基于無人機成像高光譜影像的冬小麥LAI估測

陶惠林 馮海寬，2 楊貴軍，3 楊小冬 劉明星 劉帥兵

(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.國家農業信息化工程技術研究中心， 北京 100097； 3.北京市農業物聯網工程技術研究中心， 北京 100097；4.河南理工大學測繪與國土信息工程學院， 焦作 454000)

0 引言

葉面積指數(leaf area index，LAI)是指每單位地面面積上葉片的總面積[1]，是許多生物和物理過程中如光合作用、呼吸作用、蒸騰作用的關鍵參數，經常用于評估作物的健康狀況、生長情況和對農業管理的影響[2-4]。冬小麥是我國主要農作物之一，它的長勢和產量對國家糧食安全具有很大影響，準確、快速、高效地對冬小麥進行監測變得尤為重要。近些年來，遙感技術發展迅速，能夠高效、動態、無損害、經濟性地對作物的LAI進行估測。通過衛星和航空遙感技術對LAI進行探測，能夠獲取大面積的數據，但受到云層和天氣變化的影響，空間分辨率低、維護和運營的成本較高[5]，且估測的精度不高。

近些年，隨著無人機遙感技術的發展，憑借其操作方便、低成本、快速，具有較高的時空分辨率，且能夠大面積地進行觀察等特點，無人機已在精準農業中廣泛應用[6-11]。無人機攜帶的常用傳感器有數碼相機和多光譜相機，其所獲取的數據光譜信息不足，無法進行多波段的研究[12-16]。然而，高光譜可以獲得大量的光譜信息，光譜分辨率高，可以分析多波段，從而可提取出與作物長勢緊密聯系的波段信息。因此無人機高光譜遙感技術可以更好地估測作物長勢[17]。國內外學者對高光譜遙感技術的應用進行了大量研究，文獻[18]選取15種光譜指數分別建立玉米葉面積指數反演模型，并利用神經網絡方法構建玉米葉面積指數估測模型，研究得出，基于神經網絡構建的玉米葉面積估測模型的效果優于不同光譜指數建立的玉米葉面積反演模型。文獻[19]利用隨機森林算法構建了|r|-RF和OOB-RF兩種冬小麥LAI的反演模型，并加以驗證，表明構建的LAI模型具有較高精度和適用性。文獻[20]利用無人機光譜參數建立了玉米葉綠素含量的估算模型，得出基于SDr、Dr和DVI構建的玉米葉綠素含量估算模型效果較好。文獻[21]利用高光譜數據、2D RGB正射光學和3D作物表面模型估算冠層LAI水平，并加以驗證，表明3種方法都可以很好地估算LAI。文獻[22]利用高光譜數據，通過NDVI構建了線性回歸模型，再建立了物理模型，結合回歸模型與物理模型構建了反演LAI的半經驗模型，反演的模型R2為0.89。文獻[23]利用無人機高光譜數據，通過PROSPECT+SAIL模型反演作物的LAI，R2達到0.82，RMSE為0.43。文獻[24]利用無人機高光譜數據估算玉米、馬鈴薯和向日葵的LAI，通過PROSAIL模型反演LAI，模型基于LUT的反演更適合估算LAI，單角度進行觀測的效果不如多角度(RMSE為0.55，RRMSE為13.6%)，證明加入額外的方向信息對LAI反演精度有很大提高。

以上的研究利用經驗模型、半經驗模型和物理模型反演作物LAI，并通過單個方法或兩種方法建模。卻未見將多種方法對比分析，更深入地分析光譜信息，從而得到更合適的估測模型的相關研究。本文利用無人機成像光譜儀，獲取冬小麥光譜數據并分析，選出最優的估測參數，運用多種分析方法構建LAI的估測模型，得到最佳模型和最佳生育期，以期為精準農業中作物參數估測提供一種新的技術手段。

1 材料與方法

1.1 研究區概況與試驗設計

冬小麥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°00′～40°21′，東經116°34′～117°00′)進行，試驗區如圖1所示。該區域地處溫榆河沖積平原和燕山、太行山支脈的結合地帶，在溫帶季風區，屬暖溫帶大陸性季風氣候。年平均日照時數2 684 h；年平均氣溫11.8℃，年平均降水量42 mm左右。試驗設計如圖2所示，所選取的冬小麥試驗品種分為2個，分別為京9843(J9843)、中麥175(ZM175)。肥料設置了4個不同水平梯度處理：(N1，0 kg/hm2；N2, 195 kg/hm2；N3，390 kg/hm2；N4，585 kg/hm2)，并進行3個重復處理(重復1～3)，對南北走向的小區依次進行W3、W2、W2、W1等4個水平水分處理，共48個小區，小區的尺寸為6 m×8 m。

圖1 冬小麥試驗區位置及試驗設計Fig.1 Location of winter wheat experimental area and experimental design

圖2 冬小麥試驗設計Fig.2 Experimental design of winter wheat

1.2 地面數據獲取

在2015年冬小麥挑旗期(4月26日)、開花期(5月13日)和灌漿期(5月22日)3個生育期采集了地面光譜數據和LAI數據。冬小麥地面光譜測量主要使用美國ASD公司生產的高光譜輻射儀(ASD Field SpecFR Pro 2500型，簡稱ASD)，ASD光譜輻射儀的波長范圍為350～2 500 nm，在350～1 000 nm時，其采樣間隔為1.4 nm，分辨率為3 nm；在1 000～2 500 nm時，采樣間隔為2 nm，分辨率為10 nm，其通道數為615。在天氣晴朗無云的時候(時間為10:00—14:00)對試驗的48個小區進行測量，操作時將儀器的探頭視場角設為25°，并保持探頭與冬小麥冠層距離為1 m且垂直向下，在每個小區測量1個視場，視場范圍內隨機測量10次，取其平均值作為每個小區的平均光譜。在每個小區中長勢均勻的地方取20株具有代表性的冬小麥樣本，將取得的樣本帶回實驗室進行莖葉分離，然后利用美國 CID 生物科技公司生產的CI-203型激光葉面積儀測定冬小麥樣本葉片葉面積，得到單莖葉面積，再通過田間群體調查獲得單位面積的單莖數，從而計算出冬小麥的葉面積指數，具體分布如表1所示，3個生育期共得到了144個冬小麥葉面積指數數據。

1.3 無人機高光譜數據獲取及處理

在2015年4月26日、5月13日和5月22日利用無人機成像高光譜對冬小麥觀測。此次觀測采用的是八旋翼電動無人機，搭載的傳感器為Cubert UHD185 Firefly成像光譜儀(Cuber UHD185 Firefly imaging spectrometer of UAV，德國，簡稱UHD185)，其主要參數如表2所示。在晴朗無云或少云無風的時候采集數據，飛行時間為10:00—14:00，飛行高度80 m。

表1 冬小麥葉面積指數分布情況Tab.1 Distribution of leaf area index of winter wheat

無人機UHD185成像高光譜儀數據處理主要包括影像輻射校正、影像拼接和光譜提取3部分，主要流程如圖3所示。先使用儀器配套的軟件進行輻射校正，再用俄羅斯Agisoft LLC的Agisoft PhotoScan 軟件進行影像拼接，然后在ArcGIS軟件中，繪制每個冬小麥小區矢量，根據繪制的矢量構建感興趣區(Region of interest，ROI)，統計ROI區域平均光譜作為冬小麥冠層反射率光譜，得到高光譜數據。

表2 UHD185成像光譜儀的主要參數Tab.2 Main parameters of UHD185 high imaging spectrometer

圖3 無人機UHD185成像高光譜處理流程圖Fig.3 Processing diagram of high imaging spectrometer by UHD185 sensor mounted on UAV

1.4 光譜參數選取

光譜參數就是將不同高光譜波段的反射率代入植被指數中進行一定方式的組合，它能夠降低背景環境信息對作物冠層光譜的影響[25-27]。根據文獻[28]構建了參數OSAVI×SR，所得到的結果較好，由于指數OSAVI和SAVI性質相似，且對光譜信息也較為敏感，本文構建了光譜參數OSAVI×SR?？梢?近紅外形成的藍邊、黃邊、紅邊等變化區域是區別植被與地物的特有特征，因此可以用來估測作物的生理參數[29]。本文著重研究紅邊位置，通常取680～750 nm，文中選取678～758 nm作為紅邊位置。根據一階導數法提取出紅邊位置，并計算出紅邊振幅、紅邊面積、最小振幅和紅邊振幅/最小振幅，將這4個參數連同紅邊位置作為光譜參數與已有的11個光譜參數一起作為估測因子估測冬小麥的LAI，選取的光譜參數如表3所示。

1.5 分析方法

1.5.1多元線性回歸

多元線性回歸(Multiple linear regression，MLR)可以同時使用多個自變量組合來預測因變量，需要自變量與因變量之間有較好的相關性，文中以光譜參數為自變量x，冬小麥的LAI為因變量y，通過MLR模型來估測LAI。其模型為

表3 選取的光譜參數Tab.3 Spectral indices

注：R為光譜反射率，在UHD185成像高光譜數據中，用R802表示R800，R702表示R700。

yi=b0+b1x1i+b2x2i+…+bwxwi+μi
(i=1,2,…,n)

(1)

式中w——預測變量的數量

bh——模型系數，h=0,1,2,…,w

μi——隨機誤差

1.5.2偏最小二乘

偏最小二乘(Partial least square，PLSR)是多元線性回歸的一種新型的表達方式，它采用了數據降維的方法，與多元線性回歸相比較而言，可以在變量有多重相關性時進行建模，能夠去除共線性問題，并且所得到的回歸模型中將會包含所有的自變量，模型的回歸系數也可很好地進行解釋。

1.5.3隨機森林

隨機森林(Random forest，RF)是在機器學習中將樣本進行訓練并預測的一種算法。RF算法其實是bootstrap取樣，通過將樣本放回抽樣的方法進行多次取樣，形成訓練集，將決策樹組合進行預測。例如，有M個樣本數據，使用上述方法進行抽樣，取n個樣本，將未取得的樣本數據來預測算法的決策樹分類效果，分類效果越好，所預測的結果越精確。

1.5.4人工神經網絡

人工神經網絡(Artificial neural network，ANN)是對腦神經元網絡進行抽象信息化處理的一種運算模型。其原理是建立模型和確定權值，一般有前向型和反饋型兩種網絡結構。通常神經網絡的學習和訓練需要一組輸入數據和輸出數據對，選擇網絡模型和傳遞、訓練函數后，神經網絡計算得到輸出結果，根據實際輸出和期望輸出之間的誤差進行權值修正，在網絡進行判斷時就只有輸入數據而沒有預期的輸出結果。本文中輸入數據為光譜參數，輸出結果是估測的LAI。

1.5.5支持向量機

支持向量機(Support vector machine，SVM)是一種二分類模型，它的目的是尋找一個超平面對樣本進行分割，分割的原則是間隔最大化，最終轉換為一個凸二次規劃問題來求解。其模型分為：當訓練樣本線性可分時，通過硬間隔最大化，學習一個線性可分支持向量機。當訓練樣本近似線性可分時，通過軟間隔最大化，學習一個線性支持向量機。當訓練樣本線性不可分時，通過軟間隔最大化，學習一個非線性支持向量機。文中將光譜參數作為SVM模型的自變量，冬小麥的LAI作為因變量進行估測。

1.6 統計分析

對冬小麥的LAI進行估測，選取了決定系數(Coefficient of determination，R2)、均方根誤差(Root mean squared error，RMSE)和標準均方根誤差(Normalized root mean squared error，NRMSE)作為模型精度的評價指標。R2越高，越接近1，說明估測模型的擬合效果越好；RMSE越低，說明模型的預測值和實測值的一致性越好；NRMSE越小，其估測模型的精度就越高，效果越好，當其小于10%時，模型精度很高，10%～20%時，精度較高，20%～30%時，精度正常，大于30%時，精度較差[37]。

2 結果與分析

2.1 無人機UHD185成像光譜儀數據精度評價

將無人機UHD185成像光譜儀數據與地面ASD光譜儀數據對比分析，得到兩者的光譜曲線如圖4所示。從圖中可以看出，雖然UHD185和ASD的波段不同，但在一定區域內它們的變化趨勢相似。如在紅邊區域范圍內，兩者的光譜曲線變化規律一致性較高；在758～950 nm波段內，它們的光譜曲線變化出現較大差異，其中UHD185光譜曲線波動較大，ASD曲線波動不明顯，這是因為UHD185在探測冬小麥冠層光譜時，出現了較大的邊界噪聲。并且UHD185的光譜反射率在900 nm后的波段出現了較大幅度的降低，這個結果與文獻[38]研究結果較為一致。UHD185和ASD都在550 nm左右出現了綠峰位置，不同生育期所出現的位置也不相同，反射率從大到小依次是灌漿期、挑旗期、開花期；在670～674 nm波段內兩者都出現了紅谷位置，各個生育期光譜反射率從小到大為灌漿期、挑旗期、開花期，規律和綠峰位置所表現出的效果較為一致。

圖4 冬小麥不同生育期高光譜曲線對比Fig.4 Comparison between UHD185 hyperspectral curve and ground ASD hyperspectral curve in different stages of winter wheat

將不同生育期的UHD185光譜反射率和ASD光譜反射率對比分析，選取的波段為466～830 nm，結果如圖5所示。由圖5可知，UHD185和ASD的光譜反射決定系數在不同生育期均達到0.995以上，在466～830 nm波段內，UHD185高光譜數據具有較高的精度，這個結果與文獻[39]的研究成果較為一致。本文所選取的紅邊區域也位于此波段，可以用于估測冬小麥LAI。

2.2 冬小麥葉面積指數估測

2.2.1光譜參數與LAI相關性分析

圖5 不同生育期的UHD185和ASD光譜反射率對比Fig.5 Comparison between UHD185 and ASD spectral reflectance in different stages

將挑旗期、開花期、灌漿期3個生育期的光譜參數與冬小麥LAI進行相關性分析，結果如表4所示。從表4可以看出，3個生育期所選取的光譜參數大部分達到極顯著水平(P<0.01)。其中在挑旗期時，光譜參數MCARI呈現無顯著相關，其余參數均呈極顯著相關，其中正相關性最高的是參數NDVI，相關系數r是0.738，負相關性最好的參數是TCARI/OSAVI，其相關系數為-0.657。本文所構建的光譜參數OSAVI×SR的相關系數r是0.727，表現為極顯著正相關。在開花期時，光譜參數TCARI、MCARI/OSAVI和最小振幅呈無顯著相關，TCARI/OSAVI呈極顯著負相關，負相關中最好的相關系數r為-0.636，其他的參數均呈極顯著正相關，且相關系數大部分較高，最高的相關系數r為0.819，對應的是參數SR。新構建的參數OSAVI×SR的相關系數也較高，達到了0.814，僅次于極顯著最高的參數SR。灌漿期，光譜參數TCARI和MCARI/OSAVI表現無顯著相關，其余參數表現出較高相關性，相關系數0.8以上參數較其他2個生育期多。相關性最高的光譜參數是NDVI×SR，相關系數r為0.835，負相關性最好的依然是TCARI/OSAVI，其相關系數r為-0.752。新構建光譜參數OSAVI×SR的相關系數r為0.822，在灌漿期中位于第4位，次于參數NDVI×SR、NDVI、SR。

表4 不同生育期光譜參數與冬小麥LAI相關性分析Tab.4 Correlation analysis between spectral parameters of different growth stages and LAI of winter wheat

注：** 表示0.01水平顯著。

綜合冬小麥3個生育期光譜參數和LAI相關性分析結果，各個參數在灌漿期所表現出的相關系數較其他2個生育期高，其中挑旗期的相關系數分布最低。在不同生育期中相關性最高的參數也各不相同，挑旗期中極顯著最高的為NDVI，開花期中最高的參數是SR，灌漿期參數則為NDVI×SR。但3個不同生育期都有一個共同的特點，它們負相關中相關性最好的參數都為TCARI/OSAVI，所構建的光譜參數OSAVI×SR在不同生育期表現出的相關性都較高，說明此參數可以很好地用于估測冬小麥的LAI。

2.2.2最優估測參數選取

根據挑旗期、開花期和灌漿期的光譜參數與冬小麥的LAI相關性分析結果，構建各個光譜參數估測LAI模型，從中挑選出最優的估測參數。根據文獻[40]的研究成果，將植被指數和紅邊參數構建模型可以排除很多影響因素，綜合3個生育期光譜參數與LAI的相關性分析結果，分別選取了各生育期相關性絕對值較高的前7個光譜參數，首先它們的相關性絕對值均在0.68以上；其次，其中包含了植被指數演化得到的光譜參數和紅邊參數的光譜參數，符合了選取參數要求。將挑旗期、開花期、灌漿期的UHD185高光譜數據構建的光譜參數，在各個生育期分別取2/3樣本(32個)作為建模集利用線性回歸(Linear regression，LR)和指數回歸(Exponential regression，ER)構建冬小麥LAI的估測模型，剩余的1/3樣本(16個)作驗證集，分別在不同生育期利用線性和指數回歸構建冬小麥LAI估測模型。計算得到不同生育期的各模型的評價指標：R2、RMSE和NRMSE，其結果如表5～7所示。

由表5～7可知，在3個生育期中ER所構建的模型的精度和效果要優于LR，其次在不同的生育期，最優的估測參數也各不相同。挑旗期，LR建模集和驗證集的R2、RMSE、NRMSE分別為0.542 6、1.12、24.62%和0.718 5、1.12、18.17%；ER建模集和驗證集的R2、RMSE、NRMSE分別為0.619 5、1.13、24.77%和0.768 1、0.63、18.13%。通過LR和ER分析結果可以看出，綜合建模集和驗證集的評價指標R2、RMSE、NRMSE，NDVI為挑旗期的最優參數。開花期，表現效果最好的光譜參數是SR，通過LR運算時，建模集和驗證集的R2、RMSE、NRMSE分別是0.631 7、0.74、21.19%和0.762 2、0.50、17.01%；在進行ER分析時，建模集和驗證集的R2、RMSE、NRMSE分別是0.640 8、0.74、21.30%和0.784 1、0.45、15.52%。灌漿期，估測效果最好的參數是NDVI×SR，此時LR建模集與驗證集的R2、RMSE和開花期的最優參數分別相差0.012 6、0.19和0.043 7、0.17；ER建模集與驗證集的R2、RMSE和開花期的最優參數分別相差0.010 9、0.13和0.028 2、0.11。無論LR還是ER，灌漿期最優參數的R2、RMSE效果較好，但NRMSE值LR和ER卻遠大于開花期的最優參數SR，可知灌漿期的最優參數所表現出的效果不如開花期的最優參數。

表5 挑旗期光譜參數與LAI的回歸分析Tab.5 Regression analysis of spectral parameters and LAI in flagging stage

表6 開花期光譜參數與LAI的回歸分析Tab.6 Regression analysis of spectral parameters and LAI in flowering stage

表7 灌漿期光譜參數與LAI的回歸分析Tab.7 Regression analysis of spectral parameters and LAI in filling stage

2.2.3冬小麥葉面積指數估測模型構建

使用MLR、PLSR、RF、ANN、SVM 5種方法分別構建冬小麥挑旗期、開花期與灌漿期LAI估測模型，不同生育期通過5種方法建模分析結果如表8所示。從表8可知，用5種不同方法構建的估測模型效果不同，其中模型LAI-MLR精度最高，效果最佳，LAI-RF模型精度最低；挑旗期，模型LAI-MLR的R2最大，RMSE和NRMSE最小，模型精度最高，精度最低的是模型LAI-RF。開花期，LAI-MLR、LAI-PLSR、LAI-RF、LAI-SVM的NRMSE相比其他兩個生育期，NRMSE最低，說明在開花期所構建的LAI-MLR、LAI-PLSR、LAI-RF、LAI-SVM冬小麥估測模型精度高，構建的估測模型效果較好，其中模型LAI-MLR估測精度最高，建模R2、RMSE和NRMSE分別為0.678 8、0.69、19.79%。灌漿期估測模型的R2都較大，但各模型的NRMSE較挑旗期和開花期偏高，其中灌漿期精度較高的模型仍然為LAI-MLR，其R2、RMSE和NRMSE分別是0.766 1、0.44、25.90%。

表8 不同生育期的光譜參數估測冬小麥LAI建模分析Tab.8 Estimation of winter wheat LAI modeling by spectral parameters in different growth stages

利用5種方法對每個生育期驗證樣本的實測值與估測值進行對比分析，驗證冬小麥LAI建模模型的穩定性，所得結果如圖6～10所示。從圖中可知，驗證樣本的實測值與估測值模型的R2、RMSE和NRMSE與建模集接近，說明模型穩定性很好。挑旗期，驗證模型LAI-MLR的穩定性最好(R2=0.637 6，RMSE為1.31)，驗證結果與建模結果相近，相比較其他驗證模型，模型LAI-RF的穩定性最差(R2=0.778 4，RMSE為0.94)。開花期，驗證模型中最為穩定的是LAI-MLR，并且此驗證模型為3個生育期中精度最高的，其R2、RMSE、NRMSE分別為0.846 2、0.47、16.04%，為最佳的估測模型，精度最低的是模型LAI-SVM(R2=0.711 2，RMSE為0.55，NRMSE為27.68%)。灌漿期，最不穩定的模型是LAI-RF，穩定性最好為LAI-MLR。綜合分析建模和驗證結果，模型LAI-MLR為估測冬小麥LAI的最佳模型，其構建的估測模型精度最高，模型更可靠，MLR方法構建估測模型效果最好。

圖7 不同生育期驗證樣本模型LAI-PLSR分析結果Fig.7 Results of LAI-PLSR analysis of sample for validating models for different growth stages

圖8 不同生育期驗證樣本模型LAI-RF分析結果Fig.8 Results of LAI-RF analysis of sample for validating models for different growth stages

圖9 不同生育期驗證樣本模型LAI-ANN分析結果Fig.9 Results of LAI-ANN analysis of sample for validating models for different growth stages

圖10 不同生育期驗證樣本模型LAI-SVM分析結果Fig.10 Results of LAI-SVM analysis of sample for validating models for different growth stages

2.2.4UHD185高光譜估測冬小麥LAI分布圖

對比5種方法構建的不同生育期冬小麥估測模型，挑選出各個生育期的最佳估測模型，將選取的不同生育期最佳模型用于估測各生育期冬小麥LAI，并對挑旗期和開花期填圖，得到挑旗期和開花期LAI空間分布圖，如圖11所示。從圖中可以看出，不同小區、生育期的冬小麥LAI分布情況不同，挑旗期，重復1、2區域大部分LAI處于2.5以上，其中重復2小區的LAI較高，為4.7～9.0，重復3中小區4-3、11-3、12-3、15-3的LAI較低，處于3.5以下，其余小區LAI大部分較高，達到3.5以上。開花期，重復1區域小區4-1、5-1、11-1的LAI處在2.0以下，其余小區LAI主要分布2.0～4.7，重復2 LAI較高，大部分分布3.5～6.0，重復3小區4-3、11-3、12-3的LAI較低，處于2.0以下。不同生育期3個重復區域小區LAI分布有明顯差異，這與不同小區水分處理、氮素處理和施肥情況有關，導致冬小麥長勢不同，總體來說，冬小麥長勢分布由強到弱為重復2、重復1、重復3。挑旗期和開花期的LAI出現較大不同，其中挑旗期LAI比開花期總體分布較高，這與實測LAI相符，和冬小麥生長特性有關，隨著小麥生長，在小麥生育后期開花期，此時LAI呈下降趨勢，加上在重復3區域施肥較少，導致了重復3區域出現了LAI比重復2區域小，LAI分布效果差的情況。

圖11 冬小麥挑旗期和開花期LAI空間分布圖Fig.11 Spatial distribution map of LAI in winter wheat flagging stage and flowering stage

對比挑旗期和開花期的冬小麥LAI空間分布，兩個生育期LAI分布差異較大，其中挑旗期LAI分布較為均勻，總體效果較好，而開花期LAI偏低，且各小區的冬小麥LAI差異明顯，能夠很好地進行區分。

3 討論

利用無人機成像光譜儀對冬小麥進行了探測，通過高光譜影像對冬小麥LAI進行估測。分析地面ASD和UHD185的光譜曲線，發現兩者在不同生育期的光譜曲線趨勢變化較為一致(紅邊區域)，所出現綠峰和紅谷的波段位置也大致相同，在758～950 nm波段的變化差異較大，這區間波段的研究仍為重點。將UHD185和ASD反射率進行分析可知，UHD185獲得的數據具有較高的品質：挑旗期、開花期、灌漿期的R2分別為0.995 9、0.999 0、0.996 8。

運用LR和ER分析冬小麥的挑旗期、開花期、灌漿期LAI，通過對比分析得到各生育期的最優光譜參數。挑旗期表現最好的參數是NDVI；開花期最優參數是SR；灌漿期效果最好的參數是NDVI×SR。3個生育期的最優光譜參數各不相同，且開花期的精度最高，效果最好，這與冬小麥的生長習性有關，在生長過程中各生育期的LAI呈現先升后降的趨勢，不同時期的估測模型也不同，在各生育期中，新構建的光譜參數OSAVI×SR表現的效果沒最優參數好，但精度也達到了較高水平，說明新構建的參數效果較好。

利用5種方法構建了挑旗期、開花期和灌漿期的冬小麥LAI估測模型，通過研究發現，不同生育期的估測模型不同，但有一個共性就是各生育期中精度最高的估測模型都為LAI-MLR，所表現的擬合性和精度最好，其中開花期時表現最佳，此生育期建模R2=0.678 8、RMSE為0.69、NRMSE為19.79%，驗證R2=0.846 2、RMSE為0.47、NRMSE為16.04%，這和模型在不同生育期的適用性有關，即不同模型應用于不同生育期所表現的估測效果不同。冬小麥挑旗期和開花期LAI空間分布有顯著差異，且挑旗期分布較好，結果符合實測數據，這與冬小麥生長密切相關，生長過程中LAI曲線為拋物線，挑旗期為最高峰，此時有效分葉和無效分葉共存，而開花期都是有效分葉，且挑旗期養分充足，葉片繁茂，開花期養分逐漸不足，葉片中葉綠素含量降低，故LAI下降。

當前，利用高光譜數據對作物的LAI、生物量、氮素、葉綠素的模型研究取得了很好的效果，但常用的地面ASD光譜數據一般只能在地面進行獲取，受限制條件較多。本文使用新型的無人機成像光譜儀來對冬小麥的LAI進行估測，通過其高分辨率的光譜影像構建了LAI估測模型，得到了較好的效果。能夠為精準農業中作物的長勢監測提供地、空多方位的數據研究和技術方法，使得無人機成像光譜儀在精準農業中發揮更重要的作用。

4 結論

(1)在紅邊區域內UHD185和ASD光譜曲線趨勢高度相似，二者光譜反射在挑旗期、開花期、灌漿期的R2分別為0.995 9、0.999 0、0.996 8，說明UHD185獲取的數據具有很高的品質，精度較高。

(2)選取的光譜參數在不同生育期中與冬小麥LAI的相關性不同，挑旗期相關性最高的是NDVI(r=0.738)，開花期的最優參數為SR(r=0.819)，灌漿期NDVI×SR的相關性最高(r=0.835)，且3個生育期負相關最好的光譜參數均為TCARI/OSAVI，所構建的參數OSAVI×SR在各生育期相關性都較好。

(3)對各光譜參數運用LR和ER進行回歸分析，得到挑旗期、開花期、灌漿期的最優光譜參數分別是NDVI、SR、NDVI×SR。

(4)用5種方法估測挑旗期、開花期和灌漿期的冬小麥LAI，得到了5種估測模型(LAI-MLR、LAI-PLSR、LAI-RF、LAI-ANN、LAI-SVM)，其中，LAI-MLR模型為各生育期的最佳估測模型，估測效果最好的時期是開花期，其精度和穩定性均較好。將挑旗期和開花期估測模型進行填圖和可視化，得出2個時期的冬小麥LAI分布圖，其結果分布與實測數據較為一致。LAI-MLR可作為精準農業中冬小麥監測中的主要模型，為無人機成像光譜儀在作物監測中提供重要的科學依據。