第3卷第4期2021年12月
Vol.3，No.4
Dec.2021农业大数据学报
Journal of Agricultural Big Data
贺佳1，2王来刚1，2*郭燕1，2张彦1，2杨秀忠1，2刘婷1，2张红利1，2
（1.河南省农业科学院农业经济与信息研究所，郑州450002；
2.农作物种植监测与预警河南省工程实验室，郑州450002）
摘要：叶面积指数（leaf area index，LAI）是表征作物生长信息的重要参数，利用无人机遥感平台获取农作物光谱信息定量反演LAI对精确监测作物生长情况具有重要意义。本文以玉米为研究对象，利用无人机（un⁃
manned aerial vehicle，UAV）搭载MicaSense RedEdge-M多光谱成像仪获取玉米拔节期、抽雄期、成
熟期等
关键生育期内低空遥感影像，同步采集地面LAI，基于多光谱信息构建植被指数并研究其与LAI的定量关
油纸电容式套管系，进一步建立玉米LAI估算模型，对比分析筛选最优植被指数与最适监测时期。实验发现在拔节期、抽 雄期、成熟期玉米LAI与NDVI、OSAVI、EVI、NDRE均具有较好的相关性；在不同时期分别基于OSAVI、
NDRE、NDRE建立了LAI监测模型，模型监测精度分别为0.549、0.753、0.733；验证模型精度分别为
0.907、0.932、0.926，模型估算值与田间实测值间相对误差分别为8.57、8.37、9.24，均方根误差分别为
0.104、0.087、0.091；基于不同生育时期LAI估算模型进行田块尺度的LAI空间分布制图，估算值与实测值毛毡包
的决定系数分别为0.883、0.931、0.867；相对误差分别为：9.17、8.86、9.32。结果表明基于MicaSense Red⁃
Edge-M多光谱成像仪能有效估算玉米关键生育时期LAI，可为定量实时估算田块尺度的玉米LAI提供理论
依据。
关键词：无人机；多光谱；遥感；玉米；叶面积指数
中图分类号：S-3文献标识码：A文章编号：2096-6369（2021）04-0020-09
引用格式：贺佳，王来刚，郭燕，等.基于无人机多光谱遥感的玉米LAI估算研究[J].农业大数据学报,2021,03(04):20-28.
He Jia,Wang Laigang,Guo Yan,et al.Estimating the Leaf Area Index of Maize based on Unmanned Aerial Vehicle Multispectral
Remote Sensing[J].Journal of Agricultural Big Data,2021,03(04):20-28.
Estimating the Leaf Area Index of Maize based
on Unmanned Aerial Vehicle Multispectral Re‐
mote Sensing
He Jia1，2Wang Laigang1，2*Guo Yan1，2Zhang Yan1，2Yang Xiuzhong1，2
Liu Ting1，2Zhang Hongli1，2
(1.Institution ofAgricultural Economy and Information,HenanAcademy ofAgricultural Sciences,Zhengzhou450002,China;
2.Henan Engineering Laboratory of Crop Planting Monitoring and Warning,Zhengzhou450002,China)
DOI：10.19788/j.issn.2096-6369.210403
收稿日期：2021⁃07⁃08
基金项目：河南省重点研发与推广专项（科技攻关）项目(212102110250)，国家重点研发计划项目（2016YFD0300609，2018YFD0300702），河南省农业科学院基本科研项目（2021ZC60，2022ZC53）
作者简介：贺佳，男，博士，研究方向：农业遥感应用及高效农作制度；E-mail:*****************
通讯作者：王来刚，男，博士，副研究员，研究方向：农业遥感应用；E-mail:*****************
第4期贺佳等：基于无人机多光谱遥感的玉米LAI估算研究
Abstract:Remote sensing technology can be used to estimate the leaf area index(LAI)value of crops rapidly and harmless‐ly.The purpose of this study is to research the accuracy,reliability,and adaptability of the LAI using unmanned
aerial vehicle(UAV)multispectral remote sensing.During a summer maize-fertilizer cross test,the LAI and multi‐
spectral images captured by a six-rotor UAV with a MicaSense RedEdge-M camera(which has five high-resolu‐
tion channels:blue,green,red,red edge,and near infrared)were collected at the jointing,tasseling,and maturity
stages of the maize.The normalized differential vegetation index(NDVI),optimized soil adjusted vegetation in‐
dex(OSAVI),enhanced vegetation index(EVI),and normalized differential red edge index(NDRE)were calculat‐
ed at each stage.The correlation between these metrics and the LAI were analyzed and their values were estab‐
lished based on the multispectral images at different growth stages.Then,an LAI model for each growth stage was
established.After the accuracy of these models was tested using independent data,a maize LAI estimation map
was made by processing each pixel in the maize multispectral image using these models.The results indicate the
following:1)There is a high correlation between the LAI and the NDVI,OSAVI,EVI,and NDRE values at the
jointing,tasseling,and maturity stages.2)LAI estimation models were established based on OSAVI,NDRE,and
NDRE for the jointing,tasseling,and maturity stages,respectively.They had decision coefficient values(R2)of
0.549,0.753,and0.733,respectively,and the R2of the verification models were0.907,0.932,and0.926,respec‐
tively.The predicted and measured values at different growth stages had relative error values of8.57,8.37,and
9.24and root-mean-squared error values of0.104,0.087,and0.091,respectively.3)The spatial distribution of the
LAI at field scale was mapped by the LAI estimation models at each growth stage,yielding R2values of0.883,
0.931,and0.867and relative error values of9.17,8.86,and9.32,respectively.Therefore,the LAI map reflected
the real-world spatial distribution pattern of the LAI in the maize fields well.The established agricultural UAV re‐
mote sensing monitoring system provides accuracy,reliability,and adaptability for precision agriculture applica‐
tions as well as the corresponding retrieval models for studying the feasibility of estimating the LAI during differ‐
ent growth stages.
Keywords:unmanned aerial vehicle(UAV);multi-spectral;remote sensing;maize;leaf area index(LAI)
1引言
叶面积指数（Leaf area index，LAI）是表征作物冠层结构及生长信息的重要参数之一，了解LAI对掌握作物长势动态、水肥调控、产量预测等生产管理具有重要意义[1]。玉米是我国主要的作物之一，快速准确获取其生长信息，以便为田间施肥决策、估产等生产管理提供技术支撑[2]。传统LAI信息获取方法仅能表示点位信息，而遥感技术凭借非侵入式、高通量的优势，能快速、无损、大尺度获取作物生长信息，已成为精准农业的重要内容和研究热点[3-5]。
目前，利用卫星遥感技术对LAI的估算已经取得了一些进展。如科学家们通过TM、ETM、World View-3、Sentinel-2、GF-1/2等卫星遥感影像实现了区域尺度的小麦、水稻、玉米、棉花等作物LAI估算[6-1
1]。但卫星遥感影像容易受大气云层、雨雪天气、重访周期等因素的影响，难以满足特定区域尺度高频次、高分辨率数据的需求[12-14]。而低空无人机（Unmanned aerial vehicle，UAV）则能根据需求搭载不同光谱波段的传感器，有效弥补卫星遥感在中小尺度高精度估算研究中的不足，已逐渐成为现代精准农业研究的新手段[15-18]。如Berni等利用无人机多光谱影像估算橄榄树LAI[19]；刘峰等通过无人机多光谱估算板栗冠层覆盖度[20]；Córcoles等通过无人机多光谱数据研究了洋葱LAI[21]；Peter等利用无人机多光谱影像估算马铃薯LAI[22]；孙涛等基于无人机多光谱遥感影像实现了水稻LAI估算[23]；王瑛利用无人机多光谱影像估算小麦LAI[24]；褚洪亮等研究指出基于无人机多光谱影像估算玉米LAI的预测值与田间实测值具有较高的一致性[25]；牛庆林等基于多光谱影像估算玉米育种材料LAI精度超过0.60[26]；孙诗睿等基于无人机多光谱数据结合灰关联度与随机森林方法反演冬小麦LAI精度达到0.80[27]；高林等基于无人机数码影像与多光谱遥感影像分别研究了小麦、大豆LAI[28-29]。这些研究为无人机遥感技术服务农业生产管理提供了新的成果，同时推动了无人机遥感在作物生长信息定量监测中的应用。
虽然基于无人机多光谱的作物参数遥感估算已
21
农业大数据学报：应用研究第3卷第4期
经取得了一些进展，但这些研究多通过不同传感器构建某一生育时期或多生育时期累加植被指数建立模型，而植被指数则随着作物生育时期及冠层结构等因素的变化，在时间尺度上存在一定差异性，导致估算模型估算精度及应用尺度受到局限。因此，本文以无人机搭载MicaSense RedEdge-M多光谱成像系统获取玉米拔节期、抽雄期、成熟期等多光谱影像，综合考虑在不同生育时期多光谱影像特征，同时结合Mica‐Sense RedEdge-M的红边波段，进一步优化筛选植被指数，建立LAI最佳估算模型及估算时期，改善LAI 估算模型的稳定性与适用性；并在此基础上进行田块尺度的LAI空间差异性制图，为田块尺度的作物生长信息监测诊断提供理论依据与技术支撑。
一个度导航2实验设计
2.1研究区概况
实验在中国农业科学院新乡综合实验基地进行，实验基地地处113°46'08.10"E，35°08'03.67"N，海拔78.9m，温带大陆性季风型气候，年平均温度14.2℃，无霜期210d，年日照时数约2400.0h，年蒸发量约2000.0mm，年平均降水量585.0mm。土壤为黄河冲积物发育潮土，0~20cm碱解氮68.65mg/kg，速效磷
9.21mg/kg，速效钾71.12mg/kg，有机质含量
10.21mg/kg。
2.2实验设计
小区实验于2019—2020年进行，采取随机区组设计，设置2个玉米品种，5个氮肥水平，3组重复。2个玉米品种分别为“郑单958（ZD958）”，“登海605（DH605）”；5个氮肥（46.00%N尿素）水平分别为N0（0kg/hm2），N1（75kg/hm2），N2（150kg/hm2），N3（225kg/hm2），N4（300kg/hm2），总氮肥60%作为基肥，40%作为追肥，磷钾肥施用量分别为120kg/hm2和120kg/hm2；“ZD958”种植密度为67500株/hm2，“DH605”种植密度为82500株/hm2；其他管理方式按照豫北平原高产玉米措施管理。2.3数据获取与处理
2.3.1无人机多光谱遥感影像采集及预处理
无人机多光谱数据采集是利用自主搭建低空无人机遥感监测平台，主要由大疆六旋翼无人机（Ma‐trice600Pro，M-600）与MicaSense RedEdge-M多光谱成像仪构成，主要参数见表1。MicaSense RedEdge-M多光谱成像仪同时收集蓝（Blue）、绿（Green）、红（Red）、近红外（Nir）、红边（Rededge）5个不连续的光谱波段，相机焦距为5.5mm，视场角为47.2°，图像分辨率为1280×960。飞行前后以相机配备的0.3m×0.3m灰板反射率进行校正。实验在晴朗无云无风或微风时进行，时间在11:00—14:00，无人机飞行高度为70m，飞行方向为南北方向，航向重叠度为70%，旁向重叠度为70%。影像空间分辨率为获取到的0.035m。MicaSense RedEdge-M多光谱成像仪参数见表2。同步获取RGB高清数码影像，空间分辨率0.028m，为几何校正基础数据。
将航拍获取的多光谱照片以时间序列为索引，选取有效照片导入瑞士Pix4D公司Pix4D mapper软件，根据照片信息对进行（1）初始化处理；（2）点云和纹理处理；（3）DSM、正射影像等处理；（4）利用各通道反射板校正，输出拼接后影像；（5）拼接后的多光谱图像以同期获取的高清数码图像为参考进行几何校正，误差小于0.5个像元；（6）根据研究区域地理坐标对拼接后的图像进行裁剪，形成研究区多光谱影像。
2.3.2LAI数据采集
在实验区内随机选取长势均匀一致的1m×1m 固定样方内采集LAI，与无人机多光谱数据同步采集。LAI采集以美国Decagon公司AccuPARLP-80植物冠层分析仪采集，在平行于玉米垄间、垂直垄间各测3次，取算数平均值为该测量点LAI。
2.4植被指数选取
通过多光谱信息构建植被指数来反演LAI，可有效凸显作物体结构信息，降低干扰因素的影响[30]。本文在前人对LAI遥感估算精度研究的基础上，综合考虑遥感估算精度不确定性因素的主要来源，同时结合MicaSense RedEdge-M多光谱影像数据特点，筛选了归一化差值植被指数（NDVI）、控制土壤背景因素的优化土壤调整植被指数（OSAVI）、控制大气噪声因素的增强植被指数（EVI）、同时结合多光谱传感器对
22
第4期贺佳等：基于无人机多光谱遥感的玉米LAI估算研究
红边波段优化归一化红边植被指数（NDRE）等具有明确物理意义且与LAI具有较好相关性的植被指数，建立LAI估算模型。不同植被指数计算公式及来源见表2。
2.5数据分析
将连续2年数据按照处理进行分组，采用经验模型法进行LAI估算。在对实验区采集数据经验性统计描述的基础上，通过相关、回归分析，建立经验模型，并以独立数据对模型精度进行验证；在建模过程中，对比分析最适植被指数与最适估算时期；在此基础上利用模型进行大田尺度的LAI空间制图，结合空间分布图，进行田间实测值取样，分析反演制图精度；进一步分析多光谱数据估算玉米LAI的潜力。
2.6精度评价
本文以相关系数（Correlation coefficient，r）来衡量LAI与植被指数的相关程度；以决定系数（Determi‐nation coefficient，R2）与标准误差（Standard error，SE）评价LAI的估算效果；以均方根误差（Root mean square error，RMSE）与相对误差（Relative error，RE）分析模型估算值与田间实测值的拟合程度，评价模型的验证精度。
r=∑((x-xˉ)×(y-yˉ))
[]
∑(x-xˉ)2×(y-yˉ)2)12
（1）R2=
[∑i=1n()x-xˉ()y-yˉ]2
∑i=1n()x-xˉ2∑i=1n()y-yˉ2（2）SE=（3）
表1无人机多光谱遥感监测平台主要参数
Table1Main parameters of UAV multispectral image acquisition system
设备
Equipment
无人机遥感平台
UAV
多光谱传感器MicaSense RedEdge-M
参数
Parameter
有效载荷Playload
航测速度Speed
续航时间Flight time
传感器Camera
图像分辨率Imager resolution
光谱波段
Spectral bands
蓝Blue
绿Green
红Red
近红外Near infrared
红边Rededge
中心波长
Central wavelength
475nm
560nm
668nm
840nm
717nm
参数值
Value
0.8kg
2m/s
20min
MicaSense RedEdge-M
1280×960pixels
波宽
Wavelength width
20nm
20nm
10nm
40nm
10nm
灰板反射率
Reference reflectance
51.2%
51.2%
51.2%
51.0%
51.1%
表2本文采用的植被指数
Table2Vegetation indices in this article
植被指数
Vegetation index NDVI(Normalized difference vegetation index) OSAVI(Optimize Soil-adjusted vegetation index) EVI(Enhanced Vegetation Index)
NDRE（Normalized difference red edge index）
计算公式
Formulas
NDVI=ρ
nir
-ρ
r
/ρ
nir
+ρ
r
OSAVI=(ρ
nir
-ρ
r
)/(ρ
nir
+ρ
r
+X)
EVI=2.5×(ρ
nir
-ρ
r
)/(ρnir+6×ρ
r
-7.5×ρ
送煤气罐
b
+1)
NDRE=(ρ
nir
-ρ
re
)/(ρ
nir
+ρ
re
)
来源
References
[31]
[32]
[33]
[34]
注：ρnir、ρr、ρg、ρb、ρre分别为近红外波段、红光波段、绿光波段、蓝光波段、红边波段的反射率;X表示降低土壤背景影响的优化值，取0.16。
ρnir 、ρ
r
、ρ
g
、ρ
b
、ρ
re
were reflectance in near-infrared,red,green,blue and rededge wavelength respectively.X represents the optimized value
of reducing the influence of soil background,which is0.16here.
23
农业大数据学报：应用研究第3卷第4期RMSE =（4）
RE(%)=∑i=1n x-y
y
n×100（5）
x表示估计值；xˉ表示估计值的平均值；y表示实测值；yˉ表示实测值的平均值;n表示样本数量。
3结果与分析
3.1玉米LAI与植被指数的定量关系
通过对无人机多光谱遥感影像进行解译分析，提
取5个波段下玉米冠层反射率值，根据表2公式计算植被指数，通过统计分析（n=60）计算不同生育时期LAI与相应植被指数的定量关系（表3）。由表可知，在不同生育时期，NDVI、OSAVI、EVI、NDRE与LAI 呈现极显著相关（P<0.01），相关系数为：0.713~0.868。按照统计学规定，相关系数0.50≤|r|≤0.80，表明变量之间中度相关；|r|≥0.80，变量之间则高度相。通过相关分析表明所选植被指数均能用来估算玉米LAI，可作为构建LAI估算模型的参数。
3.2基于植被指数的LAI估算模型精度与验证
在相关性分析的基础上，以LAI为因变量，植被指数为自变量，建立不同生育时期LAI估算模型（n= 60），不同生育时期玉米LAI估算模型见表4。由表可知：基于4种植被指数的不同生育时期LAI估算模型决定系数（R2）分别为0.508~0.666、0.667~0.753、0.630~0.733；标准误差（SE）分别为：0.026~0.133、0.027~0.121、0.047~0.141。表明模型具有较好的估测精度。以独立数据对模型精度进行验证（n=60），结果发现不同生育时期模型估算值与田间实测值间相对误差（RE）分别为：8.57~11.31、8.34~10.84、9.24~ 13.41；均方根误差（RMSE）分别为：0.104~0.147、0.087~0.121、0.091~0.156；说明估算模型具有较好的稳定性。不同生育时期LAI模型估算值与田间
实测值间对比结果如图2所示。
3.3基于多光谱的玉米LAI空间分布与精度验证
将LAI估算模型应用于多光谱遥感影像，得到研究区不同生育时期玉米LAI空间分布，如图3所示，由图可知，拔节期玉米LAI相对较小，抽雄期较高，成表3不同生育时期植被指数与LAI的相关性（n=
60）
Table3Correlation coefficient between vegetation in‐dices and LAI at different growth stages(n=60)
参数
Parameter
NDVI
OSAVI
EVI
NDRE
植被指数
Vegetation index
拔节期
汽车投影Jointing
0.721**
0.816**
0.713**
0.741**
抽雄期
Tasseling
0.835**
0.817**
0.831**
0.868**
成熟期
Maturation
0.813**
0.827**
城市规划模型
0.794**
0.856**
**为置信区间0.01水平上达到极显著相关性。
**showed an extremely significant correlation at the level of
0.01in the confidence
interval.
图2基于植被指数的玉米LAI估算值与实测值比较图（n=60）
Fig.2Comparison of maize LAI predicted value and measured value(n=60) 24
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议