原创解读 | COMPUT:基于机器学习和辐射传输模型的无人机高光谱遥感估计小麦生物物理变量

监测作物生长状况对于优化农田管理和提高作物产量至关重要，基于无人机的高光谱成像，因其快速、非破坏性的特点，在精准农业中日益受到关注；传统的遥感方法如卫星遥感在空间分辨率和成本上存在局限性，且地面设备的测量耗时费力；因此采用无人机（UAV）高光谱数据与机器学习相结合的方法，更高效地估算作物的生物物理变量。

2024年4月26日，由印度农业研究理事会（ICAR）农业物理系Rabi N. Sahoo等人发表在Computers and Electronics in Agriculture上的题为“Estimation of wheat biophysical variables through UAV hyperspectral remote sensing using machine learning and radiative transfer models” 的文章，通过机器学习和辐射传输模型相结合的方式，利用无人机高光谱成像技术对小麦作物的生物物理变量进行准确及时的估计。

本研究通过集成在无人机的成像光谱仪获取数据，结合五种机器学习算法对小麦作物的叶面积指数(LAI)、叶绿素含量(LCC)和冠层叶绿素含量(CCC)进行预测；此外，研究还将物理辐射传输模型PROSAIL与自动辐射传输模型(ARTMO)中的机器学习回归算法工具箱相结合，构建混合模型以进一步提升预测精度。结果表明，在混合建模的情况下，基于模拟数据验证的人工神经网络(ANN)模型表现优于其他模型，将经验多元回归应用于图像光谱的LCC制图效果最好，采用混合方法对LAI和CCC进行精确检索的预测精度最高。

研究步骤：

(1)确定研究区域和实验细节

(2)无人机高光谱图像采集

(3)高光谱图像预处理

(4)PLS降维

(5)非参数回归算法

(6)PROSAIL辐射传输模型

(7)混合建模:RTM与MLRA

(8)模型性能评估

五种机器学习算法：
人工神经网络(ANN) 极限学习机(ELM) 支持向量回归(SVR) 随机森林(RF) 多元自适应回归(MARS)

研究结果

1. 实测LAI、LCC和CCC的描述性统计

现场测量小麦的生物物理变量，并与无人机图像同步，数据集按照7：3的比例划分为训练集和验证集，LCC的标准偏差(SD)最大，CCC的变异系数(CV%)最大。除LAI和CCC验证数据集外，大部分数据集呈负偏态。

2. LAI、LCC和CCC的光谱特征

收集到的LAI、LCC和CCC数据的变化对无人机影像获取的植被反射率的光谱区域有很强的影响，随着LAI、LCC和CCC值的增大，冠层反射光谱在红外区域呈增大趋势，在可见光区域，除绿色区域的反射率逐渐上升外，整体反射率较低，冠层反射率对作物生物物理变量的敏感性在不同波长区域表现出显著的变化。

3. 经验多元模型

利用五种经验推导的多元模型，从无人机数据中提取LAI、LCC和CCC值，并对模型进行训练，利用PLS对20个衍生分量进行特征提取，采用评分法选择合适的模型，在LAI和CCC预测的情况下，模型性能排序为ELM > ANN > SVR > RF > MARS，对于LCC预测，模型排序为ELM > SVR > RF > MARS > ANN，因此，ELM对三个变量的预测效果最好。基于表现最佳的经验模型，即ELM，生成所考虑区域的LAI、LCC和CCC地图，采用在校准和验证数据集中具有最高 R2 值的模型预测小麦作物的三个变量。

4.混合模型

在检索小麦叶片变量时，对通过 PROSAIL 模拟训练的四种 ML 回归算法（ANN、ELM、SVR和 RF）的性能进行评估，7个分量的PLS 被用于降维。

ANN模型在检索小麦变量的性能方面优于其他模型。模型对LAI的性能排序为ANN > RF > SVM > ELM，对LCC的性能排序为ANN > SVM > RF > ELM，对CCC的性能排序为ANN > SVM > RF > ELM，将PROSAIL模拟开发的 ANN 模型应用于无人机最后阶段捕获的麦田高光谱图像，取得了显著效果。

该研究使用无人机高光谱图像，采用混合模型，结合辐射传输建模和机器学习回归模型的优点，提高预测精度和计算效率，同时，探讨不同的机器学习回归算法的应用，进一步优化了模型性能，为推断农田状况提供可行的解决方案，以支持更好的农场管理措施，为精确农业提供新的思路和工具。

原文链接：https://www.sciencedirect.com/science/article/abs/pii/S0168169924003338