束美艷 陳向陽(yáng) 王喜慶 馬韞韜

摘要： 利用高光譜技術(shù)獲取玉米農(nóng)學(xué)參數(shù)信息，有助于提升玉米精準(zhǔn)管理水平。本研究基于3個(gè)種植密度和5份玉米材料的田間試驗(yàn)，獲取玉米大喇叭口期的地面ASD高光譜數(shù)據(jù)與無(wú)人機(jī)高光譜影像，分析不同種植密度下不同遺傳材料的葉面積指數(shù)（LAI）和單株地上部生物量，構(gòu)建基于全波段、敏感波段和植被指數(shù)的LAI和單株地上部生物量高光譜估算模型，比較分析兩類(lèi)高光譜數(shù)據(jù)在玉米表型性狀參數(shù)上的監(jiān)測(cè)能力。結(jié)果表明，野生型玉米材料的冠層光譜反射率在近紅外波段隨著種植密度的增大而增大;同一種植密度下的野生型玉米材料的光譜反射率在可見(jiàn)光和近紅外波段均為最低。在可見(jiàn)光波段550 nm的波峰處，4種轉(zhuǎn)基因材料的光譜反射率比野生型玉米材料的光譜反射率提高4.52%～19.9%，在近紅外波段870 nm的波峰處，4種轉(zhuǎn)基因材料的光譜反射率比野生型玉米材料的光譜反射率提高23.64%～57.05%?；?1個(gè)高光譜植被指數(shù)構(gòu)建的模型對(duì)LAI的估算效果最好，測(cè)試集決定系數(shù)R2為0.70，均方根誤差RMSE為0.92，相對(duì)均方根誤差rRMSE為15.94%。敏感波段反射率（839～893 nm和1336～1348 nm）對(duì)玉米單株地上部生物量估算效果最佳，測(cè)試集R2為0.71，RMSE為12.31 g，rRMSE為15.89%。綜上，田間非成像高光譜和無(wú)人機(jī)成像高光譜在玉米LAI及生物量估算方面具有較好的一致性，能夠快速有效地提取地塊尺度玉米農(nóng)學(xué)參數(shù)信息，本研究可為高光譜技術(shù)在小區(qū)尺度的精準(zhǔn)農(nóng)業(yè)管理應(yīng)用提供參考。

關(guān)鍵詞： 高光譜;玉米;葉面積指數(shù);地上部生物量;偏最小二乘回歸;無(wú)人機(jī)遙感

中圖分類(lèi)號(hào)： S127??????????? 文獻(xiàn)標(biāo)志碼： A??????????? 文章編號(hào)： 202102-SA004

引用格式：束美艷， 陳向陽(yáng)， 王喜慶， 馬韞韜. 基于高光譜數(shù)據(jù)的玉米葉面積指數(shù)和生物量評(píng)估[J]. 智慧農(nóng)業(yè)（中英文）， 2021， 3 （1）： 29-39.

Citation：SHU Meiyan， CHEN Xiangyang， WANG Xiqing， MA Yuntao. Estimation of maize leaf area index and aboveground biomass based on hyperspectral data[J]. Smart Agriculture， 2021， 3 （1）： 29-39. （

1? 引? 言

玉米是世界上最重要的糧食作物之一，廣泛使用于食品、飼料、能源、化工等行業(yè)[1]。葉面積指數(shù)（Leaf Area Index，LAI）是指單位土地面積上的植物葉片總面積[2]，與作物的光合作用和蒸騰作用密切相關(guān)，是表征作物長(zhǎng)勢(shì)的關(guān)鍵參數(shù)[3，4];地上部生物量是作物產(chǎn)量形成的重要基礎(chǔ)[5-7]。因此，準(zhǔn)確快速地獲取玉米LAI及地上部生物量對(duì)掌握其長(zhǎng)勢(shì)及預(yù)測(cè)產(chǎn)量意義重大。

傳統(tǒng)作物L(fēng)AI和地上部生物量的田間觀測(cè)方法主要是人工測(cè)量，其過(guò)程繁瑣，需要耗費(fèi)大量的人力物力[8]，結(jié)果有一定的滯后性，且大面積的田間破壞性取樣會(huì)影響群體作物的生長(zhǎng)狀況。近年來(lái)，遙感技術(shù)的日益發(fā)展和遙感數(shù)據(jù)源的日益增多，為快速獲取作物L(fēng)AI和地上部生物量提供了有效的手段。從遙感建模算法來(lái)看，主要可分為物理模型和經(jīng)驗(yàn)?zāi)Ｐ蛢煞N。物理模型機(jī)理性強(qiáng)，對(duì)作物L(fēng)AI和生物量具有較強(qiáng)的解釋能力，但模型較為復(fù)雜，需要的參數(shù)也較多[9]。經(jīng)驗(yàn)?zāi)Ｐ徒柚y(tǒng)計(jì)分析工具，計(jì)算過(guò)程相對(duì)簡(jiǎn)單，在實(shí)際研究中得到廣泛應(yīng)用[10]，但模型和參數(shù)的普適性較差。無(wú)人機(jī)成像技術(shù)作為低空遙感技術(shù)之一，對(duì)于地塊尺度獲取作物長(zhǎng)勢(shì)信息具有重要應(yīng)用價(jià)值，其時(shí)效性、操作性更強(qiáng)，有效彌補(bǔ)了衛(wèi)星遙感在精準(zhǔn)農(nóng)業(yè)應(yīng)用上空間和時(shí)間分辨率的不足[11]。搭載于無(wú)人機(jī)平臺(tái)的傳感器主要有數(shù)碼相機(jī)、多光譜相機(jī)和高光譜成像儀。與數(shù)碼和多光譜相機(jī)相比，高光譜成像儀波段更多，光譜分辨率更高[12，13]，在捕捉細(xì)微特征信息方面具有獨(dú)特的優(yōu)勢(shì)。目前利用無(wú)人機(jī)高光譜數(shù)據(jù)監(jiān)測(cè)作物長(zhǎng)勢(shì)參數(shù)主要集中于冬小麥、水稻、棉花等。田明璐等利用多個(gè)光譜參數(shù)對(duì)棉花LAI[14]及葉綠素含量[15]進(jìn)行反演及空間制圖，驗(yàn)證決定系數(shù)R2均在0.8以上。陶惠林等將無(wú)人機(jī)高光譜數(shù)據(jù)與數(shù)碼影像相結(jié)合，使用多種回歸方法對(duì)冬小麥LAI[16，17]、地上部生物量[18，19]、產(chǎn)量[20，21]進(jìn)行估算，發(fā)現(xiàn)多元線(xiàn)性回歸在各參數(shù)的應(yīng)用效果最佳。Li等[22]將無(wú)人機(jī)高光譜與物理模型相結(jié)合估算冬小麥氮密度，R2達(dá)到0.74。秦占飛等[23]通過(guò)構(gòu)建新的比值光譜指數(shù)實(shí)現(xiàn)了水稻葉片氮含量高精度反演。以上研究大多通過(guò)地面高光譜或無(wú)人機(jī)高光譜基于波段反射率或植被指數(shù)對(duì)作物參數(shù)進(jìn)行研究。

本研究以玉米地面實(shí)測(cè)LAI、地上部生物量、近地面高光譜數(shù)據(jù)及無(wú)人機(jī)成像高光譜為數(shù)據(jù)源，利用偏最小二乘（Partial Least Squares，PLS）回歸法構(gòu)建LAI和地上部生物量高光譜估算模型，對(duì)比全波段、植被指數(shù)及重要光譜波段對(duì)LAI及單株地上部生物量的反演精度，旨在探索地面高光譜與無(wú)人機(jī)高光譜在玉米農(nóng)學(xué)參數(shù)監(jiān)測(cè)的應(yīng)用能力。

2? 材料與方法

2.1 研究區(qū)概括

研究區(qū)位于吉林省公主嶺市吉林省農(nóng)業(yè)科學(xué)院試驗(yàn)基地（124°82?E，43°50?N）。公主嶺市地處吉林省中西部，東遼河中游右岸，屬于溫帶大陸性季風(fēng)氣候。溫度、雨量、光照等季節(jié)性變化顯著，年平均氣溫5.6 ℃，年平均降水量594 mm，無(wú)霜期約150 d。

2.2 試驗(yàn)設(shè)計(jì)

試驗(yàn)采用隨機(jī)區(qū)組設(shè)計(jì)，設(shè)置3個(gè)種植密度：60，000、90，000和120，000株/ha，進(jìn)行3次重復(fù)。以生物技術(shù)材料807的4個(gè)轉(zhuǎn)基因株系和野生型玉米為試驗(yàn)材料，均由中國(guó)農(nóng)業(yè)大學(xué)作物功能基因組與分子育種中心提供。共有45個(gè)小區(qū)，每個(gè)小區(qū)種植4行玉米，每行長(zhǎng)5 m，行間距為0.6 m。玉米播種日期為2018年4月26日，水肥管理完全相同，均采取當(dāng)?shù)卮筇锕芾砟Ｊ?。圖1為試驗(yàn)小區(qū)分布圖。

2.3 冠層參數(shù)觀測(cè)

LAI和單株生物量、近地面高光譜和無(wú)人機(jī)高光譜數(shù)據(jù)采集均是2018年7月20日完成，此時(shí)玉米正處于11～12片完全展開(kāi)葉期（V11—V12）。

首先進(jìn)行LAI測(cè)定，使用Yaxin-1242葉面積儀（北京雅欣理儀科技有限公司）測(cè)定標(biāo)記的3株玉米的上部所有葉片的葉面積總和S1，統(tǒng)計(jì)每個(gè)小區(qū)的玉米株數(shù)N。根據(jù)小區(qū)的行數(shù)、行長(zhǎng)以及行間距計(jì)算出小區(qū)的面積S2，根據(jù)公式（1）計(jì)算出每個(gè)小區(qū)對(duì)應(yīng)的LAI。

LAI=（S_1×N）/（S_2×3） （1）

然后進(jìn)行單株地上部生物量測(cè)定。將測(cè)完葉面積后的玉米莖葉分離，放入120 ℃烘箱內(nèi)殺青30 min后，80 ℃烘干至恒重，最后稱(chēng)取這3株玉米莖葉干重總和，取其平均值作為小區(qū)單株玉米地上部生物量。

2.4 地面高光譜測(cè)量

采用ASD Field-Spectral 4地物光譜儀（Analytical Spectral Devices， Inc.， 美國(guó)）獲取玉米冠層光譜反射率，波段覆蓋范圍為350～2500 nm，輸出光譜分辨率為1 nm，可得到2150個(gè)光譜波段，儀器重量為5.44 kg。使用該儀器進(jìn)行測(cè)定田間玉米冠層光譜反射率的時(shí)間為2018年7月16日12：00～13：00，測(cè)定時(shí)光照穩(wěn)定、無(wú)云、風(fēng)速低于3級(jí)。測(cè)定時(shí)，傳感器探頭放置在玉米冠層上方1 m的位置，探頭視場(chǎng)角為25°，每測(cè)量10 min進(jìn)行一次白板校正。每個(gè)小區(qū)選取能代表該小區(qū)長(zhǎng)勢(shì)水平的3株玉米進(jìn)行測(cè)定，每株玉米重復(fù)測(cè)量10次，以30次測(cè)量結(jié)果的平均值作為該小區(qū)玉米冠層光譜的反射率。將測(cè)完光譜的3株玉米進(jìn)行標(biāo)記以供破壞性取樣。

受到環(huán)境的干擾，將1350～1500 nm、1800～2000 nm以及2400～2500 nm波段的三個(gè)水汽吸收帶刪除。對(duì)地面高光譜數(shù)據(jù)進(jìn)行中心化預(yù)處理，能夠強(qiáng)化光譜波段間的微小差異。中心化處理的計(jì)算方法如公式（2）。

x_（ij，m）=x_ij-?（x_j ） （2）其中，x_（ij，m）是第i個(gè)小區(qū)j波段反射率中心化處理后的結(jié)果;x_ij是第i個(gè)小區(qū)j波段的原始反射率;?（x_j ）是j波段反射率的平均值。

2.5 高光譜影像采集及處理

采用DJI S1000八旋翼無(wú)人機(jī)搭載Pika-L成像高光譜儀（Resonon 公司，美國(guó)）同步獲取玉米大喇叭口期田間高光譜圖像。Pika-L高光譜傳感器的波段范圍為400～1000 nm，光譜分辨率為2.1 nm，采樣間隔為3 nm，共有200個(gè)波段，儀器重量為0.6 kg。為保證數(shù)據(jù)質(zhì)量，航向和旁向重疊度均設(shè)置85%，飛行高度100 m，相機(jī)拍攝間隔2 s。起飛前，對(duì)無(wú)人機(jī)高光譜標(biāo)準(zhǔn)白板進(jìn)行拍攝用于數(shù)據(jù)的輻射定標(biāo)。共獲取100張無(wú)人機(jī)高光譜影像，將獲取的影像進(jìn)行正射校正和自動(dòng)拼接，獲取整個(gè)研究區(qū)的玉米無(wú)人機(jī)高光譜影像。拼接后的高光譜影像的地面分辨率為3 cm。在ENVI 5.3中提取出每個(gè)小區(qū)的無(wú)人機(jī)高光譜反射率數(shù)據(jù)。

2.6 高光譜植被指數(shù)選取

在作物長(zhǎng)勢(shì)高光譜研究中，除了直接以高光譜波段反射率作為自變量構(gòu)建植被生理生化指標(biāo)估算模型外，由特定波段反射率構(gòu)建的植被指數(shù)同樣是研究的重點(diǎn)。這些具有一定物理意義的植被指數(shù)在增強(qiáng)植被某一特定信號(hào)的同時(shí)，也減少了太陽(yáng)輻照度、冠層結(jié)構(gòu)、土壤背景等因素的影響[24，25]。根據(jù)前人關(guān)于作物農(nóng)學(xué)參數(shù)的相關(guān)研究中所使用的植被指數(shù)，本研究選取了21個(gè)常見(jiàn)的高光譜植被指數(shù)（表1）進(jìn)行玉米大喇叭口期LAI及生物量的估算。利用ASD地物光譜儀獲取的光譜反射率計(jì)算21個(gè)植被指數(shù)。

2.7 研究方法與估算模型評(píng)價(jià)

2.7.1 估算模型構(gòu)建

為保證LAI和地上部生物量高光譜估算模型的穩(wěn)定性及有效性，隨機(jī)選取30個(gè)樣本數(shù)據(jù)作為訓(xùn)練集用于構(gòu)建模型，剩下的15個(gè)樣本作為驗(yàn)證集用于評(píng)估模型精度，該過(guò)程重復(fù)100次。采用PLS回歸法構(gòu)建玉米指標(biāo)估算模型。

2.7.2 敏感波段篩選

在利用地面高光譜數(shù)據(jù)得到玉米冠層參數(shù)的估算模型后，通過(guò)回歸系數(shù)的檢驗(yàn)[39]確定對(duì)因變量即玉米的LAI及單株地上部生物量影響最為顯著的光譜波段。得到回歸系數(shù)的方差后，計(jì)算對(duì)應(yīng)的t統(tǒng)計(jì)量，進(jìn)行回歸系數(shù)的顯著性檢驗(yàn)。當(dāng)P值小于等于0.01時(shí)，即認(rèn)為此自變量對(duì)因變量有顯著的解釋能力。在篩選敏感波段時(shí)，參考了Meng等[40]的研究，將所有波段反射率作為輸入變量，基于PLS回歸法構(gòu)建玉米LAI和生物量估算模型。當(dāng)訓(xùn)練樣本進(jìn)行隨機(jī)變動(dòng)時(shí)，每次建模時(shí)所篩選出的波段會(huì)發(fā)生變化，建模進(jìn)行了100次循環(huán)，某個(gè)波段入選建模的頻率越高，意味著該波段對(duì)于LAI或生物量的指示意義更強(qiáng)。本研究沿用了該文獻(xiàn)中出現(xiàn)50次以上的波段作為敏感波段的篩選標(biāo)準(zhǔn)。

2.7.3 模型精度評(píng)估

將測(cè)試集100次的決定系數(shù)R2、均方根誤差RMSE以及相對(duì)均方根誤差rRMSE的平均值和標(biāo)準(zhǔn)差用于評(píng)價(jià)所建立模型的性能以及穩(wěn)定性。測(cè)試集的R2越大，RMSE與rRMSE越小意味著模型的精度和準(zhǔn)確度越高，模型的估算效果就越好。

2.7.4 統(tǒng)計(jì)分析與數(shù)據(jù)可視化

本研究利用無(wú)人機(jī)高光譜全波段、近地面高光譜全波段、近地面高光譜提取的植被指數(shù)，以及敏感光譜波段四種特征信息分別建模，并對(duì)比其精度。研究中所有的數(shù)據(jù)分析和可視化過(guò)程均在R 3.5.2軟件中進(jìn)行，其中PLS回歸建模和回歸系數(shù)的檢驗(yàn)使用pls包完成，其余計(jì)算使用tidyverse包完成，分析結(jié)果的可視化使用ggplot2包和cowplot包完成。

3? 結(jié)果與分析

3.1 種植密度和株系對(duì)玉米LAI及單株地上部生物量的影響

表2是實(shí)際測(cè)量的玉米LAI及單株地上部生物量統(tǒng)計(jì)結(jié)果。LAI平均值為5.76，單株地上部生物量平均值為77.45 g，2項(xiàng)指標(biāo)的變異系數(shù)均大于0.1，其中LAI的變異系數(shù)大于0.2。LAI和單株地上部生物量的離散程度均較大，說(shuō)明種植密度和株系對(duì)于冠層結(jié)構(gòu)具有較大影響。

圖2是實(shí)測(cè)的玉米LAI及單株地上部生物量經(jīng)過(guò)方差分析和多重比較后的結(jié)果，葉面積指數(shù)和單株地上部生物量均存在顯著差異。從圖2可看出，LAI作為群體指標(biāo)，與種植密度成正相關(guān)，即隨著種植密度升高，LAI也隨之升高;而對(duì)于單株生物量，其受種植密度的影響則要小于LAI，這是由于單株生物量屬于個(gè)體指標(biāo)，當(dāng)種植密度較低時(shí)，單株玉米獲得的光照與養(yǎng)分越充足，使得單株生物量較高，因此中、低密度的單株生物量要略高于高密度，說(shuō)明中、低密度時(shí)光照和養(yǎng)分能保證植株正常生長(zhǎng)，而種植密度為120，000株/ha時(shí)，植株生長(zhǎng)相互影響，使得單株生物量有所降低。在60，000和120，000株/ha 密度下轉(zhuǎn)基因材料的葉面積指數(shù)普遍高于野生型玉米的LAI，同樣地上部生物量在上述2種密度下也呈現(xiàn)出與LAI相同的規(guī)律。在90，000株/ha密度下野生型玉米的LAI與轉(zhuǎn)基因材料的LAI相當(dāng)，野生型玉米的單株地上部生物量比轉(zhuǎn)基因材料略大。說(shuō)明轉(zhuǎn)基因材料的植株普遍比野生型材料較大，但對(duì)于LAI和單株地上部生物量因密度的變化而不同。

3.2 不同種植密度或株系的玉米冠層光譜反射率

圖3和圖4分別是野生型材料在3種種植密度下和5種材料在120，000株/ha密度下的近地面高光譜曲線(xiàn)?？梢缘玫揭韵乱?guī)律：各光譜曲線(xiàn)具有相似的形態(tài)特征，波峰和波谷的所在位置基本保持一致，說(shuō)明密度和株系雖然使得玉米冠層結(jié)構(gòu)發(fā)生改變，但未改變作物的基本光譜規(guī)律;野生型材料的冠層光譜反射率在可見(jiàn)光波段120，000株/ha密度下最低，90，000株/ha密度下最高，在近紅外波段隨著種植密度的增大而增大，說(shuō)明近紅外波段更能突出顯示密度導(dǎo)致的植株差異;同一種植密度下的5種材料中，野生型材料的光譜反射率在可見(jiàn)光和近紅外波段均最低。在可見(jiàn)光波段550 nm的波峰處，4種轉(zhuǎn)基因材料的光譜反射率比野生型材料的光譜反射率提高4.52%～19.90%，在近紅外波段870 nm的波峰處，4種轉(zhuǎn)基因材料的光譜反射率比野生型材料的光譜反射率提高23.64%～57.05%。玉米冠層光譜反射率因種植密度及玉米株系的不同呈現(xiàn)差異。

3.3 LAI估算結(jié)果與分析

3.3.1 玉米LAI敏感波段篩選結(jié)果

圖5是基于ASD高光譜數(shù)據(jù)的玉米LAI敏感波段的篩選結(jié)果，在100次重復(fù)建模中，516～525 nm及569～609 nm波段能夠顯著解釋玉米LAI的次數(shù)超過(guò)50次。因此這些波段為玉米大喇叭口期LAI的敏感波段。

3.3.2 玉米LAI估算模型結(jié)果

分別以無(wú)人機(jī)高光譜、近地面高光譜、常用高光譜植被指數(shù)以及LAI敏感波段反射率為自變量構(gòu)建玉米LAI估算模型。表3為100次重復(fù)建模的平均值和標(biāo)準(zhǔn)差。由結(jié)果可知，使用光譜植被指數(shù)估算玉米葉面積指數(shù)的效果最好，測(cè)試集R2為0.70，RMSE為0.92，rRMSE為15.94%。結(jié)果表明，基于無(wú)人機(jī)高光譜和近地面高光譜估算葉面積指數(shù)的效果相當(dāng)，而使用敏感波段反射率所構(gòu)建的模型精度最低。

基于無(wú)人機(jī)高光譜、近地面高光譜、常用高光譜植被指數(shù)以及葉面積指數(shù)敏感波段反射率構(gòu)建了玉米LAI的估算模型。圖6是從100個(gè)PLS回歸模型中隨機(jī)選取1個(gè)模型進(jìn)行展示的結(jié)果，表明不同參量進(jìn)行估算LAI的測(cè)試集結(jié)果均與表3保持一致。

3.4 單株地上部生物量估算結(jié)果與分析

3.4.1 玉米單株地上部生物量敏感波段篩選結(jié)果

圖7是基于ASD高光譜數(shù)據(jù)的玉米單株地上部生物量敏感波段的篩選結(jié)果。839～893 nm以及1336～1348 nm波段出現(xiàn)次數(shù)超過(guò)50，因此這些波段被判斷為玉米大喇叭口期單株地上部生物量的敏感波段。篩選出的敏感波段區(qū)間可為后續(xù)的玉米育種中的冠層參數(shù)高光譜診斷提供先驗(yàn)知識(shí)。

3.4.2 玉米單株地上部生物量估算結(jié)果

分別以無(wú)人機(jī)高光譜全波段、近地面高光譜全波段、常用高光譜植被指數(shù)以及地上部生物量敏感波段反射率為自變量構(gòu)建玉米單株地上部生物量估算模型。表4為100次重復(fù)建模的平均值和標(biāo)準(zhǔn)差。由結(jié)果可知，使用敏感光譜波段估算玉米地上部生物量的效果最好，測(cè)試集R2為0.71，RMSE為12.31 g，rRMSE為15.89%。結(jié)果表明，使用無(wú)人機(jī)高光譜、近地面高光譜或光譜植被指數(shù)進(jìn)行玉米單株地上部生物量估算的效果差別不大。

基于無(wú)人機(jī)高光譜、近地面高光譜、常用植被指數(shù)以及地上部生物量敏感波段反射率構(gòu)建了玉米單株地上部生物量的估算模型。圖8是從100個(gè)PLS回歸模型中隨機(jī)選取1個(gè)模型進(jìn)行展示的結(jié)果。結(jié)果表明，不同高光譜參量進(jìn)行估算單株地上部生物量的測(cè)試集結(jié)果均與上述表4一致。

4? 結(jié)論與討論

本研究分別以無(wú)人機(jī)高光譜全波段、近地面高光譜全波段、常用植被指數(shù)和敏感光譜波段為自變量，使用PLS回歸法分別估算田間大喇叭口期玉米LAI和單株地上部生物量，取得了滿(mǎn)意的結(jié)果。其中，常用光譜植被指數(shù)對(duì)玉米LAI的估算效果相對(duì)最好，測(cè)試集R2為0.70，RMSE為0.92，rRMSE為15.94%;敏感光譜波段對(duì)田間大喇叭口期玉米單株地上部生物量估算效果相對(duì)最好，測(cè)試集R2為0.71，RMSE為12.31 g，rRMSE為15.89%。

考慮到地面高光譜的光譜通道更多、更窄，在捕捉目標(biāo)地物的細(xì)微特征方面具有更高的響應(yīng)能力，本研究基于地面高光譜來(lái)篩選玉米LAI和生物量的敏感波段，并與波段較少的無(wú)人機(jī)高光譜數(shù)據(jù)進(jìn)行模型精度對(duì)比，研究表明兩種傳感器在監(jiān)測(cè)玉米LAI和生物量上均取得較高的反演精度。冠層光譜主要由植被、土壤、陰影及其它因素的綜合作用而決定。由于地面高光譜是非成像數(shù)據(jù)，無(wú)法剔除背景信息，為了與地面高光譜保持一致，無(wú)人機(jī)數(shù)據(jù)使用的是每個(gè)小區(qū)的平均高光譜反射率。本研究分別用地面高光譜（1700個(gè)波段）和無(wú)人機(jī)高光譜（200個(gè)波段）估算LAI。利用無(wú)人機(jī)高光譜估算LAI其測(cè)試集R2為0.65，RMSE為 0.98，rRMSE為17.00%;利用近地面高光譜估算LAI其測(cè)試集R2為0.64，RMSE為1.04，rRMSE為18.12%，說(shuō)明高光譜數(shù)據(jù)中存在大量與玉米LAI無(wú)關(guān)的波段，剔除這些無(wú)關(guān)波段對(duì)葉面積指數(shù)估算影響較小。本研究還發(fā)現(xiàn)，在各種變量建模結(jié)果中，基于敏感光譜波段的LAI估算精度最低，原因可能是葉面積指數(shù)敏感光譜波段的篩選條件過(guò)于嚴(yán)苛。在估算玉米生物量時(shí)，隨著高光譜波段數(shù)量的減少，模型的估算效果不斷提高，其中使用敏感光譜波段反射率取得了最好的結(jié)果，說(shuō)明在估算玉米單株地上部生物量時(shí)，高光譜波段存在著“冗余”現(xiàn)象，降低光譜波段數(shù)量，選擇敏感光譜波段有助于提高其估算精度。

本研究可為基于高光譜技術(shù)監(jiān)測(cè)育種材料性狀參數(shù)的應(yīng)用方面提供參考。在育種材料數(shù)量較多的情況下，利用該方法僅需少量實(shí)測(cè)樣本即可快速得到所有育種小區(qū)的生長(zhǎng)發(fā)育情況。本研究構(gòu)建的模型雖然取得較為滿(mǎn)意的結(jié)果，但目前僅限于玉米單個(gè)生育期，在后續(xù)研究中還需增加更多的生育期來(lái)驗(yàn)證。此外，高光譜數(shù)據(jù)的信息挖掘方法較多，本研究目前嘗試了全波段、植被指數(shù)和敏感光譜波段等光譜特征參量，后續(xù)研究中有必要嘗試更多的光譜變換算法，進(jìn)一步提升高光譜影像監(jiān)測(cè)作物長(zhǎng)勢(shì)參量的精度和穩(wěn)定性。

參考文獻(xiàn)：

[1]??? 束美艷， 顧曉鶴， 孫林， 等. 倒伏脅迫下的玉米冠層結(jié)構(gòu)特征變化與光譜響應(yīng)解析[J]. 光譜學(xué)與光譜分析， 2019， 39（11）： 3553-3559.SHU M， GU X， SUN L， et al. Structural characteristics change and spectral response analysis of maize canopy under lodging stress[J]. Spectroscopy and Spectral Analysis， 2019， 39（11）： 3553-3559.

[2]??? 周龍飛， 張?jiān)弃Q， 成樞， 等. 不同生育期倒伏脅迫下玉米葉面積指數(shù)高光譜響應(yīng)解析[J]. 遙感技術(shù)與應(yīng)用， 2019， 34（4）： 766-774.ZHOU L， ZHANG Y， CHENG S， et al. Analysis of hyperspectral response of maize leaf area index under lodging stress under different growth stages[J]. Remote Sensing Technology and Application， 2019， 34（4）： 766-774.

[3]??? 潘海珠， 陳仲新. 無(wú)人機(jī)高光譜遙感數(shù)據(jù)在冬小麥葉面積指數(shù)反演中的應(yīng)用[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃， 2018， 9（3）： 32-37PAN H， CHEN Z. Application of UVA hyperspectral remote sensing in winter wheat leaf area index inversion[J]. Chinese Journal of Agricultural Resources and Regional Planning， 2018， 9（3）： 32-37

[4]??? 束美艷， 顧曉鶴， 孫林， 等. 基于新型植被指數(shù)的冬小麥LAI高光譜反演[J]. 中國(guó)農(nóng)業(yè)科學(xué)， 2018， 51（18）： 3486-3496.SHU M， GU X， SUN L， et al. High spectral inversion of winter wheat LAI based on new vegetation index[J]. Scientia Agricultura Sinica， 2018， 51（18）： 3486-3496.

[5]??? BENDING J， KANG YU， AASEN H， et al. Combining UAV-based plant height from crop surface models， visible， and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observations and Geoinformation， 2015， 39： 79-87.

[6]??? 李天馳， 馮海寬， 朱貝貝， 等. 基于無(wú)人機(jī)高光譜和數(shù)碼影像數(shù)據(jù)的冬小麥生物量反演[J]. 現(xiàn)代農(nóng)業(yè)科技， 2020（20）： 1-5.LI T， FENG H， ZHU B， et al. Winter wheat biomass inversion based on UAV hyperspectral and digital image data[J]. Modern Agricultural Science and Technology， 2020（20）： 1-5.

[7]??? BODO M， URS S. Tractor-based quadrilateral spectral reflectance measurements to detect biomass and total aerial nitrogen in winter wheat[J]. Agronomy Journal， 2010， 102（2）： 499-506.

[8]??? 劉楊， 馮海寬， 孫乾， 等. 基于無(wú)人機(jī)高光譜分?jǐn)?shù)階微分的馬鈴薯地上生物量估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（12）： 202-211.LIU Y， FENG H， SUN Q， et al. Estimation of potato above-ground biomass based on fractional differential of UAV hyperspectral[J]. Transactions of the CSAM， 2020， 51（12）： 202-211.

[9]??? WU C， NIU Z， TANG Q， et al. Estimating chlorophyll content from hyperspectral vegetation indices： Modeling and validation[J].? Agricultural and Forest Meteorology， 2008， 148（8）： 1230-1241.

[10]? CROFT H， J M， ZHANG C. The applicability of empirical vegetation indices for determining leaf chlorophyll content over different leaf and canopy structures[J]. Ecological Complexity， 2014， 17： 119-130.

[11]? 程雪， 賀炳彥， 黃耀歡， 等. 基于無(wú)人機(jī)高光譜數(shù)據(jù)的玉米葉面積指數(shù)估算[J]. 遙感技術(shù)與應(yīng)用， 2019， 34（4）： 775-784.CHENG X， HE B， HUANG Y， et al. Estimation of corn leaf area index based on UAV hyperspectral image[J]. Remote Sensing Technology and Application， 2019， 34（4）： 775-784.

[12]? 常瀟月， 常慶瑞， 王曉凡， 等. 基于無(wú)人機(jī)高光譜影像玉米葉綠素含量估算[J]. 干旱地區(qū)農(nóng)業(yè)研究， 2019， 37（1）： 66-73.CHANG X， CHANG Q， WANG X， et al. Estimation of maize leaf chlorophyll contents based on UAV hyperspectral drone image[J]. Agricultural Research in the Arid Areas， 2019， 37（1）： 66-73.

[13]? ZHOU Y， JIANG M. Comparison of inversion method of maize leaf area index based on UAV hyperspectral remote sensing[J]. Multimedia Tools and Applications， 2020（79）： 16385-16401.

[14]? 田明璐， 班松濤， 常慶瑞， 等. 基于低空無(wú)人機(jī)成像光譜儀影像估算棉花葉面積指數(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2016， 32（21）： 102-108.TIAN M， BAN S， CHANG Q， et al. Use of hyperspectral images from UAV-based imaging spectroradiometer to estimate cotton leaf area index[J]. Transactions of the CSAE， 2016， 32（21）： 102-108.

[15]? 田明璐， 班松濤， 常慶瑞， 等. 基于無(wú)人機(jī)成像光譜儀數(shù)據(jù)的棉花葉綠素含量反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2016， 47（11）： 285-293.TIAN M， BAN S， CHANG Q， et al. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV-based imaging spectroradiometer[J]. Transactions of the CSAM， 2016， 47（11）： 285-293.

[16]? 陶惠林， 馮海寬， 楊貴軍， 等. 基于無(wú)人機(jī)成像高光譜影像的冬小麥LAI估測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（1）： 176-187.TAO H， FENG H， YANG G， et al. Leaf area index estimation of winter wheat based on UAV imaging hyperspectral imagery[J]. Transactions of the CSAM， 2020， 51（1）： 176-187.

[17]? 陶惠林， 徐良驥， 馮海寬， 等. 基于無(wú)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 H， XU L， FENG H， et al. Estimation of plant height and leaf area index of winter wheat based on UAV hyperspectral remote sensing[J]. Transactions of the CSAM， 2020， 51（12）： 193-201.

[18]? 陶惠林， 馮海寬， 徐良驥， 等. 基于無(wú)人機(jī)高光譜遙感數(shù)據(jù)的冬小麥生物量估算[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)， 2020， 36（5）： 1154-1162.TAO H， FENG H， XU L， et al. Winter wheat biomass estimation based on hyperspectral remote sensing data of unmanned aerial vehicle（UAV）[J]. Jiangsu Journal of Agricultural Sciences， 2020， 36（5）： 1154-1162.

[19]? 陶惠林， 徐良驥， 馮海寬， 等. 基于無(wú)人機(jī)高光譜長(zhǎng)勢(shì)指標(biāo)的冬小麥長(zhǎng)勢(shì)監(jiān)測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（2）： 180-191.TAO H， XU L， FENG H， et al. Monitoring of winter wheat growth based on UAV hyperspectral growth index[J]. Transactions of the CSAM， 2020， 51（2）： 180-191.

[20]? 陶惠林， 徐良驥， 馮海寬， 等. 基于無(wú)人機(jī)高光譜遙感數(shù)據(jù)的冬小麥產(chǎn)量估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（7）： 146-155.TAO H， XU L， FENG H， et al. Winter wheat yield estimation based on UAV hyperspectral remote sensing data[J]. Transactions of the CSAM， 2020， 51（7）： 146-155.

[21]? 陶惠林， 馮海寬， 楊貴軍， 等. 基于無(wú)人機(jī)數(shù)碼影像和高光譜數(shù)據(jù)的冬小麥產(chǎn)量估算對(duì)比[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（23）： 111-118.TAO H， FENG H， YANG G， et al. Comparison of winter wheat yields estimated with UAV digital image and hyperspectral data[J]. Transactions of the CASE， 2019， 35（23）： 111-118.

[22]? LI Z， LI Z， FAIRBAIRN D， et al. Multi-LUTs method for canopy nitrogen density estimation in winter wheat by field and UAV hyperspectral[J]. Computers and Electronics in Agriculture， 2019， 162： 174-182.

[23]? 秦占飛， 常慶瑞， 謝寶妮， 等. 基于無(wú)人機(jī)高光譜影像的引黃灌區(qū)水稻葉片全氮含量估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2016， 32（23）： 77-85.QIN Z， CHANG Q， XIE B， et al. Rice leaf nitrogen content estimation based on hyperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the CSAE， 2016， 32（23）： 77-85.

[24]? DRISS H， JOHN R. MILLER 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]? ZARCO-TFJADA P， MILLER J， MORALES A， et al. Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops[J]. Remote Sensing of Environment， 2004， 90（4）： 463-476.

[26]? LE G， MAIRE C， FRANCOIS E， et al. Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements[J]. Remote Sensing of Environment， 2003， 89（1）： 1-28.

[27]? ANATOLY A， GITRLSION Y， KAUFMAN M， et al. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment， 1996， 58（3）： 289-298.

[28]? CWU C， NIU Z， TANG Q， et al. Estimating chlorophyll content from hyperspectral vegetation indices： Modeling and validation[J]. Agricultural and Forest Meteorology， 2008， 148（8）： 1230-1241.

[29]? SIMS D， GANMON J. Relationships between leaf pigment content and spectral reflectance across a wide range of species， leaf structures and developmental stages[J]. Remote Sensing of Environment， 2002， 81（2）： 337-354.

[30]? DASH J， CURRAN P. The MERIS terrestrial chlorophyll index[J]. International Journal of Remote Sensing， 2004， 25（23）： 5403-5413.

[31]? HANSEN P， SCHJOERRING J. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J]. Remote Sensing of Environment， 2003， 86（4）： 542-553.

[32]? CHU X， GUO Y， HE J， et al. Comparison of different hyperspectral vegetation indices for estimating canopy leaf nitrogen accumulation in rice[J]. Agronomy Journal， 2014， 106（5）： 1911-1920.

[33]? FAVA F， COLOMBO R， BOCCHI S， et al. Identification of hyperspectral vegetation indices for Mediterranean pasture characterization[J]. International Journal of Applied Earth Observation and Geoinformation， 2009， 11（4）： 233-243.

[34]? BISUN D. Remote sensing of chlorophyll a， chlorophyll b， chlorophyll a+b， and total carotenoid content in eucalyptus leaves[J]. Remote Sensing of Environment， 1998， 66（2）： 111-121.

[35]? STEDDOM K， HEIDEL G， JONES D， et al. Remote detection of rhizomania in sugar beets[J]. Phytopathology， 2003， 93（6）： 720-726.

[36]? GITELSON A， MERZLYAK M N. Quantitative estimation of chlorophyll-a using reflectance spectra： Experiments with autumn chestnut and maple leaves[J]. Journal of Photochemistry and Photobiology B Biology， 1994， 22（3）： 247-252.

[37]? MAIRAJ D， JIN M， SADEED H， et al. Estimation of dynamic canopy variables using hyperspectral derived vegetation indices under varying N rates at diverse phenological stages of rice[J]. Frontiers in Plant Science， 2019， 9： ID 1883.

[38] 薛利紅， 曹衛(wèi)星， 羅衛(wèi)紅， 等.小麥葉片氮素狀況與光譜特性的相關(guān)性研究[J]. 植物生態(tài)學(xué)報(bào)， 2004， 28（2）： 172-177.XUE L， CAO W， LUO W， et al. Correlation between leaf nitrogen status and canopy spectral characteristics in wheat[J]. Acta Phytoecologica Sinica， 2004， 28（2）： 172-177.

[39]? QUENOUILLE M. Approximate tests of correlation in time-series[J]. Journal of the Royal Statistical Society， Series B （Methodological）， 1949， 11（1）： 68-84.

[40]? MENG B， SKIDMORE A K， SCHLERF M， et al. Predicting foliar biochemistry of tea （Camellia sinensis） using reflectance spectra measured at powder， leaf and canopy levels[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2013， 78： 148-156.

Estimation of Maize Leaf Area Index and Aboveground Biomass Based on Hyperspectral Data

SHU Meiyan1， CHEN Xiangyang2， WANG Xiqing2*， MA Yuntao1*

（1.College of Land Science and Technology， China Agricultural University， Beijing 100193， China;

2.College of Biological Science， China Agricultural University， Beijing 100193， China）

Abstract： In order to assess maize growth status accurately and quickly for improving maize precise management， field experiment was conducted in Gongzhuling research station， Jilin Academy of Agricultural Sciences， Jilin province. Experimental design included 3 planting densities and 5 maize materials. The near-ground hyperspectral data and the unmanned aerial vehicle （UAV） hyperspectral images were obtained when maize were during V11-V12 stage. The application abilities of the hyperspectral data obtained from the two phenotyping platforms were compared and analyzed in the estimation of maize leaf area index （LAI） and aboveground biomass. In this study， 21 commonly used spectral vegetation indices were constructed based on ground hyperspectral data， and then the estimation models of maize LAI and aboveground biomass were established based on ground hyperspectral full-bands， UAV hyperspectral full-bands and vegetation indices and partial least square regression method， respectively. According to the variance estimation of regression coefficients， the important bands of LAI and aboveground biomass were selected， and the partial least square method was also used to establish the estimation model of maize LAI and aboveground biomass based on important bands. The results showed that the canopy spectral reflectance of the same maize material increased with the increase of planting density in the near infrared bands. Among the 5 maize materials under the same planting density， the canopy spectral reflectance of wild type material was the lowest in the visible and near infrared bands. For LAI， the model constructed based on vegetation indices had the best estimation result， with R2， RMSE and rRMSE values of 0.70， 0.92 and 15.94%. For aboveground biomass， the model constructed based on the sensitive spectral bands （839-893 nm and 1336-1348 nm） had the best estimation results， with R2， RMSE and rRMSE values of 0.71， 12.31 g and 15.89%， which showed that there was information redundancy in hyperspectral bands in the estimation of aboveground biomass， and the estimation accuracy could be improved by reducing the number of spectral bands and selecting sensitive spectral bands. In summary， the UAV hyperspectral images have a good application ability in the estimation of maize LAI and aboveground biomass， and can quickly and effectively extract the parameters information of maize growth. For specific parameters， sensitive spectral bands selected can provide reliable basis for the development and practical application of multi-spectrum in the future. The study can provide a reference for the use of hyperspectral technology in the management of precision agriculture at the community scale.

Key words： hyper-spectrum; maize; leaf area index; aboveground biomass; partial least squares regression; UAV remote sensing