基于無人機多光譜影像的佛手瓜葉片SPAD 值估算模型

黎瑞君，陳智虎，舒田，劉春艷，許元紅，孫長青

（貴州省農業科技信息研究所，貴陽 550006）

隨著精準農業的發展，遙感技術被廣泛用于農業生產，從作物面積監測、表型研究到作物估產，多方面、多渠道指導農業生產活動［1-3］。在作物表型研究方面，科研工作者針對不同的農作物，采用不同的研究數據和研究方法，分析和估算葉綠素含量、氮含量、生物量等表型信息，評價農作物的長勢以及產量。葉綠素是植物進行光合作用的主要色素，是植物營養診斷和長勢監測的重要指標之一［4，5］。葉綠素相對含量（Soil and plant analyzer development，SPAD）與葉綠素含量關系密切，通過測定SPAD值可以較好地反映葉片葉綠素含量［6-8］。

在利用遙感數據估算SPAD值的研究中，以經驗模型的研究比較多［9-12］，陳曉凱等［13］利用低空無人機獲取的高光譜影像對冬小麥葉面積指數進行遙感估算，能夠準確地實現小區域的葉面積指數遙感填圖；田軍倉等［14］基于多光譜影像利用多種模型估算方法對番茄冠層SPAD值進行估算，估算效果顯著；有關SPAD值估算已經進行了大量的研究，主要集中在玉米、小麥、水稻和高粱等糧食作物［15-17］。邊立麗等［18］利用SPAD值進行烤煙氮素營養診斷，SPAD值為37.11～46.06，可作為烤煙團棵期和旺長期氮素營養診斷的指標，并能推薦氮肥的施用；尹航等［19］基于高光譜影像利用歸一化光譜指數，通過波段優化算法建立優化光譜指數和馬鈴薯關鍵生育期葉綠素含量的相關性和估算模型，對馬鈴薯SPAD值進行估算，最優波段分別為586、462 nm 和586、498 nm，在該波段范圍內利用光譜指數建立估算模型效果最好。

佛手瓜（Sechium edule）又名洋瓜、千金瓜、捧瓜、葵瓜等，是一種葫蘆瓜屬植物，果實、嫩莖葉、卷須和地下塊根均可做菜肴，在瓜類蔬菜中營養全面豐富，常食可以增強人體抵抗疾病的能力，是名副其實的無公害蔬菜，在貴州省石山區廣泛種植。將遙感技術應用于佛手瓜葉片SPAD值估算研究，通過無人機搭載多光譜相機獲取高精度多光譜影像，提取不同的植被指數，選取合適的植被指數作為模型建立的輸入變量，構建佛手瓜黃葉和綠葉葉片的SPAD值估算模型，并進行模型評價，進而評估佛手瓜長勢。

1 材料與方法

1.1 研究區概況

研究區位于貴州省惠水縣好花紅鎮弄苑村佛手瓜種植基地，該村人均占有耕地不足667 m2，是典型的深石山區，平均海拔1 100 m，年均降水量122～1 300 mm，屬于亞熱帶季風氣候區，佛手瓜作為當地的主要經濟產業，具有成熟的種植模式和種植規模。研究區位置如圖1 所示。

圖1 研究區位置

1.2 影像采集與預處理

采用垂直起降無人機搭載RedEdge-M 快照式多光譜相機，組成無人機多光譜影像采集系統，如圖2 所示，多光譜相機主要參數如表1 所示。數據采集時間為2022 年7 月6日，當日天氣晴朗、少云。航拍時間選在11：00—15：00，太陽光直射地面，航線設置高度為距離地面150 m，航拍面積約65 萬m2，航向重疊度和旁向重疊度均設置為75%，除此之外，在研究區內設置6 個控制點，均勻分布在研究區內道路交叉點、房屋拐點等位置。

圖2 無人機多光譜影像采集系統

利用Pix4D 軟件對獲取的無人機多光譜影像進行拼接處理，在處理的過程中，添加控制點的坐標進行校正，生成研究區不同波段的影像圖，基于灰板對5 個波段影像進行反射率校正，獲取研究區不同波段反射率影像（表1），公式如下［1］：

表1 RedEdge-M 光譜通道參數

式中，Ri為地面目標等i波段反射率；Di為地面目標等i波段DN值；Rbi為灰板等i波段反射率；Dbi為灰板等i波段DN值。

1.3 地面數據采集

無人機多光譜影像采集當日，利用手持式葉綠素儀（SPAD-502Plus）在研究區內選取10 個小樣區，每個樣區2 m×2 m，在每個樣區內采集10—14 個樣本數據，取平均值作為該樣區的SPAD值，共采集120個樣本的SPAD值。SPAD值樣本特征如表2所示。

表2 SPAD 值樣本特征統計

1.4 植被指數選取與計算

植被指數能夠很好地反映佛手瓜葉片及葉片生長情況，選取部分植被指數進行佛手瓜葉片SPAD值估算。每個植被指數的計算公式如表3 所示。

表3 植被指數公式匯總

1.5 模型構建方法及評價標準

1.5.1 估算模型建立 偏最小二乘法［24，25］（Partial least squares，PLS）是一種通過最小化誤差的平方和尋找一組數據最佳匹配函數的方法，在樣本點的數量比較少或小于自變量數目的情況下，同時實現相關性分析、主成分分析和多元線性回歸分析，建立具有良好效果的回歸模型。

1.5.2 模型評價標準 好的估算模型需要具有較低的均方差（RMSE）和較高的決定系數（R2），其中R2越大，RMSE越小，表明模型效果越好。此外，利用相對分析誤差（Relative prediction deviation，RPD）對模型預測能力進行評估。

2 結果與分析

2.1 SPAD 與植被指數相關性分析

計算得到10 個小區綠色葉片和黃色葉片的4 種植被指數，與每個小區相對映的實測SPAD值組成數據集，分別對黃色葉片和綠色葉片的SPAD值與植被指數進行相關性分析，結果如表4、表5 所示。

由表4 可知，在佛手瓜綠色葉片，NDVI、GNDVI、RVI和SPAD值均呈正相關關系，而CIre與SPAD值是負相關關系，相關系數為-0.73。NDVI、GNDVI、RVI的相關系數為0.66～0.92，其中，NDVI與SPAD值具有較高的相關性，相關系數達到0.92，GNDVI與NDVI之間也有較高的相關性，相關系數達到0.95，GNDVI與CIre和RVI具有較低的相關性，相關系數分別為0.14 和0.11。

表4 植被指數與綠葉SPAD 值的相關系數

由表5 可知，在佛手瓜黃色葉片，NDVI、GNDVI、RVI與SPAD值均呈正相關關系，CIre與SPAD值表現為負相關，相關系數為-0.56。NDVI與SPAD值的相關性最好，相關系數達到0.89，RVI與SPAD值的相關系數比較低，相關系數僅為0.37。

表5 植被指數與黃葉SPAD 值的相關系數

2.2 模型構建與評價

在模型建立過程中，將120 個樣本數據分為建模集和驗證集兩個部分，即90 個樣本作為建模集樣本，30 個樣本作為驗證集樣本。利用PLS 建立佛手瓜綠色和黃色葉片SPAD值反演模型，建立的估算模型和驗證結果如表6 所示。建立基于PLS的SPAD估算模型預測值與實測值的關系如圖3 所示。

圖3 基于PLS的SPAD 值估算模型預測值與實測值的關系

基于SPAD值與植被指數相關性分析結果，選擇NDVI分別建立佛手瓜綠色和黃色葉片RF 與PLS模型。從表6 中可以看出，不同方法對相同葉片估算的SPAD值不同，同一方法建立不同葉片SPAD值的反演效果存在差異。在利用PLS 模型估算葉片SPAD值時，建立的綠色葉片模型中建模集R2為0.880，驗證集R2為0.814，均高于黃色葉片建模集和驗證集的R2；綠色葉片建模集和驗證集的RMSE分別為1.04 和1.12，比黃色葉片的建模集和驗證集RMSE低0.19 和0.04，差別不是很大；綠色葉片RPD為1.11，黃色葉片RPD為1.08，說明PLS 模型對綠色葉片SPAD值的預測能力高于黃色葉片。在利用RF模型估算葉片SPAD值時，建立的綠色葉片模型中建模集R2為0.703，驗證集R2為0.554，均高于黃色葉片建模集和驗證集的R2；綠色葉片建模集和驗證集的RMSE分別為1.11 和1.02，與黃色葉片的建模集和驗證集RMSE差別不是很大；綠色葉片RPD為1.08，黃色葉片RPD為1.01，說明RF 模型對綠色葉片SPAD值的預測能力高于黃色葉片（圖4），從建模方法來看，PLS 模型對佛手瓜不同顏色葉片SPAD值估算精度要比RF 模型高一些，但這兩種方法對佛手瓜SPAD值的估算效果都只是粗略估計。

圖4 基于RF的SPAD 值估算模型預測值與實測值的關系

表6 PLS 估算模型和驗證結果

3 討論

本研究基于無人機多光譜影像提取的4 種植被指數，通過分析植被指數與佛手瓜葉片SPAD值相關性，利用PLS、RF 方法分別建立綠色和黃色葉片SPAD值估算模型。

佛手瓜綠色和黃色葉片的SPAD值PLS 估算模型均優于RF 模型，在其他作物SPAD值估算中PLS方法不一定是最優的，需要根據作物的實際表現形式進行選擇；紅邊葉綠素指數（CIre）與SPAD值的相關系數有些異常，呈負相關，在佛手瓜葉片SPAD值估算中，可能受到外界環境的影響，無法很好地表征SPAD值變化情況。

4 結論

1）佛手瓜葉片寬大，采集綠色和黃色葉片的SPAD值，綠色葉片的SPAD值和變異系數均比黃色葉片的高，標準差則相反。

2）本研究選取的4種植被指數中，NDVI、GNDVI、RVI、CIre與SAPD均顯著相關，其中，NDVI、GNDVI、RVI與SPAD值呈現出較強且穩定的正相關，在佛手瓜綠色和黃色葉片中相關系數都較高；NDVI表現突出，相關系數均達到0.85 以上。

3）建立佛手瓜綠色和黃色葉片SPAD值估算模型，PLS 模型綠色和黃色葉片驗證集R2分別為0.814、0.660，RMSE分別為1.12、1.16，RPD分別為1.11、1.08，RF 模型綠色和黃色葉片驗證集R2分別為0.554、0.486，RMSE分別為1.02、1.06，RPD分別為1.08、1.01，PLS 在進行佛手瓜葉片SPAD值估算過程中，估算效果優于RF 模型，綠色葉片估算效果高于黃色葉片。