葉綠素直觀反映作物的生長(zhǎng)狀態(tài)，其含量與植被脅迫、光合作用能力以及健康狀況密切相關(guān)，很大程度決定了作物的產(chǎn)量。及時(shí)準(zhǔn)確地估算葉綠素含量有助于發(fā)現(xiàn)葉片缺素癥狀，從而避免作物減產(chǎn)。無(wú)人機(jī)遙感技術(shù)以其高時(shí)空分辨率、低干擾及使用簡(jiǎn)便靈活的優(yōu)點(diǎn)，填補(bǔ)了現(xiàn)有農(nóng)業(yè)監(jiān)測(cè)技術(shù)的缺陷，被廣泛用于監(jiān)測(cè)大田作物的氮素含量、葉綠素、葉面積指數(shù)等生理生化指標(biāo)。

河北農(nóng)業(yè)大學(xué)張愛(ài)軍教授團(tuán)隊(duì)在河北省保定市順平縣耕耘農(nóng)機(jī)服務(wù)專業(yè)合作社(115°08'19''E，38°46'59''N) ，設(shè)計(jì)了6 個(gè)谷子試驗(yàn)區(qū)，并對(duì)試驗(yàn)區(qū)進(jìn)行氮肥梯度處理。分別在試驗(yàn)區(qū)的拔節(jié)期(8月11日) 、抽穗期(8月21日) 、灌漿期(9月10日) 、成熟期(9月28日) ，利用大疆公司經(jīng)緯M600 Pro無(wú)人機(jī)搭載Gaiasky mini2－VN 高光譜相機(jī)（江蘇雙利合譜公司）對(duì)谷子冠層的光譜進(jìn)行采集，無(wú)人機(jī)飛行高度為200m，測(cè)量時(shí)段為10:00—14:00，天氣均為晴朗無(wú)風(fēng)。與光譜測(cè)量同步，使用日本柯尼卡美能達(dá)公司葉綠素儀( SPAD－502) 測(cè)定樣點(diǎn)附近5 株植株的葉綠素含量，每片葉子均勻測(cè)量3 次，取平均值作為樣本的葉綠素含量，實(shí)現(xiàn)與葉片光譜數(shù)據(jù)的一一對(duì)應(yīng)。

選取相關(guān)系數(shù)*大的波段構(gòu)建一元函數(shù)模型（指數(shù)函數(shù)、一元線性函數(shù)、對(duì)數(shù)函數(shù)、多項(xiàng)式以及冪函數(shù)），選擇其中*優(yōu)的函數(shù)模型作為葉綠素含量的一元線性回歸模型?；诠庾V曲線，計(jì)算植被指數(shù)及三邊參數(shù)，如表1所示，并建立相應(yīng)的擬合方程。

本研究構(gòu)建了一個(gè)輸入層、一個(gè)輸出層、五個(gè)隱含神經(jīng)元、一個(gè)輸出所構(gòu)成的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)算法的參數(shù)，如表2所示。針對(duì)各時(shí)期108組谷子葉片樣本，利用神經(jīng)網(wǎng)絡(luò)建立葉綠素估算模型，選取各個(gè)時(shí)期的入選植被指數(shù)作為輸入層，以谷子葉片的葉綠素值作為輸出層。

表1 基于光譜曲線構(gòu)建的植被指數(shù)和三邊參數(shù)

表2 BP神經(jīng)網(wǎng)絡(luò)算法參數(shù)

谷子葉片葉綠素含量在不同生育期呈先增加后減少的趨勢(shì)，*大值出現(xiàn)在抽穗期，約為66.40。谷子葉片的光譜反射率變化趨勢(shì)基本一致，而光譜反射率隨著葉綠素的增加呈現(xiàn)出降低的趨勢(shì)。近紅外波段的光譜一階導(dǎo)數(shù)可以顯著地增強(qiáng)紅邊波段，紅邊波段的一階導(dǎo)數(shù)光譜是整個(gè)波段范圍的*大值，對(duì)應(yīng)為反射率在600～800 nm的強(qiáng)吸收效應(yīng)。谷子葉片反射光譜及一階導(dǎo)光譜如圖1所示。

如表3所示，在不同生育期，分別基于一次線性、二次非線性、指數(shù)及對(duì)數(shù)形式構(gòu)建各因子與葉綠素含量的對(duì)應(yīng)關(guān)系。在拔節(jié)期和抽穗期NDVI與葉綠素含量有較好的對(duì)應(yīng)關(guān)系（R² ＞ 0.52），估算值也具有*小的殘差（RMSE < 2.28）。在灌漿期和成熟期，RENDVI、PSSRc則分別對(duì)葉綠素含量估算有較好的適用性。其中，NDVI的二次非線性、一次線性模型分別在拔節(jié)期和抽穗期表現(xiàn)良好；RENDVI、PSSRc則分別以一次線性及指數(shù)形式出現(xiàn)在灌漿期和成熟期。

表3 基于光譜指數(shù)的谷子葉片葉綠素含量預(yù)測(cè)模型

基于高相關(guān)的光譜特征參數(shù)NDVI、GNDVI、PSNDa、PSSRc、RENDVI及Dy構(gòu)建了谷子葉片葉綠素含量PLSR預(yù)測(cè)模型（表5）。PLSR模型的Q²均高于0.56，對(duì)因變量的解釋程度一般，R²均在0.6以上，而預(yù)測(cè)集的R²在0.55~0.71之間，其RMSECV在1.41~2.66之間。在拔節(jié)期，PLSR模型的**主成分對(duì)葉綠素變化的解釋能力為67.8%，加入**、三主成分解釋能力增加到82.7%、95.8%；抽穗期、灌漿期和成熟期PLSR模型對(duì)葉綠素的總解釋能力分別為63.1%、84.5%和84.7%。PLSR預(yù)測(cè)模型精度整體上是優(yōu)于單變量模型的。

表5 谷子葉片葉綠素值與敏感光譜指數(shù)的PLSR模型

表6列出了基于6個(gè)光譜參數(shù)構(gòu)建的BP神經(jīng)模型精度。從建模集來(lái)看，4個(gè)時(shí)期的模型決定系數(shù)均大于0.84，模型的穩(wěn)定性較高，其中模型在灌漿期達(dá)到*佳估測(cè)精度，建模集R²達(dá)到了0.96，而RMSE*低，說(shuō)明該時(shí)期的模型穩(wěn)定性和預(yù)測(cè)能力較好。從圖2可以看出，相比于傳統(tǒng)的一元模型，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)谷子葉片的SPAD值估測(cè)具有較高的精度，4個(gè)時(shí)期的預(yù)測(cè)精度均在0.66以上。綜合比較，相較于偏*小二乘回歸模型與一元線性模型，利用BP神經(jīng)網(wǎng)絡(luò)建模效果*佳。

表6 不同時(shí)期的BP神經(jīng)網(wǎng)絡(luò)模型精度

圖2 谷子各時(shí)期光譜反射率BP神經(jīng)網(wǎng)絡(luò)模型測(cè)試集SPAD值預(yù)測(cè)結(jié)果

通訊作者信息

張愛(ài)軍，河北省山區(qū)研究所研究員，博士生導(dǎo)師。

主要研究方向：植物營(yíng)養(yǎng)生態(tài)與數(shù)字農(nóng)業(yè)。

參考文獻(xiàn)：

彭曉偉, 張愛(ài)軍, 楊曉楠,等. 谷子葉綠素含量高光譜特征分析及其反演模型構(gòu)建[J]. 干旱地區(qū)農(nóng)業(yè)研究, 2022(002):040.

Doi: 10.7606/j.issn.1000-7601.2022.02.09