基于無人機(jī)多光譜遙感的大豆葉面積指數(shù)反演

王 軍，姜 蕓

（1自然資源部第二地理信息制圖院，哈爾濱 150080；2東北農(nóng)業(yè)大學(xué)公共管理與法學(xué)院，哈爾濱 150030）

0 引言

作物葉面積指數(shù)(leaf area index，LAI)是指單位耕地面積上植物葉片總面積與耕地面積的比值[1]，與作物種植密度、種植方式、植物生物學(xué)特性及土壤、光照條件等因素密切相關(guān)，能綜合反映植物的光能利用狀況，常用于作物長勢監(jiān)測及產(chǎn)量估算[2]。大豆是中國主要的糧食作物和經(jīng)濟(jì)作物，大豆消費市場大，大豆自給率低于15%[3]，其產(chǎn)量及質(zhì)量直接影響了糧食安全水平，因此反演其生長過程對糧食增產(chǎn)和農(nóng)業(yè)的發(fā)展具有重要意義[4-5]。直接測量葉面積指數(shù)費時費力，對作物具有破壞性，難以實現(xiàn)大尺度的測量[6-7]。利用衛(wèi)星遙感影像進(jìn)行葉面積指數(shù)反演是常見的間接測量方法之一，尤其是國產(chǎn)衛(wèi)星在LAI的定量反演中越來越多[8]，蒙繼華等[9]采用大尺度遙感估算方法估算了全國作物葉面積指數(shù)，陳雪洋等[10]利用環(huán)境衛(wèi)星CCD數(shù)據(jù)對冬小麥葉面積指數(shù)進(jìn)行了反演。但衛(wèi)星重訪周期長、影像分辨率不足，且受大氣、云層及雨雪等干擾較大，在精度、現(xiàn)勢性和靈活性上難以滿足精準(zhǔn)農(nóng)業(yè)生產(chǎn)的需求[11-12]。

隨著無人機(jī)的出現(xiàn)及推廣，利用無人機(jī)技術(shù)進(jìn)行地表數(shù)據(jù)采集已成為新的趨勢[13-14]。因其運營成本相對低廉、較高的靈活性與快速實時獲取數(shù)據(jù)的特點，利用無人機(jī)遙感平臺實施農(nóng)情監(jiān)測已在國內(nèi)初步發(fā)展[15]。孫詩睿等[16]利用無人機(jī)多光譜遙感數(shù)據(jù)反演了冬小麥的葉面積指數(shù)，表明基于多植被指數(shù)的隨機(jī)森林比赤池信息量準(zhǔn)則-偏最小二乘法反演精度高；韓文霆等[17]利用多時相無人機(jī)遙感數(shù)據(jù)反演了夏玉米植被指數(shù)，并估算了夏玉米產(chǎn)量，表明多生育期的無人機(jī)遙感估產(chǎn)優(yōu)于單生育期。多年來國內(nèi)學(xué)者集中于對小麥、水稻和玉米的葉面積指數(shù)反演研究[18-20]。大豆在其主產(chǎn)區(qū)東北地區(qū)利用無人機(jī)遙感平臺進(jìn)行的相關(guān)研究還比較少[21-22]。結(jié)莢期是大豆生長最旺盛的時期，營養(yǎng)生長與生殖生長并進(jìn)，是生物量積累的關(guān)鍵時期。因此，筆者以大豆為研究對象，在大豆結(jié)莢期內(nèi)，利用多旋翼無人機(jī)搭載多光譜傳感器組成無人機(jī)低空遙感系統(tǒng)，對面積為3000 m2的大豆試驗田進(jìn)行數(shù)據(jù)采集，同時結(jié)合田間大豆葉面積指數(shù)的實測數(shù)據(jù)，建立了大豆LAI值反演的經(jīng)驗?zāi)Ｐ秃椭С窒蛄繖C(jī)回歸模型，分析探討在田塊尺度上，適用于東北地區(qū)的大豆葉面積指數(shù)的低空無人機(jī)遙感反演模型。

1 材料與方法

1.1 研究區(qū)概況

大豆試驗田位于哈爾濱市香坊區(qū)向陽鎮(zhèn)劉二轉(zhuǎn)屯（經(jīng)度126°43′30″，緯度45°44′16″）東北農(nóng)業(yè)大學(xué)向陽農(nóng)場實驗基地（如圖1所示）。該地區(qū)位于松嫩平原松花江南岸，屬中溫帶大陸性季風(fēng)氣候，四季分明，冬季漫長寒冷。全年平均降水量569.1 mm，降水主要集中在6～9月，夏季占全年降水量的60%，集中降雪期為每年11月—次年1月。冬季1月平均氣溫約零下19℃；夏季7月的平均氣溫約23℃。試驗田面積約3000 m2，行間距50 cm，株間距24 cm，種植大豆品種為春播中晚熟型，一年一熟。

圖1 研究區(qū)示意圖

1.2 數(shù)據(jù)采集與處理

本次試驗無人機(jī)航測系統(tǒng)由大疆六旋翼無人機(jī)搭載AURedEdge多光譜相機(jī)組成（無人機(jī)及多光譜相機(jī)的主要參數(shù)見表1、表2），對3000 m2的試驗田進(jìn)行連續(xù)飛行監(jiān)測，獲取大豆結(jié)莢期的多光譜影像。田間試驗于2018年7月28日10:00—11:30進(jìn)行。

表1 六旋翼無人機(jī)主要參數(shù)

表2 AURedEdge多光譜相機(jī)主要參數(shù)

無人機(jī)飛行高度、航向、旁向重疊度等參數(shù)對遙感影像的質(zhì)量和精度會產(chǎn)生較大影響，為保證影像質(zhì)量，在數(shù)據(jù)采集前進(jìn)行多次試飛，最終確定無人機(jī)飛行高度80 m，航向、旁向重疊度分別為80%和70%，地面分辨率設(shè)置為2.1 cm。為避免大風(fēng)多云等外界因素對無人機(jī)飛行的影響，選擇無云無風(fēng)的天氣進(jìn)行低速飛行作業(yè)，經(jīng)多次試飛后，在當(dāng)天10:00—11:30獲取試驗田大豆冠層的多光譜影像。受無人機(jī)視場范圍的限制，需要對采集的影像進(jìn)行拼接，以獲取整個試驗田的正射影像，圖像拼接采用的是Pix4D mapper Pro軟件。輻射校正方面是利用ENVI自帶的Flaash大氣校正工具對影像進(jìn)行快速大氣校正。

田間大豆葉面積指數(shù)實測選取美國LI-COR LAI-2200C植物冠層分析儀（主要參數(shù)見表3、表4），測量320～490 nm波段內(nèi)的光合有效輻射(PAR)。

表3 LAI主機(jī)控制單元參數(shù)

表4 LAI光學(xué)感應(yīng)傳感器參數(shù)

在影像采集的當(dāng)天進(jìn)行地面數(shù)據(jù)采集，即大豆葉面積指數(shù)的實地采集。將研究區(qū)劃分為53個子區(qū)，在各子區(qū)隨機(jī)采樣3次進(jìn)行葉面積指數(shù)實測，以其均值作為各子區(qū)的實測值。采集過程中對每個子區(qū)的中心點進(jìn)行定位。實測大豆葉面積指數(shù)的基本情況統(tǒng)計見表5。

表5 各子區(qū)實測葉面積指數(shù)

1.3 研究方法

1.3.1 植被指數(shù)的選取 基于遙感影像反射率反演葉面積指數(shù)主要分為經(jīng)驗?zāi)Ｐ头ê臀锢砟Ｐ头?。筆者利用無人機(jī)采集大豆試驗田的多光譜遙感影像獲取與大豆的LAI相關(guān)性較好的5種植被指數(shù)，同時利用植物冠層分析儀實測大豆葉面積指數(shù)，創(chuàng)建植被指數(shù)與LAI的經(jīng)驗回歸模型和支持向量機(jī)回歸模型，利用模型反演大豆葉面積指數(shù)，并用實測數(shù)據(jù)進(jìn)行模型效果檢驗，以分析探討用于反演葉面積指數(shù)的最優(yōu)植被指數(shù)及2種模型的反演效果。

選取的5種植被指數(shù)分別是歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、土壤調(diào)節(jié)植被指數(shù)(SAVI)、優(yōu)化型土壤調(diào)節(jié)植被指數(shù)(OSAVI)、增強(qiáng)型植被指數(shù)(EVI)，計算公式見表6。

表6 植被指數(shù)計算公式

對植被指數(shù)的提取在ArcGIS軟件下完成，得到5種植被指數(shù)對應(yīng)的灰度圖，如圖2所示。

圖2 植被指數(shù)圖像

在獲取5種植被指數(shù)圖像后，利用子區(qū)的位置信息提取53個樣本的植被指數(shù)，以其均值代表各子區(qū)的植被指數(shù)；并與實測葉面積指數(shù)樣本相對應(yīng)。

1.3.2 經(jīng)驗回歸 經(jīng)驗回歸模型在SPSS統(tǒng)計軟件下完成。通過對比線性模型和非線性模型的擬合效果，最終選定指數(shù)模型作為植被指數(shù)與LAI的擬合方法。一元線性回歸模型是通過設(shè)定自變量和因變量，自變量與因變量呈一元線性關(guān)系。一元線性回歸方程和指數(shù)回歸方程公式較為簡單，對于估算作物的葉面積指數(shù)具有易于操作、效果高等特點，見式(1)。

式中，Y表示LAI估測值用，x來表示農(nóng)作物的植被指數(shù)用，a和b為常數(shù)項。

1.3.3 支持向量機(jī)回歸 支持向量機(jī)(support vector machine，SVM)由Vapnik在1995年提出，建立在統(tǒng)計學(xué)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小化原理上，用于解決模式識別領(lǐng)域中的數(shù)據(jù)分類問題，主要思想是建立一個超平面作為決策曲面，使得正例和反例之間的距離邊緣被最大化。支持向量回歸(support vector regression，SVR)是SVM的一個重要應(yīng)用分支，SVR回歸所尋求的最優(yōu)超平面是使所有的樣本點距離超平面的總偏差最小。本研究在MATLAB環(huán)境下利用支持向量機(jī)根據(jù)植被指數(shù)對大豆葉面積指數(shù)進(jìn)行預(yù)測。首先借助FormatDatalibsvm將Excel數(shù)據(jù)轉(zhuǎn)化為MATLAB支持的數(shù)據(jù)格式，然后輸入植被指數(shù)數(shù)據(jù)，利用mapminmax歸一化處理，再借助mashgrid選擇最優(yōu)的參數(shù)c、g，接下來繪制模型，最后利用預(yù)測數(shù)據(jù)進(jìn)行樣本預(yù)測。

1.3.4 精度評估 通過對不同的回歸模型精度的比較分析，驗證各種回歸模型的精度差異，實現(xiàn)模型結(jié)果檢驗，最終確定最優(yōu)的反演模型。

模型顯著性檢驗中，模型的顯著性是指自變量相對于因變量的重要程度，本研究利用SPSS進(jìn)行模型的建立與精度評價。模型計算所得的R值越趨近1，則模型的顯著性越高，反之越低。相關(guān)系數(shù)R的檢驗見式(2)。

模型精度評價中決定系數(shù)說明自變量與因變量形成的散點圖與回歸曲線的擬合度。決定系數(shù)數(shù)值介于0～1之間，決定系數(shù)越接近1，說明葉面積指數(shù)預(yù)測值與葉面積指數(shù)實測值越接近，也就是說散點越集中在回歸線上，見式(3)。

均方根誤差是觀測值與真值偏差的平方和與觀測次數(shù)n比值的平方根。均方根誤差對數(shù)據(jù)變化十分敏感，在相同樣本的條件下，均方根的值越小，證明構(gòu)建的模型精度越高，見式(4)。

2 結(jié)果

在研究區(qū)內(nèi)隨機(jī)選取40組子區(qū)數(shù)據(jù)用于植被指數(shù)與LAI的回歸建模，其余13組子區(qū)數(shù)據(jù)用于模型精度驗證。

2.1 經(jīng)驗回歸模型

通過對比線性模型和非線性模型的擬合效果，最終選定指數(shù)模型作為植被指數(shù)與LAI的擬合方法，相關(guān)系數(shù)及估計標(biāo)準(zhǔn)誤差結(jié)果見表7。從表7可以看出，5種植被指數(shù)與LAI的一元回歸模型擬合效果均較好，可用于預(yù)測。植被指數(shù)x與葉面積指數(shù)y的相關(guān)性如圖3和表7所示。

表7 各植被指數(shù)回歸模型及精度

圖3 各植被指數(shù)與葉面積指數(shù)模型

將13個保留樣本進(jìn)行植被指數(shù)與LAI指數(shù)回歸模型進(jìn)行實測值與預(yù)測值的擬合檢驗，結(jié)果見圖4。除NDVI以外，其余4種植被指數(shù)擬合的葉面積指數(shù)預(yù)測值與葉面積指數(shù)實測值具有較好的一致性，R2均達(dá)到了0.6以上。

圖4 植被指數(shù)與LAI一元回歸模型評價

2.2 支持向量機(jī)回歸模型

在Matlab環(huán)境下進(jìn)行支持向量機(jī)的回歸預(yù)測。輸入量為EVI、OSAVI、SAVI、NDVI、DVI這5種植被指數(shù)組合的5個神經(jīng)元，輸出量為一個神經(jīng)元，即為LAI。利用格網(wǎng)搜索法(GridSearch Method)對懲罰因子c和核函數(shù)參數(shù)g搜尋最佳值。利用40個樣本作為訓(xùn)練集創(chuàng)建SVR模型，再對13個樣本測試集進(jìn)行模型精度驗證。運行程序得到如圖5所示的最優(yōu)參數(shù)選擇圖。其中，最優(yōu)懲罰系數(shù)c=8，核函數(shù)參數(shù)g=1.4142，交叉驗證均方誤差CVmse=0.029344。

圖5 最優(yōu)的c、g選擇圖

通過格網(wǎng)搜索法得到最優(yōu)的懲罰系數(shù)c和核函數(shù)參數(shù)g，從而獲得支持向量機(jī)模型。利用該模型對13個樣本進(jìn)行預(yù)測，結(jié)果如圖6所示。均方根誤差RMSE=0.016，平方相關(guān)系數(shù)R2=0.688。選擇植被指數(shù)OSAVI與LAI構(gòu)建的預(yù)測模型進(jìn)行比較，可見支持向量機(jī)模型具有更好的預(yù)測能力（表8）。

圖6 實測值與預(yù)測值結(jié)果對比圖

表8 模型精度對比分析

3 討論

3.1 低成本無人機(jī)搭載多光譜傳感器，反演和預(yù)測大豆葉面積指數(shù)可行

本研究設(shè)計了多旋翼無人機(jī)為平臺同步搭載多光譜傳感器組成無人機(jī)低空遙感系統(tǒng),在大豆結(jié)莢期內(nèi)，獲取0.021 m空間分辨率無人機(jī)多光譜影像數(shù)據(jù)，結(jié)果表明該手段可以快速反演田間大豆葉面積指數(shù)，在田塊尺度上反演和預(yù)測大豆的葉面積指數(shù)是可行的[2,27]，適用于東北地區(qū)的大豆葉面積指數(shù)反演，其在農(nóng)作物監(jiān)測方面具有很大潛力和應(yīng)用前景。這與利用無人機(jī)多光譜進(jìn)行冬小麥、大豆LAI研究結(jié)果[16,21,30]基本一致。在下一步研究應(yīng)考慮如何能更充分地利用無人機(jī)多光譜遙感數(shù)據(jù)，進(jìn)一步完善無人機(jī)遙感技術(shù)在精準(zhǔn)農(nóng)業(yè)管理方面的應(yīng)用。

3.2 不同回歸模型對大豆LAI反演，模型精度略有差異

通過對比線性模型和非線性模型的擬合效果，本研究最終選定指數(shù)模型作為植被指數(shù)與LAI的擬合方法。本研究選取歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、土壤調(diào)節(jié)植被指數(shù)(SAVI)、優(yōu)化型土壤調(diào)節(jié)植被指數(shù)(OSAVI)、增強(qiáng)型植被指數(shù)(EVI)5種植被指數(shù)，分別構(gòu)建了經(jīng)驗回歸模型和支持向量機(jī)模型對大豆結(jié)莢期的葉面積指數(shù)進(jìn)行了反演，從相關(guān)系數(shù)、決定系數(shù)、均方根誤差3個方面綜合評定反演精度，結(jié)合田間實測LAI數(shù)據(jù)及模型精度及擬合效果，NDVI指數(shù)模型精度較好，R2=0.7375，RMSE=0.274，但擬合效果較差，其余4種植被指數(shù)模型精度和擬合效果較好，擬合效果R2均達(dá)到了0.6以上；支持向量機(jī)模型，R2=0.688，RMSE=0.016，具有更好的預(yù)測能力。

指數(shù)模型在預(yù)測葉面積指數(shù)方面的效果較好，模型驗證較為容易，在實際應(yīng)用中，簡單可靠，適應(yīng)性較廣；支持向量機(jī)模型的預(yù)測精度略優(yōu)于指數(shù)回歸模型，但模型參數(shù)的確定受數(shù)據(jù)本身影響較大，抗干擾性較弱，模型移植性也相對較差。作為經(jīng)驗?zāi)Ｐ停煌膮^(qū)域，不同的作物類型，不同的模型方法，得到的研究結(jié)果基本一致[28-31]。模型精度略有差異，這可能是由作物長勢不一致造成的，與作物的品種和生育期也有一定的關(guān)系。這與利用無人機(jī)多光譜影像進(jìn)行冬小麥、大豆、玉米的生物量的研究結(jié)果[16,21,30,32]基本一致。

3.3 回歸模型可預(yù)測葉面積指數(shù)趨勢性，但應(yīng)充分考慮尺度效應(yīng)問題

本研究得出的回歸模型可進(jìn)行葉面積指數(shù)的趨勢性預(yù)測，但在其推廣應(yīng)用過程中，應(yīng)結(jié)合所選研究區(qū)域的情況充分考慮尺度效應(yīng)問題。此外，采用單一生育期的數(shù)據(jù)構(gòu)建大豆葉面積預(yù)測模型在進(jìn)行農(nóng)作物長勢監(jiān)測時會受到生育期的限制，在下一步研究應(yīng)考慮不同生育期的大豆植被指數(shù)與葉面積指數(shù)的關(guān)系[21-22]。

然而研究中仍有諸多不足，首先是未能采集到大豆整個生長周期的數(shù)據(jù)，數(shù)據(jù)量較少因此對大豆整個生長期葉面積指數(shù)的反演存在一定誤差；其次，通過低成本的無人機(jī)搭載多光譜儀來反演葉面積指數(shù)，僅試用于中小范圍，大區(qū)域、大面積的的大豆葉面積指數(shù)指數(shù)反演難度較大；最后，本文采用傳統(tǒng)的葉面積指數(shù)方法，植被指數(shù)的精度和普適性需進(jìn)一步提升。

4 結(jié)論

本研究利用無人機(jī)搭載多光譜相機(jī)獲取地面遙感影像，提取5種植被指數(shù)，并結(jié)合地面實測數(shù)據(jù)分別建立指數(shù)回歸模型和支持向量機(jī)模型對LAI進(jìn)行反演。結(jié)合模型精度及擬合效果，NDVI模型精度較好，但擬合效果較差，其余4種植被指數(shù)模型精度和擬合效果較好，擬合效果R2均達(dá)到了0.6以上；支持向量機(jī)模型具有更好的預(yù)測能力，決定系數(shù)R2達(dá)到0.688，均方根誤差達(dá)0.016。2種模型均表明無人機(jī)多光譜遙感系統(tǒng)可以快速反演田間大豆葉面積指數(shù)，在指導(dǎo)精準(zhǔn)農(nóng)業(yè)生產(chǎn)方面具有實用意義，應(yīng)在農(nóng)業(yè)生產(chǎn)中積極推廣應(yīng)用。