基于无人机多光谱影像的佛手瓜叶片SPAD 值估算模型

黎瑞君，陈智虎，舒田，刘春艳，许元红，孙长青

（贵州省农业科技信息研究所，贵阳 550006）

随着精准农业的发展，遥感技术被广泛用于农业生产，从作物面积监测、表型研究到作物估产，多方面、多渠道指导农业生产活动［1-3］。在作物表型研究方面，科研工作者针对不同的农作物，采用不同的研究数据和研究方法，分析和估算叶绿素含量、氮含量、生物量等表型信息，评价农作物的长势以及产量。叶绿素是植物进行光合作用的主要色素，是植物营养诊断和长势监测的重要指标之一［4，5］。叶绿素相对含量（Soil and plant analyzer development，SPAD）与叶绿素含量关系密切，通过测定SPAD值可以较好地反映叶片叶绿素含量［6-8］。

在利用遥感数据估算SPAD值的研究中，以经验模型的研究比较多［9-12］，陈晓凯等［13］利用低空无人机获取的高光谱影像对冬小麦叶面积指数进行遥感估算，能够准确地实现小区域的叶面积指数遥感填图；田军仓等［14］基于多光谱影像利用多种模型估算方法对番茄冠层SPAD值进行估算，估算效果显著；有关SPAD值估算已经进行了大量的研究，主要集中在玉米、小麦、水稻和高粱等粮食作物［15-17］。边立丽等［18］利用SPAD值进行烤烟氮素营养诊断，SPAD值为37.11～46.06，可作为烤烟团棵期和旺长期氮素营养诊断的指标，并能推荐氮肥的施用；尹航等［19］基于高光谱影像利用归一化光谱指数，通过波段优化算法建立优化光谱指数和马铃薯关键生育期叶绿素含量的相关性和估算模型，对马铃薯SPAD值进行估算，最优波段分别为586、462 nm 和586、498 nm，在该波段范围内利用光谱指数建立估算模型效果最好。

佛手瓜（Sechium edule）又名洋瓜、千金瓜、捧瓜、葵瓜等，是一种葫芦瓜属植物，果实、嫩茎叶、卷须和地下块根均可做菜肴，在瓜类蔬菜中营养全面丰富，常食可以增强人体抵抗疾病的能力，是名副其实的无公害蔬菜，在贵州省石山区广泛种植。将遥感技术应用于佛手瓜叶片SPAD值估算研究，通过无人机搭载多光谱相机获取高精度多光谱影像，提取不同的植被指数，选取合适的植被指数作为模型建立的输入变量，构建佛手瓜黄叶和绿叶叶片的SPAD值估算模型，并进行模型评价，进而评估佛手瓜长势。

1 材料与方法

1.1 研究区概况

研究区位于贵州省惠水县好花红镇弄苑村佛手瓜种植基地，该村人均占有耕地不足667 m2，是典型的深石山区，平均海拔1 100 m，年均降水量122～1 300 mm，属于亚热带季风气候区，佛手瓜作为当地的主要经济产业，具有成熟的种植模式和种植规模。研究区位置如图1 所示。

图1 研究区位置

1.2 影像采集与预处理

采用垂直起降无人机搭载RedEdge-M 快照式多光谱相机，组成无人机多光谱影像采集系统，如图2 所示，多光谱相机主要参数如表1 所示。数据采集时间为2022 年7 月6日，当日天气晴朗、少云。航拍时间选在11：00—15：00，太阳光直射地面，航线设置高度为距离地面150 m，航拍面积约65 万m2，航向重叠度和旁向重叠度均设置为75%，除此之外，在研究区内设置6 个控制点，均匀分布在研究区内道路交叉点、房屋拐点等位置。

图2 无人机多光谱影像采集系统

利用Pix4D 软件对获取的无人机多光谱影像进行拼接处理，在处理的过程中，添加控制点的坐标进行校正，生成研究区不同波段的影像图，基于灰板对5 个波段影像进行反射率校正，获取研究区不同波段反射率影像（表1），公式如下［1］：

表1 RedEdge-M 光谱通道参数

式中，Ri为地面目标等i波段反射率；Di为地面目标等i波段DN值；Rbi为灰板等i波段反射率；Dbi为灰板等i波段DN值。

1.3 地面数据采集

无人机多光谱影像采集当日，利用手持式叶绿素仪（SPAD-502Plus）在研究区内选取10 个小样区，每个样区2 m×2 m，在每个样区内采集10—14 个样本数据，取平均值作为该样区的SPAD值，共采集120个样本的SPAD值。SPAD值样本特征如表2所示。

表2 SPAD 值样本特征统计

1.4 植被指数选取与计算

植被指数能够很好地反映佛手瓜叶片及叶片生长情况，选取部分植被指数进行佛手瓜叶片SPAD值估算。每个植被指数的计算公式如表3 所示。

表3 植被指数公式汇总

1.5 模型构建方法及评价标准

1.5.1 估算模型建立 偏最小二乘法［24，25］（Partial least squares，PLS）是一种通过最小化误差的平方和寻找一组数据最佳匹配函数的方法，在样本点的数量比较少或小于自变量数目的情况下，同时实现相关性分析、主成分分析和多元线性回归分析，建立具有良好效果的回归模型。

1.5.2 模型评价标准 好的估算模型需要具有较低的均方差（RMSE）和较高的决定系数（R2），其中R2越大，RMSE越小，表明模型效果越好。此外，利用相对分析误差（Relative prediction deviation，RPD）对模型预测能力进行评估。

2 结果与分析

2.1 SPAD 与植被指数相关性分析

计算得到10 个小区绿色叶片和黄色叶片的4 种植被指数，与每个小区相对映的实测SPAD值组成数据集，分别对黄色叶片和绿色叶片的SPAD值与植被指数进行相关性分析，结果如表4、表5 所示。

由表4 可知，在佛手瓜绿色叶片，NDVI、GNDVI、RVI和SPAD值均呈正相关关系，而CIre与SPAD值是负相关关系，相关系数为-0.73。NDVI、GNDVI、RVI的相关系数为0.66～0.92，其中，NDVI与SPAD值具有较高的相关性，相关系数达到0.92，GNDVI与NDVI之间也有较高的相关性，相关系数达到0.95，GNDVI与CIre和RVI具有较低的相关性，相关系数分别为0.14 和0.11。

表4 植被指数与绿叶SPAD 值的相关系数

由表5 可知，在佛手瓜黄色叶片，NDVI、GNDVI、RVI与SPAD值均呈正相关关系，CIre与SPAD值表现为负相关，相关系数为-0.56。NDVI与SPAD值的相关性最好，相关系数达到0.89，RVI与SPAD值的相关系数比较低，相关系数仅为0.37。

表5 植被指数与黄叶SPAD 值的相关系数

2.2 模型构建与评价

在模型建立过程中，将120 个样本数据分为建模集和验证集两个部分，即90 个样本作为建模集样本，30 个样本作为验证集样本。利用PLS 建立佛手瓜绿色和黄色叶片SPAD值反演模型，建立的估算模型和验证结果如表6 所示。建立基于PLS的SPAD估算模型预测值与实测值的关系如图3 所示。

图3 基于PLS的SPAD 值估算模型预测值与实测值的关系

基于SPAD值与植被指数相关性分析结果，选择NDVI分别建立佛手瓜绿色和黄色叶片RF 与PLS模型。从表6 中可以看出，不同方法对相同叶片估算的SPAD值不同，同一方法建立不同叶片SPAD值的反演效果存在差异。在利用PLS 模型估算叶片SPAD值时，建立的绿色叶片模型中建模集R2为0.880，验证集R2为0.814，均高于黄色叶片建模集和验证集的R2；绿色叶片建模集和验证集的RMSE分别为1.04 和1.12，比黄色叶片的建模集和验证集RMSE低0.19 和0.04，差别不是很大；绿色叶片RPD为1.11，黄色叶片RPD为1.08，说明PLS 模型对绿色叶片SPAD值的预测能力高于黄色叶片。在利用RF模型估算叶片SPAD值时，建立的绿色叶片模型中建模集R2为0.703，验证集R2为0.554，均高于黄色叶片建模集和验证集的R2；绿色叶片建模集和验证集的RMSE分别为1.11 和1.02，与黄色叶片的建模集和验证集RMSE差别不是很大；绿色叶片RPD为1.08，黄色叶片RPD为1.01，说明RF 模型对绿色叶片SPAD值的预测能力高于黄色叶片（图4），从建模方法来看，PLS 模型对佛手瓜不同颜色叶片SPAD值估算精度要比RF 模型高一些，但这两种方法对佛手瓜SPAD值的估算效果都只是粗略估计。

图4 基于RF的SPAD 值估算模型预测值与实测值的关系

表6 PLS 估算模型和验证结果

3 讨论

本研究基于无人机多光谱影像提取的4 种植被指数，通过分析植被指数与佛手瓜叶片SPAD值相关性，利用PLS、RF 方法分别建立绿色和黄色叶片SPAD值估算模型。

佛手瓜绿色和黄色叶片的SPAD值PLS 估算模型均优于RF 模型，在其他作物SPAD值估算中PLS方法不一定是最优的，需要根据作物的实际表现形式进行选择；红边叶绿素指数（CIre）与SPAD值的相关系数有些异常，呈负相关，在佛手瓜叶片SPAD值估算中，可能受到外界环境的影响，无法很好地表征SPAD值变化情况。

4 结论

1）佛手瓜叶片宽大，采集绿色和黄色叶片的SPAD值，绿色叶片的SPAD值和变异系数均比黄色叶片的高，标准差则相反。

2）本研究选取的4种植被指数中，NDVI、GNDVI、RVI、CIre与SAPD均显著相关，其中，NDVI、GNDVI、RVI与SPAD值呈现出较强且稳定的正相关，在佛手瓜绿色和黄色叶片中相关系数都较高；NDVI表现突出，相关系数均达到0.85 以上。

3）建立佛手瓜绿色和黄色叶片SPAD值估算模型，PLS 模型绿色和黄色叶片验证集R2分别为0.814、0.660，RMSE分别为1.12、1.16，RPD分别为1.11、1.08，RF 模型绿色和黄色叶片验证集R2分别为0.554、0.486，RMSE分别为1.02、1.06，RPD分别为1.08、1.01，PLS 在进行佛手瓜叶片SPAD值估算过程中，估算效果优于RF 模型，绿色叶片估算效果高于黄色叶片。