利用无人机多光谱估算小麦叶面积指数和叶绿素含量

刘 涛，张 寰，王志业，贺 超，张全国，焦有宙

利用无人机多光谱估算小麦叶面积指数和叶绿素含量

刘 涛1,2，张 寰1，王志业2，贺 超1，张全国1，焦有宙1※

（1. 河南农业大学机电工程学院，郑州 450002；2. 河南财经政法大学资源与环境学院，郑州 450002）

利用无人机遥感的方式进行农作物长势监测是目前精准农业、智慧农业发展的重要方向，为了探究无人机多光谱反演小麦叶面积指数（Leaf Area Index，LAI）和叶绿素含量的模型估算潜力，该研究在3个飞行高度（30、60、120 m）采集多光谱影像，通过使用全波段差值光谱指数（Difference Spectral Index，DSI）、比值光谱指数（Ratio Spectral Index，RSI）、归一化光谱指数（Normalized Spectral Index，NDSI）和经验植被指数与地面实测数据进行相关性分析，获得不同高度下的光谱指数与LAI和叶绿素含量的关系模型及其决定系数，以决定系数为依据分别构建多元逐步回归、偏最小二乘回归和人工神经网络模型，分析不同飞行高度无人机多光谱反演小麦冠层LAI和叶绿素含量SPAD（Soil and Plant Analyzer Development）值的精度。结果表明：1）30 m高度下，绿-红比值光谱指数与小麦LAI的相关性最高，相关系数为0.84；60 m高度下，红-蓝比值光谱指数与小麦叶绿素含量的相关性最高，相关系数为0.68；2）在60 m高度下，经验植被指数与小麦LAI和叶绿素含量的相关性较好, 最大相关系数分别为0.77和0.50；3）利用偏最小二乘回归反演小麦LAI的精度最高，决定系数为0.732，均方根误差为0.055；利用人工神经网络模型反演小麦叶绿素含量的精度最高，决定系数为0.804，均方根误差0.135。该研究成果可为基于无人机平台的高通量作物监测提供理论依据，并为筛选无人机多光谱波段实现作物长势参数快速估测提供应用参考。

无人机；多光谱；光谱指数；小麦；叶面积指数；叶绿素含量

0 引 言

近年来，无人机（Unmanned Aerial Vehicle, UAV）技术的发展大大推动了作物植被、水、土壤等农林生态环境要素信息的及时快速获取和长时序动态监测。相比于卫星遥感、航空遥感的数据获取方式，无人机具有机动灵活、便捷性强、数据采集成本低、影像分辨率高等优点，无人机遥感影像正逐步成为智慧农林业发展的主要数据来源。通过在无人机上搭载的高光谱相机可获取更丰富的多维度影像数据，能够实现定量反演植株数量[1-2]、株高[3-4]、倒伏率[5-6]等作物表型信息及叶面积指数[7-9]、叶绿素[10-13]、氮元素含量[14-15]、病虫害[16-19]等理化参量信息，相比于RGB三波段的影像数据具有更高的反演精度。然而，高光谱成像仪的设备价格高，体积和质量大，数据获取操作流程复杂，数据质量易受到环境影响等因素制约其普及化应用。相比于高光谱影像，无人机多光谱影像可看作是筛选、提取特征波段后的高光谱数据，理论上具有与高光谱影像等效的定量反演能力。此外，采集无人机多光谱影像具有成本低、飞控流程简单等优点。因此，研究基于无人机多光谱的农作物长势参量获取与精准反演具有重要的理论意义和应用价值。

叶面积指数（Leaf Area Index，LAI）和叶绿素含量是体现作物长势状况的重要特征参量，其中LAI主要表征作物的冠层结构，其值大小与生物量、作物产量有密切关系，是反映作物群体生长状况的重要指标；叶绿素含量与作物叶片的光合能力有关，是作物与外界环境进行物质和能量交换的基础，其值大小能够体现作物的生长状态和健康程度。目前，已有大量研究开展了基于无人机多光谱的作物植被LAI及叶绿素含量反演的工作。例如，杭艳红等[7]利用大疆M600Pro六旋翼无人机搭载美国MicaSense RedEdgeTM 3专业多光谱相机，针对水稻LAI进行估算，提出结合植被指数、纹理特征、作物覆盖度等多特征的水稻LAI估算模型具有较好的精度。孙诗睿[9]等充分利用多光谱传感器中的红边通道对植被指数进行改进，使用灰色关联分析方法筛选植被指数，发现基于随机森林的冬小麦LAI反演模型精度较高。周敏姑等[12]基于团队研发的六旋翼无人机搭载美国MicaSense RedEdge-M专业多光谱相机对不同时期的冬小麦叶绿素含量SPAD（Soil and Plant Analyzer Development）值进行了反演预测，阐明小麦在不同时期的冠层反射率与SPAD的相关程度不同，基于逐步回归法构建小麦抽穗期预测模型效果较优。毛智慧等[13]将两种小型多光谱传感器（MAC和Sequoia）搭载到六旋翼无人机，在获取大田玉米花期的多光谱影像数据基础上，开展了不同波段反射率对叶绿素含量（SPAD值）的敏感性，利用光谱指数预测SPAD值精度及稳定性等方面的研究，结果表明：无人机多光谱遥感技术预测大田玉米的SPAD值精度较高，但不同的多光谱传感器表现出较大的性能差异。

大多数已有研究没有考虑到无人机飞行高度对作物LAI、叶绿素含量等长势参量反演精度的影响。基于卫星影像的作物参量反演结果表明，并不是影像分辨率越高，越有利于植被参量的反演精度提升[20-21]。区域种植面积、特征波段、作物尺度大小等因素都会对反演精度产生影响。苏伟等[22]考虑到玉米冠层LAI和叶绿素含量反演的尺度效应，使用重采样的方法对原始影像处理得到不同分辨率下的无人机影像数据，通过将不同分辨率影像提取的植被指数与地面实测数据建立回归模型，得到了用于反演玉米冠层LAI和叶绿素的最优空间分辨率和植被指数。然而，这种基于图像重采样方法模拟出的不同分辨率影像数据，容易受到原始数据质量不高、降采样高斯权重随机参数等方面的影响。利用重采样模拟得到多分辨率影像并不能完全等同于无人机在多个飞行高度下采集到的真实影像。因此，采集多个飞行高度下的无人机影像数据，研究不同飞行高度对作物长势参量反演精度的影响是非常必要的。

本论文以河南地区小麦为研究对象，在获取3个飞行高度无人机多光谱影像和地面实测数据的基础上，分别计算差值光谱指数、比值光谱指数、归一化光谱指数和经验植被指数，研究光谱指数与小麦LAI、叶绿素含量（SPAD值）之间的相关关系及其估测精度，旨在探明不同飞行高度对小麦LAI和SPAD值估测中的影响，为后续开展便捷、快速的冬小麦长势监测技术提供科学参考。

1 数据和方法

1.1 无人机影像获取

冬小麦试验田布置在河南省原阳县河南农业大学试验基地（113°56′ E， 35°6′ N），如图1所示，该基地位于华北平原南端的豫北平原，属暖温带大陆性季风气候，光热充足，年平均日照时间1 925.1 h，年平均降水量615.1 mm，土壤肥沃，地形平坦，以种植冬小麦和夏玉米为主，当年10月份进行冬小麦播种，次年6月初收获。本试验区域东西长139 m，南北长105.7 m，航向由东向西，种植不同品种类别冬小麦，主要用于表型到基因的小麦育种筛选。

无人机遥感影像获取时间为2020年12月26日，采用大疆精灵4多光谱版一体化无人机（Phantom4-M，P4M）获取小麦冠层多光谱影像数据。该设备集成1个可见光传感器通道和5个多光谱传感器通道（蓝光、绿光、红光、红边和近红外），每次拍摄可获得6张影像且每张影像具有200万以上像素分辨率，最高飞行速度14 m/s，最大续航时间27 min，搭配有TimeSync时间同步系统，可获得厘米级定位精度，此外P4M顶部集成光强传感器，可捕捉太阳辐照度数据用于影像的光照补偿，排除环境光对数据的干扰，提高不同时段采集数据的准确度与一致性。试验利用DJI Terra软件进行无人机航线规划，分别设置3个飞行高度：30、60和120 m，航向和旁向重叠率均为80%，3个高度下采集影像数分别为2 124、552和258张，影像分辨率分别为1.6、3.2和6.4 cm/像素。使用Pix4D mapper软件进行影像拼接，可获得不同飞行高度下的RGB和单波段正射影像。将5个波段的多光谱正射影像导入ENVI软件进行波段合成，使用快速辐射校正工具将像素DN值转换为反射率。

1.2 地面实测数据获取

无人机获取影像的同时，在研究区域内选择均匀分布的84个采样点，分别测量小麦冠层叶片的叶绿素含量和叶面积指数。叶绿素的测量使用SPAD-502Puls 叶绿素仪（日本，柯尼卡美能达）；叶面积指数LAI获取使用直接测量法，根据其定义，制作10 cm×10 cm大小的单位框，测量框内叶片的总面积除以框面积即为LAI值。利用千寻位置（www.qxwz.com）提供的厘米级差分定位服务，记录RTK移动站获取的采样点编号和位置信息。对于每个采样点选择一株代表性的冬小麦，首先记录该采样点的绝对位置信息；其次，使用SPAD叶绿素仪测量冠层叶片的相对叶绿素含量，每片叶进行3～5次观测，取其平均值作为最终的测量结果；再次，对每片叶拓印其外部轮廓到A4白纸，利用台式扫描仪和fiji-win64图像处理软件计算得到LAI值。

1.3　光谱指数构建与选择

植被光谱指数是指根据植被的光谱吸收特性，将遥感影像不同波段反射率之间进行线性或非线性组合形成的无量纲指标参数，能够体现植被在可见光、近红外波段反射与土壤背景之间差异[1]，是对地表植被状况简单、有效的经验度量。由于小麦叶绿素（SPAD值）、LAI等长势参数信息提取存在尺度效应[20-22]，本试验分别在3个飞行高度采集多光谱影像数据，探究不同影像分辨率对植被参量反演精度的影响。针对每个飞行高度获取的5个波段的多光谱正射影像数据，如参考文献[19]，分别计算任意两波段间的差值光谱指数（Difference Spectral Index，DSI）、比值光谱指数（Ratio Spectral Index，RSI）和归一化光谱指数（Normalized Spectral Index，NDSI），计算过程如公式（1）～（3）所示：

式中R、R分别表示蓝、绿、红、红边和近红外波段中的任意两不同波段。此外，已有参考文献指出，植被的LAI、叶绿素含量与EVI[23]、OSAVI[24]、GCI[22]、MTVI2[25]、CIRE[26]等光谱指数密切相关。因此，本文研究还选取5种经验植被光谱指数构建模型，具体计算公式如表1所示。

表1 经验植被光谱指数及计算公式

注：表中B、G、R、RE、NIR分别表示蓝、绿、红、红边、近红外波段光谱反射率。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 模型构建与精度检验

本研究基于计算得到的3类光谱指数（差值、比值和归一化）和选择的5种经验光谱指数，分析光谱指数与LAI、叶绿素的相关性，依据决定系数（coefficient of determination，2）和均方根误差（Root Mean Square Error，RMSE）筛选出最优的光谱指数，分别使用多元线性逐步回归模型（Multiple Linear Stepwise Regression，MLSR）、偏最小二乘回归模型（Partial Least Squares Regression，PLSR）和BP神经网络模型（Back Propagation neural network，BP）对LAI和叶绿素含量进行估算。其中，多元线性逐步回归具有较为合理的自变量筛选机制，能够消除本研究中较多的微小变量对结果的影响；偏最小二乘回归集成了主成分分析、线性相关分析和线性回归的优点，通过循环迭代可以保留多个光谱指数自变量之间最大的变异；人工神经网络算法具有强大的非线性拟合能力，通过更新网络权重参数，可以构建从光谱指数到植被参量的非线性预测结果。本文使用包含1个输入层、10个隐藏层、1个输出层，学习率为0.01的人工神经网络结构估算小麦LAI和叶绿素含量。

2 结果与分析

2.1 LAI与叶绿素含量的相关性分析

已有研究表明植被LAI、叶绿素含量两个指标可用来判断作物的综合长势和健康状况，二者在数值上具有一定的相关性。为了表明本文基于无人机多光谱的小麦LAI和叶绿素含量SPAD值估算有效性和预测精度的差异性，首先需要进行实地采样点LAI值和SPAD值的相关性分析，试验结果如图2所示。可以看出，小麦植株的叶面积指数与叶绿素含量存在明显的非线性关系，当小麦冠层叶面积指数较小时，随着叶面积指数的增加，叶绿素含量也随之增加；当叶面积指数增加到一定数值后，叶绿素含量不会产生太大变化。利用非线性拟合的方式构建回归模型，模型的判定系数为0.58，表明这叶面积指数和叶绿素含量这两种长势参量之间存在复杂的关系，不能简单地通过测量一个指标参数去估算另一个指标参数。

2.2 光谱指数与LAI的相关性分析

利用建模数据集中实测的LAI值分别与3个飞行高度下的差值光谱指数、比值光谱指数、归一化光谱指数进行相关性分析，计算结果如表2所示。可以看出，飞行高度对光谱指数与LAI的相关性有显著影响，30 m飞行高度下，比值指数RSI2,3与LAI的相关性最强，相关系数达到0.84；60 m飞行高度下，比值指数RSI4,3与LAI的相关系数最高为0.77；120 m飞行高度下，比值指数RSI4,3与LAI的相关系数最高为0.66。原因在于飞行高度直接决定影像的分辨率，越高的影像分辨率越有利于识别小麦冠层叶片数量及大小，进而有助于总体LAI反演。相比于其他两类光谱指数，比值光谱指数与小麦LAI具有最好的相关性和稳定性，红-绿、红-红边和红-近红外等波段组合的比值光谱指数均能很好地反映小麦冠层LAI的变化。

对经验植被指数EVI、OSAVI、GCI、MTVI2、CIRE与不同高度下实测的LAI进行相关性分析，结果如表3所示。可以看出，在不同分辨率下提取到的植被指数与LAI的相关程度不同，并不是影像分辨率越高，相关性越强；植被指数EVI、OSAVI、GCI、MTVI2在飞行高度60 m时与LAI的相关程度最高，相关系数分别为0.75、0.73、0.77、0.77。原因是这些经验植被指数主要体现冠层特征的群体参量，当飞行高度为30 m时，影像的分辨率约为1.6 cm/像素，可能导致采样点像素聚集在同一个叶片，进而不能体现整体叶面积与空隙的相对比率大小；当飞行高度为120 m时，影像分辨率下降约为6.4 cm/像素，采样区域内存在的裸土容易造成混合像元现象，导致植被指数反演准确性降低。植被指数CIRE在3个高度下均与实测LAI值不显著相关，相关系数小于0.3，原因可能是参照以往经验定义的CIRE主要用于反演植被的叶绿素含量[26]，与LAI的相关度不高。

表2 光谱指数与LAI相关性筛选结果

注：表中下标1、2、3、4、5分别表示蓝、绿、红、红边、近红外波段。DSI为差值光谱指数；RSI为比值光谱指数；NDSI为归一化光谱指数。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 光谱指数与叶绿素含量的相关性分析

利用建模数据集中野外的实测叶绿素含量SPAD值，分别与3个飞行高度下的提取到的差值光谱指数、比值光谱指数、归一化光谱指数进行统计分析，分析冠层叶绿素含量与各光谱指数的相关性，试验结果如表4所示。可以看出：不同飞行高度下，比值光谱指数RSI3,1与叶绿素SPAD的相关程度均为最优，30、60 m飞行高度下的相关程度接近，60 m高度下的相关系数最高，相关系数为0.68；120 m飞行高度下，光谱指数与小麦冠层SPAD的相关程度显著降低，原因可能是叶绿素含量受像元纯净度、混合像元的影响。与叶绿素显著相关波段主要集中在红-蓝、红-绿，红边、近红外波段组合与实测叶绿素含量的相关性低于0.3，进一步说明冬小麦越冬期的叶绿素含量对红光、绿光、蓝光等波段敏感。

表4 光谱指数和SPAD相关性筛选结果

对经验植被指数EVI、OSAVI、GCI、MTVI2、CIRE与不同高度下实测的小麦冠层SPAD进行相关性分析，结果如表5所示。可以看出，经验植被指数EVI、OSAVI、GCI、MTVI2与SPAD的相关程度在3个高度下表现出明显不同，飞行高度为60 m条件下，相关程度最高，但最大相关系数仅为0.50，说明经验光谱指数在不同遥感数据上的反演结果会产生较大差异，利用此无人机获取的多光谱影像并不能体现出此5种经验光谱指数对小麦叶绿素含量的线性相关程度。

表5 经验光谱指数和SAPD相关性分析

2.4 模型估算与评价

本文根据相关系数值的大小，将优选后的光谱指数分别构建预测LAI和叶绿素SPAD值的多元线性回归模型、偏最小二乘回归模型和人工神经网络模型。由于原始数据量较少、单位不统一，需要对数据进行预处理，主要包括归一化LAI和SPAD值相对大小、对数据进行随机划分增加样本量等。

利用多元线性回归模型估算小麦LAI和叶绿素SPAD值的结果如表6所示，可以看出，在30 m飞行高度下MLSR预测LAI的精度最高（2=0.701，RMSE=0.054）；在60 m飞行高度下，MLSR预测SPAD的精度最高（2=0.690，RMSE=0.133）。表明多元线性回归模型适合在更高分辨率的多光谱影像上进行LAI的反演制图，对于叶绿素的反演制图，并不是越高的分辨率效果越好。多元线性回归模型在验证集上的性能如图3所示，可以看出MLSR在30 m高度下预测小麦LAI和60 m高度下预测SPAD的结果均较好，验证集的散点空间分布接近1:1线。

利用偏最小二乘回归方法估算小麦LAI和叶绿素的结果如表7所示，可以看出，在30 m飞行高度下，利用PLSR模型对LAI和SPAD的拟合精度均为最高，并且高于MLSR模型，决定系数分别为0.732和0.710；60 m飞行高度下，PLSR模型的预测LAI的精度与MLSR模型的精度相当，决定系数均为0.638，PLSR模型的预测SAPD的精度略低于MLSR模型；120 m飞行高度下，PLSR模型预测LAI的精度低于MLSR模型，PLSR模型的预测SAPD的精度略高于MLSR模型。这表明在较高相关性（>0.6）光谱指数条件下，利用主成分建模可以提升模型精度，低相关性水平下（<0.5）利用变量的主成分建模会降低模型精度。利用最优PLSR模型在验证集上预测小麦LAI和SPAD的结果如图3所示，可以看出验证集的散点空间分布接近1:1线。

本文使用BP神经网络模型对3个高度下光谱反射率和实测数据进行建模，并进行试验验证。首先将训练集中5个波段的原始光谱反射率作为神经元输入，构建小麦LAI值和SPAD值的估算模型；利用测试集中的实测数据与模型估算数据进行比较，结果如图3所示。通过对比MLSR、PLSR模型的结果可以看出，利用BP神经网络预测小麦LAI的精度最低（2为0.571），预测小麦SPAD的精度（2为0.804）高于MLSR、PLSR模型。进一步表明，相比线性回归模型，BP神经网络等非线性模型更有利于揭示植被叶绿素等生理生化复杂内在参量的变化规律。

表6 多元线性逐步回归估算LAI和SPAD

表7 偏最小二乘回归估算LAI和SPAD

2.5 LAI和叶绿素含量反演制图

根据前文的分析结果，小麦冠层LAI的最优预测结果是在高度30 m条件下，利用偏最小二乘回归模型取得的拟合精度和预测最好；小麦叶绿素含量SPAD值的最优预测结果是在高度60 m条件下，利用BP神经网络模型取得预测精度最高。因此分别利用两种最优模型进行小麦冠层LAI和叶绿素含量反演制图，如图4所示。可以看出，不同品种小麦在相同生长环境下表现出的冠层叶面积指数、叶绿素含量差异较大，实验区域内最小叶面积指数为0.2，最大叶面积指数为1.0；叶绿素含量SPAD值最小为5，最大为50。本文试验结果可为小麦育种表型参数高通量快速获取提供数据参考。

3 结 论

1）根据无人机在不同飞行高度下构建的光谱指数、经验植被指数与小麦冠层LAI和叶绿素含量的统计关系可知：小麦冠层LAI与比值指数RSI2,3（绿波段/红波段）相关性较大，与EVI、OSAVI、GCI、MTVI2等经验植被指数相关性大于0.7，对于含有蓝波段的光谱指数相关性较低，表明此时期的小麦冠层LAI对蓝波段不敏感；小麦冠层叶绿素含量与蓝、绿、红3个波段的比值、差值光谱指数相关性较高，与红边、近红外波段的光谱指数相关性较低，可以表明小麦叶绿素含量对红边、近红外波段不敏感；

2）飞行高度在30、60和120 m条件下，利用3种模型对小麦冠层LAI和叶绿素含量SPAD的预测和反演精度有较大差别：LAI的最优预测结果是在高度30 m条件下，利用偏最小二乘回归模型取得；SPAD的最优预测结果是在高度60 m条件下，利用BP神经网络模型取得。

[1] 赵必权，丁幼春，蔡晓斌，等. 基于低空无人机遥感技术的油菜机械直播苗期株数识别[J]. 农业工程学报，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] 刘帅兵，杨贵军，周成全，等. 基于无人机遥感影像的玉米苗期株数信息提取[J]. 农业工程学报，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，李家国，陈瀚阅，等. 无人机遥感影像林地单株立木信息提取[J]. 遥感学报，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，徐良骥，冯海宽，等. 基于无人机数码影像的冬小麦株高和生物量估算[J]. 农业工程学报，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，陈仲新，王利民，等. 基于小型无人机遥感的玉米倒伏面积提取[J].农业工程学报，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] 刘占宇，王大成，李波，等. 基于可见光/近红外光谱技术的倒伏水稻识别研究[J]. 红外与毫米波学报，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] 杭艳红，苏欢，于滋洋，等. 结合无人机光谱、纹理特征和覆盖度的水稻叶面积指数估算[J]. 农业工程学报，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] 宋开山，张柏，王宗明，等. 基于人工神经网络的大豆叶面积高光谱反演研究[J]. 中国农业科学，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] 孙诗睿，赵艳玲，王亚娟，等. 基于无人机多光谱遥感的冬小麦叶面积指数反演[J]. 中国农业大学学报，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，冯海宽，杨贵军，等. 基于无人机成像高光谱影像的冬小麦LAI估测[J]. 农业机械学报，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，赵庚星，王瑞燕，等. 苹果叶片的高光谱特征及其色素含量监测[J]. 中国农业科学，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，邵国敏，张立元，等. 无人机多光谱遥感反演冬小麦SPAD值[J]. 农业工程学报，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，邓磊，孙杰，等. 无人机多光谱遥感在玉米冠层叶绿素预测中的应用研究[J]. 光谱学与光谱分析，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] 秦占飞，常庆瑞，谢宝妮，等. 基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测[J]. 农业工程学报，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] 刘帅兵，杨贵军，景海涛，等. 基于无人机数码影像的冬小麦氮含量反演[J]. 农业工程学报，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] 谢亚平，陈丰农，张竞成，等. 基于高光谱技术的农作物常见病害监测研究[J]. 光谱学与光谱分析，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] 赵晋陵，金玉，叶回春，等. 基于无人机多光谱影像的槟榔黄化病遥感监测[J]. 农业工程学报，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] 孙钰，周焱，袁明帅，等. 基于深度学习的森林虫害无人机实时监测方法[J]. 农业工程学报，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. 定量遥感尺度效应刍议[J]. 地理学报，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] 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.

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, Viña 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

刘涛，张寰，王志业，等. 利用无人机多光谱估算小麦叶面积指数和叶绿素含量[J]. 农业工程学报，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

国家自然科学基金（41801376；52106240）；中国博士后科学基金（2020M682293）

刘涛，副教授，博士后，主要研究方向为农业环境遥感监测，定位导航与位置服务等。Email：liutao@huel.edu.cn

焦有宙，教授，博士生导师，研究方向为可再生能源转化技术、废弃物资源化利用技术。Email：jiaoyouzhou@126.com

10.11975/j.issn.1002-6819.2021.19.008

TP79

A

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