牛慶林 馮海寬 周新國(guó) 朱建強(qiáng) 雍蓓蓓 李會(huì)貞

(1.中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)田灌溉研究所， 新鄉(xiāng) 453002； 2.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心， 北京 100097；3.長(zhǎng)江大學(xué)農(nóng)學(xué)院， 荊州 434025)

0 引言

葉綠素含量是表征作物健康狀態(tài)的重要指標(biāo)，在不同生育期對(duì)作物施肥與田間管理具有指導(dǎo)意義[1]。隨著環(huán)境和生育期的變化，作物葉綠素含量也會(huì)發(fā)生相應(yīng)變化，因此及時(shí)準(zhǔn)確估算作物葉綠素含量具有重要意義[2]。傳統(tǒng)的葉綠素含量估測(cè)方法不僅具有破壞性，而且費(fèi)時(shí)、耗力。葉綠素含量與SPAD(Soil and plant analyzer development)值具有較好的相關(guān)性[3-5]，作物葉片SPAD值是反映葉片葉綠素含量的有效指標(biāo)，測(cè)量葉片SPAD值是葉片葉綠素含量無(wú)損測(cè)量的有效途徑，具有快速、便捷的優(yōu)點(diǎn)。

隨著傳感器、物聯(lián)網(wǎng)、互聯(lián)網(wǎng)+、大數(shù)據(jù)和人工智能等技術(shù)的發(fā)展，農(nóng)業(yè)遙感技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用深度和廣度都在不斷擴(kuò)展[6]。無(wú)人機(jī)遙感在國(guó)內(nèi)外農(nóng)業(yè)領(lǐng)域發(fā)展快速[7-8]。與無(wú)人機(jī)搭載的雷達(dá)傳感器或高光譜相機(jī)相比，可見光和多光譜相機(jī)成本低、重量輕，極大地減輕了無(wú)人機(jī)遙感平臺(tái)的載荷，續(xù)航時(shí)間明顯延長(zhǎng)，因此可以快速獲取大范圍的作物空間影像數(shù)據(jù)，而且后續(xù)影像數(shù)據(jù)處理的難度低，更容易推廣應(yīng)用，已成為大范圍作物長(zhǎng)勢(shì)監(jiān)測(cè)應(yīng)用的研究熱點(diǎn)[9]。

基于無(wú)人機(jī)多光譜影像提取不同光譜通道的影像灰度，計(jì)算多光譜植被指數(shù)，進(jìn)行葉面積指數(shù)(Leaf area index，LAI)和SPAD值的估算，具有較好的估算結(jié)果[10-11]?；跓o(wú)人機(jī)可見光影像提取紅、綠和藍(lán)影像通道的灰度，計(jì)算可見光植被指數(shù)，也具有較好的估算結(jié)果[12-15]。隨著計(jì)算機(jī)計(jì)算能力的增強(qiáng)及無(wú)人機(jī)遙感技術(shù)在作物長(zhǎng)勢(shì)監(jiān)測(cè)應(yīng)用研究的深入，將不同類型的數(shù)據(jù)相結(jié)合或融合、構(gòu)建作物長(zhǎng)勢(shì)參數(shù)的估測(cè)模型，能夠進(jìn)一步提高作物長(zhǎng)勢(shì)參數(shù)估測(cè)模型的精度和穩(wěn)定性，因此成為目前的研究熱點(diǎn)[13，15-18]。

然而，基于無(wú)人機(jī)可見光和多光譜影像計(jì)算可見光和多光譜植被指數(shù)，將可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合估測(cè)冬小麥SPAD值的研究還很少。因此，本文探究SPAD值與可見光和多光譜植被指數(shù)的關(guān)系，將可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合估算冬小麥SPAD值，并基于可見光植被指數(shù)、多光譜植被指數(shù)和可見光與多光譜相結(jié)合植被指數(shù)，分別采用逐步回歸和隨機(jī)森林回歸方法估算SPAD值，對(duì)比分析不同類型植被指數(shù)估算SPAD值的精度，以期為冬小麥SPAD值的估算提供參考。

1 材料與方法

1.1 試驗(yàn)區(qū)概況

試驗(yàn)區(qū)位于湖北省荊州市荊州區(qū)長(zhǎng)江大學(xué)科研基地(32°21′22″N，112°8′14.5″E，海拔約32 m)，屬于熱帶季風(fēng)氣候區(qū)，年平均氣溫15.9～16.6℃，多數(shù)年份降水量在1 100～1 300 mm之間，有足夠的氣候資源供農(nóng)作物生長(zhǎng)。冬小麥種植在2 m×2 m的混凝土有底測(cè)坑中，共48個(gè)測(cè)坑，種植鄭麥9023和鄂麥580兩個(gè)品種，如圖1所示，于2018年10月31日播種，播種量為135 kg/hm2，進(jìn)行條播，行距為25 cm，氮、磷、鉀肥用量分別為180、75、90 kg/hm2，磷鉀肥做基肥，其中氮肥分為基肥和臘肥，比例為7∶3，其他田間管理措施按照當(dāng)?shù)氐臉?biāo)準(zhǔn)統(tǒng)一管理。

1.2 冬小麥SPAD值田間數(shù)據(jù)獲取

SPAD-502Plus型葉綠素儀是一個(gè)重量輕、緊湊的測(cè)量作物葉片葉綠素相對(duì)含量的無(wú)損監(jiān)測(cè)儀器，SPAD值能夠指示作物葉片中葉綠素含量的相對(duì)值，SPAD值越大，表明葉片葉綠素含量越高，指示作物生長(zhǎng)越健康。每個(gè)測(cè)坑選擇具有代表性的5個(gè)植株，分別選定每個(gè)植株的旗葉進(jìn)行SPAD值的測(cè)量，測(cè)量位置為葉片的中間，取5個(gè)旗葉SPAD值的平均值作為該小區(qū)冬小麥葉片的SPAD值[19]，一個(gè)測(cè)坑得到一個(gè)樣本數(shù)據(jù)。分別在2019年4月16日、4月24日和5月9日進(jìn)行冬小麥葉片SPAD值的測(cè)量，其中4月16日和4月24日，40個(gè)測(cè)坑分別取得40個(gè)樣本數(shù)據(jù)，5月9日，由于冬小麥葉片受到不同程度白粉病和條銹病等的影響，得到27個(gè)有效樣本數(shù)據(jù)，3次取樣共得到107個(gè)樣本數(shù)據(jù)。借助于R軟件將獲取的冬小麥SPAD值隨機(jī)分為兩部分，70%的樣本數(shù)據(jù)(75個(gè))用于構(gòu)建SPAD值的估算模型，30%的樣本數(shù)據(jù)(32個(gè))用于對(duì)估算模型進(jìn)行驗(yàn)證與評(píng)價(jià)，其統(tǒng)計(jì)結(jié)果如表1所示。

表1 冬小麥SPAD值的統(tǒng)計(jì)結(jié)果

1.3 無(wú)人機(jī)影像獲取與預(yù)處理

在天空晴朗無(wú)云的條件下，與獲取田間冬小麥SPAD值同步，利用Phantom4 Pro V2.0型無(wú)人機(jī)搭載微小型可見光相機(jī)和多光譜相機(jī)進(jìn)行冬小麥可見光和多光譜影像的獲取，如圖2所示?？梢姽庀鄼C(jī)包含紅、綠和藍(lán)光譜通道，具有1英寸2 000萬(wàn)像素CMOS(Complementary metal-oxide-semiconductor)傳感器，感光度高達(dá)12 800，具有較高的空間分辨率。多光譜相機(jī)為S3小型機(jī)載多光譜儀，具有紅(660 nm)、綠(550 nm)和近紅外(850 nm)光譜通道，尺寸為59 mm×41.5 mm×36 mm，裸機(jī)質(zhì)量為50 g，帶電池質(zhì)量為76 g，配備GPS(Global positioning system)接收器，自動(dòng)對(duì)每個(gè)圖像進(jìn)行地理標(biāo)記，具有1 200萬(wàn)像素和敏銳的非魚眼鏡頭，可獲得高質(zhì)量的多光譜影像。

無(wú)人機(jī)飛行前進(jìn)行研究區(qū)的航線規(guī)劃，設(shè)置航高20 m，航向重疊度85%，旁向重疊度80%，飛行速度2 m/s，可見光相機(jī)選擇自動(dòng)拍照模式，多光譜相機(jī)設(shè)置快門速度1/1 000 s，感光度50，拍照間隔2 s等參數(shù)，進(jìn)入航線前需拍攝多光譜定標(biāo)版影像，用于多光譜影像信息值的定標(biāo)。利用S3小型機(jī)載多光譜儀對(duì)應(yīng)的光譜定標(biāo)軟件，首先對(duì)獲取的RAW和JPG格式的原始數(shù)據(jù)進(jìn)行預(yù)處理，分別得到TIF格式的定標(biāo)板和冬小麥多光譜單幅影像，基于TIF格式的定標(biāo)板多光譜影像生成定標(biāo)系數(shù)，利用定標(biāo)系數(shù)依次對(duì)TIF格式的冬小麥多光譜單幅影像進(jìn)行定標(biāo)，得到TIF格式定標(biāo)后的冬小麥多光譜單幅影像[8]。借助Agisoft PhotoScan Professional軟件進(jìn)行無(wú)人機(jī)可見光和定標(biāo)的多光譜影像的拼接處理，生成對(duì)應(yīng)的高清數(shù)字正射影像(Digital orthophoto map，DOM)[13]，可見光影像空間分辨率為0.006 m，多光譜影像空間分辨率為0.009 m。

為了降低邊緣效應(yīng)對(duì)提取冬小麥可見光紅、綠和藍(lán)影像通道灰度和多光譜紅、綠和近紅外影像通道灰度的影響，對(duì)拼接的可見光和多光譜DOM進(jìn)行中值濾波的圖像算法處理，中值濾波模板尺寸分別設(shè)置為0×0、3×3、5×5、7×7和9×9。選擇土壤、混凝土和冬小麥為研究對(duì)象，其中混凝土的像元純凈度最高、土壤次之，冬小麥較低，分別提取中值濾波處理后的可見光和多光譜DOM中的土壤、混凝土和冬小麥的影像灰度，與不使用中值濾波處理提取的土壤、混凝土和冬小麥的影像灰度均值和標(biāo)準(zhǔn)差進(jìn)行對(duì)比，分別以可見光和多光譜DOM的紅通道影像為例，提取土壤、混凝土和冬小麥的影像灰度均值和標(biāo)準(zhǔn)差,如表2、3所示。

表2 可見光影像的紅通道灰度的均值與標(biāo)準(zhǔn)差

不同尺寸中值濾波模板對(duì)提取可見光紅通道土壤、混凝土和冬小麥影像灰度均值影響較小，但對(duì)提取區(qū)域內(nèi)的影像灰度標(biāo)準(zhǔn)差影響差異較大，隨著濾波模板的增大，冬小麥和土壤影像灰度標(biāo)準(zhǔn)差逐漸降低，混凝土影像灰度標(biāo)準(zhǔn)差基本不變，這是由于混凝土的像元純凈度較高，而土壤和冬小麥的像元純凈度相對(duì)低些。當(dāng)濾波模板尺寸為7×7時(shí)，土壤和冬小麥的影像灰度標(biāo)準(zhǔn)差隨著濾波模板的增大，降低變緩，因此，本文選擇7×7的中值濾波模板對(duì)可見光影像進(jìn)行預(yù)處理，再提取冬小麥的冠層影像灰度。

表3 多光譜影像的紅通道灰度的均值與標(biāo)準(zhǔn)差

使用中值濾波處理與不使用相比，多光譜紅通道混凝土的影像灰度均值有略微降低的趨勢(shì)，而土壤和冬小麥的影像灰度均值有略微升高的趨勢(shì)，總體上，中值濾波模板尺寸對(duì)多光譜紅通道混凝土、土壤和冬小麥的影像灰度均值影響較小。使用中值濾波處理與不使用相比，多光譜紅通道混凝土影像灰度標(biāo)準(zhǔn)差有略微降低的趨勢(shì)，而土壤和冬小麥影像灰度標(biāo)準(zhǔn)差降低明顯。中值濾波模板尺寸增大時(shí)，多光譜紅通道混凝土和冬小麥影像灰度標(biāo)準(zhǔn)差有略微降低的趨勢(shì)，但土壤影像灰度標(biāo)準(zhǔn)差降低明顯，這可能是由土壤含水率較高引起的。綜合考慮冬小麥冠層影像灰度是土壤和冬小麥植株的混合信息，為了降低土壤的影響，本文選擇7×7的中值濾波模板對(duì)多光譜影像進(jìn)行預(yù)處理，再提取冬小麥的冠層影像灰度。

基于中值濾波處理后的可見光和多光譜影像DOM，利用ENVI 5.3軟件提取每個(gè)實(shí)測(cè)小區(qū)的冠層影像平均灰度，其中可見光DOM具有紅(Red，R)、綠(Green，G)和藍(lán)(Blue，B)通道灰度，多光譜DOM具有紅 (Multispectralred，MR)、綠(Multispectral green，MG)和近紅外(Multispectral near infra-red，MNIR)通道灰度。對(duì)提取的冬小麥可見光和多光譜DOM的單通道影像灰度進(jìn)行歸一化處理，降低天空光對(duì)影像灰度的影響[12]，可見光影像R、G和B通道影像灰度進(jìn)行歸一化處理后的影像灰度表示為r、g、b，通道R、G、B、MR、MG、MNIR灰度表示為R、G、B、MR、MG、MNIR，多光譜影像MR、MG和MNIR通道影像灰度進(jìn)行歸一化處理后的影像灰度表示為m1、m2、m3。

1.4 可見光與多光譜植被指數(shù)選取

基于已有的研究成果以及葉綠素含量與可見光和多光譜植被指數(shù)的敏感性，選用如表4、5所示的可見光和多光譜植被指數(shù)，探究其與冬小麥葉片SPAD值的關(guān)系。

表4 與SPAD值相關(guān)的可見光植被指數(shù)

1.5 數(shù)據(jù)分析方法

在本研究中，用線性與非線性回歸分析探究植被指數(shù)與SPAD值的關(guān)系，其中植被指數(shù)包括可見光和多光譜植被指數(shù)，非線性回歸包括指數(shù)回歸、對(duì)數(shù)回歸和冪回歸。另外，將可見光植被指數(shù)與多光譜植被指數(shù)以相乘的方式進(jìn)行結(jié)合，即可見光與多光譜相結(jié)合植被指數(shù)估算SPAD值。最后，利用逐步回歸和隨機(jī)森林回歸分析方法分別進(jìn)行可見光、多光譜和可見光與多光譜相結(jié)合植被指數(shù)估算SPAD值。其中，逐步回歸分析模型構(gòu)建時(shí)，為了將對(duì)模型貢獻(xiàn)很小的變量刪除，選擇模型變量的顯著性程度、赤池信息量準(zhǔn)則(Akaike information criterion，AIC)、模型簡(jiǎn)單性等相結(jié)合的判別準(zhǔn)則。其中，AIC準(zhǔn)則考慮了模型的統(tǒng)計(jì)擬合度以及用來(lái)擬合的變量數(shù)目，優(yōu)先選擇AIC值較小的模型，表明模型用較少的變量獲得了足夠的擬合度。

表5 與SPAD值相關(guān)的多光譜植被指數(shù)

1.6 統(tǒng)計(jì)分析

不同類型植被指數(shù)與SPAD值的決定系數(shù)R2、均方根誤差(Root mean square error，RMSE)和歸一化的均方根誤差(Normal RMSE，nRMSE)作為評(píng)價(jià)估算模型與驗(yàn)證模型的指標(biāo)。估算模型的R2越大，RMSE和nRMSE越小，表明模型的估算能力越好，驗(yàn)證模型的R2越大，RMSE和nRMSE越小，表明估算模型穩(wěn)定性越好。

2 結(jié)果與分析

2.1 可見光植被指數(shù)

將可見光植被指數(shù)與冬小麥SPAD值進(jìn)行線性與非線性回歸探究分析，其中可見光植被指數(shù)作為自變量，SPAD值作為因變量，篩選R2最大值的模型作為該可見光植被指數(shù)的最優(yōu)回歸模型，并計(jì)算相應(yīng)的回歸方程，結(jié)果如表6所示。為了篩選與SPAD值相關(guān)性較好的可見光植被指數(shù)，以可見光植被指數(shù)與SPAD值的R2為判別準(zhǔn)則，將可見光植被指數(shù)與SPAD值的敏感性進(jìn)行排序。其中，RBRI和IKAW與SPAD值的R2分別達(dá)到0.87和0.86，具有較好的相關(guān)關(guān)系，達(dá)到0.01顯著性水平；r、b、MGRVI和ExR與SPAD值的R2分別為0.68、0.58、0.48和0.41,高于0.40，達(dá)到0.01顯著性水平；剩余的可見光植被指數(shù)與SPAD值的R2在0.40以下，然而g、RGBVI、PPR、GLA、ExG、CIVE、VARI、WI、RGRI、GBRI與SPAD值之間的相關(guān)關(guān)系不顯著。

表6 可見光植被指數(shù)與SPAD值的回歸分析

為了驗(yàn)證SPAD值可見光植被指數(shù)估算模型的精度和穩(wěn)定性，將估算模型預(yù)測(cè)的SPAD值與實(shí)測(cè)SPAD值的RMSE和nRMSE作為評(píng)價(jià)指標(biāo)，結(jié)果如表6所示。結(jié)果表明，RMSE在2.77～6.76之間，nRMSE在6.75%～16.48%之間，其中RBRI和IKAW驗(yàn)證模型的RMSE和nRMSE分別為2.77、6.75%和2.80、6.81%。

2.2 多光譜植被指數(shù)

將m2、m1和m3與所選的23個(gè)多光譜植被指數(shù)進(jìn)行SPAD值的估算，其線性或非線性相關(guān)關(guān)系如表7所示，所有模型R2大于或等于0.46，都達(dá)到0.01顯著性水平。其中，與SPAD值相關(guān)性最高的多光譜植被指數(shù)為GNDVI，R2達(dá)到0.90；與SPAD值相關(guān)性最差的為m1，R2為0.46。GDVI、GRVI、CI、GNDVI、GRDVI、GNLI、GMSR、GMNLI、GSAVI、GOSAVI與SPAD值的R2在0.80以上、0.90以下，表明這些含有近紅外和綠影像通道灰度組合的多光譜植被指數(shù)與含有近紅外和紅影像通道灰度組合的多光譜植被指數(shù)相比，與SPAD值的相關(guān)性更高，GNDVI具有最高的相關(guān)性。

表7 多光譜植被指數(shù)與SPAD值的回歸分析

為了驗(yàn)證SPAD值多光譜植被指數(shù)估算模型的精度和穩(wěn)定性，將估算模型預(yù)測(cè)的SPAD值與實(shí)測(cè)SPAD值的RMSE和nRMSE作為評(píng)價(jià)指標(biāo)，結(jié)果如表7所示。結(jié)果表明，RMSE在2.54～5.55之間，nRMSE在6.19%～13.53%之間，其中GNDVI驗(yàn)證模型的RMSE和nRMSE分別為2.54和6.19%。

2.3 可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合指數(shù)

以GNDVI與每一個(gè)可見光植被指數(shù)或單通道影像灰度相乘的方法，構(gòu)建可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合指數(shù)[17]，并分析與SPAD值的線性與非線性關(guān)系，計(jì)算相應(yīng)的回歸方程，結(jié)果如表8所示。其中，CIVE×GNDVI、b×GNDVI、IKAW×GNDVI和g×GNDVI與SPAD值的R2分別為0.89、0.85、0.77和0.70，表明其具有較好的相關(guān)關(guān)系。結(jié)果表明，CIVE×GNDVI估算SPAD值的冪函數(shù)模型具有最高的估算精度。與僅用可見光植被指數(shù)估算SPAD值相比，結(jié)合指數(shù)進(jìn)一步提高了估算模型的精度。

為了驗(yàn)證SPAD值可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合指數(shù)估算模型的精度和穩(wěn)定性，將估算模型預(yù)測(cè)的SPAD值與實(shí)測(cè)SPAD值的RMSE和nRMSE作為評(píng)價(jià)指標(biāo)，結(jié)果如表8所示。結(jié)果表明，RMSE在2.50～6.91之間，nRMSE在6.10%～16.84%之間，其中CIVE×GNDVI與SPAD值模型驗(yàn)證的RMSE和nRMSE分別為2.55和6.21%，表明模型具有較高的精度和穩(wěn)定性。

表8 可見光與多光譜相結(jié)合植被指數(shù)與SPAD值的回歸分析

2.4 基于逐步回歸分析方法估測(cè)SPAD值

2.4.1可見光植被指數(shù)

將可見光植被指數(shù)、b、g、r以及SPAD值作為逐步回歸模型的輸入變量，構(gòu)建SPAD值的逐步回歸估算模型，并計(jì)算模型輸入變量的顯著性水平、模型的AIC值和R2，結(jié)果如表9所示。其中，估算模型AIC值在353.87～492.10之間，R2在0.32～0.91之間。

為了驗(yàn)證SPAD值可見光植被指數(shù)的逐步回歸估算模型的精度和穩(wěn)定性，將估算模型預(yù)測(cè)的SPAD值與實(shí)測(cè)SPAD值的RMSE和nRMSE作為評(píng)價(jià)指標(biāo)，結(jié)果如表9所示。結(jié)果表明，RMSE在2.66～4.95之間，nRMSE在6.47%～12.07%之間。

表9 可見光植被指數(shù)估算SPAD值的逐步回歸分析模型

為了篩選較優(yōu)的可見光植被指數(shù)的逐步回歸分析模型，綜合考慮估算模型輸入變量的顯著性水平、AIC值和R2及模型驗(yàn)證的RMSE和nRMSE，得到綜合精度較好的兩個(gè)逐步回歸分析模型，分別包含5個(gè)輸入變量(g、MGRVI、GRVI、VARI和IKAW)和4個(gè)輸入變量(g、GRVI、VARI和IKAW)，估算模型的AIC值、R2分別為355.12、0.90和369.36、0.88；模型驗(yàn)證的RMSE和nRMSE分別為2.66、6.47%和2.67、6.50%。利用實(shí)測(cè)SPAD值與模型估算的SPAD值進(jìn)行對(duì)比分析，結(jié)果如圖3所示，5個(gè)輸入變量和4個(gè)輸入變量的模型預(yù)測(cè)值與實(shí)測(cè)值的R2分別為0.86和0.85，表明模型預(yù)測(cè)值與實(shí)測(cè)值具有較好的一致性。

2.4.2多光譜植被指數(shù)

將多光譜植被指數(shù)、m2、m1、m3以及SPAD值作為逐步回歸模型的輸入變量，構(gòu)建SPAD值的逐步回歸估算模型，并計(jì)算模型輸入變量的顯著性水平、模型的AIC值和R2,結(jié)果如表10所示。其中，估算模型AIC值在351.92～465.67之間，R2在0.52～0.91之間。

為了驗(yàn)證SPAD值多光譜植被指數(shù)的逐步回歸估算模型的精度和穩(wěn)定性，將估算模型預(yù)測(cè)的SPAD值與實(shí)測(cè)SPAD值的RMSE和nRMSE作為評(píng)價(jià)指標(biāo)，結(jié)果如表10所示。結(jié)果表明，RMSE在2.48～10.98之間，nRMSE在6.04%～26.76%之間。

表10 多光譜植被指數(shù)估算SPAD值的逐步回歸分析模型

為了篩選較優(yōu)的多光譜植被指數(shù)逐步回歸分析模型，綜合考慮逐步回歸分析模型的評(píng)價(jià)指標(biāo)，得到綜合精度較好的逐步回歸分析模型，包含3個(gè)輸入變量(m2、MNLI和MTVI2)和2個(gè)輸入變量(m2和MTVI2)，估算模型的AIC值、R2分別為351.92、0.90和356.90、0.89；模型驗(yàn)證的RMSE、nRMSE分別為2.48、6.04%和2.54、6.19%。利用實(shí)測(cè)SPAD值與模型估算的SPAD值進(jìn)行對(duì)比分析，結(jié)果如圖4所示，3個(gè)輸入變量和2個(gè)輸入變量的模型預(yù)測(cè)值與實(shí)測(cè)值的R2都為0.89，表明模型預(yù)測(cè)值與實(shí)測(cè)值具有較好的一致性。

2.4.3可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合指數(shù)

將可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合指數(shù)以及SPAD值作為逐步回歸模型的輸入變量，構(gòu)建SPAD值的逐步回歸估算模型，并計(jì)算模型輸入變量的顯著性水平、模型的AIC值和R2，結(jié)果如表11所示。其中，估算模型AIC值在352.40～487.06之間，R2在0.36～0.91之間。

為了驗(yàn)證SPAD值可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合指數(shù)的逐步回歸估算模型的精度和穩(wěn)定性，將估算模型預(yù)測(cè)的SPAD值與實(shí)測(cè)SPAD值的RMSE和nRMSE作為評(píng)價(jià)指標(biāo)，結(jié)果如表11所示。結(jié)果表明，RMSE在2.32～4.65之間，nRMSE在5.64%～11.33%之間。

表11 可見光與多光譜相結(jié)合植被指數(shù)估算SPAD值的逐步回歸分析模型

為了篩選較優(yōu)的可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合指數(shù)的逐步回歸分析模型，綜合考慮逐步回歸分析模型的評(píng)價(jià)指標(biāo)，得到綜合精度較好的3個(gè)逐步回歸分析模型，分別包含7個(gè)輸入變量(MGRVI×GNDVI、GRVI×GNDVI、PPR×GNDVI、VARI×GNDVI、IKAW×GNDVI、GRRI×GNDVI、RBRI×GNDVI)、5個(gè)輸入變量(MGRVI×GNDVI、GRVI×GNDVI、PPR×GNDVI、IKAW×GNDVI、RBRI×GNDVI)和3個(gè)輸入變量(GRVI×GNDVI、PPR×GNDVI、RBRI×GNDVI)，估算模型的AIC值、R2分別為352.95、0.91，355.88、0.90，358.14、0.89；模型驗(yàn)證的RMSE、nRMSE分別為2.32、5.64%，2.38、5.80%，2.52、6.14%。利用實(shí)測(cè)SPAD值與模型估算的SPAD值進(jìn)行對(duì)比分析，結(jié)果如圖5所示，7個(gè)輸入變量、5個(gè)輸入變量和3個(gè)輸入變量的模型預(yù)測(cè)值與實(shí)測(cè)值的R2分別為0.89、0.89和0.88，表明模型預(yù)測(cè)值與實(shí)測(cè)值具有較好的一致性。

2.5 基于隨機(jī)森林回歸分析方法估測(cè)SPAD值

分別將可見光植被指數(shù)與b、g、r，多光譜植被指數(shù)與m2、m1、m3，可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合指數(shù)以及SPAD值作為隨機(jī)森林回歸模型的輸入變量，構(gòu)建SPAD值的隨機(jī)森林回歸估算模型，并計(jì)算模型的R2，結(jié)果如表12所示，可見光植被指數(shù)與多光譜植被指數(shù)估算模型的R2均為0.88，可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合指數(shù)估算模型的R2為0.90。

表12 不同植被指數(shù)類型的隨機(jī)森林回歸分析模型估測(cè)SPAD值精度對(duì)比

為了驗(yàn)證SPAD值可見光、多光譜和可見光與多光譜相結(jié)合植被指數(shù)的隨機(jī)森林估算模型的精度和穩(wěn)定性，將估算模型預(yù)測(cè)的SPAD值與實(shí)測(cè)SPAD值的RMSE和nRMSE作為評(píng)價(jià)指標(biāo)，結(jié)果如表12所示，可見光、多光譜和可見光與多光譜相結(jié)合植被指數(shù)驗(yàn)證模型的RMSE、nRMSE分別為2.67、6.51%，3.08、7.50%，2.51、6.12%。利用實(shí)測(cè)SPAD值與模型估算的SPAD值進(jìn)行對(duì)比分析，結(jié)果如圖6所示，可見光、多光譜和可見光與多光譜相結(jié)合植被指數(shù)的模型預(yù)測(cè)值與實(shí)測(cè)值的R2分別為0.85、0.84和0.88，表明模型預(yù)測(cè)值與實(shí)測(cè)值具有較好的一致性，可見光與多光譜相結(jié)合植被指數(shù)的估測(cè)模型的穩(wěn)定性更高。

3 討論

利用遙感技術(shù)進(jìn)行作物長(zhǎng)勢(shì)信息的監(jiān)測(cè)是精準(zhǔn)農(nóng)業(yè)研究的熱點(diǎn)[9,13-15,43]，然而，關(guān)于不同類型遙感數(shù)據(jù)相結(jié)合進(jìn)行作物長(zhǎng)勢(shì)信息監(jiān)測(cè)的研究較少，不同類型遙感數(shù)據(jù)能獲取更多維度的作物長(zhǎng)勢(shì)信息，將多維信息相結(jié)合能夠進(jìn)一步提高作物長(zhǎng)勢(shì)信息估測(cè)模型的精度和穩(wěn)定性。

本文基于冬小麥無(wú)人機(jī)可見光和多光譜影像提取可見光和多光譜植被指數(shù)進(jìn)行冬小麥葉片SPAD值的估算，其中單個(gè)可見光植被指數(shù)RBRI和IKAW與SPAD值具有較高的相關(guān)性，估算模型的R2分別為0.87和0.86，模型驗(yàn)證的RMSE、nRMSE分別為2.77、6.75%和2.80、6.81%；單個(gè)多光譜植被指數(shù)GDVI、GRVI、CI、GNDVI、GRDVI、GNLI、GMSR、GMNLI、GSAVI和GOSAVI與SPAD值具有較高的相關(guān)性，GNDVI估算模型的R2為0.90，模型驗(yàn)證的RMSE和nRMSE分別為2.54和6.19%，具有最高的模型估算精度。逐步回歸模型中，最優(yōu)可見光植被指數(shù)的逐步回歸估算模型包含5個(gè)輸入變量，估算模型的R2為0.90，模型驗(yàn)證的R2、RMSE和nRMSE分別為0.86、2.66和6.47%；最優(yōu)多光譜植被指數(shù)的逐步回歸估算模型包含3個(gè)輸入變量，估算模型的R2為0.90，模型驗(yàn)證的R2、RMSE和nRMSE分別為0.89、2.48和6.04%。隨機(jī)森林回歸模型中，可見光植被指數(shù)估算模型的R2為0.88，模型驗(yàn)證的R2、RMSE和nRMSE分別為0.85、2.67和6.51%；多光譜植被指數(shù)估算模型的R2為0.88，模型驗(yàn)證的R2、RMSE和nRMSE分別為0.84、3.08和7.50%。表明基于可見光和多光譜植被指數(shù)進(jìn)行冬小麥葉片SPAD值的估算，估算模型精度整體上高于驗(yàn)證模型，僅用可見光或多光譜植被指數(shù)，獲取的作物信息有限，模型預(yù)測(cè)精度受到一定程度的限制。

單個(gè)可見光與多光譜相結(jié)合植被指數(shù)CIVE×GNDVI和b×GNDVI與SPAD值具有較高的相關(guān)性，估算模型的R2分別為0.89和0.85，模型驗(yàn)證的RMSE和nRMSE分別為2.55、6.21%和2.55、6.22%。最優(yōu)可見光與多光譜相結(jié)合植被指數(shù)的逐步回歸估算模型包含7個(gè)輸入變量，估算模型的R2為0.91，模型驗(yàn)證的R2、RMSE和nRMSE分別為0.89、2.32和5.64%?？梢姽馀c多光譜相結(jié)合植被指數(shù)的隨機(jī)森林回歸估算模型的R2為0.90，模型驗(yàn)證的R2、RMSE和nRMSE分別0.88、2.51和6.12%。這與文獻(xiàn)[15-18]具有基本一致的研究結(jié)果。

研究發(fā)現(xiàn)，近紅外與綠影像灰度組合的植被指數(shù)與SPAD值的相關(guān)性明顯高于近紅外與紅影像灰度組合的植被指數(shù)，這與文獻(xiàn)[43]具有較相似的研究結(jié)果。

4 結(jié)論

(1)可見光植被指數(shù)IKAW和RBRI與SPAD值具有較好的相關(guān)性，估算模型的R2分別為0.86和0.87；多光譜植被指數(shù)GNDVI、CI、GMSR和GOSAVI與SPAD值具有較好的相關(guān)性，其中GNDVI估算模型的R2為0.90，CI、GMSR和GOSAVI估算模型的R2為0.89；可見光植被指數(shù)(CIVE)、藍(lán)通道影像灰度b分別與多光譜植被指數(shù)(GNDVI)相乘而結(jié)合的指數(shù)與SPAD值具有較好的相關(guān)性，估算模型的R2分別為0.89和0.85,其模型驗(yàn)證的RMSE、nRMSE分別為2.55、6.21%和2.55、6.22%。

(2)近紅外與綠影像灰度組合的植被指數(shù)，GDVI、GRVI、CI、GNDVI、GNLI、GMSR、GMNLI、GSAVI、GOSAVI與SPAD值具有較好的相關(guān)性，估算SPAD值的模型R2在0.81～0.90之間，模型驗(yàn)證的RMSE在2.54～3.28之間，nRMSE在6.19%～7.98%之間，表明近紅外與綠影像灰度組合的植被指數(shù)對(duì)SPAD值更敏感。

(3)可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合指數(shù)的逐步回歸和隨機(jī)森林回歸模型估算SPAD值的精度和穩(wěn)定性高于僅用可見光植被指數(shù)或多光譜植被指數(shù)。其中，可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合指數(shù)的最優(yōu)逐步回歸估算模型的R2為0.91，模型驗(yàn)證的R2、RMSE和nRMSE分別為0.89、2.32和5.64%；可見光植被指數(shù)與多光譜植被指數(shù)相結(jié)合指數(shù)的隨機(jī)森林回歸估算模型的R2為0.90，模型驗(yàn)證的R2、RMSE和nRMSE分別為0.88、2.51和6.12%，具有較好的估算結(jié)果。這表明將無(wú)人機(jī)可見光和多光譜植被指數(shù)相結(jié)合估算冬小麥葉片SPAD值，與僅用可見光植被指數(shù)或多光譜植被指數(shù)相比，估算精度更高，模型穩(wěn)定性更好，可為冬小麥的長(zhǎng)勢(shì)監(jiān)測(cè)提供更可靠的監(jiān)測(cè)方法。