基于无人机多光谱遥感的矮林芳樟光合参数估测

鲁向晖 龚荣新 张海娜 王 倩 张 杰 谢荣秀,2

(1.南昌工程学院江西省樟树繁育与开发利用工程研究中心, 南昌 330099;2.江西省鄱阳湖流域生态水利技术创新中心, 南昌 330029)

0 引言

芳樟(Cinnamomumcamphora(Linn.) Presl)是我国南方重要的木本精油植物,在医药、化工、食品领域都有广泛的应用,具有较高的经济价值。近年来矮林芳樟精油产业在我国南方地区发展迅速,已成为地方林业经济发展的特色产业[1-4]。植物光合作用作为地球上最重要的化学反应过程,其光合效率是植物生产力和作物产量的决定性因素[5],因此,作为林业生产的核心,各种林业生产制度和措施都是为了更大限度地满足植物的光合作用[6-7]。光合参数主要指净光合速率(Pn)、胞间二氧化碳浓度(Ci)、气孔导度(Gs)和蒸腾速率(Tr)4个指标,是反映植物生长状态的重要特征参量[8]。对植物的光合参数进行快速精准监测,及时指导农业生产田间管理制度的制定,已成为精准农业发展必要需求。

Pn、Ci、Gs、Tr等光合参数虽然可以很好地反映植物生长状况,但是使用光合作用测定仪(Li-6400型)的测定方法消耗时间长,受天气条件限制性较强,操作难度高,不易普及,且结果不具备适时性[9]。近年来,无人机遥感技术的发展为植物生长状况的实时监测提供了新思路。无人机具有低成本、易操作、高时空分辨率等一系列优点,可以实现对某一区域遥感影像的快速获取,能迅速而准确地完成区域内植物生长状况监测,并为更大范围农情采样估算提供便利。汪旭等[10]采用大疆精灵4型多光谱无人机对甜菜叶丛快速生长期和块根糖分增长期进行监测,建立了多种植被指数对甜菜叶绿素含量的反演模型,其决定系数R2高达0.76;徐云飞[11]以冬小麦为研究对象,建立了叶绿素相对含量、地上生物量、植株含水率和株高4种生长参数与多光谱植被指数的联合反演模型,其R2达到0.91。以上研究表明无人机多光谱技术可以在较大面积范围快速且准确监测植物生长状况。

由于无人机多光谱技术在植物生长监测领域具有独特优势,相应研究也开始应用于植物的光合参数监测。陈俊英等[12]使用六旋翼无人机搭载多光谱相机采集不同时间段棉花冠层光谱数据,并同步采集棉花冠层叶片的Pn、Ci、Gs、Tr 4种光合参数,建立了4种光合参数与敏感波段光谱反射率的反演模型,其R2最高分别为0.71、0.59、0.85、0.66。以上研究说明利用光谱技术监测植物光合参数具有相对可行性,但目前利用无人机平台搭载多光谱相机对林木光合参数的反演研究还鲜有报道。

本研究以矮林芳樟为研究对象,通过无人机搭载的多光谱相机获取矮林芳樟冠层六波段光谱反射率,同步测量其光合参数,计算植被指数,对光合参数与植被指数和光谱反射率进行相关性分析,使用最佳指数因子(OIF)降维及筛选光谱波段和植被指数组合作为模型自变量,采用偏最小二乘法(PLS)、反向传播神经网络(BPNN)和随机森林(RF)构建自变量与光合参数的估算模型,并依据决定系数R2、均方根误差(RMSE)、相对分析误差(RPD)3种评价指标筛选出最优模型,以期建立高效的矮林芳樟光合参数估算方法,为矮林芳樟精油及其他矮化林业现代化田间管理方法提供技术支持。

1 材料与方法

1.1 研究设计

研究区位于江西省南昌市南昌工程学院樟树种质资源圃,坐标为(28°41′40.85″N,116°01′41.18″E),属亚热带湿润季风气候,年平均气温17℃,年降水量1 600 mm,土壤质地为红壤土,土壤为微酸至中性,为矮林芳樟生长提供了有利条件,研究区示意图及试验区无人机影像如图1所示。

图1 研究区示意图与试验区无人机影像Fig.1 Research area schematic and drone imagery with the test area

研究区设66个小区,每个小区种植3行3列共9株矮林芳樟,株行距1 m,每个样本小区3 m×3 m,于试验区采集光谱数据及矮林芳樟冠层光合参数共66份有效样本,随机选择58份样本作为建模集,剩余样本作为验证集,分别基于PLS、BPNN和RF模型估算矮林芳樟光合参数,并验证和对比不同分析模型的估算精度。

1.2 数据获取

1.2.1无人机数据获取

本研究采用大疆经纬M300RTK型四旋翼无人机搭载MS600pro型多光谱相机平台获取遥感数据,其中多光谱相机包含6个光谱通道,波段参数如表1所示。多光谱影像于2022年9月25日上午拍摄,天气晴朗无云,根据研究区范围规划飞行航线,并进行白板校正,飞行高度设置为30 m,设置速度为2.5 m/s,像元分辨率为4.09 cm,选用自动捕获模式,航向重叠度为75%、旁向重叠度为65%。

表1 无人机多光谱相机波段参数Tab.1 UAV multispectral camera band parameters nm

1.2.2矮林芳樟光合参数获取

同一时段利用Li-6400型便携式光合作用测定仪测定矮林芳樟光合参数。设置光照强度为1 500 μmol/(m2·s),叶室内二氧化碳浓度(Mixer)为400 μmol/mol,在66个矮林芳樟小区中进行田间测量,每个小区选3株长势均匀的矮林芳樟,每棵树随机选取3片中上部健康的成熟叶片测量光合参数取平均值,共获得66组样本数据。光合参数具体包括净光合速率(Pn)、蒸腾速率(Tr)、气孔导度(Gs)、胞间二氧化碳浓度(Ci)。

1.3 数据处理

1.3.1无人机数据处理

本研究使用Yusense Map航空遥感预处理软件对获取的无人机图像拼接处理,并进行几何校正和辐射校正预处理,将预处理后的无人机多光谱影像信息导入ENVI软件,在研究区每个小区中选定一个感兴趣区域(Region of interest,ROI),截取芳樟叶片的影像,剔除土壤和阴影的影响波段如图2所示,以每个ROI内矮林芳樟叶片样本的平均反射光谱,作为该小区的光谱反射率。

图2 去除阴影和土壤的叶片影像Fig.2 Remove shadow and soil from leaf images

1.3.2植被指数计算

植被指数指从多光谱遥感数据中提取的有关地球表面植被覆盖状况的定量数值,通常是用红波段和近红外波段通过数学运算后得到[13]。本文选用归一化植被指数(NDVI)[14]、绿色归一化植被指数(GNDVI)[14]、增强型植被指数2(EVI2)[15]、红边叶绿素指数(CIrededge)[16]、绿波段叶绿素指数(CIgreen)[15]、土壤调节植被指数(SAVI)[15]、修正比值植被指数(MSR)[17]、转换型叶绿素吸收反射率指数(TCARI)[17]共8种植被指数。

1.3.3敏感波段和植被指数组合筛选

本研究使用皮尔逊相关系数(Pearson)筛选与光合参数相关性较高的敏感波段光谱反射率和植被指数,皮尔逊相关系数可以用来线性度量2个变量x和y之间的相关性,其范围为[-1,1],其中1是总正线性相关性,0是非线性相关性,-1是总负线性相关性[18]。为减少信息冗余对数据降维,采用最佳指数因子(Optimum index factor,OIF)法,利用Matlab计算每3个波段的OIF值ROIF,其计算公式为

式中,S1、S2、S3分别为6个波段反射率和8种植被指数中随机3组数据的标准差,R12、R13、R23分别为6个波段反射率和8种植被指数中任选3组数据间的相关系数[19-20]。OIF值越大说明变量之间的标准差越小,自变量组合数据质量越优[21]。

1.3.4模型构建

本研究模型均在Matlab 2021a软件中运行,以OIF值最大的光谱波段反射率和植被指数组合作为自变量,分别采用偏最小二乘(PLS)、反向传播神经网络(BPNN)、随机森林(RF)构建矮林芳樟光合参数估算模型。

偏最小二乘法将典型相关分析、主成分分析和多元线性回归的优势集于一体,为解决多变量对多变量问题提供了很好的途径[22]。随机森林是决策树的组合,将许多决策树联合到一起,以降低过拟合的风险,在以决策树为机器学习构建Bagging集成的基础上,进一步在决策树的训练过程中引入了随机属性选择[23]。本研究采用10折交叉验证的网格搜索方法调节随机森林参数,设置叶子节点数为4,决策树数量为120。BPNN是指采用误差反向传播的多层神经网络,包括输入层、隐含层和输出层,各层之间通过相应的激活函数、权值和阈值连接[24]。本研究中的BP神经网络估计模型是使用Matlab的Neural-Net-work工具箱构建的,基于数值优化理论,将隐含层的传递函数设置为trainrp函数,网络训练采用L-M(Levenberg-Marquardt)算法,该算法是一种迭代算法,具有在网络参数较少的情况下,达到较快收敛速度的特点,网络具有两层,第1层4个神经元,第2层3个神经元,最大迭代次数设置为50 000,学习率为0.1,确定目标值为6.5×10-4,到此值时训练停止,神经网络训练后进行模拟,得到模拟值[25]。

1.3.5模型精度评价

为选出最理想的模型,并对其可靠性和预测结果的精准性进行检验,选取R2、RMSE和RPD[26],R2越趋近1,表明模型的拟合性越强;RMSE越接近于0,模型的拟合性越强;RPD为标准差与其均方根误差之比,当RPD大于1.4时可以预测模型,RPD大于2时预测效果较好[27]。本研究对4种模型的精度参数进行统计和比较,以更直观选择最优模型。

2 结果与分析

2.1 样本集数据分析

实际测量的矮林芳樟光合参数统计结果如表2所示,样本数为66,Pn、Ci、Gs、Tr的变异系数分别为0.13、0.19、0.29和0.34,离散程度均较大,说明不同处理对矮林芳樟光合参数影响较大。

表2 样本集数据分析Tab.2 Data analysis of sample set

光谱波段和植被指数与矮林芳樟光合参数的相关系数分别如表3和表4所示。可以看出4种光合参数与所选敏感波段和植被指数均显著负相关,表明使用光谱波段和植被指数估测矮林芳樟光合参数具有相对可行性。其中6个波段光谱反射率和EVI2、CIrededge、CIgreen、SAVI、MSR、CARI 6种植被指数与Pn、Ci、Gs、Tr 4种光合参数的相关性均在0.01水平上显著。Pn与MSR和CIgreen相关系数最高,均达到-0.87;Ci与RE1相关系数最高为-0.69;Gs与Tr均和EVI2相关性最好,相关系数分别为-0.82和-0.81,而NDVI、GNDVI与4种光合参数相关性均较差。经Matlab计算RE2、EVI2、CIrededge组合的OIF值最大,为0.012 6,该自变量组合数据质量最优,可作为模型输入量。

表3 单波段光谱反射率与矮林芳樟光合参数的相关系数Tab.3 Correlation between single-band spectral reflectance and photosynthetic parameters of Cinnamomum camphora

表4 植被指数与矮林芳樟光合参数的相关系数Tab.4 Correlation between vegetation index and photosynthetic parameters of Cinnamomum camphora in dwarf forest

2.2 基于PLS估算

基于PLS的矮林芳樟Pn、Ci、Gs、Tr 4种光合参数拟合结果见图3,建模集的R2分别为0.77、0.45、0.70、0.85,RMSE分别为1.05 μmol/(m2·s)、27.92 μmol/mol、0.04 mol/(m2·s)、0.35 mmol/(m2·s),RPD分别为2.10、1.36、1.84、2.53;验证集的R2分别为0.76、0.30、0.72、0.76,RMSE分别为1.11 μmol/(m2·s)、29.95 μmol/mol、0.03 mol/(m2·s)、0.72 mmol/(m2·s),RPD为1.73、0.84、1.82、1.03。基于PLS的矮林芳樟Gs、Tr与Pn估算模型R2均不小于0.72,高于Ci模型,且Gs模型RPD最高,因此基于PLS的矮林芳樟Gs估算模型精度最高。

2.3 基于BPNN估算

基于BPNN的矮林芳樟Pn、Ci、Gs、Tr 4种光合参数拟合结果见图4,建模集R2分别为0.85、0.81、0.80、0.82,RMSE分别为 0.85 μmol/(m2·s)、16.23 μmol/mol、0.03 mol/(m2·s)、0.37 mmol/(m2·s),RPD分别为2.59、2.33、2.28、2.37;验证集R2为0.81、0.73、0.83、0.76,RMSE为1.46 μmol/(m2·s)、18.37 μmol/mol、0.03 mol/(m2·s)、0.67 mmol/(m2·s),RPD为1.39、1.86、2.67、1.20。基于BPNN的矮林芳樟4种光合参数模型精度相近,模型均拥有较高准确性。

图4 基于BPNN的矮林芳樟光合参数估算Fig.4 Estimation of photosynthetic parameters of Cinnamomum camphora in dwarf forest based on BPNN

2.4 基于RF估算

基于RF的矮林芳樟Pn、Ci、Gs、Tr 4种光合参数拟合结果见图5,基于RF的矮林芳樟Pn估算模型建模与预测集呈现负相关,4种光合参数建模集R2分别为0.69、0.71、0.80、0.73,RMSE分别为3.66 μmol/(m2·s)、20.35 μmol/mol、0.03 mol/(m2·s)、0.46 mmol/(m2·s),RPD分别为0.60、1.86、2.28、1.93;验证集R2为0.72、0.70、0.78、0.74,RMSE为4.10 μmol/(m2·s)、16.11 μmol/mol、0.03 mol/(m2·s)、0.59 mmol/(m2·s),RPD为0.40、1.75、2.10、1.28。基于RF的矮林芳樟Gs估算模型R2和RPD均最高,因此利用RF模型估算Gs较其它光合参数更准确。

图5 基于RF的矮林芳樟光合参数估算Fig.5 Estimation of photosynthetic parameters of Cinnamomum camphora in dwarf forest based on RF

2.5 模型评价

为对比和选择最优模型,将3种模型精度参数统计于表5。基于BPNN模型的Pn建模集和验证集有最高的决定系数,分别为0.85和0.81,建模集RMSE最小,为0.85 μmol/(m2·s),是其最优模型,基于PLS模型的Pn建模集和验证集R2次之,分别为0.77和0.76,验证集RMSE最小,为1.11 μmol/(m2·s),2种模型建模集RPD均大于2,验证集RPD均大于1.4,可以很好地估测样本,而Pn的RF模型建模集和验证集R2均最小,RMSE最大,RPD小于1,模型估测样本能力较差。对于Ci,BPNN模型为其最优模型,建模集和验证集R2均最高,分别为0.81和0.73,RPD均大于1.8;Ci的PLS模型建模集和验证集R2小于0.5,RPD小于1,无法作为Ci的估测模型。Gs的BPNN、PLS、RF 3种模型建模集和验证集R2均大于0.70,RMSE均小于0.1 mol/(m2·s),BPNN的RPD最大,验证集RPD达到了2.67,比RF和PLS分别高0.57和0.85,因此BPNN为Cs的最优模型。Tr的BPNN模型建模集R2虽然低于PLS模型,但是验证集R2为0.76,比PLS和RF分别高0.04和0.02,建模集和验证集RMSE均小于1 mmol/(m2·s),RPD均大于2,故选BPNN为Tr最优模型。

表5 模型精度对比Tab.5 Comparison of model accuracy

3 讨论

在对光合参数与光谱波段皮尔逊相关系数的研究中发现,Pn、Ci、Gs、Tr 4种光合参数与敏感波段均为负相关,这与陈硕博[28]利用无人机多光谱估算棉花光合参数发现上午(11:00)Pn、Gs、Tr与光谱波段显负相关而Ci与光谱波段呈正相关的结论不同,这可能是因为光合参数的测量受不同地区气候、植物品种影响造成差别。此外Pn、Ci、Gs、Tr 4种光合参数均与红边波段有较高的相关系数,这可能是因为红边波段处于近红外与红光波段之间快速变化的区域,对植被叶绿素的微小变化较敏感[29],导致光合参数对红边波段更敏感。

在模型构建中BPNN模型在光谱波段和植被指数组合上对Pn、Ci、Gs、Tr 4种光合参数估算的模型精度均高于PLS和RF模型,这表明BPNN模型在对光合参数的估算中比其他模型更具优势。李诗瑶等[30]利用无人机多光谱遥感估算玉米SPAD值和邱春荣[31]利用光谱波段估算油菜SPAD值也得出相似结论。而RF模型整体表现较差,其在对Pn、Gs、Tr 3种光合参数的估算模型精度均最低。

导致以上结果可能是因为RF在解决回归问题上,并没有像它在解决分类问题中表现的那么好,并不能给出一个连续的输出,当进行回归分析时,某些特定的噪声数据在建模时容易出现过拟合[32];PLS是将系统中的数据信息进行分解和筛选,对因变量解释性最强的综合变量进行提取,改善多元数据维度高、噪声大等问题,克服变量多重相关性在系统建模中引起的不良作用,更加适合小样本的模型构建,在本研究中取得比RF模型更好的结果,但PLS在面对非线性问题时并不能很好的处理[33];与前两者比较,BPNN模型具有更高的模型精度,可能归因于其非线性函数逼近能力强[34],具有较高的自学习和自适应能力,以及较高的容错能力来应对测量中出现的误差,使之相较其它模型更适用于矮林芳樟光合参数的估算。本研究所得出的反演模型仅适用于本次测量结果,对于不同生长期矮林芳樟以及不同品种、地区、时段内矮林芳樟光合参数的估算还有待于进一步研究。因此,后续模型优化可以扩大样本数量,进一步筛选对矮林芳樟更敏感的光谱波段和植被指数,并根据矮林芳樟不同品种和生长期分别讨论和建立模型,以期得到更准确和全面的矮林芳樟光合参数估算模型。

4 结论

(1)Pn、Ci、Gs、Tr 4种光合参数与光谱反射率和所选植被指数均显负相关,其中叶片RE2、NIR波段反射率与光合参数密切关系,EVI2、CIrededge、CIgreen、SAVI、MSR、TCARI 6种植被指数与光合参数的相关系数绝对值均大于0.6。

(2)RE2、EVI2、CIrededge组合的OIF值最大,为0.012 6,可作为模型自变量的最佳组合。

(3)在Pn、Ci、Gs、Tr 4种光合参数的估算模型中,BPNN模型精度最优,其建模集R2分别为0.85、0.81、0.80、0.82,RMSE分别为0.85 μmol/(m2·s)、16.23 μmol/mol、0.03 mol/(m2·s)、0.37 mmol/(m2·s),RPD分别为2.59、2.33、2.28、2.37;验证集的R2为0.81、0.73、0.83、0.76,RMSE为1.46 μmol/(m2·s)、18.37 μmol/mol、0.03 mol/(m2·s)、0.67 mmol/(m2·s),RPD为1.39、1.86、2.67、1.20。因此,BPNN模型作为矮林芳樟光合参数建模的首选方法,可以快速准确地监测其光合参数。