基于无人机多光谱遥感的玉米LAI估算研究

贺 佳 王来刚* 郭 燕 张 彦 杨秀忠 刘 婷 张红利

（1.河南省农业科学院农业经济与信息研究所，郑州 450002；2.农作物种植监测与预警河南省工程实验室，郑州 450002）

1 引言

叶面积指数（Leaf area index，LAI）是表征作物冠层结构及生长信息的重要参数之一，了解LAI对掌握作物长势动态、水肥调控、产量预测等生产管理具有重要意义[1]。玉米是我国主要的作物之一，快速准确获取其生长信息，以便为田间施肥决策、估产等生产管理提供技术支撑[2]。传统LAI 信息获取方法仅能表示点位信息，而遥感技术凭借非侵入式、高通量的优势，能快速、无损、大尺度获取作物生长信息，已成为精准农业的重要内容和研究热点[3-5]。

目前，利用卫星遥感技术对LAI的估算已经取得了一些进展。如科学家们通过TM、ETM、World View-3、Sentinel-2、GF-1/2 等卫星遥感影像实现了区域尺度的小麦、水稻、玉米、棉花等作物LAI估算[6-11]。但卫星遥感影像容易受大气云层、雨雪天气、重访周期等因素的影响，难以满足特定区域尺度高频次、高分辨率数据的需求[12-14]。而低空无人机（Unmanned aerial vehicle，UAV）则能根据需求搭载不同光谱波段的传感器，有效弥补卫星遥感在中小尺度高精度估算研究中的不足，已逐渐成为现代精准农业研究的新手段[15-18]。如Berni等利用无人机多光谱影像估算橄榄树LAI[19]；刘峰等通过无人机多光谱估算板栗冠层覆盖度[20]；Córcoles 等通过无人机多光谱数据研究了洋葱LAI[21]；Peter等利用无人机多光谱影像估算马铃薯LAI[22]；孙涛等基于无人机多光谱遥感影像实现了水稻LAI 估算[23]；王瑛利用无人机多光谱影像估算小麦LAI[24]；褚洪亮等研究指出基于无人机多光谱影像估算玉米LAI 的预测值与田间实测值具有较高的一致性[25]；牛庆林等基于多光谱影像估算玉米育种材料LAI精度超过0.60[26]；孙诗睿等基于无人机多光谱数据结合灰色关联度与随机森林方法反演冬小麦LAI 精度达到0.80[27]；高林等基于无人机数码影像与多光谱遥感影像分别研究了小麦、大豆LAI[28-29]。这些研究为无人机遥感技术服务农业生产管理提供了新的成果，同时推动了无人机遥感在作物生长信息定量监测中的应用。

虽然基于无人机多光谱的作物参数遥感估算已经取得了一些进展，但这些研究多通过不同传感器构建某一生育时期或多生育时期累加植被指数建立模型，而植被指数则随着作物生育时期及冠层结构等因素的变化，在时间尺度上存在一定差异性，导致估算模型估算精度及应用尺度受到局限。因此，本文以无人机搭载MicaSense RedEdge-M 多光谱成像系统获取玉米拔节期、抽雄期、成熟期等多光谱影像，综合考虑在不同生育时期多光谱影像特征，同时结合Mica-Sense RedEdge-M 的红边波段，进一步优化筛选植被指数，建立LAI 最佳估算模型及估算时期，改善LAI估算模型的稳定性与适用性；并在此基础上进行田块尺度的LAI空间差异性制图，为田块尺度的作物生长信息监测诊断提供理论依据与技术支撑。

2 实验设计

2.1 研究区概况

实验在中国农业科学院新乡综合实验基地进行，实验基地地处113°46'08.10″E，35°08'03.67″N，海拔78.9 m，温带大陆性季风型气候，年平均温度14.2℃，无霜期210 d，年日照时数约2400.0 h，年蒸发量约2000.0 mm，年平均降水量585.0 mm。土壤为黄河冲积物发育潮土，0～20 cm 碱解氮68.65 mg/kg，速效磷9.21 mg/kg，速效钾71.12 mg/kg，有机质含量10.21mg/kg。

2.2 实验设计

小区实验于2019—2020 年进行，采取随机区组设计，设置2 个玉米品种，5 个氮肥水平，3 组重复。2个玉米品种分别为“郑单958（ZD958）”，“登海605（DH605）”；5 个氮肥（46.00%N 尿素）水平分别为N0（0 kg/hm2），N1（75 kg/ hm2），N2（150 kg/ hm2），N3（225 kg/hm2），N4（300 kg/hm2），总氮肥60%作为基肥，40%作为追肥，磷钾肥施用量分别为120 kg/hm2和120 kg/ hm2；“ZD958”种植密度为67500 株/hm2，“DH605”种植密度为82500 株/hm2；其他管理方式按照豫北平原高产玉米措施管理。

2.3 数据获取与处理

2.3.1 无人机多光谱遥感影像采集及预处理

无人机多光谱数据采集是利用自主搭建低空无人机遥感监测平台，主要由大疆六旋翼无人机（Matrice 600Pro，M-600）与MicaSense RedEdge-M 多光谱成像仪构成，主要参数见表1。MicaSense RedEdge-M 多光谱成像仪同时收集蓝（Blue）、绿（Green）、红（Red）、近红外（Nir）、红边（Rededge）5 个不连续的光谱波段，相机焦距为5.5 mm，视场角为47.2°，图像分辨率为1280×960。飞行前后以相机配备的0.3 m×0.3 m灰板反射率进行校正。实验在晴朗无云无风或微风时进行，时间在11:00—14:00，无人机飞行高度为70 m，飞行方向为南北方向，航向重叠度为70%，旁向重叠度为70%。影像空间分辨率为获取到的0.035 m。MicaSense RedEdge-M 多光谱成像仪参数见表2。同步获取RGB 高清数码影像，空间分辨率0.028m，为几何校正基础数据。

表1 无人机多光谱遥感监测平台主要参数Table 1 Main parameters of UAV multispectral image acquisition system

将航拍获取的多光谱照片以时间序列为索引，选取有效照片导入瑞士Pix4D 公司Pix4D mapper软件，根据照片信息对进行（1）初始化处理；（2）点云和纹理处理；（3）DSM、正射影像等处理；（4）利用各通道反射板校正，输出拼接后影像；（5）拼接后的多光谱图像以同期获取的高清数码图像为参考进行几何校正，误差小于0.5个像元；（6）根据研究区域地理坐标对拼接后的图像进行裁剪，形成研究区多光谱影像。

2.3.2 LAI数据采集

在实验区内随机选取长势均匀一致的1 m×1m固定样方内采集LAI，与无人机多光谱数据同步采集。LAI 采集以美国Decagon 公司AccuPARLP-80 植物冠层分析仪采集，在平行于玉米垄间、垂直垄间各测3次，取算数平均值为该测量点LAI。

2.4 植被指数选取

通过多光谱信息构建植被指数来反演LAI，可有效凸显作物群体结构信息，降低干扰因素的影响[30]。本文在前人对LAI遥感估算精度研究的基础上，综合考虑遥感估算精度不确定性因素的主要来源，同时结合MicaSense RedEdge-M 多光谱影像数据特点，筛选了归一化差值植被指数（NDVI）、控制土壤背景因素的优化土壤调整植被指数（OSAVI）、控制大气噪声因素的增强植被指数（EVI）、同时结合多光谱传感器对红边波段优化归一化红边植被指数（NDRE）等具有明确物理意义且与LAI具有较好相关性的植被指数，建立LAI 估算模型。不同植被指数计算公式及来源见表2。

表2 本文采用的植被指数Table 2 Vegetation indices in this article

2.5 数据分析

将连续2 年数据按照处理进行分组，采用经验模型法进行LAI 估算。在对实验区采集数据经验性统计描述的基础上，通过相关、回归分析，建立经验模型，并以独立数据对模型精度进行验证；在建模过程中，对比分析最适植被指数与最适估算时期；在此基础上利用模型进行大田尺度的LAI空间制图，结合空间分布图，进行田间实测值取样，分析反演制图精度；进一步分析多光谱数据估算玉米LAI的潜力。

2.6 精度评价

本文以相关系数（Correlation coefficient，r）来衡量LAI与植被指数的相关程度；以决定系数（Determination coefficient，R2）与标准误差（Standard error，SE）评价LAI 的估算效果；以均方根误差（Root mean square error，RMSE）与相对误差（Relative error，RE）分析模型估算值与田间实测值的拟合程度，评价模型的验证精度。

3 结果与分析

3.1 玉米LAI与植被指数的定量关系

通过对无人机多光谱遥感影像进行解译分析，提取5 个波段下玉米冠层反射率值，根据表2 公式计算植被指数，通过统计分析（n=60）计算不同生育时期LAI 与相应植被指数的定量关系（表3）。由表可知，在不同生育时期，NDVI、OSAVI、EVI、NDRE 与LAI呈现极显著相关（P＜0.01），相关系数为：0.713～0.868。按照统计学规定，相关系数0.50≤|r|≤0.80，表明变量之间中度相关；|r|≥0.80，变量之间则高度相。通过相关分析表明所选植被指数均能用来估算玉米LAI，可作为构建LAI估算模型的参数。

表3 不同生育时期植被指数与LAI的相关性（n=60）Table 3 Correlation coefficient between vegetation indices and LAI at different growth stages(n=60)

3.2 基于植被指数的LAI估算模型精度与验证

在相关性分析的基础上，以LAI 为因变量，植被指数为自变量，建立不同生育时期LAI 估算模型（n=60），不同生育时期玉米LAI 估算模型见表4。由表可知：基于4 种植被指数的不同生育时期LAI 估算模型决定系数（R2）分别为0.508～0.666、0.667～0.753、0.630～0.733；标准误差（SE）分别为：0.026～0.133、0.027～0.121、0.047～0.141。表明模型具有较好的估测精度。以独立数据对模型精度进行验证（n=60），结果发现不同生育时期模型估算值与田间实测值间相对误差（RE）分别为：8.57～11.31、8.34～10.84、9.24～13.41；均方根误差（RMSE）分别为：0.104～0.147、0.087～0.121、0.091～0.156；说明估算模型具有较好的稳定性。不同生育时期LAI 模型估算值与田间实测值间对比结果如图2所示。

表4 不同生育时期LAI估算模型建立与验证（n=60）Table 4 Fitting and performance of monitoring model LAI of maize at different growth stages（n=60）

图2 基于植被指数的玉米LAI估算值与实测值比较图（n=60）Fig.2 Comparison of maize LAI predicted value and measured value(n=60)

3.3 基于多光谱的玉米LAI 空间分布与精度验证

将LAI估算模型应用于多光谱遥感影像，得到研究区不同生育时期玉米LAI 空间分布，如图3 所示，由图可知，拔节期玉米LAI相对较小，抽雄期较高，成熟期又略有降低。为验证空间LAI分布图估算精度，在图中随机选取30 个采样点，对比实测值与空间分布图估算值的一致性，如图4 所示，在不同生育时期估算值与实测值间的决定系数（R2）分别为0.883、0.931、0.867；相对误差（RE）分别为：9.17、8.86、9.32；均方根误差（RMSE）分别为0.115、0.074、0.133。说明估算值与实测值间具有较高的一致性。表明了基于MicaSense RedEdge-M 多光谱成像系统能较好的估算玉米不同生育时期LAI。

图3 不同生育时期玉米LAI空间分布图Fig.3 Spatial distribution map of maize LAI at different growth stages

图4 LAI填图估测值与实测值比较图Fig.4 Relationship between predicted value of LAI mapping and measured value

4 结论与讨论

无人机作为一种新的遥感技术手段，在弥补现代精准农业监测诊断研究应用中具有重要意义[35]。本文研究了拔节期、抽雄期、成熟期等关键生育时期玉米LAI与NDVI、OSAVI、EVI、NDRE等植被指数的定量关系，发现在不同生育时期所选植被指数与LAI的相关系数达到0.713～0.868，说明了所选植被指数可作为LAI建模的参数；这是由于本文中所筛选的植被指数，综合考虑不同生育阶段冠层光谱信息噪声来源，选取了消除土壤背景、大气噪声等因素的植被指数，改善了植被指数与LAI的相关性。

在相关性分析的基础上，建立了不同生育时期LAI 估算模型，并以独立数据进行验证。拔节期、抽雄期、成熟期分别基于OSAVI、NDRE、NDRE 建立的LAI 模型估算精度分别为0.549、0.753、0.733；验证模型精度分别为0.907、0.932、0.926；说明抽雄期能更好地估算玉米LAI，不同植被指数尤以NDRE 在生育后期能较好的表征LAI。这是由于在生育后期，群体冠层覆盖度较高，而本文中采用多光谱红边中心波段为717nm，波宽为10nm，波宽相对较窄，噪声较小，NDRE经过进一步归一化处理，提高了红边与近红外波段反射率的对比度[36]，增强了光谱信息对LAI的敏感性，改善了LAI估算精度。这一结果与前人研究结果基本一致[25-29]。

将不同生育时期LAI 估算模型应用于田块尺度的玉米LAI 空间差异性制图，不同氮肥水平下，LAI随着施肥量的增加呈增加趋势，过量施肥则LAI不再增加；从拔节期至成熟期，LAI 呈“低—高—低”的抛物线趋势。根据空间差异性制图结果，随机选取采样点的实测值对空间分布估测值进行验证，不同生育时期模型估算值与田间实测值的决定系数分别为0.883、0.931、0.867；相对误差分别为9.17、8.86、9.32，说明模型估算值与田间实测值间具有较好的一致性，表明该模型具有较好的稳定性与适应性，该结果可应用于田块尺度的作物LAI监测，为农田生产管理提供理论依据与技术支持。

由于LAI 是表征作物冠层结构与长势信息的参数，在作物全生育时期存在较大差异，而本文仅研究了拔节期、抽雄期、成熟期等关键生育时期，有必要对全生育时期进一步研究。另外，本文虽然考虑了不同玉米品种的株型、密度、肥力水平等因素，但由于栽培环境的异质性限制，模型在不同生态环境条件下的适用性仍有待进一步验证完善。