基于无人机高光谱影像玉米叶绿素含量估算

常潇月，常庆瑞，王晓凡，储 栋，郭润修

(西北农林科技大学资源环境学院，陕西 杨凌 712100)

我国是世界第二大玉米生产国，种植范围广，产量高。同时，我国也是玉米的最大消费国，消费量的90%靠国内生产[1]。叶绿素是绿色植物重要的光合色素，其含量影响光合作用效率，能间接反映植被长势。因此，利用遥感手段反演玉米叶绿素含量，可以快速获取农田信息，帮助指导玉米田间管理，提高玉米品质与产量，对我国玉米生产具有重要意义。

高光谱数据光谱分辨率高，能捕捉到由于植物生化组分(各种色素、氮、木质素、纤维素、水分)变化，而导致的植被反射波谱曲线特征吸收峰、反射谷的细微位置和深度差异，能更加精确地反演植被生化参数[2]。自20世纪80年代以来，成像光谱技术取得重大突破，其凭借光谱分辨率高、图谱合一的独特优势，实现了在生态、农业、环境等领域的成功应用[3-11]。但是地面成像光谱仪工作范围小、视野窄，工作量大；卫星搭载的高光谱成像仪常因天气和时间无法获得感兴趣区域的遥感影像[12]，且其较低的空间分辨率不适合地块尺度的信息获取。近年来，无人机遥感技术以其数据的时空分辨率高、测量机动灵活、观测范围大等优势，在农田生态环境信息监测与获取中开始应用。

本文以陕西关中地区夏玉米为研究对象，使用无人机搭载高光谱成像光谱仪，获得夏玉米灌浆期高光谱影像，利用地面同步获得的玉米叶片SPAD值数据，构建夏玉米叶片SPAD值遥感估算模型，以期为夏玉米农田信息快速获取提供科学依据。

1 材料与方法

1.1 田间试验

试验地设置在陕西省咸阳市乾县梁山乡齐南村(E108°7′6″, N34°38′33″)，该地位于关中平原中段、渭北高原南缘，温带大陆性季风气候，年平均气温13.1℃，年平均降水量573～592 mm，农业种植一般一年一熟。田间试验玉米品种为陕单8806，划分为46个小区和一个大区，小区面积63 m2(7 m×9 m)，大区面积280 m2(20 m ×14 m)。小区试验分别设置6个不同梯度的施氮、施磷、施钾处理和5个不同梯度的灌溉处理，每个处理设置一个重复。氮肥、磷肥、钾肥均作为底肥一次施入，不再追加；大田按照当地玉米常规种植模式种植。田间试验小区和大区的管理方式与当地农民的生产管理方式相同。

1.2 数据获取与处理

1.2.1 无人机高光谱影像获取 使用零度智控E-EPIC八旋翼无人机搭载Cubert UHD185 firefly高光谱相机，获得玉米灌浆期(2016年8月11日)高光谱影像。玉米灌浆期覆盖度大，冠层光谱影像受土壤背景影响较小，且玉米成熟籽粒干物质的85%～90%是绿叶在这个阶段合成的[1]。因此对玉米灌浆期叶片叶绿素含量监测，可以指导合理施肥，防止叶片早衰，提高玉米产量；对玉米产量预测也有重要意义。UHD185是一款摄影型光谱成像仪，可在0.1 ms内获得450～950 nm波长范围内，采样间隔为4 nm的125个波段的高光谱影像。无人机飞行试验选在晴朗无风的正午开展。

1.2.2 玉米叶片SPAD值测量 为同步、快速、无损获得玉米叶片叶绿素含量，使用SPAD-502型手持叶绿素仪，测得叶片SPAD值。SPAD-502型手持叶绿素仪是根据叶绿素吸收红光，但在近红外波段几乎没有吸收的特点设计而成，该仪器发射一定强度的红光(峰值波长650 nm)和近红外光(峰值波长940 nm)照射叶片，并将透射过叶片的光信号转换为电信号，经放大器放大后再由A/D转换器转换为数字信号，微处理器利用这些数字信号计算叶绿素的相对含量，即为SPAD值。艾天成[13]等测定了玉米、水稻、棉花等多种农作物叶片叶绿素含量和SPAD值，确定了二者的最佳相关函数，表明可以使用SPAD值表示叶片叶绿素含量。本研究在每个小区和大田各选取2个样点，共84个样点，同步测得玉米叶片SPAD值。每个样点的玉米选择3片叶子测量，每片叶子不同部位测10个SPAD值，取平均值作为该片叶子的SPAD值，将3片叶子的SPAD平均值作为该样点的SPAD值，并记录样点位置。

1.2.3 高光谱影像处理 UHD185相机一次拍摄可获得一张全色灰度图像和一组高光谱影像，全色图像空间分辨率1000像元×1000像元，高光谱影像空间分辨率50像元×50像元。使用系统软件，将高光谱影像重采样为1000像元×1000像元，并将灰度图像和重采样后的高光谱影像存储到一个TIFF图像中。在AgisoftPhotoscan软件中，导入研究区的全部TIFF图像，以全色图像为模板进行拼接，得到完整的研究区高光谱影像。最后，在ENVI中，根据SPAD样点的位置，建立训练区，以训练区内光谱反射曲线的平均值作为该样点的光谱反射曲线。

1.2.4 反演模型构建与检验 通常使用高光谱分辨率遥感数据估计植被农学参数主要有两类方法：一是通过多元回归方法建立光谱数据或由此衍生的植被指数与农学参数之间的关系[14-16]；二是通过植被的红边参数描述植被的物候变化及其农学参数[17-20]。本研究选用的高光谱特征参数包括基于光谱位置的变量、基于光谱面积的变量以及植被指数，具体定义见表1。将实验获得的84组数据随机分为6组，其中4组作为建模集，1组作为验证集Ⅰ，1组作为验证集Ⅱ。对SPAD值与选取的特征参数进行相关分析，选择极显著相关且相关系数大于0.5的参数建模。模型均为单因素线性、非线性回归模型。综合比较训练集模型的决定系数(R2)、均方根误差(RMSE)以及验证集Ⅰ估测值与实测值线性回归方程的决定系数(R2)、均方根误差(RMSE)、相对误差(RE)，确定最优估算模型。最后，在ENVI+IDL中，使用最优模型对研究区高光谱影像进行填图，得到研究区SPAD值分布图，并使用验证集Ⅱ，对填图精度进行验证。RMSE和RE计算公式分别如下：

表1 高光谱特征参数及计算公式

(1)

(2)

本研究采用的技术路线如图1。

2 结果与分析

2.1 不同SPAD值玉米冠层反射光谱曲线

图2为拼接后研究区影像，从中提取SPAD值测量样点的冠层反射光谱曲线。图3是部分不同SPAD值对应的玉米冠层光谱反射曲线，以及裸地的光谱反射曲线。从图中可以看出，玉米冠层反射曲线在550 nm附近有绿光反射峰，670 nm附近有红光反射谷，750 nm附近开始出现近红外高反射肩。且在450～680 nm的可见光波段内，玉米叶片SPAD值越高，光谱反射率越低；在750～850 nm的近红外波段内SPAD值越高，反射率越高且差异较大,与金震宇等[31]研究结果一致。裸地的光谱反射率随着波长增加而增加。玉米冠层和裸地的反射光谱曲线均呈现出该类地物的典型特征，表明UHD185相机获得的高光谱影像是可靠的。

2.2 玉米SPAD值估算模型构建

根据表1公式，计算建模集样点的高光谱特征参数并与SPAD值进行相关分析，结果如表2。样本容量为56时，相关系数达0.259即为显著相关。相关分析结果表明，SPAD值与红边面积(SDr)、绿峰反射率最大值(Rg)、差值植被指数(DVI)、红边一阶微分最大值(Dr)、红谷反射率最小值(Rr)、蓝边一阶微分最大值(Db)相关性大于0.6，达0.05显著水平，其中，SDr与SPAD值相关系数高达0.853。选取以上6个特征参数构建玉米叶片叶绿素含量估算模型。SPAD值与光谱特征参数的回归模型如表3。对比6个模型的决定系数(R2)、均方根误差，SPAD-SDr模型拟合效果最好(R2=0.74，RMSE=1.54)，SPAD-Rg模型、SPAD-DVI模型、SPAD-Dr模型拟合效果较好。

图1 数据处理流程Fig.1 Data processing flow

图2 研究区拼接影像Fig.2 Mosaic image of study area

图3 不同SPAD值对应的玉米冠层反射率光谱与裸地反射率光谱Fig.3 Maize canopy reflectance spectrum of corresponding SPAD values and reflectance spectrum of bare land

光谱参数Spectral parameters相关系数Correlation coefficientDb0.670**λb-0.062Dy-0.181λy0.145Dr0.772**λr-0.139Rg0.804**Rr0.680**SDb0.531**SDy0.16SDr0.853**DVI0.790**NDVI-0.215MCARI0.462**RDVI0.549**OSAVI0.163MCARI/OSAVI0.452*

注：**在0.01水平上显著相关，*在0.05水平上显著相关。

Note: **indicatescorrelationissignificantatP=0.01level, *indicatescorrelationissignificantatP=0.05level.

表3 玉米叶片SPAD值估算模型

注：y为SPAD预测值，x为光谱参数。

Note: yisthepredictedvalueofSPADvalue, xisspectralparameters.

2.3 玉米SPAD值估算模型精度检验

使用SPAD值估算模型，计算得到验证集Ⅰ的SPAD估测值，与SPAD实测值进行y=kx线性拟合，检验模型的估测精度。回归方程斜率和R2越接近1，RMSE和RE越小，模型估测精度越高。检验结果如图4、表4所示，可以看出：(1)SPAD-Dr模型回归方程斜率为0.9816，R2=0.8099，RMSE(1.60)和RE(2.98)最小，预测精度最高；(2)SPAD-SDr模型、SPAD-DVI模型预测效果也较好；(3)SPAD-Db模型、SPAD-Rg模型、SPAD-Rr模型对玉米SPAD值的预测结果偏差较大，无法用于玉米叶片SPAD值预测。但是，预测效果较好的3个模型仍需进一步检验其高光谱影像反演精度。

2.4 玉米叶片SPAD值高光谱影像反演及精度检验

在ENVI+IDL环境下，使用SPAD-Dr模型、SPAD-SDr模型和SPAD-DVI模型分别对高光谱影像进行反演填图，获得研究区玉米叶片SPAD值分布图(图5)，并对SPAD值进行统计(表5)。然后，利用验证集Ⅱ数据，对反演精度进行检验。验证集SPAD数据实测值和反演填图估测值拟合结果如图6所示，精度检验结果如表6所示。观察研究区高光谱影像发现，影像上有明显的暗色斑块，且反演填图结果(图5)中SPAD值呈现聚集状态，聚集中心SPAD值高，向外逐渐减少。这是由于玉米植株较高、叶片数目多且面积大，植株之间相互遮蔽，产生阴影，导致冠层中心顶部反射率较高、SPAD值较大，四周反射率较低，SPAD值较小。因此玉米叶片SPAD值填图统计结果(表5)中最小值和均值与SPAD实测结果相差较大。综合分析不同模型反演得到的玉米叶片SPAD值分布图(图5)及其统计结果(表5)，发现SPAD-SDr模型和SPAD-DVI模型对玉米叶片SPAD高值估测偏高(两模型对SPAD值的最大估测值分别为62.70和62.53，而实测值最大值仅为54.70)，且同一小区内估测值较为离散(两模型对SPAD值估测值的标准差分别为7.16和6.98)，SPAD-Dr模型则能较好估测SPAD高值且估测结果具有较小的标准差。使用验证集Ⅱ数据对填图精度检验结果如图6、表6所示，三个模型计算得到的SPAD估测值与实测值的回归方程斜率均接近1，但是SPAD-Dr模型的回归方程决定系数最大(R2=0.89)，均方根误差和相对误差最小(RMSE=1.28，RE=2.31)。综上所述，SPAD-Dr模型能较为准确地反映研究区玉米叶片SPAD值，反演填图精度最高。

表4 玉米叶片SPAD值估测模型精度检验

本研究表明，SPAD-Dr经验回归模型能较好地估算该研究区玉米灌浆期叶片SPAD值，理论上该模型对于关中地区玉米灌浆期SPAD值反演具有较高的适用性，但仍需获得该地区同一时期的玉米农田影像及田间实测叶绿素含量对模型的适用性进行评价。但是由于天气等不可抗原因未能获得该研究区同一时期的玉米农田无人机影像数据，无法对该模型的反演适用性作进一步评价，未来还需更加长期、系统地研究，验证并改进该模型的反演精度并验证其适用性。

图4 玉米叶片SPAD实测值与估测值拟合Fig.4 Regression results of estimated and measured maize leaf SPAD values

图5 不同模型玉米叶片SPAD值反演估测Fig.5 Distribution maps of maize leaf SPAD values estimated using different models

项目 Item最小值 Minimum最大值 Maximum均值 Mean标准差 Standard deviationSPAD实测值Measured SPAD value39.5754.7048.663.59SPAD-Dr22.1958.0740.35.58SPAD-SDr16.2962.7037.297.16SPAD-DVI16.7462.5338.376.98

图6 玉米叶片SPAD实测值与填图估测值拟合Fig.6 Regression results of predicted and measured maize leaf SPAD values on different distribution maps

模型Model回归方程斜率Regressionequation slopeR2REMSRE/%SPAD-Dr0.9850.891.282.31SPAD-SDr0.9890.791.512.59SPAD-DVI0.9850.711.813.55

3 讨论与结论

3.1 讨论

采用无人机低空遥感平台获得农田地块尺度的高光谱遥感图像，构建基于红边一阶微分最大值(Dr)的玉米叶绿素含量估算模型(SPAD-Dr模型)，可以帮助快速获取玉米农田信息，指导农业生产。但是玉米叶片叶绿素含量会随着玉米品种、生育期、生长环境等因素的变化而改变，本研究数据源自于关中地区玉米灌浆期，因此获得叶绿素估算模型受限于实验条件和环境差异，在其它不同环境地区和生育期应用误差会较大，需要更加深入长期地系统研究，建立更普适的玉米叶片叶绿素含量估算模型。

目前，低空无人机成像光谱技术在农业领域的应用还处于探索阶段。低空无人机获得的遥感图像具有较高的空间分辨率，能捕获农作物不同部位细小的辐射差异，导致影像反演结果中同一株玉米冠层中心的叶片叶绿素含量和四周相互遮蔽的叶片叶绿素含量差异明显，与实际情况有一定差异，需要进一步探索合适的无人机飞行高度，获得合适玉米植株尺度的影像。此外，小型无人机飞行不稳定，获得的影像易发生几何变形，且受到无人机载荷限制难以实现高精度地理位置的获取与记录，几何校正困难，需进一步研发无人机遥感影像几何校正系统。

3.2 结论

本文以无人机为平台，获得农田地块尺度高光谱影像，构建玉米叶片叶绿素含量估算模型，得到以下结论：

(1)以无人机为遥感平台获得的玉米高光谱影像具有典型的植被波谱特征，且在450～680nm的可见光波段反射率与玉米叶片SPAD值呈负相关，在750～850nm的近红外波段反射率与SPAD值呈正相关。

(2)光谱特征参数中，SDr、Rg、DVI、Dr、Rr、Db等6个参数与玉米叶片SPAD值相关性大于0.6且达显著水平。基于以上6个特征参数分别构建玉米叶片SPAD值估算模型，其中，SPAD-SDr模型具有最高的建模精度(R2=0.74)，SPAD-Dr模型(R2=0.61)和SPAD-DVI模型(R2=0.64)建模精度也较高。

(3)分别应用SPAD-SDr模型、SPAD-Dr模型、SPAD-DVI模型对研究区高光谱影像进行反演填图，SPAD-Dr模型填图精度最高(R2=0.89,RMSE=1.28,RE=2.31)，可以为区域玉米叶片叶绿素含量无损快速测量提供技术支持。