基于多源無(wú)人機(jī)影像特征融合的冬小麥LAI估算

張東彥，韓宣宣，林芬芳，杜世州,4，張 淦，洪 琪

（1.安徽大學(xué)農(nóng)業(yè)生態(tài)大數(shù)據(jù)分析與應(yīng)用技術(shù)國(guó)家地方聯(lián)合工程研究中心，合肥 230601；2.南京信息工程大學(xué)遙感與 測(cè)繪工程學(xué)院，南京 210044；3.河南大學(xué)黃河中下游數(shù)字地理技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，開(kāi)封475004； 4.安徽省農(nóng)業(yè)科學(xué)院作物研究所，合肥 230001）

0 引 言

葉面積指數(shù)（Leaf Area Index, LAI）是反映農(nóng)作物長(zhǎng)勢(shì)的關(guān)鍵參數(shù)，與作物產(chǎn)量密切相關(guān)，因此快速、準(zhǔn)確監(jiān)測(cè)作物L(fēng)AI對(duì)于糧食生產(chǎn)意義重大。傳統(tǒng)的LAI測(cè)量主要是人工實(shí)地觀測(cè)，費(fèi)時(shí)費(fèi)力，還會(huì)造成作物損傷。目前，無(wú)人機(jī)遙感常用于作物生理生化參數(shù)反演，是作物L(fēng)AI監(jiān)測(cè)的有效方法。相比于衛(wèi)星遙感，無(wú)人機(jī)遙感具有體積小、操作靈活等特點(diǎn)，在當(dāng)前農(nóng)業(yè)研究中被廣泛應(yīng)用。

無(wú)人機(jī)搭載的傳感器通常有數(shù)碼相機(jī)、多光譜相機(jī)和高光譜相機(jī)等。國(guó)內(nèi)外研究者多利用可見(jiàn)光、多/高光譜及其計(jì)算的植被指數(shù)估測(cè)作物L(fēng)AI。文獻(xiàn)[11-12]利用可見(jiàn)光植被指數(shù)分別構(gòu)建玉米和甘蔗LAI估測(cè)模型，模型精度良好。然而，部分學(xué)者發(fā)現(xiàn)僅用可見(jiàn)光或多光譜植被指數(shù)估測(cè)LAI時(shí)會(huì)出現(xiàn)飽和現(xiàn)象，存在局限性。一些學(xué)者將可見(jiàn)光或多光譜植被指數(shù)與紋理特征結(jié)合估測(cè)作物L(fēng)AI、地上生物量、氮含量和葉綠素，效果好于單獨(dú)使用可見(jiàn)光或多光譜植被指數(shù)，主要是紋理特征含有作物空間信息，可對(duì)作物群體光譜信息進(jìn)行補(bǔ)充，延長(zhǎng)了植被指數(shù)模型估測(cè)LAI飽和點(diǎn)的位置。進(jìn)一步地，使用高光譜影像數(shù)據(jù)構(gòu)建模型估測(cè)LAI的研究中，文獻(xiàn)[20-21]使用高光譜植被指數(shù)構(gòu)建冬小麥和玉米LAI估測(cè)模型，估測(cè)效果良好；基于高光譜全波段及優(yōu)選波段構(gòu)建小麥LAI估測(cè)模型，支持向量回歸模型決定系數(shù)達(dá)到0.80。然而，上述高光譜數(shù)據(jù)在應(yīng)用中面臨著僅使用光譜波段或植被指數(shù)反演作物L(fēng)AI時(shí)精度難以提升的問(wèn)題。

近年來(lái)無(wú)人機(jī)多源遙感在作物參數(shù)研究中逐漸興起，已有研究表明基于多源影像特征融合監(jiān)測(cè)作物理化參數(shù)比單一影像特征更有優(yōu)勢(shì)。文獻(xiàn)[27-28]基于相關(guān)性分析篩選可見(jiàn)光、多/高光譜影像特征構(gòu)建多源作物L(fēng)AI估測(cè)模型，效果優(yōu)于單傳感器影像特征模型，文獻(xiàn)[29]基于隨機(jī)森林算法計(jì)算影像特征重要性篩選影像特征監(jiān)測(cè)玉米LAI，結(jié)果表明可見(jiàn)光影像特征融合多光譜影像特征構(gòu)建的隨機(jī)森林回歸模型效果最佳，決定系數(shù)達(dá)到0.81。由此得出，多源影像特征融合結(jié)合了不同傳感器優(yōu)勢(shì)，構(gòu)建的LAI估測(cè)模型效果更好。但是，上述LAI估測(cè)研究中，要么只關(guān)注影像特征與LAI相關(guān)性，要么僅強(qiáng)調(diào)影像特征的重要性，未同時(shí)考慮影像特征與LAI相關(guān)性及影像特征重要性，繼而選出最優(yōu)影像特征構(gòu)建多源遙感的LAI估測(cè)模型。此外，有學(xué)者指出，試驗(yàn)小區(qū)進(jìn)行20%～80%面積采樣時(shí)，構(gòu)建的大豆產(chǎn)量反演模型效果最好。因此，有必要探討多源無(wú)人機(jī)影像特征融合和不同影像采樣面積下的小麥LAI估算方法。

綜上，本研究以安徽省舒城縣和廬江縣為研究區(qū)，以無(wú)人機(jī)可見(jiàn)光影像及高光譜影像數(shù)據(jù)為基礎(chǔ)，以多元線性回歸、支持向量回歸和隨機(jī)森林回歸算法為研究方法，進(jìn)行小麥LAI估測(cè)研究，重點(diǎn)解決：1）影像特征融合與單源影像特征構(gòu)建小麥LAI估測(cè)模型對(duì)比分析；2）以單源影像特征為例，探討不同影像采樣面積對(duì)冬小麥LAI估測(cè)模型的影響。以期研究結(jié)果為無(wú)人農(nóng)場(chǎng)的田間管理提供參考，也為其他作物的LAI反演提供借鑒。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

研究區(qū)（圖1）位于安徽省合肥市廬江縣白湖農(nóng)場(chǎng)（北緯31°13′25.7″，東經(jīng)117°27′48.8″）和六安市舒城縣農(nóng)業(yè)科 學(xué) 研 究 所 試 驗(yàn) 基 地（北 緯 31°32′27.06″，東 經(jīng)116°59′38.16″）。兩地均設(shè)30個(gè)試驗(yàn)小區(qū)，每個(gè)小區(qū)12 m。供試小麥品種為江淮地區(qū)常規(guī)種植的“揚(yáng)麥13號(hào)”“寧麥13號(hào)”“揚(yáng)麥9號(hào)”“寧麥9號(hào)”“揚(yáng)麥15號(hào)”“揚(yáng)麥19號(hào)”“揚(yáng)麥22號(hào)”“皖西麥0638”“生選6號(hào)”和“揚(yáng)麥24號(hào)”，共10個(gè)品種。栽種采用隨機(jī)區(qū)組設(shè)計(jì)，每個(gè)品種隨機(jī)3次重復(fù)。所有小區(qū)采用相同種植密度（3×10株/hm）及施肥處理（純氮180 kg/hm，KO為120 kg/hm，PO為120 kg/hm），氮肥基追比為7:3，于返青期追施。

圖1 研究區(qū) Fig.1 Research area

1.2 數(shù)據(jù)獲取

于2019年4月24日（揚(yáng)花期）和2019年5月1日（灌漿期）選擇中午陽(yáng)光最強(qiáng)，微風(fēng)少云的時(shí)間段采集無(wú)人機(jī)影像。采集平臺(tái)為大疆精靈4 Pro（自帶高清數(shù)碼相機(jī)，該相機(jī)像素為2 000萬(wàn)，飛行時(shí)視場(chǎng)角為84°，含有紅、綠、藍(lán)3個(gè)波段）和大疆經(jīng)緯M600 Pro（搭載Cubert UHD185機(jī)載高光譜成像儀，該光譜儀像素為100萬(wàn)，光譜范圍為450～950 nm，含有125個(gè)波段，采樣間隔為4 nm，飛行時(shí)視場(chǎng)角為30°），飛行任務(wù)由DJI GS Pro軟件規(guī)劃，設(shè)置圖像航向重疊度為70%，旁向重疊度為80%，飛行高度為40 m，獲取的可見(jiàn)光影像和高光譜影像地面分辨率分別為2.00和2.58 cm。獲取的無(wú)人機(jī)數(shù)據(jù)需要進(jìn)行預(yù)處理?？梢?jiàn)光影像的預(yù)處理步驟包括影像拼接、幾何校正、影像裁剪和感興趣區(qū)選?。桓吖庾V影像需要在影像拼接前進(jìn)行輻射校正，其余步驟與可見(jiàn)光影像處理流程相同。

本研究中LAI-2200C被用于采集冬小麥的LAI值，觀測(cè)時(shí)間為北京時(shí)間10:00左右。在每個(gè)小區(qū)4個(gè)角和中心處選取5處長(zhǎng)勢(shì)均勻的采樣點(diǎn)，使用LAI-2200C測(cè)量并記錄LAI值。每個(gè)采樣點(diǎn)測(cè)量3次后取均值作為該樣點(diǎn)的LAI，5個(gè)采樣點(diǎn)LAI的平均值記為該田塊的LAI。測(cè)量LAI時(shí)將儀器置于采樣點(diǎn)兩壟小麥冠層上方，先測(cè)量一個(gè)天空光值，接著將儀器置于采樣點(diǎn)距地面5 cm處，陸續(xù)測(cè)量?jī)蓧判←湆?duì)角線冠層下方4個(gè)光值，分別在壟上、離壟1/4處、兩壟中間和離壟3/4處測(cè)取，測(cè)量冠層下方光值時(shí)儀器高度要一致，測(cè)量結(jié)束時(shí)儀器將自動(dòng)計(jì)算采樣點(diǎn)的LAI值。

1.3 遙感特征選取

植被指數(shù)能夠有效反映植被的生長(zhǎng)情況，被廣泛應(yīng)用于作物生理生化參數(shù)監(jiān)測(cè)，如葉綠素含量、LAI等。本研究以各試驗(yàn)小區(qū)選定的感興趣內(nèi)所有像元的均值作為與地面實(shí)測(cè)LAI對(duì)應(yīng)的影像數(shù)據(jù)。可見(jiàn)光影像有紅（）、綠（）、藍(lán)（）3個(gè)通道，分別提取通道的平均像元值，歸一化后定義為、、，通過(guò)三者之間組合可以計(jì)算可見(jiàn)光植被指數(shù)。前人研究發(fā)現(xiàn)UHD185高光譜儀在450及854～950 nm處測(cè)量的光譜信息不穩(wěn)定，因此本研究選用458～850 nm范圍，通過(guò)波段組合計(jì)算高光譜植被指數(shù)。根據(jù)前人研究成果選取與LAI相關(guān)性較好的可見(jiàn)光植被指數(shù)和高光譜植被指數(shù)分別為18個(gè)和17個(gè)（表1和表2）。

表1 可見(jiàn)光植被指數(shù) Table 1 Visible vegetation indices

表2 高光譜植被指數(shù) Table 2 Hyperspectral vegetation indices

可見(jiàn)光紋理特征利用灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）計(jì)算獲得。選取的紋理特征有8個(gè)，分別為均值（Mean，mea）、方差（Variance， var）、協(xié)同性（Homogeneity，hom）、對(duì)比度（Contrast, Con）、相異性（Dissimilarity，dis）、熵（Entropy，ent）、二階矩（Second Moment，sec）和相關(guān)性（Correlation，cor）。利用ENVI軟件分別提取可見(jiàn)光影像每個(gè)通道的紋理特征，提取時(shí)選取最小的3×3窗口，角度為默認(rèn)值。

1.4 特征篩選原則

本研究首先使用隨機(jī)森林算法計(jì)算每個(gè)特征權(quán)重，隨機(jī)森林中每棵決策樹(shù)均通過(guò)基尼指數(shù)對(duì)影像特征計(jì)算其不純度，綜合所有的不純度，在每一特征維度上取不純度的均值并標(biāo)準(zhǔn)化，即可得到每個(gè)影像特征的權(quán)重，表明該特征對(duì)構(gòu)建模型的貢獻(xiàn)。然后，使用皮爾遜相關(guān)性分析計(jì)算每個(gè)特征與LAI的相關(guān)系數(shù)。綜合考慮影像特征權(quán)重以及影像特征與LAI相關(guān)性選擇特征。其中，以影像特征權(quán)重大于等于0.05為高權(quán)重，在此基礎(chǔ)上再選出與LAI極顯著相關(guān)的影像特征（不考慮相關(guān)系數(shù)大?。┯糜诙←淟AI估測(cè)研究。

1.5 模型構(gòu)建與精度驗(yàn)證

研究方法包括多元線性回歸（Multiple Linear Regression，MLR）、支持向量機(jī)回歸（Support Vector Machine Regression，SVR）和隨機(jī)森林回歸（Random Forest Regression，RFR）算法。

MLR基本原理與一元線性回歸大致相同，但自變量個(gè)數(shù)至少兩個(gè)，利用偏最小二乘法求解線性方程系數(shù)，簡(jiǎn)單易用，廣泛應(yīng)用于農(nóng)林監(jiān)測(cè)。

支持向量機(jī)（Support Vector Machine, SVM）是由Cortes和Vapnik提出的一種機(jī)器學(xué)習(xí)分類(lèi)方法，SVR是在SVM算法的基礎(chǔ)上引入敏感度損失函數(shù)將分類(lèi)任務(wù)轉(zhuǎn)為回歸任務(wù)，在作物參數(shù)反演研究中表現(xiàn)較好，適用于小樣本學(xué)習(xí)，常用的核函數(shù)有線性和高斯徑向基核函數(shù)，本研究使用網(wǎng)格搜索確定核函數(shù)和gamma參數(shù)。

隨機(jī)森林是Breiman提出的一種基于多決策樹(shù)及Bagging技術(shù)的集成學(xué)習(xí)算法，模型中的決策樹(shù)并行建立，各決策樹(shù)的訓(xùn)練子集不同，進(jìn)而每棵決策樹(shù)也不相同，能有效減小模型方差降低預(yù)測(cè)誤差，使得RFR模型擬合能力較強(qiáng)，在作物參數(shù)研究中應(yīng)用較多，模型中重要參數(shù)如樹(shù)的數(shù)量、深度等通過(guò)網(wǎng)格搜索進(jìn)行參數(shù)尋優(yōu)確定。

在兩個(gè)研究區(qū)分別采集冬小麥揚(yáng)花期及灌漿期各60個(gè)樣本，按照3:1隨機(jī)劃分，45個(gè)樣本作為訓(xùn)練集用于模型訓(xùn)練，15個(gè)樣本作為驗(yàn)證集用于模型精度驗(yàn)證。模型檢驗(yàn)選用決定系數(shù)（Coefficient of determination，）、均方根誤差（Root Mean Square Error，RMSE）和相對(duì)預(yù)測(cè)偏差（Relative Prediction Deviation，RPD）。

1.6 影像采樣面積劃分

田間生產(chǎn)中，常因施肥不均導(dǎo)致土壤肥力在水平空間及垂直空間產(chǎn)生空間異質(zhì)性，從而導(dǎo)致作物長(zhǎng)勢(shì)出現(xiàn)差異性。因此，同一塊田內(nèi)不同位置作物冠層的影像光譜也會(huì)相應(yīng)地產(chǎn)生差異。此外，田塊邊際效應(yīng)導(dǎo)致邊緣的作物長(zhǎng)勢(shì)不如中心區(qū)的長(zhǎng)勢(shì)。鑒于空間異質(zhì)性和邊際效應(yīng)，本研究擬探討不同影像采樣面積對(duì)LAI估算精度的影響。以一個(gè)田間試驗(yàn)小區(qū)為例，100%為全影像采樣面積，縮小矩形長(zhǎng)和寬按照一定的間隔在25%～90%范圍內(nèi)改變影像采樣面積，以此類(lèi)推，分析多個(gè)影像采樣面積對(duì)冬小麥LAI估測(cè)的影響。

2 結(jié)果與分析

2.1 遙感特征與LAI的相關(guān)性分析及其重要性

將可見(jiàn)光影像特征與對(duì)應(yīng)生育期冬小麥LAI進(jìn)行皮爾遜相關(guān)性分析以及使用隨機(jī)森林算法計(jì)算影像特征重要性。根據(jù)權(quán)重大于等于0.05且相關(guān)性達(dá)到極顯著水平的特征篩選原則，在揚(yáng)花期和灌漿期優(yōu)選高權(quán)重且與LAI極顯著相關(guān)的可見(jiàn)光植被指數(shù)各5個(gè)和9個(gè)（見(jiàn)表3）、紋理特征各4個(gè)和6個(gè)（見(jiàn)表4）。兩個(gè)生育期選出的可見(jiàn)光影像特征明顯不同，灌漿期的最優(yōu)特征數(shù)量多于揚(yáng)花期。除了與揚(yáng)花期相同的綠藍(lán)植被指數(shù)GBRI和歸一化藍(lán)綠差異指數(shù)NGBDI兩個(gè)特征外，在灌漿期選出的可見(jiàn)光植被指數(shù)還有過(guò)綠指數(shù)ExG、修正過(guò)綠指數(shù)MEXG、過(guò)綠過(guò)紅差分指數(shù)ExGR等，這些指數(shù)與綠光波段關(guān)系密切。

表3 高權(quán)重且與LAI極顯著相關(guān)的可見(jiàn)光植被指數(shù) Table 3 Visible vegetation indices with high weight and extremely significant correlated with LAI

表4 高權(quán)重且與LAI極顯著相關(guān)的可見(jiàn)光紋理特征 Table 4 Visible textures with high weight and extremely significant correlated with LAI

相對(duì)于數(shù)碼相機(jī)，高光譜遙感具有高的光譜分辨率，能反映地物的細(xì)微特征，探測(cè)到地物的診斷性光譜吸收特征。采用同樣特征篩選方法分析高光譜遙感影像特征與冬小麥LAI的關(guān)系。在揚(yáng)花期和灌漿期優(yōu)化后的高光譜植被指數(shù)和特征波段見(jiàn)表5和表6。兩個(gè)生育期高權(quán)重且與LAI極顯著相關(guān)的高光譜植被指數(shù)分別有8個(gè)和7個(gè)。灌漿期選出的高光譜植被指數(shù)與冬小麥LAI的相關(guān)性較高，相關(guān)系數(shù)基本在0.8以上。

表5 高權(quán)重且與LAI極顯著相關(guān)的高光譜植被指數(shù) Table 5 Hyperspectral vegetation indices with high weight and extremely significant correlated with LAI

表6 高權(quán)重且與LAI顯著（極顯著）相關(guān)的高光譜波段 Table 6 Hyperspectral bands with high weight and significant or extremely significant correlated with LAI

在揚(yáng)花期和灌漿期，本研究篩選出高權(quán)重且與LAI顯著和極顯著相關(guān)的波段各有8個(gè)。從表6可見(jiàn)，揚(yáng)花期選出的特征波段與灌漿期明顯不同，揚(yáng)花期選出的特征波段主要在790～850 nm之間，位于近紅外區(qū)域，而灌漿期的特征波段分布在藍(lán)光、綠光和紅光范圍，尤其是紅光區(qū)域。這些結(jié)果與文獻(xiàn)[38-39]研究一致。

2.2 單傳感器下不同輸入特征的LAI估測(cè)模型構(gòu)建

在揚(yáng)花期和灌漿期，依次使用優(yōu)選的植被指數(shù)（本小節(jié)中均指可見(jiàn)光植被指數(shù)）、優(yōu)選的的紋理特征、優(yōu)選的前4個(gè)植被指數(shù)結(jié)合前4個(gè)紋理特征作為輸入變量估測(cè)冬小麥LAI，探究植被指數(shù)和紋理特征單獨(dú)使用以及結(jié)合使用時(shí)監(jiān)測(cè)LAI的差異。各種估測(cè)模型在驗(yàn)證集的結(jié)果如表7所示。

表7 基于可見(jiàn)光影像特征構(gòu)建的LAI估測(cè)模型結(jié)果 Table 7 LAI estimation model results based on visible image features

在揚(yáng)花期和灌漿期，基于優(yōu)選的植被指數(shù)構(gòu)建的3種LAI估測(cè)模型精度均優(yōu)于優(yōu)選的紋理特征模型，其中RFR模型表現(xiàn)最佳；基于優(yōu)選的4個(gè)植被指數(shù)結(jié)合4個(gè)紋理特征構(gòu)建的SVR和RFR模型在揚(yáng)花期和灌漿期估測(cè)LAI效果最好。其中，RFR模型在兩個(gè)生育期均表現(xiàn)最佳，揚(yáng)花期為0.620，RMSE為0.231，RPD為1.679，灌漿期為0.830，RMSE為0.183，RPD為2.514，優(yōu)于單獨(dú)使用植被指數(shù)或紋理特征的估測(cè)模型。

從表7可知，基于植被指數(shù)結(jié)合紋理特征構(gòu)建的RFR模型在兩個(gè)生育期最優(yōu)。在此基礎(chǔ)上，探究空間異質(zhì)性對(duì)估測(cè)LAI影響，在25%～90%采樣面積下分別提取揚(yáng)花期和灌漿期優(yōu)選的4個(gè)植被指數(shù)和4個(gè)紋理特征并作為RFR模型輸入變量，與全采樣下結(jié)果進(jìn)行對(duì)比分析。25%～90%采樣面積下RFR模型在驗(yàn)證集結(jié)果如表8所示。

表8 可見(jiàn)光影像不同采樣面積比例下RFR模型結(jié)果 Table 8 RFR model results of visible image for different sampling area ratio

從表8可以看出，當(dāng)采樣面積從25%逐漸增加時(shí)，RFR模型精度呈先升后降趨勢(shì)，原因是從長(zhǎng)勢(shì)最好的中心區(qū)域逐漸增加采樣面積，包含的小麥有效信息也隨之增加，因此模型性能提升。當(dāng)影像采樣面積增加到一定范圍時(shí)，因長(zhǎng)勢(shì)空間異質(zhì)性加上小區(qū)邊緣長(zhǎng)勢(shì)不佳，提取的特征受環(huán)境影響較為嚴(yán)重，對(duì)建立模型有干擾作用，因此模型性能又變差?？梢?jiàn)光影像采樣面積分別為30%和50%時(shí)，RFR模型在揚(yáng)花期及灌漿期估測(cè)LAI效果最佳，比全采樣下構(gòu)建的RFR模型分別提高了0.043和0.036，且RMSE下降。

依次使用優(yōu)選的8個(gè)高光譜敏感波段、優(yōu)選的高光譜植被指數(shù)和優(yōu)選的4個(gè)波段結(jié)合4個(gè)植被指數(shù)構(gòu)建揚(yáng)花期和灌漿期LAI估測(cè)模型，探究高光譜植被指數(shù)和波段單獨(dú)使用以及結(jié)合使用時(shí)監(jiān)測(cè)LAI的性能差異，三種估測(cè)模型在驗(yàn)證集結(jié)果如表9所示。

表9 基于高光譜影像特征構(gòu)建的LAI估測(cè)模型結(jié)果 Table 9 LAI estimation model results based on hyperspectral image features

在揚(yáng)花期和灌漿期，基于優(yōu)選的高光譜植被指數(shù)構(gòu)建的三種LAI估測(cè)模型精度優(yōu)于8個(gè)敏感波段的估測(cè)模型，其中，RFR模型表現(xiàn)較好；以?xún)?yōu)選的4個(gè)波段結(jié)合4個(gè)植被指數(shù)構(gòu)建LAI估測(cè)模型時(shí)，RFR模型表現(xiàn)最佳，揚(yáng)花期為0.663，RMSE為0.217，RPD為1.782，灌漿期為0.875，RMSE為0.157，RPD為2.925，體現(xiàn)了影像特征結(jié)合的優(yōu)越性。

從揚(yáng)花期和灌漿期LAI估測(cè)結(jié)果看，在所有的LAI估測(cè)模型中RFR精度最佳，機(jī)器學(xué)習(xí)方法在小麥LAI估算展現(xiàn)較好的性能，此外灌漿期三種模型精度整體優(yōu)于揚(yáng)花期，表明灌漿期更適合開(kāi)展作物L(fēng)AI遙感估測(cè)。針對(duì)影像采樣面積對(duì)高光譜影像估測(cè)LAI的影響，在25%～90%采樣面積下分別提取揚(yáng)花期和灌漿期優(yōu)選的4個(gè)敏感波段和4個(gè)高光譜植被指數(shù)并作為RFR模型輸入變量，與全采樣下結(jié)果進(jìn)行對(duì)比分析。25%～90%采樣面積下RFR模型在驗(yàn)證集結(jié)果如表10所示。從表中看出，高光譜影像采樣面積為65%時(shí)，RFR模型在揚(yáng)花期和灌漿期的估測(cè)效果最好，比全采樣下的RFR模型分別提升了0.070和0.030，并且估測(cè)誤差RMSE下降且RPD大于2，模型估測(cè)結(jié)果可靠。

表10 高光譜影像不同采樣面積比例下RFR模型結(jié)果 Table 10 RFR model results of hyperspectral image for different sampling area ratio

2.3 多源影像特征融合的LAI模型構(gòu)建

目前，使用多源影像特征融合監(jiān)測(cè)農(nóng)作物已取得許多成果，本節(jié)探究基于兩種影像特征融合的LAI估測(cè)模型性能，使用的特征是4個(gè)可見(jiàn)光植被指數(shù)、4個(gè)紋理特征、4個(gè)敏感波段和4個(gè)高光譜植被指數(shù)，模型建立方法是隨機(jī)森林回歸，驗(yàn)證集結(jié)果如圖2所示。

圖2 LAI實(shí)測(cè)值與估測(cè)值關(guān)系圖 Fig.2 Relationship between the measured value and estimated value of LAI

由圖2可知，基于兩種影像特征融合構(gòu)建的RFR模型精度優(yōu)于基于2.2節(jié)中單源遙感特征的RFR模型。其中，揚(yáng)花期為0.733，RMSE為0.193，RPD為2.003；灌漿期為0.929，RMSE為0.118，RPD為3.880。結(jié)果表明，灌漿期RFR-LAI模型精度優(yōu)于揚(yáng)花期。原因可能是：無(wú)人機(jī)采集的影像包含小麥、陰影和土壤等，提取影像特征時(shí)包含多個(gè)對(duì)象的綜合特征。當(dāng)小麥處于灌漿期時(shí)，小麥群體長(zhǎng)勢(shì)較揚(yáng)花期旺盛、植株間間距小，小區(qū)裸土面積較揚(yáng)花期少，因而灌漿期提取的影像特征受環(huán)境影響較小；另一方面，隨著冬小麥生長(zhǎng)，灌漿期光譜反射率等與LAI敏感性更強(qiáng)，影像特征與小麥LAI相關(guān)性較揚(yáng)花期要高，因此LAI估測(cè)模型在灌漿期效果更好。

進(jìn)一步地，結(jié)果表明基于多源傳感器影像特征融合構(gòu)建小麥LAI估測(cè)模型效果更好。這是由于構(gòu)建模型時(shí)輸入特征既包含了可見(jiàn)光影像高空間分辨率的特點(diǎn)，又結(jié)合了高光譜多個(gè)光譜的有效信息。因此，多傳感器影像特征融合為提高作物理化參數(shù)估測(cè)精度指明了方向。

3 結(jié) 論

本研究基于無(wú)人機(jī)可見(jiàn)光影像和高光譜影像數(shù)據(jù)，使用可見(jiàn)光植被指數(shù)和紋理特征、高光譜波段和植被指數(shù)構(gòu)建冬小麥葉面積指數(shù)估測(cè)模型。試驗(yàn)結(jié)果表明：

1）多元線性回歸、支持向量回歸和隨機(jī)森林回歸模型在揚(yáng)花期估測(cè)精度低于灌漿期。

2）基于優(yōu)選兩種影像特征融合構(gòu)建的隨機(jī)森林回歸模型精度在揚(yáng)花期和灌漿期最佳，優(yōu)于單源影像特征模型。在揚(yáng)花期決定系數(shù)為0.733，均方根誤差為0.193，相對(duì)預(yù)測(cè)偏差為2.003，在灌漿期決定系數(shù)為0.929，均方根誤差為0.118，相對(duì)預(yù)測(cè)偏差為3.880。

3）光譜空間異質(zhì)性會(huì)影響LAI估測(cè)模型精度，可見(jiàn)光影像采樣面積分別為30%和50%，高光譜影像采樣面積為65%時(shí)，單源影像特征構(gòu)建的隨機(jī)森林回歸模型精度在揚(yáng)花期和灌漿期達(dá)到最佳，合適的影像采樣面積可以提升小麥LAI的監(jiān)測(cè)效果。

此外，由于本研究的試驗(yàn)小區(qū)只有一種水分梯度和施肥梯度，后續(xù)會(huì)增加水分梯度和施肥梯度，綜合更多的栽培管理措施去研究小麥LAI無(wú)損監(jiān)測(cè)，以期為其他作物的LAI研究提供參考。