基于無人機(jī)高光譜長勢指標(biāo)的冬小麥長勢監(jiān)測

陶惠林 徐良驥 馮海寬 楊貴軍 苗夢珂 林博文

(1.安徽理工大學(xué)測繪學(xué)院， 淮南 232001；2.北京農(nóng)業(yè)信息技術(shù)研究中心農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室， 北京 100097；3.國家農(nóng)業(yè)信息化工程技術(shù)研究中心， 北京 100097； 4.北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心， 北京 100097)

0 引言

快速、準(zhǔn)確地監(jiān)測作物長勢對農(nóng)業(yè)管理者的田間管理經(jīng)營具有指導(dǎo)性，能夠有效促進(jìn)精準(zhǔn)農(nóng)業(yè)的發(fā)展，保障糧食安全[1-5]。作物長勢監(jiān)測的傳統(tǒng)手段是通過人眼定性識別，隨著科技飛速發(fā)展，遙感衛(wèi)星和無人機(jī)遙感成為作物長勢監(jiān)測的重要技術(shù)手段。然而，遙感衛(wèi)星運(yùn)行周期長，獲取過程中存在粗糙分辨率和氣象影響等因素，監(jiān)測效果并不理想[6-7]。無人機(jī)遙感技術(shù)憑借飛行器操作和起降方便、快速靈活、高效和獲取的影像分辨率較高等優(yōu)點(diǎn)[8-15]，監(jiān)測效果較優(yōu)。無人機(jī)遙感技術(shù)中，傳感器通常為數(shù)碼相機(jī)、多光譜相機(jī)和高光譜相機(jī)，前2種傳感器的波段較少，不能充分獲取與作物長勢密切相關(guān)的波段信息。無人機(jī)高光譜相機(jī)具有較多波段，可以充分獲得作物長勢信息，深入挖掘波段信息，能夠高效監(jiān)測作物長勢[16-27]。

生物量和葉面積指數(shù)是作物長勢的重要指標(biāo)，近些年，關(guān)于無人機(jī)遙感監(jiān)測的研究較多。文獻(xiàn)[28]通過無人機(jī)數(shù)碼相機(jī)和高光譜數(shù)遙感據(jù)，利用最小二乘法估算大豆開花期、結(jié)莢期、鼓粒期和成熟期的鮮生物量，結(jié)果顯示，大豆4個(gè)生育期構(gòu)建的估算模型均有較高的精度，具有較高的可靠性。文獻(xiàn)[29]獲取無人機(jī)多光譜影像，篩選了22種植被指數(shù)，利用一元回歸、多元逐步回歸、反向傳播神經(jīng)網(wǎng)絡(luò)算法構(gòu)建高潛水位礦區(qū)的玉米生物量反演模型，實(shí)現(xiàn)了準(zhǔn)確估算，并提高了反演模型精度。文獻(xiàn)[30]利用無人機(jī)遙感數(shù)據(jù)，使用4種機(jī)器學(xué)習(xí)算法，將結(jié)構(gòu)與光譜信息融合，構(gòu)建玉米生物量估算模型，得出無人機(jī)遙感影像融合機(jī)器學(xué)習(xí)算法能夠準(zhǔn)確有效地估算玉米生物量。文獻(xiàn)[31]篩選出15種光譜指數(shù)，結(jié)合神經(jīng)網(wǎng)絡(luò)算法估測玉米葉面積指數(shù)，發(fā)現(xiàn)利用神經(jīng)網(wǎng)絡(luò)估測的效果優(yōu)于僅通過光譜指數(shù)構(gòu)建的模型。文獻(xiàn)[32]把通過原始全波段光譜反射率、連續(xù)投影算法提取的有效波段反射率以及各類 F_VI 和 E_VI 作為自變量，使用最小二乘和偏最小二乘回歸等方法構(gòu)建了棉花的 LAI 估算模型，得出以植被指數(shù)構(gòu)建的模型估算效果優(yōu)于以光譜反射率構(gòu)建的模型。文獻(xiàn)[33]基于獲取的無人機(jī)高光譜數(shù)據(jù)，估算冬小麥LAI，研究得出比值型光譜指數(shù)RSI(494,610)是估算LAI的最佳參數(shù)，通過lg(RSI)構(gòu)建的線性模型，預(yù)測的LAI與實(shí)測值擬合性較高。文獻(xiàn)[34]通過遙感數(shù)據(jù)估算作物冠層水平并進(jìn)行驗(yàn)證，結(jié)果表明遙感數(shù)據(jù)估算LAI的效果較好。

以上研究均通過單個(gè)生物量或葉面積指數(shù)監(jiān)測作物長勢情況。本文以冬小麥為研究對象，利用無人機(jī)成像高光譜數(shù)據(jù)，將冬小麥生物量和葉面積指數(shù)按照平均權(quán)重的原則，構(gòu)建長勢監(jiān)測指標(biāo)(Growth monitoring indicator，GMI)，利用多元線性回歸(Multiple linear regression，MLR)、偏最小二乘(Partial least squares regression，PLSR)和隨機(jī)森林(Random forest，RF)分別構(gòu)建冬小麥不同生育期和全生育期的長勢監(jiān)測指標(biāo)反演模型，探討無人機(jī)高光譜結(jié)合長勢監(jiān)測指標(biāo)對冬小麥的監(jiān)測效果，為冬小麥的田間管理提供科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于北京市昌平區(qū)小湯山鎮(zhèn)國家精準(zhǔn)農(nóng)業(yè)研究示范基地(116°34′～117°00′E，40°00′～40°21′N)，該區(qū)域?qū)儆谂瘻貛Т箨懶约撅L(fēng)氣候，整年平均溫度11.8℃，平均降水量約40 mm，研究區(qū)位置見圖1。研究選取的小麥品種為京9843(J9843)和中麥175(ZM175)。氮素處理分為4種：N1，尿素施用量0 kg/hm2；N2，尿素施用量195 kg/hm2；N3，尿素施用量390 kg/hm2；N4，尿素施用量585 kg/hm2。水分處理包括：雨養(yǎng)；正常，675 m3/hm2；過量，1 012.5 m3/hm2。采用正交試驗(yàn)設(shè)計(jì)，每種處理16個(gè)小區(qū)，3個(gè)重復(fù)，共48個(gè)試驗(yàn)小區(qū)，試驗(yàn)設(shè)計(jì)見圖2。

1.2 數(shù)據(jù)獲取與處理

1.2.1地面數(shù)據(jù)

分別獲取了拔節(jié)期(2015年4月21日)、挑旗期(2015年4月26日)、開花期(2015年5月13日)和灌漿期(2015年5月22日)的冬小麥數(shù)據(jù)。生物量：每個(gè)采樣區(qū)域隨機(jī)取30棵植株，經(jīng)過莖葉分離，放入干燥箱105℃下殺青處理，再將樣本在80℃條件下干燥2 d以上，直到恒質(zhì)量，將稱量結(jié)果除以樣本獲取面積即為生物量。葉面積指數(shù)：將取回的樣本處理后通過CI-203型激光葉面積儀測定葉面積，除以單位面積的單莖數(shù)，得到葉面積指數(shù)。在不同生育期地面數(shù)據(jù)測量同時(shí)獲取了地面高光譜數(shù)據(jù)，利用美國ASD公司的高光譜輻射儀(ASD Field SpecFR Pro 2500型)， 測量時(shí)間是12:00—14:00，儀器的探頭視場角保持為25°，距離冬小麥冠層1 m并垂直向下，隨機(jī)測量20次，計(jì)算光譜反射率平均值。

1.2.2無人機(jī)高光譜數(shù)據(jù)

利用八旋翼無人機(jī)遙感平臺，攜帶的傳感器為Cubert UHD185 Firefly型成像光譜儀(德國)，質(zhì)量470 g，采樣間隔4 nm，125通道。獲取了4個(gè)生育期的無人機(jī)高光譜數(shù)據(jù)，將高光譜影像先校正處理，再通過俄羅斯Agisoft LLC公司開發(fā)的Agisoft PhotoScan軟件拼接影像，得到4個(gè)生育期的正射影像，如開花期的高光譜影像如圖3所示。最后在ArcGIS中通過繪制矢量提取不同小區(qū)的反射率，將提取的值求平均即為各小區(qū)的反射率[32]。

1.3 研究方法

1.3.1分析方法

采用多元線性回歸、偏最小二乘和隨機(jī)森林3種方法[35-37]。MLR、PLSR和RF方法均在Matlab環(huán)境中實(shí)現(xiàn)[38-41]。

1.3.2光譜指數(shù)選取

關(guān)于高光譜研究眾多，根據(jù)研究成果，選取了MSAVI、MSR、OSAVI、NDVI、SR、NDVI×SR、MCARI、TCARI、TCARI/OSAVI與MCARI/OSAVI共10種光譜指數(shù)[42-45]，通過分析這10種指數(shù)，選擇合適的光譜指數(shù)參與模型構(gòu)建。

1.3.3長勢監(jiān)測指標(biāo)構(gòu)建

將生物量和葉面積指數(shù)組合成長勢監(jiān)測指標(biāo)。分別對生物量和葉面積指數(shù)進(jìn)行歸一化處理，公式為

(1)

(2)

式中Xm——各生育期生物量

Xn——各生育期葉面積指數(shù)

Wm——?dú)w一化后的生物量

Wn——?dú)w一化后的葉面積指數(shù)

考慮生物量和葉面積指數(shù)在冬小麥不同生育期所占比例不同，但無法知道所占比例確切值，故將生物量和葉面積歸一化后且各按0.5權(quán)重在長勢監(jiān)測指標(biāo)中進(jìn)行分配，公式為

(3)

式中GMI——長勢指標(biāo)

1.3.4模型建立、驗(yàn)證和精度評價(jià)

采用MLR、PLSR和RF 3種方法，分別構(gòu)建了冬小麥4個(gè)生育期和全生育期的長勢監(jiān)測反演模型，將每個(gè)生育期48個(gè)數(shù)據(jù)的2/3樣本作為建模數(shù)據(jù)，另外1/3樣本作為驗(yàn)證數(shù)據(jù)。

采用決定系數(shù)R2(Coefficient of determination)、均方根誤差(Root mean squared error，RMSE)和標(biāo)準(zhǔn)均方根誤差(Normalized root mean squared error，NRMSE)驗(yàn)證模型的精度。R2越高，模型效果越好，RMSE和NRMSE值越小，其模型的預(yù)測精度越高[46-47]。

2 結(jié)果分析

2.1 無人機(jī)高光譜精度驗(yàn)證

為了驗(yàn)證無人機(jī)高光譜數(shù)據(jù)的可靠性，將獲取的地面高光譜數(shù)據(jù)與其對比分析，結(jié)果見圖4。從圖4可看出，地面和無人機(jī)高光譜數(shù)據(jù)曲線變化有差異，在680～750 nm范圍變化較為一致，光譜反射率都是快速增加，反射率較高，兩高光譜曲線都在550 nm左右位置出現(xiàn)第1次峰值，為綠峰，波長680 nm時(shí)，出現(xiàn)第1次谷值，為紅谷[48]；750～950 nm范圍兩傳感器光譜曲線變化較為明顯，無人機(jī)高光譜隨著波長增加反射率下降較快，曲線波動(dòng)較大，而地面高光譜反射率下降不明顯，曲線較為穩(wěn)定。綜合來說，獲取的無人機(jī)高光譜數(shù)據(jù)和地面高光譜保持高度的一致性，可以用于構(gòu)建模型。

圖4 冬小麥不同生育期無人機(jī)和地面高光譜對比

2.2 光譜指數(shù)與GMI相關(guān)性分析

將冬小麥4個(gè)生育期和全生育期的光譜指數(shù)與生物量、葉面積指數(shù)、GMI進(jìn)行相關(guān)性分析，結(jié)果見表1。由表1可知，拔節(jié)期，僅MCARI和MCARI/OSAVI表現(xiàn)無顯著相關(guān)，其他指數(shù)都表現(xiàn)顯著相關(guān)，相關(guān)系數(shù)絕對值最大的是0.727，為光譜指數(shù)SR和NDVI×SR與GMI的相關(guān)系數(shù)；挑旗期，除MCARI外，各指數(shù)均達(dá)到顯著水平，大部分為極顯著(0.01水平)，此時(shí)期相關(guān)系數(shù)最高值為NDVI與GMI的相關(guān)系數(shù)，為0.798；開花期，TCARI和MCARI/OSAVI無顯著相關(guān)，其余指數(shù)都是極顯著相關(guān)，SR與GMI的相關(guān)系數(shù)較高，絕對值達(dá)0.840；灌漿期，MCARI/OSAVI與TCARI無顯著相關(guān)，剩余指數(shù)表現(xiàn)為顯著相關(guān)，光譜指數(shù)與GMI的相關(guān)性仍然較強(qiáng)，相關(guān)性最好的指數(shù)是NDVI×SR，相關(guān)系數(shù)為0.835。根據(jù)各生育期相關(guān)性，發(fā)現(xiàn)光譜指數(shù)NDVI、SR、MSR、NDVI×SR在冬小麥拔節(jié)期、挑旗期、開花期、灌漿期4個(gè)生育期均表現(xiàn)出與GMI有很強(qiáng)的相關(guān)性，相關(guān)系數(shù)絕對值高于這4個(gè)光譜指數(shù)與生物量、葉面積指數(shù)的相關(guān)系數(shù)，將這4個(gè)光譜指數(shù)作為建模的因子，構(gòu)建GMI反演模型。

表1 不同生育期光譜指數(shù)與各指標(biāo)相關(guān)系數(shù)絕對值

注：*表示0.05水平顯著，** 表示0.01水平顯著。

2.3 單光譜指數(shù)反演模型建立

根據(jù)光譜指數(shù)與GMI的相關(guān)性結(jié)果，篩選出相關(guān)性較強(qiáng)的4個(gè)光譜指數(shù)，分別建立冬小麥不同生育期的單光譜指數(shù)反演模型，回歸結(jié)果見表2。由表2可以看出，NDVI、SR、MSR、NDVI×SR在各個(gè)生育期表現(xiàn)不同，差異較大。拔節(jié)期，建模和驗(yàn)證集的R2最大值分別是0.522 9與0.625 1，對應(yīng)的光譜指數(shù)是NDVI×SR，RMSE和NRMSE最小，分別是0.108 8、0.085 4和18.49%、14.26%；建模和驗(yàn)證效果最差的是MSR，建模和驗(yàn)證的R2分別是0.429 8和0.563 1。挑旗期，4個(gè)光譜指數(shù)建立的回歸模型較拔節(jié)期各模型擬合效果有所提高，建模集中NDVI的R2高于0.6，R2達(dá)到此生育期的最高值0.617 6，RMSE和NRMSE達(dá)到最低，分別是0.111 5和19.64%，驗(yàn)證集NDVI的R2不是最高，但考慮建模集R2相比其余3個(gè)光譜指數(shù)差值較大，NDVI為挑旗期效果最好的指數(shù)；效果最差的指數(shù)是SR。開花期，各模型的R2達(dá)到0.63以上，擬合性最優(yōu)、精度最高的是SR，建模和驗(yàn)證的R2和NRMSE是0.682 7、0.762 7和16.82%、13.65%，擬合性最差和精度最低的是NDVI，建模和驗(yàn)證的R2和NRMSE為0.632 5、0.651 9和18.10%、16.53%。灌漿期，建模集NDVI的R2值最大，NDVI為此生育期的最佳光譜指數(shù)，表現(xiàn)最差的指數(shù)是MSR。全生育期，各光譜指數(shù)表現(xiàn)最優(yōu)的是NDVI×SR，表現(xiàn)最差的是MSR，建模的R2和NRMSE分別為0.554 7、0.491 9和19.48%、20.81%。

表2 冬小麥不同生育期的單光譜指數(shù)回歸模型

2.4 GMI模型構(gòu)建

利用MLR、PLSR和RF分別構(gòu)建各個(gè)生育期的生物量、葉面積指數(shù)和GMI反演模型，建模和驗(yàn)證結(jié)果見表3、4，驗(yàn)證樣本的擬合效果見圖5～7。根據(jù)表3、4和圖5～7可知，不同生育期和不同方法構(gòu)建的模型效果有差異。就不同生育期而言，拔節(jié)期，各模型的R2較低，但RMSE與NRMSE也較低，模型預(yù)測精度整體較高，不同方法構(gòu)建的生物量和葉面積指數(shù)模型R2相差較小，反演模型效果接近，GMI模型R2高于同方法下的生物量和葉面積指數(shù)R2，模型效果較佳；挑旗期，不同模型的R2高于挑旗期，RMSE和NRMSE也略高于拔節(jié)期，綜合比較，預(yù)測精度高于拔節(jié)期所建的模型，而生物量、葉面積指數(shù)和GMI模型表現(xiàn)效果和拔節(jié)期相似；開花期，各模型的R2較大，RMSE與NRMSE較小，相比其他生育期，此時(shí)期的模型效果最好，預(yù)測的生物量、葉面積指數(shù)和GMI精度最高，其中依然是GMI反演模型表現(xiàn)最好；灌漿期，各模型的R2僅次于開花期，此生育期模型效果較優(yōu)。通過分析4個(gè)生育期建模和驗(yàn)證結(jié)果，不同生育期中均表現(xiàn)為GMI反演模型優(yōu)于生物量和葉面積指數(shù)模型，進(jìn)一步對比不同方法，發(fā)現(xiàn)基于MLR的GMI模型效果最優(yōu)，基于PLSR的GMI模型次之，基于RF的GMI模型最差，其中在開花期3種模型效果達(dá)到最佳,精度最高，基于MLR、PLSR和RF的GMI模型建模R2、RMSE與NRMSE分別是：0.716 4、0.096 3、15.90%；0.674 1、0.103 2、17.04%；0.611 7、0.112 8、18.63%。綜合模型分析結(jié)果，各生育期中開花期表現(xiàn)效果最優(yōu)，其次是灌漿期、挑旗期，最后是拔節(jié)期；GMI反演模型優(yōu)于生物量和葉面積指數(shù)反演模型；3種GMI模型中，模型的效果和預(yù)測精度從強(qiáng)到弱為MLR-GMI、PLSR-GMI、RF-GMI。

2.5 GMI空間分布

根據(jù)不同生育期模型優(yōu)選，選取拔節(jié)期、挑旗期和開花期的模型MLR-GMI，將模型應(yīng)用于3個(gè)生育期的無人機(jī)高光譜影像中，得到3個(gè)生育期的GMI分布圖，如圖8所示。圖中各生育期的GMI分布情況和預(yù)測一致，挑旗期GMI分散，但中部小區(qū)值較高，為0.5～1.0，整體分布較差，各小區(qū)差異明顯；拔節(jié)期除了西部和東部小區(qū)GMI值較小，其余小區(qū)GMI較大，也為0.5～1.0；開花期整個(gè)試驗(yàn)小區(qū)GMI都較高，且各小區(qū)GMI分布效果較好，此時(shí)期GMI可以反映冬小麥長勢情況，隨著冬小麥生育期推移，生育后期長勢較生育前期較為穩(wěn)定，開花期GMI分布明顯優(yōu)于別的生育期。根據(jù)3個(gè)時(shí)期的影像可以分辨出各生育期和各小區(qū)的長勢差異，識別出長勢較好和較差的區(qū)域。

3 討論

當(dāng)前，利用高光譜估算作物長勢的研究已經(jīng)很多，但常用的是地面高光譜，且是對單一的長勢指標(biāo)進(jìn)行監(jiān)測，無法成像和直觀地識別。本研究通過無人機(jī)高光譜獲取了冬小麥拔節(jié)期、挑旗期、開花期和灌漿期的田間和影像數(shù)據(jù)，利用新構(gòu)建的長勢監(jiān)測指標(biāo)(GMI)，監(jiān)測了冬小麥的長勢情況，取得了較高的反演精度，為地、空一體化作物長勢監(jiān)測提供了新的方法。

表3 不同生育期反演GMI建模分析

表4 不同生育期反演GMI驗(yàn)證分析

圖5 不同生育期檢驗(yàn)樣本基于MLR實(shí)測值和預(yù)測值擬合結(jié)果

圖6 不同生育期檢驗(yàn)樣本基于PLSR實(shí)測值和預(yù)測值擬合結(jié)果

圖7 不同生育期檢驗(yàn)樣本基于RF實(shí)測值和預(yù)測值擬合結(jié)果

圖8 不同生育期的GMI空間分布

研究發(fā)現(xiàn)，不同生育期建立的單光譜指數(shù)模型有較大差異，在開花期表現(xiàn)較好，灌漿期和挑旗期次之，而在拔節(jié)期表現(xiàn)較差。造成的原因可能是：不同生育期，NDVI、SR、MSR和NDVI×SR對冬小麥的敏感程度不同。GMI是由生物量和葉面積指數(shù)構(gòu)成的，生物量和葉面積指數(shù)在各個(gè)生育期中分布不同，開花期生物量和葉面積指數(shù)都較高，故表現(xiàn)較好。

通過多個(gè)光譜指數(shù)構(gòu)建的各生育期的3種GMI反演模型，MLR-GMI模型表現(xiàn)效果最好，PLSR-GMI次之，RF-GMI最差。文獻(xiàn)[49]也證明了利用多元線性估算葉綠素效果優(yōu)于偏最小二乘，可能原因是：優(yōu)選了與GMI相關(guān)性較強(qiáng)的指數(shù)用于模型的構(gòu)建。單個(gè)指數(shù)線性估算時(shí)模型本身就比較好，多個(gè)指數(shù)結(jié)合了各指數(shù)對GMI的敏感性，信息量更足，再利用MLR估算，模型效果和精度會有所提高。RF適合大數(shù)據(jù)處理，較小數(shù)據(jù)集處理效果和優(yōu)勢降低[50-51]。

MLR-GMI和PLSR-GMI模型效果均好，獲得了較高的反演精度，單個(gè)光譜指數(shù)構(gòu)建的模型，反演精度不如多個(gè)光譜指數(shù)構(gòu)建的模型。這是因?yàn)閱蝹€(gè)光譜指數(shù)構(gòu)建的模型只包含單個(gè)光譜指數(shù)信息，光譜信息不足，而光譜是由可見光到近紅外組成，其他波段對反演模型的構(gòu)建同樣重要。同時(shí)，單個(gè)光譜指數(shù)反演的模型會因?yàn)樾畔⒉蛔闳鄙俜€(wěn)定性，光譜指數(shù)過多也會造成模型復(fù)雜，保持反演模型的自變量均衡較為重要，MLR-GMI和PLSR-GMI模型是通過4個(gè)光譜指數(shù)構(gòu)建的，反演效果更佳。本文構(gòu)建的MLR-GMI估算效果最高R2達(dá)到0.716 4，而陸國政等[52]反演葉面積指數(shù)最高R2只有0.701，說明指標(biāo)GMI較優(yōu)。

此外，本研究采用了生物量和葉面積指數(shù)這2個(gè)長勢指標(biāo)組成新的長勢監(jiān)測指標(biāo)，生物量和葉面積指數(shù)在冬小麥各生育期所占的比例有差別，不能準(zhǔn)確確定各時(shí)期的分配情況，兩指標(biāo)存在著相互影響的關(guān)系。生物量和葉面積指數(shù)在不同生育期所占比例不同，對單個(gè)生育期影響較小，另外葉面積指數(shù)會因?yàn)榄h(huán)境變化而積累，隨著生長期推移，生物量會逐漸增加[53]。同時(shí)，從某種程度上，兩指標(biāo)組成的GMI并不是越大越好，可能存在相互增強(qiáng)或減弱的作用。而本文是將兩指標(biāo)根據(jù)平均權(quán)重進(jìn)行分配，未來對長勢指標(biāo)在不同生育期的相互影響和分配情況要進(jìn)行進(jìn)一步研究，以便更充分地了解作物的長勢情況。

4 結(jié)論

(1)冬小麥各個(gè)生育期大部分光譜指數(shù)都與GMI顯著相關(guān)，相關(guān)性較好，且NDVI、SR、MSR、NDVI×SR與GMI的相關(guān)性高于光譜指數(shù)與生物量、葉面積指數(shù)的相關(guān)性。拔節(jié)期，相關(guān)系數(shù)絕對值最大的是光譜指數(shù)SR和NDVI×SR(相關(guān)系數(shù)為0.727)；挑旗期，相關(guān)性最高的是光譜指數(shù)NDVI(相關(guān)系數(shù)為0.798)；開花期，光譜指數(shù)SR的相關(guān)系數(shù)絕對值最高(相關(guān)系數(shù)為0.840)；灌漿期，NDVI×SR達(dá)到最強(qiáng)相關(guān)性(相關(guān)系數(shù)為0.835)。

(2)選擇與GMI相關(guān)性較強(qiáng)的4個(gè)光譜指數(shù)，分別建立了冬小麥4個(gè)單生育期和全生育期的一元回歸模型。拔節(jié)期、挑旗期、開花期、灌漿期和全生育期表現(xiàn)最好的光譜指數(shù)分別是NDVI×SR、NDVI、SR、NDVI和NDVI×SR，對應(yīng)的建模R2分別為0.522 9、0.617 6、0.682 7、0.630 2和0.554 7。

(3)構(gòu)建的4個(gè)生育期生物量、葉面積指數(shù)和GMI反演模型，不同生育期均表現(xiàn)為GMI模型最優(yōu)；且開花期模型表現(xiàn)效果最好，其他生育期表現(xiàn)強(qiáng)弱依次是灌漿期、挑旗期、拔節(jié)期，而對比3種GMI反演模型，MLR-GMI模型效果和預(yù)測精度最好，PLSR-GMI次之，RF-GMI最差。因此，開花期所構(gòu)建的反演模型MLR-GMI能夠更好地預(yù)測GMI，建模R2、RMSE和NRMSE分別是0.716 4、0.096 3和15.90%。

(4)對拔節(jié)期、挑旗期和開花期無人機(jī)高光譜影像填圖，可以很好地反映各時(shí)期冬小麥的長勢情況。基于無人機(jī)高光譜數(shù)據(jù)反演GMI能夠很好地監(jiān)測冬小麥長勢，為無人機(jī)高光譜遙感反演方法監(jiān)測作物長勢提供了重要的技術(shù)依據(jù)。