大豆冠层叶片氮含量检测研究--基于无人机多光谱图像

康 恺,张 伟,贺 燕,亓立强,张 平

(黑龙江八一农垦大学 a.工程学院;b.理学院,黑龙江 大庆 163000)

0 引言

氮素在大豆的生长全过程具有极其重要的作用[1]。氮肥施入不足,会影响大豆植株的生长;施入过量,则会造成面源污染[2]。化学分析测量氮素含量的方法所花费的时间和人力成本都比较高,且难以实现对大面积作物的快速测量[3]。因此,快速、准确地估测氮素在大豆田间的分布状况对实现大豆田间智能管理非常重要[4]。

国内外学者对无人机遥感在作物氮含量估测方面的应用进行了广泛研究。Lucas等[5]研究了基于无人机遥感的多种植被指数与单个光谱相结合的玉米氮含量模型,回归系数达到了0.83,为玉米精准施肥作业提供了理论依据。虽然多种植被指数相结合可以有效地提高模型的精度,但植被指数是以两种及以上的单一光谱相结合的方式构建的,只利用多种植被指数与单个光谱建模存在一定的偶然性。SWAIN等[6]获取了5种不同氮素水平下水稻的无人机遥感图像,通过统计分析发现在幼穗分化期的5种不同氮素水平下的NDVI与水稻总生物量的回归系数达到0.87。刘昌华等[7]在冬小麦关键生育期,以无人机为载体获取多光谱图像,利用选取最优光谱变量相组合的方式提供了冬小麦氮素营养快速、有效诊断手段,模型回归系数达到0.85。秦占飞等[8]通过无人机搭载高光谱相机获取高光谱数据,以RVI为光谱变量进行模型建立,模型检验R2为0.673,均方根误差为0.329,并提出了对水稻叶片含氮量进行估算的方法。这3种方法都是通过选择最优的光谱变量进行模型构建,虽然模型具有较高的精度,但单光谱变量建模存在一定的饱和度。综上所述,以上研究均是通过无人机遥感图像提取的特征参数与表征作物氮含量的生理指标的相关关系进行诊断农作物营养状况,航空及以上大尺度光谱监测则随着作物种类、种植模式、区域条件的不同,氮素光谱监测参数也有较大差异[9];而深入田间获取作物的叶片、植株等的氮含量指标费时费力,且采样具有一定主观性,所建模型精度有待提高[10]。因此,基于无人机影像的氮素模型精度尚需进一步的探索[11]。

为此,以黑河地区3个关键生育时期主栽大豆品种为研究对象,利用无人机获取遥感数据构建多种植被指数与田间实测氮素含量进行相关性分析,并基于一元线性和逐步回归方法,建立大豆冠层 LNC估测模型,旨在为大豆关键生育期精准施肥提供数据支撑。

1 材料与方法

1.1 研究区与试验田概况

试验地点位于黑龙江省黑河市九三管局尖山农场科技园区试验基地(125°19′53″E,48°46′55″N),如图1所示。试验区为大豆育种品系比较试验区,试验小区按照种植密度进行设计,品种均为适宜黑龙江第四积温带及内蒙古呼伦贝尔≥10℃活动积温2200℃以上地区的主栽品种,具有抗性强、产量稳的优势。选取的品种分别为龙垦3401、黑河43和龙垦310共计3种;试验区域设置5种种植密度分别为38.5、35、31.5、29.75、28万株/hm2,小区采用“垄上三行”的种植方式,垄长20m,垄宽110 cm,重复种植3垄,计为一个小区,共计20个小区。

图1 实验区位置示意图Fig.1 Location of experimental area

1.2 叶片氮含量测定

2021年选取大豆始花期(R1)、始荚期(R3) 、始粒期(R5) 共3个关键生育时期,获取大豆试验田的无人机多光谱图像数据及每个小区的大豆冠层叶片氮含量。分别在每块试验小区选取具有代表性的大豆上层叶片作为样本带回实验室,对叶片称鲜质量;在105 ℃下杀青0.5h,然后将所有叶片样品在80℃条件下烘干48h以上,直至衡质量再称干质量;最后对所有叶片样本烘干,样品研磨粉碎后采用凯氏定氮法[12]进行大豆冠层LNC的测定工作。

1.3 多光谱影像获取与预处理

分别于7月17-22日、7月25-30日、8月6-11日展开无人机成像多光谱数据观测。使用的遥感平台为电动四旋翼无人机大疆精灵4多光谱版(简称精灵4)。多光谱相机包含蓝(B)450±16nm、绿(G)560±16nm、红(R)650±16nm、红边(RE)730±16nm和近红外(NIR)840±26nm,共5个光谱波段。该无人机遥感平台可按预先规划好的飞行路线程控自动飞行,可在数据采集点实现定高自动拍摄,通过图像传输模块传回相机图像来掌握航拍的状态。多光谱影像的采集于10:00-14:00在田间上空进行,飞行时天气晴朗无云、风力较小,以尽量减少光源对拍摄数据的影响。设定自动航线的航向重叠率为85 %,旁向重叠率为70%,飞行高度30m,设置为等时间间隔自动拍摄,时间间隔为1s;飞行时间约为16min,单次飞行获取影像约2700 幅。使用大疆智图软件对多光谱影像进行辐射校正、大气校正、影像拼接等处理;通过ArcGIS软件得到覆盖完整试验田的多光谱影像(见图1),影像空间分辨率为2.3cm。

1.4 多种植被指数构建及数据集划分

植被指数是两种以上植被敏感波段的组合,可以突出显示植被特征(冠层生 物量、辐射吸收量、叶绿素含量等)。根据前人研究及相关资料选取了与氮相关的9个植被指数(见表1)和5个波段反射率,共计14个光谱变量对大豆冠层LNC进行估测。

表1 本研究使用的光谱指数Table 1 The spectral index used in this study

1.5 数据分析方法

1.5.1 逐步回归

逐步回归分析是多元回归分析中的一种方法,用来研究多个变量之间的相互依赖关系,逐个引入显著性变量,剔除不显著性变量,以期获得最优或者合适的回归模型。回归分析具有简单易行,所得的回归方程变量较少,并保留了影响最显著的重要变量的优点[18]。本研究基于回归模型的显著性水平和回归模型回归参数的显著性水平相结合的准则,达到删除或增加自变量的目的,从而建立最优回归模型来估测大豆LNC,即

Yk=b0+b1X1+b2X2+……+bkXk

(1)

其中,Y为目标变量(因变量);X为多光谱影像变量(自变量);b0～bk为常数项;k为潜在变量个数。

1.5.2 建模方法

首先,将选取的多光谱影像变量和实测LNC进行相关性分析,得到其相关关系;其次,选取相关性较高的光谱变量利用逐步回归分析方法,随机选取80% 样本数据作为估算数据集,构建大豆 LNC估测模型,利用剩余20% 样本数据作为验证数据集,进行模型估测能力的检验。

1.5.3 评价指标

选取决定系数R2和均方根误差(Root Mean Square Error,RMSE)作为评价模型精度的标准。建模模型和验证模型的R2越大,相应的RMSE越小,则模型精准度越高,即

(2)

(3)

2 结果与分析

2.1 光谱数据与LNC相关性分析

利用不同种植密度下大豆3个主要生育期(R1、R3、R5)提取的光谱变量所对应的数值与实测 LNC数据进行相关性分析,3个生育期样本各45个。基于无人机多光谱影像数据,选取长势均匀的区域数据来构建 LNC 估算模型,通过多光谱影像多个单波段反射率结合提取的9个影像的光谱指数并与相对应的实测小区氮含量数据组成样本数据集。其中,每个生育期随机选取 80% 样本数据构建估算模型训练集,20% 样本数据构建测试集。

2.2 大豆生育期LNC最佳估测模型LNC预测值

在上述分析的基础上,按照光谱变量与LNC相关系数的大小排序,将排序的12个光谱变量依次减少光谱变量的个数作为输入因子,进行后向逐步回归分析,建立 LNC估测模型,并计算模型的调整决定系数R2。综合考虑逐步回归分析模型的评价指标和简单实用性,将模型建立的调整R2和变量个数进行综合分析。由此可以发现:在龙垦3401-R1期选择 3 个光谱变量,所建模型R2最高,说明在龙垦3401-R1选择相关性前三的光谱指数作为自变量时所建模型效果最好;同理,黑河43-R1、龙垦310-R1、龙垦3401-R3、黑河43-R3、龙垦310-R3、龙垦3401-R5、黑河43-R5、龙垦310-R5分别选择 4、3、4、3、4、3、3、2个光谱变量建模的R2最高,所建模型效果最好。在不同生育期选用不同数量的光谱变量建立模型,进行大豆 LNC 估测。3 个时期所建模型如表2～表4所示。

表2 始花期(R1)不同品种LNC逐步回归分析结果Table 2 Progressive regression analysis results of different LNC varieties at the initial flowering period (R1)

表3 始荚期(R3)不同品种LNC逐步回归分析结果Table 3 Results of LNC gradual regression analysis of different varieties in the initial pod period(R3)

表4 始粒期(R5)不同品种LNC逐步回归分析结果Table 4 Results of stepwise regression analysis of different LNC in starting grain period (R5)

R1时期,龙垦3401包括 3 个光谱变量,构建的逐步回归模型的R2和RMSE分别为 0.857、0.133,经验证数据验证的R2和RMSE分别为0.872、0.167;黑河43包括4个光谱变量,构建的逐步回归模型的R2和RMSE分别为0.845、0.156,经验证数据验证的R2和RMSE分别为0.8685、0.153;龙垦310包括3个光谱变量,构建的逐步回归模型的R2和RMSE分别为0.821、0.187,经验证数据验证的R2和RMSE分别为0.835、0.139;

R3时期,龙垦3401包括4个光谱变量,构建的逐步回归模型的R2和RMSE分别为0.831、0.204,经验证数据验证的R2和RMSE分别为0.858、0.104;黑河43包括3个光谱变量,构建的逐步回归模型的R2和RMSE分别为0.881、0.113,经验证数据验证的R2和RMSE分别为0.891、0.089;龙垦310包括4个光谱变量,构建的逐步回归模型的R2和RMSE分别为0.849、0.162,经验证数据验证的R2和RMSE分别为0.869、0.159。

R5时期,龙垦3401包括3个光谱变量,构建的逐步回归模型的R2和RMSE分别为0.845、0.208,经验证数据验证的R2和RMSE分别为0.848、0.207;黑河43包括3个光谱变量,构建的逐步回归模型的R2和RMSE分别为0.814、0.215,经验证数据验证的R2和RMSE分别为0.830、0.189;龙垦310包括4个光谱变量,构建的逐步回归模型的R2和RMSE分别为0.836、0.211,经验证数据验证的R2和RMSE分别为0.863、0.139。由此表明,模型具有较高的精度和稳定性。

LNC模型实测值与预测值的关系如图2所示。

图2 验证LNC模型实测值与预测值的关系Fig.2 Verifies the relationship between the measured and predicted values of the LNC model

3 结论

1)经过逐步回归分析,筛选出各生育期 LNC 模型最优光谱变量,结果如下:龙垦3401-R1期为NDVI、OSAVI、NDRE;黑河43-R1期为 GNDVI、NDVI、OSAVI、NDRE;龙垦310-R1期为NDRE、NDVI、RVI;龙垦3401-R3期为NDRE、NDVI、OSAVI、LCI;黑河43-R3期为OSAVI、NDVI、GNDVI;黑河43-R3期为OSAVI、NDVI、GNDVI;龙垦310-R3期为NDVI、RDVI、RED、RVI;龙垦3401-R5期为LCI、RDVI、NDRE;黑河43-R5期为NDVI、OSAVI、LCI;龙垦310-R5期为NDVI、OSAVI。

2)基于光谱指数建立植被生理生化参数反演模型的研究中仍有一些问题有待解决,如本研究及大多数学者的研究多以单一植被的单一生长期为试验对象,将其研究结果应用于植被整个生长期的可行性还需进一步考察。因此,如何将单个时期与整个生长期的氮素反演模型通用并达到较高的模拟性能和精度仍需更深入的研究与实践。

3)利用无人机多光谱遥感数据结合逐步回归分析方法选取敏感光谱变量进行建模,可以较好地监测大豆中 LNC 的空间分布。