無人機(jī)多光譜遙感反演冬小麥植株含水率

魏 青，張寶忠，魏 征，彭致功，韓娜娜

(1.中國水利水電科學(xué)研究院流域水循環(huán)模擬與調(diào)控國家重點(diǎn)實(shí)驗(yàn)室,北京100038；2.國家節(jié)水灌溉北京工程技術(shù)研究中心，北京 100048)

0 引 言

植株含水率是反映作物水分狀況的指標(biāo)之一，也是開展作物水分虧缺診斷的重要基礎(chǔ)，及時(shí)準(zhǔn)確的獲取植株含水率信息，對精準(zhǔn)農(nóng)業(yè)發(fā)展以及農(nóng)業(yè)水資源高效利用具有重要意義[1,2]。傳統(tǒng)估算植株含水率的方法主要是通過破壞性采樣測定，操作繁瑣、耗費(fèi)大量人力物力，不足以滿足實(shí)施快速監(jiān)測的要求，因而研究較為簡單且精度較高的植株含水率估算方法成為當(dāng)前熱點(diǎn)[3]。

目前國內(nèi)外基于衛(wèi)星遙感或者地面遙感對植株含水率的研究已經(jīng)取得了一定進(jìn)展。Carter等發(fā)現(xiàn)葉片水分含量對光譜特性的影響主要是由于對輻射的直接吸收所致，此外葉片內(nèi)部結(jié)構(gòu)也有一定影響[4]。王強(qiáng)等利用350～2500nm范圍內(nèi)所有光譜波段可能的兩兩組合，構(gòu)建了比值指數(shù)和歸一化指數(shù)，其對棉花冠層水分含量診斷精度較高[5]。張亞偉等利用單波長近紅外光電傳感器搭建了小麥植株含水率的檢測系統(tǒng)，構(gòu)建了基于最小二乘支持向量機(jī)建立的最優(yōu)模型，為小麥植株含水率無損快速檢測提供了一種有效的方法[6]。哈布熱等研究表明，在350～750 nm的可見光區(qū)域成熟期冬小麥冠層光譜反射率隨植株含水率的增大而降低，661nm以及771nm附近波段的水分監(jiān)測光譜參數(shù)模型效果最佳[7]。以上研究雖然在一定程度上建立了測定植株含水率的方法，但存在時(shí)效性差的缺點(diǎn)，在農(nóng)田尺度上的應(yīng)用存在一定的局限性。

無人機(jī)遙感技術(shù)由于其平臺具有移動(dòng)性強(qiáng)、適用性好的優(yōu)勢，且獲取影像分辨率高、作業(yè)周期短，在農(nóng)業(yè)、水質(zhì)監(jiān)測和測繪等領(lǐng)域發(fā)揮著越來越重要的作用，為農(nóng)情監(jiān)測研究提供了新的解決方案。在國內(nèi)外農(nóng)用無人機(jī)遙感方面，HASSAN-ESFAHANI等利用無人機(jī)搭載高光譜相機(jī)獲取光譜圖像，基于人工神經(jīng)網(wǎng)絡(luò)算法精確估算了土壤表層含水率[8]。陳碩博等提出了低空無人機(jī)多光譜遙感大面積快速獲取土壤水分的方法，并有效建立了評估抽穗期冬小麥土壤水分的最優(yōu)模型[9]。裴浩杰等提取無人機(jī)高光譜影像反演的CGI均值，實(shí)現(xiàn)了精確判斷小麥總體的長勢狀況[10]。陳俊英等開展了基于無人機(jī)多光譜遙感影像的光譜反射率與不同光合參數(shù)的反演模型，驗(yàn)證了大范圍監(jiān)測作物光合作用的可行性[11]。這些研究顯示了無人機(jī)遙感技術(shù)在獲取植被冠信息的潛力，但利用無人機(jī)多光譜遙感直接反演作物植株含水率的研究較少。

本文將利用無人機(jī)搭載多光譜相機(jī)獲取冬小麥光譜反射率，構(gòu)建植株含水率與光譜反射率以及光譜植被指數(shù)模型，并從中優(yōu)選構(gòu)建植株含水率估算模型，旨在獲得一種簡便準(zhǔn)確地預(yù)測植株含水率的實(shí)時(shí)性區(qū)域監(jiān)測方法。

1 材料與方法

1.1 研究區(qū)概況

本研究在中國水利水電科學(xué)研究院大興試驗(yàn)基地(39°37.25′N，116°25.51′E)開展，海拔約30 m，屬于溫帶半干旱大陸性季風(fēng)氣候，多年平均氣溫為12.1 ℃，多年平均降雨量為540 mm，集中在6和9月，降雨量占全年降雨量的80%以上。多年平均風(fēng)速為1.2 m/s，冬春季風(fēng)速較大，秋季次之，夏季風(fēng)速最小。全年平均相對濕度為52%，全年日照時(shí)數(shù)為2 502 h，全年大于10 ℃的有效積溫為4 730 ℃，日平均太陽凈輻射為171 W/m2，光熱條件豐富。全年無霜期平均為185 d，多年年均蒸發(fā)量為1 021 mm，土壤類型以砂壤土為主，適合小麥等多種糧食作物的生長。

1.2 試驗(yàn)布置

試驗(yàn)區(qū)小麥品種為中麥175，2017年10月13日播種，2018年6月6日成熟收獲。試驗(yàn)設(shè)10個(gè)小區(qū)，3個(gè)重復(fù)，共30個(gè)小區(qū)。每個(gè)小區(qū)面積為58 m2，試驗(yàn)以水處理為主，灌溉水平為W0(0 mm)、W1(60 mm)、W2(120 mm)、W3(180 mm)、W4(240 mm)、W5(300 mm)。無人機(jī)試驗(yàn)在2018年5月5日(抽穗期)、5月24日(灌漿期)、6月3日(成熟期)進(jìn)行。抽穗期、灌漿期和成熟期是關(guān)系冬小麥產(chǎn)量和品質(zhì)的關(guān)鍵時(shí)期，植株含水率會表現(xiàn)出明顯的差異性，在植株含水率模型構(gòu)建中，避免作物水分模型生育期專一性的缺點(diǎn)，且植株含水率變化范圍越大，模型越具有普適性，容錯(cuò)率也越高[7]。

1.3 數(shù)據(jù)獲取方法

1.3.1 無人機(jī)系統(tǒng)及影像獲取

本次實(shí)驗(yàn)借助的平臺是采用開源飛控Pixhawk控制的經(jīng)緯M600型六旋翼無人機(jī)系統(tǒng)(DJI，深圳市)，搭載的遙感傳感器為RedEdge(MicaSense，USA)。該相機(jī)焦距為5.5 mm，圖像分辨率為1 280像素×960像素，相機(jī)設(shè)有5個(gè)光譜通道，中心波長分別為475 nm(藍(lán))、560 nm(綠)、668 nm(紅)、840 nm(近紅外)、717 nm(紅邊)，相機(jī)同時(shí)配備了一塊30 cm×30 cm的灰板和光強(qiáng)傳感器。

無人機(jī)設(shè)至一定高度，鏡頭垂直向下，通過拍攝地面灰板來矯正反射率，然后按照預(yù)定航線飛至區(qū)域拍攝多光譜影像。每次拍攝時(shí)間為上午10∶00-12∶00，無人機(jī)飛行高度設(shè)為60 m，飛行時(shí)固定航線，航向和旁向重疊度均為80%，飛行速度為3 m/s，像元分辨率為4.09 cm。

1.3.2 植株含水率測定

小麥的植株含水率采用烘干法測定，先從各個(gè)小區(qū)摘取均20 cm寬區(qū)域的小麥植株，將植株分別裝入保鮮袋中，稱量并記錄小麥植株的鮮重，然后放入在105 ℃條件下的烘箱殺青半小時(shí)，隨后調(diào)至70 ℃干燥至恒重后記錄植株的干重。本文采用濕基含水率公式計(jì)算冬小麥植株含水率，其計(jì)算公式如下：

(1)

式中：Cw為植株濕基含水率，%；Lw為植株鮮重，mg；Ld為植株干重，mg。

1.4 研究方法

1.4.1 基于光譜反射率的估算模型

將5個(gè)波段的影像最終合成一個(gè)tif格式的五波段影像，在反射率影像中利用掩膜方法先構(gòu)建區(qū)域ROI，利用Bandmath工具分別計(jì)算5個(gè)波段的光譜反射率，將ROI區(qū)域范圍內(nèi)的小麥的平均光譜作為該小區(qū)的小麥光譜反射率，計(jì)算得到每一天30個(gè)小區(qū)的光譜反射率數(shù)據(jù)。

本文采用多元線性回歸分析方法中的逐步回歸法和強(qiáng)迫進(jìn)入法揭示因變量(植株含水率y)與5個(gè)自變量[Rnir(x1)，Rred(x2)，Rgreen(x3)，Rblue(x4)，Rrededge(x5)]之間的線性模型。采用強(qiáng)迫進(jìn)入法將5個(gè)波段的平均反射率作為自變量建立植株含水率的反演模型，采用逐步回歸法根據(jù)自變量與因變量的相關(guān)性的高低，依次將自變量逐個(gè)選入回歸模型中，若新選入的自變量的回歸系數(shù)未達(dá)到顯著水平，該自變量排除在回歸模型之外。

1.4.2 基于光譜植被指數(shù)的估算模型

常用的植被指數(shù)中，NDVI可以表征出植株含水量的變化高低和植被葉面積指數(shù)等；SAVI被認(rèn)為是建立簡單“植株”的關(guān)鍵聯(lián)系，可以消除土壤背景的影響；EVI中的土壤調(diào)整因子對地形條件比NDVI更敏感，起到很大的監(jiān)測植被變化的作用；SR是綠色植物的靈敏指示參數(shù)，有效增強(qiáng)植被信息，減少非植被信息；NGRDI對廣泛范圍內(nèi)的葉面積指數(shù)的反應(yīng)程度更加敏感；VARI對大氣和土壤影響的研究更加充分[12-17]。采用ENVI軟件平臺裁剪冬小麥30個(gè)小區(qū)反射率影像，提取6種植被指數(shù)，其計(jì)算公式見表1。

表1 植被指數(shù)計(jì)算公式

Tab.1 Vegetation indices

植被指數(shù)計(jì)算公式文獻(xiàn)來源歸一化植被指數(shù)NDVINDVI=Rnir-RredRnir+Rred[12]土壤調(diào)節(jié)植被指數(shù)SAVISAVI=1.5Rnir-RredRnir+Rred+0.5[13]增強(qiáng)型植被指數(shù)EVIEVI=2.5Rnir-RredRnir+6Rred-7.5Rblue+1[14]比值植被指數(shù)SRSR=RnirRred[15]歸一化綠紅差異指數(shù)NGRDINGRDI=Rgreen-RredRgreen+Rred[16]抗大氣指數(shù)VARIVARI=Rgreen-RredRgreen+Rred-Rblue[17]

注：Rblue、Rgreen、Rred、Rnir分別為灰板對RedEdge相機(jī)藍(lán)、綠、紅、近紅外波段的平均反射率。

本文采用植被指數(shù)建立植被含水率的估算模型。將植株含水率與6種植被指數(shù)分別建立一元線性關(guān)系，且采用多元線性回歸分析方法中的逐步回歸法和強(qiáng)迫進(jìn)入法建立因變量(植株含水率y)與6個(gè)自變量(NDVI，SAVI，EVI，SR，NGRDI，VARI)之間的線性模型。

1.5 模型評價(jià)

本文選取20個(gè)小區(qū)的采集數(shù)據(jù)進(jìn)行回歸建模，其余10個(gè)小區(qū)的數(shù)據(jù)用來驗(yàn)證模型的精度，采用決定系數(shù)R2、均方根誤差RMSE和相對誤差RE作為評判模型精度的指標(biāo)。R2越接近于1，RMSE越小，RE越小，說明該模型精度越好，模型反演植株含水率的效果更好[18]。

(2)

(3)

(4)

2 結(jié)果與分析

2.1 植株含水率變化趨勢

水分脅迫、營養(yǎng)狀況等外界條件以及自身長勢都會造成同一種植物的植株特征有所差異，從而造成了光譜反射特性也不盡相同。圖1為冬小麥不同生育期不同水分處理下植株含水率，通過單因素方差分析方法中的LSD法對無人機(jī)飛行觀測的植株含水率比較，抽穗期的植株含水率與灌漿期的植株含水率的平均值相差13.2%，與成熟期的植株含水率的平均值相差31.2%，灌漿期的植株含水率與成熟期的植株含水率的平均值相差18%，這些差異在0.05的顯著性水平下是顯著的。

圖1 冬小麥不同生育期不同水分處理下植株含水率Fig.1 Plant moisture content of winter wheat under different water treatments at different growth stages

2.2 模型構(gòu)建

2.2.1 基于光譜反射率的多元回歸模型

將各個(gè)波段平均光譜反射率與植株含水率進(jìn)行相關(guān)性分析，由單個(gè)波段平均光譜反射率建立的模型決定系數(shù)較低，僅近紅外波段決定系數(shù)為0.602，模型精度較低不能精準(zhǔn)預(yù)測植株含水率，故采用多元線性回歸分析建立模型。

表2為光譜反射率模型，9種模型的決定系數(shù)R2均大于0.65，表明基于多光譜遙感信息反演植株含水率的可行性。模型2和模型7決定系數(shù)R2較大、均方根誤差RMSE和相對誤差RE均較小，相較其他模型占優(yōu)，但模型7比模型2更加簡單便捷，故選擇模型7作為光譜反射率優(yōu)選模型。

2.2.2 基于光譜植被指數(shù)的回歸模型

表3為光譜植被指數(shù)模型，由單個(gè)植被指數(shù)建立的6個(gè)植株含水率模型，決定系數(shù)R2較小、均方根誤差RMSE和相對誤差RE較大，模型擬合精度低不能實(shí)現(xiàn)精準(zhǔn)預(yù)測。故采用多元線性回歸分析研究由6個(gè)光譜植被指數(shù)組合構(gòu)建的植株含水率模型，由于SAVI、NDVI與EVI，NGRDI與VARI之間存在共線性問題，在逐步回歸法建模過程中為避免共線性問題對線性回歸分析精度的影響依次選入了EVI、SR和VARI等變量進(jìn)行建模。模型17和模型18的決定系數(shù)均大于0.75、均方根誤差RMSE小于7.00%、相對誤差RE小于10.00%，兩者均可作為優(yōu)選模型，但模型17在回歸分析的過程中考慮了各變量間的共線性，相比模型18更適合作為優(yōu)選模型。

表2 光譜反射率模型

Tab.2 Spectral reflectance model

模型編號植株含水率-光譜反射率回歸模型R2FRMSE/%RE/%1y=1.199x1-6.705x2+3.154x3+8.530x4-1.325x5+0.3190.75833.8787.1510.122y=-10.871x21+8.412x1-80.235x22+4.336x2+33.194x23-1.847x3+178.536x24-5.963x4+13.287x25-4.714x5-0.5270.81421.4816.278.873y=0.501lnx1-0.153lnx2+0.191lnx3-0.054lnx4-0.194lnx5+1.0800.72127.9627.6811.264y=1.860x1-1.567x2+0.1460.66611.2228.4012.415y=1.633x1-4.342x2+4.264x3+0.1250.73213.6347.5410.906y=-17.572x21+13.281x1-1.679x2-1.6550.73414.3607.5010.937y=-15.188x21+11.201x1-5.552x2+9.161x21-1.1540.7739.4866.929.678y=0.591lnx1-0.082lnx2+1.0890.67910.0918.2412.229y=0.532lnx1-0.189lnx2+0.182lnx3+1.2660.7126.5167.8011.51

表3 光譜植被指數(shù)模型

Tab.3 Spectral vegetation index model

模型編號植株含水率-光譜植被指數(shù)回歸模型R2FRMSE/%RE/%10y=0.782NDVI+0.1060.52764.64310.0013.6211y=1.182SAVI+0.1220.649107.3898.6111.9412y=0.951EVI+0.2030.661113.2648.4611.8713y=0.021SR +0.4920.43144.00510.9715.4314y=0.797NGRDI +0.6110.49055.76710.3814.1915y=0.578VARI +0.6080.51260.89610.1613.9616y=1.635EVI-0.021SR-0.0340.72112.12810.4613.6917y=1.579EVI-0.035SR+0.448VARI+0.1360.78215.7616.799.7318y=-0.727NDVI+3.570SAVI-0.802EVI-0.046SR-3.026NGRDI+3.040VARI+0.2060.81137.9426.338.92

2.3 模型檢驗(yàn)

圖2為不同建模方法下植株含水率的模擬值與實(shí)測值對比，表4為優(yōu)選模型下植株含水率的模擬值與實(shí)測值比較，兩種回歸模型決定系數(shù)R2均大于0.8，均方根誤差RMSE均小于6%，且相對誤差RE均小于7%，說明光譜反射率模型7和光譜指數(shù)模型17的模擬精度較好，無人機(jī)多光譜遙感監(jiān)測植株含水率是可行的。但光譜指數(shù)模型相較光譜反射率模型具有考慮植株內(nèi)部參數(shù)的優(yōu)勢，在預(yù)測植株含水率時(shí)可降低環(huán)境和自身因素的干擾、實(shí)用性更強(qiáng)，故選模型17進(jìn)行建模。作物植株含水率的敏感波段是近紅外區(qū)域，這與前人的研究結(jié)果一致[19,20]。

3 結(jié) 語

本文通過對光譜反射率和植株含水率的相關(guān)性分析，利用兩種回歸分析方法建立光譜反射率模型以及光譜植被指數(shù)模型，通過模型的相關(guān)性(R2)、相對誤差(RE)及均方根誤差(RMSE)檢驗(yàn)確定出最優(yōu)的基于光譜信息的植株含水率估算模型，為實(shí)現(xiàn)精準(zhǔn)作物監(jiān)測提供了理論依據(jù)，進(jìn)一步加強(qiáng)無人機(jī)多光譜遙感監(jiān)測的適用性。結(jié)論如下。

圖2 不同建模方法下植株含水率的模擬值與實(shí)測值對比Fig.2 Comparison of simulated and measured values of plant moisture content under different modeling methods

表4 優(yōu)選模型下植株含水率的模擬值與實(shí)測值比較

Tab.4 Comparisons between simulated and measured values ofPlant moisture content under optimal selection model

模型類型模型編號植株含水率回歸模型R2RMSE/%RE/%光譜反射率模型7y=-15.188x21+11.201x1-5.552x2+99.161x24-1.1540.8215.566.83光譜植被指數(shù)模型17y=1.579EVI-0.35SR+0.448VARI+0.1360.8265.476.91

(1)單個(gè)波段平均光譜反射率與植株含水率的決定系數(shù)較低，多個(gè)波段光譜反射率建模R2均在0.65以上，模型精度較高。由近紅外波段、紅波段和藍(lán)波段建立的光譜反射率模型精度高，簡便穩(wěn)定。

(2)基于近紅外波段和紅波段構(gòu)建的增強(qiáng)型植被指數(shù)(EVI)在光譜植被指數(shù)相關(guān)性分析中決定系數(shù)R2最高。由單一光譜植被指數(shù)建模精度較低，采用多個(gè)光譜指數(shù)綜合分析模型精度較高。

(3)優(yōu)選的光譜植被指數(shù)模型的模擬效果優(yōu)于光譜反射率模型，且考慮植株內(nèi)部參數(shù)，在今后的應(yīng)用中采用該模型預(yù)測植株含水率。