基于無人機高光譜和數碼影像數據的冬小麥生物量反演

李天馳 馮海寬 朱貝貝 范園園 金麗妍 成倩 李倩雨

摘要 ? ?生物量是作物生長過程中重要的生物參數之一，能較好地反映作物長勢情況。本研究獲取了冬小麥開花期數碼影像數據、高光譜數據和實測生物量數據，運用相關性分析篩選出對冬小麥生物量相關性高的數碼影像指數和植被指數，分別使用多元線性回歸分析和逐步回歸分析法建立生物量反演估算模型，最后將最優模型估算結果進行可視化空間分析。結果表明，與冬小麥生物量相關性高的數碼影像指數有VARI、MGRVI、b等，植被指數有NDVI、SR、LCI、OSAVI等。建立的冬小麥生物量反演模型估算效果較好，其中精度最高的模型為高光譜數據多元線性回歸模型，其驗證模型均方根誤差為0.904 1 t/hm2?？梢暬幚斫Y果能直觀地顯示試驗區冬小麥生物量分布情況，為生長監測及種植管理提供有效依據。

關鍵詞 ? ?無人機;冬小麥;生物量;植被指數

中圖分類號 ? ?S129 ? ? ? ?文獻標識碼 ? ?A

文章編號 ? 1007-5739（2020）20-0001-05 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?開放科學（資源服務）標識碼（OSID）

Abstract ? ?Biomass is one of the important biological parameters in the process of crop growth， which can better reflect the growth of crops. Digital image data， hyperspectral data and measured biomass data of winter wheat at flowering stage were obtained in this study， and correlation analysis was used to select the biomass parameters that are important to the growth of the crop. Multiple linear regression analysis and stepwise regression analysis was used respectively to establish the estimation model of biomass inversion， and finally the results of the optimal model estimation were analyzed by visual spatial analysis. The results showed that the digital image indexes with high correlation with winter wheat biomass were VARI， MGRVI， b， etc.， and the vegetation indexes were NDVI， SR， LCI， OSAVI， etc. The established winter wheat biomass inversion model has a good estimation effect， and the hyperspectral data multiple linear regression model has the highest accuracy， and the root mean square error of the verification model is 0.904 1 t/hm2. The visualized processing results can intuitively display the winter wheat biomass distribution in the test area， which provides an effective basis for growth monitoring and planting management.

Keywords ? ?UAV; winter wheat; biomass; vegetation index

作物在生長過程中易受到環境、水分、氮素等因素影響，進而對作物長勢及最終產量造成影響，因而可以根據植株生物量和氮含量等農學參數對作物生長狀況進行監測[1]，為必要的田間管理、病蟲害監測及農肥施用提供重要依據[2]。隨著遙感技術的發展與應用，相關學者將其應用于農作物監測方面。賈玉秋等[3]利用高分1號衛星和Landsat-8衛星獲取了許昌地區遙感影像，并選取數個監測指標，建立玉米葉面積指數反演模型。結果表明，高分1號衛星數據建立的反演模型精度要高于Landsat-8衛星數據建立的模型。趙曉慶等[4]利用無人機搭載的高光譜傳感器獲取了大豆不同生育期數據，首先建立了多個植被指數，并對植被指數進行方差分析，隨后采用偏最小二乘法建立不同采樣空間尺度的大豆產量估算模型。通過驗證模型發現，當采樣區域面積為9.03～10.3 m2時產量估算精度最高。孫小香等[5]獲取了水稻冠層光譜反射率及葉片全氮濃度數據，通過分析植被指數與葉片全氮濃度的相關性篩選出敏感參數，并使用多元線性回歸和BP神經網絡方法構建葉片全氮濃度估算模型。結果表明，BP神經網絡對水稻氮素含量具有較好的估算能力。

基于現有研究，本文利用無人機同步搭載高光譜成像儀和數碼相機，獲取了冬小麥高光譜數據和數碼影像數據，并基于這些數據構建了數碼影像指數和植被指數。通過分析數碼影像指數和植被指數與冬小麥生物量的相關性，篩選出相關性高的指數，利用多元線性回歸分析和逐步回歸分析法構建生物量反演估算模型，探究最優冬小麥生物量估算模型，以期為監測冬小麥長勢提供技術支持。

1 ? ?材料與方法

1.1 ? ?研究區概述

試驗于2014—2015年在北京市昌平區小湯山國家精準農業研究示范基地進行，該基地地處北緯40°00′～40°21′，東經116°34′～117°00′，平均海拔36 m。試驗設計方案如圖1所示，將選取的試驗區域劃分為48個小區，16個小區一組，共3組。其中，32個小區用于建立生物量反演模型，16個小區用于模型驗證。

1.2 ? ?試驗數據獲取

1.2.1 ? ?數碼影像數據與高光譜數據獲取及預處理。試驗于冬小麥開花期（2015年5月13日）獲取數據。無人機數碼影像由八旋翼無人機航拍獲取，相機為Canon PowerShot G16，使用CMOS傳感器，當無人機飛行高度為50 m時，地面分辨率為0.016 dpi。為避免外界環境對數據獲取造成影響，選擇晴朗天氣于12：00—13：00對試驗區進行影像拍攝。獲取數碼影像數據后使用Agisoft PhotoScan Professional軟件進行拼接等預處理，包括建立紋理、生成試驗區正射影像圖和數字地形圖等。同時，無人機同步搭載Cubert UHD185 Firefly型高光譜成像儀，其光譜范圍為450～950 nm，光譜分辨率為8nm@532nm，通道數為125，采樣間隔為4 nm。

1.2.2 ? ?冬小麥生物量獲取。在固定尺寸的試驗小區內，選取20株冬小麥植株作為樣本，經過器官分離、稱定質量等操作后放入紙袋中，置于烘箱內以105 ℃殺青30 min，隨后設置75 ℃烘干，直至質量恒定（48 h以上），最終計算單位面積的冬小麥生物量。

1.3 ? ?試驗指數選取

對于無人機數碼影像數據，利用影像紅、綠、藍通道的像元值進行算術運算，同時根據現有研究成果，選取10個數碼影像指數對冬小麥生物量進行反演估算，具體見表1。

對于高光譜數據，通過對不同波長的反射率進行算術運算，并參考現有研究，選取16個植被指數對冬小麥生物量進行反演估算，具體見表2。

1.4 ? ?研究方法

1.4.1 ? ?多元線性回歸。在回歸分析中多元線性回歸一般用于包含2個或2個以上的自變量的模型中。通常情況下因變量會受到多個因素的影響，而且各個因素的影響程度并不相同。此時使用單一因素對因變量進行反演預測，可能會產生預測不準確的現象，而使用多個自變量的最優組合對因變量進行預測會更有效且符合實際。

1.4.2 ? ?逐步回歸分析。逐步回歸分析作為一種選取回歸模型自變量的方法，能較好地保留對因變量解釋能力較強的變量，同時不存在嚴重的多重共線性。其主要思想是將自變量逐個引入所建立的模型，引入一個自變量后對模型進行F檢驗，同時對已經引入的自變量進行t檢驗。當前期引入的自變量變得不再顯著時將其剔除，以確保回歸模型中的自變量是顯著的。

1.4.3 ? ?精度評定。本文選擇決定系數（R2）和均方根誤差（RMSE）2個精度指標對冬小麥生物量反演模型進行精度評價，公式如下：

式中，xi為實測冬小麥生物量，yi為預測冬小麥生物量，x、y分別為冬小麥實測和預測生物量的平均值，n為樣本總數。決定系數R2表示了模型擬合效果，RMSE反映了預測值和實測值之間的偏離程度。一般R2越高，RMSE越低，模型擬合效果就越好。

2 ? ?結果與分析

2.1 ? ?數碼影像指數與冬小麥生物量相關性分析

將選取的數碼影像指數與冬小麥生物量進行相關性分析，結果見表3?？梢钥闯?，所選取的數碼影像指數與冬小麥生物量均存在極顯著相關（P<0.01），相關系數絕對值在0.545～0.725范圍內。其中，與生物量相關性最高的數碼影像指數是r，其相關系數絕對值為0.725;與生物量相關性較差的數碼影像指數是b，其相關系數絕對值為0.545。

2.2 ? ?植被指數與冬小麥生物量相關性分析

將選取的植被指數與冬小麥生物量進行相關性分析，結果見表4。可以看出，所有植被指數與生物量均存在極顯著相關（P<0.01），相關系數絕對值在0.722～0.815范圍內。其中，VOGa與生物量相關性最高，其相關系數絕對值為0.815;與生物量相關性較差的是DCNI，其相關系數絕對值為0.722。

2.3 ? ?冬小麥生物量反演

2.3.1 ? ?冬小麥生物量反演模型建立。根據相關性分析結果，選取數碼影像指數VARI、MGRVI和r+b等用于構建生物量反演模型，選取植被指數SR、NDRE、VOGa和SRPIa等用于建立冬小麥生物量反演估算模型，具體模型建立及精度評價見表5。分析可得，基于數碼影像數據建立冬小麥生物量反演估算模型精度要低于由高光譜數據建立的反演估算模型。其中，建模精度最高的是基于高光譜數據建立的多元線性回歸模型，其決定系數R2為0.757 9，RMSE為1.010 3 t/hm2;基于數碼影像數據的逐步回歸模型精度最低，其決定系數R2為0.533 5，RMSE為1.402 5 t/hm2。

2.3.2 ? ?冬小麥生物量反演模型驗證及可視化分析。將已建立的反演模型應用于小區數據驗證，其模型驗證精度結果見表6和圖2。由表6和圖2綜合分析，大部分模型驗證數據的實測值與估算值分布在1∶1線附近，有少量生物量被低估。其中，高光譜數據建立的多元線性回歸模型驗證精度最高，其RMSE為0.904 1 t/hm2;數碼影像數據建立的逐步回歸模型驗證精度最低，其RMSE為1.421 0 t/hm2。

選取模型驗證精度最高的高光譜數據多元線性回歸模型應用于無人機數碼影像上，得到生物量估算值空間分布圖（圖3）。由圖3可知，大部分試驗小區的估算生物量高于5.6 t/hm2，而且由驗證結果可知實測值與估算值較為均勻地分布在1∶1線附近。反演填圖結果表明，利用高光譜數據構建的多元線性回歸模型能較為準確直觀地反映試驗區內冬小麥生物量分布情況，為種植管理提供依據。

3 ? ?結論與討論

本研究通過篩選出與冬小麥生物量相關性高的數碼影像指數或植被指數，使用多元線性回歸和逐步回歸分析法建立生物量反演估算模型，研究主要結論如下：①根據相關性分析選取數碼影像指數VARI、MGRVI、b和（r+b）用于構建生物量反演模型，選取植被指數NDVI、SR、LCI、OSAVI、SPVI、MTCI、GNDVI、NDRE、PSDNa、VOGa、SRPIa、SPRIc、PSDNc和MTVI2用于建立冬小麥生物量反演估算模型。②在建立的生物量反演模型中，基于高光譜數據建立的多元線性回歸模型精度最高，其驗證模型R2為0.785 2，RMSE為0.904 1 t/hm2。同時，將該模型應用于無人機數碼影像上，能直觀地顯示各試驗小區冬小麥生物量分布空間狀況。

目前，利用高光譜數據進行作物生物量反演的研究較多。賀 ?佳等[24]獲取了不同生育期冬小麥冠層反射率數據，通過相關性分析、回歸分析等處理，建立了基于不同植被指數的冬小麥生物量分段遙感監測模型，結果表明，模型驗證精度均高于0.9，反演估算效果較好。范云豹等[25]使用高光譜輻射儀獲取了蘆葦和香蒲2種植物的冠層高光譜數據，利用一元線性回歸、逐步多元回歸和偏最小二乘法等建立反演估算模型，經過交叉檢驗，結果表明，反演模型估測精度高于90%。本研究使用無人機數碼影像數據和高光譜數據對冬小麥生物量進行反演估算，結果顯示，基于高光譜數據建立的模型效果優于數碼影像數據，這與高光譜數據中所包含的光譜信息較多有關，同時經過多個植被指數最優組合進行回歸模型構建，能較好地對生物量進行估測。同時，本研究僅使用了一期冬小麥生物量數據，未來應對不同年限不同生育期的生物量數據進行深入研究。

4 ? ?參考文獻

[1] 楊長剛，柴守璽，常磊，等.不同覆膜方式對旱作冬小麥耗水特性及籽粒產量的影響[J].中國農業科學，2015，48（4）：661-671.

[2] 宋明丹，李正鵬，馮浩.不同水氮水平冬小麥干物質積累特征及產量效應[J].農業工程學報，2016，32（2）：119-126.

[3] 賈玉秋，李冰，程永政，等.基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較[J].農業工程學報，2015，31（9）：173-179.

[4] 趙曉慶，楊貴軍，劉建剛，等.基于無人機載高光譜空間尺度優化的大豆育種產量估算[J].農業工程學報，2017，33（1）：110-116.

[5] 孫小香，王芳東，趙小敏，等.基于冠層光譜和BP神經網絡的水稻葉片氮素濃度估算模型[J].中國農業資源與區劃，2019，40（3）：35-44.

[6] 何彩蓮，鄭順林，萬年鑫，等.馬鈴薯光譜及數字圖像特征參數對氮素水平的響應及其應用[J].光譜學與光譜分析，2016，36（9）：2930-2936.

[7] MEYER G E，NETO J C.Verification of color vegetation indices for auto-mated crop imaging applications[J].Computers & Electronics in Agriculture，2008，6（5）：23-45.

[8] GITELSON A A，KAUFMAN Y J，STARK R，et al.Novel algorithms for remoteestimation of vegetation fraction[J].Remote Sensing of Environment，2002，8（5）：225-431.

[9] 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 Observations and Geoinformation，2015，39（6）：324-429.

[10] ZHOU X，ZHENG H B，XU X Q，et al.Predicting grain yield in rice usin-g multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J].ISPRS Journal of Photogrammetry and Remote Sensing，2017，54（7）：130-142.

[11] WU C，NIU Z，TANG Q，et al.Estimating chlorophyll content from hyperspectral vegetation indices：Modeling and valida-tion[J].Agricultural and Forest meteorology，2008，148（8/9）：1230-1241.

[12] BARET F，GUYOT G，MAJOR D J.TSAVI：A vegetation index which minimizes soil brightness effects on LAI and APAR estimation[C].in 12th Canadian Symposium on Rem-ote Sensing Geoscience and Remote Sensing Symposium.1989.

[13] DATT B.A new reflectance index for remote sensing of chlorophyll content in higher plants：tests using eucalypyus leaves[J].Plant Physiol，1999，24（5）：124-223.

[14] APARICIO N，VILLEGAS D，ARAUS J L，et al.Relationship between growth traits and spectral vegetation indices in durum wheat[J].Crop Science Madison，2002，42（6）：1547-1555.

[15] ROUJEAN J L，BREON F M.Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J].Remote Sensing of Environment，1995，5（3）：375-384.

[16] M VINCINI，E FRAZZI，ALESSIO P D.Angular dependence of maize and sugar beet VIs from directional CHRIS/Proba data[J].Cuore.2005，113（8）：566-648.

[17] CHEN P F，HABOUDANE D，TREMBLEY N，et al.New spectral indicator assessing the efficiency of crop nitrogen treatment in corn and wheat[J].Remote Sensing of Environ-ment，2010，114（9）：1987-1997.

[18] DASH J，CURRAN P J.The MERIS terrestrial chlorophyll index[J].International Journal of Remote Sensing，2004，25（23）：5403-5413.

[19] 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.

[20] FITZGERALD G J，RODRIGUEZ D，CHRISTENSEN L K，et al.Spectral and thermal sensing for nitrogen and water status in rainfed and irrigated wheat environments[J].Precision Agriculture，2006，35（4）：346-368.

[21] BLACKBURN G A.Spectral indices for estimating photosy-nthetic pigment concentrations：a test using senescent tree leaves[J].International Journal of Remote Sensing，1998，58（4）：125-213.

[22] CURRAN P J，DUNGAN J L，PETERSON D L.Estimating the foliar biochemical concentration of leaves with reflecta-nce spectrometry：testing the Kokaly and Clark methodolog-ies[J].Remote Sensing of Environment，2001，76（3）：349-359.

[23] VOGELMANN J E，ROCK B N，MOSS D M，et al.Red-edge spectral measurements from Sugar Maple leaves[J].Inter-national Journal of Remote Sensing，1993，56（2）：239-323.

[24] 賀佳，劉冰峰，郭燕，等.冬小麥生物量高光譜遙感監測模型研究[J].植物營養與肥料學報，2017，23（2）：313-323.

[25] 范云豹，趙文吉，宮兆寧，等.基于高光譜信息的蘆葦和香蒲地上干生物量反演方法研究[J].濕地科學，2016，14（5）：654-664.