基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究

魏 青，张宝忠，魏 征，韩 信，段晨斐,3

(1.中国水利水电科学研究院流域水循环模拟与调控国家重点实验室,北京 100038；2.国家节水灌溉北京工程技术研究中心，北京 100048；3.山西农业大学林学院，山西晋中 030801)

小麦是世界播种面积最大、产量最多的粮食作物，长势及产量情况影响着世界粮食安全。而作物长势状况的诊断可通过构建营养元素与光谱的数学关系得以实现。叶绿素是植物光合作用、氮素状况的重要指示因子，研究作物叶绿素含量变化特征可为快速诊断施肥提供依据[1-3]。目前，利用遥感技术估测作物叶绿素含量已成为当下遥感应用研究的热点，且研究内容主要集于在不同尺度利用各类光谱仪和传感器测定作物光谱信息，进而预测叶绿素含量[4-6]。

在地面测量中，常用地物光谱仪采集作物冠层光谱，只能获取某个点或者极小范围样点的光谱数据，监测范围有限[7]。卫星遥感可以获取大范围农作物的影像，但时空间分辨率的限制往往造成研究区农作物关键物候期数据的缺乏，缺少灵活性和高效性且成本高，导致难以达到精准农业的精度和满足田间氮肥管理的要求[8-9]。

近年来，无人机遥感凭借其机动灵活、时空分辨率高等特点在农情监测中占据越来越重要的地位，作物营养状况诊断成为无人机遥感技术在农业领域应用的发展趋势[10-12]。无人机平台搭载数码相机、多光谱或者高光谱传感器在作物营养状况诊断方面应用较为常见。如Pölönen等[13]通过无人机高光谱成像系统构建的归一化植被指数NDVI对植被氮素进行监测，获得较好效果。Gevaert等[14]基于无人机高光谱数据与多光谱卫星图像数据构建新的STRS，并与土豆的实测叶绿素含量建立联系，实现对土豆营养状况的监测。田明璐等[7]利用低空无人机高光谱影像提取的27个光谱参数，较好地反演了棉花叶片叶绿素含量，但模型复杂度较高，导致其易用性降低。张 玲等[15]基于无人机搭载RGB相机提取色彩参数诊断了夏玉米不同生育时期的氮素营养动态变化，但光谱信息少，存在叶片及土壤背景对光谱参数影响较大等问题。高光谱成像技术及后续数据处理复杂等因素一定程度上限制了其应用的普适性。相比于数码相机RGB波段，利用多光谱传感器可获得更多的光谱信息，其监测技术成熟且精度较高，因此无人机多光谱影像应用更有优势。目前无人机多光谱影像在小麦监测应用方面多以叶面积指数、氮素、生物量参数为主，关于冬小麦关键生育时期冠层叶绿素含量的估测研究少有报道。Honkavaara等[16]以无人机平台搭载轻便光谱相机获取光谱信息，通过NDVI监测小麦的生物量并且决定系数r2达到0.80。Hunt等[17]用无人机多波段光谱信息构造植被指数GNDVI，建立了一种有效监测小麦叶面积指数的模型，r2达到0.85。刘昌华等[18]构建植被指数与氮营养指数的回归模型，确定了无人机多光谱遥感技术在冬小麦氮素营养诊断方面的潜力。刘小辉[19]以10个不同小麦品种为研究对象，通过无人机搭载可见光和多光谱相机采集光谱信息，并建立了基于最优植被指数的小麦扬花早期和晚期的叶绿素含量反演模型。虽然以上研究的模型精度较高，但是都是利用单一变量进行参数诊断，存在饱和性，而且开展基于无人机多光谱影像对冬小麦关键生育期在不同施氮水平下冠层叶绿素含量的实时监测少有尝试。

本研究以不同施氮水平下的冬小麦为研究对象，利用无人机多光谱数据构建多种植被指数，并将各生育时期植被指数与实测SPAD进行相关性分析，通过一元二次回归和逐步回归分析方法确定估测冬小麦冠层叶绿素含量关键生育时期的最佳模型，以期实现田间尺度冬小麦冠层叶绿素含量的实时诊断。

1 材料与方法

1.1 试验材料与设计

试验于2019年4-6月在中国水利水电科学研究院大兴试验基地(39°37.25′N，116°25.51′E)开展。研究区平均海拔约为30 m，属于温带半干旱大陆性季风气候，多年平均降雨量为540 mm，主要集中于夏季，可达全年的80%以上，多年平均风速为1.2 m·s-1，日平均太阳净辐射为171 W·m-2，光热条件丰富，适合小麦等粮食作物的生长。本试验农作物为冬小麦，设置5个施氮处理，其中播前施复合肥，拔节期追施尿素，施氮总量分别为0 kg·hm-2(N1)、150 kg·hm-2(N2)、225 kg·hm-2(N3)、300 kg·hm-2(N4)、375 kg·hm-2(N5)，共种植30个小区，其中因3个小区无灌溉和施肥，出苗较少，其数据不用于本研究分析，因此最终为27个研究小区。每块小区面积为56 m2(8 m×7 m)，随机排列，其他田间管理所有小区参照当地标准进行。

1.2 无人机多光谱数据测定

无人机试验在冬小麦拔节期、抽穗期、灌浆期、成熟期进行，采用六旋翼无人机搭载RedEdge-M多光谱相机采集冬小麦冠层光谱数据。多光谱相机设有五个光谱通道，中心波长分别为475 nm(蓝)、560 nm(绿)、668 nm(红)、840 nm(近红外)、717 nm(红边)，相机同时配备了一块30 cm×30 cm的灰板和光强传感器。飞行高度设置为60 m，地面分辨率4.09 cm，飞行速度为 3 m·s-1，每次拍摄选择晴朗无云天气，时间为上午10:00-12:00之间。将飞行后采集的335张影像导入Pix4Dmapper软件进行拼接，经过灰板反射率校正后获取研究区的反射率影像。

1.3 叶绿素含量测定

同一品种的小麦叶片SPAD值与叶绿素含量之间相关系数达显著水平，可以表征叶绿素含量的高低[1，20]。在无人机飞行的当天同步测定各小区的相对叶绿素含量，从各小区中随机选取6株冬小麦植株，利用SPAD-502叶绿素仪在试验田对冬小麦植株的上、中、下部分所有叶片分别进行测量并记录SPAD值，将三个部位的叶绿素含量的平均值作为该植株冬小麦的冠层SPAD值，再计算6株冬小麦SPAD值得平均值作为该小区冬小麦的冠层SPAD值。

1.4 植被指数的选择与计算

通过不同波段反射率的组合变化构成植被指数，在一定程度上能够减少背景土壤等因素对植被光谱的影响程度，提高估测叶绿素含量的精度[21]。考虑植被指数估测植被生理生态参数的特点，所选择的植被指数包括两波段构造的植被指数(T类)和多波段(3个及以上)构造的植被指数(M类)[22-31]。计算公式如表1所示，借助ENVI软件进行16个植被指数的计算。

表1 植被指数及计算公式

1.5 数据分析方法

利用两种分析方法构建模型。第一种方法是选择每个生育时期和全生育期中与冬小麦冠层SPAD值极显著相关且相关系数较高的光谱植被指数为变量，构建一元二次线性回归模型。第二种方法是采用逐步回归分析方法，依据16种植被指数(变量)与实测SPAD值的相关系数，由大到小地逐个引入回归模型，构建每个生育时期和全生育期的逐步回归模型。

1.6 评价指标

本研究随机选取70%样本数据作为建模数据集，构建冬小麦SPAD值估测模型，剩余30%样本数据作为验证数据集，进行模型评价。采用决定系数r2、均方根误差RMSE和相对误差(RE)作为评判模型精度的指标。r2越接近于1，RMSE越小，RE越小，模型估算能力越好。

(1)

(2)

(3)

2 结果与分析

2.1 不同施氮水平下小麦SPAD值的动态变化

从图1可以看出，不同施氮水平下冬小麦SPAD值的变化趋势基本一致，呈现抛物线趋势，主要原因是冬小麦生育前期随着叶片的生长发育，叶绿素含量逐渐增加，在抽穗期达到最大值，生育后期叶片开始渐渐发黄萎蔫，叶绿素含量不断下降。施氮水平越高，相应的叶绿素含量也越高，除了成熟期，其他三个生育时期的冬小麦冠层SPAD值均在45以上，成熟期的小麦叶绿素含量较低，叶片已经接近枯萎，因此不再对成熟期进行分析。

图1 不同施氮水平下冬小麦生育期SPAD值变化

2.2 植被指数与小麦SPAD值的相关性

相关性分析(表2)表明，在拔节期，只有NDVI、MSR、REOSAVI、0SAVI和RERDVI与冬小麦SPAD值呈极显著相关，其中NDVI、MSR和RERDVI的相关系数均在0.5以上；在抽穗期，只有GNDVI和RERDVI与冬小麦SPAD值呈极显著相关，相关系数在0.5以上，NDVI、MSR和CARI与SPAD值呈显著相关；在灌浆期，除CARI外，15个植被指数与SPAD值均呈极显著相关，其中NDVI、MSR的相关系数在0.7以上；对于全生育期，GNDVI、GOSAVI、NDVI、MSR、REOSAVI、RERDVI、0SAVI、MCARI和VARIred与SPAD值均呈极显著相关，其中NDVI、MSR和RERDVI的相关系数在0.5以上。总体上看，MSR 与冬小麦全生育期及各生育时期的SPAD值相关性均较好；T类植被指数与SPAD值的相关性好于M类植被指数，说明并不是波段越多，组合效果越好。

表2 植被指数与冬小麦冠层SPAD值相关系数

2.3 冬小麦SPAD值最佳估测模型的筛选

基于光谱植被指数建立的冬小麦冠层SPAD值估测模型的决定系数均达到0.05显著性水平，说明各模型的拟合性均较好。对于各生育时期及全生育期，总体上一元二次线性回归模型的拟合效果要低于逐步回归模型。

表3 基于光谱植被指数建立的冬小麦冠层SPAD值估测模型

选取不同的建模方法下各生育时期及全生育期拟合性最优的估测模型，利用检验样本数据对其进行精度验证。结果(表4)表明，在拔节期，逐步回归模型的r2、RE和RMSE较小，分别为 0.79、2.73%和1.74，均优于一元二次线性回归模型；在抽穗期，逐步回归模型的r2为0.63，明显高于一元二次线性回归模型，RE和RMSE略小于后者；在灌浆期，逐步回归模型的r2与一元二次线性回归模型相当，但RE和RMSE较大；全生育期两种优选估测模型的预测结果虽都较差，但逐步回归模型的效果相对较好。因此，对于各生育时期及全生育期，逐步回归模型更适合用于无人机多光谱遥感估测冬小麦冠层叶绿素 含量。

表4 冬小麦SPAD值优选估测模型及检验结果

2.4 施氮水平对小麦SPAD值预测精度的影响

抽穗期是反映冬小麦冠层叶绿素含量最高和光谱特征最显著的最佳阶段，施氮水平越高，植被覆盖度越大。由表5可知，在施氮水平较低时，两种模型对SPAD的预测精度没有明显差异；随着施氮水平的提高，两种模型预测SPAD值的精度相对降低，但逐步回归模型的预测精度仍然高于一元二次线性回归模型。

表5 不同施氮水平下小麦SPAD预测结果(RMSE)

3 讨 论

本研究选取了16种植被指数用于冬小麦冠层叶绿素含量的监测模型构建，结果发现，改进简单比植被指数MSR在拔节期、灌浆期和全生育期与SPAD值相关性最高，绿色归一化植被指数GNDVI在抽穗期与SPAD值相关性最高。有研究认为，冬小麦叶片SPAD值通过归一化差异植被指数NDVI的估算效果更好[21]，而在抽穗期GNDVI与SPAD值的相关性明显高于NDVI，这是因为冬小麦在抽穗期叶绿素含量最高，叶绿素含量对绿波段更敏感，对红波段容易达到饱和状态。对于其他生育时期，在植被叶绿素含量不够饱和的情况下MSR相较于NDVI具有更强的敏感性，这是因为其一定程度上克服了土壤背景对冬小麦冠层光谱特征的影响，具有较强的抗干扰能力，因此MSR在各生育时期与冬小麦叶绿素SPAD值之间表现出良好的相关性。

本研究通过建模发现，基于多个植被指数的回归模型对SPAD值的预测精度明显高于基于单个植被指数的回归模型，建模方法也对监测冬小麦冠层叶绿素含量的结果有较大影响。光谱信息过少的模型容易导致模型受到背景因素的干扰而缺乏稳定性，光谱信息过多的模型会导致模型复杂且易用性低，因此需要平衡两者之间的关系[7]。虽然本研究所建立的模型普适性需要依靠多次统计数据进行验证，但逐步回归方法仍然是优选的建模方法。目前对农作物叶片叶绿素含量的遥感反演没有统一的模型，无人机多光谱遥感在农作物营养诊断中的应用还处于探索阶段，多光谱影像中冬小麦光谱信息的提取精度方面需要进一步的研究。通过田间试验获得累积数据仍然是通过统计学得到的经验模型，在时空领域有一定的局限性。在下一步研究中还需提高无人机遥感影像的精度，尝试与辐射传输模型结合，充分发挥无人机遥感技术的优势。