在不同作物生长阶段绘制作物变量图有助于帮助农民和育种专家全面掌握作物生长状态。作物变量反演可快速地获得作物的叶面积指数、叶绿素含量等，其中基于冠层辐射传输模型的作物变量反演是一种替代参数和非参数回归模型的方法，其原理与作物冠层的物理结构有关，在不同空间、时间以及不同环境条件下具有较好的迁移性。

　　在本研究中，基于高分辨率(0.015m)多光谱无人机图像，探究了在甜玉米和青贮玉米的整个生长季节利用叶片-冠层辐射传输模型与PROSAIL模型反演叶片叶绿素含量、叶面积指数和冠层叶绿素含量的能力。其中，研究测试了两种反演方法，其不同点在于数据源，前者利用单育种地块的平均光谱反射率进行辐射传输模型反演，后者主要利用育种地块的像素光谱反射率。

　　在叶片叶绿素反演中，利用简单的植被指数阈值分割可删除土壤像素和阴影像素的光谱反射。所以，在使用平均光谱法时，与地面实测数据相比，基于无人机数据的叶片叶绿素反演效果较好，甜玉米RMSE 达到 4.92µg/m2，青贮玉米RMSE 达到3.74µg/m2。而对于叶面积指数的反演，无人机数据中混合的阳光像素和阴影像素增加了反演难度，仅在植物早期生长阶段取得较好的结果，甜玉米RMSE达到 0.70 m2/m2，青贮玉米RMSE达到 0.61 m2/m2。与平均光谱法相比，基于像素光谱反射率的方法对冠层叶绿素含量的反演提升效果显著，RMSE 从45.6µg/m2下降到33.1µg/m2。研究表明，由于阴影和背景土壤可以被精确去除且大部分绿色植物像素被保留，高分辨率无人机图像非常适合反演叶片叶绿素含量。但是对于两个冠层几何形状差异明显的玉米品种来说，叶面积指数的精确反演具有挑战性。

　　图1利用不同软件反演叶面积指数和叶绿素含量的流程图：(1)原始图像转换为辐射图;(2)场景重建;(3)利用经验线性大气校正法(ELM)校正光谱;(4)去除土壤和阴影像素;(5)基于查找表(LUT)的反演;(6-7)两种不同的作物变量反演方法

　　图2 不同采集时间的作物变量反演图

　　图3 基于田块平均光谱的作物变量反演结果

　　图4 基于田块像素光谱的作物变量反演结果

　　来源：Chakhvashvili E, Siegmann B, Muller O, et al. Retrieval of Crop Variables from Proximal Multispectral UAV Image Data Using PROSAIL in Maize Canopy[J]. Remote Sensing, 2022, 14(5): 1247.

　　编辑：张金诺