利用高光谱相机精准估算小麦生物量

以下是利用高光谱相机进行小麦生物量估算的一般流程：

1. 数据采集：使用搭载高光谱相机的无人机或地面平台，在小麦生长的关键时期获取高光谱图像数据。确保在采集数据时，光照条件和相机参数保持一致，以获得具有可比性的数据。

2. 数据预处理：对获取的高光谱图像进行预处理，包括噪声去除、大气校正、几何校正等步骤。这一步骤旨在提高数据质量，减少非生物因素对光谱的影响。

3. 特征选择与提取：基于先验知识或统计分析，选择与小麦生物量相关的特征波长或植被指数。例如，归一化差异植被指数(NDVI)是常用的植被指数，与生物量有较好的相关性。通过计算这些特征，可以量化小麦的生长状况。

4. 建模与验证：利用机器学习算法（如偏最小二乘回归、支持向量回归等）建立小麦生物量与提取的光谱特征之间的定量模型。使用一部分数据作为训练集来训练模型，并用另一部分独立的数据作为验证集来评估模型的性能。通过调整模型参数和算法，优化模型的预测精度。

5. 生物量估算：将建立好的模型应用于新的高光谱数据，实现对小麦生物量的预测和估算。这些预测结果可以提供关于小麦生长状态、产量潜力的信息，为农业生产管理提供决策支持。

需要注意的是，高光谱相机估算小麦生物量的准确性受到多种因素的影响，如品种差异、生长环境、数据采集和处理方法等。因此，在实际应用中，建议结合地面观测数据和其他农学参数，对模型进行修正和校准，以提高估算结果的准确性和可靠性。

相关实验研究：

本研究应用了400-1000nm的高光谱相机，可采用广东赛斯拜克科技有限公司产品SP130M进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。

1 材料与方法

1.1 试验设计

为反映通常情况下区域性小麦的生长及品质的特点，试验区域为北京顺义区和昌平区有代表性的农田，该区气候为典型的暖温带半湿润大陆性季风气候，夏季炎热多雨，冬季寒冷干燥，春、秋短促。年平均气温10～12℃,降雨量600多mm,降水季节分配很不均匀，全年降水的80%集中在夏季6、7、8三个月。

试验于2003年进行。选择冬小麦地20余块，面积大于50亩，地块平坦，长势均匀。地块由北京农业技术推广站提供，这些地块属于北京优质小麦订单生产地。由农民耕作，采用通常的肥水管理，不进行特殊处理，小麦品种是当前推广的高蛋白品种，如京冬8号、京9507等。小麦地块分布于北京郊区(图1),图中对应的红点为选择的小麦样地。

1.2测试方法

小麦冠层光谱测量使用ASD Fieldspec FR2500光谱仪。所有光谱测量是在天气晴朗，无风或风速很小时测量的，测量时间为9:00～15:00。视场角25°,距地有150 cm,在视场范围内重复20次取平均，各测量前后利用参考板进行校正。2003年获取地面光谱8次，时间分别为：3月30日，4月7日，4月15日，4月23日，5月1日，5月9日，5月17日和5月25日。

生物量测定方法：采用干重法，即破坏性取样，烘干测定。

1.3研究方法

对在上述实验区得到的光谱数据选取特征波段，计

算得到高光谱植被指数。本文选取了9种较常用的高光谱植被指数，分别是：1.RVI——比值植被指数RatioVegetation Index;2.NDVI——归一化植被指数NormalizedDifference Vegetation Index; 3.NDVIgreen——绿波段植被指数Normalized Difference Vegetation Index in green;

4.SAVI-—调整土壤亮度的植被Soil-Adjusted Vegetation

Index;5.OSAVI——土壤调节植被指数OptimizedSoil-Adjusted Vegetation Index; 6.MSAVI——土壤调整植被指数Modified Soil Adjusted Vegetation Index;

7.MCARI——叶绿素吸收比值指数Modified ChlorophyllAbsorbtion Reflectance Index;8.TCARI改进型的叶绿素吸收比率指数Transformed Chlorophyll Absorption inReflectance Index;9.RDVI——重规一化植被指数Re-normalized Difference Vegetation Index.详见表1。

本次试验共采集了168组冠层高光谱植被指数和其相应的生物量进行传统回归分析，随机分成两类，其中一类用于模型训练，包含112组数据：另一类用于检验模型拟合结果，包含56组数据。相关植被指数据相关的波谱数据运算所得。

误差反向传播(back-propagation简称BP)算法是目前人工神经网络(ANN--artificial neural network)中应用最广泛的学习算法，BP神经网络是一种采用有导师训练学习方式的前馈型网络，它从导师样本中学习并获取知识，然后在导师训练模型引导下对数据库中的信息进行

目标查找、模式识别和属性分类等。最基本的BP神经网络由输入层、中间隐含层、输出层3层构成，这种网络具有高度非线性映射能力和良好稳健性模式识别特点。BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，样本从输入层传入，经隐含层处理后传至输出层。如果输出层的实际输出与期望输出不符，则转入误差反向传播，即将输出误差以某种形式通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，进行权值修正。如此循环往复进行权值修正就是网络的学习训练过程，此过程一直进行到网络输出误差减少到可接受的程度[]。网络训练过程中，需要指定循环次数，如果循环次数达到时，模式最大允许误差尚未满足要求，运算将停止，然后进行参数调整，重新训练。最后用训练好的网络进行分类，

获得各类目标的信息分布特征。

决定系数R可以判断实测值和预测值的线性拟合度，但是由于光谱植被指数和作物氮素含量间存在的非线性关系，它无法提供有关光谱预测能力的信息。因此，本文使用均方根误差(RMSE)和T值检验，来选择最佳结果。其表达式如下：

本文数据处理和神经网络训练均采用Matlab 7.0(Mathworks,USA)。

2结果与分析

2.1回归分析

图2清楚显示光谱与生物量的关系，在660～760nm波段，相关系数的绝对值达到峰值，为0.68,这与其他学者的研究结果类似415],在近红外波段，相关系数较低；780nm以上波长的光谱与生物量表现出显著相关。

比较各种回归模型，各植被指数与生物量的对数回归模型具有较高的决定系数，各决定系数结果如表2所示，其中NDVI、NDVIgreen、SAVI、OSAVI和MSAVI与氮素含量具有较高的相关系数(R²>0.5)。这主要是由于NDVI、NDVIgreen、SAVI、OSAVI和MSAV主要受氮素含量影响，对高氮素水平更敏感，而氮素含量与生物量有很大的相关性，这从它们的表达式中也可以看出。

2.2神经网络分析

本文采用BP神经网络含有1个输入层、2个隐含层和1个输出层。1个输入层即为每类植被指数；第一个隐含层包含16个神经元，第二个隐含层包含8个神经元；1个输出层即为植株氮素含量。为了更好地训练网络，首

先对输入向量进行归一化处理，初始训练速率为0.05,初始权重和阀值为任意值。网络训练结果见表3。

图3中横坐标为植株生物量实测值，纵坐标为各模型估测值。当实测值大于0.01时，估测值达到一个平台值

(约为0.04)。

2.3 BP神经网络与统计回归模型比较

结果显示，神经网络方法较传统的回归模型有更佳

的拟合效果(见表3)。使用神经网络方法可以得到更高的R²和T值，以及较低的RMSE。从表3中看出，对于TCARI,采用神经网络方法，R²比对数回归方法提高了

74.45%,RMSE减小了24.53%,而在NDVlgreen中T

值提高了99.8%之多。对于RMSE和T值改进最为显著的植被指数有SAVI、MSAVI和MCARI。因此，人工神经网络模型可以改进作物光谱植被指数和生物量的相关性，预测范围也有所扩展。

3结 论

小麦生物量和其高光谱植被指数的量化为改进遥感作物诊断提供更好的平台，并可以扩展应用于作物其它生化变量的估算。由于植被指数和作物生物量的复杂非线性关系，人工神经网络方法应用于作物的生物量诊断，取得了较好的效果，比较传统的回归模型，本文采用的BP神经网络模型表现出明显的估算优势，显著改进了传统的分析方法。