基于Atrous-CDAE-1DCNN的紫丁香高光譜數據的葉綠素含量反演*

高文強，肖志云

(1. 內蒙古工業大學電力學院，呼和浩特市，010080；2. 內蒙古自治區機電控制重點實驗室，呼和浩特市，010051)

0 引言

葉片葉綠素含量與動態變化與植物的光合作用密不可分，是植物光合活性、生長狀況、營養狀況的指示器[1]。因此葉綠素含量的檢測在對植物生長檢測和精密農學中具有重要意義。采用SPAD葉綠素測定儀獲取植物葉綠素含量的相對大小，該方法較傳統的化學測定具有無損檢測的優點，但在測量過程中需多次插入，難以檢測大范圍的葉綠素[2]。高光譜圖像技術具有快速、無損的檢測特點，近年來已經成為分析植物理化參數含量的重要工具。李金敏等[3]利用深度森林算法提升了高光譜反演葉片氮含量的精度和穩定性,并通過多粒度掃描相對減輕過擬合程度，該試驗在少量數據條件下構建深度學習模型并實現葉片氮含量的精準估計。為了簡化高光譜數據處理流程,直接利用原始的高光譜反射率完成從建模到估算作物生長參數的全過程，紀景純等[4]利用偏最小二乘回歸、支持向量回歸和前饋神經網絡3種方法,利用全波段高光譜數據分別對冬小麥多個關鍵生育期(拔節、孕穗、揚花和乳熟期)生長參數(地上部生物量、葉面積指數、全氮含量和葉綠素濃度)進行了估算。張澤等[5]通過研究滴灌棉田地上部植株的氮營養指數,探究建立基于氮營養指數的高光譜指數模型的可行性，為高光譜遙感在農田氮營養快速、準確診斷中的應用提供理論依據。

由于高光譜數據相鄰波段相關性較高，冗余信息較多，導致在處理高光譜數據時增加了計算負擔，影響了計算效率。針對這一問題王玉娜等[6]利用SPA算法對拔節期、抽穗期的冬小麥冠層光譜、一階導數光譜、對數變換光譜和連續統去除光譜對地上部生物量的敏感波段,并結合偏最小二乘法(PLS)分別建立拔節期和抽穗期基于SPA算法的冬小麥地上部生物量估測模型。試驗結果表明SPA算法較好地利用了全波段冠層光譜信息,并顯著降低了光譜維度,不同變換光譜的地上部生物量敏感波段個數在4～14之間。童倩倩等[7]采用數學變換、離散小波變換算法處理分析百香果葉片光譜數據,然后利用相關性分析算法提取敏感波段，并利用偏最小二乘算法構建百香果葉片葉綠素含量估測模型。結果表明以基于離散小波變換L1尺度構建的模型較優，具有較高的估測精度與穩定性。

傳統降維方法都是進行線性變化如PCA，對復雜數據降維無法達到預期的效果，自動編碼器[8-10]可以對相對復雜的非線性關系進行建模，通過對輸入的重構從而實現對高維數據進行特征學習。傳統自動編碼器網絡參數量大，訓練過程長。而卷積自動編碼器[11-12]雖減少了網絡的訓練參數，但由于卷積-池化操作會減少數據維度，在提取特征時會造成大樓特征損失。針對以上問題，本文利用空洞卷積去噪自動編碼器(Atrous-Convolutional Denoising Auto-Encoder，Atrous-CDAE)進行對高光譜數據降維，該網絡利用空洞卷積層[13-15]來代替卷積—池化層進行特征提取，減少數據損失的同時，增加了感受野。由于高光譜數據在采集時因環境影響容易在低高波段處混入噪聲，針對這一問題網絡在訓練過程中，將原始數據加入隨機噪聲作為訓練數據進行輸入，將原始數據作為重構目標進行復現，使網絡具有一定的去除噪聲的能力[16-17]。

本研究利用Atrous-CDAE將紫丁香的高光譜數據進行降維，結合1DCNN對紫丁香葉片葉綠素含量進行反演預測。為減少訓練損耗，采用遷移學習[18-19]訓練方法，將Atrous-CDAE訓練好的權重進行保存，并作為合并后網絡的前半部分的初始值進行訓練。

1 材料與方法

利用Atrous-CDAE-1DCNN方法對紫丁香葉片的葉綠素含量進行反演建模流程如圖1所示。

圖1 利用Atrous-CDAE-1DCNN對紫丁香葉片的葉綠素含量反演建模流程圖

第一步對紫丁香葉片進行采集，第二步分別利用高光譜相機和葉綠素分析儀獲取紫丁香葉片的高光譜數據以及代表其葉綠素含量的SPAD值，第三步對紫丁香葉片的高光譜圖像進行白板校正，第四步利用Atrous-CDAE方法對校正后的紫丁香葉片高光譜數據進行數據降維，最后利用1DCNN方法對降維后的高光譜數據和測量得到的SPAD值進行反演建模。

1.1 數據獲取

1.1.1SPAD值測定

本文紫丁香葉片數據采集地點為內蒙古工業大學校園內(呼和浩特市)，采集方法為對紫丁香樹的東南西北四個方位的葉片進行采集，并將樣本放入袋中進行密封并標記編號，之后帶回到實驗室進行試驗測定。葉綠素含量的測定設備采用手持式植物參數檢測儀，測量過程中將除葉脈部分的葉片進行感興趣區域提取，并使用植物參數檢測儀進行無損檢測。葉綠素含量值以感興趣范圍內SPAD的平均值作為參數指標。

1.1.2 紫丁香葉片光譜測定與處理

測定紫丁香高光譜數據的設備為新型手持式高光譜相機Specim IQ。高光譜相機的攝像頭分辨率為512像素×512像素，采集的光譜總波段數為204個，光譜范圍為400～1 000 nm，光譜分辨率為7 nm。為減少高光譜相機在拍攝過程中受環境的影響，本研究將采集好的紫丁香葉片在實驗室內進行拍攝，與SPAD值的測定同步進行，且測定的感興趣區域應保持一致。最后將采集到的152個樣本數據進行數據集劃分，將其75%的數據樣本即114個作為訓練集，25%的數據樣本即38個作為預測數據。

針對在拍攝過程時，因光照強度不均勻以及暗電流等因素帶來的試驗影響，本文采用白板校正方法即拍攝高光譜數據時將白板與葉片同時進行拍攝以消除環境不匹配問題，校正公式如式(1)所示。

(1)

式中：R——校正之后的圖像；

W——標準白板得到全白標定圖像；

B——相機全黑的標定圖像；

I——原始高光譜圖像。

1.2 高光譜數據降維

1.2.1 自動編碼器

高光譜數據相鄰波段間具有較高的相關性，使用傳統的線性降維方法處理效果有限，自動編碼器(Auto-Encoder，AE)是一種非線性無監督的降維方法，該網絡結構由編碼器和解碼器兩部分組成，具有數據復現的功能。本文使用AE對高光譜數據進行降維，減少數據中冗余信息和模型訓練的計算量。圖2為利用AE對高光譜數據進行降維的過程，第一步將原始高光譜數據(204×1)輸入到網絡中，第二步通過兩次全連接層將高光譜數據信息特征減少到(51×1)獲得高光譜數據的潛在表征，第三步通過增加全連接層中神經元個數將數據復現。表1為AE的網絡結構以及具體參數的分布情況。AE模型訓練使用的損失函數為MSE(Mean Squared Error)，該損失函數可以反映出數據集的離散程度，用于分析數據的回歸預測問題，其計算公式如式(2)所示。

表1 AE的網絡結構與參數

圖2 利用AE對高光譜數據降維

(2)

式中：fi——模型的預測值；

yi——模型的真實值；

n——訓練樣本的個數。

1.2.2 卷積自動編碼器

卷積操作具有局部感知和參數共享的優點如圖3(b)所示，卷積層中的神經元只與相應數據部分進行連接，相比于圖3(a)的全連接層極大減少了神經元的數量，并且在卷積過程中卷積核可以對原始數據的不同位置的特征進行提取，實現了權值共享，圖中b為神經網絡中的偏置值。卷積神經網絡將卷積層與池化層連接，池化層具有旋轉不變性，數據降維的特點。因此利用卷積—池化操作可以提取數據特征，減少了訓練參數，防止訓練過程出現過擬合。圖4為利用卷積自動編碼器(Convolutional-Auto-Encoder，CAE)對高光譜數據進行數據降維的過程，第一步將原始高光譜數據(204×1)輸入到CAE中，第二步通過兩次卷積—池化操作將高光譜數據信息特征減少到(51×1)獲得高光譜數據的潛在表征，第三步通過卷積—上采樣操作將數據復原進行輸出，模型的損失函數為MSE。表2為CAE的網絡結構以及具體參數的分布情況。

(a) 全連接層操作

圖4 利用CAE對高光譜數據降維

1.2.3 空洞卷積自動編碼器

由于常規的卷積—池化操作對數據特征的提取會造成部分原始數據的損失。針對這一問題本文引入了空洞卷積層來代替常規的卷積—池化操作，空洞卷積結構簡單，其原理是在普通卷積中進行零填充如圖3(c)所示。空洞卷積操作在保持響應層數據信息的無損失同時，大幅度增加卷積計算的感受野。圖5為利用空洞卷積自動編碼器(Atrous-Convolutional Auto-Encoder，Atrous-CAE)對高光譜數據進行數據降維的過程，第一步將原始高光譜數據(204×1)輸入到Atrous-CAE中。第二步利用兩次常規卷積和空洞卷積的組合操作進行特征提取，將高光譜數據信息特征減少到(51×1)獲得高光譜數據的潛在表征。第三步通過卷積—上采樣操作將數據復原進行輸出, 模型的損失函數為MSE。表3為Atrous-CAE的網絡結構以及具體參數的分布情況。

圖5 利用Atrous-CAE對高光譜數據降維

1.2.4 去噪自動編碼器

針對高光譜數據在采集過程中，光譜曲線在低波段和高波段易受噪聲干擾的問題，本文通過應用去噪自動編碼器(Denoising-Auto-Encoder,DAE)的訓練方式來提高模型的去噪能力，主要改進為原始高光譜數據中的低高波段加入隨機噪聲作為網絡的輸入，目標重構數據為原始數據。利用這種訓練方式使自動編碼器從帶有噪聲的數據信息中學習到有用的光譜特征，使網絡具有一定的抗噪聲的能力。圖6為利用傳統去噪自動編碼器(DAE)、卷積去噪自動編碼器(CDAE)、空洞卷積去噪自動編碼器(Atrous-CDAE)對5組加入隨機噪聲的高光譜數據進行復現預測的對比圖(由于篇幅原因，此處只列舉第一組數據對比圖)，結果表示三種網絡結構都具有一定的去除噪聲能力，可以從混入噪聲的數據中提取出重要的特征信息，并將無噪聲數據進行復現。

(a) 第1組加入噪聲數據

1.3 1DCNN模型

傳統機器學習算法對高光譜數據進行反演預測的精度不高，針對這一問題，本文利用1DCNN模型對紫丁香葉片的葉綠素含量進行反演預測。表4為1DCNN的具體參數分布，其中參數a為輸入數據長度。第一步將數據進行輸入，經過三次的卷積—池化操作提取特征，卷積—池化操作包括兩個卷積層和一個池化層，其中池化層大小為2，池化步長為2，池化后的數據大小減少到原來的二分之一。第二步將最后一個池化層的輸出數據進行平鋪展開，并于全連接層進行連接。第三步將全連接層次D1與輸出層Out相連接，其中Out層僅含有一個神經元以實現反演預測的作用，模型的損失函數為MSE。

表4 1DCNN結構與參數

2 試驗結果與分析

2.1 不同模型對葉綠素含量的反演預測結果

為選取出最佳的反演模型，本文對原始高光譜數據(X)、原始高光譜數據的導數(D1)以及四種降維后的高光譜數據進行建模預測，其中四種降維方法分別為PCA、DAE、CDAE以及Atrous-CDAE。四種建模方法包括回歸決策樹(DTR)、BP神經網絡(BP)、支持向量回歸(SVR)以及1DCNN。圖7為利用四種建模方法對6組高光譜特征數據進行反演預測的結果散點圖，其中橫坐標代表葉綠素的實測值含量，縱坐標表示對應數據和模型的預測值。結果表明，使用Atrous-CDAE降維后的高光譜數據進行反演預測，其預測結果較其他方法降維的數據更接近在1∶1線。說明利用Atrous-CDAE可以從原始高光譜數據中提取出重要的特征信息，減少冗余數據，使其預測結果接近于實測值含量。利用1DCNN模型對每一種數據進行反演預測的結果較其他方法更接近于1∶1線，而利用DTR和BP對X、D1、DAE、Atrous-CDAE的預測結果以及利用SVR方法對CDAE四組數據進行預測的結果偏離1∶1 線較為嚴重，表明1DCNN算法相比于其他算法不僅具有較高的預測精度，而且還有較強的適用性。試驗結果表明，利用Atrous-CDAE進行數據降維并結合1DCNN模型進行預測的結果最好，證明這種組合模型的預測精度更高。

(a) X-DTR預測結果

表5、表6為利用不同模型對紫丁香葉片葉綠素含量進行預測的R2和RMSE，在測試集中使用1DCNN模型對經過Atrous-DCAE降維后的高光譜數據進行反演預測的預測效果最好，其R2為0.972 3，RMSE為1.326 6。相比于使用DAE和CDAE的降維方法，由于Atrous-CDAE利用空洞卷積結構代替池化層降維減少了原始高光譜數據的損失，相比于傳統的全連接層的自動編碼器減少了參數量，有效地提取高光譜數據曲線的特征信息，四種模型的預測結果表明，利用Atrous-CDAE降維的數據預測結果總體上較其他兩種DAE更優，且通過該方法降維結合1DCNN模型進行反演預測的結果相比PCA降維的預測結果更好。利用本文所提的1DCNN模型，對6組數據進行反演預測的R2都在0.94以上，對6組數據反演預測的RMSE都在2以下，且該模型對原始數據、PCA降維數據、三種DAE降維的數據的反演預測結果要優于其他預測模型，結果表明，該模型對不同方法處理后的高光譜具有一定的適用性。

表5 測試集的決定系數

表6 測試集的均方根誤差

2.2 Atrous-CDAE-1DCNN

遷移學習可以小樣本情況下提高模型精度和泛化能力，并獲得較好的訓練結果。本文將Atrous-CDAE的編碼部分與1DCNN相連接，并利用遷移學習方法將訓練后的Atrous-CDAE模型中編碼部分權重進行提取，作為Atrous-CDAE-1DCNN中Atrous-CDAE編碼部分的初始權重。如圖8所示，Atrous-CDAE-1DCNN網絡結構由Atrous-CDAE的編碼環節和1DCNN兩部分組成。在Atrous-CDAE的編碼部分，通過利用兩次常規卷積和空洞卷積的組合操作，提取出原始高光譜數據的潛在表征作為降維后的數據。在1DCNN部分將Atrous-CDAE降維后的高光譜數據經過三次卷積池化操作進行特征提取，并與平鋪展開層和全連接層連接實現反演預測。

圖8 Atrous-CDAE-1DCNN的網絡結構

圖9為利用Atrous-CDAE-1DCNN方法對紫丁香葉片葉綠素含量預測的結果，結果表明使用本文所提的Atrous-CDAE-1DCNN方法不僅可以充分利用紫丁香葉片的高光譜圖像信息，而且對其葉綠素含量的預測具有較高的預測精度和擬合效果，該方法為今后利用高光譜圖像技術反演預測植物理化參數提供一個新思路。

圖9 Atrous-CDAE-1DCNN方法對紫丁香葉片葉綠素含量預測的結果

3 結論

1) 本研究提出了一種基于高光譜的葉綠素含量的預測模型Atrous-CDAE-1DCNN，該模型將Atrous-CDAE與1DCNN結合并通過遷移學習方法進行權重訓練，并實現了對紫丁香葉綠素含量的預測。

2) 在Atrous-CDAE訓練過程中，將帶噪聲的高光譜數據作為輸入，重構無高光譜數據，使網絡具有一定的抗噪性。網絡結構上利用空洞卷積操提取高光譜數據的特征，將原始高光譜數據的204維數據降低到51維。結果表明，利用該方法進行數據降維較傳統的DAE的參數更少，相比利用卷積—池化進行特征提取的網絡結構減少數據損失，為1DCNN模型的反演預測提供了必要保證。

3) 在1DCNN中，將降維后的數據經過三次特征提取操作，并與全連接層連接實現回歸預測，在預測集中R2達到0.972 3，RMSE為1.326 6。與其他模型的預測結果相比，本文所提出的預測模型在對丁花香葉綠素含量的預測中取得了最佳性能。