無人機高光譜遙感數據在冬小麥葉面積指數反演中的應用*

潘海珠，陳仲新※

(1.農業部農業遙感重點實驗室，北京 100081；2.中國農業科學院農業資源與農業區劃研究所，北京 100081)

0 引言

葉面積指數是表征植被冠層結構特征的關鍵參數，被定義為單位面積上單面葉片面積的總和[1]。高效地獲取農作物葉面積指數，對作物長勢監測、病蟲害監測和產量預測以及田間管理具有重要意義。傳統的衛星遙感技術被廣泛用于農作物葉面積指數反演并形成了成熟的算法和產品。國內外學者利用光譜儀和衛星高光譜數據開展了大量的LAI反演研究[2-3]，如Gilabert和Merzlyak[4]通過比較歸一化植被指數NDVI和紅邊位置參數與LAI的相關性，發現紅邊位置更能反映LAI；梁亮等[5]對18種植被指數進行比較分析，從中篩選出了對小麥LAI敏感的光譜指數OSAVI。無人機高光譜遙感數據也被開始應用于農業研究，如高林等[6]利用UHD185數據分析了12種比值光譜指數對小麥LAI的敏感差異。

近年來，無人機遙感技術發展迅速，相比于衛星遙感數據，無人機遙感數據適合小范圍內數據采集，在田間尺度的精細農業方面具有明顯的應用優勢，有效地彌補了衛星遙感在農業應用上的缺陷[7-8]。無人機具有體積小、成本低和操作簡單的優點，與高光譜傳感器結合，能夠高效準確地進行地表動態監測，但目前農業無人機高光譜遙感應用相對較少。研究以河北省衡水市冬小麥為研究對象，使用無人機平臺搭載高光譜成像傳感器獲取冬小麥高光譜影像，利用植被輻射傳輸模型PROSAIL和獲取的高光譜影像構建冬小麥LAI的遙感估算模型，為作物參數監測提供新的研究方法。

1 研究區與數據

1.1 研究區概況

研究選擇的研究區為河北省衡水市(東經115°10′～116°34′，北緯37°03′～38°23′)，地處黃淮海平原區，是我國典型的冬小麥種植區和糧食生產基地。衡水市屬溫帶半濕潤大陸季風氣候，為溫暖半干旱型，區域內氣候差異不大，年平均氣溫12～13℃，大于0℃年積溫4 200～5 500℃，年累積輻射量500萬～520萬kJ/m2，無霜期170～220d； 年均降水量500～900mm[9]。研究區冬小麥生育期，從每年的10月上旬持續至次年的6月上旬或中旬， 11月下旬至2月中、下旬為越冬期， 2月底至3月上旬進入返青期，冬小麥開始旺盛生長，起身、拔節期從3月中、下旬至4月中旬， 4月下旬至5月上旬為孕穗、抽穗期，開花、乳熟期開始于5月中旬， 6月初至6月中旬冬小麥收獲。

1.2 數據獲取

冬小麥無人機高光譜飛行試驗于2017年5月23日11時在衡水市榆科鎮開展，該時期處于冬小麥生長的乳熟期，飛行作業期間天空晴朗無云。實驗采用八旋翼無人機搭載Cubert UHD185高光譜成像光譜儀，其成像參數如表1。UHD185機載高速成像光譜儀一款全畫幅、非掃描、實時成像的機載高光譜成像系統，可在1/1 000s內得到450～950nm范圍內125個通道的數據立方體[10-12]。無人機飛行作業與地面觀測同步開展，在飛行試驗區內取25個樣點，利用LAI-2200冠層分析儀測量冬小麥LAI，飛行試驗研究區及無人機高光譜數據如圖1。

表1 UHD 185高光譜成像參數

參數取值光譜范圍450～950nm波段數125光譜分辨率4nm空間分辨率4cm

表2 PROSAIL模型參數設置

2 研究方法

2.1 PROSAIL模擬

PROSAIL輻射傳輸模型通過PROSPECT葉片模型[13]和SAILH冠層模型[14]耦合得到，PROSPECT模型模擬得到的葉片光譜信息作為SAILH模型的輸入參數。SAILH模型將植被當做混合介質，假設葉片方位分布均勻，考慮任意的葉片傾角，模擬冠層的雙向反射率[15]。該研究以PROSAIL模型參數LAI為變量，根據地面冬小麥觀測數據確定其他參數，然后模擬冬小麥反射率的變化，最后利用模擬的反射率計算得到植被指數。PROSAIL模型參數如表2。

圖1 試驗區及無人機高光譜遙感影像

2.2 LAI反演模型的構建

在已有的研究基礎上，該研究選取9種植被指數建立無人機成像高光譜數據反演冬小麥LAI的模型，如表3。利用模型模擬的各植被指數與模型參數LAI的關系構建LAI反演模型，然后使用獨立模擬的一組數據分別驗證LAI反演結果，根據驗證指標選擇最優的反演模型。模型的篩選指標包括決定系數R2、均方根誤差RMSE和標準均方根誤差NRMSE。基于篩選出的最優LAI反演模型利用無人機高光譜數據反演冬小麥LAI，最后利用地面實測數據對反演結果進行驗證。

表3 用于估算LAI的植被指數

植被指數公式參考文獻RVIR842/R665Gitelsonetal．(1996)[4]NDVI(R842-R665)/(R842+R665)CarlsonandRipley．(1974)[16]EVI225×(R842-R665)/(R842+24×R665+1)Freitasetal．(2008)[17]OSAVI116×(R842-R665)/(R842+R665+016)Steven(1998)[18]MSAVI2(R842+1)+05× (2×R842-1)2+8×R665LaosuwanandUttaruk(2014)[19]TCARI/OSAVI3[(R700-R670)-02(R700-R550)(R700/R670)](1+016)(R800-R670)/(R800+R670+016)Haboudaneetal．(2002)[20]RNDVI(R842-R740)/(R812+R740)CleversandGitelson (2013)[21]MSIR1610/R842Wolf(2010)[22]S2REP705+35×[05×(R783+R665)-R705]/(R740-R705)Framptonetal．(2013)[23]

3 結果與分析

3.1 冬小麥LAI反演模型

將LAI在0.5～8范圍內的隨機1 000組數據作為PROSAIL模型輸入變量，然后將模擬的冬小麥冠層高光譜反射率重采樣成Cubert UHD185波段，并計算各植被指數，通過指數函數形式構建LAI與不同植被指數的關系模型，如圖2。從圖2可以看出包含紅邊波段的植被指數RNDVI與S2REP和LAI有較強的指數關系，決定系數R2均大于0.97。在冬小麥出苗期LAI較低(小于2)，不包含紅邊的植被指數(RVI、NDVI、EVI2、OSAVI、MSAVI2、TCARI/OSAVI、MSI)與LAI間相關性較高，而冬小麥抽穗開花期、灌漿期等后期生長階段，這些植被指數并不適合用于反演冬小麥LAI。

圖2 不同植被指數與LAI的關系曲線

圖3 基于不同植被指數的LAI反演模型模擬效果

植被指數對LAI的飽和現象，即在LAI高值區植被指數不再隨著LAI的變化而變化，是利用統計模型進行估算LAI時一直存在的問題。利用不同植被指數構建的LAI反演模型反演結果與模型LAI對比結果如圖3。以NDVI、OSAVI和TCARI/OSAVI為指標的反演模型在LAI達到3時出現了飽和現象，以RVI、MASVI2和 EVI2和MSI為指標的反演模型在LAI達到5時出現了飽和現在，而以RNDVI、S2REP為指標的LAI反演模型較大程度上緩解了這種飽和現象。從圖3中看出，以RNDVI為指標反演的LAI的RMSE為0.51，反演精度相對最高。因此研究選擇RNDVI作為無人機高光譜遙感數據反演冬小麥LAI的指標。利用冠層RNDVI，根據Beer定律，建立無人機高光譜遙感數據反演冬小麥LAI的反演模型：

LAI=0.4003×exp(10.437×RNDVI)

3.2 無人機高光譜遙感數據冬小麥LAI估算結果

基于LAI反演模型，利用獲取的無人機高光譜遙感影像得到試驗地塊的冬小麥LAI反演估算結果如圖4。為了對LAI反演結果進度進行驗證，在試驗地選擇25個樣點，利用LAI實測值對反演結果進行驗證。驗證結果表明，研究選擇相關性最高的紅邊歸一化植被指數RNDVI作為LAI反演因子，其預測的LAI與實測值具有較好擬合性(R2=0.83，RMSE=0.16，NRMSE=10%，n=25，P<0.001)。研究的試驗數據處于冬小麥乳熟后期，成熟較早的冬小麥葉片出現枯黃凋落，LAI值降低，而成熟相對晚一些的小麥仍為綠葉，LAI相對高一些。圖4反演結果較好地反映飛行試驗區內冬小麥LAI的空間分布，也在一定程度上反映了小麥成熟情況的空間分布差異。

圖4 無人機高光譜數據反演冬小麥LAI值及驗證

4 討論與結論

傳感器的光譜分辨率和光譜范圍決定了可用于LAI反演的光譜信息，因此基于高光譜遙感數據為植被生理生態參數反演開辟了一種新途徑。目前，高光譜遙感數據在作物監測已經得到了成熟的應用，但多以光譜儀數據為主，針對作物的成像高光譜數據和應用相對較少。無人機以其自身方便、高效的優勢搭載高光譜成像儀，可在田間尺度上獲取高時空分辨率和高光譜分辨率的農作物影像數據，為作物長勢監測提供了新的數據來源和技術手段。研究以無人機UHD185高光譜成像系統獲取田間冬小麥高光譜影像，用于反演葉面積指數(LAI)，并取得了較好的結果，為開展作物葉綠素含量、葉片含水量等理化參數反演研究提供了新的思路。

植被LAI反演目前尚沒有統一的方法，而且存在很多不確定性因素。研究利用無人機高光譜影像和植被輻射傳輸模型PROSAIL以及地面實測數據，通過PROSAIL模型分析比較了9種不同植被指數對LAI的敏感性，構建了基于無人機高光譜數據的LAI反演模型。研究結果表明紅邊波段在LAI反演中起到關鍵作用，兩種含有紅邊波段的植被指數RNDVI和S2REP比其他7種植被指數更適合與冬小麥生長后期LAI的反演； 其中RNDVI與LAI的相關性最高，LAI預測值與實測值總體上表現較為一致。由于受到天氣、設備等因素限制，研究沒有能夠獲取更多冬小麥關鍵生育期的無人機高光譜影像，使得研究的LAI反演模型只得到該次試驗數據的驗證，時間序列上的作物監測則是下一步的研究重點。

[1] Zheng G，Moskal L M.Retrieving Leaf Area Index(LAI)using remote sensing：Theories，methods and sensors.Sensors,2009，(9)： 2719～2745

[2] 蒙繼華， 吳炳方，李強子.全國農作物葉面積指數遙感估算方法.農業工程學報,2007, 23(2): 160～167

[3] Liu H，Zhu H，Wang P.Quantitative modelling for leaf nitrogen content of winter wheat using UAV-based hyperspectral data.International Journal of Remote Sensing,2017, 38(10): 2117～2134

[4] Gitelson A A，Merzlyak M N.Signature analysis of leaf reflectance spectra：algorithm development for remote sensing of chlorophyll.Journal of Plant Physiology,1996, 148(3): 494～500

[5] 梁亮， 楊敏華，張連蓬，等.小麥葉面積指數的高光譜反演.光譜學與光譜分析,2011, 31(6): 1658～1662

[6] 高林， 楊貴軍，李長春，等.基于光譜特征與PLSR結合的葉面積指數擬合方法的無人機畫幅高光譜遙感應用.作物學報,2017, 43(4): 549～557

[7] 王利民， 劉佳，楊玲波，等.基于無人機影像的農情遙感監測應用.農業工程學報,2013, 29(18): 136～145

[8] 楊貴軍， 李長春，于海洋，等.農用無人機多傳感器遙感輔助小麥育種信息獲取.農業工程學報,2015, 31(21): 184～190

[9] 任建強， 陳仲新，周清波，等.基于葉面積指數反演的區域冬小麥單產遙感估測.應用生態學報,2010, 21(11): 2883～2888

[10]秦占飛， 常慶瑞，謝寶妮，等.基于無人機高光譜影像的引黃灌區水稻葉片全氮含量估測.農業工程學報,2016, 32(23): 77～85

[11]趙曉慶， 楊貴軍，劉建剛，等.基于無人機載高光譜空間尺度優化的大豆育種產量估算.農業工程學報,2017, 33(1): 110～116

[12]田明璐， 班松濤，常慶瑞，等.基于無人機成像光譜儀數據的棉花葉綠素含量反演.農業機械學報,2016,(11)： 285～293

[13]Jacquemoud S，Baret F.PROSPECT：A model of leaf optical properties spectra.Remote sensing of environment,1990， 34(2)：75～91

[14]Cho M，Skidmore A，Atzberger C.Towards red-edge positions less sensitive to canopy biophysical parameters for leaf chlorophyll estimation using properties optique spectrales des feuilles(PROSPECT)and scattering by arbitrarily inclined leaves(SAILH)simulated data.International Journal of Remote Sensing,2008， 29(8) ：2241～2255

[15]Atzberger C，Jarmer T，Schlerf M，et al.Retrieval of wheat bio-physical attributes from hyperspectral data and SAILH+PROSPECT radiative transfer model.In Proceedings of the 3rd EARSeL Workshop on imaging spectroscopy,2003， 473～482

[16]Carlson T N，Ripley D A.On the relation between NDVI，fractional vegetation cover，and leaf area index.Remote sensing of Environment,1997， 62(3) ：241～252

[17]Freitas R D，Arai E，Adami M，Ferreira A S，et al.Virtual laboratory of remote sensing time series：visualization of MODIS EVI2 data set over South America.Journal of Computational Interdisciplinary Sciences,2011, 2(1): 57～68

[18]Steven M D.The sensitivity of the OSAVI vegetation index to observational parameters.Remote Sensing of Environment,1998, 63(1): 49～60

[19]Laosuwan T，Uttaruk P.Estimating Tree Biomass via Remote Sensing，MSAVI 2，and Fractional Cover Model.IETE Technical Review,2014， 31(5) 362～368

[20]Haboudan，D，Miller J R，Tremblay N，et al.Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture.Remote Sensing of Environment,2002， 81(2)：416～426

[21]Clevers J G，Gitelson A A.Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3.International Journal of Applied Earth Observation and Geoinformation,2013， 23： 344～351

[22]Wolf A.Using WorldView 2 Vis-NIR MSI imagery to support land mapping and feature extraction using normalized difference index ratios.SPIE,2010:8390

[23]Frampton W J，Dash J，Watmough G，et al.Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation.ISPRS Journal of Photogrammetry and Remote Sensing,2013：82， 83～92