Tác giả

Phạm Thị Làn 1* , Lê Văn Cảnh 1

Đơn vị công tác

1 Trường Đại học Mỏ - Địa chất; phamthilan@humg.edu.vn; levancanh@humg.edu.vn

*Tác giả liên hệ: phamthilan@humg.edu.vn; Tel.: +84–983321882

Tóm tắt

Việc ước tính hàm lượng diệp lục của lá là việc rất thiết yếu để giám sát tăng trưởng cây lúa, giúp quản lý phân bón nhằm nâng cao năng suất cây lúa. Trong bài báo này, hàm lượng diệp lục được ước tính bằng các chỉ số thực vật (VIs) tính từ ảnh UAV đa phổ. Chỉ số NDVI (Normalized Difference Vegetation Index), OSAVI (Optimized Soil Adjusted Vegetation Index) và NSRI (NIR Shoulder Region Index) là các chỉ số tối ưu được lựa chọn bằng phương pháp đánh giá tương quan với hàm lượng diệp lục (giá trị SPAD) mà đã được đo đạc trên lá lúa ngoài thực tế. Hàm lượng diệp lục trên lá lúa được ước tính bằng VIs thông qua các mô hình học máy, bao gồm mô hình Hồi quy tuyến tính - Linear Regression (LR), cây quyết định ngẫu nhiên - Random Forest (RF), hồi quy điểm láng giềng gần nhất - KNN Regression (KNN) và hồi quy hỗ trợ vector - Support Vector Regression (SVR). Phương án kết hợp chỉ số NSRI và OSAVI cho kết quả tốt nhất và mô hình LR đạt độ chính xác cao hơn so với các mô hình KNN, SVR và RF. Kết quả nhận được cho thấy rằng kết hợp VIs từ ảnh UAV đa phổ bằng mô hình LR đã cải thiện độ chính xác của kết quả ước tính hàm lượng diệp lục trên lá lúa. Kết quả bài báo cũng là cơ sở tin cậy để ứng dụng phương pháp này cho cánh đồng có diện tích lớn trong định hướng sử dụng phân bón nhằm tối ưu năng suất cây lúa.

Từ khóa

Hàm lượng diệp lục (giá trị SPAD); Chỉ số thực vật; UAV , Cây lúa.

Trích dẫn bài báo

Làn, P.T.; Cảnh, L.V. Ước tính hàm lượng diệp lục trong lá lúa bằng chỉ số thực vật chiết xuất từ dữ liệu ảnh UAV đa phổ. Tạp chí Khí tượng Thuỷ văn 2025, 773, 88-102.

Tài liệu tham khảo

1. Sikuku, P.; Onyango, G.N.C.; Musyimi, P.D.M. Chlorophyll fluorescence, protein and chlorophyll content of three nerica rainfed rice varieties under varying irrigation regimes. ARPN J. Agric. Biol. Sci. 2010, 2, 19–25.

2. Shimono, H.; Hasegawa, T.; Fujimura, S.; Iwama, K. Responses of leaf photosynthesis and plant water status in rice to low water temperature at different growth stages. Field Crops Res. 2004, 89(1), 71–83.

3. Mina, U.; Chandrashekara, T.K.; Kumar, S.N.; Meena, M.C.; Yadav, S.; Tiwari, S.; Singh, D.; Kumar, P.; Kumar, R. Impact of particulate matter on basmati rice varieties grown in Indo–Gangetic Plains of India: Growth, biochemical, physiological and yield attributes. Atmos. Environ. 2018, 188, 174–184.

4. Feng, H.; Chen, G.; Xiong, L.; Liu, Q.; Yang, W. Accurate Digitization of the Chlorophyll Distribution of Individual Rice Leaves Using Hyperspectral Imaging and an Integrated Image Analysis Pipeline. Front Plant Sci. 2017, 8, 1238.

5. Duan, B.; Fang, S.; Zhu, R.; Wu, X.; Wang, S.; Gong, Y.; Peng, Y. Remote Estimation of Rice Yield With Unmanned Aerial Vehicle (UAV) Data and Spectral Mixture Analysis. Front Plant Sci. 2019, 10, 204.

6. Jia, Y.; Zhang, H.; Zhang, X.; Su, Z. Quantitative analysis and hyperspectral remote sensing inversion of rice canopy spad in a cold region. Eng. Agric. 2022, 42(4), e20220030.

7. Kooistra, L.; Clevers, J.G.P.W. Estimating potato leaf chlorophyll content using ratio vegetation indices. Remote Sens. Lett. 2016, 7(6), 611–620.

8. Ban, S.; Liu, W.; Tian, M.; Wang, Q.; Yuan, T.; Chang, Q.; Li, L. Rice leaf chlorophyll content estimation using UAV-based spectral images in different regions. Agronomy 2022, 12(11), 2832.

9. Deng, L.; Mao, Z.; Li, X.; Hu, Z.; Duan, F.; Yan, Y. UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras. ISPRS J. Photogramm. Remote Sens. 2018, 146, 124–136.

10. Zhang, S.; Zhao, G.; Lang, K.; Su, B.; Chen, X.; Xi, X.; Zhang, H. Integrated satellite, unmanned aerial vehicle (UAV) and ground inversion of the SPAD of winter wheat in the reviving stage. Sensors 2019, 19(7), 1485.

11. Wang, J.; Zhou, Q.; Shang, J.; Liu, C.; Zhuang, T.; Ding, J.; Xian, Y.; Zhao, L. Wang, W.; Zhou, G.; Tan, C.; Huo, Z. UAV– and machine learning–based retrieval of wheat SPAD values at the overwintering stage for variety screening. Remote Sens. 2021, 13(24), 5166.

12. Nio, S.A.; Pirade, M.; Ludong, D.P.M. Leaf chlorophyll content in North Sulawesi (Indonesia) local rice cultivars subjected to polyethylene glycol (PEG) 8000–induced water deficit at the vegetative phase. Biodiversitas J. Biological Diversity. 2019, 20(9), 2462–2467.

13. Meher; Shivakrishna, P.; Ashok Reddy, K.; Manohar Rao, D. Effect of PEG–6000 imposed drought stress on RNA content, relative water content (RWC), and chlorophyll content in peanut leaves and roots. Saudi J Biol Sci. 2018, 25(2), 285–289.

14. Ziyang, Y.; Zhang, X.; Liu, H.; Zhang, Z.; Meng, L.; Han, Y.; Lu, L. Improving SPAD spectral estimation accuracy of rice leaves by considering the effect of leaf water content. Crop Sci. 2022, 62(6), 2382–2395.

15. Yin, Q.; Zhang, Y.; Li, W.; Wang, J.; Wang, W.; Ahmad, I.; Zhou, G.; Huo, Z. Estimation of winter wheat SPAD values based on UAV multispectral remote sensing. Remote Sens. 2023, 15(14), 3595.

16. Kumar, C.; Mubvumba, P.; Huang, Y.; Dhillon, J.; Reddy, K. Multi-stage corn yield prediction using high–resolution UAV multispectral data and machine learning models. Agronomy 2023, 13(5), 1277.

17. Li, C.; Zhu, X.; Wei, Y.; Cao, S.; Guo, X.; Yu, X.; Chang, C. Estimating apple tree canopy chlorophyll content based on Sentinel-2A remote sensing imaging. Sci Rep. 2018, 8(1), 3756.

18. Ta, N.; Chang, Q.; Zhang, Y. Estimation of apple tree leaf Chlorophyll content based on machine learning methods. Remote Sens. 2021, 13(19), 3902.

19. An, G.; Xing, M.; He, B.; Liao, C.; Huang, X.; Shang, J.; Kang, H. Using machine learning for estimating rice Chlorophyll content from in situ hyperspectral data. Remote Sens. 2020, 12(18), 3104.

20. Gao, B.C. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sens. Environ. 1996, 58(3), 257–266.

21. Liu, L.Y.; Huang, W.J.; Pu, R.L.; Wang, J.H. Detection of internal leaf structure deterioration using a new spectral ratio index in the near–infrared shoulder region. J. Integr. Agric. 2014, 13(4), 760–769.

22. Jordan, C.F. Derivation of leaf–area index from quality of light on the forest floor. Ecol. 1969, 50(4), 663–666.

23. Huete, A.; Didan, K.; Miura, T.; Rodriguez, E.P.; Gao, X.; Ferreira, L.G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sens. Environ. 2002, 83(1), 195–213.

24. Jiang, J.; Cai, W.; Zheng, H.; Cheng, T.; Tian, Y.; Zhu, Y.; Ehsani, R.; Hu, Y.; Niu, Q.; Gui, L.; Yao, X. Using Digital Cameras on an Unmanned Aerial Vehicle to Derive Optimum Color Vegetation Indices for Leaf Nitrogen Concentration Monitoring in Winter Wheat. Remote Sens. 2019, 11(22), 2667.

25. Buschmann, C.; Nagel, E. In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation. Int. J. Remote Sens. 1993, 14(4), 711–722.

26. Gitelson, A.A.; Gritz,Y.; Merzlyak, M.N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non–destructive chlorophyll assessment in higher plant leaves. J. Plant Physiol. 2003, 160(3), 271–282.

27. Daughtry, C.S.T.; Walthall, C.L.; Kim, M.S.; de Colstoun, E.B.; McMurtrey, J.E. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sens. Environ. 2000, 74(2), 229–239.

28. Qi, J.; Chehbouni, A.; Huete, A.R.; Kerr, Y.H.; Sorooshian, S. A modified soil adjusted vegetation index. Remote Sens. Environ. 1994, 48(2), 119–126.

29. Chen, J.M. Evaluation of vegetation indices and a modified simple ratio for boreal applications. Can. J. Remote Sens. 1996, 22(3), 229–242.

30. Gamon, J.A.; Surfus, J.S. Assessing leaf pigment content and activity with a reflectometer. New Phytol. 1999, 143(1), 105–117.

31. Rouse, J.W.; Haas, R.H.; Schell, J.A.; Deering, D.W. Monitoring vegetation systems in the great plains with ERTS (Earth Resources Technology Satellite). Proceedings of 3rd Earth Resources Technology Satellite Symposium. NASA: Greenbelt, 1973, pp. 309–317.

32. Rondeaux, G.; Steven, M.; Baret, F. Optimization of soil-adjusted vegetation indices. Remote Sens. Environ. 1996, 55(2), 95–107.

33. Gamon, J.A.; Serrano, L.; Surfus, J.S. The photochemical reflectance index: an optical indicator of photosynthetic radiation use efficiency across species, functional types, and nutrient levels. Oecologia. 1997, 112(4), 492–501.

34. Gitelson, A.; Merzlyak, M.N. Quantitative estimation of chlorophyll–a using reflectance spectra: Experiments with autumn chestnut and maple leaves. J. Photochem. Photobiol., B: Biology. 1994, 22(3), 247–252.

35. Broge, N.H.; Leblanc, E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sens. Environ. 2001, 76(2), 156–172.

36. Peñuelas, 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. Remote Sens. Environ. 1994, 48(2), 135–146.

37. Kutyłowska, M. K–nearest neighbours method as a tool for failure rate prediction. Periodica Polytechnica Civil Eng. 2018, 62(2), 318–322.

38. Vincini, M.; Frazzi, E. Comparing narrow and broad–band vegetation indices to estimate leaf chlorophyll content in planophile crop canopies. Precis. Agric. 2010, 12(3), 334–344.

39. Xu, X.; Gu, X.; Song, X.; Li, C.; Huang, W. Assessing rice chlorophyll content with vegetation indices from hyperspectral data. Computer and Computing Technologies in Agriculture IV (CCTA 2010). 2010.

40. Wu, C.; Niu, Z.; Tang, Q.; Huang, W. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation. Agric. For. Meteorol. 2008, 148(8–9), 230–1241.

41. Zarco–Tejada, P.J.; Miller, J.R.; Morales, A.; Berjón, A.; Agüera, J. Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops. Remote Sens. Environ. 2004, 90(4), 463–476.

42. Karn, E.; De Leon, T.; Espino, L.; Al–Khatib, K.; Brim–DeForest, W. Phenotypic diversity of weedy rice (Oryza sativaf.spontanea) biotypes found in California and implications for management. Weed Sci. 2020, 68(5), 485–495.

43. Tao, Y.; Zhang, J.; Song, L.; Cai, C.; Wang, D.; Wei, W.; Gu, X.; Yang, X.; Zhu, C. Projected elevated [CO2] and warming result in overestimation of SPAD–based rice leaf nitrogen status for nitrogen management. Atmosphere 2021, 12(12), 1571.

44.  Wan, W.; Zhao, Y.; Xu, J.; Liu, K.; Guan, S.; Chai, Y.; Cui, H.; Wu, P.; Diao, M. Reducing and delaying nitrogen recommended by leaf critical SPAD value was more suitable for nitrogen utilization of spring wheat under a new type of drip-irrigated system. Atmosphere 2022, 12(10), 2331.