基于高光谱激光雷达的绿萝叶绿素3维重建.pdf
《基于高光谱激光雷达的绿萝叶绿素3维重建.pdf》由会员分享,可在线阅读,更多相关《基于高光谱激光雷达的绿萝叶绿素3维重建.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 47 卷 第 5 期2023 年 9 月激 光 技 术LASER TECHNOLOGYVol.47,No.5September,2023 文章编号:1001-3806(2023)05-0708-08基于高光谱激光雷达的绿萝叶绿素 3 维重建汪慧民1,邵 慧1,2,孙 龙1,2,李 伟3,王 程1,2,陈 杰1,2,朱家兵4(1.安徽建筑大学 电子与信息工程学院,合肥 230601;2.安徽建筑大学 安徽省古建筑智能感知与高维建模国际联合研究中心,合肥 230601;3.北京航空航天大学 无人机系统研究院,北京 100191;4.淮南师范学院 电子工程学院,淮南 232038)摘要:为了准确
2、重建正反面叶片叶绿素 3 维分布,利用高光谱激光雷达,采集了不同生长状态的绿萝叶片与植株的空间-光谱域点云数据,设计了一种基于分类预测的重建方法。通过偏最小二乘回归构建叶片正面与反面光谱的叶绿素含量预测模型,采用光谱自适应阈值选择方法实现植株点云中叶片正反面的分类,并根据类别标签选择模型计算叶绿素含量,重建植株的叶绿素 3 维分布。结果表明,该方法得到的植株叶绿素 3 维分布更接近真实值,决定系数达到 0.69,均方根误差为 4.97。这一结果可为植物表型研究提供新的数据基础和理论方法。关键词:遥感;高光谱激光雷达;偏最小二乘回归;叶绿素含量;3 维重建中图分类号:TP721.2 文献标志码:
3、A doi:10.7510/jgjs.issn.1001-3806.2023.05.0203-D reconstruction of chlorophyll content of epipremnum aureum based on hyperspectral LiDAR WANG Huimin1,SHAO Hui1,2,SUN Long1,2,LI Wei3,WANG Cheng1,2,CHEN Jie1,2,ZHU Jiabing4(1.School of Electronic and Information Engineering,Anhui Jianzhu University,Hef
4、ei 230601,China;2.Anhui International Joint Research Center for Ancient Architecture Intellisencing and Multi-Dimensional Modeling,Anhui Jianzhu University,Hefei 230601,China;3.Institute of Unmanned System,Beihang University,Beijing 100191,China;4.School of Electronic Engineer-ing,Huainan Normal Uni
5、versity,Huainan,232038,China)Abstract:In order to accurately reconstruct the 3-D chlorophyll distribution of adaxial and abaxial leaves,the leaves and plants of epipremnum aureum in different growth states were selected as the experimental samples,whose spatial-spectral point cloud data were acquire
6、d by hyperspectral light detection and ranging(LiDAR),and a reconstruction method based on classification and prediction was designed.Chlorophyll content prediction models of adaxial and abaxial leaves were constructed by the partial least squares regression modeling method,to calculate the chloroph
7、yll of different leaves,adaxial and abaxial leaves were classified with the spectral adaptive threshold selection method,and then the plant 3-D distribution of chlorophyll was reconstructed.The results show that this reconstruction method can obtain the predicted value with a coefficient of determin
8、ation 0.69 and a root mean square error 4.97,which is closer to the true value.This result will provide a basis and theoretical approach for plant phenotypes research.Key words:remote sensing;hyperspectral LiDAR;partial least squares regression;chlorophyll content;3-D reconstruction 基金项目:安徽省科技厅面上项目(
9、2008085MF182);安徽省住房城乡建设科学技术计划资助项目(2022-YF077;2020-YF22);安徽省高校省级自然科学研究项目(KJ2021JD16;KJ2020A0471;KJ2021A0622);安 徽 省 高 校 协 同 创 新 项 目(GXXT-2021-028);安 徽 省 科 技 重 大 专 项 基 金 资 助 项 目(202003a05020031)作者简介:汪慧民(1997-),男,硕士研究生,现主要从事激光雷达信号处理的研究。通讯联系人。E-mail:shaohui 收稿日期:2022-07-25;收到修改稿日期:2022-09-08引 言叶绿素是植物进行光合
10、作用合成养分的重要色素,准确测定植物叶绿素含量可以估计植物总初级生产力和监测植物生长状态1。传统的叶绿素含量的测定方法主要有分光光度法、光声光谱法,其中分光光度法应用最为广泛,但是此类方法需现场破坏性采集样品,耗时耗力且受实验条件限制2。大量研究表明,叶片的光谱特征与叶绿素含量之间密切相关3-5,由于速度快、效率高、成本第 47 卷 第 5 期汪慧民 基于高光谱激光雷达的绿萝叶绿素 3 维重建低、无损检测等优点,被动多光谱与高光谱方法被广泛用于分析、估计和反演叶片叶绿素含量。LIU 等人使用地物光谱仪构建了大豆叶片叶绿素含量的预测模型,为大面积监测大豆的生长状态提供了参考6。WANG 等人利用
11、光谱仪分析了偏最小二乘回归(par-tial least squares regression,PLSR)中不同输入参数对油茶叶片叶绿素含量估算的影响7。ZHANG 等人利用多光谱图像采集系统获取并重建了水稻叶绿素含量3 维分布多视角图像8。WANG 等人利用被动光谱仪在实验室环境中对植物叶片正反面光谱采集,通过PLSR 构建了对叶片正反面光谱不敏感的叶绿素含量预测模型9,由于光谱仪视场角问题,每次采集到的是整个视场范围内的平均光谱,完成整棵植株的单点精确扫描所需时间成本太高。被动遥感在外场实验中容易受到光源和背景条件的限制以及冠层结构的影响10-11,因此主动探测遥感越来越受到学者们的关注1
12、2。激光雷达(light detection and ranging,LiDAR)作为一种主动遥感技术,不依赖于外界光源,可以高效获得植被 3 维结构信息13。EITEL 等人使用地面激光扫描仪采集阔叶树苗 532 nm 的后向散射强度并反演了其叶绿素含量14,但单波长激光雷达能够提供的光谱信息有限,在反演精度上受到限制。随着超连续谱激光器的发展,人们设计和发展了能够获得目标物体丰富光谱信息和精确空间信息的高光谱激光雷达(hyperspectral LiDAR,HSL),使得植被生化参数反演与 3 维重建成为可能。BI 等人借助HSL 光谱信息构建的 PLSR 模型,结合空间信息比较了不同施氮
13、条件下玉米植株垂直方向上叶绿素浓度15。DU 等人通过构建宽带植被指数,将 HSL 数据应用于万年青叶绿素-氮含量的 3 维重建16。以上研究考虑的都是叶片正面光谱与叶绿素含量的关系,在实际的遥感测量中,叶片的反面光谱不可避免地被接收到。仅依赖叶片正面光谱所建立的叶绿素含量预测模型不适用于叶片反面情况,造成预测精度的降低,影响到植物叶绿素 3 维分布模型准确建立。本文作者利用自研的百通道 HSL,以绿萝为实验样本,利用最优植被指数结合偏最小二乘法构建叶片正面与反面光谱预测模型。分析叶片正反面的光谱差异,并提出自适应阈值选择方法实现绿萝植株正反面叶片的分类。在分类条件下,将预测模型应用于多基元植
14、株点云,实现叶绿素含量 3 维分布重建。1 实验与样本1.1 百通道地基高光谱激光雷达系统利用百通道地基 HSL 系统17采集样本空间-光谱域点云数据。系统由发射单元、扫描控制单元和信号采集单元 3 个部分组成,如图 1 所示。通过超连续谱激光器和声光可调谐滤波器(acousto-optic tunable fil-ters,AOTF)组成的发射单元可在不同时刻发射不同波长的激光脉冲,其光谱分辨率为 5 nm,有效工作波长为 550 nm1050 nm。激光发射信号经光纤耦合到准直器,再经折转发射镜将不同波长的激光信号发射出去,然后由接收望远镜头将回波信号汇聚到探测器上,通过雪崩光电二极管(a
15、valanche photodiode,APD)和高速采集卡记录不同时刻接收的不同波长的激光脉冲。同时利用 2 维转台记录目标的 3 维空间坐标,获得目标空间-光谱的点云信息。图 1 HSL 系统结构图Fig.1 Schematic of HSL system1.2 手持叶绿素仪使用柯尼卡手持叶绿素仪(SPAD-502Plus)测量叶片叶绿素含量,该仪器可以测量叶片的相对叶绿素含量,即土壤与作物分析开发(soil and plant analyzer development,SPAD)值,SPAD 测量范围为 0 200,分辨率为 0.1,准确度在1 以内,重复性在3 以内。由于 SPAD 值
16、与叶绿素含量具有高度相关性,且能反映叶绿素含量的相对高低18,本文中以其表征叶绿素含量。1.3 实验样本实验样本为绿萝叶片与植株,绿萝属于天南星科麒麟叶属植物,叶片硕大、叶茎呈绿色,如图 2 所示。图 2a 和图 2b 分别为绿萝叶片的正面与反面,将其固定在叶面夹上,共采集 15 枚绿萝叶片的数据;图 2c图 2e 为不同长势与不同生长阶段的绿萝植株,均为土栽法种植,图 2c 发育良好,叶片较大呈深绿色;图 2d由于缺肥,底部叶片叶绿素合成受阻,开始出现泛黄现907激 光 技 术2023 年 9 月 图 2 绿萝实验样本 Fig.2 Experimental samples of epipre
17、mnum aureum象;图 2e 处于生长初期,叶片较小。将不同样本置于红色泡沫板上,背景为黑布,其中叶片反面由红色方框框出。1.4 实验数据采集与预处理使用 HSL 采集每枚叶片的正面与反面各 6 个单点,用手持叶绿素仪测量相同位置的叶绿素含量,取 3次测量的均值作为该位置的叶绿素含量。实验中共获取叶片正面和反面数据各 90 组,划分为正面数据集与反面数据集,每种数据集以 2 1比例划分为建模集和验证集。绿萝植株放置于距离 HSL 系统 4.8 m 处,HSL 系统发射的激光光束从样本的左上角起始点开始从左至右扫描,当扫描至最右侧换行从右至左扫描,重复扫描过程直至完成整个样本扫描,其中水平
18、扫描间距与垂直扫描间距均为 0.05。如图 3a 所示,共获得 9964 个HSL 扫描点,以固定距离值进行分割,消除背景回波信号的干扰,提取仅包含植株样本扫描点,再采用高斯滤波器去除随机噪声,共获得 3400 个点,如图 3b 所示。在相同条件下,采集反射率为 99%标准漫反射参照板回波强度信号,利用下式,计算目标点的光谱反射率:t(i)=Vt(i)Vb(i)b(i)(1)式中,t(i)为目标点在波长 i处的反射率,b(i)为 图 3 样本扫描点Fig.3 Scanning points of sample参照白板在波长 i处的反射率,Vt(i)和 Vb(i)分别为目标点和参照板在波长 i处
19、的回波信号电压峰值。2 叶绿素 3 维重建方法图 4 为绿萝叶绿素 3 维重建方法框图,包括预处理、分类、建模、叶绿素含量 3 维重建 4 个部分。图 4 叶绿素含量 3 维重建框图Fig.4 Schematic diagram of 3-D reconstruction of chlorophyll content预处理部分包括 3 维空间坐标解算、反射率计算以及点云滤波,已在 1.4 节中讨论。建模部分通过单点测量的叶片反射率,提取最优植被指数,结合实测SPAD 值,利用 PLSR 建立叶绿素预测模型。分类部分包括两个部分,首先计算各个波长差异比值指数选择特征波长,然后利用十折交叉验证确立
20、最佳阈值,完成对植株点云的分类。依据植株样本每个扫描点的类别选择模型计算 SPAD 值,结合 3 维空间坐标完成叶绿素含量的 3 维重建。017第 47 卷 第 5 期汪慧民 基于高光谱激光雷达的绿萝叶绿素 3 维重建2.1 建模方法选择 PLSR 作为构建叶绿素含量预测模型的方法。PLSR 是一种新型多元统计数据分析方法,能够有效克服自变量之间的相关性与冗余性,广泛应用于高光谱遥感定量反演中19。将叶片层次上构建的叶绿素反演模型应用到 3 维冠层结构上,消除角度与距离因素的影响是首要条件。相较于原始光谱,通过两个波段反射率数学组合的植被指数能够一定程度上消除这些影响20。因此,选择 3 种形
21、式植被指数:比值植被指数(ratio vegetation index,RVI)iRVI、差值植被指数(difference vegetation index,DVI)iDVI和归一化差分植 被 指 数(normalized difference vegetation index,NDVI)iNDVI作为 PLSR 的输入变量,3 种植被指数的计算公式如下:iRVI=(j)(i)(2)iDVI=(j)-(i)(3)iNDVI=(j)-(i)(j)+(i)(4)式中,(i)与(j)分别表示 i与 j波长的反射率。为了挑选出效果最佳的波段组合,计算所有可能的波段组合与叶绿素含量间的相关系数,并以相
22、关矩阵形式呈现,选择相关系数最高的波段组合作为最优波段组合。2.2 分类方法采用单阈值法实现植株扫描点中叶片正反面的分类。为了从高光谱丰富的特征中寻找最合适的特征波长与最佳阈值,以正反面叶片数据集作为训练样本,定义差异比值指数 F(i),计算公式如下:F(i)=ada(i)-aba(i)ada(i)aba(i)(5)式中,ada(i)与 ada(i)分别表示正面数据集所有样本在 i波长的反射率平均值与标准差,aba(i)与aba(i)分别表示反面数据集所有样本在 i波长的反射率平均值与标准差。F(i)越大,表明在波长 i处叶片正反面反射率类间差异很大,且类内离散程度很低,越利于选取合适阈值进行
23、分类,因此将最大 F 值对应波长作为特征波长。特征波长确立后,采用十折交叉验证方法选取最佳阈值。将数据集等划分为 10 份,轮流将 9 组作为训 练集,剩余 1 组作为测试集。在一次交叉验证中,依次将训练集每个样本在波长 处的反射率作为阈值,进行分类并计算准确率,选择准确率最高一次对应阈值,完成对验证集的分类并计算准确率。最终,选择平均准确率最高一次交叉验证对应的阈值作为最佳阈值 T。与 T 确立后,遍历植株扫描点,若该点在 波长处的反射率高于阈值 T,则判定为叶片反面,反之为叶片正面。2.3 叶绿素含量 3 维重建植株点云分类完成后,依据扫描点的类别标签选择对应模型完成 SPAD 值的计算。
24、以 HSL 发射中心为原点建立空间直角坐标系,利用扫描点的 3 维坐标完成空间上的重建。将每个扫描点的 SPAD 值映射成不同颜色,将 SPAD 值融合到空间坐标上,实现叶绿素含量的 3 维重建。2.4 精度评价为了评价模型的好坏与植株整体预测的精度,采取决定系数 R2与均方根误差(root mean square error,RMSE)eRMSE作为评价标准。R2=1-ni=1(yi-yi)2ni=1(yi-y)2(6)eRMSE=ni=1yi-yin(7)式中,yi为第 i 个样本的叶绿素含量实测值,yi为第 i个样本的叶绿素含量预测值,y 为叶绿素含量平均值,n 为该数据集样本总数。3
25、实验结果与分析3.1 最优波段的组合图 5 为不同植被指数与叶绿素含量的相关矩阵图。可以看出,相同的波段组合的不同植被指数与叶绿素含量间的相关系数 r 不同,选择出相关系数最大的波段组合才能确定最佳的植被指数。提取与叶绿素相关系数最大的波段组合,如表 1所示。3 种植被指数与叶绿素之间高度相关,相关系数均大于 0.8。各种植被指数用到的波段组合虽然不同,但均利用了红边(670 nm760 nm)内的波长,红边是绿色植物的特性,主要表现为反射率快速上升,叶绿 117激 光 技 术2023 年 9 月图 5 植被指数与叶绿素含量相关矩阵图Fig.5 Correlation matrix diagr
- 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 光谱 激光雷达 叶绿素 重建
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。