無(wú)人機(jī)多光譜影像的馬鈴薯地上生物量估算

劉 楊，孫 乾，黃 玨，馮海寬，王嬌嬌，楊貴軍

1. 農(nóng)業(yè)部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室，北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097 2. 山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院，山東 青島 266590 3.南京農(nóng)業(yè)大學(xué)國(guó)家信息農(nóng)業(yè)工程技術(shù)中心，江蘇 南京 210095 4.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097

引 言

地上生物量(above-ground biomass，AGB)是作物活力和凈初級(jí)生產(chǎn)力的基礎(chǔ)，能夠表征作物光合作用強(qiáng)度和評(píng)估作物營(yíng)養(yǎng)狀況以及長(zhǎng)勢(shì)情況[1]。故快速無(wú)損地獲取AGB信息可監(jiān)測(cè)作物長(zhǎng)勢(shì)變化，這對(duì)于指導(dǎo)農(nóng)業(yè)生產(chǎn)管理和精準(zhǔn)施肥至關(guān)重要。傳統(tǒng)上，AGB測(cè)量是采用破壞性取樣方法，需要人工收割作物、 稱重和記錄，這使得大面積、 長(zhǎng)時(shí)間的監(jiān)測(cè)作物變?yōu)槔щy[2]。

隨著遙感平臺(tái)的多樣性和影像空間分辨率的提高，遙感技術(shù)被當(dāng)今認(rèn)為是監(jiān)測(cè)和估算大面積作物AGB最有效的技術(shù)手段[3]。其中低空無(wú)人機(jī)遙感平臺(tái)具有機(jī)動(dòng)靈活，能夠提供更高的時(shí)間、 空間和光譜分辨率的遙感數(shù)據(jù)等優(yōu)勢(shì)，成為了精準(zhǔn)農(nóng)業(yè)中定量觀測(cè)使用最為頻繁的技術(shù)工具[4]。當(dāng)前，無(wú)人機(jī)平臺(tái)搭載的傳感器主要有3種(數(shù)碼、 多光譜和高光譜)。數(shù)碼相機(jī)雖然價(jià)格低廉，但是波段數(shù)目較少，難以解譯作物冠層光譜中包含的復(fù)雜信息[5]。高光譜傳感器在高精度表征光譜響應(yīng)能力方面雖表現(xiàn)突出，但價(jià)格昂貴，數(shù)據(jù)后續(xù)處理較為復(fù)雜[6]。而多光譜傳感器由于經(jīng)濟(jì)上更適宜，且包含監(jiān)測(cè)農(nóng)學(xué)參數(shù)信息重要的紅邊波段，因此在農(nóng)業(yè)定量遙感中得到廣泛關(guān)注[7]。國(guó)內(nèi)外學(xué)者基于無(wú)人機(jī)多光譜遙感技術(shù)開(kāi)展了作物理化參數(shù)監(jiān)測(cè)的大量研究，如Han等[4]使用6種植被指數(shù)結(jié)合不同的回歸技術(shù)，評(píng)估了玉米不同生育期AGB的估算效果； 肖武等[8]利用22種植被指數(shù)結(jié)合BP神經(jīng)網(wǎng)絡(luò)有效地估算采煤沉陷區(qū)上方玉米作物的AGB； Qi等[7]使用8種植被指數(shù)通過(guò)人工神經(jīng)網(wǎng)絡(luò)估算花生不同生育期的葉面積指數(shù)； 孫詩(shī)睿等[9]運(yùn)用10種植被指數(shù)結(jié)合隨機(jī)森林估算冬小麥葉面積指數(shù)； Zheng[10]和Brinkhoff等[11]分別通過(guò)19種和6種植被指數(shù)估算冬小麥和水稻氮素含量，結(jié)果發(fā)現(xiàn)RDVI和NDRE植被指數(shù)估算效果最佳； 陳鵬等[12]和奚雪等[13]分別使用植被指數(shù)估算馬鈴薯和冬小麥葉綠素含量。

以上基于無(wú)人機(jī)多光譜遙感技術(shù)的研究，主要通過(guò)單個(gè)或多個(gè)植被指數(shù)估算作物不同生育期的理化參數(shù)，沒(méi)有引入新的模型變量去參與建模。然而，隨著生育期的推進(jìn)，植被指數(shù)可能會(huì)達(dá)到飽和，當(dāng)理化參數(shù)值較大時(shí)，會(huì)存在低估的現(xiàn)象。為了更全面地估算作物多生育的理化參數(shù)，一些學(xué)者通過(guò)多類別變量或者回歸技術(shù)提高了估算模型精度，較好地實(shí)現(xiàn)作物長(zhǎng)勢(shì)監(jiān)測(cè)[14-19]。但還未見(jiàn)有報(bào)道關(guān)于從無(wú)人機(jī)多光譜影像中提取高頻信息(high frequency information，HFI)和作物株高(Hdsm)并結(jié)合植被指數(shù)估算馬鈴薯不同生育期的AGB。因此，本研究基于光譜信息以及融合結(jié)構(gòu)信息采用偏最小二乘回歸(partial least squares regression，PLSR)和嶺回歸(ridge regression，RR)方法構(gòu)建馬鈴薯不同生育期的AGB估算模型，探究融合新的模型因子對(duì)AGB估算結(jié)果的影響，從而為提高馬鈴薯AGB監(jiān)測(cè)效果提供新的方法。

1 實(shí)驗(yàn)部分

1.1 研究位置與試驗(yàn)設(shè)計(jì)

馬鈴薯試驗(yàn)在北京市昌平區(qū)小湯山鎮(zhèn)國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范基地進(jìn)行，該區(qū)域位于北緯40°10′32″—40°10′36″，東經(jīng)116°26′34″—116°26′41″，氣候類型為暖溫帶半濕潤(rùn)大陸性季風(fēng)氣候。試驗(yàn)設(shè)計(jì)為小區(qū)完全隨機(jī)試驗(yàn)，共設(shè)計(jì)密度試驗(yàn)、 氮素試驗(yàn)、 鉀肥試驗(yàn)3個(gè)試驗(yàn)區(qū)。試驗(yàn)品種均為早熟的中薯5和中薯3，每個(gè)品種進(jìn)行相同的控制試驗(yàn)，每種試驗(yàn)重復(fù)3次，每種重復(fù)進(jìn)行不同程度的密度、 氮素和鉀肥處理，其中密度、 氮素和鉀肥具體處理詳情見(jiàn)文獻(xiàn)[14]。小區(qū)總計(jì)48個(gè)，每個(gè)小區(qū)面積為32.5 m2。為了更精確地獲取試驗(yàn)田的數(shù)字表面模型，在試驗(yàn)小區(qū)周圍均勻布控11個(gè)地面控制點(diǎn)(ground control point，GCP)，并用差分GPS測(cè)定其三維空間位置。

1.2 無(wú)人機(jī)多光譜數(shù)據(jù)獲取及處理

分別于天空晴朗、 無(wú)風(fēng)無(wú)云的2019年4月20日(裸土期)、 2019年5月28(塊莖形成期)、 2019年6月10日(塊莖增長(zhǎng)期)和2019年6月20日(淀粉積累期)進(jìn)行無(wú)人機(jī)多光譜遙感數(shù)據(jù)采集。各次起飛地點(diǎn)固定和飛行航線基本保持一致，操作時(shí)間為12:00，飛行高度為30 m，航向重疊度為80%，旁向重疊度為85%。獲取影像數(shù)據(jù)前，首先采集傳感器自帶的光譜反射率校正板數(shù)據(jù)，用于多光譜影像像元亮度值的標(biāo)定。采用八旋翼電動(dòng)無(wú)人機(jī)搭載Parrot Sequoia農(nóng)業(yè)遙感專用的4通道多光譜相機(jī)，其由光照傳感器和多光譜傳感器組成，能獲取1個(gè)1 600萬(wàn)像素的RGB影像和4個(gè)120萬(wàn)像素的單波段影像。多光譜相機(jī)內(nèi)置的波段參數(shù)信息見(jiàn)表1所示。

表1 多光譜傳感器的波段參數(shù)Table 1 Band parameters of multispectral sensor

無(wú)人機(jī)多光譜影像獲取后需要預(yù)處理，處理前，首先對(duì)無(wú)人機(jī)采集的多光譜影像進(jìn)行篩選，去除姿態(tài)角異常，成像存在問(wèn)題的影像。將選取的多光譜影像和11個(gè)地面控制點(diǎn)導(dǎo)入到以運(yùn)動(dòng)結(jié)構(gòu)為核心算法的Agisoft PhotoScan Professional軟件中，通過(guò)GCP的空間位置對(duì)多光譜影像作地形精糾正，各時(shí)期的校正誤差均小于2 cm?；诿芗c(diǎn)云生成試驗(yàn)區(qū)域的數(shù)字正射影像(digital orthophoto map，DOM)和數(shù)字表面模型(digital surfacemap，DSM)。采用ENVI 5.1軟件通過(guò)校正板獲取各波段的反射率影像，并以TIF格式儲(chǔ)存。使用ArcGIS軟件基于劃分的小區(qū)繪制出最大面積矢量并對(duì)其編號(hào)，分別計(jì)算統(tǒng)計(jì)出所有感興趣區(qū)域在各波段的平均光譜反射率，將其作為各小區(qū)馬鈴薯冠層在該波段下的光譜反射率。

1.3 地面數(shù)據(jù)采集及處理

地面數(shù)據(jù)采集時(shí)，獲取了各小區(qū)馬鈴薯實(shí)測(cè)AGB和株高數(shù)據(jù)。馬鈴薯AGB和株高的測(cè)定方法見(jiàn)文獻(xiàn)[14]。

1.4 植被指數(shù)的選取

根據(jù)以往的研究成果，各生育期選取9種在AGB估算方面表現(xiàn)較好的多波段組合植被指數(shù)(multi-band combined vegetation indices，MVIs)和本研究提取的4個(gè)單波段植被指數(shù)(single-band vegetation indices，SVIs)用于構(gòu)建馬鈴薯AGB估算模型，具體的模型參數(shù)見(jiàn)表2所示。

1.5 高頻信息獲取

二維離散小波變換的影像分解技術(shù)通過(guò)包含低通和高通的濾波器組對(duì)無(wú)人機(jī)多光譜影像做兩次濾波，分別得到水平方向(HL)、 垂直方向(LH)和對(duì)角線方向(LL)3種高頻信息和1種低頻信息，其中高頻信息反映的是影像的大致概貌和輪廓，與影像的真實(shí)信息接近。由于紅邊是植被反射率從紅光波段到近紅外波段快速升高變化的區(qū)域，是區(qū)分植被和地物的最顯著標(biāo)志，經(jīng)常被用來(lái)估算作物的理化參數(shù)[2]。因此，提取各生育期紅邊波段的3種高頻信息(REGHL，REGLH和REGLL)用來(lái)參與模型構(gòu)建。

1.6 分析方法

馬鈴薯株高的提取，利用數(shù)據(jù)管理、 分析和可視化顯示為平臺(tái)的ArcGIS軟件，將馬鈴薯塊莖形成期、 塊莖增長(zhǎng)期和淀粉積累期的DSM分別與裸土期的DSM進(jìn)行差值運(yùn)算，可以得到相應(yīng)的作物高度模型，最后利用ROI工具提取出各生育期試驗(yàn)小區(qū)的馬鈴薯平均高度Hdsm。

表2 模型參數(shù)Table 2 Model parameters

構(gòu)建AGB估算模型時(shí)，若輸入變量存在嚴(yán)重的共線性問(wèn)題，則會(huì)降低模型的穩(wěn)定性和準(zhǔn)確性。因此，采用2種方法(PLSR和RR)估算馬鈴薯各生育期AGB。PLSR利用了多元線性回歸、 典型相關(guān)分析和主成分分析結(jié)合為一體，可以提供一種多對(duì)多的線性回歸建模方法，能夠消除自變量之間的相關(guān)性，用較少數(shù)據(jù)來(lái)估測(cè)因變量[14]。RR是一種專用于共線性數(shù)據(jù)分析的有偏估計(jì)回歸方法，實(shí)質(zhì)上是一種改良的最小二乘估計(jì)法，通過(guò)放棄最小二乘法的無(wú)偏性，以損失部分信息、 降低精度為代價(jià)獲得回歸系數(shù)更為符合實(shí)際、 更可靠的回歸方法[2]。

1.7 精度評(píng)價(jià)

各生育期提取48組數(shù)據(jù)構(gòu)成樣本數(shù)據(jù)集，選取32個(gè)用來(lái)構(gòu)建模型，剩余16個(gè)用來(lái)驗(yàn)證模型效果。為了評(píng)估不同模型的估算效果和穩(wěn)定性，選用決定系數(shù)(coefficient of determination，R2)和標(biāo)準(zhǔn)均方根誤差(normalized root mean square error, NRMSE)作為精度評(píng)價(jià)指標(biāo)。

2 結(jié)果與討論

2.1 馬鈴薯株高的提取

3個(gè)生育期共提取144個(gè)馬鈴薯株高，為了評(píng)估提取的精度，將地面采集的實(shí)測(cè)株高數(shù)據(jù)和Hdsm作比較分析，R2為0.87，NRMSE為14.34%，說(shuō)明提取的株高Hdsm較為可靠。

2.2 植被指數(shù)、 高頻信息和Hdsm與AGB的相關(guān)性

將表2的13種植被指數(shù)、 紅邊波段的3種高頻信息和基于無(wú)人機(jī)多光譜遙感技術(shù)提取的Hdsm分別與馬鈴薯各生育期的AGB作相關(guān)性分析，得到結(jié)果見(jiàn)表3所示。由表3可知，各生育期提取的模型參數(shù)均與AGB達(dá)到0.01顯著水平，相關(guān)性均從塊莖形成期到淀粉積累期先升高后降低。整體上，各模型參數(shù)與AGB的相關(guān)性由高到低依次為多波段組合植被指數(shù)、 高頻信息、 單波段植被指數(shù)和Hdsm。塊莖形成期相關(guān)性最高的模型參數(shù)為RVI，相關(guān)性系數(shù)為0.750，塊莖增長(zhǎng)期和淀粉積累期相關(guān)性最高的模型參數(shù)均為GNDVI，相關(guān)性系數(shù)分別為0.762和0.759。

表3 植被指數(shù)和Hdsm與馬鈴薯AGB的相關(guān)性系數(shù)Table 3 The correlation coefficients of vegetationindices and Hdsm with potato AGB

2.3 基于植被指數(shù)估算AGB

為了評(píng)估原始4個(gè)單波段植被指數(shù)(SVIs)和9個(gè)多波段組合植被指數(shù)(MVIs)估算AGB的能力，分別使用PLSR和RR方法構(gòu)建各生育期AGB估算模型，其結(jié)果見(jiàn)表4所示。由表可知，各生育期使用2種方法基于SVIs和MVIs構(gòu)建的模型效果均從塊莖形成期到淀粉積累期先好后變差。使用同種方法以MVIs構(gòu)建的模型精度更高，穩(wěn)定性更強(qiáng)，且均在塊莖增長(zhǎng)期達(dá)到最佳估算效果(PLSR： 建模R2=0.65，NRMSE=17.48%； 驗(yàn)證R2=0.68，NRMSE=16.71%。RR： 建模R2=0.62，NRMSE=18.42%； 驗(yàn)證R2=0.65，NRMSE=17.75%)。另外，從3個(gè)生育期的估算模型精度和穩(wěn)定性來(lái)看，使用PLSR方法估算AGB的效果要優(yōu)于RR方法。

2.4 基于植被指數(shù)結(jié)合HFI或Hdsm估算AGB

為了探究融合新的模型因子(HFI或Hdsm)對(duì)AGB估算結(jié)果的影響，將各生育期提取的13種植被指數(shù)(vegetation indices，VIs)分別結(jié)合紅邊波段的3種高頻信息和Hdsm使用PLSR和RR方法建立各生育期的AGB估算模型，其結(jié)果見(jiàn)表5所示。從表5可以看出，各生育期基于植被指數(shù)結(jié)合HFI或Hdsm利用2種方法估算AGB的效果同表4的結(jié)果保持一致，也從塊莖形成期到淀粉積累期先好后變差。相較于僅以植被指數(shù)構(gòu)建的AGB估算模型(表4)，結(jié)合HFI或Hdsm明顯提高了估算模型的擬合性和穩(wěn)定性(表5)，其中植被指數(shù)融合紅邊波段的高頻信息效果較優(yōu)，2種方法均在塊莖增長(zhǎng)期達(dá)到最高的估算效果(PLSR： 建模R2=0.72，NRMSE=15.44%； 驗(yàn)證R2=0.74，NRMSE=15.33%。RR： 建模R2=0.67，NRMSE=16.34%； 驗(yàn)證R2=0.70，NRMSE=15.62%)。通過(guò)分析各生育期的表5建模和驗(yàn)證結(jié)果，發(fā)現(xiàn)使用PLSR方法基于植被指數(shù)結(jié)合高頻信息或Hdsm估算AGB的效果也優(yōu)于RR方法。

表4 基于植被指數(shù)使用PLSR和RR估算馬鈴薯AGBTable 4 Estimation of potato AGB using partial least squares regression and ridge regression based on vegetation indices

表5 基于植被指數(shù)結(jié)合HFI或Hdsm使用PLSR和RR估算馬鈴薯AGBTable 5 Estimation of potato AGB using partial least squares regression and ridgeregression based on vegetation indices combined with HFI or Hdsm

2.5 基于植被指數(shù)結(jié)合HFI和Hdsm估算AGB

將植被指數(shù)結(jié)合HFI和Hdsm作為模型輸入?yún)?shù)，同樣使用PLSR和RR方法構(gòu)建各生育期AGB估算模型，其結(jié)果見(jiàn)表6所示。從表6可以看出，整個(gè)生育期基于VIs+Hdsm+HFI使用2種方法估算AGB效果變化趨勢(shì)(先好后變差)與表4和表5結(jié)果相一致，其中基于融合所有特征為變量得到的估算結(jié)果最出色(表6)。2種方法也均在塊莖增長(zhǎng)期達(dá)到最佳估算精度(PLSR： 建模R2=0.73，NRMSE=15.22%； 驗(yàn)證R2=0.75，NRMSE=14.62%。RR： 建模R2=0.69，NRMSE=15.56%； 驗(yàn)證R2=0.71，NRMSE=15.47%)。各生育期基于融合所有特征的PLSR-AGB模型的R2分別提高7.69%和2.94%，7.35%和1.38%，4.83%和3.17，RR-AGB模型的R2分別提高10%和6.45%，6.15%和2.99%，10.34%和4.9%(相較于表4)。分析表6建模和驗(yàn)證結(jié)果可知，馬鈴薯3個(gè)生長(zhǎng)期使用PLSR方法基于融合特征估算AGB效果也同樣優(yōu)于RR方法。

表6 基于植被指數(shù)結(jié)合HFI和Hdsm使用PLSR和RR估算馬鈴薯AGBTable 6 Estimation of potato AGB using partial least squares regression and ridgeregression based on vegetation indices combined with HFI and Hdsm

通過(guò)馬鈴薯3個(gè)生育期的無(wú)人機(jī)多光譜影像，結(jié)合GCP生成了試驗(yàn)田的DSM，提取了各生育期株高Hdsm，實(shí)測(cè)株高和Hdsm擬合的R2為0.87，證實(shí)了基于DSM提取的Hdsm效果較優(yōu)，此結(jié)論與他人提取作物株高的研究基本相同[5]。但是，基于無(wú)人機(jī)多光譜影像提取的馬鈴薯株高相比于實(shí)測(cè)株高偏小，這是因?yàn)槎喙庾V傳感器獲取的是馬鈴薯冠層數(shù)據(jù)，而地面實(shí)測(cè)的株高最高點(diǎn)位置在生成3D點(diǎn)云時(shí)被去除，導(dǎo)致基于DSM提取的Hdsm較小； 另外，獲取的多光譜影像中包含一些裸土像元，在提取Hdsm時(shí)也參與了運(yùn)算，這同樣會(huì)使提取的株高偏低。

將4個(gè)單波段的植被指數(shù)、 9個(gè)多波段組合的植被指數(shù)、 紅邊波段的3種高頻信息和Hdsm分別與AGB作相關(guān)性分析，結(jié)果表明各生育期的模型參數(shù)與AGB的相關(guān)性均達(dá)到0.01顯著水平，這說(shuō)明提取的各類參數(shù)都能夠反映作物的長(zhǎng)勢(shì)情況[1]。3個(gè)生育期的相關(guān)性均從塊莖形成期到淀粉積累期先升高后降低，這與馬鈴薯作物自身的生長(zhǎng)狀況相關(guān)。前期主要表現(xiàn)為馬鈴薯生殖器官發(fā)育，莖節(jié)和葉片不斷地增長(zhǎng)，當(dāng)進(jìn)入塊莖增長(zhǎng)期，馬鈴薯植株地上各部位的鮮重達(dá)到峰值，植被覆蓋度為整個(gè)生育期的最優(yōu)時(shí)期，此階段提取的冠層光譜反射率能夠真實(shí)反映作物AGB的變化情況。而生長(zhǎng)后期地上的同化物需要向地下塊莖轉(zhuǎn)移，基部葉片自下而上逐漸衰老變黃，馬鈴薯作物長(zhǎng)勢(shì)變差，植被覆蓋度也明顯降低，此時(shí)提取的光譜信息并不是馬鈴薯植株冠層真實(shí)的反射率，使得上述3種光譜參數(shù)與AGB的相關(guān)性降低。

以SVIs(x1)，MVIs(x2)，VIs結(jié)合Hdsm(x3)，VIs結(jié)合HFI(x4)，以及VIs結(jié)合Hdsm和HFI(x5)為模型輸入變量，使用PLSR和RR方法估算馬鈴薯各生育期的AGB。結(jié)果發(fā)現(xiàn)，基于5種變量使用同樣的方法構(gòu)建的模型效果變化趨勢(shì)，均從塊莖形成期到淀粉積累期先好后變差，這與模型參數(shù)和AGB的相關(guān)性變化趨勢(shì)相一致。各生育期以不同變量使用同樣的方法估算AGB的精度由高到低依次為x5>x4>x3>x2>x1，主要因?yàn)槿诤辖Y(jié)構(gòu)信息(HFI和Hdsm)解決了生育期效應(yīng)引起的植被指數(shù)飽和性問(wèn)題，提高了模型預(yù)測(cè)能力，這與劉楊等[14]得到的結(jié)論一致。相較于單波段植被指數(shù)(x1)估算模型，基于多波段組合植被指數(shù)(x2)構(gòu)建的模型精度和穩(wěn)定性都較優(yōu)，主要因?yàn)橥ㄟ^(guò)多波段組合的植被指數(shù)能夠去除或者降低背景土壤對(duì)馬鈴薯冠層光譜信息的影響，增強(qiáng)了植被指數(shù)與AGB的敏感性(表3)，以此提高了AGB估算精度，如Bispo等[15]研究結(jié)果也認(rèn)為多波段組合的植被指數(shù)估算AGB效果較優(yōu)。當(dāng)采用波段組合的植被指數(shù)估算AGB時(shí)，大多通過(guò)綠、 紅和近紅外波段的反射率經(jīng)過(guò)波段運(yùn)算得到寬波段參數(shù)[15]，忽略了紅光波段與近紅外區(qū)域的紅邊參數(shù)，紅邊是植被特有的光譜特征，在整個(gè)生育期內(nèi)與作物參數(shù)敏感性較高，因此紅邊位置對(duì)于研究AGB的動(dòng)態(tài)變化非常重要[18]。然而，僅僅通過(guò)植被指數(shù)估算作物不同生育期的AGB，隨著生育期的推進(jìn)，植被指數(shù)會(huì)出現(xiàn)飽和的現(xiàn)象，這會(huì)造成估算AGB不準(zhǔn)確[4]。因此，將提取紅邊波段的3種高頻信息(HFI)和作物株高(Hdsm)一起融入到植被指數(shù)中形成新的模型因子來(lái)估算各生育期的AGB，結(jié)果表明結(jié)合作物光譜信息和結(jié)構(gòu)信息構(gòu)建的模型精度最高，穩(wěn)定性最強(qiáng)(表6)，這與Li等[1]和Yang等[3]研究作物理化參數(shù)結(jié)果一致，都表明融入作物結(jié)構(gòu)信息能夠解決植被指數(shù)造成的低估現(xiàn)象。

為了減弱模型參數(shù)之間的自相關(guān)性，使用PLSR和RR方法構(gòu)建各生育期AGB估算模型，探究了這2種方法估算AGB的效果。結(jié)果表明每種變量以PLSR方法構(gòu)建的模型R2較大，NRMSE較小，說(shuō)明此方法估算效果要優(yōu)于RR方法，這與Tao等[17]和Yue等[19]研究冬小麥AGB結(jié)果一致，都證明PLSR方法估算效果較優(yōu)。綜上，研究作物不同生育期AGB時(shí)，模型參數(shù)類別和建模方法的選取對(duì)構(gòu)建AGB估算模型的精度影響不同。因此利用無(wú)人機(jī)多光譜遙感技術(shù)估算作物AGB時(shí)，模型參數(shù)的適用性和建模方法的篩選還需要進(jìn)一步研究。此外，還需要獲取不同年限和不同地點(diǎn)的馬鈴薯冠層光譜數(shù)據(jù)對(duì)模型的外推性進(jìn)行驗(yàn)證，以便得到一個(gè)更具有代表性的AGB估算模型。

3 結(jié) 論

(1)基于無(wú)人機(jī)多光譜影像提取的Hdsm與馬鈴薯實(shí)測(cè)株高之間有較高的擬合性(R2=0.87，NRMSE=14.34%)，表明提取的Hdsm精度可靠。

(2)選取的4個(gè)單波段植被指數(shù)、 9個(gè)多波段組合的植被指數(shù)、 紅邊波段的3種高頻信息和提取的Hdsm與AGB相關(guān)性均達(dá)到0.01顯著水平，各種變量與AGB的相關(guān)性變化趨勢(shì)保持一致，均從塊莖形成期到淀粉積累期先升高后降低。塊莖形成期，相關(guān)系數(shù)最高的模型變量為RVI(r=0.750)，塊莖增長(zhǎng)期和淀粉積累期，相關(guān)系數(shù)最高的模型變量均為GNDVI(r=0.762和0.759)。

(3)各生育期以5種變量使用相同的回歸方法估算馬鈴薯AGB，從塊莖形成期到淀粉積累期估算效果先好后變差，其中估算精度由高到低依次為x5>x4>x3>x2>x1。

(4)各生育期使用PLSR以不同變量估算AGB的效果要優(yōu)于RR方法，其中在塊莖增長(zhǎng)期使用PLSR結(jié)合x(chóng)5變量估算馬鈴薯AGB，精度達(dá)到最高(建模R2=0.73，NRMSE=15.22%； 驗(yàn)證R2=0.75，NRMSE=14.62%)。