基于無人機遙感數(shù)據(jù)的智能態(tài)勢感知技術(shù)應(yīng)用

摘 要：智能態(tài)勢感知技術(shù)是一種利用多種傳感器和人工智能算法，對環(huán)境狀態(tài)進行實時監(jiān)測、分析和預(yù)測的技術(shù)。它能夠幫助用戶在復(fù)雜多變的環(huán)境中快速準確地掌握當(dāng)前態(tài)勢，為決策提供支持。研究基于無人機多光譜遙感技術(shù)，旨在探索一種高效、準確的水稻葉面積指數(shù)（LAI）估測方法。在湖北省武漢市的田間試驗中，選取27個田塊，涵蓋3個水稻品種及3種氮肥梯度，于水稻分蘗期、拔節(jié)期、孕穗期和抽穗期采集多光譜影像與實測LAI數(shù)據(jù)。利用MCA-12多光譜相機獲取12個波段的冠層反射率信息，經(jīng)輻射定標(biāo)處理后，結(jié)合LAI-2200C植物冠層分析儀實測數(shù)據(jù)，采用隨機森林回歸算法構(gòu)建水稻LAI估測模型。通過相關(guān)性分析篩選出與LAI相關(guān)性較高的光譜參數(shù)（包括冠層反射率和植被指數(shù)）作為模型輸入變量。結(jié)果表明，經(jīng)過變量篩選后，模型驗證精度的決定系數(shù)R2=0.89，均方根誤差RMSE=0.83，相對均方根誤差RRMSE=15.80%，且模型魯棒性顯著增強。研究為水稻生長監(jiān)測和精準農(nóng)業(yè)管理提供了有力的技術(shù)支持。

關(guān)鍵詞：低空遙感；多光譜影像；植被指數(shù)；無人機；葉面積指數(shù)

中圖分類號：V279；S127 文獻標(biāo)志碼：A 文章編號：1674-7909（2025）6-144-6

DOI：10.19345/j.cnki.1674-7909.2025.06.028

0 引言

水稻作為全球最重要的糧食作物之一，其種植面積和產(chǎn)量對全球糧食安全具有深遠影響［1］。隨著人口的增長和耕地資源的減少，提高水稻產(chǎn)量和品質(zhì)成為農(nóng)業(yè)領(lǐng)域研究的重點［2］。葉面積指數(shù)（LAI）是衡量植物生長狀況和光合作用能力的關(guān)鍵指標(biāo)之一，反映植物葉片對光能的截獲能力和群體結(jié)構(gòu)特征。準確估測水稻LAI對于優(yōu)化種植管理、預(yù)測產(chǎn)量及實現(xiàn)精準農(nóng)業(yè)具有重要意義［3］。

傳統(tǒng)的LAI測量方法主要包括直接測量法（如剪取葉片稱重法）和間接測量法（如采用LAI-2000植物冠層分析儀）。然而，這些方法存在耗時費力、主觀性強及難以大面積快速監(jiān)測等局限性［4］。隨著遙感技術(shù)的不斷發(fā)展，其在農(nóng)業(yè)領(lǐng)域的應(yīng)用日益廣泛。無人機遙感（Unmanned Aerial Vehicle Remote Sensing，UAVRS）作為一種新興的遙感技術(shù)，具有靈活性高、分辨率高、成本低等優(yōu)點，能夠快速獲取大面積的地面信息，為水稻LAI的估測提供新的技術(shù)手段［5］。

遙感技術(shù)在植被參數(shù)估測領(lǐng)域的應(yīng)用已有多年歷史。早期的研究主要依賴于衛(wèi)星遙感數(shù)據(jù)（如Landsat和MODIS等），這些數(shù)據(jù)具有覆蓋范圍廣、數(shù)據(jù)獲取周期短等優(yōu)點，但其空間分辨率較低，難以滿足精準農(nóng)業(yè)對高精度監(jiān)測的需求［6］。近年來，無人機遙感技術(shù)的興起為高分辨率植被監(jiān)測提供了可能。無人機搭載的傳感器類型豐富多樣，包括多光譜相機、高光譜相機、激光雷達等，能夠獲取更詳細、更精準的植被信息。

在LAI估測方面，國內(nèi)外學(xué)者已經(jīng)開展了大量研究。許多研究利用衛(wèi)星遙感數(shù)據(jù)和植被指數(shù)（如歸一化植被指數(shù)NDVI、增強植被指數(shù)EVI等）建立了LAI估測模型，并取得了較好的效果［7］。然而，這些模型在應(yīng)用于小尺度區(qū)域或特定作物時，往往受到空間分辨率和光譜信息有限的限制。無人機多光譜遙感技術(shù)的出現(xiàn)為解決這一問題提供了新的思路。多光譜相機能夠獲取多個波段的反射率信息，通過計算不同的植被指數(shù)，可以更準確地反映植被的生理和生態(tài)特征。但目前存在模型精度不高和穩(wěn)定性不強的問題。研究旨在探索利用無人機多光譜遙感技術(shù)估測水稻LAI的有效方法，建立準確、高效的估測模型，為水稻生長監(jiān)測和精準農(nóng)業(yè)管理提供技術(shù)支持。

1 材料與方法

1.1 試驗設(shè)計和數(shù)據(jù)采集

于2022年在湖北省武漢市進行了水稻田間試驗。試驗共包含27個田塊，3個不同品種（其中2個為秈稻，1個為粳稻），3種氮肥梯度，每個品種和氮肥條件重復(fù)3次。在水稻分蘗期（7月2日）、拔節(jié)期（7月22日）、孕穗期（8月15日）和抽穗期（8月25日）分別采集無人機多光譜影像和對應(yīng)不同田塊的水稻LAI數(shù)據(jù)。

多光譜影像數(shù)據(jù)采用MCA-12多光譜相機搭載在大疆S1000無人機上獲取。多光譜影像包括490、520、550、570、670、680、700、720、800、850、900、950 nm共計12個波段。獲取原始多光譜影像后，利用3%、6%、12%、24%、36%、45%、56%、80%共計8塊具有固定反射率的定標(biāo)板進行輻射定標(biāo)，將原始數(shù)據(jù)轉(zhuǎn)換為具有可比性的反射率圖像，以上不同波段提取的水稻冠層反射率分別記為R490、R520、R550、R570、R670、R680、R700、R720、R800、R850、R900和R950。輻射定標(biāo)參考統(tǒng)一分段經(jīng)驗線性法［8］。

在避免正午陽光直射時，采用LAI-2200C植物冠層分析儀無損測量水稻冠層LAI。測量每個田塊的多個位置，最后取平均值作為單個田塊水平的LAI。

1.2 試驗方法

研究采用4個時期的冠層反射率和植被指數(shù)作為自變量，實測LAI值作為因變量，基于隨機森林回歸算法建立水稻LAI的估測模型。訓(xùn)練集和驗證集之比為7∶3。計算的植被指數(shù)包括歸一化差異植被指數(shù)（NDVI）、歸一化紅邊差異指數(shù)（NDRE）、差值植被指數(shù)（DVI）、比值植被指數(shù)（RVI）、增強型植被指數(shù)（EVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、可視化大氣阻抗指數(shù)（VARI）、MERIS陸地葉綠素指數(shù)（MTCI）。

在構(gòu)建估測模型之前，需要進行自變量篩選，因為以上選用的變量可能存在共線性，這會導(dǎo)致模型精度提升受限，甚至?xí)档湍Ｐ途?。采用相關(guān)性分析方法，分析所有自變量之間的相關(guān)性，在共線性較強的變量中篩選后輸入回歸模型。模型精度采用決定系數(shù)（R2）、均方根誤差（RMSE）和相對均方根誤差（RRMSE）進行評估。

2 結(jié)果分析

2.1 基于光譜信息與水稻LAI的相關(guān)性分析

基于多光譜影像提取的冠層反射率和植被指數(shù)，分別與水稻LAI進行相關(guān)性分析，結(jié)果如圖1所示。由圖1可以看出，R490、R570、R670與LAI的相關(guān)系數(shù)較低（低于0.3），說明這些變量與水稻LAI的線性關(guān)系較弱。R520、R680、NDVI與LAI的相關(guān)系數(shù)在中等范圍內(nèi)（0.3～0.5）。R550、R700、R720、R800、R850、R900、R950、NDRE、DVI、RVI、EVI、SAVI、VARI、MTCI與LAI的相關(guān)系數(shù)較高（大于0.5），尤其是VARI與LAI的相關(guān)系數(shù)接近0.8，表明這些變量與水稻LAI有較強的線性關(guān)系。

不同波長的反射率和植被指數(shù)與水稻LAI的相關(guān)性差異較大?？傮w來看，MTCI、NDRE、DVI、EVI、SAVI等植被指數(shù)及R550、R720、R800、R850、R900等波長的反射率與水稻LAI的相關(guān)性較強，可能是預(yù)測水稻LAI的較好指標(biāo)。而R490、R570、R670、R680等變量與水稻LAI的相關(guān)性較弱，可能對預(yù)測水稻LAI的貢獻較小。

以上結(jié)果出現(xiàn)的可能原因是綠色波段可以較好地表征水稻生長和綠度變化，近紅外波段在水稻冠層具有較強的穿透能力［9］。因此，這些波段反射率與水稻冠層LAI具有較強的相關(guān)性。大多數(shù)植被指數(shù)均與水稻LAI有較強的相關(guān)性，僅NDVI表現(xiàn)不佳。這是由于在水稻生長中后期，冠層覆蓋度達到飽和，從而難以表征冠層內(nèi)部的生長情況［10］。而大多數(shù)植被指數(shù)通過不同波段的融合，可以增強植被冠層特性［11］，從而與LAI有較強的相關(guān)性。

2.2 水稻LAI估測模型輸入變量篩選

在多元變量回歸（如機器學(xué)習(xí)）中，變量篩選（也稱為特征選擇）是一個非常重要的環(huán)節(jié)，它對模型的性能、效率和可解釋性都有著關(guān)鍵影響［12］。數(shù)據(jù)中可能包含許多與目標(biāo)變量無關(guān)的特征（如噪聲特征），這些特征會干擾模型的學(xué)習(xí)過程，導(dǎo)致模型過度擬合訓(xùn)練數(shù)據(jù)，而在測試數(shù)據(jù)上表現(xiàn)不佳。通過變量篩選，去除這些無關(guān)特征，可以使模型更專注于重要的信息，從而提高模型的泛化能力。變量篩選可以保留與目標(biāo)變量相關(guān)性更強的特征，增強模型對重要信息的捕捉能力，從而提升模型的預(yù)測精度。

在冠層反射率和植被指數(shù)作為自變量輸入隨機森林回歸模型之前，首先需要進行變量篩選。采用變量之間相關(guān)性分析的方法去除冗余變量。不同冠層反射率和植被指數(shù)兩兩之間的相關(guān)性分析結(jié)果如圖2所示，圖2中顏色深淺代表相關(guān)性系數(shù)的大小，越偏向于深黑色，相關(guān)系數(shù)越大，越偏向于白色，相關(guān)系數(shù)越小?？梢钥闯?，不同變量之間存在不同程度的共線性。不同冠層反射率之間，R490與R570、R670、R680之間存在較強的相關(guān)性，R700與R720之間同樣表現(xiàn)出較強的相關(guān)性。近紅外波段（R800、R850、R900和R950）之間具有顯著的相關(guān)性。植被指數(shù)之間，MTCI與NDRE之間，RVI與SAVI、VARI、MTCI之間具有強相關(guān)性。冠層反射率與植被指數(shù)之間，藍色波段（R490）、紅色波段附近（R570、R670、R680）與RVI、SAVI、MTCI之間都具有較強的相關(guān)性。

因此，結(jié)合不同自變量與水稻LAI之間，以及不同自變量之間的相關(guān)性，最終確定將R550、R720、R850、NDRE、DVI和VARI共計6個參數(shù)作為隨機森林回歸模型的輸入變量。

2.3 水稻LAI估測模型構(gòu)建及驗證

該研究中，4個時期水稻總樣本量為108（27×4），按照7∶3的比例劃分為模型訓(xùn)練集（樣本量為76）和驗證集（樣本量為32），通過訓(xùn)練集進行模型構(gòu)建，并通過驗證集評估模型的精度。此外，為了比較變量篩選前后模型精度的變化，分別將所有自變量輸入和篩選后的6個自變量作為模型輸入，構(gòu)建隨機森林回歸模型，結(jié)果如圖3所示。

未經(jīng)過變量篩選的水稻LAI預(yù)測結(jié)果如圖3（a）所示。由圖3（a）可以看出，基于不同光譜信息（冠層反射率和植被指數(shù)）的水稻LAI估測具有較高精度（R2=0.72，RMSE=1.30，RRMSE=24.95%），但是驗證模型的精度和訓(xùn)練集模型的精度相差較大（R2相差0.21，RMSE相差0.63，RRMSE相差超過12%），說明該模型的魯棒性較弱。經(jīng)過變量篩選的水稻LAI預(yù)測結(jié)果如圖3（b）所示。由圖3（b）可以看出，基于光譜信息的水稻LAI估測具有良好精度（R2=0.89，RMSE=0.83，RRMSE=15.80%），且驗證模型的精度和訓(xùn)練集模型的精度相差不大（R2相差0.01，RMSE相差0.05，RRMSE相差約1%），這說明該模型具有較強的魯棒性。與未經(jīng)過變量篩選的模型精度相比，經(jīng)過變量篩選的模型精度提升明顯（R2提升0.17，RMSE降低0.47，RRMSE降低超過9%），這進一步表明多變量回歸模型中輸入變量篩選的重要性。

研究主要利用光譜信息來估測水稻LAI，在未來研究中，其他變量可以作為輔助參數(shù)來提升模型精度。例如，無人機高分辨圖像可以表征冠層植被和土壤的分布情況，基于此計算的紋理參數(shù)有助于提升水稻LAI的估測精度。由于水稻LAI具有立體結(jié)構(gòu)，因此水稻的結(jié)構(gòu)信息（如冠層高度等）將有助于進一步提升水稻LAI的估測精度，尤其是中后期冠層封閉后的估測精度。此外，更多變量篩選方法可用于比較變量篩選對模型精度的影響，如基于機器學(xué)習(xí)［13］、RReliefF算法［14］等。在回歸方法方面，更多的機器學(xué)習(xí)和深度學(xué)習(xí)算法［15］有望進一步提升模型的精度和可解釋能力。

3 結(jié)論

研究成功構(gòu)建了基于無人機多光譜遙感的水稻LAI估測模型，實現(xiàn)了對水稻LAI的高效、準確監(jiān)測。通過變量篩選，模型精度和魯棒性均得到顯著提升，R2=0.89，RMSE=0.83，RRMSE=15.80%。未來研究可進一步引入無人機高分辨率圖像的紋理參數(shù)及水稻結(jié)構(gòu)信息（如冠層高度），以進一步提高模型精度。同時，可探索更多變量篩選方法（如基于機器學(xué)習(xí)、RReliefF、深度學(xué)習(xí)等算法），以優(yōu)化模型性能和可解釋能力。

參考文獻：

［1］南楠.鹽脅迫對水稻糧食安全影響的研究進展［J］.糧食問題研究，2022（5）：9-11，43.

［2］JIN P H，CHEN Z，WANG H，et al.12-year continuous biochar application：mitigating reactive nitrogen loss in paddy fields but without rice yield enhancement［J］.Agriculture，Ecosystems amp; Environment，2024，375：109223.

［3］余興嬌，樊凱，霍雪飛，等.基于無人機影像多特征融合的夏玉米LAI動態(tài)估計［J］.農(nóng)業(yè)工程學(xué)報，2025，41（4）：1-11.

［4］劉瑋佳，張曉彤，楊睿，等.基于特征波段選擇的蘆葦LAI高光譜遙感估測［J］.華北理工大學(xué)學(xué)報（自然科學(xué)版），2025，47（1）：79-87.

［5］王飛龍，王福民，胡景輝，等.基于相對光譜變量的無人機遙感水稻估產(chǎn)及產(chǎn)量制圖［J］.遙感技術(shù)與應(yīng)用， 2020，35（2）：458-468.

［6］李衛(wèi)國，趙春江，王紀華，等.基于衛(wèi)星遙感的冬小麥拔節(jié)期長勢監(jiān)測［J］.麥類作物學(xué)報， 2007，27（3）：523-527.

［7］賈玉秋，李冰，程永政，等.基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較［J］.農(nóng)業(yè)工程學(xué)報，2015，31（9）：173-179.

［8］LUO S J，JIANG X Q，YANG K L，et al.Multispectral remote sensing for accurate acquisition of rice phenotypes：impacts of radiometric calibration and unmanned aerial vehicle flying altitudes［J］.Frontiers in Plant Science，2022，13：958106.

［9］徐廣通，袁洪福，陸婉珍.現(xiàn)代近紅外光譜技術(shù)及應(yīng)用進展［J］.光譜學(xué)與光譜分析，2000（2）：134-142.

［10］楊靜，張亞杰，陳金威，等.基于MODIS數(shù)據(jù)的三種植被指數(shù)在海南島植被監(jiān)測中的適用性研究［J］.干旱氣象，2024，42（2）：274-282.

［11］劉琦，屈忠義，白燕英，等.結(jié)合無人機多光譜數(shù)據(jù)和機器學(xué)習(xí)算法的春小麥葉面積指數(shù)反演［J］.灌溉排水學(xué)報，2024，43（11）：63-73.

［12］王曉楠，蘇文浩，董靈波.應(yīng)用特征選擇和機器學(xué)習(xí)方法建立興安落葉松單木樹齡預(yù)測模型［J］.東北林業(yè)大學(xué)學(xué)報，2024，52（11）：64-71，82.

［13］馬怡茹，呂新，易翔，等.基于機器學(xué)習(xí)的棉花葉面積指數(shù)監(jiān)測［J］.農(nóng)業(yè)工程學(xué)報，2021，37（13）：152-162.

［14］LUO S J，JIANG X Q，HE Y B，et al.Multi-dimensional variables and feature parameter selection for aboveground biomass estimation of potato based on UAV multispectral imagery［J］.Frontiers in Plant Science，2022，13：948249.

［15］郝子源，楊瑋，李浩，等.基于多源信息和深度學(xué)習(xí)的多作物葉面積指數(shù)預(yù)測模型研究［J］.光譜學(xué)與光譜分析，2023，43（12）：3862-3870.

Application of Intelligent Situational Awareness Technology Based on UAV Remote Sensing Data

CHEN Lin1 ZHANG Zhongyuan1 LUO Shanjun1 CHEN Xiaohui2 SONG Xianghui3

ZHANG Huixin4

1.Aerospace Information Research Institute， Henan Academy of Sciences， Zhengzhou 450046， China; 2.Information Engineering University， Zhengzhou 450000， China; 3.Research Institute of Highway Ministry of Transport， Beijing 100088， China; 4.Henan Zhongtian High-Tech Intelligent Technology Co.， Ltd.， Zhengzhou 450061， China

Abstract： Intelligent situational awareness is a technology that utilizes multiple sensors and artificial intelligence algorithms to monitor， analyze， and predict the state of the environment in real time. It can help users to quickly and accurately grasp the current situation in complex and changing environments and provide support for decision-making. Based on the UAV multispectral remote sensing technology， this study aims to explore an efficient and accurate method for estimating rice leaf area index （LAI）. In a field experiment in Wuhan City， Hubei Province， 27 plots covering three rice varieties and three nitrogen fertilizer gradients were selected， and multispectral images with measured LAI data were captured at the tillering， jointing， booting， and heading stages of rice. The MCA-12 multispectral camera was used to obtain canopy reflectance information of 12 bands， which was processed by radiometric calibration and combined with the measured data of LAI-2200C plant canopy analyzer to construct the rice LAI estimation model using the random forest regression algorithm. Spectral parameters with high correlation with LAI （including canopy reflectance and vegetation indices） were screened as model input variables by correlation analysis. The results showed that after variable screening， the coefficient of determination of the model validation accuracy R2=0.89， the root mean square error RMSE=0.83， the relative root mean square error RRMSE=15.80%， and the model robustness was significantly enhanced. This study provides powerful technical support for rice growth monitoring and precision agriculture management.

Key words： low-altitude remote sensing; multispectral imagery; vegetation index; unmanned aerial vehicle; leaf area index