結合無人機光譜與紋理特征和覆蓋度的水稻葉面積指數估算

杭艷紅，蘇 歡，于滋洋，劉煥軍,※，官海翔，孔繁昌

（1. 東北農業大學公共管理與法學院，哈爾濱 150030；2. 中國科學院東北地理與農業生態研究所，長春 130012）

0 引言

水稻作為重要的糧食作物，其生產關系到中國的糧食安全，而葉面積指數作為水稻生長的一項重要參數，能夠提供水稻生長過程的動態信息，與地上部生物量的積累和產量形成密切相關[1]，是評價作物長勢及指導田間管理的重要指標。目前葉面積指數（Leaf Area Index，LAI）地面測量方法包括直接測量法和間接測量法。直接測量法精度相對精確，但費時費力，且離散的地面測量點不利于大規模的監測農作物長勢[1]，測量過程中還會對作物造成一定破壞；間接測量法是采用測量參數或光學儀器進行測量，常用的有LAI-2000植被冠層分析儀、Sunscan密度計等[2]。衛星遙感具有大面積同步觀測的特點，被廣泛應用于LAI估算中，但受分辨率和重訪周期的限制，相比衛星遙感，無人機遙感不僅具有更高的時間和空間分辨率，而且能夠快速地獲得田塊尺度作物的空間變異信息，能夠準確反映地塊內部的長勢差異。

近年來，國內外學者針對植被指數估算LAI展開了大量研究，在機理上已經被證明植被指數能夠較好地估算作物LAI[3]。根據綠度歸一化植被指數（Green Normalized Difference Vegetation Index，GNDVI）和LAI的線性關系建立模型[4]，但植被指數在LAI較大時會出現飽和現象[5]，在估算LAI時存在一定局限性。近些年基于無人機影像，結合光譜特征和紋理特征估算作物生長狀況的研究逐漸增多，研究發現將植被指數與紋理特征融合，可以有效提高生物量[6]、葉綠素含量[7]和氮營養指數[8]的估算精度，國內外結合光譜信息和紋理特征估算生物量[9-10]的研究有很多，但在估算作物LAI方面研究較少，且以往的研究多是直接將眾多紋理特征值參與到模型中，缺少對紋理特征值的優化。同時，有研究發現在植被指數的基礎上引入作物覆蓋度也可用于估算LAI[11]，但以往的研究多是在傳統基于植被指數的LAI估算方法的基礎上引進紋理特征或作物覆蓋度等指標，缺少對光譜特征、紋理指數和作物覆蓋度等指標共同估算LAI能力的研究。

綜合以上研究存在的問題，該研究旨在利用具有高空間分辨率的無人機多光譜影像，通過對水稻冠層紋理特征進行組合運算來建立新的紋理指數，以期提高紋理特征值與水稻LAI的相關性，結合光譜特征、紋理指數和作物覆蓋度，構建多指標結合的水稻LAI估算模型，以期提高水稻LAI估算精度。

1 材料與方法

1.1 試驗設計

水稻田間試驗于2018年7－8月在黑龍江省五常市試驗站（44°44′N，127°12′E）進行（圖1）。研究區屬溫帶大陸性季風氣候，平均海拔約為450 m，年平均降雨量在500～800 mm，年平均氣溫3～4 ℃。采用隨機區組設計進行了稻田試驗。施肥處理采用移栽后施一次基肥，分蘗期和抽穗期之前進行兩次追肥的施肥方式。基肥、分蘗肥和穗肥的施肥比例為5:2:3。施肥品種為磷酸氫二銨、尿素和硫酸鉀，磷酸氫二銨的含P2O5量為46%，含N量為17%，尿素的含N量為46%，硫酸鉀的含K2O量為50%（以上含量均為質量分數）。試驗包括5種氮肥處理，每種施氮處理有3次重復試驗，共30個樣區，每個樣區面積為50 m2，包括五優稻4號和松粳6號兩個水稻品種。

1.2 數據來源

1.2.1 地面數據獲取

該研究于2018年水稻拔節期（7月22日）和抽穗期（8月8日）2個關鍵生育期分別采集了水稻LAI 數據，共有60個樣本。LAI-2000測量的結果為總葉面積指數（Plant Area Index，PAI），實際上是包含LAI和木質面積指數（Woody Area Index，WAI），對于樹林冠層，WAI的影響較大，不可用PAI直接替代LAI[12]；而水稻屬于水平均勻植被，WAI的影響較小，LAI-2000在連續、均質的冠層測量時具有較好的結果[13]。因此采用美國LI-COR公司生產的LAI-2000植物冠層分析儀測量LAI，測量時間為上午08:00－10:00。該研究在每個樣區設置一個植被覆蓋較均一且具有區域代表性的地點作為采樣區域，每個生長階段在不同的采樣區進行LAI測定，每個采樣區選擇3處測量并記錄LAI值，取3次測量平均值作為該樣區的LAI值。每個采樣區先測量冠層上方的1個天空光，然后測量冠層下方的4個測試目標值，樣方的LAI值由 LAI-2000自帶的軟件計算。為了避免太陽光線直射帶來的測量誤差值，數據采集選擇上午10:00之前直射光較弱的時段，測量時操作員背對陽光，并且在天氣晴朗時使用遮蓋帽進行遮光處理。

1.2.2 多光譜數據獲取與處理

該研究采用大疆M600 Pro六旋翼高性能無人機搭載MicaSense RedEdgeTM3多光譜相機。大疆M600 Pro六旋翼高性能無人機最大飛行承載質量為6 kg，可承受最大風速8 m/s，可在-10～40℃的環境中工作，續航時間為25～35 min。MicaSense RedEdgeTM3多光譜相機擁有藍、綠、紅、紅邊、近紅外5個波段（表1），配有光強傳感器、全球定位系統（Global Positioning System, GPS）模塊和白板[14]。MicaSense RedEdgeTM3是美國MicaSense公司生成的一款專業的多光譜相機，能夠同時捕獲5個不連續的光譜帶，光譜采集范圍為400～900 nm，擁有5個通道。MicaSense RedEdgeTM3在執行任務時，能夠達到每秒一次捕捉。飛行過程中，光強傳感器可用于校正太陽光線變化對影像造成的影響；GPS模塊同時記錄每張影像的位置信息；白板具有固定的反射率信息，可用來對影像反射率進行校正。

表1 多光譜相機波段 Table 1 Multispectral camera bands

數據采集時間為2018年7月22日和2018年8月8日，天氣晴朗無云，風速小于3級，適合無人機飛行，選擇的無人機遙感平臺對地觀測時間為8：00－10：00。為確保影像的完整性和準確性，地面站設置航向重疊為80%，旁向重疊為75%，主航線角度90°，飛行高度設定為110 m，圖像空間分辨率為7 cm。

為去除姿態角度異常和由大氣傳輸等因素導致的成像問題，對采集到的無人機影像先進行篩選；對篩選后的影像進行數據預處理，將影像導入Pix4D mapper軟件，調節處理參數，采用自動生成的連接點與無人機內置的定位定向系統（Position and Orientation System, POS）數據進行空三運算，生成三維點云數據；最后對影像進行仿射變換，得到該研究區的無人機正射多光譜影像[15]。

1.3 多光譜影像特征提取

1.3.1 植被指數計算

植被指數（Vegetation Index，VI）能夠簡單、有效地度量地表植被狀況，植被指數是反映植被在可見光、近紅外波段反射與土壤背景之間差異的指標，各植被指數能夠在一定條件下用來定量表明植被的生長狀況。歸一化差值植被指數（Normalized Difference Vegetation Index，NDVI）對綠色植被表現敏感，常被用于LAI估測，但在植被覆蓋度較高時呈現飽和狀態，對植被檢測靈敏度下降；GNDVI將綠波段代替NDVI中的紅波段，對葉綠素a的敏感度更高；差值植被指數（Difference Vegetation Index，DVI）、修正三角植被指數（Modified Triangular Vegetation Index 2，MTVI2）和優化土壤調節植被指數（Optimized Soil-adjusted Vegetation Index，OSAVI）能夠降低土壤和環境背景等影響因子的影響；紅邊葉綠素指數（Red-edge Chlorophyll Index，CIRE）與植被葉片的葉綠素濃度具有高度相關性，能夠反應植被生長狀況。該研究選取6個與LAI相關的植被指數對水稻LAI進行估算（表2）。

表2 植被指數及公式 Table 2 Vegetation indexes and formulas

1.3.2 紋理特征提取

在幾種紋理算法中，常用灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）測試紋理分析。在進行輻射校正后，使用ENVI 5.3軟件計算8類基于GLCM的紋理特征值，包括均值（Mean，mean）、方差（Variance，var）、協同性（Homogeneity，hom）、對比度（Contrast，con）、相異性（Dissimilarity，dis）、信息熵（Entropy，ent）、二階矩（Second Moment，sm）和相關性（Correlation，corr）[22]，共40個紋理特征值。無人機影像的分辨率為7 cm，大多數窗口大小涉及土壤背景和水稻植株，因此在該研究中，紋理分析選取最小的3×3窗口進行分析。該研究區的水稻田壟向接近90°，因此，在紋理分析時方向選取90°。

該研究所用3種紋理指數（Texture Index，TI）定義分別為：歸一化差值紋理指數（Normalized Difference Texture Index，NDTI）[23]，差值紋理指數（Difference Texture Index，DTI），比值紋理指數（Ratio Texture Index，RTI）。構造了5個波段（475、560、668、717和840 nm）與8類基于GLCM的紋理特征值相結合的所有可能的兩種紋理測量組合，以探索它們的估算能力。利用Matlab軟件實現對紋理指數NDTI，DTI，RTI的運算，并計算出不同紋理指數與LAI之間的相關性。

NDTI，DTI，RTI定義分別如下：

式中T1和T2為隨機任意波段的紋理特征值。

1.3.3 作物覆蓋度提取

作物覆蓋度（Crop Coverage，CC）是指植被在地面的垂直投影面積占總面積的百分比。由于作物覆蓋度與LAI之間具有顯著的相關性，本文將提取作物覆蓋度并將其輸入水稻LAI估算模型中。本文采用像元二分法的思路，使用ArcGIS輸出無人機影像的灰度圖，再對灰度圖應用OTSU算法，尋找令植被與非植被類間方差最大的灰度閾值，將非植被區域灰度值置零，提取出植被區域的像元，進而計算出該影像的作物覆蓋度[24]。

1.4 模型構建

該研究中，選取拔節孕穗期和抽穗期試驗的數據進行模型構建，總樣本量60，采用K-折交叉驗證法作為驗證方法。選取3種方法建立模型，分別為一元線性模型、多元逐步回歸模型、人工神經網絡模型。采用決定系數（Determination coefficient，R2）、調整后決定系數（Adjust determination coefficient，R2adj）和均方根誤差（Root Mean Square Error，RMSE）評價模型的精度。一般來說，R2和R2adj越高，表明模型越穩定；RMSE越低，表明模型精度越高。

1.4.1 K-折交叉驗證

本文采取K-折交叉驗證的方式建模并評估模型精度。K-折交叉驗證是應用最廣泛的泛化誤差估計方法之一，對于檢驗模型具有普適性，適用于樣本集不大的情況[7]，將數據集均分為K-份，每次訓練取其中一份作為驗證集，剩余部分作為測試集，重復K次，完成一次交叉驗證[25]。K-折交叉驗證保證了數據集中的每個數據都參與了建模與驗證，能夠讓模型更好地學習到數據中的特征；同時K-折交叉驗證建模的精度是K次訓練精度的均值，能更好地估計模型的泛化誤差。該研究采取5-折交叉驗證，即訓練集樣本個數為48，測試集樣本數為12，訓練5次。

1.4.2 線性模型

植被指數法是光學遙感估算植被LAI常用的經驗方法。分別選用以上6種植被指數、紋理指數和作物覆蓋度與LAI進行相關性分析，并建立一元線性模型估算LAI。選擇植被指數、紋理指數和作物覆蓋度等因子作為變量，構建多元線性逐步回歸模型估算LAI。

1.4.3 人工神經網絡模型

基于誤差反向傳播（Back Propagation，BP）的人工神經網絡是應用最廣泛的神經網絡，它的基本思想是利用梯度下降法，逐層求出目標函數對各神經元權值的偏導數，作為權值更新的依據，使模型學習達到期望的性能[26]。本文使用的神經網絡主要包含三部分，輸入層、隱藏層和輸出層，其中輸入層不參與運算，隱藏層和輸出層為全連接層。本文以均方誤差為目標函數，學習率為0.01建立了一個包含5層隱藏層的人工神經網絡模型。選擇植被指數、紋理指數和作物覆蓋度等因子作為變量，輸入到人工神經網絡模型估算LAI。

2 結果與分析

2.1 不同指標與LAI的相關性分析

植被指數是根據地物光譜反射率的差異進行運算，以此突出圖像中植被的特征。對選取的6個植被指數和LAI的相關性進行分析。結果顯示，植被指數與LAI之間的相關性均達到極顯著水平（P<0.01），其中與LAI相關性由大到小依次是：OSAVI、MTVI2、DVI、GNDVI、NDVI、CIRE，相關系數依次是0.763、0.761、0.731、0.718、0.667、0.606。對1.3.3中提取的作物覆蓋度與實測水稻LAI進行相關性分析，結果顯示顯著相關且相關系數為0.785。

單一紋理特征與LAI的相關性分析結果（表3）顯示多數紋理特征與LAI的相關性并不高，只有少部分紋理特征顯示出與LAI存在較高的相關性，其中LAI與近紅外波段的紋理特征均值的相關性最高，相關系數為0.731。

表3 單一紋理特征和LAI的相關性分析 Table 3 Correlation analysis between single texture feature and leaf area index

由于紋理特征值與LAI的相關性較低，因此構建了由不同紋理特征值組成的指數NDTI，DTI，RTI以提高紋理特征值對LAI的估測能力。結果如圖2顯示，通過對紋理特征進行組合運算，在整體上明顯提高了紋理特征值與LAI的相關性，3種指數的均值組合與LAI具有較高的相關性。優選出每種組合運算紋理指數中與LAI 相關性最高的紋理指數，按相關性由高到低依次是近紅外波段和藍波段均值的差值DTI（mean5，mean1）、近紅外波段均值與綠波段信息熵的比值RTI（mean5，ent2）、近紅外波段均值與綠波段信息熵的歸一化值NDTI（mean5，ent2），相關系數依次是0.830、0.798、0.791。結果證明對紋理特征進行組合運算，能夠明顯提高紋理特征值與LAI的相關性，近紅外波段均值與藍波段均值的差值較近紅外波段均值提高了13.54%。

2.2 一元線性模型估算LAI

根據多光譜影像提取的輸入量，建立單一輸入量與試驗區實測LAI的一元線性模型，由結果（表4）可知，6種遙感植被指數與LAI建立的一元線性模型中，GNDVI模型R2最高，達0.603，R2adj為0.563，RMSE為0.541；優選紋理指數與LAI建立的一元線性模型中，DTI（mean5，mean1）模型R2最高，達0.668，R2adj為0.635，RMSE為0.447；作物覆蓋度與LAI建立的一元線性模型R2為0.633，R2adj為0.596，RMSE為0.516。對比不同單一輸入量與試驗區實測LAI的一元線性模型結果發現，精度由高到低依次為DTI（mean5，mean1）、作物覆蓋度、GNDVI。

2.3 多元逐步回歸模型估算LAI

本研究先將3類輸入量分別兩兩類組合放入多元逐步回歸模型中構建LAI估算模型，再將3類輸入量全部放入多元逐步回歸模型中構建LAI估算模型，對比不同輸入量組合的模型精度并進行評價。由結果（表4和表5）可知，結合植被指數和紋理指數的多元逐步回歸模型（R2=0.728，R2adj=0.668，RMSE=0.421）明顯優于單一植被指數模型（R2=0.603，R2adj=0.563，RMSE=0.541），結合植被指數、紋理指數和作物覆蓋度共同估算LAI模型（R2=0.866，R2adj=0.816，RMSE=0.308）精度最高，優于所有單一輸入量和任意兩類輸入量組合。因此，結合植被指數、紋理指數和作物覆蓋度共同估算LAI可以被認為是一種能夠有效改善LAI估算精度的方法。

表4 LAI的一元線性估算模型與精度評價 Table 4 Unary linear estimation model and precision evaluation of LAI

為了對多元逐步回歸模型篩選出的變量進行進一步分析，揭示各輸入因子對模型的影響，本文引入“貢獻度”這一指標。此處的貢獻度為偏相關系數的絕對值與模型中個因子的偏相關系數絕對值總和之比[7]。如表5所示，基于多指標結合的LAI估算模型中，作物覆蓋度和紋理指數DTI（mean5，mean1）對模型的貢獻度均很大，植被指數GNDVI貢獻度相對較小。作物覆蓋度、DTI（mean5，mean1）、GNDVI對模型的貢獻度分別為40.413 %、35.507%、24.08%。

表5 LAI的多元線性逐步回歸估算模型與精度評價 Table 5 Multiple linear stepwise regression estimation model and accuracy evaluation of LAI

2.4 人工神經網絡模型估算LAI

為了排除模型對文章結論的影響，證明本文結論的普適性，本文使用人工神經網絡對結論進行進一步驗證。本文將3類輸入量依次放入人工神經網絡模型中構建LAI估算模型，對比模型精度。結果如表6所示，將植被指數與紋理指數結合構建LAI模型，發現模型精度（R2=0.76，R2adj=0.707，RMSE=0.365）較單一植被指數構建的LAI模型（R2=0.654，R2adj=0.619，RMSE=0.431）精度得到明顯提高；將植被指數、紋理指數和作物覆蓋度共同構建LAI模型，發現模型（R2=0.836，R2adj=0.775，RMSE=0.286）精度最高。基于人工神經網絡模型估算LAI得到的結論與基于多元逐步回歸模型估算LAI得到的結論一致，再次驗證結合植被指數、紋理指數和作物覆蓋度共同估算LAI，是一種能夠有效改善LAI估算精度的方法。

表6 LAI的人工神經網絡預測模型與精度評價 Table 6 Artificial neural network forecast model and accuracy evaluation of LAI

3 討 論

在以往的研究中，多是利用光譜信息與地面實測數據來對LAI進行估算，但僅僅利用植被指數進行LAI估算存在一定的局限性。因此，從無人機影像中提取紋理特征和作物覆蓋度來提高LAI估算精度具有重要意義。

紋理是物體表面的內在特性，不依賴于顏色和亮度而變化，能夠抑制同譜異物和同物異譜現象的發生[27]。大多數紋理特征值與LAI的相關性較弱，該研究對紋理特征值進行組合運算得到新的紋理指數，有效提高了紋理特征估算LAI的性能。紋理歸一化能夠降低土壤背景、太陽角和傳感器視角影響[28]；紋理比值可以放大地物波譜特征間的細微差別，降低影像中地形、陰影等帶來的影響，突出地物特征；紋理差值能夠去除影像中的相同背景[27]，遙感圖像中由陰影產生的影響在紋理差值圖像中表現得不明顯，因此紋理信息與光譜特征的結合在一定程度上削弱了陰影對變化檢測產生的影響。

該研究利用多元逐步回歸模型，將植被指數、紋理指數和作物覆蓋度結合起來建立水稻LAI估算模型。結合植被指數和紋理指數的多元逐步回歸模型（R2=0.728，R2adj=0.668，RMSE=0.421）明顯優于單一植被指數模型（R2=0.603，R2adj=0.563，RMSE=0.541），結合植被指數、紋理指數和作物覆蓋度共同估算LAI（R2=0.866，R2adj=0.816，RMSE=0.308）精度最高，優于所有單一輸入量和任意兩類輸入量組合。這主要是因為多指標結合模型綜合了植光譜特征、紋理特征和作物覆蓋度對LAI估算的共同貢獻。其中GNDVI對葉綠素a較為敏感，綠葉的葉綠素在光照條件下發生光合作用產生植物干物質積累，使葉面積增大[29]；水稻的覆蓋度隨著LAI的增加而增加，覆蓋度可以直接反映從俯視圖中提取的LAI值[30]；紋理指數DTI（mean5,mean1）提供了作物的空間特征，一定程度上彌補了光譜信息的不足，其中紋理測量均值包含移動窗口中的目標和背景的平均值，可以平滑圖像，使背景的干擾最小化，又因為綠色植被在藍波段對光強吸收，在近紅外波段由于冠層結構的漫反射導致近紅外處反射率較大[31]，近紅外波段與藍波段的差值能增強植被對光吸收和反射的差異，因此能夠更好反映綠色植被冠層結構。光譜特征、紋理特征和作物覆蓋度的結合為LAI估算模型提供了更多的信息。該研究尚存在部分局限性，考慮到影響水稻LAI的因素不止光譜特征、紋理特征和作物覆蓋度，還需要綜合考慮原始波段、葉綠素、土壤背景以及影像質量等因素的影響。

4 結 論

本文基于無人機多光譜影像，對光譜特征、紋理特征和作物覆蓋度估算水稻葉面積指數（Leaf Area Index，LAI）的能力進行了分析，主要得到以下結論：

1）對紋理特征進行組合運算，能夠明顯提高紋理特征與LAI的相關性，近紅外波段均值與藍波段均值的差值較近紅外波段均值提高了13.54%，且歸一化差值紋理指數、差值紋理指數、比值紋理指數的均值組合與LAI具有較高的相關性，其中近紅外波段和藍波段均值的差值具有最高的相關性，相關系數為0.830。

2）基于一元線性模型構建的水稻LAI估算模型的精度由高到低為近紅外波段和藍波段均值的差值（決定系數R2=0.668，調整后決定系數R2adj=0.635，均方根誤差RMSE=0.447）、作物覆蓋度（R2=0.633，R2adj=0.596，RMSE=0.516）、綠度歸一化植被指數（R2=0.603，R2adj=0.563，RMSE=0.541）。

3）對比單一植被指數、紋理指數、作物覆蓋度，以及任意兩類輸入量的結合，發現多特征結合估算水稻LAI的能力最強（R2=0.866，R2adj=0.816，RMSE=0.308），人工神經網絡模型結果對本文結論進行進一步驗證，表明結合光譜特征、紋理指數、作物覆蓋度共同估算LAI具有較好的精度，為監測水稻生長狀況提供一種可行的方法。