王云將，費 騰*

（1.武漢大學(xué) 資源與環(huán)境科學(xué)學(xué)院，湖北 武漢 430079）

葉綠素作為植物光合作用中最重要的色素，其含量與農(nóng)作物健康狀況、營養(yǎng)元素含量、最終產(chǎn)量等有著極為密切的關(guān)系，是評價茶樹等農(nóng)作物長勢的重要指標(biāo)[1-3]，且茶樹中的葉綠素含量會顯著影響茶湯的顏色[4-5]。因此，利用高光譜數(shù)據(jù)建立估計葉綠素含量的模型是當(dāng)下農(nóng)業(yè)遙感的研究課題之一。根據(jù)高光譜反射率與植物葉綠素含量之間的響應(yīng)關(guān)系，可通過回歸方程或建立模型的方式估測葉綠素含量[6]。近年來，無人機(jī)遙感以其機(jī)動靈活、操作簡便、時空分辨率高等優(yōu)勢而逐漸成為農(nóng)情監(jiān)測的又一重要手段，但目前農(nóng)業(yè)無人機(jī)遙感多以普通數(shù)碼相機(jī)和農(nóng)業(yè)多光譜相機(jī)為主要傳感器，獲取的影像數(shù)據(jù)波段少、光譜信息有限[7-16]。

本文以華中農(nóng)業(yè)大學(xué)茶園具有代表性的8種茶樹為研究目標(biāo)，使用搭載于無人機(jī)平臺上的新型高光譜成像光譜儀UHD185獲取茶樹的冠層高光譜數(shù)據(jù)。UHD185具有全畫幅、非掃描、實時成像的特點，以及革命性的全畫幅高光譜成像技術(shù)，實現(xiàn)了快速光譜成像而無需掃描成像，能提供無偽影的清晰高光譜成像。

1 數(shù)據(jù)來源與處理

1.1 研究區(qū)概況

本文實驗區(qū)為湖北省武漢市華中農(nóng)業(yè)大學(xué)茶園的一部分，毗鄰南湖，包含8種茶樹品種，分別為臺茶12號、福安大白、烏牛早、迎霜、福鼎大白、鐵觀音、黃旦和梅占。

1.2 光譜儀與搭載平臺

高光譜影像的獲取采用德國的Cubert Gmbh公司研發(fā)的Cubert UHD185型成像光譜儀。該光譜儀能在1/1 000 s內(nèi)得到450～950 nm波長范圍的138個波段，且無需IMU和后期數(shù)據(jù)校正。UHD185的優(yōu)點為：① 可見—近紅外波段全幅畫高光譜成像；②極短的積分時間，無運動偽影；③可通過WiFi遠(yuǎn)程控制所有參數(shù)；④地面站可實時預(yù)覽光譜；⑤開源代碼，易于系統(tǒng)集成。UHD185的主要特征參數(shù)為：光譜范圍是450～998 nm，光譜分辨率為4 nm，視場角為30°，波段數(shù)為138個，實時顯示，機(jī)身質(zhì)量為470 g。搭載機(jī)型為小型八旋翼無人機(jī)DJIS1000+，采用V型8旋翼設(shè)計，在提供充裕動力的同時也做到了動力冗余，配合DJI飛控使用時，即使某一軸意外停止工作也能最大幅度地保證無人機(jī)處于穩(wěn)定狀態(tài)。

1.3 數(shù)據(jù)獲取與處理

1.3.1 光譜數(shù)據(jù)獲取

在天空云少、風(fēng)力較小的條件下采集光譜數(shù)據(jù)，采集時間為11:55～12:40，這是為了減少太陽高度角的影響。無人機(jī)飛行高度為30 m，鏡頭垂直向下，視場角為30°，地面分辨率為4.5 cm。一共設(shè)計了4條航線，每條航線來回各飛一次，如圖1所示。采集的光譜數(shù)據(jù)缺乏坐標(biāo)，而在葉綠素定量反演時需對采集樣本進(jìn)行定位，但GPS的精度相對較低，不能滿足茶葉樣本的定位精度，因此對每條航線進(jìn)行標(biāo)記，將標(biāo)記彩紙固定在航線上，每隔一行標(biāo)記一次。

1.3.2 茶葉葉綠素含量測定

圖1 無人機(jī)航線設(shè)計

實驗采用SPAD-502葉綠素儀對茶樹冠層鮮葉葉綠素含量進(jìn)行測定，一共采集85個樣本的葉綠素值，采樣點選擇范圍是以每行茶樹距標(biāo)記點2 m處為中心，半徑約為0.15 m的圓形，采集冠層上層8～16片葉子的中部葉綠素值并取其平均值作為該樣本的葉綠素實測值。隨機(jī)抽取其中的65個樣本作為建模樣本，20個作為模型的驗證樣本。

1.3.3 影像數(shù)據(jù)處理

數(shù)據(jù)采用Cube自帶的軟件融合導(dǎo)出，并通過格式轉(zhuǎn)換在Agisoft PhotoScan軟件上進(jìn)行影像拼接，拼接按照線路進(jìn)行。根據(jù)標(biāo)記點識別葉綠素采樣點，并在采樣點內(nèi)創(chuàng)建ROI區(qū)域，以ROI區(qū)域內(nèi)的平均反射率光譜值作為該采樣點的茶樹冠層反射率光譜，得到對應(yīng)的85個采樣點的光譜反射率數(shù)據(jù)。

1.4 波譜數(shù)據(jù)預(yù)處理

為了充分利用光譜信息進(jìn)行建模，消除噪聲等無關(guān)的影響信息，需對得到的85個高光譜數(shù)據(jù)進(jìn)行預(yù)處理。本文在Matlab軟件上先后對光譜數(shù)據(jù)進(jìn)行波譜剔除、一階導(dǎo)數(shù)處理和標(biāo)準(zhǔn)化處理。波譜剔除主要是剔除噪聲大的波段，原始波譜曲線（圖2）在首尾兩端呈現(xiàn)較為顯著的噪聲干擾，因此本文剔除了波段1和波段127～138，剔除結(jié)果的光譜特征較之前更為明顯；一 階導(dǎo)數(shù)處理可有效消除基線漂移和儀器背景的影響，同時可凸顯一些光譜細(xì)節(jié)特征；標(biāo)準(zhǔn)化處理也稱標(biāo)準(zhǔn)正太變量變換，是通過反射光譜數(shù)據(jù)集中各元素與元素所在列的平均值之差，除以該列元素的標(biāo)準(zhǔn)差來消除表面散射、光程變換以及基線平移對反射光譜的影響[17]。

圖2 原始波譜曲線

1.5 模型的選擇與建立

建立葉綠素反演模型的方法有很多，傳統(tǒng)的回歸分析模型主要是利用地物在不同波段的反射率數(shù)據(jù)進(jìn)行線性或非線性組合計算，得到各種光譜參數(shù)（MCARI、GNDVI等），這些光譜參數(shù)可減少背景信息對地物光譜特征的影響[18-19]。而本文依據(jù)UHD光譜數(shù)據(jù)的特點，采用了偏最小二乘法回歸（PLSR）、向前逐步回歸結(jié)合PLSR和支持向量機(jī)（SVM）非線性回歸方法來估算葉綠素含量。模型建立后，利用相關(guān)系數(shù)（R2）、相對誤差（RE）和均方根誤差（RMSE）對模型精度進(jìn)行評價。

2 實驗結(jié)果與分析

2.1 PLSR分析

PLSR是一種新的多元數(shù)據(jù)分析方法，由多元線性回歸、主成分分析和典型相關(guān)性分析組合而成。本文利用PLSR得到了葉綠素估算模型，比較了20個驗證樣本的葉綠素估算值與實測值之間關(guān)系（圖3），并分析了模型精度（表1），R2為0.655 5，RE為13.14%，RMSE為9.40。

圖3 PLSR模型

在該模型的建立過程中，主成分的前3個成分已包含90%以上的信息，因此主成分個數(shù)為3。經(jīng)過一階導(dǎo)數(shù)和標(biāo)準(zhǔn)化處理后，波段數(shù)為124個，因此得到的模型是由124個系數(shù)和1個常數(shù)組成的多元一次線性方程。由于124個自變量均參與模型計算，使得葉綠素不相關(guān)信息逐漸積累，最終導(dǎo)致模型精度降低，R2僅為0.655 5。一般來說，只要R2大于0.5即說明模型預(yù)測較好，因此PLSR對葉綠素估算是可行的。

2.2 向前逐步回歸結(jié)合PLSR

首先利用逐步回歸找到相關(guān)性較強的波段，在向前逐步回歸中，分別找到波段1（X1）、波段21（X21）以及波段76（X76）3個敏感波段；再將得到的敏感波段結(jié)合PLSR分析得到葉綠素估算模型，最終比較20 個驗證樣本葉綠素的估算值與實測值的關(guān)系（圖4），并分析模型精度（表1），得到R2為0.784 0，RE為11.30%，RMSE為8.76。

該模型提取了葉綠素敏感波段，減少了葉綠素不相關(guān)信息的影響，增強了相關(guān)波段信息。這3個波段中，波段21坐落在藍(lán)光波段中，波段76在695 nm和716 nm附近，已有研究表明，在該波段附近茶葉葉綠素含量與反射光譜相關(guān)性較為顯著[20-21]。因此，該模型比單純使用PLSR模型的估算精度高，估算值與實測值的相關(guān)系數(shù)達(dá)到0.784 0。

圖4 逐步回歸+PLS模型

2.3 SVM非線性回歸分析

SVM非線性回歸分析需要選定核函數(shù)，本文選定的核函數(shù)為徑向基核函數(shù)，最終得到支持標(biāo)準(zhǔn)向量個數(shù)為64個（建模樣本為65個），此時核函數(shù)系數(shù)為0.003，懲罰系數(shù)為20，得到的模型較好。為了驗證模型精度，將20個驗證樣本葉綠素的實測值與估算值進(jìn)行比較（圖5），并分析模型精度（表1），得到的R2為0.886 8，RE為11.85%，RMSE為7.33。

與上述方法比較可知，SVM非線性回歸對茶樹的葉綠素估算值擬合較好，模型精度也較高，可作為葉綠素含量估算的回歸模型。

圖5 SVM非線性回歸模型

3 結(jié) 語

不同于傳統(tǒng)的利用光譜參數(shù)來建立模型，本文利用UHD185成像光譜儀獲取茶葉冠層光譜數(shù)據(jù)來進(jìn)行葉綠素的反演，通過建立茶葉葉片光譜和葉綠素關(guān)系的模型，能快速、無損地對茶樹冠層鮮葉葉綠素進(jìn)行檢測。由表1可知，各模型都達(dá)到了要求，其中逐步回歸結(jié)合PLSR和SVM非線性回歸估算葉綠素結(jié)果較好，可作為華中農(nóng)大茶園茶葉葉綠素反演模型。

表1 各個模型的方程與驗證精度比較

UHD185成像光譜儀獲取茶葉冠層光譜數(shù)據(jù)與傳統(tǒng)傳感器獲取的光譜數(shù)據(jù)相比，具有以下優(yōu)勢：

1）體積小、重量輕，小型手控低空無人機(jī)便可攜帶，獲取小面積農(nóng)作物的光譜數(shù)據(jù)尤為方便。

2）獲取的數(shù)據(jù)有138個波段，后期數(shù)據(jù)無需校正即可使用，影像的光譜分辨率達(dá)到4 nm，滿足一般植被生物化學(xué)量分析和植被重金屬污染診斷分析的需求。

目前，無人機(jī)高光譜遙感在農(nóng)作物上的研究還處于探索階段，影像信息提取和處理都需要進(jìn)一步研究。本文的樣本數(shù)采集較少（85個），而波段數(shù)達(dá)到124個，是典型的自變量個數(shù)大于樣本個數(shù)，模型精度會受到一定影響，后階段相關(guān)研究要提高樣本采集數(shù)量，以便提高驗證精度。此外，本文還可從空間多尺度來建立回歸模型，找出反演精度較好的尺度。

[1] 田明璐,班松濤,常慶瑞,等.基于無人機(jī)成像光譜儀數(shù)據(jù)的棉花葉綠素含量反演[J].農(nóng)業(yè)機(jī)械學(xué)報,2016,47(11):285-293

[2] 秦占飛,常慶瑞,申健,等.引黃灌區(qū)水稻紅邊特征及SPAD高光譜預(yù)測模型[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2016,41(9):1 168-1 175

[3] 丁希斌,劉飛,張初,等.基于高光譜成像技術(shù)的油菜葉片SPAD值檢測[J].光譜學(xué)與光譜分析,2015(2):486-491

[4] 余濤,胡波,孫睿,等.茶葉光譜與葉綠素、茶氨酸、茶多酚含量關(guān)系分析[J].遙感技術(shù)與應(yīng)用,2016,31(5):872-878

[5] O??ádalová M, Tremlová B, Pokorná J, et al. Chlorophyll as an Indicator of Green Tea Quality[J]. Acta Veterinaria Brno,2015,83(10):103-109

[6] 呂杰,汪康寧,李崇貴,等.基于高光譜遙感的玉米葉綠素含量估測模型[J].中國礦業(yè)大學(xué)學(xué)報,2016,45(2):405-410

[7] Bareth G, Aasen H, Bendig J, et al. Low-weight and UAV-based Hyperspectral Full-frame Cameras for Monitoring Crops: Spectral Comparison with Portable Spectroradiometer Measurements[J]. Photogrammetrie-Fernerkundung-Geoinformation,2015(1):69-79

[8] 劉峰,劉素紅,向陽.園地植被覆蓋度的無人機(jī)遙感監(jiān)測研究[J].農(nóng)業(yè)機(jī)械學(xué)報,2014,45(11):250-257

[9] 喬紅波,周益林,白由路,等.地面高光譜和低空遙感監(jiān)測小麥白粉病初探[J].植物保護(hù)學(xué)報,2006,33(4):341-344

[10] 祝錦霞,陳祝爐,石媛媛,等.基于無人機(jī)和地面數(shù)字影像的水稻氮素營養(yǎng)診斷研究[J].浙江大學(xué)學(xué)報(農(nóng)業(yè)與生命科學(xué)版),2010,36(1):78-83

[11] 冷偉鋒,王海光,胥巖,等.無人機(jī)遙感監(jiān)測小麥條銹病初探[J].植物病理學(xué)報,2012,42(2):202-205

[12] 王利民,劉佳,楊玲波,等.基于無人機(jī)影像的農(nóng)情遙感監(jiān)測應(yīng)用[J].農(nóng)業(yè)工程學(xué)報,2013,29(18):136-145

[13] 李宗南,陳仲新,王利民,等.基于小型無人機(jī)遙感的玉米倒伏面積提取[J].農(nóng)業(yè)工程學(xué)報,2014,30(19):207-213

[14] Bendig J, Bolten A, Bareth G. Introducing a Low-cost Mini-UAV for - and Multispectral-Imaging[J]. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences,2012,XXXIX-B1:345-349

[15] Bendig J, YU K, Aasen H, et al. Combining UAV-based Plant Height from Crop Surface Models, Visible, and Near Infrared Vegetation Indices for Biomass Monitoring in Barley[J].International Journal of Applied Earth Observation and Geoinformation,2015(39):79-87

[16] Zaman-Allah M, Vergara O, Araus J L, et al. Unmanned Aerial Platform-based Multi-spectral Imaging for Field Phenotyping of Maize[J]. Plant Methods,2015,11(1):35

[17] 黃庶識,李自達(dá),毛曉麗,等.多種紅外光譜校正法的兩面針產(chǎn)地鑒別研究[J].光譜學(xué)與光譜分析,2012,32(2):364-369

[18] 李粉玲,王力,劉京,等.基于高分一號衛(wèi)星數(shù)據(jù)的冬小麥葉片SPAD值遙感估算[J].農(nóng)業(yè)機(jī)械學(xué)報,2015,46(9):273-281

[19] 梁亮,楊敏華,張連蓬,等.基于 SVR 算法的小麥冠層葉綠素含量高光譜反演[J].農(nóng)業(yè)工程學(xué)報,2012,28(20):162-171

[20] 孔慶波,張青,章明清,等.基于高光譜參量茶葉葉綠素含量估算模型研究[J].福建農(nóng)業(yè)科技,2014(1):27-29

[21] LI X L, HE Y. Chlorophyll Assessment and Sensitive Wavelength Exploration for Tea (Camellia Sinensis) Based on Reflectance Spectral Characteristics[J]. Hortscience a Publication of the American Society for Horticultural Science,2008,43(5):1 586-1 591