基于無人機多光譜遙感的華北地區夏玉米LAI 監測

張恒瑞，段喜明，魏 征，張寶忠

（1.山西農業大學林學院，山西太谷030801；2.中國水利水電科學研究院流域水循環模擬與調控國家重點實驗室，北京100038；3.國家節水灌溉北京工程技術研究中心，北京100048）

玉米是我國最重要的糧食作物之一，玉米生長情況的精準監測有助于實現糧食增產和農業繁榮。葉面積指數LAI 是農林方面常用來表征植物冠層結構的一個重要參數[1]，可以實時性地得知有關植被長勢等方面的相關信息[2]。

遙感具有大范圍、快速獲取作物光譜特性的能力，是預測區域尺度乃至全球尺度包括LAI 在內的多種作物生長特征指標的重要技術手段[3]。無人機遙感監測技術因其自身存在的方便、快捷、時間空間分辨率高、精度高、成本低等多種優勢[4]，可以在快速準確獲取遙感影像[5]的基礎上有效獲取作物生長信息，省時省力且利于大田中作物的精確施策[6]。基于無人機多光譜遙感實現LAI 反演已是近年來的熱點研究問題，相關方法主要以建立經驗模型為主。經驗模型是通過LAI和遙感光譜數據來建立數學關系的一種統計模型，該方法是廣域范圍內可以較為經濟的實現LAI預測的有效方法[7]，常適用于特定區域進行作物生長特性監測的情況[8]。在實際中，諸多研究者們常通過建立監測指標與光譜反射率或VIs 的經驗模型來實現作物的生長情況監測。在光譜反射率方面，研究者們常使用多光譜相機拍攝的藍、綠、紅、紅邊、近紅外五種波段的光譜反射率來建立反演模型；而VIs 方面，以可見光波段和近紅外波段相結合的VIs 應用較為廣泛。其中歸一化植被指數NDVI 目前應用最廣，但是它受土壤背景影響較大；為了彌補這個缺點，學者們提出了土壤調節植被指數SAVI、優化的土壤調節植被指數OSAVI 和修正的土壤調節植被指數MSAVI[9-11]；而為了提高LAI較大時的敏感度、較好地減少大氣的干擾，增強型植被指數EVI 也較多地應用[12-13]。有關LAI反演與預測的相關研究，研究者們還應用了其他植被指數。如譚昌偉等[14]基于夏玉米冠層光譜反射率與LAI，依據比值植被指數RVI 等10 種VIs較好地用于夏玉米LAI 的反演研究。趙虎等[15]利用NDVI、EVI、RVI、SAVI 等反演冬小麥LAI，驗證了LAI和不同VIs 之間較強的相關性。YANG 等[16]利用NDVI 和EVI 進行夏玉米LAI反演研究，結果表明，EVI 的反演精度高于NDVI。劉珺等[17]研究認為，OSAVI 適用于夏玉米生長前中期的LAI反演，NDVI適用于夏玉米生長后期的LAI反演。袁媛[18]通過構建區域性夏玉米LAI模型表明，基于NDVI、RVI、DVI 構建的模型對于同一生態區的夏玉米具有較好的精度和較普遍的適用性。

本研究旨在基于無人機多光譜遙感，依據無人機多光譜反射率以及基于多光譜反射率計算所得的多光譜植被指數相結合的多光譜混合指數，通過相關性分析篩選出相關性較高的多光譜混合指數來探索與建立適用于快速估測夏玉米LAI的反演模型，以實現夏玉米生長情況的模型監測以及為無人機遙感技術在華北地區夏玉米生長情況監測中的進一步應用提供一定的技術支撐。

1 材料和方法

1.1 研究區概況

本試驗相關研究在北京市大興區魏善莊鎮的國家節水灌溉工程技術研究中心（北京）大興試驗研究基地（39°37′N，116°26′E）開展。該基地秋冬寒冷干旱，春夏溫暖多雨，年平均氣溫大約12.1 ℃，年日照時間約為2 600 h，平均風速約為1.2 m/s，尤其是夏季風速較低，適合無人機正常飛行；光照、溫度及土壤水分等條件適宜，適合本試驗供試夏玉米正常生長。

1.2 試驗材料及設備

供試夏玉米品種為紀元168，是河北新紀元種業有限公司選育的玉米品種。本試驗采用一種可以獲取多光譜影像的無人機采集系統，機架是經緯M600，遙感傳感器是RedEdge 多光譜相機（MicaSence，USA），可同時獲取5 個光譜通道的波段影像。

1.3 試驗設計

2019 年6 月20 日播種夏玉米，9 月29 日收獲，共102d。共設置4 個施肥梯度，分別為F0（0kg/hm）2、F1（225 kg/hm2）、F2（450 kg/hm2）、F3（675 kg/hm2），播種前基施1/2 復合肥（含N、P2O5、K2O 量均為15%），而在拔節- 抽穗期追施1/2 尿素（含N 量46%）。小區面積56 m（28 m×7 m），每個處理設3 次重復，共12 個小區。其他條件各小區均相同。無人機影像獲取試驗與地面葉面積實測試驗同日進行，分別在夏玉米各生育期（拔節期7 月25 日、抽穗期8 月13 日、灌漿期8 月29 日和成熟期9 月20 日）進行1 次同步試驗。

1.4 數據獲取

1.4.1 遙感影像獲取 無人機數據采集一般在光照較強的晴天12：00 左右進行，飛行時設置高度為60 m、設置速度為3 m/s。像元分辨率是4.09 cm，航向、旁向的重疊度均是80%。

1.4.2 地面數據獲取 在無人機航拍試驗當天，于田間用卷尺同步測量夏玉米葉長（Lij）和最長葉寬（Bij）。本試驗中，12 個小區中隨機選擇3 株夏玉米并作標識，分別測量其全部葉片的Lij和Bij。拔節—成熟期共測量8 次，時間間隔約為7 天，LAI 計算公式[19]如下：

式中，α 為折算系數，取0.8；ρ 為種植密度（株/m2）；n為第j株的總葉片數（片）；m為測定株數（株）。

1.5 數據處理

1.5.1 無人機圖像處理 無人機所拍攝的是tif.格式的零散圖像，運用Pix4D mapper 將450 多張圖像合成與拼接，并進行初始化處理、幾何校正、三維模型的構建、紋理的提取和地物特征的構造，最終生成可用于分析的正射影像圖和反射率影像圖。在ENVI 中展示上述影像圖，通過Masking 構建感興趣區域ROI，并以圈圖方式對作物進行標記，以用于之后的繼續求解與建模。

1.5.2 植被指數的選擇與獲取

1.5.2.1 VIs 的選擇依據 根據諸多學者關于作物生長監測所需VIs 的相關研究進展，以及該試驗所涉及多光譜5 種光譜通路特征情況，選擇如表1 所示VIs 來構建夏玉米LAI 的反演模型。

表1 植被指數相關介紹

1.5.2.2 VIs 的獲取 在ENVI 中，利用Band Math分別計算多光譜5 個波段反射率，將ROI 范圍內的夏玉米的平均反射率作為該小區夏玉米的光譜反射率，從而計算得到各生育期夏玉米各供試小區的光譜反射率，進而依據反射率在ENVI 中利用Spectral Indices 計算VIs。

1.6 數據分析

本試驗在Office 2019、SPSS 26.0 中實現相關性分析、一元與多元回歸分析。

1.7 建模與評價

1.7.1 建模 依據不同生育期夏玉米LAI 以及包括多光譜反射率、多光譜植被指數在內的多光譜混合指數，采用一元與多元回歸分析方法分別建立LAI 優選反演模型。

1.7.2 評價 將決定系數R2、平均絕對誤差MAE和相對誤差RE，作為主要依據來實現模型評價。以上評價指標的相關說明見表2。

表2 模型精度評價相關指標說明

2 結果與分析

2.1 夏玉米LAI 變化規律特征分析

從圖1 可以看出，隨著施肥梯度的增加，拔節期、抽穗期、灌漿期、成熟期的夏玉米LAI 均呈現逐漸增大的變化趨勢，但程度有所不同。這是因為施肥營養對于夏玉米LAI 的增大有較大促進作用。同一施肥水平下，隨著夏玉米生育期推進，LAI 呈現先急劇增大再逐漸減小的變化情況，即拔節期LAI 較小，抽穗期LAI 顯著增大，灌漿期LAI 略有變小，成熟期LAI 持續減小，這是因為拔節—抽穗期追施尿素，使得夏玉米生長相對較快，營養生長態勢明顯，而灌漿—成熟期夏玉米的生長情況由之前階段的營養生長為主轉向生殖生長為主，葉片的生長相對緩慢，導致夏玉米生長發育后期LAI 相對減小。

2.2 無人機多光譜反射率變化特征分析

從圖2 可以看出，夏玉米各生育期多光譜反射率變化規律基本一致，即在可見光波段多光譜反射率相對較低，在近紅外波段多光譜反射率相對較高，而且多光譜反射率均呈現先增大后減小，之后顯著增大的變化情況。各生育期多光譜反射率曲線均在綠光波段存在一個波峰，在紅光波段附近出現一個波谷，而且均在近紅外波段附近存在顯著增大的變化趨勢。

2.3 LAI——多光譜混合指數反演模型的建立與評價

2.3.1 相關性分析 從表3 夏玉米各生育期LAI與包括藍、綠、紅、近紅、紅邊光譜反射率和多光譜反射率計算所得的VIs 在內的多光譜混合指數的相關性篩選情況可以看出，GREEN、REDEDGE 在各生育期均呈現極顯著相關，BLUE、NIR、RED 在各生育期均達到了顯著相關及極顯著相關，NDVI等13 種VIs 在不同生育期分別達到了一定程度的相關性。本研究將據此篩選出各生育期相關性較高的多光譜混合指數，以用于夏玉米不同生育期LAI模型的建立。

表3 不同生育期夏玉米LAI 與多光譜混合指數相關性篩選

2.3.2 模型建立 根據夏玉米各生育期LAI 與相關性較高（包含極顯著相關與顯著相關）的多光譜混合指數，分別建立一元和多元回歸模型，根據R2的大小，優選出如表4 所示的夏玉米各生育期模型。研究發現，各生育期優選模型的R2分別為0.849、0.811、0.642、0.669、0.935，均大于0.6，有較高的擬合度，尤其是拔節期、抽穗期和拔節—成熟期LAI 模型R2達到了0.8 以上，擬合性最好。整體來看，藍光、綠光、紅邊波段的反射率適合夏玉米各生育期LAI 模型的建立；RVI、OSAVI 適合于拔節期模型的建立，NLI、VARI、GEMI 適合于抽穗期模型的建立，DVI、NLI、VARI、GEMI 適合于灌漿期模型的建立，TNDVI、RVI、VARI、GEMI 適合于成熟期模型的建立，TNDVI、DVI、RVI、NLI、VARI、GEMI 適合于拔節—成熟期模型的建立。

表4 LAI-多光譜混合指數優選模型

2.3.3 模型評價 圖3 是夏玉米各生育期優選模型的評價擬合圖。從圖3 可以看出，基于夏玉米各施肥處理下的LAI 實測值與依據所建模型得出的LAI 模擬值，建立了1∶1 擬合圖，運用R2、MAE、RE 評價監測模型的擬合精度。夏玉米各生育期評價模型的R2分別為0.849、0.811、0.642、0.669、0.935，MAE 分 別 為0.051、0.117、0.177、0.201、0.349，RE分別為0.075、0.026、0.039、0.054、0.104。統計學中，R2越大、MAE、RE 相對越小，表明評價模型的精度越高。本試驗中，各生育期驗證模型的R2均大于0.6，拔節期和抽穗期模型達到了0.8，尤其是拔節—成熟期模型達到0.9，除拔節期MAE 低于0.1外，其他生育期MAE 均處于0.1～0.4，各生育期RE均在0.1 附近，整體來看，各生育期模型的精度均較高。

3 結論與討論

多數研究多為綜合建模，一定情況上鮮見區分生育期建模，尤其是在夏玉米葉面積指數監測研究中。為了更好地探究夏玉米各生育期LAI模型的效果與精度，本研究所建模型均區分生育期，且效果較好。趙娟等[27-28]對于冬小麥、水稻建立的分生育階段模型取得了較好的效果。

在模型構建過程中，本研究主要是基于葉面積指數與多光譜混合指數的相關性高低來選擇模型變量的。通過多光譜反射率特征曲線可知，各生育期均出現波峰與波谷，表明在上述相關波段范圍內，葉面積指數的變化較顯著，故相對應的多光譜反射率對于葉面積指數較為敏感，進而通過相關性分析即可較好地篩選出BLUE、GREEN、REDEDGE以用于模型構建。

對于多光譜植被指數的選擇，則主要是基于相關文獻研究結果的綜合分析，王亞杰[29]基于EVI、OSAVI、SAVI、NDVI、RDVI 分別建立了夏玉米拔節期、生長期、成熟期的多元模型，決定系數均處于0.9 左右，建模效果較好；王修信等[30]基于林地葉面積指數的研究表明，多光譜指數中以NDVI、RSR、SAVI 所建立的估算模型精度最高，R2達到了0.827，RMSE 為0.189；何亞娟等[31]基于NDVI 與葉面積指數的較高相關性，構建了反演效果最好的模型，其R2達到了0.84，RE 僅為0.026。同時，NDVI、RDVI、TNDVI 是用來反映農作物長勢的重要參數；RVI、DVI 對于植被有較大影響，且DVI 對于土壤背景更為敏感；EVI1、EVI2 可以提高生物區植被的敏感度, 降低土壤背景和大氣影響；SAVI、OSAVI、MSAVI 等土壤調節植被指數以及NLI、VARI、GEMI等與環境、大氣相關的植被指數也在一定程度上對于葉面積指數監測有一定的影響。

本研究基于包括多光譜反射率和多光譜植被指數在內的與LAI 相關的多光譜混合指數，并在相關性分析基礎上篩選出最優指數，構建了夏玉米各生育期多元回歸模型，各生育期優選模型的R2分別為0.849、0.811、0.642、0.669、0.935，均大于0.6，有較高的擬合度，各生育期驗證模型的R2均大于0.6，除拔節期MAE 低于0.1 外，其他生育期MAE均處于0.1～0.4；各生育期RE 均在0.1 附近，精度較高。

在模型監測的效果與精度方面，AASEN 等[32]基于VIs 反演大麥冠層LAI 的R2為0.32；牛慶林等[33]基于無人機影像數據估測玉米LAI，R2達到0.63；陸國政等[34]基于VIs 估測大豆LAI 的R2為0.70；高林等[35]基于無人機和光譜指數反演小麥LAI 的R2為0.78。本研究比較而言，反演效果更好，在一定程度上驗證了采用多光譜混合指數進行華北地區夏玉米LAI 研究的適用性與可行性。此外，一些學者基于深度學習、機器語言等較好的方法用于作物相關研究[36-37]，并取得了較好的效果，今后應開展這方面的研究，以更好地提升夏玉米葉面積指數模型的效果與精度。