基于无人机多光谱影像与深度学习的稻叶面积指数多时期统一估测模型研究

本研究针对传统水稻叶面积指数(LAI)测量方法效率低、误差大的问题，通过无人机搭载多光谱相机获取水稻冠层影像数据，采用多层感知器(MLP)和卷积神经网络(CNN)深度学习模型，实现了水稻多个生长时期的LAI统一估测。结果表明，基于五波段反射率图像(490、550、670、720和850 nm)的CNN模型在不同生育期均表现出较高估测精度，相比传统MLP模型总体精度提升6.01%，有效避免了植被指数饱和问题。该研究为精准农业提供了技术支撑，为水稻生长监测提供了更精确的解决方案。

　　

在全球粮食安全面临严峻挑战的背景下，水稻作为世界主要粮食作物，其生长监测对保障粮食安全和促进农业可持续发展具有重要意义。叶面积指数(LAI)是评估水稻生长状况和产量潜力的关键指标，但传统获取方法存在效率低下、误差较大等问题。随着遥感技术的发展，无人机多光谱遥感结合深度学习技术为水稻LAI的高效精确估测提供了新途径。然而，现有技术仍面临植被指数饱和、模型跨时期适应性不足等挑战，亟需开发更精准的多时期统一估测方法。

针对这一科学问题，武汉大学的研究人员开展了一项创新性研究，通过整合无人机多光谱影像与深度学习技术，建立了水稻冠层LAI的多时期统一估测模型。该研究成果发表在《Plant Methods》期刊上，为解决水稻生长监测中的关键技术难题提供了新思路。研究团队采用了两项关键实验设计：2018年和2022年分别在湖北和海南进行的氮肥控制试验，共设置51个采样区；技术方法上主要运用了无人机多光谱成像系统(MCA相机)获取高分辨率影像，通过分段经验线(PEL)方法进行辐射校准，并采用破坏性测量法获取精确LAI值，最终构建了基于多层感知器(MLP)和卷积神经网络(CNN)的深度学习模型进行数据分析。

研究结果部分，"不同时期水稻LAI和冠层反射率的变化趋势"显示，两个实验中水稻LAI均值随时间推移呈现一致的逐渐增加趋势，但品种间存在显著差异。冠层反射率在700-950 nm波段先急剧增加后增速明显减缓，在490-680 nm波段则先逐渐降低后变化减小。"植被指数与LAI在不同时期的相关性分析"表明，OSAVI、WDRVI、SAVI、RVI、EVI2、EVI和NDRE与LAI的相关系数均超过0.6，但相关性随生育期推进而减弱。"CNN模型输入变量的筛选"确定了490、550、670、720和850 nm五个波段反射率图像作为最优输入变量。

"基于MLP和CNN的水稻LAI估测"部分得出关键结论：CNN模型在四个生育期(分蘖期、拔节期、孕穗期和抽穗期)的估测精度分别比MLP模型提高4.89%、5.76%、10.96%和1.84%；多时期统一估测中，CNN验证集的R²达到0.90，RMSE为1.33，RRMSE为23.08%，显著优于MLP模型。"变量筛选对模型精度的影响"分析显示，经过变量筛选的CNN模型精度最高，验证了合理变量筛选对提升模型性能的重要性。

研究讨论部分深入分析了输入变量类型对模型精度的影响，指出原始反射率图像比植被指数能提供更丰富的冠层信息，有效克服了植被指数饱和问题。同时，通过数据增强(图像旋转)和弹性网络正则化(Elastic Net regularization)技术，显著提升了模型的跨时期适应性和泛化能力。该研究的创新性在于首次将CNN模型直接应用于原始多光谱图像进行水稻LAI估测，避免了人工特征提取造成的信息损失，为作物生长参数遥感反演提供了新范式。

这项研究的重要意义在于：技术上，建立了首个基于无人机多光谱影像和深度学习的水稻LAI多时期统一估测框架；方法上，证实了CNN模型在处理原始遥感图像数据方面的优势；应用上，为精准农业中的变量施肥、病虫害防控等田间管理措施提供了更精确的决策支持。未来研究可进一步探索更多特征提取和变量筛选方法，通过优化模型结构提高精度和稳定性，并将该技术推广至其他禾本科作物监测中。该成果标志着农业遥感与人工智能交叉研究领域的重要进展，对推动智慧农业发展具有重要价值。