基于無人機多光譜遙感的苧麻葉綠素含量反演

岳云開，陳建福，趙亮，焦鑫偉，許明志，付虹雨，廖澳，崔國賢，佘瑋

(湖南農業大學苧麻研究所，湖南 長沙 410128)

苧麻(Boehmeria niveaL.)為蕁麻科(Urticaceae)苧麻屬(Boehmeria) 的多年生草本纖維植物[1]，在我國紡織業中占有重要地位[2]。 苧麻中含有豐富的營養成分，是優質的植物蛋白飼料來源[3]；葉和根中富含綠原酸和多酚等活性成分，具有止血、安胎、抗病毒等藥用功效[4]；葉中還含有豐富的葉綠素，是一種天然可食用色素，民間常將其用于食品調色[5]。 因此，苧麻不斷地被開發和利用。

葉綠素是植物葉片中的主要光合色素，其含量可以直接反映植物的光合作用強弱和健康狀況，是評價植物生長狀況的重要指標，與作物的產量及品質密切相關[6，7]。 因此，及時準確監測葉綠素含量對于苧麻生產管理十分重要。 傳統的葉綠素監測方法具有破壞性大、操作繁瑣、效率低、費時費力等缺陷，不能及時反饋作物的生長狀況。近年來，無人機遙感技術快速發展，并在作物生長監測、營養狀況診斷等方面廣泛應用[8]，也為作物葉綠素監測提供了新的方法。 如陳浩等[9]利用無人機多光譜遙感對不同施肥處理下的夏玉米冠層葉綠素進行估測，然后基于線性回歸和逐步回歸，建立了夏玉米冠層葉綠素含量遙感監測模型；周敏姑等[10]利用無人機多光譜遙感5 個波段光譜反射率反演冬小麥SPAD 值，經對比分析發現基于逐步回歸法構建的模型效果最優，決定系數為0.77；Narmilan 等[11]利用無人機多光譜，并基于MLR、RF、DT、SVR、XGB、KNN 和ANN 等機器學習算法，預測甘蔗冠層葉綠素含量，結果表明所有模型反演效果均較好，其中隨機森林(RF)回歸模型的決定系數高達0.99。 可見，利用無人機遙感反演作物葉綠素含量是可行的。

本研究以四個生長時期的苧麻為研究對象，利用無人機多光譜圖像構建多種植被指數，通過對葉綠素含量和植被指數的相關性分析，采用傳統回歸和隨機森林回歸方法建立了苧麻葉綠素含量的遙感估算模型，經分析評價后確定最佳反演模型以實現苧麻葉片葉綠素含量的動態監測。

1 材料與方法

1.1 試驗區概況

試驗區位于湖南省長沙市芙蓉區湖南農業大學耘園教學基地(28°11′01.981″N，113°04′10.159″E)。該區域屬典型的亞熱帶季風性濕潤氣候，降水充沛，光熱條件良好，是苧麻的主產區之一。 試驗區地勢平坦，無遮擋物，為無人機作業提供了良好的條件。 試驗區共種植27 個苧麻品種，每個品種一個小區，重復3 次，共81 個小區；小區面積2.0 m×1.8 m，2 行×4 蔸，蔸間距為0.4 m，行間距為0.6 m，排水溝寬0.5 m。 苧麻材料于2017 年12月育苗移栽，2018 年6 月破桿。 試驗區土壤肥沃且成分均一，灌溉排水便捷，田間水肥管理一致。

1.2 數據獲取

1.2.1 無人機遙感影像獲取 利用大疆精靈Phantom 4 多光譜版無人機搭載多光譜遙感設備獲取苧麻冠層影像。 該無人機采用厘米級定位系統，并將飛控、相機與RTK 的時鐘系統進行微秒級同步；無人機搭載一臺多光譜傳感器，該傳感器集成了1 個可見光相機及5 個多光譜相機(藍光、綠光、紅光、紅邊和近紅外)，所有相機均擁有200萬像素解析力，拍攝照片的最大分辨率為1 600×1 300。

于2022 年3—5 月苧麻每個生育期采集一次數據。 為保證無人機影像的穩定性和可靠性，每次飛行選擇在晴朗無風天氣的10—12 時進行。 無人機遙感系統在距離地面20 m 的高度搭配-90°云臺俯仰角進行拍攝，飛行速度為2 m/s，航向及旁向重疊度均為75%。 各時期飛行任務的拍攝參數、航線規劃一致，在飛行任務執行前設置完成。 將采集的影像導入大疆智圖軟件進行拼接，經輻射校正后獲取試驗區域的反射率影像，再通過無人機一體化圖像分析系統PhenoAI air 軟件進行植被指數及反射率的提取。

1.2.2 葉綠素含量測定 參照張憲政[12]的方法進行。 取苧麻植株頂部倒數第6 ～7 葉，去除葉脈后剪碎、混勻，稱取0.1 g 裝入10 mL 離心管中，重復3 次，分別加入提取液(95.5%丙酮＋無水乙醇，體積比為1∶1)10 mL，充分搖勻后用黑色塑料袋遮蓋并避光保存48 h，直至葉片完全變白，然后用紫外分光光度計在663、652、645 nm 波長下測定吸光度，并按下列公式計算葉綠素a、葉綠素b 含量及葉綠素總含量。

葉綠素a 含量(mg/L)＝(12.7D663-2.69D645)V/(1000W) ；

葉綠素b 含量(mg/L)＝(22.9D645-4.68D663)V/(1000W) ；

葉綠素總含量(mg/L)＝D652V/(34.5W) 。式中D663、D652、D645分別為相應波長下的光密度值，V 為提取液體積，W 為葉片鮮重。 整個生育期苧麻葉片葉綠素含量的箱線圖如圖1 所示。

圖1 各生育時期苧麻葉片葉綠素總含量的箱線圖

1.3 植被指數選取

依據已有的多光譜植被指數，結合葉綠素吸收光譜的特性，并通過與實測葉綠素含量進行相關性分析，選擇相關系數較高的7 種植被指數進行建模，分別為歸一化植被指數(NDVI)、綠色歸一化植被指數(GNDVI)、歸一化差異紅色邊緣植被指數(NDRE)、改進簡單比值植被指數(MSR)、比值植被指數(RVI)、寬范圍動態植被指數(WDRVI)、土壤調節植被指數(OSAVI)，如表1所示。

表1 植被指數及計算公式

1.4 模型構建與評價

本研究基于7 種植被指數分別使用一元線性回歸、多元線性回歸和隨機森林回歸構建不同生育時期苧麻葉綠素含量反演模型。 一元線性回歸模型的構建使用SPSS 軟件，其方程為y ＝ax＋b，式中，y 代表葉綠素含量，x 代表植被指數。 多元線性回歸模型的構建也使用SPSS 軟件，其方程為y ＝a1x1＋a2x2＋...＋anxn＋b，式中x1、x2...xn代表不同植被指數。 隨機森林回歸模型的構建使用Matlab軟件，首先從全部自變量集合里有放回地隨機抽取m 個樣本數據集，在所有特征變量中選擇K 個特征變量，然后選擇最佳分割特征變量作為節點構建CART 樹，并重復T 次，即組建了T 棵決策樹，最終每個決策樹結果的平均作為隨機森林回歸模型的結果。

隨機選取70%樣本作為建模集，用于構建葉綠素含量反演模型，30%樣本作為驗證集，用于模型評價。 為評估不同模型的估算精度，本研究以決定系數(R2)、均方根誤差(RMSE)作為評價指標。 通常R2越接近于1、RMSE 越小，說明模型估算能力越好。

式中:yi為葉綠素含量實測值，為葉綠素含量預測值，為葉綠素含量平均值，n 為樣本數。

2 結果與分析

2.1 植被指數與葉綠素含量的相關性分析

對不同生育期獲取的植被指數與葉綠素含量進行相關性分析，結果(表2)顯示，全生育期內，葉綠素與7 種植被指數之間的相關性均達到顯著或極顯著水平，苗期、封行期、旺長期、成熟期葉綠素與植被指數的相關性范圍分別為0.723～0.798、0.629 ～0.761、0.391 ～0.818、0.731 ～0.794。 其中，NDVI 在苗期、封行期、成熟期與葉綠素含量具有最高相關系數，分別達到0.798、0.761、0.794；NDRE與葉綠素在旺長期最相關(相關系數為0.818)。因此，所選植被指數可用于葉綠素含量反演模型的構建。

表2 植被指數與葉綠素含量的相關系數

2.2 基于傳統線性回歸的苧麻葉綠素含量反演

根據葉綠素含量與植被指數相關性分析的結果，以上述7 種植被指數作為自變量、葉綠素含量作為因變量，分別建立不同生育時期的一元線性回歸模型和多元線性回歸模型，結果如表3 所示。所有線性回歸模型的顯著性均達到0.01 極顯著水平，說明各模型的擬合性均較好。 不同生育時期、不同建模方法的反演效果存在差異，總體上多元線性回歸模型的效果好于一元線性回歸模型，且以封行期的反演效果最佳，建模集和驗證集的R2分別為0.667 和0.752。 各時期基于多元線性回歸模型的實測值與預測值間擬合關系如圖2所示。

表3 葉綠素含量與植被指數線性回歸模型

圖2 基于多元線性回歸的葉綠素估算模型預測值和實測值的關系

2.3 基于隨機森林模型的苧麻葉綠素含量反演

根據葉綠素含量與植被指數相關性分析的結果，選擇NDVI、GNDVI、RVI、OSAVI、NDRE、MSR、WDRVI 這7 種植被指數，采用隨機森林算法，分別建立苗期、封行期、旺長期、成熟期的葉綠素含量反演模型，并利用驗證集數據對模型精度進行驗證，由表4 可以看出，不同生育時期隨機森林模型反演效果也存在差異，苗期和封行期決定系數較小，反演效果較差；旺長期的建模效果最好，建模集R2為0.969，RMSE 為0.031；成熟期的反演效果最好，驗證集R2為0.892，RMSE 為0.116，且建模效果也較好，建模集R2為0.949，RMSE 為0.045。 基于隨機森林模型的苧麻葉綠素含量預測值與實測值間的關系如圖3 所示。

表4 葉綠素含量與植被指數隨機森林模型的評價結果

圖3 基于隨機森林模型的葉綠素預測值與實測值的關系

綜上所述，與傳統的線性回歸模型相比，基于隨機森林算法構建的模型預測效果在各生育時期均有大幅提升，總體以成熟期的反演效果最好，建模集和驗證集的R2分別為0.949 和0.892，因此最終選用成熟期的隨機森林模型用于苧麻葉綠素含量反演。

3 討論與結論

本研究基于無人機獲取的苧麻苗期、封行期、旺長期和成熟期多光譜遙感影像，結合實測葉綠素含量，選取7 種植被指數，分別利用一元線性回歸、多元線性回歸和隨機森林算法建立了苧麻葉片葉綠素含量反演模型，研究利用多光譜遙感估測苧麻葉綠素含量的可行性。 相關性分析結果表明7 種植被指數均與各時期葉綠素含量顯著或極顯著相關，與陳鵬[14]、Cao[18]等的研究結果一致，可用于后續模型構建。 經對比分析，多元線性回歸模型的反演效果明顯好于一元線性回歸，而基于隨機森林機器學習構建模型的葉綠素預測效果最好，以成熟期的反演效果最佳，建模集和驗證集的R2分別為0.949 和0.892，RMSE 分別為0.045 和0.116。 這主要是因為隨機森林模型有很好的抗噪聲能力且不容易過度擬合，使得模型精度較高[20-22]。

無人機多光譜遙感技術為監測苧麻葉綠素含量提供了一種實用、高效、低成本、無損的方法，通過結合機器學習技術，能夠較精準反演苧麻葉綠素含量，可以作為苧麻生長過程中葉片葉綠素含量監測的有效手段。

雖然本研究建立的隨機森林模型對苧麻葉綠素含量反演效果較好，但目前對葉綠素的跨期預測模型還沒有深入研究，且模型的普適性也需要進一步驗證，在下一步研究中將對模型進行優化，嘗試機器學習與深度學習的對比研究，以探索出普適性強、預測精度更高的苧麻葉綠素含量反演模型。