1 中国农业大学“智慧农业系统集成研究”教育部重点实验室, 北京 100083
2 中国农业大学“智慧农业系统集成研究”教育部重点实验室, 北京 100083中国农业大学农业农村部“农业信息获取技术”重点实验室, 北京 100083
叶面积指数（LAI）是评价作物长势的重要参数, 快速、 准确、 低成本地获取作物LAI对于指导作物田间管理有重要的意义。 为了低成本获取多种作物的LAI, 基于多源信息和深度学习构建了通用的LAI预测模型。 在大豆、 小麦、 花生、 玉米四种作物的六个生长时期进行了大田实验, 以获取用于建模的多源信息。 使用航拍无人机获取作物低空可见光图像、 红边图像和近红外图像等多光谱图像信息, 此外还采集相关的一维数据信息, 包括无人机飞行姿态、 拍摄高度、 作物生长状态和环境光照。 借助深度学习出色的图像和数据处理能力建立基于复杂输入信息的LAI预测模型, 考虑到一维数据也要参与模型的训练过程, 在设计模型时, 采用了组合型网络架构。 在卷积神经网络（CNN）算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测。 CNN模型部分使用了VGG19, ResNet50, Inception V3和DenseNet201四种常见的结构。 为了更好地说明CNN模型提取图像特征的能力, 分析了不同图像输入下四种模型的作物分类情况。 结果表明, 以可见光、 红边和近红外图像为输入时, 四种模型的分类准确度均相较于仅有可见光图像时有所提高, 尤其是基于Inception V3和DenseNet201的两种模型分类准确率均达到99%以上, 证明了CNN模型提取多光谱图像特征的有效性。 将图像特征作为LightGBM模型的输入信息预测LAI时, 实测值与预测值的R2最大为0.819 2, 而在输入中加入一维数据信息后, 模型的R2均可达到0.9以上, 说明多源信息输入对于提高LAI预测模型的准确度有重要作用。 该研究建立的模型可以针对不同的作物进行LAI的预测, 不需要对多光谱图像进行复杂的处理, 因此, 该研究可以实现LAI的低成本、 快速预测, 同时可以获得较高的预测准确度。
叶面积指数 多光谱图像 多源信息 组合型网络架构 预测模型 Leaf area index Multispectral image Multi-source information Combined network architecture Prediction models 光谱学与光谱分析
2023, 43(12): 3862
1 南昌大学空间科学与技术研究院，江西 南昌 330031
2 南昌大学信息工程学院，江西 南昌 330031
在大区域尺度实现快速、精确的作物产量估测对我国粮食安全、作物种植结构调整、进出口贸易等具有重要意义。遥感技术的发展为农业估产领域带来了新的技术和手段。以湖北省油菜为研究对象，针对如何利用有限的地面观测数据进行大区域范围油菜产量估测的问题，结合遥感数据和气象数据，通过WOFOST模型进行数据同化，模拟油菜生长过程中的叶面积指数（LAI）变化，提取油菜关键生长期的LAI，以弥补大区域尺度数据的不足。之后，利用LAI作为中间量构建基于GF-1 WFV数据的大区域尺度油菜估产算法。研究发现，油菜蕾苔期和花期的综合LAI能够实现提前、准确的油菜产量预估，在蕾苔期SR植被指数与LAI相关性最好，在花期则是可见光大气阻抗（VARIgreen）植被指数与LAI相关性最好。为了验证估产算法的有效性和鲁棒性，在阳新县进行了测试。结果表明，与统计年鉴的产量数据相比估产误差低于6%，说明所提算法在大区域尺度油菜估产领域具有很强的潜力。
遥感 WOFOST模型 油菜 高分一号卫星影像 叶面积指数 产量 激光与光电子学进展
2023, 60(10): 1028009
1 河南理工大学自然资源部矿山时空信息与生态修复重点实验室, 河南 焦作 454000
2 中国科学院空天信息创新研究院, 北京 100101
4 河南省遥感测绘院, 河南 郑州 450000
农业是国家经济发展的基础支柱, 同时也是社会发展的基础产业。 我国农业遥感技术的进步和发展, 大量遥感卫星发射升空, 如高分1号、 2号和6号等, 为我国农情监测、 作物长势、 农业产业结构调整提供了重要技术支撑。 农业遥感成为农业科技创新和精准农业的重要手段。 叶面积指数(LAI)是一种可用来衡量植被冠层生理与生化的关键指标, 不仅可以用来评估植被冠层表面的最初能量交换情况, 提供相应的结构定量数据, 还能反映植被冠层的光谱能量信息。 同时, 在陆地气候变化情况下, 叶面积指数是陆地生态系统和土地利用过程生产力模型的关键输入。 此外, 研究发现植被冠层受人为活动和气候变化的直接或间接影响时, 叶面积指数也是陆地生态系统应对气候变化十分重要的衡量标准。 因此, 针对GF-6 WFV遥感影像叶面积指数反演研究较少和传统光谱植被指数模型机理性、 稳定性较弱的问题。 基于GF-6 WFV遥感影像以栾城县为试验区, 通过光谱植被指数与实测叶面积指数构造5种传统光谱植被指数模型和15种红边参与的光谱植被指数模型反演乳熟期叶面积指数, 采用R2和RMSE进行模型评价, 同时利用未参与建模的实测叶面积指数和MODIS LAI产品验证模型。 实验结果表明: (1)由相关性分析可知, 整体上讲, 20种光谱植被指数与LAI具有显著相关性, 相关系数在0.4以上, 且红边参与构造的光谱指数相关性要高于无红边参与构造的光谱指数, 其中NDSI的相关性最优; (2)由拟合分析可知, 整体上讲, 20种光谱植被指数与LAI拟合效果较好, 其中NDS13的拟合精度是最高的, R2为0.803, RMSE为0.301 2。 (3)由反演的空间分布可知, 反演结果符合当地的实际情况。 (4)由实测叶面积指数验证模型可知, 实测叶面积指数与NDSI3模型反演的LAI整体拟合较好, R2为0.804, RMSE为0.312 5, 说明该模型能有效反演乳熟期玉米的生长状况。 (5)由MODIS LAI产品验证模型可知, LAIMODIS均值要高于LAIGF-6, 这与MODIS影像像元混合严重和空间分辨率低有关。 综上所述, GF-6WFV反演叶面积指数能力较强, 其影像中红边参与构造的光谱植被指数模型能有效反演乳熟期叶面积指数, 为玉米长势监测提供依据。
叶面积指数 光谱植被指数模型 GF-6 WFV Leaf area index Spectral vegetation index model NDSI3 GF-6 WFV NDSI3 光谱学与光谱分析
2022, 42(7): 2278
1 江苏师范大学地理测绘与城乡规划学院, 江苏 徐州 221116
2 农业部农业遥感机理与定量遥感重点实验室, 北京农林科学院信息技术研究中心, 北京 100097
叶面积指数(LAI)是评价作物长势和作物产量的重要参数。 为有效利用高光谱信息, 优选出最佳波段进而构建新型双波段指数来提高LAI估测精度, 以冬小麦为研究对象, 获取冬小麦孕穗期无人机高光谱数据和实测地面LAI数据, 开展冬小麦LAI反演研究。 首先采用连续投影算法(SPA)、 最佳指数法(OIF)以及逐波段组合法(E)分别进行无人机高光谱数据最佳波段筛选, 进而将所选最佳波段构建新型双波段指数(VI_OIF, VI_SPA, VI_E); 然后将构建的新型双波段指数和常规双波段指数(VI_F)与LAI进行相关性对比分析, 最后结合支持向量回归(SVR)、 偏最小二乘回归(PLSR)和随机森林回归模型(RFR)进行LAI估算, 并对比分析常规双波段指数的估算精度, 验证最佳波段选择方法构建新型双波段指数的最佳回归模型反演LAI的可行性。 结果表明: (1)新构建双波段指数VI_OIF, VI_SPA, VI_E和VI_F与冬小麦LAI的相关性均达到0.05的显著水平, 其中VI_SPA和VI_E与LAI的相关系数高于0.65, 且RSI_SPA和RSI_E与LAI的相关性较高(r>0.71); (2)对比分析VI_OIF、 VI_SPA、 VI_E和VI_F构建的SVR模型、 PLSR模型和RFR模型的冬小麦LAI估测精度, VI_SPA_PLSR模型估测精度最高, R2和RMSE分别为0.75和0.90。 该方法可为无人机高光谱数据波段选择以及冬小麦LAI反演提供技术支持和理论参考。
无人机 高光谱影像 波段选择 冬小麦 叶面积指数 Unmanned aerial vehicle (UAV) Hyperspectral image Band selection Winter wheat Leaf area index
东北农业大学电气与信息学院, 黑龙江 哈尔滨 150030
为了通过植被指数（VI）准确、 可靠的获取不同施肥梯度、 不同品种的水稻叶面积指数（LAI）, 提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演。 首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型, 再通过引入组合动态旋转角策略、 单点混沌交叉操作、 混沌变异操作、 确定性选择策略、 量子灾变操作对量子遗传算法（QGA）进行改进, 最后使用改进后的QGA算法优化ELM神经网络输入层到隐含层的连接权值和隐含层的阈值。 为了验证该模型普适性和有效性, 依次建立多元线性回归、 BP、 ELM、 QGA-ELM、 改进的QGA-ELM算法5种模型, 并在不同数据集上进行反演效果比较, 结果表明: （1）对比QGA-ELM算法和改进的QGA-ELM算法进化过程, 改进的算法能有效提升模型寻优能力, 避免算法早熟, 且能寻得更优结果。 （2）对比五种算法在不同数据集上的反演效果, 验证了NDVI, RVI与LAI之间主要为非线性关系, 且ELM神经网络模型反演效果要优于BP神经网络模型和多元线性回归模型。 （3）对比五种算法在不同数据集上的反演效果, 改进的QGA-ELM算法绝大部分情况下拥有最高的反演精度和最低的误差, 改进后的算法反演精度得到了明显提升, 泛化性能也得到了增强。 （4）改进的QGA-ELM算法在各种施肥梯度上均具有最高反演精度和最低误差, 且精度较高, 能为不同生长状况水稻LAI反演提供依据。 （5）五种模型对庆和香LAI反演精度均要高于龙稻18, 而改进的QGA-ELM算法在不同水稻品种上依然具有较高的反演精度, 且在不同水稻品种上反演精度相差极小, 远低于其他四种模型, 能很好适应不同水稻品种LAI反演要求, 极大提升模型的稳定性性, 为不同水稻品种反演提供参考意义。
改进的QGA-ELM算法 叶面积指数反演 施肥梯度 水稻品种 Improved QGA-ELM algorithm Leaf area index inversion Fertilizer gradient Rice varieties 光谱学与光谱分析
2021, 41(4): 1227
玉米是我国重要的粮食作物之一, 在我国种植规模最大、 发展最快。 玉米的长势会直接影响到其产量和品质, 因此通过对玉米的长势进行有效监测, 可以为田间管理、 早期产量估算提供宏观的参考信息, 为国家和相关部门决策提供重要的参考依据。 以无人机为遥感平台, 搭载影像传感器构建遥感系统, 获取玉米可见光谱遥感影像。 利用ENVI软件对获取的玉米冠层可见光谱彩色图像进行几何校正和辐射校正, 然后对图像进行彩色图像灰度化和增强处理。 利用对农田复杂背景适应能力较好以及具有较强光照适应性的AP-HI算法完成作物分割来提取玉米覆盖度信息。 在计算玉米覆盖度时, 首先利用AP-HI算法将图像进行分割, 并转换为二值图, 来去除图像中的土地、 水管、 道路、 作物残渣等背景, 以保留玉米的二值图像。 图像中的农田存在道路区域, 计算实际作物覆盖度时需将其排除。 道路区域出现在图像的四个边界以及相对正中的位置处, 对这些位置分别进行处理, 统计其中黑色像素点的个数, 根据像素点个数确定道路宽度, 并将道路部分从二值图中去除。 去除后的二值图中, 白色像素为无作物区域, 黑色像素为玉米种植区域, 统计黑色像素占总像素的比例, 以此确定作物的多少。 选取80×80像素值作为单位面积, 对处理图像进行分块标记, 得到区块数为720, 对单位面积的分块进行全区域扫描, 每当扫描到一个黑色像素值就将总的统计面积加1, 直至扫描到6 400个像素点, 计算其中含有的总的黑色像素值数目与6 400的比值, 直至将720个区块黑色像素点占总像素比例统计完全, 即可计算图像中黑色像素数与总像素数之比, 即为玉米覆盖度。 在此基础上, 根据实际情况计算玉米冠层孔隙率, 并建立覆盖度与叶面积指数模型, 完成玉米叶面积指数反演, 为玉米长势监测提供理论依据。
无人机 遥感 可见光谱 玉米 长势监测 叶面积指数 UAV Remote sensing Visible spectrum Maize Growth monitoring LAI
1 北京大学地球与空间科学学院遥感与地理信息系统研究所, 北京 100871
2 地理信息基础软件与应用工程技术研究中心, 北京 100871
3 空间信息集成与3S工程应用北京市重点实验室, 北京 100871
连续时序的叶面积指数（LAI）可反映冬小麦长势的变化情况, 预测冬小麦未来时段的LAI对指导田间管理决策具有重要作用。 以WOFOST（World Food Studies）为代表的作物生长模型可通过模拟冬小麦的生长发育过程对未来LAI曲线进行预测, 但其预测过程依赖于未来的气象数据等难以获取的输入参数。 由于冬小麦的LAI时序变化具有连续性和规律性的特点, 可通过深度学习方法仅以历史LAI为输入参数对未来LAI进行预测, 但深度学习方法需要大量样本参与训练, 训练样本的稀缺性限制了其在LAI预测方面的实际应用。 针对上述问题, 通过数据同化方法将遥感数据与WOFOST模型相结合, 采用SCE（Shuffled Complex Evolution）算法最小化校正后的MODIS LAI产品与模型模拟LAI之间差值来优化作物模型初始参数, 从而构建出京津冀地区15年的逐日冬小麦LAI数据集。 在该数据集基础上, 利用长短期记忆网络（LSTM）分别建立了不同输入历史LAI天数的多个冬小麦预测模型, 探究了不同预测模型表达冬小麦生育期中LAI变化规律的能力。 结果表明: 基于LSTM网络的预测模型都能较好进行冬小麦LAI未来曲线变化的预测, 其中当模型输入LAI长度为20时, 预测冬小麦从返青到成熟阶段的LAI精度最高, 其决定系数（R2）、 均方根误差（RMSE）值分别为0.986 5和0.183 6。 对于冬小麦生长各个阶段, 预测模型对于返青至开花期的预测精度高, 开花至成熟期的预测精度稍有降低。 总体而言, 构建训练数据集的方法对于深度学习方法在相似问题中的应用具有借鉴意义, 建立的预测模型验证了LSTM网络对于冬小麦时序LAI曲线具有较好的预测能力, 为预测作物未来时序LAI提供了一种有效的方法。
叶面积指数 长短期记忆网络 WOFOST模型 数据同化 MODIS LAI遥感影像 Leaf area index Long short-term memory World food studies Data assimilation MODIS LAI remote sensing image
1 School of Mathematical Sciences, Capital Normal University, Beijing00048, China
2 Key laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing100094, China
3 Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing100094, China
区域叶面积指数（Leaf Area Index, LAI）定量反演是开展大尺度农作物长势监测和产量估算的重要基础。针对当前区域LAI遥感定量反演存在的反演精度不理想和模型稳定性弱等问题，提出了一种基于少量训练样本进行LAI高精度反演的深度神经网络（Small Simple Learning LAI-Net, SSLLAI-Net）。该网络由2个卷积层、1个池化层和3个全连接层构成，将光谱反射率数据作为网络输入端、输出端得到LAI反演值，且该网络模型可支持小样本数据量的训练。以德国阿尔卑斯山麓高光谱遥感卫星影像Environmental Mapping and Analysis Program （EnMAP）为数据源，以该区域的谷物、玉米、油菜、其他作物为研究对象，数值实验结果表明当各作物类别的训练样本量均为50时，基于SSLLAI-Net的LAI反演精度分别为0.95、0.99、0.98、0.90；且在添加噪声的情况下，各作物类别的LAI反演精度分别为0.95、0.98、0.96、0.89。综上，提出的基于深度神经网络的区域LAI遥感定量反演方法SSLLAI-Net是鲁棒可靠的，且该模型能够支持稳定的小样本建模。
叶面积指数 高光谱遥感 深度神经网络 leaf area index （LAI） hyperspectral remote sensing EnMAP EnMAP deep neural network SSLLAI-Net SSLLAI-Net
1 中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083
2 中国科学院遥感与数字地球研究所, 数字地球重点实验室, 北京 100094
遥感是开展地面/近地面、 航空及航天层次无损伤探测植物叶绿素信息的主要手段。 目前多波段计算光谱指数方法已被广泛地应用于植被冠层叶绿素含量的经验/半经验反演及应用中。 考虑不同作物及同种作物不同品种间存在着一定的植被叶倾角分布(LAD)特征差异, 针对叶倾角分布对光谱指数反演冠层叶绿素含量(CCC)的影响进行分析, 并开展针对叶倾角分布变化不敏感的叶绿素相关光谱指数优选和冠层叶绿素反演建模研究。 基于PROSAIL辐射传输模型模拟了不同叶片叶绿素含量(LCC)、 叶面积指数(LAI)和LAD对应的冠层反射率数据。 模拟结果显示, 在相同LAI和LCC条件下, 不同LAD对应的冠层反射率有明显差异, 冠层反射率随着平均叶倾角的增加而降低。 通过计算12个常用的叶绿素相关光谱指数与CCC的相关性指标, 来评估光谱指数在不同LAD下反演叶绿素含量的敏感性差异, 并依次优选出MTCI, MNDVI8, MNDVI1和CIred-edge4个对LAD变化较不敏感的叶绿素相关光谱指数。 利用玉米实测数据对光谱指数进行冠层叶绿素估测的建模和模型检验, 模型的建立和验证结果显示, MNDVI8对LAD变化最不敏感, 反演模型的精度最高, 决定系数R2=0.70, 均方根误差RMSE=22.47 μg·cm-2。 CIred-edge(R2=0.63, RMSE=24.06 μg·cm-2), MNDVI(R2=0.66, RMSE=24.07 μg·cm-2)和MTCI(R2=0.65, RMSE=26.76 μg·cm-2)反演模型的精度较为接近并稍弱于MNDVI8。 通过对反演结果分析得出结论, 不同的光谱指数对LAD变化的敏感性不同, 优选的光谱指数普遍对叶绿素含量具有较好的相关性和敏感性, 其中MNDVI8受LAD影响最小, 能较高精度的反演LAD变化下的玉米冠层叶绿素含量。 优选的其他光谱指数MTCI, CIred-edge和MNDVI1反演能力虽然稍弱于MNDVI8, 但受LAD影响较小, 同样具有较好的反演能力。 该工作开展LAD对光谱指数叶绿素反演的敏感性分析和光谱指数优选研究, 其实测数据的检验结果和模拟数据的分析结果一致; 基于优选光谱指数的冠层叶绿素含量反演建模结果及精度分析结论, 对开展缺乏叶倾角分布差异先验知识下的大范围作物叶绿素含量遥感估测和应用具有借鉴意义。
叶绿素反演 光谱指数 叶倾角分布 叶面积指数 Retrieval of chlorophyll content Spectral indices Leaf inclination angle distribution Leaf area index 光谱学与光谱分析
2019, 39(7): 2257
长江大学农学院/主要粮食作物产业化湖北省协同创新中心, 湖北 荆州 434025
利用高光谱遥感技术, 分析晚播条件下小麦叶片与冠层模式光谱特征和叶面积指数（LAI）的变化规律, 建立了适用于晚播小麦的叶面积指数估算方法。 研究结果表明: （1）从红光和蓝紫光420～663 nm波段提取的叶绿素光谱反射率植被指数（CSRVI）与旗叶SPAD值做相关性分析, 结果表明正常播期和晚播处理在叶片模式的相关系数分别为0.963*和0.997**, 达显著和极显著水平。 （2）利用相关性分析, 得出两个播期处理的LAI与SPAD值相关系数分别是0.847*和0.813*, 均达到显著水平。 SPAD值与LAI及CSRVI指数均具有相关性, 可以用CSRVI指数建立LAI的估算模型。 （3）对叶片模式和冠层模式光谱曲线特征分析得出, 叶片模式中在680～780 nm处的反射率呈现陡升趋势, 在可见光波段的446和680 nm和近红外波段的1 440和1 925 nm处各有两个明显的吸收波谷, 在540～600, 1 660和2 210 nm波段处有两个明显的反射波峰; 三种冠层模式中60°模式下的光谱反射率整体表现为最高。 （4）将各波段反射率与叶面积指数做相关性分析得出在可见光波段范围内, 光谱反射率与LAI总体呈现负相关性, 500～600 nm处有一个波峰。 （5）将三种冠层模式下（仪器入射角度分别与地面呈30°, 60°和90°夹角）的等效植被指数与LAI做相关性分析得出: 60°冠层模式下八种植被指数与正常播期LAI的相关性均未达显著水平, 比值植被指数（RVI）、 归一化植被指数（NDVI）、 增强型植被指数（EVI）、 再次归一化植被指数（RDVI）、 土壤调整植被指数（SAVI）、 修改型土壤调整植被指数（MSAVI）的等六种植被指数与晚播条件下的LAI具有显著和极显著相关关系; 90°冠层模式下CSRVI指数与正常播期处理的LAI具有显著相关关系, NDVI指数与晚播处理的LAI具有显著相关关系; 30°冠层模式下的八种植被指数与两播期处理的LAI的相关性均未达显著水平。 综合分析CSRVI指数、 NDVI指数的相关性最高, 这两种指数最具有估算LAI的潜力。 （6）通过三种冠层模式所计算的植被指数估算LAI模型, 结果表明, 正常播期条件下, 其最佳估算模型是90°冠层模式CSRVI指数所建立的线性模型Y=-7.873 6+6.223 8X; 晚播条件下的最佳模型是60°冠层模式RDVI指数所建立的幂函数模型Y=30 221 333.33X17.679 1, 两个模型的决定系数R2分别为0.950*和0.974**。 研究表明试验中所提取的CSRVI指数能够反映旗叶叶绿素含量, 可以通过光谱仪器的叶片模式对小麦生育期内叶绿素含量进行监测; 通过冠层模式计算的CSRVI指数和RDVI指数所建立的LAI估算模型可以对小麦的LAI进行无损害观察。
高光谱 叶面积指数 植被指数 叶绿素 模型 Hyperspectral LAI Vegetation index Mhlorophyll Model 光谱学与光谱分析
2019, 39(4): 1199
