高光譜、RTM 模型、特征選擇以及遷移學習在區(qū)域作物長勢監(jiān)測中的應(yīng)用
研究材料
冠層光譜模擬
在該研究中，作者使用 PROSAIL 模型進行冠層光譜模擬�；诓煌瑓�(shù)的隨機組合，總共模擬生成了 100,000 個冠層光譜。模擬數(shù)據(jù)集被用于 LCC 特征波段選取和訓練基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的 LCC 預測模型。該模型用于后續(xù)遷移學習，提高 LCC 反演精度。
該研究于 2013 年和 2014 年在陜西省咸陽市進行了地面田間試驗。該地區(qū)屬于關(guān)中平原，具有典型的大陸性季風氣候特征。地面實地觀測研究區(qū)位置見圖1。
該地區(qū)冬小麥生長期為 10 月初至次年 6 月初。該研究選取拔節(jié)期和抽穗期兩個重要物候期進行田間數(shù)據(jù)測量。2013 年，隨機選取 81 個樣地進行冠層高光譜反射率和兩個時期相應(yīng)的 LCC 測量。2014 年，41 個樣地以同樣的方式進行了實驗。
LCC數(shù)據(jù)集
在每個采樣點選擇 20 個完全發(fā)育的葉子進行 LCC 測量。LCC 由葉綠素計測定。
冠層光譜數(shù)據(jù)集
冬小麥的冠層高光譜反射率是通過 ASD FieldSpec FR 光譜儀獲得的。光譜測量范圍為 350 nm 至 2500 nm，分辨率為 1 nm。每個目標在優(yōu)化的積分時間掃描 20 次，并進行暗電流校正。高光譜反射率是在冠層上方 1.0 m 處測量的。為減少環(huán)境條件的影響，隨機選取采樣點的五個位置進行測量，取平均值作為采樣點的代表性光譜反射率。
圖 2. ASD地物光譜儀
基于無人機的實驗位于河南省漯河市。該地區(qū)屬于華北平原，屬典型的大陸性季風氣候。田間試驗于2018年抽穗期進行。未施肥部分設(shè)為參考組N0（0 kg/hm2），包括四個子區(qū)域，每個子區(qū)域為100 平方米。在田地的其余部分進行 3 次氮肥處理，即 N1（120 kg/hm2）、N2（225 kg/hm2）和 N3（330 kg/hm2），重復 3 次。共設(shè)計了36個可變施肥分區(qū)，每個分區(qū) 130 平方米。無人機野外觀測研究區(qū)位置及不同養(yǎng)分和品種處理的詳細分布（40個采樣點）如圖1所示。該地區(qū)采集了無人機高光譜圖像和 LCC 數(shù)據(jù)集。LCC 由葉綠素計觀測計算得到。
該研究使用 DJI M600 Pro 無人機飛行器平臺和 Resonon Pika L 高光譜推掃相機監(jiān)測冬小麥冠層的高光譜信息。
圖 3. IRIS 機載一體式激光雷達高光譜成像儀
高光譜圖像數(shù)據(jù)采集于 2018 年 4 月 19 日在無云天氣條件下進行。飛行高度為 100 m，幅寬為 30 m 。正射校正后，空間分辨率約為 0.1 m。高光譜傳感器的光譜測量范圍為 400 nm 至 1000 nm，具有 300 個光譜通道。原始圖像經(jīng) Resonon 軟件預處理，包括輻照度校準、混合噪聲濾波器 (MNF) 去噪、幾何校正和圖像拼接。該系統(tǒng)結(jié)合精確的慣性測量單元和精確的云臺，提供了穩(wěn)定、高質(zhì)量的空間高光譜圖像。
該研究共采集了來自不同地區(qū)（即關(guān)中平原和華北平原）；不同時期，包括不同的種植年份（即2013年、2014 年和 2018 年）和物候期（即拔節(jié)期和抽穗期）；并在不同的監(jiān)測尺度下，包括基于地面的平臺和基于無人機的平臺的 281 個實地測量的作物樣品。這些樣本用于驗證不同測量條件下，該研究提出的特征提取方法和遷移學習技術(shù)的有效性和魯棒性。
研究成果
該研究以作物冠層高光譜遙感機理為基礎(chǔ)，首次提出了一種新型的特征選擇算法，即幅值-形狀增強型二維相關(guān)光譜分析法（amplitude- and shape- enhanced 2D correlation spectrum）。該特征選擇算法在原始二維相關(guān)光譜分析的基礎(chǔ)上，補充考慮了高光譜幅值和形狀特征對外部擾動的響應(yīng)，顯著增強了其在高光譜特征選擇中的表現(xiàn)�；谠摲椒ㄋx波長在光合機理、分子結(jié)構(gòu)以及光學特性等方面均與葉片葉綠素含量體現(xiàn)了良好的相關(guān)關(guān)系。敏感性分析顯示，所選特征對于目標物具有極強的特異性。
基于深度神經(jīng)網(wǎng)絡(luò)的遷移學習技術(shù)將利用 PROSAIL 模擬數(shù)據(jù)訓練得到的特征遷移至實際田間冬小麥葉綠素含量反演中，有效提高了葉綠素含量反演精度并降低了對田間實測樣本集的數(shù)量要求。為了進一步驗證該葉綠素含量反演方法的準確性、可遷移性以及普適性，該研究結(jié)合采集于不同年份，不同生長期，不同地區(qū)以及不同監(jiān)測平臺的實測田間采樣數(shù)據(jù)對該方法進行了多角度的分析和驗證，結(jié)果均表明，利用該方法可以在小樣本的條件下獲得良好的冬小麥葉片葉綠素反演精度。此外，所提出的方法還具有較強的年季擴展性，對于區(qū)域作物長勢監(jiān)測提供了重要的理論基礎(chǔ)和技術(shù)手段。
圖 5. 在30%, 50% 和70%標記樣本精校后的冬小麥葉片葉綠素含量反演精度對比（a, 2013 拔節(jié)期，b, 2013抽穗期， c, 2014拔節(jié)期， d, 2014抽穗期）
來源：Zhang Yao, Hui Jian, Qin Qiming, Sun Yuanheng, Zhang Tianyuan, Sun Hong, & Li Minzan (2021). Transfer-learning-based approach for leaf chlorophyll content estimation of winter wheat from hyperspectral data. Remote Sensing of Environment, 267, 112724.
編者按
本文結(jié)合模型模擬、遷移學習和多尺度觀測為植被參數(shù)反演提供了一個非常完整的操作流程，也是機理模型與機器學習結(jié)合的精彩案例。遙感數(shù)據(jù)是天然的大數(shù)據(jù)，不僅數(shù)據(jù)量大而且復雜，而另一方面，地面參數(shù)觀測成本高，遙感反演又面臨著實測數(shù)據(jù)不足的問題。結(jié)合模型模擬和 Fine Tune 技術(shù)，為解決這種窘境提供了突破口。此外，將模型參數(shù)的變化視為擾動，引入二維相關(guān)光譜分析法，并考慮幅值和形狀進行特征選取，也是一種將知識與小樣本機器學習結(jié)合的成功嘗試。
參考：
* 本文已獲得論文作者授權(quán)
【1】https://www.sciencedirect.com/science/article/abs/pii/S0034425721004442
【2】http://ciee.cau.edu.cn/art/2021/11/8/art_26711_795755.html
