基于多源無人機影像特征融合的冬小麥LAI估算

張東彥，韓宣宣，林芬芳，杜世州,4，張 淦，洪 琪

（1.安徽大學農業生態大數據分析與應用技術國家地方聯合工程研究中心，合肥 230601；2.南京信息工程大學遙感與 測繪工程學院，南京 210044；3.河南大學黃河中下游數字地理技術教育部重點實驗室，開封475004； 4.安徽省農業科學院作物研究所，合肥 230001）

0 引 言

葉面積指數（Leaf Area Index, LAI）是反映農作物長勢的關鍵參數，與作物產量密切相關，因此快速、準確監測作物LAI對于糧食生產意義重大。傳統的LAI測量主要是人工實地觀測，費時費力，還會造成作物損傷。目前，無人機遙感常用于作物生理生化參數反演，是作物LAI監測的有效方法。相比于衛星遙感，無人機遙感具有體積小、操作靈活等特點，在當前農業研究中被廣泛應用。

無人機搭載的傳感器通常有數碼相機、多光譜相機和高光譜相機等。國內外研究者多利用可見光、多/高光譜及其計算的植被指數估測作物LAI。文獻[11-12]利用可見光植被指數分別構建玉米和甘蔗LAI估測模型，模型精度良好。然而，部分學者發現僅用可見光或多光譜植被指數估測LAI時會出現飽和現象，存在局限性。一些學者將可見光或多光譜植被指數與紋理特征結合估測作物LAI、地上生物量、氮含量和葉綠素，效果好于單獨使用可見光或多光譜植被指數，主要是紋理特征含有作物空間信息，可對作物群體光譜信息進行補充，延長了植被指數模型估測LAI飽和點的位置。進一步地，使用高光譜影像數據構建模型估測LAI的研究中，文獻[20-21]使用高光譜植被指數構建冬小麥和玉米LAI估測模型，估測效果良好；基于高光譜全波段及優選波段構建小麥LAI估測模型，支持向量回歸模型決定系數達到0.80。然而，上述高光譜數據在應用中面臨著僅使用光譜波段或植被指數反演作物LAI時精度難以提升的問題。

近年來無人機多源遙感在作物參數研究中逐漸興起，已有研究表明基于多源影像特征融合監測作物理化參數比單一影像特征更有優勢。文獻[27-28]基于相關性分析篩選可見光、多/高光譜影像特征構建多源作物LAI估測模型，效果優于單傳感器影像特征模型，文獻[29]基于隨機森林算法計算影像特征重要性篩選影像特征監測玉米LAI，結果表明可見光影像特征融合多光譜影像特征構建的隨機森林回歸模型效果最佳，決定系數達到0.81。由此得出，多源影像特征融合結合了不同傳感器優勢，構建的LAI估測模型效果更好。但是，上述LAI估測研究中，要么只關注影像特征與LAI相關性，要么僅強調影像特征的重要性，未同時考慮影像特征與LAI相關性及影像特征重要性，繼而選出最優影像特征構建多源遙感的LAI估測模型。此外，有學者指出，試驗小區進行20%～80%面積采樣時，構建的大豆產量反演模型效果最好。因此，有必要探討多源無人機影像特征融合和不同影像采樣面積下的小麥LAI估算方法。

綜上，本研究以安徽省舒城縣和廬江縣為研究區，以無人機可見光影像及高光譜影像數據為基礎，以多元線性回歸、支持向量回歸和隨機森林回歸算法為研究方法，進行小麥LAI估測研究，重點解決：1）影像特征融合與單源影像特征構建小麥LAI估測模型對比分析；2）以單源影像特征為例，探討不同影像采樣面積對冬小麥LAI估測模型的影響。以期研究結果為無人農場的田間管理提供參考，也為其他作物的LAI反演提供借鑒。

1 材料與方法

1.1 試驗設計

研究區（圖1）位于安徽省合肥市廬江縣白湖農場（北緯31°13′25.7″，東經117°27′48.8″）和六安市舒城縣農業科 學 研 究 所 試 驗 基 地（北 緯 31°32′27.06″，東 經116°59′38.16″）。兩地均設30個試驗小區，每個小區12 m。供試小麥品種為江淮地區常規種植的“揚麥13號”“寧麥13號”“揚麥9號”“寧麥9號”“揚麥15號”“揚麥19號”“揚麥22號”“皖西麥0638”“生選6號”和“揚麥24號”，共10個品種。栽種采用隨機區組設計，每個品種隨機3次重復。所有小區采用相同種植密度（3×10株/hm）及施肥處理（純氮180 kg/hm，KO為120 kg/hm，PO為120 kg/hm），氮肥基追比為7:3，于返青期追施。

圖1 研究區 Fig.1 Research area

1.2 數據獲取

于2019年4月24日（揚花期）和2019年5月1日（灌漿期）選擇中午陽光最強，微風少云的時間段采集無人機影像。采集平臺為大疆精靈4 Pro（自帶高清數碼相機，該相機像素為2 000萬，飛行時視場角為84°，含有紅、綠、藍3個波段）和大疆經緯M600 Pro（搭載Cubert UHD185機載高光譜成像儀，該光譜儀像素為100萬，光譜范圍為450～950 nm，含有125個波段，采樣間隔為4 nm，飛行時視場角為30°），飛行任務由DJI GS Pro軟件規劃，設置圖像航向重疊度為70%，旁向重疊度為80%，飛行高度為40 m，獲取的可見光影像和高光譜影像地面分辨率分別為2.00和2.58 cm。獲取的無人機數據需要進行預處理。可見光影像的預處理步驟包括影像拼接、幾何校正、影像裁剪和感興趣區選取；高光譜影像需要在影像拼接前進行輻射校正，其余步驟與可見光影像處理流程相同。

本研究中LAI-2200C被用于采集冬小麥的LAI值，觀測時間為北京時間10:00左右。在每個小區4個角和中心處選取5處長勢均勻的采樣點，使用LAI-2200C測量并記錄LAI值。每個采樣點測量3次后取均值作為該樣點的LAI，5個采樣點LAI的平均值記為該田塊的LAI。測量LAI時將儀器置于采樣點兩壟小麥冠層上方，先測量一個天空光值，接著將儀器置于采樣點距地面5 cm處，陸續測量兩壟小麥對角線冠層下方4個光值，分別在壟上、離壟1/4處、兩壟中間和離壟3/4處測取，測量冠層下方光值時儀器高度要一致，測量結束時儀器將自動計算采樣點的LAI值。

1.3 遙感特征選取

植被指數能夠有效反映植被的生長情況，被廣泛應用于作物生理生化參數監測，如葉綠素含量、LAI等。本研究以各試驗小區選定的感興趣內所有像元的均值作為與地面實測LAI對應的影像數據。可見光影像有紅（）、綠（）、藍（）3個通道，分別提取通道的平均像元值，歸一化后定義為、、，通過三者之間組合可以計算可見光植被指數。前人研究發現UHD185高光譜儀在450及854～950 nm處測量的光譜信息不穩定，因此本研究選用458～850 nm范圍，通過波段組合計算高光譜植被指數。根據前人研究成果選取與LAI相關性較好的可見光植被指數和高光譜植被指數分別為18個和17個（表1和表2）。

表1 可見光植被指數 Table 1 Visible vegetation indices

表2 高光譜植被指數 Table 2 Hyperspectral vegetation indices

可見光紋理特征利用灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）計算獲得。選取的紋理特征有8個，分別為均值（Mean，mea）、方差（Variance， var）、協同性（Homogeneity，hom）、對比度（Contrast, Con）、相異性（Dissimilarity，dis）、熵（Entropy，ent）、二階矩（Second Moment，sec）和相關性（Correlation，cor）。利用ENVI軟件分別提取可見光影像每個通道的紋理特征，提取時選取最小的3×3窗口，角度為默認值。

1.4 特征篩選原則

本研究首先使用隨機森林算法計算每個特征權重，隨機森林中每棵決策樹均通過基尼指數對影像特征計算其不純度，綜合所有的不純度，在每一特征維度上取不純度的均值并標準化，即可得到每個影像特征的權重，表明該特征對構建模型的貢獻。然后，使用皮爾遜相關性分析計算每個特征與LAI的相關系數。綜合考慮影像特征權重以及影像特征與LAI相關性選擇特征。其中，以影像特征權重大于等于0.05為高權重，在此基礎上再選出與LAI極顯著相關的影像特征（不考慮相關系數大小）用于冬小麥LAI估測研究。

1.5 模型構建與精度驗證

研究方法包括多元線性回歸（Multiple Linear Regression，MLR）、支持向量機回歸（Support Vector Machine Regression，SVR）和隨機森林回歸（Random Forest Regression，RFR）算法。

MLR基本原理與一元線性回歸大致相同，但自變量個數至少兩個，利用偏最小二乘法求解線性方程系數，簡單易用，廣泛應用于農林監測。

支持向量機（Support Vector Machine, SVM）是由Cortes和Vapnik提出的一種機器學習分類方法，SVR是在SVM算法的基礎上引入敏感度損失函數將分類任務轉為回歸任務，在作物參數反演研究中表現較好，適用于小樣本學習，常用的核函數有線性和高斯徑向基核函數，本研究使用網格搜索確定核函數和gamma參數。

隨機森林是Breiman提出的一種基于多決策樹及Bagging技術的集成學習算法，模型中的決策樹并行建立，各決策樹的訓練子集不同，進而每棵決策樹也不相同，能有效減小模型方差降低預測誤差，使得RFR模型擬合能力較強，在作物參數研究中應用較多，模型中重要參數如樹的數量、深度等通過網格搜索進行參數尋優確定。

在兩個研究區分別采集冬小麥揚花期及灌漿期各60個樣本，按照3:1隨機劃分，45個樣本作為訓練集用于模型訓練，15個樣本作為驗證集用于模型精度驗證。模型檢驗選用決定系數（Coefficient of determination，）、均方根誤差（Root Mean Square Error，RMSE）和相對預測偏差（Relative Prediction Deviation，RPD）。

1.6 影像采樣面積劃分

田間生產中，常因施肥不均導致土壤肥力在水平空間及垂直空間產生空間異質性，從而導致作物長勢出現差異性。因此，同一塊田內不同位置作物冠層的影像光譜也會相應地產生差異。此外，田塊邊際效應導致邊緣的作物長勢不如中心區的長勢。鑒于空間異質性和邊際效應，本研究擬探討不同影像采樣面積對LAI估算精度的影響。以一個田間試驗小區為例，100%為全影像采樣面積，縮小矩形長和寬按照一定的間隔在25%～90%范圍內改變影像采樣面積，以此類推，分析多個影像采樣面積對冬小麥LAI估測的影響。

2 結果與分析

2.1 遙感特征與LAI的相關性分析及其重要性

將可見光影像特征與對應生育期冬小麥LAI進行皮爾遜相關性分析以及使用隨機森林算法計算影像特征重要性。根據權重大于等于0.05且相關性達到極顯著水平的特征篩選原則，在揚花期和灌漿期優選高權重且與LAI極顯著相關的可見光植被指數各5個和9個（見表3）、紋理特征各4個和6個（見表4）。兩個生育期選出的可見光影像特征明顯不同，灌漿期的最優特征數量多于揚花期。除了與揚花期相同的綠藍植被指數GBRI和歸一化藍綠差異指數NGBDI兩個特征外，在灌漿期選出的可見光植被指數還有過綠指數ExG、修正過綠指數MEXG、過綠過紅差分指數ExGR等，這些指數與綠光波段關系密切。

表3 高權重且與LAI極顯著相關的可見光植被指數 Table 3 Visible vegetation indices with high weight and extremely significant correlated with LAI

表4 高權重且與LAI極顯著相關的可見光紋理特征 Table 4 Visible textures with high weight and extremely significant correlated with LAI

相對于數碼相機，高光譜遙感具有高的光譜分辨率，能反映地物的細微特征，探測到地物的診斷性光譜吸收特征。采用同樣特征篩選方法分析高光譜遙感影像特征與冬小麥LAI的關系。在揚花期和灌漿期優化后的高光譜植被指數和特征波段見表5和表6。兩個生育期高權重且與LAI極顯著相關的高光譜植被指數分別有8個和7個。灌漿期選出的高光譜植被指數與冬小麥LAI的相關性較高，相關系數基本在0.8以上。

表5 高權重且與LAI極顯著相關的高光譜植被指數 Table 5 Hyperspectral vegetation indices with high weight and extremely significant correlated with LAI

表6 高權重且與LAI顯著（極顯著）相關的高光譜波段 Table 6 Hyperspectral bands with high weight and significant or extremely significant correlated with LAI

在揚花期和灌漿期，本研究篩選出高權重且與LAI顯著和極顯著相關的波段各有8個。從表6可見，揚花期選出的特征波段與灌漿期明顯不同，揚花期選出的特征波段主要在790～850 nm之間，位于近紅外區域，而灌漿期的特征波段分布在藍光、綠光和紅光范圍，尤其是紅光區域。這些結果與文獻[38-39]研究一致。

2.2 單傳感器下不同輸入特征的LAI估測模型構建

在揚花期和灌漿期，依次使用優選的植被指數（本小節中均指可見光植被指數）、優選的的紋理特征、優選的前4個植被指數結合前4個紋理特征作為輸入變量估測冬小麥LAI，探究植被指數和紋理特征單獨使用以及結合使用時監測LAI的差異。各種估測模型在驗證集的結果如表7所示。

表7 基于可見光影像特征構建的LAI估測模型結果 Table 7 LAI estimation model results based on visible image features

在揚花期和灌漿期，基于優選的植被指數構建的3種LAI估測模型精度均優于優選的紋理特征模型，其中RFR模型表現最佳；基于優選的4個植被指數結合4個紋理特征構建的SVR和RFR模型在揚花期和灌漿期估測LAI效果最好。其中，RFR模型在兩個生育期均表現最佳，揚花期為0.620，RMSE為0.231，RPD為1.679，灌漿期為0.830，RMSE為0.183，RPD為2.514，優于單獨使用植被指數或紋理特征的估測模型。

從表7可知，基于植被指數結合紋理特征構建的RFR模型在兩個生育期最優。在此基礎上，探究空間異質性對估測LAI影響，在25%～90%采樣面積下分別提取揚花期和灌漿期優選的4個植被指數和4個紋理特征并作為RFR模型輸入變量，與全采樣下結果進行對比分析。25%～90%采樣面積下RFR模型在驗證集結果如表8所示。

表8 可見光影像不同采樣面積比例下RFR模型結果 Table 8 RFR model results of visible image for different sampling area ratio

從表8可以看出，當采樣面積從25%逐漸增加時，RFR模型精度呈先升后降趨勢，原因是從長勢最好的中心區域逐漸增加采樣面積，包含的小麥有效信息也隨之增加，因此模型性能提升。當影像采樣面積增加到一定范圍時，因長勢空間異質性加上小區邊緣長勢不佳，提取的特征受環境影響較為嚴重，對建立模型有干擾作用，因此模型性能又變差。可見光影像采樣面積分別為30%和50%時，RFR模型在揚花期及灌漿期估測LAI效果最佳，比全采樣下構建的RFR模型分別提高了0.043和0.036，且RMSE下降。

依次使用優選的8個高光譜敏感波段、優選的高光譜植被指數和優選的4個波段結合4個植被指數構建揚花期和灌漿期LAI估測模型，探究高光譜植被指數和波段單獨使用以及結合使用時監測LAI的性能差異，三種估測模型在驗證集結果如表9所示。

表9 基于高光譜影像特征構建的LAI估測模型結果 Table 9 LAI estimation model results based on hyperspectral image features

在揚花期和灌漿期，基于優選的高光譜植被指數構建的三種LAI估測模型精度優于8個敏感波段的估測模型，其中，RFR模型表現較好；以優選的4個波段結合4個植被指數構建LAI估測模型時，RFR模型表現最佳，揚花期為0.663，RMSE為0.217，RPD為1.782，灌漿期為0.875，RMSE為0.157，RPD為2.925，體現了影像特征結合的優越性。

從揚花期和灌漿期LAI估測結果看，在所有的LAI估測模型中RFR精度最佳，機器學習方法在小麥LAI估算展現較好的性能，此外灌漿期三種模型精度整體優于揚花期，表明灌漿期更適合開展作物LAI遙感估測。針對影像采樣面積對高光譜影像估測LAI的影響，在25%～90%采樣面積下分別提取揚花期和灌漿期優選的4個敏感波段和4個高光譜植被指數并作為RFR模型輸入變量，與全采樣下結果進行對比分析。25%～90%采樣面積下RFR模型在驗證集結果如表10所示。從表中看出，高光譜影像采樣面積為65%時，RFR模型在揚花期和灌漿期的估測效果最好，比全采樣下的RFR模型分別提升了0.070和0.030，并且估測誤差RMSE下降且RPD大于2，模型估測結果可靠。

表10 高光譜影像不同采樣面積比例下RFR模型結果 Table 10 RFR model results of hyperspectral image for different sampling area ratio

2.3 多源影像特征融合的LAI模型構建

目前，使用多源影像特征融合監測農作物已取得許多成果，本節探究基于兩種影像特征融合的LAI估測模型性能，使用的特征是4個可見光植被指數、4個紋理特征、4個敏感波段和4個高光譜植被指數，模型建立方法是隨機森林回歸，驗證集結果如圖2所示。

圖2 LAI實測值與估測值關系圖 Fig.2 Relationship between the measured value and estimated value of LAI

由圖2可知，基于兩種影像特征融合構建的RFR模型精度優于基于2.2節中單源遙感特征的RFR模型。其中，揚花期為0.733，RMSE為0.193，RPD為2.003；灌漿期為0.929，RMSE為0.118，RPD為3.880。結果表明，灌漿期RFR-LAI模型精度優于揚花期。原因可能是：無人機采集的影像包含小麥、陰影和土壤等，提取影像特征時包含多個對象的綜合特征。當小麥處于灌漿期時，小麥群體長勢較揚花期旺盛、植株間間距小，小區裸土面積較揚花期少，因而灌漿期提取的影像特征受環境影響較小；另一方面，隨著冬小麥生長，灌漿期光譜反射率等與LAI敏感性更強，影像特征與小麥LAI相關性較揚花期要高，因此LAI估測模型在灌漿期效果更好。

進一步地，結果表明基于多源傳感器影像特征融合構建小麥LAI估測模型效果更好。這是由于構建模型時輸入特征既包含了可見光影像高空間分辨率的特點，又結合了高光譜多個光譜的有效信息。因此，多傳感器影像特征融合為提高作物理化參數估測精度指明了方向。

3 結 論

本研究基于無人機可見光影像和高光譜影像數據，使用可見光植被指數和紋理特征、高光譜波段和植被指數構建冬小麥葉面積指數估測模型。試驗結果表明：

1）多元線性回歸、支持向量回歸和隨機森林回歸模型在揚花期估測精度低于灌漿期。

2）基于優選兩種影像特征融合構建的隨機森林回歸模型精度在揚花期和灌漿期最佳，優于單源影像特征模型。在揚花期決定系數為0.733，均方根誤差為0.193，相對預測偏差為2.003，在灌漿期決定系數為0.929，均方根誤差為0.118，相對預測偏差為3.880。

3）光譜空間異質性會影響LAI估測模型精度，可見光影像采樣面積分別為30%和50%，高光譜影像采樣面積為65%時，單源影像特征構建的隨機森林回歸模型精度在揚花期和灌漿期達到最佳，合適的影像采樣面積可以提升小麥LAI的監測效果。

此外，由于本研究的試驗小區只有一種水分梯度和施肥梯度，后續會增加水分梯度和施肥梯度，綜合更多的栽培管理措施去研究小麥LAI無損監測，以期為其他作物的LAI研究提供參考。