农业机械学报第51卷第12期2020年12月
doi：10.6041/j.issn.1000-1298.2020.12.021
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1徐良骥2冯海宽1,3杨贵军1,4代阳2牛亚超2
（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）
摘要：为了快速、准确地估算叶面积指数（LAI），通过无人机搭载成像高光谱相机，获取了冬小麦3个生育期的影像数据，从中提取岀株高（Hcsm）。首先，分析了植被指数、Hcsm与LAI的相关性，挑选岀最优植被指数；然后，分别构建了单个参数的LAI线性估算模型；最后，以植被指数、植被指数结合Hcsm为模型输入因子，采用偏最小二乘回归方法构建LAI估算模型。结果表明：通过无人机高光谱遥感
影像提取的Hcsm精度较高（R2=0.95）；在不同生育期，大部分植被指数和Hcsm均与LAI呈0.01显著相关水平；基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度；以植被指数、植被指数结合Hcsm为输入变量，通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高，并且以植被指数结合Hcsm为自变量估算LAI的能力更佳（建模R2=0.73,RMSE为0.64）。本研究方法可以提高LAI估算精度，为农业管理者提供参考。
关键词：冬小麦；叶面积指数；株高；高光谱；植被指数；偏最小二乘
中图分类号：S512.1+1；S127文献标识码：A文章编号：1000-1298（2020）12_0193_09
Estimation of Plant Height and Leaf Area Index of Winter Wheat
Based on UAV Hyperspectral Remote Sensing
TAO Huilin1XU Liangji2FENG Haikuan1'3YANG Guijun1'4DAI Yang2NIU Yachao2
(1.Key Laboratory of Quantitative Remote Sensing in Agriculture,Ministry of Agriculture and Rural Affairs,
Beijing Research Center for Information Technology in Agriculture,Beijing100097,China
2.School of Geodesy and Geomatics，Anhui University of Science and Technology，Huainan232001，China
3.National Engineering Research Center for Information Technology in Agriculture,Beijing100097,China
4.Beijing Engineering Research Center for Agriculture Internet of Things,Beijing100097,China)
Abstract:Leaf area index is an important indicator of crop growth evaluation，so it is crucial to estimate LAI quickly and accurately.The imaging data of the three growth stages of winter wheat was obtained through the imaging hyperspectrum carried by the UAV,and the plant height(Hcsm)was extracted from it.Firstly，the correlation between vegetation indices，Hcsm and LAI was analyzed，and the optimal vegetation index was selected；then the LAI linear estimation model of a single parameter was constructed separately；finally，taking the vegetation indices and vegetation indices
combined with Hcsm as the model input factor，the partial least squares regression method was used to construct LAI estimation model.The results showed that the height of the plant height Hcsm extracted from the UAV hyperspectral remote sensing image was highly accurate(R=0.95);the correlation between most vegetation indices and Hcsm at different growth stages and LAI was at0.01significant level；the accuracy of estimating the LAI based on the optimal vegetation index combined with Hcsm was better than that based on the optimal vegetation index or Hcsm only；taking vegetation indices and vegetation indices combined with Hcsm as input variables，the LAI estimation model constructed by partial least square regression achieved the highest accuracy during flowering stage，so partial least squares regression can improve the estimation effect，and the ability to estimate the LAI with the vegetation indices combined with Hcsm as the 收稿日期：20200719修回日期：20200908
基金项目：广东省重点领域研发计划项目(2019B020214002)和国家自然科学基金项目(41601346、41871333)
作者简介：陶惠林(1994—)，男，助理研究员，主要从事农业定量遥感研究，E-"ail：157****5505@163•co"
通信作者：冯海宽(1982—)，男，高级工程师，主要从事农业定量遥感研究，E-mail：**********************
194农业机械学报2020年
independent variable was better(modeling R2=0.73，RMSE was0.64).The research was based on the Hcsm extracted from the UAV hyperspectral remote sensing image combined with the vegetation indices, which can improve the accuracy of estimating LAI and provide a reference for agricultural managers.
Key words:winter wheat;leaf area index；plant height;hyperspectral;vegetation index；partial least squares regression
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U-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口-冋。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氏一⑷。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口0-2"］。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42mm，年平均温度约11.8益，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48m2，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（N1:0kg/hm2；N2:195kg/hm2；N3: 390kg/hm2；N4：585kg/hm2），水分设置了3种灌溉（W0：仅雨水;W1：灌溉量675m3/hm2；W2：灌溉量1012.5m3/hm2），详细的田间试验设计如图1所示。
116°4'56"E117°4'57"E
116°4'56"E117°4'57"E
预复1敢复2敢复3
ZM175J9843ZM175J9843ZM175J9843ZM175J9843ZM175J9843ZMI75J9843
图1田间试验设计
Fig.1Field trial design
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80m。试验无人机搭载的传感器为
第12期陶惠林等：基于无人机高光谱遥感的冬小麦株高和叶面积指数估算195
Cubert UHD185Firefly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470g；由于是高光谱，有较多的波段，波长范围450~950nm；光谱分辨率为8nm@532nm，空间分辨率为1.92cm；与地面高光谱不同，每个波段间隔4nm；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。需要先将影像像兀亮度(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[2句。
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CI203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LAIo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
米用偏最小二乘(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自[36-38]
息。
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,R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。
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
196农 业 机 械 学 报2020年
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 夕卜，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。
vegetation  indices , Hcsm  and  LAI
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
参数
拔节期挑旗期开花期
LCI 0. 695 **0. 736 **0. 776 **NPCI 0. 622 **0. 708 **0.716**
MCARI 0. 0640. 0130. 398 **TCARI
0. 2780. 367 **0. 123PBI 0.713**
0. 722 **0. 828 **BGI
0. 452 **0.613**
0. 687 **TVI 0. 2010. 508 **0.710**
OSAVI
0. 494 **0. 683 **0. 757 **NDVI 0. 654 **0. 696 **0. 721 **SR
0. 650 **0. 730 **0. 797 **Hcsm
0. 480 **
0. 564 **
0. 585 **
注：**表示0. 01水平显著相关。
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R ：的范围是 0. 55 ~ 0. 65, RMSE  的变化为 0. 62 ~ 0. 72，验证 R :
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R ：的变化范围为0.25 ~0. 26, RMSE 为0. 80 ~
1.43，验证R ：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R ：和RMSE 的范围分别为0.26~0. 30和1.43 ~
1.02，验证R ：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R ：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。
index , Hcsm  and  LAI  in  different  growth  stages
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
生育期
参数
建模
验证
R 2
RMSE
R 2
RMSE
拔节期
PBI 0. 550. 620. 620. 78Hcsm
0. 250. 800. 230. 88
挑旗期
LCI 0. 58  1. 070. 71  1.13Hcsm
0. 26  1. 43
0. 61  1. 23
开花期
PBI 0. 650. 720. 770. 58Hcsm
0. 30
1. 02
0. 39
0. 85
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R : 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 R ：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
第12期陶惠林 等: 基于无人机高光谱遥感的冬小麦株高和叶面积指数估算197
0 12 3 4 5 6
实测LAI (b) Hcsm.拔节期
<
_3
惡运
123456789
实测LAI
(d) Hcsm.挑旗期
实测LAI (e) PBL 开花期实测LAI
(f ) Iksm.开花期
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
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
生育期参数
建模
验证
R 2
RMSE
R 2
RMSE
拔节期PBI  + Hcsm
0. 570. 610. 630. 77挑旗期LCI  + Hcsm 0. 62  1. 03
0. 740. 91开花期
PBI  + Hcsm
0. 69
0. 67
0. 79
0. 54
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。
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R 2呈现上升趋势，验证
R 2和建模R 2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R 2 =0.70,RMSE 为
0. 67；验证R  =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R 均表现出一直增加，开花期的估 算效果最佳(建模R 2 =0. 73 , RMSE 为0.64；验证
R 2 =0.83, RMSE 为0. 49)。将植被指数结合Hcsm
6
4
32
•建模(PB1+Hc$m)
；'ihPBkll.-micari
•建模(LCUHcsm) O  验证(LCI+Hcwn)
5
62
3实测LA1 ⑹拔节期
6
3
•建模(PBl+Hcsm) O  验证(PBI+Hcsm)
5
6
实测LAI (c)开花期
123456789
0 1实测LAI (b)挑旗期
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

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。