李長(zhǎng)春 牛慶林，2 楊貴軍 馮海寬 劉建剛 王艷杰，2

(1.河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院， 焦作 454000； 2.農(nóng)業(yè)部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室， 北京 100097；3.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心， 北京 100097)

基于無(wú)人機(jī)數(shù)碼影像的大豆育種材料葉面積指數(shù)估測(cè)

李長(zhǎng)春1牛慶林1，2楊貴軍2，3馮海寬2，3劉建剛2，3王艷杰1，2

(1.河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院， 焦作 454000； 2.農(nóng)業(yè)部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室， 北京 100097；3.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心， 北京 100097)

利用低成本的無(wú)人機(jī)(Unmanned aerial vehicle, UAV)高清數(shù)碼影像獲取系統(tǒng)，于2016年7—9月在山東省濟(jì)寧市嘉祥縣圣豐大豆育種基地，獲取大豆育種材料試驗(yàn)區(qū)的R1-R2、R3、R5-R6共3個(gè)關(guān)鍵生育期的高清數(shù)碼影像，首先利用高清數(shù)碼影像中的黑白定標(biāo)布，對(duì)數(shù)碼影像的DN(Digital number，DN)值進(jìn)行歸一化標(biāo)定，并構(gòu)建標(biāo)定的18個(gè)數(shù)碼影像變量，然后基于900個(gè)育種小區(qū)的葉面積指數(shù)實(shí)測(cè)數(shù)據(jù)構(gòu)建大豆育種材料葉面積指數(shù)的一元線性回歸、逐步回歸、全子集回歸、偏最小二乘回歸、支持向量機(jī)回歸和隨機(jī)森林回歸模型，最后基于模型建立和驗(yàn)證的決定系數(shù)(R2)、均方根誤差(RMSE)和歸一化的均方根誤差(nRMSE)3個(gè)指標(biāo)，篩選估測(cè)葉面積指數(shù)的最佳模型。研究表明，全子集回歸模型中采用4個(gè)數(shù)碼影像變量B、RGBVI、GLA和B/(R+G+B)的多元線性回歸模型對(duì)大豆育種材料葉面積指數(shù)的解析精度最優(yōu)，模型建立的R2、RMSE和nRMSE分別為0.69、0.99和17.90%，驗(yàn)證模型的R2、RMSE和nRMSE分別為0.68、1.00和18.10%。結(jié)果表明，以無(wú)人機(jī)為遙感平臺(tái)，搭載低成本的高清數(shù)碼相機(jī)，利用高清數(shù)碼影像進(jìn)行大豆育種材料LAI估測(cè)是可行的，可以快速、有效、無(wú)損地獲取大豆育種材料的長(zhǎng)勢(shì)信息，為篩選高產(chǎn)大豆品種提供一種低成本的可行方法。

大豆育種材料； 葉面積指數(shù)； 標(biāo)定； 無(wú)人機(jī)； 數(shù)碼影像； 全子集回歸

引言

葉面積指數(shù)(Leaf area index, LAI)指單位地表面積上單面綠葉面積的總和[1]，是重要的作物表型參數(shù)之一。LAI是反映作物群體冠層葉片空間分布的重要指標(biāo)，與作物冠層葉子對(duì)光線的攔截和光合作用密切相關(guān)，是評(píng)價(jià)作物長(zhǎng)勢(shì)和預(yù)測(cè)產(chǎn)量的重要依據(jù)[2]。因此，快速、低成本和無(wú)損地估測(cè)LAI對(duì)選育高產(chǎn)優(yōu)質(zhì)大豆品種具有重要意義。

作物L(fēng)AI測(cè)量方法可分為直接與間接兩大類(lèi)。直接測(cè)量法是進(jìn)行破壞性取樣，直接計(jì)算葉子的表面積，具有一定的主觀性，且費(fèi)時(shí)耗力，具有破壞性，只能進(jìn)行小范圍的測(cè)量。間接測(cè)量法又分為非成像法和成像法，非成像法得到的是不連續(xù)的點(diǎn)狀LAI分布情況[3]；成像法主要是基于遙感原理的LAI反演方法，是農(nóng)業(yè)定量遙感的重要組成部分[4]，得到的是連續(xù)的面狀LAI空間分布，更易于直觀地了解作物的空間長(zhǎng)勢(shì)情況。農(nóng)業(yè)是遙感技術(shù)應(yīng)用最重要和廣泛的領(lǐng)域之一，遙感技術(shù)具有快速、無(wú)損地獲取地物信息的特點(diǎn)，正向著定量化和精準(zhǔn)化的方向發(fā)展[5]。衛(wèi)星、航空和地面遙感由于自身的局限性等因素在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用受到限制[6-8]。無(wú)人機(jī)遙感平臺(tái)搭建容易、運(yùn)行和維護(hù)成本低、機(jī)動(dòng)靈活、飛行高度低、作業(yè)周期短，獲取的遙感數(shù)據(jù)空間和時(shí)間分辨率高，成為在精準(zhǔn)農(nóng)業(yè)中應(yīng)用的研究熱點(diǎn)[9-10]。

無(wú)人機(jī)多光譜、高光譜和LIDAR(Light detection and ranging, LIDAR)傳感器質(zhì)量相對(duì)較大，大大降低了無(wú)人機(jī)遙感平臺(tái)的續(xù)航能力，且其價(jià)格昂貴，對(duì)應(yīng)的后續(xù)數(shù)據(jù)處理過(guò)程復(fù)雜，嚴(yán)重阻礙了無(wú)人機(jī)遙感技術(shù)在精準(zhǔn)農(nóng)業(yè)中的廣泛應(yīng)用[11-19]。隨著無(wú)人機(jī)和傳感器技術(shù)的快速發(fā)展，無(wú)人機(jī)平臺(tái)和數(shù)碼相機(jī)均向著大眾消費(fèi)水平發(fā)展，具有價(jià)格低、微型化、質(zhì)量輕和智能化的特點(diǎn)，數(shù)碼相機(jī)的分辨率越來(lái)越高，這使得無(wú)人機(jī)搭載數(shù)碼相機(jī)作為一種低成本的遙感數(shù)據(jù)獲取平臺(tái)成為可能，成為在精準(zhǔn)農(nóng)業(yè)中實(shí)用化研究的熱點(diǎn)[19-23]。

目前，利用無(wú)人機(jī)遙感技術(shù)估測(cè)作物表型參數(shù)的研究主要集中在精準(zhǔn)農(nóng)業(yè)中的作物栽培管理方面，但應(yīng)用于作物育種表型參數(shù)的研究還很少。本文以900個(gè)大豆育種材料小區(qū)的無(wú)人機(jī)高清數(shù)碼影像和對(duì)應(yīng)的田間實(shí)測(cè)LAI數(shù)據(jù)為基礎(chǔ)，構(gòu)建一元線性回歸、逐步回歸、全子集回歸、偏最小二乘回歸、支持向量機(jī)回歸和隨機(jī)森林回歸模型估測(cè)LAI，并基于模型建立和驗(yàn)證的R2、RMSE和nRMSE 3個(gè)指標(biāo)，篩選估測(cè)LAI的最佳模型，期望將低成本的無(wú)人機(jī)遙感技術(shù)應(yīng)用于大豆育種，快速、無(wú)損和高通量地監(jiān)測(cè)、評(píng)價(jià)大豆育種材料的冠層長(zhǎng)勢(shì)和產(chǎn)量潛力，以期為規(guī)?；蠖褂N選育高產(chǎn)優(yōu)質(zhì)大豆品種提供快速、低成本、高效的技術(shù)手段。

1 材料與方法

1.1 試驗(yàn)材料與設(shè)計(jì)

于2016年7—9月在山東省濟(jì)寧市嘉祥縣瞳里鎮(zhèn)楊莊村的山東圣豐院士工作站大豆育種試驗(yàn)田進(jìn)行田間試驗(yàn)，該試驗(yàn)田位于山東省西南部，地處魯中南山地與黃淮海平原交接地帶，屬黃河沖擊平原，土壤類(lèi)型為黏壤土，具體位置為北緯35°29′44″～48″N、東經(jīng)116°23′12″～16″E。試驗(yàn)區(qū)海拔高度30 m，氣候類(lèi)型屬于暖溫帶季風(fēng)大陸性氣候，氣候溫和，四季分明，陽(yáng)光充沛，年平均氣溫13.3～14.1℃，降水量597～820 mm左右，平均無(wú)霜期199 d，農(nóng)作物以小麥、玉米和大豆為主。

研究區(qū)為大豆育種品系比較試驗(yàn)材料區(qū)(簡(jiǎn)稱(chēng)品比區(qū))，試驗(yàn)小區(qū)采用隨機(jī)區(qū)組設(shè)計(jì)，共300個(gè)大豆育種材料，每個(gè)育種材料設(shè)置3個(gè)重復(fù)，共900個(gè)育種材料，依據(jù)大豆育種材料生育特性，將育種材料分為早熟組、中熟組和晚熟組，所選育種材料具有較好的代表性。品比區(qū)育種材料小區(qū)行長(zhǎng)6 m，行寬40 cm，株距12.5 cm，每行52株，每個(gè)小區(qū)共有5行，種植密度為18～21萬(wàn)株/hm2，共18行，每行50個(gè)育種材料小區(qū)，總共900個(gè)育種材料小區(qū)(圖1)。試驗(yàn)區(qū)栽培管理措施與一般大田管理措施相同。選擇始花期-盛花期(R1-R2)、始莢期(R3)、始粒期-滿粒期(R5-R6)獲取大豆育種品系比較試驗(yàn)材料區(qū)域的無(wú)人機(jī)高清數(shù)碼影像和每個(gè)育種材料小區(qū)的LAI。

圖1 大豆育種材料試驗(yàn)小區(qū)Fig.1 Test plots of soybean breeding materials

1.2 大豆育種材料的LAI與無(wú)人機(jī)數(shù)碼影像的獲取及預(yù)處理

分別于R1-R2期(2016年7月27日)、R3期(2016年8月18日)和R5-R6期(2016年9月9日)3個(gè)生育期采集大豆育種材料品比區(qū)的無(wú)人機(jī)高清數(shù)碼影像和育種材料小區(qū)的LAI。利用LAI-2200C型植物冠層分析儀對(duì)900個(gè)大豆育種材料小區(qū)進(jìn)行LAI的測(cè)量。LAI-2200C型植物冠層分析儀利用“魚(yú)眼”光學(xué)傳感器(垂直視野范圍148°，水平視野范圍360°)測(cè)量作物冠層上、下5個(gè)角度的透射光線，利用植被冠層的輻射轉(zhuǎn)移模型計(jì)算LAI冠層結(jié)構(gòu)參數(shù)。LAI測(cè)量時(shí)，盡量避免太陽(yáng)光直射，在面對(duì)太陽(yáng)的方向上，旋轉(zhuǎn)180°，即在背向太陽(yáng)光一側(cè)，先測(cè)一個(gè)天空光，再依次放在靠近大豆育種材料根部位置測(cè)量4個(gè)目標(biāo)值，始終保持鏡頭水平，最后獲得大豆育種材料小區(qū)的平均LAI值。3個(gè)生育期共獲取2 695個(gè)大豆育種材料LAI樣本數(shù)據(jù)(LAI最大值9.61，LAI最小值0.68，LAI平均值5.53，LAI標(biāo)準(zhǔn)差1.77，LAI變異系數(shù)0.32)，其方差較大，大于一般的大田作物，主要是由大豆育種材料自身的特性所決定的。

利用八旋翼電動(dòng)無(wú)人機(jī)(單臂長(zhǎng)386 mm，機(jī)身凈質(zhì)量4.2 kg，載物質(zhì)量6 kg，續(xù)航時(shí)間15～20 min)搭載高清數(shù)碼相機(jī)為數(shù)據(jù)獲取平臺(tái)，配備位置與姿態(tài)系統(tǒng)(Position and orientation system, POS)實(shí)時(shí)獲取數(shù)據(jù)采集時(shí)刻傳感器位置、姿態(tài)信息。高清數(shù)碼相機(jī)型號(hào)為索尼Cyber-shot DSC-QX100，其主要參數(shù)為：質(zhì)量179 g，尺寸62.5 mm×62.5 mm×55.5 mm；2 090萬(wàn)像素CMOS傳感器；焦距10 mm(定焦拍攝)。在地面數(shù)據(jù)采集時(shí)(10:00—14:00)，同步獲取無(wú)人機(jī)高清數(shù)碼影像。影像獲取時(shí)，太陽(yáng)光輻射強(qiáng)度穩(wěn)定，天空晴朗無(wú)云，無(wú)人機(jī)飛行高度100 m，獲得的影像空間分辨率為0.023 m。在獲取無(wú)人機(jī)高清數(shù)碼影像前，在飛行區(qū)域內(nèi)布置地面黑白布，用于數(shù)碼影像DN值的標(biāo)定，降低相機(jī)的系統(tǒng)誤差。

借助Agisoft PhotoScan軟件進(jìn)行無(wú)人機(jī)高清數(shù)碼影像的拼接處理。將數(shù)碼影像與傳感器POS數(shù)據(jù)進(jìn)行匹配，利用POS數(shù)據(jù)與對(duì)應(yīng)的數(shù)碼影像，進(jìn)行大豆育種材料特征點(diǎn)的提取與匹配，得到優(yōu)化的相機(jī)位置參數(shù)并生成大豆育種材料稀疏點(diǎn)云；基于優(yōu)化的相機(jī)位置參數(shù)和影像本身進(jìn)行大豆育種材料密集點(diǎn)云的生成；基于生成的密集點(diǎn)云，重建大豆育種材料表面的3D多邊形網(wǎng)格，即大豆育種材料冠層表面幾何結(jié)構(gòu)的生成；最終生成大豆育種材料試驗(yàn)區(qū)的冠層正射影像。

1.3 數(shù)碼影像變量選取

3個(gè)生育期的大豆育種材料正射影像中黑白布的分布情況如圖2所示，統(tǒng)計(jì)其DN值。從不同生育期數(shù)碼正射影像中黑白布DN值的統(tǒng)計(jì)結(jié)果可以看出，不同生育期獲取數(shù)碼影像時(shí)的天空光條件是不一樣的。由于無(wú)人機(jī)數(shù)碼影像獲取的大豆育種材料冠層信息是冠層的真實(shí)信息和誤差信息的和，在進(jìn)行數(shù)據(jù)歸一化的過(guò)程中，含有作差的方式，能夠消除數(shù)據(jù)中的相同誤差，因此，為了減少天空光誤差和數(shù)碼相機(jī)系統(tǒng)誤差的影響，基于黑白布的DN值，對(duì)所獲取的大豆育種材料高清正射影像的DN值進(jìn)行歸一化處理，歸一化后的黑白布DN值如表1所示。從DN值歸一化的結(jié)果可以看出，歸一化后白布的DN值接近于1，而黑布的DN值接近于0，其中歸一化后白布的DN值偏離1的絕對(duì)值最大為0.998 19，歸一化后黑布的DN值偏離0的絕對(duì)值最大的是-0.008 66。

圖2 標(biāo)定數(shù)碼影像DN值的黑白布Fig.2 Black and white cloth of calibrating digital image DN values

從歸一化處理后的無(wú)人機(jī)高清數(shù)碼正射影像中，提取每個(gè)實(shí)測(cè)小區(qū)大豆育種材料冠層的紅、綠和藍(lán)通道的影像歸一化后的平均DN值，得到3類(lèi)特征參數(shù)：紅(R)、綠(G)和藍(lán)(B)單通道小區(qū)平均DN值；綠光與紅光比值(G/R)、綠光與藍(lán)光比值(G/B)和紅光與藍(lán)光比值(R/B)3個(gè)比值型色彩參數(shù)；紅光標(biāo)準(zhǔn)化值(R/(R+G+B))、綠光標(biāo)準(zhǔn)化值(G/(R+G+B))和藍(lán)光標(biāo)準(zhǔn)化值(B/(R+G+B))3個(gè)可見(jiàn)光標(biāo)準(zhǔn)化值。依據(jù)前人研究結(jié)果及LAI和植被指數(shù)之間的關(guān)系，選擇9個(gè)可見(jiàn)光植被指數(shù)，共18個(gè)數(shù)碼影像變量(表2)。

表1 不同生育期所獲取的黑白布DN值歸一化標(biāo)定 前后的結(jié)果Tab.1 Results obtained before and after normalization of black and white DN values in different growth stages

1.4 方法

首先利用選取的數(shù)碼影像變量與LAI進(jìn)行相關(guān)性分析，得到與LAI相關(guān)性較高的數(shù)碼影像變量；其次，基于一元線性回歸分析、逐步回歸分析、全子集回歸分析、偏最小二乘回歸分析、支持向量機(jī)回歸分析和隨機(jī)森林回歸分析方法，隨機(jī)選擇70%的樣本數(shù)據(jù)作為建模數(shù)據(jù)集，構(gòu)建LAI估測(cè)模型，利用未參與建模的30%樣本數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)集，進(jìn)行LAI估測(cè)模型預(yù)測(cè)能力的評(píng)價(jià)。

一元線性回歸分析是基于數(shù)碼影像變量與LAI的相關(guān)性分析結(jié)果，選擇相關(guān)性較高的影像變量進(jìn)行LAI估測(cè)模型的建立。逐步回歸分析在進(jìn)行估測(cè)模型的建立時(shí)，模型會(huì)一次添加或刪除一個(gè)變量，在每一步中，變量都會(huì)被重新評(píng)價(jià)，對(duì)模型沒(méi)有貢獻(xiàn)的變量將會(huì)被刪除，預(yù)測(cè)變量可能會(huì)被添加、刪除好幾次，直到得到最優(yōu)模型為止。全子集回歸分析是指篩選所有可能的變量組合，并進(jìn)行模型的建立，其中所用的評(píng)價(jià)指標(biāo)是調(diào)整R2，與R2(預(yù)測(cè)變量解釋響應(yīng)變量的程度)類(lèi)似，但其考慮了模型的變量數(shù)目，當(dāng)預(yù)測(cè)變量數(shù)目較多時(shí)，R2容易導(dǎo)致過(guò)擬合現(xiàn)象，很可能會(huì)丟失數(shù)據(jù)的偶然變異信息，而調(diào)整R2提供了更為真實(shí)的R2估計(jì)。赤池信息量準(zhǔn)則(Akaike information criterion, AIC)考慮了模型的統(tǒng)計(jì)擬合度以及用來(lái)擬合的變量數(shù)目，AIC值較小的模型需優(yōu)先選擇，它表明模型用較少的變量獲得了足夠的擬合度。利用AIC值、回歸系數(shù)的顯著性及R2、RMSE和nRMSE，進(jìn)行逐步回歸分析和全子集回歸分析模型變量的篩選。偏最小二乘回歸的基本原理是分別提取因變量和自變量的主成分信息，基于提取的主成分信息進(jìn)行其對(duì)自變量信息和因變量信息的最小二乘回歸分析，然后利用主成分變換，最終得到因變量與自變量的回歸方程，其中最佳主成分個(gè)數(shù)的確定是其分析中的難點(diǎn)，其優(yōu)點(diǎn)是自變量對(duì)因變量的回歸分析一般不會(huì)出現(xiàn)過(guò)擬合現(xiàn)象?；趲较蚧瘮?shù)(Radial basis function, RBF)的支持向量機(jī)模型進(jìn)行回歸建模時(shí)，Gamma和成本(Cost)2個(gè)參數(shù)對(duì)模型影響較大。Gamma是核函數(shù)的參數(shù)，控制分割超平面的形狀，Gamma越大，通常導(dǎo)致支持向量越多，意味著訓(xùn)練樣本到達(dá)范圍越廣，而越小則意味著到達(dá)范圍越窄，所以必須大于0；成本參數(shù)代表犯錯(cuò)的成本，越大的成本意味著模型對(duì)誤差的懲罰越大，將生成一個(gè)越復(fù)雜的模型，對(duì)應(yīng)的訓(xùn)練集中的誤差也會(huì)越小，但也意味著可能存在過(guò)擬合問(wèn)題，即對(duì)新樣本單元的預(yù)測(cè)誤差可能很大，相反，較小的成本意味著模型越簡(jiǎn)單，但可能會(huì)導(dǎo)致欠擬合，所以必須大于0。隨機(jī)森林涉及對(duì)樣本單元和變量進(jìn)行抽樣，從而生成大量的決策樹(shù)，所有決策樹(shù)預(yù)測(cè)的眾數(shù)即為隨機(jī)森林最后的預(yù)測(cè)結(jié)果，是較新的機(jī)器學(xué)習(xí)模型，同其他的回歸分析模型一樣，其優(yōu)點(diǎn)是不需要考慮變量之間的多重共線性問(wèn)題，不用進(jìn)行變量的選擇，并且它對(duì)離群值不敏感，能夠進(jìn)行變量的預(yù)測(cè)，但其缺點(diǎn)是不能得到詳細(xì)的模型估測(cè)方程。

表2 與LAI相關(guān)的數(shù)碼影像變量Tab.2 Digital image variables related to LAI

注：“√”表示數(shù)字圖像特征參數(shù)。

1.5 統(tǒng)計(jì)分析

選取決定系數(shù)(R2)、均方根誤差(RMSE)和歸一化的均方根誤差(nRMSE)作為評(píng)價(jià)估測(cè)模型與驗(yàn)證模型精度的指標(biāo)。估測(cè)模型與驗(yàn)證模型的R2越大，相對(duì)應(yīng)的RMSE和nRMSE越小，則模型估算能力越好。其計(jì)算公式分別為

(1)

(2)

(3)

2 結(jié)果與分析

2.1 對(duì)高清數(shù)碼正射影像進(jìn)行定性分析

從獲取的高清數(shù)碼正射影像中，可以對(duì)大豆育種材料的整體生長(zhǎng)態(tài)勢(shì)進(jìn)行定性的分析。在7月27日獲取的數(shù)碼影像中可以快速地評(píng)價(jià)大豆育種材料的種植密度情況以及是否存在缺苗的情況，并且從整體上可以明顯地分辨出整個(gè)研究區(qū)內(nèi)大豆育種材料的葉子顏色分為淺綠和深綠兩種顏色，這可能是由于育種材料本身的特性所決定的。在8月18日獲取的數(shù)碼影像中，很容易地發(fā)現(xiàn)研究區(qū)中有2個(gè)育種小區(qū)的大豆材料長(zhǎng)勢(shì)較差，可為快速采取相應(yīng)的處理措施提供指導(dǎo)。在9月9日獲取的數(shù)碼影像中，可以發(fā)現(xiàn)研究區(qū)中存在一個(gè)異常小區(qū)，全是裸土。通過(guò)多生育期大豆育種材料的生長(zhǎng)態(tài)勢(shì)監(jiān)測(cè)葉子的顏色，可對(duì)研究區(qū)內(nèi)大豆育種材料的生長(zhǎng)情況進(jìn)行快速的監(jiān)測(cè)。圖3為獲取的大豆育種材料正射影像中局部大豆長(zhǎng)勢(shì)情況及葉子的顏色差別。

圖3 局部大豆育種材料的高清數(shù)碼正射影像Fig.3 Local high spatial resolution digital orthophoto maps of soybean breeding materials

圖4 數(shù)碼影像變量與LAI的Pearson相關(guān)系數(shù)分析結(jié)果Fig.4 Results of Pearson correlation coefficient analysis between digital image variables and LAI

2.2 數(shù)碼影像變量與LAI相關(guān)性分析

隨機(jī)選擇70%，共1 887個(gè)樣本數(shù)據(jù)組成建模數(shù)據(jù)集，并構(gòu)建數(shù)碼影像變量，與LAI進(jìn)行相關(guān)性分析，其結(jié)果如圖4所示。參考相關(guān)系數(shù)檢驗(yàn)臨界值表進(jìn)行變量的顯著性檢驗(yàn)，當(dāng)自由度為1 000、相關(guān)系數(shù)的絕對(duì)值大于0.081時(shí)，達(dá)到0.01顯著水平，而本文相關(guān)性分析的自由度為1 885，當(dāng)相關(guān)系數(shù)的絕對(duì)值大于0.081時(shí)，能保證達(dá)到0.01顯著水平。從圖4中可以得知，數(shù)碼影像變量B、RGBVI、GLA、WI、G/(R+G+B)和B/(R+G+B)與LAI之間的相關(guān)系數(shù)的絕對(duì)值均大于0.7，遠(yuǎn)大于0.081，達(dá)到0.01顯著水平。同時(shí)，數(shù)碼影像變量B與RGBVI、GLA、WI、G/(R+G+B)和B/(R+G+B)之間的相關(guān)系數(shù)、RGBVI與GLA、WI、G/(R+G+B)和B/(R+G+B)之間的相關(guān)系數(shù)、GLA與WI、G/(R+G+B)和B/(R+G+B)之間的相關(guān)系數(shù)、WI與G/(R+G+B)和B/(R+G+B)之間的相關(guān)系數(shù)、G/(R+G+B)與B/(R+G+B)之間的相關(guān)系數(shù)的絕對(duì)值均大于0.8，遠(yuǎn)大于0.081，表明這些數(shù)碼影像變量之間的相關(guān)性達(dá)到0.01顯著水平。

2.3 大豆育種材料LAI估測(cè)模型構(gòu)建

基于數(shù)碼影像變量與LAI的相關(guān)性分析結(jié)果，選出相關(guān)系數(shù)絕對(duì)值大于0.7的數(shù)碼影像變量進(jìn)行大豆育種材料LAI的一元線性回歸模型構(gòu)建，其結(jié)果如表3所示。綜合考慮一元線性回歸模型的AIC值、R2、RMSE和nRMSE，選擇最優(yōu)的一元線性估測(cè)模型變量是RGBVI，模型R2、RMSE和nRMSE分別為0.64、1.07和19.30%。

表3 數(shù)碼影像變量與LAI的一元線性回歸分析結(jié)果Tab.3 Results of unary linear regression analysis between digital variables and LAI

將選取的18個(gè)數(shù)碼影像變量進(jìn)行逐步回歸分析，構(gòu)建大豆育種材料LAI估測(cè)模型，并計(jì)算模型的AIC值、R2、RMSE和nRMSE，結(jié)果如表4所示。綜合考慮逐步回歸分析模型的評(píng)價(jià)指標(biāo)，選擇了G、MGRVI和RGBVI 3個(gè)變量進(jìn)行多元線性回歸分析，構(gòu)建LAI估測(cè)模型，模型R2、RMSE和nRMSE分別為0.67、1.01和18.26%。

將18個(gè)數(shù)碼影像變量與對(duì)應(yīng)的LAI數(shù)據(jù)進(jìn)行全子集回歸分析，分析結(jié)果如圖5所示，其中橫坐標(biāo)表示數(shù)碼影像變量，縱坐標(biāo)表示模型所對(duì)應(yīng)的調(diào)整R2?；谌蛹貧w分析結(jié)果，計(jì)算模型的AIC值、R2、RMSE和nRMSE，結(jié)果如表5所示。綜合分析全子集回歸分析模型的評(píng)價(jià)指標(biāo)，選擇B、RGBVI、GLA和B/(R+G+B) 4個(gè)變量的多元線性回歸分析估測(cè)模型，模型的R2、RMSE和nRMSE分別為0.69、0.99和17.90%。

表4 數(shù)碼影像變量與LAI的逐步回歸分析結(jié)果Tab.4 Results of stepwise regression analysis between digital image variables and LAI

圖5 全子集回歸分析結(jié)果Fig.5 Results of total subsets regression analysis

利用18個(gè)數(shù)碼影像變量，基于1 887個(gè)建模樣本數(shù)據(jù)和808個(gè)模型驗(yàn)證樣本，進(jìn)行偏最小二乘回歸分析，結(jié)果如圖6所示。綜合分析建立模型的R2和RMSE以及驗(yàn)證模型的R2和RMSE，進(jìn)行估測(cè)模型預(yù)測(cè)能力的綜合評(píng)價(jià)。選取偏最小二乘回歸分析的5個(gè)主成分時(shí)，雖然主成分的個(gè)數(shù)較少，但估測(cè)LAI模型和驗(yàn)證LAI模型的R2與10個(gè)主成分相比，降低的較少，RMSE增大的也較少，因此，選取5個(gè)主成分的偏最小二乘回歸進(jìn)行大豆育種材料LAI的估測(cè)。

利用18個(gè)數(shù)碼影像變量與相對(duì)應(yīng)的LAI進(jìn)行支持向量機(jī)模型的回歸分析，其中建模數(shù)據(jù)集的樣本數(shù)為1 887個(gè)，驗(yàn)證模型的樣本數(shù)為808個(gè)，共利用7個(gè)不同的Gamma參數(shù)(從0.000 01到10)以及7個(gè)成本參數(shù)(從0.001到1 000)，共擬合49個(gè)模型，并比較了其結(jié)果，選擇訓(xùn)練集中10折交叉驗(yàn)證誤差最小的模型，其模型最優(yōu)參數(shù)Gamma為0.01，成本參數(shù)Cost為10。利用所篩選的最優(yōu)參數(shù)進(jìn)行支持向量機(jī)模型建立，并利用未參與建模的樣本進(jìn)行模型預(yù)測(cè)能力評(píng)價(jià)，其結(jié)果如表6所示。

表5 全子集回歸模型的評(píng)價(jià)指標(biāo)計(jì)算結(jié)果Tab.5 Evaluation index results of total subsets regression model

表6 支持向量機(jī)的回歸分析結(jié)果Tab.6 Analysis results of support vector machine regression

圖6 偏最小二乘回歸建模結(jié)果Fig.6 Results of partial least squares regression model

利用18個(gè)數(shù)碼影像變量與相對(duì)應(yīng)的LAI進(jìn)行隨機(jī)森林模型回歸分析，其中建模數(shù)據(jù)集的樣本個(gè)數(shù)為1 887個(gè)，驗(yàn)證模型的樣本個(gè)數(shù)為808個(gè)，隨機(jī)森林分類(lèi)樹(shù)每個(gè)節(jié)點(diǎn)用來(lái)二分?jǐn)?shù)據(jù)的自變量個(gè)數(shù)為3，建模和模型驗(yàn)證的結(jié)果如圖7所示。與偏最小二乘回歸模型選擇最優(yōu)模型的評(píng)價(jià)指標(biāo)一樣，由于隨機(jī)森林回歸模型的建立和模型驗(yàn)證的精度較高，且模型較為穩(wěn)定，只有很小的波動(dòng)性，因此，選擇900個(gè)樹(shù)時(shí)的隨機(jī)森林回歸模型進(jìn)行大豆育種材料LAI的估測(cè)。

2.4 最優(yōu)LAI估測(cè)模型選擇

以R2、RMSE和nRMSE為指標(biāo)，利用參與建模的1 887個(gè)樣本數(shù)據(jù)和未參與建模的808個(gè)樣本數(shù)據(jù)，評(píng)價(jià)一元線性回歸分析、逐步回歸分析、全子集回歸分析、偏最小二乘回歸分析、支持向量機(jī)回歸分析和隨機(jī)森林回歸分析模型的預(yù)測(cè)能力，篩選最優(yōu)估測(cè)模型，結(jié)果如表7和圖8所示。

圖7 隨機(jī)森林回歸建模的結(jié)果Fig.7 Results of random forest regression model

表7的結(jié)果表明，利用回歸分析方法建立的大豆育種材料LAI估測(cè)模型，LAI預(yù)測(cè)值與實(shí)測(cè)值之間呈極顯著相關(guān)，模型建立和模型驗(yàn)證的R2、RMSE和nRMSE都較為理想，表明利用該方法建立模型進(jìn)行大豆育種材料LAI估測(cè)是可行的。綜合考慮模型建立和模型驗(yàn)證的R2、RMSE和nRMSE，全子集回歸模型、支持向量機(jī)回歸模型和隨機(jī)森林回歸模型的LAI估測(cè)精度較高。其中，隨機(jī)森林回歸分析方法所建立的估測(cè)模型R2較高，RMSE和nRMSE較低，但模型驗(yàn)證的R2為0.69，相對(duì)較低，與全子集回歸模型和支持向量回歸模型的R2較為接近，RMSE和nRMSE也較為接近，表明隨機(jī)森林回歸分析方法，雖然有很強(qiáng)的建模能力，可能由于模型建立的實(shí)測(cè)數(shù)據(jù)的限制，卻沒(méi)有得到很好的估測(cè)結(jié)果。在保證模型估測(cè)精度的前提下，估測(cè)模型的方法越簡(jiǎn)單越好，進(jìn)行數(shù)據(jù)分析時(shí)，耗時(shí)越少越好，通過(guò)表中建模指標(biāo)和驗(yàn)證指標(biāo)的綜合分析，全子集回歸模型建模R2比支持向量機(jī)回歸模型小0.02，比隨機(jī)森林回歸模型小0.25，相應(yīng)的RMSE和nRMSE分別大0.05、0.55和0.61%、9.88%，相應(yīng)模型驗(yàn)證R2比支持向量機(jī)回歸模型小0.02，比隨機(jī)森林回歸模型小0.01，比支持向量機(jī)回歸模型的RMSE大0.01，與隨機(jī)森林回歸模型大小相等，比支持向量機(jī)回歸模型的nRMSE大0.34%，比隨機(jī)森林模型的大0.13%。因此，本文選擇全子集回歸分析為最優(yōu)估測(cè)模型。

表7 大豆育種材料LAI估測(cè)模型的比較Tab.7 Comparison of LAI estimation models for soybean breeding materials

圖8 大豆育種材料整個(gè)生育期的LAI實(shí)測(cè)值與模型估測(cè)值的關(guān)系Fig.8 Relationship between measured and model estimated values of LAI of soybean breeding materials during whole growth period

基于全子集回歸分析方法建立模型，進(jìn)行研究區(qū)大豆育種材料LAI估測(cè)，結(jié)果如圖9所示。其中始花期-盛花期(R1-R2)，大豆育種材料還處于生長(zhǎng)期，不同育種材料之間的品種特性差異還沒(méi)有表現(xiàn)出來(lái)，LAI的空間分布圖上差異較小，但可以了解其長(zhǎng)勢(shì)情況；始莢期(R3)，大豆育種材料達(dá)到生長(zhǎng)旺盛的時(shí)期，不同育種材料之間的品種特性在LAI空間分布圖上得到呈現(xiàn)，有些育種材料的LAI較大，大于7.5，有些在6.5～7.5之間，較少部分在6.5以下；始粒期-滿粒期(R5-R6),大豆育種材料的整體LAI低于始莢期，不同的育種材料之間差異明顯，有一少部分育種材料的LAI在7.5左右，有很大一部分在6.5左右，一部分LAI小于5.0，能夠?qū)AI的空間分布有較好的區(qū)分。

圖9 大豆育種材料LAI估測(cè)的空間分布圖Fig.9 Spatial distribution maps of estimated LAI of soybean breeding materials

3 討論

目前，基于低成本的無(wú)人機(jī)平臺(tái)搭載高清數(shù)碼相機(jī)進(jìn)行作物參數(shù)的估測(cè)研究，主要采用經(jīng)驗(yàn)?zāi)Ｐ?，即基于可?jiàn)光植被指數(shù)進(jìn)行作物參數(shù)的統(tǒng)計(jì)學(xué)估測(cè)，不同的地區(qū)，不同的作物類(lèi)型，不同的估算方法，得到的研究結(jié)果基本一致[26-29]，模型精度略有差異，這可能是由于作物長(zhǎng)勢(shì)不一致的原因造成，與作物的品種和生育期也有一定的關(guān)系。本文利用R1-R2期、R3期和R5-R6期大豆育種材料的無(wú)人機(jī)高清數(shù)碼影像和地面實(shí)測(cè)的2 695個(gè)育種小區(qū)LAI值，基于選取的1 887個(gè)樣本數(shù)據(jù)，選擇B、RGBVI、GLA和B/(R+G+B)，進(jìn)行LAI估測(cè)模型建立，利用剩余808個(gè)樣本數(shù)據(jù)進(jìn)行估測(cè)模型的驗(yàn)證，結(jié)果顯示B、RGBVI、GLA和B/(R+G+B)的四元線性全子集回歸模型,解析LAI估測(cè)模型精度最優(yōu)，且模型的穩(wěn)定性較好。這與文獻(xiàn)[19，26-27]利用無(wú)人機(jī)RGB數(shù)碼影像進(jìn)行玉米產(chǎn)量、葉子氮含量、生物量或大麥的生物量的研究結(jié)果基本一致。特別是在作物L(fēng)AI的估測(cè)研究方面，與文獻(xiàn)[28-29]基于無(wú)人機(jī)RGB數(shù)碼影像構(gòu)建可見(jiàn)光植被指數(shù)，進(jìn)行冬小麥LAI的估測(cè)，具有一致的結(jié)論。

從模型估測(cè)的LAI與實(shí)測(cè)LAI的散點(diǎn)圖可以看出，模型估算偏小。其原因主要是LAI-2200C型植物冠層分析儀根據(jù)鏡頭5個(gè)角度的觀測(cè)環(huán)(0°～75°)綜合觀測(cè)冠層的空隙率而得到LAI，而數(shù)碼影像僅能獲取冠層垂直方向的冠層信息而估測(cè)LAI，對(duì)比2種觀測(cè)的方式和獲取冠層的信息量，則數(shù)碼影像估測(cè)的LAI比LAI-2200C型分析儀觀測(cè)的LAI偏小；此外，LAI-2200C型分析儀觀測(cè)方向?yàn)樽缘紫蛏?，大豆育種材料根部附近的雜草葉片也會(huì)提高LAI觀測(cè)值，而獲取數(shù)據(jù)時(shí)，大豆育種材料長(zhǎng)勢(shì)茂盛，從冠層上方觀測(cè)不到冠層下部雜草的信息，這也將導(dǎo)致數(shù)碼影像的估算值偏小。

本研究利用黑白定標(biāo)布對(duì)得到的研究區(qū)高清數(shù)碼影像DN值進(jìn)行歸一化標(biāo)定，進(jìn)行大豆育種材料LAI的估測(cè)，也具有一定的不足之處。本研究?jī)H限于山東省濟(jì)寧市嘉祥縣2016年圣豐大豆育種基地育種材料的無(wú)人機(jī)高清數(shù)碼影像進(jìn)行測(cè)試，還需要針對(duì)不同地區(qū)，更多的大豆育種材料進(jìn)行驗(yàn)證。

4 結(jié)論

(1)利用低成本的無(wú)人機(jī)遙感平臺(tái)搭載高清數(shù)碼相機(jī)，獲取了研究區(qū)R1-R2、R3和R5-R6生育時(shí)期大豆育種材料的高清數(shù)碼影像，同時(shí)在研究區(qū)內(nèi)布置黑白定標(biāo)布，用于數(shù)碼影像DN值的標(biāo)定，基于標(biāo)定的數(shù)碼影像提取了數(shù)碼影像變量，進(jìn)行了數(shù)碼影像變量與大豆育種材料LAI的相關(guān)性分析，并構(gòu)建了LAI的一元線性回歸、逐步回歸、全子集回歸、偏最小二乘回歸、支持向量機(jī)回歸和隨機(jī)森林回歸估測(cè)模型，綜合評(píng)價(jià)模型建立和模型驗(yàn)證的R2、RMSE和nRMSE，最終選擇了B、RGBVI、GLA和B/(R+G+B)四元線性回歸的全子集模型，進(jìn)行大豆育種材料LAI的估測(cè)。

(2)基于獲取的不同生育期大豆育種材料冠層高清數(shù)碼正射影像，無(wú)人機(jī)飛行高度100 m，空間分辨率0.023 m，能夠快速、清晰地對(duì)整個(gè)研究區(qū)域內(nèi)大豆育種材料的葉子顏色、群體長(zhǎng)勢(shì)和品種間的差異等長(zhǎng)勢(shì)信息進(jìn)行定性監(jiān)測(cè)，為田間管理提供決策信息。

(3)利用黑白定標(biāo)布，進(jìn)行數(shù)碼影像DN值的標(biāo)定，選取1887個(gè)樣本數(shù)據(jù)進(jìn)行數(shù)碼影像變量與LAI的相關(guān)性分析，結(jié)果顯示數(shù)碼影像變量B、RGBVI、GLA、WI、G/(R+G+B)和B/(R+G+B)與LAI相關(guān)系數(shù)的絕對(duì)值均大于0.7，達(dá)到極顯著水平。

(4)基于選取的1 887個(gè)樣本數(shù)據(jù)進(jìn)行LAI估測(cè)模型的建立，剩余808個(gè)樣本數(shù)據(jù)進(jìn)行估測(cè)模型的驗(yàn)證，結(jié)果表明，B、RGBVI、GLA和B/(R+G+B)的四元線性全子集回歸估測(cè)模型的精度最優(yōu)，模型建立和驗(yàn)證模型的R2、RMSE、nRMSE分別為0.69、0.99、17.90%和0.68、1.00、18.10%。因此，基于低成本的無(wú)人機(jī)遙感技術(shù)可為規(guī)模化育種過(guò)程中快速、無(wú)損和高通量獲取育種材料的長(zhǎng)勢(shì)信息提供一種低成本的可行技術(shù)手段。

1 CHEN J M, CIHLAR J. Retrieving leaf area index of boreal conifer forests using Landsat TM images[J]. Remote Sensing of Environment, 1996, 55(2):153-162.

2 MALONE S, JRHERBERT D A, HOLSHOUSER D L. Relationship between leaf area index and yield in double-crop and full-season soybean systems[J]. Journal of Economic Entomology, 2002, 95(5):945-951.

3 閻廣建, 胡容海, 羅京輝,等. 葉面積指數(shù)間接測(cè)量方法[J]. 遙感學(xué)報(bào), 2016, 20(5):958-978. YAN Guangjian, HU Ronghai, LUO Jinghui, et al. Review of indirect methods for leaf area index measurement[J]. Journal of Remote Sensing, 2016, 20(5): 958-978. (in Chinese)

4 陳仲新, 任建強(qiáng), 唐華俊,等. 農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望[J]. 遙感學(xué)報(bào), 2016, 20(5):748-767. CHEN Zhongxin, REN Jianqiang, TANG Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5):748-767.(in Chinese)

5 趙春江. 農(nóng)業(yè)遙感研究與應(yīng)用進(jìn)展[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(12):277-293. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20141241&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2014.12.041. ZHAO Chunjiang.Advances of research and application in remote sensing for agriculture[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2014,45(12):277-293.(in Chinese)

6 鄒文濤, 吳炳方, 張淼,等. 農(nóng)作物長(zhǎng)勢(shì)綜合監(jiān)測(cè)——以印度為例[J]. 遙感學(xué)報(bào), 2015, 19(4):539-549. ZOU Wentao, WU Bingfang, ZHANG Miao, et al. Comprehensive monitoring of crop growth—take India as an example[J]. Journal of Remote Sensing, 2015, 19(4):539-549. (in Chinese)

7 唐建民, 廖欽洪, 劉奕清,等. 基于CASI高光譜數(shù)據(jù)的作物葉面積指數(shù)估算[J]. 光譜學(xué)與光譜分析, 2015, 35(5):1351-1356. TANG Jianmin, LIAO Qinhong, LIU Yiqing, et al. Estimating leaf area index of crops based on hyperspectral compact airborne spectrographic imager (CASI) data[J]. Spectroscopy and Spectral Analysis, 2015, 35(5):1351-1356. (in Chinese)

8 楊福芹, 馮海寬, 李振海,等. 基于赤池信息量準(zhǔn)則的冬小麥葉面積指數(shù)估算[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(11):112-120. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20151116&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.11.016. YANG Fuqin, FENG Haikuan, LI Zhenhai, et al. Hyperspectral estimation of leaf area index for winter wheat based on Akaike’s information criterion[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(11): 112-120. (in Chinese)

9 ZHANG C, KOVACS J M. The application of small unmanned aerial systems for precision agriculture: a review[J]. Precision Agriculture, 2012, 13(6):693-712.

10 SHI Y, SHUN-PING J I, SHAO X W, et al. Framework of SAGI agriculture remote sensing and its perspectives in supporting national food security[J]. Journal of Integrative Agriculture, 2014, 13(7):1443-1450.

11 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(4):4026-4047.

12 高林, 楊貴軍, 王寶山,等. 基于無(wú)人機(jī)遙感影像的大豆葉面積指數(shù)反演研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2015, 23(7):868-876. GAO Lin, YANG Guijun, WANG Baoshan, et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle) remote sensing imagery[J]. Chinese Journal of Eco-Agriculture, 2015, 23(7): 868-876.(in Chinese)

13 楊貴軍, 李長(zhǎng)春, 于海洋,等. 農(nóng)用無(wú)人機(jī)多傳感器遙感輔助小麥育種信息獲取[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(21):184-190. YANG Guijun, LI Changchun, YU Haiyang, et al. UAV based multi-load remote sensing technologies for wheat breeding information acquirement[J]. Transactions of the CSAE, 2015, 31(21): 184-190. (in Chinese)

14 SUOMALAINEN J, ANDERS N, IQBAL S, et al. A lightweight hyperspectral mapping system and photogrammetric processing chain for unmanned aerial vehicles[J]. Remote Sensing, 2014, 6(11):11013-11030.

15 高林, 楊貴軍, 于海洋,等. 基于無(wú)人機(jī)高光譜遙感的冬小麥葉面積指數(shù)反演[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(22):113-120. GAO Lin, YANG Guijun, YU Haiyang, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing[J]. Transactions of the CSAE, 2016, 32(22): 113-120. (in Chinese)

16 趙曉慶, 楊貴軍, 劉建剛,等. 基于無(wú)人機(jī)載高光譜空間尺度優(yōu)化的大豆育種產(chǎn)量估算[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017, 33(1):110-116. ZHAO Xiaoqing, YANG Guijun, LIU Jiangang, et al. Estimation of soybean breeding yield based on optimization of spatial scale of UAV hyperspectral image[J]. Transactions of the CSAE, 2017, 33(1): 110-116. (in Chinese)

17 劉建剛, 趙春江, 楊貴軍,等. 無(wú)人機(jī)遙感解析田間作物表型信息研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(24):98-106. LIU Jiangang, ZHAO Chunjiang, YANG Guijun, et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform[J]. Transactions of the CSAE, 2016, 32(24): 98-106. (in Chinese)

18 NIE S, WANG C, DONG P, et al. Estimating leaf area index of maize using airborne discrete-return LiDAR data[J]. Remote Sensing Letters, 2016, 7(2):111-120.

20 TUCKER C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2):127-150.

21 MOUNIR L, MICHAEL M B, DOUGLAS E J. Spatially located platform and aerial photography for documentation of grazing impacts on wheat[J]. Geocarto International, 2001, 16(1):65-70.

22 WOEBBECKE D, MEYER G, VON BARGEN K, et al. Color indices forweed identification under various soil, residue, and lighting conditions[J]. Transactions of the ASAE,1995,38(1): 259-269.

23 NETO J C. A combined statistical-soft computing approach for classification and mapping weed species in minimum-tillage systems[C]. AGRIS, FAO,UN,2004.

24 KATAOKA T, KANEKO T, OKAMOTO H, et al. Crop growth estimation system using machine vision[C]∥Proceedings of 2003 International Conference on Advanced Intelligent Mechatronics, 2003,2:1079-1083.

25 GITELSON A A, ANDRéS V, ARKEBAUER T J, et al. Remote estimation of leaf area index and green leaf biomass in maize canopies[J]. Geophysical Research Letters, 2003, 30(5):52-1-52-4.

26 LI W, NIU Z, CHEN H, et al. Remote estimation of canopy height and aboveground biomass of maize using high-resolution stereo images from a low-cost unmanned aerial vehicle system[J]. Ecological Indicators, 2016, 67:637-648.

27 BENDIG J, YU K, AASEN H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 39:79-87.

28 SCHIRRMANN M, GIEBEL A, GLEINIGER F, et al. Monitoring agronomic parameters of winter wheat crops with low-cost UAV imagery[J]. Remote Sensing,2016, 8(9):706.

29 高林, 楊貴軍, 李紅軍,等. 基于無(wú)人機(jī)數(shù)碼影像的冬小麥葉面積指數(shù)探測(cè)研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2016, 24(9):1254-1264. GAO Lin, YANG Guijun, LI Hongjun, et al. Winter wheat LAI estimation based on unmanned aerial vehicle RGB-imaging[J]. Journal of Chinese Eco-Agriculture, 2016, 24(9): 1254-1264. (in Chinese)

Estimation of Leaf Area Index of Soybean Breeding Materials Based on UAV Digital Images

LI Changchun1NIU Qinglin1,2YANG Guijun2,3FENG Haikuan2,3LIU Jiangang2,3WANG Yanjie1,2

(1.SchoolofSurveyingandLandInformationEngineering,HenanPolytechnicUniversity,Jiaozuo454000,China2.KeyLaboratoryofQuantitativeRemoteSensinginAgriculture,MinistryofAgriculture,Beijing100097,China3.NationalEngineeringResearchCenterforInformationTechnologyinAgriculture,Beijing100097,China)

Soybean is an important source of protein and fat. The increase of soybean yield is playing a significant role in guaranteeing food security and satisfying market demanding. Therefore, rapid screening of soybean varieties with high yield and quality is of great significance to increase the total output of soybean. Leaf area index (LAI), which refers to the gross one-sided leaf area per surface area, is one of the critical phenotypic parameters to characterize crop canopy structure, and it has an important significance to evaluate crop photosynthesis, growth and predict yield. A rapid, non-destructive and efficient estimation of soybean LAI can assist the screening of high-yield varieties. Currently, lots of soybean breeding material plots is one the difficulties in soybean breeding, but traditional manual investigation method is time-consuming, inefficient job with certain degree of subjectivity. Unmanned aerial vehicle (UAV) remote sensing technology has become a research focus on precision agriculture application. It features the advantages of easy construction, low operation and maintenance cost and flexible mobility, and has been used to realize rapid, non-destructive, spatial continuous crop growth monitoring and crop yield estimation. Researches based on low-cost UAV high spatial resolution digital images to estimate crop phenotypic parameters mainly focused on the crop cultivation and management sector. However, there are few researches on crop breeding. The high spatial resolution digital images of the Shengfeng academician workstation of soybean breeding experiment located in Jiaxiang County, Jining City, Shandong Province, China from July to September in 2016 were acquired using a low-cost UAV digital camera system. The obtained UAV data contained the high spatial resolution images of growth periods of R1-R2, R3 and R5-R6. At the same time, the average LAI values of 900 breeding plots on the ground were obtained. Firstly, the digital orthophoto map (DOM) was generated. The generated DOM was calibrated using the image values of black and white calibration tarps in the DOM image and a total of eighteen calibrated variables ofR,G,B, MGRVI, RGBVI, GLA, ExG, WI, ExGR, CIVE, VARI,G/R,G/B,R/B,R/(R+G+B),G/(R+G+B) andB/(R+G+B) were calculated based on existing research. Secondly, 70% of the total data pairs of the eighteen variables and corresponding ground-measured data were used to build models, including the unary linear regression, stepwise regression, total subset regression, partial least squares regression, support vector machine regression and random forest regression, while the remaining data pairs were used for model validation. Finally, the optimal prediction model for LAI was selected by comprehensively considering the determination coefficient (R2), root mean square error (RMSE) and normalized root mean square error (nRMSE) of model building and validating. The results showed that the total subset regression, which included four variables ofB, RGBVI, GLA andB/(R+G+B), was the optimal estimation model of LAI. TheR2, RMSE and nRMSE of model building and validation were 0.69, 0.99, 17.90% and 0.68, 1.00, 18.10%, respectively. The spatial distribution map of LAI of soybean breeding materials area was generated. Compared with ground-measured values and DOM derived from digital camera images, the distribution map could well reflect the growth status of soybean breeding materials. The results showed that high spatial resolution digital images of soybean breeding materials could be obtained quickly using UAV remote sensing technology. After that, the qualitative and quantitative analysis can be carried out to monitor the status of soybean breeding materials in the study area. In general, the UAV remote sensing technology with digital camera was feasible in predicting the LAI of soybean breeding materials, and it can serve as a rapid, effective and non-destructive way for LAI estimation in large-scale soybean breeding area.

soybean breeding materials; leaf area index; calibration; unmanned aerial vehicle; digital images; total subsets regression

10.6041/j.issn.1000-1298.2017.08.016

2017-05-08

2017-06-14

國(guó)家自然科學(xué)基金項(xiàng)目(41601346、 61661136003、41601364、41271345)、北京市農(nóng)林科學(xué)院科技創(chuàng)新能力建設(shè)項(xiàng)目(KJCX20140417)和河南省基礎(chǔ)與前沿研究項(xiàng)目(152300410098)

李長(zhǎng)春(1976—)，男，副教授，主要從事農(nóng)業(yè)遙感長(zhǎng)勢(shì)監(jiān)測(cè)與評(píng)估研究，E-mail: lichangchun610@126.com

馮海寬(1982—)，男，副研究員，主要從事農(nóng)業(yè)定量遙感與應(yīng)用研究，E-mail: fenghaikuan123@163.com

S25

A

1000-1298(2017)08-0147-12