基于無人機(jī)多光譜遙感的夏玉米冠層葉綠素含量估計(jì)

陳浩，馮浩，楊禎婷，王乃江，李悅，王青松

(1.西北農(nóng)林科技大學(xué)水利與建筑工程學(xué)院，陜西 楊凌 712100；2. 西北農(nóng)林科技大學(xué)中國(guó)旱區(qū)節(jié)水農(nóng)業(yè)研究院，陜西 楊凌 712100； 3. 西北農(nóng)林科技大學(xué)水土保持研究所，陜西 楊凌 712100; 4. 中國(guó)科學(xué)院水利部水土保持研究所，陜西 楊凌 712100)

葉綠素是植物進(jìn)行光合作用的主要色素，在光合作用過程中，可將光能轉(zhuǎn)化為植物內(nèi)部化學(xué)能，為植物的生長(zhǎng)發(fā)育提供物質(zhì)和能量基礎(chǔ)[1].葉綠素含量決定了植物吸收太陽輻射量的多少，是評(píng)價(jià)植物光合作用的主要化學(xué)參數(shù)，并且對(duì)判斷植物生理狀況有著重要意義[2].同時(shí)，葉綠素在葉片中的分布與葉片氮含量密切相關(guān)，是估測(cè)作物葉片氮含量的重要指標(biāo)，與農(nóng)作物的產(chǎn)量和品質(zhì)密切相關(guān)[3].較高時(shí)空分辨率的農(nóng)作物葉綠素含量遙感監(jiān)測(cè)對(duì)于評(píng)價(jià)植被健康狀況和發(fā)展精準(zhǔn)農(nóng)業(yè)具有重要意義[4].

遙感技術(shù)的快速發(fā)展使葉綠素可被廣泛應(yīng)用于作物生化參數(shù)估計(jì)[5].衛(wèi)星遙感面臨重訪周期長(zhǎng)、影像分辨率粗糙、混合像元易受氣象條件影響等問題，對(duì)實(shí)際農(nóng)業(yè)管理幫助有限，無人機(jī)遙感具有時(shí)效性高、空間分辨率高、作業(yè)成本低和損耗風(fēng)險(xiǎn)低等優(yōu)點(diǎn)，在農(nóng)情監(jiān)測(cè)中占據(jù)了重要的地位[6-7].國(guó)內(nèi)外學(xué)者利用無人機(jī)遙感在作物生長(zhǎng)及營(yíng)養(yǎng)狀況診斷方面進(jìn)行了廣泛研究.毛智慧等[8]對(duì)比了2種多光譜傳感器(MAC和Sequoia)在不同施肥水平下對(duì)玉米冠層葉綠素含量的預(yù)測(cè)能力，研究結(jié)果表明，利用綠波段和近紅外波段構(gòu)造的植被指數(shù)，以及用紅邊波段和近紅外波段構(gòu)造的植被指數(shù)預(yù)測(cè)精度更高.魏青等[9]利用獲取到的冬小麥無人機(jī)多光譜影像，選取16種光譜植被指數(shù)，采用一元二次回歸和逐步回歸2種方法，構(gòu)建了各生育期以及全生育期的SPAD值估測(cè)模型，研究表明，逐步回歸模型精度好于一元二次回歸模型，可以很好地檢測(cè)冬小麥SPAD值動(dòng)態(tài)變化.也有研究者利用無人機(jī)獲取RGB圖像，通過構(gòu)建多種顏色特征以及紋理特征，利用神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)等多種機(jī)器學(xué)習(xí)算法構(gòu)建葉綠素檢測(cè)模型，實(shí)現(xiàn)了基于RGB圖像植被葉綠素含量檢測(cè)[10-11].雖然上述研究取得了一定的研究成果，但還存在以下問題：一是不同地區(qū)夏玉米監(jiān)測(cè)結(jié)果差異較大，經(jīng)驗(yàn)?zāi)Ｐ痛嬖诳臻g差異性，針對(duì)關(guān)中地區(qū)夏玉米不同施氮處理下的葉綠素含量遙感估測(cè)的研究鮮有報(bào)道；二是運(yùn)用RGB相機(jī)獲取到的信息量較少，環(huán)境背景對(duì)光譜參數(shù)影響較大，同時(shí)機(jī)器學(xué)習(xí)算法對(duì)數(shù)據(jù)集的大小和結(jié)構(gòu)要求較高，面臨結(jié)構(gòu)復(fù)雜，中間變量過多，難以獲取真實(shí)值等問題[12].

鑒于此，文中以關(guān)中地區(qū)不同施氮水平下的夏玉米為研究對(duì)象，在分析施氮對(duì)夏玉米冠層葉綠素含量影響的基礎(chǔ)上，對(duì)利用無人機(jī)獲取遙感數(shù)據(jù)構(gòu)建的多種植被指數(shù)與田間實(shí)測(cè)的葉綠素含量進(jìn)行相關(guān)性分析，然后基于線性回歸和逐步回歸的方法，建立夏玉米葉綠素含量最佳估測(cè)模型，以實(shí)現(xiàn)田間尺度的夏玉米冠層葉綠素含量的實(shí)時(shí)監(jiān)測(cè)，為田間管理提供數(shù)據(jù)支撐.

1 材料與方法

1.1 試驗(yàn)地概況

試驗(yàn)小區(qū)位于陜西省楊凌區(qū)西北農(nóng)林科技大學(xué)教育部旱區(qū)農(nóng)業(yè)水土工程重點(diǎn)實(shí)驗(yàn)室灌溉試驗(yàn)站(108°24′E，34°20′N).該試驗(yàn)站海拔521 m，屬于暖溫帶濕潤(rùn)季風(fēng)氣候區(qū)，供試玉米品種為秦龍11，人工穴播，播種量為52 000株/hm2，行距60 cm，株距40 cm，生育期內(nèi)不灌溉.施磷肥量為90 kg/hm2.播前進(jìn)行人工翻耕、整地、施肥.

試驗(yàn)采用隨機(jī)區(qū)組設(shè)計(jì)，施氮量設(shè)置4個(gè)水平，分別為不施肥(CK),105 kg/hm2(N1),210 kg/hm2(N2),315 kg/hm2(N3)；其中60%的氮肥基施，剩余40%的氮肥一次性追施.設(shè)置了2個(gè)追肥時(shí)期，分別為拔節(jié)期和抽雄期.本研究共設(shè)置了7個(gè)處理，每個(gè)處理重復(fù)3次，總共21個(gè)試驗(yàn)小區(qū).每個(gè)小區(qū)面積20 m2，長(zhǎng)5 m，寬4 m，小區(qū)之間有0.5 m的保護(hù)行.

1.2 地面數(shù)據(jù)采集與處理

1.2.1 試驗(yàn)樣本采集

根據(jù)試驗(yàn)設(shè)計(jì)，分別在夏玉米拔節(jié)期、孕穗期、抽雄期、灌漿期和成熟期對(duì)玉米葉片進(jìn)行取樣，取樣日期與遙感數(shù)據(jù)采集日期一致.取樣時(shí)，在5 m×4 m的試驗(yàn)小區(qū)內(nèi)隨機(jī)選3株玉米，將每株的葉片分為上中下3層，每層隨機(jī)剪1片葉子放入不透明密封袋中以保持新鮮，取樣完成后將所有待測(cè)樣本帶回實(shí)驗(yàn)室進(jìn)行萃取.

1.2.2 葉綠素含量測(cè)定

利用分光光度計(jì)法測(cè)定葉片葉綠素含量，其原理是根據(jù)葉綠素對(duì)可見光的吸收光譜，利用分光光度計(jì)在某一特定波長(zhǎng)下測(cè)定其吸光度，然后用式(1)—(4)計(jì)算葉綠素含量.為了避免葉綠素的光分解，操作全程在暗室中進(jìn)行.首先將去除葉脈的葉片剪碎并用鑷子混合均勻，然后稱取0.1 g的樣品放入20 mL質(zhì)量濃度為96%的乙醇溶液中避光浸泡直至葉組織全部變白.

萃取完成后，使用分光光度計(jì)進(jìn)行比色測(cè)定.將樣本溶液倒入比色杯中，用分光光度計(jì)分別在波長(zhǎng)665 nm和649 nm下測(cè)定吸光度，用96%的乙醇溶液作為空白對(duì)照.計(jì)算葉綠素總含量的公式[13]為

(1)

其中，

CT=Ca+Cb,

(2)

Ca=12.95A665-6.8A649,

(3)

Cb=24.96A649-7.32A665,

(4)

式中：CC為葉綠素總含量，mg/g；CT為葉綠素總濃度，mg/L；VT為提取液總體積，mL；WF為鮮質(zhì)量，g；n為稀釋倍數(shù)；Ca為葉綠素a濃度，mg/L；Cb為葉綠素b濃度，mg/L；A665，A649分別為665, 649 nm波長(zhǎng)的吸光度.對(duì)實(shí)測(cè)所得的105個(gè)樣本，按照5∶4的分配比例，隨機(jī)抽取84個(gè)作為建模樣本，剩余21個(gè)作為驗(yàn)證樣本.

1.3 無人機(jī)遙感數(shù)據(jù)采集與處理

1.3.1 遙感數(shù)據(jù)的采集

無人機(jī)遙感數(shù)據(jù)采集系統(tǒng)由大疆M600 Pro載機(jī)和美國(guó)Micasense RedEdge多光譜相機(jī)組成.其中，M600 Pro最大載重5 kg，最大續(xù)航30 min.Micasense RedEdge多光譜相機(jī)有5個(gè)波段(475, 560, 668, 840, 717 nm)，焦距為5.5 mm，視場(chǎng)角為47.2 deg，圖像分辨率為1 280×960 pixels.該相機(jī)同時(shí)配備了光強(qiáng)傳感器及1塊灰板.光強(qiáng)傳感器可以校正航拍過程中外界光線的變化對(duì)光譜影像造成的影響，灰板具有固定的反射率，用來進(jìn)行輻射校正.為保證每次采集數(shù)據(jù)時(shí)灰板具有較為統(tǒng)一的反射率，選擇晴朗無云的天氣進(jìn)行作業(yè)，時(shí)間為12:00—14:00，其中飛行高度為30 m，影像的地面分辨率為0.02 m，航向重疊度為80%，旁向重疊度為80%.

圖1 無人機(jī)遙感數(shù)據(jù)采集系統(tǒng)

1.3.2 遙感數(shù)據(jù)的處理

飛行作業(yè)完成后，將多光譜相機(jī)所獲得的多張影像導(dǎo)入PhotoScan 1.4.0中，經(jīng)過點(diǎn)云和紋理處理，輸出拼接后的單波段正射影像.因遙感成像易受外界環(huán)境因素影響，所以在波段運(yùn)算之前需進(jìn)行輻射校正，汪沛等[14]以低空機(jī)載高分辨率多光譜遙感圖像為對(duì)象，設(shè)置3塊不同反射率的標(biāo)定板，先期在晴朗無云的條件測(cè)定了3塊標(biāo)板在不同波段的反射率，隨后用該反射率對(duì)受云層陰影影響的高光譜圖像進(jìn)行光譜校正，獲得了良好的輻射校正效果.文中多光譜相機(jī)配備的灰板具有固定的反射率，作用和上述研究中標(biāo)定板的作用一致，可對(duì)航拍影像進(jìn)行反射率校正.輻射校正在ArcGIS 10.2中進(jìn)行，其公式[15]為

(5)

式中：Ri為地面目標(biāo)第i波段反射率；Di為地面目標(biāo)第i波段DN值；Dbi為灰板第i波段DN值；Rbi為灰板第i波段反射率.多光譜相機(jī)的光譜響應(yīng)函數(shù)見圖2，其中橫坐標(biāo)λ為波段長(zhǎng)度，縱坐標(biāo)R為對(duì)應(yīng)波段的反射率,T為濾光法透過率.

圖2 光譜響應(yīng)函數(shù)

無人機(jī)遙感影像空間分辨率較高，在植被覆蓋度較小時(shí)，裸露的土壤較多，隨著生育期推進(jìn)，植被覆蓋度增大，陰影也隨之增加.用基于植被指數(shù)的閾值進(jìn)行植被提取是一種有效的環(huán)境背景剔除方法[16].文中通過目視解譯的方式，統(tǒng)計(jì)每個(gè)植被指數(shù)影像中的背景環(huán)境數(shù)值確定固定閾值，通過ArcGIS 10.2中的柵格計(jì)算器實(shí)現(xiàn)對(duì)植被指數(shù)影像環(huán)境背景的剔除，技術(shù)流程如圖3所示.同時(shí)為了使小區(qū)水平上影像DN值與采樣葉綠素值一一對(duì)應(yīng)，在ArcGIS 10.2中使用分區(qū)統(tǒng)計(jì)工具統(tǒng)計(jì)每個(gè)小區(qū)(圖3紅框所示)的植被指數(shù)均值作為該小區(qū)的植被指數(shù)值.

圖3 閾值分割流程圖

1.4 植被指數(shù)的選取與計(jì)算

根據(jù)葉綠素吸收光譜的特點(diǎn)，同時(shí)考慮植被指數(shù)的廣泛性和實(shí)用性，選擇常用的10種植被指數(shù)進(jìn)行建模，植被指數(shù)運(yùn)算在ArcGIS 10.2軟件中進(jìn)行，計(jì)算公式如表1所示.

表1 植被指數(shù)及計(jì)算公式

1.5 統(tǒng)計(jì)分析

試驗(yàn)數(shù)據(jù)采用SPSS 26.0統(tǒng)計(jì)分析軟件對(duì)數(shù)據(jù)進(jìn)行單因素方差分析和相關(guān)分析，采用LSD(least significant difference)法檢驗(yàn)差異顯著性(P<0.05).用實(shí)測(cè)值和預(yù)測(cè)值的線形擬合決定系數(shù)(R2)、均方根誤差(RMSE)以及相對(duì)誤差(Re)進(jìn)行精度驗(yàn)證，其中決定系數(shù)越大，均方根誤差和相對(duì)誤差越小，模型精度越高.

2 結(jié)果與分析

2.1 夏玉米冠層葉綠素含量變化

如圖4所示，各處理拔節(jié)期葉綠素含量較低，隨著生長(zhǎng)發(fā)育過程的推進(jìn)，在抽雄期葉綠素含量達(dá)到最大值，生育后期，由于葉片變黃，葉綠素含量逐漸下降.處理N1,N2之間，葉綠素含量隨著施氮量的增大而增大，處理N3下，葉綠素含量高于處理CK和處理N1，但低于處理N2，處理CK的葉綠素含量最低.相比于處理CK，處理N2的葉綠素含量增幅最大.相同施氮水平下，不同追肥處理的葉綠素含量差異不具有統(tǒng)計(jì)學(xué)意義.

圖4 不同施氮水平下夏玉米冠層葉綠素含量變化

2.2 葉綠素含量與植被指數(shù)相關(guān)性分析

夏玉米葉綠素含量與10種植被指數(shù)值的相關(guān)性分析結(jié)果表明，除EVI2以外，其余9個(gè)植被指數(shù)與葉綠素含量CC均在0.01水平上呈現(xiàn)極顯著相關(guān)，其中，GNDVI與CC的相關(guān)系數(shù)最高為0.892，OSAVI，NDVI和GRVI與CC的相關(guān)系數(shù)均在0.800以上，SAVI，MSR以及RENDVI與CC的相關(guān)系數(shù)均在0.660以上，REOSAVI與CC的相關(guān)系數(shù)為0.589，MSAVI2與CC呈現(xiàn)極顯著負(fù)相關(guān)，相關(guān)系數(shù)為-0.541.

2.3 回歸模型的建立

根據(jù)以上相關(guān)性分析結(jié)果，選擇除EVI2外的其余9種植被指數(shù)作為自變量，葉綠素含量CC作為因變量，兩者建立一元線性回歸模型.分別記作CC-MSAVI2，CC-OSAVI，CC-NDVI，CC-SAVI，CC-MSR，CC-GRVI，CC-GNDVI，CC-RENDVI，CC-REOSAVI.同時(shí)采用逐步回歸分析法，建立逐步回歸模型，記作CC-SR.

建模結(jié)果如表2所示，采用一元線性回歸方法構(gòu)建的模型中，CC-GNDVI的決定系數(shù)最大，為0.80.CC-NDVI模型的決定系數(shù)次之，為0.77，CC-OSAVI和CC-GRVI的相關(guān)系數(shù)相同，為0.68，CC-RENDVI的決定系數(shù)為0.61，3個(gè)模型的決定系數(shù)相差不大.CC-MSAVI2模型的相關(guān)系數(shù)最小，為0.19.逐步回歸模型決定系數(shù)為0.85，逐步回歸模型中，剔除了6個(gè)植被指數(shù)，只保留了GNDVI和GRVI，證明綠色波段反射率與葉綠素的高相關(guān)性，所有模型的回歸顯著性概率均小于0.01，表明擬合的回歸模型都達(dá)到了極顯著水平.

表2 不同植被指數(shù)預(yù)測(cè)夏玉米冠層葉綠素含量的回歸模型

2.4 葉綠素含量估測(cè)模型的驗(yàn)證

用剩余21個(gè)樣本的葉綠素含量值和預(yù)測(cè)值進(jìn)行方程擬合，各預(yù)測(cè)模型檢驗(yàn)結(jié)果如表3所示.在采用一元線性回歸方法構(gòu)建的模型中，CC-GNDVI模型的精度檢驗(yàn)結(jié)果最優(yōu)，由該模型得到的葉綠素含量預(yù)測(cè)值與實(shí)測(cè)值之間的決定系數(shù)R2最大，達(dá)到0.83，RMSE和Re最小，分別是0.18和3.71%，葉綠素含量實(shí)測(cè)值與預(yù)測(cè)值回歸方程的斜率最接近1，為0.93；CC-OSAVI，CC-NDVI，CC-GRVI，CC-NDVI這4個(gè)模型的各項(xiàng)檢驗(yàn)指標(biāo)相差不大，R2分別是0.73，0.75，0.72和0.63.CC-REOSAVI模型的預(yù)測(cè)結(jié)果較差，R2僅為0.19，RMSE和Re最大，分別為0.38和8.12%.采用逐步回歸方法構(gòu)建的模型CC-SR表現(xiàn)最佳，比采用一元線性回歸方法構(gòu)建的各個(gè)模型預(yù)測(cè)精度高，其決定系數(shù)R2為0.87，RMSE和Re最小，為0.15和2.68%.夏玉米冠層葉綠素實(shí)測(cè)值CCt與各模型預(yù)測(cè)值CCp間的關(guān)系擬合分布如圖5所示.由圖可知，當(dāng)夏玉米冠層葉綠素含量較高時(shí)，各個(gè)模型的預(yù)測(cè)值都較實(shí)測(cè)值偏低，模型會(huì)不同程度地低估葉綠素含量實(shí)際值.

表3 模型精度驗(yàn)證

圖5 夏玉米冠層葉綠素含量檢測(cè)結(jié)果

3 討 論

氮肥施用水平是影響玉米生長(zhǎng)發(fā)育的重要因素，適量地增施氮肥能夠改善玉米冠層光合特性，增加玉米冠層葉綠素含量，及時(shí)有效地估計(jì)冠層葉綠素含量對(duì)反映作物氮素虧缺情況以及干物質(zhì)積累與轉(zhuǎn)化具有重要意義[17-18].本研究立足關(guān)中平原，利用無人機(jī)多光譜遙感反演不同施氮水平下夏玉米冠層葉綠素含量.研究發(fā)現(xiàn)，不同施氮處理均能提高夏玉米冠層葉綠素含量，但過高的氮肥施用量并不能持續(xù)提高夏玉米冠層葉綠素含量，與前人研究結(jié)果基本一致[19].造成這一現(xiàn)象的原因可能是過量的氮肥施用會(huì)降低冠層內(nèi)透光率，光分布不合理，使中下部葉片提前衰老，葉綠體解體，造成冠層葉綠素含量下降[20].

此外，植被指數(shù)與葉綠素含量關(guān)系中，GNDVI與夏玉米冠層葉綠素含量相關(guān)性最高，其次是NDVI和GRVI，通過進(jìn)一步分析發(fā)現(xiàn)，在拔節(jié)期至抽雄期，夏玉米冠層葉綠素含量與NDVI指數(shù)的相關(guān)系數(shù)均大于GNDVI與GRVI，但在開花期至成熟期冠層葉綠素含量與GNDVI指數(shù)的相關(guān)性系數(shù)大于NDVI與GRVI.考慮到開花期至灌漿期是玉米生長(zhǎng)發(fā)育的旺盛階段，植被覆蓋顯著上升直到達(dá)到一個(gè)最大值，同時(shí)，比值的非線性轉(zhuǎn)換過程使得NDVI對(duì)紅色反射率信號(hào)過度敏感，而紅波段對(duì)葉綠素的強(qiáng)吸收很快達(dá)到飽和，這導(dǎo)致了在覆蓋度達(dá)到一定程度時(shí)，NDVI指數(shù)對(duì)較高的植被葉綠素含量不敏感[21]，這也是造成不同模型均在夏玉米冠層葉綠素含量較高時(shí)低估了實(shí)際值.同時(shí)，文中采用閾值分割法去除了遙感影像中的環(huán)境背景，這可能是造成EVI2指數(shù)與冠層葉綠素含量值相關(guān)系數(shù)較小，以及CC-REOSAVI模型預(yù)測(cè)能力較差的原因.無藍(lán)色波段增強(qiáng)型植被指數(shù)EVI2和紅邊優(yōu)化土壤調(diào)節(jié)植被指數(shù)REOSAVI在設(shè)計(jì)之初是為了減少環(huán)境背景對(duì)植被指數(shù)的影響，在小區(qū)水平上，光譜信息包含了植被及其環(huán)境背景，是兩者共同作用的結(jié)果，在這基礎(chǔ)上去除環(huán)境背景，可能會(huì)影響光譜信息的完整性，從而影響植被指數(shù)與葉綠素含量之間的關(guān)系.在逐步回歸模型中，保留了GNDVI和GRVI這2個(gè)植被指數(shù)，出現(xiàn)這種結(jié)果的原因可能是GNDVI和GRVI都和夏玉米冠層葉綠素含量值CC有較高的相關(guān)性，同時(shí)葉綠素含量對(duì)綠波段更敏感，所以GNDVI和GRVI能更好地反演冠層葉綠素含量.本研究中，逐步回歸模型只保留了GNDVI和GRVI這2個(gè)植被指數(shù)，說明這2個(gè)植被指數(shù)是重要的，同時(shí)也沒有嚴(yán)重多重共線性.

目前針對(duì)遙感反演植被冠層葉綠素含量的建模方法還處于探索階段，本研究中逐步回歸模型的預(yù)測(cè)精度高于單個(gè)植被指數(shù)的回歸模型，能夠滿足當(dāng)?shù)厣a(chǎn)需求，但逐步回歸模型屬于經(jīng)驗(yàn)?zāi)Ｐ偷囊环N，普適性較差，容易受到農(nóng)作物的種類、生育期以及氣候條件等多種因素的影響，在農(nóng)業(yè)生產(chǎn)實(shí)際中不易被廣泛應(yīng)用[22].下一步的研究將利用無人機(jī)遙感在農(nóng)田實(shí)時(shí)監(jiān)測(cè)方面的優(yōu)勢(shì)，獲取同一地區(qū)長(zhǎng)時(shí)間序列的光譜數(shù)據(jù)，通過與物理模型相結(jié)合，利用多源數(shù)據(jù)協(xié)同反演，充分發(fā)揮不同模型的特點(diǎn)，提高作物冠層葉綠素含量的遙感監(jiān)測(cè)精度.

4 結(jié) 論

1) 隨著施氮水平提高，夏玉米冠層葉綠素含量先升高后降低，同一施氮條件下不同追肥處理之間葉綠素含量沒有明顯差異.

2) 除EVI2外，其余9個(gè)植被指數(shù)都與夏玉米冠層葉綠素含量極顯著相關(guān)，其中GNDVI的相關(guān)性系數(shù)最高.

3) 基于植被指數(shù)GNDVI構(gòu)建一元線性回歸模型與基于植被指數(shù)GDNVI和GRVI構(gòu)建的逐步回歸模型，對(duì)夏玉米冠層葉綠素含量都具有較好的預(yù)測(cè)能力.此外，CC-OSAVI，CC-NDVI，CC-GRVI，CC-NDVI以及CC-RENDVI這5種模型的決定系數(shù)均大于0.6，對(duì)于夏玉米冠層葉綠素含量具備一定的預(yù)測(cè)能力.

4) 無人機(jī)多光譜遙感具有時(shí)效性強(qiáng)、空間分辨率高、方便快捷等諸多優(yōu)勢(shì)，能夠作為夏玉米冠層葉綠素含量監(jiān)測(cè)的有效手段，有著較好的應(yīng)用前景.