基于无人机RGB图像的金沙柚叶片叶绿素含量监测研究

曹中盛，李艳大*，潘玉霞，孙滨峰，舒时富，叶 春，彭忻怡

（1.江西省农业科学院 农业工程研究所/江西省智能农机装备工程研究中心/江西省农业信息化工程技术研究中心，江西 南昌 330200；2.江西省井冈山红壤研究所，江西 吉安 343016；3.江西农业大学 农学院，江西 南昌 330045）

【研究意义】井冈蜜柚是指以“井冈山”为品牌，在江西省吉安市生产栽培的甜柚品种的统称，当前种植面积约2.67 万hm2。金沙柚（Citrus grandis（L.）Osbeck）是井冈蜜柚三大主栽品种之一，发展金沙柚生产对于推动老区乡村振兴具有重要的支持作用。叶绿素是果树进行光合作用合成有机物的主要场所，叶片叶绿素含量（leaf chlorophyll content，LCC）是表征果树光合生产、健康状况及精确肥水运筹的重要指标[1-3]。传统的果树叶片叶绿素含量测定方法主要有室内化学分析测定法[4-5]、便携式叶绿素计SPAD 等仪器测定法[6-7]，虽然结果较为准确可靠，但需破坏性取样、费时耗工、只能采集单个叶片信息、难以快速获取果园等空间尺度的信息。无人机遥感是高效获取果园、园区等较大空间范围内目标物信息的重要手段[8]。数码相机是无人机遥感中最常用的传感器之一，具有成本低、操作简单、影像空间分辨率高等优点，能通过获取高分辨率RGB 图像监测植物不同生长参数[9-10]。【前人研究进展】当前，基于无人机RGB 图像监测LCC 的研究主要集中在大田作物上。如Saberioont 等[11]利用无人机数字图像中的3 个可见光波段构建植被指数对水稻LCC 进行监测；孟沌超等[12]利用无人机获取可见光影像，基于植被指数+纹理特征构建偏最小二乘回归（partial least squares regression，PLSR）模型对玉米冠层SPAD 值进行反演等。此外，研究者们也围绕近地面平台获取RGB 图像监测植物叶绿素开展了许多研究。如Vesali 等[13]利用智能手机获取数字图像，通过提取颜色特征反演棉花叶片SPAD 值；张沛健等[6]用扫描仪获取红树林叶片彩色图片信息，提取叶片5 种颜色特征构建监测模型对叶片SPAD 值和Dualex 值进行估测；程立真等[14]用数码相机获取苹果叶片图像，利用图像处理技术提取颜色特征对LCC 进行监测。尽管前人围绕RGB 图像监测植物LCC 开展了许多研究，构建了许多准确实用的监测模型，具有一定的应用价值。【本研究切入点】由于植物种类、生育时期以及研究方法不同，所建模型形式、模型参数等不尽相同，单一试验获得的结论往往并不具有普适性[15]，且基于无人机RGB 图像监测金沙柚LCC 的研究也鲜有报道，对金沙柚LCC 监测模型构建时的ROI 选取模式、敏感图像特征及监测模型尚不明确。【拟解决的关键问题】本研究以不同氮肥水平的金沙柚田间试验为基础，分析无人机RGB 图像中不同图像特征与LCC 之间的相关关系，构建基于无人机RGB 图像的金沙柚LCC 定量监测模型，以期为金沙柚长势快速监测诊断及精确管理提供技术支持。

1 材料与方法

1.1 试验设计

试验于2020年11月至2021年12月在江西省吉安市井冈山农业科技园（114°51′40.08″E，27°8′15.88″N）进行。供试品种为金沙柚，树龄8 年，株行距为4 m×5 m。果园表层土壤（0～20 cm）含全氮1.31 g/kg、碱解氮119.34 mg/kg、速效钾128.44 mg/kg、有效磷30.14 mg/kg、有机质22.17 g/kg；亚表层土壤（20～40 cm）含全氮0.86 g/kg、碱解氮77.06 mg/kg、速效钾87.01 mg/kg、有效磷10.49 mg/kg、有机质13.75 g/kg。依据前人研究[16-17]，试验设7 个施氮水平，分别为全年每株施纯氮0，0.25，0.50，0.75，1.00，1.25，1.50 kg（分别记作N0、N1、N2、N3、N4、N5 和N6），重复3 次，每个重复选择4 棵长势一致的相邻柚树为1 个小区，共计21 个小区84 棵柚树。氮肥按照基肥（11 月）∶萌芽肥（2 月）∶保果肥（5 月）∶壮果肥（7 月）=40%∶15%∶15%∶30%施用。另配P2O50.6 kg/株、K2O 1.0 kg/株，分基肥（70%）和壮果肥（30%）施用。试验用肥料分别为商品有机肥（有机质含量54.7%、氮含量0.75%、P2O5含量1.82%、K2O 含量2.1%）、尿素（氮含量46%）、过磷酸钙（P2O5含量12%）和硫酸钾（K2O含量50%），采用条状沟施，在树冠下缘两边挖宽约50 cm，深约20 cm的深沟，肥料与上层土充分混匀后填入沟内，下层土填于上表，施肥位置与前次施肥位置错开。果园专人管理，其他管理措施与当地生产实际相同。

1.2 数据获取

为监测不同时期氮肥施用对金沙柚长势的影响，分别于两次施肥间隙对应的开花期（花后18 d）、幼果期（花后59 d）和果实膨大期（花后120 d）进行叶片采样和无人机RGB图像采集。在每个小区选择1棵长势健康的柚树进行叶片采样，采样时分上部和中下部2个叶位进行，其中上部叶位样本为树冠不同方位顶梢起向下的第3和第4片大小均匀的健康叶片20片，中下部叶位样本为树冠中下部外围不同方位的成熟营养枝健康叶片20片。用酒精提取法提取叶片中的叶绿素，提取时去除叶脉取叶片中部0.2 g剪成细丝，用95%乙醇25 mL 于暗处提取48 h，然后用紫外-可见分光光度计测定提取液在649 nm 和665 nm处的吸光度，以Lichtenthaler公式计算叶片叶绿素含量（LCC）[18]。

与叶片采样同步，用大疆御Mavic pro 型无人机（深圳大疆创新科技有限公司）及其自带的数码相机采集蜜柚试验区RGB数字图像，搭载的数码相机有效分辨率为4 000×3 000像素。数字图像采集选择在晴朗、无云天气进行，采集时间为11：00—13：00，无人机飞行高度为20 m，飞行速度为5 m/s，航向和旁向重叠率均为80%；相机设置为自动对焦和自动曝光模式。RGB 图像采集后，用Agisoft Photoscan Professional软件拼接，得到整个蜜柚试验区的RGB数字正射图像。

1.3 数字图像处理

1.3.1 图像特征提取 用ENVI 5.0软件提取蜜柚试验区RGB 数字正射图像中红、绿、蓝3个通道的像元值，分别记作R、G、B，然后计算不同类型图像特征，总计包含6 个颜色特征、9 个植被指数和4 类纹理特征。其中，色调（hue）、饱和度（saturation）和亮度（intensity）基于色彩空间转换后的HSV 图像提取，植被指数用ENVI 软件的Band Math 工具计算，纹理特征用ENVI 软件中的Filter 工具提取。不同图像特征的计算公式及含义如表1所示。

表1 图像特征信息Tab.1 Information of image features

1.3.2 蜜柚冠层纯像元提取 采用双峰阈值法去除蜜柚试验区RGB 数字正射图像中的土壤背景和阴影[26]。首先，选取蜜柚冠层与非冠层（背景+阴影）两类目标物（图1a），统计生成像素直方图；然后以两类目标物像素直方图峰值之间波谷对应的图像特征值作为阈值去除背景和阴影。本文统计了表1 所列出的所有图像特征的像素直方图（结果未列出），发现超绿植被指数（ExG）在蜜柚冠层与非冠层中差异最显著，像素直方图中波谷处的像元数量最小（图1b），其对应的ExG值为48。因此，以ExG＜48为阈值去除背景和阴影，提取蜜柚冠层纯像元。

图1 金沙柚RGB图像（a）及超绿植被指数（ExG）像元数量分布直方图（b）Fig.1 Jinsha pomelo RGB image（a）and statistical histogram of ExG（b）

1.3.3 感兴趣区选取 感兴趣区（region of interest，ROI）选取是无人机遥感中构建监测模型的重要步骤。前人用无人机平台监测植物生长参数时，较少比较过不同ROI选取模式对监测效果的影响。当前，图像ROI 选取模式主要可概述为叶片ROI 模式和冠层/小区ROI 模式两类。前者常见于近地面平台，主要以叶片为ROI 构建监测模型[27]；后者常见于无人机平台，主要以整棵果树树冠或整个田间小区为ROI构建监测模型[28-29]。本文分别基于叶片ROI和冠层ROI两种模式选取感兴趣区构建监测模型。叶片ROI模式下，利用人工目视选取蜜柚RGB图像中颜色较浅的未成熟叶片作为上部叶位ROI（A：红圈），选择外围颜色较深的成熟叶片作为中下部叶位ROI（B：蓝圈），分别与取样时获取的上部叶位样本LCC 及中下部叶位样本LCC 构建监测模型（图2a）。为方便比较，保证两种模式下建模和检验样本数量一致，冠层ROI 模式下，以冠层中心为界，分别选择东半部分冠层（C：红圈）和西半部分冠层（D：蓝圈）作为ROI，与整棵果树叶片样本LCC的平均值建立监测模型（图2b）。

图2 感兴趣区选取模式Fig.2 Region of interest（ROI）selection mode.（a）Leaf ROI mode，（b）Canopy ROI mode

1.3.4 模型构建与检验 采用等距抽样法筛选建模样本和检验样本[30]。在每个生育时期将选取的21 棵采样果树按照施氮水平从小到大排序，根据建模∶检验=2∶1 的比例进行等间距抽样，最终获取84 个建模样本和42 个检验样本。基于建模样本，用SPSS 20 软件分析不同图像特征与LCC 之间的相关性，根据相关系数大小评价不同图像特征的监测效果并筛选敏感图像特征；然后拟合敏感图像特征与LCC之间的线性方程，通过比较拟合方程决定系数（coefficient of determination，R2）确定最优图像特征并建立监测模型。利用检验样本对建立的监测模型进行检验，通过计算预测值与实测值之间的归一化均方根误差（normalized root mean square error，nRMSE）检验监测模型的精确度[31]，通过计算偏差（bias）判断模型高估或低估[32]。

式中，n为样本数，Pi为LCC 预测值，Oi为LCC 实测值，max（O）为检验样本中所有LCC 实测值的最大值，min（O）为检验样本中所有LCC实测值的最小值。

2 结果与分析

2.1 不同施氮水平下的金沙柚冠层LCC变化特征

表2 展示了不同施氮水平下的金沙柚冠层上部和中下部叶片叶绿素含量（LCC）的变化特征。由表2 可知，冠层中下部的LCC 较上部高。在开花期，冠层上部和中下部的LCC 平均值分别为1.28 mg/g、1.45 mg/g；在幼果期，冠层上部和中下部的LCC 平均值分别为1.09 mg/g、1.98 mg/g；在果实膨大期，冠层上部和中下部的LCC 平均值分别为2.02 mg/g、2.44 mg/g。施氮量对金沙柚LCC 有影响但表现不明显，LCC 总体随施氮量的增加而升高。如幼果期上部叶位N0 至N6 的LCC 分别为0.90，0.95，1.02，1.09，1.09，1.33，1.23 mg/g。LCC 随生育时期变化比较明显，如中下部叶位开花期、幼果期和果实膨大期的LCC 分别为1.45、1.98、2.44 mg/g。综合比较发现，叶位和生育时期对LCC 的影响显著，施氮量对LCC 存在影响，但与叶位和生育时期的影响相比不显著。

表2 不同施氮水平下的金沙柚LCC变化特征Tab.2 Change of Jinsha pomelo LCC under different fertilizer-N application rates

2.2 不同图像特征与金沙柚LCC之间的相关性

表3 展示了不同ROI 模式、不同生育时期，图像特征与金沙柚LCC 之间的相关性。结果显示，叶片ROI模式下图像特征与LCC之间的相关性较高。不同图像特征相比，6个颜色特征中，红光值（R）与LCC之间的相关性最高，两种ROI模式下其在开花期、幼果期、果实膨大期及全生育期（开花期+幼果期+果实膨大期，下同）均与LCC 表现为极显著相关。9个植被指数中，超红植被指数（ExR）表现优于其他植被指数，两种ROI模式下，其在所有单生育时期和全生育期均与LCC表现为极显著相关。4个纹理特征中，基于红光波段提取的均值（MEA-R）表现较好，叶片ROI下，其在所有单生育期和全生育期均与LCC表现为极显著相关；冠层ROI 模式下，其在幼果期、果实膨大期和全生育期与LCC 表现出极显著相关。综合比较上述3个图像特征，发现超红植被指数（ExR）表现最好，叶片ROI模式下，其与LCC 之间的相关系数在开花期、幼果期、果实膨大期和全生育期分别为-0.747、-0.955、-0.845 和-0.914；冠层ROI 模式下，其与LCC 之间的相关系数在上述4 个时期分别为-0.678、-0.684、-0.644 和-0.762。不同生育时期相比较，超红植被指数（ExR）在幼果期和全生育期表现较好。

表3 图像特征与金沙柚LCC之间的相关性Tab.3 Relationships between image features and Jinsha pomelo LCC

2.3 基于图像特征的金沙柚LCC监测模型构建

利用建模样本分别基于红光值（R）、超红植被指数（ExR）和均值（MEA-R）构建金沙柚LCC 监测模型，并用检验数据进行检验。结果（表4）显示，叶片ROI 模式下，基于R 构建的监测模型在开花期、幼果期、果实膨大期和全生育期的决定系数（R2）分别为0.66、0.81、0.58和0.72；基于ExR构建的监测模型在上述时期的R2分别为0.55、0.91、0.71 和0.83；基于MEA-R 构建的监测模型在上述时期的R2分别为0.66、0.81、0.58 和0.72。冠层ROI 模式下，基于R 构建的监测模型在上述时期的R2分别为0.59、0.44、0.62 和0.32；基于ExR 构建的监测模型在上述时期的R2分别为0.30、0.47、0.60 和0.48；基于MEA-R 构建的监测模型在上述时期的R2分别为0.52、0.32、0.52和0.48。总体来看，叶片ROI模式下构建的LCC 监测模型精度较冠层ROI模式下构建的监测模型高。图3具体展示了基于上述3个图像特征构建的LCC 监测模型。由图3 可知，叶片ROI 模式下（图3a、图3b、图3c），不同生育时期的LCC 监测模型趋势基本一致，和冠层ROI模式下构建的监测模型相比较（图3d、图3e、图3f），更有利于建立全生育期通用模型，对不同生育时期LCC进行监测。

图3 基于不同图像特征的金沙柚LCC监测模型Fig.3 Estimation models of Jinsha pomelo leaf chlorophyll content（LCC）based on different image features

2.4 基于图像特征的金沙柚LCC监测模型检验

利用检验数据对基于红光值（R）、超红植被指数（ExR）和均值（MEA-R）构建的LCC监测模型进行检验。结果显示（表4），在叶片ROI模式下，LCC 监测模型精度较高，如全生育期基于R、ExR、MEA-R 构建的LCC监测模型检验归一化均方根误差（nRMSE）分别为0.33、0.24和0.33；在冠层ROI模式下，基于上述3个图像特征构建的LCC监测模型的nRMSE分别为0.27、0.27和0.32。3个图像特征相比，基于ExR构建的LCC监测模型精度最高，在叶片ROI模式下，其在开花期、幼果期、果实膨大期和全生育期的nRMSE分别为0.20、0.21、0.15 和0.24，bias分别为0.01、0.04、-0.09 和0.01；冠层ROI 模式下，其在上述时期的nRMSE分别为0.11、0.15、0.22和0.27，bias分别为0.07、-0.09、0.08和0.05。综上所述，在利用无人机RGB图像构建井冈蜜柚LCC 监测模型时，在叶片ROI模式下，可基于ExR 构建精度和通用性较高的全生育期监测模型。图4展示了两种ROI模式下（叶片ROI模式为图4a、图4b、图4c；冠层ROI模式为图4d、图4e、图4f），分别基于R、ExR和MEA-R构建的LCC监测模型的检验效果。由图4可知，在叶片ROI模式下，不同生育时期之间的通用性表现较好，且模型的可预测数值范围更大。

图4 基于不同图像特征的金沙柚LCC监测模型检验Fig.4 Validation of Jinsha pomelo leaf chlorophyll content（LCC）estimation models based on different image features

表4 基于图像特征的金沙柚LCC监测模型构建和检验Tab.4 Calibration and validation of Jinsha pomelo LCC estimation models based on image features

2.5 果园金沙柚冠层叶绿素分布

图5 展示了叶片和冠层ROI 模式下，基于ExR 构建的金沙柚LCC 监测模型反演的果园金沙柚冠层LCC分布。如图所示，基于叶片ROI模式构建的LCC监测模型反演金沙柚LCC时变异程度较大，整个展示区域内LCC为0.8～2.7 mg/g；基于冠层ROI模式构建的LCC监测模型反演井冈蜜柚LCC时变异程度较小，整个展示区域内LCC变化为1.0～2.4 mg/g。表明，叶片ROI模式下构建的LCC监测模型灵敏度更高。

图5 叶片ROI模式（a）和冠层ROI模式下（b）监测模型反演的金沙柚LCC分布Fig.5 Distribution of Jinsha pomelo LCC inverted by estimation models under leaf ROI mode（a）and canopy ROI mode（b）

3 讨论

叶绿素是植物吸收、转化光能合成有机物的主要物质，其含量能反映植物光合能力和健康状况[33]。利用无人机搭载数码相机可对果园农情信息进行快速获取。

本文分析了不同图像特征与金沙柚LCC 之间的相关性。发现颜色特征、植被指数和纹理特征3 类图像特征中，与金沙柚LCC 相关性最高的为红光值（R）、超红植被指数（ExR）和基于红光波段提取的均值（MEA-R）。根据前人研究，叶绿素、类胡萝卜素、花青素以及其他色素主要对光谱中的可见光区域产生响应[31]。因此，基于可见光RGB图像提取的图像特征具有监测金沙柚LCC的潜力。进一步分析上述3个图像特征的构成和提取过程，发现3个图像特征均与红光通道有关，其中包含红光通道信息最多的超红植被指数（ExR）监测精度最高，这与前人研究结论一致[34]。由于叶绿素主要对红光波段和蓝光波段强烈吸收，而ExR 与其他图像特征相比，进一步放大了图像中的红光信息，因而可被用于监测LCC，尤其是在绿色叶片因色素缺失的黄绿转化情景之中[35]。

感兴趣区（ROI）选取对于金沙柚LCC 监测模型构建存在影响。本文比较了叶片ROI 和冠层ROI 两种模式下金沙柚LCC监测模型精度的变化。结果显示，叶片ROI模式下的LCC监测模型精度明显升高。其主要原因在于以冠层为ROI时，将整个冠层作为一个混合像元进行处理，忽略了不同叶片之间LCC 的变化，仅反映不同柚树之间由氮肥处理造成的LCC 差异。本研究表明，LCC 总体随施氮量的增加而升高，叶位和生育时期对LCC 的影响大于施氮量对LCC 的影响。这与前人研究发现的施氮量对果树叶片氮含量的影响相似[36-37]。因此，在利用RGB 图像监测LCC 时，冠层ROI 模式下的监测模型精度会出现降低。但从本研究来看，利用无人机RGB 图像选取ROI 时，需保证获取到的RGB 图像具有较高的空间分辨率才能基于叶片选取ROI。

当然，本研究建立的金沙柚LCC 监测模型尚未考虑不同生态点、不同树龄等因素的影响，可能会导致监测模型在普适性方面存在局限。因此，今后还需在金沙柚主产区不同生态点采集不同树龄的数据对模型进行优化和完善，以提高监测模型的适用性。

4 结论

本文基于不同施氮水平试验数据，分析了无人机RGB 图像中不同图像特征与金沙柚LCC 之间的相关性并构建监测模型，主要结论如下：

（1）与金沙柚LCC相关性最高的RGB图像特征为超红植被指数（ExR）；（2）不同感兴趣区（ROI）选取模式相比较，在叶片ROI模式下构建的LCC 监测模型精度高于在冠层ROI模式下构建的LCC 监测模型；（3）利用无人机RGB图像监测金沙柚LCC时，最佳的监测模型为LCC=-0.01×ExR+2.83。

致谢：国家红壤改良工程技术研究中心开放基金资助项目（2020NETRCRSI-16）和江西现代农业科研协同创新专项（JXXTCXQN202214）同时对本研究给予了资助，谨致谢意！