叶面积指数(LAI)是作物表型参数的重要组成部分，是评价作物生长和估产的重要指标，有利于玉米的高通量表型分析和精确农业。深入挖掘多模态数据来估算玉米冠层LAI有利于提高其估测精度，同时对其他玉米关键表型性状提供一种新的思路。此外，还需要了解玉米抽穗和土壤背景对叶面积指数估算模型的影响。

本研究的目的是：(1)基于无人机RGB、多光谱和热红外图像的多模态数据，提出一个基于多源遥感数据的叶面积指数估算框架;(2)评价利用多模态数据融合和深度神经网络在单生育期和整个生育期的叶面积指数估算中模型的稳健性和适应性;(3)探讨土壤背景和玉米抽穗对叶面积指数估算模型的影响。

图1 玉米冠层叶面积指数数据采集

采用Sunscan冠层分析仪采集的LAI作为地面真实测量值。在玉米冠层不同高度下采集5个水平面的LAI垂直分布数据。

图2 本研究的技术流程图

无人机采集RGB、多光谱(MS)和热红外图像(TIR)构建多模态数据集。利用偏最小二乘回归(PLSR)、支持向量机回归(SVR)和随机森林回归(RFR)和深度神经网络(DNN)对这些参数进行组合，估计叶面积指数(LAI)。

图3 影像特征与玉米冠层LAI垂直分布相关系数图

为方便数据展示，我们只展示了图像变量与最优单生长期(2020年8月8日)的LAI的相关分析。相关系数图显示，可见光波段构建的植被指数与LAI的相关性强于近红外和红边波段构建的植被指数。从热红外波段获得的灰度共生矩阵特征也显示了评估玉米冠层 LAI 的潜力。热红外波段获得的玉米冠层热信息与LAI密切相关。这意味着常用在植被蒸散发模型中的热红外传感器，对于估计 LAI 也非常有效。

​

图4在玉米全生育期的LAI模型估测结果。(a) DNN;(b) PLSR;(c) SVR;(d) RFR

本文构造的多模态数据结构准确地估计了玉米的叶面积指数。DNN模型对单个生育期的估计值最好(R2=0.89，rRMSE=12.92%)，PLSR模型对整个生育期的估计值最好(R2=0.70，rRMSE=12.78%)。玉米冠层中的雄穗降低了叶面积指数估算模型的精度。然而，土壤背景为LAI估计模型提供了额外的图像特征信息，解决了光谱饱和的问题，提高了估计精度。这些结果表明，在DNN框架内使用低成本无人机的多通道数据融合(RGB、MS和TIR)可以准确可靠地估计作物的叶面积指数，这对于高通量表型鉴定和开发高空间精度的农田管理策略具有重要价值。

作者介绍：

论文第一作者为武汉大学遥感信息工程学院博士研究生刘帅兵，论文通讯作者为金秀良研究员。该研究得到国家重点研发计划项目(2016YFD0300605)、国家自然科学基金项目(42071426)、中国农业科学院创新工程项目(Y2020YJ07, S2018QY01)资助。

来源：

Shuaibing Liu, Xiuliang Jin, Chenwei Nie, Siyu Wang, Xun Yu, Minghan Cheng, Mingchao Shao, Zixu Wang, Nuremanguli Tuohuti, Yi Bai, Yadong Liu, Estimating leaf area index using unmanned aerial vehicle data: Shallow vs. deep machine learning algorithms, Plant Physiology, 2021, kiab322,https://doi.org/10.1093/plphys/kiab322