無人機可見光影像對甜菜葉綠素含量的反演研究

劉智鑫,練雪萌,汪 旭,吳啟賢,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

葉綠素作為植物進行光合作用的主要色素,其含量與農作物生長狀況、氮素含量、產量等有著極大的相關性,是農作物長勢監測的重要指標[1,2]。了解葉綠素含量可以間接判斷植物氮素含量,指導田間施肥等經營管理活動[3]。遙感因具有快速、無破壞、大尺度精細化監測等優點,在作物表型分析領域已展示出獨特的優勢。然而衛星遙感重訪周期長、空間分辨率低,受大氣條件影響大,制約其在作物表型精準分析中的應用。近年來,無人機(unmanned aerial vehicle, UAV)遙感因分辨率高、使用成本低、靈活性強等特點,為作物表型分析提供了良好的契機[4]。

甜菜是一種重要的經濟作物,是可以經濟地生產蔗糖(即糖)的僅有的兩種植物來源之一[5]。在甜菜中,氮在葉片展開以捕獲陽光的過程中發揮著關鍵作用,被認為是葉片和貯藏根生長速率的主要決定因素[6]。在甜菜生長周期的前70天,葉片中的氮濃度逐漸增加,隨后隨著生長周期的推進而降低[7]。葉片的葉綠素含量與氮素狀態有關[8],葉綠素含量的降低和冠層衰老的加速通常發生在作物周期的結束階段[9]。由于葉綠素濃度較低,低水平的氮會導致葉子呈現綠色[10],盡管在后期施用氮會增加葉片中的葉綠素濃度[11]。在甜菜生長周期的最后階段,測定葉片中的氮水平變得尤為重要,因為已經證明后期氮的摻入或從土壤中釋放會降低蔗糖含量[12]。此外,Draycott等人發現,超過最佳水平后,氮素會對糖產量產生負面影響。在夏季晚些時候釋放大量氮的土壤具有較低的產量,這是因為極化(即生長期表觀蔗糖含量)與氮素有效性成反比。此外,Gordo-Ingelmo報道了甜菜對氮肥增加的反應,葉片和根系發育更加旺盛,這反過來導致蔗糖的過度利用和非糖物質的增加。這種情況主要發生在過量施用有機肥的情況下,因為一部分氮素釋放得太晚,導致根系停止成熟。

目前大多數關于光譜圖像的研究都集中在診斷葉綠素含量上[13]。這些研究的方向包括分析光譜響應[14],在可見光和近紅外圖像的基礎上,對敏感參數進行定量化與選擇[15],以及對模型的優化。Yu等[16]發現,反射差分指數(RRDIs)的比例可以消除作物冠層結構對光譜反射特性的影響,從而提高葉綠素含量的估計。Gaurav等[17]使用多光譜相機收集了玉米冠層的譜數據,并使用機器學習構建了葉綠素含量的診斷模型。最優模型的決定系數(R2)為0.904。結果表明,機載多光譜傳感器與機器學習的結合可以有效提高葉綠素含量的檢測精度。上述研究概述了植被指數在估計葉綠素含量方面的能力,尤其是基于無人機在可見光、紅邊和近紅外波段的采集,對植被的生理和生物化學有敏感的反應[14]。

在甜菜的生長過程中,葉綠素含量的監測對于實現增產和增糖的目標至關重要。然而,傳統的田間測量方法難以滿足大規模監測的需求,因此遙感技術被廣泛應用于作物長勢監測。近年來,無人機遙感技術的發展為作物表型分析提供了新的契機。我的論文旨在利用無人機遙感技術對甜菜生長進行監測,并建立與葉綠素含量相關的機器學習模型。選擇了支持向量機(SVM)、隨機森林(RF)和嶺回歸(RR)三種機器學習算法,并利用決定系數R2、均方根誤差RMSE、歸一化均方根誤差NRMSE和平均絕對誤差MAE等指標評價模型精度。本次研究基于9個不同施氮水平下甜菜的可見光遙感影像和田間實測冠層葉綠素含量。使用大疆精靈4無人機進行甜菜生長的監測,收集了甜菜冠層的圖像數據。之后,將這些圖像數據與實測的葉綠素含量進行比較,建立了與葉綠素含量相關的機器學習模型。

通過機器學習模型的應用,可以快速、準確地獲取甜菜冠層的葉綠素含量,為甜菜的增產和增糖提供科學依據。同時,本次的研究結果也為利用無人機遙感技術進行作物長勢監測提供了新的思路和方法

1 材料與方法

1.1 試驗區概況

供試材料為甜菜“KWS1176”丸?；N子,試驗區位于黑龍江省哈爾濱市黑龍江大學呼蘭校區甜菜種植基地,如圖1所示,試驗區株距0.14 m,行距0.16 m。

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

1.2 試驗設計

試驗于2022年3月到10月開展,在研究區域內,先施加25 kg/hm2磷酸二銨作為基肥,在苗期結束后(5月29日)進行9個不同水平的氮肥處理,這些處理包括0 kg/hm2(CK)、30 kg/hm2(N1)、60 kg/hm2(N2)、90 kg/hm2(N3)、120 kg/hm2(N4)、150 kg/hm2(N5)、180 kg/hm2(N6)、210 kg/hm2(N7)、240 kg/hm2(N8),每個處理都設置了4次重復,總共有36個試驗小區,小區分布如圖1所示。

1.3 無人機可見光影像數據采集

無人機可見光數據和大田甜菜樣本數據根據甜菜的生長特性和關鍵生長期選擇在以下日期進行采集:苗期:5月29日;葉叢快速生長期:6月9日、6月19日和7月5日;塊根糖分增長期:7月22日、8月15日,以及糖分積累期10月13日。

1.3.1 無人機多光譜數據采集

本實驗采用了大疆精靈4多光譜無人機(DJI P4 Multispectral)搭載的多光譜相機組成信息采集系統,該系統的地面分辨率是0.8厘米/像素。多光譜無人機相機鏡頭垂直于主航線拍攝,無人機飛行高度設置為15米,航速為5米/秒,航向重疊率為70%,旁向重疊率為60%。對試驗區進行了連續監測。

表1 無人機主要參數Tab.1 Main parameters of UAV

1.4 大田數據采集

大田數據采集時間與無人機可見光影像數據采集時間相同。

1.4.1 葉綠素含量

在36個試驗小區中一個小區取4株,避開最頭上一兩株,往里連續取(避免邊際效應),每株甜菜葉片利用打孔器(避開葉脈)進行打孔取樣,因丙酮與乙醇混合溶劑的提取效果顯著高于單一溶劑[18],故取樣后立即浸泡在丙酮∶無水乙醇(1∶1)的離心管中密封,并于黑暗條件下存放,直至樣品完全變白為止。隨后用紫外分光光度計分別測定波長在663 nm、645 nm處的吸光度值,根據葉綠素含量計算公式[19]:

Chla=12.7OD663-2.69OD645

Chlb=22.9OD645-4.86OD663

Cv=Chla+Chlb

計算葉綠素含量。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。

1.4.2 地上部產量、塊根產量

在36個試驗小區中,一個小區分兩壟,每壟各取連續的10株,共20株,每壟的長度為1.4米,將甜菜的地上部和地下部分離后分別稱重,隨后利用試驗設計中的株距和行距計算甜菜地上部和地下部的小區理論畝產量。

1.4.3 含糖率

在測產的20株甜菜中隨機選取8株甜菜,利用糖度儀(日本愛拓PAL-1)進行錘度測定,測定的錘度值乘以82%即為含糖率。

1.5 數據分析與處理

植被指數已成功用于監測農作物的生長和預測農作物的產量[20]。本研究采用了以下三種模型方法:支持向量機(SVM)、隨機森林(RF)和嶺回歸(RR)。

基于無人機獲取的6種植被指數影像,利用上述三種機器學習模型對甜菜葉綠素含量進行反演。將無人機可見光影像數據導入DJI Terra軟件,進行拼接、合成以及波段運算,得到了表2中的植被指數。

表2 植被指數計算公式Tab.2 Calculation formula of vegetation index

使用ArcGis10.6和ENVI5.3軟件,將試驗區劃分為36個小區。接下來,對不同植被指數影像進行試驗區識別、感興趣區域選取、掩膜劃分,并通過分區統計提取得到小區植被指數均值。

這些數據將用于進一步的分析和模型驗證,以評估各種模型在預測甜菜葉綠素含量和葉面積指數方面的性能。通過比較不同模型的預測結果和實際觀測數據的差異,可以選擇出最適合的模型,用于預測和評估甜菜生長狀況。

1.6 評價指標

在本次研究中,按照70%和30%的比例隨機抽取實測樣本數據,其中70%的數據樣本用于構建甜菜葉綠素含量及葉面積指數預測模型,而30%的數據樣本則作為驗證集用于模型評價。最后采用以下指標來評估模型的精度: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(Normal-ized root mean squared error,NRMSE)和平均絕對誤差(Mean Absolute Deviation, MAE)。計算公式如下:

2 結果與分析

2.1 不同施氮量對甜菜葉片葉綠素含量的影響

圖2展示了試驗周期內不同取樣時間的甜菜葉片葉綠素含量方差分析圖。第一張圖比較了苗期和葉叢快速生長期的情況,而第二張圖則比較了塊根糖分增長期和糖分積累期的情況。在5月29日施用氮肥后,由于土壤本身施有底肥,甜菜在生長前期已能從土壤中獲取足夠的養分。因此,在苗期(5月29日),甜菜中的chl差異并不明顯,在葉叢快速增長期(6月9日,6月19日)追施的氮肥已經開始發揮作用,與對照組相比已經有明顯的差異,如圖2所示。伴隨著施氮時間的延長,葉片葉綠素含量(Chl)整體呈現先升高后下降的趨勢。在7月5日取樣時,各處理葉片chl達到最大值,并且隨著氮素增加先增加后降低,相比對照組,N2-N8處理的甜菜葉片Chl顯著更高。其中,在N6處理下,甜菜葉片Chl達到最大值,相比對照組增加了28.51%;N8處理的Chl相比對照組增加了16.78%。然而,在甜菜進入塊根與糖分積累期后,葉片開始衰老,各處理下的甜菜葉片Chl呈現下降趨勢。不過,施用高氮N2-N8處理的葉片葉綠素含量仍然顯著高于對照組。

圖2 不同施氮量對甜菜葉綠素含量的影響Fig.2 Effects of different nitrogen fertilizer rates on chlorophyll content in beet

2.2 不同施氮量對甜菜產質量的影響

圖3展示了不同施氮量對甜菜地上部、地下部產量以及含糖率的影響,由圖可知氮肥的施用對甜菜的地上部和地下部產量都有明顯的影響。對比CK處理,所有施氮處理的地上部、地下部產量都有所增加且有明顯差異,這進一步證明了氮肥對甜菜生長的重要性。在追施氮肥的情況下,N7處理的地上部產量最高,達到了1.75千克/畝。同樣地,N7處理也是地下部產量最高的處理并且達到顯著水平,為6.19千克/畝。N8處理的地上部和地下部產量雖然比N7處理低,但仍高于大多數處理,然而,含糖率的檢測中,CK處理的含糖率最高,為17%。并且隨著施氮量的增加,整體含糖率呈下降趨勢, 在N6處理達到最低,為16.39%。

圖3 不同施氮量對甜菜地上、地下部產量及含糖率的影響Fig.3 Effects of different nitrogen application rates on yield and sugar content in aboveground and underground parts of sugar beet

2.3 不同取樣時間葉綠素與施氮量的相關性分析

圖4展示了不同取樣時間下,不同施氮量與田間實測葉綠素(Chl)的相關性分析結果。由于氮肥是在5月29日一次性施入的,因此施氮量與葉綠素在5月29日沒有相關性。隨著種植時間的延長,氮肥逐漸發揮作用。從6月9日(葉叢快速生長期)開始,相關系數穩步上升,至7月22日(塊根糖分積累期)達到最大值,相關系數為r=0.855。隨后,由于葉片衰老,各處理的甜菜葉片Chl呈現下降趨勢。然而,不同氮肥量與甜菜Chl之間的相關系數仍在0.7以上。因此,可以通過植被指數建立模型來監測葉片葉綠素含量,為了解冠層氮營養和精準施肥提供參考。

圖4 不同取樣時間葉綠素與施氮量的相關性分析Fig.4 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反演模型的構建

2.4.1 甜菜糖分增長期葉綠素含量機器學習模型

基于不同機器學習模型反演葉綠素含量的三種 Chl 反演模型,如圖5所示,在甜菜糖分增長期,三種模型反演效果為SVM>RF>RR,R2分別為0.74,0.55,0.34;RMSE分別為0.68,0.95,1.15;MAE為0.48,0.67,0.75;NRMSE為0.16,0.20,0.24。通過比較這些模型的R2、RMSE、MAE和NRMSE等評估指標,我們可以得出以下結論:SVM模型在預測甜菜糖分增長期葉綠素含量方面具有最佳的表現,其R2、RMSE等評估指標都優于RF和RR模型,表明SVM模型能夠更好地解釋數據變動,具有更小的預測誤差和更好的預測效果。RF模型在預測葉綠素含量方面的表現次之,雖然RF模型的表現不如SVM模型,但在某些情況下,它仍然是一個有效的選擇,例如當需要考慮變量間的相互作用和復雜關系時。而RR模型在預測葉綠素含量方面的表現最差,這些評估指標的值表明該模型在解釋數據變動和預測誤差方面都存在較大的問題。

圖5 糖分增長期chl反演模型Fig.5 Chl inversion model during sugar increase

圖6 糖分積累期反演模型Fig.6 Inverse Chl model for the period of sugar accumulation

圖7 全時期chl反演模型Fig.7 Inverse Chl model for the whole period

2.4.2 甜菜糖分積累期葉綠素含量機器學習模型

在甜菜糖分積累期, SVM模型是唯一展現出良好反演效果的模型。具體來說,該模型的R2值達到0.74,這意味著它能夠解釋甜菜糖分積累期數據變動的74%。同時,RMSE值為0.27,表明該模型的預測誤差較小。MAE值為0.18,說明平均而言,該模型預測的誤差較小。NRMSE值為0.16,表明該模型在歸一化處理后的預測誤差也很小。

由此可見,在預測甜菜糖分積累期葉綠素含量方面,SVM模型具有最佳的表現。通過比較這些評估指標,我們可以清楚地看到SVM模型能夠更好地解釋數據變動、具有更小的預測誤差和更好的預測效果。

2.4.3 甜菜整個生長期葉綠素含量機器學習模型

在甜菜整個生長期,三種反演模型(SVM、RF和RR)的反演效果存在顯著差異。在這三種模型中,SVM模型在預測葉綠素含量方面表現出最佳的反演效果。具體來說,SVM模型具有較高的決定系數(R2=0.76),表明該模型能夠解釋甜菜生長過程中葉綠素含量變動的76%。同時,該模型的均方根誤差(RMSE=0.53)和平均絕對誤差(MAE=0.33)較低,歸一化均方根誤差(NRMSE=0.09)也較小,這表明該模型的預測誤差較小,預測效果較好。

此外,SVM模型與植被指數之間存在顯著的相關性,其模型為y=13+0.705x。這個模型可以有效地將植被指數與葉綠素含量聯系起來,為利用無人機遙感監測甜菜生長過程中的葉綠素含量提供了方便。通過應用SVM模型,我們可以更好地利用無人機遙感技術來監測甜菜整個生長期的葉綠素含量,從而為農業生產提供更準確、更有效的參考信息。

3 討論

在本次研究中,不同施氮量對甜菜葉片葉綠素含量具有顯著影響。隨著施氮量的增加,葉綠素含量呈現出先上升后下降的趨勢,這與越鵬等人[21]的研究結果一致。此外,不同施氮量對甜菜地上部產量也有顯著影響,表現為隨著施氮量的增加,地上部產量逐步增加,并在N7處理達到最大值,隨后逐漸降低,整體也呈先上升后下降的趨勢。然而,對于地下部產量而言,除N6、N7處理外,N1-N5處理地下部產量雖增加,但并未達到顯著影響水平。而對于含糖率而言,隨著施氮量的增加,整體呈下降趨勢,其中N6、N7處理下降趨勢顯著。

許多研究表明,隨著施氮量的增加會導致葉片和冠部發育更加茂盛,同時根系成熟速度減慢,根系含糖量降低。此外,氮肥施用過量會導致甜菜植株生長過快,根系發育不良,根質量可能會降低[10,22-24]。LAST P等人[25]的一項為期六年的田間研究(1973-1978)表明,硝酸銨施肥和灌溉對甜菜產量和質量有影響。甜菜根產量隨干物質積累量的增加而線性增加。然而,在大多數情況下,增加氮肥會得到更高的根產量,但相反,高氮量降低了根中的糖含量。DE SOUZA BRAZ A M等人[26]在克羅地亞進行了兩年的研究后指出,基本施肥量為6.7公斤/畝的尿素可使根產量從平均3.84噸/畝(對照)增加到4.09噸/畝,糖含量從平均15.7%(對照)增加到15.8%。這表明,在一定范圍內,增加氮肥的施用量可以促進甜菜的生長和產量。但是,超過一定限度后,增加氮肥的施用量可能會對甜菜的生長產生負面影響

在本次研究中,支持向量機(SVM)模型在反演葉綠素含量方面表現最佳。由于在本次研究中,甜菜葉綠素含量為小樣本數據,且不同取樣時期的數據呈現出非線性關系。SVM模型是一種基于核方法的分類器,能夠有效地處理小樣本數據并且具有較好的泛化能力。此外,SVM模型在處理高維數據時具有優勢,可以挖掘出數據中的非線性關系。因此,在甜菜的生長期內,SVM模型能夠較好地反演葉綠素含量。這一結果與劉朝相等人[27]的研究結果一致。

總的來說,本研究表明無人機遙感技術可以用于估測甜菜的葉綠素含量,為實現精準施氮、增產、增糖和增收提供了新的理論依據。然而,需要注意的是,本研究僅針對一種作物進行了研究,因此需要進一步研究其他作物的遙感估測方法。此外,在實際應用中,還需要考慮無人機操作的安全性、效率和精度等因素。

4 結論

本研究基于無人機可見光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。根據實驗結果:在甜菜的糖分增長期、糖分積累期和整個生長期,基于植被指數的SVM模型都能夠較好地反演甜菜冠層葉綠素含量,并具有較好的預測能力。因此,可以使用這種模型來指導農業精準施氮,實現甜菜的增產增效。