无人机多光谱草地估产中的最佳波段组合研究

2018-03-26孙世泽汪传建赵庆展

江苏农业科学 2018年4期

孙世泽，汪传建，刘伟，张雅，赵庆展

(石河子大学信息科学与技术学院/兵团空间信息工程技术研究中心/兵团空间信息工程实验室，新疆石河子 832000)

草地生物量是天然草地生态系统动态研究的重要衡量指标，是草地资源合理利用和载畜平衡监测的重要依据[1]。为了快速、便捷、有效地监测草地资源，国内外学者开始利用卫星遥感技术来估算生物量。然而传统的卫星遥感重复周期长，无法及时有效地获取地面准确信息[2]，且摄影测量易受大气影响，分辨率低，地形复杂时难以获取像元真值，难以满足实际需求。近年来，无人机遥感具有低成本、低风险、高时效、高分辨率、云下获取影像等特点[3]，使其迅速成为了遥感不可或缺的技术手段，给遥感技术在作物估产[4-5]、灾害分析[6-7]、地物分类[8-9]等各个领域提供了新的平台。

然而分辨率提高的同时，多光谱影像相邻波段的相关性也大大提高，导致了大量信息冗余，增加了后期数据处理的难度，也需要消耗更多的信息空间[10-12]，因此必须进行数据降维预处理，才能进行后期数据分析。秦方普等采用图论的谱聚类算法，利用波段互信息和图谱划分理论，生成类间相似度小、类内相似度大的类簇，通过计算每一簇各波段的类间可分性因子，筛选出每一簇的代表性波段，从而达到降维的目的[13]。刘雪松等提出一种基于最大信息量的无监督波段选择方法，以K-L散度为信息量的度量指标，通过分析信息量在整个数据集中的分布情况，采用迭代的方法，逐步移除对数据集的信息量影响最小的波段，从而实现降维[14]。程志庆等将最佳指数与相关系数通过熵权评价值进行融合，选取出了反映小麦叶片叶绿素含量的最佳波段组合，并与其他波段选择方法进行了对比，验证了该方法可以提高叶绿素含量模型的精度[15]。

综上所述，最佳波段组合的研究已有不少进展，但大多数都是以基于高光谱数据的地物分类为研究目标，基于多光谱数据的最佳波段组合还很少见，不少文献指出选取最佳波段组合要针对研究的目标对象和所要突出的专题信息来进行，不同的研究对象有不同的最佳波段组合[12，16-17]。此外，大多数研究都是从信息量和信息冗余这两方面考虑最佳波段组合，不能确定所选波段与植被光谱特征之间具有较大相关性。基于以上局限性，本研究利用无人机搭载多光谱Micro MCA12 Snap传感器获取多光谱影像，从波段光谱特征和植被在可见光红光波段有很强的吸收，在近红外波段有很强的反射特性这一基本光谱特性入手，对所有波段进行分组，结合最佳指数因子和最大相关系数选取最佳组合波段，建立天然草地生物量估算模型，以期能通过对比选取最佳波段组合，提高估算模型精度。

1 研究区数据获取及预处理

1.1 研究区概况及生物量获取

研究区中心位置位于85°46′15.06″E，44°00′13.23″N，地处新疆天山北坡中段，属新疆生产建设兵团第八师一五一团，无人机影像面积大约3 500 m2，该区域属于典型的温带大陆性气候，冬季长而寒冷，夏季短而炎热，年平均温度6.5～7.2 ℃，年均降水量125.0～207.7 mm，海拔在980～1 100 m之间，地貌以低山丘陵和宽谷平原为主。阴阳坡草地类型迥异，阳坡属迎风坡，地表风蚀，砾石居多，沙化严重，植被类型以荒漠草甸为主，植被主要有博洛塔绢蒿。阴坡雨量充沛，空气和土壤湿度较高，植被覆盖度高，植被类型以山地草甸为主，植被主要有针茅、苔草和丁彬花，另外河谷有少量灌丛、荨麻和树木等植被。

无人机拍摄结束后，地面采集生物量工作立即展开，整个研究区共随机布设了40个样方，每个样方大小为1 m×1 m，手持GPS终端记录其位置信息，齐地面刈割法收集所有样方内的草地生物量，使用高精度电子秤称取每个样方中的植被生物量，记录样方中植被的指标，主要内容包括草地生物量、经纬度及高程、主要植被种类和所在坡向。

1.2 多光谱数据获取

本研究所采用的无人机是大疆Spreading Wing S1000+八旋翼无人机，悬停功耗1 500 W，整机质量4.4 kg，有效载荷3 kg。传感器为美国Tetracam公司生产的Micro MCA12 Snap多光谱相机，具有质量轻、体积小及远程触发等特点，共有12个波段，每个波段配备1.3兆像素CMOS传感器，光圈F3.2，焦距9.6 mm，图像分辨率为1 280像素×1 024像素，数据采集时间为2016年7月27日，相对航高30 m，属低空拍摄，拍摄时天气状况良好，无风无云。获取影像基本不受大气因素的影响，由于本研究对各波段范围并没有严格要求，所获取的影像没有进行严格的辐射定标。典型区域布置了5块白板，用于影像的几何校正处理。图1为典型区域影像。

1.3 数据预处理

无人机影像获取后利用传感器自带的校正文件进行通道校正，波段合成和格式转换，使用Pix4D Mapper对处理过的影像进行拼接、地理位置叠加、空三加密等操作，得到数字正射影像，最后导入ENVI图像处理软件中进行几何校正、影像裁剪等处理，最终选取畸变较小的典型区域进行研究。图2为数据处理流程图。

2 最佳波段组合

以典型区域为例，进行统计分析，得到各波段之间的相关性系数矩阵，波段间相关性系数表示2个波段之间数据的相似度，系数越大，表示数据相似度越高，组合后冗余信息越多；系数越小，表示数据相似度越低，组合后冗余信息越少。波段间相关系数的计算公式为：

(1)

从各波段相关性系数矩阵看出，相邻波段的相关系数均在0.89以上，存在大量信息冗余。

最佳波段组合应满足3个基本条件：

(1)各波段信息量较大；

(2)波段间相关性较小；

(3)所选波段组合可提高估算模型精度。

表1 典型区域A多光谱影像各波段相关性系数矩阵

2.1 波段分组

植被光谱特征是区别植被与其他地物、植被类型，以及监测植被生长情况等的重要基础。植被的反射光谱，随着叶片叶绿素含量、叶细胞结构、含水量等因素的影响，在不同波段会表现出不同的反射光谱特征[18]。Micro MCA12 Snap传感器各个波段的光谱特征见表2。其中第1波段位于可见光蓝光区域，第2、3、4波段位于可见光绿光区域，第5、6、7波段位于植被反射曲线的红边区域，第8、9、10、11、12波段位于近红外区域。植被在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是利用红光和近红外波段进行植被遥感监测的物理基础。基于此，将上述12个波段分为3组，前4个波段为第一组，中间3个波段为一组，最后5个波段为一组。从表1可以看出，组内各波段的相关性相对较高，而不同组之间的相对性较弱，最佳波段组合的选取应着眼于组内各波段的比较，而不是组间，因此分别选取每组具有代表性的一个波段，然后组合后进行对比分析。

表2 Micro MCA12 Snap传感器波长及波段特征

2.2 最佳指数因子(OIF)

最佳指数由美国查维茨教授提出，计算方法简单，易于操作。理论依据是：图像数据的标准差越大，所包含的信息量也越多，而波段的相关系数越小，表明各波段的图像数据独立性也越高，信息的冗余度也就越小。计算公式如下：

(2)

式中：Si为波段i的标准差，rij为波段i与波段j之间的相关系数。OIF指数越大则说明波段间的相关性越小，3个波段所包含的信息量越大。在不同组内任意选择1个波段进行组合，利用C++编程计算其OIF值。

2.3 最大相关系数(MCC)[15]

MCC是一种利用植被参数与光谱波段数据间的相关系数大小作为特征波段选取指标的提取特征波段方法，由OIF法获取的各个三波段组合求最大相关系数，计算公式如下：

Rstd=Rtotal-rstd。

(3)

式中：Rstd为判断3个波段相关系数同时最大指标，Rtotal为3个波段各自与生物量相关系数的总和，rstd为3个波段各自与生物量相关系数的标准差。由于其计算简单易于操作，在信息降维与有用波段提取中较为常用。表3为波段分组后OIF值排在前5位的波段组合以及MCC值。

表3 OIF值排在前5位的波段组合

2.4 植被指数及估算模型的选取

近年来，许多国内外学者在植被指数构建方面做了不少尝试，其中归一化植被指数(NDVI)较为常用，考虑到NDVI受大气、土壤反射率和植被生长后期高覆盖度的影响[5]，因此还选取了适合于植被覆盖度较高的比值植被指数(RVI)。此外，不少关于草地估产的研究[19-20]指出：在生物量低于370 g/m2时，一元线性估算模型精度较高，模型较为成熟，应用广泛，足以反映植被的生长状况。因此本研究选择这2种植被指数来建立一元线性估算模型，具体计算公式如下：

(4)

式中：ρnir、ρred分别为每组波段组合中红光区域和近红外区域的波段。

3 结果与分析

通过以上分析，对以上5组波段组合进行研究，计算每种波段组合下的2种植被指数，与草地生物量进行回归分析，建立基于植被指数的草地生物量估算模型，通过均方根误差(RMSE)和平均相对误差(MRE)2个指标来检验估算模型的精度，具体计算公式如下，所得结果见表4。

(5)

式中：yi′为验证样本i的预测值，yi为验证样本i的实测值，n=17。

从表3、表4可以看出以下几个特点：(1)针对不同的波段组合，利用植被指数建立的生物量估算模型不同，模型精度也不同，通过选择最优波段组合，在一定程度上可以提高估算模型的精度，特别的是A组波段组合(即第4、7、8波段)和D组波段组合(即第3、7、8波段)模型构建和检验指标均相同，这是由于两种植被指数的计算均跟红光波段和近红外波段有关，而这2组波段组合在红光和近红外波段均是第7波段和第8波段。(2)针对相同的波段组合，不同的植被指数、模型精度也有所不同，这是由于NDVI对绿色植被的生长状态和空间分布密度反应敏感，但受土壤背景的影响较大，适用于植被覆盖度较低的区域；RVI适用于植被长势高度旺盛、具有高覆盖度的植被检测中。(3)波段分组后，计算各个波段组合的OIF值，最大的为A组波段组合，其次依次是B、C、D、E组合，而综合来看，模型精度由高到低依次为A、D、B、E、C组合，由此可以看出OIF指数与估算模型精度没有严格的对应关系。(4)计算各波段组合的MCC值，由高到低依次为E、C、A、D组合，B组合相对最低，MCC值仅为0.876，该定量指标与估算模型精度也没有严格的对应关系，利用MCC法来获取最优波段组合不太理想，可能是该方法易受各种因素的影响，提取的只有单一波段，不能从多角度反映植被特征等。

表4 不同波段组合后的估算模型精度

注：表中RMSE、MRE值仅作为相对值比较。

通过分析对比，综合波段特征、波段间相关性、OIF和MCC指数可知，以本研究区天然草地生物量估算研究为目的，针对Micro MCA12 Snap传感器，A组合(即第4、7、8波段)下的估算模型精度相对较高，为最佳波段组合。

4 结论

为了提取出最佳波段组合，提高生物量估算模型精度，本研究结合植被光谱特征、植被指数构建原理和传感器特性对各个波段进行分组，利用最佳指数和最大相关系数2种定量指标来分析各个波段组合，从而确定最佳波段组合为第4、7、8波段组合。试验结果表明，选取最佳波段组合可在一定程度上提高草地生物量估算模型精度，此外2种定量指标与估算模型精度没有严格的对应关系，单从信息冗余和相关性两方面选取最佳波段组合显然不妥，应结合研究对象和研究目的等。

[1]金云翔，徐斌，杨秀春，等. 内蒙古锡林郭勒盟草原产草量动态遥感估算[J]. 中国科学(生命科学)，2011，41(12)：1185-1195.

[2]Ranggo A，Laliberte A，Herrick J E，et al. Unmanned aerial vehicle-based remote sensing for rangeland assessment，monitoring，and management[J]. Journal of Applied Remote Sensing，2009，3(1)：1-15.

[3]李宗南，陈仲新，王利民，等. 基于小型无人机遥感的玉米倒伏面积提取[J]. 农业工程学报，2014，30(19)：207-213.

[4]张正健，李爱农，边金虎，等. 基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究[J]. 遥感技术与应用，2016，31(1)：51-62.

[5]Bendig J，Yu K，Aasen H，et al. Combining UAV-based plant height from crop surface models，visible，and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation and Geoinformation，2015，39：79-87.

[6]鲁恒，李永树，何敬，等. 无人机低空遥感影像数据的获取与处理[J]. 测绘工程，2011，20(1)：51-54.

[7]周洁萍，龚建华，王涛，等. 汶川地震灾区无人机遥感影像获取与可视化管理系统研究[J]. 遥感学报，2008，12(6)：877-884.

[8]周梦维，柳钦火，刘强，等. 全波形激光雷达和航空影像联合的地物分类[J]. 遥感技术与应用，2010，25(6)：821-827.

[9]田振坤，傅莺莺，刘素红，等. 基于无人机低空遥感的农作物快速分类方法[J]. 农业工程学报，2013，29(7)：109-116，295.

[10]赵庆展，刘伟，尹小君，等. 基于无人机多光谱影像特征的最佳波段组合研究[J]. 农业机械学报，2016，47(3)：242-248，291.

[11]马娜，胡云锋，庄大方，等. 基于最佳波段指数和J-M距离可分性的高光谱数据最佳波段组合选取研究——以环境小卫星高光谱数据在东莞市的应用为例[J]. 遥感技术与应用，2010，25(3)：358-365.

[12]谭玉敏，夏玮. 基于最佳波段组合的高光谱遥感影像分类[J]. 测绘与空间地理信息，2014(4)：19-22.

[13]秦方普，张爱武，王书民，等. 基于谱聚类与类间可分性因子的高光谱波段选择[J]. 光谱学与光谱分析，2015，35(5)：1357-1364.

[14]刘雪松，葛亮，王斌，等. 基于最大信息量的高光谱遥感图像无监督波段选择方法[J]. 红外与毫米波学报，2012，31(2)：166-170，176.

[15]程志庆，张劲松，孟平，等. 植被参数高光谱遥感反演最佳波段提取算法的改进[J]. 农业工程学报，2015，31(12)：179-185.

[16]武文波，刘正纲. 一种基于地物波谱特征的最佳波段组合选取方法[J]. 测绘工程，2007，16(6)：22-24，33.

[17]刘建平，赵英时. 高光谱遥感数据解译的最佳波段选择方法研究[J]. 中国科学院研究生院学报，1999，16(2)：153-161.