0 引言
【研究意义】相对于卫星遥感和有人机遥感,无人机遥感技术以其机动、灵活,时效性强、容易操作等特点,被逐渐应用在农情遥感监测中[1,2]。它已成为遥感对地观测的又一重要手段。但目前无人机遥感技术的发展还处于起步阶段,多集中于以数码相机为主的数据获取与解析[3],缺少高光谱、多角度、多载荷遥感数据的获取与利用。因此,开展无人机高光谱遥感技术的验证与应用研究具有重要意义。【前人研究进展】无人机机载高光谱成像仪,按成像方式可分为推扫成像和凝视成像。由于成像模式的限制和无人机飞行过程中容易抖动等的影响,采用推扫成像的高光谱成像仪数据的几何校正是难点,需要配合高精度的定位定姿系统(positioning and orientation system,POS),经过复杂计算才能获得比较满意的影像;而凝视型高光谱成像仪采用画幅成像方式,可以在无POS系统的条件下完成图像的几何校正和拼接,但是由于不同波段成像有时间差,其获取数据处理的难点在于光谱信息的校正[4]。相对而言,目前在无人机方面,凝视型高光谱成像仪的验证与应用研究较多。BARETH等[5]验证了德国Cubert公司的S185(2017年之前称为UHD185)和芬兰Senop公司的RHC(rikola hyperspectral camera)两款凝视成像高光谱相机在大麦冠层光谱信息获取上的准确性,结果表明这两款相机计算获得的光谱指数与地面高光谱仪ASD(analytical spectral devices)计算获得的光谱指数间有较好对应关系;高林等[6]的研究表明,利用无人机搭载S185可很好地获取小麦冠层高光谱信息,其与ASD获得光谱间反射率误差在1%以下。叶面积指数(leaf area index,LAI)是重要的农学参数。基于无人机搭载传感器来及时获取作物叶面积指数信息,可有效反映作物长势和产量[7],便于及时开展田间管理,提高农民收益。目前已有基于无人机高光谱遥感数据反演作物叶面积指数的报道[6, 8-9]。【本研究切入点】前人的研究初步表明基于无人机搭载S185高光谱成像仪,可准确获取麦类作物冠层高光谱数据,但在验证时存在着尺度问题:利用田间小区内所有无人机影像像元的平均光谱值来与小区内某点测定的ASD光谱信息进行比较,虽然单个试验小区内田间管理方式相同,作物整体生长较为同步,但由于土壤及个体本身差异,整个小区光谱平均值与ASD光谱仪覆盖下的圆形小区域的光谱信号是不对等的。因此,需要在考虑尺度问题的情况下,对S185进行进一步的验证。此外,已有基于无人机高光谱遥感数据反演作物叶面积指数的研究多利用光谱指数方法和偏最小二乘方法来开展,还缺少对其他反演方法的探索和尝试。在化学计量学方法中,人工神经网络算法被认为是一种高效提取信息的手段[10,11],尝试基于无人机高光谱遥感数据,利用人工神经网络算法来提取作物叶面积指数将很有意义。【拟解决的关键问题】以中国大宗粮食作物玉米为研究对象,本研究在开展田间试验获得不同长势差异玉米植株的基础上,充分考虑无人机高光谱影像验证时的尺度问题,根据地面光谱仪的采样区域,准确提取相应像元光谱信息进行对比,对S185影像质量进行更客观的评价,并探索基于人工神经网络算法结合无人机高光谱数据建立玉米叶面积指数反演模型的可行性,为精准农业管理提供技术支撑。1 材料与方法
1.1 田间试验
本研究数据来自吉林省公主岭市开展的玉米施肥试验。试验地位于蔡家镇,地处东经124°40′25″,北纬43°24′00″。试验选取吉单558作为试验材料,播种密度约为67 200株/hm2,行距为0.60 m,株距为0.25 m。试验地土壤类型为黑土,土壤中有机质含量为26.60 g·kg-1,水溶解氮含量为121.38 mg·kg-1,有效磷含量为41.94 mg·kg-1,有效钾含量为208 mg·kg-1,pH为6.47。小区面积为101.4 m2(7.8 m×13 m)。试验设计为氮肥梯度试验,根据当地土壤养分条件,设5个处理3个重复。其中,5个氮肥处理分别为0,70,140,210,280 kg·hm-2。氮肥分两次施用,一次在播种前,另一次在V6—V7期[12]。除氮肥外,其他管理措施完全相同。其中,钾肥、磷肥施用量为100 kg·hm-2和75 kg·hm-2,它们作为基肥在播种前一起施入土壤。1.2 遥感数据获取
遥感数据的获取包括ASD冠层光谱数据和S185无人机高光谱影像数据。分别于2017年6月15日(V5—V6期),7月6日(V11期),7月26日(R1—R2期)的10:00–14:00进行数据获取,各采样日对应玉米生育期的说明见表1。Table 1
表1
表1采样时间及对应玉米生育期[
Table 1Sampling date and its corresponding maize growth stage[
采样日期 Sampling date | 玉米生育期 Maize growth stage | 备注 Note |
---|---|---|
6月15日 June 15th | V5-V6 | 5—6片完全展开叶 Five to six complete unfolded leaves |
7月6日 July 6th | V11 | 11片完全展开叶 Eleven complete unfolded leaves |
7月26日 July 26th | R1-R2 | 吐丝基本结束,灌浆开始 Silking nearly complete, and grains begin filling |
新窗口打开
1.2.1 ASD冠层光谱数据获取 玉米冠层反射光谱由便携式光谱仪ASD(FieldSpec@HandHeld,美国ASD公司)获取。仪器采集的光谱范围为325—1 075 nm,采样间隔为1.6 nm,光谱分辨率为3.5 nm,视场角为25°。采集光谱时,选择小区代表性区域,将传感器绑于标尺置于冠层1.35 m 高处,以获取对应以0.3 m为半径的圆形区域内玉米冠层光谱信息。选择0.3 m作为光谱获取范围的原因是玉米行距为0.6 m。采集时,每个样点测定10次,求其平均值作为该采样点对应的冠层反射光谱。
1.2.2 S185高光谱影像获取 无人机高光谱影像通过大疆M600 Pro搭载德国Cubert公司生产的S185成像仪获取。S185采用凝视成像原理,光谱范围为450—950 nm,采样间隔为4 nm,光谱分辨率为8 nm,包含125个通道。S185可以同时获得1幅50×50像素的高光谱影像和1幅1 000×1 000像素的灰度影像。
无人机飞行时,高度设为50 m,光谱仪镜头焦距为23 mm,视场角为15°,获得高光谱影像的地面分辨率约为26.50 cm,灰度影像的地面分辨率约为1.33 cm。参照秦占飞等[2]的方法,本研究高光谱影像的预处理流程如下:(1)利用Cube-Pilot 1.5.6软件将高光谱影像与灰度图像进行融合,获得分辨率在1.33 cm的高光谱影像;(2)利用Agisoft PhotoScan 1.2.6软件将上步获得的影像进行拼接;(3)基于差分GPS(Trimble GeoXH,美国天宝公司)获得的地面特征点,利用ENVI 5.1软件对6月15日影像进行几何校正;(4)以6月15日影像为基准,利用ENVI 5.1软件对7月6日和7月26日两景影像进行几何校正;(5)利用ENVI 5.1软件裁切生成研究区高光谱影像。
1.3 农学参数获取
ASD光谱测定后,在相同位置进行相关农学参数的测定。采集的农学参数包括叶绿素浓度、叶面积指数、地上生物量、植株氮浓度信息。本研究主要用到的是叶面积指数信息。叶面积指数基于冠层分析仪Sunscan(英国Delta公司)进行测定。测定时,先将Sunscan的反射系数传感器(BF5)固定于三脚架并置于试验小区外空旷区域,用来测定入射太阳辐射强度及直射与漫射光的比例关系,然后将与BF5无线连接的Sunscan的探测器分别置于玉米冠层下方垄上、垄正中间和两者中间的位置进行叶面积指数测定,并求3次测量的平均值作为样点叶面积指数值。1.4 数据分析方法
1.4.1 S185影像光谱信息验证 获得的S185影像分辨率在1.33 cm,可以清楚看到每株玉米,而测量ASD地面光谱时,记录有所在位置的行、株信息及它们到小区边界的距离。可以根据行、株信息或它们到小区边界的距离,准确定位样点在影像中的位置。然后参考ASD光谱仪测量范围的大小,以0.3 m为半径提取相应圆中所有像元的光谱值,并求平均,获得与ASD测量同区域的S185光谱信息(图1)。通过比较S185和ASD获得光谱之间的波形相似度和在整个生育期不同处理下的变化趋势等来评价S185数据的质量。其中,波形相似度主要通过计算两者在测定同一地物时波段反射率间线性相关关系和红边位置绝对误差等指标来衡量;变化趋势主要通过筛选常用光谱指数,计算整个生育期所有处理、重复下不同传感器间光谱指数线性相关性来衡量。本研究使用的各光谱指数及其计算方法见表2。由于不知道S185每个波段光谱响应函数,在计算ASD上述参数时,直接选择其对应波段参加计算。无人机飞行试验按不同施肥处理、重复及生育期进行,共有45组数据。此外,本研究并未比较两传感器获得反射率数据大小的相对差异,主要基于以下原因:(1)每种传感器对光强的响应都不相同,在不知道S185每个波段光谱响应函数的情况下,无法客观对两种传感器测量数据的绝对值大小比较;(2)如果两传感器每次测量数据间都有很强的线性相关性且随着作物生长各处理、重复下数据变化趋势一致,则两者在反演参数时的建模效果也是相似的。显示原图|下载原图ZIP|生成PPT
图1验证S185影像和反演叶面积指数时提取的样点光谱信息示意图
-->Fig. 1Schematic diagram for extracting spectral data during validation of S185 and estimation of leaf area index (LAI)
-->
Table 2
表2
表2本研究使用的光谱指数(基于S185选择光谱波段)
Table 2Spectral indices used in this study (Spectral bands were selected according to S185)
光谱指数 Spectral index | 公式 Formula | 发明者 Developed by |
---|---|---|
Normalized Difference Vegetation Index,NDVI | (R802-R670)/(R802+R670) | ROUSE等[13] |
Ratio Vegetation Index,RVI | R802 /R670 | PEARSON等[14] |
Enhanced Vegetation Index,EVI | 2.5×(R802 - R670)/(R802 + 6×R670 - 7.5×R470 + 1) | HUETE等[15] |
Triangular Vegetation Index,TVI | 0.5×(120×(R750 - R550) - 200×(R670 - R550)) | BROGE等[16] |
Modified Soil-Adjusted Vegetation Index,MSAVI | (2×R802 + 1 - sqrt((2×R802 + 1)2 - 8×(R802 - R670)))/2 | QI等[17] |
Optimization of Soil-Adjusted Vegetation Index,OSAVI | 1.16×(R802 - R670)/(R802 + R670 + 0.16) | RONDEAUX等[18] |
Green Normalized Difference Vegetation Index,GNDVI | (R802 - R550)/(R802 + R550) | GITELSON等[19] |
Modified Triangular Vegetation Index 2,MTVI2 | 1.5×(1.2×(R802 - R550) - 2.5×(R670 - R550))/sqrt((2×R802+1)2 - (6×R802 - 5×sqrt(R670)) - 0.5) | HABOUDANCE等[20] |
Red-Edge Triangular Vegetation Index,RTVI | (100×(R750 - R730) - 10×(R750 - R550)) ×sqrt (R702/R670) | 陈鹏飞等[21] |
Optimal Vegetation Index,Viopt | (1+0.45)((R802)2+1)/(R670+0.45) | REYNIERS等[22] |
Modified Chlorophyll Absorption Ratio Index,MCARI | (R702-R670-0.2×(R702-R550))(R702/R670) | DAUGHTRY等[23] |
MERIS Terrestrial Chlorophyll Index,MTCI | (R750-R710)/(R710-R682) | DASH等[24] |
Red Model,R-M | R750/R722-1 | GITELSON等[25] |
Canopy Chlorophyll Index,CCI | D722/D702 | SIMS等[26] |
Red Edge Position,REP | 700+40×(Rre-R702)/(R742 -R702) Rre: (R670+R782)/2 | GUYOT等[27] |
新窗口打开
1.4.2 玉米叶面积指数反演 基于表2所示光谱指数和人工神经网络算法,建立叶面积指数反演模型。由于与其他神经网络算法相比,后向神经网络算法往往具有更优的参数估测效果[28,29],因此,本研究采用了包含输入层、隐含层和输出层共3层的后向神经网络算法。如前所述,研究共获取样本45个。随机选择30个作为建模样本,剩下15个作为验证样本。需要说明的是,为了更好的与Sunscan测定叶面积指数所观测区域对应,在反演叶面积时并未用上面所提取的圆形区域的S185光谱信息,而是提取了图1所示矩形区域所覆盖下所有像元光谱平均值作为反演叶面积指数时的S185光谱信息。在构建人工神经网络模型之前,将所有光谱指数的数值归一化到0到1之间,以消除不同波段的数量级差异。随后,利用主成分分析方法计算光谱指数的主成分。整个神经网络模型的结构设置为以光谱指数主成分变量作为输入层,估测叶面指数作为输出层和由若干节点构成隐含层。输入层主成分的个数、隐含层节点的个数、输入层到隐含层和隐含层到输出层的数据变换模型由留一交叉检验法确定[30]。其中,由于6个主成分变量能代表光谱指数99.91%的信息,主成分的个数在1到6之间变化;由于过多的隐含层节点数会带来模型的过拟合问题[31],隐含层节点数设定在1到5之间;Purelin模型、Tan-sigmoid模型、Log-sigmoid模型等3种常用的变换模型被用来作为输入层到隐含层,隐含层到输出层的计算模型。整个人工神经网络模型的构建过程如下:(1)穷举所有主成分数、隐含层节点数、输入层到隐含层数据变换模型类型和隐含层到输出层数据变换模型类型的组合,基于它们分别建立人工神经网络模型,组合共有270种。(2)基于每种组合,利用建模样品集来做留一交叉检验,步骤如下:移除一个样本,利用剩下的样本建立模型;被移除的样本用来验证其他样本建立的模型;整个过程被不断重复,直到所有样本均被移除一次。计算整个留一交叉检验过程中预测叶面积指数和实际叶面积指数之间的决定系数(R2)、均方根误差(root mean square error,RMSE)和相对均方根误差(RMSE/叶面积指数平均值,RMSE%)。(3)选择具有最大R2值,最小RMSE和RMSE%值的组合来确定人工神经网络模型的输入层主成分数、隐含层节点个数、输入层到隐含层数据变换模型和隐含层到输出层数据变换模型。利用它们,基于建模样本集所有数据建立反演叶面积指数的人工神经网络模型。(4)利用验证样本集数据对模型进行检验,R2、RMSE和RMSE%被用来评价模型的优劣。整个技术路线如图2所示,上述过程基于Matlab 7.12.0编写相关程序完成。另外,本研究还基于相同的数据集,利用各光谱指数建立了叶面积指数的反演模型,以便与人工神经网络算法进行比较。
显示原图|下载原图ZIP|生成PPT
图2基于人工神经网络的叶面积指数遥感反演模型的建模流程图
-->Fig. 2Follow chart for establish leaf area index estimation model by artificial neural network
-->
2 结果
2.1 田间试验数据
无人机飞行试验分别在玉米V5─V6期、V11期和R1─R2期进行。V5─V6期时,玉米植株较小,整个试验地块裸土覆盖比例大于玉米冠层覆盖比例;V11期时,除不施肥处理外,玉米冠层基本覆盖全部试验小区;R1─R2期时,玉米处于灌浆阶段,冠层封垄(除不施肥处理)且有雌、雄穗。这3个时期基本代表了玉米田整个生育期的一个覆盖状况,可用于较好验证S185应用于玉米冠层高光谱数据获取的效果。另外,获取的45个采样点的叶面积指数值从0.2到6.5,覆盖了一个较宽的数据变化范围,可用于较好的建立叶面积指数的遥感反演模型。2.2 S185高光谱数据验证
玉米不同生育期S185与ASD测定的冠层反射率曲线如图3所示。为使图面简洁,仅展示了210 kg·hm-2施氮量的结果,其他施肥量下与此类似。从图中可知,S185光谱数据在850 nm以上波段质量较差。与ASD 光谱相比,主要表现为S185所测地物光谱曲线出现明显的反射率下降趋势,这点与田明璐等[9]观测相同,这可能是由于S185传感器在探测范围边界时噪声较大。而在450—850 nm之间,从两者的波形来看,不管是在冠层较小、有大片裸露地表的V5—V6期,还是在冠层茂盛、无裸露地表的V11和R1—R2期,它们变化趋势相同:(1)有绿峰、红谷和近红外平台,且形状大体相同(R1—R2期两者虽在750—850 nm近红外光谱处表现出比其他生育期更大的差异,但该区域反射率的平均相对误差仅为8%,差异比其他生育期大的原因可能是测量当日需要等待无云条件,无人机飞行与ASD信息采集有较长时间间隔,光线条件变化引起的);(2)有随着冠层覆盖度增加的红边“红移”现象等。进一步比较450—850 nm区域两者反射率之间的相关性和红边位置的相对误差。45组样本数据间的相关系数在0.99—1.00之间波动,平均值在0.99以上,而红边位置的绝对误差在0.09—3.90 nm之间波动,平均值仅为1.10 nm。以上说明对于玉米某特定生长阶段,两者获取的同种玉米冠层的波谱数据间具有很好的对应关系,波形变化趋于相同。计算的玉米全生育期两种传感器各光谱指数之间的相关性如表3所示。从表中可以看出,它们间的相关系数均在0.88以上。说明在玉米整个生育期,各处理、重复下S185测定数据与ASD测定数据在变化趋势上是一致的。综上所述,S185测定的玉米冠层光谱在450—850 nm具有较高的质量,可用于进一步开展玉米生理、生化参数信息反演。显示原图|下载原图ZIP|生成PPT
图3玉米不同生育期S185与ASD反射率曲线(施氮量210 kg·hm-2)
-->Fig. 3Reflectance spectra from S185 and ASD during different growth stage of maize (nitrogen fertilization amount 210 kg·hm-2)
-->
Table 3
表3
表3全生育期S185与ASD计算的各光谱指数间的相关系数(n=45)
Table 3Correlation coefficients between spectral indices calculated from S185 and ASD (n=45)
光谱指数 Spectral index | 相关系数 Correlation coefficient | 光谱指数 Spectral index | 相关系数 Correlation coefficient | |
---|---|---|---|---|
NDVI | 0.99** | Viopt | 0.94** | |
RVI | 0.96** | RTVI | 0.96** | |
EVI | 0.97** | REP | 0.96** | |
TVI | 0.92** | MCARI | 0.88** | |
MSAVI | 0.98** | MTCI | 0.96** | |
OSAVI | 0.99** | R-M | 0.98** | |
GNDVI | 0.99** | CCI | 0.93** | |
MTVI2 | 0.99** |
新窗口打开
2.3 基于无人机影像的叶面积指数反演与验证
在所有主成分数、隐含层节点数、输入层到隐含层数据变换模型和隐含层到输出层数据变换模型的组合中,当主成分数为5个、隐含层节点数据2个、输入层到隐含层数据变换模型为Log-sigmoid、隐含层到输出层数据变换模型为Purelin时,所构建的人工神经网络模型的交叉检验决定系数最高,交叉检验均方根误差和相对均方根误差最低。基于以上选定的参数,利用建模样品集所有样品构建的人工神经网络模型结果如图4-A所示。模型的建模决定系数为0.96,均方根误差为0.42,相对均方根误差为13.15%,取得了较好的建模效果。利用检验样品集数据进行验证时,模型对于玉米生育早期的LAI估计略微偏高,可能是由于早期地表未被植被覆盖,获得光谱信息中有较多土壤信息引起。但总体来说,外部验证取得了较好的结果,检验决定系数为0.95,均方根误差为0.54,相对均方根误差为16.74%(图4-B)。基于各光谱指数反演叶面积指数的建模和验证结果如表4所示,与它们的结果相比,人工神经网络算法取得了更优的结果。显示原图|下载原图ZIP|生成PPT
图4基于人工神经网络的玉米叶面积指数反演模型结果(A)建模结果(B)外部验证结果
-->Fig. 4Results for the artificial neural network prediction model (A) calibration (B) validation
-->
Table 4
表4
表4各光谱指数反演叶面积指数的建模和验证结果
Table 4Results for estimation leaf area index (LAI) based on each spectral index during calibration and validation
光谱指数 Spectral index | 建模 Calibration | 外部验证 External validation | |||||
---|---|---|---|---|---|---|---|
R2 | RMSE | RMSE% | R2 | RMSE | RMSE% | ||
NDVI | 0.96 | 0.56 | 17.32% | 0.88 | 0.79 | 24.47% | |
RVI | 0.96 | 0.73 | 22.71% | 0.85 | 0.92 | 28.68% | |
EVI | 0.96 | 0.45 | 13.99% | 0.89 | 0.77 | 24.07% | |
TVI | 0.95 | 0.63 | 19.62% | 0.86 | 0.85 | 26.41% | |
MSAVI | 0.96 | 0.45 | 13.94% | 0.90 | 0.72 | 22.36% | |
OSAVI | 0.96 | 0.45 | 14.05% | 0.90 | 0.73 | 22.76% | |
GNDVI | 0.95 | 0.61 | 18.80% | 0.91 | 0.74 | 23.03% | |
MTVI2 | 0.96 | 0.57 | 17.78% | 0.83 | 0.99 | 30.99% | |
RTVI | 0.96 | 0.46 | 14.21% | 0.91 | 0.67 | 20.92% | |
Viopt | 0.95 | 0.71 | 22.09% | 0.79 | 1.14 | 35.37% | |
REP | 0.87 | 0.65 | 20.19% | 0.90 | 0.78 | 24.29% | |
MCARI | 0.79 | 2.13 | 65.93% | 0.69 | 2.70 | 84.01% | |
MTCI | 0.85 | 1.19 | 36.98% | 0.80 | 1.20 | 37.32% | |
R-M | 0.95 | 0.73 | 22.66% | 0.89 | 3.22 | 100.40% | |
CCI | 0.84 | 1.02 | 31.66% | 0.78 | 1.19 | 36.98% |
新窗口打开
3 讨论
3.1 数据验证的尺度问题
尺度问题一直是遥感技术应用的关键问题之一,忽视它会使得对地观测难以获得精确的地表参数,已引起国际遥感界的广泛重视[32]。FRIEDL等[33]的研究表明,归一化植被指数(NDVI)与叶面积指数之间的关系是非线性的,NDVI本身的计算也依赖于尺度,尺度的变化可以显著地引起陆面参数计算的偏差。WOODCOCK等[34]的研究表明森林、城市、农业用地3种土地覆被类型的局部方差随着影像空间分辨率的变化而变化,且当像元大小接近场景中目标个体的大小时,局部方差达到最大。以上研究说明对遥感信息进行准确验证时,必须要使实测信息与其尺度相匹配。但长期以来,在验证卫星遥感产品时,由于客观条件的限制,无法获取与像元匹配大小的样本数据,已有研究往往采用小区域的样本数据来对代表更大区域的影像像元进行验证,其实不够客观[35]。然而,当无人机遥感技术应用于对地观测时,使得研究中往往能获得对应地面验证样点大小的像元信息,完全可以做到对遥感信息进行同尺度验证。虽然已有研究证明S185可用于麦类等作物冠层光谱信息的获取,但他们在验证时并未遵循尺度匹配原则,使得结果存在疑问。基于玉米田间试验,本研究在考虑到地面光谱仪测量范围的基础上,准确提取相应范围内S185的影像信息与其进行比较,使得数据验证结果更加客观,进一步肯定了S185高光谱仪与无人机平台结合开展作物冠层高光谱观测的可用性。另外,本研究也存在一定的不足,虽然空间尺度上做到了将S185数据与地面光谱仪数据进行匹配,对已有研究进行了改进,但是在提取S185光谱信息时采取了将区域内所有像元求平均的方法,这是建立在地面光谱仪测定的光谱数据是由其覆盖的圆形区域内与S185像元大小一致的所有单元光谱信息的线性组合的假设基础上的方法。实际情况是否如此,需要进一步讨论,这也是将来需要进一步开展的工作。3.2 叶面积指数的反演问题
基于光谱指数和S185高光谱影像,AASEN等[36]反演大麦冠层叶面积指数的预测决定系数为0.32;通过构建光谱指数,高林等[6]利用S185高光谱影像在反演小麦叶面积指数时,获得的预测决定系数为0.78,预测均方根误差为0.13;基于光谱指数和偏最小二乘算法,田明璐等[9]利用S185高光谱影像在反演棉花叶面积指数时,获得的预测决定系数为0.88,预测均方根误差为0.29;结合光谱指数和偏最小二乘算法,陆国政等[8]利用S185影像估测大豆叶面积指数的预测决定系数为0.70,预测均方根误差为0.53。和他们的研究相比,本研究获得了较优的结果,一方面由于人工神经网络算法具有强大的提取光谱信息构建叶面积指数反演模型的能力,另一方面本研究考虑了尺度问题,在建模和验证时提取的无人机光谱信息与地面测量的叶面积指数来自相同空间范围的植株,而前人在建模和验证时未考虑此方面因素。此外,本研究仅是对人工神经网络模型应用于无人机高光谱遥感影像反演叶面积指数做的初步尝试。与其他经验性方法一样,要基于人工神经网络模型建立高“鲁棒性”的叶面积指数反演方法必须要遵循以下步骤:(1)根据研究区气候条件、作物种植制度、品种、地形、管理方式等,分成若干同质性区域;(2)在每个划分的区域内,收集大量的试验数据(含不同年份、种植条件等)来构建和充分验证模型。
4 结论
通过准确提取与地面光谱仪测量相对应空间单元下的S185光谱影像信息,在与地面光谱仪测量数据充分对比的情况下,本研究进一步证明采用凝视成像方式的S185成像仪可用于准确提取玉米冠层高光谱信息。另外,人工神经网络模型可用于提取S185影像上富含的玉米长势信息来反演叶面积指数,为无人机高光谱遥感反演作物理化参数提供了新途径。The authors have declared that no competing interests exist.