试验地点位于辽宁省海城市耿庄镇沈阳农业大学试验基地(N40° 58'33″, E122° 43'33″), 属于温带大陆性季风气候, 年平均气温10.4 ℃, 平均降水量721.3 mm, 有着适合水稻生长的条件。 本次试验选择的水稻是易感品种“ 蒙古稻” 。 接种时间为2021年7月6日, 病菌接种方式为人工喷雾接种, 将试验室培育的叶瘟病孢子配置成浓度为9 mg· (100 mL)^-1的孢子悬浮液, 将配置好的孢子悬浮液摇匀, 利用喷壶均匀地喷洒到水稻叶片表面直至完全布满悬浮液为止, 利用黑色塑料袋将其包裹保持湿度, 并于次日早上7点将塑料袋取下。 2021年7月11日初步发现病斑。 2021年7月21日进行第一次采样, 2021年7月28日进行第二次采样。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 试验小区分布图Fig.1 Distribution of experimental plots

采用无人机搭载高光谱成像仪的方式采集低空遥感高光谱影像数据。 其中, 无人机平台是经纬Matrice600六旋翼无人机, 其单臂长640 mm, 最大起飞重量15.1 kg, 飞行速度18 m· s^-1。 高光谱设备是GaiaSky-mini 高光谱成像仪, 光谱范围为400~1 000 nm, 光谱分辨率3.5 nm, 帧频7 s· cube^-1, 像素960× 1 040, 成像方式为内置推扫。

数据采集均在晴天, 无强风时进行, 无人机数据采集时间为11:00—14:00之间, 飞行高度设定为100 m。 由于无人机高光谱数据的采集是在低空进行, 飞机会受到气流的影响产生颠簸, 导致原始高光谱图像会产生一些扭曲和变形。 因此, 采用 Headwall SpectralView软件对试验区域的原始高光谱数据进行几何校正和立方体辐射校正处理, 得到较高质量的高光谱图像。 最后采用 ENVI 5.3 软件对所获取的无人机高光谱图像选取感兴趣区域(region of interest, ROI), 提取ROI光谱反射率, 如图2和图3所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 0~3级病害感兴趣区域提取图Fig.2 ROI extraction map of hyperspectral image of rice infected with 0~3 level disease

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 4级病害感兴趣区域提取图Fig.3 ROI extraction map of hyperspectral image of rice infected with level 4 disease

依据稻瘟病测报调查规范进行地面调查, 以叶瘟病的发病程度设置了0~4级病害的地面标识牌, 绿色为健康, 蓝色为1级病害, 黄色为2级病害, 粉色为3级病害, 红色为4级病害。 以地面标识牌为准在 ENVI5.3 软件中提取不同病害等级的ROI光谱反射率, 每个 ROI设置为5× 5的像素矩阵, 并均化处理每个ROI的光谱值, 以其平均值作为该等级病害的最终光谱反射率。

依据国家标准GBT 15790—2009稻瘟病测报调查规范, 按病情指数将叶瘟病划分为5个等级, 以保证后期对建模变量进行筛选时, 基于所选变量建立模型的稳定性与精度。 病情指数是指全面考虑植被发病率与严重度的综合指标, 是对植被病情信息作出判断的重要依据。 病情指数DI计算公式如式(1)

DI=∑nxi×Din×DM(1)

式(1)中: n为各级发病数, x_i为各级代表值, D_i为调查总叶数, D_M为最高级代表值。 同时, 依据稻瘟病测报调查规范划分水稻冠层病害等级, 分级标准如表1所示。

表1

Table 1

表1(Table 1)

表1 水稻冠层病害等级划分标准 Table 1 Standard for classification of rice canopy diseases 级别 程度 病情指数 0 健康 DI=0 1 轻度 0< DI< 5 2 中度偏轻 5.1< DI< 10 3 中度 10.1< DI< 20 4 偏重 20.1< DI< 30

表1 水稻冠层病害等级划分标准 Table 1 Standard for classification of rice canopy diseases

根据病情指数提取5个等级的样本数据: 0级健康45个、 1级病害49个、 2级病害43个、 3级病害45个、 4级病害45个, 总共获得227个样本。 采用SPXY算法对227个样本按8∶ 2的比例划分为训练集和测试集, 共181个训练集和46个测试集。

1.4.1 数据预处理

高光谱成像仪受外部环境和设备本身的影响, 容易产生噪声, 会导致影像质量下降。 因此, 对高光谱数据进行去噪处理有利于提高光谱质量, 以便后期有效建模。 采用Savitzky-Golay平滑(SG平滑)、 一阶微分光谱(first-order derivative reflectance spectra, FDR)和二阶微分光谱(second-order derivative reflectance spectra, SDR)进行去噪处理。 其中, Savitzky-Golay平滑是一种基于最小二乘原理的多项式平滑算法。 这种方法可以简单、 快速地保留原始光谱的信息, 是光谱处理的重要方法。 一阶微分光谱和二阶微分光谱对噪声的敏感性较低, 可以有效去除高光谱遥感影像的背景和噪声。

1.4.2 数据降维

由于高光谱数据信息量丰富, 存在很高的相关性, 容易造成“ 信息冗余” , 导致处理较为困难。 为解决信息冗余的问题, 需要对高光谱数据进行降维。 采用主成分分析(principal component analysis, PCA)、 连续投影(successive projections algorithm, SPA)和随机青蛙(random-frog, RF)算法进行降维。

主成分分析是一种统计方法, 是将原来具有相关性的变量, 组合成一组新的无关变量来代替原来的变量, 这些新变量按降序排列, 从数据中提取显著性信息, 通过保留重要信息来压缩数据集的大小, 并将其表示为一组新的正交变量, 也称为主成分。 它能有效解决高光谱波段之间的相关性问题, 去除冗余信息。

连续投影法是一种前向特征变量降维方法, 该算法利用向量的投影分析, 将光谱波段映射到其他光谱波段上, 以比较映射向量的大小, 投影向量最大的波段, 即要选择的光谱波段。

随机青蛙法是一种新型特征波段筛选方法, 以蒙特卡洛法作为筛选原理对频谱的维数进行变换和采样, 以频率的选择作为消除冗余变量的基础, 筛选概率越大对应的光谱特征波段越重要。

采用机器学习方法中的粒子群优化的极限学习机(particle swarm optimization-extreme learning machine, PSO-ELM)、 极限学习机(extreme learning machine, ELM)、 支持向量机(support vector machine, SVM)和决策树(decision tree, DT)建立分类模型, 对比得出精度最高的模型。

粒子群算法优化的极限学习机是为了寻找极限学习机中权重和阀值的全局最优值而开发的一种模仿鸟群捕食行为的算法。 该算法通过优化选择极限学习机的输入层权值和隐含层偏差, 从而计算输出层的权值矩阵, 以达到提高极限学习机模型精度的目的。 具有预测精度高, 收敛速度快等优点^[12]。

具体执行步骤如下:

(1)随机初始化x_i、 v_i, 计算适应度函数f(x_i)。 更新粒子的速度和位置。 如式(2)

fitness(xi)=1n∑j=1n(Oj-Tj)2(2)

(2)计算每个粒子的适应渡值。 p_i为适应度值, p best为每个粒子的最优值, 将所有粒子的适应度值进行比较, g best为最优粒子。 如式(3)和式(4)

pg=xi, xi=(xi1, xi2, …, xim)(3)

xi→minfitness(xi) i=1, 2, …, N(4)

(3)更新粒子位置及速度。 如式(5)—式(7)

vimk=(t+1)=ωvimk(t)c1r1(t1)[pbestimkximk(t)]+c2r2[gbestimk-ximk(t)](5)

ximk(t+1)=ximk(t)+vimk(t+1)(6)

ω=2/(2-C-C2-4C), C=c1+c2(7)

(4)若达到迭代结束条件, 停止算法。 不满足则k=k+1, 转向步骤(2)。

极限学习机是一种可用于监督学习和非监督学习的算法, 包括输入层、 隐含层和输出层, 其基本原理是首先采用随机初始化赋值的方式连接输入层和隐含层之间的权重和隐含层的节点偏置, 得出隐含层的输出矩阵, 其次使用最小二乘法计算输出权值。 具有训练参数少、 运算速度快等优点。

支持向量机是一种监督的学习算法, 通常作为广义线性分类器来解决数据二元分类的问题。 它通过寻找最小校准集误差和最大边际误差之间的权衡, 获得最佳的泛化能力并防止过拟合, 适用于小样本学习方法。 在支持向量机中, 核函数的选择和惩罚参数对模型的性能起着重要的作用。

决策树是一种常用的监督学习分类方法, 其在学习时, 利用训练数据, 根据损失函数最小化的原则建立决策树模型。 优点是模型具有可读性, 能够直接体现数据特点, 可在较短的时间内对数据作出良好的分类结果。

以粒子群优化的极限学习机为主要模型, 与极限学习机、 支持向量机和决策树模型进行对比分析, 得出最优分类模型。

如图4所示, 各等级病害水稻的平均光谱反射率在在可见光波段范围(400~770 nm)的变化趋势基本一致, 在近红外波段范围(> 770 nm)0~4级病害的光谱反射率随病害等级的提高呈现逐级降低的趋势。 各级病害在绿光波段(550 nm附近)呈现明显的高峰, 在红光波段(680 nm附近)呈现明显的低谷。 在680~770 nm范围内不同等级病害的平均光谱反射率呈现上升趋势, 并在近红外波段范围(> 770 nm)形成反射平台。 随病害等级的提高, 水稻内部生理结构也会发生相应的变化。 在近红外波段, 0级健康水稻的平均光谱反射率最高, 1~3级病害的平均光谱反射率随病害等级的提高依次降低, 4级病害在可见光波段的平均光谱反射率曲线高于其他等级病害, 在“ 绿峰” 附近表现最为明显, 而在近红外波段, 4级病害要比其他等级病害的光谱反射率低, 原因在于, 4级病害的水稻内部生理结构发生了较为严重的变化, 随着病情等级的提高外部的斑驳、 黄化等现象更加明显。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 不同病害等级水稻的平均光谱反射率Fig.4 Mean reflectance spectra of rice leaves with different disease grades

将所提取的全部光谱数据采用SG平滑、 1-Der和2-Der 3种方法进行预处理, 并将预处理后的数据作为输入变量构建SVM模型。 分类准确率和Kappa系数作为评价指标, 采用网格搜索法将SVM模型参数调整至最佳, 参数c=1.4、 g=5, 用3种预处理方法分别建立分类模型, 所建模型的分类结果如表2所示。 通过对比SG平滑、 1-Der和2-Der 3种方法的分类结果发现, 经SG平滑处理的分类准确率为93.47%, Kappa系数为91.85%, 分类精度最高, 相比于1-Der的分类准确率和Kappa系数提高了8.69%和10.81%, 相比于2-Der的分类准确率和Kappa系数提高了15.21%和18.88%。 结果表明, 与1-Der和2-Der相比SG平滑是较优的预处理方法。

表2

Table 2

表2(Table 2)

表2 三种预处理方法的建模结果 Table 2 Modeling results of three pretreatment methods 预处理方法 模型 评价指标 分类准确率/% Kappa系数/% SG平滑 SVM 93.47 91.85 1-Der SVM 84.78 81.04 2-Der SVM 78.26 72.97

表2 三种预处理方法的建模结果 Table 2 Modeling results of three pretreatment methods

2.3.1 PCA降维

在主成分分析中, 主成分累计贡献率的选择是获取有效主成分的判断方法, 贡献率一般是指该主成分的方差占所有主成分方差和的比重; 主成分包含病害信息的多少是以贡献率的大小来表示, 累计贡献率大于等于99%可以包含更多有效病害信息, 更有利于分类模型的建立。 本研究采用PCA算法对SG平滑的光谱数据进行降维, 得出SG平滑光谱数据的累计贡献率。 如表3所示, 前2个主成分(principle component, PC)的贡献率中, PC1的贡献率为57.17%, 贡献率最大, PC2的贡献率为35.96%, 前2个PC的累计贡献率为93.13%, 高于90%, 后续主成分贡献率逐步减小, 累计贡献率逐步提高。 前6个PC的累计贡献率可达到99.02%。 因此, 选择前6个PC以便得到更好的建模效果。

表3

Table 3

表3(Table 3)

表3 SG平滑的主成分贡献率 Table 3 Principal component contribution rates of data pretreated by SG smooth 主成分 贡献率/% 累计贡献率/% PC1 57.17 57.17 PC2 35.96 93.13 PC3 3.60 96.73 PC4 1.40 98.13 PC5 0.63 98.76 PC6 0.26 99.02

表3 SG平滑的主成分贡献率 Table 3 Principal component contribution rates of data pretreated by SG smooth

2.3.2 SPA特征波段选择

采用连续投影法(successive projections algorithm, SPA)对SG平滑光谱数据进行降维处理, 得到具有代表性的光谱特征波段。 设置了7个最小筛选数和12个最大筛选数, 并使用均方根误差(RMSE)作为最佳光谱特征波段选择的评价指标。 如图5(a)所示, RMSE在第7个波段处趋于稳定, 因此, 选取了7个光谱特征波段。 其中, 可见光波段为400.8、 416.7和426.2 nm, 绿光波段为566 nm, 红光波段为683.9 nm, 近红外波段为830.2和916.4 nm。 较好地消除了波段间的冗余信息。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 连续投影法筛选结果 (a): RMSE评价指标; (b): 连续投影法特征波段选择Fig.5 Screening results by successive projections algorithm (a): RMSE evaluation index; (b): Feature band selection by successive projections algorithm

2.3.3 RF特征波段选择

采用随机青蛙法(random-frog, RF)选取SG平滑光谱数据的特征波段。 随机青蛙算法是以筛选概率的大小为评价指标, 筛选概率越大对应的光谱特征波段越重要。 在本研究中, 确定随机青蛙算法的潜在变量的最大数为3, 初始采样变量数为10, 设置筛选阈值为0.2, 设置筛选阈值为0.2是为了使其可以在绿光波段、 红光波段以及近红外波段处筛选有效特征波段, 光谱波段的筛选概率越大, 相应的光谱特征波长就越重要, 因此, 选择筛选概率大于0.2的波长作为最佳光谱特征波段。 如图6所示, 最终筛选出8个光谱特征波段。 其中红光波段为663.4和694.2 nm, 近红外波段为784.4、 787.9、 791.4、 905.5、 927.2和930.9 nm。 筛选的结果能较好地代表整条光谱波段的信息并有效地解决了波段间相关性和冗余性的问题。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 随机青蛙法特征波段选择Fig.6 Random-frog method feature band selection

分别将主成分分析法、 连续投影法和随机青蛙法三种降维方法筛选的病害特征构建分类模型, 由于高光谱的数据降维是以提取图像特征为目的, 以低维数据来有效地表达高维数据, 压缩了数据量, 原始数据中还有一定的冗余信息, 无效信息波长, 降维处理之后, 不仅能够有效压缩数据量, 而且能够筛选出与病害相关性较高的有效光谱波长。 同时, 也便于模型的建立与使用, 降低了设备与模型的使用或者推广成本。 建模结果如表4所示。 在PSO-ELM的分类建模中, 总体分类准确率为94.07%。 其中, 对主成分分析法的分类准确率为97.77%, Kappa系数为97.22%, 分类准确率最高。 对连续投影法的分类准确率为93.33%, Kappa系数为91.67%, 分类准确率仅次于主成分分析法。 对随机青蛙法的分类准确率为91.11%, Kappa系数为88.91%, 分类准确率相比上述两个方法低。 本研究中PCA的累计贡献率达到了99.02%, 对模型有一定的优化效果, 因此模型的分类精度较高。

表4

Table 4

表4(Table 4)

表4 模型分类结果 Table 4 Classification results 模型 评价指标 SG平滑 总体分准 确率/% PCA SPA RF PSO-ELM 分类准确率/% Kappa系数/% 97.77 97.22 93.33 91.67 91.11 88.91 94.07 ELM 分类准确率/% Kappa系数/% 96.35 95.66 93.85 92.33 90.87 89.75 93.69 SVM 分类准确率/% Kappa系数/% 95.65 94.56 91.30 89.13 93.47 91.85 93.47 DT 分类准确率/% Kappa系数/% 91.66 89.46 92.85 91.35 93.33 91.64 92.61

表4 模型分类结果 Table 4 Classification results

将PSO-ELM分类模型与ELM、 SVM和DT分类模型进行对比分析, 建模结果如表4所示。 三种分类模型均得到了较好的分类结果, 总体分类准确率全部大于92.61%。 其中, ELM模型的最高分类准确率是主成分分析法的96.35%, Kappa系数为95.66%, 与PSO-ELM模型的最高分类准确率和Kappa系数相比低1.42%和1.56%, SVM模型的最高分类准确率是主成分分析法的95.65%, Kappa系数为94.56%, 与PSO-ELM模型的最高分类准确率和Kappa系数相比低2.12%和2.66%, DT模型的最高分类准确率是随机青蛙法的93.33%, Kappa系数为91.64%, 与PSO-ELM模型的最高分类准确率和Kappa系数相比低4.44%和5.58%。 经对比分析得出采用PSO-ELM模型的分类准确率优于其他三种方法所建立的分类模型。 原因在于PSO-ELM模型解决了传统的极限学习机初始权值和阈值的随机获取, 提高了极限学习机模型的分类精度, 因此建模效果最好。