基于数码相机的玉米冠层SPAD遥感估算

贺英，邓磊，毛智慧，孙杰



基于数码相机的玉米冠层SPAD遥感估算

贺英，邓磊，毛智慧，孙杰

（首都师范大学资源环境与旅游学院，北京 100048）

【目的】叶绿素是植物光合作用中重要的色素。利用作物光谱信息对叶绿素含量进行反演，为作物的实时监测和生长状态诊断提供重要依据。【方法】以大田环境下不同氮肥水平（0，50%和100%）的开花期玉米为研究对象，利用轻小型无人机搭载数码相机，获取试验区RGB影像。使用土壤调整植被指数（soil adjusted vegetation index，SAVIgreen）对图像进行分割，基于分割前后的影像分别提取15种常见的可见光植被指数，综合分析指数与玉米冠层叶绿素相对含量SPAD值的相关关系。采用单变量回归模型、多元逐步回归模型和随机森林（random forest，RF）回归算法构建玉米SPAD值的遥感估算模型，通过模型精度评价指标决定系数（coefficient of determination，2）、均方根误差（root mean square error，）、平均相对误差（mean relative error，）和显著性检验水平（＜0.01），确定最佳指标和最优模型。【结果】基于分割前后的数码影像提取的VIplot和VIplant植被指数与玉米冠层SPAD值之间具有显著的相关关系，其中VIplant中的红光标准化值（NRI）、归一化叶绿素比值植被指数（NPCI）、蓝红比值指数（BRRI）、差值植被指数（DVI）与SPAD值的相关性在0.77以上；以相关性高于0.77的VIplant指数NRI、NPCI、BRRI、DVI构建的线性、指数、对数、二次多项式、幂函数的单变量回归模型中，NRI指数构建的二次多项式模型效果最好，决定系数2为0.7976，为4.31，为5.91％。在VIplant指数NRI、NPCI、BRRI、DVI参与建立的多变量SPAD反演模型中，使用随机森林方法的模型精度最高，决定系数2为0.8682，为3.92，为4.98%，而多元逐步回归模型的精度高于任意单变量回归模型，决定系数2为0.819，为4，为5.67%；对数码影像结合各模型制作的SPAD分布图进行精度分析，使用随机森林回归模型对SPAD的估测值与实测值最为接近，具有最佳的预测效果，2为0.8247，为4.3，为5.36％，可以作为玉米冠层叶绿素信息监测的主要方法。【结论】本研究证明将数码相机影像提取的可见光植被指数应用于玉米叶绿素相对含量的估测是可行的，这也为无人机遥感系统在农业方面的应用增添了新的手段和经验。

无人机；数码相机；SPAD值；随机森林回归算法

0 引言

【研究意义】叶绿素是植物光合作用中最重要的色素，其含量高低反映了作物光合能力的强弱和营养生理状况的好坏，是评价农作物长势的重要指标[1-2]。【前人研究进展】Marenco等[3]研究发现使用SPAD-502 测量叶绿素含量的精度很高，几乎跟化学试验测得的叶绿素结果一样，因此可以用SPAD值代替叶绿素的含量。该方法虽然能够准确地、无损地获取作物叶片SPAD值，但SPAD叶绿素仪测定面积小，大面积测定需要大量时间[4]。近年来对地观测技术快速发展，国内外学者使用卫星影像在不同尺度测定作物光谱从而对作物叶绿素含量以及叶绿素相对含量进行反演和估算[5-6]，该方法具有覆盖面积广的优势，但卫星数据存在重访周期长、易受云、雨影响等缺点，限制了其在农业遥感中实时、连续监测的应用[7]。随着数码图像采集设备和计算机图像处理技术的发展，无人机以其机动灵活、操作简便、按需获取数据且空间分辨率高的优势，通过搭载高光谱、多光谱相机成为获取作物叶绿素相对含量的重要手段[8-9]。Hunt[10]、Schlemmer[11]、房贤一[12]和张潇元等[13]利用各种植被指数构建了估测作物叶片叶绿素含量和叶氮含量的遥感模型。丁希斌等[2]利用高光谱成像技术，分别通过全谱、特征波长、红边参数和植被指数4种方式，将光谱信息与SPAD值联系起来，建立油菜叶片的SPAD预测模型。以上的方法都能实现SPAD值的估测，但所使用的大多数指数都包含可见光及近红外波段，然而在国内外无人机的实际应用中，考虑到传感器获取的难易、后期数据处理的复杂度及成本等原因，对仅包含可见光波段的无人机影像获取更为容易，应用也更为广泛。自然界中物体的颜色是由其在波长400—700 nm的可见光光谱反射特性决定的，而正常生长的作物叶片颜色由叶绿素的光谱特性决定，因此，可见光区域的反射光谱的特性可以用来估测叶片的叶绿素含量[14-15]。Jia等[16]指出绿光亮度值与小麦冠层氮素浓度和叶片SPAD值有显著的负相关关系。Pagola等[17]利用图像分析技术提取大麦叶片的色彩指数发现，其与叶绿素含量有显著的相关性。王方永等[18]提出可见光通道的G-R参数能够较好的预测棉花叶绿素含量。在构建SPAD估测模型的过程中，有学者将计算机领域的机器学习算法应用于作物SPAD值的遥感估算研究中[19-20]。其中，Karimi等[21]以玉米为研究对象，利用支持向量回归算法，将从高光谱数据提取的指数与实测SAPD进行拟合；Liu等[22]利用BP神经网络模型建立水稻SPAD值与光谱参数的关系；Kira等[23]基于高光谱波段计算植被指数，利用最小二乘法和神经网络算法建立模型估算了3种树木的叶绿素；王丽爱等[24]使用随机森林回归算法构建小麦叶片SPAD值的遥感估算模型。【本研究切入点】近年来，数码影像由于其成本低、获取简单、性价比高等优势逐渐成为低空遥感的重要手段，机器学习中各种算法也被广泛应用于农作物生理生化参数的估测，但利用随机森林回归算法构建仅包含可见光波段的冠层叶绿素相对含量的研究尚不多见。【拟解决的关键问题】本研究以玉米为目标作物，综合分析开花期玉米冠层可见光植被指数与冠层SPAD值的相关关系，采用单变量回归模型、多元逐步回归模型和随机森林回归算法构建玉米冠层SPAD值的遥感估算模型。以期为数码相机在农作物SPAD估算中的应用提供新的研究手段和新的经验。

1 材料与方法

1.1 研究区概况

试验区地处河北省涿州市城西十公里处东城坊镇（东经115°50′56″，北纬39°27′49″）。该地区属暖温带半湿润季风区，大陆性季风气候特点显著，温差变化大，四季分明。土壤属砂壤土，土壤pH 7.8，有机质含量1%—1.9%。田间供试作物为春播玉米，播种日期为2017年4月20日。试验区设置不施氮（0%）、中氮（50%）和高氮（100%）3个不同的施氮（纯氮）水平（即0、112.5和225 kg·hm-2，分别记为N0、N1、N2）。磷钾肥用量100 kg·hm-2，分别在播种、6月8日、6月20日按4﹕2﹕4分3次施入，各区域用量相等。试验时在每个氮肥区域设置180个小区，共计540个。每个小区长5 m，宽1.2 m，小区内种植两行作物，共计40株，行间距为60 cm，株间距25 cm。不同氮肥区域间设置10行过渡行，周围设置保护行。试验小区的试验地块、灌溉水平、种植密度及田间管理措施相同。试验区地理位置、小区及氮肥水平概况如图1所示。

图1 研究区地理位置及氮肥水平概况

1.2 无人机遥感数据获取与处理

试验时间为7月8日，此时玉米处于开花期。试验以天鹰680型四旋翼无人机为遥感平台，该无人机机身重量约3.6 kg，最大任务载荷2 kg，空载续航时间约为50 min。在无人机上搭载 SONY DSC-QX1数码相机，其有效像素为2 010万，尺寸23.2 mm×15.4 mm，镜头焦距16 mm。无人机遥感数据获取选择太阳光辐射强度稳定、天气晴朗无云时开展，采集时间为12：00—12：30，以降低太阳高度角造成的阴影对影像质量的影响。无人机飞行高度为40 m，航向重叠度设计为80%，旁向重叠度设计为75%，在设定航高下影像空间分辨率为1.06 cm。数据采集时，无人机按照设定好的航线和参数自动巡航并记录数据。

借助Agisoft PhotoScan软件进行无人机高清数码影像的处理工作。将高清数码相片及影像拍摄时刻的POS信息（无人机飞行经纬度、高度、翻转、俯仰及旋转角度）进行匹配；基于动态结构算法检测相片特征点，建立匹配特征点对，进而排列相片；通过密集多视角立体匹配算法生成三维密集点云，为提高精度，利用差分GPS测量的地面控制点信息（图1）进行几何校正，最终生成试验区玉米冠层的正射影像。

1.3 冠层SPAD值测定

在无人机获取遥感数据的当天（7月8日），采用SPAD-502plus型手持式叶绿素仪测定试验区玉米叶片SPAD值。测量时，在每个小区随机选取完全展开的20片叶子，使用SPAD-502plus型叶绿素仪，在每片叶子的不同部位测定其SPAD，每片叶子测量5次，将其平均值作为该叶片的SPAD值，最后取20张叶片的SPAD值的平均值作为该小区的SPAD值[25-26]。对获取的540个小区玉米冠层SPAD实测值进行随机抽样，其中28%（n=152）作为建模样本（modeling set），构建SPAD预测模型；12%（n=68）作为验证样本（validation set）对构建的模型进行验证；60%（n=320）作为测试样本（test set），对填图后模型的估测精度进行检验。

1.4 研究方法

1.4.1 图像分割及计算冠层覆盖度 RGB数码相机由于成本低、分辨率高、性价比高等优点，在低空遥感平台中得到广泛应用。数码相机所采集的数字图像的RGB的像元值不同于对应波段的反射率，但其本质上是对红、绿、蓝3个波段反射光强的量化表达[27]。王方永等[18]研究证实RGB 灰度值同样反映了植被冠层叶片对光的反射特性。冠层覆盖度（canopy cover，CC）是植被像素与小区总像素数的比值，本文利用土壤调整植被指数（soil adjusted vegetation index，SAVIgreen）计算CC[28]。SAVIgreen指数将玉米冠层分割为植被像元和非植被像元两个部分，计算方式如下：

式中，G、R表示图像绿色和红色波段的DN值，L代表土壤调节系数，取值范围为0到1，这里L取值为0.5。影像中SAVIgreen指数大于零的部分即是玉米冠层像元，其他部分是非植被像元。

1.4.2植被指数计算 将处理好的RGB影像导入到ENVI 5.1软件中进行解译，识别出玉米小区。按照小区大小构建感兴趣区域（region of interest，ROI），统计ROI内的小区的所有像元的DN值，取其平均值作为该小区的像元值。在此基础上计算两类15种常见的植被指数，包括玉米冠层植被指数（将背景分割后的只包含玉米像元计算的指数，记为VIplant）和小区植被指数（未分割的小区里所有像元计算的指数，记为VIplot），参数及公式出处如表1所示。

表1 文中所使用的参数及公式

R、G、B为红、绿、蓝通道的像元值R, G, B are pixel values in red channel, green channel and blue channel respectively

1.4.3数据分析方法 本研究利用单变量回归、多元逐步回归和随机森林回归算法构建玉米冠层SPAD值估算模型。其中在单变量模型中，首先通过对VIplant和VIplot指数与SPAD的相关性分析，选择相关性较大的指数作为自变量，采用指数、线性、对数、二阶多项式和幂函数构建单变量回归模型。随机森林回归是基于统计学理论的机器学习算法，它利用自助法重抽样技术，通过有放回抽样以及不同树演化过程中随机改变预测变量组合来增加分类树的多样性。每一个分类树可以通过原始数据集（X）中的一个自助法取样子集（Xi）进行生长，并且利用随机选择的m个预测变量中的最佳预测变量进行节点分割。本研究通过调用R语言Random Forests 程序包来建立随机森林模型，分类数的数量（K）和分割节点的随机变量的数量（m）是随机森林模型中两个非常有意义的参数，通过试验不同的回归树数量，根据模型的决定系数和均方根误差来确定K；m不赋值，使用系统默认的输入变量数的1/3，当变量小于3时取1。经过反复试验，最后确定本研究中分类树的数量为1000。

1.4.4 精度评价指标 为验证模型的预测精度，将模型预测值与实测值进行回归拟合，选取决定系数（coefficient of determination，2）、均方根误差（root mean square error，）和平均相对误差（mean relative error，）进行模型分析检验，计算公式如表2所示。其中决定系数表示预测值与实测值的拟合程度,其值越趋近于1,拟合曲线参考价值越高；均方根误差主要用于模型验证，反映了预测值与实测值的偏离度，其值越小，模型精度越高。

表2 3类模型评价指标

2 结果

2.1 VIplant和VIplot指数与玉米SPAD值相关性分析

将各小区测量的玉米冠层SPAD值与VIplant和VIplot指数分别进行相关性分析，结果如表3所示。可以看出，VIplot指数与SPAD之间都存在显著或极其显著关系，其中NGI、VDVI、RGBVI与SPAD值存在显著关系（＜0.05），其他指数与SPAD值都存在极显著关系（＜0.01），NRI、DVI、NPCI与SPAD值的相关性绝对值均大于0.77，而BRRI、NBI、NGBDI、BGRI、NGRDI指数与SPAD值相关性绝对值均高于0.7，相关性依次递减；VIplant指数中除NGI、VDVI指数与SPAD值显著相关外，其他指数皆呈极显著关系，在相关性绝对值大于0.7的指数中，相关性从大到小依次为DVI、NRI、NPCI、BRRI、NBI、NGBDI、BGRI、RGRI、EXG、GRRI，其中，DVI、NRI、NPCI、BRRI与SPAD值的相关性绝对值均大于0.77。综合来看，在VIplot和VIplant指数中，BGRI、CIVE、GRRI、NBI、NGRDI、BRRI与SPAD值呈正相关关系，其他指数与SPAD值呈负相关关系。除NGRDI指数外，VIplant的其他指数与玉米冠层SPAD值的相关性皆高于VIplot指数。

表3 VIplot和VIplant指数与玉米冠层SPAD相关性分析

**和*分别表示0.01和0.05水平上显著相关

**and* indicate significant correlation at 0. 01 and 0. 05 levels, respectively

选择与SPAD值相关性皆高于0.76的VIplot和VIplant指数，分别统计其在不同的氮肥水平下各指数和CC的平均值，如表4所示。结果表明，随着施氮量的增加，植被CC呈增加趋势；在N0区域，植被VIplot为0.65时有大量的地表裸露出来，VIplot指数很大程度上受到背景土壤的影响，与VIplant间的差异较大；而在施氮水平N1和N2区域，CC增大，无植被覆盖区域面积减少，VIplot与VIplant间的差异明显减小。因此，为降低裸露的土壤对模型精度的影响，在下文的研究中我们选用VIplant指数作为自变量，参与SPAD估测模型的构建。

表4 不同氮肥区域植被指数和冠层覆盖度的平均值

2.2 基于VIplant参数的SPAD值估算

玉米冠层SPAD值与可见光植被指数间有显著的相关性，利用这些指数来对SPAD值进行估算具有较高的可行性。将与SPAD值相关性在0.77以上的NRI、BRRI、NPCI、DVI指数作为自变量，分别使用线性、对数、指数、二次多项式、幂函数5种模型与实测的SPAD值进行拟合构建单变量回归模型，见表5。可以发现，不同波段组合的光谱指数与SPAD值的拟合能力有差异，但各个模型方程均达到极显著水平（＜0.01），说明参与建立回归模型的各指数均包含可估测的SPAD信息。对于NRI指数，从建模样本来看，决定系数在0.7783和0.7894间，效果最好的是二阶多项式，2为0.7894；对于BRRI指数，决定系数在0.7819和0.7889间，模型间的拟合精度差距较小，建模效果较好的是幂函数、二阶多项式和对数模型，2分别为0.7889、0.7863和0.7852，但幂函数的最大，对数次之，二阶多项式最小；NPCI指数建模效果最好的模型是线性，2为0.7876，为4.58；DVI指数决定系数在0.7673和0.7949间，模型间的拟合精度差距较大，效果最好的为线性和二阶多项式，2分别为0.7866和0.7871，但多项式的较小。

将验证集样本的SPAD实测值和各模型估测值进行拟合分析，结果如表5所示。基于NRI指数建立的模型中，二阶多项式模型的检验精度最优，其2最大，最小，平均相对误差最小，其次为线性模型，综合考虑建模精度，二阶多项式模型为NRI指数最佳模型；在BRRI模型中，对数模型的估测精度最佳，2最大、、均最小，综合建模结果可知对数模型为BRRI指数最佳估算模型；NPCI模型中，线性模型建模2最大、最小、相对较小，综合建模精度，选择线性模型为NPCI指数最佳估算模型；同样，对于DVI指数，无论是建模还是验证时皆是二阶多项式模型效果最佳。综合建模和验证精度，由NRI指数建立的二阶多项式模型效果最好。

2.3 基于随机森林回归模型的SPAD估算

基于机器学习的随机森林模型在光谱分析中应用较为广泛。本文将与玉米冠层SPAD值相关性在0.77以上的VIplant的NRI、BRRI、NPCI、DVI作为自变量，分别建立单变量回归模型（对每个指数选取最佳的反演模型，分别记为SPAD-NRI、SPAD-BRRI、SPAD-NPCI、SPAD-DVI）、多元回归模型（记为SPAD- MSR）和随机森林回归模型（SPAD-RFR）。6种模型的建模和验证结果如表6、图2和图3所示，结果表明，随机森林回归模型的建模精度和验证精度最高，建模决定系数2为0.8794，为3.43，为5.23%，验证集决定系数2为0.8682，为3.92，为4.98%；以4种指数联合建立的多元逐步回归模型SPAD-MSR其精度略低于随机森林模型而高于单变量回归模型，2为0.819，为4，为5.67%。

应用6种模型对试验区可见光影像进行SPAD反演估测，得到试验区玉米冠层SPAD值的分布情况，为了对估算结果的精度进行检验，利用测试集320个小区的SPAD实测值与估算值进行分析（表6），可以看出，6个模型的检验中，SPAD-RFR模型的估测精度高于多个指数构建的多元逐步回归模型和单变量回归模型，2为0.8247，为4.3，为5.36%。图4是将估测效果最佳的随机森林回归模型应用于无人机数码影像，得到试验区玉米冠层SPAD值的分布情况。

表5 玉米冠层SPAD值单变量反演模型

表6 不同估算模型的建模、验证与测试结果

3 讨论

叶绿素是作物吸收光能的主要物质，直接影响了作物的光合作用，SPAD值反映了叶片中叶绿素的总含量，表征作物叶片、冠层的养分和长势情况。研究发现利用土壤调整植被指数分割植被和非植被像元后，计算的VIplant和VIplot植被指数与玉米冠层SPAD值的相关性有较大差异。这是因为在低植被覆盖时，植被叶片稀疏，VIplot易受到土壤像元的影响，而在植被覆盖度较大时，叶片密集，裸露的土壤较少，因此利用分割后的VIplant指数能够很大程度上降低土壤像元和阴影的影响，使VIplant指数与SPAD值的相关性大部分高于VIplot指数，其中NRI、BRRI、NPCI、DVI等指数与SPAD值相关性皆在0.77以上。

图2 建模样本玉米冠层SPAD 估测值与实测值拟合结果

研究发现单变量回归模型间的预测精度有细微差异，以NRI指数效果最好，这可能是因为玉米冠层叶绿素相对含量的差异体现在可见光的各个波段上，该指数综合利用了红绿蓝3个波段的信息，一定程度上排除了背景土壤的影响，而其他指数所利用的波段信息有限。除光谱指数外，不同建模方法对估测精度也有较大影响，基于多个植被指数的多元回归模型（SPAD-MSR）预测精度高于单变量回归模型，这可能是因为SPAD-MSR模型利用了相关性高的NRI、BRRI、NPCI、DVI 4种指数，不仅在波段利用方面涵盖了可见光所有波段，而且波段间的不同方式的组合运算使得模型更大程度上利用了各个指数的波段信息，因此具有更好地估测效果。但是从图3中可以看出，它们在无氮区域（N0）出现低估，而在施氮区域（N1、N2）出现了高估现象，这可能是因为不同氮肥区域玉米长势不同。研究中虽然使用了分割后的植被像元计算的植被指数构建SPAD估测模型，但是在无人机获取数据的过程中，无氮区域冠层覆盖度低，冠层反射率依然会受到背景土壤的影响，而施氮区域冠层覆盖度高，植被遮阴严重，从而影响了估测精度。不施氮区域和施氮区域的玉米冠层SPAD值和植被指数之间存在较大的差异，而在施有氮肥的N1和N2区域，虽然施氮量之间有较大差异，但所测得冠层SPAD值和各植被指数之间的差异却不大。而采用随机森林算法的SPAD-RFR模型则很好的缓解了这一现象，它具有很好的抗噪能力也不容易陷入过度拟合，通过对大量分类树的汇总提高了模型的预测精度。

图3 验证样本玉米冠层SPAD 估测值与实测值拟合结果

另外，本研究还有一些不足之处。由于本研究重点在于分析利用无人机数码影像提取的光谱指数在估测玉米冠层SPAD的可行性，所以在SPAD值的反演过程中，只讨论了开花期玉米的模型构建，未对其他关键生育期进行研究，因此本文所构建的模型对于其他生育阶段的普适性有待进一步验证。再者，在算法的选择上，本研究仅利用RF算法，并未考虑SPAD遥感估算中常采用的其他算法，如偏最小二乘、支持向量机回归和神经网络等算法。因此，利用不同算法在玉米关键生育期的SPAD反演研究是后续研究的重点。

图4 试验区玉米冠层SPAD值分布情况

4 结论

本文利用数码相机对玉米进行了SPAD反演的研究，结果表明利用多旋翼无人机平台搭载数码相机在精确反演农作物叶绿素相对含量方面是可行的，其获取的高空间分辨率RGB影像能够为精准农业提供必要的数据支持。

（1）利用土壤调整植被指数分割植被和非植被像元后，计算的小区范围的植被指数（VIplot）和只包含作物冠层的植被指数（VIplant）与玉米冠层SPAD值之间有良好的相关性，VIplant指数的相关性大部分高于VIplot指数，其中BRRI、NRI、NPCI、DVI等指数与SPAD相关性在0.77以上。

（2）分别以玉米冠层像元计算的BRRI、NRI、NPCI、DVI指数为自变量建立的单变量回归模型有较高的精度，2在0.7661—0.799，在4.2—4.71，其中以NRI指数构建的二次多项式模型效果最好，验证决定系数2为0.7976，为4.31。利用相关系数大于0.77的指数构建的多元逐步回归模型（SPAD-MSR）和随机森林回归模型（SPAD-RFR）皆有很高的估测精度，其中SPAD-RFR模型预测效果最好，决定系数2为0.8682，为3.92，为4.98%。

（3）应用6种模型对试验区可见光影像进行SPAD反演估测，SPAD-RFR模型对SPAD的估测值与实测值最为接近，具有较高的反演精度，2为0.8247，为4.3，为5.36％，可以作为玉米冠层叶绿素信息监测的主要方法。

[1] VEROUSTRAETE F, PATYN J, MYNENI R B. Estimating net ecosystem exchange of carbon using the normalized difference vegetation index and an ecosystem model.,1996, 58(1): 115-130.

[2] 丁希斌, 刘飞, 张初, 何勇. 基于高光谱成像技术的油菜叶片SPAD值检测. 光谱学与光谱分析, 2015, 35(2): 486-491.

DING X B, LIU F, ZHANG C, HE Y. Prediction of SPAD value in oilseed rape leaves using hyperspectral imaging technique., 2015, 35(2): 486-491. (in Chinese)

[3] MARENCO R A, ANTEZANAVERA S A, NASCIMENTO H C S. Relationship between specific leaf area, leaf thickness, leaf water content and SPAD-502 readings in six Amazonian tree species., 2009, 47(2): 184-190.

[4] PAGOLA M, ORTIZ R, IRIGOYEN I, BUSTINCE H, BARRENECHEA E, APARICIOTEJO P, LAMSFUS C, LASA B. New method to assess barley nitrogen nutrition status based on image colour analysis: comparison with SPAD-502., 2009, 65(2): 213-218.

[5] 李粉玲, 王力, 刘京, 常庆瑞. 基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算. 农业机械学报, 2015, 46(9): 273-281.

LI F L, WANG L, LIU J, CHANG Q R. Remote sensing estimation of SPAD value for wheat leaf based on GF-1 data., 2015, 46(9): 273-281. (in Chines)

[6] 夏天, 周清波, 陈仲新, 周勇, 于雷. 基于HJ-1卫星的冬小麦叶片SPAD遥感监测研究. 中国农业资源与区划, 2012, 33(6): 38-44.

XIA T, ZHOU Q B, CHEN Z X, ZHOU Y, YU L. Monitoring winter wheat SPAD based on HJ-1ccd., 2012, 33(6): 38-44. (in Chinese)

[7] ZHANG C, KOVACS J M. The application of small unmanned aerial systems for precision agriculture: a review., 2012, 13(6): 693-712.

[8] PRIMICERIO J, GENNARO S F D, FIORILLO E, GENESIO L, LUGATO E, MATESE A, VACCARI F P. A flexible unmanned aerial vehicle for precision agriculture., 2012, 13(4): 517-523.

[9] CILIA C, PANIGADA C, ROSSINI M, MERONI M, BUSETTO L, AMADUCCI S, BOSCHETTI M, PICCHI V, COLOMBO R. Nitrogen status assessment for variable rate fertilization in maize through hyperspectral imagery., 2014, 6(7): 6549-6565.

[10] HUNT E R, DORAISWAMY P C, JAMES E M, CRAIG S T, PERRY E M, AKHMEDOV B. A visible band index for remote sensing leaf chlorophyll content at the canopy scale., 2013, 21(1): 103-112.

[11] SCHLEMMER M, GITELSON A, SCHEPERS J, FERGUSON R, PENG Y, SHANAHAN J, RUNDQUIST D. Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels., 2013, 25(1): 47-54.

[12] 房贤一, 朱西存, 王凌, 赵庚星. 基于高光谱的苹果盛果期冠层叶绿素含量监测研究. 中国农业科学, 2013, 46(16): 3504-3513.

FANG X Y, ZHU X C, WANG L, ZHAO G X. Hyperspectral monitoring of the canopy chlorophyll content at apple tree prosperous fruit stage ., 2013, 46(16): 3504-3513. (in Chinese)

[13] 张潇元, 张立福, 张霞, 王树东, 田静国, 翟涌光. 不同光谱植被指数反演冬小麦叶氮含量的敏感性研究. 中国农业科学, 2017, 50(3): 474-485.

ZHANG X Y, ZHANG L F, ZHANG X, WANG S D, TIAN J G, ZHAI Y G. Sensitivity of different spectral vegetation index for estimating winter wheat leaf nitrogen.2017, 50(3): 474-485. (in Chinese)

[14] THOMAS J R, GAUSMAN H W. Leaf reflectance vs. Leaf chlorophyll and carotenoid concentrations for eight crops., 1977, 69(5): 799-802.

[15] MADEIRA A C, FERREIRA A, VARENNES A, VIEIRA M I. SPAD meter versus tristimulus colorimeter to estimate chlorophyll content and leaf color in sweet pepper., 2003, 34(17/18): 2461-2470.

[16] JIA L L, CHEN X P, ZHANG F, BUERKERT A, ROMHELD V. Use of digital camera to assess nitrogen status of winter wheat in the northern China plain., 2004, 27(3): 441-450.

[17] PAGOLA M, IRIGOYEN I, BUSTINCE H, BARRENECHEA E, APARICIO-TEJO P, LAMSFUS C, LASA B. New method to assess barley nitrogen nutrition status based on image colour analysis., 2009, 65(2): 213-218.

[18] 王方永, 王克如, 李少昆, 高世菊, 肖春华, 陈兵, 陈江鲁, 吕银亮, 刁万英. 应用两种近地可见光成像传感器估测棉花冠层叶片氮素状况. 作物学报, 2011, 37(6): 1039-1048.

WANG F Y, WANG K R, LI S K, GAO S J, XIAO C H, CHEN B, CHEN J L, LÜ Y L, DIAO W Y. Estimation of canopy leaf nitrogen status using imaging spectrometer and digital camera in cotton., 2011, 37(6): 1039-1048. (in Chinese)

[19] YUE J, YANG G, LI C, LI Z, WANG Y, FENG H, XU B. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models., 2017, 9(7): 708-727.

[20] ATZBERGER C. Object-based retrieval of biophysical canopy variables using artificial neural nets and radiative transfer models., 2004, 93(1/2): 53-67.

[21] KARIMI Y, PRASHER S O, MADANI A, KIM S. Application of support vector machine technology for the estimation of crop biophysical parameters using aerial hyperspectral observations., 2008, 50: 7-13.

[22] LIU M L, LIU X N, LI M, FANG M H, CHI W X. Neural-network model for estimating leaf chlorophyll concentration in rice under stress from heavy metals using four spectral indices., 2010, 106(3): 223-233.

[23] KIRA O, LINKER R, GITELSON A. Non-destructive estimation of foliar chlorophyll and carotenoid contents: Focus on informative spectral bands., 2015, 38: 251-260.

[24] 王丽爱, 马昌, 周旭东, 訾妍, 朱新开, 郭文善. 基于随机森林回归算法的小麦叶片SPAD值遥感估算. 农业机械学报, 2015, 46(1): 259-265.

WANG L A, MA C, ZHOU X D, ZI Y, ZHU X K, GUO W S. Estimation of wheat leaf SPAD value using RF algorithmic model and remote sensing data., 2015, 46(1): 259-265. (in Chinese)

[25] 宋晓宇, 王纪华, 杨贵军, 崔贝, 常红. 基于叶片及冠层叶绿素参数的冬小麦籽粒蛋白质含量预测研究. 光谱学与光谱分析, 2014, 34(7): 1917-1921.

SONG X Y, WANG J H, YANG G J, CUI B, CHANG H. Winter wheat GPC estimation based on leaf and canopy chlorophyll parameters., 2014, 34(7): 1917-1921. (in Chinese)

[26] 田永超, 朱艳, 曹卫星, 范雪梅, 刘小军. 利用冠层反射光谱和叶片SPAD值预测小麦籽粒蛋白质和淀粉的积累. 中国农业科学, 2004, 37(6): 808-813.

TIAN Y C, ZHU Y, CAO W X, FAN X M, LIU X J. Monitoring protein and starch accumulation in wheat grains with leaf SPAD and canopy spectral reflectance., 2004, 37(6): 808-813. (in Chinese)

[27] HONG G W, LUO M R, RHODES P A. A study of digital camera colorimetric characterization based on polynomial modeling., 2001, 26(1): 76-84.

[28] LI Y, CHEN D, WALKER C N, ANGUS J F. Estimating the nitrogen status of crops using a digital camera., 2010, 118(3): 221-227.

[29] KAWASHIMA S, NAKATANI M. An algorithm for estimating chlorophyll content in leaves using a video camera., 1998, 81(1): 49-54.

[30] GAMON J A, SURFUS J S. Assessing leaf pigment content and activity with a reflectometer., 1999, 143(1): 105-117.

[31] VERRELST J, SCHAEPMAN M E, KOETZ B, KNEUBUEHLER M. Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data., 2008, 112(5): 2341-2353.

[32] SELLARO R, CREPY M, TRUPKIN S A, KARAYEKOV E, SABRINA B A, ROSSI C, CASAL J J. Cryptochrome as a sensor of the blue/green ratio of natural radiation in arabidopsis., 2010, 154(1): 401-409.

[33] 魏全全, 李岚涛, 任涛, 王振, 王少华, 李小坤, 丛日环, 鲁剑巍. 基于数字图像技术的冬油菜氮素营养诊断. 中国农业科学, 2015, 48(19): 3877-3886.

WEI Q Q, LI L T, REN T, WANG Z, WANG S H, LI X K, CONG R H, LU J W. Diagnosing nitrogen nutrition status of winter rapeseeddigital image processing technique.,2015, 48(19): 3877-3886. (in Chinese)

[34] 汪小钦, 王苗苗, 王绍强, 吴云东. 基于可见光波段无人机遥感的植被信息提取. 农业工程学报, 2015, 31(5): 152-159.

WANG X Q, WANG M M, WANG S Q, WU Y D. Extraction of vegetation information from visible unmanned aerial vehicle images., 2015, 31(5): 152-159. (in Chinese)

[35] 井然, 邓磊, 赵文吉, 宫兆宁. 基于可见光植被指数的面向对象湿地水生植被提取方法. 应用生态学报, 2016, 27(5): 1427-1436.

JING R, DENG L, ZHAO W J, GONG Z N.Object-oriented aquatic vegetation extracting approach based on visible vegetation indices., 2016, 27(5): 1427-1436. (in Chinese)

[36] PENUELAS J, GAMON J A, FREDEEN A L, MERINO J, FIELD C B. Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves., 1994, 48(2): 135-146.

[37] HUNT E R, CAVIGELLI M, CST D, MCMURTREY J I, WALTHALL C L. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status., 2005, 6(4): 359-378.

[38] GITELSON A A, KAUFMAN Y J, STARK R, RUNDQUIST D. Novel algorithms for remote estimation of vegetation fraction., 2002, 80(1): 76-87.

[39] BENDIG J, YU K, AASEN H, BOLTEN A, BENNERTZ S, BROSCHEIT J, GNYP MARTIN L, BARETH G. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley., 2015, 39: 79-87.

[40] VOL N. Color indices for weed identification under various soil, residue, and lighting conditions., 1995, 38(1): 259-269.

[41] 王方永, 王克如, 李少昆, 陈兵, 陈江鲁. 利用数码相机和成像光谱仪估测棉花叶片叶绿素和氮素含量. 作物学报, 2010, 36(11): 1981-1989.

WANG F Y, WANG K R, LI S K, CHEN B, CHEN J L. Estimation of chlorophyll and nitrogen contents in cotton leaves using digital camera and imaging spectrometer., 2010, 36(11): 1981-1989. (in Chinese)

（责任编辑 杨鑫浩）

Remote Sensing Estimation of Canopy SPAD Value for Maize Based on Digital Camera

He Ying, Deng Lei, Mao Zhihui, Sun Jie

(College of Resource Environment and Tourism, Capital Normal University, Beijing 100048)

【Objective】Chlorophyll is an important pigment in plant photosynthesis. The objective of this study is to investigate the inversion of chlorophyll content using crop spectrum information, so as to provide an important basis for real-time monitoring and diagnosis of crop growth.【Method】Based on the field environment under different nitrogen fertilizer application levels (0, 50% and 100%) of maize, the light and small UAV equipped with consumer level digital camera was used to obtain the RGB image of the test area, and then the soil adjusted vegetation index was used for image segmentation. 15 common visible vegetation indexes were extracted based on images before and after segmentation. Then the correlation between vegetation index and SPAD values were analyzed, besides single variable regression model, multiple regression model and random forest regression model based on visible vegetation indexes were established to estimate the SPAD values. And then, the indicators of accuracy evaluation, coefficient of determination, root mean square error, mean relative error and<0.01 were used to select the best indicators and the optimal model.【Result】There was a significant correlation between VIplotand VIplantvegetation indexes and the SPAD value of maize canopy, for example, the correlation coefficient between normalized redness intensity (NRI), normalized pigment chlorophyll ratio index (NPCI), blue red ratio index (BRRI) and SPAD value of VIplantwas above 0.77. The univariate regression models were built, which took NRI,NPCI, BRRI and DVI as the independent variables and the measured SPAD as dependent variable, including linear, exponential, logarithmic, two degree polynomial and power function models, and among those models, the two polynomial model constructed by the NRI index was the best one with the decision coefficient2of 0.7976, theof 4.31, and theof 5.91%; the precision of the model using the random forest regression algorithm was the highest, in which the determining coefficient was 0.8682, thewas 3.92, and thewas 4.98%; the multiple regression model had higher accuracy than any single variable regression model, in which the decision coefficientRwas 0.819,was 4, andwas 5.67%. The six inversion models of SPAD were used to make the distribution map of corn canopy SPAD value, and then the map using random forest regression model had the best result which was the closest to real SPAD distribution withRof 0.8247，of 4.3，of 5.36％, therefore which could be used as a main method of corn canopy chlorophyll monitoring information.【Conclusion】The results showed that the application of UAV digital imagery in retrieving SPAD of corn was feasible, which also added new means and experience to the application of UAV remote sensing system in agriculture.

unmanned aerial vehicle; digital camera; SPAD value; random forest regression algorithm

2018-01-24；

2018-05-24

科技创新服务能力建设-基本科研业务费（科研类）025185305000/163

贺英，E-mail：121082830@qq.com。通信作者邓磊，E-mail：edenglei@139.com

10.3864/j.issn.0578-1752.2018.15.005