基于無人機高光譜遙感的冬小麥株高和葉面積指數估算

陶惠林 徐良驥 馮海寬，3 楊貴軍，4 代 陽 牛亞超

(1.北京農業信息技術研究中心農業農村部農業遙感機理與定量遙感重點實驗室， 北京 100097；2.安徽理工大學測繪學院， 淮南 232001； 3.國家農業信息化工程技術研究中心， 北京 100097；4.北京市農業物聯網工程技術研究中心， 北京 100097)

0 引言

葉面積指數(Leaf area index，LAI)是反映作物長勢的重要參數，與作物產量具有緊密聯系，對農業生產管理具有重要作用[1-2]。準確、高效地監測LAI能夠提高長勢監測效果和產量預測精度[3-5]。因此，對LAI進行動態監測顯得尤為重要。傳統測量LAI需要實地采集數據，測量中會對作物造成損傷，同時需要消耗大量的人力物力，并且測量范圍有限[6]。

遙感技術憑借宏觀、適時和動態等特點在作物LAI監測中得到廣泛應用。由于平臺的不同，采用遙感技術監測LAI主要分為高空、低空和地面尺度。高空主要利用衛星進行遙感監測，衛星可以獲取大范圍的遙感數據，對于較大區域的監測具有較好效果，但衛星運行周期長、空間分辨率低、容易受到云層的影響，使衛星遙感監測精度有限[7-10]。地面主要通過地物光譜儀獲取遙感數據，在操作過程中由于平臺的高度限制，很難得到正射影像數據[11]。低空主要采用載人飛機和無人機獲取數據，相比載人飛機，無人機機動靈活、更加安全，其操作簡單、對起飛場地要求較低，因此，無人機遙感在農業中得到了廣泛應用[12-14]。目前，無人機攜帶的傳感器主要包括數碼相機、多光譜相機和高光譜相機，數碼相機和多光譜相機獲取的影像波段較少、得到的光譜信息有限，而高光譜相機能夠獲取較多光譜信息，更適于監測作物LAI[15-19]。

采用無人機高光譜遙感技術監測LAI需要使用植被指數。植被指數是由2個或多個光譜通過一定方式組合而成，能夠有效反映植被狀況，在遙感監測中具有重要的意義。在無人機高光譜高效監測LAI方面，研究者進行了大量的研究工作[20-24]。但這些基于高光譜遙感的研究主要通過單個植被指數或多個植被指數估算LAI，而利用植被指數結合作物高度估算LAI的研究還很少。為了提高LAI估算精度，本文使用無人機高光譜遙感影像生成作物表面模型(CSM)，提取出冬小麥植株高度(Hcsm)，然后基于植被指數、植被指數結合Hcsm，使用偏最小二乘回歸(PLSR)方法構建LAI估算模型，探究利用無人機高光譜和Hcsm估算LAI的方法，以期為提高作物LAI估算精度提供一種新的研究手段。

1 材料與方法

1.1 田間試驗設計

田間試驗在北京市昌平區小湯山鎮國家精準農業研究示范基地(北緯40°10′48″～40°10′54″，東經116°26′51″～116°26′53″)進行。該區域屬于暖溫帶和半濕潤大陸性季風氣候，降水多在夏季和秋季，年平均降水量約42 mm，年平均溫度約11.8℃，試驗田前茬作物為玉米，土壤為潮土類型，土質比較肥沃。進行小區試驗，采用了中麥175(ZM175，中國農業科學院)和京麥9843(J9843，北京市農業農村局)2種冬小麥品種，試驗田共有48個小區，每個小區面積為48 m2，其中16個小區為一個重復區，每個重復區都進行不同程度的氮肥和水分處理，其中氮肥設置了4種水平(N1: 0 kg/hm2；N2: 195 kg/hm2；N3: 390 kg/hm2；N4: 585 kg/hm2)，水分設置了3種灌溉(W0：僅雨水；W1：灌溉量675 m3/hm2；W2：灌溉量1 012.5 m3/hm2)，詳細的田間試驗設計如圖1所示。

1.2 無人機高光譜數據獲取及處理

于2015年4月21日(拔節期)、2015年4月26日(挑旗期)和2015年5月13日(開花期)，選擇天氣晴朗、無風無云的時間進行無人機高光譜遙感作業，飛行高度為80 m。試驗無人機搭載的傳感器為Cubert UHD185 Firefly型成像光譜儀(測量過程中保證光譜儀垂直向下)，成像光譜儀由德國生產，質量470 g；由于是高光譜，有較多的波段，波長范圍450～950 nm；光譜分辨率為8 nm@532 nm，空間分辨率為1.92 cm；與地面高光譜不同，每個波段間隔4 nm；有125個光譜通道；成像速度為每秒拍攝5個高光譜圖像立方體。成像的光譜分辨率高，但空間分辨率并不高。為了去除土壤背景的影響，需對影像重采樣。因為成像光譜儀曝光時間具體取決于太陽光強度，因此需要進行校正。在進行無人機遙感作業前，在地面利用黑白板進行輻射定標。在進行遙感作業時各時期的飛行航線保持一致。

無人機高光譜遙感數據獲取后需要進行處理，數據處理主要包括兩部分：①高光譜影像的輻射校正和拼接。需要先將影像像元亮度(Digital number，DN)轉換為地表反射率[25]，再通過Agisoft LLC公司生產的Agisoft PhotoScan 軟件對影像進行拼接[26]。②提取冠層光譜反射率。為了避免試驗小區邊緣和田壟之間背景光譜的影響，使用ArcGIS軟件根據小區面積繪制出20個矢量，每個小區得到20個中心像元，對矢量進行編號，結合IDL語言提取出所有矢量感興趣區像元值的光譜反射率，統計出各小區的平均光譜反射率，將獲取的矢量感興趣區的像元值平均光譜作為各試驗小區冬小麥冠層的平均光譜反射率。

1.3 地面數據獲取和處理

地面數據獲取與無人機遙感作業同步進行，獲取了實測的冬小麥LAI和株高數據。為了測量LAI，在每個小區長勢均勻區域采樣，選取20株植株，將樣本放入密封袋中帶回實驗室；經過莖葉分離處理，通過美國CID生物科技公司生產的CI-203型激光葉面積儀，測定采樣樣本葉片面積，得到總的葉面積；獲得小區單位面積的單莖數，乘以總面積得總莖數，進而得到LAI。冬小麥株高實測時間分別為2015年4月14日(拔節期)、2015年4月26日(挑旗期)和2015年5月13日(開花期)，由于天氣原因，其中無人機獲取的拔節期影像時間為2015年4月21日。為了測量不同小區的冬小麥株高，在每個小區對角線的1/3和2/3處取4個測量點，用直尺測量，每個測量點取1株冬小麥，取平均值作為測量小區的冬小麥株高。

1.4 植被指數的選取

目前，植被指數的種類有很多，通過篩選不同的植被指數，并根據已有研究成果，選取了一些在LAI監測方面效果較好的植被指數，如LCI[27]、NPCI[28]、MCARI[29]、TCARI[29]、PBI[30]、BGI[31]、TVI[32]、OSAVI[33]、NDVI[34]、SR[35]這10種植被指數，用于構建LAI估算模型，從而監測LAI。

1.5 研究方法

采用偏最小二乘(Partial least squares regression，PLSR)方法分析冬小麥生育期的遙感數據，構建出LAI估算模型。PLSR是將多元線性回歸、典型相關分析和主成分分析結合為一體，可以提供一種多對多的線性回歸建模方法，特別當變量個數較多時，存在多重相關性，而觀測變量數據較少時，利用PLSR建立的模型具有傳統的典型回歸分析所沒有的優點。利用最小化誤差的平方和構建最佳的模型，以達到較好的預測效果。因此得到的分析結果，除了提供一個合理的模型外，還可以同時完成一些類似于主成分分析和典型相關分析的信息[36-38]。

1.6 統計分析

通過測量獲取了每個生育期48組LAI數據集，采用32組數據集作為建模集，剩余16組數據驗證模型效果。構建本文的LAI估算模型，為了評估建模和驗證的擬合效果和預測精度，選用決定系數(Coefficient of determination，R2)、均方根誤差(Root mean square error，RMSE)作為評價指標[23]。

2 結果分析

2.1 冬小麥株高提取

為了提取出基于無人機高光譜遙感數據下的冬小麥株高，使用作物表面模型(CSM)來提取冬小麥株高。步驟如下：

(1)通過無人機高光譜影像的拼接處理，生成數字表面模型(DSM)，在影像的不同小區共選取500個土壤樣本點，利用ArcGIS軟件的ArcTooLbox工具，基于DSM獲取土壤樣本點的高程。

(2)利用ArcGIS軟件的kriging工具，基于獲取的土壤樣本點的高程生成數字高程模型(DEM)。

(3)將DSM減去土壤樣本點的DEM，并使用ArcGIS軟件的grid calculator工具，提取出CSM。

(4)最后，利用ArcGIS軟件的ROI工具計算出生育期試驗小區的冬小麥株高。

為了驗證提取株高的效果，將獲取的數據與實測株高進行分析，如圖2所示。由圖2可知，實測冬小麥高度和基于無人機高光譜提取的冬小麥高度(Hcsm)之間有較高的擬合性，R2為0.95，說明提取得到的Hcsm有較高的預測效果。因此，用提取的Hcsm進行LAI估算研究。

圖2 實測和預測的冬小麥高度Fig.2 Measured and predicted winter wheat height

2.2 植被指數、Hcsm與LAI的相關性分析

將選取的植被指數以及基于高光譜遙感提取的Hcsm分別與不同生育期的LAI進行相關性分析，得到相關系數絕對值如表1所示。由表1可知，大部分植被指數與LAI表現為0.01顯著水平，相關性較好。拔節期，MCARI、TCARI和TVI表現為無顯著相關，這3個植被指數與LAI相關性較低，剩余植被指數均為0.01顯著水平，其中相關系數絕對值最高的為0.713，對應的植被指數為PBI。挑旗期，僅MCARI為無顯著相關，其余植被指數為極顯著相關(0.01顯著水平)，LCI的相關系數絕對值最高，為0.736。開花期，相比前2個生育期而言，大部分植被指數與LAI的相關系數絕對值有所增加，表現出較高的相關性，其中除TCARI外，均達到0.01顯著水平，相關系數絕對值最高達到0.828，為植被指數PBI。對于提取的Hcsm，從拔節期到開花期，隨著冬小麥生育期推移，Hcsm與LAI的相關性表現一直增強，相關系數絕對值變大，在開花期達到最高的相關性，為0.585。植被指數和Hcsm與LAI的相關性在不同生育期表現有差異，說明相關性受生育期影響，整體上，植被指數、Hcsm與LAI的相關性呈現增強趨勢。

表1 植被指數、Hcsm與LAI的相關系數絕對值Tab.1 Absolute value of correlation coefficient of vegetation indices, Hcsm and LAI

2.3 基于植被指數、Hcsm估算LAI

根據表1中10種植被指數與LAI的相關性，發現3個生育期相關性最強的分別為PBI、LCI、PBI，為了得到不同生育期的最優植被指數模型，分別構建基于PBI、LCI和PBI的線性回歸模型，同時也構建了不同生育期的基于Hcsm的線性回歸模型，如表2和圖3所示。根據表2和圖3可知，對于最優植被指數，從拔節期到開花期，建模R2的范圍是0.55～0.65，RMSE的變化為0.62～0.72，驗證R2的范圍是0.62～0.77，RMSE的變化為0.78～0.58，這3個生育期表現出最優植被指數估算LAI效果逐漸增強。對于Hcsm，從拔節期到挑旗期，建模R2的變化范圍為0.25～0.26，RMSE為0.80～1.43，驗證R2的變化范圍為0.23～0.61，RMSE為0.88～1.23，建模和驗證結果都顯示出最優植被指數估算LAI能力越來越強。從挑旗期到開花期，建模R2和RMSE的范圍分別為0.26～0.30和1.43～1.02，驗證R2和RMSE的范圍分別為0.61～0.39和1.23～0.85，隨著生育期建模效果逐漸增強，驗證效果降低，其中建模R2增加的幅度低于驗證降低的幅度，因此從挑旗期到開花期，估算LAI效果逐漸降低。

表2 不同生育期最優植被指數、Hcsm與LAI的回歸關系Tab.2 Regression relationships between optimal vegetation index, Hcsm and LAI in different growth stages

圖3 基于最優植被指數和Hcsm的LAI實測值與預測值Fig.3 Measured and predicted values of LAI based on optimal vegetation index and Hcsm

為了探究Hcsm對植被指數估算LAI的精度影響，將每個生育期的最優植被指數結合Hcsm，得到3個生育期最優植被指數結合Hcsm與LAI的關系，如表3和圖4所示。從拔節期到開花期，最優植被指數結合Hcsm建模R2一直增加(0.57～0.69)，RMSE為0.61～0.67，驗證結果和建模保持一致，驗證R2也一直變大(0.63～0.79)，RMSE從0.77降為0.54，說明建模效果較好。對比僅基于最優植被指數和Hcsm構建的LAI估算模型，將最優植被指數結合Hcsm構建的估算LAI模型效果更佳，擬合性和精度更高。

2.4 基于植被指數、植被指數結合Hcsm并使用PLSR估算LAI

由表1可知，在拔節期中MCARI、TCARI和TVI表現為無顯著相關，同時在挑旗期和開花期中這3種植被指數與LAI之間表現出較低的相關性。因此為了構建LAI估算模型，選取剩余的7種植被指數進行模型構建，即模型輸入因子為LCI、NPCI、PBI、BGI、OSAVI、NDVI、SR，并使用PLSR回歸方法構建不同生育期的LAI估算模型。為了探究植被指數結合Hcsm估算LAI能力，將選取的植被指數與Hcsm共同作為模型因子，也使用PLSR方法建立LAI估算模型，如表4、5和圖5所示。

表3 不同生育期最優植被指數結合Hcsm與LAI的回歸關系Tab.3 Regression relationships between optimal vegetation index combined with Hcsm and LAI in different growth stages

圖4 基于最優植被指數結合Hcsm的LAI實測值與預測值Fig.4 Measured and predicted values of LAI based on optimal vegetation index combined with Hcsm

從表4、5和圖5可以看出，以植被指數為模型因子，拔節期到開花期，建模R2呈現上升趨勢，驗證R2和建模R2變化保持一致，也是逐漸增加，在開花期達到最佳估算效果(建模R2=0.70，RMSE為0.67；驗證R2=0.79，RMSE為0.53)。以植被指數結合Hcsm為模型因子，3個生育期中隨著冬小麥生長，建模和驗證R2均表現出一直增加，開花期的估算效果最佳(建模R2=0.73，RMSE為0.64；驗證R2=0.83，RMSE為0.49)。將植被指數結合Hcsm構建LAI估算模型，3個生育期建模和驗證的R2均高于以植被指數為因子的建模和驗證R2，Hcsm比較明顯地提高了LAI估算精度，構建的估算模型擬合性和穩定性都較好。

表4 基于植被指數的冬小麥不同生育期LAI估算模型評估參數Tab.4 Estimation of LAI in different growth stages of winter wheat based on vegetation indices

表5 基于植被指數結合Hcsm的冬小麥不同生育期LAI估算模型評估參數Tab.5 Estimation of LAI in different growth stages of winter wheat based on vegetation indices combined with Hcsm

圖5 基于植被指數以及植被指數結合Hcsm的LAI實測值與預測值Fig.5 Measured and predicted values of LAI based on vegetation indices and vegetation indices combined with Hcsm

2.5 LAI空間分布

為了得到LAI的空間分布，使用每個生育期的基于植被指數結合Hcsm的最佳估算模型，生成各生育期的LAI空間分布圖，如圖6所示。從圖6可知，從拔節期到挑旗期，LAI逐漸增大，而從挑旗期到開花期，LAI開始下降，這個表現和冬小麥實際LAI分布是一致的。各小區的LAI有明顯差別，其中重復2區域的LAI較高，重復1和重復3區域LAI較低，并且在3個生育期中均表現為重復2區域LAI高于重復1和重復3區域。拔節期LAI范圍為0～5，挑旗期LAI范圍為0～9，開花期LAI范圍為0～5，不同生育期的LAI空間分布和實際測量結果是一致的，說明構建的不同生育期的最佳LAI估算模型是可靠的。

圖6 冬小麥各生育期的LAI空間分布Fig.6 Spatial distributions of LAI in different growth stages of winter wheat

3 討論

3.1 株高監測

傳統上測量作物株高主要是通過實地調查，這種測量方式消耗較多的人力、物力和時間。為了解決這個問題，高效準確地監測作物株高就變得尤為重要，可以提高農業管理者的工作效率[39-40]。本研究通過冬小麥3個生育期的無人機高光譜影像數據，提取出了不同生育期的Hcsm，實測Hcsm和Hcsm擬合的R2達到0.95，證明了提取的Hcsm精度較高。這個結果和文獻[41-42]的研究一致。然而，基于無人機高光譜影像提取的Hcsm相比實測的株高整體上偏小。主要是由于傳感器獲取的是作物的冠層數據，冠層結構的三維點云是由攝影測量計算的，包含不止第1片葉子，還含有植株的其余葉子和裸土像元；同時構建冠層三維點云，可能會除去植株葉子的空間信息。另外，由于拔節期株高獲取時間和無人機影像獲取時間不完全同步，導致實測株高與預測株高精度降低，同步獲取株高和無人機影像數據可以提高株高監測精度。

3.2 基于植被指數、Hcsm以及植被指數結合Hcsm估算LAI

將不同的植被指數、Hcsm分別與LAI相關性分析，結果表明隨著生育期推移，大部分植被指數與LAI的相關性逐漸增強，主要由于作物的生育期與光譜信息的敏感性相關，生育期后期植被指數與LAI敏感性更強；Hcsm與LAI整個生育期相關性都很好，說明作物高度能夠反映生長狀況[43]，Hcsm隨著生育期增加，從而影響LAI的準確估算。拔節期、挑旗期和開花期的最優植被指數分別為PBI、LCI、PBI，這與文獻[44]發現PBI能夠很好地估算LAI以及文獻[23]探究出LCI在預測LAI方面有較高的能力結論一致。將最優植被指數結合Hcsm構建的LAI估算模型精度更高，效果更好，證明了Hcsm能夠提高估算LAI能力。

3.3 利用PLSR回歸方法估算LAI

為了探究PLSR對LAI估算模型的效果，選取了LCI、NPCI、PBI、BGI、OSAVI、NDVI、SR作為模型的輸入變量，利用PLSR估算LAI。相比僅基于植被指數估算LAI，PLSR可以明顯地提高LAI估算效果。而基于植被指數結合Hcsm，并使用PLSR構建LAI估算模型，模型的R2進一步變大，RMSE變小，此時估算LAI的效果更好。2種模型均說明了使用PLSR能夠提高模型精度。這與PLSR處理光譜數據能力有關，PLSR利用了主成分分析，更好地使用了光譜信息，并且能夠解決多個變量之間的共線性問題，從而在作物參數監測方面能夠取得較好的成效[45]。同時文獻[23]證明了使用PLSR結合植被指數估算作物參數精度優于單個植被指數，這個研究和本文得到的結果是一致的。

4 結論

(1)由無人機高光譜提取得到的Hcsm與實測Hcsm之間具有較高的擬合性(R2=0.95)，Hcsm有較高的精度。

(2)在不同生育期，大部分植被指數與LAI表現為0.01顯著相關水平，Hcsm與LAI也表現為0.01顯著相關水平。

(3)不同生育期的最優植被指數(PBI、LCI、PBI)估算LAI效果逐漸增強，同時Hcsm以及最優植被指數結合Hcsm估算LAI的能力也越來越強，其中基于最優植被指數結合Hcsm估算LAI效果優于僅基于最優植被指數或Hcsm的LAI估算效果。

(4)以植被指數、植被指數結合Hcsm為模型輸入因子，采用PLSR方法構建的不同生育期LAI估算模型均在開花期達到最佳估算效果(建模R2=0.70，RMSE為0.67；建模R2=0.73，RMSE為0.64)，并且以植被指數結合Hcsm估算LAI的精度最佳。

(5)通過無人機高光譜遙感影像提取作物Hcsm、并結合植被指數，明顯提高了LAI估算精度，對農業生產管理具有重要意義。