王來剛 賀 佳 鄭國清 郭 燕 張 彥 張紅利

(1.河南省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟與信息研究所， 鄭州 450002； 2.農(nóng)業(yè)農(nóng)村部黃淮海智慧農(nóng)業(yè)技術(shù)重點實驗室， 鄭州 450002；3.河南省農(nóng)作物種植監(jiān)測與預(yù)警工程研究中心， 鄭州 450002)

0 引言

光合有效輻射(Photosynthetically active radiation，PAR)是太陽輻射中對植物光合作用的有效部分，是生態(tài)系統(tǒng)中植物進行光合作用形成有機物的能量來源。光合有效輻射吸收比例(Fraction of absorbed photosynthetically active radiation，F(xiàn)PAR)是表征植被冠層對PAR的吸收能力，是植被凈初級生產(chǎn)力評價的關(guān)鍵參數(shù)，F(xiàn)PAR與PAR之間的關(guān)系十分密切，無論是針對植被本身的研究還是整個生態(tài)系統(tǒng)的研究，精確地估算FPAR對研究生態(tài)系統(tǒng)中能量平衡與碳循環(huán)具有重要意義[1-4]。然而，在不同生態(tài)區(qū)域、不同生態(tài)系統(tǒng)、不同植被類型對入射PAR呈現(xiàn)出不同的吸收效果。因此，精準(zhǔn)定量估算植被FPAR已成為生態(tài)系統(tǒng)碳循環(huán)研究的重要課題。

傳統(tǒng)的FPAR通過太陽輻射儀或冠層分析儀等設(shè)備直接測量，這種方法能精準(zhǔn)獲取觀測點位的輻射值，但空間信息表達(dá)不足[5]。而遙感技術(shù)是獲取大區(qū)域尺度長時間序列FPAR的最佳途徑[6]。如有學(xué)者利用地面高光譜遙感數(shù)據(jù)反射率構(gòu)建了土壤調(diào)整植被指數(shù)(Soil adjusted vegetation index，SAVI)、歸一化差值植被指數(shù)(Normalized difference vegetation index，NDVI)等植被指數(shù)，建立了FPAR的估算模型[7-9]。這些研究為空間尺度的FPAR估算奠定了基礎(chǔ)。隨著遙感技術(shù)的發(fā)展，學(xué)者們通過MODIS、SPOT、HJ-1、Sentinel-2、GF-1等不同時空分辨率的遙感影像，實現(xiàn)了大區(qū)域尺度的FPAR估算，并在生產(chǎn)中得到了廣泛應(yīng)用[10-15]。近年來，無人機(Unmanned aerial vehicle，UAV)平臺憑借其機動靈活的優(yōu)勢，能夠快速獲取特定區(qū)域內(nèi)高時空分辨率數(shù)據(jù)，已逐漸成為獲取植被信息的重要手段[16-17]?；赨AV已開展了作物氮素營養(yǎng)[18-19]、葉面積指數(shù)(Leaf area index，LAI)[20]、光合速率[21]、凈初級生產(chǎn)力[22]等研究，這些研究通過大量的試驗篩選了植被指數(shù)或紋理指數(shù)等參數(shù)，進一步基于光譜信息或紋理信息反演獲取作物生長參數(shù)。這些研究在估算作物生長參數(shù)的過程中，僅從圖像角度闡述了光譜或紋理信息與作物生長參數(shù)的關(guān)系，導(dǎo)致估算模型的農(nóng)學(xué)解釋機理不足。

因此，為了探究無人機多光譜遙感影像估算作物FPAR的潛力，本文以玉米為研究對象，基于無人機多光譜遙感影像的藍(lán)、綠、紅、近紅外、紅邊5個波段提取并構(gòu)建植被指數(shù)和紋理指數(shù)，在相關(guān)性分析的基礎(chǔ)上優(yōu)選植被指數(shù)和紋理指數(shù)，并采用一元線性回歸模型、多元逐步回歸模型、嶺回歸模型、BP反向傳播神經(jīng)網(wǎng)絡(luò)模型等方法估算FPAR并分析不同參數(shù)與不同建模方式的精度，以期為玉米FPAR估算提供新的技術(shù)方法，為農(nóng)作物生產(chǎn)潛力及農(nóng)田生態(tài)系統(tǒng)監(jiān)測評估提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況與試驗設(shè)計

試驗于2021年在中國農(nóng)業(yè)科學(xué)院新鄉(xiāng)綜合試驗基地進行，試驗基地地處113°46′08.10″E，35°08′03.67″N，海拔78.9 m，溫帶大陸性季風(fēng)氣候，年平均溫度14.2℃，無霜期210 d，年日照時數(shù)約2 400.0 h，年蒸發(fā)量約2 000.0 mm，年平均降水量585.0 mm。土壤為黃河沖積物發(fā)育潮土，0～20 cm堿解氮質(zhì)量比68.65 mg/kg，速效磷質(zhì)量比9.21 mg/kg，速效鉀質(zhì)量比71.12 mg/kg，有機質(zhì)質(zhì)量比10.21 mg/kg。

試驗設(shè)置2個玉米品種，5個氮肥水平。2個玉米品種分別為鄭單958和登海605；5個氮肥(46.00% N尿素)水平分別為N0(0 kg/hm2)、N1(75 kg/hm2)、N2(150 kg/hm2)、N3(225 kg/hm2)、N4(300 kg/hm2)，總氮肥60%作為基肥，40%作為追肥，磷鉀肥施用量均為120 kg/hm2；鄭單958種植密度為67 500株/hm2，登海605種植密度為82 500株/hm2；其他管理方式按照當(dāng)?shù)馗弋a(chǎn)玉米措施管理。研究區(qū)位置和試驗設(shè)計見圖1。

圖1 研究區(qū)位置和試驗設(shè)計Fig.1 Location of study area and experiment design

1.2 數(shù)據(jù)獲取與處理

1.2.1無人機多光譜數(shù)據(jù)采集與預(yù)處理

無人機多光譜數(shù)據(jù)通過大疆Matrice 600 Pro六旋翼無人機搭載MicaSense RedEdge-M多光譜傳感器獲取，分別在玉米拔節(jié)期、抽雄期和灌漿期采集。MicaSense RedEdge-M多光譜傳感器可同時采集藍(lán)、綠、紅、近紅外、紅邊5個波段，相機焦距為5.5 mm，視場角為47.2°，圖像分辨率為1 280像素×960像素。飛行前后以相機配備的0.3 m×0.3 m灰板反射率進行校正。試驗在晴朗無云無風(fēng)時進行，時間為11:00—14:00，無人機飛行高度為70 m，飛行方向由南到北，航向重疊度為70%，旁向重疊度為70%，影像空間分辨率為0.035 m。同步以Phantom 4 RTK無人機獲取RGB高清數(shù)碼影像，空間分辨率0.028 m，作為幾何校正基礎(chǔ)數(shù)據(jù)。多光譜成像儀主要參數(shù)見表1。

表1 無人機多光譜傳感器主要參數(shù)Tab.1 Main parameters of UAV multispectral sensor

將航拍獲取的多光譜圖像以時間序列為索引，選取有效圖像導(dǎo)入瑞士Pix4D公司Pix4D mapper軟件，根據(jù)圖像信息進行：初始化處理；點云和紋理處理；DSM和正射處理；利用各通道反射板校正，輸出拼接后圖像；拼接后的多光譜圖像以同期獲取的高清數(shù)碼圖像為參考進行幾何校正，誤差小于0.5個像元；根據(jù)研究區(qū)范圍對拼接后的圖像進行裁剪，形成研究區(qū)多光譜影像。

1.2.2FPAR數(shù)據(jù)采集

PAR采集與無人機多光譜數(shù)據(jù)采集同步。在同一取樣范圍內(nèi)，以美國Decagon公司AccuPAR PAR/LAI ceptometer植物冠層分析儀(modelLP-80型)測量，PAR采集時利用差分GPS同步采集詳細(xì)地理位置信息。每個測量點測3次，取算術(shù)平均值為該觀測點PAR，F(xiàn)PAR計算公式為

Fpar=Apar/Pparci

(1)

其中

Apar=Pparci-Pparcr-(Ppargi-Ppargr)

(2)

式中Fpar——光合有效輻射吸收比率

Apar——吸收性光合有效輻射量

Pparci——冠層上部光合有效輻射入射量

Pparcr——冠層上部光合有效輻射反射量

Ppargi——冠層底部光合有效輻射入射量

Ppargr——冠層底部光合有效輻射反射量

1.2.3FPAR估算參數(shù)提取

(1)植被指數(shù)(Vegetation indexes，VIs)

(2)紋理指數(shù)(Texture indexes，TIs)

影像的紋理特征是相鄰像素之間粗糙度、強度及其排列的關(guān)系，不受光譜特征的影響，在目前影像紋理特征信息提取算法中，灰度共生矩陣(Gray level co-occurrence matrix，GLCM)具有較強的適應(yīng)性和魯棒性。因此，本研究中使用 GLCM方法提取了藍(lán)、綠、紅、近紅外和紅邊5個波段的均值紋理(Mean)、方差紋理、同質(zhì)性紋理、對比度紋理、差異性紋理、信息熵紋理、二階矩紋理和相關(guān)性紋理等8種紋理特征[24]?；谥脖恢笖?shù)思想，對5個波段的8種紋理特征進行兩兩組合(共40種)，構(gòu)建歸一化差值紋理指數(shù)(NDTI)、差值紋理指數(shù)(DTI)、比值紋理指數(shù)(RTI)[25]。不同紋理指數(shù)計算公式為

NDTI=(Tx-Ty)/(Tx+Ty)

(3)

DTI=Tx-Ty

(4)

RTI=Tx/Ty

(5)

式中Tx、Ty——藍(lán)、綠、紅、近紅外、紅邊5個隨機波段的紋理特征值

(3)葉面積指數(shù)(LAI)

前人研究指出作物L(fēng)AI與FPAR之間具有較好的相關(guān)性[26-27]，所以在構(gòu)建FPAR過程中引入LAI參數(shù)?；诙喙庾V影像提取了研究區(qū)的植被指數(shù)，反演了研究區(qū)的LAI，反演精度達(dá)到92.80%，研究區(qū)LAI制圖精度達(dá)到91.74%，該結(jié)果滿足研究區(qū)FPAR估算建模需求。

1.2.4模型構(gòu)建

選取玉米拔節(jié)期至灌漿期有效數(shù)據(jù)200組，隨機平均分為4組，以四折交叉驗證法構(gòu)建FPAR估算模型并驗證其精度。在建模過程中，以3組數(shù)據(jù)為訓(xùn)練集，剩余1組為驗證集，進行4次迭代，使每一個數(shù)據(jù)既作為訓(xùn)練集數(shù)據(jù)，又作為驗證集數(shù)據(jù)，保證所有數(shù)據(jù)樣本均能參與建模與驗證。建模過程中分別以一元線性回歸模型、多元逐步回歸模型、嶺回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型等方法建立FPAR估算模型。

(1)線性回歸和多元逐步回歸模型

冠狀動脈造影對無癥狀性心肌缺血的診斷標(biāo)準(zhǔn)為:左冠狀動脈主干及其分支、左回旋支或左回旋支的大分支、左前降支以及右冠狀動脈及其分支的狹窄程度>50%

FPAR線性回歸模型通過分析VIs、TIs、LAI與FPAR的定量關(guān)系，建立FPAR的一元線性回歸模型，記作FPARUL；在定量分析的基礎(chǔ)上，優(yōu)選VIs、TIs，結(jié)合LAI，以任意參數(shù)兩兩組合或3種參數(shù)組合，構(gòu)建FPAR的多元逐步回歸模型，記作FPARMSR。

(2)嶺回歸模型

嶺回歸(Ridge regression，RR)是一種專用于共線性數(shù)據(jù)分析的有偏估計回歸方法，其實質(zhì)是一種改良的最小二乘法，通過放棄最小二乘法的無偏性，以損失部分信息、降低精度為代價獲得回歸系數(shù)更為符合實際、更可靠的回歸方法，能有效改善模型的估算效果并簡化模型表達(dá)形式。在分析不同建模參數(shù)相關(guān)性的基礎(chǔ)上分析其對模型共線性的影響，通過嶺回歸分析剔除共線性較大的建模參數(shù)，進一步優(yōu)選建模參數(shù)，構(gòu)建FPAR的嶺回歸模型，記作FPARRR。

(3)BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)(Back propagation neural network，BPNN)是基于生物神經(jīng)網(wǎng)絡(luò)原理，通過全局優(yōu)化布局策略，利用梯度下降方法逐步求出目標(biāo)函數(shù)對不同神經(jīng)元權(quán)值的偏導(dǎo)數(shù)，并以此作為權(quán)值更新依據(jù)，提高模型建模效率，改善模型精度，使模型學(xué)習(xí)達(dá)到預(yù)期結(jié)果。BPNN包括輸入層、隱藏層、輸出層3部分，輸入層不參與運算，隱藏層和輸出層為全連接層，以均方根誤差為目標(biāo)函數(shù)，建立了一個包含5個隱藏層的BPNN模型。選擇VIs、TIs、LAI等參數(shù)作為建模參數(shù)，輸入到神經(jīng)網(wǎng)絡(luò)模型估算FPAR，記作FPARBPNN。

1.2.5精度評價

以決定系數(shù)R2、均方根誤差(RMSE)、相對誤差(RE)評價模型的估算精度與驗證精度。R2越接近1，則該模型的擬合精度越高；RMSE越小，RE越小，表示估算值與實測值差異越小，模型估算能力越好。

2 結(jié)果與分析

2.1 不同建模參數(shù)與FPAR的相關(guān)性

分析VIs、TIs、LAI等建模參數(shù)與FPAR的相關(guān)性，由圖2(圖中**表示相關(guān)性在0.01水平下達(dá)到極顯著)可知，VIs與FPAR相關(guān)系數(shù)絕對值|R|為0.727～0.803，相關(guān)系數(shù)最大的植被指數(shù)為MTVI2；TIs與FPAR的|R|為0.634～0.733，相關(guān)系數(shù)最大的紋理指數(shù)為NDTI；LAI與FPAR的|R|為0.748。不同建模參數(shù)與FPAR的相關(guān)系數(shù)由大到小依次為VIs、LAI、TIs。通過P值檢驗VIs、TIs、LAI與FPAR差異性，不同參數(shù)與FPAR之間P值均小于0.01，表明不同參數(shù)與FPAR之間具有極顯著差異。所以，VIs、TIs、LAI與FPAR均達(dá)到極顯著水平(P<0.01)，表明基于無人機多光譜影像信息提取VIs、TIs，以及玉米冠層LAI均可作為構(gòu)建FPAR估算模型的參數(shù)。另外，VIs、TIs、LAI 3種參數(shù)之間也具有較高的相關(guān)性，這種參數(shù)之間的相關(guān)性容易造成建模過程中的共線性，在一定程度上降低模型估算精度。因此，為了避免共線性問題對模型精度的影響，在通過對VIs、TIs進行優(yōu)選的基礎(chǔ)上，進一步構(gòu)建FPAR估算模型。

2.2 基于不同模型的玉米FPAR估算

2.2.1一元線性模型

分別以VIs、TIs、LAI為模型輸入?yún)?shù)，建立FPAR的一元線性估算模型，并評價模型精度。由表2可知，在不同植被指數(shù)構(gòu)建的FPAR估算模型中，基于MTVI2構(gòu)建的FPAR模型有較好的估算精度與驗證精度，估算模型R2為0.645，RMSE為0.276，驗證模型R2為0.679，RMSE為0.288，估算值與實測值間RE為12.13%；不同紋理指數(shù)構(gòu)建的FPAR估算模型中，基于NDTI的FPAR模型有較好的估算精度與驗證精度，估算模型R2為0.537，RMSE為0.360，驗證模型R2為0.559，RMSE為0.251，估算值與實測值間RE為16.54%。基于LAI構(gòu)建的FPAR估算模型R2為0.560，RMSE為0.319，驗證模型R2為0.573，RMSE為0.323，估算值與實測值間RE為16.37%。

表2 FPAR的一元線性估算模型精度評價Tab.2 Unary linear estimation model accuracy evaluation of FPAR

2.2.2多元逐步回歸模型

將VIs、TIs、LAI兩兩組合，或3種參數(shù)組合，建立FPAR的多元逐步回歸估算模型并評價模型精度(表3)。由表3可知，VIs、TIs、LAI兩兩組合，估算模型R2為0.657～0.703，RMSE為0.246～0.295，驗證模型R2為0.694～0.759，RMSE為0.247～0.306，估算值與實測值間RE為10.42%～12.73%。這一結(jié)果較單一VIs、TIs、LAI構(gòu)建的FPAR估算模型有所改善。而輸入VIs、TIs、LAI 3種參數(shù)的FPAR估算模型R2為0.764，RMSE為0.217，驗證模型R2為0.773，RMSE為0.233，模型估算值與實測值間RE為9.35%，這一結(jié)果優(yōu)于VIs、TIs、LAI任意形式的兩兩組合。說明增加建模參數(shù)能有效改善FPAR估算精度。為了客觀評價不同參數(shù)對FPAR多元逐步回歸估算模型的貢獻(xiàn)，分析了不同輸入?yún)?shù)對FPAR估算模型的貢獻(xiàn)度。在不同形式的組合中，以VIs的貢獻(xiàn)度相對較高，LAI次之，TIs較低，這一結(jié)果與上文不同建模參數(shù)與FPAR的相關(guān)性相似，從另一個方面表征了VIs、TIs與LAI對FPAR估算的影響。

表3 FPAR的多元逐步回歸估算模型精度評價Tab.3 Multiple stepwise regression estimation model accuracy evaluation of FPAR

2.2.3嶺回歸模型

上文闡述了不同估算參數(shù)之間的共線性問題，為了避免建模參數(shù)之間的共線性，本文基于優(yōu)選參數(shù)構(gòu)建了FPAR的嶺回歸估算模型并評價模型精度。由表4可知，以VIs+TIs+LAI為參數(shù)的FPAR估算模型的R2為0.836，RMSE為0.196，驗證模型R2為0.852，RMSE為0.202，模型估算值與田間實測值間RE為8.79%。這一結(jié)果與多元逐步回歸估算FPAR的結(jié)果一致，且精度有所改善；組合VIs、TIs、LAI 3種參數(shù)的FPAR估算模型較任意兩兩組合的FPAR估算模型精度均有明顯改善。這一結(jié)果進一步表明了嶺回歸模型能有效避免不同建模參數(shù)之間的共線性問題，在一定程度上也能改善模型估算精度，同時也說明在建立FPAR估算模型過程中，融合多種參數(shù)能有效改善FPAR估算與驗證精度。

表4 FPAR的嶺回歸估算模型精度評價Tab.4 Ridge regression model accuracy evaluation of FPAR

2.2.4BP神經(jīng)網(wǎng)絡(luò)模型

為探索不同建模形式對FPAR估算的影響，增強模型的普適性，在參數(shù)優(yōu)選的基礎(chǔ)上，以VIs、TIs、LAI為建模參數(shù)，評價了FPAR的BPNN模型精度。由表5可知，不同輸入?yún)?shù)構(gòu)建的FPAR模型中，以VIs+TIs+LAI為輸入?yún)?shù)的FPAR估算模型R2為0.857，RMSE為0.173，驗證模型R2為0.868，RMSE為0.186，模型估算值與田間實測值間RE為8.71%。這一結(jié)果與多元逐步回歸、嶺回歸估算結(jié)果一致，且估算與驗證精度有所改善；同時，參數(shù)組合VIs+TIs+LAI的FPAR估算結(jié)果優(yōu)于任意參數(shù)兩兩組合或單一參數(shù)估算精度。

基于參數(shù)組合VIs+TIs+LAI，通過BP神經(jīng)網(wǎng)絡(luò)建立FPAR估算模型，反演得到研究區(qū)拔節(jié)期、抽雄期和灌漿期玉米FPAR空間分布(圖3)。從不同生育時期玉米FPAR空間分布圖上提取FPAR區(qū)間，F(xiàn)PAR拔節(jié)期為0.336～0.621，抽雄期為0.583～0.862，灌漿期為0.491～0.813。從拔節(jié)期至灌漿期玉米FPAR呈現(xiàn)“低-高-低”的趨勢。拔節(jié)期玉米冠層覆蓋度較小，截獲光合有效輻射能力較低，F(xiàn)PAR相對較小；抽雄期與灌漿期玉米群體逐漸密閉，冠層覆蓋度增加，群體長勢較好，截獲光合有效輻射能力較低，F(xiàn)PAR相對逐漸增大。

表5 FPAR的BP神經(jīng)網(wǎng)絡(luò)估算模型精度評價Tab.5 BPNN model accuracy evaluation of FPAR

圖3 不同生育期玉米FPAR空間分布Fig.3 Spatial distribution maps about FPAR of maize at different growth stages

3 討論

FPAR是作物生產(chǎn)潛力與農(nóng)田碳循環(huán)估算的重要參數(shù)，快速準(zhǔn)確地獲取農(nóng)作物FPAR對精準(zhǔn)評估作物生產(chǎn)狀況及農(nóng)田生態(tài)系統(tǒng)具有重要意義。然而，在以往的FPAR估算中，多是以單一光譜信息或簡單作物生態(tài)生理參數(shù)建立FPAR的經(jīng)驗?zāi)Ｐ蚚28]，這些方法雖然簡便有效，但是在實踐過程中仍有一定的局限性。因此，本文基于無人機多光譜影像VIs、TIs和LAI，建立FPAR不同形式的估算模型，并對模型估算精度進行評價。

(1)首先分析VIs、TIs、LAI與FPAR的定量關(guān)系，發(fā)現(xiàn)3種參數(shù)與FPAR均極顯著相關(guān)(P<0.01)，表明可以基于VIs、TIs、LAI建立FPAR估算模型，這一結(jié)果與前人關(guān)于FPAR的定量研究一致[29-30]。植被指數(shù)是表征作物生長信息的重要參數(shù)，F(xiàn)PAR是植被在波長400～700 nm進行光合作用的太陽輻射[31]，而選取的PVI、MTVI2、EVI、VARI、TSAVI、GLI、ExG、RGBVI等植被指數(shù)是將紅、綠、藍(lán)、近紅外、紅邊等波段以任意形式組合，這在一定程度上增強了光譜信息表征FPAR的能力；TIs是將多光譜影像的紋理特征按照植被指數(shù)的思想通過不同形式的數(shù)學(xué)組合構(gòu)建而成，這種形式不受多光譜影像光譜信息影響，可在一定程度上避免“同物異譜、異物同譜”現(xiàn)象，構(gòu)建的NDTI、RTI、DTI在降低土壤背景、改善傳感器視場角、降低影像中地形與陰影等因素的影響具有一定的優(yōu)勢，進一步增強了紋理信息表征FPAR的能力。

(2)對比FPAR估算的一元線性回歸模型、多元逐步回歸模型、嶺回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型，在不同形式的估算模型中，以BP神經(jīng)網(wǎng)絡(luò)估算精度最好(R2為0.857，RMSE為0.173)，嶺回歸估算模型的精度次之(R2為0.836，RMSE為0.196)，多元逐步回歸再次(R2為0.764，RMSE為0.217)，一元線性回歸模型較差(R2為0.645，RMSE為0.276)。這種結(jié)果是由于一元線性回歸模型是以單一參數(shù)直接表征FPAR，該方法簡便直觀，但對FPAR估算的機理解釋不足；而多元逐步回歸估算模型，是以FPAR與不同建模參數(shù)進行簡單回歸后逐步引入其他信息，增強建模參數(shù)與FPAR之間的顯著性[32]，但是建模過程中存在共線性問題，模型精度受到影響；嶺回歸估算模型以損失部分信息和降低精度為代價獲得更可靠的回歸系數(shù)[33]，改善了FPAR的估算與驗證精度；BP神經(jīng)網(wǎng)絡(luò)模型模型的基本思想是利用梯度下降法，逐層求出目標(biāo)函數(shù)對各神經(jīng)元權(quán)值的偏導(dǎo)數(shù)，作為權(quán)值更新的依據(jù)，使模型學(xué)習(xí)達(dá)到期望的性能，進一步改善了模型精度，增強模型的適應(yīng)性與推廣性。

(3)建立FPAR的一元線性模型、多元逐步回歸模型、嶺回歸模型、BPNN模型。在不同形式的FPAR估算模型中，對比不同模型輸入?yún)?shù)發(fā)現(xiàn)，融合VIs、TIs、LAI等3種建模參數(shù)的FPAR模型估算精度與驗證精度最優(yōu)，而以單一參數(shù)構(gòu)建的FPAR估算模型精度較差。這種融合多種參數(shù)構(gòu)建FPAR估算模型，在一定程度上避免了單一參數(shù)在極端條件下估算FPAR的不確定性影響，同時也增強了FPAR估算的農(nóng)學(xué)解釋機理，提高了估算精度[34-35]。

綜上所述，本文從VIs、TIs、LAI上分析了不同建模參數(shù)對FPAR估算的影響，在估算方法上對比了簡單的一元線性回歸、多元逐步回歸、嶺回歸、反向傳播神經(jīng)網(wǎng)絡(luò)模型等方法對FPAR估算的影響。然而，F(xiàn)PAR估算受生態(tài)環(huán)境、植被背景、植被冠層結(jié)構(gòu)、葉綠素濃度、散射PAR、影像質(zhì)量等諸多不確定性因素的影響。因此，在今后研究中需應(yīng)用生態(tài)學(xué)方法，從不同角度獲取豐富的建模參數(shù)，增強模型的解釋機理，改進FPAR估算方法。

4 結(jié)論

(1)基于無人機多光譜信息的VIs、TIs、LAI與FPAR呈極顯著相關(guān)(P<0.01)，VIs與FPAR的|R|為0.727～0.803；TIs與FPAR的|R|為0.634～0.733；LAI與FPAR的|R|為0.748。

(2)對比FPARUL、FPARMSR、FPARRR、FPARBPNN的估算精度與驗證精度，不同模型中以FPARBPNN的估算效果最優(yōu)，F(xiàn)PAR估算模型R2為0.857，RMSE為0.173，驗證模型R2為0.868，RMSE為0.186，模型估算值與田間實測值間RE為8.71%。FPARBPNN估算效果與驗證效果均優(yōu)于FPARRR、FPARMSR、FPARUL。

(3)以VIs、TIs、LAI為模型的輸入?yún)?shù)，分別以單一輸入?yún)?shù)、任意參數(shù)的兩兩組合、VIs+TIs+LAI為FPAR的輸入?yún)?shù)，構(gòu)建FPAR估算模型，結(jié)果表明，多特征參數(shù)融合的輸入?yún)?shù)能有效提高FPAR估算能力，這一結(jié)果在不同方法中均得到較好的驗證。