無人機多光譜遙感反演冬小麥植株含水率

魏 青，張寶忠，魏 征，彭致功，韓娜娜

(1.中國水利水電科學研究院流域水循環模擬與調控國家重點實驗室,北京100038；2.國家節水灌溉北京工程技術研究中心，北京 100048)

0 引 言

植株含水率是反映作物水分狀況的指標之一，也是開展作物水分虧缺診斷的重要基礎，及時準確的獲取植株含水率信息，對精準農業發展以及農業水資源高效利用具有重要意義[1,2]。傳統估算植株含水率的方法主要是通過破壞性采樣測定，操作繁瑣、耗費大量人力物力，不足以滿足實施快速監測的要求，因而研究較為簡單且精度較高的植株含水率估算方法成為當前熱點[3]。

目前國內外基于衛星遙感或者地面遙感對植株含水率的研究已經取得了一定進展。Carter等發現葉片水分含量對光譜特性的影響主要是由于對輻射的直接吸收所致，此外葉片內部結構也有一定影響[4]。王強等利用350～2500nm范圍內所有光譜波段可能的兩兩組合，構建了比值指數和歸一化指數，其對棉花冠層水分含量診斷精度較高[5]。張亞偉等利用單波長近紅外光電傳感器搭建了小麥植株含水率的檢測系統，構建了基于最小二乘支持向量機建立的最優模型，為小麥植株含水率無損快速檢測提供了一種有效的方法[6]。哈布熱等研究表明，在350～750 nm的可見光區域成熟期冬小麥冠層光譜反射率隨植株含水率的增大而降低，661nm以及771nm附近波段的水分監測光譜參數模型效果最佳[7]。以上研究雖然在一定程度上建立了測定植株含水率的方法，但存在時效性差的缺點，在農田尺度上的應用存在一定的局限性。

無人機遙感技術由于其平臺具有移動性強、適用性好的優勢，且獲取影像分辨率高、作業周期短，在農業、水質監測和測繪等領域發揮著越來越重要的作用，為農情監測研究提供了新的解決方案。在國內外農用無人機遙感方面，HASSAN-ESFAHANI等利用無人機搭載高光譜相機獲取光譜圖像，基于人工神經網絡算法精確估算了土壤表層含水率[8]。陳碩博等提出了低空無人機多光譜遙感大面積快速獲取土壤水分的方法，并有效建立了評估抽穗期冬小麥土壤水分的最優模型[9]。裴浩杰等提取無人機高光譜影像反演的CGI均值，實現了精確判斷小麥總體的長勢狀況[10]。陳俊英等開展了基于無人機多光譜遙感影像的光譜反射率與不同光合參數的反演模型，驗證了大范圍監測作物光合作用的可行性[11]。這些研究顯示了無人機遙感技術在獲取植被冠信息的潛力，但利用無人機多光譜遙感直接反演作物植株含水率的研究較少。

本文將利用無人機搭載多光譜相機獲取冬小麥光譜反射率，構建植株含水率與光譜反射率以及光譜植被指數模型，并從中優選構建植株含水率估算模型，旨在獲得一種簡便準確地預測植株含水率的實時性區域監測方法。

1 材料與方法

1.1 研究區概況

本研究在中國水利水電科學研究院大興試驗基地(39°37.25′N，116°25.51′E)開展，海拔約30 m，屬于溫帶半干旱大陸性季風氣候，多年平均氣溫為12.1 ℃，多年平均降雨量為540 mm，集中在6和9月，降雨量占全年降雨量的80%以上。多年平均風速為1.2 m/s，冬春季風速較大，秋季次之，夏季風速最小。全年平均相對濕度為52%，全年日照時數為2 502 h，全年大于10 ℃的有效積溫為4 730 ℃，日平均太陽凈輻射為171 W/m2，光熱條件豐富。全年無霜期平均為185 d，多年年均蒸發量為1 021 mm，土壤類型以砂壤土為主，適合小麥等多種糧食作物的生長。

1.2 試驗布置

試驗區小麥品種為中麥175，2017年10月13日播種，2018年6月6日成熟收獲。試驗設10個小區，3個重復，共30個小區。每個小區面積為58 m2，試驗以水處理為主，灌溉水平為W0(0 mm)、W1(60 mm)、W2(120 mm)、W3(180 mm)、W4(240 mm)、W5(300 mm)。無人機試驗在2018年5月5日(抽穗期)、5月24日(灌漿期)、6月3日(成熟期)進行。抽穗期、灌漿期和成熟期是關系冬小麥產量和品質的關鍵時期，植株含水率會表現出明顯的差異性，在植株含水率模型構建中，避免作物水分模型生育期專一性的缺點，且植株含水率變化范圍越大，模型越具有普適性，容錯率也越高[7]。

1.3 數據獲取方法

1.3.1 無人機系統及影像獲取

本次實驗借助的平臺是采用開源飛控Pixhawk控制的經緯M600型六旋翼無人機系統(DJI，深圳市)，搭載的遙感傳感器為RedEdge(MicaSense，USA)。該相機焦距為5.5 mm，圖像分辨率為1 280像素×960像素，相機設有5個光譜通道，中心波長分別為475 nm(藍)、560 nm(綠)、668 nm(紅)、840 nm(近紅外)、717 nm(紅邊)，相機同時配備了一塊30 cm×30 cm的灰板和光強傳感器。

無人機設至一定高度，鏡頭垂直向下，通過拍攝地面灰板來矯正反射率，然后按照預定航線飛至區域拍攝多光譜影像。每次拍攝時間為上午10∶00-12∶00，無人機飛行高度設為60 m，飛行時固定航線，航向和旁向重疊度均為80%，飛行速度為3 m/s，像元分辨率為4.09 cm。

1.3.2 植株含水率測定

小麥的植株含水率采用烘干法測定，先從各個小區摘取均20 cm寬區域的小麥植株，將植株分別裝入保鮮袋中，稱量并記錄小麥植株的鮮重，然后放入在105 ℃條件下的烘箱殺青半小時，隨后調至70 ℃干燥至恒重后記錄植株的干重。本文采用濕基含水率公式計算冬小麥植株含水率，其計算公式如下：

(1)

式中：Cw為植株濕基含水率，%；Lw為植株鮮重，mg；Ld為植株干重，mg。

1.4 研究方法

1.4.1 基于光譜反射率的估算模型

將5個波段的影像最終合成一個tif格式的五波段影像，在反射率影像中利用掩膜方法先構建區域ROI，利用Bandmath工具分別計算5個波段的光譜反射率，將ROI區域范圍內的小麥的平均光譜作為該小區的小麥光譜反射率，計算得到每一天30個小區的光譜反射率數據。

本文采用多元線性回歸分析方法中的逐步回歸法和強迫進入法揭示因變量(植株含水率y)與5個自變量[Rnir(x1)，Rred(x2)，Rgreen(x3)，Rblue(x4)，Rrededge(x5)]之間的線性模型。采用強迫進入法將5個波段的平均反射率作為自變量建立植株含水率的反演模型，采用逐步回歸法根據自變量與因變量的相關性的高低，依次將自變量逐個選入回歸模型中，若新選入的自變量的回歸系數未達到顯著水平，該自變量排除在回歸模型之外。

1.4.2 基于光譜植被指數的估算模型

常用的植被指數中，NDVI可以表征出植株含水量的變化高低和植被葉面積指數等；SAVI被認為是建立簡單“植株”的關鍵聯系，可以消除土壤背景的影響；EVI中的土壤調整因子對地形條件比NDVI更敏感，起到很大的監測植被變化的作用；SR是綠色植物的靈敏指示參數，有效增強植被信息，減少非植被信息；NGRDI對廣泛范圍內的葉面積指數的反應程度更加敏感；VARI對大氣和土壤影響的研究更加充分[12-17]。采用ENVI軟件平臺裁剪冬小麥30個小區反射率影像，提取6種植被指數，其計算公式見表1。

表1 植被指數計算公式

Tab.1 Vegetation indices

植被指數計算公式文獻來源歸一化植被指數NDVINDVI=Rnir-RredRnir+Rred[12]土壤調節植被指數SAVISAVI=1.5Rnir-RredRnir+Rred+0.5[13]增強型植被指數EVIEVI=2.5Rnir-RredRnir+6Rred-7.5Rblue+1[14]比值植被指數SRSR=RnirRred[15]歸一化綠紅差異指數NGRDINGRDI=Rgreen-RredRgreen+Rred[16]抗大氣指數VARIVARI=Rgreen-RredRgreen+Rred-Rblue[17]

注：Rblue、Rgreen、Rred、Rnir分別為灰板對RedEdge相機藍、綠、紅、近紅外波段的平均反射率。

本文采用植被指數建立植被含水率的估算模型。將植株含水率與6種植被指數分別建立一元線性關系，且采用多元線性回歸分析方法中的逐步回歸法和強迫進入法建立因變量(植株含水率y)與6個自變量(NDVI，SAVI，EVI，SR，NGRDI，VARI)之間的線性模型。

1.5 模型評價

本文選取20個小區的采集數據進行回歸建模，其余10個小區的數據用來驗證模型的精度，采用決定系數R2、均方根誤差RMSE和相對誤差RE作為評判模型精度的指標。R2越接近于1，RMSE越小，RE越小，說明該模型精度越好，模型反演植株含水率的效果更好[18]。

(2)

(3)

(4)

2 結果與分析

2.1 植株含水率變化趨勢

水分脅迫、營養狀況等外界條件以及自身長勢都會造成同一種植物的植株特征有所差異，從而造成了光譜反射特性也不盡相同。圖1為冬小麥不同生育期不同水分處理下植株含水率，通過單因素方差分析方法中的LSD法對無人機飛行觀測的植株含水率比較，抽穗期的植株含水率與灌漿期的植株含水率的平均值相差13.2%，與成熟期的植株含水率的平均值相差31.2%，灌漿期的植株含水率與成熟期的植株含水率的平均值相差18%，這些差異在0.05的顯著性水平下是顯著的。

圖1 冬小麥不同生育期不同水分處理下植株含水率Fig.1 Plant moisture content of winter wheat under different water treatments at different growth stages

2.2 模型構建

2.2.1 基于光譜反射率的多元回歸模型

將各個波段平均光譜反射率與植株含水率進行相關性分析，由單個波段平均光譜反射率建立的模型決定系數較低，僅近紅外波段決定系數為0.602，模型精度較低不能精準預測植株含水率，故采用多元線性回歸分析建立模型。

表2為光譜反射率模型，9種模型的決定系數R2均大于0.65，表明基于多光譜遙感信息反演植株含水率的可行性。模型2和模型7決定系數R2較大、均方根誤差RMSE和相對誤差RE均較小，相較其他模型占優，但模型7比模型2更加簡單便捷，故選擇模型7作為光譜反射率優選模型。

2.2.2 基于光譜植被指數的回歸模型

表3為光譜植被指數模型，由單個植被指數建立的6個植株含水率模型，決定系數R2較小、均方根誤差RMSE和相對誤差RE較大，模型擬合精度低不能實現精準預測。故采用多元線性回歸分析研究由6個光譜植被指數組合構建的植株含水率模型，由于SAVI、NDVI與EVI，NGRDI與VARI之間存在共線性問題，在逐步回歸法建模過程中為避免共線性問題對線性回歸分析精度的影響依次選入了EVI、SR和VARI等變量進行建模。模型17和模型18的決定系數均大于0.75、均方根誤差RMSE小于7.00%、相對誤差RE小于10.00%，兩者均可作為優選模型，但模型17在回歸分析的過程中考慮了各變量間的共線性，相比模型18更適合作為優選模型。

表2 光譜反射率模型

Tab.2 Spectral reflectance model

模型編號植株含水率-光譜反射率回歸模型R2FRMSE/%RE/%1y=1.199x1-6.705x2+3.154x3+8.530x4-1.325x5+0.3190.75833.8787.1510.122y=-10.871x21+8.412x1-80.235x22+4.336x2+33.194x23-1.847x3+178.536x24-5.963x4+13.287x25-4.714x5-0.5270.81421.4816.278.873y=0.501lnx1-0.153lnx2+0.191lnx3-0.054lnx4-0.194lnx5+1.0800.72127.9627.6811.264y=1.860x1-1.567x2+0.1460.66611.2228.4012.415y=1.633x1-4.342x2+4.264x3+0.1250.73213.6347.5410.906y=-17.572x21+13.281x1-1.679x2-1.6550.73414.3607.5010.937y=-15.188x21+11.201x1-5.552x2+9.161x21-1.1540.7739.4866.929.678y=0.591lnx1-0.082lnx2+1.0890.67910.0918.2412.229y=0.532lnx1-0.189lnx2+0.182lnx3+1.2660.7126.5167.8011.51

表3 光譜植被指數模型

Tab.3 Spectral vegetation index model

模型編號植株含水率-光譜植被指數回歸模型R2FRMSE/%RE/%10y=0.782NDVI+0.1060.52764.64310.0013.6211y=1.182SAVI+0.1220.649107.3898.6111.9412y=0.951EVI+0.2030.661113.2648.4611.8713y=0.021SR +0.4920.43144.00510.9715.4314y=0.797NGRDI +0.6110.49055.76710.3814.1915y=0.578VARI +0.6080.51260.89610.1613.9616y=1.635EVI-0.021SR-0.0340.72112.12810.4613.6917y=1.579EVI-0.035SR+0.448VARI+0.1360.78215.7616.799.7318y=-0.727NDVI+3.570SAVI-0.802EVI-0.046SR-3.026NGRDI+3.040VARI+0.2060.81137.9426.338.92

2.3 模型檢驗

圖2為不同建模方法下植株含水率的模擬值與實測值對比，表4為優選模型下植株含水率的模擬值與實測值比較，兩種回歸模型決定系數R2均大于0.8，均方根誤差RMSE均小于6%，且相對誤差RE均小于7%，說明光譜反射率模型7和光譜指數模型17的模擬精度較好，無人機多光譜遙感監測植株含水率是可行的。但光譜指數模型相較光譜反射率模型具有考慮植株內部參數的優勢，在預測植株含水率時可降低環境和自身因素的干擾、實用性更強，故選模型17進行建模。作物植株含水率的敏感波段是近紅外區域，這與前人的研究結果一致[19,20]。

3 結 語

本文通過對光譜反射率和植株含水率的相關性分析，利用兩種回歸分析方法建立光譜反射率模型以及光譜植被指數模型，通過模型的相關性(R2)、相對誤差(RE)及均方根誤差(RMSE)檢驗確定出最優的基于光譜信息的植株含水率估算模型，為實現精準作物監測提供了理論依據，進一步加強無人機多光譜遙感監測的適用性。結論如下。

圖2 不同建模方法下植株含水率的模擬值與實測值對比Fig.2 Comparison of simulated and measured values of plant moisture content under different modeling methods

表4 優選模型下植株含水率的模擬值與實測值比較

Tab.4 Comparisons between simulated and measured values ofPlant moisture content under optimal selection model

模型類型模型編號植株含水率回歸模型R2RMSE/%RE/%光譜反射率模型7y=-15.188x21+11.201x1-5.552x2+99.161x24-1.1540.8215.566.83光譜植被指數模型17y=1.579EVI-0.35SR+0.448VARI+0.1360.8265.476.91

(1)單個波段平均光譜反射率與植株含水率的決定系數較低，多個波段光譜反射率建模R2均在0.65以上，模型精度較高。由近紅外波段、紅波段和藍波段建立的光譜反射率模型精度高，簡便穩定。

(2)基于近紅外波段和紅波段構建的增強型植被指數(EVI)在光譜植被指數相關性分析中決定系數R2最高。由單一光譜植被指數建模精度較低，采用多個光譜指數綜合分析模型精度較高。

(3)優選的光譜植被指數模型的模擬效果優于光譜反射率模型，且考慮植株內部參數，在今后的應用中采用該模型預測植株含水率。