利用无人机影像构建作物表面模型估测甘蔗LAI

杨 琦，叶 豪，黄 凯，查元源，史良胜※



利用无人机影像构建作物表面模型估测甘蔗LAI

杨 琦1，叶 豪1，黄 凯2，查元源1，史良胜1※

（1. 武汉大学水资源与水电工程科学国家重点实验室，武汉 430072；2. 广西壮族自治区水利科学研究院，南宁 530023）

为探讨从作物表面模型（crop surface models，CSMs）中提取株高来估算糖料蔗叶面积指数（leaf area index，LAI）的可行性，该文采用无人机-RGB高清数码相机构成的低空遥感平台，以广西糖料蔗为研究对象，采集了糖料蔗全生育期的高清数码影像，分别在有无地面控制点条件下建立各生育期CSMs并提取株高。此外，该文利用高清数码影像计算了6种可见光植被指数并建立LAI估算模型，用以对比从CSMs提取的株高对LAI的估算效果。结果表明：全生育期CSMs提取的株高与实测株高显著相关（<0.01），株高预测值与实测值高度拟合（2=0.961 2，RMSE=0.215 2）。选取的6种可见光植被指数中，绿红植被指数对糖料蔗伸长末期以前的LAI的估测效果最好（2=0.779 0，RMSE=0.556 1，MRE=0.168 0）。相同条件下，株高对LAI有更高的估测精度，其中CSMs提取的株高估测效果优于地面实测株高，预测模型2=0.904 4，RMSE=0.366 2，MRE=0.124 3。研究表明，使用无人机拍摄RGB影像来提取株高并运用于糖料蔗重要生育期LAI的估算是可行的，CSMs提取的株高拥有较高的精度。该研究可为大区域进行精准快速的农情监测提供参考。

遥感；无人机；农作物；作物表面模型；糖料蔗；数码影像；株高；叶面积指数

0 引 言

糖料蔗是中国最主要的糖料作物，由其作为原料生产的食用糖占中国总产量的90%以上[1]。叶面积指数（leaf area index，LAI）是反映作物长势、冠层结构以及预测作物生物量的重要参数之一[2-3]，指的是单位面积上植株单面叶片面积的总和。其不仅能反映植被的覆盖及长势，还与植物蒸腾、能量交换、水热平衡等过程息息相关[4-6]。LAI的地面测量方法分为直接测量法和间接估算法[7]。直接测量法虽然精度高，但往往会对作物造成损伤；间接估算法通过无损地获取冠层孔隙率来间接估算LAI[8]，是被目前广泛采用的地面测量法。

然而，LAI地面测量法无法满足大区域测量的需要。随着观测技术的快速发展，基于遥感的农情监测能够快速、准确地估算作物的生理指标，已经成为人们研究的焦点[9-10]。Chen等[11]基于Landsat卫星的TM影像计算归一化植被指数（normalized difference vegetation index，NDVI）来估测森林的LAI；Colombo等[12]利用IKONOS卫星数据证明了纹理指数与植被指数结合的多元回归模型对LAI有更好的估算精度。Wu等[13]使用EO-1 Hyperion卫星的高光谱数据证明了红边波段对LAI有较强的估算能力。卫星遥感虽然数据易得，但存在着分辨率不够高、时域长、易受大气干扰等问题[14]。基于无人机的低空遥感技术可以实时获取高分辨率的光谱影像，机动性强，并且由于飞行高度低，受到的大气干扰较小[15-17]。无人机搭载高光谱、多光谱相机构成的遥感平台可快速、便捷地估算研究区域的作物生理指标[18-21]，但昂贵的机载高光谱和多光谱传感器制约了无人机遥感平台的发展。

与此同时，RGB高分辨率数码相机作为一种廉价、成熟的设备引起了国内外学者的关注[22]。通过在无人机上搭载RGB高分辨率数码相机可以获取试验区的高清数码影像，从影像中提取红、绿、蓝通道的亮度值（digital number，DN）可计算各种可见光植被指数。优选后的可见光植被指数对作物叶片氮含量、LAI、生物量等指标具有较好的估算能力[23-25]。航拍获取的高清数码影像还可以使用动态结构算法[26]建立三维立体的作物表面模型（crop surface models，CSMs），通过作物表面模型可以进一步提取株高。株高是作物重要的生长指标，其与生物量、LAI、产量等有显著的相关关系[27-28]。近年来，许多学者基于无人机获取作物表面模型来提取株高的方法进行了许多研究。Zarco-Tejada等[29]使用固定翼飞机搭载RGB数码相机估算橄榄树高，与实测结果对比决定系数2=0.83；Bendig等[25,30-31]基于无人机搭载数码相机平台获取大麦株高进行了多次研究，证实了从CSMs提取的株高具有良好的精度，并建立了大麦株高与生物量的估算模型。然而，国内外对于CSMs提取株高来估算LAI的研究鲜有报道。本文以糖料蔗为研究对象，使用无人机搭载高分辨率RGB数码相机构成低空遥感农情监测系统，对糖料蔗全生育期进行监测，以探讨通过CSMs提取株高来估算LAI的可行性及效果。

1 材料与方法

1.1 试验区概况

试验区位于广西崇左市江州区，偏向热带季风气候，海拔高度180 m。崇左市位于广西西南部，为喀斯特地貌特征，以中低丘陵和孤峰平原为主。夏季长冬季短，全年雨量充沛，气候温暖湿润，适宜糖料蔗的种植。试验区共设有60个小区，每个小区面积64 m2（8 m´8 m），种植密度2.5´104株/hm2，行距1.0 m，小区间过道宽2.0 m。设置0、104、166、207、248 kg/hm2（分别对应N1、N2、N3、N4、N5）共5个施氮水平，20个小区为一组，设置3个重复处理。每个重复处理施氮布局相同，具体试验小区布置见图1。

注：0、104、166、207、248 kg·hm–2分别对应N1、N2、N3、N4、N5共5个施氮水平。

1.2 地面数据观测

糖料蔗株高地面观测方法为：于每个小区2条对角线上的1/3、2/3处选取4个观测点，使用伸缩尺测量观测点四周若干株糖料蔗第一片完全展开叶的高度，取平均值作为一个小区的平均株高。采用LAI-2200冠层分析仪（美国LI-COR公司生产）进行无损伤的LAI测量，测量时间段控制在云层厚度均匀的阴天或者是晴天的日出后2 h或日落前2 h，目的是不让阳光直射到分析仪的镜头内。每个小区先测量一个冠层顶部的辐射值再测量4个标记点处冠层下的辐射值，所得的LAI取平均即作为整个小区的LAI。

1.3 无人机平台与遥感数据获取

试验采用八旋翼电动无人机（S1000, 大疆公司生产），无人机净质量约4 kg，最大载质量约6 kg，空载续航约18 min。在无人机遥感平台上搭载 SONY DSC-QX100（日本SONY公司生产）数码相机，传感器（CMOS）像素为2100万，尺寸13.2 mm´8.8 mm，镜头焦距10.4 mm。数据采集选择晴朗无云的天气，采集时间10:00～14:00，飞行高度50 m，图像纵向重叠度60%～80%。数码相机曝光参数在保证定标白布不过曝的条件下设置为手动曝光，并根据实际光照条件设定光圈和快门值，白平衡设定为标准模式。试验期间，总共在试验小区飞行采集数据8次，分别为2016年5月14日、6月5日、6月28日、7月17日、8月6日、8月31日、10月2日、12月4日。数据采集时，无人机按照设定好的航线和参数自动巡航并记录数据。受机载GPS定位误差的影响，飞行时航线可能发生轻微偏移从而增加飞行所需的航带数，因此每次采集的影像数有所不同。各次数据采集的影像数和对应的糖料蔗生育期如表1。

表1 遥感数据采集日期及对应的糖料蔗生育期

注：5月14日拍摄的数据为试验区裸土数据，用于重建试验区地形。

Note: Data of 14-May was bare soil data, and it was used for building the terrain of the experimental area.

1.4 地面控制点

由于试验区地势高低起伏，采用无控制点或较稀疏的控制点不能保证CSMs的校准精度。本试验设置42个地面控制点（ground control points，GCPs），地面控制点由0.3 m×0.3 m的木板和埋于地下的木桩组成，各控制点均匀分布于各试验小区过道交叉口，木板中心用白色油漆标记，具体布局见图 1。假定基准点后，采用水准仪（G3, 顶通公司生产）和水准尺测量各地面控制点的相对高程，高程闭合差小于1 cm。

1.5 数据处理

1.5.1 建立作物表面模型并提取株高

通过无人机航拍获得的RGB照片计算株高主要有以下4个步骤：1）生成点云并对齐照片；2）输入地面控制点进行几何校正；3）重建高度并输出CSMs；4）栅格计算输出株高。步骤1）～3）于软件Agisoft PhotoScan Professional 12.0中完成，步骤4）于软件Eris Arcmap 10.3中完成，具体步骤如图2所示。

图2 基于CSMs提取株高的主要步骤

如图3a所示，第1次飞行（5月14日）采集的数码影像用于建立试验区地形的数字高程模型（digital elevation model，DEM）。在建立CSMs的过程中（步骤1）～4）），如果正射校正后的CSMs在控制点处的高程与实测控制点的高程偏差较大，则需要重新调整参数并重新定位控制点在每幅影像上的投影点后再进行建模，使控制点处CSMs与实测高程最大偏差小于10 cm，达到精度后方可输出CSMs（图3b）。步骤4）中，用各个生育期糖料蔗CSMs的栅格影像减去试验区DEM的栅格影像后得到标准化后的CSMs（图3c），并根据小区范围绘制矩形感兴趣区域（area of interest，AOI）。绘制AOI时，每条边与小区边缘预留1 m以排除边界的干扰。最后通过对标准化后的CSMs分区统计即可得到各个小区糖料蔗的株高。

图3 作物表面模型的标准化（以7月17日为例）

为讨论无控制点条件下对CSMs提取株高精度的影响，本文还通过地面选点插值的方法建立试验区地形的DEM并提取株高。此方法输出CSMs时略去上述步骤 2）～3），不进行正射校正直接输出CSMs。计算步骤4）时，使用Eris Arcmap 10.3在输出的CSMs中选择足够数量的裸地像元点（平行于试验小区过道，间隔约4 m选择一个点），对选取的点赋值后采用反距离加权插值法得到试验区的地形，再通过栅格计算得到株高。

1.5.2 计算可见光植被指数

RGB数码相机由于成本低、分辨率高、性价比高等优点，在低空遥感平台中得到广泛使用。由其采集的数码影像中RGB的DN值，本质上是红、绿、蓝3个宽波段（中心波长约为700.0、546.1和435.8 nm）反射光强的量化表达[32]。有关学者基于可见光波段的光谱反射率，提出许多可见光植被指数。Tucker[33]发现绿红植被指数（green red vegetation index，GRVI）与蓝色格兰马草的叶片水分含量、干生物量、叶绿素有显著的相关关系；Kawashima等[34]使用归一化红光强度（normalized redness intensity，NRI）和归一化绿光强度（normalized greenness intensity，NGI）建立了小麦叶绿素估算模型；Louhaichi等[35]最初使用绿叶植被指数（green leaf index，GLI）估算小麦冠层覆盖度，Hunt等[36]发现GLI能较好地估算叶片叶绿素含量；Gitelson等[2]使用可见光大气阻抗植被指数（atmospherically resistant vegetation index，ARVI）成功估算了抽穗期之前玉米的LAI；Bendig等[25]证明了修正的绿红植被指数（modified green red vegetation index，MGRVI）能较好地估测大麦的生物量。本文选取6种可见光植被指数（表 2），使用Arcmap软件提取试验小区作物冠层区域RGB正射影像和定标白布影像红、绿、蓝各通道的DN平均值，转换为相对反射率后于MATLAB R2014a中进行计算。

表2 文中使用的可见光植被指数的公式及来源

注：R, R, R分别代表红、绿、蓝波段的相对反射率。

Note:R, Rand Rwere relative reflectance in red wavelength, green wavelength and blue wavelength, respectively.

1.6 数据分析方法

本文基于无人机搭载的高清数码相机获取的RGB影像数据，通过从CSMs中提取株高并计算6种常见的可见光植被指数，并与实测株高一起与糖料蔗LAI作相关分析，采用回归的方法挑选出预测效果最好的参数。本文采用决定系数2、均方根误差（root mean square error，RMSE）和平均相对误差（mean relative error，MRE）来评估预测模型的精度。2越大说明模型拟合越好，RMSE和MRE越小说明模型的精度越高。

2 结果与分析

2.1 基于CSMs提取株高的精度分析

试验期间，总共在试验小区飞行采集数据8次（2016年5月14日至同年12月4日），数据采集涵盖了糖料蔗的整个生育期。虽然CSMs提取的株高是作物冠层特征的一种量化表达，但其与株高地面观测值存在一定的偏差（图4e），因此可建立观测株高和CSMs提取的株高的线性回归模型，从而利用CSMs提取的株高对真实株高进行估测（图4a～4d）。

图4 由CSMs提取的株高估算实际株高

为了比较有无地面控制点条件下CSMs提取株高对实际株高的估测精度，在2种条件下分别随机选择所有样本的70%作为校正集，30%作为验证集，使用校正集建立最小二乘线性回归模型用于预测验证集的实际株高(图4a～4d)。由于试验区处于丘陵地区，无控制点条件下采用地面插值的方法直接从CSMs中提取株高建立的模型预测误差较大（2=0.904 3，RMSE=0.337 3），如图4a、4b。这是因为地面插值所选的裸地像元仅局限于小区外的过道部分，对小区内地面高程代表性差，不能很好地还原整个试验区的地形状况。此外，地面选点插值主观性强、工作量大，且作物的横向生长及过道杂草加大了选点难度和模型误差。

相比之下，有控制点条件下从CSMs中提取株高建立的模型对实际株高有较强的预测能力，预测值与实测值有较好的拟合效果（2=0.961 2，RMSE=0.215 2），如图4c、4d。所有样本中，CSMs提取的株高与实测株高的决定系数2=0.961 0，模型高度拟合（<0.01）。有控制点条件下CSMs提取的株高对实际株高有更高的估测精度，下文仅对此条件下CSMs提取的株高进行分析。

如图4e所示，糖料蔗整个生育期内株高的变化范围为0～4 m，从分蘖期开始到伸长期末株高快速伸长，成熟期伸长停止。由于成熟期受自然灾害的影响，试验区平均株高较伸长期末有所降低。比较观测株高与作物表面模型CSMs获取的株高发现，CSMs提取的株高普遍要比实测株高略低，这是由于拍摄到糖料蔗的冠层并不仅由第一片完全展开叶构成，其包含了较低叶片或者裸土的混合像元。因此生成的CSMs实际上是混合像元的综合高度[31]。

2.2 基于株高和可见光植被指数的LAI估算模型

对比糖料蔗个各生育期下实测株高和实测LAI的变化趋势，如图 5，可以看出伸长末期之前的糖料蔗株高和LAI有明显的相关关系和相同的变化趋势。但是由于糖料蔗在伸长末期部分叶片开始衰老枯黄，使得LAI开始呈现下降趋势，而株高却没有发生明显下降，且叶片的枯萎会对可见光植被指数造成一定的影响。

图5 实测株高与LAI的变化趋势

在使用可见光植被指数和株高估算LAI的回归模型中，把数据样本分成全生育期（5月14日至12月4日，样本数=420）和伸长末期之前（5月14日至8月31日，样本数=300）两部分，随机选择所有样本的70%作为校正集，30%作为验证集，分别计算模型的决定系数2和均方根误差RMSE（表3）。结果显示各可见光植被指数与LAI有明显指数函数关系，株高与LAI则为线性关系。

如表3所示，以全生育期样本进行建模时，各可见光植被指数中除NGI模型预测精度较低外，其余模型预测效果比较接近。其中NRI对LAI具有最高的建模精度（2=0.670 7，RMSE=0.644 9）和最优的预测效果（2=0.668 4，RMSE=0.636 0，MRE=0.187 5）；其次，ARVI也能较好地预测LAI（2=0.656 2，RMSE=0.645 1，MRE=0.194 9），而此时期内2种株高和NGI对LAI的预测效果并不理想，验证集2仅为0.50～0.57，RMSE和MRE分别达到了0.72～0.78、0.25～0.28。这是由于伸长末期后叶片的枯萎不仅造成LAI的下降，枯叶还出现在糖料蔗冠层影像中，增大了小区绿通道的DN值的噪音，因此株高和NGI模型预测效果较差。相比之下，数码相机的红通道中心波长（约700 nm）位于叶绿素强吸收带（660 nm～680 nm）之后的红边区，使得此波段对高叶绿素和低叶绿素含量都具有较好的敏感性[37-38]。红通道的DN值在整个生育期内先随叶绿素的增加而下降，叶片衰老后再随叶绿素的减少逐渐上升，枯叶对其影响较小，因此NRI模型预测效果也较好[24]。

表3 各可见光植被指数和株高与LAI的回归分析

注：为叶面积指数，为样本数。

Note:was leaf area index, andwas number of samples.

以伸长末期以前的样本进行建模时，由于消除了叶片枯萎的影响，各模型的预测能力都有不同程度的提高，其中株高模型提高最大。各模型中，CSMs提取的株高建立的模型预测效果最佳（2=0.904 4，RMSE=0.366 2，MRE=0.124 3），其次为观测株高（2=0.901 0，RMSE=0.370 7，MRE=0.124 3）。各可见光植被指数中除NRI和NGI预测精度略低外，其余模型预测效果比较接近，其中GRVI精度最高（2=0.779 0，RMSE=0.556 1，MRE=0.168 0）。

综上分析，参数NRI、ARVI、GRVI和CSMs提取的株高对糖料蔗LAI有较好的预测潜力。结果显示，在受伸长末期糖料蔗叶片开始枯萎的影响下，各模型对全生育期LAI的预测结果均低于伸长末期之前的结果，其中CSMs株高模型预测结果不稳定，RMSE和MRE分别高达0.769 9和0.272 9，因此CSMs株高并不适合预测伸长末期之后的LAI。相比之下，NRI、ARVI和GRVI模型对预测全生育期的LAI有较好的能力。但是当LAI较高时，NRI、ARVI和GRVI发生了不同程度的饱和现象，使得预测值相对误差较大。相比之下，CSMs株高在预测伸长末期以前LAI时不存在饱和的问题，并且此时段内NRI、ARVI和GRVI验证模型的2、RMSE和MRE分别在0.75～0.78、0.55～0.59和0.167～0.169之间，而CSMs株高模型2达到了0.904 4，RMSE和MRE降至0.366 2和0.124 3。可见CSMs株高在预测伸长末期之前的LAI时无论是在模型拟合度或是预测精度方面都比可见光植被指数具有明显的优势。

3 讨 论

通过遥感快速大面积估测作物LAI对于现代农业精细化管理意义重大。但是，以往的研究多基于作物反射光谱来估测LAI。本研究基于无人机搭载高清数码相机构成的低空遥感平台可以高效、便捷、及时地获取到作物表面模型CSMs，从中提取的株高对糖料蔗伸长末期前的LAI的预测效果优于文中所选的各可见光植被指数。

然而，由于不同作物的生长形态和冠层结构存在较大差别，不同作物基于株高的LAI估测模型通用性较差。Wang等[39]发现阔叶林、针叶林等不同植被类型之间株高与LAI的回归模型有较大差别。Luo等[28]就此问题指出在用株高估测LAI时，应根据具体植被类型选择模型。因此，建立通用性更高的模型是未来的研究方向。虽然可见光植被指数对LAI的估测存在饱和等问题，但对全生育期的LAI的估测仍有较大潜力。未来的研究中，可以使用CSMs提取的株高和可见光植被指数建立多元回归模型对LAI进行预测，同时进行多种试验条件和品种下的研究，寻找通用性更强的模型。再者，孙涛等[40]指出进行查找表变换校正后的DN值更能代表入射光辐射量，因此可以尝试使用校正后的DN来计算可见光植被指数并引入到模型中。由于人工对CSMs进行校准及提取株高步骤繁杂，可以基于模式识别尝试开发智能算法进行数据处理，为未来的自动化精准农业管理提供参考。

4 结 论

1）基于CSMs（crop surface models）的株高预测模型在控制点条件下有更高的精度，验证集株高预测值与实测值高度拟合（2=0.961 2，RMSE=0.215 2），说明控制点条件下本文估测株高的方法精度较高。且无人机遥感测量成本低、快捷，有向大尺度推广的潜力。

2）伸长末期之前各可见光植被指数的LAI估测模型在高LAI时存在不同程度的饱和现象，而CSMs（crop surface models）株高估测模型无饱和问题，且预测效果最好（2=0.904 4，RMSE=0.366 2，MRE=0.124 3）。受伸长末期后叶片枯萎的影响，各模型对全生育期的LAI预测效果稍差。考虑到苗期至伸长末期已经涵盖了糖料蔗关键生长阶段，故利用CSMs株高来估算糖料蔗关键生育期LAI是可行的。

3）CSMs株高对LAI的预测效果优于实测株高，这是由于糖料蔗复杂的冠层结构使得株高地面测量主观性强，而且基于点的地面测量不能较好反映作物冠层的实际情况。相比之下，CSMs提取的株高更加客观，测量范围也覆盖了整个冠层，使得CSMs株高预测模型有更好的预测效果和应用价值。

[1] 李纯佳，徐超华，覃伟，等. 甘蔗株高相关性状数量研究[J]. 中国糖料，2015，37(3)：1－3. Li Chunjia, Xu Chaohua, Qin Wei, et al. A quantitative study on plant height relative traits in sugarcane[J]. Sugar Crops of China, 2015, 37(3): 1－3. (in Chinese with English abstract)

[2] Gitelson A A, Viña A, Arkebauer T J, et al. Remote estimationof leaf area index and green leaf biomass in maize canopies[J]. Geophysical Research Letters, 2003, 30(5): 1248－1260.

[3] McWilliam A L C, Roberts J M, Cabral O M R. Leaf area index and above-ground biomass of terra firme rain forest and adjacent clearings in Amazonia[J]. Functional Ecology, 1993, 7(3): 310－317.

[4] Fassnacht K S, Gower S T, MacKenzie M D, et al. Estimating the leaf area index of north central wisconsin forests using the landsat thematic mapper[J]. Remote Sens. Environ, 1997, 61(2): 229－245.

[5] Seller P J, Mintz Y. A simple biosphere model (SiB) for use within general circulation models[J]. Joural of the Atmospheric Sciences, 1986, 43(6): 505－531.

[6] Bonan G B. Importance of leaf area index and forest type when estimating photosynthesis in boreal forests[J]. Remote Sensing of Environment, 1993, 43(3): 303－314.

[7] Breda N J J. Ground-based measurements of leaf area index: A review of methods, instruments and current controversies[J]. Journal of Experimental Botany, 2003, 54(392): 2403－2417.

[8] Welles J M, Cohen S. Canopy structure measurement by gap fraction analysis using commercial instrumentation[J]. Journal of Experimental Botany, 1996, 47(9): 1335－1342.

[9] 钱永兰，杨邦杰，雷廷武. 数据融合及其在农情遥感监测中的应用与展望[J]. 农业工程学报，2004，20(4)；286－290. Qian Yonglan, Yang Bangjie, Lei Tingwu. Data fusion and its application prospect in agricultural condition monitoring using remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(4): 286－290. (in Chinese with English abstract)

[10] 许文波，张国平，范锦龙，等. 利用MODIS遥感数据监测冬小麦种植面积[J]. 农业工程学报，2007，23(12)：144－149.Xu Wenbo, Zhang Guoping, Fan Jinlong, et al. Remote sensing monitoring of winter wheat areas using MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(12): 144－149. (in Chinese with English abstract)

[11] Chen J M, Cihlar J. Retrieving leaf area index of boreal conifer forests using landsat TM images[J]. Remote Sensing of Environment, 1996, 55(2): 153－162.

[12] Colombo R. Retrieval of leaf area index in different vegetation types using high resolution satellite data[J]. Remote Sensing of Environment, 2003, 86(1): 120－131.

[13] Wu C, Han X, Niu Z, et al. An evaluation of EO-1 hyperspectral Hyperion data for chlorophyll content and leaf area index estimation[J]. International Journal of Remote Sensing, 2010, 31(4): 1079－1086.

[14] Zhang C, Kovacs J M. The application of small unmanned aerial systems for precision agriculture: A review[J]. Precision Agriculture, 2012, 13(6): 693－712.

[15] 廖钦洪. 作物长势参数的垂直分布反演及遥感监测研究[D]. 杭州：浙江大学，2014. Liao Qinhong. Monitoring and Estimating the Vertical Distribution of Crop Growth Parameters Based on Remote Sensing Data[D]. Hanghzhou: Zhejiang University, 2014. (in Chinese with English abstract)

[16] 陈雯，武威，孙成明，等. 无人机遥感在作物监测中的应用与展望[J]. 上海农业学报，2016，32(2)：138－143. Chen Wen, Wu Wei, Shun Chengming, et al. Application and prospect of UAV remote sensing in crop monitoring[J]. Acta Agricultural Shanghai, 2016, 32(2): 138－143. (in Chinese with English abstract)

[17] 王利民，刘佳，杨玲波，等. 基于无人机影像的农情遥感监测应用[J]. 农业工程学报，2013，29(18)：136－145. Wang Limin, Liu Jia, Yang Lingbo, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013,29(18): 136－145. (in Chinese with English abstract)

[18] 高林，杨贵军，王宝山，等. 基于无人机遥感影像的大豆叶面积指数反演研究[J]. 中国生态农业学报，2015，23(7)：868－876. Gao Lin, Yang Guijun, Wang Baoshan, et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle) remote sensing imagery[J]. Chinese Journal of Eco- Agriculture, 2015, 23(7): 868－876. (in Chinese with English abstract)

[19] Cilia C, Panigada C, Rossini M, et al. Nitrogen status assessment for variable rate fertilization in maize through hyperspectral imagery[J]. Remote Sensing, 2014, 6(7): 6549－6565.

[20] Primicerio J, Di Gennaro S F, Fiorillo E, et al. A flexible unmanned aerial vehicle for precision agriculture[J]. Precision Agriculture, 2012, 13(4): 517－523.

[21] 高林，杨贵军，于海洋，等. 基于无人机高光谱遥感的冬小麦叶面积指数反演[J]. 农业工程学报，2016，32(22)：113－120. Gao Lin, Yang Guijun, Yu Haiyang, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 113－120. (in Chinese with English abstract)

[22] 汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报，2015，31(5)：152－157. Wang Xiaoqin, Wang Miaomiao, Wang Shaoqiang, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152－157. (in Chinese with English abstract)

[23] Hunt Jr E R, Cavigelli M, Daughtry C S T, et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J]. Precision Agriculture, 2005, 6(4): 359－378.

[24] 高林，杨贵军，李红军，等. 基于无人机数码影像的冬小麦叶面积指数探测研究[J]. 中国生态农业学报，2016，24(9)：1254－1264. Gao Lin, Yang Guijun, Li Hongjun, et al. Winter wheat LAI estimation based on unmanned aerial vehicle RGB- imaging[J]. Chinese Journal of Eco-Agriculture, 2016, 24(9): 1254－1264. (in Chinese with English abstract)

[25] Bendig J, Yu K, 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 Observation and Geoinformation, 2015, 39(1): 79－87.

[26] Verhoeven G. Taking computer vision aloft-Archaeological three-dimensional reconstructionsfrom aerial photographs with photoscan[J]. Archaeol Prospect, 2011, 18(1): 67－73.

[27] Tilly N, Aasen H, Bareth G. Fusion of plant height and vegetation indices for the estimation of barley biomass[J]. Remote Sensing, 2015, 7(9): 11449－11480.

[28] Luo S, Wang C, Pan F, et al. Estimation of wetland vegetation height and leaf area index using airborne laser scanning data[J]. Ecological Indicators, 2015, 48(1): 550－559.

[29] Zarco-Tejada P J, Diaz-Varela R, Angileri V, et al. Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle (UAV) and automatic 3D photo-reconstruction methods[J]. European Journal of Agronomy, 2014, 55(1): 89－99.

[30] Bendig J. UAV-based imaging for multi-temporal, very high resolution crop surface models to monitor crop growth variability[J]. Photogramm Fernerkund Geoinf, 2013, 6(6): 551－562.

[31] Bendig J, Bolten A, Bennertz S, et al. Estimating biomass of barley using crop surface models (CSMs) derived from UAV-based RGB imaging[J]. Remote Sensing, 2014, 6(11): 10395－10412.

[32] 王方永，王克如，李少昆，等. 应用两种近地可见光成像传感器估测棉花冠层叶片氮素状况[J]. 作物学报，2011，37(6)；1039－1048. Wang Fangyong, Wang Keru, Li Shaokun, et al. Estimation of canopy leaf nitrogen status using imaging spectrometer and digital camera in cotton[J]. Acta Agronomica Sinica, 2011, 37(6): 1039－1048. (in Chinese with English abstract)

[33] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127－150.

[34] Kawashima S, Nakatani M. An algorithm for estimating chlorophyll content in leaves using a video camera[J]. Annals of Botany,1998, 81(1): 49－54.

[35] Louhaichi M, Borman M. Spatially located platform and aerial photography for documentation of grazing impacts on wheat[J]. Geocarto International, 2001, 16(1): 65－70.

[36] Hunt E R, Doraiswamy P C, McMurtrey J E, et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scale[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 21(1): 103－112.

[37] Sims D A, Gamon J A. 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(2/3): 337－354.

[38] Vesali F, Omid M, Kaleita A, et al. Development of an android app to estimate chlorophyll content of corn leaves based on contact imaging[J]. Computers and Electronics in Agriculture, 2015, 116(3): 211－220.

[39] Wang Y, Wang D, Zhang G, et al. Estimating nitrogen status of rice using the image segmentation of G-R thresholding method[J]. Field Crops Research, 2013, 149(149): 33－39.

[40] 孙涛，刘振波，葛云健，等. 基于数码相片Gamma校正的水稻叶面积指数估算[J]. 生态学报，2014，34(13)： 3548－3557. Sun Tao, Liu Zhenbo, Ge Yunjian, et al. Estimation of paddy rice leaf area index based on photo gamma correction[J]. Acta Ecologica Sinica, 2014, 34(13): 3548－3557. (in Chinese with English abstract)

Estimation of leaf area index of sugarcane using crop surface model based on UAV image

Yang Qi1, Ye Hao1, Huang Kai2, Zha Yuanyuan1, Shi Liangsheng1※

(1.430072,; 2.530023,)

The red-green-blue (RGB) digital camera on unmanned aerial vehicle (UAV) with the relatively low cost and near real-time image acquisition renders a remote sensing platform, which is an ideal tool for crop monitoring in precision agriculture. Some successful applications have been made in biomass and yield estimation. However, retrieval of leaf area index (LAI) using plant height information extracted by crop surface models (CSMs) has been paid very limited attention to. Therefore, the objective of this study was to demonstrate the feasibility of estimating LAI with CSMs-based plant height. The study was conducted in warm and wet southern China where the sugarcane was planted widely. In this study, we acquired RGB imaging data of sugarcane in whole growing stage (8 flights) by this platform. Afterward, 42 ground control points (GCPs)were evenly distributed across the field due to the rugged terrain of the experimental area. The CSMs were built with the GCPs data and the UAV-based RGB image with very high resolution using the structure from motion (SfM) algorithm, and then the plant height information derived from CSMs was applied to estimate the LAI of sugarcane. The estimated LAI values were validated using the ground measurement data, which were collected simultaneously with the image acquisition. To assess the accuracy of plant height extracted from the CSMs without geo-referencing by GCPs data, we also constructed the ground elevation model by inverse distance weighted (IDW) interpolation to obtain plant height. In addition, we applied 6 visible band vegetation indices including green-red vegetation index (GRVI), normalized redness intensity (NRI), normalized greenness intensity (NGI), green leaf index (GLI), atmospherically resistant vegetation index (ARVI), and modified green-red vegetation index (MGRVI) from RGB image to predict the LAI, respectively. The performance of prediction models based on 6 vegetation indices was assessed by comparing with that based on plant height. The predicted plant heights based on GCPs geo-referenced CSMs matched well with the observations in the validation set, withthe2value of 0.961 2 and the root mean square error (RMSE) of 0.215 2 at the 0.01 significance level. This result demonstrated that the UAV-based CSMs with geo-referencing by GCPs were more effective in monitoring the characteristics of sugarcane canopy over rugged terrain. In all the selected visible band vegetation indices, GRVI had the decent agreement with LAI prior to late elongation stage, withthe2value of 0.779 0, the RMSE value of 0.556 1, andthe mean relative error (MRE) of 0.168 0 in the validation set. In contrast, the plant height models showed a better performance than the visible band VIsover the same period, and the best estimate for LAI was obtained from CSMs-based plant height (2=0.904 4, RMSE=0.366 2, and MRE=0.124 3). Unfortunately, due to that leaves turned to be withering since late elongation stage, all models in this study had relatively poor performance in estimating the LAI in the whole growing stage. NRI performed the best for the LAI estimation in the whole growing stage (2=0.668 4, RMSE=0.636 0, and MRE=0.187 5), while its effect was poorer compared with the result before late elongation stage. Hence, it was unsuitable for LAI estimation from visible band VIs and plant height after late elongation stage. Furthermore, all above visible band VIs in this study were affected by the saturation phenomenon with varying degrees at high LAI levels. Conversely, the CSMs-based plant height model, which showed a linear trend without saturation at high LAI, proved to be the best predictor before late elongation stage. Because the key growing stage covered the period from seedling stage to late elongation stage, and the plant height models overcame the saturation limits of visible band VIs, it was better to estimate LAI with plant height. The results of this study indicate that using CSMs-based plant height to retrieve LAI of sugarcane in the important growth period is feasible. Moreover, since the excellent fitting of CSMs-based plant height to the ground observations, this technology is a powerful tool to obtain crop canopy features accurately and rapidly and provides a new approach to the crop condition monitoring in large areas.

remote sensing; unmanned aerial vehicle; crops; crop surface model; sugarcane; red-green-blue imaging; plant height; leaf area index

10.11975/j.issn.1002-6819.2017.08.014

S566.1; TP79

A

1002-6819(2017)-08-0104-08

2017-03-07

2017-05-02

高等学校全国优秀博士学位论文作者专项资金(201248)；广西水利厅科技项目(201615)

杨 琦，男，云南蒙自人，主要研究方向为基于无人机低空遥感的农情监测。武汉 武汉大学水资源与水电工程科学国家重点实验室，430072。 Email：yang_qi@whu.edu.cn

史良胜，男，安徽池州人，教授，博士生导师，博士，主要研究方向为地下水和溶质运移、基于低空遥感的精准农业。武汉 武汉大学水资源与水电工程科学国家重点实验室，430072。Email：liangshs@ whu.edu.cn

杨 琦，叶 豪，黄 凯，查元源，史良胜.利用无人机影像构建作物表面模型估测甘蔗LAI[J]. 农业工程学报，2017，33(8)：104－111. doi：10.11975/j.issn.1002-6819.2017.08.014 http://www.tcsae.org

Yang Qi, Ye Hao, Huang Kai, Zha Yuanyuan, Shi Liangsheng.Estimation of leaf area index of sugarcane using crop surface model based on UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(8): 104－111. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.08.014 http://www.tcsae.org