基于人工神经网络（ANN）的作物覆盖网光谱畸变辐射校正方法用于近地多光谱葡萄园成像

《Journal of Agriculture and Food Research》：AI-driven radiometric correction of crop covered-net distortions for proximal multispectral vineyard imaging

　　

气候变化引起的天气模式变化导致全球葡萄园越来越多地使用覆盖布或防雹网来调节微气候并保护果实。遥感已成为精准葡萄栽培的关键工具，使研究人员能够无损评估整个葡萄园的树势、水分状况和物候发育阶段。然而，覆盖网材料会通过不均匀地衰减蓝光、红光、红边和近红外波段的入射辐射来改变作物的光谱响应，这种差异衰减引入了波长依赖的光谱畸变，改变了表观冠层反射率。目前，农业中现有的辐射校正方法仍然依赖于外部参考目标、校准面板或配对的开阔天空采集，这严重限制了遥感在有网葡萄园中的应用。本研究的目的是开发一种基于近地多光谱和人工神经网络（ANN）的校正模型，该模型能够直接从遮荫输入推断预期的无遮荫辐射分布。这种方法旨在克服传统工作流程的操作限制，提供一种可扩展、无需仪器的解决方案，以保持防护覆盖下的辐射一致性。该方法旨在支持在永久性或季节性遮荫网系统管理的葡萄园中常规且可靠地使用植被指数、近地传感技术和人工智能驱动的决策支持工具。

论文解读文章

研究背景与问题

气候变化导致极端天气事件频发，全球葡萄园越来越普遍地使用覆盖布或防雹网来调节微气候、防止果实日灼并保护品质。这些覆盖结构虽然有效，却给遥感技术在精准葡萄栽培中的应用带来了严峻挑战。遥感技术，特别是基于多光谱影像的植被指数（VIs），如归一化差值植被指数（NDVI）和归一化差值红边指数（NDRE），已被广泛用于无损评估葡萄树势、水分状态和物候发育。然而，覆盖网材料对蓝光、红光、红边和近红外波段入射辐射的不均匀衰减，引入了波长依赖的光谱畸变，显著改变了冠层的表观反射率，导致VI值产生偏差。现有的大多数辐射校正方法，如使用校准参考面板或进行配对的开阔天空采集，不仅操作繁琐，而且高度依赖现场仪器设备，难以在实际生产环境中大规模应用。因此，亟需一种不依赖外部校准、完全数据驱动的辐射校正方法，以实现有网条件下冠层光谱数据的标准化，使其能与开阔天空条件下的测量结果直接比较。

研究目标与意义

本研究的目标是开发一种基于近地多光谱成像和人工神经网络（ANN）的校正模型，该模型能够直接从有遮荫网的输入图像中，推断出期望的无遮荫辐射分布。这一创新方法旨在突破传统工作流程的操作局限性，提供一种可扩展、无需额外场外仪器的解决方案，从而在防护覆盖下维持辐射度的一致性。该研究的成功实施，将使得植被指数、近地传感技术和人工智能驱动的决策支持工具能够在采用永久性或季节性遮荫网系统的葡萄园中得到常规化和可靠化的应用，对于推动精准葡萄栽培在气候变化背景下的发展具有重要意义。

关键技术方法概述

研究人员采用了以下主要技术方法：

1. 1.
   实验设计与数据采集：在墨西哥克雷塔罗的蒙特雷科技大学农业试验站进行，研究对象为‘赤霞珠’和‘沙雷洛’两个葡萄品种，采用垂直枝条分布（VSP）篱架系统。使用了商用黑色高密度聚乙烯（HDPE）单丝遮荫网（标称遮光率35%）。利用MicaSense Altum多光谱相机，在固定三脚架上距冠层2米处进行近地成像，获取了蓝、绿、红、红边、近红外五个波段的高分辨率影像。采用“快照实验设计”，在同一日期内先后采集同一批葡萄藤在有网和无网条件下的成对图像，以最小化时间变异。
2. 2.
   图像预处理：使用MATLAB的imregister程序进行多光谱波段配准，采用互信息度量和进化优化器，通过刚性变换模型依次对齐各波段，以消除因镜头物理分离导致的几何错位。
3. 3.
   感兴趣区域（ROI）选择：结合Segment Anything Model（SAM）自动分割、归一化差值植被指数（NDVI）阈值滤波（NDVI>0.2）以及近红外（NIR）边缘增强滤波，三者取逻辑交集，精确提取仅包含冠层植被的像素，排除背景、杂草和遮荫网等干扰元素。
4. 4.
   人工神经网络（ANN）建模：利用成对的（有网/无网）冠层像素多光谱强度值训练ANN模型。模型的输入是有网条件下的各波段强度值，目标是预测对应的无网条件下的强度值。一旦训练完成，该模型即可应用于仅有有网条件的新图像，实现无需参考的辐射校正。
5. 5.
   植被指数计算与验证：从校正后的多光谱波段计算多种植被指数，包括NDVI、NDRE、优化土壤调整植被指数（OSAVI）、差值植被指数（DVI）、改进型土壤调整植被指数（MSAVI）、归一化差值绿度指数（NDGI）和重归一化差值植被指数（RDVI），并与实际无网条件下的对应指数进行比较，评估校正效果。

研究结果

2.1 实验设计

研究证实，通过在单一日期内对同一植株进行有网和无网条件的成对成像，可以最大限度地减少太阳辐射和大气条件的时间变化影响，为评估辐射校正方法提供了一个受控框架。

2.2 图像采集

高分辨率（地面采样距离约0.83 mm/pixel）的近地成像配置提供了足够精细的空间细节，能够清晰区分葡萄串、叶片和遮荫网，这对于后续的精确校正至关重要。

2.3 图像预处理

通过基于互信息的刚性变换配准，成功校正了多光谱相机不同波段间的几何错位，确保了每个像素在不同波段间代表同一空间位置，为后续逐像素的分析奠定了基础。

2.4 感兴趣区域（ROI）选择

通过结合SAM、NDVI阈值和NIR边缘增强的三步法，研究人员成功地从图像中分离出纯净的冠层像素。该复合方法有效地抑制了遮荫网、杂草和其他非冠层背景的干扰，保证了ANN模型训练数据的纯净性，这是模型性能的关键。

2.5 人工神经网络（ANN）建模与校正

研究人员训练了一个ANN模型，该模型能够学习从有网条件下的多光谱强度到无网条件下强度的非线性映射关系。结果表明，经过ANN校正后的冠层光谱分布与真实无网条件下的光谱分布高度一致。更重要的是，校正后计算的各类植被指数（如NDVI、NDRE、OSAVI等）与无网条件下的对应指数表现出极高的吻合度，显著优于未经校正的有网数据。这表明ANN模型成功地纠正了由遮荫网引起的光谱畸变。

2.6 生理可解释性

研究发现，校正后的光谱数据不仅数值上与无网条件接近，更重要的是保留了冠层辐射响应的生理可解释性。这意味着校正后的数据仍可用于监测葡萄树的真实生理状态（如叶绿素含量、水分胁迫等），而不会引入人为的伪影。

讨论与结论

讨论部分总结：该研究提出的基于ANN的辐射校正方法为有网葡萄园的遥感应用开辟了新途径。与传统依赖现场校准板的方法相比，该方法具有显著优势：它完全数据驱动，无需额外的硬件设备或复杂的现场操作；一旦模型训练完成，即可对新采集的图像进行快速、自动化的校正，具有良好的可扩展性和实用性。研究还指出，该方法校正的是相对辐射度而非绝对反射率，其核心价值在于消除了遮荫网引入的相对光谱畸变，使得不同时间、不同地块（无论是否有网）的植被指数具有可比性。尽管模型是在特定网型和光照条件下训练的，但其框架具有很强的通用性，未来可通过纳入更多样化的网型、光照条件和作物种类来进一步提升模型的泛化能力。

研究结论：研究人员成功开发并验证了一种基于近地多光谱成像和人工神经网络（ANN）的辐射校正模型，用于校正葡萄园覆盖网引起的光谱畸变。该模型能够直接从有网条件下的冠层多光谱图像中，准确推断出对应的无网条件下的光谱分布，且校正后的植被指数与真实无网条件下的观测值高度一致。该方法的提出，有效解决了长期以来阻碍遥感技术在遮荫网管理葡萄园中应用的辐射不一致性问题，为实现无需现场校准、可扩展的精准葡萄栽培监测提供了可行的技术方案。