基于無人機高光譜影像的馬鈴薯葉綠素含量估測

尹 航，李 斐，楊海波，李 淵

（內(nèi)蒙古農(nóng)業(yè)大學草原與資源環(huán)境學院/內(nèi)蒙古自治區(qū)土壤質(zhì)量與養(yǎng)分資源重點實驗室,內(nèi)蒙古呼和浩特 010011）

葉綠素是植物進行光合作用的重要色素，其含量多少是植物營養(yǎng)脅迫和光合能力的重要指示值，實時監(jiān)測葉綠素含量對于了解植物長勢、實施精準農(nóng)業(yè)具有重要作用[1–3]。葉綠素儀可快速、無損的測量葉片中的葉綠素含量[4]，但該方法是基于葉片的葉綠素快速檢測，需對作物不同葉片進行反復測量，費時費力，是典型的以點帶面的測量方法，無法實現(xiàn)在時間和空間上的大面積準確測量，不能滿足現(xiàn)代農(nóng)業(yè)集約化區(qū)域性作物監(jiān)測[5]。因此，迫切需要一種能夠在田塊尺度上反映作物冠層葉綠素含量的快速監(jiān)測方法。

隨著遙感技術(shù)的發(fā)展，無人機遙感技術(shù)以機動靈活、覆蓋范圍廣、時空分辨率高等優(yōu)勢而逐漸成為農(nóng)情監(jiān)測的又一重要手段[6–7]。大量的研究表明，利用無人機獲取光譜影像，結(jié)合已有成熟算法可有效的進行葉綠素含量監(jiān)測[8–10]。無人機影像可分為多光譜與高光譜影像，多光譜影像空間分辨率高、操作簡便，從中提取的較寬波段結(jié)合已有光譜指數(shù)可快速、無損的監(jiān)測作物葉綠素含量[11–12]。近些年，研究發(fā)現(xiàn)針對已有寬波段光譜指數(shù)所建立的估測模型，容易受到噪音、土壤等環(huán)境因素干擾，監(jiān)測其它類作物時估測模型魯棒性較差、模型精度降低等，因此可通過優(yōu)化相應(yīng)波段構(gòu)建新光譜指數(shù)減少外界環(huán)境因素的干擾[13–14]。對于多光譜影像來說，雖然獲取容易處理也相對簡單，但不足的是光譜信息量少，且波段較寬，無法實現(xiàn)波段間的寬窄優(yōu)化從而對估測不同作物的模型魯棒性及精度都有所影響，難以實現(xiàn)大面積的精準估測[15]。

相比于多光譜，高光譜影像具有“圖譜合一”的特點和優(yōu)勢，在獲得地面二維空間圖像信息的同時，還獲取地物的連續(xù)光譜信息[16]。所提取波段多而窄，波段寬度通常小于10 nm，構(gòu)建的光譜指數(shù)能夠有效減少噪音、土壤等外界環(huán)境因素干擾，顯著提高模型的反演精度[17]。國內(nèi)外研究表明，通過高光譜影像提取作物光譜反射率，結(jié)合光譜指數(shù)構(gòu)建估測模型，可有效反演作物葉綠素含量[18–19]。但在已有光譜指數(shù)的研究中，它們的準確性和穩(wěn)健性不足以在區(qū)域尺度上實際使用[20–21]，而通過波段運算計算的優(yōu)化光譜指數(shù)能夠大幅提升模型魯棒性與精度，決定系數(shù)提高約20%[22–23]。大量研究是在同樣的種植環(huán)境及單個生育時期，沒有考慮到種植環(huán)境及生育時期是否會影響估測模型的準確度，利用無人機平臺搭載高光譜相機進行葉綠素遙感監(jiān)測已經(jīng)廣泛應(yīng)用于玉米、小麥等作物[24–26]，但基于高光譜影像結(jié)合波段優(yōu)化算法在馬鈴薯關(guān)鍵生育時期葉綠素含量反演上研究報道較少。

馬鈴薯是我國繼小麥、玉米和水稻后第四大糧食作物，其長勢和葉綠素含量在保證國家的糧食安全中具有重要作用[27]。因此本研究以內(nèi)蒙古中部地區(qū)多年的馬鈴薯田間試驗為基礎(chǔ)，通過無人機搭載高光譜成像光譜儀獲取馬鈴薯試驗地高光譜影像，提取影像中馬鈴薯冠層光譜反射率，計算已有光譜指數(shù)，并對其進行優(yōu)化，確定塊莖膨大期和淀粉積累期馬鈴薯葉綠素的敏感波段，建立已有光譜指數(shù)與優(yōu)化光譜指數(shù)對馬鈴薯葉綠素估測模型，通過與已有光譜指數(shù)進行對比和對優(yōu)化后光譜指數(shù)模型精度檢驗，最終找到塊莖膨大期和淀粉積累期馬鈴薯葉綠素敏感波段及適用于馬鈴薯葉綠素的估測模型。

1 材料與方法

1.1 試驗設(shè)計

本試驗于2018—2020年共設(shè)置了3個田間試驗，試驗地點在內(nèi)蒙古陰山北麓馬鈴薯主要種植區(qū)武川縣和四子王旗(圖1)。2018年在武川縣，選用品種為中薯18號，試驗設(shè)6個氮肥梯度，分別為0、81、162 (優(yōu)化施氮)、180、243、324 (常規(guī)施氮)kg/hm2；2019年在武川縣，品種為冀張薯12號，設(shè)7個氮肥梯度，分別為0、50、100、200 (優(yōu)化施氮)、250、350、450 (常規(guī)施氮) kg/hm2；2020 年在四子王旗，選用品種為希森6號，設(shè)4個施氮處理，分別為198、202、229、287 (均為優(yōu)化施氮)kg/hm2，在3個田間試驗中，每個處理設(shè)4次重復，試驗田優(yōu)化施氮量根據(jù)馬鈴薯目標產(chǎn)量和土壤氮素供應(yīng)狀況進行選擇，常規(guī)施氮根據(jù)當?shù)剞r(nóng)民習慣施肥。試驗數(shù)據(jù)采集于馬鈴薯塊莖膨大期和淀粉積累期，試驗地灌溉方式為滴灌，田間管理按照當?shù)卮筇镆?，統(tǒng)一管理。

圖1 研究區(qū)位置與試驗區(qū)分布Fig. 1 Location of study area and distribution of test area

1.2 S185高光譜影像獲取

無人機高光譜影像通過大疆M600 Pro搭載德國Cubert公司生產(chǎn)的S185高光譜成像儀獲取。該無人機適用于低空攝影測量應(yīng)用，兼具高光譜數(shù)據(jù)的高精準性和快照成像的特性，便攜易用。無人機及傳感器如圖2所示，其主要參數(shù)如表1所示。

圖2 無人機和S185傳感器Fig. 2 Unmanned aerial vehicle and S185 sensor

表1 本研究所用S185傳感器主要參數(shù)Table 1 The parameters of S185 sensor used in this study

無人機拍攝時間為11:00—14:00，選擇晴朗無風、視野良好的天氣進行飛行，飛行高度為50 m，鏡頭垂直向下，焦距為23 mm，航向重疊度與旁向重疊度均大于80%。S185拍攝一次可以同時獲得1幅50×50像素的高光譜影像和1幅1000×1000像素的灰度圖像。

將獲取的高光譜數(shù)據(jù)導入到工作電腦中，利用Cube-Pilot 1.5.6將拍攝的高光譜影像與灰度圖像進行融合和格式轉(zhuǎn)換，使用工程自帶軟件對融合后的高光譜影像進行波段劃分，共劃分為125波段。再使用 Agisoft PhotoScan 1.2.4 進行影像的對齊，建立密集點云，生成網(wǎng)格與紋理等。最后，在ENVI 5.1軟件中進行影像的幾何校正與影像裁剪，識別出馬鈴薯試驗區(qū)后在地面測量對應(yīng)的樣點位置附近構(gòu)建5 個半徑為 0.2 m 的興趣區(qū) (region of interest，ROI)，以ROI范圍內(nèi)地物的平均光譜反射率作為該樣點馬鈴薯反射率，從而得到各樣點光譜反射率數(shù)據(jù)(圖3)。

圖3 無人機高光譜影像預處理流程Fig. 3 Pre-processing of unmanned aerial vehicle hyperspectral images

1.3 葉綠素相對含量測定

葉綠素含量的測定采用SPAD-502型手持式葉綠素儀，該儀器可以快速、無損的測量葉片中的葉綠素含量。在無人機飛行的當天，同步測定各小區(qū)馬鈴薯的SPAD值。每處理選取代表其生長勢的馬鈴薯植株5株，每株取功能葉片(倒4葉)測量[28–29]，求平均值代表該樣本點SPAD值，通過SPAD值與葉綠素含量的線性關(guān)系[30]，將SPAD值轉(zhuǎn)換為葉片葉綠素含量進行估測。

1.4 光譜指數(shù)的選擇及數(shù)據(jù)分類

從已發(fā)表的多種可用于葉綠素測定的高光譜指數(shù)中，選取了基于紅光和綠光波段的8類光譜指數(shù)(表2)，利用高光譜數(shù)據(jù)波段多而窄的特點，通過波段優(yōu)化算法組合成2類比率和歸一化優(yōu)化光譜指數(shù)。將選定的已發(fā)表光譜指數(shù)與馬鈴薯葉綠素含量代入SPSS 23和Excel 2010中進行相關(guān)性分析，找出與馬鈴薯葉綠素含量相關(guān)性較好的光譜指數(shù)構(gòu)建估測模型，再利用Matlab構(gòu)建2類優(yōu)化光譜指數(shù)和葉綠素含量的相關(guān)矩陣圖，找到最為敏感波段進行葉綠素估測。其中總樣本數(shù)據(jù)采集于不同試驗不同處理的馬鈴薯塊莖膨大期和淀粉積累期共計125個，隨機抽取80%作為模型訓練數(shù)據(jù)，構(gòu)建葉綠素反演模型，剩余20%作為數(shù)據(jù)驗證，對預測模型的精度進行檢驗。

表2 已有比率光譜指數(shù)和歸一化光譜指數(shù)Table 2 Available ratios spectral index and normalized spectral index

2 結(jié)果與分析

2.1 馬鈴薯葉綠素含量變化

由表3可知，馬鈴薯塊莖膨大期葉綠素含量平均值大于淀粉積累期，標準差、變異系數(shù)均小于淀粉積累期，說明馬鈴薯生育末期葉綠素含量逐漸減少，且塊莖膨大期葉綠素含量的離散程度降低，葉綠素分布更均勻。其中訓練集樣本馬鈴薯葉綠素含量在10.58～23.14 mg/g范圍內(nèi)變動，平均值為19.80 mg/g，變異系數(shù)為14.9%，而驗證集樣本葉綠素含量分布范圍為12.80～23.73 mg/g，平均值是19.59 mg/g，變異系數(shù)為 17.0%。

表3 馬鈴薯葉綠素含量的描述性統(tǒng)計 (mg/g)Table 3 Descriptive statistics of chlorophyll contents in potato leaves

2.2 馬鈴薯葉綠素含量估測模型的構(gòu)建

利用訓練集的100個樣本數(shù)據(jù)與本研究挑選出的已發(fā)表光譜指數(shù)進行不同生育時期決定系數(shù)分析（表4)。已有光譜指數(shù)與馬鈴薯葉綠素含量的決定系數(shù)因指數(shù)波段組合、擬合函數(shù)類型的不同有所變化，但都達到了極顯著水平，這表明通過歸一化和比率算法得到的光譜指數(shù)具備估測馬鈴薯葉綠素含量的能力，并且基于紅光、綠光波段建立的光譜指數(shù)能更好的估測馬鈴薯葉綠素含量。

表4 比率光譜指數(shù)和歸一化光譜指數(shù)與馬鈴薯葉綠素含量決定系數(shù)(R2)分析Table 4 Determination coefficient (R2) analysis between ratio spectral index,normalized spectral index and potato chlorophyll content

為了調(diào)查所建立模型散點的分布情況，選取表4中決定系數(shù)最高的紅光葉綠素光譜指數(shù)(CIred-edge)、綠光葉綠素光譜指數(shù)(CIgreen)、綠光歸一化光譜指數(shù)(GNDVI)和歸一化光譜指數(shù)550 (ND550)與馬鈴薯葉綠素含量作散點圖(圖4)。已有比率光譜指數(shù)包括RVI、NIR、CIred-edge和CIgreen，其中由綠光波段建立的CIgreen雖然數(shù)據(jù)離散度較大，但與CIred-edge相比模型訓練效果相對較好。已有歸一化光譜指數(shù)包括NDVI、GNDVI、NDRE和ND550，其中基于綠光波段構(gòu)建的ND550和GNDVI與馬鈴薯葉綠素含量的估測模型同樣存在離散度較大等現(xiàn)象，但模型擬合效果明顯好于已有比率光譜指數(shù)CIgreen和CIred-edge，其中以基于ND550構(gòu)建模型最優(yōu)，決定系數(shù)為0.61，這表明綠光波段在馬鈴薯葉綠素估測中具有重要作用。可能是因為作物種類之間的差異，已有的光譜指數(shù)敏感波段在本試驗研究的馬鈴薯上總體效果較差，因此很有必要尋找兩種算法下反映馬鈴薯葉綠素含量的最佳敏感波段，解決估測模型魯棒性(穩(wěn)健性)、精度較差問題。

圖4 比率光譜指數(shù)和歸一化光譜指數(shù)與馬鈴薯葉綠素含量估測模型Fig. 4 Estimation model of ratio spectral index,normalized spectral index and potato chlorophyll content

為改善已有光譜指數(shù)在估測馬鈴薯葉綠素含量上存在的數(shù)據(jù)離散及模型魯棒性較差的問題，提高比率光譜指數(shù)和歸一化光譜指數(shù)對馬鈴薯葉綠素含量估測的能力，本研究以比率光譜指數(shù)和歸一化光譜指數(shù)的算法為依據(jù)，利用Matlab將450～950 nm范圍內(nèi)任意2波段組合優(yōu)化，重新提取對馬鈴薯葉綠素敏感的波段，并計算成兩類優(yōu)化光譜指數(shù)即優(yōu)化比率光譜指數(shù)RSI和優(yōu)化歸一化光譜指數(shù)NDSI，同時制作新光譜指數(shù)線性擬合決定系數(shù)R2的相關(guān)矩陣圖(圖5)。結(jié)果表明兩類優(yōu)化光譜指數(shù)的決定系數(shù)均有達到極顯著相關(guān)水平的敏感區(qū)域，優(yōu)化比率光譜指數(shù)RSI最優(yōu)波段組合為586和462 nm；優(yōu)化歸一化光譜指數(shù)NDSI最優(yōu)波段組合為586和498 nm。優(yōu)化后的比率光譜指數(shù)和歸一化光譜指數(shù)具有更好的線性擬合趨勢(圖6)。其中優(yōu)化的歸一化光譜指數(shù)與馬鈴薯葉綠素含量估測模型的線性擬合方程為y=?41.519x+30.449，決定系數(shù)R2達0.83；優(yōu)化的比率光譜指數(shù)與馬鈴薯葉綠素含量估測模型的線性擬合方程為y=?7.3x+32.733，決定系數(shù)R2達 0.82 (圖6)，模型精度明顯高于已有光譜指數(shù)CIgreen和ND550(R2分別為 0.48、0.61)。

圖5 不同波段組合優(yōu)化比率光譜指數(shù)(RSI)和歸一化光譜指數(shù)(NDSI)與馬鈴薯葉綠素含量的決定系數(shù)(R2)Fig. 5 Determination coefficient (R2) distribution of potato chlorophyll content with optimized ratio spectral index (RSI)and normalized spectral index (NDSI) of different band combinations

圖6 優(yōu)化比率光譜指數(shù)和歸一化光譜指數(shù)與馬鈴薯葉綠素含量估測模型Fig. 6 Estimation model of optimized ratio spectral index,normalized spectral index and potato chlorophyll content

2.3 模型驗證及高光譜影像反演填圖

在總樣本中隨機選取25個實測樣本進行已建立模型的驗證，通過實測值和預測值線性關(guān)系模型的決定系數(shù)R2和均方根誤差RMSE來檢驗模型的估測能力和精度。如圖7所示，優(yōu)化比率光譜指數(shù)RSI檢驗模型的R2為0.77，而優(yōu)化歸一化光譜指數(shù)NDSI檢驗模型的R2為0.79略高于RSI，同時RMSE低于優(yōu)化比率光譜指數(shù)RSI。通過波段優(yōu)化算法得到的新光譜指數(shù)不僅線性擬合趨勢更好，也能夠達到精準的估測，其中建模及驗證效果最好的是NDSI，線性擬合趨勢更好，驗證數(shù)據(jù)和實測數(shù)據(jù)更接近1∶1線。

圖7 優(yōu)化比率光譜指數(shù)和歸一化光譜指數(shù)與馬鈴薯葉綠素含量估測模型的驗證Fig. 7 Validation of estimation model of potato chlorophyll content based on optimized ratio spectral index (RSI)and normalized spectral index (NDSI)

3 討論

在ENVI 5.1軟件中，通過計算常規(guī)歸一化光譜指數(shù)NDVI和優(yōu)化的光譜指數(shù)NDSI與馬鈴薯葉綠素含量的估測模型來進行高光譜影像的反演填圖，從而獲得試驗地馬鈴薯葉綠素含量分布圖(圖8)。通過對比NDVI與NDSI馬鈴薯葉綠素含量分布圖，NDVI模型對于葉綠素含量估測值為20～22 mg/g，且沒有具體的區(qū)分開不同處理的葉綠素含量，相反地NDSI模型能夠較準確地估測馬鈴薯葉綠素含量，估測值為18～21 mg/g，且對于不同處理能夠很好的進行反演。由此可見，優(yōu)化的NDSI指數(shù)能夠準確的反映馬鈴薯研究區(qū)的葉綠素含量，為以后研究馬鈴薯葉綠素含量提供了快速的監(jiān)測方法。

圖8 基于NDVI與NDSI模型的馬鈴薯葉綠素含量分布圖Fig. 8 Distribution of potato chlorophyll content based on NDVI and NDSI models

目前，通過多光譜影像提取光譜反射率與光譜指數(shù)結(jié)合構(gòu)建模型反演農(nóng)作物各項生理參數(shù)已被廣泛應(yīng)用，但通常提取出的光譜反射率波段寬、信息少，不能進行波段優(yōu)化來構(gòu)建新光譜指數(shù)，從而易受作物種類及種植環(huán)境的影響，導致估測模型精度低、適用性差等[36]。本研究使用高光譜成像儀通過無人機平臺在中低空尺度上獲取空間分辨率和光譜分辨率較高的區(qū)域農(nóng)作物影像，從影像中提取光譜反射率，結(jié)合波段優(yōu)化算法來反演馬鈴薯葉綠素含量，取得了較好的效果，為從空中、地面立體化農(nóng)情監(jiān)測提供了新的技術(shù)手段。

在波段優(yōu)化算法下，馬鈴薯塊莖膨大期和淀粉積累期葉綠素含量估測的敏感波段分別為586和498 nm，與 NDVI (800 nm，670 nm)光譜指數(shù)相比，敏感波段明顯不同，而優(yōu)化光譜指數(shù)NDSI更具有優(yōu)越性[37]。已有基于NDVI和RVI算法的光譜指數(shù)被廣泛應(yīng)用于小麥、玉米等作物的葉綠素含量估測[38–40]，但是這些指數(shù)在馬鈴薯葉綠素含量估測中參差不齊，在生成葉綠素含量反演分布圖時效果較差，導致高光譜影像在監(jiān)測不同處理下馬鈴薯葉綠素含量時表現(xiàn)不佳，這說明葉綠素敏感波段易受作物種類和生育時期的影響，光譜指數(shù)的構(gòu)建要提高影像反演精度等問題需要進一步研究[41–42]。與NDVI相比，優(yōu)化光譜指數(shù)NDSI在提高模型魯棒性和反演精度方面具有顯著效果。大量研究也發(fā)現(xiàn)，優(yōu)化光譜指數(shù)在高光譜影像上的反演精度要好于已有光譜指數(shù)，能顯著提高作物氮素、葉面積指數(shù)和生物量的反演精度，對改善影像精度有很大幫助[43–45]。本研究同樣發(fā)現(xiàn)優(yōu)化光譜指數(shù)能提高不同施氮量下馬鈴薯葉綠素含量的反演精度(圖9)，這是因為波段優(yōu)化算法能夠辨識馬鈴薯葉綠素含量的敏感波段，減弱了土壤等外界環(huán)境因素的干擾，能夠精準的反演馬鈴薯葉綠素含量，通過制圖直觀的反映馬鈴薯葉綠素含量分布。

圖9 不同施氮量試驗地的馬鈴薯基于NDSI模型的葉綠素含量分布圖Fig. 9 Chlorophyll content distribution of potato under different N rate treatments based on NDSI model

目前對低空無人機高光譜成像遙感在農(nóng)作物長勢監(jiān)測中的應(yīng)用研究還處于探索階段，儀器定標、高光譜影像分辨率和影像陰影去除等方面還需要更加深入的研究[46]。影像陰影是由于大氣中厚云層的存在對光線的阻擋，不可避免地會在影像上產(chǎn)生較暗的陰影區(qū)域[47]。陰影的存在會影響光譜反射率的提取，并且在NDSI模型所生成的分布圖中影響葉綠素含量的估測，需要進行高光譜影像陰影去除等，進一步完善利用遙感影像進行葉綠素含量的估測。

4 結(jié)論

本研究優(yōu)化光譜指數(shù)RSI和NDSI最佳敏感波段分別為586、462和586、498 nm，此波段范圍內(nèi)RSI和NDSI與馬鈴薯關(guān)鍵生育期葉綠素含量相關(guān)性最優(yōu)，通過波段優(yōu)化算法重新構(gòu)建的優(yōu)化光譜指數(shù)預測模型可靠性及精度顯著高于已有光譜指數(shù)，決定系數(shù)分別為0.82和0.83，且驗證效果較好。應(yīng)用2種光譜指數(shù)對研究區(qū)高光譜影像進行葉綠素含量反演估測，生成田間馬鈴薯葉綠素含量分布圖，其中NDSI估測效果最好，為光譜指數(shù)估測馬鈴薯關(guān)鍵生育期葉綠素含量提供理論支持。