基于無人機多光譜遙感的冬小麥冠層葉綠素含量估測研究

魏 青，張寶忠，魏 征，韓 信，段晨斐,3

(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；3.山西農業大學林學院，山西晉中 030801)

小麥是世界播種面積最大、產量最多的糧食作物，長勢及產量情況影響著世界糧食安全。而作物長勢狀況的診斷可通過構建營養元素與光譜的數學關系得以實現。葉綠素是植物光合作用、氮素狀況的重要指示因子，研究作物葉綠素含量變化特征可為快速診斷施肥提供依據[1-3]。目前，利用遙感技術估測作物葉綠素含量已成為當下遙感應用研究的熱點，且研究內容主要集于在不同尺度利用各類光譜儀和傳感器測定作物光譜信息，進而預測葉綠素含量[4-6]。

在地面測量中，常用地物光譜儀采集作物冠層光譜，只能獲取某個點或者極小范圍樣點的光譜數據，監測范圍有限[7]。衛星遙感可以獲取大范圍農作物的影像，但時空間分辨率的限制往往造成研究區農作物關鍵物候期數據的缺乏，缺少靈活性和高效性且成本高，導致難以達到精準農業的精度和滿足田間氮肥管理的要求[8-9]。

近年來，無人機遙感憑借其機動靈活、時空分辨率高等特點在農情監測中占據越來越重要的地位，作物營養狀況診斷成為無人機遙感技術在農業領域應用的發展趨勢[10-12]。無人機平臺搭載數碼相機、多光譜或者高光譜傳感器在作物營養狀況診斷方面應用較為常見。如P?l?nen等[13]通過無人機高光譜成像系統構建的歸一化植被指數NDVI對植被氮素進行監測，獲得較好效果。Gevaert等[14]基于無人機高光譜數據與多光譜衛星圖像數據構建新的STRS，并與土豆的實測葉綠素含量建立聯系，實現對土豆營養狀況的監測。田明璐等[7]利用低空無人機高光譜影像提取的27個光譜參數，較好地反演了棉花葉片葉綠素含量，但模型復雜度較高，導致其易用性降低。張 玲等[15]基于無人機搭載RGB相機提取色彩參數診斷了夏玉米不同生育時期的氮素營養動態變化，但光譜信息少，存在葉片及土壤背景對光譜參數影響較大等問題。高光譜成像技術及后續數據處理復雜等因素一定程度上限制了其應用的普適性。相比于數碼相機RGB波段，利用多光譜傳感器可獲得更多的光譜信息，其監測技術成熟且精度較高，因此無人機多光譜影像應用更有優勢。目前無人機多光譜影像在小麥監測應用方面多以葉面積指數、氮素、生物量參數為主，關于冬小麥關鍵生育時期冠層葉綠素含量的估測研究少有報道。Honkavaara等[16]以無人機平臺搭載輕便光譜相機獲取光譜信息，通過NDVI監測小麥的生物量并且決定系數r2達到0.80。Hunt等[17]用無人機多波段光譜信息構造植被指數GNDVI，建立了一種有效監測小麥葉面積指數的模型，r2達到0.85。劉昌華等[18]構建植被指數與氮營養指數的回歸模型，確定了無人機多光譜遙感技術在冬小麥氮素營養診斷方面的潛力。劉小輝[19]以10個不同小麥品種為研究對象，通過無人機搭載可見光和多光譜相機采集光譜信息，并建立了基于最優植被指數的小麥揚花早期和晚期的葉綠素含量反演模型。雖然以上研究的模型精度較高，但是都是利用單一變量進行參數診斷，存在飽和性，而且開展基于無人機多光譜影像對冬小麥關鍵生育期在不同施氮水平下冠層葉綠素含量的實時監測少有嘗試。

本研究以不同施氮水平下的冬小麥為研究對象，利用無人機多光譜數據構建多種植被指數，并將各生育時期植被指數與實測SPAD進行相關性分析，通過一元二次回歸和逐步回歸分析方法確定估測冬小麥冠層葉綠素含量關鍵生育時期的最佳模型，以期實現田間尺度冬小麥冠層葉綠素含量的實時診斷。

1 材料與方法

1.1 試驗材料與設計

試驗于2019年4-6月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。研究區平均海拔約為30 m，屬于溫帶半干旱大陸性季風氣候，多年平均降雨量為540 mm，主要集中于夏季，可達全年的80%以上，多年平均風速為1.2 m·s-1，日平均太陽凈輻射為171 W·m-2，光熱條件豐富，適合小麥等糧食作物的生長。本試驗農作物為冬小麥，設置5個施氮處理，其中播前施復合肥，拔節期追施尿素，施氮總量分別為0 kg·hm-2(N1)、150 kg·hm-2(N2)、225 kg·hm-2(N3)、300 kg·hm-2(N4)、375 kg·hm-2(N5)，共種植30個小區，其中因3個小區無灌溉和施肥，出苗較少，其數據不用于本研究分析，因此最終為27個研究小區。每塊小區面積為56 m2(8 m×7 m)，隨機排列，其他田間管理所有小區參照當地標準進行。

1.2 無人機多光譜數據測定

無人機試驗在冬小麥拔節期、抽穗期、灌漿期、成熟期進行，采用六旋翼無人機搭載RedEdge-M多光譜相機采集冬小麥冠層光譜數據。多光譜相機設有五個光譜通道，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。飛行高度設置為60 m，地面分辨率4.09 cm，飛行速度為 3 m·s-1，每次拍攝選擇晴朗無云天氣，時間為上午10:00-12:00之間。將飛行后采集的335張影像導入Pix4Dmapper軟件進行拼接，經過灰板反射率校正后獲取研究區的反射率影像。

1.3 葉綠素含量測定

同一品種的小麥葉片SPAD值與葉綠素含量之間相關系數達顯著水平，可以表征葉綠素含量的高低[1，20]。在無人機飛行的當天同步測定各小區的相對葉綠素含量，從各小區中隨機選取6株冬小麥植株，利用SPAD-502葉綠素儀在試驗田對冬小麥植株的上、中、下部分所有葉片分別進行測量并記錄SPAD值，將三個部位的葉綠素含量的平均值作為該植株冬小麥的冠層SPAD值，再計算6株冬小麥SPAD值得平均值作為該小區冬小麥的冠層SPAD值。

1.4 植被指數的選擇與計算

通過不同波段反射率的組合變化構成植被指數，在一定程度上能夠減少背景土壤等因素對植被光譜的影響程度，提高估測葉綠素含量的精度[21]。考慮植被指數估測植被生理生態參數的特點，所選擇的植被指數包括兩波段構造的植被指數(T類)和多波段(3個及以上)構造的植被指數(M類)[22-31]。計算公式如表1所示，借助ENVI軟件進行16個植被指數的計算。

表1 植被指數及計算公式

1.5 數據分析方法

利用兩種分析方法構建模型。第一種方法是選擇每個生育時期和全生育期中與冬小麥冠層SPAD值極顯著相關且相關系數較高的光譜植被指數為變量，構建一元二次線性回歸模型。第二種方法是采用逐步回歸分析方法，依據16種植被指數(變量)與實測SPAD值的相關系數，由大到小地逐個引入回歸模型，構建每個生育時期和全生育期的逐步回歸模型。

1.6 評價指標

本研究隨機選取70%樣本數據作為建模數據集，構建冬小麥SPAD值估測模型，剩余30%樣本數據作為驗證數據集，進行模型評價。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，模型估算能力越好。

(1)

(2)

(3)

2 結果與分析

2.1 不同施氮水平下小麥SPAD值的動態變化

從圖1可以看出，不同施氮水平下冬小麥SPAD值的變化趨勢基本一致，呈現拋物線趨勢，主要原因是冬小麥生育前期隨著葉片的生長發育，葉綠素含量逐漸增加，在抽穗期達到最大值，生育后期葉片開始漸漸發黃萎蔫，葉綠素含量不斷下降。施氮水平越高，相應的葉綠素含量也越高，除了成熟期，其他三個生育時期的冬小麥冠層SPAD值均在45以上，成熟期的小麥葉綠素含量較低，葉片已經接近枯萎，因此不再對成熟期進行分析。

圖1 不同施氮水平下冬小麥生育期SPAD值變化

2.2 植被指數與小麥SPAD值的相關性

相關性分析(表2)表明，在拔節期，只有NDVI、MSR、REOSAVI、0SAVI和RERDVI與冬小麥SPAD值呈極顯著相關，其中NDVI、MSR和RERDVI的相關系數均在0.5以上；在抽穗期，只有GNDVI和RERDVI與冬小麥SPAD值呈極顯著相關，相關系數在0.5以上，NDVI、MSR和CARI與SPAD值呈顯著相關；在灌漿期，除CARI外，15個植被指數與SPAD值均呈極顯著相關，其中NDVI、MSR的相關系數在0.7以上；對于全生育期，GNDVI、GOSAVI、NDVI、MSR、REOSAVI、RERDVI、0SAVI、MCARI和VARIred與SPAD值均呈極顯著相關，其中NDVI、MSR和RERDVI的相關系數在0.5以上。總體上看，MSR 與冬小麥全生育期及各生育時期的SPAD值相關性均較好；T類植被指數與SPAD值的相關性好于M類植被指數，說明并不是波段越多，組合效果越好。

表2 植被指數與冬小麥冠層SPAD值相關系數

2.3 冬小麥SPAD值最佳估測模型的篩選

基于光譜植被指數建立的冬小麥冠層SPAD值估測模型的決定系數均達到0.05顯著性水平，說明各模型的擬合性均較好。對于各生育時期及全生育期，總體上一元二次線性回歸模型的擬合效果要低于逐步回歸模型。

表3 基于光譜植被指數建立的冬小麥冠層SPAD值估測模型

選取不同的建模方法下各生育時期及全生育期擬合性最優的估測模型，利用檢驗樣本數據對其進行精度驗證。結果(表4)表明，在拔節期，逐步回歸模型的r2、RE和RMSE較小，分別為 0.79、2.73%和1.74，均優于一元二次線性回歸模型；在抽穗期，逐步回歸模型的r2為0.63，明顯高于一元二次線性回歸模型，RE和RMSE略小于后者；在灌漿期，逐步回歸模型的r2與一元二次線性回歸模型相當，但RE和RMSE較大；全生育期兩種優選估測模型的預測結果雖都較差，但逐步回歸模型的效果相對較好。因此，對于各生育時期及全生育期，逐步回歸模型更適合用于無人機多光譜遙感估測冬小麥冠層葉綠素 含量。

表4 冬小麥SPAD值優選估測模型及檢驗結果

2.4 施氮水平對小麥SPAD值預測精度的影響

抽穗期是反映冬小麥冠層葉綠素含量最高和光譜特征最顯著的最佳階段，施氮水平越高，植被覆蓋度越大。由表5可知，在施氮水平較低時，兩種模型對SPAD的預測精度沒有明顯差異；隨著施氮水平的提高，兩種模型預測SPAD值的精度相對降低，但逐步回歸模型的預測精度仍然高于一元二次線性回歸模型。

表5 不同施氮水平下小麥SPAD預測結果(RMSE)

3 討 論

本研究選取了16種植被指數用于冬小麥冠層葉綠素含量的監測模型構建，結果發現，改進簡單比植被指數MSR在拔節期、灌漿期和全生育期與SPAD值相關性最高，綠色歸一化植被指數GNDVI在抽穗期與SPAD值相關性最高。有研究認為，冬小麥葉片SPAD值通過歸一化差異植被指數NDVI的估算效果更好[21]，而在抽穗期GNDVI與SPAD值的相關性明顯高于NDVI，這是因為冬小麥在抽穗期葉綠素含量最高，葉綠素含量對綠波段更敏感，對紅波段容易達到飽和狀態。對于其他生育時期，在植被葉綠素含量不夠飽和的情況下MSR相較于NDVI具有更強的敏感性，這是因為其一定程度上克服了土壤背景對冬小麥冠層光譜特征的影響，具有較強的抗干擾能力，因此MSR在各生育時期與冬小麥葉綠素SPAD值之間表現出良好的相關性。

本研究通過建模發現，基于多個植被指數的回歸模型對SPAD值的預測精度明顯高于基于單個植被指數的回歸模型，建模方法也對監測冬小麥冠層葉綠素含量的結果有較大影響。光譜信息過少的模型容易導致模型受到背景因素的干擾而缺乏穩定性，光譜信息過多的模型會導致模型復雜且易用性低，因此需要平衡兩者之間的關系[7]。雖然本研究所建立的模型普適性需要依靠多次統計數據進行驗證，但逐步回歸方法仍然是優選的建模方法。目前對農作物葉片葉綠素含量的遙感反演沒有統一的模型，無人機多光譜遙感在農作物營養診斷中的應用還處于探索階段，多光譜影像中冬小麥光譜信息的提取精度方面需要進一步的研究。通過田間試驗獲得累積數據仍然是通過統計學得到的經驗模型，在時空領域有一定的局限性。在下一步研究中還需提高無人機遙感影像的精度，嘗試與輻射傳輸模型結合，充分發揮無人機遙感技術的優勢。