摘要光合有效輻射吸收比率(fractionofabsorbedphotosyntheticallyactiveradiation，F(xiàn)APAR)是反映作物產(chǎn)量的重要參數(shù)之一。無人機遙感能夠快速無損地獲取高分辨率植被冠層光譜信息，已成為作物理化參數(shù)反演的重要手段。以不同播期玉米為研究對象，基于無人機搭載多光譜傳感器，提取植被指數(shù)與植被紋理特征，使用偏最小二乘(partialleastsquaresregression，PLSR)方法將二者結(jié)合反演玉米FAPAR，并與傳統(tǒng)單獨使用植被指數(shù)或植被紋理特征反演植被FAPAR的方法進行比較。結(jié)果表明：使用傳統(tǒng)方法單獨利用植被指數(shù)反演FAPAR(驗證RMSE最低為7.33×10-2，rRMSE最低為8.66%)的效果比單獨利用紋理特征反演FAPAR(驗證RMSE最低為9.50×10-2，rRMSE最低為11.23%)的精度更高;使用PLSR方法單獨利用植被指數(shù)或紋理特征估算FAPAR的結(jié)果比傳統(tǒng)方法精度更高(植被指數(shù)與紋理特征的驗證RMSE最低分別為6.77×10-2和5.24×10-2，rRMSE最低分別為8.01%和6.19%);使用PLSR方法將植被指數(shù)與紋理特征相結(jié)合估算FAPAR(驗證RMSE最低為4.72×10-2，rRMSE最低為5.57%)的效果比單獨使用植被指數(shù)或紋理特征估算FAPAR的精度更高。綜上，使用PLSR方法將植被指數(shù)和植被紋理特征相結(jié)合來反演玉米冠層FAPAR可行，為作物FAPAR遙感反演研究提供了新的思路。

　　關(guān)鍵詞FAPAR;多光譜影像;植被指數(shù);紋理特征;PLSR

　　光合有效輻射吸收比率(fractionofabsorbedphotosyntheticallyactiveradiation，F(xiàn)APAR)是植被冠層綠色部分所吸收的光合有效輻射(photosyntheticallyactiveradiation，PAR)占到達(dá)冠層頂部PAR的比例，是直接反映植被冠層對光能的截獲能力與吸收能力的重要參數(shù)[1]，對作物產(chǎn)量形成和籽粒品質(zhì)都有著直接影響[2]，同時也是基于光能利用效率模型估算作物籽粒產(chǎn)量的重要參數(shù)之一[3-4]。因此，實時且精準(zhǔn)監(jiān)測玉米FAPAR對篩選玉米品種和指導(dǎo)田間栽培管理進而實現(xiàn)玉米優(yōu)質(zhì)高產(chǎn)具有重要意義。目前，基于遙感數(shù)據(jù)估算FAPAR的方法大多是通過建立植被指數(shù)與FAPAR的數(shù)學(xué)模型進行回歸統(tǒng)計[5]，這種方法操作簡便、參數(shù)少且效率高，在FAPAR的估算中應(yīng)用最為廣泛[6-10]。

　　如Dong等[11]基于模擬Sentinel-2數(shù)據(jù)選擇葉綠素相關(guān)植被指數(shù)，檢驗其對小麥和玉米的FAPAR估算能力，結(jié)果表明使用近紅外和紅邊反射率的植被指數(shù)對FAPAR的估算結(jié)果最好。劉桂鵬等[12]基于高光譜影像使用幾種植被指數(shù)和高光譜反射率及其導(dǎo)數(shù)等進行了春玉米FAPAR估算，結(jié)果表明使用NDVI構(gòu)建的二次多項式模型對FAPAR的估算效果最好，但是當(dāng)FAPAR較大時其估算結(jié)果會受到影響。

　　田春燕等[13]基于植被指數(shù)構(gòu)建棉花FPAR估算模型，用以監(jiān)測棉花長勢并預(yù)測產(chǎn)量，結(jié)果表明使用EVI反演FAPAR的精度最好。Qin等[14]基于機載激光雷達(dá)和高光譜數(shù)據(jù)建立了多元線性回歸(MLR)模型來估算玉米FAPAR，結(jié)果表明，將激光雷達(dá)和高光譜指標(biāo)相結(jié)合，比單獨使用激光雷達(dá)或高光譜指標(biāo)估算玉米FAPAR的精度更好。Zhao等[15]使用13種植被指數(shù)提出了基于二次函數(shù)的回歸模型來估算玉米FAPAR，結(jié)果表明，結(jié)合使用冠層結(jié)構(gòu)相關(guān)的植被指數(shù)與土壤調(diào)節(jié)、葉綠素和生理相關(guān)的植被指數(shù)可以更好地估算玉米FAPAR。

　　以上研究表明，采用植被指數(shù)反演FAPAR的研究已經(jīng)取得較好的結(jié)果，但該方法在冠層覆蓋度較大時使用會存在一定的飽和現(xiàn)象，導(dǎo)致反演精度降低。植被的紋理特征也可以用來表征植被冠層結(jié)構(gòu)[16]，因此也有一些研究通過紋理特征來反演生物量[17]、葉綠素含量[18]和冠層高度[19]等植被結(jié)構(gòu)或冠層信息。如謝士琴等[20]基于SPOT5影像通過使用植被紋理等多個特征反演森林結(jié)構(gòu)參數(shù)，結(jié)果表明使用紋理等特征可以較好地對森林結(jié)構(gòu)參數(shù)進行估算。蔡文婷等[21]將Sentinel-2影像與冬小麥紋理信息相結(jié)合估算茬覆蓋度，結(jié)果表明該研究使用的方法提高了估算冬小麥茬覆蓋度的精度。賈丹等[22]利用無人機影像結(jié)合光譜與紋理信息來反演冬小麥氮濃度，結(jié)果表明該方法比單一使用光譜或紋理信息估算的精度有所提高。蒙詩櫟等[23]基于WorldView-2影像將植被指數(shù)與紋理信息相結(jié)合反演森林地上生物量，結(jié)果表明將二者相結(jié)合的反演方法精度最高。

　　楊俊等[24]通過無人機影像將小麥植被指數(shù)與紋理特征相結(jié)合估算其生物量與產(chǎn)量，結(jié)果表明結(jié)合紋理特征與植被指數(shù)可以提高生物量與產(chǎn)量的估算精度。紋理特征可以反映植被冠層覆蓋情況，冠層覆蓋度大時到達(dá)冠層底部的光較少則FAPAR也會相應(yīng)變大。因此，當(dāng)光譜特征不足以反映FAPAR情況時，紋理特征也可以提供植被冠層的結(jié)構(gòu)信息[25]。以上研究表明，可以使用植被紋理特征反演植被結(jié)構(gòu)及冠層參數(shù)，且將植被紋理特征與光譜特征相結(jié)合可以在一定程度上改善植被光譜特征的飽和問題[26-27]，但目前利用植被紋理特征反演植被FAPAR的研究較少。因此本研究使用PLSR方法，基于無人機多光譜影像提取出的植被指數(shù)與植被紋理特征估算玉米FAPAR，并與傳統(tǒng)直接使用植被指數(shù)或紋理特征估算FAPAR的方法進行比較。

　　1材料與方法

　　1.1研究區(qū)概況

　　試驗于2020年7月-9月在中國農(nóng)業(yè)科學(xué)院新鄉(xiāng)綜合基地(35.2°N，113.8°E)進行。新鄉(xiāng)的氣候為溫帶大陸性氣候，四季分明，冬冷夏熱。年均氣溫14.1℃，1月最冷，7月最熱。年均降水量548.3mm，多集中在七八月間。年均蒸發(fā)量1908.7mm。年均日照2407.7h，年均無霜期200.5d。試驗基地土壤為粘質(zhì)壤土，耕層土壤pH8.21，含有機質(zhì)12.6g/kg、速效氮61.2mg/kg、速效磷16.2mg/kg、速效鉀110.0mg/kg。

　　1.2試驗設(shè)計

　　研究對象為夏玉米，通過設(shè)置不同播期，獲取關(guān)鍵時期的玉米分層FAPAR數(shù)據(jù)。共設(shè)置8個播期，每個播期間隔10d左右，播種時間從4月下旬至7月上旬，播期1的播種時間最早，播期8的播種時間較晚，其中播期6為當(dāng)?shù)剡m播期。每個播期包含3個黃淮海地區(qū)主栽品種，分別為豐墾139(FK139)、京農(nóng)科728(JNK728)和鄭單958(ZD958)，每個品種設(shè)置3個重復(fù)。每個播期相同品種面積之和為64.8m2，田間水肥與病蟲害管理與實際大田管理一致。

　　1.3地面FAPAR數(shù)據(jù)獲取

　　地面分層FAPAR數(shù)據(jù)使用SunScan專業(yè)版植物冠層分析儀進行采集，采集在2020年7月-9月有穩(wěn)定太陽光直射時進行。獲取數(shù)據(jù)前架設(shè)漫射系數(shù)傳感器(beamfractionsensor，BFS)，使其水平以減小誤差，BFS上方不能有任何遮擋，與探測器通過無線方式進行連接，探測器與掌上電腦(PAD)相連;之后打開SunData軟件將BFS與探測器保持在同一水平面上對儀器進行校正和數(shù)據(jù)采集。獲取數(shù)據(jù)時選取長勢均勻的區(qū)域，將探測器水平放在冠層最底部進行數(shù)據(jù)采集。

　　1.4多光譜影像數(shù)據(jù)獲取與處理

　　多光譜數(shù)據(jù)使用大疆M600-PRO六旋翼無人機搭載的RedEdge-M多光譜相機進行獲取。多光譜相機獲取的波段有藍(lán)、綠、紅、紅邊和近紅外，視場角47.2°，數(shù)據(jù)采樣間隔1.5s。無人機飛行高度30m，設(shè)置航向重疊和旁向重疊為80%。無人機數(shù)據(jù)采集選擇在晴朗無風(fēng)的10∶00與15∶00之間進行，獲取時間與地面FAPAR測量日期相同。

　　1.4.1多光譜影像預(yù)處理

　　多光譜影像的預(yù)處理主要為影像的拼接與輻射校正兩部分。拼接部分使用AgisoftPhtotscanPro軟件進行處理，首先將需要拼接的照片添加到軟件中之后對影像進行篩選，剔除冗余照片以縮短處理時間;然后選擇高精度對齊照片并構(gòu)建密集點云;之后進行顏色校正并構(gòu)建紋理與正射影像;最后將構(gòu)建的正射影像以TIFF形式導(dǎo)出。

　　2結(jié)果與分析

　　2.1利用植被指數(shù)估算

　　14種植被指數(shù)中有4種建模R2達(dá)到0.7以上，驗證RMSE小于0.08，rRMSE小于10%;其中GNDVI的二次多項式模型對FAPAR的估算結(jié)果最好，R2均在78.52×10-2，RMSE為7.33×10-2，rRMSE為8.66%。原因可能是由于GNDVI用綠波段代替了NDVI中的紅波段，而綠波段對葉綠素濃度更為敏感，可以在很大范圍內(nèi)精確評估色素濃度的變化[31]，使用綠波段建立的植被指數(shù)加強了對FAPAR估算結(jié)果的穩(wěn)定性。

　　2.2利用紋理信息估算

　　FAPAR提取多光譜影像R、G和B波段的8種紋理特征之后，分別與FAPAR建立指數(shù)函數(shù)、線性函數(shù)、二次多項式函數(shù)、對數(shù)函數(shù)和冪函數(shù)5種統(tǒng)計回歸模型，綜合比較之后發(fā)現(xiàn)綠波段對紋理特征的反演效果最好，因此使用綠波段中的紋理特征對玉米FAPAR進行估算。

　　3討論

　　FAPAR不僅是植被冠層的重要結(jié)構(gòu)參數(shù)，也是作物生長和作物估產(chǎn)等模型的重要參數(shù)，因此快速準(zhǔn)確地獲取作物FAPAR對于估測作物產(chǎn)量及評價作物生長狀況有重要意義。由于單獨使用光譜特征對FAPAR進行估算的精度相對較差，而紋理特征提供了更多的植被冠層結(jié)構(gòu)信息，能夠提高FAPAR的估算精度。因此，本研究將光譜特征與紋理特征相結(jié)合，給FAPAR的估算模型增加了更多信息，在一定程度上提高了單獨使用植被指數(shù)或紋理特征估算FAPAR的精度，為以后估算作物的FAPAR研究提供了新的思路。

　　然而，本研究只選擇了1個試驗站點采集的FAPAR數(shù)據(jù)，沒有在其他站點進行試驗，所使用的試驗數(shù)據(jù)較少，建立的回歸模型結(jié)果可能不夠精確;此外，由于錯過了一些播期玉米的生長狀況，使得處在生育初期的FAPAR數(shù)據(jù)相對較少，對建模結(jié)果也有一定的影響。因此，在接下來的研究中，將開展多站點試驗，同時獲取更多的田間及無人機影像數(shù)據(jù)，更好地闡明光譜信息與FAPAR數(shù)據(jù)之間的光譜機理與回歸關(guān)系。

　　4結(jié)論

　　本研究對玉米冠層FAPAR進行測量并結(jié)合基于無人機多光譜影像提取的植被指數(shù)和紋理特征分別對其進行估算，之后使用PLSR方法對植被指數(shù)、紋理特征和將二者結(jié)合分別對FAPAR進行估算。將使用的3種估算FAPAR的方法進行比較驗證。

　　植被養(yǎng)護論文投稿刊物：應(yīng)用生態(tài)學(xué)報(月刊)創(chuàng)刊于1990年，是中國科學(xué)院主管、中國生態(tài)學(xué)學(xué)會和中國科學(xué)院沈陽應(yīng)用生態(tài)研究所聯(lián)合主辦的綜合性學(xué)術(shù)期刊，創(chuàng)刊于1990年，由科學(xué)出版社出版。

　　結(jié)果表明：(1)使用傳統(tǒng)方法直接利用植被指數(shù)或紋理特征估算FAPAR時，植被指數(shù)的精度更高，R2比紋理特征提高約0.2，RMSE和rRMSE分別降低約0.02和2.60%;(2)單獨利用植被指數(shù)或紋理特征估算FAPAR時，使用PLSR方法比傳統(tǒng)的統(tǒng)計回歸方法精度更高。其中植被指數(shù)的R2提高了約0.04，RMSE和rRMSE分別降低約0.06×10-2和0.70%，紋理特征的RMSE和rRMSE分別降低約4.8×10-2和5.04%;(3)將植被指數(shù)和紋理特征相結(jié)合并使用PLSR估算FAPAR的精度最高，R2達(dá)到94.39×10-2，RMSE和rRMSE分別達(dá)到4.72×10-2和5.57%。

　　參考文獻(xiàn)

　　[1]董泰鋒，蒙繼華，吳炳方.基于遙感的光合有效輻射吸收比率(FAPAR)估算方法綜述.生態(tài)學(xué)報，2012，32(22)：7190-7201.

　　[2]周元剛.不同受旱條件下冬小麥和夏玉米冠層光截獲特征研究.楊凌：西北農(nóng)林科技大學(xué)，2016[3]李賀麗，羅毅，薛曉萍，等.冬小麥冠層對入射光合有效輻射吸收比例的估算方法評價.農(nóng)業(yè)工程學(xué)報，2011，27(4)：201-206.

　　[4]MoriondoM，MaselliF，BindiM.AsimplemodelofregionalwheatyieldbasedonNDVIdata.EuropeanJournalofAgronomy，2007，26(3)：266-274.

　　[5]張宇.基于光學(xué)和雷達(dá)遙感的水稻FAPAR協(xié)同反演.成都：電子科技大學(xué)，2019.

　　[6]ZhangY，LiS，HeZ，etal.SynergisticInversionofRiceFPARBasedonOpticalandRadarRemoteSensingData.IGARSS2019-2019IEEEInternationalGeoscienceandRemoteSensingSymposium.IEEE，2019.

　　作者：王思宇1，2聶臣巍2余汛2，3邵明超2，4王梓旭2，5努熱曼古麗•托乎提2，6劉亞東2程明瀚2，7官云蘭1金秀良2