基于无人机多光谱估测不同品种紫花苜蓿的地上生物量和叶绿素含量

沈思聪, 张靖雪, 陈鸣晖, 李志威, 孙盛楠, 严学兵

扬州大学动物科学与技术学院, 江苏 扬州 225127

引 言

紫花苜蓿(MedicagosativaL.)是豆科的多年生苜蓿属植物, 其种植面积大, 栽培历史久, 营养价值高, 被称为“牧草之王”。 2021年, 全世界紫花苜蓿种植面积33.33万km2, 我国陆地面积约960万km2, 然而紫花苜蓿的种植面积仅有4.3 km2。 我国现阶段对于紫花苜蓿的需求量远远达不到自给自足, 大部分紫花苜蓿都来自于国外进口。 资料显示, 自2008年开始, 我国草产品量的出口量就已经开始低于进口量, 且进口的规模逐渐扩大; 我国2021年草产品的进口总量为204.52万吨, 其中苜蓿干草178.03万吨, 苜蓿粗粉及颗粒进口5.23万吨, 苜蓿种子进口0.52万吨。 由此可见, 大力发展苜蓿是未来农业结构调整、 生产更多优质饲草的主要方向, 种植高产、 优质紫花苜蓿是目前我国提高优质饲草供给能力的前提。

地上生物量(above-ground biomass, AGB)是反映植物的一个重要指标, 主要反映植物生产力水平及物质积累[1], 同时也是评价作物产量的重要标准之一, 及时地估算植物的地上生物量有利于对其进行合理的农业监测与农业管理[2]。 叶绿素是植物在进行光合作用中不可或缺的色素之一, 也是评价植物光合作用和生长情况的重要标准之一。 有研究表明, 在一定时间内有效地估测绿色作物的叶绿素含量, 对于评价作物的健康状况、 预估产量以及智慧农业的发展具有重要的帮助[3]。 测量并得到较为准确的地上生物量和叶绿素含量能为紫花苜蓿生长过程中提供有效的动态管理与监测, 并由此判断紫花苜蓿的生长情况。

为了能够快速并且较为准确地得到植物的关键生长数据, 近年来人们开始使用遥感平台对农业种植的各种作物的地上生物量、 叶绿素含量以及其他指标进行检测以及估算[4]。 在遥感技术中, 无人机因其比较灵活, 且能涵盖更高的时间、 空间以及分辨率, 因此在农业中较多地运用于预估各种作物的生长关键指标。 传感器是无人机拍摄影像的主要工具, 目前无人机搭载的传感器主要有以下三种: 数码传感器、 多光谱传感器以及高光谱传感器。 本试验采用无人机的多光谱传感器进行试验地不同品种紫花苜蓿影像的采集, 其经济成本较为适中, 且包含了农业光学参数中较为关键的红边参数, 更适合在农业遥感中广泛应用。 近年来已经有许多学者采用无人机光谱进行了植物的生长检测以及生理生态指标的预估研究; Giuseppe Modic[5]等采用多光谱遥感技术结合NDVI和NDRE对橄榄树和柑橘树冠层进行检测和提取; 王来刚[6]等采用NDVI、 EVI和GNDVI 3种植被指数建模并以此预估玉米产量; Eder Eujcio da Silva[7]等采用SAVI和NDVI两种植被指数建模并预估大豆籽粒的产量, 都取得了较为满意的效果。 紫花苜蓿作为目前我国规模化、 机械化程度最高的饲草作物, 尚没有相关研究为其大面积栽培管理提供帮助。

本工作采用无人机搭载多光谱传感器, 采用SVM以及其优化模型对21个不同品种的紫花苜蓿的叶绿素含量和地上生物量的数据进行采集, 训练、 测试以及预估, 旨在采用无人机多光谱数据和SVM及其优化模型预估不同品种紫花苜蓿的地上生物量和叶绿素含量, 建立一种快速且准确的估算方法。

1 实验部分

1.1 试验地点和材料

试验地点位于江苏省扬州市扬州大学扬子津校区试验地, 扬州市属于亚热带季风性湿润气候向温带季风气候的过渡区, 四季分明, 日照充足, 雨量丰沛。 土壤主要分为黄棕壤、 潮土、 水稻土、 沼泽土4大类, 土壤的肥力和有机质含量的评价为良好[8]。 本试验选择适宜在南方种植的紫花苜蓿不同品种21个, 每个品种4个小区, 每个小区面积3 m×2 m, 播种量为2g·m-2, 行距20 cm, 每个小区9行。 紫花苜蓿品种信息如表1所示。

表1 试验使用的紫花苜蓿品种信息Table 1 alfalfa variety information used in the experiment

1.2 多光谱影像和紫花苜蓿数据的获取

1.2.1 无人机多光谱影像的获取

本试验采用大疆公司生产的多轴八旋翼无人机进行紫花苜蓿多光谱影像的采集, 采集时间为2021年5月10日, 无人机搭载多光谱相机(RedEdge-MX, MicaSense, America), 起飞前先用样板校准调零。 选择天气为晴朗无云无风, 采集时间为12:00-14:00, 拍摄时尽量保持太阳角度为90°, 航拍距离为100 m。

1.2.2 地上生物量(AGB)的测定

每个小区内采集紫花苜蓿的地上部分5株左右, 放置65 ℃烘箱内烘干。 等待其完全干燥后, 取其地上部分重量的平均数, 再乘以试验地的种植密度, 得到该小区的紫花苜蓿地上生物量。 本试验一共得到了63个地上生物量数据。

1.2.3 叶绿素含量的提取

叶绿素的提取参照Wellburn[9]等的方法, 于每个品种的紫花苜蓿小区内采集健康、 完整无病害的叶片, 弃去叶脉与叶柄, 将叶片用剪刀剪碎, 称量25 mg。 用二甲基亚砜(DMSO, 分析纯)于60 ℃避光条件下恒温水浴约2 h, 直到叶片呈白色为止, 取出上清液待测。 分别检测上清液于665和649 nm处的吸光度, 计算叶绿素采用式(1)-式(3):

物联网接入网关内置多种协议设备模板，可以将不同协议的设备数据转换为标准的软件组件，通过标准TCP/IP协议、支持XML的数据处理和开放的API为智能楼宇应用服务提供无缝的、统一的设备数据视图，从而实现数据融合处理和跨系统的互联互通。

叶绿素a(Chla, mg·L-1)=(12.19A665-3.45A649)V/1 000W

(1)

叶绿素b(Chlb, mg·L-1)=(21.99A649-5.32A665)V/1 000W[9]

(2)

叶绿素(Chl, mg·L-1)=Chla+Chlb

(3)

式(1)-式(3)中,A665和A649分别表示位于665和649 nm处的吸光度值;V为提取液DMSO的体积, 取5 mL;W为叶片重量(mg); 本试验共得到63个叶绿素含量数据。

1.2.4 多光谱波段反射率的提取与植被指数的选取

使用ENVI 5.3软件进行无人机多光谱影像处理, 将21个紫花苜蓿品种构建感兴趣小区(ROI), 取ROI的平均反射率作为该样地的平均反射率。 21个紫花苜蓿品种在五个波段的反射率如图1所示。

图1 21个不同品种紫花苜蓿的波段反射率band 1: 蓝光; band 2: 绿光; band 3: 红光; band 4: 红边; band 5: 近红外Fig.1 Band reflectance of 21 different varieties of alfalfaband 1: blue; band 2: green; band 3: red; band 4: red edge; band 5: near infrared

由图1可以看出, 21个不同品种的紫花苜蓿在band 3(红光)和band 5(近红外)反射率的差异较大, 因此后续挑选植被指数时主要在这2个波段进行筛选。

植被指数(vegetation indexes, VIs)是将多光谱数据特定波长的反射率进行一定组合, 以达到消除作物背景影响效果的一类参数。 无人机多光谱的传感器自带了以下5个波段: 蓝光(475 nm)、 绿光(560 nm)、 红光(670 nm)、 红边(720 nm)和近红外(840 nm)。 选取无人机多光谱传感器的5个波段以及NDVI、 EVI、 SAVI、 Green NDVI、 NDGI、 DVI、 NGBDI、 OSAVI、 NDRE和MSR 10个植被指数, 计算公式如表2所示。

表2 选取的植被参数Table 2 Selected vegetation indexs

1.3 模型构建与数据处理

使用ENVI 5.3软件进行无人机多光谱影像的处理, 取每个ROI平均反射率作为该样地的平均反射率, 共得到63个样本数据。 选取42个样本数据为训练样本, 21个样本数据为检验样本。

在预估模型的选择上, 采用支持向量机(support vector machine, SVM)及其经过智能算法优化后的模型进行不同品种紫花苜蓿品种的叶绿素含量和地上生物量值的数据训练和测试, 使用Matlab 2020b 进行数据集的训练、 测试与预估模型的建立, 最后将所有预估模型经过对比后选取测试集指标最佳的预估模型, 旨在构建准确率较高的预估模型快速且有效估算不同品种紫花苜蓿的地上生物量和叶绿素含量。

2 结果与讨论

2.1 不同预估模型的建立

本试验共采集到地上生物量和叶锰素含量各63个数据样本, 其中选取42个数据样本为训练集, 其余21个数据样本为测试集。 采用SVM进行21个不同品种的紫花苜蓿的地上生物量进行预估, 采用决定系数(coefficient of determination,R2)和均方根误差(root mean square error, RMSE)作为评价预估模型准确性的重要指标。 在基于SVM构建预估模型的过程中, 也采用智能算法: 鲸鱼优化算法(whale optimization algorithm, WOA)和灰狼优化算法(grey wolf optimizer, GWO)对SVM构建的预估模型进行优化, 再将三者进行对比, 以筛选出估算值更为准确的预估模型。

2.2 不同品种紫花苜蓿地上生物量的预估

在对不同品种紫花苜蓿的地上生物量建立好预估模型后, 三个模型中各个品种的地上生物量预估值与实测值的数据如图2所示, 三个不同预估模型的准确性评价指标如表3所示(R2越大, 表示该模型的准确性越好, RMSE越小, 表示该模型的准确性越好), 三个预估模型的测试集的线性回归如图3所示。

图2 不同预估模型的21个品种紫花苜蓿的地上生物量的预估椎与实测值Fig.2 Predicted and measured above-ground biomass of 21 varieties of alfalfa for different prediction models

图3 不同预估模型测试集对紫花苜蓿地上生物量的估算结果线性相关性程度为: WOA最优, GWO其次, SVM较差Fig.3 Estimation results of above-ground biomass of alfalfa from different prediction model test setsThe degree of linear correlation is: WOA is optimal, followed by GWO and SVM is poor

表3 不同模型的地上生物量的估算对比Table 3 Comparison of above-ground biomass estimation in different prediction models

在地上生物量的估算结果上, 从图2可以看出, 三种预估模型均能大致地预估不同品种紫花苜蓿的地上生物量, 并且能清晰地看出SVM预估模型的准确性相较于优化后的预估模型较差。 从表3的模型评价指标也可以看出, SVM预估模型的估算结果的精准度较低, 其模型测试集的R2值为0.839 8, RMSE值为447.746 5 kg·m-2。 然而在经过智能算法优化后的预估模型, 它们的测试集R2的值均超过了0.9(WOA优化模型为0.967 9, GWO优化模型为0.929 5), 且它们测试集的RMSE值也出现了不同程度地降低(WOA优化模型为273.678 3 kg·m-2, GWO优化模型为343.293 6 kg·m-2)。 由此可以看出, 经过智能算法优化后的SVM预估模型能够更好地预估不同种类的紫花苜蓿的地上生物量; 这一点也可以在图3中得以发现, 普通的SVM预估模型在测试集中的预算值与实测值的线性相关性较差, 数据的分布也较为离散。 而经过智能算法优化后, 其估算值与实测值的线形相关性相较于前者显得更好且数据分布也较为密集。 在这三种预估模型中, 其中经过WOA的智能算法优化后的SVM预估模型测试集的R2值高达0.967 9, 为三种预估模型中最高; 且其测试集的RMSE值为273.678 3 kg·m-2, RMSE值在三种模型中最低, 说明经过WOA智能算法优化后的预估模型在估算不同品种的紫花苜蓿的地上生物量时有较高的准确性。

2.3 不同品种紫花苜蓿叶绿素含量的预估算

在不同品种紫花苜蓿的叶绿素含量的估算中, 本试验使用了SVM、 WOA智能算法优化SVM和GWO智能算法优化SVM这三种模型对叶绿素含量的测试集进行估算, 三种预估模型的估算值与实测值数据如图4所示, 其评价指标R2与RMSE如表4所示, 线性回归效果如图5所示。

图4 不同预估模型的21个品种紫花苜蓿的叶绿素含量的预估值与实测值Fig.4 Predicted and measured chlorophyll content of 21 varieties of alfalfa for different prediction models

图5 不同预估模型测试集对紫花苜蓿叶绿素含量的估算结果线性相关性程度为: WOA最优, GWO其次, SVM较差Fig.5 Estimation results of chlorophyll content of alfalfa from different prediction model test setsThe degree of linear correlation is: WOA is optimal, followed by GWO and SVM is poor

表4 不同模型的叶绿素含量的估算对比Table 4 Comparison of chlorophyll content estimation in different models

比较估算叶绿素含量的结果, 从图4可以看出三种预估模型的叶绿素含量的预估效果均较好, 且同地上生物量一样, 优化后的预估模型的准确性较高。 从表4的评价指标可以看出, SVM预估模型的准确率最低, 其测试R2与RMSE均不是很好(R2为0.822, RMSE为0.255 2 mg·L-1)。 而经过WOA和GWO智能算法优化后的SVM预估模型的准确率得到了显著提高, 测试集的R2均出现了不同程度地提高, 同时RMSE也均出现了不同程度地降低; 经WOA和GWO算法优化后的预估模型的测试集R2值分别为0.919 4和0.912 1, RMSE值分别为0.213 9和0.248 9 mg·L-1。 同时, 一般的SVM预估模型预估值和实测值的线性相关性较差, 数据的分布也较为离散; 经WOA和GWO算法优化后的预估模型的数据分布相对较为密集, 其线性相关也相对于SVM更好, 说明在经过智能算法优化后的SVM预估模型其估算值准确率得到了显著提升。 在这三种预估模型中, 经过WOA智能算法优化后的SVM模型估算的不同品种的紫花苜蓿叶绿素含量准确性最好(图5)。

试验结果显示, 通过植被指数结合红边和近红外等无人机多光谱参数, 使用SVM及其优化算法构建叶绿素和地上生物量的估算模型, 证明了植被指数与多光谱数据可以正确地预估不同品种紫花苜蓿的叶绿素和地上生物量, 同时WOA和GWO优化算法能显著提高SVM估算模型的效果并且提高了模型的拟合性和精度。 通过多光谱数据成功建立预估模型后, 可以继续使用无人机携带高光谱传感器估算叶绿素和地上生物量, 探究在不同传感器下估算叶绿素和地上生物量能力的差异性。

3 结 论

(1)基于无人机多光谱和选取的10个植被指数可以较好地构建出叶绿素和地上生物量的SVM预估模型。

(2)经过优化算法处理后的SVM预估模型评价指标R2显著增大RMSE显著减小, 表明WOA和GWO优化算法能更准确地构建叶绿素和地上生物量的SVM预估模型。

(3)WOA智能算法优化后的SVM预估模型估算不同品种的紫花苜蓿的地上生物量和叶绿素含量的准确率最高。 地上生物量的预估模型R2为0.967 9, RMSE为273.678 3 kg·m-2; 叶绿素的预估模型R2为0.919 4, RMSE为0.213 9 mg·L-1。