不同分辨率无人机多光谱影像的棉花叶面积指数估测研究

韩建文，冯春晖，彭杰*，王彦宇，史舟

（1.塔里木大学农学院，新疆阿拉尔 843300；2.浙江大学环境与资源学院，杭州 310058）

棉花是我国重要的经济作物，在国民经济发展中占有重要地位[1]。 叶面积指数（leaf area index,LAI）是棉花生长发育和生产管理的重要指标，可为棉花估产、长势诊断和田间管理提供数据支撑。传统的LAI 测量方式需耗费大量的人力物力，还会对棉花造成物理损伤，且数据处理存在滞后性，无法适应大面积快速估测需求[2]。 卫星遥感技术的快速发展为LAI 的获取提供了新的手段。 遥感技术能够快速、实时、无损地对作物的LAI 进行估测。 通过卫星遥感技术对LAI进行反演估测， 能够获取区域尺度的LAI 数据[3]，但时间分辨率和空间分辨率仍满足不了精准农业的需求，许多估测模型只能在大规模工作中提供较为准确的估测数据， 不能在较小尺度下，如单一农田上详细描述作物的生长情况[4]。此外，由于卫星遥感影像易受天气、重访周期等因素的影响，因此无法在整个生长周期内及时获取作物生长发育的信息，不能满足精准农业特定或较小区域尺度的高频次、高分辨率数据的需求。

无人机具有高空间分辨率和高时间分辨率的特点，可以短时间内获取较大范围的高分辨率光谱影像，有效弥补卫星遥感在中小尺度高精度估算研究中的不足[5]，成为现代农情估测领域中的一种新工具。 近年来，利用无人机遥感技术进行作物生长参数的定量估测分析已成为研究热点。 郑冬冬等[6]基于无人机高光谱数据提取了冠层光谱信息，采用偏最小二乘算法构建了冬小麦LAI 的反演模型。 孙诗睿等[7]基于无人机多光谱遥感反演了冬小麦的LAI， 发现随机森林（random forest,RF）算法对冬小麦的LAI 反演有更好的拟合效果。 贺佳等[8]利用无人机获取玉米多个生育时期的光谱影像， 建立了不同生育时期的LAI 估算模型并进行验证。 以上研究结果表明无人机多光谱遥感技术对LAI 有较好的估测能力，但在LAI 波动范围较大时植被指数（vegetation index,VI）会出现饱和现象[9]，导致对LAI 的估测出现偏差。目前有学者在植被指数估算LAI 的方法中引入纹理特征（texture feature）作为新的指标进行估测，可以有效提高估测精度。 Li 等[10]将图像颜色指数和纹理特征相结合用于水稻LAI 的估测， 结果表明RF 算法在结合植被指数和纹理特征输入时表现出最佳的估测精度。 刘欣谊等[11]采用图像纹理特征指数构建了小麦的产量估测模型，结果表明纹理特征和颜色指数相结合建立的估产模型具有更高的精度。

虽然无人机遥感技术在玉米、冬小麦和水稻等作物的LAI 估测方面已有众多研究报道[2-8]，证实了无人机遥感可以高精度地估测这些作物的LAI。 但无人机遥感能否高精度估测南疆大面积种植的主要经济作物棉花的LAI， 仍需探索、验证。 构建1 种基于无人机多光谱遥感影像数据的棉花LAI 高精度估测模型，可为棉花LAI 估测提供新的思路和技术支持。 本研究以新疆阿拉尔垦区花铃期棉花为研究对象，在无人机影像拼接完成后对影像进行空间重采样， 获取0.5 m、1.0 m、1.5 m、2.0 m、2.5 m、3.0 m 共6 种不同空间分辨率影像； 分别对每种空间分辨率影像提取10 种植被指数和3 种纹理指数（texture index,TI），以植被指数、 纹理指数和二者融合为特征输入量，基于偏最小二乘回归（partial least squares regression, PLSR）、 支持向量机 （support vector machines, SVM） 和RF 算法构建棉花LAI 估测模型；比较无人机多光谱遥感不同空间分辨率影像下植被指数和纹理指数对棉花LAI 估测性能的影响；对比不同算法的反演精度，为无人机遥感技术在南疆棉花LAI 估测领域的应用提供一定的理论依据和技术支持。

1 材料与方法

1.1 研究区概况

研究区属于新疆生产建设兵团第一师阿拉尔垦区12 团（图1），地处塔克拉玛干沙漠北缘，天山南麓中段，塔里木河上游。 该区域属于典型的暖温带极端大陆性干旱荒漠气候区， 夏季炎热，冬季寒冷，日照时间长，降水稀少，蒸发强烈，多年平均年降水量为48.50 mm，多年平均年蒸发量为1 988.02 mm，平均蒸降比值高达40.99。 研究区地理中心坐标为81°19′08″E，40°29′19″N，面积为1.68 hm2。 研究区种植的棉花品种是塔河2号[12]，采用膜下滴灌技术，由7 户农户共同管理，由于灌溉和施肥等田间管理措施不同，棉花长势差异明显。

1.2 数据获取与图像处理

1.2.1数据及影像采集时间。 为减少天气因素对无人机影像质量的影响，于棉花花铃期（2021 年8 月7 日） 天气晴朗无云条件下进行无人机飞行试验以及地面数据的同步采集。 无人机多光谱影像采集时间集中在北京时间12：00－14：00，地面数据采集时间集中在14：00－17：00。

1.2.2地面数据获取。 LAI 通过AccuPAR LP-80植物冠层分析仪（METER 公司，美国）测定，仪器长度为1.0 m， 它由两部分组成：1 个数据采集器和1 个探测器。 探测器中含有80 个独立的传感器，间距为1 cm，可以测量400～700 nm 波段的光合有效辐射（photosynthetically active radiation,PAR），测量单位为μmol·m－2·s－1。 仪器通过计算天顶角、设置参数（X）和测量上下冠层的光合有效辐射之比，计算出作物冠层的LAI。 于研究区内随机选取100 个测量点， 每个测量点面积为1.0 m2（1.0 m×1.0 m），为确保数据的准确性，每个测量点选取不同位置按横纵方向分别测量3 次，取平均值代表该点的实际LAI， 并利用JUNO SA 手持机（Trimble 公司，美国）记录测量点的经纬度信息。

1.2.3无人机光谱影像的获取与处理。 使用大疆精灵4 多光谱版植保无人机（深圳大疆创新科技有限公司）获取多光谱影像。 该无人机带有一体式多光谱成像系统， 集成了1 个可见光相机和5个多光谱相机；多光谱相机分别为（450±16）nm（蓝光），（560±16）nm（绿光），（650±16）nm（红光），（730±16）nm（红边）和（840±26）nm（近红外）5 个波长的光谱采集通道。无人机按照提前规划的航线飞行，设置航高为500 m，航向重叠率为75%，旁向重叠率为80%，拍摄间隔为3 s 等时间间隔，相机镜头与地面呈90°夹角，其拍摄的影像分辨率约为0.5 m。 多光谱图像采集完成后，通过Pix4Dmapper 软件完成单波段影像的拼接、校正，在ENVI 5.3 中将拼接好的各波段影像合成完整的影像，并利用ENVI 5.3 中Basic tools 工具对影像进行空间重采样，分辨率分别设置为0.5 m、1.0 m、1.5 m、2.0 m、2.5 m、3.0 m。

1.3 植被指数与纹理特征的提取

1.3.1植被指数的提取与改进。 植被指数的构建可在一定程度上反应植物的生长发育状态[13-14]。选取10 种植被指数对棉花LAI 进行估算， 同时考虑到红边波段是用于研究植物养分状况、生长状态估测、植被参数反演的重要波段[15]。为了进一步提高植被指数反演LAI 的精确度，在传统植被指数计算方法的基础上，利用红边波段替代传统植被指数中的近红外波段， 从而改进其计算方法。 各植被指数及其计算公式见表1。

表1 多光谱植被指数的计算公式Table 1The calculation formula of multi spectral vegetation index

1.3.2纹理特征提取。 纹理特征是影像灰度特征值的反映，可以改善遥感影像使用光谱信息估算参数的饱和问题。 无人机图像预处理后，每种分辨率影像红、绿、蓝3 个波段中分别提取8 个图像特征：均值（mean）、方差（variance,var）、协同性（homogeneity,hom）、对比度（contrast,con）、相异性（dissimilarity,dis）、信息熵（entropy,ent）、二阶矩（second moment, sm）和相关性（correlation,corr），即每种分辨率共提取24 个纹理特征。利用ENVI 5.3 软件通过灰度共生矩阵（gray-level cooccurrence matrix,GLCM）功能计算特征值[26]，纹理分析选择3×3 窗口，方向选择90°，纹理特征具体计算公式见表2。

表2 纹理特征计算公式Table 2 The calculation formula of textural features

为提高纹理特征与棉花LAI 的相关性，使用纹理特征构建3 种纹理指数，分别为：归一化差值纹理指数（normalized difference texture index,NDTI），差值纹理指数（difference texture index,DTI）和比值纹理指数（ratio texture index, RTI）。利用Matlab 软件计算纹理指数。

式中T1和T2为同种分辨率下随机任意不同波段的纹理特征值。

1.4 模型精度验证

将同步测量的100 个样本数据按3∶2 随机分为建模集和验证集，用验证集样本检验模型精度。 选取以下指标对模型精度进行评价：决定系数（determination coefficient,R2）、均 方 根 误 差（root mean square error,RMSE） 和相对分析误差（relative percent deviation,RPD）。R2越接 近1，RMSE越小，RPD越大说明构建的模型精度越高。RPD在1.6～2.0 之间时，模型精度可以接受；RPD＞2.0 时，则认为所建模型有较高可靠性，能够用于棉花LAI 估测。

式中：xi表示估计值；x表示估计值的平均值；yi表示实测值；y表示实测值的平均值，n表示样本数量。SD表示标准差。

1.5 数据处理与分析

采用SPSS 24 和Microsoft Excel 2019 软件进行数据处理。 通过Pix4Dmapper 软件完成单波段影像处理，ENVI 5.3 进行多光谱影像数据处理，ArcGis 10.8 进行棉花LAI 反演图制作， 基于Python 3.8 完成模型构建。

2 结果与分析

2.1 棉花LAI 描述性统计

将研究区内测得的100 个样点的LAI 数据按3∶2 随机分为建模集和验证集， 其描述性统计结果见表3。 全部样本和建模集的LAI 均为2.15～7.81，平均值均为5.38，标准差均为1.30；验证集的LAI 为2.48～7.74， 平均值为5.39，标准差为1.32。 试验区内花铃期棉花LAI 整体较高，LAI 平均值在4.5 以上， 说明棉花长势较好。建模集、验证集与全部样本集具有高度相似的统计分布，这样确保了样本具有代表性，又可减少偏差估计的影响。

表3 棉花花铃期LAI 描述性统计Table 3 Descriptive statistics of cotton LAI at flowering and boll-setting stage

2.2 不同指标与棉花LAI 的相关性

将不同分辨率影像提取的植被指数与LAI进行相关分析，10 种植被指数与LAI 均显著相关（表4）。 0.5 m 分辨率下，归一化差值植被指数与LAI 相关性最高，相关系数为0.43。1.0～3.0 m分辨率下，与LAI 相关性最高的均为比值植被指数。 从不同分辨率来看，与LAI 相关性最高的是1.0 m 分辨率提取的植被指数， 相关系数在0.71～0.79，均达到极显著水平。与LAI 相关性最高的植被指数为RVI 和改进比值植被指数，相关系数均为0.79。 从整体水平来看， 植被指数与LAI 的相关性随着分辨率的降低（0.5 m～2.5 m）呈现先上升后下降的趋势。

表4 不同分辨率下植被指数与LAI 的相关性分析Table 4 Correlation analysis between vegetation index and LAI under different resolutions

将不同分辨率提取的纹理指数与LAI 进行相关性分析。 从表5 可以看出，在不同分辨率下，纹理指数与LAI 的相关性差异较大。 在0.5 m、1.0 m、1.5 m 分辨率影像下提取的3 种纹理指数与LAI 均具有极显著相关性，其中相关性最好的为1.0 m 分辨率下提取的纹理指数，NDTI（R_corr＋B_corr）、DTI（R_con ＋G_con）、RTI（R_ent ＋B_mean）与LAI 的相关系数分别为0.61、0.54 和0.57。在2.0 m、2.5 m、3.0 m 分辨率下提取的纹理指数与LAI 相关性均较弱。纹理指数与LAI 的相关性也随着分辨率的降低呈现先上升后下降的趋势。

表5 不同分辨率下纹理指数与LAI 的相关性分析Table 5 Correlation analysis between texture index and LAI under different resolutions

2.3 基于植被指数的棉花LAI 估测模型

将同一分辨率下提取的10 种植被指数作为输入变量， 分别运用PLSR、SVM、RF 3 种算法，构建不同分辨率下基于植被指数的棉花LAI 估测模型。 结果如图2 所示：随着分辨率的降低模型精度变化较大，R2在0.5～1.0 m 分辨率时快速上升，在1.0 m 分辨率下达到最大，在1.0～3.0 m 分辨率逐渐下降；RMSE与之相反， 在0.5～1.0 m剧烈下降，在1.0 m 分辨率下最小，然后随分辨率降低呈上升趋势。 影像分辨率的降低易导致高光谱数据对作物冠层特征信息的提取出现偏差，影响植被指数对棉花LAI 的估算精度。 3 种模型均在1.0 m 分辨率下对花铃期棉花LAI 估测效果最好，PLSR 模型在3.0 m 分辨率下估测效果最差，SVM 和RF 模型均在0.5 m 分辨率下估测效果最差。

图2 不同分辨率下基于植被指数的模型性能比较Fig. 2 Comparison of the model performance based on vegetation index under different resolutions

对1.0 m 分辨率下3 种模型的LAI 估测效果进行分析，结果表明3 种模型均取得了不错的效果。 模型输入量为植被指数时，建模集与验证集的评价指标值较为接近， 模型的稳定性较好（表6）。 精度最高的为RF 模型， 其R2最大、RMSE最小、RPD最大， 该模型为LAI 的最优估测模型。 与PLSR 模型相比，SVM 模型建模集的R2较高、RMSE较小、RPD较高， 但其验证集的RMSE较大、RPD较低。 因此，PLSR 与SVM 模型相比，SVM 模型的估测效果较好，但其可靠性和稳定性较差；PLSR 模型的估测效果较差，但模型具有较强的可靠性和稳定性。

表6 1.0 m 分辨率下植被指数与纹理指数反演棉花LAI 建模效果Table 6 Performance of cotton LAI inversion models based on vegetation index and texture index under 1.0 m resolution

2.4 基于纹理特征的棉花LAI 估测模型

从6 种不同分辨率影像中分别提取3 个波段共24 个纹理特征并构建3 种纹理指数， 将3种纹理指数作为输入变量， 分别运用PLSR、SVM、RF 3 种算法，构建不同分辨率下基于纹理指数的棉花LAI 估测模型。 结果如图3 所示，在0.5～1.0 m 分辨率，R2上升，1.0 m 分辨率下达到最大， 在1.0～3.0 m 分辨率整体呈下降趋势；RMSE与之相反，在1.0 m 分辨率下达到最小，然后波动上升。 影像分辨率的降低会影响纹理特征的提取，进而影响到纹理指数对棉花LAI 的估测精度。 3 种模型均在1.0 m 分辨率下对棉花LAI估测效果最好，PLSR 和SVM 模型在3.0 m 分辨率时估测效果最差， 而RF 模型在2.5 m 分辨率下估测效果最差。

图3 不同分辨率下基于纹理指数的模型性能比较Fig. 3 Comparison of the model performance based on texture index under different resolutions

对1.0 m 分辨率下，3 种纹理指数构建模型的棉花LAI 估测效果进行分析。 结果显示，相较于植被指数而言，纹理指数所构建的3 个模型精度较差。 其中RF 模型精度最高，其建模集的R2、RMSE和RPD分别为0.62、0.32 和2.67，SVM 模型的精度次之，PLSR 模型的精度最低。 利用40个实测LAI 数据对模型进行验证，RF 模型验证集R2为0.46、RMSE为0.93、RPD为2.05；PLSR模型和SVM 模型验证集的R2和RPD均较低（表6）。从模型估测结果看，纹理指数对棉花LAI有一定的估测潜力，但验证集模型与建模集模型的评价指标值相差较大， 且相对于建模集而言，验证集的相应指标值均有明显下降，说明基于纹理指数构建的棉花LAI 估测模型对花铃期棉花LAI 有一定的估测能力，但模型性能较差且稳定性不强。

2.5 基于特征融合的棉花LAI 估测模型

根据上述分析结果可知，植被指数和纹理指数均可以实现对棉花LAI 的估测，且植被指数模型的估测性能优于纹理指数模型，植被指数和纹理指数最佳估测模型均为1.0 m 分辨率下RF 算法模型。 因此，为了进一步提高模型估测精度，将1.0 m 分辨率影像中提取的10 个植被指数和3个纹理指数全部作为输入量共同构建基于RF 算法的LAI 估测模型。与单输入量的RF 模型相比，特征融合构建模型具有更好的LAI 估测能力，该模型的R2最高、RMSE最低， 建模集R2为0.84、RMSE为0.57、RPD为2.26，验证集R2为0.83、RMSE为0.59、RPD为2.35（表6）。 因此，在本研究中，1.0 m 分辨率影像中基于植被指数和纹理指数融合的RF 模型是无人机多光谱遥感技术估测花铃期棉花LAI 的最佳方案。

2.6 花铃期棉花LAI 空间分布图

根据上述分析结果， 在1.0 m 分辨率影像下特征融合的RF 模型对棉花LAI 的估测效果最好，利用最佳模型对棉花LAI 进行反演制图。 如图4 所示： 试验区内花铃期棉花LAI 反演值为2.0～8.0； 从空间分布来看，LAI 呈现条状分布，说明同一品种棉花在不同的管理措施下LAI 差异较大；大部分区域的LAI 为4.6～6.5，说明棉花生长较为健康；部分区域的棉花受到土壤盐渍化的影响LAI 偏低。 研究区边缘LAI 偏低，为2.0～4.5，这与研究区种植的保护行分布一致，保护行种植的棉花一般叶片较小，长势较差，且部分棉田的保护行因缺苗出现裸露土地，实际LAI值偏低。 中心区域棉花长势较好，LAI 为6.5～8.0。反演图与研究区内花铃期棉花的实际生长情况基本一致。

图4 棉花花铃期LAI 分布空间图Fig. 4 Spatial map of cotton LAI distribution at flowering and boll-setting stage

3 讨论

本研究通过无人机搭载多光谱传感器采集高分辨率影像对花铃期棉花LAI 进行反演。与前人利用无人机多光谱遥感提取植被指数反演水稻、玉米LAI 的研究相比[7-8]，本研究在不同影像分辨率下分别使用了植被指数、纹理指数以及二者融合对花铃期棉花LAI 进行估测。 结果表明，植被指数与纹理指数融合对棉花LAI 的估测效果最好，基于植被指数构建的棉花LAI 估测模型的精度高于基于纹理指数的模型。 植被指数是根据植被的反射光谱特征、用不同波段计算组合来提取作物的生长发育信息；而纹理特征是图像灰度特征值的反映，纹理通过图像像素和周围空间领域的灰度分布来表现；纹理特征代表的更多是图像信息， 不足以准确反应作物实际生长信息，故其模型精度较差。 仅通过光谱信息对棉花LAI进行估测，其精度会出现饱和现象；而纹理指数弥补了光谱信息的空间缺陷性。 二者融合构建的模型精度更高， 可实现对棉花LAI 的高精度估测。 这与杭艳红等[27]在水稻LAI 估测中的研究结果相似。 刘畅等[28]也认为植被指数可较好地表征不同生物量下的光谱特征，而纹理信息则提供了空间特征信息, 减弱了植被指数反演的饱和现象，弥补了光谱信息的不足，从而提高了模型的估测精度。

孙诗睿等[7]引入红边波段对植被指数计算方法进行改进并反演了冬小麦的LAI，证明引入红边波段改进植被指数的计算可以有效提高模型估测精度。这可能是由于红边波段对LAI 信息更为敏感，能够更准确地获取作物生长信息。 因此，为提高模型估测精度，本研究引入红边波段对植被指数的传统计算方法进行改进。 结果表明：改进后的植被指数与棉花LAI 有较高的相关性，其模型精度也较高。

本研究还探索了不同空间分辨率下模型精度的变化，在1.0 m 分辨率时，植被指数模型与纹理指数模型的精度均达到最高， 这可能与棉花LAI 取样点面积有着直接关系。 地面测得每个样点的LAI 能代表的面积是有限的，只能代表单位面积大小的LAI，不能准确代表更大面积的棉花LAI， 本研究使用的LP-80 冠层仪在每个采样点测得的棉花LAI 有效面积为1.0 m2，当分辨率大于或者小于1.0 m 时，LAI 有效值可能会超出或不足以代表其所在像元，造成空地信息之间的不对称，导致估测出现偏差，模型精度下降。而刘杨等[29]的研究结果表明，随着影像分辨率的提高，基于光谱信息、纹理信息以及二者融合构建的马铃薯地上部生物量估测模型的精度逐渐变好，与本研究的结果略有不同。 原因可能为：一是研究作物不同，本研究的对象为花铃期棉花LAI，刘杨等[29]是对马铃薯地上生物量进行估测；二是传感器不同，本实验使用的是多光谱无人机，刘杨等[29]使用的是数码相机； 三是分辨率改变形式不同，本研究利用ENVI 5.3 对影像进行空间重采样，刘杨等[29]是通过设置飞行高度获取不同分辨率影像数据；四是地面数据获取方式不一样，本研究使用的LP-80 冠层仪对棉花LAI 进行测量，每个采样点获取的LAI 有效面积为1.0 m2， 刘杨等[29]是对地上部干物质直接进行称重测量。 综上所述，地面单点取样时，取样单元最好和影像的分辨率相匹配，如果不匹配则需要调整取样面积或影像尺度。

棉花LAI 通常采用植被指数法进行估测。但因为光谱信息对棉花冠层信息的表达不完全准确的影响，基于单一植被指数构建的模型估测精度易受到影响。 为了提高对棉花LAI 的估测精度，本研究对植被指数的传统计算方法进行了改进，并且加入了纹理指数作为新的变量，补充了植被指数对棉花冠层信息表达的缺陷，极大地提高了对棉花LAI 的估测精度。同时选择了不同分辨率的影像进行挖掘，在分辨率与采样点面积相匹配时，模型性能达到最优。 利用无人机多光谱遥感对棉花LAI 进行估测会受到多种因素的影响，将植被指数与纹理特征结合作为输入量虽然提升了模型的估测精度，但是本研究仅对棉花花铃期的LAI 进行估测，没有采集到棉花整个生育期的数据， 不足以代表其整个生育期的LAI 变化；模型普适性也需进一步验证。

4 结论

以花铃期棉花为研究对象，利用无人机获取多光谱影像， 提取6 种分辨率下10 种植被指数和3 种纹理指数，分别利用PLSR、SVM 和RF 算法构建LAI 估测模型，得到以下结论：在本研究中，当无人机影像分辨率为1.0 m 时，植被指数和纹理指数与LAI 的相关性均达到最高。植被指数与纹理指数融合对棉花LAI 估测效果最好，其次为单一植被指数模型， 纹理指数模型效果最差。无人机影像分辨率为1.0 m 时， 基于植被指数和纹理指数融合的RF 算法模型是无人机多光谱遥感估测花铃期棉花LAI 的最佳方法。