背景
高光譜遙感可獲得窄波段的連續(xù)光譜信息，可提供大量關(guān)于作物理化參數(shù)的豐富信息。但是使用全波段作為輸入變量會帶來較大的噪聲和冗余信息，同時必然會增加數(shù)據(jù)處理負荷、儀器成本和應(yīng)用的復雜性。因此現(xiàn)有研究中通常選擇一小組傳達數(shù)據(jù)主要信息的敏感特征來反演作物目標參數(shù)。
目前，協(xié)同區(qū)間偏最小二乘（SIPLS）或連續(xù)投影算法（SPA）已被成功應(yīng)用于優(yōu)特征的選擇。SIPLS可以保證所選波長的連續(xù)性，使模型性能穩(wěn)定。然而，研究中發(fā)現(xiàn)SIPLS選擇的區(qū)間位置和長度都是固定的，這表明優(yōu)選特征中存在無用信息和共線性。而SPA是建立在凸幾何端元搜索算法上的。因此，該方法可以降低對離群像素的敏感性，并生成真實的端元。同時，SPA的目標是在所有數(shù)據(jù)中選擇共線性最小的變量，這比其他算法提供的結(jié)果更具可重復性，但其所選擇的變量也可能存在信噪比低或共線性較小的現(xiàn)象。
為了克服這些缺點并促進高光譜數(shù)據(jù)的特征選擇，本研究提出了一種新的混合的特征選擇方法，命名為SIPLS-SPA，并將選取的優(yōu)光譜特征用于建立更準確、穩(wěn)定的小麥葉片生物量監(jiān)測模型。
試驗設(shè)計
南京農(nóng)業(yè)大學姚霞教授團隊利用江蘇雙利合譜公司的可見/近紅外高光譜成像系統(tǒng)Gaiafield-V10E，獲取了小麥不同生育期的冠層高光譜影像，并對影像進行預處理從而獲得平均光譜（圖1）。
圖1 小麥冠層高光譜影像預處理流程
利用SIPLS-SPA進行特征優(yōu)選的主要步驟：（1）全波段（400-1000 nm）被分成P個區(qū)間（25-50）；（2）結(jié)合Q（Q = 2,3,4）與相應(yīng)葉片生物量建立PLSR模型；（3）重復步驟（1）和（2），選擇使PLSR模型的RMSE最小時的P和Q的值；（4）根據(jù)確定的P和Q，得到敏感特征的光譜矩陣，設(shè)為X（N*J，N為樣本數(shù)，J為光譜變量數(shù)）；（5）隨機選取一列為Xj，其余定義為S；（6）分別計算Xj對S的投影。S的最大投影表示最小相關(guān)性，其對應(yīng)的列定義為Xi；（7）設(shè)置Xi而不是Xj，并重復步驟（5）和（6），直到所選變量的數(shù)量達到預設(shè)值M。M的值是通過多次數(shù)據(jù)計算確定的。在本研究中，M = 20；（8）將選擇的變量與相應(yīng)生物量擬合多元線性回歸（MLR）模型。最后，選擇使MLR的RMSE最小的變量。
結(jié)論
通過步驟（1）-（4），成功獲得了每個PLSR模型的RMSEcv。結(jié)果表明，在P = 37和Q = 4條件下獲得了RMSEcv z低的最佳PLSR模型（圖2）。這意味著當整個光譜區(qū)域平均劃分為37個區(qū)間時，用4個區(qū)間（22、24、30和37）構(gòu)建的PLSR模型表現(xiàn)最好。運行步驟（5）-（8），確定最佳高光譜變量為706、724、734、806、808、810、812和816 nm。
圖2 不同P和Q值下SIPLS模型的RMSEcv
利用SIPLS-SPA選擇的輸入變量，建立了小麥葉片生物量在五個生長階段的校準模型（圖3）。
圖3 SIPLS-SPA在校準（A）和驗證（B）中估算的小麥葉片生物量的實測值與預測值之間的1:1擬合關(guān)系
通過對比SIPLS、SPA和SIPLS-SPA選擇的敏感特征（表1）。結(jié)果表明，SIPLS對小麥葉片生物量的敏感特征分別為694-706、722-734、806-816和890-900 nm，而SPA的敏感特征分別為726、744、758、816和830 nm。簡而言之，SIPLS選擇的敏感特征比SPA和SIPLS-SPA多。以SPA、SIPLS和SPA-SIPLS選擇的敏感特征為輸入變量，構(gòu)建小麥葉片生物量PLSR模型。結(jié)果表明，SIPLS模型和全波段模型的Rc2最大（0.84），其次是SPA模型和SIPLS-SPA模型。而采用SIPLS-SPA模型得到的Rv2最大（Rv2 = 0.67），采用SIPLS模型得到的Rv2最小。利用SIPLS-SPA選擇的敏感特征建立的模型RMSEv最?。?/font>0.059 kg/m2），RRMSEv最?。?/font>38.55%）。
使用三個指標對PLSR模型的實用性進行評價（表2）。結(jié)果表明，SPA模型運行時間最短，其次是SIPLS-SPA模型，而全波段模型運行時間最長。SPA模型和SIPLS-SPA模型的矩陣復雜度和計算復雜度相似且較低，但全波段模型的矩陣復雜度和計算復雜度最高。
表1 SIPLS、SPA和SIPLS-SPA選擇的敏感特征
表2 利用SIPLS、SPA和SIPLS-SPA方法提取敏感變量建立PLSR模型的實用性
作者信息
姚霞，博士，南京農(nóng)業(yè)大學國家信息農(nóng)業(yè)工程技術(shù)中心教授，博士生導師。
主要研究方向：基于高光譜/日光誘導葉綠素熒光/激光雷達的星-機-地作物生長監(jiān)測；作物表型高通量獲取等。
參考文獻：
Jia, M., Li, W., Wang, K., Zhou, C., Cheng, T., Tian, Y., Zhu, Y., Cao, W., & Yao, X. (2019). A newly developed method to extract the optimal hyperspectral feature for monitoring leaf biomass in wheat. Computers and Electronics in Agriculture, 165.
© 2019 版權(quán)所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術(shù)支持：化工儀器網(wǎng) GoogleSitemap 管理登陸
在線客服