基于无人机多光谱的烤烟冠层叶绿素含量反演

摘要：叶绿素含量对作物的光合作用有直接影响，同时影响作物有机质的积累，成为监测作物生长的重要指标，烟草作为一种特殊的经济作物，快速监测其叶绿素含量具有重要意义。无人机遥感技术的发展为实现快速、无损监测提供了有利条件。为了探索一种快速便捷的估算烤烟冠层叶绿素含量的方法，实现方便高效的作物监测，利用SPAD-502型叶绿素仪测定烟草不同生育期叶绿素含量的实际值，并利用搭载多光谱相机的无人机采集对应时期烟草的光谱图像，研究不同施氮水平下烟草冠层叶绿素含量的变化规律，另外选取58种常用植被指数与冠层实测叶绿素含量进行相关性分析，选择与实测叶绿素含量极显著相关的11种植被指数，构建烟草冠层叶绿素含量逐步回归的随机森林模型。结果表明，不同施氮浓度下，旺长期叶绿素含量最高，同一生育期，叶绿素含量随施氮浓度的增加而上升；采用随机森林建立的烟草旺长期模型r2为0.790，RMSE为2.140。本研究证明，叶绿素含量随施氮浓度增加而变化明显，2种建模方法中随机森林模型的精度优于逐步回归模型，研究为烟草叶绿素含量的快速估算提供了一种新的方法，为利用无人机平台进行作物监测提供了可行的参考。

关键词：无人机；多光谱；叶绿素含量；逐步回归；随机森林；烟草

中图分类号：S572.01；S127 文献标志码：A

文章编号：1002-1302（2024）15-0232-07

收稿日期：2023-08-29

基金项目：中国烟草总公司重点研发项目（编号：110202102041）；云南省烟草公司大理州公司重点项目（编号：2021530000241026）。

作者简介：王佳丽（1997—），女，山东潍坊人，硕士研究生，从事烟草栽培生理研究。E-mail：w15653626269@163.com。

通信作者：张久权，硕士，研究员，硕士生导师，从事烟草智慧农业研究。E-mail：zhangjiuquan@caas.cn。

烟草在我国国民经济中占有特殊地位，田间管理情况直接影响烟叶的品质，进而影响其价格。 作为烟草重要生化参数之一，叶绿素含量与光合作用密切相关，其含量可以作为衡量烟草营养胁迫、植物病害以及生长状态的重要指标之一［1-2］。近年来，无人机遥感技术快速发展，因其具有宏观、快速、准确、客观、动态、多尺度、覆盖面积大、监测周期短、费用低等优点［3］，在现代智慧农业中得到广泛应用［4-5］，为快速监测大田作物生长状况提供了低成本、高效率的生产方法［6］。研究发现，作物叶片及冠层光谱指数与其叶绿素含量密切相关［7］，孟沌超等通过提取无人机可见光图像的植被指数和纹理特征，定量估算玉米冠层叶绿素的SPAD值［8］。刘涛等利用无人机多光谱图像分析光谱指数与地面实测数据的相关性，估算小麦叶面积指数和叶绿素含量［9］。汪旭等通过提取甜菜冠层图像的光谱特征，研究其叶绿素含量的反演模型［10］。

本研究以烟草为研究对象，基于光谱遥感技术，提取烟草冠层的光谱反射率，通过光谱反射率与烟草叶绿素相对含量（以SPAD值计）的相关性分析，建立烟草叶绿素相对含量估算模型，以期实现在不损害烟草生长的前提下快速监测烟草的生长状况。

1 材料与方法

1.1 试验材料与设计

本试验于2022年在云南省大理白族自治州弥渡县红岩镇（25°41′24″N，100°11′24′′E）开展，选取4块试验地（S1、S2、S3、S4），均位于相对平坦的地形上，周围没有高压线、树木、建筑物和其他阻碍无人机飞行的障碍物。本试验供试品种为红花大金元，各试验地设置7个施氮处理（0、25%、50%、75%、100%、125%、150%），重复3次，采用随机区组设计，每个试验地的面积约为1 000 m2，共计1 650株烟株。5月上旬移栽烟草植株，5月19日第1次施肥（N、P2O5、K2O含量分别为10%、10%、24%），后每周施肥1次，具体见表1。其中，100%为根据当地耕作方式进行的正常施肥，其他种植和管理按照当地惯例进行。

1.2 数据采集

1.2.1 无人机多光谱数据的采集

分别于2022年6月18日（团棵期）、7月6日（旺长期）和7月18（平顶期）进行无人机多光谱数据采集，使用的无人机为大疆精灵4 多光谱版，多光谱相机包含1个可见光相机和蓝［B，（450±16） nm］、绿［G，（560±16） nm］、红［R，（650±16） nm］、红边［RE，（730±16） nm］和近红外［NIR，（840±26） nm］等5个光谱波段。3次多光谱影像的采集均选择晴朗无云、风力较小的天气于10：00—14：00 在田间上空进行，以尽量减少光源对拍摄数据的影响。飞行参数设定主航线上重叠率为88%，主航线间重叠率为85%，飞行高度为20 m，飞行速度为3 m/s。

1.2.2 叶绿素含量的测定

使用日本柯尼卡美能达公司的SPAS-502 Plus叶绿素测定仪测定烟叶叶绿素相对含量，其测定与飞拍保持同步。每小区选取有代表性的4株烤烟，每株测定中部叶1张，根据叶片大小选择叶鞘到叶尖的不同部位测量5次，记录20个点的平均值，作为该小区的SPAD平均值，测定时避开大支脉及受损区域。

1.3 多光谱影像预处理与烟叶冠层反射率提取

本研究采用大疆制图软件对获取的无人机多光谱影像进行拼接，通过ENVI和ArcGIS软件对多光谱影像进行辐射校正、大气校正、影像拼接等处理，最终得到试验地块各小区的平均光谱反射率。

1.4 植被指数的选取及计算

植被指数是2种以上植被敏感波段的组合，可以突出显示植被特征，根据相关资料，本研究结合叶绿素吸收光谱的特点，选取常用的58个植被指数对烟草叶片叶绿素相对含量进行估测，将选取的58个植被指数和实测SPAD值进行相关性分析，得到其相关关系，选取相关性较高的前11个光谱变量进行建模，各植被指数的计算公式见表2。

1.5 数据分析方法

1.5.1 建模方法

首先将本研究选取的58个植被指数和实测SPAD值进行相关性分析，得到其相关关系，选取相关性较高的前11个光谱变量，利用逐步回归和随机森林分析方法，筛选出最优参数，建立烟叶SPAD值的最优估测模型。

1.5.1.1 逐步回归

逐步回归是回归分析中一种筛选变量的过程，可以对1组候选变量进行识别。通过逐步将自变量输入模型，将影响度低和与其他变量高度相关的变量剔除，如果变量经过检验后是显著的，则将其纳入到回归模型中，同时，每引入1个新的变量，就会对旧的变量再次进行逐个检验，最终得到一个自动拟合的最优回归模型。

1.5.1.2 随机森林

随机森林是一种集成学习算法。随机森林模型由多棵决策树构成，其基本原理是从变量中随机抽取样本进行训练，每棵决策树都能通过抽取的样本得出1个预测结果，将许多决策树联合到一起，从而建立多棵相互不关联的回归树，通过并行的方式获得预测结果，降低了过拟合的风险。最终综合所有树的结果取平均值，得到整个森林的回归预测结果。

1.5.2 评价指标

选取决定系数（r2）、均方根误差（RMSE）作为评估估算模型建模与验证精度的指标。模型建模和验证r2 越大，相应的RMSE越小，则模型估算能力越好。r2、RMSE具体公式如（1）、（2）。

r2=∑（yi-yi）（yj-yi）∑（yi-yi）2（yj-yi）22；（1）

RMSE=1n∑ni（yi-yi）2。（2）

式中：n是总样本数；yi、yj分别表示实测和预测的叶绿素含量（i=j）。

2 结果与分析

2.1 施氮量对叶绿素含量的影响

由图1可知，各施氮水平下，平顶期叶绿素含量较低，旺长期叶绿素含量最高，且随着施氮量的增加，叶绿素含量呈现升高趋势。旺长期，T150施肥水平下，叶绿素含量达到最大值，生育后期，随着叶片变黄成熟，叶绿素含量逐渐下降，团棵期，T150施肥水平下，叶绿素含量最低。

2.2 植被指数与叶绿素含量的相关性

采用SPSS 软件对烟叶冠层SPAD值和58个植被指数进行相关性分析，得到与烟草冠层叶绿素含量在0.01水平上呈现极显著相关的10个植被指数，分别为 DVI、GRVI、NGI、NBI、G/B、R/B、RGBVI、REGNDVI、MTVI1、PVI。

2.3 烟叶叶绿素含量模型的估测与评价

采用“2.2”节中筛选得到的10个植被指数作为输入变量，将不同生育期的84套数据样本按70%用作训练、30%用作测试进行建模。

从图2至图4可以看出，团棵期、旺长期、平顶期所建立的逐步回归模型中训练集、测试集预测值与实测值的r2分别为0.622和0.564、0.669和0.58、0.556和0.321，团棵期所建立的逐步回归模型精度较高；团棵期、旺长期、平顶期所建立的随机森林模型中，训练集、测试集预测值与实测值的r2分别0.869和0.668、0.901和0.79、0.836和0.64，可见旺长期所建立的随机森林模型精度最高。

3 讨论与结论

本研究采用逐步回归和随机森林，构建了烟草不同生育期的SPAD估测模型，从模型效果来看，随机森林模型的精度优于逐步回归模型，这与前人的结论［33］较为吻合，其原因在于针对在建模过程中出现的异常值，随机森林模型能够更好地接受，从而可以有效避免出现过度拟合［34-35］。值得注意的是，随机森林建模过程中所选择的随机种子、决策树模型数量以及决策树模型深度等参数不同，最终产生的结果也会不同，因此可以扩大数据量，优化模型参数，得到最优结果。

由于受到共线性与自变量之间的相关性影响，在进行自变量的剔除时，逐步回归可能会剔除掉本不该剔除的自变量，从而导致建模效果不好，因此，尝试多种分析结合建模，消除自变量之间的相关性，可有效提高精度。

本研究通过设置不同施氮量，研究施氮量与烟叶叶绿素含量之间的关系发现，随着施氮量的增加，各生育期烟叶叶绿素含量呈现增加趋势。另外基于植被指数DVI、GRVI、NGI、NBI、G/B、R/B、RGBVI、REGNDVI、MTVI1、PVI、RRE构建烟草不同生育期的逐步回归和随机森林模型，其中旺长期所建立的随机森林模型预测效果最优，表明可以利用随机森林模型对旺长期烟草冠层叶绿素含量进行预测，并作为监测烟叶叶绿素含量的有效手段。

参考文献：

［1］李汉生，徐 永. 光照对叶绿素合成的影响［J］. 现代农业科技，2014（21）：161-164.

［2］Pinto F，Celesti M，Acebron K，et al. Dynamics of sun-induced chlorophyll fluorescence and reflectance to detect stress-induced variations in canopy photosynthesis［J］. Plant，Cell & Environment，2020，43（7）：1637-1654.

［3］王 磊，周建平，许 燕，等. 农用无人机的应用现状与展望［J］. 农药，2019，58（9）：625-630，634.

［4］王丽爱，马 昌，周旭东，等. 基于随机森林回归算法的小麦叶片SPAD值遥感估算［J］. 农业机械学报，2015，46（1）：259-265.

［5］汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取［J］. 农业工程学报，2015，31（5）：152-157，159，158.

［6］Jiang Y，Li C Y，Paterson A H.High throughput phenotyping of cotton plant height using depth images under field conditions［J］. Computers and Electronics in Agriculture，2016，130：57-68.

［7］Lu S，Lu X T，Zhao W L，et al. Comparing vegetation indices for remote chlorophyll measurement of white poplar and Chinese elm leaves with different adaxial and abaxial surfaces［J］. Journal of Experimental Botany，2015，66（18）：5625-5637.

［8］孟沌超，赵 静，兰玉彬，等. 基于无人机可见光影像的玉米冠层SPAD反演模型研究［J］. 农业机械学报，2020，51（增刊2）：366-374.

［9］刘 涛，张 寰，王志业，等. 利用无人机多光谱估算小麦叶面积指数和叶绿素含量［J］. 农业工程学报，2021，37（19）：65-72.

［10］汪 旭，邓裕帅，练雪萌，等. 基于无人机多光谱技术的甜菜冠层叶绿素含量反演［J］. 中国糖料，2022，44（4）：36-42.

［11］曹 强. 基于主动作物冠层传感器的冬小麦、水稻精准氮素管理［D］. 北京：中国农业大学，2014.

［12］Jordan C F. Derivation of leaf-area index from quality of light on the forest floor［J］. Ecology，1969，50（4）：663-666.

［13］Daughtry C S T，Walthall C L，Kim M S，et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J］. Remote Sensing of Environment，2000，74（2）：229-239.

［14］Huete A，Justice C，Liu H. Development of vegetation and soil indices for MODIS-EOS［J］. Remote Sensing of Environment，1994，49（3）：224-234.

［15］Liu H Q，Huete A. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise［J］. IEEE Transactions on Geoscience and Remote Sensing，1995，33（2）：457-465.

［16］Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices［J］. Remote Sensing of Environment，1996，55（2）：95-107.

［17］Daughtry C S T，Gallo K P，Goward S N，et al. Spectral estimates of absorbed radiation and phytomass production in corn and soybean canopies［J］. Remote Sensing of Environment，1992，39（2）：141-152.

［18］Main R，Cho M A，Mathieu R，et al. An investigation into robust spectral indices for leaf chlorophyll estimation［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：751-761.

［19］刘 霞. 基于冠层主动传感器的冬小麦长势监测及适宜植被指数动态模型研究［D］. 南京：南京农业大学，2017.

［20］Haboudane D，Miller J R，Pattey E，et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies：modeling and validation in the context of precision agriculture［J］. Remote Sensing of Environment，2004，90（3）：337-352.

［21］姜海玲，杨 杭，陈小平，等. 利用光谱指数反演植被叶绿素含量的精度及稳定性研究［J］. 光谱学与光谱分析，2015，35（4）：975-981.

［22］Wu C Y，Niu Z，Tang Q，et al. Estimating chlorophyll content from hyperspectral vegetation indices：modeling and validation［J］. Agricultural and Forest Meteorology，2008，148（8/9）：1230-1241.

［23］Rouse J，Haas R H，Deering D，et al. Monitoringthe the vernal advancement and retrogradation （green wave effect） of natural vegetation［EB/OL］. （1973-01-27） ［2023-06-30］.https：//ntrs.nasa.gov/api/citations/19730017588/downloads/19730017588.pdf.

［24］李红军，张立周，陈曦鸣，等. 应用数字图像进行小麦氮素营养诊断中图像分析方法的研究［J］. 中国生态农业学报，2011，19（1）：155-159.

［25］Goel N S，Qin W. Influences of canopy architecture on relationships between various vegetation indices and LAI and Fpar：a computer simulation［J］. Remote Sensing Reviews，1994，10（4）：309-347.

［26］张 玲，陈新平，贾良良. 基于无人机可见光遥感的夏玉米氮素营养动态诊断参数研究［J］. 植物营养与肥料学报，2018，24（1）：261-269.

［27］高 林，杨贵军，李红军，等. 基于无人机数码影像的冬小麦叶面积指数探测研究［J］. 中国生态农业学报，2016，24（9）：1254-1264.

［28］Roujean J L，Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements［J］. Remote Sensing of Environment，1995，51（3）：375-384.

［29］Huete A R. A soil-adjusted vegetation index （SAVI）［J］. Remote Sensing of Environment，1988，25（3）：295-309.

［30］姜蓝齐，王 萍，姜丽霞，等. 温度植被干旱指数（TVDI）在农业干旱监测中的应用［J］. 中国农学通报，2021，37（29）：132-139.

［31］Broge N H，Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density［J］. Remote Sensing of Environment，2001，76（2）：156-172.

［32］Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction［J］. Remote Sensing of Environment，2002，80（1）：76-87.

［33］由明明，常庆瑞，田明璐，等. 基于随机森林回归的油菜叶片SPAD值遥感估算［J］. 干旱地区农业研究，2019，37（1）：74-81.

［34］方匡南，吴见彬，朱建平，等. 随机森林方法研究综述［J］. 统计与信息论坛，2011，26（3）：32-38.

［35］杨培杰，韩保栋，张玉燕，等. Sentinel-2影像结合空间关联随机森林模型反演裸土期耕地土壤全氮含量［J］. 江苏农业科学，2023，51（11）：185-192.