利用无人机多光谱数据监测玉米对不同灌溉模式的响应差异

马龙飞，胡乃月，李 伟，秦伟龙，黄收兵，王志敏，李 斐，于 康

（1 中国农业大学农学院，北京 100094；2 内蒙古农业大学草原与资源环境学院，内蒙古呼和浩特 010018；3 慕尼黑工业大学生命科学学院，德国弗赖辛 D-85354）

世界上有近1/3的地区属于干旱和半干旱地区，这些地区的作物生长受到水分供应不足的限制，即使在部分水分供应充足的地区，作物生长偶尔也会受到干旱影响[1]。我国作为世界谷物生产第一大国，玉米生产遍布全国31个省市，其产量位居世界第二位[2-5]。我国玉米主要分布在干旱和半干旱地区[4]，玉米生长过程中需要进行人工灌溉以保证玉米的水分需求。我国水资源仅占全球水资源的6%，农业又是我国用水最多的产业，农业用水超过全国用水量的60%[6]。目前大田作物栽培中普遍缺乏科学的田间水分管理。传统的漫灌模式在满足作物生长发育需水量的同时，往往因过量灌溉造成水资源浪费。近年来发展的滴灌模式依靠滴灌带对田间作物进行灌溉，在保证了作物需水量的同时又节约了水资源[7]。但是，田间铺设滴灌带操作较为复杂，成本也较高，限制了滴灌技术在大田生产中的大面积推广和应用。因此，在大田作物生长中实现合理灌溉和水资源的高效利用，不仅需要经济高效的灌溉技术，同时也需要经济高效的监测方法来准确评估作物干旱发生情况、水分需求以及其大田空间变异。

在玉米干旱胁迫研究中叶片色素含量和比叶面积等参数常被用作表征作物干旱状况的参考指标[8-9]。叶绿素在光合作用过程中参与光吸收，在受到干旱胁迫时叶片叶绿素含量会降低，削弱了光合作用，从而导致干物质生产能力的下降[10]。比叶面积反映了叶片的单位生物量所产生的叶面积，一定程度上可以反映叶片对光截获的能力强弱和在强光下叶片的自我保护能力[11-12]。Wellstein等[13]研究指出草本开花植物的比叶面积在地中海气候条件下会随着干旱状况的加重而呈下降的趋势。也有研究表明，对于禾本科作物，干旱会导致叶片面积和叶片干重同步下降[14]。干旱条件下作物水分供应不足，叶片面积减小，与水分供应良好的情况相比，水分胁迫下作物叶片所占的生物量比例变小，叶片变厚[15]。目前大多数田间试验都是依靠传统人工取样测定色素含量、叶面积等，但是人工监测的方法费时费力，很难达到规模化、实时监测的目的。

无人机(unmanned aerial vehicle，UAV)作为一种新型的遥感平台，具有灵活性和高分辨率的特点，在适宜的天气条件下可以快速和准确地获取作物生长状态信息[16-17]。早在20世纪90年代无人机就已经被广泛应用于农业生产管理[18]。随着科学技术的不断发展，无人机在农业中的应用越来越广泛。尤其是近几年来，无人机获取图像数据已实现高度的自动化，对操作人员经验的依赖性越来越小。因此，无人机搭载传感器记录作物生长状况数据的可靠性越发得到研究人员的认可，为作物胁迫监测以及进一步分析作物生理生化性状提供了更丰富的替代手段。前人研究表明，可以利用多光谱图像估算作物生物量和氮含量，根据无人机获取的高分辨率RGB照片对田间作物灌溉进行指导[19-20]。无人机获取的多光谱影像可提取多种植被指数，其中归一化植被指数(normalized difference vegetation index, NDVI)可以反映作物绿色覆盖度。一般情况下，植被覆盖度越大，NDVI值越接近1。NDVI值和绿色植物的叶绿素含量有一定的相关性[21]，因此NDVI常被用来衡量绿色植物的叶绿素含量等信息。作物的叶片色素含量在干旱条件下会受到一定程度的影响。对于玉米来说，干旱胁迫会导致玉米叶片的叶绿素含量下降，且抗旱品种的叶绿素含量下降较小[22]。肖武等[23]利用无人机多光谱影像提取红边植被指数，并结合多元线性回归模型实现了对基于SPAD测定的玉米成熟期叶绿素含量的反演。张学治等[24]在夏玉米全生育期叶片色素含量和多种植被指数的相关性研究中，利用逐步回归分析筛选出NDVI与夏玉米叶片色素含量相关性最好。Ramachandiran等[25]在玉米播种后60和90天测定的干旱胁迫状态下的叶绿素总含量和NDVI、GNDVI、LCI指数都有显著相关性。因此植被指数数据和作物生长状况参数相结合在一定程度上可以反映作物的干旱状况。Tilling等[26]在小麦生育期测定4次冠层光谱，比较了每个时期NDRE和NDVI指数在反演不同灌溉条件下的小麦冠层氮素含量的区别，发现NDRE比NDVI更能敏感地反映小麦冠层氮含量。综上所述，作物在整个生育期内都有可能受到干旱胁迫的影响，但是以往的研究多是针对作物生育期内个别时期，针对整个生育期内干旱监测的可行性少有研究，因此干旱预警的最佳时期、光谱指标仍不明确。

本研究利用无人机多光谱图像在多个生育时期监测玉米长势，旨在探明近地遥感数据用于反映作物长势状况在不同处理下出现差异的最佳时期及反映干旱胁迫的最佳光谱指数。

1 材料与方法

1.1 大田试验设计

试验地点位于河北省沧州市吴桥县姚庄村中国农业大学实验站。本试验选用两个玉米品种，分别为‘郑单958’和‘富民985’。每个品种设置3种不同的灌溉模式，分别为滴灌、畦灌和雨养模式。每种模式3次重复，共18个试验小区。每个小区种植面积为30 m2。于2020年4月26日播种，播种前以750 m3/hm2的灌溉量进行底墒水浇灌。滴灌模式使用滴灌带于9叶期(播种后45天)和抽雄后10天(播种后73天)进行灌溉，每次灌溉量为750 m3/hm2。畦灌模式与滴灌模式的灌溉时间和灌水量一致。雨养模式在生育期内不进行灌溉。

1.2 无人机图像获取及处理

于玉米播种后60、70、76、84、90、95天利用大疆精灵4无人机(Phantom 4 multispectral)搭载多光谱相机进行多光谱图像数据获取，该相机有6个镜头，可以同时获取5个波段[红Red (650±16 nm)、绿 Green (560±16 nm)、蓝 Blue (450±16 nm)、红边Red-edge (730±16 nm)、近红外 Near infrared (840±26 nm)]和一张RGB图像。设置飞行航线的旁向重叠度为90%，航向重叠度为90%，飞行高度为30 m，选择晴朗无风天气的上午10点到下午2点之间进行图像获取。田间设置4个地面控制点，使用DJI RTK 2测定每个控制点坐标。

使用大疆智图(DJI Terra)对每一次飞行任务中获取的图片进行图像拼接以获取正射影像。无人机每一次飞行任务获取的图片导入大疆智图软件后，选择二维多光谱模板为重建类型，像控点管理中选择导入地面控制点坐标进行处理。输出结果包含一张RGB图像，5张单波段光谱反射率图像(红Red、绿Green、蓝Blue、红边Red-edge、近红外Near infrared)，5张植被指数图像(归一化植被指数NDVI、归一化差异红色边缘指数NDRE、绿色归一化差异植被指数GNDVI、叶面叶绿素指数LCI、优化土壤调节植被指数OSAVI)。各植被指数具体计算公式见表1。

表1 文章中所涉及的植被指数Table 1 The vegetation indexes used in this study

田间作物生长前期冠层覆盖度较小，因此无人机图像中包含大量土壤背景，为减小土壤背景的干扰，将拼接后的无人机图像进行分割，在MATLAB中利用ExG阈值分割法[32]将植被和土壤背景分开，以减少土壤背景的光谱反射值对数据的影响。将分割后的图像导入QGIS中进行光谱数据提取，在分割后的图像上按照小区创建新的图层进行数据提取工作，计算每一个小区的光谱反射率平均值。

1.3 田间数据的获取

1.3.1 叶片色素含量测定 于玉米播种后60到90天每10天测定一次叶绿素含量。选取最新展开叶，称取0.1 g鲜样品切碎，利用10 mL 95%酒精置于黑暗处萃取24 h，使用分光光度计于470、646、663 nm下进行比色。根据Lichtenthaler等提出的方法计算叶绿素a、叶绿素b、类胡萝卜素含量[33]。

1.3.2 比叶面积测定 雌穗抽出后取穗位叶，于播种后76、84、95天取样3次，选取长势状况能够代表整个小区的植株，将穗位叶沿叶片根部完整切割后置于密封袋中保存，及时带回实验室进行面积测定。利用扫描仪获取叶片图像，使用MATLAB编写程序实现分割叶片图像并计算叶片面积。烘干后测定干物质重，根据叶片面积和叶片干重的比值计算出比叶面积，公式(1)[34]。

1.4 数据分析

采用Excel 2016和SPSS 26数据处理软件进行实验数据整理以及差异显著性分析。使用R (4.0.3版本)进行相关性分析和图表绘制。

2 结果与分析

2.1 叶片色素含量分析

图1结果表明，播种后60和70天同一品种不同灌溉模式之间的色素含量没有出现显著性差异。播种后80天，郑单958在3种灌溉模式下的叶绿素a、叶绿素b和类胡萝卜素含量都具有显著性差异，且雨养处理下的叶绿素a、叶绿素b和类胡萝卜素含量最低，而此时富民985在3种灌溉模式下的色素含量并无显著性差异。播种后90天，雨养模式的效应进一步显现，与灌溉处理(畦灌模式和滴灌模式)相比，富民985在雨养模式下3种色素含量与畦灌模式都具有显著性差异，叶绿素a、叶绿素b含量与滴灌模式也差异显著；郑单958仅有叶绿素a和类胡萝卜素含量具有显著性差异，而叶绿素b含量与畦灌模式没有显著性差异。

图1 不同生长时期测定的玉米叶片色素含量Fig. 1 The pigment content of maize leaves measured at different growth periods

从田间长势(图2)状况来看，滴灌和畦灌模式之间的玉米生长状况没有明显差异，结合4次测定结果，富民985的滴灌和畦灌模式之间3种色素含量并没有出现显著性差异，推测这一结果和试验中灌溉处理有关，足量的灌溉未能使两者出现差异。

图2 播种后90天两个玉米品种田间长势无人机图像Fig. 2 Drone-captured images of growth of two maize cultivars at 90 days after sowing

2.2 比叶面积分析

如图3所示，播种后76天时，同一处品种不同灌溉处理之间的比叶面积没有出现显著性差异。播种后84天和第95天时，富民985的雨养处理和其他灌溉模式之间的比叶面积表现出显著差异，郑单958的3种处理之间没有出现显著差异。结合3次取样时间来看，两个品种的滴灌和畦灌模式之间的比叶面积都没有出现显著差异。

图3 三种灌溉模式下两个玉米品种的比叶面积Fig. 3 The specific leaf area index (SLA) of two maize varieties under three irrigation modes

2.3 不同灌溉方式下的植被指数

图4显示，富民985品种在3种灌溉模式下5种植被指数都有差异显现。播种后60天，雨养模式的NDVI、GNDVI和OSAVI指数显著低于另外两种灌溉模式，而NDRE和LCI指数则没有表现出显著差异。从播种后70天开始，在3种模式下5种植被指数都表现出差异，雨养模式明显低于滴灌和畦灌模式。各个时期总体来看，畦灌模式的植被指数低于滴灌模式，其中从播种后80或90天开始，畦灌模式的各植被指数显著低于滴灌模式。从时间变化趋势来看，雨养模式下的5种植被指数都是呈现先升高后下降的变化趋势；滴灌模式和畦灌模式下的NDVI、NDRE、GNDVI和LCI指数呈现升高后趋于稳定的变化趋势；滴灌模式的OSAVI指数呈现逐渐升高的趋势，畦灌模式的OSAVI呈现先上升后下降的趋势。

图4 三种灌溉模式下两个玉米品种植被指数间的差异分析Fig. 4 Analysis of the difference in vegetation index of two maize varieties under three irrigation modes

图4显示，郑单958在雨养模式下的NDVI、GNDVI和OSAVI指数从播种后60天已显著低于畦灌和滴灌处理。从播种后70天起，雨养模式的NDRE和LCI指数也都表现出显著的下降。与富民985结果类似，畦灌模式的指数一般低于滴灌模式，5个指数从播种后80天开始也表现出显著差异，但NDVI与OSAVI指数除外。总体来看，雨养模式的5种植被指数也是呈现先上升后下降的趋势；然而，畦灌和滴灌模式下的NDVI、NDRE、GNDVI和LCI等4种植被指数呈现逐渐上升的趋势，但OSAVI呈现先上升后下降的趋势。

2.4 植被指数和叶片色素含量之间的相关性分析

5个植被指数与3个叶片色素含量之间的相关性分析结果(图5)显示，播种后60和70天分别仅有(Chl.a+Chl.b)/Car和GNDVI、OSAVI之间，以及Chl.b和NDRE之间表现出显著相关性。从播后80天开始，NDRE、LCI指数和3种色素(Chl.a、Chl.b、Car)显著相关(r≥0.61)，但是(Chl.a+Chl.b)/Car比值除外。在播后90天，3个植被指数与Chl.a和Chl.b之间均具有显著相关性，且相关系数明显高于前期。而类胡萝卜素(Car)仅与NDVI相关性不显著。叶绿素a、叶绿素b之间的相关性随着播种后天数的增加而呈现显著性上升的趋势，说明植被指数和色素含量之间的相关性受生育期的影响。另外，完全不同于其它指标，(Chl.a+Chl.b)/Car比值在播后90天与各指数均显著相关 (r＞0.73,P＜0.05)。

图5 玉米植被指数和色素含量的相关性分析Fig. 5 Correlation analysis of vegetation index and pigment content of maize

3 讨论

本试验选取色素含量、比叶面积和植被指数3种指标量化不同灌溉模式之间的区别。结合试验中获取的数据来看，色素含量、比叶面积、植被指数等数据在3种灌溉模式之间都呈现了明显的差异，但是各项指标出现差异的时间略有不同。

3.1 干旱胁迫对色素含量和比叶面积的影响

试验早期相同品种下3种灌溉模式下的色素含量之间无显著性差异，后期3种灌溉模式的色素含量才出现显著性差异(图1)。关义新等[35]、何海军等[36]研究指出，叶绿素a、叶绿素b和类胡萝卜素含量都会随着干旱程度的加重而下降。本研究中玉米生长后期雨养条件下的3种色素含量显著低于灌溉(畦灌和滴灌)处理，表明干旱确实导致叶片中色素含量下降。

比叶面积描述了植物冠层内叶片生物量相对于叶面积的分布状况，这一分布状况和作物水分供应有关系[37]。本研究发现，两个品种3种处理的比叶面积变化规律和Zhou等[14]的研究结果一致；由于播种后73天进行了灌水处理，比叶面积的取样时期都在灌水之后，灌溉措施影响了田间作物的生长状况。灌溉后郑单958的3种处理之间的比叶面积没有出现显著性差异，播种后76天时富民985的雨养处理和灌水处理的比叶面积没有显著差异，后两次取样出现差异，这一结果表明郑单958品种的耐旱能力优于富民985。

综合色素含量和比叶面积来看，针对富民985品种来说，3种灌溉模式早期(播种后60、70天)的色素含量和比叶面积都没有出现显著性差异，而是在生育期的后期(播种后80、90天)上述指标都达到了显著性差异，而郑单958品种在不同灌溉模式的色素含量差异和比叶面积差异没有同步变化。由色素含量和比叶面积没有出现同步变化，推测试验中测定的比叶面积由穗位叶计算而来，穗位叶位于植株中部。Li等[38]的研究指出，玉米干旱状况下底部叶片对干旱的反应更加敏感，在干旱早期就会和干旱状况有更明显的联系，因此推测色素含量对干旱状况产生反应时，中部叶的比叶面积并没有出现同步变化。

3.2 干旱条件下植被指数的变化

从植被指数之间的差异性分析来看，3种灌溉模式下两个品种在播种后60天植被指数差异稍有显现，播种后70天的植被指数显示3种灌溉模式之间已经有明显差异，这一变化特征和师桂花等[39]对于不同水分条件下的草原植被群落光谱特征的研究结论一致，同样说明水分状况会引起植被指数的差异。播种后80和90天3种灌溉模式下的两个品种植被指数之间差异进一步显现。

综合试验中人工测定的指标和无人机获取的多光谱数据来看，不同的指标对于3种灌溉模式的差异都有一定的反映，区别在于不同的指标出现差异的时间点不同，播种后70天多光谱数据构建的植被指数已经可以反映不同的灌溉模式之间的差异，并且在统计学上达到显著性差异。然而，此时人工测定数据并没有出现统计学上显著性差异，因此多光谱数据可以认为更敏感地反映不同灌溉模式之间的差异，更加及时地指导春玉米灌溉。Nogueira等[40]指出，人工监测的指标来反映作物群体生长发育状况不够及时，无人机提取的植被指数可以更早的看出作物群体的状态。由于人工取样手段往往只能针对特定的少量植株进行取样测定，因此测定结果并不能准确反映整个群体的生长状况。无人机数据中衍生出的植被指数是整个群体的植被指数的平均值，因此无人机数据能更加准确地反映群体的植株生长状况。

3.3 植被指数和色素含量的相关性

将植被指数和叶片色素含量进行统计分析建立统计关系，该方法具有一定的普适性[41]。叶片色素含量和植被指数之间的相关性分析表明，3种色素含量和植被指数之间存在显著相关性，并且随着作物生育期的推进呈现上升的趋势。相较于叶绿素a和叶绿素b与植被指数之间的相关性来看，类胡萝卜素和植被指数之间的相关性不大，因此单独使用类胡萝卜素含量来反映作物当前生长状况不够准确。干旱条件下玉米叶片提前衰老，衰老的叶片中叶绿素发生降解，叶绿素含量下降，但类胡萝卜素降解较少，相对含量增加[42]，结合叶绿素总含量和类胡萝卜素含量的比值和植被指数的相关性来看，生育前期该指标和5种植被指数没有达到显著性相关，最后一次测定结果显示(Chl.a+Chl.b)/Car和5种指数都达到极显著相关。Merzlyak等[43]研究指出500 nm (绿光)和680 nm (红光)对叶片衰老引起的色素含量变化最敏感，本试验中使用的5种植被指数都分别涉及到绿光波段和红光波段，因此在色素含量测定的后期，叶绿素大量分解，类胡萝卜素含量变化相对较小[44]，两者的比值由于衰老作用变小，因此在作物生长的后期两者的比值和植被指数都出现了极显著相关。可以考虑用作物中叶绿素总含量和类胡萝卜素含量的比值来反映作物后期衰老状况。Car和NDVI、GNDVI、OSAVI指数在播种后80天时的相关性不显著(图5)。由于Car的光谱吸收峰(400～500 nm)和叶绿素a、叶绿素b具有重合性[45]，因此在作物持绿时期，叶绿素a、叶绿素b含量较高，光谱指数难以反应Car的含量。

NDRE采用了红边波段，在播种后70天与叶绿素b最早出现了显著性相关。艾金泉等[46]研究表明，NDVI和叶绿素a、叶绿素b、类胡萝卜素之间的相关性良好；结合本研究结果来看，播种后80天时NDVI和叶绿素a、叶绿素b具有显著性相关，同一时期NDRE和色素含量之间的相关性优于NDVI，在植被覆盖度高的地区，利用红/绿波段和近红外波段构建的植被指数容易出现饱和现象，而红边波段则可以避免这一现象，所以红边波段的加入可以提高玉米冠层色素含量的估算精度，这一结果和苏伟等[47]的研究结果一致。LCI指数在播种后80天与3种色素含量达到显著性相关，进一步证明了红边波段可以更好地表征玉米冠层色素含量。

OSAVI指数的作用是降低土壤和潮湿条件的影响[48]，由于播种后73天的灌水处理导致土壤湿度增加，此时OSAVI指数仅和叶绿素b含量达到显著性相关。Jin等[49]研究发现，OSAVI指数和叶绿素含量呈现高度相关(R2=0.63)，OSAVI指数和生物量干重相乘后的数值与叶绿素含量相关性更好(R2=0.81)。与Jin等的结果相比较，本试验中单独使用OSAVI指数和叶绿素含量做线性相关分析，结果显示相关性较差，原因在于OSAVI指数中所包含的近红外与红光的波段组合对叶绿素不够敏感，Jin等[49]设置的氮肥梯度试验中植株生物量和施氮量高度相关，因此在这一基础上将OSAVI和生物量相乘，得到的结果与叶绿素总量相关性优于单独使用OSAVI。

虽然在本试验条件下，我们观测到了光谱参数对同一用水量的两种灌溉模式的响应具有差异，但实质是对叶绿素、比叶面积、生物量等众多影响光谱信息的因素的综合响应。本研究没有考虑氮肥等营养问题或其它胁迫因素。将来的研究还需要进一步验证在氮肥营养和其他胁迫存在的情况下，利用无人机多光谱参数比较不同灌溉模式的效果或者监测干旱的可靠性。

4 结论

利用无人机多光谱数据能够反映不同灌溉模式下的春玉米生长状况之间的差异。植被指数在播种后70天(开花期)即可体现灌溉作物的生长情况优于雨养模式下的作物；引入红边波段的NDRE指数和叶片中叶绿素含量相关性更好；依据其测定值计算的叶绿素与类胡萝卜素的比值[(Ca+Cb)/Car]在作物生长后期与植被指数相关性较高，可以反映作物衰老状况，整体来看，利用无人机植被指数监测作物生长状况具有一定的可行性，植被指数数据比传统的人工测定指标出现差异的时间更早更精确，可以更早发现作物的生长状况中受到的水分胁迫，为作物进行水分灌溉提供了更为及时的指导依据。本研究仅仅是针对玉米一种作物进行研究，所得到的结论是基于本试验中的特定条件，因此结论的普适性仍需要进一步验证。