基于無人機多光譜遙感的大豆葉面積指數反演

王 軍，姜 蕓

（1自然資源部第二地理信息制圖院，哈爾濱 150080；2東北農業大學公共管理與法學院，哈爾濱 150030）

0 引言

作物葉面積指數(leaf area index，LAI)是指單位耕地面積上植物葉片總面積與耕地面積的比值[1]，與作物種植密度、種植方式、植物生物學特性及土壤、光照條件等因素密切相關，能綜合反映植物的光能利用狀況，常用于作物長勢監測及產量估算[2]。大豆是中國主要的糧食作物和經濟作物，大豆消費市場大，大豆自給率低于15%[3]，其產量及質量直接影響了糧食安全水平，因此反演其生長過程對糧食增產和農業的發展具有重要意義[4-5]。直接測量葉面積指數費時費力，對作物具有破壞性，難以實現大尺度的測量[6-7]。利用衛星遙感影像進行葉面積指數反演是常見的間接測量方法之一，尤其是國產衛星在LAI的定量反演中越來越多[8]，蒙繼華等[9]采用大尺度遙感估算方法估算了全國作物葉面積指數，陳雪洋等[10]利用環境衛星CCD數據對冬小麥葉面積指數進行了反演。但衛星重訪周期長、影像分辨率不足，且受大氣、云層及雨雪等干擾較大，在精度、現勢性和靈活性上難以滿足精準農業生產的需求[11-12]。

隨著無人機的出現及推廣，利用無人機技術進行地表數據采集已成為新的趨勢[13-14]。因其運營成本相對低廉、較高的靈活性與快速實時獲取數據的特點，利用無人機遙感平臺實施農情監測已在國內初步發展[15]。孫詩睿等[16]利用無人機多光譜遙感數據反演了冬小麥的葉面積指數，表明基于多植被指數的隨機森林比赤池信息量準則-偏最小二乘法反演精度高；韓文霆等[17]利用多時相無人機遙感數據反演了夏玉米植被指數，并估算了夏玉米產量，表明多生育期的無人機遙感估產優于單生育期。多年來國內學者集中于對小麥、水稻和玉米的葉面積指數反演研究[18-20]。大豆在其主產區東北地區利用無人機遙感平臺進行的相關研究還比較少[21-22]。結莢期是大豆生長最旺盛的時期，營養生長與生殖生長并進，是生物量積累的關鍵時期。因此，筆者以大豆為研究對象，在大豆結莢期內，利用多旋翼無人機搭載多光譜傳感器組成無人機低空遙感系統，對面積為3000 m2的大豆試驗田進行數據采集，同時結合田間大豆葉面積指數的實測數據，建立了大豆LAI值反演的經驗模型和支持向量機回歸模型，分析探討在田塊尺度上，適用于東北地區的大豆葉面積指數的低空無人機遙感反演模型。

1 材料與方法

1.1 研究區概況

大豆試驗田位于哈爾濱市香坊區向陽鎮劉二轉屯（經度126°43′30″，緯度45°44′16″）東北農業大學向陽農場實驗基地（如圖1所示）。該地區位于松嫩平原松花江南岸，屬中溫帶大陸性季風氣候，四季分明，冬季漫長寒冷。全年平均降水量569.1 mm，降水主要集中在6～9月，夏季占全年降水量的60%，集中降雪期為每年11月—次年1月。冬季1月平均氣溫約零下19℃；夏季7月的平均氣溫約23℃。試驗田面積約3000 m2，行間距50 cm，株間距24 cm，種植大豆品種為春播中晚熟型，一年一熟。

圖1 研究區示意圖

1.2 數據采集與處理

本次試驗無人機航測系統由大疆六旋翼無人機搭載AURedEdge多光譜相機組成（無人機及多光譜相機的主要參數見表1、表2），對3000 m2的試驗田進行連續飛行監測，獲取大豆結莢期的多光譜影像。田間試驗于2018年7月28日10:00—11:30進行。

表1 六旋翼無人機主要參數

表2 AURedEdge多光譜相機主要參數

無人機飛行高度、航向、旁向重疊度等參數對遙感影像的質量和精度會產生較大影響，為保證影像質量，在數據采集前進行多次試飛，最終確定無人機飛行高度80 m，航向、旁向重疊度分別為80%和70%，地面分辨率設置為2.1 cm。為避免大風多云等外界因素對無人機飛行的影響，選擇無云無風的天氣進行低速飛行作業，經多次試飛后，在當天10:00—11:30獲取試驗田大豆冠層的多光譜影像。受無人機視場范圍的限制，需要對采集的影像進行拼接，以獲取整個試驗田的正射影像，圖像拼接采用的是Pix4D mapper Pro軟件。輻射校正方面是利用ENVI自帶的Flaash大氣校正工具對影像進行快速大氣校正。

田間大豆葉面積指數實測選取美國LI-COR LAI-2200C植物冠層分析儀（主要參數見表3、表4），測量320～490 nm波段內的光合有效輻射(PAR)。

表3 LAI主機控制單元參數

表4 LAI光學感應傳感器參數

在影像采集的當天進行地面數據采集，即大豆葉面積指數的實地采集。將研究區劃分為53個子區，在各子區隨機采樣3次進行葉面積指數實測，以其均值作為各子區的實測值。采集過程中對每個子區的中心點進行定位。實測大豆葉面積指數的基本情況統計見表5。

表5 各子區實測葉面積指數

1.3 研究方法

1.3.1 植被指數的選取 基于遙感影像反射率反演葉面積指數主要分為經驗模型法和物理模型法。筆者利用無人機采集大豆試驗田的多光譜遙感影像獲取與大豆的LAI相關性較好的5種植被指數，同時利用植物冠層分析儀實測大豆葉面積指數，創建植被指數與LAI的經驗回歸模型和支持向量機回歸模型，利用模型反演大豆葉面積指數，并用實測數據進行模型效果檢驗，以分析探討用于反演葉面積指數的最優植被指數及2種模型的反演效果。

選取的5種植被指數分別是歸一化植被指數(NDVI)、差值植被指數(DVI)、土壤調節植被指數(SAVI)、優化型土壤調節植被指數(OSAVI)、增強型植被指數(EVI)，計算公式見表6。

表6 植被指數計算公式

對植被指數的提取在ArcGIS軟件下完成，得到5種植被指數對應的灰度圖，如圖2所示。

圖2 植被指數圖像

在獲取5種植被指數圖像后，利用子區的位置信息提取53個樣本的植被指數，以其均值代表各子區的植被指數；并與實測葉面積指數樣本相對應。

1.3.2 經驗回歸 經驗回歸模型在SPSS統計軟件下完成。通過對比線性模型和非線性模型的擬合效果，最終選定指數模型作為植被指數與LAI的擬合方法。一元線性回歸模型是通過設定自變量和因變量，自變量與因變量呈一元線性關系。一元線性回歸方程和指數回歸方程公式較為簡單，對于估算作物的葉面積指數具有易于操作、效果高等特點，見式(1)。

式中，Y表示LAI估測值用，x來表示農作物的植被指數用，a和b為常數項。

1.3.3 支持向量機回歸 支持向量機(support vector machine，SVM)由Vapnik在1995年提出，建立在統計學理論的VC維理論和結構風險最小化原理上，用于解決模式識別領域中的數據分類問題，主要思想是建立一個超平面作為決策曲面，使得正例和反例之間的距離邊緣被最大化。支持向量回歸(support vector regression，SVR)是SVM的一個重要應用分支，SVR回歸所尋求的最優超平面是使所有的樣本點距離超平面的總偏差最小。本研究在MATLAB環境下利用支持向量機根據植被指數對大豆葉面積指數進行預測。首先借助FormatDatalibsvm將Excel數據轉化為MATLAB支持的數據格式，然后輸入植被指數數據，利用mapminmax歸一化處理，再借助mashgrid選擇最優的參數c、g，接下來繪制模型，最后利用預測數據進行樣本預測。

1.3.4 精度評估 通過對不同的回歸模型精度的比較分析，驗證各種回歸模型的精度差異，實現模型結果檢驗，最終確定最優的反演模型。

模型顯著性檢驗中，模型的顯著性是指自變量相對于因變量的重要程度，本研究利用SPSS進行模型的建立與精度評價。模型計算所得的R值越趨近1，則模型的顯著性越高，反之越低。相關系數R的檢驗見式(2)。

模型精度評價中決定系數說明自變量與因變量形成的散點圖與回歸曲線的擬合度。決定系數數值介于0～1之間，決定系數越接近1，說明葉面積指數預測值與葉面積指數實測值越接近，也就是說散點越集中在回歸線上，見式(3)。

均方根誤差是觀測值與真值偏差的平方和與觀測次數n比值的平方根。均方根誤差對數據變化十分敏感，在相同樣本的條件下，均方根的值越小，證明構建的模型精度越高，見式(4)。

2 結果

在研究區內隨機選取40組子區數據用于植被指數與LAI的回歸建模，其余13組子區數據用于模型精度驗證。

2.1 經驗回歸模型

通過對比線性模型和非線性模型的擬合效果，最終選定指數模型作為植被指數與LAI的擬合方法，相關系數及估計標準誤差結果見表7。從表7可以看出，5種植被指數與LAI的一元回歸模型擬合效果均較好，可用于預測。植被指數x與葉面積指數y的相關性如圖3和表7所示。

表7 各植被指數回歸模型及精度

圖3 各植被指數與葉面積指數模型

將13個保留樣本進行植被指數與LAI指數回歸模型進行實測值與預測值的擬合檢驗，結果見圖4。除NDVI以外，其余4種植被指數擬合的葉面積指數預測值與葉面積指數實測值具有較好的一致性，R2均達到了0.6以上。

圖4 植被指數與LAI一元回歸模型評價

2.2 支持向量機回歸模型

在Matlab環境下進行支持向量機的回歸預測。輸入量為EVI、OSAVI、SAVI、NDVI、DVI這5種植被指數組合的5個神經元，輸出量為一個神經元，即為LAI。利用格網搜索法(GridSearch Method)對懲罰因子c和核函數參數g搜尋最佳值。利用40個樣本作為訓練集創建SVR模型，再對13個樣本測試集進行模型精度驗證。運行程序得到如圖5所示的最優參數選擇圖。其中，最優懲罰系數c=8，核函數參數g=1.4142，交叉驗證均方誤差CVmse=0.029344。

圖5 最優的c、g選擇圖

通過格網搜索法得到最優的懲罰系數c和核函數參數g，從而獲得支持向量機模型。利用該模型對13個樣本進行預測，結果如圖6所示。均方根誤差RMSE=0.016，平方相關系數R2=0.688。選擇植被指數OSAVI與LAI構建的預測模型進行比較，可見支持向量機模型具有更好的預測能力（表8）。

圖6 實測值與預測值結果對比圖

表8 模型精度對比分析

3 討論

3.1 低成本無人機搭載多光譜傳感器，反演和預測大豆葉面積指數可行

本研究設計了多旋翼無人機為平臺同步搭載多光譜傳感器組成無人機低空遙感系統,在大豆結莢期內，獲取0.021 m空間分辨率無人機多光譜影像數據，結果表明該手段可以快速反演田間大豆葉面積指數，在田塊尺度上反演和預測大豆的葉面積指數是可行的[2,27]，適用于東北地區的大豆葉面積指數反演，其在農作物監測方面具有很大潛力和應用前景。這與利用無人機多光譜進行冬小麥、大豆LAI研究結果[16,21,30]基本一致。在下一步研究應考慮如何能更充分地利用無人機多光譜遙感數據，進一步完善無人機遙感技術在精準農業管理方面的應用。

3.2 不同回歸模型對大豆LAI反演，模型精度略有差異

通過對比線性模型和非線性模型的擬合效果，本研究最終選定指數模型作為植被指數與LAI的擬合方法。本研究選取歸一化植被指數(NDVI)、差值植被指數(DVI)、土壤調節植被指數(SAVI)、優化型土壤調節植被指數(OSAVI)、增強型植被指數(EVI)5種植被指數，分別構建了經驗回歸模型和支持向量機模型對大豆結莢期的葉面積指數進行了反演，從相關系數、決定系數、均方根誤差3個方面綜合評定反演精度，結合田間實測LAI數據及模型精度及擬合效果，NDVI指數模型精度較好，R2=0.7375，RMSE=0.274，但擬合效果較差，其余4種植被指數模型精度和擬合效果較好，擬合效果R2均達到了0.6以上；支持向量機模型，R2=0.688，RMSE=0.016，具有更好的預測能力。

指數模型在預測葉面積指數方面的效果較好，模型驗證較為容易，在實際應用中，簡單可靠，適應性較廣；支持向量機模型的預測精度略優于指數回歸模型，但模型參數的確定受數據本身影響較大，抗干擾性較弱，模型移植性也相對較差。作為經驗模型，不同的區域，不同的作物類型，不同的模型方法，得到的研究結果基本一致[28-31]。模型精度略有差異，這可能是由作物長勢不一致造成的，與作物的品種和生育期也有一定的關系。這與利用無人機多光譜影像進行冬小麥、大豆、玉米的生物量的研究結果[16,21,30,32]基本一致。

3.3 回歸模型可預測葉面積指數趨勢性，但應充分考慮尺度效應問題

本研究得出的回歸模型可進行葉面積指數的趨勢性預測，但在其推廣應用過程中，應結合所選研究區域的情況充分考慮尺度效應問題。此外，采用單一生育期的數據構建大豆葉面積預測模型在進行農作物長勢監測時會受到生育期的限制，在下一步研究應考慮不同生育期的大豆植被指數與葉面積指數的關系[21-22]。

然而研究中仍有諸多不足，首先是未能采集到大豆整個生長周期的數據，數據量較少因此對大豆整個生長期葉面積指數的反演存在一定誤差；其次，通過低成本的無人機搭載多光譜儀來反演葉面積指數，僅試用于中小范圍，大區域、大面積的的大豆葉面積指數指數反演難度較大；最后，本文采用傳統的葉面積指數方法，植被指數的精度和普適性需進一步提升。

4 結論

本研究利用無人機搭載多光譜相機獲取地面遙感影像，提取5種植被指數，并結合地面實測數據分別建立指數回歸模型和支持向量機模型對LAI進行反演。結合模型精度及擬合效果，NDVI模型精度較好，但擬合效果較差，其余4種植被指數模型精度和擬合效果較好，擬合效果R2均達到了0.6以上；支持向量機模型具有更好的預測能力，決定系數R2達到0.688，均方根誤差達0.016。2種模型均表明無人機多光譜遙感系統可以快速反演田間大豆葉面積指數，在指導精準農業生產方面具有實用意義，應在農業生產中積極推廣應用。