基于無人機高光譜影像的水稻葉片磷素含量估算

班松濤 田明璐 常慶瑞 王 琦 李粉玲

(1.西北農林科技大學資源環境學院， 陜西楊凌 712100； 2.上海市農業科學院農業科技信息研究所， 上海 201403；3.上海市數字農業工程技術研究中心， 上海 201403)

0 引言

磷元素是農作物體內多種生物分子的關鍵組成部分，參與了大量理化反應和代謝過程，是農作物所需的大量營養元素之一[1]。在農業生產過程中，磷肥施入不足會影響作物的生長和作物品質，施入過量則會造成面源污染[2]。因此，快速、準確地診斷磷素在田間的分布狀況、并有針對性地進行精準施肥對實現高效綠色農業非常重要。但通過化學分析測量作物磷素含量的方法所花費的時間和人力成本都比較高，且難以實現對大面積作物的快速測量。

高光譜遙感技術的發展為作物組分快速無損監測提供了新的手段，眾多學者對作物各類元素含量的高光譜特征展開研究，并提出了多種反演模型。針對作物磷素含量，MAHAJAN等[3]對雜交水稻養分含量的高光譜進行監測，研究發現，磷含量與波長670、700、730、1 090、1 260、1 460 nm處反射率具有較高的相關性，且在1 460 nm處相關性最高，由1 260、670 nm兩個波段組合得到的歸一化光譜指數能夠以較高的精度反演水稻葉片磷含量，其驗證R2為0.67。林芬芳等[4]基于互信息理論對水稻光譜進行分析，提取了536、551、630、656、1 040 nm共計5個對水稻葉片磷素敏感的波段，并在此基礎上采用神經網絡和多元線性回歸構建了磷素估算模型，其預測R2達到了0.989。ALABBAS等[5]、程一松等[6]、OSBORNE等[7]、王磊等[8]分析了玉米在不同磷素含量下的高光譜特征，發現波段350～730 nm和1 420～1 800 nm的可見光-近紅外光譜可以用于玉米磷素的診斷。SEMBIRING等[9]、PIMSTEIN等[10]、MAHAJAN等[11]、劉煒等[12]研究了磷脅迫下冬小麥的光譜特征，發現小麥磷含量與可見光波段的反射率呈顯著負相關，特別是紅光波段的反射率。此外，也有一些學者對蘋果[13-15]、柑橘[16]、番茄[17]、黃瓜[18]等果蔬作物的葉片磷含量高光譜特征和反演模型進行了研究，并取得了較好的效果。

以上研究主要基于葉片光譜或近地冠層光譜，每次只能測量單個樣點上的磷素狀態，而無人機高光譜成像技術則可將測量范圍從樣點擴展到區域尺度，從而更好地為生產實際服務[19-21]。目前，在較大范圍內基于無人機平臺的水稻磷元素高光譜監測研究仍較少。本文以水稻為研究對象，基于無人機高光譜影像數據，通過波段篩選和光譜指數構建，建立水稻葉片全磷含量(Leaf phosphorus content, LPC)估算模型，以期為水稻磷元素營養狀況的無人機遙感監測提供科學依據。

1 材料與方法

1.1 研究區與試驗田概況

試驗田位于寧夏回族自治區青銅峽市葉盛鎮水稻示范基地(38°7′28″N，106°11′37″E)，如圖1所示。葉盛鎮屬溫帶干旱氣候，地貌類型為黃河沖積平原。葉盛鎮水稻示范基地試驗田種植的水稻品種為寧粳43號，設置3個水平的氮肥和4個水平生物炭組合，共12個處理。氮肥施入量分別為0 kg/hm2(N1)、240 kg/hm2(N2)、300 kg/hm2(N3)；生物炭施入量分別為0 kg/hm2(C1)、4 500 kg/hm2(C2)、9 000 kg/hm2(C3)、13 500 kg/hm2(C4)；每個處理重復3次，共計36個小區。各小區磷肥和鉀肥相同，P2O5和K2O施入量均為90 kg/hm2，但由于水稻氮-磷吸收具有互作效應，不同氮處理小區的水稻對磷的吸收并不相同[22-23]，LPC也有差異。其他管理措施與當地大田水稻相同。單個小區規格為5 m×12 m，面積60 m2。

1.2 高光譜影像獲取與處理

于2016年7月19日(拔節期)、8月16日(灌漿期)和9月7日(乳熟期)展開田間試驗3次。使用的機載遙感傳感器為Cubert S185型快照式高成像光譜儀(簡稱S185)，影像數據的波長范圍為450～998 nm，光譜采樣間隔為4 nm；影像分辨率為1 000像素×1 000像素；鏡頭焦距25 mm，視場角13°。高光譜影像的采集于11:00—12:00在田間上空進行，天氣晴。遙感平臺為八旋翼無人機，設定自動航線的航向重疊率85%，旁向重疊率70%，飛行高度100 m；在無人機起飛之前，使用隨S185配備的標準白板對傳感器進行反射率標定；設置S185為等時間間隔自動拍攝，時間間隔為1 s；飛行時間約12 min，單次飛行獲取影像約720幅。對影像進行篩選，剔除冗余影像，使用Cubert Pilot軟件對高光譜影像進行輻射校正、大氣校正等處理，根據白板標定結果將影像DN值轉換為反射率，得到反射率影像數據；在Agisoft Photoscan軟件中對反射率影像進行拼接，然后根據差分GPS測量得到的10個地面像控點坐標，在ArcGIS軟件中對拼接得到的影像進行幾何校正，再使用試驗田邊界矢量文件對影像進行裁切，得到覆蓋完整試驗田的高光譜影像(圖1b)，影像空間分辨率為2.7 cm。

1.3 水稻葉片全磷含量測定

在無人機高光譜影像采集的同一天，在每個小區中心區域選擇長勢均勻、代表性強的樣點1個，采集樣點周圍半徑約為100 cm內水稻不同部位的葉片30片左右，裝入自封袋帶回實驗室；并使用差分GPS記錄每個采樣點的坐標。將葉片樣品殺青、干燥、粉碎，使用全自動間斷化學分析儀測量樣品中全氮和全磷含量，以干基質量分數表示。各生育期LPC統計特征如表1所示。

表1 LPC樣本統計特征

水稻對氮、磷的吸收具有協同作用，王偉妮等[22]、劉曉偉等[23]的研究表明在磷肥施入量固定的情況下，氮肥施入量的增加會顯著提高磷的吸收量；氮肥施入不足時，磷的吸收也會出現下降的趨勢。本研究中各小區采用碳氮組合施肥處理，但檢測結果表明，不同氮肥處理小區的LPC均值也具有明顯的差異，具體表現為氮肥施入量越高、LPC越大(圖2)。因此，水稻LPC數據集具備光譜分析和建模所需的梯度和差異性。

1.4 光譜反射率提取及數據集劃分

以每個小區內采樣點的坐標為中心，使用ENVI軟件中的ROI工具在各期拼接和校正處理完成的高光譜影像上選取50像素×50像素的區域，并統計區域內所有像元的光譜反射率(Spectral reflectance, SR)的平均值作為該樣點的水稻冠層光譜反射率，得到3個生育期的光譜和葉片全磷數據樣本共108組，在每個生育期數據的3個重復小區中隨機選取2個用于建模，剩余1個用于驗證。這樣，2/3的樣本(72個)作為建模集，1/3的樣本(36個)作為驗證集。

1.5 研究方法

1.5.1敏感波段選擇

由于高光譜數據波段較多，在建模之前需要對波段進行篩選，去除不包含目標信息的波段。本研究使用連續投影算法(Successive projections algorithm, SPA)提取特征波段。SPA是一種前向變量選擇算法，通過使矢量空間的共線性最小化，消除原始光譜矩陣中冗余的信息，從全部波段中篩選出若干特征波長，從而使基于光譜的多元回歸模型的建模條件得到簡化和改善[24]。

1.5.2光譜指數選擇

將波段450～998 nm范圍內任意兩個波長的光譜反射率分別進行歸一化、比值和差值運算，得到歸一化光譜指數(Normalized difference spectral index，NDSI)、比值光譜指數(Ratio spectral index，RSI)和差值光譜指數(Difference spectral index，DSI)，計算公式為

NDSI(Ri,Rj)=(Ri-Rj)/(Ri+Rj)

(1)

RSI(Ri,Rj)=Ri/Rj

(2)

DSI(Ri,Rj)=Ri-Rj

(3)

式中Ri、Rj——波長i、j處的光譜反射率

分別計算每一個NDSI、RSI、DSI與LPC的相關系數，尋找與LPC相關性最高的光譜指數用于LPC估算模型的構建。

1.5.3模型構建與檢驗

基于建模數據集，分別使用多元線性回歸(Multivariable linear regression, MLR)、偏最小二乘回歸法(Partial least squares regression, PLSR)、支持向量機回歸(Support vector regression, SVR)和基于人工神經網絡(Artificial neural network, ANN)的回歸算法進行LPC估算模型的構建。其中PLSR集成了主成分分析、典型相關分析和多元線性回歸分析，能夠消除自變量間的多重相關性，有效提取對系統解釋性最強的綜合變量，建立精確、穩定的模型[25]。SVR是基于統計學理論的一種機器學習算法，通過非線性映射把輸入的向量數據從原空間映射到高維空間，并在高維空間中構造最優回歸函數[26]。ANN是一種模仿生物神經網絡結構和功能的非線性統計性數據建模機器學習算法[27]；本文采用多層前饋神經網絡，通過設置輸入層、中間層(也稱隱含層)和輸出層，基于數學統計學類型的學習方法進行優化，建立回歸模型。本文SVR模型中使用的核函數為Polynomial函數；ANN模型采用的訓練算法為Levenberg-Marquardt，設置隱含層層數為5。

使用驗證數據集對各模型精度進行檢驗，采用決定系數R2(Coefficient of determination)和均方根誤差(Root mean square error, RMSE)評估各模型的精度，R2越接近1、RMSE越小，模型精度越高。

2 結果與分析

2.1 水稻LPC高光譜特征

不同LPC水稻冠層光譜反射率如圖3所示。由圖3可知，在波段454～720 nm范圍內，水稻冠層光譜反射率隨LPC的增大而減小；在波段724～998 nm范圍，反射率隨LPC的變化沒有表現出規律性的變化。對全生育期內水稻LPC與各波段光譜反射率的相關性進行分析，結果如圖4所示，在可見光-紅邊波段462～718 nm范圍，LPC與光譜反射率表現出極顯著負相關(P<0.001)；其中在波段562～706 nm范圍相關系數絕對值均高于0.8，形成了一個高相關平臺；LPC與波長622 nm處的光譜反射率達到最大負相關，相關系數為-0.902。在近紅外波段722～998 nm范圍，LPC與光譜反射率未表現出顯著相關性。MAHAJAN等[3]研究發現水稻冠層LPC在波段520～710 nm范圍與光譜反射率顯著負相關(P<0.05)，這一結論與本文相一致。但在波長大于710 nm的近紅外波段，MAHAJAN等[3]發現LPC與反射率顯著正相關(P<0.05)，而本研究中LPC與近紅外波段反射率雖也表現出正相關，但未達到0.001水平的顯著性，這可能與使用的數據集及顯著性水平的選取有關。

2.2 基于SPA特征波長的LPC估算模型

以LPC為目標變量、各波段的光譜反射率為解釋變量，使用SPA對全波段進行篩選，最終選取670、706、722、846 nm 共4個特征波長。基于建模數據集，以4個特征波長對應的光譜反射率為自變量，分別使用MLR、PLSR、SVR和ANN算法構建LPC估算模型，并用驗證數據集對各模型精度進行檢驗，結果如表2所示。LPC-SR-ANN和LPC-SR-PLSR 2個模型精度較高，2個模型的建模R2和驗證R2均高于0.9；其中LPC-SR-ANN模型的建模R2達到了0.976，RMSE僅為0.007%，表現最佳。但在模型驗證中LPC-SR-PLSR表現出最高的精度，驗證R2為0.925，其次才是LPC-SR-ANN模型；這說明基于PLSR算法的模型具有更好的穩定性。

表2 基于特征波長光譜反射率的LPC模型

2.3 基于光譜指數的LPC估算模型

對LPC與任意兩波段光譜反射率組合運算得到的光譜指數NDSI(Ri,Rj)、RSI(Ri,Rj)和DSI(Ri,Rj)進行相關分析，并制作相關系數的等勢圖，結果如圖5所示。其中，498 nm與606 nm組合得到的NDSI(R498,R606)和RSI(R498,R606)與LPC相關性最好，相關系數分別為0.913和0.915；498 nm和586 nm組合得到的DSI(R498,R586)與LPC相關性最好，相關系數為0.938。

以NDSI(R498,R606)、RSI(R498,R606)和DSI(R498,R586)為自變量，分別使用MLR、PLSR、SVR和ANN構建LPC估算模型，并利用驗證數據集對各模型精度進行檢驗，結果如表3所示。LPC-SI-ANN模型的精度最高，建模R2達到0.937、RMSE僅為0.011%，驗證R2為0.885、RMSE為0.029%，表現優于其他3個模型；LPC-SI-SVR模型建模精度較高(R2=0.891)，但驗證精度略低(R2=0.878)；LPC-SI-PLSR和LPC-SI-MLR兩個模型建模精度相近(R2分別為0.885和0.884)，但前者驗證精度更高(R2為0.881)，PLSR算法再次表現出較好的穩定性。

表3 基于光譜指數的LPC模型

2.4 水稻LPC空間分布的高光譜遙感反演

使用精度較高的LPC-RS-PLSR模型對獲取的各期高光譜影像進行解算，得到試驗田水稻各生育期冠層LPC空間分布圖，結果如圖6所示；使用對應時期的LPC實測值對模型預測結果進行擬合檢驗，結果如圖7所示。由圖6、7可以看出，各生育期水稻LPC模型預測值與實測值基本一致：一方面，對于同一生育期內不同施肥處理的小區，肥力越高的地塊水稻長勢越好，LPC也越高；另一方面，對于同一施肥處理的小區，在不同生育期，隨著水稻從拔節到成熟的發展，葉片中的磷元素向果實轉移，LPC呈下降的趨勢。但同時也發現，基于全生育期建立的LPC估算模型在單個生育期中的預測精度有所下降(圖7)：拔節期和灌漿期的LPC驗證R2分別為0.714和0.704，乳熟期LPC驗證R2為0.639。

3 討論

3.1 LPC敏感光譜波段

水稻LPC的高光譜特征較為明顯，與LPC高相關的光譜反射率集中在可見光-紅邊波段462～718 nm范圍，經過SPA篩選得到的4個特征波長中的2個波長(670、706 nm)、以及構建的新型光譜指數用到的波長(498、586、606 nm)都分布在該區間內。這一結果也與其他學者相關的研究相同：MAHAJAN等[3]發現的6個磷元素高相關波段中有2個(670、700 nm)在此范圍；林芬芳等[4]使用互信息理論提取到的水稻葉片磷元素的5個敏感波段中有4個在同一波段區間，分別為波長536、551、630、656 nm。這表明診斷水稻磷素的光譜波長位于可見光-紅邊范圍，且敏感度較高的是紅光波段(656、670 nm)和紅邊波段(706、700 nm)。這也與玉米[5-8]、小麥[9-12]等糧食作物的磷素敏感波段相一致，說明這些作物磷素含量的差異在反射光譜上的響應具有相似性。在不同的研究中水稻磷含量光譜響應也有所不同，且主要反映在近紅外波段上；這主要是由數據源和光譜獲取尺度上的差異造成的：本文所使用的數據源為低空尺度的無人機高光譜影像，一方面Cubert S185光譜測量的波長范圍較小(小于1 000 nm)，且波段900～1 000 nm范圍內測得的光譜信噪比較低[28-29]；另一方面近紅外光譜受作物冠層結構影響較大[30-31]，而近地面尺度和低空無人機尺度獲取的光譜數據中水稻表現出的冠層結構不同[31-32]。這些因素都會造成不同的研究中近紅外波段上的差異。

3.2 LPC估算模型

在LPC模型的構建中，盡管LPC與部分波段的光譜反射率已經具有高度的相關性，但不適合直接用作自變量進行建模。這主要是由于高光譜數據的相鄰波段之間往往具有較強的共線性，而在多元回歸模型中共線性會降低模型精度和穩定性[33]。因此本研究分別使用SPA篩選特征波長、使用波段組合構建光譜指數用于建模，以減少共線性的影響。從建模結果來看，基于特征波長的模型精度總體上優于基于光譜指數的模型，這主要是由于兩類變量所包含的光譜信息量不同：4個特征波長分布于從可見光到近紅外的多個譜段，光譜信息更豐富；而3個光譜指數只使用了可見光中的3個波段，且NDSI(R498,R606)和RSI(R498,R606)用到的波段相同，包含的光譜信息相對較少。在后續的研究中，可以考慮將光譜反射率和光譜指數進行綜合分析篩選、構建模型。此外，在各模型中，ANN模型一般都能取得最高的建模精度，但驗證精度會出現較大幅度的下降，原因可能是在本研究數據集中，基于機器學習的ANN算法在建模過程中出現了一定程度的過擬合現象。

試驗中發現由于養分脅迫的原因，試驗田各小區水稻生育期并不嚴格一致；而單個時期內樣本量較小，不足以反映光譜隨LPC變化的實際規律；因此，本研究在分析和建模過程中使用了3個時期匯總的數據集。在針對特定時期的水稻LPC空間分布制圖中，由于樣本數據分布和數量的差異，模型對單個時期的LPC預測精度有所下降。

4 結論

(1)LPC與無人機影像上水稻冠層光譜反射率在波段462～718 nm范圍呈極顯著負相關(P<0.001)，在波段562～706 nm范圍內相關系數絕對值均高于0.8，負相關最大處相關系數達到-0.902。二者在波段722～998 nm范圍未表現出顯著相關性。

(2)使用連續投影算法，以LPC為目標對光譜波段進行篩選，得到4個特征波長分別為670、706、722、846 nm。以特征波長為自變量構建的4個LPC估算模型中，基于PLSR算法的模型精度和穩定性最佳，驗證R2達到0.925，RMSE為0.027%。

(3)LPC與NDSI(R498,R606)、RSI(R498,R606)、DSI(R498,R586) 3個新構建的光譜指數相關性較高，相關系數分別為0.913、0.915和0.938。基于新建光譜指數的ANN模型對LPC具有較好的預測能力，驗證R2為0.885，RMSE為0.029%。

(4)基于全生育期LPC-PLSR模型和高光譜影像計算得到各生育期LPC的空間分布，其結果與實測值相一致，可以用于田間水稻葉片磷素狀況的監測。