無人機影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量

陳 鵬，馮海寬，李長春，楊貴軍，楊鈞森,5，楊文攀，劉帥兵

?

無人機影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量

陳 鵬1,2,3,4，馮海寬1,2,3※，李長春4，楊貴軍1,2,3，楊鈞森1,2,3,5，楊文攀1,2,3,4，劉帥兵1,2,3,4

（1. 農(nóng)業(yè)部農(nóng)業(yè)遙感機理與定量遙感重點實驗室，北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097；2. 國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；3. 北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京 100097；4. 河南理工大學測繪與國土信息工程學院，焦作 454000；5. 遼寧工程技術(shù)大學測繪與地理科學學院，阜新 123000）

利用無人機平臺搭載多光譜傳感器在農(nóng)業(yè)監(jiān)測上已經(jīng)有一些應(yīng)用，但是利用無人機多光譜影像估算作物葉綠素含量的研究較少，特別是融合無人機多光譜影像光譜信息和紋理信息估算馬鈴薯葉綠素含量的研究更是罕見。基于此，該文利用2018年北京小湯山基地馬鈴薯各個典型生育期的無人機多光譜影像及實測的葉綠素含量數(shù)據(jù)，首先提取多光譜影像植被指數(shù)和紋理特征等變量，然后分析其與葉綠素含量相關(guān)性，篩選出較優(yōu)特征變量，并開展基于調(diào)整2和折交叉驗證的全子集分析估算馬鈴薯葉綠素含量。最后將植被指數(shù)與紋理特征通過主成分融合構(gòu)建一種新的綜合指標估算葉綠素含量。研究發(fā)現(xiàn)：1）多光譜植被指數(shù)和紋理特征估算葉綠素含量模型，折交叉驗證均優(yōu)于調(diào)整2；2）整個生育期，綜合指標模型決定系數(shù)比植被指數(shù)模型、紋理特征模型均有提升，且標準均方根誤差均降低。綜合指標估算模型較優(yōu)，多光譜植被指數(shù)模型次之，紋理特征模型較差。該研究可為馬鈴薯生長營養(yǎng)監(jiān)測提供一種可行的方法，對馬鈴薯的栽培種植管理具有指導(dǎo)意義。

無人機；農(nóng)作物；遙感；馬鈴薯；葉綠素含量；多光譜；紋理特征；最優(yōu)子集分析

0 引 言

葉綠素含量的狀況是指示植物光合作用、受營養(yǎng)脅迫及生長階段的重要因子[1]。故可借助測定葉綠素含量的方法確定植被的營養(yǎng)狀況。目前，主要通過室內(nèi)高效液相色譜法、原子吸收法以及分光光度計法、SPAD葉綠素儀和基于特征光譜等等多角度多層次診斷葉綠素含量。這也決定了田間采樣不具備時效性，采集樣本數(shù)量有限，步驟繁瑣。隨著現(xiàn)代農(nóng)業(yè)的高速發(fā)展，農(nóng)業(yè)逐漸成為遙感的重要領(lǐng)域，由于無人機具有快速、無損、高通量以及較高的時空分辨率的特點使得農(nóng)業(yè)向定量精細化邁入[2-4]。

Borhan等[5]通過R、G、B、550、770和880 nm的6通道多光譜系統(tǒng)采集馬鈴薯光譜信息，驗證了多光譜波段特征與馬鈴薯的葉片葉綠素具有高達0.95的線性相關(guān)性。王偉等[6]利用多元線性回歸（MLR）方法對冬小麥葉綠素含量進行了估算。劉豪杰等[7]以多品種拔節(jié)期玉米為研究對象，分析了植被指數(shù)與冠層葉綠素之間的關(guān)系，最后建立了通用型的葉綠素含量估算模型。陳君穎等[8]分析了葉綠素含量與光譜之間的特性，發(fā)現(xiàn)水稻葉片光譜反射率的一階微分參數(shù)與葉綠素含量具有較強的相關(guān)性。

目前，隨著大數(shù)據(jù)的發(fā)展，相關(guān)數(shù)據(jù)分析算法也被廣泛地應(yīng)用于農(nóng)業(yè)定量遙感方面。馮海寬等[9]通過分析葉綠素含量和蘋果葉片的原始光譜及其變換形式之間相關(guān)性，利用隨機森林、人工神經(jīng)網(wǎng)絡(luò)和支持向量機回歸等算法建模和驗證，結(jié)果表明基于隨機森林算法的模型反演葉綠素含量效果最好。王娣[10]利用篩選出的植被指數(shù)、端元特征和紋理特征等因子，采用“留一法”交叉檢驗分別用逐步線性回歸、BP神經(jīng)網(wǎng)絡(luò)和隨機森林算法建模，表明植被指數(shù)基于上述3種研究方法建模效果最好。李長春等[11]基大豆育種小區(qū)實測葉面積構(gòu)建逐步回歸、全子集分析、偏最小二乘回歸、支持向量機和隨機森林等模型，篩選出估測葉面積指數(shù)最優(yōu)模型。

前人大多利用單類型遙感變量研究植被理化參數(shù)的統(tǒng)計學估算[12-14]，而紋理特征多用于森林結(jié)構(gòu)估算模型，少數(shù)用于農(nóng)業(yè)理化參數(shù)估算中[15-17]。傳統(tǒng)無人機遙感大多從光譜植被指數(shù)入手進行作物營養(yǎng)監(jiān)測，忽略了其他信息，如圖像本身的特征信息等。由于無人機多光譜影像兼有地物的多光譜信息和紋理信息的優(yōu)勢，本文分別從多光譜植被指數(shù)、紋理特征以及將二者融合構(gòu)建綜合指標分別估算馬鈴薯葉綠素含量，以期為葉綠素定量估算提供了一種新方法，實現(xiàn)低成本、快速、高通量地監(jiān)測馬鈴薯的生長狀況與營養(yǎng)信息，為農(nóng)田灌溉、變量施肥等精細化管理提供保障。

1 材料與方法

1.1 試驗材料與設(shè)計

試驗于2018年3月到7月在北京市昌平區(qū)小湯山鎮(zhèn)國家精準農(nóng)業(yè)研究示范基地開展。該區(qū)域位于小湯山鎮(zhèn)（北緯40°10′44″，東經(jīng)116°24′00″）東部，平均海拔為36 m，為北溫帶半濕潤大陸性季風氣候，夏季高溫多雨，冬季寒冷干燥，春、秋天較短。平均全年無霜期180 d。研究區(qū)共設(shè)密度試驗（N區(qū)）和氮素試驗（S區(qū)）2個試驗區(qū)，采用完全隨機試驗設(shè)計，每個試驗品種設(shè)2個水平，均為早熟品種。密度試驗設(shè)3個水平：63 000株/hm2（T1）、72 000株/hm2（T2）、81 000株/hm2（T3），品種分別為中薯3和中薯5，6個處理，每個處理3個重復(fù)，共18個試驗小區(qū)；氮素試驗設(shè)4個水平：每公頃0 kg尿素（N0）、每公頃163.05 kg尿素（N1）、每公頃326.10 kg尿素（N2，正常處理，150 kg純氮）、每公頃489.15 kg尿素（N3），品種分別為中薯5和中薯195，8個處理，每個處理3個重復(fù)，共24個試驗小區(qū)；小區(qū)東西總長39.6 m，南北總長45 m（不包括保護行），試驗小區(qū)共42個，小區(qū)面積是5 m×6.6 m。種植方式為覆膜種植，田間管理包括：除草，培土，澆水。施肥分為施底肥和追肥。無人機遙感數(shù)據(jù)獲取試驗與田間數(shù)據(jù)獲取和采樣同步進行，獲取生育期分別為現(xiàn)蕾期（2018年5月15日）、塊莖形成期（2018年5月29日）、塊莖增長期（2018年6月5日）、淀粉積累期（2018年6月19日）和成熟期（2018年6月29日）等5個典型生育期。

1.2 無人機遙感數(shù)據(jù)獲取與預(yù)處理

以八旋翼電動無人機為載荷平臺（無人機質(zhì)量4 kg，最大載質(zhì)量6 kg，飛行時間20 min，飛行高度20 m），搭載高清數(shù)碼相機和多光譜相機開展無人機遙感數(shù)據(jù)獲取。選擇在太陽光輻射強度穩(wěn)定，天空晴朗無云的時段進行無人機數(shù)據(jù)的采集。在獲取無人機影像前，在測區(qū)內(nèi)布置地面黑白布，用于多光譜影像的輻射校正。無人機平臺見圖1和相機參數(shù)如表1。

圖1 無人機平臺

表1 多光譜相機參數(shù)

利用Agisoft Photoscan和Pix4Dmapper，對無人機的多光譜影像進行拼接。它們是以運動結(jié)構(gòu)（structure from motion，SFM）為核心算法，即從運動信息中恢復(fù)三維場景結(jié)構(gòu)。基本流程是首先進行篩片（篩選航帶內(nèi)的航片），把數(shù)碼和多光譜及傳感器的POS數(shù)據(jù)進行匹配與對齊，進行馬鈴薯特征點的提取與匹配，使相機位置參數(shù)得以優(yōu)化并獲取稀疏點云；然后通過改進的位置參數(shù)建立相應(yīng)的密集點云，再重建表面的3D網(wǎng)格；最后生成該試驗區(qū)的正射影像圖。

1.3 馬鈴薯葉綠素含量測定

將每個小區(qū)選取的植株樣品篩選出6片典型馬鈴薯葉片，用直徑為0.8 cm的打孔器取12片小樣品，為避免因水分散失引起誤差，回到室內(nèi)立即用精度為0.001 g的天平秤樣品質(zhì)量，樣品質(zhì)量0.2 g左右。樣品稱質(zhì)量后放入裝有80 mL、質(zhì)量分數(shù)為95%乙醇浸提液的刻度試管中，然后將試管置于黑暗中，每天搖動一次，直至葉片變白（3～7 d）后用分光光度計測定乙醇溶液在可見光440、655、649 nm處的吸光度值OD并利用Lichtenthaler[18]中的方法計算葉綠素的含量，見公式（1）。

式中CHL為葉綠素含量，g/cm2；OD655和OD649分別為可見光波段655和649 nm處的吸光度值；為95%乙醇浸提液的體積，mL；為葉片樣品面積，dm2。整個生育期馬鈴薯葉綠素含量的箱線圖如圖2。

注：D0515為5月15日現(xiàn)蕾期，D0529為5月29日塊莖形成期，D0605為6月5日塊莖增長期，D0619為6月19日淀粉積累期，D0629為6月29日成熟期。

Note: D0515 is the bud period on May 15, D0529 is the tuber formation period on May 29, D0605 is the tuber growth period on June 5, D0619 is the starch accumulation period on June 19,D0629 is the maturity period on June 29 .

圖2 整個生育期馬鈴薯葉片葉綠素含量的箱線圖

Fig.2 Box plot of chlorophyll content in potato leaf for each growth period

1.4 多光譜輻射定標和多光譜植被指數(shù)選取

1.4.1 多光譜輻射定標

基于外場定標的方法完成多光譜圖像的輻射定標，即將馬鈴薯多光譜的值轉(zhuǎn)化為馬鈴薯的反射率信息。在田間放置2塊黑白定標布，再用ASD光譜儀垂直獲取它們的光譜反射率信息。同時，用ENVI獲得多光譜中黑白布的值（取距離黑白布邊緣2/3處的像元部分），如圖3所示。利用式（2）完成DN值到反射率的轉(zhuǎn)換。

式中和為地物的反射率和值；1、2、1和2為黑白布的反射率和值。

注：取距離黑白布邊緣2/3處的像元部分。

Note: Taking the pixel part 2/3 from the edge of black and white cloth.

圖3 獲取多光譜黑白布值

Fig.3 Multi-spectral black and white clothvalue

1.4.2 多光譜植被指數(shù)選取

依據(jù)已有的多光譜植被指數(shù)，并結(jié)合多光譜影像特征，選擇與葉綠素有關(guān)的多光譜植被指數(shù)，如表2所示。

表2 多光譜植被指數(shù)

注：“∞”為經(jīng)驗多光譜變量；“*”表示據(jù)紅波段信息提出的紅邊、綠波段信息多光譜指數(shù)。

Note: “∞” is an empirical multi-spectral variable; “*” means red-and-green-band information multi-spectral index based on red-band information.

1.5 多光譜紋理特征提取

多光譜數(shù)據(jù)包含地物的多光譜信息、紋理信息以及結(jié)構(gòu)信息[30-32]。紋理（texture）即圖像中含有強或弱規(guī)律性的相似圖形，它是一種常見的視覺現(xiàn)象——重復(fù)出現(xiàn)在圖像上的局部結(jié)構(gòu)或排列規(guī)則[17]。有關(guān)區(qū)域紋理分析的方法大致從頻譜分析、結(jié)構(gòu)化紋理分析及統(tǒng)計方法三方面入手[33]。目前，主要頻譜分析有傅里葉濾波、空間域濾波和小波分析；統(tǒng)計方法則通過分析紋理的數(shù)字特征來實現(xiàn)，主要包括灰度分布統(tǒng)計量、局域自相關(guān)函數(shù)、灰度游程及灰度共生矩陣等特征[34]。

通過基于二階概率統(tǒng)計濾波的方式來實現(xiàn)圖像紋理特征的提取，二階概率統(tǒng)計通過2個相鄰的特定距離和方向的窗口，統(tǒng)計像元在窗口中的頻率，最終，借助一個顯示2個像元和其特定鄰域之間發(fā)生數(shù)的相對頻率矩陣來完成紋理特征值的計算[35]。本文通過ENVI來實現(xiàn)圖像紋理特征的提取，每個波段有8個二階概率矩陣的紋理特征值：均值、方差、協(xié)同性、對比度、相異性、信息熵、二階矩及相關(guān)性。由于Parrot Sequoia 相機有4個光譜通道，因此在各個生育期可提取32個紋理信息。利用Arcgis軟件對研究小區(qū)繪制矢量文件，并賦予屬性編號，然后在IDL中對每一個小區(qū)矢量文件和原始影像進行讀取，獲取每個小區(qū)平均光譜信息和紋理特征信息。

1.6 研究方法

1.6.1 調(diào)整2與全子集回歸

對于多元回歸，即使模型添加一個不顯著的自變量，而它的2也會變大。因為殘差平方和隨著自變量的加入而減少，從而引起了過擬合，易導(dǎo)致數(shù)據(jù)丟失偶然變異性。而調(diào)整2（2adj）既考慮了樣本個數(shù)也加入了自變量個數(shù)的影響。因此2adj比2估計更為真實。全子集回歸即對特征組合全部進行建模分析，再選擇最優(yōu)。

本研究以調(diào)整2（2adj）為特征選擇依據(jù)對全子集回歸進行較優(yōu)模型篩選。

1.6.2折交叉驗證

交叉驗證不受限于具體模型對于檢驗?zāi)Ｐ推詈头讲罹哂衅者m性，適用于樣本集不大的情況。這里采用折交叉驗證法，它比留一交叉驗證（LOOCV）計算次數(shù)少，因此訓練的樣本相對少點。

本研究在全子集回歸基礎(chǔ)上，取10折交叉模型偏差最小為依據(jù)與上述調(diào)整2（2adj）的全子集模型形成對比篩選。

1.6.3 PCA主成分分析

主成分分析（PCA），即用少量特征描述樣本以降低特征的空間維數(shù)，本質(zhì)上為變換。現(xiàn)實中，為能準確刻畫研究問題，往往選擇多個變量，變量一定程度上多多少少的表達相關(guān)信息。但變量間又不完全獨立，因此會由于共線性而導(dǎo)致信息重疊，而掩蓋信息特征。通過利用PCA對原始特征進行提取，轉(zhuǎn)化為互不相關(guān)又能代表性表述原始信息的主成分來使復(fù)雜信息“簡單化”，即因子降維。

本文對與葉綠素含量極顯著相關(guān)的植被指數(shù)和紋理特征進行PCA融合提取相應(yīng)主成分進行建模與驗證。

1.6.4 模型評價指標

在42個試驗小區(qū)中，選取樣本總量的2/3即28個作為建模樣本，1/3即14個作為驗證樣本。基于2adj全子集分析模型和基于10折交叉驗證的全子集分析模型，擬定決定系數(shù)（coefficient of determination，2），均方根誤差（root mean squared error，RMSE）和標準均方根誤差（normalized root mean squared error，NRMSE）作為模型精度的評價指標[33]，篩選出以多光譜植被指數(shù)、紋理特征、綜合VI和Texture的優(yōu)良葉綠素含量模型。

本文基于無人機多光譜數(shù)據(jù)與馬鈴薯葉綠素含量，在現(xiàn)蕾期、塊莖形成期、塊莖增長期和淀粉積累期4期進行馬鈴薯葉綠素含量定量估算研究，技術(shù)流程如圖4所示。

圖4 無人機多光譜數(shù)據(jù)馬鈴薯葉片葉綠素含量估算技術(shù)流程

2 結(jié)果與分析

2.1 光譜特征與葉綠素含量相關(guān)性分析

2.1.1 多光譜植被指數(shù)與LCC相關(guān)性分析

針對于各個生育期，通過表2構(gòu)建相應(yīng)的多光譜植被指數(shù)，與葉綠素含量（leaf chlorophyll content , LCC）進行相關(guān)性分析。現(xiàn)蕾期和塊莖形成期相關(guān)性分析結(jié)果見圖5a和5b，后三期圖略。由圖5a可知，現(xiàn)蕾期，NIR、MTCI、CIG、RVIGRE、GNDVI、DVI、DVIREG、DVIGRE、RDVIREG、SAVIGRE與LCC的相關(guān)系數(shù)絕對值在0.65～0.72之間，均達到極顯著水平（<0.01）；由圖5b可知，塊莖形成期，與LCC相關(guān)性絕對值前10的植被指數(shù)NDVI、RVI、CIR、SAVI、RVIREG、SAVIGRE、OSAVI、RDVI、MSR、MSRREG在0.57～0.65之間，達到極顯著水平（<0.01）；增長期，G、NDVI、CIG、RVIGRE、GNDVI、SAVIGRE、DVIGRE、OSAVI、OSAVIGRE、MSR前10個植被指數(shù)與LCC相關(guān)性絕對值在0.44～0.61之間，均達到極顯著水平（<0.01）；淀粉積累期，G、R、NDVI、CIG、RVIGRE、GNDVI、SAVIGRE、DVIGRE、OSAVIGRE、MSR前10個指數(shù)作為模型自變量，均達到極顯著水平（<0.01）；成熟期，G、R、CIR、NDRE、RVIREG、SAVIREG、DVIREG、OSAVIREG、RDVIREG、MSRREG與LCC的相關(guān)系數(shù)絕對值在0.56～0.65之間，達到極顯著水平（<0.01）。

注：圖中數(shù)字表示相關(guān)系數(shù)，數(shù)字越趨于1，相關(guān)性越高，下同。

Note: Numbers in the figure indicate the correlation coefficient. The more the digital tends to 1, the higher the correlation, the same as below.

圖5 馬鈴薯現(xiàn)蕾期和塊莖形成期植被指數(shù)相關(guān)系數(shù)矩陣圖

Fig.5 Matrix diagram of correlation coefficient of vegetation index in bud period and tuber formation period of potato

2.1.2 多光譜紋理特征與LCC相關(guān)性分析

分析馬鈴薯全生育期多光譜數(shù)據(jù)的紋理特征值與葉綠素含量的相關(guān)性，現(xiàn)蕾期和塊莖形成期的結(jié)果見圖6a和6b，后3個生育期圖略。由圖6a可知，現(xiàn)蕾期，Mean_B1、Variance_B1、Homogeneity_B1、Contrast_B1、Dissimilarity_B1、Mean_B3、Mean_B4與LCC的相關(guān)系數(shù)絕對值在0.4～0.72之間，達到極顯著水平（<0.01）；由圖6b可知，塊莖形成期，Mean_B2、Variance_B2、Correlation_B2、Mean_B3、Variance_B3、Homogeneity_B3、Contrast_B3、Dissimilarity_B3、Entropy_B3、Second Moment_B3前10個紋理特征與LCC相關(guān)性絕對值在0.41～0.51之間，達到極顯著水平（<0.01）；塊莖增長期，Mean_B1、Variance_B1、Homogeneity_B1、Contrast_B1、Dissimilarity_B1、Entropy_B1、Second Moment_B1、Mean_B2前8個紋理特征值與LCC的相關(guān)性達到極顯著水平（<0.01）；淀粉積累期， Mean_B1、Variance_B1、Homogeneity_B1、Contrast_B1、Dissimilarity_B1、Entropy_B1、Second Moment_B1、Homogeneity_B2、Entropy_B2、Second Moment_B2前10個紋理特征與LCC的相關(guān)系數(shù)絕對值在0.58～0.74之間，達到極顯著水平（<0.01）；成熟期， Mean_B1、Mean_B2、Entropy_B2、Second Moment_B2、Correlation_B2、Variance_B3、Homogeneity_B3、Contrast_B3、Dissimilarity_B3、Homogeneity_B4前10個紋理特征值與LCC相關(guān)系數(shù)絕對值在0.51～0.66之間，達到極顯著水平（<0.01）。

圖6 馬鈴薯現(xiàn)蕾期和塊莖形成期紋理特征相關(guān)系數(shù)矩陣圖

2.2 馬鈴薯葉綠素含量估算模型構(gòu)建

2.2.1 多光譜植被指數(shù)的LCC模型構(gòu)建

從圖7a可知，現(xiàn)蕾期，選擇MTCI、CIG 、DVIGRE、RDVIREG 4個植被指數(shù)作為自變量建模，全子集效果最好；從圖7b可知，塊莖形成期，選擇NDVI、CIR、SAVI、RVIRE、GRDVI、MSR 6個植被指數(shù)作為自變量建模，全子集效果最好；塊莖增長期，選擇G、NDVI、CIG、SAVIGRE、DVIGRE、OSAVI 6個植被指數(shù)自變量構(gòu)建估算模型；淀粉積累期，選擇G、R、NDVI、CIG和SAVIGRE、DVIGRE、OSAVIGRE 7個植被指數(shù)作為自變量建模；成熟期，G、R、CIR、NDRE、DVIREG、OSAVIRE 6個植被指數(shù)作為自變量建模。

基于折交叉驗證的全子集構(gòu)建LCC估算模型，各生育期子集分析見圖8。由圖8可知，現(xiàn)蕾期，選擇NIR、MTCI、RVIGRE、DVI、DVIREG、DVIGRE、RDVIREG、SAVIGRE 8個指數(shù)作為建模自變量，K折交叉的平均偏差最小；塊莖形成期，選擇 NDVI、RVI、CIR、SAVI、RVIREG、OSAVI、RDVI、MSR、MSRREG 9個植被指數(shù)時折交叉的平均偏差最小；塊莖增長期，選擇G、NDVI、CIG、SAVIGRE、DVIGRE、OSAVI、OSAVIGRE、MSR 8個植被指數(shù)建模，折交叉的平均偏差最小；淀粉積累期，選擇G、R、NDVI、CIG、SAVIGRE、DVIGRE、OSAVIGRE、MSR 8個植被指數(shù)建模，折交叉的平均偏差最小；成熟期，選擇G、R、CIR、NDRE、DVIREG、OSAVIREG、RDVIREG、MSRREG 8個植被指數(shù)建模，折交叉的平均偏差最小。

圖8 各生育期植被指數(shù)基于10折交叉驗證全子集分析自變量篩選

表3 馬鈴薯各個生育期多光譜植被指數(shù)模型比較

注：*為達到0.05水平顯著性；**達到0.01顯著性水平。

Note: *: reach a level of 0.05 significance; **: reach a level of 0.01 significance.

2.2.2 多光譜紋理特征的LCC模型構(gòu)建

圖9 現(xiàn)蕾期和塊莖形成期紋理特征基于全子集分析

從圖9a可知，現(xiàn)蕾期，選擇Mean_B1、Homogeneity_B1、Contrast_B1、Dissimilarity_B1、Mean_B4 5個紋理特征參與建模，全子集效果最好；塊莖形成期，選擇Correlation_B2、Mean_B3、Variance_B3、Homogeneity_B3、Contrast_B3、Dissimilarity_B3 6個紋理特征作為自變量，全子集效果最好；塊莖增長期，選擇Mean_B1、Entropy_B1、Second Moment_B1 3個紋理特征建模，全子集效果最好；淀粉積累期，優(yōu)選出Mean_B1、Second Moment_B1、Homogeneity_B2、Second Moment_B2 4個紋理特征作為自變量，全子集效果最好；成熟期，Mean_B1、Mean_B2、Entropy_B2、Second Moment_B2、Correlation_B2、Variance_B3 6個紋理特征作為自變量建模。

基于10折交叉驗證的全子集分析構(gòu)建LCC估算模型，各生育期子集分析見圖10。

圖10 各生育期紋理特征基于10折交叉驗證全子集分析自變量篩選

由圖10可知，結(jié)現(xiàn)蕾期，優(yōu)選Mean_B1、Variance_B1、Homogeneity_B1、Contrast_B1、Dissimilarity_B1、Mean_B3、Mean_B4 7個紋理特征作為自變量進行建模，全子集效果最好；塊莖形成期，Correlation_B2、Mean_B3、Variance_B3、Homogeneity_B3、Contrast_B3、Dissimilarity_B3、Entropy_B3、Second Moment_B3 8個紋理特征作為自變量建模，全子集效果最好；塊莖增長期，優(yōu)選Mean_B1、Homogeneity_B1、Contrast_B1、Dissimilarity_B1、Entropy_B1、Second Moment_B1、Mean_B2 7個紋理特征作為自變量建模，全子集效果最好；淀粉積累期，Mean_B1、Variance_B1、Homogeneity_B1、Contrast_B1、Dissimilarity_B1、Entropy_B1、Second Moment_B1、Homogeneity_B2、Entropy_B2、Second Moment_B2 10個紋理特征作為自變量建模，全子集效果最好；成熟期，優(yōu)選Mean_B1、Mean_B2、Entropy_B2、Second Moment_B2、Correlation_B2、Variance_B3、Homogeneity_B3、Dissimilarity_B3 8個紋理特征作為自變量建模，全子集效果最好。

表4 馬鈴薯各個生育期多光譜紋理特征模型比較

2.2.3 綜合VI和Texture的LCC模型研究

將植被指數(shù)（VI）與紋理指標（texture）通過PCA進行降維融合，構(gòu)建綜合的“圖-譜”融合指標，探究“圖-譜”融合指標估算LCC的效果。在進行主成分分析之前，首先對上述各生育期篩選的多光譜的植被指數(shù)和紋理特征進行統(tǒng)計學的線性回歸的共線性診斷，判斷因子之間的共線性。各個生育期的共線性診斷，依據(jù)條件索引>10，自變量間存在嚴重共線性，得知各個生育期自變量間的存在嚴重共線性，因此對各生育期的自變量進行PCA降維融合很有必要。

依據(jù)累計貢獻率大于99%的原則篩選主成分以表示原始變量，確定各生育期的最佳主成分為9個、10個、6個、8個和10個，基于PCA-MLR建模。在馬鈴薯整個生育期，建模結(jié)果見表5，驗證結(jié)果見圖11。從圖11可知，5個生育期的驗證模型的2分別為0.870、0.548、0.504、0.664和0.851，NRMSE分別為6.6%、9.2%、11.3%、8.3%和11.6%，說明模型穩(wěn)定性很好。

表5 各生育期基于PCA-MLR模型精度評定

2.3 較優(yōu)馬鈴薯葉綠素含量估測模型選擇

基于不同影像變量的馬鈴薯葉綠素含量估測模型進行評價與篩選，篩選出較優(yōu)估測模型。結(jié)果如表3－5所示。通過分析比較表3－5可知：1）在馬鈴薯的各個生育期，基于多光譜植被指數(shù)構(gòu)建葉綠素含量估測模型要普遍優(yōu)于基于多光譜的紋理特征值LCC估算模型；多光譜植被指數(shù)模型與多光譜綜合融合指標模型相比，后者模型的2明顯提高，RMSE和NRMSE明顯降低。2）現(xiàn)蕾期，綜合指標模型2比植被指數(shù)模型、紋理特征模型提升0.104和0.136，而NRMSE降低1.3個百分點和1.6個百分點；3）塊莖形成期，綜合指標模型2比植被指數(shù)模型、紋理特征模型分別提升0.04、0.101，NRMSE降低了0.5個百分點和1.2個百分點；4）塊莖增長期，綜合指標模型2較植被指數(shù)模型、紋理特征模型提升0.075和0.111，NRMSE降低了0.9個百分點和1.3個百分點；5）淀粉積累期，綜合指標模型2較植被指數(shù)模型、紋理特征模型提升0.017和0.046，NRMSE降低了0.2個百分點和0.6個百分點；6）成熟期，綜合指標模型2比植被指數(shù)模型、紋理特征模型提升0.088和0.057，NRMSE降低2.3個百分點和1.5個百分點。

圖11 綜合指標模型驗證

2.4 基于綜合指標的馬鈴薯葉綠素含量估算及填圖

由2.3節(jié)可知，綜合指標構(gòu)建的馬鈴薯葉綠素含量模型較優(yōu)。首先計算各生育期所需植被指數(shù)和紋理指數(shù)得到對應(yīng)的主成分，讀取多光譜圖像矩陣，然后利用表6中模型研究區(qū)馬鈴薯葉綠素含量填圖及可視化，并對柵格圖進行分類顯示，結(jié)果如圖12所示。

表6 基于綜合指標馬鈴薯葉綠素含量較優(yōu)模型

注：模型中1-7是綜合的“圖-譜”融合指標，也即從植被指數(shù)和紋理特征中提取的對應(yīng)生育期的主成分。

Note:1-7are comprehensive map-spectrum fusion index, that is, the principal components of corresponding growth period are extracted from vegetation index and texture feature.

由馬鈴薯5個典型生育期葉綠素含量分布圖以及圖2葉綠素含量箱線圖分布可知，二者分布基本一致。首先，現(xiàn)蕾期，此時以地上部莖葉生長為中心，因此馬鈴薯葉綠素含量比其他4期葉綠素含量高；塊莖形成期，此時地上部莖葉生長與地下部塊莖生長并進，葉綠素含量較現(xiàn)蕾期有所降低，但最大值分布比后3期大；塊莖增長期，莖葉和塊莖增長都非常迅速，是一生中生長最快的時期，此時地上部莖葉制造的養(yǎng)分已經(jīng)開始向塊莖輸送；淀粉積累期，由于馬鈴薯地上莖停止生長，但同化物不斷向塊莖轉(zhuǎn)運，因此地上部分葉綠素明顯稍遜于前三期，地上莖葉三分之二已經(jīng)枯黃，葉綠素含量較低。成熟期，馬鈴薯地上莖葉基本完全枯黃，此時葉綠素含量最低，這也是成熟期NRMSE最大的原因，而且S區(qū)氮素梯度試驗分布在后2期更為清晰。通過對馬鈴薯葉綠素含量進行填圖，能更加直觀快速無損高通量地掌握馬鈴薯植株分布的營養(yǎng)狀況，實現(xiàn)對馬鈴薯的營養(yǎng)狀況進行實時診斷、策略施肥追肥等。

圖12 馬鈴薯5個典型生育期葉綠素含量分布

3 討 論

多光譜指數(shù)估算模型與紋理特征估算模型相比，植被指數(shù)模型明顯較優(yōu)于紋理特征估算模型，這與王娣[10]在水稻估產(chǎn)進行的模型比較結(jié)果一致，一則可能由于提取紋理特征時，僅僅采用一種濾波方式具有局限性，因此后續(xù)可以考慮加入多種紋理濾波方法；再則，可能由于樣本數(shù)據(jù)較少，對于模型魯棒性有一定影響，后續(xù)可以增加樣本量、作物品種、不同年限以及更多地區(qū)等來驗證模型，進而提升模型普適性及魯棒性。

4 結(jié) 論

本文利用無人機搭載多光譜相機獲取馬鈴薯的多光譜影像，利用PCA融合圖像的光譜信息和紋理信息構(gòu)建一種新的綜合指標模型，估算馬鈴薯葉綠素含量，主要獲得以下結(jié)論：

1）多光譜植被指數(shù)估算模型，在現(xiàn)蕾期、塊莖形成期、塊莖增長期和成熟期中，基于折交叉驗證分析明顯優(yōu)于基于調(diào)整2分析，淀粉積累期2種方法基本無差別。其中基于10折交叉驗證的全子集分析構(gòu)建LCC估算模型為較優(yōu)模型。

3）現(xiàn)蕾期，綜合指標模型2比植被指數(shù)模型、紋理特征模型提升0.104和0.136，而NRMSE降低1.3個百分點和1.6個百分點；塊莖形成期，綜合指標模型2比植被指數(shù)模型、紋理特征模型分別提升0.04和0.101，NRMSE降低了0.5個百分點和1.2個百分點；塊莖增長期，綜合指標模型2較植被指數(shù)模型、紋理特征模型提升0.075和0.111，NRMSE降低了0.9個百分點和1.3個百分點；淀粉積累期，綜合指標模型2比植被指數(shù)模型、紋理特征模型分別提升0.017和0.046，NRMSE降低0.2個百分點和0.6個百分點；成熟期，綜合指標模型決定系數(shù)比植被指數(shù)模型、紋理特征模型提升0.088和0.057，標準均方根誤差降低2.3個百分點和1.5個百分點。總之，全生育期，表明綜合指標模型2比植被指數(shù)模型、紋理特征模型均有提高，而NRMSE均降低，表明綜合指標估算模型優(yōu)于單類型變量估算模型，多光譜植被指數(shù)估算模型次之，紋理特征模型較差。

綜上，基于無人機遙感多光譜影像的綜合指標，可以較好地估算馬鈴薯葉綠素含量，為監(jiān)測馬鈴薯生長營養(yǎng)狀況提供一種可行的方法。

[1] 焦全軍，張兵，張霞，等. 植被葉綠素含量的冠層層次遙感診斷研究[C]//焦全軍.全國分子光譜學術(shù)報告會. 北京：2008：119－120.

Jiao Quanjun, Zhang Bing, Zhang Xia, et al. Canopy hierarchical remote sensing diagnosis of vegetation chlorophyll content[C]// Jiao Quanjun. National Molecular Spectroscopy Academic Conference. Beijing: 2008: 119－120. (in Chinese with English abstract)

[2] 趙春江. 農(nóng)業(yè)遙感研究與應(yīng)用進展[J]. 農(nóng)業(yè)機械學報，2014，45(12)：277－293.

Zhao Chunjiang. Advances in agricultural remote sensing research and application[J]. Transactions of the Chinese Society of Agricultural Machinery, 2014, 45(12): 277－293. (in Chinese with English abstract)

[3] Zhang C, Kovacs J M. The application of small unmanned aerial systems for precision agriculture: A review[J]. Precision Agriculture, 2012, 13(6): 693－712.

[4] Yun S, Shun-Ping J I, Shao X W, et al. Framework of SAGI agriculture remote sensing and its perspectives in supporting national food security[J]. Journal of Integrative Agriculture, 2014, 13(7): 1443－1450.

[5] Borhan M S, Panigrahi S, Lorenzen J H, et al. Multispectral and color imaging techniques for nitrate and chlorophyll determination of potato leaf in a controlled environment[J]. Transactions of the Asae, 2004, 47(2): 599－608.

[6] 王偉，彭彥昆，馬偉，等.冬小麥葉綠素含量高光譜檢測技術(shù)[J]. 農(nóng)業(yè)機械學報，2010，41(5)：172－177.

Wang Wei, Peng Yankun, Ma Wei, et al. Hyperspectral detection technology of chlorophyll content in winter wheat[J]. Transactions of the Chinese Society of Agricultural Machinery, 2010, 41(5): 172－177.(in Chinese with English abstract)

[7] 劉豪杰，趙毅，文瑤，等. 基于多波段光譜探測儀的玉米冠層葉綠素含量診斷[J]. 農(nóng)業(yè)機械學報，2015，37(增刊1)：228－233.

Liu Haojie, Zhao Yi, Wen Yao, et al. Diagnosis of corn canopy chlorophyll content based on multi-band spectral detector[J]. Transactions of the Chinese Society of Agricultural Machinery, 2015, 37(Supp.1): 228－233. (in Chinese with English abstract)

[8] 陳君穎，田慶久，施潤，等. 水稻葉片葉綠素含量的光譜反演研究[J]. 遙感信息，2005(6)：12－16.

Chen Junying, Tian Qingjiu, Shi Run et al. Spectral inversion of chlorophyll content in rice leaves[J]. Remote Sensing Information, 2005(6): 12－16. (in Chinese with English abstract)

[9] 馮海寬，楊福芹，楊貴軍，等. 基于特征光譜參數(shù)的蘋果葉片葉綠素含量估算[J]. 農(nóng)業(yè)工程學報，2018，34(6)：182－188.

Feng Haikuan, Yang Fuqin, Yang Guijun, et al. Estimation of chlorophyll content in apple leaves based on characteristic spectral parameters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(6): 182－188. (in Chinese with English abstract)

[10] 王娣. 高光譜與多光譜遙感水稻估產(chǎn)研究[D]. 武漢：武漢大學，2017.

Wang Wei. High-spectral and Multi-Spectral Remote Sensing Rice Yield Estimation[D]. Wuhan: Wuhan University, 2017. (in Chinese with English abstract)

[11] 李長春，牛慶林，楊貴軍，等. 基于無人機數(shù)碼影像的大豆育種材料葉面積指數(shù)估測[J]. 農(nóng)業(yè)機械學報，2017，48(8)：147－158.

Li Changchun, Niu Qinglin, Yang Guijun, et al. Estimation of leaf area index of soybean breeding materials based on digital image of unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Machinery, 2017, 48(8): 147－158. (in Chinese with English abstract)

[12] Li W, Niu Z, Chen H, et al. Remote estimation of canopy height and aboveground biomass of maize using high-resolution stereo images from a low-cost unmanned aerial vehicle system[J]. Ecological Indicators, 2016, 67: 637－648.

[13] Bendig J, Yu K, Aasen H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 39: 79－87.

[14] Schirrmann M, Giebel A, Gleiniger F, et al. Monitoring agronomic parameters of winter wheat crops with low-cost UAV imagery[J]. Remote Sensing, 2016, 8(9): 706.

[15] 朱沛林. 基于遙感紋理特征的針葉林蓄積量反演模型[D]. 北京：北京林業(yè)大學，2014.

Zhu Peilin. Inversion Model of Coniferous Forest Stocks Based on Remote Sensing Texture Features[D]. Beijing: Beijing Forestry University, 2014. (in Chinese with English abstract)

[16] 李明詩，譚瑩，潘潔，等. 結(jié)合光譜、紋理及地形特征的森林生物量建模研究[J]. 遙感信息，2006，88：6－9,66.

Li Mingshi, Tan Ying, Pan Jie, et al. Forest biomass modeling based on spectral, texture and topographic features[J]. Remote Sensing Information, 2006, 88: 6－9,66. (in Chinese with English abstract)

[17] 龔紅菊，姬長英. 基于圖像處理技術(shù)的麥穗產(chǎn)量測量方法[J]. 農(nóng)業(yè)機械學報，2007，38(12)：116－119.

Gong Hongju, Ji Changying. Measurement method of wheat ear yield based on image processing technology[J]. Transactions of the Chinese Society of Agricultural Machinery, 2007, 38(12): 116－119. (in Chinese with English abstract)

[18] Lichtenthaler H K. Chlorophylls and carotenoids: Pigments of photosynthetic biomembranes[J]. Methods in Enzymology, 1987, 148(34): 350－382.

[19] Jordan C F. Derivation of leaf‐area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663－666.

[20] Rouse J W. Monitoring the vernal advancement and retrogradation (greenwave effect) of natural vegetation[J]. Nasa, 1974: 1－12.

[21] Barnes E M, Clarke T R, Richards S E, et al. Coincident detection of crop water stress, nitrogen status and canopy density using ground-based multispectral data[C]// Barnes E M. International Conference on Precision Agriculture and Other Resource Management July 16-19, 2000, Bloomington, Mn Usa, 2000.

[22] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289－298.

[23] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295－309.

[24] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment 1996,55(2): 95－107.

[25] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375－384.

[26] Chen J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications[J]. Canadian Journal of Remote Sensing, 1996, 22(3): 229－242.

[27] Gitelson A A, Vi?a A, Arkebauer T J, et al. Remote estimation of leaf area index and green leaf biomass in maize canopies[J]. Geophysical Research Letters, 2003, 30(30): 335－343.

[28] Gitelson A A, Vi?a A, Verma S B, et al. Relationship between gross primary production and chlorophyll content in crops: Implications for the synoptic monitoring of vegetation productivity[J]. Journal of Geophysical Research Atmospheres, 2006, 111:D08.

[29] Dash J, Jeganathan C, Atkinson P M. The use of MERIS terrestrial chlorophyll index to study spatio-temporal variation in vegetation phenology over India[J]. Remote Sensing of Environment, 2010, 114(7): 1388－1402.

[30] Jamieson P D, Porter J R, Wilson D R. A test of the computer simulation model ARCWHEAT1 on wheat crops grown in New Zealand[J]. Field Crops Research, 1991, 27(4): 337－350.

[31] Zhu Y, Li Y, Feng W, et al. Monitoring leaf nitrogen in wheat using canopy reflectance spectra[J]. Canadian Journal of Plant Science, 2006, 86(4): 1037－1046.

[32] Torressánchez J, Lópezgranados F, Serrano N, et al. High-Throughput 3-D monitoring of agricultural-tree plantations with unmanned aerial vehicle (UAV) technology[J]. Plos One, 2015, 10(6): e0130479.

[33] 侯群群，王飛，嚴麗. 基于灰度共生矩陣的彩色遙感圖像紋理特征提取[J]. 國土資源遙感，2013，25(4)：26－32.

Hou Qunqun, Wang Fei, Yan Li. Texture feature extraction of color remote sensing image based on gray level co-occurrence matrix[J]. Remote Sensing for Land & Resources, 2013, 25(4): 26－32. (in Chinese with English abstract)

[34] 劉龍飛，陳云浩，李京. 遙感影像紋理分析方法綜述與展望[J]. 遙感技術(shù)與應(yīng)用，2003，18(6)：441－447.

Liu Longfei, Chen Yunhao, Li Jing. Review and prospect of remote sensing image texture analysis methods[J]. Remote Sensing Technology and Application, 2003, 18(6): 441－447. (in Chinese with English abstract)

[35] 劉暢，楊貴軍，李振海，等. 融合無人機光譜信息與紋理信息的冬小麥生物量估測[J]. 中國農(nóng)業(yè)科學, 2018, 51(16)：3060－3073.

Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image

Chen Peng1,2,3,4, Feng Haikuan1,2,3※, Li Changchun4, Yang Guijun1,2,3, Yang Junsen1,2,3,5, Yang Wenpan1,2,3,4, Liu Shuaibing1,2,3,4

(1.100097,; 2.100097,; 3.100097,; 4.454000,; 5.123000,)

Chlorophyll is an important pigment for crop light energy utilization, which directly affects the process of energy material conversion and transmission. The change of chlorophyll content directly reflects the ability of photosynthesis and the nutritional status of crop growth. When the traditionalunmanned aerial vehicle (UAV) remote sensing was used for crop nutrition monitoring, most of them started from the spectral vegetation indices, ignoring the characteristics of the image itself. In this study, we estimated potato leaf chlorophyll content from a comprehensive index formed by the fusion of multi-spectral vegetation indices, texture features and comprehensive indicators of data fusion. The effect of comprehensive index model on estimating potato leaf chlorophyll content was explored. First, we used the UAV multi-spectral images during the whole potato growth period in 2018 in Xiaotangshan, Changping, and Beijing. The multi-spectral vegetation index, texture characteristics and other variables were first extracted from UVA images, then their correlation relationships with leaf chlorophyll content were analyzed. The optimal image variables were screened out, and the whole subset analysis was based on adjusted determination coefficient and 10-fold cross-validation was used to estimate the leaf chlorophyll content of potato. Finally, the vegetation index and texture features were reconstructed by principal component fusion to establish a new comprehensive index for chlorophyll content estimation. It was found that the leaf chlorophyll content estimation model based on comprehensive index was better than that based on multi-spectral vegetation indices and texture features. The main reason was that the comprehensive index contained both spectral information and image texture information. Multispectral information and model accuracy had also been significantly improved. In the bud period, compared with the vegetation indices based model and the texture feature based model, the determination coefficient (2) of the comprehensive index model increased 0.104 and 0.136, while the normalized root mean squared error (NRMSE) reduced 1.3 percentage point and 1.6 percentage point. During the tuber formation period, the determination coefficient of comprehensive index model was increased 0.04.and 0.101, while the NRMSE was decreased 0.5 percentage point and 1.2 percentage point, compared with the other 2 models. In the tuber growth period, the determination coefficient of comprehensive index model increased 0.075 and 0.111, and the NRMSE decreased 0.9 percentage point and 1.3 percentage point compared with the vegetation index model and the texture feature model. During the starch accumulation period, the2of comprehensive index model increased 0.017 and 0.046, and the NRMSE decreased 0.2 percentage point and 0.6 percentage point, compared with vegetation index model and texture feature model. In the maturity period, the determination coefficient of comprehensive index model increased 0.088 and 0.057, and the NRMSE decreased 2.3 percentage point and 1.5 percentage point. Therefore, the effect of comprehensive index estimation model was the best followed by multi-spectral vegetation indices model and the texture feature model was the worst. The starch accumulation period was the best growth period for estimating chlorophyll content by multispectral vegetation index and texture characteristics, while bud period was the best growth period for estimating chlorophyll content by comprehensive index. Estimating potato chlorophyll content based on multi-spectral image from UAV platform can provide a feasible method for potato growth nutrition monitoring. It realizes low-cost, fast and high-throughput monitoring of potato growth and nutrition information, as well as provides guarantee for fine management of farmland irrigation, variable fertilization and so on.

unmanned aerial vehicle; crops; remote sensing; potato; chlorophyll content; multispectral; texture feature; total subset analysis

2018-12-04

2019-04-26

國家自然科學基金（41601346，41871333）；河南省科技攻關(guān)項目(182102110186)

陳 鵬，研究實習員，主要從事農(nóng)業(yè)定量遙感研究。Email：1415086181@qq.com

馮海寬，助理研究員，主要從事農(nóng)業(yè)定量遙感研究。Email：fenghaikuan123@163.com

10.11975/j.issn.1002-6819.2019.11.008

S252

A

1002-6819(2019)-11-0063-12

陳 鵬，馮海寬，李長春，楊貴軍，楊鈞森，楊文攀，劉帥兵. 無人機影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量[J]. 農(nóng)業(yè)工程學報，2019，35(11)：63－74. doi：10.11975/j.issn.1002-6819.2019.11.008 http://www.tcsae.org

Chen Peng, Feng Haikuan, Li Changchun, Yang Guijun, Yang Junsen, Yang Wenpan, Liu Shuaibing. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 63－74. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.11.008 http://www.tcsae.org