基于无人机高光谱和多光谱图像反演玉米叶面积指数
摘要
叶面积指数 (LAI) 的准确估算 对于精准农业中评估作物长势具有重要意义。尽管先前的研究已经证实了 无人机 (UAV) 遥感在田间 LAI 估算方面具有巨大优势，但由于模型限制以及无人机遥感的光谱和空间尺度变化，准确、可靠和高效的 LAI 估算在实际应用中仍然面临挑战。在本研究中，我们分别利用无人机高光谱和多光谱数据构建了用于估算玉米 LAI 的混合反演模型 (HIM)。HIM 结合了辐射传输模型和机器学习回归算法的优点，并通过主动学习 (AL) 算法进行优化。结果表明，在 HIM 中加入 AL 可以有效提高模型的准确性。基于高斯过程回归的带有 AL 的 HIM (GPR-AL-HIM) 在 LAI 估算中获得了最佳性能（R2 = 0.86、RMSE = 0.30 和 NRMSE = 10.16 %）。同时，GPR-AL-HIM 的表现也优于基于查找表 (LUT) 的物理模型和基于植被指数的经验统计模型。该模型通过另一个独立数据集进行验证，也获得了较高的精度（R2 = 0.84、RMSE = 0.23 和 NRMSE = 11.78%）。此外，我们还探讨了无人机光谱（多光谱和高光谱）和图像空间分辨率对 LAI 反演的影响。结果表明，使用 GPR-AL-HIM 进行 LAI 反演时，高光谱数据比多光谱数据更具优势。GPR-AL-HIM 的精度随空间分辨率的增加而降低，但在一定空间分辨率范围内精度变化较小（例如，对于空间分辨率为 1.5–15 cm 的高光谱图像，R2 为 0.86–0.84，RMSE 为 0.30–0.33）。此外，利用GPR-AL-HIM结合高光谱和多光谱图像可以精确地绘制出研究区域的LAI分布，其中多光谱的不确定性更低。GPR-AL-HIM主要针对玉米，未来将探索该模型在其他作物中的适用性。该研究为精准农业中基于无人机遥感的作物参数监测方案设计提供了参考。
研究数据
高光谱数据: 高光谱数据由Cubert X20P机载框幅式高光谱成像仪获取。该成像仪采用革命性的框幅式高光谱成像技术，具有20MP的超高清大面阵光谱探测器，可同步获取350~1000 nm范围内164个光谱通道高光谱图像，在1/1000秒内获得整个高光谱立方体数据，更适合高速移动式测量，数据真实可靠无伪影，影像具有厘米级地理坐标信息，配备一体式无刷云台，内置控制及固态存储，适合多旋翼或固定翼无人机搭载。
研究过程
图1 无人机高/多光谱系统
图2 海南乐东县LAI(a)、绝对不确定性(b)、相对不确定性(c)图
图3 北京通州区LAI(a)、绝对不确定性(b)、相对不确定性(c)图
研究结论
该研究分别基于无人机高光谱和多光谱数据，开发了结合RTM与MLRA的HIM，比较高光谱和多光谱数据在LAI反演中的性能，并评估影像空间分辨率对LAI反演模型精度的影响。在模型构建方面，通过耦合PROSAIL模型、GPR算法和AL技术，构建了高精度、可扩展的GPR-AL-HIM，并对模型进行了多方面验证，证实了融入AL技术的模型具有更高的精度和简洁性，优于传统LUT模型和VI模型，此外，将该模型用于另一研究区（通州研究区）数据时，同样获得了较高的精度。对比无人机多光谱与高光谱数据在LAI反演中的性能，发现结合GPR-AL-HIM的高光谱数据性能优于多光谱数据，而结合LUT模型性能较差。两类数据类型在不同的VI模型下表现不同。无人机影像空间分辨率的变化影响LAI反演精度，GPR-AL-HIM的精度随着空间分辨率的提高而降低，而在一定空间尺度内模型精度受空间分辨率的影响较小。利用GPR-AL-HIM成功绘制了研究区基于无人机影像的LAI空间分布及不确定性，基于多光谱和高光谱的LAI图均能有效反映研究区真实的LAI状况，但基于多光谱的LAI图的不确定性较低。本研究可为利用无人机遥感反演作物参数在模型构建、传感器和空间尺度的选择等方面提供指导。
