近日，湖南农大的崔国贤团队在Agronomy上发表了题为“Influence of Structure and Texture Feature on Retrieval of Ramie Leaf Area Index”的文章，根据冠层结构的差异对苎麻进行分类，利用PhenoAI air系统采集的多特征遥感指标构建了苎麻叶面积指数(LAI)的最优估计模型。

doi : 10.3390/agronomy13071690

01

试验步骤

确定研究区域

确定图像采集时间LAI-2200冠层分析仪

LAI-2200冠层分析仪采集地面叶面积指数

多光谱无人机获取苎麻顶篷图像

采用PhenoAI air系统提取各样块的多光谱数据

构建模型并评估精度

拟解决的问题

确定了结构特征和纹理特征对苎麻LAI估计的贡献

通过多特征数据融合构建了最优苎麻LAI估计模型

图1.研究区域概述

02

该研究将360个苎麻样本按冠层覆盖率(CC)分为稀疏冠层结构数据集(“稀疏数据集”)和闭合冠层结构数据集(“闭合数据集”)，研究不同CC对苎麻LAI反演性能的影响。

图2.不同冠层覆盖数据集中苎麻LAI的差异

图3.不同数据集中CC和LAI之间的皮尔逊相关系数

03

为了解释CC对苎麻LAI反演的影响，分别使用两个数据集来测试LAI估计模型的性能。

图4.全数据集、封闭数据集和稀疏数据集的反演性能

04

将苎麻品种根据株高(PH)分为短柄(100 cm以下)、中柄(100~200 cm之间)和长柄(200 cm以上)。最终得出短柄苎麻PH与LAI相关性极显著，相关系数为0.789。然而，PH与中长柄苎麻LAI的相关性较弱。

图5.不同株高数据集中的苎麻LAI差异

图6.不同数据集中植物高度与LAI之间的皮尔逊相关性

05

为探究纹理特征(TF)对苎麻LAI反演的影响，提取了8个纹理特征值。

图7.整个数据集、短柄、中柄和长柄数据集的反演性能

通过整合遥感影像中提取的多种特征参数，提高了苎麻LAI估计的准确性，阐明了结构纹理特征(植被盖度、株高、纹理)差异对作物LAI估计的影响。通过整合光谱特征和TF进行LAI反演。TF的引入对LAI反演产生了积极影响。与光谱特征的反演效应相比，融合光谱和TF的SVR反演模型的性能略有提高，R²达到0.763，RMSE达到0.760。

图8.纹理特征与LAI之间的皮尔逊相关性

图9.通过集成光谱特征和纹理特征进行苎麻LAI反演

本研究利用PhenoAI air系统提取了高精度图像数据整合遥感影像中提取的多种特征参数，提高了苎麻LAI估算模型的准确性，阐明了结构纹理特征(植被盖度、株高、纹理)差异对作物LAI估计的影响，实现了无人机遥感技术与机器学习技术的结合。