基于无人机高光谱遥感的冬小麦株高和叶面积指数估算

陶惠林 徐良骥 冯海宽，3 杨贵军，4 代 阳 牛亚超

(1.北京农业信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室， 北京 100097；2.安徽理工大学测绘学院， 淮南 232001； 3.国家农业信息化工程技术研究中心， 北京 100097；4.北京市农业物联网工程技术研究中心， 北京 100097)

0 引言

叶面积指数(Leaf area index，LAI)是反映作物长势的重要参数，与作物产量具有紧密联系，对农业生产管理具有重要作用[1-2]。准确、高效地监测LAI能够提高长势监测效果和产量预测精度[3-5]。因此，对LAI进行动态监测显得尤为重要。传统测量LAI需要实地采集数据，测量中会对作物造成损伤，同时需要消耗大量的人力物力，并且测量范围有限[6]。

遥感技术凭借宏观、适时和动态等特点在作物LAI监测中得到广泛应用。由于平台的不同，采用遥感技术监测LAI主要分为高空、低空和地面尺度。高空主要利用卫星进行遥感监测，卫星可以获取大范围的遥感数据，对于较大区域的监测具有较好效果，但卫星运行周期长、空间分辨率低、容易受到云层的影响，使卫星遥感监测精度有限[7-10]。地面主要通过地物光谱仪获取遥感数据，在操作过程中由于平台的高度限制，很难得到正射影像数据[11]。低空主要采用载人飞机和无人机获取数据，相比载人飞机，无人机机动灵活、更加安全，其操作简单、对起飞场地要求较低，因此，无人机遥感在农业中得到了广泛应用[12-14]。目前，无人机携带的传感器主要包括数码相机、多光谱相机和高光谱相机，数码相机和多光谱相机获取的影像波段较少、得到的光谱信息有限，而高光谱相机能够获取较多光谱信息，更适于监测作物LAI[15-19]。

采用无人机高光谱遥感技术监测LAI需要使用植被指数。植被指数是由2个或多个光谱通过一定方式组合而成，能够有效反映植被状况，在遥感监测中具有重要的意义。在无人机高光谱高效监测LAI方面，研究者进行了大量的研究工作[20-24]。但这些基于高光谱遥感的研究主要通过单个植被指数或多个植被指数估算LAI，而利用植被指数结合作物高度估算LAI的研究还很少。为了提高LAI估算精度，本文使用无人机高光谱遥感影像生成作物表面模型(CSM)，提取出冬小麦植株高度(Hcsm)，然后基于植被指数、植被指数结合Hcsm，使用偏最小二乘回归(PLSR)方法构建LAI估算模型，探究利用无人机高光谱和Hcsm估算LAI的方法，以期为提高作物LAI估算精度提供一种新的研究手段。

1 材料与方法

1.1 田间试验设计

田间试验在北京市昌平区小汤山镇国家精准农业研究示范基地(北纬40°10′48″～40°10′54″，东经116°26′51″～116°26′53″)进行。该区域属于暖温带和半湿润大陆性季风气候，降水多在夏季和秋季，年平均降水量约42 mm，年平均温度约11.8℃，试验田前茬作物为玉米，土壤为潮土类型，土质比较肥沃。进行小区试验，采用了中麦175(ZM175，中国农业科学院)和京麦9843(J9843，北京市农业农村局)2种冬小麦品种，试验田共有48个小区，每个小区面积为48 m2，其中16个小区为一个重复区，每个重复区都进行不同程度的氮肥和水分处理，其中氮肥设置了4种水平(N1: 0 kg/hm2；N2: 195 kg/hm2；N3: 390 kg/hm2；N4: 585 kg/hm2)，水分设置了3种灌溉(W0：仅雨水；W1：灌溉量675 m3/hm2；W2：灌溉量1 012.5 m3/hm2)，详细的田间试验设计如图1所示。

1.2 无人机高光谱数据获取及处理

于2015年4月21日(拔节期)、2015年4月26日(挑旗期)和2015年5月13日(开花期)，选择天气晴朗、无风无云的时间进行无人机高光谱遥感作业，飞行高度为80 m。试验无人机搭载的传感器为Cubert UHD185 Firefly型成像光谱仪(测量过程中保证光谱仪垂直向下)，成像光谱仪由德国生产，质量470 g；由于是高光谱，有较多的波段，波长范围450～950 nm；光谱分辨率为8 nm@532 nm，空间分辨率为1.92 cm；与地面高光谱不同，每个波段间隔4 nm；有125个光谱通道；成像速度为每秒拍摄5个高光谱图像立方体。成像的光谱分辨率高，但空间分辨率并不高。为了去除土壤背景的影响，需对影像重采样。因为成像光谱仪曝光时间具体取决于太阳光强度，因此需要进行校正。在进行无人机遥感作业前，在地面利用黑白板进行辐射定标。在进行遥感作业时各时期的飞行航线保持一致。

无人机高光谱遥感数据获取后需要进行处理，数据处理主要包括两部分：①高光谱影像的辐射校正和拼接。需要先将影像像元亮度(Digital number，DN)转换为地表反射率[25]，再通过Agisoft LLC公司生产的Agisoft PhotoScan 软件对影像进行拼接[26]。②提取冠层光谱反射率。为了避免试验小区边缘和田垄之间背景光谱的影响，使用ArcGIS软件根据小区面积绘制出20个矢量，每个小区得到20个中心像元，对矢量进行编号，结合IDL语言提取出所有矢量感兴趣区像元值的光谱反射率，统计出各小区的平均光谱反射率，将获取的矢量感兴趣区的像元值平均光谱作为各试验小区冬小麦冠层的平均光谱反射率。

1.3 地面数据获取和处理

地面数据获取与无人机遥感作业同步进行，获取了实测的冬小麦LAI和株高数据。为了测量LAI，在每个小区长势均匀区域采样，选取20株植株，将样本放入密封袋中带回实验室；经过茎叶分离处理，通过美国CID生物科技公司生产的CI-203型激光叶面积仪，测定采样样本叶片面积，得到总的叶面积；获得小区单位面积的单茎数，乘以总面积得总茎数，进而得到LAI。冬小麦株高实测时间分别为2015年4月14日(拔节期)、2015年4月26日(挑旗期)和2015年5月13日(开花期)，由于天气原因，其中无人机获取的拔节期影像时间为2015年4月21日。为了测量不同小区的冬小麦株高，在每个小区对角线的1/3和2/3处取4个测量点，用直尺测量，每个测量点取1株冬小麦，取平均值作为测量小区的冬小麦株高。

1.4 植被指数的选取

目前，植被指数的种类有很多，通过筛选不同的植被指数，并根据已有研究成果，选取了一些在LAI监测方面效果较好的植被指数，如LCI[27]、NPCI[28]、MCARI[29]、TCARI[29]、PBI[30]、BGI[31]、TVI[32]、OSAVI[33]、NDVI[34]、SR[35]这10种植被指数，用于构建LAI估算模型，从而监测LAI。

1.5 研究方法

采用偏最小二乘(Partial least squares regression，PLSR)方法分析冬小麦生育期的遥感数据，构建出LAI估算模型。PLSR是将多元线性回归、典型相关分析和主成分分析结合为一体，可以提供一种多对多的线性回归建模方法，特别当变量个数较多时，存在多重相关性，而观测变量数据较少时，利用PLSR建立的模型具有传统的典型回归分析所没有的优点。利用最小化误差的平方和构建最佳的模型，以达到较好的预测效果。因此得到的分析结果，除了提供一个合理的模型外，还可以同时完成一些类似于主成分分析和典型相关分析的信息[36-38]。

1.6 统计分析

通过测量获取了每个生育期48组LAI数据集，采用32组数据集作为建模集，剩余16组数据验证模型效果。构建本文的LAI估算模型，为了评估建模和验证的拟合效果和预测精度，选用决定系数(Coefficient of determination，R2)、均方根误差(Root mean square error，RMSE)作为评价指标[23]。

2 结果分析

2.1 冬小麦株高提取

为了提取出基于无人机高光谱遥感数据下的冬小麦株高，使用作物表面模型(CSM)来提取冬小麦株高。步骤如下：

(1)通过无人机高光谱影像的拼接处理，生成数字表面模型(DSM)，在影像的不同小区共选取500个土壤样本点，利用ArcGIS软件的ArcTooLbox工具，基于DSM获取土壤样本点的高程。

(2)利用ArcGIS软件的kriging工具，基于获取的土壤样本点的高程生成数字高程模型(DEM)。

(3)将DSM减去土壤样本点的DEM，并使用ArcGIS软件的grid calculator工具，提取出CSM。

(4)最后，利用ArcGIS软件的ROI工具计算出生育期试验小区的冬小麦株高。

为了验证提取株高的效果，将获取的数据与实测株高进行分析，如图2所示。由图2可知，实测冬小麦高度和基于无人机高光谱提取的冬小麦高度(Hcsm)之间有较高的拟合性，R2为0.95，说明提取得到的Hcsm有较高的预测效果。因此，用提取的Hcsm进行LAI估算研究。

图2 实测和预测的冬小麦高度Fig.2 Measured and predicted winter wheat height

2.2 植被指数、Hcsm与LAI的相关性分析

将选取的植被指数以及基于高光谱遥感提取的Hcsm分别与不同生育期的LAI进行相关性分析，得到相关系数绝对值如表1所示。由表1可知，大部分植被指数与LAI表现为0.01显著水平，相关性较好。拔节期，MCARI、TCARI和TVI表现为无显著相关，这3个植被指数与LAI相关性较低，剩余植被指数均为0.01显著水平，其中相关系数绝对值最高的为0.713，对应的植被指数为PBI。挑旗期，仅MCARI为无显著相关，其余植被指数为极显著相关(0.01显著水平)，LCI的相关系数绝对值最高，为0.736。开花期，相比前2个生育期而言，大部分植被指数与LAI的相关系数绝对值有所增加，表现出较高的相关性，其中除TCARI外，均达到0.01显著水平，相关系数绝对值最高达到0.828，为植被指数PBI。对于提取的Hcsm，从拔节期到开花期，随着冬小麦生育期推移，Hcsm与LAI的相关性表现一直增强，相关系数绝对值变大，在开花期达到最高的相关性，为0.585。植被指数和Hcsm与LAI的相关性在不同生育期表现有差异，说明相关性受生育期影响，整体上，植被指数、Hcsm与LAI的相关性呈现增强趋势。

表1 植被指数、Hcsm与LAI的相关系数绝对值Tab.1 Absolute value of correlation coefficient of vegetation indices, Hcsm and LAI

2.3 基于植被指数、Hcsm估算LAI

根据表1中10种植被指数与LAI的相关性，发现3个生育期相关性最强的分别为PBI、LCI、PBI，为了得到不同生育期的最优植被指数模型，分别构建基于PBI、LCI和PBI的线性回归模型，同时也构建了不同生育期的基于Hcsm的线性回归模型，如表2和图3所示。根据表2和图3可知，对于最优植被指数，从拔节期到开花期，建模R2的范围是0.55～0.65，RMSE的变化为0.62～0.72，验证R2的范围是0.62～0.77，RMSE的变化为0.78～0.58，这3个生育期表现出最优植被指数估算LAI效果逐渐增强。对于Hcsm，从拔节期到挑旗期，建模R2的变化范围为0.25～0.26，RMSE为0.80～1.43，验证R2的变化范围为0.23～0.61，RMSE为0.88～1.23，建模和验证结果都显示出最优植被指数估算LAI能力越来越强。从挑旗期到开花期，建模R2和RMSE的范围分别为0.26～0.30和1.43～1.02，验证R2和RMSE的范围分别为0.61～0.39和1.23～0.85，随着生育期建模效果逐渐增强，验证效果降低，其中建模R2增加的幅度低于验证降低的幅度，因此从挑旗期到开花期，估算LAI效果逐渐降低。

表2 不同生育期最优植被指数、Hcsm与LAI的回归关系Tab.2 Regression relationships between optimal vegetation index, Hcsm and LAI in different growth stages

图3 基于最优植被指数和Hcsm的LAI实测值与预测值Fig.3 Measured and predicted values of LAI based on optimal vegetation index and Hcsm

为了探究Hcsm对植被指数估算LAI的精度影响，将每个生育期的最优植被指数结合Hcsm，得到3个生育期最优植被指数结合Hcsm与LAI的关系，如表3和图4所示。从拔节期到开花期，最优植被指数结合Hcsm建模R2一直增加(0.57～0.69)，RMSE为0.61～0.67，验证结果和建模保持一致，验证R2也一直变大(0.63～0.79)，RMSE从0.77降为0.54，说明建模效果较好。对比仅基于最优植被指数和Hcsm构建的LAI估算模型，将最优植被指数结合Hcsm构建的估算LAI模型效果更佳，拟合性和精度更高。

2.4 基于植被指数、植被指数结合Hcsm并使用PLSR估算LAI

由表1可知，在拔节期中MCARI、TCARI和TVI表现为无显著相关，同时在挑旗期和开花期中这3种植被指数与LAI之间表现出较低的相关性。因此为了构建LAI估算模型，选取剩余的7种植被指数进行模型构建，即模型输入因子为LCI、NPCI、PBI、BGI、OSAVI、NDVI、SR，并使用PLSR回归方法构建不同生育期的LAI估算模型。为了探究植被指数结合Hcsm估算LAI能力，将选取的植被指数与Hcsm共同作为模型因子，也使用PLSR方法建立LAI估算模型，如表4、5和图5所示。

表3 不同生育期最优植被指数结合Hcsm与LAI的回归关系Tab.3 Regression relationships between optimal vegetation index combined with Hcsm and LAI in different growth stages

图4 基于最优植被指数结合Hcsm的LAI实测值与预测值Fig.4 Measured and predicted values of LAI based on optimal vegetation index combined with Hcsm

从表4、5和图5可以看出，以植被指数为模型因子，拔节期到开花期，建模R2呈现上升趋势，验证R2和建模R2变化保持一致，也是逐渐增加，在开花期达到最佳估算效果(建模R2=0.70，RMSE为0.67；验证R2=0.79，RMSE为0.53)。以植被指数结合Hcsm为模型因子，3个生育期中随着冬小麦生长，建模和验证R2均表现出一直增加，开花期的估算效果最佳(建模R2=0.73，RMSE为0.64；验证R2=0.83，RMSE为0.49)。将植被指数结合Hcsm构建LAI估算模型，3个生育期建模和验证的R2均高于以植被指数为因子的建模和验证R2，Hcsm比较明显地提高了LAI估算精度，构建的估算模型拟合性和稳定性都较好。

表4 基于植被指数的冬小麦不同生育期LAI估算模型评估参数Tab.4 Estimation of LAI in different growth stages of winter wheat based on vegetation indices

表5 基于植被指数结合Hcsm的冬小麦不同生育期LAI估算模型评估参数Tab.5 Estimation of LAI in different growth stages of winter wheat based on vegetation indices combined with Hcsm

图5 基于植被指数以及植被指数结合Hcsm的LAI实测值与预测值Fig.5 Measured and predicted values of LAI based on vegetation indices and vegetation indices combined with Hcsm

2.5 LAI空间分布

为了得到LAI的空间分布，使用每个生育期的基于植被指数结合Hcsm的最佳估算模型，生成各生育期的LAI空间分布图，如图6所示。从图6可知，从拔节期到挑旗期，LAI逐渐增大，而从挑旗期到开花期，LAI开始下降，这个表现和冬小麦实际LAI分布是一致的。各小区的LAI有明显差别，其中重复2区域的LAI较高，重复1和重复3区域LAI较低，并且在3个生育期中均表现为重复2区域LAI高于重复1和重复3区域。拔节期LAI范围为0～5，挑旗期LAI范围为0～9，开花期LAI范围为0～5，不同生育期的LAI空间分布和实际测量结果是一致的，说明构建的不同生育期的最佳LAI估算模型是可靠的。

图6 冬小麦各生育期的LAI空间分布Fig.6 Spatial distributions of LAI in different growth stages of winter wheat

3 讨论

3.1 株高监测

传统上测量作物株高主要是通过实地调查，这种测量方式消耗较多的人力、物力和时间。为了解决这个问题，高效准确地监测作物株高就变得尤为重要，可以提高农业管理者的工作效率[39-40]。本研究通过冬小麦3个生育期的无人机高光谱影像数据，提取出了不同生育期的Hcsm，实测Hcsm和Hcsm拟合的R2达到0.95，证明了提取的Hcsm精度较高。这个结果和文献[41-42]的研究一致。然而，基于无人机高光谱影像提取的Hcsm相比实测的株高整体上偏小。主要是由于传感器获取的是作物的冠层数据，冠层结构的三维点云是由摄影测量计算的，包含不止第1片叶子，还含有植株的其余叶子和裸土像元；同时构建冠层三维点云，可能会除去植株叶子的空间信息。另外，由于拔节期株高获取时间和无人机影像获取时间不完全同步，导致实测株高与预测株高精度降低，同步获取株高和无人机影像数据可以提高株高监测精度。

3.2 基于植被指数、Hcsm以及植被指数结合Hcsm估算LAI

将不同的植被指数、Hcsm分别与LAI相关性分析，结果表明随着生育期推移，大部分植被指数与LAI的相关性逐渐增强，主要由于作物的生育期与光谱信息的敏感性相关，生育期后期植被指数与LAI敏感性更强；Hcsm与LAI整个生育期相关性都很好，说明作物高度能够反映生长状况[43]，Hcsm随着生育期增加，从而影响LAI的准确估算。拔节期、挑旗期和开花期的最优植被指数分别为PBI、LCI、PBI，这与文献[44]发现PBI能够很好地估算LAI以及文献[23]探究出LCI在预测LAI方面有较高的能力结论一致。将最优植被指数结合Hcsm构建的LAI估算模型精度更高，效果更好，证明了Hcsm能够提高估算LAI能力。

3.3 利用PLSR回归方法估算LAI

为了探究PLSR对LAI估算模型的效果，选取了LCI、NPCI、PBI、BGI、OSAVI、NDVI、SR作为模型的输入变量，利用PLSR估算LAI。相比仅基于植被指数估算LAI，PLSR可以明显地提高LAI估算效果。而基于植被指数结合Hcsm，并使用PLSR构建LAI估算模型，模型的R2进一步变大，RMSE变小，此时估算LAI的效果更好。2种模型均说明了使用PLSR能够提高模型精度。这与PLSR处理光谱数据能力有关，PLSR利用了主成分分析，更好地使用了光谱信息，并且能够解决多个变量之间的共线性问题，从而在作物参数监测方面能够取得较好的成效[45]。同时文献[23]证明了使用PLSR结合植被指数估算作物参数精度优于单个植被指数，这个研究和本文得到的结果是一致的。

4 结论

(1)由无人机高光谱提取得到的Hcsm与实测Hcsm之间具有较高的拟合性(R2=0.95)，Hcsm有较高的精度。

(2)在不同生育期，大部分植被指数与LAI表现为0.01显著相关水平，Hcsm与LAI也表现为0.01显著相关水平。

(3)不同生育期的最优植被指数(PBI、LCI、PBI)估算LAI效果逐渐增强，同时Hcsm以及最优植被指数结合Hcsm估算LAI的能力也越来越强，其中基于最优植被指数结合Hcsm估算LAI效果优于仅基于最优植被指数或Hcsm的LAI估算效果。

(4)以植被指数、植被指数结合Hcsm为模型输入因子，采用PLSR方法构建的不同生育期LAI估算模型均在开花期达到最佳估算效果(建模R2=0.70，RMSE为0.67；建模R2=0.73，RMSE为0.64)，并且以植被指数结合Hcsm估算LAI的精度最佳。

(5)通过无人机高光谱遥感影像提取作物Hcsm、并结合植被指数，明显提高了LAI估算精度，对农业生产管理具有重要意义。