无人机多光谱遥感在玉米冠层叶绿素预测中的应用研究
毛智慧1, 邓磊1,*, 孙杰1, 张爱武1, 陈向阳2, 赵云1
1. 首都师范大学资源环境与旅游学院, 北京 100048
2. 中国农业大学农学院, 北京 100193
*通讯联系人 e-mail: edenglei@139.com

作者简介: 毛智慧, 1993年生, 首都师范大学硕士研究生 e-mail: mzhihui0506@163.com

摘要

叶绿素含量是植物生长中的重要参数, 与农作物产量密切相关。 无人机遥感技术作为一种新的数据获取手段, 在农业中已得到广泛应用。 以玉米为目标作物, 将具有不同光谱响应函数的两种轻小型多光谱传感器(MCA和Sequoia), 同时搭载在六旋翼无人机上, 获取不同氮肥水平下大田玉米花期的多光谱影像。 利用无人机影像空间分辨率高的特点, 在小区尺度上, 分别计算了基于两种多光谱传感器的各26种植被指数, 并将其与地面实测的叶绿素含量(SPAD)值进行回归分析, 研究不同波段反射率对SPAD值的敏感性, 利用不同多光谱传感器及植被指数预测SPAD值的精度及稳定性。 结果表明, 对于具有较宽波段的Sequoia, 在550 nm(绿波段)、 735 nm(红边波段)的反射率对SPAD值的变化较敏感, 其中, 550 nm与SPAD值的相关系数最大( R2=0.802 9)。 而对于较窄波段的MCA, 720 nm(红边波段)的反射率与SPAD值具有较高的相关性( R2=0.724 8), 550 nm(绿波段)次之。 此外, 由于两传感器红波段的中心波长和波段宽度不同, 660 nm(Sequoia)反射率与SPAD值的相关系数为0.778 6, 而680 nm(MCA)反射率与SPAD值的相关性较小, 仅为0.488 6。 利用无人机多光谱遥感技术预测大田玉米的SPAD值精度较高, 但对于不同的多光谱传感器而言, 同一植被指数却表现出较大的差异, 其中, 红波段和近红外波段组合构造的植被指数RVI, NDVI, PVI和MSR差异较大, 具有较宽波段的Sequoia传感器优于窄波段的MCA; 此外, 对于Sequoia相机, GNDVI与RENDVI预测SPAD值的精度较高, RMSE分别为3.699和3.691; 对于MCA相机, RENDVI预测精度最高(RMSE=3.742), GNDVI预测精度低于RENDVI(RMSE=3.912); 两传感器中MCARI/OSAVI预测SPAD值精度均较低, RMSE分别为7.389(Sequoia)和7.361(MCA)。 在所有的植被指数中, 利用绿波段和近红外波构造的植被指数(G类), 以及用红边波段和近红外波段构造的植被指数(RE类), 预测SPAD值精度更高, 均高于红外和近红外波段构造的植被指数; 利用更多波段(三个及以上)组合构造的复杂植被指数, 并不能显著提高预测精度。 就预测模型而言, MCARI1更适用于对数模型, 可有效提高预测精度, 而其他植被指数变化不显著。 研究还发现, 在小区水平SPAD值的预测方面, 除NDVI和TVI, Sequoia相机对于不同氮肥条件下植被覆盖度、 阴影和裸露土壤等环境背景因素具有较强的抗干扰能力; 而对于MCA相机来说, TVI, DVI, MSAVI2, RDVI和MSAVI对环境背景因素非常敏感, 预测SPAD精度低; 此外, 去除环境背景因素并不总是能够提高SPAD值的预测精度。 本研究对于利用无人机多光谱遥感技术进行高精度的叶绿素含量预测具有指导意义, 对于精准农业的推广和应用具有一定的借鉴价值。

关键词: 无人机; 多光谱遥感; 叶绿素含量; 植被指数; 玉米
中图分类号:TP751 文献标识码:A
Research on the Application of UAV Multispectral Remote Sensing in the Maize Chlorophyll Prediction
MAO Zhi-hui1, DENG Lei1,*, SUN Jie1, ZHANG Ai-wu1, CHEN Xiang-yang2, ZHAO Yun1
1. College of Resource Environment and Tourism, Capital Normal University, Beijing 100048, China
2. College of Agronomy and Biotechnology, China Agricultural University, Beijing 100193, China
Abstract

Chlorophyll content is an important parameter in plant growth and is closely related to crop yield. Unmanned aerial vehicle (UVA) remote sensing technology as a new means of data acquisition, has been widely used in agriculture. In this study, take maize as an example, two light and small multispectral sensors (MCA and Sequoia) with different spectral response functions were simultaneously mounted on a six-rotor UAV. Multispectral sensors were used to collect multispectral imagery of maize during the flowering stages under different levels of nitrogen fertilizers. At the plot level, the 26 vegetation indices based on two kinds of multi-spectral sensors were calculated and regressed with the chlorophyll content (called Soil and Plant Analyzer Development (SPAD) values) measured on the ground. The sensitivity of different band reflectivity to SPAD value were analyzed. And the accuracy and stability of SPAD values predicted by vegetation indicesbased on two multi-spectral sensors were also analyzed. The results showed that for the broadband Sequoia, the reflectance of 550 nm (green band) and 735 nm (red-edge band) is more sensitive to the change of the SPAD values, and the correlation coefficient of 550 nm and SPAD values is the largest ( R2=0.802 9). For the narrowband MCA, the reflectance of 720 nm (red-edge band) has high correlation with SPAD value ( R2=0.724 8), followed by the 550 nm. In addition, the correlation coefficient between the reflectance of 660 nm (Sequoia) and the SPAD value is 0.778 6, and the correlation coefficient between the reflectance of 680 (MCA) and the SPAD value is 0.488 6, which may because of the difference of central wavelength and the wavelength width. Using multi-spectral remote sensing technology of UAV to predict the SPAD values of field maize had a high accuracy, but the same vegetation index showed a great difference for different multi-spectral sensors. Among them, there were significant difference in RVI, DNVI, PVI and MSR. The broadband Sequoia is superior to the narrowband MCA. In addition, for sequoia camera, the GNDVI and RENDVI predicted the SPAD value with high accuracy, RMSE is 3.699 and 3.691, respectively. For MCA camera, RENDVI had the highest prediction accuracy (RMSE=3.742), followed by the GNDVI (RMSE=3.912). The MCARI/OSAVI with lower accuracy, the RMSE is 7.389 (Sequoia) and 7.361 (MCA). In all of the vegetation indices, the vegetation indices that using green, NIR bands and the vegetation indices constructed with red and near infrared bands were used to predict the SPAD values more accurate, which were higher than the vegetation index constructed in the red and near infrared bands. The use of complex vegetation indices constructed with more bands (three or more) did not significantly improve the prediction accuracy. For the prediction model, MCARI1 was more suitable for logarithm Model, which can effectively improve the prediction accuracy. The study also found that prediction the SPAD values in the plot level, Sequoia cameras have strong anti-jamming capability for environmental factors such as vegetation coverage, shadows and exposed soil, except for NDVI and TVI. For MCA cameras, TVI, DVI, MSAVI2, RDVI and MSAVI were very sensitive to environmental background and with a low accuracy of SPAD prediction. In addition, removal of environmental background did not always improve predictive accuracy of SPAD. This study is instructive for the prediction of high-accuracy chlorophyll content using UAV multispectral remote sensing technology, and has certain reference value for the popularization and application of precision agriculture.

Key words: Unmanned aerial vehicle; Multispectral remote sensing; Soil-plant analysis development; Vegetation index; Maize
引 言

叶绿素是植被光合作用中最为重要的色素, 是评价植物光合作用、 估测植物生长状况、 诊断植物病理的重要生物化学参数, 与营养元素含量、 农作物产量等有着极为密切的关系。 短时间内有效估测大尺度绿色植被叶绿素含量对于评价植被健康状况、 估计农作物产量以及精准农业的发展具有重要意义[1]

目前, 常用的叶绿素含量估测模型主要有辐射传输模型和统计模型。 曾毓燕等[2]利用PROSPECT+DART模型在叶片和冠层尺度估算叶绿素含量, 但模型输入参数的确定通常较为复杂; 统计模型通过回归分析、 主成分分析、 神经网络分析、 支持向量机等方法[3], 建立遥感特征光谱(如反射率或光谱指数)与叶绿素含量或相对含量(SPAD值)之间的关系, 并据此估测叶绿素含量, 近年来取得了较好的研究结果。 谭昌伟等[4]和李粉玲等[5]分别利用Landsat TM遥感数据和GF-1卫星数据, 利用植被指数与叶绿素含量(soil and plant analyzer development, SPAD)回归模型估算冬小麦叶片的SPAD值。 田明璐等[6]利用无人机成像光谱仪光谱指数采用多元逐步回归和偏最小二乘回归方法反演棉花叶绿素含量取得了较高的精度。 房贤一等[7]利用便携式光谱仪测定苹果冠层反射率, 计算高光谱植被指数并估算苹果树冠层叶绿素含量, 为苹果长势的遥感监测提供了理论依据。 有研究利用便携式光谱仪获得冬小麦光谱数据, 将地面光谱数据重采样到多光谱Landsat-TM7和高光谱Hyperion, 对比了光谱指数反演叶绿素的精度和稳定性。

从上述研究来看, 目前针对作物叶绿素含量的遥感监测主要集中在叶片尺度和冠层尺度, 采用的技术手段主要是基于便携式光谱仪、 机载多/高光谱成像仪和遥感卫星等。 由于便携式光谱仪通常难以实现以“ 点” 带“ 面” , 而卫星影像空间分辨率低, 时效性较差, 并极易出现“ 同谱异物” 、 “ 异物同谱” 等现象, 导致预测精度偏低, 因此, 利用低空无人机遥感平台搭载多/高光谱传感器进行叶绿素含量的预测, 已逐渐成为趋势。 但目前大多数研究都集中在某一特定传感器上, 忽略了不同传感器光谱响应函数的差异对反射率、 植被指数乃至SPAD值预测结果的精度及其稳定性的影响; 此外, 多数研究集中在叶片尺度和冠层尺度, 而对于育种、 营养胁迫和环境胁迫等众多研究和应用而言, 小区水平上的监测则更具意义和价值。

针对上述问题, 本研究利用六旋翼小型低空无人机, 同时搭载两种具有不同光谱响应函数的多光谱传感器, 以玉米花期的SPAD值预测为例, 通过分析反射率与SPAD值之间的相关性、 不同植被指数预测SPAD值的稳定性、 来自不同传感器的相同植被指数预测结果的差异性, 以及不同模型和环境背景因素对预测精度的影响等方面, 系统地研究无人机多光谱遥感技术在大田玉米冠层叶绿素含量预测方面的能力。

1 实验部分
1.1 实验区域

实验区位于河北省涿州市(39° 27'49″N, 115° 50'56″E), 属暖温带半湿润季风区, 温差变化大, 四季分明, 土壤类型为砂土, pH值为7.8。 该区农作物为春播玉米, 总面积约0.336 hm2, 内设三个施氮水平, 分别为N0(0 kg· ha-1), N50(112.5 kg· ha-1)和N100(225.0 kg· ha-1)(见图1)。 实验区内共划分有450个小区, 每个小区种植玉米约40株, 分成两行排列, 每行长5 m, 行间距0.6 m, 株间距0.25 m。 不同氮肥区域间设置10行保护行, 周围设置8行保护行。 除施肥情况外, 每个小区的灌溉水平、 种植密度等田间管理方式相同。

图1 研究区Fig.1 Study area

1.2 数据获取与处理

1.2.1 无人机多光谱数据

实验于2017年7月8日10— 14时进行, 天气晴朗, 将Sequoia和多镜头陈列相机(multiple camera array, MCA)两个遥感成像传感器同时搭载在六旋翼小型无人机上, 获取花期玉米的多光谱影像。 无人机获取数据时, 设定飞行高度50 m, 航向和旁向重叠度均为80%, 由于MCA视场角较小, 在规划航线时以MCA为基准。 飞行过程中, Sequoia获取影像102景, MCA获取175景。 为控制影像畸变以及方便两种多光谱影像间的配准, 在实验区布设6个地面控制点(图1), 并利用差分多镜头阵列相机(ground control points, GPS)测量各控制点坐标。

Sequoia多光谱相机共有5个成像传感器, 即: 4个多光谱和1个RGB传感器。 四个多光谱波段分别为绿(中心波长550 nm, 波段宽度40 nm)、 红(660 nm, 40 nm)、 红边(735 nm, 10 nm)和近红外(790 nm, 40 nm), 其光谱响应函数见图2(b)。 多光谱相机的镜头焦距为3.98 mm, 图像像素为1 280× 960, 传感器尺寸为4.5 mm× 3.6 mm。 此外, 该相机还配备了光照度传感器, 可记录每张照片拍摄时的光照信息, 便于对多光谱影像的辐射信息进行校准。 在进行拍摄之前, 利用该相机配备的参考板进行辐射定标; 飞行结束后, 将覆盖试验区的102张影像导入Pix4D软件[8]进行拼接, 可直接获得实验区的反射率数据, 影像分辨率重采样为5 cm。

图2 光谱响应函数
(a): MCA光谱响应函数; (b): Sequoia光谱响应函数
Fig.2 Spectral response function
(a): MCA spectral responce function; (b): Sequoia spectral responce function

MCA相机具有6个波段, 分别为蓝(490 nm, 10 nm)、 绿(550 nm, 10 nm)、 红(680 nm, 10 nm)、 红边(720 nm, 10 nm)、 近红外1(800 nm, 10 nm)和近红外2(900 nm, 20 nm), 其光谱响应函数见图2(a)。 由上述数据和图2可知, 相对于Sequoia较宽的波段宽度(40 nm)而言, MCA相机的多光谱波段具有更窄、 更精确的波宽设置(10 nm)。 MCA相机镜头焦距为9.6 mm, 图像像素为1 280× 1 024, 传感器尺寸为6.18 mm× 4.95 mm。 获取数据为RWS格式。 利用PixelWrench 2软件对每景影像的6个波段进行对齐处理, 然后根据无人机同步获取的POS信息, 采用SfM(structure from motion)算法对175张照片进行拼接。 为便于对比和分析, 将MCA拼接结果的空间分辨率重采样为5 cm。 由于MCA相机记录的是DN(digital number)值, 采用经验线性法进行了DN值与反射率的转化[9]。 定标所需的明暗目标分别采用白色(反射率65%)和黑色(5%)的定标板, 在利用无人机获取数据的同时, 利用ASD HandHeld2手持式光谱仪测量黑、 白定标板的反射率, 然后根据MCA的光谱响应函数, 将黑、 白定标板的反射率数据重采样到与MCA相应波段的波宽一致, 并根据影像DN值与反射率之间的关系建立转换方程(见表1)。

表1 MCA定标方程 Table 1 Calibration equation of MCA

由于本研究在小区尺度进行, 需要将两传感器各波段的反射率转换到小区尺度, 即: 将小区中所有像素反射率的平均值作为该小区的反射率。

1.2.2 地面实测数据

SPAD值常用来表示叶绿素的相对含量, 利用SPAD-502 plus[10]手持式叶绿素仪在无人机飞行的当天, 同步测定各小区玉米的叶绿素含量(记为SPAD值)。 在每个小区随机选取玉米植株, 对完全展开叶的上、 中、 下部位分别进行测量, 在每个部位记录6个SPAD值, 将三个部位(共18个SPAD值)叶绿素值的平均值, 记作该植株玉米的SPAD值, 再计算6株玉米SPAD的平均值作为小区玉米的SPAD值, 各小区SPAD实测值如图3所示。 由图可见, 从左至右, 随着施氮水平的增加, SPAD值也逐渐增大。

图3 实测SPAD值空间分布图Fig.3 Spatial distribution of measured SPAD values

2 研究方法
2.1 植被指数的选择

植被指数(vegetation index, VI)通过不同波段反射率的线性或非线性组合变化, 在一定程度上可以削弱背景等因素对植被光谱特征的干扰, 有助于提高遥感数据表达叶绿素含量的精度[5]。 在自然状态下, 土壤表面的反射率没有明显的峰值和谷值, 在可见光波段, 土壤的反射率高于植被; 在近红外波段, 土壤反射率低于植被。

根据叶绿素含量预测的特点, 同时考虑植被指数应用的广泛性和实用性, 所选择的植被指数包括: 仅利用绿和近红外波段构造的植被指数(记为G类), 红和近红外波段构造的植被指数(R类), 红边和近红外波段构造的植被指数(RE类)以及多波段(3个及以上)组合构造的植被指数(M类)(见表2)。

表2 植被指数 Table 2 Vegetation index
2.2 叶绿素反演模型构建与验证

线性回归模型因其结构简单、 计算速度快在实践中得到广泛的应用。 随机选择一半小区(225个)的反射率和SPAD测量数据构建线性回归模型, 利用其余225个小区的数据评价预测模型的精度, 并采用root mean square error(RMSE)[式(1)]进行预测精度的定量评价。

RMSE=1ni=1n(pi-p˙i)2(1)

式(1)中, pi为SPAD的实测值, p˙i为SPAD模型的预测值。 RMSE的值越小, 表明模型的预测准确度越高, 预测SPAD时更可靠。

3 结果与讨论
3.1 反射率与SPAD的相关性分析

植被光谱曲线在各个波段特征不同, 分析不同波段与SPAD值之间的关系, 可了解各波段对SPAD值的敏感性; 此外, 对比不同传感器在反射率方面的差异, 有助于理解由此造成的植被指数差异乃至SPAD值预测结果的差异。 图4为建模样本各波段反射率与SPAD值的相关性分析, 总体来说, 除MCA相机的490 nm(蓝波段)[图4(a)]之外, 两种传感器各波段的反射率均与SPAD值具有较高的相关性(大于0.5)。 其中, Sequoia和MCA中550 nm绿波段的中心波长相同, 但可能由于波段宽度不同(Sequoia 40 nm, MCA 10 nm), Sequoia的绿波段与SPAD值的相关性最强, 达到0.802 9, MCA的绿波段与SPAD值的相关性为0.722 4[图4(b)]; 在红边波段[图4(d)], 虽然两种传感器的中心波长有所不同(MCA: 720 nm; Sequoia: 735 nm), 但可能是由于波段宽度相同的原因(10 nm), 他们与SPAD值的相关性差异较小, 相关系数均在0.7以上; 而在红和近红外(800 nm)波段[图4(c, e)], 由于两传感器的中心波长和波段宽度均有较大的不同, 可能是由于Sequoia传感器的波段宽度大于MCA的缘故, Sequoia传感器在各波段的反射率均高于MCA, 并由此导致反射率与SPAD值的相关性有所不同: 其中, 红波段的差异最大, 相关系数分别为0.778 6(Sequoia)和0.488 6(MCA), 分析可能的原因是中心波长的差异(Sequoia 660 nm, MCA 680 nm)及波段宽度的影响。 此外, 还可以发现, MCA相机独有的900 nm近红外波段[图4(f), 0.698 9]与SPAD值的相关性略高于800 nm(0.676 7)。

图4 反射率与SPAD值的关系
(a): 蓝波段; (b): 绿波段; (c): 红波段; (d): 红边波段; (e): 近红外波段; (f): 近红外波段
Fig.4 The relationship between reflectivity and SPAD values
(a): Blue band; (b): Green band; (c): Red band; (d): Red-edge band; (e): Near-infrared band; (f): Near-infrared band

表3 不同植被指数预测SPAD的线性回归模型 Table 3 Linear regression model for predicting SPAD with different vegetation index
3.2 植被指数预测SPAD值的能力分析

表3为植被指数与SPAD值的回归方程(y=ax+b)和相关系数, 由表3可知, 各植被指数与SPAD值均具有较高的相关性, 其中, GNDVI与SPAD值的相关系数最大(0.840), 这与3.1节得到的绿色波段反射率与叶绿素相关性最高的结论相吻合; 而对于常用的NDVI来说, MCA和Sequoia相机获取的值有所不同, 前者的很多值都集中在0.9附近, 说明MCA获取的NDVI更容易饱和, 更容易造成预测偏差; 此外, 总体来看, 基于Sequoia数据模型的斜率均大于MCA的, 表明由Sequoia相机获取的植被指数对SPAD值的反应更敏感。

采用验证数据的225个样本对不同植被指数预测SPAD的模型进行检验。 图5为Sequoia和MCA数据预测精度的对比。

图5 基于验证集的SPAD预测精度Fig.5 SPAD prediction accuracy based on verifying data

由图5可知, G(绿)类参数和RE(红边)类参数预测SPAD值有相对较高的精度(RMSE< 4), 其中GNDVI和RENDVI预测精度较高, RMSE分别为3.699和3.691; 而R(红)类参数预测SPAD值的精度最低。 可见, 不同植被指数预测SPAD值的精度有较大差异。 此外, 无论是Sequoia, 还是MCA, RENDVI预测SPAD能力最稳定, RMSE分别为3.691和3.742, REOSAVI和VIopt1次之。 而RVI, NDVI, PVI和MSR, Sequoia数据预测精度较高(RVI:RMSE=4.440), 但对于MCA数据的预测精度较低(RVI:RMSE=5.574)。 也就是说, 从不同传感器中获得的同一植被指数, 预测SPAD值的精度不同。

由M类(多参数)植被指数可以看出, TVI, MCARI1, EVI和MCARI/OSAVI预测SPAD精度较低。 其中, MCARI/OSAVI的预测值与实测值偏差最大, RMSE分别为7.389(Sequoia)和7.361(MCA); 此外, 针对MCA相机中唯一一个具有蓝色波段参与计算的EVI而言, 其预测精度(RMSE=4.759)略优于R类参数, 但仍低于G类参数和RE类参数。 可见, 更多波段的加入, 并不能显著提高SPAD值的预测精度。 此外, 利用MCA中900 nm近红外波段计算的植被指数, 其预测结果的精度与800 nm相近, 此处不再赘述。

3.3 不同模型对预测精度的影响

利用不同植被指数预测叶绿素含量时, 选择不同的模型对部分植被指数而言, 其预测结果存在较大差异, 但有些植被指数变化不明显[7]。 对于本文选取的26个植被指数来说, MCARI1和CIRE与SPAD值具有明显的非线性关系, 采用对数模型的建模结果如图6(a)和(b)所示, 可以发现其相关系数大于线性模型结果(均超过0.8), 除MCARI1和CIRE外, 其他植被指数利用线性模型和对数模型预测叶绿素含量时, 预测结果的差异不是十分明显, 在此不一一赘述。 MCARI1相对于线性模型变化最明显, 与SPAD的相关系数为0.813 9(Sequoia), 0.832 6(MCA), 优于线性建模结果(0.756 5, 0.767 0), CIRE次之。 对数模型预测结果的精度分析表明, MCARI1和CIRE预测精度较高, RMSE分别为3.618, 3.701和3.565, 3.675, 优于线性结果(MCARI1: 4.191, 4.443; CIRE: 3.916, 4.111)。 由此可见, 对于不同的植被指数而言, 其与SPAD值之间存在不同的模型关系, 对SPAD预测结果有较大影响。

图6 不同植被指数预测SPAD的对数回归模型
(a): MCARI1; (b): CIRE; 注: 相关系数在0.001水平显著(P< 0.001)
Fig.6 Logarithmic regression model for predicting SPAD with different vegetation index

(a): MCARI1; (b): CIRE; Note: The correlation coefficient was significant at 0.001 level (p< 0.001)

3.4 环境背景对SPAD预测精度的影响

图7为不同氮肥区域植被覆盖度情况。 可以发现, 随着施氮水平的增加, 植被覆盖度逐渐变大, 阴影也随之增加。 N0区域植被覆盖度低于70%, 裸露的土壤较多; N50和N100区域植被覆盖度相近(分别为88%和92%), 但阴影比较明显。 一般来说, 裸露土壤和阴影等环境因素会影响植被指数的计算结果。 为了分析土壤和阴影等环境背景因素对SPAD预测精度的影响, 分别采用两种方法预测SPAD值。 一种是与上文相同的方法, 即: 将小区内所有像素植被指数的平均值作为该小区的植被指数, 因此该方法获得的植被指数中包含了背景因素的影响, 记为BKG方法; 另一种方法剔除了土壤和阴影, 即仅选取小区内的植被像素, 并将其植被指数的平均值作为该小区的植被指数, 记为VEG方法。 对两种方法分别利用线性回归模型预测SPAD值并进行精度分析, 其中, NDVI, TVI, DVI等六种植被指数, 在利用两种方法预测SPAD值时差异较大(两种方法计算的RMSE的差大于0.5), 预测结果如表4所示。

表4可以看出, 在不同氮肥区域, 土壤、 阴影等环境背景因素对SPAD预测精度有较为明显的影响, 且同一植被指数在不同传感器中的表现有所不同。 在低氮肥的N0区域, 对于Sequoia传感器来说, 除了NDVI的VEG方法明显优于BKG方法之外, 对其他指数而言, 采用两种方法预测SPAD值的精度接近, 表明由Sequoia传感器得到的植被指数, 对环境背景因素具有较强的抗干扰能力。 而MCA传感器的情况有所不同, 其NDVI预测结果的精度差异并不大, 而TVI, DVI和MSAVI2的差异却非常明显, 更出人意料的是, 这3个指数的VEG方法预测精度低于BKG方法, 这表明由MCA传感器所得的这3个植被指数, 受环境背景因素的影响较大。

图7 不同植被覆盖度区域
(a): N0: 覆盖度: 70%; (b): N50: 覆盖度: 88%; (c): N100: 覆盖度: 92%
Fig.7 Different vegetation coverage areas
(a): N0: coverage 70%; (b): N50: coverage 88%; (c): N100: coverage 92%

随着氮肥水平的提高(N50和N100区域), 总体来说, 各个指数对SPAD值预测的精度没有明显变化; 对MCA传感器来说, 与在低氮肥区域一样, TVI, DVI和MSAVI2对环境背景因素均非常敏感, 其预测SPAD值的精度也相对较低, 且VEG方法预测精度同样低于BKG方法; 除此之外, 对于MCA传感器来说, RDVI和MSAVI在高氮肥区域抗环境背景干扰的能力也有所降低, 也就是说其VEG和BKG方法预测精度差异较大, 而在Sequoia传感器中, 利用两种方法预测SPAD值的精度差异相对较小。 由上述结果可知, 裸露土壤和阴影等环境背景因素会对利用植被指数预测SPAD值的方法产生影响, 去除环境背景(即VEG方法)并不总是能够提高SPAD的预测精度。 这可能是由于在小区水平上, 光谱信息是植被及其环境背景因素共同作用的结果, 如果将植被信息单独剥离出来, 反而扭曲了光谱信息与SPAD值之间的关系; 此外, 由不同传感器获取的同一植被指数, 对于环境背景因素的抗干扰能力并不相同, 不能简单地将从某一传感器获取的结论推而广之。

表4 不同氮肥水平下SPAD预测结果(RMSE) Table 4 SPAD prediction results under different nitrogen fertilizer levels (RMSE)
4 结 论

利用无人机多光谱技术预测大田玉米冠层叶绿素含量的方法进行了系统的研究, 从不同多光谱传感器光谱响应函数入手, 展现了由此导致的反射率、 植被指数在反映SPAD值方面的差异, 对比了具有代表性的26种植被指数在预测SPAD值方面的能力, 并在小区尺度上分析了预测模型及环境背景因素对预测结果的影响。 通过精度检验和分析比较, 结果表明: 无人机多光谱遥感技术在预测玉米冠层叶绿素含量方面具有准确度高、 快速便捷、 时效性强等诸多优势, 植被指数与SPAD值有很强的相关性, 绿、 红边以及近红外波段构成的植被指数预测精度较高, 而由红色波段参与的植被指数表现并不理想; 在实际应用中, 应适当考虑传感器光谱响应函数的差异对预测结果造成的影响, 不能简单地将从某一特定传感器获得的结论套用到其他传感器上, 此外, 预测模型以及环境背景因素都会对预测精度产生影响。

需要注意的是, 就本研究的叶绿素预测结果来看, 相对于MCA传感器而言, Sequoia具有更高、 更稳定的预测精度, 且对于辅助定标设备和使用者的要求较低, 似乎更适用于玉米冠层SPAD值的预测。 但需要注意的是, 该传感器从DN值转换到反射率这一过程并不提供定标方程, 现阶段只能借助Pix4D软件实现。 对于MCA传感器, 通过本结果并不意味着MCA具有明显的劣势, 这是因为, 此次只对花期的玉米进行了研究, 不同作物、 不同生长期的特点还需进一步研究; 更为重要的原因是, MCA传感器具有非常窄的波段宽度(10 nm), 这意味着用它可以获得更精准的光谱信息, 在定量研究中应该更具优势。 而由于本文从定标、 数据处理直至建模的过程中, 使用的均为常规的遥感数据处理与分析方法, 并没有针对MCA相机窄波段的特点进行方法和算法的改进, 比如开发更准确的定标方法以保证反射率精度, 设计有针对性的遥感指数以充分利用蓝色(490 nm)和长波近红外(900 nm)波段的信息, 这些都是今后需要深入研究的内容。

The authors have declared that no competing interests exist.

参考文献
[1] Peng Y, Gitelson A A. Agricultural & Forest Meteorology, 2011, 151(9): 1267. [本文引用:1]
[2] ZENG Yu-yan, SHI Run-he, LIU Pu-dong, et al(曾毓燕, 施润和, 刘浦东, ). Remote Sensing Technology and Application(遥感技术与应用), 2017, 32(4): 667. [本文引用:1]
[3] Houborg R, McCabe M, Cescatti A, et al. Remote Sensing of Environment, 2015, 159: 203. [本文引用:1]
[4] TAN Chang-wei, WANG Ji-hua, ZHAO Chun-jiang, et al(谭昌伟, 王纪华, 赵春江, ). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2011, 27(5): 224. [本文引用:1]
[5] LI Fen-ling, WANG Li, LIU Jing, et al(李粉玲, 王力, 刘京, ). Transactions of the Chinese Society of Agricultural(农业机械学报), 2015, 46(9): 273. [本文引用:2]
[6] TIAN Ming-lu, BAN Song-tao, CHANG Qing-rui, et al(田明璐, 班松涛, 常庆瑞, ). Transactions of the Chinese Society of Agricultural(农业机械学报), 2016, 47(11): 285. [本文引用:1]
[7] FANG Xian-yi, ZHU Xi-cun, WANG Ling, et al(房贤一, 朱西存, 王凌, ). Scientia Agricultura Sinica(中国农业科学), 2013, 46(16): 3504. [本文引用:2]
[8] Allred B, Eash N, Freeland R, et al. Agricultural Water Management, 2018, 197: 132. [本文引用:1]
[9] Baugh W M, Groeneveld D P. International Journal of Remote Sensing, 2008, 29(3): 665. [本文引用:1]
[10] Uddling J, Gelang-Alfredsson J, Piikki K, et al. Photosynthesis Research, 2007, 91(1): 37. [本文引用:1]
[11] Cao Q, Miao Y, Shen J, et al. Precision Agriculture, 2016, 17(2): 136. [本文引用:1]
[12] Cao Q, Miao Y, Wang H, et al. Field Crops Research, 2013, 154(3): 133. [本文引用:1]
[13] Gitelson A A, Kaufman Y J, Merzlyak M N. Remote Sensing of Environment, 1996, 58(3): 289. [本文引用:1]
[14] Haboudane D, Miller J R, Pattey E, et al. Remote Sensing of Environment, 2004, 90(3): 337. [本文引用:1]
[15] Broge N H, Mortensen J V. Remote Sensing of Environment, 2002, 81(1): 45. [本文引用:1]
[16] Kanke Y, Tubaña B, Dalen M, et al. Precision Agriculture, 2016, 17(5): 507. [本文引用:1]
[17] Liu H Q, Huete A. IEEE Transactions on Geoscience & Remote Sensing, 1995, 33(2): 457. [本文引用:1]
[18] Zarco-Tejada P J, Miller J R, Morales A, et al. Remote Sensing of Environment, 2004, 90(4): 463. [本文引用:1]