基于無人機多光譜技術的甜菜冠層葉綠素含量反演

汪旭，鄧裕帥，練雪萌，王宇光，於麗華，耿貴

（黑龍江大學現代農業與生態環境學院，哈爾濱 150080）

0 引言

葉綠素是光合作用、合成植物有機物的重要生長指標，其作為植物物質和能量來源的基礎，是衡量作物產量和植物長勢的指示器[1]。同時，葉綠素與葉片氮含量密切相關，研究葉綠素含量變化可為高效施氮和合理施氮提供理論依據[2]。甜菜是重要的經濟作物和戰略物資，也是我國主要的糖料作物之一，實現對甜菜生長狀況及產量監測是推動當下社會經濟發展的迫切需求，監測甜菜冠層葉綠素含量的生長動態變化有助于實現甜菜增產增糖的目標。無人機（Unmanned aerial vehicle,UAV）指通過無線遙控與規劃航線飛行的無人駕駛飛機，其與搭載的多光譜相機結合實現對地面進行遙感探測的技術稱為無人機多光譜技術。目前，遙感技術能夠快速、高效、無損探測及評價植物健康生長狀況，并且對指導精準農業的發展具有重要意義[3]。

近年來，在地面大田農作物的測量中，傳統的化學提取方法，存在較大的破壞性和不可恢復性，且工作量大，耗時長，效率低，不具備大規模實時監測能力[4]。遙感技術具有機動靈活、操作簡便、時空分辨率高等顯著優勢，這使得遙感技術廣泛應用于葉綠素含量的監測估算[3,5]。李宗飛等[1]采用ASD 野外高光譜儀對甜菜不同生育時期的葉綠素含量與光譜特征參數和敏感植被指數構建估算模型。魏青等[2]通過無人機多光譜遙感影像，選取16 種光譜植被指數，采用一元二次線性回歸和逐步回歸分析方法建立冬小麥多個生育期及全生育期的SPAD 值估測模型，結果證明，檢測冬小麥SPAD 值效果最好的是逐步回歸模型。陳浩等[3]以不同氮水平下夏玉米的葉綠素含量結合無人機多光譜技術，選取10種植被指數與田間實測葉綠素含量建立逐步回歸模型。田明璐等[5]利用成像光譜儀獲取高光譜影像，選取27個光譜參數，并用多元逐步回歸和偏最小二乘回歸方法建立了棉花冠層葉綠素含量的預測模型。李粉玲等[6]通過對高分一號衛星數據和冬小麥葉片SPAD值進行分析，并且提取18種對葉綠素敏感的寬波段光譜指數進行反演模型，認為隨機森林回歸算法模型對冬小麥葉片SPAD值估算效果最佳。劉昌華等[7]以八旋翼無人機搭載多光譜相機，構建植被指數與冬小麥不同生育期氮素指標的估測模型。衛星遙感雖能對農作物葉綠素含量等指標進行大規模高效無損監測，但也存在分辨率低、成本高、建模算法不同會對結果產生影響以及反射率受混合像元的影響等缺點[6]；高光譜無人機遙感成本高，處理信息量較大，樣本數量多[4]；背掛式高光譜儀測量范圍小，工作時間長，受人為因素和環境因素影響較大；而多光譜無人機遙感平臺具有成本低，分辨率高，縮減了數據處理的工作量，便攜方便等特點，彌補了衛星遙感、高光譜等技術的不足之處[8]，多光譜無人機技術多運用于玉米、小麥、水稻、棉花等農作物的監測。楊榮超等[9]采用便攜式ASD 光譜儀和SPAD-502 葉綠素儀對甜菜不同生育時期的實測SPAD值構建估測模型；王輝等[10]利用ASD光譜儀和SPAD-502葉綠素儀測定甜菜葉片SPAD值，通過對比植被指數的回歸模型及波段深度分析建立多元回歸估測模型；劉娜等[11]測定甜菜苗期不同灌溉處理對甜菜不同生育時期葉綠素含量的影響?？梢?，甜菜葉綠素含量測定多見于高光譜以及其他脅迫處理等研究，在多光譜無人機監測方面少有報道。

本研究以不同施氮水平下的甜菜為研究對象，在分析氮營養與甜菜葉綠素含量相關性的基礎上，結合無人機多光譜技術，在甜菜葉叢快速生長期，通過拼接、合成、運算方法對植被指數與大田實測葉綠素含量采用回歸分析的方法構建最佳的估測模型，以期實現監測甜菜冠層葉綠素含量的生長動態變化和實現甜菜增產增收的目標，為田間精準管理提供理論依據。

1 材料與方法

1.1 試驗區概況

供試材料為甜菜‘Hi0477’，試驗區位于內蒙古自治區額爾古納市甜菜種植基地（120°25′37″E，50°14′28″N），如圖1所示，地處內蒙古自治區大興安嶺西北麓，呼倫貝爾草原北端，是我國主要的甜菜生產基地。試驗區屬寒溫帶大陸性氣候，年平均氣溫在-2.0～3.0 ℃之間，年降水量為200～280 mm，日照時間為2 500～3 000 h[12]，試驗區株距18 cm，行距50 cm。

圖1 研究區示意圖Fig.1 Schematic diagram of study area

1.2 試驗設計

試驗于2021年5—9月開展，研究區每公頃施復合肥900 kg（N 10%、P2O516%、K2O 15%）作為基肥，在此基礎上共設置5 個不同水平的追施氮肥處理，分別為0 kg/hm2（N0）、30 kg/hm2（N1）、60 kg/hm2（N2）、90 kg/hm2（N3）、120 kg/hm2（N4），每個處理重復3 次，在6 月22 日追肥一次，無人機于7 月1 日、7 月16 日、8 月3 日采集甜菜葉叢快速生長期和塊根糖分增長期的遙感影像圖像，共設15個試驗小區。

1.3 無人機多光譜數據采集

本試驗采用大疆精靈4 多光譜無人機（DJI P4 Multispectral）機載多光譜相機組成信息采集系統，地面分辨率是0.8 cm/pixel，無人機主要參數，起飛質量：1 487 g；航行速度：5 m/s；續航時間：27 min；電池電荷量：5 870 mh/A；飛行高度：180 m；對角線軸距：350 mm。多光譜相機的主要參數，像素：200 萬；視場角：62.7°；焦距：5.74 mm；紅光波段：650±16 nm；綠光波段：560±16 nm；藍光波段：450±16 nm；紅邊波段：730±16 nm；近紅外波段：840±26 nm。為降低天氣因素等影響，數據采集選擇上午9：00～12：00，晴朗無云天氣展開作業。多光譜相機鏡頭垂直主航線，設定飛行高度15 m，航速5 m/s，航向和旁向重疊度分別為60%和40%，對試驗區進行連續監測（見圖1）。

1.4 葉綠素含量測定

葉綠素含量測定取樣當天與無人機多光譜測定時間同步，在15個試驗小區中從每個小區隨機選取3株甜菜，每株甜菜植株利用打孔器切取2 cm2左右葉片（避開主葉脈）切成0.33 mm×2 cm 的細絲，將葉片細絲浸泡在丙酮∶無水乙醇為1∶1 的刻度試管溶液中密封，立即放入泡沫箱中于黑暗條件下迅速帶回，直至細絲完全變白為止（過夜即可）。其過程中間輕輕搖晃試管，可縮短提取時間。隨后用分光光度計分別測定浸提液在663 nm、645 nm波長處的吸光度，根據葉綠素含量計算公式[1,13]：

式中：Chla、Chlb分別表示提取液中葉綠素a、葉綠素b 的濃度（μg/mL）；CA為單位葉面積的葉綠素含量（mg/dm2）；CA和CV的下標A和V表示面積和體積，S為用于提取葉綠素的葉片面積。

1.5 數據分析與處理

植被指數是通過綠色植被在不同波段的反射和吸收的特性，對不同波段進行線性或非線性的計算，以此作為提取植被信息數據和估測植被生長狀況的重要指標[14]。目前，對農作物遙感監測生理狀況的光譜影像數據進行反演的方法有經驗模型法、物理模型法和統計模型法。本試驗采用經驗模型法對甜菜葉綠素含量進行反演，將獲取的無人機多光譜影像數據導入DJI Terra 軟件進行拼接、合成以及波段運算得到歸一化植被指數（NDVI）、綠色歸一化植被指數（GNDVI）、歸一化差異紅邊指數（NDRE）、葉片葉綠素指數（LCI）、優化土壤調整植被指數（OSAVI）影像，計算公式見表1（NIR 為近紅外波段的DN 值，Red 為紅波段的DN 值，Green 為綠波段的DN 值，RedEdge 為紅邊波段的DN 值，DN 值是遙感影像像元亮度值）。通過ArcGis10.6、ENVI5.3 軟件將試驗區劃分為15個小區，對不同植被指數影像進行試驗區識別、選取感興趣區域、掩膜劃分并通過分區統計提取得到小區植被指數均值。隨后將數據統計分類后導入到IBM SPSS Statistics26.0，分析葉綠素含量與NDVI、GNDVI、NDRE、LCI、OSAVI的相關性，基于無人機5種植被指數影像構建指數函數、冪函數、對數函數、線性函數及多項式函數估測模型[15-17]。

表1 反演甜菜葉綠素含量的植被指數計算公式Table 1 Calculation formula of vegetation index for retrieving chlorophyll content of sugar beet

1.6 評價指標

本研究按7∶3的比例隨機抽取實測樣本數據，即70%的數據樣本構建甜菜葉綠素含量預測模型，30%的數據樣本作為驗證集進行模型評價。同時，以皮爾遜相關系數（Pearson correlation coefficient，R）、決定系數（Coefficient of determination，R2）、均方根誤差（Root mean squared error，RMSE）、標準均方根誤差（Normalized root mean squared error，NRMSE）作為評價模型精度的指標。R越接近于1，模型相關性越高，模型的R2越接近于1，RMSE越小，NRMSE越小表明模型預測精度越高，計算公式如下[20-21]。

式中：yi、xi、分別為葉綠素含量預測值、實測值和實測值的平均值，n為模型樣本個數。

2 結果與分析

2.1 不同氮水平下甜菜葉綠素含量變化特征

隨著甜菜生長期延長和施氮量的逐漸增多，甜菜冠層葉綠素含量增加，如圖2 所示，甜菜葉叢快速生長期的葉綠素含量均值從7月1日N0水平的3.03 mg/dm2增長到N4水平的3.56 mg/dm2，其中N2水平葉綠素顯著升高至4.13 mg/dm2；經過一段時間的吸收、轉化，施氮量越大，甜菜葉綠素含量越高，從7 月16 日N0 的4.11 mg/dm2增長到N4 水平的4.96 mg/dm2，甜菜經過長時間的氮肥營養吸收后；8 月3 日的葉綠素含量變化較小，有的處理間增長速度變緩，N2 比N1 水平下葉綠素含量僅增長0.09 mg/dm2，N4 比N3 水平下葉綠素含量僅增長0.06 mg/dm2。

圖2 甜菜在不同氮水平下不同時間的葉綠素含量Fig.2 Chlorophyll content of sugar beet at different nitrogen levels at different times

2.2 不同氮水平下甜菜的產質量變化特征

根據不同施氮水平對產質量影響的分析結果可以得出，適量施氮可以使甜菜增產、增糖，如圖3 所示。甜菜地下部塊根產量在施氮30 kg/hm2水平下具有顯著增產效果，達到68.15 t/hm2，相比0 kg/hm2增長了9.44 t/hm2，隨著施氮量的逐漸遞增，塊根產量變化不明顯，適當的少施氮肥對塊根的膨大具有正向影響作用；同時，隨著施氮量的逐漸遞增，甜菜的含糖率有一定增長趨勢，從N0 的16.95%增長到N1 的最高17.08%，增加0.13個百分點，然后隨著施氮量增加含糖率下降，由此可見30 kg/hm2的施氮量使含糖率達到最高值17.08%，過量施氮反而會降低含糖率。此外，地上部鮮重對氮的需求量較高，施肥越多，地上部鮮重越高，30 kg/hm2氮水平對甜菜地上部有顯著的增長，地上部鮮重比N0處理的36.85 t/hm2增長了16.86 t/hm2。30 kg/hm2與60 kg/hm2，90 kg/hm2與120 kg/hm2處理之間的地上部鮮重差異不明顯。

圖3 不同施氮水平對甜菜塊根產量（A）、含糖率（B）及地上部生物量（C）的影響Fig.3 Effects of different nitrogen application levels on root yield(A),sugar content(B)and aboveground biomass(C)of sugar beet

2.3 葉綠素含量與施氮量的相關性分析

利用實際測量的數據，不同氮水平分別與不同取樣時間的葉綠素含量作相關性分析，如表2 所示。僅7月1 日的指數回歸方程的相關系數相對較低，R=0.520，可能由于施氮初期甜菜采樣誤差導致。7 月16 日和8月3日的相關系數均有較高的相關性，分別為R=0.945和R=0.933，用來指導農業精準施氮具有可行性。

表2 不同取樣時間葉綠素與施氮量的相關性分析Table 2 Correlation analysis between chlorophyll and nitrogen application at different sampling time

2.4 甜菜葉綠素含量與植被指數的相關性分析和反演模型的構建

針對于甜菜葉叢快速生長期和塊根糖分增長期，利用無人機采集的影像數據分析甜菜葉綠素含量與植被指數OSAVI、NDVI、GNDVI、LCI、NDRE 的皮爾遜相關系數，5 種植被指數與甜菜葉綠素含量進行相關性分析的結果表明，5 種植被指數的相關性均達到0.800 以上呈高度相關[22]，其中NDRE 和OSAVI 的相關系數最高，均為0.874（見表3）。

表3 不同植被指數預測甜菜冠層葉綠素含量的回歸模型Table 3 Regression model for predicting chlorophyll content in sugar beet canopy with different vegetation indexes

根據以上相關性分析結果，將39 個樣本數據按7∶3 的比例隨機分為建模集和驗證集，27 個樣本為建模集，12個樣本為驗證集。建模集分別構建指數函數、對數函數、冪函數、線性函數、多項式函數5種函數模型，并且重復隨機劃分建模。結果表明，指數模型的決定系數最高，選取5個植被指數的指數模型與葉綠素含量進行模型反演估測，OSAVI 的R2=0.764 較高，RMSE=0.396，NRMSE=8.63%相對較小，均優于其他植被指數NDVI、GNDVI、LCI、NDRE，因此，以OSAVI作為監測甜菜冠層葉綠素含量的最佳模型。

2.5 模型驗證與評價

利用剩下樣本數據驗證集的葉綠素含量實測值與預測值進行方程擬合，同時選取決定系數R2、RMSE和NRMSE評價驗證指數模型的精度。甜菜在葉叢快速生長期和塊根糖分增長期的指數模型Chl=1.933*exp(2.195*OSAVI)估測效果最好，RMSE=0.347，NRMSE=8.42%。通常認為NRMSE<10%估算精度極好，10%～20%效果較好，20%～30%效果可以接受，>30%效果差[19]。因此，選用優化調整土壤植被指數OSAVI用于甜菜的估測效果較佳（見表4）。

表4 甜菜葉綠素含量5 種植被指數的指數估測模型驗證Table 4 Validation of index estimation model for chlorophyll content 5 vegetation index of sugar beet

3 討論

葉片葉綠素與氮含量之間有很高的相關性，這與王妍等[23]研究氮素和小麥葉綠素濃度有較高相關性基本一致。本研究在不同氮水平下通過無人機采集的5種植被指數的多光譜數據構建甜菜冠層葉綠素含量的反演模型，葉綠素含量是甜菜在不同時期生長變化的顯著指標，影響作物生長的健康狀況，對指導現代農業生產具有重要的價值意義[24]。因此，本試驗針對甜菜不同施氮水平對葉綠素含量的影響開展研究，隨著施氮量的增加，甜菜的葉綠素含量也穩定增長，適量施氮有利于葉綠素的合成，增加甜菜地上生物量，這與丁怡人等[25]研究的棉花頂二葉熒光參數隨施氮量的增大而增加相一致。陳永喆等[26]研究指出紅邊與近紅外波段與氮含量有一定的相關性，通過無人機監測葉綠素含量指導農業施氮具有可行性。楊福芹[27]研究常用植被指數與葉片及植物生物量的分析表明，OSAVI 與植物生物量具有顯著相關，這與本文OSAVI 作為最佳植被指數反演模型相一致。綜上，通過植被指數與葉綠素以及氮含量的相關性分析以及模型反演，可以預測甜菜生物產量是否增產。此外，本研究僅針對額爾古納地區的試驗，對于不同地區、不同環境的甜菜生長狀況的監測效果還需進一步試驗證明。

此外，葉綠素含量作為衡量農作物生長狀態和營養狀況的重要指標，經驗回歸模型能夠精確、有效地預測作物葉綠素含量，是提高作物產量的有效途徑。周敏姑等[28]利用7種光譜參數和小麥SPAD 實測值構建的一元線性回歸SPAD-SAVI 模型估測小麥SPAD 值的精度最高。牛魯燕等[29]基于NDVI、SAVI、CCCI 植被指數構建的多元線性回歸模型估測小麥長勢的精度更高、穩定性更好。高林等[30]選取RVI、NDVI、SAVI、DVI、TVI五種植被指數使用經驗模型法分別構建了單變量和多變量大豆LAI反演模型，其NDVI線性回歸模型對大豆LAI的解釋能力最強，R2=0.829，RMSE=0.301，反演大豆LAI最準確。綜上所述，以無人機遙感技術和經驗回歸方法估測甜菜產量和葉綠素含量具有可行性。

4 結論

本研究基于無人機多光譜技術對甜菜冠層葉綠素含量反演，指導農業精準施氮實現甜菜增產具有可行性?；谥脖恢笖礝SAVI、NDRE、LCI、GNDVI、NDVI 構建線性回歸模型的分析表明甜菜葉綠素含量估測均具有較好的效果，5 種植被指數模型的決定系數均大于0.7，NRMSE<20%均達到較好水平以上，均具備一定的預測能力，其中OSAVI 為最佳植被指數模型，擬合效果最好?；跓o人機多光譜技術對甜菜冠層葉綠素含量監測技術因具有低成本、靈活性高、方便快捷的特點，可以作為監測甜菜葉綠素含量的有效手段，用以實現甜菜的增產增效。