基于無人機遙感的冬小麥葉綠素含量多光譜反演

周敏姑，邵國敏，張立元，劉治開，韓文霆

(1.西北農林科技大學旱區節水農業研究院，陜西 咸陽 712100； 2.西北農林科技大學機械與電子工程學院，陜西 咸陽 712100； 3.西北農林科技大學水土保持研究所，陜西 咸陽 712100)

葉綠素是植物進行光合作用的重要色素，其含量與農作物的生長態勢、營養狀況等關系密切[1,2]，因此，葉綠素含量已成為評價農作物生長狀況的一個重要指標[3-5]，對其進行實時監測和準確估算，有利于及時掌握農作物的長勢情況和病蟲害防治[6,7]，進一步實現對農作物的連續動態管理，促進增產增收[8,9]。

遙感技術作為一種快速、動態、無損的監測方法，在農作物研究領域內被廣泛研究[10-12]。學者們利用不同的遙感技術展開對農作物葉綠素的含量進行反演和預測[13]。梁爽等通過研究蘋果樹葉片的高光譜曲線特點，對原始光譜分別采取一階微分變換、紅邊位置和葉片葉綠素指數變換，分別將其與葉綠素含量進行相關分析和回歸分析，構建了蘋果樹葉片葉綠素含量的預測模型[14]。靳彥華等利用水澆地和旱地兩種生長環境下春小麥的整個生育期葉片葉綠素含量的變化規律，研究了小麥不同冠層的高光譜植被指數和葉綠素含量之間的關系，建立了兩種地類春小麥葉綠素含量的估測模型[15]。解飛等研究了陜西關中地區夏玉米抽穗期冠層的葉綠素含量及高光譜特性，利用線性及非線性兩種分析方法，分別建立了一階微分光譜敏感波段和原始光譜敏感波段的兩種葉綠素估算模型并進行對比分析[16]。孫陽陽等利用盆栽玉米的植被特征和主成分分析方法提取光譜反演參數，根據所提取的參數建立玉米葉片葉綠素含量的一元線性和多元線性回歸模型[17]。田明璐等使用無人機的高光譜影像，提取27個光譜參數，分別使用最小二乘法和偏最小二乘法，構建了棉花葉片葉綠素相對含量(SPAD)的反演模型[18]。

本文以關中地區主要糧食作物冬小麥為研究對象，選擇大田種植條件下冬小麥拔節后至孕穗前的生長階段，采用六旋翼無人機搭載RedEdge多光譜相機對小麥冠層葉綠素值進行監測試驗。通過對小麥SPAD值和光譜參數進行相關性分析和回歸分析，建立冬小麥葉綠素含量的遙感估算模型，以期為大田作物快速、無損的動態監測提供理論基礎[19]。

1 材料與方法

1.1 試驗區基本情況

田間試驗地位于西北農林科技大學中國旱區節水農業研究院(108°08′E, 34°27′N，海拔 460 m)內。地處陜西關中平原中部，年降水量635.1～663.9 mm，平均氣溫12.9 ℃，屬暖溫帶季風半濕潤氣候，一年兩熟。試驗區種植的農作物是冬小麥。

1.2 無人機平臺與多光譜相機

光譜采集是利用西北農林科技大學精準灌溉實驗室組裝的六旋翼無人機作為搭載平臺，遙感影像獲取使用的相機為RedEdge多光譜相機(圖1)。無人機和多光譜相機主要參數如表1和表2所示。

圖1 無人機與多光譜相機Fig.1 UAD and mulitispectal camera

表1 無人機主要參數

Tab.1 Main parameters of unmanned aerial vehicle

參數有效載荷/g起飛重量/kg航測速度/(m·s-1)續航時間/min參數值8004.5220

表2 RedEdge多光譜相機參數及灰板對其中心波長的反射率

Tab.2 Multispectral camera parameters and the reflectivityof the gray plate to its center wave length

波段編號波段名稱中心波長/nm波寬/nm灰板1反射率/%灰板2反射率/%1Blue475202.94658.4462Green560202.94557.9583Red668102.99357.3394NearIR840403.07056.6825RedEdge717103.01057.128

1.3 多光譜影像采集與數據獲取

1.3.1 多光譜影像采集

多光譜影像采集于2018年4月16日14∶00-16∶00在田間進行，天空晴朗無風，視野廣闊。小麥此時正處于拔節后至孕穗前的生長階段，是小麥一生中生長速度最快，生長量最大的時期，有利于葉綠素含量反演。無人機的設置飛行高度為60 m，設定航速為5 m/s。RedEdge多光譜相機的鏡頭焦距為5.5 mm, 進行垂直拍攝，地面分辨率4.09 cm。航向及旁向重疊度為80%，進行四次影像采集。各個階段航拍前進行白板校正，使試驗能較真實反映地表反射率，達到了試驗要求和目的。圖2為無人機獲取的試驗地可見光和多光譜影像。

圖2 試驗地無人機多光譜影像Fig.2 Multispectral image of Experimental drone acquired by UAD

1.3.2 小麥葉片SPAD地面測量

在試驗區共選取65個具有代表性的樣本進行研究，每個樣本范圍為1 m×1 m的樣地，且小麥長勢均一。在樣地內選取不同株樹冠層部位的7片葉片，使用SPAD-502Plus葉綠素儀測定每片葉片SPAD值，取其平均值作為該樣本的SPAD最終值，為了和多光譜影像進行對應，每個樣本的地面位置作以標記并進行GPS記錄。地面數據的測量與無人機飛行測量同步進行。對獲取的65個樣本的SPAD實測值，按照7∶3的分配原則，隨機抽取45個作為建模樣本，剩余20個作為檢驗樣本，如表3所示。

表3 小麥實測SPAD值特征統計

Tab.3 Statistical features of winter wheat leaf SPAD

樣本類型樣本數最小值最大值平均值標準偏差/%變異系數/%總體樣本6551.156.254.1490.401.670建模樣本4551.156.253.9997.611.808驗證樣本2052.255.754.4787.061.590

1.3.3 多光譜影像預處理與單波段影像提取

對航拍后獲得的多光譜影像，利用Pix4D mapper軟件進行拼接，拼接后經過偽標準地物輻射校正法[19]，輸出4個波段的反射率影像圖，通過ENV5.1軟件裁剪得到不同波段反射率光譜影像(圖3)。

圖3 不同波段反射率光譜影像Fig.3 Reflectance spectrum images at different bands

利用ENVI5.1軟件對圖3的光譜影像進行解譯，根據每個樣本地面標記和GPS位置信息，在光譜影像中識別出65個樣本的位置建立感興趣區(Region of interest, ROI)，在感興趣區求得每個波段的平均反射率值。

1.4 植被指數的選取

將樣本在4種波段下的平均反射率值進行不同的組合運算，得到樣本所需要的植被指數值。本研究選取與農作物生長狀況較密切的植被指數NDVI、ARVI、SAVI、EVI2、DVI、EVI、RVI和TVI共8種(表4)[20]，用于構建小麥葉片葉綠素的反演模型。

表4 植被指數及計算公式

Tab.4 Vegetation Index and its formulas

植被指數計算公式NDVINDVI=ρNIR-ρRedρNIR+ρRedARVIARVI=ρNIR-2ρRed+ρBlueρNIR+2ρRed-ρBlueSAVISAVI=(1+L)(ρNIR-ρRed)(ρNIR+ρRed+L)EVI2EVI2=2.5(ρNIR-ρRed)ρNIR+2.4ρRed+1DVIDVI=ρNIR-ρRedEVIEVI=2.5(ρNIR-ρRed)ρNIR+6ρRed-7.5ρBule+1RVIRVI=ρNIRρRedTVITVI=0.5[120(ρNIR-ρG)]-200(ρR-ρG)

注：ρNIR、ρRed、ρG、ρBlue分別為近紅外波段、紅光波段、綠光波段、藍光波段的反射率； 為土壤調整系數，一般取0.5。

2 結果與分析

2.1 小麥SPAD值與多光譜反射率分析

利用小麥拔節后至孕穗前生長階段，小麥冠層在同一葉綠素梯度下4個波段的多光譜反射率值，獲得小麥冠層4個波段光譜反射率隨SPAD值的變化曲線，其中波段1～4分別對應波長為475、560、668、840nm的藍光、綠光、紅光和近紅外波段(圖4)。

圖4 小麥冠層4個波段反射率隨SPAD變化關系曲線Fig.4 Relationship curves of wheat reflectance with SPAD

由圖4看出，小麥冠層的反射率在4個波段下變化幅度明顯不同，分別為：藍光波段為0.028～0.041，紅光波段為0.038～0.053，綠光波段為0.049～0.066，近紅外波段為0.33～0.38，呈現逐漸增大趨勢，在藍光波段和紅光波段吸收作用強，反射率較低，綠光波段反射率較藍光和紅光有所上升，在近紅外波段達到一個較強反射。對比藍光、紅光和綠光3個波段，反射率曲線位置由低到高排列，說明反射率呈現由弱變強的變化趨勢，但相對于近紅外波段表現出吸收強，反射作用弱的特點。隨著葉綠素梯度增大，小麥冠層反射率在綠光、紅光和藍光波段整體呈下降趨勢。相反在近紅外波段，反而呈上升趨勢，個別點反射率數值下降，是因為地面人工測量數據時或在光譜數據解譯時存在一定的誤差影響。波段4(近紅外波段)和波段1(藍光波段)的反射率在各葉綠素梯度下均為最高和最低。這與一些研究成果相符合[21,22]。

2.2 小麥SPAD值與植被指數相關性分析

通過對無人機影像進行解譯分析，提取出4個波段下小麥冠層反射率值，通過表4的計算公式，分別得到8種植被指數值，應用統計分析軟件SPSS對小麥SPAD值和8種植被指數值進行相關性分析。統計分析中樣本n=45顯著水平α=0.01時，相關系數臨界值為 0.372 1，相關性分析結果如表5所示。

表5 小麥葉片SPAD值與植被指數相關性

Tab.5 Correlation between wheat leaf SPADvalue and vegetation index

生長階段植被指數相關系數拔節后～孕穗前NDVI0.800??ARVI0.670??SAVI0.871??EVI20.869??DVI0.833??EVI0.776??RVI0.801??TVI-0.050

注：** 為置信度0.01水平上顯著相關。

2.3 回歸模型的建立

模型采用以下兩種方法建立：小麥冠層葉片SPAD作為因變量，與SPAD相關系數在0.6以上的7種光譜參數作為自變量，分別建立單變量的一元線性回歸模型，記作SPAD-NDVI、SPAD-ARVI、SPAD-SAVI、SPAD-EVI2、SPAD-DVI、SPAD-EVI和SPAD-RVI；小麥冠層葉片SPAD為因變量，與SPAD相關系數均0.6以上的7種光譜參數作為自變量，根據回歸方程的決定系數R2取值越大，則殘差平方和越小原則，建立多變量的多元線性回歸模型，記作SPAD-MSR，有原則的選取NDVI、RVI、EVI、ARVI、DVI5個參數作為自變量(表6)。

表6可以看出，2種方法建立的回歸模型，R2均大于0.4，顯著性概率P<0.001，因此模型表現出極顯著水平，說明建立回歸模型時選取的各植被指數都顯著包含小麥葉綠素的信息。其中單變量建立的一元線性回歸模型中，SPAD-SAVI模型精度最高，SPAD-EVI2次之。

表6 小麥SPAD值與植被指數建立的回歸模型

Tab.6 Models of SPAD and vegetation indexs

回歸方法植被指數回歸模型方程R2FP一元線性回歸NDVIy=26.99x+32.850.64076.36<0.001ARVIy=15.12x+42.810.44935.03<0.001SAVIy=34.02x+36.290.758134.91<0.001EVI2y=29.10x+38.460.755132.49<0.001DVIy=41.19x+41.160.69597.76<0.001EVIy=22.63x+41.090.60265.05<0.001RVIy-0.74x+47.810.64176.73<0.001多元線性回歸MSRy=-71.19x1-0.25x2-133.21x3+96.99x4+205.41x5+52.080.74626.78<0.001

注：y代表SPAD；x1代表NDVI；x2代表RVI；x3代表EVI；x4代表ARVI；x5代表DVI。

對比2種方法的反演結果發現，一元線性回歸模型SPAD-SAVI的精度略高于多元線性回歸模型，說明在小麥的拔節后～孕穗前這個階段植被指數SAVI與此時的葉綠素含量的關系高度密切。多元線性回歸模型中，有兩個變量被剔除掉，通過分析得知，這兩個變量與方程中的其他變量相關系數均比較高，也就是與其他5種變量造成共線性，多元線性逐步回歸要求能留在方程中的變量不能對方程中的其他變量產生明顯的影響即造成共線性[23]，因此被剔除。

2.4 模型驗證分析

用20個檢驗樣本的SPAD實測值和預測值進行方程擬合，利用擬合方程的斜率值、決定系數(R2)、均方根誤差(RMSE)和相對分析誤差(RPD)來檢驗模型精度和預測能力[24](表7)。其中R2與斜率越接近1, 均方根誤差(RMSE)越小，相對分析誤差(RPD)越大，則模型精度越高[25]。RMSE和RPD計算公式[26]為：

(1)

表7 模型精度驗證

Tab.7 Precision of models

回歸方法植被指數模型決定系數R2斜率均方根誤差RMSE相對分析誤差RPD一元線性回歸NDVI0.58890.58260.4071.076ARVI0.44960.45170.4980.781SAVI0.86600.94620.2452.395EVI20.86080.98890.2512.451DVI0.80150.95050.3101.977EVI0.76640.83130.3241.692RVI0.60050.66730.4231.175多元逐步回歸MSR0.77040.98150.3291.962

(2)

對于模型的相對分析誤差(RPD)，當2.0

圖5 模型對檢驗樣本的預測結果Fig.5 Model prediction results for test samples

結合圖5和表7看出，植被指數SAVI構建的一元線性回歸模型SPAD-SAVI決定系數最高，達到0.866，均方根誤差RMSE最小為0.245，相對分析誤差RPD比較高達到2.395。說明此模型具有更好的預測能力；其次是植被指數EVI2的一元線性回歸模型SPAD-EVI2，決定系數和均方根誤差接近于SPAD-SAVI，相對分析誤差稍高于前者，說明植被指數EVI2的一元線性回歸模型具有很好的預測能力。分析多元線性回歸模型SPAD-MSR得到，決定系數達到0.770 4，均方根誤差RMSE較小為0.329，相對分析誤差(RPD)達到1.962，對比各項數據值，雖然比一元線性回歸模型SPAD-SAVI的精度低，但仍然具備一定的預測能力，因此多元線性回歸模型SPAD-MSR對小麥葉片的葉綠素值的預測仍然是可行的。

一元線性回歸模型SPAD-DVI，決定系數R2=0.801 5，相對分析誤差RPD=1. 977，且均方根誤差RMSE<0.5，所以此模型對冬小麥葉綠素含量具備一定的預測能力。

綜合表7和圖5，模型SPAD-SAVI預測效果最佳，模型SPAD-EVI2次之，多元線性回歸模型SPAD-MSR具備一定的預測能力，模型SPAD-ARVI的預測效果最差。

3 結 語

本文利用無人機遙感獲取小麥的多光譜影像，提取出4個波段下小麥冠層葉片光譜反射率圖像，選取與小麥葉片葉綠素相關性較高的7種植被指數，建立植被指數與葉綠素相對含量值的一元線性回歸模型和多元線性回歸模型，進行小麥葉片的葉綠素值預測。得到以下主要結論：

(1)通過小麥冠層葉片在4個波段光譜反射率隨SPAD變化關系曲線圖得出，4個波段中，與小麥葉綠素含量關系最密切的波段為近紅外波段(波長840 nm)，在此波段表現出很強的反射率和極弱的吸收，相反在藍光波段(波長475 nm)和紅光波段(波長668 nm)有很強的吸收區。

(2)通過無人機多光譜影像獲得4個波段下小麥冠層的光譜反射率圖像，提取出反射率數值，進行波段運算得到常用的8種植被指數值，并對小麥SPAD實測值和8種植被指數值進行相關性分析，有 7種表現出較高的相關性，依次為：SAVI、EVI2、DVI、RVI、NDVI、EVI和ARVI，相關系數均在0.67以上。

(3)選取相關性較高的7種植被指數，用一元線性回歸方法和多元線性回歸方法共構建了8種回歸模型，分別為：SPAD-SAVI、SPAD-EVI2、SPAD-DVI、SPAD-RVI、SPAD-NDVI、SPAD-EVI、SPAD-ARVI和多元線性回歸模型SPAD-MSR。

(4)植被指數SAVI、EVI2與小麥SPAD構建的單變量一元線性回歸模型擬合程度最好，決定系數為：0.866、0.860 8，均方根誤差為0.245、0.251，其中SPAD-SAVI模型精度最佳，SPAD-EVI2次之。兩種模型對冬小麥葉綠素含量都具有很好的預測能力，多元線性回歸模型SPAD-MSR決定系數為0.770 4，均方根誤差為0.329，此模型具備一定的預測能力，對小麥葉片葉綠素值的預測仍然是可行的。本試驗研究成果為今后利用無人機遙感實現冬小麥葉綠素含量監測提供方法，對農作物動態管理具有重要意義。