冯海宽，陶惠林，赵 钰，杨福芹，樊意广，杨贵军*

1. 农业农村部农业遥感机理与定量遥感重点实验室，北京市农林科学院信息技术研究中心，北京 100097 2. 南京农业大学国家信息农业工程技术中心，江苏 南京 210095 3. 河南工程学院土木工程学院，河南 郑州 451191

引 言

叶绿素是作物的重要生理生化参数，是进行光合作用的重要色素，能反映作物的生长状况，是重要的长势监测指标[1]。因此，快速、 精准地监测叶绿素含量(SPAD)对田间生产有科学的指导意义。传统获取SPAD的方式多为实地采集，通常利用分光光度计法、 高效液相色谱法和原子吸收法等，获取数据的过程比较繁琐，同时对作物具有破坏性[2]。

随着遥感技术的快速发展，利用遥感技术动态、 快速、 高效、 无损监测SPAD已经成为重要的手段。目前，遥感技术监测SPAD根据数据获取方式分为地面遥感、 近地面的空中遥感、 远地面的高空遥感。地面测量中主要采用非成像地物光谱仪；高空遥感主要是通过卫星获取光谱图像，能够大范围监测，但容易受云层影响，且卫星重访周期长，光谱分辨率和空间分辨率低[3]；低空遥感为无人机和载人飞机，载人飞机的操作要求较高，而无人机操作方便，起飞条件相对简单，更机动灵活，能够获取较高光谱和空间分辨率的遥感影像，可以更好地应用于精准农业[4]。无人机遥感作为监测作物长势的重要方式，通常携带的传感器为数码相机、 多光谱和高光谱，数码相机和多光谱的成本较低，但获取的与作物长势相关的波段信息有限。高光谱由于光谱波段多，可以得到与作物较为密切的敏感波段信息，这些光谱信息能够更好反映作物的生长状况。为了更好地利用无人机监测SPAD，国内外大量学者使用不同方法构建监测模型，如孟沌超等[1]将植被指数和纹理特征结合，得到的植被指数+纹理特征模型反演SPAD准确度更高。Zhang等[5]对比了卫星、 无人机和地面遥感监测的特点，探究出多方法结合监测SPAD更有效。Qiao等[6]利用无人机数码影像构建10种数码植被指数，并结合纹理信息估算玉米的SPAD，结果表明构建的模型精度较高，反演能力增强。Li等[7]基于无人机高光谱影像数据，通过植被指数预测马铃薯SPAD，发现相比单个植被指数，多植被指数的预测效果更好。肖武等[8]使用多元线性回归方法构建基于不同植被指数的SPAD估算模型，结果显示多元线性回归估算精度更高。苏伟等[9]将无人机影像重采样，观察不同分辨率下植被指数反演SPAD效果。

高光谱具有较多的波段，提取与SPAD更敏感的光谱信息，能够更深入地分析光谱信息。目前，分析无人机高光谱的特有波段—红边区域，并基于植被指数和红边区域构建SPAD估算模型的研究还较少。本工作利用无人机高光谱遥感数据，获取了冬小麦3个主要生育期的影像，提取出植被指数和红边区域信息，构建了植被指数，红边参数，植被指数结合红边参数的SAPD估算模型，并使用偏最小二乘回归方法(partial least square regression，PLSR)构建模型，分析不同模型的优劣性和适用性，选取最佳的估算模型，以期为基于高光谱遥感技术准确估算SPAD提出一种新的方法。

1 实验部分

1.1 试验设计

试验区为国家精准农业研究示范基地，在北京市昌平区小汤山镇，地理位置处在温榆河冲积平原和燕山的结合地带，地势开阔，北纬40°00′—40°21′，东经116°34′—117°00′，为暖温带大陆性季风气候，夏季和秋季多雨水，年总降水量约648 mm。试验区前茬作物是玉米，土壤类型是潮土，且比较肥沃。试验区位置和设计见图1所示。试验采用随机设计，为了增加不同小区作物的差异性，48个小区分别种植2个冬小麦品种(中麦175与京麦9843)，试验区有N1(0 kg· hm-2)，N2(195 kg·hm-2)，N3(390 kg·hm-2)和N4(585kg·hm-2)4种氮素处理；并设置3个水分处理：W0(仅雨水)，W1是雨水加正常灌溉 (100 mm)，W2是雨水加两倍正常灌溉 (200 mm)；48个小区经过3种重复处理，每种处理16个小区，分为重复1、 重复2和重复3。种植密度是489株·m-2，每个小区面积是48 m2。由于此研究区均匀程度不一致，各小区处理方式也不同，作物吸收的养分和水分也存在差异，从而作物生长情况和产量在空间上呈现较大区别，具有良好的梯度，可以进行无人机遥感试验。

图1 试验区位置和设计Fig.1 Test area location and design

1.2 地面数据获取及处理

地面试验与无人机数据采集同步进行，分别进行冬小麦拔节期(2015年4月21号)、 挑旗期(2015年4月26号)和开花期(2015年5月13号)3次测量。为了测量冬小麦SPAD，利用SPAD-502型手持叶绿素仪，在每个小区选取1个样本点取样，在取样点位置选取具有代表性的4片叶子，测量不同部位5次，将获取的平均值作为该叶片的SPAD。然后将不同小区的样本点的叶片SPAD平均值作为该小区的SPAD。在3个主要生育期共采取了144组样本数据，取样结束后利用GPS对取样点定位，记录坐标信息。

1.3 无人机高光谱数据的获取与处理

在适合无人机飞行的无风、 且少云的时刻，分别获取了冬小麦拔节期(2015年4月21号)、 挑旗期(2015年4月26号)和开花期(2015年5月13号)的无人机高光谱数据。采用旋翼无人机遥感平台，无人机为DJI S1000 UAV，具有八个螺旋桨，能够在低速和低空条件下保持稳定。无人机起飞质量是6 kg，飞行高度为50 m，速度是8 m·s-1，配备两节18 000 mA·h(25 V)电池，续航时间为30 min。无人机搭载的传感器是Cubert UHD-185 Firefly成像光谱仪(测量过程中保证光谱仪垂直向下)，生产地为德国，重量是0.47 kg；获取的波段范围从可见光到近红外(450～950 nm)；和地面高光谱不同，高光谱的采样间隔是4 nm。无人机起飞时间为中午12点，飞行高度是80 m，每次飞行前，需要利用地面黑白板进行定标。获取影像后，需要对影像进行预处理：(1)影像的拼接和几何校正。通过德国Cuber公司生产的Cuber-Pilot软件和Agisoft PhotoScan软件，并使用全色图像与位置信息进行无人机高光谱影像拼接工作。首先，利用Cuber-Pilot软件融合高光谱图像和全色图像，生成新的融合后的高光谱影像；最后，通过Agisoft PhotoScan软件完成高光谱影像的拼接；(2)冠层光谱的反射率获取。此项工作需要在ArcGIS软件中完成，将拼接好的高光谱影像划分成不同小区的最大面积矢量，并把矢量文件和对应的小区名字进行编号；再利用IDL程序提取出不同感兴趣区的平均光谱反射率，将平均光谱反射率作为不同小区冠层光谱反射率。

1.4 植被指数选取

植被指数的研究广泛，为了探究植被指数与SPAD的关系，根据已有的研究成果，筛选出与SPAD密切相关的植被指数，分别为LCI，PBI，NDVI，SR，TCARI，OSAVI和GNDVI 7种植被指数。具体见表1所示。

表1 选取的光谱参数Table 1 Selected vegetation indices in this study

1.5 红边参数选取

为了探究红边区域估算SPAD的效果，根据前人研究成果，选取了红边区域的光谱参数，如红边振幅(Dr)、 红边面积(SDr)、 最小振幅(Drmin)和红边振幅/最小振幅(Dr/Drmin)。红边参数根据最大一阶导数计算，即Dr是680～750 nm范围光谱最大一阶微分的波长的一阶微分值；SDr是红边区域(680～750 nm)的光谱一阶微分的和；Drmin是最小红边振幅的值[3]。

1.6 分析方法

PLSR不同于主成分分析与典型关联分析，结合了两种数据分析方法的优势，并且可以解决模型自变量和因变量的映射问题。能够在自变量存在严重多重相关性的条件下进行回归建模；同时在最终的模型中包含原有的所有自变量，易于辨识系统信息与噪声，而且自变量的回归系数更容易解释；相比较其他建模方法，PLSR的计算简单、 预测精度较高、 易于定性解释。

1.7 精度评价

为了评估构建的SPAD模型的精度与可靠性，选取决定系数(coefficient of determination，R2)、 均方根误差(root mean square error，RMSE)、 标准均方根误差(normalized root mean square error，NRMSE)作为评价指标。其中R2越大，表示模型有更好的适用性；RMSE和NRMSE越小，说明模型的精度越高，反之精度越低。

2 结果与讨论

2.1 植被指数、 红边参数与SPAD相关性分析

将不同的植被指数、 红边参数与SPAD进行相关性分析，如表2所示。根据表2可知，对于植被指数，除了TCARI在拔节期和开花期表现无显著相关外，其余植被指数在3个生育期均表现极显著相关(p<0.01)；对于红边参数Drmin和Dr/Drmin在生长期中均为极显著相关(p<0.01)，Dr表现为无显著相关，SDr为显著相关(p<0.05)。相比3个不同生育期，植被指数和红边参数在挑旗期均达到0.01显著水平，拔节期，植被指数中LCI相关系数最高，为0.745，红边参数中Dr/Drmin相关系数最高，为0.696；挑旗期，相关性最大的植被指数和红边参数分别为LCI与Dr/Drmin，相关系数分别为0.598与0.626；开花期，相关性表现最好的植被指数为GNDVI，相关系数为0.539，相关性表现最好的红边参数为Dr，相关系数为0.436。

表2 植被指数、 红边参数与SPAD相关系数Table 2 Correlation coefficients between vegetationindices, red edge parameters and SPAD

2.2 单参数SPAD估算模型构建

挑选出3个生育期相关性较高的植被指数LCI，PBI，NDVI和GNDVI，红边参数Dr与Dr/Drmin。构建SPAD线性估算模型，结果见表3所示。在3个生育期中，从拔节期到开花期，植被指数LCI构建的SPAD估算模型均为最佳，R2从0.56到0.28，RMSE的范围为2.96～4.61，NMRSE的范围为8.14%～10.43%，最佳估算SPAD模型的R2，RMSE与NRMSE分别为0.56，2.96与8.14%；红边参数Dr/Drmin构建的SPAD估算模型也均为最佳，此时R2，RMSE和NRMSE分别为0.49，3.18和8.76%，从拔节期到开花期，R2的变化范围为0.49～0.18，RMSE与NRMSE范围分别为3.18～4.89，8.76%～11.08%。

2.3 利用PLSR方法构建SPAD估算模型

为了探究多个植被指数估算SPAD效果，将植被指数LCI，PBI，NDVI与GNDV作为模型输入变量，使用PLSR方法建立SPAD估算模型，结果如表4和图2所示。从拔节期到开花期，基于植被指数构建的SPAD估算模型的效果是逐渐增强，建模R2从0.62提高至0.73，模型的拟合性较高，RMSE从2.67降低至2.49，NRMSE从7.43%降低为5.57%，模型的预测精度较高；同时验证R2从0.65到0.76，RMSE与NRMSE分别从3.27到3.09，8.80%到7.93%，验证的效果较好，模型较为稳定。在开花期达到最佳估算效果，此时建模R2，RMSE和NRMSE分别为0.73，2.49和5.57%，验证R2，RMSE和NRMSE分别为0.76，3.09和7.93%。

表3 单参数模型结果Table 3 Modelling results with single-parameter

将植被指数结合红边参数作为模型的估算因子，并使用PLSR方法构建不同生育期的SPAD估算模型，得到建模和验证结果如表5和图3所示。根据表5与图3可知，相比较基于植被指数构建的SPAD估算模型，基于植被指数结合红边参数的SPAD估算模型在不同生育期中预测能力较强，也是随着生育期推进估算效果逐渐变好。拔节期到开花期，建模R2的范围为0.64～0.78，RMSE的范围为2.61～2.22，NRMSE的范围为7.27%～4.95%。构建的估算SPAD模型在开花期效果最好(建模R2=0.78，RMSE=2.22，NRMSE=4.95%)。为了验证构建的估算模型的适用性，使用验证集样本数据进行验证，验证的R2，RMSE与NRMSE的范围为0.68～0.81，3.17～3.02，8.53%～7.62%，验证的效果和建模效果一致，模型稳定性，拟合性较好，预测精度理想。

表4 基于植被指数估算SPAD建模结果Table 4 Estimation of SPAD based on vegetation indices

表5 基于植被指数结合红边参数估算SPAD建模结果

图2 基于植被指数估算SPAD模型验证结果Fig.2 Model validation results in estimation of SPAD based on vegetation indices

图3 基于植被指数结合红边参数估算SPAD模型验证结果Fig.3 Model validation results in estimation of SPAD based on vegetation indices combined with red edge parameters

2.4 SPAD空间分布

根据构建的SPAD估算模型可知，基于植被指数结合红边参数，使用PLSR方法构建的估算模型效果最佳，基于植被指数和红边参数估算模型得到冬小麦不同生育期的SPAD空间分布，结果如图4所示。从图4可以看出，从拔节期到开花期，颜色逐渐加深，表示SPAD越来越大。拔节期，重复1区域的SPAD范围为22～36，重复2区域的SPAD均高于32，重复3区域的SPAD范围为28～36，重复2区域SPAD整体上高于重复1和重复3区域。挑旗期和开花期，SPAD最高的区域也是重复2，重复1和重复3区域SPAD相对较低。3个生育期的SPAD估算得到的空间分布和实测结果一致性较高，反演的效果较佳。

图4 3个生育期的SPAD空间分布Fig.4 Spatial distribution of SPAD in three growth stages

分析7种不同的植被指数与4种红边参数与SPAD的相关性，结果显示，植被指数和红边参数都表现出较高的相关性，但整体上植被指数与SPAD的相关性高于红边参数与SPAD的相关性。这是由于选取的植被指数与SPAD联系性较强，构建植被指数的波段对SPAD更敏感，红边参数是由红边区域提取得到，是高光谱的特有波段，结果表明与SPAD也有很高的敏感性。利用相关性较高的植被指数与红边参数构建单参数的SPAD估算模型，表明3个不同生育期，植被指数均为基于LCI构建的估算模型效果最好，红边参数均为Dr/Drmin构建的估算模型效果最佳。说明了LCI与Dr/Drmin相比较其他植被指数与红边参数，与SPAD的敏感性更高，更适合用于估算SPAD。为了探究红边参数估算SPAD的效果，分别基于植被指数、 植被指数结合红边参数构建了SPAD估算模型，结果表明，基于多个植被指数构建的SPAD估算模型拟合性和精度都优于仅通过单个植被指数构建的SPAD估算模型；基于植被指数结合红边参数构建的估算模型效果在3个生育期均优于基于植被指数构建的估算模型。这是由于植被指数结合红边参数，模型的输入变量信息更充分，红边参数有助于提高SPAD估算精度，同时，选择PLSR构建模型，是由于PLSR方法可以处理不同输入因子的线性关系，分析光谱信息更充分。

通过植被指数，植被指数结合红边参数，并使用PLSR方法构建SPAD估算模型，证明了红边参数可以提高估算模型的效果，且PLSR方法也提高了模型的拟合性和精度。然而，为了充分利用高光谱信息，可以探究与SPAD敏感性高的其他波段。另外，可以使用无人机携带数码相机与多光谱相机估算SPAD，探究在不同传感器下估算SPAD能力的差异性。

3 结 论

(1)在3个主要生育期，大部分植被指数和红边参数均与SPAD达到极显著相关(p<0.01)，不同生育期的相关性最高的植被指数分别为LCI，LCI与GNDVI，相关性最高的红边参数分别为Dr/Drmin，Dr/Drmin与Dr。

(2)基于单个植被指数或红边参数构建SPAD估算模型，估算精度最佳的植被指数为LCI，其中R2范围为0.56～0.28，RMSE的范围为2.96～4.61，NMRSE的范围为8.14%～10.43%；估算精度最佳的红边参数为Dr/Drmin，R2范围为0.49～0.18，RMSE的范围为3.18～4.89，NMRSE的范围为8.76%～11.08%。

(3)以植被指数、 植被指数结合红边参数构建不同生育期的SPAD估算模型，以植被指数结合红边参数为因子的估算模型拟合性和精度均优于以植被指数构建的估算模型，同时，估算效果随着生育期推移逐渐增强，在开花期达到最佳效果(基于植被指数：建模R2=0.73，RMSE=2.49，NRMSE=5.57%，基于植被指数结合红边参数：建模R2=0.78，RMSE=2.22，NRMSE=4.95%)。