Dynamic estimation of summer maize LAI based on multi-feature fusion of UAV imagery
-
摘要:
叶面积指数（leaf area index, LAI）是影响作物光合作用并反映作物生长状况的重要参数。及时、准确地监测玉米LAI对提高作物生产力至关重要。该研究旨在探究利用无人机光谱信息、热信息以及冠层形态参数融合以提高玉米多生长阶段LAI估计准确性的潜力，并基于最优估计模型绘制夏玉米LAI反演图，以实现作物水氮精准管理。首先，通过2022—2023年连续2a的田间试验，利用无人机携带的多光谱和热红外传感器采集了不同水氮处理下多个生长阶段玉米冠层图像，并同步测量玉米的生长参数（LAI）。其次，基于冠层光谱、热红外信息和冠层形态参数及其组合建立了LAI估计模型，包括偏最小二乘回归（partial least squares regression, PLS）、反向传播神经网络（backpropagation neural network, BP）和随机森林（random forest, RF）。最后，基于最优估计模型绘制了原位尺度的LAI反演图。研究结果表明：基于冠层光谱信息和热信息的玉米LAI估计与实测LAI的动态变化趋势一致，反映了玉米的生长状况，但单一信息监测多生长阶段玉米LAI具有一定的局限性，估计模型的准确性相对较低。基于光谱信息的LAI估计模型的决定系数（R2），均方根误差（RMSE）分别为0.36～0.61，0.09～0.57；基于温度信息的LAI估计模型的R2=0.25～0.48，RMSE=0.11～0.62。融合多源数据（冠层光谱、热信息和冠层形态参数）提高了玉米LAI的估计精度，3种机器学习模型中，RF模型估计精度最好，其R2=0.814～0.867，RMSE=0.065～0.276。利用RF模型绘制的原位尺度LAI反演图能够准确反映作物的水氮状态。该研究可为无人机平台监测作物生长和水氮管理提供一种可行的方法。
-
关键词:
- 无人机 /
- 植被指数 /
- 归一化相对冠层温度 /
- 冠层形态参数 /
- 叶面积指数(LAI)
Abstract:Leaf Area Index (LAI) is one of the most crucial influencing parameters on crop photosynthesis during growth status. There is a high demand for the timely and accurate monitoring of maize LAI in the high crop productivity. The purpose of this research was to integrate the Unmanned Aerial Vehicle (UAV) spectral, thermal, and morphological parameters of crop canopy, in order to improve the accuracy of maize LAI estimation at various growth stages. Moreover, an attempt was also made to create the LAI inversion maps for summer maize. The optimal estimation model was achieved to facilitate precise water and nitrogen management. Firstly, the images of maize canopies were collected at multiple growth stages under different water and nitrogen treatments using multispectral and thermal infrared sensors carried by UAVs. The parameters of maize growth (LAI and crop height) were simultaneously measured in field experiments in 2022-2023. Secondly, the LAI estimation models were developed using canopy spectral, thermal infrared data, canopy morphological parameters, and their combinations. Partial Least Squares Regression (PLS), Backpropagation Neural Network (BP), and Random Forest (RF) were also selected using various machine learning algorithms. Finally, the LAI inversion maps at the in-situ scale were created using the optimal RF estimation model. It was found that the maize LAI responded significantly to the water and water-nitrogen treatments, suitable for crop growth monitoring. Among them, the LAI values were ranged from 0.61 to 4.92 (0.89 to 5.94) under the N6 (N6W2) treatment; The LAI values were ranged from 0.49 to 4.37 (0.65 to 4.08) under the N1 (N1W0) treatment. Vegetation index (VIs), normalized relative temperature (NRCT), and morphological parameters (CM) of the maize canopy showed stable correlations with the LAI. However, there were some limitations on a single source of information, in order to monitor the LAI of maize at multiple growth stages. The LAI estimation model with the spectral data shared the R2 between 0.36 and 0.61, and RMSE between 0.09 and 0.57. The LAI estimation models with the thermal infrared data shared the R2 between 0.25 and 0.48 and RMSE between 0.11 and 0.62. The LAI estimation models with the canopy morphology (plant height or plant height+canopy coverage) shared the R2 between 0.31-0.58 and 0.50-0.67 and RMSE between 0.06-0.54 and 0.08-0.51. In contrast, the multiple sources of data (including canopy spectra, thermal infrared data, and canopy morphological parameters) were integrated to significantly improve the accuracy of LAI estimates, especially at the later stages of maize growth. The underestimation was avoided from a single source of information. Compared with the NRCT+CM and VIs+CM, the R2 was improved by 15.19 % to 19.01 % and 3.87 % to 12.57 %, respectively, and RMSE was reduced by 24.93 % to 28.13 % and 9.51 % to 19.94 %, respectively. The RF model showed the highest estimation accuracy with R2 = 0.814-0.867, RMSE = 0.065-0.276, and MAE = 0.048-0.207 among the three machine learning models. The inverse maps of in situ LAI with the RF model accurately reflected the water and nitrogen status of the crop. The ranges of LAI values for the different growth stages under the N1 treatment were 0.36-4.97 under the N1 treatment; The range of LAI values under the N6 treatment was 0.54-6.27. The range of LAI at different growth stages under the W0 treatment was 0.31-4.73, and the range of LAI at different growth stages under the W3 treatment was 0.39-5.84. The finding can provide a feasible technological pathway to monitor the growth status of the crop using the unmanned platform. The water and nitrogen management were optimized for the high application potential. This finding can provide a feasible technical pathway for the UAV-based monitoring of crop growth.
-
0. 引 言
叶面积指数（leaf area index, LAI）被定义为单位地表面积上植物叶片总面积的比值，作为一个生态学指标，常用于表征作物生长状况[1-2]。LAI与作物截获入射光合有效辐射的能力密切相关，不仅是光合作用、呼吸和蒸腾的关键变量，也是指示生育阶段和各种非生物和生物胁迫的重要指标[3-4]，有助于验证作物的生理健康状态，检测作物的光合能力和生产力[5]。然而，传统的LAI测量依靠大量的田间采样和室内试验，不仅耗时费力，且具有破坏性和滞后性。
无人机遥感因其高灵活性及按需获取高时空分辨率影像数据的优势得到迅速发展，已经成为农情监测的重要手段[6-8]。目前，许多遥感数据（可见光、多光谱、热红外等）已被用于估测作物参数，包括叶面积指数[9-10]，叶绿素[11]，生物量[12-13]等。例如，BORHAN等[14]通过R、G、B、550、770和880 nm 的6通道多光谱系统采集马铃薯光谱信息，验证了多光谱波段特征与马铃薯叶片叶绿素具有高达0.95的线性相关性。JAY等[15]通过无人机多光谱影像的光谱反射率构建了基于植被指数的甜菜模型，发现仅利用甜菜像元光谱构建的植被指数能增强叶绿素含量、叶面积指数的敏感性。BLANCON等[16]利用无人机获取玉米的多光谱图像，并利用高通量模型辅助方法监测了玉米的叶面积指数的动态变化，成功估计了最大叶面积指数。GITELSON等[17]对归一化植被指数（normalized difference vegetation index，NDVI）进行了改进，构建一种新型植被指数：宽动态范围植被指数（wide dynamic range vegetation index，WDRVI），通过线性化典型小麦、大豆和玉米冠层的关系，增加了与植被指数（vegetation indexs，VIs）的相关性，改善了LAI的估计。然而，基于光谱植被指数的估计在作物覆盖度较高时，光谱反射率会达到饱和，且在多生殖生长阶段监测LAI行时VIs容易丢失敏感性[18-20]。
许多研究表明，不同生长阶段植被的LAI与冠层影像中提取的形态参数具有显著相关性，这些形态参数包括冠层高度（canopy height, CH）、冠层覆盖度（canopy cover, CC）、冠层体积（canopy volume, CV）等。杨琦等[21]提取了甘蔗的冠层株高，构建了甘蔗全生育时期的LAI估计模型，精度为0.904。LIU等[22]比较了影像计算的植被覆盖度与LAI-2000读数，发现影像计算的CC可以替代不完全闭合的冠层间隙，获得的决定系数高达0.83。进一步考虑作物结构在高度和覆盖度上的变化，用CV来估算LAI。INDIRABAI等[23]通过点云数据提取作物的三维植被结构，提出利用点空间密度算法预测树冠LAI，模型精度达到0.96。这些研究表明，CH、CC和CV分别作为矢量、表面覆盖和三维参数的冠层形态参数，都可以通过图像分析直接测量不同空间维度的LAI。但是，不同的形态参数对作物生长动态具有不同的表征能力。例如，CC值在冠层完全封闭时可能会饱和[24]，导致LAI估算受限，而CH可能对成熟叶片的下降不敏感[25-26]。
研究发现，结合遥感中的热信息有潜力改善农业应用中植物性状估计，特别是在致密和异构冠层[27-29]。SIBANDA等[30]也发现热信息可以反映作物冠层的结构特征，在一定程度上抑制高覆盖度冠层中的光谱饱和效应。目前，LAI主要是通过冠层光谱特征来进行估计。融合作物的外部形态信息和内部光学信息进行LAI估计的研究相对较少。事实上，作物生长是一个动态过程，涉及内外特征变化。因此，本文通过融合冠层形态参数、光谱信息和热信息，探究提高玉米LAI估计精度的方法，并结合偏最小二乘、反向传播神经网络和随机森林3种机器学习算法构建夏玉米LAI估计模型，基于最优RF模型绘制原位尺度LAI空间反演图，以期为无人机监测多生育期作物生长状态和水肥精准管理提供一种有效的方法。
1. 材料与方法
1.1 研究区域
试验于2022年6月—2023年10月在中国陕西省武功县农业示范区进行（34°21' N, 108°03' E）。研究区属半干旱半湿润气候，年平均降水量约为635 mm，降雨主要集中在7—9月。试验期间的平均气温约为33 ℃。土壤为黏壤土，0～100 cm土层的田间持水率为23%～ 26%，枯萎系数为8.6%。土壤的干容重和pH值分别为1.44 g/cm3和8.14，地下水埋深，向上补给可以忽略不计。
本试验设置了3个水处理，包括雨养（W0），亏缺灌溉（W1：田间持水率60%～70%）和充分灌溉（W2：田间持水率90%～100%）。6个氮处理分别为N1（0），N2（80 kg/hm2），N3（160 kg/hm2），N4（240 kg/hm2），N5（320 kg/hm2）, N6（400 kg/hm2）。氮肥在全生育时期分2次施入：播种（50%）和拔节期（50%）。除氮处理外，磷肥和钾肥按当地标准进行管理。每个处理重复3次，共54个试验小区（图1）。
![]()
图 1 2022—2023年期间玉米水肥试验布置Figure 1. Layout of maize water and fertiliser trials during 2022-2023试验区四周分别设计 2 m宽的玉米保护行，防止边界小区受所处特殊空旷环境的影响，每个小区之间设置 1 m间隔距离，小区之间装有4 m × 5 m的防水隔断，且采用滴灌方式进行灌溉降低了水肥运移的可能性。2022年和2023年的气象参数情况如图2所示。
![]()
图 2 2022年和2023年玉米生长季节的每日最低、最高温度和降雨量Figure 2. Daily minimum and maximum temperatures and precipitation of maize growing seasons during 2022-20231.2 数据采集和处理
1.2.1 无人机多光谱图像及热红外图像采集
2022-2023年期间，针对夏玉米关键生育时期（拔节期、喇叭口期、开花期、灌浆前期和灌浆后期）开展了多光谱与热红外遥感影像的采集工作。2022年分别于7月15日、7月24日、8月1日、8月10日和9月14日完成了5次采样；2023年则分别于7月28日、8月5日、8月12日、8月18日和9月17日进行了5次采样。多光谱影像和热红外影像的采集均安排在晴朗无云的12:00–14:00完成，飞行速度均设置为5 m/s。在2 a内，共进行了10次观测，涵盖了玉米不同生长阶段，为分析玉米生长特征提供了全面且高质量的数据支持。
多光谱影像由DJI P4多光谱版本（大疆科技有限公司）获取，该设备配有6个1/2.9英寸CMOS传感器，包括1个可见光成像的彩色传感器和5个光谱成像的单色传感器，中心波长为450 nm (blue, B), 560 nm (green, G), 650 nm (red, R), 730 nm (red edge, RE) 和840 nm (near infrared, NIR)。热红外影像由DJI MAVIC 3T采集，其配有一个可见光及一个热成像相机，两者可实现联动变焦和连续变焦。热红外工作波段为8～14 μm，测温范围−20 ～150 ℃。无人机的飞行高度设置为20 m, 航向和旁相重叠率分别为75%和80%，镜头垂直向下获取图像。为防止无人机影像偏移，设置了8个地面控制点，并且利用消费级全球定位系统测量了这些点的坐标。
采集的多光谱图像通过Pix4D mapper和ENVI进行拼接处理和辐射校正，将原始图像的（digital number）DN值转换为反射率，接着通过划分不同（region of interest）ROI提取反射率。同时，采集热红外图像时使用手持热红外温枪收集了试验小区的玉米叶温和试验区水温用于温度校正。采集的热红外图像通过python代码调用TSDK程序将R_JPEG照片批量转换成存储温度信息的TIF文件，该程序提供调整成像目标相关参数的选项，通过输入农场气象站的温度和湿度以及物体的反射率和距离来获取温度,并且使用测量的水温和叶温作为参考温度来校正热红外图像的温度[27]。
1.2.2 地面数据获取
在获取无人机图像的同时，进行了地面数据采集。选择LAI-2200C (美国，LI-COR lnc.公司) 冠层分析仪测量玉米冠层叶面积指数（LAI）。为了避免阳光直射的干扰，测量选择在16:00—18:00进行。每个试验小区设置了5个测点，取其平均值作为小区的LAI。
1.3 冠层光谱信息提取
1.3.1 光谱信息
根据土壤与植被之间反射光谱的阈值差异，通过归一化植被指数（normalized difference vegetation index, NDVI）去除土壤背景对光谱信息的影响。使用Matlab 2022b软件提取54个小区 5 个光谱通道的初始反射率（表1），包括绿（green）、 红（red）、蓝（blue）、红边（red-edge）和近红外（near-infrared），基于这些初始反射率值构建了一组植被指数（VIs），以探究不同水氮处理下玉米LAI的光谱响应。
表 1 多光谱植被指数Table 1. Multispectral vegetation index植被指数
Vegetation index公式
Formulation文献
References归一化植被指数
Normalized difference
vegetation indexNDVI=(NIR-R)/(NIR+R) [31] 归一化红边植被指数
Normalized difference red-edgeNDRE=(NIR−RE)/(NIR+RE) [32] 优化土壤调节指数
Optimized soil adjusted vegetation indexOSAVI=(NIR−R)/(NIR−R+L) (L=0.16) [33] 修正叶绿素吸收指数
Modified chlorophyll absorption
in reflectance indexMCARI=[(RE−R)−0.2(RE−G)]×(RE/R) [34] 转化叶绿素吸收指数
Transformed chlorophyll absorption
in reflectance indexTCARI=3[(RE−R)−0.2(RE−G)×(RE/R)] [33] 绿光归一化差值植被指数
Green normalized difference
vegetation indexGNDVI=(NIR-G)/(NIR+G) [35] 红绿蓝植被指数
Red green blue vegetation indexRGBVI=(G2-B×R)/(G2+B×R) [36] 绿叶植被指数
Green leaf indexGLI=(2G-R+B)/(2G+R+B) [37] 注：B、G、R、RE、NIR分别为多光谱相机475、560、668、717和840 nm波长处的光谱反射率，L表示冠层背景调整因子的标准值（0.16）。 Note: B, G, R, RE, NIR correspond to the spectral reflectance at 475, 560, 668, 717, and 840 nm wavelengths in multispectral camera, respectively, L represents the standard value of the canopy background adjustment factor (0.16). 1.3.2 结构信息
在玉米播种后出苗前收集了试验区的图像，以获取试验区的数字地形高程（digital elevation model, DEM），表示地面绝对高程。结合试验区获取的地面控制点，校正了不同生长阶段试验区的数字表面高程（digital surface model, DSM）。将获取DEM和DSM图像导入Arcgis软件中，根据式（1）计算冠层株高，并根据田间试验测量的株高对提取的玉米株高进行验证（图3a）。
![]()
图 3 田间测量和估计玉米高度的散点图，植被覆盖度，以及局部RGB图像Figure 3. Scatterplots for field measurements and estimation of maize heights, canopy cover, and localised RGB images此外，冠层覆盖度（CC）作为重要的结构信息，反映了作物的光合作用能力和生长程度[35]。根据土壤背景与作物光谱特征的差异，把冠层像素设置为1，土壤像素设置为0，并统计了这两个值的像素点数，根据式（2）计算了不同生长阶段玉米的冠层覆盖度（图3b和3c）。
CH=DSM−DEM (1) CC=VP/AP (2) 式中CH为估计株高，cm；VP为植被像元数量；AP为总像元数量。
1.3.3 冠层温度信息
根据无人机获取的热红外温度信息，计算归一化相对冠层温度（normalized relative canopy temperature, NRCT）[27-28]。NRCT作为热特征用于估算LAI，其作用类似于作物水分胁迫指数。NRCT的计算式如下：
NRCT=(Ti−Tmin)/(Tmax (3) 式中 Ti 为子样本图像中第 i 个像素的温度， ℃。
1.4 模型构建
研究汇集了2022—2023年相同生长阶段的LAI数据，建立了不同生育时期的估计模型。建模前，采用皮尔逊相关系数（Pearson correlation coefficient）评估冠层光谱信息（VIs）和温度信息（NRCT）与LAI之间的相关性，筛选出相关性较强的植被指数用于模型构建。在为期2年的试验中，每个生长阶段采集到108个样本，其中2/3的样本作为训练集，1/3的样本作为验证集。采用偏最小二乘回归（PLS）[30,38]，反向传播神经网络（BP）[36]以及随机森林（RF）[9,11]3种机器学习算法进行建模。以均方误差（RMSE）为损失函数，学习率为0.01，训练迭代次数为
1000 ，误差阈值为1e−6，构建了一个包含5层隐藏层的人工神经网络模型。RF算法模型训练中决策树的数量（ntree）和每个树叶的观测数量（mtry）是两个重要参数。本研究设置ntree为400，采用十倍交叉验证的方法来调整RF模型，找到RMSE最小的超参数组合。然后，使用最优的超参数值来训练最终的随机森林回归模型。1.5 精度评价
采用决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）来评价3种机器学习模型的准确性。一般而言，R2值越接近1，表示模型的拟合效果越好。RMSE越小表示模型预测越准确。MAE越小，模型的预测误差越小。
{R^2} = 1 - \frac{{\displaystyle\sum\limits_{i = 1}^{{n}} {{{({O_i} - {P_{{i}}})}^2}} }}{{\displaystyle\sum\limits_{i = 1}^n {({O_i} - {{\bar O}_i})} }} (4) \mathrm{RMSE}\text{ = }\sqrt{\frac{1}{n}\sum\limits_{i=1}^{{n}}(P_{{i}}-O_i)^2} (5) {\text{MAE = }}\frac{1}{n}\sum\limits_{i = 1}^{{n}} {\left| {{P_{{i}}} - {O_i}} \right|} (6) 式中 {O_i} 为实测值， {P_{{i}}} 为预测值，{\bar O_{{i}}} 为实测值的平均值， \mathit{\mathit{\mathit{ }}}n 为样本数。
2. 结果与分析
2.1 相关性分析
植被指数的构建基础在于地物表面光谱反射率的细微差异。这些差异能够被多光谱等遥感平台捕捉，并通过数学算法进行运算处理，从而显著增强图像中植被信息的表现力，使得植被的分布、生长状况及健康程度等特征得以凸显[11,39]。作物的水分状况直接影响其表面温度。在水分充足的情况下，作物的蒸腾作用旺盛，表面温度相对较低；而在水分不足时，蒸腾作用减弱，表面温度则相对较高。因此，通过无人机热红外捕捉的温度数据，可以间接评估作物的水分状况[28]。作物的养分状况也会在一定程度上影响其表面温度。例如，养分缺乏可能导致作物生长受阻、叶片颜色变化等，进而影响其表面温度。
本研究选取了8个具有代表性的植被指数，包括归一化植被指数（NDVI）、归一化红边植被指数（NDRE）、优化土壤调节指数（OSAVI）等以及热红外归一化相对冠层温度（NRCT），旨在探讨它们与叶面积指数（LAI）之间的相关性（表2）。结果显示在拔节期、喇叭口期以及灌浆前期所有植被指数和NRCT与LAI之间均存在显著的相关性（P<0.05），这验证了所选植被指数与NRCT作为LAI估算工具是可靠性的。进一步分析发现，不同植被指数与LAI的相关性强度存在差异，其中NDVI与LAI的相关性最高，相关系数在0.29～0.64之间，紧随其后的是OSAVI，而GLI与LAI的相关性相对较低，相关系数在0.17～0.56之间。
表 2 不同生长阶段玉米LAI与植被指数和冠层温度的相关性Table 2. Correlation of maize LAI with vegetation index and canopy temperature at different growth stages植被指数
Vegetation index
(VIs)拔节期
Jointing stage喇叭口期
Trumpet stage开花期
Tasseling stage灌浆前期
Initial filling灌浆后期
Late fillingNDVI 0.42** 0.64*** 0.45*** 0.45*** 0.29* NDRE 0.47*** 0.60*** 0.50*** 0.50*** 0.23 OSAVI 0.42** 0.63*** 0.43** 0.46*** 0.26 MCRAI 0.37** 0.59*** 0.27* 0.38** 0.24 TCARI 0.38** 0.53*** 0.12 0.39** 0.32* GNDVI 0.46*** 0.63*** 0.48*** 0.51*** 0.26 RGBVI 0.38** 0.64*** 0.39** 0.34* 0.24 GLI 0.30* 0.56*** 0.17 0.27* 0.18 归一化相对
冠层温度
Normalized relative
canopy temperature (NRCT)−0.43** −0.47*** −0.15 0.38** 0.35** 注：*表示 P< 0.05，显著；**表示 P < 0.01，非常显著；***表示 P < 0.001，极显著。 Note: * indicates P < 0.05, significant; ** indicates P< 0.01, highly significant; *** indicates P< 0.001, extremely significant. 2.2 玉米生长参数的变化
叶面积指数(LAI)随着玉米生长的动态变化如图4所示，整体而言，从拔节期到灌浆后期，LAI值先增加后下降。
![]()
图 4 2022—2023年不同肥处理、水处理以及水肥处理下LAI的变化Figure 4. Changes in LAI under different fertilizer treatments, water treatments, and water-fertilizer treatments from 2022 to 2023具体而言，LAI在6个氮肥处理和18个水氮处理水平之间存在明显差异，N6（N6W2）处理下LAI的范围为0.61～4.92（0.89～5.94）；N1（N1W0）处理下LAI的范围为0.49～4.37（0.65～4.08）。2个灌溉处理与雨养处理的LAI差异相对较小，原因可能是整个夏季降雨较多。W0处理下，5个生长阶段LAI的范围分别为：0.44～0.67，1.20～1.89，1.64～4.42，3.28～4.64，2.41～5.06；W2处理下不同生长阶段LAI的范围分别为：0.48～0.75，1.33～2.20，2.64～4.72，4.53～5.98，3.11～5.07。结果表明玉米LAI对水处理以及水氮处理的响应明显，适合用于监测作物生长。
2.3 基于多光谱和热红外数据的LAI估计
2022—2023年期间，收集了玉米5个关键生育时期的多光谱和热红外影像数据，并计算了6个植被指数（VIs）和归一化相对冠层温度(NRCT)。采用随机抽样方法将这些VIs和NRCT划分为训练集（占样本总量2/3）和验证集（占样本总量的1/3），确保构建模型的广泛适用性。然后将训练集分别输入最小二乘回归（PLS）、反向传播神经网络（BP）和随机森林（RF）模型，每种模型均基于不同的算法原理，对LAI进行了独立预测，并通过验证集进行了评估（表3）。结果显示，尽管光谱信息在多个生育阶段展现出优于温度信息的估计能力，但单纯依赖光谱或温度信息均存在明显局限，具体表现为基于光谱信息的LAI估计模型R2值在0.36～0.61之间，RMSE值在0.09～0.57范围内；而基于温度信息的模型则表现较差，R2值在0.25～0.48之间，RMSE值偏高，介于0.11～0.62。
表 3 基于多光谱和热红外数据的玉米LAI估计模型的评估Table 3. Evaluation of maize LAI estimation models based on multispectral and thermal infrared data生长阶段
Growth stage算法
Algorithms植被指数
VIs归一化相对温度
NRCT植被指数和归一化
相对温度
VIs+NRCTR2 RMSE R2 RMSE R2 RMSE 拔节期
Jointing stagePLS 0.49 0.10 0.37 0.12 0.56 0.10 BP 0.47 0.11 0.38 0.12 0.59 0.09 RF 0.61 0.09 0.45 0.11 0.64 0.09 喇叭口期
Trumpet stagePLS 0.44 0.23 0.33 0.26 0.54 0.22 BP 0.44 0.24 0.35 0.26 0.52 0.22 RF 0.56 0.22 0.46 0.24 0.59 0.22 开花期
Tasseling stagePLS 0.36 0.57 0.25 0.62 0.41 0.56 BP 0.38 0.57 0.25 0.62 0.45 0.53 RF 0.50 0.54 0.47 0.60 0.53 0.52 灌浆前期
Initial fillingPLS 0.52 0.42 0.31 0.48 0.58 0.36 BP 0.56 0.38 0.37 0.46 0.59 0.34 RF 0.61 0.34 0.48 0.46 0.64 0.33 灌浆后期
Late fillingPLS 0.39 0.45 0.32 0.48 0.49 0.42 BP 0.52 0.38 0.35 0.45 0.52 0.41 RF 0.57 0.39 0.41 0.48 0.59 0.35 鉴于此，将不同时期获得的热红外温度信息（NRCT）加入到相应的光谱信息中，进行数据融合，以期突破单一数据源的限制。通过构建并测试融合后的模型发现，多源信息融合显著提升了LAI的估算精度。具体而言，与单独使用光谱信息相比，融合模型在R2值上实现了3.21%～27.28%的提升，RMSE值则降低了1.26%～12.87%；与单独使用温度信息相比，R2值提升了13.41%～61.23%，RMSE降低了7.92%～26.79%。值得注意的是，在3种模型中，随机森林（RF）模型凭借其强大的非线性拟合能力和对复杂数据的处理能力，展现出了最高的估算精度。在玉米的5个关键生长阶段，RF模型的R2值分别高达0.64、0.59、0.53、0.64和0.59，RMSE稳定且较低，分别为0.09、0.22、0.52、0.33和0.35。这一结果不仅验证了多源信息融合策略的有效性，也为未来精准农业中的作物生长监测与管理提供了理论依据。
2.4 基于冠层形态对玉米LAI的估计
提取了2022—2023年期间玉米生长周期内的5个关键生长阶段（拔节期、喇叭口期、开花期、灌浆前期和灌浆后期）每个小区的平均株高（CH）和冠层覆盖度（CC），每个生育时期收集到108个样本，将每个阶段数据随机分为2组，其中2/3的数据用于模型构建与训练，剩余1/3则作为验证，以评估模型预测的准确性。
在此基础上，探究冠层覆盖度与株高作为变量在叶面积指数估算中的潜力，并与单独使用CH的传统估计模型进行了比较分析（表4）。结果显示，将CH与CC两者结合纳入模型，相较于仅利用CH的模型，显著提升了LAI估算的精度，尤其是在玉米生长的喇叭口期，模型的R2达到了0.58～0.66的高水平，同时RMSE也保持在0.19～0.23的较低范围内，显示出优异的拟合效果。然而，尽管模型在大多数情况下表现优异，但在开花期却遭遇了精度下滑的挑战，R2值降至0.50～0.59，RMSE则上升至0.42～0.51，这很可能归因于该阶段玉米植株形态的高度复杂性和密集度增加，导致无人机遥感技术在数据采集时面临更大的干扰和误差来源。尽管如此，通过综合应用CH与CC信息，构建的模型有效缓解了玉米在灌浆期及灌浆后期因光谱信号饱和而导致的LAI估算精度下降问题，为精准农业管理提供了更为可靠的技术支持。
表 4 基于农艺性状对不同生长阶段玉米LAI的估计Table 4. Dynamic estimation of maize LAI at different growth stages based on agronomic traits生长阶段
Growth stage株高Crop height (CH) 株高和覆盖度Crop height and canopy coverage (CC) PLS BP RF PLS BP RF R2 RMSE R2 RMSE R2 RMSE R2 RMSE R2 RMSE R2 RMSE 拔节期Jointing stage 0.41 0.12 0.53 0.12 0.46 0.06 0.53 0.10 0.61 0.10 0.63 0.08 喇叭口期Trumpet stage 0.45 0.24 0.44 0.22 0.58 0.11 0.58 0.23 0.64 0.21 0.66 0.19 开花期Tasseling stage 0.31 0.54 0.37 0.48 0.56 0.37 0.50 0.48 0.56 0.51 0.59 0.42 灌浆前期Initial filling 0.44 0.47 0.51 0.54 0.43 0.24 0.56 0.41 0.63 0.44 0.67 0.40 灌浆后期Late filling 0.34 0.35 0.46 0.41 0.53 0.29 0.53 0.35 0.58 0.33 0.62 0.29 2.5 基于数据融合的LAI估计
冠层形态参数（CM）与光谱和热信息不同，它描述的是冠层的空间分布情况，作为互补信息有助于提LAI的估计。本研究中，利用2022—2023年不同生长时期的10次地面采样数据及其对应的遥感数据，结合植物的生长阶段将数据划分为不同的生育期，以确保数据的代表性和一致性。在此基础上，针对每个生育期，选择8个植被指数（如NDVI、NDRE、OSAVI等）作为光谱信息，同时对温度数据进行处理，获取归一化温度。此外，采集冠层形态参数，包括冠层高度和冠层覆盖度。在数据融合过程中，将光谱指数、归一化温度以及冠层高度和覆盖度进行集成，形成多维数据集。随后，将该数据集作为输入特征导入最优估计模型（RF），通过学习这些特征与LAI之间的关系，实现对LAI的高精度估计（图5）。结果表明，无论是光谱信息还是热信息结合冠层形态, LAI估计精度均有所提高，特别是三者融合显著提高了LAI估计的精度(R2=0.814～0.867, RMSE=0.065～0.276, MAE=0.048～0.207)。与NRCT+CM和VIs+CH相比，R2分别提高了15.19%～19.01%和3.87%～12.57%，RMSE分别降低了24.93%～28.13%和9.51%～19.94%，MAE分别降低了23.15%～35.31%和14.46%～24.64%，减小了实测值与估计值之间的偏差，特别是在作物生长的后期。原因可能是CH和CC对冠层结构比较敏感，冠层参数的加入弥补了植被覆盖度较高时，光谱容易光谱饱和的缺陷。因此结合光谱、热信息和冠层形态参数可以为RF模型估算玉米LAI提供更准确的估计。
![]()
图 5 基于不同数据融合的LAI的估计Figure 5. Estimation of LAI dynamics based on fusion of different data基于最佳参数和最优模型RF绘制了原位尺度LAI反演图（图6）。LAI估计值与LAI实测值在5个不同生长阶段的变化一致。玉米LAI估计值从拔节期到灌浆前期持续增加，到灌浆后期略微下降。同时，LAI在空间上显示出显著的空间变异性，这种差异表明了作物对不同水氮处理的响应。例如，N1处理下不同生长阶段LAI的范围分别为：0.36～0.83，1.47～2.24，3.27～5.01，4.22～5.54，3.81～4.97；N6处理下LAI的范围为：0.54～0.98，1.80～2.82，4.33～5.48，5.02～6.27，4.48～5.64。土壤水分也会影响LAI，W0处理下的LAI的范围为0.31～4.73，W3处理下的LAI范围为0.39～5.84。以上结果表明，融合无人机影像的植被指数、冠层温度和冠层形态参数可以准确估计多生长阶段的LAI，该方法在夏玉米水氮诊断中具有较大的应用潜力。
![]()
图 6 基于最佳估计模型RF的夏玉米LAI空间分布图Figure 6. Spatial distribution of summer maize LAI based on the best estimate model RF3. 讨 论
3.1 冠层光谱和热信息在LAI估计中的应用
冠层光谱信息对于估计作物的叶面积指数（LAI）具有重要价值，LAI在一定程度上决定了冠层对光合有效辐射的吸收，进而影响生物量积累和产量形成[14,32]。从多光谱影像中提取的光谱信息对LAI的响应存在差异。然而，在作物开花期，由于干扰信息较多，或在灌浆期由于植被覆盖率较高，植被指数（VIs）的敏感性降低（表3），导致LAI估计精度下降。
从热红外图像中提取的冠层热信息对叶片水分含量、叶片氮含量和和冠层特征等具有敏感性[29,35]。先前的研究已将冠层热信息作为监测作物生长状况和氮诊断的工具[28]。然而，研究发现，仅依靠热红外图像中的热信息进行LAl估计效果并不理想。通过融合多光谱和热红外的光谱和温度信息进行建模，所有模型的估计精度均有所提高。这表明光谱和温度信息具有独特性和互补性[27]。本研究中基于RF算法的估计模型表现最佳，R2在0.53～0.64之间，RMSE在0.09～0.52之间。未来的研究需要探索更多的冠层热信息指标，以进一步提升对作物生长状况的监测和管理。
3.2 光谱信息、热信息和冠层形态融合的LAI估计优势
基于无人机影像提取的冠层形态参数（CH，CC）、植被指数（VIs）和归一化相对温度（NRCT）均能有效表征玉米LAI的变化规律，但是它们各自具有不同的特征。冠层形态能够反应夏玉米外部结构规律的变化，不同形态参数在不同的生长阶段对LAI的敏感性不同。在开花期和灌浆期，基于CH、CH+CC的LAI估计精度相对较低。原因可能是大量的雄穗降低了CC提取的准确性，以及该阶段作物主要积累雌穗，形态基本不再发生变化。
VIs和NRCT不仅对作物内部营养信息敏感，而且还能有效反应冠层结构特征。先前的研究也发现VIs对关键生育时期的变化非常敏感[18,34]。本研究融合冠层形态、光谱和温度信息进一步估算了LAI的变化（图5）。发现与单独使用冠层形态参数相比，融合CH+CC、VIs和NRCT可以显著提高LAI估计的精度。特别是在开花期和灌浆后期，R2分别增加了45.59%和31.29%，RMSE分别下降了52.17%和9.43%。表明结合冠层形态参数可以更好地描述作物生长规律的变化。次外，多光谱和热红外影像包含了作物生理状态和结构特征的信息，它们对作物关键生长阶段的变化非常敏感，能够进一步补充冠层形态信息。
3.3 夏玉米LAI估计的局限性和展望
本研究比较了基于多光谱植被指数、热红外温度以及冠层形态参数构建的3种机器学习模型，发现仅基于植被指数和归一化相对温度构建的模型精度有限，R2均在0.67以下（表3和表4）。加入冠层形态参数后提高了模型的精度，R2分别在0.684～0.745以及0.723～0.827之间，特别是三种信息（光谱、热和形态信息）融合后，显著提高了LAI的估计精度，R2在0.814～0.867之间，对玉米生长后期LAI的低估情况也有改善。原因可能是本研究中设置了不同的水氮组合处理，作物的形态参数对水氮处理的响应较好，其次，光谱信息和热信息均属于二维影像数据，易饱和且受外界干扰较大，而冠层形态参数属于三维信息，获取的是作物的空间结构信息，这类信息相对稳定且与前两种信息互为补充。
然而，尽管本研究中加入了株高和植被覆盖度这两个冠层形态参数，能够在一定程度上反映三维植被信息，但这些参数的数量相对有限，无法充分描述更复杂的冠层结构。
此外，本研究仅采用了3种经典的机器学习方法（PLS、BP和RF）来构建LAI估计模型，而未引入物理模型（如辐射传输模型）和较为先进的学习模型（如迁移学习模型）进行比较和验证。这种方法虽然有效，但在一定程度上限制了模型的潜在性能和泛化能力。未来的研究中，我们将引入更多的冠层参数特征，以更全面、精细地从多维度反映玉米的水氮状况。同时，探索引入新的学习模型和物理模型，从根本上提升模型的估计准确性。通过多角度、多方法的结合，开发出更加精准、鲁棒性更强的估计模型，为玉米水氮状态的监测提供更有效的工具。
4. 结 论
利用无人机遥感监测不同阶段的作物生长参数对实现农业高效、精准管理至关重要。本研究中基于多光谱和热红外数据，比较了光谱信息、热信息以及冠层形态参数在叶面积指数（leaf area index, LAI）估计中的性能。结合最小二乘回归（partial least squares regression, PLS）、反向传播神经网络（backpropagation neural network, BP）和随机森林（random forest, RF）3种机器学习算法构建了LAI估计模型，并基于最优估计模型RF绘制了夏玉米多生育时期LAI空间分布图。主要结论如下：
1）基于无人机影像获取的光谱信息、热信息和冠层形态参数能够反映出夏玉米LAI的变化规律，适用于监测作物生长状况，然而，仅依靠单一参数监测多生长阶段LAI的效果并不理想。
2）光谱信息、热信息与冠层形态参数的结合进一步提高了LAI的估计准确性，对表征作物的生长规律具有较大潜力。
3）基于3种信息构建的RF模型估计精度最好，其R2 = 0.814～0.867，RMSE = 0.065～0.276，MAE = 0.048～0.207。利用RF模型在原位尺度绘制的LAI空间反演图与实测LAI在5个不同生长阶段的变化一致。
上述研究结果表明，基于无人机影像获取的冠层形态参数在夏玉米的水氮诊断中具有很大的应用潜力。这种多源数据融合方法为作物生长状况的监测和管理提供了新的思路和技术手段。未来的研究应继续探索更多参数和更精细的遥感技术，以进一步提升农业监测的精度和效率。
-
![]()
图 1 2022—2023年期间玉米水肥试验布置
Figure 1. Layout of maize water and fertiliser trials during 2022-2023
![]()
图 2 2022年和2023年玉米生长季节的每日最低、最高温度和降雨量
Figure 2. Daily minimum and maximum temperatures and precipitation of maize growing seasons during 2022-2023
![]()
图 3 田间测量和估计玉米高度的散点图，植被覆盖度，以及局部RGB图像
Figure 3. Scatterplots for field measurements and estimation of maize heights, canopy cover, and localised RGB images
![]()
图 4 2022—2023年不同肥处理、水处理以及水肥处理下LAI的变化
Figure 4. Changes in LAI under different fertilizer treatments, water treatments, and water-fertilizer treatments from 2022 to 2023
![]()
图 5 基于不同数据融合的LAI的估计
Figure 5. Estimation of LAI dynamics based on fusion of different data
![]()
图 6 基于最佳估计模型RF的夏玉米LAI空间分布图
Figure 6. Spatial distribution of summer maize LAI based on the best estimate model RF
表 1 多光谱植被指数
Table 1 Multispectral vegetation index
植被指数
Vegetation index公式
Formulation文献
References归一化植被指数
Normalized difference
vegetation indexNDVI=(NIR-R)/(NIR+R) [31] 归一化红边植被指数
Normalized difference red-edgeNDRE=(NIR−RE)/(NIR+RE) [32] 优化土壤调节指数
Optimized soil adjusted vegetation indexOSAVI=(NIR−R)/(NIR−R+L) (L=0.16) [33] 修正叶绿素吸收指数
Modified chlorophyll absorption
in reflectance indexMCARI=[(RE−R)−0.2(RE−G)]×(RE/R) [34] 转化叶绿素吸收指数
Transformed chlorophyll absorption
in reflectance indexTCARI=3[(RE−R)−0.2(RE−G)×(RE/R)] [33] 绿光归一化差值植被指数
Green normalized difference
vegetation indexGNDVI=(NIR-G)/(NIR+G) [35] 红绿蓝植被指数
Red green blue vegetation indexRGBVI=(G2-B×R)/(G2+B×R) [36] 绿叶植被指数
Green leaf indexGLI=(2G-R+B)/(2G+R+B) [37] 注：B、G、R、RE、NIR分别为多光谱相机475、560、668、717和840 nm波长处的光谱反射率，L表示冠层背景调整因子的标准值（0.16）。 Note: B, G, R, RE, NIR correspond to the spectral reflectance at 475, 560, 668, 717, and 840 nm wavelengths in multispectral camera, respectively, L represents the standard value of the canopy background adjustment factor (0.16). 
下载: 导出CSV
表 2 不同生长阶段玉米LAI与植被指数和冠层温度的相关性
Table 2 Correlation of maize LAI with vegetation index and canopy temperature at different growth stages
植被指数
Vegetation index
(VIs)拔节期
Jointing stage喇叭口期
Trumpet stage开花期
Tasseling stage灌浆前期
Initial filling灌浆后期
Late fillingNDVI 0.42** 0.64*** 0.45*** 0.45*** 0.29* NDRE 0.47*** 0.60*** 0.50*** 0.50*** 0.23 OSAVI 0.42** 0.63*** 0.43** 0.46*** 0.26 MCRAI 0.37** 0.59*** 0.27* 0.38** 0.24 TCARI 0.38** 0.53*** 0.12 0.39** 0.32* GNDVI 0.46*** 0.63*** 0.48*** 0.51*** 0.26 RGBVI 0.38** 0.64*** 0.39** 0.34* 0.24 GLI 0.30* 0.56*** 0.17 0.27* 0.18 归一化相对
冠层温度
Normalized relative
canopy temperature (NRCT)−0.43** −0.47*** −0.15 0.38** 0.35** 注：*表示 P< 0.05，显著；**表示 P < 0.01，非常显著；***表示 P < 0.001，极显著。 Note: * indicates P < 0.05, significant; ** indicates P< 0.01, highly significant; *** indicates P< 0.001, extremely significant.
下载: 导出CSV
表 3 基于多光谱和热红外数据的玉米LAI估计模型的评估
Table 3 Evaluation of maize LAI estimation models based on multispectral and thermal infrared data
生长阶段
Growth stage算法
Algorithms植被指数
VIs归一化相对温度
NRCT植被指数和归一化
相对温度
VIs+NRCTR2 RMSE R2 RMSE R2 RMSE 拔节期
Jointing stagePLS 0.49 0.10 0.37 0.12 0.56 0.10 BP 0.47 0.11 0.38 0.12 0.59 0.09 RF 0.61 0.09 0.45 0.11 0.64 0.09 喇叭口期
Trumpet stagePLS 0.44 0.23 0.33 0.26 0.54 0.22 BP 0.44 0.24 0.35 0.26 0.52 0.22 RF 0.56 0.22 0.46 0.24 0.59 0.22 开花期
Tasseling stagePLS 0.36 0.57 0.25 0.62 0.41 0.56 BP 0.38 0.57 0.25 0.62 0.45 0.53 RF 0.50 0.54 0.47 0.60 0.53 0.52 灌浆前期
Initial fillingPLS 0.52 0.42 0.31 0.48 0.58 0.36 BP 0.56 0.38 0.37 0.46 0.59 0.34 RF 0.61 0.34 0.48 0.46 0.64 0.33 灌浆后期
Late fillingPLS 0.39 0.45 0.32 0.48 0.49 0.42 BP 0.52 0.38 0.35 0.45 0.52 0.41 RF 0.57 0.39 0.41 0.48 0.59 0.35
下载: 导出CSV
表 4 基于农艺性状对不同生长阶段玉米LAI的估计
Table 4 Dynamic estimation of maize LAI at different growth stages based on agronomic traits
生长阶段
Growth stage株高Crop height (CH) 株高和覆盖度Crop height and canopy coverage (CC) PLS BP RF PLS BP RF R2 RMSE R2 RMSE R2 RMSE R2 RMSE R2 RMSE R2 RMSE 拔节期Jointing stage 0.41 0.12 0.53 0.12 0.46 0.06 0.53 0.10 0.61 0.10 0.63 0.08 喇叭口期Trumpet stage 0.45 0.24 0.44 0.22 0.58 0.11 0.58 0.23 0.64 0.21 0.66 0.19 开花期Tasseling stage 0.31 0.54 0.37 0.48 0.56 0.37 0.50 0.48 0.56 0.51 0.59 0.42 灌浆前期Initial filling 0.44 0.47 0.51 0.54 0.43 0.24 0.56 0.41 0.63 0.44 0.67 0.40 灌浆后期Late filling 0.34 0.35 0.46 0.41 0.53 0.29 0.53 0.35 0.58 0.33 0.62 0.29
下载: 导出CSV
-
[1] 刘涛,张寰,王志业,等. 利用无人机多光谱估算小麦叶面积指数和叶绿素含量[J]. 农业工程学报,2021,37(19):65-72. doi: 10.11975/j.issn.1002-6819.2021.19.008 LIU Tao, ZHANG Huan, WANG Zhiye, et al. Estimation of the leaf area index and chlorophyll content of wheat using UAV multi-spectrum images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(19): 65-72. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2021.19.008
[2] 金建新,丁一民,孙振源,等. 基于SWAP-IES的旱区春小麦长势和产量模拟[J]. 农业工程学报,2023,39(11):66-76. doi: 10.11975/j.issn.1002-6819.202210141 JIN Jianxin, DING Yimin, SUN Zhenyuan, et al. Numerical simulation of spring wheat growth and yield in arid areas based on SWAP-IES[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(11): 66-76. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.202210141
[3] VERGER A, VIGNEAU N, CHÉRON C, et al. Green area index from an unmanned aerial system over wheat and rapeseed crops[J]. Remote Sensing of Environment, 2014, 152: 654-664. doi: 10.1016/j.rse.2014.06.006
[4] YANG G, LIU J, ZHAO C, et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives[J]. Frontiers in plant science, 2017, 8: 1111-1111. doi: 10.3389/fpls.2017.01111
[5] DARVISHZADEH R, SKIDMORE A K, SCHLERF M, et al. , Inversion of a radiative transfer model for estimating vegetation LAI and chlorophyll in a heterogeneous grassland[J]. Remote Sensing of Environment, 2008, 112(5): 2592-2604. doi: 10.1016/j.rse.2007.12.003
[6] YANG K, GONG Y, FANG S H, et al. Combining spectral and texture features of UAV images for the remote estimation of rice LAI throughout the entire growing season[J]. Remote Sensing, 2021, 13(15): 3001. doi: 10.3390/rs13153001
[7] LAN Y, HUANG Z, DENG X, et al. Comparison of machine learning methods for citrus greening detection on UAV multispectral images[J]. Computers and Electronics in Agriculture, 2020, 171: 105234. doi: 10.1016/j.compag.2020.105234
[8] WU S, DENG L, GUO L, et al. Wheat leaf area index prediction using data fusion based on high-resolution unmanned aerial vehicle imagery[J]. Plant Methods, 2022, 18(1): 68-68. doi: 10.1186/s13007-022-00899-7
[9] 张东彦,韩宣宣,林芬芳,等. 基于多源无人机影像特征融合的冬小麦LAI估算[J]. 农业工程学报,2022,38(9):171-179. doi: 10.11975/j.issn.1002-6819.2022.09.018 ZHANG Dongyan, HAN Xuanxuan, LIN Fenfang, et al. Estimation of winter wheat leaf area index using multi-source UAV image feature fusion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(9): 171-179. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2022.09.018
[10] 张迎春,张富仓,范军亮,等. 滴灌技术参数对南疆棉花生长和土壤水盐的影响[J]. 农业工程学报,2020,36(24):107-117. doi: 10.11975/j.issn.1002-6819.2020.24.013 ZHANG Yingchun, ZHANG Fucang, FAN Junliang, et al. Effects of drip irrigation technical parameters on cotton growth, soil moisture and salinity in Southern Xinjiang[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(24): 107-117. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2020.24.013
[11] 王震,李映雪,吴芳,等. 冠层光谱红边参数结合随机森林机器学习估算冬小麦叶绿素含量[J]. 农业工程学报,2024,40(4):166-176. WANG Zhen, LI Yingxue, WU Fang, et al. Estimation of winter wheat chlorophyll content by combing canopy spectrum red edge parameters with random forest machine learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2024, 40(4): 166-176. (in Chinese with English abstract)
[12] LIU Y, LIU S, LI J, et al. Estimating biomass of winter oilseed rape using vegetation indices and texture metrics derived from UAV multispectral images[J]. Computers and Electronics in Agriculture, 2019, 166: 105026. doi: 10.1016/j.compag.2019.105026
[13] 黄佳鹏,李国元,刘诏. 星载激光雷达估测森林结构参数研究现状分析与展望[J]. 农业机械学报,2024,55(6):18-33. HUANG Jiapeng, LI Guoyuan, LIU Zhao. Current status and development trend in estimating forest structural parameters with spaceborne LiDAR[J]. Transactions of the Chinese Society for Agricultural Machinery, 2024, 55(6): 18-33. (in Chinese with English abstract)
[14] BORHAN M S, PANIGRAHI S, SATTER M A, et al. Evaluation of computer imaging technique for predicting the SPAD readings in potato leaves[J]. Information Processing in Agriculture, 2017, 4(4): 275-282. doi: 10.1016/j.inpa.2017.07.005
[15] JAY S, BARET F, DUTARTRE D, et al. Exploiting the centimeter resolution of UAV multispectral imagery to improve remote-sensing estimates of canopy structure and biochemistry in sugar beet crops[J]. Remote Sensing of Environment, 2019, 231: 110898. doi: 10.1016/j.rse.2018.09.011
[16] BLANCON J, DUTARTRE D, TIXIER M H, et al. A high-throughput model-assisted method for phenotyping maize green leaf area index dynamics using unmanned aerial vehicle imagery[J]. Frontiers in Plant Science, 2019, 10: 685. doi: 10.3389/fpls.2019.00685
[17] GITELSON A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation[J]. Journal of Plant Physiology, 2004, 161(2): 165-173. doi: 10.1078/0176-1617-01176
[18] 谢坪良,张智韬,巴亚岚,等. 基于无人机图像纹理和表型参数的夏玉米水分胁迫诊断[J]. 农业工程学报,2024,40(10):136-146. doi: 10.11975/j.issn.1002-6819.202311031 XIE Pingliang, ZHANG Zhitao, BA Yalan, et al. Diagnosis of summer maize water stress based on UAV image texture and phenotypic parameters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2024, 40(10): 136-146. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.202311031
[19] 万亮,杜晓月,陈硕博,等. 基于无人机多源图谱融合的水稻稻穗表型监测[J]. 农业工程学报,2022,38(9):162-170. doi: 10.11975/j.issn.1002-6819.2022.09.017 WAN Liang, DU Xiaoyue, CHEN Shuobo, et al. Rice panicle phenotyping using UAV-based multi-source spectral image data fusion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(9): 162-170. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2022.09.017
[20] LIU Y, FENG H, YUE J, et al. Estimation of potato above-ground biomass based on unmanned aerial vehicle red-green-blue images with different texture features and crop height[J]. Frontiers in Plant Science, 2022, 13: 938216.
[21] 杨琦,叶豪,黄凯,等. 利用无人机影像构建作物表面模型估测甘蔗LAI[J]. 农业工程学报,2017,33(8):104-111. doi: 10.11975/j.issn.1002-6819.2017.08.014 YANG Qi, YE Hao, HUANG Kai, et al. Estimation of leaf area index of sugarcane using crop surface model based on UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(8): 104-111. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2017.08.014
[22] LIU J, PATTEY E. Retrieval of leaf area index from top-of-canopy digital photography over agricultural crops[J]. Agricultural and Forest Meteorology, 2010, 150(11): 1485-1490. doi: 10.1016/j.agrformet.2010.08.002
[23] INDIRABAI I, NAIR M V H, NAIR J R, et al. Direct estimation of leaf area index of tropical forests using LiDAR point cloud[J]. Remote Sensing Applications: Society and Environment, 2020, 18: 100295. doi: 10.1016/j.rsase.2020.100295
[24] 王来刚,徐建华,贺佳,等. 基于无人机遥感的玉米叶面积指数与产量估算[J]. 玉米科学,2020,28(6):88-93. WANG Laigang, XU Jianhua, HE Jia, et al. Estimation of corn leaf area index and yield based on UAV remote sensing[J]. Maize Science, 2020, 28(6): 88-93. (in Chinese with English abstract)
[25] 赵润茂,范国帅,陈建能,等. 田间茶树冠层三维信息获取及其高度和轮廓表达方法[J]. 农业机械学报,2023,54(12):234-241,358. ZHAO Runmao, FAN Guoshuai, CHEN Jianneng, et al. Describing height and outline of 'tea canopy in natural field with 3D sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(12): 234-241, 358. (in Chinese with English abstract)
[26] 董佳臣,倪文俭,张志玉,等. ICESat-2植被冠层高度和地表高程数据产品用于森林高度提取的效果评价[J]. 遥感学报,2021,25(6):1294-1307. doi: 10.11834/jrs.20219449 DONG Jiachen, NI Wenjian, ZHANG Zhiyu, et al. Performance of ICESat-2 ATL08 product on the estimation of forest height by referencing to small footprint LiDAR data[J]. National Remote Sensing Bulletin, 2021, 25(6): 1294-1307. (in Chinese with English abstract) doi: 10.11834/jrs.20219449
[27] MAIMAITIJIANG M, SAGAN V, SIDIKE P, et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning[J]. Remote Sensing Environment, 2020, 237: 111599. doi: 10.1016/j.rse.2019.111599
[28] 张智韬,于广多,吴天奎,等. 基于无人机遥感影像的玉米冠层温度提取及作物水分胁迫监测[J]. 农业工程学报,2021,37(23):82-89. doi: 10.11975/j.issn.1002-6819.2021.23.010 ZHANG Zhitao, YU Guangduo, WU Tiankui, et al. Temperature extraction of maize canopy and crop water stress monitoring based on UAV remote sensing images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(23): 82-89. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.2021.23.010
[29] 王梦,周光远,高聚林,等. 玉米耐高密品种冠层光氮分布及匹配特征研究[J]. 作物学报,2022,48(12):3179-3191. WANG Meng, ZHOU Guangyuan, GAO Julin, et al. Distribution and matching characteristics of light and nitrogen in maize canopyof high-density tolerance varieties[J]. Acta Agronomica Sinica, 2022, 48(12): 3179-3191. (in Chinese with English abstract)
[30] SIBANDA M, MUTANGA O, ROUGET M, et al. Estimating biomass of native grass grown under complex management treatments using worldView-3 spectral derivatives[J]. Remote Sens (Basel), 2017, 9 (1): 55.
[31] ROUSE J W, HAAS R H, SCHELL, J A, et al. Monitoring vegetation systems in the great plains with ERTS[J]. Nasa Special Publication, 1973, 351: 309.
[32] GITELSON A A, GRITZ Y, MERZLYAK M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves[J]. Journal Plant Physiology, 2003, 160: 271-282. doi: 10.1078/0176-1617-00887
[33] HABOUDANE D, MILLER J R, TREMBLAY N, et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environmen, 2002, 81: 416-426. doi: 10.1016/S0034-4257(02)00018-4
[34] DAUGHTRY C S, WALTHALL C L, KIM M S, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environmen, 2000, 74: 229-239. doi: 10.1016/S0034-4257(00)00113-9
[35] GITELSON A A, KAUFMAN Y J, MERZLYAK M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environmen, 1996, 58: 289-298. doi: 10.1016/S0034-4257(96)00072-7
[36] CANDIAGO S, REMONDINO F, DE GIGLIO M, et al. Evaluating multispectral images and vegetation indices for precision farming applications from UAV images[J]. Remote Sensing, 2015, 7: 4026-4047. doi: 10.3390/rs70404026
[37] LOUHAICHI M, BORMAN M M, JOHNSON D E. Spatially located platform and aerial photography for documentation of grazing impacts on wheat[J]. Geocarto International, 2008, 16(1): 65-70.
[38] WOLD S, SJÖSTRÖM M, ERIKSSON, L. PLS-regression: A basic tool of chemometrics[J]. Chemometrics and Intelligent Laboratory Systems, 2001, 58(2), 109-130.
[39] 王帝,孙榕,苏勇,等. 基于无人机多光谱影像的水稻生物量估测[J]. 农业工程学报,2024,40(17):161-170. doi: 10.11975/j.issn.1002-6819.202401024 WANG Di, SUN Rong, SU Yong, et al. Rice biomass estimation based on multispectral imagery from unmanned aerial vehicles[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2024, 40(17): 161-170. (in Chinese with English abstract) doi: 10.11975/j.issn.1002-6819.202401024
-
期刊类型引用(5)
1. 刘祥，田敏，梁金艳. 基于RCH-UNet的新疆密植棉花图像快速分割及产量预测. 农业工程学报. 2024(07): 230-239 . 
本站查看
2. 赵玉，赵嘉滨，范雯婧，左强，吴训，盛建东，蒋平安，石建初. 基于作物水分亏缺指数和盐分淋洗系数的新疆棉田节水控盐优化方法. 农业工程学报. 2024(12): 96-108 . 本站查看
3. 张茜，徐强，刘洪光，龚萍，李鹏飞，夏汉基. 不同矿化度咸水滴灌对盐地碱蓬的生产性能与品质的影响. 草地学报. 2024(08): 2567-2574 . 百度学术
4. 郭典，李景彬，胡立庆，聂晶，杨朔，杨宏飞，张连生，周杰，冯玉刚. 基于轻量化YOLOv8的疵棉异性纤维检测算法研究. 石河子大学学报(自然科学版). 2024(06): 765-774 . 百度学术
5. 秦小婉，王振华，雷雨，张金珠，李文昊，马占利. 灌水量和矿化度对膜下滴灌棉花光合特性与产量的影响. 农业资源与环境学报. 2024(06): 1285-1294 . 百度学术
其他类型引用(6)
计量
- 文章访问数: 188
- HTML全文浏览量: 16
- PDF下载量: 75
- 被引次数: 11
