基于無人機多光譜的烤煙冠層葉綠素含量反演

摘要：葉綠素含量對作物的光合作用有直接影響，同時影響作物有機質的積累，成為監(jiān)測作物生長的重要指標，煙草作為一種特殊的經(jīng)濟作物，快速監(jiān)測其葉綠素含量具有重要意義。無人機遙感技術的發(fā)展為實現(xiàn)快速、無損監(jiān)測提供了有利條件。為了探索一種快速便捷的估算烤煙冠層葉綠素含量的方法，實現(xiàn)方便高效的作物監(jiān)測，利用SPAD-502型葉綠素儀測定煙草不同生育期葉綠素含量的實際值，并利用搭載多光譜相機的無人機采集對應時期煙草的光譜圖像，研究不同施氮水平下煙草冠層葉綠素含量的變化規(guī)律，另外選取58種常用植被指數(shù)與冠層實測葉綠素含量進行相關性分析，選擇與實測葉綠素含量極顯著相關的11種植被指數(shù)，構建煙草冠層葉綠素含量逐步回歸的隨機森林模型。結果表明，不同施氮濃度下，旺長期葉綠素含量最高，同一生育期，葉綠素含量隨施氮濃度的增加而上升；采用隨機森林建立的煙草旺長期模型r2為0.790，RMSE為2.140。本研究證明，葉綠素含量隨施氮濃度增加而變化明顯，2種建模方法中隨機森林模型的精度優(yōu)于逐步回歸模型，研究為煙草葉綠素含量的快速估算提供了一種新的方法，為利用無人機平臺進行作物監(jiān)測提供了可行的參考。

關鍵詞：無人機；多光譜；葉綠素含量；逐步回歸；隨機森林；煙草

中圖分類號：S572.01；S127 文獻標志碼：A

文章編號：1002-1302（2024）15-0232-07

收稿日期：2023-08-29

基金項目：中國煙草總公司重點研發(fā)項目（編號：110202102041）；云南省煙草公司大理州公司重點項目（編號：2021530000241026）。

作者簡介：王佳麗（1997—），女，山東濰坊人，碩士研究生，從事煙草栽培生理研究。E-mail：w15653626269@163.com。

通信作者：張久權，碩士，研究員，碩士生導師，從事煙草智慧農業(yè)研究。E-mail：zhangjiuquan@caas.cn。

煙草在我國國民經(jīng)濟中占有特殊地位，田間管理情況直接影響煙葉的品質，進而影響其價格。 作為煙草重要生化參數(shù)之一，葉綠素含量與光合作用密切相關，其含量可以作為衡量煙草營養(yǎng)脅迫、植物病害以及生長狀態(tài)的重要指標之一［1-2］。近年來，無人機遙感技術快速發(fā)展，因其具有宏觀、快速、準確、客觀、動態(tài)、多尺度、覆蓋面積大、監(jiān)測周期短、費用低等優(yōu)點［3］，在現(xiàn)代智慧農業(yè)中得到廣泛應用［4-5］，為快速監(jiān)測大田作物生長狀況提供了低成本、高效率的生產方法［6］。研究發(fā)現(xiàn)，作物葉片及冠層光譜指數(shù)與其葉綠素含量密切相關［7］，孟沌超等通過提取無人機可見光圖像的植被指數(shù)和紋理特征，定量估算玉米冠層葉綠素的SPAD值［8］。劉濤等利用無人機多光譜圖像分析光譜指數(shù)與地面實測數(shù)據(jù)的相關性，估算小麥葉面積指數(shù)和葉綠素含量［9］。汪旭等通過提取甜菜冠層圖像的光譜特征，研究其葉綠素含量的反演模型［10］。

本研究以煙草為研究對象，基于光譜遙感技術，提取煙草冠層的光譜反射率，通過光譜反射率與煙草葉綠素相對含量（以SPAD值計）的相關性分析，建立煙草葉綠素相對含量估算模型，以期實現(xiàn)在不損害煙草生長的前提下快速監(jiān)測煙草的生長狀況。

1 材料與方法

1.1 試驗材料與設計

本試驗于2022年在云南省大理白族自治州彌渡縣紅巖鎮(zhèn)（25°41′24″N，100°11′24′′E）開展，選取4塊試驗地（S1、S2、S3、S4），均位于相對平坦的地形上，周圍沒有高壓線、樹木、建筑物和其他阻礙無人機飛行的障礙物。本試驗供試品種為紅花大金元，各試驗地設置7個施氮處理（0、25%、50%、75%、100%、125%、150%），重復3次，采用隨機區(qū)組設計，每個試驗地的面積約為1 000 m2，共計1 650株煙株。5月上旬移栽煙草植株，5月19日第1次施肥（N、P2O5、K2O含量分別為10%、10%、24%），后每周施肥1次，具體見表1。其中，100%為根據(jù)當?shù)馗鞣绞竭M行的正常施肥，其他種植和管理按照當?shù)貞T例進行。

1.2 數(shù)據(jù)采集

1.2.1 無人機多光譜數(shù)據(jù)的采集

分別于2022年6月18日（團棵期）、7月6日（旺長期）和7月18（平頂期）進行無人機多光譜數(shù)據(jù)采集，使用的無人機為大疆精靈4 多光譜版，多光譜相機包含1個可見光相機和藍［B，（450±16） nm］、綠［G，（560±16） nm］、紅［R，（650±16） nm］、紅邊［RE，（730±16） nm］和近紅外［NIR，（840±26） nm］等5個光譜波段。3次多光譜影像的采集均選擇晴朗無云、風力較小的天氣于10：00—14：00 在田間上空進行，以盡量減少光源對拍攝數(shù)據(jù)的影響。飛行參數(shù)設定主航線上重疊率為88%，主航線間重疊率為85%，飛行高度為20 m，飛行速度為3 m/s。

1.2.2 葉綠素含量的測定

使用日本柯尼卡美能達公司的SPAS-502 Plus葉綠素測定儀測定煙葉葉綠素相對含量，其測定與飛拍保持同步。每小區(qū)選取有代表性的4株烤煙，每株測定中部葉1張，根據(jù)葉片大小選擇葉鞘到葉尖的不同部位測量5次，記錄20個點的平均值，作為該小區(qū)的SPAD平均值，測定時避開大支脈及受損區(qū)域。

1.3 多光譜影像預處理與煙葉冠層反射率提取

本研究采用大疆制圖軟件對獲取的無人機多光譜影像進行拼接，通過ENVI和ArcGIS軟件對多光譜影像進行輻射校正、大氣校正、影像拼接等處理，最終得到試驗地塊各小區(qū)的平均光譜反射率。

1.4 植被指數(shù)的選取及計算

植被指數(shù)是2種以上植被敏感波段的組合，可以突出顯示植被特征，根據(jù)相關資料，本研究結合葉綠素吸收光譜的特點，選取常用的58個植被指數(shù)對煙草葉片葉綠素相對含量進行估測，將選取的58個植被指數(shù)和實測SPAD值進行相關性分析，得到其相關關系，選取相關性較高的前11個光譜變量進行建模，各植被指數(shù)的計算公式見表2。

1.5 數(shù)據(jù)分析方法

1.5.1 建模方法

首先將本研究選取的58個植被指數(shù)和實測SPAD值進行相關性分析，得到其相關關系，選取相關性較高的前11個光譜變量，利用逐步回歸和隨機森林分析方法，篩選出最優(yōu)參數(shù)，建立煙葉SPAD值的最優(yōu)估測模型。

1.5.1.1 逐步回歸

逐步回歸是回歸分析中一種篩選變量的過程，可以對1組候選變量進行識別。通過逐步將自變量輸入模型，將影響度低和與其他變量高度相關的變量剔除，如果變量經(jīng)過檢驗后是顯著的，則將其納入到回歸模型中，同時，每引入1個新的變量，就會對舊的變量再次進行逐個檢驗，最終得到一個自動擬合的最優(yōu)回歸模型。

1.5.1.2 隨機森林

隨機森林是一種集成學習算法。隨機森林模型由多棵決策樹構成，其基本原理是從變量中隨機抽取樣本進行訓練，每棵決策樹都能通過抽取的樣本得出1個預測結果，將許多決策樹聯(lián)合到一起，從而建立多棵相互不關聯(lián)的回歸樹，通過并行的方式獲得預測結果，降低了過擬合的風險。最終綜合所有樹的結果取平均值，得到整個森林的回歸預測結果。

1.5.2 評價指標

選取決定系數(shù)（r2）、均方根誤差（RMSE）作為評估估算模型建模與驗證精度的指標。模型建模和驗證r2 越大，相應的RMSE越小，則模型估算能力越好。r2、RMSE具體公式如（1）、（2）。

r2=∑（yi-yi）（yj-yi）∑（yi-yi）2（yj-yi）22；（1）

RMSE=1n∑ni（yi-yi）2。（2）

式中：n是總樣本數(shù)；yi、yj分別表示實測和預測的葉綠素含量（i=j）。

2 結果與分析

2.1 施氮量對葉綠素含量的影響

由圖1可知，各施氮水平下，平頂期葉綠素含量較低，旺長期葉綠素含量最高，且隨著施氮量的增加，葉綠素含量呈現(xiàn)升高趨勢。旺長期，T150施肥水平下，葉綠素含量達到最大值，生育后期，隨著葉片變黃成熟，葉綠素含量逐漸下降，團棵期，T150施肥水平下，葉綠素含量最低。

2.2 植被指數(shù)與葉綠素含量的相關性

采用SPSS 軟件對煙葉冠層SPAD值和58個植被指數(shù)進行相關性分析，得到與煙草冠層葉綠素含量在0.01水平上呈現(xiàn)極顯著相關的10個植被指數(shù)，分別為 DVI、GRVI、NGI、NBI、G/B、R/B、RGBVI、REGNDVI、MTVI1、PVI。

2.3 煙葉葉綠素含量模型的估測與評價

采用“2.2”節(jié)中篩選得到的10個植被指數(shù)作為輸入變量，將不同生育期的84套數(shù)據(jù)樣本按70%用作訓練、30%用作測試進行建模。

從圖2至圖4可以看出，團棵期、旺長期、平頂期所建立的逐步回歸模型中訓練集、測試集預測值與實測值的r2分別為0.622和0.564、0.669和0.58、0.556和0.321，團棵期所建立的逐步回歸模型精度較高；團棵期、旺長期、平頂期所建立的隨機森林模型中，訓練集、測試集預測值與實測值的r2分別0.869和0.668、0.901和0.79、0.836和0.64，可見旺長期所建立的隨機森林模型精度最高。

3 討論與結論

本研究采用逐步回歸和隨機森林，構建了煙草不同生育期的SPAD估測模型，從模型效果來看，隨機森林模型的精度優(yōu)于逐步回歸模型，這與前人的結論［33］較為吻合，其原因在于針對在建模過程中出現(xiàn)的異常值，隨機森林模型能夠更好地接受，從而可以有效避免出現(xiàn)過度擬合［34-35］。值得注意的是，隨機森林建模過程中所選擇的隨機種子、決策樹模型數(shù)量以及決策樹模型深度等參數(shù)不同，最終產生的結果也會不同，因此可以擴大數(shù)據(jù)量，優(yōu)化模型參數(shù)，得到最優(yōu)結果。

由于受到共線性與自變量之間的相關性影響，在進行自變量的剔除時，逐步回歸可能會剔除掉本不該剔除的自變量，從而導致建模效果不好，因此，嘗試多種分析結合建模，消除自變量之間的相關性，可有效提高精度。

本研究通過設置不同施氮量，研究施氮量與煙葉葉綠素含量之間的關系發(fā)現(xiàn)，隨著施氮量的增加，各生育期煙葉葉綠素含量呈現(xiàn)增加趨勢。另外基于植被指數(shù)DVI、GRVI、NGI、NBI、G/B、R/B、RGBVI、REGNDVI、MTVI1、PVI、RRE構建煙草不同生育期的逐步回歸和隨機森林模型，其中旺長期所建立的隨機森林模型預測效果最優(yōu)，表明可以利用隨機森林模型對旺長期煙草冠層葉綠素含量進行預測，并作為監(jiān)測煙葉葉綠素含量的有效手段。

參考文獻：

［1］李漢生，徐 永. 光照對葉綠素合成的影響［J］. 現(xiàn)代農業(yè)科技，2014（21）：161-164.

［2］Pinto F，Celesti M，Acebron K，et al. Dynamics of sun-induced chlorophyll fluorescence and reflectance to detect stress-induced variations in canopy photosynthesis［J］. Plant，Cell & Environment，2020，43（7）：1637-1654.

［3］王 磊，周建平，許 燕，等. 農用無人機的應用現(xiàn)狀與展望［J］. 農藥，2019，58（9）：625-630，634.

［4］王麗愛，馬 昌，周旭東，等. 基于隨機森林回歸算法的小麥葉片SPAD值遙感估算［J］. 農業(yè)機械學報，2015，46（1）：259-265.

［5］汪小欽，王苗苗，王紹強，等. 基于可見光波段無人機遙感的植被信息提?。跩］. 農業(yè)工程學報，2015，31（5）：152-157，159，158.

［6］Jiang Y，Li C Y，Paterson A H.High throughput phenotyping of cotton plant height using depth images under field conditions［J］. Computers and Electronics in Agriculture，2016，130：57-68.

［7］Lu S，Lu X T，Zhao W L，et al. Comparing vegetation indices for remote chlorophyll measurement of white poplar and Chinese elm leaves with different adaxial and abaxial surfaces［J］. Journal of Experimental Botany，2015，66（18）：5625-5637.

［8］孟沌超，趙 靜，蘭玉彬，等. 基于無人機可見光影像的玉米冠層SPAD反演模型研究［J］. 農業(yè)機械學報，2020，51（增刊2）：366-374.

［9］劉 濤，張 寰，王志業(yè)，等. 利用無人機多光譜估算小麥葉面積指數(shù)和葉綠素含量［J］. 農業(yè)工程學報，2021，37（19）：65-72.

［10］汪 旭，鄧裕帥，練雪萌，等. 基于無人機多光譜技術的甜菜冠層葉綠素含量反演［J］. 中國糖料，2022，44（4）：36-42.

［11］曹 強. 基于主動作物冠層傳感器的冬小麥、水稻精準氮素管理［D］. 北京：中國農業(yè)大學，2014.

［12］Jordan C F. Derivation of leaf-area index from quality of light on the forest floor［J］. Ecology，1969，50（4）：663-666.

［13］Daughtry C S T，Walthall C L，Kim M S，et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J］. Remote Sensing of Environment，2000，74（2）：229-239.

［14］Huete A，Justice C，Liu H. Development of vegetation and soil indices for MODIS-EOS［J］. Remote Sensing of Environment，1994，49（3）：224-234.

［15］Liu H Q，Huete A. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise［J］. IEEE Transactions on Geoscience and Remote Sensing，1995，33（2）：457-465.

［16］Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices［J］. Remote Sensing of Environment，1996，55（2）：95-107.

［17］Daughtry C S T，Gallo K P，Goward S N，et al. Spectral estimates of absorbed radiation and phytomass production in corn and soybean canopies［J］. Remote Sensing of Environment，1992，39（2）：141-152.

［18］Main R，Cho M A，Mathieu R，et al. An investigation into robust spectral indices for leaf chlorophyll estimation［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：751-761.

［19］劉 霞. 基于冠層主動傳感器的冬小麥長勢監(jiān)測及適宜植被指數(shù)動態(tài)模型研究［D］. 南京：南京農業(yè)大學，2017.

［20］Haboudane D，Miller J R，Pattey E，et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies：modeling and validation in the context of precision agriculture［J］. Remote Sensing of Environment，2004，90（3）：337-352.

［21］姜海玲，楊 杭，陳小平，等. 利用光譜指數(shù)反演植被葉綠素含量的精度及穩(wěn)定性研究［J］. 光譜學與光譜分析，2015，35（4）：975-981.

［22］Wu C Y，Niu Z，Tang Q，et al. Estimating chlorophyll content from hyperspectral vegetation indices：modeling and validation［J］. Agricultural and Forest Meteorology，2008，148（8/9）：1230-1241.

［23］Rouse J，Haas R H，Deering D，et al. Monitoringthe the vernal advancement and retrogradation （green wave effect） of natural vegetation［EB/OL］. （1973-01-27） ［2023-06-30］.https：//ntrs.nasa.gov/api/citations/19730017588/downloads/19730017588.pdf.

［24］李紅軍，張立周，陳曦鳴，等. 應用數(shù)字圖像進行小麥氮素營養(yǎng)診斷中圖像分析方法的研究［J］. 中國生態(tài)農業(yè)學報，2011，19（1）：155-159.

［25］Goel N S，Qin W. Influences of canopy architecture on relationships between various vegetation indices and LAI and Fpar：a computer simulation［J］. Remote Sensing Reviews，1994，10（4）：309-347.

［26］張 玲，陳新平，賈良良. 基于無人機可見光遙感的夏玉米氮素營養(yǎng)動態(tài)診斷參數(shù)研究［J］. 植物營養(yǎng)與肥料學報，2018，24（1）：261-269.

［27］高 林，楊貴軍，李紅軍，等. 基于無人機數(shù)碼影像的冬小麥葉面積指數(shù)探測研究［J］. 中國生態(tài)農業(yè)學報，2016，24（9）：1254-1264.

［28］Roujean J L，Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements［J］. Remote Sensing of Environment，1995，51（3）：375-384.

［29］Huete A R. A soil-adjusted vegetation index （SAVI）［J］. Remote Sensing of Environment，1988，25（3）：295-309.

［30］姜藍齊，王 萍，姜麗霞，等. 溫度植被干旱指數(shù)（TVDI）在農業(yè)干旱監(jiān)測中的應用［J］. 中國農學通報，2021，37（29）：132-139.

［31］Broge N H，Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density［J］. Remote Sensing of Environment，2001，76（2）：156-172.

［32］Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction［J］. Remote Sensing of Environment，2002，80（1）：76-87.

［33］由明明，常慶瑞，田明璐，等. 基于隨機森林回歸的油菜葉片SPAD值遙感估算［J］. 干旱地區(qū)農業(yè)研究，2019，37（1）：74-81.

［34］方匡南，吳見彬，朱建平，等. 隨機森林方法研究綜述［J］. 統(tǒng)計與信息論壇，2011，26（3）：32-38.

［35］楊培杰，韓保棟，張玉燕，等. Sentinel-2影像結合空間關聯(lián)隨機森林模型反演裸土期耕地土壤全氮含量［J］. 江蘇農業(yè)科學，2023，51（11）：185-192.