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

陶惠林 馮海寬 徐良驥 楊貴軍 楊小冬 苗夢(mèng)珂 劉明星

摘要：以植被指數(shù)和紅邊參數(shù)為模型因子，利用多元線性回歸（MLR），構(gòu)建冬小麥不同生育期的生物量估算模型，從而有效和更好地監(jiān)測(cè)冬小麥的長(zhǎng)勢(shì)情況，為精準(zhǔn)農(nóng)業(yè)中作物的快速監(jiān)測(cè)提供技術(shù)手段。首先分析植被指數(shù)（VI）和紅邊參數(shù)（REPS）與冬小麥生物量的相關(guān)性，然后運(yùn)用MLR分別建立模型MLR+VI、MLR+REPS和MLR+VI+REPS，最后將優(yōu)選的冬小麥生物量估算模型應(yīng)用于無(wú)人機(jī)高光譜影像中，驗(yàn)證模型的可行性。結(jié)果表明，利用單個(gè)植被指數(shù)或紅邊參數(shù)構(gòu)建的估算模型在孕穗期、開花期和灌漿期估算精度最高的植被指數(shù)分別是歸一化植被指數(shù)（NDVI）、簡(jiǎn)單比值指數(shù)（SR）和增強(qiáng)型土壤調(diào)節(jié)植被指數(shù)（MSAVI），精度最高的紅邊參數(shù)分別為紅邊振幅/最小振幅、紅邊振幅和紅邊振幅;通過(guò)MLR分別以植被指數(shù)、紅邊參數(shù)和植被指數(shù)結(jié)合紅邊參數(shù)為因子構(gòu)建的模型MLR+VI、MLR+REPS與MLR+VI+REPS效果優(yōu)于單個(gè)植被指數(shù)或紅邊參數(shù)建立的模型，3種模型在不同生育期的驗(yàn)證結(jié)果也較好，其中MLR+VI+REPS模型精度最高，模型決定系數(shù)（R2）、標(biāo)準(zhǔn)均方根誤差（NRMSE）分別為0.783 2與12.13%。

關(guān)鍵詞：無(wú)人機(jī);高光譜;冬小麥;多元線性回歸;植被指數(shù);紅邊參數(shù)

中圖分類號(hào)：S127文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-4440（2020）05-1154-09

Abstract： Using vegetation index （VI） and red edge parameter （REPS） as model factors， multivariate linear regression （MLR） was used to construct a biomass estimation model for winter wheat in different growth periods， to effectively and better monitor the growth of winter wheat and provide technical means for rapid monitoring of crops in precision agriculture. The correlation of VI and REPS with biomass of winter wheat was analyzed first. Then MLR+VI model， MLR+REPS model and MLR+VI+REPS model were constructed by MLR respectively. Finally， the optimized model for estimation of biomass in winter wheat was applied in hyperspectral images taken by unmanned aerial vehicles to verify the feasibility of the models. The results showed that the vegetation indices with the highest estimation accuracy of the estimation model constructed by single vegetation index or red edge parameter in booting stage， flowering stage and filling stage were normalized difference vegetation index （NDVI）， simple ratio index （SR） and modified soil-adjusted vegetation index （MSAVI） respectively， and the red edge parameters with the highest precision were red edge amplitude/minimum amplitude， red edge amplitude and red edge amplitude respectively. The effects of MLR+VI model， MLR+REPS model and MLR+VI+REPS model were better than the models constructed by single vegetation index or single red edge parameter. The verification results of the MLR+VI model， MLR+REPS model and MLR+VI+REPS model in different growth periods were also good， and the MLR+VI+REPS model showed the highest precision， the coefficient of determination （R2） and normalized root mean square error （NRMSE） of the model were 0.783 2 and 12.13% respectively.

Key words：unmanned aerial vehicle（UAV）;hyperspectral;winter wheat;multiple linear regression;vegetation index;red edge parameters

生物量是作物生長(zhǎng)過(guò)程中重要的生物物理參數(shù)之一[1]，能夠很好地反映作物的長(zhǎng)勢(shì)情況，便于農(nóng)業(yè)管理者對(duì)作物更好地進(jìn)行管理。通過(guò)地面方式進(jìn)行生物量獲取會(huì)浪費(fèi)大量的時(shí)間和人力、物力，造成資源浪費(fèi)，且會(huì)對(duì)作物造成一定程度的破壞[2-3];高空進(jìn)行生物量的獲取適合大范圍、大區(qū)域的作物監(jiān)測(cè)[4-7];而低空中的無(wú)人機(jī)遙感技術(shù)具有高分辨率、觀測(cè)方便等優(yōu)點(diǎn)[8-10]，高光譜的波段信息多，從中可以分析作物的敏感波段[11]，在無(wú)人機(jī)上攜帶高光譜傳感器可以更好地進(jìn)行生物量的估算。關(guān)于生物量相關(guān)方面的研究，國(guó)內(nèi)外學(xué)者做了大量的探索。劉占宇等使用地面ASD光譜儀，結(jié)合線性、非線性和逐步回歸這3種分析方法，發(fā)現(xiàn)利用逐步回歸方法，以840 nm、1 132 nm、1 579 nm、1 769 nm和2 012 nm這5個(gè)波段反射率作為變量的生物量估算模型最佳[12]。蒙詩(shī)櫟等運(yùn)用WorldView-2衛(wèi)星多光譜遙感影像，將植被指數(shù)與紋理結(jié)合，構(gòu)建的生物量模型有較高估算效果（R2=0.85，RMSE=42.30 t/hm2）[13]。另外，高光譜遙感衛(wèi)星也有廣泛應(yīng)用。Bao等通過(guò)LANDSAT TM、EOS MODIS衛(wèi)星數(shù)據(jù)和野外高光譜數(shù)據(jù)進(jìn)行了遙感估測(cè)，對(duì)高光譜的光譜參數(shù)進(jìn)行優(yōu)選，選出最佳光譜指數(shù)，將最佳光譜指數(shù)與TM、MODIS影像一起估算生物量，最佳估算模型的RMSE為66.403 g/m2[14]。Psomas等用獲取的EO-1衛(wèi)星高光譜數(shù)據(jù)監(jiān)測(cè)草地生物量，通過(guò)窄帶歸一化植被指數(shù)（NDVI）、單個(gè)光譜帶的多元線性回歸（MLR）構(gòu)建生物量監(jiān)測(cè)模型，發(fā)現(xiàn)以NDVI構(gòu)建的模型最佳 [15]。但地面遙感技術(shù)無(wú)法生成影像，高空遙感技術(shù)空間分辨率低，影響因素較多。近些年，無(wú)人機(jī)遙感技術(shù)在農(nóng)業(yè)上得到廣泛應(yīng)用。肖武等采用無(wú)人機(jī)攜帶多光譜相機(jī)獲取無(wú)人機(jī)影像，挑選了22種植被指數(shù)，構(gòu)建一元回歸、多元逐步回歸反向傳播神經(jīng)網(wǎng)絡(luò)的生物量模型，篩選出了以反向傳播神經(jīng)網(wǎng)絡(luò)構(gòu)建的生物量模型，R2為0.83，提高了采煤沉陷區(qū)域玉米生物量反演模型精度[16]。陸國(guó)政等基于無(wú)人機(jī)數(shù)碼和高光譜數(shù)據(jù)，將植被指數(shù)、光譜參數(shù)和株高一起作為因子，對(duì)大豆開花期和結(jié)莢期的鮮生物量進(jìn)行估算，發(fā)現(xiàn)在大豆開花結(jié)莢期和鼓粒成熟期構(gòu)建的模型都有比較高的精度和可靠性 [17]。基于不同遙感平臺(tái)反演生物量，大部分人通過(guò)植被指數(shù)或植被指數(shù)結(jié)合機(jī)器學(xué)習(xí)算法建立生物量反演模型，卻很少有人深度分析光譜的紅邊區(qū)域，以植被指數(shù)結(jié)合紅邊參數(shù)作建模因子，通過(guò)多元線性回歸（MLR）構(gòu)建生物量估算模型。本研究基于冬小麥孕穗期、開花期和灌漿期的無(wú)人機(jī)高光譜和實(shí)測(cè)生物量數(shù)據(jù)，從高光譜紅邊區(qū)域提取出紅邊參數(shù)，分別用植被指數(shù)和紅邊參數(shù)估算生物量，通過(guò)MLR構(gòu)建植被指數(shù)、紅邊參數(shù)及植被指數(shù)結(jié)合紅邊參數(shù)的生物量估算模型并分析對(duì)比，挑選出估算精度最好的模型，應(yīng)用于無(wú)人機(jī)高光譜影像中，以驗(yàn)證估算模型的可行性和可靠性。

1材料與方法

1.1研究區(qū)概況

研究區(qū)位于北京市昌平區(qū)小湯山國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范基地，處在溫帶和半濕潤(rùn)大陸性季風(fēng)氣候地區(qū)，基地多種植小麥、玉米等作物，研究區(qū)位置如圖1所示。

所選取的試驗(yàn)田有48個(gè)小區(qū)，每個(gè)小區(qū)寬6 m，長(zhǎng)8 m。供試小麥品種為京9843和中麥175。肥料處理為0 kg/hm2、195 kg/hm2、390 kg/hm2和585 kg/hm2尿素。于冬小麥孕穗期、開花期和灌漿期進(jìn)行無(wú)人機(jī)高光譜監(jiān)測(cè)。

1.2地面數(shù)據(jù)獲取

通過(guò)收獲法來(lái)獲取試驗(yàn)田冬小麥孕穗期、開花期和灌漿期生物量數(shù)據(jù)。在每個(gè)小區(qū)隨機(jī)取30株樣本，帶回實(shí)驗(yàn)室分離莖、葉，清水清洗干凈，在105 ℃下進(jìn)行殺青，80 ℃烘48 h以上，直至恒質(zhì)量。稱量孕穗期、開花期和灌漿期各樣本的鮮、干質(zhì)量，得到各生育期的總生物量，再計(jì)算出單位面積的總生物量（表1）。

1.3無(wú)人機(jī)高光譜數(shù)據(jù)獲取和處理

在進(jìn)行地面生物量數(shù)據(jù)獲取的同時(shí)，于孕穗期、開花期和灌漿期利用無(wú)人機(jī)獲取不同生育期的高光譜影像數(shù)據(jù)，無(wú)人機(jī)搭載Cubert UHD185 Firefly成像光譜儀。成像光譜儀主要參數(shù)：型號(hào)UHD18，生產(chǎn)地德國(guó)，質(zhì)量470 g，大小195 mm×67 mm×60 mm，操作條件0～40 ℃，通道數(shù)125，光譜間隔4 nm，光譜范圍450～950 nm。獲取高光譜數(shù)據(jù)的時(shí)間為10∶00-14∶00，天空無(wú)云或少云，無(wú)人機(jī)飛行高度為100 m。

無(wú)人機(jī)高光譜數(shù)據(jù)的處理主要包括影像校正、影像拼接和反射率的提取。影像校正：將影像的DN值轉(zhuǎn)換為地表反射率值。影像拼接：利用俄羅斯的Agisoft PhotoScan 軟件，生成孕穗期、開花期和灌漿期的正射影像。反射率的提取：在Arcgis中完成，將每個(gè)小區(qū)進(jìn)行編號(hào)，再根據(jù)小區(qū)面積繪制出各小區(qū)的矢量，并構(gòu)建感興趣區(qū)，最后利用IDL程序提取出各小區(qū)的冠層光譜，將此冠層光譜作為各小區(qū)的反射率數(shù)據(jù)，依次得到孕穗期、開花期和灌漿期的反射率數(shù)據(jù)。

1.4光譜指數(shù)的選取

為了構(gòu)建冬小麥生物量的估算模型，根據(jù)已有文獻(xiàn)資料選取13種光譜指數(shù)，其中8種是植被指數(shù)，5種為紅邊參數(shù)（表2）。

1.5數(shù)據(jù)分析方法

利用多元線性回歸（Multivariable liner regression，MLR）方法計(jì)算冬小麥生物量（Y），公式如下。

1.6統(tǒng)計(jì)分析

以決定系數(shù)（Coefficient of determination，R2）、均方根誤差（Root mean squared error，RMSE）和標(biāo)準(zhǔn)均方根誤差（Normalized root mean squared error，NRMSE）作為估算模型的評(píng)價(jià)指標(biāo)[31]，計(jì)算公式如下。式中xi是冬小麥生物量的實(shí)測(cè)值，x—是生物量實(shí)測(cè)值的平均值，yi為估算模型的生物量估算值，y—為生物量估算值的平均值，n是樣本數(shù)。

2結(jié)果與分析

2.1UHD185成像光譜儀數(shù)據(jù)精度分析

在使用無(wú)人機(jī)UHD185高光譜數(shù)據(jù)前，為了確保數(shù)據(jù)的精度，用地面ASD數(shù)據(jù)作精度驗(yàn)證。將重采樣地面采集的ASD數(shù)據(jù)轉(zhuǎn)換為UHD185的各個(gè)波段數(shù)據(jù)，得到冬小麥不同生育期的光譜反射率，將不同生育期地面ASD重采樣光譜反射率與UHD185光譜反射率進(jìn)行對(duì)比分析（圖2）。由圖2可知，UHD185光譜反射率曲線與ASD重采樣光譜反射率曲線在680～758 nm時(shí)表現(xiàn)出較高的一致性，即在紅邊區(qū)域兩曲線變化情況較為一致，此波段范圍內(nèi)反射率都快速增加，土壤反射率較高。兩反射率曲線都在550 nm左右位置出現(xiàn)第1次峰值，表現(xiàn)為綠峰，在UHD185和ASD反射率曲線中，綠峰波段反射率均為灌漿期>開花期>孕穗期;隨著波段的推移，處于680 nm左右位置時(shí)，出現(xiàn)第1次谷值，表現(xiàn)為紅谷，兩曲線在不同生育期的反射率大小情況依然是灌漿期最高;波長(zhǎng)處在680～758 nm時(shí)，即紅邊范圍內(nèi)，兩者反射率都較快增加;波長(zhǎng)處于 758～950 nm時(shí)，兩曲線3個(gè)不同生育期反射率大小表現(xiàn)為孕穗期>灌漿期>開花期，對(duì)比兩曲線發(fā)現(xiàn)UHD185反射率曲線隨著波長(zhǎng)增加反射率下降較快，曲線波動(dòng)較大，而ASD反射率下降不明顯，曲線較為穩(wěn)定。綜合來(lái)說(shuō)，波長(zhǎng)處于450～758 nm時(shí)兩曲線變化是一致的，因此選取位于此波段區(qū)間的紅邊參數(shù)用于估算生物量。

2.2光譜指數(shù)與冬小麥生物量的相關(guān)性分析

將冬小麥3個(gè)生育期的光譜指數(shù)分別與對(duì)應(yīng)時(shí)期的生物量進(jìn)行相關(guān)性分析，得到孕穗期、開花期和灌漿期光譜指數(shù)與生物量的相關(guān)系數(shù)（表3）。

從表3中可以看出，當(dāng)冬小麥處于孕穗期時(shí)，整體上光譜指數(shù)與生物量呈極顯著相關(guān)關(guān)系（P<0.01），其中大部分相關(guān)系數(shù)絕對(duì)值都在0.6以上，相關(guān)性較好，光譜指數(shù)TCARI與冬小麥生物量呈顯著負(fù)相關(guān)關(guān)系，TCARI/OSAVI和最小振幅與冬小麥生物量呈極顯著負(fù)相關(guān)關(guān)系，其余光譜指數(shù)與冬小麥生物量均呈極顯著正相關(guān)。相關(guān)系數(shù)絕對(duì)值最大的光譜指數(shù)是NDVI，為0.786;絕對(duì)值最小的指數(shù)為TCARI，相關(guān)系數(shù)絕對(duì)值是0.367。開花期，光譜指數(shù)TCARI和最小振幅與冬小麥生物量間無(wú)顯著相關(guān)性，大部分光譜指數(shù)與冬小麥生物量的相關(guān)系數(shù)絕對(duì)值在0.7以上，相關(guān)性比孕穗期更好。開花期，光譜指數(shù)SR與冬小麥生物量的相關(guān)系數(shù)最大，為0.831;光譜指數(shù)最小振幅與冬小麥生物量的相關(guān)系數(shù)最小，為-0.133。灌漿期，光譜指數(shù)與冬小麥生物量的相關(guān)性與開花期表現(xiàn)相似，其中光譜指數(shù)TCARI和最小振幅與冬小麥生物量之間無(wú)顯著相關(guān)關(guān)系，其余光譜指數(shù)中，除了TCARI/OSAVI與冬小麥生物量呈極顯著負(fù)相關(guān)關(guān)系外，其他光譜指數(shù)與冬小麥生物量都呈極顯著正相關(guān)關(guān)系，相關(guān)系數(shù)最大的光譜指數(shù)為紅邊振幅，為0.701，相關(guān)系數(shù)最小的光譜指數(shù)為TCARI，為0.067。

2.3植被指數(shù)與紅邊參數(shù)估算冬小麥生物量的精度

根據(jù)光譜指數(shù)與冬小麥生物量的相關(guān)性分析結(jié)果，按相關(guān)系數(shù)絕對(duì)值大小挑選出植被指數(shù)SR、MSR、NDVI、NDVI*SR、MSAVI、OSAVI、TCARI/OSAVI和紅邊參數(shù)紅邊振幅、紅邊振幅/最小振幅、紅邊面積、紅邊位置，分別用植被指數(shù)和紅邊參數(shù)估算冬小麥不同生育期生物量。結(jié)果（表4）表明，植被指數(shù)中，不同生育期構(gòu)建的生物量估算模型精度不同，孕穗期，各植被指數(shù)中R2最大的是NDVI，為0.606 3，同時(shí)NDVI的RMSE和NRMSE也是植被指數(shù)中最小的，分別為0.096 2 kg/m2和18.86%，植被指數(shù)MSAVI的R2、RMSE和NRMSE分別為0.413 6、0.117 4 kg/m2與23.02%，其余植被指數(shù)的R2在0.4至0.6之間，NRMSE大部分處在20%以上，精度較低。開花期，各植被指數(shù)中，R2值最高、RMSE和NRMSE最小的是植被指數(shù)SR，此植被指數(shù)效果最好，效果最差的植被指數(shù)的是TCARI/OSAVI，植被指數(shù)SR相比于TCARI/OSAVI，R2高0.421 2，RMSE低0.061 6 kg/m2，NRMSE低7.81個(gè)百分點(diǎn)。灌漿期，精度最高的植被指數(shù)為MSAVI，其NRMSE達(dá)到18.97%，R2達(dá)到0.4677;精度最差的是植被指數(shù)TCARI/OSAVI，NRMSE為20.97%，R2值較低，僅為0.349 9。相比于植被指數(shù)，紅邊參數(shù)的4個(gè)參數(shù)效果整體較差。孕穗期精度最高的紅邊參數(shù)為紅邊振幅/最小振幅，其R2、RMSE和NRMSE分別是0.555 1、0.102 2 kg/m2和20.05%;精度最差的紅邊參數(shù)是紅邊位置，R2、RMSE和NRMSE分別為0.267 3、0.133 6 kg/m2與26.20%。開花期的紅邊參數(shù)精度優(yōu)于孕穗期，表現(xiàn)最好的紅邊振幅的R2、RMSE和NRMSE分別達(dá)到0.621 0、0.126 4 kg/m2和16.04%，表現(xiàn)最差的是紅邊位置，其R2僅為0.207 3，RMSE和NRMSE分別是0.183 5 kg/m2和23.28%。灌漿期，精度最高的紅邊參數(shù)也為紅邊振幅，NRMSE達(dá)到18.42%，R2為0.498 1;精度最低的紅邊參數(shù)是紅邊位置，紅邊位置的NRMSE為20.21%。

2.4利用MLR構(gòu)建的冬小麥生物量估算模型

將植被指數(shù)和紅邊參數(shù)作為生物量估算模型的因子，通過(guò)MLR分別構(gòu)建冬小麥不同生育期基于植被指數(shù)（VI）、紅邊參數(shù)（REPS）和植被指數(shù)融合紅邊參數(shù)的生物量估算模型，利用冬小麥3個(gè)生育期樣本的2/3（32個(gè)）建模，建模結(jié)果如表5所示。3個(gè)生育期剩余樣本的1/3（16個(gè)）用于驗(yàn)證，驗(yàn)證結(jié)果如圖3、圖4、圖5所示。

從表5和圖3～圖5可以看出，通過(guò)MLR構(gòu)建的冬小麥生物量估算模型MLR+VI、MLR+REPS和MLR+VI+REPS的擬合性和精度要優(yōu)于單個(gè)植被指數(shù)、單個(gè)紅邊參數(shù)構(gòu)建的估算模型。孕穗期，MLR+VI模型的R2、RMSE和NRMSE分別為0.698 5、0.084 2 kg/m2與16.51%，比此生育期單個(gè)植被指數(shù)估算效果最好的R2高0.092 2，RMSE低0.012 0 kg/m2，NRMSE低2.35個(gè)百分點(diǎn)，且模型驗(yàn)證的R2、RMSE與NRMSE分別達(dá)到0.666 2、0.097 2 kg/m2與18.89%，驗(yàn)證結(jié)果與建模結(jié)果相近，說(shuō)明模型較為穩(wěn)定，效果較好;MLR+REPS模型的R2、RMSE與NRMSE分別是0.605 3、0.096 3 kg/m2和18.88%，比單個(gè)精度最高的紅邊參數(shù)的R2高0.050 2，RMSE低0.005 9 kg/m2，NRMSE低1.17個(gè)百分點(diǎn)，驗(yàn)證結(jié)果也與建模結(jié)果相近，模型的穩(wěn)定性和精度都較高;而MLR+VI+REPS模型精度最高（R2=0.715 6，RMSE=0.081 7 kg/m2，NRMSE=16.03%），其驗(yàn)證的結(jié)果也較高，驗(yàn)證的R2、RMSE和NRMSE分別達(dá)到0.757 8、0.076 3 kg/m2、14.85%，模型MLR+VI+REPS穩(wěn)定性較好。開花期，模型MLR+VI的R2、RMSE和NRMSE分別為0.761 6、0.100 3 kg/m2與12.72%，模型MLR+REPS的R2=0.670 4，RMSE=0.117 9 kg/m2，NRMSE=14.96%，這2個(gè)模型的驗(yàn)證結(jié)果均較好，模型的精度比單個(gè)植被指數(shù)或紅邊參數(shù)建立的模型精度要高;模型MLR+VI+REPS的R2、RMSE和NRMSE分別是0.783 2、0.095 6 kg/m2與12.13%，比模型MLR+VI的R2高0.021 6，RMSE低0.004 7 kg/m2，NRMSE小0.59個(gè)百分點(diǎn)，驗(yàn)證模型的NRMSE達(dá)到10.89%，模型精度較高。灌漿期，MLR+VI與MLR+REPS模型比單個(gè)指數(shù)模型效果最好的植被指數(shù)和紅邊參數(shù)模型的R2分別高0.244 1、0.172 8，RMSE分別小0.053 2 kg/m2、0.037 5 kg/m2，NRMSE小4.79個(gè)百分點(diǎn)、3.38個(gè)百分點(diǎn)，模型驗(yàn)證結(jié)果也和建模結(jié)果相近，精度也較高;此生育期模型MLR+VI+REPS建模和驗(yàn)證結(jié)果依然最好（建模R2=0.722 6，RMSE=0.151 8 kg/m2，NRMSE=13.70%;驗(yàn)證R2=0.778 8，RMSE=0.126 4 kg/m2，NRMSE=11.70%）。比較不同生育期，開花期模型MLR+VI、MLR+REPS、MLR+VI+REPS的R2最高，值分別為0.761 6、0.670 4與0.783 2，NRMSE值最低，分別是12.72%、14.96%與12.13%，說(shuō)明開花期構(gòu)建的模型擬合性和精度最高，效果最好;在孕穗期MLR+VI、MLR+REPS、MLR+VI+REPS模型的R2分別達(dá)到0.698 5、0.605 3和0.715 6，NRMSE分別是16.51%、18.88%和16.03%，而灌漿期MLR+VI、MLR+REPS、MLR+VI+REPS模型的R2為0.711 8、0.640 5和0.722 6，NRMSE達(dá)到14.18%、15.59%與13.70%，表明估算模型效果最好的生育期是開花期，其次是灌漿期，最差的時(shí)期為孕穗期。

3討論

在估算生物量時(shí)，大部分基于單植被指數(shù)建立線性或非線性估算模型，這樣構(gòu)建的估算模型無(wú)法解決植被指數(shù)飽和問(wèn)題[32]，所建立的模型不具有適用性。基于機(jī)器學(xué)習(xí)，通過(guò)植被指數(shù)來(lái)估算可以很好地提高估算精度，效果優(yōu)于單植被指數(shù)估算模型[33]。然而，對(duì)于高光譜而言，分析光譜信息是很重要的[34-37]，研究光譜參數(shù)對(duì)估算模型的影響，能夠充分展示高光譜多波段特征，將植被指數(shù)融合光譜參數(shù)構(gòu)建生物量估算模型。本研究在建立估算模型前分析了高光譜UHD185數(shù)據(jù)精度，發(fā)現(xiàn)UHD185和ASD反射率曲線變化趨勢(shì)相似，在紅邊區(qū)域波段較大，反射率值較高，這個(gè)結(jié)果和宋開山等[38]的研究結(jié)果一致。根據(jù)相關(guān)性大小分析單植被指數(shù)和單紅邊參數(shù)的生物量估算精度，發(fā)現(xiàn)通過(guò)單植被指數(shù)和單紅邊參數(shù)估算冬小麥生物量精度較低，引入MLR建立生物量估算模型得到的模型MLR+VI、MLR+REPS和MLR+VI+REPS精度較單植被指數(shù)和單紅邊參數(shù)模型有了很大的提高，且模型MLR+VI+REPS的精度最高，說(shuō)明植被指數(shù)融合紅邊參數(shù)對(duì)模型的精度提高有著重要作用。本研究構(gòu)建了3種生物量估算模型， MLR+VI+REPS效果優(yōu)于傳統(tǒng)的經(jīng)驗(yàn)?zāi)Ｐ蚚13]，這與將紅邊參數(shù)也當(dāng)作模型的自變量有關(guān)。紅邊參數(shù)包含了光譜的深度分析信息，傳統(tǒng)的經(jīng)驗(yàn)?zāi)Ｐ投酁槔脵C(jī)器學(xué)習(xí)，把植被指數(shù)視為估算因子來(lái)建立估算模型，而沒有考慮光譜的深度信息。分析冬小麥不同生育期的MLR+VI+REPS模型，發(fā)現(xiàn)開花期的模型表現(xiàn)效果優(yōu)于另外2個(gè)生育期，灌漿期次之，孕穗期較弱，這個(gè)結(jié)果可能是由冬小麥的生長(zhǎng)規(guī)律和模型的適用性所導(dǎo)致的。冬小麥在不同生育期生長(zhǎng)速度不同，生物量估算模型在其生育期表現(xiàn)也不一樣。雖然分析了高光譜信息，運(yùn)用了紅邊參數(shù)去估算生物量，但高光譜波段眾多，其他波段信息也需要更深入挖掘，這需要進(jìn)一步研究。

將最優(yōu)的估算模型應(yīng)用于無(wú)人機(jī)高光譜影像中，發(fā)現(xiàn)冬小麥孕穗期生物量的估算值普遍偏低，分布結(jié)果較差，而開花期生物量的估算值較高，分布效果好，兩時(shí)期差距明顯。這樣的結(jié)果與實(shí)測(cè)的生物量的估算值分布是較為一致的，符合冬小麥不同生育期生物量的分布規(guī)律和效果。孕穗期冬小麥緩慢生長(zhǎng)，開花期生長(zhǎng)較快，生物量逐漸增大。整體而言，所構(gòu)建的最優(yōu)估算模型MLR+VI+REPS精度較高，得到的生物量監(jiān)測(cè)結(jié)果也較好，與實(shí)際生物量具有很高的一致性。表明模型MLR+VI+REPS可以用于基于無(wú)人機(jī)高光譜估算冬小麥生物量，可以從高光譜影像中得到高精度的生物量估算信息，為無(wú)人機(jī)高光譜技術(shù)在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用提供了依據(jù)。

參考文獻(xiàn)：

[1]王秀珍，黃敬峰，李云梅，等.水稻地上鮮生物量的高光譜遙感估算模型研究[J]. 作物學(xué)報(bào)， 2003， 29（6）： 815-821.

[2]姚闊，郭旭東，南穎，等.植被生物量高光譜遙感監(jiān)測(cè)研究進(jìn)展[J]. 測(cè)繪科學(xué)， 2016（8）： 48-53.

[3]GNYP M L， MIAO Y X， FEI Y， et al. Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages[J]. Field Crops Research， 2014， 155（155）：42-55.

[4]盧小平，王雙亭. 遙感原理與方法[M]. 北京： 測(cè)繪出版社， 2012.

[5]王備戰(zhàn)，馮曉，溫暖，等. 基于SPOT-5影像的冬小麥拔節(jié)期生物量及氮積累量監(jiān)測(cè)[J]. 中國(guó)農(nóng)業(yè)科學(xué)， 2012， 45（15）： 3049-3057.

[6]李衛(wèi)國(guó)，趙春江，王紀(jì)華，等. 基于衛(wèi)星遙感的冬小麥拔節(jié)期長(zhǎng)勢(shì)監(jiān)測(cè)[J]. 麥類作物學(xué)報(bào)， 2007， 27（3）： 523-527.

[7]史舟，梁宗正，楊媛媛，等.農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2015， 46（2）： 247-260.

[8]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， 39（3）： 32-37.

[9]YUE J B， FENG H K， YANG G J， et al. A Comparison of regression techniques for estimation of above-ground winter wheat biomass using near-surface spectroscopy[J]. Remote Sensing， 2018， 10（2）：66.

[10]YUE J B， FENG H K， JIN X L， et al. A Comparison of crop parameters estimation using images from UAV-mounted snapshot hyperspectral sensor and high-defifinition digital camera[J]. Remote Sensing， 2018，10：1138.

[11]劉偉東，項(xiàng)月琴，鄭蘭芬，等. 高光譜數(shù)據(jù)與水稻葉面積指數(shù)及葉綠素密度的相關(guān)分析[J].遙感學(xué)報(bào)， 2000，4（4）： 279-283.

[12]劉占宇，黃敬峰，吳新宏，等. 草地生物量的高光譜遙感估算模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2006， 22（2）： 111-115.

[13]蒙詩(shī)櫟，龐勇，張鐘軍，等. WorldView-2紋理的森林地上生物量反演[J]. 遙感學(xué)報(bào)， 2017，21（5）： 812-824.

[14]BAO Y， GAO W， GAO Z. Estimation of winter wheat biomass based on remote sensing data at various spatial and spectral resolutions[J]. Frontiers of Earth Science in China， 2009， 3（1）：118.