遙感光譜指標和神經網絡結合的冬小麥地上部生物量估測

張傳波，李衛國，張 宏，李 偉，馬廷淮，張琤琤，陳 華

(1.江蘇大學農業工程學院，江蘇鎮江 212013；2.江蘇省農業科學院農業信息研究所，江蘇南京 210014；3.江蘇大學流體機械工程技術研究中心，江蘇鎮江 212013；4.南京信息工程大學，江蘇南京 210044)

地上部生物量(aboveground biomass,AGB)是作物光合作用的產物，能夠反映作物的生長狀況和群體大小，是作物產量估測的重要依據或指標。AGB實地取樣往往費時費力，并會對作物造成一定破壞，難以適用于大范圍的快速估測，不利于及時輔助作物生長管理措施調整。遙感技術具有快速、高效和宏觀的特點，可以及時、有效、大范圍監測作物生長狀況，如在作物病蟲害估測、產量估算和長勢監測方面已有較多應用。由于土壤和植被之間的差異，作物紅光、綠光和近紅外光輻射包含了大量與作物AGB有關的信息，已有較多學者利用遙感技術進行作物AGB估測研究。如宋開山等通過分析冠層光譜反射率、導數光譜與大豆AGB的相關性，建立了比值植被指數(RVI)與大豆AGB的遙感估算模型。Casanova等將水稻光譜反射率與光合作用過程結合建立水稻AGB估測模型，實現對AGB有效估測。Hansen等利用冬小麥高光譜反射率計算出NDVI，基于偏最小二乘法對冬小麥AGB進行估測。Bao等用最佳擬合方法建立了冬小麥AGB與光譜參數之間的關系模型，進而對冬小麥AGB估測。賀佳等發現，在冬小麥拔節期、孕穗期、抽穗期、灌漿期、成熟期可以用歸一化綠波段差值植被指數、比值植被指數、修正土壤調節植被指數、紅邊三角植被指數和修正三角植被指數Ⅱ監測冬小麥AGB。以上研究主要是通過分析遙感光譜信息與作物AGB之間的關系，建立基于單個遙感光譜指標的經驗性作物AGB估測模型，以實現快速、便捷的作物AGB估測。由于研究區域環境及獲取的遙感影像類型不同，經驗性的作物AGB估測模型較難適用于不同研究區域的作物AGB估測。

隨著人工智能技術的發展，人工神經網絡技術因其優秀的容錯性、自學習、自適應和自組織能力在農業生產領域被廣泛應用。人工神經網絡可以通過對大量輸入信息的訓練和學習，最大程度建立解決問題的模型，因此在復雜的農田土壤背景和較多的AGB影響因素下，有必要利用BP神經網絡探索多個影響因素與作物AGB之間的關系，但有關將多個遙感光譜指標與BP神經網絡結合估測冬小麥AGB的研究報道尚不多見。

本研究在江蘇省泰州興化市、鹽城市大豐區和宿遷沭陽縣布設冬小麥AGB遙感估測試驗，在獲取冬小麥冠層REF(近紅外光譜反射率)、REF(紅光光譜反射率)、葉面積指數(LAI)以及AGB的基礎上，通過分析波段反射率、植被指數和冬小麥LAI與AGB之間的相關關系，綜合相關性較好的遙感光譜指標建立基于BP神經網絡的冬小麥AGB估測模型，并與回歸統計模型進行比較，以建立高效、便捷的縣域冬小麥AGB遙感估測方法，以期為冬小麥長勢監測和水肥管理措施調整提供科學參考。

1 材料和方法

1.1 試驗區選擇和數據獲取

在江蘇省泰州泰興市(蘇南)、鹽城市大豐區(蘇中)和宿遷市沭陽縣(蘇北)布設冬小麥AGB估測試驗。2021年3月26日-30日(冬小麥拔節期)，用Juno ST(美國)手持GPS儀在泰興市、大豐區和沭陽縣各定位選擇20個試驗樣點(圖1)，每個試驗樣點間隔約1～2 km，試驗樣點田塊面積不少于9×10m(300 m×300 m)。4月16日(冬小麥抽穗期)，在泰興市進行相同定位試驗樣點數據獲取。在每個試驗樣點田塊中間位置采用梅花對角線法(或5點采樣法)用GreenSeeker(美國)光譜儀分別測量冬小麥冠層REFnir和REF，測量5次，取其平均值作為單個試驗樣點的光譜信息數據。在測量冬小麥冠層光譜信息對應位置，用Sun Scan作物冠層分析儀按照梅花對角線法測定每個試驗樣點的葉面積指數5次，取其平均值作為每個試驗樣點冬小麥葉面積指數。在測量冬小麥冠層光譜信息對應位置的每個試驗樣點隨機選取20個冬小麥莖蘗裝入編號袋，在室內置于烘箱105 ℃殺青20 min，75 ℃烘干至恒重，稱取重量，并求取試驗樣點每個莖蘗生物量均值，統計試驗樣點每平方尺冬小麥莖蘗數，利用每個冬小麥莖蘗生物量均值最終可換算出試驗田塊冬小麥AGB。試驗區冬小麥供試品種為蘇麥13、蘇麥18和蘇麥9023，田間管理措施與一般大田相同。

圖1 江蘇省行政邊界和試驗樣點分布概況

1.2 植被指數計算

利用Green Seeker光譜儀在試驗區樣點測得冬小麥冠層REF和REF，并計算NDVI、DVI、RVI、SAVI和OSAVI：

NDVI=(REF-REF)/(REF+REF)

DVI=REF-REF

RVI=REF/REF

SAVI=[(REF-REF)/(REF+REF+S)](1+)

OSAVI=(1+0.16)(REF-REF)/(REF+REF+ 0.16)

式中為土壤調節系數，取值范圍為0～1，當=0.5時可以將綠色植被中土壤變化影響降至最低。

1.3 BP神經網絡

BP神經網絡結構由輸入層、隱含層和輸出層組成(如圖2所示)，每一層包含很多個神經元。BP神經網絡訓練過程分為信號正向傳播和誤差反向傳播。正向傳播時，先利用標準歸一化函數mapminmax對輸入數據和輸出數據進行歸一化處理，將數據壓縮到(0，1)范圍內，然后各層神經元按照一定學習規則對處理后的數據進行運算，經過輸入層傳遞至隱含層再傳遞至輸出層。如果實際輸出未到達期望輸出，計算輸出數值誤差后，將誤差反向傳播，同時對每一層權值和閾值進行調整，再次對訓練數據進行運算，直到實際輸出滿足期望輸出后通過反歸一化處理，將模型估測數值輸出。本研究通過構建三層BP神經網絡對冬小麥AGB進行估測。

圖2 BP神經網絡結構

1.4 冬小麥AGB估測模型建立與驗證

沭陽縣和大豐區40個試驗樣點數據用于模型建立，泰興市冬小麥拔節期與抽穗期的各20個試驗樣點數據用于模型驗證。

在Excel軟件中，分析7個遙感光譜指標(REF、REF、NDVI、DVI、RVI、SAVI、OSAVI)與AGB間相關關系，選擇與冬小麥AGB相關性較好的遙感光譜指標作為建立冬小麥AGB估測模型的輸入變量。在MATLAB軟件中，利用40個試驗樣點冬小麥遙感光譜指標、LAI和AGB數據分別建立BP神經網絡冬小麥AGB估測模型(AGB)和多元線性回歸冬小麥AGB估測模型(AGB)。建模完成后，分別將將泰興市冬小麥拔節期與抽穗期的各20個試驗區樣點數據輸入AGB和AGB估測模型計算冬小麥AGB估測值。將冬小麥AGB估測值和對應試驗區樣點實測值進行線性擬合，根據、RMSE和ARE對冬小麥AGB和AGB估測模型精度進行評價，值越大，RMSE和ARE值越小，冬小麥AGB估測模型的估測精度越高。、RMSE和ARE的計算公式如下：

2 結果與分析

2.1 冬小麥AGB實測值變異分析

60個試驗樣點冬小麥AGB實測值變化范圍為492.5～6 718.1 kg·hm，多數集中在 2 020.3～3 952.8 kg·hm。大豐區試驗點冬小麥AGB實測值平均為2 876.6 kg·hm，相對于平均值的變異幅度為-76.4%～51.1%。沭陽縣試驗點冬小麥AGB實測值平均為3 037.6 kg·hm，變異幅度為-56.6%～58.3%。泰興市試驗點冬小麥AGB實測值平均值2 272.8 kg·hm，變異幅度為-78.3%～195.6%。由于受到冬小麥種植密度、病蟲害及初始拔節時間的影響，部分試驗樣點冬小麥AGB實測值出現較大波動，其中泰興市試驗樣點冬小麥AGB實測值的變異幅度最大，大豐區次之，沭陽縣最小。

2.2 遙感光譜指標與冬小麥生物量之間的關系

相關性分析結果(表1)表明，不同冬小麥遙感光譜指標(REF、REF、NDVI、DVI、RVI、SAVI和OSAVI)間及其與AGB間均存在一定的相關性，且相關程度有所不同。如REF與NDVI、DVI、RVI、SAVI和OSAVI間均呈負相關。REF、NDVI、DVI、RVI、SAVI和OSAVI兩兩之間呈正相關，其中SAVI與OSAVI間的相關性最高，相關系數為0.98。不同遙感光譜指標與AGB間的相關性均較好，且由強到弱依次為RVI >NDVI>OSAVI>REF>SAVI> DVI>REF；其中，NDVI、RVI和OSAVI與AGB間呈極顯著正相關，REF、DVI 和SAVI與AGB間呈顯著正相關，REF與AGB呈顯著負相關。綜合以上分析結果，本研究選擇5個遙感光譜指標(REF、NDVI、RVI、SAVI和OSAVI)作為建立BP神經網絡冬小麥AGB估測模型和多元線性回歸冬小麥AGB估測模型的自變量。

圖3 試驗樣點冬小麥AGB實測值

表1 遙感光譜指標與冬小麥AGB之間的相關系數

2.3 冬小麥葉面積指數與AGB之間的關系

冬小麥LAI是反映冬小麥生群體郁閉程度大小的重要生長指標，與物質積累過程關系緊密。研究區冬小麥LAI主要分布在1.3～3.3之間，與AGB間存在明顯相關性，相關系數為0.782，且呈冪函數關系(=1 640.9,為0.611)(圖4)。因此，本研究考慮選擇LAI作為冬小麥AGB估測模型建立的自變量。

圖4 冬小麥LAI與AGB之間的關系

2.4 冬小麥AGB估測模型的建立

以LAI及5個遙感光譜指標(REF、NDVI、RVI、SAVI和OSAVI)為自變量，利用沭陽縣和大豐區40個試驗區樣點數據建立多元線性回歸冬小麥AGB估測模型(AGB)：

AGB=4 068.9REF-67 392.8NDVI+135RVI-85 020.1SAVI+175 980OSAVI+ 592.5LAI-1 206.8

同時在MATLAB軟件中，利用與線性回歸AGB建模相同的樣點數據建立BP神經網絡冬小麥AGB估測模型(AGB)，選擇trainlm、tansig和purelin分別作為BP神經網絡模型的訓練函數、隱含層傳遞函數及輸出層函數，并利用提前停止法對神經網絡進行訓練，防止出現過擬合現象。根據隱含層節點數經驗公式可知，隱含層節點數為3～13。AGB模型建立完成后，選擇不同的節點數對試驗區驗證樣點冬小麥AGB進行估測(表2)。根據AGB估測值和對應AGB實測值擬合效果，選擇最大、RMSE最小的節點數作為最佳隱含層節點數。

由表2可知，在不同隱含層節點數建立的冬小麥AGB估測模型的精度不同。節點數為4時，估測模型的最大(0.918)，RMSE值最小(582.9 kg·hm)。節點數為10時，估測模型的最小(0.437)，RMSE最大(1 581.5 kg·hm)。因此，選擇合適的隱含層節點數有利于提高估測模型精度。根據冬小麥AGB估測結果選擇估測模型的結構為(6，4，1)(6表示6個輸入變量即REF、NDVI、RVI、SAVI、OSAVI和LAI；4表示模型隱含層節點數；1表示模型輸出變量AGB)，選取隱含層節點數為4時估測模型與其隱含層權重、偏差分別見表3和表4。

表2 不同隱含層節點數的BP神經網絡模型對冬小麥AGB的估測精度

表3 BP神經網絡冬小麥AGB估測模型

表4 BP神經網絡冬小麥AGB估測模型的權重和偏差

2.5 冬小麥AGB估測模型精度評價

利用泰興市冬小麥拔節期和抽穗期的各20個試驗區樣點的數據，分別對估測模型AGB和AGB的精度進行驗證。泰興市冬小麥拔節期AGB實測值變化范圍為492.5～6 718.1 kg·hm，多數集中在758.2～5 091.8 kg·hm范圍內。兩個模型AGB和AGBBP對AGB的估測值變化范圍分別為622.2～5 064.6和753～5 577.5 kg·hm，多數分別集中于950.1～3 744.3和763.3～4 148.3 kg·hm范圍(圖5a和圖5b)，模型AGB的估測值比較接近實測值。估測模型AGB的為0.784，RMSE為871.1 kg·hm，ARE為 32.6%，樣點估測值多數分散在1∶1線兩側。估測模型AGB的為0.918，RMSE為582.9 kg·hm，ARE為18.4%，樣點估測值較為均勻的集中在1∶1線兩側。

泰興市冬小麥拔節期AGB實測值變化范圍為2 067.8～7 919.5 kg·hm，多數集中于 5 469.1～7 016.0 kg·hm。估測模型AGB的估測值較分散，為0.175，RMSE為1 676.7 kg·hm，ARE為33.1%(圖5c)。圖5d中AGB的估測值離1∶1線較近，為0.545，RMSE為1 140.4 kg·hm，ARE為20.5%(圖5d)。因此，估測模型AGB的估測精度也在抽穗期明顯高于估測模型AGB，說明BP神經網絡可以通過不斷迭代將模型自變量和因變量進行非線性擬合，能夠有效提高冬小麥AGB估測精度。

圖5 冬小麥AGB估測模型AGBRA(a和c)和AGBBP(b和d)的估測值和實測值比較

3 討 論

目前，有關遙感估測冬小麥AGB的研究主要是選擇單個或幾個遙感光譜敏感指標，利用回歸分析和神經網絡方法建立較為簡單的回歸模型和神經網絡模型，雖然能夠對局地冬小麥AGB進行估測，但其在異域的適用性還有待驗證與完善。將遙感光譜指標和長勢指標共同作為冬小麥AGB估測模型自變量，可以降低遙感光譜指標對農田土壤背景的敏感性，減小冬小麥AGB估測模型的誤差。冬小麥生長需要經歷多個生長階段，拔節期是莖稈生長的重要階段，也是構建群體有效莖蘗數關鍵期，對水肥豐缺非常敏感。該階段生物量積累的好壞對后期穗分化、孕穗、揚花乃至灌漿均有較大影響，選擇冬小麥這一關鍵期進行AGB估測研究，對于及時獲取冬小麥生長動態和輔助生產管理措施調整頗顯重要。本研究利用冬小麥多個遙感光譜指標與LAI分別建立了冬小麥AGB估測模型AGB和AGB，并分別對泰州泰興市冬小麥拔節期與抽穗期AGB進行模型精度驗證。冬小麥拔節期模型AGB的估測精度為67.4%，模型AGB的估測精度為81.6%。與冬小麥模型AGB比較，模型AGB的估測精度提高了 14.2%。冬小麥抽穗期模型AGB的估測精度為66.9%，模型AGB的估測精度為 79.5%。與冬小麥模型AGB比較，模型AGB的估測精度提高了12.6%，說明利用BP神經網絡建立的冬小麥AGB估測模型能夠更有效估測冬小麥拔節期和抽穗期AGB。

衛星遙感技術具有及時、高效和大范圍等監測特點，利用衛星遙感影像提取冬小麥遙感光譜指標數據，結合冬小麥AGB估測模型AGB，可以實現大面積冬小麥AGB估測，為縣域冬小麥長勢監測與產量估算提供有效參考。通過分析冬小麥AGB衛星遙感估測信息，可快速了解研究區域冬小麥空間分布與生長狀況，有針對性地調整冬小麥水肥管理措施，進而實現糧食豐產增收。對冬小麥多個生長階段生長狀況進行監測，可以考慮將BP神經網絡方法、多時期冬小麥遙感光譜指標和長勢指標進行綜合分析，進一步改進或優化冬小麥估測模型AGB，探索冬小麥多個生長階段(揚花期和灌漿期等)生物量遙感估測的通用方法。