基于無人機(jī)高光譜影像玉米葉綠素含量估算

常瀟月，常慶瑞，王曉凡，儲(chǔ) 棟，郭潤修

(西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院，陜西 楊凌 712100)

我國是世界第二大玉米生產(chǎn)國，種植范圍廣，產(chǎn)量高。同時(shí)，我國也是玉米的最大消費(fèi)國，消費(fèi)量的90%靠國內(nèi)生產(chǎn)[1]。葉綠素是綠色植物重要的光合色素，其含量影響光合作用效率，能間接反映植被長勢。因此，利用遙感手段反演玉米葉綠素含量，可以快速獲取農(nóng)田信息，幫助指導(dǎo)玉米田間管理，提高玉米品質(zhì)與產(chǎn)量，對我國玉米生產(chǎn)具有重要意義。

高光譜數(shù)據(jù)光譜分辨率高，能捕捉到由于植物生化組分(各種色素、氮、木質(zhì)素、纖維素、水分)變化，而導(dǎo)致的植被反射波譜曲線特征吸收峰、反射谷的細(xì)微位置和深度差異，能更加精確地反演植被生化參數(shù)[2]。自20世紀(jì)80年代以來，成像光譜技術(shù)取得重大突破，其憑借光譜分辨率高、圖譜合一的獨(dú)特優(yōu)勢，實(shí)現(xiàn)了在生態(tài)、農(nóng)業(yè)、環(huán)境等領(lǐng)域的成功應(yīng)用[3-11]。但是地面成像光譜儀工作范圍小、視野窄，工作量大；衛(wèi)星搭載的高光譜成像儀常因天氣和時(shí)間無法獲得感興趣區(qū)域的遙感影像[12]，且其較低的空間分辨率不適合地塊尺度的信息獲取。近年來，無人機(jī)遙感技術(shù)以其數(shù)據(jù)的時(shí)空分辨率高、測量機(jī)動(dòng)靈活、觀測范圍大等優(yōu)勢，在農(nóng)田生態(tài)環(huán)境信息監(jiān)測與獲取中開始應(yīng)用。

本文以陜西關(guān)中地區(qū)夏玉米為研究對象，使用無人機(jī)搭載高光譜成像光譜儀，獲得夏玉米灌漿期高光譜影像，利用地面同步獲得的玉米葉片SPAD值數(shù)據(jù)，構(gòu)建夏玉米葉片SPAD值遙感估算模型，以期為夏玉米農(nóng)田信息快速獲取提供科學(xué)依據(jù)。

1 材料與方法

1.1 田間試驗(yàn)

試驗(yàn)地設(shè)置在陜西省咸陽市乾縣梁山鄉(xiāng)齊南村(E108°7′6″, N34°38′33″)，該地位于關(guān)中平原中段、渭北高原南緣，溫帶大陸性季風(fēng)氣候，年平均氣溫13.1℃，年平均降水量573～592 mm，農(nóng)業(yè)種植一般一年一熟。田間試驗(yàn)玉米品種為陜單8806，劃分為46個(gè)小區(qū)和一個(gè)大區(qū)，小區(qū)面積63 m2(7 m×9 m)，大區(qū)面積280 m2(20 m ×14 m)。小區(qū)試驗(yàn)分別設(shè)置6個(gè)不同梯度的施氮、施磷、施鉀處理和5個(gè)不同梯度的灌溉處理，每個(gè)處理設(shè)置一個(gè)重復(fù)。氮肥、磷肥、鉀肥均作為底肥一次施入，不再追加；大田按照當(dāng)?shù)赜衩壮Ｒ?guī)種植模式種植。田間試驗(yàn)小區(qū)和大區(qū)的管理方式與當(dāng)?shù)剞r(nóng)民的生產(chǎn)管理方式相同。

1.2 數(shù)據(jù)獲取與處理

1.2.1 無人機(jī)高光譜影像獲取 使用零度智控E-EPIC八旋翼無人機(jī)搭載Cubert UHD185 firefly高光譜相機(jī)，獲得玉米灌漿期(2016年8月11日)高光譜影像。玉米灌漿期覆蓋度大，冠層光譜影像受土壤背景影響較小，且玉米成熟籽粒干物質(zhì)的85%～90%是綠葉在這個(gè)階段合成的[1]。因此對玉米灌漿期葉片葉綠素含量監(jiān)測，可以指導(dǎo)合理施肥，防止葉片早衰，提高玉米產(chǎn)量；對玉米產(chǎn)量預(yù)測也有重要意義。UHD185是一款攝影型光譜成像儀，可在0.1 ms內(nèi)獲得450～950 nm波長范圍內(nèi)，采樣間隔為4 nm的125個(gè)波段的高光譜影像。無人機(jī)飛行試驗(yàn)選在晴朗無風(fēng)的正午開展。

1.2.2 玉米葉片SPAD值測量 為同步、快速、無損獲得玉米葉片葉綠素含量，使用SPAD-502型手持葉綠素儀，測得葉片SPAD值。SPAD-502型手持葉綠素儀是根據(jù)葉綠素吸收紅光，但在近紅外波段幾乎沒有吸收的特點(diǎn)設(shè)計(jì)而成，該儀器發(fā)射一定強(qiáng)度的紅光(峰值波長650 nm)和近紅外光(峰值波長940 nm)照射葉片，并將透射過葉片的光信號轉(zhuǎn)換為電信號，經(jīng)放大器放大后再由A/D轉(zhuǎn)換器轉(zhuǎn)換為數(shù)字信號，微處理器利用這些數(shù)字信號計(jì)算葉綠素的相對含量，即為SPAD值。艾天成[13]等測定了玉米、水稻、棉花等多種農(nóng)作物葉片葉綠素含量和SPAD值，確定了二者的最佳相關(guān)函數(shù)，表明可以使用SPAD值表示葉片葉綠素含量。本研究在每個(gè)小區(qū)和大田各選取2個(gè)樣點(diǎn)，共84個(gè)樣點(diǎn)，同步測得玉米葉片SPAD值。每個(gè)樣點(diǎn)的玉米選擇3片葉子測量，每片葉子不同部位測10個(gè)SPAD值，取平均值作為該片葉子的SPAD值，將3片葉子的SPAD平均值作為該樣點(diǎn)的SPAD值，并記錄樣點(diǎn)位置。

1.2.3 高光譜影像處理 UHD185相機(jī)一次拍攝可獲得一張全色灰度圖像和一組高光譜影像，全色圖像空間分辨率1000像元×1000像元，高光譜影像空間分辨率50像元×50像元。使用系統(tǒng)軟件，將高光譜影像重采樣為1000像元×1000像元，并將灰度圖像和重采樣后的高光譜影像存儲(chǔ)到一個(gè)TIFF圖像中。在AgisoftPhotoscan軟件中，導(dǎo)入研究區(qū)的全部TIFF圖像，以全色圖像為模板進(jìn)行拼接，得到完整的研究區(qū)高光譜影像。最后，在ENVI中，根據(jù)SPAD樣點(diǎn)的位置，建立訓(xùn)練區(qū)，以訓(xùn)練區(qū)內(nèi)光譜反射曲線的平均值作為該樣點(diǎn)的光譜反射曲線。

1.2.4 反演模型構(gòu)建與檢驗(yàn) 通常使用高光譜分辨率遙感數(shù)據(jù)估計(jì)植被農(nóng)學(xué)參數(shù)主要有兩類方法：一是通過多元回歸方法建立光譜數(shù)據(jù)或由此衍生的植被指數(shù)與農(nóng)學(xué)參數(shù)之間的關(guān)系[14-16]；二是通過植被的紅邊參數(shù)描述植被的物候變化及其農(nóng)學(xué)參數(shù)[17-20]。本研究選用的高光譜特征參數(shù)包括基于光譜位置的變量、基于光譜面積的變量以及植被指數(shù)，具體定義見表1。將實(shí)驗(yàn)獲得的84組數(shù)據(jù)隨機(jī)分為6組，其中4組作為建模集，1組作為驗(yàn)證集Ⅰ，1組作為驗(yàn)證集Ⅱ。對SPAD值與選取的特征參數(shù)進(jìn)行相關(guān)分析，選擇極顯著相關(guān)且相關(guān)系數(shù)大于0.5的參數(shù)建模。模型均為單因素線性、非線性回歸模型。綜合比較訓(xùn)練集模型的決定系數(shù)(R2)、均方根誤差(RMSE)以及驗(yàn)證集Ⅰ估測值與實(shí)測值線性回歸方程的決定系數(shù)(R2)、均方根誤差(RMSE)、相對誤差(RE)，確定最優(yōu)估算模型。最后，在ENVI+IDL中，使用最優(yōu)模型對研究區(qū)高光譜影像進(jìn)行填圖，得到研究區(qū)SPAD值分布圖，并使用驗(yàn)證集Ⅱ，對填圖精度進(jìn)行驗(yàn)證。RMSE和RE計(jì)算公式分別如下：

表1 高光譜特征參數(shù)及計(jì)算公式

(1)

(2)

本研究采用的技術(shù)路線如圖1。

2 結(jié)果與分析

2.1 不同SPAD值玉米冠層反射光譜曲線

圖2為拼接后研究區(qū)影像，從中提取SPAD值測量樣點(diǎn)的冠層反射光譜曲線。圖3是部分不同SPAD值對應(yīng)的玉米冠層光譜反射曲線，以及裸地的光譜反射曲線。從圖中可以看出，玉米冠層反射曲線在550 nm附近有綠光反射峰，670 nm附近有紅光反射谷，750 nm附近開始出現(xiàn)近紅外高反射肩。且在450～680 nm的可見光波段內(nèi)，玉米葉片SPAD值越高，光譜反射率越低；在750～850 nm的近紅外波段內(nèi)SPAD值越高，反射率越高且差異較大,與金震宇等[31]研究結(jié)果一致。裸地的光譜反射率隨著波長增加而增加。玉米冠層和裸地的反射光譜曲線均呈現(xiàn)出該類地物的典型特征，表明UHD185相機(jī)獲得的高光譜影像是可靠的。

2.2 玉米SPAD值估算模型構(gòu)建

根據(jù)表1公式，計(jì)算建模集樣點(diǎn)的高光譜特征參數(shù)并與SPAD值進(jìn)行相關(guān)分析，結(jié)果如表2。樣本容量為56時(shí)，相關(guān)系數(shù)達(dá)0.259即為顯著相關(guān)。相關(guān)分析結(jié)果表明，SPAD值與紅邊面積(SDr)、綠峰反射率最大值(Rg)、差值植被指數(shù)(DVI)、紅邊一階微分最大值(Dr)、紅谷反射率最小值(Rr)、藍(lán)邊一階微分最大值(Db)相關(guān)性大于0.6，達(dá)0.05顯著水平，其中，SDr與SPAD值相關(guān)系數(shù)高達(dá)0.853。選取以上6個(gè)特征參數(shù)構(gòu)建玉米葉片葉綠素含量估算模型。SPAD值與光譜特征參數(shù)的回歸模型如表3。對比6個(gè)模型的決定系數(shù)(R2)、均方根誤差，SPAD-SDr模型擬合效果最好(R2=0.74，RMSE=1.54)，SPAD-Rg模型、SPAD-DVI模型、SPAD-Dr模型擬合效果較好。

圖1 數(shù)據(jù)處理流程Fig.1 Data processing flow

圖2 研究區(qū)拼接影像Fig.2 Mosaic image of study area

圖3 不同SPAD值對應(yīng)的玉米冠層反射率光譜與裸地反射率光譜Fig.3 Maize canopy reflectance spectrum of corresponding SPAD values and reflectance spectrum of bare land

光譜參數(shù)Spectral parameters相關(guān)系數(shù)Correlation coefficientDb0.670**λb-0.062Dy-0.181λy0.145Dr0.772**λr-0.139Rg0.804**Rr0.680**SDb0.531**SDy0.16SDr0.853**DVI0.790**NDVI-0.215MCARI0.462**RDVI0.549**OSAVI0.163MCARI/OSAVI0.452*

注：**在0.01水平上顯著相關(guān)，*在0.05水平上顯著相關(guān)。

Note: **indicatescorrelationissignificantatP=0.01level, *indicatescorrelationissignificantatP=0.05level.

表3 玉米葉片SPAD值估算模型

注：y為SPAD預(yù)測值，x為光譜參數(shù)。

Note: yisthepredictedvalueofSPADvalue, xisspectralparameters.

2.3 玉米SPAD值估算模型精度檢驗(yàn)

使用SPAD值估算模型，計(jì)算得到驗(yàn)證集Ⅰ的SPAD估測值，與SPAD實(shí)測值進(jìn)行y=kx線性擬合，檢驗(yàn)?zāi)Ｐ偷墓罍y精度?；貧w方程斜率和R2越接近1，RMSE和RE越小，模型估測精度越高。檢驗(yàn)結(jié)果如圖4、表4所示，可以看出：(1)SPAD-Dr模型回歸方程斜率為0.9816，R2=0.8099，RMSE(1.60)和RE(2.98)最小，預(yù)測精度最高；(2)SPAD-SDr模型、SPAD-DVI模型預(yù)測效果也較好；(3)SPAD-Db模型、SPAD-Rg模型、SPAD-Rr模型對玉米SPAD值的預(yù)測結(jié)果偏差較大，無法用于玉米葉片SPAD值預(yù)測。但是，預(yù)測效果較好的3個(gè)模型仍需進(jìn)一步檢驗(yàn)其高光譜影像反演精度。

2.4 玉米葉片SPAD值高光譜影像反演及精度檢驗(yàn)

在ENVI+IDL環(huán)境下，使用SPAD-Dr模型、SPAD-SDr模型和SPAD-DVI模型分別對高光譜影像進(jìn)行反演填圖，獲得研究區(qū)玉米葉片SPAD值分布圖(圖5)，并對SPAD值進(jìn)行統(tǒng)計(jì)(表5)。然后，利用驗(yàn)證集Ⅱ數(shù)據(jù)，對反演精度進(jìn)行檢驗(yàn)。驗(yàn)證集SPAD數(shù)據(jù)實(shí)測值和反演填圖估測值擬合結(jié)果如圖6所示，精度檢驗(yàn)結(jié)果如表6所示。觀察研究區(qū)高光譜影像發(fā)現(xiàn)，影像上有明顯的暗色斑塊，且反演填圖結(jié)果(圖5)中SPAD值呈現(xiàn)聚集狀態(tài)，聚集中心SPAD值高，向外逐漸減少。這是由于玉米植株較高、葉片數(shù)目多且面積大，植株之間相互遮蔽，產(chǎn)生陰影，導(dǎo)致冠層中心頂部反射率較高、SPAD值較大，四周反射率較低，SPAD值較小。因此玉米葉片SPAD值填圖統(tǒng)計(jì)結(jié)果(表5)中最小值和均值與SPAD實(shí)測結(jié)果相差較大。綜合分析不同模型反演得到的玉米葉片SPAD值分布圖(圖5)及其統(tǒng)計(jì)結(jié)果(表5)，發(fā)現(xiàn)SPAD-SDr模型和SPAD-DVI模型對玉米葉片SPAD高值估測偏高(兩模型對SPAD值的最大估測值分別為62.70和62.53，而實(shí)測值最大值僅為54.70)，且同一小區(qū)內(nèi)估測值較為離散(兩模型對SPAD值估測值的標(biāo)準(zhǔn)差分別為7.16和6.98)，SPAD-Dr模型則能較好估測SPAD高值且估測結(jié)果具有較小的標(biāo)準(zhǔn)差。使用驗(yàn)證集Ⅱ數(shù)據(jù)對填圖精度檢驗(yàn)結(jié)果如圖6、表6所示，三個(gè)模型計(jì)算得到的SPAD估測值與實(shí)測值的回歸方程斜率均接近1，但是SPAD-Dr模型的回歸方程決定系數(shù)最大(R2=0.89)，均方根誤差和相對誤差最小(RMSE=1.28，RE=2.31)。綜上所述，SPAD-Dr模型能較為準(zhǔn)確地反映研究區(qū)玉米葉片SPAD值，反演填圖精度最高。

表4 玉米葉片SPAD值估測模型精度檢驗(yàn)

本研究表明，SPAD-Dr經(jīng)驗(yàn)回歸模型能較好地估算該研究區(qū)玉米灌漿期葉片SPAD值，理論上該模型對于關(guān)中地區(qū)玉米灌漿期SPAD值反演具有較高的適用性，但仍需獲得該地區(qū)同一時(shí)期的玉米農(nóng)田影像及田間實(shí)測葉綠素含量對模型的適用性進(jìn)行評價(jià)。但是由于天氣等不可抗原因未能獲得該研究區(qū)同一時(shí)期的玉米農(nóng)田無人機(jī)影像數(shù)據(jù)，無法對該模型的反演適用性作進(jìn)一步評價(jià)，未來還需更加長期、系統(tǒng)地研究，驗(yàn)證并改進(jìn)該模型的反演精度并驗(yàn)證其適用性。

圖4 玉米葉片SPAD實(shí)測值與估測值擬合Fig.4 Regression results of estimated and measured maize leaf SPAD values

圖5 不同模型玉米葉片SPAD值反演估測Fig.5 Distribution maps of maize leaf SPAD values estimated using different models

項(xiàng)目 Item最小值 Minimum最大值 Maximum均值 Mean標(biāo)準(zhǔn)差 Standard deviationSPAD實(shí)測值Measured SPAD value39.5754.7048.663.59SPAD-Dr22.1958.0740.35.58SPAD-SDr16.2962.7037.297.16SPAD-DVI16.7462.5338.376.98

圖6 玉米葉片SPAD實(shí)測值與填圖估測值擬合Fig.6 Regression results of predicted and measured maize leaf SPAD values on different distribution maps

模型Model回歸方程斜率Regressionequation slopeR2REMSRE/%SPAD-Dr0.9850.891.282.31SPAD-SDr0.9890.791.512.59SPAD-DVI0.9850.711.813.55

3 討論與結(jié)論

3.1 討論

采用無人機(jī)低空遙感平臺(tái)獲得農(nóng)田地塊尺度的高光譜遙感圖像，構(gòu)建基于紅邊一階微分最大值(Dr)的玉米葉綠素含量估算模型(SPAD-Dr模型)，可以幫助快速獲取玉米農(nóng)田信息，指導(dǎo)農(nóng)業(yè)生產(chǎn)。但是玉米葉片葉綠素含量會(huì)隨著玉米品種、生育期、生長環(huán)境等因素的變化而改變，本研究數(shù)據(jù)源自于關(guān)中地區(qū)玉米灌漿期，因此獲得葉綠素估算模型受限于實(shí)驗(yàn)條件和環(huán)境差異，在其它不同環(huán)境地區(qū)和生育期應(yīng)用誤差會(huì)較大，需要更加深入長期地系統(tǒng)研究，建立更普適的玉米葉片葉綠素含量估算模型。

目前，低空無人機(jī)成像光譜技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用還處于探索階段。低空無人機(jī)獲得的遙感圖像具有較高的空間分辨率，能捕獲農(nóng)作物不同部位細(xì)小的輻射差異，導(dǎo)致影像反演結(jié)果中同一株玉米冠層中心的葉片葉綠素含量和四周相互遮蔽的葉片葉綠素含量差異明顯，與實(shí)際情況有一定差異，需要進(jìn)一步探索合適的無人機(jī)飛行高度，獲得合適玉米植株尺度的影像。此外，小型無人機(jī)飛行不穩(wěn)定，獲得的影像易發(fā)生幾何變形，且受到無人機(jī)載荷限制難以實(shí)現(xiàn)高精度地理位置的獲取與記錄，幾何校正困難，需進(jìn)一步研發(fā)無人機(jī)遙感影像幾何校正系統(tǒng)。

3.2 結(jié)論

本文以無人機(jī)為平臺(tái)，獲得農(nóng)田地塊尺度高光譜影像，構(gòu)建玉米葉片葉綠素含量估算模型，得到以下結(jié)論：

(1)以無人機(jī)為遙感平臺(tái)獲得的玉米高光譜影像具有典型的植被波譜特征，且在450～680nm的可見光波段反射率與玉米葉片SPAD值呈負(fù)相關(guān)，在750～850nm的近紅外波段反射率與SPAD值呈正相關(guān)。

(2)光譜特征參數(shù)中，SDr、Rg、DVI、Dr、Rr、Db等6個(gè)參數(shù)與玉米葉片SPAD值相關(guān)性大于0.6且達(dá)顯著水平?；谝陨?個(gè)特征參數(shù)分別構(gòu)建玉米葉片SPAD值估算模型，其中，SPAD-SDr模型具有最高的建模精度(R2=0.74)，SPAD-Dr模型(R2=0.61)和SPAD-DVI模型(R2=0.64)建模精度也較高。

(3)分別應(yīng)用SPAD-SDr模型、SPAD-Dr模型、SPAD-DVI模型對研究區(qū)高光譜影像進(jìn)行反演填圖，SPAD-Dr模型填圖精度最高(R2=0.89,RMSE=1.28,RE=2.31)，可以為區(qū)域玉米葉片葉綠素含量無損快速測量提供技術(shù)支持。