无人机影像反演玉米冠层LAI和叶绿素含量的参数确定

苏 伟，王 伟，刘 哲，张明政，边大红，崔彦宏，黄健熙

·农业航空工程·

无人机影像反演玉米冠层LAI和叶绿素含量的参数确定

苏 伟1,2，王 伟1,2，刘 哲1,2，张明政1,2，边大红3，崔彦宏3，黄健熙1,2

（1. 中国农业大学土地科学与技术学院，北京 100083；2. 农业部农业灾害遥感重点实验室，北京 100083；3. 河北农业大学农学院，保定 071001）

小型低空无人机（Unmanned Aerial Vehicle, UAV）机动灵活、操作简便，可以按需获取高空间分辨率影像，是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数（LAI, Leaf Area Index）和叶绿素含量的参数确定问题，该研究以DJI S1000+无人机为平台，搭载法国Parrot Sequoia相机，获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像，采用重采样的方式获得不同分辨率下（0.1～1 m）的不同植被指数，所构建的植被指数包括归一化植被指数（Normalized Difference Vegetation Index，NDVI）、叶绿素指数（Grassland Chlorophyll Index，GCI）、比值植被指数（Ratio Vegetation Index，RVI）、归一化红边红指数（Normalized Difference rededge-red Index，NDIrer）、归一化红边绿指数（Normalized Difference rededge-green Index，NDIreg）和重归一化植被指数（Renormalized Difference Vegetation Index，RDVI），通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析，以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数，以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现，在分辨率为0.6 m时，NDVI与地面实测LAI之间的决定系数R为0.80，决定系数达到了最大，利用该分辨率下的NDVI反演得到的LAI验证精度2达到0.73；在分辨率为0.1 m时，NDIreg与地面实测叶绿素含量之间的决定系数2为0.70，决定系数达到最大，利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度2达到了0.63。因此得出结论：1）植被指数的选择：①对于玉米冠层LAI的反演来说，不包含绿波段的植被指数的LAI反演精度较高，这说明绿波段对LAI的变化不敏感；②对于玉米冠层叶绿素含量反演来说，包含红边波段的植被指数的反演精度较高，因此影像的红边波段对叶绿素含量的变化非常敏感。2）UAV影像空间分辨率的选择：反演LAI的最优分辨率是0.6 m，此时NDVI与实测LAI的决定系数达到最大；反演冠层叶绿素含量的最优分辨率是0.1～0.3 m范围内，此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。

作物；无人机；模型；植被指数；LAI；叶绿素含量；分辨率；红边波段

0 引 言

近年来，具有机动灵活、操作简便、按需获取数据且空间分辨率高等优势的无人机（Unmanned Aerial Vehicle，UAV）遥感技术迅速发展，并逐渐成为农情监测的又一重要手段[1]，也是育种玉米表型参数快速获取的重要手段[2]。UAV影像的分辨率理论上可以达到1～2 cm，实际飞行时UAV影像的分辨率受相机型号、飞行高度、飞行时间、重叠度等因素的限制。UAV一般靠电池驱动，飞行时间有限，需要较高的飞行高度才能获得较大面积的图像；但是，飞行高度过高时，影像的分辨率又会降低。所以，获取何种空间分辨率的UAV影像对玉米冠层LAI和叶绿素含量反演是该领域研究和应用的重要问题。

已有的卫星遥感应用表明：影像的分辨率需要根据具体的应用需求确定，并不是越高越好。在利用航空影像在一些平原地区生成地面数字高程模型（Digital Elevation Model，DEM）时，过高的影像分辨率除了增加运算量之外，对DEM的实际应用并没有多大的益处。沈占锋等在利用卫星影像提取城市道路时，不同等级的道路也要选择不同分辨率的影像[3]。陈永林等在研究不同尺度下红树景观格局与叶面积指数的关系时，发现不同尺度下景观格局指数与LAI指数的变化特征存在明显差异[4]。李丹丹等在研究尺度变化对油菜种植面积遥感监测精度的影响时提出，农作物种植面积遥感提取中，需要从提取精度、研究区域空间范围、数据可获取性等方面综合考虑选择合适的空间分辨率遥感数据[5]。黄健熙等在利用遥感卫星进行农作物长势监测、模型估产等方面研究时，发现遥感观测像元尺度与作物模型模拟尺度不匹配是影响监测及估产精度的重要因素，因此在进行数据同化时，需要充分利用不同时间和空间分辨率的遥感影像数据进行尺度转换，尽量减少遥感影像与模型之间的尺度差异，以提高模型精度[6]。对于无人机遥感应用来说，是不是也存在同样的问题？鉴于这个问题，本文重点研究UAV影像用于农作物长势监测和冠层表型信息提取等研究时何种空间分辨率最为合适。

LAI和叶绿素含量是反映植被生长及健康状况的两个重要特征参量。LAI是表征植被光合作用、判断冠层结构和农作物长势的重要参数，与生物量和作物产量有着密切关系[7]。叶绿素含量与植物的光合作用能力、生长状态密切相关，是植被光合能力、营养生理状况以及衰老进程的指示剂，对农作物长势监测、施肥调控、品质评价具有重要意义[8]。目前，基于卫星影像的LAI和叶绿素含量提取方法主要有两类[9-12]，一是采用植被指数的统计方法，利用高光谱反射率、一阶微分光谱、光谱植被指数、偏最小二乘法等建立LAI和叶绿素含量或叶绿素相对含量（SPAD值）与遥感特征光谱（如反射率或光谱指数）的关系，并利用这种相关关系估算LAI和叶绿素含量[13]；谭昌伟等利用Landsat TM遥感数据建立了植被指数与叶绿素相对含量（SPAD值）和LAI的遥感监测模型[14]；李粉玲等利用GF-1卫星数据构建了基于遥感光谱指数的冬小麦叶片叶绿素相对含量（SPAD值）遥感监测模型[15]；苏伟等利用Sentinel-2A影像构建了植被指数与玉米冠层叶绿素含量的监测模型[16]。二是利用辐射传输模型等物理模型的方法[17-18]。谷成燕等利用PROSAIL模型建立了毛竹林叶面积指数与冠层反射率之间的查找表，实现了利用Landsat TM卫星遥感数据反演毛竹林的LAI[19]。李淑敏等探讨了利用PROSAIL物理模型反演冬小麦LAI的可行性，认为利用物理模型模拟LAI较经验模型更具有真实性[20]。辐射传输模型的方法较为复杂，且需要许多先验知识。因此，本研究利用植被指数的方法，基于不同空间分辨率影像反演玉米冠层LAI和叶绿素含量，以探索用于玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最合适植被指数。

1 数据和方法

1.1 UAV影像获取及预处理

研究区位于海南三亚崖城玉米育种基地，如图1所示。该基地总面积约13 hm²，育种基地内种植了处于各生育期的玉米共11 hm²。崖城属热带海洋季风气候，年平均气温25 ℃以上，常年轮作种植的特点非常适合玉米育种试验的开展。

无人机遥感影像获取时间为2018年1月6日，无人机为DJI S1000+无人机搭载法国Parrot公司生产的Sequoia多光谱相机，无人机任务规划采用Pix4dcapture软件完成，飞行高度75 m，航向和旁向重叠度均为80%，共采集无人机影像190张，其中RGB影像38张，单波段影像152张。所获取的UAV影像采用Pix4D mapper软件（www.pix4d.com）进行影像拼接[21]，在进行单波段影像拼接时，将UAV数据采集时拍摄的标准定标板影像作为校准输入拼接软件中，定标板为标准反射率板，在不同波段的反射率固定（绿波段0.61、红波段0.62、近红外波段0.59、红边波段0.61），在拼接过程中软件将依据标准定标板的反射率自动生成单波段的反射率影像。这个过程大大减少了人工辐射定标的误差，并且提高了工作效率。拼接处理后的无人机影像分辨率为0.06 m，包含RGB影像、绿波段影像（中心波长为550 nm）、红波段影像（中心波长为660 nm）、红边波段影像（中心波长为735 nm）、近红外波段影像（中心波长为790 nm）各一幅。

图1 研究区位置及UAV影像

1.2 地面实测数据获取

UAV影像获取的同时，在研究区均匀选择了25个具有代表性的试验点测量玉米的LAI和叶绿素含量。玉米冠层LAI的测量采用LAI 2200C冠层分析仪（美国，LI-COR），叶绿素含量的测量采用SPAD—502叶绿素仪（日本，柯尼卡美能达）。在对地面样本进行采样测量的同时，使用基于千寻位置（www.qxwz.com）厘米级差分定位服务的GPS移动站记录地面样本点的精确坐标信息。在研究区内均匀选择了25个试验点进行地面采样，其中17个采样点作为建模数据集，8个采样点作为验证数据集。每个试验点选择一株具有代表性的玉米，首先，记录该样点的绝对位置信息；其次，使用SPAD叶绿素仪测量玉米上层叶片的叶绿素含量，对于每片叶子，根据叶子大小均匀测量3～5次叶绿素值，取平均值作为该片叶子的叶绿素含量；再次，使用LAI 2200C观测玉米的LAI和平均叶倾角，测量时探头安装180°的遮光帽，顺序测1次天顶光和玉米垄间的4次叶下光，读取观测的LAI值，为减小误差，每个试验点重复观测3次取平均值作为该点的LAI值，具体示例见表1。

表1 实测数据示例

1.3 植被指数的构建与选择

为了研究UAV影像用于农作物长势监测和冠层表型信息提取等研究时何种空间分辨率最为合适，本试验对0.06 m分辨率的无人机原始影像进行重采样，由于无人机影像获取时单株玉米直径在1 m以下，因此本试验将原始影像分别重采样为0.1～1 m以0.1 m为间隔的不同分辨率数据。

健康植被的反射率在绿光波段有较低的反射峰，在红波段有一个吸收谷，而在近红外波段又达到一个较高的反射峰。红边波段是位于红波段和近红波段之间斜率变化最大位置上的一个较窄的波段，对植被的叶绿素含量变化非常敏感。法国Parrot Sequoia农业相机的波段范围包括红边波段，所以本文重点研究了包含红边波段的植被指数在玉米冠层LAI和叶绿素含量反演中的适用性。

植被指数的实质是将复杂的多光谱影像简化为一个特征变量，用来预测和评估植被特性。Daughtry等提出一个给定的光谱指数对于估计植被冠层叶绿素含量和LAI可能有不同的敏感性[22]。目前最简单、应用最广泛的植被指数之一是由Rouse等[23]在1973年提出的归一化植被指数（Normalized Difference Vegetation Index，NDVI）。由于叶片反射近红外（NIR）波段不受叶绿素含量变化的影响，而红色波段由于叶绿素的强烈吸收而受到最小影响，使用近红和红色的NIR-red光谱指数通常更能估计LAI[24-25]，因此本文首先选用NDVI指数。与红波段相比，绿波段更容易受到叶绿素含量差异的影响[26-27]；因此，NIR-green光谱指数对叶绿素含量变化的敏感度应该高于NIR-red指数[28-29]。并且NIR-green光谱指数也对LAI变化很敏感[30-31]，所以本文基于绿波段建立了GCI（grassland chlorophyll index）植被指数。玉米叶片中叶绿素对红光波段的强烈吸收，及对近红外波段的多次散射，通常在680~760 nm之间形成陡而直的斜边，称其为红边，多项研究[32-33]表明，红边波段对LAI和叶绿素含量变化非常敏感。因此本研究基于红边波段建立了RVI、NDIrer和NDIreg3个植被指数（见表2）。

表2 植被指数及计算公式

注：nir为近红外波段反射率，该波段的中心波长为790 nm；rededge为红边波段反射率，该波段的中心波长为735 nm；red为红波段反射率，该波段的中心波长为660 nm；gree为绿波段反射率，该波段的中心波长为550 nm。

Note:niris the near infrared band reflectivity, the center wavelength of this band is 790 nm;rededgeis the red edge band reflectivity, the center wavelength of this band is 735 nm;redis the red band reflectivity, the center wavelength of this band is 660 nm;greeis the reflectivity of the green band, and the center wavelength of this band is 550 nm.

2 结果分析与讨论

2.1 植被指数与LAI的关系分析

利用建模集中野外实测的LAI数据，分别与10个不同分辨率下的植被指数GCI、RDVI、RVI、NDVI、NDIrer、NDIreg进行统计分析，分析LAI与各植被指数的相关性，并分别计算其决定系数2，从而确定用于玉米冠层LAI反演的最优空间分辨率和植被指数。各统计关系中相关关系如图2所示。

从图2a可以看出：NDVI和NDIrer植被指数与实测LAI的相关性随影像分辨率的变化十分明显，在影像分辨率为0.1～0.4 m、0.8～1 m时，6种植被指数与实测LAI的决定系数2均小于0.3，为弱相关关系，并不具备利用该范围内无人机影像反演LAI的条件。在分辨率为0.4～0.8 m时，NDVI和NDIrer两个植被指数决定系数均在0.3以上，且最大达到0.80，已经具备利用该植被指数反演LAI的条件。参考相关系数临界值表[34]，当样本自由度为17时，相关系数的绝对值大于0.58时达到0.01显著性水平，从图2b中可以看出0.6 m分辨率的NDVI和NDIrer与LAI的相关关系的绝对值分别为0.9和0.81，达到了0.01显著性水平。

通过不同空间分辨率下的NDVI和NDIrer植被指数与实测LAI的相关性比较，二者都是在影像空间分辨率为0.6 m时与实测LAI相关性最高，决定系数2分别为0.802 8和0.661 6；且随着分辨率增大和减小，决定系数2均大幅降低，并分别在0.4 m和0.8 m时降至0.3以下。这两种植被指数与实测LAI的决定系数随分辨率的增加呈现近似正态分布的现象。造成这种现象的原因是：LAI是表征冠层的群体参量，它反映的是植被在一定面积内的单面绿叶叶面积，所以在UAV影像空间分辨率0.1～0.4 m的尺度范围下，可能会存在整个像素是成像在同一个叶片上的情况，此时用于LAI定义的孔隙率并无实际意义，从而造成决定系数偏低。而在0.8～1.0 m空间分辨率的尺度下，由于垄间裸地的存在造成混合像元现象，也会影响植被指数的准确性。

图2 植被指数与实测LAI的相关关系

0.4～0.8 m空间分辨率下的NDVI和NDIrer 2个植被指数与实测LAI的相关性比较高，决定系数R最高分别达到了0.802 8和0.661 6，而与GCI、RVI、NDIreg、RDVI 4个植被指数的决定系数均在0.3以下，相关性较弱，因此不具备根据这些植被指数估算植被冠层LAI的条件。通过对比表2中各植被指数的使用波段，相关性较低的指数与相关性较高的指数之间最大的差别是是否使用了绿波段。NDVI和NDIrer两种植被指数没有使用绿波段，其决定系数明显高于其他植被指数。由此可知：绿波段对植被冠层LAI的变化不敏感，在进行LAI反演时应尽量避免使用绿波段。

试验证明，在利用无人机影像进行植被冠层LAI反演时，并不是分辨率越高越好，在选择出正确的植被指数前提下，分辨率的选择对反演精度的影响至关重要，因此根据植物种类及叶片的大小选择合适分辨率的影像是保证反演精度的关键。

2.2 植被指数与叶绿素含量的关系分析

利用建模集中野外实测的玉米冠层叶绿素含量数据，分别与10种空间分辨率下的植被指数GCI、RDVI、RVI、NDVI、NDIrer、NDIreg做统计分析，分析冠层叶绿素含量与各植被指数的相关性，并选择最优空间分辨率的影像估算植被冠层叶绿素含量。各统计关系中相关关系如图3所示。

图3 植被指数与实测叶绿素含量的相关关系

由图3a中各植被指数与实测叶绿素含量的决定系数2随无人机影像分辨率增加的变化曲线可以看出，在0.1～0.3 m分辨率范围内，6种植被指数所对应的决定系数均随分辨率的增大变化不大，NDIreg、NDIrer、RDVI、RVI，4种植被指数的决定系数基本保持在0.5～0.7之间，相关性较高，但是当分辨率处于0.4～1 m之间时，6种植被指数的决定系数迅速下降，基本处于0.2以下，不具备反演冠层叶绿素含量的条件。这是由于0.1 m约为该生长期单株玉米的叶宽大小，随着分辨率的减小，像元的纯净度越低，图像混合像元现象越严重，在采样点的像元很难是只包含一个叶片的纯像元，进而造成相关性下降。随着无人机遥感技术的快速发展，大多数的无人机原始影像分辨率都可以达到0.3 m以下，因此可以认为高分辨率的无人机影像比较适合用来反演植被冠层叶绿素含量。

参考相关系数临界值表[34]，当样本自由度为17时，相关系数的绝对值大于0.58时达到0.01显著性水平，从图3b中可以看出在0.1 m影像分辨率下NDIreg、NDIrer、RDVI、RVI 种植被指数与实测叶绿素含量相对含量的相关系数均达到了0.01显著水平，完全具备利用植被指数反演玉米冠层叶绿素含量的条件。由图3a中不同植被指数与实测叶绿素含量的统计关系可以看出，相关性较高的植被指数为0.1 m影像分辨率下的NDIreg、NDIrer、RDVI、RVI，决定系数分别为0.702、0.573、0.689 7、0.642 3，而NDVI和GCI两个植被指数则相对较低，只在0.3左右。通过对比表2中各植被指数所使用的波段，这4个植被指数都使用了红边波段进行计算。由于绿色植物的光谱曲线在680~760 nm的红边范围内为一条快速上升的曲线，这种现象是叶绿素对红波段的吸收和对近红外波段的多次散射造成的，而该段曲线会随着叶绿素的增加和减少左右移动，成为“红移”和“蓝移”，因此植被在近红外波段的变换随着叶绿素含量的变化十分明显，适合用来反演植被冠层叶绿素含量[35]。而近红外波段则由于叶绿素的弱吸收对叶绿素含量的变化不太明显，从而造成NDVI和GCI 2种植被指数的决定系数较低。由此可以认为，红边波段有效提高了红波段、绿波段对叶绿素含量估算的精度，红边波段对叶绿素变化十分敏感，而近红外波段对叶绿素含量的变化不敏感，不适宜作为植被冠层叶绿素含量反演的主要波段。

2.3 LAI和叶绿素含量估算结果与分析

基于前文分析结果，0.6 m分辨率下的NDVI和0.1 m分辨率下的NDIreg分别与玉米冠层LAI和叶绿素含量具有较高的相关性，因此分别利用0.6 m分辨率下的NDVI和0.1 m分辨率下的NDIreg来反演玉米冠层LAI和叶绿素含量，反演得到研究区的玉米冠层LAI结果如图4a所示，叶绿素含量结果如图5a所示。为了验证反演结果是否准确，进一步利用验证数据集的地面实测数据与反演结果进行精度验证，玉米冠层LAI的验证结果2为0.73，RMSE为0.326m2/m2，玉米冠层叶绿素含量的验证结果2为0.63，RMSE为3.353。精度验证结果表明0.6 m分辨率下的NDVI和0.1 m分辨率下的NDIreg不仅与实测LAI和叶绿素含量的相关性优于其他植被指数，且反演结果具有较高的精度。

图4 基于0.6 m分辨率影像NDVI的LAI反演结果及验证

图5 基于0.1 m分辨率影像NDIreg的玉米冠层叶绿素含量估算结果及验证

3 讨 论

本文通过对多种分辨率、多个植被指数与地面实测LAI和叶绿素含量的相关关系进行试验分析，得到了基于无人机影像反演玉米LAI与叶绿素含量的最优分辨率，但试验也存在一定的问题需要深入研究。

1）在本文中也发现实测值与植被指数之间的决定系数最高为0.7，造成本文中精度不高的原因有两个，一是由于试验田的面积限制，本次试验的地面实测点不足；二是没有对试验田进行整个生育期的多次试验，有研究表明[36]，虽然在单个时期作物各参数之间相关性较差，但如果对整个生育期观察，其相关性将会有显著提高。以后的试验将针对这些问题进行改进，以获得更加精确的试验结果。

2）本研究仅是对玉米做了研究，但反演LAI的最优分辨率0.6 m与单株玉米的半径比较接近，反演叶绿素含量的最优分辨率与0.1 m的玉米叶宽比较接近，因此考虑最优分辨率的选择与其叶片大小存在一定的关联。后期将对其他农作物冠层LAI和叶绿素时的参数选择做进一步研究，以验证该试验结果对其他作物的适用性。

4 结 论

1）根据不同植被指数与玉米冠层LAI和叶绿素含量的统计关系可知：玉米冠层LAI与0.6 m图像下的归一化植被指数（Normalized Difference Vegetation Index，NDVI）和归一化红边红指数（Normalized Difference rededge-red Index，NDIrer）两个植被指数的相关性较大，而对于含有绿波段的植被指数，LAI的相关性较低，因此可以得到结论，玉米冠层LAI对绿波段不太敏感；玉米冠层叶绿素含量与0.1 m分辨率下的归一化红边绿指数（Normalized Difference rededge-green Index，NDIreg)、NDIrer、比值植被指数（Ratio Vegetation Index，RVI）、重归一化植被指数(Renormalized Difference Vegetation Index，RDVI）4个植被指数相关系数在0.5以上，这4个植被指数中均使用了红边波段，并且与只有红边和绿波段组成的NDIreg植被指数的决定系数达到了最大的0.7，因此可以得出结论，红边波段对玉米冠层叶绿素含量的变化十分敏感。

2）UAV影像的分辨率影响LAI和叶绿素含量的估算精度，但并不都是空间分辨率越高越好，对于不同的参量必须选择最优的空间分辨率影像才能得到高精度的估算结果。根据本文的试验结果，可以认为当影像分辨率在0.6 m左右时，对玉米冠层LAI的反演效果较好；当影像分辨率小于0.3 m时，对玉米冠层的叶绿素含量估算效果较好，且在接近玉米叶宽的0.1 m分辨率时达到最优。

[1] 刘刚，许宏健，马海涛，等. 无人机航测系统在应急服务保障中的应用与前景[J]. 测绘与空间地理信息，2011，34(4)：177-179.

Liu Gang, Xu Hongjian, Ma Haitao, et al. Unmanned aerial system applications and prospects in the protection of emergency services[J]. Geomatics & Spatial Information Technology, 2011, 34(4): 177-179. (in Chinese with English abstract)

[2] 杨贵军，李长春，于海洋，等. 农用无人机多传感器遥感辅助小麦育种信息获取[J]. 农业工程学报，2015，31(21)：184-190.

Yang Guijun, Li Changchun, Yu Haiyang, et al. UAV based multi-load remote sensing technologies for wheat breeding information acquirement[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 184-190. (in Chinese with English abstract)

[3] 沈占锋，骆剑承，郜丽静，等. 不同尺度下高分辨率遥感影像道路信息提取[J]. 四川师范大学学报：自然科学版，2009，32(6)：812-815.

Shen Zhanfeng, Luo Jiancheng, Gao Lijing, et al. Road information extraction from high-resolution remote sensing image in different research scales[J]. Journal of Sichuan Normal University: Natural Science, 2009, 32(6): 812-815. (in Chinese with English abstract)

[4] 陈永林，孙永光，康婧，等. 不同尺度下红树景观格局与叶面积指数的空间分异及表征关系[J]. 生态科学，2017，36(6)：98-106.

Chen Yonglin, Sun Yongguang, Kang Jing, et al. Phenetic correlation analasis on the spatial differentiation of mangrove landscape pattern and leaf area index at different scales[J]. Ecological Science, 2017, 36(6): 98-106. (in Chinese with English abstract)

[5] 李丹丹，刘佳，周清波，等. 尺度变化对油菜种植面积遥感监测精度的影响[J]. 中国农业资源与区划，2014，35(6)：85-92.

Li Dandan, Liu Jia, Zhou Qingbo, et al. Influence of scale variation on precision of rapeseed acreage remote sensing monitoring[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2014, 35(6): 85-92. (in Chinese with English abstract)

[6] 黄健熙，李昕璐，刘帝佑，等. 顺序同化不同时空分辨率LAI的冬小麦估产对比研究[J]. 农业机械学报，2015，46(1)：240-248.

Huang Jianxi, Li Xinlu, Liu Diyou, et al. Comparison of winter wheat yield estimation by sequential assimilation of different spatio-temporal resolution remotely sensed LAI datasets[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 240-248. (in Chinese with English abstract)

[7] 刘轲，周清波，吴文斌，等. 基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较[J]. 农业工程学报，2016，32(3)：155-162.

Liu Ke, Zhou Qingbo, Wu Wenbin, et al. Comparison between multispectral and hyperspectral remote sensing for LAI estimation[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2016, 32(3): 155-162. (in Chinese with English abstract)

[8] 梁亮，杨敏华，张连蓬，等. 基于SVR算法的小麦冠层叶绿素含量高光谱反演[J]. 农业工程学报，2012，28(20)：162-171.

Liang Liang, Yang Minhua, Zhang Lianpeng, et al. Chlorophyll content inversion with hyperspectral technology for wheat canopy based on support vector regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(20): 162-171. (in Chinese with English abstract)

[9] 张明政，苏伟，王瑞燕. 基于地基激光雷达与Landsat8影像的玉米LAI反演[J]. 中国激光，2015，42(11)：240-246.

Zhang Mingzheng, Su Wei, Wang Ruiyan. Inversion of corn leaf area index using terrestrial laser scanning data and Landsat8 image[J]. Chinese Journal of Lasers, 2015, 42(11): 240-246. (in Chinese with English abstract)

[10] 苏伟，侯宁，李琪，等. 基于Sentinel-2遥感影像的玉米冠层叶面积指数反演[J]. 农业机械学报，2018，49(1)：151-156.

Su Wei, Hou Ning, Li Qi, et al. Retrieving leaf area index of corn canopy based on Sentinel-2 remote sensing image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018，49(1)：151-156. (in Chinese with English abstract)

[11] Huang Jianxi, Tian Liyan, Liang Shunlin, et al. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model[J]. Agricultural & Forest Meteorology, 2015, 204: 106-121.

[12] Huang Jianxi, Ma Hongyuan, Su Wei, et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2015, 8(8): 4060-4071.

[13] 邵田田. 玉米叶绿素和LAI的高光谱遥感模型研究[D]. 吉林：中国科学院研究生院（东北地理与农业生态研究所），2012.

[14] 谭昌伟，王纪华，赵春江，等. 利用Landsat TM遥感数据监测冬小麦开花期主要长势参数[J]. 农业工程学报，2011，27(5)：224-230.

Tan Chanwei, Wang Jihua, Zhao Chunjiang, et al. Monitoring wheat main growth parameters at anthesis stage by Landsat TM[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2011, 27(5): 224-230. (in Chinese with English abstract)

[15] 李粉玲，王力，刘京，等. 基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算[J]. 农业机械学报，2015，46(9)：273-281.

Li Fenling, Wang Li, Liu Jing, et al. Remote sensing estimation of SPAD value for wheat leaf based on GF-1 data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9): 273-281. (in Chinese with English abstract)

[16] 苏伟，赵晓凤，孙中平，等. 基于Sentinel-2A影像的玉米冠层叶绿素含量估算[J]. 光谱学与光谱分析，2019，39(5)：213-220.

Su Wei, Zhao Xiaofeng, Sun Zhongping, et al. Estimating the corn canopy chlorophyll content using the Sentinel-2A image[J]. Spectroscopy and Spectral Analysis, 2019, 39(5): 213-220. (in Chinese with English abstract)

[17] Wang Lijun, Dong Taifeng, Zhang Guiming, et al. LAI retrieval using PROSAIL model and optimal angle combination of multi-angular data in wheat[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2013,6(3):1730-1736.

[18] 苏伟，郭皓，赵冬玲，等. 基于优化PROSAIL叶倾角分布函数的玉米LAI反演方法[J]. 农业机械学报，2016，47(3)：234-241.

Su Wei, Guo Hao, Zhao Dongling, et al. Leaf area index retrivel for maize canopy using optimized leaf angle distribution function of PROSAIL model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 234-241. (in Chinese with English abstract)

[19] 谷成燕，杜华强，周国模，等. 基于PROSAIL辐射传输模型的毛竹林叶面积指数遥感反演[J]. 应用生态学报，2013，24(8)：2248-2256.

Gu Chengyan, Du Huaqiang, Zhou Guomo, et al. Retrieval of leaf area index of moso bamboo forest with landsat thematic mapper image based on PROSAIL canopy radiative transfer model[J]. Chinese Journal of Applied Ecology, 2013, 24(8): 2248-2256. (in Chinese with English abstract)

[20] 李淑敏，李红，孙丹峰，等. PROSAIL冠层光谱模型遥感反演区域叶面积指数[J]. 光谱学与光谱分析，2009，29(10)：2725-2729.

Li Shumin, Li Hong, Sun Danfeng, et al. Estimation of regional leaf area index by remote sensing inversion of PROSAIL canopy spectral model[J]. Spectroscopy and Spectral Analysis, 2009, 29(10): 2725-2729. (in Chinese with English abstract)

[21] 宋波，赵秋月. 无人机低空摄影测量技术获取高分辨率基础地形和遥感影像资料：以Pix4Dcapture、Pix4Dmapper软件和DJI Mavic Pro无人机为例[J]. 地理教学，2019(2)：51-53.

Song Bo, Zhao Qiuyue. UAV low-altitude photogrammetry technology to obtain high-resolution basic terrain and remote sensing image data-taking Pix4Dcapture, Pix4Dmapper software and DJI Mavic Pro drone as examples[J]. Geography Teaching, 2019(2): 51-53. (in Chinese with English abstract)

[22] Daughtry C S T, Walthall C L, Kim M S, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment, 2000, 74(2): 229-239.

[23] Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the great plains with ERTS[J]. Nasa Special Publication, 1974, 351: 309.

[24] Haboudane D, Miller J R, Tremblay N, et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environment, 2002, 81(2): 416-426.

[25] Juh E, Long D S, Gessler P E, et al. Combined spectral index to improve ground-based estimates of nitrogen status in dryland wheat[J]. Agronomy Journal, 2008, 100(6): 1694-1702.

[26] Eraymondjr H, Cst D, Januh E, et al. Remote sensing leaf chlorophyll content using a visible band index[J]. Agronomy Journal, 2011, 103(4): 1090-1099

[27] Hunt Jr E R, Doraiswamy P C, McMurtrey J E, et al. A visible band index for remote sensing leaf chlorophyll content at the;canopy scale[J]. International Journal of Applied Earth Observations and Geoinformation, 2013, 21(1): 103-112.

[28] Gitelson A A, Viña A, Ciganda V, et al. Remote estimation of canopy chlorophyll content in crops[J]. Geophysical Research Letters, 2005, 32(8): 93-114.

[29] Nigon T J, Mulla D J, Rosen C J, et al. Evaluation of the nitrogen sufficiency index for use with high resolution, broadband aerial imagery in a commercial potato field[J]. Precision Agriculture, 2014, 15(2): 202-226.

[30] Nguy-Robertson A, Gitelson A, Peng Y, et al. Green leaf area index estimation in maize and soybean: Combining vegetation indices to achieve maximal sensitivity[J]. Agronomy Journal, 2012, 104(5): 1336-1347.

[31] Nguy-Robertson A L, Peng Y, Gitelson A A, et al. Estimating green LAI in four crops: Potential of determining optimal spectral bands for a universal algorithm[J]. Agricultural & Forest Meteorology, 2014, 192/193: 140-148.

[32] 方灿莹，王琳，徐涵秋. 不同植被红边指数在城市草地健康判别中的对比研究[J]. 地球信息科学学报, 2017，19(10)：1382-1392.

Fang Canying, Wang Lin, Xu Hanqiu. A comparative study of different red edge indices for remote sensing detection of urban grassland health status[J]. Journal of Geo-Information Science, 2017, 19(10): 1382-1392. (in Chinese with English abstract)

[33] Delegido J, Verrelst J, Alonso L, et al. Evaluation of Sentinel-2 red-edge bands for empirical estimation of green LAI and chlorophyll content[J]. Sensors, 2011, 11(7): 7063-7081.

[34] 周永宏，郑大伟. 相关系数检验表的新算法[J]. 中国科学院上海天文台年刊，1997，18：18-23.

Zhou Yonghong, Zheng Dawei. A new calculation method of correlation coefficient test table[J]. Annual of Shanghai Astronomical Observatory, Chinese Academy of Sciences, 1997, 18: 18-23. (in Chinese with English abstract)

[35] Tang Yanlin, Wang Xiuzhen, Wang Renchao. Study on the hyperspectral and their red edge characteristics of corn[J]. Journal of Mountain Agriculture and Biology, 2003, 22(3): 189-194.

[36] Madec S, Baret F, Solan B D, et al. High-throughput phenotyping of plant height: Comparing unmanned aerial vehicles and ground LiDAR estimates[J]. Frontiers in Plant Science, 2017, (8): 2002-2016.

Determining the retrieving parameters of corn canopy LAI and chlorophyll content computed using UAV image

Su Wei1,2, Wang Wei1,2, Liu Zhe1,2, Zhang Mingzheng1,2, Bian Dahong3, Cui Yanhong3, Huang Jianxi1,2

(1. College of Land Science and Technology, China Agricultural University, Beijing 100083, China;2. Key Laboratory of Remote Sensing for Agri-Hazards, Ministry of Agriculture, Beijing 100083, China;3.College of Agriculture, Hebei Agricultural University, Baoding 071001, China)

The small low-altitude unmanned aerial vehicle (UAV) is flexible and easy to operate, which can be used to acquire high spatial resolution images with centimeter level. It is an important technical way for phenotyping the breeding corn. In order to determine the retrieving parameters of the corn canopy leaf area index (LAI) and chlorophyll content computed by UAV images, the DJI S1000+ UAV platform with the French Parrot Sequoia camera was used to obtain multispectral images in Yacheng corn breeding base, Sanya City, Hainan Province in this study. Six different kinds of vegetation indices were used in computing the corn canopy LAI and chlorophyll content , each vegetation index was obtained from images with 10 spatial resolutions ranging from 0.1 to 1 m. The vegetation indices used in this study were the normalized difference vegetation index (NDVI), grassland chlorophyll index (GCI), ratio vegetation index (RVI), normalized difference rededge-red index (NDIrer), normalized difference rededge-green index (NDIreg) and renormalized difference vegetation index (RDVI). The correlation analysis between different vegetation indices from different resolutions images and in-situ measured LAI was done to select the optimal spatial resolution and optimal vegetation index for computing corn canopy LAI, and in similar for chlorophyll content. The study results revealed that the NDVI from image with 0.6 m spatial resolution was the optimal selection for LAI computing, where the correlation coefficient2between NDVI and the in-situ measured LAI was 0.80 with a2of 0.73 for verification. And the highest correlation coefficient2between NDIreg from image with 0.1m spatial resolution and in-situ measured chlorophyll content is 0.70, with a2of 0.63 for verification. The conclusions of this study were as followed: 1) The selection of vegetation index: ① For the corn canopy LAI computing, the vegetation indices without green band were higher than that with green band, which revealed that the green band was not sensitive to LAI; ② For corn canopy chlorophyll content computing, the vegetation indices including the red edge band were higher than that without red edge band, which revealed that the red edge band was very sensitive to chlorophyll content. 2) The spatial resolution selection for UAV image: the optimal resolution for LAI computing was 0.6 m when the correlation coefficient between NDVI and measured LAI reached the maximum; the optimal resolution for canopy chlorophyll content computing was 0.1-0.3 m when the correlation coefficient between NDIreg and in-situ measured chlorophyll content reached the maximum. This study can be used to give the reference for spatial resolution selection and vegetation index selection for corn canopy LAI and chlorophyll content computing by UAV image.

crops; unmanned aerial vehicle; models; vegetation index; LAI; chlorophyll content; resolution; red edge band

苏 伟，王 伟，刘 哲，等.无人机影像反演玉米冠层LAI和叶绿素含量的参数确定[J]. 农业工程学报，2020，36(19)：58-65.doi：10.11975/j.issn.1002-6819.2020.19.007 http://www.tcsae.org

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) doi：10.11975/j.issn.1002-6819.2020.19.007 http://www.tcsae.org

2018-12-20

2020-09-11

国家自然科学基金（41671433，41371434）；国家重点研发计划（2017YFD0300903）

苏伟，副教授，博士生导师，主要从事农业遥感应用研究。Email：suwei@cau.edu.cn

10.11975/j.issn.1002-6819.2020.19.007

TP79

A

1002-6819(2020)-19-0058-08