating | |||||
---|---|---|---|---|---|---|---|---|
R2(×10-2) | RMSE(×10-2) | rRMSE(%) | R2(×10-2) | RMSE(×10-2) | rRMSE(%) | |||
均值Mean | y=-0.0031x2+0.0493x+0.7169 | 58.73 | 8.80 | 10.38 | 55.53 | 9.50 | 11.23 | |
方差Variance | y=-0.0003x2+0.0192x+0.644 | 18.44 | 12.38 | 14.61 | 25.00 | 12.28 | 14.51 | |
协同性Homogeneity | y=-3.1473x2+1.8839x+0.6007 | 5.12 | 13.35 | 15.75 | 19.27 | 13.06 | 15.43 | |
对比度Contrast | y=-0.0005x2+0.0235x+0.6542 | 16.42 | 12.53 | 14.78 | 22.56 | 12.50 | 14.77 | |
相异性Dissimilarity | y=-0.0199x2+0.1895x+0.5184 | 11.85 | 12.87 | 15.19 | 19.65 | 12.79 | 15.11 | |
信息熵Entropy | y=-2.1224x2+14.464x-23.756 | 12.53 | 12.82 | 15.13 | 36.23 | 11.45 | 13.53 | |
二阶矩Second moment | y=-399x2+38.016x-0.0288 | 6.75 | 13.23 | 15.61 | 39.64 | 12.26 | 14.49 | |
相关性Correlation | y=-14.067x2+19.182x-5.6254 | 21.68 | 12.13 | 14.31 | 29.39 | 11.94 | 14.11 |
图2
图2
玉米FAPAR与纹理特征Mean的回归关系
Fig.2
Regression relationship of the FAPAR to mean of texture feature in maize
2.3 利用PLSR方法估算FAPAR
使用PLSR方法分别对14种植被指数、8种纹理特征以及将二者相结合估算玉米FAPAR,并进行验证,结果如表6所示。
表6 利用PLSR方法估算玉米FAPAR的验证结果
Table 6
指标 Indice | 建模Modeling | 验证Validating | |||||
---|---|---|---|---|---|---|---|
R2 (×10-2) | RMSE (×10-2) | rRMSE (%) | R2 (×10-2) | RMSE (×10-2) | rRMSE (%) | ||
植被指数 Vegetation indice | 82.15 | 8.19 | 9.66 | 81.40 | 6.77 | 8.01 | |
纹理Texture | 89.12 | 6.39 | 7.54 | 87.05 | 5.24 | 6.19 | |
结合Combination | 94.39 | 4.59 | 5.41 | 90.81 | 4.72 | 5.57 |
可以看出,对14种植被指数和8种纹理特征分别使用PLSR方法估算玉米FAPAR之后,其R2均有所提升,RMSE和rRMSE均有所下降,将所有指标相结合的PLSR估算结果最好,R2可达到94.39×10-2,RMSE和rRMSE分别为4.72×10-2和5.57%,相比传统回归统计方法有所提高,该结果说明使用PLSR方法可以提高玉米FAPAR估算的精度,将植被指数与植被纹理特征相结合的效果更好。这主要是由于植被的光谱信息和纹理特征都可以反映植被冠层的信息,而对于多元回归模型来说,加入有效的自变量可以提高构建模型的精度,因此将二者相结合构建多元回归模型,可以将植被指数和纹理特征的优势相融合,从多个角度充分对玉米冠层FAPAR进行反演,能够提高其估算精度,这与前人对植物其他指标进行估算研究的结果具有一致性[21-24,44]。图3为使用PLSR方法结合植被指数与植被纹理特征估算FAPAR的验证结果。
图3
图3
使用PLSR方法结合植被指数与纹理特征估算的FAPAR验证结果
Fig.3
Validation results of FAPAR estimation using PLSR method combined with vegetation index and texture features
3 讨论
FAPAR不仅是植被冠层的重要结构参数,也是作物生长和作物估产等模型的重要参数,因此快速准确地获取作物FAPAR对于估测作物产量及评价作物生长状况有重要意义。由于单独使用光谱特征对FAPAR进行估算的精度相对较差,而纹理特征提供了更多的植被冠层结构信息,能够提高FAPAR的估算精度。因此,本研究将光谱特征与纹理特征相结合,给FAPAR的估算模型增加了更多信息,在一定程度上提高了单独使用植被指数或纹理特征估算FAPAR的精度,为以后估算作物的FAPAR研究提供了新的思路。然而,本研究只选择了1个试验站点采集的FAPAR数据,没有在其他站点进行试验,所使用的试验数据较少,建立的回归模型结果可能不够精确;此外,由于错过了一些播期玉米的生长状况,使得处在生育初期的FAPAR数据相对较少,对建模结果也有一定的影响。因此,在接下来的研究中,将开展多站点试验,同时获取更多的田间及无人机影像数据,以更好地阐明光谱信息与FAPAR数据之间的光谱机理与回归关系。
4 结论
对玉米冠层FAPAR进行测量并结合基于无人机多光谱影像提取的植被指数和纹理特征分别对其进行估算,之后使用PLSR方法对植被指数、纹理特征和将二者结合分别对FAPAR进行估算。将3种估算FAPAR的方法进行比较验证。结果如下:
(1)使用传统方法直接利用植被指数或纹理特征估算FAPAR时,植被指数的精度更高,R2比纹理特征提高约0.2,RMSE和rRMSE分别降低约0.02和2.60%;
(2)单独利用植被指数或纹理特征估算FAPAR时,使用PLSR方法比传统的统计回归方法精度更高。其中植被指数的R2提高约0.04,RMSE和rRMSE分别降低约0.06×10-2和0.70%,纹理特征的RMSE和rRMSE分别降低约4.80×10-2和5.04%;
(3)将植被指数和纹理特征相结合并使用PLSR估算FAPAR的精度最高,R2达到94.39×10-2,RMSE和rRMSE分别达到4.72×10-2和5.57%。
参考文献
A simple model of regional wheat yield based on NDVI data
,
Synergistic Inversion of Rice FPAR Based on Optical and Radar Remote Sensing Data. IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium
,
Comparison of ground and satellite-based methods for estimating stand-level fPAR in a boreal forest
,
Deciduous broadleaf forests green FPAR and its relationship with spectral vegetation indices. 2017 10th International Congress on Image and Signal Processing,BioMedical Engineering and Informatics (CISP-BMEI)
,
Remotely assessing fraction of photosynthetically active radiation (FAPAR) for wheat canopies based on hyperspectral vegetation indexes
,
Evaluation of chlorophyll-related vegetation indices using simulated sentinel-2 data for estimation of crop fraction of absorbed photosynthetically active radiation
,
Estimation of the fraction of absorbed photosynthetically active radiation (FAPAR) in maize canopies using LiDAR data and hyperspectral imagery
,
Retrieving the diurnal FAPAR of a maize canopy from the jointing stage to the tasseling stage with vegetation indices under different water stresses and light conditions
,
Aerial image texture information in the estimation of northern deciduous and mixed wood forest leaf area index (LAI)
,
Dynamic monitoring of biomass of rice under different nitrogen treatments using a lightweight UAV with dual image-frame snapshot cameras
,
Combining UAV-based vegetation indices and image classification to estimate flower number in oilseed rape
,
Red and photographic infrared linear combinations for monitoring vegetation
,
Remote sensing of chlorophyll concentration in higher plant leaves
,
Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density
,
Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture
,
Optimization of soil-adjusted vegetation indices
,
Monitoring leaf nitrogen status in rice with canopy spectral reflectance
,
Estimation of forest leaf area index using vegetation indices derived from hyperion hyperspectral data
,
Evaluation of vegetation indices and a modified simple ratio for boreal applications
,
Influences of canopy architecture on relationships between various vegetation indices and LAI and FPAR: A computer simulation
,
Estimating PAR absorbed by vegetation from bidirectional reflectance measurements
,
Monitoring maize lodging grades via unmanned aerial vehicle multispectral image
,
/
〈 | 〉 |