基于無(wú)人機(jī)多光譜的葡萄氮含量監(jiān)測(cè)研究

唐渲運(yùn)， 高何璇， 高曉陽(yáng)*， 李紅嶺， 賈尚云， 張 旭，2

(1.甘肅農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，甘肅 蘭州 730070；2.甘肅省葡萄與葡萄酒工程學(xué)重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730070；3.甘肅省干旱生境作物學(xué)重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730070；4.蘭州銀行網(wǎng)絡(luò)金融部，甘肅 蘭州 730000)

目前，葡萄在我國(guó)栽培地域廣且產(chǎn)量大，葡萄品質(zhì)對(duì)食用和葡萄酒口感影響很大，而氮素是影響其產(chǎn)量和品質(zhì)的重要因素之一[1]。利用遙感技術(shù)快速監(jiān)測(cè)植被元素含量，在現(xiàn)代精準(zhǔn)農(nóng)業(yè)的智能化施肥決策中發(fā)揮著越來(lái)越重要的作用[2-9]。通過(guò)無(wú)人機(jī)搭載光譜相機(jī)組成的遙感監(jiān)測(cè)系統(tǒng)，研究使用大面積遙感實(shí)驗(yàn)數(shù)據(jù)對(duì)元素含量進(jìn)行反演，可快速獲得植被元素含量[12]。目前農(nóng)業(yè)光譜應(yīng)用多集中在小麥、水稻等大田作物[17-20]，國(guó)內(nèi)外鮮有對(duì)葡萄植株所含元素的光譜研究。本文使用無(wú)人機(jī)搭載多光譜相機(jī)獲取的葡萄植株多光譜數(shù)據(jù)生成植被指數(shù)進(jìn)行葡萄植株的氮素反演，以求為葡萄關(guān)鍵生長(zhǎng)期施肥管理提供決策依據(jù)。

1 材料與方法

1.1 研究試驗(yàn)區(qū)域與試驗(yàn)設(shè)計(jì)

試驗(yàn)研究地點(diǎn)位于甘肅省武威市涼州區(qū)清源鎮(zhèn)威龍沙漠綠洲有機(jī)葡萄莊園(102°47′33″ E，37°54′0″ N)，試驗(yàn)地域?qū)儆诘湫蜏貛Т箨懶詺夂?，日照時(shí)數(shù)2 800小時(shí)左右，光照充足，晝夜溫差較大，蒸發(fā)量大，干旱少雨。選用馬瑟蘭葡萄為研究對(duì)象，種植株距為3 m，行距5 m，柱架栽培。葡萄4月19日出土上架，萌芽期在5月10號(hào)左右，6月初為開(kāi)花期，6月中旬進(jìn)入果實(shí)膨大期，9月初為果實(shí)著色期，全生育期150～165天。試驗(yàn)研究過(guò)程中，分別在葡萄的4個(gè)生育期獲取多光譜圖進(jìn)行建模反演。試驗(yàn)選取60個(gè)樣本小區(qū)，利用矯正后的光譜圖，提取小區(qū)的平均反射率構(gòu)建植被指數(shù)，對(duì)應(yīng)采樣葉片在實(shí)驗(yàn)室測(cè)定其氮含量數(shù)據(jù)，構(gòu)成建模數(shù)據(jù)樣本集。其中隨機(jī)選取45個(gè)樣本小區(qū)用于建模，剩余15個(gè)樣本小區(qū)用于模型精度驗(yàn)證。從每個(gè)樣本小區(qū)摘取6片葉片，使用保溫箱冷藏后帶回實(shí)驗(yàn)室，使用干燥箱干燥，研磨成粉后經(jīng)甘肅省農(nóng)業(yè)科學(xué)研究院使用凱氏定氮法測(cè)取其氮含量。葉片采樣時(shí)，測(cè)定并記錄每個(gè)樣本點(diǎn)GPS數(shù)值，便于后期與多光譜影像對(duì)應(yīng)處理。

1.2 多光譜影像數(shù)據(jù)的采集與處理

本試驗(yàn)研究采用大疆M200系列四旋翼無(wú)人機(jī)搭載RedEdge-M多光譜相機(jī)。無(wú)人機(jī)飛行時(shí)，為確保生成正射影像圖，相機(jī)鏡頭保持垂直向下；為保證光譜數(shù)據(jù)的質(zhì)量，采集均選在天氣晴朗無(wú)云并且陽(yáng)光正射地面的中午時(shí)間，飛行高度為45 m，選定飛行實(shí)驗(yàn)區(qū)域后，自動(dòng)規(guī)劃航線飛行。RedEdge-M多光譜相機(jī)共有五個(gè)通道，分別為紅、綠、藍(lán)、紅邊、近紅五通道，拍攝時(shí)內(nèi)置SD卡用于圖像儲(chǔ)存。利用Pix4D mapper對(duì)光譜圖像進(jìn)行拼接、校準(zhǔn)、提取各波段反射率，編輯植被指數(shù)公式，生成反演所用的光譜變量。

1.3 植被指數(shù)的選取

參考已有植物氮素反演研究文獻(xiàn)[21-31]，本文選取5個(gè)波段反射率和11個(gè)植被指數(shù)，以16個(gè)光譜變量對(duì)葡萄葉片氮含量進(jìn)行反演試驗(yàn)研究，表1為試驗(yàn)研究選用的光譜變量。

表1 試驗(yàn)研究選用的光譜變量

1.4 數(shù)據(jù)分析方法

1.4.1 逐步回歸分析

在多元線性回歸中，如何選擇最優(yōu)自變量是需要考慮的重要環(huán)節(jié)，自變量數(shù)目太少，則會(huì)造成偏差過(guò)大；若選擇全部自變量，則由于許多不顯著自變量會(huì)使自由度減小而導(dǎo)致誤差δ2增大等問(wèn)題[32]。為建立最優(yōu)回歸方程，本研究采用逐步回歸的思想方法，首先對(duì)引入的因子進(jìn)行顯著性檢驗(yàn)，只保留顯著者；其次，反復(fù)引入因子，每引入一個(gè)新因子就進(jìn)行一次顯著性檢驗(yàn)，保留顯著并剔除不顯著因子，直到進(jìn)入的因子都顯著，而沒(méi)有進(jìn)入的因子都不顯著為止。

Note：RGRE、RRED、RBLU、RREG、RREG and RNIRare reflectance values in green，red，blue，red edge and near infrared bands.

1.4.2 建模方法

首先將實(shí)測(cè)葡萄葉片氮含量與選取的植被指數(shù)做相關(guān)性分析，以相關(guān)性顯著作為逐步回歸基礎(chǔ)；其次，隨機(jī)選取45個(gè)樣本數(shù)據(jù)為訓(xùn)練數(shù)據(jù)集來(lái)構(gòu)建葡萄氮含量模型，剩余15個(gè)樣本數(shù)據(jù)為檢驗(yàn)數(shù)據(jù)集，對(duì)建立的估算模型進(jìn)行能力檢驗(yàn)。本文采用后退逐步回歸建模，選擇16個(gè)經(jīng)過(guò)檢驗(yàn)顯著的植被指數(shù)為初始變量，之后再分析逐個(gè)剔除其中最不顯著者，綜合考慮模型精度以及復(fù)雜程度，選擇出最優(yōu)植被指數(shù)變量構(gòu)建最終反演模型，用于智慧農(nóng)業(yè)的氮肥決策。

1.4.3 評(píng)價(jià)指標(biāo)

本文選取決定系數(shù)R2、調(diào)整后R2、均方根誤差(RMSE)作為模型精度評(píng)價(jià)指標(biāo)。所建模型R2越大，相應(yīng)的RMSE越小，模型估算能力將越好。模型評(píng)價(jià)指標(biāo)見(jiàn)公式(1)-(3)。

(1)

(2)

(3)

2 結(jié)果與分析

2.1 葉片氮含量與光譜變量相關(guān)性分析

相關(guān)性分析是回歸建模的前提。當(dāng)因變量與自變量的相關(guān)性越高，回歸模型才具有較高可解釋性。從萌芽期、開(kāi)花期、果實(shí)膨大期、著色期等4個(gè)主要生育期數(shù)據(jù)樣本集中隨機(jī)選取45組數(shù)據(jù)，對(duì)生育期的光譜構(gòu)建的植被指數(shù)與葉片實(shí)際氮含量進(jìn)行相關(guān)性分析，各生育期相關(guān)性分析結(jié)果如圖1所示。

圖1 光譜變量與葡萄葉片氮含量相關(guān)性系數(shù)

本試驗(yàn)研究通過(guò)對(duì)萌芽期、開(kāi)花期、果實(shí)膨大期、果實(shí)著色期等4個(gè)生育期植被指數(shù)與實(shí)測(cè)葉片氮含量相關(guān)性分析可知，在萌芽期，GNDVI與氮含量相關(guān)性系數(shù)最高，并且P<0.01，極顯著；在開(kāi)花期，MNLI與氮含量相關(guān)性系數(shù)最高，P<0.01，極顯著；在果實(shí)膨大期，GNDVI、MNLI與氮含量相關(guān)性系數(shù)最高；在著色期，MNLI與氮含量相關(guān)性系數(shù)最高，P<0.01，極顯著。

2.2 葉片氮含量最佳估測(cè)模型

由上述分析可知，5個(gè)通道的光譜反射率以及所構(gòu)成的11個(gè)植被指數(shù)與葉片氮含量具有較高的相關(guān)性。本文選用SPSS軟件對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行后退逐步回歸分析，使用16個(gè)光譜變量與葉片氮含量構(gòu)建多元線性回歸模型，首先將全變量建模中不顯著變量剔除，然后采用后退逐步回歸逐個(gè)剔除變量中最不顯著變量，步進(jìn)法條件使用F的概率，進(jìn)入為0.05，去除為0.1。為規(guī)避偽回歸風(fēng)險(xiǎn)，首先將原始數(shù)據(jù)標(biāo)準(zhǔn)化，取自然數(shù)對(duì)數(shù)后進(jìn)行回歸分析。綜合考慮模型精度和簡(jiǎn)潔度，選取合適的模型建模，回歸結(jié)果如表2所示。

表2 光譜變量與葡萄葉片氮含量回歸結(jié)果

表3 不同生育期葡萄葉片氮含量回歸結(jié)果

圖2 氮含量預(yù)測(cè)值與實(shí)際值的關(guān)系

3 討論

利用無(wú)人機(jī)搭載RedEdge-M多光譜相機(jī)采集的紅、藍(lán)、綠、近紅和紅邊波段等低空農(nóng)業(yè)遙感光譜數(shù)據(jù)，在田塊尺度上包含的精準(zhǔn)農(nóng)業(yè)信息豐富，作物生長(zhǎng)檢測(cè)和數(shù)據(jù)處理也較為簡(jiǎn)單，相比于高光譜其價(jià)格優(yōu)勢(shì)明顯，便于實(shí)際推廣應(yīng)用。

葡萄氮含量與其葉綠素含量有很強(qiáng)的關(guān)聯(lián)性，氮素含量隨著葉綠素量增加而增加[33]，在氮素含量研究中可適當(dāng)選取一些對(duì)葉綠素敏感的波段。本研究發(fā)現(xiàn)，綠光波段在可見(jiàn)光中最為敏感，光譜指數(shù)GNDVI在不同生育期和氮素相關(guān)性也都較高，說(shuō)明綠光及其綠光波段所構(gòu)成的光譜指數(shù)可以很好地對(duì)葡萄氮含量進(jìn)行反演。

此外，還嘗試了采用BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等構(gòu)建模型實(shí)驗(yàn)，但由于樣本集數(shù)量過(guò)少，所訓(xùn)練的模型無(wú)法滿足精度要求；就線性模型而言，本文選用一年采集的試驗(yàn)數(shù)據(jù)所構(gòu)建的多元線性回歸模型，相比于采用最優(yōu)植被指數(shù)的已有反演模型研究[21-30]，其模型精度仍相對(duì)較高。多元回歸模型即避免了全變量建模的多重共線性，方便模型的解釋，又保證了模型的穩(wěn)定性。為進(jìn)一步提高所建模型的魯棒性，今后還應(yīng)適當(dāng)增加實(shí)驗(yàn)區(qū)域，并采用多年數(shù)據(jù)來(lái)構(gòu)建模型。

4 結(jié)論

基于無(wú)人機(jī)多光譜影像，采用逐步回歸分析方法構(gòu)建葡萄四個(gè)生育期的葉片氮素含量模型，實(shí)現(xiàn)對(duì)葡萄氮含量的有效估測(cè)。本文試驗(yàn)研究的結(jié)果如下。

(1)葡萄氮含量與多光譜相機(jī)的5個(gè)波段相關(guān)性分析結(jié)果表明，綠色、紅邊、近紅波段對(duì)植被指數(shù)都很敏感，在四個(gè)生長(zhǎng)期近紅外波段與葡萄氮含量相關(guān)性都是最高的。

(2)經(jīng)后退逐步回歸分析法，篩選出各生育期葡萄氮含量模型的最優(yōu)光譜變量。萌芽期為GNDVI、B、R、MNLI、G、NIR；開(kāi)花期為 GRVI、GNDVI、B、RE、R、G、NIR、MNLI、NDVI；果實(shí)膨大期為GRVI、RE、MNLI、NLI、GNDVI、NDVI；著色期為GRVI、NIR、B、RE、R、G、MNLI、NLI、GNDVI。