基于无人机遥感的冬小麦叶绿素含量多光谱反演

周敏姑，邵国敏，张立元，刘治开，韩文霆

(1.西北农林科技大学旱区节水农业研究院，陕西 咸阳 712100； 2.西北农林科技大学机械与电子工程学院，陕西 咸阳 712100； 3.西北农林科技大学水土保持研究所，陕西 咸阳 712100)

叶绿素是植物进行光合作用的重要色素，其含量与农作物的生长态势、营养状况等关系密切[1,2]，因此，叶绿素含量已成为评价农作物生长状况的一个重要指标[3-5]，对其进行实时监测和准确估算，有利于及时掌握农作物的长势情况和病虫害防治[6,7]，进一步实现对农作物的连续动态管理，促进增产增收[8,9]。

遥感技术作为一种快速、动态、无损的监测方法，在农作物研究领域内被广泛研究[10-12]。学者们利用不同的遥感技术展开对农作物叶绿素的含量进行反演和预测[13]。梁爽等通过研究苹果树叶片的高光谱曲线特点，对原始光谱分别采取一阶微分变换、红边位置和叶片叶绿素指数变换，分别将其与叶绿素含量进行相关分析和回归分析，构建了苹果树叶片叶绿素含量的预测模型[14]。靳彦华等利用水浇地和旱地两种生长环境下春小麦的整个生育期叶片叶绿素含量的变化规律，研究了小麦不同冠层的高光谱植被指数和叶绿素含量之间的关系，建立了两种地类春小麦叶绿素含量的估测模型[15]。解飞等研究了陕西关中地区夏玉米抽穗期冠层的叶绿素含量及高光谱特性，利用线性及非线性两种分析方法，分别建立了一阶微分光谱敏感波段和原始光谱敏感波段的两种叶绿素估算模型并进行对比分析[16]。孙阳阳等利用盆栽玉米的植被特征和主成分分析方法提取光谱反演参数，根据所提取的参数建立玉米叶片叶绿素含量的一元线性和多元线性回归模型[17]。田明璐等使用无人机的高光谱影像，提取27个光谱参数，分别使用最小二乘法和偏最小二乘法，构建了棉花叶片叶绿素相对含量(SPAD)的反演模型[18]。

本文以关中地区主要粮食作物冬小麦为研究对象，选择大田种植条件下冬小麦拔节后至孕穗前的生长阶段，采用六旋翼无人机搭载RedEdge多光谱相机对小麦冠层叶绿素值进行监测试验。通过对小麦SPAD值和光谱参数进行相关性分析和回归分析，建立冬小麦叶绿素含量的遥感估算模型，以期为大田作物快速、无损的动态监测提供理论基础[19]。

1 材料与方法

1.1 试验区基本情况

田间试验地位于西北农林科技大学中国旱区节水农业研究院(108°08′E, 34°27′N，海拔 460 m)内。地处陕西关中平原中部，年降水量635.1～663.9 mm，平均气温12.9 ℃，属暖温带季风半湿润气候，一年两熟。试验区种植的农作物是冬小麦。

1.2 无人机平台与多光谱相机

光谱采集是利用西北农林科技大学精准灌溉实验室组装的六旋翼无人机作为搭载平台，遥感影像获取使用的相机为RedEdge多光谱相机(图1)。无人机和多光谱相机主要参数如表1和表2所示。

图1 无人机与多光谱相机Fig.1 UAD and mulitispectal camera

表1 无人机主要参数

Tab.1 Main parameters of unmanned aerial vehicle

参数有效载荷/g起飞重量/kg航测速度/(m·s-1)续航时间/min参数值8004.5220

表2 RedEdge多光谱相机参数及灰板对其中心波长的反射率

Tab.2 Multispectral camera parameters and the reflectivityof the gray plate to its center wave length

波段编号波段名称中心波长/nm波宽/nm灰板1反射率/%灰板2反射率/%1Blue475202.94658.4462Green560202.94557.9583Red668102.99357.3394NearIR840403.07056.6825RedEdge717103.01057.128

1.3 多光谱影像采集与数据获取

1.3.1 多光谱影像采集

多光谱影像采集于2018年4月16日14∶00-16∶00在田间进行，天空晴朗无风，视野广阔。小麦此时正处于拔节后至孕穗前的生长阶段，是小麦一生中生长速度最快，生长量最大的时期，有利于叶绿素含量反演。无人机的设置飞行高度为60 m，设定航速为5 m/s。RedEdge多光谱相机的镜头焦距为5.5 mm, 进行垂直拍摄，地面分辨率4.09 cm。航向及旁向重叠度为80%，进行四次影像采集。各个阶段航拍前进行白板校正，使试验能较真实反映地表反射率，达到了试验要求和目的。图2为无人机获取的试验地可见光和多光谱影像。

图2 试验地无人机多光谱影像Fig.2 Multispectral image of Experimental drone acquired by UAD

1.3.2 小麦叶片SPAD地面测量

在试验区共选取65个具有代表性的样本进行研究，每个样本范围为1 m×1 m的样地，且小麦长势均一。在样地内选取不同株树冠层部位的7片叶片，使用SPAD-502Plus叶绿素仪测定每片叶片SPAD值，取其平均值作为该样本的SPAD最终值，为了和多光谱影像进行对应，每个样本的地面位置作以标记并进行GPS记录。地面数据的测量与无人机飞行测量同步进行。对获取的65个样本的SPAD实测值，按照7∶3的分配原则，随机抽取45个作为建模样本，剩余20个作为检验样本，如表3所示。

表3 小麦实测SPAD值特征统计

Tab.3 Statistical features of winter wheat leaf SPAD

样本类型样本数最小值最大值平均值标准偏差/%变异系数/%总体样本6551.156.254.1490.401.670建模样本4551.156.253.9997.611.808验证样本2052.255.754.4787.061.590

1.3.3 多光谱影像预处理与单波段影像提取

对航拍后获得的多光谱影像，利用Pix4D mapper软件进行拼接，拼接后经过伪标准地物辐射校正法[19]，输出4个波段的反射率影像图，通过ENV5.1软件裁剪得到不同波段反射率光谱影像(图3)。

图3 不同波段反射率光谱影像Fig.3 Reflectance spectrum images at different bands

利用ENVI5.1软件对图3的光谱影像进行解译，根据每个样本地面标记和GPS位置信息，在光谱影像中识别出65个样本的位置建立感兴趣区(Region of interest, ROI)，在感兴趣区求得每个波段的平均反射率值。

1.4 植被指数的选取

将样本在4种波段下的平均反射率值进行不同的组合运算，得到样本所需要的植被指数值。本研究选取与农作物生长状况较密切的植被指数NDVI、ARVI、SAVI、EVI2、DVI、EVI、RVI和TVI共8种(表4)[20]，用于构建小麦叶片叶绿素的反演模型。

表4 植被指数及计算公式

Tab.4 Vegetation Index and its formulas

植被指数计算公式NDVINDVI=ρNIR-ρRedρNIR+ρRedARVIARVI=ρNIR-2ρRed+ρBlueρNIR+2ρRed-ρBlueSAVISAVI=(1+L)(ρNIR-ρRed)(ρNIR+ρRed+L)EVI2EVI2=2.5(ρNIR-ρRed)ρNIR+2.4ρRed+1DVIDVI=ρNIR-ρRedEVIEVI=2.5(ρNIR-ρRed)ρNIR+6ρRed-7.5ρBule+1RVIRVI=ρNIRρRedTVITVI=0.5[120(ρNIR-ρG)]-200(ρR-ρG)

注：ρNIR、ρRed、ρG、ρBlue分别为近红外波段、红光波段、绿光波段、蓝光波段的反射率； 为土壤调整系数，一般取0.5。

2 结果与分析

2.1 小麦SPAD值与多光谱反射率分析

利用小麦拔节后至孕穗前生长阶段，小麦冠层在同一叶绿素梯度下4个波段的多光谱反射率值，获得小麦冠层4个波段光谱反射率随SPAD值的变化曲线，其中波段1～4分别对应波长为475、560、668、840nm的蓝光、绿光、红光和近红外波段(图4)。

图4 小麦冠层4个波段反射率随SPAD变化关系曲线Fig.4 Relationship curves of wheat reflectance with SPAD

由图4看出，小麦冠层的反射率在4个波段下变化幅度明显不同，分别为：蓝光波段为0.028～0.041，红光波段为0.038～0.053，绿光波段为0.049～0.066，近红外波段为0.33～0.38，呈现逐渐增大趋势，在蓝光波段和红光波段吸收作用强，反射率较低，绿光波段反射率较蓝光和红光有所上升，在近红外波段达到一个较强反射。对比蓝光、红光和绿光3个波段，反射率曲线位置由低到高排列，说明反射率呈现由弱变强的变化趋势，但相对于近红外波段表现出吸收强，反射作用弱的特点。随着叶绿素梯度增大，小麦冠层反射率在绿光、红光和蓝光波段整体呈下降趋势。相反在近红外波段，反而呈上升趋势，个别点反射率数值下降，是因为地面人工测量数据时或在光谱数据解译时存在一定的误差影响。波段4(近红外波段)和波段1(蓝光波段)的反射率在各叶绿素梯度下均为最高和最低。这与一些研究成果相符合[21,22]。

2.2 小麦SPAD值与植被指数相关性分析

通过对无人机影像进行解译分析，提取出4个波段下小麦冠层反射率值，通过表4的计算公式，分别得到8种植被指数值，应用统计分析软件SPSS对小麦SPAD值和8种植被指数值进行相关性分析。统计分析中样本n=45显著水平α=0.01时，相关系数临界值为 0.372 1，相关性分析结果如表5所示。

表5 小麦叶片SPAD值与植被指数相关性

Tab.5 Correlation between wheat leaf SPADvalue and vegetation index

生长阶段植被指数相关系数拔节后～孕穗前NDVI0.800∗∗ARVI0.670∗∗SAVI0.871∗∗EVI20.869∗∗DVI0.833∗∗EVI0.776∗∗RVI0.801∗∗TVI-0.050

注：** 为置信度0.01水平上显著相关。

2.3 回归模型的建立

模型采用以下两种方法建立：小麦冠层叶片SPAD作为因变量，与SPAD相关系数在0.6以上的7种光谱参数作为自变量，分别建立单变量的一元线性回归模型，记作SPAD-NDVI、SPAD-ARVI、SPAD-SAVI、SPAD-EVI2、SPAD-DVI、SPAD-EVI和SPAD-RVI；小麦冠层叶片SPAD为因变量，与SPAD相关系数均0.6以上的7种光谱参数作为自变量，根据回归方程的决定系数R2取值越大，则残差平方和越小原则，建立多变量的多元线性回归模型，记作SPAD-MSR，有原则的选取NDVI、RVI、EVI、ARVI、DVI5个参数作为自变量(表6)。

表6可以看出，2种方法建立的回归模型，R2均大于0.4，显著性概率P<0.001，因此模型表现出极显著水平，说明建立回归模型时选取的各植被指数都显著包含小麦叶绿素的信息。其中单变量建立的一元线性回归模型中，SPAD-SAVI模型精度最高，SPAD-EVI2次之。

表6 小麦SPAD值与植被指数建立的回归模型

Tab.6 Models of SPAD and vegetation indexs

回归方法植被指数回归模型方程R2FP一元线性回归NDVIy=26.99x+32.850.64076.36<0.001ARVIy=15.12x+42.810.44935.03<0.001SAVIy=34.02x+36.290.758134.91<0.001EVI2y=29.10x+38.460.755132.49<0.001DVIy=41.19x+41.160.69597.76<0.001EVIy=22.63x+41.090.60265.05<0.001RVIy-0.74x+47.810.64176.73<0.001多元线性回归MSRy=-71.19x1-0.25x2-133.21x3+96.99x4+205.41x5+52.080.74626.78<0.001

注：y代表SPAD；x1代表NDVI；x2代表RVI；x3代表EVI；x4代表ARVI；x5代表DVI。

对比2种方法的反演结果发现，一元线性回归模型SPAD-SAVI的精度略高于多元线性回归模型，说明在小麦的拔节后～孕穗前这个阶段植被指数SAVI与此时的叶绿素含量的关系高度密切。多元线性回归模型中，有两个变量被剔除掉，通过分析得知，这两个变量与方程中的其他变量相关系数均比较高，也就是与其他5种变量造成共线性，多元线性逐步回归要求能留在方程中的变量不能对方程中的其他变量产生明显的影响即造成共线性[23]，因此被剔除。

2.4 模型验证分析

用20个检验样本的SPAD实测值和预测值进行方程拟合，利用拟合方程的斜率值、决定系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)来检验模型精度和预测能力[24](表7)。其中R2与斜率越接近1, 均方根误差(RMSE)越小，相对分析误差(RPD)越大，则模型精度越高[25]。RMSE和RPD计算公式[26]为：

(1)

表7 模型精度验证

Tab.7 Precision of models

回归方法植被指数模型决定系数R2斜率均方根误差RMSE相对分析误差RPD一元线性回归NDVI0.58890.58260.4071.076ARVI0.44960.45170.4980.781SAVI0.86600.94620.2452.395EVI20.86080.98890.2512.451DVI0.80150.95050.3101.977EVI0.76640.83130.3241.692RVI0.60050.66730.4231.175多元逐步回归MSR0.77040.98150.3291.962

(2)

对于模型的相对分析误差(RPD)，当2.0

图5 模型对检验样本的预测结果Fig.5 Model prediction results for test samples

结合图5和表7看出，植被指数SAVI构建的一元线性回归模型SPAD-SAVI决定系数最高，达到0.866，均方根误差RMSE最小为0.245，相对分析误差RPD比较高达到2.395。说明此模型具有更好的预测能力；其次是植被指数EVI2的一元线性回归模型SPAD-EVI2，决定系数和均方根误差接近于SPAD-SAVI，相对分析误差稍高于前者，说明植被指数EVI2的一元线性回归模型具有很好的预测能力。分析多元线性回归模型SPAD-MSR得到，决定系数达到0.770 4，均方根误差RMSE较小为0.329，相对分析误差(RPD)达到1.962，对比各项数据值，虽然比一元线性回归模型SPAD-SAVI的精度低，但仍然具备一定的预测能力，因此多元线性回归模型SPAD-MSR对小麦叶片的叶绿素值的预测仍然是可行的。

一元线性回归模型SPAD-DVI，决定系数R2=0.801 5，相对分析误差RPD=1. 977，且均方根误差RMSE<0.5，所以此模型对冬小麦叶绿素含量具备一定的预测能力。

综合表7和图5，模型SPAD-SAVI预测效果最佳，模型SPAD-EVI2次之，多元线性回归模型SPAD-MSR具备一定的预测能力，模型SPAD-ARVI的预测效果最差。

3 结 语

本文利用无人机遥感获取小麦的多光谱影像，提取出4个波段下小麦冠层叶片光谱反射率图像，选取与小麦叶片叶绿素相关性较高的7种植被指数，建立植被指数与叶绿素相对含量值的一元线性回归模型和多元线性回归模型，进行小麦叶片的叶绿素值预测。得到以下主要结论：

(1)通过小麦冠层叶片在4个波段光谱反射率随SPAD变化关系曲线图得出，4个波段中，与小麦叶绿素含量关系最密切的波段为近红外波段(波长840 nm)，在此波段表现出很强的反射率和极弱的吸收，相反在蓝光波段(波长475 nm)和红光波段(波长668 nm)有很强的吸收区。

(2)通过无人机多光谱影像获得4个波段下小麦冠层的光谱反射率图像，提取出反射率数值，进行波段运算得到常用的8种植被指数值，并对小麦SPAD实测值和8种植被指数值进行相关性分析，有 7种表现出较高的相关性，依次为：SAVI、EVI2、DVI、RVI、NDVI、EVI和ARVI，相关系数均在0.67以上。

(3)选取相关性较高的7种植被指数，用一元线性回归方法和多元线性回归方法共构建了8种回归模型，分别为：SPAD-SAVI、SPAD-EVI2、SPAD-DVI、SPAD-RVI、SPAD-NDVI、SPAD-EVI、SPAD-ARVI和多元线性回归模型SPAD-MSR。

(4)植被指数SAVI、EVI2与小麦SPAD构建的单变量一元线性回归模型拟合程度最好，决定系数为：0.866、0.860 8，均方根误差为0.245、0.251，其中SPAD-SAVI模型精度最佳，SPAD-EVI2次之。两种模型对冬小麦叶绿素含量都具有很好的预测能力，多元线性回归模型SPAD-MSR决定系数为0.770 4，均方根误差为0.329，此模型具备一定的预测能力，对小麦叶片叶绿素值的预测仍然是可行的。本试验研究成果为今后利用无人机遥感实现冬小麦叶绿素含量监测提供方法，对农作物动态管理具有重要意义。