棉花叶面积指数(leaf area index，LAI)的实时监测在指导田间施肥、水分管理、生长观察和产量预测等方面具有重要作用。使用配备各种传感器的无人驾驶飞行器(unmanned aerial vehicles，UAVs)可以在广泛的区域内灵活快速地测量LAI。本研究评估了安装在无人机上的激光雷达和高分辨率相机衍生的点云数据在LAI预测中的有效性。我们评估了将多光谱数据的冠层光谱纹理特征与点云数据的结构特征相结合的LAI预测方法。此外，我们比较了各种机器学习和深度学习模型，选择了最优模型，并应用Shapley加性解释(Shapley Additive Explanations)方法识别该模型中的关键特征及其影响模式。结果表明：(1)由于冠层闭合的不同，基于两种传感器的冠层结构指标在不同生育期的表现存在差异；(2)基于深度神经网络 (Deep Neural Network，DNN)的LAI预测模型在单周期数据集上表现优异，R2为0.81，RMSE%为11.36%。同样，在全周期多模态数据融合中，它表现出优越的性能，R2为0.84，RMSE%为9.94%。(3)与单峰数据模型相比，多峰数据模型的结果更优，鲁棒性更强。(4)在利用多模态数据的基于DNN的LAI预测模型中，纹理特征贡献最大。结果表明，当采用多模态数据融合时，DNN模型不仅提供了相对精确和稳健的作物LAI估计，而且为作物表型和加强田间管理提供了有价值的见解。该方法提高了作物生产的空间预测精度和决策质量。

图1  实验地点：N0、N1、N2、N3代表不同氮肥处理，方框代表LAI地面采样面积。

图2  LAI在各个时期的分布。

图3  无人机携带的传感器(a)搭载Zenmuse L1的DJI M300，(b)搭载Zenmuse P1的DJI M300，(c)搭载多光谱传感器的DJI P4M，(d)搭载多光谱传感器的辐射校正。注：(a)中红色方框为Zenmuse L1传感器，(b)中黄色方框为Zenmuse P1传感器，(c)中绿色方框为大疆P4M的多光谱传感器，(d)中蓝色方框为标准反射面板的图像采集。

图4  迭代角α和迭代距离d示意图

图5  激光雷达与RGB摄影测量法衍生的CH与实测CH的关系。

图6 多模态深度神经网络模型的网络结构示意图。

图7  工作流图

图8  冠层结构指标与LAI的相关系数。(a)基于lidar的冠层结构度量。(b)基于RGB摄影测量的冠层结构度量。

图9  不同模式在不同时期的精度评估雷达图。

图10  多模态数据融合在整个生长阶段对LAI预测模型的训练和验证结果。注：(a-d)为激光雷达与多光谱特征融合后DNN、SVR、RFR、PLSR的模型评价，(e-h)为RGB与多光谱特征融合后DNN、SVR、RFR、PLSR的模型评价。

图11  (a-b)激光雷达与多光谱数据融合后DNN模型的SHAP评价，(c-d) RGB与多光谱数据融合后DNN模型的SHAP评价。

图12  (a)融合LiDAR和多光谱数据的DNN模型预测LAI的空间分布；(b)融合RGB和多光谱数据的DNN模型预测LAI的空间分布。