Lopex93数据集是由欧盟委员会联合研究中心下属遥感应用研究所开展的联合光谱实验测量获得。 Lopex93数据集是包含植物叶片高光谱反射率、 叶片叶绿素含量(chlorophyll a+b, Cab)、 叶片类胡萝卜素含量(carotenoids concentration, Car)、 叶片水分含量(equivalent water thickness, Cw)、 叶片蛋白质含量(protein content, Cp)、 叶片碳基成分含量(carbone-based constituents content, CBC)测量的公开数据集。

1.1.1 叶片高光谱反射率

Lopex93实验测量中涵盖50多种树木(如柔毛栎、 欧洲栗等)、 作物(如水稻、 大豆、 玉米等)和其他植物(如竹子、 卷心菜等)的叶片材料, 包含新鲜和干燥的叶片样品。 数据通过使用Perkin Elmer Lambda 19双光束光谱仪(400~2 500 nm, 间隔1 nm)测量叶片表面的反射率和透射率获得。

1.1.2 叶片理化参数

叶绿素是光合作用的关键色素, 包含叶绿素a和叶绿素b等; 类胡萝卜素(光谱吸收区域: 400~500 nm)是植物中的另一类重要色素, 包括β -胡萝卜素、 叶黄素等。 Lopex93实验通过UV-1901PC紫外可见分光光度计测量叶片叶绿素和类胡萝卜素含量, 计算方法如式(1)— 式(4)所示

叶绿素a

Chla=11.24×A661.6-2.04×A644.8(1)

叶绿素b

Chlb=20.13×A644.8-4.19×A661.6(2)

叶绿素a+b

Chla+b=7.05×A661.6+18.09×A644.8(3)

类胡萝卜素

Car=(1000×A470-1.9×Chla-63.14×Chlb)/214(4)

式(1)— 式(4)中, A₄₇₀, A_644.8和A_661.6分别为470.0, 644.8和661.6 nm的吸收系数。

叶片水分含量是叶片生理状态的重要指标之一, 其直接影响着植物的生长发育、 光合作用速率以及抗逆性能。 叶片蛋白质是植物细胞中的重要成分, 参与调节光合作用和植物对环境胁迫的响应。 Lopex93实验通过烘干法测量叶片水分含量和叶片干重, 其蛋白质含量数据由法国和比利时两个实验室独立测量获得, 本研究使用来自法国实验室测量的数据。

PROSPECT-PRO是一个新型的遥感叶片辐射传输模型^[5], 其考虑了蛋白质和碳基成分的光谱吸收差异, 近几年被国际上许多单位用于开展模拟和解释植物叶片理化参数和光谱特征研究。 本研究使用PROSPECT-PRO模型模拟植物叶片的光谱反射率, 表1显示了PROSPECT-PRO模型的输入参数, 共模拟20 000组植物叶片理化参数组合和光谱反射率数据。

表1

Table 1

表1(Table 1)

表1 PROSPECT-PRO模型参数(n=20 000) Table 1 PROSPECT-PRO model parameters (n=20 000) 参数 全称 参数值 N(-) Leaf structure parameter 1.6∶ 0.4∶ 2.0 Cab/(μ g· cm-2) Chlorophyll a+b concentration 10∶ 10∶ 100 Car/(μ g· cm-2) Carotenoid concentration 2∶ 4∶ 18 Anth/(μ g· cm-2) Anthocyanin content 0.5 Cbrown(-) Brown pigments 0 Cw/cm Equivalent water thickness 0.002∶ 0.01∶ 0.042 Cm/(g· cm-2) Dry matter 0 Cp/(g· cm-2) protein content 0.000 05∶ 0.000 05∶ 0.000 4 CBC/(g· cm-2) Carbone-based constituents content 0.002∶ 0.004∶ 0.018

表1 PROSPECT-PRO模型参数(n=20 000) Table 1 PROSPECT-PRO model parameters (n=20 000)

1.3.1 总体技术路线

图1展示了本文提出的叶片理化参数估算方法, 采用以下三个步骤训练LeafTraitNet并进行叶片理化参数估算, 具体内容如下:

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 实验技术路线图Fig.1 Experimental technology roadmap

(1)数据集。 使用PROSPECT-PRO辐射传输模型模拟叶片理化参数数据集; 基于模拟的PROSPECT-PRO数据集和Lopex93数据集的叶片高光谱反射率开展其对叶片理化参数的相关性分析, 以辅助甄别敏感波段和植被指数。

(2)LeafTraitNet模型构建。 设计了LeafTraitNet模型, 根据Lopex93数据集对LeafTraitNet模型进行训练。

(3)传统统计回归模型构建。 基于PROSPECT-PRO数据集和Lopex93数据集的叶片高光谱反射率开展对叶片理化参数的相关性分析, 优选敏感波段和植被指数作为模型输入, 开展基于传统统计回归模型的训练。

(4)模型性能对比。 对比传统统计回归模型和LeafTraitNet模型对叶片理化参数的估算效果。

1.3.2 LeafTraitNet

基于Visual Geometry Group(VGG)架构^[17], 并融合深层和浅层网络特征设计了LeafTraitNet, LeafTraitNet架构如图2所示。 VGG是深度学习领域中经典的卷积神经网络之一, 由多个卷积层和池化层交替堆叠的“ 块” 组成。 如图2, LeafTraitNet包含5个“ 块” , 每个块包括2个卷积层和一个最大池化层; LeafTraitNet还融合了深浅层网络特征, 5个块的深层和浅层特征使用连接层进行组合。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 LeafTraitNet架构Fig.2 LeafTraitNet architecture

LeafTraitNet模型的输入数据为筛选出的高光谱反射率其中, 可见光近红外区域在454~950 nm波段以8 nm为步长, 共选定63个高光谱谱段; 短波红外区域分别在960~1 300、 1 450~1 750、 2 000~2 350 nm三个波段以10 nm为步长, 共选出102个高光谱谱段。 设置上述波段原因有三个: (1)波段应当是Cab, Car, Cw, Cp和CBC参数的敏感光谱, 以提高模型的参数估算性能(参考2.1节); (2)应当避免仪器光谱重采样导致的波段冗余, 以降低模型参数和计算量; (3)避免水汽吸收波段。 LeafTraitNet模型是基于python的tensorflow框架实现的, 模型训练时, epoch被设置为100, bach size被设置为8, 学习率为0.005; 训练和验证过程共进行50次, 并选择最优的估算模型。

1.3.3 传统植被指数特征提取和统计回归模型

1.3.3.1 植被指数和一阶导数光谱

表2列举了广泛使用的植被指数, 例如: 归一化植被指数(normalized difference vegetation index, NDVI), 优化的土壤调节植被指数(optimized soil-adjusted vegetation index, OSAVI), 再归一化差植被指数(renormalized difference vegetation index, RDVI), 归一化色素差值指数(pigment-specific normalized difference index, PSND), 红边叶绿素指数(chlorophyll index red edge, CI_RE), 归一化红边指数1(normalized difference red edge index 1, NDRE1), 归一化红边指数2(normalized difference red edge index 2, NDRE2), 基于红边波段的叶绿素吸收反射植被指数(transformed chlorophyll absorption reflectance index, TCARI)与优化的土壤调节植被指数比(TCARI/OSAVI_RE)。 一阶导数光谱实质是对原始光谱进行微分运算, 是原始光谱的斜率。

表2

Table 2

表2(Table 2)

表2 植被指数 Table 2 Vegetation index 植被指数 计算公式 NDVI NIR-RNIR+R OSAVI 1.17(NIR-R)NIR+R+0.16 RDVI NIR-R(NIR+R)0.5 PSND NIR-BNIR+B CIRE RE3RE1-1 NDRE1 RE2-RE1RE2+RE1 NDRE2 RE3-RE1RE3+RE1 TCARI/OSAVIRE 3((RE1-R)-0.2(RE1-G)(RE1/R)(1+0.16)(NIR-R)/(NIR+R+0.16) 一阶导数 微分运算

表2 植被指数 Table 2 Vegetation index

1.3.3.2 传统统计回归技术

多层感知机模型(multi-layer perceptron, MLP)由多个神经网络层组成, 包括输入层、 隐藏层和输出层^[18]。 每个神经网络层都由多个神经元组成, 并且每个连接都有一个权重。 每个神经元接收来自上一层神经元的输入, 并将这些输入加权求和后通过激活函数进行处理, 最终得到输出值。 随机森林(random forest, RF)回归是一种基于集成学习的机器学习算法, 它通过构建多个决策树并将它们的预测结果集成来开展回归任务^[19]。 随机森林模型具有良好的泛化能力和抗噪性, 适用于各种复杂场景。 多元线性回归(multiple linear regression, MLR)是一种经典的统计回归方法, 其通过对数据进行线性拟合, 建立自变量与因变量之间的关系, 从而实现对因变量的预测^[20]。 MLP、 RF和MLR模型是基于python的scikit-learn实现的。

1.3.4 精度评价

一共320组完整样本数据被用以模型构建和验证(6∶ 4比例), 192组被用来训练模型, 剩余128组样本被用以验证模型。 采用决定系数(coefficient of determination, R²)和均方根误差(root mean square error, RMSE)作为评估指标。 较高的决定系数、 较低的均方根误差对应较高的模型精度。 考虑到各个叶片理化参数的小数位差异较大, 叶绿素和类胡萝卜素估算RMSE取3位小数位, Cw, Cp和CBC估算精度取5位小数位。 使用各参数估算各个理化参数RMSE的和, 即总nRMSE来评估模型的整体精度。 总nRMSE的计算公式如式(5)所示

nRMSE=∑i=1nRMSEiY^i(5)

式(5)中, RMSE_i为某个叶片参数的均方根误差, Y^i为真实平均值, n是叶片参数数目, 在此即5。 对于相同的样本数据, 若模型结果拥有较低的总nRMSE, 一般认为此模型的估算能力较好。

基于PROSPECT-PRO辐射传输模型模拟分析显示, 在可见光谱区域大概400~700 nm的波段区域, 叶绿素[Cab, 图3(a)]和类胡萝卜素[Car, 图3(a)]与光谱反射率的相关系数为负。 位于518和700 nm附近的高光谱反射率分别对类胡萝卜素和叶绿素最敏感[图3(a)], 这可能是叶绿素和类胡萝卜素对光谱吸收作用的相互影响导致的。 叶片碳基成分的光谱敏感区域主要位于800~1 100 nm, 1 720和2 300 nm附近, 而蛋白质的光谱敏感区域主要位于1 720和2 300 nm附近。 因为水对电磁波的吸收强度远强于其他叶片理化参数(Cp和CBC, 图3), 导致叶片蛋白质含量和碳基成分含量(图3)与高光谱反射率的相关系数较低。 基于Lopex93光谱数据的分析结果与基于PROSPECT-PRO辐射传输模型的分析结果类似, 但叶绿素和类胡萝卜素吸收特征并没有后者明显, 这凸显了基于PROSPECT-PRO辐射传输模型辅助实测光谱数据开展特征选择的必要性。 基于上述高光谱反射率与叶片理化参数相关性分析, 本研究选取518、 700、 1 080、 1 720和2 300 nm(图3)波段反射率作为后续植物叶片理化参数估算的高光谱特征。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 光谱与叶片理化参数相关性分析Fig.3 Correlation analysis between spectra and leaf parameters

叶绿素[Cab, 图4(a)]和类胡萝卜素含量[Car, 图4(a)]与一阶导数相关系数最大的区域主要位于可见光波段; 同时, 叶片水分含量[Cw, 图4(a)]与一阶导数相关系数最大的区域主要位于短波红外区域, 这符合其高光谱吸收特征。 根据光谱反射率的一阶导数和叶片理化参数的相关性分析结果, 选取526、 830、 950、 1 150和1 657 nm(图4)的一阶导数光谱值作为后续植物叶片理化参数估算的导数光谱特征。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 光谱一阶导数与叶片理化参数相关性分析Fig.4 Correlation analysis between first derivative spectral data and leaf parameters

基于PROSPECT-PRO数据集的植被指数和叶片参数相关性分析结果[图5(a)]表明, 除TCAIR/OSAVI_RE与Cab呈负相关外, NDVI、 OSAVI、 RDVI、 PSND、 CI_RE、 NDRE1、 NDRE2都与Cab呈正相关。 所有植被指数均显示与Cw和Cp相关性极低, 这是因为水分和蛋白质的敏感波段都位于短波红外区域。 NDVI, OSAVI, RDVI和PSND与CBC呈现负相关, 但相关系数较低, 这与基于叶片高光谱反射率与叶片参数的相关性分析结果相符合[图3(a)]。 基于Lopex93数据集的相关性分析结果[图5(b)]与PROSPECT-PRO数据集对叶片理化参数的相关性表现[图5(a)]相近, 因此不再详细阐述。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 植被指数相关性分析结果Fig.5 Correlation analysis results of vegetation indices

图6、 图7和图8分别展示了基于MLP、 MLR和RF模型的各叶片理化参数估算精度。 本研究的结果表明, 基于MLP的叶片理化参数验证R²处于0.124~0.835之间, 基于MLR的叶片理化参数验证R²处于0.282~0.891之间, 而基于RF的叶片理化参数验证R²处于0.245~0.810之间。 总体上, 三种模型对Cw(图6、 图7和图8)的估算效果相对最好, 对Car(图6、 图7和图8)的估算效果相对最差; 本研究猜测Cw的估算精度最高可能的原因是对水分十分敏感的950、 1 720和2 300 nm波段反射率被加入估算模型; 在叶片尺度, 水分对电磁波的吸收起主导作用, 这可能削弱了其他参数的吸收特征, 并造成其他参数相对低的估算精度。 以RMSE为标准, 最优的Cab、 Car、 Cp和CBC估算结果由RF模型获得, 而最优的Cw估算结果由MLR模型获得。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 基于MLP的叶片理化参数建模和验证结果Fig.6 Modeling and validation results of leaf parameters based on MLP

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 基于MLR的叶片理化参数建模和验证结果Fig.7 Modeling and validation results of leaf parameters based on MLR

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 基于RF的叶片理化参数建模和验证结果Fig.8 Modeling and validation results of leaf parameters based on RF

图9展示了基于LeafTraitNet模型的各叶片理化参数估算精度。 我们的结果表明, LeafTraitNet模型所有叶片理化参数的估算精度都比传统回归估算模型高, 验证R²处于0.766~0.961之间。 以RMSE为例, LeafTraitNet模型估算的叶片理化参数结果都拥有更低的RMSE, 考虑到各个叶片理化参数单位和大小不一样, 计算了各模型的总nRMSE(表3)。 总nRMSE对四个模型的误差排序为: LeafTraitNet< RF< MLP< MLR。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 基于LeafTraitNet的叶片理化参数建模和验证结果Fig.9 Modeling and validation results of leaf parameters based on LeafTraitNet

表3

Table 3

表3(Table 3)

表3 基于三种传统方法和LeafTraitNet模型的植物叶片参数估算精度对比 Table 3 Comparison of accuracy in estimating leaf parameters based on three traditional methods and LeafTraitNet 方法 RMSE和总nRMSE Cab/ (μ g· cm-2) Car/ (μ g· cm-2) Cw/cm Cp/ (g· cm-2) CBC/ (g· cm-2) 总nRMSE 排序 MLP 15.900 4.207 0.003 05 0.000 28 0.002 16 1.73 3 RF 13.500 3.957 0.003 23 0.000 27 0.001 83 1.59 2 MLR 18.100 4.467 0.002 76 0.000 29 0.001 95 1.74 4 LeafTraitNet 8.170 1.803 0.001 70 0.000 18 0.000 83 0.84 1

表3 基于三种传统方法和LeafTraitNet模型的植物叶片参数估算精度对比 Table 3 Comparison of accuracy in estimating leaf parameters based on three traditional methods and LeafTraitNet

深度学习技术在农林业遥感图像分类方向得到了广泛应用^{[7, 8]}。 许多作物物候识别和病害分类研究表明, 深度学习模型可以比传统机器学习模型表现出更高精度的物候提取和病害分类结果^{[9, 10]}。 这是因为深度学习中采用的非线性激活函数有助于深度学习模型抽象出输入数据的特征, 可以提取具有失真不变性的输入图像的深度特征^[6]。 高光谱遥感数据具有高维、 冗余、 与叶片参数非线性相关等特点, 直接使用高光谱反射率为输入并不能得到普适性强的叶片理化参数估算模型^[8]。 传统的高光谱降维技术, 如主成分回归分析(principle component regression, PCR)、 一阶导数等, 虽然能够降低数据维度, 但会造成部分信息损失。 为克服这些问题, 本文提出一种基于一维卷积神经网络的深度学习方法进行高光谱遥感叶片参数估算。 该方法将数据重采样至8和10 nm分辨率, 最大程度地保留数据信息; 然后, 基于VGG块的概念设计了LeafTraitNet, 其通过连续的3× 1卷积核实现了多个小的卷积窗口的堆叠, 可以处理更大范围的光谱信息, 有助于更好地理解和处理高光谱数据。 LeafTraitNet采用了深度学习中广泛使用的线性整流(rectified linear unit, ReLU)激活函数, 其被广泛认为计算效率高、 能够减轻梯度消失问题等; 此外, 引入随机失活模块(dropout)减少神经元之间的共适应关系^[17]。 随机失活模块是一种常用的正则化技术, 用于防止神经网络过拟合; 它通过在训练过程中随机丢弃神经元, 使得模型在训练过程中变得更加稳健, 从而减少神经元之间的共适应关系, 提高模型的泛化能力。 结果表明, 所训练的LeafTraitNet有潜力实现高精度叶片多参数联合估算。 结果表明, 三种传统方法和LeafTraitNet模型的叶片理化参数估算性能基于其估算总nRMSE而排序为: LeafTraitNet< RF< MLP< MLR。