遥感光谱指标和神经网络结合的冬小麦地上部生物量估测

张传波，李卫国，张 宏，李 伟，马廷淮，张琤琤，陈 华

(1.江苏大学农业工程学院，江苏镇江 212013；2.江苏省农业科学院农业信息研究所，江苏南京 210014；3.江苏大学流体机械工程技术研究中心，江苏镇江 212013；4.南京信息工程大学，江苏南京 210044)

地上部生物量(aboveground biomass,AGB)是作物光合作用的产物，能够反映作物的生长状况和群体大小，是作物产量估测的重要依据或指标。AGB实地取样往往费时费力，并会对作物造成一定破坏，难以适用于大范围的快速估测，不利于及时辅助作物生长管理措施调整。遥感技术具有快速、高效和宏观的特点，可以及时、有效、大范围监测作物生长状况，如在作物病虫害估测、产量估算和长势监测方面已有较多应用。由于土壤和植被之间的差异，作物红光、绿光和近红外光辐射包含了大量与作物AGB有关的信息，已有较多学者利用遥感技术进行作物AGB估测研究。如宋开山等通过分析冠层光谱反射率、导数光谱与大豆AGB的相关性，建立了比值植被指数(RVI)与大豆AGB的遥感估算模型。Casanova等将水稻光谱反射率与光合作用过程结合建立水稻AGB估测模型，实现对AGB有效估测。Hansen等利用冬小麦高光谱反射率计算出NDVI，基于偏最小二乘法对冬小麦AGB进行估测。Bao等用最佳拟合方法建立了冬小麦AGB与光谱参数之间的关系模型，进而对冬小麦AGB估测。贺佳等发现，在冬小麦拔节期、孕穗期、抽穗期、灌浆期、成熟期可以用归一化绿波段差值植被指数、比值植被指数、修正土壤调节植被指数、红边三角植被指数和修正三角植被指数Ⅱ监测冬小麦AGB。以上研究主要是通过分析遥感光谱信息与作物AGB之间的关系，建立基于单个遥感光谱指标的经验性作物AGB估测模型，以实现快速、便捷的作物AGB估测。由于研究区域环境及获取的遥感影像类型不同，经验性的作物AGB估测模型较难适用于不同研究区域的作物AGB估测。

随着人工智能技术的发展，人工神经网络技术因其优秀的容错性、自学习、自适应和自组织能力在农业生产领域被广泛应用。人工神经网络可以通过对大量输入信息的训练和学习，最大程度建立解决问题的模型，因此在复杂的农田土壤背景和较多的AGB影响因素下，有必要利用BP神经网络探索多个影响因素与作物AGB之间的关系，但有关将多个遥感光谱指标与BP神经网络结合估测冬小麦AGB的研究报道尚不多见。

本研究在江苏省泰州兴化市、盐城市大丰区和宿迁沭阳县布设冬小麦AGB遥感估测试验，在获取冬小麦冠层REF(近红外光谱反射率)、REF(红光光谱反射率)、叶面积指数(LAI)以及AGB的基础上，通过分析波段反射率、植被指数和冬小麦LAI与AGB之间的相关关系，综合相关性较好的遥感光谱指标建立基于BP神经网络的冬小麦AGB估测模型，并与回归统计模型进行比较，以建立高效、便捷的县域冬小麦AGB遥感估测方法，以期为冬小麦长势监测和水肥管理措施调整提供科学参考。

1 材料和方法

1.1 试验区选择和数据获取

在江苏省泰州泰兴市(苏南)、盐城市大丰区(苏中)和宿迁市沭阳县(苏北)布设冬小麦AGB估测试验。2021年3月26日-30日(冬小麦拔节期)，用Juno ST(美国)手持GPS仪在泰兴市、大丰区和沭阳县各定位选择20个试验样点(图1)，每个试验样点间隔约1～2 km，试验样点田块面积不少于9×10m(300 m×300 m)。4月16日(冬小麦抽穗期)，在泰兴市进行相同定位试验样点数据获取。在每个试验样点田块中间位置采用梅花对角线法(或5点采样法)用GreenSeeker(美国)光谱仪分别测量冬小麦冠层REFnir和REF，测量5次，取其平均值作为单个试验样点的光谱信息数据。在测量冬小麦冠层光谱信息对应位置，用Sun Scan作物冠层分析仪按照梅花对角线法测定每个试验样点的叶面积指数5次，取其平均值作为每个试验样点冬小麦叶面积指数。在测量冬小麦冠层光谱信息对应位置的每个试验样点随机选取20个冬小麦茎蘖装入编号袋，在室内置于烘箱105 ℃杀青20 min，75 ℃烘干至恒重，称取重量，并求取试验样点每个茎蘖生物量均值，统计试验样点每平方尺冬小麦茎蘖数，利用每个冬小麦茎蘖生物量均值最终可换算出试验田块冬小麦AGB。试验区冬小麦供试品种为苏麦13、苏麦18和苏麦9023，田间管理措施与一般大田相同。

图1 江苏省行政边界和试验样点分布概况

1.2 植被指数计算

利用Green Seeker光谱仪在试验区样点测得冬小麦冠层REF和REF，并计算NDVI、DVI、RVI、SAVI和OSAVI：

NDVI=(REF-REF)/(REF+REF)

DVI=REF-REF

RVI=REF/REF

SAVI=[(REF-REF)/(REF+REF+S)](1+)

OSAVI=(1+0.16)(REF-REF)/(REF+REF+ 0.16)

式中为土壤调节系数，取值范围为0～1，当=0.5时可以将绿色植被中土壤变化影响降至最低。

1.3 BP神经网络

BP神经网络结构由输入层、隐含层和输出层组成(如图2所示)，每一层包含很多个神经元。BP神经网络训练过程分为信号正向传播和误差反向传播。正向传播时，先利用标准归一化函数mapminmax对输入数据和输出数据进行归一化处理，将数据压缩到(0，1)范围内，然后各层神经元按照一定学习规则对处理后的数据进行运算，经过输入层传递至隐含层再传递至输出层。如果实际输出未到达期望输出，计算输出数值误差后，将误差反向传播，同时对每一层权值和阈值进行调整，再次对训练数据进行运算，直到实际输出满足期望输出后通过反归一化处理，将模型估测数值输出。本研究通过构建三层BP神经网络对冬小麦AGB进行估测。

图2 BP神经网络结构

1.4 冬小麦AGB估测模型建立与验证

沭阳县和大丰区40个试验样点数据用于模型建立，泰兴市冬小麦拔节期与抽穗期的各20个试验样点数据用于模型验证。

在Excel软件中，分析7个遥感光谱指标(REF、REF、NDVI、DVI、RVI、SAVI、OSAVI)与AGB间相关关系，选择与冬小麦AGB相关性较好的遥感光谱指标作为建立冬小麦AGB估测模型的输入变量。在MATLAB软件中，利用40个试验样点冬小麦遥感光谱指标、LAI和AGB数据分别建立BP神经网络冬小麦AGB估测模型(AGB)和多元线性回归冬小麦AGB估测模型(AGB)。建模完成后，分别将将泰兴市冬小麦拔节期与抽穗期的各20个试验区样点数据输入AGB和AGB估测模型计算冬小麦AGB估测值。将冬小麦AGB估测值和对应试验区样点实测值进行线性拟合，根据、RMSE和ARE对冬小麦AGB和AGB估测模型精度进行评价，值越大，RMSE和ARE值越小，冬小麦AGB估测模型的估测精度越高。、RMSE和ARE的计算公式如下：

2 结果与分析

2.1 冬小麦AGB实测值变异分析

60个试验样点冬小麦AGB实测值变化范围为492.5～6 718.1 kg·hm，多数集中在 2 020.3～3 952.8 kg·hm。大丰区试验点冬小麦AGB实测值平均为2 876.6 kg·hm，相对于平均值的变异幅度为-76.4%～51.1%。沭阳县试验点冬小麦AGB实测值平均为3 037.6 kg·hm，变异幅度为-56.6%～58.3%。泰兴市试验点冬小麦AGB实测值平均值2 272.8 kg·hm，变异幅度为-78.3%～195.6%。由于受到冬小麦种植密度、病虫害及初始拔节时间的影响，部分试验样点冬小麦AGB实测值出现较大波动，其中泰兴市试验样点冬小麦AGB实测值的变异幅度最大，大丰区次之，沭阳县最小。

2.2 遥感光谱指标与冬小麦生物量之间的关系

相关性分析结果(表1)表明，不同冬小麦遥感光谱指标(REF、REF、NDVI、DVI、RVI、SAVI和OSAVI)间及其与AGB间均存在一定的相关性，且相关程度有所不同。如REF与NDVI、DVI、RVI、SAVI和OSAVI间均呈负相关。REF、NDVI、DVI、RVI、SAVI和OSAVI两两之间呈正相关，其中SAVI与OSAVI间的相关性最高，相关系数为0.98。不同遥感光谱指标与AGB间的相关性均较好，且由强到弱依次为RVI >NDVI>OSAVI>REF>SAVI> DVI>REF；其中，NDVI、RVI和OSAVI与AGB间呈极显著正相关，REF、DVI 和SAVI与AGB间呈显著正相关，REF与AGB呈显著负相关。综合以上分析结果，本研究选择5个遥感光谱指标(REF、NDVI、RVI、SAVI和OSAVI)作为建立BP神经网络冬小麦AGB估测模型和多元线性回归冬小麦AGB估测模型的自变量。

图3 试验样点冬小麦AGB实测值

表1 遥感光谱指标与冬小麦AGB之间的相关系数

2.3 冬小麦叶面积指数与AGB之间的关系

冬小麦LAI是反映冬小麦生群体郁闭程度大小的重要生长指标，与物质积累过程关系紧密。研究区冬小麦LAI主要分布在1.3～3.3之间，与AGB间存在明显相关性，相关系数为0.782，且呈幂函数关系(=1 640.9,为0.611)(图4)。因此，本研究考虑选择LAI作为冬小麦AGB估测模型建立的自变量。

图4 冬小麦LAI与AGB之间的关系

2.4 冬小麦AGB估测模型的建立

以LAI及5个遥感光谱指标(REF、NDVI、RVI、SAVI和OSAVI)为自变量，利用沭阳县和大丰区40个试验区样点数据建立多元线性回归冬小麦AGB估测模型(AGB)：

AGB=4 068.9REF-67 392.8NDVI+135RVI-85 020.1SAVI+175 980OSAVI+ 592.5LAI-1 206.8

同时在MATLAB软件中，利用与线性回归AGB建模相同的样点数据建立BP神经网络冬小麦AGB估测模型(AGB)，选择trainlm、tansig和purelin分别作为BP神经网络模型的训练函数、隐含层传递函数及输出层函数，并利用提前停止法对神经网络进行训练，防止出现过拟合现象。根据隐含层节点数经验公式可知，隐含层节点数为3～13。AGB模型建立完成后，选择不同的节点数对试验区验证样点冬小麦AGB进行估测(表2)。根据AGB估测值和对应AGB实测值拟合效果，选择最大、RMSE最小的节点数作为最佳隐含层节点数。

由表2可知，在不同隐含层节点数建立的冬小麦AGB估测模型的精度不同。节点数为4时，估测模型的最大(0.918)，RMSE值最小(582.9 kg·hm)。节点数为10时，估测模型的最小(0.437)，RMSE最大(1 581.5 kg·hm)。因此，选择合适的隐含层节点数有利于提高估测模型精度。根据冬小麦AGB估测结果选择估测模型的结构为(6，4，1)(6表示6个输入变量即REF、NDVI、RVI、SAVI、OSAVI和LAI；4表示模型隐含层节点数；1表示模型输出变量AGB)，选取隐含层节点数为4时估测模型与其隐含层权重、偏差分别见表3和表4。

表2 不同隐含层节点数的BP神经网络模型对冬小麦AGB的估测精度

表3 BP神经网络冬小麦AGB估测模型

表4 BP神经网络冬小麦AGB估测模型的权重和偏差

2.5 冬小麦AGB估测模型精度评价

利用泰兴市冬小麦拔节期和抽穗期的各20个试验区样点的数据，分别对估测模型AGB和AGB的精度进行验证。泰兴市冬小麦拔节期AGB实测值变化范围为492.5～6 718.1 kg·hm，多数集中在758.2～5 091.8 kg·hm范围内。两个模型AGB和AGBBP对AGB的估测值变化范围分别为622.2～5 064.6和753～5 577.5 kg·hm，多数分别集中于950.1～3 744.3和763.3～4 148.3 kg·hm范围(图5a和图5b)，模型AGB的估测值比较接近实测值。估测模型AGB的为0.784，RMSE为871.1 kg·hm，ARE为 32.6%，样点估测值多数分散在1∶1线两侧。估测模型AGB的为0.918，RMSE为582.9 kg·hm，ARE为18.4%，样点估测值较为均匀的集中在1∶1线两侧。

泰兴市冬小麦拔节期AGB实测值变化范围为2 067.8～7 919.5 kg·hm，多数集中于 5 469.1～7 016.0 kg·hm。估测模型AGB的估测值较分散，为0.175，RMSE为1 676.7 kg·hm，ARE为33.1%(图5c)。图5d中AGB的估测值离1∶1线较近，为0.545，RMSE为1 140.4 kg·hm，ARE为20.5%(图5d)。因此，估测模型AGB的估测精度也在抽穗期明显高于估测模型AGB，说明BP神经网络可以通过不断迭代将模型自变量和因变量进行非线性拟合，能够有效提高冬小麦AGB估测精度。

图5 冬小麦AGB估测模型AGBRA(a和c)和AGBBP(b和d)的估测值和实测值比较

3 讨 论

目前，有关遥感估测冬小麦AGB的研究主要是选择单个或几个遥感光谱敏感指标，利用回归分析和神经网络方法建立较为简单的回归模型和神经网络模型，虽然能够对局地冬小麦AGB进行估测，但其在异域的适用性还有待验证与完善。将遥感光谱指标和长势指标共同作为冬小麦AGB估测模型自变量，可以降低遥感光谱指标对农田土壤背景的敏感性，减小冬小麦AGB估测模型的误差。冬小麦生长需要经历多个生长阶段，拔节期是茎秆生长的重要阶段，也是构建群体有效茎蘖数关键期，对水肥丰缺非常敏感。该阶段生物量积累的好坏对后期穗分化、孕穗、扬花乃至灌浆均有较大影响，选择冬小麦这一关键期进行AGB估测研究，对于及时获取冬小麦生长动态和辅助生产管理措施调整颇显重要。本研究利用冬小麦多个遥感光谱指标与LAI分别建立了冬小麦AGB估测模型AGB和AGB，并分别对泰州泰兴市冬小麦拔节期与抽穗期AGB进行模型精度验证。冬小麦拔节期模型AGB的估测精度为67.4%，模型AGB的估测精度为81.6%。与冬小麦模型AGB比较，模型AGB的估测精度提高了 14.2%。冬小麦抽穗期模型AGB的估测精度为66.9%，模型AGB的估测精度为 79.5%。与冬小麦模型AGB比较，模型AGB的估测精度提高了12.6%，说明利用BP神经网络建立的冬小麦AGB估测模型能够更有效估测冬小麦拔节期和抽穗期AGB。

卫星遥感技术具有及时、高效和大范围等监测特点，利用卫星遥感影像提取冬小麦遥感光谱指标数据，结合冬小麦AGB估测模型AGB，可以实现大面积冬小麦AGB估测，为县域冬小麦长势监测与产量估算提供有效参考。通过分析冬小麦AGB卫星遥感估测信息，可快速了解研究区域冬小麦空间分布与生长状况，有针对性地调整冬小麦水肥管理措施，进而实现粮食丰产增收。对冬小麦多个生长阶段生长状况进行监测，可以考虑将BP神经网络方法、多时期冬小麦遥感光谱指标和长势指标进行综合分析，进一步改进或优化冬小麦估测模型AGB，探索冬小麦多个生长阶段(扬花期和灌浆期等)生物量遥感估测的通用方法。