全 文 ：中国生态农业学报 2015年 7月 第 23卷 第 7期
Chinese Journal of Eco-Agriculture, Jul. 2015, 23(7): 868876


* 北京市自然科学基金项目(4141001)、国家自然科学基金项目(41271345)和“十二五”农村领域国家科技计划课题(2014BAD10B06)资助
** 通讯作者: 王宝山, 主要从事矿山测量、GIS、RS方面的研究。E-mail: wangbs1960@126.com
高林, 主要研究方向为农业定量遥感。E-mail: gaol081115@126.com
收稿日期: 20150105 接受日期: 20150409
http://www.ecoagri.ac.cn
DOI: 10.13930/j.cnki.cjea.150018
基于无人机遥感影像的大豆叶面积指数反演研究*
高 林1,2,3 杨贵军2,3 王宝山1** 于海洋2,3 徐 波2,3 冯海宽2,3
(1. 河南理工大学测绘与国土信息工程学院 焦作 454000; 2. 国家农业信息化工程技术研究中心 北京 100097;
3. 农业部农业信息技术重点实验室 北京 100097)
摘 要 作物叶面积指数的遥感反演是农业定量遥感研究热点之一, 利用无人机遥感监测系统获取农作物光
谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试
验区, 设计以多旋翼无人机为平台同步搭载 Canon PowerShot G16数码相机和 ADC-Lite多光谱传感器组成的
无人机农情监测系统开展试验, 分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化
植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数, 结合田
间同步实测叶面积指数(leaf area index, LAI)数据, 采用经验模型法分别构建了单变量和多变量 LAI反演模型,
通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明, 有选择性地分时
期进行农作物的叶面积指数反演是必要的, 鼓粒期作为 2个生育期中大豆 LAI反演的最佳时期, 其 NDVI线性
回归模型对大豆 LAI的解释能力最强, R2=0.829, RMSE=0.301, 反演大豆 LAI最准确, EA=85.4%, 生成的鼓粒
期大豆 LAI 分布图反映了当地当时大豆真实长势情况。因此, 以多旋翼无人机为平台同步搭载高清数码相机
和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性, 可作为指导精准农业研究
的一种新方法。
关键词 无人机 遥感 数码相机 多光谱传感器 植被指数 叶面积指数 经验模型 大豆 鼓粒期
中图分类号: S565; TP79 文献标识码: A 文章编号: 1671-3990(2015)07-0868-09
Soybean leaf area index retrieval with UAV (unmanned aerial vehicle)
remote sensing imagery
GAO Lin1,2,3, YANG Guijun2,3, WANG Baoshan1, YU Haiyang2,3, XU Bo2,3, FENG Haikuan2,3
(1. School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454000, China; 2. National
Engineering Research Center for Agricultural Information Technology, Beijing 100097, China; 3. Key Laboratory of
Agri-informatics, Ministry of Agriculture, Beijing 100097, China)
Abstract Leaf area index (LAI) is the main parameter that reflects the status of crop growth. Retrieval of LAI is among the main
focuses of quantitative remote sensing in agriculture. Crop spectral information with fine spatial resolution obtained by an Unmanned
Aerial Vehicle (UAV) remote sensing monitoring system is used for estimating leaf area, which is important for precision agricultural
production and management. In our study, an agricultural UAV remote sensing monitoring system was established based on a
multi-rotor UAV with both Canon PowerShot G16 digital camera and ADC-Lite multispectral sensor mounted on the same platform.
Based on this system, imageries were acquired over a soybean experimental field in Jiaxiang County of Shandong Province at
podding and seed-filling stages. Five vegetation indices [ratio vegetation index (RVI), normalized difference vegetation index
(NDVI), soil-adjusted vegetation index (SAVI), difference vegetation index (DVI) and triangle vegetation index (TVI)] were
calculated from the data. Together with measured LAI, both the univariate and multivariate empirical models were calibrated for
estimating LAI of soybean. The best LAI retrieving models were identified based on best combinations of coefficient of
determination (R2), root mean square error (RMSE) and estimated accuracy (EA). It was noted that there was the need to choose the
第 7期 高 林等: 基于无人机遥感影像的大豆叶面积指数反演研究 869


http://www.ecoagri.ac.cn
best crop growth period for retrieving LAI. LAI was estimable at higher accuracy at seed-filling than at podding stage. Linear
regression model of NDVI most accurately explained retrieval of LAI of soybean, with R2 = 0.829, RMSE = 0.301 and EA = 85.4%.
NDVI linear regression model was therefore recommended as the most legible model for estimating LAI of soybean at seed-filling
stage in this study area. The model was also recommended for application in mapping the LAI of soybean at seed-filling stage.
According to our validation data, LAI map well reflected real-world spatial distribution pattern of LAI in soybean fields. The
established agricultural UAV remote sensing monitoring system provided novel insights in guiding precision agriculture applications
and the corresponding retrieval models for studying the feasibility of retrieving LAI.
Keywords Unmanned Aerial Vehicle (UAV); Remote sensing; Digital camera; Multispectral sensor; Vegetation index; Leaf
area index; Empirical model; Soybean; Seed-filling stage
(Received Jan. 5, 2015; accepted Apr. 9, 2015)
叶面积指数(leaf area index, LAI)指单位地表面
积上单面绿叶面积的总和[1], 是模拟陆地生态过程、
生物地球化学循环以及水热循环的重要参数 [2], 它
和植物的蒸腾作用、太阳光的截取、光合作用以及
地表净初级生产力等密切相关[3]。目前, 获取农作物
叶面积指数的方式有 2 种: 野外实测和遥感估算。
野外实测方法可以获得准确的农作物叶面积指数 ,
但在实测 LAI 的过程中往往带有一定的破坏性, 并
且获得的数据仅限于小区域样本。借助遥感技术进
行大尺度的 LAI 估算可以有效弥补这一缺陷, 它方
便、快捷、无破坏性的特点获得了研究人员的青睐。
利用卫星影像进行 LAI 反演是最常见的遥感方法之
一, 其可以为 LAI 的全球性区域研究提供依据。早
在 20世纪 70年代, Bunnik[4]就利用遥感技术成功提
取出植被覆盖度与叶面积指数, 奠定了反演 LAI 的
基础。Thenkabail等[5]将 TM影像与同期采集的地面
实测数据相结合 , 建立了大豆 [Glycine max (L.)
Merr.]和玉米(Zea mays L.)的叶面积指数估算模型,
预测精度可达 66%以上。Walthall等[6]利用 ETM+影
像反演了玉米和大豆的叶面积指数, 并对比分析了
应用经验统计模型与神经网络算法在反演 LAI 上的
差异。虽然卫星遥感技术已广泛应用于大尺度农情
监测, 提高了农业生产效益, 在农业管理方面占据
极其重要的地位, 但卫星遥感技术重访周期长、影
像分辨率不足, 并且基于卫星影像估算 LAI 的精度
很大程度上受限于影像的质量, 大气、云层以及雨
雪等的干扰会使预测的叶面积指数严重偏离真实值,
甚至无法使用, 时空分辨率难以满足精准农业研究
的需要。
随着科技的进步, 无人机(unmanned aerial vehicle,
UAV)技术逐渐走进民用领域, 利用无人机技术进行
遥感作业也日渐成为一种发展趋势。无人机运营成
本相对低廉, 具有较高的机动灵活性, 能够实时快
速获取数据。利用无人机遥感平台实施农情监测已
经成为开展农业研究的前沿手段。Sugiura 等[7]将成
像传感器搭载在无人机上 , 获取小面积农田信息 ,
划分出研究区域内的作物叶面积指数分布情况。
Córcoles 等 [8]利用旋翼无人机实现了洋葱 (Allium
cepa L.)郁闭度的无损测量, 并建模分析了郁闭度与
叶面积指数之间的关系。刘峰等[9]设计构建基于无
人直升机平台的低空遥感系统 , 对板栗 (Castanea
mollissima Blume)生育期内植被覆盖度变化情况实
施了监测。目前, 农业无人机遥感数据多以数码影
像为主, 数码影像能真实地反映了田间环境, 但其
光谱信息不足, 限制了对作物的生物物理参数的探
测, 所以开展基于无人机遥感技术获取作物光谱信
息方面的研究对分析叶面积指数、叶绿素含量、冠
层水分、胁迫因子等参数的分析十分必要, 但此方
面的研究还鲜有报道。
多年来国内学者 [10–13]集中于对小麦 (Triticum
aestivum L.)、水稻(Oryza sativa L.)和玉米的叶面积
指数反演研究, 而将遥感监测技术应用于大豆的相
关研究还比较少。大豆是世界上重要的油料作物 ,
研究大豆叶面积指数对于认识大豆丰产长相十分必
要。本文以大豆为研究对象, 在已有的无人机遥感
技术基础上, 设计了以多旋翼无人机为平台同步搭
载多光谱传感器及高清数码相机组成无人机低空遥
感系统, 对大豆种植区进行连续飞行监测, 利用获
取的遥感影像, 结合田间同步实测 LAI 数据, 探讨
利用无人机同步搭载数码相机与多光谱传感器构成
的无人机农情监测系统对研究叶面积指数反演的可
行性, 以期为指导精准农业研究提供一种新方法。
1 材料与方法
1.1 研究区概况
野外试验分别于 8 月 29 日和 9 月 19 日在山东
省济宁市嘉祥县开展。该区位于山东省西南部, 地
处鲁中南山地与黄淮海平原交接地带, 以平原地形
为主 , 地理范围在东经 116°22′10″~116°22′20″, 北
纬 35°25′50″~35°26′10″。试验区气候温和, 四季分明,
870 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn
光照充足, 年平均气温 13.3~14.1 ℃、降雨量 597~
820 mm左右, 平均无霜期 199 d, 以小麦、玉米、大
豆为主, 常年农作物种植面积达 73.3万 hm2。
1.2 数据采集与处理
本次试验采用八旋翼电动无人机(无人机净重
约 4 kg, 最大载重约 6 kg), 在无人机遥感平台上同
步搭载 Canon PowerShot G16数码相机和 ADC-Lite
多光谱传感器(数码相机和多光谱传感器在使用前
均进行去噪、镜头畸变校正处理 , 其主要参数见表
1), 对 0.06 km2的研究区进行连续飞行监测 , 飞行
高度 50 m, 分别获取到当地大豆在结荚期和鼓
粒期的遥感数据 , 包括研究区数码像片和多光谱
像片。
在地面铺设 2 m×1 m的黑白定标布, 当搭载在
无人机上的 ADC-Lite 传感器飞过定标布时, 使用
ASD Field SpecFR Pro 2500光谱辐射仪随机测量 10
次定标布, 测量前后均进行参考板校正。ASD Field
SpecFR Pro 2500 光谱辐射仪的光谱采集范围是
350~2 500 nm, 在 350~1 000 nm波长范围内的光谱分
辨率为 3 nm, 采样间隔为 1.4 nm; 在 1 000~2 500 nm
波长范围内的光谱分辨率为 10 nm, 采样间隔 2 nm。
取 10次光谱采集的平均值作为定标布的反射率。
表 1 搭载在无人机上的数码相机和多光谱传感器的主要参数
Table 1 Main parameters of digital camera and multi-spectral sensor on the Unmanned Aerial Vehicle
数码相机 Digital camera 多光谱传感器 Multi-spectral sensor
参数 Parameter 参数值 Parameter value 参数 Parameter 参数值 Parameter value
型号 Model Canon PowerShot G16 型号 Model Lightweight Agricultural Digital Camera (ADC-Lite)
传感器尺寸 CCD/CMOS size (mm) 7.530 × 5.647 CMOS像素数 Pixel number 2 048 × 1 536
焦距长度 Focal length (mm) 6 波长范围 Wavelength range (nm) 520920 (green, red, NIR)
照片像素数 Image pixel number 4 000 × 3 000 波段敏感性 Band sensitivity Green, red, NIR sensitivity with bands approximately equal to TM2, TM3 and TM4
瞬时视场角
Instantaneous field of view
64°13′00″ 透镜尺寸 Lens size Camera supplied with 8.5 mm lens; Optional 4.510 mm varifocal lens
地面分辨率 Ground resolution (m) 0.016 (flying height 50 m) 地面分辨率 Ground resolution (m) 0.018 (Flying height 50 m)

本次研究选择俄罗斯 Agisoft LLC 公司研发的
Agisoft PhotoScan软件进行无人机遥感影像的处理。
Agisoft PhotoScan是一款可以实现 3D影像重建和正
射影像生成的摄影制图软件, 其数据处理流程主要
包括: 1)向Agisoft PhotoScan中导入需要处理的相片
和 POS 数据, 鉴于农业应用中的正射影像不必如传
统测绘需要高精度定位信息, 所以 POS 数据直接采
用无人机 POS系统获取的相机曝光时刻的外方位元
素(X、Y、Z、俯仰角、侧滚角、航向倾角); 2)对影
像进行筛选 , 保证参与校正拼接的影像的重叠度 ,
为影像特征点的提取与匹配提供保障; 3)影像特征
点提取与匹配, 计算同名点坐标, 建立点云模型; 4)
重建 3D 模型; 5)输出数字高程模型 DEM 和正射影
像图 DOM(图 1)。
拼接后的多光谱图像主要预处理工作包括几
何校正和辐射校正。几何校正主要利用 ENVI 软件
进行。以数码正射影像为参考图像 , 在图像不同位
置均匀选取 30个参考点对多光谱影像进行几何精
校正 , 经检验图像几何纠正误差小于 0.5 个像元。
在辐射校正方面 , 由于立地间获得的 ADC-Lite 多
光谱数据的时间与天空条件的差异 , 所以采用伪
标准地物辐射纠正法 , 通过地面目标测得的反射
率将多光谱图像值转换为图像反射率 [14]。经过处
理后的多光谱图像具有较真实的地表反射率(图 2)。
利用预处理后的无人机多光谱图像计算植被指数
图像 , 结合数码正射影像划分的 46 个实测小区 ,
从各植被指数图像中精确提取出每个小区的平均
植被指数。
借助于 LAI-2200C 植物冠层分析仪在无人机飞
行监测的当天(北京时间 17:00—19:00)对选定的 46
个具有代表性的小区(5行 1个小区, 行长 5 m, 行间
距 0.5 m)进行大豆叶面积指数测定, 测量结果如图 4
所示。LAI测量时, 尽量避免太阳光直射, 在背向太
阳光一侧, 先测 1 个天空光, 再依次放在靠近大豆
根部位置测量 4 个目标值, 测量时始终保持镜头水
平, 最后获得小区大豆 LAI平均值。
1.3 分析方法
目前, 基于遥感影像反射率反演叶面积指数的
方法主要有经验模型法和物理模型法。本文采用经
验模型法进行大豆 LAI 反演研究。经验模型法是建
立植被指数(vegetation index, VI)与 LAI的回归经验
模型, 对观测数据做经验性的统计描述, 其模型结
构简单、适用性强, 特别是在地面实况不清或遥感
信号产生机理过于复杂的情况下, 是一种较合适的
第 7期 高 林等: 基于无人机遥感影像的大豆叶面积指数反演研究 871


http://www.ecoagri.ac.cn

图 1 研究区内大豆结荚期(a)和鼓粒期(b)的数码正射影像
Fig. 1 Digital orthophotomap of soybean at podding stage (a) and seed-filling stage (b) in the study area

图 2 研究区内大豆结荚期(a)和鼓粒期(b)的多光谱反射率图像
Fig. 2 Multispectral reflectance imagery of soybean at podding stage (a) and seed-filling stage (b) in the study area
反演方法[15]。设计的大豆 LAI反演分析流程如图 3
所示, 主要包括:
1)以预处理后的无人机多光谱图像为数据源 ,
基于 0.016 m 空间分辨率数码正射影像精确划分的
46个实测小区范围, 提取各个小区的植被指数;
2)以结荚期和鼓粒期的大豆 LAI 实测值为先验
数据, 分析比较不同生育期 VI与 LAI的相关性, 选
出最佳反演生育期;
3)基于经验模型法构建单变量和多变量反演
模型, 对比分析 5种植被指数与 LAI的模型拟合精
度, 利用先验数据分析检验最优模型的大豆 LAI预
测能力。
1.4 模型检验
本文选取均方根误差、决定系数和估测精度进
行模型分析检验, 其计算公式如表 2。其中决定系数
(R2)表示模拟值与实测值的拟合程度 , 其值越趋近
于 1, 拟合曲线参考价值越高; 均方根误差(RMSE)
主要用于模型验证, 反映了模拟值与实测值的偏离
度, 其值越小, 模型精度越高; 估测精度(EA)是对反
演结果进行的精度检验及综合评估, 其值越趋近于
100%, 表明反演模型的估测精度越高。
2 结果与分析
2.1 植被指数的选取
考虑到遥感影像的可见光波段(特别是红波段)
和近红外波段的反射率组合与作物的叶面积指数具
有较好相关性, 本文选择 5 种利用宽波段反射率反
演 LAI效果较好的植被指数(表 3)构建模型。
872 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn

图 3 研究区内大豆叶面积指数(LAI)估算试验的分析流程图
Fig. 3 Test and analysis flow chart of retrieving soybean leaf area index (LAI) in the study area
表 2 3类模型检验指标及计算公式
Table 2 Three assessment indexes and its formulas
指标 Index 公式 Formula 备注 Remark
决定系数(R2)
Coefficient of determination
   
   
2 2
2 1
2 2
1 1
n
i i
i
n n
i i
i i
x x y y
R
x x y y

 
  

  

 

均方根误差(RMSE)
Root mean square error RMSE=
 2
1
n
i i
i
y x
n



估测精度(EA)
Estimated accuracy
1 100%A
RMSEE m
     
其中 i ix x y y、 、 、 分别为实测值、实测值均值、模拟值、
模拟值均值; n为测量次数; m 为检验样本数据的均值。
,ix x , iy , y are measured value, average of measured
value, simulated value and average of simulated value. n is
the measurement time. m is the average value of test
samples.

2.2 构建大豆 LAI反演模型
图 4 是结荚期与鼓粒期大豆叶面积指数实测值
对比, 图中结荚期的大豆叶面积指数值保持动态平
稳(46 之间), 均值较高; 鼓粒期的大豆叶面积指数
值较之有所下滑, 但波动性明显, 根据农学先验知
识, 由于鼓粒期大豆叶片、茎、叶柄所占比率出现
第 7期 高 林等: 基于无人机遥感影像的大豆叶面积指数反演研究 873


http://www.ecoagri.ac.cn
表 3 本文选用的反演大豆叶面积指数(LAI)的植被指数公式
Table 3 Vegetation indices expressions of leaf area index (LAI) retrieving for soybean used in the study
植被指数 Vegetation index 公式 Formula 文献出处 Reference
比值植被指数 Ratio vegetation index (RVI) RVI=ρNIR/ρR [16]
归一化植被指数 Normalized difference vegetation index (NDVI) NDVI=(ρNIRρR)/(ρNIR+ρR) [17]
土壤调整植被指数 Soil-adjusted vegetation index (SAVI) SAVI=(1+L)×(ρNIRρR)/(ρNIR+ρR+L) (L=0.5) [18]
差值植被指数 Difference vegetation index (DVI) DVI=ρNIR-ρR [19]
三角植被指数 Triangle vegetation index (TVI) TVI=0.5×[120×(ρNIRρG)]200×(ρRρG) [20]
ρNIR、ρR、ρG分别表示近红外波段的反射率、红波段的反射率和绿波段的反射率; L为土壤调整系数, 一般设为 0.5。ρNIR, ρR, ρG are reflectance
in near-infrared wavelength, red wavelength and green wavelength. L is adjustment factor of soil, set as 0.5.

图 4 研究区内结荚期与鼓粒期大豆叶面积指数(LAI)实测值对比
Fig. 4 Comparison between podding stage and seed-filling stage of measured soybean leaf area index (LAI) in the study area
大幅下降, 而荚所占比率大幅上升导致 2 个时期大
豆 LAI差异明显。为了避免 LAI时域性对反演的干
扰, 在建立经验模型前, 先分时期讨论 VI 与 LAI
的相关性(表 4), 结果表明: 结荚期 VI 与 LAI 低度
相关, 而鼓粒期 VI 与 LAI 显著相关(R>0.8), 其原
因是结荚期的大豆长势旺盛, LAI 达到高峰, 而大
豆冠层光谱反射率变化随 LAI增大, 可见光波段有
变小趋势, 当 LAI>3 以后, 可见光波段的反射率变
表 4 研究区内不同生育期大豆叶面积指数(LAI)与植被
指数(VI)的相关性
Table 4 Correlation between leaf area index (LAI) and
vegetation indices of soybean at different growth stages
in the study area
大豆生育期
Growth stage of
soybean
植被指数
Vegetation
index
相关系数
Correlation
coefficient
RVI 0.118
NDVI 0.056
SAVI 0.101
DVI 0.114
结荚期
Podding stage
TVI 0.337
RVI 0.832
NDVI 0.892
SAVI 0.873
DVI 0.845
鼓粒期
Seed-filling stage
TVI 0.849
化缓慢 , 逐渐趋于饱和 , 此时 , 由绿、红、近红外
波段构建的一些植被指数饱和效应明显 , 对 LAI
的敏感性降低。李鑫川等 [21]研究指出 , 各植被指
数在不同土壤背景下与 LAI 相关性差异明显 ; 鼓
粒期大豆叶片的叶绿素含量日渐降低 , 相应的红
波段反射率逐渐增大, 近红外反射率则慢慢下降[22],
VI 和 LAI 高度相关 , 所以选择鼓粒期反演大豆叶
面积指数。
利用 SPSS Statistics19软件对鼓粒期的 46个大
豆 LAI实测值进行随机抽样, 选出 36个做为建模样
本, 10 个做为检验样本。针对每种植被指数分别使
用线性、对数、幂、指数等模型进行拟合, 从中筛
选出与大豆 LAI 高度相关且精度相对较高的回归模
型, 结果如表 5。
表 5 显示了 5 种类型植被指数在不同回归模型
下对大豆 LAI 的最佳预测能力。整体上, 基于无人
机多光谱影像构建的单变量模型都显著正相关; 在
P=0.01显著水平下, 模型的决定系数 R2在 0.79以上,
表明单变量植被指数与 LAI 拟合效果较好, 其中由
NDVI构建的线性模型具有最大值 R2=0.829; RMSE
都在 0.33以下, 说明模型对 LAI有较好的解释能力,
而 NDVI构建的线性模型的 RMSE最小, 为 0.301。
在线性、对数、幂、指数 4 种回归模型中, 线性、
对数模型对大豆 LAI 的解释能力比幂和指数模型
874 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn
表 5 大豆叶面积指数(LAI)与各类型植被指数构建的最佳反演模型及模型精度检验(n=36)
Table 5 Best inversion models and accuracy verification of leaf area index (LAI) of soybean and vegetation indices (n=36)
植被指数
Vegetation index
模型
Model
表达式
Expression
决定系数
Coefficient of
determination
均方根误差
Root mean
square error
RVI 对数 Logarithmic LAI=1.504×ln(RVI)+0.503 0.814** 0.314
NDVI 线性 Linear LAI=4.704×NDVI0.03 0.829** 0.301
SAVI 线性 Linear LAI=5.135×SAVI+0.243 0.823** 0.307
DVI 线性 Linear LAI=6.042×DVI+0.52 0.797** 0.328
TVI 线性 Linear LAI=0.074×TVI+0.602 0.806** 0.321
RVI, NDVI, DVI, TVI 多元 Multi-variable LAI=0.227×RVI+1.309×NDVI53.87×DVI+0.668×TVI+1.457 0.856** 0.277
**表示 0.01极显著检验水平。** indicate the coefficient of determination reached 0.01 significance level.

强。整个单变量回归模型中, 由 NDVI 构建的线性
模型建模精度最高, R2=0.829, RMSE=0.301。在多变
量回归模型中, 以 RVI、NDVI、DVI和 TVI组成的
模型 R2=0.856、RMSE=0.277。
经验回归模型预测精度的高低与建模样本数量
关系密切, 在填图前使用未参与建模的 10个样本数
据对NDVI构建的线性回归模型和RVI、NDVI、DVI、
TVI构建的多元回归模型进行精度验证, 综合评价 2
种模型对大豆 LAI 的预测能力。分析发现: 虽然多
变量模型的建模精度优于 NDVI 线性模型, 但其对
大豆 LAI 的预测能力比 NDVI 线性模型低, 出现这
种情况的原因是 5 种植被指数与大豆 LAI 都高度相
关(R>0.8), 且受野外实测样本数目较少的限制, 在
以 RVI、NDVI、DVI、TVI 为自变量, 大豆 LAI 为
因变量的多元回归模型中, 出现自变量数据对因变
量数据的过度拟合现象 [15], 导致在 RVI、NDVI、
DVI、TVI组成多元回归模型时发生过度拟合, 引起
模型的建模精度高, 但预测效果不理想; NDVI 是 5
种植被指数中反演大豆 LAI 的最佳植被指数, 其构
建的线性模型预测大豆叶面积指数的效果最理想 ,
估测精度 EA=85.4%; 大豆 LAI预测值与实测值拟合
程度最高, R2=0.634(图 5)。

图 5 两种反演模型下的大豆叶面积指数(LAI)预测值与实测值的精度比较
Fig. 5 Comparison between predicted value and measured value of soybean leaf area index (LAI) by two retrieving models
2.3 研究区大豆 LAI反演
利用 NDVI线性模型 LAI=4.704×NDVI0.03对
研究区鼓粒期的大豆叶面积指数进行填图(图 6)。图
中出现个别小区的大豆 LAI 在 1 以下, 原因是当地
正值干旱, 大豆生育后期缺水, 一些大豆出现早熟,
叶片脱落所致。将鼓粒期大豆 LAI 分布情况与鼓粒
期正射影像对照可知填图结果基本反映了研究区鼓
粒期大豆的真实情况, 能够作为精确评估大豆长势
和估算大豆产量的依据。因此, 利用无人机同步搭
载数码相机与多光谱传感器构成的农情监测系统获
取大田作物光谱信息对研究 LAI具有实用价值。
3 讨论与结论
利用无人机进行农业遥感已有先例, 然而借助
无人机遥感技术获取农作物光谱信息表征作物生物
物理参数方面的研究还没有太多尝试。本文设计了
多旋翼无人机为平台同步搭载多光谱传感器及高清
数码相机组成农业无人机遥感监测系统, 对山东省
嘉祥县一带大豆种植区开展监测试验, 将获取到的
0.018 m空间分辨率多光谱影像与 0.016 m空间分辨
第 7期 高 林等: 基于无人机遥感影像的大豆叶面积指数反演研究 875


http://www.ecoagri.ac.cn

图 6 基于 NDVI线性模型遥感反演研究区内鼓粒期大豆
叶面积指数(LAI)
Fig. 6 Retrieved soybean leaf area index (LAI) at seed-filling
stage in the study area based on NDVI linear model
率数码正射影像相结合, 精确提取出地面实测小区
内大豆的反射率因子, 有效避免了农田混合像元的
干扰, 为构建 RVI、NDVI、SAVI、DVI、TVI 5 种
植被指数提供了保障。研究中考虑到叶面积指数的
时域特性, 结合田间同步实测的 LAI 数据, 分析比
较了结荚期和鼓粒期植被指数与同期 LAI的相关性,
得出鼓粒期植被指数与大豆 LAI 显著相关, 是 2 个
生育期中反演 LAI 的最佳时期, 说明有选择性地分
时期进行农作物的叶面积指数反演是必要的, 这与
郭琳等[23]的研究结果一致。本研究选择经验模型法
构建大豆 LAI 的估测模型, 并从决定系数、均方根
误差以及估测精度 3 个方面综合评定单变量模型和
多变量模型的反演精度, 结果表明: NDVI线性回归
模型对大豆 LAI的解释能力最强, R2=0.829, RMSE=
0.301; 反演大豆 LAI 最准确, EA=85.4%; 其填图结
果较真实地反映了鼓粒期大豆叶面积指数的分布情
况, 说明利用多旋翼无人机为平台同步搭载高清数
码相机与多光谱传感器构成的农情监测系统在精确
反演农作物叶面积指数方面是可行的, 对精准农业
研究具有深远意义: 其获取的高空间分辨率和光谱
分辨率的农田实时信息不仅保障了时间维的农情数
据库构建, 为分析作物长势、健康状况等提供了必
要的数据支持; 而且因低空无人机遥感数据受大气
吸收、散射以及云层等的干扰小, 可以更加清晰准
确地反映研究区真实状况, 为现有卫星、航空以及
地面遥感作补充, 使之构建更加全面的星机地农
作物综合遥感监测体系。同时, 本文设计的农业无
人机监测系统在反演大豆叶面积指数方面的成功应
用为开展基于微型无人机载成像高光谱的农业遥感
研究掀开了新篇章。
然而, 研究中仍有诸多不足, 首先 LAI 反映的
是结构性和时期性的作物长势情况。因此, 基于多
时相的 LAI 反演分析对于了解全生育期作物长势情
况十分必要。而本文构建的 LAI-VI反演模型未能考
虑整个大豆生育期因素, 并且受 LAI 实测样本数量
限制 , 模型的鲁棒性有限; 其次 , 在无人机遥感数
据进行拼接处理过程中, 对像片重叠区域进行的匀
色处理将在一定程度上破坏作物光谱信息, 影响重
叠区专题信息提取, 这些问题有待进一步的研究。
参考文献
[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] 梁顺林, 李小文, 王锦地, 等. 定量遥感: 理念与算法[M].
北京: 科学出版社, 2013: 317
Liang S L, Li X W, Wang J D, et al. Quantitative Remote
Sensing: Theory and Algorithm[M]. Beijing: Science Press,
2013: 317
[3] Veroustraete F, Patyn J, Myneni R B. Estimating net ecosystem
exchange of carbon using the normalized difference vegetation index
and an ecosystem model[J]. Remote Sensing of Environment,
1996, 58(1): 115–130
[4] Bunnik N J J. The multispectral reflectance of shortwave
radiation by agricultural crops in relation with their morpho-
logical and optical properties[J]. Wageningen: Veenman, 1978
[5] Thenkabail P S, Ward A D, Lyon J G. Landsat-5 Thematic
Mapper models of soybean and corn crop characteristics[J].
International Journal of Remote Sensing, 1994, 15(1): 49–61
[6] Walthall C, Dulaney W, Anderson M, et al. A comparison of
empirical and neural network approaches for estimating corn
and soybean leaf area index from Landsat ETM+ imagery[J].
Remote Sensing of Environment, 2004, 92(4): 465–474
[7] Sugiura R, Noguchi N, Ishii K. Remote-sensing technology
for vegetation monitoring using an unmanned helicopter[J].
Biosystems Engineering, 2005, 90(4): 369–379
[8] Córcoles J I, Ortega J F, Hernández D, et al. Estimation of
leaf area index in onion (Allium cepa L.) using an unmanned
aerial vehicle[J]. Biosystems Engineering, 2013, 115(1):
31–42
[9] 刘峰 , 刘素红 , 向阳 . 园地植被覆盖度的无人机遥感监测
研究[J]. 农业机械学报, 2014, 45(11): 250–257
Liu F, Liu S H, Xiang Y. Study on monitoring fractional
vegetation cover of garden plots by unmanned aerial
vehicles[J]. Transactions of the Chinese Society for Agricul-
ural Machinery, 2014, 45(11): 250–257
[10] 赵娟, 黄文江, 张耀鸿, 等. 冬小麦不同生育时期叶面积指
数反演方法[J]. 光谱学与光谱分析, 2013, 33(9): 2546–2552
Zhao J, Huang W J, Zhang Y H, et al. Inversion of leaf area
index during different growth stages in winter wheat[J].
Spectroscopy and Spectral Analysis, 2013, 33(9): 2546–2552
[11] 李凤秀, 张柏, 宋开山, 等. 玉米叶面积指数与高光谱植被
指数关系研究[J]. 遥感技术与应用, 2007, 22(5): 586–592
876 中国生态农业学报 2015 第 23卷


http://www.ecoagri.ac.cn
Li F X, Zhang B, Song K S, et al. Research and analysis of the
correlation between hyperspectral vegetation index and leaf
area index[J]. Remote Sensing Technology and Application,
2007, 22(5): 586–592
[12] 张晓倩, 郭琳, 马尚杰, 等. 利用时序合成孔径雷达数据监
测水稻叶面积指数 [J]. 农业工程学报 , 2014, 30(13):
185–193
Zhang X Q, Guo L, Ma S J, et al. Monitoring rice leaf area
index using time-series SAR data[J]. Transactions of the
Chinese Society of Agricultural Engineering, 2014, 30(13):
185–193
[13] 陈雪洋, 蒙继华, 杜鑫, 等. 基于环境星 CCD 数据的冬小
麦叶面积指数遥感监测模型研究[J]. 国土资源遥感, 2010,
22(2): 55–58
Chen X Y, Meng J H, Du X, et al. The monitoring of the
winter wheat leaf area index based on HJ-1 CCD data[J].
Remote Sensing for Land & Resources, 2010, 22(2): 55–58
[14] 浦瑞良 , 宫鹏 . 高光谱遥感及其应用[M]. 北京: 高等教育
出版社, 2000: 129, 144
Pu R L, Gong P. Hyperspectral Remote Sensing and Its
Applications[M]. Beijing: Higher Education Press, 2000: 129,
144
[15] 赵英时. 遥感应用分析原理与方法[M]. 第 2 版. 北京: 科
学出版社, 2013: 309–310
Zhao Y S. The Principle and Method of Analysis of Remote
Sensing Application[M]. 2nd ed. Beijing: Science Press, 2013:
309–310
[16] Pearson R L, Miller L D. Remote mapping of standing crop
biomass for estimation of the productivity of the short grass
prairie[C]//Proceeding of the 8th International Symposium on
Remote Sensing of the Environment. Michigan, Ann Arbor,
Michigan USA, 1972: 1355–1379
[17] Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation
systems in the Great Plains with ERTS[Z]. NASA Special
Publication, 1974, 351: 309–313
[18] Huete A R. A soil-adjusted vegetation index (SAVI)[J].
Remote Sensing of Environment, 1988, 25(3): 295–309
[19] Jordan C F. Derivation of leaf-area index from quality of light
on the forest floor[J]. Ecology, 1969, 50(4): 663–666
[20] Broge N H, Leblanc E. Comparing prediction power and
stability of broadband and hyperspectral vegetation indices
for estimation of green leaf area index and canopy chlorophyll
density[J]. Remote Sensing of Environment, 2001, 76(2):
156–172
[21] 李鑫川, 徐新刚, 鲍艳松, 等. 基于分段方式选择敏感植被
指数的冬小麦叶面积指数遥感反演 [J]. 中国农业科学 ,
2012, 45(17): 3486–3496
Li X C, Xu X G, Bao Y S, et al. Retrieving LAI of winter
wheat based on sensitive vegetation index by the segmentation
method[J]. Scientia Agricultura Sinica, 2012, 45(17): 3486–3496
[22] Badhwar G D. Crop emergence date determination from
spectral data[J]. Photogrammetric Engineering and Remote
Sensing, 1980, 46(3): 369–377
[23] 郭琳, 裴志远, 张松龄, 等. 基于环境星 CCD 图像的甘蔗
叶面积指数反演方法 [J]. 农业工程学报 , 2010, 26(10):
201–205
Guo L, Pei Z Y, Zhang S L, et al. Estimation method of
sugarcane leaf area index using HJ CCD images[J]. Transac-
ions of the Chinese Society of Agricultural Engineering, 2010,
26(10): 201–205