邵国敏1,王亚杰1,韩文霆1,2* (1. 西北农林科技大学 机械与电子工程学院,陕西杨凌712100;2. 西北农林科技大学 水土保持研究所,陕西杨凌712100) 摘 要:无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数 (LAI)。为研究水分胁迫条件下,利用无人机多光谱植被指数估算夏玉米LAI的可行性,本研究基于无人机多光谱遥感系统,结合同时期实地采集的夏玉米LAI,选择5种植被指数,包括归一化差值植被指数 (NDVI)、土壤调节植被指数 (SAVI)、增强型植被指数 (EVI)、绿度归一化植被指数 (GNDVI) 和抗大气指数 (VARI),作为模型输入参数,使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型,并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明,在充分灌溉条件下,植被指数的多元线性回归模型可以较好地估算LAI (R2= 0.83);在水分胁迫条件下,植被指数的随机森林回归模型可以较好地估算 LAI (R2 = 0.74~0.87),水分胁迫因素对该模型影响较小,且 NDVI和 VARI对估算 LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术,使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。 关键词:无人机;叶面积指数 (LAI);植被指数;多光谱遥感;水分胁迫;随机森林回归 引文格式 文章图片 注:TR1,TR2,TR3和TR4代表不同的水分处理 图1 试验地正射影像 Fig. 1 Orthoimage of experimental site 图2 无人机多光谱影像采集系统 Fig. 2 UAV multispectral image acquisition system 图3 无人机飞行路线 Fig. 3 Flight path of UAV (a) 2017年6月26日(拔节期) (b) 2017年7月19日(生长中期) (c) 2017年8月15日(生长中期) (d) 2017年8月28日(生长后期) 图4 实验区多光谱影像 Fig. 4 Multispectral images of experimental site (a) NDVI (b) SAVI (c) EVI (d) GNDVI (e) VARI 图5 玉米冠层无人机多光谱植被指数提取结果 Fig. 5 Maize canopy UAV multispectral vegetation indices 图6 整个生育期不同灌溉处理下的LAI结果 Fig. 6 LAI values under different irrigation treatmentsthroughout the growth stage (a) TR1处理 (b) TR2处理 (c) TR3处理 (d) TR4处理 图7 整个生育期不同灌溉水平下植被指数结果 Fig. 7 VIs values under different irrigation treatments throughout the growth stage 图8 全生育期所有样本玉米LAI与植被指数的随机森林回归模型 Fig. 8 Random forest regression model of LAI and vegetation index for all samples of maize in whole growth period (a) 样本1 (b) 样本2 (c) 样本3 (d) 样本4 (e) 所有样本 图9 不同灌溉条件下VI-LAI随机森林回归模型输入变量的相对重要度 Fig. 9 The relative importance of the input variables of the VI-LAI random forest regression model under different irrigation conditions 图10 玉米LAI空间分布图(DAP 53) Fig. 10 Spatial distribution map of maize LAI(DAP 53) 来源:《智慧农业(中英文)》2020年第3期 |
|