劉帥兵 金秀良 馮海寬 聶臣巍 白 怡 余 汛

(1.武漢大學(xué)遙感信息工程學(xué)院, 武漢 430079; 2.中國農(nóng)業(yè)科學(xué)院作物科學(xué)研究所, 北京 100081;3.中國農(nóng)業(yè)科學(xué)院國家南繁研究院, 三亞 572024; 4.北京市農(nóng)林科學(xué)院信息技術(shù)研究中心, 北京 100097)

0 引言

LAI是玉米表型參數(shù)的重要組成部分,是評價(jià)作物長勢、預(yù)測產(chǎn)量、選育優(yōu)良品種的重要參數(shù)[1]。LAI高的植物往往具有更快的光合活性速率和生長速率,從而提升作物產(chǎn)量,因此,選擇LAI高的品種對于育種工程具有重要意義[2]。目前,隨著中國育種工程不斷發(fā)展,大多數(shù)玉米基因型已經(jīng)測序完畢,急需可以大范圍觀測精細(xì)作物冠層結(jié)構(gòu)的方法[3]。因此,觀測玉米育種材料間的性狀差異,可以為育種專家提供大量、穩(wěn)定可靠的田間表型數(shù)據(jù),有利于挑選高抗、性狀穩(wěn)定和高產(chǎn)的優(yōu)良品種[4-5]。玉米LAI田間觀測分為直接觀測和間接觀測兩種[6]。直接觀測是采用破壞性取樣的方式,在田間獲取整株玉米葉片,經(jīng)過測量葉片面積從而計(jì)算玉米LAI[7]。而間接觀測法主要是利用光學(xué)傳感器或通過測量輻射透過率來計(jì)算玉米LAI[8-9]。但這兩種方式皆為人工觀測,費(fèi)時費(fèi)力,面對規(guī)?；挠N試驗(yàn)而言具有工作量大、效率低、主觀性強(qiáng)等缺點(diǎn)[10]。無人機(jī)(Unmanned aerial vehicle,UAV)憑借其高通量、靈活方便、快速無損等特點(diǎn),逐漸成為農(nóng)業(yè)育種領(lǐng)域主要的遙感監(jiān)測平臺[11]。無人機(jī)遙感平臺可以搭載各種光學(xué)傳感器,滿足田間作物長勢監(jiān)測需求,快速準(zhǔn)確獲取玉米LAI信息[12]。

玉米冠層LAI呈現(xiàn)明顯的垂直分布梯度,但目前很少有研究針對玉米LAI垂直分布規(guī)律,從影像中直接估算,缺乏系統(tǒng)性分析[13]。冠層中太陽輻射分布除了受其自身變化影響外,還受到葉片方位角,葉片尺寸,葉片形狀和葉片的吸收、散射和反射等影響。通過分析玉米LAI在冠層不同高度的分布,可以有效對玉米功能葉長勢進(jìn)行監(jiān)測[8],為玉米最終估產(chǎn)提供重要的數(shù)據(jù)支撐,因此有必要進(jìn)一步系統(tǒng)地研究估算玉米LAI垂直分布。目前,針對玉米LAI垂直分布監(jiān)測的方式主要有兩大類:① 基于統(tǒng)計(jì)模型的遙感估算方法,通過高空或地面遙感光譜反射率數(shù)據(jù),建立植被指數(shù)(多個原始波段的組合)與玉米LAI之間的統(tǒng)計(jì)關(guān)系,從而實(shí)現(xiàn)對LAI的定量估算[14-15]。② 基于遙感物理機(jī)理模型,該方法中模型參數(shù)需要有明確的參數(shù)輸入,構(gòu)建非線性模型,方程復(fù)雜,實(shí)用性差,運(yùn)算量會隨著模型參數(shù)的增加呈現(xiàn)幾何倍數(shù)的增長[16]。同時,針對模型優(yōu)化的方法缺乏統(tǒng)一標(biāo)準(zhǔn),當(dāng)遇到代價(jià)函數(shù)和迭代策略不合適時,模型估算結(jié)果很難收斂。植被指數(shù)法簡單實(shí)用,具有很強(qiáng)的普適性,在作物長勢參量垂直分布估算中得到了廣泛關(guān)注[17-18]。

無人機(jī)遙感可以根據(jù)不同實(shí)際需求,方便靈活地制定飛行任務(wù)。但相較于其他高空遙感平臺,無人機(jī)短時間內(nèi)可監(jiān)測面積受飛行高度影響較大,而不同飛行高度獲取的影像空間分辨率不同,進(jìn)而對LAI估算產(chǎn)生影響,需進(jìn)一步探究不同飛行高度下獲取的數(shù)據(jù)對玉米LAI估算的影響。太陽高度角在一天中是動態(tài)變化的,在不同的時間段,玉米陰影投影面積也不一樣,剔除土壤像素時,陰面葉片像素往往也容易被錯誤剔除。因此,探索田間不同無人機(jī)飛行任務(wù)對LAI精確估算的影響,有助于制定合理的田間飛行任務(wù)試驗(yàn),為田間玉米LAI精準(zhǔn)監(jiān)測提供技術(shù)支持。

綜上,本文以新鄉(xiāng)市玉米育種材料為研究對象,搜集田間玉米LAI垂直分布數(shù)據(jù),采用無人機(jī)搭載數(shù)碼相機(jī)、多光譜相機(jī)和熱紅外相機(jī),構(gòu)建多種植被指數(shù)并提取冠層溫度信息,作為影像特征變量。利用梯度提升樹(Gradient-boosting decision tree,GBDT)[19]、輕量級梯度提升樹(Light gradient boosting machine,LightGBM)[20]、多層感知機(jī)回歸(Multilayer perceptron regression,MLPR)、偏最小二乘回歸(Partial least-square regression,PLSR)[21]、隨機(jī)森林回歸模型(Random forest regression,RFR)[22]、支持向量機(jī)回歸(Support vector machine regression,SVR)[23]和極端提升樹(Estreme gradient boosting,XGBoost)7個機(jī)器學(xué)習(xí)方法分別構(gòu)建LAI垂直分布估算模型,同時探討無人機(jī)在不同飛行高度以及不同太陽高度角下獲取的數(shù)據(jù)對LAI估算的影響,以期為田間玉米LAI準(zhǔn)確估算提供技術(shù)支持。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

2022年玉米田間試驗(yàn)設(shè)置在河南省新鄉(xiāng)市新鄉(xiāng)縣七里營鎮(zhèn)中國農(nóng)業(yè)科學(xué)院新鄉(xiāng)綜合試驗(yàn)基地(圖1)。試驗(yàn)區(qū)地處暖溫帶大陸性季風(fēng)氣候(113°45′55″E,35°08′28″N),四季分明,年平均氣溫14℃,其中7月最熱,平均氣溫27.3℃,年均相對濕度68%,平均降水量為656.3 mm,年蒸發(fā)量為1 748.4 mm。

圖1 2022年玉米田間種植試驗(yàn)設(shè)計(jì)

在播種前田間施加基肥,包括硫酸鉀(K2SO4,52%,12 kg/hm2)、尿素(N,46%,200 kg/hm2)以及過磷酸鈣 (Ca(H2PO4)2,12%,90 kg/hm2)。試驗(yàn)區(qū)玉米的播種方式為行播種,灌溉方式為大水漫灌,播種時間為2022年6月7日。

無人機(jī)及玉米LAI垂直分布觀測試驗(yàn)于2022年7—9月進(jìn)行。試驗(yàn)區(qū)域設(shè)置3個不同的玉米試驗(yàn)設(shè)計(jì),即玉米病害試驗(yàn)、玉米種植密度試驗(yàn)和玉米播期試驗(yàn)。整個試驗(yàn)區(qū)東西總長112.5 m,南北總長82 m(包括保護(hù)行),株間距設(shè)置為22.5 cm,種植行間距設(shè)置為60 cm,播種深度為5 cm。所有玉米小區(qū)均在2022年6月7日種植完畢。

(1)玉米病害試驗(yàn)(試驗(yàn)1):試驗(yàn)區(qū)設(shè)置20個自交系和20個雜交系共40種玉米品種。接種試驗(yàn)選擇的病種類型為玉米小斑病和玉米彎孢病。田間設(shè)置了3個對照試驗(yàn),每種病害都接種1個對照中全部40個玉米品種,剩下1個為健康對照組。在田間設(shè)置了完全對照重復(fù)試驗(yàn),以避免產(chǎn)生偶然誤差(圖1b中B1、B2)。每個玉米小區(qū)尺寸設(shè)置為3 m×3 m,小區(qū)南北和東西方向分別設(shè)置了0.7 m和1.2 m的過道。每個病害對照試驗(yàn)之間設(shè)置了2個1 m過道以及3行(1.6 m)抗病性較強(qiáng)的玉米品種,避免各玉米小區(qū)之間的交叉感染。試驗(yàn)選取一半玉米病害小區(qū)作為LAI觀測區(qū)域。

(2)玉米密度試驗(yàn)(試驗(yàn)2):試驗(yàn)區(qū)設(shè)置7個雜交系玉米品種,4個不同的種植密度,共計(jì)28個玉米小區(qū)。密度分別設(shè)置為15 000株/hm2(1K)、45 000株/hm2(3K)、75 000株/hm2(5K)和105 000株/hm2(7K)。同樣在田間設(shè)置了完全對照試驗(yàn)(圖1b中B3、B4)。密度小區(qū)南北長7 m,東西長3 m,南北和東西方向分別設(shè)置0.7 m和1.2 m的過道。其中小區(qū)南半部分為破壞性取樣區(qū)域,因此本研究玉米LAI觀測主要集中在小區(qū)北面。

(3)玉米播期試驗(yàn)(試驗(yàn)3):試驗(yàn)區(qū)區(qū)別于試驗(yàn)1、2,將玉米播種時間延后21 d,即2022年6月28日播種。設(shè)置4個玉米雜交品種,3個重復(fù)共12個小區(qū)。玉米小區(qū)南北長5.4 m,寬3 m,小區(qū)南北和東西方向分別設(shè)置0.8 m和1.2 m的過道,具體空間分布如圖1b中B5所示。

1.2 LAI數(shù)據(jù)和無人機(jī)多源遙感影像采集

玉米垂直分布試驗(yàn)采用Sunscan冠層分析儀進(jìn)行觀測,具體如圖2所示。

圖2 玉米LAI垂直分布田間觀測設(shè)計(jì)

當(dāng)試驗(yàn)進(jìn)入玉米抽雄期,此時玉米整體生理結(jié)構(gòu)定型、株高穩(wěn)定、生殖器官發(fā)育完備,具備了在固定高度對LAI垂直分布數(shù)據(jù)進(jìn)行測量的田間條件。因此LAI垂直分布設(shè)置在玉米抽雄期進(jìn)行測量,在豎直方向上分為5層對LAI進(jìn)行觀測。第1層貼近地面,第2層為穗位葉與地面之間1/2處,第3層為玉米穗位葉高度,第4層為穗位葉與頂部葉片1/2處,第5層位于頂層葉片處。每層LAI分別在0°、120°、240° 3個方向觀測,取平均值作為每層LAI的觀測數(shù)據(jù)。選擇在避免太陽光直射的條件下,測量玉米垂直分布數(shù)據(jù)。玉米LAI垂直分布如圖3所示(以9月15日玉米成熟期為例)。由于當(dāng)?shù)貧夂虿贿m以及極端災(zāi)害導(dǎo)致玉米倒伏的影響,雖然對田間倒伏玉米進(jìn)行了架設(shè)竹竿等補(bǔ)救措施,但玉米倒伏現(xiàn)象仍導(dǎo)致玉米LAI觀測值整體偏低。

圖3 玉米LAI垂直分布(以9月15日為例)

無人機(jī)采用DJI Matrice M300型和 DJI Matrice M600 Pro型兩款電動旋翼無人機(jī)(深圳大疆創(chuàng)新科技有限公司)。玉米不同生育期試驗(yàn)采用的是DJI M600 Pro型六旋翼電動無人機(jī)+DJI Romin-MX型攝影云臺搭載SONY ILCE-7M2型數(shù)碼相機(jī)(Sony Corporation, 日本)獲取高精度的RGB影像。采用DJI M300四旋翼電動無人機(jī)搭載Micasense RedEdge-MX型多光譜相機(jī)(Micasense, Inc.,美國)和FLIR DUO PRO R 640型熱紅外相機(jī)(FLIR Systems, Inc., 美國),分別獲取多光譜(MS)和熱紅外(TIR)無人機(jī)遙感影像。無人機(jī)及傳感器具體如圖4所示。

圖4 無人機(jī)平臺及其搭載的傳感器

在進(jìn)行不同飛行高度和不同太陽高度角的影像數(shù)據(jù)獲取時,由于飛行任務(wù)頻繁,為了避免影響整體試驗(yàn)進(jìn)程,采用DJI M300型無人機(jī)搭載禪思L1型傳感器(RGB鏡頭)和Micasense RedEdge-MX型多光譜相機(jī),獲取RGB影像和MS影像(未獲取TIR影像)。具體飛行任務(wù)設(shè)置、影像細(xì)節(jié)和太陽高度角方位角信息如表1所示。

表1 2022年無人機(jī)飛行任務(wù)設(shè)置和影像太陽高度角、方位角信息

表2 影像變量與玉米LAI各生育期相關(guān)性排序結(jié)果

2022年8月3日—9月15日,在玉米的不同生育期進(jìn)行數(shù)據(jù)采集,飛行高度設(shè)置為30 m,飛行速度設(shè)置為2 m/s,影像航向和旁向重疊率設(shè)置為85%。2022年9月17日,開展無人機(jī)飛行高度試驗(yàn),分別設(shè)置30、50、70、90、120 m 5個飛行高度,飛行速度設(shè)置為2 m/s;飛行試驗(yàn)分別在上午和下午設(shè)置了完全對照試驗(yàn),共計(jì)10個飛行架次。2022年9月18日設(shè)置不同太陽高度角和方位角的試驗(yàn),從08:00—18:00,每個整點(diǎn)飛行一個架次,飛行高度設(shè)置為30 m,飛行速度設(shè)置為2 m/s,影像重疊率設(shè)置為85%。玉米無人機(jī)搭載多源傳感器所采集到的影像數(shù)據(jù)如圖1所示。

統(tǒng)計(jì)了所有無人機(jī)數(shù)據(jù)采集時,不同太陽高度角和方位角的信息(表 1)。無人機(jī)飛行前,采集了無人機(jī)多光譜定標(biāo)板和熱紅外地面黑體溫度定標(biāo)板,用于多光譜和熱紅外的輻射定標(biāo),將多光譜和熱紅外的DN值轉(zhuǎn)換成反射率和玉米冠層實(shí)際溫度,具體計(jì)算公式為

(1)

f(x)=0.035x-233.59

(2)

T=f(D)

(3)

式中ρ1、ρ2——無人機(jī)影像和多光譜輻射定標(biāo)板反射率

D1、D2——無人機(jī)影像和多光譜輻射定標(biāo)板輻亮度

f(x)——無人機(jī)熱紅外影像溫度轉(zhuǎn)換值

x——熱紅外的輻亮度

T——無人機(jī)影像玉米冠層溫度

D——無人機(jī)影像玉米冠層輻亮度

由Agisoft PhotoScan(Agisoft LLC,俄羅斯)無人機(jī)影像處理軟件對RGB、MS和TIR影像進(jìn)行拼接和輻射校正操作,最終獲取28期無人機(jī)數(shù)據(jù)。

1.3 玉米葉面積指數(shù)反演模型構(gòu)建

利用無人機(jī)多光譜影像的可見光波段構(gòu)建了與葉片顏色相關(guān)的植被指數(shù):INT[24]、GRVI[25]、NDI[26]、WI[27]、IKAW[28]、GLI[29]、GLI2[29]、VARI[30]、ExR[31]、ExG[31]、ExB[31]、ExGR[31]、VEG[32]、IPCA[33]、CIVE[33]、COM[34]、RGBVI[35]、MGRVI[36],并通過紅邊和近紅外波段構(gòu)建了與葉片光譜變化相關(guān)的植被指數(shù):DVI[25]、EVI[37]、GNDVI[38]、VI(nir/green)[39]、VI(nir/red)[40]、 VI(nir/rededge)[40]、lnRE[41]、MSAVI[42]、MSAVI2[42]、OSAVI[43]、MTVI2[44]、NDRE[45]、NDVI[46]、MSR[47]。同時,從熱紅外影像中提取玉米冠層溫度信息,將玉米小區(qū)的溫度平均值作為冠層溫度信息。此外基于RGB 影像的3個波段,MS影像的紅光、紅邊和近紅外波段以及熱紅外影像分別計(jì)算了8種影像紋理特征,包括均值(Mean)、方差(Variance)、均勻性(Homogeneity)、對比度(Contrast)、相異性(Dissimilarity)、信息熵(Entropy)、二階矩(Second moment)和相關(guān)性(Correlation)[22,48]。最終,利用RGB、MS和TIR影像數(shù)據(jù)源分別得到了51、43、9種影像特征。本研究基于LIU等[49]的研究,將所有多源遙感影像特征構(gòu)建成1維多模態(tài)數(shù)據(jù),有效提高對玉米LAI估算效率。同時,本文將根據(jù)提取的無人機(jī)影像特征變量與LAI的相關(guān)系數(shù)由高到低進(jìn)行排序,分析討論了對玉米LAI估算較重要的特征變量,每個生育時期按相關(guān)性排序選取前10個特征用于后續(xù)LAI反演分析。

本文選取7種機(jī)器學(xué)習(xí)模型以估算玉米LAI垂直分布數(shù)據(jù),分別是GBDT、LightGBM、MLPR、PLSR、RFR、SVR和XGBoost 模型。在每個生育期都對玉米LAI進(jìn)行了估算,從模型中挑選最優(yōu)的結(jié)果作為當(dāng)前生育期LAI估算結(jié)果。同時,利用在不同生育期內(nèi)LAI估算結(jié)果最佳的2種方法基于在不同太陽高度角和不同飛行高度下獲取的無人機(jī)影像分別構(gòu)建LAI反演模型,以評估最佳飛行高度和每日最佳觀測玉米LAI的時間段,為玉米大田種植條件下,大范圍檢測LAI提供技術(shù)支撐。

為了在相同的標(biāo)準(zhǔn)下評估不同模型的性能,將2/3的樣本數(shù)據(jù)作為模型的訓(xùn)練集,其余1/3的樣本作為驗(yàn)證集。分別計(jì)算了分類模型和估測模型的決定系數(shù)(Coefficient of determination,R2)、均方根誤差(Root mean square error,RMSE)、相對均方根誤差(Relative root mean square error,rRMSE)和平均絕對誤差(Mean absolute error,MAE),用于評估模型的性能和準(zhǔn)確性。

2 結(jié)果與評價(jià)

2.1 葉面積指數(shù)反演模型特征參數(shù)分析

無人機(jī)多源遙感影像數(shù)據(jù)所構(gòu)建的所有影像特征與玉米LAI垂直分布數(shù)據(jù)的相關(guān)系數(shù)如圖5所示(以8月3日影像數(shù)據(jù)為例,其中后綴x的為RGB數(shù)據(jù)源,后綴y的為多光譜數(shù)據(jù)源)。結(jié)果顯示,無人機(jī)影像特征變量中,RGB影像所構(gòu)建的可見光植被指數(shù)和多光譜紅光波段紋理特征與LAI相關(guān)性較好。多數(shù)影像特征與LAI的相關(guān)系數(shù)從玉米冠層頂部到底部依次升高。但有些影像特征呈現(xiàn)與之相反的趨勢,可見光波段所構(gòu)建的方差和對比度灰度共生矩陣影像特征與玉米LAI垂直分布的相關(guān)系數(shù),從玉米冠層頂部到底部依次降低,這是以往研究所未能觀測到的。

圖5 無人機(jī)影像特征與玉米LAI的相關(guān)系數(shù)

在玉米不同生育時期,根據(jù)各特征參數(shù)與玉米冠層底部LAI相關(guān)性排序結(jié)果,每個生育時期選取前10個特征用于后續(xù)LAI反演分析,各生育時期特征選擇結(jié)果如表 2所示。結(jié)果顯示,不同生育時期選擇用于反演LAI的特征存在較大差異,整體上紋理特征在不同生育時期與LAI的相關(guān)性均比植被指數(shù)好。在玉米抽雄期至乳熟期,篩選的特征均為紋理特征,在臘熟期篩選的特征以植被指數(shù)為主,而在臘熟期之后篩選的特征既包含紋理特征也包含植被指數(shù),但仍以紋理特征為主。此外,有個別特征參數(shù)在多數(shù)生育時期均與LAI存在較好的相關(guān)性,其中多光譜紅光波段的均值紋理特征(R Mean)在玉米不同生育期內(nèi)均與玉米LAI有很好相關(guān)性(除8月17日外),紅邊波段均值紋理信息(RE Mean)在4個玉米生育期(抽雄、吐絲、乳熟和凹陷期)內(nèi)與LAI有良好的相關(guān)性,在玉米生長發(fā)育后期(8月31日、9月8日和9月15日),基于無人機(jī)RGB影像構(gòu)建的VARI、GRVI和MGRVI植被指數(shù)均與玉米LAI有較好的相關(guān)性。

2.2 不同生育時期玉米葉面積指數(shù)反演結(jié)果

不同生育期下玉米葉面積反演結(jié)果如表3所示(LAI-1估算結(jié)果)。7種機(jī)器學(xué)習(xí)模型對玉米冠層底部的反演精度不同,其中MLPR和RFR在各個生育期下對LAI估算精度最高。玉米抽雄期的最佳LAI估算模型為MLPR,R2為0.91,rRMSE為5.1%。玉米吐絲期,RFR模型最佳估算結(jié)果R2為0.78,rRMSE為8.18%;籽粒建成期最佳估算模型為MLPR,R2為0.84,rRMSE為7.21%;乳熟期最佳估算模型為RFR,R2為0.82,rRMSE為6.18%;蠟熟期最佳估算模型為RFR,R2為0.64,rRMSE為7.09%;凹陷期最佳估算模型為MLPR,R2為0.77,rRMSE為8.63%;成熟期最佳估算模型為MLPR,R2為0.80,rRMSE為11.01%。玉米單生育期LAI估算精度最高為玉米抽雄期,7個機(jī)器學(xué)習(xí)模型平均RMSE為0.16,rRMSE為7.38%,MAE為0.13。在玉米成熟期時,模型估算結(jié)果平均精度在所有生育期中最差,

表3 玉米單生育期LAI估算結(jié)果

表4 玉米全生育期LAI估算結(jié)果

7個機(jī)器學(xué)習(xí)模型平均RMSE為0.21,平均rRMSE為11.87%,平均MAE為0.17。

各機(jī)器學(xué)習(xí)模型在玉米全生育期的反演結(jié)果(表 4)顯示,RFR模型表現(xiàn)最好,R2為0.67,rRMSE為11.31%。與單生育期結(jié)果相似,MLPR在全生育期下取得了與RFR近乎相同的模型精度,R2為0.79,rRMSE為11.42%,這表明在玉米單生育期和全生育期下MLPR和RFR模型都具有較強(qiáng)的魯棒性。玉米整個生育期內(nèi),LightGBM模型魯棒性最差,rRMSE為16.57%。從結(jié)果上看,機(jī)器學(xué)習(xí)模型可以在玉米全生育期下對LAI進(jìn)行有效估算。

玉米LAI垂直分層估算結(jié)果如圖6所示(LAI-1～LAI-5)。LAI-1至LAI-5玉米單生育期最佳模型和估算精度分別為:LAI-1為抽雄期MLPR模型,R2為0.91,rRMSE為5.1%;LAI-2為蠟熟期MLPR模型,R2為0.92,rRMSE為8.52%;LAI-3為籽粒建成期RFR模型,R2為0.7, rRMSE為12.64%;LAI-4為蠟熟期GBDT模型,R2為0.72,rRMSE為14.94%;LAI-5為乳熟期RFR模型,R2為0.3,rRMSE為19.25%。研究分析了在玉米不同高度LAI估算結(jié)果各模型的穩(wěn)定性,在所有玉米生育期下,各LAI垂直分布穩(wěn)定性最好的模型:LAI-1 為MLPR模型,rRMSE為8.13%;LAI-2 為XGBoost模型,rRMSE為12.98%;LAI-3 為RFR模型,rRMSE為16.35%;LAI-4 為RFR模型,rRMSE為20.39%;LAI-5 為RFR模型,rRMSE為23.87%。RFR模型相較于其他模型對于冠層上部3層LAI估算具有較好的穩(wěn)定性,對玉米冠層下部2層LAI估算MLPR和XGBoost模型穩(wěn)定性更好。

圖6 玉米各生育期LAI垂直分布模型估測結(jié)果

2.3 不同飛行高度和太陽高度角LAI估算結(jié)果

基于上述研究結(jié)果,本研究采用了RFR和MLPR 2個LAI估算模型對9月17日(表5)和9月18日(表6)不同飛行高度和不同太陽高度角所采集的RGB和MS無人機(jī)影像進(jìn)行驗(yàn)證,同時探討了模型的魯棒性。9月17日進(jìn)行了2次飛行高度對照試驗(yàn)(上午、下午各5個飛行架次,共計(jì)10期數(shù)據(jù))。RFR與MLPR模型在上午和下午無人機(jī)飛行高度30 m時對LAI估算精度最高。其中,RFR模型在9月17日上午飛行高度30 m時得到了最佳結(jié)果,R2為0.66,rRMSE為12.02%,MLPR在9月17日下午飛行高度30 m時得到最佳LAI估算結(jié)果,R2為0.73,rRMSE為10.97%。

表5 不同飛行高度下玉米LAI估算結(jié)果

表6 不同太陽高度角下玉米LAI估算結(jié)果

RFR和MLPR玉米LAI估算模型,均是在早上獲得的無人機(jī)遙感影像中估算LAI的精度最高。RFR在09:00時獲取了最佳結(jié)果,R2為0.69,rRMSE為11.75%。MLPR在10:00得到了最佳結(jié)果,R2為0.63,rRMSE為12.05%。

3 討論

3.1 葉面積指數(shù)反演模型特征分析

在玉米各生育期,根據(jù)各影像特征與玉米LAI相關(guān)系數(shù)由高到低的排序結(jié)果,篩選了各生育期與LAI相關(guān)性較好的前10個遙感影像特征(表2)。其中紅光波段的均值紋理特征(R Mean),在玉米6個生育期內(nèi)均與玉米LAI有很好相關(guān)性,其次是紅邊波段的均值紋理特征(RE Mean),在4個玉米生育期內(nèi)與LAI有良好的相關(guān)性。均值紋理特征在玉米多個生育期下都顯示出了與LAI較好的相關(guān)性。在玉米生長發(fā)育后期(8月31日、9月8日和9月15日),基于RGB無人機(jī)影像構(gòu)建的VARI、GRVI和MGRVI植被指數(shù)均與玉米LAI有較好的相關(guān)性。

大多數(shù)影像特征與玉米底部的LAI相關(guān)性最高,這與Sunscan冠層分析儀測量LAI的原理有關(guān)。當(dāng)光線到達(dá)冠層頂部,首先被玉米雄穗進(jìn)行初次遮擋與反射,剩下的光線隨著不斷被玉米葉片和莖稈截獲,輻射通量逐漸下降,最終在玉米冠層底部達(dá)到最低值[50]。但此條件僅限于玉米種植密度較小的情況,當(dāng)玉米種植密度較大時,LAI直接觀測相較于田間間接觀測得到的值會有差異[51]。從表2與玉米LAI相關(guān)系數(shù)排序前10影像變量統(tǒng)計(jì)得出,基于RGB影像所構(gòu)建的影像特征在所有特征中的占比為55.71%,相較于其他2個數(shù)據(jù)源,顯示出與LAI更好的相關(guān)性。RGB影像相較于MS和TIR影像數(shù)據(jù),有較高的影像分辨率,可以更準(zhǔn)確地捕捉玉米葉片信息,如葉片邊緣和尺寸等結(jié)構(gòu)信息,這可能是RGB影像特征與LAI有較高的相關(guān)系數(shù)的原因。在病害接種后,玉米葉片通常會受到一定程度的損傷(圖7)。隨著玉米生殖發(fā)育的推進(jìn),病害程度逐漸加深,葉片受損程度加大,玉米病斑破環(huán)了原有葉片葉綠素,會導(dǎo)致影像中玉米葉片信息的丟失,這可能也是玉米冠層底部LAI估算精度隨生育期逐漸下降的原因[52]。

圖7 玉米不同病害等級下葉片受損情況

3.2 玉米LAI估算模型精度分析

從表3可以看到,對玉米底層LAI觀測最佳時期為玉米抽雄期。抽雄期是玉米生長發(fā)育成熟時期,此時提供營養(yǎng)的器官逐漸靜止生長至停止生長,到玉米吐絲期時,所有的玉米葉片都已經(jīng)展開。從玉米抽雄吐絲期以后,植株會進(jìn)入以玉米籽粒生長為生長發(fā)育中心的生殖生長階段。此時,營養(yǎng)供給主要集中于雄穗與雌穗,玉米底層葉片逐漸枯萎脫落,對于整個玉米生長階段而言,玉米抽雄期是LAI觀測最大值階段,此時葉片均已展開,葉片也較為健康,從無人機(jī)影像中可以提取到的底層LAI信息最大,因此在玉米抽雄期估算LAI得到的精度最高。隨著玉米生殖生長的不斷進(jìn)行,底層葉片枯萎,會導(dǎo)致影像中玉米葉片信息量下降。在玉米生殖發(fā)育階段,RFR和MLPR模型顯示了更好的LAI估算精度,這與CASTRO-VALDECANTOS等[53]的結(jié)論一致。MLPR模型對于其他機(jī)器學(xué)習(xí)模型而言,非線性擬合能力更強(qiáng),且具有高階特征組合的特點(diǎn),其可以從大量的特征中學(xué)到其中的信息,并給出正確的預(yù)測結(jié)果。同時,MLPR泛化能力更強(qiáng),可以將高維稀疏特征降低為低維稠密的向量,使得模型具備泛化能力,有效地從特征中學(xué)習(xí)到有用信息,因而有效提升了模型的泛化能力[54]。RFR模型可以從高維影像特征中,通過特征重要性排序得到比較重要的特征。相較于其他單獨(dú)的決策樹模型而言,RFR模型集成了多個決策樹,模型不易出現(xiàn)過擬合的現(xiàn)象,因此模型的泛化能力得到了增強(qiáng)[55]。集成學(xué)習(xí)如XGBoost、GBDT、LightGBM等模型需要數(shù)據(jù)分布足夠時,才能有較好的精度。而LAI冠層垂直分布數(shù)據(jù)分布不平衡,尤其是冠層頂部,數(shù)據(jù)過于集中,因此導(dǎo)致了LAI估算精度下降(圖3)[56]。

玉米冠層頂部上兩層LAI反演結(jié)果波動相對較大,最下層反演結(jié)果最穩(wěn)定(圖8),隨生育時期的進(jìn)展精度呈現(xiàn)逐漸降低的趨勢。倒數(shù)第2層和第3層玉米LAI反演精度呈現(xiàn)先增加后降低的趨勢。同時玉米冠層LAI垂直分布倒數(shù)第1層到第3層即玉米穗位葉及其以下部分,在玉米各個生育期下對LAI估算誤差rRMSE多數(shù)在20%以下,證明無人機(jī)多模態(tài)數(shù)據(jù)具有對玉米功能葉層LAI反演的潛力,可以準(zhǔn)確掌握與玉米產(chǎn)量高度相關(guān)的穗位葉長勢信息。玉米功能葉片LAI的準(zhǔn)確估計(jì)也為玉米估產(chǎn)提供了潛在的表型參數(shù)數(shù)據(jù)支撐。LAI垂直分布精確估算,對于育種工程中研究玉米功能結(jié)構(gòu)空間分布提供了有效的技術(shù)手段[57]。目前研究僅基于光學(xué)遙感傳感器對玉米LAI垂直分布進(jìn)行了檢測?，F(xiàn)有研究表明,基于LiDAR傳感器獲取的結(jié)構(gòu)信息,也有助于獲取玉米葉片結(jié)構(gòu)信息,因此在未來的研究中需要進(jìn)一步探究無人機(jī)LiDAR數(shù)據(jù)源對玉米LAI估算的潛力,充分發(fā)揮無人機(jī)多源遙感數(shù)據(jù)的優(yōu)勢,提高玉米LAI垂直分布估算精度[58]。

圖8 玉米LAI垂直分布各生育期模型估測結(jié)果平均值

研究構(gòu)建的7個LAI估算模型,在玉米單生育期下對LAI垂直分布觀測誤差的平均rRMSE分別為:9.1%(LAI-1)、14.19%(LAI-2)、18.62%(LAI-3)、23.29%(LAI-4)和26.7%(LAI-5)。從結(jié)果上看,隨著玉米LAI觀測高度的上升,模型對玉米LAI觀測精度不斷下降。太陽光截獲量最大的位置,通常位于玉米冠層底部,在此處測量的玉米LAI更能體現(xiàn)整個玉米冠層的LAI狀況。隨著觀測高度的增加玉米LAI逐漸下降,逐漸與影像信息量不匹配,這可能是導(dǎo)致其他冠層高度LAI相較于底層LAI精度低的原因。

在不同田間試驗(yàn)條件下,統(tǒng)計(jì)了玉米LAI模型估算結(jié)果與實(shí)測值的差值(圖9)。病害和播期試驗(yàn)每個小區(qū)都屬于不同的玉米品種,且種植密度一致,數(shù)據(jù)分布相較于密度試驗(yàn)更好,因此誤差處于合理范圍。在密度試驗(yàn)1K和7K條件下,出現(xiàn)了對LAI明顯的高估和低估現(xiàn)象。玉米種植密度越高,越容易出現(xiàn)光譜飽和現(xiàn)象,即隨著玉米生長,田間LAI觀測值還在上升,而從影像中獲取的光譜反射率到達(dá)高值后變化幅度不大。在玉米種植密度較低時,通過剔除土壤像素點(diǎn),可以保留所有的玉米葉片信息,低種植密度下,也很少存在葉片重疊的現(xiàn)象,這導(dǎo)致從影像中獲取的信息量比采集到的LAI信息量高,因此高估了玉米LAI。在玉米高種植密度下,玉米冠層在無人機(jī)正射影像中已經(jīng)郁閉,從中提取的影像信息量不再發(fā)生變化,然而實(shí)際玉米LAI還在增長,這是導(dǎo)致高種植密度下,玉米LAI低估的原因。

圖9 不同田間試驗(yàn)下玉米LAI模型誤差分布

3.3 不同飛行高度和太陽高度角對LAI估算的影響

本研究分析了多種不同飛行高度和太陽高度角對玉米LAI估算的影響。從結(jié)果上看,當(dāng)無人機(jī)飛得越低,影像分辨率越高時,LAI估算精度越高。隨著無人機(jī)飛行高度(30～120 m)的不斷上升,分辨率逐漸下降嚴(yán)重,此時會丟失大量的玉米冠層形態(tài)結(jié)構(gòu)細(xì)節(jié),影像中葉片容易與土壤產(chǎn)生混合像元,分割土壤背景時,部分像素會被錯誤地識別為土壤,因此導(dǎo)致玉米在影像中的信息量下降。因此,對于玉米LAI的觀測,無人機(jī)飛行高度低可以較好地保持影像特征及信息量,從而提升LAI觀測精度。在不同太陽高度角試驗(yàn)中,在09:00—10:00這個區(qū)間對玉米LAI觀測精度最高,此時太陽高度角位于35.18°～47.89°范圍,當(dāng)日最高太陽高度角為56.66°(圖10)。

圖10 無人機(jī)影像數(shù)據(jù)采集時段和太陽高度角

已有研究顯示,在晴天條件下,不同太陽高度角下觀測得到的LAI不同[59]。晴天條件下,雖然看起來天氣條件比較穩(wěn)定,但高層的大氣仍會存在變動,因其產(chǎn)生的擾動會影響到達(dá)地表的太陽輻射變化。同時,晴天下的太陽高度角變化,也會導(dǎo)致最終射入玉米冠層的太陽輻射有所差異[60]。從結(jié)果上看09:00—10:00的LAI觀測精度較好,從植物生理上而言,隨著時間的增加,地表溫度上升,高溫和干旱會導(dǎo)致玉米葉片卷葉,LAI下降,這可能是導(dǎo)致在早晨觀測LAI精度較高的原因。同時在早晨,太陽高度角較小,LAI會比正常情況下偏大一些。當(dāng)太陽高度角最大時,LAI觀測值會低一些[61]。因此,早晨玉米LAI更能顯示整體的生長狀況,模型得到了較高的觀測精度。

4 結(jié)論

(1)從單生育和全生育期LAI估算結(jié)果精度可以得出,MLPR和RFR模型具有最好的魯棒性和穩(wěn)定性。2個模型全生育期下對玉米LAI估算誤差rRMSE為11.31%(MLPR)和11.42%(RFR)。

(2)在玉米各個生育期構(gòu)建的LAI-1、LAI-2以及LAI-3的估算模型誤差(rRMSE)多數(shù)在20%以下,表明無人機(jī)多模態(tài)數(shù)據(jù)具有對玉米穗位葉精準(zhǔn)LAI反演的潛力。

(3)從不同飛行高度和太陽高度角試驗(yàn)中可以得出,無人機(jī)飛行高度越低對玉米LAI估算精度越高,當(dāng)飛行高度為30 m時MLPR模型精度R2為0.73,rRMSE為10.97%。09:00—10:00,玉米LAI觀測精度最高。

(4)無人機(jī)多源遙感影像數(shù)據(jù)可以有效地對玉米冠層LAI垂直分布進(jìn)行準(zhǔn)確觀測,可以掌握玉米LAI垂直方向上的空間分布,及時了解各個功能葉片的健康狀況,為及時調(diào)整田間管理措施提供輔助。