基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较

㊀山东农业科学㊀２０２４ꎬ５６(４):１７２~１８０ＳｈａｎｄｏｎｇＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓ㊀ＤＯＩ:１０.１４０８３/ｊ.ｉｓｓｎ.１００１－４９４２.２０２４.０４.０２２收稿日期:２０２３－０３－３０基金项目:山东省自然科学基金项目(ＺＲ２０２１Ｍ０５５)ꎻ国家重点研发计划课题(２０２１ＹＦＢ３９０１３０３)作者简介:曾世伟(２０００ )ꎬ男ꎬ硕士研究生ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:１４２２１８０４２６＠ｑｑ.ｃｏｍ通信作者:侯学会(１９８５ )ꎬ女ꎬ博士ꎬ助理研究员ꎬ主要从事农业遥感研究ꎮＥ－ｍａｉｌ:ｓｘｈｏｕｘｈ＠１２６.ｃｏｍ王宗良(１９８６ )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事光纤传感研究ꎮＥ－ｍａｉｌ:ｗａｎｇｚｏｎｇｌｉａｎｇ＠ｌｃｕ.ｅｄｕ.ｃｎ基于无人机遥感的作物表型参数获取和应用研究进展曾世伟１ꎬ２ꎬ侯学会２ꎬ王宗良１ꎬ骆秀斌２ꎬ巫志雄１ꎬ２ꎬ王宏军１(１.聊城大学物理科学与信息工程学院ꎬ山东聊城㊀２５２０００ꎻ２.山东省农业科学院农业信息与经济研究所ꎬ山东济南㊀２５０１００)㊀㊀摘要:作物表型参数是由基因和环境因素决定或影响的作物生理㊁生化特征和性状ꎮ通过获取不同环境㊁不同生长时期的作物表型信息ꎬ可直观了解作物生长状况ꎬ以及时调整栽培管理措施ꎬ保障作物高效生产ꎮ无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等传感器ꎬ可充分发挥灵活性好㊁获取数据效率高㊁成本相对较低等优势ꎬ实现作物表型参数信息的高效获取ꎬ同时ꎬ快速发展的图像处理和识别分类技术又为无人机遥感获取的作物表型参数信息提供了有效的处理和分析方法ꎬ从而使得作物监测更加便捷㊁高效ꎮ本文总结了无人机遥感获取作物表型参数信息的流程与方法ꎬ概括了基于无人机遥感开展作物株高㊁冠层覆盖度㊁叶面积指数㊁水分胁迫㊁生物量㊁产量等表型参数研究的现状ꎬ并对无人机遥感技术在作物表型参数信息解析方面的应用前景进行了展望ꎬ以期为充分发挥该技术在农业生产中的作用提供参考ꎮ关键词:无人机遥感ꎻ作物表型参数ꎻ作物监测中图分类号:Ｓ１２７㊀㊀文献标识号:Ａ㊀㊀文章编号:１００１－４９４２(２０２４)０４－０１７２－０９ＲｅｓｅａｒｃｈＰｒｏｇｒｅｓｓｏｆＯｂｔａｉｎｉｎｇａｎｄＵｔｉｌｉｚｉｎｇＣｒｏｐＰｈｅｎｏｔｙｐｉｃＰａｒａｍｅｔｅｒｓＢａｓｅｄｏｎＵＡＶＲｅｍｏｔｅＳｅｎｓｉｎｇＺｅｎｇＳｈｉｗｅｉ１ꎬ２ꎬＨｏｕＸｕｅｈｕｉ２ꎬＷａｎｇＺｏｎｇｌｉａｎｇ１ꎬＬｕｏＸｉｕｂｉｎ２ꎬＷｕＺｈｉｘｉｏｎｇ１ꎬ２ꎬＷａｎｇＨｏｎｇｊｕｎ１(１.ＳｃｈｏｏｌｏｆＰｈｙｓｉｃａｌＳｃｉｅｎｃｅａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙꎬＬｉａｏｃｈｅｎｇＵｎｉｖｅｒｓｉｔｙꎬＬｉａｏｃｈｅｎｇ２５２０００ꎬＣｈｉｎａꎻ２.ＩｎｓｔｉｔｕｔｅｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＥｃｏｎｏｍｉｃＲｅｓｅａｒｃｈꎬＳｈａｎｄｏｎｇＡｃａｄｅｍｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓꎬＪｉｎａｎ２５０１００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ㊀Ｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｒｅｆｅｒｔｏｃｒｏｐｐｈｙｓｉｏｌｏｇｉｃａｌａｎｄｂｉｏｃｈｅｍｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｔｈａｔａｒｅｄｅｔｅｒｍｉｎｅｄｏｒｉｎｆｌｕｅｎｃｅｄｂｙｇｅｎｅｔｉｃａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｆａｃｔｏｒｓ.Ｔｈｒｏｕｇｈｏｂｔａｉｎｉｎｇｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｅｎｖｉｒｏｎｍｅｎｔｓａｎｄｇｒｏｗｔｈｐｅｒｉｏｄｓꎬｔｈｅｇｒｏｗｔｈｓｔａｔｕｓｏｆｃｒｏｐｓｃｏｕｌｄｂｅｋｎｏｗｎｉｎｔｕｉｔｉｖｅｌｙｓｏｔｈａｔｃｕｌｔｉｖａｔｉｏｎｍａｎａｇｅｍｅｎｔｓｔｒａｔｅｇｉｅｓｃｏｕｌｄｂｅａｄｊｕｓｔｅｄｉｎｔｉｍｅｔｏｅｎｓｕｒｅｈｉｇｈｃｒｏｐｐｒｏｄｕｃｔｉｖｉｔｙ.ＴｈｒｏｕｇｈｃａｒｒｙｉｎｇｄｉｆｆｅｒｅｎｔｓｅｎｓｏｒｓｓｕｃｈａｓＲＧＢｃａｍｅｒａꎬｓｐｅｃｔｒｕｍｃａｍｅｒａａｎｄＬＩＤＡＲꎬＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｈａｓａｄｖａｎｔａｇｅｓｏｆｇｏｏｄｆｌｅｘｉｂｉｌｉｔｙꎬｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄｒｅｌａｔｉｖｅｌｙｌｏｗｃｏｓｔｉｎａｃｑｕｉｒｉｎｇｄａｔａꎬｗｈｉｃｈｐｒｏｖｉｄｅｓａｎｅｆｆｉｃｉｅｎｔｗａｙｔｏｏｂｔａｉｎｃｒｏｐｓｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎ.Ａｔｔｈｅｓａｍｅｔｉｍｅꎬｆａｓｔｄｅｖｅｌｏｐｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇａｎｄｒｅｃｏｇｎｉｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｔｅｃｈｎｏｌｏｇｉｅｓｐｒｏｖｉｄｅｓｅｆｆｅｃｔｉｖｅｐｒｏｃｅｓｓｉｎｇａｎｄａｎａｌｙｓｉｓｍｅｔｈｏｄｓｆｏｒｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎ￣ｆｏｒｍａｔｉｏｎｏｂｔａｉｎｅｄｂｙＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇ.Ａｌｌｔｈｅｓｅｍａｋｅｃｒｏｐｍｏｎｉｔｏｒｉｎｇｍｏｒｅｃｏｎｖｅｎｉｅｎｔａｎｄｅｆｆｉｃｉｅｎｔ.ＩｎｔｈｉｓｐａｐｅｒꎬｐｒｏｃｅｓｓａｎｄｍｅｔｈｏｄｓｏｆｏｂｔａｉｎｉｎｇｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｉｎｆｏｒｍａｔｉｏｎｗｅｒｅｉｎｔｒｏｄｕｃｅｄꎬａｎｄｒｅｓｅａｒｃｈｓｔａｔｕｓｏｆｃｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓｂａｓｅｄｏｎＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｓｕｃｈａｓｐｌａｎｔｈｅｉｇｈｔꎬｃａｎｏｐｙｃｏｖｅｒａｇｅꎬｌｅａｆａｒｅａｉｎｄｅｘꎬｗａｔｅｒｓｔｒｅｓｓꎬｂｉｏｍａｓｓａｎｄｙｉｅｌｄｗｅｒｅｓｕｍｍａｒｉｚｅｄꎬａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｆｏｒｅｇｒｏｕｎｄｏｆＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｃｒｏｐｐｈｅｎｏｔｙｐｉｃｉｎｆｏｒｍａｔｉｏｎａｎａｌｙｓｉｓｗａｓｐｒｏｓｐｅｃｔｅｄꎬｈｏｐｉｎｇｔｏｐｒｏｖｉｄｅｒｅｆｅｒｅｎｃｅｓｆｏｒｂｅｔｔｅｒａｐｐｌｉｃａｔｉｏｎｏｆｔｈｅｔｅｃｈｎｏｌｏｇｙｉｎａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎ.Ｋｅｙｗｏｒｄｓ㊀ＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇꎻＣｒｏｐｐｈｅｎｏｔｙｐｉｃｐａｒａｍｅｔｅｒｓꎻＣｒｏｐｍｏｎｉｔｏｒｉｎｇ㊀㊀随着世界人口快速增长㊁可耕地面积越来越少㊁全球气候急剧变化和资源短缺加剧ꎬ农业生产面临着严峻的挑战ꎬ粮食安全问题日益突出[１]ꎮ因此ꎬ培育优良品种以达到稳产㊁增产的目的ꎬ成为目前作物研究的热点方向之一ꎮ作物表型信息如株高㊁叶面积指数㊁生物量等影响着后期产量的形成ꎬ是育种过程中的重要参考指标ꎮ传统的作物表型信息获取多采用人工地面抽样调查法ꎬ费时㊁费力且观测数量有限ꎬ不能满足大面积作物信息调查需求ꎮ近年来ꎬ低空无人机遥感技术快速发展ꎬ通过无人机搭载ＲＧＢ相机㊁光谱相机㊁激光雷达等构建无人机遥感平台ꎬ能够快速㊁高效获取一定范围内作物冠层的株高㊁叶面积指数㊁生物量等的连续动态信息ꎬ从而实现作物产量的动态预测[２]ꎮ目前ꎬ在田间作物表型遥感监测研究中应用的无人飞行器有无人直升机㊁飞艇㊁固定翼无人机㊁多旋翼无人机等ꎬ其中对起降条件要求不高且可以满足任何飞行轨迹要求的多旋翼无人机应用较为广泛ꎬ获取作物表型信息更加方便㊁快捷[３]ꎮ但由于无人机负载能力有限ꎬ其搭载的传感器需要满足高精度㊁轻质量和小尺寸的要求ꎬ目前适合无人机搭载的主要传感器有ＲＧＢ数码相机㊁红外热成像仪㊁多光谱相机㊁高光谱相机㊁多谱段激光雷达等ꎮ不同的传感器性能不同ꎬ获取的作物表型参数信息也不同ꎬ导致最终得到的遥感监测结果不同[４－５]ꎮＲＧＢ相机[６]㊁热红外成像仪[７]㊁多光谱相机[８－９]和高光谱相机[１０－１１]成像原理相同ꎬ都是通过感测光谱波段来捕获图像信息ꎬ但它们感测光谱波段的种类和能力存在差异[１２]ꎬ因此可用于测量不同的表型参数[１３]ꎬ其中ꎬＲＧＢ相机可用于测量作物的株高㊁冠层覆盖度等ꎻ热红外成像仪可实现在生物和非生物胁迫条件下对作物表型参数的间接测定ꎬ尤其在测量作物的冠层温度时效果较好ꎻ多光谱相机和高光谱相机都能测量作物的叶面积指数㊁生物量㊁产量等表型参数ꎬ但高光谱相机的光谱分辨率更高ꎬ能获得更多的波段数据ꎬ可测量更多的作物表型参数ꎬ然而同时也存在数据处理过程更加复杂㊁仪器价格较高的问题ꎮ多谱段激光雷达能够分析作物的光谱特性和空间目标方位㊁距离㊁三维形貌和状态特征[１４]ꎬ常用于对作物株高和生物量的测量研究ꎮ本文综述了无人机遥感监测农作物表型参数的信息获取流程㊁方法及研究进展ꎬ并对今后的研究方向进行展望ꎬ以期为深入研究和应用该技术提供参考ꎮ１㊀无人机遥感监测图像数据的处理及信息提取流程和方法１.１㊀图像处理遥感图像处理是利用无人机遥感研究作物表型的基础ꎮ因遥感图像存在由大气㊁传感器㊁无人机飞行状态等因素引起的几何畸变和辐射畸变ꎬ在提取作物表型参数之前必须对图像进行预处理ꎬ以有效改善提取表型参数信息的精度[１５]ꎮ图像处理过程包括辐射定标㊁几何校正㊁数据质量检查㊁图像特征点提取㊁图像特征匹配㊁空中三角测量与区域网平差㊁生成数字高程模型(ＤＥＭ)㊁正射校正生成数字正射影像(ＤＯＭ)和拼接镶嵌等[１６]ꎮ需根据无人机搭载的传感器类型选择合适的图像处理方法ꎮ如戴建国等[１７]获取可见光图像后ꎬ使用Ｐｉｘ４Ｄｍａｐｐｅｒ软件进行图像快速拼接检查ꎬ然后通过正射校正获得高质量㊁高精度的正射影像图ꎻ程雪等[１８]获取高光谱影像后ꎬ除了使用Ｐｉｘ４ＤＭａｐｐｅｒ软件进行拼接镶嵌外ꎬ还采用辐射定标以及大气校正等对图像进行了处理ꎮＮäｓｉ等[１９]将得到的光谱图像依次进行了辐射标定㊁几何校正㊁图像融合和图像增强ꎬ然后使用３７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展ＡｒｃＧＩＳ㊁ＥＮＶＩ等软件提取光谱反射率ꎬ用于建立研究作物表型性状的植被指数ꎮ１.２㊀特征集的选取作物特征包括植被指数特征㊁纹理特征等ꎬ在实际应用时需根据研究目的选择合适的特征来构成特征集ꎮ植被指数是通过多个波段数据计算得出的ꎬ能够有效度量作物株高㊁生物量和覆盖度等表型信息[２０]ꎮ常用的植被指数有归一化差值植被指数(ＮＤＶＩ)㊁绿色归一化植被指数(ＧＮＤＶＩ)㊁比值植被指数(ＲＶＩ)㊁红绿蓝植被指数(ＲＧＢＶＩ)㊁红边归一化植被指数(ｒＮＤＶＩ)㊁优化土壤调节植被指数(ＯＳＡＶＩ)㊁修正归一化植被指数(ｍＮＤＶＩ)㊁可见光大气阻抗植被指数(ＶＡＲＩ)㊁蓝绿色素指数(ＢＧＩ２)㊁增强植被指数(ＥＶＩ２)等ꎮ其中ꎬＮＤＶＩ能够突出植被在图像中的显示ꎬ可准确估测植被的覆盖度[１２]ꎻＶＡＲＩ㊁ＮＤＶＩ㊁ＲＶＩ㊁ｒＮＤＶＩ㊁ｍＮＤＶＩ㊁ＧＮＤＶＩ能有效预测叶面积指数[１８]ꎻＮＤＶＩ㊁ＯＳＡ￣ＶＩ㊁ＢＧＩ２等常被用于预测植物叶片的叶绿素含量[２１]ꎻＶＡＲＩ能有效预测作物的水分胁迫ꎻＲＤＶＩ㊁ＲＧＢＶＩ在估测作物生物量方面效果较好[２２]ꎮ图像的灰度分布及其重复性是纹理特征的表现形式ꎬ可以反映地物的视觉粗糙程度ꎮ不同地物表现出的纹理特征不同ꎬ因此可根据该特征描述和识别地物[１６]ꎮ另外ꎬ同一波段的图像有相同种类的纹理特征ꎬ可通过最小噪声分离变换和基于主成分分析方法等提取纹理滤波特征ꎬ选择最佳波段ꎬ作为最终纹理滤波特征[２３]ꎮ１.３㊀特征筛选用于遥感图像估测表型参数的属性特征很多ꎬ若不经过筛选ꎬ则分析特征和训练模型所需要的时间会很长ꎬ模型也会很复杂ꎬ从而导致模型的泛化能力下降ꎬ不利于在实际生产中推广应用ꎮ因此ꎬ需在保证估测精度的前提下ꎬ选用最少的特征来构建模型ꎬ以避免特征变量过多引起的 维数灾难 ꎮ常用的特征筛选方法大致分为三类ꎬ分别是过滤式㊁包裹式㊁嵌入式筛选法[２４]ꎮ过滤式特征筛选法先选定特征再进行学习ꎬ具有较强通用性ꎬ其典型方法有ＲｅｌｉｅｆＦ算法ꎻ包裹式特征筛选法利用学习算法的性能来评价自身优劣ꎬ筛选得到的特征集分类性能较好ꎬ其典型方法有ＳＶＭ－ＲＦＥ算法ꎻ嵌入式特征筛选法将特征选择过程作为学习过程的一部分ꎬ在学习过程中自动进行特征筛选ꎬ特征筛选效果最好㊁速度最快且模式单调ꎬ其典型方法有Ｌａｓｓｏ算法[２５]ꎮ特征选定后ꎬ还要根据估测能力强弱对其进行权重赋值ꎬ最终构建出最佳特征集ꎬ用于建立估测模型ꎮ１.４㊀模型的构建及精度评价构建估测模型能够表征遥感数据与作物特征的相关性ꎬ可为定量反演作物的表型参数奠定基础[１]ꎮ１.４.１㊀数据集的划分㊀估测模型的构建及其精度与样本数量和质量紧密相关ꎬ因此确保田间采样质量是保证构建模型估测效果的重要前提[１８]ꎮ采集到的样本首先要采用适当的方法合理地划分成训练样本集和验证样本集ꎮ常见的划分方法有留出法㊁交叉验证法和自助法ꎬ其中交叉验证法是无人机遥感监测作物表型参数研究中最常用的方法ꎮｋ折交叉验证是典型的交叉验证法ꎬ其原理是将数据集分成ｋ个样本数相等的子集ꎬ任选其中１个子集作为测试集ꎬ另外ｋ－１个子集作为训练集ꎬ然后无重复地执行ｋ次ꎬ使得每个子集都能作为训练集和测试集来训练模型ꎮ１.４.２㊀模型构建㊀除数字高程模型能够有效且快速获取作物株高信息外ꎬ其他表型参数的估测模型一般采用机器学习算法构建ꎮ根据训练数据是否拥有标记信息ꎬ可将机器学习算法分为监督式和非监督式两种[２６]ꎮ分类和回归算法是典型的监督式算法ꎬ包括支持向量回归(ＳＶＲ)㊁随机森林回归(ＲＦＲ)㊁人工神经网络(ＡＮＮ)㊁多元线性回归(ＭＬＲ)等ꎬ其中回归算法更适用于数据具有连续性的叶面积指数㊁生物量㊁产量㊁水分胁迫等的监测ꎬ而分类算法更适用于作物分类和冠层覆盖度等的监测ꎮ另外还有一些表型参数研究没有足够的先验知识ꎬ很难对其进行人工标注且标注成本较高ꎬ通常采用无监督算法训练被标记的样本ꎬ以解决模式识别过程中的各种问题ꎮ聚类算法是非监督学习算法的代表ꎬ依据相似度进行分４７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀类ꎬ典型的聚类算法有Ｋ均值(Ｋ－ｍｅａｎｓ)聚类算法和Ｋ－中心点(Ｋ－ｍｅｄｏｉｄｓ)聚类算法ꎮ１.４.３㊀模型估测精度评价㊀估测模型的精度评价ꎬ通常用决定系数(Ｒ２)和均方根误差(ＲＭＳＥ)作为评判预测值与实测值拟合效果的指标ꎬ其中ꎬＲ２值越接近１ꎬ说明模型的参考价值越高ꎻＲＭＳＥ值越小ꎬ说明模型精度越高[２７]ꎮ２㊀无人机遥感监测作物表型参数的研究进展２.１㊀作物株高株高能够反映作物的群体结构状况ꎬ植株过高易导致倒伏ꎬ而过矮会降低群体中下部的通风和透光ꎬ导致光合效率下降ꎬ进而影响作物产量ꎬ因此株高监测在作物生产调控中具有重要意义ꎮ作物株高监测通常利用获取可见光数据来测量ꎮ张宏鸣等[２８]用无人机搭载数码相机获取作物的可见光图像ꎬ采用高清数码正射影像(ＤＯＭ)和数字表面模型(ＤＳＭ)相结合的骨架算法提取植株骨架ꎬ估测作物株高的精度较高(Ｒ２＝０.９２３ꎬＲＭＳＥ＝１１.４９３ｃｍꎬＭＡＥ＝８.９２７ｃｍ)ꎮ牛庆林等[２９]利用无人机拍摄玉米的高清数码影像ꎬ将其与地面控制点(ＧＣＰ)结合进行图像拼接处理ꎬ生成相应的ＤＳＭ和ＤＯＭꎬ得到的株高预测值与实测值拟合性较高(Ｒ２＝０.９３ꎬＲＭＳＥ＝２８.６９ｃｍꎬｎＲＭＳＥ＝１７.９０％)ꎮ刘治开等[３０]用无人机拍摄冬小麦的高清数码影像ꎬ通过构建作物ＤＳＭ及作物高度模型(ＣＨＭ)来测量小麦株高ꎬ最终得到的估测结果较好(Ｒ２和ＲＭＳＥ分别为０.８２和４.３１ｃｍ)ꎮＫｈａｎ等[３１]使用无人机遥感平台拍摄小麦的ＲＧＢ图像ꎬ采用Ｐｉｘ４Ｄｍａｐｐｅｒ软件处理后用于估测小麦株高ꎬ精度较高(Ｒ２＝０.８５ꎬＲＭＳＥ＝６.６４ｃｍ)ꎮ此外ꎬ有研究者利用多光谱和高光谱成像技术获得多个波段和空间特征来测量作物株高ꎮ边琳等[３２]使用无人机搭载多光谱传感器获得烤烟的遥感信息ꎬ捕捉到多个波段的反射光ꎬ通过构建光谱反射率与烤烟株高的拟合模型ꎬ估测烤烟株高的效果最佳(Ｒ２＝０.７８５)ꎮＡａｓｅｎ等[３３]利用无人机采集三维高光谱图像来建立三维表面高光谱模型ꎬ实现株高可视化ꎬ株高估算效果也较好(Ｒ２＝０.７)ꎮ但总体来说ꎬ利用高光谱成像技术测量作物株高的效果并不理想ꎬ而在估测作物覆盖度[３４]㊁生物量[３５]㊁叶面积指数[３６]㊁产量[３７]等表型参数时的精确度则较好ꎮ２.２㊀作物冠层覆盖度冠层覆盖度是反映作物生长状况的重要因素ꎬ可通过提取冠层覆盖度监测作物长势[３８]ꎮ通过无人机遥感平台获取可见光图像和多光谱图像ꎬ然后利用计算机视觉方法或植被指数和光谱反射率建模反演等方法可快速得到作物的冠层覆盖信息[３９]ꎮＪｉｎ等[４０]利用无人机遥感搭载数码相机获取研究区域的可见光成像数据ꎬ采用原始颜色特征作为模型输入ꎬ选用支持向量机算法训练作物分类模型ꎬ并选用粒子群优化算法(ＰＳＯ)训练ＳＶＭ模型参数(惩罚系数ｃ㊁不敏感损失系数ε以及核函数功能γ)ꎬ最终监测结果的ＲＭＳＥ和ｒＲＭＳＥ分别为３４.０５株/ｍ２和１４.３１％ꎬ偏差为９.０１株/ｍ２ꎮ万亮等[４１]利用无人机搭载多光谱相机获取多光谱图像ꎬ将各个波段的光谱反射率作为特征输入到随机森林回归模型ꎬ最终得到的结果较好(Ｒ２＝０.９３ꎬｒＲＭＳＥ＝９.４７％)ꎮ武威等[４２]采用图像处理技术分析小麦图像的颜色特征 绿光标准化值(ＮＤＩＧ)ꎬ并提出叶片盖度(ＬＣＤ)参数ꎬ将ＮＤＩＧ和ＬＣＤ相结合作为多元逐步回归模型的输入特征ꎬ估测效果较好(Ｒ２＝０.８９６)ꎮ周在明等[４３]使用四旋翼无人机搭载ＡＤＣＡｉｒ多光谱相机ꎬ通过ＮＤＶＩ指数模型获取多光谱植被覆盖度信息ꎬ以高精度可见光影像为真值进行验证ꎬ结果表明ＮＤＶＩ模型估算值与真实值之间的决定系数为０.９２ꎬ具有较好的一致性ꎮ相比广泛应用的无人机可见光图像[２３ꎬ４４－４６]ꎬ利用无人机多光谱图像反演植被覆盖度时图像的空间分辨率要求较低[４７]ꎮ目前ꎬ主要通过计算机视觉方法或植被指数建模反演等手段获取作物的冠层覆盖度信息ꎮ然而ꎬ这些方法存在一定的局限性ꎮ今后还需寻找一种普遍适用的方法ꎬ以实现对不同作物冠层覆盖度的精确获取ꎬ从而完善作物冠层覆盖度提取技术[４８]ꎮ５７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展２.３㊀作物叶面积指数叶面积指数(ＬＡＩ)是指单位面积内作物叶片面积的总和ꎮＬＡＩ是表征作物光合作用㊁呼吸作用以及蒸腾作用的重要指示因子ꎬ也是评价作物长势和产量的重要依据ꎬ因此快速且高效地获取作物ＬＡＩ对于估测作物产量具有重要意义[３６]ꎮ陶惠林等[３５]利用无人机搭载高光谱仪获取高光谱图像ꎬ通过线性回归和指数回归挑选出最佳估测参数ＮＤＶＩˑＳＲ作为模型的输入特征ꎬ然后采用多元线性回归构建模型ꎬＬＡＩ估测精度较高(建模和验证的Ｒ２㊁ＲＭＳＥ㊁ＮＲＭＳＥ分别为０.６７８８㊁０.６９㊁１９.７９％及０.８４６２㊁０.４７㊁１６.０４％)ꎮ杨雨薇等[４９]使用无人机遥感平台获取作物的高光谱影像ꎬ对光谱数据预处理后计算出植被指数ＮＤＶＩꎬ然后构建出三种类型的模型 线性回归模型㊁物理模型㊁回归模型与物理模型相结合的半经验模型ꎬ用来反演作物ＬＡＩꎬ其中半经验模型的反演精度最好(Ｒ２＝０.８９)ꎮ孙诗睿等[５０]利用无人机搭载多光谱传感器获取冬小麦多光谱影像ꎬ通过多个植被指数构建随机森林模型对冬小麦的ＬＡＩ进行反演ꎬ反演值与真实值之间的Ｒ２＝０.８２２ꎬＲＭＳＥ＝１.２１８ꎮ李剑剑等[５１]利用无人机遥感平台获取地表作物的高光谱数据ꎬ然后结合ＰＲＯＳＰＥＣＴ叶片光学模型和ＳＡＩＬ冠层二向性反射模型相耦合后生成的模型(ＰＲＯＳＰＥＣＴ＋ＳＡＩＬ)来反演作物的ＬＡＩꎬＲ２＝０.８２ꎬＲＭＳＥ＝０.４３ｍ２/ｍ２)ꎮ傅银贞等[５２]利用ＩＲＳ－Ｐ６(ＬＩＳＳ－Ⅲ)获取多光谱数据并计算出ＤＶＩ㊁ＥＶＩ２㊁ＭＳＡＶＩ㊁ＮＤＶＩ㊁ＲＤＶＩ㊁ＲＶＩ㊁ＴＮＤＶＩ共７种植被指数ꎬ建立了ＬＡＩ与各植被指数的统计模型ꎬ其中ＮＤＶＩ㊁ＲＤＶＩ㊁ＴＮＤＶＩ反演ＬＡＩ的效果较好ꎬ决定系数Ｒ２均能够达到０.７６以上ꎮ２.４㊀作物水分胁迫测量作物水分胁迫对于发展节水灌溉农业及提高水分利用效率有重要意义[５３]ꎮ气孔导度和叶片水势是表征作物水分胁迫的重要指标ꎮ冠层温度可反映气孔导度ꎬ而作物水分胁迫指数(ＣＷ￣ＳＩ)与气孔导度相关ꎬ因此可以基于冠层温度测量监测作物水分胁迫状况[５４]ꎮ张智韬等[５５]基于无人机搭载ＲＧＢ相机和近红外相机采集的图像ꎬ采用Ｏｔｓｕ－ＥＸＧ－Ｋｍｅａｎｓ算法对玉米冠层温度进行提取ꎬ用户精度为９５.９％ꎬ精度较高ꎬ提取的冠层温度与实测温度更接近(ｒ＝０.７８８)ꎬ将冠层温度代入水分胁迫公式计算出ＣＷＳＩꎬＣＷＳＩ与土壤含水率的相关性较高(ｒ＝－０.７３８)ꎮＢｅｌｌｖｅｒｔ等[５６]基于无人机搭载热成像仪获取热成像图片ꎬ得到葡萄的冠层温度ꎬ并计算出相应的ＣＷＳＩꎬ发现ＣＷＳＩ与叶片水势的相关性较高(Ｒ２＝０.８３)ꎮ除了利用可见光㊁近红外和热红外传感器监测作物水分胁迫的方法外ꎬ利用多光谱㊁高光谱遥感以及多种传感器获取单一或多个波段建立植被指数模型也是常用的方法[５７]ꎮ王敬哲等[５８]采用无人机搭载高光谱传感器获取影像数据ꎬ经过５种不同的预处理后ꎬ构建了干旱区绿洲农田土壤含水量(ＳＭＣ)高光谱定量估算模型ꎬ其中通过吸光度(Ａｂｓ)预处理得到的模型预测精度最好ꎬ其建模集Ｒｃ２和ＲＭＳＥ分别为０.８４㊁２.１６％ꎬ验证集Ｒｐ２与ＲＭＳＥ分别为０.９１㊁１.７１％ꎬ相对分析误差(ＲＰＤ)为２.４１ꎮ张智韬等[５４]利用无人机遥感系统获得玉米冠层多光谱正射影像ꎬ并同步采集玉米根域不同深度土壤含水量(ＳＭＣ)ꎬ通过灰度关联法筛选出对ＳＭＣ敏感的植被指数ꎬ采用多元线性回归㊁反向传播神经网络(ＢＰＮＮ)㊁支持向量回归(ＳＶＲ)等机器学习方法构建不同生育时期的敏感植被指数与ＳＭＣ的关系模型ꎬ结果表明ＳＶＲ模型在各生育期的建模与预测精度均最优(建模集Ｒ２＝０.８５１ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.１７％ꎻ验证集Ｒ２＝０.８７５ꎬＲＭＳＥ＝０.７％ꎬＮＲＭＳＥ＝８.３２％)ꎮ２.５㊀作物生物量生物量是作物产量形成的重要基础ꎬ准确快速获取作物生物量对预测其产量意义重大[５９]ꎬ同时ꎬ生物量的定量估算也可为碳循环研究提供重要参考[４８]ꎮ根据传感器收集到的数据信息ꎬ将能够反映作物生物量的不同特征数据相结合ꎬ构建更有效且不相关的特征ꎬ然后将该特征输入到回归模型中ꎬ能够提高作物生物量估测的准确性[６０]ꎮ万亮等[４１]利用无人机同时搭载数码相机和多光谱相机获取研究区域的可见光和多光谱成像数据ꎬ将６７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀可见光图像的颜色特征和纹理特征与多光谱图像的光谱反射率融合后输入到随机森林回归模型(ＲＦＲ)中ꎬ有效改善了穗生物量的评估精度(Ｒ２＝０.８４ꎬｒＲＭＳＥ＝８.６８％)ꎮＷａｎｇ等[６１]评估了高光谱和激光雷达数据融合在玉米生物量估算中的应用ꎬ结果表明ꎬ与单独使用ＬｉＤＡＲ或高光谱数据相比ꎬ高光谱和ＬｉＤＡＲ数据相融合能够更好地估测玉米的生物量(Ｒ２＝０.８８３ꎬＲＭＳＥ＝３２１.０９２ｇ/ｍ２ꎬＲＭＳＥＣＶ＝３３７.６５３ｇ/ｍ２)ꎮ刘畅等[６２]结合纹理特征与植被指数构建了一种 图－谱 融合指标ꎬ用该指标构建的生物量模型精度较高(Ｒ２＝０.８１ꎬＲＭＳＥ＝８２６.０２ｋｇ ｈｍ－２)ꎬ明显高于用单一植被指数(Ｒ２＝０.６９)和单一纹理特征(Ｒ２＝０.７１)构建的生物量模型ꎮ综上所述ꎬ不同的作物具有不同的特征ꎬ即使同一作物在不同的生长条件下也会表现出不同的特征[６３]ꎬ这就需要使用不同的传感器来全面收集作物信息ꎬ并筛选出一些与生物量相关性最好的特征ꎬ将其融合后输入到回归模型中ꎬ从而实现精准估测作物生物量和提高估算模型精度ꎮ当研究的作物生物量较大时ꎬ用常规的植被指数来估测生物量往往会受到饱和问题的限制ꎬ导致不能较好地估算作物生物量ꎮ付元元等[６４]研究证实ꎬ将波段深度分析和偏最小二乘回归(ＰＬＳＲ)相结合ꎬ能够有效解决作物生物量过大导致的问题ꎬ并提高冬小麦生物量的估算精度ꎬ其中波段深度比(ＢＤＲ)与ＰＬＳＲ结合的模型的估算精度较好(Ｒ２＝０.７９２ꎬＲＭＳＥ＝０.１６４ｋｇ/ｍ２)ꎮ２.６㊀作物产量作物产量关乎国家粮食安全ꎬ早期准确地监测预报作物产量对于后期田间管理及灾害评估等具有重要意义ꎮ通过无人机遥感提取作物产量的常规方法如下:使用无人机搭载多种传感器获取可见光㊁光谱数据ꎬ基于可见光图像提取纹理特征ꎬ根据光谱数据提取特征波段并计算植被指数ꎻ然后将纹理特征㊁植被指数等特征作为模型输入ꎬ使用机器学习算法构建产量估测模型ꎻ最后引入Ｒ２和ＲＭＳＥ评价产量估测模型ꎮ模型构建时ꎬ将多种特征变量相结合往往能够改善作物估测模型的精度ꎮＥｌｓａｙｅｄ等[６５]利用偏最小二乘法将光谱指数㊁温度参数和植株含水量等数据融合ꎬ使得小麦产量的估测效果得到进一步改善(Ｒ２＝０.９７ꎬＲＭＳＥ＝２６.４８ｇ/ｍ２)ꎮＭａｉｍ￣ａｉｔｉｊｉａｎｇ等[６６]利用ＲＧＢ信息㊁光谱反射率及温度参数等多模态数据ꎬ基于中间级特征融合的ＤＮＮ(ＤＮＮ－Ｆ２)方法ꎬ准确估测了大豆产量(Ｒ２＝０.７２０ꎬｒＲＭＳＥ＝１５.９％)ꎮ严海军等[６７]使用无人机搭载多光谱相机在苜蓿的分枝期㊁现蕾期和初花期进行遥感监测ꎬ将植被指数与株高组合作为输入变量并采用支持向量回归算法构建模型ꎬ产量估测精度最高(Ｒ２＝０.９０ꎬＲＭＳＥ＝５００ｋｇ/ｈｍ２ꎬＮＲＭＳＥ＝１４.３％)ꎮ可见ꎬ选用多源数据融合构建模型的效果较好ꎮ另外ꎬ在构建模型时ꎬ使用的算法不同也会影响作物产量估测的精度ꎮ张少华等[６８]利用低空无人机遥感平台搭载多光谱相机㊁热红外相机和ＲＧＢ相机ꎬ同步获取小麦关键生育时期的无人机遥感影像ꎬ并提取光谱反射率㊁热红外温度和数字高程信息ꎬ选取并计算出相应的特征集ꎬ然后利用支持向量回归(ＳＶＲ)㊁多元线性回归(ＭＬＲ)㊁随机森林回归(ＲＦＲ)㊁偏最小二乘回归(ＰＬＳＲ)等机器学习算法建立小麦产量的估测模型ꎬ最终结果表明采用ＲＦＲ算法建立的模型效果最好(Ｒ２＝０.７２４ꎬＲＭＳＥ＝６１４.７２ｋｇ/ｈｍ２ꎬＭＡＥ＝４７８.０８ｋｇ/ｈｍ２)ꎮ申洋洋等[６９]采集冬小麦多光谱数据ꎬ选取多光谱相机的５个特征波段计算各生育时期的７２个植被指数ꎬ分别通过逐步多元线性回归㊁偏最小二乘回归㊁ＢＰ神经网络㊁支持向量机㊁随机森林构建不同生育时期的产量估算模型ꎬ其中基于随机森林算法建立的模型估算效果最优(Ｒ２＝０.９４ꎬＲＭＳＥ＝０.３２ꎬＲＥ＝９％)ꎮ赵鑫[７０]利用多旋翼无人机搭载数码相机拍摄小麦的可见光图像ꎬ经预处理后计算出植被指数和颜色特征ꎬ然后结合多种机器学习算法建立产量估测模型ꎬ其中随机森林算法模型精度最高(Ｒ２＝０.７４)ꎮ作物发育时期也会影响模型精度ꎮ刘昌华等[７１]以无人机多光谱影像为基础ꎬ提取冬小麦在几个生长阶段下的冠层多光谱数据并建立产量估算模型ꎬ其中返青期估算效果较差ꎬ拔节期㊁孕穗期㊁扬花期估算效果相近且较好(Ｒ２分别为０.９３㊁７７１㊀第４期㊀㊀㊀㊀㊀㊀曾世伟ꎬ等:基于无人机遥感的作物表型参数获取和应用研究进展０.９６㊁０.９４)ꎮ申洋洋等[６９]以冬小麦拔节期㊁孕穗期㊁抽穗期㊁灌浆期㊁成熟期的无人机多光谱影像为数据源ꎬ利用随机森林算法构建模型的Ｒ２㊁ＲＭＳＥ㊁ＲＥ分别为拔节期０.９２㊁０.３５㊁１１％ꎬ孕穗期０.９３㊁０.３３㊁１０％ꎬ抽穗期０.９４㊁０.３２㊁９％ꎬ灌浆期０.９２㊁０.３６㊁９％ꎬ成熟期０.７７㊁０.６７㊁３３％ꎬ可见ꎬ抽穗期的估算效果最好ꎬ拔节期㊁孕穗期㊁灌浆期估算效果接近㊁也较好ꎬ成熟期的估算精度最差ꎮ３㊀总结与展望本文综述了基于无人机遥感开展作物表型参数研究的过程和方法㊁无人机遥感平台及其在作物表型参数估测上的应用研究进展ꎮ无人机遥感平台凭借着工作效率高㊁灵活性好㊁成本低㊁分辨率高㊁适用于复杂野外环境等优点ꎬ成为研究作物表型参数的有利工具ꎬ为农业精细化管理及农田生态系统建模提供了技术支持ꎮ由于外界环境和作物自身因素影响以及研究方法的局限性ꎬ目前多数研究构建的表型参数模型的精确性㊁鲁棒性㊁泛化性等性能较差ꎬ缺乏能够较好估测不同作物类型的表型参数的通用模型和方法ꎬ而且目前无人机遥感监测表型参数信息的研究多集中于玉米㊁小麦㊁水稻㊁大豆等少数作物ꎬ其他作物类型鲜有研究ꎬ因此该技术研究在深度与广度上还有很大的发展空间ꎮ参㊀考㊀文㊀献:[１]㊀仇瑞承ꎬ魏爽ꎬ张漫ꎬ等.作物表型组学测量方法综述[Ｊ].中国农业文摘－农业工程ꎬ２０１９ꎬ３１(１):２３－３６ꎬ５５. [２]㊀周济ꎬＴａｒｄｉｅｕＦꎬＰｒｉｄｍｏｒｅＴꎬ等.植物表型组学:发展㊁现状与挑战[Ｊ].南京农业大学学报ꎬ２０１８ꎬ４１(４):５８０－５８８. [３]㊀ＴｏｔｈＣꎬＪóｚ'ｋóｗＧ.Ｒｅｍｏｔｅｓｅｎｓｉｎｇｐｌａｔｆｏｒｍｓａｎｄｓｅｎｓｏｒｓ:ａｓｕｒ￣ｖｅｙ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓ￣ｉｎｇꎬ２０１６ꎬ１１５:２２－３６.[４]㊀ＷｅｉＸＪꎬＸｕＪＦꎬＧｕｏＨＮꎬｅｔａｌ.ＤＴＨ８ｓｕｐｐｒｅｓｓｅｓｆｌｏｗｅｒｉｎｇｉｎｒｉｃｅꎬｉｎｆｌｕｅｎｃｉｎｇｐｌａｎｔｈｅｉｇｈｔａｎｄｙｉｅｌｄｐｏｔｅｎｔｉａｌｓｉｍｕｌｔａｎｅｏｕｓｌｙ[Ｊ].ＰｌａｎｔＰｈｙｓｉｏｌｏｇｙꎬ２０１０ꎬ１５３(４):１７４７－１７５８. [５]㊀ＡｌｈｅｉｔＫＶꎬＢｕｓｅｍｅｙｅｒＬꎬＬｉｕＷＸꎬｅｔａｌ.Ｍｕｌｔｉｐｌｅ￣ｌｉｎｅｃｒｏｓｓＱＴＬｍａｐｐｉｎｇｆｏｒｂｉｏｍａｓｓｙｉｅｌｄａｎｄｐｌａｎｔｈｅｉｇｈｔｉｎｔｒｉｔｉｃａｌｅ(ˑＴｒｉｔｉｃｏｓｅｃａｌｅＷｉｔｔｍａｃｋ)[Ｊ].ＴｈｅｏｒｅｔｉｃａｌａｎｄＡｐｐｌｉｅｄＧｅｎｅｔ￣ｉｃｓꎬ２０１４ꎬ１２７:２５１－２６０.[６]㊀ＧｕｏＷꎬＦｕｋａｔｓｕＴꎬＮｉｎｏｍｉｙａＳ.Ａｕｔｏｍａｔｅｄｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆｆｌｏｗｅｒｉｎｇｄｙｎａｍｉｃｓｉｎｒｉｃｅｕｓｉｎｇｆｉｅｌｄ￣ａｃｑｕｉｒｅｄｔｉｍｅ￣ｓｅｒｉｅｓＲＧＢｉｍａｇｅｓ[Ｊ].ＰｌａｎｔＭｅｔｈｏｄｓꎬ２０１５ꎬ１１:１－１５.[７]㊀ＳｉｅｂｅｒｔＳꎬＥｗｅｒｔＦꎬＲｅｚａｅｉＥＥꎬｅｔａｌ.Ｉｍｐａｃｔｏｆｈｅａｔｓｔｒｅｓｓｏｎｃｒｏｐｙｉｅｌｄ ｏｎｔｈｅｉｍｐｏｒｔａｎｃｅｏｆｃｏｎｓｉｄｅｒｉｎｇｃａｎｏｐｙｔｅｍｐｅｒａ￣ｔｕｒｅ[Ｊ].ＥｎｖｉｒｏｎｍｅｎｔａｌＲｅｓｅａｒｃｈＬｅｔｔｅｒｓꎬ２０１４ꎬ９(４):０４４０１２. [８]㊀张芳毓ꎬ谭永毅ꎬ聂婧ꎬ等.无人机多光谱在农业中的应用[Ｊ].智慧农业导刊ꎬ２０２２ꎬ２(２４):１１－１３.[９]㊀ＨｕｓｓａｉｎＳ.基于无人机载多光谱相机的油菜表观参数反演及早期草害检测[Ｄ].武汉:华中农业大学ꎬ２０２１. [１０]ＣｏｌｏｍｉｎａＩꎬＭｏｌｉｎａＰ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｐｈｏｔｏｇｒａｍ￣ｍｅｔｒｙａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏ￣ｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１４ꎬ９２:７９－９７. [１１]ＺｈｏｎｇＹＦꎬＷａｎｇＸＹꎬＸｕＹꎬｅｔａｌ.Ｍｉｎｉ￣ＵＡＶ￣ｂｏｒｎｅｈｙｐｅｒ￣ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇ:ｆｒｏｍｏｂｓｅｒｖａｔｉｏｎａｎｄｐｒｏｃｅｓｓｉｎｇｔｏａｐ￣ｐｌｉｃａｔｉｏｎｓ[Ｊ].ＩＥＥＥＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＭａｇａ￣ｚｉｎｅꎬ２０１８ꎬ６(４):４６－６２.[１２]ＷａｎｇＴＨꎬＬｉｕＹＤꎬＷａｎｇＭＨꎬｅｔａｌ.ＡｐｐｌｉｃａｔｉｏｎｓｏｆＵＡＳｉｎｃｒｏｐｂｉｏｍａｓｓｍｏｎｉｔｏｒｉｎｇ:ａｒｅｖｉｅｗ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉ￣ｅｎｃｅꎬ２０２１ꎬ１２:６１６６８９.[１３]ＸｕＲꎬＬｉＣＹꎬＰａｔｅｒｓｏｎＡＨ.Ｍｕｌｔｉｓｐｅｃｔｒａｌｉｍａｇｉｎｇａｎｄｕｎ￣ｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｃｏｔｔｏｎｐｌａｎｔｐｈｅｎｏｔｙｐｉｎｇ[Ｊ].ＰＬｏＳＯＮＥꎬ２０１９ꎬ１４(２):ｅ０２０５０８３.[１４]李晶ꎬ车英ꎬ王加安ꎬ等.折反射共光路多谱段激光雷达光学系统设计[Ｊ].中国激光ꎬ２０１８ꎬ４５(５):２７３－２７８. [１５]ＹａｎｇＧＪꎬＬｉｕＪＧꎬＺｈａｏＣＪꎬｅｔａｌ.Ｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｒｅ￣ｍｏｔｅｓｅｎｓｉｎｇｆｏｒｆｉｅｌｄ￣ｂａｓｅｄｃｒｏｐｐｈｅｎｏｔｙｐｉｎｇ:ｃｕｒｒｅｎｔｓｔａｔｕｓａｎｄｐｅｒｓｐｅｃｔｉｖｅｓ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＰｌａｎｔＳｃｉｅｎｃｅꎬ２０１７ꎬ８:１１１１. [１６]朱秀芳ꎬ李石波ꎬ肖国峰.基于无人机遥感影像的覆膜农田面积及分布提取方法[Ｊ].农业工程学报ꎬ２０１９ꎬ３５(４):１０６－１１３.[１７]戴建国ꎬ张国顺ꎬ郭鹏ꎬ等.基于无人机遥感可见光影像的北疆主要农作物分类方法[Ｊ].农业工程学报ꎬ２０１８ꎬ３４(１８):１２２－１２９.[１８]程雪ꎬ贺炳彦ꎬ黄耀欢ꎬ等.基于无人机高光谱数据的玉米叶面积指数估算[Ｊ].遥感技术与应用ꎬ２０１９ꎬ３４(４):７７５－７８４.[１９]ＮäｓｉＲꎬＨｏｎｋａｖａａｒａＥꎬＬｙｙｔｉｋäｉｎｅｎ￣ＳａａｒｅｎｍａａＰꎬｅｔａｌ.ＵｓｉｎｇＵＡＶ￣ｂａｓｅｄｐｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｆｏｒｍａｐｐｉｎｇｂａｒｋｂｅｅｔｌｅｄａｍａｇｅａｔｔｒｅｅ￣ｌｅｖｅｌ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１５ꎬ７(１１):１５４６７－１５４９３.[２０]姚雄ꎬ余坤勇ꎬ刘健.基于无人机多光谱遥感的马尾松林叶面积指数估测[Ｊ].农业机械学报ꎬ２０２１ꎬ５２(７):２１３－２２１. [２１]朱红艳.基于无人机低空遥感的油菜表型信息获取方法研究[Ｄ].杭州:浙江大学ꎬ２０１９.[２２]刘建刚ꎬ赵春江ꎬ杨贵军ꎬ等.无人机遥感解析田间作物表型信息研究进展[Ｊ].农业工程学报ꎬ２０１６ꎬ３２(２４):９８－１０６.[２３]赵静ꎬ杨焕波ꎬ兰玉彬ꎬ等.基于无人机可见光图像的夏季玉米植被覆盖度提取方法[Ｊ].农业机械学报ꎬ２０１９ꎬ５０８７１山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５６卷㊀。

遥感叶面积指数提取方法遥感叶面积指数（Leaf Area Index，简称LAI）是描述植被叶片面积在单位地面积上的投影面积的无量纲指标。

它是研究植被生态学和生理生态学的重要参数，对于分析植被生长状况、生产力估算、生态环境评价等具有重要意义。

本文将介绍几种常见的遥感叶面积指数提取方法。

一、植被指数法植被指数法是最常用的遥感叶面积指数提取方法之一。

其基本原理是通过计算遥感影像中的植被指数与实测的叶面积指数之间的关系，建立反演模型来获取叶面积指数。

常用的植被指数包括归一化植被指数（Normalized Difference Vegetation Index，简称NDVI）、比值植被指数（Ratio Vegetation Index，简称RVI）等。

这些指数可以通过遥感影像中的红外波段和可见光波段计算得到，从而反映出植被的生长状况和叶面积指数。

二、光谱反射率法光谱反射率法是另一种常见的遥感叶面积指数提取方法。

其基本原理是通过遥感影像中的植被光谱反射率与实测的叶面积指数之间的关系，建立反演模型来获取叶面积指数。

在遥感影像中，植被光谱反射率随着叶面积指数的增加而增加，因此可以通过光谱反射率对叶面积指数进行估算。

常用的光谱反射率指标有绿光反射率（Green Reflectance，简称GR）、近红外反射率（Near InfraredReflectance，简称NIR）等。

三、多源数据融合法多源数据融合法是一种综合利用多种遥感数据来提取叶面积指数的方法。

通过融合多种遥感数据，如高光谱数据、雷达数据、激光雷达数据等，可以提高叶面积指数的提取精度。

多源数据融合法可以综合利用不同数据源的特点，提取出更为准确的叶面积指数信息。

四、机器学习法机器学习法是一种基于统计学和人工智能的叶面积指数提取方法。

通过构建机器学习模型，如支持向量机（Support Vector Machine，简称SVM）、随机森林（Random Forest）等，可以将遥感影像中的多个特征与实测的叶面积指数进行关联，从而实现叶面积指数的自动提取。

植被物理遥感是使用遥感手段对地球表面植被进行观测和研究的一门科学。

而植被的生长状态对于环境和气候变化有着重要的影响，因此研究植被的生长状态是遥感科学的重要内容之一。

而植被叶面积指数（L本人）作为一个重要的生长状态指标，在植被生长研究中有着重要的作用。

本文将从植被物理遥感的基本原理出发，结合L本人的意义和遥感技术的方法，对植被叶面积指数的反演进行详细介绍。

一、植被物理遥感的基本原理植被物理遥感是利用电磁波在地球大气和植被上的相互作用特性，通过遥感手段来获得植被信息的一种研究方法。

它主要基于以下几个基本原理：1. 光谱特征：植被反射和吸收不同波长的电磁波具有不同的特征，通过对这些特征的分析可以获取植被的信息。

2. 辐射传输：植被对不同波段的光有着不同的透过、反射和散射特性，通过对辐射传输的研究可以了解植被在不同波段下的特性。

3. 植被生理过程：植物的生长状况和生理过程与其在不同波段上的反射、吸收等特性存在相关性，通过对植被生理过程的研究可以推断植被在遥感数据中的表现。

以上基本原理为植被物理遥感的开展提供了理论基础，并为植被信息的提取和解释奠定了基础。

二、叶面积指数（L本人）的意义叶面积指数（Leaf Area Index，简称L本人）是指植被表面单位面积上叶片的总表面积与该单位面积的比值。

L本人的大小反映了植被的生物量、生长状态和生态功能，同时也是评价植被覆盖度和光能利用效率的重要参数。

1. 生物量：L本人与植被的生物量密切相关，L本人较高表示植被的叶面积较大，通常意味着植被覆盖度较高，生物量也较高。

2. 生态功能：L本人反映了植被的光合作用能力和蒸腾作用强弱，对于了解植被的生态功能和生态系统的健康状况有着重要的指导意义。

3. 环境变化：L本人的变化对于环境变化和气候变化有着一定的响应，通过监测L本人的变化可以了解植被对环境变化的响应和适应能力。

由于L本人在植被研究和生态环境监测中的重要作用，因此通过遥感手段反演L本人成为了研究的重要课题之一。

matlab反演叶面积指数一、引言叶面积指数（Leaf Area Index，LAI）是指单位地表面积上植物叶面积的总和，是反映植被覆盖度和生长状态的重要参数。

LAI的精确测定对于研究植物生长、光合作用、水分利用等方面有着重要的意义。

在实际应用中，可以利用遥感技术获取植被信息，其中MATLAB反演方法是一种常见的方法。

二、MATLAB反演LAI方法1. 原理MATLAB反演LAI方法基于遥感数据与地面观测数据之间的关系，通过建立反演模型来计算LAI值。

常见的遥感数据包括MODIS、AVHRR等，地面观测数据包括LAI仪器观测值等。

2. 步骤（1）获取遥感数据和地面观测数据；（2）进行预处理，如云去除、大气校正等；（3）建立反演模型，并进行参数优化；（4）计算LAI值，并进行精度评价。

3. 反演模型常见的反演模型包括经验模型和物理模型两种。

经验模型是基于统计学原理建立起来的数学公式，通常只考虑遥感数据与LAI之间的相关性，而不考虑其物理意义。

常见的经验模型有多元线性回归模型、神经网络模型等。

物理模型是基于植被生长过程中的光合作用、水分利用等物理过程建立起来的数学公式，具有较强的物理意义。

常见的物理模型有PROSAIL、SAIL等。

三、MATLAB反演LAI实例以PROSAIL为例，介绍MATLAB反演LAI的具体步骤。

1. 准备工作（1）安装PROSAIL；（2）准备输入参数：太阳天顶角、观测天顶角、相对方位角、叶面积指数。

2. 编写MATLAB程序（1）读取输入参数；（2）调用PROSAIL函数计算反射率；（3）根据反射率计算LAI值。

3. 结果分析对比实际测量值和反演值，评估精度。

四、总结MATLAB反演LAI方法是一种常见的遥感方法，可以通过建立反演模型计算出LAI值。

在具体应用中，需要根据实际情况选择适合的反演模型，并进行精度评价。

遥感技术在农业中应用的几个实例遥感技术在人们的生活中应用越来越多，发展迅猛，与许多学科有联系，在许多领域得到应用并且取得了非常好的效果，本文将讨论遥感在农业中的应用，及其对农业的发展起到的作用进行报告。

农业是遥感应用中最重要和最广泛的领域之一。

20世纪20年代航空遥感刚一转入民用，便被用于农业土地调查。

尤其是20世纪60年代将多光谱原理应用于遥感后，人们根据各种植物和土壤的光谱反射时特性，建立了丰富的地物波谱与遥感图像解译标志，在农业资源调查与动态监测、生物产量估计、农业灾害预报与灾后评估等方面，开展了大量的和成功的应用。

遥感技术在农业中的应用可归结为以下三个大的方面图1：遥感在农业中的应用1、作物监测利用遥感对作物进行监测包括农作物面积、长势情况、产量估算、土壤墒情、病虫害等作物信息监测。

（1）作物种植面积监测：不同作物在遥感影像上呈现不同的颜色、纹理、形状等特征信息，利用信息提取的方法，可以将作物种植区域提取出来，从而得到作物种植面积和种植区域。

获取作物种植面积是长势监测、产量估算、病虫害、灾害应急、动态变化等监测的前提。

（2）作物长势监测：通常的农作物长势监测指对作物的苗情、生长状况及其变化的宏观监测，即对作物生长状况及趋势的监测。

杨邦杰等将作物长势定义为包括个体和群体两方面的特征，叶面积指数LAI是与作物个体特征和群体特征有关的综合指标，可以作为表征作物长势的参数。

归一化植被指数NDVI与LAI 有很好的关系，可以用遥感图像获取作物的NDVI曲线反演计算作物的LAI，进行作物长势监测。

图2：不同麦苗情况在遥感图像上表现的特征图3：2008年山东-河南冬小麦长势分布图(5月中旬)（3）作物产量估算：遥感估产是基于作物特有的波谱反射特征，利用遥感手段对作物产量进行监测预报的一种技术。

利用影像的光谱信息可以反演作物的生长信息(如LAl、生物量)，通过建立生长信息与产量问的关联模型(可结合一些农学模型和气象模型)，便可获得作物产量信息。

基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究基于高光谱数据的玉米L和叶绿素含量遥感反演方法的研究摘要：随着农业遥感技术的发展，利用高光谱数据进行植被参数反演已成为农业生产管理和精准农业的重要工具之一。

本文通过分析基于高光谱数据的玉米L（叶面积指数）和叶绿素含量遥感反演方法的研究现状，提出了一种改进的方法，并对该方法进行了实验验证。

实验结果表明，该方法能够准确反演出玉米的L和叶绿素含量。

本研究为农业生产和精准农业管理提供了一种高效准确的遥感反演方法。

关键词：高光谱数据；玉米；L；叶绿素含量；遥感反演 1. 引言玉米作为我国重要的粮食作物之一，对其生长状态进行准确的遥感反演可以为农业生产管理和精准农业提供重要依据，进而提高农作物产量和质量。

而L和叶绿素含量是衡量植物生长状态和光合作用强度的重要参数，因此准确反演玉米的L和叶绿素含量对于进行农作物监测和精细化管理至关重要。

2. 研究现状目前，利用高光谱数据进行植被参数反演已成为广泛研究的方向之一。

一些学者利用高光谱数据进行L和叶绿素含量反演的方法已取得了一定的研究进展。

其中，最常用的方法包括指数比值法、指数的拟合方法、基于光谱反射率和植被指数的关系等。

然而，现有的方法在一定程度上存在一些不足之处，如对于大尺度和复杂地物的精确度较低，或者需要大量的实地数据采集和参数拟合等。

3. 研究方法为了克服现有方法的不足，本研究提出了一种改进的基于高光谱数据的玉米L和叶绿素含量遥感反演方法。

该方法首先通过采集不同生长阶段的玉米样本，获取其高光谱数据，并同时测量其实际的L和叶绿素含量。

然后，根据高光谱数据和地面的观测数据，建立反演模型。

在模型中，利用多元线性回归、主成分分析和支持向量机等方法，对高光谱数据进行特征提取和建模，最终实现对L和叶绿素含量的准确遥感反演。

4. 实验验证本研究选择某玉米田作为实验区域，采集了不同生长阶段的玉米样本，并获取其高光谱数据和实际的L和叶绿素含量。