近日，国际顶级遥感期刊 Remote Sensing of Environment 刊发了中国农业大学张瑶副教授题为《Transfer-learning-based approach for leaf chlorophyll content estimation of winter wheat from hyperspectral data》的研究论文。

　　该研究结合地面高光谱和机载高光谱，融合新型特征选择算法与迁移学习技术，提出冬小麦叶片叶绿素含量（LCC）反演新ξ　方法。该方法提供了小样本条件下的冬小麦叶◇片叶绿素含量的高精度、高普适反←演，为区域作物长势监卐测提供了重要的理论基础¤和技术手段。

　　研究材料冠层光谱模拟

　　在该研究中，作者使用 PROSAIL 模型进行冠层光谱模拟。基于不同参数的随机组合，总共模拟生成了 100,000 个◇冠层光谱。模拟数据集被用于 LCC 特征波段选取和训练基于深〖度神经网络（DNN）的 LCC 预测模型。该模型用于后续迁移学习，提高 LCC 反演精度。

　　地面观测

　　该研究于 2013 年和 2014 年在陕西省咸阳市进行了地面田间试验。该地区属于关中平原，具有典型的大陆性季风气候特征。地面实地观测研究区位置见图1。

　　图 1. 地︼面和无人机实地观测的两个实验农场的位置。对于不同养分和品种处理的※详细分布，“A”代⌒表冬小麦品种， ‘N’代表氮肥处理水平。

　　该地区冬小麦生长期为 10 月初至次年 6 月初。该研究选取拔节期和抽穗期两个重要物候期进行田间数据测量。2013 年，随机选取 81 个样地进行冠◣层高光谱反射率和两个☆时期相应的 LCC 测量。2014 年，41 个样地以同样的方式进∩行了实验。

　　LCC数据集

　　在每个采样点选择 20 个完全发育☆的叶子进行 LCC 测量。LCC 由叶绿素计测定。

　　冠层光谱数据集

　　冬小麦的冠层高光谱反射率是通过 ASD FieldSpec FR 光谱仪获得的。光谱测量范▅围为 350 nm 至 2500 nm，分辨率为 1 nm。每个目标在优化的积分时间扫描 20 次，并进行①暗电流校正。高光谱反射率是在冠〓层上方 1.0 m 处测量的。为减少环境条件⊙的影响，随机选取采样点的五个位置进行测量，取平均值作为采样点的代表性光谱反射率。

图 2. ASD地物光谱仪

　　基于无人机的实地观测

　　基于无人机的实验位于河南省漯河市。该地区属于华北平原→，属典型的∞大陆性季风气候。田间试验于2018年♂抽穗期进行。未施肥部分设为参考组N0（0 kg/hm2），包括四个子区域，每个子区域为100 平方米。在田地的其余部分进行 3 次氮〇肥处理→，即 N1（120 kg/hm2）、N2（225 kg/hm2）和 N3（330 kg/hm2），重复 3 次。共设计了36个可变施肥分区，每个分区 130 平方米。无人机野外观测研究区位置及不同养分和品种处理的详细分布（40个采样点）如图1所示。该地区采集♀了无人机高光谱图像和 LCC 数据集。LCC 由叶绿素计观测计算得到。

　　该研究使用 DJI M600 Pro 无人机飞行器平台和 Resonon Pika L 高光谱推扫相机监测冬小麦冠层的高光谱信息。

图 3. IRIS 机载一体式激光雷达↙高光谱成▼像仪

　　高光谱●图像数据采集于Ψ 2018 年 4 月 19 日在无云天气条件下进行。飞行高度】为 100 m，幅宽为 30 m 。正射校正后，空间分辨率约为 0.1 m。高光谱传感器的光谱测量范围为 400 nm 至 1000 nm，具有 300 个光谱通道。原始图像经ξ Resonon 软件预︽处理，包括辐照度校准、混合噪声滤波器 (MNF) 去噪、几何校正和图像拼【接。该系统结合精确的惯性测量单元和精确的云台，提供了稳定、高质量的空间高光谱图像。

　　该研究共采集了来自不同地区（即关中平原和华北平◤原）；不同时期，包括不同的种ξ　植年份（即2013年、2014 年和 2018 年）和物候期（即拔节期和¤抽穗期）；并在不同的监测尺度下，包括基于■地面的平台和基于无人机的平台的 281 个实地测量的作物样品。这些样本用于验证不同测量条件下，该研究提出的特征提取方法和迁移学习技术的有效性和鲁棒性。

　　研究成果

　　该研究以◣作物冠层高光谱遥感机理为基础，首次提出了一种新型的特征选择算法，即幅值-形状增强型二维相关光谱分析□法（amplitude- and shape- enhanced 2D correlation spectrum）。该特征选择算法在原◇始二维相关光谱分析☆的基础上，补充考虑了高光谱幅值和形状特征对外部扰动的响应，显著增强了其在高光谱特征选择中的表现。基于该方法所选波长在光合机理、分子结构以及光学特性等方面均与叶片叶绿素含量体①现了良好的相关关系。敏感ω性分析显示，所选特征对于目标物具有极强的特异性。

　　图 4. 在 LAI 变化情况下的增强型二维相关□　光谱特征分布 (a: LAI=1, b: LAI=2, c: LAI=3, d: LAI=4, e: LAI=5, f: LAI=6, g: LAI=7, h: LAI=1 到 7的均值

　　基于深度神经网络的迁移学习技术将利用 PROSAIL 模拟数据训练得到的特征迁移至实际田间冬小麦叶绿素含量反演中，有效提高了叶绿素含量反演精度并降低了对田间实测样本集的数量要求。为了进一步验证该叶绿素含量∞反演方法的准确性、可迁移性以及普『适性，该研究结合采集于不同年□　份，不同生长期，不同地区以及不同监测平台的实测田间采样数据对该方法进行了多角度的分析和验证，结果均表明，利用该↓方法可以在小样本的条件下获得良好的冬小麦叶片叶绿素反演精度。此外，所提出的方法还具有较强的※年季扩展性，对于区域作物长势监测提供了重要的理论基础和技术手段。

　　图 5. 在30%, 50% 和70%标记样本精校后的冬小麦叶片叶绿素含量反演精度对比（a, 2013 拔节期，b, 2013抽穗期， c, 2014拔节期， d, 2014抽穗期）

　　来源：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.编者按

　　本文结合模型模拟、迁移学习和多尺度观测为植被参数反演提供了一个↑非常完整的操作流程，也是机理模型与机器学习结合的精彩案例。遥感数据是天〓然的大数据，不仅数据量大而且∞复杂，而另一】方面，地面参数观测成本高，遥感反演又面临着实测数据不足的问题。结合模型模拟和 Fine Tune 技术，为解决这种窘境提供了突破口。此外，将模型参数的变化视为扰动，引入二维相关光谱分⌒　析法，并考虑『幅值和形状进行特征选取，也是一种将知识与小样本机器学习结合的成功尝▓试。

　　参考：

　　* 本文已获得论文作者授权

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

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