摘要
叶绿素含量和叶面积指数是玉米生长的重要农学参数，对监测玉米生长状况和产量预测意义重大，因此如何快速准确地监测玉米的叶面积指数（Leaf area index,LAI）和叶绿素相对含量（SPAD），对玉米的后期田间管理和产量提高至关重要。针对目前单一来源数据源下，夏玉米LAI和SPAD反演模型精度低、鲁棒性差等问题，本研究以夏玉米为对象，研究地面与无人机低空多源遥感数据（地-空多源数据）融合进行夏玉米LAI和SPAD的精准监测方法，并进行反演结果可视化，为后续田间精准管理提供指导。 本研究针对地面数据采集复杂费力等问题，结合STM32和无线传输技术，研制了地面遥感数据采集车，利用DJI精灵4RTK、M210无人机和研发的地面遥感数据采集车，搭载可见光相机、MS600Pro多光谱和PSR1100-f高光谱，于2020年和2021年分别获取了试验区夏玉米喇叭口期、抽雄期和灌浆期的多源数据，并由田间气象站获取环境参数，通过相关性分析优选LAI和SPAD敏感特征。结果表明，高光谱红边位置和红边内一阶微分值（相关性0.5~0.75）、包含可见光红波段和近红外波段的多光谱植被指数（相关性0.74~0.85）、作物有效株高和有效积温（相关性0.74~0.9）均对二者表现出较高的相关性。LAI的多源敏感特征为CHM、GDD、λr、Dr、WDRVI、NDVI、RVI、PVI、PBI、OSAVI，SPAD的多源敏感特征为Rr、λr、Dr、NDVI、DVI、RVI、GNDVI、SAVI、RDVI、CHM、GDD。 所有数据按2∶1划分为训练集和测试集，采用多元线性回归（MLR）、偏最小二乘回归（PLSR）和随机森林回归（RF），分别构建了单一来源数据和多源数据融合下的LAI和SPAD反演模型，并采用测试集进行模型精度验证。结果表明，多源数据融合使用可有效提高夏玉米LAI和SPAD模型反演精度。利用多源数据融合构建的模型，其反演精度和误差均优于单一数据源下的同类模型，且RF模型（LAI模型：R2=0.9315，RMSE=0.4895，SPAD模型：R2=0.7767，RMSE=2.8387）反演结果相对最优，PLSR模型和MLR模型结果较为相近。综合分析，基于多源数据融合的RF模型可快速准确的反演夏玉米LAI和SPAD，为夏玉米的后续田间管理提供数据支持。 本研究利用开发的ArcGISQC软件将最优反演模型结果进行可视化，分析LAI和SPAD变化规律，可视化结果表明，LAI和SPAD表现出相似变化趋势，生长前期随生育期的发展不断升高，抽雄期达到最大，随后逐渐降低。品种和环境差异的影响分析表明，玉米品种间差异对二者的影响较小，但环境变化有一定影响，并且LAI受环境影响较大，SPAD较小。该研究构建的LAI和SPAD分布图能够有效反映夏玉米长势，可为夏玉米的田间水肥追施和施药提供指导。
NETL