基于高分辨率多光谱无人机影像与PROSAIL模型的水稻生物物理参数精准反演研究

《Smart Agricultural Technology》：Improving Crop Biophysical Parameter Estimation Using High-Resolution Multispectral UAV Imagery and PROSAIL Model

本研究针对作物生物物理参数田间尺度快速获取难题，结合高分辨率无人机多光谱影像与PROSAIL辐射传输模型，实现了水稻关键生长期叶面积指数(LAI)、叶绿素含量(Cab)等参数的高精度反演。结果表明，无人机数据在田间尺度显著优于Sentinel-2卫星数据（如Cab反演R2达0.996），为精准农业管理提供了可靠技术路径。

　　

随着全球人口增长和气候变化加剧，农业生产面临提高产量与资源利用效率的双重挑战。传统作物监测方法依赖人工实地测量，存在效率低、时空连续性差等问题。遥感技术虽能实现大范围观测，但卫星数据受云层干扰和空间分辨率限制，难以捕捉田间尺度的作物异质性。无人机（Unmanned Aerial Vehicle, UAV）遥感以其高分辨率、灵活采集的特点，为作物表型精准解析提供了新途径。然而，单纯依赖植被指数（如NDVI）的经验模型易饱和且缺乏物理机制支撑，如何耦合物理模型与多源遥感数据实现作物参数动态量化，成为智慧农业领域的关键科学问题。

本研究发表于《Smart Agricultural Technology》，通过整合多光谱无人机影像与PROSAIL辐射传输模型，系统评估了水稻三个关键物候期（移栽期、分蘖盛期、成熟前期）的生物物理参数反演精度。研究采用eBee固定翼无人机搭载Sequoia多光谱传感器（含绿、红、红边、近红外波段）和Phantom-4 Pro无人机采集RGB影像，结合地面实测数据（LAI-2200C仪器测量叶面积指数，SPAD叶绿素仪测定叶片参数），通过查找表（Look-Up Table, LUT）方法反演PROSAIL模型参数，并同步对比Sentinel-2卫星数据性能。

主要技术方法

1. 1.
   多源数据采集：在50公顷水稻田开展三期无人机航测，同步获取地面200个样本的LAI、Cab等参数；
2. 2.
   辐射定标与预处理：利用白板校正和辐照度传感器数据将原始数字量化值（DN）转换为地表反射率；
3. 3.
   PROSAIL模型反演：通过LUT法匹配模拟与实测光谱，以均方根误差（RMSE）最小化为目标反演Cab、Car（类胡萝卜素）、Cw（叶片含水量）、Cm（干物质）、N（叶肉结构参数）及LAI；
4. 4.
   精度验证：采用决定系数（R²）和RMSE评估反演结果，并生成参数时空分布图。

研究结果

4.1 光谱指数时序变化

红边指数（NDRE、LCI）和色素比率指数（SIPI2）清晰刻画水稻物候轨迹：分蘖期NDRE/LCI与Cab/LAI同步达到峰值，成熟期SIPI2升高而Cab/Cw下降，印证了叶片衰老过程中的色素比例变化。

4.2 PROSAIL反演参数特征

反演参数呈现生理合理性：分蘖期Cab（35–65 μg/cm²）和LAI（3–6.5 m²/m²）达峰值，成熟期Cm上升而Cw下降，与干物质积累和水分输运减弱相符。

4.3 误差时空分异

RMSE空间分布显示：移栽期误差均匀且较低（背景以土壤/水体为主），分蘖期误差最小且空间一致性高，成熟期因叶片衰老异质性导致误差回升，表明模型精度受物候阶段显著影响。

4.4 地面验证精度

无人机-PROSAIL组合在移栽期表现最优（Cab反演R²=0.996，RMSE=1.555），分蘖期和成熟期精度略有下降但仍显著优于Sentinel-2数据（如LAI反演R²为0.81对比0.996）。

4.5 与Sentinel-2数据对比

受云层和空间分辨率（10–60 m）限制，Sentinel-2仅能在首期实现有效反演，其Cab反演误差（RMSE=6.5）远高于无人机数据，凸显无人机在田间尺度的优势。

结论与讨论

本研究证实“无人机多光谱+PROSAIL”物理反演框架能够突破传统植被指数饱和限制，实现水稻关键生物物理参数的田间尺度动态制图。红边波段（如NDRE）对Cab的敏感性、PROSAIL模型对叶片生化参数的表征能力，以及无人机数据的高时空分辨率，共同支撑了反演结果的高精度与生理一致性。相较于卫星数据，无人机方案在云层干扰下仍能保证数据获取，为变量施肥、灌溉决策等精准农艺实践提供了可靠数据源。未来需通过多作物、多环境验证优化参数范围，并探索与机器学习融合的混合反演策略，以提升模型在复杂农情下的鲁棒性。