基于數碼相機的玉米冠層SPAD遙感估算

賀英，鄧磊，毛智慧，孫杰

?

基于數碼相機的玉米冠層SPAD遙感估算

賀英，鄧磊，毛智慧，孫杰

（首都師范大學資源環境與旅游學院，北京 100048）

【目的】葉綠素是植物光合作用中重要的色素。利用作物光譜信息對葉綠素含量進行反演，為作物的實時監測和生長狀態診斷提供重要依據。【方法】以大田環境下不同氮肥水平（0，50%和100%）的開花期玉米為研究對象，利用輕小型無人機搭載數碼相機，獲取試驗區RGB影像。使用土壤調整植被指數（soil adjusted vegetation index，SAVIgreen）對圖像進行分割，基于分割前后的影像分別提取15種常見的可見光植被指數，綜合分析指數與玉米冠層葉綠素相對含量SPAD值的相關關系。采用單變量回歸模型、多元逐步回歸模型和隨機森林（random forest，RF）回歸算法構建玉米SPAD值的遙感估算模型，通過模型精度評價指標決定系數（coefficient of determination，2）、均方根誤差（root mean square error，）、平均相對誤差（mean relative error，）和顯著性檢驗水平（＜0.01），確定最佳指標和最優模型。【結果】基于分割前后的數碼影像提取的VIplot和VIplant植被指數與玉米冠層SPAD值之間具有顯著的相關關系，其中VIplant中的紅光標準化值（NRI）、歸一化葉綠素比值植被指數（NPCI）、藍紅比值指數（BRRI）、差值植被指數（DVI）與SPAD值的相關性在0.77以上；以相關性高于0.77的VIplant指數NRI、NPCI、BRRI、DVI構建的線性、指數、對數、二次多項式、冪函數的單變量回歸模型中，NRI指數構建的二次多項式模型效果最好，決定系數2為0.7976，為4.31，為5.91％。在VIplant指數NRI、NPCI、BRRI、DVI參與建立的多變量SPAD反演模型中，使用隨機森林方法的模型精度最高，決定系數2為0.8682，為3.92，為4.98%，而多元逐步回歸模型的精度高于任意單變量回歸模型，決定系數2為0.819，為4，為5.67%；對數碼影像結合各模型制作的SPAD分布圖進行精度分析，使用隨機森林回歸模型對SPAD的估測值與實測值最為接近，具有最佳的預測效果，2為0.8247，為4.3，為5.36％，可以作為玉米冠層葉綠素信息監測的主要方法。【結論】本研究證明將數碼相機影像提取的可見光植被指數應用于玉米葉綠素相對含量的估測是可行的，這也為無人機遙感系統在農業方面的應用增添了新的手段和經驗。

無人機；數碼相機；SPAD值；隨機森林回歸算法

0 引言

【研究意義】葉綠素是植物光合作用中最重要的色素，其含量高低反映了作物光合能力的強弱和營養生理狀況的好壞，是評價農作物長勢的重要指標[1-2]。【前人研究進展】Marenco等[3]研究發現使用SPAD-502 測量葉綠素含量的精度很高，幾乎跟化學試驗測得的葉綠素結果一樣，因此可以用SPAD值代替葉綠素的含量。該方法雖然能夠準確地、無損地獲取作物葉片SPAD值，但SPAD葉綠素儀測定面積小，大面積測定需要大量時間[4]。近年來對地觀測技術快速發展，國內外學者使用衛星影像在不同尺度測定作物光譜從而對作物葉綠素含量以及葉綠素相對含量進行反演和估算[5-6]，該方法具有覆蓋面積廣的優勢，但衛星數據存在重訪周期長、易受云、雨影響等缺點，限制了其在農業遙感中實時、連續監測的應用[7]。隨著數碼圖像采集設備和計算機圖像處理技術的發展，無人機以其機動靈活、操作簡便、按需獲取數據且空間分辨率高的優勢，通過搭載高光譜、多光譜相機成為獲取作物葉綠素相對含量的重要手段[8-9]。Hunt[10]、Schlemmer[11]、房賢一[12]和張瀟元等[13]利用各種植被指數構建了估測作物葉片葉綠素含量和葉氮含量的遙感模型。丁希斌等[2]利用高光譜成像技術，分別通過全譜、特征波長、紅邊參數和植被指數4種方式，將光譜信息與SPAD值聯系起來，建立油菜葉片的SPAD預測模型。以上的方法都能實現SPAD值的估測，但所使用的大多數指數都包含可見光及近紅外波段，然而在國內外無人機的實際應用中，考慮到傳感器獲取的難易、后期數據處理的復雜度及成本等原因，對僅包含可見光波段的無人機影像獲取更為容易，應用也更為廣泛。自然界中物體的顏色是由其在波長400—700 nm的可見光光譜反射特性決定的，而正常生長的作物葉片顏色由葉綠素的光譜特性決定，因此，可見光區域的反射光譜的特性可以用來估測葉片的葉綠素含量[14-15]。Jia等[16]指出綠光亮度值與小麥冠層氮素濃度和葉片SPAD值有顯著的負相關關系。Pagola等[17]利用圖像分析技術提取大麥葉片的色彩指數發現，其與葉綠素含量有顯著的相關性。王方永等[18]提出可見光通道的G-R參數能夠較好的預測棉花葉綠素含量。在構建SPAD估測模型的過程中，有學者將計算機領域的機器學習算法應用于作物SPAD值的遙感估算研究中[19-20]。其中，Karimi等[21]以玉米為研究對象，利用支持向量回歸算法，將從高光譜數據提取的指數與實測SAPD進行擬合；Liu等[22]利用BP神經網絡模型建立水稻SPAD值與光譜參數的關系；Kira等[23]基于高光譜波段計算植被指數，利用最小二乘法和神經網絡算法建立模型估算了3種樹木的葉綠素；王麗愛等[24]使用隨機森林回歸算法構建小麥葉片SPAD值的遙感估算模型。【本研究切入點】近年來，數碼影像由于其成本低、獲取簡單、性價比高等優勢逐漸成為低空遙感的重要手段，機器學習中各種算法也被廣泛應用于農作物生理生化參數的估測，但利用隨機森林回歸算法構建僅包含可見光波段的冠層葉綠素相對含量的研究尚不多見。【擬解決的關鍵問題】本研究以玉米為目標作物，綜合分析開花期玉米冠層可見光植被指數與冠層SPAD值的相關關系，采用單變量回歸模型、多元逐步回歸模型和隨機森林回歸算法構建玉米冠層SPAD值的遙感估算模型。以期為數碼相機在農作物SPAD估算中的應用提供新的研究手段和新的經驗。

1 材料與方法

1.1 研究區概況

試驗區地處河北省涿州市城西十公里處東城坊鎮（東經115°50′56″，北緯39°27′49″）。該地區屬暖溫帶半濕潤季風區，大陸性季風氣候特點顯著，溫差變化大，四季分明。土壤屬砂壤土，土壤pH 7.8，有機質含量1%—1.9%。田間供試作物為春播玉米，播種日期為2017年4月20日。試驗區設置不施氮（0%）、中氮（50%）和高氮（100%）3個不同的施氮（純氮）水平（即0、112.5和225 kg·hm-2，分別記為N0、N1、N2）。磷鉀肥用量100 kg·hm-2，分別在播種、6月8日、6月20日按4﹕2﹕4分3次施入，各區域用量相等。試驗時在每個氮肥區域設置180個小區，共計540個。每個小區長5 m，寬1.2 m，小區內種植兩行作物，共計40株，行間距為60 cm，株間距25 cm。不同氮肥區域間設置10行過渡行，周圍設置保護行。試驗小區的試驗地塊、灌溉水平、種植密度及田間管理措施相同。試驗區地理位置、小區及氮肥水平概況如圖1所示。

圖1 研究區地理位置及氮肥水平概況

1.2 無人機遙感數據獲取與處理

試驗時間為7月8日，此時玉米處于開花期。試驗以天鷹680型四旋翼無人機為遙感平臺，該無人機機身重量約3.6 kg，最大任務載荷2 kg，空載續航時間約為50 min。在無人機上搭載 SONY DSC-QX1數碼相機，其有效像素為2 010萬，尺寸23.2 mm×15.4 mm，鏡頭焦距16 mm。無人機遙感數據獲取選擇太陽光輻射強度穩定、天氣晴朗無云時開展，采集時間為12：00—12：30，以降低太陽高度角造成的陰影對影像質量的影響。無人機飛行高度為40 m，航向重疊度設計為80%，旁向重疊度設計為75%，在設定航高下影像空間分辨率為1.06 cm。數據采集時，無人機按照設定好的航線和參數自動巡航并記錄數據。

借助Agisoft PhotoScan軟件進行無人機高清數碼影像的處理工作。將高清數碼相片及影像拍攝時刻的POS信息（無人機飛行經緯度、高度、翻轉、俯仰及旋轉角度）進行匹配；基于動態結構算法檢測相片特征點，建立匹配特征點對，進而排列相片；通過密集多視角立體匹配算法生成三維密集點云，為提高精度，利用差分GPS測量的地面控制點信息（圖1）進行幾何校正，最終生成試驗區玉米冠層的正射影像。

1.3 冠層SPAD值測定

在無人機獲取遙感數據的當天（7月8日），采用SPAD-502plus型手持式葉綠素儀測定試驗區玉米葉片SPAD值。測量時，在每個小區隨機選取完全展開的20片葉子，使用SPAD-502plus型葉綠素儀，在每片葉子的不同部位測定其SPAD，每片葉子測量5次，將其平均值作為該葉片的SPAD值，最后取20張葉片的SPAD值的平均值作為該小區的SPAD值[25-26]。對獲取的540個小區玉米冠層SPAD實測值進行隨機抽樣，其中28%（n=152）作為建模樣本（modeling set），構建SPAD預測模型；12%（n=68）作為驗證樣本（validation set）對構建的模型進行驗證；60%（n=320）作為測試樣本（test set），對填圖后模型的估測精度進行檢驗。

1.4 研究方法

1.4.1 圖像分割及計算冠層覆蓋度 RGB數碼相機由于成本低、分辨率高、性價比高等優點，在低空遙感平臺中得到廣泛應用。數碼相機所采集的數字圖像的RGB的像元值不同于對應波段的反射率，但其本質上是對紅、綠、藍3個波段反射光強的量化表達[27]。王方永等[18]研究證實RGB 灰度值同樣反映了植被冠層葉片對光的反射特性。冠層覆蓋度（canopy cover，CC）是植被像素與小區總像素數的比值，本文利用土壤調整植被指數（soil adjusted vegetation index，SAVIgreen）計算CC[28]。SAVIgreen指數將玉米冠層分割為植被像元和非植被像元兩個部分，計算方式如下：

式中，G、R表示圖像綠色和紅色波段的DN值，L代表土壤調節系數，取值范圍為0到1，這里L取值為0.5。影像中SAVIgreen指數大于零的部分即是玉米冠層像元，其他部分是非植被像元。

1.4.2植被指數計算 將處理好的RGB影像導入到ENVI 5.1軟件中進行解譯，識別出玉米小區。按照小區大小構建感興趣區域（region of interest，ROI），統計ROI內的小區的所有像元的DN值，取其平均值作為該小區的像元值。在此基礎上計算兩類15種常見的植被指數，包括玉米冠層植被指數（將背景分割后的只包含玉米像元計算的指數，記為VIplant）和小區植被指數（未分割的小區里所有像元計算的指數，記為VIplot），參數及公式出處如表1所示。

表1 文中所使用的參數及公式

R、G、B為紅、綠、藍通道的像元值R, G, B are pixel values in red channel, green channel and blue channel respectively

1.4.3數據分析方法 本研究利用單變量回歸、多元逐步回歸和隨機森林回歸算法構建玉米冠層SPAD值估算模型。其中在單變量模型中，首先通過對VIplant和VIplot指數與SPAD的相關性分析，選擇相關性較大的指數作為自變量，采用指數、線性、對數、二階多項式和冪函數構建單變量回歸模型。隨機森林回歸是基于統計學理論的機器學習算法，它利用自助法重抽樣技術，通過有放回抽樣以及不同樹演化過程中隨機改變預測變量組合來增加分類樹的多樣性。每一個分類樹可以通過原始數據集（X）中的一個自助法取樣子集（Xi）進行生長，并且利用隨機選擇的m個預測變量中的最佳預測變量進行節點分割。本研究通過調用R語言Random Forests 程序包來建立隨機森林模型，分類數的數量（K）和分割節點的隨機變量的數量（m）是隨機森林模型中兩個非常有意義的參數，通過試驗不同的回歸樹數量，根據模型的決定系數和均方根誤差來確定K；m不賦值，使用系統默認的輸入變量數的1/3，當變量小于3時取1。經過反復試驗，最后確定本研究中分類樹的數量為1000。

1.4.4 精度評價指標 為驗證模型的預測精度，將模型預測值與實測值進行回歸擬合，選取決定系數（coefficient of determination，2）、均方根誤差（root mean square error，）和平均相對誤差（mean relative error，）進行模型分析檢驗，計算公式如表2所示。其中決定系數表示預測值與實測值的擬合程度,其值越趨近于1,擬合曲線參考價值越高；均方根誤差主要用于模型驗證，反映了預測值與實測值的偏離度，其值越小，模型精度越高。

表2 3類模型評價指標

2 結果

2.1 VIplant和VIplot指數與玉米SPAD值相關性分析

將各小區測量的玉米冠層SPAD值與VIplant和VIplot指數分別進行相關性分析，結果如表3所示。可以看出，VIplot指數與SPAD之間都存在顯著或極其顯著關系，其中NGI、VDVI、RGBVI與SPAD值存在顯著關系（＜0.05），其他指數與SPAD值都存在極顯著關系（＜0.01），NRI、DVI、NPCI與SPAD值的相關性絕對值均大于0.77，而BRRI、NBI、NGBDI、BGRI、NGRDI指數與SPAD值相關性絕對值均高于0.7，相關性依次遞減；VIplant指數中除NGI、VDVI指數與SPAD值顯著相關外，其他指數皆呈極顯著關系，在相關性絕對值大于0.7的指數中，相關性從大到小依次為DVI、NRI、NPCI、BRRI、NBI、NGBDI、BGRI、RGRI、EXG、GRRI，其中，DVI、NRI、NPCI、BRRI與SPAD值的相關性絕對值均大于0.77。綜合來看，在VIplot和VIplant指數中，BGRI、CIVE、GRRI、NBI、NGRDI、BRRI與SPAD值呈正相關關系，其他指數與SPAD值呈負相關關系。除NGRDI指數外，VIplant的其他指數與玉米冠層SPAD值的相關性皆高于VIplot指數。

表3 VIplot和VIplant指數與玉米冠層SPAD相關性分析

**和*分別表示0.01和0.05水平上顯著相關

**and* indicate significant correlation at 0. 01 and 0. 05 levels, respectively

選擇與SPAD值相關性皆高于0.76的VIplot和VIplant指數，分別統計其在不同的氮肥水平下各指數和CC的平均值，如表4所示。結果表明，隨著施氮量的增加，植被CC呈增加趨勢；在N0區域，植被VIplot為0.65時有大量的地表裸露出來，VIplot指數很大程度上受到背景土壤的影響，與VIplant間的差異較大；而在施氮水平N1和N2區域，CC增大，無植被覆蓋區域面積減少，VIplot與VIplant間的差異明顯減小。因此，為降低裸露的土壤對模型精度的影響，在下文的研究中我們選用VIplant指數作為自變量，參與SPAD估測模型的構建。

表4 不同氮肥區域植被指數和冠層覆蓋度的平均值

2.2 基于VIplant參數的SPAD值估算

玉米冠層SPAD值與可見光植被指數間有顯著的相關性，利用這些指數來對SPAD值進行估算具有較高的可行性。將與SPAD值相關性在0.77以上的NRI、BRRI、NPCI、DVI指數作為自變量，分別使用線性、對數、指數、二次多項式、冪函數5種模型與實測的SPAD值進行擬合構建單變量回歸模型，見表5。可以發現，不同波段組合的光譜指數與SPAD值的擬合能力有差異，但各個模型方程均達到極顯著水平（＜0.01），說明參與建立回歸模型的各指數均包含可估測的SPAD信息。對于NRI指數，從建模樣本來看，決定系數在0.7783和0.7894間，效果最好的是二階多項式，2為0.7894；對于BRRI指數，決定系數在0.7819和0.7889間，模型間的擬合精度差距較小，建模效果較好的是冪函數、二階多項式和對數模型，2分別為0.7889、0.7863和0.7852，但冪函數的最大，對數次之，二階多項式最小；NPCI指數建模效果最好的模型是線性，2為0.7876，為4.58；DVI指數決定系數在0.7673和0.7949間，模型間的擬合精度差距較大，效果最好的為線性和二階多項式，2分別為0.7866和0.7871，但多項式的較小。

將驗證集樣本的SPAD實測值和各模型估測值進行擬合分析，結果如表5所示。基于NRI指數建立的模型中，二階多項式模型的檢驗精度最優，其2最大，最小，平均相對誤差最小，其次為線性模型，綜合考慮建模精度，二階多項式模型為NRI指數最佳模型；在BRRI模型中，對數模型的估測精度最佳，2最大、、均最小，綜合建模結果可知對數模型為BRRI指數最佳估算模型；NPCI模型中，線性模型建模2最大、最小、相對較小，綜合建模精度，選擇線性模型為NPCI指數最佳估算模型；同樣，對于DVI指數，無論是建模還是驗證時皆是二階多項式模型效果最佳。綜合建模和驗證精度，由NRI指數建立的二階多項式模型效果最好。

2.3 基于隨機森林回歸模型的SPAD估算

基于機器學習的隨機森林模型在光譜分析中應用較為廣泛。本文將與玉米冠層SPAD值相關性在0.77以上的VIplant的NRI、BRRI、NPCI、DVI作為自變量，分別建立單變量回歸模型（對每個指數選取最佳的反演模型，分別記為SPAD-NRI、SPAD-BRRI、SPAD-NPCI、SPAD-DVI）、多元回歸模型（記為SPAD- MSR）和隨機森林回歸模型（SPAD-RFR）。6種模型的建模和驗證結果如表6、圖2和圖3所示，結果表明，隨機森林回歸模型的建模精度和驗證精度最高，建模決定系數2為0.8794，為3.43，為5.23%，驗證集決定系數2為0.8682，為3.92，為4.98%；以4種指數聯合建立的多元逐步回歸模型SPAD-MSR其精度略低于隨機森林模型而高于單變量回歸模型，2為0.819，為4，為5.67%。

應用6種模型對試驗區可見光影像進行SPAD反演估測，得到試驗區玉米冠層SPAD值的分布情況，為了對估算結果的精度進行檢驗，利用測試集320個小區的SPAD實測值與估算值進行分析（表6），可以看出，6個模型的檢驗中，SPAD-RFR模型的估測精度高于多個指數構建的多元逐步回歸模型和單變量回歸模型，2為0.8247，為4.3，為5.36%。圖4是將估測效果最佳的隨機森林回歸模型應用于無人機數碼影像，得到試驗區玉米冠層SPAD值的分布情況。

表5 玉米冠層SPAD值單變量反演模型

表6 不同估算模型的建模、驗證與測試結果

3 討論

葉綠素是作物吸收光能的主要物質，直接影響了作物的光合作用，SPAD值反映了葉片中葉綠素的總含量，表征作物葉片、冠層的養分和長勢情況。研究發現利用土壤調整植被指數分割植被和非植被像元后，計算的VIplant和VIplot植被指數與玉米冠層SPAD值的相關性有較大差異。這是因為在低植被覆蓋時，植被葉片稀疏，VIplot易受到土壤像元的影響，而在植被覆蓋度較大時，葉片密集，裸露的土壤較少，因此利用分割后的VIplant指數能夠很大程度上降低土壤像元和陰影的影響，使VIplant指數與SPAD值的相關性大部分高于VIplot指數，其中NRI、BRRI、NPCI、DVI等指數與SPAD值相關性皆在0.77以上。

圖2 建模樣本玉米冠層SPAD 估測值與實測值擬合結果

研究發現單變量回歸模型間的預測精度有細微差異，以NRI指數效果最好，這可能是因為玉米冠層葉綠素相對含量的差異體現在可見光的各個波段上，該指數綜合利用了紅綠藍3個波段的信息，一定程度上排除了背景土壤的影響，而其他指數所利用的波段信息有限。除光譜指數外，不同建模方法對估測精度也有較大影響，基于多個植被指數的多元回歸模型（SPAD-MSR）預測精度高于單變量回歸模型，這可能是因為SPAD-MSR模型利用了相關性高的NRI、BRRI、NPCI、DVI 4種指數，不僅在波段利用方面涵蓋了可見光所有波段，而且波段間的不同方式的組合運算使得模型更大程度上利用了各個指數的波段信息，因此具有更好地估測效果。但是從圖3中可以看出，它們在無氮區域（N0）出現低估，而在施氮區域（N1、N2）出現了高估現象，這可能是因為不同氮肥區域玉米長勢不同。研究中雖然使用了分割后的植被像元計算的植被指數構建SPAD估測模型，但是在無人機獲取數據的過程中，無氮區域冠層覆蓋度低，冠層反射率依然會受到背景土壤的影響，而施氮區域冠層覆蓋度高，植被遮陰嚴重，從而影響了估測精度。不施氮區域和施氮區域的玉米冠層SPAD值和植被指數之間存在較大的差異，而在施有氮肥的N1和N2區域，雖然施氮量之間有較大差異，但所測得冠層SPAD值和各植被指數之間的差異卻不大。而采用隨機森林算法的SPAD-RFR模型則很好的緩解了這一現象，它具有很好的抗噪能力也不容易陷入過度擬合，通過對大量分類樹的匯總提高了模型的預測精度。

圖3 驗證樣本玉米冠層SPAD 估測值與實測值擬合結果

另外，本研究還有一些不足之處。由于本研究重點在于分析利用無人機數碼影像提取的光譜指數在估測玉米冠層SPAD的可行性，所以在SPAD值的反演過程中，只討論了開花期玉米的模型構建，未對其他關鍵生育期進行研究，因此本文所構建的模型對于其他生育階段的普適性有待進一步驗證。再者，在算法的選擇上，本研究僅利用RF算法，并未考慮SPAD遙感估算中常采用的其他算法，如偏最小二乘、支持向量機回歸和神經網絡等算法。因此，利用不同算法在玉米關鍵生育期的SPAD反演研究是后續研究的重點。

圖4 試驗區玉米冠層SPAD值分布情況

4 結論

本文利用數碼相機對玉米進行了SPAD反演的研究，結果表明利用多旋翼無人機平臺搭載數碼相機在精確反演農作物葉綠素相對含量方面是可行的，其獲取的高空間分辨率RGB影像能夠為精準農業提供必要的數據支持。

（1）利用土壤調整植被指數分割植被和非植被像元后，計算的小區范圍的植被指數（VIplot）和只包含作物冠層的植被指數（VIplant）與玉米冠層SPAD值之間有良好的相關性，VIplant指數的相關性大部分高于VIplot指數，其中BRRI、NRI、NPCI、DVI等指數與SPAD相關性在0.77以上。

（2）分別以玉米冠層像元計算的BRRI、NRI、NPCI、DVI指數為自變量建立的單變量回歸模型有較高的精度，2在0.7661—0.799，在4.2—4.71，其中以NRI指數構建的二次多項式模型效果最好，驗證決定系數2為0.7976，為4.31。利用相關系數大于0.77的指數構建的多元逐步回歸模型（SPAD-MSR）和隨機森林回歸模型（SPAD-RFR）皆有很高的估測精度，其中SPAD-RFR模型預測效果最好，決定系數2為0.8682，為3.92，為4.98%。

（3）應用6種模型對試驗區可見光影像進行SPAD反演估測，SPAD-RFR模型對SPAD的估測值與實測值最為接近，具有較高的反演精度，2為0.8247，為4.3，為5.36％，可以作為玉米冠層葉綠素信息監測的主要方法。

[1] VEROUSTRAETE F, PATYN J, MYNENI R B. Estimating net ecosystem exchange of carbon using the normalized difference vegetation index and an ecosystem model.,1996, 58(1): 115-130.

[2] 丁希斌, 劉飛, 張初, 何勇. 基于高光譜成像技術的油菜葉片SPAD值檢測. 光譜學與光譜分析, 2015, 35(2): 486-491.

DING X B, LIU F, ZHANG C, HE Y. Prediction of SPAD value in oilseed rape leaves using hyperspectral imaging technique., 2015, 35(2): 486-491. (in Chinese)

[3] MARENCO R A, ANTEZANAVERA S A, NASCIMENTO H C S. Relationship between specific leaf area, leaf thickness, leaf water content and SPAD-502 readings in six Amazonian tree species., 2009, 47(2): 184-190.

[4] PAGOLA M, ORTIZ R, IRIGOYEN I, BUSTINCE H, BARRENECHEA E, APARICIOTEJO P, LAMSFUS C, LASA B. New method to assess barley nitrogen nutrition status based on image colour analysis: comparison with SPAD-502., 2009, 65(2): 213-218.

[5] 李粉玲, 王力, 劉京, 常慶瑞. 基于高分一號衛星數據的冬小麥葉片SPAD值遙感估算. 農業機械學報, 2015, 46(9): 273-281.

LI F L, WANG L, LIU J, CHANG Q R. Remote sensing estimation of SPAD value for wheat leaf based on GF-1 data., 2015, 46(9): 273-281. (in Chines)

[6] 夏天, 周清波, 陳仲新, 周勇, 于雷. 基于HJ-1衛星的冬小麥葉片SPAD遙感監測研究. 中國農業資源與區劃, 2012, 33(6): 38-44.

XIA T, ZHOU Q B, CHEN Z X, ZHOU Y, YU L. Monitoring winter wheat SPAD based on HJ-1ccd., 2012, 33(6): 38-44. (in Chinese)

[7] ZHANG C, KOVACS J M. The application of small unmanned aerial systems for precision agriculture: a review., 2012, 13(6): 693-712.

[8] PRIMICERIO J, GENNARO S F D, FIORILLO E, GENESIO L, LUGATO E, MATESE A, VACCARI F P. A flexible unmanned aerial vehicle for precision agriculture., 2012, 13(4): 517-523.

[9] CILIA C, PANIGADA C, ROSSINI M, MERONI M, BUSETTO L, AMADUCCI S, BOSCHETTI M, PICCHI V, COLOMBO R. Nitrogen status assessment for variable rate fertilization in maize through hyperspectral imagery., 2014, 6(7): 6549-6565.

[10] HUNT E R, DORAISWAMY P C, JAMES E M, CRAIG S T, PERRY E M, AKHMEDOV B. A visible band index for remote sensing leaf chlorophyll content at the canopy scale., 2013, 21(1): 103-112.

[11] SCHLEMMER M, GITELSON A, SCHEPERS J, FERGUSON R, PENG Y, SHANAHAN J, RUNDQUIST D. Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels., 2013, 25(1): 47-54.

[12] 房賢一, 朱西存, 王凌, 趙庚星. 基于高光譜的蘋果盛果期冠層葉綠素含量監測研究. 中國農業科學, 2013, 46(16): 3504-3513.

FANG X Y, ZHU X C, WANG L, ZHAO G X. Hyperspectral monitoring of the canopy chlorophyll content at apple tree prosperous fruit stage ., 2013, 46(16): 3504-3513. (in Chinese)

[13] 張瀟元, 張立福, 張霞, 王樹東, 田靜國, 翟涌光. 不同光譜植被指數反演冬小麥葉氮含量的敏感性研究. 中國農業科學, 2017, 50(3): 474-485.

ZHANG X Y, ZHANG L F, ZHANG X, WANG S D, TIAN J G, ZHAI Y G. Sensitivity of different spectral vegetation index for estimating winter wheat leaf nitrogen.2017, 50(3): 474-485. (in Chinese)

[14] THOMAS J R, GAUSMAN H W. Leaf reflectance vs. Leaf chlorophyll and carotenoid concentrations for eight crops., 1977, 69(5): 799-802.

[15] MADEIRA A C, FERREIRA A, VARENNES A, VIEIRA M I. SPAD meter versus tristimulus colorimeter to estimate chlorophyll content and leaf color in sweet pepper., 2003, 34(17/18): 2461-2470.

[16] JIA L L, CHEN X P, ZHANG F, BUERKERT A, ROMHELD V. Use of digital camera to assess nitrogen status of winter wheat in the northern China plain., 2004, 27(3): 441-450.

[17] PAGOLA M, IRIGOYEN I, BUSTINCE H, BARRENECHEA E, APARICIO-TEJO P, LAMSFUS C, LASA B. New method to assess barley nitrogen nutrition status based on image colour analysis., 2009, 65(2): 213-218.

[18] 王方永, 王克如, 李少昆, 高世菊, 肖春華, 陳兵, 陳江魯, 呂銀亮, 刁萬英. 應用兩種近地可見光成像傳感器估測棉花冠層葉片氮素狀況. 作物學報, 2011, 37(6): 1039-1048.

WANG F Y, WANG K R, LI S K, GAO S J, XIAO C H, CHEN B, CHEN J L, Lü Y L, DIAO W Y. Estimation of canopy leaf nitrogen status using imaging spectrometer and digital camera in cotton., 2011, 37(6): 1039-1048. (in Chinese)

[19] YUE J, YANG G, LI C, LI Z, WANG Y, FENG H, XU B. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models., 2017, 9(7): 708-727.

[20] ATZBERGER C. Object-based retrieval of biophysical canopy variables using artificial neural nets and radiative transfer models., 2004, 93(1/2): 53-67.

[21] KARIMI Y, PRASHER S O, MADANI A, KIM S. Application of support vector machine technology for the estimation of crop biophysical parameters using aerial hyperspectral observations., 2008, 50: 7-13.

[22] LIU M L, LIU X N, LI M, FANG M H, CHI W X. Neural-network model for estimating leaf chlorophyll concentration in rice under stress from heavy metals using four spectral indices., 2010, 106(3): 223-233.

[23] KIRA O, LINKER R, GITELSON A. Non-destructive estimation of foliar chlorophyll and carotenoid contents: Focus on informative spectral bands., 2015, 38: 251-260.

[24] 王麗愛, 馬昌, 周旭東, 訾妍, 朱新開, 郭文善. 基于隨機森林回歸算法的小麥葉片SPAD值遙感估算. 農業機械學報, 2015, 46(1): 259-265.

WANG L A, MA C, ZHOU X D, ZI Y, ZHU X K, GUO W S. Estimation of wheat leaf SPAD value using RF algorithmic model and remote sensing data., 2015, 46(1): 259-265. (in Chinese)

[25] 宋曉宇, 王紀華, 楊貴軍, 崔貝, 常紅. 基于葉片及冠層葉綠素參數的冬小麥籽粒蛋白質含量預測研究. 光譜學與光譜分析, 2014, 34(7): 1917-1921.

SONG X Y, WANG J H, YANG G J, CUI B, CHANG H. Winter wheat GPC estimation based on leaf and canopy chlorophyll parameters., 2014, 34(7): 1917-1921. (in Chinese)

[26] 田永超, 朱艷, 曹衛星, 范雪梅, 劉小軍. 利用冠層反射光譜和葉片SPAD值預測小麥籽粒蛋白質和淀粉的積累. 中國農業科學, 2004, 37(6): 808-813.

TIAN Y C, ZHU Y, CAO W X, FAN X M, LIU X J. Monitoring protein and starch accumulation in wheat grains with leaf SPAD and canopy spectral reflectance., 2004, 37(6): 808-813. (in Chinese)

[27] HONG G W, LUO M R, RHODES P A. A study of digital camera colorimetric characterization based on polynomial modeling., 2001, 26(1): 76-84.

[28] LI Y, CHEN D, WALKER C N, ANGUS J F. Estimating the nitrogen status of crops using a digital camera., 2010, 118(3): 221-227.

[29] KAWASHIMA S, NAKATANI M. An algorithm for estimating chlorophyll content in leaves using a video camera., 1998, 81(1): 49-54.

[30] GAMON J A, SURFUS J S. Assessing leaf pigment content and activity with a reflectometer., 1999, 143(1): 105-117.

[31] VERRELST J, SCHAEPMAN M E, KOETZ B, KNEUBUEHLER M. Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data., 2008, 112(5): 2341-2353.

[32] SELLARO R, CREPY M, TRUPKIN S A, KARAYEKOV E, SABRINA B A, ROSSI C, CASAL J J. Cryptochrome as a sensor of the blue/green ratio of natural radiation in arabidopsis., 2010, 154(1): 401-409.

[33] 魏全全, 李嵐濤, 任濤, 王振, 王少華, 李小坤, 叢日環, 魯劍巍. 基于數字圖像技術的冬油菜氮素營養診斷. 中國農業科學, 2015, 48(19): 3877-3886.

WEI Q Q, LI L T, REN T, WANG Z, WANG S H, LI X K, CONG R H, LU J W. Diagnosing nitrogen nutrition status of winter rapeseeddigital image processing technique.,2015, 48(19): 3877-3886. (in Chinese)

[34] 汪小欽, 王苗苗, 王紹強, 吳云東. 基于可見光波段無人機遙感的植被信息提取. 農業工程學報, 2015, 31(5): 152-159.

WANG X Q, WANG M M, WANG S Q, WU Y D. Extraction of vegetation information from visible unmanned aerial vehicle images., 2015, 31(5): 152-159. (in Chinese)

[35] 井然, 鄧磊, 趙文吉, 宮兆寧. 基于可見光植被指數的面向對象濕地水生植被提取方法. 應用生態學報, 2016, 27(5): 1427-1436.

JING R, DENG L, ZHAO W J, GONG Z N.Object-oriented aquatic vegetation extracting approach based on visible vegetation indices., 2016, 27(5): 1427-1436. (in Chinese)

[36] PENUELAS J, GAMON J A, FREDEEN A L, MERINO J, FIELD C B. Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves., 1994, 48(2): 135-146.

[37] HUNT E R, CAVIGELLI M, CST D, MCMURTREY J I, WALTHALL C L. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status., 2005, 6(4): 359-378.

[38] GITELSON A A, KAUFMAN Y J, STARK R, RUNDQUIST D. Novel algorithms for remote estimation of vegetation fraction., 2002, 80(1): 76-87.

[39] BENDIG J, YU K, AASEN H, BOLTEN A, BENNERTZ S, BROSCHEIT J, GNYP MARTIN L, BARETH G. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley., 2015, 39: 79-87.

[40] VOL N. Color indices for weed identification under various soil, residue, and lighting conditions., 1995, 38(1): 259-269.

[41] 王方永, 王克如, 李少昆, 陳兵, 陳江魯. 利用數碼相機和成像光譜儀估測棉花葉片葉綠素和氮素含量. 作物學報, 2010, 36(11): 1981-1989.

WANG F Y, WANG K R, LI S K, CHEN B, CHEN J L. Estimation of chlorophyll and nitrogen contents in cotton leaves using digital camera and imaging spectrometer., 2010, 36(11): 1981-1989. (in Chinese)

（責任編輯 楊鑫浩）

Remote Sensing Estimation of Canopy SPAD Value for Maize Based on Digital Camera

He Ying, Deng Lei, Mao Zhihui, Sun Jie

(College of Resource Environment and Tourism, Capital Normal University, Beijing 100048)

【Objective】Chlorophyll is an important pigment in plant photosynthesis. The objective of this study is to investigate the inversion of chlorophyll content using crop spectrum information, so as to provide an important basis for real-time monitoring and diagnosis of crop growth.【Method】Based on the field environment under different nitrogen fertilizer application levels (0, 50% and 100%) of maize, the light and small UAV equipped with consumer level digital camera was used to obtain the RGB image of the test area, and then the soil adjusted vegetation index was used for image segmentation. 15 common visible vegetation indexes were extracted based on images before and after segmentation. Then the correlation between vegetation index and SPAD values were analyzed, besides single variable regression model, multiple regression model and random forest regression model based on visible vegetation indexes were established to estimate the SPAD values. And then, the indicators of accuracy evaluation, coefficient of determination, root mean square error, mean relative error and<0.01 were used to select the best indicators and the optimal model.【Result】There was a significant correlation between VIplotand VIplantvegetation indexes and the SPAD value of maize canopy, for example, the correlation coefficient between normalized redness intensity (NRI), normalized pigment chlorophyll ratio index (NPCI), blue red ratio index (BRRI) and SPAD value of VIplantwas above 0.77. The univariate regression models were built, which took NRI,NPCI, BRRI and DVI as the independent variables and the measured SPAD as dependent variable, including linear, exponential, logarithmic, two degree polynomial and power function models, and among those models, the two polynomial model constructed by the NRI index was the best one with the decision coefficient2of 0.7976, theof 4.31, and theof 5.91%; the precision of the model using the random forest regression algorithm was the highest, in which the determining coefficient was 0.8682, thewas 3.92, and thewas 4.98%; the multiple regression model had higher accuracy than any single variable regression model, in which the decision coefficientRwas 0.819,was 4, andwas 5.67%. The six inversion models of SPAD were used to make the distribution map of corn canopy SPAD value, and then the map using random forest regression model had the best result which was the closest to real SPAD distribution withRof 0.8247，of 4.3，of 5.36％, therefore which could be used as a main method of corn canopy chlorophyll monitoring information.【Conclusion】The results showed that the application of UAV digital imagery in retrieving SPAD of corn was feasible, which also added new means and experience to the application of UAV remote sensing system in agriculture.

unmanned aerial vehicle; digital camera; SPAD value; random forest regression algorithm

2018-01-24；

2018-05-24

科技創新服務能力建設-基本科研業務費（科研類）025185305000/163

賀英，E-mail：121082830@qq.com。通信作者鄧磊，E-mail：edenglei@139.com

10.3864/j.issn.0578-1752.2018.15.005