劉 楊，馮海寬，黃 玨，楊福芹，吳智超，孫 乾，楊貴軍

1. 農(nóng)業(yè)部農(nóng)業(yè)遙感機理與定量遙感重點實驗室，北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097 2. 山東科技大學測繪科學與工程學院，山東 青島 266590 3. 國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097 4. 北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京 100097 5. 河南工程學院土木工程學院，河南 鄭州 451191

引 言

地上生物量(AGB)是作物長勢監(jiān)測和產(chǎn)量預測的重要指標，其周期性變化能夠很好地反映作物的生長情況和營養(yǎng)狀況[1-3]。因此快速、準確、高效率地獲取AGB信息對農(nóng)業(yè)管理實施決策方案起到重要的作用。傳統(tǒng)的測量手段雖能高精度獲取作物參數(shù)信息，但田間調(diào)查往往對作物造成破壞，不僅消耗人力和物力，且應用范圍有限，難以大面積的推廣應用[4]。

遙感技術(shù)憑借其大尺度、實時動態(tài)和高通量等優(yōu)勢在農(nóng)業(yè)監(jiān)測方面得到廣泛的關注[5]。無人機遙感平臺相比航空航天遙感，具有受限條件少且機動性強，獲取的影像分辨率更高，運營成本更低等優(yōu)勢，故而在農(nóng)田管理方面得到重用[6-7]。目前，無人機搭載的多為數(shù)碼和多光譜相機，其傳感器波段少，而高光譜傳感器所含波段數(shù)量較多，光譜分辨率較高，能夠獲取作物冠層大量的光譜信息，從而可以有效地估算作物長勢，為精準農(nóng)業(yè)管理提供了可靠手段。Yue等[8]利用無人機高光譜影像，基于植被指數(shù)以及植被指數(shù)融入株高數(shù)據(jù)采用PLSR對冬小麥每個生育期的AGB進行反演，結(jié)果表明融入株高數(shù)據(jù)的反演模型精度更高。尼加提·卡斯木等[9]利用無人機高光譜影像數(shù)據(jù)，基于16個光譜特征參數(shù)與春小麥葉綠素含量進行相關性分析，挑選出以820～940 nm的最大反射率及反射率總和利用PLSR方法進行建模的精度最高，R2達到了0.80。秦占飛等[10]利用無人機高光譜影像，基于高光譜影像指數(shù)和偏最小二乘方法估測引黃灌區(qū)水稻葉片全氮含量，結(jié)果表明以波段738和522 nm處一階微分光譜構(gòu)建的比值光譜指數(shù)(ratio spectral index，RSI)進行構(gòu)建的模型精度最高。Tao等[11]利用無人機高光譜影像數(shù)據(jù)，基于植被指數(shù)、紅邊參數(shù)以及二者結(jié)合采用PLSR和SWR估算冬小麥AGB，結(jié)果表明植被指數(shù)結(jié)合紅邊參數(shù)能夠提高模型反演精度。劉暢等[12]利用無人機高光譜影像，基于植被指數(shù)和紋理特征相結(jié)合形成“圖-譜”融合指標采用逐步回歸法估算冬小麥AGB的模型精度高于單一植被指數(shù)或者單一紋理特征所構(gòu)建的AGB模型。Li等[13]利用無人機高光譜影像，基于植被指數(shù)和植被指數(shù)中融入株高采用PLSR和RF對馬鈴薯AGB進行反演，得出2種方法都以融入株高的模型進行反演精度較高。以上研究對于光譜細節(jié)變換及以多個特征參數(shù)來進行建模相對較少，這可能造成高光譜數(shù)據(jù)無法充分利用，進而模型精度受到一定的制約。本文以馬鈴薯為研究對象，利用無人機高光譜冠層數(shù)據(jù)，提取馬鈴薯株高，并結(jié)合地上實測生物量分析馬鈴薯不同生育期的光譜特征，利用高光譜特征參數(shù)(HCPs)、最優(yōu)綠邊參數(shù)(OGEPs)和基于DSM提取的馬鈴薯株高(Hdsm)3種參數(shù)以PLSR和RF進行建模，以期深度挖掘光譜信息并進一步提高馬鈴薯地上生物量估算精度，為精準農(nóng)業(yè)定量化遙感提供技術(shù)手段。

1 實驗部分

1.1 研究區(qū)域與試驗設計

于2019年3月到7月在北京市昌平區(qū)小湯山鎮(zhèn)國家精準農(nóng)業(yè)研究示范基地的馬鈴薯試驗田開展試驗。該處位于北緯40°10′34″，東經(jīng)116°26′39″，平均海拔高度為36 m，氣候類型為暖溫帶半濕潤大陸性季風氣候，年均降水量約為640 mm，年均溫度約為10 ℃，年均無霜期180 d。如圖1所示，試驗區(qū)共設密度試驗(N區(qū))、氮素試驗(S區(qū))、鉀肥試驗(K區(qū))3個試驗區(qū)，采用完全隨機試驗設計，N區(qū)和S區(qū)均設2個試驗品種，分別為中薯5(P1)和中薯3(P2)，均為早熟品種，K區(qū)設1個試驗品種為中薯3。密度試驗設3個水平： 60 000株·hm-2(T1)、72 000株·hm-2(T2)、84 000株·hm-2(T3)，處理6個，每個處理重復3次，共18個試驗小區(qū)； 氮素試驗設4個水平： 0 kg尿素·hm-2(N0)、244.65 kg尿素·hm-2(N1)、489.15 kg尿素·hm-2(N2,正常處理，15 kg純氮)、733.5 kg尿素·hm-2(N3)，處理8個，每個處理重復3次，共24個試驗小區(qū)； 鉀肥試驗設2個水平： 0 kg鉀肥·hm-2(K0)、970.5 kg鉀肥·hm-2(K1，N區(qū)和S區(qū)均為K1處理)、1 941 kg鉀肥·hm-2(K2)，處理2個，每個處理重復3次，共6個試驗小區(qū)； 小區(qū)總計48個，小區(qū)面積為6.5 m×5 m。為了更好的獲取試驗田的DSM，本試驗在試驗小區(qū)周圍均勻布控11個GCP(k1—k11由0.3 m×0.3 m的木板和埋于地下的木樁組成，其上有黑白標志的塑料板，目的是準確確定木板的中心位置)并用差分GPS測定其三維空間位置。

圖1 馬鈴薯試驗位置和試驗設計Fig.1 The experimental area and design of potatoes

1.2 地面數(shù)據(jù)獲取

分別獲取馬鈴薯現(xiàn)蕾期(2019年5月13日)、塊莖形成期(2019年5月28日)、塊莖增長期(2019年6月10日)、淀粉積累期(2019年6月20日)、成熟期(2019年7月03日)5個關鍵時期的株高和生物量數(shù)據(jù)。其中馬鈴薯株高的觀測方法為： 在每個小區(qū)中隨機選取具有代表性的4顆植株，分別用直尺測量從莖基到葉頂端的距離，取其均值作為該小區(qū)的實測株高。馬鈴薯地上生物量通過收獲法獲取，在每個小區(qū)中選取代表性的3顆植株，將其莖葉分離，隨后用清水洗凈，105 ℃殺青，80 ℃烘干48 h以上，直到質(zhì)量恒定再進行稱重。將植株莖、葉的干質(zhì)量總和進行相加，最后根據(jù)種植密度和樣本干重換算成單位面積的馬鈴薯地上生物量[14]。

1.3 無人機高光譜數(shù)據(jù)獲取及處理

利用無人機搭載的德國Cubert公司生產(chǎn)的UHD185機載成像光譜儀分別獲取裸土期(2019年4月20日)至成熟期的高光譜影像，該傳感器大小為195 nm×67 nm×60 nm，質(zhì)量470 g，波譜范圍為450～950 nm，共有125個光譜通道，采樣間隔4 nm，光譜分辨率8 nm，數(shù)字分辨率12位。選擇晴朗無云的天氣進行拍攝，此時太陽光照強度穩(wěn)定。飛行時間10:30—14:00，無人機的飛行高度為50 m。

無人機獲取的高光譜數(shù)據(jù)處理主要包括幾何校正、影像拼接、影像融合和光譜提取4部分組成。首先將航帶內(nèi)的灰度影像和地面11個控制點導入到俄羅斯Agisoft LLC公司的PhotoScan軟件中，利用GCP的三維坐標信息進行幾何校正，進而生成密集點云完成影像拼接； 其次通過Cubert-Pilot軟件，進行高光譜與灰度影像融合； 最后在Arcmap10.2軟件中,繪制馬鈴薯每個小區(qū)矢量數(shù)據(jù)，基于IDL語言統(tǒng)計每個小區(qū)平均光譜作為馬鈴薯冠層光譜，得到高光譜反射率數(shù)據(jù)。

1.4 植被指數(shù)和綠邊參數(shù)選取

植被指數(shù)(vegetation indexs,VIs)就是將高光譜不同波段反射率進行組合，來消除或者降低背景環(huán)境對冠層光譜信息的影響。根據(jù)文獻構(gòu)建了SAVI*SR，所得效果較好，由于指數(shù)SRI和SR性質(zhì)相似，且對于作物冠層光譜信息較為敏感，本文新構(gòu)建了植被指數(shù)SAVI*SRI?？梢?近紅外形成的藍邊、綠邊、黃邊和紅邊等特征參數(shù)是區(qū)別植被與背景的特有參數(shù)，因此可以用來估測作物的長勢參數(shù)[15]。本文以502～554 nm作為綠邊區(qū)域，提取綠邊最大反射率、綠邊反射率總和、綠邊位置、綠邊面積、綠邊振幅、最小振幅和綠邊振幅/最小振幅，將這7個綠邊參數(shù)與挑選的12個植被指數(shù)一起作為模型因子估算馬鈴薯的AGB，選取的模型參數(shù)如表1所示。

表1 選取的模型參數(shù)Table 1 Modeling parameters selected

1.5 分析方法

馬鈴薯株高的提取，即利用試驗田的灰度影像，結(jié)合GCP，借助PhotoScan軟件生成試驗田的DSM，通過將馬鈴薯不同生育期的DSMi(i=1,2,3,4,5)與播種后至出苗前的裸土時期之間的DSM0作差運算，可以得到相應生育期馬鈴薯的株高Hi。計算公式見式(1)

Hi=DSMi-DSM0(i=1,2,3,4,5)

(1)

式(1)中： DSM0，DSM1，DSM2，DSM3，DSM4和DSM5分別代表裸土期、現(xiàn)蕾期、塊莖形成期、塊莖增長期、淀粉積累期、成熟期的高程；H1，H2，H3，H4和H5分別代表各生育期的提取株高。

本文估算馬鈴薯不同生育期AGB時，所采用的方法為偏最小二乘(partial least square regression,PLSR)和隨機森林(random forest,RF)。PLSR是利用了多元線性回歸、典型相關分析和主成分分析結(jié)合為一體，可以提供一種多對多的線性回歸建模方法，能夠消除自變量之間的相關性，使得用較少數(shù)據(jù)來估測因變量。RF是一種機器學習方式，通過多個決策樹建立分類器，以bootstrap取樣方式對訓練樣本集進行抽樣調(diào)查，最后以多個決策樹對訓練樣本進行預測。本工作的輸入數(shù)據(jù)為3種參數(shù)，輸出結(jié)果為馬鈴薯的地上生物量。

1.6 精度評價

每個生育期分別挑選2/3樣本數(shù)據(jù)(32個，重復1和重復2)作為建模集，1/3樣本數(shù)據(jù)(16個，重復3)作為驗證集以此來構(gòu)建馬鈴薯生物量估算模型。采用決定系數(shù)(coefficient of determination,R2)、均方根誤差(root mean square error,RMSE)、標準均方根誤差(normalized root mean square error,NRMSE)來評價模型的精度。R2越接近于1，RMSE和NRMSE越低，估測模型的精度就越高。

2 結(jié)果與討論

2.1 馬鈴薯株高的提取

根據(jù)DSM結(jié)合GCP信息，分別得到馬鈴薯現(xiàn)蕾期、塊莖形成期、塊莖增長期、淀粉積累期和成熟期的估測株高(Hdsm)，其結(jié)果分布如圖2所示。5個生育期共得到240個馬鈴薯株高數(shù)據(jù)，將提取的株高與實測的馬鈴薯株高進行對比分析可知，基于DSM提取的馬鈴薯株高Hdsm和實測株高H，R2達到了0.84，NRMSE為15.67%，其值處于10%～20%之間，說明提取的株高Hdsm精度較高，對馬鈴薯生物量能夠較好的估測。因此，利用基于DSM提取的馬鈴薯株高進行相關研究。

圖2 馬鈴薯不同生育期的株高空間分布Fig.2 Spatial distribution of height at different growth stages of potato

2.2 相關性分析

2.2.1 一階微分光譜

除了常見的波段組合形成的植被指數(shù)外，光譜微分等變換形式也可以形成光譜特征參數(shù)。一階微分代表反射率的變化，即波長的斜率，可以去除部分線性背景噪聲對作物冠層光譜的影響，高光譜含有波段數(shù)量較多，適合對其進行一階微分處理。馬鈴薯5個生育期的一階微分光譜與AGB的相關性如圖3所示?，F(xiàn)蕾期，在554～582，862～950和702～774 nm波段區(qū)間內(nèi)AGB分別與一階微分光譜呈極顯著負、正相關，相關性最好的波段為554，906和742 nm，其相關系數(shù)值分別為-0.59，-0.65和0.65。由于與AGB相關的光譜反射率波段為可見光波段，因此，在554～582和702～774 nm區(qū)間內(nèi)，選取波谷554 nm和波峰742 nm作為敏感特征參數(shù)估算馬鈴薯的AGB。塊莖形成期，在550～578，782～810，838～862，866～950 nm和658～674，698～774 nm波段區(qū)間內(nèi)AGB分別與一階微分光譜呈極顯著負、正相關，相關性最好的波段為558，802，850，946 nm和670，718 nm，其相關系數(shù)值分別為-0.66，-0.59，-0.60，-0.69和0.49，0.72。在其他波段處，還存在一些離散點呈極顯著負相關。因此，在可見光550～578，658～674和698～774 nm區(qū)間內(nèi)，選取波谷558 nm，波峰670nm和波峰718 nm作為敏感特征參數(shù)估算馬鈴薯的AGB。塊莖增長期，在550～646，786～830，846～950 nm和518～530，686～778 nm波段區(qū)間內(nèi)AGB分別與一階微分光譜呈極顯著負、正相關，相關性最好的波段為570，806，950 nm和526，742 nm，其相關系數(shù)值分別為-0.69，-0.61，-0.73和0.52，0.75。在其他波段處，還存在一些離散點呈極顯著負相關。因此，在可見光518～530，550～646和686～778 nm區(qū)間內(nèi)，選取波峰526，波谷570 nm和波峰742 nm作為敏感特征參數(shù)估算馬鈴薯的AGB。淀粉積累期，在558～626，634～666，814～826，858～950 nm和514～538，682～786 nm波段區(qū)間內(nèi)AGB分別與一階微分光譜呈極顯著負、正相關，相關性最好的波段為570，642，818，922和518 nm和722 nm，其相關系數(shù)值分別為-0.68，-0.67，-0.57，-0.76和0.49和0.76。因此，在可見光514～538，682～786，558～626和634～666 nm區(qū)間內(nèi)，選取波峰518 nm，波峰722 nm，波谷570 nm和波谷642 nm作為敏感特征參數(shù)估算馬鈴薯的AGB。成熟期，在522～542 nm范圍內(nèi)AGB與一階微分光譜呈極顯著負相關，相關性最好的波段為526 nm，相關系數(shù)為-0.44。在570～682 nm范圍內(nèi)，除了個別波段未達到極顯著相關外，其余波段的一階微分光譜與AGB呈極顯著正相關，相關性最好的波段為622 nm，相關系數(shù)為0.59。

圖3 馬鈴薯AGB與不同光譜參數(shù)的相關性Fig.3 Correlation analysis of different spectral parameters with potato AGB

2.2.2 植被指數(shù)和綠邊參數(shù)

將挑選的12種植被指數(shù)和7個綠邊參數(shù)，分別與馬鈴薯不同生育期的AGB進行相關性分析，結(jié)果見表2所示。根據(jù)表2可知，19種光譜參數(shù)與馬鈴薯5個生育期的AGB絕大多數(shù)達到極顯著水平(p<0.01)，各生育期光譜參數(shù)與AGB的相關系數(shù)有所波動，差異性明顯，整體上5個生育期的綠邊參數(shù)與AGB的相關性要遠弱于植被指數(shù)的相關性?，F(xiàn)蕾期，所有植被指數(shù)均呈現(xiàn)顯著相關(p<0.05)，相關性最高的植被指數(shù)為MSR，相關系數(shù)是0.675，本工作構(gòu)建的植被指數(shù)SAVI*SRI的相關系數(shù)是0.669，相關性位于第3位； 綠邊參數(shù)除了GEP，SDr和Dr未達到顯著相關外，其余綠邊參數(shù)均達到極顯著相關，相關性最好的綠邊參數(shù)為Rsum，相關系數(shù)是-0.586。塊莖形成期，所有植被指數(shù)均達到極顯著相關(p<0.01)，相關性最好的植被指數(shù)是PSRIII，相關系數(shù)為-0.727，新構(gòu)建的植被指數(shù)的相關系數(shù)為0.672，僅次于極顯著最高相關的PSRIII； 綠邊參數(shù)除了GEP，SDr和Dr/Drmin未達到顯著相關外，其余參數(shù)均達到顯著相關，相關性最好的綠邊參數(shù)為Drmin，相關系數(shù)是-0.545。塊莖增長期，所有植被指數(shù)與AGB均達到極顯著相關，相關性最高的植被指數(shù)為MSAVI，相關系數(shù)是0.730，新構(gòu)建的植被指數(shù)相關系數(shù)為0.710，相關性位于第9位； 綠邊參數(shù)除了GEP和Dr未達到顯著相關外，其余參數(shù)均達到顯著相關，相關性最高的參數(shù)為Rsum，相關系數(shù)是-0.668。淀粉積累期，所有植被指數(shù)與AGB均達到極顯著

表2 現(xiàn)蕾期、塊莖形成期、塊莖增長期、淀粉積累期、成熟期的相關性Table 2 Correlation of bud period,tuber form period,tuber grow period,starch store and maturity stages

相關，相關性最高的是SPVI，相關系數(shù)為0.756，本文構(gòu)建的植被指數(shù)相關系數(shù)為0.735，相關性位于第6位； 綠邊參數(shù)除了GEP未達到顯著相關外，其余參數(shù)均達到極顯著相關，相關性最高的綠邊參數(shù)為Rsum，相關系數(shù)是-0.644。成熟期，植被指數(shù)與AGB的相關性在整個生育期最低，除了MSAVI，SRI，SAVI和MSR未達到顯著相關外，其余植被指數(shù)均達到顯著相關，相關性最高的是本文所構(gòu)建的SAVI*SRI，相關系數(shù)為0.529； 綠邊參數(shù)只有Rmax，SDr和Dr與AGB達到顯著相關，相關性最高的是SDr，相關系數(shù)為-0.447。

2.2.3 敏感波段及光譜參數(shù)確定

為了盡可能避免高光譜特征參數(shù)之間的共線性，將每個生育期的一階微分光譜、VIs和GEPs與馬鈴薯AGB相關系數(shù)絕對值按從大到小依次排列，篩選出每個生育期與AGB達到極顯著水平的前7個高光譜特征參數(shù)和最優(yōu)綠邊參數(shù)，結(jié)果見表3所示。由表可知，構(gòu)建的SAVI*SRI除了在塊莖增長期未能作為模型因子外，在其他生育期均參與模型構(gòu)建，表明本文構(gòu)建的植被指數(shù)與AGB相關性較好。相比不同生育期，成熟期的前7個高光譜特征參數(shù)和綠邊參數(shù)與AGB的相關性明顯弱于前4生育期； 且每個生育期通過一階微分光譜分別得到可見光范圍內(nèi)的較優(yōu)微分光譜，說明微分光譜技術(shù)適合高光譜數(shù)據(jù)的處理。

表3 敏感光譜參數(shù)的相關性Table 3 Correlation of sensitive spectral parameters

2.3 馬鈴薯生物量模型建立與驗證

每個生育期以馬鈴薯AGB為因變量，通過PLSR和RF兩種方法利用HCPs(x1)、HCPs加OGEPs(x2)以及HCPs、OGEPs和Hdsm(x3)3種模型自變量分別構(gòu)建馬鈴薯現(xiàn)蕾期、塊莖形成期、塊莖增長期、淀粉積累期和成熟期的AGB估算模型，并計算每種模型的精度評價指標，結(jié)果見表4所示。由表可知，每個生育期利用PLSR和RF兩種方法以x1，x2和x3為自變量估算AGB，其效果逐漸變好，2種方法都以x3為因子的模型精度最高。從AGB模型的精度評價指標看，每個生育期利用兩種方法構(gòu)建的模型NRMSE值絕大多數(shù)在20%以內(nèi)，說明構(gòu)建的模型穩(wěn)定。現(xiàn)蕾期到塊莖增長期利用PLSR和RF以x3為變量構(gòu)建的模型R2范圍分別是0.61～0.75，0.56～0.71，RMSE范圍是140.77～110.34和187.31～140.35 kg·hm-2，NRMSE范圍是15.49%～11.02%，18.39%～16.84%，兩種方法的驗證R2也是不斷增大，RMSE和NRMSE都是逐漸減小； 淀粉積累期到成熟期，R2范圍分別是0.65～0.63和0.60～0.58，RMSE范圍是112.32～233.96和193.40～206.79 kg·hm-2，NRMSE范圍是13.93%～14.25%和17.98%～19.43%，驗證的R2逐漸降低，RMSE和NRMSE都是逐漸增加。綜合建模和驗證集可知，每個生育期以x3為自變量利用PLSR估算AGB效果最好，其中塊莖增長期構(gòu)建的模型精度最高，建模最佳R2為0.75(RMSE=110.34 kg·hm-2，NRMSE=11.02%)，驗證最佳R2為0.95(RMSE=86.50kg·hm-2，NRMSE=9.21%)，結(jié)果如圖4所示。

基于無人機高光譜灰度影像結(jié)合GCP生成了試驗田的DSM，提取了馬鈴薯株高Hdsm，并將其與5個生育期的240個實測株高H進行了對比，其R2達到0.86，表明基于DSM提取馬鈴薯株高Hdsm具有較高的精度，所得結(jié)果與他人提取作物株高結(jié)果基本一致[18]。提取的Hdsm相對于實測株高H整體偏低，這是因為實測馬鈴薯株高最高點冠層空間結(jié)構(gòu)小，在進行三維重建時，可能被當作噪聲清除，從而導致馬鈴薯頂層空間信息丟失，與實測株高H相比，基于DSM提取的株高Hdsm較??； 此外，無人機拍攝的馬鈴薯冠層影像中包括了大量的裸土像元，從而缺失了一部分馬鈴薯冠層結(jié)構(gòu)信息，這也導致基于DSM提取的Hdsm偏低。因此，確保馬鈴薯冠層空間信息的重建精度，對提高基于DSM提取的Hdsm精度尤為關鍵。

分析每個生育期的高光譜特征參數(shù)和綠邊參數(shù)與馬鈴薯AGB的相關性，并挑選出前7個HCPs和OGEP作為模型變量，經(jīng)對比可知，成熟期的光譜參數(shù)與AGB的相關性絕對值普遍低于前4期，主要原因由于生長后期，地上部有機物不斷向地下輸送，外加連續(xù)多天大雨，造成地上部葉片迅速枯黃脫落，植被覆蓋度明顯低于前4期，冠層光譜信息的提取更多受到地面土壤的影響，造成冠層光譜信息不能夠充分表達和生物量之間的聯(lián)系，進而使光譜參數(shù)與AGB的相關性普遍偏低。每個生育期采用PLSR和RF方法構(gòu)建馬鈴薯AGB估算模型，通過PLSR構(gòu)建的估算模型和驗證模型的R2相較于RF較高，RMSE和NRMSE相較于RF也都較低，表明PLSR方法擬合效果較好，得到的模型穩(wěn)定性較強。

表4 PLSR和RF以不同變量的AGB估算與驗證Table 4 AGB estimated and verified by different variables with PLSR and RF

圖4 塊莖增長期基于PLSR以x3估算AGB的建模與驗證Fig.4 Modeling and verification of estimated AGB based on PLSR with x3 at tuber grow stage

而以RF進行建模和驗證的精度較低，主要原因一是機器學習適用于較大數(shù)據(jù)集，而本研究用于建模數(shù)據(jù)32個，驗證數(shù)據(jù)16個，都屬于較小數(shù)據(jù)集。二是所選的8個參數(shù)存在一定的多重共線性，而RF對多重共線性不敏感。本工作得出各個生育期融入Hdsm能夠提高模型精度，這與牛慶林等[18]將提取的株高和植被指數(shù)融合后估算玉米的LAI，精度明顯提高，具有一致的結(jié)論。本工作每個生育期通過PLSR方法以x3為自變量估算馬鈴薯AGB精度最高，模型最為穩(wěn)定，這與陶惠林等[19]關于估測冬小麥LAI的精度結(jié)果一致。本文僅用一年的馬鈴薯無人機高光譜影像數(shù)據(jù)構(gòu)建模型，還需要進一步分析并利用多個年份和不同地點的馬鈴薯數(shù)據(jù)進行驗證，以此得到一個更具有普適性的AGB估算模型。

3 結(jié) 論

(1)基于無人機高光譜灰度影像結(jié)合GCP生成試驗田的DSM，基于DSM提取的株高Hdsm與實測株高H高度擬合(R2=0.84，RMSE=6.85 cm，NRMSE=15.67%)，說明利用DSM進行馬鈴薯株高提取方法可行。

(2)現(xiàn)蕾期，一階微分光譜與AGB極顯著相關的波段為554和742 nm； 塊莖形成期，與AGB極顯著相關的波段為558，670和718 nm； 塊莖增長期，與AGB極顯著相關的波段為526，570和742 nm； 淀粉積累期，與AGB極顯著相關的波段為518，570，642和722 nm； 成熟期，與AGB極顯著相關的波段為526和622 nm。

(3)每個生育期得到的最優(yōu)綠邊參數(shù)不完全相同，現(xiàn)蕾期、塊莖增長期和淀粉積累期OGEPs為Rsum，塊莖形成期和成熟期OGEPs分別為Drmin和SDr。

(4)每個生育期，與僅使用HCPs估算AGB相比，使用HCPs加入OGEPs，HCPs加入OGEPs和Hdsm可以提高AGB估算精度，且以后者為自變量提高精度的幅度更大。每個生育期利用PLSR和RF以前7個HCPs以及OGEPs和Hdsm估算AGB的建模和驗證R2在塊莖增長期表現(xiàn)效果最好，其中PLSR方法得到的模型效果優(yōu)于RF模型。