LAI無人機多光譜遙感估測及其在鹽漬土改良中的應用

史豐智，王瑞燕，李玉環，閆宏，張曉鑫

LAI無人機多光譜遙感估測及其在鹽漬土改良中的應用

史豐智1,2，王瑞燕1,2，李玉環1,2，閆宏3，張曉鑫1

（1山東農業大學資源與環境學院，山東泰安 271018；2土肥資源高效利用國家工程實驗室，山東泰安 271018；3商河縣農業農村局，山東商河 276200）

【】植被產量能綜合直觀地反映鹽漬土改良效果，冬小麥生長旺盛期的葉面積指數（LAI）是植被產量的常用衡量指標。本研究利用無人機多光譜遙感獲取冬小麥生長旺盛期的葉面積指數分布數據，對鹽漬土改良效果進行客觀準確評價，為人們篩選鹽漬土改良技術和產品提供科學指導。以無棣縣渤海糧倉濱海鹽漬土改良試驗區為研究區，基于無人機多光譜遙感數據，利用線性回歸分析、偏最小二乘、隨機森林和支持向量機等方法，構建拔節期冬小麥LAI反演模型；并利用因子分析法對鹽漬土地區抽樣地塊進行改良效果評價，建立鹽漬土改良效果LAI評價模型，基于該評價模型對整個試驗區鹽漬土改良效果進行評價。對冬小麥LAI遙感估測而言，并不是分辨率越高越好，而是5×5均值平滑后的光譜數據與一壟小麥葉面積指數的對應最佳。LAI遙感估測模型中，利用支持向量機建立的模型精度最高。改良效果LAI評價模型的預測結果表明，LAI對鹽漬土改良效果的預測精度較高，改良效果最優地塊的編號為26、27、28、29、30和31，最優改良方法為引黃淤灌和增施有機肥綜合改良措施。無人機遙感可對鹽漬土地區拔節期冬小麥的葉面積指數進行準確反演，基于LAI反演結果的鹽漬土改良效果評價能夠從眾多試驗小區中定位出最優的改良效果。與傳統方法相比，該方法具有成本低廉、精度高等優勢，研究結果有廣泛推廣前景，可以為鹽漬土的改良提供重要技術支持。

無人機多光譜；鹽漬土改良；冬小麥拔節期；葉面積指數；遙感估測

0 引言

【研究意義】我國是一個人口大國，隨著社會發展、人口的不斷增加以及人民生活質量的提高，糧食需求量持續增加。在此嚴峻形勢下，保障糧食安全是我國國民經濟與社會發展的首要目標[1]。面向當前糧食安全重大需求，國家提出建設“渤海糧倉”的重大戰略決策[2]。在該戰略中，我國東部環渤海濱海鹽土區是主戰場。盡管科學家們曾進行了大量的鹽堿地改良機理研究和應用嘗試，研發了許多改良技術和方法，但濱海鹽漬土地區具有沿海沿河、地勢低、地下水礦化度高、土壤鹽堿程度高等水文、地質特點，存在“鹽”“堿”“瘦”“板”等障礙性因子，難改良、易反復，當前鹽堿土改良技術方法在該地區的實際應用的效果尚不清楚。因此，客觀準確地評價鹽漬土改良效果對指導當地優選鹽漬土改良技術和產品具有重要價值，對鹽漬土改良技術的大面積推廣和“渤海糧倉”建設具有重大意義。【前人研究進展】目前對鹽漬土改良效果的評價一般采用“產量法”和“土樣指標法”，這兩類方法都是通過調查單位面積的作物產量或點位采集并化驗土壤樣品的化學指標來進行改良效果評價。如劉東興等[3]通過化驗土壤分析有機質、速效氮、pH、電導率等土壤理化性質來評價生物有機肥改良黑龍江大慶市鹽漬土地區改良效果。劉杰等[4]通過調查單位面積棉花的株數與每株鈴數，評價不同鹽堿土改良劑在棉花上的應用效果。盡管這兩種方法可以在點位上獲得較高的評價精度，但在進行面尺度外推時存在代表性差、成本高、時效性差等缺點，因此在水鹽空間變異強烈的瀕海鹽漬土地區并不適用[5]。近年來，新興起的無人機遙感技術具有數據時空分辨率高、測量機動靈活、觀測范圍大等優勢，在農田時空變化信息采集中的應用逐漸增多[6-10]。在目前的應用研究中，所使用的傳感器主要是數碼相機和高光譜載荷通道設置[11-14]。數碼相機只能體現可見光波段的光譜信息，反映的光譜信息不充分，機載高光譜具有波段間隔窄、光譜分辨率高、連續性強等優點，但成本較高，主要應用于科學研究，大范圍推廣具有局限性[15-18]。無人機多光譜數據具有空間、光譜和價格的相對優勢，有更大的田間應用潛力。冬小麥在我國是僅次于水稻的第二大糧食作物，是濱海鹽漬土地區主要糧食作物[19-21]。LAI控制著植物冠層的多種生理和生態過程，是觀測植物長勢不可或缺的植被參數，研究結果表明，拔節期冬小麥LAI是評價鹽漬土改良效果的最佳指標[22]。【本研究切入點】雖然國內外對農作物LAI遙感研究取得了豐碩的成果，但利用無人機多光譜遙感數據進行鹽漬土地區的冬小麥LAI估測研究卻較缺乏，專門用于鹽漬土改良效果的評價研究鮮有報道。【擬解決的關鍵問題】本文基于實測數據和無人機多光譜遙感數據，研究濱海鹽漬土地區冬小麥拔節期LAI的遙感估測方法，探究適合鹽漬土改良效果評價的新途徑。預期結果將為鹽漬土地區冬小麥的長勢監測和鹽漬土改良提供技術和數據支持。

1 材料與方法

1.1 研究區概況

研究區在濱州市“渤海糧倉”無棣縣核心試驗區（37°54′N—37°57′N，117°54′E—117°57′E）。無棣縣隸屬于山東省濱州市，位于山東省最北部，瀕臨渤海灣，土地資源豐富，總面積2×105hm2。“渤海糧倉”試驗區處于無棣縣東部，面積約為6.6 hm2，海拔高度在2m左右，東北部受海水影響較大[23]。土壤類型為濱海鹽堿潮土，地勢低洼，pH在7.2—8.2，含鹽量較高，土壤板結嚴重，試驗區改良前屬于重度鹽漬土，經土地整理后溝渠和道路配套齊全，試驗地塊布置整齊，作物為冬小麥和夏玉米。

1.2 數據獲取

1.2.1 土壤采樣和LAI實測 根據冬小麥長勢差異布設采樣點，每個采樣點能夠明顯代表周圍小麥的長勢情況，共布設采樣點66個。利用差分GPS準確記錄采樣點位置。利用LAI-2200C采集冬小麥葉面積指數，利用鹽分計實地測定采樣點處鹽分含量。室內烘干法測定土樣水分含量，重鉻酸鉀氧化法測定土壤有機質含量，凱氏定氮儀測定土壤全氮含量。

1.2.2 無人機多光譜數據獲取與處理 圖像的獲取采用搭載Sequoia多相機型多光譜相機的多旋翼無人機，Sequoia多相機型多光譜相機具有綠光（GRE）、紅光（RED）、紅邊（REG）和近紅外（NIR）4個波段。飛機起飛前規劃好飛行路線與白板校正。為了減少太陽高度角與光線強弱造成的圖像偏差，無人機飛行在中午12點到下午2點之間進行，飛行高度為50 m，圖像拍攝時陽光較充足，風力較小。無人機對試驗區進行無人機拍攝后再對試驗區進行實地采樣。利用Pix 4D mapper軟件進行圖像的拼接，輻射校正。同時利用差分GPS確定明顯地物點的位置，對無人機影像進行幾何校正，得到研究區的假彩色合成圖（圖1）。提取采樣點的光譜反射率，與實測的葉面積指數進行對應，用于LAI建模。

1.3 研究方法

研究構建LAI無人機遙感反演模型的方法，獲取冬小麥LAI的空間分布；采用傳統的土樣指標法，通過因子分析法對抽樣地塊的鹽漬土改良效果進行評價，進而分析評價結果與無人機反演冬小麥拔節期LAI的關聯性；應用每個試驗地塊的LAI均值對研究區全部地塊的鹽漬土改良效果進行評價，篩選改良效果最優地塊。

1.3.1 葉面積指數實測值與無人機影像的光譜匹配方法 為了將冠層分析儀的測量值與無人機影像上像元值進行對應，采用1×1、2×2、3×3、4×4、5×5、6×6和7×7多個梯度的窗口，對原始圖像進行濾波處理，通過比較不同梯度的濾波提取的光譜值與葉面積指數的相關性，選擇最優窗口的光譜影像與葉面積指數匹配。

圖1 試驗區范圍與采樣點

1.3.2 敏感波段選擇和光譜指數構建 將“渤海糧倉”的采樣點的實測LAI與濾波處理后的無人機遙感影像單個波段反射率進行相關性分析。根據相關系數選擇特征波段，并使用這些特征波段的反射率構建植被指數，特征波段和植被指數共同構成反演特征集合。將特征集合與LAI相關性高的特征波段或指數作為LAI的敏感波段。

為了增強LAI的光譜差異，利用敏感波段構建多種常見植被指數，分析與LAI之間的相關性，提高無人機遙感反演冬小麥LAI的精度。

1.3.3 建模和驗證 從采集的樣本中，剔除3個異常值，將剩余63個樣本隨機分為2組，44個樣本用于建模，19個樣本用于驗證。分別利用線性回歸分析、偏最小二乘（PLS）、隨機森林(RF)和支持向量機(SVM)等多種機器學習的方法建立葉面積指數反演模型。本研究經過試驗確定所用機器學習算法的主要參數設置，其中SVM回歸模型的建立是在Matlab2016a中基于Libsvm工具箱實現；支持向量回歸（SVR）選用徑向基核函數（RBF），類型采用e-SVR，損失函數為0.01，采用訓練集交叉驗證(cross-validation)和網格搜索法(grid-search)進行參數尋優，依據均方差最小原則確定懲罰參數C和核參量g的值；偏最小二乘模型是利用SPSS軟件進行分析；隨機森林進行300次迭代和基礎學習。

采用決定系數（2）和均方根誤差（）以及相對分析誤差（RPD）作為模型精度的評價指標[24]，對建模精度和驗證精度進行評價，從而選定葉面積指數反演的最佳模型，獲得研究區的葉面積指數空間分布反演結果。

1.3.4 基于土樣指標法的鹽漬土改良效果評價 根據濱海鹽漬土的特點，從養分指標、鹽分指標和水分3個方面，選取土壤含水量、含鹽量、有機質含量和全氮含量4個指標作為鹽漬土改良效果評價指標。對研究區各地塊進行編號，隨機抽取試驗田中東西主路南側80%的地塊作為評價對象，將同一地塊內采樣點的指標平均值作為該地塊的評價指標值，公因子特征根的方差貢獻率作為評價指標權重，利用線性加權法構建改良效果評價函數。計算采樣地塊的鹽漬土改良效果得分，并據此對研究區各地塊的改良效果進行分析。

1.3.5評價結果與冬小麥LAI的模型構建 構建各地塊的鹽漬土改良效果得分與對應地塊LAI平均值的相關性模型，根據兩者的決定系數確定鹽漬土改良效果評價與LAI之間的關聯程度，分析拔節期冬小麥LAI反演結果在鹽漬土改良效果評價中的應用狀況。

2 結果

2.1 LAI的無人機遙感反演結果

2.1.1 敏感波段與光譜指數分析 采樣點7種濾波窗口處理后的反演特征集合的光譜數據，及其與LAI相關性分析結果如表1所示。表中數據顯示，除紅邊外，各波段光譜數據與葉面積指數的相關性在所有濾波窗口均達到極顯著相關。各波段綜合比較而言，紅光波段的相關性最高，其次為綠光和近紅外波段，紅邊的最低。除近紅外波段外，其他波段與葉面積指數為負相關。紅邊波段與葉面積指數的相關性與窗口大小關系密切，小于3×3窗口時，兩者沒有相關性。根據各波段與葉面積指數的相關分析，選擇相關系數大于0.5的綠光（GRE）、紅光（RED）和近紅外（NIR）波段作為葉面積指數的敏感波段。

表1 不同濾波窗口處理后的特征波段與LAI相關性

**在0.01上相關性顯著、*在0.05上相關顯著。下同

** indicates significant correlation at 0.01 levels, * indicates significant correlation at 0.05 levels. The same as below

選取敏感波段綠光（GRE）、紅光（RED）和近紅(NIR)波段構建的植被指數如表2所示。7個濾波窗口的植被指數與LAI的相關性分析結果見表3。結果顯示，各植被指數與葉面積指數都達到極顯著相關，且植被指數對LAI的敏感度遠高于單波段。在同一濾波窗口處理下，RVI與葉面積指數的相關性各植被指數中最高的。不同濾波窗口中，5×5的窗口中各植被指數與葉面積指數的相關性也是最高的。因此，5×5濾波處理后的植被指數作為LAI反演的敏感光譜指數，進行葉面積指數反演模型的構建，各模型的決定系數（2）、均方根誤差（）和相對分析誤差（RPD）比較結果見表4。

表2 植被指數計算公式

公式中ρgre、ρred、ρnir分別指機載Sequoia多光譜相機影像的b1、b2和b4波段的反射率

In the formula, respectively, the reflectivity of the b1, b2 and b4 bands of the airborne Sequoia multispectral camera image

表3 不同濾波處理后光譜指數與葉面積指數相關性

表4數據顯示，支持向量機建模方法的精度最高，其次為線性回歸方法和PLS方法，隨機森林的誤差最大。將支持向量機方法的LAI預測值與實測值結果進行比較，結果如圖2所示，其建模集2為0.85，為0.48，RPD為2.4。驗證集2為0.66，為0.67，RPD為1.3。因此采用支持向量機構建冬小麥葉面積指數遙感反演模型。利用該模型對整個研究區進行反演結果如圖3所示。

表4 植被指數與LAI建模與驗證

Table 4 Modeling and verification of vegetation index and LAI

圖3 葉面積指數等級分布圖

圖3表明，研究區的拔節期冬小麥LAI介于0—6，其中0—1對應裸土，冬小麥LAI主要集中在1—2.5，與實際采集拔節期冬小麥LAI接近，總體來看,葉面積指數空間變化強烈。研究區北部和南部冬小麥LAI長勢差別明顯，說明改良措施多且具有較大差異。另外，從LAI等級分布圖中還可以看出，同一地塊中的冬小麥LAI差異明顯，這意味著少數幾個采樣點的數據并不能代表該地塊的整體水平，但利用無人機卻能夠更加準確直觀地展示試驗田中同一地塊內和不同地塊間冬小麥LAI的差異。

2.2 基于土樣指標法的鹽漬土改良效果評價

對評價指標值進行KMO和巴特利特球形球性檢驗，KMO=0.68，Sig=0.002＜0.05。結果顯示，各指標之間的相關性和獨立性滿足因子分析條件。應用因子分析確定主成分因子的特征值和貢獻率見表5和表6。

表5數據表明，前2個主因子總方差的貢獻率達到了82.23%，將其作為公因子代表選取的指標。為了使公共因子能更好地體現土壤中各項理化指標，采用方差最大法對因子進行最大化正交旋轉處理，建立因子載荷矩陣（表6）。由旋轉后的成分矩陣以及成分得分矩陣中可以得出，第一公因子有機質、含氮量在冬小麥LAI等指標上具有較大的載荷，將其定義為養分因子，反應的是各地塊的土壤中總體養分情況。第二公因子在鹽分和水分指標上具有較大的載荷，將其定義為鹽分因子，反應了各地塊的土壤中鹽分水平。依據改良效果因子得分矩陣，利用各個公共因子特征根的方差貢獻率進行加權，建立改良效果綜合評價函數：

表5 總方差分析

Table 5 Total variance analysis

表6 成分得分矩陣

F=0.27X1-0.23X2+0.19X3+0.17X4（1）

式中，X1為有機質的方差貢獻率,X2為鹽分的方差貢獻率,X3為含氮量的方差貢獻率,X4為水分的方差貢獻率。

2.3 LAI與改良效果的關聯分析

根據公式1，計算各地塊改良效果得分（表7）。依據改良效果得分對試驗小區進行排序，并與該地塊冬小麥平均LAI進行對應，對所選地塊LAI進行排序。

表7結果顯示，鹽漬土改良效果得分與LAI變化趨勢和排名都基本保持一致，鹽漬土改良效果得分越高，對應的地塊LAI平均值也越高。以采樣地塊改良效果評價得分為因變量，LAI地塊平均值為自變量，構建改良效果的LAI評價模型：

y=0.4177in(x)+0.032 （2）

式中，y為各地塊的改良效果評價得分，x為各地塊LAI含量平均值。

該模型的決定系數2為0.86，為0.06，RPD為2.52，表明改良效果的LAI評價模型的精度較高。因此，拔節期冬小麥LAI作為一個植被長勢指標，能夠很好地評價出“渤海糧倉”鹽漬土地區各地塊改良效果。

2.4 基于LAI反演結果的鹽漬土改良效果評價

以地塊為單位，依據無人機LAI反演結果統計每一地塊的LAI均值，結合改良效果的LAI評價模型得到試驗區各地塊的鹽漬土改良效果評分，采用自然斷點法將鹽漬土改良效果評分劃分為5個等級（特優，優，良，中和差），試驗區鹽漬土改良效果評價結果見圖4。

從改良效果等級圖可以看出，地塊間的改良效果差異明顯，研究區西北部地塊改良效果總體較好，評分最低的為東部2個地塊片區，這些是試驗區中的對照地塊，未經過任何改良措施，土壤有機質平均含量為1.5 g·kg-1，含鹽量為1.8 g·kg-1，含水量為0.07%，含氮量為0.07%，評價等級為差；其他地塊的改良效果評價等級呈交錯分布。改良效果為良以上的地塊編號為1、2、4—9、11、15、25—40，最差的為20—24和41—44，其余為中等改良效果。南半部地塊間鹽漬土改良效果中，1—10號相鄰地塊改良效果均不同。其中改良效果特優和優的地塊占全部地塊的50%，良和中的地塊占全部地塊的32%。評價效果為中等的地塊的改良措施是通過增施氮肥培肥地力，其中有機質含量為1.8 g·kg-1，含鹽量為1.2 g·kg-1，含水量為0.07%，含氮量為0.12%；評價效果為良的地塊是通過施加有機肥的增碳降鹽改良試驗，有機質含量平均值為2.1 g·kg-1，鹽分含量平均值為0.8 g·kg-1，含水量平均值為0.07%，含氮量平均值為0.1%；而改良效果為優和特優的地塊是經過引黃淤灌和增施有機肥的綜合改良措施，有機質含量平均值為2.1 g·kg-1，含鹽量平均值為0.02 g·kg-1，含水量為平均值0.1%，含氮量平均值為0.12%。比較多種改良方法可以得出，引黃淤灌和增施有機肥的綜合改良方式對鹽漬土改良效果最佳，能同時達到降鹽增碳培肥地力的效果，其次是增施有機肥，效果最差的是只施加氮肥。

圖4 試驗田改良效果等級劃分圖

表7 各地塊得分情況排名

3 討論

3.1 無人機遙感影像平滑窗口對LAI反演精度的影響

通過對采樣點LAI實測值與無人機多光譜數據的相關分析表明，拔節期冬小麥葉面積估測所使用的無人機遙感數據，并不是分辨率越高越好，而是5×5均值平滑后的光譜數據最佳。這可能是由無人機遙感影像上采樣點所在的像元大小與葉面積指數實測所代表的空間范圍不匹配造成的。圖5中的1×1窗口為某一LAI實測采樣點在濾波處理前的圖像上所在的位置，為一壟小麥的中心，在50 m航高拍攝的無人機影像上，無人機影像的分辨率是0.05 m，在這樣的范圍內，冠層分析儀測量的則是一壟小麥的葉面積指數，拔節期一壟小麥的寬度是0.2—0.3 m，兩者的空間大小差異較大。5×5窗口尺寸為0.25 m，與一壟小麥的寬度相當，當將無人機遙感影像進行5×5窗口大小的平滑濾波處理后，該采樣點所在的光譜為窗口范圍內像元的光譜反射率的均值，與采樣點LAI實測值較好地匹配起來。

圖5 4種窗口濾波處理后的假彩色合成無人機影像（黑點為采樣點）

3.2 紅邊單波段與葉面積指數的相關性

紅邊參數是高光譜數據在植被監測中的特有指標，廣泛應用于作物生態物理參數反演與提取中。但是，在這款傳感器的4個波段中，紅邊的反射率與拔節期冬小麥葉面積指數的相關性最低。這與目前的高光譜紅邊參數研究有所不同，但也并不矛盾。在目前高光譜研究中，主要使用的是與紅邊位置有關的紅邊特征，如“紅移”、紅邊振幅和紅邊面積等，而不是某一紅邊波段的反射率。這也就意味著，無人機所攜帶的傳感器至少具有2個紅邊波段才有可能利用紅邊參數這項指標進行葉面積指數的反演，僅有一個紅邊波段發揮作用有限，不如傳統的紅光和近紅外波段對葉面積指數的變化敏感。無獨有偶，夏天等[29]利用無人機高光譜研究不同冬小麥葉面積指數反演方法的模擬精度及適應性，得到在720 nm附近與葉面積指數的相關性接近于0。這與我們在紅邊波段光譜值與葉面積指數的相關性分析的結果相似。

3.3 RVI對LAI的變化的敏感性分析

盡管NDVI在LAI反演研究中應用最為廣泛，但本研究結果卻表明，比值植被指數RVI與葉面積指數之間的相關性相對較高。分析其原因，可能與拔節期冬小麥的長勢和陰影對可見光的強吸收有關，在強吸收的情況下，冬小麥冠層的紅光波段反射率接近0。因此，拔節期的無人機圖像上，不同LAI對應的NDVI差異不大，都接近1；而比值植被指數是近紅外波段和紅光波段的反射率比值，因近紅外波段的反射率隨LAI增大而升高，紅光波段與之相反，因此，比值植被指數會對LAI的變化更為敏感，這與目前研究結果一致，如鄭踴謙[30]的研究結果表明，RVI與其他植被指數相比，RVI具有較好地抗飽和性，在幾個植被指數中總體表現結果最好。

3.4 冠層分析儀在測量鹽漬土麥田LAI差異中的適用性

手工實測是獲取LAI數據的最準確的方法，然而，實測LAI需要收割冬小麥植株獲取實際LAI，屬于破壞取樣，由于本試驗是設置在“渤海糧倉”試驗區，試驗區各地塊為不同課題組的鹽漬土改良試驗田，為了避免影響試驗，不宜采用LAI實測法。因此，本研究采用LAI-2200C植物冠層分析儀對冬小麥LAI進行測定，測量原理是基于葉面積的垂直投影，其在高植被密度條件下與手工測定值有較大偏差，但是，在濱海鹽漬土地區，由于鹽害脅迫，即使旺盛生長期的冬小麥長勢也普遍比內陸小麥差，LAI相對偏低，不同改良田塊之間LAI差異較大，因此，即使用LAI-2200C植物冠層分析儀也能夠體現LAI之間的相對差異，當然，由于該測量方法的局限，這種差異刻畫地不夠精密。但是，對于反映鹽漬土改良效果的相對差異來說，尤其是以分級的形式表達鹽漬土改良效果的差異時，這個精度已經能夠滿足實用的要求。

3.5 LAI與鹽漬土改良效果的關系

盡管基于主成分分析的改良效果評價模型是各評價指標的線性加權模型，但是，基于冬小麥LAI的改良效果評價模型結果表明，拔節期冬小麥LAI與綜合評價得分為非線性關系，這說明LAI與單項評價指標并不是線性相關。這與目前土壤水肥效應的研究結論一致，如劉思汝等[31]從LAI等方面綜述了水肥一體化技術對果樹生長發育的影響，得出LAI能夠反映土壤中水分和養分對作物的綜合影響情況。因此利用LAI更多地體現了鹽漬化改良過程中土壤中多項理化指標的綜合變化情況。

4 結論

在冬小麥拔節期，無人機可見光波段（綠光、紅光）和近紅外波段對葉面積指數的敏感性高于紅邊。利用紅光與近紅外波段構建的RVI植被指數與拔節期冬小麥的LAI的相關性最好。

無人機遙感數據的空間分辨率高，會造成采樣點所在的像元與LAI實測值所代表的空間范圍不一致問題，針對這一問題，可以通過對無人機圖像進行降尺度處理的方法進行解決。本研究中發現，在無人機飛行高度50 m情況下，5×5的濾波處理后像元的光譜值與拔節期冬小麥LAI的相關性最高。

葉面積指數與植被指數通過其他機器學習模型能夠進一步提高模型的精度，其中支持向量機模型效果最好，其模型2達到了0.90，為0.55，RPD為2.2。驗證集的2為0.67，為0.71，RPD為1.5。鹽漬土改良效果得分與拔節期冬小麥LAI的評價模型為非線性，其決定系數為0.86，拔節期冬小麥LAI能夠對鹽漬土改良效果進行綜合評價。

從無人機LAI遙感反演結果與改良效果可以看出，無人機多光譜遙感反演結果對冬小麥LAI的空間分布刻畫地更為精細，符合鹽漬土地區冬小麥長勢空間變異強烈的特點，適用于鹽漬土改良效果監測和評估，在鹽漬土的改良利用中具有重要的推廣應用價值。

[1] 季洪亮, 路艷. 濱海鹽堿地生態修復效果評價. 西北林學院學報, 2017(2): 301-307.

JI H L, LU Y. Evaluation of the eco-restoration effect on coastal saline-alkali soil., 2017(2): 301-307. (in Chinese)

[2] 許經勇, 黃煥文. 有關我國糧食安全的幾個問題研究. 財經研究, 2004, 30(5): 122-129.

XU J Y, HUANG H W. A Study on the issue of food security in China., 2004, 30(5): 122-129. (in Chinese)

[3] 劉東興, 宮偉光. 大慶鹽堿地立地質量評價. 中國水土保持科學, 2009, 3(3): 98-103.

LIU D X, GONG W G. Evaluation of site quality for saline-alkali soil in Daqing., 2009, 3(3): 98-103. (in Chinese)

[4] 劉杰. 不同鹽堿土改良劑在棉花上的應用效果初報. 新疆農墾科技, 2015(7): 73-74.

LIU J. Preliminary report on the application effect of different saline-alkaline soil improvers on cotton., 2015(7): 73-74. (in Chinese)

[5] 何小安. 基于無人機遙感影像的冬小麥播種效果與空間變異評價[D]. 西安: 西安科技大學, 2018.

HE X A. Evaluation of sowing effect and spatial variation in winter wheat based on unmanned aerial vehicle remote sensing images [D]. Xi’an: Xi’an University of Science and Technology, 2018(in Chinese)

[6] 楊貴軍, 李長春, 于海洋, 徐波, 馮海寬, 高林, 朱冬梅. 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.

YANG G J, LI C C, YU H Y, XU B, FENG H K, GAO L, ZHU D M. UAV based multi-load remote sensing technologies for wheat breeding information acquirement., 2015, 31(21): 184-190. (in Chinese)

[7] 高林, 楊貴軍, 王寶山, 于海洋, 徐波, 馮海寬. 基于無人機遙感影像的大豆葉面積指數反演研究. 中國生態農業學報, 2015, 23(7): 868-876.

GAO L, YANG G J, WANG B S, YU H Y, XU B, FENG H K. Soybean leaf area index retrieval with UAV remote sensing imagery., 2015, 23(7): 868-876. (in Chinese)

[8] DUAN B, LIU Y, GONG Y, PENG Y, WANG X, ZHU R, FANG S H. Remote estimation of rice LAI based on Fourier spectrum texture from UAV image., 2019, 15(1): 1-12.

[9] 張春蘭, 楊貴軍, 李賀麗, 湯伏全, 劉暢, 張麗妍. 基于隨機森林算法的冬小麥葉面積指數遙感反演研究. 中國農業科學, 2018, 51(5): 855-867.

ZHANG C L, YANG G J, LI H L, TANG F Q, LIU C, ZHANG L Y. Remote sensing inversion of leaf area index of winter wheat based on random forest algorithm., 2018, 51(5): 855-867. (in Chinese)

[10] 褚洪亮, 肖青, 柏軍華, 程娟. 基于無人機遙感的葉面積指數反演.遙感技術與應用, 2017, 32(1): 140-148.

CHU H L, XIAO Q, BAI J H, CHENG J. The retrieval of leaf area index based on remote sensing by unmanned aerial vehicle., 2017, 32(1): 140-148. (in Chinese)

[11] 李長春, 牛慶林, 楊貴軍, 馮海寬, 劉建剛, 王艷杰. 基于無人機數碼影像的大豆育種材料葉面積指數估測. 農業機械學報, 2017, 48(8): 147-158.

LI C C, NIU Q L, YANG G J, FENG H K, LIU J G, WANG Y J. Estimation of leaf area index of soybean breeding materials based on UAV digital images., 2017, 48(8): 147-158. (in Chinese)

[12] 顧婷, 高曉雯, 孫成明, 王燕君, 劉濤, 武威, 陳雯. 基于無人機圖像的水稻拔節期葉面積指數估算. 農業網絡信息, 2015(12): 63-65.

GU T, GAO X W, SUN C M, WANG Y J, LIU T, WU W, CHEN W. Estimation on the rice leaf area index in jointing stage based on unmanned aerial vehicle (UAV) image., 2015(12): 63-65. (in Chinese)

[13] 雷亞平, 韓迎春, 楊北方, 王康麗, 王國平, 馮璐, 王占彪, 李亞兵.利用無人機數字圖像監測不同棉花品種葉面積指數. 中國棉花, 2018, 45(12): 9-15.

LEI Y P, HAN Y C, YANG B F, WANG K L, WANG G P, FENG L, WANG Z B, LI Y B. Monitoring of leaf area index of different cotton varieties using UAV-acquired digital images., 2018, 45(12): 9-15. (in Chinese)

[14] 李子揚, 錢永剛, 申慶豐, 王寧, 劉耀開, 馬靈玲, 孔祥生. 基于高光譜數據的葉面積指數遙感反演. 紅外與激光工程, 2014, 43(3): 944-949.

YANG Z Y, QIAN Y G, SHEN Q F, WANG N, LIU Y K, MA L L, KONG X S. Leaf area index retrieval from remotely sensed hyperspectral data., 2014, 43(3): 944-949. (in Chinese)

[15] 田明璐, 班松濤, 常慶瑞, 由明明, 羅丹, 王力, 王爍. 基于低空無人機成像光譜儀影像估算棉花葉面積指數. 農業工程學報, 2016, 32(21):102-108.

TIAN M L, BAN S T, CHANG Q R, YOU M M, LUO D, WANG L, WANG S. Use of hyperspectral images from UAV-based imaging spectroradiometer to estimate cotton leaf area index., 2016, 32(21): 102-108. (in Chinese)

[16] Liu K, Zhou Q B, Wu W B, XIA T, TANG H J. Estimating the crop leaf area index using hyperspectral remote sensing., 2016, 15(2): 475-491.

[17] ROOSJEN P P J, BREDE B, SUOMALAINEN J M, Bartholomeus H M, Kooistra L, Clevers J G P W. Improved estimation of leaf area index and leaf chlorophyll content of a potato crop using multi-angle spectral data-potential of unmanned aerial vehicle imagery., 2018, 66: 14-26.

[18] 高林, 楊貴軍, 李紅軍, 李振海, 馮海寬, 王磊, 董錦繪, 賀鵬. 基于無人機數碼影像的冬小麥葉面積指數探測研究. 中國生態農業學報, 2016, 24(9): 1254-1264.

GAO L, YANG G J, LI H J, LI Z H, FENG H K, WANG L, DONG J H, HE P. Winter wheat LAI estimation using unmanned aerial vehicle RGB-imaging., 2016, 24(9): 1254-1264. (in Chinese)

[19] 羅建美, 靳根會, 羅仲朋, 王紅營, 齊永青, 劉興冉, 沈彥俊. 河北平原中低產區小麥與玉米生產現狀及增產潛力分析. 中國生態農業學報, 2016, 24(8): 1123-1134.

LUO J M, JIN G H, LUO Z P, WANG H Y, QI Y Q, LIU X R, SHEN Y J. Production state and yield potential of wheat and maize in low-medium yield farmlands in Hebei plain., 2016, 24(8): 1123-1134. (in Chinese)

[20] SAKAMOTO T, SHIBAYAMA M, KIMURA A, TAKADA E. Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth., 2011, 66(6): 872-882.

[21] 劉昌華, 王哲, 陳志超, 周蘭, 岳學智, 苗宇新. 基于無人機遙感影像的冬小麥氮素監測. 農業機械學報, 2018(6): 207-214.

LIU C H, WANG Z, CHEN Z C, ZHOU L,YUE X Z, MIAO Y X. Nitrogen monitoring of winter wheat based on unmanned aerial vehicle remote sensing image., 2018(6): 207-214.

[22] CAO C, DANG H, KEJIANG L I, JUNYONG M A, ZHENG C. Winter wheat salt tolerance appraisal indices with varied mineral content of saline water., 201415(7): 1134-1139.

[23] 姚宇, 朱昌達. “渤海糧倉”典型區土壤養分時空變異. 中國人口·資源與環境, 2018, 28(S1): 165-168.

YAO Y, ZHU C D. Spatio-temporal variability of soil characteristics of the ‘Bohai Granary’ typical area,, 2018, 28(S1): 165-168. (in Chinese)

[24] 申艷, 張曉平, 梁愛珍, 時秀煥, 范如芹, 楊學明. 近紅外光譜分析法測定東北黑土有機碳和全氮含量. 應用生態學報, 2010, 21(1): 109-114.

SHEN Y, ZHANG X P, LAING A Z, SHI X H, FAN R Q, YANG X M.Near infrared spectroscopy in determining organic carbon and total nitrogen in black soil of Northeast China., 2010, 21(1): 109-114. (in Chinese)

[25] HUETE A, DIDAN K, MIURA T, RODRIGUEZ E P, GAO X, FERREIRA L G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices., 2002, 83(1/2): 195-213.

[26] GITELSON A A, KAUFAMAN Y J, MERZLYAK M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS., 1996, 58(3): 289-298.

[27] SHIBAYAMA M T, AKIYAMA T. Seasonal visible, near-infrared and mid-infrared spectra of rice canopies in relation to LAI and above-ground dry phytomass., 1989, 27(2): 119-127.

[28] MOTOHKA T, NASAHARS K N, OGUMA H, TSUCHIDA S. Applicability of green-red vegetation index for remote sensing of vegetation phenology., 2010, 2(10): 2369-2387.

[29] 夏天, 吳文斌, 周清波, 周勇. 冬小麥葉面積指數高光譜遙感反演方法對比. 農業工程學報, 2013(3): 139-147.

XIA T, WU W B, ZHOU Q B, ZHOU Y. Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing., 2013(3): 139-147. (in Chinese)

[30] 鄭踴謙, 董恒, 張城芳, 黃鵬. 植被指數與作物葉面積指數的相關關系研究. 農機化研究, 2019, 41(10): 7-12.

ZHENG Y Q, DONG H, ZHANG C F, HUANG P. Study on the relationship between vegetation indices and leaf area index of crop., 2019, 41(10): 7-12. (in Chinese)

[31] 劉思汝, 石偉琦, 馬海洋, 王國安, 陳清, 徐明崗. 果樹水肥一體化高效利用技術研究進展. 果樹學報, 2019, 36(3): 366-384.

LIU S R, SHI W Q, MA H Y, WANG G A, CHEN Q, XU M G. Advances in research on efficient utilization of fertigation in fruit trees., 2019, 36(3): 366-384. (in Chinese)

LAI Estimation Based on Multi-Spectral Remote Sensing of UAV and Its Application in Saline Soil Improvement

SHI Fengzhi1, 2, WANG Ruiyan1, 2, LI Yuhuan1, 2, YAN Hong3, ZHANG Xiaoxin1

(1College of Resources and Environment, Shandong AgriculturalUniversity, Tai’an 271018, Shandong;2National Engineering Laboratory for Efficient Utilization of Soil and Fertilizer Resources, Tai’an 271018, Shandong;3Agricultural and Rural Bureau of Shanghe County, Shanghe 276200, Shandong)

【】Vegetation yield can comprehensively and intuitively reflect the improvement effect of saline soil. Leaf area index (LAI) of winter wheat during its vigorous growth period is a commonly used measure of vegetation yield. In this study, unmanned aerial vehicle (UAV) multispectral remote sensing was used to obtain the LAI distribution data of winter wheat during its vigorous growth period to objectively and accurately evaluate the improvement effect of saline soil, so as to provide scientific guidance for people to screen saline soil improvement technology and products. 【】Taking the experimental area of coastal saline soil improvement in Bohaigranary in Wudi county as the research area, based on UAV multispectral remote sensing data, linear regression analysis, partial least squares, random forest, and support vector machine were used to construct LAI inversion model of winter wheat. The factor analysis method was used to evaluate the improvement effect of the sampled land in saline soil area, and the LAI evaluation model of saline soil improvement effect was established to evaluate the improvement effect of saline soil in the entire experimental area. 【】The results showed that, for the winter wheat LAI remote sensing estimation, it was not that the higher the resolution, the better, but the smoothed 5×5 mean spectral data corresponded best to the LAI of a ridge of wheat. Among the LAI remote sensing estimation models, the models were built by using SVM with the highest accuracy. The prediction result of the improvement effect LAI evaluation model showed that the prediction accuracy of the improvement effect of saline soil by LAI was higher, and the best improvement land numbers were 26, 27, 28, 29, 30, and 31, and the optimal improvement method was cited. The best improvement method was comprehensive improvement measures of diversion irrigation and adding organic fertilizer.【】UAV remote sensing could accurately invert the LAI of winter wheat at the jointing stage in saline soil area. The evaluation of the improvement effect of saline soil based on the results of LAI inversion could locate the optimal improvement effect from many experimental plots. Compared with the traditional method, this method had the advantages of low cost and high accuracy. The research results had a broad prospect and could provide important technical support for the improvement of saline soil.

multi-spectral of UAV; improvement effect of saline soil; jointing stage of winter wheat; leaf area index; remote sensing estimation

10.3864/j.issn.0578-1752.2020.09.008

2019-08-23；

2020-03-07

山東省重點研發計劃（2017CXGC0306）、‘十三五’國家重點研發計劃（2017YFD0200702）、山東農業大學創新團隊項目（SYL2017XTTD02）、山東農業大學青年教師成長計劃經費和青年創新基金（23694）

史豐智，E-mail：1204944751@qq.com。通信作者王瑞燕，E-mail：wry@sdau.edu.cn

（責任編輯 楊鑫浩）