高光譜、RTM 模型、特征選擇以及遷移學(xué)習(xí)在區(qū)域作物長(zhǎng)勢(shì)監(jiān)測(cè)中的應(yīng)用

在該研究中，作者使用 PROSAIL 模型進(jìn)行冠層光譜模擬�；�于不同參數(shù)的隨機(jī)組合，總共模擬生成了 100,000 個(gè)冠層光譜。模擬數(shù)據(jù)集被用于 LCC 特征波段選取和訓(xùn)練基于深度神經(jīng)網(wǎng)絡(luò)（DNN）的 LCC 預(yù)測(cè)模型。該模型用于后續(xù)遷移學(xué)習(xí)，提高 LCC 反演精度。
 

該研究于 2013 年和 2014 年在陜西省咸陽(yáng)市進(jìn)行了地面田間試驗(yàn)。該地區(qū)屬于關(guān)中平原，具有典型的大陸性季風(fēng)氣候特征。地面實(shí)地觀測(cè)研究區(qū)位置見(jiàn)圖1。

該地區(qū)冬小麥生長(zhǎng)期為 10 月初至次年 6 月初。該研究選取拔節(jié)期和抽穗期兩個(gè)重要物候期進(jìn)行田間數(shù)據(jù)測(cè)量。2013 年，隨機(jī)選取 81 個(gè)樣地進(jìn)行冠層高光譜反射率和兩個(gè)時(shí)期相應(yīng)的 LCC 測(cè)量。2014 年，41 個(gè)樣地以同樣的方式進(jìn)行了實(shí)驗(yàn)。
 

LCC數(shù)據(jù)集

在每個(gè)采樣點(diǎn)選擇 20 個(gè)完全發(fā)育的葉子進(jìn)行 LCC 測(cè)量。LCC 由葉綠素計(jì)測(cè)定。
 

冠層光譜數(shù)據(jù)集

冬小麥的冠層高光譜反射率是通過(guò) ASD FieldSpec FR 光譜儀獲得的。光譜測(cè)量范圍為 350 nm 至 2500 nm，分辨率為 1 nm。每個(gè)目標(biāo)在優(yōu)化的積分時(shí)間掃描 20 次，并進(jìn)行暗電流校正。高光譜反射率是在冠層上方 1.0 m 處測(cè)量的。為減少環(huán)境條件的影響，隨機(jī)選取采樣點(diǎn)的五個(gè)位置進(jìn)行測(cè)量，取平均值作為采樣點(diǎn)的代表性光譜反射率。

圖 2. ASD地物光譜儀
 

基于無(wú)人機(jī)的實(shí)驗(yàn)位于河南省漯河市。該地區(qū)屬于華北平原，屬典型的大陸性季風(fēng)氣候。田間試驗(yàn)于2018年抽穗期進(jìn)行。未施肥部分設(shè)為參考組N0（0 kg/hm2），包括四個(gè)子區(qū)域，每個(gè)子區(qū)域?yàn)?00 平方米。在田地的其余部分進(jìn)行 3 次氮肥處理，即 N1（120 kg/hm2）、N2（225 kg/hm2）和 N3（330 kg/hm2），重復(fù) 3 次。共設(shè)計(jì)了36個(gè)可變施肥分區(qū)，每個(gè)分區(qū) 130 平方米。無(wú)人機(jī)野外觀測(cè)研究區(qū)位置及不同養(yǎng)分和品種處理的詳細(xì)分布（40個(gè)采樣點(diǎn)）如圖1所示。該地區(qū)采集了無(wú)人機(jī)高光譜圖像和 LCC 數(shù)據(jù)集。LCC 由葉綠素計(jì)觀測(cè)計(jì)算得到。
 

該研究使用 DJI M600 Pro 無(wú)人機(jī)飛行器平臺(tái)和 Resonon Pika L 高光譜推掃相機(jī)監(jiān)測(cè)冬小麥冠層的高光譜信息。
 

圖 3. IRIS 機(jī)載一體式激光雷達(dá)高光譜成像儀
 

高光譜圖像數(shù)據(jù)采集于 2018 年 4 月 19 日在無(wú)云天氣條件下進(jìn)行。飛行高度為 100 m，幅寬為 30 m 。正射校正后，空間分辨率約為 0.1 m。高光譜傳感器的光譜測(cè)量范圍為 400 nm 至 1000 nm，具有 300 個(gè)光譜通道。原始圖像經(jīng) Resonon 軟件預(yù)處理，包括輻照度校準(zhǔn)、混合噪聲濾波器 (MNF) 去噪、幾何校正和圖像拼接。該系統(tǒng)結(jié)合精確的慣性測(cè)量單元和精確的云臺(tái)，提供了穩(wěn)定、高質(zhì)量的空間高光譜圖像。
 

該研究共采集了來(lái)自不同地區(qū)（即關(guān)中平原和華北平原）；不同時(shí)期，包括不同的種植年份（即2013年、2014 年和 2018 年）和物候期（即拔節(jié)期和抽穗期）；并在不同的監(jiān)測(cè)尺度下，包括基于地面的平臺(tái)和基于無(wú)人機(jī)的平臺(tái)的 281 個(gè)實(shí)地測(cè)量的作物樣品。這些樣本用于驗(yàn)證不同測(cè)量條件下，該研究提出的特征提取方法和遷移學(xué)習(xí)技術(shù)的有效性和魯棒性。

來(lái)源：Zhang Yao, Hui Jian, Qin Qiming, Sun Yuanheng, Zhang Tianyuan, Sun Hong, & Li Minzan (2021). Transfer-learning-based approach for leaf chlorophyll content estimation of winter wheat from hyperspectral data. Remote Sensing of Environment, 267, 112724.

編者按
本文結(jié)合模型模擬、遷移學(xué)習(xí)和多尺度觀測(cè)為植被參數(shù)反演提供了一個(gè)非常完整的操作流程，也是機(jī)理模型與機(jī)器學(xué)習(xí)結(jié)合的精彩案例。遙感數(shù)據(jù)是天然的大數(shù)據(jù)，不僅數(shù)據(jù)量大而且復(fù)雜，而另一方面，地面參數(shù)觀測(cè)成本高，遙感反演又面臨著實(shí)測(cè)數(shù)據(jù)不足的問(wèn)題。結(jié)合模型模擬和 Fine Tune 技術(shù)，為解決這種窘境提供了突破口。此外，將模型參數(shù)的變化視為擾動(dòng)，引入二維相關(guān)光譜分析法，并考慮幅值和形狀進(jìn)行特征選取，也是一種將知識(shí)與小樣本機(jī)器學(xué)習(xí)結(jié)合的成功嘗試。
 

參考：

* 本文已獲得論文作者授權(quán)

【1】https://www.sciencedirect.com/science/article/abs/pii/S0034425721004442

【2】http://ciee.cau.edu.cn/art/2021/11/8/art_26711_795755.html