馬 緯，武志明，余科松

（山西農(nóng)業(yè)大學 農(nóng)業(yè)工程學院，山西 太谷 030801）

硒（Se）在自然界廣泛存在于有機物和無機物中，是一種人和動物生長所必需、對植物生長有益的非金屬營養(yǎng)元素，自然界中硒元素主要以無機硒和植物中有機硒的形式存在，人體或動物可直接吸收作物中的有機態(tài)硒，易溶于水的硒離子（Se4+、Se6+等）可被作物吸收，但其吸收效果受土壤環(huán)境（例如pH 值、土壤含水量等）影響較大[1-2]。在農(nóng)作物的精細管理中，采用外源硒肥噴施可顯著提高作物中硒含量[3-5]。已有相關研究表明，適量施硒可促進小麥等作物的葉片葉綠素合成，高濃度硒肥施入會抑制作物葉片葉綠素含量持續(xù)增加，因此，研究外源硒肥施入量對提高作物品質及滿足人或動物的需求有著重要的意義[6-7]。

遙感技術在農(nóng)作物表型參數(shù)的獲取方面已經(jīng)有了廣泛應用[8-10]，葉綠素作為植物進行光合作用的重要色素，可用于農(nóng)作物長勢或營養(yǎng)狀況評價。目前，通過無人機多光譜影像和地面實測值建立葉綠素模型主要有經(jīng)驗指數(shù)法和經(jīng)驗指數(shù)-物理模型法2 種。其中，學者們采用經(jīng)驗指數(shù)方法的研究居多[11-13]。經(jīng)驗指數(shù)法是利用獲得的作物冠層反射率計算植被指數(shù)（VI），再建立VI、光譜波段反射率和實測值之間的數(shù)學關系，由此獲得的模型精度較高，但不同品種作物在不同時間的估測效果相差大，模型難以推廣。王丹等[11]以山東濟南夏玉米為研究對象，通過無人機多光譜相機獲取夏玉米3 個生育時期的多光譜影像，并結合田間實測葉綠素相對含量（SPAD 值）進行了反演研究，結果表明，以歸一化植被指數(shù)（NDVI）、土壤調整植被指數(shù)（SAVI）和冠層葉綠素含量指數(shù)（CCCI）為輸入變量的多元線性回歸模型（MLR）最優(yōu)且穩(wěn)定。劉仕元等[12]利用無人機搭載的多光譜相機獲取了花生葉片的多光譜影像，同步采集花生葉片葉綠素值，構建了卷積神經(jīng)網(wǎng)絡和深度神經(jīng)網(wǎng)絡2 種模型，發(fā)現(xiàn)卷積神經(jīng)網(wǎng)絡在花生葉片葉綠素監(jiān)測中的效果更優(yōu)，平均絕對誤差在0.8左右。傅友強等[13]以華南秈稻（美香占2號和吉豐優(yōu)1002）為研究對象，探究不同施氮條件下無人機多光譜的水稻冠層光譜特征規(guī)律，在水稻施肥試驗里設置了3 個氮肥處理，以VI 為輸入量，地面實測葉綠素值為輸出，采用多元線性逐步回歸構建水稻SPAD 值反演模型，結果表明，美香占2 號和吉豐優(yōu)1002 的決定系數(shù)分別為0.973 和0.817，該模型對華南地區(qū)秈稻的精準施肥作業(yè)提供了重要理論依據(jù)。經(jīng)驗指數(shù)-物理模型法是在經(jīng)驗指數(shù)的基礎上融入環(huán)境物理參數(shù)（例如氣象數(shù)據(jù)）嘗試獲得準確性更好的模型，這種方法研究報道較少且融合物理參數(shù)后的模型與其他模型相比精度是否提高需進一步開展大量研究。馮浩等[14]以陜西關中地區(qū)夏玉米為研究對象，通過無人機多光譜相機獲取多光譜影像，建立了融合氣象因子（降雨量和最高氣溫）的分層線性模型（HLM）葉綠素估算模型，結果表明，融合氣象因子雖可以提高估算精度，但低于傳統(tǒng)經(jīng)驗指數(shù)法建立的隨機森林模型。

綜上，無人機多光譜遙感可較好地估測農(nóng)田作物冠層葉綠素含量，但大多數(shù)研究都停留在未設置營養(yǎng)元素梯度或為作物生長的土壤設置常見營養(yǎng)元素（例如N 元素等）的基礎上進行作物葉綠素遙感估測模型的研究，不同外源硒肥濃度對作物冠層葉片光譜反射率的影響研究及在此基礎上建立的模型差異性等問題還鮮見報道。因此，以晉中地區(qū)蕎麥為研究對象，采用傳統(tǒng)經(jīng)驗指數(shù)方法，在研究葉片施硒對蕎麥葉綠素含量影響規(guī)律的同時，分析蕎麥葉綠素的光譜特征規(guī)律，以16 個光譜變量（5個波段反射率和11 種VI）為建模因子，在分析光譜變量與SPAD 值的相關性后分別建立基于開花期、灌漿期、開花—灌漿期的偏最小二乘法回歸（Partial least squares regression，PLSR）、主 成 分 回 歸（Principal component regression，PCR）、支持向量機回歸（Support vector machine regression，SVR）和反向傳播神經(jīng)網(wǎng)絡（Back propagation neural network，BPNN）估測模型，最終進行模型精度評價獲取最優(yōu)算法模型，以期為農(nóng)田無人機估測蕎麥冠層葉綠素含量提供研究支持。

1 材料和方法

1.1 試驗設計

試驗于2020 年8—10 月在山西省晉中市太谷區(qū)申奉村開展，研究區(qū)域如圖1所示，該區(qū)域位于太谷區(qū)西北部（北緯37°24′，東經(jīng)112°36′），平均海拔約為776 m，屬于暖溫帶大陸性氣候，春溫高于秋溫，夏季暖熱多雨，冬季長而偏冷。試驗研究對象為苦蕎和甜蕎，根據(jù)施硒量的不同設置5 個水平：CK（不施硒）、S1（5 mg/L）、S2（10 mg/L）、S3（15 mg/L）、S4（20 mg/L）。共10個處理，每個處理重復3次。噴施的葉面肥為生物富硒復合增效劑（太原市志達順復合肥高科技有限公司），硒質量濃度為100 mg/L，于8月25 日采用植保無人機葉面噴施，飛行參數(shù)：飛行速度4 m/s，飛行高度在蕎麥冠層以上2 m，噴幅4.5 m。肥料于8 月下旬一次性施入，肥料施入后，分別于2種蕎麥盛花期和灌漿期獲取無人機遙感影像和田間實測SPAD值。

1.2 多光譜圖像獲取與處理

采用大疆精靈4 搭載6 個COMS 鏡頭獲取蕎麥冠層多光譜影像數(shù)據(jù)。飛行器質量為1.5 kg，飛行速度可達14 m/s，續(xù)航時間約27 min，單次拍攝可獲取具有200 萬像素的照片6 張。無人機搭載有多頻多系統(tǒng)高精度RTK-GNSS，可實現(xiàn)飛行器厘米級定位，頂部集成光強傳感器，可校正太陽光照對影像造成的影響，提高不同環(huán)境光線強度下采集數(shù)據(jù)的準確性與一致性。航線規(guī)劃見圖1，多光譜相機參數(shù)如表1所示。

表1 多光譜相機參數(shù)Tab.1 Parameters of multispectral camera

圖1 研究區(qū)域和試驗設計Fig.1 Study area and experimental design

多光譜影像數(shù)據(jù)采集：分別于2020年9月10日（盛花期）、10 月4 日（灌漿期）進行無人機飛行與數(shù)據(jù)采集。數(shù)據(jù)采集當天，選擇晴朗無云的時間段（12：00—14：00），設置飛行參數(shù)如下：高度80 m，航向、旁向重疊率均為80%。

多光譜影像數(shù)據(jù)處理采用DJI Terra 和ENVI5.3完成。使用DJI Terra 對獲取的多光譜影像進行拼接，獲得單波段下的正射影像，格式為.tif。獲得的影像導入ENVI 進行波段合成并提取波段下的灰度值（DN），最終將波段像素DN值轉換為反射率。

1.3 VI選取與計算

VI是一種可以減少外界大氣或土壤背景干擾、凸顯葉綠素等植被特征的參量，由于它的計算簡便性，被廣泛應用于無人機遙感估測農(nóng)作物表型參數(shù)領域中[13]。根據(jù)葉綠素吸收光譜的特點并結合文獻調研與分析，選取了與葉綠素相關的11 種VI，基于蕎麥冠層影像獲取的藍（B）、綠（G）、紅（R）、紅邊（RE）和近紅外（NIR）反射率計算VI，公式如表2所示。

表2 VI計算公式Tab.2 Calculation formula of vegetation index

續(xù)表2 VI計算公式Tab.2（Continued）Calculation formula of vegetation index

1.4 田間數(shù)據(jù)獲取

使用SPAD-502 葉綠素儀分別于甜、苦蕎的盛花期（9 月10 日）、灌漿期（10 月4 日）測定蕎麥葉片SPAD 值（表3）。在每個處理區(qū)選擇代表性的3 株植株，每個植株上選取冠層3 個葉片，單個葉片上部、中部、底部各測一次，將該處理區(qū)所有植株葉綠素平均值作為該處理區(qū)的SPAD值。

表3 田間實測SPAD值Tab.3 Field measured SPAD values

1.5 統(tǒng)計分析

試驗數(shù)據(jù)采用IBM SPSS Statistics 24.0 軟件進行單因素方差分析和相關性分析，采用LSD法檢驗差異顯著性。由于作物生理生化指標與光譜變量之間并不是簡單的線性關系，研究者在利用無人機遙感開展解析作物表型時由傳統(tǒng)的一元或多元線性回歸轉向較為復雜的非線性模型[26]。采用PLSR、PCR、SVR 和BPNN 這4 種方法建立SPAD 值基于光譜變量的預測模型，并選用常用指標決定系數(shù)（R2）、均方根誤差（RMSE）和相對分析誤差（RPD）來評價模型的性能。R2越大，RMSE越小則模型精度越好[27]。另外，就RPD而言，當RPD＜1.4 時，認為所建模型不可靠；當1.4≤RPD＜2.0時，認為所建模型較可靠；當RPD≥2.0 時，則認為所建模型具備較高可靠性，能夠用于模型分析[28-29]?；貧w分析與精度評價采用MATLAB 2018a。

2 結果與分析

2.1 蕎麥冠層SPAD值變化

由圖2 可知，蕎麥SPAD 值隨著濃度的增加呈先上升后下降的趨勢。在甜蕎的盛花期，各處理間SPAD 值依次為S2＞S3＞CK＞S1＞S4，S4 處理SPAD 值顯著低于S2 和S3。在甜蕎的灌漿期，各處理間SPAD 值依次為S2＞S1＞S3＞CK＞S4，S2、S1、S3處理顯著高于CK、S4。在苦蕎的盛花期，各處理間SPAD值依次為S3＞S2＞S1＞S4＞CK，S3 處理顯著高于其他處理。在苦蕎的灌漿期，各處理間SPAD 值依次為S3＞S2＞S1＞S4＞CK，S3 處 理 顯 著 高 于CK?？?見，10 mg/L 硒對甜蕎葉綠素含量的促進作用最大，15 mg/L硒對苦蕎葉綠素含量的促進作用最大。

圖2 葉面施硒對蕎麥SPAD值的影響Fig.2 Effects of selenium application on SPAD value of buckwheat

2.2 蕎麥冠層光譜特征分析

利用蕎麥冠層盛花期和灌漿期影像獲得波長為450、560、650、730、840 nm 的藍光、綠光、紅光、紅邊和近紅外波段處的反射率，結果如圖3 所示。由圖3 可以看出，冠層葉片反射率呈現(xiàn)藍低綠高紅低近紅外高的趨勢，這與文獻[30]中華北平原棉花冠層光譜反射率的規(guī)律相似，同一時期相比，S2、S3處理下的反射率普遍高于CK、S1和S4。以圖3a為例，冠層葉片在綠波段反射率大小排序為S3＞S2＞S1＞CK＞S4，這表明在S3 和S2 處理葉綠素含量更多，而CK 和S1 由于硒濃度低或者S4 由于硒濃度太高抑制了葉綠素合成，導致葉片發(fā)黃，因而反射率普遍較低，在近紅外波段也是這種現(xiàn)象。

圖3 蕎麥不同硒濃度下光譜反射率Fig.3 Spectral reflectance of buckwheat under different selenium concentrations

將所有SPAD 值和光譜反射率組成的數(shù)據(jù)集按照SPAD 值從小到大的順序排列，然后就此分析并獲得蕎麥冠層光譜反射率隨SPAD 值變化的點線圖（圖4）。由圖4可以看出，蕎麥冠層反射率明顯有區(qū)分且分為4～5 個區(qū)域，NIR 波段區(qū)域最高，RE 波段區(qū)域次之，G 波段區(qū)域再次，B 和R 波段區(qū)域較低；從梯度變化而言，G和R波段反射率隨SPAD值增加而上下略有浮動且增加，NIR和RE波段反射率表現(xiàn)為隨SPAD 值增加，略有增加且穩(wěn)定，B 波段反射率值略有浮動但整體變化并不明顯。

2.3 光譜建模因子與SPAD值相關性分析

通過計算得到盛花期（記作Ⅰ期）、灌漿期（記作Ⅱ期）和盛花—灌漿期（記作Ⅰ—Ⅱ期）不同硒濃度處理下各采樣點的11 個VI，將這11 個VI 與5 個光譜波段反射率共組成16 個光譜變量，分別對這3組生育期的SPAD 值與光譜變量進行皮爾遜相關性分析，結果如圖5所示。

由圖5a 可知，在Ⅰ期，NRI 與SPAD 值相關性較差，相關系數(shù)|r|為0.21，GDVI、DVI、PVI 的|r|均在0.35～0.45，SPI、GCI、GNDVI、NGI、TOSAVI、TCARI、TVI 的|r|均在0.50 以上，且為極顯著相關。由圖5b可知，在Ⅱ期，DVI 的|r|為0.12，相關性較差，余下10個VI 的|r|大小順序依次為PVI、SPI、GCI、GNDVI、NGI、TOSAVI、TCARI、GDVI、TVI、NRI，|r|均在0.60以上。由圖5c可知，在Ⅰ—Ⅱ期，PVI的|r|在0.30以下，相關性較差，DVI、NRI 的|r|在0.30～0.40，SPI、GCI、GNDVI、NGI、TOSAVI、TCARI、GDVI、TVI 的|r|均大于等于0.50，|r|最高達0.82。綜合11 個VI 在3個 時 期 的 表 現(xiàn) 來 看，SPI、GCI、GNDVI、NGI、TOSAVI、TCARI、TVI 這7 種VI 有較好且穩(wěn)定的相關性，|r|為0.50～0.91。由圖5d 可知，NIR、G、RE、R波段下的反射率與SPAD 值呈現(xiàn)較好的相關性，其中NIR 波段的|r|在3 個時期內均大于0.90，G 波段的|r|在3個時期內均大于0.80。

圖5 蕎麥冠層葉片光譜變量與SPAD值相關性分析結果Fig.5 Correlation analysis results of buckwheat canopy leaf spectral variables and SPAD value

2.4 回歸模型的建立與模型驗證

試驗共有60 個樣本數(shù)據(jù)，采用Kennard-Stone算法將樣本劃分為校正集∶預測集=4∶1，Ⅰ期或Ⅱ期校正集數(shù)為24 個，預測集為6 個，Ⅰ—Ⅱ期校正集為48個，預測集為12個，通過PLSR、PCR、SVR 和BPNN 這4 個算法模型反演蕎麥SPAD 值，各模型預演精度結果如表4所示。

表4 4種模型估測蕎麥冠層葉綠素結果Tab.4 Chlorophyll content of buckwheat canopy predicted by four models

3 結論與討論

3.1 葉面噴硒濃度對蕎麥冠層葉綠素含量和光譜特征的影響

硒肥施用量會影響蕎麥葉片的葉綠素含量，硒肥的施用方式會影響作物對硒元素的吸收程度[31]。袁偉玲等[32]采用土壤施硒、葉面噴硒和硒浸種3 種方式對萵苣添加外源硒，研究硒肥方式對萵苣品質的影響，結果表明，葉面噴硒100 mg/kg 為萵苣最佳外源施硒方式和施硒量。夏永香等[33]通過對大蒜葉面噴硒試驗得出，適量硒肥提高大蒜葉片葉綠素含量效果顯著，最佳噴硒質量濃度是10 mg/L（1 次或2次噴硒）。本研究通過蕎麥冠層葉面噴硒試驗，分析葉面噴硒對蕎麥冠層葉綠素含量的影響，結果表明，葉片噴施不同濃度硒肥后葉綠素含量有差異，隨著硒肥施用量增加，蕎麥冠層葉綠素含量先增加后降低，由此可知，過量硒肥并不會持續(xù)提高葉綠素含量，這一結論與文獻[32-33]結論一致，而本試驗得出甜蕎最佳噴硒質量濃度為10 mg/L，苦蕎則為15 mg/L，而導致不同試驗得出的作物最佳施硒濃度不一致是硒肥施用方式、葉面噴硒距離、次數(shù)及不同作物對硒吸收差異等因素共同作用的結果[34]。

本試驗結果表明，蕎麥冠層反射率變化趨勢呈現(xiàn)藍低綠高紅低近紅外高的規(guī)律特征，這與文獻[35]所示的植物光譜特征的結論一致，植物的各種色素尤其葉綠素是形成植物光譜響應的重要因素，在中心波長為450 nm 和650 nm 的譜帶內，由于葉綠素吸收了大量能量呈現(xiàn)反射率較低的現(xiàn)象，在這2 個吸收帶之間的中心波長為550 nm 譜帶內，吸收能量較少則形成一個反射峰，在中心波長為840 nm的譜帶內，作物的光譜特性則主要受葉片細胞結構影響，反射率普遍在0.4以上[36]。

3.2 不同建模方式對蕎麥冠層葉綠素估測模型穩(wěn)定性的影響

目前關于無人機多光譜遙感估測農(nóng)學參數(shù)的研究多集中于玉米、小麥等農(nóng)作物[37-38]，且設置試驗變量為土壤施氮或自然狀態(tài)下，有關蕎麥冠層葉片在噴硒作用下的研究較少見。本研究以經(jīng)驗指數(shù)法構建了光譜特征變量，采用相關性分析法篩選了光譜變量，并以敏感光譜變量為輸入，實測葉綠素為輸出，建立了蕎麥葉綠素的估算模型，并對模型的效果進行評價。結果表明，SVR 模型整體表現(xiàn)精度高且穩(wěn)定可靠，R2P在0.94～0.96，RMSE在0.45～0.82，RPD均大于3.00。這比張恒瑞等[39]、陳浩等[37]采用一元、多元線性模型估測的R2提高了0.03～0.10，表明SVR 較簡單線性模型有更好的精度。而就單個生育時期而言，BPNN 和PLSR 分別在盛花期和盛花—灌漿期精度達到最高。

本試驗研究了葉面噴硒對蕎麥冠層葉綠素含量及光譜特征影響規(guī)律，并建立不同硒肥濃度下的回歸模型。本試驗數(shù)據(jù)是基于同一地區(qū)2種蕎麥品種且在半年內的遙感影像，而模型在不同地域、更多品種蕎麥上的適用性還有待研究，模型對于更長生長周期的蕎麥葉綠素估算精度也需進一步研究。