本研究的主要目的是评估使用基于无人机多光谱图像的冠层覆盖度来描述沙漠地区作物对不同灌溉措施的响应的能力和局限性。

　　这项研究于2019年夏季在秘鲁利马圣维森特卡内特地区发展研究所进行。 番茄品种是Katya。根据需水量，使用了100%、85%、65%和50%灌溉量的四种灌溉处理，分别标记为T1(对照处理)、T2、T3和T4。无人机飞行每周进行一次，以3 m/s的速度和高于地面25 m的高度沿预设轨迹自主飞行，如图2，以收集现场的多光谱图像和RGB图像如图1。多光谱图像的重叠率为85%，侧面重叠率为70%。产生空间分辨率为3厘米/像素的图像。此外，每两周进行一次破坏性植物测量，以记录生物量特征、每个器官的产量、叶面积和养分含量。

图1 用于估算树冠覆盖的RGB图像示例，显示覆盖三种植物的矩形区域，取自处理T4，50%的灌溉量，拍摄于地面以上2.2m处，种植后42天。

　　图2飞行路径和试验分布示意图。ETc：灌溉量。

　　无人机高分辨率序列图像与植物层面的图像分割相结合，可重复测量每株植物覆盖率的生长曲线，具体流程如图3。为了分析每株植物的重复测量数据，无截距的三次多项式(Cubic polynomial)显示了每株植物冠层覆盖度动态的最佳拟合优度，每株植物的三次多项式用普通最小二乘(Ordinary least squares，OLS)回归拟合。基于RGB和NDVI的冠层覆盖度是使用非常不同的程序和摄像机估算的，但图4中给出的两个结果非常相似，相关系数为0.97。因此，基于RGB的覆盖率数据为使用无人机图像评估NDVI分析结果提供了经济实惠的参考。

　　图3每株植物的冠层覆盖度计算流程。

　　图4 基于RGB和基于NDVI的覆盖率估计

　　线性混合模型(linear mixed model，LMM)在经典三次多项式模型中加入植物特有的随机成分，可以更好地估计治疗和设计结构。以拟合冠层覆盖度的植物特定时间演变，结果如图5所示。混合模型方法能够以高精度和非常有限的模型参数估计每株植物的覆盖曲线。

　　图5 对每株植物的覆盖率进行观察和完整的LMM预测，证明与处理和设计结构有关的植物间的特定主题变异性。

　　图6还比较了三次多项式模型和线性混合模型对每个植株重复测量的平均冠层覆盖度预测。无截距三次多项式精确地描述了植被的动态，为拟合番茄植株覆盖度的时间演变提供了一个极好的模型，包括生长季结束时的衰老阶段。由于OLS模型中参数β1、β2和β3之间的高度相关性，处理之间的差异很难用经典的多元方差分析(Multivariate analysis of variance，MANOVA)模型来解释。每株植物的三次多项式与线性混合模型之间的冠层覆盖度预测的RMSE均小于5%。本研究中提出的线性混合模型可以提供极好的拟合优度，但参数化程度极低：每株植物模型2889个，混合接近30个参数，拟合优度基本相同。因此，可以得出结论，混合模型方法是预测与特定设计和处理结构相关的特定植物覆盖动态的最佳选择，该模型还展示了描述沙漠地区番茄作物对不同灌溉方式的响应能力。

  图6 每株植物三次多项式的观测值和平均预测值与每株植物覆盖率的线性混合模型预测值在处理和设计结构(标记为处理)的函数中的比较

　　来源：Garcia-Garcia D, Reynafarje la Rosa X, Grados Bedoya D, Schrevens E (2021) Linear mixed model analysis of NDVI-based canopy coverage, extracted from sequential UAV multispectral imagery of an open field tomato irrigation experiment. Computers and Electronics in Agriculture 189: 106399. doi: https://doi.org/10.1016/j.compag.2021.106399

　　编辑：王春颖