利用無(wú)人機(jī)多光譜估算小麥葉面積指數(shù)和葉綠素含量

劉 濤，張 寰，王志業(yè)，賀 超，張全國(guó)，焦有宙

利用無(wú)人機(jī)多光譜估算小麥葉面積指數(shù)和葉綠素含量

劉 濤1,2，張 寰1，王志業(yè)2，賀 超1，張全國(guó)1，焦有宙1※

（1. 河南農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，鄭州 450002；2. 河南財(cái)經(jīng)政法大學(xué)資源與環(huán)境學(xué)院，鄭州 450002）

利用無(wú)人機(jī)遙感的方式進(jìn)行農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)是目前精準(zhǔn)農(nóng)業(yè)、智慧農(nóng)業(yè)發(fā)展的重要方向，為了探究無(wú)人機(jī)多光譜反演小麥葉面積指數(shù)（Leaf Area Index，LAI）和葉綠素含量的模型估算潛力，該研究在3個(gè)飛行高度（30、60、120 m）采集多光譜影像，通過(guò)使用全波段差值光譜指數(shù)（Difference Spectral Index，DSI）、比值光譜指數(shù)（Ratio Spectral Index，RSI）、歸一化光譜指數(shù)（Normalized Spectral Index，NDSI）和經(jīng)驗(yàn)植被指數(shù)與地面實(shí)測(cè)數(shù)據(jù)進(jìn)行相關(guān)性分析，獲得不同高度下的光譜指數(shù)與LAI和葉綠素含量的關(guān)系模型及其決定系數(shù)，以決定系數(shù)為依據(jù)分別構(gòu)建多元逐步回歸、偏最小二乘回歸和人工神經(jīng)網(wǎng)絡(luò)模型，分析不同飛行高度無(wú)人機(jī)多光譜反演小麥冠層LAI和葉綠素含量SPAD（Soil and Plant Analyzer Development）值的精度。結(jié)果表明：1）30 m高度下，綠-紅比值光譜指數(shù)與小麥LAI的相關(guān)性最高，相關(guān)系數(shù)為0.84；60 m高度下，紅-藍(lán)比值光譜指數(shù)與小麥葉綠素含量的相關(guān)性最高，相關(guān)系數(shù)為0.68；2）在60 m高度下，經(jīng)驗(yàn)植被指數(shù)與小麥LAI和葉綠素含量的相關(guān)性較好, 最大相關(guān)系數(shù)分別為0.77和0.50；3）利用偏最小二乘回歸反演小麥LAI的精度最高，決定系數(shù)為0.732，均方根誤差為0.055；利用人工神經(jīng)網(wǎng)絡(luò)模型反演小麥葉綠素含量的精度最高，決定系數(shù)為0.804，均方根誤差0.135。該研究成果可為基于無(wú)人機(jī)平臺(tái)的高通量作物監(jiān)測(cè)提供理論依據(jù)，并為篩選無(wú)人機(jī)多光譜波段實(shí)現(xiàn)作物長(zhǎng)勢(shì)參數(shù)快速估測(cè)提供應(yīng)用參考。

無(wú)人機(jī)；多光譜；光譜指數(shù)；小麥；葉面積指數(shù)；葉綠素含量

0 引 言

近年來(lái)，無(wú)人機(jī)（Unmanned Aerial Vehicle, UAV）技術(shù)的發(fā)展大大推動(dòng)了作物植被、水、土壤等農(nóng)林生態(tài)環(huán)境要素信息的及時(shí)快速獲取和長(zhǎng)時(shí)序動(dòng)態(tài)監(jiān)測(cè)。相比于衛(wèi)星遙感、航空遙感的數(shù)據(jù)獲取方式，無(wú)人機(jī)具有機(jī)動(dòng)靈活、便捷性強(qiáng)、數(shù)據(jù)采集成本低、影像分辨率高等優(yōu)點(diǎn)，無(wú)人機(jī)遙感影像正逐步成為智慧農(nóng)林業(yè)發(fā)展的主要數(shù)據(jù)來(lái)源。通過(guò)在無(wú)人機(jī)上搭載的高光譜相機(jī)可獲取更豐富的多維度影像數(shù)據(jù)，能夠?qū)崿F(xiàn)定量反演植株數(shù)量[1-2]、株高[3-4]、倒伏率[5-6]等作物表型信息及葉面積指數(shù)[7-9]、葉綠素[10-13]、氮元素含量[14-15]、病蟲害[16-19]等理化參量信息，相比于RGB三波段的影像數(shù)據(jù)具有更高的反演精度。然而，高光譜成像儀的設(shè)備價(jià)格高，體積和質(zhì)量大，數(shù)據(jù)獲取操作流程復(fù)雜，數(shù)據(jù)質(zhì)量易受到環(huán)境影響等因素制約其普及化應(yīng)用。相比于高光譜影像，無(wú)人機(jī)多光譜影像可看作是篩選、提取特征波段后的高光譜數(shù)據(jù)，理論上具有與高光譜影像等效的定量反演能力。此外，采集無(wú)人機(jī)多光譜影像具有成本低、飛控流程簡(jiǎn)單等優(yōu)點(diǎn)。因此，研究基于無(wú)人機(jī)多光譜的農(nóng)作物長(zhǎng)勢(shì)參量獲取與精準(zhǔn)反演具有重要的理論意義和應(yīng)用價(jià)值。

葉面積指數(shù)（Leaf Area Index，LAI）和葉綠素含量是體現(xiàn)作物長(zhǎng)勢(shì)狀況的重要特征參量，其中LAI主要表征作物的冠層結(jié)構(gòu)，其值大小與生物量、作物產(chǎn)量有密切關(guān)系，是反映作物群體生長(zhǎng)狀況的重要指標(biāo)；葉綠素含量與作物葉片的光合能力有關(guān)，是作物與外界環(huán)境進(jìn)行物質(zhì)和能量交換的基礎(chǔ)，其值大小能夠體現(xiàn)作物的生長(zhǎng)狀態(tài)和健康程度。目前，已有大量研究開展了基于無(wú)人機(jī)多光譜的作物植被LAI及葉綠素含量反演的工作。例如，杭艷紅等[7]利用大疆M600Pro六旋翼無(wú)人機(jī)搭載美國(guó)MicaSense RedEdgeTM 3專業(yè)多光譜相機(jī)，針對(duì)水稻LAI進(jìn)行估算，提出結(jié)合植被指數(shù)、紋理特征、作物覆蓋度等多特征的水稻LAI估算模型具有較好的精度。孫詩(shī)睿[9]等充分利用多光譜傳感器中的紅邊通道對(duì)植被指數(shù)進(jìn)行改進(jìn)，使用灰色關(guān)聯(lián)分析方法篩選植被指數(shù)，發(fā)現(xiàn)基于隨機(jī)森林的冬小麥LAI反演模型精度較高。周敏姑等[12]基于團(tuán)隊(duì)研發(fā)的六旋翼無(wú)人機(jī)搭載美國(guó)MicaSense RedEdge-M專業(yè)多光譜相機(jī)對(duì)不同時(shí)期的冬小麥葉綠素含量SPAD（Soil and Plant Analyzer Development）值進(jìn)行了反演預(yù)測(cè)，闡明小麥在不同時(shí)期的冠層反射率與SPAD的相關(guān)程度不同，基于逐步回歸法構(gòu)建小麥抽穗期預(yù)測(cè)模型效果較優(yōu)。毛智慧等[13]將兩種小型多光譜傳感器（MAC和Sequoia）搭載到六旋翼無(wú)人機(jī)，在獲取大田玉米花期的多光譜影像數(shù)據(jù)基礎(chǔ)上，開展了不同波段反射率對(duì)葉綠素含量（SPAD值）的敏感性，利用光譜指數(shù)預(yù)測(cè)SPAD值精度及穩(wěn)定性等方面的研究，結(jié)果表明：無(wú)人機(jī)多光譜遙感技術(shù)預(yù)測(cè)大田玉米的SPAD值精度較高，但不同的多光譜傳感器表現(xiàn)出較大的性能差異。

大多數(shù)已有研究沒(méi)有考慮到無(wú)人機(jī)飛行高度對(duì)作物L(fēng)AI、葉綠素含量等長(zhǎng)勢(shì)參量反演精度的影響?；谛l(wèi)星影像的作物參量反演結(jié)果表明，并不是影像分辨率越高，越有利于植被參量的反演精度提升[20-21]。區(qū)域種植面積、特征波段、作物尺度大小等因素都會(huì)對(duì)反演精度產(chǎn)生影響。蘇偉等[22]考慮到玉米冠層LAI和葉綠素含量反演的尺度效應(yīng)，使用重采樣的方法對(duì)原始影像處理得到不同分辨率下的無(wú)人機(jī)影像數(shù)據(jù)，通過(guò)將不同分辨率影像提取的植被指數(shù)與地面實(shí)測(cè)數(shù)據(jù)建立回歸模型，得到了用于反演玉米冠層LAI和葉綠素的最優(yōu)空間分辨率和植被指數(shù)。然而，這種基于圖像重采樣方法模擬出的不同分辨率影像數(shù)據(jù)，容易受到原始數(shù)據(jù)質(zhì)量不高、降采樣高斯權(quán)重隨機(jī)參數(shù)等方面的影響。利用重采樣模擬得到多分辨率影像并不能完全等同于無(wú)人機(jī)在多個(gè)飛行高度下采集到的真實(shí)影像。因此，采集多個(gè)飛行高度下的無(wú)人機(jī)影像數(shù)據(jù)，研究不同飛行高度對(duì)作物長(zhǎng)勢(shì)參量反演精度的影響是非常必要的。

本論文以河南地區(qū)小麥為研究對(duì)象，在獲取3個(gè)飛行高度無(wú)人機(jī)多光譜影像和地面實(shí)測(cè)數(shù)據(jù)的基礎(chǔ)上，分別計(jì)算差值光譜指數(shù)、比值光譜指數(shù)、歸一化光譜指數(shù)和經(jīng)驗(yàn)植被指數(shù)，研究光譜指數(shù)與小麥LAI、葉綠素含量（SPAD值）之間的相關(guān)關(guān)系及其估測(cè)精度，旨在探明不同飛行高度對(duì)小麥LAI和SPAD值估測(cè)中的影響，為后續(xù)開展便捷、快速的冬小麥長(zhǎng)勢(shì)監(jiān)測(cè)技術(shù)提供科學(xué)參考。

1 數(shù)據(jù)和方法

1.1 無(wú)人機(jī)影像獲取

冬小麥試驗(yàn)田布置在河南省原陽(yáng)縣河南農(nóng)業(yè)大學(xué)試驗(yàn)基地（113°56′ E， 35°6′ N），如圖1所示，該基地位于華北平原南端的豫北平原，屬暖溫帶大陸性季風(fēng)氣候，光熱充足，年平均日照時(shí)間1 925.1 h，年平均降水量615.1 mm，土壤肥沃，地形平坦，以種植冬小麥和夏玉米為主，當(dāng)年10月份進(jìn)行冬小麥播種，次年6月初收獲。本試驗(yàn)區(qū)域東西長(zhǎng)139 m，南北長(zhǎng)105.7 m，航向由東向西，種植不同品種類別冬小麥，主要用于表型到基因的小麥育種篩選。

無(wú)人機(jī)遙感影像獲取時(shí)間為2020年12月26日，采用大疆精靈4多光譜版一體化無(wú)人機(jī)（Phantom4-M，P4M）獲取小麥冠層多光譜影像數(shù)據(jù)。該設(shè)備集成1個(gè)可見(jiàn)光傳感器通道和5個(gè)多光譜傳感器通道（藍(lán)光、綠光、紅光、紅邊和近紅外），每次拍攝可獲得6張影像且每張影像具有200萬(wàn)以上像素分辨率，最高飛行速度14 m/s，最大續(xù)航時(shí)間27 min，搭配有TimeSync時(shí)間同步系統(tǒng)，可獲得厘米級(jí)定位精度，此外P4M頂部集成光強(qiáng)傳感器，可捕捉太陽(yáng)輻照度數(shù)據(jù)用于影像的光照補(bǔ)償，排除環(huán)境光對(duì)數(shù)據(jù)的干擾，提高不同時(shí)段采集數(shù)據(jù)的準(zhǔn)確度與一致性。試驗(yàn)利用DJI Terra軟件進(jìn)行無(wú)人機(jī)航線規(guī)劃，分別設(shè)置3個(gè)飛行高度：30、60和120 m，航向和旁向重疊率均為80%，3個(gè)高度下采集影像數(shù)分別為2 124、552和258張，影像分辨率分別為1.6、3.2和6.4 cm/像素。使用Pix4D mapper軟件進(jìn)行影像拼接，可獲得不同飛行高度下的RGB和單波段正射影像。將5個(gè)波段的多光譜正射影像導(dǎo)入ENVI軟件進(jìn)行波段合成，使用快速輻射校正工具將像素DN值轉(zhuǎn)換為反射率。

1.2 地面實(shí)測(cè)數(shù)據(jù)獲取

無(wú)人機(jī)獲取影像的同時(shí)，在研究區(qū)域內(nèi)選擇均勻分布的84個(gè)采樣點(diǎn)，分別測(cè)量小麥冠層葉片的葉綠素含量和葉面積指數(shù)。葉綠素的測(cè)量使用SPAD-502Puls 葉綠素儀（日本，柯尼卡美能達(dá)）；葉面積指數(shù)LAI獲取使用直接測(cè)量法，根據(jù)其定義，制作10 cm×10 cm大小的單位框，測(cè)量框內(nèi)葉片的總面積除以框面積即為L(zhǎng)AI值。利用千尋位置（www.qxwz.com）提供的厘米級(jí)差分定位服務(wù)，記錄RTK移動(dòng)站獲取的采樣點(diǎn)編號(hào)和位置信息。對(duì)于每個(gè)采樣點(diǎn)選擇一株代表性的冬小麥，首先記錄該采樣點(diǎn)的絕對(duì)位置信息；其次，使用SPAD葉綠素儀測(cè)量冠層葉片的相對(duì)葉綠素含量，每片葉進(jìn)行3～5次觀測(cè)，取其平均值作為最終的測(cè)量結(jié)果；再次，對(duì)每片葉拓印其外部輪廓到A4白紙，利用臺(tái)式掃描儀和fiji-win64圖像處理軟件計(jì)算得到LAI值。

1.3　光譜指數(shù)構(gòu)建與選擇

植被光譜指數(shù)是指根據(jù)植被的光譜吸收特性，將遙感影像不同波段反射率之間進(jìn)行線性或非線性組合形成的無(wú)量綱指標(biāo)參數(shù)，能夠體現(xiàn)植被在可見(jiàn)光、近紅外波段反射與土壤背景之間差異[1]，是對(duì)地表植被狀況簡(jiǎn)單、有效的經(jīng)驗(yàn)度量。由于小麥葉綠素（SPAD值）、LAI等長(zhǎng)勢(shì)參數(shù)信息提取存在尺度效應(yīng)[20-22]，本試驗(yàn)分別在3個(gè)飛行高度采集多光譜影像數(shù)據(jù)，探究不同影像分辨率對(duì)植被參量反演精度的影響。針對(duì)每個(gè)飛行高度獲取的5個(gè)波段的多光譜正射影像數(shù)據(jù)，如參考文獻(xiàn)[19]，分別計(jì)算任意兩波段間的差值光譜指數(shù)（Difference Spectral Index，DSI）、比值光譜指數(shù)（Ratio Spectral Index，RSI）和歸一化光譜指數(shù)（Normalized Spectral Index，NDSI），計(jì)算過(guò)程如公式（1）～（3）所示：

式中R、R分別表示藍(lán)、綠、紅、紅邊和近紅外波段中的任意兩不同波段。此外，已有參考文獻(xiàn)指出，植被的LAI、葉綠素含量與EVI[23]、OSAVI[24]、GCI[22]、MTVI2[25]、CIRE[26]等光譜指數(shù)密切相關(guān)。因此，本文研究還選取5種經(jīng)驗(yàn)植被光譜指數(shù)構(gòu)建模型，具體計(jì)算公式如表1所示。

表1 經(jīng)驗(yàn)植被光譜指數(shù)及計(jì)算公式

注：表中B、G、R、RE、NIR分別表示藍(lán)、綠、紅、紅邊、近紅外波段光譜反射率。下同。

Note:B,G,R,RE andNIR in the table represent the spectral reflectance of blue, green, red, red edge and near infrared bands respectively. Same below.

1.4 模型構(gòu)建與精度檢驗(yàn)

本研究基于計(jì)算得到的3類光譜指數(shù)（差值、比值和歸一化）和選擇的5種經(jīng)驗(yàn)光譜指數(shù)，分析光譜指數(shù)與LAI、葉綠素的相關(guān)性，依據(jù)決定系數(shù)（coefficient of determination，2）和均方根誤差（Root Mean Square Error，RMSE）篩選出最優(yōu)的光譜指數(shù)，分別使用多元線性逐步回歸模型（Multiple Linear Stepwise Regression，MLSR）、偏最小二乘回歸模型（Partial Least Squares Regression，PLSR）和BP神經(jīng)網(wǎng)絡(luò)模型（Back Propagation neural network，BP）對(duì)LAI和葉綠素含量進(jìn)行估算。其中，多元線性逐步回歸具有較為合理的自變量篩選機(jī)制，能夠消除本研究中較多的微小變量對(duì)結(jié)果的影響；偏最小二乘回歸集成了主成分分析、線性相關(guān)分析和線性回歸的優(yōu)點(diǎn)，通過(guò)循環(huán)迭代可以保留多個(gè)光譜指數(shù)自變量之間最大的變異；人工神經(jīng)網(wǎng)絡(luò)算法具有強(qiáng)大的非線性擬合能力，通過(guò)更新網(wǎng)絡(luò)權(quán)重參數(shù)，可以構(gòu)建從光譜指數(shù)到植被參量的非線性預(yù)測(cè)結(jié)果。本文使用包含1個(gè)輸入層、10個(gè)隱藏層、1個(gè)輸出層，學(xué)習(xí)率為0.01的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)估算小麥LAI和葉綠素含量。

2 結(jié)果與分析

2.1 LAI與葉綠素含量的相關(guān)性分析

已有研究表明植被LAI、葉綠素含量?jī)蓚€(gè)指標(biāo)可用來(lái)判斷作物的綜合長(zhǎng)勢(shì)和健康狀況，二者在數(shù)值上具有一定的相關(guān)性。為了表明本文基于無(wú)人機(jī)多光譜的小麥LAI和葉綠素含量SPAD值估算有效性和預(yù)測(cè)精度的差異性，首先需要進(jìn)行實(shí)地采樣點(diǎn)LAI值和SPAD值的相關(guān)性分析，試驗(yàn)結(jié)果如圖2所示?？梢钥闯?，小麥植株的葉面積指數(shù)與葉綠素含量存在明顯的非線性關(guān)系，當(dāng)小麥冠層葉面積指數(shù)較小時(shí)，隨著葉面積指數(shù)的增加，葉綠素含量也隨之增加；當(dāng)葉面積指數(shù)增加到一定數(shù)值后，葉綠素含量不會(huì)產(chǎn)生太大變化。利用非線性擬合的方式構(gòu)建回歸模型，模型的判定系數(shù)為0.58，表明這葉面積指數(shù)和葉綠素含量這兩種長(zhǎng)勢(shì)參量之間存在復(fù)雜的關(guān)系，不能簡(jiǎn)單地通過(guò)測(cè)量一個(gè)指標(biāo)參數(shù)去估算另一個(gè)指標(biāo)參數(shù)。

2.2 光譜指數(shù)與LAI的相關(guān)性分析

利用建模數(shù)據(jù)集中實(shí)測(cè)的LAI值分別與3個(gè)飛行高度下的差值光譜指數(shù)、比值光譜指數(shù)、歸一化光譜指數(shù)進(jìn)行相關(guān)性分析，計(jì)算結(jié)果如表2所示?？梢钥闯觯w行高度對(duì)光譜指數(shù)與LAI的相關(guān)性有顯著影響，30 m飛行高度下，比值指數(shù)RSI2,3與LAI的相關(guān)性最強(qiáng)，相關(guān)系數(shù)達(dá)到0.84；60 m飛行高度下，比值指數(shù)RSI4,3與LAI的相關(guān)系數(shù)最高為0.77；120 m飛行高度下，比值指數(shù)RSI4,3與LAI的相關(guān)系數(shù)最高為0.66。原因在于飛行高度直接決定影像的分辨率，越高的影像分辨率越有利于識(shí)別小麥冠層葉片數(shù)量及大小，進(jìn)而有助于總體LAI反演。相比于其他兩類光譜指數(shù)，比值光譜指數(shù)與小麥LAI具有最好的相關(guān)性和穩(wěn)定性，紅-綠、紅-紅邊和紅-近紅外等波段組合的比值光譜指數(shù)均能很好地反映小麥冠層LAI的變化。

對(duì)經(jīng)驗(yàn)植被指數(shù)EVI、OSAVI、GCI、MTVI2、CIRE與不同高度下實(shí)測(cè)的LAI進(jìn)行相關(guān)性分析，結(jié)果如表3所示?？梢钥闯觯诓煌直媛氏绿崛〉降闹脖恢笖?shù)與LAI的相關(guān)程度不同，并不是影像分辨率越高，相關(guān)性越強(qiáng)；植被指數(shù)EVI、OSAVI、GCI、MTVI2在飛行高度60 m時(shí)與LAI的相關(guān)程度最高，相關(guān)系數(shù)分別為0.75、0.73、0.77、0.77。原因是這些經(jīng)驗(yàn)植被指數(shù)主要體現(xiàn)冠層特征的群體參量，當(dāng)飛行高度為30 m時(shí)，影像的分辨率約為1.6 cm/像素，可能導(dǎo)致采樣點(diǎn)像素聚集在同一個(gè)葉片，進(jìn)而不能體現(xiàn)整體葉面積與空隙的相對(duì)比率大?。划?dāng)飛行高度為120 m時(shí)，影像分辨率下降約為6.4 cm/像素，采樣區(qū)域內(nèi)存在的裸土容易造成混合像元現(xiàn)象，導(dǎo)致植被指數(shù)反演準(zhǔn)確性降低。植被指數(shù)CIRE在3個(gè)高度下均與實(shí)測(cè)LAI值不顯著相關(guān)，相關(guān)系數(shù)小于0.3，原因可能是參照以往經(jīng)驗(yàn)定義的CIRE主要用于反演植被的葉綠素含量[26]，與LAI的相關(guān)度不高。

表2 光譜指數(shù)與LAI相關(guān)性篩選結(jié)果

注：表中下標(biāo)1、2、3、4、5分別表示藍(lán)、綠、紅、紅邊、近紅外波段。DSI為差值光譜指數(shù)；RSI為比值光譜指數(shù)；NDSI為歸一化光譜指數(shù)。下同。

Note: Subscripts 1, 2, 3, 4 and 5 in the table represent blue, green, red, red edge and near infrared bands respectively. DSI is difference spectral index; RSI is ratio spectral index; NDSI is normalized spectral index. Same below.

2.3 光譜指數(shù)與葉綠素含量的相關(guān)性分析

利用建模數(shù)據(jù)集中野外的實(shí)測(cè)葉綠素含量SPAD值，分別與3個(gè)飛行高度下的提取到的差值光譜指數(shù)、比值光譜指數(shù)、歸一化光譜指數(shù)進(jìn)行統(tǒng)計(jì)分析，分析冠層葉綠素含量與各光譜指數(shù)的相關(guān)性，試驗(yàn)結(jié)果如表4所示?？梢钥闯觯翰煌w行高度下，比值光譜指數(shù)RSI3,1與葉綠素SPAD的相關(guān)程度均為最優(yōu)，30、60 m飛行高度下的相關(guān)程度接近，60 m高度下的相關(guān)系數(shù)最高，相關(guān)系數(shù)為0.68；120 m飛行高度下，光譜指數(shù)與小麥冠層SPAD的相關(guān)程度顯著降低，原因可能是葉綠素含量受像元純凈度、混合像元的影響。與葉綠素顯著相關(guān)波段主要集中在紅-藍(lán)、紅-綠，紅邊、近紅外波段組合與實(shí)測(cè)葉綠素含量的相關(guān)性低于0.3，進(jìn)一步說(shuō)明冬小麥越冬期的葉綠素含量對(duì)紅光、綠光、藍(lán)光等波段敏感。

表4 光譜指數(shù)和SPAD相關(guān)性篩選結(jié)果

對(duì)經(jīng)驗(yàn)植被指數(shù)EVI、OSAVI、GCI、MTVI2、CIRE與不同高度下實(shí)測(cè)的小麥冠層SPAD進(jìn)行相關(guān)性分析，結(jié)果如表5所示?？梢钥闯觯?jīng)驗(yàn)植被指數(shù)EVI、OSAVI、GCI、MTVI2與SPAD的相關(guān)程度在3個(gè)高度下表現(xiàn)出明顯不同，飛行高度為60 m條件下，相關(guān)程度最高，但最大相關(guān)系數(shù)僅為0.50，說(shuō)明經(jīng)驗(yàn)光譜指數(shù)在不同遙感數(shù)據(jù)上的反演結(jié)果會(huì)產(chǎn)生較大差異，利用此無(wú)人機(jī)獲取的多光譜影像并不能體現(xiàn)出此5種經(jīng)驗(yàn)光譜指數(shù)對(duì)小麥葉綠素含量的線性相關(guān)程度。

表5 經(jīng)驗(yàn)光譜指數(shù)和SAPD相關(guān)性分析

2.4 模型估算與評(píng)價(jià)

本文根據(jù)相關(guān)系數(shù)值的大小，將優(yōu)選后的光譜指數(shù)分別構(gòu)建預(yù)測(cè)LAI和葉綠素SPAD值的多元線性回歸模型、偏最小二乘回歸模型和人工神經(jīng)網(wǎng)絡(luò)模型。由于原始數(shù)據(jù)量較少、單位不統(tǒng)一，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，主要包括歸一化LAI和SPAD值相對(duì)大小、對(duì)數(shù)據(jù)進(jìn)行隨機(jī)劃分增加樣本量等。

利用多元線性回歸模型估算小麥LAI和葉綠素SPAD值的結(jié)果如表6所示，可以看出，在30 m飛行高度下MLSR預(yù)測(cè)LAI的精度最高（2=0.701，RMSE=0.054）；在60 m飛行高度下，MLSR預(yù)測(cè)SPAD的精度最高（2=0.690，RMSE=0.133）。表明多元線性回歸模型適合在更高分辨率的多光譜影像上進(jìn)行LAI的反演制圖，對(duì)于葉綠素的反演制圖，并不是越高的分辨率效果越好。多元線性回歸模型在驗(yàn)證集上的性能如圖3所示，可以看出MLSR在30 m高度下預(yù)測(cè)小麥LAI和60 m高度下預(yù)測(cè)SPAD的結(jié)果均較好，驗(yàn)證集的散點(diǎn)空間分布接近1:1線。

利用偏最小二乘回歸方法估算小麥LAI和葉綠素的結(jié)果如表7所示，可以看出，在30 m飛行高度下，利用PLSR模型對(duì)LAI和SPAD的擬合精度均為最高，并且高于MLSR模型，決定系數(shù)分別為0.732和0.710；60 m飛行高度下，PLSR模型的預(yù)測(cè)LAI的精度與MLSR模型的精度相當(dāng)，決定系數(shù)均為0.638，PLSR模型的預(yù)測(cè)SAPD的精度略低于MLSR模型；120 m飛行高度下，PLSR模型預(yù)測(cè)LAI的精度低于MLSR模型，PLSR模型的預(yù)測(cè)SAPD的精度略高于MLSR模型。這表明在較高相關(guān)性（>0.6）光譜指數(shù)條件下，利用主成分建?？梢蕴嵘Ｐ途?，低相關(guān)性水平下（<0.5）利用變量的主成分建模會(huì)降低模型精度。利用最優(yōu)PLSR模型在驗(yàn)證集上預(yù)測(cè)小麥LAI和SPAD的結(jié)果如圖3所示，可以看出驗(yàn)證集的散點(diǎn)空間分布接近1:1線。

本文使用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)3個(gè)高度下光譜反射率和實(shí)測(cè)數(shù)據(jù)進(jìn)行建模，并進(jìn)行試驗(yàn)驗(yàn)證。首先將訓(xùn)練集中5個(gè)波段的原始光譜反射率作為神經(jīng)元輸入，構(gòu)建小麥LAI值和SPAD值的估算模型；利用測(cè)試集中的實(shí)測(cè)數(shù)據(jù)與模型估算數(shù)據(jù)進(jìn)行比較，結(jié)果如圖3所示。通過(guò)對(duì)比MLSR、PLSR模型的結(jié)果可以看出，利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)小麥LAI的精度最低（2為0.571），預(yù)測(cè)小麥SPAD的精度（2為0.804）高于MLSR、PLSR模型。進(jìn)一步表明，相比線性回歸模型，BP神經(jīng)網(wǎng)絡(luò)等非線性模型更有利于揭示植被葉綠素等生理生化復(fù)雜內(nèi)在參量的變化規(guī)律。

表6 多元線性逐步回歸估算LAI和SPAD

表7 偏最小二乘回歸估算LAI和SPAD

2.5 LAI和葉綠素含量反演制圖

根據(jù)前文的分析結(jié)果，小麥冠層LAI的最優(yōu)預(yù)測(cè)結(jié)果是在高度30 m條件下，利用偏最小二乘回歸模型取得的擬合精度和預(yù)測(cè)最好；小麥葉綠素含量SPAD值的最優(yōu)預(yù)測(cè)結(jié)果是在高度60 m條件下，利用BP神經(jīng)網(wǎng)絡(luò)模型取得預(yù)測(cè)精度最高。因此分別利用兩種最優(yōu)模型進(jìn)行小麥冠層LAI和葉綠素含量反演制圖，如圖4所示?？梢钥闯?，不同品種小麥在相同生長(zhǎng)環(huán)境下表現(xiàn)出的冠層葉面積指數(shù)、葉綠素含量差異較大，實(shí)驗(yàn)區(qū)域內(nèi)最小葉面積指數(shù)為0.2，最大葉面積指數(shù)為1.0；葉綠素含量SPAD值最小為5，最大為50。本文試驗(yàn)結(jié)果可為小麥育種表型參數(shù)高通量快速獲取提供數(shù)據(jù)參考。

3 結(jié) 論

1）根據(jù)無(wú)人機(jī)在不同飛行高度下構(gòu)建的光譜指數(shù)、經(jīng)驗(yàn)植被指數(shù)與小麥冠層LAI和葉綠素含量的統(tǒng)計(jì)關(guān)系可知：小麥冠層LAI與比值指數(shù)RSI2,3（綠波段/紅波段）相關(guān)性較大，與EVI、OSAVI、GCI、MTVI2等經(jīng)驗(yàn)植被指數(shù)相關(guān)性大于0.7，對(duì)于含有藍(lán)波段的光譜指數(shù)相關(guān)性較低，表明此時(shí)期的小麥冠層LAI對(duì)藍(lán)波段不敏感；小麥冠層葉綠素含量與藍(lán)、綠、紅3個(gè)波段的比值、差值光譜指數(shù)相關(guān)性較高，與紅邊、近紅外波段的光譜指數(shù)相關(guān)性較低，可以表明小麥葉綠素含量對(duì)紅邊、近紅外波段不敏感；

2）飛行高度在30、60和120 m條件下，利用3種模型對(duì)小麥冠層LAI和葉綠素含量SPAD的預(yù)測(cè)和反演精度有較大差別：LAI的最優(yōu)預(yù)測(cè)結(jié)果是在高度30 m條件下，利用偏最小二乘回歸模型取得；SPAD的最優(yōu)預(yù)測(cè)結(jié)果是在高度60 m條件下，利用BP神經(jīng)網(wǎng)絡(luò)模型取得。

[1] 趙必權(quán)，丁幼春，蔡曉斌，等. 基于低空無(wú)人機(jī)遙感技術(shù)的油菜機(jī)械直播苗期株數(shù)識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(19)：115-123.

Zhao Biquan, Ding Youchun, Cai Xiaobin, et al. Seedlings number identification of rape planter based on low altitude unmanned aerial vehicles remote sensing technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(19): 115-123. (in Chinese with English abstract)

[2] 劉帥兵，楊貴軍，周成全，等. 基于無(wú)人機(jī)遙感影像的玉米苗期株數(shù)信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(22)：69-77.

Liu Shuaibing, Yang Guijun, Zhou Chengquan, et al. Extraction of maize seedling number information based on UAV imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(22): 69-77. (in Chinese with English abstract)

[3] 董新宇，李家國(guó)，陳瀚閱，等. 無(wú)人機(jī)遙感影像林地單株立木信息提取[J]. 遙感學(xué)報(bào)，2019，23(6)：1269-1280.

Dong Xinyu, Li Jiaguo, Chen Hanyue, et al. 2019. Extraction of individual tree information based on remote sensing images from an Unmanned Aerial Vehicle[J]. Journal of Remote Sensing, 2019，23(6): 1269-1280 (in Chinese with English abstract)

[4] 陶惠林，徐良驥，馮海寬，等. 基于無(wú)人機(jī)數(shù)碼影像的冬小麥株高和生物量估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(19)：107-116.

Tao Huilin, Xu Liangji, Feng Haikuan, et al. Estimation of plantheight and biomass of winter wheat based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(19): 107-116. (in Chinese with English abstract)

[5] 李宗南，陳仲新，王利民，等. 基于小型無(wú)人機(jī)遙感的玉米倒伏面積提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30(19)：207-213.

Li Zongnan, Chen Zhongxin, Wang Limin, et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(19): 207-213. (in Chinese with English abstract)

[6] 劉占宇，王大成，李波，等. 基于可見(jiàn)光/近紅外光譜技術(shù)的倒伏水稻識(shí)別研究[J]. 紅外與毫米波學(xué)報(bào)，2009，28(5)：342-345.

Liu Zhanyu, Wang Dacheng, Li bo. Discrimination of lodged rice based on visible/near infrared spectroscopy[J]. Journal of Infrared & Millimeter Waves, 2009, 28(5): 342-345. (in Chinese with English abstract)

[7] 杭艷紅，蘇歡，于滋洋，等. 結(jié)合無(wú)人機(jī)光譜、紋理特征和覆蓋度的水稻葉面積指數(shù)估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(9)：64-71.

Hang Yanhong, Su Huan, Yu Ziyang, et al. Estimation of rice leaf area index combining UAV spectrum, texture features and vegetation coverage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(9): 64-71. (in Chinese with English abstract)

[8] 宋開山，張柏，王宗明，等. 基于人工神經(jīng)網(wǎng)絡(luò)的大豆葉面積高光譜反演研究[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2006，39(6)：1138-1145.

Song Kaishan, Zhang Bo, Wang Zongming. Soybean LAI estimation with in-situ collected hyperspectral data Based on BP-neural networks[J]. Scientia Agricultura Sinica, 2006, 39(6): 1138-1145. (in Chinese with English abstract)

[9] 孫詩(shī)睿，趙艷玲，王亞娟，等. 基于無(wú)人機(jī)多光譜遙感的冬小麥葉面積指數(shù)反演[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，24(11)：51-58.

Sun Shirui, Zhao Yanling, Wang Yajuan, et al. Lead area index inversion of winter wheat based on multispectral remote sensing of UAV[J]. Journal of China Agriculture University, 2019, 24(11): 51-58. (in Chinese with English abstract)

[10] 陶惠林，馮海寬，楊貴軍，等. 基于無(wú)人機(jī)成像高光譜影像的冬小麥LAI估測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51(1)：176-187.

Tao Huilin, Feng Haikuan, Yang Guijun, et al., Leaf Area Index estimation of winter wheat based on UAV imaging hyperspectral imagery[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(1): 176-187. (in Chinese with English abstract)

[11] 朱西存，趙庚星，王瑞燕，等. 蘋果葉片的高光譜特征及其色素含量監(jiān)測(cè)[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2010，43(6)：1189-1197.

Zhu Xicun, Zhao Gengxing, Wang Ruiyan, et al. Hyperspectral characteristics of apple leaves and their pigment contents monitoring[J]. Scientia Agricultura Sinica, 2010, 43(6): 1189-1197. (in Chinese with English abstract)

[12] 周敏姑，邵國(guó)敏，張立元，等. 無(wú)人機(jī)多光譜遙感反演冬小麥SPAD值[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(20)：125-133.

Zhou Mingu, Shao Guomin, Zhang Liyuan, et al. Inversion of SPAD value of winter wheat by multispectral remote sensing of unmanned aerial vehicles[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 125-133. (in Chinese with English abstract)

[13] 毛智慧，鄧?yán)?，孫杰，等. 無(wú)人機(jī)多光譜遙感在玉米冠層葉綠素預(yù)測(cè)中的應(yīng)用研究[J]. 光譜學(xué)與光譜分析，2018,38(9)：2923-2931.

Mao Zhihui, Deng Lei, Sun Jie, et al. Research on the application of UAV multispectral remote sensing in the maize chlorophyll prediction[J]. Spectroscopy and Spectral Analysis, 2018, 38(9): 2923-2931. (in Chinese with English abstract)

[14] 秦占飛，常慶瑞，謝寶妮，等. 基于無(wú)人機(jī)高光譜影像的引黃灌區(qū)水稻葉片全氮含量估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(23)：77-85.

Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 77-85. (in Chinese with English abstract)

[15] 劉帥兵，楊貴軍，景海濤，等. 基于無(wú)人機(jī)數(shù)碼影像的冬小麥氮含量反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(11)：75-85.

Liu Shuaibing, Yang Guijun, Jing Haitao, et al. Retrieval of winter wheat nitrogen content based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 75-85. (in Chinese with English abstract)

[16] 謝亞平，陳豐農(nóng)，張競(jìng)成，等. 基于高光譜技術(shù)的農(nóng)作物常見(jiàn)病害監(jiān)測(cè)研究[J]. 光譜學(xué)與光譜分析，2018，38(7)：2233-2240.

Xie Yaping, Chen Fengnong, Zhang Jingcheng, et al. Study on monitoring of common disease of crops based on hyperspectral technology[J]. Spectroscopy and Spectral Analysis, 2018, 38(7): 2233-2240. (in Chinese with English abstract)

[17] 趙晉陵，金玉，葉回春，等. 基于無(wú)人機(jī)多光譜影像的檳榔黃化病遙感監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(8)：54-61.

Zhao Jinling, Jin Yu, Ye Huichun, et al., Remote sensing monitoring of areca yellow leaf disease based on UAV multi-spectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 54-61. (in Chinese with English abstract)

[18] 孫鈺，周焱，袁明帥，等. 基于深度學(xué)習(xí)的森林蟲害無(wú)人機(jī)實(shí)時(shí)監(jiān)測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(21)：74-81.

Sun Yu, Zhou Yan, Yuan Mingshuai, et al. UAV real-time monitoring for forest pest based on deep learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 74-81. (in Chinese with English abstract)

[19] Liu T, Shi T, Zhang H, et al. Detection of rise damage by leaf folder () using unmanned aerial vehicle based hyperspectral data[J]. Sustainability, 2020, 12(22): 9343.

[20] 李小文，王祎婷. 定量遙感尺度效應(yīng)芻議[J]. 地理學(xué)報(bào)，2013,68(9)：5-11.

Li Xiaowen, Wang Yiting. Prospects on future developments of quantitative remote sensing[J]. Acta Geographica Sinica, 2013, 68(9): 5-11. (in Chinese with English abstract)

[21] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment, 2001, 76(2): 156-172.

[22] 蘇偉，王偉，劉哲，等. 無(wú)人機(jī)影像反演玉米冠層 LAI 和葉綠素含量的參數(shù)確定[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(19)：58-65.

Su Wei, Wang Wei, Liu Zhe, et al. Determining the retrieving parameters of corn canopy LAI and chlorophyll content computed using UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(19): 58-65. (in Chinese with English abstract)

[23] Verstraete M M, Pinty B, Myneni R B. Potential and imitations of information extraction on the terrestrial biosphere from satellite remote sensing[J]. Remote Sensing of Environment, 1996, 58(2): 201-214.

[24] Rondeaux G, Steven M, Baret F, Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95-107.

[25] Haboudane D, Miller J R, Pattey E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment, 2004, 90(3): 337-352.

[26] Gitelson A A, Vi?a A, Ciganda V, et al. Remote estimation of canopy chlorophyll content in crops[J]. Geophysical Research Letters, 2005, 32(8): 1-4.

Estimation of the leaf area index and chlorophyll content of wheat using UAV multi-spectrum images

Liu Tao1,2, Zhang Huan1, Wang Zhiye2, He Chao1, Zhang Quanguo1, Jiao Youzhou1※

(1.&,,450002,;2..,450002,)

Monitoring the crop growth by using Unmanned Aerial Vehicle (UAV) based remote sensing technique is one of important directions for the development of precision and smart agriculture in China. In recent years, the development of UAV technology has greatly promoted the timely and rapid acquisition and long-term dynamic monitoring of agricultural and forestry ecological environment elements such as crop vegetation, water and soil. Compared with the data acquisition methods of satellite remote sensing and aerial remote sensing, UAV has the advantages of flexibility, convenience, low data acquisition cost and high image resolution. UAV remote sensing image is gradually becoming the main data source for the development of intelligent agriculture and forestry. In order to explore the inversion potential of Leaf Area Index (LAI) and chlorophyll content (SPAD) of wheat from UAV multi-spectral images, the multispectral images at three levels of flight altitudes (30, 60 and 120 m) by using the DJI Phantom4-M UAV platform which integrated five multispectral sensors (blue, green, red, red edge and near infrared) and TimeSync time synchronization system were collected to achieve centimeter-level positioning accuracy with more than 2 million pixel resolution, in Yuanyang wheat breading based, Xinxiang City, Henan Province. Based on the collected multispectral images, four different kinds of spectral indexes including: DSI (Difference Spectral Index), Ratio Spectral Index (RSI), Normalized Spectral Index (NDSI) and Empirical Vegetation Index (EDVI) were used to compute the wheat canopy LAI and chlorophyll content (SPAD). The correlation analysis between different spectral index from different height UAV images and in-situ measured LAI and SPAD data were applied to select the optimal spectral index at different height. The Multiple Linear Stepwise Regression (MLSR), Partial Least Squares Regression (PLSR) and Back Propagation (BP) neural network model were constructed respectively for estimation of LAI and SPAD values. The experimental result showed that: 1) At 30 m height, the correlation coefficient between the green-red ratio spectral index and wheat LAI was the highest, with the value of 0.84. At the height of 60 m, the correlation coefficient between red-blue ratio spectral index and wheat chlorophyll content was the highest, with the value of 0.68. 2) At the height of 60 m, the correlation between EDVI and LAI and chlorophyll content of wheat were both good, and the maximum correlation coefficients were 0.77 and 0.50, respectively. 3) The accuracy of wheat LAI inversion using partial least squares regression was the highest, with a determination coefficient of 0.732 and a root mean square error of 0.055. The accuracy of chlorophyll content inversion using artificial neural network model is the highest, the determination coefficient is 0.804, and the root mean square error is 0.135. This study provides a theoretical basis for high-throughput crop monitoring based on UAV platform, and provides an application reference for selecting UAV multi-spectral bands to achieve rapid estimation of crop growth parameters.

UAV; multispectral; spectral index; wheat; leaf area index; chlorophyll content

劉濤，張寰，王志業(yè)，等. 利用無(wú)人機(jī)多光譜估算小麥葉面積指數(shù)和葉綠素含量[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(19)：65-72.doi：10.11975/j.issn.1002-6819.2021.19.008 http://www.tcsae.org

Liu Tao, Zhang Huan, Wang Zhiye, et al. Estimation of the leaf area index and chlorophyll content of wheat using UAV multi-spectrum images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(19): 65-72. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.19.008 http://www.tcsae.org

2021-06-29

2021-09-22

國(guó)家自然科學(xué)基金（41801376；52106240）；中國(guó)博士后科學(xué)基金（2020M682293）

劉濤，副教授，博士后，主要研究方向?yàn)檗r(nóng)業(yè)環(huán)境遙感監(jiān)測(cè)，定位導(dǎo)航與位置服務(wù)等。Email：liutao@huel.edu.cn

焦有宙，教授，博士生導(dǎo)師，研究方向?yàn)榭稍偕茉崔D(zhuǎn)化技術(shù)、廢棄物資源化利用技術(shù)。Email：jiaoyouzhou@126.com

10.11975/j.issn.1002-6819.2021.19.008

TP79

A

1002-6819(2021)-19-0065-08