利用無人機多光譜數據監測玉米對不同灌溉模式的響應差異

馬龍飛，胡乃月，李 偉，秦偉龍，黃收兵，王志敏，李 斐，于 康

（1 中國農業大學農學院，北京 100094；2 內蒙古農業大學草原與資源環境學院，內蒙古呼和浩特 010018；3 慕尼黑工業大學生命科學學院，德國弗賴辛 D-85354）

世界上有近1/3的地區屬于干旱和半干旱地區，這些地區的作物生長受到水分供應不足的限制，即使在部分水分供應充足的地區，作物生長偶爾也會受到干旱影響[1]。我國作為世界谷物生產第一大國，玉米生產遍布全國31個省市，其產量位居世界第二位[2-5]。我國玉米主要分布在干旱和半干旱地區[4]，玉米生長過程中需要進行人工灌溉以保證玉米的水分需求。我國水資源僅占全球水資源的6%，農業又是我國用水最多的產業，農業用水超過全國用水量的60%[6]。目前大田作物栽培中普遍缺乏科學的田間水分管理。傳統的漫灌模式在滿足作物生長發育需水量的同時，往往因過量灌溉造成水資源浪費。近年來發展的滴灌模式依靠滴灌帶對田間作物進行灌溉，在保證了作物需水量的同時又節約了水資源[7]。但是，田間鋪設滴灌帶操作較為復雜，成本也較高，限制了滴灌技術在大田生產中的大面積推廣和應用。因此，在大田作物生長中實現合理灌溉和水資源的高效利用，不僅需要經濟高效的灌溉技術，同時也需要經濟高效的監測方法來準確評估作物干旱發生情況、水分需求以及其大田空間變異。

在玉米干旱脅迫研究中葉片色素含量和比葉面積等參數常被用作表征作物干旱狀況的參考指標[8-9]。葉綠素在光合作用過程中參與光吸收，在受到干旱脅迫時葉片葉綠素含量會降低，削弱了光合作用，從而導致干物質生產能力的下降[10]。比葉面積反映了葉片的單位生物量所產生的葉面積，一定程度上可以反映葉片對光截獲的能力強弱和在強光下葉片的自我保護能力[11-12]。Wellstein等[13]研究指出草本開花植物的比葉面積在地中海氣候條件下會隨著干旱狀況的加重而呈下降的趨勢。也有研究表明，對于禾本科作物，干旱會導致葉片面積和葉片干重同步下降[14]。干旱條件下作物水分供應不足，葉片面積減小，與水分供應良好的情況相比，水分脅迫下作物葉片所占的生物量比例變小，葉片變厚[15]。目前大多數田間試驗都是依靠傳統人工取樣測定色素含量、葉面積等，但是人工監測的方法費時費力，很難達到規?；?、實時監測的目的。

無人機(unmanned aerial vehicle，UAV)作為一種新型的遙感平臺，具有靈活性和高分辨率的特點，在適宜的天氣條件下可以快速和準確地獲取作物生長狀態信息[16-17]。早在20世紀90年代無人機就已經被廣泛應用于農業生產管理[18]。隨著科學技術的不斷發展，無人機在農業中的應用越來越廣泛。尤其是近幾年來，無人機獲取圖像數據已實現高度的自動化，對操作人員經驗的依賴性越來越小。因此，無人機搭載傳感器記錄作物生長狀況數據的可靠性越發得到研究人員的認可，為作物脅迫監測以及進一步分析作物生理生化性狀提供了更豐富的替代手段。前人研究表明，可以利用多光譜圖像估算作物生物量和氮含量，根據無人機獲取的高分辨率RGB照片對田間作物灌溉進行指導[19-20]。無人機獲取的多光譜影像可提取多種植被指數，其中歸一化植被指數(normalized difference vegetation index, NDVI)可以反映作物綠色覆蓋度。一般情況下，植被覆蓋度越大，NDVI值越接近1。NDVI值和綠色植物的葉綠素含量有一定的相關性[21]，因此NDVI常被用來衡量綠色植物的葉綠素含量等信息。作物的葉片色素含量在干旱條件下會受到一定程度的影響。對于玉米來說，干旱脅迫會導致玉米葉片的葉綠素含量下降，且抗旱品種的葉綠素含量下降較小[22]。肖武等[23]利用無人機多光譜影像提取紅邊植被指數，并結合多元線性回歸模型實現了對基于SPAD測定的玉米成熟期葉綠素含量的反演。張學治等[24]在夏玉米全生育期葉片色素含量和多種植被指數的相關性研究中，利用逐步回歸分析篩選出NDVI與夏玉米葉片色素含量相關性最好。Ramachandiran等[25]在玉米播種后60和90天測定的干旱脅迫狀態下的葉綠素總含量和NDVI、GNDVI、LCI指數都有顯著相關性。因此植被指數數據和作物生長狀況參數相結合在一定程度上可以反映作物的干旱狀況。Tilling等[26]在小麥生育期測定4次冠層光譜，比較了每個時期NDRE和NDVI指數在反演不同灌溉條件下的小麥冠層氮素含量的區別，發現NDRE比NDVI更能敏感地反映小麥冠層氮含量。綜上所述，作物在整個生育期內都有可能受到干旱脅迫的影響，但是以往的研究多是針對作物生育期內個別時期，針對整個生育期內干旱監測的可行性少有研究，因此干旱預警的最佳時期、光譜指標仍不明確。

本研究利用無人機多光譜圖像在多個生育時期監測玉米長勢，旨在探明近地遙感數據用于反映作物長勢狀況在不同處理下出現差異的最佳時期及反映干旱脅迫的最佳光譜指數。

1 材料與方法

1.1 大田試驗設計

試驗地點位于河北省滄州市吳橋縣姚莊村中國農業大學實驗站。本試驗選用兩個玉米品種，分別為‘鄭單958’和‘富民985’。每個品種設置3種不同的灌溉模式，分別為滴灌、畦灌和雨養模式。每種模式3次重復，共18個試驗小區。每個小區種植面積為30 m2。于2020年4月26日播種，播種前以750 m3/hm2的灌溉量進行底墑水澆灌。滴灌模式使用滴灌帶于9葉期(播種后45天)和抽雄后10天(播種后73天)進行灌溉，每次灌溉量為750 m3/hm2。畦灌模式與滴灌模式的灌溉時間和灌水量一致。雨養模式在生育期內不進行灌溉。

1.2 無人機圖像獲取及處理

于玉米播種后60、70、76、84、90、95天利用大疆精靈4無人機(Phantom 4 multispectral)搭載多光譜相機進行多光譜圖像數據獲取，該相機有6個鏡頭，可以同時獲取5個波段[紅Red (650±16 nm)、綠 Green (560±16 nm)、藍 Blue (450±16 nm)、紅邊Red-edge (730±16 nm)、近紅外 Near infrared (840±26 nm)]和一張RGB圖像。設置飛行航線的旁向重疊度為90%，航向重疊度為90%，飛行高度為30 m，選擇晴朗無風天氣的上午10點到下午2點之間進行圖像獲取。田間設置4個地面控制點，使用DJI RTK 2測定每個控制點坐標。

使用大疆智圖(DJI Terra)對每一次飛行任務中獲取的圖片進行圖像拼接以獲取正射影像。無人機每一次飛行任務獲取的圖片導入大疆智圖軟件后，選擇二維多光譜模板為重建類型，像控點管理中選擇導入地面控制點坐標進行處理。輸出結果包含一張RGB圖像，5張單波段光譜反射率圖像(紅Red、綠Green、藍Blue、紅邊Red-edge、近紅外Near infrared)，5張植被指數圖像(歸一化植被指數NDVI、歸一化差異紅色邊緣指數NDRE、綠色歸一化差異植被指數GNDVI、葉面葉綠素指數LCI、優化土壤調節植被指數OSAVI)。各植被指數具體計算公式見表1。

表1 文章中所涉及的植被指數Table 1 The vegetation indexes used in this study

田間作物生長前期冠層覆蓋度較小，因此無人機圖像中包含大量土壤背景，為減小土壤背景的干擾，將拼接后的無人機圖像進行分割，在MATLAB中利用ExG閾值分割法[32]將植被和土壤背景分開，以減少土壤背景的光譜反射值對數據的影響。將分割后的圖像導入QGIS中進行光譜數據提取，在分割后的圖像上按照小區創建新的圖層進行數據提取工作，計算每一個小區的光譜反射率平均值。

1.3 田間數據的獲取

1.3.1 葉片色素含量測定 于玉米播種后60到90天每10天測定一次葉綠素含量。選取最新展開葉，稱取0.1 g鮮樣品切碎，利用10 mL 95%酒精置于黑暗處萃取24 h，使用分光光度計于470、646、663 nm下進行比色。根據Lichtenthaler等提出的方法計算葉綠素a、葉綠素b、類胡蘿卜素含量[33]。

1.3.2 比葉面積測定 雌穗抽出后取穗位葉，于播種后76、84、95天取樣3次，選取長勢狀況能夠代表整個小區的植株，將穗位葉沿葉片根部完整切割后置于密封袋中保存，及時帶回實驗室進行面積測定。利用掃描儀獲取葉片圖像，使用MATLAB編寫程序實現分割葉片圖像并計算葉片面積。烘干后測定干物質重，根據葉片面積和葉片干重的比值計算出比葉面積，公式(1)[34]。

1.4 數據分析

采用Excel 2016和SPSS 26數據處理軟件進行實驗數據整理以及差異顯著性分析。使用R (4.0.3版本)進行相關性分析和圖表繪制。

2 結果與分析

2.1 葉片色素含量分析

圖1結果表明，播種后60和70天同一品種不同灌溉模式之間的色素含量沒有出現顯著性差異。播種后80天，鄭單958在3種灌溉模式下的葉綠素a、葉綠素b和類胡蘿卜素含量都具有顯著性差異，且雨養處理下的葉綠素a、葉綠素b和類胡蘿卜素含量最低，而此時富民985在3種灌溉模式下的色素含量并無顯著性差異。播種后90天，雨養模式的效應進一步顯現，與灌溉處理(畦灌模式和滴灌模式)相比，富民985在雨養模式下3種色素含量與畦灌模式都具有顯著性差異，葉綠素a、葉綠素b含量與滴灌模式也差異顯著；鄭單958僅有葉綠素a和類胡蘿卜素含量具有顯著性差異，而葉綠素b含量與畦灌模式沒有顯著性差異。

圖1 不同生長時期測定的玉米葉片色素含量Fig. 1 The pigment content of maize leaves measured at different growth periods

從田間長勢(圖2)狀況來看，滴灌和畦灌模式之間的玉米生長狀況沒有明顯差異，結合4次測定結果，富民985的滴灌和畦灌模式之間3種色素含量并沒有出現顯著性差異，推測這一結果和試驗中灌溉處理有關，足量的灌溉未能使兩者出現差異。

圖2 播種后90天兩個玉米品種田間長勢無人機圖像Fig. 2 Drone-captured images of growth of two maize cultivars at 90 days after sowing

2.2 比葉面積分析

如圖3所示，播種后76天時，同一處品種不同灌溉處理之間的比葉面積沒有出現顯著性差異。播種后84天和第95天時，富民985的雨養處理和其他灌溉模式之間的比葉面積表現出顯著差異，鄭單958的3種處理之間沒有出現顯著差異。結合3次取樣時間來看，兩個品種的滴灌和畦灌模式之間的比葉面積都沒有出現顯著差異。

圖3 三種灌溉模式下兩個玉米品種的比葉面積Fig. 3 The specific leaf area index (SLA) of two maize varieties under three irrigation modes

2.3 不同灌溉方式下的植被指數

圖4顯示，富民985品種在3種灌溉模式下5種植被指數都有差異顯現。播種后60天，雨養模式的NDVI、GNDVI和OSAVI指數顯著低于另外兩種灌溉模式，而NDRE和LCI指數則沒有表現出顯著差異。從播種后70天開始，在3種模式下5種植被指數都表現出差異，雨養模式明顯低于滴灌和畦灌模式。各個時期總體來看，畦灌模式的植被指數低于滴灌模式，其中從播種后80或90天開始，畦灌模式的各植被指數顯著低于滴灌模式。從時間變化趨勢來看，雨養模式下的5種植被指數都是呈現先升高后下降的變化趨勢；滴灌模式和畦灌模式下的NDVI、NDRE、GNDVI和LCI指數呈現升高后趨于穩定的變化趨勢；滴灌模式的OSAVI指數呈現逐漸升高的趨勢，畦灌模式的OSAVI呈現先上升后下降的趨勢。

圖4 三種灌溉模式下兩個玉米品種植被指數間的差異分析Fig. 4 Analysis of the difference in vegetation index of two maize varieties under three irrigation modes

圖4顯示，鄭單958在雨養模式下的NDVI、GNDVI和OSAVI指數從播種后60天已顯著低于畦灌和滴灌處理。從播種后70天起，雨養模式的NDRE和LCI指數也都表現出顯著的下降。與富民985結果類似，畦灌模式的指數一般低于滴灌模式，5個指數從播種后80天開始也表現出顯著差異，但NDVI與OSAVI指數除外?？傮w來看，雨養模式的5種植被指數也是呈現先上升后下降的趨勢；然而，畦灌和滴灌模式下的NDVI、NDRE、GNDVI和LCI等4種植被指數呈現逐漸上升的趨勢，但OSAVI呈現先上升后下降的趨勢。

2.4 植被指數和葉片色素含量之間的相關性分析

5個植被指數與3個葉片色素含量之間的相關性分析結果(圖5)顯示，播種后60和70天分別僅有(Chl.a+Chl.b)/Car和GNDVI、OSAVI之間，以及Chl.b和NDRE之間表現出顯著相關性。從播后80天開始，NDRE、LCI指數和3種色素(Chl.a、Chl.b、Car)顯著相關(r≥0.61)，但是(Chl.a+Chl.b)/Car比值除外。在播后90天，3個植被指數與Chl.a和Chl.b之間均具有顯著相關性，且相關系數明顯高于前期。而類胡蘿卜素(Car)僅與NDVI相關性不顯著。葉綠素a、葉綠素b之間的相關性隨著播種后天數的增加而呈現顯著性上升的趨勢，說明植被指數和色素含量之間的相關性受生育期的影響。另外，完全不同于其它指標，(Chl.a+Chl.b)/Car比值在播后90天與各指數均顯著相關 (r＞0.73,P＜0.05)。

圖5 玉米植被指數和色素含量的相關性分析Fig. 5 Correlation analysis of vegetation index and pigment content of maize

3 討論

本試驗選取色素含量、比葉面積和植被指數3種指標量化不同灌溉模式之間的區別。結合試驗中獲取的數據來看，色素含量、比葉面積、植被指數等數據在3種灌溉模式之間都呈現了明顯的差異，但是各項指標出現差異的時間略有不同。

3.1 干旱脅迫對色素含量和比葉面積的影響

試驗早期相同品種下3種灌溉模式下的色素含量之間無顯著性差異，后期3種灌溉模式的色素含量才出現顯著性差異(圖1)。關義新等[35]、何海軍等[36]研究指出，葉綠素a、葉綠素b和類胡蘿卜素含量都會隨著干旱程度的加重而下降。本研究中玉米生長后期雨養條件下的3種色素含量顯著低于灌溉(畦灌和滴灌)處理，表明干旱確實導致葉片中色素含量下降。

比葉面積描述了植物冠層內葉片生物量相對于葉面積的分布狀況，這一分布狀況和作物水分供應有關系[37]。本研究發現，兩個品種3種處理的比葉面積變化規律和Zhou等[14]的研究結果一致；由于播種后73天進行了灌水處理，比葉面積的取樣時期都在灌水之后，灌溉措施影響了田間作物的生長狀況。灌溉后鄭單958的3種處理之間的比葉面積沒有出現顯著性差異，播種后76天時富民985的雨養處理和灌水處理的比葉面積沒有顯著差異，后兩次取樣出現差異，這一結果表明鄭單958品種的耐旱能力優于富民985。

綜合色素含量和比葉面積來看，針對富民985品種來說，3種灌溉模式早期(播種后60、70天)的色素含量和比葉面積都沒有出現顯著性差異，而是在生育期的后期(播種后80、90天)上述指標都達到了顯著性差異，而鄭單958品種在不同灌溉模式的色素含量差異和比葉面積差異沒有同步變化。由色素含量和比葉面積沒有出現同步變化，推測試驗中測定的比葉面積由穗位葉計算而來，穗位葉位于植株中部。Li等[38]的研究指出，玉米干旱狀況下底部葉片對干旱的反應更加敏感，在干旱早期就會和干旱狀況有更明顯的聯系，因此推測色素含量對干旱狀況產生反應時，中部葉的比葉面積并沒有出現同步變化。

3.2 干旱條件下植被指數的變化

從植被指數之間的差異性分析來看，3種灌溉模式下兩個品種在播種后60天植被指數差異稍有顯現，播種后70天的植被指數顯示3種灌溉模式之間已經有明顯差異，這一變化特征和師桂花等[39]對于不同水分條件下的草原植被群落光譜特征的研究結論一致，同樣說明水分狀況會引起植被指數的差異。播種后80和90天3種灌溉模式下的兩個品種植被指數之間差異進一步顯現。

綜合試驗中人工測定的指標和無人機獲取的多光譜數據來看，不同的指標對于3種灌溉模式的差異都有一定的反映，區別在于不同的指標出現差異的時間點不同，播種后70天多光譜數據構建的植被指數已經可以反映不同的灌溉模式之間的差異，并且在統計學上達到顯著性差異。然而，此時人工測定數據并沒有出現統計學上顯著性差異，因此多光譜數據可以認為更敏感地反映不同灌溉模式之間的差異，更加及時地指導春玉米灌溉。Nogueira等[40]指出，人工監測的指標來反映作物群體生長發育狀況不夠及時，無人機提取的植被指數可以更早的看出作物群體的狀態。由于人工取樣手段往往只能針對特定的少量植株進行取樣測定，因此測定結果并不能準確反映整個群體的生長狀況。無人機數據中衍生出的植被指數是整個群體的植被指數的平均值，因此無人機數據能更加準確地反映群體的植株生長狀況。

3.3 植被指數和色素含量的相關性

將植被指數和葉片色素含量進行統計分析建立統計關系，該方法具有一定的普適性[41]。葉片色素含量和植被指數之間的相關性分析表明，3種色素含量和植被指數之間存在顯著相關性，并且隨著作物生育期的推進呈現上升的趨勢。相較于葉綠素a和葉綠素b與植被指數之間的相關性來看，類胡蘿卜素和植被指數之間的相關性不大，因此單獨使用類胡蘿卜素含量來反映作物當前生長狀況不夠準確。干旱條件下玉米葉片提前衰老，衰老的葉片中葉綠素發生降解，葉綠素含量下降，但類胡蘿卜素降解較少，相對含量增加[42]，結合葉綠素總含量和類胡蘿卜素含量的比值和植被指數的相關性來看，生育前期該指標和5種植被指數沒有達到顯著性相關，最后一次測定結果顯示(Chl.a+Chl.b)/Car和5種指數都達到極顯著相關。Merzlyak等[43]研究指出500 nm (綠光)和680 nm (紅光)對葉片衰老引起的色素含量變化最敏感，本試驗中使用的5種植被指數都分別涉及到綠光波段和紅光波段，因此在色素含量測定的后期，葉綠素大量分解，類胡蘿卜素含量變化相對較小[44]，兩者的比值由于衰老作用變小，因此在作物生長的后期兩者的比值和植被指數都出現了極顯著相關?？梢钥紤]用作物中葉綠素總含量和類胡蘿卜素含量的比值來反映作物后期衰老狀況。Car和NDVI、GNDVI、OSAVI指數在播種后80天時的相關性不顯著(圖5)。由于Car的光譜吸收峰(400～500 nm)和葉綠素a、葉綠素b具有重合性[45]，因此在作物持綠時期，葉綠素a、葉綠素b含量較高，光譜指數難以反應Car的含量。

NDRE采用了紅邊波段，在播種后70天與葉綠素b最早出現了顯著性相關。艾金泉等[46]研究表明，NDVI和葉綠素a、葉綠素b、類胡蘿卜素之間的相關性良好；結合本研究結果來看，播種后80天時NDVI和葉綠素a、葉綠素b具有顯著性相關，同一時期NDRE和色素含量之間的相關性優于NDVI，在植被覆蓋度高的地區，利用紅/綠波段和近紅外波段構建的植被指數容易出現飽和現象，而紅邊波段則可以避免這一現象，所以紅邊波段的加入可以提高玉米冠層色素含量的估算精度，這一結果和蘇偉等[47]的研究結果一致。LCI指數在播種后80天與3種色素含量達到顯著性相關，進一步證明了紅邊波段可以更好地表征玉米冠層色素含量。

OSAVI指數的作用是降低土壤和潮濕條件的影響[48]，由于播種后73天的灌水處理導致土壤濕度增加，此時OSAVI指數僅和葉綠素b含量達到顯著性相關。Jin等[49]研究發現，OSAVI指數和葉綠素含量呈現高度相關(R2=0.63)，OSAVI指數和生物量干重相乘后的數值與葉綠素含量相關性更好(R2=0.81)。與Jin等的結果相比較，本試驗中單獨使用OSAVI指數和葉綠素含量做線性相關分析，結果顯示相關性較差，原因在于OSAVI指數中所包含的近紅外與紅光的波段組合對葉綠素不夠敏感，Jin等[49]設置的氮肥梯度試驗中植株生物量和施氮量高度相關，因此在這一基礎上將OSAVI和生物量相乘，得到的結果與葉綠素總量相關性優于單獨使用OSAVI。

雖然在本試驗條件下，我們觀測到了光譜參數對同一用水量的兩種灌溉模式的響應具有差異，但實質是對葉綠素、比葉面積、生物量等眾多影響光譜信息的因素的綜合響應。本研究沒有考慮氮肥等營養問題或其它脅迫因素。將來的研究還需要進一步驗證在氮肥營養和其他脅迫存在的情況下，利用無人機多光譜參數比較不同灌溉模式的效果或者監測干旱的可靠性。

4 結論

利用無人機多光譜數據能夠反映不同灌溉模式下的春玉米生長狀況之間的差異。植被指數在播種后70天(開花期)即可體現灌溉作物的生長情況優于雨養模式下的作物；引入紅邊波段的NDRE指數和葉片中葉綠素含量相關性更好；依據其測定值計算的葉綠素與類胡蘿卜素的比值[(Ca+Cb)/Car]在作物生長后期與植被指數相關性較高，可以反映作物衰老狀況，整體來看，利用無人機植被指數監測作物生長狀況具有一定的可行性，植被指數數據比傳統的人工測定指標出現差異的時間更早更精確，可以更早發現作物的生長狀況中受到的水分脅迫，為作物進行水分灌溉提供了更為及時的指導依據。本研究僅僅是針對玉米一種作物進行研究，所得到的結論是基于本試驗中的特定條件，因此結論的普適性仍需要進一步驗證。