引用本文
牛庆林, 张合兵, 邓炯, 冯海宽, 李长春, 杨贵军, 陈志超. 结合无人机数码影像与PROSAIL模型的夏玉米LAI反演[J]. 光谱学与光谱分析, 2025,45(8): 2335-2347.
NIU Qing-lin, ZHANG He-bing, DENG Jiong, FENG Hai-kuan, LI Chang-chun, YANG Gui-jun, CHEN Zhi-chao. Combining UAV Digital Imagery With PROSAIL Modeling for LAI Inversion in Summer Maize[J]. Spectroscopy and Spectral Analysis, 2025,45(8): 2335-2347.
Doi:10.3964/j.issn.1000-0593(2025)08-2335-13  
Permissions
Copyright©2025, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
结合无人机数码影像与PROSAIL模型的夏玉米LAI反演
牛庆林1,4, 张合兵1,*, 邓炯2, 冯海宽3, 李长春1, 杨贵军3, 陈志超1
1.河南理工大学测绘与国土信息工程学院, 河南 焦作 454000
2.河南省国土空间调查规划院, 河南 郑州 450000
3.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
4.中国农业科学院农田灌溉研究所, 河南 新乡 453002
*通讯作者 e-mail: jzitzhb@hpu.edu.cn

作者简介: 牛庆林, 1989年生, 河南理工大学测绘与国土信息工程学院博士研究生 e-mail: niuql2011@126.com

收稿日期: 2024-08-02 修回日期: 2025-04-24
基金: 国家自然科学基金重点项目(U21A20108), 国家重点研发计划项目(2023YFD2000102)资助
摘要

叶面积指数(LAI)是反映不同玉米特性的重要长势指标, 可有效辅助玉米新品种的选育。 快速、 无损和精准地获取玉米LAI, 对玉米育种具有重要的指导意义。 目前, 无人机可见光遥感技术因具有快速、 无损和高通量地获取田间作物空间信息的优点, 在作物LAI等表型信息获取应用中得到快速发展; 然而, 其存在的光谱饱和现象以及缺乏光谱参数与LAI之间的响应机理信息, 限制了LAI等表型信息估算模型精度的进一步提高; 显然, PROSAIL辐射传输模型具有模拟作物理化参数与光谱指标参数之间响应机理的优点, 可有效提升作物理化参数反演的潜力。 为此, 结合无人机数码影像与PROSAIL模型反演夏玉米LAI, 以期进一步提高LAI反演模型的精度。 以玉米育种试验田的夏玉米为研究对象, 利用无人机遥感系统获取拔节期、 喇叭口期和抽雄吐丝期的高清数码影像, 并结合PROSAIL模型, 采用偏最小二乘回归(LSR)、 随机森林回归(RFR)和卷积神经网络(CNN)回归方法, 构建夏玉米LAI的反演模型。 结果表明: (1)基于无人机高清数码影像, 采用PLSR回归方法构建的模型精度最优, 估算模型和验证模型的 R2、 RMSE和nRMSE分别为0.69, 0.37, 24.28%和0.73, 0.35, 23.26%; (2)基于PROSAIL模型, 采用RFR回归方法构建的模型精度最优, 估算模型和验证模型的 R2、 RMSE和nRMSE分别为0.98, 0.28, 6.88%和0.87, 0.64, 15.97%; (3)结合无人机高清数码影像与PROSAIL模型, RFR回归方法构建的模型精度最优, 估算模型和验证模型的 R2、 RMSE和nRMSE分别为0.98, 0.27, 7.07%和0.87, 0.65, 16.35%, 与仅用无人机高清数码影像相比, 最优估算模型和验证模型的nRMSE分别降低17.21%和6.91%。 研究表明, 结合无人机数码影像与PROSAIL模型, 有效提高夏玉米LAI反演模型的精度和稳定性, 为辅助玉米新品种的选育提供理论指导。

关键词: 无人机; 夏玉米; 数码影像; PROSAIL模型; 叶面积指数; 随机森林
中图分类号:S25 文献标志码:A
Combining UAV Digital Imagery With PROSAIL Modeling for LAI Inversion in Summer Maize
NIU Qing-lin1,4, ZHANG He-bing1,*, DENG Jiong2, FENG Hai-kuan3, LI Chang-chun1, YANG Gui-jun3, CHEN Zhi-chao1
1. School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454000, China
2. Henan Provincial Institute of Land and Space Investigation and Planning, Zhengzhou 450000, China
3. 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
4. Farmland Irrigation Research Institute, Chinese Academy of Agricultural Sciences, Xinxiang 453002, China
*Corresponding author
Abstract

The leaf area index (LAI) is an important growth indicator that reflects various maize characteristics and can effectively assist in selecting and breeding new maize varieties. The rapid, non-destructive, and accurate determination of maize LAI is very important in maize breeding. At present, unscrewed aerial vehicle (UAV) visible light remote sensing technology has been rapidly developed in applications for obtaining phenotypic information such as crop LAI because of its advantages in obtaining spatial information about crops in the field in a rapid, non-destructive and high-throughput manner; However, the presence of spectral saturation, due to the lack of information on the response mechanism between spectral parameters and phenotypic information, limits the further improvement of the accuracy of models for estimating phenotypic information; Obviously, the PROSAIL radiative transfer model has the advantage of simulating the response mechanism between crop physicochemical parameters and spectral index parameters, which can effectively enhance the potential of crop physicochemical parameter inversion. Therefore, this study combined UAV digital imagery with the PROSAIL model to invert summer maize LAI to further improve the accuracy of the LAI inversion model. Taking summer maize in the maize breeding experimental field as the research object, a UAV remote sensing system was used to obtain high-resolution digital images at the jointing stage, trumpet stage and tassel emergence stage and combined with the PROSAIL model to construct a summer maize LAI inversion model using partial least squares regression (PLSR), random forest regression (RFR) and convolutional neural network (CNN) regression methods. The results show that (1) based on UAV high-resolution digital images, the model constructed by PLSR regression method has the optimal accuracy, and the R2, RMSE and nRMSE of the estimation model and validation model are 0.69, 0.37, 24.28% and 0.73, 0.35, 23.26%, respectively; (2) Based on the PROSAIL model, the model constructed using the RFR regression method has the best accuracy, with R2, RMSE and nRMSE of 0.98, 0.28, 6.88% and 0.87, 0.64, 15.97% for the estimated and validated models, respectively; (3) Combining the UAV high-resolution digital imagery with the PROSAIL model, the RFR regression method constructed the model with optimal accuracy, and the R2, RMSE and nRMSE of the estimation and validation models were 0.98, 0.27, 7.07% and 0.87, 0.65, 16.35%, respectively. The nRMSE of the optimal estimation model and the validation model were reduced by 17.21% and 6.91%, respectively, compared to using only UAV high-resolution digital imagery. The study shows that combining UAV digital imagery with the PROSAIL model effectively improves the accuracy and stability of the LAI inversion model for summer maize, and provides theoretical guidance to assist in selecting and breeding new maize varieties.

Keyword: Unmanned aerial vehicle; Summer maize; Digital imagery; PROSAIL model; Leaf area index; Random forest
0. 引言

无人机遥感技术因其具有快速、 无损和高通量地获取田间作物空间信息的优点, 在作物表型信息获取应用中得到快速发展。 无人机遥感平台可以搭载数码、 多光谱、 高光谱、 热成像和激光雷达等表型传感器, 获取不同类型的作物表型信息, 其中数码相机传感器获取的作物表型信息因成本低、 空间分辨率高且数据易分析等特点, 成为最受欢迎的传感器, 可以实现作物高度、 叶面积指数(leaf area index, LAI)、 地上部生物量、 倒伏状况等生长状态监测和准确预测作物产量提供参考, 是作物表型高通量信息监测的研究热点[1]。 玉米作为中国第一大粮食作物, 优良的品种是保障玉米生产的基础, 也是实现玉米高产稳产的有效途径[2]。 因此, 利用无人机搭载数码相机传感器进行玉米育种试验田夏玉米LAI的快速精准反演, 对玉米优良品种的选育具有重要指导意义。

以无人机为平台搭载数码相机传感器, 获取不同飞行高度的马铃薯块茎增长期的高清数码影像, 充分利用高清数码影像的光谱信息和纹理特征进行地上生物量的估算, 且随着影像分辨率的提高, 估算模型精度逐渐变好[3]。 基于无人机遥感平台搭载高清数码相机, 获取玉米育种材料不同生育期的高清数码影像, 提取红、 绿和蓝通道的DN(digital number, DN)值, 利用逐步回归分析方法进行玉米育种材料LAI的估测, 将株高信息与数码影像变量进行融合, 可以提高LAI估测模型的精度[4]。 使用无人机搭载数码相机获取不同品种和施氮量条件下水稻多生育期的数码影像与LAI, 表明无人机数码影像中颜色指数及纹理特征与LAI之间的相关性在生育前期(分蘖期和拔节期)最高, 高于所有单生育期、 生育后期(孕穗期、 抽穗期和灌浆期)和全生育期, 可确定为监测的最佳时期[5]。 利用无人机搭载数码相机获取2个品种在4个施氮水平处理条件下的小麦关键生育期的数码影像, 进行小麦LAI、 叶片干物质量及叶片氮积累量的长势信息监测, 指数函数模型具有较高的监测精度, 存在抽穗前及全生育期和抽穗后期监测模型的颜色指数不同的现象[6]。 然而, 利用数码影像信息进行作物长势参数的估测时, 在生育前期由于作物冠层处于未完全封陇的状态, 可能受到土壤等背景信息的干扰, 而在作物生长发育的后期, 由于叶片之间的重复遮挡会存在一定的光谱信息饱和现象, 可能会限制长势参数估算模型的精度。

PROSAIL辐射传输模型由PROSPECT(叶片光学特性模型)和SAIL(冠层双向反射模型)模型耦合而成, 用于研究植被冠层光谱和方向反射率, 也被用于反演植被生物物理特性参数的新方法, 在作物LAI和叶绿素含量等生理生化参数的反演中具有重要的理论指导意义[7]。 利用Sentinel-2遥感卫星影像数据, 以探究PROSAIL模型和高斯过程回归(混合辐射传输模型)在水稻物候变化LAI监测中的应用潜力, 以不同氮肥和水分处理条件下的水稻为研究对象, 通过对比分析高斯过程回归和人工神经网络回归混合模型估测水稻LAI的精度指标, 研究表明高斯过程回归混合模型能够更精确的估测水稻LAI, 可为作物LAI的更广泛研究提供参考[8]。 在农田区域, 结合高分系列影像, 利用PROSAIL模型反演不同土壤反射率条件下的作物LAI和植被覆盖度, 研究发现, 与植被覆盖度反演相比, 土壤反射率的影响对LAI的反演影响更大; 对比不同范围的LAI和植被覆盖度的实际区域, 表明土壤反射率在低LAI和植被覆盖度时对反演模型的贡献更重要, 即植被密度低时, 土壤反射率会极大地影响LAI和植被覆盖度的反演精度[9]。 PROSAIL辐射传输模型不仅能够提供用于反演作物理化参数的查找表数据库, 进行最优作物参数的匹配, 而且还能进行作物理化参数与光谱指标参数之间响应关系的模拟分析, 用于指导实际的作物理化参数反演。

为减少无人机数码影像在反演夏玉米LAI中模型估算精度低的问题, 充分发挥PROSAIL辐射传输模型在LAI与光谱指标参数之间响应机理模拟的优势, 本研究结合无人机数码影像与PROSAIL辐射传输模型, 以充分利用实际的田间作物信息与模型机理信息, 以期提高LAI模型的反演精度。

1 研究区概况与数据获取
1.1 研究区概况

试验田位于北京市昌平区小汤山镇国家精准农业研究示范基地, 地处40° 10'48″— 40° 10'54″ N, 116° 26'51″— 116° 26'53″E, 海拔高度约30 m, 土壤类型为潮土。 研究区为暖温带半湿润大陆性季风气候, 年均降雨量644 mm左右, 年平均气温在10~12 ℃之间, 夏季降雨较多, 降雨量可达全年的70%~80%。 试验田共种植800份玉米育种材料, 播种时间为2017年5月15日, 每份育种材料种植3行, 株距0.25 m, 行距0.60 m, 行长2.00 m, 所选育种材料具有较好的代表性, 设置保护行。 试验田栽培管理措施与一般大田管理措施相同, 地面随机选取72个实测的夏玉米小区。

1.2 数据获取

1.2.1 无人机数码影像

分别于拔节期(2017年6月29日)、 喇叭口期(2017年7月11日)和抽雄吐丝期(2017年7月28日)3个关键生育期获取夏玉米试验田的无人机高清数码影像。 无人机遥感系统由无人机平台和高清数码相机组成。 无人机平台由八旋翼电动无人机(单臂长386 mm, 机身净质量4.20 kg, 载物质量6.00 kg, 续航时间15~20 min)、 位置与姿态系统(position and orientation system, POS)和固定数码相机的云台组成。 高清数码相机型号为索尼Cyber-shot DSC-QX100, 其主要参数为: 质量179 g; 尺寸为62.5 mm× 62.5 mm× 55.5 mm; 2090万像素CMOS传感器; 焦距10 mm(定焦拍摄)。 影像获取时间在北京时间10:00— 14:00之间, 无人机影像获取时, 天空晴朗无云, 太阳光辐射强度稳定, 飞行高度60 m, 获得的影像空间分辨率为0.013 m。 借助Agisoft PhotoScan Professional软件进行无人机高清数码影像的拼接处理, 生成试验田的高清数字正射影像(digital orthophoto map, DOM)。 利用遥感数据处理软件ENVI和ArcGIS, 在DOM上提取夏玉米小区影像红、 绿和蓝通道DN值。

1.2.2 夏玉米LAI测量

分别于拔节期(2017年6月29日)、 喇叭口期(2017年7月11日)和抽雄吐丝期(2017年7月28日)3个关键生育期获取田间不同夏玉米小区的LAI数据, 与无人机高清数码影像数据获取准同步。 利用LAI-2 200C型植物冠层分析仪对选取的72个小区进行LAI的测量。 LAI测量时, 尽量避免太阳光直射, 在测量者面对太阳的方向上, 旋转180° , 即在背向太阳光一侧, 先测一个天空光, 再依次放在靠近夏玉米根部位置测量4个目标值, 在仪器进行测量时, 保持镜头水平, 取平均值后得到所测小区的平均LAI值。 对LAI数据进行异常值剔除后, 共得到176个有效数据值, 采用分层抽样的方式, 选取模型构建和模型验证的数据集。

1.2.3 可见光植被指数选取

结合相关的无人机高清数码影像在作物长势监测中的研究成果, 与已有的研究成果及LAI和可见光植被指数之间的关系, 选择下列的可见光植被指数, 进行夏玉米LAI的估测, 具体见表1所示。

表1 可见光植被指数 Table 1 Visible light vegetation index
2 模型与方法
2.1 PROSAIL模型参数的选取与模拟光谱数据构建

2.1.1 PROSAIL模型参数的选取

PROSAIL辐射传输模型可以建立叶片生化含量相关的反射率光谱维数据与冠层结构相关的方向维数据之间的联系。 PROSAIL模型已经被广泛地应用在反演植被生物物理特性的新方法研究中, 由于其简单易用、 稳定性好和定期更新的特点, 已经成为最受欢迎的植被辐射传输模型工具之一。

PROSAIL模型的输入参数共包括四类: 叶片理化参数、 冠层结构参数、 地面参数和角度信息。 用于描述叶片生理生化属性的参数有叶片结构系数N、 叶绿素含量cab(μ g· cm-2)、 类胡萝卜素含量car(μ g· cm-2)、 干物质含量cm(μ g· cm-2)和等效水厚度cw(cm)以及cbrown[27]等参数; 冠层结构参数包括LAI和叶倾角分布函数lidfa[28]等相关参数; 地面参数包括热点系数hspot[29]和土壤光谱[30]; 角度信息包括遥感影像拍摄时的太阳天顶角tts、 观测天顶角tto和相对方位角psi[7, 30]。 根据已有相关的研究确定参数的定义域[29], 如表2所示。

表2 PROSAIL模型主要参数的定义域 Table 2 Definitional domains of the main parameters of the PROSAIL model

使用Python的SALib开源库中的采样函数对给定值域的参数进行重采样得到N× (2× D+2)组样本参数, 其中设置N=1 024, D=6, 则可以得到14 336组样本参数, 作为PROSAIL模型的输入参数, 可以模拟生成14 336条光谱曲线如图1所示。

图1 PROSAIL模型模拟的理论光谱数据Fig.1 Theoretical spectral data simulated using PROSAIL model

2.1.2 PROSAIL模型模拟光谱数据构建

高斯模型, 也称为正态分布模型, 其核心是高斯密度函数, 其公式如式(1)

f(x)=1δ2πe-(x-u)22δ2(1)

式(1)中, f(x)为给定变量x的概率密度值, u为均值, δ 为标准差, π 为圆周率, e为自然对数的底。 高斯密度函数的图像呈现出典型的钟形曲线, 中心对称, 左右两侧逐渐趋于零。 高斯模型的特点如下: 首先, 它具有单峰性, 即只有一个峰值, 对称分布; 其次, 均值决定峰值的位置, 标准差决定了曲线的宽窄程度。

光谱响应函数指的是传感器在某个设定波长范围内接收的辐亮度与入射的辐亮度的比值, 描述了一个传感器在不同波长下的响应强度, 主要由中心波长和半高全宽两个参数共同决定, 类似于高斯函数。 半高全宽(full-width at the half of the maximum, FWHM)是指光谱响应函数峰值对应的两侧, 与峰值相差一半峰值高度的两个点之间的距离, 类似于高斯函数的标准差, 中心波长类似于高斯函数的均值, 决定光谱响应的中心波长位置。 光谱响应函数的目的是将光谱分辨率高的光谱数据重采样成宽通道的光谱数据, 实现光谱分辨率的降维。

Sentinel-2是欧空局(European space agency, ESA)推出的高分辨地球观测卫星, 已在农作物长势监测及产量估测中得到广泛应用。 因此, 本研究参考Sentinel 2A和Sentinel 2B卫星在红、 绿和蓝波段的中心波长和波段宽度(https://sentiwiki.copernicus.eu/web/document-library#DocumentLibrary-SENTINEL-2Documents), 作为光谱响应函数的中心波长和半高全宽, 利用高斯函数模型进行红、 绿和蓝宽波段光谱响应函数的模拟[31], 如图2所示。 利用光谱响应函数, 将PROSAIL模型模拟的高光谱数据重采样成宽波段的红、 绿和蓝通道的信息值, 达到与无人机高清数码影像较为一致的红、 绿和蓝通道DN值。

图2 基于高斯函数模型构建的光谱重采样函数Fig.2 Spectral resampling function constructed based on Gaussian function model

2.2 夏玉米LAI遥感反演方法

在遥感反演的回归算法中, 偏最小二乘回归(partial least squares regression, PLSR)模型作为统计回归的代表, 具有较广泛的应用; 随机森林回归(random forest regression, RFR)模型作为机器学习模型的典型代表, 有着较高的模型预测精度; 卷积神经网络(convolutional neural network, CNN)模型作为深度学习领域最具代表性的模型算法之一, 是目前研究中的热点。

CNN是一种多层神经网络, 主要由不同个数的卷积层、 池化层和全连接层堆叠而成, 其中卷积层包含一定数据量的卷积核, 通过卷积运算, 提取输入数据的特征; 池化层可实现缩减采样, 减少计算量; 全连接层就是综合已经提取的特征, 进行预测, 可实现回归或者分类, 在整个CNN中起到“ 分类器” 的作用。 由于本工作的数据集是一维的, 故采用一维卷积神经网络的架构, 主要由Conv1D层和Maxpooling1D的堆叠, 使用Flatten层, 将三维输出转换为二维输出, 最后结合Dence层, 实现回归[32], 如表3所示。 CNN模型是基于python的Keras框架实现的, 模型训练时, epochs被设置为100, batch_size被分别设置为1、 2、 4、 8、 16、 32、 64、 128和256, 学习率为0.005, 进行最优估算模型的选择。

表3 CNN模型参数 Table 3 Parameters of the CNN model

基于夏玉米小区的无人机高清数码影像, 分别提取不同小区的红、 绿和蓝通道的影像DN值, 计算所选择的植被指数, 作为实测数据样本; PROSAIL模型模拟的植被指数, 作为模拟数据样本; 将实测数据样本和模拟数据样本合并起来, 作为混合数据样本。 将实测数据样本、 模拟数据样本和混合数据样本计算的植被指数和对应的LAI作为模型输入, 分别构建PLSR、 RFR和CNN回归模型, 进行夏玉米LAI的反演, 其中分别选取实测数据样本、 模拟数据样本和混合数据样本数据量的70%, 作为对应模型构建的数据集, 剩余30%的样本作为对应的验证数据集。

2.3 反演精度评价

选用决定系数(coefficient of determination, R2)、 均方根误差(root mean square error, RMSE)和归一化均方根误差(normalized root mean square error, nRMSE)作为评估LAI估算模型与验证模型的指标。 估算模型和验证模型的R2越大, 相应的RMSE和nRMSE越小, 则表明模型的稳定性越好, 预测能力越强。

3 结果与讨论
3.1 基于无人机数码影像进行夏玉米LAI的反演

基于无人机数码影像提取夏玉米小区红、 绿和蓝通道的DN值, 并计算25个可见光植被指数, 与相应的LAI值, 进行相关性分析, 其结果如图3所示。 参考相关系数检验临界值表进行变量的显著性程度检验, 当自由度为123时, 相关系数的绝对值大于0.18时, 达到0.05显著性水平; 相关系数的绝对值大于0.23时, 达到0.01显著性水平。 从图3中可知, 除WI、 GRAY、 PPR和GBRI外, 其他植被指数与LAI的相关性程度都达到0.01显著性水平, 其中GRVI、 EXR、 EXGR、 COM、 VARI、 MGRVI、 MNGRVI、 MNGRBVI和RGRI与LAI的相关系数的绝对值大于0.70, 远大于0.23, 表明这些植被指数与LAI之间具有较好的相关关系。

图3 可见光植被指数与LAI的相关性分析结果Fig.3 Correlation analysis between visible light vegetation index and LAI

3.1.1 基于PLSR的LAI反演

基于无人机数码影像信息进行夏玉米LAI的PLSR模型构建与验证, 其结果如图4所示。 随着主成分个数的增加, 模型构建的R2逐步增加, RMSE逐步降低, R2由第1个主成分时的值为0.427, 到第5个主成分时的值为0.647, 其间增速较快, 与其对应的RMSE则由0.502快速下降到0.394, 其间降速较快, 其后模型构建的R2慢慢增加, 对应的RMSE则慢慢降低, 分别趋近收敛在0.689和0.369附近。

图4 PLSR模型构建与验证Fig.4 PLSR model construction and validation

当主成分的个数由1增加到5时, 验证模型的R2由0.668快速增长到0.700附近, 而RMSE则由0.440快速下降到0.367附近; 当主成分的个数在6至13时, 验证模型的R2在0.690附近波动, 而RMSE则在0.370附近波动; 当主成分的个数由14增加到18时, 验证模型的R2由0.707快速增长到0.732, 而RMSE则由0.363快速下降到0.345附件; 随后随着主成分个数的增加, 验证模型的R2和RMSE分别趋近收敛在0.732和0.345附近。 综合分析模型构建与验证的R2和RMSE, 进行估测模型预测能力的综合评价, 当主成分个数为18时, PLSR模型预测能力和稳定性最好, 可作为夏玉米LAI反演的PLSR模型。

基于主成分个数为18时, 进行夏玉米LAI的PLSR模型构建与验证, 其结果如图5所示。 PLSR模型构建的R2、 RMSE和nRMSE分别为0.690, 0.370和24.279%, 与之对应的验证模型的R2、 RMSE和nRMSE分别为0.732, 0.345和23.261%。

图5 PLSR模型构建与验证的LAI实测值与预测值的关系Fig.5 Relationship between measured and predicted LAI values for PLSR model construction and validation

3.1.2 基于RFR的LAI反演

基于无人机数码影像信息进行夏玉米LAI的RFR模型构建与验证, 经过反复对比, 随机森林默认设置的树个数为500, 分类树每个节点用于二叉树的变量个数默认设置为模型输入数据集变量个数的三分之一, 具有较好的预测精度, 其结果如图6所示。 RFR模型构建的R2、 RMSE和nRMSE分别为0.939, 0.174和11.439%, 与之对应的验证模型的R2、 RMSE和nRMSE分别为0.714, 0.355和23.941%, 模型验证精度低于模型构建精度。

图6 RFR模型构建与验证的LAI实测值与预测值的关系Fig.6 Relationship between measured and predicted LAI values for RFR model construction and validation

3.1.3 基于CNN回归模型的LAI反演

基于无人机数码影像信息进行夏玉米LAI的CNN模型构建与验证, 其中epochs参数设置为60, batch_size参数设置为4时, 模型具有最优的精度, 其结果如图7所示。 CNN模型构建的R2、 RMSE和nRMSE分别为0.784, 0.313和20.578%, 与之对应的验证模型的R2、 RMSE和nRMSE分别为0.701, 0.360和24.234%, 模型验证精度低于模型构建精度。

图7 CNN模型构建与验证的LAI实测值与预测值的关系Fig.7 Relationship between measured and predicted LAI values for CNN model construction and validation

3.2 基于PROSAIL模型数据进行LAI的反演

基于理论模拟生成的14 336条光谱曲线数据, 利用光谱响应函数将模拟的高光谱数据重采样成宽波段的红、 绿和蓝通道的信息值, 进而计算25个可见光植被指数, 与相应的LAI值, 分别作为PLSR、 RFR和CNN模型的输入, 进行LAI理论上估算模型和验证模型的构建与评价。

3.2.1 基于PLSR的LAI反演

基于PROSAIL模型模拟的宽波段红、 绿和蓝通道的信息值, 并计算可见光植被指数, 与对应的LAI值, 进行PLSR模型构建与验证, 其结果如图8所示。 随着主成分个数的增加, 模型构建的R2逐步增加, RMSE逐步降低, R2由第1个主成分的值为0.293, 到第5个主成分时的值为0.552, 期间增速较快, 与其对应的RMSE则由1.453快速下降到1.157, 其间降速较快。 而后模型构建的R2在主成分个数为6~7时, 增加缓慢, 随后迅速增加, R2由主成分个数为7时的0.573, 迅速增加到主成分个数为12时的0.716, 对应的RMSE则在主成分个数为6~7时, 降低缓慢, 随后迅速下降, RMSE由主成分个数为7时的1.129, 迅速下降到主成分个数为12时的0.921, 随后R2和RMSE分别趋近收敛在0.720和0.910附近。 而模型验证的R2和RMSE也存在与模型构建较为一致的变化规律。 综合分析模型构建与验证的R2和RMSE, 进行估测模型预测能力的综合评价, 当主成分个数为12时, PLSR模型预测能力和稳定性最好, 可为宽波段的可见光信息进行LAI的反演提供理论参考。

图8 基于PROSAIL模型的PLSR模型构建与验证Fig.8 PLSR model construction and validation based on the PROSAIL model

基于主成分个数为12时, 进行PROSAIL模型LAI的PLSR模型构建与验证, 其结果如图9所示。 PLSR模型构建的R2、 RMSE和nRMSE分别为0.716, 0.921和22.960%, 与之对应的验证模型的R2、 RMSE和nRMSE分别为0.725, 0.914和22.968%, 模型验证精度与模型构建精度基本一致, 表明模型具有较高的稳定性。

图9 基于PROSAIL模型的PLSR模型构建与验证的LAI实测值与预测值的关系Fig.9 Relationship between measured and predicted LAI values for PLSR model construction and validation based on the PROSAIL model

3.2.2 基于RFR的LAI反演

基于PROSAIL模型模拟的宽波段红、 绿和蓝通道的信息值, 并计算可见光植被指数, 与对应的LAI值, 进行RFR模型构建与验证, 随机森林的参数设置与基于无人机数码影像信息进行夏玉米LAI的RFR模型一致, 其结果如图10所示。 RFR模型构建的R2、 RMSE和nRMSE分别为0.976, 0.276和6.877%, 与之对应的验证模型的R2、 RMSE和nRMSE分别为0.867, 0.635和15.971%, 模型验证精度低于模型构建精度。

图10 基于PROSAIL模型的RFR模型构建与验证的LAI实测值与预测值的关系Fig.10 Relationship between measured and predicted LAI values for RFR model construction and validation based on the PROSAIL model

3.2.3 基于CNN回归模型的LAI反演

基于PROSAIL模型模拟的宽波段红、 绿和蓝通道的信息值, 并计算可见光植被指数, 与对应的LAI值进行CNN模型构建与验证, 其中epochs参数设置为90, batch_size参数设置为4, 模型具有最优的精度, 其结果如图11所示。 CNN模型构建的R2、 RMSE和nRMSE分别为0.785, 0.824和20.550%, 与之对应的验证模型的R2、 RMSE和nRMSE分别为0.790, 0.817, 20.547%, 模型验证精度与模型构建精度几乎相等。

图11 基于PROSAIL模型的CNN模型构建与验证的LAI实测值与预测值的关系Fig.11 Relationship between measured and predicted LAI values for CNN model construction and validation based on the PROSAIL model

3.3 结合无人机数码影像与PROSAIL模型的夏玉米LAI反演

将无人机数码影像提取夏玉米小区红、 绿和蓝通道的DN值, 与PROSAIL理论模拟生成的14 336条光谱曲线数据重采样成宽波段的红、 绿和蓝通道的信息值相结合, 并计算25个可见光植被指数, 与相应的LAI值, 分别作为PLSR、 RFR和CNN模型的输入, 进行夏玉米LAI估算模型和验证模型的构建与评价。

3.3.1 基于PLSR的LAI反演

基于无人机数码影像与PROSAIL理论模拟光谱数据的综合信息进行夏玉米LAI的PLSR模型构建与验证, 其结果如图12所示。 随着主成分个数的增加, 模型构建的R2逐步增加, RMSE逐步降低, R2由第1个主成分时的值为0.273, 到第7个主成分时的值为0.619, 其间增速较快, 与其对应的RMSE则由1.484快速下降到1.074, 其间降速较快, 随后模型构建的R2缓慢增加, 对应的RMSE则缓慢降低, 分别趋近收敛在0.690和0.960附近。 而模型验证的R2和RMSE, 也存在与模型构建较为一致的变化规律, 其R2由第1个主成分时的值为0.317, 快速增加到第7个主成分时的值为0.642, 随后逐渐收敛在0.706附近; 而RMSE由第1个主成分时的值为1.451, 快速下降到第7个主成分时的值为1.049, 随后逐渐收敛在0.951附近。 综合分析模型构建与验证的R2和RMSE, 进行估测模型预测能力的综合评价, 当主成分个数为15时, PLSR模型预测能力和稳定性较好, 可以作为夏玉米LAI反演的PLSR模型。

图12 结合无人机数码影像和PROSAIL模型的PLSR模型构建与验证Fig.12 PLSR model construction and validation combining UAV digital imagery and the PROSAIL model

基于主成分个数为15时, 进行夏玉米LAI的PLSR模型构建与验证, 其结果如图13所示。 PLSR模型构建的R2、 RMSE和nRMSE分别为0.688, 0.972和24.436%, 与之对应的验证模型的R2、 RMSE和nRMSE分别为0.706, 0.952, 24.102%, 构建模型与验证模型的精度差别较小, 模型的稳定性较高, 但模型精度相对较低。

图13 结合无人机数码影像和PROSAIL模型的PLSR模型构建与验证的LAI实测值与预测值的关系Fig.13 Relationship between measured and predicted LAI values for PLSR model construction and validation combining UAV digital imagery and the PROSAIL model

3.3.2 基于RFR的LAI反演

基于无人机数码影像与PROSAIL理论模拟光谱数据的综合信息进行夏玉米LAI的RFR模型构建与验证, 随机森林模型的参数设置与基于无人机数码影像信息进行夏玉米LAI的RFR模型一致, 其结果如图14所示。 RFR模型构建的R2、 RMSE和nRMSE分别为0.976, 0.271和7.065%, 与之对应的验证模型的R2、 RMSE和nRMSE分别为0.865, 0.646和16.348%, 模型验证精度低于模型构建精度。

图14 结合无人机数码影像和PROSAIL模型的RFR模型构建与验证的LAI实测值与预测值的关系Fig.14 Relationship between measured and predicted LAI values for RFR model construction and validation combining UAV digital imagery and the PROSAIL model

3.3.3 基于CNN回归模型的LAI反演

基于无人机数码影像与PROSAIL理论模拟光谱数据的综合信息进行夏玉米LAI的CNN模型构建与验证, 其中epochs参数设置为93, batch_size参数设置为4, 模型具有最优的精度, 其结果如图15所示。 CNN模型构建的R2、 RMSE和nRMSE分别为0.754, 0.864和21.707%, 与之对应的验证模型的R2、 RMSE和nRMSE分别为0.805, 0.783和19.821%, 模型验证精度高于模型构建精度, 模型具有较好的预测能力。

图15 结合无人机数码影像和PROSAIL模型的CNN模型构建与验证的LAI实测值与预测值的关系Fig.15 Relationship between measured and predicted LAI values for CNN model construction and validation combining UAV digital imagery and the PROSAIL model

3.4 模型分析

基于无人机数码影像信息进行夏玉米LAI的估算, PLSR模型具有较好的模型精度和稳定性, 其模型构建和验证的R2、 RMSE和nRMSE分别为0.69, 0.37、 24.28%和0.73, 0.35, 23.26%, 与牛庆林等[4]利用逐步回归分析方法的估算精度基本一致; 基于PROSAIL辐射传输模型的模拟数据集进行LAI估算模型的理论分析, RFR模型具有较好的模型精度和稳定性, 其模型构建和验证的R2、 RMSE和nRMSE分别为0.98, 0.28, 6.88%和0.87, 0.64, 15.97%, 而CNN模型构建和验证的R2、 RMSE和nRMSE分别为0.79, 0.82, 20.55%和0.79, 0.82, 20.55%, 模型构建精度和模型验证精度几乎一致, 表明CNN模型具有较好的稳定性; 将无人机数码影像信息与PROSAIL模型模拟数据相结合, 进行LAI估算模型构建与验证, RFR模型具有较好的模型精度和稳定性, 其模型构建和验证的R2、 RMSE和nRMSE分别为0.98, 0.27, 7.07%和0.87, 0.65, 16.35%。 与张东彦等[33]和江杰等[6]进行冬小麦长势参数预测时, RFR模型具有较好的精度, 具有类似的结果。

基于无人机数码影像信息进行夏玉米LAI的估算时, RFR和CNN模型构建及验证的R2分别为0.94、 0.71和0.78、 0.70, 其模型构建的样本数据为125个, 而PLSR模型构建及验证的R2分别为0.69、 0.73, 表明RFR和CNN模型都存在过拟合现象; 基于PROSAIL模型数据进行LAI的估算时, RFR和CNN模型构建及验证的R2分别为0.98、 0.87和0.79、 0.79, 其模型构建的样本数据为10 036个, 而PLSR模型构建及验证的R2分别为0.72、 0.73, 表明随着模型输入样本量的增加, CNN模型具有较好的稳定性, RFR模型的过拟合现象得到缓解, 而PLSR模型的精度与模型输入的样本量不敏感; 将无人机数码影像信息与PROSAIL模型数据相结合时, RFR和CNN模型构建及验证的R2分别为0.98、 0.87和0.75、 0.81, 而PLSR模型构建及验证的R2分别为0.69、 0.71, 表明当模型的输入样本达到一定数据量时, CNN模型的预测能力得到一定程度的提高, RFR模型仍保持较高的模型精度。

通过对模型输入数据量的分析, 表明PLSR模型对输入模型的数据量个数不敏感, 模型具有较好的稳定性, 模型精度适中; RFR和CNN模型对输入模型的数据量个数比较敏感, 随着模型输入数据量的增多, 模型精度都有一定的提高, CNN模型不存在过拟合现象, 而RFR模型的过拟合现象得到缓解, RFR模型仍保持较高的模型精度。 图13、 图14和图15散点图的对比, 发现结合PROSAIL模型的模拟数据, RFR模型对LAI较大时的抗饱和性更好, 为充分利用PROSAIL模型的优点, 提高模型预测能力提供参考。 与Sun等[34]利用经验统计模型进行油菜LAI的估算, 与将PROSAIL模型与神经网络相耦合进行油菜LAI的估算进行对比分析, 结果表明耦合PROSAIL模型估算油菜LAI的模型精度更高, 对不同年份的数据集模型稳健性更好, 具有类似的结果。

4 结论

(1)基于无人机数码影像信息进行夏玉米LAI的估算, PLSR模型具有较好的精度和稳定性, 其模型构建和验证的R2、 RMSE和nRMSE分别为0.69, 0.37、 24.28%和0.73, 0.35, 23.26%。

(2)基于PROSAIL辐射传输模型进行LAI的估算, RFR模型具有较好的精度和稳定性, 其模型构建和验证的R2、 RMSE和nRMSE分别为0.98, 0.28, 6.88%和0.87, 0.64, 15.97%。

(3)结合无人机数码影像与PROSAIL辐射传输模型进行夏玉米LAI的估算, RFR模型具有较好的精度和稳定性, 其模型构建和验证的R2、 RMSE和nRMSE分别为0.98, 0.27, 7.07%和0.87, 0.65, 16.35%, 与仅用无人机数码影像相比, 估算模型和验证模型的nRMSE分别降低17.21%和6.91%, 进一步提高夏玉米LAI反演模型的精度和稳定性。

参考文献
[1] Feng L, Chen S S, Zhang C, et al. Computers and Electronics in Agriculture, 2021, 182: 106033. [本文引用:1]
[2] ZHANG Zhen-bo, JIA Chun-lan, REN Bai-zhao, et al(张振博, 贾春兰, 任佰朝, 等). Acta Agronomica Sinica(作物学报), 2023, 49(6): 1616. [本文引用:1]
[3] LIU Yang, FENG Hai-kuan, SUN Qian, et al(刘杨, 冯海宽, 孙乾, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2021, 41(5): 1470. [本文引用:1]
[4] NIU Qing-lin, FENG Hai-kuan, YANG Gui-jun, et al(牛庆林, 冯海宽, 杨贵军, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2018, 34(5): 73. [本文引用:2]
[5] CAO Zhong-sheng, LI Yan-da, HUANG Jun-bao, et al(曹中盛, 李艳大, 黄俊宝, 等). Chinese Journal of Rice Science(中国水稻科学), 2022, 36(3): 308. [本文引用:1]
[6] JIANG Jie, ZHANG Ze-yu, CAO Qiang, et al(江杰, 张泽宇, 曹强, 等). Journal of Nanjing Agricultural University(南京农业大学学报), 2019, 42(4): 622. [本文引用:2]
[7] Jacquemoud S, Verhoef W, Baret F, et al. Remote Sensing of Environment, 2009, 113: S56. [本文引用:2]
[8] Adeluyi O, Harris A, Verrelst J, et al. International Journal of Applied Earth Observation and Geoinformation, 2021, 102: 102454. [本文引用:1]
[9] Jiang H Y, Wei X Q, Chen Z L, et al. Computers and Electronics in Agriculture, 2023, 212: 108165. [本文引用:1]
[10] Tucker C J. Remote Sensing of Environment, 1979, 8(2): 127. [本文引用:1]
[11] Meyer G E, Hindman T, Laksmi K. SPIE, 1999, 3543: 327. [本文引用:1]
[12] Woebbecke D M, Meyer G E, Bargen K V, et al. Transactions of the ASAE, 1995, 38(1): 259. [本文引用:1]
[13] Meyer G E, Neto J C. Computers and Electronics in Agriculture, 2008, 63(2): 282. [本文引用:1]
[14] Hague T, Tillett N D, Wheeler H. Precision Agriculture, 2006, 7: 21. [本文引用:1]
[15] Kataoka T, Kaneko T, Okamoto H, et al. Crop Growth Estimation System Using Machine Vision, Proceedings of the 2003 IEEE/ASME International Conference on Advanced Intelligent Machatronics, 2003. [本文引用:1]
[16] Guijarro M, Pajares G, Riomoros I, et al. Computers and Electronics in Agriculture, 2011, 75(1): 75. [本文引用:1]
[17] Guerrero J M, Pajares G, Montalvo M, et al. Expert Systems with Applications, 2012, 39(12): 11149. [本文引用:1]
[18] Louhaichi M, Borman M M, Johnson D E. Geocarto International, 2001, 16(1): 65. [本文引用:1]
[19] Gitelson A A, Kaufman Y J, Stark R, et al. Remote Sensing of Environment, 2002, 80(1): 76. [本文引用:1]
[20] Bendig J, Yu K, Aasen H, et al. International Journal of Applied Earth Observation and Geoinformation, 2015, 39: 79. [本文引用:1]
[21] Guo Y H, Xiao Y, Li M W, et al. International Journal of Applied Earth Observation and Geoinformation, 2022, 115: 103121. [本文引用:1]
[22] Guo Y H, Wang H X, Wu Z F, et al. Sensors, 2020, 20(18): 5055. [本文引用:1]
[23] Kazmi W, Garcia-Ruiz F J, Nielsen J, et al. Computers and Electronics in Agriculture, 2015, 112: 10. [本文引用:1]
[24] Kawashima S, Nakatani M. Annals of Botany, 1998, 81: 49. [本文引用:1]
[25] Metternicht G. International Journal of Remote Sensing, 2003, 24(14): 2855. [本文引用:1]
[26] Gamon J A, Surfus J S. New Phytologist, 1999, 143(1): 105. [本文引用:1]
[27] Roosjen P P J, Brede B, Suomalainen J M, et al. International Journal of Applied Earth Observation and Geoinformation, 2018, 66: 14. [本文引用:1]
[28] de Wit C T. Photosynthesis of Leaf Canopies, Agricultural Research Reports, 1965. [本文引用:1]
[29] Su W, Huang J X, Liu D S, et al. Remote Sensing, 2019, 11(5): 572. [本文引用:2]
[30] Wan L, Zhu J P, Du X Y, et al. Journal of Experimental Botany, 2021, 72(13): 4691. [本文引用:2]
[31] Lehnert L W, Meyer H, Obermeier W a, et al. Journal of Statistical Software, 2019, 89(12): 1. [本文引用:1]
[32] Yue J B, Yang H, Feng H K, et al. Computers and Electronics in Agriculture, 2023, 211: 108011. [本文引用:1]
[33] ZHANG Dong-yan, HAN Xuan-xuan, LIN Fen-fang, et al(张东彦, 韩宣宣, 林芬芳, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2022, 38(9): 171. [本文引用:1]
[34] Sun B, Wang C F, Yang C H, et al. International Journal of Applied Earth Observation and Geoinformation, 2021, 102: 102373. [本文引用:1]