北京農業信息技術研究中心定量遙感重點實驗室
農業信息技術國家工程研究中心
北京市農業物聯網工程技術研究中心
河南理工大學
葉面積指數(LAI)是植物生長和產量的重要指標，高光譜遙感是一種快速、無損監測技術，可在不破壞植物組織結構的前提下，實現對作物生長季營養狀況的監測。S185畫幅式機載高速成像光譜儀可方便搭載在無人機上快速獲取高光譜遙感年數據，因此，利用S185可以快速、精確、實時地對植物LAI進行估測，對于植物生長長勢監控、產量估算以及病蟲害防治具有重要的作用。
北京農業信息技術研究中心定量遙感重點實驗室等單位利用S185機載高速成像光譜儀采集山東濟寧嘉祥縣5個生長期內的大豆機載高光譜數據反演大豆LAI，獲得較好的結果，并分析比較了隨機森林(RF)、人工神經網絡網絡(ANN)、支持向量機(SVM)三種回歸模型的精度，準確度和穩定性，為大豆葉面積指數(LAI)反演提供了方法和參考，對大豆的精準施肥以及快速、無損長勢監測具有一定的指導意義和參考價值。
山東濟寧嘉祥縣位于終南山和華北平原交界處，地處暖溫帶，大陸性季風氣候。本輪實驗共采集126個樣方品種為研究對象，品種組合從2015年6月13日種植的46個大豆品種中產生。數據共收集五次：2015年8月1日(開花期，R1)，2015年8月13日(初莢期，R3)，2015年9月1日(鼓粒期，R5)，2015年9月17日(鼓粒滿期， R6)，2015年9月28日(初熟期，R7)。試驗區種植密度約為195000 /hm2。每個生長期共有126個樣地。
圖1 采樣點分布圖——山東省嘉祥縣：每個樣地為3×5m矩形(六行長5米，間隔0.5米的大豆)
用LAI-2200C冠層分析儀測量LAI。表1顯示了不同生長階段LAI的分布情況。在R6和R3期內LAI值顯著(p > 0.05)，表明在大多數生育期內LAI分布不平衡。
表1 大豆LAI統計描述：p值是Kolmogorov Smirnov檢驗的結果
注意：*表示所觀察到的LAI均勻分布
為了進一步研究的RF，ANN和SVM模型估測LAI，采用SRS和STR抽樣方法進行樣本選擇，校正集包含70%的總樣品，剩余的樣品作為驗證集。為探索模型精度，在整個生長期和單生育期進行LAI反演。鼓粒期是大豆育種最重要的時期，在此期間LAI分布均勻。采用一階導數預處理方以及STR與SRS兩種抽樣方法建立RF，ANN和SVM模型，結果驗證了三種模型各自的必需條件以及優勢所在。具體流程圖如圖2所示。
圖2 方法流程圖：STR與SRS兩種抽樣方法以獲取100個校準集。分別利用RF、ANN、SVM和PLS模型來得到100 個V-R2和V-RMSE值。
單生長期的模型結果：
整個生育期模型結果：
通過以上模型結果對比，選用最優的RF模型進行LAI預測：
結論：
葉面積指數(LAI)是植物生長和產量的重要指標，可以通過S185機載快速成像高光譜儀來進行定量監測。使用SRS與STR抽樣方法構建幾個模型，并確定反演大豆整個生長期以及單生長期LAI的最終模型。用偏最小二乘回歸(PLS)模型與RF、ANN、SVM回歸模型進行比較，基于STR抽樣的整個生長季內，RF模型產生了最高的精度、準確度和穩定性?；赟TR抽樣的單生長期內，ANN的精度，準確度和穩定性最高。采用 STR抽樣方法提高了RF、ANN和SVM模型的精度、準確度和穩定性。樣地和生長期等變化比較大時，RF模型適用于估算LAI(整個生長季或一個以上的生長期)。樣地和生長期等變化相對較小時，ANN更適合估算LAI(單生長期)。
