基于UHD185成像光谱仪的茶叶叶绿素含量反演

王云将，费 腾*

（1.武汉大学 资源与环境科学学院，湖北 武汉 430079）

叶绿素作为植物光合作用中最重要的色素，其含量与农作物健康状况、营养元素含量、最终产量等有着极为密切的关系，是评价茶树等农作物长势的重要指标[1-3]，且茶树中的叶绿素含量会显著影响茶汤的颜色[4-5]。因此，利用高光谱数据建立估计叶绿素含量的模型是当下农业遥感的研究课题之一。根据高光谱反射率与植物叶绿素含量之间的响应关系，可通过回归方程或建立模型的方式估测叶绿素含量[6]。近年来，无人机遥感以其机动灵活、操作简便、时空分辨率高等优势而逐渐成为农情监测的又一重要手段，但目前农业无人机遥感多以普通数码相机和农业多光谱相机为主要传感器，获取的影像数据波段少、光谱信息有限[7-16]。

本文以华中农业大学茶园具有代表性的8种茶树为研究目标，使用搭载于无人机平台上的新型高光谱成像光谱仪UHD185获取茶树的冠层高光谱数据。UHD185具有全画幅、非扫描、实时成像的特点，以及革命性的全画幅高光谱成像技术，实现了快速光谱成像而无需扫描成像，能提供无伪影的清晰高光谱成像。

1 数据来源与处理

1.1 研究区概况

本文实验区为湖北省武汉市华中农业大学茶园的一部分，毗邻南湖，包含8种茶树品种，分别为台茶12号、福安大白、乌牛早、迎霜、福鼎大白、铁观音、黄旦和梅占。

1.2 光谱仪与搭载平台

高光谱影像的获取采用德国的Cubert Gmbh公司研发的Cubert UHD185型成像光谱仪。该光谱仪能在1/1 000 s内得到450～950 nm波长范围的138个波段，且无需IMU和后期数据校正。UHD185的优点为：① 可见—近红外波段全幅画高光谱成像；②极短的积分时间，无运动伪影；③可通过WiFi远程控制所有参数；④地面站可实时预览光谱；⑤开源代码，易于系统集成。UHD185的主要特征参数为：光谱范围是450～998 nm，光谱分辨率为4 nm，视场角为30°，波段数为138个，实时显示，机身质量为470 g。搭载机型为小型八旋翼无人机DJIS1000+，采用V型8旋翼设计，在提供充裕动力的同时也做到了动力冗余，配合DJI飞控使用时，即使某一轴意外停止工作也能最大幅度地保证无人机处于稳定状态。

1.3 数据获取与处理

1.3.1 光谱数据获取

在天空云少、风力较小的条件下采集光谱数据，采集时间为11:55～12:40，这是为了减少太阳高度角的影响。无人机飞行高度为30 m，镜头垂直向下，视场角为30°，地面分辨率为4.5 cm。一共设计了4条航线，每条航线来回各飞一次，如图1所示。采集的光谱数据缺乏坐标，而在叶绿素定量反演时需对采集样本进行定位，但GPS的精度相对较低，不能满足茶叶样本的定位精度，因此对每条航线进行标记，将标记彩纸固定在航线上，每隔一行标记一次。

1.3.2 茶叶叶绿素含量测定

图1 无人机航线设计

实验采用SPAD-502叶绿素仪对茶树冠层鲜叶叶绿素含量进行测定，一共采集85个样本的叶绿素值，采样点选择范围是以每行茶树距标记点2 m处为中心，半径约为0.15 m的圆形，采集冠层上层8～16片叶子的中部叶绿素值并取其平均值作为该样本的叶绿素实测值。随机抽取其中的65个样本作为建模样本，20个作为模型的验证样本。

1.3.3 影像数据处理

数据采用Cube自带的软件融合导出，并通过格式转换在Agisoft PhotoScan软件上进行影像拼接，拼接按照线路进行。根据标记点识别叶绿素采样点，并在采样点内创建ROI区域，以ROI区域内的平均反射率光谱值作为该采样点的茶树冠层反射率光谱，得到对应的85个采样点的光谱反射率数据。

1.4 波谱数据预处理

为了充分利用光谱信息进行建模，消除噪声等无关的影响信息，需对得到的85个高光谱数据进行预处理。本文在Matlab软件上先后对光谱数据进行波谱剔除、一阶导数处理和标准化处理。波谱剔除主要是剔除噪声大的波段，原始波谱曲线（图2）在首尾两端呈现较为显著的噪声干扰，因此本文剔除了波段1和波段127～138，剔除结果的光谱特征较之前更为明显；一 阶导数处理可有效消除基线漂移和仪器背景的影响，同时可凸显一些光谱细节特征；标准化处理也称标准正太变量变换，是通过反射光谱数据集中各元素与元素所在列的平均值之差，除以该列元素的标准差来消除表面散射、光程变换以及基线平移对反射光谱的影响[17]。

图2 原始波谱曲线

1.5 模型的选择与建立

建立叶绿素反演模型的方法有很多，传统的回归分析模型主要是利用地物在不同波段的反射率数据进行线性或非线性组合计算，得到各种光谱参数（MCARI、GNDVI等），这些光谱参数可减少背景信息对地物光谱特征的影响[18-19]。而本文依据UHD光谱数据的特点，采用了偏最小二乘法回归（PLSR）、向前逐步回归结合PLSR和支持向量机（SVM）非线性回归方法来估算叶绿素含量。模型建立后，利用相关系数（R2）、相对误差（RE）和均方根误差（RMSE）对模型精度进行评价。

2 实验结果与分析

2.1 PLSR分析

PLSR是一种新的多元数据分析方法，由多元线性回归、主成分分析和典型相关性分析组合而成。本文利用PLSR得到了叶绿素估算模型，比较了20个验证样本的叶绿素估算值与实测值之间关系（图3），并分析了模型精度（表1），R2为0.655 5，RE为13.14%，RMSE为9.40。

图3 PLSR模型

在该模型的建立过程中，主成分的前3个成分已包含90%以上的信息，因此主成分个数为3。经过一阶导数和标准化处理后，波段数为124个，因此得到的模型是由124个系数和1个常数组成的多元一次线性方程。由于124个自变量均参与模型计算，使得叶绿素不相关信息逐渐积累，最终导致模型精度降低，R2仅为0.655 5。一般来说，只要R2大于0.5即说明模型预测较好，因此PLSR对叶绿素估算是可行的。

2.2 向前逐步回归结合PLSR

首先利用逐步回归找到相关性较强的波段，在向前逐步回归中，分别找到波段1（X1）、波段21（X21）以及波段76（X76）3个敏感波段；再将得到的敏感波段结合PLSR分析得到叶绿素估算模型，最终比较20 个验证样本叶绿素的估算值与实测值的关系（图4），并分析模型精度（表1），得到R2为0.784 0，RE为11.30%，RMSE为8.76。

该模型提取了叶绿素敏感波段，减少了叶绿素不相关信息的影响，增强了相关波段信息。这3个波段中，波段21坐落在蓝光波段中，波段76在695 nm和716 nm附近，已有研究表明，在该波段附近茶叶叶绿素含量与反射光谱相关性较为显著[20-21]。因此，该模型比单纯使用PLSR模型的估算精度高，估算值与实测值的相关系数达到0.784 0。

图4 逐步回归+PLS模型

2.3 SVM非线性回归分析

SVM非线性回归分析需要选定核函数，本文选定的核函数为径向基核函数，最终得到支持标准向量个数为64个（建模样本为65个），此时核函数系数为0.003，惩罚系数为20，得到的模型较好。为了验证模型精度，将20个验证样本叶绿素的实测值与估算值进行比较（图5），并分析模型精度（表1），得到的R2为0.886 8，RE为11.85%，RMSE为7.33。

与上述方法比较可知，SVM非线性回归对茶树的叶绿素估算值拟合较好，模型精度也较高，可作为叶绿素含量估算的回归模型。

图5 SVM非线性回归模型

3 结 语

不同于传统的利用光谱参数来建立模型，本文利用UHD185成像光谱仪获取茶叶冠层光谱数据来进行叶绿素的反演，通过建立茶叶叶片光谱和叶绿素关系的模型，能快速、无损地对茶树冠层鲜叶叶绿素进行检测。由表1可知，各模型都达到了要求，其中逐步回归结合PLSR和SVM非线性回归估算叶绿素结果较好，可作为华中农大茶园茶叶叶绿素反演模型。

表1 各个模型的方程与验证精度比较

UHD185成像光谱仪获取茶叶冠层光谱数据与传统传感器获取的光谱数据相比，具有以下优势：

1）体积小、重量轻，小型手控低空无人机便可携带，获取小面积农作物的光谱数据尤为方便。

2）获取的数据有138个波段，后期数据无需校正即可使用，影像的光谱分辨率达到4 nm，满足一般植被生物化学量分析和植被重金属污染诊断分析的需求。

目前，无人机高光谱遥感在农作物上的研究还处于探索阶段，影像信息提取和处理都需要进一步研究。本文的样本数采集较少（85个），而波段数达到124个，是典型的自变量个数大于样本个数，模型精度会受到一定影响，后阶段相关研究要提高样本采集数量，以便提高验证精度。此外，本文还可从空间多尺度来建立回归模型，找出反演精度较好的尺度。

[1] 田明璐,班松涛,常庆瑞,等.基于无人机成像光谱仪数据的棉花叶绿素含量反演[J].农业机械学报,2016,47(11):285-293

[2] 秦占飞,常庆瑞,申健,等.引黄灌区水稻红边特征及SPAD高光谱预测模型[J].武汉大学学报(信息科学版),2016,41(9):1 168-1 175

[3] 丁希斌,刘飞,张初,等.基于高光谱成像技术的油菜叶片SPAD值检测[J].光谱学与光谱分析,2015(2):486-491

[4] 余涛,胡波,孙睿,等.茶叶光谱与叶绿素、茶氨酸、茶多酚含量关系分析[J].遥感技术与应用,2016,31(5):872-878

[5] Ošťádalová M, Tremlová B, Pokorná J, et al. Chlorophyll as an Indicator of Green Tea Quality[J]. Acta Veterinaria Brno,2015,83(10):103-109

[6] 吕杰,汪康宁,李崇贵,等.基于高光谱遥感的玉米叶绿素含量估测模型[J].中国矿业大学学报,2016,45(2):405-410

[7] Bareth G, Aasen H, Bendig J, et al. Low-weight and UAV-based Hyperspectral Full-frame Cameras for Monitoring Crops: Spectral Comparison with Portable Spectroradiometer Measurements[J]. Photogrammetrie-Fernerkundung-Geoinformation,2015(1):69-79

[8] 刘峰,刘素红,向阳.园地植被覆盖度的无人机遥感监测研究[J].农业机械学报,2014,45(11):250-257

[9] 乔红波,周益林,白由路,等.地面高光谱和低空遥感监测小麦白粉病初探[J].植物保护学报,2006,33(4):341-344

[10] 祝锦霞,陈祝炉,石媛媛,等.基于无人机和地面数字影像的水稻氮素营养诊断研究[J].浙江大学学报(农业与生命科学版),2010,36(1):78-83

[11] 冷伟锋,王海光,胥岩,等.无人机遥感监测小麦条锈病初探[J].植物病理学报,2012,42(2):202-205

[12] 王利民,刘佳,杨玲波,等.基于无人机影像的农情遥感监测应用[J].农业工程学报,2013,29(18):136-145

[13] 李宗南,陈仲新,王利民,等.基于小型无人机遥感的玉米倒伏面积提取[J].农业工程学报,2014,30(19):207-213

[14] Bendig J, Bolten A, Bareth G. Introducing a Low-cost Mini-UAV for - and Multispectral-Imaging[J]. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences,2012,XXXIX-B1:345-349

[15] Bendig J, YU K, Aasen H, et al. Combining UAV-based Plant Height from Crop Surface Models, Visible, and Near Infrared Vegetation Indices for Biomass Monitoring in Barley[J].International Journal of Applied Earth Observation and Geoinformation,2015(39):79-87

[16] Zaman-Allah M, Vergara O, Araus J L, et al. Unmanned Aerial Platform-based Multi-spectral Imaging for Field Phenotyping of Maize[J]. Plant Methods,2015,11(1):35

[17] 黄庶识,李自达,毛晓丽,等.多种红外光谱校正法的两面针产地鉴别研究[J].光谱学与光谱分析,2012,32(2):364-369

[18] 李粉玲,王力,刘京,等.基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算[J].农业机械学报,2015,46(9):273-281

[19] 梁亮,杨敏华,张连蓬,等.基于 SVR 算法的小麦冠层叶绿素含量高光谱反演[J].农业工程学报,2012,28(20):162-171

[20] 孔庆波,张青,章明清,等.基于高光谱参量茶叶叶绿素含量估算模型研究[J].福建农业科技,2014(1):27-29

[21] LI X L, HE Y. Chlorophyll Assessment and Sensitive Wavelength Exploration for Tea (Camellia Sinensis) Based on Reflectance Spectral Characteristics[J]. Hortscience a Publication of the American Society for Horticultural Science,2008,43(5):1 586-1 591