雷亚平，韩迎春，杨北方，王康丽，王国平，冯璐，王占彪，李亚兵

（中国农业科学院棉花研究所/棉花生物学国家重点实验室，河南安阳455000）

叶面积指数（Leaf area index，LAI）是指单位土地面积上所有叶片的单面表面积[1]。LAI决定了植物冠层的光截获量，与光合有效辐射、植物蒸腾作用及土壤水分蒸散量密切相关，是表征作物光合作用能力大小的重要参数，而且与生物量和作物产量有密切关系[2-9]。

目前测量LAI一般采用直接测量法和间接测量法。直接测量法具有破坏性、耗时费力，且测定范围受限[10]。间接测量法一般使用仪器通过固定的参数计算出LAI，但由于仪器不同测定结果存在较大差别，准确性也各异，而且测定点数量和位置也影响LAI的准确性。

随着棉花产业结构调整，种植户生产规模扩大，急需大规模生产监测和管理相关技术。近年，无人机特别是小型消费级无人机的广泛使用，使得利用无人机监测作物长势技术的研究逐渐引起国内外学者的重视。无人机搭载多光谱、高光谱相机已被用来评价叶面积指数、叶绿素含量、产量等作物表型信息[11-14]。但多光谱相机分辨率较低、波段较少且波谱不连续，高光谱相机价格昂贵，这些制约了其在监测作物表型平台上的应用[15]。而普通数码相机具有价格低廉、操作方便、分辨率高等优势，适合作为小规模地块级作物调查研究。无人机数字图像能够提供作物生长信息和在田间的分布，可用来监测作物长势。基于红、绿、蓝3种可见光波段构建的颜色指数已被用来识别植被覆盖区、出苗数、LAI、生物量、氮水平、氮平衡指数、杂草分布等信息[16-23]。然而叶面积指数与颜色指数之间的关系受土壤、冠层衰老、太阳角度、相机曝光时间等多种因素影响，而且棉花生育期长，颜色指数受复杂大田环境（地膜、枯叶、阴影）影响更大[24]。

在前人研究的基础上，本文提取棉花冠层图像常用的5种颜色指数，根据多阈值分割方法计算颜色指数相应的植被覆盖指数，分析植被覆盖指数在不同曝光度下的稳定性，分析表现稳定的植被覆盖指数与棉花叶面积指数的关系，验证其在棉花生育期估计棉花叶面积指数的有效性，利用植被覆盖指数估测地块级棉花叶面积指数分布图。

1 材料与方法

1.1 试验区概况

试验在中国农业科学院棉花研究试验基地进行，基地位于河南省安阳市白璧镇（36°06′N，114°21′E)，海拔高度为 76.4 m，土壤类型为黏土，肥力中等。试验材料为不同生育期的9个棉花品种（系）有 0式、冀棉 228、鲁棉研28、中 3799、新陆早 33、中棉所60、中915、中棉所92、中棉所50，以其中前7个品种（系）进行叶面积指数与植被覆盖指数相关性试验，其余2个用来验证。采用随机区组设计，3个重复，共27个试验小区。试验密度为每666.7m26 000株，行距和株距均为80 cm，每个小区10行，小区面积为64 m2。播种日期为2017年4月23日，采用常规田间管理。

1.2 叶面积指数的获取与计算

从播种后35 d开始每隔15 d左右分别于蕾期、花铃期和吐絮期共7次从27个试验小区中随机选取有代表性的2株棉花连根拔起带回实验室，然后取其所有叶片，利用扫描仪（Phantom 9800xl；MiCROTEK，Shanghai，China）和图像分析软件 Image-Pro Plus 7.0（Media Cybernetics，Rockville，MD，USA）获取叶面积大小及叶面积指数。

1.3 图像的获取与处理方法

试验采用四旋翼无人机（DJIphantom 3 professional，含电池质量为1.2 kg，续航时间约25 min）搭载数码相机，传感器为1/3.2英寸 （4.13 mm×3.05 mm），像素1 200万。数据采集时选在晴朗、无风或微风天气，飞行高度50 m，镜头垂直朝下，白平衡与曝光模式设置为自动。采集数据时，无人机按软件（DJIGRPPRO）预先设定好的路线和参数自动拍摄采样。数据采集时间为取样测叶面积的前1 d或当天上午11:00点。考虑到图像颜色特征受曝光度影响，于6月28日设置不同的曝光度进行数据采集，用以分析颜色指数受曝光影响程度。

使用软件Agisoft PhotoScan对采集到的棉花冠层RGB图像进行拼接，通过对齐照片，建立密集点云，生成网格，建立正摄影像等步骤，导出JPG格式的试验小区RGB冠层影像。

1.4 图像特征提取与分析方法

从RGB图像中提取每个像素的红、绿、蓝通道的亮度值（Digital number，DN），本质上是其反射光强的量化表达[18，25]。绿色植物冠层表现为绿光波段DN值较红光和蓝光波段大。许多学者基于可见光波段构建出多种颜色指数来提取植被信息。张正健等[19]发现归一化植被指数（Normalized difference vegetation index，NDVI）对若尔盖草地地上生物量有较高的模拟和预测精度。丁雷龙等[16]选用归一化绿－红差值指数 （Normalized green-red difference index，NGRDI）、 过 绿 指 数 （Excess green index，ExG）、过绿减过红植被指数 （Excess green minus excess red index，ExGR） 和绿叶植被指数（Green leaf index，GLI）4种颜色指数，识别植被覆盖区域，结果表明:4种颜色指数均能快速准确地识别植被覆盖区域，识别精度在90%以上。赵必权等[17]认为ExGR可用于识别机械直播油菜株数并获得较好的结果。Gitelson等[26]证明了可见光大气阻抗植被指数（Visibleatmospherically resistant index，VARI）与玉米抽穗前LAI的相关系数达到0.97。本研究选取 NGRDI、VARI、ExG、ExGR 和 GLI这 5 种常用的可见光颜色指数（具体计算方法见表1）确定基于图像颜色指数的植被覆盖指数对棉花LAI的识别模型与精度。

表15 种常用颜色指数

图像特征的主要提取步骤见图1。（1）利用MATLAB R2016a的二次开发功能，编程自动提取图像R、G、B值并对颜色特征值进行组合形成不同的颜色指数。（2）利用阈值分析法进行棉花冠层识别，根据识别结果将颜色指数图像进行二值化处理。二值化处理时基于一定的阈值范围，最小阈值设为0，最大阈值设为棉花行间阴影部位的相应颜色指数值[27-28]。在颜色指数在阈值范围的像素点值设为1，其余像素点值设为0。（3）为避免小区四边生长不均的影响，利用MATLAB编程自动提取每个小区中心部位相同面积区域的平均值作为对应处理的植被指数。（4）提取整个试验区域每平方米植被覆盖指数（文章后面的植被覆盖指数均值基于对应颜色指数的植被覆盖指数），并用Surfer制作叶面积指数分布图。

图1 图像处理主要步骤

2 结果与分析

2.1 不同相机曝光时间下图像植被覆盖指数分析

试验期间设置不同的曝光时间1/2 000 s、1/1 600 s、1/1 250 s、1/1 000 s和 1/500 s， 在相同的高度和位置分别拍摄同一处理棉花冠层图像 （图2）。对不同曝光时间拍摄的图像提取5种植被覆盖指数进行统计分析发现，不同曝光时间下植被指数GLI变化程度最小 （CV＝4.74%），VARI变化程度最大（CV＝29.61%），ExGR、NGRDI与 ExG 稳定性居中（表2）。结合图2发现，ExGR在各曝光时间下对植被覆盖指数均过低计算，均值为0.2，标准差为0.022；VARI在1/1 000 s时对植被覆盖指数过低计算，GLI、NGRDI与ExG平均值符合图像特征，说明GLI、NGRDI与ExG在计算时受曝光时间影响较小，较为稳定。

表2 不同曝光时间图像植被覆盖指数统计分析

图2 曝光度试验处理

2.2 生育期叶面积指数变化

叶面积指数拟合模型（图3）显示，叶面积指数随播种后时间的增加先增大后减小，曲线的拐点处于播种后100 d左右，即花铃期叶面积指数达到峰值时。所有品种的叶面积指数都表现出相同的趋势，但不同品种的叶面积指数存在差异，其中早熟品种中棉所50叶面积指数明显低于其他品种。

叶面积指数主要受生育期和品种影响。播种后39～69 d棉花处于蕾期，这一时期棉花叶面积指数快速增长；播种后70～116 d为花铃期，此阶段棉花营养生长与生殖生长同时发生，叶面积指数较蕾期增长减缓；播种后119～148 d为吐絮期，这一阶段叶面积指数停止增长，并且随着棉株的老化而下降。

图3 不同品种叶面积指数随播种后时间变化

2.3 主要生育期不同棉花品种图像植被覆盖指数

不同曝光度下表现相对稳定的3种植被覆盖指数ExG、GLI、NGRDI在生育期内都呈现出开口向下的二次曲线，曲线拐点出现在播种后90 d左右（图4）。但3种指数之间存在明显的差异，蕾期（播种后39～69 d）NGRDI表现出明显的快速上升趋势，GLI上升趋势平缓；吐絮期（播种后119～129 d）NGRDI与ExG下降趋势相似，GLI下降过快。

经回归分析，7个品种的NGRDI、ExG与播种后时间极显著相关（P＜0.01），R2大于 0.9。 2个品种的GLI与播种后时间呈极显著相关，其余品种显著相关（P＜0.05），R2大于 0.8。

品种间颜色指数受叶片结构、株型与熟性等指标影响。蕾期品种间ExG、GLI、NGRDI的差异较小；此后至吐絮期前，主要受株型影响，品种间3种指数差异逐渐明显，紧凑型株型品种棉花植被覆盖指数较小，松散型和叶片较大的品种植被覆盖指数大。进入吐絮期后主要受熟性影响，不同熟性品种叶片出现衰落的时间不一致，随着叶片呈现褐色或脱落，植被覆盖指数下降。

2.4 植被覆盖指数与叶面积指数相关性

叶面积指数和从图像提取的植被覆盖指数都与播种后时间有较大的相关性，用2017年7个棉花品种21个小区试验数据建立叶面积指数与植被覆盖指数NGRDI、ExG之间的定量关系。结果（图5）显示，全生育期叶面积指数与NGRDI、ExG均具有显著正相关性，R2分别为0.776、0.689；随着叶面积指数的增加NGRDI、ExG值上升，叶面积指数增加到一定程度后NGRDI、ExG达到最大；之后叶面积指数增加，而NGRDI、ExG保持稳定。吐絮期后叶片衰老较快，颜色呈褐色，易被误判为绿叶。因此，剔除吐絮期后数据，重新分析叶面积指数与NGRDI、ExG相关关系，发现吐絮期前叶面积指数与NGRDI、ExG的相关性较全生育期更大，R2分别为 0.913、0.912。

图4 不同品种图像的ExG、GLI、NGRDI随播种后时间变化

为了验证吐絮期前叶面积指数与NGRDI、ExG的关系，利用从2017年棉花冠层图像中提取的中棉所50与中棉所92处理3个重复6个生育期的NGRDI、ExG预测 LAI，并与实测LAI进行比较，发现两者显著正相关（图6），相关系数分别为 0.949和 0.919，其回归方程的P值均为 0，RMSE分别为 0.385、0.464，NGRDI估测效果好于ExG。

图5 NGRDI、ExG与叶面积指数的相关性

图6 NGRDI、ExG预估的棉花叶面积指数与实际叶面积指数比较

2.5 叶面积指数分布图

根据NGRDI与棉花叶面积指数之间的拟合关系，利用6月28日无人机棉花冠层图像提取的NGRDI预测棉花叶面积指数并形成整块试验地叶面积指数空间分布图(图7)。叶面积指数的空间分布图与棉花品种处理小区分布之间有高相关性。预测的叶面积指数主要分布在2～2.5。

图7 预测叶面积指数分布图

3 讨论

田间表型信息是遗传因素、环境因素及其互作对单产潜力和对生物或非生物胁迫耐受程度等作物关键特性影响的最终表达[29]。无人机在提取田间表型信息时能够对不同小区同时取样，而且方便、快捷，在快速获取田间表型信息上具有很大潜力[30]。本研究利用无人机获取棉花生育期冠层数码图像，分析不同曝光度下颜色指数的稳定性，确定表现稳定的颜色指数与生育期不同棉花品种叶面积指数的相关关系。

数码相机自动曝光模式会根据当前环境的亮度，通过传感器控制曝光时间来调整最终图像的亮度值[31]。由于获取图像过程中太阳光、云层等因素影响，图像颜色会出现一定偏差。图像颜色指数是基于图像R、G、B值得到的，不同的颜色指数受曝光度影响不同。本研究中5种植被覆盖指数NGRDI、VARI、ExG、GLI、ExGR 在 不 同 曝 光 度 下稳定性表现差异较大，其中GLI、NGRDI与ExG在计算中受曝光时间影响较小，较为稳定。

为了找出植被覆盖指数与棉花叶面积指数之间的关系，分析了生育期内叶面积指数与GLI、NGRDI与ExG的变化特征，发现两者之间有显著的相关性。吐絮期前叶面积指数与NGRDI、ExG具有强相关性。吐絮期由于叶片衰落等影响，相关性下降，这与王方永等[32]关于图像透光率与棉花叶面积指数相关性的研究一致，与李亚兵等[33]分析全生育期棉花冠层数字图像G分量变化规律原因相同，也与Hunt等[22]发现的在3种氮素水平下玉米叶面积指数超过2时NGRDI达到饱和水平原因一致。此外，通过比较发现，NGRDI的预估效果好于ExG，这表明NGRDI是预测棉花叶面积指数的一个优选指标。利用棉花叶面积指数与NGRDI的相关关系形成整个研究区域叶面积指数的分布图与棉花小区分布图像表现一致。但本研究仅针对不同品种棉花叶面积指数进行了估测，今后应进一步开展不同密度、不同营养水平叶面积指数的估测，以期建立不同棉花处理的通用估测模型。

4 结论

基于无人机数字图像的植被覆盖指数受曝光度影响，曝光度为自动模式时，GLI、NGRDI与ExG受曝光时间影响较小，较为稳定。

不同品种棉花叶面积指数与图像植被覆盖指数GLI、NGRDI和ExG均在生育期内呈开口向下的二次抛物线。叶面积指数与NGRDI、ExG线性相关，全生育期决定系数R2分别为0.776、0.689，吐絮期前决定系数R2为0.913、0.912，并且该结果均经过验证，NGRDI估测效果好于 ExG。通过NGRDI预测整块田间叶面积指数并形成其分布图为精准农业提供了一个重要参考。因此，该方法可为利用无人机搭载普通数码相机指导地块级定点农业生产提供参考。