基于无人机多光谱遥感的干旱胁迫下玉米冠层SPAD值监测.pdf
《基于无人机多光谱遥感的干旱胁迫下玉米冠层SPAD值监测.pdf》由会员分享,可在线阅读,更多相关《基于无人机多光谱遥感的干旱胁迫下玉米冠层SPAD值监测.pdf(12页珍藏版)》请在咨信网上搜索。
1、精准动态监测干旱胁迫下的玉米冠层叶绿素相对含量对提高我国玉米旱灾预警水平、实现田间精准灌溉具有重要的指示作用。以无人机多光谱影像为数据源,选用多种具有明确物理意义且与玉米冠层叶绿素相对含量SPAD(Soil and plant analyzer development)值相关性强的植被指数,利用多元逐步回归、支持向量机、BP神经网络(Back propagation neural network,BPNN)建立玉米冠层SPAD值的遥感监测模型并验证,选取最优估测模型提取各生育期不同程度干旱胁迫下的玉米冠层SPAD值,分析不同生育期玉米冠层SPAD值变化,探究不同干旱胁迫程度对玉米冠层SPAD值
2、的影响。结果表明:不同生育期的玉米冠层叶绿素敏感的植被指数不同,且各生育期估测能力最优的反演模型不同。对比3种建模方法,BPNN模型的建模结果及验证结果最优,说明其估测能力及稳定性表现最好,可以作为基于无人机多光谱的玉米冠层SPAD值建模的优选方法。此外,干旱胁迫会降低玉米冠层SPAD值遥感监测模型的估测精度,对苗期的影响最为显著。轻度干旱对玉米冠层SPAD值影响不显著,可见玉米对干旱胁迫具有一定的适应性和抗逆性。因此,基于植被指数的BPNN模型可以更好地估算SPAD值,为基于无人机遥感的SPAD值监测提供一种新途径,为干旱胁迫下夏玉米冠层SPAD值的无损监测以及田间水分精准管理提供参考。关
3、键 词:玉米;无人机;多光谱遥感;叶绿素相对含量文章编号:10006060(2023)07112112(11211132)玉米是世界上最重要的粮食作物之一,具有重要的食品价值、药用和饲用价值、工业价值,在全球经济发展中占据重要地位1。叶绿素是评价植物光合作用的主要化学参数2,叶绿素相对含量决定了植物吸收太阳辐射量的多少,并对判断植物生理状况有着重要意义3。叶绿素相对含量 SPAD(Soiland plant analyzer development)值是一个相对值,是指在650 nm和940 nm波长位置上叶片的光通量之比,是衡量作物生长状态最常用指标之一4,被广泛用于作物长势监测和生物、非生
4、物胁迫监测中5。全球气候变暖导致干旱趋势加重,对干旱半干旱地区农业生产造成严重威胁6。植被在不同环境胁迫下,通常会表现出特定的光谱特征7。SPAD值直接影响其光合作用,并与植物的光谱特征密切相关8。通过SPAD值的高低能够有效反映作物的生长状况、功能性状及受外界的胁迫情况。农业遥感中,光谱指数方法在农作物叶绿素含量反演中应用广泛。近年来,基于地面和航空传感器建立的多种宽波段光谱指数被广泛应用于叶绿素含量的估测中。如Sims等9验证了基于550 nm和700 nm构建的光谱指数与叶绿素含量建立的经验模型对叶绿素含量具有更高的潜在估测精度。Wu等10建立了包含红边位置705 nm和750 nm的光
5、谱指数,可以对小麦叶绿素含量信息进行可靠的估算。说明对叶收稿日期:2022-10-08;修订日期:2022-11-27基金项目:宁夏重点研发项目(2019BEG03029)资助作者简介:李诗瑶(1996-),女,博士研究生,主要从事数字农业与农业信息化工程研究.E-mail:通讯作者:余海龙(1979-),男,博士,教授,主要从事土壤地理、生态恢复工程等方面的研究.E-mail:46卷绿素敏感度较高的光谱指数可用以反演作物叶片叶绿素含量11。干旱是影响我国北方夏玉米生长发育、产量和品质的主要因素之一12。干旱胁迫会破坏植物叶绿体结构和功能,影响植物光合碳同化进程,造成光合产物合成受阻,致使生产
6、力严重下降13。借助无人机遥感快速、准确地监测玉米冠层的SPAD值,并基于SPAD值对干旱胁迫的光谱响应机制建立反演模型,可快速检测、预警农作物干旱胁迫,对指导田间水分精准管理具有重要指示意义。目前,国内外学者对干旱胁迫下各类作物的光谱特征和SPAD值进行了大量研究,普遍认为:SPAD值作为植物受环境胁迫的指示器,可借助高光谱、多光谱等遥感监测手段,通过光谱的敏感波段或由此衍生的植被指数14、一阶微分光谱15、光谱特征参数16反演SPAD值。但关于干旱胁迫下,植被指数与SPAD值之间关系、关键生育期之间的SPAD值分布差异、各关键生育期最优的反演模型以及干旱胁迫对估测精度的影响等方面的相关研究
7、却较少。无人机搭载各类光谱传感器技术具有无损、快速和高效等特点,可用于监测作物SPAD值的动态变化、了解作物的光合性能以及作物不同发育阶段的生长状况,成为实时评价作物健康状况、及时调控作物生长发育的重要手段17。且目前玉米表型对干旱胁迫的响应仅停留在人工采集数据的阶段,如何基于低空遥感尺度快速获取玉米表型对干旱胁迫的响应很少被讨论。因此,本文以夏玉米为研究对象,通过人工控水处理模拟夏玉米关键生育期(苗期、拔节期、抽雄期、完熟期)不同干旱胁迫梯度,采用无人机搭载Parrot Sequoia多光谱相机获取玉米冠层多光谱影像,并实地测量其冠层SPAD值,通过对多光谱遥感数据构建的13种植被指数与田间
8、实测的SPAD值进行相关性分析,并基于多元逐步回归(Multiple stepwise regression,MSR)、支持向量机(Support vectormachine,SVM)、BP神经网络(Back propagation neural network,BPNN)方法,优选玉米SPAD值最佳遥感监测模型,分析不同干旱胁迫下SPAD值的时空变化规律,探讨干旱胁迫下夏玉米叶片叶绿素的光谱响应机制,利用敏感植被指数估测SPAD值的最佳建模方法,以期为干旱胁迫下夏玉米冠层SPAD值的无损监测以及田间水分精准管理提供参考。1材料与方法1.1 样地概况试验区地处宁夏回族自治区平罗县中部西大滩前进
9、农场(11424E,3501N)。该地区温带大陆性干旱气候特征显著,干旱少雨,年均降水量185 mm,年蒸发量1755 mm,约为降水量的10倍;温差大,年均气温8.8,极端最高气温可达39;日照充足,太阳辐射量410月为4226 kJm-2。土壤类型为白僵土,盐碱化严重,土壤贫瘠,土壤质地黏重,透水性较差。土壤碱化度为35%,pH约为8.61,全盐含量为5.34,有机碳含量3.85 gkg-1,平均土壤容重1.54 gcm-3,030 cm田间持水量为19.23%。土壤盐分分布有明显的表聚性,盐分类型主要有NaCl、Na2SO4、Na2CO3等18。1.2 样地布设试验区地理位置、小区及灌溉
10、水平设置如图1所示。本研究试验地总面积约为1.58 hm2,内设6个灌溉水平,并于各灌溉水平田埂两侧铺设防渗膜,深度为80 cm。针对每个灌溉水平设置3个重复小区,小区之间设置2 m的保护行,以防止水分侧渗带来的影响。以 玉米灾害田间调查及分级技术规范19为参照,划定干旱胁迫程度。由于试验区玉米全生育期降水量稀少且蒸发量大,且降水在局地分布可视作均匀分布,降水对本试验造成的干扰可忽略不计。对区进行充分灌溉(田间持水量的95%左右),将其视作未受干旱胁迫的试验区域;对于、区水分梯度分别设置为田间持水量的70%左右、60%左右,为轻度干旱胁迫;区水分梯度设置为田间持水量的50%左右,视为中度干旱胁
11、迫;对、区进行分别重度和特重干旱胁迫处理(田间持水量的40%左右、30%左右)。定期在5个土层(010 cm、1020 cm、2030 cm、3040 cm、4050cm)用土钻取土测定土壤湿度,并计算灌水量,使土壤相对湿度保持在试验设计的田间持水量数值。供试春玉米为宁单18号,播种日期为2021年4月15日,播种深度5 cm,行距58 cm,株距25 cm。除灌溉水平外,每个小区的施肥情况、种植密度等田间管理方式相同。1.3 试验数据采集本试验中无人机多光谱数据和地面实测数据采集工作于2021年5月25日、6月21日、7月17日11227期李诗瑶等:基于无人机多光谱遥感的干旱胁迫下玉米冠层S
12、PAD值监测和8月14日进行,分别对应玉米冠层叶片光谱变化较为明显的苗期、拔节期、抽雄期和完熟期。无人机多光谱数据采集和地面实测数据采集相同步,以保持数据的一致性。1.3.1无人机多光谱数据采集本试验采用瑞士SenseFly公司生产的eBee固定翼无人机为平台,搭载法国Parrot公司生产的Sequoia多光谱相机,开展无人机遥感高通量表型信息提取研究。无人机和相机主要参数如表1所示。无人机飞行前根据研究区的实地情况选择合适的起降位置并使用emotion 3 软件进行航线规划。飞行前先进行辐射定标流程,旨在将影像亮度灰度值转换为地物真实反射率信息。无人机飞行时间选在中午 12:00 左右,光照
13、条件良好,无风或微风,无云。飞行高度设为 70 m,飞行速度为 6 ms-1,将无人机飞行航向、旁向重叠度均设为80%,按照预先设置的航线飞行。1.3.2 地面实测数据采集地面测量工作与无人机影像获取工作同步进行,在玉米整个生育期共进行了4次地面实地测量。利用SPAD-502手持式叶绿素仪测定各小区玉米的SPAD值。在每个重复小区随机选取长势均一的6株玉米,每株玉米随机测量3个叶片的SPAD值,在每个叶片记录3个SPAD值,取3个叶片叶绿素值的平均值记为该点的SPAD值,并同时利用手持GPS记录该点的坐标信息。每个生育期获取108个样本,随机选取70%的样本数据(76个样本)作为建模集,采用不
14、同的回归分析方法构建SPAD值反演模型,利用其余30%的样本数据(32个样本)作为验证集,评价不同SPAD值反演模型的稳定性。图1 研究区地理位置及小区划分Fig.1 Geographical location and subdivision of the study area表1 无人机及相机主要参数Tab.1 Main parameters of unmanned aerial vehicle(UAV)and camera无人机参数型号起飞重量/kg翼展/cm推力续航时间/min巡航速度/ms-1无线电范围/km最大覆盖率/km2eBee0.6496电动推杆式螺旋桨,160 w直流电机45
15、1016310相机参数型号重量/g光谱波段成像解析度/pixels分辨率Parrot Sequoia72(相机)+36(光照传感器)绿(550 nm+/-40 nm)、红(660 nm+/-40 nm)、红边(735 nm+/-10 nm)、近红外(790 nm+/-40 nm)、可见光1280960多光谱1.2106/RGB1600104112346卷1.4 多光谱遥感影像预处理及植被指数选取本研究采用法国Parrot公司为Sequoia相机定制的Pix4Dmapper软件对获取的无人机多光谱影像进行预处理。预处理过程经过以下3个步骤:几何校正、图像拼接、辐射定标。经初始化处理初步拼接后,得
16、到相对地理位置准确的拼接影像;选择Pix4Dmapper软件农业多光谱标准模板,依次对绿、红、红边和近红外4个波段进行单独的辐射校正处理,从而获取各波段地物反射率影像。植被等地物由于叶绿素、水分、干物质等的波谱吸收特性,形成其特有光谱特性。根据其特性建立植被指数,可有效增强植被特征,并弱化土壤、大气、传感器等因素造成的干扰。将植被指数与 SPAD 值之间建立统计模型,有利于提高 SPAD值的估测精度。本研究参考现有研究成果以及Parrot Sequoia多光谱传感器的波段特征,选用了13种具有明确物理意义且与植被SPAD 值相关性强的植被指数参与玉米冠层 SPAD 值反演模型构建。提取的植被指
17、数的具体名称、计算方式及出处见表2。表2 植被指数及计算公式Tab.2 Vegetation indices and calculation formulas植被指数归一化植被指数(NDVI)差值植被指数(DVI)比值植被指数(RVI)优化土壤调节植被指数(OSAVI)归一化绿度指数(GNDVI)绿差值植被指数(GDVI)绿比值植被指数(GRVI)绿色优化土壤调节植被指数(GOSAVI)归一化红边指数(RENDVI)红边差值植被指数(REDVI)红边比值植被指数(RERVI)红边优化土壤调节植被指数(REOSAVI)三角植被指数(TVI)计算公式(RNIR-RRed)/(RNIR+RRed)2
18、0RNIR-RRed21RNIR/RRed21(1+0.16)(RNIR-RRed)/(RNIR+RRed+0.16)22(RNIR-RGreen)/(RNIR+RGreen)20RNIR-RGreen23RNIR/RGreen22(1+0.16)(RNIR-RGreen)/(RNIR+RGreen+0.16)22(RNIR-RRed-edge)/(RNIR+RRed-edge)22RNIR-RRed-edge22RNIR/RRed-edge22(1+0.16)(RNIR-RRed-edge)/(RNIR+RRed-edge+0.16)220.5120(RNIR-RGreen)-200(RRe
19、d-RGreen)21注:RGreen、RRed、RRed-edge、RNIR分别为绿、红、红边和近红外波段的光谱反射率。1.5 玉米冠层SPAD值反演模型构建方法本研究利用MSR、SVM、BPNN模型构建玉米冠层SPAD 值反演模型。首先建立植被指数和实测SPAD值之间的相关关系;MSR模型用实测SPAD值与植被指数进行简单回归,逐步引入其余植被指数,自动删除不显著的因变量以提高精度,使模型中的植被指数既显著又无多重共线性问题24,通过SPSS 26软件实现;SVM模型以核函数为构成模块,隐式地将数据映射到高维空间,采用训练集交叉验证和网格搜索法进行参数寻优的算法25,计算采用Matlab
20、R2020a软件实现;BPNN模型能够学习和存贮大量的输入-输出模式映射关系,并通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小26,本研究将植被指数作为神经网络的输入层,玉米冠层 SPAD 值作为输出层,通过 MatlabR2020a软件实现。1.6 模型评价指标本研究采用决定系数(Coefficient of determination,R2)和 均 方 根 误 差(Root mean square error,RMSE)作为训练模型和验证模型性能评价基础指标。计算公式为:R2=i=1n(yi-y)2/i=1n(yi-y)2(1)RMSE=i=1n(yi-y)2/n(2)式中
21、:n为样本数;yi为估测值;y 为估测值的平均值;yi为实测值27。R2为评价回归模型的拟合度,最大值为1,其值越接近于1,说明模型拟合程度越好,估测精度越高。RMSE为衡量估测值和实测值之间的偏差,用来检验模型的估测能力,最小值为11247期李诗瑶等:基于无人机多光谱遥感的干旱胁迫下玉米冠层SPAD值监测0,其值越接近于0,说明模型估测误差越小,估测精度越高28。建模模型的R2越大、RMSE越小,表明模型的估测能力越好;验证模型R2越大、RMSE越小,表明估测模型稳定性越好24。2结果与分析2.1 玉米冠层SPAD值与植被指数相关性分析将各小区测量的玉米冠层SPAD值与13种植被指数值进行P
22、earson相关性分析(表3)。结果表明,在苗期,植被指数与SPAD值的相关性整体较低,仅有NDVI、DVI、RVI、OSAVI、TVI与SPAD值呈显著相关;在拔节期,除RVI外,其他12种植被指数均与SPAD值呈极显著相关,其中GNDVI和GOSAVI的相关系数在0.6以上;在抽雄期,所有植被指数均与SPAD 值呈极显著相关,且相关系数在 0.6 以上,DVI、GDVI、GOSAVI、REDVI、TVI的相关系数在0.8以上;在完熟期,除GNDVI外,其他植被指数均达到极显著相关水平。从总体上来看,NDVI、DVI、RVI、OSAVI、TVI与玉米各生育时期的SPAD值相关性均处于较高水平
23、,且在抽雄期冠层SPAD值与植被指数的相关性优于其他生育期。说明红和近红外波段与SPAD值具有更高的敏感性。2.2 玉米冠层SPAD值遥感监测模型的构建与验证根据表3的相关性分析结果,选取敏感植被指数构建不同生育期玉米冠层的SPAD值遥感监测模型,建模及验证结果如表4所示。结果表明,各模型的建模集R2都高于0.6,说明基于无人机多光谱反演干旱地区玉米冠层 SPAD 值是可行的。在苗期,BPNN模型建模结果最优,R2为0.802,远高于MSR和SVM模型,RMSE为3.632;在拔节期,3种模型建模结果较为接近,其中BPNN模型建模结果略优,R2为0.677;在抽雄期,R2由大到小依次为MSR、
24、BPNN、SVM 模型,MSR 模型 RMSE 最小,为 4.115;在完熟期,BPNN 模型的 R2比 MSR 和 SVM 模型分别高0.203、0.120,RMSE 比 MSR、SVM 模型分别降低了1.549、0.422。表3 玉米冠层SPAD值与植被指数的相关系数Tab.3 Correlation coefficients between SPAD values inmaize canopies and vegetation indices植被指数NDVIDVIRVIOSAVIGNDVIGDVIGRVIGOSAVIRENDVIREDVIRERVIREOSAVITVI苗期0.375*0.
- 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 干旱 胁迫 玉米 SPAD 监测
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。