基于無人機遙感的蘋果樹冠層氮含量反演研究

摘要：快速、便捷地實時獲取蘋果樹冠層氮含量是實現精準施肥的數據基礎。本研究以“秦脆”蘋果樹為研究對象，分別于新梢旺長期、春梢停長期、果實膨大期利用無人機遙感平臺獲取30、50、70 m飛行高度下的多光譜遙感圖像，并同步測定冠層氮含量。從不同試驗條件下的遙感圖像中各提取43種植被指數，然后通過相關性分析篩選出6種敏感植被指數，利用梯度提升決策樹（GBDT）算法，建立了蘋果樹冠層氮含量的反演模型。結果表明：GBDT算法可以在“秦脆”蘋果樹不同生長期的冠層氮含量反演模型建立中取得良好的效果，且降低無人機遙感試驗的飛行高度可以顯著提高模型的預測精度：最優模型出現在新梢旺長期30 m高度時，其R2為0.941，RMSE為0.300。本研究結果可為“秦脆”蘋果樹的精準施肥提供數據支撐，并為相關研究提供參考。

關鍵詞：無人機遙感；蘋果樹冠層氮含量；多光譜；梯度提升決策樹

中圖分類號：S661.1： S127 文獻標識號：A 文章編號：1001-4942（2024） 10-0167-07

蘋果是溫帶地區重要的經濟果樹，其果實中含有許多有益于人體健康的成分。中國是全球最大的蘋果生產國和消費國，蘋果種植面積和產量均占世界總量的50%以上，在全球蘋果產業中有著舉足輕重的地位。氮素是作物健康生長發育必需的營養元素，在提高作物光合能力、增加同化產物等方面有著重要作用，同時氮素營養狀況也是評價作物長勢的重要指標，對提高產量和改善作物品質具有重大意義，因此果園的施肥環節在很大程度上影響到水果的產量和質量。我國是世界最主要的化肥生產與施用大國，但是肥料利用率較低。為了解決化肥投入不合理、肥料平均利用率低和農業生態環境污染等一系列問題，精準施肥技術應運而生。作物相關信息的快速獲取與解析是開展精準農業實踐的前提和基礎，無人機遙感平臺具有價格便宜、操作簡單、運行維護成本低、數據獲取實時、飛行時間靈活等優點，用其替代傳統的破壞性取樣測定方法對于作物生長發育的實時監測及精準施肥管理具有重要意義。

Ballester等采集多光譜圖像并計算結構和葉綠素敏感植被指數，評估了其在跟蹤棉花氮狀態的時空變化以及預測皮棉產量方面的有效性。劉奕彤等采用多光譜相機采集玉米拔節期冠層多光譜圖像，建立并對比了寒地玉米氮素一元線性回歸、多項式回歸及多元回歸模型。Hunt等利用NDVI和綠波段植被指數對生長季后期的馬鈴薯進行氮素監測，所有區域的馬鈴薯氮素都可以在圖像中被正確識別。魏鵬飛等利用無人機多光譜影像構建典型植被指數，并篩選出敏感光譜指數進行模型構建，最終實現了田塊尺度夏玉米葉片氮素含量的遙感估算。董超等選擇冬小麥返青初期，通過構建不同的植被指數探查冬小麥對不同氮素水平的反應，進而建立基于無人機多光譜影像的土壤氮素施肥指標，提出麥田氮肥的變量施用決策。Moghimi等利用無人機多光譜圖像，基于機器學習算法分別構建了分類模型和回歸模型用于評估葡萄植株氮素狀況。Zheng等利用植被指數、歸一化紋理指數及其組合估算氮營養參數，對比分析表明用歸一化差紅邊指數估算氮素營養參數的效果最好。Colorado等利用無人機多光譜圖像估算水稻葉片氮含量，并提出一種新的無人機軌跡控制策略以減少無人機飛行期間角風引起的擾動。Lee等基于無人機多光譜圖像，從單個多光譜波段和相關植被指數出發預測玉米冠層氮重（nitrogenweight）。李美炫等以果樹冠層為研究對象，依據無人機多光譜影像數據，基于歸一化陰影指數、歸一化冠層陰影指數去除果樹冠層影像的陰影，以提高蘋果樹冠層氮素含量反演模型的精度。Yu等利用無人機多光譜圖像、植被指數、作物高度、田間地形測量和土壤特性，采用隨機森林和支持向量機方法預測了玉米田的冠層氮重。Xu等通過無人機同步獲得數字RGB和多光譜圖像估算玉米葉片含氮量，并引入了一個新的改良植被指數——覆蓋調整光譜指數（CASI）。

綜上所述，利用無人機遙感平臺代替傳統氮含量測定方法監測施肥期內果樹冠層氮含量具有一定的研究價值，對確定施用肥料的氮素配比起到一定的參考作用，在精準施肥領域具有良好的應用前景。“秦脆”是西北農林科技大學選育的抗逆蘋果品種，目前針對其冠層氮含量的遙感反演研究仍處于空白，展開相關研究對于該蘋果品種的推廣具有一定意義。因此，本研究以“秦脆”蘋果樹為對象，利用無人機遙感平臺獲取冠層多光譜圖像，同時采樣進行冠層氮含量的測定，基于此建立冠層氮含量反演模型，并引入梯度提升決策樹（GBDT）算法以提高模型的預測精度，以期為“秦脆”蘋果樹的精準施肥提供數據支撐，并為相關研究提供參考。

1 材料與方法

1.1 試驗區概況及材料

1.1.1 試驗區概況

本研究的試驗區位于陜西省咸陽市武功縣。武功縣屬溫帶大陸性季風氣候，全年無霜期315 d，光照充足，歷年平均日照時數2 094.9 h，年降水量633.7 mm，非常適宜農業生產活動。在蘋果栽培領域，武功縣屬于黃土高原產區，是我國蘋果的優產區。

試驗果園為陜西果業科技集團有限公司某果園（34.34°N，108.09°E），采用標準化種植模式，實現了水肥一體化管理、環境實時監測等；種植的蘋果品種主要為“秦脆”，行間距為4.0 m，株間距為1.5 m，種植面積約為1.4 hm2：試驗期間分別于6月上旬和7月上旬隨水施用三元復合肥600kg/hm2，未根據每株樹的生長狀況進行精準施肥。

1.1.2 試驗對象

“秦脆”為西北農林科技大學以“長富2號”X“蜜脆”雜交育成的抗逆蘋果品種，果實品質優良，抗旱、耐寒，對早期落葉病的抗性高，于2016年12月通過陜西省果樹品種審定委員會審定。

1.1.3 無人機平臺及多光譜相機

選用大疆創新科技公司生產的DJI M600 pro六旋翼無人機作為遙感平臺，搭載Red Edge多光譜相機采集多光譜遙感圖像。Red Edge多光譜相機是一款工業級別的多光譜成像儀，專門為農業遙感提供多波段光譜數據；它擁有5個獨立的成像器，可以同時收集5個不連續的光譜波段數據，如表1所示。

1.2 田間試驗設計

1.2.1 無人機遙感試驗

無人機遙感試驗按照農業農村部《農情監測遙感數據獲取與預處理技術規范》（NY/T 3526-2019）的標準，分別于2022年5月30日、6月27日、8月1日的11：00-14：00進行田間試驗，這3個日期分別對應蘋果樹生長的新梢旺長期、春梢停長期和果實膨大期。3個試驗日均為晴朗、無風、無云的天氣。無人機飛行高度選取30、50、70 m，飛行速度3m/s，旁向重疊度為70%，航向重疊度為80%，采取等距間隔拍照模式。試驗前在選定采樣區的4個頂角擺放白、黑色參考板各2塊，用于對圖像進行輻射定標和校正。采集的遙感圖像按照蘋果生長期、飛行高度分別存儲，以便于后續預處理。在采樣區使用棋盤采樣法選取60個代表性采樣點，使用美國Trimble公司生產的R8s差分式GPS定位儀對每個采樣點西北角、東南角的經緯度值進行測量和記錄，用于在遙感圖像中裁剪出采樣果樹的冠層覆蓋區域，從而精確提取每個采樣果樹區域的各波段反射率。

1.2.2 冠層氮含量測定

于上述3個試驗日同步取樣用于測定果樹冠層氮含量，測定方法為凱氏定氮法。在60個采樣點的果樹冠層上、中、下部的東、西、南、北4個方向的內、外層各采集1片樹葉，每株樹上采集的24片葉作為一個待測樣本。將同一個批次的60個樣本依次裝袋、編號，然后在105℃殺青30 min后烘干、碾碎，過0.25mm濾網，將過篩后的樣品送往實驗室進行氮含量檢測。

1.3 圖像預處理

1.3.1 圖幅拼接

圖幅拼接采用瑞士Pix4D公司開發的Pix4D Mapper軟件進行。將無人機一次飛行采集的若干幅遙感圖像導人軟件中，根據無人機飛行軌跡和每個拍照控制點的順序排列，經過位置校正、圖像對齊、建立密集點云、生成網絡、生成紋理、生成正射影像等步驟，最終輸出拼接完成的整幅遙感影像。圖幅拼接示意圖如圖1所示。

1.3.2 輻射校正

輻射校正同樣在Pix4D Map-per軟件中進行。利用傳感器觀測目標的反射或輻射能量時，所得到的測量值與目標的光譜反射率或光譜輻射亮度等物理量之間存在一定誤差，稱為輻射誤差。輻射誤差會造成遙感圖像失真，影響遙感圖像的判讀和解譯，因此，必須進行消除或削弱。本研究采用偽標準地物輻射糾正法對無人機影像進行輻射定標和校正，將多光譜影像的灰度值（DN）轉化為目標地物的光譜反射率。

1.3.3"背景剔除

在本研究中，遙感試驗的主體對象為蘋果樹，然而果樹冠層難以完全遮蔽土壤背景，因此在試驗區正射影像中包含大量的土壤像元。由于土壤和果樹對各波段的敏感程度存在差異，反射率有所不同，因此土壤像元的存在可能會對采樣點平均反射率產生較大的影響，需要對其進行剔除。剔除背景后的圖像如圖2所示。

1.3.4 反射率提取

將拼接完成的遙感影像導人ENVI軟件中，利用投影轉換將UTM投影轉換為經緯度數據。轉換完成后，通過各采樣點的西北角、東南角經緯度框選出采樣點果樹區域，提取出每個采樣點紅光波段（Red，R）、綠光波段（Green，G）、藍光波段（Blue，B）、紅邊波段（Red_edge，Re）、近紅外波段（Near Infrared，Nir）反射率的平均值。

1.3.5 植被指數提取與分析

本研究利用藍光波段、綠光波段、紅光波段、近紅外波段、紅邊波段5個波段的反射率進行數學組合運算，共提取出43種植被指數（vegetation index，VI）。為了使不同生長期、不同無人機飛行高度下的反演模型都達到較高的預測精度，在每次試驗獲取的遙感圖像中都提取了光譜反射率并計算了植被指數，然后分別與各生長期的果樹冠層氮含量實測值進行相關性分析，最終篩選出相關性最高的6個敏感植被指數（sensitive vegetation index，SVI）。各植被指數的計算公式見表2。其中，紅邊百分比植被指數（REPVI）是根據Clevers的研究，將紅外線百分比植被指數（IPVI）計算式中的紅光波段反射率修改為紅邊波段的反射率得出。

1.4 模型建立與評價

1.4.1 模型建立方法

使用Python語言，采用梯度提升決策樹算法（gradient boosting decisiontree，GBDT）建立蘋果樹冠層氮含量的反演模型，設定決策樹最大深度為5，損失函數閾值為0.5，決策樹個數為100，固定學習率為0.1。無人機每采集一次遙感圖像記為一次試驗，則本研究在蘋果樹3個生長期各進行了3次試驗，每次試驗獲取60個樣本，將所有樣本按3：1的比例劃分為建模集和驗證集。

1.4.2 模型評價指標

選用決定系數（R2）和均方根誤差（RMSE）作為模型評價指標。R2取值范圍為0-1，值越接近1，則模型預測效果越好；RMSE值越小，模型預測效果越好。計算公式如下：

式中，xi為第i個果樹冠層氮含量的實測值，-x為果樹冠層氮含量的實測均值，Yi為第i個果樹冠層氮含量的預測值，-y為果樹冠層氮含量的預測均值，n為樣本數量。

2 結果與分析

2.1 蘋果樹冠層氮含量分析

蘋果樹新梢旺長期、春梢停長期、果實膨大期的冠層氮含量測定結果如表3所示。可以看出，新梢旺長期果樹冠層氮含量的平均值最大，為22.205 g/kg，但變異系數最大，為0.061，數值變化范圍較大（17.976 - 24.449 g/kg）；春梢停長期果樹冠層氮含量平均值次之，為21.859 g/kg，最小值為19.545 g/kg，最大值為23.220 g/kg，變異系數最小，僅0.028;果實膨大期果樹冠層氮含量最小值為18.588 g/kg，最大值為23.106 g/kg，平均值為20.595 g/kg，明顯低于其他兩個時期。3個生長時期的氮含量數據均基本符合正態分布。

2.2 敏感植被指數的篩選

本研究在蘋果樹新梢旺長期、春梢停長期、果實膨大期均進行了30、50、70 m高度的無人機遙感試驗，共獲取了9幅遙感圖像，從每幅圖像中提取43種敏感植被指數，然后計算各植被指數與冠層氮含量的相關系數，經查詢相關系數的顯著性檢驗表，當樣本數為60時，相關系數的絕對值|R|＞0.325即達到極顯著水平，據此篩選出敏感植被指數，見表4，可用于反演模型構建。

2.3 GBDT反演模型的構建及評價

利用GBDT算法，以篩選出的敏感植被指數為自變量，建立各試驗條件下對應的蘋果樹冠層氮含量反演模型，模型的統計分析結果如表5所示。可見，降低無人機遙感高度明顯提高各生長期GBDT反演模型的預測精度，以新梢旺長期的30 m遙感圖像獲得的模型最優，建模集R2、RMSE分別為0.950、0.214，驗證集R2、RMSE分別為0.941、0.300。三個生長時期建模效果相比，新梢旺長期建立的GBDT反演模型整體較優，決定系數普遍較高，但是均方根誤差也較高，即模型對果樹冠層氮含量的預測值與實際值之間的偏差較大；在春梢停長期，GBDT算法在冠層氮含量反演模型建立中表現依然出色，尤其在30 m的遙感圖像中，雖然R2略低于新梢旺長期的最優模型，但RMSE僅為0.176（驗證集），明顯低于新梢旺長期的最優模型，表明雖然該時期模型的擬合效果較新梢旺長期略顯遜色，但是預測偏差大大降低：而果實膨大期建立的各高度反演模型擬合效果相當，R2值均在0.822 - 0.932范圍內，RMSE在0.248 -0.402范圍內。

3 討論

蘋果樹葉片為全樹含氮量最高的部位，正常氮含量為20-40 g/kg；含氮量過低會導致生長緩慢、光合速率較低等問題；含氮量過高則會導致果樹徒長，影響果實的產量和品質。本試驗過程中發現，第58號果樹3次試驗的氮含量分別為17.976、19.545、18.588 g/kg，均處于較低水平；第22號果樹3次試驗的氮含量分別為24. 449、21.715、22.810 g/kg，雖然均在正常范圍內，但是出現了異常變化情況。第1次試驗中有6株果樹的冠層氮含量低于20 g/kg，第2次試驗中僅有1株果樹的冠層氮含量低于20 g/kg，第3次試驗中冠層氮含量低于20 g/kg的果樹多達14株，可以看出，大多數采樣果樹第2次氮含量測定數據略高于第1次，而第3次又略有降低，這可能是由于春梢停長期后的蘋果樹生長發育逐漸進入了一個相對穩定的階段，葉片中的氮元素被蘋果樹利用和消耗的同時，對氮元素的需求量也逐漸減少。若能結合無人機遙感技術對果樹冠層氮含量進行實時、無損檢測，則能針對每株果樹的氮素狀況按需施肥，提高肥料利用率的同時盡可能保證每株果樹的健康生長。

本研究首次針對“秦脆”品種蘋果樹研究冠層氮含量的反演模型，且首次將GBDT算法引入蘋果樹冠層氮含量反演模型構建中，并取得了良好的效果，為相關研究提供了新的思路。但本研究仍存在以下不足之處：

（1）只在武功縣種植的“秦脆”蘋果樹的3個生長期中各選擇1天進行試驗，且樣本數量較少。在今后的研究中，可嘗試在更多種植地區、更多品種蘋果樹、更多天數中進行試驗，并擴充樣本量，為研究結論提供更有力的數據支撐。

（2）遙感試驗中只設置了30、50、70 m三個無人機飛行高度，并得出結論在30 m高度下獲得的遙感圖像建模效果最好。今后可在此基礎上再適當降低無人機飛行高度，以研判是否能夠進一步提高模型預測精度。

4 結論

本研究基于無人機遙感平臺進行了“秦脆”蘋果樹冠層氮含量的反演研究，主要結論如下：

（1）GBDT算法在“秦脆”蘋果樹不同生長期的冠層氮含量反演模型建立中都可以取得良好的效果。其中，預測精度最高的模型出現在新梢旺長期，驗證集R2為0.941，RMSE為0.300;春梢停長期的模型預測偏差較小，該時期最優模型驗證集的R2為0.901，RMSE為0.176;果實膨大期各高度模型效果相當，所有模型的R2均在0.82以上，RMSE在0.248 -0.402之間。

（2）降低無人機遙感試驗中的飛行高度可以顯著提高反演模型的預測精度，本研究中各蘋果樹生長時期的最優模型均在30 m高度遙感圖像中獲得。

基金項目：陜西省重點研發計劃項目（2022ZDLNY03 -04）