基于无人机多光谱影像的水稻冠层SPAD值预测研究

doi:10.11924/j.issn.1000-6850.casb2022-0176

摘要/Abstract

摘要：

比较筛选水稻冠层SPAD值估测模型，为无人机多光谱遥感反演水稻SPAD值提供依据。利用无人机获取水稻拔节期、抽穗期、乳熟期的冠层多光谱影像，选取7种常用的植被指数，利用3种回归方法建立基于植被指数的水稻叶片SPAD值反演模型。结果表明，在不同生育期与水稻叶片SPAD值相关系数最高的植被指数不相同，拔节期最高的是GNDVI，抽穗期最高的是CI_Green，乳熟期最高的是CI_Rededge。抽穗期是水稻叶片SPAD值反演的最佳时期，模型具有较好的建模精度和估测效果，其中多元线性回归的建模精度较高，偏最小二乘回归模型的估测效果最好。试验结果可为水稻长势的实时无损监测提供参考。

关键词: 水稻, SPAD值, 预测模型, 无人机, 多光谱遥感

Abstract:

The aim of this study is to compare and screen SPAD estimation models of rice canopy, and to provide a basis for inversing SPAD value of rice by unmanned aerial vehicle (UAV) multispectral remote sensing. This paper used UAV to obtain the canopy multispectral images of rice at jointing stage, heading stage and milky maturity stage. Seven commonly used vegetation indices were selected and three regression methods were used to establish the SPAD value inversion model of rice leaves. The results showed that the vegetation indices with the highest correlation coefficient with SPAD value of rice leaves were different at different growth stages. GNDVI was the highest at jointing stage, CI_Greenwas the highest at heading stage, and CI_Rededge was the highest at milky maturity stage. The heading stage was the best inversion stage of SPAD value, and the model had good modeling precision and estimation effect. According to the accuracy test, multivariate linear regression model had relatively high modeling accuracy, and partial least squares regression had the best estimation effect. Thus, this research provides a new technology to supervise the growth information of rice and other crops. The experimental results can provide methods and reference for the real-time and nondestructive monitoring of rice growth.

Key words: rice, SPAD value, predictive model, unmanned aerial vehicle, multispectral remote sensing

田婷, 张青, 徐雯. 基于无人机多光谱影像的水稻冠层SPAD值预测研究[J]. 中国农学通报, 2023, 39(4): 149-153.

TIAN Ting, ZHANG Qing, XU Wen. Prediction of Rice Canopy SPAD Value Based on UAV Multispectral Images[J]. Chinese Agricultural Science Bulletin, 2023, 39(4): 149-153.

图/表 6

图1. 研究区样点布局图

植被指数	计算公式或定义	文献
归一化植被指数(NDVI)	$ρ N I R - ρ R e d ρ N I R + ρ R e d$	[12]
绿色归一化植被指数(GNDVI)	$ρ N I R - ρ G r e e n ρ N I R + ρ G r e e n$	[13]
比值植被指数(RVI)	$ρ N I R ρ R e d$	[14]
土壤调节植被指数(SAVI)	$(1 + L) (ρ N I R - ρ R e d) ρ N I R + ρ R e d + L$ L=0.5	[15]
绿色叶绿素指数(CI_Green)	$ρ N I R ρ G r e e n - 1$	[16]
红边叶绿素指数(CI_Rededge)	$ρ N I R ρ R e d e d g e - 1$	[16]
修正叶绿素吸收指数(MCARI)	$[ρ R e d e d g e - ρ R e d - 0.2 × (ρ R e d e d g e - ρ G r e e n)] × ρ R e d e d g e ρ R e d$	[17]

植被指数	计算公式或定义	文献
归一化植被指数(NDVI)	$ρ N I R - ρ R e d ρ N I R + ρ R e d$	[12]
绿色归一化植被指数(GNDVI)	$ρ N I R - ρ G r e e n ρ N I R + ρ G r e e n$	[13]
比值植被指数(RVI)	$ρ N I R ρ R e d$	[14]
土壤调节植被指数(SAVI)	$(1 + L) (ρ N I R - ρ R e d) ρ N I R + ρ R e d + L$ L=0.5	[15]
绿色叶绿素指数(CI_Green)	$ρ N I R ρ G r e e n - 1$	[16]
红边叶绿素指数(CI_Rededge)	$ρ N I R ρ R e d e d g e - 1$	[16]
修正叶绿素吸收指数(MCARI)	$[ρ R e d e d g e - ρ R e d - 0.2 × (ρ R e d e d g e - ρ G r e e n)] × ρ R e d e d g e ρ R e d$	[17]

表1. 本研究采用的植被指数

生育期	样本数	最小值	最大值	平均值	标准差	变异系数/%
拔节期	27	38.08	45.13	42.02	2.14	5.09
抽穗期	27	36.22	42.93	40.27	1.73	4.30
乳熟期	27	24.38	43.47	36.65	4.90	13.34

表2. 水稻不同生长阶段SPAD值统计特征

植被指数	拔节期	抽穗期	乳熟期
NDVI	0.680^**	0.755^**	0.836^**
GNDVI	0.685^**	0.782^**	0.838^**
RVI	0.606^**	0.754^**	0.791^**
SAVI	0.600^**	0.368	0.677^**
CI_Green	0.613^**	0.791^**	0.826^**
CI_Rededge	0.630^**	0.310	0.864^**
MCARI	0.452^*	0.272	0.522^**

表3. 不同生育期植被指数与SPAD值的相关性分析

生育期	类型	模型	R²	RMSE
拔节期	一元线性回归	y=6.698+44.174GNDVI	0.51	1.615
	多元线性回归	y=-73.683-102.534NDVI+254.286GNDVI-0.794RVI+56.845SAVI-2.323CI_Green+2.464CI_Rededge	0.65	1.657
	偏最小二乘回归	y=34.01428+1.1030GNDVI+0.8581NDVI+6.2888CI_Rededge	0.44	1.636
抽穗期	一元线性回归	y=31.278+1.184CI_Green	0.68	1.005
	多元线性回归	y=-108.744+296.452NDVI-163.978GNDVI-1.570RVI+5.596CI_Green	0.75	0.986
	偏最小二乘回归	y=31.24788+1.1831CI_Green+0.0277GNDVI+0.0158NDVI	0.68	0.948
乳熟期	一元线性回归	y=18.225+33.273CI_Rededge	0.79	2.558
	多元线性回归	y=-136.185+140.624NDVI+231.001GNDVI+1.137RVI-181.482SAVI-2.093CI_Green-24.218CI_Rededge	0.92	1.926
	偏最小二乘回归	y=8.00065+29.0085CI_Rededge+7.9596GNDVI+8.3624NDVI	0.79	2.368

表4. 基于植被指数建立的水稻SPAD值估测模型

生育期	模型类型	验证结果
生育期	模型类型	R²	RMSE
拔节期	一元线性回归	0.38	1.5686
	多元线性回归	0.34	1.6790
	偏最小二乘回归	0.33	1.6166
抽穗期	一元线性回归	0.56	1.2256
	多元线性回归	0.48	1.4923
	偏最小二乘回归	0.56	1.2254
乳熟期	一元线性回归	0.61	2.4660
	多元线性回归	0.48	2.8132
	偏最小二乘回归	0.59	2.5143

表5. 水稻叶片SPAD估算模型精度检验

参考文献 26

[1]	田明璐, 班松涛, 常庆瑞, 等. 基于无人机成像光谱仪数据的棉花叶绿素含量反演[J]. 农业机械学报, 2016, 47(11):285-293.
[2]	袁炜楠, 许童羽, 曹英丽, 等. 基于主基底分析降维方法的水稻冠层叶片叶绿素含量估算[J]. 浙江大学学报(农业与生命科学版), 2018, 44(4):423-430.
[3]	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.
[4]	王丹, 赵朋, 孙家波, 等. 基于无人机多光谱的夏玉米叶绿素含量反演研究[J]. 山东农业科学, 2021, 53(6):121-126,132
[5]	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(S2):366-374.
[6]	刘仕元, 梁晋, 王帅斌, 等. 基于无人机遥感的花生叶片叶绿素含量监测研究[J]. 花生学报, 2020, 49(2):21-27,35.
[7]	陈鹏, 冯海宽, 李长春, 等. 无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量[J]. 农业工程学报, 2019, 35(11):63-74.
[8]	贺英, 邓磊, 毛智慧, 等. 基于数码相机的玉米冠层SPAD遥感估算[J]. 中国农业科学, 2018, 51(15):2886-2897.
[9]	周敏姑, 邵国敏, 张立元, 等. 无人机多光谱遥感反演冬小麦SPAD值[J]. 农业工程学报, 2020, 36(20):125-133.
[10]	毛智慧, 邓磊, 孙杰, 等. 无人机多光谱遥感在玉米冠层叶绿素预测中的应用研究[J]. 光谱学与光谱分析, 2018, 38(9):2923-2931.
[11]	赵小敏, 孙小香, 王芳东, 等. 水稻高光谱遥感监测研究综述[J]. 江西农业大学学报, 2019, 41(1):1-12.
[12]	ROUSE J W, HAAS R W, SCHELL J A, et al. Monitoring the vernal advancement and retrogradation (Greenwave effect) of natural vegetation. NASA/GSFCT Type III final report[R]. Nasa,1974.
[13]	GITELSON A A, KAUFMAN Y J, MERZLYAK M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote sensing of environment, 1996, 58(3):289-298. doi: 10.1016/S0034-4257(96)00072-7 URL
[14]	JORDAN C F. Derivation of leaf area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4):663-666. doi: 10.2307/1936256 URL
[15]	HUETE A R. A soil-adjusted vegetation index (SAVI)[J]. Remote sensing of environment, 1988, 25(3):295-309. doi: 10.1016/0034-4257(88)90106-X URL
[16]	GITELSON A A, VINA A, CIGANDA V, et al. Remote estimation of canopy chlorophyll content in crops[J]. Geophysical research letters, 2005, 32(8).
[17]	DAUGHTRY C, 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. doi: 10.1016/S0034-4257(00)00113-9 URL
[18]	杨贵军, 李长春, 于海洋, 等. 农用无人机多传感器遥感辅助小麦育种信息获取[J]. 农业工程学报, 2015, 31(21):184-190.
[19]	奚雪, 赵庚星. 基于无人机多光谱遥感的冬小麦叶绿素含量反演及监测[J]. 中国农学通报, 2020, 36(20):119-126.
[20]	常潇月, 常庆瑞, 王晓凡, 等. 基于无人机高光谱影像玉米叶绿素含量估算[J]. 干旱地区农业研究, 2019, 37(1):66-73.
[21]	魏青, 张宝忠, 魏征, 等. 基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究[J]. 麦类作物学报, 2020, 40(3):365-372.
[22]	田容才, 高志强, 周昆. 基于高光谱数据的晚籼稻品种剑叶SPAD值估测[J]. 中国稻米, 2021, 27(1):45-50. doi: 10.3969/j.issn.1006-8082.2021.01.009
[23]	于丰华, 许童羽, 郭忠辉, 等. 基于红边优化植被指数的寒地水稻叶片叶绿素含量遥感反演研究[J]. 智慧农业, 2020, 2(1):77-86.
[24]	田军仓, 杨振峰, 冯克鹏, 等. 基于无人机多光谱影像的番茄冠层SPAD预测研究[J]. 农业机械学报, 2020, 51(8):178-188.
[25]	王庆, 车荧璞, 柴宏红, 等. 基于无人机影像的冠层光谱和结构特征监测甜菜长势[J]. 农业工程学报, 2021, 37(20):90-98.
[26]	张新乐, 于滋洋, 李厚萱, 等. 东北水稻叶片SPAD遥感光谱估算模型[J]. 中国农业大学学报, 2020, 25(1):66-75.