陶惠林 馮海寬，2 楊貴軍，3 楊小冬 劉明星 劉帥兵

(1.北京農(nóng)業(yè)信息技術(shù)研究中心農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室， 北京 100097；2.國家農(nóng)業(yè)信息化工程技術(shù)研究中心， 北京 100097； 3.北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心， 北京 100097；4.河南理工大學(xué)測(cè)繪與國土信息工程學(xué)院， 焦作 454000)

0 引言

葉面積指數(shù)(leaf area index，LAI)是指每單位地面面積上葉片的總面積[1]，是許多生物和物理過程中如光合作用、呼吸作用、蒸騰作用的關(guān)鍵參數(shù)，經(jīng)常用于評(píng)估作物的健康狀況、生長情況和對(duì)農(nóng)業(yè)管理的影響[2-4]。冬小麥?zhǔn)俏覈饕r(nóng)作物之一，它的長勢(shì)和產(chǎn)量對(duì)國家糧食安全具有很大影響，準(zhǔn)確、快速、高效地對(duì)冬小麥進(jìn)行監(jiān)測(cè)變得尤為重要。近些年來，遙感技術(shù)發(fā)展迅速，能夠高效、動(dòng)態(tài)、無損害、經(jīng)濟(jì)性地對(duì)作物的LAI進(jìn)行估測(cè)。通過衛(wèi)星和航空遙感技術(shù)對(duì)LAI進(jìn)行探測(cè)，能夠獲取大面積的數(shù)據(jù)，但受到云層和天氣變化的影響，空間分辨率低、維護(hù)和運(yùn)營的成本較高[5]，且估測(cè)的精度不高。

近些年，隨著無人機(jī)遙感技術(shù)的發(fā)展，憑借其操作方便、低成本、快速，具有較高的時(shí)空分辨率，且能夠大面積地進(jìn)行觀察等特點(diǎn)，無人機(jī)已在精準(zhǔn)農(nóng)業(yè)中廣泛應(yīng)用[6-11]。無人機(jī)攜帶的常用傳感器有數(shù)碼相機(jī)和多光譜相機(jī)，其所獲取的數(shù)據(jù)光譜信息不足，無法進(jìn)行多波段的研究[12-16]。然而，高光譜可以獲得大量的光譜信息，光譜分辨率高，可以分析多波段，從而可提取出與作物長勢(shì)緊密聯(lián)系的波段信息。因此無人機(jī)高光譜遙感技術(shù)可以更好地估測(cè)作物長勢(shì)[17]。國內(nèi)外學(xué)者對(duì)高光譜遙感技術(shù)的應(yīng)用進(jìn)行了大量研究，文獻(xiàn)[18]選取15種光譜指數(shù)分別建立玉米葉面積指數(shù)反演模型，并利用神經(jīng)網(wǎng)絡(luò)方法構(gòu)建玉米葉面積指數(shù)估測(cè)模型，研究得出，基于神經(jīng)網(wǎng)絡(luò)構(gòu)建的玉米葉面積估測(cè)模型的效果優(yōu)于不同光譜指數(shù)建立的玉米葉面積反演模型。文獻(xiàn)[19]利用隨機(jī)森林算法構(gòu)建了|r|-RF和OOB-RF兩種冬小麥LAI的反演模型，并加以驗(yàn)證，表明構(gòu)建的LAI模型具有較高精度和適用性。文獻(xiàn)[20]利用無人機(jī)光譜參數(shù)建立了玉米葉綠素含量的估算模型，得出基于SDr、Dr和DVI構(gòu)建的玉米葉綠素含量估算模型效果較好。文獻(xiàn)[21]利用高光譜數(shù)據(jù)、2D RGB正射光學(xué)和3D作物表面模型估算冠層LAI水平，并加以驗(yàn)證，表明3種方法都可以很好地估算LAI。文獻(xiàn)[22]利用高光譜數(shù)據(jù)，通過NDVI構(gòu)建了線性回歸模型，再建立了物理模型，結(jié)合回歸模型與物理模型構(gòu)建了反演LAI的半經(jīng)驗(yàn)?zāi)Ｐ?，反演的模型R2為0.89。文獻(xiàn)[23]利用無人機(jī)高光譜數(shù)據(jù)，通過PROSPECT+SAIL模型反演作物的LAI，R2達(dá)到0.82，RMSE為0.43。文獻(xiàn)[24]利用無人機(jī)高光譜數(shù)據(jù)估算玉米、馬鈴薯和向日葵的LAI，通過PROSAIL模型反演LAI，模型基于LUT的反演更適合估算LAI，單角度進(jìn)行觀測(cè)的效果不如多角度(RMSE為0.55，RRMSE為13.6%)，證明加入額外的方向信息對(duì)LAI反演精度有很大提高。

以上的研究利用經(jīng)驗(yàn)?zāi)Ｐ?、半?jīng)驗(yàn)?zāi)Ｐ秃臀锢砟Ｐ头囱葑魑風(fēng)AI，并通過單個(gè)方法或兩種方法建模。卻未見將多種方法對(duì)比分析，更深入地分析光譜信息，從而得到更合適的估測(cè)模型的相關(guān)研究。本文利用無人機(jī)成像光譜儀，獲取冬小麥光譜數(shù)據(jù)并分析，選出最優(yōu)的估測(cè)參數(shù)，運(yùn)用多種分析方法構(gòu)建LAI的估測(cè)模型，得到最佳模型和最佳生育期，以期為精準(zhǔn)農(nóng)業(yè)中作物參數(shù)估測(cè)提供一種新的技術(shù)手段。

1 材料與方法

1.1 研究區(qū)概況與試驗(yàn)設(shè)計(jì)

冬小麥試驗(yàn)在北京市昌平區(qū)小湯山鎮(zhèn)國家精準(zhǔn)農(nóng)業(yè)研究示范基地(北緯 40°00′～40°21′，東經(jīng)116°34′～117°00′)進(jìn)行，試驗(yàn)區(qū)如圖1所示。該區(qū)域地處溫榆河沖積平原和燕山、太行山支脈的結(jié)合地帶，在溫帶季風(fēng)區(qū)，屬暖溫帶大陸性季風(fēng)氣候。年平均日照時(shí)數(shù)2 684 h；年平均氣溫11.8℃，年平均降水量42 mm左右。試驗(yàn)設(shè)計(jì)如圖2所示，所選取的冬小麥試驗(yàn)品種分為2個(gè)，分別為京9843(J9843)、中麥175(ZM175)。肥料設(shè)置了4個(gè)不同水平梯度處理：(N1，0 kg/hm2；N2, 195 kg/hm2；N3，390 kg/hm2；N4，585 kg/hm2)，并進(jìn)行3個(gè)重復(fù)處理(重復(fù)1～3)，對(duì)南北走向的小區(qū)依次進(jìn)行W3、W2、W2、W1等4個(gè)水平水分處理，共48個(gè)小區(qū)，小區(qū)的尺寸為6 m×8 m。

圖1 冬小麥試驗(yàn)區(qū)位置及試驗(yàn)設(shè)計(jì)Fig.1 Location of winter wheat experimental area and experimental design

圖2 冬小麥試驗(yàn)設(shè)計(jì)Fig.2 Experimental design of winter wheat

1.2 地面數(shù)據(jù)獲取

在2015年冬小麥挑旗期(4月26日)、開花期(5月13日)和灌漿期(5月22日)3個(gè)生育期采集了地面光譜數(shù)據(jù)和LAI數(shù)據(jù)。冬小麥地面光譜測(cè)量主要使用美國ASD公司生產(chǎn)的高光譜輻射儀(ASD Field SpecFR Pro 2500型，簡稱ASD)，ASD光譜輻射儀的波長范圍為350～2 500 nm，在350～1 000 nm時(shí)，其采樣間隔為1.4 nm，分辨率為3 nm；在1 000～2 500 nm時(shí)，采樣間隔為2 nm，分辨率為10 nm，其通道數(shù)為615。在天氣晴朗無云的時(shí)候(時(shí)間為10:00—14:00)對(duì)試驗(yàn)的48個(gè)小區(qū)進(jìn)行測(cè)量，操作時(shí)將儀器的探頭視場(chǎng)角設(shè)為25°，并保持探頭與冬小麥冠層距離為1 m且垂直向下，在每個(gè)小區(qū)測(cè)量1個(gè)視場(chǎng)，視場(chǎng)范圍內(nèi)隨機(jī)測(cè)量10次，取其平均值作為每個(gè)小區(qū)的平均光譜。在每個(gè)小區(qū)中長勢(shì)均勻的地方取20株具有代表性的冬小麥樣本，將取得的樣本帶回實(shí)驗(yàn)室進(jìn)行莖葉分離，然后利用美國 CID 生物科技公司生產(chǎn)的CI-203型激光葉面積儀測(cè)定冬小麥樣本葉片葉面積，得到單莖葉面積，再通過田間群體調(diào)查獲得單位面積的單莖數(shù)，從而計(jì)算出冬小麥的葉面積指數(shù)，具體分布如表1所示，3個(gè)生育期共得到了144個(gè)冬小麥葉面積指數(shù)數(shù)據(jù)。

1.3 無人機(jī)高光譜數(shù)據(jù)獲取及處理

在2015年4月26日、5月13日和5月22日利用無人機(jī)成像高光譜對(duì)冬小麥觀測(cè)。此次觀測(cè)采用的是八旋翼電動(dòng)無人機(jī)，搭載的傳感器為Cubert UHD185 Firefly成像光譜儀(Cuber UHD185 Firefly imaging spectrometer of UAV，德國，簡稱UHD185)，其主要參數(shù)如表2所示。在晴朗無云或少云無風(fēng)的時(shí)候采集數(shù)據(jù)，飛行時(shí)間為10:00—14:00，飛行高度80 m。

表1 冬小麥葉面積指數(shù)分布情況Tab.1 Distribution of leaf area index of winter wheat

無人機(jī)UHD185成像高光譜儀數(shù)據(jù)處理主要包括影像輻射校正、影像拼接和光譜提取3部分，主要流程如圖3所示。先使用儀器配套的軟件進(jìn)行輻射校正，再用俄羅斯Agisoft LLC的Agisoft PhotoScan 軟件進(jìn)行影像拼接，然后在ArcGIS軟件中，繪制每個(gè)冬小麥小區(qū)矢量，根據(jù)繪制的矢量構(gòu)建感興趣區(qū)(Region of interest，ROI)，統(tǒng)計(jì)ROI區(qū)域平均光譜作為冬小麥冠層反射率光譜，得到高光譜數(shù)據(jù)。

表2 UHD185成像光譜儀的主要參數(shù)Tab.2 Main parameters of UHD185 high imaging spectrometer

圖3 無人機(jī)UHD185成像高光譜處理流程圖Fig.3 Processing diagram of high imaging spectrometer by UHD185 sensor mounted on UAV

1.4 光譜參數(shù)選取

光譜參數(shù)就是將不同高光譜波段的反射率代入植被指數(shù)中進(jìn)行一定方式的組合，它能夠降低背景環(huán)境信息對(duì)作物冠層光譜的影響[25-27]。根據(jù)文獻(xiàn)[28]構(gòu)建了參數(shù)OSAVI×SR，所得到的結(jié)果較好，由于指數(shù)OSAVI和SAVI性質(zhì)相似，且對(duì)光譜信息也較為敏感，本文構(gòu)建了光譜參數(shù)OSAVI×SR。可見-近紅外形成的藍(lán)邊、黃邊、紅邊等變化區(qū)域是區(qū)別植被與地物的特有特征，因此可以用來估測(cè)作物的生理參數(shù)[29]。本文著重研究紅邊位置，通常取680～750 nm，文中選取678～758 nm作為紅邊位置。根據(jù)一階導(dǎo)數(shù)法提取出紅邊位置，并計(jì)算出紅邊振幅、紅邊面積、最小振幅和紅邊振幅/最小振幅，將這4個(gè)參數(shù)連同紅邊位置作為光譜參數(shù)與已有的11個(gè)光譜參數(shù)一起作為估測(cè)因子估測(cè)冬小麥的LAI，選取的光譜參數(shù)如表3所示。

1.5 分析方法

1.5.1多元線性回歸

多元線性回歸(Multiple linear regression，MLR)可以同時(shí)使用多個(gè)自變量組合來預(yù)測(cè)因變量，需要自變量與因變量之間有較好的相關(guān)性，文中以光譜參數(shù)為自變量x，冬小麥的LAI為因變量y，通過MLR模型來估測(cè)LAI。其模型為

表3 選取的光譜參數(shù)Tab.3 Spectral indices

注：R為光譜反射率，在UHD185成像高光譜數(shù)據(jù)中，用R802表示R800，R702表示R700。

yi=b0+b1x1i+b2x2i+…+bwxwi+μi
(i=1,2,…,n)

(1)

式中w——預(yù)測(cè)變量的數(shù)量

bh——模型系數(shù)，h=0,1,2,…,w

μi——隨機(jī)誤差

1.5.2偏最小二乘

偏最小二乘(Partial least square，PLSR)是多元線性回歸的一種新型的表達(dá)方式，它采用了數(shù)據(jù)降維的方法，與多元線性回歸相比較而言，可以在變量有多重相關(guān)性時(shí)進(jìn)行建模，能夠去除共線性問題，并且所得到的回歸模型中將會(huì)包含所有的自變量，模型的回歸系數(shù)也可很好地進(jìn)行解釋。

1.5.3隨機(jī)森林

隨機(jī)森林(Random forest，RF)是在機(jī)器學(xué)習(xí)中將樣本進(jìn)行訓(xùn)練并預(yù)測(cè)的一種算法。RF算法其實(shí)是bootstrap取樣，通過將樣本放回抽樣的方法進(jìn)行多次取樣，形成訓(xùn)練集，將決策樹組合進(jìn)行預(yù)測(cè)。例如，有M個(gè)樣本數(shù)據(jù)，使用上述方法進(jìn)行抽樣，取n個(gè)樣本，將未取得的樣本數(shù)據(jù)來預(yù)測(cè)算法的決策樹分類效果，分類效果越好，所預(yù)測(cè)的結(jié)果越精確。

1.5.4人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network，ANN)是對(duì)腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象信息化處理的一種運(yùn)算模型。其原理是建立模型和確定權(quán)值，一般有前向型和反饋型兩種網(wǎng)絡(luò)結(jié)構(gòu)。通常神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練需要一組輸入數(shù)據(jù)和輸出數(shù)據(jù)對(duì)，選擇網(wǎng)絡(luò)模型和傳遞、訓(xùn)練函數(shù)后，神經(jīng)網(wǎng)絡(luò)計(jì)算得到輸出結(jié)果，根據(jù)實(shí)際輸出和期望輸出之間的誤差進(jìn)行權(quán)值修正，在網(wǎng)絡(luò)進(jìn)行判斷時(shí)就只有輸入數(shù)據(jù)而沒有預(yù)期的輸出結(jié)果。本文中輸入數(shù)據(jù)為光譜參數(shù)，輸出結(jié)果是估測(cè)的LAI。

1.5.5支持向量機(jī)

支持向量機(jī)(Support vector machine，SVM)是一種二分類模型，它的目的是尋找一個(gè)超平面對(duì)樣本進(jìn)行分割，分割的原則是間隔最大化，最終轉(zhuǎn)換為一個(gè)凸二次規(guī)劃問題來求解。其模型分為：當(dāng)訓(xùn)練樣本線性可分時(shí)，通過硬間隔最大化，學(xué)習(xí)一個(gè)線性可分支持向量機(jī)。當(dāng)訓(xùn)練樣本近似線性可分時(shí)，通過軟間隔最大化，學(xué)習(xí)一個(gè)線性支持向量機(jī)。當(dāng)訓(xùn)練樣本線性不可分時(shí)，通過軟間隔最大化，學(xué)習(xí)一個(gè)非線性支持向量機(jī)。文中將光譜參數(shù)作為SVM模型的自變量，冬小麥的LAI作為因變量進(jìn)行估測(cè)。

1.6 統(tǒng)計(jì)分析

對(duì)冬小麥的LAI進(jìn)行估測(cè)，選取了決定系數(shù)(Coefficient of determination，R2)、均方根誤差(Root mean squared error，RMSE)和標(biāo)準(zhǔn)均方根誤差(Normalized root mean squared error，NRMSE)作為模型精度的評(píng)價(jià)指標(biāo)。R2越高，越接近1，說明估測(cè)模型的擬合效果越好；RMSE越低，說明模型的預(yù)測(cè)值和實(shí)測(cè)值的一致性越好；NRMSE越小，其估測(cè)模型的精度就越高，效果越好，當(dāng)其小于10%時(shí)，模型精度很高，10%～20%時(shí)，精度較高，20%～30%時(shí)，精度正常，大于30%時(shí)，精度較差[37]。

2 結(jié)果與分析

2.1 無人機(jī)UHD185成像光譜儀數(shù)據(jù)精度評(píng)價(jià)

將無人機(jī)UHD185成像光譜儀數(shù)據(jù)與地面ASD光譜儀數(shù)據(jù)對(duì)比分析，得到兩者的光譜曲線如圖4所示。從圖中可以看出，雖然UHD185和ASD的波段不同，但在一定區(qū)域內(nèi)它們的變化趨勢(shì)相似。如在紅邊區(qū)域范圍內(nèi)，兩者的光譜曲線變化規(guī)律一致性較高；在758～950 nm波段內(nèi)，它們的光譜曲線變化出現(xiàn)較大差異，其中UHD185光譜曲線波動(dòng)較大，ASD曲線波動(dòng)不明顯，這是因?yàn)閁HD185在探測(cè)冬小麥冠層光譜時(shí)，出現(xiàn)了較大的邊界噪聲。并且UHD185的光譜反射率在900 nm后的波段出現(xiàn)了較大幅度的降低，這個(gè)結(jié)果與文獻(xiàn)[38]研究結(jié)果較為一致。UHD185和ASD都在550 nm左右出現(xiàn)了綠峰位置，不同生育期所出現(xiàn)的位置也不相同，反射率從大到小依次是灌漿期、挑旗期、開花期；在670～674 nm波段內(nèi)兩者都出現(xiàn)了紅谷位置，各個(gè)生育期光譜反射率從小到大為灌漿期、挑旗期、開花期，規(guī)律和綠峰位置所表現(xiàn)出的效果較為一致。

圖4 冬小麥不同生育期高光譜曲線對(duì)比Fig.4 Comparison between UHD185 hyperspectral curve and ground ASD hyperspectral curve in different stages of winter wheat

將不同生育期的UHD185光譜反射率和ASD光譜反射率對(duì)比分析，選取的波段為466～830 nm，結(jié)果如圖5所示。由圖5可知，UHD185和ASD的光譜反射決定系數(shù)在不同生育期均達(dá)到0.995以上，在466～830 nm波段內(nèi)，UHD185高光譜數(shù)據(jù)具有較高的精度，這個(gè)結(jié)果與文獻(xiàn)[39]的研究成果較為一致。本文所選取的紅邊區(qū)域也位于此波段，可以用于估測(cè)冬小麥LAI。

2.2 冬小麥葉面積指數(shù)估測(cè)

2.2.1光譜參數(shù)與LAI相關(guān)性分析

圖5 不同生育期的UHD185和ASD光譜反射率對(duì)比Fig.5 Comparison between UHD185 and ASD spectral reflectance in different stages

將挑旗期、開花期、灌漿期3個(gè)生育期的光譜參數(shù)與冬小麥LAI進(jìn)行相關(guān)性分析，結(jié)果如表4所示。從表4可以看出，3個(gè)生育期所選取的光譜參數(shù)大部分達(dá)到極顯著水平(P<0.01)。其中在挑旗期時(shí)，光譜參數(shù)MCARI呈現(xiàn)無顯著相關(guān)，其余參數(shù)均呈極顯著相關(guān)，其中正相關(guān)性最高的是參數(shù)NDVI，相關(guān)系數(shù)r是0.738，負(fù)相關(guān)性最好的參數(shù)是TCARI/OSAVI，其相關(guān)系數(shù)為-0.657。本文所構(gòu)建的光譜參數(shù)OSAVI×SR的相關(guān)系數(shù)r是0.727，表現(xiàn)為極顯著正相關(guān)。在開花期時(shí)，光譜參數(shù)TCARI、MCARI/OSAVI和最小振幅呈無顯著相關(guān)，TCARI/OSAVI呈極顯著負(fù)相關(guān)，負(fù)相關(guān)中最好的相關(guān)系數(shù)r為-0.636，其他的參數(shù)均呈極顯著正相關(guān)，且相關(guān)系數(shù)大部分較高，最高的相關(guān)系數(shù)r為0.819，對(duì)應(yīng)的是參數(shù)SR。新構(gòu)建的參數(shù)OSAVI×SR的相關(guān)系數(shù)也較高，達(dá)到了0.814，僅次于極顯著最高的參數(shù)SR。灌漿期，光譜參數(shù)TCARI和MCARI/OSAVI表現(xiàn)無顯著相關(guān)，其余參數(shù)表現(xiàn)出較高相關(guān)性，相關(guān)系數(shù)0.8以上參數(shù)較其他2個(gè)生育期多。相關(guān)性最高的光譜參數(shù)是NDVI×SR，相關(guān)系數(shù)r為0.835，負(fù)相關(guān)性最好的依然是TCARI/OSAVI，其相關(guān)系數(shù)r為-0.752。新構(gòu)建光譜參數(shù)OSAVI×SR的相關(guān)系數(shù)r為0.822，在灌漿期中位于第4位，次于參數(shù)NDVI×SR、NDVI、SR。

表4 不同生育期光譜參數(shù)與冬小麥LAI相關(guān)性分析Tab.4 Correlation analysis between spectral parameters of different growth stages and LAI of winter wheat

注：** 表示0.01水平顯著。

綜合冬小麥3個(gè)生育期光譜參數(shù)和LAI相關(guān)性分析結(jié)果，各個(gè)參數(shù)在灌漿期所表現(xiàn)出的相關(guān)系數(shù)較其他2個(gè)生育期高，其中挑旗期的相關(guān)系數(shù)分布最低。在不同生育期中相關(guān)性最高的參數(shù)也各不相同，挑旗期中極顯著最高的為NDVI，開花期中最高的參數(shù)是SR，灌漿期參數(shù)則為NDVI×SR。但3個(gè)不同生育期都有一個(gè)共同的特點(diǎn)，它們負(fù)相關(guān)中相關(guān)性最好的參數(shù)都為TCARI/OSAVI，所構(gòu)建的光譜參數(shù)OSAVI×SR在不同生育期表現(xiàn)出的相關(guān)性都較高，說明此參數(shù)可以很好地用于估測(cè)冬小麥的LAI。

2.2.2最優(yōu)估測(cè)參數(shù)選取

根據(jù)挑旗期、開花期和灌漿期的光譜參數(shù)與冬小麥的LAI相關(guān)性分析結(jié)果，構(gòu)建各個(gè)光譜參數(shù)估測(cè)LAI模型，從中挑選出最優(yōu)的估測(cè)參數(shù)。根據(jù)文獻(xiàn)[40]的研究成果，將植被指數(shù)和紅邊參數(shù)構(gòu)建模型可以排除很多影響因素，綜合3個(gè)生育期光譜參數(shù)與LAI的相關(guān)性分析結(jié)果，分別選取了各生育期相關(guān)性絕對(duì)值較高的前7個(gè)光譜參數(shù)，首先它們的相關(guān)性絕對(duì)值均在0.68以上；其次，其中包含了植被指數(shù)演化得到的光譜參數(shù)和紅邊參數(shù)的光譜參數(shù)，符合了選取參數(shù)要求。將挑旗期、開花期、灌漿期的UHD185高光譜數(shù)據(jù)構(gòu)建的光譜參數(shù)，在各個(gè)生育期分別取2/3樣本(32個(gè))作為建模集利用線性回歸(Linear regression，LR)和指數(shù)回歸(Exponential regression，ER)構(gòu)建冬小麥LAI的估測(cè)模型，剩余的1/3樣本(16個(gè))作驗(yàn)證集，分別在不同生育期利用線性和指數(shù)回歸構(gòu)建冬小麥LAI估測(cè)模型。計(jì)算得到不同生育期的各模型的評(píng)價(jià)指標(biāo)：R2、RMSE和NRMSE，其結(jié)果如表5～7所示。

由表5～7可知，在3個(gè)生育期中ER所構(gòu)建的模型的精度和效果要優(yōu)于LR，其次在不同的生育期，最優(yōu)的估測(cè)參數(shù)也各不相同。挑旗期，LR建模集和驗(yàn)證集的R2、RMSE、NRMSE分別為0.542 6、1.12、24.62%和0.718 5、1.12、18.17%；ER建模集和驗(yàn)證集的R2、RMSE、NRMSE分別為0.619 5、1.13、24.77%和0.768 1、0.63、18.13%。通過LR和ER分析結(jié)果可以看出，綜合建模集和驗(yàn)證集的評(píng)價(jià)指標(biāo)R2、RMSE、NRMSE，NDVI為挑旗期的最優(yōu)參數(shù)。開花期，表現(xiàn)效果最好的光譜參數(shù)是SR，通過LR運(yùn)算時(shí)，建模集和驗(yàn)證集的R2、RMSE、NRMSE分別是0.631 7、0.74、21.19%和0.762 2、0.50、17.01%；在進(jìn)行ER分析時(shí)，建模集和驗(yàn)證集的R2、RMSE、NRMSE分別是0.640 8、0.74、21.30%和0.784 1、0.45、15.52%。灌漿期，估測(cè)效果最好的參數(shù)是NDVI×SR，此時(shí)LR建模集與驗(yàn)證集的R2、RMSE和開花期的最優(yōu)參數(shù)分別相差0.012 6、0.19和0.043 7、0.17；ER建模集與驗(yàn)證集的R2、RMSE和開花期的最優(yōu)參數(shù)分別相差0.010 9、0.13和0.028 2、0.11。無論LR還是ER，灌漿期最優(yōu)參數(shù)的R2、RMSE效果較好，但NRMSE值LR和ER卻遠(yuǎn)大于開花期的最優(yōu)參數(shù)SR，可知灌漿期的最優(yōu)參數(shù)所表現(xiàn)出的效果不如開花期的最優(yōu)參數(shù)。

表5 挑旗期光譜參數(shù)與LAI的回歸分析Tab.5 Regression analysis of spectral parameters and LAI in flagging stage

表6 開花期光譜參數(shù)與LAI的回歸分析Tab.6 Regression analysis of spectral parameters and LAI in flowering stage

表7 灌漿期光譜參數(shù)與LAI的回歸分析Tab.7 Regression analysis of spectral parameters and LAI in filling stage

2.2.3冬小麥葉面積指數(shù)估測(cè)模型構(gòu)建

使用MLR、PLSR、RF、ANN、SVM 5種方法分別構(gòu)建冬小麥挑旗期、開花期與灌漿期LAI估測(cè)模型，不同生育期通過5種方法建模分析結(jié)果如表8所示。從表8可知，用5種不同方法構(gòu)建的估測(cè)模型效果不同，其中模型LAI-MLR精度最高，效果最佳，LAI-RF模型精度最低；挑旗期，模型LAI-MLR的R2最大，RMSE和NRMSE最小，模型精度最高，精度最低的是模型LAI-RF。開花期，LAI-MLR、LAI-PLSR、LAI-RF、LAI-SVM的NRMSE相比其他兩個(gè)生育期，NRMSE最低，說明在開花期所構(gòu)建的LAI-MLR、LAI-PLSR、LAI-RF、LAI-SVM冬小麥估測(cè)模型精度高，構(gòu)建的估測(cè)模型效果較好，其中模型LAI-MLR估測(cè)精度最高，建模R2、RMSE和NRMSE分別為0.678 8、0.69、19.79%。灌漿期估測(cè)模型的R2都較大，但各模型的NRMSE較挑旗期和開花期偏高，其中灌漿期精度較高的模型仍然為LAI-MLR，其R2、RMSE和NRMSE分別是0.766 1、0.44、25.90%。

表8 不同生育期的光譜參數(shù)估測(cè)冬小麥LAI建模分析Tab.8 Estimation of winter wheat LAI modeling by spectral parameters in different growth stages

利用5種方法對(duì)每個(gè)生育期驗(yàn)證樣本的實(shí)測(cè)值與估測(cè)值進(jìn)行對(duì)比分析，驗(yàn)證冬小麥LAI建模模型的穩(wěn)定性，所得結(jié)果如圖6～10所示。從圖中可知，驗(yàn)證樣本的實(shí)測(cè)值與估測(cè)值模型的R2、RMSE和NRMSE與建模集接近，說明模型穩(wěn)定性很好。挑旗期，驗(yàn)證模型LAI-MLR的穩(wěn)定性最好(R2=0.637 6，RMSE為1.31)，驗(yàn)證結(jié)果與建模結(jié)果相近，相比較其他驗(yàn)證模型，模型LAI-RF的穩(wěn)定性最差(R2=0.778 4，RMSE為0.94)。開花期，驗(yàn)證模型中最為穩(wěn)定的是LAI-MLR，并且此驗(yàn)證模型為3個(gè)生育期中精度最高的，其R2、RMSE、NRMSE分別為0.846 2、0.47、16.04%，為最佳的估測(cè)模型，精度最低的是模型LAI-SVM(R2=0.711 2，RMSE為0.55，NRMSE為27.68%)。灌漿期，最不穩(wěn)定的模型是LAI-RF，穩(wěn)定性最好為LAI-MLR。綜合分析建模和驗(yàn)證結(jié)果，模型LAI-MLR為估測(cè)冬小麥LAI的最佳模型，其構(gòu)建的估測(cè)模型精度最高，模型更可靠，MLR方法構(gòu)建估測(cè)模型效果最好。

圖7 不同生育期驗(yàn)證樣本模型LAI-PLSR分析結(jié)果Fig.7 Results of LAI-PLSR analysis of sample for validating models for different growth stages

圖8 不同生育期驗(yàn)證樣本模型LAI-RF分析結(jié)果Fig.8 Results of LAI-RF analysis of sample for validating models for different growth stages

圖9 不同生育期驗(yàn)證樣本模型LAI-ANN分析結(jié)果Fig.9 Results of LAI-ANN analysis of sample for validating models for different growth stages

圖10 不同生育期驗(yàn)證樣本模型LAI-SVM分析結(jié)果Fig.10 Results of LAI-SVM analysis of sample for validating models for different growth stages

2.2.4UHD185高光譜估測(cè)冬小麥LAI分布圖

對(duì)比5種方法構(gòu)建的不同生育期冬小麥估測(cè)模型，挑選出各個(gè)生育期的最佳估測(cè)模型，將選取的不同生育期最佳模型用于估測(cè)各生育期冬小麥LAI，并對(duì)挑旗期和開花期填圖，得到挑旗期和開花期LAI空間分布圖，如圖11所示。從圖中可以看出，不同小區(qū)、生育期的冬小麥LAI分布情況不同，挑旗期，重復(fù)1、2區(qū)域大部分LAI處于2.5以上，其中重復(fù)2小區(qū)的LAI較高，為4.7～9.0，重復(fù)3中小區(qū)4-3、11-3、12-3、15-3的LAI較低，處于3.5以下，其余小區(qū)LAI大部分較高，達(dá)到3.5以上。開花期，重復(fù)1區(qū)域小區(qū)4-1、5-1、11-1的LAI處在2.0以下，其余小區(qū)LAI主要分布2.0～4.7，重復(fù)2 LAI較高，大部分分布3.5～6.0，重復(fù)3小區(qū)4-3、11-3、12-3的LAI較低，處于2.0以下。不同生育期3個(gè)重復(fù)區(qū)域小區(qū)LAI分布有明顯差異，這與不同小區(qū)水分處理、氮素處理和施肥情況有關(guān)，導(dǎo)致冬小麥長勢(shì)不同，總體來說，冬小麥長勢(shì)分布由強(qiáng)到弱為重復(fù)2、重復(fù)1、重復(fù)3。挑旗期和開花期的LAI出現(xiàn)較大不同，其中挑旗期LAI比開花期總體分布較高，這與實(shí)測(cè)LAI相符，和冬小麥生長特性有關(guān)，隨著小麥生長，在小麥生育后期開花期，此時(shí)LAI呈下降趨勢(shì)，加上在重復(fù)3區(qū)域施肥較少，導(dǎo)致了重復(fù)3區(qū)域出現(xiàn)了LAI比重復(fù)2區(qū)域小，LAI分布效果差的情況。

圖11 冬小麥挑旗期和開花期LAI空間分布圖Fig.11 Spatial distribution map of LAI in winter wheat flagging stage and flowering stage

對(duì)比挑旗期和開花期的冬小麥LAI空間分布，兩個(gè)生育期LAI分布差異較大，其中挑旗期LAI分布較為均勻，總體效果較好，而開花期LAI偏低，且各小區(qū)的冬小麥LAI差異明顯，能夠很好地進(jìn)行區(qū)分。

3 討論

利用無人機(jī)成像光譜儀對(duì)冬小麥進(jìn)行了探測(cè)，通過高光譜影像對(duì)冬小麥LAI進(jìn)行估測(cè)。分析地面ASD和UHD185的光譜曲線，發(fā)現(xiàn)兩者在不同生育期的光譜曲線趨勢(shì)變化較為一致(紅邊區(qū)域)，所出現(xiàn)綠峰和紅谷的波段位置也大致相同，在758～950 nm波段的變化差異較大，這區(qū)間波段的研究仍為重點(diǎn)。將UHD185和ASD反射率進(jìn)行分析可知，UHD185獲得的數(shù)據(jù)具有較高的品質(zhì)：挑旗期、開花期、灌漿期的R2分別為0.995 9、0.999 0、0.996 8。

運(yùn)用LR和ER分析冬小麥的挑旗期、開花期、灌漿期LAI，通過對(duì)比分析得到各生育期的最優(yōu)光譜參數(shù)。挑旗期表現(xiàn)最好的參數(shù)是NDVI；開花期最優(yōu)參數(shù)是SR；灌漿期效果最好的參數(shù)是NDVI×SR。3個(gè)生育期的最優(yōu)光譜參數(shù)各不相同，且開花期的精度最高，效果最好，這與冬小麥的生長習(xí)性有關(guān)，在生長過程中各生育期的LAI呈現(xiàn)先升后降的趨勢(shì)，不同時(shí)期的估測(cè)模型也不同，在各生育期中，新構(gòu)建的光譜參數(shù)OSAVI×SR表現(xiàn)的效果沒最優(yōu)參數(shù)好，但精度也達(dá)到了較高水平，說明新構(gòu)建的參數(shù)效果較好。

利用5種方法構(gòu)建了挑旗期、開花期和灌漿期的冬小麥LAI估測(cè)模型，通過研究發(fā)現(xiàn)，不同生育期的估測(cè)模型不同，但有一個(gè)共性就是各生育期中精度最高的估測(cè)模型都為LAI-MLR，所表現(xiàn)的擬合性和精度最好，其中開花期時(shí)表現(xiàn)最佳，此生育期建模R2=0.678 8、RMSE為0.69、NRMSE為19.79%，驗(yàn)證R2=0.846 2、RMSE為0.47、NRMSE為16.04%，這和模型在不同生育期的適用性有關(guān)，即不同模型應(yīng)用于不同生育期所表現(xiàn)的估測(cè)效果不同。冬小麥挑旗期和開花期LAI空間分布有顯著差異，且挑旗期分布較好，結(jié)果符合實(shí)測(cè)數(shù)據(jù)，這與冬小麥生長密切相關(guān)，生長過程中LAI曲線為拋物線，挑旗期為最高峰，此時(shí)有效分葉和無效分葉共存，而開花期都是有效分葉，且挑旗期養(yǎng)分充足，葉片繁茂，開花期養(yǎng)分逐漸不足，葉片中葉綠素含量降低，故LAI下降。

當(dāng)前，利用高光譜數(shù)據(jù)對(duì)作物的LAI、生物量、氮素、葉綠素的模型研究取得了很好的效果，但常用的地面ASD光譜數(shù)據(jù)一般只能在地面進(jìn)行獲取，受限制條件較多。本文使用新型的無人機(jī)成像光譜儀來對(duì)冬小麥的LAI進(jìn)行估測(cè)，通過其高分辨率的光譜影像構(gòu)建了LAI估測(cè)模型，得到了較好的效果。能夠?yàn)榫珳?zhǔn)農(nóng)業(yè)中作物的長勢(shì)監(jiān)測(cè)提供地、空多方位的數(shù)據(jù)研究和技術(shù)方法，使得無人機(jī)成像光譜儀在精準(zhǔn)農(nóng)業(yè)中發(fā)揮更重要的作用。

4 結(jié)論

(1)在紅邊區(qū)域內(nèi)UHD185和ASD光譜曲線趨勢(shì)高度相似，二者光譜反射在挑旗期、開花期、灌漿期的R2分別為0.995 9、0.999 0、0.996 8，說明UHD185獲取的數(shù)據(jù)具有很高的品質(zhì)，精度較高。

(2)選取的光譜參數(shù)在不同生育期中與冬小麥LAI的相關(guān)性不同，挑旗期相關(guān)性最高的是NDVI(r=0.738)，開花期的最優(yōu)參數(shù)為SR(r=0.819)，灌漿期NDVI×SR的相關(guān)性最高(r=0.835)，且3個(gè)生育期負(fù)相關(guān)最好的光譜參數(shù)均為TCARI/OSAVI，所構(gòu)建的參數(shù)OSAVI×SR在各生育期相關(guān)性都較好。

(3)對(duì)各光譜參數(shù)運(yùn)用LR和ER進(jìn)行回歸分析，得到挑旗期、開花期、灌漿期的最優(yōu)光譜參數(shù)分別是NDVI、SR、NDVI×SR。

(4)用5種方法估測(cè)挑旗期、開花期和灌漿期的冬小麥LAI，得到了5種估測(cè)模型(LAI-MLR、LAI-PLSR、LAI-RF、LAI-ANN、LAI-SVM)，其中，LAI-MLR模型為各生育期的最佳估測(cè)模型，估測(cè)效果最好的時(shí)期是開花期，其精度和穩(wěn)定性均較好。將挑旗期和開花期估測(cè)模型進(jìn)行填圖和可視化，得出2個(gè)時(shí)期的冬小麥LAI分布圖，其結(jié)果分布與實(shí)測(cè)數(shù)據(jù)較為一致。LAI-MLR可作為精準(zhǔn)農(nóng)業(yè)中冬小麥監(jiān)測(cè)中的主要模型，為無人機(jī)成像光譜儀在作物監(jiān)測(cè)中提供重要的科學(xué)依據(jù)。