基于X20P无人机高光谱的玉米叶面积指数反演研究

叶面积指数(LAI)的准确估算对精准农业作物生长发育评价具有重要意义。虽然以往的研究已经证实了无人机遥感在LAI估算领域的巨大优势，但由于无人机遥感的模型限制以及光谱尺度和空间尺度的变化，在实际应用中准确、可靠、高效的LAI估算仍然面临挑战。本文分别利用无人机高光谱和多光谱数据构建了玉米LAI的混合反演模型(HIMs)。HIMs结合了辐射迁移模型和机器学习回归算法的优点，并采用主动学习算法进行优化。结果表明，在HIMs中加入人工智能可以有效地提高模型的精度。基于高斯过程回归的人工智能HIM (GPR-AL-HIM)对LAI的估计效果最好(R2 = 0.86, RMSE = 0.30, NRMSE = 10.16%)。同时，GPR-AL-HIM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。用另一个独立数据集对模型进行验证，也获得了较高的准确率(R2 = 0.84, RMSE = 0.23, 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，在利用GPR-AL-HIM反演LAI时，高光谱数据比多光谱数据具有优势。GPR-AL-HIM的精度随空间分辨率的增加而降低，但在一定的空间分辨率范围内(1.5 ~ 15 cm空间分辨率高光谱图像的R2为0.86 ~ 0.84,RMSE为0.30 ~ 0.33)，精度变化较小。利用GPR-AL-HIM与高光谱和多光谱影像对研究区LAI分布进行了精确映射，其中高光谱影像的不确定度较低。GPR-AL-HIM主要针对玉米，未来我们将探索该模型在其他作物中的适用性。该工作为基于无人机遥感的精准农业作物参数监测方案的设计提供了参考。

研究过程

图1 研究区域的位置和采样点的分布

表1 所有样品LAI和叶绿素的统计结果

图2 无人机设备和飞行活动。(a)和(b)分别为X20P无人机高光谱和P4多光谱系统，(c)为无人机飞行前白板校正准备，(d)为无人机飞行现场

表2 X20P无人机高光谱与P4多光谱参数

表3 模拟数据集生成的PROSPECT5和4SAIL参数在指定范围(min-max)内均匀分布随机生成值

表4 高光谱和多光谱植被指数的公式和波段。注:Rred为多光谱数据中红色波段的反射率，R802为高光谱数据中802 nm波长的反射率，其余依次类推

图3 利用人工智能对RFR-AL-、ANN-AL-和GPR-AL-HIM分别基于(a-c)多光谱数据和(d-f)高光谱数据验证数据的拟合优度结果(RMSE, R2)。注:x轴表示从AL中选取的样本数，为连续变量

图4 散点图显示地面测量的LAI与使用(a-c) RFR-、ANN-、GPR-HIM和(d-f) RFR-al-、ANN-al -、GPR-AL-HIM从多光谱数据中获得的估计值

图5 散点图显示地面测量的LAI与使用(a-c) RFR-、ANN-、GPR-HIM和(d-f) RFR-al-、ANN-al -、GPR-AL-HIM从高光谱数据中获得的估计值

图6 空间分辨率对无人机(a)高光谱和(b)多光谱图像GPR-AL-HIM精度的影响

图7 基于无人机(a-c)高光谱和(d-f)多光谱影像利用GPR-AL-HIM在海南乐东研究区生成的LAI图、基于标准差的绝对不确定性图和基于变异系数的相对不确定性图

图8 基于无人机(a-c)高光谱影像利用GPR-AL-HIM在北京通州研究区生成的LAI图、基于标准差的绝对不确定性图和基于变异系数的相对不确定性图