以下是利用高光譜相機(jī)進(jìn)行小麥生物量估算的一般流程：

1. 數(shù)據(jù)采集：使用搭載高光譜相機(jī)的無(wú)人機(jī)或地面平臺(tái)，在小麥生長(zhǎng)的關(guān)鍵時(shí)期獲取高光譜圖像數(shù)據(jù)。確保在采集數(shù)據(jù)時(shí)，光照條件和相機(jī)參數(shù)保持一致，以獲得具有可比性的數(shù)據(jù)。

2. 數(shù)據(jù)預(yù)處理：對(duì)獲取的高光譜圖像進(jìn)行預(yù)處理，包括噪聲去除、大氣校正、幾何校正等步驟。這一步驟旨在提高數(shù)據(jù)質(zhì)量，減少非生物因素對(duì)光譜的影響。

3. 特征選擇與提取：基于先驗(yàn)知識(shí)或統(tǒng)計(jì)分析，選擇與小麥生物量相關(guān)的特征波長(zhǎng)或植被指數(shù)。例如，歸一化差異植被指數(shù)(NDVI)是常用的植被指數(shù)，與生物量有較好的相關(guān)性。通過(guò)計(jì)算這些特征，可以量化小麥的生長(zhǎng)狀況。

4. 建模與驗(yàn)證：利用機(jī)器學(xué)習(xí)算法（如偏最小二乘回歸、支持向量回歸等）建立小麥生物量與提取的光譜特征之間的定量模型。使用一部分?jǐn)?shù)據(jù)作為訓(xùn)練集來(lái)訓(xùn)練模型，并用另一部分獨(dú)立的數(shù)據(jù)作為驗(yàn)證集來(lái)評(píng)估模型的性能。通過(guò)調(diào)整模型參數(shù)和算法，優(yōu)化模型的預(yù)測(cè)精度。

5. 生物量估算：將建立好的模型應(yīng)用于新的高光譜數(shù)據(jù)，實(shí)現(xiàn)對(duì)小麥生物量的預(yù)測(cè)和估算。這些預(yù)測(cè)結(jié)果可以提供關(guān)于小麥生長(zhǎng)狀態(tài)、產(chǎn)量潛力的信息，為農(nóng)業(yè)生產(chǎn)管理提供決策支持。

需要注意的是，高光譜相機(jī)估算小麥生物量的準(zhǔn)確性受到多種因素的影響，如品種差異、生長(zhǎng)環(huán)境、數(shù)據(jù)采集和處理方法等。因此，在實(shí)際應(yīng)用中，建議結(jié)合地面觀測(cè)數(shù)據(jù)和其他農(nóng)學(xué)參數(shù)，對(duì)模型進(jìn)行修正和校準(zhǔn)，以提高估算結(jié)果的準(zhǔn)確性和可靠性。

相關(guān)實(shí)驗(yàn)研究：

本研究應(yīng)用了400-1000nm的高光譜相機(jī)，可采用廣東賽斯拜克科技有限公司產(chǎn)品SP130M進(jìn)行相關(guān)研究。光譜范圍在400-1000nm，波長(zhǎng)分辨率優(yōu)于2.5nm，可達(dá)1200個(gè)光譜通道。采集速度全譜段可達(dá)128FPS，波段選擇后最高3300Hz（支持多區(qū)域波段選擇）。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

為反映通常情況下區(qū)域性小麥的生長(zhǎng)及品質(zhì)的特點(diǎn)，試驗(yàn)區(qū)域?yàn)楸本╉樍x區(qū)和昌平區(qū)有代表性的農(nóng)田，該區(qū)氣候?yàn)榈湫偷呐瘻貛О霛駶?rùn)大陸性季風(fēng)氣候，夏季炎熱多雨，冬季寒冷干燥，春、秋短促。年平均氣溫10～12℃,降雨量600多mm,降水季節(jié)分配很不均勻，全年降水的80%集中在夏季6、7、8三個(gè)月。

試驗(yàn)于2003年進(jìn)行。選擇冬小麥地20余塊，面積大于50畝，地塊平坦，長(zhǎng)勢(shì)均勻。地塊由北京農(nóng)業(yè)技術(shù)推廣站提供，這些地塊屬于北京優(yōu)質(zhì)小麥訂單生產(chǎn)地。由農(nóng)民耕作，采用通常的肥水管理，不進(jìn)行特殊處理，小麥品種是當(dāng)前推廣的高蛋白品種，如京冬8號(hào)、京9507等。小麥地塊分布于北京郊區(qū)(圖1),圖中對(duì)應(yīng)的紅點(diǎn)為選擇的小麥樣地。

1.2測(cè)試方法

小麥冠層光譜測(cè)量使用ASD Fieldspec FR2500光譜儀。所有光譜測(cè)量是在天氣晴朗，無(wú)風(fēng)或風(fēng)速很小時(shí)測(cè)量的，測(cè)量時(shí)間為9:00～15:00。視場(chǎng)角25°,距地有150 cm,在視場(chǎng)范圍內(nèi)重復(fù)20次取平均，各測(cè)量前后利用參考板進(jìn)行校正。2003年獲取地面光譜8次，時(shí)間分別為：3月30日，4月7日，4月15日，4月23日，5月1日，5月9日，5月17日和5月25日。

生物量測(cè)定方法：采用干重法，即破壞性取樣，烘干測(cè)定。

1.3研究方法

對(duì)在上述實(shí)驗(yàn)區(qū)得到的光譜數(shù)據(jù)選取特征波段，計(jì)

算得到高光譜植被指數(shù)。本文選取了9種較常用的高光譜植被指數(shù)，分別是：1.RVI——比值植被指數(shù)RatioVegetation Index;2.NDVI——?dú)w一化植被指數(shù)NormalizedDifference Vegetation Index; 3.NDVIgreen——綠波段植被指數(shù)Normalized Difference Vegetation Index in green;

4.SAVI-—調(diào)整土壤亮度的植被Soil-Adjusted Vegetation

Index;5.OSAVI——土壤調(diào)節(jié)植被指數(shù)OptimizedSoil-Adjusted Vegetation Index; 6.MSAVI——土壤調(diào)整植被指數(shù)Modified Soil Adjusted Vegetation Index;

7.MCARI——葉綠素吸收比值指數(shù)Modified ChlorophyllAbsorbtion Reflectance Index;8.TCARI改進(jìn)型的葉綠素吸收比率指數(shù)Transformed Chlorophyll Absorption inReflectance Index;9.RDVI——重規(guī)一化植被指數(shù)Re-normalized Difference Vegetation Index.詳見(jiàn)表1。

本次試驗(yàn)共采集了168組冠層高光譜植被指數(shù)和其相應(yīng)的生物量進(jìn)行傳統(tǒng)回歸分析，隨機(jī)分成兩類(lèi)，其中一類(lèi)用于模型訓(xùn)練，包含112組數(shù)據(jù)：另一類(lèi)用于檢驗(yàn)?zāi)Ｐ蛿M合結(jié)果，包含56組數(shù)據(jù)。相關(guān)植被指數(shù)據(jù)相關(guān)的波譜數(shù)據(jù)運(yùn)算所得。

誤差反向傳播(back-propagation簡(jiǎn)稱(chēng)BP)算法是目前人工神經(jīng)網(wǎng)絡(luò)(ANN--artificial neural network)中應(yīng)用最廣泛的學(xué)習(xí)算法，BP神經(jīng)網(wǎng)絡(luò)是一種采用有導(dǎo)師訓(xùn)練學(xué)習(xí)方式的前饋型網(wǎng)絡(luò)，它從導(dǎo)師樣本中學(xué)習(xí)并獲取知識(shí)，然后在導(dǎo)師訓(xùn)練模型引導(dǎo)下對(duì)數(shù)據(jù)庫(kù)中的信息進(jìn)行

目標(biāo)查找、模式識(shí)別和屬性分類(lèi)等。最基本的BP神經(jīng)網(wǎng)絡(luò)由輸入層、中間隱含層、輸出層3層構(gòu)成，這種網(wǎng)絡(luò)具有高度非線性映射能力和良好穩(wěn)健性模式識(shí)別特點(diǎn)。BP算法的基本思想是，學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過(guò)程組成。正向傳播時(shí)，樣本從輸入層傳入，經(jīng)隱含層處理后傳至輸出層。如果輸出層的實(shí)際輸出與期望輸出不符，則轉(zhuǎn)入誤差反向傳播，即將輸出誤差以某種形式通過(guò)隱含層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層所有單元，進(jìn)行權(quán)值修正。如此循環(huán)往復(fù)進(jìn)行權(quán)值修正就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程，此過(guò)程一直進(jìn)行到網(wǎng)絡(luò)輸出誤差減少到可接受的程度[]。網(wǎng)絡(luò)訓(xùn)練過(guò)程中，需要指定循環(huán)次數(shù)，如果循環(huán)次數(shù)達(dá)到時(shí)，模式最大允許誤差尚未滿(mǎn)足要求，運(yùn)算將停止，然后進(jìn)行參數(shù)調(diào)整，重新訓(xùn)練。最后用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行分類(lèi)，

獲得各類(lèi)目標(biāo)的信息分布特征。

決定系數(shù)R可以判斷實(shí)測(cè)值和預(yù)測(cè)值的線性擬合度，但是由于光譜植被指數(shù)和作物氮素含量間存在的非線性關(guān)系，它無(wú)法提供有關(guān)光譜預(yù)測(cè)能力的信息。因此，本文使用均方根誤差(RMSE)和T值檢驗(yàn)，來(lái)選擇最佳結(jié)果。其表達(dá)式如下：

本文數(shù)據(jù)處理和神經(jīng)網(wǎng)絡(luò)訓(xùn)練均采用Matlab 7.0(Mathworks,USA)。

2結(jié)果與分析

2.1回歸分析

圖2清楚顯示光譜與生物量的關(guān)系，在660～760nm波段，相關(guān)系數(shù)的絕對(duì)值達(dá)到峰值，為0.68,這與其他學(xué)者的研究結(jié)果類(lèi)似415],在近紅外波段，相關(guān)系數(shù)較低；780nm以上波長(zhǎng)的光譜與生物量表現(xiàn)出顯著相關(guān)。

比較各種回歸模型，各植被指數(shù)與生物量的對(duì)數(shù)回歸模型具有較高的決定系數(shù)，各決定系數(shù)結(jié)果如表2所示，其中NDVI、NDVIgreen、SAVI、OSAVI和MSAVI與氮素含量具有較高的相關(guān)系數(shù)(R2>0.5)。這主要是由于NDVI、NDVIgreen、SAVI、OSAVI和MSAV主要受氮素含量影響，對(duì)高氮素水平更敏感，而氮素含量與生物量有很大的相關(guān)性，這從它們的表達(dá)式中也可以看出。

2.2神經(jīng)網(wǎng)絡(luò)分析

本文采用BP神經(jīng)網(wǎng)絡(luò)含有1個(gè)輸入層、2個(gè)隱含層和1個(gè)輸出層。1個(gè)輸入層即為每類(lèi)植被指數(shù)；第一個(gè)隱含層包含16個(gè)神經(jīng)元，第二個(gè)隱含層包含8個(gè)神經(jīng)元；1個(gè)輸出層即為植株氮素含量。為了更好地訓(xùn)練網(wǎng)絡(luò)，首

先對(duì)輸入向量進(jìn)行歸一化處理，初始訓(xùn)練速率為0.05,初始權(quán)重和閥值為任意值。網(wǎng)絡(luò)訓(xùn)練結(jié)果見(jiàn)表3。

圖3中橫坐標(biāo)為植株生物量實(shí)測(cè)值，縱坐標(biāo)為各模型估測(cè)值。當(dāng)實(shí)測(cè)值大于0.01時(shí)，估測(cè)值達(dá)到一個(gè)平臺(tái)值

(約為0.04)。

2.3 BP神經(jīng)網(wǎng)絡(luò)與統(tǒng)計(jì)回歸模型比較

結(jié)果顯示，神經(jīng)網(wǎng)絡(luò)方法較傳統(tǒng)的回歸模型有更佳

的擬合效果(見(jiàn)表3)。使用神經(jīng)網(wǎng)絡(luò)方法可以得到更高的R2和T值，以及較低的RMSE。從表3中看出，對(duì)于TCARI,采用神經(jīng)網(wǎng)絡(luò)方法，R2比對(duì)數(shù)回歸方法提高了

74.45%,RMSE減小了24.53%,而在NDVlgreen中T

值提高了99.8%之多。對(duì)于RMSE和T值改進(jìn)最為顯著的植被指數(shù)有SAVI、MSAVI和MCARI。因此，人工神經(jīng)網(wǎng)絡(luò)模型可以改進(jìn)作物光譜植被指數(shù)和生物量的相關(guān)性，預(yù)測(cè)范圍也有所擴(kuò)展。

3結(jié) 論

小麥生物量和其高光譜植被指數(shù)的量化為改進(jìn)遙感作物診斷提供更好的平臺(tái)，并可以擴(kuò)展應(yīng)用于作物其它生化變量的估算。由于植被指數(shù)和作物生物量的復(fù)雜非線性關(guān)系，人工神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于作物的生物量診斷，取得了較好的效果，比較傳統(tǒng)的回歸模型，本文采用的BP神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)出明顯的估算優(yōu)勢(shì)，顯著改進(jìn)了傳統(tǒng)的分析方法。