基于无人机高光谱影像的马铃薯叶绿素含量估测

尹 航，李 斐，杨海波，李 渊

（内蒙古农业大学草原与资源环境学院/内蒙古自治区土壤质量与养分资源重点实验室,内蒙古呼和浩特 010011）

叶绿素是植物进行光合作用的重要色素，其含量多少是植物营养胁迫和光合能力的重要指示值，实时监测叶绿素含量对于了解植物长势、实施精准农业具有重要作用[1–3]。叶绿素仪可快速、无损的测量叶片中的叶绿素含量[4]，但该方法是基于叶片的叶绿素快速检测，需对作物不同叶片进行反复测量，费时费力，是典型的以点带面的测量方法，无法实现在时间和空间上的大面积准确测量，不能满足现代农业集约化区域性作物监测[5]。因此，迫切需要一种能够在田块尺度上反映作物冠层叶绿素含量的快速监测方法。

随着遥感技术的发展，无人机遥感技术以机动灵活、覆盖范围广、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[6–7]。大量的研究表明，利用无人机获取光谱影像，结合已有成熟算法可有效的进行叶绿素含量监测[8–10]。无人机影像可分为多光谱与高光谱影像，多光谱影像空间分辨率高、操作简便，从中提取的较宽波段结合已有光谱指数可快速、无损的监测作物叶绿素含量[11–12]。近些年，研究发现针对已有宽波段光谱指数所建立的估测模型，容易受到噪音、土壤等环境因素干扰，监测其它类作物时估测模型鲁棒性较差、模型精度降低等，因此可通过优化相应波段构建新光谱指数减少外界环境因素的干扰[13–14]。对于多光谱影像来说，虽然获取容易处理也相对简单，但不足的是光谱信息量少，且波段较宽，无法实现波段间的宽窄优化从而对估测不同作物的模型鲁棒性及精度都有所影响，难以实现大面积的精准估测[15]。

相比于多光谱，高光谱影像具有“图谱合一”的特点和优势，在获得地面二维空间图像信息的同时，还获取地物的连续光谱信息[16]。所提取波段多而窄，波段宽度通常小于10 nm，构建的光谱指数能够有效减少噪音、土壤等外界环境因素干扰，显著提高模型的反演精度[17]。国内外研究表明，通过高光谱影像提取作物光谱反射率，结合光谱指数构建估测模型，可有效反演作物叶绿素含量[18–19]。但在已有光谱指数的研究中，它们的准确性和稳健性不足以在区域尺度上实际使用[20–21]，而通过波段运算计算的优化光谱指数能够大幅提升模型鲁棒性与精度，决定系数提高约20%[22–23]。大量研究是在同样的种植环境及单个生育时期，没有考虑到种植环境及生育时期是否会影响估测模型的准确度，利用无人机平台搭载高光谱相机进行叶绿素遥感监测已经广泛应用于玉米、小麦等作物[24–26]，但基于高光谱影像结合波段优化算法在马铃薯关键生育时期叶绿素含量反演上研究报道较少。

马铃薯是我国继小麦、玉米和水稻后第四大粮食作物，其长势和叶绿素含量在保证国家的粮食安全中具有重要作用[27]。因此本研究以内蒙古中部地区多年的马铃薯田间试验为基础，通过无人机搭载高光谱成像光谱仪获取马铃薯试验地高光谱影像，提取影像中马铃薯冠层光谱反射率，计算已有光谱指数，并对其进行优化，确定块茎膨大期和淀粉积累期马铃薯叶绿素的敏感波段，建立已有光谱指数与优化光谱指数对马铃薯叶绿素估测模型，通过与已有光谱指数进行对比和对优化后光谱指数模型精度检验，最终找到块茎膨大期和淀粉积累期马铃薯叶绿素敏感波段及适用于马铃薯叶绿素的估测模型。

1 材料与方法

1.1 试验设计

本试验于2018—2020年共设置了3个田间试验，试验地点在内蒙古阴山北麓马铃薯主要种植区武川县和四子王旗(图1)。2018年在武川县，选用品种为中薯18号，试验设6个氮肥梯度，分别为0、81、162 (优化施氮)、180、243、324 (常规施氮)kg/hm2；2019年在武川县，品种为冀张薯12号，设7个氮肥梯度，分别为0、50、100、200 (优化施氮)、250、350、450 (常规施氮) kg/hm2；2020 年在四子王旗，选用品种为希森6号，设4个施氮处理，分别为198、202、229、287 (均为优化施氮)kg/hm2，在3个田间试验中，每个处理设4次重复，试验田优化施氮量根据马铃薯目标产量和土壤氮素供应状况进行选择，常规施氮根据当地农民习惯施肥。试验数据采集于马铃薯块茎膨大期和淀粉积累期，试验地灌溉方式为滴灌，田间管理按照当地大田要求，统一管理。

图1 研究区位置与试验区分布Fig. 1 Location of study area and distribution of test area

1.2 S185高光谱影像获取

无人机高光谱影像通过大疆M600 Pro搭载德国Cubert公司生产的S185高光谱成像仪获取。该无人机适用于低空摄影测量应用，兼具高光谱数据的高精准性和快照成像的特性，便携易用。无人机及传感器如图2所示，其主要参数如表1所示。

图2 无人机和S185传感器Fig. 2 Unmanned aerial vehicle and S185 sensor

表1 本研究所用S185传感器主要参数Table 1 The parameters of S185 sensor used in this study

无人机拍摄时间为11:00—14:00，选择晴朗无风、视野良好的天气进行飞行，飞行高度为50 m，镜头垂直向下，焦距为23 mm，航向重叠度与旁向重叠度均大于80%。S185拍摄一次可以同时获得1幅50×50像素的高光谱影像和1幅1000×1000像素的灰度图像。

将获取的高光谱数据导入到工作电脑中，利用Cube-Pilot 1.5.6将拍摄的高光谱影像与灰度图像进行融合和格式转换，使用工程自带软件对融合后的高光谱影像进行波段划分，共划分为125波段。再使用 Agisoft PhotoScan 1.2.4 进行影像的对齐，建立密集点云，生成网格与纹理等。最后，在ENVI 5.1软件中进行影像的几何校正与影像裁剪，识别出马铃薯试验区后在地面测量对应的样点位置附近构建5 个半径为 0.2 m 的兴趣区 (region of interest，ROI)，以ROI范围内地物的平均光谱反射率作为该样点马铃薯反射率，从而得到各样点光谱反射率数据(图3)。

图3 无人机高光谱影像预处理流程Fig. 3 Pre-processing of unmanned aerial vehicle hyperspectral images

1.3 叶绿素相对含量测定

叶绿素含量的测定采用SPAD-502型手持式叶绿素仪，该仪器可以快速、无损的测量叶片中的叶绿素含量。在无人机飞行的当天，同步测定各小区马铃薯的SPAD值。每处理选取代表其生长势的马铃薯植株5株，每株取功能叶片(倒4叶)测量[28–29]，求平均值代表该样本点SPAD值，通过SPAD值与叶绿素含量的线性关系[30]，将SPAD值转换为叶片叶绿素含量进行估测。

1.4 光谱指数的选择及数据分类

从已发表的多种可用于叶绿素测定的高光谱指数中，选取了基于红光和绿光波段的8类光谱指数(表2)，利用高光谱数据波段多而窄的特点，通过波段优化算法组合成2类比率和归一化优化光谱指数。将选定的已发表光谱指数与马铃薯叶绿素含量代入SPSS 23和Excel 2010中进行相关性分析，找出与马铃薯叶绿素含量相关性较好的光谱指数构建估测模型，再利用Matlab构建2类优化光谱指数和叶绿素含量的相关矩阵图，找到最为敏感波段进行叶绿素估测。其中总样本数据采集于不同试验不同处理的马铃薯块茎膨大期和淀粉积累期共计125个，随机抽取80%作为模型训练数据，构建叶绿素反演模型，剩余20%作为数据验证，对预测模型的精度进行检验。

表2 已有比率光谱指数和归一化光谱指数Table 2 Available ratios spectral index and normalized spectral index

2 结果与分析

2.1 马铃薯叶绿素含量变化

由表3可知，马铃薯块茎膨大期叶绿素含量平均值大于淀粉积累期，标准差、变异系数均小于淀粉积累期，说明马铃薯生育末期叶绿素含量逐渐减少，且块茎膨大期叶绿素含量的离散程度降低，叶绿素分布更均匀。其中训练集样本马铃薯叶绿素含量在10.58～23.14 mg/g范围内变动，平均值为19.80 mg/g，变异系数为14.9%，而验证集样本叶绿素含量分布范围为12.80～23.73 mg/g，平均值是19.59 mg/g，变异系数为 17.0%。

表3 马铃薯叶绿素含量的描述性统计 (mg/g)Table 3 Descriptive statistics of chlorophyll contents in potato leaves

2.2 马铃薯叶绿素含量估测模型的构建

利用训练集的100个样本数据与本研究挑选出的已发表光谱指数进行不同生育时期决定系数分析（表4)。已有光谱指数与马铃薯叶绿素含量的决定系数因指数波段组合、拟合函数类型的不同有所变化，但都达到了极显著水平，这表明通过归一化和比率算法得到的光谱指数具备估测马铃薯叶绿素含量的能力，并且基于红光、绿光波段建立的光谱指数能更好的估测马铃薯叶绿素含量。

表4 比率光谱指数和归一化光谱指数与马铃薯叶绿素含量决定系数(R2)分析Table 4 Determination coefficient (R2) analysis between ratio spectral index,normalized spectral index and potato chlorophyll content

为了调查所建立模型散点的分布情况，选取表4中决定系数最高的红光叶绿素光谱指数(CIred-edge)、绿光叶绿素光谱指数(CIgreen)、绿光归一化光谱指数(GNDVI)和归一化光谱指数550 (ND550)与马铃薯叶绿素含量作散点图(图4)。已有比率光谱指数包括RVI、NIR、CIred-edge和CIgreen，其中由绿光波段建立的CIgreen虽然数据离散度较大，但与CIred-edge相比模型训练效果相对较好。已有归一化光谱指数包括NDVI、GNDVI、NDRE和ND550，其中基于绿光波段构建的ND550和GNDVI与马铃薯叶绿素含量的估测模型同样存在离散度较大等现象，但模型拟合效果明显好于已有比率光谱指数CIgreen和CIred-edge，其中以基于ND550构建模型最优，决定系数为0.61，这表明绿光波段在马铃薯叶绿素估测中具有重要作用。可能是因为作物种类之间的差异，已有的光谱指数敏感波段在本试验研究的马铃薯上总体效果较差，因此很有必要寻找两种算法下反映马铃薯叶绿素含量的最佳敏感波段，解决估测模型鲁棒性(稳健性)、精度较差问题。

图4 比率光谱指数和归一化光谱指数与马铃薯叶绿素含量估测模型Fig. 4 Estimation model of ratio spectral index,normalized spectral index and potato chlorophyll content

为改善已有光谱指数在估测马铃薯叶绿素含量上存在的数据离散及模型鲁棒性较差的问题，提高比率光谱指数和归一化光谱指数对马铃薯叶绿素含量估测的能力，本研究以比率光谱指数和归一化光谱指数的算法为依据，利用Matlab将450～950 nm范围内任意2波段组合优化，重新提取对马铃薯叶绿素敏感的波段，并计算成两类优化光谱指数即优化比率光谱指数RSI和优化归一化光谱指数NDSI，同时制作新光谱指数线性拟合决定系数R2的相关矩阵图(图5)。结果表明两类优化光谱指数的决定系数均有达到极显著相关水平的敏感区域，优化比率光谱指数RSI最优波段组合为586和462 nm；优化归一化光谱指数NDSI最优波段组合为586和498 nm。优化后的比率光谱指数和归一化光谱指数具有更好的线性拟合趋势(图6)。其中优化的归一化光谱指数与马铃薯叶绿素含量估测模型的线性拟合方程为y=−41.519x+30.449，决定系数R2达0.83；优化的比率光谱指数与马铃薯叶绿素含量估测模型的线性拟合方程为y=−7.3x+32.733，决定系数R2达 0.82 (图6)，模型精度明显高于已有光谱指数CIgreen和ND550(R2分别为 0.48、0.61)。

图5 不同波段组合优化比率光谱指数(RSI)和归一化光谱指数(NDSI)与马铃薯叶绿素含量的决定系数(R2)Fig. 5 Determination coefficient (R2) distribution of potato chlorophyll content with optimized ratio spectral index (RSI)and normalized spectral index (NDSI) of different band combinations

图6 优化比率光谱指数和归一化光谱指数与马铃薯叶绿素含量估测模型Fig. 6 Estimation model of optimized ratio spectral index,normalized spectral index and potato chlorophyll content

2.3 模型验证及高光谱影像反演填图

在总样本中随机选取25个实测样本进行已建立模型的验证，通过实测值和预测值线性关系模型的决定系数R2和均方根误差RMSE来检验模型的估测能力和精度。如图7所示，优化比率光谱指数RSI检验模型的R2为0.77，而优化归一化光谱指数NDSI检验模型的R2为0.79略高于RSI，同时RMSE低于优化比率光谱指数RSI。通过波段优化算法得到的新光谱指数不仅线性拟合趋势更好，也能够达到精准的估测，其中建模及验证效果最好的是NDSI，线性拟合趋势更好，验证数据和实测数据更接近1∶1线。

图7 优化比率光谱指数和归一化光谱指数与马铃薯叶绿素含量估测模型的验证Fig. 7 Validation of estimation model of potato chlorophyll content based on optimized ratio spectral index (RSI)and normalized spectral index (NDSI)

3 讨论

在ENVI 5.1软件中，通过计算常规归一化光谱指数NDVI和优化的光谱指数NDSI与马铃薯叶绿素含量的估测模型来进行高光谱影像的反演填图，从而获得试验地马铃薯叶绿素含量分布图(图8)。通过对比NDVI与NDSI马铃薯叶绿素含量分布图，NDVI模型对于叶绿素含量估测值为20～22 mg/g，且没有具体的区分开不同处理的叶绿素含量，相反地NDSI模型能够较准确地估测马铃薯叶绿素含量，估测值为18～21 mg/g，且对于不同处理能够很好的进行反演。由此可见，优化的NDSI指数能够准确的反映马铃薯研究区的叶绿素含量，为以后研究马铃薯叶绿素含量提供了快速的监测方法。

图8 基于NDVI与NDSI模型的马铃薯叶绿素含量分布图Fig. 8 Distribution of potato chlorophyll content based on NDVI and NDSI models

目前，通过多光谱影像提取光谱反射率与光谱指数结合构建模型反演农作物各项生理参数已被广泛应用，但通常提取出的光谱反射率波段宽、信息少，不能进行波段优化来构建新光谱指数，从而易受作物种类及种植环境的影响，导致估测模型精度低、适用性差等[36]。本研究使用高光谱成像仪通过无人机平台在中低空尺度上获取空间分辨率和光谱分辨率较高的区域农作物影像，从影像中提取光谱反射率，结合波段优化算法来反演马铃薯叶绿素含量，取得了较好的效果，为从空中、地面立体化农情监测提供了新的技术手段。

在波段优化算法下，马铃薯块茎膨大期和淀粉积累期叶绿素含量估测的敏感波段分别为586和498 nm，与 NDVI (800 nm，670 nm)光谱指数相比，敏感波段明显不同，而优化光谱指数NDSI更具有优越性[37]。已有基于NDVI和RVI算法的光谱指数被广泛应用于小麦、玉米等作物的叶绿素含量估测[38–40]，但是这些指数在马铃薯叶绿素含量估测中参差不齐，在生成叶绿素含量反演分布图时效果较差，导致高光谱影像在监测不同处理下马铃薯叶绿素含量时表现不佳，这说明叶绿素敏感波段易受作物种类和生育时期的影响，光谱指数的构建要提高影像反演精度等问题需要进一步研究[41–42]。与NDVI相比，优化光谱指数NDSI在提高模型鲁棒性和反演精度方面具有显著效果。大量研究也发现，优化光谱指数在高光谱影像上的反演精度要好于已有光谱指数，能显著提高作物氮素、叶面积指数和生物量的反演精度，对改善影像精度有很大帮助[43–45]。本研究同样发现优化光谱指数能提高不同施氮量下马铃薯叶绿素含量的反演精度(图9)，这是因为波段优化算法能够辨识马铃薯叶绿素含量的敏感波段，减弱了土壤等外界环境因素的干扰，能够精准的反演马铃薯叶绿素含量，通过制图直观的反映马铃薯叶绿素含量分布。

图9 不同施氮量试验地的马铃薯基于NDSI模型的叶绿素含量分布图Fig. 9 Chlorophyll content distribution of potato under different N rate treatments based on NDSI model

目前对低空无人机高光谱成像遥感在农作物长势监测中的应用研究还处于探索阶段，仪器定标、高光谱影像分辨率和影像阴影去除等方面还需要更加深入的研究[46]。影像阴影是由于大气中厚云层的存在对光线的阻挡，不可避免地会在影像上产生较暗的阴影区域[47]。阴影的存在会影响光谱反射率的提取，并且在NDSI模型所生成的分布图中影响叶绿素含量的估测，需要进行高光谱影像阴影去除等，进一步完善利用遥感影像进行叶绿素含量的估测。

4 结论

本研究优化光谱指数RSI和NDSI最佳敏感波段分别为586、462和586、498 nm，此波段范围内RSI和NDSI与马铃薯关键生育期叶绿素含量相关性最优，通过波段优化算法重新构建的优化光谱指数预测模型可靠性及精度显著高于已有光谱指数，决定系数分别为0.82和0.83，且验证效果较好。应用2种光谱指数对研究区高光谱影像进行叶绿素含量反演估测，生成田间马铃薯叶绿素含量分布图，其中NDSI估测效果最好，为光谱指数估测马铃薯关键生育期叶绿素含量提供理论支持。