无人机高光谱遥感数据在冬小麦叶面积指数反演中的应用*

潘海珠，陈仲新※

(1.农业部农业遥感重点实验室，北京 100081；2.中国农业科学院农业资源与农业区划研究所，北京 100081)

0 引言

叶面积指数是表征植被冠层结构特征的关键参数，被定义为单位面积上单面叶片面积的总和[1]。高效地获取农作物叶面积指数，对作物长势监测、病虫害监测和产量预测以及田间管理具有重要意义。传统的卫星遥感技术被广泛用于农作物叶面积指数反演并形成了成熟的算法和产品。国内外学者利用光谱仪和卫星高光谱数据开展了大量的LAI反演研究[2-3]，如Gilabert和Merzlyak[4]通过比较归一化植被指数NDVI和红边位置参数与LAI的相关性，发现红边位置更能反映LAI；梁亮等[5]对18种植被指数进行比较分析，从中筛选出了对小麦LAI敏感的光谱指数OSAVI。无人机高光谱遥感数据也被开始应用于农业研究，如高林等[6]利用UHD185数据分析了12种比值光谱指数对小麦LAI的敏感差异。

近年来，无人机遥感技术发展迅速，相比于卫星遥感数据，无人机遥感数据适合小范围内数据采集，在田间尺度的精细农业方面具有明显的应用优势，有效地弥补了卫星遥感在农业应用上的缺陷[7-8]。无人机具有体积小、成本低和操作简单的优点，与高光谱传感器结合，能够高效准确地进行地表动态监测，但目前农业无人机高光谱遥感应用相对较少。研究以河北省衡水市冬小麦为研究对象，使用无人机平台搭载高光谱成像传感器获取冬小麦高光谱影像，利用植被辐射传输模型PROSAIL和获取的高光谱影像构建冬小麦LAI的遥感估算模型，为作物参数监测提供新的研究方法。

1 研究区与数据

1.1 研究区概况

研究选择的研究区为河北省衡水市(东经115°10′～116°34′，北纬37°03′～38°23′)，地处黄淮海平原区，是我国典型的冬小麦种植区和粮食生产基地。衡水市属温带半湿润大陆季风气候，为温暖半干旱型，区域内气候差异不大，年平均气温12～13℃，大于0℃年积温4 200～5 500℃，年累积辐射量500万～520万kJ/m2，无霜期170～220d； 年均降水量500～900mm[9]。研究区冬小麦生育期，从每年的10月上旬持续至次年的6月上旬或中旬， 11月下旬至2月中、下旬为越冬期， 2月底至3月上旬进入返青期，冬小麦开始旺盛生长，起身、拔节期从3月中、下旬至4月中旬， 4月下旬至5月上旬为孕穗、抽穗期，开花、乳熟期开始于5月中旬， 6月初至6月中旬冬小麦收获。

1.2 数据获取

冬小麦无人机高光谱飞行试验于2017年5月23日11时在衡水市榆科镇开展，该时期处于冬小麦生长的乳熟期，飞行作业期间天空晴朗无云。实验采用八旋翼无人机搭载Cubert UHD185高光谱成像光谱仪，其成像参数如表1。UHD185机载高速成像光谱仪一款全画幅、非扫描、实时成像的机载高光谱成像系统，可在1/1 000s内得到450～950nm范围内125个通道的数据立方体[10-12]。无人机飞行作业与地面观测同步开展，在飞行试验区内取25个样点，利用LAI-2200冠层分析仪测量冬小麦LAI，飞行试验研究区及无人机高光谱数据如图1。

表1 UHD 185高光谱成像参数

参数取值光谱范围450～950nm波段数125光谱分辨率4nm空间分辨率4cm

表2 PROSAIL模型参数设置

2 研究方法

2.1 PROSAIL模拟

PROSAIL辐射传输模型通过PROSPECT叶片模型[13]和SAILH冠层模型[14]耦合得到，PROSPECT模型模拟得到的叶片光谱信息作为SAILH模型的输入参数。SAILH模型将植被当做混合介质，假设叶片方位分布均匀，考虑任意的叶片倾角，模拟冠层的双向反射率[15]。该研究以PROSAIL模型参数LAI为变量，根据地面冬小麦观测数据确定其他参数，然后模拟冬小麦反射率的变化，最后利用模拟的反射率计算得到植被指数。PROSAIL模型参数如表2。

图1 试验区及无人机高光谱遥感影像

2.2 LAI反演模型的构建

在已有的研究基础上，该研究选取9种植被指数建立无人机成像高光谱数据反演冬小麦LAI的模型，如表3。利用模型模拟的各植被指数与模型参数LAI的关系构建LAI反演模型，然后使用独立模拟的一组数据分别验证LAI反演结果，根据验证指标选择最优的反演模型。模型的筛选指标包括决定系数R2、均方根误差RMSE和标准均方根误差NRMSE。基于筛选出的最优LAI反演模型利用无人机高光谱数据反演冬小麦LAI，最后利用地面实测数据对反演结果进行验证。

表3 用于估算LAI的植被指数

植被指数公式参考文献RVIR842/R665Gitelsonetal．(1996)[4]NDVI(R842-R665)/(R842+R665)CarlsonandRipley．(1974)[16]EVI225×(R842-R665)/(R842+24×R665+1)Freitasetal．(2008)[17]OSAVI116×(R842-R665)/(R842+R665+016)Steven(1998)[18]MSAVI2(R842+1)+05× (2×R842-1)2+8×R665LaosuwanandUttaruk(2014)[19]TCARI/OSAVI3[(R700-R670)-02(R700-R550)(R700/R670)](1+016)(R800-R670)/(R800+R670+016)Haboudaneetal．(2002)[20]RNDVI(R842-R740)/(R812+R740)CleversandGitelson (2013)[21]MSIR1610/R842Wolf(2010)[22]S2REP705+35×[05×(R783+R665)-R705]/(R740-R705)Framptonetal．(2013)[23]

3 结果与分析

3.1 冬小麦LAI反演模型

将LAI在0.5～8范围内的随机1 000组数据作为PROSAIL模型输入变量，然后将模拟的冬小麦冠层高光谱反射率重采样成Cubert UHD185波段，并计算各植被指数，通过指数函数形式构建LAI与不同植被指数的关系模型，如图2。从图2可以看出包含红边波段的植被指数RNDVI与S2REP和LAI有较强的指数关系，决定系数R2均大于0.97。在冬小麦出苗期LAI较低(小于2)，不包含红边的植被指数(RVI、NDVI、EVI2、OSAVI、MSAVI2、TCARI/OSAVI、MSI)与LAI间相关性较高，而冬小麦抽穗开花期、灌浆期等后期生长阶段，这些植被指数并不适合用于反演冬小麦LAI。

图2 不同植被指数与LAI的关系曲线

图3 基于不同植被指数的LAI反演模型模拟效果

植被指数对LAI的饱和现象，即在LAI高值区植被指数不再随着LAI的变化而变化，是利用统计模型进行估算LAI时一直存在的问题。利用不同植被指数构建的LAI反演模型反演结果与模型LAI对比结果如图3。以NDVI、OSAVI和TCARI/OSAVI为指标的反演模型在LAI达到3时出现了饱和现象，以RVI、MASVI2和 EVI2和MSI为指标的反演模型在LAI达到5时出现了饱和现在，而以RNDVI、S2REP为指标的LAI反演模型较大程度上缓解了这种饱和现象。从图3中看出，以RNDVI为指标反演的LAI的RMSE为0.51，反演精度相对最高。因此研究选择RNDVI作为无人机高光谱遥感数据反演冬小麦LAI的指标。利用冠层RNDVI，根据Beer定律，建立无人机高光谱遥感数据反演冬小麦LAI的反演模型：

LAI=0.4003×exp(10.437×RNDVI)

3.2 无人机高光谱遥感数据冬小麦LAI估算结果

基于LAI反演模型，利用获取的无人机高光谱遥感影像得到试验地块的冬小麦LAI反演估算结果如图4。为了对LAI反演结果进度进行验证，在试验地选择25个样点，利用LAI实测值对反演结果进行验证。验证结果表明，研究选择相关性最高的红边归一化植被指数RNDVI作为LAI反演因子，其预测的LAI与实测值具有较好拟合性(R2=0.83，RMSE=0.16，NRMSE=10%，n=25，P<0.001)。研究的试验数据处于冬小麦乳熟后期，成熟较早的冬小麦叶片出现枯黄凋落，LAI值降低，而成熟相对晚一些的小麦仍为绿叶，LAI相对高一些。图4反演结果较好地反映飞行试验区内冬小麦LAI的空间分布，也在一定程度上反映了小麦成熟情况的空间分布差异。

图4 无人机高光谱数据反演冬小麦LAI值及验证

4 讨论与结论

传感器的光谱分辨率和光谱范围决定了可用于LAI反演的光谱信息，因此基于高光谱遥感数据为植被生理生态参数反演开辟了一种新途径。目前，高光谱遥感数据在作物监测已经得到了成熟的应用，但多以光谱仪数据为主，针对作物的成像高光谱数据和应用相对较少。无人机以其自身方便、高效的优势搭载高光谱成像仪，可在田间尺度上获取高时空分辨率和高光谱分辨率的农作物影像数据，为作物长势监测提供了新的数据来源和技术手段。研究以无人机UHD185高光谱成像系统获取田间冬小麦高光谱影像，用于反演叶面积指数(LAI)，并取得了较好的结果，为开展作物叶绿素含量、叶片含水量等理化参数反演研究提供了新的思路。

植被LAI反演目前尚没有统一的方法，而且存在很多不确定性因素。研究利用无人机高光谱影像和植被辐射传输模型PROSAIL以及地面实测数据，通过PROSAIL模型分析比较了9种不同植被指数对LAI的敏感性，构建了基于无人机高光谱数据的LAI反演模型。研究结果表明红边波段在LAI反演中起到关键作用，两种含有红边波段的植被指数RNDVI和S2REP比其他7种植被指数更适合与冬小麦生长后期LAI的反演； 其中RNDVI与LAI的相关性最高，LAI预测值与实测值总体上表现较为一致。由于受到天气、设备等因素限制，研究没有能够获取更多冬小麦关键生育期的无人机高光谱影像，使得研究的LAI反演模型只得到该次试验数据的验证，时间序列上的作物监测则是下一步的研究重点。

[1] Zheng G，Moskal L M.Retrieving Leaf Area Index(LAI)using remote sensing：Theories，methods and sensors.Sensors,2009，(9)： 2719～2745

[2] 蒙继华， 吴炳方，李强子.全国农作物叶面积指数遥感估算方法.农业工程学报,2007, 23(2): 160～167

[3] Liu H，Zhu H，Wang P.Quantitative modelling for leaf nitrogen content of winter wheat using UAV-based hyperspectral data.International Journal of Remote Sensing,2017, 38(10): 2117～2134

[4] Gitelson A A，Merzlyak M N.Signature analysis of leaf reflectance spectra：algorithm development for remote sensing of chlorophyll.Journal of Plant Physiology,1996, 148(3): 494～500

[5] 梁亮， 杨敏华，张连蓬，等.小麦叶面积指数的高光谱反演.光谱学与光谱分析,2011, 31(6): 1658～1662

[6] 高林， 杨贵军，李长春，等.基于光谱特征与PLSR结合的叶面积指数拟合方法的无人机画幅高光谱遥感应用.作物学报,2017, 43(4): 549～557

[7] 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.农业工程学报,2013, 29(18): 136～145

[8] 杨贵军， 李长春，于海洋，等.农用无人机多传感器遥感辅助小麦育种信息获取.农业工程学报,2015, 31(21): 184～190

[9] 任建强， 陈仲新，周清波，等.基于叶面积指数反演的区域冬小麦单产遥感估测.应用生态学报,2010, 21(11): 2883～2888

[10]秦占飞， 常庆瑞，谢宝妮，等.基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测.农业工程学报,2016, 32(23): 77～85

[11]赵晓庆， 杨贵军，刘建刚，等.基于无人机载高光谱空间尺度优化的大豆育种产量估算.农业工程学报,2017, 33(1): 110～116

[12]田明璐， 班松涛，常庆瑞，等.基于无人机成像光谱仪数据的棉花叶绿素含量反演.农业机械学报,2016,(11)： 285～293

[13]Jacquemoud S，Baret F.PROSPECT：A model of leaf optical properties spectra.Remote sensing of environment,1990， 34(2)：75～91

[14]Cho M，Skidmore A，Atzberger C.Towards red-edge positions less sensitive to canopy biophysical parameters for leaf chlorophyll estimation using properties optique spectrales des feuilles(PROSPECT)and scattering by arbitrarily inclined leaves(SAILH)simulated data.International Journal of Remote Sensing,2008， 29(8) ：2241～2255

[15]Atzberger C，Jarmer T，Schlerf M，et al.Retrieval of wheat bio-physical attributes from hyperspectral data and SAILH+PROSPECT radiative transfer model.In Proceedings of the 3rd EARSeL Workshop on imaging spectroscopy,2003， 473～482

[16]Carlson T N，Ripley D A.On the relation between NDVI，fractional vegetation cover，and leaf area index.Remote sensing of Environment,1997， 62(3) ：241～252

[17]Freitas R D，Arai E，Adami M，Ferreira A S，et al.Virtual laboratory of remote sensing time series：visualization of MODIS EVI2 data set over South America.Journal of Computational Interdisciplinary Sciences,2011, 2(1): 57～68

[18]Steven M D.The sensitivity of the OSAVI vegetation index to observational parameters.Remote Sensing of Environment,1998, 63(1): 49～60

[19]Laosuwan T，Uttaruk P.Estimating Tree Biomass via Remote Sensing，MSAVI 2，and Fractional Cover Model.IETE Technical Review,2014， 31(5) 362～368

[20]Haboudan，D，Miller J R，Tremblay N，et al.Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture.Remote Sensing of Environment,2002， 81(2)：416～426

[21]Clevers J G，Gitelson A A.Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3.International Journal of Applied Earth Observation and Geoinformation,2013， 23： 344～351

[22]Wolf A.Using WorldView 2 Vis-NIR MSI imagery to support land mapping and feature extraction using normalized difference index ratios.SPIE,2010:8390

[23]Frampton W J，Dash J，Watmough G，et al.Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation.ISPRS Journal of Photogrammetry and Remote Sensing,2013：82， 83～92