基于無人機影像的小麥株高與LAI預(yù)測研究

郭 濤，顏 安，耿洪偉

(1.新疆農(nóng)業(yè)大學(xué)草業(yè)與環(huán)境科學(xué)學(xué)院，新疆烏魯木齊 830052；2.新疆土壤與植物生態(tài)過程實驗室， 新疆烏魯木齊 830052；3新疆農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，新疆烏魯木齊 830052)

小麥是全球重要的糧食作物之一[1-2]。株高和葉面積指數(shù)(LAI)作為作物的重要表型性狀，能有效反映作物的生長、病害等狀況，可用于評判植株長勢好壞、產(chǎn)量高低，也成為作物生長模型、冠層反射模型等研究的主要參數(shù)[3-7]。作物株高和LAI通常主要依靠人工測量，費時費力，且具有一定的主觀性，難以滿足大區(qū)域測量需要[8]。無人機遙感系統(tǒng)具有運載便利、靈活性高、可快速無損、高通量獲取田間作物表型信息等優(yōu)點[9-12]，能夠有效彌補地面調(diào)查的部分缺陷[13]。因此，利用無人機遙感系統(tǒng)準確、快速地估測作物株高和LAI，對掌握作物生長狀態(tài)、趨勢和作物產(chǎn)量估算具有重要意義[14-17]。

目前，國內(nèi)外學(xué)者在無人機遙感領(lǐng)域已開展諸多研究。在作物監(jiān)測方面[18-21]，前人大多采用固定翼飛機搭載相機、機載激光雷達(LIDAR)等直接獲取地物的三維點云信息，并在生成數(shù)字高程模型與三維點云重建時，借助算法可以較好地去除原始點云中會出現(xiàn)的噪聲點，且較為完整地保存原始點云細節(jié)信息，但是其過程繁雜、儀器價格昂貴，限制了遙感監(jiān)測向無人機方向發(fā)展。近年來，隨著數(shù)碼相機的發(fā)展，其低廉性、輕盈化、分辨率高等特點促進了無人機遙感系統(tǒng)的廣泛研究。在作物株高監(jiān)測方面，隋學(xué)艷等基于光譜反射率建立小麥在不同波段下的作物株高估算模型，取得了較好的估測效果，但是由于植被類型、生長狀態(tài)、光譜差異等因素影響，建立的模型通透性較差[6,22]；劉治開[23]、Weiss[24]分別基于動態(tài)結(jié)構(gòu)算法與三維重建構(gòu)建作物數(shù)字表面模型(DSM)估算冬小麥和葡萄樹株高；楊 琦等[25]、牛慶林等[26]基于無人機數(shù)碼相機及地面控制點生成DSM以提取作物株高，并將其與植被指數(shù)融合分別構(gòu)建甘蔗和玉米株高LAI估測模型；Bendig等基于無人機數(shù)碼影像DSM獲取各生育時期作物株高，分別建立了大麥、玉米的株高、生物量估算模型等[27-30]。這些研究均使用三維重建方法，很好地克服了因植被類型和光譜差異帶來的影響，并均取得較高的反演精度。然而，上述研究多以高稈作物為主，涉及矮稈作物的研究卻略顯不足。此外，在作物LAI監(jiān)測方面，部分研究基于植被輻射傳輸特性建立物理模型。如潘海珠等借助無人機高光譜影像，結(jié)合多時期數(shù)據(jù)采用植被輻射傳輸模型和改進LAI擬合等方法，提高了小麥LAI的預(yù)測精度[31-33]。雖然該方法機理性強，適用的植被類型及空間范圍更廣，但模型對輸入?yún)?shù)數(shù)量的要求及其不易獲取性使得其反演精度受到限制[34]。另一些LAI監(jiān)測研究基于植被指數(shù)建立經(jīng)驗?zāi)Ｐ停m其機理性弱，但憑借其簡單、快捷的特點常被用于植被表型參量的反演，進而可及時有效、無損害地監(jiān)測作物長勢[5]。如汪小欽等在復(fù)雜影像背景下通過無人機影像植被光譜特征分析得出植被信息與LAI的關(guān)聯(lián)性[35-36]；梁 亮等通過分析、遴選敏感植被指數(shù)，分別構(gòu)建小麥、大豆LAI敏感的光譜指數(shù)估測模型[37-39]。上述研究主要是通過建立多生育時期單一模型或單個生育時期多種模型對LAI進行預(yù)測，然而針對多生育時期多種回歸分析方法的LAI估測研究仍相對很少。

鑒于此，本研究以不同生育時期小麥為研究對象，基于無人機數(shù)碼影像DSM株高提取方法獲得各生育時期小麥株高模型，通過相關(guān)性分析和多種回歸方法構(gòu)建各生育時期光譜指數(shù)LAI估測模型，并利用實測數(shù)據(jù)進行模型精度評價，實現(xiàn)各生育時期小麥品種(系)株高和LAI的遙感估測，以期為小麥品種(系)全生育期表型參量研究和遺傳育種改良提供快速、高通量的田間監(jiān)測技術(shù)支撐。

1 材料與方法

1.1 試驗材料與設(shè)計

田間試驗于2019年4-7月在新疆農(nóng)業(yè)大學(xué)三坪實驗教學(xué)基地小麥育種試驗田進行。三坪基地位于烏魯木齊市頭屯河區(qū)，試驗田地處東經(jīng)87°21′08″～87°21′11″、北緯43°56′19″～43°56′22″，海拔高度約594 m，土壤類型主要以灰漠土為主，一年只種植一季小麥。該地區(qū)屬中溫帶大陸性半干旱氣候區(qū)，晝夜溫差大，夏季酷熱，冬季嚴寒，四季冬夏長春秋短。年平均氣溫2.8～ 13.0 ℃，年降水量120～180 mm，年蒸發(fā)量 2 500～ 2 750 mm，日照時長2 200～2 350 h，平均無霜期163 d。

試驗田播種時間為2019年4月5日，收獲時間為2019年7月8日，總面積3 642 m2。供試材料為具有較好代表性的380份小麥品種(系)，其中每份材料均設(shè)置4個重復(fù)，所有供試品種(系)均按照其編號排列進行種植，每小區(qū)種植3行，行長2 m，行寬0.2 m。小區(qū)沿行長縱向間距0.4 m，橫向間距0.6 m。每個重復(fù)區(qū)四周周邊均設(shè)置保護行。試驗田與普通大田管理一致。

1.2 地面數(shù)據(jù)獲取

于拔節(jié)期(6月1日)、孕穗期(6月8日)、揚花期(6月17日)、灌漿期(6月24日)和成熟期(7月6日)，采集小麥株高和LAI的田間數(shù)據(jù)。在采集數(shù)據(jù)時，對均勻分布在研究區(qū)的96個采樣點進行標記采樣(所有小區(qū)均設(shè)有獨立數(shù)字標記牌)。考慮到品種(系)間生長發(fā)育的差異性，各生育時期均以品種(系)植株的80%滿足要求作為標準。每小區(qū)沿對角線等間距選取4株小麥，用卷尺量取地面到小麥植株最上部葉片頂端或穗頂端的高度，取其平均值作為小區(qū)株高的測定值。用LAI-2200C型植物冠層分析儀測定小麥材料的LAI，測定時鏡頭應(yīng)保持水平不動并盡量避免太陽光直射；記前期測量一個天空值，后期測量小麥品種(系)材料根部位置4個方向的目標值為一次重復(fù)，經(jīng)多次重復(fù)后獲得各小區(qū)的測定值。

1.3 無人機影像獲取及預(yù)處理

無人機影像獲取時間為播種后裸地(4月5日)、拔節(jié)期(6月1日)、孕穗期(6月8日)、揚花期(6月17日)、灌漿期(6月24日)和成熟期(7月6日)，共六期高清數(shù)碼影像。數(shù)據(jù)采集過程中，無人機按設(shè)定航線自主飛行并記錄影像。由于受天氣條件和GPS定位誤差影響，飛行時航線可能發(fā)生輕微偏移，因此每次記錄的影像數(shù)會有所不同(表1)。利用大疆精靈4A四旋翼電動無人機搭載高清數(shù)碼相機作為無人機遙感數(shù)據(jù)獲取平臺，無人機平臺具有位置與姿態(tài)系統(tǒng)(position and orientation system，POS)，可以實時獲取數(shù)據(jù)采集信息。高清數(shù)碼相機型號為FC 6310，其主要參數(shù)：1英寸CMOS傳感器有效像素2 000萬，分辨率5 472×3 648，光圈值f/5.6，焦距 9 mm。

影像獲取時，太陽光照輻射穩(wěn)定，晴朗無云，無人機影像采集系統(tǒng)具體參數(shù)如表2所示。利用Pix4Dmapper拼接軟件進行無人機高清數(shù)碼影像拼接處理，生成試驗田高清數(shù)字正射影像(digital orthophoto map，DOM)和數(shù)字表面模型(digital surface model，DSM)。由于無人機在影像獲取時，每張照片均有與之對應(yīng)的POS數(shù)據(jù)(包含影像拍攝時間的經(jīng)緯度、高度、航向偏角、鏡頭朝向等)，所以可快速高精度地獲取拼接影像。具體拼接步驟：(1)基于每張影片的POS數(shù)據(jù)和影片空間位置信息，構(gòu)建飛行區(qū)域稀疏點云；(2)基于稀疏點云構(gòu)建空間格網(wǎng)，導(dǎo)入地面控制點(ground control points，GCP)生成帶有精確空間信息屬性的稀疏點云；(3)基于空間屬性信息的稀疏點云構(gòu)建密集點云，生成飛行區(qū)域內(nèi)的3D格網(wǎng)，進而構(gòu)建其空間紋理信息；(4)基于空間紋理信息生成小麥試驗田DOM和DSM。

表1 小麥不同生育時期對應(yīng)的影像數(shù)據(jù)采集日期及影像數(shù)量Table 1 Date and quantity of image data corresponding to wheat different growth stages

表2 無人機遙感影像采集系統(tǒng)主要參數(shù)Table 2 Main parameters of UAV remote sensing image acquisition system

1.4 地面控制點及植被指數(shù)選取

鑒于試驗田面積較小、地勢平坦，為滿足精度要求共選取5個GCP(即4個角點及中心點)，實驗器材型號為中海達-華星A10RTK測量系統(tǒng)。依據(jù)已有研究結(jié)果[24-37]，本研究遴選18種可見光植被指數(shù)進行LAI估測分析(式1及表3)。

R=Rn/(Rn+Gn+Bn),G=Gn/(Rn+Gn+Bn),B=Bn/(Rn+Gn+Bn)

(1)

式中，R、G、B分別表示經(jīng)歸一化處理得到DOM影像中紅、綠、藍(Rn、Gn、Bn)影像波段的平均DN(digital number,DN)值，即波段反射率；Rn、Gn、Bn分別代表紅、綠、藍影像波段的平均DN值。

表3 可見光植被指數(shù)及計算公式Table 3 Visible light vegetation index and calculation formula

1.5 數(shù)據(jù)處理方法

1.5.1 基于數(shù)字表面模型(DSM)的株高提取 方法

基于GCP數(shù)據(jù)和Pix4Dmapper軟件將獲取的小麥全生育期高清數(shù)碼影像進行拼接處理，其中裸地、拔節(jié)期、孕穗期、揚花期、灌漿期和成熟期分別記為DSM0、DSM1、DSM2、DSM3、DSM4和DSM5。由于裸地DSM0是播種后裸地影像，因而將其視為基準面，用各生育時期小麥DSMi與裸地DSM0之差提取株高(Hi)方法(圖1)見式2：

Hi=DSMi-DSM0，i=1，2，3，4，5

(2)

圖1 基于DSM的株高提取方法Fig.1 Plant height extraction method based on DSM

1.5.2 選取與LAI相關(guān)的建模分析方法

首先，將選取的植被指數(shù)與LAI作相關(guān)性分析，得到各生育時期植被指數(shù)與LAI相關(guān)關(guān)系；然后，利用一元線性回歸、多元逐步回歸(multiple stepwise regression，SMLR)和偏最小二乘回歸(partial least square，PLSR)分析方法，隨機選取70%樣本數(shù)據(jù)作為建模數(shù)據(jù)集，構(gòu)建小麥LAI估測模型，利用剩余30%樣本數(shù)據(jù)作為驗證數(shù)據(jù)集，構(gòu)建小麥LAI驗證模型并檢驗?zāi)Ｐ途取４送猓旮呓＜万炞C集對應(yīng)的樣本數(shù)據(jù)選取方式均與LAI相同，且本研究株高回歸模型只運用一元線性回歸模型進行模型精度驗證。

1.6 數(shù)據(jù)分析方法

從DSMi中提取的小麥株高和從高清數(shù)碼影像中提取的小麥預(yù)測LAI與地面觀測值進行模型回歸分析，選取決定系數(shù)(r2)、均方根誤差(RMSE)和歸一化均方根誤差(nRMSE)作為估測模型與驗證模型評價指標[24]。估測模型與驗證模型的r2越大，說明模型擬合性越好；相對應(yīng)的RMSE和nRMSE越小，說明模型的預(yù)測精度越高。

(3)

(4)

(5)

2 結(jié)果與分析

2.1 基于數(shù)字表面模型(DSM)提取小麥株高的精度分析

統(tǒng)計分析結(jié)果(表4、表5)表明，利用DSM提取的小麥株高值和實測值從拔節(jié)期至成熟期均呈“快增-緩增-降低”的變化趨勢，其中在拔節(jié)期到孕穗期株高增長最快，在灌漿末期到成熟末期均有所降低，其中基于DSM提取的株高值降低更明顯。在全生育期，基于DSM提取的株高值與實測值平均相差14.54 cm，標準差相差3.16 cm，變異系數(shù)相差2.85%。

基于DSM提取的株高數(shù)據(jù)和對應(yīng)的實測數(shù)據(jù)建立小麥各生育時期線性回歸模型(表6、圖2)。結(jié)果表明，全生育期模型擬合效果及預(yù)測精度均最高，建模集r2、RMSE、nRMSE分別為 0.85、5.25 cm、8.39%，驗證集r2、RMSE、nRMSE分別為0.87、5.90 cm、9.29%。在不同生育時期中，灌漿期模型擬合效果及其預(yù)測精度均最高，建模集r2、RMSE、nRMSE分別為0.72、5.30 cm、 7.47%，驗證集r2、RMSE、nRMSE分別為0.79、7.71 cm、10.79%。揚花期、孕穗期、拔節(jié)期模型擬合效果及預(yù)測精度次之；成熟期模型擬合效果及預(yù)測精度最低，建模集r2、RMSE、nRMSE分別為0.68、5.64 cm、7.99%，驗證集r2、RMSE、nRMSE分別為0.69、5.66 cm、7.86%。

以上分析表明，灌漿期小麥株高提取效果最好，成熟期小麥株高提取效果最差。主要是因為灌漿期小麥植株已完成營養(yǎng)生長、植被覆蓋度最高，且基本已經(jīng)封壟，而在成熟期由于小麥生長期已經(jīng)結(jié)束，穗粒飽滿、穗頭重量變大、植被覆蓋度降低、葉片枯萎變黃等因素導(dǎo)致小麥枝干彎曲程度加大、影像提取效果變差，使得基于DSM提取的株高值與實測值均出現(xiàn)明顯的降低情況。

2.2 基于小麥品種(系)的LAI估測

2.2.1 小麥品種(系)LAI統(tǒng)計特征

小麥LAI實測值最小為0.90，最大為5.94。拔節(jié)期和成熟期LAI平均實測值相對于其他生育時期數(shù)值偏低，最小值為2.47；最大值則出現(xiàn)在灌漿期，為4.05，符合小麥LAI變化趨勢。不同時期的標準差均偏小，說明LAI實測值的離散程度不大。各生育時期及全生育期實測LAI變異系數(shù)范圍為13.00%～24.13%，均呈中度變異，這也是說明本次田間實測小麥LAI值滿足試驗需要。

表4 不同小麥生育時期實測株高的描述性統(tǒng)計分析Table 4 Descriptive statistical analysis of the measured plant height during wheat different growth stages

表5 不同小麥生育時期基于DSM提取株高的描述性統(tǒng)計分析Table 5 Descriptive statistical analysis of DSM extracted plant height during wheat different growth stages

表6 基于DSM提取株高的線性回歸模型Table 6 Linear regression model for extracting plant height based on DSM

圖2 基于DSM提取株高的實測值與預(yù)測值散點圖Fig.2 Scatter plot of measured and predicted plant height based on DSM extraction

表7 不同小麥生育期實測LAI的描述性統(tǒng)計分析Table 7 Descriptive statistical analysis of LAI measured in wheat different growth stages

2.2.2 光譜指數(shù)與LAI相關(guān)性分析

對所選取的18種光譜植被指數(shù)與不同生育時期的LAI數(shù)據(jù)進行Person相關(guān)分析，結(jié)果(圖3)表明，在不同時期中，灌漿期的相關(guān)性整體上表現(xiàn)最好，其中光譜指數(shù)ExGR、ExR、GRRI、MGRVI、NGRDI、RGRI、VARI與LAI的相關(guān)系數(shù)絕對值均達到0.8以上。拔節(jié)期、孕穗期和揚花期相關(guān)系數(shù)也較高，其中光譜指數(shù)ExGR、ExR、MGRVI、NGRDI、RGRI的相關(guān)系數(shù)絕對值均達到0.7以上。成熟期相關(guān)系數(shù)整體表現(xiàn)最差，其中光譜指數(shù)BGRI、NBI、NGBDI的相關(guān)系數(shù)絕對值也達到0.6以上。這說明不同生育時期植被指數(shù)與LAI的相關(guān)性表現(xiàn)不同，但總體上相關(guān)性較強，可優(yōu)選指數(shù)以構(gòu)建小麥LAI估測模型。

2.2.3 小麥LAI估測模型的構(gòu)建

在光譜指數(shù)與LAI相關(guān)性分析基礎(chǔ)上，選取小麥各生育時期相關(guān)系數(shù)最高的光譜指數(shù)，構(gòu)建一元線性回歸(UL)估測模型。結(jié)果表明，各生育時期所建的模型均具有較高的擬合性(表8)。其中，灌漿期的擬合效果最高，其r2和RMSE分別達到0.64和0.26；拔節(jié)期、揚花期和孕穗期模型r2依次降低，分別為0.60、0.54和0.50；在成熟期由于植被蓋度降低，模型擬合效果最差，r2僅為0.41，對應(yīng)的RMSE、nRMSE也最差。

利用各生育時期的LAI和18種光譜指數(shù)數(shù)據(jù)構(gòu)建逐步回歸(SMLR)估測模型(表9)。結(jié)果表明，拔節(jié)期模型輸入了6個光譜指數(shù)(BGRI、RGBVI、NRI、VARI、NGBDI、NGRDI)，建模效果最好，r2、RMSE和nRMSE達到0.67、0.23和9.29%；灌漿期、揚花期和孕穗期模型r2依次降低；成熟期模型輸入了4個光譜指數(shù)(BGRI、RGRI、ExR、NRI)，擬合效果最差，r2、RMSE、nRMSE分別為0.43、0.37、13.25%。

利用各生育時期LAI和18種光譜指數(shù)構(gòu)建偏最小二乘回歸(PLSR)估測模型(表10)。結(jié)果表明，拔節(jié)期模型的擬合效果最好，r2、RMSE、nRMSE分別為0.66、0.23、9.37%；灌漿期、揚花期和孕穗期模型r2依次降低，分別為0.63、0.56和 0.49；成熟期模型的擬合效果最差，r2僅為 0.45，nRMSE為13.15%。

表8 不同生育時期植被指數(shù)與LAI的一元線性回歸(UL)模型Table 8 Vegetation index at different growth stages and LAI univariate linear regression(UL) model

表9 不同生育時期植被指數(shù)與LAI的逐步回歸(SMLR)模型Table 9 Vegetation index at different growth stages and LAI stepwise regression(SMLR) model

表10 不同生育時期植被指數(shù)與LAI的偏最小二乘回歸(PLSR)模型Table 10 Vegetation index and LAI partial least squares regression(PLSR) model at different growth stages

2.2.4 小麥LAI估測模型驗證

利用單獨數(shù)據(jù)對不同生育時期所建的UL、SMLR和PLSR三種LAI估測模型進行檢驗。從15個預(yù)測模型的預(yù)測值與實測值的比對分析結(jié)果(圖4)看，各生育時期估測模型的估測精度及穩(wěn)定性均較好。在拔節(jié)期和灌漿期，三種模型估測效果均較高，其中r2均達到0.60以上，RMSE和nRMSE也表現(xiàn)最優(yōu)。在成熟期由于植被葉片枯萎卷曲，相較于灌漿期不僅LAI下降，在提取影像時由于裸地背景值及噪聲影響較大，各模型估測精度均降低，r2僅為0.52～0.53，RMSE和nRMSE分別達到0.34～0.35和 11.66%～11.88%。對比分析三種預(yù)測模型(圖4)發(fā)現(xiàn)，四個時期中SMLR模型的估測精度總體表現(xiàn)最好，r2為0.53～0.68，RMSE和nRMSE分別為0.29～0.42和10.16%～12.00%；PLSR模型表現(xiàn)次之，其r2與SMLR模型無明顯差異；UL模型表現(xiàn)相對較差，說明其在各生育時期均出現(xiàn)光譜信息解釋不足的現(xiàn)象。總體而言，SMLR模型在各生育時期不僅具有較高的估測精度，而且均表現(xiàn)出較好的穩(wěn)定性，可作為小麥各生育時期LAI最優(yōu)預(yù)測模型。

a:拔節(jié)期；b:孕穗期；c:揚花期；d:灌漿期；e:成熟期。

3 討 論

隨著無人機遙感技術(shù)的快速發(fā)展，如何精確掌握作物長勢和表型信息是農(nóng)業(yè)精細化管理的關(guān)鍵。但前人研究主要集中在研究高稈作物的長勢信息和表型性狀上[3-4,24-26]，針對矮稈作物的長勢信息和表型參量(株高和LAI)研究還較少。本研究借助無人機搭載數(shù)碼相機構(gòu)成的遙感平臺，分別對不同生育時期小麥表型參量(H和LAI)進行監(jiān)測。

本研究株高估測模型是以Bendig等利用動態(tài)結(jié)構(gòu)算法與三維重建構(gòu)建的作物數(shù)字表面模型(DSM)提取株高[23-29]，既避免了以李艷強等基于光譜反射模型和機載激光雷達(LIDAR)等手段獲取株高而引起的操作繁雜、儀器價格昂貴等因素限制[6,19-22]，也克服了由于光譜差異、植被類型、點云噪聲等問題的影響。分析結(jié)果表明，在全生育期株高模型的預(yù)測精度最高，這與楊琦等的研究結(jié)論[25-26]較為相近。在各生育時期中，孕穗期至灌漿期模型的預(yù)測精度較高，但拔節(jié)期和成熟期的預(yù)測精度較低，且各生育時期由DSM提取的株高均低于實測株高，這也與劉治開等[23]的研究結(jié)果相一致。可能是因為株高實測值是小區(qū)采樣點的平均值，而DSM提取的株高是以整個小區(qū)的像元大小信息來統(tǒng)計的，從而造成了兩者在統(tǒng)計數(shù)值上產(chǎn)生誤差。對影像進行三維模型構(gòu)建時，由于植株在自然狀態(tài)下最高點空間結(jié)構(gòu)較稀疏，使得大部分植株頂尖形態(tài)被誤認為噪聲而消除[23,25]。此外，由于采集實測株高數(shù)據(jù)和影像時，人為主觀因素和不可抗拒的自然環(huán)境因素等均會給試驗數(shù)據(jù)的準確性造成干擾。雖然單個生育時期模型精度較全生育期有所降低，但證明了基于DSM提取株高的方法在不同生育時期模型下的適用性。綜合分析，如何對小麥品種(系)株高之間的差異性進行分析以及優(yōu)化相機模組、還原影像紋理特征和構(gòu)建更為精細的株高測算模型已成為接下來研究的重點。

在本研究建立的三種不同生育時期小麥LAI估測模型中，多元線性回歸(SMLR和PLSR)模型在各生育時期均好于一元線性回歸(UL)模型，且模型穩(wěn)定性及預(yù)測精度較高，這與潘海珠等的研究結(jié)果[31-33,36-38]基本一致，但本研究模型整體預(yù)測精度相較于高林等的研究結(jié)果[31,33,38]偏低。其原因可能在于各小麥品種(系)小區(qū)種植面積、種植密度均按小麥育種要求種植，導(dǎo)致實測LAI整體偏小，進而影響到模型的預(yù)測精度，且在提取各小區(qū)光譜指數(shù)反射率時，小區(qū)雜草及裸地的背景值同樣也會降低模型預(yù)測精度[36-38]。本研究是建立在18種光譜指數(shù)基礎(chǔ)上的不同時期LAI回歸模型，不僅選取了最優(yōu)的光譜指數(shù)參與建模，還利用多元線性回歸方法很好地解決了自變量個數(shù)較小而引起的光譜指數(shù)信息飽和等問題[25-26]，均使得模型穩(wěn)定性及預(yù)測精度顯著提高。此外，本研究雖建立了不同生育時期小麥LAI估測模型，但在試驗設(shè)計上僅考慮了對無人機影像不同生育時期表型信息的監(jiān)測，缺乏不同生育期品種(系)之間的差異性分析。故而，在后期研究中將針對不同生育期品種(系)間差異性進行深入探討，并引入機器學(xué)習(xí)算法來增強模型的預(yù)測能力，以期獲得更好的通用性模型。

4 結(jié) 論

(1)基于DSM株高提取方法建立的預(yù)測模型中，全生育期模型預(yù)測精度最高；在各生育時期中，灌漿期模型預(yù)測精度均優(yōu)于其他時期。

(2)不同生育期植被指數(shù)與LAI的相關(guān)性均較強。其中，在最優(yōu)的SMLR估測模型中，各生育時期最優(yōu)光譜指數(shù)數(shù)量與類型均表現(xiàn)不一。

(3)通過對比篩選15種預(yù)測模型，基于SMLR預(yù)測模型的LAI預(yù)測精度最高，且各時期預(yù)測模型均具有較好的預(yù)測精度和穩(wěn)定性。