無人機多光譜遙感反演花蕾期棉花光合參數研究

陳俊英 陳碩博 張智韜 付秋萍 邊 江 崔 婷

(1.西北農林科技大學旱區農業水土工程教育部重點實驗室， 陜西楊凌 712100； 2.西北農林科技大學水利與建筑工程學院， 陜西楊凌 712100； 3.新疆農業大學水利與土木工程學院， 烏魯木齊 830052)

0 引言

光合作用是綠色植物合成有機物的根本來源，也是其能量代謝和物質代謝的基礎，對自然生態平衡和人類生存發展意義重大[1]。如何對作物的光合作用進行及時有效地監測，進而指導農業生產措施的制定，已成為精準農業發展的客觀要求和必然選擇[2-3]。傳統方法對作物光合參數的測定費時、費力且代表性較差，定點測定的結果往往較難反映作物在整個區域上的實際情況。近些年來，隨著信息技術與光譜分析技術的發展，通過遙感技術對光合作用的監測得到了越來越深入的應用[4-10]。

前人利用遙感技術在監測植被光合作用方面的研究取得了一定的進展。在國外，CRISTIANO等[11]利用室內光譜儀估算了不同水氮處理條件下兩種牧草的光合有效輻射吸收系數(Fraction of absorbed photosynthetically active radiation ，FPAR)，發現綠度歸一化植被指數(Green normalized difference vegetation index,GNDVI)的預測效果最優。GAMON等[12]通過衛星遙感數據計算出色素指數，很好地反映了常綠針葉林的光合作用。PENUELAS等[13]利用基于MODIS的光化學植被指數(Photochemical reflectance index，PRI)和地面渦度相關塔的CO2交換數據，發現二者具有常見的指數關系，從而為大尺度上監測植被光合作用提供了參考。在國內， 武海巍等[14]利用自主研發的核函數bio-selfadaption結合便攜式多光譜儀測得的可見光光譜預測了大豆植株群體的凈光合速率，精度達到80%以上。衛亞星等[15]利用野外光譜輻射儀獲得的高光譜數據估算了烏梁素海濕地蘆葦的最大羧化速率，取得了較高的精度。張峰等[16]則利用野外高光譜輻射儀對玉米冠層光合能力和光合效率進行反演，發現2波段增強植被指數對光合參數的表征效果最優[17]。以上研究大多基于衛星遙感或者地面遙感，由于衛星遙感獲取的圖像不能同時滿足高空間和高時間分辨率的要求，地物光譜儀掃描的范圍較小且不易操作，二者在農田尺度上的應用存在一定的局限性。以無人機作為新型遙感平臺，通過搭載研究所需的傳感器獲取目標物的圖像進而反演特定參數的研究方法已越來越受關注[18-24]，而利用無人機多光譜遙感直接反演作物光合參數的研究還鮮有報道。

本文以關中地區不同水分處理下的花蕾期棉花為研究對象，通過無人機搭載的多光譜相機獲取棉花花蕾期冠層每天不同時刻的六波段光譜反射率，同步測定其光合參數。對二者進行相關性分析后篩選出與光合參數相關性較高的波段作為特征波段，分別利用一元線性回歸和主成分回歸、嶺回歸、偏最小二乘回歸等多元回歸分析方法進行建模和驗證，進而對比分析得出光合參數反演的最優模型。

1 材料與方法

1.1 研究區概況

田間試驗布置于西北農林科技大學中國旱區節水農業研究院(34°20′N，108°24′E，海拔525 m)。屬暖濕帶季風半濕潤氣候，年均日照時數與無霜期分別為2 164 h、210 d，多年平均氣溫、降水量和蒸發量分別為13℃、640 mm和993.2 mm。試驗田土壤為中壤土，田間持水率為23%(質量含水率，下同)，凋萎系數8.6%。土壤干容重1.44 g/cm3，0～20 cm土層土壤pH值為8.14，有機質質量比13.30 g/kg，全氮質量比0.82 g/kg。

1.2 試驗材料與設計

供試棉花品種為西北農林科技大學農學院提供的“西農棉1008”。試驗為隨機區組設計，4組水分處理上限分別為50%田間持水率(Field capacity，FC)、65%FC、80%FC和95%FC，3次重復，共計12個小區，如圖1所示。為保證灌水均勻，采用滴灌的灌溉方式且每個小區安裝水表嚴格控制灌水量。各小區播種7行，行距為0.7 m，小區面積20 m2。播種時間為2017年4月19日。田間管理、施肥等其他措施同高產大田。

圖1 試驗小區布置圖Fig.1 Layout of testing plots

1.3 棉花冠層多光譜遙感圖像獲取

圖2 μ-MCA多光譜相機與M600型無人機Fig.2 μ-MCA multispectral camera and M600 unmanned aerial vehicle

使用的遙感傳感器為Micro-MCA多光譜相機(簡稱μ-MCA)。μ-MCA質量輕且可遠程觸發，能夠理想地搭載于小型無人機，實現拍攝目標地物的目的。μ-MCA有490、550、680、720、800、900 nm等6個波段的光譜采集通道，遙感平臺為深圳大疆創新科技有限公司生產的M600型六旋翼無人機，如圖2所示。多光譜遙感影像于2017年7月11—14日采集，09:00—17:00每2 h采集一次，每日采集5次。試驗期間天氣晴朗，棉花正處于花蕾期，長勢旺盛。無人機飛行高度為50 m，多光譜相機鏡頭垂直向下，此時影像地面分辨率約為2.7 cm。試驗田間布置參考板，對獲取的遙感影像進行輻射標定。

1.4 棉花冠層光合參數測定

每次遙感影像采集完畢后立即測定棉花冠層的光合參數，1 d測定5次，測定4 d。在小區內選擇3株長勢均一的健康植株，利用LI-6400型便攜式光合儀測定棉花植株倒三葉的光合參數，具體包括凈光合速率(Pn，μmol/(m2·s))、蒸騰速率(Tr，mmol/(m2·s))、氣孔導度(Gs，mol/(m2·s))、胞間二氧化碳濃度(Ci，μmol/mol)等，以3株植株的平均值作為最終觀測結果。

1.5 多光譜遙感圖像處理與冠層光譜反射率提取

使用與多光譜相機配套的軟件PixelWrench2對獲取的多光譜遙感影像進行提取、配準與合成，最后導出tif格式的6波段遙感影像。將影像導入ENVI 5.3軟件中進行解譯，為排除土壤及陰影背景值的干擾，采用監督分類的分類方法識別棉花冠層及參考板，進而提取二者的灰度值計算得棉花冠層的6波段反射率。

1.6 數據處理與建模評價

每個時刻共有48組數據，隨機抽取32組數據作為建模集，剩余16組作為驗證集。對于不同時刻的棉花冠層光譜反射率信息，分別建立棉花冠層光合參數的一元線性回歸、主成分回歸[25-26]、嶺回歸[27-28]、偏最小二乘回歸[29-30]等4種預測模型，對比不同時刻和建模方法的預測精度。利用驗證集將模型預測值和實測值進行擬合，采用決定系數R2、均方根誤差RMSE和相對誤差RE等3個指標評價模型精度。R2越接近1，RMSE和RE越小說明模型效果越好。

(1)

(2)

(3)

2 結果與分析

2.1 不同水分處理下光合參數日變化分析

4組水分處理下，花蕾期棉花冠層凈光合速率(Pn)、氣孔導度(Gs)、蒸騰速率(Tr)、胞間二氧化碳濃度(Ci)的日變化特征如圖3所示。

圖3 不同水分處理的花蕾期棉花冠層光合參數的日變化Fig.3 Diurnal variations of photosynthetic parameters of cotton canopy in bud stage with different water treatments

由圖3可以看出，凈光合速率(Pn)、氣孔導度(Gs)、蒸騰速率(Tr)三者的變化趨勢基本一致，均呈現出先增加后減小的單峰變化曲線，且均在13:00—15:00有明顯的下降現象，而胞間二氧化碳濃度(Ci)的變化卻恰恰相反，呈現出先減小后增大的“凹”字形變化曲線。這是由于此時太陽輻射較強、大氣溫度較高且濕度較低導致棉花葉片氣孔一定程度的關閉，氣孔導度減小使進入葉片的CO2減少，排出的水汽亦減少，所以凈光合速率(Pn)和蒸騰速率(Tr)均出現下降。胞間二氧化碳濃度(Ci)的變化與凈光合速率(Pn)的變化密切相關，二者存在負相關的關系。

圖4 不同水分處理的花蕾期棉花冠層6波段光譜反射率的日變化Fig.4 Diurnal variations of spectral reflectance in six bands of cotton canopy in bud stage with different water treatments

對于凈光合速率(Pn)，09:00時4組處理差異明顯，95%FC處理的Pn較50%FC高28.9%，11:00之前95%FC的處理明顯高于其他處理，而13:00以后差異逐漸縮小，17:00時4組處理已基本接近一致。對于氣孔導度(Gs)，09:00時4組處理差異亦十分明顯，隨后基本呈上升趨勢，在13:00左右達到最大值，之后便開始下降，其中，95%FC的處理下降的幅度最大。對于蒸騰速率(Tr)，11:00左右除50%FC外各處理達到最大值，50%FC處理在15:00左右達到最大值，此時95%FC的處理略微回升，其他兩組處理均在下降。對于胞間二氧化碳濃度(Ci)，09:00時4組處理的差異不大，之后隨著太陽輻射增強，大氣溫度回升，均呈現下降的趨勢，在13:00左右降到谷底，期間95%FC的處理反而有所增加，之后均處于上升狀態。

2.2 不同水分處理下冠層光譜反射率日變化分析

4組水分處理的花蕾期棉花冠層6波段光譜反射率的日變化如圖4所示。

從圖4可以看出，棉花冠層的光譜反射率具有明顯的植被特征，即在藍光波段(490 nm)和紅光波段(680 nm)有較低的反射率，處在整個波譜曲線的波谷位置，而在綠光波段(550 nm)出現一個波峰，在紅邊位置(720 nm)及近紅外波段(800、900 nm)反射率較高。由于植物光合作用僅能吸收利用太陽光的可見光部分，所以對于近紅外有較高的反射率，而可見光部分中的大部分藍光、紅光及少部分綠光被吸收，使得藍光波段與紅光波段的反射率較低，綠光波段的反射率略高。6個波段處的光譜反射率在1 d中均呈現出先減小后增大的趨勢。其中，藍光波段與紅光波段處的反射率變化不明顯，而其他4個波段處的變化均呈現“倒拋物線”型。

在藍光波段和紅光波段，95%FC處理的棉花冠層光譜反射率明顯較其他3組處理低，這可能是由于供水充足，光合作用較強，葉片吸收了更多的藍光和綠光所致。對于其他4個波段，不同水分處理之間棉花冠層光譜反射率的差異不大，但都呈現出80%FC處理的反射率較其他3組處理高的特征，且都在13:00左右降到最小值，900 nm處的反射率表現得尤為明顯。

2.3 光合參數與冠層光譜反射率相關性分析

由于09:00和17:00的太陽高度角過小，棉花冠層光譜反射率的變化很大程度上受到影響，光合參數已不是引起冠層光譜反射率變化的主要因素。因此僅對2017年7月11—14日11:00、13:00和15:00等3個時刻測得的12個小區的光合參數與同時刻獲取的6波段光譜反射率數據進行相關性分析，結果見表1。

由表1可以看出，對于不同的光合參數，在同一時刻的敏感波段不同，相同的光合參數在1 d中不同的時刻敏感波段亦不同。同一波段對同一光合參數在1 d中不同時刻甚至出現極顯著相關(p<0.01)、顯著相關(p<0.05)和不相關3種情況。

表1 不同波段光譜反射率與不同時刻光合參數的相關系數(n=48)Tab.1 Correlation coefficients of spectral reflectance in different bands and photosynthetic parameters at different times(n=48)

注：*表示在 0.05水平上顯著， ** 表示在 0.01 水平上極顯著。

與光合速率(Pn)顯著相關的波段較多，每個時刻都有2個或2個以上的波段與其顯著相關。在11:00和13:00，藍光波段(490 nm)和紅光波段(680 nm)與凈光合速率(Pn)達到了極顯著相關水平，且相關系數均大于0.8。對于氣孔導度(Gs)，3個時刻均存在顯著相關的波段，而且基本集中在藍光波段(490 nm)和紅光波段(680 nm)。對于胞間二氧化碳濃度(Ci)，在13:00沒有與其顯著相關的波段，只有11:00、15:00存在與其顯著相關的波段，其中在11:00相關的4個波段均達到顯著水平，且相關系數均在0.6以上。與蒸騰速率(Tr)相關的波段主要為藍光波段(490 nm)和紅光波段(680 nm)，但在13:00時6個波段的反射率均與其不相關。

2.4 基于敏感波段光譜反射率的光合參數一元線性模型構建

通過以上的相關性分析，選擇與光合參數顯著或極顯著相關且相關性最強的波段光譜反射率作為自變量，構建該光合參數的一元線性模型并進行檢驗，結果見表2。

由表2可知，11:00和13:00的凈光合速率(Pn)預測模型的建模決定系數和驗證決定系數均在0.7以上，但13:00的模型的驗證均方根誤差RMSE和相對誤差RE較小，因此13:00的模型預測效果較優。對于氣孔導度(Gs)，只有15:00的模型有著較優的解釋能力和預測能力。胞間二氧化碳濃度(Ci)的預測模型在11:00效果最優，其建模決定系數和驗證決定系數均在0.6以上。而對于蒸騰速率(Tr)，15:00的模型的穩定性與預測能力較11:00的略高，為監測的最優模型。

2.5 基于敏感波段光譜反射率的光合參數多元線性模型構建

通過2.3節中的相關性分析，在不同時刻選取與光合參數顯著和極顯著相關的波段作為敏感波段參與回歸模型的構建。分別采用主成分回歸、嶺回歸以及偏最小二乘回歸等3種建模方法對光合參數和敏感波段反射率進行分析建模和檢驗，選擇出反演不同光合參數的最優模型。

表2 基于敏感波段光譜反射率與不同時刻光合參數的一元線性模型及驗證Tab.2 Linear model and verification of spectral reflectance and photosynthetic parameters at different moments based on sensitive bands

注：X1、X2、X3、X4、X5、X6分別指490、550、680、720、800、900 nm波長處的光譜反射率。Pn、Gs、Tr、Ci的RMSE單位分別為μmol/(m2·s)、mol/(m2·s)、mmol/(m2·s)、μmol/mol。下同。

2.5.1主成分回歸模型的構建與檢驗

對光合參數的敏感波段進行主成分分析，建立3個時刻的4種光合參數的主成分回歸預測模型并驗證，結果如表3所示。

表3 基于敏感波段的光譜反射率與不同時刻光合參數的主成分回歸模型及驗證Tab.3 Principal component regression models and verification of spectral reflectance and photosynthetic parameters at different moments based on sensitive bands

從表3可以看出，11:00和13:00的凈光合速率(Pn)預測模型的決定系數和驗證決定系數均大于15:00的，且13:00的模型的驗證均方根誤差RMSE僅為1.52 μmol/(m2·s)，驗證相對誤差RE僅為2.2%，為凈光合速率(Pn)反演的最優模型。15:00的氣孔導度(Gs)的模型驗證相對誤差RE比13:00的略大，但其驗證均方根誤差RMSE較小且建模R2和驗證R2均明顯大于后者，故15:00的模型為反演氣孔導度(Gs)的最優模型。15:00的胞間二氧化碳濃度(Ci)的預測模型的建模決定系數和驗證決定系數大于11:00的，其驗證均方根誤差RMSE為14.2 μmol/mol，驗證相對誤差RE為5.2%，均為兩個模型中的最小值，因此為最優反演模型。11:00的蒸騰速率(Tr)的反演模型中，建模決定系數和驗證決定系數與15:00的相差不大。盡管11:00的模型的驗證均方根誤差RMSE比15:00的略大，但由于其驗證相對誤差RE僅為5.2%，故選擇此刻的模型為蒸騰速率(Tr)的最優反演模型。

2.5.2不同時刻嶺回歸模型的構建與檢驗

在R軟件中自動選擇GCV值最小時的嶺參數k進行后續的分析計算。3個時刻的4種光合參數的嶺回歸預測模型與驗證結果如表4所示。

從表4可以看出，在11:00和13:00，凈光合速率(Pn)的預測模型的建模決定系數和驗證決定系數比較接近，都達到了0.6以上，其中13:00的模型驗證均方根誤差RMSE僅為1.45 μmol/(m2·s)，為三者中的最小值，因此選擇為凈光合速率(Pn)的最優監測模型。在15:00，氣孔導度(Gs)的預測模型的建模決定系數和驗證決定系數均大于13:00的，其驗證均方根誤差RMSE和驗證相對誤差RE均在合理的范圍之內，因此選擇15:00的模型為氣孔導度(Gs)的最優監測模型。15:00的胞間二氧化碳濃度(Ci)的預測模型的建模決定系數和驗證決定系數均大于11:00的，盡管此刻的驗證均方根誤差RMSE和驗證相對誤差RE較11:00的略大，但整體來看，15:00的預測模型仍占優，選擇此模型作為胞間二氧化碳濃度(Ci)最優監測模型。在11:00，蒸騰速率(Tr)的預測模型中的建模決定系數和驗證決定系數與15:00的幾乎相同。盡管11:00的模型的驗證均方根誤差RMSE比15:00的略大，但由于其驗證相對誤差RE僅為4.7%，故選擇11:00的模型為蒸騰速率(Tr)的最優監測模型。

表4 基于敏感波段的光譜反射率與不同時刻光合參數的嶺回歸模型及驗證Tab.4 Ridge regression models and verification of spectral reflectance and photosynthetic parameters at different moments based on sensitive bands

2.5.3偏最小二乘回歸模型的構建與檢驗

本文的分析在R軟件環境下實現，通過使用留一交叉驗證計算預測值誤差平方和(PRESS)，jack.test函數檢驗回歸系數的顯著性。3個時刻4種光合參數的偏最小二乘回歸模型及驗證結果如表5所示。

表5 基于敏感波段的光譜反射率與不同時刻光合參數的偏最小二乘回歸模型及驗證Tab.5 Partial least squares regression models and verification of spectral reflectance and photosynthetic parameters at different moments based on sensitive bands

從表5可以看出，11:00和13:00的凈光合速率(Pn)的預測模型的建模決定系數和驗證決定系數都達到了0.7以上，其中13:00的驗證均方根誤差RMSE與驗證相對誤差RE均為兩者中的最小值，分別為1.51 μmol/(m2·s)和3.5%，因此13:00的模型反演花蕾期棉花的凈光合速率(Pn)效果最優。15:00的氣孔導度(Gs)的預測模型的建模決定系數和驗證決定系數都較13:00的大，其驗證均方根誤差RMSE較13:00的小，因此此刻的模型具有較高的參考價值。15:00的胞間二氧化碳濃度(Ci)的預測模型的建模決定系數和驗證決定系數均大于其他時刻，達到了0.8以上，同樣具有較小的驗證均方根誤差RMSE與驗證相對誤差RE，因此為預測胞間二氧化碳濃度(Ci)的最優模型。對于蒸騰速率(Tr)，11:00和15:00的預測模型的建模決定系數和驗證決定系數都接近0.7，盡管11:00的驗證均方根誤差RMSE略大，但考慮到其驗證相對誤差RE僅為5.2%，故仍選擇此模型作為最優模型。

2.6 基于無人機多光譜信息的光合參數最優反演模型

通過對表2～5的分析可見，對于凈光合速率(Pn)和氣孔導度(Gs)，分別在13:00和15:00利用不同建模方法得到的預測模型的反演效果較優。對于胞間二氧化碳濃度(Ci)，11:00的一元線性模型和15:00的多元回歸模型反演效果較優。對于蒸騰速率(Tr)，15:00的一元線性模型和11:00多元回歸模型的反演效果較優。為了進一步對比選擇最優反演模型，將4種模型的統計參數列于表6。

表6 光合參數的不同建模效果對比Tab.6 Comparison of different modeling effects of photosynthetic parameters

從表6可以看出，凈光合速率(Pn)的一元線性模型有較高的建模決定系數和驗證決定系數，分別為0.74和0.71，而且一元線性模型的RMSE較小，僅為1.46 μmol/(m2·s)，且驗證相對誤差RE最小，故一元線性模型最優。氣孔導度(Gs)的一元線性模型和嶺回歸模型的建模效果和預測能力基本等同，但由于一元線性模型僅包含一個敏感波段，簡單易行，可操作性強，因此為最優模型。對于胞間二氧化碳濃度(Ci)，15:00的多元線性回歸模型明顯優于11:00點的一元線性模型，其中嶺回歸模型的驗證相對誤差RE僅為4%，為三者中的最小值，因此為最優反演模型。蒸騰速率(Tr)的3種多元線性回歸模型精度評價參數在11:00幾乎相同，而15:00的一元線性模型的建模決定系數和驗證決定系數都較其他3組模型大，且驗證均方根誤差RMSE為四者中的最小值，因此15:00的一元線性模型為蒸騰速率(Tr)的最優反演模型。

3 討論

利用遙感技術對作物的光合作用進行大面積監測對現代農業的生產管理極具指導意義。本文運用無人機遙感平臺結合多光譜相機組成的遙感監測系統，相比衛星遙感有使用機動靈活、圖像分辨率高的優點，相比地面遙感有監測范圍廣、工作效率高的優點，是未來精準農業發展的要求和趨勢。由于作物的光合作用特性通常以凈光合速率(Pn)、氣孔導度(Gs)、胞間二氧化碳濃度(Ci)和蒸騰速率(Tr)等光合參數來反映，本研究對花蕾期棉花的4種光合參數與多光譜6波段光譜反射率進行相關性分析后，剔除二者相關系數較小和不顯著相關的波段，防止過多自變量的引入產生過度擬合的問題，進而利用多種回歸分析方法建立了4種光合參數的反演模型，均取得了較高的精度。經過對比發現，引入多元自變量后建立的模型的擬合優度不一定都比一元線性模型的高，這是由于其同時考慮了樣本個數和自變量個數的影響，用調整后的決定系數來評價模型擬合度的緣故。后續的研究可根據需要選擇對應的最優模型獲取某一光合參數的信息。然而這些參數的最優監測模型會因作物的生長階段、品種、氣候、甚至所使用的傳感器而異。本文所得的反演估測模型也僅限于本次測量結果，模型在棉花其他生育階段和其他地區的適用性還有待進一步探索。

4 結論

(1)不同水分處理下的花蕾期棉花冠層光合參數的變化趨勢基本一致，其中凈光合速率(Pn)、氣孔導度(Gs)和蒸騰速率(Tr)呈現先增加后減小的近似拋物線變化，胞間二氧化碳濃度(Ci)則恰恰相反，表現出先減小后增加的反向拋物線變化。

(2)多光譜6個波段的反射率在1 d中均呈現先減小后增大的趨勢，藍光波段(490 nm)和紅光波段(680 nm)表現出較低的反射率，變化不明顯，綠光波段(550 nm)、紅邊波段(720 nm)和兩個近紅外波段(800、900 nm)變化趨勢比較明顯。

(3)通過對4種不同光合參數和6個波段光譜反射率的相關性分析發現，每一種光合參數都有與其敏感的波段，部分相關系數達到了0.8以上，說明通過遙感反演作物的光合參數可行。

(4)以敏感波段的光譜反射率為自變量，構建3個時刻4種光合參數的一元線性模型和主成分回歸、嶺回歸模型、偏最小二乘回歸等多元線性回歸模型。對比發現，凈光合速率(Pn)反演的最優模型為13:00的基于藍光波段反射率的一元線性模型，氣孔導度(Gs)反演的最優模型為15:00的基于紅光波段反射率的一元線性模型，胞間二氧化碳濃度(Ci)反演的最優模型為15:00的嶺回歸模型，蒸騰速率(Tr)反演的最優模型為15:00的基于紅光波段反射率的一元線性模型。