基于无人机多光谱的夏玉米叶绿素含量反演研究

王丹，赵朋，孙家波，牛鲁燕，刘炳福

（1.山东省农业科学院，山东 济南 250100；2.泗水县星村镇人民政府，山东 泗水 273200）

叶绿素作为植物光合作用的主要色素，是作物发生物质能量交换的重要因素，其含量与农作物生长状况、氮素含量、产量等有着极大的相关性，能够反映植物衰老过程，是农作物长势监测的重要指标［1］。基于叶绿素特有的生化结构和光谱吸收特征，可以利用RGB相机、多光谱相机和高光谱成像仪等实现叶绿素含量的估算。高光谱因卫星影像空间分辨率低、时效性较差并极易出现“同谱异物”“异物同谱”等现象，导致预测精度偏低［2］；普通高清相机只能从R、G、B 3个波段中提取信息，信息面较窄；多光谱相机是指具有2个以上波段通道的相机，通常包括红、绿、红边和近红外波段，可用于NDVI等植被指数分析，同时可通过近红外波段和红边波段提取更多信息，从而更加准确地开展作物估产、长势监测和营养诊断等方面的研究，而且多光谱相机还具有价格低、体积小、数据量小、覆盖面大等特点，在较大范围的区域研究中有着广泛应用。

遥感技术在农作物研究领域被广泛应用，许多学者利用该技术对不同农作物的叶绿素含量进行了反演和预测。李媛媛等［3］基于非成像地物光谱仪的光谱数据，构建了高光谱BP神经网络模型，估算了乳熟期玉米叶片的SPAD值；王丽爱等［4］基于环境减灾HJ－1卫星影像分析不同时期小麦叶片SPAD值与植被指数的相关性，构建了随机森林回归模型。田军仓等［5］利用无人机多光谱数据，提取多光谱植被指数，发现番茄冠层中的上层SPAD反演模型优于中层和下层。杨贵军等［6］借助无人机搭载多光谱相机获取冬小麦冠层多光谱影像，并提取其NDVI数据，结合氮肥优化算法构建了小麦潜在产量的估测模型，模型精度R2为0.72，均方根误差（rootmean square error，RMSE）为0.45，并对小麦潜在产量的空间分布进行了填图。

相对于传统遥感平台，无人机遥感平台具有成本低、时效性高等优点，且通过其获取的光谱图像可以提取整个小区作物的平均光谱反射率数据，比传统光谱技术获取的作物局部反射率数据更加科学合理。因此，本研究以三个生长阶段的大田种植玉米为对象，采用六旋翼无人机搭载RedEdge多光谱相机获取其冠层多光谱影像，同时实地测量其叶片SPAD值，并通过对SPAD值和光谱参数的相关性分析和回归分析，建立玉米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参考。

1 材料与方法

1.1 试验区概况及试验时间

试验区位于济南市济阳区，该地位于鲁西北平原的南部，属暖温带半湿润季风气候，具有北暖温带半湿润季风气候特点，四季分明，雨热同季，光照充足，年平均气温12.8℃，年平均无霜期195 d，年太阳辐射量520.8 kJ／cm2，降水多集中在7—9月份。

试验时间在夏玉米生长季。分别于7月25日（大喇叭口期）、8月22日（开花期）、8月29日（灌浆期）利用无人机搭载多光谱相机获取样地玉米冠层的多光谱影像，同时实测玉米叶片的SPAD值。

1.2 多光谱影像的采集与获取

本试验采用大疆无人机M200搭载RedEdge－M多光谱相机采集多光谱数据。RedEdge－M多光谱相机（图1）一共有5个通道，分别是红、绿、蓝、红边、近红外5波段，对应的中心波长分别是668、560、475、717、840 nm，带宽分别为10、20、20、10、40 nm。每次拍摄于晴朗无云天气上午10—12时进行，无人机飞行高度设定为50 m，数据采集时的Google地图机载航线规划如图2所示。

利用Pix4D mapper软件对航拍获得的多光谱影像进行拼接，然后利用伪标准地物辐射校正法进行校正，输出5个波段的反射率影像图，再用ENVI对各波段进行配准组合成ENVI格式的反射率数据。

1.3 玉米叶片SPAD的地面测量

SPAD值可表征植物叶片的叶绿素含量，SPAD值越高，植物的生长活力越强，长势越好。在每个数据采集时期，于试验区内选取5个具有代表性的样地，每块样地为1 m×1 m，玉米长势均一。从每块样地内选取不同玉米植株冠层部位的7片叶，用SPAD－502 Plus叶绿素仪测定其SPAD值，取平均值作为该样地的SPAD最终值。为了与多光谱影像进行对应，在每块样地做标记并进行GPS记录。地面实测数据的采集与无人机飞行测量同步进行。将地面采样点的经纬度输入机载多光谱拼接影像中，选取采样点周边10×10个像元点的均值作为该点的光谱反射率值。

1.4 植被指数的选取

遥感图像上的植被信息主要通过绿色植物叶片和冠层的光谱特性及其变化来反映［7］。利用从遥感图像中提取光谱信息构建对植被长势、生物量等有一定指示意义的植被指数，可以定性和定量地评估植被覆盖、生长活力及生物量等情况，实现对植被状态信息的表达。本研究即选用归一化植被指数（normailized difference vegetation index，简称NDVI）、土壤调整植被指数（soil-adjusted vegetation index，简称SAVI）和冠层叶绿素含量指数（canopy chlorophyll content index，简称CCCI）对夏玉米叶片的叶绿素含量进行反演。

1.4.1 归一化植被指数（NDVI） NDVI被定义为近红外波段与可见光红波段反射率数值之差与之和的比值［8］。见公式（1），式中ρNIR是指近红外波段的反射率，ρRED是指红波段的反射率。NDVI值的取值范围是－1.0～1.0，一般绿色植被区的数值范围是0.2～1.0。

1.4.2 土壤调整植被指数（SAVI） 为了解析背景的光学特征变化并修正NDVI对土壤背景的敏感，Huete（1988）［9］提出了可适当描述土壤－植被系统的简单模型，即土壤调整植被指数（SAVI），其表达式为

式中，L为土壤调节系数，由实际区域条件决定，用来减少植被指数对不同土壤反射变化的敏感性。乘法因子（1＋L）主要用来保证最后的SAVI值也介于－1.0～1.0之间。当L为0时，SAVI就是NDVI。对于中等植被覆盖度区，L一般接近于0.5。本研究L取值0.5。

1.4.3 冠层叶绿素含量指数（CCCI） CCCI是NDVI的改进，它用红边波段代替了红光波段，突出了绿色植被特有的“红边”效应。其计算公式为：

式中ρREDEDGE是指红边波段的反射率。CCCI值的范围是－1.0～1.0，一般绿色植被区的范围是

0.2 ～1.0。

2 结果与分析

2.1 试验区采样点的光谱曲线分析

7月25日、8月22日和8月29日三个玉米生长时期各采样点的光谱反射率见图3。同一时期不同采样点的玉米光谱反射率差异主要体现在近红外波段，可见光和红边波段的光谱反射率无显著差异。

图3 试验区玉米不同时期采样点的光谱反射率

不同时期之间比较，8月29日生育后期的玉米光谱反射率低于其他两个时期。以第五个采样点为例（图4），7月25日的玉米可见光波段和红边波段的光谱反射率高于其他两个时期，表明玉米生长初期的活力较强；8月22日的玉米生长正处于旺盛时期，因而红谷较低，红外光谱反射率较高；而8月29日的玉米正处于慢慢衰老的状态，叶片水分慢慢缺失，细胞活力不强，因此近红外波段的光谱反射率低。

图4 同一采样点不同生育期玉米的光谱反射率

2.2 植被指数的变化动态分析

基于玉米不同生育时期的多光谱影像构建归一化植被指数（NDVI）、土壤调整植被指数（SAVI）和冠层叶绿素含量指数（CCCI），以监测不同时期玉米长势，NDVI、SAVI、CCCI值越大，作物长势越好。

不同时期玉米冠层的NDVI分布见图5。NDVI值－1.0～0.4为非植被地物，0.4～0.5是长势很差或绿叶较少的玉米，0.5～0.6是长势较差的玉米，0.6～0.7是长势一般的玉米，0.7～1.0是长势较好的玉米。

图5 不同时期玉米冠层NDVI分布

不同时期玉米冠层的SAVI指数分布见图6。SAVI值－1.0～0.4为非植被地物，0.4～0.5是长势很差或绿叶很少的玉米，0.5～0.6是长势较差的玉米，0.6～0.7是长势一般的玉米，0.7～1.0是长势较好的玉米。

图6 不同时期玉米冠层SAVI分布

不同时期玉米冠层的CCCI指数分布见图7。CCCI值－1.0～0.4为非植被地物，0.4～0.45是长势很差或绿叶较少的玉米，0.45～0.55是长势较差的玉米，0.55～0.70是长势一般的玉米，0.7～1.0是长势较好的玉米。

图7 不同时期玉米冠层CCCI分布

2.3 模型的构建与检验

本研究中玉米3个生育时期共采集15个样点的数据，按3:2的比例运用含量梯度法选出建模集和检验集，并运用决定系数（R2）、均方根误差（RMSE）进行精度评价，R2越大、RMSE越小，模型的准确性越高；综合利用建模集决定系数Rc2、检验集Rv2、RMSE及1:1图的斜率Slope确定最优模型；模型最优解参数（model optimal solution parameters，MOSP）计算公式如下：

利用NDVI、SAVI、CCCI及三者的多元线性回归（MLR）分别构建玉米SPAD值的监测模型，并利用独立数据对模型进行验证，结果见表1。可见，预测玉米SPAD值的最佳监测模型为y＝－4.241＋27.446x1＋12.64x2＋34.42x3，式中x1、x2、x3分别代表NDVI、SAVI、CCCI。该模型的检验集R2v最高，为0.885，RMSE最小，为2.111，说明该模型具有很好的预测能力；最优解参数MOSP值为0.414，高于仅以NDVI或SAVI或CCCI单一变量所得监测模型的MOSP值，说明以NDVI、SAVI、CCCI三者为变量的多元线性回归模型精度更高，模型更加稳定。

表1 玉米SPAD值监测模型及其评价结果

2.4 模型验证

通过对比观察色卡可知，试验区的玉米长势并不均匀，有些区域SPAD值高，有些区域SPAD值低（图8）。SPAD值低的区域生长活力弱，会影响后期玉米的生长及产量。

图8 不同时期玉米SPAD值分布

3 讨论与结论

利用无人机进行遥感监测作物叶绿素含量已有报道，但借助无人机遥感数据反演到实际试验田中的研究还较少。周敏姑等［10］的研究也仅仅是建立了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，并没有将最佳监测模型进行反演研究。本研究利用无人机M200搭载RedEdge－M多光谱相机获取不同生育时期大田玉米的光谱影像，并选用NDAI、SAVI、CCCI构建SPAD值的最佳监测模型，而后将监测模型反演到无人机多光谱影像中，得到了不同时期玉米SPAD值的分布图。根据此图，我们可以判断玉米的长势情况，从而为精准施肥、喷药等提供参考。

本研究主要结果如下：

（1）同一时期玉米不同采样点的光谱反射率差异主要体现在近红外波段；8月29日的可见光波段和红边波段的光谱反射率高于其他两个时期，表明生长初期的玉米生长活力较强。

（2）利用NDVI、SAVI、CCCI及三者的多元线性回归（MLR）共构建了4种玉米SPAD值预测模型，经检验，基于三者的回归模型y＝－4.241＋27.446NDVI＋12.64SAVI＋34.42CCCI预测效果最佳，可实现对夏玉米叶绿素含量的动态监测。

随着遥感技术的发展，无人机遥感技术以其机动灵活、操作方便、时空分辨率高等优势而逐渐成为农情监测的又一重要手段［11］。本研究结果可为今后基于无人机多光谱的其他作物叶绿素含量反演监测研究提供参考，对实现智慧农业以及农作物的动态监管具有重要意义。