基于敏感变量筛选的多光谱植被含水率反演模型研究.pdf
《基于敏感变量筛选的多光谱植被含水率反演模型研究.pdf》由会员分享,可在线阅读,更多相关《基于敏感变量筛选的多光谱植被含水率反演模型研究.pdf(10页珍藏版)》请在咨信网上搜索。
1、2023年9 月第54卷第9 期农报业机械doi:10.6041/j.issn.1000-1298.2023.09.034基于敏感变量筛选的多光谱植被含水率反演模型研究赵文举段威成王银凤凡周春马宏(兰州理工大学能源与动力工程学院,兰州7 30 0 50)摘要:植被含水率是农田生态系统敏感性的重要表征,为提高近地遥感植被含水率反演效率和精度,基于无人机多光谱影像数据,提取首、玉米2 种植被覆盖的光谱反射率,在此基础上引人红边波段计算改进光谱指数。将5种光谱反射率及2 5个光谱指数利用变量投影重要性(Variableimportanceinprojection,VIP)分析、灰色关联度(G r a
2、 y r e l a t i o n a l a n a l y s i s,G RA)分析与皮尔逊(Person)相关性分析进行筛选,并建立基于反向神经网络(Back-propagation neural network,BPNN)、偏最小二乘法(Partial least squares regression,PLSR)、支持向量回归(Supportvectorregression,SVR)和随机森林(Randomforest,RF)4种机器学习模型,以确定不同作物覆盖下的最佳植被含水率反演模型。结果表明,3种筛选算法中VIP和GRA的模型精度明显优于Person相关性分析,且反演结果波动
3、较小;在4种机器学习算法中,SVR算法在非线性问题中相较于BPNN、PLSR、RF算法具有较强的解析能力和模型鲁棒性,验证集决定系数R达到0.7 7 以上,其结果能较真实反映植被含水率;两种样地基于GRA的植被含水率反演模型精度最高,首覆盖地GRA-SVR验证集R达0.8 8 9,RMSE为0.7 98%,MAE为0.533%;玉米覆盖地反演结果验证集R为0.8 48,RMSE为0.6 6 8%,MAE为0.542%。研究结果可为植被含水率的快速、精准反演提供理论依据。关键词:植被含水率;无人机多光谱;光谱指数;变量筛选;反演模型中图分类号:S274.4文献标识码:A文章编号:10 0 0-1
4、2 98(2 0 2 3)0 9-0 343-0 9OSID:Multispectral Vegetation Water Content Inversion ModelBased on Sensitive Variable FilteringZHAO WenjuDUAN WeichengWANG YinfengZHOU ChunMA Hong(College of Energy and Power Engineering,Lanzhou University of Technology,Lanzhou 730050,China)Abstract:Vegetation moisture con
5、tent is an important characterization of the sensitivity of farmlandecosystem.The spectral reflectance of two vegetation covers,alfalfa and corn were extracted,based onthe UAV multispectral image data,and on the basis of which the red-edge band was introduced tocalculate the improved spectral indice
6、s in order to increase the efficiency and accuracy of the inversion ofvegetation water content by near-earth remote sensing.A back-propagation neural network(BPNN)wascreated after the five spectral bands and 25 indices were filtered by using the variable importance inprojection(VIP),g r a y r e l a
7、t i o n a l a n a l y s i s (G RA),a n d Pe a r s o n s c o r r e l a t i o n a n a l y s i s.T o f i n d t h eoptimum inversion model for vegetation water content under various crop covers,back-propagation neuralnetwork,partial least squares regression(PLSR),support vector regression(SVR),and rando
8、m forest(RF)were used.The findings indicated that,among the three screening algorithms,the accuracy of themodels following GRA and VIP was significantly higher than that of Pearsons correlation analysis,and theinversion results were less volatile.Among the four machine learning algorithms,the SVR al
9、gorithm hada stronger nonlinear problem resolution ability and model robustness than BPNN,PLSR,and RFalgorithms.In the nonlinear problem,the SVR algorithm outperformed the BPNN,PLSR,and RFalgorithms in terms of analytical ability and model robustness.The validation set coefficient ofdetermination R
10、reached above 0.77 and its results can offer more accurate feedback on vegetation watercontent.The GRA-SVR based inversion model for vegetation water content had the highest accuracy inthe two sample sites.The GRA-SVR validation set R?of alfalfa cover reached 0.889,RMSE of收稿日期:2 0 2 3-0 4-17 修回日期:2
11、0 2 3-0 6-2 6基金项目:国家自然科学基金面上项目(52 37 90 42)和甘肃省重点研发计划项目(2 0 YF8ND141)作者简介:赵文举(198 1一),男,教授,博士生导师,主要从事寒旱区生态水利研究,E-mail:w e n j u z h a o 12 6.c o m农2023年344机报学业械0.798%,and MAE of 0.533%;the inversion result validation set R?of corn cover was 0.848,RMSE of0.668%,and MAE of 0.542%.The research results
12、can provide a theoretical basis for rapid andaccurate inversion of vegetation water content.Key words:vegetation water content;UAV multispectral;spectral index;variable filtering;inversionmodel0引言植被生理生态指标作为农田生态系统敏感性表征,植被含水率直接反映土壤干燥程度。研究植被含水率对干旱的响应有助于理解全球气候变化背景下,植被对气候波动的响应机制特征,这对提高植被变化预测、农业估产和水肥调控的准确
13、性具有重要意义2 传统方法获取植被含水率分布及变化规律费时费力,易受地形限制3。无人机搭载光谱仪器作为低空遥感的一种,可快速获取大范围光谱信息,进而实现土壤情和作物生长大范围、快速监测,可为植被含水率反演提供科学高效的技术手段4-5。引人红边波段(Red edge position,Re d Ed g e)可提取新的光谱信息,将其替代R波段可衍生多种改进光谱指数6 。赵文举等7 将红边波段应用于不同植被覆盖土壤含盐量反演研究,结果表明该波段对植被响应敏感,改进光谱指数对模型精度提升显著。ZHANG等8 通过对比有无红边波段的2 0 个植被指数,发现引人RedEdge的变量组精度提高7 个百分点
14、,且此波段能与植被覆盖下的耕地土壤盐分建立非线性关系,可提升植被含水率反演精度。光学遥感因其高密度数据组合及复杂的地物构成,严重影响模型反演精度和效率9。敏感光谱变量作为反演模型的重要输人因子,其筛选方法一直是该领域的研究热点7 。研究表明,使用适合的变量筛选算法可提高模型精度及学习效率10 。代秋芳等 将CARS筛选变量与全波段组分别进行CNN模型运算,反演结果中敏感变量组相较于全变量组决定系数R?和均方根误差(RMSE)分别提升0.03、0.0 0 7,改进效果显著。WANG等12 利用变量投影重要性分析等4种筛选算法提取敏感光谱变量进而高效反演土壤含盐量。陈俊英等13 利用灰色关联度分析
15、筛选光谱指数,基于不同机器学习算法,反演不同生育期不同深度土壤含盐量,筛选变量组反演结果优于全变量组。ZHAO等6 使用皮尔逊相关性分析法选取相关性高的光谱指数构建不同植被覆盖表层土壤含盐量反演模型,所构建模型较好地反映真实土壤盐分含量。变量筛选模型及机器学习算法凭借其处理非线性问题的优势,已经在农业水土遥感上得到应用,但多种变量筛选算法在植被指数优选中应用较少,且不同算法对植被指数敏感表征的相关研究较少,变量筛选算法结合不同机器学习模型,反演不同植被覆盖含水率的响应机理还有待深入研究。综上所述,本研究基于无人机搭载多光谱成像系统获取首、玉米遥感影像,并对植被含水率进行同时段野外实测,通过引人
16、红边波段构建2 5种传统及改进光谱指数,采用变量投影重要性(Va r i a b l e i mp o r t a n c e i n p r o j e c t i o n,VIP)、灰色关联度(Grayrelational analysis,G RA)与皮尔逊(Pe r s o n)相关性分析算法对光谱指数进行筛选,将筛选后的敏感变量作为模型输人层,构建基于反向神经网络(Back-propagationneural network,BPNN)、偏最小二乘法(Partial least squaresregression,PLSR)、支持向量回归(Supportvectorregressio
17、n,SVR)和随机森林(Randomforest,RF)4种机器学习算法的植被含水率反演模型,通过对反演效果评价,以讨赖河流域边湾农场为例,确定不同植被覆盖的含水率反演模型,以期为快速、精准反演植被含水率提供理论依据。1材料与方法1.1研究区概况本研究区域位于甘肃省讨赖河流域边湾农场,该地区气候干旱,降雨稀少,蒸发量大,水资源时空分布不均。农场主要作物有:玉米、小麦、向日葵和首等,是河西走廊重要的粮食生产基地。无人机多光谱遥感监测及实地采样位置如图1所示。N.0.0.0t98200E98400E9900E99200EN主要水系城罐区口采样区域高程/m26041321018365472km982
18、00E98400E9900E99200E图1研究区示意图Fig.1Schematic of study area345赵文举等:基于敏感变量筛选的多光谱植被含水率反演模型研究第9 期1.2试验数据采集与预处理1.2.1无人机多光谱遥感影像采样日试验区光照条件充足、均匀,所用遥测平台为DJI公司Phantom4Multispectral无人机,共搭载6 个1/2.9英寸CMOS影像传感器,包含1个彩色RCB传感器和5个单色光谱传感器,详细波段参数如表1所示。设置飞行高度40 m,航线重叠率70%,旁像重叠率6 5%,无人机平均速度4m/s,并采集白板数据用于辐射校正。通过DJITerra及ENV
19、I5.3软件完成影像预处理。表1林机载光谱仪波段参数Tab.1Multispectral parameters of UAV名称波段/nmR650 16G560 16B450 16NIR840 26RedEdge730161.2.2野外实测采样2022年6 月8 一10 日在边湾农场进行实地采样,采样点分布见图2。分别在首、玉米覆盖地均匀布设6 0 个采样点。在获取无人机多光谱遥感影像后,对植被进行整株采样,并使用手持RTK进行打点定标。将采集样本用去离子水洗净称量鲜质量98322E98326EN.8,0S.66983210EN.0,0S.6口首研究区025.50.75100首采样点m9832
20、2E98326E983210E983024E983025E983026ETN口玉米研究区玉米采样点05101520m983024E983025E983026E图2 买采样点分布图Fig.2Sampling point distribution后,放入干燥箱10 5杀青30 min,然后7 5干燥至恒定质量,测其干质量141.3光谱指数构建与筛选1.3.1光谱指数构建利用遥感影像中提取的光谱反射率,进行不同的波段组合。通过研究发现该红边波段可有效提升植被覆盖下反演模型精度15。本文将红边波段替换传统光谱指数中的R波段,进而衍生出改进光谱指数,共构成2 5个光谱指数如表2 所示16-19表2光谱指
21、数Tab.2Spectral index光谱指数表达式归一化植被指数(NDVI)(NIR-R)/(NIR+R)改进归一化植被指数(NIR-RedEdge)/(NIR+RedEdge)(NDVI-reg)差值植被指数(DVI)NIR-R改进差值植被指数(DVI-NIR-RedEdgereg)增强植被指数(EVI)2.5(NIR-R)/(NIR+6R-7.5B+1)改进增强植被指数(EVI-2.5(NIR-RedEdge)/reg)(NIR+6RedEdge-7.5B+1)转换性植被指数(TVI)0.5120(NIR-G)-200(R-G)简单比值植被指数(SRVI)(1+L)(NIR-R)/(N
22、IR+R+L)归一化差异绿度指数(G-R)/(G+R)(NDGI)归一化差异土壤指数(R-NIR)/(R+NIR)(NDSI)改进归一化差异土壤指数(RedEdge-NIR)/(RedEdge+NIR)(NDSI-reg)比值植被指数(SR)NIR/R覆盖度植被指数(CVI)(R/B)(G/B)修正叶绿素吸收指数 RedEdge-R-0.2(RedEdge-(MCARI)G)J(RedEdge/R)优化土壤调节植被指数(NIR-R)/(NIR+R+L)(OSAVI)改进叶绿素指数(CI-reg)RedEdge/R-1类胡萝卜素吸收指数3(RedEdge-R)-0.2(Re d Ed g e-(
23、TCARI)B)(RedEdge/R)联合光谱指数(B+G)/(R+NIR)(NIR-(COSRI)R)/(NIR+R)绿叶指数(GLI)(G-R)+(G-B)/(2G)+R+B增强型土壤调节植被指数2NIR+1-2sqrt(2NIR+1)-(MSAVI)8(NIR-R)J/2归一化近红外指数(NNIR)NIR+R+G归一化比值植被指数(NR)R/(NIR+R+G)绿色叶绿素指数(CCI)NIR/G-1水体指数(NDWI)(G-NIR)/(G+NIR)改进湿度指数(NDMI(NIR-RedEdge)/(NIR+RedEdge)reg)注:L为经验常数,本文SRVI取0.5,0 SAVI取0.1
24、6;sqrt表示求平方根运算。农2023年机346报业学械1.3.2筛选算法构建光谱数据普遍存在数据密度大、波段及组合繁杂等特点。在模型构建中,穴余及干扰变量均会影响植被含水率反演精度和准确性,进而需要进行变量筛选9。本文选取VIP、G RA 与Person相关性分析对2 5个光谱指数进行筛选、对比。VIP分析和GRA分析通过MatlabR2016a实现,Person相关性分析则是使用IBMSPSS26进行筛选运算。1.4植被含水率反演模型构建与精度评价1.4.1模型构建将玉米、首覆盖地获取的6 0 个样本数据,随机挑选40 个划分为建模集,用于回归建模与训练,20个划分为验证集,用于检验模型
25、精度。通过Person相关性分析、VIP分析及GRA分析,将优选出的敏感光谱变量作为模型的输人层,实测的植被含水率作为模型的输出层,分别采用BPNN、SVR、RF和PLSR构建植被含水率反演模型,机器学习模型均通过MatlabR2016a实现。1.4.2模型精度评价利用模型的决定系数(Coefficientofdetermination,R)、均方根误差(Root mean squarederror,RM SE)和平均绝对误差(Mean absolute error,MAE)来评价建模精度。R?越接近1,RMSE和MAE越小,表明预测值和实测值之间的偏差越小,模型反演效果越好。2结果与分析2.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 敏感 变量 筛选 光谱 植被 含水率 反演 模型 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。