唐渲運， 高何璇， 高曉陽*， 李紅嶺， 賈尚云， 張 旭，2

(1.甘肅農(nóng)業(yè)大學機電工程學院，甘肅 蘭州 730070；2.甘肅省葡萄與葡萄酒工程學重點實驗室，甘肅 蘭州 730070；3.甘肅省干旱生境作物學重點實驗室，甘肅 蘭州 730070；4.蘭州銀行網(wǎng)絡金融部，甘肅 蘭州 730000)

目前，葡萄在我國栽培地域廣且產(chǎn)量大，葡萄品質(zhì)對食用和葡萄酒口感影響很大，而氮素是影響其產(chǎn)量和品質(zhì)的重要因素之一[1]。利用遙感技術快速監(jiān)測植被元素含量，在現(xiàn)代精準農(nóng)業(yè)的智能化施肥決策中發(fā)揮著越來越重要的作用[2-9]。通過無人機搭載光譜相機組成的遙感監(jiān)測系統(tǒng)，研究使用大面積遙感實驗數(shù)據(jù)對元素含量進行反演，可快速獲得植被元素含量[12]。目前農(nóng)業(yè)光譜應用多集中在小麥、水稻等大田作物[17-20]，國內(nèi)外鮮有對葡萄植株所含元素的光譜研究。本文使用無人機搭載多光譜相機獲取的葡萄植株多光譜數(shù)據(jù)生成植被指數(shù)進行葡萄植株的氮素反演，以求為葡萄關鍵生長期施肥管理提供決策依據(jù)。

1 材料與方法

1.1 研究試驗區(qū)域與試驗設計

試驗研究地點位于甘肅省武威市涼州區(qū)清源鎮(zhèn)威龍沙漠綠洲有機葡萄莊園(102°47′33″ E，37°54′0″ N)，試驗地域?qū)儆诘湫蜏貛Т箨懶詺夂?，日照時數(shù)2 800小時左右，光照充足，晝夜溫差較大，蒸發(fā)量大，干旱少雨。選用馬瑟蘭葡萄為研究對象，種植株距為3 m，行距5 m，柱架栽培。葡萄4月19日出土上架，萌芽期在5月10號左右，6月初為開花期，6月中旬進入果實膨大期，9月初為果實著色期，全生育期150～165天。試驗研究過程中，分別在葡萄的4個生育期獲取多光譜圖進行建模反演。試驗選取60個樣本小區(qū)，利用矯正后的光譜圖，提取小區(qū)的平均反射率構建植被指數(shù)，對應采樣葉片在實驗室測定其氮含量數(shù)據(jù)，構成建模數(shù)據(jù)樣本集。其中隨機選取45個樣本小區(qū)用于建模，剩余15個樣本小區(qū)用于模型精度驗證。從每個樣本小區(qū)摘取6片葉片，使用保溫箱冷藏后帶回實驗室，使用干燥箱干燥，研磨成粉后經(jīng)甘肅省農(nóng)業(yè)科學研究院使用凱氏定氮法測取其氮含量。葉片采樣時，測定并記錄每個樣本點GPS數(shù)值，便于后期與多光譜影像對應處理。

1.2 多光譜影像數(shù)據(jù)的采集與處理

本試驗研究采用大疆M200系列四旋翼無人機搭載RedEdge-M多光譜相機。無人機飛行時，為確保生成正射影像圖，相機鏡頭保持垂直向下；為保證光譜數(shù)據(jù)的質(zhì)量，采集均選在天氣晴朗無云并且陽光正射地面的中午時間，飛行高度為45 m，選定飛行實驗區(qū)域后，自動規(guī)劃航線飛行。RedEdge-M多光譜相機共有五個通道，分別為紅、綠、藍、紅邊、近紅五通道，拍攝時內(nèi)置SD卡用于圖像儲存。利用Pix4D mapper對光譜圖像進行拼接、校準、提取各波段反射率，編輯植被指數(shù)公式，生成反演所用的光譜變量。

1.3 植被指數(shù)的選取

參考已有植物氮素反演研究文獻[21-31]，本文選取5個波段反射率和11個植被指數(shù)，以16個光譜變量對葡萄葉片氮含量進行反演試驗研究，表1為試驗研究選用的光譜變量。

表1 試驗研究選用的光譜變量

1.4 數(shù)據(jù)分析方法

1.4.1 逐步回歸分析

在多元線性回歸中，如何選擇最優(yōu)自變量是需要考慮的重要環(huán)節(jié)，自變量數(shù)目太少，則會造成偏差過大；若選擇全部自變量，則由于許多不顯著自變量會使自由度減小而導致誤差δ2增大等問題[32]。為建立最優(yōu)回歸方程，本研究采用逐步回歸的思想方法，首先對引入的因子進行顯著性檢驗，只保留顯著者；其次，反復引入因子，每引入一個新因子就進行一次顯著性檢驗，保留顯著并剔除不顯著因子，直到進入的因子都顯著，而沒有進入的因子都不顯著為止。

Note：RGRE、RRED、RBLU、RREG、RREG and RNIRare reflectance values in green，red，blue，red edge and near infrared bands.

1.4.2 建模方法

首先將實測葡萄葉片氮含量與選取的植被指數(shù)做相關性分析，以相關性顯著作為逐步回歸基礎；其次，隨機選取45個樣本數(shù)據(jù)為訓練數(shù)據(jù)集來構建葡萄氮含量模型，剩余15個樣本數(shù)據(jù)為檢驗數(shù)據(jù)集，對建立的估算模型進行能力檢驗。本文采用后退逐步回歸建模，選擇16個經(jīng)過檢驗顯著的植被指數(shù)為初始變量，之后再分析逐個剔除其中最不顯著者，綜合考慮模型精度以及復雜程度，選擇出最優(yōu)植被指數(shù)變量構建最終反演模型，用于智慧農(nóng)業(yè)的氮肥決策。

1.4.3 評價指標

本文選取決定系數(shù)R2、調(diào)整后R2、均方根誤差(RMSE)作為模型精度評價指標。所建模型R2越大，相應的RMSE越小，模型估算能力將越好。模型評價指標見公式(1)-(3)。

(1)

(2)

(3)

2 結果與分析

2.1 葉片氮含量與光譜變量相關性分析

相關性分析是回歸建模的前提。當因變量與自變量的相關性越高，回歸模型才具有較高可解釋性。從萌芽期、開花期、果實膨大期、著色期等4個主要生育期數(shù)據(jù)樣本集中隨機選取45組數(shù)據(jù)，對生育期的光譜構建的植被指數(shù)與葉片實際氮含量進行相關性分析，各生育期相關性分析結果如圖1所示。

圖1 光譜變量與葡萄葉片氮含量相關性系數(shù)

本試驗研究通過對萌芽期、開花期、果實膨大期、果實著色期等4個生育期植被指數(shù)與實測葉片氮含量相關性分析可知，在萌芽期，GNDVI與氮含量相關性系數(shù)最高，并且P<0.01，極顯著；在開花期，MNLI與氮含量相關性系數(shù)最高，P<0.01，極顯著；在果實膨大期，GNDVI、MNLI與氮含量相關性系數(shù)最高；在著色期，MNLI與氮含量相關性系數(shù)最高，P<0.01，極顯著。

2.2 葉片氮含量最佳估測模型

由上述分析可知，5個通道的光譜反射率以及所構成的11個植被指數(shù)與葉片氮含量具有較高的相關性。本文選用SPSS軟件對實驗數(shù)據(jù)進行后退逐步回歸分析，使用16個光譜變量與葉片氮含量構建多元線性回歸模型，首先將全變量建模中不顯著變量剔除，然后采用后退逐步回歸逐個剔除變量中最不顯著變量，步進法條件使用F的概率，進入為0.05，去除為0.1。為規(guī)避偽回歸風險，首先將原始數(shù)據(jù)標準化，取自然數(shù)對數(shù)后進行回歸分析。綜合考慮模型精度和簡潔度，選取合適的模型建模，回歸結果如表2所示。

表2 光譜變量與葡萄葉片氮含量回歸結果

表3 不同生育期葡萄葉片氮含量回歸結果

圖2 氮含量預測值與實際值的關系

3 討論

利用無人機搭載RedEdge-M多光譜相機采集的紅、藍、綠、近紅和紅邊波段等低空農(nóng)業(yè)遙感光譜數(shù)據(jù)，在田塊尺度上包含的精準農(nóng)業(yè)信息豐富，作物生長檢測和數(shù)據(jù)處理也較為簡單，相比于高光譜其價格優(yōu)勢明顯，便于實際推廣應用。

葡萄氮含量與其葉綠素含量有很強的關聯(lián)性，氮素含量隨著葉綠素量增加而增加[33]，在氮素含量研究中可適當選取一些對葉綠素敏感的波段。本研究發(fā)現(xiàn)，綠光波段在可見光中最為敏感，光譜指數(shù)GNDVI在不同生育期和氮素相關性也都較高，說明綠光及其綠光波段所構成的光譜指數(shù)可以很好地對葡萄氮含量進行反演。

此外，還嘗試了采用BP神經(jīng)網(wǎng)絡、支持向量機等構建模型實驗，但由于樣本集數(shù)量過少，所訓練的模型無法滿足精度要求；就線性模型而言，本文選用一年采集的試驗數(shù)據(jù)所構建的多元線性回歸模型，相比于采用最優(yōu)植被指數(shù)的已有反演模型研究[21-30]，其模型精度仍相對較高。多元回歸模型即避免了全變量建模的多重共線性，方便模型的解釋，又保證了模型的穩(wěn)定性。為進一步提高所建模型的魯棒性，今后還應適當增加實驗區(qū)域，并采用多年數(shù)據(jù)來構建模型。

4 結論

基于無人機多光譜影像，采用逐步回歸分析方法構建葡萄四個生育期的葉片氮素含量模型，實現(xiàn)對葡萄氮含量的有效估測。本文試驗研究的結果如下。

(1)葡萄氮含量與多光譜相機的5個波段相關性分析結果表明，綠色、紅邊、近紅波段對植被指數(shù)都很敏感，在四個生長期近紅外波段與葡萄氮含量相關性都是最高的。

(2)經(jīng)后退逐步回歸分析法，篩選出各生育期葡萄氮含量模型的最優(yōu)光譜變量。萌芽期為GNDVI、B、R、MNLI、G、NIR；開花期為 GRVI、GNDVI、B、RE、R、G、NIR、MNLI、NDVI；果實膨大期為GRVI、RE、MNLI、NLI、GNDVI、NDVI；著色期為GRVI、NIR、B、RE、R、G、MNLI、NLI、GNDVI。