摘要光合有效輻射吸收比率(fractionofabsorbedphotosyntheticallyactiveradiation，FAPAR)是反映作物產量的重要參數之一。無人機遙感能夠快速無損地獲取高分辨率植被冠層光譜信息，已成為作物理化參數反演的重要手段。以不同播期玉米為研究對象，基于無人機搭載多光譜傳感器，提取植被指數與植被紋理特征，使用偏最小二乘(partialleastsquaresregression，PLSR)方法將二者結合反演玉米FAPAR，并與傳統單獨使用植被指數或植被紋理特征反演植被FAPAR的方法進行比較。結果表明：使用傳統方法單獨利用植被指數反演FAPAR(驗證RMSE最低為7.33×10-2，rRMSE最低為8.66%)的效果比單獨利用紋理特征反演FAPAR(驗證RMSE最低為9.50×10-2，rRMSE最低為11.23%)的精度更高;使用PLSR方法單獨利用植被指數或紋理特征估算FAPAR的結果比傳統方法精度更高(植被指數與紋理特征的驗證RMSE最低分別為6.77×10-2和5.24×10-2，rRMSE最低分別為8.01%和6.19%);使用PLSR方法將植被指數與紋理特征相結合估算FAPAR(驗證RMSE最低為4.72×10-2，rRMSE最低為5.57%)的效果比單獨使用植被指數或紋理特征估算FAPAR的精度更高。綜上，使用PLSR方法將植被指數和植被紋理特征相結合來反演玉米冠層FAPAR可行，為作物FAPAR遙感反演研究提供了新的思路。

　　關鍵詞FAPAR;多光譜影像;植被指數;紋理特征;PLSR

　　光合有效輻射吸收比率(fractionofabsorbedphotosyntheticallyactiveradiation，FAPAR)是植被冠層綠色部分所吸收的光合有效輻射(photosyntheticallyactiveradiation，PAR)占到達冠層頂部PAR的比例，是直接反映植被冠層對光能的截獲能力與吸收能力的重要參數[1]，對作物產量形成和籽粒品質都有著直接影響[2]，同時也是基于光能利用效率模型估算作物籽粒產量的重要參數之一[3-4]。因此，實時且精準監測玉米FAPAR對篩選玉米品種和指導田間栽培管理進而實現玉米優質高產具有重要意義。目前，基于遙感數據估算FAPAR的方法大多是通過建立植被指數與FAPAR的數學模型進行回歸統計[5]，這種方法操作簡便、參數少且效率高，在FAPAR的估算中應用最為廣泛[6-10]。

　　如Dong等[11]基于模擬Sentinel-2數據選擇葉綠素相關植被指數，檢驗其對小麥和玉米的FAPAR估算能力，結果表明使用近紅外和紅邊反射率的植被指數對FAPAR的估算結果最好。劉桂鵬等[12]基于高光譜影像使用幾種植被指數和高光譜反射率及其導數等進行了春玉米FAPAR估算，結果表明使用NDVI構建的二次多項式模型對FAPAR的估算效果最好，但是當FAPAR較大時其估算結果會受到影響。

　　田春燕等[13]基于植被指數構建棉花FPAR估算模型，用以監測棉花長勢并預測產量，結果表明使用EVI反演FAPAR的精度最好。Qin等[14]基于機載激光雷達和高光譜數據建立了多元線性回歸(MLR)模型來估算玉米FAPAR，結果表明，將激光雷達和高光譜指標相結合，比單獨使用激光雷達或高光譜指標估算玉米FAPAR的精度更好。Zhao等[15]使用13種植被指數提出了基于二次函數的回歸模型來估算玉米FAPAR，結果表明，結合使用冠層結構相關的植被指數與土壤調節、葉綠素和生理相關的植被指數可以更好地估算玉米FAPAR。

　　以上研究表明，采用植被指數反演FAPAR的研究已經取得較好的結果，但該方法在冠層覆蓋度較大時使用會存在一定的飽和現象，導致反演精度降低。植被的紋理特征也可以用來表征植被冠層結構[16]，因此也有一些研究通過紋理特征來反演生物量[17]、葉綠素含量[18]和冠層高度[19]等植被結構或冠層信息。如謝士琴等[20]基于SPOT5影像通過使用植被紋理等多個特征反演森林結構參數，結果表明使用紋理等特征可以較好地對森林結構參數進行估算。蔡文婷等[21]將Sentinel-2影像與冬小麥紋理信息相結合估算茬覆蓋度，結果表明該研究使用的方法提高了估算冬小麥茬覆蓋度的精度。賈丹等[22]利用無人機影像結合光譜與紋理信息來反演冬小麥氮濃度，結果表明該方法比單一使用光譜或紋理信息估算的精度有所提高。蒙詩櫟等[23]基于WorldView-2影像將植被指數與紋理信息相結合反演森林地上生物量，結果表明將二者相結合的反演方法精度最高。

　　楊俊等[24]通過無人機影像將小麥植被指數與紋理特征相結合估算其生物量與產量，結果表明結合紋理特征與植被指數可以提高生物量與產量的估算精度。紋理特征可以反映植被冠層覆蓋情況，冠層覆蓋度大時到達冠層底部的光較少則FAPAR也會相應變大。因此，當光譜特征不足以反映FAPAR情況時，紋理特征也可以提供植被冠層的結構信息[25]。以上研究表明，可以使用植被紋理特征反演植被結構及冠層參數，且將植被紋理特征與光譜特征相結合可以在一定程度上改善植被光譜特征的飽和問題[26-27]，但目前利用植被紋理特征反演植被FAPAR的研究較少。因此本研究使用PLSR方法，基于無人機多光譜影像提取出的植被指數與植被紋理特征估算玉米FAPAR，并與傳統直接使用植被指數或紋理特征估算FAPAR的方法進行比較。

　　1材料與方法

　　1.1研究區概況

　　試驗于2020年7月-9月在中國農業科學院新鄉綜合基地(35.2°N，113.8°E)進行。新鄉的氣候為溫帶大陸性氣候，四季分明，冬冷夏熱。年均氣溫14.1℃，1月最冷，7月最熱。年均降水量548.3mm，多集中在七八月間。年均蒸發量1908.7mm。年均日照2407.7h，年均無霜期200.5d。試驗基地土壤為粘質壤土，耕層土壤pH8.21，含有機質12.6g/kg、速效氮61.2mg/kg、速效磷16.2mg/kg、速效鉀110.0mg/kg。

　　1.2試驗設計

　　研究對象為夏玉米，通過設置不同播期，獲取關鍵時期的玉米分層FAPAR數據。共設置8個播期，每個播期間隔10d左右，播種時間從4月下旬至7月上旬，播期1的播種時間最早，播期8的播種時間較晚，其中播期6為當地適播期。每個播期包含3個黃淮海地區主栽品種，分別為豐墾139(FK139)、京農科728(JNK728)和鄭單958(ZD958)，每個品種設置3個重復。每個播期相同品種面積之和為64.8m2，田間水肥與病蟲害管理與實際大田管理一致。

　　1.3地面FAPAR數據獲取

　　地面分層FAPAR數據使用SunScan專業版植物冠層分析儀進行采集，采集在2020年7月-9月有穩定太陽光直射時進行。獲取數據前架設漫射系數傳感器(beamfractionsensor，BFS)，使其水平以減小誤差，BFS上方不能有任何遮擋，與探測器通過無線方式進行連接，探測器與掌上電腦(PAD)相連;之后打開SunData軟件將BFS與探測器保持在同一水平面上對儀器進行校正和數據采集。獲取數據時選取長勢均勻的區域，將探測器水平放在冠層最底部進行數據采集。

　　1.4多光譜影像數據獲取與處理

　　多光譜數據使用大疆M600-PRO六旋翼無人機搭載的RedEdge-M多光譜相機進行獲取。多光譜相機獲取的波段有藍、綠、紅、紅邊和近紅外，視場角47.2°，數據采樣間隔1.5s。無人機飛行高度30m，設置航向重疊和旁向重疊為80%。無人機數據采集選擇在晴朗無風的10∶00與15∶00之間進行，獲取時間與地面FAPAR測量日期相同。

　　1.4.1多光譜影像預處理

　　多光譜影像的預處理主要為影像的拼接與輻射校正兩部分。拼接部分使用AgisoftPhtotscanPro軟件進行處理，首先將需要拼接的照片添加到軟件中之后對影像進行篩選，剔除冗余照片以縮短處理時間;然后選擇高精度對齊照片并構建密集點云;之后進行顏色校正并構建紋理與正射影像;最后將構建的正射影像以TIFF形式導出。

　　2結果與分析

　　2.1利用植被指數估算

　　14種植被指數中有4種建模R2達到0.7以上，驗證RMSE小于0.08，rRMSE小于10%;其中GNDVI的二次多項式模型對FAPAR的估算結果最好，R2均在78.52×10-2，RMSE為7.33×10-2，rRMSE為8.66%。原因可能是由于GNDVI用綠波段代替了NDVI中的紅波段，而綠波段對葉綠素濃度更為敏感，可以在很大范圍內精確評估色素濃度的變化[31]，使用綠波段建立的植被指數加強了對FAPAR估算結果的穩定性。

　　2.2利用紋理信息估算

　　FAPAR提取多光譜影像R、G和B波段的8種紋理特征之后，分別與FAPAR建立指數函數、線性函數、二次多項式函數、對數函數和冪函數5種統計回歸模型，綜合比較之后發現綠波段對紋理特征的反演效果最好，因此使用綠波段中的紋理特征對玉米FAPAR進行估算。

　　3討論

　　FAPAR不僅是植被冠層的重要結構參數，也是作物生長和作物估產等模型的重要參數，因此快速準確地獲取作物FAPAR對于估測作物產量及評價作物生長狀況有重要意義。由于單獨使用光譜特征對FAPAR進行估算的精度相對較差，而紋理特征提供了更多的植被冠層結構信息，能夠提高FAPAR的估算精度。因此，本研究將光譜特征與紋理特征相結合，給FAPAR的估算模型增加了更多信息，在一定程度上提高了單獨使用植被指數或紋理特征估算FAPAR的精度，為以后估算作物的FAPAR研究提供了新的思路。

　　然而，本研究只選擇了1個試驗站點采集的FAPAR數據，沒有在其他站點進行試驗，所使用的試驗數據較少，建立的回歸模型結果可能不夠精確;此外，由于錯過了一些播期玉米的生長狀況，使得處在生育初期的FAPAR數據相對較少，對建模結果也有一定的影響。因此，在接下來的研究中，將開展多站點試驗，同時獲取更多的田間及無人機影像數據，更好地闡明光譜信息與FAPAR數據之間的光譜機理與回歸關系。

　　4結論

　　本研究對玉米冠層FAPAR進行測量并結合基于無人機多光譜影像提取的植被指數和紋理特征分別對其進行估算，之后使用PLSR方法對植被指數、紋理特征和將二者結合分別對FAPAR進行估算。將使用的3種估算FAPAR的方法進行比較驗證。

　　植被養護論文投稿刊物：應用生態學報(月刊)創刊于1990年，是中國科學院主管、中國生態學學會和中國科學院沈陽應用生態研究所聯合主辦的綜合性學術期刊，創刊于1990年，由科學出版社出版。

　　結果表明：(1)使用傳統方法直接利用植被指數或紋理特征估算FAPAR時，植被指數的精度更高，R2比紋理特征提高約0.2，RMSE和rRMSE分別降低約0.02和2.60%;(2)單獨利用植被指數或紋理特征估算FAPAR時，使用PLSR方法比傳統的統計回歸方法精度更高。其中植被指數的R2提高了約0.04，RMSE和rRMSE分別降低約0.06×10-2和0.70%，紋理特征的RMSE和rRMSE分別降低約4.8×10-2和5.04%;(3)將植被指數和紋理特征相結合并使用PLSR估算FAPAR的精度最高，R2達到94.39×10-2，RMSE和rRMSE分別達到4.72×10-2和5.57%。

　　參考文獻

　　[1]董泰鋒，蒙繼華，吳炳方.基于遙感的光合有效輻射吸收比率(FAPAR)估算方法綜述.生態學報，2012，32(22)：7190-7201.

　　[2]周元剛.不同受旱條件下冬小麥和夏玉米冠層光截獲特征研究.楊凌：西北農林科技大學，2016[3]李賀麗，羅毅，薛曉萍，等.冬小麥冠層對入射光合有效輻射吸收比例的估算方法評價.農業工程學報，2011，27(4)：201-206.

　　[4]MoriondoM，MaselliF，BindiM.AsimplemodelofregionalwheatyieldbasedonNDVIdata.EuropeanJournalofAgronomy，2007，26(3)：266-274.

　　[5]張宇.基于光學和雷達遙感的水稻FAPAR協同反演.成都：電子科技大學，2019.

　　[6]ZhangY，LiS，HeZ，etal.SynergisticInversionofRiceFPARBasedonOpticalandRadarRemoteSensingData.IGARSS2019-2019IEEEInternationalGeoscienceandRemoteSensingSymposium.IEEE，2019.

　　作者：王思宇1，2聶臣巍2余汛2，3邵明超2，4王梓旭2，5努熱曼古麗•托乎提2，6劉亞東2程明瀚2，7官云蘭1金秀良2