基于无人机多光谱的不同施硒水平荞麦冠层叶绿素估测模型研究

为验证采用低空无人机(UAV)搭载多光谱相机进行荞麦冠层叶绿素含量估测的可能性,同时探索硒元素(Se)对荞麦冠层叶绿素及光谱特征的影响规律,以晋荞6号甜荞和晋荞9号苦荞为研究对象,在山西省晋中市太谷区开展了试验研究.通过无人机搭载多光谱相机采集了不同施硒水平下荞麦冠层的多光谱图像,并同步在田间测得叶绿素相对含量,首先分析了不同施硒水平下2种荞麦冠层叶绿素含量的变化规律,其次通过提取多光谱图像的光谱信息获得荞麦5个波段下的光谱信息,在此基础上分析了荞麦在盛花期与灌浆期的光谱特征规律,运用5个波段下的反射率构建了 11种植被指数,将16个光谱变量与实测冠层叶片叶绿素含量进行了皮尔逊相关性分析,采用偏最小二乘法回归(PLSR)、主成分回归(PCR)、支持向量机回归(SVR)、反向传播神经网络(BPNN)构建了多光谱波段反射率-植被指数的荞麦叶绿素含量遥感监测模型,并通过精度检验确定最优估算模型.结果表明,适量喷施硒肥可增加荞麦叶绿素含量,过量施加会抑制叶绿素含量.5个波段中,蓝、红、红边、近红外均表现出较强的相关性,其中近红外波段相关性高且较为稳定;植被指数方面,标准化降水指数(SPI)、绿色叶绿素指数(GCI)、绿色归一化差异植被指数(GNDVI)、归一化绿光指数(NGI)、转换优化土壤调节植被指数(TOSAVI)、转换叶绿素吸收比指数(TCARI)、三角植被指数(TVI)这7种植被指数的|r|为0.50～0.91,存在较好的相关性.在盛花期,运用BPNN的预测效果最好,预测集相关系数R2P达0.97,预测集均方根误差RMSE为0.95;在灌浆期,运用SVR的预测效果优于其他模型,预测集R2P为0.96,RMSE为0.45;在开花期—灌浆期,PLSR表现最好,预测集R2P为0.98,RMSE为0.28.而就模型而言,SVR相较于其他模型表现出更高的稳定性和准确性,预测集R2P在0.94～0.96,RMSE在0.45～0.82,RPD均大于3.00.表明无人机低空遥感可实现田间荞麦冠层叶绿素含量的快速监测,为无人机低空预测荞麦叶绿素含量的模型算法优化提供了参考.