从实验室到田间：利用消费级无人机RGB成像平台实现油菜叶面积（LAI）反演的实用且可靠的模型

《Precision Agriculture》：From plot to field: A practical and robust model for rapeseed LAI inversion using a consumer-grade UAV RGB imaging platform

LAI估计采用UAV多光谱与RGB传感器数据，对比PROSAIL、ESM和自研CMP模型。CMP通过稀疏冠层FVC和密集冠层高度差异化处理，在异质农田环境中实现R2=0.779、RMSE=0.732，优于ESM（RMSE=0.814）和PROSAIL（R2=0.618），有效提升复杂场景下LAI反演精度。

　　

摘要

目的

叶面积指数（LAI）是作物生长管理中的一个关键参数。虽然无人机遥感技术已被用于在小区尺度上估算LAI，但其应用于具有异质背景（如土壤、残茬和杂草）的复杂农田环境中的研究还相对较少。

方法

本研究使用搭载在高光谱和RGB传感器的无人机从实验小区和农田环境中收集数据。来自不同油菜品种和生长阶段的数据被用作校准数据集，而农田级别的数据用于验证模型。本研究比较了三种模型：PROSAIL模型（一个不区分冠层覆盖类型的经验模型，该模型结合了冠层光谱和形态参数）以及提出的基于冠层形态参数（CMP）的模型。CMP模型通过使用分数植被覆盖度（FVC）来估算稀疏冠层的LAI，通过使用冠层高度来估算封闭冠层的LAI。

结果

尽管面临无人机图像分辨率和空间数据有限等挑战，CMP模型仍表现出良好的性能，其R2值为0.779，RMSE值为0.732。尽管其R2值与经验光谱-形态（ESM）模型（R2 = 0.780）相似，但CMP模型的RMSE值显著更低（0.732对比0.814）。这一改进得益于其基于冠层特征的设计：对于稀疏冠层，模型采用分数植被覆盖度进行估算；对于封闭冠层，则使用冠层高度进行估算。这种区分机制提高了模型在异质农田环境中的稳定性和泛化能力——在这些环境中，背景干扰和结构变异常常会降低经验模型的性能。相比之下，PROSAIL模型的表现较差（R2 = 0.618，RMSE = 1.094）。

结论

这些结果表明，CMP模型为LAI估算提供了一种稳健且成本效益高的解决方案，有助于在实际农田中进行作物生长评估和管理。