基于紋理-顏色特征與植被指數(shù)融合的冬小麥LAI估測

范軍亮 王 涵 廖振棋 戴裕瓏 余 江 馮涵龍

(1.西北農(nóng)林科技大學旱區(qū)農(nóng)業(yè)水土工程教育部重點實驗室, 陜西楊凌 712100;2.西北農(nóng)林科技大學水利與建筑工程學院, 陜西楊凌 712100)

0 引言

小麥在我國廣泛種植,準確、快速、無損定量估測小麥的生長和生理參數(shù)對于其田間管理決策和產(chǎn)量預測具有十分重要的意義[1]。葉面積指數(shù)(Leaf area index,LAI)不僅是反映植物生長狀況和生理狀態(tài)的重要指標,也是定量描述植物光合效能、呼吸功能、蒸騰作用等的關(guān)鍵參數(shù),已被廣泛應用于作物長勢監(jiān)測[2]。因此,LAI的快速準確估測對及時掌握農(nóng)作物長勢狀況及其生產(chǎn)管理具有重要意義。

諸多學者已開展了基于無人機多光譜或高光譜遙感的作物葉面積、生物量、氮素含量、葉綠素含量等估測研究[3-5]。馬怡茹等[6]通過對高光譜數(shù)據(jù)進行多種方式的預處理,利用不同種方法篩選特征波段建立經(jīng)驗回歸模型與機器學習模型,為大田棉花施肥管理提供了理論依據(jù)。陳曉凱等[7]以最優(yōu)窄波段光譜指數(shù)構(gòu)建冬小麥LAI估測模型,發(fā)現(xiàn)最優(yōu)窄波段主要分布在紅邊區(qū)域,強調(diào)了紅邊波段對反演冬小麥LAI的重要性。王軍等[8]研究表明,基于無人機多光譜遙感可快速反演田間大豆LAI,歸一化差異植被指數(shù)(Normalized difference vegetation index, NDVI)與大豆LAI估測精度高,支持向量回歸模型有較好的預測能力。孫詩睿等[9]通過灰色關(guān)聯(lián)度分析篩選多個植被指數(shù)估測冬小麥LAI,發(fā)現(xiàn)相比于改進后的赤池信息量準則-偏最小二乘法模型,機器學習模型具有更高的準確性和更強的穩(wěn)定性。以上研究表明,通過篩選最優(yōu)波段構(gòu)建植被指數(shù)反演作物葉面積等生長和生理參數(shù)能夠有效提高模型的估測精度。

近年來,學者們發(fā)現(xiàn)提取植被指數(shù)影像中的紋理特征與顏色特征能夠進一步挖掘無人機影像中具有反演價值的信息,這為提高作物估測精度提供了一種新思路。賈丹等[10]通過在不同影像分辨率下,結(jié)合影像光譜特征和紋理特征估測冬小麥氮素含量,發(fā)現(xiàn)結(jié)合光譜特征和紋理特征的反演效果優(yōu)于單一光譜特征或單一紋理特征的反演效果。ZHANG等[11]利用灰度共生矩陣提取光譜的紋理特征,基于7種紋理特征構(gòu)造歸一化、比值、差值紋理指數(shù),發(fā)現(xiàn)植被指數(shù)與紋理指數(shù)結(jié)合能有效提高玉米LAI估測精度。YANG等[12]利用局部二值模式提取紋理特征結(jié)合光譜指數(shù)估測水稻LAI,發(fā)現(xiàn)全生育期估測精度均有提高。以上研究表明結(jié)合光譜特征與紋理特征來提高作物生長和生理參數(shù)估測精度具有較好前景。此外,STRICKER等[13]提出一種易于計算的顏色特征——顏色矩,發(fā)現(xiàn)一般用低階矩就足以有效地反映圖像的顏色信息。然而,鮮有學者利用顏色矩作為顏色特征對冬小麥LAI進行估測研究,其對冬小麥LAI估測精度的影響效應還缺乏深入研究。

本研究基于灰度共生矩陣提取各植被指數(shù)影像的8種紋理特征:對比度(Contrast,CON)、熵(Entropy,ENT)、方差(Variance,VAR)、均值(Mean,MEA)、協(xié)同性(Homogeneity,HOM)、相異性(Dissimilarity,DIS)、二階矩(Second moment,SEM)和相關(guān)性(Correlation,COR),同時提取各植被指數(shù)影像的顏色矩:一階矩(Mean,M)、二階矩(Variance,V)和三階矩(Skewness,S),在綜合考慮植被指數(shù)、圖像紋理特征和顏色特征條件下,利用多元逐步回歸法、支持向量回歸法和高斯過程回歸法構(gòu)建冬小麥LAI估測模型,通過對比和分析篩選最優(yōu)模型,以期為快速準確獲取冬小麥LAI提供理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

試驗于2020年10月—2021年6月在陜西省楊凌區(qū)西北農(nóng)林科技大學節(jié)水灌溉試驗站(34°18′ N, 108°24′ E)進行。冬小麥播種時間為2020年10月15日,收獲時間為2021年6月7日。該區(qū)為典型的半濕潤易旱區(qū),年平均溫度約12.4℃,年平均光照時數(shù)約2 162.4 h,降水量約504 mm,蒸發(fā)量約1 348 mm。試驗地土壤類型為壤土,播前土壤(0～20 cm)pH值為8.00,干容重為1.41 g/cm3,有機質(zhì)含量(質(zhì)量比)為13.80 g/kg,全氮含量為0.92 g/kg,硝態(tài)氮含量為81.30 mg/kg,有效磷含量為25.10 mg/kg,有效鉀含量為144.70 mg/kg。試驗區(qū)正射影像如圖1所示。

圖1 研究區(qū)地理位置

1.2 試驗方案

試驗冬小麥品種為“小堰22”,為了增加試驗區(qū)冬小麥長勢差異,設置3個播種量水平:90 kg/hm2(T17～T24)、135 kg/hm2(T9～T16)、180 kg/hm2(T1～T8);設置2個氮肥水平:100、200 kg/hm2,圖1中T1、T3、T5、T7、T10、T12、T14、T16、T17、T19、T21、T23施氮量為100 kg/hm2,其余小區(qū)均為200 kg/hm2;鉀肥均為90 kg/hm2,磷肥均為150 kg/hm2;設置2種耕作方式:壟作、平作,壟作地塊長8 m、寬6 m,壟溝寬60 cm,壟高10 cm,壟覆地膜,平作地塊長8 m、寬3 m,圖1中T3～T6、T11～T14、T19～T22為平作,其余小區(qū)均為壟作;設置2種灌溉方式:補灌、旱作,根據(jù)冬小麥需水量和當?shù)亟邓植继攸c,分別于冬小麥越冬期(2020年12月28日)和返青期(2021年2月14日)補灌30 mm,圖1中T1～T4、T13～T20補灌,其余小區(qū)旱作;共計24個處理,其余管理措施同當?shù)卮筇锕芾?。在冬小麥拔?jié)期(2021年3月21日)、孕穗期(2021年4月11日)、抽穗期(2021年4月30日)和灌漿期(2021年5月21日)采集無人機圖像,并同步獲取地面實測LAI。

1.3 數(shù)據(jù)獲取與預處理

1.3.1冬小麥LAI測定

利用三點取樣法,在試驗田每個小區(qū)內(nèi)用LAI-2200C型植物冠層分析儀(LI-COR Biosciences, Inc., Lincoln, NE, 美國)測量各點LAI,3點的平均值代表該小區(qū)的LAI。為避免光照對測量結(jié)果的影響,在日落后進行冬小麥LAI測量。在能代表小區(qū)整體生長狀況的位置隨機選擇3個點測量每個點的LAI,并取其平均值作為該小區(qū)的LAI。各生育期采集24個樣本,全生育期共計96個樣本。

1.3.2無人機影像獲取與預處理

利用DJI M200V2 型四旋翼無人機搭載Prime ALTUM多光譜相機同時采集藍光(Blue)、綠光(Green)、紅光(Red)、近紅外(Near infrared)、紅邊(Red edge)5個波段的多光譜圖像(表1)。每次拍攝時間均為11:00—15:00,天氣晴朗無風。采集無人機影像前,由DJI Pilot航跡規(guī)劃軟件自動規(guī)劃飛行任務,設置飛行高度為30 m,圖像航向重疊度為70%,圖像旁向重疊度為80%。到達設定飛行高度后,在試驗區(qū)域根據(jù)航拍路線飛行,進行等間距航拍,拍照時相機鏡頭與地面呈90°。

表1 Prime ALTUM相機基本參數(shù)

冬小麥全生育期共采集4次多光譜影像數(shù)據(jù),每次航拍可獲得1 000多幅原始影像。使用Pix4D mapper軟件(Pix4D,瑞士)進行影像拼接和灰板校正處理,獲得4個生育期5個單波段正射反射率影像。使用ENVI軟件進行圖像剪裁得到試驗區(qū)大小的影像數(shù)據(jù)以便進行植被指數(shù)影像合成,并進一步選取感興趣區(qū)域(Region of interesting)獲取相應數(shù)據(jù)。

1.4 植被指數(shù)與影像特征選取

植被指數(shù)能夠簡單且有效地估測植被LAI等長勢特征[14],基于前人研究結(jié)果本研究初步選取NDVI、RVI、DVI等25個植被指數(shù)進行估測建模,具體公式見表2。

表2 植被指數(shù)及其計算公式

利用ENVI 5.3影像紋理特征提取工具,基于灰度共生矩陣(Gray-level co-occurrence matrix,GLCM)提取出各植被指數(shù)影像的紋理特征(Texture feature,T),包括對比度、熵、方差、均值、協(xié)同性、相異性、二階矩和相關(guān)性。同時,提取各植被指數(shù)影像的顏色特征,包括一階矩、二階矩和三階矩。分析窗口尺寸為3×3,計算方向為45°。各紋理特征計算公式見文獻[36],各顏色特征計算公式見文獻[13]。

1.5 K折交叉驗證

交叉驗證對于檢驗模型偏差和方差具有普適性,適用于小樣本集的模型驗證[37]。K折交叉驗證是指將數(shù)據(jù)集隨機平均(或近似平均)分為K份,其中K-1份為訓練集,剩下的1份為驗證集;整個過程重復K次,并取K個模型的平均誤差作為標準進行模型選擇。本文采用常用的5折交叉驗證進行反演估測建模。

1.6 模型構(gòu)建

選取多元逐步回歸模型、支持向量回歸模型、高斯過程回歸模型3種估測模型進行比較分析,基于Matlab 2021a平臺進行反演估測建模與數(shù)據(jù)分析。

多元逐步回歸(Multiple stepwise regression,MSR)分析是從大量可供選取的變量中自動選擇最重要的變量,建立回歸分析的預測或解釋模型,主要是逐個引入新變量,要求其偏回歸平方和顯著,并逐個檢驗舊變量,剔除偏回歸平方和不顯著的變量。實質(zhì)是建立最優(yōu)的多元線性回歸方程。

支持向量機(Support vector machine,SVM)是一類按監(jiān)督學習方式對數(shù)據(jù)進行二元分類的廣義線性分類器,其原理是建立一個使學習樣本間距最大化的分類超平面[38]。將SVM由分類問題推廣至回歸問題就可以得到支持向量回歸(Support vector regression,SVR)。經(jīng)過反復試驗,本文輸入單一類型變量的SVR模型選擇高斯函數(shù)作為核函數(shù),輸入兩類及以上變量的SVR模型選擇三次函數(shù)作為核函數(shù)。

高斯過程回歸(Gaussian process regression,GPR)是基于高斯過程先驗對數(shù)據(jù)進行回歸分析[39],通過觀測均值和協(xié)方差不斷調(diào)整超參數(shù),具有容易實現(xiàn)、超參數(shù)自適應獲取及預測輸出具有概率意義等優(yōu)點[40]。經(jīng)過反復試驗對比,本文的GPR模型均選擇核函數(shù)為指數(shù)函數(shù)。

1.7 模型精度評價指標

采用決定系數(shù)(Coefficient of determination,R2)、均方根誤差(Root mean square error,RMSE)、平均絕對誤差(Mean absolute error,MAE)和歸一化均方根誤差(Normal root mean square error,NRMSE)評價模型精度。R2用于評價估測值和實測值的擬合程度,其值越接近1則模型擬合效果越好;RMSE用于評價估測值和實測值的偏差程度,其值越小則模型擬合效果越好;MAE用于評價估測值和實測值的實際偏差,其值越小則模型擬合效果越好;通常認為NRMSE小于等于10%時模型擬合效果非常好,NRMSE為(10%,20%]時模型擬合效果較好,NRMSE為(20%,30%]時模型擬合效果可以接受,NRMSE大于30%時模型擬合效果較差[41-43]。

2 結(jié)果與分析

2.1 相關(guān)性分析

將植被指數(shù)、紋理特征和顏色特征分別與冬小麥LAI進行相關(guān)性分析(圖2、表3),根據(jù)Pearson相關(guān)系數(shù)界值表[44],n=96時,|r|≥0.21在0.05水平上顯著(p<0.05),|r|≥0.27在0.01水平上顯著(p<0.01),|r|≥0.34在0.001水平上顯著(p<0.001)。

表3 紋理-顏色特征的相關(guān)性分析結(jié)果

圖2 植被指數(shù)的相關(guān)性分析結(jié)果

對所有植被指數(shù)篩選發(fā)現(xiàn)(圖2),共有20個植被指數(shù)的相關(guān)系數(shù)絕對值介于0.27～0.34之間,與冬小麥LAI存在顯著相關(guān)關(guān)系(p<0.01),多數(shù)相關(guān)系數(shù)絕對值較大的植被指數(shù)為多光譜波段指數(shù),可見光波段指數(shù)的相關(guān)系數(shù)絕對值相對較小。NDVI、SAVI、NDRE、EVI、BNDVI、MSAVI的相關(guān)系數(shù)絕對值最大,|r|=0.33,表現(xiàn)出較強相關(guān)性。

為方便表示,用“_”連接植被指數(shù)和紋理/顏色特征,如NDVI_MEA和NDVI_S分別表示從NDVI影像中提取的均值特征和三階矩特征。對所有紋理特征篩選發(fā)現(xiàn)(表3),CIVE_COR、ExGR_COR、VDVI_COR、SAVI_ENT、MSAVI_COR、ExB_COR的相關(guān)系數(shù)絕對值介于0.50～0.70之間,與冬小麥LAI存在極顯著相關(guān)關(guān)系(p<0.001),表現(xiàn)強相關(guān)性;其中,CIVE_COR和ExGR_COR的相關(guān)系數(shù)絕對值最高,為0.63。

對所有顏色特征篩選發(fā)現(xiàn)(表3),MSR_V的相關(guān)系數(shù)絕對值為0.41,與冬小麥LAI存在極顯著相關(guān)關(guān)系(p<0.001),表現(xiàn)強相關(guān)性;MSR_M、MSR_S、NGRDI_V的相關(guān)系數(shù)絕對值介于0.27～0.34之間,與冬小麥LAI存在顯著相關(guān)關(guān)系(p<0.01),表現(xiàn)較強相關(guān)性;ExR_V、RGRI_S、MExG_V的相關(guān)系數(shù)絕對值介于0.21～0.27之間,與冬小麥LAI存在相關(guān)關(guān)系(p<0.05),表現(xiàn)弱相關(guān)性。

由上述相關(guān)性分析結(jié)果可得,與冬小麥LAI相關(guān)性最強的為紋理特征,其次為顏色特征,最后為植被指數(shù)。相對于可見光波段指數(shù),多光譜波段指數(shù)與冬小麥LAI的相關(guān)性更強,但從可見光指數(shù)中提取的紋理特征比從多光譜波段指數(shù)中提取的紋理特征表現(xiàn)出更強相關(guān)性。經(jīng)統(tǒng)計,與冬小麥LAI之間存在相關(guān)關(guān)系的紋理特征中COR占比最大(15%),顏色特征中V占比最大(57%)。由此推測,COR和V類特征能夠提高冬小麥LAI的估測精度,有助于改善高密度冠層下植被指數(shù)的飽和問題。

2.2 輸入變量選取

將植被指數(shù)類變量記為VI,紋理特征(Texture feature)類變量記為T,顏色特征(Color feature)類變量記為C,3類變量排列組合后得到7組輸入變量,分別為VI、T、C、VI+T、VI+C、T+C和VI+T+C。選取相關(guān)系數(shù)絕對值最高的6個植被指數(shù)和|r|≥0.50的6個紋理特征作為輸入變量參與反演建模。為避免因輸入變量數(shù)量不同造成的誤差,令C類變量數(shù)量與VI類和T類變量保持一致,選擇相關(guān)系數(shù)絕對值最高的6個顏色特征參與反演建模。為探明不同類型變量之間的交互效應,且盡量減少因重要變量缺失而引起的模型偏差,其余4組輸入變量均為相應變量的簡單疊加,具體輸入變量見表4。

表4 模型輸入變量

2.3 建模結(jié)果分析

為了評價不同類型變量對冬小麥LAI估測的影響效應,分別利用表4中的7種變量對冬小麥LAI進行估測,基于不同類型變量的驗證集估測結(jié)果如表5所示,模型散點圖如圖3所示。

表5 基于不同輸入變量的冬小麥葉面積指數(shù)估測結(jié)果

圖3 基于不同輸入變量的冬小麥葉面積指數(shù)估測結(jié)果散點圖

對于多元逐步回歸模型(表5),僅利用單一類型變量進行估測時,T-MSR模型的結(jié)果最優(yōu)(R2=0.58,RMSE為0.47 m2/m2,MAE為0.36 m2/m2,NRMSE為11.22%)。所有逐步回歸模型中,T+C-MSR模型結(jié)果最優(yōu)(R2=0.70,RMSE為0.40 m2/m2,MAE為0.28 m2/m2,NRMSE為9.55%)。相比于VI-MSR模型,VI+T-MSR模型R2增大0.05,RMSE減小0.02 m2/m2,MAE減小0.01 m2/m2,NRMSE減小0.48個百分點;VI+C-MSR模型R2增大0.18,RMSE減小0.09 m2/m2,MAE減小0.08 m2/m2,NRMSE減小2.15個百分點。相比于T+C-MSR模型,VI+T+C-MSR模型R2減小0.11,RMSE增大0.07 m2/m2,MAE增大0.06 m2/m2,NRMSE增大1.67個百分點。由此可得,在線性擬合條件下,僅結(jié)合紋理特征無法有效改善植被指數(shù)在高密冠層下的飽和問題,而考慮結(jié)合顏色特征或利用紋理特征結(jié)合顏色特征更有助于解決或改善該問題。

對于支持向量回歸模型(表5),僅利用單一類型變量進行估測時,T-SVR模型結(jié)果最優(yōu)(R2=0.67,RMSE為0.42 m2/m2,MAE為0.26 m2/m2,NRMSE為10.02%)。所有支持向量回歸模型中,VI+T+C-SVR模型結(jié)果最優(yōu)(R2=0.94,RMSE為0.19 m2/m2,MAE為0.11 m2/m2,NRMSE為4.53%)。相比于VI-SVR模型,VI+T-SVR模型R2增大0.21,RMSE減小0.17 m2/m2,MAE減小0.13 m2/m2,NRMSE減小4.05個百分點;VI+C-SVR模型R2增大0.12,RMSE減小0.08 m2/m2,MAE減小0.08 m2/m2,NRMSE減小1.91個百分點。相比于結(jié)合兩類變量的SVR模型(VI+T-SVR模型、VI+C-SVR模型、T+C-SVR模型),VI+T+C-SVR模型R2增大0.10左右,RMSE減小0.10 m2/m2左右,MAE減小0.05 m2/m2左右,NRMSE減小2.55個百分點左右。由此可得,融合植被指數(shù)和紋理-顏色特征有助于提高冬小麥LAI的估測精度。

對高斯過程回歸模型(表5),僅利用單一類型變量進行估測時,VI-GPR模型結(jié)果最優(yōu)(R2=0.74,RMSE為0.37 m2/m2,MAE為0.29 m2/m2,NRMSE為8.83%)。所有高斯過程回歸模型中,VI+T+C-GPR模型結(jié)果最優(yōu)(R2=0.94,RMSE為0.17 m2/m2,MAE為0.13 m2/m2,NRMSE為4.06%)。相比于VI-GPR模型,VI+T-GPR模型R2增大0.12,RMSE減小0.09 m2/m2,MAE減小0.07 m2/m2,NRMSE減小2.15個百分點;VI+C-GPR模型R2增大0.17,RMSE減小0.15 m2/m2,MAE減小0.13 m2/m2,NRMSE減小3.58個百分點。相比于結(jié)合兩類變量的GPR模型(VI+T-GPR模型、VI+C-GPR模型、T+C-GPR模型),VI+T+C-GPR模型R2增大0.10左右,RMSE減小0.11 m2/m2左右,MAE減小0.08 m2/m2左右,NRMSE減小2.62個百分點左右。由此可得,融合植被指數(shù)和紋理-顏色特征能夠有效提高冬小麥LAI的估測精度。另外,VI+C-GPR模型相比VI+C-MSR和VI+C-SVR模型的精度更高,且R2>0.90,有很好的冬小麥LAI估測能力。由此可以推測,在指數(shù)擬合條件下植被指數(shù)和顏色特征之間存在顯著的交互作用。

為了評價不同算法的冬小麥LAI估測能力,利用表4中所選的7組變量對冬小麥LAI進行估測,每種算法中包括7組變量的冬小麥LAI估測值(672個樣本)?；?種模型的估測結(jié)果如表6所示,估測結(jié)果散點圖如圖4所示。分析評價指標(表6)可得,GPR模型和SVR模型R2、RMSE、MAE、NRMSE均明顯優(yōu)于MSR模型。GPR模型和SVR模型R2≥0.80,NRMSE小于10%,二者RMSE和MAE均較小且相近。分析圖4可得,3種算法的擬合回歸曲線斜率均小于1,在冬小麥LAI較小時估測值偏大,在冬小麥LAI較大時估測值偏小。MSR模型斜率最小,SVR模型斜率略大于GPR模型。但對LAI較高或較低時樣本點的分散程度而言,GPR模型擬合能力更好。綜合考慮,GPR模型估測冬小麥LAI精度最高。

表6 基于不同模型的冬小麥葉面積指數(shù)估測結(jié)果

圖4 基于不同模型的冬小麥葉面積指數(shù)估測結(jié)果散點圖

從不同類型變量的角度分析,結(jié)合植被指數(shù)、紋理特征和顏色特征估測冬小麥LAI效果最佳,其中VI+T+C-GPR模型估測精度最高(R2=0.94,RMSE為0.17 m2/m2,MAE為0.13 m2/m2,NRMSE為4.06%);從不同算法的角度分析,SVR模型和GPR模型均具有較強冬小麥LAI估測能力,但GPR模型精度更高。

利用最優(yōu)模型估測結(jié)果繪制所得各生育期冬小麥LAI空間分布圖如圖5所示。由圖5可知,不同田間管理方式下冬小麥LAI差異顯著,LAI隨生育期推進先增大后減小。拔節(jié)期LAI介于2.36～4.68 m2/m2之間,孕穗期LAI介于3.33～5.50 m2/m2之間,抽穗期LAI介于4.09～6.18 m2/m2之間,灌漿期LAI介于3.88～5.34 m2/m2之間,各小區(qū)LAI估測值均與實測值相近。壟作小區(qū)LAI普遍大于平作小區(qū),補灌小區(qū)LAI普遍大于旱作小區(qū),施肥量高小區(qū)LAI普遍大于施肥量低小區(qū),種植密度大小區(qū)LAI普遍大于種植密度低小區(qū)。所有小區(qū)中T1小區(qū)冬小麥LAI最大,T22小區(qū)冬小麥LAI最小。

圖5 不同生育期冬小麥葉面積指數(shù)空間分布

3 討論

LAI不僅是反映植物生長狀況和生理狀態(tài)的重要指標,也是構(gòu)建植物光合效能、呼吸功能、蒸騰作用等生態(tài)模型的關(guān)鍵參數(shù)[45]。因此,LAI的快速準確測量對及時掌握農(nóng)作物長勢及產(chǎn)量,耦合估測農(nóng)作物氮素含量等生理指標有重要意義。前人已利用遙感影像開展了較多作物生長和生理指標的估測研究[46],這類研究主要以篩選光譜中的敏感波段和植被指數(shù)為主。光譜獲取途徑一般包括大尺度衛(wèi)星遙感、小尺度無人機遙感和田間傳感器獲取,小尺度無人機遙感通過搭載不同相機可以獲取多光譜影像和高光譜影像。相較于多光譜影像,高光譜影像中包含了更多的光譜信息[47],為提高作物生理特征的估測精度提供了更多可能。但是,正因為高光譜包含了大量的光譜信息,所以利用高光譜數(shù)據(jù)估測冬小麥LAI時存在波段間信息冗余、一些波段的信噪比較低的問題。另外,高光譜數(shù)據(jù)對作物生長環(huán)境的依賴性較大[48],其相對于多光譜數(shù)據(jù)對反演冬小麥LAI是否存在優(yōu)勢仍存在爭議[49]。因此,從多光譜影像中提取更多光譜信息用于快速準確地估測冬小麥LAI具有重要意義。

本文構(gòu)建了25個植被指數(shù),分別提取每幅植被指數(shù)影像中的8種紋理特征和3種顏色特征,利用Pearson相關(guān)性分析篩選變量,結(jié)合地面田間同步實測冬小麥LAI進行估測建模,分析不同算法下模型精度以及不同類型變量間模型精度的差異,探索利用多光譜無人機影像的圖像特征估測冬小麥LAI的潛力。結(jié)果發(fā)現(xiàn),植被指數(shù)中NDVI與冬小麥LAI相關(guān)性最高,這與WANG等[36]的研究結(jié)果相似。NDVI、SAVI、MSAVI等植被指數(shù)與冬小麥LAI有較強相關(guān)性,能夠較好地反映其長勢狀況,這與鄧尚奇等[50]的研究結(jié)果一致。由于可見光波段指數(shù)與冬小麥LAI之間存在非線性關(guān)系而不能在線性Pearson相關(guān)性分析中呈現(xiàn)[50],所以相比于多光譜波段指數(shù),ExG、ExR等可見光波段指數(shù)與冬小麥LAI相關(guān)性不高,這與ZHANG等[51]的研究結(jié)果也基本一致。利用多光譜影像數(shù)據(jù)能夠估測得到準確的植被LAI[52],而通過多光譜波段計算得到的植被指數(shù)能有效提高估測LAI準確度[14],但當作物冠層密度較高時光譜反射率和植被指數(shù)會趨于飽和[11]。有研究表明,結(jié)合作物高度和光譜反射率可以通過改善數(shù)據(jù)結(jié)構(gòu)來克服冠層密度較高時的飽和問題,從而提高反演模型精度[53-54]。除作物高度外,圖像紋理特征也是常用的空間信息[55],因此本文基于灰度共生矩陣提取了植被指數(shù)影像8種紋理特征用于冬小麥LAI估測建模。

本文中大量紋理特征與冬小麥LAI存在極顯著相關(guān)關(guān)系,其中CIVE_COR與冬小麥LAI相關(guān)性最高且更利于LAI估測。與WANG等[36]研究結(jié)果不同的是,其認為MSR_VAR和SR_VAR對提高LAI估測精度更有幫助。這可能是因為紋理特征對LAI的敏感性受植被類型和影像分辨率等因素影響[51],且本文與前人研究選取的植被指數(shù)有所不同,也會對結(jié)果造成影響。相對于僅利用植被指數(shù)或紋理特征進行冬小麥LAI估測,結(jié)合植被指數(shù)和紋理特征有效提高了模型精度并減小估測誤差,這與前人[10, 36, 51]的研究結(jié)果一致。在考慮顏色特征作為輸入變量研究中,常利用本文中提到的r、g、b或色調(diào)(H)、飽和度(S)、明度(V)作為顏色特征,而關(guān)注到本文中提到的顏色矩這類特征的研究不多,且少有學者關(guān)注植被指數(shù)影像中的紋理特征和顏色特征與植被指數(shù)的交互效應。為了從有限的光譜信息中獲取更多維度的信息,本文通過計算獲得了植被指數(shù)影像的3種顏色矩,并對不同類型的變量進行排列組合得到包含不同信息的7組變量,以期進一步提高冬小麥LAI估測精度。結(jié)果表明,植被指數(shù)結(jié)合顏色特征同樣可以提高冬小麥LAI估測精度,且結(jié)合植被指數(shù)、紋理特征和顏色特征得到的估測模型在7種變量組合中精度最高、誤差最小。另外,相對MSR模型,GPR模型和SVR模型均具有較強冬小麥LAI估測能力,這與前人[11, 56]的研究結(jié)果相符。

本文利用最優(yōu)模型估測結(jié)果繪制得到各生育期冬小麥LAI空間分布圖,發(fā)現(xiàn)相同田間管理方式下種植密度越高小區(qū)LAI越高;壟作小區(qū)LAI普遍高于平作小區(qū),水肥脅迫嚴重小區(qū)LAI普遍較低,各小區(qū)LAI時空分布情況與實際情況相符。研究結(jié)果說明植被指數(shù)融合紋理-顏色特征對提升冬小麥LAI估測精度有重要意義,但仍存在一些不足有待進一步研究。比如,紋理特征對冬小麥LAI敏感性受計算窗口方向、位移和尺寸影響較大,本文只考慮了窗口尺寸為3×3,計算方向為45°情況。下一步將對比不同窗口參數(shù)下提取得到的紋理特征與冬小麥LAI相關(guān)性,以及其與植被指數(shù)和顏色特征融合估測冬小麥LAI的精度與適用性。

4 結(jié)束語

通過提取植被指數(shù)的紋理特征和顏色特征,豐富反演數(shù)據(jù)的維度,從而克服植被指數(shù)在密集冠層下的飽和問題。為探究植被指數(shù)、紋理特征和顏色特征的交互關(guān)系,將三者進行排列組合,得到7組輸入變量,選取MSR、SVR、GPR 3種模型建立冬小麥LAI建立估測模型。結(jié)果表明,相對于考慮單一類型變量,考慮結(jié)合紋理特征和顏色特征的冬小麥LAI估測模型精度更高;SVR模型和GPR模型均具有較強冬小麥LAI估測能力,但GPR模型精度更高;融合紋理-顏色特征與植被指數(shù)能夠提升冬小麥LAI的估測精度。