基于无人机多光谱影像的冬小麦SPAD值和氮素值估测研究

摘要：

为探究无人机多光谱反演冬小麦SPAD值和氮素值含量的模型估算潜力，采用大疆精灵4多光谱版一体化无人机获得冬小麦返青期与拔节期30m和60m两个高度下的多光谱影像。利用ENVI和ArcGIS软件对图像进行分析处理，与地面采集的叶绿素含量和氮含量进行回归分析。采用线性、非线性、二元、逐步回归、BP神经网络、随机森林回归的方法对植被指数与SPAD值、氮含量建立拟合模型以对叶绿素含量和氮含量进行估测，综合比较返青期与拔节期的数据。研究表明，拔节期数据拟合精度明显高于返青期，30m高度下的植被指数与SPAD值和氮含量通过线性与非线性方法获得的模型拟合精度优于60m，最优模型的决定系数R²分别为0.825和0.813。60m高度下，二元回归分析、逐步回归分析、BP神经网络以及随机森林回归模型中的拟合精度均优于30m，对应两个生长时期的最优模型决定系数R²分别为0.882和0.852、0.891和0.895、0.952和0.949、0.924和0.946。

关键词：冬小麦；氮含量；无人机；SPAD值；BP神经网络

中图分类号：S226.5

文献标识码：A

文章编号：2095-5553 （2025） 01-0144-07

Estimation of SPAD and nitrogen values of winter wheat based on unmanned

aerial vehicle multispectral images

Liu Bingjie， Yuan Donghao， Ding Li， Li Yuqi， Xu Yigao， Wang Wanzhang

（Henan Agricultural University， Zhengzhou， 450053， China）

Abstract：

In order to explore the model estimation potential of unmanned aerial vehicle （UAV） multispectral inversion of winter wheat SPAD value and nitrogen value content， multispectral images of winter wheat at 30m and 60m height were obtained by DJI Phantom4-M multispectral version. ENVI and ArcGIS software were used to analyze and process the images， and regression analysis was carried out with the chlorophyll content and nitrogen content collected on the ground. In this paper， linear， nonlinear， binary， stepwise regression， BP neural network and random forest regression methods were used to establish a fitting model for vegetation index， SPAD value and nitrogen content to estimate chlorophyll content and nitrogen content， and comprehensively compare the data of greening stage and jointing stage. The results showed that the fitting accuracy of the data in the knotting stage was significantly higher than that in the greening stage. The fitting accuracy of the vegetation index， SPAD value and nitrogen content obtained by linear and nonlinear methods at 30m height was better than that of the model at 60m， and the determination coefficients of the optimal model R²"were 0.825 and 0.813， respectively. At the height of 60m， the fitting accuracy of binary regression analysis， stepwise regression analysis， BP neural network and random forest regression model was better than 30m. The optimal model determination coefficients R²"corresponding to the two growth periods were 0.882 and 0.852， 0.891 and 0.895， 0.952 and 0.949， 0.924 and 0.946， respectively.

Keywords：

winter wheat; nitrogen content; unmanned aerial vehicle （UAV）; SPAD value; BP neural network

0"引言

叶绿素是植物制造有机物质，进行光合作用必不可少的成分，氮素也对植物的生长起着十分重要的作用，因此，研究叶绿素、氮含量对冬小麦生产具有重要指导意义。近年来，无人机遥感技术的发展逐步推动农业研究更加高效便利，无人机搭配可见光与多光谱相机，对数据进行高效采集，在短时间内获取田间信息，将其与农艺参数相结合，建立反演建型，对田间作物的类型、农艺参数的估计以及冬小麦的生长和叶绿素营养状况的诊断与监测具有重要的指导意义。

返青期和拔节期是小麦生长的关键时期，研究冬小麦叶绿素含量、氮含量与所采集数据之间的相关性，可以精确判断小麦施肥情况与生长状况。国内外学者对此做了大量研究，日本^［1］利用无人机搭载商用数码相机对大麦叶片的SPAD值进行估算，选取了4个生长阶段和两个飞行高度估测SPAD值，并取得较好反演效果；德国^［2］利用无人机高光谱相机生成高光谱图像，提出建立偏最小二乘回归模型，用于小麦的叶面积指数LAI和SPAD值的估计，同时预估小麦的产量并得到验证；美国^［3］利用对近红外敏感的RGB相机和机器学习的方法对玉米作物的NDVI（归一化植被指数）进行精确估计。刘昌华等^［4］利用八旋翼无人机搭载Mini-MCA多光谱相机获取冬小麦4个时期（返青期、拔节期、孕穗期、扬花期）的多光谱数据，根据各关键生育期与全生育期分别构建植被指数与农学参数回归分析模型，评估基于无人机遥感影像的冬小麦氮素营养诊断的潜力。董超等^［5］利用无人机搭载Sequoia多光谱传感器，采集试验区不同氮素施肥水平的冬小麦返青初期多光谱影像，同时测得冬小麦冠层叶绿素含量（SPAD）数据及产量数据，结果构建的氮肥变量图与实际数据有较高的一致性。刘涛等^［6］采用大疆精灵4多光谱版一体化无人机（Phantom4-M，P4M）获取小麦冠层多光谱影像数据，在不同飞行高度（30m、60m、120m）下进行研究，得到60m高度下的光谱系数与植被指数相关性最高。然而，当前研究中多集中于SPAD值与植被指数的结合，在针对灌溉施肥关键时期的返青期研究较少。

本文采用无人机30m和60m两个飞行高度对返青期和拔节期的小麦进行研究对比，基于两个不同飞行高度和两个生育期获得的数据，通过多种不同的回归方法来分析植被指数与SPAD值、氮含量之间的相关性，建立反演模型估测小麦叶绿素和氮素含量，为监测小麦长势以及农业管理做好准备。

1"数据获取

1.1"试验区与试验设计

无人机多光谱数据采集地点位于河南省郑州市中牟县刘集镇（113°55′E，34°7′N），刘集镇北依黄河，南临县城新区，地势平坦，土地肥沃，有“小江南”之称，全年日照充足，降雨量适中。

无人机航向由西向东，“Z”型移动拍摄。数据获取时间为2023年3月5日13点（返青期）和2023年3月29日13点（拔节期）。飞行时，天气晴朗，风力较小，采用大疆精灵4多光谱版无人机（图1）获取小麦冠层多光谱影像数据。此设备有一个可见光通道和5个多光谱通道（蓝、绿、红、红边、近红外），风力对其影响较小，能稳定保持在设定高度，飞行器起飞重量1380g，最大上升速度6m/s，最大水平飞行速度20m/s，飞行续航28min，电池容量5 350mAh，每张照片像素在两百万以上。无人机可以自动根据地理位置和时间感知太阳夹角进行影像补偿。在地面布置5个像控点，利用无人机航路规划系统规划预期航线，设置飞行高度30m和60m。

两个高度下拍摄的影像数分别为1 596张和456张，使用Pix4D mapper软件将图片拼接，得到两个高度下的可见光图片和每个高度下的5张多光谱通道（B、G、R、RE、NIR）的影像，将图片和影像导入ENVI中进行数据波段计算和数据分析。将多光谱通道下的红光（R），绿光（G），近红外（NIR）经过归一化处理后的影像波段分别记为s1、s2、s3。五种植被指数计算公式如表1所示。

无人机数据采集后，在地面的5个像控点处使用北斗/GNSS接收器在其中心处打点，便于后续明确导入地理数据信息与实际之间是否存在偏差，以及后续对地理位置的校正提供依据。在田地间划分区域采用“Z”字形顺序打点，每个点周围用叶绿素测定仪进行5次测量，并保证打点和测量点分布相对均匀。最后导出打点器以及叶绿素和氮含量测量仪测得的数据，将每个点处的5次测量值取平均值，作为打点位置的叶绿素含量。打点位置如图2所示，冬小麦数据统计特征如表2所示。

1.2"影像构建与光谱指数选择

将Pix4D合成的影像导入ENVI5.3，按照表3进行波段运算和归一化处理，合成过程影像如图3所示。

将处理过的数据影像导入ArcGIS中，再将打点器上记录的数据导入后，添加X、Y所对应的地理位置信息，在图像上显示出打点位置，将数据提取至点，导出每个点对应的植被指数。将采集的叶绿素、氮含量数据与导出点的植被指数一一对应。筛选出植被指数与叶绿素含量、氮含量拟合程度较高的几个植被指数（NDVI、DVI、RVI、OSAVI、SAVI）。以返青期为例详细分析每种回归分析所得的数据模型。

2"结果与分析

2.1"线性与非线性回归分析

对数据采用不同的拟合方式进行分析，以提取的植被指数作为自变量，SPAD值和氮素值作为因变量。决定系数R²越大，均方根误差RMSE越小，则其拟合相关性越高，对于数据的预测准确性也就越高，反之则相关性低，精确度低。数据分析结合图像，采用线性和非线性，其中非线性包括指数、多项式、对数、乘幂，得到植被指数所关联最高的R²的方程式如表4、表5所示。

从表4和图4可以看出，多光谱植被指数与SPAD值的线性与非线性回归分析中，不同的植被指数决定系数R²分布在0.7左右的占比较大，其中拟合程度最高的模型R²为0.735 0，RMSE为1.303。从表4和图5可以看出，多光谱植被指数与氮含量的回归分析中，不同的植被指数决定系数R²分布在0.6～0.7左右的较多，其中拟合程度最高的模型R²为0.736 7，RMSE为0.030 9，以R²作为评估标准选出最稳定且精度最高的模型。线性与非线性回归分析建模速度较快，计算简便，但具有一定的局限性。

2.2"二元回归分析

取30m高度下R²＞0.7的植被指数和60m高度下R²＞0.6的植被指数分别进行二元回归分析。对两个高度下NDVI和RVI，NDVI和OSAVI，NDVI和SAVI，RVI和OSAVI，RVI和SAVI，OSAVI和SAVI，分别与SPAD值、氮含量进行回归分析得到决定系数R²，结果如表6所示。

2.3"逐步回归分析

基于逐步回归分析方法旨在从几个变量中建立“最优”的多元回归方程，采用依次增加输入变量的方法探究植被指数分别与SPAD值和氮含量估测值之间的最优回归。将R²＞0.7的植被指数（NDVI、RVI、OSAVI、SAVI）作为输入变量逐步分别对SPAD值和氮含量进行回归分析，拟合回归的决定系数如表7所示。

对比得到60m高度下以NDVI、RVI、OSAVI、SAVI这4个为输入变量时，决定系数最大。逐步回归分析估测值与实测值拟合模型如图6、图7所示。

2.4"BP神经网络的回归

基于BP神经网络的回归分析，网络实质上完成从输入到输出的映射功能，数学理论证明其有实现复杂非线性映射的功能，使得这种方法非常适用于求解内部机制十分复杂的问题，并且神经网络具有一定的推广和概括的能力，可以处理高维数据，并且自适应能力强，还有较强的学习能力，计算能力也很强大^［１４］。BP神经网络为一种多层的神经网络，因采用BP算法，所以被称为BP神经网络，主要用于模式识别、分类、函数逼近、数据压缩等^［１5］。

将植被指数数据和SPAD值与氮含量导入到MATLAB中，利用BP算法编程分别对SPAD值和氮含量进行估测，将多光谱植被指数（NDVI、RVI、OSAVI、SAVI）分别与SPAD值、氮含量作为BP神经网络模型的输入变量，构建分别关于SPAD值和氮含量的BP神经网络回归分析模型，并且分析计算出模型的决定系数R^2［16］。将前20行作为训练测试，对数据构建模型分析，输入数据后得到结果：在30m高度下，植被指数与SPAD值和氮含量之间的决定系数R²分别为0.907 5和0.907 7，RMSE分别为2.235 6和0.499 8，60m高度下的决定系数R²分别为0.923 8和0.931 6，RMSE分别为1.845 6和0.738 8。60m高度下的植被指数与氮含量之间的拟合程度更高。

2.5"基于随机森林回归分析

随机森林（Random Forest）可以同时训练多棵决策树模型，然后将得到的结果结合在一起就得到最终的结果^［17］。随机森林方法可以用于分裂和回归。主要区别取决于对决策树类型的选取，根据具体的数据模式选择适用其类别的决策树模型。随机森林优点在于数据集上表现较好，通过两个随机性的引入，降低随机森林陷入过拟合的概率，但是对于较小的数据集也是有可能过拟合，因此还是需要注意。两个随机性的引入，赋予随机森林较好的抗噪能力，使随机森林模型能够处理较高维的数据类型，而且不用进行特征选择，对于数据集的适应能力也比较强^［18］。既可以处理离散性的数据，也可以处理连续型的数据，并且数据集不需要进行规范化，最重要是其训练速度快，实现简便。

将数据导入MATLAB中，按照代码进行模型构建以及数据的分析和预测^{［19， 20］}。将多光谱植被指数（NDVI、RVI、OSAVI、SAVI）分别与SPAD值和氮含量作为随机森林模型的输入变量，构建分别关于SPAD值和氮含量的随机森林回归分析模型，并且分析计算出模型的R²。

将数据全部打乱顺序，前20行作为训练集，构建数据模型分析，输入数据得到结果在30m高度下，植被指数与SPAD值和氮含量之间的决定系数R²分别为0.875 6和0.854 9，RMSE分别为2.365 6和2.443 8，60m高度下的决定系数R²分别为0.883 8和0.872 6，RMSE分别为2.845 4和2.921 3。60m高度下的植被指数与SPAD值和氮含量之间的拟合程度更高。BP神经网络和随机森林数据整合如图8所示。

2.6"返青期与拔节期回归数据整合

对拔节期的数据同样以线性，非线性，二元，多元回归，以及BP神经网络，随机森林回归方法进行分析，结果如表8所示。可以得出拔节期数据相对于返青期，模型决定系数更高，对于SPAD值和氮含量的估测也更具有可靠性。

3"讨论

基于无人机多光谱遥感技术提取冬小麦植被指数，进行回归分析，对冬小麦返青期和拔节期两个生长时期的SPAD值和氮含量进行估测。其中线性与非线性回归分析中，拔节期30m高度下植被指数NDVI和RVI与SPAD值和氮含量具有较高的相关性，估算模型决定系数R²分别为0.825和0.813（前者为SPAD，后者为氮含量，以下相同）。二元回归中拔节期60m高度下以NDVI和OSAVI为输入变量的模型决定系数R²分别为0.882和0.852，具有较高的模型精度。拔节期逐步回归分析中，60m高度下以NDVI、RVI、OSAVI、SAVI四个植被指数为输入变量时模型精度最高，R²分别为0.891和0.895。拔节期采用BP神经网络对SPAD值和氮含量进行回归分析时60m高度下的模型决定系数R²分别为0.952和0.949。拔节期利用随机森林进行回归分析，60m高度下植被指数与SPAD值之间的决定系数R²为0.924，60m高度下植被指数与氮含量之间的决定系数R²为0.946。对比表8可知，返青期的数据回归模型拟合程度总体上较拔节期低。

4"结论

1） "返青期与拔节期两个时期对于SPAD值和氮含量，通过二元回归分析，逐步回归分析，BP神经网络以及随机森林回归模型分析，均得到60m高度下的决定系数大于30m高度下的决定系数。总体上，60m高度下的回归拟合精度较高。

2） "二元回归分析，逐步回归分析，BP神经网络以及随机森林回归模型中拟合精度最高的模型是60m高度下通过BP神经网络算法获得的。

3） "拔节期数据拟合精度明显高于返青期，30m高度下的植被指数与SPAD值和氮含量通过线性与非线性方法获得的模型拟合精度优于60m，最优模型的决定系数R²分别为0.825和0.813。60m高度下，二元回归分析、逐步回归分析、BP神经网络以及随机森林回归模型中的拟合精度均优于30m，拔节期数据回归拟合程度好于返青期。

参"考"文"献

［1］

Liu Y， Hatou K， Aihara T， et al. A robust vegetation index based on different UAV RGB images to estimate SPAD values of naked barley leaves ［J］. Remote Sensing， 2021， 13（4）： 686.

［2］

Kanning M， Kühling I， Trautz D， et al. High-resolution UAV-based hyperspectral imagery for LAI and chlorophyll estimations from wheat for yield prediction ［J］. Remote Sensing， 2018， 10（12）： 2000.

［3］

Wang L， Duan Y， Zhang L， et al. Precise estimation of NDVI with a simple NIR sensitive RGB camera and machine learning methods for corn plants ［J］. Sensors， 2020， 20（11）： 3208.

［4］

刘昌华， 王哲， 陈志超， 等. 基于无人机遥感影像的冬小麦氮素监测［J］. 农业机械学报， 2018， 49（6）： 207-214.

Liu Changhua， Wang Zhe， Chen Zhichao， et al. Nitrogen monitoring of winter wheat based on unmanned aerial vehicle remote sensing image ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（6）： 207-214.

［5］

董超， 赵庚星， 宿宝巍， 等. 基于无人机多光谱影像的冬小麦返青期变量施氮决策模型研究［J］. 光谱学与光谱分析， 2019， 39（11）： 3599-3605.

Dong Chao， Zhao Gengxing， Su Baowei， et al. Decision model of variable nitrogen fertilizer in winter wheat returning green stage based on UAV multi-spectral images ［J］. Spectroscopy and Spectral Analysis， 2019， 39（11）： 3599-3605.

［6］

刘涛， 张寰， 王志业， 等. 利用无人机多光谱估算小麦叶面积指数和叶绿素含量［J］. 农业工程学报， 2021， 37（19）： 65-72.

Liu Tao， Zhang Huan， Wang Zhiye， et al. Estimation of the leaf area index and chlorophyll content of wheat using UAV multi-spectrum images ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（19）： 65-72.

［7］

Rouse J W. Monitoring the vernal advancement of retrogradation （green wave effect） of natural vegetation ［J］. Nasa/gsfc Type Iii. final Report. greenbelt Md， 1974.

［8］

Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation ［J］. Remote Sensing of Environment， 1979， 8（2）： 127-150.

［9］

Jordan C F. Derivation of leaf-area index from quality of light on the forest floor ［J］. Ecology， 1969， 50（4）： 663-666.

［10］

Rondeaux G， Steven M， Baret F. Optimization of soil-adjusted vegetation indices ［J］. Remote Sensing of Environment， 1996， 55（2）： 95-107.

［11］

Huete A R. A soil-adjusted vegetation index （SAVI） ［J］. Remote Sensing of Environment， 1988， 25（3）： 295-309.

［12］

牛庆林， 冯海宽， 周新国， 等. 冬小麦SPAD值无人机可见光和多光谱植被指数结合估算［J］. 农业机械学报， 2021， 52（8）： 183-194.

Niu Qinglin， Feng Haikuan， Zhou Xinguo， et al. Combining UAV visible light and multispectral vegetation indices for estimating SPAD value of winter wheat ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（8）： 183-194.

［13］

Broge N H， Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area indexand canopy chlorophyll density ［J］. Remote Sensing of Environment， 2001， 76（2）： 156-172.

［14］

徐云飞， 程琦， 魏祥平， 等. 变异系数法结合优化神经网络的无人机冬小麦长势监测［J］. 农业工程学报， 2021， 37（20）： 71-80.

Xu Yunfei， Cheng Qi， Wei Xiangping， et al. Monitoring of winter wheat growth under UAV using variation coefficient method and optimized neural network ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（20）： 71-80.

［15］

周敏姑， 邵国敏， 张立元， 等. 无人机多光谱遥感反演冬小麦SPAD值［J］. 农业工程学报， 2020， 36（20）： 125-133.

Zhou Mingu， Shao Guomin， Zhang Liyuan， et al. Inversion of SPAD value of winter wheat by multispectral remote sensing of unmanned aerial vehicles ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（20）： 125-133.

［16］

李冰， 刘镕源， 刘素红， 等. 基于低空无人机遥感的冬小麦覆盖度变化监测［J］. 农业工程学报， 2012， 28（13）： 160-165.

Li Bing， Liu Rongyuan， Liu Suhong， et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（13）： 160-165.

［17］

郭伟， 朱耀辉， 王慧芳， 等. 基于无人机高光谱影像的冬小麦全蚀病监测模型研究［J］. 农业机械学报， 2019， 50（9）： 162-169.

Guo Wei， Zhu Yaohui， Wang Huifang， et al. Monitoring model of winter wheat take-all based on UAV hyperspectral imaging ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（9）： 162-169.

［18］

邓尚奇， 赵钰， 白雪源， 等. 基于无人机图像分割的冬小麦叶绿素与叶面积指数反演［J］. 农业工程学报， 2022， 38（3）： 136-145.

Deng Shangqi， Zhao Yu， Bai Xueyuan， et al. Inversion of chlorophyll and leaf area index for winter wheat based on UAV image segmentation ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（3）： 136-145.

［19］

Jin X， Zarco-Tejada P J， Schmidhalter U， et al. High-throughput estimation of crop traits： A review of ground and aerial phenoty^**"platforms ［J］. IEEE Geoscience and Remote Sensing Magazine， 2020， 9（1）： 200-231.

［20］

刘帅兵， 杨贵军， 景海涛， 等. 基于无人机数码影像的冬小麦氮含量反演［J］. 农业工程学报， 2019， 35（11）： 75-85.

Liu Shuaibing， Yang Guijun， Jing Haitao， et al. Retrieval of winter wheat nitrogen content based on UAV digital image ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（11）： 75-85.