多粒度光谱特征的牧草粗蛋白含量高光谱遥感估算

康孝岩，张爱武

·农业信息与电气技术·

多粒度光谱特征的牧草粗蛋白含量高光谱遥感估算

康孝岩，张爱武※

（1.首都师范大学三维信息获取与应用教育部重点实验室，北京 100048；2.首都师范大学空间信息技术教育部工程研究中心，北京 100048）

快速准确地估算牧草粗蛋白（crude protein, CP）含量是开展草原牧草生长监测和管理的重要内容之一。高光谱数据是牧草CP含量监测的理想数据源，然而，现有牧草CP含量高光谱反演方法缺乏对光谱多粒度信息的有效利用。针对该问题，提出一种新的多粒度光谱特征提取方法MGSS（multi-granularity spectral segmentation），以青海高原典型牧场为样区，对MGSS估算牧草CP含量的有效性进行验证。结果表明：1）在相同数量的自变量下，MGSS均能取得优于原始光谱的CP含量估测性能；2）MGSS最优估测模型的决定系数（coefficient of determination,2）、均方根误差（root mean squared error, RMSE）和平均相对误差（mean relative error, MRE）分别为0.937、1.906 g/m2和8.82%，比原始光谱最优模型的2高0.06，RMSE和MRE分别低0.75 g/m2和1.37个百分点。可知，MGSS实现了高光谱影像对牧草CP含量的高性能估算，相比原始光谱性能更优，验证了其有效性，可为牧草CP含量的准确估算提供新的技术手段。

光谱分析；蛋白质；遥感；牧草；粗蛋白；无人机；高光谱影像；多粒度光谱特征；青海湖盆地

0 引 言

牧草的营养价值是决定放牧牲畜产出质量和数量的决定因素，而粗蛋白（crude protein, CP）含量则是衡量牧草营养价值的重要指标之一[1-2]，提高牧草CP含量可以有效改善牧草的品质[3]。

牧草CP的监测是合理放牧和草地管理的基础工作之一[4]。长期以来，通过原位采样+实验室分析的手段可以获取草地样方牧草CP的精确含量，但该方案的成本较高，样方数量有限，时效性较差[5-6]。随着遥感技术的发展，人们开始通过探求牧草冠层光谱与CP含量的定量关系，从而快速和非破坏性地估算牧草CP含量，可分为近景高光谱估算[5-9]、星载多光谱影像估算[10-12]和无人机高光谱影像估算[13-16]等3类。其中，近景遥感常运用手持光谱仪获取草地冠层的精细光谱，选择敏感光谱指数[5,7,9]或敏感波段[8-9]构建估算模型，精度较高（决定系数2可达0.76～0.84），但此类“点尺度”解决方案难以高效率和低成本地实现大范围草场牧草CP的评估[13]。而星载遥感可快速获取大范围牧草的冠层光谱影像，但其对CP含量估算的精度相对偏低（最优模型2为0.44～0.71）[10-12]，且中等分辨率（20～100 m）和较长的重访周期难以满足精准牧业的基本需求[13]。近年来，通过无人机（UAV, unmanned aerial vehicle）平台可方便获取高空间分辨率的高光谱影像，可满足精准牧业的需要[14-16]。

作为一种侧重于波形信息提取的方法框架，多粒度光谱特征提取能够有效抑制光谱噪声，并获取一些光谱弱信息，从而构建出高精度的反演模型（最优模型2可达0.94～0.99）[17-20]，其实现技术主要有小波变换[17-18]和经验模态分解[19-20]等。Cheng等发现叶片光谱的多粒度小波系数能够显著提升叶片含水率的反演精度（最优模型的2高达0.99）[17]；付萍杰等利用多粒度经验模态分解对玉米叶片光谱进行降噪和重构，实现了重金属元素（铜和铅）的准确反演（最优模型的2为0.936）[20]。

由上可知，成像和非成像光谱数据是当前牧草CP含量估算的主流数据源，Thenkabail和Lyon明确指出高光谱数据是牧草监测的理想数据[21]。当前，在高光谱估算牧草CP的诸多方案中，通常利用冠层光谱的降维[4,8,10]（敏感波段选择和特征提取等）、衍生光谱[13,15]（光谱导数和光谱积分等）和植被指数[5-7,9,14,16]等信息作为回归分析的输入，而忽略了牧草光谱的多粒度特征这一重要信息。针对该问题，本文将多粒度光谱分析技术引入到牧草CP含量的估算研究中，拟提出一种新的多粒度光谱特征提取方法，并结合序列前向选择（SFS, sequential forward selection）方法[22]，提出一种新的牧草CP含量估算的解决方案，对比原始光谱，探讨不同方法的反演效果，以期为牧草CP含量的高精度估算提供一种新的技术手段。

1 数据与方法

1.1 研究区概况

研究区位于青海省海晏县西海镇东北部（37°00′18″N～37°00′24″N，100°55′6″E～100°55′21″E）（图1），总面积约为3.98 hm2。研究区地处祁连山环青海湖盆地，属高原大陆性气候，是中国温性草原与高寒草甸草原的过渡地带，海拔高度3 100～3 150 m。牧草主要有蒿草、针茅草、芨芨草和赖草等。

图1 研究区及采样点分布

1.2 高光谱影像数据获取与处理

使用搭载于大疆经纬M600无人机上的课题组组装研发的高光谱传感器系统ASQ-Hyper192，于2018年7月31日11: 00在牧场样区采集牧草冠层的高光谱影像，当天天气晴朗无风，光照强度稳定。无人机航高100 m，影像空间分辨率约为10 cm；光谱范围为470～930 nm，共有149个有效波段；辐射分辨率为8 bits。

试验场共布设了7个地面控制点，架设一台GPS基站，采用RTK（real-time kinematic）方法精确测定每个控制点的三维坐标；布设有4块定标板，反射率分别为5%、20%、40%和60%。首先，根据利用POS（position and orientation system, GPS/INS）数据对原始高光谱影像进行拼接和几何粗校正；然后利用地面控制点进行几何精校正；最后，采用经验线性法对影像进行辐射定标，得到测区牧草冠层的反射光谱影像。

1.3 样方牧草的采集及CP含量测定

在无人机高光谱影像采集时，同步开展了牧草采样工作。首先，设置0.5 m×0.5 m的样方，利用RTK方法测量样方中心点坐标；然后，对样方内的牧草齐地面刈割，装袋密封。委托北京市农林科学院北京农业质量标准与检测技术研究中心[23]测定牧草样本的CP含量（g/m2）等指标。在剔除粗差点和测区外点后，共有30个有效采样点（图1）。以样方中心点坐标所对应的影像像素为中心，取5×5的邻域像素块（0.5 m×0.5 m）作为该样方的牧草冠层反射光谱图像，以其均值光谱作为样方牧草的冠层反射光谱。

1.4 分析方法

1.4.1 多粒度光谱分割特征

由最小二乘法可知，光谱的单值曲线为其光谱均值曲线，可用于表达光谱的整体特性；光谱二值曲线则常用于光谱粗分类等方向[24]。显然，光谱单值和二值曲线均是对光谱信息的粗略提取，其残差中含有大量损失的信息。本研究假设，通过对光谱残差信息的循环提取，可以降低光谱信息的损失，同时产生多个新的光谱特征。

文献[25]提出一种多级残差量化的技术，用于计算机视觉领域图像分类的网络简化和加速，取得了较好的效果。多级残差量化属于函数逼近理论（approximation theory of functions），可对残差进行多级信息的提取[24]。基于此，本文提出一种新的多粒度光谱特征，即多粒度光谱分割（MGSS, multi-granularity spectral segmentation），其解算过程如下。

以随机选择的一个牧草样方（图1）的冠层光谱（图2a）为例，显然由=149个值域Î(0,1)的反射率数值构成，即=[1,2,…,s]T，0<s<1，1≤≤。假设存在一条与等长的序列0，即0也由149个数值组成，同时0满足以下条件：1）0=00；2）0为一个正实数；3）0为一个与0等长的序列，且仅由-1和1组成。则当0与的欧氏距离最小时，本文称0为在粒度0上的分割特征，称0=0为在粒度0上的残差特征。该过程可表达为

首先，将残差0视作一条新的广义光谱（光谱值可以为负值），并对其进行如式（1）和（2）的近似光谱求解，可得到光谱在粒度1上的分割特征1和残差特征1。然后，将1视作一条新的广义光谱，求解2和2。如此，通过R解算S+1和R+1，为非负整数，便可得到的多粒度分割特征MGSS（S）和残差特征（R）。

图2 牧草冠层光谱的多粒度光谱分割及残差特征

由上可知，0实质上是原始光谱的均值SM，；0=00为光谱的单值（均值）曲线，信息量极低；而0=−0实际上是原始光谱去均值化后的结果，信息量等同于原始光谱。为了论述的简洁性，下文将作如下约定：

1）将（0+1）统称为粒度1上的MGSS特征，即1（图2b），而其他粒度保持不变（图2c～2l）；

2）对任意粒度下的特征，称其中的每个值为对应波长上的分量，如光谱的粒度3分割特征的720 nm上的分量值为0.026 1（图2f）。

通常，特征提取方法倾向于获取多个相互独立或弱相关的特征，如主成分分析（PCA, principal component analysis）和独立成分分析（ICA, independent component analysis）等。一般来说，特征之间的相关性越小，值越大，则其二者的相互独立性越强[26-27]；因此，以粒度1～32为例，基于不同粒度特征之间的相关分析结果（图3），本文比较了2种多粒度光谱特征的优劣。

图3 牧草冠层光谱的多粒度光谱特征之间的Pearson相关分析

由图3可见，1）光谱的MGSS特征之间的相关性明显低于残差特征，前者相关系数介于（−0.3，0.3）之间的占76.21%（图3a），而后者相关系数介于（0.8，1）之间的占78.23%（图3c）；前者相关分析值≥0.05的占48.99%（图3b），而后者的所有值均接近于零值（图3d）。换言之，MGSS各粒度特征之间的独立性较强，且显著高于残差特征。2）相对而言，MGSS特征之间独立性与粒度距离呈现正相关，即两粒度之间的距离越大，则其独立性越强，如粒度7和9之间的相关系数=0.655 8 （=0），独立性较弱；而粒度5和26之间的=0.036 3（=0.660 4），独立性较强。

对研究区的其他样方光谱和非样方光谱进行了上述分析，均表现出近似的结果，验证了MGSS特征分析方法的稳定性。因此，本文将着重探讨光谱的MGSS特征及其分量对牧草CP估算的有效性。

1.4.2 MGSS特征的分量选择方法

通常在冠层光谱的诸多定量应用中，需要对光谱的波段进行筛选，以消除Hughes问题[13,21,26-27]。随着粒度的增加，MGSS特征及其分量的数量成倍增加；类似地，也需要对MGSS特征的敏感分量进行选择。本文选用序列前向选择SFS方法[22]对MGSS进行分量筛选，SFS由空分量集开始，在其后的每一次筛选中，选择原特征分量集合中一个最优分量（即该分量与已选分量组成的分量集合具有最高的牧草CP估算性能），并将其添加到入选分量集中，然后进入下一循环，直到入选分量数量或分量组合性能达到要求。SFS可表述为：

假设原始分量集有个分量，已入选的个分量组成分量集F，未入选的-个分量表示为f,= 1,2,…,-，若f满足：

式中函数F表示分量组合的牧草CP预测精度。那么，第+1个入选分量为f, 1≤≤−。

为便于与原始光谱做比较，本文对原始光谱的波段和MGSS每个粒度特征的分量进行了相同数量的SFS筛选。

1.4.3 反演模型及精度验证

本文选择2种回归分析模型，即多元逐步线性回归（SMLR, stepwise multivariate linear regression）和偏最小二乘回归（PLSR, partial least squares regression），来构建牧草CP的反演模型。采用留一交叉验证法（LOOCV, leave one out of cross validation），进行回归模型的训练和评价。

研究选用测量值与预测值之间的线性决定系数2[28]、均方根误差（RMSE, root mean square error）[29]和平均相对误差（MRE, mean relative error）[30]等3种评价指标。

2 结果与分析

2.1 MGSS敏感分量分析

2.1.1 牧草CP与MGSS的相关分析

首先，对研究区牧草CP含量与原始光谱各波段、光谱MGSS特征各分量之间的相关性进行了统计（图4），探讨MGSS特征的敏感分量和光谱的敏感波段的异同。

其次，构建完整的植物群落结构研究体系。针对不同区域、不同场地的城乡环境，将研究视角放在“点”“线”“面”的逐级深化研究，深入研究民居单体与聚落群体之间、植物特性与植被群体组合之间的植物搭配文化，完善本地民居的植物群落结构的搭配文化。

图4 牧草冠层光谱的不同变量（波段/特征分量）与CP含量的相关性

由图4可见，1）原始光谱在红边（680～760 nm）和近红外波段区间上与牧草CP的相关性最为突出（图4a）：在红边波段上，随波长的增加由弱相关急剧增大到强相关（−0.618 5）；接着在近红外波段区间上呈现稳定的强相关。这与Knyazikhin等的研究结果具有一致性[31]，文献[31]指出植物氮含量与冠层反射率在近红外上呈显著负相关。2）整体上看，MGSS的敏感特征分量主要集中于红边波段（所有粒度）和近红外波段（前2个粒度），这点与原始光谱的情况相似；而在其他位置上也散布着少量敏感分量，如粒度3～32上的非红边范围分量中，||>0.50的特征分量约占1%。就||>0.50的波段/特征分量数量而言，原始光谱有71个，而MGSS多达279个（占分量总数量的5.85%）。总的来说，MGSS对牧草CP敏感的特征分量具有集聚性与散布性共存，且稀疏性较高的特点，便于开展敏感分量筛选。3）就单一粒度下的特征分量而言，前两个粒度的敏感分量最为集中，二者在近红外波段均表现出与原始光谱相似的稳定强相关性；但其他粒度下的敏感分量与原始光谱有着较大的差异，除在红边中心（720 nm）附近有少量聚集的敏感分量外，其他敏感分量均散布在整个光谱上。

故而，从与牧草CP的相关分析来看，1）与原始光谱相比，MGSS特征有着更多的敏感分量，后者敏感分量数量约为前者敏感波段数量的4倍。2）原始光谱敏感波段皆位于红边和近红外谱段，波段之间的独立性较低，冗余度较高，而MGSS的敏感分量除了红边-近红外谱段外，在其他谱段上散布有少量敏感特征分量，波长差距较大，独立性较强。

2.1.2 MGSS的敏感分量组合分析

波段/特征分量与牧草CP的相关分析结果能够反映出单个波段/特征分量的反演性能，但并不能有效推断出多波段/特征分量组合的反演能力。这是因为波段/特征分量之间有着不同程度的信息重叠、冗余以及相关性，从而，独立性强的弱敏感分量组合的反演性能未必低于独立性弱的强敏感分量组合。依照上文提及的SFS方法，对原始光谱进行波段选择，对MGSS各个粒度特征进行分量选择，以前10个敏感波段/分量组合为例，其结果如图5所示。

图5 牧草CP的敏感波段组合（原始光谱）和敏感分量组合（MGSS）的对比

可见，1）原始光谱的组合敏感波段均匀分布在橙色-红色-近红外短波（O-R-NIR）上，值得注意的是，选择的第6波段为弱敏感的橙色光（608 nm，=0.223 1），而非红边-近红外短波（RE-NIR）上的70个强敏感波段（||>0.50）之一。这说明，组合敏感波段不仅仅考虑单一波段的性能，还要衡量波段之间的独立性和冗余度。2）就MGSS而言，粒度1下的组合敏感分量仅选出3个，这意味着添加其他任一分量作为组合的第4分量均会使新组合的性能低于原组合；然而，粒度1特征的强敏感分量远多于3个（图4b），因此，可推断这些强敏感分量因具有极高的冗余度和相关性而不被选择。3）在粒度2～32上，组合敏感分量均为10个，不同粒度特征的组合分量分布具有较大的差异，如粒度2的组合分量相对均匀地分布在红边之前的各色波谱上（470～680 nm），粒度3的组合分量在除青色光之外的其他波谱区间上均有分布，而粒度29在各色波谱上均有分布。4）可以明显看出，多数粒度的敏感分量组合的前3个分量聚集在红边范围内或附近，形成一条明显的条带（710～730 nm，与图4b的强相关分量条带对应），这显示了红边在MGSS分量分析中的重要作用。

总的来看，与原始光谱的组合敏感波段对比，MGSS特征的组合敏感分量在光谱范围上分布更广；MGSS可揭示不同波段对牧草CP含量响应的显著粒度，拓展了光谱的利用范围；同时，MGSS也反映出一些经典植被光谱学中的规律，如红边效应，并为其增添了新的内涵。

2.2 基于MGSS特征敏感分量的牧草CP反演

2.2.1 基于MGSS敏感分量的SMLR模型

利用原始光谱和MGSS各粒度特征，在SFS组合敏感波段和分量筛选结果的基础上，开展了样区牧草CP含量的SMLR估算模型的训练以及评价。本文选择了估算性能较好的前10种粒度，展示如表1。

表1 基于多元逐步线性回归的牧草CP估算模型评价

基于SLMR的牧草CP估算结果总体上表明，G28优于原始光谱，且相对稳定；而G21和G23等粒度与原始光谱性能近似。初步验证了MGSS在牧草CP估算上的有效性，前3或5个敏感分量组合中，均有优于和近似于原始光谱敏感波段组合CP估算性能的粒度，体现了MGSS性能的鲁棒性。

图6 不同波段/分量选择下牧草CP含量的多元线性回归模型评价

2.2.2 基于MGSS敏感分量的PLSR模型

PLSR方法可以利用PCA将多个具有共线性的特征减少为几个不相关的主成分，从而使反演模型的预测能力更强，性能更加鲁棒[28-29]。利用SFS筛选得到敏感波段组合（原始光谱）和敏感分量组合（MGSS），以选择的前10个波段/分量（图5）为例，将其分别降维至5和7个主成分，来对牧草CP含量进行PLSR建模和性能评价。选择模型估算性能较好的前10种粒度，如表2所示。

由表2可见，1）与SMLR模型相比，在增加到10个敏感波段/分量，并进行PCA降维后，基于PLSR的牧草CP预测模型的性能有了显著提升。原始光谱在前5或7个主成分组合下均取得了优异的CP估算能力，其中，前7个主成分组合的PLSR模型（图7c）比前5敏感波段的SMLR模型（图6c）在MRE上降低了4.54个百分点，在2上提高了0.123，在RMSE上则降低了1.134 g/m2。而MGSS的牧草CP估算性能的提升更为显著，前7个主成分组合的PLSR模型比前5敏感分量的SMLR模型的MRE（10个粒度均值）低4.36个百分点。2）与原始光谱模型相比，MGSS有多个粒度表现出更优的性能，如G23在两种主成分组合下（图7b和7d）均明显优于原始光谱（图7a和7c）。G23前7个主成分组合的模型性能表现最优，其MRE最低（8.82%），RMSE最小（1.906 g/m2），2最大（0.937），且比原始光谱最优模型的RMSE和MRE分别低0.75 g/m2和1.37个百分点，2高0.06。

表2 基于偏最小二乘回归的牧草CP估算模型评价

图7 不同波段/分量选择下牧草CP含量的偏最小二乘回归模型评价

在SMLR和PLSR等两种回归方法中，G9、G17、G23和G28等4种粒度均表现出较高的反演性能，显示出MGSS具有适用于多种预测分析模型的粒度，也一定程度上反映了MGSS的稳定性。

3 讨 论

3.1 多粒度光谱特征的应用价值

当前牧草CP含量高光谱估算的研究多采用降维[4,8,10]、光谱衍生变量[13,15]或植被指数[5-7,9,14,16]等信息提取技术构建定量模型，估算精度有待提升（多数方法的最优模型2<0.90）。在本研究组的早期研究[13]中，使用光谱衍生变量构建了牧草CP含量的非线性回归模型，其2=0.918，明显低于本文MGSS的最优模型精度2=0.937；并且前期研究中的高光谱影像质量（400～1 000 nm，840个波段）明显优于本研究（470～930 nm，149个波段）。换言之，在数据质量相对劣势下，本文MGSS模型精度高于前期研究中高质量影像的模型精度，即MGSS模型的鲁棒性更高。

现有研究[18]表明，多粒度光谱特征可以提取一些隐藏的弱光谱信息，这对含量低的理化指标的反演具有重要意义，如植物重金属含量的预测[20]等。同时，与原始光谱相比，多粒度光谱特征能够为理化参数的反演提供更多的敏感分量，如本文中牧草CP含量指标，MGSS敏感分量数量是原始光谱敏感波段的4倍。

总之，相比于原始光谱，MGSS和多粒度小波系数等多粒度光谱特征方法能够为各种理化参数找到其独有的敏感分量提供了更多可能性。与经验模态分解技术[19-20]类似，MGSS是对原始光谱的自适应建模，无其他信息约束，但其是否适用于植被的其他性状参数的反演，尚需进一步研究。

3.2 MGSS的不足及潜力

为保证公平性，本文在牧草CP含量反演的对比试验中，在自变量选择方法、选择数量和反演模型及其参数设定等方面，均使MGSS与原始光谱保持一致。在单一粒度下，MGSS的部分粒度仍达到了高于或等同于原始光谱的反演精度，但这并未充分利用MGSS的有效特征。而由图4b和图5来看，MGSS的敏感分量在各个粒度下的谱段分布并不相同，若将不同粒度分割特征进行组合筛选，其预测效果是否会优于单一粒度的最优性能，将是接下来的研究重点之一。

本文主要聚焦于MGSS与原始光谱对牧草CP含量预测性能的对比分析，而未对多粒度光谱残差特征给予足够关注。图3表明了多粒度残差特征的信息冗余高于MGSS，但各粒度MGSS均是由残差特征量化而来，由此可见，多粒度残差特征存在高精度预测牧草CP含量的可能性，这也是今后有待探讨的地方。

4 结 论

利用无人机成像光谱仪获取了青海高原典型牧草样区的高时间、空间和光谱分辨率的遥感影像，经过拼接、校正和定标得到了样区牧草冠层的光谱影像，借此研究了牧草CP的估算问题；为了充分利用牧草冠层光谱的多粒度信息，提出了一种新的多粒度光谱特征提取方法，即多粒度光谱分割特征MGSS；利用序列前向选择SFS获取了MGSS各粒度特征下的敏感分量组合，基于多元逐步线性回归SMLR和偏最小二乘回归PLSR构建了牧草CP含量的估测模型以开展精度评价，研究结果表明：

1）MGSS大大提升了牧草光谱的有效特征及其分量的数量和质量，与光谱波段相比，MGSS的特征分量能更加精确地估测牧草CP含量。其中，基于MGSS/G23特征的前7敏感分量组合训练得到的PLSR模型取得了最优的牧草CP含量估算性能，2、RMSE和MRE分别为0.937、1.906 g/m2和8.82%。

2）MGSS各粒度特征及其分量对牧草CP含量反演的效果不同，敏感分量呈现出集聚性（红边范围）、分散性（非红边范围）和稀疏性（强相关的单一分量占分量总数量的5.85%），这些特点有助于敏感分量及其组合的筛选。其中，强敏感分量的集聚性反映了MGSS敏感分量的红边特征，这与经典植被光谱学中的“红边效应”具有内在一致性。

借由MGSS的多粒度光谱信息可以从新的维度开展植被光谱的定量应用，为牧草CP含量预测等植被光谱应用提供一种新的解决方案。

[1]Pullanagari R R, Yule I J, Tuohy M P, et al. Proximal sensing of the seasonal variability of pasture nutritive value using multispectral radiometry[J]. Grass and Forage Science, 2013, 68(1): 110－119.

[2]马维维，巩彩兰，胡勇，等. 牧草品质的高光谱遥感监测模型研究[J]. 光谱学与光谱分析，2015，35(10)：2851－2855.

Ma Weiwe, Gong Cailan, Hu Yong, et al. Hyperspectral remote sensing estimation models for pasture quality[J]. Spectroscopy and Spectral Analysis, 2015, 35(10): 2851－2855. (in Chinese with English abstract)

[3]郑凯，顾洪如，沈益新，等. 牧草品质评价体系及品质育种的研究进展[J]. 草业科学，2006，23(5)：57－61.

Zheng Kai, Gu Hongru, Shen Yixin, et al. Evaluation system of forage quality and research advances in forage quality breeding[J]. Pratacultural Science, 2006, 23(5): 57－61. (in Chinese with English abstract)

[4]张爱武，郭超凡，鄢文艳. 区间优化提高牧草粗蛋白含量遥感估算精度[J]. 农业工程学报，2018，34(14)：149－156.

Zhang Aiwu, Guo Chaofan, Yan Wenyan. Improving remote sensing estimation accuracy of pasture crude protein content by interval analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 149－156. (in Chinese with English abstract)

[5]Safari H, Fricke T, Wachendorf M. Determination of fibre and protein content in heterogeneous pastures using field spectroscopy and ultrasonic sward height measurements[J]. Computers and Electronics in Agriculture, 2016, 123: 256－263.

[6]Pittman J J, Arnall D B, Interrante S M, et al. Bermudagrass, wheat, and tall fescue crude protein forage estimation using mobile-platform, active-spectral and canopy-height data[J]. Crop Science, 2016, 56(2): 870－881.

[7]Lim J, Kawamura K, Lee H J, et al. Evaluating a hand-held crop-measuring device for estimating the herbage biomass, leaf area index and crude protein content in an Italian ryegrass field[J]. Grassland Science, 2015, 61(2): 101－108.

[8]Zeng L, Chen C. Using remote sensing to estimate forage biomass and nutrient contents at different growth stages[J]. Biomass and Bioenergy, 2018, 115: 74－81.

[9]Noland R L, Wells M S, Coulter J A, et al. Estimating alfalfa yield and nutritive value using remote sensing and air temperature[J]. Field Crops Research, 2018, 222: 189－196.

[10]王迅，刘书杰，贾海峰，等. 基于高光谱数据的高寒草地营养状况的研究[J]. 光谱学与光谱分析，2012，32(10)：2780－2784.

Wang Xun, Liu Shujie, Jia Haifeng, et al. Study on the nutrition of alpine meadow based on hyperspectral data[J]. Spectroscopy and Spectral Analysis, 2012, 32(10): 2780－2784. (in Chinese with English abstract)

[11]Ferreira G, Cayford E L, Feng L, et al. Use of satellite remote-sensing techniques to predict the variation of the nutritional composition of corn () for silage[J]. Maydica, 2018, 61(1): M7.

[12]Lugassi R, Zaady E, Goldshleger N, et al. Spatial and temporal monitoring of pasture ecological quality: Sentinel-2-based estimation of crude protein and neutral detergent fiber contents[J]. Remote Sensing, 2019, 11(7): 799.

[13]张爱武，鄢文艳，郭超凡. 基于高光谱图像的牧草粗蛋白含量反演模型[J]. 农业工程学报，2018，34(3)：188－194.

Zhang Aiwu, Yan Wenyan, Guo Chaofan. Inversion model of pasture crude protein content based on hyperspectral image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(3): 188－194. (in Chinese with English abstract)

[14]Homolová L, Schaepman M E, Lamarque P, et al. Comparison of remote sensing and plant trait-based modelling to predict ecosystem services in subalpine grasslands[J]. Ecosphere, 2014, 5(8): 1－29.

[15]Pullanagari R, Kereszturi G, Yule I. Integrating airborne hyperspectral, topographic, and soil data for estimating pasture quality using recursive feature elimination with random forest regression[J]. Remote Sensing, 2018, 10(7): 1117.

[16]Capolupo A, Kooistra L, Berendonk C, et al. Estimating plant traits of grasslands from UAV-acquired hyperspectral images: a comparison of statistical approaches[J]. ISPRS International Journal of Geo-Information, 2015, 4(4): 2792－2820.

[17]Cheng T, Rivard B, Sánchez-Azofeifa A G, et al. Predicting leaf gravimetric water content from foliar reflectance across a range of plant species using continuous wavelet analysis[J]. Journal of Plant Physiology, 2012, 169(12): 1134－1142.

[18]张竞成，刘鹏，王斌，等. 基于连续小波分析的植物理化参数反演中光谱分辨率影响分析[J]. 红外与毫米波学报，2018，37(6)：107－114.

Zhang Jingcheng, Liu Peng, Wang Bin, et al. Impact analysis of spectral resolution on retrieving plant biophysical and biochemical parameters based on continuous wavelet analysis[J]. Journal of Infrared and Millimeter Waves, 2018, 37(6): 107－114. (in Chinese with English abstract)

[19]Zhou Z. Super-resolution reconstruction of hyperspectral images using empirical mode decomposition and compressed sensing[J]. Journal of Applied Remote Sensing, 2016, 10(4): 042011.

[20]付萍杰，杨可明，王晓峰，等. 重构玉米叶片光谱的铜铅污染区分与其含量反演方法[J]. 科学技术与工程，2018，18(23)：139－150.

Fu Pingjie, Yang Keming, Wang Xiaofeng, et al. Copper-lead pollution distinctions and a content retrieval method for the reconstruction of maize leaf spectra[J]. Science Technology and Engineering, 2018, 18(23): 139－150. (in Chinese with English abstract)

[21]Thenkabail P S, Lyon J G. Hyperspectral remote sensing of vegetation[M]. Boca Raton: CRC press, 2016.

[22]Mendoza F A, Wiesinger J A, Lu R, et al. Prediction of cooking time for soaked and unsoaked dry beans () using hyperspectral imaging technology[J]. The Plant Phenome Journal, 2018, 1(1): 180001.

[23]平华，李杨，李冰茹，等. 基于分散固相萃取-超高效液相色谱串联质谱法同时测定蔬菜中多种除草剂残留的方法[J]. 中国农业科学，2017，50(21)：4159－4169.

Ping Hua, Li Yang, Li Bingru, et al. Simultaneous determination of multi herbicides residues in vegetables by dispersive solid phase extraction and ultra-high performance liquid chromatography-tandem mass spectrometry[J]. Scientia Agricultura Sinica, 2017, 50(21): 4159－4169. (in Chinese with English abstract)

[24]康孝岩，张爱武. 基于高阶残差量化的光谱二值编码新方法[J]. 光谱学与光谱分析，2019，39(10)：3013－3020.

Kang Xiaoyan, Zhang Aiwu. A novel method for high-order residual quantization-based spectral binary coding[J]. Spectroscopy and Spectral Analysis, 2019, 39(10): 3013－3020. (in Chinese with English abstract)

[25]Li Z, Ni B, Zhang W, et al. Performance guaranteed network acceleration via high-order residual quantization[C]// Proceedings of the IEEE International Conference on Computer Vision, 2017: 2584－2592.

[26]张爱武，杜楠，康孝岩，等. 非线性变换和信息相邻相关的高光谱自适应波段选择[J]. 红外与激光工程，2017，46(5)：213－221.

Zhang Aiwu, Du Nan, Kang Xiaoyan, et al. Hyperspectral adaptive band selection method through nonlinear transform and information adjacency correlation[J]. Infrared and Laser Engineering, 2017, 46(5): 213－221. (in Chinese with English abstract)

[27]张爱武，康孝岩.值统计量建模独立性的高光谱波段选择方法[J]. 红外与激光工程，2018，47(9)：401－409.

Zhang Aiwu, Kang Xiaoyan. Hyperspectral images band selection algorithm through-value statistic modeling independence[J]. Infrared and Laser Engineering, 2018, 47(9): 401－409. (in Chinese with English abstract)

[28]刘帅兵，杨贵军，景海涛，等. 基于无人机数码影像的冬小麦氮含量反演[J]. 农业工程学报，2019，35(11)：75－85.

Liu Shuaibing, Yang Guijun, Jing Haitao, et al. Retrieval of winter wheat nitrogen content based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 75－85. (in Chinese with English abstract)

[29]Yue J, Yang G, Li C, et al. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models[J]. Remote Sensing, 2017, 9(7): 708.

[30]李毅念，杜世伟，姚敏，等. 基于小麦群体图像的田间麦穗计数及产量预测方法[J]. 农业工程学报，2018，34(21)：185－194.

Li Yinian, Du Shiwei, Yao Min, et al. Method for wheatear counting and yield predicting based on image of wheatear population in field[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 185－194. (in Chinese with English abstract)

[31]Knyazikhin Y, Schull M A, Stenberg P, et al. Hyperspectral remote sensing of foliar nitrogen content[J]. Proceedings of the National Academy of Sciences, 2013, 110(3): E185－E192.

Hyperspectral remote sensing estimation of pasture crude protein content based on multi-granularity spectral feature

Kang Xiaoyan, Zhang Aiwu※

(1.,,,100048,; 2.,,,100048,)

Rapid and accurate estimation of crude protein (CP) content in pasture plays an important role in the monitoring and management of the forage growth on a wide range of grassland. Crude protein contents of pastures are ideal for characterization using hyperspectral data. In view of the limitation of ground and satellite remote sensing, in this paper, we attempted to achieve an accurate estimation of CP content in forage by unmanned aerial vehicle (UAV)-based hyperspectral remote sensing images with high spatial resolution of the pasture canopy. Although the hyperspectral data of the forage have a large number of bands, the reflectance of the canopy spectrum at each band contains information of various parameters which are from atomic level to plant community level. So, when estimating a physicochemical parameter using the spectral data, we may achieve low prediction accuracy because the spectra are affected by other parameters. Compared with the original spectra, multi-granularity spectral features can provide more sensitive features for inversion of chemical parameters. More importantly, multi-granularity spectral features can extract some hidden weak spectral information, which is of great significance for inversion of low-content physical and chemical indicators. However, in current inversion methods of pasture CP content, there is a lack of effective utilization of spectral multi-granularity information. In view of this, we first proposed a novel multi-granularity spectral feature extraction approach named multi-granularity spectral segmentation (MGSS) to segment each canopy spectrum into multiple spectral features. Second, by using the sequential forward selection method, sensitive components of each feature under a granularity can be selected. Finally, based on these selected components of different features, the inversion models of pasture CP content can be established using two regression methods, i.e., the stepwise multivariate linear regression (SMLR) and the partial least squares regression (PLSR). Taking a typical meadowland in Qinghai Plateau as an example, the detailed experimental analyses have been conducted. Results showed that under the same quantity sensitive components for MGSS and sensitive bands for the raw spectra, on the estimation accuracy of pasture CP content, MGSS was superior to the raw spectra. So the validity of MGSS in improving the accuracy of hyperspectral estimation of CP content in forage was verified. Specifically, under Granularity 23 (G23) of MGSS, the PLSR model achieved the best performance. Its determining coefficient (2) was 0.937 which was 0.06 higher than that of the optimal model of the raw spectra. And the root mean square error (RMSE) and the mean relative error (MRE) were 1.906 (g/m2) and 8.82%, respectively, which were 0.75 (g/m2) and 1.37 percentage points lower than those of the optimal model of raw spectra. Moreover, on the single and combined components sensitive to CP content in forage, there were three characteristics among the selected components of MGSS, i.e., the agglomeration within the Red Edge range, the dispersion of non-Red Edge range, and the sparsity of strongly sensitive components, which can be helpful for selecting sensitive components. In conclusion, the proposed MGSS achieved the high performance estimation of CP content in forage by UAV hyperspectral imagery. And compared with the raw spectra, MGSS had better performance. This study provides a new technical means for the accurate estimation of CP content in grasslands in large areas.

spectrum analysis; protein; remote sensing; forage grass; crude protein (CP); unmanned aerial vehicle (UAV); hyperspectral image; multi-granularity spectral feature; Qinghai Lake Basin

康孝岩，张爱武. 多粒度光谱特征的牧草粗蛋白含量高光谱遥感估算[J]. 农业工程学报，2019，35(23)：161－169.doi：10.11975/j.issn.1002-6819.2019.23.020 http://www.tcsae.org

Kang Xiaoyan, Zhang Aiwu. Hyperspectral remote sensing estimation of pasture crude protein content based on multi-granularity spectral feature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(23): 161－169. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.23.020 http://www.tcsae.org

2019-08-15

2019-10-01

国家重点研发计划项目（2016YFB0502500）；国家自然科学基金（41571369）；北京市自然科学基金（4162034）；青海省科技计划项目（2016-NK-138）

康孝岩，博士生，主要从事遥感机理与植被遥感应用研究。Email：xy.kang@cnu.edu.cn; xy.muap.kxy@gmail.com

张爱武，博士，教授，博士生导师，主要从事高光谱成像及农业定量遥感研究。Email：zhangaw@163.com

10.11975/j.issn.1002-6819.2019.23.020

O433.3; TP751

A

1002-6819(2019)-23-0161-09