结合基于无人机图像提取的植被指数、颜色指数、纹理信息提取小麦叶片生长参数

      精准作物管理需要及时有效地获取作物生长信息。近年来，无人机系统（UASs）得到了迅速发展，并在农业遥感上得到了广泛应用。植被指数（VI）和颜色指数（CI）是监测作物的常用遥感方法。纹理是图像的固有信息，可以反映作物冠层结构，用于植被分类。本研究旨在探索结合基于无人机固定翼图像中提取的植被指数、颜色指数和纹理信息来提高小麦生长参数的估测精度。研究人员于2017-2019年，在兴化试验站连续两年利用三个小麦品种进行了五种氮肥水平管理下的田间试验。在小麦关键生长阶段，获取无人机影像，同时获得了两个生长参数：叶面积指数（LAI）和叶片干物质（LDM）。简单回归分析（SR）用于确定RS变量（植被指数、颜色指数和纹理信息）与叶面积指数、叶片干物质之间的定量关系。结果表明，单一的纹理信息与叶面积指数、叶片干物质之间的相关性很低，而包含两个纹理信息的指数与叶片参数有很强的相关性。对于简单相关分析的结果依次为：植被指数（R ²  > 0.65, RRMSE < 21.87%），纹理指数（R ²  > 0.51, RRMSE < 26.28%），颜色指数（R ²  > 0.34, RRMSE < 27.74%）。对于多元线性回归，其结果依次为：（植被指数，植被指数+颜色指数，和植被指数+颜色指数+纹理信息）。使用机器学习RF， 结合植被指数+颜色指数+纹理信息对叶片参数（叶面积指数、叶片干物质）估计结果分别为：拔节前期R ²  = 0.78, 0.78 (RRMSE = 17.32% and 13.83%)，抽穗后期 R ²  = 0.81 and 0.77 (RRMSE = 17.86% and 16.08%)，所有时期R ²  = 0.76 and 0.75 (RRMSE = 18.13% and 16.79%)。本研究表明，图像纹理可以辅助小麦监测，以获得更高精度的叶面积指数、叶片干物质，同时，固定翼无人机可以为大规模作物管理提供可靠的数据信息。