基于无人机多光谱的棉花育种材料FPAR 估测

唐中杰，王来刚，郭 燕，张 彦，张红利，杨秀忠，贺 佳

（1. 河南省农业科学院经济作物研究所，河南 郑州 450002；2. 河南省农业科学院农业经济与信息研究所，河南 郑州 450002）

光合有效辐射吸收比率（Fraction of photosynthetically active radiation，FPAR）是指被植被冠层绿色部分吸收的光合有效辐射（Photosynthetically available radiation，PAR）占总PAR 的比率，是直接反映植被冠层截获光能、吸收光能的重要参数，因为FPAR 包含了作物冠层的光合有效组分及非光合有效辐射组分，且能表征作物的生长特征[1-4]。因此，快速高效地估测FPAR 对作物生产管理及选育高光效作物品种具有重要意义。

传统FPAR 测量对FPAR 的空间异质性表征不足。遥感技术的发展，为作物生长参数的高通量获取 提 供 了 新 的 途 径[5‐6]。 低 空 无 人 机（Unmanned aerial vehicle，UAV）由于具有机动灵活、运行成本低、获取的遥感数据空间和时间分辨率高等优势，且能适应复杂环境，已逐渐成为作物育种材料表型信息高通量获取的重要手段[7‐13]。如苏伟等[14]基于固定翼瑞士eBeeAg 精细农业用无人机搭载Canon S110 RGB 相机获取影像，通过分割投影法提取玉米育种材料垄数信息，精度达到100%，为玉米育种提供一种有用的表型参数；牛庆林等[15]以多旋翼无人机搭载索尼Cyber-shot-DSC-QX100 数码相机提取玉米育种材料株高信息，实测值与预测值的决定系数达到0.93，为高通量获取育种小区玉米株高信息提供了新的技术手段；毛智慧等[16]利用天鹰680 型多旋翼无人机搭载SONY DSC-QX1 数码相机提取的玉米育种材料倒伏信息与人工调查的误差为4.44%，提高了育种材料倒伏信息调查效率；李长春等[17]利用无人机高清数码影像构建玉米育种小区叶面积指数（Leaf area index，LAI）的最佳估测模型，验证精度达到69%；赵晓庆等[18]以多旋翼无人机搭载Cubert UHD185高光谱成像仪获取大豆育种小区的高光谱遥感影像，得到冠层光谱与大豆产量相关的最佳空间尺度，有效改善大豆产量估测的精度；杨贵军等[19]以六旋翼无人机同时搭载多光谱、热红外、数码相机等多个传感器，实现了高通量采集小麦育种材料LAI信息。这些研究为作物育种材料表型信息的高通量获取奠定了基础，在一定程度上改变了传统作物育种通过大量地面人工测量调查的效率低、时效性差、主观性强等问题，为育种家的高效决策提供辅助信息。但是目前研究多关注于小麦、玉米等大宗粮食作物的株高、LAI 等农艺性状，缺乏对作物光合性能参数的研究。随着当前全球气温逐渐升高，改善作物光合性能逐渐成为作物育种的研究方向之一。因此，以棉花育种材料为对象，通过无人机多光谱影像，结合田间实测FPAR 数据，构建FPAR 的多光谱估测模型，并对模型的精度进行验证分析，为快速、无损、高通量地获取棉花育种材料的表型信息提供一种高效快捷的手段。

1 材料和方法

1.1 研究区概况

棉花育种试验田位于河南现代农业研究开发基地（E113°42´23″～113°42´35″，N35°00´32″～35°00´21″），该地海拔79.53 m，属温带大陆性季风性气候，年平均温度14.5 ℃，无霜期210 d，年日照时数约2 400.0 h，年蒸发量约2 000.0 mm，年平均降水量614.0 mm。土壤为黄河冲积物发育潮土，0～20 cm土壤碱解氮70.13 mg/kg，速效磷10.27 mg/kg，速效钾73.41 mg/kg，有机质含量13.23 mg/kg。

棉花育种试验田面积约1.69 hm2（225.00 m×75.00 m）。播种时间为2020 年4 月20 日，每份育种材料种植6 行，株距0.45 m，行距0.60 m，行长5.00 m，外围设置2 行保护行。为了精确地获取育种田多光谱遥感影像，均匀地布设了12个地面控制点（Ground control point，GCP），GCP 是用0.2 m×0.2 m聚乙烯塑料软板固定在育种试验田内，便于校正不同时期多光谱影像的空间位移偏差。试验田肥水管理措施为基肥施尿素120 kg/hm2、磷酸二铵300 kg/hm2、硫酸钾150 kg/hm2。研究区位置及棉花育种试验田多光谱影像与局部放大如图1所示。

图1 研究区位置及试验布局Fig.1 Location and experiment design of the study area

1.2 无人机多光谱影像获取与预处理

棉花育种试验田多光谱数据采集日期为8 月10 日（前期）、9 月28 日（中后期）。棉花育种材料试验田的无人机多光谱影像通过大疆六旋翼无人机（Matrice 600 Pro，M-600）搭载Micasense RedEdge-M多光谱成像仪获取。Micasense RedEdge-M 多光谱成像仪同时收集蓝（Blue）、绿（Green）、红（Red）、近红外（Nir）、红边（Rededge）5 个不连续的光谱波段，相机焦距为5.5 mm，视场角为47.2°，图像分辨率为1 280×960 像素。飞行前后以相机配备的0.3 m×0.3 m 灰板反射率进行校正。试验在晴朗无云无风11:00—14:00进行，无人机飞行高度为30 m，飞行方向为南北方向，航向重叠度为80%，旁向重叠度为80%。影像空间分辨率为0.021 m。M-600 无人机主要参数与Micasense RedEdge-M 多光谱成像仪参数见表1。

表1 无人机多光谱遥感监测平台主要参数Tab.1 Main parameters of UAV multispectral image acquisition system

无人机多光谱成像仪拍摄的照片准确获取了照片拍摄时间、经纬度、海拔、偏航角、俯仰角、旋转角等信息，表征空间姿态位置信息。将航拍获取的多光谱照片以时间序列为索引，导入瑞士Pix4D 公司Pix4D mapper 4.5.2 软件，剔除无效照片后进行影像拼接，生成高清多光谱正射影像。影像的拼接流程：1）初始化处理；2）点云和纹理处理；3）正射影像等处理；4）利用各通道反射板校正，输出拼接后影像；5）拼接后的多光谱图像以地面控制点为参考进行几何校正，误差小于0.5 个像元；6）根据育种试验田地理坐标对拼接后的图像进行裁剪，形成棉花育种试验田多光谱影像。

1.3 地面PAR采集

PAR 与多光谱影像数据同期采集。选择长势均匀一致的样点，以美国Decagon 公司AccuPAR PAR/LAI ceptometer 型植物冠层分析仪（model LP 80型）测量。AccuPAR 探测器长86.5 cm，内嵌80个GaAsP 光敏传感器，PAR 传感器量程为0～2 500 μmol/（m2·s），传感器分辨率1 μmol/（m2·s），波长400～700 nm。探头中包括80 个间隔为1 cm 的PAR光量子传感器，用于测量环境光照中PAR 的变化。采集冠层顶部PAR 值时，探测器水平至于冠层顶部；采集冠层底部PAR 值时，将探测器水平置于作物冠层底部，与作物行向垂直。每个测量点测3次，取算数平均值为该观测点的光合有效辐射值，单位为μmol/（m2·s）。依据公式计算FPAR 值[20]。2个生育时期共获取240个FPAR值。

FPAR=APAR/PARci

APAR=PARci-PARcr-（PARgi-PARgr）

式中：APAR 为植物吸收光合有效辐射量，PARci为冠层上部光合有效辐射入射量，PARcr为冠层上部光合有效辐射反射量，PARgi为冠层底部光合有效辐射入射量，PARgr为冠层底部光合有效辐射反射量。

1.4 多光谱参数变量的筛选

基于棉花育种材料试验田的多光谱影像，提取每个测量点冠层蓝、绿、红、红边、近红外等5个通道反射率值，分别定义为Bled、Green、Red、Red-edge、Nir 等，组合构建多光谱变量。在前人研究基础上筛选变换土壤调节植被指数（Transformed soil adjusted vegetation index，TSAVI）、土壤调节植被指数（Soil adjusted vegetation index，SAVI）、垂直植被指数（Perpendicular vegetation index，PVI）、比值植被指数（Ratio vegetation index，RVI）、差值植被指数（Difference vegetation index，DVI）、增强型的植被指数（Enhanced vegetation index，EVI）、归一化差值植被指数（Normalized difference vegetation index，NDVI）、大气阻抗植被指数（Atmospherically resistant vegetation index，ARVI）等8 个多光谱变量。各多光谱变量计算公式及参考文献见表2。

表2 FPAR相关的植被指数Tab.2 Vegetation indexes related to FPAR

1.5 数据分析

首先按照不同采集点位顺序编号将FPAR 与提取的多光谱变量一一对应，分析多光谱变量和实测FPAR 的相关性，初步评价不同多光谱变量与FPAR的定量关系；在此基础上采用回归分析方法，随机选择70%的样本数据作为建模数据集（160），构建FAPR 的估算模型，利用未参与建模的30%样本作为验证数据集（80），进行FAPR 估算模型预测能力的评价。建立一元线性回归模型时，按照统计学将与FPAR 具有较好相关性的多光谱变量逐一建立FPAR 估算模型；建立多元线性回归模型时，在相关性分析的基础上，对比不同多光谱变量之间的相关性，剔除相关性过高的多光谱变量，以避免模型共线性。

1.6 精度评价

选取决定系数（R2）、估计标准差（SE）、均方根误差（RMSE）、相对分析误差（RPD）作为评价估测模型与验证模型的指标。估测模型与验证模型的R2越大，RMSE越小，RPD越大，则模型精度越高，模型估测能力越好。RMSE和RPD计算公式[28]为：

式中：yi为棉花FPAR 模型预测值；ŷi为棉花FPAR 实测值；yRMSE为棉花FPAR 模型的均方根误差；n为模型检验样本个数。

2 结果与分析

2.1 高清数码正射影像定性分析

利用获取的育种试验田棉花多光谱正射影像对棉花育种材料品系的整体长势信息进行表型性状定性分析（图2）。前期（8 月10 日）多光谱影像可以清晰、快速、准确地识别棉花育种材料品系的种植密度、缺垄断苗等信息的差异，为及时采取适当间苗或补种等田间管理提供指导；中后期（9 月28日）影像可以清晰识别有花铃、无花铃以及花铃多少的差异，这为后期结铃数与产量统计提供依据。对比不同时期、不同点位的多光谱影像，可以看出不同材料品系间冠层覆盖度、叶片颜色等差异，这些直观的表型特征差异是由于不同育种材料品系自身基因性状或生长环境因素等影响引起，这种差异为高通量的育种材料筛选及田间管理措施提供了科学的指导依据。

图2 棉花育种材料多光谱影像局部特征对比Fig.2 Comparison of local features of multispectral image for cotton breeding materials

2.2 棉花育种材料FPAR与多光谱变量的相关性

按照统计学要求，根据相关系数检验临界值表对不同变量与FPAR 的显著性进行检验，当自由度为160 时，|r|大于0.154 时其达到0.05 水平的显著相关，|r|大于0.202 时其达到0.01 水平的极显著相关。从图3 可知，所选多光谱变量与FPAR 的|r|为0.754～0.879，大于0.202，在0.01 水平上达到极显著相关。说明不同多光谱变量与FPAR 均具有较好的相关性，可以基于所选多光谱变量建立FPAR 的估测模型。不同变量与FPAR 的|r|大小顺序依次为TSAVI、SAVI、PVI、RVI、DVI、EVI、NDVI、ARVI。综观不同多光谱变量之间，|r|为0.542～0.932，按照相关系数检验临界值约定，亦存在较好的相关性，且达到0.01水平上的极显著相关。

图3 多光谱变量与FPAR的相关性结果（r）分析Fig.3 Correlation coefficient（r）analysis between multispectral variable and FPAR

2.3 棉花育种材料FPAR估测模型构建

棉花育种材料冠层FPAR 估测模型建立采用一元线性回归与多元线性回归2种方法。一元线性回归模型以不同的多光谱参数为自变量，冠层FPAR为因变量，分别记作FPAR-NDVI、FPAR-PVI、FPAR-RVI、FPAR-SAVI、FPAR-TSAVI、FPAR-DVI、FPAR-EVI、FPAR-ARVI；多元线性回归模型是以冠层FPAR 为因变量，多光谱变量作为自变量，建立FPAR的多元线性回归模型，记作FPAR-MLRM。

在2.2 的相关性分析中发现，不同多光谱变量之间存在较好的相关性，且ARVI 与其他多光谱变量之间的相关系数较高，|r|为0.754～0.932，这种变量之间较高的相关性容易引起与其他变量之间的共线性问题。由于多元线性回归模型要求参与建模的变量不能对模型的其他变量产生明显的影响，因此将ARVI 剔除，不再参与多元线性回归模型构建，选择其他7个变量。

由表3可知,不同多光谱变量构建的FPAR 一元线性回归模型R2为0.721～0.867，SE为0.115～0.206；融合7 个多光谱变量构建的FPAR 多元线性回归模型R2和SE分别为0.857、0.121。说明建立回归模型时选取的各多光谱变量都能有效表征棉花冠层FPAR 信息。其中单变量建立的一元线性回归模型中，FPAR-TSAVI 模型精度最高，FPAR-SAVI 次之。这是由于在相同条件下，SAVI能适当减小裸土背景对冠层光谱反射率的影响，所以SAVI 较其他参数预测效果较好；而TSAVI 是将SAVI 进一步进行形式转换，最大程度地降低土壤背景亮度对冠层光谱的影响，从而增强了冠层光谱信息表征FPAR 的能力。对比2 种方法的估测结果，一元线性回归模型FPAR-TSAVI 的精度略高于多元线性回归模型，但是多元线性回归模型仍具有较好的估测能力，不同形式的FPAR回归模型均具有较好的估测能力。

表3 棉花育种材料FPAR值与植被指数建立的回归模型Tab.3 Models of FPAR for cotton based on vegetation indexes

2.4 棉花育种材料FPAR估测模型验证

用80 个检验样本的FPAR 实测值和预测值进行方程拟合，通过对比模型预测值与田间实测值的拟合方程决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）来检验评价模型精度与预测能力。按照统计学规定，对比验证模型的相对分析误差（RPD），当2.0

由图4 可知，模型预测值与实测值之间具有较好的线性关系。所有估测模型中，不同多光谱变量构建的一元线性模型R2为0.851～0.932，RPD为1.829～2.468，RMSE为0.119～0.231；多元线性模型的R2、RPD、RMSE分别为0.927、2.456、0.240。说明不同形式的回归模型的预测值能较好地表征实测FPAR 值。一元线性回归模型中FPAR-TSAVI 估测效果最佳，FPAR-SAVI 预测效果次之；对比2 种形式的回归模型，虽然FPAR-MLRM 也具备一定的估测能力，但是模型构建参数相对较多，模型结构复杂，应用较为不便。

图4 棉花育种材料FPAR模型预测值与实测值的定量关系Fig.4 Relationships between predicted and measured values of FPAR for cotton

3 结论与讨论

基于多光谱遥感影像数据估算作物表型参数对作物生长监测诊断及精确栽培管理具有重要的应用意义[30‐31]。目前基于无人机多光谱的研究多集中于小麦、玉米、水稻等作物的栽培管理方面，且作物的品种类型相对较少。因此，本研究基于棉花育种试验田冠层多光谱信息构建不同形式的多光谱变量，建立了FPAR 的不同形式的回归模型，并对模型的精度进行验证，结果表明：TSAVI、SAVI、PVI、RVI、DVI、EVI、NDVI、ARVI 等8 种多光谱变量与FPAR均具有极显著相关性，基于8种多光谱变量建立FPAR 一元线性回归模型的R2为0.721～0.867，SE为0.115～0.206，实测值与模型预测值间的R2为0.851～0.932，RPD为1.829～2.468，RMSE为0.119～0.231。这与已有基于无人机遥感平台的作物光合参数监测研究结果基本一致[32‐34]，这种方法可为作物育种冠层FPAR 估测提供一种快速、高效的信息获取手段。

对比分析本研究不同的FPAR 估测模型，一元线性回归模型采用单一的多光谱参数直接反映表征FPAR，建模参数少、模型表达简单，估测更为直观高效。但是这种通过某一变量直接表征作物表型特征，在一些极端环境条件下存在不确定性，对建模精度影响较大，而多元线性回归模型通过将多种变量结合起来估测，减少单一植被指数方法在极端条件下的不确定性，提高可靠性，但是依然难以克服经验方法受限于研究区特征、普适性不强的问题[35‐37]。本研究的2种回归模型，仍是基于传统统计学方法建立，这种方法虽然具有一定优势，但是受观测时间、地域、植被类型等因素限制，导致模型的机理性解释不强，普适应、外推性仍有一定的限制。因此，有待在其他作物育种材料或生态区域进一步探索验证，或是引入辐射传输模型等植被冠层模型，进一步研究作物FPAR 物理模型，增强FPAR 估测的机理性与科学解释性。

从模型预测值与实测值的散点图可以看出，预测值略低于实测值。导致这种结果的原因可能是由于无人机估测FPAR 是通过获取育种试验田垂直冠层多光谱影像间接估测FPAR 信息，而AccuPAR PAR/LAI ceptometer 冠层分析仪是获取群体内多角度的综合FPAR 观测信息。另外，冠层分析仪是从冠层群体内部自下向上获取FPAR 信息，群体内部杂草也会导致FPAR 较大，而无人机从冠层上方垂直向下，棉花群体长势较好，杂草对反射率影响较小，这也将影响FPAR 估测。对比这种数据获取方式与信息量，多光谱影像估测的FPAR 比冠层分析仪的FPAR 略小。因此，今后有待加强无人机多光谱多角度的观测研究，进一步改善FPAR估测精度。

本试验利用无人机多光谱遥感技术结合地面监测数据研究了棉花育种试验田冠层FPAR 估测的可行性，得出以下结论：通过对比不同时期的棉花育种材料冠层多光谱遥感影像，能够快速、直观清晰地对育种材料冠层叶片颜色、群体长势等信息进行定性估测评价，为育种试验田的田间管理与品种筛选提供决策信息；基于多光谱反射率信息构建的TSAVI、SAVI、PVI、RVI、DVI、EVI、NDVI、ARVI 等变量与FPAR 均具有极显著相关性，|r|为0.542～0.932。基于TSAVI、SAVI 等8 种多光谱变量建立FPAR 一元线性回归模型的R2为0.721～0.867，实测值与模型预测值间的R2为0.851～0.932，RPD为1.829～2.468，RMSE为0.119～0.231；多元线性回归模型的R2和SE分别为0.857、0.121，实测值与模型预测值间的R2、RPD、RMSE分别为0.927、2.456、0.240。上述结论表明，利用无人机平台获取多波段光谱反射率，建立棉花育种材料冠层FPAR 估测模型，具有较好的精度。研究结果可为作物FPAR 值的遥感估测提供参考，为规模化育种材料的FPAR 高通量筛选提供一种可行的技术手段。