利用無人機高光譜估算冬小麥葉綠素含量

馮海寬，陶惠林，趙 鈺，楊福芹，樊意廣，楊貴軍*

1. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感機理與定量遙感重點實驗室，北京市農(nóng)林科學(xué)院信息技術(shù)研究中心，北京 100097 2. 南京農(nóng)業(yè)大學(xué)國家信息農(nóng)業(yè)工程技術(shù)中心，江蘇 南京 210095 3. 河南工程學(xué)院土木工程學(xué)院，河南 鄭州 451191

引 言

葉綠素是作物的重要生理生化參數(shù)，是進(jìn)行光合作用的重要色素，能反映作物的生長狀況，是重要的長勢監(jiān)測指標(biāo)[1]。因此，快速、 精準(zhǔn)地監(jiān)測葉綠素含量(SPAD)對田間生產(chǎn)有科學(xué)的指導(dǎo)意義。傳統(tǒng)獲取SPAD的方式多為實地采集，通常利用分光光度計法、 高效液相色譜法和原子吸收法等，獲取數(shù)據(jù)的過程比較繁瑣，同時對作物具有破壞性[2]。

隨著遙感技術(shù)的快速發(fā)展，利用遙感技術(shù)動態(tài)、 快速、 高效、 無損監(jiān)測SPAD已經(jīng)成為重要的手段。目前，遙感技術(shù)監(jiān)測SPAD根據(jù)數(shù)據(jù)獲取方式分為地面遙感、 近地面的空中遙感、 遠(yuǎn)地面的高空遙感。地面測量中主要采用非成像地物光譜儀；高空遙感主要是通過衛(wèi)星獲取光譜圖像，能夠大范圍監(jiān)測，但容易受云層影響，且衛(wèi)星重訪周期長，光譜分辨率和空間分辨率低[3]；低空遙感為無人機和載人飛機，載人飛機的操作要求較高，而無人機操作方便，起飛條件相對簡單，更機動靈活，能夠獲取較高光譜和空間分辨率的遙感影像，可以更好地應(yīng)用于精準(zhǔn)農(nóng)業(yè)[4]。無人機遙感作為監(jiān)測作物長勢的重要方式，通常攜帶的傳感器為數(shù)碼相機、 多光譜和高光譜，數(shù)碼相機和多光譜的成本較低，但獲取的與作物長勢相關(guān)的波段信息有限。高光譜由于光譜波段多，可以得到與作物較為密切的敏感波段信息，這些光譜信息能夠更好反映作物的生長狀況。為了更好地利用無人機監(jiān)測SPAD，國內(nèi)外大量學(xué)者使用不同方法構(gòu)建監(jiān)測模型，如孟沌超等[1]將植被指數(shù)和紋理特征結(jié)合，得到的植被指數(shù)+紋理特征模型反演SPAD準(zhǔn)確度更高。Zhang等[5]對比了衛(wèi)星、 無人機和地面遙感監(jiān)測的特點，探究出多方法結(jié)合監(jiān)測SPAD更有效。Qiao等[6]利用無人機數(shù)碼影像構(gòu)建10種數(shù)碼植被指數(shù)，并結(jié)合紋理信息估算玉米的SPAD，結(jié)果表明構(gòu)建的模型精度較高，反演能力增強。Li等[7]基于無人機高光譜影像數(shù)據(jù)，通過植被指數(shù)預(yù)測馬鈴薯SPAD，發(fā)現(xiàn)相比單個植被指數(shù)，多植被指數(shù)的預(yù)測效果更好。肖武等[8]使用多元線性回歸方法構(gòu)建基于不同植被指數(shù)的SPAD估算模型，結(jié)果顯示多元線性回歸估算精度更高。蘇偉等[9]將無人機影像重采樣，觀察不同分辨率下植被指數(shù)反演SPAD效果。

高光譜具有較多的波段，提取與SPAD更敏感的光譜信息，能夠更深入地分析光譜信息。目前，分析無人機高光譜的特有波段—紅邊區(qū)域，并基于植被指數(shù)和紅邊區(qū)域構(gòu)建SPAD估算模型的研究還較少。本工作利用無人機高光譜遙感數(shù)據(jù)，獲取了冬小麥3個主要生育期的影像，提取出植被指數(shù)和紅邊區(qū)域信息，構(gòu)建了植被指數(shù)，紅邊參數(shù)，植被指數(shù)結(jié)合紅邊參數(shù)的SAPD估算模型，并使用偏最小二乘回歸方法(partial least square regression，PLSR)構(gòu)建模型，分析不同模型的優(yōu)劣性和適用性，選取最佳的估算模型，以期為基于高光譜遙感技術(shù)準(zhǔn)確估算SPAD提出一種新的方法。

1 實驗部分

1.1 試驗設(shè)計

試驗區(qū)為國家精準(zhǔn)農(nóng)業(yè)研究示范基地，在北京市昌平區(qū)小湯山鎮(zhèn)，地理位置處在溫榆河沖積平原和燕山的結(jié)合地帶，地勢開闊，北緯40°00′—40°21′，東經(jīng)116°34′—117°00′，為暖溫帶大陸性季風(fēng)氣候，夏季和秋季多雨水，年總降水量約648 mm。試驗區(qū)前茬作物是玉米，土壤類型是潮土，且比較肥沃。試驗區(qū)位置和設(shè)計見圖1所示。試驗采用隨機設(shè)計，為了增加不同小區(qū)作物的差異性，48個小區(qū)分別種植2個冬小麥品種(中麥175與京麥9843)，試驗區(qū)有N1(0 kg· hm-2)，N2(195 kg·hm-2)，N3(390 kg·hm-2)和N4(585kg·hm-2)4種氮素處理；并設(shè)置3個水分處理：W0(僅雨水)，W1是雨水加正常灌溉 (100 mm)，W2是雨水加兩倍正常灌溉 (200 mm)；48個小區(qū)經(jīng)過3種重復(fù)處理，每種處理16個小區(qū)，分為重復(fù)1、 重復(fù)2和重復(fù)3。種植密度是489株·m-2，每個小區(qū)面積是48 m2。由于此研究區(qū)均勻程度不一致，各小區(qū)處理方式也不同，作物吸收的養(yǎng)分和水分也存在差異，從而作物生長情況和產(chǎn)量在空間上呈現(xiàn)較大區(qū)別，具有良好的梯度，可以進(jìn)行無人機遙感試驗。

圖1 試驗區(qū)位置和設(shè)計Fig.1 Test area location and design

1.2 地面數(shù)據(jù)獲取及處理

地面試驗與無人機數(shù)據(jù)采集同步進(jìn)行，分別進(jìn)行冬小麥拔節(jié)期(2015年4月21號)、 挑旗期(2015年4月26號)和開花期(2015年5月13號)3次測量。為了測量冬小麥SPAD，利用SPAD-502型手持葉綠素儀，在每個小區(qū)選取1個樣本點取樣，在取樣點位置選取具有代表性的4片葉子，測量不同部位5次，將獲取的平均值作為該葉片的SPAD。然后將不同小區(qū)的樣本點的葉片SPAD平均值作為該小區(qū)的SPAD。在3個主要生育期共采取了144組樣本數(shù)據(jù)，取樣結(jié)束后利用GPS對取樣點定位，記錄坐標(biāo)信息。

1.3 無人機高光譜數(shù)據(jù)的獲取與處理

在適合無人機飛行的無風(fēng)、 且少云的時刻，分別獲取了冬小麥拔節(jié)期(2015年4月21號)、 挑旗期(2015年4月26號)和開花期(2015年5月13號)的無人機高光譜數(shù)據(jù)。采用旋翼無人機遙感平臺，無人機為DJI S1000 UAV，具有八個螺旋槳，能夠在低速和低空條件下保持穩(wěn)定。無人機起飛質(zhì)量是6 kg，飛行高度為50 m，速度是8 m·s-1，配備兩節(jié)18 000 mA·h(25 V)電池，續(xù)航時間為30 min。無人機搭載的傳感器是Cubert UHD-185 Firefly成像光譜儀(測量過程中保證光譜儀垂直向下)，生產(chǎn)地為德國，重量是0.47 kg；獲取的波段范圍從可見光到近紅外(450～950 nm)；和地面高光譜不同，高光譜的采樣間隔是4 nm。無人機起飛時間為中午12點，飛行高度是80 m，每次飛行前，需要利用地面黑白板進(jìn)行定標(biāo)。獲取影像后，需要對影像進(jìn)行預(yù)處理：(1)影像的拼接和幾何校正。通過德國Cuber公司生產(chǎn)的Cuber-Pilot軟件和Agisoft PhotoScan軟件，并使用全色圖像與位置信息進(jìn)行無人機高光譜影像拼接工作。首先，利用Cuber-Pilot軟件融合高光譜圖像和全色圖像，生成新的融合后的高光譜影像；最后，通過Agisoft PhotoScan軟件完成高光譜影像的拼接；(2)冠層光譜的反射率獲取。此項工作需要在ArcGIS軟件中完成，將拼接好的高光譜影像劃分成不同小區(qū)的最大面積矢量，并把矢量文件和對應(yīng)的小區(qū)名字進(jìn)行編號；再利用IDL程序提取出不同感興趣區(qū)的平均光譜反射率，將平均光譜反射率作為不同小區(qū)冠層光譜反射率。

1.4 植被指數(shù)選取

植被指數(shù)的研究廣泛，為了探究植被指數(shù)與SPAD的關(guān)系，根據(jù)已有的研究成果，篩選出與SPAD密切相關(guān)的植被指數(shù)，分別為LCI，PBI，NDVI，SR，TCARI，OSAVI和GNDVI 7種植被指數(shù)。具體見表1所示。

表1 選取的光譜參數(shù)Table 1 Selected vegetation indices in this study

1.5 紅邊參數(shù)選取

為了探究紅邊區(qū)域估算SPAD的效果，根據(jù)前人研究成果，選取了紅邊區(qū)域的光譜參數(shù)，如紅邊振幅(Dr)、 紅邊面積(SDr)、 最小振幅(Drmin)和紅邊振幅/最小振幅(Dr/Drmin)。紅邊參數(shù)根據(jù)最大一階導(dǎo)數(shù)計算，即Dr是680～750 nm范圍光譜最大一階微分的波長的一階微分值；SDr是紅邊區(qū)域(680～750 nm)的光譜一階微分的和；Drmin是最小紅邊振幅的值[3]。

1.6 分析方法

PLSR不同于主成分分析與典型關(guān)聯(lián)分析，結(jié)合了兩種數(shù)據(jù)分析方法的優(yōu)勢，并且可以解決模型自變量和因變量的映射問題。能夠在自變量存在嚴(yán)重多重相關(guān)性的條件下進(jìn)行回歸建模；同時在最終的模型中包含原有的所有自變量，易于辨識系統(tǒng)信息與噪聲，而且自變量的回歸系數(shù)更容易解釋；相比較其他建模方法，PLSR的計算簡單、 預(yù)測精度較高、 易于定性解釋。

1.7 精度評價

為了評估構(gòu)建的SPAD模型的精度與可靠性，選取決定系數(shù)(coefficient of determination，R2)、 均方根誤差(root mean square error，RMSE)、 標(biāo)準(zhǔn)均方根誤差(normalized root mean square error，NRMSE)作為評價指標(biāo)。其中R2越大，表示模型有更好的適用性；RMSE和NRMSE越小，說明模型的精度越高，反之精度越低。

2 結(jié)果與討論

2.1 植被指數(shù)、 紅邊參數(shù)與SPAD相關(guān)性分析

將不同的植被指數(shù)、 紅邊參數(shù)與SPAD進(jìn)行相關(guān)性分析，如表2所示。根據(jù)表2可知，對于植被指數(shù)，除了TCARI在拔節(jié)期和開花期表現(xiàn)無顯著相關(guān)外，其余植被指數(shù)在3個生育期均表現(xiàn)極顯著相關(guān)(p<0.01)；對于紅邊參數(shù)Drmin和Dr/Drmin在生長期中均為極顯著相關(guān)(p<0.01)，Dr表現(xiàn)為無顯著相關(guān)，SDr為顯著相關(guān)(p<0.05)。相比3個不同生育期，植被指數(shù)和紅邊參數(shù)在挑旗期均達(dá)到0.01顯著水平，拔節(jié)期，植被指數(shù)中LCI相關(guān)系數(shù)最高，為0.745，紅邊參數(shù)中Dr/Drmin相關(guān)系數(shù)最高，為0.696；挑旗期，相關(guān)性最大的植被指數(shù)和紅邊參數(shù)分別為LCI與Dr/Drmin，相關(guān)系數(shù)分別為0.598與0.626；開花期，相關(guān)性表現(xiàn)最好的植被指數(shù)為GNDVI，相關(guān)系數(shù)為0.539，相關(guān)性表現(xiàn)最好的紅邊參數(shù)為Dr，相關(guān)系數(shù)為0.436。

表2 植被指數(shù)、 紅邊參數(shù)與SPAD相關(guān)系數(shù)Table 2 Correlation coefficients between vegetationindices, red edge parameters and SPAD

2.2 單參數(shù)SPAD估算模型構(gòu)建

挑選出3個生育期相關(guān)性較高的植被指數(shù)LCI，PBI，NDVI和GNDVI，紅邊參數(shù)Dr與Dr/Drmin。構(gòu)建SPAD線性估算模型，結(jié)果見表3所示。在3個生育期中，從拔節(jié)期到開花期，植被指數(shù)LCI構(gòu)建的SPAD估算模型均為最佳，R2從0.56到0.28，RMSE的范圍為2.96～4.61，NMRSE的范圍為8.14%～10.43%，最佳估算SPAD模型的R2，RMSE與NRMSE分別為0.56，2.96與8.14%；紅邊參數(shù)Dr/Drmin構(gòu)建的SPAD估算模型也均為最佳，此時R2，RMSE和NRMSE分別為0.49，3.18和8.76%，從拔節(jié)期到開花期，R2的變化范圍為0.49～0.18，RMSE與NRMSE范圍分別為3.18～4.89，8.76%～11.08%。

2.3 利用PLSR方法構(gòu)建SPAD估算模型

為了探究多個植被指數(shù)估算SPAD效果，將植被指數(shù)LCI，PBI，NDVI與GNDV作為模型輸入變量，使用PLSR方法建立SPAD估算模型，結(jié)果如表4和圖2所示。從拔節(jié)期到開花期，基于植被指數(shù)構(gòu)建的SPAD估算模型的效果是逐漸增強，建模R2從0.62提高至0.73，模型的擬合性較高，RMSE從2.67降低至2.49，NRMSE從7.43%降低為5.57%，模型的預(yù)測精度較高；同時驗證R2從0.65到0.76，RMSE與NRMSE分別從3.27到3.09，8.80%到7.93%，驗證的效果較好，模型較為穩(wěn)定。在開花期達(dá)到最佳估算效果，此時建模R2，RMSE和NRMSE分別為0.73，2.49和5.57%，驗證R2，RMSE和NRMSE分別為0.76，3.09和7.93%。

表3 單參數(shù)模型結(jié)果Table 3 Modelling results with single-parameter

將植被指數(shù)結(jié)合紅邊參數(shù)作為模型的估算因子，并使用PLSR方法構(gòu)建不同生育期的SPAD估算模型，得到建模和驗證結(jié)果如表5和圖3所示。根據(jù)表5與圖3可知，相比較基于植被指數(shù)構(gòu)建的SPAD估算模型，基于植被指數(shù)結(jié)合紅邊參數(shù)的SPAD估算模型在不同生育期中預(yù)測能力較強，也是隨著生育期推進(jìn)估算效果逐漸變好。拔節(jié)期到開花期，建模R2的范圍為0.64～0.78，RMSE的范圍為2.61～2.22，NRMSE的范圍為7.27%～4.95%。構(gòu)建的估算SPAD模型在開花期效果最好(建模R2=0.78，RMSE=2.22，NRMSE=4.95%)。為了驗證構(gòu)建的估算模型的適用性，使用驗證集樣本數(shù)據(jù)進(jìn)行驗證，驗證的R2，RMSE與NRMSE的范圍為0.68～0.81，3.17～3.02，8.53%～7.62%，驗證的效果和建模效果一致，模型穩(wěn)定性，擬合性較好，預(yù)測精度理想。

表4 基于植被指數(shù)估算SPAD建模結(jié)果Table 4 Estimation of SPAD based on vegetation indices

表5 基于植被指數(shù)結(jié)合紅邊參數(shù)估算SPAD建模結(jié)果

圖2 基于植被指數(shù)估算SPAD模型驗證結(jié)果Fig.2 Model validation results in estimation of SPAD based on vegetation indices

圖3 基于植被指數(shù)結(jié)合紅邊參數(shù)估算SPAD模型驗證結(jié)果Fig.3 Model validation results in estimation of SPAD based on vegetation indices combined with red edge parameters

2.4 SPAD空間分布

根據(jù)構(gòu)建的SPAD估算模型可知，基于植被指數(shù)結(jié)合紅邊參數(shù)，使用PLSR方法構(gòu)建的估算模型效果最佳，基于植被指數(shù)和紅邊參數(shù)估算模型得到冬小麥不同生育期的SPAD空間分布，結(jié)果如圖4所示。從圖4可以看出，從拔節(jié)期到開花期，顏色逐漸加深，表示SPAD越來越大。拔節(jié)期，重復(fù)1區(qū)域的SPAD范圍為22～36，重復(fù)2區(qū)域的SPAD均高于32，重復(fù)3區(qū)域的SPAD范圍為28～36，重復(fù)2區(qū)域SPAD整體上高于重復(fù)1和重復(fù)3區(qū)域。挑旗期和開花期，SPAD最高的區(qū)域也是重復(fù)2，重復(fù)1和重復(fù)3區(qū)域SPAD相對較低。3個生育期的SPAD估算得到的空間分布和實測結(jié)果一致性較高，反演的效果較佳。

圖4 3個生育期的SPAD空間分布Fig.4 Spatial distribution of SPAD in three growth stages

分析7種不同的植被指數(shù)與4種紅邊參數(shù)與SPAD的相關(guān)性，結(jié)果顯示，植被指數(shù)和紅邊參數(shù)都表現(xiàn)出較高的相關(guān)性，但整體上植被指數(shù)與SPAD的相關(guān)性高于紅邊參數(shù)與SPAD的相關(guān)性。這是由于選取的植被指數(shù)與SPAD聯(lián)系性較強，構(gòu)建植被指數(shù)的波段對SPAD更敏感，紅邊參數(shù)是由紅邊區(qū)域提取得到，是高光譜的特有波段，結(jié)果表明與SPAD也有很高的敏感性。利用相關(guān)性較高的植被指數(shù)與紅邊參數(shù)構(gòu)建單參數(shù)的SPAD估算模型，表明3個不同生育期，植被指數(shù)均為基于LCI構(gòu)建的估算模型效果最好，紅邊參數(shù)均為Dr/Drmin構(gòu)建的估算模型效果最佳。說明了LCI與Dr/Drmin相比較其他植被指數(shù)與紅邊參數(shù)，與SPAD的敏感性更高，更適合用于估算SPAD。為了探究紅邊參數(shù)估算SPAD的效果，分別基于植被指數(shù)、 植被指數(shù)結(jié)合紅邊參數(shù)構(gòu)建了SPAD估算模型，結(jié)果表明，基于多個植被指數(shù)構(gòu)建的SPAD估算模型擬合性和精度都優(yōu)于僅通過單個植被指數(shù)構(gòu)建的SPAD估算模型；基于植被指數(shù)結(jié)合紅邊參數(shù)構(gòu)建的估算模型效果在3個生育期均優(yōu)于基于植被指數(shù)構(gòu)建的估算模型。這是由于植被指數(shù)結(jié)合紅邊參數(shù)，模型的輸入變量信息更充分，紅邊參數(shù)有助于提高SPAD估算精度，同時，選擇PLSR構(gòu)建模型，是由于PLSR方法可以處理不同輸入因子的線性關(guān)系，分析光譜信息更充分。

通過植被指數(shù)，植被指數(shù)結(jié)合紅邊參數(shù)，并使用PLSR方法構(gòu)建SPAD估算模型，證明了紅邊參數(shù)可以提高估算模型的效果，且PLSR方法也提高了模型的擬合性和精度。然而，為了充分利用高光譜信息，可以探究與SPAD敏感性高的其他波段。另外，可以使用無人機攜帶數(shù)碼相機與多光譜相機估算SPAD，探究在不同傳感器下估算SPAD能力的差異性。

3 結(jié) 論

(1)在3個主要生育期，大部分植被指數(shù)和紅邊參數(shù)均與SPAD達(dá)到極顯著相關(guān)(p<0.01)，不同生育期的相關(guān)性最高的植被指數(shù)分別為LCI，LCI與GNDVI，相關(guān)性最高的紅邊參數(shù)分別為Dr/Drmin，Dr/Drmin與Dr。

(2)基于單個植被指數(shù)或紅邊參數(shù)構(gòu)建SPAD估算模型，估算精度最佳的植被指數(shù)為LCI，其中R2范圍為0.56～0.28，RMSE的范圍為2.96～4.61，NMRSE的范圍為8.14%～10.43%；估算精度最佳的紅邊參數(shù)為Dr/Drmin，R2范圍為0.49～0.18，RMSE的范圍為3.18～4.89，NMRSE的范圍為8.76%～11.08%。

(3)以植被指數(shù)、 植被指數(shù)結(jié)合紅邊參數(shù)構(gòu)建不同生育期的SPAD估算模型，以植被指數(shù)結(jié)合紅邊參數(shù)為因子的估算模型擬合性和精度均優(yōu)于以植被指數(shù)構(gòu)建的估算模型，同時，估算效果隨著生育期推移逐漸增強，在開花期達(dá)到最佳效果(基于植被指數(shù)：建模R2=0.73，RMSE=2.49，NRMSE=5.57%，基于植被指數(shù)結(jié)合紅邊參數(shù)：建模R2=0.78，RMSE=2.22，NRMSE=4.95%)。