結(jié)合無(wú)人機(jī)光譜與紋理特征和覆蓋度的水稻葉面積指數(shù)估算

杭艷紅，蘇 歡，于滋洋，劉煥軍,※，官海翔，孔繁昌

（1. 東北農(nóng)業(yè)大學(xué)公共管理與法學(xué)院，哈爾濱 150030；2. 中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所，長(zhǎng)春 130012）

0 引言

水稻作為重要的糧食作物，其生產(chǎn)關(guān)系到中國(guó)的糧食安全，而葉面積指數(shù)作為水稻生長(zhǎng)的一項(xiàng)重要參數(shù)，能夠提供水稻生長(zhǎng)過(guò)程的動(dòng)態(tài)信息，與地上部生物量的積累和產(chǎn)量形成密切相關(guān)[1]，是評(píng)價(jià)作物長(zhǎng)勢(shì)及指導(dǎo)田間管理的重要指標(biāo)。目前葉面積指數(shù)（Leaf Area Index，LAI）地面測(cè)量方法包括直接測(cè)量法和間接測(cè)量法。直接測(cè)量法精度相對(duì)精確，但費(fèi)時(shí)費(fèi)力，且離散的地面測(cè)量點(diǎn)不利于大規(guī)模的監(jiān)測(cè)農(nóng)作物長(zhǎng)勢(shì)[1]，測(cè)量過(guò)程中還會(huì)對(duì)作物造成一定破壞；間接測(cè)量法是采用測(cè)量參數(shù)或光學(xué)儀器進(jìn)行測(cè)量，常用的有LAI-2000植被冠層分析儀、Sunscan密度計(jì)等[2]。衛(wèi)星遙感具有大面積同步觀測(cè)的特點(diǎn)，被廣泛應(yīng)用于LAI估算中，但受分辨率和重訪(fǎng)周期的限制，相比衛(wèi)星遙感，無(wú)人機(jī)遙感不僅具有更高的時(shí)間和空間分辨率，而且能夠快速地獲得田塊尺度作物的空間變異信息，能夠準(zhǔn)確反映地塊內(nèi)部的長(zhǎng)勢(shì)差異。

近年來(lái)，國(guó)內(nèi)外學(xué)者針對(duì)植被指數(shù)估算LAI展開(kāi)了大量研究，在機(jī)理上已經(jīng)被證明植被指數(shù)能夠較好地估算作物L(fēng)AI[3]。根據(jù)綠度歸一化植被指數(shù)（Green Normalized Difference Vegetation Index，GNDVI）和LAI的線(xiàn)性關(guān)系建立模型[4]，但植被指數(shù)在LAI較大時(shí)會(huì)出現(xiàn)飽和現(xiàn)象[5]，在估算LAI時(shí)存在一定局限性。近些年基于無(wú)人機(jī)影像，結(jié)合光譜特征和紋理特征估算作物生長(zhǎng)狀況的研究逐漸增多，研究發(fā)現(xiàn)將植被指數(shù)與紋理特征融合，可以有效提高生物量[6]、葉綠素含量[7]和氮營(yíng)養(yǎng)指數(shù)[8]的估算精度，國(guó)內(nèi)外結(jié)合光譜信息和紋理特征估算生物量[9-10]的研究有很多，但在估算作物L(fēng)AI方面研究較少，且以往的研究多是直接將眾多紋理特征值參與到模型中，缺少對(duì)紋理特征值的優(yōu)化。同時(shí)，有研究發(fā)現(xiàn)在植被指數(shù)的基礎(chǔ)上引入作物覆蓋度也可用于估算LAI[11]，但以往的研究多是在傳統(tǒng)基于植被指數(shù)的LAI估算方法的基礎(chǔ)上引進(jìn)紋理特征或作物覆蓋度等指標(biāo)，缺少對(duì)光譜特征、紋理指數(shù)和作物覆蓋度等指標(biāo)共同估算LAI能力的研究。

綜合以上研究存在的問(wèn)題，該研究旨在利用具有高空間分辨率的無(wú)人機(jī)多光譜影像，通過(guò)對(duì)水稻冠層紋理特征進(jìn)行組合運(yùn)算來(lái)建立新的紋理指數(shù)，以期提高紋理特征值與水稻LAI的相關(guān)性，結(jié)合光譜特征、紋理指數(shù)和作物覆蓋度，構(gòu)建多指標(biāo)結(jié)合的水稻LAI估算模型，以期提高水稻LAI估算精度。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

水稻田間試驗(yàn)于2018年7－8月在黑龍江省五常市試驗(yàn)站（44°44′N(xiāo)，127°12′E）進(jìn)行（圖1）。研究區(qū)屬溫帶大陸性季風(fēng)氣候，平均海拔約為450 m，年平均降雨量在500～800 mm，年平均氣溫3～4 ℃。采用隨機(jī)區(qū)組設(shè)計(jì)進(jìn)行了稻田試驗(yàn)。施肥處理采用移栽后施一次基肥，分蘗期和抽穗期之前進(jìn)行兩次追肥的施肥方式?；?、分蘗肥和穗肥的施肥比例為5:2:3。施肥品種為磷酸氫二銨、尿素和硫酸鉀，磷酸氫二銨的含P2O5量為46%，含N量為17%，尿素的含N量為46%，硫酸鉀的含K2O量為50%（以上含量均為質(zhì)量分?jǐn)?shù)）。試驗(yàn)包括5種氮肥處理，每種施氮處理有3次重復(fù)試驗(yàn)，共30個(gè)樣區(qū)，每個(gè)樣區(qū)面積為50 m2，包括五優(yōu)稻4號(hào)和松粳6號(hào)兩個(gè)水稻品種。

1.2 數(shù)據(jù)來(lái)源

1.2.1 地面數(shù)據(jù)獲取

該研究于2018年水稻拔節(jié)期（7月22日）和抽穗期（8月8日）2個(gè)關(guān)鍵生育期分別采集了水稻LAI 數(shù)據(jù)，共有60個(gè)樣本。LAI-2000測(cè)量的結(jié)果為總?cè)~面積指數(shù)（Plant Area Index，PAI），實(shí)際上是包含LAI和木質(zhì)面積指數(shù)（Woody Area Index，WAI），對(duì)于樹(shù)林冠層，WAI的影響較大，不可用PAI直接替代LAI[12]；而水稻屬于水平均勻植被，WAI的影響較小，LAI-2000在連續(xù)、均質(zhì)的冠層測(cè)量時(shí)具有較好的結(jié)果[13]。因此采用美國(guó)LI-COR公司生產(chǎn)的LAI-2000植物冠層分析儀測(cè)量LAI，測(cè)量時(shí)間為上午08:00－10:00。該研究在每個(gè)樣區(qū)設(shè)置一個(gè)植被覆蓋較均一且具有區(qū)域代表性的地點(diǎn)作為采樣區(qū)域，每個(gè)生長(zhǎng)階段在不同的采樣區(qū)進(jìn)行LAI測(cè)定，每個(gè)采樣區(qū)選擇3處測(cè)量并記錄LAI值，取3次測(cè)量平均值作為該樣區(qū)的LAI值。每個(gè)采樣區(qū)先測(cè)量冠層上方的1個(gè)天空光，然后測(cè)量冠層下方的4個(gè)測(cè)試目標(biāo)值，樣方的LAI值由 LAI-2000自帶的軟件計(jì)算。為了避免太陽(yáng)光線(xiàn)直射帶來(lái)的測(cè)量誤差值，數(shù)據(jù)采集選擇上午10:00之前直射光較弱的時(shí)段，測(cè)量時(shí)操作員背對(duì)陽(yáng)光，并且在天氣晴朗時(shí)使用遮蓋帽進(jìn)行遮光處理。

1.2.2 多光譜數(shù)據(jù)獲取與處理

該研究采用大疆M600 Pro六旋翼高性能無(wú)人機(jī)搭載MicaSense RedEdgeTM3多光譜相機(jī)。大疆M600 Pro六旋翼高性能無(wú)人機(jī)最大飛行承載質(zhì)量為6 kg，可承受最大風(fēng)速8 m/s，可在-10～40℃的環(huán)境中工作，續(xù)航時(shí)間為25～35 min。MicaSense RedEdgeTM3多光譜相機(jī)擁有藍(lán)、綠、紅、紅邊、近紅外5個(gè)波段（表1），配有光強(qiáng)傳感器、全球定位系統(tǒng)（Global Positioning System, GPS）模塊和白板[14]。MicaSense RedEdgeTM3是美國(guó)MicaSense公司生成的一款專(zhuān)業(yè)的多光譜相機(jī)，能夠同時(shí)捕獲5個(gè)不連續(xù)的光譜帶，光譜采集范圍為400～900 nm，擁有5個(gè)通道。MicaSense RedEdgeTM3在執(zhí)行任務(wù)時(shí)，能夠達(dá)到每秒一次捕捉。飛行過(guò)程中，光強(qiáng)傳感器可用于校正太陽(yáng)光線(xiàn)變化對(duì)影像造成的影響；GPS模塊同時(shí)記錄每張影像的位置信息；白板具有固定的反射率信息，可用來(lái)對(duì)影像反射率進(jìn)行校正。

表1 多光譜相機(jī)波段 Table 1 Multispectral camera bands

數(shù)據(jù)采集時(shí)間為2018年7月22日和2018年8月8日，天氣晴朗無(wú)云，風(fēng)速小于3級(jí)，適合無(wú)人機(jī)飛行，選擇的無(wú)人機(jī)遙感平臺(tái)對(duì)地觀測(cè)時(shí)間為8：00－10：00。為確保影像的完整性和準(zhǔn)確性，地面站設(shè)置航向重疊為80%，旁向重疊為75%，主航線(xiàn)角度90°，飛行高度設(shè)定為110 m，圖像空間分辨率為7 cm。

為去除姿態(tài)角度異常和由大氣傳輸?shù)纫蛩貙?dǎo)致的成像問(wèn)題，對(duì)采集到的無(wú)人機(jī)影像先進(jìn)行篩選；對(duì)篩選后的影像進(jìn)行數(shù)據(jù)預(yù)處理，將影像導(dǎo)入Pix4D mapper軟件，調(diào)節(jié)處理參數(shù)，采用自動(dòng)生成的連接點(diǎn)與無(wú)人機(jī)內(nèi)置的定位定向系統(tǒng)（Position and Orientation System, POS）數(shù)據(jù)進(jìn)行空三運(yùn)算，生成三維點(diǎn)云數(shù)據(jù)；最后對(duì)影像進(jìn)行仿射變換，得到該研究區(qū)的無(wú)人機(jī)正射多光譜影像[15]。

1.3 多光譜影像特征提取

1.3.1 植被指數(shù)計(jì)算

植被指數(shù)（Vegetation Index，VI）能夠簡(jiǎn)單、有效地度量地表植被狀況，植被指數(shù)是反映植被在可見(jiàn)光、近紅外波段反射與土壤背景之間差異的指標(biāo)，各植被指數(shù)能夠在一定條件下用來(lái)定量表明植被的生長(zhǎng)狀況。歸一化差值植被指數(shù)（Normalized Difference Vegetation Index，NDVI）對(duì)綠色植被表現(xiàn)敏感，常被用于LAI估測(cè)，但在植被覆蓋度較高時(shí)呈現(xiàn)飽和狀態(tài)，對(duì)植被檢測(cè)靈敏度下降；GNDVI將綠波段代替NDVI中的紅波段，對(duì)葉綠素a的敏感度更高；差值植被指數(shù)（Difference Vegetation Index，DVI）、修正三角植被指數(shù)（Modified Triangular Vegetation Index 2，MTVI2）和優(yōu)化土壤調(diào)節(jié)植被指數(shù)（Optimized Soil-adjusted Vegetation Index，OSAVI）能夠降低土壤和環(huán)境背景等影響因子的影響；紅邊葉綠素指數(shù)（Red-edge Chlorophyll Index，CIRE）與植被葉片的葉綠素濃度具有高度相關(guān)性，能夠反應(yīng)植被生長(zhǎng)狀況。該研究選取6個(gè)與LAI相關(guān)的植被指數(shù)對(duì)水稻LAI進(jìn)行估算（表2）。

表2 植被指數(shù)及公式 Table 2 Vegetation indexes and formulas

1.3.2 紋理特征提取

在幾種紋理算法中，常用灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）測(cè)試紋理分析。在進(jìn)行輻射校正后，使用ENVI 5.3軟件計(jì)算8類(lèi)基于GLCM的紋理特征值，包括均值（Mean，mean）、方差（Variance，var）、協(xié)同性（Homogeneity，hom）、對(duì)比度（Contrast，con）、相異性（Dissimilarity，dis）、信息熵（Entropy，ent）、二階矩（Second Moment，sm）和相關(guān)性（Correlation，corr）[22]，共40個(gè)紋理特征值。無(wú)人機(jī)影像的分辨率為7 cm，大多數(shù)窗口大小涉及土壤背景和水稻植株，因此在該研究中，紋理分析選取最小的3×3窗口進(jìn)行分析。該研究區(qū)的水稻田壟向接近90°，因此，在紋理分析時(shí)方向選取90°。

該研究所用3種紋理指數(shù)（Texture Index，TI）定義分別為：歸一化差值紋理指數(shù)（Normalized Difference Texture Index，NDTI）[23]，差值紋理指數(shù)（Difference Texture Index，DTI），比值紋理指數(shù)（Ratio Texture Index，RTI）。構(gòu)造了5個(gè)波段（475、560、668、717和840 nm）與8類(lèi)基于GLCM的紋理特征值相結(jié)合的所有可能的兩種紋理測(cè)量組合，以探索它們的估算能力。利用Matlab軟件實(shí)現(xiàn)對(duì)紋理指數(shù)NDTI，DTI，RTI的運(yùn)算，并計(jì)算出不同紋理指數(shù)與LAI之間的相關(guān)性。

NDTI，DTI，RTI定義分別如下：

式中T1和T2為隨機(jī)任意波段的紋理特征值。

1.3.3 作物覆蓋度提取

作物覆蓋度（Crop Coverage，CC）是指植被在地面的垂直投影面積占總面積的百分比。由于作物覆蓋度與LAI之間具有顯著的相關(guān)性，本文將提取作物覆蓋度并將其輸入水稻LAI估算模型中。本文采用像元二分法的思路，使用ArcGIS輸出無(wú)人機(jī)影像的灰度圖，再對(duì)灰度圖應(yīng)用OTSU算法，尋找令植被與非植被類(lèi)間方差最大的灰度閾值，將非植被區(qū)域灰度值置零，提取出植被區(qū)域的像元，進(jìn)而計(jì)算出該影像的作物覆蓋度[24]。

1.4 模型構(gòu)建

該研究中，選取拔節(jié)孕穗期和抽穗期試驗(yàn)的數(shù)據(jù)進(jìn)行模型構(gòu)建，總樣本量60，采用K-折交叉驗(yàn)證法作為驗(yàn)證方法。選取3種方法建立模型，分別為一元線(xiàn)性模型、多元逐步回歸模型、人工神經(jīng)網(wǎng)絡(luò)模型。采用決定系數(shù)（Determination coefficient，R2）、調(diào)整后決定系數(shù)（Adjust determination coefficient，R2adj）和均方根誤差（Root Mean Square Error，RMSE）評(píng)價(jià)模型的精度。一般來(lái)說(shuō)，R2和R2adj越高，表明模型越穩(wěn)定；RMSE越低，表明模型精度越高。

1.4.1 K-折交叉驗(yàn)證

本文采取K-折交叉驗(yàn)證的方式建模并評(píng)估模型精度。K-折交叉驗(yàn)證是應(yīng)用最廣泛的泛化誤差估計(jì)方法之一，對(duì)于檢驗(yàn)?zāi)Ｐ途哂衅者m性，適用于樣本集不大的情況[7]，將數(shù)據(jù)集均分為K-份，每次訓(xùn)練取其中一份作為驗(yàn)證集，剩余部分作為測(cè)試集，重復(fù)K次，完成一次交叉驗(yàn)證[25]。K-折交叉驗(yàn)證保證了數(shù)據(jù)集中的每個(gè)數(shù)據(jù)都參與了建模與驗(yàn)證，能夠讓模型更好地學(xué)習(xí)到數(shù)據(jù)中的特征；同時(shí)K-折交叉驗(yàn)證建模的精度是K次訓(xùn)練精度的均值，能更好地估計(jì)模型的泛化誤差。該研究采取5-折交叉驗(yàn)證，即訓(xùn)練集樣本個(gè)數(shù)為48，測(cè)試集樣本數(shù)為12，訓(xùn)練5次。

1.4.2 線(xiàn)性模型

植被指數(shù)法是光學(xué)遙感估算植被LAI常用的經(jīng)驗(yàn)方法。分別選用以上6種植被指數(shù)、紋理指數(shù)和作物覆蓋度與LAI進(jìn)行相關(guān)性分析，并建立一元線(xiàn)性模型估算LAI。選擇植被指數(shù)、紋理指數(shù)和作物覆蓋度等因子作為變量，構(gòu)建多元線(xiàn)性逐步回歸模型估算LAI。

1.4.3 人工神經(jīng)網(wǎng)絡(luò)模型

基于誤差反向傳播（Back Propagation，BP）的人工神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，它的基本思想是利用梯度下降法，逐層求出目標(biāo)函數(shù)對(duì)各神經(jīng)元權(quán)值的偏導(dǎo)數(shù)，作為權(quán)值更新的依據(jù)，使模型學(xué)習(xí)達(dá)到期望的性能[26]。本文使用的神經(jīng)網(wǎng)絡(luò)主要包含三部分，輸入層、隱藏層和輸出層，其中輸入層不參與運(yùn)算，隱藏層和輸出層為全連接層。本文以均方誤差為目標(biāo)函數(shù)，學(xué)習(xí)率為0.01建立了一個(gè)包含5層隱藏層的人工神經(jīng)網(wǎng)絡(luò)模型。選擇植被指數(shù)、紋理指數(shù)和作物覆蓋度等因子作為變量，輸入到人工神經(jīng)網(wǎng)絡(luò)模型估算LAI。

2 結(jié)果與分析

2.1 不同指標(biāo)與LAI的相關(guān)性分析

植被指數(shù)是根據(jù)地物光譜反射率的差異進(jìn)行運(yùn)算，以此突出圖像中植被的特征。對(duì)選取的6個(gè)植被指數(shù)和LAI的相關(guān)性進(jìn)行分析。結(jié)果顯示，植被指數(shù)與LAI之間的相關(guān)性均達(dá)到極顯著水平（P<0.01），其中與LAI相關(guān)性由大到小依次是：OSAVI、MTVI2、DVI、GNDVI、NDVI、CIRE，相關(guān)系數(shù)依次是0.763、0.761、0.731、0.718、0.667、0.606。對(duì)1.3.3中提取的作物覆蓋度與實(shí)測(cè)水稻LAI進(jìn)行相關(guān)性分析，結(jié)果顯示顯著相關(guān)且相關(guān)系數(shù)為0.785。

單一紋理特征與LAI的相關(guān)性分析結(jié)果（表3）顯示多數(shù)紋理特征與LAI的相關(guān)性并不高，只有少部分紋理特征顯示出與LAI存在較高的相關(guān)性，其中LAI與近紅外波段的紋理特征均值的相關(guān)性最高，相關(guān)系數(shù)為0.731。

表3 單一紋理特征和LAI的相關(guān)性分析 Table 3 Correlation analysis between single texture feature and leaf area index

由于紋理特征值與LAI的相關(guān)性較低，因此構(gòu)建了由不同紋理特征值組成的指數(shù)NDTI，DTI，RTI以提高紋理特征值對(duì)LAI的估測(cè)能力。結(jié)果如圖2顯示，通過(guò)對(duì)紋理特征進(jìn)行組合運(yùn)算，在整體上明顯提高了紋理特征值與LAI的相關(guān)性，3種指數(shù)的均值組合與LAI具有較高的相關(guān)性。優(yōu)選出每種組合運(yùn)算紋理指數(shù)中與LAI 相關(guān)性最高的紋理指數(shù)，按相關(guān)性由高到低依次是近紅外波段和藍(lán)波段均值的差值DTI（mean5，mean1）、近紅外波段均值與綠波段信息熵的比值RTI（mean5，ent2）、近紅外波段均值與綠波段信息熵的歸一化值NDTI（mean5，ent2），相關(guān)系數(shù)依次是0.830、0.798、0.791。結(jié)果證明對(duì)紋理特征進(jìn)行組合運(yùn)算，能夠明顯提高紋理特征值與LAI的相關(guān)性，近紅外波段均值與藍(lán)波段均值的差值較近紅外波段均值提高了13.54%。

2.2 一元線(xiàn)性模型估算LAI

根據(jù)多光譜影像提取的輸入量，建立單一輸入量與試驗(yàn)區(qū)實(shí)測(cè)LAI的一元線(xiàn)性模型，由結(jié)果（表4）可知，6種遙感植被指數(shù)與LAI建立的一元線(xiàn)性模型中，GNDVI模型R2最高，達(dá)0.603，R2adj為0.563，RMSE為0.541；優(yōu)選紋理指數(shù)與LAI建立的一元線(xiàn)性模型中，DTI（mean5，mean1）模型R2最高，達(dá)0.668，R2adj為0.635，RMSE為0.447；作物覆蓋度與LAI建立的一元線(xiàn)性模型R2為0.633，R2adj為0.596，RMSE為0.516。對(duì)比不同單一輸入量與試驗(yàn)區(qū)實(shí)測(cè)LAI的一元線(xiàn)性模型結(jié)果發(fā)現(xiàn)，精度由高到低依次為DTI（mean5，mean1）、作物覆蓋度、GNDVI。

2.3 多元逐步回歸模型估算LAI

本研究先將3類(lèi)輸入量分別兩兩類(lèi)組合放入多元逐步回歸模型中構(gòu)建LAI估算模型，再將3類(lèi)輸入量全部放入多元逐步回歸模型中構(gòu)建LAI估算模型，對(duì)比不同輸入量組合的模型精度并進(jìn)行評(píng)價(jià)。由結(jié)果（表4和表5）可知，結(jié)合植被指數(shù)和紋理指數(shù)的多元逐步回歸模型（R2=0.728，R2adj=0.668，RMSE=0.421）明顯優(yōu)于單一植被指數(shù)模型（R2=0.603，R2adj=0.563，RMSE=0.541），結(jié)合植被指數(shù)、紋理指數(shù)和作物覆蓋度共同估算LAI模型（R2=0.866，R2adj=0.816，RMSE=0.308）精度最高，優(yōu)于所有單一輸入量和任意兩類(lèi)輸入量組合。因此，結(jié)合植被指數(shù)、紋理指數(shù)和作物覆蓋度共同估算LAI可以被認(rèn)為是一種能夠有效改善LAI估算精度的方法。

表4 LAI的一元線(xiàn)性估算模型與精度評(píng)價(jià) Table 4 Unary linear estimation model and precision evaluation of LAI

為了對(duì)多元逐步回歸模型篩選出的變量進(jìn)行進(jìn)一步分析，揭示各輸入因子對(duì)模型的影響，本文引入“貢獻(xiàn)度”這一指標(biāo)。此處的貢獻(xiàn)度為偏相關(guān)系數(shù)的絕對(duì)值與模型中個(gè)因子的偏相關(guān)系數(shù)絕對(duì)值總和之比[7]。如表5所示，基于多指標(biāo)結(jié)合的LAI估算模型中，作物覆蓋度和紋理指數(shù)DTI（mean5，mean1）對(duì)模型的貢獻(xiàn)度均很大，植被指數(shù)GNDVI貢獻(xiàn)度相對(duì)較小。作物覆蓋度、DTI（mean5，mean1）、GNDVI對(duì)模型的貢獻(xiàn)度分別為40.413 %、35.507%、24.08%。

表5 LAI的多元線(xiàn)性逐步回歸估算模型與精度評(píng)價(jià) Table 5 Multiple linear stepwise regression estimation model and accuracy evaluation of LAI

2.4 人工神經(jīng)網(wǎng)絡(luò)模型估算LAI

為了排除模型對(duì)文章結(jié)論的影響，證明本文結(jié)論的普適性，本文使用人工神經(jīng)網(wǎng)絡(luò)對(duì)結(jié)論進(jìn)行進(jìn)一步驗(yàn)證。本文將3類(lèi)輸入量依次放入人工神經(jīng)網(wǎng)絡(luò)模型中構(gòu)建LAI估算模型，對(duì)比模型精度。結(jié)果如表6所示，將植被指數(shù)與紋理指數(shù)結(jié)合構(gòu)建LAI模型，發(fā)現(xiàn)模型精度（R2=0.76，R2adj=0.707，RMSE=0.365）較單一植被指數(shù)構(gòu)建的LAI模型（R2=0.654，R2adj=0.619，RMSE=0.431）精度得到明顯提高；將植被指數(shù)、紋理指數(shù)和作物覆蓋度共同構(gòu)建LAI模型，發(fā)現(xiàn)模型（R2=0.836，R2adj=0.775，RMSE=0.286）精度最高?；谌斯ど窠?jīng)網(wǎng)絡(luò)模型估算LAI得到的結(jié)論與基于多元逐步回歸模型估算LAI得到的結(jié)論一致，再次驗(yàn)證結(jié)合植被指數(shù)、紋理指數(shù)和作物覆蓋度共同估算LAI，是一種能夠有效改善LAI估算精度的方法。

表6 LAI的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型與精度評(píng)價(jià) Table 6 Artificial neural network forecast model and accuracy evaluation of LAI

3 討 論

在以往的研究中，多是利用光譜信息與地面實(shí)測(cè)數(shù)據(jù)來(lái)對(duì)LAI進(jìn)行估算，但僅僅利用植被指數(shù)進(jìn)行LAI估算存在一定的局限性。因此，從無(wú)人機(jī)影像中提取紋理特征和作物覆蓋度來(lái)提高LAI估算精度具有重要意義。

紋理是物體表面的內(nèi)在特性，不依賴(lài)于顏色和亮度而變化，能夠抑制同譜異物和同物異譜現(xiàn)象的發(fā)生[27]。大多數(shù)紋理特征值與LAI的相關(guān)性較弱，該研究對(duì)紋理特征值進(jìn)行組合運(yùn)算得到新的紋理指數(shù)，有效提高了紋理特征估算LAI的性能。紋理歸一化能夠降低土壤背景、太陽(yáng)角和傳感器視角影響[28]；紋理比值可以放大地物波譜特征間的細(xì)微差別，降低影像中地形、陰影等帶來(lái)的影響，突出地物特征；紋理差值能夠去除影像中的相同背景[27]，遙感圖像中由陰影產(chǎn)生的影響在紋理差值圖像中表現(xiàn)得不明顯，因此紋理信息與光譜特征的結(jié)合在一定程度上削弱了陰影對(duì)變化檢測(cè)產(chǎn)生的影響。

該研究利用多元逐步回歸模型，將植被指數(shù)、紋理指數(shù)和作物覆蓋度結(jié)合起來(lái)建立水稻LAI估算模型。結(jié)合植被指數(shù)和紋理指數(shù)的多元逐步回歸模型（R2=0.728，R2adj=0.668，RMSE=0.421）明顯優(yōu)于單一植被指數(shù)模型（R2=0.603，R2adj=0.563，RMSE=0.541），結(jié)合植被指數(shù)、紋理指數(shù)和作物覆蓋度共同估算LAI（R2=0.866，R2adj=0.816，RMSE=0.308）精度最高，優(yōu)于所有單一輸入量和任意兩類(lèi)輸入量組合。這主要是因?yàn)槎嘀笜?biāo)結(jié)合模型綜合了植光譜特征、紋理特征和作物覆蓋度對(duì)LAI估算的共同貢獻(xiàn)。其中GNDVI對(duì)葉綠素a較為敏感，綠葉的葉綠素在光照條件下發(fā)生光合作用產(chǎn)生植物干物質(zhì)積累，使葉面積增大[29]；水稻的覆蓋度隨著LAI的增加而增加，覆蓋度可以直接反映從俯視圖中提取的LAI值[30]；紋理指數(shù)DTI（mean5,mean1）提供了作物的空間特征，一定程度上彌補(bǔ)了光譜信息的不足，其中紋理測(cè)量均值包含移動(dòng)窗口中的目標(biāo)和背景的平均值，可以平滑圖像，使背景的干擾最小化，又因?yàn)榫G色植被在藍(lán)波段對(duì)光強(qiáng)吸收，在近紅外波段由于冠層結(jié)構(gòu)的漫反射導(dǎo)致近紅外處反射率較大[31]，近紅外波段與藍(lán)波段的差值能增強(qiáng)植被對(duì)光吸收和反射的差異，因此能夠更好反映綠色植被冠層結(jié)構(gòu)。光譜特征、紋理特征和作物覆蓋度的結(jié)合為L(zhǎng)AI估算模型提供了更多的信息。該研究尚存在部分局限性，考慮到影響水稻LAI的因素不止光譜特征、紋理特征和作物覆蓋度，還需要綜合考慮原始波段、葉綠素、土壤背景以及影像質(zhì)量等因素的影響。

4 結(jié) 論

本文基于無(wú)人機(jī)多光譜影像，對(duì)光譜特征、紋理特征和作物覆蓋度估算水稻葉面積指數(shù)（Leaf Area Index，LAI）的能力進(jìn)行了分析，主要得到以下結(jié)論：

1）對(duì)紋理特征進(jìn)行組合運(yùn)算，能夠明顯提高紋理特征與LAI的相關(guān)性，近紅外波段均值與藍(lán)波段均值的差值較近紅外波段均值提高了13.54%，且歸一化差值紋理指數(shù)、差值紋理指數(shù)、比值紋理指數(shù)的均值組合與LAI具有較高的相關(guān)性，其中近紅外波段和藍(lán)波段均值的差值具有最高的相關(guān)性，相關(guān)系數(shù)為0.830。

2）基于一元線(xiàn)性模型構(gòu)建的水稻LAI估算模型的精度由高到低為近紅外波段和藍(lán)波段均值的差值（決定系數(shù)R2=0.668，調(diào)整后決定系數(shù)R2adj=0.635，均方根誤差RMSE=0.447）、作物覆蓋度（R2=0.633，R2adj=0.596，RMSE=0.516）、綠度歸一化植被指數(shù)（R2=0.603，R2adj=0.563，RMSE=0.541）。

3）對(duì)比單一植被指數(shù)、紋理指數(shù)、作物覆蓋度，以及任意兩類(lèi)輸入量的結(jié)合，發(fā)現(xiàn)多特征結(jié)合估算水稻LAI的能力最強(qiáng)（R2=0.866，R2adj=0.816，RMSE=0.308），人工神經(jīng)網(wǎng)絡(luò)模型結(jié)果對(duì)本文結(jié)論進(jìn)行進(jìn)一步驗(yàn)證，表明結(jié)合光譜特征、紋理指數(shù)、作物覆蓋度共同估算LAI具有較好的精度，為監(jiān)測(cè)水稻生長(zhǎng)狀況提供一種可行的方法。