基于无人机多光谱影像和PROSAIL模型的冬小麦叶面积指数反演中最佳空间窗口尺寸的选择

《Science of Remote Sensing》:Selection of optimal spatial window size for winter wheat LAI retrieval based on UAV multispectral imagery and the PROSAIL model

【字体: 大 中 小 】 时间:2026年07月23日 来源:Science of Remote Sensing 7.1

编辑推荐:

  利用无人机进行叶面积指数(LAI)反演对精准农业至关重要。空间窗口尺寸(SWS)选择是LAI反演中用于提取平均光谱反射率的关键步骤,它决定了用于平衡噪声抑制和信息保留的最佳空间邻域。结合物理模型与机器学习(ML)技术的混合模型展现出优越的LAI估计性能;然而,

  
利用无人机进行叶面积指数(LAI)反演对精准农业至关重要。空间窗口尺寸(SWS)选择是LAI反演中用于提取平均光谱反射率的关键步骤,它决定了用于平衡噪声抑制和信息保留的最佳空间邻域。结合物理模型与机器学习(ML)技术的混合模型展现出优越的LAI估计性能;然而,专门针对混合反演框架优化的合理SWS选择仍缺乏研究。为解决此问题,本研究提出了一种基于SWS选择的混合反演框架用于冬小麦LAI反演。具体而言,首先通过局部敏感性分析确定敏感的PROSAIL参数以生成模拟光谱数据集;随后,将模拟光谱与不同SWS下的多尺度无人机聚合反射率融合,构建混合训练数据集;进一步将三种基于ML的非线性回归算法嵌入框架,建立不同SWS设置的混合反演模型。使用决定系数(R2)和相对均方根误差(RRMSE)评估模型性能,并采用显著性检验筛选最佳SWS。研究结果表明,随着SWS增大,混合模型和经验模型的LAI反演精度均先提高(R2增大,RRMSE减小)随后达到饱和状态。据此,LAI反演的最佳SWS在拔节期确定为51×51像素,在抽穗开花期确定为41×41像素。总体而言,采用最佳SWS配置的混合模型(R2 = 0.63–0.65,RRMSE = 18.51%–19.68%)在相同生长阶段和最佳SWS下优于经验模型(R2 = 0.27–0.53,RRMSE = 14.75%–21.09%)的跨年验证。综上,研究人员提出的混合方法在冬小麦LAI反演中为最佳SWS选择提供了实用参考,展现出显著潜力。
**论文解读文章**

**研究背景**
叶面积指数(LAI)是表征冬小麦生长动态的关键表型指标,用于量化作物异质性、监测生长轨迹及预测产量。传统LAI测量依赖手持光学设备,成本高且劳动强度大;无人机(UAV)遥感技术凭借快速覆盖大面积农田的优势,成为高效LAI监测的范式。基于UAV的LAI反演核心在于解析光子冠层辐射传输机制,建立LAI与地表反射率之间的稳健关系模型。当前光学遥感反演方法分为三类:经验回归、物理辐射传输模型及混合方法。经验方法依赖植被指数(如NDVI、RVI)与LAI的统计关系,但可迁移性受限;物理模型(如PROSAIL)具有物理可解释性,但参数敏感且计算效率低;混合方法结合物理模型与机器学习(ML)的非线性拟合能力,成为主流技术。然而,现有混合方法在数据集构建中仍存在参数化依赖,且空间窗口尺寸(SWS)——即用于提取UAV多光谱影像平均光谱反射率的像素聚合尺度——的选择对反演精度至关重要。SWS过小易引入噪声,过大则丢失细节,但针对PROSAIL-ML混合模型的最佳SWS选择尚未系统研究。因此,本研究旨在提出基于SWS优化的混合反演框架,探索不同SWS和ML算法对冬小麦LAI反演的影响,并确定最佳SWS。

**研究开展与结论**
研究人员在陕西省宝鸡峡灌区海武黄家农业示范园(34°21′N, 108°03′E)开展实验,选取冬小麦品种“伟隆169”,于2024年和2025年两个生长季的拔节期(T1)和抽穗开花期(T2)进行田间采样。UAV搭载AQ600 Pro多光谱相机获取影像,提取从1×1到201×201像素共19个梯度SWS下的平均光谱反射率。通过PROSAIL模型(结合PROSPECT-D和4SAIL)进行局部敏感性分析,确定敏感参数并生成模拟光谱数据集。将实测光谱、模拟光谱与优化后的光谱指数(通过最优子集筛选OSS方法从19个光谱指数中选取5个)融合,构建经验数据集(Data1/Data3)和混合数据集(Data2/Data4)。采用三种ML算法(梯度提升机GBM、高斯过程回归GPR、支持向量机SVM)建立LAI反演模型,以决定系数(R2)和相对均方根误差(RRMSE)评估精度,并通过显著性检验(单因素方差分析、Welch方差分析、Kruskal-Wallis检验)及事后多重比较筛选最佳SWS。跨年独立验证使用2024年数据训练、2025年数据测试。
结论:
(1)三种ML算法中,GBM在混合建模中取得最优LAI反演性能。
(2)融合PROSAIL模拟数据与实测数据的混合模型,跨年泛化能力显著优于传统经验模型。在最佳SWS下,混合模型R2为0.63–0.65,RRMSE为18.51%–19.68%,优于经验模型(R2 = 0.27–0.53,RRMSE = 14.75%–21.09%)。
(3)随着SWS增大,混合模型和经验模型的LAI反演精度先提高后趋于饱和;拔节期最佳SWS为51×51像素,抽穗开花期为41×41像素。研究发表在《Science of Remote Sensing》。

**关键技术方法**(不超过250字)
本研究主要关键技术方法包括:(1)PROSAIL辐射传输模型:结合PROSPECT-D叶片光学模型和4SAIL冠层反射率模型,通过局部敏感性分析确定输入参数(如叶绿素含量Cab、干物质含量Cm、LAI等)的合理范围,并固定不敏感参数(如等效水厚度Cw固定为0.03 μg·cm-2,太阳天顶角tts固定为40°);(2)最优子集筛选(OSS):基于贝叶斯信息准则(BIC)从19个光谱指数中全局选取5个最优特征,降低维度冗余;(3)三种机器学习算法:梯度提升机(GBM)、高斯过程回归(GPR)和支持向量机(SVM),采用5折交叉验证优化超参数;(4)显著性检验:对RRMSE进行正态性检验和方差齐性检验,分别采用单因素方差分析、Welch方差分析或Kruskal-Wallis检验,并进行事后多重比较;(5)跨年独立验证:使用2024年田间和PROSAIL模拟数据训练模型,2025年同期数据作为独立验证集。样本队列来源为陕西省宝鸡峡灌区海武黄家农业示范园,包含2024年和2025年两个生长季的拔节期和抽穗开花期实测数据。

**研究结果**
**3.1 PROSAIL参数敏感性分析**:通过单参数扰动法进行局部敏感性分析,结果表明Cw和tts在400–900 nm光谱范围内不敏感,分别固定为0.03 μg·cm-2和40°;Cab在绿光和红光波段敏感,取值范围40–60 μg·cm-2;Cm在近红外波段敏感,范围0.0019–0.0091 g·cm-2;LAI在400–900 nm均有效应,范围1.27–7.95 m2/m2;其他参数如N、Car、Canth、ALA、skyl、psoil和hspot参考前人研究设定。
**3.2 光谱指数选择**:通过OSS方法从19个光谱指数中筛选出5个最优变量,BNDVI、NDRE、EVI和RGBVI为各生长阶段和数据集的核心指数;T2阶段光谱变量的稳定性优于T1;BIC随SWS增大而降低,且混合数据集(Data4)的BIC显著小于经验数据集(Data3),表明混合数据集筛选的变量子集拟合优度更高。
**3.3 不同SWS下LAI反演模型评估**:基于GBM、GPR和SVM三种方法,在四个数据集(Data1–Data4)上建立LAI反演模型。结果显示,R2普遍在0.4–0.8,RRMSE在15%–20%;基于经验数据集(Data1、Data2)的模型精度离散度更高;混合数据集对ML模型包容性更好;随着SWS增大,R2先增后稳,RRMSE先减后稳;经OSS变量筛选的模型(Data2、Data4)精度更高;引入PROSAIL后,模型R2显著提升,RRMSE显著降低;混合模型基线精度更高,且SWS优化后RRMSE平均降幅(8.2%)大于经验模型(4.5%)。
**3.4 基于LAI反演精度的显著性检验**:对RRMSE按SWS分组(21组)和按ML方法-数据集组合分组(12组)进行正态性和方差齐性检验。T1和T2阶段不同SWS的RRMSE符合正态分布,T1方差齐性(p=0.989>0.05),T2方差不齐(p=0.03<0.05);大部分ML方法-数据集组合不服从正态分布。显著性检验表明,不同SWS和不同ML方法-数据集组合对LAI反演精度均有显著影响(p<0.01)。事后多重比较显示,T1阶段SWS在1–41和51–201之间无显著差异,但T2阶段1–31与41–201有显著差异,确定T1最佳SWS阈值为51,T2为41。
**3.5 不同SWS下LAI反演图比较**:使用PROSAIL-SVM混合方法在SWS=1、最佳尺度、SWS=201下生成LAI时空分布图。SWS=1时,LAI空间异质性最强,存在斑点或条纹;最佳SWS时,异质性降低,色块连续,与真实植被分布一致;SWS=201时,异质性最弱,小尺度差异被过度平滑。表明SWS超过最佳值后,反演精度无显著提升。
**3.6 LAI反演模型跨年验证**:使用2024年数据训练、2025年数据验证,采用最佳SWS和GBM算法。拔节期混合模型R2=0.63,RRMSE=18.51%;经验模型R2=0.53,RRMSE=14.75%。抽穗开花期混合模型R2=0.65,RRMSE=19.68%;经验模型R2=0.27,RRMSE=21.09%。混合模型反演值更接近1:1线,无系统性偏差;经验模型在高LAI范围出现饱和偏差。表明混合模型跨年泛化能力显著优于经验模型。

**讨论与结论**
**讨论部分总结**:
(1)SWS策略在混合建模中的重要性:耦合PROSAIL的混合模型精度优于传统经验模型,但SWS优化可平衡光谱代表性与空间精度,确定的最佳SWS(拔节期51×51像素,抽穗开花期41×41像素)能显著提升混合模型的反演精度、稳定性和实用性。
(2)光谱指数选择的优势:基于光谱指数(SI)的模型(Data3、Data4)精度高于原始反射率模型(Data1、Data2),因为SI通过非线性组合增强植被信号、抑制环境噪声,并缓解高LAI下的光谱饱和效应。
(3)GBM在混合建模中的优越性:GBM通过正则化策略(如限制树深度、早停)有效避免过拟合,适用于小样本农业回归场景,性能优于GPR和SVM。
(4)SWS对LAI反演精度的影响:随着SWS增大,模型精度先提高后饱和;SWS过小导致噪声放大,过大则平滑细节。阈值效应由冠层代表性饱和引起。
(5)局限与展望:单一实验场地、均匀冠层和固定品种限制了普适性;仅使用五个多光谱波段;传统ML算法对高维非线性特征捕获能力有限。未来需开展多站点多年份验证,集成高光谱或LiDAR数据,探索自动超参数优化和深度学习算法。

**研究结论翻译**:
本研究建立了基于PROSAIL集成混合反演框架的LAI反演最佳SWS选择策略,采用统计显著性检验和跨年验证作为核心程序筛选最佳SWS,并全面评估了耦合PROSAIL辐射传输模型与三种ML算法的混合框架性能。主要结论如下:
(1)在混合建模中采用的三种机器学习算法(GBM、GPR和SVM)中,GBM算法取得了最优的LAI反演性能。
(2)融合PROSAIL模拟数据与田间实测数据的混合模型,其跨年泛化能力显著优于传统经验模型。与经验模型(R2 = 0.27–0.53,RRMSE = 14.75%–21.09%)相比,采用最佳SWS配置的混合模型在各生长阶段整体表现更优,R2提升至0.63–0.65,RRMSE降低至18.51%–19.68%。
(3)混合模型和经验模型的冬小麦LAI反演精度均随SWS增大先提高后趋于饱和,且SWS对反演精度有统计显著影响。同时,冬小麦LAI反演的最佳SWS在拔节期确定为51×51像素,在抽穗开花期确定为41×41像素。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号