基于纹理-颜色特征与植被指数融合的冬小麦LAI估测.pdf

2023年月第54卷第7 期农业机械学报doi:10.6041/j.issn.1000-1298.2023.07.035基于纹理-颜色特征与植被指数融合的冬小麦LAI估测范军亮王涵2廖振棋戴裕珑余江冯涵龙（1.西北农林科技大学旱区农业水土工程教育部重点实验室，陕西杨凌7 12 10 0；2.西北农林科技大学水利与建筑工程学院，陕西杨凌7 12 10 0）摘要：准确、快速、无损估测叶面积指数（LAI）对于冬小麦生产管理具有重要意义。利用无人机搭载PrimeALTUM多光谱相机获取冬小麦拔节期、孕穗期、抽穗期、灌浆期多光谱图像，利用LAI-2200C型植物冠层分析仪获取地面LAI数据。通过Pearson相关性分析筛选出2 5个植被指数，并提取植被指数影像中8 种纹理特征：对比度（CON）、熵（ENT）、方差（VAR）、均值（MEA）、协同性（HOM）、相异性（DIS）、二阶矩（SEM）和相关性（COR），以及3种颜色特征：一阶矩（M）、二阶矩（V）和三阶矩（S），再分别利用多元逐步回归模型（MSR）、支持向量回归模型（SVR）和高斯过程回归模型（GPR）构建冬小麦LAI估测模型。结果表明：相对于考虑单一类型变量，考虑结合纹理特征和颜色特征进行估测时模型精度更高；3类模型中，GPR模型估测冬小麦LAI的精度最高；所有模型中，基于纹理-颜色特征与植被指数融合的GPR模型估测冬小麦LAI精度最高（决定系数R为0.94,均方根误差（RMSE）为0.17 m/m，平均绝对误差（MAE）为0.13m/m，归一化均方根误差（NRMSE）为4.0 6%）。纹理特征和颜色特征能有效改善植被指数在高密度冠层下的饱和问题，能够从有限的信息中衍生得到更多信息用于更高精度地估测冬小麦LAI,从而为冬小麦长势监测和生产管理提供理论依据。关键词：冬小麦；叶面积指数；纹理特征；颜色特征；植被指数；多光谱图像中图分类号：S127文献标识码：A文章编号：10 0 0-12 98（2 0 2 3）0 7-0 347-13OSID:Winter Wheat Leaf Area Index Estimation Based on Texture-colorFeatures and Vegetation IndicesFAN JunliangWANG Han?LIAO Zhenqi?DAI YulongYU JiangFENG Hanlong22(1.Key Laboratory of Agricultural Soil and Water Engineering in Arid and Semiarid Areas,Ministry of Education,Northwest A&FUniversity,Yangling,Shaanxi 712100,China2.College of Water Resources and Architectural Engineering,Northwest A&F University,Yangling,Shaanxi 712100,China)Abstract:Accurate,fast and non-destructive estimation of leaf area index(LAI)is of great significancefor the production and management of winter wheat.Multi-spectral images were obtained by using thePrime ALTUM camera at the joining stage,booting stage,heading stage and filling stage of winter wheat,and the LAI was measured by using the LAI-2200C plant canopy analyzer.Totally twenty-five vegetationindices were selected based on the Pearson correlation analysis.And eight texture features wereextracted:contrast（CO N),e n t r o p y （ENT),v a r i a n c e （VA R),m e a n （M EA),h o m o g e n e i t y （H O M),dissimilarity(DIS),the second moment(SEM)and correlation(COR),and three color features:mean(M),variance(V)and skewness(S)were extracted as well.Then the multiple stepwise regression(MSR),support vector regression(SVR)and Gaussian process regression(GPR)models were used forwinter wheat LAI inversion.The results showed that compared with single type variable-based models,models with combined texture and color features produced greater estimation accuracy;among the threetypes of models,GPR model outperformed the other two models in estimating winter wheat LAI;amongall models,the GPR model with texture-color features and vegetation indices obtained the bestestimation accuracy,with coefficient of determination(R)of 0.94,root mean square error(RMSE)of0.17m/m,mean absolute error（M A E)o f 0.13 m/m,a n d n o r ma l r o o t me a n s q u a r e e r r o r(NRMSE)of 4.06%.The extraction of texture and color features can solve the oversaturation issue of收稿日期：2 0 2 2-10-13修回日期：2 0 2 2-11-2 2基金项目：中央高校基本科研业务费专项资金项目（2 452 0 2 0 0 18）作者简介：范军亮（198 5一），男，教授，博士，主要从事作物水肥高效利用机理与调控研究，E-mail：n w w f j l 16 3.c o m348农2023年机业报学械vegetation indices under high-density canopy conditions,and more information can be derived for moreaccurate estimation of winter wheat LAl,which provided theoretical basis for winter wheat growthmonitoring,production and management.Key words:winter wheat;leaf area index;texture features;color features;vegetation indices;multispectral images0引言小麦在我国广泛种植，准确、快速、无损定量估测小麦的生长和生理参数对于其田间管理决策和产量预测具有十分重要的意义。叶面积指数（Leafarea index,LAI)不仅是反映植物生长状况和生理状态的重要指标，也是定量描述植物光合效能、呼吸功能、蒸腾作用等的关键参数，已被广泛应用于作物长势监测2 。因此，LAI的快速准确估测对及时掌握农作物长势状况及其生产管理具有重要意义。诸多学者已开展了基于无人机多光谱或高光谱遥感的作物叶面积、生物量、氮素含量、叶绿素含量等估测研究3-5。马怡茹等 通过对高光谱数据进行多种方式的预处理，利用不同种方法筛选特征波段建立经验回归模型与机器学习模型，为大田棉花施肥管理提供了理论依据。陈晓凯等7 以最优窄波段光谱指数构建冬小麦LAI估测模型，发现最优窄波段主要分布在红边区域，强调了红边波段对反演冬小麦LAI的重要性。王军等8 研究表明，基于无人机多光谱遥感可快速反演田间大豆LAI,归一化差异植被指数（Normalizeddifferencevegetationindex，ND VI）与大豆LAI估测精度高，支持向量回归模型有较好的预测能力。孙诗睿等9 通过灰色关联度分析筛选多个植被指数估测冬小麦LAI,发现相比于改进后的赤池信息量准则-偏最小二乘法模型，机器学习模型具有更高的准确性和更强的稳定性。以上研究表明，通过筛选最优波段构建植被指数反演作物叶面积等生长和生理参数能够有效提高模型的估测精度近年来，学者们发现提取植被指数影像中的纹理特征与颜色特征能够进一步挖掘无人机影像中具有反演价值的信息，这为提高作物估测精度提供了一种新思路。贾丹等10 通过在不同影像分辨率下，结合影像光谱特征和纹理特征估测冬小麦氮素含量，发现结合光谱特征和纹理特征的反演效果优于单一光谱特征或单一纹理特征的反演效果。ZHANG等1利用灰度共生矩阵提取光谱的纹理特征，基于7 种纹理特征构造归一化、比值、差值纹理指数，发现植被指数与纹理指数结合能有效提高玉米LAI估测精度。YANG等12 利用局部二值模式提取纹理特征结合光谱指数估测水稻LAI，发现全生育期估测精度均有提高。以上研究表明结合光谱特征与纹理特征来提高作物生长和生理参数估测精度具有较好前景。此外，STRICKER等13 提出一种易于计算的颜色特征一一颜色矩，发现一般用低阶矩就足以有效地反映图像的颜色信息。然而，鲜有学者利用颜色矩作为颜色特征对冬小麦LAI进行估测研究,其对冬小麦LAI估测精度的影响效应还缺乏深人研究。本研究基于灰度共生矩阵提取各植被指数影像的8 种纹理特征：对比度（Contrast，CO N）、熵（En t r o p y,ENT）、方差（Variance,VAR）、均值（Mean，MEA）、协同性（Homogeneity，H O M）、相异性(Dissimilarity,DIS）、二阶矩（Second moment,SEM)和相关性（Correlation，CO R），同时提取各植被指数影像的颜色矩：一阶矩（Mean，M）、二阶矩（Va r i a n c e，V）和三阶矩（Skewness，S），在综合考虑植被指数、图像纹理特征和颜色特征条件下，利用多元逐步回归法、支持向量回归法和高斯过程回归法构建冬小麦LAI估测模型，通过对比和分析筛选最优模型，以期为快速准确获取冬小麦LAI提供理论依据。1材料与方法1.1研究区概况试验于2 0 2 0 年10 月一2 0 2 1年6 月在陕西省杨凌区西北农林科技大学节水灌溉试验站（3418 N，10824E）进行。冬小麦播种时间为2 0 2 0 年10 月15日，收获时间为2 0 2 1年6 月7 日。该区为典型的半湿润易旱区，年平均温度约12.4，年平均光照时数约2 16 2.4h，降水量约50 4mm，蒸发量约1348mm。试验地土壤类型为壤土，播前土壤（0 20cm）p H 值为8.0 0，干容重为1.41g/cm，有机质含量（质量比）为13.8 0 g/kg，全氮含量为0.92 g/kg，硝态氮含量为8 1.30 mg/kg，有效磷含量为25.10mg/kg，有效钾含量为144.7 0 mg/kg。试验区正射影像如图1所示。1.2试验方案试验冬小麦品种为“小堰2 2”，为了增加试验区冬小麦长势差异，设置3个播种量水平：90 kg/hm349范军亮等：基于纹理-颜色特征与植被指的冬小麦LAI估测第7 期10500E106300E10800E109300E11100ENN.0.006N.0,0.90N,0,0.90杨凌075150km10500E106300E10800E109300E11100E图1研究区地理位置Fig.1Geographical location of study area(T17 T 2 4)、135 k g/h m（T 9 T 16)、18 0 k g/h m（T 1T 8）；设置2 个氮肥水平：10 0、2 0 0 kg/hm，图1中T1、T 3、T 5、T 7、T 10、T 12、T 14、T 16、T 17、T 19、T21、T 2 3施氮量为10 0 kg/hm，其余小区均为200kg/hm；钾肥均为90 kg/hm磷肥均为150 kg/hm；设置2 种耕作方式：作、平作，垄作地块长8 m、宽6m，垄沟宽6 0 cm，高10 cm，垄覆地膜，平作地块长8m、宽3m,图 1 中 T3 T6、T 11 T 14、T 19 T 2 2 为平作，其余小区均为垄作；设置2 种灌溉方式：补灌、旱作，根据冬小麦需水量和当地降水分布特点，分别于冬小麦越冬期（2 0 2 0 年12 月2 8 日）和返青期（2 0 2 1年2 月14日）补灌30 mm，图1中T1T4、T 13 T 2 0补灌，其余小区旱作；共计2 4个处理，其余管理措施同当地大田管理。在冬小麦拔节期（2 0 2 1年3月2 1日）、孕穗期（2 0 2 1年4月11日）、抽穗期（2 0 2 1年4月30 日）和灌浆期（2 0 2 1年5月2 1日）采集无人机图像，并同步获取地面实测LAI。1.3数据获取与预处理1.3.1冬小麦LAI测定利用三点取样法，在试验田每个小区内用LAI-2200C型植物冠层分析仪（LI-CORBiosciences，Inc.，Li n c o l n，NE，美国）测量各点LAI,3点的平均值代表该小区的LAI。为避免光照对测量结果的影响，在日落后进行冬小麦LAI测量。在能代表小区整体生长状况的位置随机选择3个点测量每个点的LAI,并取其平均值作为该小区的LAI。各生育期采集2 4个样本，全生育期共计96 个样本，1.3.2无人机影像获取与预处理利用DJIM200V2型四旋翼无人机搭载PrimeALTUM多光谱相机同时采集蓝光（Blue）、绿光（G r e e n）、红光（Red）、近红外（Near infrared）、红边（Re d e d g e)5个波段的多光谱图像（表1）。每次拍摄时间均为11:0 0 一15：0 0，天气晴朗无风。采集无人机影像前，由DJIPilot航迹规划软件自动规划飞行任务，设置飞行高度为30 m，图像航向重叠度为70%，图像旁向重叠度为8 0%。到达设定飞行高度后，在试验区域根据航拍路线飞行，进行等间距航拍，拍照时相机镜头与地面呈90 表1PrimeALTUM相机基本参数Tab.1Basic parameters of Prime ALTUM camera波段名称中心波长/nm波段宽度/nm面板反射率Blue475200.543Green560200.543Red668100.542Red edge717100.538Near infrared840400.541冬小麦全生育期共采集4次多光谱影像数据，每次航拍可获得10 0 0 多幅原始影像。使用Pix4Dmapper软件（Pix4D，瑞士）进行影像拼接和灰板校正处理，获得4个生育期5个单波段正射反射率影像。使用ENVI软件进行图像剪裁得到试验区大小的影像数据以便进行植被指数影像合成，并进一步选取感兴趣区域（Regionof interesting）获取相应数据1.4植被指数与影像特征选取植被指数能够简单且有效地估测植被LAI等长势特征14，基于前人研究结果本研究初步选取NDVI、RVI、D VI等2 5个植被指数进行估测建模，具体公式见表2。农2023年350机业报学械表2植被指数及其计算公式Tab.2Vegetation indices and their calculation formulas指数计算公式文献序号超红指数(Excessredindex，Ex R)ExR=1.4r-g15超蓝指数（Excessblueindex，Ex B)ExB=1.4b-g15超绿指数（Excess green index，Ex G)ExG=2g-r-b16超绿超红差分指数（Excess green minus excess red index,ExCR=(2g-r-b)-(1.4r-g)17ExCR)改进超绿指数（Modified excessgreenindex，M Ex G)MExG=1.262g-0.884r-0.311b18可见光波段差异植被指数（Visible-banddifference2g-r-bVDVI19vegetation index,VDVI)2g+r+b可见光植被指数（Vegetationindex，VEG)VEG=,0.667 6.0.3320波段指数植被颜色提取指数（Color indexof vegetationextraction，CIVE=0.441r-0.811g+0.385b+18.7874515CIVE)T红绿比值指数（Redgreenratioindex，RG RI)RGRI=21g6绿蓝比值指数（Blue-greenratio index，BG RI)BGRI22g归一化差异指数（Normalized green-reddifference index，NGRDI=S-123NGRDI)g+r综合指数1（Combined indices1，CO M 1)COM,=ExG+CIVE+ExGR+VEG15综合指数2（Combined indices2，CO M 2)COM2=0.36ExG+0.47CIVE+0.17VEG24归一化差异植被指数（NormalizeddifferencevegetationNIR-RNDVI25index,NDVI)NIR+RNIR比值植被指数（Ratiovegetationindex，RVI)RVI:26R差值植被指数（Differencevegetationindex，D VI)DVI=NIR-R27绿色归一化植被指数（GreennormalizeddifferenceNIR-GGNDVI:28vegetation index,GNDVI)NIR+G蓝色归一化植被指数（BluenormalizeddifferenceNIR-BBNDVI29vegetation index,BNDVI)NIR+B归一化差异红色边缘指数（NormalizeddifferencerededgeNIR-RENDRE30多光谱index,NDRE)NIR+RE波段指数(1+L)(NIR-R)土壤调节植被指数（Soil adjustedvegetableindex，SA VI)SAVI:31NIR+R+L修正土壤调节植被指数（Modifiedsoiladjustment2NIR+1-/(2NIR+1)-8(NIR-R)MSAVI=32vegetation index,MSAVI)2NIR改进简单比值植被指数（Modifiedsimpleratioindex，1RMSR:33MSR)NIR+1R改进的非线性植被指数（Modified non-linearvegetation(1+L)(NIR?-R)MNLI=34index,MNLI)NIR?+R+L再归一化植被指数（RenormalizeddifferencevegetationNIR-RRDVI31index,RDVI)VNIR+R2.5(NIR-R)增强型植被指数（Enhancedvegetationindex，EV I）EVI=35NIR+6R-7.5B+16*RGB注：可见光波段指数中，8其中6B、G、R、RE、NIR分别+g+6+gg+6+g+6RGB厂maxmaxmax表示蓝、绿、红、红边和近红外波段的光谱反射率；L为土壤调整系数，取0.5。利用ENVI5.3影像纹理特征提取工具，基于灰度共生矩阵(Gray-level co-occurrence matrix,GLCM)提取出各植被指数影像的纹理特征（Texturefeature,T），包括对比度、熵、方差、均值、协同性、相异性、二阶矩和相关性。同时，提取各植被指数影像的颜色特征，包括一阶矩、二阶矩和三阶矩。分析窗口尺寸为33，计算方向为45。各纹理特征计算公式见文献36 ，各颜色特征计算公式见文献13。351第7 期范军亮等：基于纹理-颜色特征与植被指数融的冬小麦LAI估测1.5K折交叉验证交叉验证对于检验模型偏差和方差具有普适性，适用于小样本集的模型验证37 。K折交叉验证是指将数据集随机平均（或近似平均）分为K份，其中K-1份为训练集，剩下的1份为验证集；整个过程重复K次，并取K个模型的平均误差作为标准进行模型选择。本文采用常用的5折交叉验证进行反演估测建模。1.6模型构建选取多元逐步回归模型、支持向量回归模型、高斯过程回归模型3种估测模型进行比较分析，基于Matlab2021a平台进行反演估测建模与数据分析。多元逐步回归（Multiplestepwiseregression，MSR)分析是从大量可供选取的变量中自动选择最重要的变量，建立回归分析的预测或解释模型，主要是逐个引人新变量，要求其偏回归平方和显著，并逐个检验旧变量，剔除偏回归平方和不显著的变量。实质是建立最优的多元线性回归方程。支持向量机（Supportvectormachine,SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，其原理是建立一个使学习样本间距最大化的分类超平面38 。将SVM由分类问题推广至回归问题就可以得到支持向量回归（Supportvectorregression,SVR）。经过反复试验，本文输人单一类型变量的SVR模型选择高斯函数作为核函数，输人两类及以上变量的SVR模型选择三次函数作为核函数。高斯过程回归（Gaussian processregression，GPR）是基于高斯过程先验对数据进行回归分析39,通过观测均值和协方差不断调整超参数，具有容易实现、超参数自适应获取及预测输出具有概率意义等优点40 。经过反复试验对比，本文的GPR模型均选择核函数为指数函数。1.7模型精度评价指标采用决定系数（Coefficientofdetermination，R）、均方根误差（Rootmeansquareerror,RMSE）、平均绝对误差（Meanabsoluteerror，M A E）和归一化均方根误差（Normalrootmean squareerror，NRMSE）评价模型精度。R用于评价估测值和实测值的拟合程度，其值越接近1则模型拟合效果越好；RMSE用于评价估测值和实测值的偏差程度，其值越小则模型拟合效果越好；MAE用于评价估测值和实测值的实际偏差，其值越小则模型拟合效果越好；通常认为NRMSE小于等于10%时模型拟合效果非常好，NRMSE为（10%，2 0%时模型拟合效果较好，NRMSE为（2 0%，30%时模型拟合效果可以接受，NRMSE大于30%时模型拟合效果较差41-432结果与分析2.1相关性分析将植被指数、纹理特征和颜色特征分别与冬小麦LAI进行相关性分析（图2、表3），根据Pearson相关系数界值表【,n=96时，Irl0.21在0.0 5水平上显著（p0.05），lr l0.2 7 在0.0 1水平上显著（p0.01），1r l0.34在0.0 0 1水平上显著(p0.001)。LAI11.000.30.020.29-0.30-0.30-0.29-0.27:0.20.22-0.31-0.290.27-0.33-0.24-0.22-0.09-0.33-0.33-0.33-0.13-0.28-0.28-0.28-0.33ExR.000.47-0.99-O.550.640.99ExB1.000.57-0.52-0.32-0.57-0.600.560.80480.150.04-0.560.590.40F0.34-0.440.50-0.45-0.330.40-0.410.350.470.433-0.35ExC1.00.720.570.9792.90.67960.950.97.97950.96ExCR.000.9900t0.760:.530.990.98.90.970.6970.960.980.960.960.97MExC0.600.99.0010.76.5D.990.980.6970.96.989790.98VDVI.000.99.00-0.99,0.72999.90.95.970.96VEC.0099-0.970:69.5:0.920.950.40CIVE.000.990.951-0.970.95-0.965-0.98-0.96RCRIBCRI0.20NGRDI0.64COMI0.953.9960.940.970COM200949952.930.96NDVI00.98960.90.99RVI-0.20.000.960.9390990.84970.97DVi.000.66.94.940.960.96GNDVI0.500.760.57BNDVI-0.40000.980.952.960.920.97NDRE0.95980.90.99SAVID.970.99-0.60MSAVI.000:940.98990.97MSR000.8810.99MNLI-0.801.00:0.980.93RDVI1:000.98EVi-1VECCIVERCRIBCRINGRDICOM1COM2NDVIDVINDRESAVTMSAVIMSR图2植被指数的相关性分析结果Fig.2Correlation analysis results of vegetation indices对所有植被指数筛选发现（图2），共有2 0 个植被指数的相关系数绝对值介于0.2 7 0.34之间,与冬小麦LAI存在显著相关关系（p0.01），多数相关系数绝对值较大的植被指数为多光谱波段指数，可见光波段指数的相关系数绝对值相对较小。NDVI、SA VI、ND RE、EVI、BND VI、M SA VI的相关系数绝对值最大，1rl=0.33，表现出较强相关性。为方便表示，用“_”连接植被指数和纹理/颜色特征，如NDVI_MEA和NDVI_S分别表示从NDVI影像中提取的均值特征和三阶矩特征。对所有纹理特征筛选发现（表3），CIVE_COR、Ex G R_CO R、VDVI_COR、SA VI_ENT、M SA VI_CO R、Ex B_CO R的相关系数绝对值介于0.50 0.7 0 之间，与冬小麦LAI存在极显著相关关系（p0.001），表现强相关性;其中,CIVE_COR和ExGR_COR的相关系数绝对值最高，为0.6 3。对所有颜色特征筛选发现（表3），MSR_V的相关系数绝对值为0.41,与冬小麦LAI存在极显著相352农2023年机报学业械表3纹理一颜色特征的相关性分析结果Tab.3Correlation analysis results of texture-color features纹理特征颜色特征植被指数CONENTVARMEAHOMDISSEMCORMVSExR0.39*0.32*0.422*0.31*0.37*0.39*0.31*0.36*0.010.26*0.14ExB0.44*0.41*0.47*0.020.42*0.44*0.40*0.50*0.140.030.19ExG0.32*0.34*0.39*0.28*0.36*0.34*0.34*0.41*0.030.170.13ExCR0.29*0.280.42*0.140.27*0.28*0.27*0.63*0.040.080.18MExG0.41*0.35*0.477*0.29*0.39*0.41*0.34*0.39*0.020.22*0.15VDVI0.28*0.35*0.35*0.32*0.33*0.30*0.35*0.56*0.040.190.02VEG0.30*0.32*0.355*0.28*0.36*0.34*0.31*0.465*0.030.080.12CIVE0.25*0.288*0.377*0.100.26*0.26*0.27*0.633*0.030.060.18RGRI0.21*0.27*0.27*0.200.28*0.26*0.27*0.365*0.010.190.25*BCRI0.030.050.010.46*0.060.040.060.32*0.030.030.10NCRDI0.32*0.31*0.455*0.30*0.34*0.33*0.30*0.365*0.010.27*0.14COM10.30*0.320.36*0.31*0.35*0.33*0.31*0.43*0.030.130.12COM20.32*0.333*0.377*0.27*0.365*0.35*0.32*0.46*0.030.100.15NDVI0.030.130.080.28*0.020.030.190.34*0.010.070.03RVI0.200.33*0.200.190.33*0.29*0.31*0.120.020.060.11DVI0.080.190.090.28*0.160.130.190.170.010.060.04GNDVI0.070.010.020.160.010.040.020.45*0.020.050.19BNDVI0.020.23*0.020.25*0.140.080.27*0.40*0.010.020.01NDRE0.31*0.26*0.33*0.040.28*0.31*0.26*0.030.010.060.05SAVI0.190.53*0.26*0.39*0.33*0.140.060.080.010.070.04MSAVI0.29*0.46*0.29*0.31*0.37*0.35*0.47*0.511*0.010.050.02MSR0.150.25*0.180.26*0.25*0.21*0.24*0.42*0.31*0.41*0.29*MNLI0.040.140.100.200.100.060.160.28*0.010.030.06RDVI0.29*0.37*0.33*0.21*0.36*0.34*0.36*0.28*0.010.080.13EVI0.170.070.25*0.29*0.050.130.100.33*0.010.150.04注：*表示p0.05，*表示p0.01，*表示p0.001。关关系（p0.001），表现强相关性；MSR_M、M SR_S、NG RD I _V 的相关系数绝对值介于0.2 7 0.34之间,与冬小麦LAI存在显著相关关系（p0.01）,表现较强相关性;ExR_V、RG RI _S、M Ex G _V 的相关系数绝对值介于0.2 1 0.2 7 之间，与冬小麦LAI存在相关关系（pVI+T+C一1:1线VI+CT+CVI+T+C一1:1线77666(z-.)/VT(z-.)/早IVT555444333222234567234567234567LAI实测值/(m?m-2)LAI实测值/(mm-)LAI实测值/（m2m-2)(a)MSR(b)SVR(c)CPR图3基于不同输入变量的冬小麦叶面积指数估测结果散点图Fig.3Scatter plot of winter wheat leaf area index(LAI)estimation results based on different input variables354农2023年机业报学械SVR模型R增大0.12,RMSE减小0.0 8 m/m,MAE减小0.0 8 m/m，NRM SE减小1.9 1个百分点。相比于结合两类变量的SVR模型（VI+T-SVR模型、VI+C-SVR模型、T+C-SVR模型），VI+T+C-SVR模型R?增大0.10 左右,RMSE减小0.10 m/m左右，MAE减小0.0 5m/m左右，NRMSE减小2.55个百分点左右。由此可得，融合植被指数和纹理-颜色特征有助于提高冬小麦LAI的估测精度。对高斯过程回归模型（表5），仅利用单一类型变量进行估测时，VI-GPR模型结果最优（R=0.74,RMSE为0.37 m/m,MAE为0.2 9 m/m,NRMSE为8.8 3%）。所有高斯过程回归模型中，VI+T+C-GPR模型结果最优（R=0.94,RMSE为0.17 m/m,MAE为0.13m/m,NRMSE为4.06%）。相比于VI-GPR模型,VI+T-GPR模型R增大0.12,RMSE减小0.0 9 m/m，M A E减小0.07m/m,NRMSE减小2.15个百分点；VI+C-GPR模型R增大0.17,RMSE减小0.15m/m,MAE减小0.13m/m，NRM SE减小3.58 个百分点。相比于结合两类变量的GPR模型（VI+T-GPR模型、VI+C-GPR模型、T+C-GPR模型），VI+T+C-GPR模型R增大0.10 左右,RMSE减小0.11m/m左右，MAE减小0.0 8 m/m左右，NRMSE减小2.6 2 个百分点左右。由此可得，融合植被指数和纹理-颜色特征能够有效提高冬小麦LAI的估测精度。另外,VI+C-GPR模型相比VI+C-MSR和VI+C-SVR模型的精度更高,且R0.90,有很好的冬小麦LAI估测能力。由此可以推测，在指数拟合条件下植被指数和颜色特征之间存在显著的交互作用。为了评价不同算法的冬小麦LAI估测能力，利用表4中所选的7 组变量对冬小麦LAI进行估测，每种算法中包括7 组变量的冬小麦LAI估测值（6 7 2个样本）。基于3种模型的估测结果如表6 所示，估测结果散点图如图4所示。分析评价指标（表6）可得，GPR模型和SVR模型R?、RM SE、M A E、NRM SE均明显优于MSR模型。GPR模型和SVR模型R?0.80,NRMSE小于10%，二者RMSE和MAE均较小且相近。分析图4可得，3种算法的拟合回归曲线斜率均小于1,在冬小麦LAI较小时估测值偏大，在冬小麦LAI较大时估测值偏小。MSR模型斜率最小，SVR模型斜率略大于GPR模型。但对LAI较高或较低时样本点的分散程度而言，GPR模型拟合能力更好。综合考虑，GPR模型估测冬小麦LAI精度最高。表6基于不同模型的冬小麦叶面积指数估测结果Tab.6Estimation results of winter wheat leaf areaindex based on different modelsRMSE/MAE/NRMSE/模型R2(m m2(m m-2)%MSR0.590.490.3611.69SVR0.800.350.198.35CPR0.810.330.247.887MSRSVR6CPR一1:1线54321234567LAI实测值/(mm-)图4基于不同模型的冬小麦叶面积指数估测结果散点图Fig.4Scatter plot of winter wheat leaf area index(LAI)estimation results based on different models从不同类型变量的角度分析，结合植被指数、纹理特征和颜色特征估测冬小麦LAI效果最佳，其中VI+T+C-CPR模