大豆冠層葉片氮含量檢測研究
--基于無人機多光譜圖像

康 愷,張 偉,賀 燕,亓立強,張 平

(黑龍江八一農墾大學 a.工程學院;b.理學院,黑龍江 大慶 163000)

0 引言

氮素在大豆的生長全過程具有極其重要的作用[1]。氮肥施入不足,會影響大豆植株的生長;施入過量,則會造成面源污染[2]。化學分析測量氮素含量的方法所花費的時間和人力成本都比較高,且難以實現對大面積作物的快速測量[3]。因此,快速、準確地估測氮素在大豆田間的分布狀況對實現大豆田間智能管理非常重要[4]。

國內外學者對無人機遙感在作物氮含量估測方面的應用進行了廣泛研究。Lucas等[5]研究了基于無人機遙感的多種植被指數與單個光譜相結合的玉米氮含量模型,回歸系數達到了0.83,為玉米精準施肥作業提供了理論依據。雖然多種植被指數相結合可以有效地提高模型的精度,但植被指數是以兩種及以上的單一光譜相結合的方式構建的,只利用多種植被指數與單個光譜建模存在一定的偶然性。SWAIN等[6]獲取了5種不同氮素水平下水稻的無人機遙感圖像,通過統計分析發現在幼穗分化期的5種不同氮素水平下的NDVI與水稻總生物量的回歸系數達到0.87。劉昌華等[7]在冬小麥關鍵生育期,以無人機為載體獲取多光譜圖像,利用選取最優光譜變量相組合的方式提供了冬小麥氮素營養快速、有效診斷手段,模型回歸系數達到0.85。秦占飛等[8]通過無人機搭載高光譜相機獲取高光譜數據,以RVI為光譜變量進行模型建立,模型檢驗R2為0.673,均方根誤差為0.329,并提出了對水稻葉片含氮量進行估算的方法。這3種方法都是通過選擇最優的光譜變量進行模型構建,雖然模型具有較高的精度,但單光譜變量建模存在一定的飽和度。綜上所述,以上研究均是通過無人機遙感圖像提取的特征參數與表征作物氮含量的生理指標的相關關系進行診斷農作物營養狀況,航空及以上大尺度光譜監測則隨著作物種類、種植模式、區域條件的不同,氮素光譜監測參數也有較大差異[9];而深入田間獲取作物的葉片、植株等的氮含量指標費時費力,且采樣具有一定主觀性,所建模型精度有待提高[10]。因此,基于無人機影像的氮素模型精度尚需進一步的探索[11]。

為此,以黑河地區3個關鍵生育時期主栽大豆品種為研究對象,利用無人機獲取遙感數據構建多種植被指數與田間實測氮素含量進行相關性分析,并基于一元線性和逐步回歸方法,建立大豆冠層 LNC估測模型,旨在為大豆關鍵生育期精準施肥提供數據支撐。

1 材料與方法

1.1 研究區與試驗田概況

試驗地點位于黑龍江省黑河市九三管局尖山農場科技園區試驗基地(125°19′53″E,48°46′55″N),如圖1所示。試驗區為大豆育種品系比較試驗區,試驗小區按照種植密度進行設計,品種均為適宜黑龍江第四積溫帶及內蒙古呼倫貝爾≥10℃活動積溫2200℃以上地區的主栽品種,具有抗性強、產量穩的優勢。選取的品種分別為龍墾3401、黑河43和龍墾310共計3種;試驗區域設置5種種植密度分別為38.5、35、31.5、29.75、28萬株/hm2,小區采用“壟上三行”的種植方式,壟長20m,壟寬110 cm,重復種植3壟,計為一個小區,共計20個小區。

圖1 實驗區位置示意圖Fig.1 Location of experimental area

1.2 葉片氮含量測定

2021年選取大豆始花期(R1)、始莢期(R3) 、始粒期(R5) 共3個關鍵生育時期,獲取大豆試驗田的無人機多光譜圖像數據及每個小區的大豆冠層葉片氮含量。分別在每塊試驗小區選取具有代表性的大豆上層葉片作為樣本帶回實驗室,對葉片稱鮮質量;在105 ℃下殺青0.5h,然后將所有葉片樣品在80℃條件下烘干48h以上,直至衡質量再稱干質量;最后對所有葉片樣本烘干,樣品研磨粉碎后采用凱氏定氮法[12]進行大豆冠層LNC的測定工作。

1.3 多光譜影像獲取與預處理

分別于7月17-22日、7月25-30日、8月6-11日展開無人機成像多光譜數據觀測。使用的遙感平臺為電動四旋翼無人機大疆精靈4多光譜版(簡稱精靈4)。多光譜相機包含藍(B)450±16nm、綠(G)560±16nm、紅(R)650±16nm、紅邊(RE)730±16nm和近紅外(NIR)840±26nm,共5個光譜波段。該無人機遙感平臺可按預先規劃好的飛行路線程控自動飛行,可在數據采集點實現定高自動拍攝,通過圖像傳輸模塊傳回相機圖像來掌握航拍的狀態。多光譜影像的采集于10:00-14:00在田間上空進行,飛行時天氣晴朗無云、風力較小,以盡量減少光源對拍攝數據的影響。設定自動航線的航向重疊率為85 %,旁向重疊率為70%,飛行高度30m,設置為等時間間隔自動拍攝,時間間隔為1s;飛行時間約為16min,單次飛行獲取影像約2700 幅。使用大疆智圖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;通過ArcGIS軟件得到覆蓋完整試驗田的多光譜影像(見圖1),影像空間分辨率為2.3cm。

1.4 多種植被指數構建及數據集劃分

植被指數是兩種以上植被敏感波段的組合,可以突出顯示植被特征(冠層生 物量、輻射吸收量、葉綠素含量等)。根據前人研究及相關資料選取了與氮相關的9個植被指數(見表1)和5個波段反射率,共計14個光譜變量對大豆冠層LNC進行估測。

表1 本研究使用的光譜指數Table 1 The spectral index used in this study

1.5 數據分析方法

1.5.1 逐步回歸

逐步回歸分析是多元回歸分析中的一種方法,用來研究多個變量之間的相互依賴關系,逐個引入顯著性變量,剔除不顯著性變量,以期獲得最優或者合適的回歸模型。回歸分析具有簡單易行,所得的回歸方程變量較少,并保留了影響最顯著的重要變量的優點[18]。本研究基于回歸模型的顯著性水平和回歸模型回歸參數的顯著性水平相結合的準則,達到刪除或增加自變量的目的,從而建立最優回歸模型來估測大豆LNC,即

Yk=b0+b1X1+b2X2+……+bkXk

(1)

其中,Y為目標變量(因變量);X為多光譜影像變量(自變量);b0～bk為常數項;k為潛在變量個數。

1.5.2 建模方法

首先,將選取的多光譜影像變量和實測LNC進行相關性分析,得到其相關關系;其次,選取相關性較高的光譜變量利用逐步回歸分析方法,隨機選取80% 樣本數據作為估算數據集,構建大豆 LNC估測模型,利用剩余20% 樣本數據作為驗證數據集,進行模型估測能力的檢驗。

1.5.3 評價指標

選取決定系數R2和均方根誤差(Root Mean Square Error,RMSE)作為評價模型精度的標準。建模模型和驗證模型的R2越大,相應的RMSE越小,則模型精準度越高,即

(2)

(3)

2 結果與分析

2.1 光譜數據與LNC相關性分析

利用不同種植密度下大豆3個主要生育期(R1、R3、R5)提取的光譜變量所對應的數值與實測 LNC數據進行相關性分析,3個生育期樣本各45個。基于無人機多光譜影像數據,選取長勢均勻的區域數據來構建 LNC 估算模型,通過多光譜影像多個單波段反射率結合提取的9個影像的光譜指數并與相對應的實測小區氮含量數據組成樣本數據集。其中,每個生育期隨機選取 80% 樣本數據構建估算模型訓練集,20% 樣本數據構建測試集。

2.2 大豆生育期LNC最佳估測模型LNC預測值

在上述分析的基礎上,按照光譜變量與LNC相關系數的大小排序,將排序的12個光譜變量依次減少光譜變量的個數作為輸入因子,進行后向逐步回歸分析,建立 LNC估測模型,并計算模型的調整決定系數R2。綜合考慮逐步回歸分析模型的評價指標和簡單實用性,將模型建立的調整R2和變量個數進行綜合分析。由此可以發現:在龍墾3401-R1期選擇 3 個光譜變量,所建模型R2最高,說明在龍墾3401-R1選擇相關性前三的光譜指數作為自變量時所建模型效果最好;同理,黑河43-R1、龍墾310-R1、龍墾3401-R3、黑河43-R3、龍墾310-R3、龍墾3401-R5、黑河43-R5、龍墾310-R5分別選擇 4、3、4、3、4、3、3、2個光譜變量建模的R2最高,所建模型效果最好。在不同生育期選用不同數量的光譜變量建立模型,進行大豆 LNC 估測。3 個時期所建模型如表2～表4所示。

表2 始花期(R1)不同品種LNC逐步回歸分析結果Table 2 Progressive regression analysis results of different LNC varieties at the initial flowering period (R1)

表3 始莢期(R3)不同品種LNC逐步回歸分析結果Table 3 Results of LNC gradual regression analysis of different varieties in the initial pod period(R3)

表4 始粒期(R5)不同品種LNC逐步回歸分析結果Table 4 Results of stepwise regression analysis of different LNC in starting grain period (R5)

R1時期,龍墾3401包括 3 個光譜變量,構建的逐步回歸模型的R2和RMSE分別為 0.857、0.133,經驗證數據驗證的R2和RMSE分別為0.872、0.167;黑河43包括4個光譜變量,構建的逐步回歸模型的R2和RMSE分別為0.845、0.156,經驗證數據驗證的R2和RMSE分別為0.8685、0.153;龍墾310包括3個光譜變量,構建的逐步回歸模型的R2和RMSE分別為0.821、0.187,經驗證數據驗證的R2和RMSE分別為0.835、0.139;

R3時期,龍墾3401包括4個光譜變量,構建的逐步回歸模型的R2和RMSE分別為0.831、0.204,經驗證數據驗證的R2和RMSE分別為0.858、0.104;黑河43包括3個光譜變量,構建的逐步回歸模型的R2和RMSE分別為0.881、0.113,經驗證數據驗證的R2和RMSE分別為0.891、0.089;龍墾310包括4個光譜變量,構建的逐步回歸模型的R2和RMSE分別為0.849、0.162,經驗證數據驗證的R2和RMSE分別為0.869、0.159。

R5時期,龍墾3401包括3個光譜變量,構建的逐步回歸模型的R2和RMSE分別為0.845、0.208,經驗證數據驗證的R2和RMSE分別為0.848、0.207;黑河43包括3個光譜變量,構建的逐步回歸模型的R2和RMSE分別為0.814、0.215,經驗證數據驗證的R2和RMSE分別為0.830、0.189;龍墾310包括4個光譜變量,構建的逐步回歸模型的R2和RMSE分別為0.836、0.211,經驗證數據驗證的R2和RMSE分別為0.863、0.139。由此表明,模型具有較高的精度和穩定性。

LNC模型實測值與預測值的關系如圖2所示。

圖2 驗證LNC模型實測值與預測值的關系Fig.2 Verifies the relationship between the measured and predicted values of the LNC model

3 結論

1)經過逐步回歸分析,篩選出各生育期 LNC 模型最優光譜變量,結果如下:龍墾3401-R1期為NDVI、OSAVI、NDRE;黑河43-R1期為 GNDVI、NDVI、OSAVI、NDRE;龍墾310-R1期為NDRE、NDVI、RVI;龍墾3401-R3期為NDRE、NDVI、OSAVI、LCI;黑河43-R3期為OSAVI、NDVI、GNDVI;黑河43-R3期為OSAVI、NDVI、GNDVI;龍墾310-R3期為NDVI、RDVI、RED、RVI;龍墾3401-R5期為LCI、RDVI、NDRE;黑河43-R5期為NDVI、OSAVI、LCI;龍墾310-R5期為NDVI、OSAVI。

2)基于光譜指數建立植被生理生化參數反演模型的研究中仍有一些問題有待解決,如本研究及大多數學者的研究多以單一植被的單一生長期為試驗對象,將其研究結果應用于植被整個生長期的可行性還需進一步考察。因此,如何將單個時期與整個生長期的氮素反演模型通用并達到較高的模擬性能和精度仍需更深入的研究與實踐。

3)利用無人機多光譜遙感數據結合逐步回歸分析方法選取敏感光譜變量進行建模,可以較好地監測大豆中 LNC 的空間分布。