葉綠素直觀反映作物的生長狀態，其含量與植被脅迫、光合作用能力以及健康狀況密切相關，很大程度決定了作物的產量。及時準確地估算葉綠素含量有助于發現葉片缺素癥狀，從而避免作物減產。無人機遙感技術以其高時空分辨率、低干擾及使用簡便靈活的優點，彌補了現有農業監測技術的缺陷，被廣泛用于監測大田作物的氮素含量、葉綠素、葉面積指數等生理生化指標。
河北農業大學張愛(ai)軍(jun)教授團隊(dui)在河北省保定(ding)市順(shun)平縣耕耘農(nong)機服務專業合作社(115°08'19''E，38°46'59''N) ，設計了(le)6 個谷子試驗區，并對試驗區進行氮肥(fei)梯度處理。分別在試驗區的(de)拔節期(8月(yue)11日) 、抽穗期(8月(yue)21日) 、灌漿(jiang)期(9月10日) 、成(cheng)熟期(9月28日) ，利(li)用(yong)大疆公司經緯M600 Pro無人機搭載Gaiasky mini2－VN 高(gao)光(guang)譜相(xiang)機（江蘇雙利合譜(pu)公司）對谷子冠層的光(guang)譜進行(xing)(xing)采集(ji)，無(wu)人(ren)機飛行(xing)(xing)高度(du)為200m，測(ce)量(liang)時段為10:00—14:00，天氣均為(wei)晴朗無(wu)風。與光譜測量同(tong)步，使用日本柯(ke)尼卡美(mei)能達公司葉綠(lv)素(su)儀( SPAD－502) 測定樣(yang)點附近5 株(zhu)植株(zhu)的葉(xie)綠素含量，每片葉(xie)子(zi)均勻測量3 次(ci)，取平均值作為(wei)樣(yang)本的葉(xie)綠素含量，實(shi)現與(yu)葉(xie)片光譜數據的一一對應。
選取相關系數最大的波段構建一元函數模型（指數函數、一元線性函數、對數函數、多項式以及冪函數），選擇其中最you的函數模型作為葉綠素含量的一元線性回歸模型。基于光譜曲線，計算植被指數及三邊參數，如表1所示，并建立相應的擬合(he)方程。
本研究構建了一個輸入層(ceng)、一個輸出層(ceng)、五(wu)個隱含(han)神經(jing)元、一個輸出所構成(cheng)的BP神(shen)(shen)經(jing)(jing)網(wang)絡進行訓練。BP神(shen)(shen)經(jing)(jing)網(wang)絡算(suan)法的參(can)數，如表(biao)2所示。針對各時(shi)(shi)期108組谷子葉(xie)(xie)片樣本，利用神(shen)(shen)經(jing)(jing)網(wang)絡建立(li)葉(xie)(xie)綠(lv)素估(gu)算(suan)模型，選取各個時(shi)(shi)期的入選植被指(zhi)數作(zuo)為輸入層，以(yi)谷子葉(xie)(xie)片的葉(xie)(xie)綠(lv)素值作(zuo)為輸出層。
表1 基于(yu)光(guang)譜(pu)曲(qu)線構建(jian)的植(zhi)被指(zhi)數和三邊參(can)數
表(biao)2 BP神經網絡算法參(can)數
谷子葉片(pian)葉綠素含量在不(bu)同生(sheng)育期(qi)呈先增加后減少的趨(qu)勢，最大值出現在抽(chou)穗期(qi)，約為66.40。谷子葉(xie)片的(de)光(guang)(guang)譜(pu)反射率(lv)變化趨勢基本一(yi)(yi)致(zhi)，而光(guang)(guang)譜(pu)反射率(lv)隨著葉(xie)綠素的(de)增(zeng)加(jia)呈現出降低(di)的(de)趨勢。近(jin)紅外波(bo)段(duan)的(de)光(guang)(guang)譜(pu)一(yi)(yi)階導數可以顯著地增(zeng)強(qiang)紅邊波(bo)段(duan)，紅邊波(bo)段(duan)的(de)一(yi)(yi)階導數光(guang)(guang)譜(pu)是(shi)整個波(bo)段(duan)范圍的(de)最大(da)值，對應為(wei)反射率(lv)在600～800 nm的(de)強(qiang)吸收效應。谷子葉(xie)片反射光(guang)(guang)譜(pu)及一(yi)(yi)階導光(guang)(guang)譜(pu)如圖1所示。
圖1 谷子(zi)葉片(pian)不同SPAD 值下的(de)光譜反射率
如(ru)表(biao)3所示，在不同生育期，分別基(ji)于一次(ci)(ci)線性、二次(ci)(ci)非線性、指數(shu)(shu)及對(dui)數(shu)(shu)形式構建各因子與葉綠素含量的(de)對(dui)應關系(xi)。在拔節期和(he)抽穗(sui)期NDVI與葉綠素含量有較好(hao)的(de)對(dui)應關系(xi)（R2 ＞ 0.52），估算值也具有最小的(de)殘(can)差（RMSE < 2.28）。在(zai)灌漿期(qi)和(he)成(cheng)熟期(qi)，RENDVI、PSSRc則(ze)分別(bie)(bie)對葉綠素含(han)量(liang)估算有較好的(de)適(shi)用性。其中(zhong)，NDVI的(de)二(er)次非(fei)線(xian)性、一(yi)次線(xian)性模型(xing)分別(bie)(bie)在(zai)拔節期(qi)和(he)抽穗期(qi)表現(xian)良好；RENDVI、PSSRc則(ze)分別(bie)(bie)以一(yi)次線(xian)性及指數(shu)形式出現(xian)在(zai)灌漿期(qi)和(he)成(cheng)熟期(qi)。
表(biao)3 基于(yu)光(guang)譜指數的谷子葉片葉綠素含量預測模型
基于(yu)高相(xiang)關的光譜特征參(can)數(shu)NDVI、GNDVI、PSNDa、PSSRc、RENDVI及Dy構建了谷子葉(xie)片葉(xie)綠素含量(liang)PLSR預測模型(xing)（表5）。PLSR模型(xing)的Q2均高于0.56，對因變量的(de)解釋程度一般，R2均在0.6以上，而預測集(ji)的R2在(zai)0.55~0.71之(zhi)間(jian)，其RMSECV在1.41~2.66之(zhi)間(jian)。在拔節(jie)期，PLSR模(mo)型(xing)的(de)第(di)一主成分對(dui)(dui)葉綠素變(bian)化的(de)解釋(shi)(shi)能力(li)為67.8%，加(jia)入第(di)二(er)、三主成分解釋(shi)(shi)能力(li)增加(jia)到(dao)82.7%、95.8%；抽穗(sui)期、灌漿期和成熟期PLSR模(mo)型(xing)對(dui)(dui)葉綠素的(de)總解釋(shi)(shi)能力(li)分別為63.1%、84.5%和84.7%。PLSR預測(ce)模(mo)型(xing)精度整體(ti)上(shang)是優于單變(bian)量模(mo)型(xing)的(de)。
表5 谷子(zi)葉片葉綠素值與敏(min)感光譜指數的(de)PLSR模型
表6列出了基(ji)于6個光譜參數構建(jian)的(de)BP神經(jing)模(mo)(mo)型(xing)精(jing)(jing)度。從建(jian)模(mo)(mo)集來看，4個時期的(de)模(mo)(mo)型(xing)決定系數均大于0.84，模(mo)(mo)型(xing)的(de)穩定性較高，其中(zhong)模(mo)(mo)型(xing)在灌漿期達到(dao)最佳估測(ce)精(jing)(jing)度，建(jian)模(mo)(mo)集R2達到了0.96，而RMSE最di，說明該時期(qi)(qi)的(de)(de)模型(xing)穩定(ding)性(xing)和預測(ce)能(neng)力較好。從圖(tu)2可以看出(chu)，相(xiang)比于傳統的(de)(de)一元模型(xing)，利(li)用(yong)BP神經網絡對谷子葉片的(de)(de)SPAD值估測(ce)具(ju)有較高(gao)的(de)(de)精度，4個(ge)時期(qi)(qi)的(de)(de)預測(ce)精度均在(zai)0.66以上(shang)。綜合比較，相(xiang)較于偏最小二乘回歸模型(xing)與一元線性(xing)模型(xing)，利(li)用(yong)BP神經網絡建(jian)模效果最jia。
表6 不同時期的(de)BP神經網(wang)絡模型精(jing)度
圖(tu)2 谷子各時期光譜反射率BP神經網絡模型(xing)測(ce)試(shi)集SPAD值預測(ce)結(jie)果
通(tong)訊作者(zhe)信息
張愛軍(jun)，河北省山(shan)區(qu)研究所研究員，博(bo)士生導(dao)師。
主要(yao)研究方向：植物營養生(sheng)態與(yu)數字(zi)農業。
參考文獻：
彭曉(xiao)偉, 張(zhang)愛軍, 楊(yang)曉楠,等(deng). 谷子(zi)葉綠素(su)含量高光譜特征分析及其反演模型構建(jian)[J]. 干旱地(di)區(qu)農(nong)業(ye)研究, 2022(002):040.
Doi: 10.7606/j.issn.1000-7601.2022.02.09
© 2019 版權所有：江蘇雙利合譜科技有限公司 備案號： 技術支持：化工儀器網 GoogleSitemap 管理登陸
在線客服