投稿问答最小化  关闭

万维书刊APP下载

利用高光谱图像反演耕地碳含量和生物量

2022/11/8 16:33:15  阅读:144 发布者:

论文信息

原名:Retrieval of carbon content and biomass from hyperspectral imagery over cultivated areas

译名:利用高光谱图像反演耕地碳含量和生物量

期刊:ISPRS Journal of Photogrammetry and Remote Sensing (IF=11.774)

发表时间:20229

DOIhttps://doi.org/10.1016/j.isprsjprs.2022.09.003

1.研究背景

碳基植物成分的量化对所有陆地生态系统都至关重要。由于陆地生物圈是大气CO2的一个重要汇,植被中储存的碳对平衡辐射收支具有重要作用,进而影响全球气候系统。全球农业地区几乎覆盖陆地表面的40%,其中三分之一用作农田,三分之二为放牧牲畜的草地和牧场。因此,耕地面积以土壤有机碳的形式对全球CO2储存有显著贡献。大气中的CO2被转移到植物生态系统的生物和土壤碳库中,而其他碳则通过根系或地上生物量的分解进入土壤。地上生物量储存了大量的碳,为评价气候系统的潜在变化提供了一个重要的生态变量,并被全球气候观测系统定义为基本气候变量(ECV)之一。

在过去的几十年里,随着空间、时间和光谱分辨率的不断提高,地球观测(EO)数据的数量空前增加,为获取生物量和碳含量提供了独特的机会。多光谱数据提供植物碳含量的实质性信息的能力是有限的,主要是因为短波红外(SWIR)中的相关吸收特征不能被这些传感器所解析,而高光谱传感器能够分辨细微的吸收特征,如由特定色素、蛋白质或碳引起的吸收特征。因此,从高光谱数据中开发更高层次植被产品的检索模型带来了新的机遇。当前研究的目标是评估未来环境测绘与分析计划(EnMAP)高光谱任务数据中作物碳含量以及干湿生物量的量化和绘图。

2.研究数据及方法

1  碳和生物量制图的工作流程示意图

1)模型流程

用于反演作物碳含量(���������������),干生物量(������������������)和湿生物质(���������������������ℎ),一种混合方法被提出(如图1所示),共包含七个步骤:

使用叶片反射率模型PROSAIL-PRO准备训练数据集;

利用主成分分析(PCA)来降低全光谱信息的维数;

应用主动学习(AL)方法对训练样本库进行压缩和优化;

基于野外采集数据的高斯过程回归(GPR)模型训练和性能测试;

在训练数据库中添加裸地光谱,对GPR模型进行再训练,提高制图能力;

机载AVIRIS-NG光谱图像处理;

基于独立的原位数据对反演的碳和生物量含量进行验证。

2)野外数据集采集

在慕尼黑-北伊萨尔(MNI)区域,分别于2017年、2018年、2020年和2021年的田间活动期间,收集玉米、冬小麦和冬大麦的高光谱特征和植物性状。使用ASD FieldSpec 3 Jr传感器采集高光谱数据,在0.25平方米样方采集植物生物量样本,对根茎叶分别进行���������������������ℎ和������������������的称重,CHNS-Analyzer用于确定碳含量,LI-COR LAI-2200C植物冠层分析仪测定的叶面积指数(���������),采集数据统计见表1

1  野外采集数据统计范围(均值;标准差)和采集点数(#N)

3)机载高光谱数据采集

2  伊尔巴赫农业区域位置

使用机载可见红外成像光谱仪(AVIRIS-NG),于2021530日在德国东南部的伊尔巴赫的一个集约化农业区域(2)采集影像。传感器采样距离为5.3米,光谱范围为377-2501nm,共425个波段。同时进行���������������,���������������������ℎ和������������������和LAI现场测量及采样,与MNI站点相同的方式,独立生成的6个区域的20个现场数据点如表2所示。

2  伊尔巴赫站点采集数据(均值;标准差)

4)建模与综合数据库

首先生成PROSAIL-PRO训练数据库,模拟了叶片的光谱反射率和透过率,包括叶绿素���和���(���������),类胡萝卜素(���������)和花青素(������������ℎ),叶片叶肉结构参数(N)、棕色色素(������������������)、等效含水量(������)、含氮蛋白质(������)和碳基成分(���������)。为了提高从叶片到冠层的光学特性并考虑结构效应,采用了4SAIL模型。为了从成像光谱数据中得出冠层碳和生物量,相应的PROSPECT-PRO参数根据公式(1)(2)(3)进行了放大:

5)光谱和采样优化

为了提高处理速度,采用了主成分分析(PCA)来降低数据集维数,主成分的数量设置为20。由模型输入参数的随机抽样所创建的训练数据库,导致所包含的光谱表示和参数集本身的冗余,为此,主动学习(AL)被用来解决该问题。具体来讲,抽样候选对象是根据到训练集中样本的欧氏距离(EBD)来选择。其次,采用基于方差的回归量池(PAL)策略,通过基于多个训练子集的各自回归算法对目标值进行预测。在初始内部模型性能评估之后,从AVIRIS-NG图像中选择了24个各自变量含量为零的裸土光谱,并添加到训练数据库中,可以减少由于未知土壤特征造成的映射不确定性。

6)机器学习回归算法

本研究使用的基于GPR的回归算法,由于在贝叶斯框架中概率处理回归任务,提供相对不确定性作为预测区间,使得GPR在解决遥感数据分析中的高度非线性回归问题方面特别有吸引力。GPR模型的实现,以及PCA降维、AL策略和映射,都在自动辐射传输模型算子(ARTMO)机器学习回归算法(MLRAs)工具箱中提供。

3.研究结果

1MNI区域的主动学习优化及验证

将所选PROSAIL-PRO光谱压缩到20个主成分,利用AL对采样训练数据集进行优化。采用绝对RMSE和归一化RMSE进行模型间比较,并采用决定系数(���2)评价模型的拟合优度。图3显示了GPR训练过程中PALEBD方法在MNI数据检索方面的RMSE收敛结果。

3  (a)���������������、(b)������������������和(c)���������������������ℎ针对MNI数据在完整的训练数据库上应用EBDPAL方法的RMSE收敛。

使用PAL对训练数据库进行约简后,模型对MNI数据的性能如图4所示。对于���������������和������������������结果较好(R2 = 0.80; nRMSE = 13%; 4ab)。对于���������������������ℎ(4c),检索性能较低,但仍可接受 (R2 = 0.71; nRMSE = 16%)

4  针对(a)���������������、(b)������������������和(c)���������������������ℎ的MNI数据,使用基于优化PCAPAL训练数据库构建的GPR模型的验证结果。

2)优化GPR-���������������和GPR-生物量模型

在每个PAL简化训练数据库中加入24个裸土光谱,建立GPR模型进行制图。基于三个变量的382个样本 (随机58个初始2% + 300pal选择+ 24个裸露土壤)组成的优化训练数据集对GPR算法进行再训练,结果如图5所示。���������������的平均相对不确定性下降了40%,������������������的平均相对不确定性下降了38%,这表明模型在区分土壤光谱影响、作物信号,特别是作物衰老信号方面的能力有所提高。

5 最终(a) GPR-���������������、(b) GPR -������������������和(c)GPR-���������������������ℎ模型对MNI数据和预测相对不确定性。

3)伊尔巴赫农业区站点验证

在添加裸土光谱再训练之后,GPR-���������������、GPR-������������������和GPR-���������������������ℎ模型被应用于AVIRIS-NG图像,如图6所示。图6a, b, c()充分反映了由于地形或土壤相关的场地因素以及田间行播结构造成的田间异质性,还可以识别出映射内容的精细跨域变化。在概率密度直方图中也可以识别,高含量表明郁郁葱葱的绿色谷类作物(主要是冬小麦和冬大麦),通常在5月底出现在该地区。此外,许多田地仍然几乎没有植被(玉米和甜菜)。然而,反演模型成功地区分了裸露的土壤和最近发芽的作物。相对不确定度如图6a, b, c()所示。绿地的不确定性持续较低,以及明确识别的裸地像素的低不确定性说明了将裸地光谱添加到训练数据库的重要性。高度的相对不确定性大多数发生在几乎没有植被的地区。然而,在训练数据库没有考虑到的区域,如人为结构和森林,存在很高的不确定性。

6 最终(a) GPR-���������������、(b) GPR -������������������和(c)GPR-���������������������ℎ模型对MNI数据和预测相对不确定性。

4.结果讨论

1)主动学习和光谱降维

研究的一个关键结果是,使用主动学习(AL)方法PALEBD能更好地优化这三种反演模型。比较两种方法,就学习过程的计算时间而言,EBD优于PAL,但就优化精度而言,PAL要更优。尽管如此,这两种方法都比使用完整的数据集提供了显著的改进,因此,我们建议在混合工作流中实现回归不确定性(PAL)或多样性AL方法(EBD)。多项研究侧重于将混合反演算法与PCA相结合,用于反演各种植被变量。特征转换方法PCA将成像光谱仪的全范围光谱信息转换为定义数量的成分,而忽略了目标变量。与基于波段选择的方法相比,这使得用于训练机器学习算法的数据集更丰富。

2)碳和生物量制图

除了对我们的模型进行物理评估外,还通过使用航空高光谱图像在农业地区对���������������、������������������和���������������������ℎ进行制图,研究了方法的空间可移植性。鉴于这些地图的高置信度,原则上,它们可进一步用于模拟陆地碳通量的预测模型。这些模型可以通过同化观测信息(如植物碳含量)得到强有力的支持,从而减少碳平衡模拟的不确定性。将地球观测数据中包含的时空动态纳入预测模型,可以更好地理解陆地碳汇。

3EnMAP任务的机遇和挑战

这项工作是在农业应用高光谱EnMAP任务准备活动中进行的。德国的高光谱任务已经准备了很多年,直到202241日的最终发射。从以往高光谱传感器的经验来看,如安装在NASA的地球探测器1号卫星上的Hyperion,信噪比(SNR)对高光谱数据的可用性至关重要。因此,EnMAP仪器的开发时间被一再延长,以确保EnMAP能够从太空提供高质量的测量。此外,对于许多环境科学和商业应用来说,对地球表面同一点的重复观测是至关重要的,需要一个移动平台和稳定的几何结构,该任务也提供了这一点。由于将AVIRIS-NG图像的光谱重新采样到EnMAP中,我们基本上呈现了首个冠层碳含量和地上生物量地图,因为它们也可以通过高光谱前驱体实现。由于EnMAPPRISMA传感器的相似性,它也提供了很大的机会。两种仪器的联合观测能力可以增加时间序列的密度,这是农业相关产品非常需要的。

5.研究结论

本文探索了一种用于反演农田碳和生物量含量的流程,成功地实现了所建立模型的高可移植性。为此,我们在PROSAIL-PRO模型产生的模拟数据集上训练GPR算法,采用PCA和主动学习启发式方法对德国MNI测试点的现场数据进行调整。将建立的模型转移到一个类似农业地区的EnMAP重新采样的AVIRIS-NG场景中,在有限的现场数据集上获得了较高的映射精度。本文提出的工作流程提供了一条通过星载成像光谱任务对植物碳和农田生物量进行可靠制图方法。我们预计,EnMAP数据以及互补的高光谱任务,将为多个研究领域和应用提供高度优先的作物产品。

6.文章引用格式

Wocher, M., Berger, K., Verrelst, J., & Hank, T. (2022). Retrieval of carbon content and biomass from hyperspectral imagery over cultivated areas. ISPRS Journal of Photogrammetry and Remote Sensing, 193, 104-114. DOI: https://doi.org/10.1016/j.isprsjprs.2022.09.003

转自:科研圈内人”微信公众号

如有侵权,请联系本站删除!


  • 万维QQ投稿交流群    招募志愿者

    版权所有 Copyright@2009-2015豫ICP证合字09037080号

     纯自助论文投稿平台    E-mail:eshukan@163.com