徐洪剛，陳震，程千，李宗鵬,2，李鵬，范永申

無人機(jī)多源光譜反演大田夏玉米葉面積指數(shù)

徐洪剛1，陳震1，程千1，李宗鵬1,2，李鵬1，范永申1*

（1.中國農(nóng)業(yè)科學(xué)院 農(nóng)田灌溉研究所/河南省節(jié)水農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室，河南 新鄉(xiāng) 453002；2.河南農(nóng)業(yè)大學(xué)，鄭州 450000）

研究多源光譜反演大田夏玉米葉面積指數(shù)（）的效果。以大田夏玉米為研究對(duì)象，利用無人機(jī)獲取試驗(yàn)區(qū)不同生育期熱紅外以及多光譜影像，提取熱紅外冠層溫度（C）以及多光譜植被指數(shù)，結(jié)合地面實(shí)測(cè)數(shù)據(jù)，分析光譜數(shù)據(jù)與實(shí)測(cè)之間的相關(guān)關(guān)系，并將C與篩選出的11種植被指數(shù)作為輸入變量，作為輸出變量利用多元線性回歸、支持向量機(jī)和隨機(jī)森林3個(gè)算法模型訓(xùn)練學(xué)習(xí)，建立了夏玉米的反演模型。多光譜植被指數(shù)以及C均與夏玉米在<0.000 1水平上顯著相關(guān)，相關(guān)系數(shù)均在0.5以上；RF算法于拔節(jié)期、喇叭口期、以及吐絲期3個(gè)生育期的預(yù)測(cè)值與實(shí)測(cè)值的2均高于MLR算法和SVM算法，對(duì)應(yīng)的及均低于MLR算法和SVM算法；融合熱紅外C后的RF模型反演精度均有不同程度的提升，各生育期預(yù)測(cè)值與實(shí)測(cè)值2均大于同時(shí)期未融合C的反演模型。多光譜植被指數(shù)以及C均與夏玉米具有較強(qiáng)的相關(guān)性，且RF算法構(gòu)建的夏玉米反演模型精度優(yōu)于MLR和SVM算法，同時(shí)C的加入可以有效提升夏玉米反演精度。

夏玉米；無人機(jī)遙感；多光譜植被指數(shù)；熱紅外圖像；葉面積指數(shù)；反演模型

0 引言

據(jù)國家統(tǒng)計(jì)局最新數(shù)據(jù)顯示[1]，2020年中國玉米播種面積（4 126.4萬hm2）、總產(chǎn)量（26 067萬t）均已位居糧食類第一，保證玉米產(chǎn)量是穩(wěn)定國家糧食安全的重要內(nèi)容。【研究意義】葉面積指數(shù)（）能夠反映作物健康和生產(chǎn)力狀況，適宜的對(duì)保證玉米長勢(shì)以及產(chǎn)量具有重要意義[2]。傳統(tǒng)的監(jiān)測(cè)方法主要分為直接法和間接法，直接測(cè)量作物費(fèi)時(shí)費(fèi)力且會(huì)破壞作物長勢(shì)，間接測(cè)量法也難以應(yīng)用于大面積快速監(jiān)測(cè)中[3-4]，遙感技術(shù)的發(fā)展為的獲取提供了新的手段。當(dāng)前農(nóng)用遙感數(shù)據(jù)的來源主要為衛(wèi)星遙感和無人機(jī)遙感。衛(wèi)星遙感為高空遙感，國內(nèi)外眾多專家學(xué)者針對(duì)衛(wèi)星遙感反演進(jìn)行了大量研究[5-6]，但衛(wèi)星遙感存在地表分辨率低、易受大氣因素影響、重訪周期長等不足[7]。無人機(jī)遙感系統(tǒng)作為低空遙感系統(tǒng)，具有機(jī)動(dòng)靈活、攜帶方便、可獲取高時(shí)空分辨率數(shù)據(jù)、成本低等優(yōu)勢(shì)，有效避免了衛(wèi)星遙感存在的許多問題，為中小尺度的遙感應(yīng)用研究提供了新的途徑[8-9]。

【研究進(jìn)展】當(dāng)前無人機(jī)搭載的傳感器類型主要為可見光、熱紅外、多光譜、高光譜以及激光雷達(dá)[7]。不同波段以及分辨率的圖像與的相關(guān)程度不同[10]，其中多光譜相機(jī)可以獲取與作物葉片特征信息聯(lián)系密切的紅波段以及近紅外波段光譜，被廣泛應(yīng)用于作物的反演研究[11]。在此基礎(chǔ)上，何種反演模型效果最優(yōu)一直是研究的主要方向[12-13]。同時(shí)，國內(nèi)外眾多研究表明與作物冠層溫度（C）存在必然聯(lián)系。楊文攀等[14]將試驗(yàn)區(qū)玉米覆蓋度與熱紅外提取的C進(jìn)行對(duì)比，結(jié)果表明玉米C與其覆蓋度相關(guān)性顯著2=0.534 5。Van等[15]通過模擬不同環(huán)境研究了環(huán)境和C與葉片溫度之間的差異，結(jié)果表明降低可以減小葉片與周圍空氣的溫差。

【切入點(diǎn)】綜上，無人機(jī)多光譜遙感可以較好地反演作物，但融合多光譜和熱紅外圖像反演夏玉米的研究還鮮有報(bào)道。【擬解決的關(guān)鍵問題】本研究以無人機(jī)平臺(tái)搭載多光譜和熱紅外相機(jī)，獲取大田夏玉米關(guān)鍵生育期的光譜影像，分析光譜數(shù)據(jù)與實(shí)測(cè)之間的相關(guān)關(guān)系，利用多元線性回歸（Multiple Linear Regression，MLR）、支持向量機(jī)（Support Vector Machine，SVM）和隨機(jī)森林（Random Forest，RF）3種算法，將11種植被指數(shù)作為輸入變量，作為輸出變量開展訓(xùn)練學(xué)習(xí)，建立夏玉米的反演模型，并尋優(yōu)分析融合C后反演精度，以期為大田夏玉米快速估算提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

試驗(yàn)地位于中國農(nóng)業(yè)科學(xué)院七里營綜合實(shí)驗(yàn)基地（35°13' N，113°76' E），地處華北平原的人民勝利渠灌區(qū)，是夏玉米的重要種植區(qū)，溫帶大陸性季風(fēng)氣候，夏季高溫多雨，7—9月降水量占全年降水量的65%～75%。試驗(yàn)區(qū)為輕質(zhì)壤土，表層土壤體積質(zhì)量1.47 g/cm3，0～1 m土層平均田間體積持水率為30.98%。試驗(yàn)田灌溉水源采用地下水，地下水埋深超過5 m。

1.2 試驗(yàn)設(shè)計(jì)

本試驗(yàn)選用夏玉米太玉339，于2020年6月22日播種，9月25日收獲，全生育期共96 d。玉米播種深度約為5 cm，行距60 cm、株距25 cm，灌溉方式采用滴灌。試驗(yàn)布置如圖1（a）所示，共設(shè)置3個(gè)灌溉處理，間隔2.4 m，灌水定額分別為0 mm（W0）、30 mm（W1）、70 mm（W2），灌水量通過支管上的水表控制，由于生育期內(nèi)雨水較為頻繁，于拔節(jié)期、喇叭口期和灌漿期進(jìn)行灌溉處理。每個(gè)灌溉處理下劃分15個(gè)試驗(yàn)小區(qū)，3個(gè)處理共計(jì)45個(gè)試驗(yàn)小區(qū)，每個(gè)小區(qū)為4 m×3 m的矩形區(qū)域，小區(qū)間隔1.2 m。小區(qū)編號(hào)如圖1（b）所示。在試驗(yàn)區(qū)四角布設(shè)30 cm×30 cm的黑白板，用作熱紅外圖像的溫度校準(zhǔn)。

1.3 數(shù)據(jù)獲取與處理

無人機(jī)影像的獲取需晴朗無風(fēng)的天氣，以降低天氣對(duì)影像獲取的影響。同時(shí)考慮到夏玉米葉片的主要生長時(shí)期為抽雄期以前且苗期較小，最終選擇2020年7月13日（拔節(jié)后期）、7月24日（喇叭口期）、7月30日（大喇叭口期）、8月10日（抽雄吐絲期）進(jìn)行無人機(jī)圖像以及地面數(shù)據(jù)的同天采集，無人機(jī)數(shù)據(jù)采集時(shí)間集中在北京時(shí)間的11:00—14:00之間，地面數(shù)據(jù)采集時(shí)間集中在09:00—14:00之間。

1.3.1 地面數(shù)據(jù)獲取

獲取的地面數(shù)據(jù)主要為和黑白板溫度。通過英國Delta-T公司生產(chǎn)的SunScan冠層分析儀測(cè)定，儀器由1 m長的SunScan探測(cè)針、反射數(shù)據(jù)傳感器以及數(shù)據(jù)采集終端等部分組成，每次無人機(jī)作業(yè)后于每個(gè)試驗(yàn)小區(qū)不同位置按橫縱方向分別測(cè)量3次，取平均值代表該試驗(yàn)小區(qū)的實(shí)際。黑白板的溫度通過HIKVISION H10手持式熱紅外測(cè)溫儀測(cè)量，在無人機(jī)飛過黑白板后立即拍攝每個(gè)黑（白）區(qū)域中心點(diǎn)的溫度。

圖1 試驗(yàn)區(qū)布置示意圖

1.3.2 光譜影像獲取

多光譜相機(jī)選用美國MicaSense RedEdge-MX五通道多光譜相機(jī)，相機(jī)質(zhì)量232 g，焦距5.5 mm, 視場角47.2°，地物分辨率位于離地高度120 m可達(dá)8 cm，波段信息見表1。熱紅外圖像依靠禪思ZenmuseXT2雙光熱成像相機(jī)獲取，ZenmuseXT2相機(jī)質(zhì)量588 g，鏡頭焦距19 mm，波長范圍7.5～13.5 μm，像元間距17 μm。搭載平臺(tái)選擇DJI M210V2型無人機(jī)，無人機(jī)飛行高度30 m，航向重疊度90%，旁向重疊度85%，利用DJI Pilot和DJI GSPro規(guī)劃航線控制無人機(jī)自主飛行作業(yè)。其中多光譜相機(jī)需要于每次起飛前和降落后對(duì)相機(jī)自帶輻射標(biāo)定板拍照，用以圖像拼接時(shí)的輻射定標(biāo)作業(yè)。

2009年2月28日，《中華人民共和國食品安全法》制定，在中華人民共和國第十一屆全國人民代表大會(huì)常務(wù)委員會(huì)第七次會(huì)議上通過并發(fā)布，于2009年6月1日起施行?！吨腥A人民共和國食品安全法》對(duì)人民的食品安全及身體健康形成了有力保障。

表1 RedEdge-MX型多光譜相機(jī)波段信息

1.3.3 光譜影像預(yù)處理

借助Pix4D mapper完成多光譜以及熱紅外圖像拼接作業(yè)。由于圖像中包含試驗(yàn)區(qū)以外的區(qū)域，采用ArcGis 10.2繪制試驗(yàn)小區(qū)的掩膜文件，疊加于多光譜圖像上提取各試驗(yàn)小區(qū)的光譜反射率。同時(shí)利用多光譜圖像進(jìn)行波段計(jì)算獲得試驗(yàn)區(qū)玉米冠層掩膜，疊加于熱紅外圖像上提取各試驗(yàn)小區(qū)冠層熱紅外，以降低土壤背景對(duì)C提取造成的影響。

1.3.4 多光譜植被指數(shù)提取

植被指數(shù)是指通過波段的組合形成的增強(qiáng)植被信息，反映植被在可見光、近紅外等波段反射與土壤背景之間差異的指標(biāo)。其原理是綠色植被或者農(nóng)作物在可見光紅、藍(lán)光波段表現(xiàn)為強(qiáng)吸收特性，在近紅外、綠波段則強(qiáng)反射。植被指數(shù)的構(gòu)建能夠?qū)崿F(xiàn)植被生長狀況的定量表達(dá)。本研究借鑒前人研究[16-17]，選取并計(jì)算20種植被指數(shù)，各指數(shù)及其計(jì)算式見表2。

表2 多光譜植被指數(shù)

注、、、和分別為RedEdge多光譜相機(jī)475、560、668、717和840 nm波長處的光譜反射率。

1.3.5 冠層溫度的提取

表3 熱紅外圖像溫度轉(zhuǎn)換公式

1.4 數(shù)據(jù)分析評(píng)價(jià)

1.4.1 模型的構(gòu)建

本研究利用MLR、SVM和RF機(jī)器學(xué)習(xí)算法構(gòu)建不同生育期的反演模型，模型構(gòu)建借助R語言10.3版本實(shí)現(xiàn)。MLR是指回歸分析中存在2個(gè)或2個(gè)以上的自變量，由多個(gè)自變量的最優(yōu)組合共同來預(yù)測(cè)或估計(jì)因變量。SVM是一種監(jiān)督類機(jī)器學(xué)習(xí)模型，其回歸預(yù)測(cè)借助不敏感函數(shù)以及核函數(shù)算法實(shí)現(xiàn)，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則從線性可分?jǐn)U展到線性不可分，解決了神經(jīng)網(wǎng)絡(luò)算法無法避免的局部最優(yōu)問題，也在一定層面上避免了維數(shù)災(zāi)難的問題，近年來相關(guān)應(yīng)用逐漸增多。RF算法采用隨機(jī)方式建立一個(gè)由很多決策樹組成的森林，決策樹互相沒有關(guān)聯(lián)，每個(gè)決策樹會(huì)生成一個(gè)預(yù)測(cè)值，將全部預(yù)測(cè)值的平均值作為觀測(cè)數(shù)據(jù)的最終預(yù)測(cè)值。

1.4.2 模型精度驗(yàn)證

以決定系數(shù)（2）、均方根誤差（）和歸一化均方根誤差（）來進(jìn)行模型精度的評(píng)價(jià)。采用R語言編程計(jì)算模型的3個(gè)統(tǒng)計(jì)量評(píng)估的反演精度，模型所對(duì)應(yīng)的2越接近于1，和越小說明模型的預(yù)測(cè)精度越高。

2 結(jié)果與分析

2.1 LAI及光譜數(shù)據(jù)變化

圖3為不同灌溉處理下4個(gè)生育期變化情況。對(duì)比同一灌溉處理不同生育期各試驗(yàn)小區(qū)，隨著生育期的進(jìn)行不斷增大。7月13日（拔節(jié)后期）平均僅為1.27，相較于其他生育期曲線較平緩，各試驗(yàn)小區(qū)差距較小。8月10日（抽雄吐絲期）各試驗(yàn)小區(qū)平均達(dá)到3.92，此時(shí)已基本達(dá)到最大，整體變化趨勢(shì)符合夏玉米實(shí)際生長規(guī)律。不同灌溉處理下的15個(gè)試驗(yàn)小區(qū)植被指數(shù)均值見圖4。由于指數(shù)數(shù)值較大，為直觀顯示各植被指數(shù)變化趨勢(shì)未將其列于圖中。從拔節(jié)期到吐絲期各植被指數(shù)均呈上升趨勢(shì)。同一時(shí)期各植被指數(shù)絕對(duì)值表現(xiàn)為：隨著灌水量的增加而增大，進(jìn)一步證明了所計(jì)算的各植被指數(shù)的正確性。

圖3 不同灌溉處理下LAI變化趨勢(shì)

2.2 光譜數(shù)據(jù)與LAI相關(guān)性分析

為討論植被指數(shù)與、C與的相關(guān)關(guān)系，建立不同時(shí)期植被指數(shù)與、C與的一元線性回歸模型，并將各回歸模型相關(guān)程度統(tǒng)計(jì)于表4。從表4可以看出，除指數(shù)外，4個(gè)時(shí)期的植被指數(shù)均與在<0.000 1水平上極顯著相關(guān)，相關(guān)系數(shù)均不小于0.597。其中各生育期相關(guān)性絕對(duì)值最大的指數(shù)分別為2和（7月13日）、（7月24日）、和（7月30日）、（8月10日）。對(duì)比不同時(shí)期植被指數(shù)與的相關(guān)性可以發(fā)現(xiàn)，喇叭口期到吐絲期的相關(guān)性明顯大于拔節(jié)期。分析原因拔節(jié)期玉米覆蓋度低，裸露土壤較多，植被指數(shù)消除土壤背景等噪聲的效果也隨之降低。從表中還可以看出，各時(shí)期熱紅外C與負(fù)相關(guān)，且具有較強(qiáng)的相關(guān)性。根據(jù)各植被指數(shù)與在不同生育期的相關(guān)程度，選取綜合表現(xiàn)最佳的11種植被指數(shù)、、、、2、、、、、、作為輸入變量，作為輸出變量，分別使用MLR算法、SVM算法和RF算法構(gòu)建夏玉米反演模型。

表4 植被指數(shù)與LAI相關(guān)性

注 無*表示相關(guān)性不顯著，***表示在< 0.0001水平上極顯著相關(guān)。

2.3 LAI反演模型精度評(píng)價(jià)

從45個(gè)試驗(yàn)樣本中隨機(jī)選擇35個(gè)樣本作為訓(xùn)練集，剩余10個(gè)樣本作為測(cè)試集，通過3個(gè)算法模型反演夏玉米，各模型反演精度結(jié)果如表5、表6、表7所示。MLR算法和SVM算法構(gòu)建的模型在拔節(jié)期和喇叭口期預(yù)測(cè)精度相對(duì)較低（2<0.60），大喇叭口期和吐絲期預(yù)測(cè)精度相對(duì)較高（2>0.76），與單一植被指數(shù)相關(guān)性的變化規(guī)律一致，表明模型構(gòu)建的正確性。

綜合4個(gè)生育期反演效果，RF算法構(gòu)建的反演模型效果最佳。不同生育期模型訓(xùn)練集2分別為0.892、0.873、0.940、0.931，均高于MLR算法（0.664、0.717、0.822、0.770）和SVM算法（0.849、0587、0.815、0.782）；對(duì)應(yīng)的為0.062、0.099、0.112、0.079以及為8.09%、7.44%、5.78%、6.05%，均低于MLR算法和SVM算法。模型測(cè)試集7月30日的預(yù)測(cè)精度雖略低于SVM和MLR算法，但其余3個(gè)生育期2分別為0.707、0.834、0.849，均高于MLR算法(0.446、0.434、0.763)和SVM算法（0.511、0.569、0.812）；對(duì)應(yīng)的為0.092、0.182、0.158，均低于MLR算法（0.186、0.183、0.171）和SVM算法（0.127、0.32、0.177）；對(duì)應(yīng)的為12.04%、13.65%、12.14%，均低于MLR算法（24.24%、13.71%、13.16%）和SVM算法（16.52%、24%、13.64%）。

表5 MLR模型反演夏玉米LAI結(jié)果

表6 SVM模型反演夏玉米LAI結(jié)果

表7 RF模型反演夏玉米LAI結(jié)果

2.4 融合TC后模型精度評(píng)價(jià)

采用夏玉米反演效果最優(yōu)的RF算法模型，將11種植被指數(shù)與C作為輸入變量，作為輸出變量，再次構(gòu)建夏玉米不同生育期反演模型，反演結(jié)果如表8所示，并將各輸入變量在模型訓(xùn)練中的相對(duì)重要度（Relative importance）繪制于圖5。

對(duì)比表7與表8，融合C后預(yù)測(cè)精度均有不同程度的提升，測(cè)試集2分別為0.788、0.874、0.810、0.862，均高于未融合C時(shí)的2（0.707、0.834、0.794、0.849）；對(duì)應(yīng)的為0.09、0.181、0.2241、0.154，均低于未融合C時(shí)的（0.092、0.182、0.2243、0.158）；對(duì)應(yīng)的為11.79%、14.34%、11.59%、11.87%，（除7月24日）均低于未融合C時(shí)的（12.04%、13.65%、11.61%、12.14%）。拔節(jié)期模型反演精度的提升效果明顯優(yōu)于其余3個(gè)生育期，且隨著生育期的進(jìn)行，提升效果逐漸降低。分析原因有2個(gè)方面：一是隨著生育期的進(jìn)行不斷增加，與冠層溫度的相關(guān)性逐漸降低；二是拔節(jié)期之后的3個(gè)生育期未融合C時(shí)模型的反演精度已經(jīng)較高（2>0.79），融合C后反演精度提升效果也就相對(duì)較小。從圖5也可以看出，C在模型訓(xùn)練中的相對(duì)重要度不斷下降，7月30日和8月10日C對(duì)于反演模型的結(jié)果貢獻(xiàn)較小，而7月13日和24日C對(duì)于反演模型的結(jié)果貢獻(xiàn)較大，表明生育前期融合C可有效提升夏玉米反演模型的精度。

表8 RF模型反演融合TC后夏玉米LAI結(jié)果

圖5 輸入變量相對(duì)重要度

3 討論

本研究通過對(duì)比拔節(jié)期至抽雄吐絲期4個(gè)時(shí)期的植被指數(shù)與的相關(guān)性，發(fā)現(xiàn)隨著生育期的進(jìn)行，植被指數(shù)與的相關(guān)性呈上升趨勢(shì)。分析原因，前期植株較小，試驗(yàn)區(qū)裸露土壤較多，降低了植被指數(shù)與的相關(guān)性，張智韜等[33]和譚丞軒等[34]也指出剔除土壤背景是獲取準(zhǔn)確的冠層光譜信息的關(guān)鍵。此外，通過植被指數(shù)與的相關(guān)性也可看出，土壤調(diào)節(jié)植被指數(shù)在4個(gè)生育期與相關(guān)性均具有較好的表現(xiàn)，表明土壤背景對(duì)的反演具有較強(qiáng)的影響，消除土壤背景可以提高預(yù)測(cè)的精度。因此后續(xù)試驗(yàn)應(yīng)加強(qiáng)玉米拔節(jié)期甚至苗期光譜數(shù)據(jù)的獲取，以進(jìn)一步驗(yàn)證這一觀點(diǎn)。

本研究分析了20種植被指數(shù)與的相關(guān)性，結(jié)果發(fā)現(xiàn)拔節(jié)期包含紅邊波段的植被指數(shù)與相關(guān)性較高。這是由于植物具有“紅邊”效應(yīng)，即綠色植物的光譜響應(yīng)在“紅邊”這一窄帶區(qū)陡然增加（亮度增加約10倍）[35]。此帶區(qū)對(duì)葉綠素的變化高度敏感，因此對(duì)區(qū)分玉米葉片和土壤背景具有較好的效果。從圖5也可看出，拔節(jié)期至喇叭口期，包含紅邊波段的比具有更高的相對(duì)貢獻(xiàn)度，8月10日紅邊波段的優(yōu)勢(shì)仍然明顯，這也更加說明前述結(jié)論的正確性。

本研究通過對(duì)比MLR、SVM、RF這3種算法構(gòu)建的模型反演精度，發(fā)現(xiàn)RF算法表現(xiàn)更優(yōu)。熱紅外、多光譜數(shù)據(jù)融合反演夏玉米相較于僅利用多光譜數(shù)據(jù)在拔節(jié)期和喇叭口期具有較好的提升效果，C在各參數(shù)中的相對(duì)貢獻(xiàn)度較大。大喇叭口期和吐絲期融合C對(duì)反演模型的精度提升較小，主要是因?yàn)榇藭r(shí)夏玉米冠層已較茂密，植株蒸騰等的影響變得明顯，使得冠層溫度與的相關(guān)性降低。表4中各時(shí)期C與的相關(guān)性系數(shù)，相較同時(shí)期植被指數(shù)的相關(guān)性系數(shù)差值逐漸擴(kuò)大，C對(duì)反演的貢獻(xiàn)度也隨之下降。本研究僅選取了3種較為常用的算法，對(duì)于PLSR、嶺回歸、GBDT[13]算法以及ACRM模型[36]等反演大田夏玉米效果如何仍需后續(xù)驗(yàn)證，夏玉米其他生育期反演效果如何以及植被指數(shù)的選取也需后續(xù)試驗(yàn)進(jìn)一步驗(yàn)證。

4 結(jié)論

1）不同生育期的植被指數(shù)與、C與均具有較強(qiáng)的相關(guān)性（除指數(shù)外），4個(gè)時(shí)期的相關(guān)性均在<0.000 1水平上極顯著，相關(guān)性系數(shù)絕對(duì)值最低不小于0.5，最高可達(dá)0.83。

2）通過對(duì)比3個(gè)算法構(gòu)建的反演模型，發(fā)現(xiàn)RF算法反演效果最優(yōu)，各生育期預(yù)測(cè)值與實(shí)測(cè)值2均在0.7以上，且相較于MLR算法和SVM算法更加穩(wěn)定。

3）融合熱紅外C后的反演模型均有不同程度的提升，C的加入提升了夏玉米反演精度，提高了大田夏玉米低空遙感監(jiān)測(cè)精度。

[1] 國家統(tǒng)計(jì)局. 國家統(tǒng)計(jì)局關(guān)于2020年糧食產(chǎn)量數(shù)據(jù)的公告[EB/OL]. (2020-12-10). http://www.stats.gov.cn/tjsj/zxfb/202012/t20201210_1808377.html

[2] HUANG J X, TIAN L Y, LIANG S L, 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 and Forest Meteorology, 2015, 204: 106-121.

[3] 劉镕源, 王紀(jì)華, 楊貴軍, 等. 冬小麥葉面積指數(shù)地面測(cè)量方法的比較[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(3): 220-224.

LIU Rongyuan, WANG Jihua, YANG Guijun, et al. Comparison of ground-basedmeasuring methods on winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(3): 220-224.

[4] YAN G J, HU R H, LUO J H, et al. Review of indirect optical measurements of leaf area index: Recent advances, challenges, and perspectives[J]. Agricultural and Forest Meteorology, 2019, 265: 390-411

[5] PU R L, LANDRY S. Evaluating seasonal effect on forest leaf area index mapping using multi-seasonal high resolution satellite pléiades imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 80: 268-279.

[6] SRINET R, NANDY S, PATEL N R. Estimating leaf area index and light extinction coefficient using Random Forest regression algorithm in a tropical moist deciduous forest, India[J]. Ecological Informatics, 2019, 52: 94-102.

[7] 孫剛, 黃文江, 陳鵬飛, 等. 輕小型無人機(jī)多光譜遙感技術(shù)應(yīng)用進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2018, 49(3): 1-17.

SUN Gang, HUANG Wenjiang, CHEN Pengfei, et al. Advances in UAV-based multispectral remote sensing applications[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 1-17.

[8] YUE J B, FENG H K, LI Z H, et al. Mapping winter-wheat biomass and grain yield based on a crop model and UAV remote sensing[J]. International Journal of Remote Sensing, 2021, 42(5): 1 577-1 601.

[9] SUMESH K C, NINSAWAT S, SOM-ARD J. Integration of RGB-based vegetation index, crop surface model and object-based image analysis approach for sugarcane yield estimation using unmanned aerial vehicle[J]. Computers and Electronics in Agriculture, 2021, 180: 105903.

[10] 蘇偉, 王偉, 劉哲, 等. 無人機(jī)影像反演玉米冠層和葉綠素含量的參數(shù)確定[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2020, 36(19): 58-65.

SU Wei, WANG Wei, LIU Zhe, et al. Determining the retrieving parameters of corn canopyand chlorophyll content computed using UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(19): 58-65.

[11] 邵國敏, 王亞杰, 韓文霆. 基于無人機(jī)多光譜遙感的夏玉米葉面積指數(shù)估算方法[J]. 智慧農(nóng)業(yè)(中英文), 2020, 2(3): 118-128.

SHAO Guomin, WANG Yajie, HAN Wenting. Estimation method of leaf area index for summer maize using UAV-based multispectral remote sensing[J]. Smart Agriculture, 2020, 2(3): 118-128.

[12] HOUBORG R, MCCABE M F. A hybrid training approach for leaf area index estimation via Cubist and random forests machine-learning[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 135: 173-188.

[13] 張宏鳴, 劉雯, 韓文霆, 等. 基于梯度提升樹算法的夏玉米葉面積指數(shù)反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(5): 251-259.

ZHANG Hongming, LIU Wen, HAN Wenting, et al. Inversion of summer maize leaf area index based on gradient boosting decision tree algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(5): 251-259.

[14] 楊文攀, 李長春, 楊浩, 等. 基于無人機(jī)熱紅外與數(shù)碼影像的玉米冠層溫度監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(17): 68-75, 301.

YANG Wenpan, LI Changchun, YANG Hao, et al. Monitoring of canopy temperature of maize based on UAV thermal infrared imagery and digital imagery[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(17): 68-75, 301.

[15] VAN WESTREENEN A, ZHANG N, DOUMA J C, et al. Substantial differences occur between canopy and ambient climate: Quantification of interactions in a greenhouse-canopy system[J]. PLoS One, 2020, 15(5): e0233210.

[16] ZHA H N, MIAO Y X, WANG T T, et al. Improving unmanned aerial vehicle remote sensing-based rice nitrogen nutrition index prediction with machine learning[J]. Remote Sensing, 2020, 12(2): 215.

[17] 陶惠林, 徐良驥, 馮海寬, 等. 基于無人機(jī)高光譜遙感的冬小麥株高和葉面積指數(shù)估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2020, 51(12): 193-201.

TAO Huilin, XU Liangji, FENG Haikuan, et al. Estimation of plant height and leaf area index of winter wheat based on UAV hyperspectral remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(12): 193-201.

[18] ROUSE J W, HASS R H, SHELL J A, et al. Monitoring Vegetation Systems in the Great Pns with Erts [C] In: Third ERTS Symposium. Washington DC, 1973: 309-317.

[19] ROUJEAN J L, BREON F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375-384.

[20] JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663-666.

[21] CHEN J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications[J]. Canadian Journal of Remote Sensing, 1996, 22(3): 229-242.

[22] CAO Q, MIAO Y X, WANG H Y, et al. Non-destructive estimation of rice plant nitrogen status with Crop Circle multispectral active canopy sensor[J]. Field Crops Research, 2013, 154: 133-144.

[23] GOEL N S, QIN W H. Influences of canopy architecture on relationships between various vegetation indices andand Fpar: A computer simulation[J]. Remote Sensing Reviews, 1994, 10(4): 309-347.

[24] RONDEAUX G, STEVEN M, BARET F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95-107.

[25] REYNIERS M, WALVOORT D J J, DE BAARDEMAAKER J. A linear model to predict with a multi-spectral radiometer the amount of nitrogen in winter wheat[J]. International Journal of Remote Sensing, 2006, 27(19): 4 159-4 179.

[26] ELSAYED S, RISCHBECK P, SCHMIDHALTER U. Comparing the performance of active and passive reflectance sensors to assess the normalized relative canopy temperature and grain yield of drought-stressed barley cultivars[J]. Field Crops Research, 2015, 177: 148-160.

[27] ERDLE K, MISTELE B, SCHMIDHALTER U. Comparison of active and passive spectral sensors in discriminating biomass parameters and nitrogen status in wheat cultivars[J]. Field Crops Research, 2011, 124(1): 74-84.

[28] GONG P, PU R L, BIGING G S, et al. Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(6): 1 355-1 362.

[29] GITELSON A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation[J]. Journal of Plant Physiology, 2004, 161(2): 165-173.

[30] LU J J, MIAO Y X, SHI W, et al. Evaluating different approaches to non-destructive nitrogen status diagnosis of rice using portable RapidSCAN active canopy sensor[J]. Scientific Reports, 2017, 7(1): 558-566.

[31] PENUELAS J, BARET F, FILELLA I. Semi-empirical indices to assess carotenoids/chlorophyll-a ratio from leaf spectral reflectance[J]. Photosynthetica, 1995, 31(2): 221-230.

[32] SRIPADA R P, HEINIGER R W, WHITE J G, et al. Aerial color infrared photography for determining early in-season nitrogen requirements in corn[J]. Agronomy Journal, 2006, 98(4): 968-977.

[33] 張智韜, 周永財(cái), 楊帥, 等. 剔除土壤背景影響的冬小麥根域土壤含水率反演方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2021: 1-16.

ZHANG Zhitao, ZHOU Yongcai, YANG Shuai, et al. Inversion method for soil water content in winter wheat root zone with eliminating the effect of soil background [J]. Transactions of the Chinese Society for Agricultural Machinery, 2021: 1-16.

[34] 譚丞軒, 張智韜, 許崇豪, 等. 無人機(jī)多光譜遙感反演各生育期玉米根域土壤含水率[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2020, 36(10): 63-74.

TAN Chengxuan, ZHANG Zhitao, XU Chonghao, et al. Soil water content inversion model in field maize root zone based on UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(10): 63-74.

[35] 張繼超. 遙感原理與應(yīng)用[M]. 北京: 測(cè)繪出版社, 2018: 31-37, 231.

ZHANG Jichao. Remote sensing principle and application[M]. Beijing: Sino Maps Press, 2018: 31-37, 231.

[36] 劉軻, 周清波, 吳文斌, 等. 基于多光譜與高光譜遙感數(shù)據(jù)的冬小麥葉面積指數(shù)反演比較[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(3): 155-162.

LIU Ke, ZHOU Qingbo, WU Wenbin, et al. Comparison between multispectral and hyperspectral remote sensing forestimation[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(3): 155-162.

Leaf Area Index of Summer Maize Estimated Using UAV-Based Multispectral Imageries

XU Honggang1, CHEN Zhen1, CHENG Qian1, LI Zongpeng1,2, LI Peng1, FAN Yongshen1*

(1. Farmland Irrigation Research Institute of Chinese Academy of Agricultural Sciences/Henan Key Laboratory of Water-saving Agriculture, Xinxiang 453002, China; 2. Henan Agricultural University, Zhengzhou 450000, China)

【】Leaf area index () is an indicator of crop health and controls photosynthesis and transpiration of crops, however, its measurement is nontrivial. The traditionalmeasurement is point-based, time-consuming and laborious, and extrapolating the measured results to large scales could give rise to errors because of crop heterogeneity. The development in unmanned aerial vehicle (UAV) along with imagining technologies over the past decades had open a new avenue to reliably estimateat large scales.【】Taking summer maize as an example, the objective of this paper is to investigate experimentally the feasibility and accuracy of using multispectral UAV imageries to estimateof the maize.【】The experiment was conducted in a maize field. Multispectral and thermal infrared imageries of the filed at different growth stages were taken by DJI M210V2 UAV equipped with Micasense Red Edge MX and ZenmuseXT2 dual photothermal imaging sensors. All imageries were first processed using the Pix4D software, and the results were then imported to ArcGIS to extract the thermal infrared canopy temperature (C) and the multispectral vegetation index. Based on the ground-truth LAI data, we analyzed the correlation betweenand the spectral data, from which an inversion model was established to estimateusing the vegetation index via three models: Multiple linear regression (MLR), support vector machine (SVM), and random forest (RF).【】①The multispectral vegetation index andCwere both correlated with theat significant level (<0.000 1), with the correlation coefficient being more than 0.5. ②The accuracy of the estimatedvaried with the models and the crop growth stages. On average, the RF model was most accurate, and fitting the field-measured data at jointing, trumpet and silking stages showed that its associated2was 0.707, 0.834 and 0.849, respectively. Theandof the RF model were also smaller than those of the MLR and SVM models. ③FusinCimproved the accuracy of all three models for predictingat the jointing stage more than at the other two stages. As the crop grew, the promotion effect gradually decreased while the accuracy of the RF model with the thermal infraredCintegrated was improved though the improvement varied with the growth stage. This indicated that includingCwas important to improveestimation.【】Multispectral vegetation index andCare strongly correlated to maize leaves, and the RF model was more accurate than the MLR and SVM models to estimate. In all three models we tested, includingCcan improve theirestimation. Methods provided in this paper offer an easy and quick way to estimate cropand have implications for precision agriculture.

summer maize; UAV; multispectral vegetation index; thermal infrared image;;inversion model

S252；S274

A

10.13522/j.cnki.ggps.2021038

1672 – 3317（2021）08 - 0042 - 08

徐洪剛, 陳震, 程千, 等. 無人機(jī)多源光譜反演大田夏玉米葉面積指數(shù)[J]. 灌溉排水學(xué)報(bào), 2021, 40(8): 42-49.

XU Honggang, CHEN Zhen, CHENG Qian, et al. Leaf Area Index of Summer Maize Estimated Using UAV-Based Multispectral Imageries [J]. Journal of Irrigation and Drainage, 2021, 40(8): 42-49.

2021-02-04

河南省科技研發(fā)專項(xiàng)（192102110095）；中國農(nóng)業(yè)科學(xué)院重大科研（CAAS-ZDXT2019002）；中央級(jí)科研院所基本科研業(yè)務(wù)費(fèi)專項(xiàng)資助項(xiàng)目（FIRI2019-01-01）；新鄉(xiāng)市重大科技專項(xiàng)（ZD2020009）

徐洪剛，男。碩士，主要從事精準(zhǔn)灌溉信息感知技術(shù)方面研究。E-mail: 2386601010@qq.com

范永申，男。研究員，碩士生導(dǎo)師，主要從事高效灌溉技術(shù)與裝備研究。E-mail: ngsfanys@126.com

責(zé)任編輯：陸紅飛