基于PROSAIL模型和無人機高光譜數(shù)據(jù)的冬小麥LAI反演

李天馳，馮海寬，田坤云，楊福芹，楊佳琪

(1.天津科技大學(xué)海洋與環(huán)境學(xué)院，天津 300457；2.河南工程學(xué)院土木工程學(xué)院，河南鄭州 451191；3.國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；4.河南工程學(xué)院資源與安全工程學(xué)院，河南鄭州 451191)

近年來，全球生態(tài)環(huán)境發(fā)生了較大變化，溫室效應(yīng)、極端干旱等氣候現(xiàn)象的出現(xiàn)對農(nóng)作物生長發(fā)育造成不可忽略的影響，因此需要對農(nóng)作物生長狀況進行及時監(jiān)測[1]。葉片是作物結(jié)構(gòu)中重要組成部分，其面積變化會直接影響到作物光合作用、呼吸作用等生理代謝過程[2]。葉面積指數(shù)(leaf area index，LAI)常被用來對作物健康狀況、冠層分布密度、作物產(chǎn)量等方面進行評價[3]。因此，在農(nóng)業(yè)現(xiàn)代化發(fā)展的背景下，研究LAI在不同生育時期下的變化對農(nóng)作物估產(chǎn)和田間管理具有重要意義。

目前，無人機遙感技術(shù)已廣泛應(yīng)用于農(nóng)田小范圍尺度的作物監(jiān)測，有效解決了航空航天遙感技術(shù)分辨率低、重訪時間較長的問題[4]。最初受限于無人機平臺的載荷能力，數(shù)碼相機多被用于獲取數(shù)據(jù)，由于其能直觀地獲取作物生長狀況及生長環(huán)境的變化情況，且數(shù)據(jù)處理較為簡便，因而成為重要農(nóng)田監(jiān)測工具[5]。利用無人機獲取的數(shù)碼影像數(shù)據(jù)，結(jié)合不同波段中所含信息，可實現(xiàn)研究區(qū)域內(nèi)植被信息的提取[6-7]。但通過數(shù)碼相機獲取的數(shù)據(jù)僅包含紅綠藍三個波段，缺乏除可見光外對植被敏感的其他波段，限制了其在作物監(jiān)測中應(yīng)用的進一步發(fā)展。隨著無人機機載平臺的改進，其為更多遙感設(shè)備如高光譜傳感器、熱紅外傳感器、激光雷達等同步搭載提供了可能[8]。高光譜成像儀所獲取的數(shù)據(jù)光譜范圍廣、光譜分辨率高，能更準(zhǔn)確地顯示作物的光譜特征，進而精確地獲取作物生物物理與生化組分參數(shù)[9]。如陳曉凱等[10]獲取了冬小麥拔節(jié)期高光譜數(shù)據(jù)，從不同光譜指數(shù)中篩選最優(yōu)窄波段光譜指數(shù)，分別構(gòu)建了單光譜指數(shù)和多光譜指數(shù)的葉面積估算模型，驗證結(jié)果顯示，基于隨機森林算法的多光譜指數(shù)估算模型精度最高；Ali等[11]提取無人機高光譜反射率數(shù)據(jù)中紅邊位置波段，使用普通最小二乘回歸算法構(gòu)建柑桔LAI和葉綠素含量反演模型，結(jié)果表明，在紅邊位置，植株LAI和葉綠素含量高于其他波段，而且基于多項式擬合的模型反演精度較好。

除了使用遙感技術(shù)對作物參數(shù)進行間接測量外，一些學(xué)者提出從作物內(nèi)部結(jié)構(gòu)入手，構(gòu)建輻射傳輸模型，進而反演所需的作物參數(shù)。植被輻射傳輸模型是研究輻射與植被冠層相互作用的重要方法，常用的模型包括LIBERTY、SAIL、PROSPECT、Suits等[12]。由于各模型存在一定局限性，通常將不同模型進行耦合得到更具普適性的模型。如曾毓燕等[13]利用PROSPECT和DART耦合模型，評價了不同尺度下植被指數(shù)對桉樹葉片葉綠素含量和冠層葉綠素含量的反演能力；Roosjen等[14]將無人機采集的多角度數(shù)據(jù)作為PROSAIL模型的輸入?yún)?shù)，反演的LAI和葉綠素含量精度高于單一角度數(shù)據(jù)。研究表明，作物輻射傳輸模型在冠層尺度下，從輻射傳輸理論建立冠層光譜與作物生化組分參數(shù)之間的定量關(guān)系，具有較強的普適性與穩(wěn)定性，為模擬作物在不同生長條件下的光譜特征與反演作物參數(shù)提供了理論依據(jù)[15-16]。

現(xiàn)有基于無人機遙感技術(shù)開展的LAI研究，多是以多光譜或高光譜數(shù)據(jù)為基礎(chǔ)，通過構(gòu)建植被指數(shù)來反演LAI，忽略了光譜原始數(shù)據(jù)中所包含的信息。對于PROSAIL模型模擬的冠層光譜反射率，其能否準(zhǔn)確表示作物光譜特征的分析也較少。本研究選擇冬小麥挑旗期和開花期為研究時間節(jié)點，同步獲取地面實測數(shù)據(jù)和無人機遙感數(shù)據(jù)，基于查找表建立PROSAIL模型模擬光譜數(shù)據(jù)，并對無人機采集數(shù)據(jù)與PROSAIL模擬數(shù)據(jù)進行可靠性評價，隨后結(jié)合連續(xù)投影算法和植被指數(shù)相關(guān)性分析，篩選用于構(gòu)建LAI反演模型的特征波段和植被指數(shù)，探究不同反演模型的可行性與預(yù)測效果，以期為監(jiān)測冬小麥長勢和改善冬小麥生長環(huán)境提供參考。

1 數(shù)據(jù)獲取與研究方法

1.1 研究區(qū)及試驗設(shè)計

試驗于國家精準(zhǔn)農(nóng)業(yè)研究示范基地開展，基地地處北京市昌平區(qū)小湯山鎮(zhèn)(北緯40°10′48″-40°10′54″，東經(jīng)116°26′10″-116°27′05″)，屬北溫帶大陸半濕潤大陸季風(fēng)氣候，年平均氣溫約 12 ℃，年平均降水量約580 mm。研究區(qū)共分為48個試驗小區(qū)，小區(qū)面積48 m2。試驗以冬小麥為研究對象，品種包括京9843(J9843)和中麥175(ZM175)。為體現(xiàn)不同小區(qū)冬小麥生長狀況的差異，各小區(qū)采用不同營養(yǎng)和水分水平進行管理，包括4個氮素水平(N1：未施氮肥；N2：施尿素195 kg·hm-2，1/2正常水平；N3：施尿素390 kg·hm-2，為正常施氮水平；N4：施尿素585 kg·hm-2，為3/2正常施氮水平)和3個水分水平(W1：雨養(yǎng)、W2：正常水養(yǎng)、W3：2倍正常水養(yǎng))。將48個試驗小區(qū)以16個為1組進行劃分，并對每組進行重復(fù)處理，其中重復(fù)試驗1與重復(fù)試驗2數(shù)據(jù)用于后期冬小麥LAI反演模型建立，重復(fù)試驗3數(shù)據(jù)用于模型驗證。具體研究試驗設(shè)計方案如圖1所示。

圖1 試驗設(shè)計

1.2 數(shù)據(jù)獲取

本研究分別于2015年4月26日和5月13日兩個關(guān)鍵生育時期(挑旗期和開花期)進行冬小麥試驗數(shù)據(jù)采集，包括冬小麥地面實測光譜數(shù)據(jù)、LAI數(shù)據(jù)和無人機高光譜數(shù)據(jù)。為保證地面實測數(shù)據(jù)與無人機采集數(shù)據(jù)的一致性與準(zhǔn)確性，在午間12時左右、天氣晴朗無云時進行數(shù)據(jù)采集。

冬小麥高光譜地面實測數(shù)據(jù)采用ASD FieldSpecFRPro 2500光譜輻射儀獲取。該輻射儀采樣的光譜范圍為350～2 500 nm，其采樣間隔在350～1 000 nm范圍內(nèi)為1.4 nm，1 000～ 2 500 nm范圍內(nèi)為2 nm。數(shù)據(jù)采集期間，輻射儀探頭保持垂直向下，并與冬小麥冠層間隔1 m，在每個實現(xiàn)小區(qū)內(nèi)隨機進行10次采樣，取平均值作為該小區(qū)內(nèi)冬小麥冠層光譜反射率。無人機高光譜數(shù)據(jù)由八旋翼無人機平臺所搭載的CubertUHD-185成像儀獲取，該成像儀所獲取的光譜范圍為450～950 nm，光譜采樣間隔為4 nm。對于冬小麥LAI數(shù)據(jù)，在各試驗小區(qū)內(nèi)選取冬小麥長勢良好區(qū)域進行采樣，并對樣本進行預(yù)處理，使用CI-203型激光葉面積儀測定葉片面積，乘以單位面積莖數(shù)即可得到冬小麥LAI。

1.3 研究方法

1.3.1 PROSAIL模型

本研究使用由PROSPECT-5模型與4SAIL模型耦合而成的PROSAIL模型。其中，PROSPECT-5模型用于模擬400～2 500 nm范圍內(nèi)葉片組分光譜參數(shù)即葉片反射率與透射率。該模型需要6個輸入?yún)?shù)：葉片葉綠素a、b含量Cab；葉片類胡蘿卜素含量Car；葉片等效水厚度Cw；葉片干物質(zhì)含量Cm；葉黃素含量Cbrown和葉片結(jié)構(gòu)參數(shù)N。4SAIL模型用于模擬植被冠層反射率，其輸入?yún)?shù)包括結(jié)構(gòu)參數(shù)與組分光譜參數(shù)。當(dāng)PROSPECT模型模擬的葉片反射率與透射率作為SAIL模型的輸入組分光譜參數(shù)時，便得到PROSAIL輻射傳輸模型，如式(1)所示[17-18]：

ρ(λ)=PROSAIL(Cab,Cw,Car,Cbrown,N,LAI,LAD,Hotspot,VIS,ρsoil,φs,φv,θs,θv)

(1)

式中，ρ(λ)為波長的冠層反射率；LAD為葉片傾角分布；Hotspot為熱點尺寸；VIS為大氣水平能見度；ρsoil為土壤亮度參數(shù)；φs、θs、φv、θv分別表示太陽方位角、太陽天頂角、觀測方位角和觀測天頂角。

結(jié)合試驗中冬小麥相關(guān)生化參數(shù)實測值與現(xiàn)有文獻參數(shù)設(shè)定，PROSAIL模型的輸入?yún)?shù)查找表范圍如表1所示。為保證參數(shù)之間的獨立性，各參數(shù)均按照正態(tài)分布進行取值，參數(shù)輸入組合約3 000組。

表1 PROSAIL模型輸入?yún)?shù)的查找表范圍Table 1 Range of look-up tables for PROSAIL model input parameters

1.3.2 特征波長與植被指數(shù)選取

連續(xù)投影算法(successive projections algorithm，SPA)對建模集光譜數(shù)據(jù)進行向量投影循環(huán)分析，選擇最大投影值的向量，并在循環(huán)過程中建立已選擇向量的回歸模型，以均方根誤差(root mean square error，RMSE)作為模型精度評價指標(biāo)，最終選取RMSE最小值所對應(yīng)的波長組作為特征波長[19]。

通過連續(xù)投影算法對高光譜數(shù)據(jù)進行處理，可以有效消除數(shù)據(jù)中存在的冗余，減少參與模型建立的波長數(shù)，降低模型復(fù)雜程度。為了消除獲取的光譜中所含的噪聲等干擾因素，本研究對原始光譜進行Savitzky-Golay(S-G)平滑處理，并對處理后的數(shù)據(jù)計算一階導(dǎo)數(shù)(Savitzky-Golay first derivative，SGFD)。SPA算法提取波長數(shù)的最大值為15，并使用Kennard-Stone選擇算法對48個樣本進行劃分，其中32個樣本作為建模集，16個樣本作為驗證集。

根據(jù)現(xiàn)有高光譜數(shù)據(jù)反演LAI研究，選取10個與LAI相關(guān)的植被指數(shù)，具體見表2。

1.3.3 LAI反演方法

對建立的10個植被指數(shù)進行相關(guān)性分析，篩選出與LAI相關(guān)性最好的前5個植被指數(shù)，分別建立指數(shù)、線性、多項式等單變量預(yù)測模型(univariable prediction model，UPM)。同時以偏最小二乘回歸法(partial least squares regression，PLSR)構(gòu)建多變量預(yù)測模型(multivariable prediction model，MPM)。其中，將植被指數(shù)(vegetation index，VI)作為輸入變量的模型記為MPM-VI；由原始光譜(origin spectrum，OR)中選取的特征波長作為輸入變量的模型記為MPM-OR；經(jīng)S-G平滑和一階導(dǎo)數(shù)預(yù)處理光譜中選取的特征波長作為輸入變量的模型分別記為MPM-SG和MPM-SGFD；將基于查找表的PROSAIL反演模型記為MPM-PROSAIL。

1.3.4 反演結(jié)果精度評價

為了對反演冬小麥LAI的精度進行評價，本研究采用決定系數(shù)(coefficient of determination，r2)、均方根誤差和平均絕對百分誤差(mean absolute percentage error，MAPE)作為評價指標(biāo)。

(2)

(3)

(4)

表2 研究選取的植被指數(shù)Table 2 Vegetation indices selected for the study

2 結(jié)果與分析

2.1 冬小麥高光譜數(shù)據(jù)評價

由于無人機搭載的UHD-185傳感器采集的光譜數(shù)據(jù)范圍為450～950 nm，且光譜采樣間隔為4 nm，因此將ASD實測數(shù)據(jù)和PROSAIL模擬數(shù)據(jù)進行重采樣，并計算冬小麥不同生育時期ASD、PROSAIL和UHD-185的平均光譜反射率。為研究重采樣后PROSAIL模擬冬小麥冠層光譜數(shù)據(jù)與UHD-185采集數(shù)據(jù)的可靠性，本研究以重采樣ASD地面高光譜數(shù)據(jù)為標(biāo)準(zhǔn)對二者進行對比分析。由圖2可知，PROSAIL模擬光譜曲線、UHD-185采集光譜曲線與ASD實測光譜曲線在450～900 nm范圍內(nèi)的變化趨勢大體一致，三者均在550 nm附近出現(xiàn)峰值，在690 nm附近出現(xiàn)谷值。PROSAIL模擬光譜曲線與ASD實測光譜曲線較為吻合，而UHD-185光譜曲線與ASD實測光譜曲線在750 nm后出現(xiàn)明顯差異，且840 nm后出現(xiàn)下降趨勢。究其原因包括但不限于以下兩方面：首先，UHD-185傳感器與ASD傳感器的光譜響應(yīng)函數(shù)之間的差異，因二者響應(yīng)函數(shù)并未公開，故不作過多討論；其次，在光譜數(shù)據(jù)采集時傳感器的觀測角度(太陽-傳感器-目標(biāo)構(gòu)成的觀測天頂角、觀測方位角等)不同會造成二向性反射分布函數(shù)(BRDF)的差異。有學(xué)者認(rèn)為，BRDF會對光譜反射率產(chǎn)生影響，特別是紅邊波段范圍(698～750 nm)以后，波長越長，反射率變化越明顯[30]。對重采樣PROSAIL、UHD-185數(shù)據(jù)與ASD實測數(shù)據(jù)進行相關(guān)性分析，分析結(jié)果(圖3)顯示，冬小麥各生育時期PROSAIL、UHD-185與ASD之間呈現(xiàn)高度正相關(guān)，決定系數(shù)r2均達到0.989以上。綜合以上兩種分析，PROSAIL模擬光譜與無人機UHD-185采集光譜在450～900 nm范圍內(nèi)能與地面實測光譜數(shù)據(jù)保持較高的一致性，可以用于后期冬小麥LAI反演建模。

2.2 冬小麥不同生育時期特征波長與植被指數(shù)的篩選

對挑旗期和開花期的冬小麥高光譜原始數(shù)據(jù)、S-G平滑光譜數(shù)據(jù)和一階導(dǎo)數(shù)光譜數(shù)據(jù)進行SPA篩選，提取特征波長(表3)。盡管不同生育時期、不同光譜處理方法所選擇的波段分布與數(shù)量并不相同，但特征波長主要集中在500～800 nm范圍內(nèi)，而且經(jīng)過預(yù)處理的光譜中，波段選擇范圍要比原始光譜更廣泛。挑旗期原始光譜所選擇的特征波段數(shù)僅為8個，主要分布于700～870 nm范圍；經(jīng)過S-G平滑后的光譜所選擇的特征波段最多，有15個，主要分布于500～880 nm范圍。而開花期三種光譜所篩選特征波段數(shù)為13個左右，均分布于530～880 nm范圍。

圖2 冬小麥不同生育時期高光譜數(shù)據(jù)對比

圖3 冬小麥不同生育時期的UHD-185、經(jīng)重采樣的PROSAIL和ASD光譜反射率的相關(guān)性

表3 冬小麥不同生育時期提取的特征波長Table 3 Characteristic wavelengths selected at different winter wheat growth stages

經(jīng)相關(guān)性分析，挑旗期和開花期的植被指數(shù)與LAI之間均極顯著相關(guān)(P<0.01)，其中開花期的相關(guān)性高于挑旗期(圖4)。植被指數(shù)中在挑旗期和開花期，相關(guān)系數(shù)絕對值最高的均為NVI，其值分別為 0.831、0.854；相關(guān)系數(shù)絕對值最低的指數(shù)為RVSI，其值分別為0.579、0.726。根據(jù)相關(guān)性，篩選出相關(guān)性較強的前5個植被指數(shù)建立冬小麥LAI反演模型，其中挑旗期選定NVI、MSR、REP1、NDVI和DPI，開花期選定NVI、MSR、REP1、DPI和RDVI。

圖4 冬小麥植被指數(shù)與LAI的相關(guān)性

2.3 冬小麥LAI反演建模

用選定的5個植被指數(shù)分別構(gòu)建不同生育時期單變量預(yù)測模型。整體上看，各植被指數(shù)所建立的LAI反演模型精度均較高，大部分模型的r2大于0.6，RMSE在0.6～1.0范圍內(nèi)，MAPE分布在17%左右(表4)。在挑旗期，建模精度最高的模型是基于指數(shù)關(guān)系的UPM-NDVI模型，其r2為0.717，RMSE和MAPE達到該生育時期所有模型最低值，分別為0.890和15.86%；建模效果最差的模型是基于指數(shù)的UPM-MSR模型，其r2、RMSE和MAPE分別為0.598、1.061和 16.86%。在開花期，基于多項式關(guān)系的UPM-NVI模型反演精度最高，其r2、RMSE和MAPE分別為0.716、0.649和16.79%；基于線性關(guān)系的UPM-RDVI模型反演精度最低，其r2、RMSE和MAPE分別為0.643、0.728和18.66%。對于不同生育時期，同一植被指數(shù)所構(gòu)建的模型反演效果有所差異，開花期構(gòu)建的模型反演精度整體要高于挑旗期構(gòu)建的模型。對于不同的回歸模型，同一植被指數(shù)的三種模型反演效果較為接近，其r2、RMSE和MAPE并無明顯差異，但基于多項式關(guān)系的模型反演精度較高，其r2基本分布于0.7附近，指數(shù)和線性模型次之。

將SPA算法所篩選的特征波段和已選擇的5個植被指數(shù)作為PLSR回歸模型的輸入變量，構(gòu)建不同生育時期多變量LAI反演模型，并與基于查找表的PROSAIL模型反演結(jié)果進行對比。結(jié)果(表5)表明，除挑旗期的MPM-PROSAIL模型外，其他模型的r2均分布于0.7附近。其中，挑旗期多變量模型r2均大于0.72，RMSE和MAPE相差不大，分別在0.8和16%附近。開花期多變量模型r2為0.676～0.733，MPM-PROSAIL模型的RMSE和MAPE分別為0.986和20.58%，高于其他模型。因此，在由特征波段、植被指數(shù)和PROSAIL構(gòu)建的三類反演模型中，MPM-PROSAIL模型反演效果較差。MPM-VI模型在不同生育時期表現(xiàn)較穩(wěn)定，反演效果最好，挑旗期和開花期模型的r2分別為0.755和 0.733，RMSE和MAPE達到所有模型中最低值，分別為0.823、15.51%和0.629、15.56%。在基于特征變量構(gòu)建的PLS回歸模型中，MPM-SG模型反演精度較高，MPM-SGFD次之，基于原始光譜的MPM-OR模型反演效果較差，表明經(jīng)過S-G平滑處理后的光譜數(shù)據(jù)更有利于模型建立。

表4 基于單一植被指數(shù)的LAI反演模型建立Table 4 LAI retrieval models established by single vegetation index

表5 基于多變量的LAI反演模型建立Table 5 LAI retrieval models established by multivariable

2.4 冬小麥LAI反演模型驗證與可視化分析

根據(jù)LAI反演建模精度評價結(jié)果，選取基于植被指數(shù)構(gòu)建的MPM-VI多變量回歸模型為冬小麥LAI反演最佳模型，并對該模型進行精度驗證，結(jié)果(圖5)表明，模型的RMSE和MAPE在開花期分別為0.405和12.90%，在挑旗期分別為1.101和26.68%。在挑旗期，大部分LAI的預(yù)測值分布于1∶1趨勢線上方(圖5A)，表明挑旗期的LAI預(yù)測值被高估。在開花期，LAI的實測值與預(yù)測值較為均勻地分布在1∶1趨勢線附近(圖5B)，表明開花期的MPM-VI模型能較準(zhǔn)確地反演LAI。

圖5 不同生育期MPM-VI模型驗證結(jié)果

將各時期MPM-VI反演模型應(yīng)用于無人機高光譜影像，得到LAI預(yù)測值空間分布圖(圖6)。結(jié)合圖1分析，在挑旗期，重復(fù)試驗1和重復(fù)試驗3部分小區(qū)LAI值較低，重復(fù)試驗2小區(qū)的LAI值較高。在開花期，除重復(fù)試驗3部分小區(qū)，其他試驗小區(qū)的LAI值較高，重復(fù)試驗2小區(qū)的LAI值達到5.0以上。各時期LAI分布與模型預(yù)測結(jié)果較一致，挑旗期小區(qū)LAI分布有明顯差異，開花期小區(qū)LAI分布較均勻?？梢暬治鼋Y(jié)果顯示，冬小麥在開花期的長勢比挑旗期穩(wěn)定，同時利用植被指數(shù)構(gòu)建的冬小麥LAI反演模型應(yīng)用于不同生育時期無人機高光譜影像上，可更為直觀地反映冬小麥在不同試驗小區(qū)的長勢情況，為農(nóng)田有效管理提供依據(jù)。

圖6 不同生育時期冬小麥LAI預(yù)測值

3 討 論

本研究獲取冬小麥兩個關(guān)鍵生育時期的高光譜數(shù)據(jù)和LAI實測數(shù)據(jù)，并利用PROSAIL模型模擬了冬小麥冠層光譜反射率，結(jié)合植被指數(shù)和由SPA算法篩選的特征波段，分別構(gòu)建冬小麥LAI單變量和多變量反演模型，得到了較高的反演精度，有效監(jiān)測了不同生育時期冬小麥LAI的變化情況。

在高光譜數(shù)據(jù)獲取與處理方面，本研究選擇了關(guān)鍵生育時期地面實測光譜數(shù)據(jù)、無人機采集光譜數(shù)據(jù)和PROSAIL模型模擬冠層光譜數(shù)據(jù)，并對PROSAIL模擬光譜與無人機采集光譜進行數(shù)據(jù)質(zhì)量評價，證明了二者在450～900 nm范圍內(nèi)數(shù)據(jù)的可靠性，同時也表明PROSAIL模型在作物冠層光譜反射率模擬方面的有效性。隨著近年來對作物結(jié)構(gòu)的深入研究，改進的PROSAIL模型則考慮加入更多的作物生理參數(shù)以提高冠層光譜反射率的模擬精度，如PROSAIL-D模型中加入了花青素[31]，PROSAIL-DyN模型中加入了蛋白質(zhì)含量，并用纖維素和木質(zhì)素總含量代替了干物質(zhì)含量[32]。本研究中PROSAIL模型輸入的生理參數(shù)大多是根據(jù)經(jīng)驗數(shù)據(jù)或其他文獻內(nèi)的試驗結(jié)果進行設(shè)定，因此如何有效準(zhǔn)確獲取作物的更多生理參數(shù)數(shù)據(jù)，提高PROSAIL模型模擬精度，可作為后續(xù)研究重點。

在篩選用于構(gòu)建冬小麥LAI反演模型的變量方面，本研究使用SPA算法對光譜數(shù)據(jù)進行降維處理，同時建立了與LAI相關(guān)性較高的植被指數(shù)。目前光譜分析中的變量篩選方法較多，如遺傳算法、灰色關(guān)聯(lián)分析法和相關(guān)性分析法等[33]，而SPA算法在農(nóng)作物高光譜波段篩選方面研究較少。在本研究中將SPA算法應(yīng)用于原始光譜數(shù)據(jù)和預(yù)處理后的光譜數(shù)據(jù)，均篩選出了數(shù)量較少的特征波段，為后續(xù)建立反演模型的輸入變量減少了冗余，簡化了模型結(jié)構(gòu)。盡管在建立反演模型時，基于植被指數(shù)的多變量反演模型精度更高，但由SPA算法所選定的特征波段構(gòu)建的多變量反演模型精度也較高，尤其在挑旗期，MPM-SG模型的r2為0.742，比MPM-VI模型低了 0.013，其RMSE和MAPE也比MPM-VI模型僅高了0.022和0.32%，表明SPA算法在冬小麥特征波段篩選中亦是有效的。

在冬小麥LAI反演模型建立方面，本研究所構(gòu)建的MPM-VI模型反演效果最好，并將該模型應(yīng)用于無人機高光譜影像上進行LAI空間分布可視化分析，分析結(jié)果直觀地顯示了各試驗小區(qū)LAI的分布情況。但從建模結(jié)果亦可看出，部分基于單植被指數(shù)構(gòu)建的模型反演效果與多變量模型相差不大，甚至反演精度優(yōu)于多變量模型，比如開花期中UPM-MSR模型的r2、RMSE和MAPE分別為0.706、0.664和17.02%，而該生育時期的MPM-OR模型r2、RMSE和MAPE分別為0.676、0.692和17.71%?？紤]到在分析植被指數(shù)與LAI相關(guān)性的時候，各植被指數(shù)均顯示出了與LAI的高相關(guān)性，而且在構(gòu)建模型時挑選了敏感程度較高的前5個植被指數(shù)，因此構(gòu)建的單植被指數(shù)模型反演精度會高一點。而多變量模型綜合了不同波段之間的有效信息，特別是MPM-VI模型保留了高相關(guān)性植被指數(shù)之間的信息，提高了該模型的穩(wěn)定性，所以MPM-VI模型的反演精度達到最高。

4 結(jié) 論

基于試驗實測、PROSAIL模型模擬和無人機影像等多源數(shù)據(jù)，利用數(shù)學(xué)統(tǒng)計方法構(gòu)建了冬小麥LAI反演模型。構(gòu)建的單變量和多變量模型反演精度均較高，大部分模型決定系數(shù)r2可達到0.7以上，均方根誤差RMSE在0.649～1.207范圍內(nèi)，平均絕對百分誤差MAPE基本在17%附近波動。從模型驗證結(jié)果來看，基于植被指數(shù)構(gòu)建的多變量模型反演效果最好，其各精度指標(biāo)均達到最優(yōu)，而且將該模型應(yīng)用于冬小麥LAI空間分布進行可視化分析，結(jié)果能較好地反映研究區(qū)內(nèi)冬小麥長勢情況。