基于數(shù)碼相機(jī)的玉米冠層SPAD遙感估算

賀英，鄧?yán)冢腔?，孫杰

?

基于數(shù)碼相機(jī)的玉米冠層SPAD遙感估算

賀英，鄧?yán)?，毛智慧，孫杰

（首都師范大學(xué)資源環(huán)境與旅游學(xué)院，北京 100048）

【目的】葉綠素是植物光合作用中重要的色素。利用作物光譜信息對(duì)葉綠素含量進(jìn)行反演，為作物的實(shí)時(shí)監(jiān)測(cè)和生長(zhǎng)狀態(tài)診斷提供重要依據(jù)?！痉椒ā恳源筇锃h(huán)境下不同氮肥水平（0，50%和100%）的開花期玉米為研究對(duì)象，利用輕小型無人機(jī)搭載數(shù)碼相機(jī)，獲取試驗(yàn)區(qū)RGB影像。使用土壤調(diào)整植被指數(shù)（soil adjusted vegetation index，SAVIgreen）對(duì)圖像進(jìn)行分割，基于分割前后的影像分別提取15種常見的可見光植被指數(shù)，綜合分析指數(shù)與玉米冠層葉綠素相對(duì)含量SPAD值的相關(guān)關(guān)系。采用單變量回歸模型、多元逐步回歸模型和隨機(jī)森林（random forest，RF）回歸算法構(gòu)建玉米SPAD值的遙感估算模型，通過模型精度評(píng)價(jià)指標(biāo)決定系數(shù)（coefficient of determination，2）、均方根誤差（root mean square error，）、平均相對(duì)誤差（mean relative error，）和顯著性檢驗(yàn)水平（＜0.01），確定最佳指標(biāo)和最優(yōu)模型。【結(jié)果】基于分割前后的數(shù)碼影像提取的VIplot和VIplant植被指數(shù)與玉米冠層SPAD值之間具有顯著的相關(guān)關(guān)系，其中VIplant中的紅光標(biāo)準(zhǔn)化值（NRI）、歸一化葉綠素比值植被指數(shù)（NPCI）、藍(lán)紅比值指數(shù)（BRRI）、差值植被指數(shù)（DVI）與SPAD值的相關(guān)性在0.77以上；以相關(guān)性高于0.77的VIplant指數(shù)NRI、NPCI、BRRI、DVI構(gòu)建的線性、指數(shù)、對(duì)數(shù)、二次多項(xiàng)式、冪函數(shù)的單變量回歸模型中，NRI指數(shù)構(gòu)建的二次多項(xiàng)式模型效果最好，決定系數(shù)2為0.7976，為4.31，為5.91％。在VIplant指數(shù)NRI、NPCI、BRRI、DVI參與建立的多變量SPAD反演模型中，使用隨機(jī)森林方法的模型精度最高，決定系數(shù)2為0.8682，為3.92，為4.98%，而多元逐步回歸模型的精度高于任意單變量回歸模型，決定系數(shù)2為0.819，為4，為5.67%；對(duì)數(shù)碼影像結(jié)合各模型制作的SPAD分布圖進(jìn)行精度分析，使用隨機(jī)森林回歸模型對(duì)SPAD的估測(cè)值與實(shí)測(cè)值最為接近，具有最佳的預(yù)測(cè)效果，2為0.8247，為4.3，為5.36％，可以作為玉米冠層葉綠素信息監(jiān)測(cè)的主要方法?！窘Y(jié)論】本研究證明將數(shù)碼相機(jī)影像提取的可見光植被指數(shù)應(yīng)用于玉米葉綠素相對(duì)含量的估測(cè)是可行的，這也為無人機(jī)遙感系統(tǒng)在農(nóng)業(yè)方面的應(yīng)用增添了新的手段和經(jīng)驗(yàn)。

無人機(jī)；數(shù)碼相機(jī)；SPAD值；隨機(jī)森林回歸算法

0 引言

【研究意義】葉綠素是植物光合作用中最重要的色素，其含量高低反映了作物光合能力的強(qiáng)弱和營(yíng)養(yǎng)生理狀況的好壞，是評(píng)價(jià)農(nóng)作物長(zhǎng)勢(shì)的重要指標(biāo)[1-2]?！厩叭搜芯窟M(jìn)展】Marenco等[3]研究發(fā)現(xiàn)使用SPAD-502 測(cè)量葉綠素含量的精度很高，幾乎跟化學(xué)試驗(yàn)測(cè)得的葉綠素結(jié)果一樣，因此可以用SPAD值代替葉綠素的含量。該方法雖然能夠準(zhǔn)確地、無損地獲取作物葉片SPAD值，但SPAD葉綠素儀測(cè)定面積小，大面積測(cè)定需要大量時(shí)間[4]。近年來對(duì)地觀測(cè)技術(shù)快速發(fā)展，國(guó)內(nèi)外學(xué)者使用衛(wèi)星影像在不同尺度測(cè)定作物光譜從而對(duì)作物葉綠素含量以及葉綠素相對(duì)含量進(jìn)行反演和估算[5-6]，該方法具有覆蓋面積廣的優(yōu)勢(shì)，但衛(wèi)星數(shù)據(jù)存在重訪周期長(zhǎng)、易受云、雨影響等缺點(diǎn)，限制了其在農(nóng)業(yè)遙感中實(shí)時(shí)、連續(xù)監(jiān)測(cè)的應(yīng)用[7]。隨著數(shù)碼圖像采集設(shè)備和計(jì)算機(jī)圖像處理技術(shù)的發(fā)展，無人機(jī)以其機(jī)動(dòng)靈活、操作簡(jiǎn)便、按需獲取數(shù)據(jù)且空間分辨率高的優(yōu)勢(shì)，通過搭載高光譜、多光譜相機(jī)成為獲取作物葉綠素相對(duì)含量的重要手段[8-9]。Hunt[10]、Schlemmer[11]、房賢一[12]和張瀟元等[13]利用各種植被指數(shù)構(gòu)建了估測(cè)作物葉片葉綠素含量和葉氮含量的遙感模型。丁希斌等[2]利用高光譜成像技術(shù)，分別通過全譜、特征波長(zhǎng)、紅邊參數(shù)和植被指數(shù)4種方式，將光譜信息與SPAD值聯(lián)系起來，建立油菜葉片的SPAD預(yù)測(cè)模型。以上的方法都能實(shí)現(xiàn)SPAD值的估測(cè)，但所使用的大多數(shù)指數(shù)都包含可見光及近紅外波段，然而在國(guó)內(nèi)外無人機(jī)的實(shí)際應(yīng)用中，考慮到傳感器獲取的難易、后期數(shù)據(jù)處理的復(fù)雜度及成本等原因，對(duì)僅包含可見光波段的無人機(jī)影像獲取更為容易，應(yīng)用也更為廣泛。自然界中物體的顏色是由其在波長(zhǎng)400—700 nm的可見光光譜反射特性決定的，而正常生長(zhǎng)的作物葉片顏色由葉綠素的光譜特性決定，因此，可見光區(qū)域的反射光譜的特性可以用來估測(cè)葉片的葉綠素含量[14-15]。Jia等[16]指出綠光亮度值與小麥冠層氮素濃度和葉片SPAD值有顯著的負(fù)相關(guān)關(guān)系。Pagola等[17]利用圖像分析技術(shù)提取大麥葉片的色彩指數(shù)發(fā)現(xiàn)，其與葉綠素含量有顯著的相關(guān)性。王方永等[18]提出可見光通道的G-R參數(shù)能夠較好的預(yù)測(cè)棉花葉綠素含量。在構(gòu)建SPAD估測(cè)模型的過程中，有學(xué)者將計(jì)算機(jī)領(lǐng)域的機(jī)器學(xué)習(xí)算法應(yīng)用于作物SPAD值的遙感估算研究中[19-20]。其中，Karimi等[21]以玉米為研究對(duì)象，利用支持向量回歸算法，將從高光譜數(shù)據(jù)提取的指數(shù)與實(shí)測(cè)SAPD進(jìn)行擬合；Liu等[22]利用BP神經(jīng)網(wǎng)絡(luò)模型建立水稻SPAD值與光譜參數(shù)的關(guān)系；Kira等[23]基于高光譜波段計(jì)算植被指數(shù)，利用最小二乘法和神經(jīng)網(wǎng)絡(luò)算法建立模型估算了3種樹木的葉綠素；王麗愛等[24]使用隨機(jī)森林回歸算法構(gòu)建小麥葉片SPAD值的遙感估算模型?！颈狙芯壳腥朦c(diǎn)】近年來，數(shù)碼影像由于其成本低、獲取簡(jiǎn)單、性價(jià)比高等優(yōu)勢(shì)逐漸成為低空遙感的重要手段，機(jī)器學(xué)習(xí)中各種算法也被廣泛應(yīng)用于農(nóng)作物生理生化參數(shù)的估測(cè)，但利用隨機(jī)森林回歸算法構(gòu)建僅包含可見光波段的冠層葉綠素相對(duì)含量的研究尚不多見?！緮M解決的關(guān)鍵問題】本研究以玉米為目標(biāo)作物，綜合分析開花期玉米冠層可見光植被指數(shù)與冠層SPAD值的相關(guān)關(guān)系，采用單變量回歸模型、多元逐步回歸模型和隨機(jī)森林回歸算法構(gòu)建玉米冠層SPAD值的遙感估算模型。以期為數(shù)碼相機(jī)在農(nóng)作物SPAD估算中的應(yīng)用提供新的研究手段和新的經(jīng)驗(yàn)。

1 材料與方法

1.1 研究區(qū)概況

試驗(yàn)區(qū)地處河北省涿州市城西十公里處東城坊鎮(zhèn)（東經(jīng)115°50′56″，北緯39°27′49″）。該地區(qū)屬暖溫帶半濕潤(rùn)季風(fēng)區(qū)，大陸性季風(fēng)氣候特點(diǎn)顯著，溫差變化大，四季分明。土壤屬砂壤土，土壤pH 7.8，有機(jī)質(zhì)含量1%—1.9%。田間供試作物為春播玉米，播種日期為2017年4月20日。試驗(yàn)區(qū)設(shè)置不施氮（0%）、中氮（50%）和高氮（100%）3個(gè)不同的施氮（純氮）水平（即0、112.5和225 kg·hm-2，分別記為N0、N1、N2）。磷鉀肥用量100 kg·hm-2，分別在播種、6月8日、6月20日按4﹕2﹕4分3次施入，各區(qū)域用量相等。試驗(yàn)時(shí)在每個(gè)氮肥區(qū)域設(shè)置180個(gè)小區(qū)，共計(jì)540個(gè)。每個(gè)小區(qū)長(zhǎng)5 m，寬1.2 m，小區(qū)內(nèi)種植兩行作物，共計(jì)40株，行間距為60 cm，株間距25 cm。不同氮肥區(qū)域間設(shè)置10行過渡行，周圍設(shè)置保護(hù)行。試驗(yàn)小區(qū)的試驗(yàn)地塊、灌溉水平、種植密度及田間管理措施相同。試驗(yàn)區(qū)地理位置、小區(qū)及氮肥水平概況如圖1所示。

圖1 研究區(qū)地理位置及氮肥水平概況

1.2 無人機(jī)遙感數(shù)據(jù)獲取與處理

試驗(yàn)時(shí)間為7月8日，此時(shí)玉米處于開花期。試驗(yàn)以天鷹680型四旋翼無人機(jī)為遙感平臺(tái)，該無人機(jī)機(jī)身重量約3.6 kg，最大任務(wù)載荷2 kg，空載續(xù)航時(shí)間約為50 min。在無人機(jī)上搭載 SONY DSC-QX1數(shù)碼相機(jī)，其有效像素為2 010萬，尺寸23.2 mm×15.4 mm，鏡頭焦距16 mm。無人機(jī)遙感數(shù)據(jù)獲取選擇太陽(yáng)光輻射強(qiáng)度穩(wěn)定、天氣晴朗無云時(shí)開展，采集時(shí)間為12：00—12：30，以降低太陽(yáng)高度角造成的陰影對(duì)影像質(zhì)量的影響。無人機(jī)飛行高度為40 m，航向重疊度設(shè)計(jì)為80%，旁向重疊度設(shè)計(jì)為75%，在設(shè)定航高下影像空間分辨率為1.06 cm。數(shù)據(jù)采集時(shí)，無人機(jī)按照設(shè)定好的航線和參數(shù)自動(dòng)巡航并記錄數(shù)據(jù)。

借助Agisoft PhotoScan軟件進(jìn)行無人機(jī)高清數(shù)碼影像的處理工作。將高清數(shù)碼相片及影像拍攝時(shí)刻的POS信息（無人機(jī)飛行經(jīng)緯度、高度、翻轉(zhuǎn)、俯仰及旋轉(zhuǎn)角度）進(jìn)行匹配；基于動(dòng)態(tài)結(jié)構(gòu)算法檢測(cè)相片特征點(diǎn)，建立匹配特征點(diǎn)對(duì)，進(jìn)而排列相片；通過密集多視角立體匹配算法生成三維密集點(diǎn)云，為提高精度，利用差分GPS測(cè)量的地面控制點(diǎn)信息（圖1）進(jìn)行幾何校正，最終生成試驗(yàn)區(qū)玉米冠層的正射影像。

1.3 冠層SPAD值測(cè)定

在無人機(jī)獲取遙感數(shù)據(jù)的當(dāng)天（7月8日），采用SPAD-502plus型手持式葉綠素儀測(cè)定試驗(yàn)區(qū)玉米葉片SPAD值。測(cè)量時(shí)，在每個(gè)小區(qū)隨機(jī)選取完全展開的20片葉子，使用SPAD-502plus型葉綠素儀，在每片葉子的不同部位測(cè)定其SPAD，每片葉子測(cè)量5次，將其平均值作為該葉片的SPAD值，最后取20張葉片的SPAD值的平均值作為該小區(qū)的SPAD值[25-26]。對(duì)獲取的540個(gè)小區(qū)玉米冠層SPAD實(shí)測(cè)值進(jìn)行隨機(jī)抽樣，其中28%（n=152）作為建模樣本（modeling set），構(gòu)建SPAD預(yù)測(cè)模型；12%（n=68）作為驗(yàn)證樣本（validation set）對(duì)構(gòu)建的模型進(jìn)行驗(yàn)證；60%（n=320）作為測(cè)試樣本（test set），對(duì)填圖后模型的估測(cè)精度進(jìn)行檢驗(yàn)。

1.4 研究方法

1.4.1 圖像分割及計(jì)算冠層覆蓋度 RGB數(shù)碼相機(jī)由于成本低、分辨率高、性價(jià)比高等優(yōu)點(diǎn)，在低空遙感平臺(tái)中得到廣泛應(yīng)用。數(shù)碼相機(jī)所采集的數(shù)字圖像的RGB的像元值不同于對(duì)應(yīng)波段的反射率，但其本質(zhì)上是對(duì)紅、綠、藍(lán)3個(gè)波段反射光強(qiáng)的量化表達(dá)[27]。王方永等[18]研究證實(shí)RGB 灰度值同樣反映了植被冠層葉片對(duì)光的反射特性。冠層覆蓋度（canopy cover，CC）是植被像素與小區(qū)總像素?cái)?shù)的比值，本文利用土壤調(diào)整植被指數(shù)（soil adjusted vegetation index，SAVIgreen）計(jì)算CC[28]。SAVIgreen指數(shù)將玉米冠層分割為植被像元和非植被像元兩個(gè)部分，計(jì)算方式如下：

式中，G、R表示圖像綠色和紅色波段的DN值，L代表土壤調(diào)節(jié)系數(shù)，取值范圍為0到1，這里L(fēng)取值為0.5。影像中SAVIgreen指數(shù)大于零的部分即是玉米冠層像元，其他部分是非植被像元。

1.4.2植被指數(shù)計(jì)算 將處理好的RGB影像導(dǎo)入到ENVI 5.1軟件中進(jìn)行解譯，識(shí)別出玉米小區(qū)。按照小區(qū)大小構(gòu)建感興趣區(qū)域（region of interest，ROI），統(tǒng)計(jì)ROI內(nèi)的小區(qū)的所有像元的DN值，取其平均值作為該小區(qū)的像元值。在此基礎(chǔ)上計(jì)算兩類15種常見的植被指數(shù)，包括玉米冠層植被指數(shù)（將背景分割后的只包含玉米像元計(jì)算的指數(shù)，記為VIplant）和小區(qū)植被指數(shù)（未分割的小區(qū)里所有像元計(jì)算的指數(shù)，記為VIplot），參數(shù)及公式出處如表1所示。

表1 文中所使用的參數(shù)及公式

R、G、B為紅、綠、藍(lán)通道的像元值R, G, B are pixel values in red channel, green channel and blue channel respectively

1.4.3數(shù)據(jù)分析方法 本研究利用單變量回歸、多元逐步回歸和隨機(jī)森林回歸算法構(gòu)建玉米冠層SPAD值估算模型。其中在單變量模型中，首先通過對(duì)VIplant和VIplot指數(shù)與SPAD的相關(guān)性分析，選擇相關(guān)性較大的指數(shù)作為自變量，采用指數(shù)、線性、對(duì)數(shù)、二階多項(xiàng)式和冪函數(shù)構(gòu)建單變量回歸模型。隨機(jī)森林回歸是基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)算法，它利用自助法重抽樣技術(shù)，通過有放回抽樣以及不同樹演化過程中隨機(jī)改變預(yù)測(cè)變量組合來增加分類樹的多樣性。每一個(gè)分類樹可以通過原始數(shù)據(jù)集（X）中的一個(gè)自助法取樣子集（Xi）進(jìn)行生長(zhǎng)，并且利用隨機(jī)選擇的m個(gè)預(yù)測(cè)變量中的最佳預(yù)測(cè)變量進(jìn)行節(jié)點(diǎn)分割。本研究通過調(diào)用R語(yǔ)言Random Forests 程序包來建立隨機(jī)森林模型，分類數(shù)的數(shù)量（K）和分割節(jié)點(diǎn)的隨機(jī)變量的數(shù)量（m）是隨機(jī)森林模型中兩個(gè)非常有意義的參數(shù)，通過試驗(yàn)不同的回歸樹數(shù)量，根據(jù)模型的決定系數(shù)和均方根誤差來確定K；m不賦值，使用系統(tǒng)默認(rèn)的輸入變量數(shù)的1/3，當(dāng)變量小于3時(shí)取1。經(jīng)過反復(fù)試驗(yàn)，最后確定本研究中分類樹的數(shù)量為1000。

1.4.4 精度評(píng)價(jià)指標(biāo) 為驗(yàn)證模型的預(yù)測(cè)精度，將模型預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行回歸擬合，選取決定系數(shù)（coefficient of determination，2）、均方根誤差（root mean square error，）和平均相對(duì)誤差（mean relative error，）進(jìn)行模型分析檢驗(yàn)，計(jì)算公式如表2所示。其中決定系數(shù)表示預(yù)測(cè)值與實(shí)測(cè)值的擬合程度,其值越趨近于1,擬合曲線參考價(jià)值越高；均方根誤差主要用于模型驗(yàn)證，反映了預(yù)測(cè)值與實(shí)測(cè)值的偏離度，其值越小，模型精度越高。

表2 3類模型評(píng)價(jià)指標(biāo)

2 結(jié)果

2.1 VIplant和VIplot指數(shù)與玉米SPAD值相關(guān)性分析

將各小區(qū)測(cè)量的玉米冠層SPAD值與VIplant和VIplot指數(shù)分別進(jìn)行相關(guān)性分析，結(jié)果如表3所示?？梢钥闯觯琕Iplot指數(shù)與SPAD之間都存在顯著或極其顯著關(guān)系，其中NGI、VDVI、RGBVI與SPAD值存在顯著關(guān)系（＜0.05），其他指數(shù)與SPAD值都存在極顯著關(guān)系（＜0.01），NRI、DVI、NPCI與SPAD值的相關(guān)性絕對(duì)值均大于0.77，而BRRI、NBI、NGBDI、BGRI、NGRDI指數(shù)與SPAD值相關(guān)性絕對(duì)值均高于0.7，相關(guān)性依次遞減；VIplant指數(shù)中除NGI、VDVI指數(shù)與SPAD值顯著相關(guān)外，其他指數(shù)皆呈極顯著關(guān)系，在相關(guān)性絕對(duì)值大于0.7的指數(shù)中，相關(guān)性從大到小依次為DVI、NRI、NPCI、BRRI、NBI、NGBDI、BGRI、RGRI、EXG、GRRI，其中，DVI、NRI、NPCI、BRRI與SPAD值的相關(guān)性絕對(duì)值均大于0.77。綜合來看，在VIplot和VIplant指數(shù)中，BGRI、CIVE、GRRI、NBI、NGRDI、BRRI與SPAD值呈正相關(guān)關(guān)系，其他指數(shù)與SPAD值呈負(fù)相關(guān)關(guān)系。除NGRDI指數(shù)外，VIplant的其他指數(shù)與玉米冠層SPAD值的相關(guān)性皆高于VIplot指數(shù)。

表3 VIplot和VIplant指數(shù)與玉米冠層SPAD相關(guān)性分析

**和*分別表示0.01和0.05水平上顯著相關(guān)

**and* indicate significant correlation at 0. 01 and 0. 05 levels, respectively

選擇與SPAD值相關(guān)性皆高于0.76的VIplot和VIplant指數(shù)，分別統(tǒng)計(jì)其在不同的氮肥水平下各指數(shù)和CC的平均值，如表4所示。結(jié)果表明，隨著施氮量的增加，植被CC呈增加趨勢(shì)；在N0區(qū)域，植被VIplot為0.65時(shí)有大量的地表裸露出來，VIplot指數(shù)很大程度上受到背景土壤的影響，與VIplant間的差異較大；而在施氮水平N1和N2區(qū)域，CC增大，無植被覆蓋區(qū)域面積減少，VIplot與VIplant間的差異明顯減小。因此，為降低裸露的土壤對(duì)模型精度的影響，在下文的研究中我們選用VIplant指數(shù)作為自變量，參與SPAD估測(cè)模型的構(gòu)建。

表4 不同氮肥區(qū)域植被指數(shù)和冠層覆蓋度的平均值

2.2 基于VIplant參數(shù)的SPAD值估算

玉米冠層SPAD值與可見光植被指數(shù)間有顯著的相關(guān)性，利用這些指數(shù)來對(duì)SPAD值進(jìn)行估算具有較高的可行性。將與SPAD值相關(guān)性在0.77以上的NRI、BRRI、NPCI、DVI指數(shù)作為自變量，分別使用線性、對(duì)數(shù)、指數(shù)、二次多項(xiàng)式、冪函數(shù)5種模型與實(shí)測(cè)的SPAD值進(jìn)行擬合構(gòu)建單變量回歸模型，見表5?？梢园l(fā)現(xiàn)，不同波段組合的光譜指數(shù)與SPAD值的擬合能力有差異，但各個(gè)模型方程均達(dá)到極顯著水平（＜0.01），說明參與建立回歸模型的各指數(shù)均包含可估測(cè)的SPAD信息。對(duì)于NRI指數(shù)，從建模樣本來看，決定系數(shù)在0.7783和0.7894間，效果最好的是二階多項(xiàng)式，2為0.7894；對(duì)于BRRI指數(shù)，決定系數(shù)在0.7819和0.7889間，模型間的擬合精度差距較小，建模效果較好的是冪函數(shù)、二階多項(xiàng)式和對(duì)數(shù)模型，2分別為0.7889、0.7863和0.7852，但冪函數(shù)的最大，對(duì)數(shù)次之，二階多項(xiàng)式最小；NPCI指數(shù)建模效果最好的模型是線性，2為0.7876，為4.58；DVI指數(shù)決定系數(shù)在0.7673和0.7949間，模型間的擬合精度差距較大，效果最好的為線性和二階多項(xiàng)式，2分別為0.7866和0.7871，但多項(xiàng)式的較小。

將驗(yàn)證集樣本的SPAD實(shí)測(cè)值和各模型估測(cè)值進(jìn)行擬合分析，結(jié)果如表5所示。基于NRI指數(shù)建立的模型中，二階多項(xiàng)式模型的檢驗(yàn)精度最優(yōu)，其2最大，最小，平均相對(duì)誤差最小，其次為線性模型，綜合考慮建模精度，二階多項(xiàng)式模型為NRI指數(shù)最佳模型；在BRRI模型中，對(duì)數(shù)模型的估測(cè)精度最佳，2最大、、均最小，綜合建模結(jié)果可知對(duì)數(shù)模型為BRRI指數(shù)最佳估算模型；NPCI模型中，線性模型建模2最大、最小、相對(duì)較小，綜合建模精度，選擇線性模型為NPCI指數(shù)最佳估算模型；同樣，對(duì)于DVI指數(shù)，無論是建模還是驗(yàn)證時(shí)皆是二階多項(xiàng)式模型效果最佳。綜合建模和驗(yàn)證精度，由NRI指數(shù)建立的二階多項(xiàng)式模型效果最好。

2.3 基于隨機(jī)森林回歸模型的SPAD估算

基于機(jī)器學(xué)習(xí)的隨機(jī)森林模型在光譜分析中應(yīng)用較為廣泛。本文將與玉米冠層SPAD值相關(guān)性在0.77以上的VIplant的NRI、BRRI、NPCI、DVI作為自變量，分別建立單變量回歸模型（對(duì)每個(gè)指數(shù)選取最佳的反演模型，分別記為SPAD-NRI、SPAD-BRRI、SPAD-NPCI、SPAD-DVI）、多元回歸模型（記為SPAD- MSR）和隨機(jī)森林回歸模型（SPAD-RFR）。6種模型的建模和驗(yàn)證結(jié)果如表6、圖2和圖3所示，結(jié)果表明，隨機(jī)森林回歸模型的建模精度和驗(yàn)證精度最高，建模決定系數(shù)2為0.8794，為3.43，為5.23%，驗(yàn)證集決定系數(shù)2為0.8682，為3.92，為4.98%；以4種指數(shù)聯(lián)合建立的多元逐步回歸模型SPAD-MSR其精度略低于隨機(jī)森林模型而高于單變量回歸模型，2為0.819，為4，為5.67%。

應(yīng)用6種模型對(duì)試驗(yàn)區(qū)可見光影像進(jìn)行SPAD反演估測(cè)，得到試驗(yàn)區(qū)玉米冠層SPAD值的分布情況，為了對(duì)估算結(jié)果的精度進(jìn)行檢驗(yàn)，利用測(cè)試集320個(gè)小區(qū)的SPAD實(shí)測(cè)值與估算值進(jìn)行分析（表6），可以看出，6個(gè)模型的檢驗(yàn)中，SPAD-RFR模型的估測(cè)精度高于多個(gè)指數(shù)構(gòu)建的多元逐步回歸模型和單變量回歸模型，2為0.8247，為4.3，為5.36%。圖4是將估測(cè)效果最佳的隨機(jī)森林回歸模型應(yīng)用于無人機(jī)數(shù)碼影像，得到試驗(yàn)區(qū)玉米冠層SPAD值的分布情況。

表5 玉米冠層SPAD值單變量反演模型

表6 不同估算模型的建模、驗(yàn)證與測(cè)試結(jié)果

3 討論

葉綠素是作物吸收光能的主要物質(zhì)，直接影響了作物的光合作用，SPAD值反映了葉片中葉綠素的總含量，表征作物葉片、冠層的養(yǎng)分和長(zhǎng)勢(shì)情況。研究發(fā)現(xiàn)利用土壤調(diào)整植被指數(shù)分割植被和非植被像元后，計(jì)算的VIplant和VIplot植被指數(shù)與玉米冠層SPAD值的相關(guān)性有較大差異。這是因?yàn)樵诘椭脖桓采w時(shí)，植被葉片稀疏，VIplot易受到土壤像元的影響，而在植被覆蓋度較大時(shí)，葉片密集，裸露的土壤較少，因此利用分割后的VIplant指數(shù)能夠很大程度上降低土壤像元和陰影的影響，使VIplant指數(shù)與SPAD值的相關(guān)性大部分高于VIplot指數(shù)，其中NRI、BRRI、NPCI、DVI等指數(shù)與SPAD值相關(guān)性皆在0.77以上。

圖2 建模樣本玉米冠層SPAD 估測(cè)值與實(shí)測(cè)值擬合結(jié)果

研究發(fā)現(xiàn)單變量回歸模型間的預(yù)測(cè)精度有細(xì)微差異，以NRI指數(shù)效果最好，這可能是因?yàn)橛衩坠趯尤~綠素相對(duì)含量的差異體現(xiàn)在可見光的各個(gè)波段上，該指數(shù)綜合利用了紅綠藍(lán)3個(gè)波段的信息，一定程度上排除了背景土壤的影響，而其他指數(shù)所利用的波段信息有限。除光譜指數(shù)外，不同建模方法對(duì)估測(cè)精度也有較大影響，基于多個(gè)植被指數(shù)的多元回歸模型（SPAD-MSR）預(yù)測(cè)精度高于單變量回歸模型，這可能是因?yàn)镾PAD-MSR模型利用了相關(guān)性高的NRI、BRRI、NPCI、DVI 4種指數(shù)，不僅在波段利用方面涵蓋了可見光所有波段，而且波段間的不同方式的組合運(yùn)算使得模型更大程度上利用了各個(gè)指數(shù)的波段信息，因此具有更好地估測(cè)效果。但是從圖3中可以看出，它們?cè)跓o氮區(qū)域（N0）出現(xiàn)低估，而在施氮區(qū)域（N1、N2）出現(xiàn)了高估現(xiàn)象，這可能是因?yàn)椴煌蕝^(qū)域玉米長(zhǎng)勢(shì)不同。研究中雖然使用了分割后的植被像元計(jì)算的植被指數(shù)構(gòu)建SPAD估測(cè)模型，但是在無人機(jī)獲取數(shù)據(jù)的過程中，無氮區(qū)域冠層覆蓋度低，冠層反射率依然會(huì)受到背景土壤的影響，而施氮區(qū)域冠層覆蓋度高，植被遮陰嚴(yán)重，從而影響了估測(cè)精度。不施氮區(qū)域和施氮區(qū)域的玉米冠層SPAD值和植被指數(shù)之間存在較大的差異，而在施有氮肥的N1和N2區(qū)域，雖然施氮量之間有較大差異，但所測(cè)得冠層SPAD值和各植被指數(shù)之間的差異卻不大。而采用隨機(jī)森林算法的SPAD-RFR模型則很好的緩解了這一現(xiàn)象，它具有很好的抗噪能力也不容易陷入過度擬合，通過對(duì)大量分類樹的匯總提高了模型的預(yù)測(cè)精度。

圖3 驗(yàn)證樣本玉米冠層SPAD 估測(cè)值與實(shí)測(cè)值擬合結(jié)果

另外，本研究還有一些不足之處。由于本研究重點(diǎn)在于分析利用無人機(jī)數(shù)碼影像提取的光譜指數(shù)在估測(cè)玉米冠層SPAD的可行性，所以在SPAD值的反演過程中，只討論了開花期玉米的模型構(gòu)建，未對(duì)其他關(guān)鍵生育期進(jìn)行研究，因此本文所構(gòu)建的模型對(duì)于其他生育階段的普適性有待進(jìn)一步驗(yàn)證。再者，在算法的選擇上，本研究?jī)H利用RF算法，并未考慮SPAD遙感估算中常采用的其他算法，如偏最小二乘、支持向量機(jī)回歸和神經(jīng)網(wǎng)絡(luò)等算法。因此，利用不同算法在玉米關(guān)鍵生育期的SPAD反演研究是后續(xù)研究的重點(diǎn)。

圖4 試驗(yàn)區(qū)玉米冠層SPAD值分布情況

4 結(jié)論

本文利用數(shù)碼相機(jī)對(duì)玉米進(jìn)行了SPAD反演的研究，結(jié)果表明利用多旋翼無人機(jī)平臺(tái)搭載數(shù)碼相機(jī)在精確反演農(nóng)作物葉綠素相對(duì)含量方面是可行的，其獲取的高空間分辨率RGB影像能夠?yàn)榫珳?zhǔn)農(nóng)業(yè)提供必要的數(shù)據(jù)支持。

（1）利用土壤調(diào)整植被指數(shù)分割植被和非植被像元后，計(jì)算的小區(qū)范圍的植被指數(shù)（VIplot）和只包含作物冠層的植被指數(shù)（VIplant）與玉米冠層SPAD值之間有良好的相關(guān)性，VIplant指數(shù)的相關(guān)性大部分高于VIplot指數(shù)，其中BRRI、NRI、NPCI、DVI等指數(shù)與SPAD相關(guān)性在0.77以上。

（2）分別以玉米冠層像元計(jì)算的BRRI、NRI、NPCI、DVI指數(shù)為自變量建立的單變量回歸模型有較高的精度，2在0.7661—0.799，在4.2—4.71，其中以NRI指數(shù)構(gòu)建的二次多項(xiàng)式模型效果最好，驗(yàn)證決定系數(shù)2為0.7976，為4.31。利用相關(guān)系數(shù)大于0.77的指數(shù)構(gòu)建的多元逐步回歸模型（SPAD-MSR）和隨機(jī)森林回歸模型（SPAD-RFR）皆有很高的估測(cè)精度，其中SPAD-RFR模型預(yù)測(cè)效果最好，決定系數(shù)2為0.8682，為3.92，為4.98%。

（3）應(yīng)用6種模型對(duì)試驗(yàn)區(qū)可見光影像進(jìn)行SPAD反演估測(cè)，SPAD-RFR模型對(duì)SPAD的估測(cè)值與實(shí)測(cè)值最為接近，具有較高的反演精度，2為0.8247，為4.3，為5.36％，可以作為玉米冠層葉綠素信息監(jiān)測(cè)的主要方法。

[1] VEROUSTRAETE F, PATYN J, MYNENI R B. Estimating net ecosystem exchange of carbon using the normalized difference vegetation index and an ecosystem model.,1996, 58(1): 115-130.

[2] 丁希斌, 劉飛, 張初, 何勇. 基于高光譜成像技術(shù)的油菜葉片SPAD值檢測(cè). 光譜學(xué)與光譜分析, 2015, 35(2): 486-491.

DING X B, LIU F, ZHANG C, HE Y. Prediction of SPAD value in oilseed rape leaves using hyperspectral imaging technique., 2015, 35(2): 486-491. (in Chinese)

[3] MARENCO R A, ANTEZANAVERA S A, NASCIMENTO H C S. Relationship between specific leaf area, leaf thickness, leaf water content and SPAD-502 readings in six Amazonian tree species., 2009, 47(2): 184-190.

[4] PAGOLA M, ORTIZ R, IRIGOYEN I, BUSTINCE H, BARRENECHEA E, APARICIOTEJO P, LAMSFUS C, LASA B. New method to assess barley nitrogen nutrition status based on image colour analysis: comparison with SPAD-502., 2009, 65(2): 213-218.

[5] 李粉玲, 王力, 劉京, 常慶瑞. 基于高分一號(hào)衛(wèi)星數(shù)據(jù)的冬小麥葉片SPAD值遙感估算. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(9): 273-281.

LI F L, WANG L, LIU J, CHANG Q R. Remote sensing estimation of SPAD value for wheat leaf based on GF-1 data., 2015, 46(9): 273-281. (in Chines)

[6] 夏天, 周清波, 陳仲新, 周勇, 于雷. 基于HJ-1衛(wèi)星的冬小麥葉片SPAD遙感監(jiān)測(cè)研究. 中國(guó)農(nóng)業(yè)資源與區(qū)劃, 2012, 33(6): 38-44.

XIA T, ZHOU Q B, CHEN Z X, ZHOU Y, YU L. Monitoring winter wheat SPAD based on HJ-1ccd., 2012, 33(6): 38-44. (in Chinese)

[7] ZHANG C, KOVACS J M. The application of small unmanned aerial systems for precision agriculture: a review., 2012, 13(6): 693-712.

[8] PRIMICERIO J, GENNARO S F D, FIORILLO E, GENESIO L, LUGATO E, MATESE A, VACCARI F P. A flexible unmanned aerial vehicle for precision agriculture., 2012, 13(4): 517-523.

[9] CILIA C, PANIGADA C, ROSSINI M, MERONI M, BUSETTO L, AMADUCCI S, BOSCHETTI M, PICCHI V, COLOMBO R. Nitrogen status assessment for variable rate fertilization in maize through hyperspectral imagery., 2014, 6(7): 6549-6565.

[10] HUNT E R, DORAISWAMY P C, JAMES E M, CRAIG S T, PERRY E M, AKHMEDOV B. A visible band index for remote sensing leaf chlorophyll content at the canopy scale., 2013, 21(1): 103-112.

[11] SCHLEMMER M, GITELSON A, SCHEPERS J, FERGUSON R, PENG Y, SHANAHAN J, RUNDQUIST D. Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels., 2013, 25(1): 47-54.

[12] 房賢一, 朱西存, 王凌, 趙庚星. 基于高光譜的蘋果盛果期冠層葉綠素含量監(jiān)測(cè)研究. 中國(guó)農(nóng)業(yè)科學(xué), 2013, 46(16): 3504-3513.

FANG X Y, ZHU X C, WANG L, ZHAO G X. Hyperspectral monitoring of the canopy chlorophyll content at apple tree prosperous fruit stage ., 2013, 46(16): 3504-3513. (in Chinese)

[13] 張瀟元, 張立福, 張霞, 王樹東, 田靜國(guó), 翟涌光. 不同光譜植被指數(shù)反演冬小麥葉氮含量的敏感性研究. 中國(guó)農(nóng)業(yè)科學(xué), 2017, 50(3): 474-485.

ZHANG X Y, ZHANG L F, ZHANG X, WANG S D, TIAN J G, ZHAI Y G. Sensitivity of different spectral vegetation index for estimating winter wheat leaf nitrogen.2017, 50(3): 474-485. (in Chinese)

[14] THOMAS J R, GAUSMAN H W. Leaf reflectance vs. Leaf chlorophyll and carotenoid concentrations for eight crops., 1977, 69(5): 799-802.

[15] MADEIRA A C, FERREIRA A, VARENNES A, VIEIRA M I. SPAD meter versus tristimulus colorimeter to estimate chlorophyll content and leaf color in sweet pepper., 2003, 34(17/18): 2461-2470.

[16] JIA L L, CHEN X P, ZHANG F, BUERKERT A, ROMHELD V. Use of digital camera to assess nitrogen status of winter wheat in the northern China plain., 2004, 27(3): 441-450.

[17] PAGOLA M, IRIGOYEN I, BUSTINCE H, BARRENECHEA E, APARICIO-TEJO P, LAMSFUS C, LASA B. New method to assess barley nitrogen nutrition status based on image colour analysis., 2009, 65(2): 213-218.

[18] 王方永, 王克如, 李少昆, 高世菊, 肖春華, 陳兵, 陳江魯, 呂銀亮, 刁萬英. 應(yīng)用兩種近地可見光成像傳感器估測(cè)棉花冠層葉片氮素狀況. 作物學(xué)報(bào), 2011, 37(6): 1039-1048.

WANG F Y, WANG K R, LI S K, GAO S J, XIAO C H, CHEN B, CHEN J L, Lü Y L, DIAO W Y. Estimation of canopy leaf nitrogen status using imaging spectrometer and digital camera in cotton., 2011, 37(6): 1039-1048. (in Chinese)

[19] YUE J, YANG G, LI C, LI Z, WANG Y, FENG H, XU B. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models., 2017, 9(7): 708-727.

[20] ATZBERGER C. Object-based retrieval of biophysical canopy variables using artificial neural nets and radiative transfer models., 2004, 93(1/2): 53-67.

[21] KARIMI Y, PRASHER S O, MADANI A, KIM S. Application of support vector machine technology for the estimation of crop biophysical parameters using aerial hyperspectral observations., 2008, 50: 7-13.

[22] LIU M L, LIU X N, LI M, FANG M H, CHI W X. Neural-network model for estimating leaf chlorophyll concentration in rice under stress from heavy metals using four spectral indices., 2010, 106(3): 223-233.

[23] KIRA O, LINKER R, GITELSON A. Non-destructive estimation of foliar chlorophyll and carotenoid contents: Focus on informative spectral bands., 2015, 38: 251-260.

[24] 王麗愛, 馬昌, 周旭東, 訾妍, 朱新開, 郭文善. 基于隨機(jī)森林回歸算法的小麥葉片SPAD值遙感估算. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(1): 259-265.

WANG L A, MA C, ZHOU X D, ZI Y, ZHU X K, GUO W S. Estimation of wheat leaf SPAD value using RF algorithmic model and remote sensing data., 2015, 46(1): 259-265. (in Chinese)

[25] 宋曉宇, 王紀(jì)華, 楊貴軍, 崔貝, 常紅. 基于葉片及冠層葉綠素參數(shù)的冬小麥籽粒蛋白質(zhì)含量預(yù)測(cè)研究. 光譜學(xué)與光譜分析, 2014, 34(7): 1917-1921.

SONG X Y, WANG J H, YANG G J, CUI B, CHANG H. Winter wheat GPC estimation based on leaf and canopy chlorophyll parameters., 2014, 34(7): 1917-1921. (in Chinese)

[26] 田永超, 朱艷, 曹衛(wèi)星, 范雪梅, 劉小軍. 利用冠層反射光譜和葉片SPAD值預(yù)測(cè)小麥籽粒蛋白質(zhì)和淀粉的積累. 中國(guó)農(nóng)業(yè)科學(xué), 2004, 37(6): 808-813.

TIAN Y C, ZHU Y, CAO W X, FAN X M, LIU X J. Monitoring protein and starch accumulation in wheat grains with leaf SPAD and canopy spectral reflectance., 2004, 37(6): 808-813. (in Chinese)

[27] HONG G W, LUO M R, RHODES P A. A study of digital camera colorimetric characterization based on polynomial modeling., 2001, 26(1): 76-84.

[28] LI Y, CHEN D, WALKER C N, ANGUS J F. Estimating the nitrogen status of crops using a digital camera., 2010, 118(3): 221-227.

[29] KAWASHIMA S, NAKATANI M. An algorithm for estimating chlorophyll content in leaves using a video camera., 1998, 81(1): 49-54.

[30] GAMON J A, SURFUS J S. Assessing leaf pigment content and activity with a reflectometer., 1999, 143(1): 105-117.

[31] VERRELST J, SCHAEPMAN M E, KOETZ B, KNEUBUEHLER M. Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data., 2008, 112(5): 2341-2353.

[32] SELLARO R, CREPY M, TRUPKIN S A, KARAYEKOV E, SABRINA B A, ROSSI C, CASAL J J. Cryptochrome as a sensor of the blue/green ratio of natural radiation in arabidopsis., 2010, 154(1): 401-409.

[33] 魏全全, 李嵐?jié)? 任濤, 王振, 王少華, 李小坤, 叢日環(huán), 魯劍巍. 基于數(shù)字圖像技術(shù)的冬油菜氮素營(yíng)養(yǎng)診斷. 中國(guó)農(nóng)業(yè)科學(xué), 2015, 48(19): 3877-3886.

WEI Q Q, LI L T, REN T, WANG Z, WANG S H, LI X K, CONG R H, LU J W. Diagnosing nitrogen nutrition status of winter rapeseeddigital image processing technique.,2015, 48(19): 3877-3886. (in Chinese)

[34] 汪小欽, 王苗苗, 王紹強(qiáng), 吳云東. 基于可見光波段無人機(jī)遙感的植被信息提取. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(5): 152-159.

WANG X Q, WANG M M, WANG S Q, WU Y D. Extraction of vegetation information from visible unmanned aerial vehicle images., 2015, 31(5): 152-159. (in Chinese)

[35] 井然, 鄧?yán)? 趙文吉, 宮兆寧. 基于可見光植被指數(shù)的面向?qū)ο鬂竦厮脖惶崛》椒? 應(yīng)用生態(tài)學(xué)報(bào), 2016, 27(5): 1427-1436.

JING R, DENG L, ZHAO W J, GONG Z N.Object-oriented aquatic vegetation extracting approach based on visible vegetation indices., 2016, 27(5): 1427-1436. (in Chinese)

[36] PENUELAS J, GAMON J A, FREDEEN A L, MERINO J, FIELD C B. Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves., 1994, 48(2): 135-146.

[37] HUNT E R, CAVIGELLI M, CST D, MCMURTREY J I, WALTHALL C L. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status., 2005, 6(4): 359-378.

[38] GITELSON A A, KAUFMAN Y J, STARK R, RUNDQUIST D. Novel algorithms for remote estimation of vegetation fraction., 2002, 80(1): 76-87.

[39] BENDIG J, YU K, AASEN H, BOLTEN A, BENNERTZ S, BROSCHEIT J, GNYP MARTIN L, BARETH G. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley., 2015, 39: 79-87.

[40] VOL N. Color indices for weed identification under various soil, residue, and lighting conditions., 1995, 38(1): 259-269.

[41] 王方永, 王克如, 李少昆, 陳兵, 陳江魯. 利用數(shù)碼相機(jī)和成像光譜儀估測(cè)棉花葉片葉綠素和氮素含量. 作物學(xué)報(bào), 2010, 36(11): 1981-1989.

WANG F Y, WANG K R, LI S K, CHEN B, CHEN J L. Estimation of chlorophyll and nitrogen contents in cotton leaves using digital camera and imaging spectrometer., 2010, 36(11): 1981-1989. (in Chinese)

（責(zé)任編輯 楊鑫浩）

Remote Sensing Estimation of Canopy SPAD Value for Maize Based on Digital Camera

He Ying, Deng Lei, Mao Zhihui, Sun Jie

(College of Resource Environment and Tourism, Capital Normal University, Beijing 100048)

【Objective】Chlorophyll is an important pigment in plant photosynthesis. The objective of this study is to investigate the inversion of chlorophyll content using crop spectrum information, so as to provide an important basis for real-time monitoring and diagnosis of crop growth.【Method】Based on the field environment under different nitrogen fertilizer application levels (0, 50% and 100%) of maize, the light and small UAV equipped with consumer level digital camera was used to obtain the RGB image of the test area, and then the soil adjusted vegetation index was used for image segmentation. 15 common visible vegetation indexes were extracted based on images before and after segmentation. Then the correlation between vegetation index and SPAD values were analyzed, besides single variable regression model, multiple regression model and random forest regression model based on visible vegetation indexes were established to estimate the SPAD values. And then, the indicators of accuracy evaluation, coefficient of determination, root mean square error, mean relative error and<0.01 were used to select the best indicators and the optimal model.【Result】There was a significant correlation between VIplotand VIplantvegetation indexes and the SPAD value of maize canopy, for example, the correlation coefficient between normalized redness intensity (NRI), normalized pigment chlorophyll ratio index (NPCI), blue red ratio index (BRRI) and SPAD value of VIplantwas above 0.77. The univariate regression models were built, which took NRI,NPCI, BRRI and DVI as the independent variables and the measured SPAD as dependent variable, including linear, exponential, logarithmic, two degree polynomial and power function models, and among those models, the two polynomial model constructed by the NRI index was the best one with the decision coefficient2of 0.7976, theof 4.31, and theof 5.91%; the precision of the model using the random forest regression algorithm was the highest, in which the determining coefficient was 0.8682, thewas 3.92, and thewas 4.98%; the multiple regression model had higher accuracy than any single variable regression model, in which the decision coefficientRwas 0.819,was 4, andwas 5.67%. The six inversion models of SPAD were used to make the distribution map of corn canopy SPAD value, and then the map using random forest regression model had the best result which was the closest to real SPAD distribution withRof 0.8247，of 4.3，of 5.36％, therefore which could be used as a main method of corn canopy chlorophyll monitoring information.【Conclusion】The results showed that the application of UAV digital imagery in retrieving SPAD of corn was feasible, which also added new means and experience to the application of UAV remote sensing system in agriculture.

unmanned aerial vehicle; digital camera; SPAD value; random forest regression algorithm

2018-01-24；

2018-05-24

科技創(chuàng)新服務(wù)能力建設(shè)-基本科研業(yè)務(wù)費(fèi)（科研類）025185305000/163

賀英，E-mail：121082830@qq.com。通信作者鄧?yán)冢珽-mail：edenglei@139.com

10.3864/j.issn.0578-1752.2018.15.005