基于无人机多光谱遥感的大豆叶面积指数反演

王 军，姜 芸

（1自然资源部第二地理信息制图院，哈尔滨 150080；2东北农业大学公共管理与法学院，哈尔滨 150030）

0 引言

作物叶面积指数(leaf area index，LAI)是指单位耕地面积上植物叶片总面积与耕地面积的比值[1]，与作物种植密度、种植方式、植物生物学特性及土壤、光照条件等因素密切相关，能综合反映植物的光能利用状况，常用于作物长势监测及产量估算[2]。大豆是中国主要的粮食作物和经济作物，大豆消费市场大，大豆自给率低于15%[3]，其产量及质量直接影响了粮食安全水平，因此反演其生长过程对粮食增产和农业的发展具有重要意义[4-5]。直接测量叶面积指数费时费力，对作物具有破坏性，难以实现大尺度的测量[6-7]。利用卫星遥感影像进行叶面积指数反演是常见的间接测量方法之一，尤其是国产卫星在LAI的定量反演中越来越多[8]，蒙继华等[9]采用大尺度遥感估算方法估算了全国作物叶面积指数，陈雪洋等[10]利用环境卫星CCD数据对冬小麦叶面积指数进行了反演。但卫星重访周期长、影像分辨率不足，且受大气、云层及雨雪等干扰较大，在精度、现势性和灵活性上难以满足精准农业生产的需求[11-12]。

随着无人机的出现及推广，利用无人机技术进行地表数据采集已成为新的趋势[13-14]。因其运营成本相对低廉、较高的灵活性与快速实时获取数据的特点，利用无人机遥感平台实施农情监测已在国内初步发展[15]。孙诗睿等[16]利用无人机多光谱遥感数据反演了冬小麦的叶面积指数，表明基于多植被指数的随机森林比赤池信息量准则-偏最小二乘法反演精度高；韩文霆等[17]利用多时相无人机遥感数据反演了夏玉米植被指数，并估算了夏玉米产量，表明多生育期的无人机遥感估产优于单生育期。多年来国内学者集中于对小麦、水稻和玉米的叶面积指数反演研究[18-20]。大豆在其主产区东北地区利用无人机遥感平台进行的相关研究还比较少[21-22]。结荚期是大豆生长最旺盛的时期，营养生长与生殖生长并进，是生物量积累的关键时期。因此，笔者以大豆为研究对象，在大豆结荚期内，利用多旋翼无人机搭载多光谱传感器组成无人机低空遥感系统，对面积为3000 m2的大豆试验田进行数据采集，同时结合田间大豆叶面积指数的实测数据，建立了大豆LAI值反演的经验模型和支持向量机回归模型，分析探讨在田块尺度上，适用于东北地区的大豆叶面积指数的低空无人机遥感反演模型。

1 材料与方法

1.1 研究区概况

大豆试验田位于哈尔滨市香坊区向阳镇刘二转屯（经度126°43′30″，纬度45°44′16″）东北农业大学向阳农场实验基地（如图1所示）。该地区位于松嫩平原松花江南岸，属中温带大陆性季风气候，四季分明，冬季漫长寒冷。全年平均降水量569.1 mm，降水主要集中在6～9月，夏季占全年降水量的60%，集中降雪期为每年11月—次年1月。冬季1月平均气温约零下19℃；夏季7月的平均气温约23℃。试验田面积约3000 m2，行间距50 cm，株间距24 cm，种植大豆品种为春播中晚熟型，一年一熟。

图1 研究区示意图

1.2 数据采集与处理

本次试验无人机航测系统由大疆六旋翼无人机搭载AURedEdge多光谱相机组成（无人机及多光谱相机的主要参数见表1、表2），对3000 m2的试验田进行连续飞行监测，获取大豆结荚期的多光谱影像。田间试验于2018年7月28日10:00—11:30进行。

表1 六旋翼无人机主要参数

表2 AURedEdge多光谱相机主要参数

无人机飞行高度、航向、旁向重叠度等参数对遥感影像的质量和精度会产生较大影响，为保证影像质量，在数据采集前进行多次试飞，最终确定无人机飞行高度80 m，航向、旁向重叠度分别为80%和70%，地面分辨率设置为2.1 cm。为避免大风多云等外界因素对无人机飞行的影响，选择无云无风的天气进行低速飞行作业，经多次试飞后，在当天10:00—11:30获取试验田大豆冠层的多光谱影像。受无人机视场范围的限制，需要对采集的影像进行拼接，以获取整个试验田的正射影像，图像拼接采用的是Pix4D mapper Pro软件。辐射校正方面是利用ENVI自带的Flaash大气校正工具对影像进行快速大气校正。

田间大豆叶面积指数实测选取美国LI-COR LAI-2200C植物冠层分析仪（主要参数见表3、表4），测量320～490 nm波段内的光合有效辐射(PAR)。

表3 LAI主机控制单元参数

表4 LAI光学感应传感器参数

在影像采集的当天进行地面数据采集，即大豆叶面积指数的实地采集。将研究区划分为53个子区，在各子区随机采样3次进行叶面积指数实测，以其均值作为各子区的实测值。采集过程中对每个子区的中心点进行定位。实测大豆叶面积指数的基本情况统计见表5。

表5 各子区实测叶面积指数

1.3 研究方法

1.3.1 植被指数的选取 基于遥感影像反射率反演叶面积指数主要分为经验模型法和物理模型法。笔者利用无人机采集大豆试验田的多光谱遥感影像获取与大豆的LAI相关性较好的5种植被指数，同时利用植物冠层分析仪实测大豆叶面积指数，创建植被指数与LAI的经验回归模型和支持向量机回归模型，利用模型反演大豆叶面积指数，并用实测数据进行模型效果检验，以分析探讨用于反演叶面积指数的最优植被指数及2种模型的反演效果。

选取的5种植被指数分别是归一化植被指数(NDVI)、差值植被指数(DVI)、土壤调节植被指数(SAVI)、优化型土壤调节植被指数(OSAVI)、增强型植被指数(EVI)，计算公式见表6。

表6 植被指数计算公式

对植被指数的提取在ArcGIS软件下完成，得到5种植被指数对应的灰度图，如图2所示。

图2 植被指数图像

在获取5种植被指数图像后，利用子区的位置信息提取53个样本的植被指数，以其均值代表各子区的植被指数；并与实测叶面积指数样本相对应。

1.3.2 经验回归 经验回归模型在SPSS统计软件下完成。通过对比线性模型和非线性模型的拟合效果，最终选定指数模型作为植被指数与LAI的拟合方法。一元线性回归模型是通过设定自变量和因变量，自变量与因变量呈一元线性关系。一元线性回归方程和指数回归方程公式较为简单，对于估算作物的叶面积指数具有易于操作、效果高等特点，见式(1)。

式中，Y表示LAI估测值用，x来表示农作物的植被指数用，a和b为常数项。

1.3.3 支持向量机回归 支持向量机(support vector machine，SVM)由Vapnik在1995年提出，建立在统计学理论的VC维理论和结构风险最小化原理上，用于解决模式识别领域中的数据分类问题，主要思想是建立一个超平面作为决策曲面，使得正例和反例之间的距离边缘被最大化。支持向量回归(support vector regression，SVR)是SVM的一个重要应用分支，SVR回归所寻求的最优超平面是使所有的样本点距离超平面的总偏差最小。本研究在MATLAB环境下利用支持向量机根据植被指数对大豆叶面积指数进行预测。首先借助FormatDatalibsvm将Excel数据转化为MATLAB支持的数据格式，然后输入植被指数数据，利用mapminmax归一化处理，再借助mashgrid选择最优的参数c、g，接下来绘制模型，最后利用预测数据进行样本预测。

1.3.4 精度评估 通过对不同的回归模型精度的比较分析，验证各种回归模型的精度差异，实现模型结果检验，最终确定最优的反演模型。

模型显著性检验中，模型的显著性是指自变量相对于因变量的重要程度，本研究利用SPSS进行模型的建立与精度评价。模型计算所得的R值越趋近1，则模型的显著性越高，反之越低。相关系数R的检验见式(2)。

模型精度评价中决定系数说明自变量与因变量形成的散点图与回归曲线的拟合度。决定系数数值介于0～1之间，决定系数越接近1，说明叶面积指数预测值与叶面积指数实测值越接近，也就是说散点越集中在回归线上，见式(3)。

均方根误差是观测值与真值偏差的平方和与观测次数n比值的平方根。均方根误差对数据变化十分敏感，在相同样本的条件下，均方根的值越小，证明构建的模型精度越高，见式(4)。

2 结果

在研究区内随机选取40组子区数据用于植被指数与LAI的回归建模，其余13组子区数据用于模型精度验证。

2.1 经验回归模型

通过对比线性模型和非线性模型的拟合效果，最终选定指数模型作为植被指数与LAI的拟合方法，相关系数及估计标准误差结果见表7。从表7可以看出，5种植被指数与LAI的一元回归模型拟合效果均较好，可用于预测。植被指数x与叶面积指数y的相关性如图3和表7所示。

表7 各植被指数回归模型及精度

图3 各植被指数与叶面积指数模型

将13个保留样本进行植被指数与LAI指数回归模型进行实测值与预测值的拟合检验，结果见图4。除NDVI以外，其余4种植被指数拟合的叶面积指数预测值与叶面积指数实测值具有较好的一致性，R2均达到了0.6以上。

图4 植被指数与LAI一元回归模型评价

2.2 支持向量机回归模型

在Matlab环境下进行支持向量机的回归预测。输入量为EVI、OSAVI、SAVI、NDVI、DVI这5种植被指数组合的5个神经元，输出量为一个神经元，即为LAI。利用格网搜索法(GridSearch Method)对惩罚因子c和核函数参数g搜寻最佳值。利用40个样本作为训练集创建SVR模型，再对13个样本测试集进行模型精度验证。运行程序得到如图5所示的最优参数选择图。其中，最优惩罚系数c=8，核函数参数g=1.4142，交叉验证均方误差CVmse=0.029344。

图5 最优的c、g选择图

通过格网搜索法得到最优的惩罚系数c和核函数参数g，从而获得支持向量机模型。利用该模型对13个样本进行预测，结果如图6所示。均方根误差RMSE=0.016，平方相关系数R2=0.688。选择植被指数OSAVI与LAI构建的预测模型进行比较，可见支持向量机模型具有更好的预测能力（表8）。

图6 实测值与预测值结果对比图

表8 模型精度对比分析

3 讨论

3.1 低成本无人机搭载多光谱传感器，反演和预测大豆叶面积指数可行

本研究设计了多旋翼无人机为平台同步搭载多光谱传感器组成无人机低空遥感系统,在大豆结荚期内，获取0.021 m空间分辨率无人机多光谱影像数据，结果表明该手段可以快速反演田间大豆叶面积指数，在田块尺度上反演和预测大豆的叶面积指数是可行的[2,27]，适用于东北地区的大豆叶面积指数反演，其在农作物监测方面具有很大潜力和应用前景。这与利用无人机多光谱进行冬小麦、大豆LAI研究结果[16,21,30]基本一致。在下一步研究应考虑如何能更充分地利用无人机多光谱遥感数据，进一步完善无人机遥感技术在精准农业管理方面的应用。

3.2 不同回归模型对大豆LAI反演，模型精度略有差异

通过对比线性模型和非线性模型的拟合效果，本研究最终选定指数模型作为植被指数与LAI的拟合方法。本研究选取归一化植被指数(NDVI)、差值植被指数(DVI)、土壤调节植被指数(SAVI)、优化型土壤调节植被指数(OSAVI)、增强型植被指数(EVI)5种植被指数，分别构建了经验回归模型和支持向量机模型对大豆结荚期的叶面积指数进行了反演，从相关系数、决定系数、均方根误差3个方面综合评定反演精度，结合田间实测LAI数据及模型精度及拟合效果，NDVI指数模型精度较好，R2=0.7375，RMSE=0.274，但拟合效果较差，其余4种植被指数模型精度和拟合效果较好，拟合效果R2均达到了0.6以上；支持向量机模型，R2=0.688，RMSE=0.016，具有更好的预测能力。

指数模型在预测叶面积指数方面的效果较好，模型验证较为容易，在实际应用中，简单可靠，适应性较广；支持向量机模型的预测精度略优于指数回归模型，但模型参数的确定受数据本身影响较大，抗干扰性较弱，模型移植性也相对较差。作为经验模型，不同的区域，不同的作物类型，不同的模型方法，得到的研究结果基本一致[28-31]。模型精度略有差异，这可能是由作物长势不一致造成的，与作物的品种和生育期也有一定的关系。这与利用无人机多光谱影像进行冬小麦、大豆、玉米的生物量的研究结果[16,21,30,32]基本一致。

3.3 回归模型可预测叶面积指数趋势性，但应充分考虑尺度效应问题

本研究得出的回归模型可进行叶面积指数的趋势性预测，但在其推广应用过程中，应结合所选研究区域的情况充分考虑尺度效应问题。此外，采用单一生育期的数据构建大豆叶面积预测模型在进行农作物长势监测时会受到生育期的限制，在下一步研究应考虑不同生育期的大豆植被指数与叶面积指数的关系[21-22]。

然而研究中仍有诸多不足，首先是未能采集到大豆整个生长周期的数据，数据量较少因此对大豆整个生长期叶面积指数的反演存在一定误差；其次，通过低成本的无人机搭载多光谱仪来反演叶面积指数，仅试用于中小范围，大区域、大面积的的大豆叶面积指数指数反演难度较大；最后，本文采用传统的叶面积指数方法，植被指数的精度和普适性需进一步提升。

4 结论

本研究利用无人机搭载多光谱相机获取地面遥感影像，提取5种植被指数，并结合地面实测数据分别建立指数回归模型和支持向量机模型对LAI进行反演。结合模型精度及拟合效果，NDVI模型精度较好，但拟合效果较差，其余4种植被指数模型精度和拟合效果较好，拟合效果R2均达到了0.6以上；支持向量机模型具有更好的预测能力，决定系数R2达到0.688，均方根误差达0.016。2种模型均表明无人机多光谱遥感系统可以快速反演田间大豆叶面积指数，在指导精准农业生产方面具有实用意义，应在农业生产中积极推广应用。