基于無人機(jī)多光譜影像的佛手瓜葉片SPAD 值估算模型

黎瑞君，陳智虎，舒田，劉春艷，許元紅，孫長青

（貴州省農(nóng)業(yè)科技信息研究所，貴陽 550006）

隨著精準(zhǔn)農(nóng)業(yè)的發(fā)展，遙感技術(shù)被廣泛用于農(nóng)業(yè)生產(chǎn)，從作物面積監(jiān)測、表型研究到作物估產(chǎn)，多方面、多渠道指導(dǎo)農(nóng)業(yè)生產(chǎn)活動(dòng)［1-3］。在作物表型研究方面，科研工作者針對(duì)不同的農(nóng)作物，采用不同的研究數(shù)據(jù)和研究方法，分析和估算葉綠素含量、氮含量、生物量等表型信息，評(píng)價(jià)農(nóng)作物的長勢(shì)以及產(chǎn)量。葉綠素是植物進(jìn)行光合作用的主要色素，是植物營養(yǎng)診斷和長勢(shì)監(jiān)測的重要指標(biāo)之一［4，5］。葉綠素相對(duì)含量（Soil and plant analyzer development，SPAD）與葉綠素含量關(guān)系密切，通過測定SPAD值可以較好地反映葉片葉綠素含量［6-8］。

在利用遙感數(shù)據(jù)估算SPAD值的研究中，以經(jīng)驗(yàn)?zāi)Ｐ偷难芯勘容^多［9-12］，陳曉凱等［13］利用低空無人機(jī)獲取的高光譜影像對(duì)冬小麥葉面積指數(shù)進(jìn)行遙感估算，能夠準(zhǔn)確地實(shí)現(xiàn)小區(qū)域的葉面積指數(shù)遙感填圖；田軍倉等［14］基于多光譜影像利用多種模型估算方法對(duì)番茄冠層SPAD值進(jìn)行估算，估算效果顯著；有關(guān)SPAD值估算已經(jīng)進(jìn)行了大量的研究，主要集中在玉米、小麥、水稻和高粱等糧食作物［15-17］。邊立麗等［18］利用SPAD值進(jìn)行烤煙氮素營養(yǎng)診斷，SPAD值為37.11～46.06，可作為烤煙團(tuán)棵期和旺長期氮素營養(yǎng)診斷的指標(biāo)，并能推薦氮肥的施用；尹航等［19］基于高光譜影像利用歸一化光譜指數(shù)，通過波段優(yōu)化算法建立優(yōu)化光譜指數(shù)和馬鈴薯關(guān)鍵生育期葉綠素含量的相關(guān)性和估算模型，對(duì)馬鈴薯SPAD值進(jìn)行估算，最優(yōu)波段分別為586、462 nm 和586、498 nm，在該波段范圍內(nèi)利用光譜指數(shù)建立估算模型效果最好。

佛手瓜（Sechium edule）又名洋瓜、千金瓜、捧瓜、葵瓜等，是一種葫蘆瓜屬植物，果實(shí)、嫩莖葉、卷須和地下塊根均可做菜肴，在瓜類蔬菜中營養(yǎng)全面豐富，常食可以增強(qiáng)人體抵抗疾病的能力，是名副其實(shí)的無公害蔬菜，在貴州省石山區(qū)廣泛種植。將遙感技術(shù)應(yīng)用于佛手瓜葉片SPAD值估算研究，通過無人機(jī)搭載多光譜相機(jī)獲取高精度多光譜影像，提取不同的植被指數(shù)，選取合適的植被指數(shù)作為模型建立的輸入變量，構(gòu)建佛手瓜黃葉和綠葉葉片的SPAD值估算模型，并進(jìn)行模型評(píng)價(jià)，進(jìn)而評(píng)估佛手瓜長勢(shì)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于貴州省惠水縣好花紅鎮(zhèn)弄苑村佛手瓜種植基地，該村人均占有耕地不足667 m2，是典型的深石山區(qū)，平均海拔1 100 m，年均降水量122～1 300 mm，屬于亞熱帶季風(fēng)氣候區(qū)，佛手瓜作為當(dāng)?shù)氐闹饕?jīng)濟(jì)產(chǎn)業(yè)，具有成熟的種植模式和種植規(guī)模。研究區(qū)位置如圖1 所示。

圖1 研究區(qū)位置

1.2 影像采集與預(yù)處理

采用垂直起降無人機(jī)搭載RedEdge-M 快照式多光譜相機(jī)，組成無人機(jī)多光譜影像采集系統(tǒng)，如圖2 所示，多光譜相機(jī)主要參數(shù)如表1 所示。數(shù)據(jù)采集時(shí)間為2022 年7 月6日，當(dāng)日天氣晴朗、少云。航拍時(shí)間選在11：00—15：00，太陽光直射地面，航線設(shè)置高度為距離地面150 m，航拍面積約65 萬m2，航向重疊度和旁向重疊度均設(shè)置為75%，除此之外，在研究區(qū)內(nèi)設(shè)置6 個(gè)控制點(diǎn)，均勻分布在研究區(qū)內(nèi)道路交叉點(diǎn)、房屋拐點(diǎn)等位置。

圖2 無人機(jī)多光譜影像采集系統(tǒng)

利用Pix4D 軟件對(duì)獲取的無人機(jī)多光譜影像進(jìn)行拼接處理，在處理的過程中，添加控制點(diǎn)的坐標(biāo)進(jìn)行校正，生成研究區(qū)不同波段的影像圖，基于灰板對(duì)5 個(gè)波段影像進(jìn)行反射率校正，獲取研究區(qū)不同波段反射率影像（表1），公式如下［1］：

表1 RedEdge-M 光譜通道參數(shù)

式中，Ri為地面目標(biāo)等i波段反射率；Di為地面目標(biāo)等i波段DN值；Rbi為灰板等i波段反射率；Dbi為灰板等i波段DN值。

1.3 地面數(shù)據(jù)采集

無人機(jī)多光譜影像采集當(dāng)日，利用手持式葉綠素儀（SPAD-502Plus）在研究區(qū)內(nèi)選取10 個(gè)小樣區(qū)，每個(gè)樣區(qū)2 m×2 m，在每個(gè)樣區(qū)內(nèi)采集10—14 個(gè)樣本數(shù)據(jù)，取平均值作為該樣區(qū)的SPAD值，共采集120個(gè)樣本的SPAD值。SPAD值樣本特征如表2所示。

表2 SPAD 值樣本特征統(tǒng)計(jì)

1.4 植被指數(shù)選取與計(jì)算

植被指數(shù)能夠很好地反映佛手瓜葉片及葉片生長情況，選取部分植被指數(shù)進(jìn)行佛手瓜葉片SPAD值估算。每個(gè)植被指數(shù)的計(jì)算公式如表3 所示。

表3 植被指數(shù)公式匯總

1.5 模型構(gòu)建方法及評(píng)價(jià)標(biāo)準(zhǔn)

1.5.1 估算模型建立 偏最小二乘法［24，25］（Partial least squares，PLS）是一種通過最小化誤差的平方和尋找一組數(shù)據(jù)最佳匹配函數(shù)的方法，在樣本點(diǎn)的數(shù)量比較少或小于自變量數(shù)目的情況下，同時(shí)實(shí)現(xiàn)相關(guān)性分析、主成分分析和多元線性回歸分析，建立具有良好效果的回歸模型。

1.5.2 模型評(píng)價(jià)標(biāo)準(zhǔn) 好的估算模型需要具有較低的均方差（RMSE）和較高的決定系數(shù)（R2），其中R2越大，RMSE越小，表明模型效果越好。此外，利用相對(duì)分析誤差（Relative prediction deviation，RPD）對(duì)模型預(yù)測能力進(jìn)行評(píng)估。

2 結(jié)果與分析

2.1 SPAD 與植被指數(shù)相關(guān)性分析

計(jì)算得到10 個(gè)小區(qū)綠色葉片和黃色葉片的4 種植被指數(shù)，與每個(gè)小區(qū)相對(duì)映的實(shí)測SPAD值組成數(shù)據(jù)集，分別對(duì)黃色葉片和綠色葉片的SPAD值與植被指數(shù)進(jìn)行相關(guān)性分析，結(jié)果如表4、表5 所示。

由表4 可知，在佛手瓜綠色葉片，NDVI、GNDVI、RVI和SPAD值均呈正相關(guān)關(guān)系，而CIre與SPAD值是負(fù)相關(guān)關(guān)系，相關(guān)系數(shù)為-0.73。NDVI、GNDVI、RVI的相關(guān)系數(shù)為0.66～0.92，其中，NDVI與SPAD值具有較高的相關(guān)性，相關(guān)系數(shù)達(dá)到0.92，GNDVI與NDVI之間也有較高的相關(guān)性，相關(guān)系數(shù)達(dá)到0.95，GNDVI與CIre和RVI具有較低的相關(guān)性，相關(guān)系數(shù)分別為0.14 和0.11。

表4 植被指數(shù)與綠葉SPAD 值的相關(guān)系數(shù)

由表5 可知，在佛手瓜黃色葉片，NDVI、GNDVI、RVI與SPAD值均呈正相關(guān)關(guān)系，CIre與SPAD值表現(xiàn)為負(fù)相關(guān)，相關(guān)系數(shù)為-0.56。NDVI與SPAD值的相關(guān)性最好，相關(guān)系數(shù)達(dá)到0.89，RVI與SPAD值的相關(guān)系數(shù)比較低，相關(guān)系數(shù)僅為0.37。

表5 植被指數(shù)與黃葉SPAD 值的相關(guān)系數(shù)

2.2 模型構(gòu)建與評(píng)價(jià)

在模型建立過程中，將120 個(gè)樣本數(shù)據(jù)分為建模集和驗(yàn)證集兩個(gè)部分，即90 個(gè)樣本作為建模集樣本，30 個(gè)樣本作為驗(yàn)證集樣本。利用PLS 建立佛手瓜綠色和黃色葉片SPAD值反演模型，建立的估算模型和驗(yàn)證結(jié)果如表6 所示。建立基于PLS的SPAD估算模型預(yù)測值與實(shí)測值的關(guān)系如圖3 所示。

圖3 基于PLS的SPAD 值估算模型預(yù)測值與實(shí)測值的關(guān)系

基于SPAD值與植被指數(shù)相關(guān)性分析結(jié)果，選擇NDVI分別建立佛手瓜綠色和黃色葉片RF 與PLS模型。從表6 中可以看出，不同方法對(duì)相同葉片估算的SPAD值不同，同一方法建立不同葉片SPAD值的反演效果存在差異。在利用PLS 模型估算葉片SPAD值時(shí)，建立的綠色葉片模型中建模集R2為0.880，驗(yàn)證集R2為0.814，均高于黃色葉片建模集和驗(yàn)證集的R2；綠色葉片建模集和驗(yàn)證集的RMSE分別為1.04 和1.12，比黃色葉片的建模集和驗(yàn)證集RMSE低0.19 和0.04，差別不是很大；綠色葉片RPD為1.11，黃色葉片RPD為1.08，說明PLS 模型對(duì)綠色葉片SPAD值的預(yù)測能力高于黃色葉片。在利用RF模型估算葉片SPAD值時(shí)，建立的綠色葉片模型中建模集R2為0.703，驗(yàn)證集R2為0.554，均高于黃色葉片建模集和驗(yàn)證集的R2；綠色葉片建模集和驗(yàn)證集的RMSE分別為1.11 和1.02，與黃色葉片的建模集和驗(yàn)證集RMSE差別不是很大；綠色葉片RPD為1.08，黃色葉片RPD為1.01，說明RF 模型對(duì)綠色葉片SPAD值的預(yù)測能力高于黃色葉片（圖4），從建模方法來看，PLS 模型對(duì)佛手瓜不同顏色葉片SPAD值估算精度要比RF 模型高一些，但這兩種方法對(duì)佛手瓜SPAD值的估算效果都只是粗略估計(jì)。

圖4 基于RF的SPAD 值估算模型預(yù)測值與實(shí)測值的關(guān)系

表6 PLS 估算模型和驗(yàn)證結(jié)果

3 討論

本研究基于無人機(jī)多光譜影像提取的4 種植被指數(shù)，通過分析植被指數(shù)與佛手瓜葉片SPAD值相關(guān)性，利用PLS、RF 方法分別建立綠色和黃色葉片SPAD值估算模型。

佛手瓜綠色和黃色葉片的SPAD值PLS 估算模型均優(yōu)于RF 模型，在其他作物SPAD值估算中PLS方法不一定是最優(yōu)的，需要根據(jù)作物的實(shí)際表現(xiàn)形式進(jìn)行選擇；紅邊葉綠素指數(shù)（CIre）與SPAD值的相關(guān)系數(shù)有些異常，呈負(fù)相關(guān)，在佛手瓜葉片SPAD值估算中，可能受到外界環(huán)境的影響，無法很好地表征SPAD值變化情況。

4 結(jié)論

1）佛手瓜葉片寬大，采集綠色和黃色葉片的SPAD值，綠色葉片的SPAD值和變異系數(shù)均比黃色葉片的高，標(biāo)準(zhǔn)差則相反。

2）本研究選取的4種植被指數(shù)中，NDVI、GNDVI、RVI、CIre與SAPD均顯著相關(guān)，其中，NDVI、GNDVI、RVI與SPAD值呈現(xiàn)出較強(qiáng)且穩(wěn)定的正相關(guān)，在佛手瓜綠色和黃色葉片中相關(guān)系數(shù)都較高；NDVI表現(xiàn)突出，相關(guān)系數(shù)均達(dá)到0.85 以上。

3）建立佛手瓜綠色和黃色葉片SPAD值估算模型，PLS 模型綠色和黃色葉片驗(yàn)證集R2分別為0.814、0.660，RMSE分別為1.12、1.16，RPD分別為1.11、1.08，RF 模型綠色和黃色葉片驗(yàn)證集R2分別為0.554、0.486，RMSE分別為1.02、1.06，RPD分別為1.08、1.01，PLS 在進(jìn)行佛手瓜葉片SPAD值估算過程中，估算效果優(yōu)于RF 模型，綠色葉片估算效果高于黃色葉片。