无人机多源光谱反演大田夏玉米叶面积指数

徐洪刚，陈震，程千，李宗鹏,2，李鹏，范永申

无人机多源光谱反演大田夏玉米叶面积指数

徐洪刚1，陈震1，程千1，李宗鹏1,2，李鹏1，范永申1*

（1.中国农业科学院 农田灌溉研究所/河南省节水农业重点实验室，河南 新乡 453002；2.河南农业大学，郑州 450000）

研究多源光谱反演大田夏玉米叶面积指数（）的效果。以大田夏玉米为研究对象，利用无人机获取试验区不同生育期热红外以及多光谱影像，提取热红外冠层温度（C）以及多光谱植被指数，结合地面实测数据，分析光谱数据与实测之间的相关关系，并将C与筛选出的11种植被指数作为输入变量，作为输出变量利用多元线性回归、支持向量机和随机森林3个算法模型训练学习，建立了夏玉米的反演模型。多光谱植被指数以及C均与夏玉米在<0.000 1水平上显著相关，相关系数均在0.5以上；RF算法于拔节期、喇叭口期、以及吐丝期3个生育期的预测值与实测值的2均高于MLR算法和SVM算法，对应的及均低于MLR算法和SVM算法；融合热红外C后的RF模型反演精度均有不同程度的提升，各生育期预测值与实测值2均大于同时期未融合C的反演模型。多光谱植被指数以及C均与夏玉米具有较强的相关性，且RF算法构建的夏玉米反演模型精度优于MLR和SVM算法，同时C的加入可以有效提升夏玉米反演精度。

夏玉米；无人机遥感；多光谱植被指数；热红外图像；叶面积指数；反演模型

0 引言

据国家统计局最新数据显示[1]，2020年中国玉米播种面积（4 126.4万hm2）、总产量（26 067万t）均已位居粮食类第一，保证玉米产量是稳定国家粮食安全的重要内容。【研究意义】叶面积指数（）能够反映作物健康和生产力状况，适宜的对保证玉米长势以及产量具有重要意义[2]。传统的监测方法主要分为直接法和间接法，直接测量作物费时费力且会破坏作物长势，间接测量法也难以应用于大面积快速监测中[3-4]，遥感技术的发展为的获取提供了新的手段。当前农用遥感数据的来源主要为卫星遥感和无人机遥感。卫星遥感为高空遥感，国内外众多专家学者针对卫星遥感反演进行了大量研究[5-6]，但卫星遥感存在地表分辨率低、易受大气因素影响、重访周期长等不足[7]。无人机遥感系统作为低空遥感系统，具有机动灵活、携带方便、可获取高时空分辨率数据、成本低等优势，有效避免了卫星遥感存在的许多问题，为中小尺度的遥感应用研究提供了新的途径[8-9]。

【研究进展】当前无人机搭载的传感器类型主要为可见光、热红外、多光谱、高光谱以及激光雷达[7]。不同波段以及分辨率的图像与的相关程度不同[10]，其中多光谱相机可以获取与作物叶片特征信息联系密切的红波段以及近红外波段光谱，被广泛应用于作物的反演研究[11]。在此基础上，何种反演模型效果最优一直是研究的主要方向[12-13]。同时，国内外众多研究表明与作物冠层温度（C）存在必然联系。杨文攀等[14]将试验区玉米覆盖度与热红外提取的C进行对比，结果表明玉米C与其覆盖度相关性显著2=0.534 5。Van等[15]通过模拟不同环境研究了环境和C与叶片温度之间的差异，结果表明降低可以减小叶片与周围空气的温差。

【切入点】综上，无人机多光谱遥感可以较好地反演作物，但融合多光谱和热红外图像反演夏玉米的研究还鲜有报道。【拟解决的关键问题】本研究以无人机平台搭载多光谱和热红外相机，获取大田夏玉米关键生育期的光谱影像，分析光谱数据与实测之间的相关关系，利用多元线性回归（Multiple Linear Regression，MLR）、支持向量机（Support Vector Machine，SVM）和随机森林（Random Forest，RF）3种算法，将11种植被指数作为输入变量，作为输出变量开展训练学习，建立夏玉米的反演模型，并寻优分析融合C后反演精度，以期为大田夏玉米快速估算提供技术支持。

1 材料与方法

1.1 研究区概况

试验地位于中国农业科学院七里营综合实验基地（35°13' N，113°76' E），地处华北平原的人民胜利渠灌区，是夏玉米的重要种植区，温带大陆性季风气候，夏季高温多雨，7—9月降水量占全年降水量的65%～75%。试验区为轻质壤土，表层土壤体积质量1.47 g/cm3，0～1 m土层平均田间体积持水率为30.98%。试验田灌溉水源采用地下水，地下水埋深超过5 m。

1.2 试验设计

本试验选用夏玉米太玉339，于2020年6月22日播种，9月25日收获，全生育期共96 d。玉米播种深度约为5 cm，行距60 cm、株距25 cm，灌溉方式采用滴灌。试验布置如图1（a）所示，共设置3个灌溉处理，间隔2.4 m，灌水定额分别为0 mm（W0）、30 mm（W1）、70 mm（W2），灌水量通过支管上的水表控制，由于生育期内雨水较为频繁，于拔节期、喇叭口期和灌浆期进行灌溉处理。每个灌溉处理下划分15个试验小区，3个处理共计45个试验小区，每个小区为4 m×3 m的矩形区域，小区间隔1.2 m。小区编号如图1（b）所示。在试验区四角布设30 cm×30 cm的黑白板，用作热红外图像的温度校准。

1.3 数据获取与处理

无人机影像的获取需晴朗无风的天气，以降低天气对影像获取的影响。同时考虑到夏玉米叶片的主要生长时期为抽雄期以前且苗期较小，最终选择2020年7月13日（拔节后期）、7月24日（喇叭口期）、7月30日（大喇叭口期）、8月10日（抽雄吐丝期）进行无人机图像以及地面数据的同天采集，无人机数据采集时间集中在北京时间的11:00—14:00之间，地面数据采集时间集中在09:00—14:00之间。

1.3.1 地面数据获取

获取的地面数据主要为和黑白板温度。通过英国Delta-T公司生产的SunScan冠层分析仪测定，仪器由1 m长的SunScan探测针、反射数据传感器以及数据采集终端等部分组成，每次无人机作业后于每个试验小区不同位置按横纵方向分别测量3次，取平均值代表该试验小区的实际。黑白板的温度通过HIKVISION H10手持式热红外测温仪测量，在无人机飞过黑白板后立即拍摄每个黑（白）区域中心点的温度。

图1 试验区布置示意图

1.3.2 光谱影像获取

多光谱相机选用美国MicaSense RedEdge-MX五通道多光谱相机，相机质量232 g，焦距5.5 mm, 视场角47.2°，地物分辨率位于离地高度120 m可达8 cm，波段信息见表1。热红外图像依靠禅思ZenmuseXT2双光热成像相机获取，ZenmuseXT2相机质量588 g，镜头焦距19 mm，波长范围7.5～13.5 μm，像元间距17 μm。搭载平台选择DJI M210V2型无人机，无人机飞行高度30 m，航向重叠度90%，旁向重叠度85%，利用DJI Pilot和DJI GSPro规划航线控制无人机自主飞行作业。其中多光谱相机需要于每次起飞前和降落后对相机自带辐射标定板拍照，用以图像拼接时的辐射定标作业。

2009年2月28日，《中华人民共和国食品安全法》制定，在中华人民共和国第十一届全国人民代表大会常务委员会第七次会议上通过并发布，于2009年6月1日起施行。《中华人民共和国食品安全法》对人民的食品安全及身体健康形成了有力保障。

表1 RedEdge-MX型多光谱相机波段信息

1.3.3 光谱影像预处理

借助Pix4D mapper完成多光谱以及热红外图像拼接作业。由于图像中包含试验区以外的区域，采用ArcGis 10.2绘制试验小区的掩膜文件，叠加于多光谱图像上提取各试验小区的光谱反射率。同时利用多光谱图像进行波段计算获得试验区玉米冠层掩膜，叠加于热红外图像上提取各试验小区冠层热红外，以降低土壤背景对C提取造成的影响。

1.3.4 多光谱植被指数提取

植被指数是指通过波段的组合形成的增强植被信息，反映植被在可见光、近红外等波段反射与土壤背景之间差异的指标。其原理是绿色植被或者农作物在可见光红、蓝光波段表现为强吸收特性，在近红外、绿波段则强反射。植被指数的构建能够实现植被生长状况的定量表达。本研究借鉴前人研究[16-17]，选取并计算20种植被指数，各指数及其计算式见表2。

表2 多光谱植被指数

注、、、和分别为RedEdge多光谱相机475、560、668、717和840 nm波长处的光谱反射率。

1.3.5 冠层温度的提取

表3 热红外图像温度转换公式

1.4 数据分析评价

1.4.1 模型的构建

本研究利用MLR、SVM和RF机器学习算法构建不同生育期的反演模型，模型构建借助R语言10.3版本实现。MLR是指回归分析中存在2个或2个以上的自变量，由多个自变量的最优组合共同来预测或估计因变量。SVM是一种监督类机器学习模型，其回归预测借助不敏感函数以及核函数算法实现，以结构风险最小化为原则从线性可分扩展到线性不可分，解决了神经网络算法无法避免的局部最优问题，也在一定层面上避免了维数灾难的问题，近年来相关应用逐渐增多。RF算法采用随机方式建立一个由很多决策树组成的森林，决策树互相没有关联，每个决策树会生成一个预测值，将全部预测值的平均值作为观测数据的最终预测值。

1.4.2 模型精度验证

以决定系数（2）、均方根误差（）和归一化均方根误差（）来进行模型精度的评价。采用R语言编程计算模型的3个统计量评估的反演精度，模型所对应的2越接近于1，和越小说明模型的预测精度越高。

2 结果与分析

2.1 LAI及光谱数据变化

图3为不同灌溉处理下4个生育期变化情况。对比同一灌溉处理不同生育期各试验小区，随着生育期的进行不断增大。7月13日（拔节后期）平均仅为1.27，相较于其他生育期曲线较平缓，各试验小区差距较小。8月10日（抽雄吐丝期）各试验小区平均达到3.92，此时已基本达到最大，整体变化趋势符合夏玉米实际生长规律。不同灌溉处理下的15个试验小区植被指数均值见图4。由于指数数值较大，为直观显示各植被指数变化趋势未将其列于图中。从拔节期到吐丝期各植被指数均呈上升趋势。同一时期各植被指数绝对值表现为：随着灌水量的增加而增大，进一步证明了所计算的各植被指数的正确性。

图3 不同灌溉处理下LAI变化趋势

2.2 光谱数据与LAI相关性分析

为讨论植被指数与、C与的相关关系，建立不同时期植被指数与、C与的一元线性回归模型，并将各回归模型相关程度统计于表4。从表4可以看出，除指数外，4个时期的植被指数均与在<0.000 1水平上极显著相关，相关系数均不小于0.597。其中各生育期相关性绝对值最大的指数分别为2和（7月13日）、（7月24日）、和（7月30日）、（8月10日）。对比不同时期植被指数与的相关性可以发现，喇叭口期到吐丝期的相关性明显大于拔节期。分析原因拔节期玉米覆盖度低，裸露土壤较多，植被指数消除土壤背景等噪声的效果也随之降低。从表中还可以看出，各时期热红外C与负相关，且具有较强的相关性。根据各植被指数与在不同生育期的相关程度，选取综合表现最佳的11种植被指数、、、、2、、、、、、作为输入变量，作为输出变量，分别使用MLR算法、SVM算法和RF算法构建夏玉米反演模型。

表4 植被指数与LAI相关性

注 无*表示相关性不显著，***表示在< 0.0001水平上极显著相关。

2.3 LAI反演模型精度评价

从45个试验样本中随机选择35个样本作为训练集，剩余10个样本作为测试集，通过3个算法模型反演夏玉米，各模型反演精度结果如表5、表6、表7所示。MLR算法和SVM算法构建的模型在拔节期和喇叭口期预测精度相对较低（2<0.60），大喇叭口期和吐丝期预测精度相对较高（2>0.76），与单一植被指数相关性的变化规律一致，表明模型构建的正确性。

综合4个生育期反演效果，RF算法构建的反演模型效果最佳。不同生育期模型训练集2分别为0.892、0.873、0.940、0.931，均高于MLR算法（0.664、0.717、0.822、0.770）和SVM算法（0.849、0587、0.815、0.782）；对应的为0.062、0.099、0.112、0.079以及为8.09%、7.44%、5.78%、6.05%，均低于MLR算法和SVM算法。模型测试集7月30日的预测精度虽略低于SVM和MLR算法，但其余3个生育期2分别为0.707、0.834、0.849，均高于MLR算法(0.446、0.434、0.763)和SVM算法（0.511、0.569、0.812）；对应的为0.092、0.182、0.158，均低于MLR算法（0.186、0.183、0.171）和SVM算法（0.127、0.32、0.177）；对应的为12.04%、13.65%、12.14%，均低于MLR算法（24.24%、13.71%、13.16%）和SVM算法（16.52%、24%、13.64%）。

表5 MLR模型反演夏玉米LAI结果

表6 SVM模型反演夏玉米LAI结果

表7 RF模型反演夏玉米LAI结果

2.4 融合TC后模型精度评价

采用夏玉米反演效果最优的RF算法模型，将11种植被指数与C作为输入变量，作为输出变量，再次构建夏玉米不同生育期反演模型，反演结果如表8所示，并将各输入变量在模型训练中的相对重要度（Relative importance）绘制于图5。

对比表7与表8，融合C后预测精度均有不同程度的提升，测试集2分别为0.788、0.874、0.810、0.862，均高于未融合C时的2（0.707、0.834、0.794、0.849）；对应的为0.09、0.181、0.2241、0.154，均低于未融合C时的（0.092、0.182、0.2243、0.158）；对应的为11.79%、14.34%、11.59%、11.87%，（除7月24日）均低于未融合C时的（12.04%、13.65%、11.61%、12.14%）。拔节期模型反演精度的提升效果明显优于其余3个生育期，且随着生育期的进行，提升效果逐渐降低。分析原因有2个方面：一是随着生育期的进行不断增加，与冠层温度的相关性逐渐降低；二是拔节期之后的3个生育期未融合C时模型的反演精度已经较高（2>0.79），融合C后反演精度提升效果也就相对较小。从图5也可以看出，C在模型训练中的相对重要度不断下降，7月30日和8月10日C对于反演模型的结果贡献较小，而7月13日和24日C对于反演模型的结果贡献较大，表明生育前期融合C可有效提升夏玉米反演模型的精度。

表8 RF模型反演融合TC后夏玉米LAI结果

图5 输入变量相对重要度

3 讨论

本研究通过对比拔节期至抽雄吐丝期4个时期的植被指数与的相关性，发现随着生育期的进行，植被指数与的相关性呈上升趋势。分析原因，前期植株较小，试验区裸露土壤较多，降低了植被指数与的相关性，张智韬等[33]和谭丞轩等[34]也指出剔除土壤背景是获取准确的冠层光谱信息的关键。此外，通过植被指数与的相关性也可看出，土壤调节植被指数在4个生育期与相关性均具有较好的表现，表明土壤背景对的反演具有较强的影响，消除土壤背景可以提高预测的精度。因此后续试验应加强玉米拔节期甚至苗期光谱数据的获取，以进一步验证这一观点。

本研究分析了20种植被指数与的相关性，结果发现拔节期包含红边波段的植被指数与相关性较高。这是由于植物具有“红边”效应，即绿色植物的光谱响应在“红边”这一窄带区陡然增加（亮度增加约10倍）[35]。此带区对叶绿素的变化高度敏感，因此对区分玉米叶片和土壤背景具有较好的效果。从图5也可看出，拔节期至喇叭口期，包含红边波段的比具有更高的相对贡献度，8月10日红边波段的优势仍然明显，这也更加说明前述结论的正确性。

本研究通过对比MLR、SVM、RF这3种算法构建的模型反演精度，发现RF算法表现更优。热红外、多光谱数据融合反演夏玉米相较于仅利用多光谱数据在拔节期和喇叭口期具有较好的提升效果，C在各参数中的相对贡献度较大。大喇叭口期和吐丝期融合C对反演模型的精度提升较小，主要是因为此时夏玉米冠层已较茂密，植株蒸腾等的影响变得明显，使得冠层温度与的相关性降低。表4中各时期C与的相关性系数，相较同时期植被指数的相关性系数差值逐渐扩大，C对反演的贡献度也随之下降。本研究仅选取了3种较为常用的算法，对于PLSR、岭回归、GBDT[13]算法以及ACRM模型[36]等反演大田夏玉米效果如何仍需后续验证，夏玉米其他生育期反演效果如何以及植被指数的选取也需后续试验进一步验证。

4 结论

1）不同生育期的植被指数与、C与均具有较强的相关性（除指数外），4个时期的相关性均在<0.000 1水平上极显著，相关性系数绝对值最低不小于0.5，最高可达0.83。

2）通过对比3个算法构建的反演模型，发现RF算法反演效果最优，各生育期预测值与实测值2均在0.7以上，且相较于MLR算法和SVM算法更加稳定。

3）融合热红外C后的反演模型均有不同程度的提升，C的加入提升了夏玉米反演精度，提高了大田夏玉米低空遥感监测精度。

[1] 国家统计局. 国家统计局关于2020年粮食产量数据的公告[EB/OL]. (2020-12-10). http://www.stats.gov.cn/tjsj/zxfb/202012/t20201210_1808377.html

[2] HUANG J X, TIAN L Y, LIANG S L, et al. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model[J]. Agricultural and Forest Meteorology, 2015, 204: 106-121.

[3] 刘镕源, 王纪华, 杨贵军, 等. 冬小麦叶面积指数地面测量方法的比较[J]. 农业工程学报, 2011, 27(3): 220-224.

LIU Rongyuan, WANG Jihua, YANG Guijun, et al. Comparison of ground-basedmeasuring methods on winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(3): 220-224.

[4] YAN G J, HU R H, LUO J H, et al. Review of indirect optical measurements of leaf area index: Recent advances, challenges, and perspectives[J]. Agricultural and Forest Meteorology, 2019, 265: 390-411

[5] PU R L, LANDRY S. Evaluating seasonal effect on forest leaf area index mapping using multi-seasonal high resolution satellite pléiades imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 80: 268-279.

[6] SRINET R, NANDY S, PATEL N R. Estimating leaf area index and light extinction coefficient using Random Forest regression algorithm in a tropical moist deciduous forest, India[J]. Ecological Informatics, 2019, 52: 94-102.

[7] 孙刚, 黄文江, 陈鹏飞, 等. 轻小型无人机多光谱遥感技术应用进展[J]. 农业机械学报, 2018, 49(3): 1-17.

SUN Gang, HUANG Wenjiang, CHEN Pengfei, et al. Advances in UAV-based multispectral remote sensing applications[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 1-17.

[8] YUE J B, FENG H K, LI Z H, et al. Mapping winter-wheat biomass and grain yield based on a crop model and UAV remote sensing[J]. International Journal of Remote Sensing, 2021, 42(5): 1 577-1 601.

[9] SUMESH K C, NINSAWAT S, SOM-ARD J. Integration of RGB-based vegetation index, crop surface model and object-based image analysis approach for sugarcane yield estimation using unmanned aerial vehicle[J]. Computers and Electronics in Agriculture, 2021, 180: 105903.

[10] 苏伟, 王伟, 刘哲, 等. 无人机影像反演玉米冠层和叶绿素含量的参数确定[J]. 农业工程学报, 2020, 36(19): 58-65.

SU Wei, WANG Wei, LIU Zhe, et al. Determining the retrieving parameters of corn canopyand chlorophyll content computed using UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(19): 58-65.

[11] 邵国敏, 王亚杰, 韩文霆. 基于无人机多光谱遥感的夏玉米叶面积指数估算方法[J]. 智慧农业(中英文), 2020, 2(3): 118-128.

SHAO Guomin, WANG Yajie, HAN Wenting. Estimation method of leaf area index for summer maize using UAV-based multispectral remote sensing[J]. Smart Agriculture, 2020, 2(3): 118-128.

[12] HOUBORG R, MCCABE M F. A hybrid training approach for leaf area index estimation via Cubist and random forests machine-learning[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 135: 173-188.

[13] 张宏鸣, 刘雯, 韩文霆, 等. 基于梯度提升树算法的夏玉米叶面积指数反演[J]. 农业机械学报, 2019, 50(5): 251-259.

ZHANG Hongming, LIU Wen, HAN Wenting, et al. Inversion of summer maize leaf area index based on gradient boosting decision tree algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(5): 251-259.

[14] 杨文攀, 李长春, 杨浩, 等. 基于无人机热红外与数码影像的玉米冠层温度监测[J]. 农业工程学报, 2018, 34(17): 68-75, 301.

YANG Wenpan, LI Changchun, YANG Hao, et al. Monitoring of canopy temperature of maize based on UAV thermal infrared imagery and digital imagery[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(17): 68-75, 301.

[15] VAN WESTREENEN A, ZHANG N, DOUMA J C, et al. Substantial differences occur between canopy and ambient climate: Quantification of interactions in a greenhouse-canopy system[J]. PLoS One, 2020, 15(5): e0233210.

[16] ZHA H N, MIAO Y X, WANG T T, et al. Improving unmanned aerial vehicle remote sensing-based rice nitrogen nutrition index prediction with machine learning[J]. Remote Sensing, 2020, 12(2): 215.

[17] 陶惠林, 徐良骥, 冯海宽, 等. 基于无人机高光谱遥感的冬小麦株高和叶面积指数估算[J]. 农业机械学报, 2020, 51(12): 193-201.

TAO Huilin, XU Liangji, FENG Haikuan, et al. Estimation of plant height and leaf area index of winter wheat based on UAV hyperspectral remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(12): 193-201.

[18] ROUSE J W, HASS R H, SHELL J A, et al. Monitoring Vegetation Systems in the Great Pns with Erts [C] In: Third ERTS Symposium. Washington DC, 1973: 309-317.

[19] ROUJEAN J L, BREON F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375-384.

[20] JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663-666.

[21] CHEN J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications[J]. Canadian Journal of Remote Sensing, 1996, 22(3): 229-242.

[22] CAO Q, MIAO Y X, WANG H Y, et al. Non-destructive estimation of rice plant nitrogen status with Crop Circle multispectral active canopy sensor[J]. Field Crops Research, 2013, 154: 133-144.

[23] GOEL N S, QIN W H. Influences of canopy architecture on relationships between various vegetation indices andand Fpar: A computer simulation[J]. Remote Sensing Reviews, 1994, 10(4): 309-347.

[24] RONDEAUX G, STEVEN M, BARET F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95-107.

[25] REYNIERS M, WALVOORT D J J, DE BAARDEMAAKER J. A linear model to predict with a multi-spectral radiometer the amount of nitrogen in winter wheat[J]. International Journal of Remote Sensing, 2006, 27(19): 4 159-4 179.

[26] ELSAYED S, RISCHBECK P, SCHMIDHALTER U. Comparing the performance of active and passive reflectance sensors to assess the normalized relative canopy temperature and grain yield of drought-stressed barley cultivars[J]. Field Crops Research, 2015, 177: 148-160.

[27] ERDLE K, MISTELE B, SCHMIDHALTER U. Comparison of active and passive spectral sensors in discriminating biomass parameters and nitrogen status in wheat cultivars[J]. Field Crops Research, 2011, 124(1): 74-84.

[28] GONG P, PU R L, BIGING G S, et al. Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(6): 1 355-1 362.

[29] GITELSON A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation[J]. Journal of Plant Physiology, 2004, 161(2): 165-173.

[30] LU J J, MIAO Y X, SHI W, et al. Evaluating different approaches to non-destructive nitrogen status diagnosis of rice using portable RapidSCAN active canopy sensor[J]. Scientific Reports, 2017, 7(1): 558-566.

[31] PENUELAS J, BARET F, FILELLA I. Semi-empirical indices to assess carotenoids/chlorophyll-a ratio from leaf spectral reflectance[J]. Photosynthetica, 1995, 31(2): 221-230.

[32] SRIPADA R P, HEINIGER R W, WHITE J G, et al. Aerial color infrared photography for determining early in-season nitrogen requirements in corn[J]. Agronomy Journal, 2006, 98(4): 968-977.

[33] 张智韬, 周永财, 杨帅, 等. 剔除土壤背景影响的冬小麦根域土壤含水率反演方法[J]. 农业机械学报, 2021: 1-16.

ZHANG Zhitao, ZHOU Yongcai, YANG Shuai, et al. Inversion method for soil water content in winter wheat root zone with eliminating the effect of soil background [J]. Transactions of the Chinese Society for Agricultural Machinery, 2021: 1-16.

[34] 谭丞轩, 张智韬, 许崇豪, 等. 无人机多光谱遥感反演各生育期玉米根域土壤含水率[J]. 农业工程学报, 2020, 36(10): 63-74.

TAN Chengxuan, ZHANG Zhitao, XU Chonghao, et al. Soil water content inversion model in field maize root zone based on UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(10): 63-74.

[35] 张继超. 遥感原理与应用[M]. 北京: 测绘出版社, 2018: 31-37, 231.

ZHANG Jichao. Remote sensing principle and application[M]. Beijing: Sino Maps Press, 2018: 31-37, 231.

[36] 刘轲, 周清波, 吴文斌, 等. 基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较[J]. 农业工程学报, 2016, 32(3): 155-162.

LIU Ke, ZHOU Qingbo, WU Wenbin, et al. Comparison between multispectral and hyperspectral remote sensing forestimation[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(3): 155-162.

Leaf Area Index of Summer Maize Estimated Using UAV-Based Multispectral Imageries

XU Honggang1, CHEN Zhen1, CHENG Qian1, LI Zongpeng1,2, LI Peng1, FAN Yongshen1*

(1. Farmland Irrigation Research Institute of Chinese Academy of Agricultural Sciences/Henan Key Laboratory of Water-saving Agriculture, Xinxiang 453002, China; 2. Henan Agricultural University, Zhengzhou 450000, China)

【】Leaf area index () is an indicator of crop health and controls photosynthesis and transpiration of crops, however, its measurement is nontrivial. The traditionalmeasurement is point-based, time-consuming and laborious, and extrapolating the measured results to large scales could give rise to errors because of crop heterogeneity. The development in unmanned aerial vehicle (UAV) along with imagining technologies over the past decades had open a new avenue to reliably estimateat large scales.【】Taking summer maize as an example, the objective of this paper is to investigate experimentally the feasibility and accuracy of using multispectral UAV imageries to estimateof the maize.【】The experiment was conducted in a maize field. Multispectral and thermal infrared imageries of the filed at different growth stages were taken by DJI M210V2 UAV equipped with Micasense Red Edge MX and ZenmuseXT2 dual photothermal imaging sensors. All imageries were first processed using the Pix4D software, and the results were then imported to ArcGIS to extract the thermal infrared canopy temperature (C) and the multispectral vegetation index. Based on the ground-truth LAI data, we analyzed the correlation betweenand the spectral data, from which an inversion model was established to estimateusing the vegetation index via three models: Multiple linear regression (MLR), support vector machine (SVM), and random forest (RF).【】①The multispectral vegetation index andCwere both correlated with theat significant level (<0.000 1), with the correlation coefficient being more than 0.5. ②The accuracy of the estimatedvaried with the models and the crop growth stages. On average, the RF model was most accurate, and fitting the field-measured data at jointing, trumpet and silking stages showed that its associated2was 0.707, 0.834 and 0.849, respectively. Theandof the RF model were also smaller than those of the MLR and SVM models. ③FusinCimproved the accuracy of all three models for predictingat the jointing stage more than at the other two stages. As the crop grew, the promotion effect gradually decreased while the accuracy of the RF model with the thermal infraredCintegrated was improved though the improvement varied with the growth stage. This indicated that includingCwas important to improveestimation.【】Multispectral vegetation index andCare strongly correlated to maize leaves, and the RF model was more accurate than the MLR and SVM models to estimate. In all three models we tested, includingCcan improve theirestimation. Methods provided in this paper offer an easy and quick way to estimate cropand have implications for precision agriculture.

summer maize; UAV; multispectral vegetation index; thermal infrared image;;inversion model

S252；S274

A

10.13522/j.cnki.ggps.2021038

1672 – 3317（2021）08 - 0042 - 08

徐洪刚, 陈震, 程千, 等. 无人机多源光谱反演大田夏玉米叶面积指数[J]. 灌溉排水学报, 2021, 40(8): 42-49.

XU Honggang, CHEN Zhen, CHENG Qian, et al. Leaf Area Index of Summer Maize Estimated Using UAV-Based Multispectral Imageries [J]. Journal of Irrigation and Drainage, 2021, 40(8): 42-49.

2021-02-04

河南省科技研发专项（192102110095）；中国农业科学院重大科研（CAAS-ZDXT2019002）；中央级科研院所基本科研业务费专项资助项目（FIRI2019-01-01）；新乡市重大科技专项（ZD2020009）

徐洪刚，男。硕士，主要从事精准灌溉信息感知技术方面研究。E-mail: 2386601010@qq.com

范永申，男。研究员，硕士生导师，主要从事高效灌溉技术与装备研究。E-mail: ngsfanys@126.com

责任编辑：陆红飞