摘要： 【目的】探究更高效估測玉米 LAI 的無人機多光譜遙感監(jiān)測模型，實現(xiàn)對玉米葉面積指數(shù)（Leaf area index，LAI） 的快速預(yù)測估算?！痉椒ā恳匀L周期的玉米植株為研究對象，通過多光譜遙感無人機獲取玉米植株影像并實地采集玉米LAI，利用多光譜信息研究植被指數(shù)與玉米LAI 之間的定量關(guān)系，并選擇相關(guān)的植被指數(shù)；分別使用多元線性逐步回歸、支持向量機回歸算法（Support vector machine regression，SVM）、隨機森林回歸算法（Random forest regression，RF） 和基于鯨魚算法（Whale optimization algorithm，WOA） 優(yōu)化的隨機森林算法（WOA-RF） 構(gòu)建玉米LAI 預(yù)測模型，通過分析對比，選擇最優(yōu)預(yù)測模型。【結(jié)果】篩選出的植被指數(shù)NDVI、NDRE、EVI、CIG 與LAI 呈極顯著相關(guān)（Plt;0.01），構(gòu)建了多元線性回歸模型、SVM 模型、RF 模型和WOARF模型的預(yù)測模型，R2 分別為0.873 2、0.878 0、0.917 7 和0.940 8，RMSE 分別為0.277 5、0.236 5、0.209 0 和0.128 7?！窘Y(jié)論】基于WOA-RF 的玉米LAI 預(yù)測模型的預(yù)測精度能夠滿足玉米生產(chǎn)的需要，對玉米生長期間的種植管理具有指導(dǎo)意義。

關(guān)鍵詞： 無人機（UAV）；遙感；多光譜；玉米；葉面積指數(shù)（LAI）；監(jiān)測

中圖分類號： S25；S513 文獻(xiàn)標(biāo)志碼： A 文章編號： 1001-411X（2024）04-0608-10

玉米Zea mays L.作為我國三大主要糧食作物之一，具有種植成本低、周期短、收益快的優(yōu)勢，保證玉米作物的高質(zhì)量生產(chǎn)是保障國家糧食安全、促進(jìn)農(nóng)民增收以及農(nóng)業(yè)經(jīng)濟(jì)發(fā)展的有效措施[1]。 然而，在玉米生長過程中面臨著多種挑戰(zhàn)，包括玉米生長狀況監(jiān)測、病蟲害預(yù)測和防治等問題。因此，高效、準(zhǔn)確、快速、及時地獲取玉米作物的生長信息對玉米生長監(jiān)測和管理具有重要意義。地上部生物量和葉面積指數(shù)（Leaf area index，LAI） 是反映作物生長狀況的重要農(nóng)藝參數(shù)，且二者間存在密切的聯(lián)系。在玉米不同的生長發(fā)育階段，由于作物冠層結(jié)構(gòu)、葉片形態(tài)以及生理生態(tài)特征的變化，作物冠層在圖像中表現(xiàn)出的光譜特征亦有不同[2， 3]。目前，測量作物L(fēng)AI 主要包括地面采樣以及遙感與地面測量結(jié)合這2 種方法，其中，遙感與地面測量結(jié)合的方法更為精確，可用于驗證遙感結(jié)果的準(zhǔn)確性[4]。廣泛應(yīng)用于作物長勢監(jiān)測研究的光譜植被指數(shù)法為玉米監(jiān)測提供了有效的工具。植被指數(shù)（Vegetation index，VI） 是利用2 個或多個波段的反射率經(jīng)過線性或非線性組合運算增強植被信息，以削弱環(huán)境背景對植被光譜特征的干擾，如歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）、增強植被指數(shù)（Enhanced vegetation index，EVI） 和差值植被指數(shù)（Difference vegetation index，DVI） 等。目前，光譜植被指數(shù)法已經(jīng)作為一種快速獲取地表信息的手段，被國內(nèi)外學(xué)者用于作物長勢監(jiān)測研究[5]。楊貴軍等[6] 通過無人機搭載多傳感器，實現(xiàn)了對作物產(chǎn)量、LAI、冠層溫度等多種信息的監(jiān)測。邵國敏等[7] 基于無人機獲取多光譜數(shù)據(jù)，在水分脅迫條件下，植被指數(shù)的隨機森林回歸模型可以較好地估算LAI，決定系數(shù)（R2） 在0.74～0.87 之間，表明使用隨機森林回歸算法估算多種灌溉條件下的夏玉米LAI 是可行的。張瑾[8] 基于無人機多光譜遙感數(shù)據(jù)和采用支持向量機構(gòu)建了LAI 估測模型，模型的R2 可達(dá)到0.701；并通過粒子群算法進(jìn)行模型優(yōu)化，優(yōu)化后模型的R2 提高至0.822，均方根誤差（RMSE） 為0.267，證明粒子群算法可以有效地提高模型的預(yù)測精度。孫詩睿等[9] 基于無人機多光譜影像，通過對比不同植被指數(shù)建模方法分析了冬小麥葉面積指數(shù)的反演精度，發(fā)現(xiàn)基于多植被指數(shù)的隨機森林算法預(yù)測具有更好的擬合效果。鯨魚優(yōu)化算法（Whale optimization algorithm ，WOA） 以其高效的參數(shù)優(yōu)化能力和出色的全局搜索能力而聞名，能夠更好地優(yōu)化數(shù)據(jù)模型以適應(yīng)玉米監(jiān)測需求。此外，WOA 具有自適應(yīng)性，可以自動調(diào)整搜索策略，從而提高模型的魯棒性。He 等[10] 為了研究土壤濕度對玉米產(chǎn)量的影響，將WOA 與正弦混沌圖相結(jié)合，并與支持向量機（Support vector machine，SVM） 結(jié)合使用，結(jié)果顯示，SVM-WOA 相對于SVM 在60 cm 深度的平均絕對誤差（MAE）、均方根誤差（RMSE）、平均絕對百分比誤差（MAPE） 和平均偏差（MBE） 方面分別提高了14.0%、13.0%、41.5% 和14.0%，表明經(jīng)過WOA 算法優(yōu)化后的模型可以更好地為智能農(nóng)業(yè)和精準(zhǔn)灌溉提供指導(dǎo)。將WOA 算法應(yīng)用于無人機遙感預(yù)測農(nóng)業(yè)數(shù)據(jù)領(lǐng)域方面的研究鮮見報道，為進(jìn)一步提高多光譜數(shù)據(jù)處理和植被指數(shù)計算的準(zhǔn)確性，本研究對WOA 算法進(jìn)行優(yōu)化，通過多光譜遙感無人機獲取玉米作物冠層多光譜信息構(gòu)建植被指數(shù)，研究植被指數(shù)與玉米LAI 之間的定量關(guān)系；并對篩選出的植被指數(shù)分別使用多元線性回歸、S V M 、隨機森林回歸算法（Random Forest， RF） 和基于WOA 優(yōu)化的隨機森林算法（WOA-RF） 構(gòu)建玉米LAI 預(yù)測模型，選擇最優(yōu)模型以提高玉米LAI 的預(yù)測精度，為玉米監(jiān)測和農(nóng)田管理提供指導(dǎo)和數(shù)據(jù)參考。