賀 佳 王來(lái)剛* 郭 燕 張 彥 楊秀忠 劉 婷 張紅利

（1.河南省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所，鄭州 450002；2.農(nóng)作物種植監(jiān)測(cè)與預(yù)警河南省工程實(shí)驗(yàn)室，鄭州 450002）

1 引言

葉面積指數(shù)（Leaf area index，LAI）是表征作物冠層結(jié)構(gòu)及生長(zhǎng)信息的重要參數(shù)之一，了解LAI對(duì)掌握作物長(zhǎng)勢(shì)動(dòng)態(tài)、水肥調(diào)控、產(chǎn)量預(yù)測(cè)等生產(chǎn)管理具有重要意義[1]。玉米是我國(guó)主要的作物之一，快速準(zhǔn)確獲取其生長(zhǎng)信息，以便為田間施肥決策、估產(chǎn)等生產(chǎn)管理提供技術(shù)支撐[2]。傳統(tǒng)LAI 信息獲取方法僅能表示點(diǎn)位信息，而遙感技術(shù)憑借非侵入式、高通量的優(yōu)勢(shì)，能快速、無(wú)損、大尺度獲取作物生長(zhǎng)信息，已成為精準(zhǔn)農(nóng)業(yè)的重要內(nèi)容和研究熱點(diǎn)[3-5]。

目前，利用衛(wèi)星遙感技術(shù)對(duì)LAI的估算已經(jīng)取得了一些進(jìn)展。如科學(xué)家們通過(guò)TM、ETM、World View-3、Sentinel-2、GF-1/2 等衛(wèi)星遙感影像實(shí)現(xiàn)了區(qū)域尺度的小麥、水稻、玉米、棉花等作物L(fēng)AI估算[6-11]。但衛(wèi)星遙感影像容易受大氣云層、雨雪天氣、重訪(fǎng)周期等因素的影響，難以滿(mǎn)足特定區(qū)域尺度高頻次、高分辨率數(shù)據(jù)的需求[12-14]。而低空無(wú)人機(jī)（Unmanned aerial vehicle，UAV）則能根據(jù)需求搭載不同光譜波段的傳感器，有效彌補(bǔ)衛(wèi)星遙感在中小尺度高精度估算研究中的不足，已逐漸成為現(xiàn)代精準(zhǔn)農(nóng)業(yè)研究的新手段[15-18]。如Berni等利用無(wú)人機(jī)多光譜影像估算橄欖樹(shù)LAI[19]；劉峰等通過(guò)無(wú)人機(jī)多光譜估算板栗冠層覆蓋度[20]；Córcoles 等通過(guò)無(wú)人機(jī)多光譜數(shù)據(jù)研究了洋蔥LAI[21]；Peter等利用無(wú)人機(jī)多光譜影像估算馬鈴薯LAI[22]；孫濤等基于無(wú)人機(jī)多光譜遙感影像實(shí)現(xiàn)了水稻LAI 估算[23]；王瑛利用無(wú)人機(jī)多光譜影像估算小麥LAI[24]；褚洪亮等研究指出基于無(wú)人機(jī)多光譜影像估算玉米LAI 的預(yù)測(cè)值與田間實(shí)測(cè)值具有較高的一致性[25]；牛慶林等基于多光譜影像估算玉米育種材料LAI精度超過(guò)0.60[26]；孫詩(shī)睿等基于無(wú)人機(jī)多光譜數(shù)據(jù)結(jié)合灰色關(guān)聯(lián)度與隨機(jī)森林方法反演冬小麥LAI 精度達(dá)到0.80[27]；高林等基于無(wú)人機(jī)數(shù)碼影像與多光譜遙感影像分別研究了小麥、大豆LAI[28-29]。這些研究為無(wú)人機(jī)遙感技術(shù)服務(wù)農(nóng)業(yè)生產(chǎn)管理提供了新的成果，同時(shí)推動(dòng)了無(wú)人機(jī)遙感在作物生長(zhǎng)信息定量監(jiān)測(cè)中的應(yīng)用。

雖然基于無(wú)人機(jī)多光譜的作物參數(shù)遙感估算已經(jīng)取得了一些進(jìn)展，但這些研究多通過(guò)不同傳感器構(gòu)建某一生育時(shí)期或多生育時(shí)期累加植被指數(shù)建立模型，而植被指數(shù)則隨著作物生育時(shí)期及冠層結(jié)構(gòu)等因素的變化，在時(shí)間尺度上存在一定差異性，導(dǎo)致估算模型估算精度及應(yīng)用尺度受到局限。因此，本文以無(wú)人機(jī)搭載MicaSense RedEdge-M 多光譜成像系統(tǒng)獲取玉米拔節(jié)期、抽雄期、成熟期等多光譜影像，綜合考慮在不同生育時(shí)期多光譜影像特征，同時(shí)結(jié)合Mica-Sense RedEdge-M 的紅邊波段，進(jìn)一步優(yōu)化篩選植被指數(shù)，建立LAI 最佳估算模型及估算時(shí)期，改善LAI估算模型的穩(wěn)定性與適用性；并在此基礎(chǔ)上進(jìn)行田塊尺度的LAI空間差異性制圖，為田塊尺度的作物生長(zhǎng)信息監(jiān)測(cè)診斷提供理論依據(jù)與技術(shù)支撐。

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 研究區(qū)概況

實(shí)驗(yàn)在中國(guó)農(nóng)業(yè)科學(xué)院新鄉(xiāng)綜合實(shí)驗(yàn)基地進(jìn)行，實(shí)驗(yàn)基地地處113°46'08.10″E，35°08'03.67″N，海拔78.9 m，溫帶大陸性季風(fēng)型氣候，年平均溫度14.2℃，無(wú)霜期210 d，年日照時(shí)數(shù)約2400.0 h，年蒸發(fā)量約2000.0 mm，年平均降水量585.0 mm。土壤為黃河沖積物發(fā)育潮土，0～20 cm 堿解氮68.65 mg/kg，速效磷9.21 mg/kg，速效鉀71.12 mg/kg，有機(jī)質(zhì)含量10.21mg/kg。

2.2 實(shí)驗(yàn)設(shè)計(jì)

小區(qū)實(shí)驗(yàn)于2019—2020 年進(jìn)行，采取隨機(jī)區(qū)組設(shè)計(jì)，設(shè)置2 個(gè)玉米品種，5 個(gè)氮肥水平，3 組重復(fù)。2個(gè)玉米品種分別為“鄭單958（ZD958）”，“登海605（DH605）”；5 個(gè)氮肥（46.00%N 尿素）水平分別為N0（0 kg/hm2），N1（75 kg/ hm2），N2（150 kg/ hm2），N3（225 kg/hm2），N4（300 kg/hm2），總氮肥60%作為基肥，40%作為追肥，磷鉀肥施用量分別為120 kg/hm2和120 kg/ hm2；“ZD958”種植密度為67500 株/hm2，“DH605”種植密度為82500 株/hm2；其他管理方式按照豫北平原高產(chǎn)玉米措施管理。

2.3 數(shù)據(jù)獲取與處理

2.3.1 無(wú)人機(jī)多光譜遙感影像采集及預(yù)處理

無(wú)人機(jī)多光譜數(shù)據(jù)采集是利用自主搭建低空無(wú)人機(jī)遙感監(jiān)測(cè)平臺(tái)，主要由大疆六旋翼無(wú)人機(jī)（Matrice 600Pro，M-600）與MicaSense RedEdge-M 多光譜成像儀構(gòu)成，主要參數(shù)見(jiàn)表1。MicaSense RedEdge-M 多光譜成像儀同時(shí)收集藍(lán)（Blue）、綠（Green）、紅（Red）、近紅外（Nir）、紅邊（Rededge）5 個(gè)不連續(xù)的光譜波段，相機(jī)焦距為5.5 mm，視場(chǎng)角為47.2°，圖像分辨率為1280×960。飛行前后以相機(jī)配備的0.3 m×0.3 m灰板反射率進(jìn)行校正。實(shí)驗(yàn)在晴朗無(wú)云無(wú)風(fēng)或微風(fēng)時(shí)進(jìn)行，時(shí)間在11:00—14:00，無(wú)人機(jī)飛行高度為70 m，飛行方向?yàn)槟媳狈较?，航向重疊度為70%，旁向重疊度為70%。影像空間分辨率為獲取到的0.035 m。MicaSense RedEdge-M 多光譜成像儀參數(shù)見(jiàn)表2。同步獲取RGB 高清數(shù)碼影像，空間分辨率0.028m，為幾何校正基礎(chǔ)數(shù)據(jù)。

表1 無(wú)人機(jī)多光譜遙感監(jiān)測(cè)平臺(tái)主要參數(shù)Table 1 Main parameters of UAV multispectral image acquisition system

將航拍獲取的多光譜照片以時(shí)間序列為索引，選取有效照片導(dǎo)入瑞士Pix4D 公司Pix4D mapper軟件，根據(jù)照片信息對(duì)進(jìn)行（1）初始化處理；（2）點(diǎn)云和紋理處理；（3）DSM、正射影像等處理；（4）利用各通道反射板校正，輸出拼接后影像；（5）拼接后的多光譜圖像以同期獲取的高清數(shù)碼圖像為參考進(jìn)行幾何校正，誤差小于0.5個(gè)像元；（6）根據(jù)研究區(qū)域地理坐標(biāo)對(duì)拼接后的圖像進(jìn)行裁剪，形成研究區(qū)多光譜影像。

2.3.2 LAI數(shù)據(jù)采集

在實(shí)驗(yàn)區(qū)內(nèi)隨機(jī)選取長(zhǎng)勢(shì)均勻一致的1 m×1m固定樣方內(nèi)采集LAI，與無(wú)人機(jī)多光譜數(shù)據(jù)同步采集。LAI 采集以美國(guó)Decagon 公司AccuPARLP-80 植物冠層分析儀采集，在平行于玉米壟間、垂直壟間各測(cè)3次，取算數(shù)平均值為該測(cè)量點(diǎn)LAI。

2.4 植被指數(shù)選取

通過(guò)多光譜信息構(gòu)建植被指數(shù)來(lái)反演LAI，可有效凸顯作物群體結(jié)構(gòu)信息，降低干擾因素的影響[30]。本文在前人對(duì)LAI遙感估算精度研究的基礎(chǔ)上，綜合考慮遙感估算精度不確定性因素的主要來(lái)源，同時(shí)結(jié)合MicaSense RedEdge-M 多光譜影像數(shù)據(jù)特點(diǎn)，篩選了歸一化差值植被指數(shù)（NDVI）、控制土壤背景因素的優(yōu)化土壤調(diào)整植被指數(shù)（OSAVI）、控制大氣噪聲因素的增強(qiáng)植被指數(shù)（EVI）、同時(shí)結(jié)合多光譜傳感器對(duì)紅邊波段優(yōu)化歸一化紅邊植被指數(shù)（NDRE）等具有明確物理意義且與LAI具有較好相關(guān)性的植被指數(shù)，建立LAI 估算模型。不同植被指數(shù)計(jì)算公式及來(lái)源見(jiàn)表2。

表2 本文采用的植被指數(shù)Table 2 Vegetation indices in this article

2.5 數(shù)據(jù)分析

將連續(xù)2 年數(shù)據(jù)按照處理進(jìn)行分組，采用經(jīng)驗(yàn)?zāi)Ｐ头ㄟM(jìn)行LAI 估算。在對(duì)實(shí)驗(yàn)區(qū)采集數(shù)據(jù)經(jīng)驗(yàn)性統(tǒng)計(jì)描述的基礎(chǔ)上，通過(guò)相關(guān)、回歸分析，建立經(jīng)驗(yàn)?zāi)Ｐ?，并以?dú)立數(shù)據(jù)對(duì)模型精度進(jìn)行驗(yàn)證；在建模過(guò)程中，對(duì)比分析最適植被指數(shù)與最適估算時(shí)期；在此基礎(chǔ)上利用模型進(jìn)行大田尺度的LAI空間制圖，結(jié)合空間分布圖，進(jìn)行田間實(shí)測(cè)值取樣，分析反演制圖精度；進(jìn)一步分析多光譜數(shù)據(jù)估算玉米LAI的潛力。

2.6 精度評(píng)價(jià)

本文以相關(guān)系數(shù)（Correlation coefficient，r）來(lái)衡量LAI與植被指數(shù)的相關(guān)程度；以決定系數(shù)（Determination coefficient，R2）與標(biāo)準(zhǔn)誤差（Standard error，SE）評(píng)價(jià)LAI 的估算效果；以均方根誤差（Root mean square error，RMSE）與相對(duì)誤差（Relative error，RE）分析模型估算值與田間實(shí)測(cè)值的擬合程度，評(píng)價(jià)模型的驗(yàn)證精度。

3 結(jié)果與分析

3.1 玉米LAI與植被指數(shù)的定量關(guān)系

通過(guò)對(duì)無(wú)人機(jī)多光譜遙感影像進(jìn)行解譯分析，提取5 個(gè)波段下玉米冠層反射率值，根據(jù)表2 公式計(jì)算植被指數(shù)，通過(guò)統(tǒng)計(jì)分析（n=60）計(jì)算不同生育時(shí)期LAI 與相應(yīng)植被指數(shù)的定量關(guān)系（表3）。由表可知，在不同生育時(shí)期，NDVI、OSAVI、EVI、NDRE 與LAI呈現(xiàn)極顯著相關(guān)（P＜0.01），相關(guān)系數(shù)為：0.713～0.868。按照統(tǒng)計(jì)學(xué)規(guī)定，相關(guān)系數(shù)0.50≤|r|≤0.80，表明變量之間中度相關(guān)；|r|≥0.80，變量之間則高度相。通過(guò)相關(guān)分析表明所選植被指數(shù)均能用來(lái)估算玉米LAI，可作為構(gòu)建LAI估算模型的參數(shù)。

表3 不同生育時(shí)期植被指數(shù)與LAI的相關(guān)性（n=60）Table 3 Correlation coefficient between vegetation indices and LAI at different growth stages(n=60)

3.2 基于植被指數(shù)的LAI估算模型精度與驗(yàn)證

在相關(guān)性分析的基礎(chǔ)上，以L(fǎng)AI 為因變量，植被指數(shù)為自變量，建立不同生育時(shí)期LAI 估算模型（n=60），不同生育時(shí)期玉米LAI 估算模型見(jiàn)表4。由表可知：基于4 種植被指數(shù)的不同生育時(shí)期LAI 估算模型決定系數(shù)（R2）分別為0.508～0.666、0.667～0.753、0.630～0.733；標(biāo)準(zhǔn)誤差（SE）分別為：0.026～0.133、0.027～0.121、0.047～0.141。表明模型具有較好的估測(cè)精度。以獨(dú)立數(shù)據(jù)對(duì)模型精度進(jìn)行驗(yàn)證（n=60），結(jié)果發(fā)現(xiàn)不同生育時(shí)期模型估算值與田間實(shí)測(cè)值間相對(duì)誤差（RE）分別為：8.57～11.31、8.34～10.84、9.24～13.41；均方根誤差（RMSE）分別為：0.104～0.147、0.087～0.121、0.091～0.156；說(shuō)明估算模型具有較好的穩(wěn)定性。不同生育時(shí)期LAI 模型估算值與田間實(shí)測(cè)值間對(duì)比結(jié)果如圖2所示。

表4 不同生育時(shí)期LAI估算模型建立與驗(yàn)證（n=60）Table 4 Fitting and performance of monitoring model LAI of maize at different growth stages（n=60）

圖2 基于植被指數(shù)的玉米LAI估算值與實(shí)測(cè)值比較圖（n=60）Fig.2 Comparison of maize LAI predicted value and measured value(n=60)

3.3 基于多光譜的玉米LAI 空間分布與精度驗(yàn)證

將LAI估算模型應(yīng)用于多光譜遙感影像，得到研究區(qū)不同生育時(shí)期玉米LAI 空間分布，如圖3 所示，由圖可知，拔節(jié)期玉米LAI相對(duì)較小，抽雄期較高，成熟期又略有降低。為驗(yàn)證空間LAI分布圖估算精度，在圖中隨機(jī)選取30 個(gè)采樣點(diǎn)，對(duì)比實(shí)測(cè)值與空間分布圖估算值的一致性，如圖4 所示，在不同生育時(shí)期估算值與實(shí)測(cè)值間的決定系數(shù)（R2）分別為0.883、0.931、0.867；相對(duì)誤差（RE）分別為：9.17、8.86、9.32；均方根誤差（RMSE）分別為0.115、0.074、0.133。說(shuō)明估算值與實(shí)測(cè)值間具有較高的一致性。表明了基于MicaSense RedEdge-M 多光譜成像系統(tǒng)能較好的估算玉米不同生育時(shí)期LAI。

圖3 不同生育時(shí)期玉米LAI空間分布圖Fig.3 Spatial distribution map of maize LAI at different growth stages

圖4 LAI填圖估測(cè)值與實(shí)測(cè)值比較圖Fig.4 Relationship between predicted value of LAI mapping and measured value

4 結(jié)論與討論

無(wú)人機(jī)作為一種新的遙感技術(shù)手段，在彌補(bǔ)現(xiàn)代精準(zhǔn)農(nóng)業(yè)監(jiān)測(cè)診斷研究應(yīng)用中具有重要意義[35]。本文研究了拔節(jié)期、抽雄期、成熟期等關(guān)鍵生育時(shí)期玉米LAI與NDVI、OSAVI、EVI、NDRE等植被指數(shù)的定量關(guān)系，發(fā)現(xiàn)在不同生育時(shí)期所選植被指數(shù)與LAI的相關(guān)系數(shù)達(dá)到0.713～0.868，說(shuō)明了所選植被指數(shù)可作為L(zhǎng)AI建模的參數(shù)；這是由于本文中所篩選的植被指數(shù)，綜合考慮不同生育階段冠層光譜信息噪聲來(lái)源，選取了消除土壤背景、大氣噪聲等因素的植被指數(shù)，改善了植被指數(shù)與LAI的相關(guān)性。

在相關(guān)性分析的基礎(chǔ)上，建立了不同生育時(shí)期LAI 估算模型，并以獨(dú)立數(shù)據(jù)進(jìn)行驗(yàn)證。拔節(jié)期、抽雄期、成熟期分別基于OSAVI、NDRE、NDRE 建立的LAI 模型估算精度分別為0.549、0.753、0.733；驗(yàn)證模型精度分別為0.907、0.932、0.926；說(shuō)明抽雄期能更好地估算玉米LAI，不同植被指數(shù)尤以NDRE 在生育后期能較好的表征LAI。這是由于在生育后期，群體冠層覆蓋度較高，而本文中采用多光譜紅邊中心波段為717nm，波寬為10nm，波寬相對(duì)較窄，噪聲較小，NDRE經(jīng)過(guò)進(jìn)一步歸一化處理，提高了紅邊與近紅外波段反射率的對(duì)比度[36]，增強(qiáng)了光譜信息對(duì)LAI的敏感性，改善了LAI估算精度。這一結(jié)果與前人研究結(jié)果基本一致[25-29]。

將不同生育時(shí)期LAI 估算模型應(yīng)用于田塊尺度的玉米LAI 空間差異性制圖，不同氮肥水平下，LAI隨著施肥量的增加呈增加趨勢(shì)，過(guò)量施肥則LAI不再增加；從拔節(jié)期至成熟期，LAI 呈“低—高—低”的拋物線(xiàn)趨勢(shì)。根據(jù)空間差異性制圖結(jié)果，隨機(jī)選取采樣點(diǎn)的實(shí)測(cè)值對(duì)空間分布估測(cè)值進(jìn)行驗(yàn)證，不同生育時(shí)期模型估算值與田間實(shí)測(cè)值的決定系數(shù)分別為0.883、0.931、0.867；相對(duì)誤差分別為9.17、8.86、9.32，說(shuō)明模型估算值與田間實(shí)測(cè)值間具有較好的一致性，表明該模型具有較好的穩(wěn)定性與適應(yīng)性，該結(jié)果可應(yīng)用于田塊尺度的作物L(fēng)AI監(jiān)測(cè)，為農(nóng)田生產(chǎn)管理提供理論依據(jù)與技術(shù)支持。

由于LAI 是表征作物冠層結(jié)構(gòu)與長(zhǎng)勢(shì)信息的參數(shù)，在作物全生育時(shí)期存在較大差異，而本文僅研究了拔節(jié)期、抽雄期、成熟期等關(guān)鍵生育時(shí)期，有必要對(duì)全生育時(shí)期進(jìn)一步研究。另外，本文雖然考慮了不同玉米品種的株型、密度、肥力水平等因素，但由于栽培環(huán)境的異質(zhì)性限制，模型在不同生態(tài)環(huán)境條件下的適用性仍有待進(jìn)一步驗(yàn)證完善。