CN105513096A - 一种冬小麦生物量估算方法 - Google Patents

Abstract

本发明提供了一种冬小麦生物量估算方法，通过获取各组小麦的冠层覆盖度和冠层图像色彩指数，计算单位面积的地上部生物量；采用估算生物量的逐步回归模型选择出合格样本数据，将样本数据随机分为两组；将一组样本数据采用BP人工神经网络模型对选择的合格样本数据进行训练；将另一组样本数据中的冠层覆盖度CC、绿光标准化值g、蓝光标准化值b和归一化差值指数NDI作为BP人工神经网络模型的输入矢量，利用Sim函数计算并输出冬小麦地上部生物量，最后输出人工神经网络模型参数。本发明具有经济、高效等特点，更适合田间水平的冬小麦生物量估算，能显著提高冬小麦生物量估算精度。

Description

一种冬小麦生物量估算方法

技术领域

本发明属于农业监测技术领域，尤其涉及一种基于冠层图像和BP人工神经网络的冬小麦生物量估算方法。

背景技术

小麦是我国重要的粮食作物之一，快速、准确地监测小麦长势信息，对于小麦生长过程中实施精确管理及估测产量等具有重要意义。作物长势是作物生长的状况与趋势，一般用叶面积、叶色、株高、茎粗和生物量等来衡量其优劣，其中，地上部生物量是表征作物生长状况的重要指标，其大小与作物群体的光能利用和产量形成密切相关。获取作物地上部生物量的传统方法是通过破坏性田间植株取样和室内分析，虽具有较好的数据可靠性，但效率低，且耗时间和资源。地面、航空和卫星遥感通过遥感影像的红波段和近红外波段信息计算的植被指数与地上部生物量、叶面积指数等长势指标的相关关系及基于植被指数及统计学方法所构建的线性、非线性模型来估算作物长势指标，进而实现作物长势监测。而地面遥感较航空、卫星遥感相比，因更接近于地面而较少受到云层的干扰,能获得分辨率更高的图像，另外，因其图像采集时间选择的随机性，使实时采集田间图像成为可能。

近年来数码相机作为可见光光谱地面遥感工具的一种新的选择，因其经济、高效等特点，在作物长势监测领域得到广泛的应用。Behrens等指出油菜冠层图像中提取的冠层覆盖度与地上部干重呈显著相关。Li等得出冠层覆盖度与小麦叶面积指数、地上部干重和地上部氮素浓度呈显著相关的结论。Lee等利用水稻冠层图像中提取的冠层覆盖度与地上部干重、地上部氮素含量和叶面积指数呈显著正相关，并利用逐步回归方法拟合了基于冠层覆盖度及其他色彩指数的水稻长势估算模型。基于作物冠层覆盖度及图像色彩指数的作物长势估算模型大多采用多元线性回归或非线性回归方法进行拟合，但当叶面积指数或生物量较大时，其估算误差明显增大。其原因为，随着作物生育进程的推移，地上部生物量、叶面积指数等的增大会引起叶片的重叠，它导致冠层覆盖度的增大速度明显小于地上部生物量等的增大速度，即作物冠层覆盖度的变化不能有规律地反映生物量、叶面积指数等的变化。

这种现象与高光谱作物长势估算中的饱和现象相似，即当作物叶面积指数、生物量等较大时，一些植被指数，如归一化指数等，将趋于饱和水平，从而影响估算精度。人工神经网络、波段深度分析等方法在一定程度上提高生物量、叶面积指数等较大时的作物长势高光谱估算精度，但有关利用人工神经网络来构建基于作物冠层图像分析的作物农学参数估算模型的研究及相关技术的报道较少。

发明内容

本发明的目的在于提供一种基于冠层图像和BP人工神经网络的冬小麦生物量估算方法，旨在利用人工神经网络方法建立基于冬小麦冠层图像分析的地上部生物量估算模型，研究结果可为冬小麦及其他作物长势监测研究提供理论和技术上的借鉴。

本发明是这样实现的，一种冬小麦生物量估算方法，该方法包括以下步骤：

S1、对小麦冠层进行图像采集，获取各组小麦的冠层覆盖度和冠层图像色彩指数；对图像采集后的各组小麦进行取样和处理后，计算单位面积的地上部生物量；

S2、对各组小麦的冠层覆盖度、图像色彩指数以及地上部生物量数据采用估算生物量的逐步回归模型进行筛选，选择出合格样本数据，并将样本数据随机分为A组和B组；

S3、将A组样本数据用于冬小麦地上部生物量估算模型的构建，即采用BP人工神经网络模型对选择的合格样本数据进行训练；

S4、将B组样本数据用于估算模型的验证，即将B组样本数据中的冠层覆盖度CC、绿光标准化值g、蓝光标准化值b和归一化差值指数NDI作为BP人工神经网络模型的输入矢量，利用Sim函数计算并输出冬小麦地上部生物量，最后输出人工神经网络模型参数。

优选地，在步骤S1中，所述冠层图像色彩指数包括红光标准化值r、绿光标准化值g、蓝光标准化值b、归一化差值指数NDI、色调Hue、饱和度SAT和亮度INT。

优选地，在步骤S1中，所述处理为将样本在105℃下杀青30min后于72℃下烘干至恒重，称其重量。

优选地，在步骤S2中，采用估算生物量的逐步回归模型将学生残差大于±2.0的各组数据作为异常值剔出，得到合格样本数据。

优选地，在步骤S2中，在逐步回归模型进行筛选之前，利用决定系数R2、均方根误差RMSE、相对均方根误差RRMSE对回归模型进行拟合优度的考察，利用相关系数、均方根误差RMSE和相对均方根误差RRMSE对回归模型进行检验。

优选地，在步骤S3中，所述采用BP人工神经网络模型对选择的合格样本数据进行训练具体包括：

选择A组样本数据中冠层覆盖度、绿光标准化值、蓝光标准化值和归一化差值指数作为BP人工神经网络模型输入层输入变量；将BP人工神经网络模型隐藏层设为1层，节点5个；将小麦地上部生物量作为BP人工神经网络模型的输出层；

采用trainlm函数为人工神经网络训练函数；tansig函数为隐藏层激活函数，输出层采用pureline函数，人工神经网络激活函数的权重、阈值为默认值，进行BP人工神经网络训练。

现有获取作物地上部生物量一般通过田间破坏性取样方法和遥感方法，田间破坏性取样方法虽具有较好的数据可靠性，但效率低、耗时间和资源。近年来，作物冠层图像分析技术，因其经济、高效等特点，在作物长势监测方面得到广泛应用。本发明的相关分析结果表明，冬小麦地上部生物量与由冠层图像分析获取的冠层覆盖度(CC)、饱和度(SAT)和红光值(R)呈显著相关，其中冠层覆盖度与地上部生物量的相关性最强。多数研究结果表明，作物冠层覆盖度与地上部生物量、叶面积指数等长势指标呈非线性相关。鉴于这些结果，首先对样本数据进行数据转换后，利用逐步回归方法构建了地上部生物量估算模型。模型验证结果表明，当地上部生物量达到一定程度开始(约大于500g/m²)，其估算误差明显增大。

BP人工神经网络方法虽存在一些不足，如有足够多的样本(一般认为样本数超过50)、实用性差等，但因其对多变量信息的综合能力及对非线性问题的拟合等方面所具有的有无可比拟的优势，已被广泛应用于基于高光谱的叶面积指数、地上部生物量等的估算或反演研究领域。有关人工神经网络方法显著提高叶面积指数、生物量等的高光谱估算精度的研究报道较多。本发明利用BP人工神经网络方法所构建的基于冠层覆盖度和图像色彩指数的冬小麦地上部生物量估算模型比逐步回归方法相比能明显提高地上部生物量等较大时的估算精度(表3、图3)。表明BP人工神经网络方法相对于逐步回归方法更适合于基于冠层图像的冬小麦生物量估算模型的构建。本发明结果可为基于可见光光谱的农田冬小麦及其他作物的长势监测研究提供参考依据

相比于现有技术的缺点和不足，本发明具有以下有益效果：(1)与传统破坏性田间取样调查方法相比，具有经济、高效等特点；(2)与基于高光谱遥感方法相比，本发明中的图片获取过程因更接近地面，较少受到云层的影响而获得分辨率更高的冠层图像；另外，与适合于大面积、大尺度的高光谱卫星遥感方法相比，本发明更适合田间水平的冬小麦生物量估算；(3)与传统回归估算模型相比，本发明(基于人工神经网络方法的生物量估算模型)显著提高冬小麦生物量估算精度。

附图说明

图1是冬小麦图像分割过程示意图；

图2为逐步回归模型中模型预测值与实测值之间的比较结果图；

图3为BP人工神经网络模型中模型预测值与实测值之间的比较结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明利用人工神经网络和多元线性回归方法建立基于冬小麦冠层图像分析的地上部生物量估算模型，研究结果可为冬小麦及其他作物长势监测研究提供理论和技术上的借鉴。

本发明前期试验内容包括：

于2013年10月～2014年5月在青岛农业大学科技示范园试验站进行，该试验站位于胶州市胶莱镇，属暖温带季风气候。试验地土壤有机质含量15.2g/kg，碱解氮72.67mg/kg、有效磷26.38mg/kg、有效钾116.95mg/kg。

(1)试验品种为济麦22；试验设6个施氮处理，处理水平分别为0、60、120、180、240、300kg/hm²纯氮。磷肥、钾肥施用量分别为100kg/hm²P₂O₅、120kg/hm²K₂O，全部作为基肥一次性施入。小区面积为80m²(10m×8m)，基本苗3.5×10⁶/hm²，行距18cm。试验采用随机区组设计，3次重复。其他管理按常规方法进行。

本发明提供的冬小麦生物量估算方法，该方法包括以下步骤：

S1、对小麦冠层进行图像采集，获取各组小麦的冠层覆盖度和冠层图像色彩指数；对图像采集后的各组小麦进行取样和处理后，计算单位面积的地上部生物量。

在步骤S1中，基于上述实验内容，于2014年3月27日、4月6日、4月13日和4月20日进行小麦冠层图像采集，之后进行取样。样本在105℃下杀青30min后于72℃下烘干至恒重，称其重量，再计算单位面积的地上部生物量(g/m²)。

小麦田间破坏性取样前，用数码相机(佳能60D相机，镜头18-135mmIS)拍摄小麦冠层图像，把数码相机固定在距小麦冠层顶部1m处，与地面垂直进行拍摄。事先自制72.5cm×45cm的长方形方格，将其置于田间，与小麦冠层保持相同高度。操作时相机取景范围对准长方形方格进行拍摄，拍摄时间为11:00-13:00。相机设置为程序自动曝光模式，采用多点自动对焦，ISO设定为400，图像分辨率设定为450万像素(2592×1728)，图像以RAW格式存储；拍摄时，将X﹒rite白平衡卡置于长方形方格的左上角，与冬小麦冠层一同拍摄。

利用相机附带软件Digitalphotoprofessional进行图像白平衡校正，后以JPEG(Jointphotographicexpertgroup)格式保存。

利用自制图像分析软件(冬小麦冠层图像分析系统，用微软VisualBasic编写)分割冬小麦图像，如图1所示，并读取冬小麦图像每个像素点的红光值(R)、绿光值(G)、蓝光值(B)及计算冠层覆盖度(canopycover，CC)和冠层图像色彩指数。图像色彩指数包括红光标准化值(r)、绿光标准化值(g)、蓝光标准化值(b)、归一化差值指数(NDI，normalizeddifferenceindex)、色调(Hue)、饱和度(SAT)和亮度(INT)。冠层覆盖度及冬小麦图像色彩指数的计算如下所示：

$r=\frac{R}{R+G+B};---\left(2\right)$

$g=\frac{G}{R+G+B};---\left(3\right)$

$b=\frac{B}{R+G+B};---\left(4\right)$

$NDI=\frac{r-g}{r+g+0.01};---\left(5\right)$

$Hue=\left\{\begin{array}{cc}\arccos \left\{\frac{\[(R-G)+(R-B)\]/2}{{\[{(R-G)}^2+(R-B)(G-B)\]}^{1/2}}\right\}& ifB\≤G\\ 2\mathrm{\π}-\arccos \left\{\frac{\[(R-G)+(R-B)\]/2}{{\[{(R-G)}^2+(R-B)(G-B)\]}^{1/2}}\right\}& ifB>G\end{array}\right.;---\left(6\right)$

$SAT=1-\frac{3}{(R+G+B)}\[\min (R,G,B)\];---\left(7\right)$

$INT=\frac{1}{3}(R+G+B);---\left(8\right)$

S2、对各组小麦的冠层覆盖度、图像色彩指数以及地上部生物量数据采用估算生物量的逐步回归模型进行筛选，选择出合格样本数据，并将样本数据随机分为A组和B组。

本发明实施例中共72组冬小麦冠层覆盖度及图像色彩指数和其对应的地上部生物量数据中，估算生物量的逐步回归(自变量为冠层覆盖度及R、G、B等10种色彩指数)模型的学生残差大于±2.0的一组数据作为异常值(outlier)被剔出，剩余的71组样本数据中，随机选取50组样本数据为A组，用于冬小麦地上部生物量估算模型的构建，其余21组样本数据为B组，用于估算模型的验证。利用决定系数(R2)、均方根误差(RMSE)、相对均方根误差(RRMSE)，对回归模型进行拟合优度的考察，利用相关系数、均方根误差(RMSE)和相对均方根误差(RRMSE)对回归模型进行检验。回归模型的建立、验证采用SAS9.1软件，BP人工神经网络分析采用MatLabR2012b软件。

S3、将A组样本数据用于冬小麦地上部生物量估算模型的构建，即采用BP人工神经网络模型对选择的合格样本数据进行训练。

冬小麦地上部生物量与冠层覆盖度及冠层图像色彩指数的相关分析结果表明，除亮度(INT)外，冬小麦地上部生物量与冠层覆盖度等均呈非线性相关，因此，首先对除亮度(INT)外的其他色彩指数及冠层覆盖度进行数据转换，之后以地上部生物量为因变量，以冠层覆盖度、红光值、绿光值、蓝光值等10种冠层图像色彩指数为自变量进行逐步回归分析。回归模型剔出或引入变量的显著性水平设定为0.05。

BP人工神经网络模型的结构通常包括输入层(input)、隐藏层(hidelayer)和输出层(outputlayer)，本研究中冬小麦冠层覆盖度和10种色彩指数作为输入层输入变量中，经过多种组合的多次网络测试调整，最终选择生物量估算效果最好的冠层覆盖度(CC)、绿光标准化值(g)、蓝光标准化值(b)和归一化差值指数(NDI)作为输入变量。隐藏层为1层，隐藏层的节点数，经过多次网络测试调整，确定为估算效果最佳的5个隐藏层节点。输出层为冬小麦地上部生物量。人工神经网络训练函数采用trainlm函数；隐藏层激活函数采用tansig函数；输出层采用pureline函数；人工神经网络激活函数的权重、阈值为默认值。待BP人工神经网络训练结束后，21组数据中的冠层覆盖度和3种色彩指数(CC、g、b和NDI)作为输入矢量，利用Sim函数计算并输出冬小麦地上部生物量，最后输出人工神经网络的权重、偏差等BP人工神经网络模型参数。表1为本发明中所构建的估算冬小麦地上部生物量的BP人工神经网络模型，表2为BP人工神经网络模型的权重及偏差。

表1估算冬小麦地上部生物量的BP人工神经网络模型

^§输入数据首先用Mapminmax函数进行归一化处理后再输入BP神经网络，而神经网络所输出的归一化的地上部生物量数据经反归一化后得到地上部生物量数据。

表2

S4、将B组样本数据用于估算模型的验证，即将B组样本数据中的冠层覆盖度CC、绿光标准化值g、蓝光标准化值b和归一化差值指数NDI作为BP人工神经网络模型的输入矢量，利用Sim函数计算并输出冬小麦地上部生物量，最后输出人工神经网络模型参数。

为验证本发明中所建立的两个冬小麦地上部生物量估算模型的预测精度，利用地上部生物量实测值与模型预测值的1:1关系图、实测值与预测值的一元线性回归方程的决定系数(R2)、均方根误差(RMSE)、相对均方根误差(RRMSE)来评价两个估算模型的表现，其结果示于表3、图2以及图3。

表3BP人工神经网络模型和逐步回归估算模型的拟合效果比较

从表3中可以看出，BP人工神经网路方法构建的估算模型的决定系数、均方根误差等指标好于逐步回归方法构建的估算模型，表明BP人工神经网络模型的拟合效果明显好于逐步回归估算模型。两个估算模型的预测值与实测值的回归关系均达到极显著水平，其决定系数均大于0.75。BP人工神经网络方法构建的估算模型的决定系数明显大于逐步回归模型，均方根误差、相对均方根误差也小于逐步回归模型。图2为逐步回归模型中模型预测值与实测值之间的比较结果图，图3为BP人工神经网络模型中模型预测值与实测值之间的比较结果图。从图2、3可以看出，逐步回归估算模型的估算效果较差，当地上部生物量大于500g/m²时，散点分散程度明显增大。BP人工神经网络估算模型估算精度教逐步回归模型相比有了明显的提高，散点基本分布在1:1线附近，除地上部生物量小于200g/m²的两个观测点之外，没有出现散点明显偏离1:1线的现象，基本分布在1:1线。

模型预测值与实测值的1:1关系图、验证模型的决定系数(R2)等的对比结果表明，BP人工神经网络估算模型较逐步回归估算模型相比对抽穗前的冬小麦地上部生物量的估算有其明显的优势。

本发明利用BP人工神经网络方法所构建的基于冠层覆盖度和图像色彩指数的冬小麦地上部生物量估算模型比逐步回归方法相比能明显提高地上部生物量等较大时的估算精度。表明BP人工神经网络方法相对于逐步回归方法更适合于基于冠层图像的冬小麦生物量估算模型的构建。本发明结果可为基于可见光光谱的农田冬小麦及其他作物的长势监测研究提供参考依据。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种冬小麦生物量估算方法，其特征在于，该方法包括以下步骤：

S1、对小麦冠层进行图像采集，获取各组小麦的冠层覆盖度和冠层图像色彩指数；对图像采集后的各组小麦进行取样和处理后，计算单位面积的地上部生物量；

S2、对各组小麦的冠层覆盖度、图像色彩指数以及地上部生物量数据采用估算生物量的逐步回归模型进行筛选，选择出合格样本数据，并将样本数据随机分为A组和B组；

S3、采用BP人工神经网络模型对A组样本数据进行训练；

S4、将B组样本数据中的冠层覆盖度CC、绿光标准化值g、蓝光标准化值b和归一化差值指数NDI作为BP人工神经网络模型的输入矢量，利用Sim函数计算并输出冬小麦地上部生物量，最后输出人工神经网络模型参数。

2.如权利要求1所述的冬小麦生物量估算方法，其特征在于，在步骤S1中，所述冠层图像色彩指数包括红光标准化值r、绿光标准化值g、蓝光标准化值b、归一化差值指数NDI、色调Hue、饱和度SAT和亮度INT。

3.如权利要求1所述的冬小麦生物量估算方法，其特征在于，在步骤S1中，所述处理为将样本在105℃下杀青30min后于72℃下烘干至恒重，称其重量。

4.如权利要求1所述的冬小麦生物量估算方法，其特征在于，在步骤S2中，采用估算生物量的逐步回归模型将学生残差大于±2.0的各组数据作为异常值剔出，得到合格样本数据。

5.如权利要求4所述的冬小麦生物量估算方法，其特征在于，在步骤S2中，在逐步回归模型进行筛选之前，利用决定系数R2、均方根误差RMSE、相对均方根误差RRMSE对回归模型进行拟合优度的考察，利用相关系数、均方根误差RMSE和相对均方根误差RRMSE对回归模型进行检验。

6.如权利要求1所述的冬小麦生物量估算方法，其特征在于，在步骤S3中，所述采用BP人工神经网络模型对选择的合格样本数据进行训练具体包括：

选择A组样本数据中冠层覆盖度、绿光标准化值、蓝光标准化值和归一化差值指数作为BP人工神经网络模型输入层输入变量；将BP人工神经网络模型隐藏层设为1层，节点5个；将小麦地上部生物量作为BP人工神经网络模型的输出层；

采用trainlm函数为人工神经网络训练函数；tansig函数为隐藏层激活函数，输出层采用pureline函数，人工神经网络激活函数的权重、阈值为默认值，进行BP人工神经网络训练。