不同分辨率無(wú)人機(jī)多光譜影像的棉花葉面積指數(shù)估測(cè)研究

韓建文，馮春暉，彭杰*，王彥宇，史舟

（1.塔里木大學(xué)農(nóng)學(xué)院，新疆阿拉爾 843300；2.浙江大學(xué)環(huán)境與資源學(xué)院，杭州 310058）

棉花是我國(guó)重要的經(jīng)濟(jì)作物，在國(guó)民經(jīng)濟(jì)發(fā)展中占有重要地位[1]。 葉面積指數(shù)（leaf area index,LAI）是棉花生長(zhǎng)發(fā)育和生產(chǎn)管理的重要指標(biāo)，可為棉花估產(chǎn)、長(zhǎng)勢(shì)診斷和田間管理提供數(shù)據(jù)支撐。傳統(tǒng)的LAI 測(cè)量方式需耗費(fèi)大量的人力物力，還會(huì)對(duì)棉花造成物理?yè)p傷，且數(shù)據(jù)處理存在滯后性，無(wú)法適應(yīng)大面積快速估測(cè)需求[2]。 衛(wèi)星遙感技術(shù)的快速發(fā)展為L(zhǎng)AI 的獲取提供了新的手段。 遙感技術(shù)能夠快速、實(shí)時(shí)、無(wú)損地對(duì)作物的LAI 進(jìn)行估測(cè)。 通過(guò)衛(wèi)星遙感技術(shù)對(duì)LAI進(jìn)行反演估測(cè)， 能夠獲取區(qū)域尺度的LAI 數(shù)據(jù)[3]，但時(shí)間分辨率和空間分辨率仍滿足不了精準(zhǔn)農(nóng)業(yè)的需求，許多估測(cè)模型只能在大規(guī)模工作中提供較為準(zhǔn)確的估測(cè)數(shù)據(jù)， 不能在較小尺度下，如單一農(nóng)田上詳細(xì)描述作物的生長(zhǎng)情況[4]。此外，由于衛(wèi)星遙感影像易受天氣、重訪周期等因素的影響，因此無(wú)法在整個(gè)生長(zhǎng)周期內(nèi)及時(shí)獲取作物生長(zhǎng)發(fā)育的信息，不能滿足精準(zhǔn)農(nóng)業(yè)特定或較小區(qū)域尺度的高頻次、高分辨率數(shù)據(jù)的需求。

無(wú)人機(jī)具有高空間分辨率和高時(shí)間分辨率的特點(diǎn)，可以短時(shí)間內(nèi)獲取較大范圍的高分辨率光譜影像，有效彌補(bǔ)衛(wèi)星遙感在中小尺度高精度估算研究中的不足[5]，成為現(xiàn)代農(nóng)情估測(cè)領(lǐng)域中的一種新工具。 近年來(lái)，利用無(wú)人機(jī)遙感技術(shù)進(jìn)行作物生長(zhǎng)參數(shù)的定量估測(cè)分析已成為研究熱點(diǎn)。 鄭冬冬等[6]基于無(wú)人機(jī)高光譜數(shù)據(jù)提取了冠層光譜信息，采用偏最小二乘算法構(gòu)建了冬小麥LAI 的反演模型。 孫詩(shī)睿等[7]基于無(wú)人機(jī)多光譜遙感反演了冬小麥的LAI， 發(fā)現(xiàn)隨機(jī)森林（random forest,RF）算法對(duì)冬小麥的LAI 反演有更好的擬合效果。 賀佳等[8]利用無(wú)人機(jī)獲取玉米多個(gè)生育時(shí)期的光譜影像， 建立了不同生育時(shí)期的LAI 估算模型并進(jìn)行驗(yàn)證。 以上研究結(jié)果表明無(wú)人機(jī)多光譜遙感技術(shù)對(duì)LAI 有較好的估測(cè)能力，但在LAI 波動(dòng)范圍較大時(shí)植被指數(shù)（vegetation index,VI）會(huì)出現(xiàn)飽和現(xiàn)象[9]，導(dǎo)致對(duì)LAI 的估測(cè)出現(xiàn)偏差。目前有學(xué)者在植被指數(shù)估算LAI 的方法中引入紋理特征（texture feature）作為新的指標(biāo)進(jìn)行估測(cè)，可以有效提高估測(cè)精度。 Li 等[10]將圖像顏色指數(shù)和紋理特征相結(jié)合用于水稻LAI 的估測(cè)， 結(jié)果表明RF 算法在結(jié)合植被指數(shù)和紋理特征輸入時(shí)表現(xiàn)出最佳的估測(cè)精度。 劉欣誼等[11]采用圖像紋理特征指數(shù)構(gòu)建了小麥的產(chǎn)量估測(cè)模型，結(jié)果表明紋理特征和顏色指數(shù)相結(jié)合建立的估產(chǎn)模型具有更高的精度。

雖然無(wú)人機(jī)遙感技術(shù)在玉米、冬小麥和水稻等作物的LAI 估測(cè)方面已有眾多研究報(bào)道[2-8]，證實(shí)了無(wú)人機(jī)遙感可以高精度地估測(cè)這些作物的LAI。 但無(wú)人機(jī)遙感能否高精度估測(cè)南疆大面積種植的主要經(jīng)濟(jì)作物棉花的LAI， 仍需探索、驗(yàn)證。 構(gòu)建1 種基于無(wú)人機(jī)多光譜遙感影像數(shù)據(jù)的棉花LAI 高精度估測(cè)模型，可為棉花LAI 估測(cè)提供新的思路和技術(shù)支持。 本研究以新疆阿拉爾墾區(qū)花鈴期棉花為研究對(duì)象，在無(wú)人機(jī)影像拼接完成后對(duì)影像進(jìn)行空間重采樣， 獲取0.5 m、1.0 m、1.5 m、2.0 m、2.5 m、3.0 m 共6 種不同空間分辨率影像； 分別對(duì)每種空間分辨率影像提取10 種植被指數(shù)和3 種紋理指數(shù)（texture index,TI），以植被指數(shù)、 紋理指數(shù)和二者融合為特征輸入量，基于偏最小二乘回歸（partial least squares regression, PLSR）、 支持向量機(jī) （support vector machines, SVM） 和RF 算法構(gòu)建棉花LAI 估測(cè)模型；比較無(wú)人機(jī)多光譜遙感不同空間分辨率影像下植被指數(shù)和紋理指數(shù)對(duì)棉花LAI 估測(cè)性能的影響；對(duì)比不同算法的反演精度，為無(wú)人機(jī)遙感技術(shù)在南疆棉花LAI 估測(cè)領(lǐng)域的應(yīng)用提供一定的理論依據(jù)和技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)屬于新疆生產(chǎn)建設(shè)兵團(tuán)第一師阿拉爾墾區(qū)12 團(tuán)（圖1），地處塔克拉瑪干沙漠北緣，天山南麓中段，塔里木河上游。 該區(qū)域?qū)儆诘湫偷呐瘻貛O端大陸性干旱荒漠氣候區(qū)， 夏季炎熱，冬季寒冷，日照時(shí)間長(zhǎng)，降水稀少，蒸發(fā)強(qiáng)烈，多年平均年降水量為48.50 mm，多年平均年蒸發(fā)量為1 988.02 mm，平均蒸降比值高達(dá)40.99。 研究區(qū)地理中心坐標(biāo)為81°19′08″E，40°29′19″N，面積為1.68 hm2。 研究區(qū)種植的棉花品種是塔河2號(hào)[12]，采用膜下滴灌技術(shù)，由7 戶農(nóng)戶共同管理，由于灌溉和施肥等田間管理措施不同，棉花長(zhǎng)勢(shì)差異明顯。

1.2 數(shù)據(jù)獲取與圖像處理

1.2.1數(shù)據(jù)及影像采集時(shí)間。 為減少天氣因素對(duì)無(wú)人機(jī)影像質(zhì)量的影響，于棉花花鈴期（2021 年8 月7 日） 天氣晴朗無(wú)云條件下進(jìn)行無(wú)人機(jī)飛行試驗(yàn)以及地面數(shù)據(jù)的同步采集。 無(wú)人機(jī)多光譜影像采集時(shí)間集中在北京時(shí)間12：00－14：00，地面數(shù)據(jù)采集時(shí)間集中在14：00－17：00。

1.2.2地面數(shù)據(jù)獲取。 LAI 通過(guò)AccuPAR LP-80植物冠層分析儀（METER 公司，美國(guó)）測(cè)定，儀器長(zhǎng)度為1.0 m， 它由兩部分組成：1 個(gè)數(shù)據(jù)采集器和1 個(gè)探測(cè)器。 探測(cè)器中含有80 個(gè)獨(dú)立的傳感器，間距為1 cm，可以測(cè)量400～700 nm 波段的光合有效輻射（photosynthetically active radiation,PAR），測(cè)量單位為μmol·m－2·s－1。 儀器通過(guò)計(jì)算天頂角、設(shè)置參數(shù)（X）和測(cè)量上下冠層的光合有效輻射之比，計(jì)算出作物冠層的LAI。 于研究區(qū)內(nèi)隨機(jī)選取100 個(gè)測(cè)量點(diǎn)， 每個(gè)測(cè)量點(diǎn)面積為1.0 m2（1.0 m×1.0 m），為確保數(shù)據(jù)的準(zhǔn)確性，每個(gè)測(cè)量點(diǎn)選取不同位置按橫縱方向分別測(cè)量3 次，取平均值代表該點(diǎn)的實(shí)際LAI， 并利用JUNO SA 手持機(jī)（Trimble 公司，美國(guó)）記錄測(cè)量點(diǎn)的經(jīng)緯度信息。

1.2.3無(wú)人機(jī)光譜影像的獲取與處理。 使用大疆精靈4 多光譜版植保無(wú)人機(jī)（深圳大疆創(chuàng)新科技有限公司）獲取多光譜影像。 該無(wú)人機(jī)帶有一體式多光譜成像系統(tǒng)， 集成了1 個(gè)可見光相機(jī)和5個(gè)多光譜相機(jī)；多光譜相機(jī)分別為（450±16）nm（藍(lán)光），（560±16）nm（綠光），（650±16）nm（紅光），（730±16）nm（紅邊）和（840±26）nm（近紅外）5 個(gè)波長(zhǎng)的光譜采集通道。無(wú)人機(jī)按照提前規(guī)劃的航線飛行，設(shè)置航高為500 m，航向重疊率為75%，旁向重疊率為80%，拍攝間隔為3 s 等時(shí)間間隔，相機(jī)鏡頭與地面呈90°夾角，其拍攝的影像分辨率約為0.5 m。 多光譜圖像采集完成后，通過(guò)Pix4Dmapper 軟件完成單波段影像的拼接、校正，在ENVI 5.3 中將拼接好的各波段影像合成完整的影像，并利用ENVI 5.3 中Basic tools 工具對(duì)影像進(jìn)行空間重采樣，分辨率分別設(shè)置為0.5 m、1.0 m、1.5 m、2.0 m、2.5 m、3.0 m。

1.3 植被指數(shù)與紋理特征的提取

1.3.1植被指數(shù)的提取與改進(jìn)。 植被指數(shù)的構(gòu)建可在一定程度上反應(yīng)植物的生長(zhǎng)發(fā)育狀態(tài)[13-14]。選取10 種植被指數(shù)對(duì)棉花LAI 進(jìn)行估算， 同時(shí)考慮到紅邊波段是用于研究植物養(yǎng)分狀況、生長(zhǎng)狀態(tài)估測(cè)、植被參數(shù)反演的重要波段[15]。為了進(jìn)一步提高植被指數(shù)反演LAI 的精確度，在傳統(tǒng)植被指數(shù)計(jì)算方法的基礎(chǔ)上，利用紅邊波段替代傳統(tǒng)植被指數(shù)中的近紅外波段， 從而改進(jìn)其計(jì)算方法。 各植被指數(shù)及其計(jì)算公式見表1。

表1 多光譜植被指數(shù)的計(jì)算公式Table 1The calculation formula of multi spectral vegetation index

1.3.2紋理特征提取。 紋理特征是影像灰度特征值的反映，可以改善遙感影像使用光譜信息估算參數(shù)的飽和問(wèn)題。 無(wú)人機(jī)圖像預(yù)處理后，每種分辨率影像紅、綠、藍(lán)3 個(gè)波段中分別提取8 個(gè)圖像特征：均值（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），即每種分辨率共提取24 個(gè)紋理特征。利用ENVI 5.3 軟件通過(guò)灰度共生矩陣（gray-level cooccurrence matrix,GLCM）功能計(jì)算特征值[26]，紋理分析選擇3×3 窗口，方向選擇90°，紋理特征具體計(jì)算公式見表2。

表2 紋理特征計(jì)算公式Table 2 The calculation formula of textural features

為提高紋理特征與棉花LAI 的相關(guān)性，使用紋理特征構(gòu)建3 種紋理指數(shù)，分別為：歸一化差值紋理指數(shù)（normalized difference texture index,NDTI），差值紋理指數(shù)（difference texture index,DTI）和比值紋理指數(shù)（ratio texture index, RTI）。利用Matlab 軟件計(jì)算紋理指數(shù)。

式中T1和T2為同種分辨率下隨機(jī)任意不同波段的紋理特征值。

1.4 模型精度驗(yàn)證

將同步測(cè)量的100 個(gè)樣本數(shù)據(jù)按3∶2 隨機(jī)分為建模集和驗(yàn)證集，用驗(yàn)證集樣本檢驗(yàn)?zāi)Ｐ途取?選取以下指標(biāo)對(duì)模型精度進(jìn)行評(píng)價(jià)：決定系數(shù)（determination coefficient,R2）、均 方 根 誤 差（root mean square error,RMSE） 和相對(duì)分析誤差（relative percent deviation,RPD）。R2越接 近1，RMSE越小，RPD越大說(shuō)明構(gòu)建的模型精度越高。RPD在1.6～2.0 之間時(shí)，模型精度可以接受；RPD＞2.0 時(shí)，則認(rèn)為所建模型有較高可靠性，能夠用于棉花LAI 估測(cè)。

式中：xi表示估計(jì)值；x表示估計(jì)值的平均值；yi表示實(shí)測(cè)值；y表示實(shí)測(cè)值的平均值，n表示樣本數(shù)量。SD表示標(biāo)準(zhǔn)差。

1.5 數(shù)據(jù)處理與分析

采用SPSS 24 和Microsoft Excel 2019 軟件進(jìn)行數(shù)據(jù)處理。 通過(guò)Pix4Dmapper 軟件完成單波段影像處理，ENVI 5.3 進(jìn)行多光譜影像數(shù)據(jù)處理，ArcGis 10.8 進(jìn)行棉花LAI 反演圖制作， 基于Python 3.8 完成模型構(gòu)建。

2 結(jié)果與分析

2.1 棉花LAI 描述性統(tǒng)計(jì)

將研究區(qū)內(nèi)測(cè)得的100 個(gè)樣點(diǎn)的LAI 數(shù)據(jù)按3∶2 隨機(jī)分為建模集和驗(yàn)證集， 其描述性統(tǒng)計(jì)結(jié)果見表3。 全部樣本和建模集的LAI 均為2.15～7.81，平均值均為5.38，標(biāo)準(zhǔn)差均為1.30；驗(yàn)證集的LAI 為2.48～7.74， 平均值為5.39，標(biāo)準(zhǔn)差為1.32。 試驗(yàn)區(qū)內(nèi)花鈴期棉花LAI 整體較高，LAI 平均值在4.5 以上， 說(shuō)明棉花長(zhǎng)勢(shì)較好。建模集、驗(yàn)證集與全部樣本集具有高度相似的統(tǒng)計(jì)分布，這樣確保了樣本具有代表性，又可減少偏差估計(jì)的影響。

表3 棉花花鈴期LAI 描述性統(tǒng)計(jì)Table 3 Descriptive statistics of cotton LAI at flowering and boll-setting stage

2.2 不同指標(biāo)與棉花LAI 的相關(guān)性

將不同分辨率影像提取的植被指數(shù)與LAI進(jìn)行相關(guān)分析，10 種植被指數(shù)與LAI 均顯著相關(guān)（表4）。 0.5 m 分辨率下，歸一化差值植被指數(shù)與LAI 相關(guān)性最高，相關(guān)系數(shù)為0.43。1.0～3.0 m分辨率下，與LAI 相關(guān)性最高的均為比值植被指數(shù)。 從不同分辨率來(lái)看，與LAI 相關(guān)性最高的是1.0 m 分辨率提取的植被指數(shù)， 相關(guān)系數(shù)在0.71～0.79，均達(dá)到極顯著水平。與LAI 相關(guān)性最高的植被指數(shù)為RVI 和改進(jìn)比值植被指數(shù)，相關(guān)系數(shù)均為0.79。 從整體水平來(lái)看， 植被指數(shù)與LAI 的相關(guān)性隨著分辨率的降低（0.5 m～2.5 m）呈現(xiàn)先上升后下降的趨勢(shì)。

表4 不同分辨率下植被指數(shù)與LAI 的相關(guān)性分析Table 4 Correlation analysis between vegetation index and LAI under different resolutions

將不同分辨率提取的紋理指數(shù)與LAI 進(jìn)行相關(guān)性分析。 從表5 可以看出，在不同分辨率下，紋理指數(shù)與LAI 的相關(guān)性差異較大。 在0.5 m、1.0 m、1.5 m 分辨率影像下提取的3 種紋理指數(shù)與LAI 均具有極顯著相關(guān)性，其中相關(guān)性最好的為1.0 m 分辨率下提取的紋理指數(shù)，NDTI（R_corr＋B_corr）、DTI（R_con ＋G_con）、RTI（R_ent ＋B_mean）與LAI 的相關(guān)系數(shù)分別為0.61、0.54 和0.57。在2.0 m、2.5 m、3.0 m 分辨率下提取的紋理指數(shù)與LAI 相關(guān)性均較弱。紋理指數(shù)與LAI 的相關(guān)性也隨著分辨率的降低呈現(xiàn)先上升后下降的趨勢(shì)。

表5 不同分辨率下紋理指數(shù)與LAI 的相關(guān)性分析Table 5 Correlation analysis between texture index and LAI under different resolutions

2.3 基于植被指數(shù)的棉花LAI 估測(cè)模型

將同一分辨率下提取的10 種植被指數(shù)作為輸入變量， 分別運(yùn)用PLSR、SVM、RF 3 種算法，構(gòu)建不同分辨率下基于植被指數(shù)的棉花LAI 估測(cè)模型。 結(jié)果如圖2 所示：隨著分辨率的降低模型精度變化較大，R2在0.5～1.0 m 分辨率時(shí)快速上升，在1.0 m 分辨率下達(dá)到最大，在1.0～3.0 m 分辨率逐漸下降；RMSE與之相反， 在0.5～1.0 m劇烈下降，在1.0 m 分辨率下最小，然后隨分辨率降低呈上升趨勢(shì)。 影像分辨率的降低易導(dǎo)致高光譜數(shù)據(jù)對(duì)作物冠層特征信息的提取出現(xiàn)偏差，影響植被指數(shù)對(duì)棉花LAI 的估算精度。 3 種模型均在1.0 m 分辨率下對(duì)花鈴期棉花LAI 估測(cè)效果最好，PLSR 模型在3.0 m 分辨率下估測(cè)效果最差，SVM 和RF 模型均在0.5 m 分辨率下估測(cè)效果最差。

圖2 不同分辨率下基于植被指數(shù)的模型性能比較Fig. 2 Comparison of the model performance based on vegetation index under different resolutions

對(duì)1.0 m 分辨率下3 種模型的LAI 估測(cè)效果進(jìn)行分析，結(jié)果表明3 種模型均取得了不錯(cuò)的效果。 模型輸入量為植被指數(shù)時(shí)，建模集與驗(yàn)證集的評(píng)價(jià)指標(biāo)值較為接近， 模型的穩(wěn)定性較好（表6）。 精度最高的為RF 模型， 其R2最大、RMSE最小、RPD最大， 該模型為L(zhǎng)AI 的最優(yōu)估測(cè)模型。 與PLSR 模型相比，SVM 模型建模集的R2較高、RMSE較小、RPD較高， 但其驗(yàn)證集的RMSE較大、RPD較低。 因此，PLSR 與SVM 模型相比，SVM 模型的估測(cè)效果較好，但其可靠性和穩(wěn)定性較差；PLSR 模型的估測(cè)效果較差，但模型具有較強(qiáng)的可靠性和穩(wěn)定性。

表6 1.0 m 分辨率下植被指數(shù)與紋理指數(shù)反演棉花LAI 建模效果Table 6 Performance of cotton LAI inversion models based on vegetation index and texture index under 1.0 m resolution

2.4 基于紋理特征的棉花LAI 估測(cè)模型

從6 種不同分辨率影像中分別提取3 個(gè)波段共24 個(gè)紋理特征并構(gòu)建3 種紋理指數(shù)， 將3種紋理指數(shù)作為輸入變量， 分別運(yùn)用PLSR、SVM、RF 3 種算法，構(gòu)建不同分辨率下基于紋理指數(shù)的棉花LAI 估測(cè)模型。 結(jié)果如圖3 所示，在0.5～1.0 m 分辨率，R2上升，1.0 m 分辨率下達(dá)到最大， 在1.0～3.0 m 分辨率整體呈下降趨勢(shì)；RMSE與之相反，在1.0 m 分辨率下達(dá)到最小，然后波動(dòng)上升。 影像分辨率的降低會(huì)影響紋理特征的提取，進(jìn)而影響到紋理指數(shù)對(duì)棉花LAI 的估測(cè)精度。 3 種模型均在1.0 m 分辨率下對(duì)棉花LAI估測(cè)效果最好，PLSR 和SVM 模型在3.0 m 分辨率時(shí)估測(cè)效果最差， 而RF 模型在2.5 m 分辨率下估測(cè)效果最差。

圖3 不同分辨率下基于紋理指數(shù)的模型性能比較Fig. 3 Comparison of the model performance based on texture index under different resolutions

對(duì)1.0 m 分辨率下，3 種紋理指數(shù)構(gòu)建模型的棉花LAI 估測(cè)效果進(jìn)行分析。 結(jié)果顯示，相較于植被指數(shù)而言，紋理指數(shù)所構(gòu)建的3 個(gè)模型精度較差。 其中RF 模型精度最高，其建模集的R2、RMSE和RPD分別為0.62、0.32 和2.67，SVM 模型的精度次之，PLSR 模型的精度最低。 利用40個(gè)實(shí)測(cè)LAI 數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證，RF 模型驗(yàn)證集R2為0.46、RMSE為0.93、RPD為2.05；PLSR模型和SVM 模型驗(yàn)證集的R2和RPD均較低（表6）。從模型估測(cè)結(jié)果看，紋理指數(shù)對(duì)棉花LAI有一定的估測(cè)潛力，但驗(yàn)證集模型與建模集模型的評(píng)價(jià)指標(biāo)值相差較大， 且相對(duì)于建模集而言，驗(yàn)證集的相應(yīng)指標(biāo)值均有明顯下降，說(shuō)明基于紋理指數(shù)構(gòu)建的棉花LAI 估測(cè)模型對(duì)花鈴期棉花LAI 有一定的估測(cè)能力，但模型性能較差且穩(wěn)定性不強(qiáng)。

2.5 基于特征融合的棉花LAI 估測(cè)模型

根據(jù)上述分析結(jié)果可知，植被指數(shù)和紋理指數(shù)均可以實(shí)現(xiàn)對(duì)棉花LAI 的估測(cè)，且植被指數(shù)模型的估測(cè)性能優(yōu)于紋理指數(shù)模型，植被指數(shù)和紋理指數(shù)最佳估測(cè)模型均為1.0 m 分辨率下RF 算法模型。 因此，為了進(jìn)一步提高模型估測(cè)精度，將1.0 m 分辨率影像中提取的10 個(gè)植被指數(shù)和3個(gè)紋理指數(shù)全部作為輸入量共同構(gòu)建基于RF 算法的LAI 估測(cè)模型。與單輸入量的RF 模型相比，特征融合構(gòu)建模型具有更好的LAI 估測(cè)能力，該模型的R2最高、RMSE最低， 建模集R2為0.84、RMSE為0.57、RPD為2.26，驗(yàn)證集R2為0.83、RMSE為0.59、RPD為2.35（表6）。 因此，在本研究中，1.0 m 分辨率影像中基于植被指數(shù)和紋理指數(shù)融合的RF 模型是無(wú)人機(jī)多光譜遙感技術(shù)估測(cè)花鈴期棉花LAI 的最佳方案。

2.6 花鈴期棉花LAI 空間分布圖

根據(jù)上述分析結(jié)果， 在1.0 m 分辨率影像下特征融合的RF 模型對(duì)棉花LAI 的估測(cè)效果最好，利用最佳模型對(duì)棉花LAI 進(jìn)行反演制圖。 如圖4 所示： 試驗(yàn)區(qū)內(nèi)花鈴期棉花LAI 反演值為2.0～8.0； 從空間分布來(lái)看，LAI 呈現(xiàn)條狀分布，說(shuō)明同一品種棉花在不同的管理措施下LAI 差異較大；大部分區(qū)域的LAI 為4.6～6.5，說(shuō)明棉花生長(zhǎng)較為健康；部分區(qū)域的棉花受到土壤鹽漬化的影響LAI 偏低。 研究區(qū)邊緣LAI 偏低，為2.0～4.5，這與研究區(qū)種植的保護(hù)行分布一致，保護(hù)行種植的棉花一般葉片較小，長(zhǎng)勢(shì)較差，且部分棉田的保護(hù)行因缺苗出現(xiàn)裸露土地，實(shí)際LAI值偏低。 中心區(qū)域棉花長(zhǎng)勢(shì)較好，LAI 為6.5～8.0。反演圖與研究區(qū)內(nèi)花鈴期棉花的實(shí)際生長(zhǎng)情況基本一致。

圖4 棉花花鈴期LAI 分布空間圖Fig. 4 Spatial map of cotton LAI distribution at flowering and boll-setting stage

3 討論

本研究通過(guò)無(wú)人機(jī)搭載多光譜傳感器采集高分辨率影像對(duì)花鈴期棉花LAI 進(jìn)行反演。與前人利用無(wú)人機(jī)多光譜遙感提取植被指數(shù)反演水稻、玉米LAI 的研究相比[7-8]，本研究在不同影像分辨率下分別使用了植被指數(shù)、紋理指數(shù)以及二者融合對(duì)花鈴期棉花LAI 進(jìn)行估測(cè)。 結(jié)果表明，植被指數(shù)與紋理指數(shù)融合對(duì)棉花LAI 的估測(cè)效果最好，基于植被指數(shù)構(gòu)建的棉花LAI 估測(cè)模型的精度高于基于紋理指數(shù)的模型。 植被指數(shù)是根據(jù)植被的反射光譜特征、用不同波段計(jì)算組合來(lái)提取作物的生長(zhǎng)發(fā)育信息；而紋理特征是圖像灰度特征值的反映，紋理通過(guò)圖像像素和周圍空間領(lǐng)域的灰度分布來(lái)表現(xiàn)；紋理特征代表的更多是圖像信息， 不足以準(zhǔn)確反應(yīng)作物實(shí)際生長(zhǎng)信息，故其模型精度較差。 僅通過(guò)光譜信息對(duì)棉花LAI進(jìn)行估測(cè)，其精度會(huì)出現(xiàn)飽和現(xiàn)象；而紋理指數(shù)彌補(bǔ)了光譜信息的空間缺陷性。 二者融合構(gòu)建的模型精度更高， 可實(shí)現(xiàn)對(duì)棉花LAI 的高精度估測(cè)。 這與杭艷紅等[27]在水稻LAI 估測(cè)中的研究結(jié)果相似。 劉暢等[28]也認(rèn)為植被指數(shù)可較好地表征不同生物量下的光譜特征，而紋理信息則提供了空間特征信息, 減弱了植被指數(shù)反演的飽和現(xiàn)象，彌補(bǔ)了光譜信息的不足，從而提高了模型的估測(cè)精度。

孫詩(shī)睿等[7]引入紅邊波段對(duì)植被指數(shù)計(jì)算方法進(jìn)行改進(jìn)并反演了冬小麥的LAI，證明引入紅邊波段改進(jìn)植被指數(shù)的計(jì)算可以有效提高模型估測(cè)精度。這可能是由于紅邊波段對(duì)LAI 信息更為敏感，能夠更準(zhǔn)確地獲取作物生長(zhǎng)信息。 因此，為提高模型估測(cè)精度，本研究引入紅邊波段對(duì)植被指數(shù)的傳統(tǒng)計(jì)算方法進(jìn)行改進(jìn)。 結(jié)果表明：改進(jìn)后的植被指數(shù)與棉花LAI 有較高的相關(guān)性，其模型精度也較高。

本研究還探索了不同空間分辨率下模型精度的變化，在1.0 m 分辨率時(shí)，植被指數(shù)模型與紋理指數(shù)模型的精度均達(dá)到最高， 這可能與棉花LAI 取樣點(diǎn)面積有著直接關(guān)系。 地面測(cè)得每個(gè)樣點(diǎn)的LAI 能代表的面積是有限的，只能代表單位面積大小的LAI，不能準(zhǔn)確代表更大面積的棉花LAI， 本研究使用的LP-80 冠層儀在每個(gè)采樣點(diǎn)測(cè)得的棉花LAI 有效面積為1.0 m2，當(dāng)分辨率大于或者小于1.0 m 時(shí)，LAI 有效值可能會(huì)超出或不足以代表其所在像元，造成空地信息之間的不對(duì)稱，導(dǎo)致估測(cè)出現(xiàn)偏差，模型精度下降。而劉楊等[29]的研究結(jié)果表明，隨著影像分辨率的提高，基于光譜信息、紋理信息以及二者融合構(gòu)建的馬鈴薯地上部生物量估測(cè)模型的精度逐漸變好，與本研究的結(jié)果略有不同。 原因可能為：一是研究作物不同，本研究的對(duì)象為花鈴期棉花LAI，劉楊等[29]是對(duì)馬鈴薯地上生物量進(jìn)行估測(cè)；二是傳感器不同，本實(shí)驗(yàn)使用的是多光譜無(wú)人機(jī)，劉楊等[29]使用的是數(shù)碼相機(jī)； 三是分辨率改變形式不同，本研究利用ENVI 5.3 對(duì)影像進(jìn)行空間重采樣，劉楊等[29]是通過(guò)設(shè)置飛行高度獲取不同分辨率影像數(shù)據(jù)；四是地面數(shù)據(jù)獲取方式不一樣，本研究使用的LP-80 冠層儀對(duì)棉花LAI 進(jìn)行測(cè)量，每個(gè)采樣點(diǎn)獲取的LAI 有效面積為1.0 m2， 劉楊等[29]是對(duì)地上部干物質(zhì)直接進(jìn)行稱重測(cè)量。 綜上所述，地面單點(diǎn)取樣時(shí)，取樣單元最好和影像的分辨率相匹配，如果不匹配則需要調(diào)整取樣面積或影像尺度。

棉花LAI 通常采用植被指數(shù)法進(jìn)行估測(cè)。但因?yàn)楣庾V信息對(duì)棉花冠層信息的表達(dá)不完全準(zhǔn)確的影響，基于單一植被指數(shù)構(gòu)建的模型估測(cè)精度易受到影響。 為了提高對(duì)棉花LAI 的估測(cè)精度，本研究對(duì)植被指數(shù)的傳統(tǒng)計(jì)算方法進(jìn)行了改進(jìn)，并且加入了紋理指數(shù)作為新的變量，補(bǔ)充了植被指數(shù)對(duì)棉花冠層信息表達(dá)的缺陷，極大地提高了對(duì)棉花LAI 的估測(cè)精度。同時(shí)選擇了不同分辨率的影像進(jìn)行挖掘，在分辨率與采樣點(diǎn)面積相匹配時(shí)，模型性能達(dá)到最優(yōu)。 利用無(wú)人機(jī)多光譜遙感對(duì)棉花LAI 進(jìn)行估測(cè)會(huì)受到多種因素的影響，將植被指數(shù)與紋理特征結(jié)合作為輸入量雖然提升了模型的估測(cè)精度，但是本研究?jī)H對(duì)棉花花鈴期的LAI 進(jìn)行估測(cè)，沒(méi)有采集到棉花整個(gè)生育期的數(shù)據(jù)， 不足以代表其整個(gè)生育期的LAI 變化；模型普適性也需進(jìn)一步驗(yàn)證。

4 結(jié)論

以花鈴期棉花為研究對(duì)象，利用無(wú)人機(jī)獲取多光譜影像， 提取6 種分辨率下10 種植被指數(shù)和3 種紋理指數(shù)，分別利用PLSR、SVM 和RF 算法構(gòu)建LAI 估測(cè)模型，得到以下結(jié)論：在本研究中，當(dāng)無(wú)人機(jī)影像分辨率為1.0 m 時(shí)，植被指數(shù)和紋理指數(shù)與LAI 的相關(guān)性均達(dá)到最高。植被指數(shù)與紋理指數(shù)融合對(duì)棉花LAI 估測(cè)效果最好，其次為單一植被指數(shù)模型， 紋理指數(shù)模型效果最差。無(wú)人機(jī)影像分辨率為1.0 m 時(shí)， 基于植被指數(shù)和紋理指數(shù)融合的RF 算法模型是無(wú)人機(jī)多光譜遙感估測(cè)花鈴期棉花LAI 的最佳方法。