陶惠林 徐良骥 冯海宽 杨贵军 苗梦珂 林博文

(1.安徽理工大学测绘学院， 淮南 232001；2.北京农业信息技术研究中心农业农村部农业遥感机理与定量遥感重点实验室， 北京 100097；3.国家农业信息化工程技术研究中心， 北京 100097； 4.北京市农业物联网工程技术研究中心， 北京 100097)

0 引言

快速、准确地监测作物长势对农业管理者的田间管理经营具有指导性，能够有效促进精准农业的发展，保障粮食安全[1-5]。作物长势监测的传统手段是通过人眼定性识别，随着科技飞速发展，遥感卫星和无人机遥感成为作物长势监测的重要技术手段。然而，遥感卫星运行周期长，获取过程中存在粗糙分辨率和气象影响等因素，监测效果并不理想[6-7]。无人机遥感技术凭借飞行器操作和起降方便、快速灵活、高效和获取的影像分辨率较高等优点[8-15]，监测效果较优。无人机遥感技术中，传感器通常为数码相机、多光谱相机和高光谱相机，前2种传感器的波段较少，不能充分获取与作物长势密切相关的波段信息。无人机高光谱相机具有较多波段，可以充分获得作物长势信息，深入挖掘波段信息，能够高效监测作物长势[16-27]。

生物量和叶面积指数是作物长势的重要指标，近些年，关于无人机遥感监测的研究较多。文献[28]通过无人机数码相机和高光谱数遥感据，利用最小二乘法估算大豆开花期、结荚期、鼓粒期和成熟期的鲜生物量，结果显示，大豆4个生育期构建的估算模型均有较高的精度，具有较高的可靠性。文献[29]获取无人机多光谱影像，筛选了22种植被指数，利用一元回归、多元逐步回归、反向传播神经网络算法构建高潜水位矿区的玉米生物量反演模型，实现了准确估算，并提高了反演模型精度。文献[30]利用无人机遥感数据，使用4种机器学习算法，将结构与光谱信息融合，构建玉米生物量估算模型，得出无人机遥感影像融合机器学习算法能够准确有效地估算玉米生物量。文献[31]筛选出15种光谱指数，结合神经网络算法估测玉米叶面积指数，发现利用神经网络估测的效果优于仅通过光谱指数构建的模型。文献[32]把通过原始全波段光谱反射率、连续投影算法提取的有效波段反射率以及各类 F_VI 和 E_VI 作为自变量，使用最小二乘和偏最小二乘回归等方法构建了棉花的 LAI 估算模型，得出以植被指数构建的模型估算效果优于以光谱反射率构建的模型。文献[33]基于获取的无人机高光谱数据，估算冬小麦LAI，研究得出比值型光谱指数RSI(494,610)是估算LAI的最佳参数，通过lg(RSI)构建的线性模型，预测的LAI与实测值拟合性较高。文献[34]通过遥感数据估算作物冠层水平并进行验证，结果表明遥感数据估算LAI的效果较好。

以上研究均通过单个生物量或叶面积指数监测作物长势情况。本文以冬小麦为研究对象，利用无人机成像高光谱数据，将冬小麦生物量和叶面积指数按照平均权重的原则，构建长势监测指标(Growth monitoring indicator，GMI)，利用多元线性回归(Multiple linear regression，MLR)、偏最小二乘(Partial least squares regression，PLSR)和随机森林(Random forest，RF)分别构建冬小麦不同生育期和全生育期的长势监测指标反演模型，探讨无人机高光谱结合长势监测指标对冬小麦的监测效果，为冬小麦的田间管理提供科学依据。

1 材料与方法

1.1 研究区概况

研究区位于北京市昌平区小汤山镇国家精准农业研究示范基地(116°34′～117°00′E，40°00′～40°21′N)，该区域属于暖温带大陆性季风气候，整年平均温度11.8℃，平均降水量约40 mm，研究区位置见图1。研究选取的小麦品种为京9843(J9843)和中麦175(ZM175)。氮素处理分为4种：N1，尿素施用量0 kg/hm2；N2，尿素施用量195 kg/hm2；N3，尿素施用量390 kg/hm2；N4，尿素施用量585 kg/hm2。水分处理包括：雨养；正常，675 m3/hm2；过量，1 012.5 m3/hm2。采用正交试验设计，每种处理16个小区，3个重复，共48个试验小区，试验设计见图2。

1.2 数据获取与处理

1.2.1地面数据

分别获取了拔节期(2015年4月21日)、挑旗期(2015年4月26日)、开花期(2015年5月13日)和灌浆期(2015年5月22日)的冬小麦数据。生物量：每个采样区域随机取30棵植株，经过茎叶分离，放入干燥箱105℃下杀青处理，再将样本在80℃条件下干燥2 d以上，直到恒质量，将称量结果除以样本获取面积即为生物量。叶面积指数：将取回的样本处理后通过CI-203型激光叶面积仪测定叶面积，除以单位面积的单茎数，得到叶面积指数。在不同生育期地面数据测量同时获取了地面高光谱数据，利用美国ASD公司的高光谱辐射仪(ASD Field SpecFR Pro 2500型)， 测量时间是12:00—14:00，仪器的探头视场角保持为25°，距离冬小麦冠层1 m并垂直向下，随机测量20次，计算光谱反射率平均值。

1.2.2无人机高光谱数据

利用八旋翼无人机遥感平台，携带的传感器为Cubert UHD185 Firefly型成像光谱仪(德国)，质量470 g，采样间隔4 nm，125通道。获取了4个生育期的无人机高光谱数据，将高光谱影像先校正处理，再通过俄罗斯Agisoft LLC公司开发的Agisoft PhotoScan软件拼接影像，得到4个生育期的正射影像，如开花期的高光谱影像如图3所示。最后在ArcGIS中通过绘制矢量提取不同小区的反射率，将提取的值求平均即为各小区的反射率[32]。

1.3 研究方法

1.3.1分析方法

采用多元线性回归、偏最小二乘和随机森林3种方法[35-37]。MLR、PLSR和RF方法均在Matlab环境中实现[38-41]。

1.3.2光谱指数选取

关于高光谱研究众多，根据研究成果，选取了MSAVI、MSR、OSAVI、NDVI、SR、NDVI×SR、MCARI、TCARI、TCARI/OSAVI与MCARI/OSAVI共10种光谱指数[42-45]，通过分析这10种指数，选择合适的光谱指数参与模型构建。

1.3.3长势监测指标构建

将生物量和叶面积指数组合成长势监测指标。分别对生物量和叶面积指数进行归一化处理，公式为

(1)

(2)

式中Xm——各生育期生物量

Xn——各生育期叶面积指数

Wm——归一化后的生物量

Wn——归一化后的叶面积指数

考虑生物量和叶面积指数在冬小麦不同生育期所占比例不同，但无法知道所占比例确切值，故将生物量和叶面积归一化后且各按0.5权重在长势监测指标中进行分配，公式为

(3)

式中GMI——长势指标

1.3.4模型建立、验证和精度评价

采用MLR、PLSR和RF 3种方法，分别构建了冬小麦4个生育期和全生育期的长势监测反演模型，将每个生育期48个数据的2/3样本作为建模数据，另外1/3样本作为验证数据。

采用决定系数R2(Coefficient of determination)、均方根误差(Root mean squared error，RMSE)和标准均方根误差(Normalized root mean squared error，NRMSE)验证模型的精度。R2越高，模型效果越好，RMSE和NRMSE值越小，其模型的预测精度越高[46-47]。

2 结果分析

2.1 无人机高光谱精度验证

为了验证无人机高光谱数据的可靠性，将获取的地面高光谱数据与其对比分析，结果见图4。从图4可看出，地面和无人机高光谱数据曲线变化有差异，在680～750 nm范围变化较为一致，光谱反射率都是快速增加，反射率较高，两高光谱曲线都在550 nm左右位置出现第1次峰值，为绿峰，波长680 nm时，出现第1次谷值，为红谷[48]；750～950 nm范围两传感器光谱曲线变化较为明显，无人机高光谱随着波长增加反射率下降较快，曲线波动较大，而地面高光谱反射率下降不明显，曲线较为稳定。综合来说，获取的无人机高光谱数据和地面高光谱保持高度的一致性，可以用于构建模型。

图4 冬小麦不同生育期无人机和地面高光谱对比

2.2 光谱指数与GMI相关性分析

将冬小麦4个生育期和全生育期的光谱指数与生物量、叶面积指数、GMI进行相关性分析，结果见表1。由表1可知，拔节期，仅MCARI和MCARI/OSAVI表现无显著相关，其他指数都表现显著相关，相关系数绝对值最大的是0.727，为光谱指数SR和NDVI×SR与GMI的相关系数；挑旗期，除MCARI外，各指数均达到显著水平，大部分为极显著(0.01水平)，此时期相关系数最高值为NDVI与GMI的相关系数，为0.798；开花期，TCARI和MCARI/OSAVI无显著相关，其余指数都是极显著相关，SR与GMI的相关系数较高，绝对值达0.840；灌浆期，MCARI/OSAVI与TCARI无显著相关，剩余指数表现为显著相关，光谱指数与GMI的相关性仍然较强，相关性最好的指数是NDVI×SR，相关系数为0.835。根据各生育期相关性，发现光谱指数NDVI、SR、MSR、NDVI×SR在冬小麦拔节期、挑旗期、开花期、灌浆期4个生育期均表现出与GMI有很强的相关性，相关系数绝对值高于这4个光谱指数与生物量、叶面积指数的相关系数，将这4个光谱指数作为建模的因子，构建GMI反演模型。

表1 不同生育期光谱指数与各指标相关系数绝对值

注：*表示0.05水平显著，** 表示0.01水平显著。

2.3 单光谱指数反演模型建立

根据光谱指数与GMI的相关性结果，筛选出相关性较强的4个光谱指数，分别建立冬小麦不同生育期的单光谱指数反演模型，回归结果见表2。由表2可以看出，NDVI、SR、MSR、NDVI×SR在各个生育期表现不同，差异较大。拔节期，建模和验证集的R2最大值分别是0.522 9与0.625 1，对应的光谱指数是NDVI×SR，RMSE和NRMSE最小，分别是0.108 8、0.085 4和18.49%、14.26%；建模和验证效果最差的是MSR，建模和验证的R2分别是0.429 8和0.563 1。挑旗期，4个光谱指数建立的回归模型较拔节期各模型拟合效果有所提高，建模集中NDVI的R2高于0.6，R2达到此生育期的最高值0.617 6，RMSE和NRMSE达到最低，分别是0.111 5和19.64%，验证集NDVI的R2不是最高，但考虑建模集R2相比其余3个光谱指数差值较大，NDVI为挑旗期效果最好的指数；效果最差的指数是SR。开花期，各模型的R2达到0.63以上，拟合性最优、精度最高的是SR，建模和验证的R2和NRMSE是0.682 7、0.762 7和16.82%、13.65%，拟合性最差和精度最低的是NDVI，建模和验证的R2和NRMSE为0.632 5、0.651 9和18.10%、16.53%。灌浆期，建模集NDVI的R2值最大，NDVI为此生育期的最佳光谱指数，表现最差的指数是MSR。全生育期，各光谱指数表现最优的是NDVI×SR，表现最差的是MSR，建模的R2和NRMSE分别为0.554 7、0.491 9和19.48%、20.81%。

表2 冬小麦不同生育期的单光谱指数回归模型

2.4 GMI模型构建

利用MLR、PLSR和RF分别构建各个生育期的生物量、叶面积指数和GMI反演模型，建模和验证结果见表3、4，验证样本的拟合效果见图5～7。根据表3、4和图5～7可知，不同生育期和不同方法构建的模型效果有差异。就不同生育期而言，拔节期，各模型的R2较低，但RMSE与NRMSE也较低，模型预测精度整体较高，不同方法构建的生物量和叶面积指数模型R2相差较小，反演模型效果接近，GMI模型R2高于同方法下的生物量和叶面积指数R2，模型效果较佳；挑旗期，不同模型的R2高于挑旗期，RMSE和NRMSE也略高于拔节期，综合比较，预测精度高于拔节期所建的模型，而生物量、叶面积指数和GMI模型表现效果和拔节期相似；开花期，各模型的R2较大，RMSE与NRMSE较小，相比其他生育期，此时期的模型效果最好，预测的生物量、叶面积指数和GMI精度最高，其中依然是GMI反演模型表现最好；灌浆期，各模型的R2仅次于开花期，此生育期模型效果较优。通过分析4个生育期建模和验证结果，不同生育期中均表现为GMI反演模型优于生物量和叶面积指数模型，进一步对比不同方法，发现基于MLR的GMI模型效果最优，基于PLSR的GMI模型次之，基于RF的GMI模型最差，其中在开花期3种模型效果达到最佳,精度最高，基于MLR、PLSR和RF的GMI模型建模R2、RMSE与NRMSE分别是：0.716 4、0.096 3、15.90%；0.674 1、0.103 2、17.04%；0.611 7、0.112 8、18.63%。综合模型分析结果，各生育期中开花期表现效果最优，其次是灌浆期、挑旗期，最后是拔节期；GMI反演模型优于生物量和叶面积指数反演模型；3种GMI模型中，模型的效果和预测精度从强到弱为MLR-GMI、PLSR-GMI、RF-GMI。

2.5 GMI空间分布

根据不同生育期模型优选，选取拔节期、挑旗期和开花期的模型MLR-GMI，将模型应用于3个生育期的无人机高光谱影像中，得到3个生育期的GMI分布图，如图8所示。图中各生育期的GMI分布情况和预测一致，挑旗期GMI分散，但中部小区值较高，为0.5～1.0，整体分布较差，各小区差异明显；拔节期除了西部和东部小区GMI值较小，其余小区GMI较大，也为0.5～1.0；开花期整个试验小区GMI都较高，且各小区GMI分布效果较好，此时期GMI可以反映冬小麦长势情况，随着冬小麦生育期推移，生育后期长势较生育前期较为稳定，开花期GMI分布明显优于别的生育期。根据3个时期的影像可以分辨出各生育期和各小区的长势差异，识别出长势较好和较差的区域。

3 讨论

当前，利用高光谱估算作物长势的研究已经很多，但常用的是地面高光谱，且是对单一的长势指标进行监测，无法成像和直观地识别。本研究通过无人机高光谱获取了冬小麦拔节期、挑旗期、开花期和灌浆期的田间和影像数据，利用新构建的长势监测指标(GMI)，监测了冬小麦的长势情况，取得了较高的反演精度，为地、空一体化作物长势监测提供了新的方法。

表3 不同生育期反演GMI建模分析

表4 不同生育期反演GMI验证分析

图5 不同生育期检验样本基于MLR实测值和预测值拟合结果

图6 不同生育期检验样本基于PLSR实测值和预测值拟合结果

图7 不同生育期检验样本基于RF实测值和预测值拟合结果

图8 不同生育期的GMI空间分布

研究发现，不同生育期建立的单光谱指数模型有较大差异，在开花期表现较好，灌浆期和挑旗期次之，而在拔节期表现较差。造成的原因可能是：不同生育期，NDVI、SR、MSR和NDVI×SR对冬小麦的敏感程度不同。GMI是由生物量和叶面积指数构成的，生物量和叶面积指数在各个生育期中分布不同，开花期生物量和叶面积指数都较高，故表现较好。

通过多个光谱指数构建的各生育期的3种GMI反演模型，MLR-GMI模型表现效果最好，PLSR-GMI次之，RF-GMI最差。文献[49]也证明了利用多元线性估算叶绿素效果优于偏最小二乘，可能原因是：优选了与GMI相关性较强的指数用于模型的构建。单个指数线性估算时模型本身就比较好，多个指数结合了各指数对GMI的敏感性，信息量更足，再利用MLR估算，模型效果和精度会有所提高。RF适合大数据处理，较小数据集处理效果和优势降低[50-51]。

MLR-GMI和PLSR-GMI模型效果均好，获得了较高的反演精度，单个光谱指数构建的模型，反演精度不如多个光谱指数构建的模型。这是因为单个光谱指数构建的模型只包含单个光谱指数信息，光谱信息不足，而光谱是由可见光到近红外组成，其他波段对反演模型的构建同样重要。同时，单个光谱指数反演的模型会因为信息不足缺少稳定性，光谱指数过多也会造成模型复杂，保持反演模型的自变量均衡较为重要，MLR-GMI和PLSR-GMI模型是通过4个光谱指数构建的，反演效果更佳。本文构建的MLR-GMI估算效果最高R2达到0.716 4，而陆国政等[52]反演叶面积指数最高R2只有0.701，说明指标GMI较优。

此外，本研究采用了生物量和叶面积指数这2个长势指标组成新的长势监测指标，生物量和叶面积指数在冬小麦各生育期所占的比例有差别，不能准确确定各时期的分配情况，两指标存在着相互影响的关系。生物量和叶面积指数在不同生育期所占比例不同，对单个生育期影响较小，另外叶面积指数会因为环境变化而积累，随着生长期推移，生物量会逐渐增加[53]。同时，从某种程度上，两指标组成的GMI并不是越大越好，可能存在相互增强或减弱的作用。而本文是将两指标根据平均权重进行分配，未来对长势指标在不同生育期的相互影响和分配情况要进行进一步研究，以便更充分地了解作物的长势情况。

4 结论

(1)冬小麦各个生育期大部分光谱指数都与GMI显著相关，相关性较好，且NDVI、SR、MSR、NDVI×SR与GMI的相关性高于光谱指数与生物量、叶面积指数的相关性。拔节期，相关系数绝对值最大的是光谱指数SR和NDVI×SR(相关系数为0.727)；挑旗期，相关性最高的是光谱指数NDVI(相关系数为0.798)；开花期，光谱指数SR的相关系数绝对值最高(相关系数为0.840)；灌浆期，NDVI×SR达到最强相关性(相关系数为0.835)。

(2)选择与GMI相关性较强的4个光谱指数，分别建立了冬小麦4个单生育期和全生育期的一元回归模型。拔节期、挑旗期、开花期、灌浆期和全生育期表现最好的光谱指数分别是NDVI×SR、NDVI、SR、NDVI和NDVI×SR，对应的建模R2分别为0.522 9、0.617 6、0.682 7、0.630 2和0.554 7。

(3)构建的4个生育期生物量、叶面积指数和GMI反演模型，不同生育期均表现为GMI模型最优；且开花期模型表现效果最好，其他生育期表现强弱依次是灌浆期、挑旗期、拔节期，而对比3种GMI反演模型，MLR-GMI模型效果和预测精度最好，PLSR-GMI次之，RF-GMI最差。因此，开花期所构建的反演模型MLR-GMI能够更好地预测GMI，建模R2、RMSE和NRMSE分别是0.716 4、0.096 3和15.90%。

(4)对拔节期、挑旗期和开花期无人机高光谱影像填图，可以很好地反映各时期冬小麦的长势情况。基于无人机高光谱数据反演GMI能够很好地监测冬小麦长势，为无人机高光谱遥感反演方法监测作物长势提供了重要的技术依据。