CN101424637A - 一种油菜叶片氮素含量遥感估算模型方法 - Google Patents

Abstract

本发明公开了一种油菜叶片氮素含量遥感估算模型方法，包括：(1)测得油菜叶片光谱反射率和氮素含量，进行各叶片光谱参数和氮素含量的相关分析，确定叶片氮素含量特征波段；(2)应用传统回归方法和人工智能技术，建立油菜叶片氮素含量的遥感估算模型；(3)采用结果验证指标，确定油菜叶片氮素含量的各光谱参数估算最佳模型；(4)比较油菜叶片氮素含量的各光谱参数估算最佳模型的验证结果，再确定一种最佳的油菜叶片氮素含量的遥感估算模型。本发明的有益之处在于：本发明利用叶片光谱参数，应用传统回归方法和人工智能技术，提供了一种油菜叶片氮素含量遥感估算模型方法，快速准确监测了油菜叶片淡素含量。

Description

一种油菜叶片氮素含量遥感估算模型方法

技术领域

本发明涉及一种基于油菜叶片光谱的氮素含量遥感估算方法，具体地说，本发明采用多种人工智能技术与光谱参数相结合，建立了一种优于传统统计方法的氮素含量遥感估算方法。

背景技术

叶片光谱分析能克服常规化学分析的弊端，它具有非破坏性、分析时间短、不需要化学药品、操作简单、自动化程度高等优点。叶片光谱不像冠层光谱要受冠层形态、观测和辐射几何角度、土壤背景以及测量环境等诸多因素的影响，可以获得相对理想的实验数据。叶片的光谱特征与叶片氮素含量和植物营养状况密切相关，通过分析研究植物叶片光谱的特征，可以帮助我们理解光谱吸收特征的生物学意义，为运用遥感手段估算植物生化组成及含量提供依据。因此，许多研究人员致力于叶片光谱特性及其与生化组分含量的相关关系研究，寻求高准确度和精确度的叶片氮素含量的遥感估算模型。

氮素遥感估算方法在水稻、小麦、玉米和棉花等作物上已有研究，而对油菜的研究鲜见报道；对于作物氮素含量遥感估算研究主要采用光谱的反射率及其变换形式以及光谱植被指数，小部分研究采用了红边参数，主要应用逐步回归分析方法和最小二乘法等数学统计模型，人工智能方法在作物氮素含量遥感估算研究上的应用并不多，目前，主要采用的人工智能方法是在其它研究领域已广泛应用的BP神经网络，其他运算更为稳定的人工智能方法，如径向基函数神经网络(RBF)、支持向量机(SVM)在氮素遥感估算方法研究中还未得到深入开展。

发明内容

如何利用叶片光谱参数，得到快速准确监测油菜叶片淡素含量的目的，是本发明所要解决得的技术问题。为此，本发明目的是在于应用传统回归方法和人工智能技术，提供一种最佳的油菜叶片氮素含量遥感估算模型方法。

本发明的技术方案如下：根据本发明的一种油菜叶片氮素含量遥感估算模型方法，其步骤包括：

(1)采用试验测得的油菜叶片光谱反射率和氮素含量，进行各叶片光谱参数和氮素含量的相关分析，确定叶片氮素含量特征波段。所用的光谱参数包括光谱反射率、光谱植被指数和光谱红边参数。

(2)应用传统回归方法和人工智能技术，建立油菜叶片氮素含量的遥感估算模型。所用的人工智能技术包括BP神经网络方法、RBF神经网络方法和支持向量机方法；所建立的叶片氮素含量的遥感估算模型包括叶片氮素含量的光谱反射率估算模型、光谱植被指数估算模型和光谱红边参数估算模型。

(3)采用结果验证指标，比较不同方法建立的油菜叶片氮素含量的各光谱参数估算模型，确定油菜叶片氮素含量的各光谱参数估算最佳模型。所用的验证指标包括决定系数r²、均方根误差(RMSE)和T值检验。

(4)比较油菜叶片氮素含量的各光谱参数估算最佳模型的验证结果，再确定一种综合最佳的油菜叶片氮素含量的遥感估算模型。

BP神经网络方法、RBF神经网络方法和支持向量机方法的具体算法为：

1.BP神经网络方法。误差后传神经网络(BP)是一种单向传播的多层前向网络，分别为输入层、隐藏层和输出层。BP神经网络应用包括网络结构的确定、网络训练和模拟等主要过程。确定网络结构包括确定输入层和输出层神经元数、隐藏层层数、隐藏层神经元数、训练迭代数等。网络训练由若干迭代实现，一个迭代包括数据正向传播和误差后向传播两个过程，正向传播过程指输入数据从输入层经过隐藏层逐层处理并传向输出层的过程，下一层的每个神经元的值(O)是由上一层每个神经元值(x_i)和相应连接权重(w_i)乘积的总和代入一个转换函数(f)计算得到，层间数据转换计算公式如下：

$O=f\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i*w_i)\right)$

2.RBF神经网络模型。RBF神经网络的结构与多层前向神经网络类似，有输入层、隐含层和输出层三层。输入层是输入信号节点；第二层为隐含层，由一组节点组成，每个节点有一个参数，称为中心，节点计算网络输入向量与中心之间的欧氏距离，然后通过一个非线性函数产生该节点的输出；第三层为输出层，它将隐含层各节点的输出进行线性组合。

RBF神经网络的输入—输出响应为f：R^p-R^m，即：

$f_i\left(x\right)=\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{\mathrm{\φ}}_j=\underset{j=1}{\overset{h}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}\mathrm{\φ}(\left|\right|x-c_j\left|\right|,{\mathrm{\σ}}_j)$ l≤i≤m

其中，x＝[x₁，x₂，L，x_p]^T∈R_p为输入向量；φ(·)为径向基函数RBF，一般取为非线性函数，||·||表示范数，通常取为欧几里德(Euclidean)范数，c_j＝[c_1j，c_2j，L c_pj]^T∈R_p为RBF的中心，φ(·)对中心点径向对称，σ_j为径向基函数的宽度，w_ji为第j个基函数输出与第i个输出节点的连接权值，h为隐层节点的数量，输出层有m个节点，f_i(x)为网络的第i个输出量。径向基函数φ(·)可选择的非线性函数主要有高斯函数、薄板样条函数、多二次函数、逆多二次函数等。

3.支持向量机模型。SVM是从线性可分情况下的最优超平面发展而来的，基本思想可用两类线性可分情况说明，结构风险最小化是SVM的核心思想。分类间隔是两类中离分类超平面最近的样本且平行于分类超平面的两个超平面间的距离，或者说是从分类超平面到两类样本中最近样本的距离的和，这些最近样本可能不止2个，正是它们决定了分类超平面，也就是确定了最优分类超平面，这些样本就是所谓的支持向量(Support Vectors)，一组支持向量可以唯一确定一个超平面。其超平面记为(w*x)+b＝0，对它进行归一化，使得对线性可分的样本集满足以下约束条件：

yi(w*xi+b)—1≥0，i＝1，…，n

其最优解为下列Lagrange函数的鞍点：

$L(w,b,a)=\frac{1}{2}{\left|\right|w\left|\right|}^2-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i\{y_i(w*x_i+b)-1\}$

其中ai为非负的Lagrange乘数。利用Lagrange优化方法可以将上述二次规划问题转化为其对偶问题，即在约束条件：

ai≥0，i＝1，…，n

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i{y}_i=0$

进一步，所述步骤S3中采用了决定系数r2、均方根误差(RMSE)和T值检验等三个验证指标选择最佳结果。RMSE和T值计算表达式如下：

$\mathrm{RMSE}=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_n{(y_i\′-y_i)}^2}$           $T=1-\frac{{\mathrm{\Σ}}_n{(y_i\′-y_i)}^2}{{\mathrm{\Σ}}_n{(y_i\′-\stackrel{\‾}{y_i\′})}^2}$

其中y_i′为预测值，y_i为实际值，n为样本数，

为样本实测值y_i′的平均值。

概括起来，本发明的叶片水平的油菜氮素含量估算方法的依据是作物叶片的遥感光谱特性，作物的生化参数信息是可以通过作物遥感光谱特性快速并在不破坏作物组分前提下获取的。

本发明的有益效果：本发明利用叶片光谱参数，应用传统回归方法和人工智能技术，提供了一种油菜叶片氮素含量遥感估算模型方法，快速准确监测了油菜叶片淡素含量。

附图说明

图1为本发明实施例的油菜叶片氮素含量与其反射率R及其倒数对数的一阶微分转化形式(log(1/R))′相关系数；

图2为油菜叶片氮素含量和窄波段NDVI相关系数矩阵图(全时期)；

图3为油菜叶片氮素含量和窄波段RVI相关系数矩阵图(全时期)；

图4为本发明实施例最终确定的最佳估算模型，即基于RBF神经网络的油菜叶片氮素含量高光谱反射率估算模型验证结果；

图5为本发明的油菜叶片水平氮素含量遥感估算方法最佳模型确定流程图。

具体实施方式

下面结合实施例来说明本发明的技术方案：

下面根据图1至图5给出本发明的一个实施例，即完成一个油菜生长期叶片氮素含量遥感估算最佳模型的获取。要指出的是，所给出的实施例是为了说明本发明方法的技术特点和功能特点，以使能更易于理解本发明，而不是限制本发明的范围。

参阅图5，它是本发明的油菜叶片水平氮素含量遥感估算方法最佳模型确定程序的流程图，具体步骤如下：

S1001.对观测得到的叶片光谱反射率进行变换，生成反射率变换形式，植被指数和红边参数等三类光谱参数；

S1002.采用试验测得的油菜叶片光谱反射率和氮素含量，进行各叶片光谱参数和氮素含量的相关分析，确定叶片氮素含量特征波段，所用的光谱参数包括光谱反射率、光谱植被指数和光谱红边参数；

S1003.应用传统回归方法、BP神经网络方法、RBF神经网络方法和支持向量机方法，建立油菜叶片氮素含量的遥感估算模型。

S1004.综合分析结果验证指标决定系数r²、均方根误差(RMSE)和T值检验，比较不同方法建立的油菜叶片氮素含量的各光谱参数估算模型，确定油菜叶片氮素含量的各光谱参数估算最佳模型。

S1005.比较油菜叶片氮素含量的各光谱参数估算最佳模型的验证结果，最终确定一种最佳的油菜叶片氮素含量的遥感估算模型。

S1006.使用最佳模型，完成实例的油菜叶片水平氮素含量遥感估算方法最佳模型的确定。

1.步骤S1003中采用了BP神经网络方法、RBF神经网络方法和支持向量机方法建立油菜叶片氮素含量的遥感估算模型。对于本实施例所用的光谱反射率及其变换形式R、R’、log(1/R)、(log(1/R))’数据，BP神经网络方法、RBF神经网络方法和支持向量机方法的运行过程为：

1).BP神经网络方法。本实施例采用的BP神经网络含有1个输入层，2个隐含层和1个输出层。1个输入层即逐步回归模型中选择的高光谱特征波段反射率及其变换形式，输出层为叶片氮素含量；网络激励函数(activationfunction)为“tansig”，输出函数(output function)为“purelin”，训练函数(train function)为“traingda”，功能函数(performance function)为“MSE”。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。经过多次训练，选择隐含层神经元见表1。

表1 基于BP神经网络的油菜叶片氮素含量高光谱反射率估算模型训练参数选择

2).RBF神经网络方法。目前对RBF神经网络的理论研究，关于网络结构确定的问题，包括网络隐含层和各层神经元的数目，并没有一个科学的理论依据，只能通过不断地训练比较，得到一个相对最佳的训练参数设置。本次发明中，输入层神经元为1，即逐步回归模型中选择的高光谱特征波段反射率及其变换形式，输出层为神经元为1，即氮素含量，经过大量的网络训练，对于各种光谱反射率转换形式，确定SRBF神经网络扩展系数spread为0.001-0.1不等，隐含层神经元为20-30，GRNN神经网络spread为0.1。

3).支持向量机方法。本发明使用了2种类型的SVM，对于R和(log(1/R))’采用了ε-SVR，对于R’和(log(1/R))采用了μ-SVR；所有SVM核函数都用RBF，输入向量为逐步回归模型中选择的高光谱特征波段反射率及其变换形式，输出向量为氮素含量，为了更好地训练支持向量机，首先对输入向量进行归一化处理。通过多次训练和验证，最终确定的SVM各项参数如表2所示。

表2 基于支持向量机的油菜叶片氮素含量高光谱反射率估算模型训练参数选择

2.步骤S1004中采用了决定系数r2、均方根误差(RMSE)和T值检验等三个验证指标选择最佳结果。RMSE和T值计算表达式如下：

$\mathrm{RMSE}=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_n{(y_i\′-y_i)}^2}$            $T=1-\frac{{\mathrm{\Σ}}_n{(y_i\′-y_i)}^2}{{\mathrm{\Σ}}_n{(y_i\′-\stackrel{\‾}{y_i\′})}^2}$

其中y_i′为预测值，y_i为实际值，n为样本数，

为样本实测值y_i′的平均值。

本实施例得到的各模型与统计回归模型验证结果见表3、表4和表5。

表3 基于BP神经网络的油菜叶片氮素含量高光谱反射率估算模型与逐步回归模型验证结果比较(n＝48)

表4 基于RBF神经网络的油菜叶片氮素含量高光谱反射率估算模型与逐步回归模型验证结果比较(n＝48)

表5 基于支持向量机的油菜叶片氮素含量高光谱反射率估算模型与逐步回归模型验证结果比较(n＝48)

3.步骤S1005中比较不同方法建立的油菜叶片氮素含量的各光谱参数估算模型，本实施例确定的最佳模型为采用RBF神经网络方法建立的油菜叶片氮素含量的高光谱反射率遥感估算模型。

概括起来，本发明的叶片水平的油菜氮素含量估算方法的依据是作物叶片的遥感光谱特性，作物的生化参数信息是可以通过作物遥感光谱特性快速并在不破坏作物组分前提下获取的。

最后，还需要注意的是，以上列举的仅是本发明的具体实施例子。显然，本发明不限于以上实施例子，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (5)

1、一种油菜叶片氮素含量遥感估算模型方法，其特征在于包括以下步骤：

(1)测得油菜叶片光谱反射率和氮素含量，进行各叶片光谱参数和氮素含量的相关分析，确定叶片氮素含量特征波段；

(2)应用传统回归方法和人工智能技术，建立油菜叶片氮素含量的遥感估算模型；

(3)采用结果验证指标，比较不同方法建立的油菜叶片氮素含量的各光谱参数估算模型，确定油菜叶片氮素含量的各光谱参数估算最佳模型；

(4)比较油菜叶片氮素含量的各光谱参数估算最佳模型的验证结果，再确定一种最佳的油菜叶片氮素含量的遥感估算模型。

2、根据权利要求1所述的油菜叶片氮素含量遥感估算模型方法，其特征在于：所述步骤(1)中的光谱参数包括光谱反射率、光谱植被指数和光谱红边参数。

3、根据权利要求1所述的油菜叶片氮素含量遥感估算模型方法，其特征在于：所述步骤(2)中的人工智能技术包括BP神经网络方法、RBF神经网络方法和支持向量机方法。

4、根据权利要求1所述的油菜叶片氮素含量遥感估算模型方法，其特征在于：所述步骤(2)中的所建立的叶片氮素含量的遥感估算模型包括叶片氮素含量的光谱反射率估算模型、光谱植被指数估算模型和光谱红边参数估算模型。

5、根据权利要求1所述的油菜叶片氮素含量遥感估算模型方法，其特征在于：所述步骤(3)中的所用的验证指标包括决定系数r²、均方根误差RMSE和T值检验。

Images