基于無人機多光譜估測不同品種紫花苜蓿的地上生物量和葉綠素含量

沈思聰, 張靖雪, 陳鳴暉, 李志威, 孫盛楠, 嚴(yán)學(xué)兵

揚州大學(xué)動物科學(xué)與技術(shù)學(xué)院, 江蘇 揚州 225127

引 言

紫花苜蓿(MedicagosativaL.)是豆科的多年生苜蓿屬植物, 其種植面積大, 栽培歷史久, 營養(yǎng)價值高, 被稱為“牧草之王”。 2021年, 全世界紫花苜蓿種植面積33.33萬km2, 我國陸地面積約960萬km2, 然而紫花苜蓿的種植面積僅有4.3 km2。 我國現(xiàn)階段對于紫花苜蓿的需求量遠遠達不到自給自足, 大部分紫花苜蓿都來自于國外進口。 資料顯示, 自2008年開始, 我國草產(chǎn)品量的出口量就已經(jīng)開始低于進口量, 且進口的規(guī)模逐漸擴大; 我國2021年草產(chǎn)品的進口總量為204.52萬噸, 其中苜蓿干草178.03萬噸, 苜蓿粗粉及顆粒進口5.23萬噸, 苜蓿種子進口0.52萬噸。 由此可見, 大力發(fā)展苜蓿是未來農(nóng)業(yè)結(jié)構(gòu)調(diào)整、 生產(chǎn)更多優(yōu)質(zhì)飼草的主要方向, 種植高產(chǎn)、 優(yōu)質(zhì)紫花苜蓿是目前我國提高優(yōu)質(zhì)飼草供給能力的前提。

地上生物量(above-ground biomass, AGB)是反映植物的一個重要指標(biāo), 主要反映植物生產(chǎn)力水平及物質(zhì)積累[1], 同時也是評價作物產(chǎn)量的重要標(biāo)準(zhǔn)之一, 及時地估算植物的地上生物量有利于對其進行合理的農(nóng)業(yè)監(jiān)測與農(nóng)業(yè)管理[2]。 葉綠素是植物在進行光合作用中不可或缺的色素之一, 也是評價植物光合作用和生長情況的重要標(biāo)準(zhǔn)之一。 有研究表明, 在一定時間內(nèi)有效地估測綠色作物的葉綠素含量, 對于評價作物的健康狀況、 預(yù)估產(chǎn)量以及智慧農(nóng)業(yè)的發(fā)展具有重要的幫助[3]。 測量并得到較為準(zhǔn)確的地上生物量和葉綠素含量能為紫花苜蓿生長過程中提供有效的動態(tài)管理與監(jiān)測, 并由此判斷紫花苜蓿的生長情況。

為了能夠快速并且較為準(zhǔn)確地得到植物的關(guān)鍵生長數(shù)據(jù), 近年來人們開始使用遙感平臺對農(nóng)業(yè)種植的各種作物的地上生物量、 葉綠素含量以及其他指標(biāo)進行檢測以及估算[4]。 在遙感技術(shù)中, 無人機因其比較靈活, 且能涵蓋更高的時間、 空間以及分辨率, 因此在農(nóng)業(yè)中較多地運用于預(yù)估各種作物的生長關(guān)鍵指標(biāo)。 傳感器是無人機拍攝影像的主要工具, 目前無人機搭載的傳感器主要有以下三種: 數(shù)碼傳感器、 多光譜傳感器以及高光譜傳感器。 本試驗采用無人機的多光譜傳感器進行試驗地不同品種紫花苜蓿影像的采集, 其經(jīng)濟成本較為適中, 且包含了農(nóng)業(yè)光學(xué)參數(shù)中較為關(guān)鍵的紅邊參數(shù), 更適合在農(nóng)業(yè)遙感中廣泛應(yīng)用。 近年來已經(jīng)有許多學(xué)者采用無人機光譜進行了植物的生長檢測以及生理生態(tài)指標(biāo)的預(yù)估研究; Giuseppe Modic[5]等采用多光譜遙感技術(shù)結(jié)合NDVI和NDRE對橄欖樹和柑橘樹冠層進行檢測和提取; 王來剛[6]等采用NDVI、 EVI和GNDVI 3種植被指數(shù)建模并以此預(yù)估玉米產(chǎn)量; Eder Eujcio da Silva[7]等采用SAVI和NDVI兩種植被指數(shù)建模并預(yù)估大豆籽粒的產(chǎn)量, 都取得了較為滿意的效果。 紫花苜蓿作為目前我國規(guī)?；?機械化程度最高的飼草作物, 尚沒有相關(guān)研究為其大面積栽培管理提供幫助。

本工作采用無人機搭載多光譜傳感器, 采用SVM以及其優(yōu)化模型對21個不同品種的紫花苜蓿的葉綠素含量和地上生物量的數(shù)據(jù)進行采集, 訓(xùn)練、 測試以及預(yù)估, 旨在采用無人機多光譜數(shù)據(jù)和SVM及其優(yōu)化模型預(yù)估不同品種紫花苜蓿的地上生物量和葉綠素含量, 建立一種快速且準(zhǔn)確的估算方法。

1 實驗部分

1.1 試驗地點和材料

試驗地點位于江蘇省揚州市揚州大學(xué)揚子津校區(qū)試驗地, 揚州市屬于亞熱帶季風(fēng)性濕潤氣候向溫帶季風(fēng)氣候的過渡區(qū), 四季分明, 日照充足, 雨量豐沛。 土壤主要分為黃棕壤、 潮土、 水稻土、 沼澤土4大類, 土壤的肥力和有機質(zhì)含量的評價為良好[8]。 本試驗選擇適宜在南方種植的紫花苜蓿不同品種21個, 每個品種4個小區(qū), 每個小區(qū)面積3 m×2 m, 播種量為2g·m-2, 行距20 cm, 每個小區(qū)9行。 紫花苜蓿品種信息如表1所示。

表1 試驗使用的紫花苜蓿品種信息Table 1 alfalfa variety information used in the experiment

1.2 多光譜影像和紫花苜蓿數(shù)據(jù)的獲取

1.2.1 無人機多光譜影像的獲取

本試驗采用大疆公司生產(chǎn)的多軸八旋翼無人機進行紫花苜蓿多光譜影像的采集, 采集時間為2021年5月10日, 無人機搭載多光譜相機(RedEdge-MX, MicaSense, America), 起飛前先用樣板校準(zhǔn)調(diào)零。 選擇天氣為晴朗無云無風(fēng), 采集時間為12:00-14:00, 拍攝時盡量保持太陽角度為90°, 航拍距離為100 m。

1.2.2 地上生物量(AGB)的測定

每個小區(qū)內(nèi)采集紫花苜蓿的地上部分5株左右, 放置65 ℃烘箱內(nèi)烘干。 等待其完全干燥后, 取其地上部分重量的平均數(shù), 再乘以試驗地的種植密度, 得到該小區(qū)的紫花苜蓿地上生物量。 本試驗一共得到了63個地上生物量數(shù)據(jù)。

1.2.3 葉綠素含量的提取

葉綠素的提取參照Wellburn[9]等的方法, 于每個品種的紫花苜蓿小區(qū)內(nèi)采集健康、 完整無病害的葉片, 棄去葉脈與葉柄, 將葉片用剪刀剪碎, 稱量25 mg。 用二甲基亞砜(DMSO, 分析純)于60 ℃避光條件下恒溫水浴約2 h, 直到葉片呈白色為止, 取出上清液待測。 分別檢測上清液于665和649 nm處的吸光度, 計算葉綠素采用式(1)-式(3):

物聯(lián)網(wǎng)接入網(wǎng)關(guān)內(nèi)置多種協(xié)議設(shè)備模板，可以將不同協(xié)議的設(shè)備數(shù)據(jù)轉(zhuǎn)換為標(biāo)準(zhǔn)的軟件組件，通過標(biāo)準(zhǔn)TCP/IP協(xié)議、支持XML的數(shù)據(jù)處理和開放的API為智能樓宇應(yīng)用服務(wù)提供無縫的、統(tǒng)一的設(shè)備數(shù)據(jù)視圖，從而實現(xiàn)數(shù)據(jù)融合處理和跨系統(tǒng)的互聯(lián)互通。

葉綠素a(Chla, mg·L-1)=(12.19A665-3.45A649)V/1 000W

(1)

葉綠素b(Chlb, mg·L-1)=(21.99A649-5.32A665)V/1 000W[9]

(2)

葉綠素(Chl, mg·L-1)=Chla+Chlb

(3)

式(1)-式(3)中,A665和A649分別表示位于665和649 nm處的吸光度值;V為提取液DMSO的體積, 取5 mL;W為葉片重量(mg); 本試驗共得到63個葉綠素含量數(shù)據(jù)。

1.2.4 多光譜波段反射率的提取與植被指數(shù)的選取

使用ENVI 5.3軟件進行無人機多光譜影像處理, 將21個紫花苜蓿品種構(gòu)建感興趣小區(qū)(ROI), 取ROI的平均反射率作為該樣地的平均反射率。 21個紫花苜蓿品種在五個波段的反射率如圖1所示。

圖1 21個不同品種紫花苜蓿的波段反射率band 1: 藍光; band 2: 綠光; band 3: 紅光; band 4: 紅邊; band 5: 近紅外Fig.1 Band reflectance of 21 different varieties of alfalfaband 1: blue; band 2: green; band 3: red; band 4: red edge; band 5: near infrared

由圖1可以看出, 21個不同品種的紫花苜蓿在band 3(紅光)和band 5(近紅外)反射率的差異較大, 因此后續(xù)挑選植被指數(shù)時主要在這2個波段進行篩選。

植被指數(shù)(vegetation indexes, VIs)是將多光譜數(shù)據(jù)特定波長的反射率進行一定組合, 以達到消除作物背景影響效果的一類參數(shù)。 無人機多光譜的傳感器自帶了以下5個波段: 藍光(475 nm)、 綠光(560 nm)、 紅光(670 nm)、 紅邊(720 nm)和近紅外(840 nm)。 選取無人機多光譜傳感器的5個波段以及NDVI、 EVI、 SAVI、 Green NDVI、 NDGI、 DVI、 NGBDI、 OSAVI、 NDRE和MSR 10個植被指數(shù), 計算公式如表2所示。

表2 選取的植被參數(shù)Table 2 Selected vegetation indexs

1.3 模型構(gòu)建與數(shù)據(jù)處理

使用ENVI 5.3軟件進行無人機多光譜影像的處理, 取每個ROI平均反射率作為該樣地的平均反射率, 共得到63個樣本數(shù)據(jù)。 選取42個樣本數(shù)據(jù)為訓(xùn)練樣本, 21個樣本數(shù)據(jù)為檢驗樣本。

在預(yù)估模型的選擇上, 采用支持向量機(support vector machine, SVM)及其經(jīng)過智能算法優(yōu)化后的模型進行不同品種紫花苜蓿品種的葉綠素含量和地上生物量值的數(shù)據(jù)訓(xùn)練和測試, 使用Matlab 2020b 進行數(shù)據(jù)集的訓(xùn)練、 測試與預(yù)估模型的建立, 最后將所有預(yù)估模型經(jīng)過對比后選取測試集指標(biāo)最佳的預(yù)估模型, 旨在構(gòu)建準(zhǔn)確率較高的預(yù)估模型快速且有效估算不同品種紫花苜蓿的地上生物量和葉綠素含量。

2 結(jié)果與討論

2.1 不同預(yù)估模型的建立

本試驗共采集到地上生物量和葉錳素含量各63個數(shù)據(jù)樣本, 其中選取42個數(shù)據(jù)樣本為訓(xùn)練集, 其余21個數(shù)據(jù)樣本為測試集。 采用SVM進行21個不同品種的紫花苜蓿的地上生物量進行預(yù)估, 采用決定系數(shù)(coefficient of determination,R2)和均方根誤差(root mean square error, RMSE)作為評價預(yù)估模型準(zhǔn)確性的重要指標(biāo)。 在基于SVM構(gòu)建預(yù)估模型的過程中, 也采用智能算法: 鯨魚優(yōu)化算法(whale optimization algorithm, WOA)和灰狼優(yōu)化算法(grey wolf optimizer, GWO)對SVM構(gòu)建的預(yù)估模型進行優(yōu)化, 再將三者進行對比, 以篩選出估算值更為準(zhǔn)確的預(yù)估模型。

2.2 不同品種紫花苜蓿地上生物量的預(yù)估

在對不同品種紫花苜蓿的地上生物量建立好預(yù)估模型后, 三個模型中各個品種的地上生物量預(yù)估值與實測值的數(shù)據(jù)如圖2所示, 三個不同預(yù)估模型的準(zhǔn)確性評價指標(biāo)如表3所示(R2越大, 表示該模型的準(zhǔn)確性越好, RMSE越小, 表示該模型的準(zhǔn)確性越好), 三個預(yù)估模型的測試集的線性回歸如圖3所示。

圖2 不同預(yù)估模型的21個品種紫花苜蓿的地上生物量的預(yù)估椎與實測值Fig.2 Predicted and measured above-ground biomass of 21 varieties of alfalfa for different prediction models

圖3 不同預(yù)估模型測試集對紫花苜蓿地上生物量的估算結(jié)果線性相關(guān)性程度為: WOA最優(yōu), GWO其次, SVM較差Fig.3 Estimation results of above-ground biomass of alfalfa from different prediction model test setsThe degree of linear correlation is: WOA is optimal, followed by GWO and SVM is poor

表3 不同模型的地上生物量的估算對比Table 3 Comparison of above-ground biomass estimation in different prediction models

在地上生物量的估算結(jié)果上, 從圖2可以看出, 三種預(yù)估模型均能大致地預(yù)估不同品種紫花苜蓿的地上生物量, 并且能清晰地看出SVM預(yù)估模型的準(zhǔn)確性相較于優(yōu)化后的預(yù)估模型較差。 從表3的模型評價指標(biāo)也可以看出, SVM預(yù)估模型的估算結(jié)果的精準(zhǔn)度較低, 其模型測試集的R2值為0.839 8, RMSE值為447.746 5 kg·m-2。 然而在經(jīng)過智能算法優(yōu)化后的預(yù)估模型, 它們的測試集R2的值均超過了0.9(WOA優(yōu)化模型為0.967 9, GWO優(yōu)化模型為0.929 5), 且它們測試集的RMSE值也出現(xiàn)了不同程度地降低(WOA優(yōu)化模型為273.678 3 kg·m-2, GWO優(yōu)化模型為343.293 6 kg·m-2)。 由此可以看出, 經(jīng)過智能算法優(yōu)化后的SVM預(yù)估模型能夠更好地預(yù)估不同種類的紫花苜蓿的地上生物量; 這一點也可以在圖3中得以發(fā)現(xiàn), 普通的SVM預(yù)估模型在測試集中的預(yù)算值與實測值的線性相關(guān)性較差, 數(shù)據(jù)的分布也較為離散。 而經(jīng)過智能算法優(yōu)化后, 其估算值與實測值的線形相關(guān)性相較于前者顯得更好且數(shù)據(jù)分布也較為密集。 在這三種預(yù)估模型中, 其中經(jīng)過WOA的智能算法優(yōu)化后的SVM預(yù)估模型測試集的R2值高達0.967 9, 為三種預(yù)估模型中最高; 且其測試集的RMSE值為273.678 3 kg·m-2, RMSE值在三種模型中最低, 說明經(jīng)過WOA智能算法優(yōu)化后的預(yù)估模型在估算不同品種的紫花苜蓿的地上生物量時有較高的準(zhǔn)確性。

2.3 不同品種紫花苜蓿葉綠素含量的預(yù)估算

在不同品種紫花苜蓿的葉綠素含量的估算中, 本試驗使用了SVM、 WOA智能算法優(yōu)化SVM和GWO智能算法優(yōu)化SVM這三種模型對葉綠素含量的測試集進行估算, 三種預(yù)估模型的估算值與實測值數(shù)據(jù)如圖4所示, 其評價指標(biāo)R2與RMSE如表4所示, 線性回歸效果如圖5所示。

圖4 不同預(yù)估模型的21個品種紫花苜蓿的葉綠素含量的預(yù)估值與實測值Fig.4 Predicted and measured chlorophyll content of 21 varieties of alfalfa for different prediction models

圖5 不同預(yù)估模型測試集對紫花苜蓿葉綠素含量的估算結(jié)果線性相關(guān)性程度為: WOA最優(yōu), GWO其次, SVM較差Fig.5 Estimation results of chlorophyll content of alfalfa from different prediction model test setsThe degree of linear correlation is: WOA is optimal, followed by GWO and SVM is poor

表4 不同模型的葉綠素含量的估算對比Table 4 Comparison of chlorophyll content estimation in different models

比較估算葉綠素含量的結(jié)果, 從圖4可以看出三種預(yù)估模型的葉綠素含量的預(yù)估效果均較好, 且同地上生物量一樣, 優(yōu)化后的預(yù)估模型的準(zhǔn)確性較高。 從表4的評價指標(biāo)可以看出, SVM預(yù)估模型的準(zhǔn)確率最低, 其測試R2與RMSE均不是很好(R2為0.822, RMSE為0.255 2 mg·L-1)。 而經(jīng)過WOA和GWO智能算法優(yōu)化后的SVM預(yù)估模型的準(zhǔn)確率得到了顯著提高, 測試集的R2均出現(xiàn)了不同程度地提高, 同時RMSE也均出現(xiàn)了不同程度地降低; 經(jīng)WOA和GWO算法優(yōu)化后的預(yù)估模型的測試集R2值分別為0.919 4和0.912 1, RMSE值分別為0.213 9和0.248 9 mg·L-1。 同時, 一般的SVM預(yù)估模型預(yù)估值和實測值的線性相關(guān)性較差, 數(shù)據(jù)的分布也較為離散; 經(jīng)WOA和GWO算法優(yōu)化后的預(yù)估模型的數(shù)據(jù)分布相對較為密集, 其線性相關(guān)也相對于SVM更好, 說明在經(jīng)過智能算法優(yōu)化后的SVM預(yù)估模型其估算值準(zhǔn)確率得到了顯著提升。 在這三種預(yù)估模型中, 經(jīng)過WOA智能算法優(yōu)化后的SVM模型估算的不同品種的紫花苜蓿葉綠素含量準(zhǔn)確性最好(圖5)。

試驗結(jié)果顯示, 通過植被指數(shù)結(jié)合紅邊和近紅外等無人機多光譜參數(shù), 使用SVM及其優(yōu)化算法構(gòu)建葉綠素和地上生物量的估算模型, 證明了植被指數(shù)與多光譜數(shù)據(jù)可以正確地預(yù)估不同品種紫花苜蓿的葉綠素和地上生物量, 同時WOA和GWO優(yōu)化算法能顯著提高SVM估算模型的效果并且提高了模型的擬合性和精度。 通過多光譜數(shù)據(jù)成功建立預(yù)估模型后, 可以繼續(xù)使用無人機攜帶高光譜傳感器估算葉綠素和地上生物量, 探究在不同傳感器下估算葉綠素和地上生物量能力的差異性。

3 結(jié) 論

(1)基于無人機多光譜和選取的10個植被指數(shù)可以較好地構(gòu)建出葉綠素和地上生物量的SVM預(yù)估模型。

(2)經(jīng)過優(yōu)化算法處理后的SVM預(yù)估模型評價指標(biāo)R2顯著增大RMSE顯著減小, 表明WOA和GWO優(yōu)化算法能更準(zhǔn)確地構(gòu)建葉綠素和地上生物量的SVM預(yù)估模型。

(3)WOA智能算法優(yōu)化后的SVM預(yù)估模型估算不同品種的紫花苜蓿的地上生物量和葉綠素含量的準(zhǔn)確率最高。 地上生物量的預(yù)估模型R2為0.967 9, RMSE為273.678 3 kg·m-2; 葉綠素的預(yù)估模型R2為0.919 4, RMSE為0.213 9 mg·L-1。