基于無人機多光譜的夏玉米穗位葉葉綠素含量反演研究

楊廣云，牛魯燕

（1.山東省莘縣農業農村局，山東 莘縣 252400；2.山東省農業科學院 農業信息與經濟研究所，山東 濟南 250100；3.山東省農業農村遙感應用中心，山東 濟南 250100）

玉米作為我國僅次于水稻和小麥的第三大糧食作物，是重要的糧食作物和飼料來源，在促進我國經濟發展和保障糧食安全中占有非常重要的地位［1］。葉綠素作為植物進行光合作用的主要色素，在光合過程中起著將光能轉化為植物內部化學能，并為植物的生長發育提供物質和能量的作用［2］。葉綠素含量是評價植物光合作用的主要化學參數，其值的高低決定了植物吸收太陽輻射量的多少，并且對判斷植物生理狀況有著重要意義［3］，所以監測植株葉綠素的含量有助于衡量作物光合能力的大小和生理損傷狀況［4］，進而達到評估作物的生長環境及水肥管理情況的目的。

高效、無損地監測作物的長勢是精準農業種植的核心。無人機多光譜遙感影像地面分辨率較高，可以達到厘米級，對空間異質信息響應敏感，并且獲得的農作物長勢信息范圍大、即時性強、可靠性高，這可以在一定程度上彌補傳統監測設備監測范圍小、難度大等缺陷，具有很好的應用價值［5］。目前國內外學者利用無人機技術在作物生長反演方面已經進行了廣泛研究。陳浩等［6］基于無人機多光譜遙感影像，對不同施氮水平下夏玉米冠層葉綠素含量的變化規律進行了分析，研究認為無人機多光譜遙感結合逐步回歸模型可以實現田間尺度夏玉米冠層葉綠素含量的實時監測；周敏姑等［7］提取了冬小麥不同生育期冠層的光譜影像反射率特征參數，并與SPAD值建立了反演模型，結果證明無人機遙感可作為快速、無損監測小麥葉綠素含量的技術手段。王麗愛等［8］利用環境減災衛星對2010～2013年江蘇地區稻茬小麥不同生育期葉片SPAD值與8種植被指數的相關關系進行了分析，結果顯示所建立的回歸方程能夠較好地估算SPAD值；毛智慧等［9］比較了2種多光譜傳感器（MAC和Sequoia）對不同施肥水平下玉米冠層葉綠素含量的預測能力，發現了有更高預測精度的植被指數構建模型，分別為綠波段和近紅外波段構造的植被指數與紅邊波段和近紅外波段構造的植被指數。上述研究雖然都取得了一定的研究成果，但由于作物生長的復雜性，夏玉米監測在不同地區、不同經驗模型、不同生育期之間都存在著空間和時間上的差異性，導致適用模型具有地域性差別。

目前針對山東地區單一生育期夏玉米葉綠素含量的反演研究鮮有報道，尤其是在決定玉米產量的關鍵生育期。抽雄期是玉米一生中生長發育最快的時期，這個時期標志著玉米由營養生長轉向生殖生長，是灌溉、追肥的關鍵時期。筆者采用無人機多光譜遙感和地面監測相結合的方法，以山東抽雄期夏玉米穗位葉葉綠素含量（用SPAD值表示）反演為研究內容，構建了10種基于多光譜數據的植被指數，建立了表征不同植被指數與玉米穗位葉SPAD值之間關系的回歸模型，并對這些模型的精度進行了評價，以期為通過無人機遙感監測山東地區夏玉米葉片葉綠素含量提供理論依據，并為山東農作物的長勢監測和水肥精準管理提供技術支撐。

1 材料與方法

1.1 試驗區概況及試驗材料

試驗小區位于山東省濟南市章丘龍山試驗基地，地理坐標為：北緯36°25′～37°9′，東經117°10′～117°35′。該區位于濟南市的東部，屬于暖溫帶半濕潤大陸性季風氣候區，四季分明，雨熱同季，年均日照2647.6 h，日照率60%，年均氣溫12.8 ℃。地勢南高北低，黃河流經北境。

本次試驗供試玉米品種為鄭單958，種植方式、灌溉與病蟲草害防治管理與常規田相同。種植密度為67500株/hm2，玉米行間距60 cm。

1.2 數據采集

1.2.1 無人機多光譜數據的采集 本次試驗使用大疆無人機M600 Pro在晴朗無云的天氣進行作業，時間為10：00～13：00。多光譜數據通過搭載的美國MicasenseRedEge多光譜相機獲取。MicasenseRedEge多光譜相機包含紅（668 nm）、綠（560 nm）、藍（475 nm）、紅邊（717 nm）、近紅外（840 nm）5個波段，焦距為5.5 nm，視場角為47.2°，圖像分辨率為1280×960像素。機載多光譜成像系統如圖1所示。

圖1 無人機搭載的多光譜成像系統

1.2.2 葉綠素含量（SPAD值）的測定 SPAD（Soil and Plant Analyzer Development）值是農作物生長過程中重要的生化參數之一［10］。在樣地內選取一定數量的夏玉米穗位葉，使用 SPAD－502Plus葉綠素儀測定其SPAD值，取平均值作為該樣本的SPAD最終值。葉綠素含量（SPAD值）的測量與無人機飛行測量保持同步。

1.3 數據處理方法

1.3.1 機載多光譜影像的處理 機載多光譜影像的處理使用Pix4D專業版，先對影像進行拼接處理，得到試驗區完整的灰度圖；再通過ENVI軟件對各波段進行配準，組合成ENVI格式的反射率數據。

1.3.2 多光譜植被指數的選取 綠色植物葉片和植被冠層的光譜特性及其差異、變化可以反映遙感影像上的植被信息。植被指數的建立原理就是基于植被在紅光和近紅外波段反射率差別較大的光譜特征，在綜合考慮各光譜信號的基礎上，把多波段反射率做一定的數學變換，以增強植被信息，最小化非植被信號［11］。本研究結合葉綠素吸收光譜的特點，并考慮到植被指數的廣泛性和實用性，選取了10種多光譜植被指數：歸一化植被指數（NDVI）、冠層葉綠素含量指數（CCCI）、無藍色波段增強型植被指數（EVI2）、比值植被指數（RVI）、土壤調整植被指數（SAVI）、綠色歸一化植被指數（GNDVI）、土壤調節植被指數（OSAVI）、紅邊優化土壤調節植被指數（REOSAVI）、綠色比值植被指數（GRVI）、紅邊歸一化植被指數（RENDVI），研究了各植被指數與實測夏玉米葉綠素含量之間的關系。各植被指數的計算公式見表1。

表1 多光譜植被指數及其計算公式

1.4 模型的構建與驗證

選擇一元線性回歸模型進行模型的構建；為了確保模型的穩定性和精度，應用決定系數R2、均方根誤差（Root Mean Square Error，RMSE）進行模型的精度評價。

2 結果與分析

2.1 夏玉米抽雄期各植被指數與葉綠素含量的擬合分析

采用Excel 2007軟件對試驗數據進行相關性分析，結果顯示，抽雄期夏玉米穗位葉葉綠素含量（SPAD值）與10種植被指數在0.01水平上呈極顯著相關。

2.2 回歸模型的建立

以不同的植被指數作為自變量，以葉綠素含量（SPAD值）作為因變量，建立一元線性回歸模型，結果如表2所示。在10個一元線性回歸模型中，SPAD-CCCI模型的決定系數R2最大，達0.8300；SPAD-EVI2模型的決定系數R2次之，為0.3618；SPAD-REOSAVI模型的決定系數R2最小，僅為0.0002。根據決定系數R2的大小，10個一元線性回歸模型的擬合精度排序如下：SPAD-CCCI模型＞SPAD-EVI2 模型＞SPAD-RVI 模型＞SPADOSAVI模型＞SPAD-NDVI模型＞SPAD-GRVI模型＞SPAD-GNDVI模型＞SPAD-RENDVI模型＞SPAD-SAVI模型＞SPAD-REOSAVI模型。

表2 不同植被指數反演夏玉米冠層葉片SPAD值的回歸模型

2.3 葉綠素含量（SPAD值）估測模型的驗證

用驗證樣本的SPAD實測值和SPAD預測值進行一元線性回歸方程的擬合，擬合的預測模型及其驗證結果如表3所示，在10個預測模型中，SPAD-SAVI模型的精度最優，其決定系數R2最大，達到0.9596，且RMSE和RE值均最小，分別只有0.6700和-0.12%；其次是SPAD-RENDVI模型，其決定系數R2為0.6920，且回歸方程的斜率為0.7119，最接近于1；而SPAD-GNDVI模型的預測效果最差，其決定系數R2僅為0.0001，回歸方程的斜率只有0.0001。

表3 10個預測模型的精度驗證結果

按照決定系數的大小，10個預測模型的精度表現為：SPAD-SAVI模型＞SPAD-RENDVI模型＞SPAD-GRVI模型＞SPAD-CCCI模型＞SPADEVI2 模型＞SPAD-REOSAVI 模 型＞SPAD-RVI模型＞SPAD-NDV 模型＞SPAD-OSAVI 模型＞SPAD-GNDVI模型。

3 討論與小結

本研究發現，在對夏玉米抽雄期穗位葉葉綠素含量（SPAD值）的反演中，基于冠層葉綠素含量指數CCCI構建的一元線性回歸模型（y=-0.0016x+0.6955）的預測能力較好；基于無藍色波段增強型植被指數EVI2和比值植被指數RVI構建的SPAD-EVI2模型（y=-0.0011x+0.8487）和SPAD-RVI 模型（y=0.0543x+21.8920），對于夏玉米穗位葉葉綠素含量SPAD值具備一定的預測能力；而由紅邊優化土壤調節植被指數REOSAVI構建的SPAD-REOSAVI模型（y=7E-06x+0.5934）的預測能力最差，究其原因，可能是因為在小塊試驗田水平上，光譜信息的獲取受植被及其環境背景的共同影響，而多光譜影像的后期處理會采用閾值分割法，以達到去除遙感影像中環境背景的目的，而紅邊優化土壤調節植被指數REOSAVI在設計之初是為了減少環境背景對植被指數的影響，所以在小空間尺度上使用紅邊優化土壤調節植被指數REOSAVI會在一定程度上影響光譜信息的完整性，從而影響植被指數對作物葉片葉綠素含量的反演。

另外，在本次夏玉米抽雄期葉片葉綠素含量SPAD值的反演試驗中，由常用的歸一化植被指數NDVI構建的SPAD-NDVI模型的相關性優勢并沒有顯示出來，這也說明任何一個植被指數都不具有普適性，因此在對不同品種、不同生育期及不同觀測范圍的作物葉片葉綠素含量進行反演時，要選擇合適的植被指數，比如歸一化植被指數NDVI對較高的植被葉綠素含量不敏感，不適用于這類植被葉綠素含量的反演，這也與一些學者的研究結果［12］相近。而抽雄期是玉米生長發育的旺盛階段，在此期間植被覆蓋度顯著上升，直到達到一個最大值，這導致在覆蓋度達到一定程度時，應用歸一化植被指數NDVI去反演葉綠素含量SPAD值的效果反而不好。

由此可見，鑒于無人機遙感的時效性高、空間分辨率高及操作方便快捷的優勢，通過無人機平臺獲取多光譜遙感反射率，從而反演作物的長勢是可行的，但是要想獲得精準的反演結果還需要考慮作物品種、生育期及觀測范圍的影響。本研究采用夏玉米抽雄期不同植被指數與穗位葉葉綠素SPAD值的數據建立反演模型，所建立的模型具有較好的預測精度，能夠作為夏玉米葉片葉綠素含量監測的有效手段。