無人機多源光譜反演大田夏玉米葉面積指數

徐洪剛，陳震，程千，李宗鵬,2，李鵬，范永申

無人機多源光譜反演大田夏玉米葉面積指數

徐洪剛1，陳震1，程千1，李宗鵬1,2，李鵬1，范永申1*

（1.中國農業科學院 農田灌溉研究所/河南省節水農業重點實驗室，河南 新鄉 453002；2.河南農業大學，鄭州 450000）

研究多源光譜反演大田夏玉米葉面積指數（）的效果。以大田夏玉米為研究對象，利用無人機獲取試驗區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，結合地面實測數據，分析光譜數據與實測之間的相關關系，并將C與篩選出的11種植被指數作為輸入變量，作為輸出變量利用多元線性回歸、支持向量機和隨機森林3個算法模型訓練學習，建立了夏玉米的反演模型。多光譜植被指數以及C均與夏玉米在<0.000 1水平上顯著相關，相關系數均在0.5以上；RF算法于拔節期、喇叭口期、以及吐絲期3個生育期的預測值與實測值的2均高于MLR算法和SVM算法，對應的及均低于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，各生育期預測值與實測值2均大于同時期未融合C的反演模型。多光譜植被指數以及C均與夏玉米具有較強的相關性，且RF算法構建的夏玉米反演模型精度優于MLR和SVM算法，同時C的加入可以有效提升夏玉米反演精度。

夏玉米；無人機遙感；多光譜植被指數；熱紅外圖像；葉面積指數；反演模型

0 引言

據國家統計局最新數據顯示[1]，2020年中國玉米播種面積（4 126.4萬hm2）、總產量（26 067萬t）均已位居糧食類第一，保證玉米產量是穩定國家糧食安全的重要內容?！狙芯恳饬x】葉面積指數（）能夠反映作物健康和生產力狀況，適宜的對保證玉米長勢以及產量具有重要意義[2]。傳統的監測方法主要分為直接法和間接法，直接測量作物費時費力且會破壞作物長勢，間接測量法也難以應用于大面積快速監測中[3-4]，遙感技術的發展為的獲取提供了新的手段。當前農用遙感數據的來源主要為衛星遙感和無人機遙感。衛星遙感為高空遙感，國內外眾多專家學者針對衛星遙感反演進行了大量研究[5-6]，但衛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]。無人機遙感系統作為低空遙感系統，具有機動靈活、攜帶方便、可獲取高時空分辨率數據、成本低等優勢，有效避免了衛星遙感存在的許多問題，為中小尺度的遙感應用研究提供了新的途徑[8-9]。

【研究進展】當前無人機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[7]。不同波段以及分辨率的圖像與的相關程度不同[10]，其中多光譜相機可以獲取與作物葉片特征信息聯系密切的紅波段以及近紅外波段光譜，被廣泛應用于作物的反演研究[11]。在此基礎上，何種反演模型效果最優一直是研究的主要方向[12-13]。同時，國內外眾多研究表明與作物冠層溫度（C）存在必然聯系。楊文攀等[14]將試驗區玉米覆蓋度與熱紅外提取的C進行對比，結果表明玉米C與其覆蓋度相關性顯著2=0.534 5。Van等[15]通過模擬不同環境研究了環境和C與葉片溫度之間的差異，結果表明降低可以減小葉片與周圍空氣的溫差。

【切入點】綜上，無人機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道?！緮M解決的關鍵問題】本研究以無人機平臺搭載多光譜和熱紅外相機，獲取大田夏玉米關鍵生育期的光譜影像，分析光譜數據與實測之間的相關關系，利用多元線性回歸（Multiple Linear Regression，MLR）、支持向量機（Support Vector Machine，SVM）和隨機森林（Random Forest，RF）3種算法，將11種植被指數作為輸入變量，作為輸出變量開展訓練學習，建立夏玉米的反演模型，并尋優分析融合C后反演精度，以期為大田夏玉米快速估算提供技術支持。

1 材料與方法

1.1 研究區概況

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

1.2 試驗設計

本試驗選用夏玉米太玉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。試驗布置如圖1（a）所示，共設置3個灌溉處理，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，由于生育期內雨水較為頻繁，于拔節期、喇叭口期和灌漿期進行灌溉處理。每個灌溉處理下劃分15個試驗小區，3個處理共計45個試驗小區，每個小區為4 m×3 m的矩形區域，小區間隔1.2 m。小區編號如圖1（b）所示。在試驗區四角布設30 cm×30 cm的黑白板，用作熱紅外圖像的溫度校準。

1.3 數據獲取與處理

無人機影像的獲取需晴朗無風的天氣，以降低天氣對影像獲取的影響。同時考慮到夏玉米葉片的主要生長時期為抽雄期以前且苗期較小，最終選擇2020年7月13日（拔節后期）、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）進行無人機圖像以及地面數據的同天采集，無人機數據采集時間集中在北京時間的11:00—14:00之間，地面數據采集時間集中在09:00—14:00之間。

1.3.1 地面數據獲取

獲取的地面數據主要為和黑白板溫度。通過英國Delta-T公司生產的SunScan冠層分析儀測定，儀器由1 m長的SunScan探測針、反射數據傳感器以及數據采集終端等部分組成，每次無人機作業后于每個試驗小區不同位置按橫縱方向分別測量3次，取平均值代表該試驗小區的實際。黑白板的溫度通過HIKVISION H10手持式熱紅外測溫儀測量，在無人機飛過黑白板后立即拍攝每個黑（白）區域中心點的溫度。

圖1 試驗區布置示意圖

1.3.2 光譜影像獲取

多光譜相機選用美國MicaSense RedEdge-MX五通道多光譜相機，相機質量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雙光熱成像相機獲取，ZenmuseXT2相機質量588 g，鏡頭焦距19 mm，波長范圍7.5～13.5 μm，像元間距17 μm。搭載平臺選擇DJI M210V2型無人機，無人機飛行高度30 m，航向重疊度90%，旁向重疊度85%，利用DJI Pilot和DJI GSPro規劃航線控制無人機自主飛行作業。其中多光譜相機需要于每次起飛前和降落后對相機自帶輻射標定板拍照，用以圖像拼接時的輻射定標作業。

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常務委員會第七次會議上通過并發布，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型多光譜相機波段信息

1.3.3 光譜影像預處理

借助Pix4D mapper完成多光譜以及熱紅外圖像拼接作業。由于圖像中包含試驗區以外的區域，采用ArcGis 10.2繪制試驗小區的掩膜文件，疊加于多光譜圖像上提取各試驗小區的光譜反射率。同時利用多光譜圖像進行波段計算獲得試驗區玉米冠層掩膜，疊加于熱紅外圖像上提取各試驗小區冠層熱紅外，以降低土壤背景對C提取造成的影響。

1.3.4 多光譜植被指數提取

植被指數是指通過波段的組合形成的增強植被信息，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。其原理是綠色植被或者農作物在可見光紅、藍光波段表現為強吸收特性，在近紅外、綠波段則強反射。植被指數的構建能夠實現植被生長狀況的定量表達。本研究借鑒前人研究[16-17]，選取并計算20種植被指數，各指數及其計算式見表2。

表2 多光譜植被指數

注、、、和分別為RedEdge多光譜相機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 熱紅外圖像溫度轉換公式

1.4 數據分析評價

1.4.1 模型的構建

本研究利用MLR、SVM和RF機器學習算法構建不同生育期的反演模型，模型構建借助R語言10.3版本實現。MLR是指回歸分析中存在2個或2個以上的自變量，由多個自變量的最優組合共同來預測或估計因變量。SVM是一種監督類機器學習模型，其回歸預測借助不敏感函數以及核函數算法實現，以結構風險最小化為原則從線性可分擴展到線性不可分，解決了神經網絡算法無法避免的局部最優問題，也在一定層面上避免了維數災難的問題，近年來相關應用逐漸增多。RF算法采用隨機方式建立一個由很多決策樹組成的森林，決策樹互相沒有關聯，每個決策樹會生成一個預測值，將全部預測值的平均值作為觀測數據的最終預測值。

1.4.2 模型精度驗證

以決定系數（2）、均方根誤差（）和歸一化均方根誤差（）來進行模型精度的評價。采用R語言編程計算模型的3個統計量評估的反演精度，模型所對應的2越接近于1，和越小說明模型的預測精度越高。

2 結果與分析

2.1 LAI及光譜數據變化

圖3為不同灌溉處理下4個生育期變化情況。對比同一灌溉處理不同生育期各試驗小區，隨著生育期的進行不斷增大。7月13日（拔節后期）平均僅為1.27，相較于其他生育期曲線較平緩，各試驗小區差距較小。8月10日（抽雄吐絲期）各試驗小區平均達到3.92，此時已基本達到最大，整體變化趨勢符合夏玉米實際生長規律。不同灌溉處理下的15個試驗小區植被指數均值見圖4。由于指數數值較大，為直觀顯示各植被指數變化趨勢未將其列于圖中。從拔節期到吐絲期各植被指數均呈上升趨勢。同一時期各植被指數絕對值表現為：隨著灌水量的增加而增大，進一步證明了所計算的各植被指數的正確性。

圖3 不同灌溉處理下LAI變化趨勢

2.2 光譜數據與LAI相關性分析

為討論植被指數與、C與的相關關系，建立不同時期植被指數與、C與的一元線性回歸模型，并將各回歸模型相關程度統計于表4。從表4可以看出，除指數外，4個時期的植被指數均與在<0.000 1水平上極顯著相關，相關系數均不小于0.597。其中各生育期相關性絕對值最大的指數分別為2和（7月13日）、（7月24日）、和（7月30日）、（8月10日）。對比不同時期植被指數與的相關性可以發現，喇叭口期到吐絲期的相關性明顯大于拔節期。分析原因拔節期玉米覆蓋度低，裸露土壤較多，植被指數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，各時期熱紅外C與負相關，且具有較強的相關性。根據各植被指數與在不同生育期的相關程度，選取綜合表現最佳的11種植被指數、、、、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算法構建夏玉米反演模型。

表4 植被指數與LAI相關性

注 無*表示相關性不顯著，***表示在< 0.0001水平上極顯著相關。

2.3 LAI反演模型精度評價

從45個試驗樣本中隨機選擇35個樣本作為訓練集，剩余10個樣本作為測試集，通過3個算法模型反演夏玉米，各模型反演精度結果如表5、表6、表7所示。MLR算法和SVM算法構建的模型在拔節期和喇叭口期預測精度相對較低（2<0.60），大喇叭口期和吐絲期預測精度相對較高（2>0.76），與單一植被指數相關性的變化規律一致，表明模型構建的正確性。

綜合4個生育期反演效果，RF算法構建的反演模型效果最佳。不同生育期模型訓練集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）；對應的為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。模型測試集7月30日的預測精度雖略低于SVM和MLR算法，但其余3個生育期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）；對應的為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）；對應的為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結果

表6 SVM模型反演夏玉米LAI結果

表7 RF模型反演夏玉米LAI結果

2.4 融合TC后模型精度評價

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

對比表7與表8，融合C后預測精度均有不同程度的提升，測試集2分別為0.788、0.874、0.810、0.862，均高于未融合C時的2（0.707、0.834、0.794、0.849）；對應的為0.09、0.181、0.2241、0.154，均低于未融合C時的（0.092、0.182、0.2243、0.158）；對應的為11.79%、14.34%、11.59%、11.87%，（除7月24日）均低于未融合C時的（12.04%、13.65%、11.61%、12.14%）。拔節期模型反演精度的提升效果明顯優于其余3個生育期，且隨著生育期的進行，提升效果逐漸降低。分析原因有2個方面：一是隨著生育期的進行不斷增加，與冠層溫度的相關性逐漸降低；二是拔節期之后的3個生育期未融合C時模型的反演精度已經較高（2>0.79），融合C后反演精度提升效果也就相對較小。從圖5也可以看出，C在模型訓練中的相對重要度不斷下降，7月30日和8月10日C對于反演模型的結果貢獻較小，而7月13日和24日C對于反演模型的結果貢獻較大，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結果

圖5 輸入變量相對重要度

3 討論

本研究通過對比拔節期至抽雄吐絲期4個時期的植被指數與的相關性，發現隨著生育期的進行，植被指數與的相關性呈上升趨勢。分析原因，前期植株較小，試驗區裸露土壤較多，降低了植被指數與的相關性，張智韜等[33]和譚丞軒等[34]也指出剔除土壤背景是獲取準確的冠層光譜信息的關鍵。此外，通過植被指數與的相關性也可看出，土壤調節植被指數在4個生育期與相關性均具有較好的表現，表明土壤背景對的反演具有較強的影響，消除土壤背景可以提高預測的精度。因此后續試驗應加強玉米拔節期甚至苗期光譜數據的獲取，以進一步驗證這一觀點。

本研究分析了20種植被指數與的相關性，結果發現拔節期包含紅邊波段的植被指數與相關性較高。這是由于植物具有“紅邊”效應，即綠色植物的光譜響應在“紅邊”這一窄帶區陡然增加（亮度增加約10倍）[35]。此帶區對葉綠素的變化高度敏感，因此對區分玉米葉片和土壤背景具有較好的效果。從圖5也可看出，拔節期至喇叭口期，包含紅邊波段的比具有更高的相對貢獻度，8月10日紅邊波段的優勢仍然明顯，這也更加說明前述結論的正確性。

本研究通過對比MLR、SVM、RF這3種算法構建的模型反演精度，發現RF算法表現更優。熱紅外、多光譜數據融合反演夏玉米相較于僅利用多光譜數據在拔節期和喇叭口期具有較好的提升效果，C在各參數中的相對貢獻度較大。大喇叭口期和吐絲期融合C對反演模型的精度提升較小，主要是因為此時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性降低。表4中各時期C與的相關性系數，相較同時期植被指數的相關性系數差值逐漸擴大，C對反演的貢獻度也隨之下降。本研究僅選取了3種較為常用的算法，對于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驗證，夏玉米其他生育期反演效果如何以及植被指數的選取也需后續試驗進一步驗證。

4 結論

1）不同生育期的植被指數與、C與均具有較強的相關性（除指數外），4個時期的相關性均在<0.000 1水平上極顯著，相關性系數絕對值最低不小于0.5，最高可達0.83。

2）通過對比3個算法構建的反演模型，發現RF算法反演效果最優，各生育期預測值與實測值2均在0.7以上，且相較于MLR算法和SVM算法更加穩定。

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測精度。

[1] 國家統計局. 國家統計局關于2020年糧食產量數據的公告[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, 王紀華, 楊貴軍, 等. 冬小麥葉面積指數地面測量方法的比較[J]. 農業工程學報, 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. 輕小型無人機多光譜遙感技術應用進展[J]. 農業機械學報, 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. 無人機影像反演玉米冠層和葉綠素含量的參數確定[J]. 農業工程學報, 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. 基于無人機多光譜遙感的夏玉米葉面積指數估算方法[J]. 智慧農業(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反演[J]. 農業機械學報, 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. 基于無人機熱紅外與數碼影像的玉米冠層溫度監測[J]. 農業工程學報, 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. 基于無人機高光譜遙感的冬小麥株高和葉面積指數估算[J]. 農業機械學報, 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, 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]. 農業機械學報, 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. 無人機多光譜遙感反演各生育期玉米根域土壤含水率[J]. 農業工程學報, 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. 遙感原理與應用[M]. 北京: 測繪出版社, 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據的冬小麥葉面積指數反演比較[J]. 農業工程學報, 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. 無人機多源光譜反演大田夏玉米葉面積指數[J]. 灌溉排水學報, 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

河南省科技研發專項（192102110095）；中國農業科學院重大科研（CAAS-ZDXT2019002）；中央級科研院所基本科研業務費專項資助項目（FIRI2019-01-01）；新鄉市重大科技專項（ZD2020009）

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

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

責任編輯：陸紅飛