基于无人机高光谱遥感的烤烟叶片叶绿素含量估测.pdf
《基于无人机高光谱遥感的烤烟叶片叶绿素含量估测.pdf》由会员分享,可在线阅读,更多相关《基于无人机高光谱遥感的烤烟叶片叶绿素含量估测.pdf(14页珍藏版)》请在咨信网上搜索。
1、2023 年 6 月 第 5 卷 第 2 期Jun.2023 Vol.5,No.2智慧农业(中英文)Smart Agriculture基于无人机高光谱遥感的烤烟叶片叶绿素含量估测赖佳政,李贝贝,程翔,孙丰,陈炬廷,王晶,张芊*,叶协锋*(河南农业大学 烟草学院/国家烟草栽培生理生化研究基地/烟草行业烟草栽培重点实验室,河南郑州 450002)摘要:目的目的/意义意义烤烟叶片叶绿素含量(Leaf Chlorophyll Content,LCC)是表征烤烟光合作用、营养状况和长势的重要指标。本研究的目的为高效精确地估测不同生长期烤烟LCC。方法方法以中烟100烟叶为研究对象,利用无人机搭载Reso
2、non Pika L高光谱成像仪采集烤烟在6个关键生育期冠层反射率数据。基于相关分析筛选了21种LCC的敏感光谱指数,通过比较不同光谱组合及不同回归分析算法的预测精度,最终建立了基于多种光谱指数组合的LCC回归估测模型。采用一元线性回归(Unary Linear Regression,ULR)、多元线性回归(Multivariable Linear Regression,MLR)、偏最小二乘回归(Partial Least Squares Regression,PLSR)、支持向量回归(Support Vector Regression,SVR)和随机森林回归(Random Forest Re
3、gression,RFR)5种建模方法进行LCC估测。结果和讨论结果和讨论在不同生育期大部分光谱参数与LCC的相关性达到极显著(P0.01);相较于传统植被指数,新组合的光谱指数显著提升了与LCC的相关性;对单变量LCC估测模型ULR,以移栽后75 d新组合的归一化光谱指数与红光比率光谱指数的单变量建模精度最高,两者决定系数(Coefficient of Determination,R2)和均方根误差(Root Mean Square Error,RMSE)分别为0.822和0.814,0.226和0.230。MLR、PLSR、SVR和RFR建模方法预测结果表明,RFR算法在LCC估测中效果最
4、好,其中使用移栽后75 d数据验证集的R2和RMSE可达0.919和0.146。结论结论本研究通过分析多种光谱指数与烤烟LCC的响应规律,构建可靠的烤烟叶片LCC估测模型,可为烤烟叶LCC估测以及烤烟的生长发育监测提供理论依据和技术支撑。关键词:烤烟;叶绿素含量估测;无人机;光谱参数;随机森林回归;多元线性回归;偏最小二乘回归;支持向量机回归中图分类号:S572;S127 文献标志码:A 文章编号:SA202303007引用格式:赖佳政,李贝贝,程翔,孙丰,陈炬廷,王晶,张芊,叶协锋.基于无人机高光谱遥感的烤烟叶片叶绿素含量估测J.智慧农业(中英文),2023,5(2):68-81.DOI:1
5、0.12133/j.smartag.SA202303007LAI Jiazheng,LI Beibei,CHENG Xiang,SUN Feng,CHENG Juting,WANG Jing,ZHANG Qian,YE Xiefeng.Monitoring of leaf chlorophyll content in flue-cured tobacco based on hyperspectral remote sensing of unmanned aerial vehicleJ.Smart Agriculture,2023,5(2):68-81.DOI:10.12133/j.smarta
6、g.SA202303007(in Chinese with English abstract)1 引 言叶绿素是作物叶片中主要的光合色素,叶片中叶绿素含量(Leaf Chlorophyll Content,LCC)是反映作物光合作用能力和冠层营养状况的重要指标。烟草作为重要经济作物,以叶片为主要收获对象,因此叶绿素含量监测非常重要。传统的烟草农业监测受田间管理模式及生产设备的限制,费时、费力,效率低下。相较于采用卫星遥感和近地面高光谱人工采集方式,无人机遥感具有分辨率高、效率快、范围广的特点,因此在农作物长势监测方面得以迅速发展和大面积推广应用。研究表明,基于植被指数(Vegetation I
7、ndex,VI)的遥感监测具有时空连续性,方便对作物长势信息进行长期监测,在叶绿素估测中具有较高的应收稿日期:2023-03-14基金项目:烟草行业烟草栽培重点实验室项目(30800665);河南省科技攻关项目(172102110168)作者简介:赖佳政,研究方向为烟草信息学。E-mail:*通信作者:1.张 芊,博士,讲师,研究方向为烟草信息学。E-mail:Z;2.叶协锋,博士,教授,研究方向为烟草栽培生理和健康土壤培育。E-mail:赖佳政等:基于无人机高光谱遥感的烤烟叶片叶绿素含量估测Vol.5,No.2用价值1。冯海宽等2通过分析VI与小麦叶绿素相 对 含 量(Soil and Pl
8、ant Analyzer Development,SPAD)的相关性,将筛选的线性组合指数、植物生化指数、归一化指数以及绿光归一化指数作为偏最小二乘回归(Partial Least Squares Regression,PLSR)模型的输入变量,与冬小麦SPAD值联合构建SPAD-PLSR估测模型,最终确定开花期的SPAD估测精度最好建模集和验证集 R2分别为 0.78 和0.81。Qiao等3研究在不同覆盖度情况下大田玉米的 LCC 和植被指数的响应特征,采用随机森林(Random Forest,RF)和偏最小二乘两种方法,构建了冠层LCC估测模型。田明璐等4选取了28种与作物叶绿素高相关的
9、植被指数,对比发现由多个光谱参数构建的PLSR模型对棉花LCC估测效果最佳。研究人员尝试将高光谱数据对应的波段两两随机组合,形成新的组合光谱指数用以反演作物长势信息。尹航等5采用任意两波段组合的光谱指数构建了马铃薯LCC估测模型,相较于其他传统植被指数,由586和498 nm组合的归一化光谱指数以及586和462 nm组合的比率光谱指数构建的反演模型精度和稳定性更为出色。Jia等6的研究表明,新组合的光谱指数有助于敏感波段的确定,增强叶片氮含量的相关性,在烤烟叶片氮含量回归模型的性能表现也是可靠的。近年来许多学者结合机器学习算法预测作物农学参数,模型精度和鲁棒性取得较为理想的表现。陈晓凯等7通
10、过不同光谱变换下的最优光谱指数结合BP神经网络和RF构建冬小麦叶面积指数的预测模型,RF预测结果优于BP神经网络,并且很好地避免估测模型出现过度拟合和拟合不足的情况。王玉娜等8采用随机森林回归(Random Forest Regression,RFR)手段估计了冬小麦的氮营养指数,得到了性能理想的模型(R2=0.79,RMSE=0.13)。Yang等9研究结果显示采用RFR可以显著提高马铃薯块茎形成期和块茎膨大期的地上部生物量估计精度,同时显著降低光谱数据的共线性和冗余度。目前已发表无人机遥感相关研究多是针对玉米、冬小麦等大田作物,有关烤烟相关研究较少。通过高光谱数据进行烟草冠层LCC的定量分
11、析具有重要意义和应用价值。为实现烤烟 LCC的快速估测,本研究利用无人机获取6个不同移栽生育期烤烟叶高光谱影像,通过筛选光谱参数,利用一元线性回归(Unary Linear Regression,ULR)、多元线性回归(Multivariable Linear Regression,MLR)和PLSR三种传统回归方法,支持向量回归(Support Vector Regression,SVR)和 RFR 两种机器学习建模方法分别构建烤烟的LCC估测模型,并获得最优估测模型,为利用无人机遥感开展田间烤烟长势信息快速、无损监测提供技术支持。2 材料与方法 2.1 试验材料试 验 田 位 于 河 南
12、省 平 顶 山 市 郏 县 植 烟 区(1121411345E,33083420N),属于温带大陆性季风气候,气候温和,雨量充沛,年日照率53%,平均气温15.7,无霜期220天,常年降水量678.5 mm。烤烟品种为中烟100。于2022年5月8日移栽,所有肥料均作基肥一次性施入,不再追肥。设置5个水平氮肥梯度,N0N4处理分别为0.0、24.0、48.0、72.0、96.0 kg/hm2,每个处理设置三次重复,共15个小区,每个小区面积约为144 m2(15.2 m9.5 m),如图1所示。其他栽培和管理方法按照当地优质烟草栽培方式进行。2.2 数据获取2.2.1无人机高光谱影像获取获取烤
13、烟 6 个生育期 32、48、61、75、89 和109 d的影像。选择中午晴朗、无风、无云的天气条件,采用大疆 M600 Pro六旋翼无人机,最大载荷5 kg,最大起飞重量15.5 kg,水平状态下最大的飞行速度能达到18 m/s,续航时间约30 min。搭载Resonon Pika L 高光谱成像仪,包含 150个波段的光谱数据,主要参数如表1所示。地面试验样品采集与无人机飞机作业同步进行。试验于上述烤烟生育期11001400进行测定。无人机飞行作业时,需经过布置在试验地的靶标布便于后期辐射定标处理数据,设置航高100 m,飞行速度3 m/s,最小定时拍照间隔1.0 s,航向重69Vol.
14、5,No.2智慧农业(中英文)Smart Agriculture叠率80%,旁向重叠率70%,镜头垂直朝下,焦距17 mm。2.2.2烤烟LCC的实验室测定分别获取移栽后32、48、61、75、89和109 d共6个生育期烤烟冠层叶片进行LCC测定。每个小区进行随机破坏性采样3株,每次数据采集共获取45个地面样本。将烤烟冠层叶片转移到实验室测定 LCC。用2 mm打孔器收集新鲜样品,混匀后称量0.1 g碎片,再浸入15 ml的95%乙醇溶液中。在浸提液制备完成后,将其保存在低温、避光和密闭的容器中,在黑暗中提取叶绿素 24 h。经过暗处理后,叶子呈白绿色,使用 Spectrumlab 722P
15、C 比色分光光度计测量叶片色素密度。提取的 LCC(Ct)由 665 和649 nm处的吸光度值计算10。LCC计算方法如公式(1)(3)所示。Ca=13.95A665-6.88A649(1)Cb=24.96A649-7.32A665(2)Ct=(Ca+Cb)V/1000W(3)其中,Ca 和 Cb 分别表示叶绿素 a 浓度和叶绿素 b 浓度,mg/L;V 表示浸提液的体积,mL;W 表示叶片的质量,g;A665和 A649分别为 665 和649 nm处的吸光度值。2.3 光谱参数的选定为了降低土壤背景、大气水分等环境因素对冠层反射率的干扰,大多数研究人员通过利用VI增强作物光谱信息的特征并
16、且实现高光谱数据信息降维11-13。本研究将通过两方面选取构建烤烟 LCC估测模型的光谱指数:一是基于已发表的对作物LCC 敏感的 18 种植被指数;二是基于波段 4001000 nm范围内任意两个波段随机组合的差值光谱指数(Difference Spectral Index,DSI)、比值光谱指数(Ratio Spectral Index,RSI)和归一化光谱指数(Normalized Spectral Index,NDSI),同时计算3 种光谱指数与 LCC 的相关性并绘制相关性等势图,最终筛选相关系数最优的波段组合为组合光谱指数对 LCC 进行研究。所选取的光谱参数如表 2所示。注:该图
17、由自然资源部标准地图服务网站下载的审图号为GS(2019)1822号标准地图制作,底图无修改图 1 河南省平顶山市烤烟试验地研究区分布图Fig.1 Distribution map of the tobacco experimental study area in Pingdingshan city,Henan province表 1 Pika L高光谱成像仪主要参数Table 1 Main parameters of Pika L hyperspectral imager参数名称光谱范围/nm光谱分辨率/nm采样间隔/nm光谱通道数/个空间通道数/个每秒最大帧数/帧尺寸/cmcmcm数值40
18、010002.11.0756190024910.012.55.370赖佳政等:基于无人机高光谱遥感的烤烟叶片叶绿素含量估测Vol.5,No.22.4 模型的构建与检验为了在保证模型训练充分的同时,尽可能减少模型过拟合的风险,以建模集和验证集样本比例21、每个生育期45个样本根据比例随机划分烤烟样本数据。首先对选定的光谱参数和LCC进行相关性分析以筛选对LCC敏感的光谱指数,然后将筛选出的光谱参数作为自变量。参考其他无人机高光谱估测作物长势信息所选择的模型及常见机器学习模型的优势,采用一元线性回归(Unary Linear Regression,ULR)、MLR和PLSR这三种传统线性模型,以及
19、SVR和RFR两种机器学习方法对单个生育期和全生育期烤烟LCC进行预估。采用决定系数(Coefficient of Determination,R2)和 均 方 根 误 差(Root Mean Square Error,RMSE)对模型进行精确性和鲁棒性检验。3 结果与分析 3.1 烤烟LCC变化表3描述的是烤烟冠层LCC在不同生育期的变化情况(实验室测定结果)。结果表明,烤烟生长前期,冠层 LCC会迅速增加,在团棵期或旺长期LCC达到顶峰;烤烟进入成熟期后,冠层叶片氮素发生转移,LCC开始减少,而烤烟冠层 LCC在现蕾期会进一步降低。从整体来看,冠层LCC符合先增后减的变化趋势,在移栽后75
20、 d(旺长期)LCC达到最大,之后开始逐渐下降。在各生育期中移栽后89 d变异系数最大,为28.43%,其余不同生育期的变异系数相差不大,范围为20.38%25.26%,各个生育期的变异系数均低于全生育期。全生育期样本范围为0.522.95 mg/g,其标准差和变异系数的数值表明LCC的离散程度较大,反表 2 光谱参数和计算公式Table 2 Spectral indices and formula of calculation光谱参数植物色素比率指数(Plant Pigment Ratio,PPR)红边归一化指数(Red edge Normalized Difference Vegetati
21、on Index,RNDVI)红光比率光谱指数(Red Light Ratio Spectral Index,NIR)归一化叶绿素指数(Normalized Difference Chlorophyll Index NDCI)简单比值指数(Simple Ratio Index,SR)红光叶绿素光谱指数(Red-edge model index,CIred-edge)优化土壤调节植被指数(Optimal Soil Adjusted Vegetation Index,OSAVI)红边归一化光谱指数(Normalized Difference Red Edge Index,NDRE)修正归一化光谱指
22、数(Modified Normalized Difference Spectral Index,mND705)Vogelmann红边指数(Vogelman Red Edge Index,VOG)红边位置指数(Red Edge Position Index,REP)归一化光谱指数550(ND550)绿光叶绿素光谱指数(Green Model Index,CIgreen)修正简单比值指数(Modified Simple Ratio Index,mSRI)转换叶绿素吸收反射率指数(Transformed Chlorophyll Absorption in Reflectance Index,TCAR
23、I)TCARI/OSAVI绿光归一化植被指数(Green Normalized Difference Vegetation Index,GNDVI)陆地叶绿素指数(Meris Terrestrial Chlorophyll Index,MTCI)差值植被指数(Difference Vegetation Index,DSI)比值植被指数(Ratio Spectral Index,RSI)归一化植被指数(Normalized Difference Spectral Index,NDSI)计算公式PPR=(R550-R450)/(R550+R450)(4)RNDVI=(R750-R705)/(R75
24、0+R705)(5)NIR=R780/R740 (6)NDCI=(R762-R527)/(R762+R527)(7)SR=R750/R705 (8)CIred-edge=(R800/R720)-1(9)OSAVI=1.16(R800-R670)/(R800+R670+0.16)(10)NDRE=(R790-R720)/(R790+R720)(11)mND705=(R750-R705)/(R750+R705+2R445)(12)VOG=R740/R720(13)REP=700+40(R670+R780)/2-R700)/(R740-R700)(14)ND550=(R750R550)/(R750+
25、R550)(15)CIgreen=(R800/R560)-1(16)mSRI=(R750-R445)/(R705-R445)(17)TCARI=3(R700-R670)-0.2(R700-R550)(R700/R670)(18)TCARI/OSAVI=3(R700-R670)-0.2(R700-R550)(R700/R670)/1.16(R800-R670)/(R800+R670+0.16)(19)GNDVI=(R790-R550)/(R790+R550)(20)MTCI=(R754-R709)/(R709-R681)(21)DSI=Ri-Rj (22)RSI=Ri/Rj (23)NDSI=(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 无人机 光谱 遥感 烤烟 叶片 叶绿素 含量 估测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。