基于无人机遥感的不同控释肥夏玉米SPAD差异性

2023-12-27马红雨李仙岳孙亚楠胡琦辛懋鑫池利刚张俊

排灌机械工程学报 2023年12期

马红雨,李仙岳*,孙亚楠,胡琦,辛懋鑫,池利刚,张俊

(1. 内蒙古农业大学水利与土木建筑工程学院, 内蒙古呼和浩特 010018; 2. 内蒙古河套灌区水利发展中心乌兰布和分中心,内蒙古巴彦淖尔015000)

近年来,由于缺乏科学有效的田间管理手段,人们为了提高玉米产量会过量施用氮肥,而传统氮肥快速转化导致农田氮素流失现象严重,氮肥平均有效利用率仅约为30%[1],极易造成农田面源污染.因此,夏玉米栽培实现“高产、增效、轻简、环保”是时代提出的新要求[2],控释肥是满足新要求的有效肥料.控释肥通常采用聚合物包衣封装氮,并利用膜的渗透压将氮素排到膜外,解决了传统肥料施入土壤后,由于氮素前期释放过快导致施肥过量而后期又出现缺氮现象的问题[3].目前,国内外学者在控释肥对作物生长发育影响方面的研究较多,李仙岳等[4]研究发现,与传统肥料相比,控释肥处理的产量、氮肥农学利用率分别增加了13.89%和46.42%,这表明控释肥能够明显促进作物生长.

叶绿素是夏玉米进行光合作用非常重要的色素,其含量的高低反映夏玉米光合作用的强弱和营养生理状况的好坏,是评价夏玉米长势的重要指标[5].研究发现,SPAD值与叶绿素含量具有较好的相关性[6],SPAD可以很好地反映植物叶片叶绿素含量.而人工监测作物冠层SPAD费时费力,很难实现区域测量,存在一定的局限性,也很难满足区域农田的精准化管理需求[7].但遥感技术能够快速、便捷、无损地获取作物冠层信息,近年来,随着无人机低空遥感技术的发展,无人机多光谱平台因其操作灵活方便、成本低、时空分辨率高等优势在作物生长状况评估中受到广泛关注[8-9],越来越多学者基于无人机对作物生长信息进行遥感监测.毛智慧等[10]以玉米花期的SPAD为例,分析反射率与SPAD之间的相关性、不同植被指数预测SPAD的稳定性,系统地研究了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;周敏姑等[11]利用无人机获得的5个单波段光谱反射率,构建小麦的SPAD反演模型,为无人机多光谱遥感监测小麦长势提供了技术依据.尽管在无人机平台监测作物SPAD方面研究较多,但多数研究只针对单一生育期,忽视了不同生育期叶绿素含量的差异性,另外现有研究主要在尿素、二氨等传统施肥条件下进行氮素反演,与传统肥料相比,控释肥农田由于氮素缓慢长效释放,在生育后期土壤氮素含量较高,使得冠层SPAD与传统肥料施用下的SPAD存在明显差异.

文中以河套灌区的夏玉米为研究对象,分析不同控释肥用量对夏玉米冠层SPAD的影响,并基于无人机遥感光谱指数构建夏玉米SPAD逐步回归模型,计算不同控释肥用量下SPAD预测值并分析其分布特征,揭示玉米冠层光谱变量对不同控释肥用量的响应,最终筛选最优施氮方案,为河套灌区控释肥农田夏玉米SPAD的遥感监测提供理论依据.该研究对于高效应用控释肥、优化施氮方案以及合理控制面源污染具有重要意义.

1 材料与方法

1.1 研究区概况

研究区位于内蒙古自治区巴彦淖尔市临河区九庄农业综合节水试验站(107°19′E,40°41′N),该地区属中温带半干旱大陆性季风气候,多年平均降雨量约为138 mm,年均气温6.8 ℃.供试作物为玉米,品种为德单1403,种植方式为机械播种,玉米种植密度为66 670株/hm2.

试验共设5个处理,包括不施肥(N0)、传统中氮225 kg/hm2(N1)、控释肥低氮150 kg/hm2(N2)、控释肥中氮225 kg/hm2(N3)和控释肥高氮300 kg/hm2(N4).每个处理重复3次,共15个小区,每个小区规格为5 m×11 m.控释肥处理选用一次性基施聚合物包膜尿素在播前机械覆膜时施入农田.传统肥料处理选用磷酸二铵作为基肥在覆膜时施入农田,追肥施用尿素,在拔节末期灌水前进行人工施撒,施肥位置均为距地表(5±0.5) cm.所有小区灌溉方式均为膜下滴灌,灌水定额为22.5 mm,整个生育期共灌水8次.研究区位置及试验处理布置如图1所示,图中DEM为高程.

图1 研究区位置及试验处理布置图

1.2 叶片SPAD值数据采集

在每个小区前、中、后3个位置各选取9株能代表该小区长势状况的玉米植株,对玉米冠层最上面3层叶子进行SPAD值测定,在每株玉米完全展开叶的上部中离顶端1/3处、中部和下部中离底端1/3处选择测定点,每个测点使用SPAD-502手持式叶绿素仪(北京金科利达)测定3次[11],取平均值.

1.3 无人机多光谱数据采集与处理

1.3.1 无人机数据采集

选用大疆公司生产的四旋翼无人机(精灵4 Pro,中国深圳),配备6个2.9英寸CMOS影像传感器,其中包括1个可见光相机(RGB成像)和5个多光谱相机(蓝光、绿光、红光、红边和近红外波段的光谱),共同组成无人机多光谱信息采集系统.选择晴朗无风的天气进行数据采集,采集时间为11:00—15:00,无人机飞行高度为20 m,飞行速度为5 m/s,航向和旁向重叠率均为80%,地面分辨率为1.1 cm/pixel,拍摄时镜头垂直地面进行采集波段影像.在飞机飞行前,首先在飞行区域内布置黑白标靶布,对其进行拍照,用于之后的多光谱影像的辐射定标.

1.3.2 无人机数据处理

采用瑞士Pix4D公司开发的Pix4D mapper 4.5.6软件对获取的无人机多光谱影像进行拼接等处理.首先利用对应地面控制点数据对多光谱影像进行校正,生成数字正射影像图,再利用灰板对多光谱影像进行反射率校正,获取试验地反射率影像,然后利用ENVI 5.3软件进行辐射校正、波段融合,并设置蓝、绿、红、红边、近红外波段的中心波长,合成真彩色影像(true color)后进行快速大气算法,最后利用ENVI 5.3对无人机真彩色影像进行反射率提取,得到45个采样点的反射率值.

1.4 植被指数的选取及计算

文中选取了与玉米冠层SPAD相关的10个植被指数和5个光谱波段的反射率(B,G,R,RE,NIR分别为蓝光波段、绿光波段、红光波段、红边波段、近红外波段的光谱反射率),共计15个光谱变量进行分析,各个植被指数的公式如表1所示.

表1 植被指数及计算公式

1.5 数据分析

对夏玉米拔节期、抽雄期和灌浆期的玉米冠层多光谱反射率数据进行提取,并结合地面同步实测的玉米冠层SPAD值数据构成样本数据集,每个小区前、中、后3个位置各选取9株均匀分布且长势状况能代表整个小区的玉米植株,计算每个位置实测值的平均值作为该小区的3组数据,共计45组数据.每个时期均获得45组样本数据,随机选取2/3的样本数据(30组)作为建模集,构建SPAD值估算模型,其余1/3的样本数据(15组)作为验证集,检验模型的估测能力.文中基于逐步回归方法构建回归模型,并以样本数据显著性水平和回归参数的显著性水平相结合为准则,对自变量进行筛选,构建最优回归模型,实现对夏玉米SPAD的高精度估测.

1.6 模型评价指标

采用决定系数R2、均方根误差RMSE和归一化均方根误差nRMSE评价模型精度.当R2越大,同时RMSE和nRMSE越小,则表明模型效果越好.

2 结果与分析

2.1 不同施肥处理对夏玉米叶绿素的影响

随着生育期推进,夏玉米的SPAD随时间总体呈上升趋势,如图2所示,不同处理间的差异也逐渐增大.

注:图中不同小写字母表示处理间在0.05水平上差异具有统计意义

在拔节期,除了施氮量为300 kg/hm2的处理,其他不同施氮量处理均无显著差异.在抽雄期,N0—N4处理的夏玉米SPAD较拔节期呈显著增加趋势,各处理间具有统计学意义(P<0.05),且控释肥高氮(N4)的SPAD最高.在灌浆期,控释肥中氮(N3)和高氮处理(N4)对其余处理(N0—N2)具有统计学意义(P<0.05).控释肥处理N2,N3和N4较传统肥料处理(N1)的SPAD分别增加7.61%,14.19%和12.63%.

2.2 夏玉米叶片SPAD与光谱变量相关性分析

将夏玉米3个主要生育期的SPAD与15个光谱变量的反射率分别进行相关性分析,得到了各自的相关系数.在拔节期,除了RE和NIR,其余光谱变量与SPAD均在0.01水平上显著相关,GNDVI的反射率与SPAD的相关系数绝对值最大,为0.641;在抽雄期,RE,NIR与SPAD的相关性不显著,其余光谱变量均在0.01水平上显著,NDVI与SPAD的相关系数绝对值最大,为0.715;在灌浆期,除RE,NIR与SPAD相关关系不显著,其余光谱变量均与SPAD显著相关,RVI与SPAD相关系数绝对值最大,为0.633.总体上,玉米冠层植被指数两个指标的相关性优于单波段光谱,用植被指数与SPAD的相关性能实现显著相关[11].

2.3 基于逐步回归的夏玉米叶片SPAD无人机遥感模型的建立与验证

对各光谱变量与SPAD进行相关分析后,按照其相关系数的大小进行排序,将排序的15个光谱变量依次减少光谱变量的个数作为输入因子进行向后逐步回归分析,建立不同生育期特征光谱变量的夏玉米SPAD的多光谱估算模型,将模型建立的调整后的R2和变量个数综合分析[12],如表2所示,表中R为相关系数,并以决定系数R2最大和均方根误差RMSE最小确定最优模型,如表3所示.在拔节期、抽雄期和灌浆期分别选择与SPAD相关性最好的前7个、前5个和前6个光谱变量作为自变量时,所建模型的R2最高,此时效果最好.各生育期SPAD估算模型R2平均值为0.61,RMSE平均值为4.60,nRMSE平均值为7.60%,说明利用无人机多光谱构建的SPAD估算模型精度较高,模型较精确且具有稳定性.因此,基于无人机多光谱影像构建逐步回归模型能较好地反演夏玉米的SPAD.

表2 光谱变量与SPAD逐步回归分析结果

表3 不同生育期光谱变量与夏玉米SPAD逐步回归模型

利用夏玉米实测SPAD值对构建的无人机多光谱遥感模型进行验证,不同生育期夏玉米叶片SPAD无人机遥感模型预测值与实测值的相关性如图3所示,图中SPADm为SPAD实测值;SPADp为SPAD预测值.由图3可知,各生育期SPAD估算模型验证值R2均不低于0.60,平均值为0.65;RMSE平均值为4.48;nRMSE平均值为7.14%.拔节期的SPAD验证集精度高于抽雄期和灌浆期,R2平均值比拔节期和抽雄期分别提高了9.20%,14.94%,平均提高了12.07%,并且有95%的预测值落在50.8～54.2.综上,基于SPAD估算模型计算出的SPAD的预测值与实测数据吻合度较高,具有实际参考意义.

图3 不同生育期夏玉米叶片SPAD无人机遥感模型预测值与实测值的相关性

2.4 夏玉米叶片SPAD不同生育期分布特征

利用构建的无人机多光谱估算模型,将得到的45组SPAD的预测值数据按小区划分,并取每个小区的平均值制作2021年玉米3个生育期的SPAD的分布图进行分析,基于无人机多光谱影像的SPAD分布如图4所示.

图4 基于无人机多光谱影像的SPAD分布图

在拔节期,玉米SPAD按处理排序由小到大依次为N0,N1,N2,N3,N4,且使用控释肥处理的小区SPAD明显高于施用传统肥料和无肥对照的小区,SPAD值主要在48.0～56.0.在抽雄期,玉米SPAD分布的大小整体要高于拔节期,且控释肥处理的3个小区SPAD均大于传统肥料和无肥处理的小区,SPAD值主要在56.0～64.0.在灌浆期,不同处理的SPAD按处理排序由小到大依次为N0,N1,N2,N4,N3,且SPAD值主要分布在60.0～72.0.从拔节期—灌浆期,各处理小区夏玉米SPAD随生育期的推移呈明显增大趋势,在施氮量为225 kg/hm2(N3)达到峰值.

3 讨论

选用高效的控释肥料不仅能增加玉米冠层叶绿素含量,而且能提高玉米光合作用的效率,并省去多次追肥的时间和人力成本.采用无人机平台快速确定作物需氮情况,利用光谱反射率实时诊断作物氮亏缺情况,从而进行针对性追肥是提高氮肥利用效率的有效途径[13].对比施用控释肥与施用传统肥料的夏玉米叶绿素含量发现,相同灌溉条件下,与传统肥料相比,控释肥可以显著提高夏玉米SPAD,主要由于控释肥养分释放规律与玉米各阶段养分需求规律基本一致,这有助于氮素的吸收和营养物质向玉米营养器官转运.此外,陈浩等[14]发现过量施氮肥不能持续提高叶绿素含量,这与文中研究结果一致,从拔节期—灌浆期,各处理小区夏玉米SPAD随生育期的推移呈明显增大趋势,在施氮量为225 kg/hm2(N3)达到峰值,但继续增大施氮量,玉米SPAD增加不明显甚至会出现降低的情况,说明玉米叶绿素含量受氮肥胁迫而呈降低趋势.

在选用合适的光谱变量作为建模参数时,有研究表明仅以单一波段建立作物氮素反演模型易存在过饱和或精度低的情况[15],基于植被指数构建的模型能够在一定程度提高模型的精度,然而当变量过多时也会使得模型受到多重共线性的影响.文中在此基础上分析了植被指数与玉米SPAD的相关性,发现植被指数GNDVI,B,NDVI与SPAD相关系数绝对值较大,分别达到0.641,0.630和0.606.可以发现由绿波段组合的光谱指数能很好地反演夏玉米氮素营养参数[16].所以,选取植被指数能够提高光谱变量与实测值的相关性,并能进一步提高模型的精度.此外,理论上夏玉米SPAD各个时期的预测值和实测值的所处水平应该是一致的,但由于各时期所获取的无人机多光谱影像受太阳辐射、气候温度和植被覆盖率影响而会有所不同[17].抽雄期作为夏玉米生育中期,所受太阳辐射最强,日夜温差最小,受外界影响最小,因此预测值和实测值基本一致.

文中利用无人机多光谱影像估算玉米SPAD仅限于1 a数据,为提高模型精度和确立最优施肥方案,在试验方面,可增加更多控释肥处理水平、处理小区数和估算参数(株高、冠层覆盖度、叶面积指数、氮营养指数等),且要充分考虑田块尺度问题;在图像处理方面,可去除土壤背景[18]以改进模型精度,利用纹理或多角度信息改进无人机图像的氮营养参数估算方法.