方案推荐|基于无人机高光谱的植被氮素及含水量反演

2023-10-30 19:50:19 奥谱天成（厦门）光电有限公司

前言

随着我国生态文明建设的不断推进，城市生态文明的发展越来越受到重视，其中城市植被作为构建绿色发展的一部分，其部署是城市生态文明的重要指示器。植被生长态势的监测是城市绿化持续健康发展的基础，其中水分作为植被正常生长必不可少的条件，对植被的正常生长起到了重要的作用。氮素要素是植被生长活动中的重要元素，对植被叶绿素、蛋白质和酶等物质的合成至关重要，在植被光和作用中起关键作用。植被生长态势的监测是城市绿化持续健康发展的基础，植物的生长离不开水分、光照、养料等多种条件，其中一种条件变化、缺失都会使植被外观表现出不同的特征，植被外观表现和其生长态势密切相关。因此植被含水量与氮素的准确监测对植被正常生长的影响非常大。准确监测城市植被的氮素与含水量，有助于对城市植被的科学管理，促进城市植被的健康生长，加快对城市生态文明的建设。

技术思路与主要内容

奥谱天成利用全国产化的高光谱成像仪进行植被氮素要素与含水量的监测，主要通过近地面无人机平台获取成像高光谱数据结合地物光谱仪建立植被叶片数据库，再开展基于深度卷积神经网络的含水量与氮素检测，提取信息，进行敏感波段分析，最后基于PNN概率神经网络算法实现精准检测，实现植被氮素与含水量的识别检测，为植被的健康生长监测提供更加高效智能的方法，从而促进城市生态文明的建设。以植被含水量为例，下图所示为叶片含水量提取流程图。

图1 植被叶片含水量反演流程

需实现内容：

1）制定植被观测方案和采集标准，通过地物光谱仪采集和预处理，建立自然环境下的城市植被数据集，并对采集到的原始植被图像进行预处理来提高图像对比度，增强图像上植被部分与非植被部分的差异，提高植被信息的准确率。

2）针对无人机采集到的植被航拍图像背景杂乱、干扰性强问题，对植被信息提取方法进行研究，通过融合无人机航拍图上植被的纹理特征和颜色特征，结合阈值分割来提取植被信息，使之与非植被信息分离开。

3）针对传统高光谱反演植被含水量、氮素成本高、适用性差问题，提出了基于可见光的植被反演模型，利用HSCNN技术和颜色矩阵提取图像光谱特征，然后利用回归方法建立光谱特征和实际植被含水量、氮素之间的映射关系，实现对城市植被含水量、氮素的自动识别，并对模型的准确率进行评估。

4）无人机飞行一个月一次，基于长时间序列的监测影像数据，从而对精准监控提供参考依据。

技术要点

●卷积神经网络

传统的神经网络（图2）如果使用全连接的网络结构，即网络中的神经与相邻层上的每个神经元均连接卷积神经网络，则需要大量的参数。它通常用来解决非线性问题。

图2 神经网络结构图

卷积神经网络是一种包含卷积计算且具有深度结构的前馈神经网络，是深度学习最常用的代表算法之一。它利用深层卷积模拟了人类视觉感知机制中的分层感知和局部感受野，来处理一些非结构化的数据，并以一种端到端的方式集成低、中、高不同层次的特征，从而获得丰富的特征信息，提升遥感图像语义分割的准确度。卷积神经网络的基本结构一般包括数据输入层、卷积层、池化层、全连接层以及输出层，其基本的模型框架如图3所示。

图3 卷积神经网络的基本模型框架

●HSCNN

HSCNN是一种统一的深度学习框架。具体来说，首先通过简单插值在光谱维度上对RGB 图像进行升采样，然后所提出的方法从大量的升采样/地面高光谱图像对中学习端到端映射。映射表示为深度卷积神经网络（CNN），它以频谱上采样的图像为输入，并预测丢失的图像细节，从中恢复最终的高光谱图像。HSCNN 网络结构如图4所示。

图4 HSCNN网络结构图（该网络由三个过程组成：补丁提取，特征映射和重建）

●植被各类指数计算公式

表1 植被指数计算公式

方案实施

高光谱无人机飞行服务

高光谱反映了高分辨率光学信息的特征，其利用很多很窄的电磁波波段（通常<10nm）从感兴趣的物体获取有关数据。高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。图像信息可以反映样本的大小、形状、缺陷等外部品质特征，由于不同成分对光谱吸收也不同，在某个特定波长下图像对某个缺陷会有较显著的反映，而光谱信息能充分反映样品内部的物理结构、化学成分的差异。因此，利用高光谱特性可以将植被与非植被分离，并且与无人机进行结合，可以实现高效含水量与氮素要素反演。