蘇 偉，王 偉，劉 哲，張明政，邊大紅，崔彥宏，黃健熙

·農(nóng)業(yè)航空工程·

無人機(jī)影像反演玉米冠層LAI和葉綠素含量的參數(shù)確定

蘇 偉1,2，王 偉1,2，劉 哲1,2，張明政1,2，邊大紅3，崔彥宏3，黃健熙1,2

（1. 中國農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100083；2. 農(nóng)業(yè)部農(nóng)業(yè)災(zāi)害遙感重點實驗室，北京 100083；3. 河北農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，保定 071001）

小型低空無人機(jī)（Unmanned Aerial Vehicle, UAV）機(jī)動靈活、操作簡便，可以按需獲取高空間分辨率影像，是育種玉米長勢監(jiān)測的一種重要技術(shù)手段。針對UAV影像反演玉米冠層葉面積指數(shù)（LAI, Leaf Area Index）和葉綠素含量的參數(shù)確定問題，該研究以DJI S1000+無人機(jī)為平臺，搭載法國Parrot Sequoia相機(jī)，獲取海南三亞市崖城玉米育種基地的多光譜影像?；陬A(yù)處理后的UAV影像，采用重采樣的方式獲得不同分辨率下（0.1～1 m）的不同植被指數(shù)，所構(gòu)建的植被指數(shù)包括歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、葉綠素指數(shù)（Grassland Chlorophyll Index，GCI）、比值植被指數(shù)（Ratio Vegetation Index，RVI）、歸一化紅邊紅指數(shù)（Normalized Difference rededge-red Index，NDIrer）、歸一化紅邊綠指數(shù)（Normalized Difference rededge-green Index，NDIreg）和重歸一化植被指數(shù)（Renormalized Difference Vegetation Index，RDVI），通過將不同分辨率下的不同植被指數(shù)與地面實測數(shù)據(jù)進(jìn)行回歸分析，以獲得各分辨率下植被指數(shù)與冠層LAI和葉綠素含量的關(guān)系模型及其決定系數(shù)，以決定系數(shù)的大小為依據(jù)來確定玉米冠層LAI和葉綠素含量反演的最優(yōu)空間分辨率和最優(yōu)植被指數(shù)。通過試驗發(fā)現(xiàn)，在分辨率為0.6 m時，NDVI與地面實測LAI之間的決定系數(shù)R為0.80，決定系數(shù)達(dá)到了最大，利用該分辨率下的NDVI反演得到的LAI驗證精度2達(dá)到0.73；在分辨率為0.1 m時，NDIreg與地面實測葉綠素含量之間的決定系數(shù)2為0.70，決定系數(shù)達(dá)到最大，利用該分辨率下的NDIreg反演得到的葉綠素含量驗證精度2達(dá)到了0.63。因此得出結(jié)論：1）植被指數(shù)的選擇：①對于玉米冠層LAI的反演來說，不包含綠波段的植被指數(shù)的LAI反演精度較高，這說明綠波段對LAI的變化不敏感；②對于玉米冠層葉綠素含量反演來說，包含紅邊波段的植被指數(shù)的反演精度較高，因此影像的紅邊波段對葉綠素含量的變化非常敏感。2）UAV影像空間分辨率的選擇：反演LAI的最優(yōu)分辨率是0.6 m，此時NDVI與實測LAI的決定系數(shù)達(dá)到最大；反演冠層葉綠素含量的最優(yōu)分辨率是0.1～0.3 m范圍內(nèi)，此時NDIreg與實測葉綠素含量的決定系數(shù)達(dá)到最大。該研究可為UAV反演玉米表型參數(shù)時的分辨率和植被指數(shù)選擇提供參考。

作物；無人機(jī)；模型；植被指數(shù)；LAI；葉綠素含量；分辨率；紅邊波段

0 引 言

近年來，具有機(jī)動靈活、操作簡便、按需獲取數(shù)據(jù)且空間分辨率高等優(yōu)勢的無人機(jī)（Unmanned Aerial Vehicle，UAV）遙感技術(shù)迅速發(fā)展，并逐漸成為農(nóng)情監(jiān)測的又一重要手段[1]，也是育種玉米表型參數(shù)快速獲取的重要手段[2]。UAV影像的分辨率理論上可以達(dá)到1～2 cm，實際飛行時UAV影像的分辨率受相機(jī)型號、飛行高度、飛行時間、重疊度等因素的限制。UAV一般靠電池驅(qū)動，飛行時間有限，需要較高的飛行高度才能獲得較大面積的圖像；但是，飛行高度過高時，影像的分辨率又會降低。所以，獲取何種空間分辨率的UAV影像對玉米冠層LAI和葉綠素含量反演是該領(lǐng)域研究和應(yīng)用的重要問題。

已有的衛(wèi)星遙感應(yīng)用表明：影像的分辨率需要根據(jù)具體的應(yīng)用需求確定，并不是越高越好。在利用航空影像在一些平原地區(qū)生成地面數(shù)字高程模型（Digital Elevation Model，DEM）時，過高的影像分辨率除了增加運算量之外，對DEM的實際應(yīng)用并沒有多大的益處。沈占鋒等在利用衛(wèi)星影像提取城市道路時，不同等級的道路也要選擇不同分辨率的影像[3]。陳永林等在研究不同尺度下紅樹景觀格局與葉面積指數(shù)的關(guān)系時，發(fā)現(xiàn)不同尺度下景觀格局指數(shù)與LAI指數(shù)的變化特征存在明顯差異[4]。李丹丹等在研究尺度變化對油菜種植面積遙感監(jiān)測精度的影響時提出，農(nóng)作物種植面積遙感提取中，需要從提取精度、研究區(qū)域空間范圍、數(shù)據(jù)可獲取性等方面綜合考慮選擇合適的空間分辨率遙感數(shù)據(jù)[5]。黃健熙等在利用遙感衛(wèi)星進(jìn)行農(nóng)作物長勢監(jiān)測、模型估產(chǎn)等方面研究時，發(fā)現(xiàn)遙感觀測像元尺度與作物模型模擬尺度不匹配是影響監(jiān)測及估產(chǎn)精度的重要因素，因此在進(jìn)行數(shù)據(jù)同化時，需要充分利用不同時間和空間分辨率的遙感影像數(shù)據(jù)進(jìn)行尺度轉(zhuǎn)換，盡量減少遙感影像與模型之間的尺度差異，以提高模型精度[6]。對于無人機(jī)遙感應(yīng)用來說，是不是也存在同樣的問題？鑒于這個問題，本文重點研究UAV影像用于農(nóng)作物長勢監(jiān)測和冠層表型信息提取等研究時何種空間分辨率最為合適。

LAI和葉綠素含量是反映植被生長及健康狀況的兩個重要特征參量。LAI是表征植被光合作用、判斷冠層結(jié)構(gòu)和農(nóng)作物長勢的重要參數(shù)，與生物量和作物產(chǎn)量有著密切關(guān)系[7]。葉綠素含量與植物的光合作用能力、生長狀態(tài)密切相關(guān)，是植被光合能力、營養(yǎng)生理狀況以及衰老進(jìn)程的指示劑，對農(nóng)作物長勢監(jiān)測、施肥調(diào)控、品質(zhì)評價具有重要意義[8]。目前，基于衛(wèi)星影像的LAI和葉綠素含量提取方法主要有兩類[9-12]，一是采用植被指數(shù)的統(tǒng)計方法，利用高光譜反射率、一階微分光譜、光譜植被指數(shù)、偏最小二乘法等建立LAI和葉綠素含量或葉綠素相對含量（SPAD值）與遙感特征光譜（如反射率或光譜指數(shù)）的關(guān)系，并利用這種相關(guān)關(guān)系估算LAI和葉綠素含量[13]；譚昌偉等利用Landsat TM遙感數(shù)據(jù)建立了植被指數(shù)與葉綠素相對含量（SPAD值）和LAI的遙感監(jiān)測模型[14]；李粉玲等利用GF-1衛(wèi)星數(shù)據(jù)構(gòu)建了基于遙感光譜指數(shù)的冬小麥葉片葉綠素相對含量（SPAD值）遙感監(jiān)測模型[15]；蘇偉等利用Sentinel-2A影像構(gòu)建了植被指數(shù)與玉米冠層葉綠素含量的監(jiān)測模型[16]。二是利用輻射傳輸模型等物理模型的方法[17-18]。谷成燕等利用PROSAIL模型建立了毛竹林葉面積指數(shù)與冠層反射率之間的查找表，實現(xiàn)了利用Landsat TM衛(wèi)星遙感數(shù)據(jù)反演毛竹林的LAI[19]。李淑敏等探討了利用PROSAIL物理模型反演冬小麥LAI的可行性，認(rèn)為利用物理模型模擬LAI較經(jīng)驗?zāi)Ｐ透哂姓鎸嵭訹20]。輻射傳輸模型的方法較為復(fù)雜，且需要許多先驗知識。因此，本研究利用植被指數(shù)的方法，基于不同空間分辨率影像反演玉米冠層LAI和葉綠素含量，以探索用于玉米冠層LAI和葉綠素含量反演的最優(yōu)空間分辨率和最合適植被指數(shù)。

1 數(shù)據(jù)和方法

1.1 UAV影像獲取及預(yù)處理

研究區(qū)位于海南三亞崖城玉米育種基地，如圖1所示。該基地總面積約13 hm2，育種基地內(nèi)種植了處于各生育期的玉米共11 hm2。崖城屬熱帶海洋季風(fēng)氣候，年平均氣溫25 ℃以上，常年輪作種植的特點非常適合玉米育種試驗的開展。

無人機(jī)遙感影像獲取時間為2018年1月6日，無人機(jī)為DJI S1000+無人機(jī)搭載法國Parrot公司生產(chǎn)的Sequoia多光譜相機(jī)，無人機(jī)任務(wù)規(guī)劃采用Pix4dcapture軟件完成，飛行高度75 m，航向和旁向重疊度均為80%，共采集無人機(jī)影像190張，其中RGB影像38張，單波段影像152張。所獲取的UAV影像采用Pix4D mapper軟件（www.pix4d.com）進(jìn)行影像拼接[21]，在進(jìn)行單波段影像拼接時，將UAV數(shù)據(jù)采集時拍攝的標(biāo)準(zhǔn)定標(biāo)板影像作為校準(zhǔn)輸入拼接軟件中，定標(biāo)板為標(biāo)準(zhǔn)反射率板，在不同波段的反射率固定（綠波段0.61、紅波段0.62、近紅外波段0.59、紅邊波段0.61），在拼接過程中軟件將依據(jù)標(biāo)準(zhǔn)定標(biāo)板的反射率自動生成單波段的反射率影像。這個過程大大減少了人工輻射定標(biāo)的誤差，并且提高了工作效率。拼接處理后的無人機(jī)影像分辨率為0.06 m，包含RGB影像、綠波段影像（中心波長為550 nm）、紅波段影像（中心波長為660 nm）、紅邊波段影像（中心波長為735 nm）、近紅外波段影像（中心波長為790 nm）各一幅。

圖1 研究區(qū)位置及UAV影像

1.2 地面實測數(shù)據(jù)獲取

UAV影像獲取的同時，在研究區(qū)均勻選擇了25個具有代表性的試驗點測量玉米的LAI和葉綠素含量。玉米冠層LAI的測量采用LAI 2200C冠層分析儀（美國，LI-COR），葉綠素含量的測量采用SPAD—502葉綠素儀（日本，柯尼卡美能達(dá)）。在對地面樣本進(jìn)行采樣測量的同時，使用基于千尋位置（www.qxwz.com）厘米級差分定位服務(wù)的GPS移動站記錄地面樣本點的精確坐標(biāo)信息。在研究區(qū)內(nèi)均勻選擇了25個試驗點進(jìn)行地面采樣，其中17個采樣點作為建模數(shù)據(jù)集，8個采樣點作為驗證數(shù)據(jù)集。每個試驗點選擇一株具有代表性的玉米，首先，記錄該樣點的絕對位置信息；其次，使用SPAD葉綠素儀測量玉米上層葉片的葉綠素含量，對于每片葉子，根據(jù)葉子大小均勻測量3～5次葉綠素值，取平均值作為該片葉子的葉綠素含量；再次，使用LAI 2200C觀測玉米的LAI和平均葉傾角，測量時探頭安裝180°的遮光帽，順序測1次天頂光和玉米壟間的4次葉下光，讀取觀測的LAI值，為減小誤差，每個試驗點重復(fù)觀測3次取平均值作為該點的LAI值，具體示例見表1。

表1 實測數(shù)據(jù)示例

1.3 植被指數(shù)的構(gòu)建與選擇

為了研究UAV影像用于農(nóng)作物長勢監(jiān)測和冠層表型信息提取等研究時何種空間分辨率最為合適，本試驗對0.06 m分辨率的無人機(jī)原始影像進(jìn)行重采樣，由于無人機(jī)影像獲取時單株玉米直徑在1 m以下，因此本試驗將原始影像分別重采樣為0.1～1 m以0.1 m為間隔的不同分辨率數(shù)據(jù)。

健康植被的反射率在綠光波段有較低的反射峰，在紅波段有一個吸收谷，而在近紅外波段又達(dá)到一個較高的反射峰。紅邊波段是位于紅波段和近紅波段之間斜率變化最大位置上的一個較窄的波段，對植被的葉綠素含量變化非常敏感。法國Parrot Sequoia農(nóng)業(yè)相機(jī)的波段范圍包括紅邊波段，所以本文重點研究了包含紅邊波段的植被指數(shù)在玉米冠層LAI和葉綠素含量反演中的適用性。

植被指數(shù)的實質(zhì)是將復(fù)雜的多光譜影像簡化為一個特征變量，用來預(yù)測和評估植被特性。Daughtry等提出一個給定的光譜指數(shù)對于估計植被冠層葉綠素含量和LAI可能有不同的敏感性[22]。目前最簡單、應(yīng)用最廣泛的植被指數(shù)之一是由Rouse等[23]在1973年提出的歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）。由于葉片反射近紅外（NIR）波段不受葉綠素含量變化的影響，而紅色波段由于葉綠素的強(qiáng)烈吸收而受到最小影響，使用近紅和紅色的NIR-red光譜指數(shù)通常更能估計LAI[24-25]，因此本文首先選用NDVI指數(shù)。與紅波段相比，綠波段更容易受到葉綠素含量差異的影響[26-27]；因此，NIR-green光譜指數(shù)對葉綠素含量變化的敏感度應(yīng)該高于NIR-red指數(shù)[28-29]。并且NIR-green光譜指數(shù)也對LAI變化很敏感[30-31]，所以本文基于綠波段建立了GCI（grassland chlorophyll index）植被指數(shù)。玉米葉片中葉綠素對紅光波段的強(qiáng)烈吸收，及對近紅外波段的多次散射，通常在680~760 nm之間形成陡而直的斜邊，稱其為紅邊，多項研究[32-33]表明，紅邊波段對LAI和葉綠素含量變化非常敏感。因此本研究基于紅邊波段建立了RVI、NDIrer和NDIreg3個植被指數(shù)（見表2）。

表2 植被指數(shù)及計算公式

注：nir為近紅外波段反射率，該波段的中心波長為790 nm；rededge為紅邊波段反射率，該波段的中心波長為735 nm；red為紅波段反射率，該波段的中心波長為660 nm；gree為綠波段反射率，該波段的中心波長為550 nm。

Note:niris the near infrared band reflectivity, the center wavelength of this band is 790 nm;rededgeis the red edge band reflectivity, the center wavelength of this band is 735 nm;redis the red band reflectivity, the center wavelength of this band is 660 nm;greeis the reflectivity of the green band, and the center wavelength of this band is 550 nm.

2 結(jié)果分析與討論

2.1 植被指數(shù)與LAI的關(guān)系分析

利用建模集中野外實測的LAI數(shù)據(jù)，分別與10個不同分辨率下的植被指數(shù)GCI、RDVI、RVI、NDVI、NDIrer、NDIreg進(jìn)行統(tǒng)計分析，分析LAI與各植被指數(shù)的相關(guān)性，并分別計算其決定系數(shù)2，從而確定用于玉米冠層LAI反演的最優(yōu)空間分辨率和植被指數(shù)。各統(tǒng)計關(guān)系中相關(guān)關(guān)系如圖2所示。

從圖2a可以看出：NDVI和NDIrer植被指數(shù)與實測LAI的相關(guān)性隨影像分辨率的變化十分明顯，在影像分辨率為0.1～0.4 m、0.8～1 m時，6種植被指數(shù)與實測LAI的決定系數(shù)2均小于0.3，為弱相關(guān)關(guān)系，并不具備利用該范圍內(nèi)無人機(jī)影像反演LAI的條件。在分辨率為0.4～0.8 m時，NDVI和NDIrer兩個植被指數(shù)決定系數(shù)均在0.3以上，且最大達(dá)到0.80，已經(jīng)具備利用該植被指數(shù)反演LAI的條件。參考相關(guān)系數(shù)臨界值表[34]，當(dāng)樣本自由度為17時，相關(guān)系數(shù)的絕對值大于0.58時達(dá)到0.01顯著性水平，從圖2b中可以看出0.6 m分辨率的NDVI和NDIrer與LAI的相關(guān)關(guān)系的絕對值分別為0.9和0.81，達(dá)到了0.01顯著性水平。

通過不同空間分辨率下的NDVI和NDIrer植被指數(shù)與實測LAI的相關(guān)性比較，二者都是在影像空間分辨率為0.6 m時與實測LAI相關(guān)性最高，決定系數(shù)2分別為0.802 8和0.661 6；且隨著分辨率增大和減小，決定系數(shù)2均大幅降低，并分別在0.4 m和0.8 m時降至0.3以下。這兩種植被指數(shù)與實測LAI的決定系數(shù)隨分辨率的增加呈現(xiàn)近似正態(tài)分布的現(xiàn)象。造成這種現(xiàn)象的原因是：LAI是表征冠層的群體參量，它反映的是植被在一定面積內(nèi)的單面綠葉葉面積，所以在UAV影像空間分辨率0.1～0.4 m的尺度范圍下，可能會存在整個像素是成像在同一個葉片上的情況，此時用于LAI定義的孔隙率并無實際意義，從而造成決定系數(shù)偏低。而在0.8～1.0 m空間分辨率的尺度下，由于壟間裸地的存在造成混合像元現(xiàn)象，也會影響植被指數(shù)的準(zhǔn)確性。

圖2 植被指數(shù)與實測LAI的相關(guān)關(guān)系

0.4～0.8 m空間分辨率下的NDVI和NDIrer 2個植被指數(shù)與實測LAI的相關(guān)性比較高，決定系數(shù)R最高分別達(dá)到了0.802 8和0.661 6，而與GCI、RVI、NDIreg、RDVI 4個植被指數(shù)的決定系數(shù)均在0.3以下，相關(guān)性較弱，因此不具備根據(jù)這些植被指數(shù)估算植被冠層LAI的條件。通過對比表2中各植被指數(shù)的使用波段，相關(guān)性較低的指數(shù)與相關(guān)性較高的指數(shù)之間最大的差別是是否使用了綠波段。NDVI和NDIrer兩種植被指數(shù)沒有使用綠波段，其決定系數(shù)明顯高于其他植被指數(shù)。由此可知：綠波段對植被冠層LAI的變化不敏感，在進(jìn)行LAI反演時應(yīng)盡量避免使用綠波段。

試驗證明，在利用無人機(jī)影像進(jìn)行植被冠層LAI反演時，并不是分辨率越高越好，在選擇出正確的植被指數(shù)前提下，分辨率的選擇對反演精度的影響至關(guān)重要，因此根據(jù)植物種類及葉片的大小選擇合適分辨率的影像是保證反演精度的關(guān)鍵。

2.2 植被指數(shù)與葉綠素含量的關(guān)系分析

利用建模集中野外實測的玉米冠層葉綠素含量數(shù)據(jù)，分別與10種空間分辨率下的植被指數(shù)GCI、RDVI、RVI、NDVI、NDIrer、NDIreg做統(tǒng)計分析，分析冠層葉綠素含量與各植被指數(shù)的相關(guān)性，并選擇最優(yōu)空間分辨率的影像估算植被冠層葉綠素含量。各統(tǒng)計關(guān)系中相關(guān)關(guān)系如圖3所示。

圖3 植被指數(shù)與實測葉綠素含量的相關(guān)關(guān)系

由圖3a中各植被指數(shù)與實測葉綠素含量的決定系數(shù)2隨無人機(jī)影像分辨率增加的變化曲線可以看出，在0.1～0.3 m分辨率范圍內(nèi)，6種植被指數(shù)所對應(yīng)的決定系數(shù)均隨分辨率的增大變化不大，NDIreg、NDIrer、RDVI、RVI，4種植被指數(shù)的決定系數(shù)基本保持在0.5～0.7之間，相關(guān)性較高，但是當(dāng)分辨率處于0.4～1 m之間時，6種植被指數(shù)的決定系數(shù)迅速下降，基本處于0.2以下，不具備反演冠層葉綠素含量的條件。這是由于0.1 m約為該生長期單株玉米的葉寬大小，隨著分辨率的減小，像元的純凈度越低，圖像混合像元現(xiàn)象越嚴(yán)重，在采樣點的像元很難是只包含一個葉片的純像元，進(jìn)而造成相關(guān)性下降。隨著無人機(jī)遙感技術(shù)的快速發(fā)展，大多數(shù)的無人機(jī)原始影像分辨率都可以達(dá)到0.3 m以下，因此可以認(rèn)為高分辨率的無人機(jī)影像比較適合用來反演植被冠層葉綠素含量。

參考相關(guān)系數(shù)臨界值表[34]，當(dāng)樣本自由度為17時，相關(guān)系數(shù)的絕對值大于0.58時達(dá)到0.01顯著性水平，從圖3b中可以看出在0.1 m影像分辨率下NDIreg、NDIrer、RDVI、RVI 種植被指數(shù)與實測葉綠素含量相對含量的相關(guān)系數(shù)均達(dá)到了0.01顯著水平，完全具備利用植被指數(shù)反演玉米冠層葉綠素含量的條件。由圖3a中不同植被指數(shù)與實測葉綠素含量的統(tǒng)計關(guān)系可以看出，相關(guān)性較高的植被指數(shù)為0.1 m影像分辨率下的NDIreg、NDIrer、RDVI、RVI，決定系數(shù)分別為0.702、0.573、0.689 7、0.642 3，而NDVI和GCI兩個植被指數(shù)則相對較低，只在0.3左右。通過對比表2中各植被指數(shù)所使用的波段，這4個植被指數(shù)都使用了紅邊波段進(jìn)行計算。由于綠色植物的光譜曲線在680~760 nm的紅邊范圍內(nèi)為一條快速上升的曲線，這種現(xiàn)象是葉綠素對紅波段的吸收和對近紅外波段的多次散射造成的，而該段曲線會隨著葉綠素的增加和減少左右移動，成為“紅移”和“藍(lán)移”，因此植被在近紅外波段的變換隨著葉綠素含量的變化十分明顯，適合用來反演植被冠層葉綠素含量[35]。而近紅外波段則由于葉綠素的弱吸收對葉綠素含量的變化不太明顯，從而造成NDVI和GCI 2種植被指數(shù)的決定系數(shù)較低。由此可以認(rèn)為，紅邊波段有效提高了紅波段、綠波段對葉綠素含量估算的精度，紅邊波段對葉綠素變化十分敏感，而近紅外波段對葉綠素含量的變化不敏感，不適宜作為植被冠層葉綠素含量反演的主要波段。

2.3 LAI和葉綠素含量估算結(jié)果與分析

基于前文分析結(jié)果，0.6 m分辨率下的NDVI和0.1 m分辨率下的NDIreg分別與玉米冠層LAI和葉綠素含量具有較高的相關(guān)性，因此分別利用0.6 m分辨率下的NDVI和0.1 m分辨率下的NDIreg來反演玉米冠層LAI和葉綠素含量，反演得到研究區(qū)的玉米冠層LAI結(jié)果如圖4a所示，葉綠素含量結(jié)果如圖5a所示。為了驗證反演結(jié)果是否準(zhǔn)確，進(jìn)一步利用驗證數(shù)據(jù)集的地面實測數(shù)據(jù)與反演結(jié)果進(jìn)行精度驗證，玉米冠層LAI的驗證結(jié)果2為0.73，RMSE為0.326m2/m2，玉米冠層葉綠素含量的驗證結(jié)果2為0.63，RMSE為3.353。精度驗證結(jié)果表明0.6 m分辨率下的NDVI和0.1 m分辨率下的NDIreg不僅與實測LAI和葉綠素含量的相關(guān)性優(yōu)于其他植被指數(shù)，且反演結(jié)果具有較高的精度。

圖4 基于0.6 m分辨率影像NDVI的LAI反演結(jié)果及驗證

圖5 基于0.1 m分辨率影像NDIreg的玉米冠層葉綠素含量估算結(jié)果及驗證

3 討 論

本文通過對多種分辨率、多個植被指數(shù)與地面實測LAI和葉綠素含量的相關(guān)關(guān)系進(jìn)行試驗分析，得到了基于無人機(jī)影像反演玉米LAI與葉綠素含量的最優(yōu)分辨率，但試驗也存在一定的問題需要深入研究。

1）在本文中也發(fā)現(xiàn)實測值與植被指數(shù)之間的決定系數(shù)最高為0.7，造成本文中精度不高的原因有兩個，一是由于試驗田的面積限制，本次試驗的地面實測點不足；二是沒有對試驗田進(jìn)行整個生育期的多次試驗，有研究表明[36]，雖然在單個時期作物各參數(shù)之間相關(guān)性較差，但如果對整個生育期觀察，其相關(guān)性將會有顯著提高。以后的試驗將針對這些問題進(jìn)行改進(jìn)，以獲得更加精確的試驗結(jié)果。

2）本研究僅是對玉米做了研究，但反演LAI的最優(yōu)分辨率0.6 m與單株玉米的半徑比較接近，反演葉綠素含量的最優(yōu)分辨率與0.1 m的玉米葉寬比較接近，因此考慮最優(yōu)分辨率的選擇與其葉片大小存在一定的關(guān)聯(lián)。后期將對其他農(nóng)作物冠層LAI和葉綠素時的參數(shù)選擇做進(jìn)一步研究，以驗證該試驗結(jié)果對其他作物的適用性。

4 結(jié) 論

1）根據(jù)不同植被指數(shù)與玉米冠層LAI和葉綠素含量的統(tǒng)計關(guān)系可知：玉米冠層LAI與0.6 m圖像下的歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和歸一化紅邊紅指數(shù)（Normalized Difference rededge-red Index，NDIrer）兩個植被指數(shù)的相關(guān)性較大，而對于含有綠波段的植被指數(shù)，LAI的相關(guān)性較低，因此可以得到結(jié)論，玉米冠層LAI對綠波段不太敏感；玉米冠層葉綠素含量與0.1 m分辨率下的歸一化紅邊綠指數(shù)（Normalized Difference rededge-green Index，NDIreg)、NDIrer、比值植被指數(shù)（Ratio Vegetation Index，RVI）、重歸一化植被指數(shù)(Renormalized Difference Vegetation Index，RDVI）4個植被指數(shù)相關(guān)系數(shù)在0.5以上，這4個植被指數(shù)中均使用了紅邊波段，并且與只有紅邊和綠波段組成的NDIreg植被指數(shù)的決定系數(shù)達(dá)到了最大的0.7，因此可以得出結(jié)論，紅邊波段對玉米冠層葉綠素含量的變化十分敏感。

2）UAV影像的分辨率影響LAI和葉綠素含量的估算精度，但并不都是空間分辨率越高越好，對于不同的參量必須選擇最優(yōu)的空間分辨率影像才能得到高精度的估算結(jié)果。根據(jù)本文的試驗結(jié)果，可以認(rèn)為當(dāng)影像分辨率在0.6 m左右時，對玉米冠層LAI的反演效果較好；當(dāng)影像分辨率小于0.3 m時，對玉米冠層的葉綠素含量估算效果較好，且在接近玉米葉寬的0.1 m分辨率時達(dá)到最優(yōu)。

[1] 劉剛，許宏健，馬海濤，等. 無人機(jī)航測系統(tǒng)在應(yīng)急服務(wù)保障中的應(yīng)用與前景[J]. 測繪與空間地理信息，2011，34(4)：177-179.

Liu Gang, Xu Hongjian, Ma Haitao, et al. Unmanned aerial system applications and prospects in the protection of emergency services[J]. Geomatics & Spatial Information Technology, 2011, 34(4): 177-179. (in Chinese with English abstract)

[2] 楊貴軍，李長春，于海洋，等. 農(nóng)用無人機(jī)多傳感器遙感輔助小麥育種信息獲取[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(21)：184-190.

Yang Guijun, Li Changchun, Yu Haiyang, et al. UAV based multi-load remote sensing technologies for wheat breeding information acquirement[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(21): 184-190. (in Chinese with English abstract)

[3] 沈占鋒，駱劍承，郜麗靜，等. 不同尺度下高分辨率遙感影像道路信息提取[J]. 四川師范大學(xué)學(xué)報：自然科學(xué)版，2009，32(6)：812-815.

Shen Zhanfeng, Luo Jiancheng, Gao Lijing, et al. Road information extraction from high-resolution remote sensing image in different research scales[J]. Journal of Sichuan Normal University: Natural Science, 2009, 32(6): 812-815. (in Chinese with English abstract)

[4] 陳永林，孫永光，康婧，等. 不同尺度下紅樹景觀格局與葉面積指數(shù)的空間分異及表征關(guān)系[J]. 生態(tài)科學(xué)，2017，36(6)：98-106.

Chen Yonglin, Sun Yongguang, Kang Jing, et al. Phenetic correlation analasis on the spatial differentiation of mangrove landscape pattern and leaf area index at different scales[J]. Ecological Science, 2017, 36(6): 98-106. (in Chinese with English abstract)

[5] 李丹丹，劉佳，周清波，等. 尺度變化對油菜種植面積遙感監(jiān)測精度的影響[J]. 中國農(nóng)業(yè)資源與區(qū)劃，2014，35(6)：85-92.

Li Dandan, Liu Jia, Zhou Qingbo, et al. Influence of scale variation on precision of rapeseed acreage remote sensing monitoring[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2014, 35(6): 85-92. (in Chinese with English abstract)

[6] 黃健熙，李昕璐，劉帝佑，等. 順序同化不同時空分辨率LAI的冬小麥估產(chǎn)對比研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2015，46(1)：240-248.

Huang Jianxi, Li Xinlu, Liu Diyou, et al. Comparison of winter wheat yield estimation by sequential assimilation of different spatio-temporal resolution remotely sensed LAI datasets[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 240-248. (in Chinese with English abstract)

[7] 劉軻，周清波，吳文斌，等. 基于多光譜與高光譜遙感數(shù)據(jù)的冬小麥葉面積指數(shù)反演比較[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(3)：155-162.

Liu Ke, Zhou Qingbo, Wu Wenbin, et al. Comparison between multispectral and hyperspectral remote sensing for LAI estimation[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2016, 32(3): 155-162. (in Chinese with English abstract)

[8] 梁亮，楊敏華，張連蓬，等. 基于SVR算法的小麥冠層葉綠素含量高光譜反演[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(20)：162-171.

Liang Liang, Yang Minhua, Zhang Lianpeng, et al. Chlorophyll content inversion with hyperspectral technology for wheat canopy based on support vector regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(20): 162-171. (in Chinese with English abstract)

[9] 張明政，蘇偉，王瑞燕. 基于地基激光雷達(dá)與Landsat8影像的玉米LAI反演[J]. 中國激光，2015，42(11)：240-246.

Zhang Mingzheng, Su Wei, Wang Ruiyan. Inversion of corn leaf area index using terrestrial laser scanning data and Landsat8 image[J]. Chinese Journal of Lasers, 2015, 42(11): 240-246. (in Chinese with English abstract)

[10] 蘇偉，侯寧，李琪，等. 基于Sentinel-2遙感影像的玉米冠層葉面積指數(shù)反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2018，49(1)：151-156.

Su Wei, Hou Ning, Li Qi, et al. Retrieving leaf area index of corn canopy based on Sentinel-2 remote sensing image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018，49(1)：151-156. (in Chinese with English abstract)

[11] Huang Jianxi, Tian Liyan, Liang Shunlin, 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 & Forest Meteorology, 2015, 204: 106-121.

[12] Huang Jianxi, Ma Hongyuan, Su Wei, et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2015, 8(8): 4060-4071.

[13] 邵田田. 玉米葉綠素和LAI的高光譜遙感模型研究[D]. 吉林：中國科學(xué)院研究生院（東北地理與農(nóng)業(yè)生態(tài)研究所），2012.

[14] 譚昌偉，王紀(jì)華，趙春江，等. 利用Landsat TM遙感數(shù)據(jù)監(jiān)測冬小麥開花期主要長勢參數(shù)[J]. 農(nóng)業(yè)工程學(xué)報，2011，27(5)：224-230.

Tan Chanwei, Wang Jihua, Zhao Chunjiang, et al. Monitoring wheat main growth parameters at anthesis stage by Landsat TM[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2011, 27(5): 224-230. (in Chinese with English abstract)

[15] 李粉玲，王力，劉京，等. 基于高分一號衛(wèi)星數(shù)據(jù)的冬小麥葉片SPAD值遙感估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2015，46(9)：273-281.

Li Fenling, Wang Li, Liu Jing, et al. Remote sensing estimation of SPAD value for wheat leaf based on GF-1 data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9): 273-281. (in Chinese with English abstract)

[16] 蘇偉，趙曉鳳，孫中平，等. 基于Sentinel-2A影像的玉米冠層葉綠素含量估算[J]. 光譜學(xué)與光譜分析，2019，39(5)：213-220.

Su Wei, Zhao Xiaofeng, Sun Zhongping, et al. Estimating the corn canopy chlorophyll content using the Sentinel-2A image[J]. Spectroscopy and Spectral Analysis, 2019, 39(5): 213-220. (in Chinese with English abstract)

[17] Wang Lijun, Dong Taifeng, Zhang Guiming, et al. LAI retrieval using PROSAIL model and optimal angle combination of multi-angular data in wheat[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2013,6(3):1730-1736.

[18] 蘇偉，郭皓，趙冬玲，等. 基于優(yōu)化PROSAIL葉傾角分布函數(shù)的玉米LAI反演方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2016，47(3)：234-241.

Su Wei, Guo Hao, Zhao Dongling, et al. Leaf area index retrivel for maize canopy using optimized leaf angle distribution function of PROSAIL model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 234-241. (in Chinese with English abstract)

[19] 谷成燕，杜華強(qiáng)，周國模，等. 基于PROSAIL輻射傳輸模型的毛竹林葉面積指數(shù)遙感反演[J]. 應(yīng)用生態(tài)學(xué)報，2013，24(8)：2248-2256.

Gu Chengyan, Du Huaqiang, Zhou Guomo, et al. Retrieval of leaf area index of moso bamboo forest with landsat thematic mapper image based on PROSAIL canopy radiative transfer model[J]. Chinese Journal of Applied Ecology, 2013, 24(8): 2248-2256. (in Chinese with English abstract)

[20] 李淑敏，李紅，孫丹峰，等. PROSAIL冠層光譜模型遙感反演區(qū)域葉面積指數(shù)[J]. 光譜學(xué)與光譜分析，2009，29(10)：2725-2729.

Li Shumin, Li Hong, Sun Danfeng, et al. Estimation of regional leaf area index by remote sensing inversion of PROSAIL canopy spectral model[J]. Spectroscopy and Spectral Analysis, 2009, 29(10): 2725-2729. (in Chinese with English abstract)

[21] 宋波，趙秋月. 無人機(jī)低空攝影測量技術(shù)獲取高分辨率基礎(chǔ)地形和遙感影像資料：以Pix4Dcapture、Pix4Dmapper軟件和DJI Mavic Pro無人機(jī)為例[J]. 地理教學(xué)，2019(2)：51-53.

Song Bo, Zhao Qiuyue. UAV low-altitude photogrammetry technology to obtain high-resolution basic terrain and remote sensing image data-taking Pix4Dcapture, Pix4Dmapper software and DJI Mavic Pro drone as examples[J]. Geography Teaching, 2019(2): 51-53. (in Chinese with English abstract)

[22] Daughtry C S T, Walthall C L, Kim M S, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment, 2000, 74(2): 229-239.

[23] Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the great plains with ERTS[J]. Nasa Special Publication, 1974, 351: 309.

[24] Haboudane D, Miller J R, Tremblay N, et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environment, 2002, 81(2): 416-426.

[25] Juh E, Long D S, Gessler P E, et al. Combined spectral index to improve ground-based estimates of nitrogen status in dryland wheat[J]. Agronomy Journal, 2008, 100(6): 1694-1702.

[26] Eraymondjr H, Cst D, Januh E, et al. Remote sensing leaf chlorophyll content using a visible band index[J]. Agronomy Journal, 2011, 103(4): 1090-1099

[27] Hunt Jr E R, Doraiswamy P C, McMurtrey J E, et al. A visible band index for remote sensing leaf chlorophyll content at the;canopy scale[J]. International Journal of Applied Earth Observations and Geoinformation, 2013, 21(1): 103-112.

[28] Gitelson A A, Vi?a A, Ciganda V, et al. Remote estimation of canopy chlorophyll content in crops[J]. Geophysical Research Letters, 2005, 32(8): 93-114.

[29] Nigon T J, Mulla D J, Rosen C J, et al. Evaluation of the nitrogen sufficiency index for use with high resolution, broadband aerial imagery in a commercial potato field[J]. Precision Agriculture, 2014, 15(2): 202-226.

[30] Nguy-Robertson A, Gitelson A, Peng Y, et al. Green leaf area index estimation in maize and soybean: Combining vegetation indices to achieve maximal sensitivity[J]. Agronomy Journal, 2012, 104(5): 1336-1347.

[31] Nguy-Robertson A L, Peng Y, Gitelson A A, et al. Estimating green LAI in four crops: Potential of determining optimal spectral bands for a universal algorithm[J]. Agricultural & Forest Meteorology, 2014, 192/193: 140-148.

[32] 方燦瑩，王琳，徐涵秋. 不同植被紅邊指數(shù)在城市草地健康判別中的對比研究[J]. 地球信息科學(xué)學(xué)報, 2017，19(10)：1382-1392.

Fang Canying, Wang Lin, Xu Hanqiu. A comparative study of different red edge indices for remote sensing detection of urban grassland health status[J]. Journal of Geo-Information Science, 2017, 19(10): 1382-1392. (in Chinese with English abstract)

[33] Delegido J, Verrelst J, Alonso L, et al. Evaluation of Sentinel-2 red-edge bands for empirical estimation of green LAI and chlorophyll content[J]. Sensors, 2011, 11(7): 7063-7081.

[34] 周永宏，鄭大偉. 相關(guān)系數(shù)檢驗表的新算法[J]. 中國科學(xué)院上海天文臺年刊，1997，18：18-23.

Zhou Yonghong, Zheng Dawei. A new calculation method of correlation coefficient test table[J]. Annual of Shanghai Astronomical Observatory, Chinese Academy of Sciences, 1997, 18: 18-23. (in Chinese with English abstract)

[35] Tang Yanlin, Wang Xiuzhen, Wang Renchao. Study on the hyperspectral and their red edge characteristics of corn[J]. Journal of Mountain Agriculture and Biology, 2003, 22(3): 189-194.

[36] Madec S, Baret F, Solan B D, et al. High-throughput phenotyping of plant height: Comparing unmanned aerial vehicles and ground LiDAR estimates[J]. Frontiers in Plant Science, 2017, (8): 2002-2016.

Determining the retrieving parameters of corn canopy LAI and chlorophyll content computed using UAV image

Su Wei1,2, Wang Wei1,2, Liu Zhe1,2, Zhang Mingzheng1,2, Bian Dahong3, Cui Yanhong3, Huang Jianxi1,2

(1. College of Land Science and Technology, China Agricultural University, Beijing 100083, China;2. Key Laboratory of Remote Sensing for Agri-Hazards, Ministry of Agriculture, Beijing 100083, China;3.College of Agriculture, Hebei Agricultural University, Baoding 071001, China)

The small low-altitude unmanned aerial vehicle (UAV) is flexible and easy to operate, which can be used to acquire high spatial resolution images with centimeter level. It is an important technical way for phenotyping the breeding corn. In order to determine the retrieving parameters of the corn canopy leaf area index (LAI) and chlorophyll content computed by UAV images, the DJI S1000+ UAV platform with the French Parrot Sequoia camera was used to obtain multispectral images in Yacheng corn breeding base, Sanya City, Hainan Province in this study. Six different kinds of vegetation indices were used in computing the corn canopy LAI and chlorophyll content , each vegetation index was obtained from images with 10 spatial resolutions ranging from 0.1 to 1 m. The vegetation indices used in this study were the normalized difference vegetation index (NDVI), grassland chlorophyll index (GCI), ratio vegetation index (RVI), normalized difference rededge-red index (NDIrer), normalized difference rededge-green index (NDIreg) and renormalized difference vegetation index (RDVI). The correlation analysis between different vegetation indices from different resolutions images and in-situ measured LAI was done to select the optimal spatial resolution and optimal vegetation index for computing corn canopy LAI, and in similar for chlorophyll content. The study results revealed that the NDVI from image with 0.6 m spatial resolution was the optimal selection for LAI computing, where the correlation coefficient2between NDVI and the in-situ measured LAI was 0.80 with a2of 0.73 for verification. And the highest correlation coefficient2between NDIreg from image with 0.1m spatial resolution and in-situ measured chlorophyll content is 0.70, with a2of 0.63 for verification. The conclusions of this study were as followed: 1) The selection of vegetation index: ① For the corn canopy LAI computing, the vegetation indices without green band were higher than that with green band, which revealed that the green band was not sensitive to LAI; ② For corn canopy chlorophyll content computing, the vegetation indices including the red edge band were higher than that without red edge band, which revealed that the red edge band was very sensitive to chlorophyll content. 2) The spatial resolution selection for UAV image: the optimal resolution for LAI computing was 0.6 m when the correlation coefficient between NDVI and measured LAI reached the maximum; the optimal resolution for canopy chlorophyll content computing was 0.1-0.3 m when the correlation coefficient between NDIreg and in-situ measured chlorophyll content reached the maximum. This study can be used to give the reference for spatial resolution selection and vegetation index selection for corn canopy LAI and chlorophyll content computing by UAV image.

crops; unmanned aerial vehicle; models; vegetation index; LAI; chlorophyll content; resolution; red edge band

蘇 偉，王 偉，劉 哲，等.無人機(jī)影像反演玉米冠層LAI和葉綠素含量的參數(shù)確定[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(19)：58-65.doi：10.11975/j.issn.1002-6819.2020.19.007 http://www.tcsae.org

Su Wei, Wang Wei, Liu Zhe, et al. Determining the retrieving parameters of corn canopy LAI and chlorophyll content computed using UAV image [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(19): 58-65. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.19.007 http://www.tcsae.org

2018-12-20

2020-09-11

國家自然科學(xué)基金（41671433，41371434）；國家重點研發(fā)計劃（2017YFD0300903）

蘇偉，副教授，博士生導(dǎo)師，主要從事農(nóng)業(yè)遙感應(yīng)用研究。Email：suwei@cau.edu.cn

10.11975/j.issn.1002-6819.2020.19.007

TP79

A

1002-6819(2020)-19-0058-08