基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究

樊鸿叶, 李姚姚, 卢宪菊, 顾生浩, 郭新宇, 刘玉华

(1.河北农业大学农学院， 河北 保定 071000； 2.北京农业信息技术研究中心， 数字植物北京重点实验室， 北京 100097； 3.国家农业信息化工程技术研究中心， 北京 100097； 4.中国农业科学院作物科学研究所， 北京 100081)

无人机遥感具有时空分辨率高、成本低、灵活性和可重复性强等优势[1]，能够通过搭载的传感器获取作物冠层反射的电磁波信息，进而提取与作物长势相关的参量，为获取田块尺度上即时、无损、可靠的作物长势信息提供了一种重要手段[2]。地上部生物量与叶面积指数(leaf area index，LAI)是反映作物生长状况的重要农艺参数[3-4]，且二者间存在密切的联系[5]。在作物不同的生长发育阶段，由于作物冠层结构、叶片形态以及生理生态特征的变化，作物冠层在图像中表现出的光谱特征亦有不同[6]。植被指数(vegetation index，VI)是两个或多个波段的反射率经过线性或非线性组合运算来增强植被信息，以削弱环境背景对植被光谱特征的干扰[7]，如归一化植被指数(normalized difference vegetation index，NDVI)[8]、增强植被指数(enhanced vegetation index，EVI)[9-10]和差值植被指数(difference vegetation index，DVI)[11]等。

目前，光谱植被指数法已经作为一种快速获取地表信息的手段，被国内外学者用于作物长势监测研究。杨贵军等[12]通过无人机搭载多传感器，实现了对作物产量、LAI、冠层温度等多种信息的监测。王亚杰[13]基于无人机获取的多光谱数据，系统比较了玉米叶面积指数的不同监测方法，结果表明，在不同水分处理下基于EVI构建的一元线性模型能够较好的预测玉米灌浆期和成熟期的LAI。高林等[14]基于RVI、NDVI和DVI等采用经验模型法构建了大豆LAI反演模型，结果表明，在鼓粒期基于NDVI构建的大豆LAI效果最佳(R2=0.829，RMSE=0.301)。孙诗睿等[15]基于无人机多光谱影像，通过对比不同植被指数建模方法分析冬小麦叶面积指数的反演精度，发现基于多植被指数的随机森林预测具有更好的拟合效果(R2=0.882，RMSE=1.218)。邹楠等[16]研究结果表明，种植密度在6、12和18万株·hm-2条件下，春玉米RVI、DVI和DVI分别与LAI的相关性最好，R2分别为0.762、0.691和0.648，可用于监测春玉米LAI。肖武等[17]利用玉米灌浆期地上部生物量与各种植被指数建立一元曲线回归模型，结果表明，植被指数NDVI和GNDVI效果较好(R2>0.68)。庄东英等[18]研究表明，RVI比NDVI对冬小麦生物量的估算具有明显优势。

已有研究大都基于光谱参数对作物LAI和地上部生物量进行模拟估算，但鲜有研究对作物不同品种LAI和地上部生物量的光谱估算模型进行探讨，本研究以此为切入点，以无人机搭载多光谱相机所获多光谱影像数据为基础，选取7种常用的植被指数与玉米LAI和地上部生生物量进行相关性分析；综合4种基于光谱植被指数的模拟方法(指数、线性、对数、幂)，构建2个玉米品种在吐丝期和灌浆期的LAI和地上部生物量估算最优模型，为进一步提高春玉米长势监测的精度提供依据和方法。

1 材料与方法

1.1 试验材料

供试材料为紧凑型郑单958(Zhengdan 958，ZD958)和半紧凑型先玉335(Xianyu 335，XY335)，由河南豫研种子科技公司和山东登海先锋种业有限公司提供，施用化肥为尿素(总氮≥46.4%)、过磷酸钙(有效磷≥12%，水溶性磷≥7.0%，硫≥8.0%)和氯化钾(K2O≥60%)，分别由山东润银生物化工股份有限公司、江苏省威力磷复肥有限公司和中化化肥有限公司生产。所用无人机为大疆M600 Pro，最大载重5 kg，最大续航时间30 min。搭载于无人机上的多光谱传感器为Rededge-MX(MicaSense，USA)，该相机有5个波段，相机焦距为5.5 mm，视场角为47.2°，图像分辨率为1 280 pixels×960 pixels，该相机配备了光强传感器及标定板，其中光强传感器可校正航拍过程中外界光线的变化对光谱影像造成的影响，标定板具有固定的反射率，可以利用标定板进行辐射定标。

1.2 试验处理设计

试验于2018—2019年4—10月在位于吉林省公主岭市的中国农科院公主岭试验基地(43°11′—44°9′N、124°02′—125°18′E)进行。该地区属于温带半湿润大陆性季风气候，长年平均降雨量为595 mm， 土壤类型主要为黑土，土壤耕层pH 6.0，有机质含量29.68 g·kg-1、全氮1.28 g·kg-1、速效磷28.16 mg·kg-1、速效钾187.74 mg·kg-1。设置4个氮肥处理，分别为无肥N0(0 kg·hm-2)、低肥N1(150 kg·hm-2全部一次性基肥)、中肥N2(225 kg·hm-2，基施150 kg·hm-2，拔节追施75 kg·hm-2)和髙肥N3(300 kg·hm-2，基施150 kg·hm-2，拔节期、吐丝期各施75 kg·hm-2)，氮、磷、钾分别为尿素、过磷酸钙(P2O542.5 kg·hm-2)、氯化钾(K2O 42.5 kg·hm-2)，种植密度为67 500株·hm-2，行距0.65 m，株距0.22 m。除施肥处理不同外，各处理田间管理方式均保持一致。

1.3 玉米地上部生物量及LAI值获取

于2018年的7月21日(吐丝期)、8月25日(灌浆期)和2019年的7月27日(吐丝期)、8月27日(灌浆期)获取田间数据，将每个处理的试验小区所选取3株具有代表性的玉米植株带回实验室后，先放置在烘箱中105 ℃杀青30 min，然后80 ℃烘干48 h以上，直至恒重，最后称取地上部生物量。

测量植株所有叶片的长和最大叶宽，根据式(1)计算叶面积指数。

(1)

式中，0.75表示玉米叶面积校正系数；ρ表示种植密度，株·m-2；N表示取样株数，株；n为总叶片数；li和wi分别表示第i片叶的叶长和最大叶宽，m。

1.4 无人机多光谱影像数据获取

试验采用大疆M600 Pro六旋翼小型电动无人机，搭载多光谱传感器Micasense Rededge-MX，上述田间取样当天选择在晴朗、无风或微风、无云的天气状况下在10:00—14:00采集多光谱影像数据，无人机飞行高度为40 m，航向为70%，旁向为65%。

1.5 多光谱影像数据处理

将所获取的四个生育期多光谱影像使用软件Pix4Dmapper进行拼接，获得覆盖整个试验区的多光谱影像，拼接前先人为筛选剔除航带外以及无人机调头时的影像，并输入每个波段对应标定板的反射率，最终可获得五张试验区单波段的正射图像。将拼接好的影像导入ENVI 5.1中进行几何校正，以高清数码影像为参考影像，均匀选取20个点校正所获无人机多光谱影像，误差控制在0.5个像元以内，主要是为消除因无人机飞行高度及姿态不稳定对影像造成的影响。然后将校正后的影像进行波段组合，将单波段的影像叠加到一起，最后进行波段运算，根据需求计算相关植被指数。将计算所得的植被指数影像在ENVI 5.1软件中进行参数提取，每个小区绘制3个均匀大小的感兴趣区，绘制时避开小区边界四个方向各一行玉米，以排除边行长势不均匀植株，进而提取出每个感兴趣区的平均光谱植被指数，每个感兴趣区域作为一次重复，共三次。

1.6 光谱植被指数计算

本研究选取了与作物长势相关的7个植被指数：NDVI[6]、GNDVI[17]、RVI[19]、GOSAVI[20]、VIopt[21]、EVI[8]、DVI[11]，计算分别公式如下。

NDVI=(RNIR-RRED)/(RNIR+RRED)

(2)

GNDVI=(RNIR-RGREEN)/(RNIR+RGREEN)

(3)

RVI=RNIR/RRED

(4)

GOSAVI=(1+0.16)(RNIR-RGREEN)/(RNIR+RGREEN+0.16)

(5)

VIopt=1.45(RNIR×RNIR+1)/(RRED+0.45)

(6)

EVI=2.5(RNIR-RRED)/(RNIR+6RRED-7.5RRLUE+1)

(7)

DVI=RNIR-RRED

(8)

式中,RNIR、RRED、RGREEN和RBLUE分别表示近红外波段、红光波段、绿光波段和蓝光波段的反射率。

1.7 数据分析

采用SPSS22.0软件进行试验数据统计分析，用Duncan法进行处理间的多重比较(P<0.05)，用Sigmaplot12.5软件制图。

1.8 模型精度评价指标

2019年数据用于建模，2018年数据用于外部独立验证。采用决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)和归一化均方根误差(normal root mean square error，NRMSE)评价和检验模型。R2表示回归方程与实测值的拟合程度，其值越接近1效果越好；RMSE用来衡量模拟值与实测值偏差，该值越小模拟效果越好；NRMSE<10%模拟效果非常好，10%～20%效果较好，20%～30%效果可以接受，>30%效果差[22]。本研究评价不同估算模型时综合考虑R2、RMSE和NRMSE三个指标[23-24]。

(9)

(10)

(11)

2 结果与分析

2.1 不同施氮量对玉米冠层植被指数的影响

由图1可见，两品种在N1、N2和N3处理下各植被指数均显著高于N0处理。ZD958在吐丝期和灌浆期各植被指数N2处理显著高于N1处理，说明N2 处理下的玉米长势比N1处理好，在吐丝期N3处理下的GOSAVI、DVI和VIopt显著高于N1，而在灌浆期却显著低于N1(图1A、C)。XY335在吐丝期各植被指数除DVI、VIopt和RVI外在各施肥处理间无显著性差异(图1B)，灌浆期的GOSAVI、EVI和RVI在N2和N3处理下显著高于N1处理(图1D)。

2.2 植被指数与LAI和地上部生物量间的相关性分析

LAI和地上部生物量与植被指数间的相关性分析结果(表2)表明，在吐丝期，两品种各植被指数与LAI和地上部生物量均呈极显著相关(P<0.01)；在灌浆期，DVI与ZD958的LAI和地上部生物量相关性不显著(P>0.05)，而与XY335的LAI和地上部生物量显著相关(P<0.05)；灌浆期VIopt与ZD958的LAI和地上部生物量显著相关(P<0.05)，与XY335的LAI和地上部生物量极显著相关；其余植被指数与两品种在吐丝期和灌浆期的LAI和地上部生物量均呈极显著相关(P<0.01)，选择与LAI和地上部生物量分别达极显著水平的植被指数来构建估算模型。

表2 玉米LAI模型精度对比Table 2 Comparison of the accuracy of different models for maize LAI (n =12)

2.3 模型比较分析

2.3.1玉米LAI模型比较分析 从表3中，选取R2最大，RMSE相对较小的植被指数和拟合方程(线性、对数、指数和幂)，如果出现R2相近则选择RMSE最小的拟合方程和植被指数。在吐丝期，GOSAVI与ZD958的LAI的拟合幂函数效果最好(R2=0.946，RMSE=0.252)；RVI与XY335的LAI拟合的指数函数有较高的R2和最小RMSE(R2=0.947，RMSE=0.179)。在灌浆期，NDVI与ZD958的LAI拟合的幂函数R2相对较大，RMSE最小(R2=0.879，RMSE=0.419)；GNDVI与XY335的LAI拟合的幂函数效果相对较好(R2=0.861，RMSE=0.261)。

表3 玉米地上部生物量模型精度对比Table 3 Comparison of accuracy of different models for maize above-ground biomass (n =12)

2.3.2玉米地上部生物量模型比较分析 吐丝期幂函数对两品种的地上部生物量估算效果较好，在灌浆期指数函数对两品种的地上部生物量估算效果好(表4)。在吐丝期，GNDVI与ZD958地上部生物量拟合的幂函数效果最好，R2和RMSE分别为0.867和0.488 t·hm-2，GOSAVI与XY335地上部生物量拟合的幂函数估算效果最好(R2=0.791，RMSE=0.463 t·hm-2)。在灌浆期，EVI与ZD958地上部生物量拟合的指数函数建模效果较好(R2=0.772，RMSE=1.477 t·hm-2)，GNDVI与XY335地上部生物量拟合的指数效果最好(R2=0.852，RMSE=2.0132 t·hm-2)。

表4 LAI和地上部生物量模型验证结果Table 4 Model validation for LAI and above-ground biomass (n =12)

2.4 LAI和地上部生物量模型验证

为检验模型的可靠性，利用2018实测数据对所选模型进行验证。用RMSE和NRMSE两个指标来评价模型精度，从表5可以看出，在吐丝期，与ZD958拟合的LAI和地上部生物量模型估算精度较高，RMSE和NRMSE分别为1.103、17.91%和1.485 t·hm-2、16.04%，XY335拟合的模型精度相对较差，RMSE和NRMSE分别为1.369、25.08%和1.730 t·hm-2、20.11%。在灌浆期，ZD958的LAI和地上部生物量估算模型精度较高，RMSE和NRMSE分别为0.619，12.22%和2.482 t·hm-2，15.22%；XY335的LAI估算精度较差(RMSE=1.008，NRMSE=25.74%)，地上部生物量估算模型效果较好(RMSE=2.119 t·hm-2，NRMSE=12.26%)。

XY335的LAI和地上部生物量模型估算效果比ZD958的差，但总体精度可以接受，能够用来估算LAI和地上部生物量。

3 讨论

吐丝期到灌浆期是玉米营养吸收和物质积累的高峰期[25]，从吐丝期开始玉米植株的养分向籽粒运转[26]，及时、准确的获取吐丝期和灌浆期玉米长势参量并据此进行调优栽培对提高玉米产量具有重要意义。本研究结果表明，对于ZD958而言，在吐丝期和灌浆期各植被指数在N2处理下显著高于N1处理，说明可能N2处理下玉米叶片叶绿素含量高于N1处理，冯宗会[27]在冬小麦上的研究表明，孕穗期施氮量270 kg·hm-2处理NDVI显著高于施氮量150 kg·hm-2处理。经相关性分析发现，同一植被指数与不同玉米品种间的LAI和地上部生物量的相关性差异较大，表明不同玉米品种的冠层光谱特征存在差异，这与张俊华等[28]研究结果一致，可能是由于品种间株型不同导致冠层光谱差异。多种植被指数与两玉米品种的LAI和地上部生物量均呈极显著或显著性相关水平，这与赵巧丽等[29]的研究结果基本吻合。

本研究结果表明，吐丝期幂函数对ZD958的LAI估算效果最好，指数函数对XY335的LAI估算效果好，灌浆期幂函数对两品种的LAI估算效果最佳 。吐丝期幂函数对两品种的地上部生物量估算效果较好，灌浆期指数函数对两品种的地上部生物量估算效果好。吐丝期ZD958 的GNDVI对地上部生物量的估算效果最佳，而灌浆期GNDVI对XY335的估算效果最优，Shanahan等[30]研究也发现，抽雄期到灌浆期，GNDVI的估产效应优于NDVI和TSAVI。灌浆期EVI对ZD958的地上部生物量估算精度较高，韩文霆等[31]发现，单个生育期EVI对产量的估算效果最佳。XY335在灌浆期GNDVI与LAI和地上部生物量估算效果均较好，说明在该时期GNDVI对XY335的LAI和地上部生物量的估算可通用。本研究一方面明确了不同玉米品种长势参量的光谱响应特征和最优预测模型，另一方面为下一步开展品种分辨率的光谱响应机理解析奠定了基础。本研究仍存在一些不足，玉米封垄后覆盖度较高，易导致植被指数出现“饱和”的现象，在今后的研究中应在多品种氮肥长期定位试验的基础上，研究光谱、空间和时相特征的融合方法，面向田间精确栽培的管理需求，构建适应于不同品种、不同生育期的玉米LAI和地上部生物量的遥感精确反演模型。

致谢：感谢中国农业科学院作物科学研究所谢瑞芝研究员为本研究的顺利开展提供了完备的实验条件。