摘要：葉綠素含量對(duì)作物的光合作用有直接影響，同時(shí)影響作物有機(jī)質(zhì)的積累，成為監(jiān)測(cè)作物生長(zhǎng)的重要指標(biāo)，煙草作為一種特殊的經(jīng)濟(jì)作物，快速監(jiān)測(cè)其葉綠素含量具有重要意義。無(wú)人機(jī)遙感技術(shù)的發(fā)展為實(shí)現(xiàn)快速、無(wú)損監(jiān)測(cè)提供了有利條件。為了探索一種快速便捷的估算烤煙冠層葉綠素含量的方法，實(shí)現(xiàn)方便高效的作物監(jiān)測(cè)，利用SPAD-502型葉綠素儀測(cè)定煙草不同生育期葉綠素含量的實(shí)際值，并利用搭載多光譜相機(jī)的無(wú)人機(jī)采集對(duì)應(yīng)時(shí)期煙草的光譜圖像，研究不同施氮水平下煙草冠層葉綠素含量的變化規(guī)律，另外選取58種常用植被指數(shù)與冠層實(shí)測(cè)葉綠素含量進(jìn)行相關(guān)性分析，選擇與實(shí)測(cè)葉綠素含量極顯著相關(guān)的11種植被指數(shù)，構(gòu)建煙草冠層葉綠素含量逐步回歸的隨機(jī)森林模型。結(jié)果表明，不同施氮濃度下，旺長(zhǎng)期葉綠素含量最高，同一生育期，葉綠素含量隨施氮濃度的增加而上升；采用隨機(jī)森林建立的煙草旺長(zhǎng)期模型r2為0.790，RMSE為2.140。本研究證明，葉綠素含量隨施氮濃度增加而變化明顯，2種建模方法中隨機(jī)森林模型的精度優(yōu)于逐步回歸模型，研究為煙草葉綠素含量的快速估算提供了一種新的方法，為利用無(wú)人機(jī)平臺(tái)進(jìn)行作物監(jiān)測(cè)提供了可行的參考。

關(guān)鍵詞：無(wú)人機(jī)；多光譜；葉綠素含量；逐步回歸；隨機(jī)森林；煙草

中圖分類號(hào)：S572.01；S127 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）15-0232-07

收稿日期：2023-08-29

基金項(xiàng)目：中國(guó)煙草總公司重點(diǎn)研發(fā)項(xiàng)目（編號(hào)：110202102041）；云南省煙草公司大理州公司重點(diǎn)項(xiàng)目（編號(hào)：2021530000241026）。

作者簡(jiǎn)介：王佳麗（1997—），女，山東濰坊人，碩士研究生，從事煙草栽培生理研究。E-mail：w15653626269@163.com。

通信作者：張久權(quán)，碩士，研究員，碩士生導(dǎo)師，從事煙草智慧農(nóng)業(yè)研究。E-mail：zhangjiuquan@caas.cn。

煙草在我國(guó)國(guó)民經(jīng)濟(jì)中占有特殊地位，田間管理情況直接影響煙葉的品質(zhì)，進(jìn)而影響其價(jià)格。 作為煙草重要生化參數(shù)之一，葉綠素含量與光合作用密切相關(guān)，其含量可以作為衡量煙草營(yíng)養(yǎng)脅迫、植物病害以及生長(zhǎng)狀態(tài)的重要指標(biāo)之一［1-2］。近年來(lái)，無(wú)人機(jī)遙感技術(shù)快速發(fā)展，因其具有宏觀、快速、準(zhǔn)確、客觀、動(dòng)態(tài)、多尺度、覆蓋面積大、監(jiān)測(cè)周期短、費(fèi)用低等優(yōu)點(diǎn)［3］，在現(xiàn)代智慧農(nóng)業(yè)中得到廣泛應(yīng)用［4-5］，為快速監(jiān)測(cè)大田作物生長(zhǎng)狀況提供了低成本、高效率的生產(chǎn)方法［6］。研究發(fā)現(xiàn)，作物葉片及冠層光譜指數(shù)與其葉綠素含量密切相關(guān)［7］，孟沌超等通過(guò)提取無(wú)人機(jī)可見(jiàn)光圖像的植被指數(shù)和紋理特征，定量估算玉米冠層葉綠素的SPAD值［8］。劉濤等利用無(wú)人機(jī)多光譜圖像分析光譜指數(shù)與地面實(shí)測(cè)數(shù)據(jù)的相關(guān)性，估算小麥葉面積指數(shù)和葉綠素含量［9］。汪旭等通過(guò)提取甜菜冠層圖像的光譜特征，研究其葉綠素含量的反演模型［10］。

本研究以煙草為研究對(duì)象，基于光譜遙感技術(shù)，提取煙草冠層的光譜反射率，通過(guò)光譜反射率與煙草葉綠素相對(duì)含量（以SPAD值計(jì)）的相關(guān)性分析，建立煙草葉綠素相對(duì)含量估算模型，以期實(shí)現(xiàn)在不損害煙草生長(zhǎng)的前提下快速監(jiān)測(cè)煙草的生長(zhǎng)狀況。

1 材料與方法

1.1 試驗(yàn)材料與設(shè)計(jì)

本試驗(yàn)于2022年在云南省大理白族自治州彌渡縣紅巖鎮(zhèn)（25°41′24″N，100°11′24′′E）開(kāi)展，選取4塊試驗(yàn)地（S1、S2、S3、S4），均位于相對(duì)平坦的地形上，周圍沒(méi)有高壓線、樹(shù)木、建筑物和其他阻礙無(wú)人機(jī)飛行的障礙物。本試驗(yàn)供試品種為紅花大金元，各試驗(yàn)地設(shè)置7個(gè)施氮處理（0、25%、50%、75%、100%、125%、150%），重復(fù)3次，采用隨機(jī)區(qū)組設(shè)計(jì)，每個(gè)試驗(yàn)地的面積約為1 000 m2，共計(jì)1 650株煙株。5月上旬移栽煙草植株，5月19日第1次施肥（N、P2O5、K2O含量分別為10%、10%、24%），后每周施肥1次，具體見(jiàn)表1。其中，100%為根據(jù)當(dāng)?shù)馗鞣绞竭M(jìn)行的正常施肥，其他種植和管理按照當(dāng)?shù)貞T例進(jìn)行。

1.2 數(shù)據(jù)采集

1.2.1 無(wú)人機(jī)多光譜數(shù)據(jù)的采集

分別于2022年6月18日（團(tuán)棵期）、7月6日（旺長(zhǎng)期）和7月18（平頂期）進(jìn)行無(wú)人機(jī)多光譜數(shù)據(jù)采集，使用的無(wú)人機(jī)為大疆精靈4 多光譜版，多光譜相機(jī)包含1個(gè)可見(jiàn)光相機(jī)和藍(lán)［B，（450±16） nm］、綠［G，（560±16） nm］、紅［R，（650±16） nm］、紅邊［RE，（730±16） nm］和近紅外［NIR，（840±26） nm］等5個(gè)光譜波段。3次多光譜影像的采集均選擇晴朗無(wú)云、風(fēng)力較小的天氣于10：00—14：00 在田間上空進(jìn)行，以盡量減少光源對(duì)拍攝數(shù)據(jù)的影響。飛行參數(shù)設(shè)定主航線上重疊率為88%，主航線間重疊率為85%，飛行高度為20 m，飛行速度為3 m/s。

1.2.2 葉綠素含量的測(cè)定

使用日本柯尼卡美能達(dá)公司的SPAS-502 Plus葉綠素測(cè)定儀測(cè)定煙葉葉綠素相對(duì)含量，其測(cè)定與飛拍保持同步。每小區(qū)選取有代表性的4株烤煙，每株測(cè)定中部葉1張，根據(jù)葉片大小選擇葉鞘到葉尖的不同部位測(cè)量5次，記錄20個(gè)點(diǎn)的平均值，作為該小區(qū)的SPAD平均值，測(cè)定時(shí)避開(kāi)大支脈及受損區(qū)域。

1.3 多光譜影像預(yù)處理與煙葉冠層反射率提取

本研究采用大疆制圖軟件對(duì)獲取的無(wú)人機(jī)多光譜影像進(jìn)行拼接，通過(guò)ENVI和ArcGIS軟件對(duì)多光譜影像進(jìn)行輻射校正、大氣校正、影像拼接等處理，最終得到試驗(yàn)地塊各小區(qū)的平均光譜反射率。

1.4 植被指數(shù)的選取及計(jì)算

植被指數(shù)是2種以上植被敏感波段的組合，可以突出顯示植被特征，根據(jù)相關(guān)資料，本研究結(jié)合葉綠素吸收光譜的特點(diǎn)，選取常用的58個(gè)植被指數(shù)對(duì)煙草葉片葉綠素相對(duì)含量進(jìn)行估測(cè)，將選取的58個(gè)植被指數(shù)和實(shí)測(cè)SPAD值進(jìn)行相關(guān)性分析，得到其相關(guān)關(guān)系，選取相關(guān)性較高的前11個(gè)光譜變量進(jìn)行建模，各植被指數(shù)的計(jì)算公式見(jiàn)表2。

1.5 數(shù)據(jù)分析方法

1.5.1 建模方法

首先將本研究選取的58個(gè)植被指數(shù)和實(shí)測(cè)SPAD值進(jìn)行相關(guān)性分析，得到其相關(guān)關(guān)系，選取相關(guān)性較高的前11個(gè)光譜變量，利用逐步回歸和隨機(jī)森林分析方法，篩選出最優(yōu)參數(shù)，建立煙葉SPAD值的最優(yōu)估測(cè)模型。

1.5.1.1 逐步回歸

逐步回歸是回歸分析中一種篩選變量的過(guò)程，可以對(duì)1組候選變量進(jìn)行識(shí)別。通過(guò)逐步將自變量輸入模型，將影響度低和與其他變量高度相關(guān)的變量剔除，如果變量經(jīng)過(guò)檢驗(yàn)后是顯著的，則將其納入到回歸模型中，同時(shí)，每引入1個(gè)新的變量，就會(huì)對(duì)舊的變量再次進(jìn)行逐個(gè)檢驗(yàn)，最終得到一個(gè)自動(dòng)擬合的最優(yōu)回歸模型。

1.5.1.2 隨機(jī)森林

隨機(jī)森林是一種集成學(xué)習(xí)算法。隨機(jī)森林模型由多棵決策樹(shù)構(gòu)成，其基本原理是從變量中隨機(jī)抽取樣本進(jìn)行訓(xùn)練，每棵決策樹(shù)都能通過(guò)抽取的樣本得出1個(gè)預(yù)測(cè)結(jié)果，將許多決策樹(shù)聯(lián)合到一起，從而建立多棵相互不關(guān)聯(lián)的回歸樹(shù)，通過(guò)并行的方式獲得預(yù)測(cè)結(jié)果，降低了過(guò)擬合的風(fēng)險(xiǎn)。最終綜合所有樹(shù)的結(jié)果取平均值，得到整個(gè)森林的回歸預(yù)測(cè)結(jié)果。

1.5.2 評(píng)價(jià)指標(biāo)

選取決定系數(shù)（r2）、均方根誤差（RMSE）作為評(píng)估估算模型建模與驗(yàn)證精度的指標(biāo)。模型建模和驗(yàn)證r2 越大，相應(yīng)的RMSE越小，則模型估算能力越好。r2、RMSE具體公式如（1）、（2）。

r2=∑（yi-yi）（yj-yi）∑（yi-yi）2（yj-yi）22；（1）

RMSE=1n∑ni（yi-yi）2。（2）

式中：n是總樣本數(shù)；yi、yj分別表示實(shí)測(cè)和預(yù)測(cè)的葉綠素含量（i=j）。

2 結(jié)果與分析

2.1 施氮量對(duì)葉綠素含量的影響

由圖1可知，各施氮水平下，平頂期葉綠素含量較低，旺長(zhǎng)期葉綠素含量最高，且隨著施氮量的增加，葉綠素含量呈現(xiàn)升高趨勢(shì)。旺長(zhǎng)期，T150施肥水平下，葉綠素含量達(dá)到最大值，生育后期，隨著葉片變黃成熟，葉綠素含量逐漸下降，團(tuán)棵期，T150施肥水平下，葉綠素含量最低。

2.2 植被指數(shù)與葉綠素含量的相關(guān)性

采用SPSS 軟件對(duì)煙葉冠層SPAD值和58個(gè)植被指數(shù)進(jìn)行相關(guān)性分析，得到與煙草冠層葉綠素含量在0.01水平上呈現(xiàn)極顯著相關(guān)的10個(gè)植被指數(shù)，分別為 DVI、GRVI、NGI、NBI、G/B、R/B、RGBVI、REGNDVI、MTVI1、PVI。

2.3 煙葉葉綠素含量模型的估測(cè)與評(píng)價(jià)

采用“2.2”節(jié)中篩選得到的10個(gè)植被指數(shù)作為輸入變量，將不同生育期的84套數(shù)據(jù)樣本按70%用作訓(xùn)練、30%用作測(cè)試進(jìn)行建模。

從圖2至圖4可以看出，團(tuán)棵期、旺長(zhǎng)期、平頂期所建立的逐步回歸模型中訓(xùn)練集、測(cè)試集預(yù)測(cè)值與實(shí)測(cè)值的r2分別為0.622和0.564、0.669和0.58、0.556和0.321，團(tuán)棵期所建立的逐步回歸模型精度較高；團(tuán)棵期、旺長(zhǎng)期、平頂期所建立的隨機(jī)森林模型中，訓(xùn)練集、測(cè)試集預(yù)測(cè)值與實(shí)測(cè)值的r2分別0.869和0.668、0.901和0.79、0.836和0.64，可見(jiàn)旺長(zhǎng)期所建立的隨機(jī)森林模型精度最高。

3 討論與結(jié)論

本研究采用逐步回歸和隨機(jī)森林，構(gòu)建了煙草不同生育期的SPAD估測(cè)模型，從模型效果來(lái)看，隨機(jī)森林模型的精度優(yōu)于逐步回歸模型，這與前人的結(jié)論［33］較為吻合，其原因在于針對(duì)在建模過(guò)程中出現(xiàn)的異常值，隨機(jī)森林模型能夠更好地接受，從而可以有效避免出現(xiàn)過(guò)度擬合［34-35］。值得注意的是，隨機(jī)森林建模過(guò)程中所選擇的隨機(jī)種子、決策樹(shù)模型數(shù)量以及決策樹(shù)模型深度等參數(shù)不同，最終產(chǎn)生的結(jié)果也會(huì)不同，因此可以擴(kuò)大數(shù)據(jù)量，優(yōu)化模型參數(shù)，得到最優(yōu)結(jié)果。

由于受到共線性與自變量之間的相關(guān)性影響，在進(jìn)行自變量的剔除時(shí)，逐步回歸可能會(huì)剔除掉本不該剔除的自變量，從而導(dǎo)致建模效果不好，因此，嘗試多種分析結(jié)合建模，消除自變量之間的相關(guān)性，可有效提高精度。

本研究通過(guò)設(shè)置不同施氮量，研究施氮量與煙葉葉綠素含量之間的關(guān)系發(fā)現(xiàn)，隨著施氮量的增加，各生育期煙葉葉綠素含量呈現(xiàn)增加趨勢(shì)。另外基于植被指數(shù)DVI、GRVI、NGI、NBI、G/B、R/B、RGBVI、REGNDVI、MTVI1、PVI、RRE構(gòu)建煙草不同生育期的逐步回歸和隨機(jī)森林模型，其中旺長(zhǎng)期所建立的隨機(jī)森林模型預(yù)測(cè)效果最優(yōu)，表明可以利用隨機(jī)森林模型對(duì)旺長(zhǎng)期煙草冠層葉綠素含量進(jìn)行預(yù)測(cè)，并作為監(jiān)測(cè)煙葉葉綠素含量的有效手段。

參考文獻(xiàn)：

［1］李漢生，徐 永. 光照對(duì)葉綠素合成的影響［J］. 現(xiàn)代農(nóng)業(yè)科技，2014（21）：161-164.

［2］Pinto F，Celesti M，Acebron K，et al. Dynamics of sun-induced chlorophyll fluorescence and reflectance to detect stress-induced variations in canopy photosynthesis［J］. Plant，Cell & Environment，2020，43（7）：1637-1654.

［3］王 磊，周建平，許 燕，等. 農(nóng)用無(wú)人機(jī)的應(yīng)用現(xiàn)狀與展望［J］. 農(nóng)藥，2019，58（9）：625-630，634.

［4］王麗愛(ài)，馬 昌，周旭東，等. 基于隨機(jī)森林回歸算法的小麥葉片SPAD值遙感估算［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（1）：259-265.

［5］汪小欽，王苗苗，王紹強(qiáng)，等. 基于可見(jiàn)光波段無(wú)人機(jī)遙感的植被信息提?。跩］. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（5）：152-157，159，158.

［6］Jiang Y，Li C Y，Paterson A H.High throughput phenotyping of cotton plant height using depth images under field conditions［J］. Computers and Electronics in Agriculture，2016，130：57-68.

［7］Lu S，Lu X T，Zhao W L，et al. Comparing vegetation indices for remote chlorophyll measurement of white poplar and Chinese elm leaves with different adaxial and abaxial surfaces［J］. Journal of Experimental Botany，2015，66（18）：5625-5637.

［8］孟沌超，趙 靜，蘭玉彬，等. 基于無(wú)人機(jī)可見(jiàn)光影像的玉米冠層SPAD反演模型研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（增刊2）：366-374.

［9］劉 濤，張 寰，王志業(yè)，等. 利用無(wú)人機(jī)多光譜估算小麥葉面積指數(shù)和葉綠素含量［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（19）：65-72.

［10］汪 旭，鄧裕帥，練雪萌，等. 基于無(wú)人機(jī)多光譜技術(shù)的甜菜冠層葉綠素含量反演［J］. 中國(guó)糖料，2022，44（4）：36-42.

［11］曹 強(qiáng). 基于主動(dòng)作物冠層傳感器的冬小麥、水稻精準(zhǔn)氮素管理［D］. 北京：中國(guó)農(nóng)業(yè)大學(xué)，2014.

［12］Jordan C F. Derivation of leaf-area index from quality of light on the forest floor［J］. Ecology，1969，50（4）：663-666.

［13］Daughtry C S T，Walthall C L，Kim M S，et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J］. Remote Sensing of Environment，2000，74（2）：229-239.

［14］Huete A，Justice C，Liu H. Development of vegetation and soil indices for MODIS-EOS［J］. Remote Sensing of Environment，1994，49（3）：224-234.

［15］Liu H Q，Huete A. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise［J］. IEEE Transactions on Geoscience and Remote Sensing，1995，33（2）：457-465.

［16］Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices［J］. Remote Sensing of Environment，1996，55（2）：95-107.

［17］Daughtry C S T，Gallo K P，Goward S N，et al. Spectral estimates of absorbed radiation and phytomass production in corn and soybean canopies［J］. Remote Sensing of Environment，1992，39（2）：141-152.

［18］Main R，Cho M A，Mathieu R，et al. An investigation into robust spectral indices for leaf chlorophyll estimation［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：751-761.

［19］劉 霞. 基于冠層主動(dòng)傳感器的冬小麥長(zhǎng)勢(shì)監(jiān)測(cè)及適宜植被指數(shù)動(dòng)態(tài)模型研究［D］. 南京：南京農(nóng)業(yè)大學(xué)，2017.

［20］Haboudane D，Miller J R，Pattey E，et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies：modeling and validation in the context of precision agriculture［J］. Remote Sensing of Environment，2004，90（3）：337-352.

［21］姜海玲，楊 杭，陳小平，等. 利用光譜指數(shù)反演植被葉綠素含量的精度及穩(wěn)定性研究［J］. 光譜學(xué)與光譜分析，2015，35（4）：975-981.

［22］Wu C Y，Niu Z，Tang Q，et al. Estimating chlorophyll content from hyperspectral vegetation indices：modeling and validation［J］. Agricultural and Forest Meteorology，2008，148（8/9）：1230-1241.

［23］Rouse J，Haas R H，Deering D，et al. Monitoringthe the vernal advancement and retrogradation （green wave effect） of natural vegetation［EB/OL］. （1973-01-27） ［2023-06-30］.https：//ntrs.nasa.gov/api/citations/19730017588/downloads/19730017588.pdf.

［24］李紅軍，張立周，陳曦鳴，等. 應(yīng)用數(shù)字圖像進(jìn)行小麥氮素營(yíng)養(yǎng)診斷中圖像分析方法的研究［J］. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2011，19（1）：155-159.

［25］Goel N S，Qin W. Influences of canopy architecture on relationships between various vegetation indices and LAI and Fpar：a computer simulation［J］. Remote Sensing Reviews，1994，10（4）：309-347.

［26］張 玲，陳新平，賈良良. 基于無(wú)人機(jī)可見(jiàn)光遙感的夏玉米氮素營(yíng)養(yǎng)動(dòng)態(tài)診斷參數(shù)研究［J］. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào)，2018，24（1）：261-269.

［27］高 林，楊貴軍，李紅軍，等. 基于無(wú)人機(jī)數(shù)碼影像的冬小麥葉面積指數(shù)探測(cè)研究［J］. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2016，24（9）：1254-1264.

［28］Roujean J L，Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements［J］. Remote Sensing of Environment，1995，51（3）：375-384.

［29］Huete A R. A soil-adjusted vegetation index （SAVI）［J］. Remote Sensing of Environment，1988，25（3）：295-309.

［30］姜藍(lán)齊，王 萍，姜麗霞，等. 溫度植被干旱指數(shù)（TVDI）在農(nóng)業(yè)干旱監(jiān)測(cè)中的應(yīng)用［J］. 中國(guó)農(nóng)學(xué)通報(bào)，2021，37（29）：132-139.

［31］Broge N H，Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density［J］. Remote Sensing of Environment，2001，76（2）：156-172.

［32］Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction［J］. Remote Sensing of Environment，2002，80（1）：76-87.

［33］由明明，常慶瑞，田明璐，等. 基于隨機(jī)森林回歸的油菜葉片SPAD值遙感估算［J］. 干旱地區(qū)農(nóng)業(yè)研究，2019，37（1）：74-81.

［34］方匡南，吳見(jiàn)彬，朱建平，等. 隨機(jī)森林方法研究綜述［J］. 統(tǒng)計(jì)與信息論壇，2011，26（3）：32-38.

［35］楊培杰，韓保棟，張玉燕，等. Sentinel-2影像結(jié)合空間關(guān)聯(lián)隨機(jī)森林模型反演裸土期耕地土壤全氮含量［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（11）：185-192.