周恺, 周彤, 丁峰, 丁大伟, 武威, 姚照胜,刘涛, 霍中洋, 孙成明*

(1.扬州大学, 江苏省粮食作物现代产业技术协同创新中心, 江苏 扬州 225009; 2.张家港市农业试验站, 江苏 张家港 215616)

小麦是我国主要的粮食作物之一，研究小麦的生长发育对指导农作物生产和增产稳产有着重大的意义。叶面积指数(leaf area index, LAI)指单位面积土地上植被叶面积总和占土地面积的倍数[1]，是小麦的基本农学参数，其不仅与小麦光合作用、蒸腾作用密切相关，还常常作为评价小麦长势和产量的依据[2]，通过对小麦LAI的动态监测可反映小麦群体生长状况，为小麦栽培管理和高产稳产提供指导。但传统的LAI测定方法操作复杂，对农作物伤害大，且不适用于大尺度LAI的获取，因此，如何快速、准确地获取LAI成为研究热点[3]。随着遥感技术的发展与完善，基于遥感数据估测LAI成为可能，如王来刚等[4]通过融合HJ-CCD 和SPOT-5 两种不同时空分辨率数据，实现高空间分辨率LAI 时间序列的估算，为小麦生长监测提供理论依据。但是，卫星重访周期长、影像空间分辨率较低[5]，航天遥感数据处理难、运营成本高[6]，地面光谱测量数据获取工作量大等[7]问题限制了传统遥感技术在农业应用中的价值。

近年来，小型无人机快速发展且在农业上应用越来越多，使得无人机遥感成为农情监测的有效手段[8]。Sugiura等[9]通过无人机搭载成像传感器获取作物LAI，划分出研究区域作物LAI分布情况；Córcoles等[10]利用旋翼无人机测量洋葱郁闭度，分析了郁闭度与LAI的关系。然而，无人机搭载的传感器受到重量和体型的限制，并且目前已有的传感器大多价格昂贵以及后期数据处理复杂，限制了无人机在农业领域的推广[11-13]。数码相机体积小、成本低、获取图像便捷，已逐渐成为基于数字图像农业研究的主要工具，如李明等[14]基于复杂图像提取小麦 LAI法，并较好地模拟了不同条件下 LAI 的变化，为数码图像的农业应用奠定基础，但数码相机数据获取方式固定以及数码图像幅宽较小，仅适合小范围区域的农业研究[15]。因此，利用无人机搭载数码相机建立高性价比的遥感监测系统成为农业研究热点。Possoch等[16]基于无人机RGB图像建立了多时间作物表面模型(CSMS)，估算牧草株高和衡量牧草质量；汪小钦等[17]基于健康绿色植被光谱特征分析无人机RGB图像中植被与非植被的光谱特征，成功构建出可见光波段差异植被指数VDVI用以提取植被信息。

上述研究结果展现了无人机搭载数码相机在农业上的应用前景，但直接将无人机数码影像用于估测作物LAI研究还较少。鉴于此，本文利用无人机搭载数码相机获取农田RGB影像，利用RGB构建的图像颜色特征指数与LAI进行相关性分析，并进行小麦LAI估算模型的构建与验证，选出最佳的小麦LAI估算模型，以期为作物LAI的田间快速无损监测提供参考。

1 材料与方法

1.1 田间试验设计

本试验于2016—2017和2017—2018两个年度在扬州大学实验农牧场进行，选用扬麦23号和宁麦13号为研究对象，前茬为水稻，土壤质地为沙壤土，0～20 cm土层有机质含量为23.14 g·kg-1，水解氮含量为106.12 mg·kg-1，速效磷含量为101.08 mg·kg-1，速效钾含量为87.78 mg·kg-1。

设置3个密度水平，分别为150 (M1)、225(M2)、300万株·hm-2(M3);设置4个氮水平，分别为0(N1)、180(N2)、240(N3)、300 kg·hm-2(N4)。氮肥施用比例为基肥∶壮蘖肥∶拔节肥∶孕穗肥=5∶1∶2∶2，磷钾肥为基肥∶拔节肥=5∶5，施用量均为120 kg·hm-2。于2016年11月14日和2017年11月7日播种，小区面积为9.8 m2，分别于越冬期、返青期、拔节期、开花期、灌浆期采集图像，同时进行田间取样并通过比叶重法计算出小麦叶面积指数(LAI)。

1.2 数据采集设备

本研究采用大疆公司生产的inspire 1 RAW无人机以及ZENMUSE X5R(禅思)航拍相机为数据采集传感器，该无人机具有体积小、操作方便、搭载重量大、功能强大等优点，持续飞行时间约为15～20 min；相机具有强大的影像能力，可以拍摄1 600万像素DNG无损格式的照片和高清画质4K视频。

1.3 无人机图像获取

为了保证作业时飞机的安全性及数据采集的可靠性，起飞前需进行无人机安全检查，并且设定航点、航线、飞行高度以及图像重复率。

GS Pro是专业的地面站，侧重规划任务，控制无人机自主规划框选范围内的航线，完成测绘拍摄任务。本研究利用DJI GS Pro在指定区域内自动生成航线，自动飞行、自动拍摄并完成相关数据的接受、处理和发送。无人机采用“S”型路线，飞行高度为9 m，相邻图像的重复率设置在65%～90%，在这个范围内重复率越高图像拼接精度越高，主航线上图像重复率设置为60%，主航线间图像重复率设置为70%。采集完图像后利用软件Photoscan将图像生成正射影像和三维点云数据，通过相邻图像的特征匹配将相邻图像无缝拼接起来。

1.4 无人机图像预处理

利用Matlab软件对图像预处理，包括图像裁剪、去噪、平滑、锐化等操作。将拼接好的图像根据不同小区裁剪成大小一致的图像，然后去除数字图像中的噪声，再通过平滑和锐化来减小目标物像素提取的损失。

1.5 小麦数字图像颜色特征指数计算

基于无人机获取的小麦LAI图像为RGB图像，利用ENVI5.3获取各小区R、G、B平均值，计算归一化颜色指数r、g、b，并获得9种颜色指数，如表1所示。

表1 常用的颜色指数Table 1 Commonly used color index

1.6 LAI估算模型的构建与验证

本研究采用常用的指数、线性、对数、多项式和幂函数等模型，基于2016—2017年数据利用SPSS进行小麦LAI估算。利用2017—2018数据实测数据对模拟结果进行验证，利用决定系数(R2)和均方根误差(RMSE)分析模型的优劣。

2 结果与分析

2.1 无人机图像颜色指数与LAI的相关性分析

9个颜色指数与叶面积指数的相关性分析结果如表2所示。可以看出，在小麦生长前期(越冬期、返青期)，颜色指数与LAI的相关性均较弱，除了返青期的NRI，其他指数与LAI相关性均未达到显著水平。而到了生育后期(拔节期、开花期、灌浆期)，所有颜色指数与LAI的相关性均达到了极显著水平，因此选用拔节期、开花期、灌浆期这三个时期进行小麦LAI的估算。

表2 颜色指数与LAI相关性分析Table 2 Correlation analysis between color index and LAI (n=12)

2.2 拔节期小麦LAI估算与验证分析

将拔节期图像颜色指数与田间采集的LAI数据进行分析建模，并将5种经验模型中R2最大的作为最终的估算模型，结果如图1所示。可以看出，各颜色指数构建的小麦LAI估算模型效果均较好，R2在0.598～0.784之间。其中，GRVI、GLI、MGRVI和ExG为幂函数模型，NGI和ExGR为指数模型，ARVI和ExR为二次多项式模型，NRI为线性模型。在所有估算模型中，以NRI为因子的线性模型效果最佳，R2为0.784 4，其次是GRVI和MGRVI构建的幂函数模型，R2均在0.78以上。

利用2017—2018年度的实测数据对模型精度进行验证，结果如表3所示。由表3可知，验证模型的R2在0.593～0.853之间，RMSE在0.470～0.838之间，说明构建的模型估算拔节期LAI的结果可靠，且准确率较高。其中，ExR的多项式模型效果最好，y=-197.91x2+4.630 7x+5.059 6，R2和RMSE分别为0.853和0.512。

表3 拔节期LAI估算结果验证Table 3 Verification of LAI estimation results at jointing stage

2.3 开花期小麦LAI估算与验证分析

将开花期图像颜色指数与田间采集的LAI数据进行分析建模，如图2所示。可以看出，模型决定系数R2在0.621～0.768，说明构建的模型效果较好。其中NRI、NGI和ARVI为幂函数模型，其余皆为指数模型。模型构建效果最好的是以ExR为因子的指数模型，R2为0.768，其次是GRVI和MGRVI构建的模型，R2均在0.750以上。

利用2017—2018年度开花期的实测数据对模型的精度进行验证，结果如表4所示。可知，验证模型的R2在0.518～0.784之间，RMSE在0.396～0.600之间，说明构建的模型估算开花期LAI的结果可靠，且准确率较高。其中，GRVI的指数模型效果最好，y= 0.655 3e8.731 4x，R2和RMSE分别为0.784和0.396。

表4 开花期LAI估算结果验证Table 4 Verification of LAI estimation results at flowering stage

2.4 灌浆期小麦LAI估算与验证分析

将灌浆期图像颜色指数与田间采集的LAI数据进行分析建模，如图3所示。可以看出，颜色指数与LAI构建的模型决定系数(R2)在0.558～0.692之间，虽然模型的拟合效果较好，但与拔节期和开花期相比，精度已明显下降。在模型类型方面，GLI和ExG为之幂函数模型，NGI为线性模型，ExGR为指数模型，其余均为多项式模型。其中GLI和ExG构建的幂函数模型效果最好，R2在0.690左右。

利用2017—2018年度灌浆期的实测数据对模型的精度进行验证，如表5所示。可知，模型验证的R2在0.565～0.768之间，RMSE在0.319～0.412之间，说明构建的模型估算开花期LAI的结果比较可靠，且准确率较高。其中，ExGR指数模型效果最好，y=2.005e10.546x，R2和RMSE分别为0.768和0.319。

表5 灌浆期LAI估算结果验证Table 5 Verification of LAI estimation results at filling stage

3 讨论

前人利用无人机高光谱遥感对小麦LAI进行了反演研究，构建了一些反演模型，如高林等[26]基于比值型光谱指数的对数形式lg(RSI)构建的线性模型与lg(LAI)有较优的线性关系(决定系数R2=0.737)；潘海珠等[27]基于RENDVI 指数模型模拟的LAI与地面实测值高度拟合(R2=0.83)。也有利用近地光谱技术反演了小麦LAI，如孙华林等[28]利用ASD光谱仪，分析了晚播小麦LAI与光谱指数之间的关系，构建了幂函数模型(R2=0.974)。上述研究虽然有一定的优势，但与无人机图像技术相比，还存在一些不足：首先是基于作物冠层的光谱信息估测作物LAI在作物生长发育的后期，存在一定的光谱信息饱和现象，准确率会下降，虽然近地光谱反演的准确率较高，但其获得的只是点上的数据；其次是数码相机易于操作、价格较低、空间分辨率高，使得无人机搭载高清数码相机作为一种新型的遥感数据获取技术得到快速发展[29]，而且可以在区域层面进行应用。

本文利用无人机获取麦田RGB图像，通过不同的颜色指数构建LAI估算模型，结果表明，LAI估算效果较好，与已有的使用数码影像变量估算其他作物LAI的研究结果基本一致[7,14,21,25]，表明了无人机图像数据估算小麦LAI的可行性。但本研究利用无人机图像数据估算小麦LAI还存在一些不足，首先是品种还比较单一，缺少代表性，其次仅基于一个试验点的影像数据，对不同地区缺少普适性。另外研究中也发现在小麦生长前期图像参数与LAI相关性差，这可能是由于小麦生长前期LAI较小，图像参数受到背景因素影响较大，也可能与图像在一天中的采集时间、无人机飞行高度等因素有关，这些均需要在以后的研究中进一步探索，以期构建一个普适性更好的估算模型。