王淑婷，孔雨光，張贊，陳紅艷，劉鵬

基于星-機光譜融合的棉花葉片SPAD值反演

1土肥高效利用國家工程研究中心/山東農(nóng)業(yè)大學資源與環(huán)境學院，山東泰安 271018；2山東省國土空間規(guī)劃院，濟南 250014；3魯南高速鐵路有限公司，濟南 250098；4山東農(nóng)業(yè)大學農(nóng)學院，山東泰安 271018

為提高棉花葉片葉綠素含量的反演精度，并掌握其在山東省夏津縣的空間分布特征。本研究以山東省德州市夏津縣為研究區(qū)，以夏津縣大李莊棉田為試驗區(qū)，通過SPAD（soil and plant analyzer development，SPAD）儀實地測定試驗區(qū)棉花葉片葉綠素含量的相對值（SPAD值），并獲取同期試驗區(qū)無人機（unmanned aerial vehicle，UAV）近地多光譜圖像和研究區(qū)Sentinel-2A MSI（MSI）衛(wèi)星影像；然后分別基于UAV和MSI的光譜反射率，構(gòu)建并篩選最優(yōu)光譜參量，采用多元線性回歸（multiple linear regression，MLR）建立SPAD值定量反演模型；最后采用二次多項式擬合法融合UAV和Sentinel-2A MSI對應(yīng)的最優(yōu)光譜參量，對比分析融合前后模型效果，優(yōu)選最佳反演模型，實現(xiàn)研究區(qū)SPAD值反演。研究表明，(REG-R)/(REG+R)、R/G、CL(red edge)、NDVI可作為SPAD值的最優(yōu)光譜參量；基于UAV圖像的定量反演模型精度優(yōu)于基于MSI影像的模型；基于二次多項式擬合后建模2提高了0.015—0.057，降低了0.457—0.638，驗證2提高了0.040—0.085，降低了0.387—0.397，RPD提高了0.020—0.139；將融合后的MSI光譜參量代入基于UAV圖像的反演模型（Fused MSI-ModUAV），也可獲得較高的反演精度，建模2達0.672，為3.982，驗證達0.713，為3.859，RPD為1.685；基于上述模型進行研究區(qū)棉花葉片SPAD值反演分析，試驗區(qū)整體呈南高北低的分布趨勢，研究區(qū)呈中間低、四周高的分布趨勢，均與實地情況一致，具有較好的預(yù)測效果。采用二次多項式擬合法融合無人機和衛(wèi)星影像數(shù)據(jù)，可較好地實現(xiàn)區(qū)域高精度作物生長指標的定量反演，研究結(jié)果可豐富多源遙感融合理論與技術(shù)，為后續(xù)棉花長勢監(jiān)測與精準生產(chǎn)提供技術(shù)參考和數(shù)據(jù)支持。

SPAD值；無人機；Sentinel-2A MSI；反演模型；二次多項式擬合法

0 引言

【研究意義】棉花作為重要的經(jīng)濟作物，在世界及我國國民經(jīng)濟中占據(jù)重要的地位。葉綠素含量是反映植物光合作用的重要參量，SPAD（soil and plant analyzer development，SPAD）值是通過SPAD儀測定的能間接反映植被葉綠素含量的相對值，與作物營養(yǎng)狀況、產(chǎn)量、健康狀況等密切相關(guān)，已成為評價作物長勢的重要生長指標。因此，獲取棉花葉片SPAD值及空間分布對其田間管理和精準生產(chǎn)具有重要意義[1-5]，目前，作物長勢指標的定量光學遙感反演已成為研究熱點?！厩叭搜芯窟M展】前人基于遙感技術(shù)開展了大量作物SPAD值反演研究，并取得了較好的研究效果[6-11]。其中，在地面遙感方面，如張卓然等[12]基于ASD便攜式地物光譜儀探究棉花葉片SPAD值的高光譜估算模型，構(gòu)建的支持向量機模型建模2達0.884；LIU等[13]利用成像光譜儀獲取高光譜數(shù)據(jù)，構(gòu)建了油菜葉片SPAD值的偏最小二乘回歸模型，其建模2達0.970。研究表明，地面遙感使用成本低且實用性強，在提高作物生長參數(shù)的建模精度方面存在巨大的潛力，但受平臺高度的限制，地面遙感難以實現(xiàn)作物生長指標的大區(qū)域反演[14]。當前衛(wèi)星遙感發(fā)展迅速，許多學者對大面積作物的生長狀況開展了監(jiān)測研究。如唐普恩等[15]基于Sentinel-2A MSI影像，聯(lián)合光譜信息、最優(yōu)光譜指數(shù)和物理模型生物協(xié)變量為自變量，采用隨機森林算法實現(xiàn)了新疆維吾爾自治區(qū)昌吉回族自治州棉花葉片SPAD值的遙感監(jiān)測；MALHI等[16]研究表明基于IRS LISS-IV衛(wèi)星數(shù)據(jù)建立的NDVI線性回歸模型在估測印度棉花葉片SPAD值方面效果較好。衛(wèi)星遙感能夠快速、低成本地獲取大區(qū)域信息，但受空間分辨率低、天氣干擾等因素的影響，難以滿足高精度反演的需求[17-20]。近年來，無人機遙感技術(shù)逐漸成為作物長勢指標監(jiān)測的重要手段，如田明璐等[21]利用無人機高光譜數(shù)據(jù)，采用偏最小二乘回歸方法，實現(xiàn)了棉花葉片SPAD值的小區(qū)域高精度反演；毛智慧等[22]基于無人機多光譜影像實現(xiàn)對玉米葉片SPAD值的有效監(jiān)測。無人機技術(shù)具有空間分辨率高、時效性強、簡單易操作等優(yōu)勢，可實現(xiàn)監(jiān)測指標的高精度分析，但由于電池的續(xù)航能力，難以實現(xiàn)大區(qū)域應(yīng)用[23-24]。以上研究均是基于單一傳感器開展的作物SPAD值估測和反演研究，很好地推動了遙感技術(shù)在作物SPAD值監(jiān)測中的應(yīng)用，但基于單一傳感器開展SPAD值分析會存在缺陷。比如，地面光譜分析精度高但難以實現(xiàn)區(qū)域反演，衛(wèi)星影像可實現(xiàn)區(qū)域快速反演但精度有待提高，無人機可實現(xiàn)小區(qū)域精確反演但難以進行大區(qū)域應(yīng)用，而多源遙感數(shù)據(jù)具有明顯的互補性，如將不同尺度的多源光學遙感數(shù)據(jù)融合，應(yīng)能實現(xiàn)優(yōu)勢互補，從而實現(xiàn)作物長勢指標的快速率、高精度、大區(qū)域反演。當前，也有學者開展了作物長勢指標反演中多源遙感數(shù)據(jù)融合的應(yīng)用研究[25-26]，如PENG等[25]融合地面實測高光譜和Sentinel-2A MSI影像數(shù)據(jù)實現(xiàn)對美國內(nèi)布拉斯加州玉米和大豆兩種作物SPAD值的反演；賈博中[26]結(jié)合無人機和MODIS影像數(shù)據(jù)開展對內(nèi)蒙古沿黃平原區(qū)玉米葉片SPAD值的監(jiān)測研究，取得了較好的模型預(yù)測效果。與單一數(shù)據(jù)相比，不同尺度的多源遙感數(shù)據(jù)所提供的信息具有互補性和合作性[24]，能夠有效提高大范圍作物生長指標的反演精度。但是，目前基于多源遙感融合的作物生長指標監(jiān)測研究中，多是以玉米、小麥等糧食作物為研究對象，而針對棉花的相關(guān)研究，多是基于單一的光學遙感數(shù)據(jù)源，如JIN等[27]基于地面高光譜數(shù)據(jù)開展了棉花葉片SPAD值的監(jiān)測研究；易秋香[28]基于MODIS遙感數(shù)據(jù)，對比分析了不同植被指數(shù)下棉花水分反演模型精度；劉金然[29]以無人機近地多光譜圖像為數(shù)據(jù)源，利用BP人工神經(jīng)網(wǎng)絡(luò)方法反演棉花冠層葉面積指數(shù)，建模2達0.880。已有研究表明，基于光學遙感數(shù)據(jù)開展棉花主要長勢指標分析和反演是可行的，但針對棉花尤其是其葉片葉綠素含量，多源數(shù)據(jù)融合的研究還較為薄弱，區(qū)域反演精度有待提高?！颈狙芯壳腥朦c】單一尺度的遙感數(shù)據(jù)源難以同時滿足高精度、大范圍反演作物長勢指標的要求，不同尺度的多源遙感數(shù)據(jù)融合能夠提高作物長勢指標區(qū)域分析精度，但目前針對棉花的相關(guān)研究較少；作為我國重要的經(jīng)濟作物，棉花喜溫、好光、怕澇，有明顯的地帶性等特點，易形成集中產(chǎn)區(qū)，因此更適宜也更需要采用不同尺度的遙感數(shù)據(jù)融合，提高其相關(guān)長勢指標區(qū)域分析精度，為其精準生產(chǎn)提供參考?！緮M解決的關(guān)鍵問題】本研究以山東省德州市夏津縣為研究區(qū)，以棉花葉片SPAD值為研究對象，探究無人機（UAV）近地多光譜圖像與Sentinel-2A MSI（MSI）衛(wèi)星影像融合，提高棉花葉片SPAD值區(qū)域反演精度，以期實現(xiàn)其大區(qū)域、高精度反演。

1 材料與方法

1.1 研究區(qū)概況

本研究以山東省德州市夏津縣為研究區(qū)（圖1-b），夏津縣是全國優(yōu)質(zhì)棉生產(chǎn)和出口基地，常年植棉433 km2，總產(chǎn)6×104t，穩(wěn)居全國棉花生產(chǎn)縣十強。研究區(qū)地處魯西北黃泛沖積平原，地勢自西南向東北緩慢傾斜，該地屬暖溫帶半濕潤大陸性季風氣候，四季變化明顯，光照充足，雨量集中，對發(fā)展棉花種植業(yè)有得天獨厚的優(yōu)勢。

本文選擇夏津縣大李莊棉田為試驗區(qū)（圖1-c），試驗區(qū)位于東經(jīng)116°01′41"—116°01′54"，北緯37°03′03"—37°03′17"。大李莊作為夏津縣重要的棉產(chǎn)地之一，對其開展多源遙感融合研究具有一定的代表性。實地采樣時該地北部棉花葉片枯黃，葉面積較小，長勢較差；南部棉花葉片長勢繁茂，長勢良好。

1.2 數(shù)據(jù)獲取及預(yù)處理

1.2.1 野外實測棉花葉片SPAD值 試驗區(qū)棉花品種為魯棉研37號，花鈴期是棉花營養(yǎng)生長與生殖生長的兩旺時期，也是決定棉花產(chǎn)量高低的關(guān)鍵時期[30]。棉花花鈴期處于7月上旬到8月中旬，本研究于2019年8月3日進行野外實地采樣。

本研究以夏津縣大李莊棉田為試驗區(qū)，均勻布設(shè)95個采樣點和10個校正控制點（圖1-c），樣點SPAD值的測量采用SPAD-502型手持式葉綠素儀，在同一株棉花隨機選取不同部位的5片棉花葉片，每個葉片不同部位測量3次，最后計算平均值作為該樣點的SPAD值，并通過手持GPS記錄采樣點的坐標，同時記錄周圍相應(yīng)的環(huán)境信息。

在夏津縣全域棉花種植區(qū)布設(shè)58個樣點（圖1-b），測量其SPAD值，用于后續(xù)研究區(qū)反演精度驗證。

1.2.2 無人機近地多光譜圖像獲取及預(yù)處理 2019年8月3日使用大疆 Matrice 600 Pro六旋翼無人機搭載Sequoia農(nóng)業(yè)多光譜相機進行無人機近地圖像獲取。Sequoia傳感器含有綠光（波長550 nm，帶寬40 nm）、紅光（波長660 nm，帶寬40 nm）、紅邊（波長735 nm，帶寬10 nm）和近紅外（波長790 nm，帶寬40 nm）4個波段。起飛前設(shè)定飛行高度為50 m，空間分辨率為2.2 cm，飛行速度5m·s-1，并用白板數(shù)據(jù)進行后期輻射校正。利用Pix4D mapper軟件完成圖像拼接、輻射校正及正射校正，在ENVI 5.3中通過10個控制點數(shù)據(jù)進行幾何精校正及地理配準，并將其重采樣至1 m，得到試驗區(qū)無人機近地圖像。

1.2.3 Sentinel-2A MSI遙感影像獲取及預(yù)處理 本文選取研究區(qū)2019年8月3日的Sentinel-2A MSI數(shù)據(jù)為衛(wèi)星影像數(shù)據(jù)，Sentinel-2A MSI覆蓋可見光、紅邊、近紅外等13個光譜波段，幅寬達290 km、重訪周期10 d，從可見光和近紅外到短波紅外，具有不同的空間分辨率。在ArcGIS 10.2中將無人機和衛(wèi)星影像統(tǒng)一投影為高斯克呂格投影，采用CGCS2000_3_ Degree_GK_CM_120E投影坐標系。然后對星-機數(shù)據(jù)進行地理配準，并利用SNAP軟件對影像進行大氣校正、輻射定標。為了星-機數(shù)據(jù)尺度的一致性，在ENVI 5.3中對MSI影像也重采樣至1 m，使其與UAV具有一致的像元尺度。最后進行波段合成、圖像拼接、圖像裁剪等預(yù)處理工作。

考慮星-機數(shù)據(jù)的一致性，選擇與Sequoia多光譜相機波長范圍一致的衛(wèi)星波段數(shù)據(jù)[31]，對應(yīng)的Sentinel-2A MSI影像波段為B3、B4、B6和B7（表1）。

圖1 研究區(qū)、試驗區(qū)地理位置（a：山東?。籦：研究區(qū)；c：試驗區(qū)）

表1 UAV與Sentinal-2A MSI波段對應(yīng)關(guān)系

1.3 數(shù)據(jù)分析方法

1.3.1 棉花種植區(qū)提取 棉花葉片SPAD值反演需要在其種植區(qū)內(nèi)進行，因此，本研究采用植被指數(shù)閾值法[32]和決策樹分類法[33]提取研究區(qū)內(nèi)棉花種植區(qū)。首先，歸一化植被指數(shù)（normalized difference vegetationindex，NDVI）是監(jiān)測植被生長狀況和反映植被生態(tài)環(huán)境的重要指標之一，因此，基于研究區(qū)Sentinel-2A MSI影像計算NDVI值和波段光譜灰度信息；然后，在典型地物光譜特征和研究區(qū)土地利用現(xiàn)狀圖的基礎(chǔ)上，確定棉花種植區(qū)提取閾值；最后構(gòu)建決策樹模型，提取研究區(qū)棉花種植區(qū)影像，進而基于此影像進行后續(xù)的棉花葉片SPAD值反演。NDVI計算公式如下：

NDVI=(NIR-R)/(NIR+R) （1）

式中，NIR對應(yīng)Sentinel-2A MSI B7波段反射率，R對應(yīng)B4波段反射率。

1.3.2 光譜參量的構(gòu)建與篩選 將采樣點導入ArcGIS 10.2分別提取無人機和衛(wèi)星影像各波段光譜反射率。研究表明，植被光譜某些波段與光合色素存在很強的相關(guān)性。光譜指數(shù)通過不同波段反射率的線性或非線性組合變化，在一定程度上能夠減弱背景等因素對植被光譜特征的干擾，有助于提高遙感數(shù)據(jù)反映葉綠素含量的精度[34-35]。因此，本研究選擇前人歸納總結(jié)對SPAD值響應(yīng)敏感的19組植被指數(shù)、波段組合方式構(gòu)建光譜參量[22,29,31,36-38]，與樣點實測SPAD值進行相關(guān)性分析并篩選最優(yōu)光譜參量。表2為本研究所涉及的光譜參量。

1.3.3 試驗區(qū)棉花葉片SPAD值反演模型構(gòu)建與優(yōu)選 將95個樣本按照SPAD值大小進行排序，然后按照2﹕1的比例進行間隔取樣，其中64個用于建模，31個用于驗證。將64個建模樣本SPAD值與光譜參量進行相關(guān)性分析，優(yōu)選最優(yōu)光譜參量，采用多元線性回歸（multiple linear regression，MLR）[39]分別建立基于無人機近地圖像的棉花葉片SPAD值定量反演模型（ModUAV）和衛(wèi)星影像的棉花葉片SPAD值定量反演模型（ModMSI）。

表2 光譜參量及其計算公式

使用31個驗證樣本對反演模型進行驗證，建模精度選擇決定系數(shù)（2）和均方根誤差（root mean squares error，）進行評價；驗證精度選擇2和相對分析誤差（relative prediction deviation，RPD）進行評價。2越接近1，數(shù)值越小，RPD越大，說明模型估算能力越好。

1.3.4 二次多項式擬合法融合星-機光譜參量 基于UAV和MSI影像各波段反射率，通過二次多項式擬合法[40-42]獲得星-機最優(yōu)光譜參量間的轉(zhuǎn)換系數(shù)，從而校正衛(wèi)星最優(yōu)光譜參量?；貧w擬合采用二次多項式計算，計算公式如下：

ρ0,i=α0,i+α1,i×ρx,i+α2,i×ρ2x,i+ε （2）

式中，ρ0,i是轉(zhuǎn)換后的衛(wèi)星影像光譜參量i，α0,i，α1,i，α2,i是轉(zhuǎn)換系數(shù)，ρx,i是轉(zhuǎn)換前的衛(wèi)星影像光譜參量i，ε是轉(zhuǎn)換殘差。

對于衛(wèi)星最優(yōu)光譜參量融合前后與無人機數(shù)據(jù)一致性可采用擬合度2[43]來檢驗，擬合度越高表明轉(zhuǎn)換后星-機數(shù)據(jù)間的一致性越好。2的計算公式如下：

1.3.5 研究區(qū)棉花葉片SPAD值反演模型優(yōu)選及其空間分布反演分析 將融合前后的MSI最優(yōu)光譜參量分別代入基于UAV圖像和MSI影像的棉花葉片SPAD值反演模型，共得到4個模型，分別為：（1）融合前的MSI光譜參量代入基于MSI的反演模型（MSI-ModMSI）；（2）融合后的MSI光譜參量代入基于MSI的反演模型（Fused MSI-ModMSI）；（3）融合前的MSI光譜參量代入基于UAV的反演模型（MSI-ModUAV）；（4）融合后的MSI光譜參量代入基于UAV的反演模型（Fused MSI-ModUAV）。對比分析融合前后模型效果，優(yōu)選最佳反演模型，進行研究區(qū)棉花葉片SPAD值反演。

已有研究表明，SPAD值能較好地反映棉花長勢，通常SPAD值越高，其棉花長勢越好[38]。根據(jù)前人研究，將SPAD值分為4個級別，分別為：＜30，30—40，40—50，＞50[31]，對反演結(jié)果進行分級顯示，得到夏津縣棉花葉片SPAD值分布圖。

為驗證棉花葉片SPAD值最佳反演模型區(qū)域應(yīng)用的效果，利用夏津縣全域58個樣本的實測值和預(yù)測值，建立散點圖，分析模型精度。

本文研究技術(shù)路線如圖2所示。

2 結(jié)果

2.1 試驗區(qū)棉花葉片SPAD值反演模型

2.1.1 棉花葉片SPAD值的統(tǒng)計特征 對試驗區(qū)采集到的95個棉花葉片SPAD值樣本進行統(tǒng)計分析（表3）。試驗區(qū)內(nèi)棉花葉片SPAD值整體較高，且驗證集、建模集與全部樣本具有較為一致的統(tǒng)計特征，具有較好的代表性。試驗區(qū)95個樣本和研究區(qū)58個樣本統(tǒng)計分析相似，在一定程度上能夠代表研究區(qū)內(nèi)整體情況。

2.1.2 棉花葉片SPAD值的最優(yōu)光譜參量 基于UAV圖像和MSI影像的19組光譜參量分別與樣本棉花葉片SPAD值進行相關(guān)性分析（表4）。其中，基于UAV圖像的光譜參量與SPAD值相關(guān)系數(shù)介于-0.768—0.800；而基于MSI影像的相關(guān)系數(shù)則介于-0.547—0.559。兩者對比，無人機與SPAD值相關(guān)性優(yōu)于衛(wèi)星。

在UAV近地圖像中，選擇與SPAD值相關(guān)性較高的(REG-R)/(REG+R)、R/G、CL(red edge)、NDVI作為最優(yōu)光譜參量構(gòu)建棉花葉片SPAD值定量反演模型。同樣，上述最優(yōu)光譜參量構(gòu)建基于MSI影像的反演模型。

表3 樣本棉花葉片SPAD值統(tǒng)計分析

圖2 技術(shù)路線圖

2.1.3 棉花葉片SPAD值反演模型 以前文最優(yōu)光譜參量為自變量，64個建模樣本SPAD值為因變量，采用MLR分別構(gòu)建基于UAV圖像和MSI影像的棉花葉片SPAD值定量反演模型（表5）。對比分析兩種反演模型精度，基于UAV圖像的模型精度較高，建模2達0.709，驗證2達0.753，RPD達2.045?；贛SI影像的模型精度較低，建模2為0.452，驗證2為0.447，RPD為1.521，模型精度還有待提高。兩者相比，基于UAV圖像的反演模型預(yù)測能力較好，精度遠高于基于MSI影像的模型，可直接用于試驗區(qū)棉花葉片SPAD值反演分析。因此，將星-機數(shù)據(jù)融合，校正衛(wèi)星最優(yōu)光譜參量，應(yīng)能提高反演模型精度，從而實現(xiàn)棉花葉片SPAD值升尺度反演。

圖3為基于UAV反演模型的試驗區(qū)95個樣本棉花葉片SPAD實測值與預(yù)測值的散點圖，可見樣本較好地分布在1﹕1線的兩側(cè)，預(yù)測值和實測值呈現(xiàn)良好的線性關(guān)系，表明模型精度較高且較為穩(wěn)定。

表4 光譜參量與樣本實測SPAD值的相關(guān)性分析

*為在0.05 水平上顯著相關(guān)，**為在0.01 水平上極顯著相關(guān)。下同

* represented significantly correlated at 0.05 level, ** represented extremely significantly correlated at 0.01 level. The same as below

表5 棉花葉片SPAD值反演模型

2.2 研究區(qū)棉花種植面積提取結(jié)果及精度對比

采用植被指數(shù)閾值法，將研究區(qū)衛(wèi)星影像B7波段灰度值與NDVI相結(jié)合，確定研究區(qū)棉花種植區(qū)域的影像最小灰度值為78，NDVI閾值為0.59，即B7＞78且NDVI＞0.59[32]。對不符合閾值的區(qū)域進行掩膜運算，得到2019年8月3日夏津縣棉花種植區(qū)空間分布圖（圖4）。

夏津縣棉花種植區(qū)主要分布在中部，東西兩側(cè)較少。將全域采集的58個樣點在ArcGIS中進行展點，發(fā)現(xiàn)58個樣點均落在提取的棉花種植區(qū)，表明分類結(jié)果較好。通過Google Earth進行目視解譯，選取訓練樣本對棉花種植區(qū)提取結(jié)果作進一步檢驗，采用混淆矩陣來驗證分類精度（表6）。其中，總體分類精度達97.048%，Kappa系數(shù)為0.940，也表明該棉花種植區(qū)分類結(jié)果較好。這與前人研究[32]及當?shù)赝恋乩矛F(xiàn)狀對比，提取的夏津縣棉花種植區(qū)符合實際情況，因此可基于該棉花種植區(qū)進行后續(xù)反演。

圖4 研究區(qū)棉花種植區(qū)分布圖

表6 棉花種植區(qū)提取混淆矩陣

2.3 研究區(qū)棉花葉片SPAD值反演模型

2.3.1 星-機光譜參量融合 將NDVI、CL(red edge)、R/G、(REG-R)/(REG+R) 4組星-機最優(yōu)光譜參量進行二次多項式擬合，得到衛(wèi)星光譜參量的轉(zhuǎn)換參數(shù)，并進行星-機光譜參量的擬合度計算（表7）。星-機最優(yōu)光譜參量融合前后擬合度均大于0.6，表明星-機數(shù)據(jù)間同樣具有較高的相關(guān)性。經(jīng)過二次多項式轉(zhuǎn)換后的最優(yōu)光譜參量擬合度較轉(zhuǎn)換前提升了0.015—0.044，最優(yōu)光譜參量與棉花葉片SPAD值相關(guān)系數(shù)較轉(zhuǎn)換前提高了0.021—0.062，說明融合后數(shù)據(jù)的一致性得以提高。因此，融合星-機最優(yōu)光譜參量實現(xiàn)棉花葉片SPAD值升尺度、高精度反演是可行的。

2.3.2 研究區(qū)棉花葉片SPAD值反演模型 將融合前后的MSI最優(yōu)光譜參量分別代入基于UAV圖像和MSI影像的棉花葉片SPAD值反演模型（表8）。

表7 融合前后的特征光譜參量

NDVI′表示擬合后的NDVI，其余3個光譜參量相同

NDVI 'represented the fitted NDVI, and the other three spectral parameters were the same

表8 研究區(qū)棉花葉片SPAD值反演模型

對比融合前后，融合前后的MSI光譜參量代入基于MSI的反演模型（MSI-ModMSI和Fused MSI- ModMSI），融合后Fused MSI-ModMSI建模2提高了0.015，降低了0.457，驗證2提高了0.040，降低了0.387，RPD提高了0.020；融合前后的MSI光譜參量代入基于UAV的反演模型（MSI- ModUAV和Fused MSI-ModUAV），融合后Fused MSI-ModUAV建模2提高了0.057，降低了0.638，驗證提高了0.085，降低了0.397，RPD提高了0.139?？梢姡瑪?shù)據(jù)融合能夠有效提高模型精度。

對比UAV和MSI模型，融合后的MSI光譜參量分別代入基于MSI和UAV的反演模型（Fused MSI- ModMSI和Fused MSI-ModUAV），和最初建模結(jié)果一致，基于UAV的模型精度要優(yōu)于MSI的模型，建模2提高了0.205，降低了1.384，驗證提高了0.226，降低了1.663，RPD提高了0.144。

綜上，將融合后的MSI光譜參量代入基于UAV的反演模型（Fused MSI-ModUAV）具有最佳反演效果，建模2為0.672，為3.982，驗證2為0.713，為3.859，RPD為1.685，選作最佳模型，用于研究區(qū)棉花葉片SPAD值升尺度反演。

圖5為基于研究區(qū)最佳反演模型的58個樣本SPAD值散點圖，樣本實測值和預(yù)測值呈良好的線性關(guān)系，預(yù)測精度2達0.673，表明研究區(qū)內(nèi)SPAD值預(yù)測效果較好。

圖5 研究區(qū)樣點SPAD值散點圖

2.4 棉花葉片SPAD值空間分布反演

2.4.1 試驗區(qū)棉花葉片SPAD值無人機近地圖像反演 將基于無人機圖像的反演模型（ModUAV）對試驗區(qū)棉花葉片SPAD值進行反演（圖6），并分級統(tǒng)計（表9）。可見，試驗區(qū)整體棉花SPAD值較高，多介于40—50，集中分布在中部和南部地區(qū)；在試驗區(qū)北部SPAD反演值較低，大都低于40；另外道路及其周邊的SPAD反演值也較低，低于30，這與已有研究結(jié)論一致，如劉爽等[44]和李美平等[45]的研究表明田間道路及其周邊區(qū)域作物葉綠素含量相對較低，且多在30以下。

將試驗區(qū)95個采樣點所對應(yīng)的SPAD實測值與預(yù)測值分級統(tǒng)計，作進一步驗證分析（表9）?？梢?，試驗區(qū)內(nèi)，SPAD值＞40的范圍內(nèi)，樣本實測值與預(yù)測值所占比例略有差距但差距較小，SPAD實測值與預(yù)測值介于40—50范圍內(nèi)所占比例最高，均達50%以上，與試驗區(qū)整體反演效果一致，說明試驗區(qū)內(nèi)棉花葉片SPAD值整體偏高。

綜上，試驗區(qū)內(nèi)棉花SPAD值呈現(xiàn)南高北低的空間分布趨勢，這與實地采樣時南部長勢較好、北部葉片發(fā)黃長勢較差的實際情況相一致[38]。表明基于無人機近地圖像的棉花葉片SPAD值反演模型可取得較好的小區(qū)域反演效果。

圖6 試驗區(qū)棉花葉片SPAD值反演圖

表9 試驗區(qū)棉花葉片SPAD值分級統(tǒng)計

2.4.2 研究區(qū)棉花葉片SPAD值衛(wèi)星遙感影像反演 將Fused MSI-ModUAV模型應(yīng)用于研究區(qū)融合后的MSI影像，得到研究區(qū)SPAD值反演圖（圖7），并進行面積統(tǒng)計（表10）。研究區(qū)棉花葉片SPAD反演值多集中于40—50，所占比例達43.640%，主要分布在夏津縣東部；SPAD＞50的區(qū)域分布較為集中，主要分布在夏津縣西部，東部地區(qū)亦有零星分布；SPAD＜40的區(qū)域主要分布在中部城區(qū)周圍，推測此處受大氣污染、道路硬化等人為因素影響，導致該區(qū)域SPAD值略低于四周。

綜上，在夏津縣棉花種植區(qū)，棉花葉片SPAD值在空間分布上整體呈現(xiàn)中間區(qū)域低、周邊區(qū)域高的特征，這與前人研究的夏津縣8月初棉花長勢中部一般、四周較好的結(jié)論相一致[32]。基于星-機光譜參量融合構(gòu)建的反演模型，可提高區(qū)域棉花葉片SPAD值反演精度，預(yù)測效果較好。

圖7 研究區(qū)棉花葉片SPAD值反演圖

表10 研究區(qū)棉花葉片SPAD值分級統(tǒng)計

3 討論

3.1 研究特色與意義

作物定量遙感已成為近年來的研究熱點，基于衛(wèi)星遙感可實現(xiàn)作物指標區(qū)域分析，但精度有待提高，基于無人機近地遙感可提高作物指標定量分析精度，但難以完成大區(qū)域監(jiān)測，星、機不同尺度的多源遙感數(shù)據(jù)融合能夠?qū)崿F(xiàn)優(yōu)勢互補，從而提高作物長勢指標區(qū)域分析精度，已成為作物定量遙感研究的新趨勢。但目前基于不同尺度數(shù)據(jù)融合的棉花定量研究較少，主要長勢指標的區(qū)域分析精度有待提高；作為我國重要的經(jīng)濟作物，棉花有明顯的地帶性特點，更適宜也更需要采用無人機與衛(wèi)星遙感融合。

本文以棉花葉片SPAD值為研究對象，探究了UAV近地圖像與MSI衛(wèi)星影像的光譜參量融合，提高了區(qū)域棉花葉片SPAD值的反演分析精度，不僅可以豐富作物多源光學遙感的理論技術(shù)，還可以為棉田管理分區(qū)及其精準生產(chǎn)提供更為準確的數(shù)據(jù)支持和決策支撐。

3.2 二次多項式擬合法的有效性

為了對二次多項式擬合法的融合效果作進一步驗證分析，證明其可行性和有效性，本文引入比值均值法[31]，基于UAV和MSI影像計算最優(yōu)光譜參量，計算MSI各最優(yōu)光譜參量與對應(yīng)UAV光譜參量的比值，然后計算所有采樣點該參量比值的平均值作為該參量的修正系數(shù)，再乘以對應(yīng)MSI的光譜參量，進而校正基于MSI影像的光譜參量。將修正后的MSI最優(yōu)光譜參量代入基于UAV的反演模型（AR Fused MSI-ModUAV），與Fused MSI-ModUAV作比較分析（表8）。

與AR Fused MSI-ModUAV相比，F(xiàn)used MSI-ModUAV的建模精度2提高了0.034，降低了0.277，驗證精度2提高了0.049，降低了0.156，RPD提高了0.087。兩者對比，基于二次多項式擬合法的Fused MSI-ModUAV模型精度較高，反演效果較好，在融合多源光學遙感數(shù)據(jù)上效果更優(yōu)。

對比兩種不同的融合方法，比值均值法計算簡單[46]，但因其計算平均值從而導致樣本光譜數(shù)據(jù)的均一化，無法體現(xiàn)區(qū)域內(nèi)樣本的差異性[23]。而二次多項式通過樣本一一對應(yīng)的方式，充分挖掘星-機數(shù)據(jù)間的內(nèi)在關(guān)系，體現(xiàn)了樣本間的差異化融合[43,47]。故兩者相比，基于二次多項式的星-機融合效果優(yōu)于比值均值法。

3.3 選擇花鈴期開展研究的意義

本文調(diào)查采樣時間選在8月上旬的棉花花鈴期，已有研究證明花鈴期是棉花生育期中SPAD值達到最大最適宜的時期，此時棉花原始光譜反射率高于其他生育期，基于此構(gòu)建的反演模型精度較高，SPAD值反演效果較好[30]。如田明璐等[21]基于無人機高光譜圖像構(gòu)建了花鈴期棉花葉片SPAD值的偏最小二乘回歸模型，小區(qū)域反演結(jié)果與實際情況較為接近。依爾夏提·阿不來提等[48]通過便攜式高光譜儀獲取花鈴期棉花葉片SPAD值的高光譜數(shù)據(jù)，基于偏最小二乘回歸方法建立SPAD值估算模型，取得了較好的模型效果。本文基于多光譜衛(wèi)星影像和無人機近地圖像融合，針對棉花花鈴期葉片SPAD值反演，雖模型精度低于基于高空間分辨率或高光譜分辨率的數(shù)據(jù)，但得到有效提升，可較好地實現(xiàn)區(qū)域棉花葉片SPAD值反演與分析。

基于研究結(jié)論，田間管理人員可根據(jù)較為準確的SPAD值反演結(jié)果劃分不同的棉花長勢管理分區(qū)，對于長勢過旺的棉田，可以少量或推遲氮肥的施用，適當整枝，防止棉株徒長；而對于長勢較差的棉田，則應(yīng)早施、多施蓋頂肥，并及時補充植株營養(yǎng)，減少花鈴脫落，以提高棉花產(chǎn)量。

3.4 響應(yīng)波段對不同區(qū)域研究的適用性

為有效削弱背景等因素對植被光譜特征的干擾，提高遙感數(shù)據(jù)反演葉綠素含量的精度，本文構(gòu)建了19組與SPAD值相關(guān)性較好的光譜參量，根據(jù)相關(guān)系數(shù)篩選出(REG-R)/(REG+R)、R/G、CL(red edge)、NDVI 4組最優(yōu)光譜參量，其中紅光、紅邊兩個波段參與較多，證明這兩個波段對研究區(qū)花鈴期棉花葉片SPAD值有較好的光譜響應(yīng)，這與紀偉帥等[38]確定紅光和紅邊波段為華北平原棉花葉片SPAD值特征波段的結(jié)論相一致。反觀其他區(qū)域，王爍等[49]研究得出在陜西省關(guān)中地區(qū)綠光和紅邊波段為棉花葉片SPAD值的敏感波段。黃春燕[50]研究確定在新疆地區(qū)近紅外和紅邊波段與棉花葉片SPAD值響應(yīng)明顯?？梢?，紅邊波段作為棉花葉片SPAD值的響應(yīng)波段較為明顯，對不同區(qū)域均有適用性，但其他波段與棉花葉片SPAD值的關(guān)系對不同區(qū)域有所不同。因此，建議對棉花葉片SPAD值響應(yīng)波段的分析，還是應(yīng)該根據(jù)區(qū)域特征分別開展具體研究。

4 結(jié)論

利用多源遙感數(shù)據(jù)融合進行作物生長指標的區(qū)域反演已成為研究熱點。本文采用二次多項式擬合法融合星-機最優(yōu)光譜參量，融合后的無人機和衛(wèi)星影像模型建模2分別提高了0.057、0.015，降低了0.638、0.457，驗證2提高了0.085、0.040，降低了0.397、0.387，RPD提高了0.139、0.020，表明數(shù)據(jù)融合可有效提高棉花葉片SPAD值的反演模型精度。融合后的MSI光譜參量代入基于UAV的反演模型Fused MSI-ModUAV具有最好的預(yù)測能力，被選作最佳模型，進行棉花SPAD值升尺度反演，得到的兩個不同尺度的SPAD值反演圖，預(yù)測效果與實際較為一致。本研究為作物生長指標多源遙感數(shù)據(jù)融合反演提供技術(shù)參考，為區(qū)域棉花精準生產(chǎn)提供數(shù)據(jù)支持。

[1] 蘇偉, 趙曉鳳, 孫中平, 張明政, 鄒再超, 王偉, 史園莉. 基于Sentinel-2A影像的玉米冠層葉綠素含量估算. 光譜學與光譜分析, 2019, 39(5): 1535-1542.

SU W, ZHAO X F, SUN Z P, ZHANG M Z, ZOU Z C, WANG W, SHI Y L. Estimating the corn canopy chlorophyll content using the Sentinel-2A image. Spectroscopy and Spectral Analysis, 2019, 39(5): 1535-1542. (in Chinese)

[2] 周敏姑, 邵國敏, 張立元, 劉治開, 韓文霆. 基于無人機遙感的冬小麥葉綠素含量多光譜反演. 節(jié)水灌溉, 2019, (9): 40-45.

ZHOU M G, SHAO G M, ZHANG L Y, LIU Z K, HAN W T. Multi-spectral inversion of SPAD value of winter wheat based on unmanned aerial vehicle remote sensing. Water Saving Irrigation, 2019, (9): 40-45. (in Chinese)

[3] 陳碩博. 無人機多光譜遙感反演棉花光合參數(shù)與水分的模型研究[D]. 西安: 西北農(nóng)林科技大學, 2019.

CHEN S B. Modeling of cotton photosynthetic parameters and water content retrieval by multi-spectral remote sensing of UAV[D]. Xi’an: Northwest A&F University, 2019. (in Chinese)

[4] HATAM Z, SABET M S, MALAKOUTI M J, BIDGOLI A M, HOMAEE M. Zinc and potassium fertilizer recommendation for cotton seedlings under salinity stress based on gas exchange and chlorophyll fluorescence responses. South African Journal of Botany, 2020, 130: 155-164.

[5] 魚歡, 鄔華松, 王之杰. 利用SPAD和Dualex快速、無損診斷玉米氮素營養(yǎng)狀況. 作物學報, 2010, 36(5): 840-847.

YU H, WU H S, WANG Z J. Evaluation of SPAD and Dualex for in season corn nitrogen status estimation. Acta Agronomica Sinica, 2010, 36(5): 840-847. (in Chinese)

[6] LI X J, DU H Q, ZHOU G M, MAO F J, ZHANG M, HAN N, FAN W L, LIU H, HUANG Z H, HE S B, MEI T T. Phenology estimation of subtropical bamboo forests based on assimilated MODIS LAI time series data. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 173(6): 262-277.

[7] KOTIKOT A M, FLORES A, GRIFFIN R E, SEDAH A, NYAGA J, MUGO R, LIMAYE A, IRWIN D E. Mapping threat to agriculture in East Africa: Performance of MODIS derived LST for frost identification in Kenya’s tea plantations. International Journal of Applied Earth Observation and Geoinformation, 2018, 72: 131-139.

[8] HOLZMAN M E, CARMONA F, RIVAS R, NICLOS R. Early assessment of crop yield from remotely sensed water stress and solar radiation data. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 145: 297-308.

[9] GHOSH S, MISHRA D R, GITELSON A A. Long-term monitoring of biophysical characteristics of tidal wetlands in the northern Gulf of Mexico—A methodological approach using MODIS. Remote Sensing of Environment, 2016, 173: 39-58.

[10] LIAQAT M U, CHEEMA M J M, HUANG W J, MAHMOOD T, ZAMAN M, KHAN M M. Evaluation of MODIS and Landsat multiband vegetation indices used for wheat yield estimation in Irrigated Indus Basin. Computers and Electronics in Agriculture, 2017, 138: 39-47.

[11] MOKHTARI A, NOORY H, POURSHAKOURI F, HAGHIGHATMEHE P, AFRASIABIAN Y, RAZAVI M, FEREYDOONI F, NAENI A S. Calculating potential evapotranspiration and single crop coefficient based on energy balance equation using Landsat 8 and Sentinel-2. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 154: 231-245.

[12] 張卓然, 常慶瑞, 張延龍, 班松濤, 由明明. 基于支持向量機的棉花冠層葉片葉綠素含量高光譜遙感估算. 西北農(nóng)林科技大學(自然科學版), 2018, 46(11): 39-45.

ZHANG Z R, CHANG Q R, ZHANG Y L, BAN S T, YOU M M. Hyperspectral estimation of chlorophyll remote sensing content of cotton canopy leaves based on support vector machine. Journal of Northwest A&F University (Natural Science Edition), 2018, 46(11): 39-45. (in Chinese)

[13] LIU J B, HAN J C, CHEN X, SHI L, ZHANG L. Nondestructive detection of rape leaf chlorophyll level based on Vis-NIR spectroscopy. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2019, 222: 117202.

[14] 張東彥, 宋曉宇, 馬智宏, 楊貴軍, 黃文江, 王紀華. 掃描成像光譜儀和地物光譜儀在單葉尺度上的對比研究. 中國農(nóng)業(yè)科學, 2010, 43(11): 2239-2245.

ZHANG D Y, SONG X Y, MA Z H, YANG G J, HUANG W J, WANG J H. Assessment of the developed pushbroom imaging spectrometer in single leaf scale. Scientia Agricultura Sinica, 2010, 43(11): 2239-2245. (in Chinese)

[15] 唐普恩, 丁建麗, 葛翔宇, 張振華. 基于Sentinel-2A影像干旱區(qū)棉花葉片SPAD數(shù)字制圖. 生態(tài)學報, 2020, 40(22): 8326-8335.

TANG P E, DING J L, GE X Y, ZHANG Z H. SPAD digital mapping

of cotton leaves in arid area based on Sentinel-2A image. Acta Ecologica Sinica, 2020, 40(22): 8326-8335. (in Chinese)

[16] MALHI R K M, KIRAN G S. Empirical modelling for retrieval of foliar traits in cotton crop using spatial data. Current Science, 2019, 116(12): 2089-2096.

[17] BALLESTEROS R, ORTEGA J F, HERNANDEZ D. Onion biomass monitoring using UAV based RGB imaging. Precision Agriculture, 2018, 19(5): 840-857．

[18] 奚雪, 趙庚星, 高鵬, 崔昆, 李濤. 基于Sentinel衛(wèi)星及無人機多光譜的濱海冬小麥種植區(qū)土壤鹽分反演研究——以黃三角墾利區(qū)為例. 中國農(nóng)業(yè)科學, 2020, 53(24): 5005-5016.

XI X, ZHAO G X, GAO P, CUI K, LI T. Inversion of soil salinity in coastal winter wheat growing area based on sentinel satellite and unmanned aerial vehicle multi-spectrum—A case study in Kenli District of the Yellow River Delta. Scientia Agricultura Sinica, 2020, 53(24): 5005-5016. (in Chinese)

[19] 史舟, 徐冬云, 滕洪芬, 胡月明, 潘賢章, 張甘霖. 土壤星地傳感技術(shù)現(xiàn)狀與發(fā)展趨勢. 地理科學進展, 2018, 37(1): 79-92.

SHI Z, XU D Y, TENG H F, HU Y M, PAN X Z, ZHANG G L. Soil information acquisition based on remote sensing and proximal soil sensing: Current status and prospect. Progress in Geography, 2018, 37(1): 79-92. (in Chinese)

[20] 陳俊英, 王新濤, 張智韜, 韓佳, 姚志華, 魏廣飛. 基于無人機-衛(wèi)星遙感尺度的土壤鹽漬化監(jiān)測方法. 農(nóng)業(yè)機械學報, 2019, 50(12): 161-169.

CHEN J Y, WANG X T, ZHANG Z T, HAN J, YAO Z H, WEI G F. Soil salinization monitoring method based on UAV satellite remote sensing scale up. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(12): 161-169. (in Chinese)

[21] 田明璐, 班松濤, 常慶瑞, 馬文君, 殷紫, 王力. 基于無人機成像光譜儀數(shù)據(jù)的棉花葉綠素含量反演. 農(nóng)業(yè)機械學報, 2016, 47(11): 285-293.

TIAN M L, BAN S T, CHANG Q R, MA W J, YIN Z, WANG L. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV based imaging spectroradiometer. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 285-293. (in Chinese)

[22] 毛智慧, 鄧磊, 孫杰, 張愛武, 陳向陽, 趙云. 無人機多光譜遙感在玉米冠層葉綠素預(yù)測中的應(yīng)用研究. 光譜學與光譜分析, 2018, 38(9): 2923-2931.

MAO Z H, DENG L, SUN J, ZHANG A W, CHEN X Y, ZHAO Y. Research on the application of UAV multispectral remote sensing in the maize chlorophyll prediction. Spectroscopy and Spectral Analysis, 2018, 38(9): 2923-2931. (in Chinese)

[23] CHEN H Y, MA Y, ZHU A X, WANG Z R, GENG X Z, WEI Y N. Soil salinity inversion based on differentiated fusion of satellite image and ground spectra. International Journal of Applied Eaeth Observation and Geoinformation, 2021, 101(2): 1-11.

[24] 齊小玲, 吳健平. 多源遙感影像融合及其關(guān)鍵技術(shù)探討. 現(xiàn)代測繪, 2003, 26(3): 20-22.

QI X L, WU J P. Study on multi-source RS images fusion and its key techniques. Modern Surveying and Mapping, 2003, 26(3): 20-22. (in Chinese)

[25] PENG Y, NGUY-ROBERTSON A, ARKEBAUER T, GITELSON A A. Assessment of canopy chlorophyll content retrieval in maize and soybean: Implications of hysteresis on the development of generic algorithms. Remote Sensing, 2017, 9(3): 226.

[26] 賈博中. 基于MODIS與無人機的內(nèi)蒙古沿黃平原區(qū)玉米信息反演與產(chǎn)量估測[D]. 內(nèi)蒙古: 內(nèi)蒙古農(nóng)業(yè)大學, 2021.

JIA B Z. Maize information inversion and yield estimation a plain along the Yellow River in Inner Mongolia based on MODIS and UAV[D]. Inner Mongolia: Inner Mongolia Agricultural University, 2021. (in Chinese)

[27] JIN X L, LI Z H, FENG H K, XU X G, YANG G J. Newly combined spectral indices to improve estimation of total leaf chlorophyll content in cotton. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(11): 4589-4600.

[28] 易秋香. 基于Sentinel-2多光譜數(shù)據(jù)的棉花葉面積指數(shù)估算. 農(nóng)業(yè)工程學報, 2019, 35(16): 189-197.

YI Q X. Remote estimation of cotton LAI using Sentinel-2 multispectral data. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(16): 189-197. (in Chinese)

[29] 劉金然. 基于無人機遙感影像的棉花主要生長參數(shù)反演[D]. 濟南: 山東師范大學, 2019.

LIU J R. Inversion of cotton main growth parameters based on UAV sensing image[D]. Ji’nan: Shandong Normal University, 2019. (in Chinese)

[30] 張卓然. 棉花高光譜特征及其農(nóng)學參數(shù)遙感反演研究[D]. 楊凌: 西北農(nóng)林科技大學, 2018.

ZHANG Z R. Research on hyperspecrtal characteristic of cotton and remote sensing inversion about cotton agronomic parameters[D]. yangling: Northwest A&F University, 2018. (in Chinese)

[31] ZHANG S M, ZHAO G X, LANG K, SU B W, CHEN X N, XI X, ZHANG H B. Integrated satellite, unmanned aerial vehicle (UAV) and ground inversion of the SPAD of winter wheat in the reviving stage. Sensors, 2019, 19(7): 1485.

[32] 李敏. 基于RS和GIS的縣域棉花信息提取及分區(qū)管理研究——以山東省夏津縣為例[D]. 泰安: 山東農(nóng)業(yè)大學, 2012.

LI M. Cotton information extraction and management zoning based on RS and GIS at county scale—A case study in Xiajin county, Shandong province[D]. Taian: Shandong Agricultural University, 2012. (in Chinese)

[33] 張同瑞, 趙庚星, 高明秀, 常春艷, 王卓然. 基于近地多光譜和OLI影像的黃河三角洲冬小麥種植區(qū)鹽分估算及遙感反演——以山東省墾利縣和無棣縣為例. 自然資源學報, 2016, 31(6): 1051-1060.

ZHANG T R, ZHAO G X, GAO M X, CHANG C Y, WANG Z R. Soil salinity estimation and remote sensing inversion based on near-ground multispectral and TM imagery in winter wheat growing area in the Yellow River Delta—Case study in Kenli county and Wudi county, Shandong province. Journal of Natural Resources, 2016, 31(6): 1051-1060. (in Chinese)

[34] 梁亮, 楊敏華, 張連蓬, 林卉, 周興東. 基于SVR算法的小麥冠層葉綠素含量高光譜反演. 農(nóng)業(yè)工程學報, 2012, 28(20): 163-172.

LIANG L, YANG M H, ZHANG L P, LIN H, ZHOU X D. Chlorophyll content inversion with hyperspectral technology for wheat canopy based on support vector regression algorithm. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(20): 163-172. (in Chinese)

[35] 李粉玲, 王力, 劉京, 常慶瑞. 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. 農(nóng)業(yè)機械學報, 2015, 46(9): 273-281.

LI F L, WANG L, LIU J, CHANG Q R. Remote sensing estimation of SPAD value for wheat leaf based on GF-1 data. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9): 273-281. (in Chinese)

[36] CAO Q, MIAO Y X, SHEN J N, YU W F, YUAN F, CHENG S S, HUANG S Y, WANG H Y, YANG W, LIU F Y. Improving in-season estimation of rice yield potential and responsiveness to topdressing nitrogen application with crop circle actice crop canopy sensor. Precision Agriculture, 2016, 17: 136-154.

[37] HABOUSANE D, MILLER J R, PATTEY E, ZARCO-TEJADA P J, STRACHAN I B. Hyperspectra vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sensing of Environment, 2004, 90(3): 337-352.

[38] 紀偉帥, 陳紅艷, 王淑婷, 張玉婷. 基于無人機多光譜的華北平原花嶺期棉花葉片SPAD建模方法研究. 中國農(nóng)學通報, 2021, 37(22): 143-150.

JI W S, CHEN H Y, WANG S T, ZHANG Y T. Modeling method of cotton leaves SPAD at flowering and boll stage in North China Plain based on UAV multispectrum. Chinese Agricultural Science Bulletin, 2021, 37(22): 143-150. (in Chinese)

[39] 王丹陽, 陳紅艷, 王桂峰, 叢津橋, 王向峰, 魏學文. 無人機多光譜反演黃河口重度鹽漬土鹽分的研究. 中國農(nóng)業(yè)科學, 2019, 52(10): 1698-1709.

WANG D Y, CHEN H Y, WANG G F, CONG J Q, WANG X F, WEI X W. Salinity inversion of severe soil in the Yellow River estuary based on UAV multi-spectral. Scientia Agricultura Sinica, 2019, 52(10): 1698-1709. (in Chinese)

[40] MIURA T, HUETE A, YOSHIOKA H. An empirical investigation of cross sensor relationships of NDVI and red/near infrared reflectance using EO-1 hyperion data. Remote Sensing of Environment, 2006, 100(2): 223-236.

[41] TRISHCHENKO A P. Effects of spectral response function on surface reflectance and NDVI measured with moderate resolution satellite sensors: Extension to AVHRR NOAA-17 and METOP-A. Remote Sensing of Environment, 2009, 113(2): 335-341.

[42] 陳文嬌, 翁永玲, 范興旺, 曹一茹. 基于光譜轉(zhuǎn)換的土壤鹽分反演與動態(tài)分析. 東南大學學報(自然科學版), 2017. 47(6): 1233-1238.

CHEN W J, WENG Y L, FAN X W, CAO Y R. Soil salinity retrieval and dynamic analysis based on spectral band inter-calibration. Journal of Southeast University (Natural Science Edition), 2017, 47(6): 1233-1238. (in Chinese)

[43] MA Y, CHEN H Y, ZHAO G X, WANG Z R, WANG D Y. Spectral index fusion for salinized soil salinity inversion using Sentinel-2A and UAV images in a coastal area. IEEE Access, 2020, 8: 159595-159608.

[44] 劉爽, 吳永波. 城市土壤壓實對樹木葉片葉綠素及光合生理特性的影響. 生態(tài)環(huán)境學報, 2010, 19(1): 172-176.

LIU S, WU Y B. The impact of soil compaction on chlorophyll and photosynthetic characteristics of trees. Ecology and Environmental Sciences, 2010, 19(1): 172-176. (in Chinese)

[45] 李美平, 朱宇恩, 尚晉偉, 鄭國璋. 城市路口差異對行道樹葉片葉綠素含量的影響研究. 環(huán)境污染與防治, 2010, 32(9): 37-40, 49.

LI M P, ZHU Y E, SHANG J W, ZHENG G Z. Influence of road intersection difference on chlorophyll content of roadside tree. Environmental Pollution & Control, 2010, 32(9): 37-40, 49. (in Chinese)

[46] 李萍, 趙庚星, 高明秀, 常春燕, 王卓然, 張同瑞, 安德玉, 賈吉超. 黃河三角洲土壤含水量狀況的高光譜估測與遙感反演. 土壤學報, 2015, 52(6): 1262-1272.

LI P, ZHAO G X, GAO M X, CHANG C Y, WANG Z R, ZHANG T R, AN D Y, JIA J C. Hyperspectral estimation and remote sensing reteieval of soil water regime in the Yellow River Delta. Acta Pedologica Sinica, 2015, 52(6): 1262-1272. (in Chinese)

[47] FAN X W, WENG Y L, TAO J M. Towards decadal soil salinity mapping using Landsat time series data. Internationl Journal of Applied Earth Observation and Geoinformation, 2016, 52: 32-41.

[48] 依爾夏提·阿不來提, 買買提·沙吾提, 白燈莎·買買提艾力, 安申群, 馬春玥. 基于隨機森林算法的棉花葉片葉綠素含量估算. 作物學報, 2019, 45(1): 81-90.

ABLET E, SAWUT M, MAIMAITIAILI B, AN S Q, MA C Y. Estimation of leaf chlorophyll content in cotton based on the random forest approach. Acta Agronomica Sinica, 2019, 45(1): 81-90. (in Chinese)

[49] 王爍, 常慶瑞, 劉夢云, 嚴林, 李媛媛, 劉秀英. 基于高光譜遙感的棉花葉片葉綠素含量估算. 中國農(nóng)業(yè)大學學報, 2017, 22(4): 16-27.

WANG S, CHANG Q R, LIU M Y, YAN L, LI Y Y, LIU X Y. Estimation on chlorophyll content of cotton based on optimized spectral index. Journal of China Agricultural University, 2017, 22(4): 16-27. (in Chinese)

[50] 黃春燕. 基于高光譜數(shù)據(jù)的北疆棉花遙感監(jiān)測研究[D]. 石河子: 石河子大學, 2005.

HUANG C Y. Study on monitoring of remote sensing of cotton in north of XinJiang with hyperspectral data[D]. Shihezi: Shihezi University, 2005. (in Chinese)

SPAD value inversion of Cotton leaves based on Satellite-UAV spectral fusion

1National Engineering Research Center for Efficient Utilization of Soil and Fertilizer Resources/College of Resources and Environment, Shandong Agricultural University, Taian 271018, Shandong;2Shandong Institute of Territorial and Spatial Planning, Ji’nan 250014;3Lunan High Speed Railway Co., Ltd, Ji’nan 250098;4College of Agronomy, Shandong Agricultural University, Taian 271018, Shandong

The aim of this study was to improve the inversion accuracy of chlorophyll content in cotton leaves, and to grasp its spatial distribution characteristics in Xiajin county, Shandong province.Taking Xiajin county, Dezhou city, Shandong province as the study area and Dalizhuang cotton field in Xiajin county as the test area, the relative value of chlorophyll content (SPAD value) in cotton leaves in the experimental area was measured by SPAD (soil and plant analyzer development), and obtained the near earth multispectral image of unmanned aerial vehicle (UAV) and Sentinel-2A MSI (MSI) satellite image in the study area in the same period; Then, based on the spectral reflectance of UAV and MSI satellite images, the optimal spectral parameters were constructed and selected, and the inversion model of SPAD value was established by multiple linear regression (MLR); Finally, the quadratic polynomial fitting method was used to fuse the optimal spectral parameters corresponding to UAV and Sentinel-2A MSI. By comparing and analyzing the model effects before and after fusion, the inversion model was optimized, and the SPAD value inversion of the study area was realized.(REG-R)/(REG+R), R/G, Cl(red edge) and NDVI could be the optimal spectral parameters of SPAD value. The precision of cotton leaf SPAD inversion model based on UAV near ground image was better than that based on satellite image; After quadratic polynomial fitting, the calibrationRwas increased by 0.015-0.057, andwas decreased by 0.457-0.638, while the validationRwas increased by 0.040-0.085,was decreased by 0.387-0.397, and RPD was increased by 0.020-0.139. The fused spectral parameters based on Sentinel-2A MSI image were input to the inversion model based on UAV data (Fused MSI-ModUAV), the high inversion accuracy of SPAD value in cotton leaves could be obtained, with the model calibrationRup to 0.672,of 3.982, validationRup to 0.713,of 3.859, and RPD of 1.685. Based on the above model, two inversion prediction maps of different scales were obtained. The SPAD value of cotton leaves in the test area showed the distribution trend of high in the south and low in the north, and the study area showed the distribution trend of low in the middle and high around, which were consistent with the field situation and showed the model had a good prediction effect.Therefore, the fusion of UAV and satellite image data by using quadratic polynomial fitting method could better realize the quantitative inversion of regional high-precision crop growth indicators. The research results could enrich the theory and technology of multi-source remote sensing fusion, and provide the technical reference and data support for cotton growth monitoring and precision production.

SPAD value; UAV; sentinel-2A MSI; inversion model; quadratic polynomial fitting method

2022-01-17；

2022-06-06

山東省自然科學基金（ZR2019MD039）、山東省重點研發(fā)計劃（LJNY202103）

王淑婷，E-mail：wstwang@163.com。通信作者陳紅艷，E-mail：chenhy@sdau.edu.cn

（責任編輯 楊鑫浩）