王思宇 聶臣巍 余 汛 ，3 邵明超 ，4 王梓旭 ，5努熱曼古麗·托乎提 ，6 劉亞東 程明瀚 ，7 官云蘭 金秀良

（1東華理工大學(xué)測繪工程學(xué)院，330013，江西南昌；2中國農(nóng)業(yè)科學(xué)院作物科學(xué)研究所，100081，北京；3河南理工大學(xué)，454003，河南焦作；4河北工程大學(xué)地球科學(xué)與工程學(xué)院，056006，河北邯鄲；5長安大學(xué)地球科學(xué)與資源學(xué)院，710061，陜西西安；6中國地質(zhì)大學(xué)（武漢）地球科學(xué)學(xué)院，430074，湖北武漢；7河海大學(xué)農(nóng)業(yè)工程學(xué)院，210098，江蘇南京）

光合有效輻射吸收比率（fraction of absorbed photosynthetically active radiation，F(xiàn)APAR）是植被冠層綠色部分所吸收的光合有效輻射（photosynthetically active radiation，PAR）占到達(dá)冠層頂部PAR的比例，是直接反映植被冠層對光能的截獲能力與吸收能力的重要參數(shù)[1]，對作物產(chǎn)量形成和籽粒品質(zhì)都有著直接影響[2]，同時也是基于光能利用效率模型估算作物籽粒產(chǎn)量的重要參數(shù)之一[3-4]。因此，實時且精準(zhǔn)監(jiān)測玉米FAPAR對篩選玉米品種和指導(dǎo)田間栽培管理，進(jìn)而實現(xiàn)玉米優(yōu)質(zhì)高產(chǎn)具有重要意義。

目前，基于遙感數(shù)據(jù)估算FAPAR的方法大多是通過建立植被指數(shù)與FAPAR的數(shù)學(xué)模型進(jìn)行回歸統(tǒng)計[5]，這種方法操作簡便、參數(shù)少且效率高，在FAPAR的估算中應(yīng)用最為廣泛[6-10]。如Dong等[11]基于模擬Sentinel-2數(shù)據(jù)選擇葉綠素相關(guān)植被指數(shù)，檢驗其對小麥和玉米的FAPAR估算能力，結(jié)果表明使用近紅外和紅邊反射率的植被指數(shù)對FAPAR的估算結(jié)果最好。劉桂鵬等[12]基于高光譜影像使用幾種植被指數(shù)和高光譜反射率及其導(dǎo)數(shù)等進(jìn)行了春玉米FAPAR估算，結(jié)果表明使用歸一化植被指數(shù)（normalized difference vegetation index，NDVI）構(gòu)建的二次多項式模型對FAPAR的估算效果最好，但是當(dāng)FAPAR較大時其估算結(jié)果會受到影響。田春燕等[13]基于植被指數(shù)構(gòu)建棉花FAPAR估算模型，用以監(jiān)測棉花長勢并預(yù)測產(chǎn)量，結(jié)果表明使用增強(qiáng)植被指數(shù)（enhanced vegetation index，EVI）反演FAPAR的精度最好。Qin等[14]基于機(jī)載激光雷達(dá)和高光譜數(shù)據(jù)建立了多元線性回歸（multiple linear regression，MLR）模型來估算玉米FAPAR，結(jié)果表明，將激光雷達(dá)和高光譜指標(biāo)相結(jié)合，比單獨使用激光雷達(dá)或高光譜指標(biāo)估算玉米FAPAR的精度更好。Zhao等[15]使用13種植被指數(shù)提出了基于二次函數(shù)的回歸模型來估算玉米FAPAR，結(jié)果表明，結(jié)合使用冠層結(jié)構(gòu)相關(guān)的植被指數(shù)與土壤調(diào)節(jié)、葉綠素和生理相關(guān)的植被指數(shù)可以更好地估算玉米FAPAR。以上研究表明，采用植被指數(shù)反演FAPAR的研究已經(jīng)取得較好的結(jié)果，但該方法在冠層覆蓋度較大時使用會存在一定的飽和現(xiàn)象，導(dǎo)致反演精度降低。

植被的紋理特征也可以用來表征植被冠層結(jié)構(gòu)[16]，因此也有一些研究通過紋理特征來反演生物量[17]、葉綠素含量[18]和冠層高度[19]等植被結(jié)構(gòu)或冠層信息。如謝士琴等[20]基于SPOT5影像通過使用植被紋理等多個特征反演森林結(jié)構(gòu)參數(shù)，結(jié)果表明使用紋理等特征可以較好地對森林結(jié)構(gòu)參數(shù)進(jìn)行估算。蔡文婷等[21]將Sentinel-2影像與冬小麥紋理信息相結(jié)合估算茬覆蓋度，結(jié)果表明該方法提高了估算冬小麥茬覆蓋度的精度。賈丹等[22]利用無人機(jī)影像結(jié)合光譜與紋理信息來反演冬小麥氮濃度，結(jié)果表明該方法比單一使用光譜或紋理信息估算的精度有所提高。蒙詩櫟等[23]基于WorldView-2影像將植被指數(shù)與紋理信息相結(jié)合反演森林地上生物量，結(jié)果表明將二者相結(jié)合的反演方法精度最高。楊俊等[24]通過無人機(jī)影像將小麥植被指數(shù)與紋理特征相結(jié)合估算其生物量與產(chǎn)量，結(jié)果表明結(jié)合紋理特征與植被指數(shù)可以提高生物量與產(chǎn)量的估算精度。紋理特征可以反映植被冠層覆蓋情況，冠層覆蓋度大時到達(dá)冠層底部的光較少，F(xiàn)APAR也會相應(yīng)變大。因此，當(dāng)光譜特征不足以反映FAPAR情況時，紋理特征也可以提供植被冠層的結(jié)構(gòu)信息[25]。以上研究表明，可以使用植被紋理特征反演植被結(jié)構(gòu)及冠層參數(shù)，且將植被紋理特征與光譜特征相結(jié)合可以在一定程度上改善植被光譜特征的飽和問題[26-27]，但目前利用植被紋理特征反演植被FAPAR的研究較少。

因此本研究使用PLSR方法，基于無人機(jī)多光譜影像提取出的植被指數(shù)與植被紋理特征估算玉米FAPAR，并與傳統(tǒng)直接使用植被指數(shù)或紋理特征估算FAPAR的方法進(jìn)行比較。

1 材料與方法

1.1 研究區(qū)概況

試驗于2020年7月-9月在中國農(nóng)業(yè)科學(xué)院新鄉(xiāng)綜合基地（35.2°N，113.8°E）進(jìn)行。河南新鄉(xiāng)的氣候為溫帶大陸性氣候，四季分明，冬冷夏熱。年均氣溫14.1℃，1月最冷，7月最熱。年均降水量548.3mm，多集中在7-8月。年均蒸發(fā)量1908.7mm。年均日照2407.7h，年均無霜期200.5d。試驗基地土壤為黏質(zhì)壤土，耕層土壤pH 8.21，含有機(jī)質(zhì)12.6g/kg、速效氮61.2mg/kg、速效磷16.2mg/kg、速效鉀110.0mg/kg。

1.2 試驗設(shè)計

研究對象為夏玉米，共設(shè)置8個播期，獲取關(guān)鍵時期的玉米分層FAPAR數(shù)據(jù)，每個播期間隔10d左右，播種時間從4月下旬至7月上旬，播期1的播種時間最早，播期8的播種時間最晚，其中播期6為當(dāng)?shù)剡m播期。每個播期包含3個黃淮海地區(qū)主栽玉米品種，分別為豐墾139、京農(nóng)科728和鄭單958，每個品種設(shè)置3個重復(fù)。每個播期相同品種面積之和為64.8m2，田間水肥與病蟲害管理與實際大田管理一致。

1.3 地面FAPAR數(shù)據(jù)獲取

使用SunScan專業(yè)版植物冠層分析儀進(jìn)行采集地面分層FAPAR數(shù)據(jù)，在2020年7月-9月有穩(wěn)定太陽光直射時進(jìn)行采集。獲取數(shù)據(jù)前架設(shè)漫射系數(shù)傳感器（beam fraction sensor，BFS），使其水平以減小誤差，BFS上方不能有任何遮擋，與探測器通過無線方式進(jìn)行連接，探測器與掌上電腦（PAD）相連；之后打開SunData軟件將BFS與探測器保持在同一水平面上對儀器進(jìn)行校正和數(shù)據(jù)采集。獲取數(shù)據(jù)時選取長勢均勻的區(qū)域，將探測器水平放在冠層最底部進(jìn)行數(shù)據(jù)采集。每個小區(qū)采用米字型方式測4個重復(fù)，然后將4次測量結(jié)果的均值作為該小區(qū)的代表值，使用PAD記錄數(shù)據(jù)。獲取數(shù)據(jù)后將數(shù)據(jù)導(dǎo)出進(jìn)行后續(xù)處理。實測的地面FAPAR數(shù)據(jù)詳細(xì)信息如表1所示。

表1 地面測量FAPAR數(shù)據(jù)統(tǒng)計信息Table 1 Statistics of in situ FAPAR

1.4 多光譜影像數(shù)據(jù)的獲取與處理

多光譜數(shù)據(jù)使用大疆M600-PRO六旋翼無人機(jī)搭載的RedEdge-M多光譜相機(jī)進(jìn)行獲取。多光譜相機(jī)獲取的波段有藍(lán)、綠、紅、紅邊和近紅外，視場角47.2°，數(shù)據(jù)采樣間隔1.5s。無人機(jī)飛行高度30m，設(shè)置航向重疊和旁向重疊為80%。無人機(jī)數(shù)據(jù)采集選擇在晴朗無風(fēng)的10∶00-15∶00之間進(jìn)行，獲取時間與地面FAPAR測量日期相同。

1.4.1 多光譜影像預(yù)處理 多光譜影像的預(yù)處理主要為影像的拼接與輻射校正兩部分。拼接部分使用AgisoftPhtotscan Pro軟件進(jìn)行處理，首先將需要拼接的照片添加到軟件中之后對影像進(jìn)行篩選，剔除冗余照片以縮短處理時間；然后選擇高精度對齊照片并構(gòu)建密集點云；之后進(jìn)行顏色校正并構(gòu)建紋理與正射影像；最后將構(gòu)建的正射影像以TIFF形式導(dǎo)出。輻射校正是將原始影像轉(zhuǎn)換為反射率影像，首先使用地面ASD高光譜儀測得彩色定標(biāo)布的高光譜反射率Rcolor_i，通過多光譜各通道的波段響應(yīng)函數(shù)Fband_i計算地面定標(biāo)布對應(yīng)多光譜各波段的反射率（公式1）；然后提取無人機(jī)多光譜影像中彩色定標(biāo)布的像元值（digital number，DN），建立影像每波段DN值與反射率的回歸關(guān)系，之后將各波段的回歸關(guān)系應(yīng)用到整個試驗地塊的無人機(jī)影像，最后得到校正后的反射率影像。

1.4.2 植被指數(shù)的選擇與提取 使用ENVI軟件對處理好的影像提取所需要播期單個小區(qū)的感興趣區(qū)（region of interest，ROI），并進(jìn)行統(tǒng)計，最后得出小區(qū)中每個波段的平均反射率。

根據(jù)前人[28-41]研究，從文獻(xiàn)中選取了14個用于估算FAPAR較為常用的植被指數(shù)（表2），根據(jù)公式利用每個波段的反射率計算出14種植被指數(shù)。

表2 選取的14種植被指數(shù)及其計算公式Table 2 Fourteen vegetation indices and their formulas

1.4.3 紋理信息的提取 根據(jù)傳統(tǒng)紋理特征提取方法，選擇多光譜影像的R、G和B三個波段使用基于二階概率統(tǒng)計的濾波（co-occurrence measures）方法提取植被紋理特征，根據(jù)前人研究結(jié)果[42]并進(jìn)行比較分析，發(fā)現(xiàn)當(dāng)濾波窗口大小設(shè)為7×7時，處理速度快且能夠保證提取紋理的精度。因此使用7×7窗口對紋理特征進(jìn)行提取，空間相關(guān)矩陣偏移X和Y默認(rèn)為1，最后輸出得到的8種紋理特征如表3所示。

表3 選取的8種紋理特征Table 3 Features of the eight textures

表3中，Pi,j表示灰度共生矩陣中第i行j列對應(yīng)的兩個灰度值同時出現(xiàn)的概率；N為圖像的灰度級；μi和μj為灰度共生矩陣的均值；σi和σj為標(biāo)準(zhǔn)差[43]。

1.5 模型精度評定

隨機(jī)選取樣本的2/3作為訓(xùn)練集，剩余1/3樣本作為驗證集。選取植被指數(shù)或紋理特征分別與實測FAPAR的決定系數(shù)R2、估算FAPAR與實測FAPAR驗證的均方根誤差RMSE和相對均方根誤差rRMSE作為評價這些植被指數(shù)或紋理特征性能的指標(biāo)。R2越接近1，則該模型的擬合精度越高；RMSE與rRMSE越小，表示估算值與實測值差異越小，模型的估算能力越好，其計算公式如下：

其中，xi和yi分別為實測值和預(yù)測值；和分別為實測值和預(yù)測值的均值；n為樣本個數(shù)。

2 結(jié)果與分析

2.1 利用植被指數(shù)估算FAPAR

使用表2中選取的14種植被指數(shù)分別與FAPAR建立指數(shù)函數(shù)、線性函數(shù)、二次多項式函數(shù)、對數(shù)函數(shù)和冪函數(shù)5種統(tǒng)計回歸模型，得到每個植被指數(shù)對FAPAR估算的最佳回歸檢驗結(jié)果，如表4所示。

表4 各植被指數(shù)估算玉米FAPAR的最佳回歸檢驗結(jié)果Table 4 The best regression test results of maize FAPAR estimating using each vegetation indice

從表4綜合比較可以看出，14種植被指數(shù)中有4種建模R2達(dá)到0.7以上，驗證RMSE小于0.08，rRMSE小于10%；其中GNDVI的二次多項式模型對FAPAR的估算結(jié)果最好，R2為78.52×10-2，RMSE為7.33×10-2，rRMSE為8.66%。原因可能是由于GNDVI用綠波段代替了NDVI中的紅波段，而綠波段對葉綠素濃度更為敏感，可以在很大范圍內(nèi)精確評估色素濃度的變化[29]，使用綠波段建立的植被指數(shù)加強(qiáng)了對FAPAR估算結(jié)果的穩(wěn)定性。圖1為GNDVI與FAPAR的回歸模型。

圖1 玉米FAPAR與GNDVI的回歸關(guān)系Fig.1 Regression relationship of the FAPAR to GNDVI in maize

2.2 利用紋理信息估算FAPAR

提取多光譜影像R、G和B波段的8種紋理特征之后，分別與FAPAR建立指數(shù)函數(shù)、線性函數(shù)、二次多項式函數(shù)、對數(shù)函數(shù)和冪函數(shù)5種統(tǒng)計回歸模型，綜合比較之后發(fā)現(xiàn)綠波段對紋理特征的反演效果最好，因此使用綠波段中的紋理特征對玉米FAPAR進(jìn)行估算，每種紋理特征的最佳回歸檢驗結(jié)果如表5所示。

表5 各紋理信息估算玉米FAPAR的最佳回歸檢驗結(jié)果Table 5 The best regression test results of maize FAPAR estimating using each texture

綜合比較可以看出，Mean的二次多項式模型對FAPAR的估算結(jié)果最好，R2為58.73×10-2，RMSE為9.50×10-2，rRMSE為11.23%。其原因可能是由于試驗田紋理較規(guī)則，規(guī)則的紋理特征能夠更好地體現(xiàn)植被冠層覆蓋度情況，覆蓋度均勻則光的透過率也均勻，與FAPAR的相關(guān)性較高，進(jìn)而能夠更好地反映FAPAR，而Mean特征反映了植被紋理的規(guī)則程度；同時提取紋理信息的窗口大小和研究區(qū)植被類型也會影響模型的精度[23]，因此，綜合試驗區(qū)作物類型與紋理提取情況，Mean特征最適用于對本研究區(qū)域中紋理信息的表達(dá)，能夠更好地反演玉米FAPAR。圖2為紋理特征Mean與FAPAR的回歸模型。

圖2 玉米FAPAR與紋理特征Mean的回歸關(guān)系Fig.2 Regression relationship of the FAPAR to mean of texture feature in maize

2.3 利用PLSR方法估算FAPAR

使用PLSR方法分別對14種植被指數(shù)、8種紋理特征以及將二者相結(jié)合估算玉米FAPAR，并進(jìn)行驗證，結(jié)果如表6所示。

表6 利用PLSR方法估算玉米FAPAR的驗證結(jié)果Table 6 Validation results of FAPAR estimation using PLSR method

可以看出，對14種植被指數(shù)和8種紋理特征分別使用PLSR方法估算玉米FAPAR之后，其R2均有所提升，RMSE和rRMSE均有所下降，將所有指標(biāo)相結(jié)合的PLSR估算結(jié)果最好，R2可達(dá)到 94.39×10-2，RMSE 和 rRMSE 分別為 4.72×10-2和5.57%，相比傳統(tǒng)回歸統(tǒng)計方法有所提高，該結(jié)果說明使用PLSR方法可以提高玉米FAPAR估算的精度，將植被指數(shù)與植被紋理特征相結(jié)合的效果更好。這主要是由于植被的光譜信息和紋理特征都可以反映植被冠層的信息，而對于多元回歸模型來說，加入有效的自變量可以提高構(gòu)建模型的精度，因此將二者相結(jié)合構(gòu)建多元回歸模型，可以將植被指數(shù)和紋理特征的優(yōu)勢相融合，從多個角度充分對玉米冠層FAPAR進(jìn)行反演，能夠提高其估算精度，這與前人對植物其他指標(biāo)進(jìn)行估算研究的結(jié)果具有一致性[21-24，44]。圖3為使用PLSR方法結(jié)合植被指數(shù)與植被紋理特征估算FAPAR的驗證結(jié)果。

圖3 使用PLSR方法結(jié)合植被指數(shù)與紋理特征估算的FAPAR驗證結(jié)果Fig.3 Validation results of FAPAR estimation using PLSR method combined with vegetation index and texture features

3 討論

FAPAR不僅是植被冠層的重要結(jié)構(gòu)參數(shù)，也是作物生長和作物估產(chǎn)等模型的重要參數(shù)，因此快速準(zhǔn)確地獲取作物FAPAR對于估測作物產(chǎn)量及評價作物生長狀況有重要意義。由于單獨使用光譜特征對FAPAR進(jìn)行估算的精度相對較差，而紋理特征提供了更多的植被冠層結(jié)構(gòu)信息，能夠提高FAPAR的估算精度。因此，本研究將光譜特征與紋理特征相結(jié)合，給FAPAR的估算模型增加了更多信息，在一定程度上提高了單獨使用植被指數(shù)或紋理特征估算FAPAR的精度，為以后估算作物的FAPAR研究提供了新的思路。然而，本研究只選擇了1個試驗站點采集的FAPAR數(shù)據(jù)，沒有在其他站點進(jìn)行試驗，所使用的試驗數(shù)據(jù)較少，建立的回歸模型結(jié)果可能不夠精確；此外，由于錯過了一些播期玉米的生長狀況，使得處在生育初期的FAPAR數(shù)據(jù)相對較少，對建模結(jié)果也有一定的影響。因此，在接下來的研究中，將開展多站點試驗，同時獲取更多的田間及無人機(jī)影像數(shù)據(jù)，以更好地闡明光譜信息與FAPAR數(shù)據(jù)之間的光譜機(jī)理與回歸關(guān)系。

4 結(jié)論

對玉米冠層FAPAR進(jìn)行測量并結(jié)合基于無人機(jī)多光譜影像提取的植被指數(shù)和紋理特征分別對其進(jìn)行估算，之后使用PLSR方法對植被指數(shù)、紋理特征和將二者結(jié)合分別對FAPAR進(jìn)行估算。將3種估算FAPAR的方法進(jìn)行比較驗證。結(jié)果如下：

（1）使用傳統(tǒng)方法直接利用植被指數(shù)或紋理特征估算FAPAR時，植被指數(shù)的精度更高，R2比紋理特征提高約0.2，RMSE和rRMSE分別降低約0.02和2.60%；

（2）單獨利用植被指數(shù)或紋理特征估算FAPAR時，使用PLSR方法比傳統(tǒng)的統(tǒng)計回歸方法精度更高。其中植被指數(shù)的R2提高約0.04，RMSE和rRMSE分別降低約0.06×10-2和0.70%，紋理特征的RMSE和rRMSE分別降低約4.80×10-2和5.04%；

（3）將植被指數(shù)和紋理特征相結(jié)合并使用PLSR估算FAPAR的精度最高，R2達(dá)到94.39×10-2，RMSE和rRMSE分別達(dá)到4.72×10-2和5.57%。