利用無人機多光譜估算小麥葉面積指數和葉綠素含量

劉 濤，張 寰，王志業，賀 超，張全國，焦有宙

利用無人機多光譜估算小麥葉面積指數和葉綠素含量

劉 濤1,2，張 寰1，王志業2，賀 超1，張全國1，焦有宙1※

（1. 河南農業大學機電工程學院，鄭州 450002；2. 河南財經政法大學資源與環境學院，鄭州 450002）

利用無人機遙感的方式進行農作物長勢監測是目前精準農業、智慧農業發展的重要方向，為了探究無人機多光譜反演小麥葉面積指數（Leaf Area Index，LAI）和葉綠素含量的模型估算潛力，該研究在3個飛行高度（30、60、120 m）采集多光譜影像，通過使用全波段差值光譜指數（Difference Spectral Index，DSI）、比值光譜指數（Ratio Spectral Index，RSI）、歸一化光譜指數（Normalized Spectral Index，NDSI）和經驗植被指數與地面實測數據進行相關性分析，獲得不同高度下的光譜指數與LAI和葉綠素含量的關系模型及其決定系數，以決定系數為依據分別構建多元逐步回歸、偏最小二乘回歸和人工神經網絡模型，分析不同飛行高度無人機多光譜反演小麥冠層LAI和葉綠素含量SPAD（Soil and Plant Analyzer Development）值的精度。結果表明：1）30 m高度下，綠-紅比值光譜指數與小麥LAI的相關性最高，相關系數為0.84；60 m高度下，紅-藍比值光譜指數與小麥葉綠素含量的相關性最高，相關系數為0.68；2）在60 m高度下，經驗植被指數與小麥LAI和葉綠素含量的相關性較好, 最大相關系數分別為0.77和0.50；3）利用偏最小二乘回歸反演小麥LAI的精度最高，決定系數為0.732，均方根誤差為0.055；利用人工神經網絡模型反演小麥葉綠素含量的精度最高，決定系數為0.804，均方根誤差0.135。該研究成果可為基于無人機平臺的高通量作物監測提供理論依據，并為篩選無人機多光譜波段實現作物長勢參數快速估測提供應用參考。

無人機；多光譜；光譜指數；小麥；葉面積指數；葉綠素含量

0 引 言

近年來，無人機（Unmanned Aerial Vehicle, UAV）技術的發展大大推動了作物植被、水、土壤等農林生態環境要素信息的及時快速獲取和長時序動態監測。相比于衛星遙感、航空遙感的數據獲取方式，無人機具有機動靈活、便捷性強、數據采集成本低、影像分辨率高等優點，無人機遙感影像正逐步成為智慧農林業發展的主要數據來源。通過在無人機上搭載的高光譜相機可獲取更豐富的多維度影像數據，能夠實現定量反演植株數量[1-2]、株高[3-4]、倒伏率[5-6]等作物表型信息及葉面積指數[7-9]、葉綠素[10-13]、氮元素含量[14-15]、病蟲害[16-19]等理化參量信息，相比于RGB三波段的影像數據具有更高的反演精度。然而，高光譜成像儀的設備價格高，體積和質量大，數據獲取操作流程復雜，數據質量易受到環境影響等因素制約其普及化應用。相比于高光譜影像，無人機多光譜影像可看作是篩選、提取特征波段后的高光譜數據，理論上具有與高光譜影像等效的定量反演能力。此外，采集無人機多光譜影像具有成本低、飛控流程簡單等優點。因此，研究基于無人機多光譜的農作物長勢參量獲取與精準反演具有重要的理論意義和應用價值。

葉面積指數（Leaf Area Index，LAI）和葉綠素含量是體現作物長勢狀況的重要特征參量，其中LAI主要表征作物的冠層結構，其值大小與生物量、作物產量有密切關系，是反映作物群體生長狀況的重要指標；葉綠素含量與作物葉片的光合能力有關，是作物與外界環境進行物質和能量交換的基礎，其值大小能夠體現作物的生長狀態和健康程度。目前，已有大量研究開展了基于無人機多光譜的作物植被LAI及葉綠素含量反演的工作。例如，杭艷紅等[7]利用大疆M600Pro六旋翼無人機搭載美國MicaSense RedEdgeTM 3專業多光譜相機，針對水稻LAI進行估算，提出結合植被指數、紋理特征、作物覆蓋度等多特征的水稻LAI估算模型具有較好的精度。孫詩睿[9]等充分利用多光譜傳感器中的紅邊通道對植被指數進行改進，使用灰色關聯分析方法篩選植被指數，發現基于隨機森林的冬小麥LAI反演模型精度較高。周敏姑等[12]基于團隊研發的六旋翼無人機搭載美國MicaSense RedEdge-M專業多光譜相機對不同時期的冬小麥葉綠素含量SPAD（Soil and Plant Analyzer Development）值進行了反演預測，闡明小麥在不同時期的冠層反射率與SPAD的相關程度不同，基于逐步回歸法構建小麥抽穗期預測模型效果較優。毛智慧等[13]將兩種小型多光譜傳感器（MAC和Sequoia）搭載到六旋翼無人機，在獲取大田玉米花期的多光譜影像數據基礎上，開展了不同波段反射率對葉綠素含量（SPAD值）的敏感性，利用光譜指數預測SPAD值精度及穩定性等方面的研究，結果表明：無人機多光譜遙感技術預測大田玉米的SPAD值精度較高，但不同的多光譜傳感器表現出較大的性能差異。

大多數已有研究沒有考慮到無人機飛行高度對作物LAI、葉綠素含量等長勢參量反演精度的影響。基于衛星影像的作物參量反演結果表明，并不是影像分辨率越高，越有利于植被參量的反演精度提升[20-21]。區域種植面積、特征波段、作物尺度大小等因素都會對反演精度產生影響。蘇偉等[22]考慮到玉米冠層LAI和葉綠素含量反演的尺度效應，使用重采樣的方法對原始影像處理得到不同分辨率下的無人機影像數據，通過將不同分辨率影像提取的植被指數與地面實測數據建立回歸模型，得到了用于反演玉米冠層LAI和葉綠素的最優空間分辨率和植被指數。然而，這種基于圖像重采樣方法模擬出的不同分辨率影像數據，容易受到原始數據質量不高、降采樣高斯權重隨機參數等方面的影響。利用重采樣模擬得到多分辨率影像并不能完全等同于無人機在多個飛行高度下采集到的真實影像。因此，采集多個飛行高度下的無人機影像數據，研究不同飛行高度對作物長勢參量反演精度的影響是非常必要的。

本論文以河南地區小麥為研究對象，在獲取3個飛行高度無人機多光譜影像和地面實測數據的基礎上，分別計算差值光譜指數、比值光譜指數、歸一化光譜指數和經驗植被指數，研究光譜指數與小麥LAI、葉綠素含量（SPAD值）之間的相關關系及其估測精度，旨在探明不同飛行高度對小麥LAI和SPAD值估測中的影響，為后續開展便捷、快速的冬小麥長勢監測技術提供科學參考。

1 數據和方法

1.1 無人機影像獲取

冬小麥試驗田布置在河南省原陽縣河南農業大學試驗基地（113°56′ E， 35°6′ N），如圖1所示，該基地位于華北平原南端的豫北平原，屬暖溫帶大陸性季風氣候，光熱充足，年平均日照時間1 925.1 h，年平均降水量615.1 mm，土壤肥沃，地形平坦，以種植冬小麥和夏玉米為主，當年10月份進行冬小麥播種，次年6月初收獲。本試驗區域東西長139 m，南北長105.7 m，航向由東向西，種植不同品種類別冬小麥，主要用于表型到基因的小麥育種篩選。

無人機遙感影像獲取時間為2020年12月26日，采用大疆精靈4多光譜版一體化無人機（Phantom4-M，P4M）獲取小麥冠層多光譜影像數據。該設備集成1個可見光傳感器通道和5個多光譜傳感器通道（藍光、綠光、紅光、紅邊和近紅外），每次拍攝可獲得6張影像且每張影像具有200萬以上像素分辨率，最高飛行速度14 m/s，最大續航時間27 min，搭配有TimeSync時間同步系統，可獲得厘米級定位精度，此外P4M頂部集成光強傳感器，可捕捉太陽輻照度數據用于影像的光照補償，排除環境光對數據的干擾，提高不同時段采集數據的準確度與一致性。試驗利用DJI Terra軟件進行無人機航線規劃，分別設置3個飛行高度：30、60和120 m，航向和旁向重疊率均為80%，3個高度下采集影像數分別為2 124、552和258張，影像分辨率分別為1.6、3.2和6.4 cm/像素。使用Pix4D mapper軟件進行影像拼接，可獲得不同飛行高度下的RGB和單波段正射影像。將5個波段的多光譜正射影像導入ENVI軟件進行波段合成，使用快速輻射校正工具將像素DN值轉換為反射率。

1.2 地面實測數據獲取

無人機獲取影像的同時，在研究區域內選擇均勻分布的84個采樣點，分別測量小麥冠層葉片的葉綠素含量和葉面積指數。葉綠素的測量使用SPAD-502Puls 葉綠素儀（日本，柯尼卡美能達）；葉面積指數LAI獲取使用直接測量法，根據其定義，制作10 cm×10 cm大小的單位框，測量框內葉片的總面積除以框面積即為LAI值。利用千尋位置（www.qxwz.com）提供的厘米級差分定位服務，記錄RTK移動站獲取的采樣點編號和位置信息。對于每個采樣點選擇一株代表性的冬小麥，首先記錄該采樣點的絕對位置信息；其次，使用SPAD葉綠素儀測量冠層葉片的相對葉綠素含量，每片葉進行3～5次觀測，取其平均值作為最終的測量結果；再次，對每片葉拓印其外部輪廓到A4白紙，利用臺式掃描儀和fiji-win64圖像處理軟件計算得到LAI值。

1.3　光譜指數構建與選擇

植被光譜指數是指根據植被的光譜吸收特性，將遙感影像不同波段反射率之間進行線性或非線性組合形成的無量綱指標參數，能夠體現植被在可見光、近紅外波段反射與土壤背景之間差異[1]，是對地表植被狀況簡單、有效的經驗度量。由于小麥葉綠素（SPAD值）、LAI等長勢參數信息提取存在尺度效應[20-22]，本試驗分別在3個飛行高度采集多光譜影像數據，探究不同影像分辨率對植被參量反演精度的影響。針對每個飛行高度獲取的5個波段的多光譜正射影像數據，如參考文獻[19]，分別計算任意兩波段間的差值光譜指數（Difference Spectral Index，DSI）、比值光譜指數（Ratio Spectral Index，RSI）和歸一化光譜指數（Normalized Spectral Index，NDSI），計算過程如公式（1）～（3）所示：

式中R、R分別表示藍、綠、紅、紅邊和近紅外波段中的任意兩不同波段。此外，已有參考文獻指出，植被的LAI、葉綠素含量與EVI[23]、OSAVI[24]、GCI[22]、MTVI2[25]、CIRE[26]等光譜指數密切相關。因此，本文研究還選取5種經驗植被光譜指數構建模型，具體計算公式如表1所示。

表1 經驗植被光譜指數及計算公式

注：表中B、G、R、RE、NIR分別表示藍、綠、紅、紅邊、近紅外波段光譜反射率。下同。

Note:B,G,R,RE andNIR in the table represent the spectral reflectance of blue, green, red, red edge and near infrared bands respectively. Same below.

1.4 模型構建與精度檢驗

本研究基于計算得到的3類光譜指數（差值、比值和歸一化）和選擇的5種經驗光譜指數，分析光譜指數與LAI、葉綠素的相關性，依據決定系數（coefficient of determination，2）和均方根誤差（Root Mean Square Error，RMSE）篩選出最優的光譜指數，分別使用多元線性逐步回歸模型（Multiple Linear Stepwise Regression，MLSR）、偏最小二乘回歸模型（Partial Least Squares Regression，PLSR）和BP神經網絡模型（Back Propagation neural network，BP）對LAI和葉綠素含量進行估算。其中，多元線性逐步回歸具有較為合理的自變量篩選機制，能夠消除本研究中較多的微小變量對結果的影響；偏最小二乘回歸集成了主成分分析、線性相關分析和線性回歸的優點，通過循環迭代可以保留多個光譜指數自變量之間最大的變異；人工神經網絡算法具有強大的非線性擬合能力，通過更新網絡權重參數，可以構建從光譜指數到植被參量的非線性預測結果。本文使用包含1個輸入層、10個隱藏層、1個輸出層，學習率為0.01的人工神經網絡結構估算小麥LAI和葉綠素含量。

2 結果與分析

2.1 LAI與葉綠素含量的相關性分析

已有研究表明植被LAI、葉綠素含量兩個指標可用來判斷作物的綜合長勢和健康狀況，二者在數值上具有一定的相關性。為了表明本文基于無人機多光譜的小麥LAI和葉綠素含量SPAD值估算有效性和預測精度的差異性，首先需要進行實地采樣點LAI值和SPAD值的相關性分析，試驗結果如圖2所示?？梢钥闯?，小麥植株的葉面積指數與葉綠素含量存在明顯的非線性關系，當小麥冠層葉面積指數較小時，隨著葉面積指數的增加，葉綠素含量也隨之增加；當葉面積指數增加到一定數值后，葉綠素含量不會產生太大變化。利用非線性擬合的方式構建回歸模型，模型的判定系數為0.58，表明這葉面積指數和葉綠素含量這兩種長勢參量之間存在復雜的關系，不能簡單地通過測量一個指標參數去估算另一個指標參數。

2.2 光譜指數與LAI的相關性分析

利用建模數據集中實測的LAI值分別與3個飛行高度下的差值光譜指數、比值光譜指數、歸一化光譜指數進行相關性分析，計算結果如表2所示。可以看出，飛行高度對光譜指數與LAI的相關性有顯著影響，30 m飛行高度下，比值指數RSI2,3與LAI的相關性最強，相關系數達到0.84；60 m飛行高度下，比值指數RSI4,3與LAI的相關系數最高為0.77；120 m飛行高度下，比值指數RSI4,3與LAI的相關系數最高為0.66。原因在于飛行高度直接決定影像的分辨率，越高的影像分辨率越有利于識別小麥冠層葉片數量及大小，進而有助于總體LAI反演。相比于其他兩類光譜指數，比值光譜指數與小麥LAI具有最好的相關性和穩定性，紅-綠、紅-紅邊和紅-近紅外等波段組合的比值光譜指數均能很好地反映小麥冠層LAI的變化。

對經驗植被指數EVI、OSAVI、GCI、MTVI2、CIRE與不同高度下實測的LAI進行相關性分析，結果如表3所示?？梢钥闯?，在不同分辨率下提取到的植被指數與LAI的相關程度不同，并不是影像分辨率越高，相關性越強；植被指數EVI、OSAVI、GCI、MTVI2在飛行高度60 m時與LAI的相關程度最高，相關系數分別為0.75、0.73、0.77、0.77。原因是這些經驗植被指數主要體現冠層特征的群體參量，當飛行高度為30 m時，影像的分辨率約為1.6 cm/像素，可能導致采樣點像素聚集在同一個葉片，進而不能體現整體葉面積與空隙的相對比率大小；當飛行高度為120 m時，影像分辨率下降約為6.4 cm/像素，采樣區域內存在的裸土容易造成混合像元現象，導致植被指數反演準確性降低。植被指數CIRE在3個高度下均與實測LAI值不顯著相關，相關系數小于0.3，原因可能是參照以往經驗定義的CIRE主要用于反演植被的葉綠素含量[26]，與LAI的相關度不高。

表2 光譜指數與LAI相關性篩選結果

注：表中下標1、2、3、4、5分別表示藍、綠、紅、紅邊、近紅外波段。DSI為差值光譜指數；RSI為比值光譜指數；NDSI為歸一化光譜指數。下同。

Note: Subscripts 1, 2, 3, 4 and 5 in the table represent blue, green, red, red edge and near infrared bands respectively. DSI is difference spectral index; RSI is ratio spectral index; NDSI is normalized spectral index. Same below.

2.3 光譜指數與葉綠素含量的相關性分析

利用建模數據集中野外的實測葉綠素含量SPAD值，分別與3個飛行高度下的提取到的差值光譜指數、比值光譜指數、歸一化光譜指數進行統計分析，分析冠層葉綠素含量與各光譜指數的相關性，試驗結果如表4所示。可以看出：不同飛行高度下，比值光譜指數RSI3,1與葉綠素SPAD的相關程度均為最優，30、60 m飛行高度下的相關程度接近，60 m高度下的相關系數最高，相關系數為0.68；120 m飛行高度下，光譜指數與小麥冠層SPAD的相關程度顯著降低，原因可能是葉綠素含量受像元純凈度、混合像元的影響。與葉綠素顯著相關波段主要集中在紅-藍、紅-綠，紅邊、近紅外波段組合與實測葉綠素含量的相關性低于0.3，進一步說明冬小麥越冬期的葉綠素含量對紅光、綠光、藍光等波段敏感。

表4 光譜指數和SPAD相關性篩選結果

對經驗植被指數EVI、OSAVI、GCI、MTVI2、CIRE與不同高度下實測的小麥冠層SPAD進行相關性分析，結果如表5所示?？梢钥闯觯涷炛脖恢笖礒VI、OSAVI、GCI、MTVI2與SPAD的相關程度在3個高度下表現出明顯不同，飛行高度為60 m條件下，相關程度最高，但最大相關系數僅為0.50，說明經驗光譜指數在不同遙感數據上的反演結果會產生較大差異，利用此無人機獲取的多光譜影像并不能體現出此5種經驗光譜指數對小麥葉綠素含量的線性相關程度。

表5 經驗光譜指數和SAPD相關性分析

2.4 模型估算與評價

本文根據相關系數值的大小，將優選后的光譜指數分別構建預測LAI和葉綠素SPAD值的多元線性回歸模型、偏最小二乘回歸模型和人工神經網絡模型。由于原始數據量較少、單位不統一，需要對數據進行預處理，主要包括歸一化LAI和SPAD值相對大小、對數據進行隨機劃分增加樣本量等。

利用多元線性回歸模型估算小麥LAI和葉綠素SPAD值的結果如表6所示，可以看出，在30 m飛行高度下MLSR預測LAI的精度最高（2=0.701，RMSE=0.054）；在60 m飛行高度下，MLSR預測SPAD的精度最高（2=0.690，RMSE=0.133）。表明多元線性回歸模型適合在更高分辨率的多光譜影像上進行LAI的反演制圖，對于葉綠素的反演制圖，并不是越高的分辨率效果越好。多元線性回歸模型在驗證集上的性能如圖3所示，可以看出MLSR在30 m高度下預測小麥LAI和60 m高度下預測SPAD的結果均較好，驗證集的散點空間分布接近1:1線。

利用偏最小二乘回歸方法估算小麥LAI和葉綠素的結果如表7所示，可以看出，在30 m飛行高度下，利用PLSR模型對LAI和SPAD的擬合精度均為最高，并且高于MLSR模型，決定系數分別為0.732和0.710；60 m飛行高度下，PLSR模型的預測LAI的精度與MLSR模型的精度相當，決定系數均為0.638，PLSR模型的預測SAPD的精度略低于MLSR模型；120 m飛行高度下，PLSR模型預測LAI的精度低于MLSR模型，PLSR模型的預測SAPD的精度略高于MLSR模型。這表明在較高相關性（>0.6）光譜指數條件下，利用主成分建?？梢蕴嵘Ｐ途?，低相關性水平下（<0.5）利用變量的主成分建模會降低模型精度。利用最優PLSR模型在驗證集上預測小麥LAI和SPAD的結果如圖3所示，可以看出驗證集的散點空間分布接近1:1線。

本文使用BP神經網絡模型對3個高度下光譜反射率和實測數據進行建模，并進行試驗驗證。首先將訓練集中5個波段的原始光譜反射率作為神經元輸入，構建小麥LAI值和SPAD值的估算模型；利用測試集中的實測數據與模型估算數據進行比較，結果如圖3所示。通過對比MLSR、PLSR模型的結果可以看出，利用BP神經網絡預測小麥LAI的精度最低（2為0.571），預測小麥SPAD的精度（2為0.804）高于MLSR、PLSR模型。進一步表明，相比線性回歸模型，BP神經網絡等非線性模型更有利于揭示植被葉綠素等生理生化復雜內在參量的變化規律。

表6 多元線性逐步回歸估算LAI和SPAD

表7 偏最小二乘回歸估算LAI和SPAD

2.5 LAI和葉綠素含量反演制圖

根據前文的分析結果，小麥冠層LAI的最優預測結果是在高度30 m條件下，利用偏最小二乘回歸模型取得的擬合精度和預測最好；小麥葉綠素含量SPAD值的最優預測結果是在高度60 m條件下，利用BP神經網絡模型取得預測精度最高。因此分別利用兩種最優模型進行小麥冠層LAI和葉綠素含量反演制圖，如圖4所示?？梢钥闯觯煌贩N小麥在相同生長環境下表現出的冠層葉面積指數、葉綠素含量差異較大，實驗區域內最小葉面積指數為0.2，最大葉面積指數為1.0；葉綠素含量SPAD值最小為5，最大為50。本文試驗結果可為小麥育種表型參數高通量快速獲取提供數據參考。

3 結 論

1）根據無人機在不同飛行高度下構建的光譜指數、經驗植被指數與小麥冠層LAI和葉綠素含量的統計關系可知：小麥冠層LAI與比值指數RSI2,3（綠波段/紅波段）相關性較大，與EVI、OSAVI、GCI、MTVI2等經驗植被指數相關性大于0.7，對于含有藍波段的光譜指數相關性較低，表明此時期的小麥冠層LAI對藍波段不敏感；小麥冠層葉綠素含量與藍、綠、紅3個波段的比值、差值光譜指數相關性較高，與紅邊、近紅外波段的光譜指數相關性較低，可以表明小麥葉綠素含量對紅邊、近紅外波段不敏感；

2）飛行高度在30、60和120 m條件下，利用3種模型對小麥冠層LAI和葉綠素含量SPAD的預測和反演精度有較大差別：LAI的最優預測結果是在高度30 m條件下，利用偏最小二乘回歸模型取得；SPAD的最優預測結果是在高度60 m條件下，利用BP神經網絡模型取得。

[1] 趙必權，丁幼春，蔡曉斌，等. 基于低空無人機遙感技術的油菜機械直播苗期株數識別[J]. 農業工程學報，2017，33(19)：115-123.

Zhao Biquan, Ding Youchun, Cai Xiaobin, et al. Seedlings number identification of rape planter based on low altitude unmanned aerial vehicles remote sensing technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(19): 115-123. (in Chinese with English abstract)

[2] 劉帥兵，楊貴軍，周成全，等. 基于無人機遙感影像的玉米苗期株數信息提取[J]. 農業工程學報，2018，34(22)：69-77.

Liu Shuaibing, Yang Guijun, Zhou Chengquan, et al. Extraction of maize seedling number information based on UAV imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(22): 69-77. (in Chinese with English abstract)

[3] 董新宇，李家國，陳瀚閱，等. 無人機遙感影像林地單株立木信息提取[J]. 遙感學報，2019，23(6)：1269-1280.

Dong Xinyu, Li Jiaguo, Chen Hanyue, et al. 2019. Extraction of individual tree information based on remote sensing images from an Unmanned Aerial Vehicle[J]. Journal of Remote Sensing, 2019，23(6): 1269-1280 (in Chinese with English abstract)

[4] 陶惠林，徐良驥，馮海寬，等. 基于無人機數碼影像的冬小麥株高和生物量估算[J]. 農業工程學報，2019，35(19)：107-116.

Tao Huilin, Xu Liangji, Feng Haikuan, et al. Estimation of plantheight and biomass of winter wheat based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(19): 107-116. (in Chinese with English abstract)

[5] 李宗南，陳仲新，王利民，等. 基于小型無人機遙感的玉米倒伏面積提取[J].農業工程學報，2014，30(19)：207-213.

Li Zongnan, Chen Zhongxin, Wang Limin, et al. Area extraction of maize lodging based on remote sensing by small unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(19): 207-213. (in Chinese with English abstract)

[6] 劉占宇，王大成，李波，等. 基于可見光/近紅外光譜技術的倒伏水稻識別研究[J]. 紅外與毫米波學報，2009，28(5)：342-345.

Liu Zhanyu, Wang Dacheng, Li bo. Discrimination of lodged rice based on visible/near infrared spectroscopy[J]. Journal of Infrared & Millimeter Waves, 2009, 28(5): 342-345. (in Chinese with English abstract)

[7] 杭艷紅，蘇歡，于滋洋，等. 結合無人機光譜、紋理特征和覆蓋度的水稻葉面積指數估算[J]. 農業工程學報，2021，37(9)：64-71.

Hang Yanhong, Su Huan, Yu Ziyang, et al. Estimation of rice leaf area index combining UAV spectrum, texture features and vegetation coverage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(9): 64-71. (in Chinese with English abstract)

[8] 宋開山，張柏，王宗明，等. 基于人工神經網絡的大豆葉面積高光譜反演研究[J]. 中國農業科學，2006，39(6)：1138-1145.

Song Kaishan, Zhang Bo, Wang Zongming. Soybean LAI estimation with in-situ collected hyperspectral data Based on BP-neural networks[J]. Scientia Agricultura Sinica, 2006, 39(6): 1138-1145. (in Chinese with English abstract)

[9] 孫詩睿，趙艷玲，王亞娟，等. 基于無人機多光譜遙感的冬小麥葉面積指數反演[J]. 中國農業大學學報，2019，24(11)：51-58.

Sun Shirui, Zhao Yanling, Wang Yajuan, et al. Lead area index inversion of winter wheat based on multispectral remote sensing of UAV[J]. Journal of China Agriculture University, 2019, 24(11): 51-58. (in Chinese with English abstract)

[10] 陶惠林，馮海寬，楊貴軍，等. 基于無人機成像高光譜影像的冬小麥LAI估測[J]. 農業機械學報，2020，51(1)：176-187.

Tao Huilin, Feng Haikuan, Yang Guijun, et al., Leaf Area Index estimation of winter wheat based on UAV imaging hyperspectral imagery[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(1): 176-187. (in Chinese with English abstract)

[11] 朱西存，趙庚星，王瑞燕，等. 蘋果葉片的高光譜特征及其色素含量監測[J]. 中國農業科學，2010，43(6)：1189-1197.

Zhu Xicun, Zhao Gengxing, Wang Ruiyan, et al. Hyperspectral characteristics of apple leaves and their pigment contents monitoring[J]. Scientia Agricultura Sinica, 2010, 43(6): 1189-1197. (in Chinese with English abstract)

[12] 周敏姑，邵國敏，張立元，等. 無人機多光譜遙感反演冬小麥SPAD值[J]. 農業工程學報，2020，36(20)：125-133.

Zhou Mingu, Shao Guomin, Zhang Liyuan, et al. Inversion of SPAD value of winter wheat by multispectral remote sensing of unmanned aerial vehicles[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 125-133. (in Chinese with English abstract)

[13] 毛智慧，鄧磊，孫杰，等. 無人機多光譜遙感在玉米冠層葉綠素預測中的應用研究[J]. 光譜學與光譜分析，2018,38(9)：2923-2931.

Mao Zhihui, Deng Lei, Sun Jie, et al. Research on the application of UAV multispectral remote sensing in the maize chlorophyll prediction[J]. Spectroscopy and Spectral Analysis, 2018, 38(9): 2923-2931. (in Chinese with English abstract)

[14] 秦占飛，常慶瑞，謝寶妮，等. 基于無人機高光譜影像的引黃灌區水稻葉片全氮含量估測[J]. 農業工程學報，2016，32(23)：77-85.

Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 77-85. (in Chinese with English abstract)

[15] 劉帥兵，楊貴軍，景海濤，等. 基于無人機數碼影像的冬小麥氮含量反演[J]. 農業工程學報，2019，35(11)：75-85.

Liu Shuaibing, Yang Guijun, Jing Haitao, et al. Retrieval of winter wheat nitrogen content based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 75-85. (in Chinese with English abstract)

[16] 謝亞平，陳豐農，張競成，等. 基于高光譜技術的農作物常見病害監測研究[J]. 光譜學與光譜分析，2018，38(7)：2233-2240.

Xie Yaping, Chen Fengnong, Zhang Jingcheng, et al. Study on monitoring of common disease of crops based on hyperspectral technology[J]. Spectroscopy and Spectral Analysis, 2018, 38(7): 2233-2240. (in Chinese with English abstract)

[17] 趙晉陵，金玉，葉回春，等. 基于無人機多光譜影像的檳榔黃化病遙感監測[J]. 農業工程學報，2020，36(8)：54-61.

Zhao Jinling, Jin Yu, Ye Huichun, et al., Remote sensing monitoring of areca yellow leaf disease based on UAV multi-spectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 54-61. (in Chinese with English abstract)

[18] 孫鈺，周焱，袁明帥，等. 基于深度學習的森林蟲害無人機實時監測方法[J]. 農業工程學報，2018，34(21)：74-81.

Sun Yu, Zhou Yan, Yuan Mingshuai, et al. UAV real-time monitoring for forest pest based on deep learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 74-81. (in Chinese with English abstract)

[19] Liu T, Shi T, Zhang H, et al. Detection of rise damage by leaf folder () using unmanned aerial vehicle based hyperspectral data[J]. Sustainability, 2020, 12(22): 9343.

[20] 李小文，王祎婷. 定量遙感尺度效應芻議[J]. 地理學報，2013,68(9)：5-11.

Li Xiaowen, Wang Yiting. Prospects on future developments of quantitative remote sensing[J]. Acta Geographica Sinica, 2013, 68(9): 5-11. (in Chinese with English abstract)

[21] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment, 2001, 76(2): 156-172.

[22] 蘇偉，王偉，劉哲，等. 無人機影像反演玉米冠層 LAI 和葉綠素含量的參數確定[J]. 農業工程學報，2020，36(19)：58-65.

Su Wei, Wang Wei, Liu Zhe, et al. Determining the retrieving parameters of corn canopy LAI and chlorophyll content computed using UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(19): 58-65. (in Chinese with English abstract)

[23] Verstraete M M, Pinty B, Myneni R B. Potential and imitations of information extraction on the terrestrial biosphere from satellite remote sensing[J]. Remote Sensing of Environment, 1996, 58(2): 201-214.

[24] Rondeaux G, Steven M, Baret F, Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95-107.

[25] Haboudane D, Miller J R, Pattey E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment, 2004, 90(3): 337-352.

[26] Gitelson A A, Vi?a A, Ciganda V, et al. Remote estimation of canopy chlorophyll content in crops[J]. Geophysical Research Letters, 2005, 32(8): 1-4.

Estimation of the leaf area index and chlorophyll content of wheat using UAV multi-spectrum images

Liu Tao1,2, Zhang Huan1, Wang Zhiye2, He Chao1, Zhang Quanguo1, Jiao Youzhou1※

(1.&,,450002,;2..,450002,)

Monitoring the crop growth by using Unmanned Aerial Vehicle (UAV) based remote sensing technique is one of important directions for the development of precision and smart agriculture in China. In recent years, the development of UAV technology has greatly promoted the timely and rapid acquisition and long-term dynamic monitoring of agricultural and forestry ecological environment elements such as crop vegetation, water and soil. Compared with the data acquisition methods of satellite remote sensing and aerial remote sensing, UAV has the advantages of flexibility, convenience, low data acquisition cost and high image resolution. UAV remote sensing image is gradually becoming the main data source for the development of intelligent agriculture and forestry. In order to explore the inversion potential of Leaf Area Index (LAI) and chlorophyll content (SPAD) of wheat from UAV multi-spectral images, the multispectral images at three levels of flight altitudes (30, 60 and 120 m) by using the DJI Phantom4-M UAV platform which integrated five multispectral sensors (blue, green, red, red edge and near infrared) and TimeSync time synchronization system were collected to achieve centimeter-level positioning accuracy with more than 2 million pixel resolution, in Yuanyang wheat breading based, Xinxiang City, Henan Province. Based on the collected multispectral images, four different kinds of spectral indexes including: DSI (Difference Spectral Index), Ratio Spectral Index (RSI), Normalized Spectral Index (NDSI) and Empirical Vegetation Index (EDVI) were used to compute the wheat canopy LAI and chlorophyll content (SPAD). The correlation analysis between different spectral index from different height UAV images and in-situ measured LAI and SPAD data were applied to select the optimal spectral index at different height. The Multiple Linear Stepwise Regression (MLSR), Partial Least Squares Regression (PLSR) and Back Propagation (BP) neural network model were constructed respectively for estimation of LAI and SPAD values. The experimental result showed that: 1) At 30 m height, the correlation coefficient between the green-red ratio spectral index and wheat LAI was the highest, with the value of 0.84. At the height of 60 m, the correlation coefficient between red-blue ratio spectral index and wheat chlorophyll content was the highest, with the value of 0.68. 2) At the height of 60 m, the correlation between EDVI and LAI and chlorophyll content of wheat were both good, and the maximum correlation coefficients were 0.77 and 0.50, respectively. 3) The accuracy of wheat LAI inversion using partial least squares regression was the highest, with a determination coefficient of 0.732 and a root mean square error of 0.055. The accuracy of chlorophyll content inversion using artificial neural network model is the highest, the determination coefficient is 0.804, and the root mean square error is 0.135. This study provides a theoretical basis for high-throughput crop monitoring based on UAV platform, and provides an application reference for selecting UAV multi-spectral bands to achieve rapid estimation of crop growth parameters.

UAV; multispectral; spectral index; wheat; leaf area index; chlorophyll content

劉濤，張寰，王志業，等. 利用無人機多光譜估算小麥葉面積指數和葉綠素含量[J]. 農業工程學報，2021，37(19)：65-72.doi：10.11975/j.issn.1002-6819.2021.19.008 http://www.tcsae.org

Liu Tao, Zhang Huan, Wang Zhiye, et al. Estimation of the leaf area index and chlorophyll content of wheat using UAV multi-spectrum images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(19): 65-72. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.19.008 http://www.tcsae.org

2021-06-29

2021-09-22

國家自然科學基金（41801376；52106240）；中國博士后科學基金（2020M682293）

劉濤，副教授，博士后，主要研究方向為農業環境遙感監測，定位導航與位置服務等。Email：liutao@huel.edu.cn

焦有宙，教授，博士生導師，研究方向為可再生能源轉化技術、廢棄物資源化利用技術。Email：jiaoyouzhou@126.com

10.11975/j.issn.1002-6819.2021.19.008

TP79

A

1002-6819(2021)-19-0065-08