基于光谱重建优化的无人机高光谱影像估算牧草生物量
康孝岩1,2, 张爱武1,2,*, 庞海洋1,2
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
*通讯作者 e-mail: zhangaw98@163.com

作者简介: 康孝岩, 1989年生, 首都师范大学资源环境与旅游学院博士研究生 e-mail: xy.maup.kang@gmail.com

摘要

准确及时地预测牧草的地上生物量AGB(above ground biomass)是实现牧草生长监测和合理放牧的前提。 无人机高光谱遥感可快速获取高空间、 光谱和辐射分辨率的遥感影像, 已被广泛应用于精准农业和高通量植物表型等领域。 为探究无人机高光谱影像(unmanned aerial vehicle hyper-spectral image, UAV-HSI)对草原牧草AGB预测的适用性, 获取了青海省典型草场样区的UAV-HSI、 样方牧草AGB和相关辅助数据。 然而, UAV-HSI具有较大的数据量级, 不便于被广泛采集、 存储和传输, 也会显著影响数据处理的效率, 严重制约其被有效利用。 着眼于此, 提出一种兼顾数据简化和光谱保真的牧草冠层光谱重建优化方法, 以期在有效降低数据量的同时, 保证牧草AGB的预测精度。 首先, 利用残差量化方法对UAV-HSI进行特征参量化处理, 获得低数据量级的多阶二值立方体( Hi)及系数矩阵( βi), 并以此替代原始数据进行存储和传输; 其次, 利用 Hi βi进行光谱重建, 得到初构光谱PRS(preliminarily reconstructed spectra); 最后, 运用Savitzky-Golay滤波对PRS进行优化, 即为OPRS(optimized PRS)。 以样区牧草光谱为例, 对OPRS的光谱保真性, 即OPRS与原始光谱之间的相关系数、 光谱角和光谱矢量距离进行分析, 结果表明, 在3种保真性指标上, OPRS均明显优于同阶的PRS。 进而, 分析了牧草AGB与光谱变量之间的相关性, 结果表明, 与原始光谱和PRS相比, OPRS各波段对牧草AGB的预测能力相对较高且最为稳定。 而后, 利用偏最小二乘法回归构建了牧草AGB的反演模型, 结果表明, 在原始光谱、 1~4阶PRS和1~4阶OPRS等9种光谱中, 4阶和3阶OPRS的AGB预测精度分别达到了最优和次优水平, 二者的AGB预测相对分析误差RPD(ratio of performance to deviation)分别为2.31和2.23, 比原始光谱模型的RPD分别高0.26和0.18。 在降低1个数量级的情况下, OPRS取得了优于原始光谱的牧草AGB预测性能, 说明OPRS兼具数据简化和牧草AGB准确预测性能, 为UAV-HSI估算牧草AGB提供了一种新的有效解决方案。

关键词: 无人机; 高光谱遥感; 光谱重建; 草地植被; 地上生物量
中图分类号:O433.3 文献标志码:A
Estimation of Grassland Aboveground Biomass From UAV-Mounted Hyperspectral Image by Optimized Spectral Reconstruction
KANG Xiao-yan1,2, ZHANG Ai-wu1,2,*, PANG Hai-yang1,2
1. Key Laboratory of 3D Information Acquisition and Application, Ministry of Education, Capital Normal University, Beijing 100048, China
2. Engineering Research Center of Spatial Information Technology, Ministry of Education, Capital Normal University, Beijing 100048, China
*Corresponding author
Abstract

The accurate and timely estimation of above-ground biomass (AGB) is crucial for grassland monitoring and rational grazing. The unmanned aerial vehicle (UAV)-based hyperspectral remote sensing can obtain images with high spatial, spectral and radiometric resolutions in a short time and has been widely used in many fields such as precision agricultural and high-throughput plant phenotype. To explore the applicability of UAV-based hyperspectral image (UAV-HSI) in grassland AGB prediction, we collected UAV-HSI, grassland AGB, and relevant auxiliary data in a grassland sample area of Qinghai Province. However, it is not only inconvenient to widely collect, store and transmit, but also inefficient in data processing for UAV-HSI because of large data volumes, which may restrict practices of UAV-HIS widely. For resolving the above problems, a spectral reconstruction and optimization method considering both data simplification and spectral fidelity was proposed, attempting to ensure the performance of grassland AGB prediction and effective reduction of data volumes. First, using the residual quantization, we obtained several binary cubes ( Hi) and corresponding coefficient matrices ( βi) with low volumes. Hi and βi can replace the original data for storage and transmission. Second, preliminarily reconstructed spectra (PRS) can be produced by Hi and βi. Third, through the Savitzky-Golay (SG) filter, optimized PRS (OPRS) can be achieved by enhancing the spectral fidelity. To demonstrate the effectiveness of OPRS, we carried out the spectral fidelity experiment. Taking a grassland canopy spectrum as an example, three fidelity indices, i. e., the spectral vector distance (SVD), spectral correlation coefficient (SCC), and spectral angle mapping (SAM), were analyzed. Results showed that, on the three fidelity indices, OPRS was superior to PRS. And then, the correlations between AGB and OPRS bands were discussed. Compared with raw spectra and PRS, OPRS achieved the relatively high and most stable potential in forage AGB prediction. Furthermore, the partial least squares regression (PLSR) was used to calibrate models of grassland AGB prediction. Results demonstrated that, among raw spectra, order -1 to -4 PRS, and order -1 to -4 OPRS, The prediction performances of order -4 and -3 OPRS reached the optimal and sub-optimal levels with RPD (the ratio of performance to deviation)=2.31 and 2.23, respectively. Their RPD values were 0.26 and 0.18 higher than that of the original spectra, respectively. Therefore, with a reduction of one order of magnitude, OPRS achieved a better performance than the original spectrum in the grassland AGB prediction. In other words, OPRS had advantages with both data simplification and accurate grassland AGB prediction. This study provides a new solution to estimate grassland AGB for UAV-HIS effectively.

Keyword: Unmanned aerial vehicle; Hyperspectral remote sensing; Spectral reconstruction; Grassland vegetation; Above ground biomass
引言

草地植被地上生物量(above ground biomass, AGB)是天然和人工草地产出的重要指标之一, 其可以有效反映草原植物群落的生长状况、 演替趋势和载畜能力等。 牧草AGB的监测是草地管理和科学放牧政策制定的基础, 长期以来, 牧草AGB估算主要以样方调查为主, 该方法准确度高, 但难以进行大范围草场AGB的评估。 随着星载遥感技术的发展, 大尺度牧场牧草AGB的估算成为可能, 学者们就此开展了相关研究[1, 2]。 Wu和Fu基于MODIS影像的FPAR/LAI产品(500 m分辨率)对西藏高原北部地区的牧草AGB进行了有效估算[2]; 有研究利用北京一号BJ-1与Landsat多光谱影像(30 m分辨率)就草地AGB的预测开展了对比研究, 验证了BJ-1对大范围草地AGB估算的适用性; Naidoo等利用Sentinel-2A/B多光谱影像(10 m分辨率)估算了南非东开普敦省阿马索尔山脉草地AGB, 且达到了与WorldView-3影像(1 m分辨率)相当的预测精度[2]。 星载影像估算牧草AGB具有大范围、 高效率和低成本等优势[3], 然而, 中低等的空间分辨率(10~500 m)和较长的重访周期难以满足精准牧业对牧草AGB实时精准预测的需求。

与卫星相比, 无人机(unmanned aerial vehicle, UAV)具有操作简便, 重访周期短和不受云层遮挡等显著优势, 其载荷传感器可以快速获取高空间和光谱分辨率的影像, 满足精准农业研究和实践的需求[4]。 当前, UAV高光谱影像(UAV hyperspectral image, UAV-HSI)多被用于种植业[5]和林业[6]等领域, 而在草业监测中的研究和应用相对较少[7]。 一般而言, UAV-HSI拥有数十到上百个波段, 辐射分辨率多为8~12 bit; 同时, 为了满足精准监测的需求, 其空间分辨率可达厘米级。 故而, UAV-HSI有着较大的数据量, 巨大的空间复杂度使得UAV-HSI难以在线实时处理, 在内业处理中仍需较高的计算机性能, 这是UAV-HSI当前亟待解决的问题之一[8]

鉴于以上问题, 本研究利用搭载有成像光谱仪的六旋翼低空无人机, 获取天然草地青草期的UAV-HSI, 提出一种基于光谱重建优化的UAV-HSI数据简化方法, 有效降低其数据量; 以牧草AGB反演为例, 利用偏最小二乘法回归(partial least squares regression, PLSR)方法, 探讨UAV-HSI重建光谱对牧草AGB的预测精度, 来验证UAV-HSI重建优化方法的有效性, 以期为UAV-HSI更好地应用于草地监测提供一种新的可行性方案。

1 实验部分
1.1 研究区域

研究区位于青海省海北藏族自治州海晏县西海镇东北部(37° 00'22″N, 100° 55'11″E) (图1), 总面积约为4 hm2。 西海镇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。 典型植被主要有蒿草、 针茅草、 芨芨草、 赖草、 黑柴胡和香青等[4]

图1 研究区Fig.1 Study area

1.2 高光谱影像数据获取与处理

本研究使用自主研发与集成的无人机高光谱成像系统ASQ-Hyper192(推扫式成像系统)[4], 于2018年7月31日11时— 14时在研究区开展数据采集, 天气晴朗无风, 光照强度稳定。 无人机飞行高度为100 m, 影像空间分辨率约为0.1 m; 光谱范围为400~1 000 nm; 原始数据共有192个波段, 去除噪声严重波段后, 剩余149个有效波段; 辐射分辨率为8 bit, 定标后光谱影像以32 bit或64 bit浮点数记录。

试验场共布设了7个地面控制点, 架设了一台GPS基站, 采用实时动态定位RTK方法精确测定每个控制点的经纬度及高程; 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 (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的精确三维坐标进行几何精校正; 最后, 利用经验线性法对几何校正后的影像进行辐射定标, 得到样区牧草冠层的反射率影像(图1)。

1.3 牧草AGB数据的采集与处理

牧草采样与UAV-HSI的采集同步开展, 如图1所示, 共采集了30个有效样本: 首先, 采用50 cm× 50 cm的样方, 利用RTK方法测量样方中心点的经纬度; 然后, 对样方内的牧草齐地面刈割, 装袋密封。 在实验室对植物样品进行清洗, 然后放入烘箱中烘干至恒重, 记录; 换算为单位面积内的干重AGB(g· m-2)。

鉴于测区UAV-HSI的空间分辨率为10 cm, 而样方边长为50 cm, 故以样方中心点坐标所对应的UAV-HSI上像素为中心, 取5× 5像素块立方体作为该样方牧草冠层的反射光谱图像, 并以其均值光谱作为样方牧草冠层的反射光谱。

1.4 光谱重建与优化

样区UAV-HSI立方体大小为1 724× 3 536× 149 (有效光谱数量为4.45× 106), 通常光谱由值域为(0, 1)的一组浮点型小数记录。 本研究光谱影像若以单精度浮点型记录, 则需3.38 GB的存储空间; 以双精度记录, 则需要6.77 GB。 可见, UAV-HSI有着较大的数据量级, 不利于对其进行有效采集、 存储、 传输和分析, 也不利于推广到更大范围的研究区。

针对以上问题, 提出一种基于特征参量化的光谱重建与优化方法, 试图到达如下两个目标: ①大幅降低UAV-HSI立方体的数据量, 即所需的存储空间; ②重构光谱能够达到与原始光谱相当的牧草AGB预测精度。

1.4.1 UAV-HSI立方体参量化存储及初步重构

传统的光谱特征参量化方法旨在简化光谱结构以提高分类效率, 简化后的光谱损失了大量的光谱细节, 且难以开展有效的光谱重构。 本工作以往研究将图片压缩量化方法引入到光谱量化和分类领域, 提出了光谱高阶二值编码方法, 并验证了该方法在地物光谱分类中的高性能。 引入高阶残差量化的思路, 本研究对UAV-HSI立方体进行参量化存储和光谱的初构: ①光谱参量化与存储: 对UAV-HSI的每条光谱进行M阶(Order-M)参量化, 可得到M个二值立方体(Hi)及对应的量化系数二维矩阵(β i), 并以此替代原始光谱立方体进行光谱数据的存储。 ②光谱初构: 基于M阶参量化数据, 进行光谱的初步重构。 其流程如图2所示。

图2 光谱立方体参量化及其初步构建的简明流程Fig.2 The sketch map of the spectral cube parametrization and the preliminary reconstruction

图2中, a0为实常数; MN (波段数)。 为获得上述参量化的结果, 需要对每条光谱进行相同的处理, 其基本流程如下:

对一条具有N个波段的牧草冠层光谱S, 将其每个波段反射率[∈ (0, 1)]表示为编码系数β 1与码字± 1的点积, 即Sβ 1H1, 其中β 1> 0, H1∈ {1, -1}N, 通过最小化(S-β 1H1)的l2范数[式(1)], 可求解出与S最接近的近似光谱对应的β 1H1[式(2)]

β^1, H^1=argminβ1, H1J(β1, H1)=argminβ1, H1S-β1H1l2(1)

β^1=1NSl1H^1=sign(S)(2)

式(1)和式(2)中, l1l2分别表示向量的1-范数和2-范数。 sign为符号函数, s(n)∈ S, 当s(n)≥ 0时, sign[s(n)]=1; 当s(n)< 0时, sign[s(n)]=-1。

显然, 式(1)和式(2)的光谱近似β 1H1具有较大的误差(一阶残差)R1

R1(S)=S-β1H1(3)

R1(S)视为新的光谱矢量, 亦可进行式(1)和式(2)的光谱近似, 即可解算出β 2H2, 并通过式3可得二阶残差R2(S)。 如此, 通过M次的± 1编码, 可提取出M个{-1, +1}N的特征参量, 即光谱矢量的每个元素被特征化为M个1 bit的码字。

对UAV-HSI立方体而言, 通过多阶参量化处理, 其最终可表示为M个二值立方体(Hi)及相应的参量化系数二维矩阵(β i), 以此替代原始光谱立方体进行存储, 鉴于的Hi的存储量远高于β i, 可认为该参量化存储形式的等效比特数为M, 可节省磁盘空间Δ d

ΔdF-MF×100%(4)

式(4)中, F为原始光谱的数据存储类型的比特数, 单精度下F=32, 双精度下F=64。 当M=4时, Δ d≈ 87.5%~93.8%, 此时可降低1个数量级。

通过M阶的特征参量, 可对S进行初步重构 S^, 得到初构光谱PRS(preliminarily reconstructed spectra)

S^=i=1MβiHi+a0(5)

式(5)中, Hiβ i分别为第i阶参量化光谱及其系数。 随机选择一个样方的冠层光谱[图3(a)], 进行参量化及初步重建, 如图3(b)— (h)所示。

图3 牧草冠层光谱(a)与其1~7阶初构光谱(b— h)的比较Fig.3 Comparison between the raw spectrum (a) and the preliminarily reconstructed spectra (order 1~7 (b— h)) for a spectrum

由图3(a)— (h)可见, ①M越大, 初构光谱的细节越丰富, 与原始光谱越接近; ②初构光谱的反射率取值范围有限, 经研究发现最多为2M个, 如此, 初构光谱具有明显的“ 锯齿” 特征, 尤其在前4阶(M≤ 4)。 有限的取值范围和显著的“ 锯齿噪声” 可能会影响初构光谱在定量应用中的准确度和精度。

1.4.2 基于Savitzky-Golay滤波的光谱优化

鉴于初构光谱的上述缺点, 研究尝试运用Savitzky-Golay (SG)滤波[9]对初构光谱进行优化, 试图重建缺失的部分光谱细节。 SG滤波常被用于光谱的去噪和平滑, 与移动均值滤波、 加权移动均值滤波和中值滤波相比, SG滤波简单有效, 光谱失真程度较小[10]

对初构光谱 S^, s(n)为波段n的初构光谱值, 对s(n)构造一个以波段n为中心的半径为r的邻域窗口, 然后通过构造一个d次多项式[式(6)]来拟合数组Y=[y(-r), …, y(0), …, y(r)]=[s(n-r), …, s(n), …, s(n+r)]为 Y^

y^(x)=k=0dakxk(6)

式(6)中, x∈ [-r, r], 并定义拟合误差函数

E=x=-rr[y^(x)-y(x)]2=x=-rr[k=0dakxk-y(x)]2(7)

通过最小化拟合误差E, 即令E对各个系数的导数为0, 见式(8)

Eak=0, k=0, 1, 2, , p(8)

由式(8)可求解出各拟合系数ak, 然后解算出波段n对应的拟合值, 替换原值s(n)。

本质上, SG光谱滤波属于一种多项式卷积滤波, 多项式的次数d(degree)越高, 对滤波前的光谱保留的光谱细节越多; 而邻域半径r(radius)越大, 平滑效果越好, 对噪声的衰减越大[9, 10]。 故而, 对PRS进行SG滤波优化之前, 需要设定适宜的参数dr

以图3样方光谱为例, 首先分别计算了其1到4阶的初构光谱PRS, 并在d∈ [1, 10], r∈ [5, 30]下进行SG滤波, 以获取优化光谱OPRS (optimized PRS); 然后, 解算各OPRS与原始光谱[图3(a)]之间的相关系数SCC (spectral correlation coefficient)、 光谱角SAM (spectral angle mapping)和光谱距离SVD (spectral vector distance), 并与PRS作对比, 如图4所示。

图4 初构光谱PRS和优化光谱OPRS的光谱保真性比较
红色平面: PRS; 曲面: OPRS
Fig.4 Fidelity comparison between PRS and OPRS
red planes: PRS; curved surfaces: OPRS

就评价指标而言, 显然, SCC越大, SAM和SVD越小; 则光谱保真性越高。 结果显示, ① PRS和OPRS均有着较高的光谱保真度, 总体而言, OPRS明显优于PRS, 验证了SG滤波在初构光谱优化上的有效性。 ② OPRS在多数(d, r)上的光谱保真性均显著优于PRS; 仅在部分线性拟合(d=1)上, 前者劣于后者。 ③ 综合1~4阶OPRS来看, 当d∈ [2, 4], r∈ [10, 25]时, OPRS有着最为稳定且高保真的性能。 图5展示的是d=3, r=25时OPRS与原始光谱Raw和初构光谱PRS的对照结果, 从整体及局部细节上, 可以明显看出, OPRS与Raw的相似程度远高于PRS。

图5 光谱比较(d=3, r=25)Fig.5 Spectral comparison (d=3, r=25)

此外, 对实验区UAV-HSI的其他样方光谱及非样方光谱开展了上述实验, 均表现出近似的结果, 验证了OPRS的高稳定和高保真性能。 在下面的研究中, 将以d=3, r=25作为SG滤波的最佳参数。

1.5 牧草AGB估算模型训练与测试

研究选用偏最小二乘回归(partial least squares regression, PLSR)来训练和测试反演模型, 与植被指数法和特征波段选择法等的回归方法相比, PLSR能够充分利用所有波段的信息, 便于全面评估OPRS的优劣。

首先, 采用五层交叉验证(five-fold cross validation)方法将数据集随机等分成5个子集; 而后, 循环选择其中4个子集来训练模型, 剩余1个子集作为测试集, 最终可得到每个子集的预测值。 研究选用观测值与预测值之间的线性决定系数 Rp2、 均方根误差RMSE(root mean square error)和相对分析误差RPD (the ratio of performance to deviation)[11]等3种评价指标。 其中, Rp2∈ (0, 1)越大, RMSE越小, RPD越大; 则模型的预测能力越好。 此外, 当RPD≥ 2时, 模型极好(高精度预测); 当1.4≤ RPD< 2时, 模型效果适当(满足基本预测需求); 当RPD< 1.4时, 模型可靠性较差(难以满足要求)。

2 结果与讨论
2.1 牧草AGB与光谱之间的相关性比较

首先, 对牧草AGB与原始光谱、 初建光谱、 优化光谱等的各个波段之间的相关性大小进行了分析, 见图6(a)— (i), 讨论了两种重建光谱在单波段上对牧草AGB估算的性能优劣, 初步探讨了重建光谱对牧草AGB估测的能力强弱。 图6表明, ①原始光谱与牧草AGB的相关性在400~680 nm波段区间呈剧烈波动的弱相关, 而在760~950 nm上呈现相对稳定的强相关[见图6(a)]; ②初建光谱PRS整体上与原始光谱的情况类似, 随着阶数的增加, 两者与AGB的相关性曲线越来越接近, 但PRS的曲线变化更剧烈, 如图6(f)— (i)2~4阶的低相关谱段; ③由于光谱取值范围有限, OPRS和PRS的一阶重建光谱均与AGB呈现极稳定的相关性趋势, 尤其在400~680和760~950 nm; ④相对而言, OPRS的表现最优, 在低相关(400~680 nm)和高相关(760~950 nm)波段, 其波动性均明显小于原始光谱和初构光谱, 并且其相关性均值略高于原始光谱和初构光谱。 因此, 从光谱与牧草AGB的相关性曲线对比, 分析认为, OPRS具有相对较高且最为稳定的预测能力。

图6 牧草AGB与光谱变量的相关系数(绝对值)
(a): 原始光谱; (b— e): 1~4阶PRS; (f— i): 1~4阶OPRS
Fig.6 Absolute correlation coefficients [ABS(CC)] between grassland AGB and spectral variables
(a): Raw spectra; (b— e): Order 1~4 PRS; (f— i): Order 1~4 OPRS

2.2 基于PLSR的牧草AGB预测与评估

图7为各光谱对牧草AGB的PLSR预测值及与观测值的对照结果。 1:1关系图直观地反映了原始光谱、 PRS和OPRS对牧草AGB的估算性能, 相对而言, 2~4阶的OPRS对AGB的预测效果[图7(g— i)]明显优于同阶的PRS[图7(c— e)], 也明显优于原始光谱[图7(a)]。

图7 牧草AGB的PLSR模型评价
(a): 原始光谱; (b— e): 1~4阶PRS; (f— i): 1~4阶OPRS
Fig.7 PLSR models evaluation of grassland AGB prediction
(a): Raw spectra; (b— e): Order 1~4 PRS; (f— i): Order 1~4 OPRS

研究进一步统计了 Rp2, RMSE和RPD等精度指标(表1), ①原始光谱对牧草AGB的预测结果达到了相对准确的水平, 其RPD略高于高精模型的阈值(RPD=2)。 ②PRS在1~3阶上的预测效果明显弱于原始光谱, 从RPD上看, 预测模型分别属于较差(1阶)和适当水平(2~3阶)。 ③OPRS在2~4阶上明显优于同阶的PRS, 前者的 Rp2均值和RPD均值分别比后者高0.121和0.35; 3~4阶OPRS均达到了高精模型水平, 在 Rp2和RPD明显优于原始光谱。

表1 不同光谱处理对牧草AGB (g· m-2)的估测性能评价 Table 1 Performance evaluation of grassland AGB (g· m-2) prediction by different spectral processing

在9种光谱中, 4阶和3阶OPRS的预测精度分别达到最优和次优; 结合其参量化存储特性, 可知, 在降低1个数量级的情况下, OPRS取得了优于原始光谱的牧草AGB预测性能, 验证了OPRS在兼顾数据简化和AGB准确预测上的有效性。

实验结果表明OPRS能够达到本研究的两个目标, 即大幅压缩UAV-HSI的数据量和取得与原始光谱相当水平的牧草AGB反演精度。 除了光谱噪声外, 原始光谱还受到土壤反射率的影响, 因此, 本研究认为, 除了降噪和光谱保真性的提升等两方面因素外, OPRS是否在削弱土壤信息影响方面发挥了作用, 值得在以后研究中开展定量探究。

3 结论

利用无人机高光谱成像技术获取了研究区牧草冠层的高时间、 空间、 光谱和辐射分辨率的光谱影像UAV-HSI。 鉴于巨大的数据量会严重制约UAV-HSI的有效应用, 研究提出一种兼顾数据简化和光谱保真的光谱重建优化方法OPRS, 试图在有效降低数据量的同时, 保证牧草AGB的预测精度。 首先, OPRS的光谱保真性实验结果表明, 与初构光谱PRS相比, OPRS能够有效提升光谱保真度, 且性能稳定。 其次, 光谱变量与牧草AGB的相关性分析结果表明, OPRS对牧草AGB预测的不确定性低于原始光谱和PRS。 最后, 基于PLSR的牧草AGB反演实验结果表明, 与原始光谱和PRS相比, 在 Rp2, RMSE和RPD等3种指标上, 4阶和3阶OPRS的预测精度分别达到最优和次优, 此时OPRS可有效降低87%以上的数据量。 因此, 验证了OPRS的有效性, 即其能够兼顾数据简化和牧草AGB的准确预测, 为UAV-HSI估算牧草AGB提供了一个新的解决方案。

参考文献
[1] Wu J S, Fu G. Remote Sensing Letters, 2018, 9(2): 150. [本文引用:1]
[2] Naidoo Laven, Deventer Heidi van, Ramoelo Abel, et al. International Journal of Applied Earth Observations and Geoinformation, 2019, 78: 118. [本文引用:3]
[3] John R, Chen J, Giannico V, et al. Remote Sensing of Environment, 2018, 213: 34. [本文引用:1]
[4] KANG Xiao-yan, ZHANG Ai-wu(康孝岩, 张爱武). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 35(23): 161. [本文引用:3]
[5] Wang Feilong, Wang Fumin, Zhang Yao, et al. Frontiers in Plant Science, 2019, 10(4): 453. [本文引用:1]
[6] Surovy P, Kuzelka K. Forests, 2019, 10(3): 273. [本文引用:1]
[7] Capolupo A, Kooistra L, Berendonk C, et al. ISPRS International Journal of Geo-Information, 2015, 4(4): 2792. [本文引用:1]
[8] LIU Jian-gang, ZHAO Chun-jiang, YANG Gui-jun, et al(刘建刚, 赵春江, 杨贵军, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(24): 98. [本文引用:1]
[9] Cao R, Chen Y, Shen M, et al. Remote Sensing of Environment, 2018, 217: 244. [本文引用:2]
[10] Huang J, Shi T, Gong B, et al. Applied Spectroscopy, 2018, 72(11): 1632. [本文引用:2]
[11] Bellon-Maurel V, Fernand ez-Ahumada E, Palagos B, et al. Trends in Analytical Chemistry, 2010, 29(9): 1073. [本文引用:1]