无人机可见光影像对甜菜叶绿素含量的反演研究

刘智鑫,练雪萌,汪 旭,吴啟贤,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

叶绿素作为植物进行光合作用的主要色素,其含量与农作物生长状况、氮素含量、产量等有着极大的相关性,是农作物长势监测的重要指标[1,2]。了解叶绿素含量可以间接判断植物氮素含量,指导田间施肥等经营管理活动[3]。遥感因具有快速、无破坏、大尺度精细化监测等优点,在作物表型分析领域已展示出独特的优势。然而卫星遥感重访周期长、空间分辨率低,受大气条件影响大,制约其在作物表型精准分析中的应用。近年来,无人机(unmanned aerial vehicle, UAV)遥感因分辨率高、使用成本低、灵活性强等特点,为作物表型分析提供了良好的契机[4]。

甜菜是一种重要的经济作物,是可以经济地生产蔗糖(即糖)的仅有的两种植物来源之一[5]。在甜菜中,氮在叶片展开以捕获阳光的过程中发挥着关键作用,被认为是叶片和贮藏根生长速率的主要决定因素[6]。在甜菜生长周期的前70天,叶片中的氮浓度逐渐增加,随后随着生长周期的推进而降低[7]。叶片的叶绿素含量与氮素状态有关[8],叶绿素含量的降低和冠层衰老的加速通常发生在作物周期的结束阶段[9]。由于叶绿素浓度较低,低水平的氮会导致叶子呈现绿色[10],尽管在后期施用氮会增加叶片中的叶绿素浓度[11]。在甜菜生长周期的最后阶段,测定叶片中的氮水平变得尤为重要,因为已经证明后期氮的掺入或从土壤中释放会降低蔗糖含量[12]。此外,Draycott等人发现,超过最佳水平后,氮素会对糖产量产生负面影响。在夏季晚些时候释放大量氮的土壤具有较低的产量,这是因为极化(即生长期表观蔗糖含量)与氮素有效性成反比。此外,Gordo-Ingelmo报道了甜菜对氮肥增加的反应,叶片和根系发育更加旺盛,这反过来导致蔗糖的过度利用和非糖物质的增加。这种情况主要发生在过量施用有机肥的情况下,因为一部分氮素释放得太晚,导致根系停止成熟。

目前大多数关于光谱图像的研究都集中在诊断叶绿素含量上[13]。这些研究的方向包括分析光谱响应[14],在可见光和近红外图像的基础上,对敏感参数进行定量化与选择[15],以及对模型的优化。Yu等[16]发现,反射差分指数(RRDIs)的比例可以消除作物冠层结构对光谱反射特性的影响,从而提高叶绿素含量的估计。Gaurav等[17]使用多光谱相机收集了玉米冠层的谱数据,并使用机器学习构建了叶绿素含量的诊断模型。最优模型的决定系数(R2)为0.904。结果表明,机载多光谱传感器与机器学习的结合可以有效提高叶绿素含量的检测精度。上述研究概述了植被指数在估计叶绿素含量方面的能力,尤其是基于无人机在可见光、红边和近红外波段的采集,对植被的生理和生物化学有敏感的反应[14]。

在甜菜的生长过程中,叶绿素含量的监测对于实现增产和增糖的目标至关重要。然而,传统的田间测量方法难以满足大规模监测的需求,因此遥感技术被广泛应用于作物长势监测。近年来,无人机遥感技术的发展为作物表型分析提供了新的契机。我的论文旨在利用无人机遥感技术对甜菜生长进行监测,并建立与叶绿素含量相关的机器学习模型。选择了支持向量机(SVM)、随机森林(RF)和岭回归(RR)三种机器学习算法,并利用决定系数R2、均方根误差RMSE、归一化均方根误差NRMSE和平均绝对误差MAE等指标评价模型精度。本次研究基于9个不同施氮水平下甜菜的可见光遥感影像和田间实测冠层叶绿素含量。使用大疆精灵4无人机进行甜菜生长的监测,收集了甜菜冠层的图像数据。之后,将这些图像数据与实测的叶绿素含量进行比较,建立了与叶绿素含量相关的机器学习模型。

通过机器学习模型的应用,可以快速、准确地获取甜菜冠层的叶绿素含量,为甜菜的增产和增糖提供科学依据。同时,本次的研究结果也为利用无人机遥感技术进行作物长势监测提供了新的思路和方法

1 材料与方法

1.1 试验区概况

供试材料为甜菜“KWS1176”丸粒化种子,试验区位于黑龙江省哈尔滨市黑龙江大学呼兰校区甜菜种植基地,如图1所示,试验区株距0.14 m,行距0.16 m。

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

1.2 试验设计

试验于2022年3月到10月开展,在研究区域内,先施加25 kg/hm2磷酸二铵作为基肥,在苗期结束后(5月29日)进行9个不同水平的氮肥处理,这些处理包括0 kg/hm2(CK)、30 kg/hm2(N1)、60 kg/hm2(N2)、90 kg/hm2(N3)、120 kg/hm2(N4)、150 kg/hm2(N5)、180 kg/hm2(N6)、210 kg/hm2(N7)、240 kg/hm2(N8),每个处理都设置了4次重复,总共有36个试验小区,小区分布如图1所示。

1.3 无人机可见光影像数据采集

无人机可见光数据和大田甜菜样本数据根据甜菜的生长特性和关键生长期选择在以下日期进行采集:苗期:5月29日;叶丛快速生长期:6月9日、6月19日和7月5日;块根糖分增长期:7月22日、8月15日,以及糖分积累期10月13日。

1.3.1 无人机多光谱数据采集

本实验采用了大疆精灵4多光谱无人机(DJI P4 Multispectral)搭载的多光谱相机组成信息采集系统,该系统的地面分辨率是0.8厘米/像素。多光谱无人机相机镜头垂直于主航线拍摄,无人机飞行高度设置为15米,航速为5米/秒,航向重叠率为70%,旁向重叠率为60%。对试验区进行了连续监测。

表1 无人机主要参数Tab.1 Main parameters of UAV

1.4 大田数据采集

大田数据采集时间与无人机可见光影像数据采集时间相同。

1.4.1 叶绿素含量

在36个试验小区中一个小区取4株,避开最头上一两株,往里连续取(避免边际效应),每株甜菜叶片利用打孔器(避开叶脉)进行打孔取样,因丙酮与乙醇混合溶剂的提取效果显著高于单一溶剂[18],故取样后立即浸泡在丙酮∶无水乙醇(1∶1)的离心管中密封,并于黑暗条件下存放,直至样品完全变白为止。随后用紫外分光光度计分别测定波长在663 nm、645 nm处的吸光度值,根据叶绿素含量计算公式[19]:

Chla=12.7OD663-2.69OD645

Chlb=22.9OD645-4.86OD663

Cv=Chla+Chlb

计算叶绿素含量。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。

1.4.2 地上部产量、块根产量

在36个试验小区中,一个小区分两垄,每垄各取连续的10株,共20株,每垄的长度为1.4米,将甜菜的地上部和地下部分离后分别称重,随后利用试验设计中的株距和行距计算甜菜地上部和地下部的小区理论亩产量。

1.4.3 含糖率

在测产的20株甜菜中随机选取8株甜菜,利用糖度仪(日本爱拓PAL-1)进行锤度测定,测定的锤度值乘以82%即为含糖率。

1.5 数据分析与处理

植被指数已成功用于监测农作物的生长和预测农作物的产量[20]。本研究采用了以下三种模型方法:支持向量机(SVM)、随机森林(RF)和岭回归(RR)。

基于无人机获取的6种植被指数影像,利用上述三种机器学习模型对甜菜叶绿素含量进行反演。将无人机可见光影像数据导入DJI Terra软件,进行拼接、合成以及波段运算,得到了表2中的植被指数。

表2 植被指数计算公式Tab.2 Calculation formula of vegetation index

使用ArcGis10.6和ENVI5.3软件,将试验区划分为36个小区。接下来,对不同植被指数影像进行试验区识别、感兴趣区域选取、掩膜划分,并通过分区统计提取得到小区植被指数均值。

这些数据将用于进一步的分析和模型验证,以评估各种模型在预测甜菜叶绿素含量和叶面积指数方面的性能。通过比较不同模型的预测结果和实际观测数据的差异,可以选择出最适合的模型,用于预测和评估甜菜生长状况。

1.6 评价指标

在本次研究中,按照70%和30%的比例随机抽取实测样本数据,其中70%的数据样本用于构建甜菜叶绿素含量及叶面积指数预测模型,而30%的数据样本则作为验证集用于模型评价。最后采用以下指标来评估模型的精度: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(Normal-ized root mean squared error,NRMSE)和平均绝对误差(Mean Absolute Deviation, MAE)。计算公式如下:

2 结果与分析

2.1 不同施氮量对甜菜叶片叶绿素含量的影响

图2展示了试验周期内不同取样时间的甜菜叶片叶绿素含量方差分析图。第一张图比较了苗期和叶丛快速生长期的情况,而第二张图则比较了块根糖分增长期和糖分积累期的情况。在5月29日施用氮肥后,由于土壤本身施有底肥,甜菜在生长前期已能从土壤中获取足够的养分。因此,在苗期(5月29日),甜菜中的chl差异并不明显,在叶丛快速增长期(6月9日,6月19日)追施的氮肥已经开始发挥作用,与对照组相比已经有明显的差异,如图2所示。伴随着施氮时间的延长,叶片叶绿素含量(Chl)整体呈现先升高后下降的趋势。在7月5日取样时,各处理叶片chl达到最大值,并且随着氮素增加先增加后降低,相比对照组,N2-N8处理的甜菜叶片Chl显著更高。其中,在N6处理下,甜菜叶片Chl达到最大值,相比对照组增加了28.51%;N8处理的Chl相比对照组增加了16.78%。然而,在甜菜进入块根与糖分积累期后,叶片开始衰老,各处理下的甜菜叶片Chl呈现下降趋势。不过,施用高氮N2-N8处理的叶片叶绿素含量仍然显著高于对照组。

图2 不同施氮量对甜菜叶绿素含量的影响Fig.2 Effects of different nitrogen fertilizer rates on chlorophyll content in beet

2.2 不同施氮量对甜菜产质量的影响

图3展示了不同施氮量对甜菜地上部、地下部产量以及含糖率的影响,由图可知氮肥的施用对甜菜的地上部和地下部产量都有明显的影响。对比CK处理,所有施氮处理的地上部、地下部产量都有所增加且有明显差异,这进一步证明了氮肥对甜菜生长的重要性。在追施氮肥的情况下,N7处理的地上部产量最高,达到了1.75千克/亩。同样地,N7处理也是地下部产量最高的处理并且达到显著水平,为6.19千克/亩。N8处理的地上部和地下部产量虽然比N7处理低,但仍高于大多数处理,然而,含糖率的检测中,CK处理的含糖率最高,为17%。并且随着施氮量的增加,整体含糖率呈下降趋势, 在N6处理达到最低,为16.39%。

图3 不同施氮量对甜菜地上、地下部产量及含糖率的影响Fig.3 Effects of different nitrogen application rates on yield and sugar content in aboveground and underground parts of sugar beet

2.3 不同取样时间叶绿素与施氮量的相关性分析

图4展示了不同取样时间下,不同施氮量与田间实测叶绿素(Chl)的相关性分析结果。由于氮肥是在5月29日一次性施入的,因此施氮量与叶绿素在5月29日没有相关性。随着种植时间的延长,氮肥逐渐发挥作用。从6月9日(叶丛快速生长期)开始,相关系数稳步上升,至7月22日(块根糖分积累期)达到最大值,相关系数为r=0.855。随后,由于叶片衰老,各处理的甜菜叶片Chl呈现下降趋势。然而,不同氮肥量与甜菜Chl之间的相关系数仍在0.7以上。因此,可以通过植被指数建立模型来监测叶片叶绿素含量,为了解冠层氮营养和精准施肥提供参考。

图4 不同取样时间叶绿素与施氮量的相关性分析Fig.4 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反演模型的构建

2.4.1 甜菜糖分增长期叶绿素含量机器学习模型

基于不同机器学习模型反演叶绿素含量的三种 Chl 反演模型,如图5所示,在甜菜糖分增长期,三种模型反演效果为SVM>RF>RR,R2分别为0.74,0.55,0.34;RMSE分别为0.68,0.95,1.15;MAE为0.48,0.67,0.75;NRMSE为0.16,0.20,0.24。通过比较这些模型的R2、RMSE、MAE和NRMSE等评估指标,我们可以得出以下结论:SVM模型在预测甜菜糖分增长期叶绿素含量方面具有最佳的表现,其R2、RMSE等评估指标都优于RF和RR模型,表明SVM模型能够更好地解释数据变动,具有更小的预测误差和更好的预测效果。RF模型在预测叶绿素含量方面的表现次之,虽然RF模型的表现不如SVM模型,但在某些情况下,它仍然是一个有效的选择,例如当需要考虑变量间的相互作用和复杂关系时。而RR模型在预测叶绿素含量方面的表现最差,这些评估指标的值表明该模型在解释数据变动和预测误差方面都存在较大的问题。

图5 糖分增长期chl反演模型Fig.5 Chl inversion model during sugar increase

图6 糖分积累期反演模型Fig.6 Inverse Chl model for the period of sugar accumulation

图7 全时期chl反演模型Fig.7 Inverse Chl model for the whole period

2.4.2 甜菜糖分积累期叶绿素含量机器学习模型

在甜菜糖分积累期, SVM模型是唯一展现出良好反演效果的模型。具体来说,该模型的R2值达到0.74,这意味着它能够解释甜菜糖分积累期数据变动的74%。同时,RMSE值为0.27,表明该模型的预测误差较小。MAE值为0.18,说明平均而言,该模型预测的误差较小。NRMSE值为0.16,表明该模型在归一化处理后的预测误差也很小。

由此可见,在预测甜菜糖分积累期叶绿素含量方面,SVM模型具有最佳的表现。通过比较这些评估指标,我们可以清楚地看到SVM模型能够更好地解释数据变动、具有更小的预测误差和更好的预测效果。

2.4.3 甜菜整个生长期叶绿素含量机器学习模型

在甜菜整个生长期,三种反演模型(SVM、RF和RR)的反演效果存在显著差异。在这三种模型中,SVM模型在预测叶绿素含量方面表现出最佳的反演效果。具体来说,SVM模型具有较高的决定系数(R2=0.76),表明该模型能够解释甜菜生长过程中叶绿素含量变动的76%。同时,该模型的均方根误差(RMSE=0.53)和平均绝对误差(MAE=0.33)较低,归一化均方根误差(NRMSE=0.09)也较小,这表明该模型的预测误差较小,预测效果较好。

此外,SVM模型与植被指数之间存在显著的相关性,其模型为y=13+0.705x。这个模型可以有效地将植被指数与叶绿素含量联系起来,为利用无人机遥感监测甜菜生长过程中的叶绿素含量提供了方便。通过应用SVM模型,我们可以更好地利用无人机遥感技术来监测甜菜整个生长期的叶绿素含量,从而为农业生产提供更准确、更有效的参考信息。

3 讨论

在本次研究中,不同施氮量对甜菜叶片叶绿素含量具有显著影响。随着施氮量的增加,叶绿素含量呈现出先上升后下降的趋势,这与越鹏等人[21]的研究结果一致。此外,不同施氮量对甜菜地上部产量也有显著影响,表现为随着施氮量的增加,地上部产量逐步增加,并在N7处理达到最大值,随后逐渐降低,整体也呈先上升后下降的趋势。然而,对于地下部产量而言,除N6、N7处理外,N1-N5处理地下部产量虽增加,但并未达到显著影响水平。而对于含糖率而言,随着施氮量的增加,整体呈下降趋势,其中N6、N7处理下降趋势显著。

许多研究表明,随着施氮量的增加会导致叶片和冠部发育更加茂盛,同时根系成熟速度减慢,根系含糖量降低。此外,氮肥施用过量会导致甜菜植株生长过快,根系发育不良,根质量可能会降低[10,22-24]。LAST P等人[25]的一项为期六年的田间研究(1973-1978)表明,硝酸铵施肥和灌溉对甜菜产量和质量有影响。甜菜根产量随干物质积累量的增加而线性增加。然而,在大多数情况下,增加氮肥会得到更高的根产量,但相反,高氮量降低了根中的糖含量。DE SOUZA BRAZ A M等人[26]在克罗地亚进行了两年的研究后指出,基本施肥量为6.7公斤/亩的尿素可使根产量从平均3.84吨/亩(对照)增加到4.09吨/亩,糖含量从平均15.7%(对照)增加到15.8%。这表明,在一定范围内,增加氮肥的施用量可以促进甜菜的生长和产量。但是,超过一定限度后,增加氮肥的施用量可能会对甜菜的生长产生负面影响

在本次研究中,支持向量机(SVM)模型在反演叶绿素含量方面表现最佳。由于在本次研究中,甜菜叶绿素含量为小样本数据,且不同取样时期的数据呈现出非线性关系。SVM模型是一种基于核方法的分类器,能够有效地处理小样本数据并且具有较好的泛化能力。此外,SVM模型在处理高维数据时具有优势,可以挖掘出数据中的非线性关系。因此,在甜菜的生长期内,SVM模型能够较好地反演叶绿素含量。这一结果与刘朝相等人[27]的研究结果一致。

总的来说,本研究表明无人机遥感技术可以用于估测甜菜的叶绿素含量,为实现精准施氮、增产、增糖和增收提供了新的理论依据。然而,需要注意的是,本研究仅针对一种作物进行了研究,因此需要进一步研究其他作物的遥感估测方法。此外,在实际应用中,还需要考虑无人机操作的安全性、效率和精度等因素。

4 结论

本研究基于无人机可见光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。根据实验结果:在甜菜的糖分增长期、糖分积累期和整个生长期,基于植被指数的SVM模型都能够较好地反演甜菜冠层叶绿素含量,并具有较好的预测能力。因此,可以使用这种模型来指导农业精准施氮,实现甜菜的增产增效。