大豆冠層葉片氮含量檢測研究
--基于無人機多光譜圖像

康 愷,張 偉,賀 燕,亓立強,張 平

(黑龍江八一農(nóng)墾大學(xué) a.工程學(xué)院;b.理學(xué)院,黑龍江 大慶 163000)

0 引言

氮素在大豆的生長全過程具有極其重要的作用[1]。氮肥施入不足,會影響大豆植株的生長;施入過量,則會造成面源污染[2]。化學(xué)分析測量氮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(xiàn)對大面積作物的快速測量[3]。因此,快速、準(zhǔn)確地估測氮素在大豆田間的分布狀況對實現(xiàn)大豆田間智能管理非常重要[4]。

國內(nèi)外學(xué)者對無人機遙感在作物氮含量估測方面的應(yīng)用進(jìn)行了廣泛研究。Lucas等[5]研究了基于無人機遙感的多種植被指數(shù)與單個光譜相結(jié)合的玉米氮含量模型,回歸系數(shù)達(dá)到了0.83,為玉米精準(zhǔn)施肥作業(yè)提供了理論依據(jù)。雖然多種植被指數(shù)相結(jié)合可以有效地提高模型的精度,但植被指數(shù)是以兩種及以上的單一光譜相結(jié)合的方式構(gòu)建的,只利用多種植被指數(shù)與單個光譜建模存在一定的偶然性。SWAIN等[6]獲取了5種不同氮素水平下水稻的無人機遙感圖像,通過統(tǒng)計分析發(fā)現(xiàn)在幼穗分化期的5種不同氮素水平下的NDVI與水稻總生物量的回歸系數(shù)達(dá)到0.87。劉昌華等[7]在冬小麥關(guān)鍵生育期,以無人機為載體獲取多光譜圖像,利用選取最優(yōu)光譜變量相組合的方式提供了冬小麥氮素營養(yǎng)快速、有效診斷手段,模型回歸系數(shù)達(dá)到0.85。秦占飛等[8]通過無人機搭載高光譜相機獲取高光譜數(shù)據(jù),以RVI為光譜變量進(jìn)行模型建立,模型檢驗R2為0.673,均方根誤差為0.329,并提出了對水稻葉片含氮量進(jìn)行估算的方法。這3種方法都是通過選擇最優(yōu)的光譜變量進(jìn)行模型構(gòu)建,雖然模型具有較高的精度,但單光譜變量建模存在一定的飽和度。綜上所述,以上研究均是通過無人機遙感圖像提取的特征參數(shù)與表征作物氮含量的生理指標(biāo)的相關(guān)關(guān)系進(jìn)行診斷農(nóng)作物營養(yǎng)狀況,航空及以上大尺度光譜監(jiān)測則隨著作物種類、種植模式、區(qū)域條件的不同,氮素光譜監(jiān)測參數(shù)也有較大差異[9];而深入田間獲取作物的葉片、植株等的氮含量指標(biāo)費時費力,且采樣具有一定主觀性,所建模型精度有待提高[10]。因此,基于無人機影像的氮素模型精度尚需進(jìn)一步的探索[11]。

為此,以黑河地區(qū)3個關(guān)鍵生育時期主栽大豆品種為研究對象,利用無人機獲取遙感數(shù)據(jù)構(gòu)建多種植被指數(shù)與田間實測氮素含量進(jìn)行相關(guān)性分析,并基于一元線性和逐步回歸方法,建立大豆冠層 LNC估測模型,旨在為大豆關(guān)鍵生育期精準(zhǔn)施肥提供數(shù)據(jù)支撐。

1 材料與方法

1.1 研究區(qū)與試驗田概況

試驗地點位于黑龍江省黑河市九三管局尖山農(nóng)場科技園區(qū)試驗基地(125°19′53″E,48°46′55″N),如圖1所示。試驗區(qū)為大豆育種品系比較試驗區(qū),試驗小區(qū)按照種植密度進(jìn)行設(shè)計,品種均為適宜黑龍江第四積溫帶及內(nèi)蒙古呼倫貝爾≥10℃活動積溫2200℃以上地區(qū)的主栽品種,具有抗性強、產(chǎn)量穩(wěn)的優(yōu)勢。選取的品種分別為龍墾3401、黑河43和龍墾310共計3種;試驗區(qū)域設(shè)置5種種植密度分別為38.5、35、31.5、29.75、28萬株/hm2,小區(qū)采用“壟上三行”的種植方式,壟長20m,壟寬110 cm,重復(fù)種植3壟,計為一個小區(qū),共計20個小區(qū)。

圖1 實驗區(qū)位置示意圖Fig.1 Location of experimental area

1.2 葉片氮含量測定

2021年選取大豆始花期(R1)、始莢期(R3) 、始粒期(R5) 共3個關(guān)鍵生育時期,獲取大豆試驗田的無人機多光譜圖像數(shù)據(jù)及每個小區(qū)的大豆冠層葉片氮含量。分別在每塊試驗小區(qū)選取具有代表性的大豆上層葉片作為樣本帶回實驗室,對葉片稱鮮質(zhì)量;在105 ℃下殺青0.5h,然后將所有葉片樣品在80℃條件下烘干48h以上,直至衡質(zhì)量再稱干質(zhì)量;最后對所有葉片樣本烘干,樣品研磨粉碎后采用凱氏定氮法[12]進(jìn)行大豆冠層LNC的測定工作。

1.3 多光譜影像獲取與預(yù)處理

分別于7月17-22日、7月25-30日、8月6-11日展開無人機成像多光譜數(shù)據(jù)觀測。使用的遙感平臺為電動四旋翼無人機大疆精靈4多光譜版(簡稱精靈4)。多光譜相機包含藍(lán)(B)450±16nm、綠(G)560±16nm、紅(R)650±16nm、紅邊(RE)730±16nm和近紅外(NIR)840±26nm,共5個光譜波段。該無人機遙感平臺可按預(yù)先規(guī)劃好的飛行路線程控自動飛行,可在數(shù)據(jù)采集點實現(xiàn)定高自動拍攝,通過圖像傳輸模塊傳回相機圖像來掌握航拍的狀態(tài)。多光譜影像的采集于10:00-14:00在田間上空進(jìn)行,飛行時天氣晴朗無云、風(fēng)力較小,以盡量減少光源對拍攝數(shù)據(jù)的影響。設(shè)定自動航線的航向重疊率為85 %,旁向重疊率為70%,飛行高度30m,設(shè)置為等時間間隔自動拍攝,時間間隔為1s;飛行時間約為16min,單次飛行獲取影像約2700 幅。使用大疆智圖軟件對多光譜影像進(jìn)行輻射校正、大氣校正、影像拼接等處理;通過ArcGIS軟件得到覆蓋完整試驗田的多光譜影像(見圖1),影像空間分辨率為2.3cm。

1.4 多種植被指數(shù)構(gòu)建及數(shù)據(jù)集劃分

植被指數(shù)是兩種以上植被敏感波段的組合,可以突出顯示植被特征(冠層生 物量、輻射吸收量、葉綠素含量等)。根據(jù)前人研究及相關(guān)資料選取了與氮相關(guān)的9個植被指數(shù)(見表1)和5個波段反射率,共計14個光譜變量對大豆冠層LNC進(jìn)行估測。

表1 本研究使用的光譜指數(shù)Table 1 The spectral index used in this study

1.5 數(shù)據(jù)分析方法

1.5.1 逐步回歸

逐步回歸分析是多元回歸分析中的一種方法,用來研究多個變量之間的相互依賴關(guān)系,逐個引入顯著性變量,剔除不顯著性變量,以期獲得最優(yōu)或者合適的回歸模型。回歸分析具有簡單易行,所得的回歸方程變量較少,并保留了影響最顯著的重要變量的優(yōu)點[18]。本研究基于回歸模型的顯著性水平和回歸模型回歸參數(shù)的顯著性水平相結(jié)合的準(zhǔn)則,達(dá)到刪除或增加自變量的目的,從而建立最優(yōu)回歸模型來估測大豆LNC,即

Yk=b0+b1X1+b2X2+……+bkXk

(1)

其中,Y為目標(biāo)變量(因變量);X為多光譜影像變量(自變量);b0～bk為常數(shù)項;k為潛在變量個數(shù)。

1.5.2 建模方法

首先,將選取的多光譜影像變量和實測LNC進(jìn)行相關(guān)性分析,得到其相關(guān)關(guān)系;其次,選取相關(guān)性較高的光譜變量利用逐步回歸分析方法,隨機選取80% 樣本數(shù)據(jù)作為估算數(shù)據(jù)集,構(gòu)建大豆 LNC估測模型,利用剩余20% 樣本數(shù)據(jù)作為驗證數(shù)據(jù)集,進(jìn)行模型估測能力的檢驗。

1.5.3 評價指標(biāo)

選取決定系數(shù)R2和均方根誤差(Root Mean Square Error,RMSE)作為評價模型精度的標(biāo)準(zhǔn)。建模模型和驗證模型的R2越大,相應(yīng)的RMSE越小,則模型精準(zhǔn)度越高,即

(2)

(3)

2 結(jié)果與分析

2.1 光譜數(shù)據(jù)與LNC相關(guān)性分析

利用不同種植密度下大豆3個主要生育期(R1、R3、R5)提取的光譜變量所對應(yīng)的數(shù)值與實測 LNC數(shù)據(jù)進(jìn)行相關(guān)性分析,3個生育期樣本各45個。基于無人機多光譜影像數(shù)據(jù),選取長勢均勻的區(qū)域數(shù)據(jù)來構(gòu)建 LNC 估算模型,通過多光譜影像多個單波段反射率結(jié)合提取的9個影像的光譜指數(shù)并與相對應(yīng)的實測小區(qū)氮含量數(shù)據(jù)組成樣本數(shù)據(jù)集。其中,每個生育期隨機選取 80% 樣本數(shù)據(jù)構(gòu)建估算模型訓(xùn)練集,20% 樣本數(shù)據(jù)構(gòu)建測試集。

2.2 大豆生育期LNC最佳估測模型LNC預(yù)測值

在上述分析的基礎(chǔ)上,按照光譜變量與LNC相關(guān)系數(shù)的大小排序,將排序的12個光譜變量依次減少光譜變量的個數(shù)作為輸入因子,進(jìn)行后向逐步回歸分析,建立 LNC估測模型,并計算模型的調(diào)整決定系數(shù)R2。綜合考慮逐步回歸分析模型的評價指標(biāo)和簡單實用性,將模型建立的調(diào)整R2和變量個數(shù)進(jìn)行綜合分析。由此可以發(fā)現(xiàn):在龍墾3401-R1期選擇 3 個光譜變量,所建模型R2最高,說明在龍墾3401-R1選擇相關(guān)性前三的光譜指數(shù)作為自變量時所建模型效果最好;同理,黑河43-R1、龍墾310-R1、龍墾3401-R3、黑河43-R3、龍墾310-R3、龍墾3401-R5、黑河43-R5、龍墾310-R5分別選擇 4、3、4、3、4、3、3、2個光譜變量建模的R2最高,所建模型效果最好。在不同生育期選用不同數(shù)量的光譜變量建立模型,進(jìn)行大豆 LNC 估測。3 個時期所建模型如表2～表4所示。

表2 始花期(R1)不同品種LNC逐步回歸分析結(jié)果Table 2 Progressive regression analysis results of different LNC varieties at the initial flowering period (R1)

表3 始莢期(R3)不同品種LNC逐步回歸分析結(jié)果Table 3 Results of LNC gradual regression analysis of different varieties in the initial pod period(R3)

表4 始粒期(R5)不同品種LNC逐步回歸分析結(jié)果Table 4 Results of stepwise regression analysis of different LNC in starting grain period (R5)

R1時期,龍墾3401包括 3 個光譜變量,構(gòu)建的逐步回歸模型的R2和RMSE分別為 0.857、0.133,經(jīng)驗證數(shù)據(jù)驗證的R2和RMSE分別為0.872、0.167;黑河43包括4個光譜變量,構(gòu)建的逐步回歸模型的R2和RMSE分別為0.845、0.156,經(jīng)驗證數(shù)據(jù)驗證的R2和RMSE分別為0.8685、0.153;龍墾310包括3個光譜變量,構(gòu)建的逐步回歸模型的R2和RMSE分別為0.821、0.187,經(jīng)驗證數(shù)據(jù)驗證的R2和RMSE分別為0.835、0.139;

R3時期,龍墾3401包括4個光譜變量,構(gòu)建的逐步回歸模型的R2和RMSE分別為0.831、0.204,經(jīng)驗證數(shù)據(jù)驗證的R2和RMSE分別為0.858、0.104;黑河43包括3個光譜變量,構(gòu)建的逐步回歸模型的R2和RMSE分別為0.881、0.113,經(jīng)驗證數(shù)據(jù)驗證的R2和RMSE分別為0.891、0.089;龍墾310包括4個光譜變量,構(gòu)建的逐步回歸模型的R2和RMSE分別為0.849、0.162,經(jīng)驗證數(shù)據(jù)驗證的R2和RMSE分別為0.869、0.159。

R5時期,龍墾3401包括3個光譜變量,構(gòu)建的逐步回歸模型的R2和RMSE分別為0.845、0.208,經(jīng)驗證數(shù)據(jù)驗證的R2和RMSE分別為0.848、0.207;黑河43包括3個光譜變量,構(gòu)建的逐步回歸模型的R2和RMSE分別為0.814、0.215,經(jīng)驗證數(shù)據(jù)驗證的R2和RMSE分別為0.830、0.189;龍墾310包括4個光譜變量,構(gòu)建的逐步回歸模型的R2和RMSE分別為0.836、0.211,經(jīng)驗證數(shù)據(jù)驗證的R2和RMSE分別為0.863、0.139。由此表明,模型具有較高的精度和穩(wěn)定性。

LNC模型實測值與預(yù)測值的關(guān)系如圖2所示。

圖2 驗證LNC模型實測值與預(yù)測值的關(guān)系Fig.2 Verifies the relationship between the measured and predicted values of the LNC model

3 結(jié)論

1)經(jīng)過逐步回歸分析,篩選出各生育期 LNC 模型最優(yōu)光譜變量,結(jié)果如下:龍墾3401-R1期為NDVI、OSAVI、NDRE;黑河43-R1期為 GNDVI、NDVI、OSAVI、NDRE;龍墾310-R1期為NDRE、NDVI、RVI;龍墾3401-R3期為NDRE、NDVI、OSAVI、LCI;黑河43-R3期為OSAVI、NDVI、GNDVI;黑河43-R3期為OSAVI、NDVI、GNDVI;龍墾310-R3期為NDVI、RDVI、RED、RVI;龍墾3401-R5期為LCI、RDVI、NDRE;黑河43-R5期為NDVI、OSAVI、LCI;龍墾310-R5期為NDVI、OSAVI。

2)基于光譜指數(shù)建立植被生理生化參數(shù)反演模型的研究中仍有一些問題有待解決,如本研究及大多數(shù)學(xué)者的研究多以單一植被的單一生長期為試驗對象,將其研究結(jié)果應(yīng)用于植被整個生長期的可行性還需進(jìn)一步考察。因此,如何將單個時期與整個生長期的氮素反演模型通用并達(dá)到較高的模擬性能和精度仍需更深入的研究與實踐。

3)利用無人機多光譜遙感數(shù)據(jù)結(jié)合逐步回歸分析方法選取敏感光譜變量進(jìn)行建模,可以較好地監(jiān)測大豆中 LNC 的空間分布。