基于无人机多光谱的不同施硒水平荞麦冠层叶绿素估测模型研究

马 纬，武志明，余科松

（山西农业大学 农业工程学院，山西 太谷 030801）

硒（Se）在自然界广泛存在于有机物和无机物中，是一种人和动物生长所必需、对植物生长有益的非金属营养元素，自然界中硒元素主要以无机硒和植物中有机硒的形式存在，人体或动物可直接吸收作物中的有机态硒，易溶于水的硒离子（Se4+、Se6+等）可被作物吸收，但其吸收效果受土壤环境（例如pH 值、土壤含水量等）影响较大[1-2]。在农作物的精细管理中，采用外源硒肥喷施可显著提高作物中硒含量[3-5]。已有相关研究表明，适量施硒可促进小麦等作物的叶片叶绿素合成，高浓度硒肥施入会抑制作物叶片叶绿素含量持续增加，因此，研究外源硒肥施入量对提高作物品质及满足人或动物的需求有着重要的意义[6-7]。

遥感技术在农作物表型参数的获取方面已经有了广泛应用[8-10]，叶绿素作为植物进行光合作用的重要色素，可用于农作物长势或营养状况评价。目前，通过无人机多光谱影像和地面实测值建立叶绿素模型主要有经验指数法和经验指数-物理模型法2 种。其中，学者们采用经验指数方法的研究居多[11-13]。经验指数法是利用获得的作物冠层反射率计算植被指数（VI），再建立VI、光谱波段反射率和实测值之间的数学关系，由此获得的模型精度较高，但不同品种作物在不同时间的估测效果相差大，模型难以推广。王丹等[11]以山东济南夏玉米为研究对象，通过无人机多光谱相机获取夏玉米3 个生育时期的多光谱影像，并结合田间实测叶绿素相对含量（SPAD 值）进行了反演研究，结果表明，以归一化植被指数（NDVI）、土壤调整植被指数（SAVI）和冠层叶绿素含量指数（CCCI）为输入变量的多元线性回归模型（MLR）最优且稳定。刘仕元等[12]利用无人机搭载的多光谱相机获取了花生叶片的多光谱影像，同步采集花生叶片叶绿素值，构建了卷积神经网络和深度神经网络2 种模型，发现卷积神经网络在花生叶片叶绿素监测中的效果更优，平均绝对误差在0.8左右。傅友强等[13]以华南籼稻（美香占2号和吉丰优1002）为研究对象，探究不同施氮条件下无人机多光谱的水稻冠层光谱特征规律，在水稻施肥试验里设置了3 个氮肥处理，以VI 为输入量，地面实测叶绿素值为输出，采用多元线性逐步回归构建水稻SPAD 值反演模型，结果表明，美香占2 号和吉丰优1002 的决定系数分别为0.973 和0.817，该模型对华南地区籼稻的精准施肥作业提供了重要理论依据。经验指数-物理模型法是在经验指数的基础上融入环境物理参数（例如气象数据）尝试获得准确性更好的模型，这种方法研究报道较少且融合物理参数后的模型与其他模型相比精度是否提高需进一步开展大量研究。冯浩等[14]以陕西关中地区夏玉米为研究对象，通过无人机多光谱相机获取多光谱影像，建立了融合气象因子（降雨量和最高气温）的分层线性模型（HLM）叶绿素估算模型，结果表明，融合气象因子虽可以提高估算精度，但低于传统经验指数法建立的随机森林模型。

综上，无人机多光谱遥感可较好地估测农田作物冠层叶绿素含量，但大多数研究都停留在未设置营养元素梯度或为作物生长的土壤设置常见营养元素（例如N 元素等）的基础上进行作物叶绿素遥感估测模型的研究，不同外源硒肥浓度对作物冠层叶片光谱反射率的影响研究及在此基础上建立的模型差异性等问题还鲜见报道。因此，以晋中地区荞麦为研究对象，采用传统经验指数方法，在研究叶片施硒对荞麦叶绿素含量影响规律的同时，分析荞麦叶绿素的光谱特征规律，以16 个光谱变量（5个波段反射率和11 种VI）为建模因子，在分析光谱变量与SPAD 值的相关性后分别建立基于开花期、灌浆期、开花—灌浆期的偏最小二乘法回归（Partial least squares regression，PLSR）、主 成 分 回 归（Principal component regression，PCR）、支持向量机回归（Support vector machine regression，SVR）和反向传播神经网络（Back propagation neural network，BPNN）估测模型，最终进行模型精度评价获取最优算法模型，以期为农田无人机估测荞麦冠层叶绿素含量提供研究支持。

1 材料和方法

1.1 试验设计

试验于2020 年8—10 月在山西省晋中市太谷区申奉村开展，研究区域如图1所示，该区域位于太谷区西北部（北纬37°24′，东经112°36′），平均海拔约为776 m，属于暖温带大陆性气候，春温高于秋温，夏季暖热多雨，冬季长而偏冷。试验研究对象为苦荞和甜荞，根据施硒量的不同设置5 个水平：CK（不施硒）、S1（5 mg/L）、S2（10 mg/L）、S3（15 mg/L）、S4（20 mg/L）。共10个处理，每个处理重复3次。喷施的叶面肥为生物富硒复合增效剂（太原市志达顺复合肥高科技有限公司），硒质量浓度为100 mg/L，于8月25 日采用植保无人机叶面喷施，飞行参数：飞行速度4 m/s，飞行高度在荞麦冠层以上2 m，喷幅4.5 m。肥料于8 月下旬一次性施入，肥料施入后，分别于2种荞麦盛花期和灌浆期获取无人机遥感影像和田间实测SPAD值。

1.2 多光谱图像获取与处理

采用大疆精灵4 搭载6 个COMS 镜头获取荞麦冠层多光谱影像数据。飞行器质量为1.5 kg，飞行速度可达14 m/s，续航时间约27 min，单次拍摄可获取具有200 万像素的照片6 张。无人机搭载有多频多系统高精度RTK-GNSS，可实现飞行器厘米级定位，顶部集成光强传感器，可校正太阳光照对影像造成的影响，提高不同环境光线强度下采集数据的准确性与一致性。航线规划见图1，多光谱相机参数如表1所示。

表1 多光谱相机参数Tab.1 Parameters of multispectral camera

图1 研究区域和试验设计Fig.1 Study area and experimental design

多光谱影像数据采集：分别于2020年9月10日（盛花期）、10 月4 日（灌浆期）进行无人机飞行与数据采集。数据采集当天，选择晴朗无云的时间段（12：00—14：00），设置飞行参数如下：高度80 m，航向、旁向重叠率均为80%。

多光谱影像数据处理采用DJI Terra 和ENVI5.3完成。使用DJI Terra 对获取的多光谱影像进行拼接，获得单波段下的正射影像，格式为.tif。获得的影像导入ENVI 进行波段合成并提取波段下的灰度值（DN），最终将波段像素DN值转换为反射率。

1.3 VI选取与计算

VI是一种可以减少外界大气或土壤背景干扰、凸显叶绿素等植被特征的参量，由于它的计算简便性，被广泛应用于无人机遥感估测农作物表型参数领域中[13]。根据叶绿素吸收光谱的特点并结合文献调研与分析，选取了与叶绿素相关的11 种VI，基于荞麦冠层影像获取的蓝（B）、绿（G）、红（R）、红边（RE）和近红外（NIR）反射率计算VI，公式如表2所示。

表2 VI计算公式Tab.2 Calculation formula of vegetation index

续表2 VI计算公式Tab.2（Continued）Calculation formula of vegetation index

1.4 田间数据获取

使用SPAD-502 叶绿素仪分别于甜、苦荞的盛花期（9 月10 日）、灌浆期（10 月4 日）测定荞麦叶片SPAD 值（表3）。在每个处理区选择代表性的3 株植株，每个植株上选取冠层3 个叶片，单个叶片上部、中部、底部各测一次，将该处理区所有植株叶绿素平均值作为该处理区的SPAD值。

表3 田间实测SPAD值Tab.3 Field measured SPAD values

1.5 统计分析

试验数据采用IBM SPSS Statistics 24.0 软件进行单因素方差分析和相关性分析，采用LSD法检验差异显著性。由于作物生理生化指标与光谱变量之间并不是简单的线性关系，研究者在利用无人机遥感开展解析作物表型时由传统的一元或多元线性回归转向较为复杂的非线性模型[26]。采用PLSR、PCR、SVR 和BPNN 这4 种方法建立SPAD 值基于光谱变量的预测模型，并选用常用指标决定系数（R2）、均方根误差（RMSE）和相对分析误差（RPD）来评价模型的性能。R2越大，RMSE越小则模型精度越好[27]。另外，就RPD而言，当RPD＜1.4 时，认为所建模型不可靠；当1.4≤RPD＜2.0时，认为所建模型较可靠；当RPD≥2.0 时，则认为所建模型具备较高可靠性，能够用于模型分析[28-29]。回归分析与精度评价采用MATLAB 2018a。

2 结果与分析

2.1 荞麦冠层SPAD值变化

由图2 可知，荞麦SPAD 值随着浓度的增加呈先上升后下降的趋势。在甜荞的盛花期，各处理间SPAD 值依次为S2＞S3＞CK＞S1＞S4，S4 处理SPAD 值显著低于S2 和S3。在甜荞的灌浆期，各处理间SPAD 值依次为S2＞S1＞S3＞CK＞S4，S2、S1、S3处理显著高于CK、S4。在苦荞的盛花期，各处理间SPAD值依次为S3＞S2＞S1＞S4＞CK，S3 处理显著高于其他处理。在苦荞的灌浆期，各处理间SPAD 值依次为S3＞S2＞S1＞S4＞CK，S3 处 理 显 著 高 于CK。可 见，10 mg/L 硒对甜荞叶绿素含量的促进作用最大，15 mg/L硒对苦荞叶绿素含量的促进作用最大。

图2 叶面施硒对荞麦SPAD值的影响Fig.2 Effects of selenium application on SPAD value of buckwheat

2.2 荞麦冠层光谱特征分析

利用荞麦冠层盛花期和灌浆期影像获得波长为450、560、650、730、840 nm 的蓝光、绿光、红光、红边和近红外波段处的反射率，结果如图3 所示。由图3 可以看出，冠层叶片反射率呈现蓝低绿高红低近红外高的趋势，这与文献[30]中华北平原棉花冠层光谱反射率的规律相似，同一时期相比，S2、S3处理下的反射率普遍高于CK、S1和S4。以图3a为例，冠层叶片在绿波段反射率大小排序为S3＞S2＞S1＞CK＞S4，这表明在S3 和S2 处理叶绿素含量更多，而CK 和S1 由于硒浓度低或者S4 由于硒浓度太高抑制了叶绿素合成，导致叶片发黄，因而反射率普遍较低，在近红外波段也是这种现象。

图3 荞麦不同硒浓度下光谱反射率Fig.3 Spectral reflectance of buckwheat under different selenium concentrations

将所有SPAD 值和光谱反射率组成的数据集按照SPAD 值从小到大的顺序排列，然后就此分析并获得荞麦冠层光谱反射率随SPAD 值变化的点线图（图4）。由图4可以看出，荞麦冠层反射率明显有区分且分为4～5 个区域，NIR 波段区域最高，RE 波段区域次之，G 波段区域再次，B 和R 波段区域较低；从梯度变化而言，G和R波段反射率随SPAD值增加而上下略有浮动且增加，NIR和RE波段反射率表现为随SPAD 值增加，略有增加且稳定，B 波段反射率值略有浮动但整体变化并不明显。

2.3 光谱建模因子与SPAD值相关性分析

通过计算得到盛花期（记作Ⅰ期）、灌浆期（记作Ⅱ期）和盛花—灌浆期（记作Ⅰ—Ⅱ期）不同硒浓度处理下各采样点的11 个VI，将这11 个VI 与5 个光谱波段反射率共组成16 个光谱变量，分别对这3组生育期的SPAD 值与光谱变量进行皮尔逊相关性分析，结果如图5所示。

由图5a 可知，在Ⅰ期，NRI 与SPAD 值相关性较差，相关系数|r|为0.21，GDVI、DVI、PVI 的|r|均在0.35～0.45，SPI、GCI、GNDVI、NGI、TOSAVI、TCARI、TVI 的|r|均在0.50 以上，且为极显著相关。由图5b可知，在Ⅱ期，DVI 的|r|为0.12，相关性较差，余下10个VI 的|r|大小顺序依次为PVI、SPI、GCI、GNDVI、NGI、TOSAVI、TCARI、GDVI、TVI、NRI，|r|均在0.60以上。由图5c可知，在Ⅰ—Ⅱ期，PVI的|r|在0.30以下，相关性较差，DVI、NRI 的|r|在0.30～0.40，SPI、GCI、GNDVI、NGI、TOSAVI、TCARI、GDVI、TVI 的|r|均大于等于0.50，|r|最高达0.82。综合11 个VI 在3个 时 期 的 表 现 来 看，SPI、GCI、GNDVI、NGI、TOSAVI、TCARI、TVI 这7 种VI 有较好且稳定的相关性，|r|为0.50～0.91。由图5d 可知，NIR、G、RE、R波段下的反射率与SPAD 值呈现较好的相关性，其中NIR 波段的|r|在3 个时期内均大于0.90，G 波段的|r|在3个时期内均大于0.80。

图5 荞麦冠层叶片光谱变量与SPAD值相关性分析结果Fig.5 Correlation analysis results of buckwheat canopy leaf spectral variables and SPAD value

2.4 回归模型的建立与模型验证

试验共有60 个样本数据，采用Kennard-Stone算法将样本划分为校正集∶预测集=4∶1，Ⅰ期或Ⅱ期校正集数为24 个，预测集为6 个，Ⅰ—Ⅱ期校正集为48个，预测集为12个，通过PLSR、PCR、SVR 和BPNN 这4 个算法模型反演荞麦SPAD 值，各模型预演精度结果如表4所示。

表4 4种模型估测荞麦冠层叶绿素结果Tab.4 Chlorophyll content of buckwheat canopy predicted by four models

3 结论与讨论

3.1 叶面喷硒浓度对荞麦冠层叶绿素含量和光谱特征的影响

硒肥施用量会影响荞麦叶片的叶绿素含量，硒肥的施用方式会影响作物对硒元素的吸收程度[31]。袁伟玲等[32]采用土壤施硒、叶面喷硒和硒浸种3 种方式对莴苣添加外源硒，研究硒肥方式对莴苣品质的影响，结果表明，叶面喷硒100 mg/kg 为莴苣最佳外源施硒方式和施硒量。夏永香等[33]通过对大蒜叶面喷硒试验得出，适量硒肥提高大蒜叶片叶绿素含量效果显著，最佳喷硒质量浓度是10 mg/L（1 次或2次喷硒）。本研究通过荞麦冠层叶面喷硒试验，分析叶面喷硒对荞麦冠层叶绿素含量的影响，结果表明，叶片喷施不同浓度硒肥后叶绿素含量有差异，随着硒肥施用量增加，荞麦冠层叶绿素含量先增加后降低，由此可知，过量硒肥并不会持续提高叶绿素含量，这一结论与文献[32-33]结论一致，而本试验得出甜荞最佳喷硒质量浓度为10 mg/L，苦荞则为15 mg/L，而导致不同试验得出的作物最佳施硒浓度不一致是硒肥施用方式、叶面喷硒距离、次数及不同作物对硒吸收差异等因素共同作用的结果[34]。

本试验结果表明，荞麦冠层反射率变化趋势呈现蓝低绿高红低近红外高的规律特征，这与文献[35]所示的植物光谱特征的结论一致，植物的各种色素尤其叶绿素是形成植物光谱响应的重要因素，在中心波长为450 nm 和650 nm 的谱带内，由于叶绿素吸收了大量能量呈现反射率较低的现象，在这2 个吸收带之间的中心波长为550 nm 谱带内，吸收能量较少则形成一个反射峰，在中心波长为840 nm的谱带内，作物的光谱特性则主要受叶片细胞结构影响，反射率普遍在0.4以上[36]。

3.2 不同建模方式对荞麦冠层叶绿素估测模型稳定性的影响

目前关于无人机多光谱遥感估测农学参数的研究多集中于玉米、小麦等农作物[37-38]，且设置试验变量为土壤施氮或自然状态下，有关荞麦冠层叶片在喷硒作用下的研究较少见。本研究以经验指数法构建了光谱特征变量，采用相关性分析法筛选了光谱变量，并以敏感光谱变量为输入，实测叶绿素为输出，建立了荞麦叶绿素的估算模型，并对模型的效果进行评价。结果表明，SVR 模型整体表现精度高且稳定可靠，R2P在0.94～0.96，RMSE在0.45～0.82，RPD均大于3.00。这比张恒瑞等[39]、陈浩等[37]采用一元、多元线性模型估测的R2提高了0.03～0.10，表明SVR 较简单线性模型有更好的精度。而就单个生育时期而言，BPNN 和PLSR 分别在盛花期和盛花—灌浆期精度达到最高。

本试验研究了叶面喷硒对荞麦冠层叶绿素含量及光谱特征影响规律，并建立不同硒肥浓度下的回归模型。本试验数据是基于同一地区2种荞麦品种且在半年内的遥感影像，而模型在不同地域、更多品种荞麦上的适用性还有待研究，模型对于更长生长周期的荞麦叶绿素估算精度也需进一步研究。