CN111044516A - 一种水稻叶绿素含量遥感估测方法 - Google Patents

Abstract

本发明实施例公开了一种水稻叶绿素含量遥感估测方法，所述方法包括：(1)利用PROSAIL辐射传输机理模型模拟待测量水稻冠层光谱，建立查找表，并将采集的冠层光谱反射率与查找表中模拟冠层反射率比较，通过代价函数确定最优解初步反演水稻叶绿素含量；(2)采用LS‑SVM方法建立LS‑SVM误差补偿模型，弥补PROSAIL辐射传输机理模型在机理建模时存在的偏差。该方法用以解决现有估测方法应用范围受限，存在模型偏差，以及不能覆盖整个或多个水稻生育期的问题。水稻长势将直接影响最终产量，因此，选择合适的建模方法建立多个生育期内的水稻叶绿素含量估测模型实时监测水稻长势，对农业生产及决策具有重要指导意义。

Description

一种水稻叶绿素含量遥感估测方法

技术领域

本发明涉及农业监测技术领域，具体涉及一种水稻叶绿素含量遥感估测方法。

背景技术

水稻是我国主要粮食作物之一，水稻叶绿素含量是衡量其长势的重要指标，因此实现水稻叶绿素含量的精准估测对其长势监测、施肥施药调控及田间的精准管理具有重要意义。近年来，随着高光谱遥感技术的发展，为实现作物叶绿素等含量监测提供了一种有效的手段。

当前基于高光谱信息估测水稻等作物叶绿素含量的方法主要包括两类：一类是利用光谱波段组合生成的各种光谱指数，如比值指数(RVI)、三角植被指数(TVI)、土壤调整植被指数(SAVI)、绿波段归一化植被指数等，它们与叶绿素含量之间有较好的相关性，应用较为广泛；另一类是光谱特征变量，如利用归一化光谱的反射峰与吸收谷等特征变量，或是基于导数光谱的特征变量来度量叶绿素的变化。

在水稻等作物叶绿素含量反演建模方面，已有模型大多是假设自变量与因变量之间为线性关系的回归模型，如一元线性、多元线性模型等。尽管数据的线性特征可以通过数学转换来实现，但是那些具有复杂非线性特征的数据难以通过数学转换来实现。因此，基于机器学习的非线性建模方法逐渐地被应用到估测叶绿素含量上。这些建模方法所得到的模型均属于数据模型，现有的数据模型结构通常简单，分析方便，但数据模型通常是在特定的空间和时间下确定的，且随着观测集合信息等变化而变化，限制了其应用范围。为了提高模型的普适性，现有技术中常会采用机理建模的方法。机理模型物理意义较为明确，且反演过程较稳定，适应性较好。但由于作物叶绿素含量与其影响因素之间的复杂关系，相应的参数和变量较多，且地表环境系统包含众多不确定性因素，机理建模只能在一定假设和简化下进行，导致不可避免地存在模型偏差。

此外，当前整个生育期内动态监测水稻长势研究较少。现有方法估测叶绿素含量多是基于某一特定生育期，并不能覆盖整个或多个水稻生育期，使得估测结果的实际应用效果不理想。

发明内容

本发明实施例的目的在于提供一种水稻叶绿素含量遥感估测方法，用以解决现有估测方法应用范围受限，存在模型偏差，以及不能覆盖整个或多个水稻生育期的问题。水稻长势将直接影响最终产量，因此，选择合适的建模方法建立多个生育期内的水稻叶绿素含量估测模型实时监测水稻长势，对农业生产及决策具有重要指导意义。

为实现上述目的，本发明实施例提供一种水稻叶绿素含量遥感估测方法，所述方法包括：

(1)利用PROSAIL辐射传输机理模型模拟待测量水稻冠层光谱，建立查找表，并将采集的冠层光谱反射率与查找表中模拟冠层反射率比较，通过代价函数确定最优解初步反演水稻叶绿素含量；

(2)采用LS-SVM(最小二乘支持向量机)方法建立LS-SVM误差补偿模型，弥补PROSAIL辐射传输机理模型在机理建模时存在的偏差，所述方法的估测输出如下所示：

其中C为基于PROSAIL辐射传输机理模型的叶绿素含量预测值，

为LS-SVM误差补偿模型对PROSAIL辐射传输模型预测值与实测值之间的偏差估计。

进一步的，步骤(1)包括，在待测量水稻生长的分蘖期、拔节孕穗期、抽穗灌浆期和成熟期测量水稻冠层光谱反射率。

测量水稻冠层光谱反射率可采用光谱仪进行，如采用美国ASD公司的AnalyticalSpectral Devices ^TM光谱仪。所述分蘖期、拔节孕穗期、抽穗灌浆期和成熟期的具体测量日期可根据当地水稻品种和种植情况予以确定。测量时，应选择天气晴朗、无云、无风的气象条件下进行。例如，可以选择当地10：00～14:00时间段测量水稻冠层光谱反射率。

进一步的，所述测量光谱反射率采用400～1000nm波段，并将该波段进行5点平滑处理及归一化处理。由于400nm以下波段噪声影响较大，1300nm以外波段因水分吸收导致光谱不连续被截取，因此选取上述波段可以尽量消除光谱噪声。此外，为保证结果的准确性，每次测量都及时进行白板校正。

进一步的，步骤(1)还包括，取测量区域的水稻样品，进行叶绿素提取和含量测定。

其中，所述叶绿素含量测定通过紫外可见分光光度计进行，包括将丙酮、无水乙醇、蒸馏水配成混合溶液，将所述水稻样品破碎后混合均匀，并加入所述混合溶液浸泡，待破碎样品完全变白后测定663nm、645nm处的光密度值，测量3次取平均值，根据光密度计算叶绿素质量浓度。

进一步的，所述PROSAIL辐射传输模型是通过耦合PROSPECT叶片辐射传输模型和SAILH冠层结构模型得到的整体模型，其中，

所述PROSPECT叶片辐射传输模型的输入参数包括叶片结构参数、叶绿素含量、干物质含量和等效水厚度；

所述SAILH冠层结构模型的输入参数包括叶片光谱信息、叶面积指数、平均叶倾角、热点参数、土壤亮度参数、漫反射系数、观测天顶角、太阳天顶角、观测相对方位角。

其中叶片光谱信息(反射率、透射率)采用PROSPECT模型模拟时的输出结果，其他参数可根据光谱获取时实际观测信息确定，则影响冠层光谱的变动参数为叶绿素、干物质量、等效水厚度、叶面积指数。

进一步的，步骤(1)还包括，采用基于方差的改进Sobol全局敏感性分析算法分析PROSAIL辐射传输模型中叶绿素含量、等效水厚度、干物质含量的参数变化以及所述参数之间相互作用对模拟水稻冠层光谱信息的影响。

进一步的，所述改进Sobol全局敏感性分析算法包括：设非线性模型为F＝u(t)，其中t＝(t₁,t₂,...t_k)，服从[0，1]均匀分别，则模型的总方差为：

式中V_i＝V[E(Y|X_i)]；V_ij为输入参数t_i,t_j间相互作用的方差；V_i,...,k为参数t_i...t_k相互作用的方差，

参数t_i的一阶及总敏感度S_i和S_Ti如下式：

采用蒙特卡罗方法，V(F)、S_i和S_Ti为：

式中f₀为模型输出的平均值；P和Q为两个独立矩阵，每行为模型的一个输入参数向量；N为样本数；

表示将矩阵P的第i列替换为矩阵Q的第i列后得到的矩阵；计算过程中，对

进行归一化处理，进而评价模型中相关参数的敏感度。

进一步的，步骤(2)中，所述LS-SVM误差补偿模型选取

为样本集，其中x_i＝{X,y}，

L为样本数。

进一步的，通过LS-SVM误差补偿模型弥补PROSAIL辐射传输机理模型在机理建模时存在的偏差包括下列步骤：

其中

为误差变量，γ为正则化参数，b为偏差量。

进一步的，引入Lagrange函数以求解优化问题：

式中α_i为拉格朗日乘子，令上式偏导数为0，消去w和

求解变为如下形式：

式中e＝[e₁,e₂,…,e_L]^T；Z＝[1,1,…,1]；α＝[α₁,α₂,…,α_L]^T；Ω_ij＝K(x_i,x_j)，

求解上述矩阵可得到相应a和b的值，从而得到水稻叶绿素误差估计函数为：

式中K(x,x_i)为核函数，选径向基核函数：

K(x,x_i)＝exp(-||x-x_i||²/2σ²) (9)

式中σ为核函数参数。

本发明实施例的方法综合了数据模型和机理模型的优点，在水稻关键生育期内，将数据模型和机理模型相结合，提出一种水稻叶绿素含量估测的整体混合建模方法，首先利用PROSAIL辐射传输模型模拟冠层光谱，建立查找表初步反演水稻叶绿素含量，并采用LSSVM方法建立数据补偿模型，弥补PROSAIL机理建模存在的偏差，为高光谱信息估测水稻叶绿素含量提供新的方法。

本发明实施例具有如下优点：

1、本发明利用PROSAIL辐射传输机理模型结合LSSVM误差模型，通过筛选出的4种与叶绿素相关性较高的植被指数GNDVI，MCARI，RSI和(S_Dr-S_Db)/(S_Dr+S_Db)作为输入，建立几个关键生育期整体的多因子预测混合模型，用来估测水稻叶绿素含量。

2、相比4种植被指数单独为输入的单因子预测模型，本文建立的MFEM_{PROSAIL-LSSVM}模型优势较大，具有较低估测误差和较高的估测精度；与采用其他多因子预测模型相比，本发明提出的方法同样在存在一定优势，具有较高的估测精度和良好的鲁棒性。

3、与单纯数据驱动模型相比，本文提出的建模方法不仅具有较高估测精度，且具有更为严格的理论基础和较明确的物理意义。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1显示本发明一个实施例提供的水稻叶绿素含量整体估测流程图。

图2显示本发明一个实施例提供的PROSAIL模型各参数总敏感性分析示意图。

图3显示本发明一个实施例提供的不同模型的叶绿素含量实测值与预测值比较结果。

图1中附图标记为：

1、PROSAIL参数输入；2、PROSAIL模型；3、模拟冠层光谱反射率；4、代价函数；5、水稻叶绿素含量预测值；6、采集光谱反射率；7、采样水稻叶绿素含量实测值；8、LS-SVM误差模型；9、基于偏差补偿叶绿素含量预测输出。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

1.1、研究区概况

本实施例研究试验于2017年5月-2017年10月在辽宁省沈阳市沈阳农业大学道南试验田(41°49＇N，123°33＇E，平均海拔65m)进行。该地区属于北温带半湿润大陆性气候，四季分明，降水集中，日照充足。试验地区年平均气温6.2～9.7℃，雨水主要集中在7、8月份，全年降水量为600～800mm，粮食作物以东北粳稻为主。供试品种为沈稻47进行小区栽培实验，种植18个小区，单个试验小区面积为40m²(5m x 8m)。水稻插秧时间为5月27日，株距10cm，设置4个氮素水平：0、225kg.ha^-1、450kg.ha^-1、675kg.ha^-1，每个水平设置3个重复。在施肥过程中，氮肥分3次施入，分别为基肥50％，分蘖肥20％，穗肥30％。另外，施用过磷酸钙510kg.ha^-1作为基肥，硫酸钾150kg.ha^-1作为穗肥。

1.2、数据采集

1.2.1、水稻冠层光谱测定及数据处理

光谱测量采用美国ASD公司的Analytical Spectral Devices ^TM光谱仪，在水稻生长的分蘖期(6月5日)、拔节孕穗期(7月5日)、抽穗灌浆期(8月8日)和成熟期(9月18日)，选择天气晴朗、无云、无风的气象条件下进行，并于当地10:00～14:00时间段测量水稻冠层光谱反射率。测量时，传感器探头向下，距离水稻冠层顶端垂直高约为1m。在每个试验小区中心点附近选4个不同位置，记录冠层光谱信息，将4次测量结果的平均值作为该采样点的光谱反射值。并将相应的采样样本装入密封袋带回实验室进行叶绿素提取。为保证结果的准确性，每次测量都及时进行白板校正。为尽量消除光谱噪声，采用常用波段为400～1000nm，并将选取波段进行5点平滑处理及归一化处理。

1.2.2、水稻叶绿素含量测定

叶绿素含量采用Spectrum752型紫外可见分光光度计测定。将丙酮、无水乙醇、蒸馏水按体积比9:9:2配成混合溶液，选择若干水稻不同部位的完全展开叶片，剪碎后相互混合均匀，称取0.4克加入混合溶液200ml浸泡，待叶片完全变白后测定663nm、645nm处的光密度值，测量3次取平均值，根据光密度计算叶绿素质量浓度。

Chla＝9.784OD₆₆₃-0.990OD₆₄₅

Chlb＝21.426OD₆₄₅-4.650OD₆₆₃

Chlab＝5.134OD₆₆₃+20.436OD₆₄₅

式中Chla和Chlb分别为叶绿素a和叶绿素b的质量浓度，mg/L；Chlab为叶绿素总质量浓度，mg/L；OD为指定波长处的光密度，％。为了与PROSAIL模型的叶绿素输出保持一致，获得叶绿素浓度后需换算成单位面积内叶绿素含量。

1.3、PROSAIL模型及其敏感性分析

PROSAIL模型敏感性分析是为了分析评价各参数对模型的影响程度，从而确定出模型参数影响的光谱波段的敏感范围，它是利用PROSAIL模型进行初步反演水稻叶绿素含量的基础。

采用基于方差的改进Sobol全局敏感性分析算法分析PROSAIL辐射传输模型中叶绿素含量、等效水厚度、干物质含量的参数变化以及所述参数之间相互作用对模拟水稻冠层光谱信息的影响：

设非线性模型为F＝u(t)，其中t＝(t₁,t₂,...t_k)，服从[0，1]均匀分别，则模型的总方差为：

式中V_i＝V[E(Y|X_i)]；V_ij为输入参数t_i,t_j间相互作用的方差；V_i,...,k为参数t_i...t_k相互作用的方差，

参数t_i的一阶及总敏感度S_i和S_Ti如下式：

采用蒙特卡罗方法，V(F)、S_i和S_Ti为：

式中f₀为模型输出的平均值；P和Q为两个独立矩阵，每行为模型的一个输入参数向量；N为样本数；

表示将矩阵P的第i列替换为矩阵Q的第i列后得到的矩阵；计算过程中，对

进行归一化处理，进而评价模型中相关参数的敏感度。

1.4、混合建模方法

1.4.1、模型结构

基于PROSAIL模型和LS-SVM软测量模型各自的优势，提出将两种模型相结合的混合建模方法，不仅物理意义较为明确，也利用了相关的数据信息，从而可以实现对水稻叶绿素含量的精准估测，提高模型的普适性。

水稻叶绿素含量整体估测流程如图1所示。

各附图标记表示为：1、PROSAIL参数输入；2、PROSAIL模型；3、模拟冠层光谱反射率；4、代价函数；5、水稻叶绿素含量预测值；6、采集光谱反射率；7、采样水稻叶绿素含量实测值；8、LS-SVM误差模型；9、基于偏差补偿叶绿素含量预测输出。

混合建模方法首先利用PROSAIL辐射传输机理模型模拟冠层光谱，建立查找表，并将采集的冠层光谱反射率与查找表中模拟冠层反射率比较，通过代价函数确定最优解初步反演水稻叶绿素含量。混合建模第二步是采用LSSVM方法建立数据补偿模型，弥补单独PROSAIL机理建模时产生的偏差，最终由机理模型与LS-SVM误差补偿模型相结合对水稻叶绿素含量进行估测。该模型的预测输出如下所示：

其中C为基于PROSAIL辐射传输机理模型的叶绿素含量预测值，

为LS-SVM误差补偿模型对PROSAIL辐射传输模型预测值与实测值之间的偏差估计，以进一步提高叶绿素含量估测精度。

1.4.2、回归LS-SVM误差模型

本实施例LS-SVM误差补偿模型选取

为样本集，其中x_i＝{X,y}，

L为样本数。

通过LS-SVM误差补偿模型弥补PROSAIL辐射传输机理模型在机理建模时存在的偏差包括下列步骤：

其中

为误差变量，γ为正则化参数，b为偏差量。

引入Lagrange函数以求解优化问题：

式中α_i为拉格朗日乘子，令上式偏导数为0，消去w和

求解变为如下形式：

式中e＝[e₁,e₂,…,e_L]^T；Z＝[1,1,…,1]；α＝[α₁,α₂,…,α_L]^T；Ω_ij＝K(x_i,x_j)，

求解上述矩阵可得到相应a和b的值，从而得到水稻叶绿素误差估计函数为：

式中K(x,x_i)为核函数，选径向基核函数：

K(x,x_i)＝exp(-||x-x_i||²/2σ²) (9)

式中σ为核函数参数。

实施例2

模型性能评价

在模型性能评价方面，本实施例选取决定系数R²和均方根误差RMSE(mg/dm²)指标作为模型拟合度和反演精度的评价标准，衡量拟合模型的效果，如式(10)-(11)所示。其中R²值越接近1，表明预测值与实测值之间的相关性越高；R²值越接近0，表明预测值与实测值之间的相关程度越弱。RMSE值越小，表明模型精度越高。

式中Y_i为实测值，

为模型估测值，

为估测值的平均值，n为样本数。

本实施例分析PROSAIL模型中叶绿素参数的变化对水稻冠层光谱信息的影响。PROSAIL模型输入参数设置如表1。

表1 PROSAIL模型输入参数及变化范围

采用改进Sobol方法通过对PROSAIL模型全局敏感性分析(见图2)发现，叶绿素含量主要影响430～760nm之间的冠层反射率，而在900nm之后对冠层反射率的结果影响很小。在900nm之前波段，水分含量的变化对冠层光谱信息影响不大，光谱反射率的影响主要集中在950nm之后。叶面积指数和干物质量含量的变化在400～1000nm的光谱范围内均存在敏感性，且700nm之后干物质量含量敏感性显著增加。

根据参数敏感性分析结果得到各参数敏感波段，可用于构建水稻叶绿素含量的估测模型。根据光谱采集过程的实际情况，得到建立查找表的各输入参数及变化范围如表2所示。

表2 PROSAIL模型查找表输入参数范围

将各参数的不同组合值代入到PROSAIL模型进行冠层反射率模拟，建立水稻叶绿素含量的查找表，并在敏感波段范围内，将实测冠层光谱反射率与查找表中反射率比较，通过采用最小二乘法构建的代价函数初步反演叶绿素含量。

将光谱反射率转换为不同植被指数，并选取与叶绿素关系较为紧密的13种植被指数。为了比较提出方法的性能，首先分别采用各植被指数进行线性、指数、乘幂和对数几种统计模型的模拟，建立基于植被指数单因子预测模型(Single factor estimation model,SFEM)，不同光谱指数与水稻叶绿素含量的各相关性如表3所示。

表3基于植被指数的水稻叶绿素含量最佳估测模型比较

由表3数据可以看出，本文中基于光谱指数GNDVI，RSI和(S_Dr-S_Db)/(S_Dr+S_Db)的乘幂关系统计模型及MCARI的指数关系统计模型与水稻叶绿素含量相关性较高，决定系数分别为0.6256、0.6203、0.6471和0.6319，模型分别标记为SFEM_GNDVI,SFEM_RSI,SFEM_SDr-SDb,SFEM_MCARI。另外，本实施例结合这四种植被指数作为多因子输入，水稻叶绿素含量为输出，构建多因子预测模型(Multi-factor estimation model，MFEM)，包括构建LSSVM偏差模型，补偿PROSAIL模型输出与实测值之间的偏差，混合模型标记为MFEM_{PROSAIL-LSSVM}。同时单独采用PROSAIL模型建立查找表反演叶绿素，标记为MFEM_PROSAIL。为进一步比较模型之间性能，还分别采用偏最小二乘法(PLS)，最小二乘支持向量机(LSSVM)和BP神经网络建立基于植被指数组合的多因预测模型，模型分别标记为MFEM_PLS，MFEM_LSSVM，MFEM_BP。其中，LSSVM模型中惩罚因子γ与核函数参数σ采用具有全局搜索性能的一种改进粒子群PSO算法进行寻优。BP神经网络模型采用3层结构，网络模型对不同的隐含层结点数进行训练以确定最佳隐含层结点数m，迭代次数为1500，学习目标为0.001，学习率为0.01。利用采集的几个关键生育期共400组训练样本数据对模型进行训练，得到各最优模型如表4。

表4水稻叶绿素含量最佳估测模型

注释：y为叶绿素预测输出,x₁为GNDVI,x₂为RSI,x₃为[(SDr-SDb)/(SDr+SDb)],x₄为MCARI

在采集到的检验样本中，随机抽取115个检验样本，采用表4中建立的最佳模型对样本数据进行验证，各模型对水稻叶绿素估测值和实测值的散点图如图3所示，相应的预测模型建模精度和检验精度如表5所示。

由图3可以看出，基于植被指数为GNDVI、RSI、(S_Dr-S_Db)/(S_Dr+S_Db)的乘幂模型和植被指数为MCARI的指数模型对水稻叶绿素含量的预测结果,不同单因子预测模型所得的预测值分布状态较为相近,不存在较大的区别，其中SFEM_SDr-SDb分布相对紧密一些。虽然单因子预测模型具有一定预测精度，但沿直线y＝x分布较为分散，表明估测值与实测值之间存在一定偏差。

结合四种植被指数为输入的多因子预测模型MFEM_PLS，MFEM_LSSVM，MFEM_{PROSAIL-LSSVM}，MFEM_BP对水稻叶绿素含量的估测，与单因子最优预测模型SFEM_GNDVI、SFEM_RSI、SFEM_SDr-SDb和SFEM_MCARI相比，分布更为紧密，尤其是本实施例提出的模型MFEM_{PROSAIL-LSSVM}，其预测结果沿直线y＝x的分布状态表现非常优异，相比单因子预测模型，有更少的预测值偏离直线y＝x，同时也在不同程度上优于MFEM_PLS，MFEM_LSSVM，MFEM_BP多因子预测模型，显示了优异的预测效果，能够有效减轻不同生育期的差异对该模型的影响。

表5估测模型的建模及检验精度

从表5中各模型的建模精度和检验精度可以看出，基于多因子输入的预测模型整体上要比单因子预测模型具有更小的RMSE指标值，由于单因子预测模型使用光谱信息有限，一些干扰无法有效排除，因而误差往往较大。而多因子预测模型同时使用了多个光谱指数作为自变量，更大程度利用率有效信息，因此可以提高模型精度。同时多因子预测模型可减少因同谱异物及同物异谱等原因形成的偏差。可以看出，本文提出的MFEM_{PROSAIL-LSSVM}多因子预测模型无论对于建模样本还是检验样本，都提供了最小的RMSE指标值。另外，对于建模样本，MFEM_{PROSAIL-LSSVM}模型和基于LS-SVM的多因预测模型提供了较高的决定系数，分别为R²＝0.7406和R²＝0.7393，高于其他预测模型。对比MFEM_LSSVM模型，虽然本文建立的模型在决定系数指标方面没有较大优势，但在检验样本中，MFEM_{PROSAIL-LSSVM}模型提供了最高的决定系数，不仅高于单因子预测模型，也在一定程度上优于其他多因子预测模型，表明提出的方法其估测值与实测值之间具有更好的相关性。表6列出了不同模型估测叶绿素的统计特征。

表6不同模型估测水稻叶绿素含量(ug/cm²)的统计特征

由表6中的各预测模型统计特征可以看出，SFEM_RSI模型对水稻叶绿素估测值平均低于实测值，SFEM_MCARI和SFEM_GNDVI模型估测值平均高于实测值，且SFEM_GNDVI模型对估测值分布较为集中，SFEM_MCARI模型的估测值分布较为分散，对于较大值和较小值分别有过高估测和过低估测的倾向，而MFEM_{PROSAIL-LSSVM}，MFEM_LSSVM，MFEM_BP模型对叶绿素的估测值与实测值较为接近，尤其MFEM_{PROSAIL-LSSVM}和MFEM_LSSVM多因子预测模型估测叶绿素最大、最小值、均值和标准差都比较接近实测值的相应统计特征。

在东北水稻叶绿素含量估测方面，本发明技术方案选择相关性较高的光谱指数GNDVI，RSI，(S_Dr-S_Db)/(S_Dr+S_Db)和MCARI作为水稻几个关键生育期叶绿素动态变化的输入因子，并分别构建基于植被指数的单因子预测模型及多因子预测模型，都在一定程度上获得了较为满意的精度。相对利用全部光谱信息建模，基于光谱指数建立的模型较为简单，尽管仅使用了几个光谱波段，但数据利用率较高，精度也较高。通过特征波段组成光谱指数，可剔除不相关变量，进而得到性能较好的估测模型。

通过本实施例仿真对比研究发现，在建立的多个模型中，多因子预测模型整体上优于单因子预测模型，可能因为单因子预测模型建立时，参与建模的光谱信息过少而导致模型稳定性不够，且容易受到背景信息的干扰而降低模型精度。水稻等作物叶绿素含量的差异体现在光谱的多个波段上，而其他波段构建的光谱指数对叶绿素的影响往往不可忽视。因此，实施例中多因子预测模型具有较好的估测效果。另外，在多因子预测模型中，基于PROSAIL模型偏差补偿的混合模型，其预测值与实测值具有更好的拟合性(R²＝0.7332，RMSE＝1.0843)。可见，在相同波段或植被指数输入条件时，对模型偏差有效补偿可进一步提升模型估测性能。

本发明技术方案利用PROSAIL辐射传输机理模型结合LSSVM误差模型，通过筛选出的4种与叶绿素相关性较高的植被指数GNDVI，MCARI，RSI和(S_Dr-S_Db)/(S_Dr+S_Db)作为输入，建立几个关键生育期整体的多因子预测混合模型，用来估测水稻叶绿素含量，并与其他估测模型进行了比较，通过分析结果表明：相比4种植被指数单独为输入的单因子预测模型，本发明技术方案建立的MFEM_{PROSAIL-LSSVM}模型优势较大，具有较低估测误差和较高的估测精度；与MFEM_PROSAIL模型及其他多因预测模型MFEM_PLS,MFEM_LSSVM和MFEM_BP相比,MFEM_{PROSAIL-LSSVM}模型同样在存在一定程度的优势，具有更高的估测精度，且具有良好的鲁棒性。另外，与单纯数据驱动模型相比，本发明提出的建模方法不仅具有较高估测精度，且具有更为严格的理论基础和较明确的物理意义。这对实时监测水稻的生长状况，提高作物产量，实现精准农业具有非常重要的实际意义，其在水稻定量遥感分析方面有良好的应用前景。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种水稻叶绿素含量遥感估测方法，其特征在于，所述方法包括：

(1)利用PROSAIL辐射传输机理模型模拟待测量水稻冠层光谱，建立查找表，并将采集的冠层光谱反射率与查找表中模拟冠层反射率比较，通过代价函数确定最优解初步反演水稻叶绿素含量；

(2)采用LS-SVM方法建立LS-SVM误差补偿模型，弥补PROSAIL辐射传输机理模型在机理建模时存在的偏差，

所述方法的估测输出如下所示：

其中C为基于PROSAIL辐射传输机理模型的叶绿素含量预测值，

为LS-SVM误差补偿模型对PROSAIL辐射传输模型预测值与实测值之间的偏差估计。

2.根据权利要求1所述的方法，其特征在于，步骤(1)包括，在待测量水稻生长的分蘖期、拔节孕穗期、抽穗灌浆期和成熟期测量水稻冠层光谱反射率。

3.根据权利要求2所述的方法，其特征在于，所述测量光谱反射率采用400～1000nm波段，并将该波段进行5点平滑处理及归一化处理。

4.根据权利要求1所述的方法，其特征在于，步骤(1)还包括，取测量区域的水稻样品，进行叶绿素提取和含量测定。

5.根据权利要求1所述的方法，其特征在于，所述PROSAIL辐射传输模型是通过耦合PROSPECT叶片辐射传输模型和SAILH冠层结构模型得到的整体模型，其中，

所述PROSPECT叶片辐射传输模型的输入参数包括叶片结构参数、叶绿素含量、干物质含量和等效水厚度；

所述SAILH冠层结构模型的输入参数包括叶片光谱信息、叶面积指数、平均叶倾角、热点参数、土壤亮度参数、漫反射系数、观测天顶角、太阳天顶角、观测相对方位角。

6.根据权利要求1所述的方法，其特征在于，步骤(1)还包括，采用基于方差的改进Sobol全局敏感性分析算法分析PROSAIL辐射传输模型中叶绿素含量、等效水厚度、干物质含量的参数变化以及所述参数之间相互作用对模拟水稻冠层光谱信息的影响。

7.根据权利要求6所述的方法，其特征在于，所述改进Sobol全局敏感性分析算法包括：设非线性模型为F＝u(t)，其中t＝(t₁,t₂,...t_k)，服从[0，1]均匀分别，则模型的总方差为：

式中V_i＝V[E(Y|X_i)]；V_ij为输入参数t_i,t_j间相互作用的方差；V_i,...,k为参数t_i...t_k相互作用的方差，

参数t_i的一阶及总敏感度S_i和S_Ti如下式：

采用蒙特卡罗方法，V(F)、S_i和S_Ti为：

式中f₀为模型输出的平均值；P和Q为两个独立矩阵，每行为模型的一个输入参数向量；N为样本数；

表示将矩阵P的第i列替换为矩阵Q的第i列后得到的矩阵；计算过程中，对

进行归一化处理，进而评价模型中相关参数的敏感度。

8.根据权利要求1所述的方法，其特征在于，步骤(2)中，所述LS-SVM误差补偿模型选取

为样本集，其中x_i＝{X,y}，

L为样本数。

9.根据权利要求8所述的方法，其特征在于，通过LS-SVM误差补偿模型弥补PROSAIL辐射传输机理模型在机理建模时存在的偏差包括下列步骤：

其中

为误差变量，γ为正则化参数，b为偏差量。

10.根据权利要求9所述的方法，其特征在于，引入Lagrange函数以求解优化问题：

式中α_i为拉格朗日乘子，令上式偏导数为0，消去w和

求解变为如下形式：

式中e＝[e₁,e₂,…,e_L]^T；Z＝[1,1,…,1]；α＝[α₁,α₂,…,α_L]^T；Ω_ij＝K(x_i,x_j)，

求解上述矩阵可得到相应a和b的值，从而得到水稻叶绿素误差估计函数为：

式中K(x,x_i)为核函数，选径向基核函数：

K(x,x_i)＝exp(-||x-x_i||²/2σ²) (9)

式中σ为核函数参数。

Images