基于无人机多光谱技术的甜菜冠层叶绿素含量反演

汪旭，邓裕帅，练雪萌，王宇光，於丽华，耿贵

（黑龙江大学现代农业与生态环境学院，哈尔滨 150080）

0 引言

叶绿素是光合作用、合成植物有机物的重要生长指标，其作为植物物质和能量来源的基础，是衡量作物产量和植物长势的指示器[1]。同时，叶绿素与叶片氮含量密切相关，研究叶绿素含量变化可为高效施氮和合理施氮提供理论依据[2]。甜菜是重要的经济作物和战略物资，也是我国主要的糖料作物之一，实现对甜菜生长状况及产量监测是推动当下社会经济发展的迫切需求，监测甜菜冠层叶绿素含量的生长动态变化有助于实现甜菜增产增糖的目标。无人机（Unmanned aerial vehicle,UAV）指通过无线遥控与规划航线飞行的无人驾驶飞机，其与搭载的多光谱相机结合实现对地面进行遥感探测的技术称为无人机多光谱技术。目前，遥感技术能够快速、高效、无损探测及评价植物健康生长状况，并且对指导精准农业的发展具有重要意义[3]。

近年来，在地面大田农作物的测量中，传统的化学提取方法，存在较大的破坏性和不可恢复性，且工作量大，耗时长，效率低，不具备大规模实时监测能力[4]。遥感技术具有机动灵活、操作简便、时空分辨率高等显著优势，这使得遥感技术广泛应用于叶绿素含量的监测估算[3,5]。李宗飞等[1]采用ASD 野外高光谱仪对甜菜不同生育时期的叶绿素含量与光谱特征参数和敏感植被指数构建估算模型。魏青等[2]通过无人机多光谱遥感影像，选取16 种光谱植被指数，采用一元二次线性回归和逐步回归分析方法建立冬小麦多个生育期及全生育期的SPAD 值估测模型，结果证明，检测冬小麦SPAD 值效果最好的是逐步回归模型。陈浩等[3]以不同氮水平下夏玉米的叶绿素含量结合无人机多光谱技术，选取10种植被指数与田间实测叶绿素含量建立逐步回归模型。田明璐等[5]利用成像光谱仪获取高光谱影像，选取27个光谱参数，并用多元逐步回归和偏最小二乘回归方法建立了棉花冠层叶绿素含量的预测模型。李粉玲等[6]通过对高分一号卫星数据和冬小麦叶片SPAD值进行分析，并且提取18种对叶绿素敏感的宽波段光谱指数进行反演模型，认为随机森林回归算法模型对冬小麦叶片SPAD值估算效果最佳。刘昌华等[7]以八旋翼无人机搭载多光谱相机，构建植被指数与冬小麦不同生育期氮素指标的估测模型。卫星遥感虽能对农作物叶绿素含量等指标进行大规模高效无损监测，但也存在分辨率低、成本高、建模算法不同会对结果产生影响以及反射率受混合像元的影响等缺点[6]；高光谱无人机遥感成本高，处理信息量较大，样本数量多[4]；背挂式高光谱仪测量范围小，工作时间长，受人为因素和环境因素影响较大；而多光谱无人机遥感平台具有成本低，分辨率高，缩减了数据处理的工作量，便携方便等特点，弥补了卫星遥感、高光谱等技术的不足之处[8]，多光谱无人机技术多运用于玉米、小麦、水稻、棉花等农作物的监测。杨荣超等[9]采用便携式ASD 光谱仪和SPAD-502 叶绿素仪对甜菜不同生育时期的实测SPAD值构建估测模型；王辉等[10]利用ASD光谱仪和SPAD-502叶绿素仪测定甜菜叶片SPAD值，通过对比植被指数的回归模型及波段深度分析建立多元回归估测模型；刘娜等[11]测定甜菜苗期不同灌溉处理对甜菜不同生育时期叶绿素含量的影响。可见，甜菜叶绿素含量测定多见于高光谱以及其他胁迫处理等研究，在多光谱无人机监测方面少有报道。

本研究以不同施氮水平下的甜菜为研究对象，在分析氮营养与甜菜叶绿素含量相关性的基础上，结合无人机多光谱技术，在甜菜叶丛快速生长期，通过拼接、合成、运算方法对植被指数与大田实测叶绿素含量采用回归分析的方法构建最佳的估测模型，以期实现监测甜菜冠层叶绿素含量的生长动态变化和实现甜菜增产增收的目标，为田间精准管理提供理论依据。

1 材料与方法

1.1 试验区概况

供试材料为甜菜‘Hi0477’，试验区位于内蒙古自治区额尔古纳市甜菜种植基地（120°25′37″E，50°14′28″N），如图1所示，地处内蒙古自治区大兴安岭西北麓，呼伦贝尔草原北端，是我国主要的甜菜生产基地。试验区属寒温带大陆性气候，年平均气温在-2.0～3.0 ℃之间，年降水量为200～280 mm，日照时间为2 500～3 000 h[12]，试验区株距18 cm，行距50 cm。

图1 研究区示意图Fig.1 Schematic diagram of study area

1.2 试验设计

试验于2021年5—9月开展，研究区每公顷施复合肥900 kg（N 10%、P2O516%、K2O 15%）作为基肥，在此基础上共设置5 个不同水平的追施氮肥处理，分别为0 kg/hm2（N0）、30 kg/hm2（N1）、60 kg/hm2（N2）、90 kg/hm2（N3）、120 kg/hm2（N4），每个处理重复3 次，在6 月22 日追肥一次，无人机于7 月1 日、7 月16 日、8 月3 日采集甜菜叶丛快速生长期和块根糖分增长期的遥感影像图像，共设15个试验小区。

1.3 无人机多光谱数据采集

本试验采用大疆精灵4 多光谱无人机（DJI P4 Multispectral）机载多光谱相机组成信息采集系统，地面分辨率是0.8 cm/pixel，无人机主要参数，起飞质量：1 487 g；航行速度：5 m/s；续航时间：27 min；电池电荷量：5 870 mh/A；飞行高度：180 m；对角线轴距：350 mm。多光谱相机的主要参数，像素：200 万；视场角：62.7°；焦距：5.74 mm；红光波段：650±16 nm；绿光波段：560±16 nm；蓝光波段：450±16 nm；红边波段：730±16 nm；近红外波段：840±26 nm。为降低天气因素等影响，数据采集选择上午9：00～12：00，晴朗无云天气展开作业。多光谱相机镜头垂直主航线，设定飞行高度15 m，航速5 m/s，航向和旁向重叠度分别为60%和40%，对试验区进行连续监测（见图1）。

1.4 叶绿素含量测定

叶绿素含量测定取样当天与无人机多光谱测定时间同步，在15个试验小区中从每个小区随机选取3株甜菜，每株甜菜植株利用打孔器切取2 cm2左右叶片（避开主叶脉）切成0.33 mm×2 cm 的细丝，将叶片细丝浸泡在丙酮∶无水乙醇为1∶1 的刻度试管溶液中密封，立即放入泡沫箱中于黑暗条件下迅速带回，直至细丝完全变白为止（过夜即可）。其过程中间轻轻摇晃试管，可缩短提取时间。随后用分光光度计分别测定浸提液在663 nm、645 nm波长处的吸光度，根据叶绿素含量计算公式[1,13]：

式中：Chla、Chlb分别表示提取液中叶绿素a、叶绿素b 的浓度（µg/mL）；CA为单位叶面积的叶绿素含量（mg/dm2）；CA和CV的下标A和V表示面积和体积，S为用于提取叶绿素的叶片面积。

1.5 数据分析与处理

植被指数是通过绿色植被在不同波段的反射和吸收的特性，对不同波段进行线性或非线性的计算，以此作为提取植被信息数据和估测植被生长状况的重要指标[14]。目前，对农作物遥感监测生理状况的光谱影像数据进行反演的方法有经验模型法、物理模型法和统计模型法。本试验采用经验模型法对甜菜叶绿素含量进行反演，将获取的无人机多光谱影像数据导入DJI Terra 软件进行拼接、合成以及波段运算得到归一化植被指数（NDVI）、绿色归一化植被指数（GNDVI）、归一化差异红边指数（NDRE）、叶片叶绿素指数（LCI）、优化土壤调整植被指数（OSAVI）影像，计算公式见表1（NIR 为近红外波段的DN 值，Red 为红波段的DN 值，Green 为绿波段的DN 值，RedEdge 为红边波段的DN 值，DN 值是遥感影像像元亮度值）。通过ArcGis10.6、ENVI5.3 软件将试验区划分为15个小区，对不同植被指数影像进行试验区识别、选取感兴趣区域、掩膜划分并通过分区统计提取得到小区植被指数均值。随后将数据统计分类后导入到IBM SPSS Statistics26.0，分析叶绿素含量与NDVI、GNDVI、NDRE、LCI、OSAVI的相关性，基于无人机5种植被指数影像构建指数函数、幂函数、对数函数、线性函数及多项式函数估测模型[15-17]。

表1 反演甜菜叶绿素含量的植被指数计算公式Table 1 Calculation formula of vegetation index for retrieving chlorophyll content of sugar beet

1.6 评价指标

本研究按7∶3的比例随机抽取实测样本数据，即70%的数据样本构建甜菜叶绿素含量预测模型，30%的数据样本作为验证集进行模型评价。同时，以皮尔逊相关系数（Pearson correlation coefficient，R）、决定系数（Coefficient of determination，R2）、均方根误差（Root mean squared error，RMSE）、标准均方根误差（Normalized root mean squared error，NRMSE）作为评价模型精度的指标。R越接近于1，模型相关性越高，模型的R2越接近于1，RMSE越小，NRMSE越小表明模型预测精度越高，计算公式如下[20-21]。

式中：yi、xi、分别为叶绿素含量预测值、实测值和实测值的平均值，n为模型样本个数。

2 结果与分析

2.1 不同氮水平下甜菜叶绿素含量变化特征

随着甜菜生长期延长和施氮量的逐渐增多，甜菜冠层叶绿素含量增加，如图2 所示，甜菜叶丛快速生长期的叶绿素含量均值从7月1日N0水平的3.03 mg/dm2增长到N4水平的3.56 mg/dm2，其中N2水平叶绿素显著升高至4.13 mg/dm2；经过一段时间的吸收、转化，施氮量越大，甜菜叶绿素含量越高，从7 月16 日N0 的4.11 mg/dm2增长到N4 水平的4.96 mg/dm2，甜菜经过长时间的氮肥营养吸收后；8 月3 日的叶绿素含量变化较小，有的处理间增长速度变缓，N2 比N1 水平下叶绿素含量仅增长0.09 mg/dm2，N4 比N3 水平下叶绿素含量仅增长0.06 mg/dm2。

图2 甜菜在不同氮水平下不同时间的叶绿素含量Fig.2 Chlorophyll content of sugar beet at different nitrogen levels at different times

2.2 不同氮水平下甜菜的产质量变化特征

根据不同施氮水平对产质量影响的分析结果可以得出，适量施氮可以使甜菜增产、增糖，如图3 所示。甜菜地下部块根产量在施氮30 kg/hm2水平下具有显著增产效果，达到68.15 t/hm2，相比0 kg/hm2增长了9.44 t/hm2，随着施氮量的逐渐递增，块根产量变化不明显，适当的少施氮肥对块根的膨大具有正向影响作用；同时，随着施氮量的逐渐递增，甜菜的含糖率有一定增长趋势，从N0 的16.95%增长到N1 的最高17.08%，增加0.13个百分点，然后随着施氮量增加含糖率下降，由此可见30 kg/hm2的施氮量使含糖率达到最高值17.08%，过量施氮反而会降低含糖率。此外，地上部鲜重对氮的需求量较高，施肥越多，地上部鲜重越高，30 kg/hm2氮水平对甜菜地上部有显著的增长，地上部鲜重比N0处理的36.85 t/hm2增长了16.86 t/hm2。30 kg/hm2与60 kg/hm2，90 kg/hm2与120 kg/hm2处理之间的地上部鲜重差异不明显。

图3 不同施氮水平对甜菜块根产量（A）、含糖率（B）及地上部生物量（C）的影响Fig.3 Effects of different nitrogen application levels on root yield(A),sugar content(B)and aboveground biomass(C)of sugar beet

2.3 叶绿素含量与施氮量的相关性分析

利用实际测量的数据，不同氮水平分别与不同取样时间的叶绿素含量作相关性分析，如表2 所示。仅7月1 日的指数回归方程的相关系数相对较低，R=0.520，可能由于施氮初期甜菜采样误差导致。7 月16 日和8月3日的相关系数均有较高的相关性，分别为R=0.945和R=0.933，用来指导农业精准施氮具有可行性。

表2 不同取样时间叶绿素与施氮量的相关性分析Table 2 Correlation analysis between chlorophyll and nitrogen application at different sampling time

2.4 甜菜叶绿素含量与植被指数的相关性分析和反演模型的构建

针对于甜菜叶丛快速生长期和块根糖分增长期，利用无人机采集的影像数据分析甜菜叶绿素含量与植被指数OSAVI、NDVI、GNDVI、LCI、NDRE 的皮尔逊相关系数，5 种植被指数与甜菜叶绿素含量进行相关性分析的结果表明，5 种植被指数的相关性均达到0.800 以上呈高度相关[22]，其中NDRE 和OSAVI 的相关系数最高，均为0.874（见表3）。

表3 不同植被指数预测甜菜冠层叶绿素含量的回归模型Table 3 Regression model for predicting chlorophyll content in sugar beet canopy with different vegetation indexes

根据以上相关性分析结果，将39 个样本数据按7∶3 的比例随机分为建模集和验证集，27 个样本为建模集，12个样本为验证集。建模集分别构建指数函数、对数函数、幂函数、线性函数、多项式函数5种函数模型，并且重复随机划分建模。结果表明，指数模型的决定系数最高，选取5个植被指数的指数模型与叶绿素含量进行模型反演估测，OSAVI 的R2=0.764 较高，RMSE=0.396，NRMSE=8.63%相对较小，均优于其他植被指数NDVI、GNDVI、LCI、NDRE，因此，以OSAVI作为监测甜菜冠层叶绿素含量的最佳模型。

2.5 模型验证与评价

利用剩下样本数据验证集的叶绿素含量实测值与预测值进行方程拟合，同时选取决定系数R2、RMSE和NRMSE评价验证指数模型的精度。甜菜在叶丛快速生长期和块根糖分增长期的指数模型Chl=1.933*exp(2.195*OSAVI)估测效果最好，RMSE=0.347，NRMSE=8.42%。通常认为NRMSE<10%估算精度极好，10%～20%效果较好，20%～30%效果可以接受，>30%效果差[19]。因此，选用优化调整土壤植被指数OSAVI用于甜菜的估测效果较佳（见表4）。

表4 甜菜叶绿素含量5 种植被指数的指数估测模型验证Table 4 Validation of index estimation model for chlorophyll content 5 vegetation index of sugar beet

3 讨论

叶片叶绿素与氮含量之间有很高的相关性，这与王妍等[23]研究氮素和小麦叶绿素浓度有较高相关性基本一致。本研究在不同氮水平下通过无人机采集的5种植被指数的多光谱数据构建甜菜冠层叶绿素含量的反演模型，叶绿素含量是甜菜在不同时期生长变化的显著指标，影响作物生长的健康状况，对指导现代农业生产具有重要的价值意义[24]。因此，本试验针对甜菜不同施氮水平对叶绿素含量的影响开展研究，随着施氮量的增加，甜菜的叶绿素含量也稳定增长，适量施氮有利于叶绿素的合成，增加甜菜地上生物量，这与丁怡人等[25]研究的棉花顶二叶荧光参数随施氮量的增大而增加相一致。陈永喆等[26]研究指出红边与近红外波段与氮含量有一定的相关性，通过无人机监测叶绿素含量指导农业施氮具有可行性。杨福芹[27]研究常用植被指数与叶片及植物生物量的分析表明，OSAVI 与植物生物量具有显著相关，这与本文OSAVI 作为最佳植被指数反演模型相一致。综上，通过植被指数与叶绿素以及氮含量的相关性分析以及模型反演，可以预测甜菜生物产量是否增产。此外，本研究仅针对额尔古纳地区的试验，对于不同地区、不同环境的甜菜生长状况的监测效果还需进一步试验证明。

此外，叶绿素含量作为衡量农作物生长状态和营养状况的重要指标，经验回归模型能够精确、有效地预测作物叶绿素含量，是提高作物产量的有效途径。周敏姑等[28]利用7种光谱参数和小麦SPAD 实测值构建的一元线性回归SPAD-SAVI 模型估测小麦SPAD 值的精度最高。牛鲁燕等[29]基于NDVI、SAVI、CCCI 植被指数构建的多元线性回归模型估测小麦长势的精度更高、稳定性更好。高林等[30]选取RVI、NDVI、SAVI、DVI、TVI五种植被指数使用经验模型法分别构建了单变量和多变量大豆LAI反演模型，其NDVI线性回归模型对大豆LAI的解释能力最强，R2=0.829，RMSE=0.301，反演大豆LAI最准确。综上所述，以无人机遥感技术和经验回归方法估测甜菜产量和叶绿素含量具有可行性。

4 结论

本研究基于无人机多光谱技术对甜菜冠层叶绿素含量反演，指导农业精准施氮实现甜菜增产具有可行性。基于植被指数OSAVI、NDRE、LCI、GNDVI、NDVI 构建线性回归模型的分析表明甜菜叶绿素含量估测均具有较好的效果，5 种植被指数模型的决定系数均大于0.7，NRMSE<20%均达到较好水平以上，均具备一定的预测能力，其中OSAVI 为最佳植被指数模型，拟合效果最好。基于无人机多光谱技术对甜菜冠层叶绿素含量监测技术因具有低成本、灵活性高、方便快捷的特点，可以作为监测甜菜叶绿素含量的有效手段，用以实现甜菜的增产增效。