基于無人機(jī)多光譜遙感的冬小麥冠層葉綠素含量估測研究

魏 青，張寶忠，魏 征，韓 信，段晨斐,3

(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；3.山西農(nóng)業(yè)大學(xué)林學(xué)院，山西晉中 030801)

小麥?zhǔn)鞘澜绮シN面積最大、產(chǎn)量最多的糧食作物，長勢及產(chǎn)量情況影響著世界糧食安全。而作物長勢狀況的診斷可通過構(gòu)建營養(yǎng)元素與光譜的數(shù)學(xué)關(guān)系得以實(shí)現(xiàn)。葉綠素是植物光合作用、氮素狀況的重要指示因子，研究作物葉綠素含量變化特征可為快速診斷施肥提供依據(jù)[1-3]。目前，利用遙感技術(shù)估測作物葉綠素含量已成為當(dāng)下遙感應(yīng)用研究的熱點(diǎn)，且研究內(nèi)容主要集于在不同尺度利用各類光譜儀和傳感器測定作物光譜信息，進(jìn)而預(yù)測葉綠素含量[4-6]。

在地面測量中，常用地物光譜儀采集作物冠層光譜，只能獲取某個點(diǎn)或者極小范圍樣點(diǎn)的光譜數(shù)據(jù)，監(jiān)測范圍有限[7]。衛(wèi)星遙感可以獲取大范圍農(nóng)作物的影像，但時空間分辨率的限制往往造成研究區(qū)農(nóng)作物關(guān)鍵物候期數(shù)據(jù)的缺乏，缺少靈活性和高效性且成本高，導(dǎo)致難以達(dá)到精準(zhǔn)農(nóng)業(yè)的精度和滿足田間氮肥管理的要求[8-9]。

近年來，無人機(jī)遙感憑借其機(jī)動靈活、時空分辨率高等特點(diǎn)在農(nóng)情監(jiān)測中占據(jù)越來越重要的地位，作物營養(yǎng)狀況診斷成為無人機(jī)遙感技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用的發(fā)展趨勢[10-12]。無人機(jī)平臺搭載數(shù)碼相機(jī)、多光譜或者高光譜傳感器在作物營養(yǎng)狀況診斷方面應(yīng)用較為常見。如P?l?nen等[13]通過無人機(jī)高光譜成像系統(tǒng)構(gòu)建的歸一化植被指數(shù)NDVI對植被氮素進(jìn)行監(jiān)測，獲得較好效果。Gevaert等[14]基于無人機(jī)高光譜數(shù)據(jù)與多光譜衛(wèi)星圖像數(shù)據(jù)構(gòu)建新的STRS，并與土豆的實(shí)測葉綠素含量建立聯(lián)系，實(shí)現(xiàn)對土豆?fàn)I養(yǎng)狀況的監(jiān)測。田明璐等[7]利用低空無人機(jī)高光譜影像提取的27個光譜參數(shù)，較好地反演了棉花葉片葉綠素含量，但模型復(fù)雜度較高，導(dǎo)致其易用性降低。張 玲等[15]基于無人機(jī)搭載RGB相機(jī)提取色彩參數(shù)診斷了夏玉米不同生育時期的氮素營養(yǎng)動態(tài)變化，但光譜信息少，存在葉片及土壤背景對光譜參數(shù)影響較大等問題。高光譜成像技術(shù)及后續(xù)數(shù)據(jù)處理復(fù)雜等因素一定程度上限制了其應(yīng)用的普適性。相比于數(shù)碼相機(jī)RGB波段，利用多光譜傳感器可獲得更多的光譜信息，其監(jiān)測技術(shù)成熟且精度較高，因此無人機(jī)多光譜影像應(yīng)用更有優(yōu)勢。目前無人機(jī)多光譜影像在小麥監(jiān)測應(yīng)用方面多以葉面積指數(shù)、氮素、生物量參數(shù)為主，關(guān)于冬小麥關(guān)鍵生育時期冠層葉綠素含量的估測研究少有報道。Honkavaara等[16]以無人機(jī)平臺搭載輕便光譜相機(jī)獲取光譜信息，通過NDVI監(jiān)測小麥的生物量并且決定系數(shù)r2達(dá)到0.80。Hunt等[17]用無人機(jī)多波段光譜信息構(gòu)造植被指數(shù)GNDVI，建立了一種有效監(jiān)測小麥葉面積指數(shù)的模型，r2達(dá)到0.85。劉昌華等[18]構(gòu)建植被指數(shù)與氮營養(yǎng)指數(shù)的回歸模型，確定了無人機(jī)多光譜遙感技術(shù)在冬小麥氮素營養(yǎng)診斷方面的潛力。劉小輝[19]以10個不同小麥品種為研究對象，通過無人機(jī)搭載可見光和多光譜相機(jī)采集光譜信息，并建立了基于最優(yōu)植被指數(shù)的小麥揚(yáng)花早期和晚期的葉綠素含量反演模型。雖然以上研究的模型精度較高，但是都是利用單一變量進(jìn)行參數(shù)診斷，存在飽和性，而且開展基于無人機(jī)多光譜影像對冬小麥關(guān)鍵生育期在不同施氮水平下冠層葉綠素含量的實(shí)時監(jiān)測少有嘗試。

本研究以不同施氮水平下的冬小麥為研究對象，利用無人機(jī)多光譜數(shù)據(jù)構(gòu)建多種植被指數(shù)，并將各生育時期植被指數(shù)與實(shí)測SPAD進(jìn)行相關(guān)性分析，通過一元二次回歸和逐步回歸分析方法確定估測冬小麥冠層葉綠素含量關(guān)鍵生育時期的最佳模型，以期實(shí)現(xiàn)田間尺度冬小麥冠層葉綠素含量的實(shí)時診斷。

1 材料與方法

1.1 試驗(yàn)材料與設(shè)計

試驗(yàn)于2019年4-6月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。研究區(qū)平均海拔約為30 m，屬于溫帶半干旱大陸性季風(fēng)氣候，多年平均降雨量為540 mm，主要集中于夏季，可達(dá)全年的80%以上，多年平均風(fēng)速為1.2 m·s-1，日平均太陽凈輻射為171 W·m-2，光熱條件豐富，適合小麥等糧食作物的生長。本試驗(yàn)農(nóng)作物為冬小麥，設(shè)置5個施氮處理，其中播前施復(fù)合肥，拔節(jié)期追施尿素，施氮總量分別為0 kg·hm-2(N1)、150 kg·hm-2(N2)、225 kg·hm-2(N3)、300 kg·hm-2(N4)、375 kg·hm-2(N5)，共種植30個小區(qū)，其中因3個小區(qū)無灌溉和施肥，出苗較少，其數(shù)據(jù)不用于本研究分析，因此最終為27個研究小區(qū)。每塊小區(qū)面積為56 m2(8 m×7 m)，隨機(jī)排列，其他田間管理所有小區(qū)參照當(dāng)?shù)貥?biāo)準(zhǔn)進(jìn)行。

1.2 無人機(jī)多光譜數(shù)據(jù)測定

無人機(jī)試驗(yàn)在冬小麥拔節(jié)期、抽穗期、灌漿期、成熟期進(jìn)行，采用六旋翼無人機(jī)搭載RedEdge-M多光譜相機(jī)采集冬小麥冠層光譜數(shù)據(jù)。多光譜相機(jī)設(shè)有五個光譜通道，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)同時配備了一塊30 cm×30 cm的灰板和光強(qiáng)傳感器。飛行高度設(shè)置為60 m，地面分辨率4.09 cm，飛行速度為 3 m·s-1，每次拍攝選擇晴朗無云天氣，時間為上午10:00-12:00之間。將飛行后采集的335張影像導(dǎo)入Pix4Dmapper軟件進(jìn)行拼接，經(jīng)過灰板反射率校正后獲取研究區(qū)的反射率影像。

1.3 葉綠素含量測定

同一品種的小麥葉片SPAD值與葉綠素含量之間相關(guān)系數(shù)達(dá)顯著水平，可以表征葉綠素含量的高低[1，20]。在無人機(jī)飛行的當(dāng)天同步測定各小區(qū)的相對葉綠素含量，從各小區(qū)中隨機(jī)選取6株冬小麥植株，利用SPAD-502葉綠素儀在試驗(yàn)田對冬小麥植株的上、中、下部分所有葉片分別進(jìn)行測量并記錄SPAD值，將三個部位的葉綠素含量的平均值作為該植株冬小麥的冠層SPAD值，再計算6株冬小麥SPAD值得平均值作為該小區(qū)冬小麥的冠層SPAD值。

1.4 植被指數(shù)的選擇與計算

通過不同波段反射率的組合變化構(gòu)成植被指數(shù)，在一定程度上能夠減少背景土壤等因素對植被光譜的影響程度，提高估測葉綠素含量的精度[21]?？紤]植被指數(shù)估測植被生理生態(tài)參數(shù)的特點(diǎn)，所選擇的植被指數(shù)包括兩波段構(gòu)造的植被指數(shù)(T類)和多波段(3個及以上)構(gòu)造的植被指數(shù)(M類)[22-31]。計算公式如表1所示，借助ENVI軟件進(jìn)行16個植被指數(shù)的計算。

表1 植被指數(shù)及計算公式

1.5 數(shù)據(jù)分析方法

利用兩種分析方法構(gòu)建模型。第一種方法是選擇每個生育時期和全生育期中與冬小麥冠層SPAD值極顯著相關(guān)且相關(guān)系數(shù)較高的光譜植被指數(shù)為變量，構(gòu)建一元二次線性回歸模型。第二種方法是采用逐步回歸分析方法，依據(jù)16種植被指數(shù)(變量)與實(shí)測SPAD值的相關(guān)系數(shù)，由大到小地逐個引入回歸模型，構(gòu)建每個生育時期和全生育期的逐步回歸模型。

1.6 評價指標(biāo)

本研究隨機(jī)選取70%樣本數(shù)據(jù)作為建模數(shù)據(jù)集，構(gòu)建冬小麥SPAD值估測模型，剩余30%樣本數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)集，進(jìn)行模型評價。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，模型估算能力越好。

(1)

(2)

(3)

2 結(jié)果與分析

2.1 不同施氮水平下小麥SPAD值的動態(tài)變化

從圖1可以看出，不同施氮水平下冬小麥SPAD值的變化趨勢基本一致，呈現(xiàn)拋物線趨勢，主要原因是冬小麥生育前期隨著葉片的生長發(fā)育，葉綠素含量逐漸增加，在抽穗期達(dá)到最大值，生育后期葉片開始漸漸發(fā)黃萎蔫，葉綠素含量不斷下降。施氮水平越高，相應(yīng)的葉綠素含量也越高，除了成熟期，其他三個生育時期的冬小麥冠層SPAD值均在45以上，成熟期的小麥葉綠素含量較低，葉片已經(jīng)接近枯萎，因此不再對成熟期進(jìn)行分析。

圖1 不同施氮水平下冬小麥生育期SPAD值變化

2.2 植被指數(shù)與小麥SPAD值的相關(guān)性

相關(guān)性分析(表2)表明，在拔節(jié)期，只有NDVI、MSR、REOSAVI、0SAVI和RERDVI與冬小麥SPAD值呈極顯著相關(guān)，其中NDVI、MSR和RERDVI的相關(guān)系數(shù)均在0.5以上；在抽穗期，只有GNDVI和RERDVI與冬小麥SPAD值呈極顯著相關(guān)，相關(guān)系數(shù)在0.5以上，NDVI、MSR和CARI與SPAD值呈顯著相關(guān)；在灌漿期，除CARI外，15個植被指數(shù)與SPAD值均呈極顯著相關(guān)，其中NDVI、MSR的相關(guān)系數(shù)在0.7以上；對于全生育期，GNDVI、GOSAVI、NDVI、MSR、REOSAVI、RERDVI、0SAVI、MCARI和VARIred與SPAD值均呈極顯著相關(guān)，其中NDVI、MSR和RERDVI的相關(guān)系數(shù)在0.5以上。總體上看，MSR 與冬小麥全生育期及各生育時期的SPAD值相關(guān)性均較好；T類植被指數(shù)與SPAD值的相關(guān)性好于M類植被指數(shù)，說明并不是波段越多，組合效果越好。

表2 植被指數(shù)與冬小麥冠層SPAD值相關(guān)系數(shù)

2.3 冬小麥SPAD值最佳估測模型的篩選

基于光譜植被指數(shù)建立的冬小麥冠層SPAD值估測模型的決定系數(shù)均達(dá)到0.05顯著性水平，說明各模型的擬合性均較好。對于各生育時期及全生育期，總體上一元二次線性回歸模型的擬合效果要低于逐步回歸模型。

表3 基于光譜植被指數(shù)建立的冬小麥冠層SPAD值估測模型

選取不同的建模方法下各生育時期及全生育期擬合性最優(yōu)的估測模型，利用檢驗(yàn)樣本數(shù)據(jù)對其進(jìn)行精度驗(yàn)證。結(jié)果(表4)表明，在拔節(jié)期，逐步回歸模型的r2、RE和RMSE較小，分別為 0.79、2.73%和1.74，均優(yōu)于一元二次線性回歸模型；在抽穗期，逐步回歸模型的r2為0.63，明顯高于一元二次線性回歸模型，RE和RMSE略小于后者；在灌漿期，逐步回歸模型的r2與一元二次線性回歸模型相當(dāng)，但RE和RMSE較大；全生育期兩種優(yōu)選估測模型的預(yù)測結(jié)果雖都較差，但逐步回歸模型的效果相對較好。因此，對于各生育時期及全生育期，逐步回歸模型更適合用于無人機(jī)多光譜遙感估測冬小麥冠層葉綠素 含量。

表4 冬小麥SPAD值優(yōu)選估測模型及檢驗(yàn)結(jié)果

2.4 施氮水平對小麥SPAD值預(yù)測精度的影響

抽穗期是反映冬小麥冠層葉綠素含量最高和光譜特征最顯著的最佳階段，施氮水平越高，植被覆蓋度越大。由表5可知，在施氮水平較低時，兩種模型對SPAD的預(yù)測精度沒有明顯差異；隨著施氮水平的提高，兩種模型預(yù)測SPAD值的精度相對降低，但逐步回歸模型的預(yù)測精度仍然高于一元二次線性回歸模型。

表5 不同施氮水平下小麥SPAD預(yù)測結(jié)果(RMSE)

3 討 論

本研究選取了16種植被指數(shù)用于冬小麥冠層葉綠素含量的監(jiān)測模型構(gòu)建，結(jié)果發(fā)現(xiàn)，改進(jìn)簡單比植被指數(shù)MSR在拔節(jié)期、灌漿期和全生育期與SPAD值相關(guān)性最高，綠色歸一化植被指數(shù)GNDVI在抽穗期與SPAD值相關(guān)性最高。有研究認(rèn)為，冬小麥葉片SPAD值通過歸一化差異植被指數(shù)NDVI的估算效果更好[21]，而在抽穗期GNDVI與SPAD值的相關(guān)性明顯高于NDVI，這是因?yàn)槎←溤诔樗肫谌~綠素含量最高，葉綠素含量對綠波段更敏感，對紅波段容易達(dá)到飽和狀態(tài)。對于其他生育時期，在植被葉綠素含量不夠飽和的情況下MSR相較于NDVI具有更強(qiáng)的敏感性，這是因?yàn)槠湟欢ǔ潭壬峡朔送寥辣尘皩Χ←湽趯庸庾V特征的影響，具有較強(qiáng)的抗干擾能力，因此MSR在各生育時期與冬小麥葉綠素SPAD值之間表現(xiàn)出良好的相關(guān)性。

本研究通過建模發(fā)現(xiàn)，基于多個植被指數(shù)的回歸模型對SPAD值的預(yù)測精度明顯高于基于單個植被指數(shù)的回歸模型，建模方法也對監(jiān)測冬小麥冠層葉綠素含量的結(jié)果有較大影響。光譜信息過少的模型容易導(dǎo)致模型受到背景因素的干擾而缺乏穩(wěn)定性，光譜信息過多的模型會導(dǎo)致模型復(fù)雜且易用性低，因此需要平衡兩者之間的關(guān)系[7]。雖然本研究所建立的模型普適性需要依靠多次統(tǒng)計數(shù)據(jù)進(jìn)行驗(yàn)證，但逐步回歸方法仍然是優(yōu)選的建模方法。目前對農(nóng)作物葉片葉綠素含量的遙感反演沒有統(tǒng)一的模型，無人機(jī)多光譜遙感在農(nóng)作物營養(yǎng)診斷中的應(yīng)用還處于探索階段，多光譜影像中冬小麥光譜信息的提取精度方面需要進(jìn)一步的研究。通過田間試驗(yàn)獲得累積數(shù)據(jù)仍然是通過統(tǒng)計學(xué)得到的經(jīng)驗(yàn)?zāi)Ｐ?，在時空領(lǐng)域有一定的局限性。在下一步研究中還需提高無人機(jī)遙感影像的精度，嘗試與輻射傳輸模型結(jié)合，充分發(fā)揮無人機(jī)遙感技術(shù)的優(yōu)勢。