基于无人机多光谱的夏玉米穗位叶叶绿素含量反演研究

杨广云，牛鲁燕

（1.山东省莘县农业农村局，山东 莘县 252400；2.山东省农业科学院 农业信息与经济研究所，山东 济南 250100；3.山东省农业农村遥感应用中心，山东 济南 250100）

玉米作为我国仅次于水稻和小麦的第三大粮食作物，是重要的粮食作物和饲料来源，在促进我国经济发展和保障粮食安全中占有非常重要的地位［1］。叶绿素作为植物进行光合作用的主要色素，在光合过程中起着将光能转化为植物内部化学能，并为植物的生长发育提供物质和能量的作用［2］。叶绿素含量是评价植物光合作用的主要化学参数，其值的高低决定了植物吸收太阳辐射量的多少，并且对判断植物生理状况有着重要意义［3］，所以监测植株叶绿素的含量有助于衡量作物光合能力的大小和生理损伤状况［4］，进而达到评估作物的生长环境及水肥管理情况的目的。

高效、无损地监测作物的长势是精准农业种植的核心。无人机多光谱遥感影像地面分辨率较高，可以达到厘米级，对空间异质信息响应敏感，并且获得的农作物长势信息范围大、即时性强、可靠性高，这可以在一定程度上弥补传统监测设备监测范围小、难度大等缺陷，具有很好的应用价值［5］。目前国内外学者利用无人机技术在作物生长反演方面已经进行了广泛研究。陈浩等［6］基于无人机多光谱遥感影像，对不同施氮水平下夏玉米冠层叶绿素含量的变化规律进行了分析，研究认为无人机多光谱遥感结合逐步回归模型可以实现田间尺度夏玉米冠层叶绿素含量的实时监测；周敏姑等［7］提取了冬小麦不同生育期冠层的光谱影像反射率特征参数，并与SPAD值建立了反演模型，结果证明无人机遥感可作为快速、无损监测小麦叶绿素含量的技术手段。王丽爱等［8］利用环境减灾卫星对2010～2013年江苏地区稻茬小麦不同生育期叶片SPAD值与8种植被指数的相关关系进行了分析，结果显示所建立的回归方程能够较好地估算SPAD值；毛智慧等［9］比较了2种多光谱传感器（MAC和Sequoia）对不同施肥水平下玉米冠层叶绿素含量的预测能力，发现了有更高预测精度的植被指数构建模型，分别为绿波段和近红外波段构造的植被指数与红边波段和近红外波段构造的植被指数。上述研究虽然都取得了一定的研究成果，但由于作物生长的复杂性，夏玉米监测在不同地区、不同经验模型、不同生育期之间都存在着空间和时间上的差异性，导致适用模型具有地域性差别。

目前针对山东地区单一生育期夏玉米叶绿素含量的反演研究鲜有报道，尤其是在决定玉米产量的关键生育期。抽雄期是玉米一生中生长发育最快的时期，这个时期标志着玉米由营养生长转向生殖生长，是灌溉、追肥的关键时期。笔者采用无人机多光谱遥感和地面监测相结合的方法，以山东抽雄期夏玉米穗位叶叶绿素含量（用SPAD值表示）反演为研究内容，构建了10种基于多光谱数据的植被指数，建立了表征不同植被指数与玉米穗位叶SPAD值之间关系的回归模型，并对这些模型的精度进行了评价，以期为通过无人机遥感监测山东地区夏玉米叶片叶绿素含量提供理论依据，并为山东农作物的长势监测和水肥精准管理提供技术支撑。

1 材料与方法

1.1 试验区概况及试验材料

试验小区位于山东省济南市章丘龙山试验基地，地理坐标为：北纬36°25′～37°9′，东经117°10′～117°35′。该区位于济南市的东部，属于暖温带半湿润大陆性季风气候区，四季分明，雨热同季，年均日照2647.6 h，日照率60%，年均气温12.8 ℃。地势南高北低，黄河流经北境。

本次试验供试玉米品种为郑单958，种植方式、灌溉与病虫草害防治管理与常规田相同。种植密度为67500株/hm2，玉米行间距60 cm。

1.2 数据采集

1.2.1 无人机多光谱数据的采集 本次试验使用大疆无人机M600 Pro在晴朗无云的天气进行作业，时间为10：00～13：00。多光谱数据通过搭载的美国MicasenseRedEge多光谱相机获取。MicasenseRedEge多光谱相机包含红（668 nm）、绿（560 nm）、蓝（475 nm）、红边（717 nm）、近红外（840 nm）5个波段，焦距为5.5 nm，视场角为47.2°，图像分辨率为1280×960像素。机载多光谱成像系统如图1所示。

图1 无人机搭载的多光谱成像系统

1.2.2 叶绿素含量（SPAD值）的测定 SPAD（Soil and Plant Analyzer Development）值是农作物生长过程中重要的生化参数之一［10］。在样地内选取一定数量的夏玉米穗位叶，使用 SPAD－502Plus叶绿素仪测定其SPAD值，取平均值作为该样本的SPAD最终值。叶绿素含量（SPAD值）的测量与无人机飞行测量保持同步。

1.3 数据处理方法

1.3.1 机载多光谱影像的处理 机载多光谱影像的处理使用Pix4D专业版，先对影像进行拼接处理，得到试验区完整的灰度图；再通过ENVI软件对各波段进行配准，组合成ENVI格式的反射率数据。

1.3.2 多光谱植被指数的选取 绿色植物叶片和植被冠层的光谱特性及其差异、变化可以反映遥感影像上的植被信息。植被指数的建立原理就是基于植被在红光和近红外波段反射率差别较大的光谱特征，在综合考虑各光谱信号的基础上，把多波段反射率做一定的数学变换，以增强植被信息，最小化非植被信号［11］。本研究结合叶绿素吸收光谱的特点，并考虑到植被指数的广泛性和实用性，选取了10种多光谱植被指数：归一化植被指数（NDVI）、冠层叶绿素含量指数（CCCI）、无蓝色波段增强型植被指数（EVI2）、比值植被指数（RVI）、土壤调整植被指数（SAVI）、绿色归一化植被指数（GNDVI）、土壤调节植被指数（OSAVI）、红边优化土壤调节植被指数（REOSAVI）、绿色比值植被指数（GRVI）、红边归一化植被指数（RENDVI），研究了各植被指数与实测夏玉米叶绿素含量之间的关系。各植被指数的计算公式见表1。

表1 多光谱植被指数及其计算公式

1.4 模型的构建与验证

选择一元线性回归模型进行模型的构建；为了确保模型的稳定性和精度，应用决定系数R2、均方根误差（Root Mean Square Error，RMSE）进行模型的精度评价。

2 结果与分析

2.1 夏玉米抽雄期各植被指数与叶绿素含量的拟合分析

采用Excel 2007软件对试验数据进行相关性分析，结果显示，抽雄期夏玉米穗位叶叶绿素含量（SPAD值）与10种植被指数在0.01水平上呈极显著相关。

2.2 回归模型的建立

以不同的植被指数作为自变量，以叶绿素含量（SPAD值）作为因变量，建立一元线性回归模型，结果如表2所示。在10个一元线性回归模型中，SPAD-CCCI模型的决定系数R2最大，达0.8300；SPAD-EVI2模型的决定系数R2次之，为0.3618；SPAD-REOSAVI模型的决定系数R2最小，仅为0.0002。根据决定系数R2的大小，10个一元线性回归模型的拟合精度排序如下：SPAD-CCCI模型＞SPAD-EVI2 模型＞SPAD-RVI 模型＞SPADOSAVI模型＞SPAD-NDVI模型＞SPAD-GRVI模型＞SPAD-GNDVI模型＞SPAD-RENDVI模型＞SPAD-SAVI模型＞SPAD-REOSAVI模型。

表2 不同植被指数反演夏玉米冠层叶片SPAD值的回归模型

2.3 叶绿素含量（SPAD值）估测模型的验证

用验证样本的SPAD实测值和SPAD预测值进行一元线性回归方程的拟合，拟合的预测模型及其验证结果如表3所示，在10个预测模型中，SPAD-SAVI模型的精度最优，其决定系数R2最大，达到0.9596，且RMSE和RE值均最小，分别只有0.6700和-0.12%；其次是SPAD-RENDVI模型，其决定系数R2为0.6920，且回归方程的斜率为0.7119，最接近于1；而SPAD-GNDVI模型的预测效果最差，其决定系数R2仅为0.0001，回归方程的斜率只有0.0001。

表3 10个预测模型的精度验证结果

按照决定系数的大小，10个预测模型的精度表现为：SPAD-SAVI模型＞SPAD-RENDVI模型＞SPAD-GRVI模型＞SPAD-CCCI模型＞SPADEVI2 模型＞SPAD-REOSAVI 模 型＞SPAD-RVI模型＞SPAD-NDV 模型＞SPAD-OSAVI 模型＞SPAD-GNDVI模型。

3 讨论与小结

本研究发现，在对夏玉米抽雄期穗位叶叶绿素含量（SPAD值）的反演中，基于冠层叶绿素含量指数CCCI构建的一元线性回归模型（y=-0.0016x+0.6955）的预测能力较好；基于无蓝色波段增强型植被指数EVI2和比值植被指数RVI构建的SPAD-EVI2模型（y=-0.0011x+0.8487）和SPAD-RVI 模型（y=0.0543x+21.8920），对于夏玉米穗位叶叶绿素含量SPAD值具备一定的预测能力；而由红边优化土壤调节植被指数REOSAVI构建的SPAD-REOSAVI模型（y=7E-06x+0.5934）的预测能力最差，究其原因，可能是因为在小块试验田水平上，光谱信息的获取受植被及其环境背景的共同影响，而多光谱影像的后期处理会采用阈值分割法，以达到去除遥感影像中环境背景的目的，而红边优化土壤调节植被指数REOSAVI在设计之初是为了减少环境背景对植被指数的影响，所以在小空间尺度上使用红边优化土壤调节植被指数REOSAVI会在一定程度上影响光谱信息的完整性，从而影响植被指数对作物叶片叶绿素含量的反演。

另外，在本次夏玉米抽雄期叶片叶绿素含量SPAD值的反演试验中，由常用的归一化植被指数NDVI构建的SPAD-NDVI模型的相关性优势并没有显示出来，这也说明任何一个植被指数都不具有普适性，因此在对不同品种、不同生育期及不同观测范围的作物叶片叶绿素含量进行反演时，要选择合适的植被指数，比如归一化植被指数NDVI对较高的植被叶绿素含量不敏感，不适用于这类植被叶绿素含量的反演，这也与一些学者的研究结果［12］相近。而抽雄期是玉米生长发育的旺盛阶段，在此期间植被覆盖度显著上升，直到达到一个最大值，这导致在覆盖度达到一定程度时，应用归一化植被指数NDVI去反演叶绿素含量SPAD值的效果反而不好。

由此可见，鉴于无人机遥感的时效性高、空间分辨率高及操作方便快捷的优势，通过无人机平台获取多光谱遥感反射率，从而反演作物的长势是可行的，但是要想获得精准的反演结果还需要考虑作物品种、生育期及观测范围的影响。本研究采用夏玉米抽雄期不同植被指数与穗位叶叶绿素SPAD值的数据建立反演模型，所建立的模型具有较好的预测精度，能够作为夏玉米叶片叶绿素含量监测的有效手段。