周敏姑，邵國敏，張立元，劉治開，韓文霆

(1.西北農(nóng)林科技大學(xué)旱區(qū)節(jié)水農(nóng)業(yè)研究院，陜西 咸陽 712100； 2.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，陜西 咸陽 712100； 3.西北農(nóng)林科技大學(xué)水土保持研究所，陜西 咸陽 712100)

葉綠素是植物進(jìn)行光合作用的重要色素，其含量與農(nóng)作物的生長態(tài)勢、營養(yǎng)狀況等關(guān)系密切[1,2]，因此，葉綠素含量已成為評價(jià)農(nóng)作物生長狀況的一個(gè)重要指標(biāo)[3-5]，對其進(jìn)行實(shí)時(shí)監(jiān)測和準(zhǔn)確估算，有利于及時(shí)掌握農(nóng)作物的長勢情況和病蟲害防治[6,7]，進(jìn)一步實(shí)現(xiàn)對農(nóng)作物的連續(xù)動(dòng)態(tài)管理，促進(jìn)增產(chǎn)增收[8,9]。

遙感技術(shù)作為一種快速、動(dòng)態(tài)、無損的監(jiān)測方法，在農(nóng)作物研究領(lǐng)域內(nèi)被廣泛研究[10-12]。學(xué)者們利用不同的遙感技術(shù)展開對農(nóng)作物葉綠素的含量進(jìn)行反演和預(yù)測[13]。梁爽等通過研究蘋果樹葉片的高光譜曲線特點(diǎn)，對原始光譜分別采取一階微分變換、紅邊位置和葉片葉綠素指數(shù)變換，分別將其與葉綠素含量進(jìn)行相關(guān)分析和回歸分析，構(gòu)建了蘋果樹葉片葉綠素含量的預(yù)測模型[14]。靳彥華等利用水澆地和旱地兩種生長環(huán)境下春小麥的整個(gè)生育期葉片葉綠素含量的變化規(guī)律，研究了小麥不同冠層的高光譜植被指數(shù)和葉綠素含量之間的關(guān)系，建立了兩種地類春小麥葉綠素含量的估測模型[15]。解飛等研究了陜西關(guān)中地區(qū)夏玉米抽穗期冠層的葉綠素含量及高光譜特性，利用線性及非線性兩種分析方法，分別建立了一階微分光譜敏感波段和原始光譜敏感波段的兩種葉綠素估算模型并進(jìn)行對比分析[16]。孫陽陽等利用盆栽玉米的植被特征和主成分分析方法提取光譜反演參數(shù)，根據(jù)所提取的參數(shù)建立玉米葉片葉綠素含量的一元線性和多元線性回歸模型[17]。田明璐等使用無人機(jī)的高光譜影像，提取27個(gè)光譜參數(shù)，分別使用最小二乘法和偏最小二乘法，構(gòu)建了棉花葉片葉綠素相對含量(SPAD)的反演模型[18]。

本文以關(guān)中地區(qū)主要糧食作物冬小麥為研究對象，選擇大田種植條件下冬小麥拔節(jié)后至孕穗前的生長階段，采用六旋翼無人機(jī)搭載RedEdge多光譜相機(jī)對小麥冠層葉綠素值進(jìn)行監(jiān)測試驗(yàn)。通過對小麥SPAD值和光譜參數(shù)進(jìn)行相關(guān)性分析和回歸分析，建立冬小麥葉綠素含量的遙感估算模型，以期為大田作物快速、無損的動(dòng)態(tài)監(jiān)測提供理論基礎(chǔ)[19]。

1 材料與方法

1.1 試驗(yàn)區(qū)基本情況

田間試驗(yàn)地位于西北農(nóng)林科技大學(xué)中國旱區(qū)節(jié)水農(nóng)業(yè)研究院(108°08′E, 34°27′N，海拔 460 m)內(nèi)。地處陜西關(guān)中平原中部，年降水量635.1～663.9 mm，平均氣溫12.9 ℃，屬暖溫帶季風(fēng)半濕潤氣候，一年兩熟。試驗(yàn)區(qū)種植的農(nóng)作物是冬小麥。

1.2 無人機(jī)平臺與多光譜相機(jī)

光譜采集是利用西北農(nóng)林科技大學(xué)精準(zhǔn)灌溉實(shí)驗(yàn)室組裝的六旋翼無人機(jī)作為搭載平臺，遙感影像獲取使用的相機(jī)為RedEdge多光譜相機(jī)(圖1)。無人機(jī)和多光譜相機(jī)主要參數(shù)如表1和表2所示。

圖1 無人機(jī)與多光譜相機(jī)Fig.1 UAD and mulitispectal camera

表1 無人機(jī)主要參數(shù)

Tab.1 Main parameters of unmanned aerial vehicle

參數(shù)有效載荷/g起飛重量/kg航測速度/(m·s-1)續(xù)航時(shí)間/min參數(shù)值8004.5220

表2 RedEdge多光譜相機(jī)參數(shù)及灰板對其中心波長的反射率

Tab.2 Multispectral camera parameters and the reflectivityof the gray plate to its center wave length

波段編號波段名稱中心波長/nm波寬/nm灰板1反射率/%灰板2反射率/%1Blue475202.94658.4462Green560202.94557.9583Red668102.99357.3394NearIR840403.07056.6825RedEdge717103.01057.128

1.3 多光譜影像采集與數(shù)據(jù)獲取

1.3.1 多光譜影像采集

多光譜影像采集于2018年4月16日14∶00-16∶00在田間進(jìn)行，天空晴朗無風(fēng)，視野廣闊。小麥此時(shí)正處于拔節(jié)后至孕穗前的生長階段，是小麥一生中生長速度最快，生長量最大的時(shí)期，有利于葉綠素含量反演。無人機(jī)的設(shè)置飛行高度為60 m，設(shè)定航速為5 m/s。RedEdge多光譜相機(jī)的鏡頭焦距為5.5 mm, 進(jìn)行垂直拍攝，地面分辨率4.09 cm。航向及旁向重疊度為80%，進(jìn)行四次影像采集。各個(gè)階段航拍前進(jìn)行白板校正，使試驗(yàn)?zāi)茌^真實(shí)反映地表反射率，達(dá)到了試驗(yàn)要求和目的。圖2為無人機(jī)獲取的試驗(yàn)地可見光和多光譜影像。

圖2 試驗(yàn)地?zé)o人機(jī)多光譜影像Fig.2 Multispectral image of Experimental drone acquired by UAD

1.3.2 小麥葉片SPAD地面測量

在試驗(yàn)區(qū)共選取65個(gè)具有代表性的樣本進(jìn)行研究，每個(gè)樣本范圍為1 m×1 m的樣地，且小麥長勢均一。在樣地內(nèi)選取不同株樹冠層部位的7片葉片，使用SPAD-502Plus葉綠素儀測定每片葉片SPAD值，取其平均值作為該樣本的SPAD最終值，為了和多光譜影像進(jìn)行對應(yīng)，每個(gè)樣本的地面位置作以標(biāo)記并進(jìn)行GPS記錄。地面數(shù)據(jù)的測量與無人機(jī)飛行測量同步進(jìn)行。對獲取的65個(gè)樣本的SPAD實(shí)測值，按照7∶3的分配原則，隨機(jī)抽取45個(gè)作為建模樣本，剩余20個(gè)作為檢驗(yàn)樣本，如表3所示。

表3 小麥實(shí)測SPAD值特征統(tǒng)計(jì)

Tab.3 Statistical features of winter wheat leaf SPAD

樣本類型樣本數(shù)最小值最大值平均值標(biāo)準(zhǔn)偏差/%變異系數(shù)/%總體樣本6551.156.254.1490.401.670建模樣本4551.156.253.9997.611.808驗(yàn)證樣本2052.255.754.4787.061.590

1.3.3 多光譜影像預(yù)處理與單波段影像提取

對航拍后獲得的多光譜影像，利用Pix4D mapper軟件進(jìn)行拼接，拼接后經(jīng)過偽標(biāo)準(zhǔn)地物輻射校正法[19]，輸出4個(gè)波段的反射率影像圖，通過ENV5.1軟件裁剪得到不同波段反射率光譜影像(圖3)。

圖3 不同波段反射率光譜影像Fig.3 Reflectance spectrum images at different bands

利用ENVI5.1軟件對圖3的光譜影像進(jìn)行解譯，根據(jù)每個(gè)樣本地面標(biāo)記和GPS位置信息，在光譜影像中識別出65個(gè)樣本的位置建立感興趣區(qū)(Region of interest, ROI)，在感興趣區(qū)求得每個(gè)波段的平均反射率值。

1.4 植被指數(shù)的選取

將樣本在4種波段下的平均反射率值進(jìn)行不同的組合運(yùn)算，得到樣本所需要的植被指數(shù)值。本研究選取與農(nóng)作物生長狀況較密切的植被指數(shù)NDVI、ARVI、SAVI、EVI2、DVI、EVI、RVI和TVI共8種(表4)[20]，用于構(gòu)建小麥葉片葉綠素的反演模型。

表4 植被指數(shù)及計(jì)算公式

Tab.4 Vegetation Index and its formulas

植被指數(shù)計(jì)算公式NDVINDVI=ρNIR-ρRedρNIR+ρRedARVIARVI=ρNIR-2ρRed+ρBlueρNIR+2ρRed-ρBlueSAVISAVI=(1+L)(ρNIR-ρRed)(ρNIR+ρRed+L)EVI2EVI2=2.5(ρNIR-ρRed)ρNIR+2.4ρRed+1DVIDVI=ρNIR-ρRedEVIEVI=2.5(ρNIR-ρRed)ρNIR+6ρRed-7.5ρBule+1RVIRVI=ρNIRρRedTVITVI=0.5[120(ρNIR-ρG)]-200(ρR-ρG)

注：ρNIR、ρRed、ρG、ρBlue分別為近紅外波段、紅光波段、綠光波段、藍(lán)光波段的反射率； 為土壤調(diào)整系數(shù)，一般取0.5。

2 結(jié)果與分析

2.1 小麥SPAD值與多光譜反射率分析

利用小麥拔節(jié)后至孕穗前生長階段，小麥冠層在同一葉綠素梯度下4個(gè)波段的多光譜反射率值，獲得小麥冠層4個(gè)波段光譜反射率隨SPAD值的變化曲線，其中波段1～4分別對應(yīng)波長為475、560、668、840nm的藍(lán)光、綠光、紅光和近紅外波段(圖4)。

圖4 小麥冠層4個(gè)波段反射率隨SPAD變化關(guān)系曲線Fig.4 Relationship curves of wheat reflectance with SPAD

由圖4看出，小麥冠層的反射率在4個(gè)波段下變化幅度明顯不同，分別為：藍(lán)光波段為0.028～0.041，紅光波段為0.038～0.053，綠光波段為0.049～0.066，近紅外波段為0.33～0.38，呈現(xiàn)逐漸增大趨勢，在藍(lán)光波段和紅光波段吸收作用強(qiáng)，反射率較低，綠光波段反射率較藍(lán)光和紅光有所上升，在近紅外波段達(dá)到一個(gè)較強(qiáng)反射。對比藍(lán)光、紅光和綠光3個(gè)波段，反射率曲線位置由低到高排列，說明反射率呈現(xiàn)由弱變強(qiáng)的變化趨勢，但相對于近紅外波段表現(xiàn)出吸收強(qiáng)，反射作用弱的特點(diǎn)。隨著葉綠素梯度增大，小麥冠層反射率在綠光、紅光和藍(lán)光波段整體呈下降趨勢。相反在近紅外波段，反而呈上升趨勢，個(gè)別點(diǎn)反射率數(shù)值下降，是因?yàn)榈孛嫒斯y量數(shù)據(jù)時(shí)或在光譜數(shù)據(jù)解譯時(shí)存在一定的誤差影響。波段4(近紅外波段)和波段1(藍(lán)光波段)的反射率在各葉綠素梯度下均為最高和最低。這與一些研究成果相符合[21,22]。

2.2 小麥SPAD值與植被指數(shù)相關(guān)性分析

通過對無人機(jī)影像進(jìn)行解譯分析，提取出4個(gè)波段下小麥冠層反射率值，通過表4的計(jì)算公式，分別得到8種植被指數(shù)值，應(yīng)用統(tǒng)計(jì)分析軟件SPSS對小麥SPAD值和8種植被指數(shù)值進(jìn)行相關(guān)性分析。統(tǒng)計(jì)分析中樣本n=45顯著水平α=0.01時(shí)，相關(guān)系數(shù)臨界值為 0.372 1，相關(guān)性分析結(jié)果如表5所示。

表5 小麥葉片SPAD值與植被指數(shù)相關(guān)性

Tab.5 Correlation between wheat leaf SPADvalue and vegetation index

生長階段植被指數(shù)相關(guān)系數(shù)拔節(jié)后～孕穗前NDVI0.800??ARVI0.670??SAVI0.871??EVI20.869??DVI0.833??EVI0.776??RVI0.801??TVI-0.050

注：** 為置信度0.01水平上顯著相關(guān)。

2.3 回歸模型的建立

模型采用以下兩種方法建立：小麥冠層葉片SPAD作為因變量，與SPAD相關(guān)系數(shù)在0.6以上的7種光譜參數(shù)作為自變量，分別建立單變量的一元線性回歸模型，記作SPAD-NDVI、SPAD-ARVI、SPAD-SAVI、SPAD-EVI2、SPAD-DVI、SPAD-EVI和SPAD-RVI；小麥冠層葉片SPAD為因變量，與SPAD相關(guān)系數(shù)均0.6以上的7種光譜參數(shù)作為自變量，根據(jù)回歸方程的決定系數(shù)R2取值越大，則殘差平方和越小原則，建立多變量的多元線性回歸模型，記作SPAD-MSR，有原則的選取NDVI、RVI、EVI、ARVI、DVI5個(gè)參數(shù)作為自變量(表6)。

表6可以看出，2種方法建立的回歸模型，R2均大于0.4，顯著性概率P<0.001，因此模型表現(xiàn)出極顯著水平，說明建立回歸模型時(shí)選取的各植被指數(shù)都顯著包含小麥葉綠素的信息。其中單變量建立的一元線性回歸模型中，SPAD-SAVI模型精度最高，SPAD-EVI2次之。

表6 小麥SPAD值與植被指數(shù)建立的回歸模型

Tab.6 Models of SPAD and vegetation indexs

回歸方法植被指數(shù)回歸模型方程R2FP一元線性回歸NDVIy=26.99x+32.850.64076.36<0.001ARVIy=15.12x+42.810.44935.03<0.001SAVIy=34.02x+36.290.758134.91<0.001EVI2y=29.10x+38.460.755132.49<0.001DVIy=41.19x+41.160.69597.76<0.001EVIy=22.63x+41.090.60265.05<0.001RVIy-0.74x+47.810.64176.73<0.001多元線性回歸MSRy=-71.19x1-0.25x2-133.21x3+96.99x4+205.41x5+52.080.74626.78<0.001

注：y代表SPAD；x1代表NDVI；x2代表RVI；x3代表EVI；x4代表ARVI；x5代表DVI。

對比2種方法的反演結(jié)果發(fā)現(xiàn)，一元線性回歸模型SPAD-SAVI的精度略高于多元線性回歸模型，說明在小麥的拔節(jié)后～孕穗前這個(gè)階段植被指數(shù)SAVI與此時(shí)的葉綠素含量的關(guān)系高度密切。多元線性回歸模型中，有兩個(gè)變量被剔除掉，通過分析得知，這兩個(gè)變量與方程中的其他變量相關(guān)系數(shù)均比較高，也就是與其他5種變量造成共線性，多元線性逐步回歸要求能留在方程中的變量不能對方程中的其他變量產(chǎn)生明顯的影響即造成共線性[23]，因此被剔除。

2.4 模型驗(yàn)證分析

用20個(gè)檢驗(yàn)樣本的SPAD實(shí)測值和預(yù)測值進(jìn)行方程擬合，利用擬合方程的斜率值、決定系數(shù)(R2)、均方根誤差(RMSE)和相對分析誤差(RPD)來檢驗(yàn)?zāi)Ｐ途群皖A(yù)測能力[24](表7)。其中R2與斜率越接近1, 均方根誤差(RMSE)越小，相對分析誤差(RPD)越大，則模型精度越高[25]。RMSE和RPD計(jì)算公式[26]為：

(1)

表7 模型精度驗(yàn)證

Tab.7 Precision of models

回歸方法植被指數(shù)模型決定系數(shù)R2斜率均方根誤差RMSE相對分析誤差RPD一元線性回歸NDVI0.58890.58260.4071.076ARVI0.44960.45170.4980.781SAVI0.86600.94620.2452.395EVI20.86080.98890.2512.451DVI0.80150.95050.3101.977EVI0.76640.83130.3241.692RVI0.60050.66730.4231.175多元逐步回歸MSR0.77040.98150.3291.962

(2)

對于模型的相對分析誤差(RPD)，當(dāng)2.0

圖5 模型對檢驗(yàn)樣本的預(yù)測結(jié)果Fig.5 Model prediction results for test samples

結(jié)合圖5和表7看出，植被指數(shù)SAVI構(gòu)建的一元線性回歸模型SPAD-SAVI決定系數(shù)最高，達(dá)到0.866，均方根誤差RMSE最小為0.245，相對分析誤差RPD比較高達(dá)到2.395。說明此模型具有更好的預(yù)測能力；其次是植被指數(shù)EVI2的一元線性回歸模型SPAD-EVI2，決定系數(shù)和均方根誤差接近于SPAD-SAVI，相對分析誤差稍高于前者，說明植被指數(shù)EVI2的一元線性回歸模型具有很好的預(yù)測能力。分析多元線性回歸模型SPAD-MSR得到，決定系數(shù)達(dá)到0.770 4，均方根誤差RMSE較小為0.329，相對分析誤差(RPD)達(dá)到1.962，對比各項(xiàng)數(shù)據(jù)值，雖然比一元線性回歸模型SPAD-SAVI的精度低，但仍然具備一定的預(yù)測能力，因此多元線性回歸模型SPAD-MSR對小麥葉片的葉綠素值的預(yù)測仍然是可行的。

一元線性回歸模型SPAD-DVI，決定系數(shù)R2=0.801 5，相對分析誤差RPD=1. 977，且均方根誤差RMSE<0.5，所以此模型對冬小麥葉綠素含量具備一定的預(yù)測能力。

綜合表7和圖5，模型SPAD-SAVI預(yù)測效果最佳，模型SPAD-EVI2次之，多元線性回歸模型SPAD-MSR具備一定的預(yù)測能力，模型SPAD-ARVI的預(yù)測效果最差。

3 結(jié) 語

本文利用無人機(jī)遙感獲取小麥的多光譜影像，提取出4個(gè)波段下小麥冠層葉片光譜反射率圖像，選取與小麥葉片葉綠素相關(guān)性較高的7種植被指數(shù)，建立植被指數(shù)與葉綠素相對含量值的一元線性回歸模型和多元線性回歸模型，進(jìn)行小麥葉片的葉綠素值預(yù)測。得到以下主要結(jié)論：

(1)通過小麥冠層葉片在4個(gè)波段光譜反射率隨SPAD變化關(guān)系曲線圖得出，4個(gè)波段中，與小麥葉綠素含量關(guān)系最密切的波段為近紅外波段(波長840 nm)，在此波段表現(xiàn)出很強(qiáng)的反射率和極弱的吸收，相反在藍(lán)光波段(波長475 nm)和紅光波段(波長668 nm)有很強(qiáng)的吸收區(qū)。

(2)通過無人機(jī)多光譜影像獲得4個(gè)波段下小麥冠層的光譜反射率圖像，提取出反射率數(shù)值，進(jìn)行波段運(yùn)算得到常用的8種植被指數(shù)值，并對小麥SPAD實(shí)測值和8種植被指數(shù)值進(jìn)行相關(guān)性分析，有 7種表現(xiàn)出較高的相關(guān)性，依次為：SAVI、EVI2、DVI、RVI、NDVI、EVI和ARVI，相關(guān)系數(shù)均在0.67以上。

(3)選取相關(guān)性較高的7種植被指數(shù)，用一元線性回歸方法和多元線性回歸方法共構(gòu)建了8種回歸模型，分別為：SPAD-SAVI、SPAD-EVI2、SPAD-DVI、SPAD-RVI、SPAD-NDVI、SPAD-EVI、SPAD-ARVI和多元線性回歸模型SPAD-MSR。

(4)植被指數(shù)SAVI、EVI2與小麥SPAD構(gòu)建的單變量一元線性回歸模型擬合程度最好，決定系數(shù)為：0.866、0.860 8，均方根誤差為0.245、0.251，其中SPAD-SAVI模型精度最佳，SPAD-EVI2次之。兩種模型對冬小麥葉綠素含量都具有很好的預(yù)測能力，多元線性回歸模型SPAD-MSR決定系數(shù)為0.770 4，均方根誤差為0.329，此模型具備一定的預(yù)測能力，對小麥葉片葉綠素值的預(yù)測仍然是可行的。本試驗(yàn)研究成果為今后利用無人機(jī)遙感實(shí)現(xiàn)冬小麥葉綠素含量監(jiān)測提供方法，對農(nóng)作物動(dòng)態(tài)管理具有重要意義。