引用本文
郭立笑, 陈志超, 马彦鹏, 边明博, 樊意广, 陈日强, 刘杨, 冯海宽. 基于无人机多光谱和多波段组合纹理的马铃薯LAI估算[J]. 光谱学与光谱分析, 2024,44(12): 3443-3454.
GUO Li-xiao, CHEN Zhi-chao, MA Yan-peng, BIAN Ming-bo, FAN Yi-guang, CHEN Ri-qiang, LIU Yang, FENG Hai-kuan. Estimation of Potato LAI Using UAV Multispectral and Multiband Combined Textures[J]. Spectroscopy and Spectral Analysis, 2024,44(12): 3443-3454.
Doi:10.3964/j.issn.1000-0593(2024)12-3443-12  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于无人机多光谱和多波段组合纹理的马铃薯LAI估算
郭立笑1,2, 陈志超1,*, 马彦鹏1,2, 边明博1,2, 樊意广2, 陈日强2, 刘杨2, 冯海宽2,3,*
1.河南理工大学测绘与国土信息工程学院, 河南 焦作 454000
2.农业农村部农业遥感机理与定量遥感重点实验室, 北京市农林科学院信息技术研究中心, 北京 100097
3.南京农业大学国家信息农业工程技术中心, 江苏 南京 210095
*通讯作者 e-mail: logczc@163.com; fenghaikuan123@163.com

作者简介: 郭立笑, 2000年生, 河南理工大学测绘与国土信息工程学院硕士研究生 e-mail: kwok517@163.com

收稿日期: 2023-12-24 修回日期: 2024-04-12
基金: 黑龙江省揭榜挂帅科技攻关项目(2021ZXJ05A05), 国家自然科学基金项目(41601346), 山西黄河流域矿区采动生态演变驱动机制与协同修复, 国家自然科学基金重点项目(U22A20620)资助
摘要

叶面积指数(LAI)是表征作物生长状况的重要指标, 因此高效、 准确地估算作物LAI可为田间生产管理提供指导。 光谱特征能够提供作物反射和吸收波长的信息, 而纹理特征则可提供关于作物灰度属性和空间位置关系。 以往研究表明仅使用光谱特征估算作物LAI存在一定的局限性, 在高LAI水平时, 会出现“饱和现象”, 使得LAI被低估。 为充分发掘无人机多光谱影像信息, 对多个波段的纹理信息进行组合, 得到多波段组合纹理, 探究光谱特征融合多波段组合纹理能否提高LAI估算精度。 首先获取马铃薯三个关键生育期的多光谱数据和地面实测LAI数据; 然后使用灰度共生矩阵(GLCM)提取各生育期的纹理特征, 将多个波段的纹理特征组合; 然后分析植被指数、 纹理特征和多波段组合纹理与LAI的相关性, 并综合相关性和方差膨胀因子优选植被指数; 最后融合多波段组合纹理, 使用带有参数调优的偏最小二乘回归(PLSR)、 岭回归(RR)和K近邻回归(KNR)估算各生育期马铃薯LAI, 并与仅使用植被指数的模型进行对比, 验证利用多波段组合纹理反演LAI的可行性。 结果表明: (1)单波段纹理、 双波段组合纹理和三波段组合纹理与LAI的相关性依次增大; (2)马铃薯各生育期优选后的多波段组合纹理与LAI呈现极显著相关, 相关系数在0.79~0.83之间; (3)与仅使用植被指数的模型相比, 加入多波段组合纹理可以显著提高模型的精度和稳定性。 块茎形成期KNR模型的马铃薯LAI估算精度最高, 建模 R2为0.83, RMSE为0.23 m2·m-2, 验证 R2为0.75, RMSE为0.25 m2·m-2; 块茎增长期PLSR模型的估算精度最高, 建模 R2为0.73, RMSE为0.26 m2·m-2; 验证 R2为0.87, RMSE为0.20 m2·m-2; 淀粉积累期PLSR模型估算精度最高, 建模 R2为0.73, RMSE为0.31 m2·m-2, 验证 R2为0.84, RMSE为0.25 m2·m-2。 该方法可为无人机多光谱组合纹理特征估算马铃薯LAI提供参考。

关键词: 无人机; 多光谱遥感; 多波段组合纹理; 叶面积指数
中图分类号:S25 文献标志码:A
Estimation of Potato LAI Using UAV Multispectral and Multiband Combined Textures
GUO Li-xiao1,2, CHEN Zhi-chao1,*, MA Yan-peng1,2, BIAN Ming-bo1,2, FAN Yi-guang2, CHEN Ri-qiang2, LIU Yang2, FENG Hai-kuan2,3,*
1. School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454000, China
2. Key Laboratory of Quantitative Remote Sensing in Agriculture of Ministry of Agriculture and Rural Affairs, Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China
3. National Engineering and Technology Center for Information Agriculture, Nanjing Agricultural University, Nanjing 210095, China
*Corresponding authors
Abstract

The leaf area index (LAI) is an important indicator for characterizing crop growth, so an efficient and accurate estimation of crop LAI can guide field production management. Spectral features can provide information about the reflected and absorbed wavelengths of crops, while texture features can provide information about the gray-scale attributes and spatial location relationships of crops. Previous studies have shown some limitations in estimating crop LAI using only spectral features, and at high LAI levels, the “saturation phenomenon” occurs, resulting in an underestimation of LAI. To fully explore the information of multispectral images from UAVs, texture information of multiple bands was combined to obtain multiband combined texture and to explore whether the fusion of spectral features with multiband combined texture can improve the accuracy of LAI estimation. Firstly, we obtained multispectral data and ground-truthed LAI data of three key fertility stages of potato; then we extracted the texture features of each fertility stage using the gray-level co-occurrence matrix (GLCM) and combined the texture features of multiple bands; then we analyzed the correlation between the vegetation index, the texture features, and the multi-band combination of textures and LAI, and synthesized the correlations and correlations with LAI, and investigated whether the fusion of spectral information and multiband combination of textures could improve the accuracy of LAI estimation. Then, we analyzed the correlation between vegetation index, texture features, and multiband combined texture and LAI and combined the correlation and variance expansion factors to select the preferred vegetation index; finally, we integrated the multiband combined texture and used partial least squares regression (PLSR), ridge regression (RR) and K-nearest neighbors regression (KNR) with parameter tuning to determine the correlation between the vegetation index and LAI, and then used KNR to estimate the correlation between the vegetation index and LAI. KNR will estimate potato LAI at each fertility stage and compare it with the model using only the vegetation index to verify the feasibility of inverting LAI using a multiband combined texture. The results showed that: (1) the correlation between single-band texture, two-band combined texture and three-band combined texture and LAI increased sequentially; (2) the preferred multiband combined texture at each fertility stage of potato showed highly significant correlation with LAI, with correlation coefficients ranging from 0.79 to 0.83; and (3) compared with the model using only the vegetation index, the addition of the multiband combined texture could significantly increase the model′s accuracy and stability. The KNR model had the highest accuracy in estimating potato LAI during the tuber formation period, with a modeling R2 of 0.83, an RMSE of 0.23 m2·m-2, and a validation R2 of 0.75 and an RMSE of 0.25 m2·m-2; the PLSR model had the highest accuracy during the tuber growth period, with a modeling R2 of 0.73 and an RMSE of 0.26 m2·m-2, and a validation R2 of 0.87 and an RMSE of 0.20 m2·m-2; and the PLSR model had the highest accuracy during the starch accumulation period, with a modeling R2 of 0.73 and an RMSE of 0.26 m2·m-2; and the PLSR model had the highest accuracy during the starch accumulation period. The PLSR model had the highest estimation accuracy, with modeling R2 of 0.73 and RMSE of 0.31 m2·m-2, and validation R2 of 0.84 and RMSE of 0.25 m2·m-2. This method can provide a reference for the UAV multispectral combination of texture features to estimate potato LAI.

Keyword: UAV; Multispectral remote sensing; Multiband combined texture; Leaf area index
引言

马铃薯是仅次于小麦、 稻谷和玉米的全球第四大重要粮食作物[1]。 叶面积指数(leaf area index, LAI)是反映作物长势、 冠层结构的重要指标之一, 可以表征作物光合作用、 呼吸作用和蒸腾作用[2, 3], 因此快速、 高效地获取马铃薯LAI具有重要研究意义。

传统的LAI的测量方法主要是直接测定植被的叶片面积来计算LAI, 这种方法存在效率低、 取样量大、 破坏性取样等缺点, 难以开展大尺度作业。 近年来, 随着光学传感器技术的不断发展[4, 5], 遥感技术已被广泛用于作物LAI估算: 王枭轩等[6]基于GF6-WFV光谱数据构建的传统光谱指数和红边光谱指数反演玉米乳熟期LAI, 结果表明利用红边波段构建的归一化差值光谱指数可以有效地反演玉米乳熟期LAI。 然而卫星由于其重访周期和空间分辨率限制了其在精准农业中的应用, 随着空域政策的逐步放开, 无人机作为遥感近地面平台在农业领域得到了广泛应用。 目前, 无人机搭载的传感器主要有数码、 多光谱、 高光谱。 数码相机虽然价格低廉, 但其只包含可见光波段, 难以完整反映作物生长过程的光谱变化; 高光谱传感器尽管包含较多波段数目, 但由于其价格昂贵, 数据处理复杂, 入手门槛较高, 难以在农业领域推广。 而多光谱传感器价格适宜, 包含对植被敏感的红边和近红外波段, 在农业遥感中得到广泛应用。

国内外学者利用无人机多光谱数据已经开展了大量研究。 如马俊伟等[7]对比偏最小二乘回归(partial least squares regression, PLSR)分别耦合人工神经网络、 高斯过程回归、 支持向量机回归和梯度提升决策树使用植被指数构建LAI反演模型的精度, 结果表明, PLSR耦合梯度提升决策树或高斯过程回归构建玉米LAI反演模型最佳。 范军亮等[8]基于多光谱传感器获取冬小麦4个生育期影像, 使用植被指数融合纹理特征和颜色特征估算冬小麦LAI, 结果表明, 纹理特征和颜色特征能够有效改善植被指数在高密度冠层下的饱和问题。 杭艳红等[9]基于水稻的多光谱特征、 纹理特征融合覆盖度构建一元线性模型、 多元逐步回归模型, 最后用ANN构建的模型检验模型精度, 证明融合植被指数、 纹理特征和覆盖度的多特征LAI估算模型具有较高的精度。 谷晓博等[10]基于多光谱传感器获取的冬小麦全生育期影像, 使用监督分类剔除覆膜背景, 利用特征降维来提高冬小麦LAI反演精度。 然而, 上述学者的研究存在着一些不足之处, 仅使用冠层光谱特征进行反演存在着很大的局限性[11, 12, 13], 随着作物生育进程的推移, 作物冠层对光的吸收和反射达到一定程度后, 叶面积的增加对光谱反射率的影响十分有限。 当光谱信号趋于饱和时, 即使LAI继续增加, 通过遥感传感器观测到的光谱反射率变化不大, 从而导致在高LAI水平时基于冠层光谱特征的LAI会出现低估现象, 且在高LAI水平下, 叶片之间的遮挡现象较为严重, 导致下层叶片的光谱特征难以被遥感传感器捕捉, 降低了使用光谱特征在高LAI水平下的预测LAI的精度。 使用植被指数融合纹理特征时仅考虑单个波段的纹理特征, 不能充分利用多光谱各个波段纹理特征蕴含的信息。

目前, 基于无人机开展的LAI估算研究主要集中在植被指数、 植被指数融合单一波段纹理特征和优化植被指数, 很少有考虑多波段组合纹理对马铃薯LAI估算的影响。 已有的研究已经证明在植被指数中加入纹理特征可以提高作物LAI估算精度[12, 13], 但加入多波段组合纹理是否可以提高LAI估算精度还罕见报道。 本文就以马铃薯为例, 获取马铃薯三个关键生育期的多光谱指数和灰度共生矩阵(gray-level co-occurrence matrix, GLCM)提取的纹理特征, 通过将两个波段或三个波段的纹理特征按照经典植被指数的构建方式构建多波段组合纹理, 利用植被指数融合多波段组合纹理, 探究多波段组合纹理是否可以提高LAI的反演精度。

1 实验部分
1.1 研究区概况

实验于2019年3月—2019年7月在北京市昌平区小汤山镇国家精准农业示范研究基地(北纬40° 00'—40° 21', 东经116° 34'—117° 00', 平均海拔高度36 m)进行。 试验区夏季炎热多雨, 冬季寒冷干燥, 适宜马铃薯的生长。 试验田东西总长40 m(不包括保护行), 南北总长15 m, 小区数目共48个, 各小区面积均为32.5 m2, 以对LAI有显著影响的因素开展梯度试验, 分别设置密度(D区)、 氮素(N区)、 钾素(K区)试验区, 每个试验区进行三个重复试验, 试验品种均为早熟品种, 马铃薯播种时间为2019年3月28日, 前茬作物为玉米, 最终收获时间为2019年7月3日, 研究区位置和实验设计如图1所示。

图1 研究区和实验设计Fig.1 Study area and experimental design

1.2 无人机影像获取及处理

采用八旋翼无人机为遥感平台, 搭载Parrot Sequoia多光谱相机, 分别于2019年5月28日、 6月10日、 6月20日获取马铃薯块茎形成期(tuber formation stage, S1)、 块茎增长期(tuber growth stage, S2)和淀粉积累期(starch accumulation stage, S3)三个关键生育期的多光谱影像。 无人机飞行高度为20 m, 航向重叠度为80%, 旁向重叠度85%, 各生育期起飞点和飞行航线基本保持固定, 为避免光照对实验结果的影响, 选择晴朗无云的天气, 在12:00—14:00对试验田进行航拍, 获取影像前需要进行白板校正, 多光谱相机参数如表1所示。

表1 多光谱传感器参数 Table 1 Multi spectral sensor parameters

多光谱影像的预处理在Agisoft Photo Scan Professional软件中进行, 首先使用地面控制点数据对影像进行对齐、 纠正, 然后利用具有精确空间位置属性信息的稀疏点云生成高密集点云, 最后生成试验田的数字正射影像, 具体流程见图2所示。 在ENVI 5.6导入试验田影像, 绘制各小区的感兴趣区域, 统计各波段的平均光谱反射率, 将其作为该小区马铃薯冠层在该波段下的光谱反射率。

图2 无人机多光谱影像预处理流程Fig.2 UAV multispectral image preprocessing process

1.3 地面数据采集及处理

在各小区选取3株可以代表整个小区整体长势状况的马铃薯植株, 将其装入密封袋, 并迅速带回实验室。 对各个小区的样品进行茎叶分离, 从分离的叶片中选择大、 中、 小三种类型的标准叶片, 使用直径为0.8 cm的圆形打孔器打孔并计算圆孔面积S, 打孔时应避开叶片的主叶脉。 然后将打下的圆孔与剩余的叶片分别放入纸袋中, 并置于105° 的烘箱中杀青30 min, 随后将烘箱温度调整为80° , 将样品烘干至恒定重量以获得圆孔的干重W1、 其余叶片的干重W2。 各小区的种植密度记为D。 本文LAI计算公式如式(1)所示。

LAI=(W1+W2)S3W1D(1)

1.4 植被指数的选取

本文基于前人研究成果中与LAI密切相关的差值、 比值、 非线性等多种类型植被指数, 初步选择NDVI、 GCI、 RVI、 IPVI等18个植被指数, 具体计算公式如表2所示。

表2 植被指数 Table 2 Vegetation index
1.5 多波段组合纹理的构建

纹理特征是一种用来描述作物表面灰度特征变化的方法, 通过将纹理特征与光谱特征相结合, 可以有效地估算作物的LAI[9, 20]。 已有的研究已经证明融合光谱特征和纹理特征, 可以综合考虑作物在灰度和光谱方面的变化, 从而更准确地估算作物的LAI[8]。 利用GLCM分别提取绿、 红、 红边、 近红外4个波段45° 方向上3× 3窗口大小的纹理特征平均值, 得到各波段的8个纹理特征, 分别是均值(mean), 方差(variance, var), 同质性(homogeneity, hom), 对比度(contrast, con), 差异性(dissimilarity, dis), 熵(entropy, ent), 二阶矩(second moment, sem), 相关性(correlation, cor)。

与单波段纹理易受环境因素影响相比, 多波段组合的纹理不仅可以包含更丰富的信息, 而且具有更强的稳定性。 根据现有文献中与作物LAI敏感的植被指数, 利用逐波段组合法构建不同波段的纹理特征组合, 其中有6种双波段组合纹理(每种组合有768个组合结果), 6种三波段组合纹理(每种组合友12 288个组合结果), 具体组合方式如表3所示。 上述纹理特征的提取和组合分别使用ENVI 5.6和Python 3.11完成。

表3 多波段组合纹理 Table 3 Multi-band combined texture
1.6 数据分析与评价

1.6.1 方差膨胀因子分析

方差膨胀因子(variance inflation factor, VIF)是一种评价输入变量的自相关性的方法。 计算公式如式(2)所示。

VIF=11-Rij2(2)

式(2)中, Rij2为第i个变量与第j个变量的决定系数。

1.6.2 模型的构建与反演

使用经相关性分析和方差膨胀因子分析后筛选的植被指数或植被指数融合最优组合纹理与各小区实测LAI构建估算模型, 在构建估算模型时, 随机选取2/3的样本作为训练集训练模型, 使用剩余1/3的样本作为验证集检验模型的泛化能力, 最终反演LAI时选择各生育期最优模型进行反演。 本研究使用的PLSR、 岭回归(Ridge regression, RR)、 K近邻回归(K-nearest neighbors regression, KNR)算法均在python 3.11环境中实现。 PLSR是一种集多元线性回归、 主成分分析和相关性分析为一体的回归算法, 可以在一定程度上解决多重共线性问题, 本文主要对主成分个数、 是否进行特征缩放和最大迭代次数进行调整。 RR通过在损失函数中引入L2正则化, 对不重要的特征进行缩放, 以减小模型过拟合的风险, 本文主要对正则化强度、 求解器和最大迭代次数进行调整。 KNR是寻找最接近待预测样本的K个邻居, 根据邻居的输出值, 计算预测值, 本文主要对邻居数量、 计算邻居的算法类型和叶子节点数量进行调整。 上述参数中正则化强度、 邻居数量、 叶子节点数量和最大迭代次数的范围是根据经验所确定的, 对于小样本来说, 表4所示的参数范围比较合理, 可以在保证精度的前提下提高搜索效率, 其他参数范围是根据scikit-learn1.3.2支持的参数确定。

表4 算法参数范围 Table 4 Algorithm parameter ranges

1.6.3 随机搜索

传统机器学习通常采用网格搜索(grid search)的方法优化模型参数, 虽然能得到使损失函数最小化的模型参数, 但是其计算所消耗的时间和资源较多, 与网格搜索相比, 随机搜索(randomized search)会在参数空间中随机抽样一部分组合进行尝试, 在保证性能的前提下, 大大减少了时间和计算资源消耗。

1.6.4 精度评定

为了评定所构建的模型的精度, 选用决定系数(coefficient of determination, R2)和均方根误差(root mean square error, RMSE)作为评价指标。 评价指标的计算公式如式(3)和式(4)

R2=∑i=1n(Xi-X̅)2(Yi-Y̅)2∑i=1n(Xi-X̅)2∑i=1n(Yi-Y̅)2(3)

RMSE=∑i=1n(Yi-Xi)2n(4)

式(3)和式(4)中, n为参与的样本总数, Xi和Yi分别为第i个样本的LAI实测值与预测值, X̅和 Y̅分别为样本中LAI的实测平均值与预测平均值。

2 结果与讨论
2.1 马铃薯各生育期LAI

田间实验获得的马铃薯不同生育期LAI状况如图3所示。 在马铃薯S1时期, LAI达到最大, 地上部的生长速度开始减缓, 马铃薯通过地下茎的延伸和增粗来积累养分, 逐渐形成块茎; S2时期, 地上部有机物开始逐渐向地下转移, 块茎迅速膨大; S3时期, 地上部分逐渐开始枯萎, 植株将大部分营养物质转化为淀粉储存在块茎中, 块茎内的淀粉含量开始显著增加。 各生育期LAI的变异系数分别是0.41, 0.40, 0.47, 这说明通过梯度实验, 三个生育期均获得了不同LAI状态的马铃薯样本, 实验所获取的马铃薯LAI范围在0.29~2.69 m2· m-2之间, 涵盖了一个较为理想的变化范围, 因此, 这些数据可以较好地支撑本研究开展不同LAI反演方法的对比研究。

图3 马铃薯各生育期LAI变化Fig.3 Changes in LAI at various stages of potato fertility

2.2 植被指数与LAI的相关性和多重共线性分析

将表2的植被指数分别与马铃薯各生育期实测的LAI进行相关性分析, 结果如表5所示。 由表5可以发现, 在S1, 除MTCI未达到显著相关, 其余植被指数与LAI均达到显著相关水平(p< 0.05); 在S2, 植被指数与LAI的相关系数绝对值介于0.41~0.87之间, 均达到极显著相关水平(p< 0.01); 在S3除MRVI和MTCI外, 其余植被指数与LAI的相关系数绝对值介于0.31~0.79之间, 达到显著相关水平。 从S1到S3, 除个别植被指数外, 大部分植被指数与LAI的相关性呈现先升高后降低的趋势。

表5 不同生育期植被指数与LAI的相关性 Table 5 Correlation between vegetation index and LAI at different fertility stages

为防止参与模型构建的植被指数之间存在多重共线性, 影响模型的可解释性和泛化能力, 结合相关系数和方差膨胀因子, 筛选出各生育期对LAI敏感且彼此之间不存在多重共线性的植被指数。 如图4所示, 在S1, RESR、 RVI、 NLVI、 TVI、 CSI、 MRVI和MTCI之间的VIF小于10, 可以认为变量间不存在多重共线性, 综合考虑相关系数大小, 选用RESR、 RVI、 NLVI和TVI作为模型的输入因子构建LAI估算模型。 同理, 在S2选用GCI、 NLVI、 MRVI和MTCI作为模型的输入因子; 在S3选用GCI、 TVI、 NGI和CSI作为模型的输入因子来估算马铃薯LAI。 上述选择的最优植被指数均是由红光波段与红边或近红外波段构建而成, 红光波段主要受叶绿素吸收的影响, 在高植被覆盖度下容易饱和; 近红外波段主要受叶细胞壁散射作用的影响, 对LAI具有较高的敏感性; 红边波段受红光波段光合色素的强吸收和近红外波段冠层结构的强反射共同影响, 可以很好的反映作物长势和健康状况[21]。 在S1和S2, 上述植被指数与作物LAI具有较高的敏感性; 而在S3, 马铃薯地上部分枯萎, 植被覆盖度下降, 部分土壤裸露, 会增加光谱中的噪声, CSI是由三角植被指数和优化土壤调整植被指数比值构建, 对土壤背景变化比较敏感, 适合马铃薯后期LAI的研究。

图4 各生育期植被指数VIF分析Fig.4 VIF of vegetation indices by fertility period

2.3 纹理特征与LAI的相关性分析

将利用GLCM提取的马铃薯各生育期的单波段纹理和按表3中的形式构造的12种多波段组合纹理与LAI分别进行相关性分析。 结果分别如图5和表6所示。 图5展现的是各生育期单一波段的纹理特征与LAI的相关性情况, 从图中可以看出, 除个别纹理特征外, 大部分的纹理特征都与LAI存在显著相关。 从各生育期的多波段组合纹理(共78 336个)中筛选出各组合类型中相关性绝对值最大的纹理特征, 由表6可知, 各种组合方式筛选出的多波段组合纹理相关性绝对值均在0.79~0.83之间, 均达到极显著相关水平, 其95%置信区间在0.66~0.89和-0.89~-0.66之间。 从整体上来看, 各类参数与LAI相关性由高到低依次为多波段组合纹理、 植被指数、 单波段纹理, 这说明, 多波段组合的纹理在反演LAI上具有较大的潜力, 组合后的纹理特征能够综合利用多个波段的信息, 增强纹理特征的表达, 具有较强的抗干扰能力。

图5 纹理特征与LAI的相关性Fig.5 Correlation of texture features with LAI

表6 各组合方式的最优多波段组合纹理 Table 6 Optimal multiband combined texture for each combination approach
2.4 基于植被指数估算LAI

以优选后的植被指数为输入因子, 利用带有参数调优的PLSR、 RR和KNR算法构建LAI估算模型, 估算效果如图6所示。 通过随机搜索确定各模型的最佳参数设置。 在S1, KNR算法构建的模型估算LAI效果最好, 优于其他两种算法, 建模R2为0.76, RMSE为0.29 m2· m-2; 验证R2为0.71, RMSE为0.31 m2· m-2。 邻居数量为7, 使用暴力搜索法计算邻居。 在S2, KNR算法构建的模型估算LAI精度最高, 建模R2为0.74, RMSE为0.25 m2· m-2; 验证R2为0.85, RMSE为0.24 m2· m-2。 邻居数量为5, 叶子节点数量为10, 使用kd-tree计算邻居。 在S3, RR估算LAI能力最强, 建模R2为0.71, RMSE为0.35 m2· m-2; 验证R2为0.64, RMSE为0.38 m2· m-2。 正则化系数为11.47, 选用共轭梯度法作为求解器, 最大迭代次数为450次。

图6 基于植被指数估算马铃薯LAI效果Fig.6 Estimation of potato LAI effects based on vegetation indexes

通过横向分析图6的变化可以发现, 从马铃薯S1到S3, 模型精度先升高后降低, 出现上述结果的原因可能是随着马铃薯生育期的推进, 马铃薯地上部分逐渐开始枯萎, 营养物质逐渐向地下转移, 叶片中的叶绿素浓度逐渐降低, 不仅造成马铃薯LAI的下降, 而且枯叶和裸露出的土壤像元暴露在冠层影像中, 增大了小区的噪声, 导致植被指数对LAI的敏感性降低[22], 进而导致构建的模型性能逐渐降低, 这与表5中相关性分析的结果一致。 通过纵向分析图6的变化可以发现, KNR算法在低维数据中表现不错, 它通过选择K个最近的邻居输出值的均值, 具有一定的鲁棒性, 而PLSR在面对低维数据并没有表现出较大的优势。 在仅使用4种植被指数估算马铃薯LAI时, 除S3外, KNR算法的表现往往优于其他两种算法。 基于植被指数构建的模型在低LAI水平下具有较好的精度, 但当LAI> 2 m2· m-2时, 模型的预测值几乎都在1:1线以下, LAI被严重低估, 这说明仅使用植被指数估算LAI时会存在一定的饱和现象, 这与以往学者的研究结论相同[11]。

2.5 基于植被指数融合组合纹理特征估算LAI

利用2.2节筛选的植被指数与各组合方式最优多波段组合纹理进行VIF分析, 以确保入选的多波段组合纹理与植被指数不存在较高的多重共线性, VIF结果如图7所示。 以优选后的植被指数融合多波段组合纹理为输入因子, 利用带有参数调优的PLSR、 RR和KNR算法构建LAI估算模型, 通过随机搜索确定各模型的最佳参数设置。 在S1, KNR构建的模型估算LAI效果最佳, 建模R2为0.83, RMSE为0.23 m2· m-2; 验证R2为0.75, RMSE为0.25 m2· m-2。 邻居数量设置为3, 选用自动选择算法计算邻居。 在S2, PLSR构建的模型估算LAI精度最高, 建模R2为0.73, RMSE为0.26 m2· m-2; 验证R2为0.87, RMSE为0.20 m2· m-2。 模型参数设置为不进行特征缩放, 选用3个主成分, 最大迭代次数为1 800次。 在S3, PLSR模型估算LAI能力最强, 建模R2为0.73, RMSE为0.31 m2· m-2; 验证R2为0.84, RMSE为0.25 m2· m-2。 模型参数设置为不进行特征缩放, 选用3个主成分, 最大迭代次数为1 200次。

图7 各生育期植被指数与多波段组合纹理VIF分析Fig.7 VIF of vegetation indices and multiband combination texture by fertility period

通过横向分析图8可以发现, 利用植被指数融合多波段组合纹理估算LAI的精度也会随着马铃薯生育期的推进出现先升高后降低的趋势, 这与利用植被指数估算LAI的结果一致。 马铃薯处于S1和S2时, 长势旺盛, 植株间间距较小, 裸土面积小, 提取的影像特征受环境影响小, 而在S3, 马铃薯LAI下降, 枯叶和裸露的土壤都会影响影像特征的提取, 但融合多波段纹理特征的模型在性能上表现更加稳定, 即使在S3也有着不错的效果, 出现上述结果的原因是在马铃薯生长的后期, 尽管植被指数对马铃薯LAI的变化不再敏感, 但是融合多波段组合纹理可以提供更多关于马铃薯冠层表面密度和结构信息的细微变化, 在一定程度上弥补植被指数在描述植被结构变化上的不足, 可以提供高性能的LAI的估算。 通过纵向分析图8可以发现, 除S1外, PLSR在面对维数较高的数据集时的表现较好, 优于其他几种算法, PLSR可以对特征进行缩放, 提取高维数据的主成分, 减少数据冗余, 压缩噪声的影响。 基于植被指数融合多波段组合纹理构建的LAI估算模型在低LAI水平下具有较高的精度, 当LAI> 2 m2· m-2时, 虽然仍存在部分LAI被低估的情况, 但LAI预测值在整体上靠近1:1线, 这说明, 融合多波段组合纹理能够在一定程度上缓解仅使用植被指数估算LAI时存在的饱和现象。 多波段组合纹理可以弥补光谱特征在空间上的缺陷, 因此, 二者融合构建的模型精度更高。

图8 基于植被指数融合多波段组合纹理估算马铃薯LAI效果Fig.8 Estimation of potato LAI effects based on vegetation indexes fused multi-band combined texture

2.6 马铃薯LAI估算结果与分析

各模型效果比对如表7所示, 利用马铃薯各生育期基于植被指数融合多波段纹理构建的最优模型反演LAI并进行可视化填图, 反演结果如图9所示。 结果表明, 马铃薯LAI随着生育期的推进呈现逐渐降低的趋势, 在S1达到最大值, 这与马铃薯实际LAI分布是一致的。 S1反演的LAI在0.57~2.50 m2· m-2之间; S2反演的LAI在0.23~2.45 m2· m-2之间; S3反演的LAI在0.17~2.39 m2· m-2之间, 产生上述现象的原因是在生长后期, 地上部有机物不断向地下转移, 导致地上部叶片迅速枯黄脱落, 因此LAI大幅度降低。 总体上, 不同生育期的LAI空间分布与实际测量的结果基本一致, 马铃薯LAI因不同施氮量、 施钾量和密度处理在空间分布上具有较为明显的差异, 说明构建的不同生育期的LAI估算模型是可靠的。

表7 模型效果对比 Table 7 Comparison of model effects

图9 马铃薯各生育期LAI空间分布图Fig.9 Spatial distribution of LAI at each fertility stage of potato

3 结论

(1)单波段纹理、 双波段组合纹理和三波段组合纹理与LAI的相关性依次增大;

(2)马铃薯各生育期优选后的多波段组合纹理与LAI的相关性均在0.79~0.83之间, 均达到极显著相关水平;

(3)加入多波段组合纹理可以显著提高模型的精度和稳定性。 块茎形成期KNR模型的马铃薯LAI估算精度最高, 建模R2为0.83, RMSE为0.23 m2· m-2, 验证R2为0.75, RMSE为0.25 m2· m-2; 块茎增长期PLSR模型的估算精度最高, 建模R2为0.73, RMSE为0.26 m2· m-2; 验证R2为0.87, RMSE为0.20 m2· m-2; 淀粉积累期PLSR模型估算精度最高, 建模R2为0.73, RMSE为0.31 m2· m-2, 验证R2为0.84, RMSE为0.25 m2· m-2。

基于无人机多光谱构建的植被指数在融合多波段组合纹理, 提高了马铃薯LAI估算精度, 可为多波段组合纹理协同植被指数估算LAI提供一定的科学参考。 本研究仅对马铃薯三个关键生育期分开建模, 没有构建马铃薯全生育期模型, 并且仅使用了一年的数据作为支撑, 时间尺度偏小, 后续研究需要增加更多年限的完整生育期数据, 以提高模型的稳定性和普适性。

参考文献
[1] LUO Qi-you, GAO Ming-jie, ZHANG Shuo, et al(罗其友, 高明杰, 张烁, 等). Chinese Journal of Agricultural Resources and Regional Planning(中国农业资源与区划), 2021, 42(7): 1. [本文引用:1]
[2] Yang Guijun, Liu Jiangang, Zhao Chunjiang, et al. Frontiers in Plant Science, 2017, 8: 1111. [本文引用:1]
[3] SU Wei, HOU Ning, LI Qi, et al(苏伟, 侯宁, 李琪, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2018, 49(1): 151. [本文引用:1]
[4] Li Z, Li Z, Huang H, et al. PhotoniX 4, 23(2023). https://doi.org/10.1186/s43074-023-00100-9. [本文引用:1]
[5] Lv J, Shen S, Chen L, et al. PhotoniX 4, 28(2023). https://doi.org/10.1186/s43074-023-00108-1. [本文引用:1]
[6] WANG Xiao-xuan, LU Xiao-ping, MENG Qing-yan, et al(王枭轩, 卢小平, 孟庆岩, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2022, 42(7): 2278. [本文引用:1]
[7] MA Jun-wei, CHEN Peng-fei, SUN Yi, et al(马俊伟, 陈鹏飞, 孙毅, 等). Acta Agronomica Sinica(作物学报), 2023, 49(12): 3364. [本文引用:1]
[8] FAN Jun-liang, WANG Han, LIAO Zhen-qi, et al(范军亮, 王涵, 廖振棋, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2023, 54(7): 347. [本文引用:2]
[9] HANG Yan-hong, SU Huan, YU Zi-yang, et al(杭艳红, 苏欢, 于滋洋, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2021, 37(9): 64. [本文引用:2]
[10] GU Xiao-bo, CHENG Zhi-kai, ZHOU Zhi-hui, et al(谷晓博, 程智楷, 周智辉, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2023, 54(6): 148. [本文引用:1]
[11] FENG Hai-kuan, YUE Ji-bo, FAN Yi-guang, et al(冯海宽, 岳继博, 樊意广, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2023, 43(9): 2876. [本文引用:2]
[12] Ma Yanpeng, Chen Zhichao, Fan Yiguang, et al. Frontiers in Plant Science, 2023, 14: 1265132. [本文引用:2]
[13] Liu Yang, Feng Haikuan, Yue Jibo, et al. Computers and Electronics in Agriculture, 2023, 213: 108229. [本文引用:2]
[14] Meng Lin, Yin Dameng, Cheng Minghan, et al. Drones, 2023, 7(4): 254. [本文引用:1]
[15] Susan Barati, Behzad Rayegani, Mehdi Saati, et al. The Egyptian Journal of Remote Sensing and Space Science, 2011, 14(1): 49. [本文引用:1]
[16] Sui Juan, Qin Qiming, Ren Huazhong, et al. IEEE International Geoscience and Remote Sensing Symposium, 2018, 7354(https://doi.org/101109/IGARSS.2018.8517909). [本文引用:1]
[17] Sripada R P, Heiniger R W, White J G, et al. Agronomy Journal, 2006, 98(4): 968. [本文引用:1]
[18] Van Beek J, Tits L, Somers B, et al. Remote Sensing, 2014, 6(2): 1760. [本文引用:1]
[19] Erdle K, Mistele B, Schmidhalter U. Field Crops Research, 2011, 124(1): 74. [本文引用:1]
[20] Sun Xinkai, Yang Zhongyu, Su Pengyan, et al. Frontiers in Plant Science, 2023, 14: 1158837. [本文引用:1]
[21] Ustin S L, Jacquemoud S. Remote Sensing of Plant Biodiversity, 2020, 349(https: //doi. org/101007/978-3-030-33157-3_14). [本文引用:1]
[22] YANG Qi, YE Hao, HUANG Kai, et al(杨琦, 叶豪, 黄凯, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(8): 104. [本文引用:1]