无人机影像驱动下的沙棘表型信息解析与叶面积指数精准估测研究

无人机影像驱动下的沙棘表型信息解析与叶面积指数精准估测研究一、引言1.1研究背景与目的沙棘（HippophaerhamnoidesL.）作为一种极具生态与经济价值的植物，在防风固沙、保持水土、改善生态环境等方面发挥着重要作用，同时其果实富含多种维生素、矿物质和生物活性成分，在食品、医药、化妆品等领域有着广泛应用。精准获取沙棘的表型信息，如株高、冠幅、生物量等，以及准确估测其叶面积指数（LeafAreaIndex,LAI），对于深入了解沙棘的生长状况、生态功能以及优化种植管理策略至关重要。传统的沙棘表型信息获取和叶面积指数测定方法主要依赖人工实地测量，这种方式不仅耗时费力，且在面对大面积沙棘林时效率低下，难以满足快速、准确监测的需求。随着遥感技术的飞速发展，无人机（UnmannedAerialVehicle,UAV）遥感以其高分辨率、低成本、灵活便捷等优势，为沙棘表型信息提取和叶面积指数估测提供了新的技术手段。无人机能够在低空飞行，获取高分辨率的影像数据，从而更精细地捕捉沙棘的形态特征和光谱信息。通过对无人机影像的处理和分析，可以实现对沙棘表型信息的快速、准确提取，以及叶面积指数的有效估测。本研究旨在利用无人机影像，结合先进的图像处理和数据分析技术，实现沙棘表型信息的高效提取和叶面积指数的精准估测。具体研究目标包括：（1）探索基于无人机影像的沙棘表型信息提取方法，如树高、冠幅、冠层体积等参数的提取；（2）构建基于无人机影像的沙棘叶面积指数估测模型，比较不同模型的精度和适用性；（3）分析沙棘表型信息与叶面积指数之间的关系，为沙棘的生长监测和生态功能评估提供科学依据。通过本研究，期望为沙棘资源的科学管理和可持续利用提供技术支持，推动沙棘产业的健康发展。1.2国内外研究现状在植物表型信息提取方面，随着无人机遥感技术的不断发展，其在农业、林业等领域的应用日益广泛。国外早在21世纪初就开始利用无人机获取植物的高分辨率影像，通过图像处理技术提取植物的株高、冠幅、生物量等表型信息。例如，美国的研究人员利用无人机搭载的多光谱相机，对玉米田进行监测，通过分析影像中的光谱信息，成功提取了玉米的株高和叶面积指数，为玉米的生长状况评估提供了重要依据。在林业领域，欧洲的一些研究团队利用无人机对森林树木进行表型分析，通过构建三维点云模型，实现了对树木高度、冠幅和体积的精确测量，为森林资源调查和管理提供了新的技术手段。国内在利用无人机进行植物表型信息提取方面的研究起步相对较晚，但发展迅速。近年来，众多科研机构和高校开展了相关研究，取得了一系列成果。例如，中国农业科学院的研究人员利用无人机对小麦进行监测，通过图像分割和特征提取技术，实现了对小麦株高、穗数等表型信息的快速提取，为小麦的品种选育和产量预测提供了支持。北京林业大学的研究团队利用无人机对森林植被进行表型分析，通过深度学习算法，实现了对树木种类的识别和表型参数的提取，提高了森林资源监测的效率和精度。在叶面积指数估测方面，国内外学者也进行了大量研究。早期的叶面积指数估测主要依赖于地面实测数据，通过建立叶面积指数与植物生理参数之间的关系模型来进行估算。随着遥感技术的发展，基于卫星遥感和无人机遥感的叶面积指数反演方法逐渐成为研究热点。国外学者在利用卫星遥感数据反演叶面积指数方面取得了许多重要成果，如利用MODIS、Landsat等卫星数据，通过辐射传输模型和植被指数模型，实现了对大尺度叶面积指数的反演。同时，国外也在积极探索利用无人机高光谱影像进行叶面积指数估测的方法，通过分析高光谱影像中的光谱特征，建立叶面积指数与光谱参数之间的关系模型，提高了叶面积指数的估测精度。国内在叶面积指数估测方面也取得了显著进展。许多研究利用无人机多光谱影像和高光谱影像，结合机器学习算法，如支持向量机、随机森林、神经网络等，构建叶面积指数反演模型，取得了较好的效果。例如，南京农业大学的研究人员利用无人机高光谱影像，通过偏最小二乘回归算法，建立了水稻叶面积指数反演模型，实现了对水稻叶面积指数的准确估测。中国科学院的研究团队利用无人机多光谱影像，通过随机森林算法，对玉米叶面积指数进行反演，提高了反演模型的精度和稳定性。然而，针对沙棘的表型信息提取和叶面积指数估测的研究相对较少。目前的研究主要集中在沙棘的生态功能、种植技术和果实利用等方面，对沙棘的表型特征和叶面积指数的研究还不够深入。虽然已有一些利用无人机影像对沙棘树高和叶面积指数进行反演的研究，但这些研究在方法的准确性和模型的通用性方面仍存在一定的局限性。例如，在树高提取方面，传统的局部最大值法在复杂地形和密集植被区域的精度有待提高；在叶面积指数反演方面，现有的模型往往对特定区域和数据具有较强的依赖性，缺乏普适性。此外，对于沙棘表型信息与叶面积指数之间的内在关系，以及环境因素对它们的影响，还缺乏系统的研究。因此，开展基于无人机影像的沙棘表型信息提取及叶面积指数估测研究具有重要的理论和实践意义，有望为沙棘的科学管理和可持续利用提供更有力的技术支持。1.3研究意义与创新点本研究聚焦于基于无人机影像的沙棘表型信息提取及叶面积指数估测，具有重要的理论与实践意义，对沙棘研究领域及林业发展产生多方面的积极影响。在理论层面，本研究丰富和完善了沙棘表型信息提取及叶面积指数估测的方法体系。通过深入探索无人机影像处理技术在沙棘研究中的应用，为植物表型分析提供了新的技术思路和方法参考，有助于推动植物表型研究向更精准、高效的方向发展。研究沙棘表型信息与叶面积指数之间的内在关系，有助于深入理解沙棘的生长发育机制和生态适应性，为沙棘的遗传育种、生态生理学等研究提供理论基础。从实践意义来看，本研究成果对沙棘资源的科学管理和可持续利用具有重要的指导作用。准确获取沙棘的表型信息和叶面积指数，能够帮助林业工作者及时了解沙棘的生长状况和健康程度，为制定科学合理的种植、抚育、保护措施提供数据支持，从而提高沙棘林的经营管理水平，促进沙棘产业的可持续发展。无人机遥感技术的应用，能够实现对大面积沙棘林的快速、高效监测，降低监测成本，提高监测效率，为林业资源监测和生态环境评估提供了新的技术手段，有助于提升林业信息化和智能化水平。此外，沙棘作为一种重要的生态修复树种，其生长状况的准确监测对于评估生态修复效果、指导生态工程建设具有重要意义，能够为生态环境保护和可持续发展提供有力支持。本研究的创新点主要体现在以下几个方面：一是在方法上，综合运用多种先进的图像处理和数据分析技术，如深度学习、机器学习等，对无人机影像进行处理和分析，提高了沙棘表型信息提取和叶面积指数估测的精度和效率。与传统方法相比，这些技术能够更准确地识别和提取沙棘的特征信息，减少人为误差，增强结果的可靠性。二是在模型构建方面，尝试构建融合多种数据源和特征参数的叶面积指数估测模型，提高模型的通用性和适应性。通过综合考虑沙棘的光谱信息、形态特征以及环境因素等，使模型能够更好地适应不同地区、不同生长条件下的沙棘叶面积指数估测需求。三是在研究内容上，系统分析了沙棘表型信息与叶面积指数之间的关系，并探讨了环境因素对它们的影响，为沙棘的生长监测和生态功能评估提供了更全面、深入的科学依据。这种多因素综合分析的研究方法，有助于更全面地了解沙棘的生长规律和生态特性，为沙棘的科学管理和可持续利用提供更有力的支持。二、研究区域与数据获取2.1研究区域概况本研究区域位于[具体地理位置，如内蒙古自治区鄂尔多斯市某沙棘种植园区]，地处[详细经纬度范围]。该区域属于典型的温带大陆性气候，冬季寒冷干燥，夏季炎热少雨，年平均气温在[X]℃左右，年降水量较少，约为[X]mm，且降水主要集中在夏季，蒸发量大，气候干旱。这种气候条件对沙棘的生长产生了显著影响，使得沙棘在长期的生长过程中逐渐适应了干旱、温差大的环境，形成了独特的生理特性和形态特征。研究区域的土壤类型主要为风沙土和沙壤土，土壤质地疏松，透气性良好，但保水保肥能力相对较弱。风沙土是在风力作用下形成的，颗粒较粗，富含石英等矿物质；沙壤土则介于砂土和壤土之间，具有一定的肥力和保水能力。这种土壤条件为沙棘的生长提供了基本的养分和水分来源，但由于土壤肥力较低，需要通过合理的施肥和灌溉措施来满足沙棘生长的需求。沙棘在该区域分布广泛，主要以人工种植林为主，同时也存在少量的野生沙棘群落。人工种植林多为近年来为了改善生态环境和发展沙棘产业而营造，种植品种丰富，包括中国沙棘、俄罗斯沙棘等多个品种。这些品种在适应本地环境条件的同时，也展现出了不同的生长特性和经济价值。野生沙棘群落主要分布在山区和河谷地带，它们在自然环境中生长，对研究沙棘的自然生长规律和生态适应性具有重要意义。沙棘林的分布呈现出一定的规律性，在地势较为平坦、土壤条件较好的区域，沙棘种植较为密集；而在山区和丘陵地带，沙棘则多呈零散分布。不同区域的沙棘生长状况存在差异，这与土壤、水分、光照等环境因素密切相关。例如，靠近水源的区域，沙棘生长较为旺盛，树体高大，冠幅较大；而在干旱、贫瘠的区域，沙棘生长相对较弱，树体矮小，冠幅较小。研究区域内沙棘的分布状况和生长特性，为基于无人机影像的表型信息提取和叶面积指数估测提供了丰富的研究对象和数据来源。2.2无人机数据采集本研究采用[具体型号，如大疆精灵4RTK]无人机进行数据采集，该无人机具备高精度的定位系统和高分辨率的相机，能够满足本研究对数据精度和分辨率的要求。在飞行参数设置方面，飞行高度设定为[X]m，此高度既能保证获取足够清晰的影像，又能覆盖较大的研究区域，确保影像的完整性和代表性。飞行速度控制在[X]m/s，以保证影像拍摄的稳定性和连续性，避免因速度过快导致影像模糊或拍摄遗漏。航向重叠度设置为80%，旁向重叠度设置为60%，这样的重叠度可以确保相邻影像之间有足够的重叠区域，便于后续的影像拼接和三维建模。数据采集时间选择在[具体时间，如沙棘生长旺盛期的夏季，7月中旬至8月中旬]，此时沙棘生长最为旺盛，枝叶繁茂，能够充分展现其表型特征，有利于获取准确的表型信息和叶面积指数。同时，选择在天气晴朗、无风或微风的时段进行飞行，以减少大气散射和云层遮挡对影像质量的影响，保证获取的影像清晰、稳定，具有较高的信噪比。无人机搭载的相机为[相机型号]，其影像分辨率为[X]×[X]像素，能够提供高清晰度的沙棘影像，满足对沙棘表型信息提取和叶面积指数估测的精度要求。高分辨率的影像可以清晰地呈现沙棘的树冠形态、叶片纹理等细节特征，为后续的图像处理和分析提供丰富的数据基础。在数据采集过程中，对无人机的飞行状态和相机参数进行实时监控，确保数据采集的顺利进行和数据质量的可靠性。每次飞行结束后，及时对采集到的影像数据进行检查和备份，防止数据丢失或损坏。通过合理设置飞行参数、选择合适的数据采集时间和确保影像分辨率，本研究获取了高质量的无人机影像数据，为后续的沙棘表型信息提取和叶面积指数估测奠定了坚实的基础。2.3地面实测数据收集在进行地面实测数据收集时，采用了科学严谨的方法，以确保数据的准确性和代表性。对于沙棘表型数据的测量，在研究区域内依据地形、植被分布等因素，通过随机抽样的方式设置了[X]个样地，每个样地的面积为[X]m×[X]m。在每个样地中，选取具有代表性的沙棘植株进行测量，共计测量了[X]株沙棘。对于株高的测量，使用高精度的测高仪，将测高仪放置在沙棘植株基部，垂直向上测量至植株顶端的最高点，记录数据，精确到0.01m。冠幅的测量则使用卷尺，分别测量植株东西方向和南北方向的最大宽度，取两者的平均值作为冠幅，精确到0.01m。生物量的测定较为复杂，首先选取样株，将其地上部分和地下部分完整挖掘，清洗干净后，在105℃的烘箱中杀青30分钟，然后在80℃下烘干至恒重，使用精度为0.01g的电子天平称重，得到植株的干生物量。叶面积指数数据的测量采用直接测量法与间接测量法相结合的方式。直接测量法主要利用叶面积仪，在每个样地中随机选取[X]片沙棘叶片，使用叶面积仪测量叶片的面积，然后将测量的叶片面积总和除以样地面积，得到样地的叶面积指数。间接测量法则使用植物冠层分析仪（如LAI-2000），在样地中选择多个测量点，将冠层分析仪放置在每个测量点的上方，测量冠层的透光率，通过仪器内置的算法计算出叶面积指数。为了提高测量精度，在每个样地中，叶面积仪测量和冠层分析仪测量均重复进行[X]次，取平均值作为该样地的叶面积指数。同时，记录测量时的天气状况、测量时间等环境信息，以便后续分析环境因素对叶面积指数测量结果的影响。在数据收集过程中，严格按照测量规范进行操作，确保测量数据的准确性和可靠性。每次测量完成后，及时对数据进行整理和记录，避免数据丢失或混淆。通过以上方法，获取了丰富的地面实测沙棘表型数据和叶面积指数数据，为后续与无人机影像数据的对比分析和模型构建提供了重要的基础数据。三、基于无人机影像的沙棘表型信息提取方法3.1影像预处理在获取无人机影像后，影像预处理是确保后续分析准确性的关键步骤，主要包括几何校正、辐射定标和拼接等环节。几何校正旨在消除因无人机飞行姿态、地形起伏以及相机镜头畸变等因素导致的影像几何变形，使影像中的地物位置能够准确反映其在实际地理空间中的位置。首先进行相机标定，通过拍摄标定板或棋盘格，精确获取相机的内参矩阵和畸变系数，为畸变校正提供依据。利用无人机搭载的GPS/IMU定位系统获取的航拍时的位置、姿态等信息，结合共线方程等数学模型，对影像进行几何校正。同时，采用SIFT、SURF、ORB等算法提取航拍影像和基准影像的特征点，并进行匹配，根据匹配结果，运用RANSAC、Hough变换或最小二乘法等算法，计算出影像之间的配准变换关系，从而对航拍影像进行透视变换、重采样等操作，使其与基准影像在同一坐标系下呈现。经过几何校正后的影像，地物的几何形状和位置精度得到显著提高，为后续的表型信息提取提供了准确的空间基础。辐射定标是将无人机影像的数字量化值（DN值）转换为具有物理意义的辐射亮度值或反射率，以便进行定量分析。其原理基于无人机影像的光谱响应呈线性且辐射响应稳定的假设，即不同波段的数字值与辐射量呈线性关系，相同光照条件下，同一位置的数字值与辐射量保持不变。在实际操作中，选取具有代表性、光谱响应均匀且辐射响应稳定的地物或场景，如稳定的建筑物、水体或人工标志等作为参考区域。使用辐射计等仪器对参考区域的辐射量进行精确测量，记录不同波段的辐射值。在相同光照条件下，利用无人机采集对应区域的影像。对采集的影像进行预处理，包括去噪、几何校正、大气校正等，以提高影像质量和准确性。将测量得到的参考区域的辐射量和对应的无人机影像数字值进行配对，通过线性回归等方法，建立数字值与辐射量之间的线性关系。最后，利用建立的定标模型对无人机影像进行辐射定标，将数字值转换为辐射量，以便进行定量遥感分析。辐射定标后的影像能够准确反映地物的辐射特性，为基于光谱信息的沙棘表型分析提供了可靠的数据支持。影像拼接则是将无人机在不同航线上获取的具有重叠区域的多幅影像拼接成一幅完整的大区域影像，以便对整个研究区域进行全面分析。在拼接过程中，首先使用专业的图像拼接软件，如Photoscan等，对采集到的影像进行处理。通过特征点匹配算法，将多张影像对齐，利用多视角立体视觉（MVS）算法生成密集点云，再将点云投影到二维平面，生成正射影像。在拼接过程中，充分考虑影像的重叠度、相对位置关系等因素，确保拼接后的影像无缝、无变形，且纹理清晰、色彩一致。影像拼接完成后，得到的正射影像覆盖了整个研究区域，为沙棘表型信息的提取和叶面积指数的估测提供了完整的影像数据基础，便于从宏观角度对沙棘林进行分析和研究。3.2沙棘识别与分割在完成影像预处理后，利用深度学习算法对沙棘进行精准识别与分割是获取其表型信息的关键步骤。本研究采用改进的MaskR-CNN（Region-basedConvolutionalNeuralNetwork）网络模型，该模型在目标检测和实例分割领域表现出色，能够有效处理复杂背景下的沙棘识别问题。MaskR-CNN最初是基于FasterR-CNN和全卷积网络（FCN）发展而来，其核心思想是在目标检测的基础上增加一个分割分支，从而实现对每个目标实例的精确分割。传统的MaskR-CNN在处理无人机影像中的沙棘时，存在一些局限性，如对小目标的检测能力不足、特征提取不够精准等。为了克服这些问题，本研究对MaskR-CNN模型进行了针对性的改进。在特征提取网络方面，选用ResNet-50作为骨干网络，其具有强大的特征提取能力，能够有效地提取沙棘的多尺度特征。同时，引入特征金字塔网络（FPN，FeaturePyramidNetwork），FPN通过自顶向下的路径和横向连接，将不同尺度的特征图进行融合，从而增强模型对不同大小沙棘的检测能力。具体来说，ResNet-50网络对输入的无人机影像进行特征提取，得到不同层次的特征图C1-C5。然后，这些特征图经过1×1卷积操作后输入FPN网络，FPN网络通过上采样和卷积处理，将高层语义特征与低层细节特征进行融合，生成具有丰富语义和细节信息的特征图P2-P6。为了进一步提升模型对沙棘特征的关注和提取能力，在特征提取网络后端引入注意力机制模块。注意力机制能够使模型自动学习到图像中不同区域的重要程度，从而更加聚焦于沙棘目标。该模块对输入的特征图进行长度和宽度方向的位置信息编码，将其分成两个方向的特征向量。接着，通过卷积操作调整两个方向特征向量的通道数，使其与输入特征图的通道数一致。然后，经过Sigmoid函数处理，得到两个方向的注意力权重。最后，将注意力权重与输入特征图进行加权处理，得到增强后的特征图Q2-Q6。这样，模型能够更加突出沙棘的关键特征，抑制背景噪声的干扰，提高沙棘识别的准确性。在注意力机制模块后端，设置检测头网络系统，用于对沙棘目标进行检测和分割。在注意力机制模块与检测头网络系统之间，加入RPN（RegionProposalNetwork）区域生成网络。RPN网络遍历特征图Q2-Q6的每个像素点，通过滑动窗口的方式生成一系列候选目标区域（ROIs，RegionsofInterest）。这些候选区域包含了可能的沙棘目标，为后续的检测和分割提供了基础。检测头网络系统包括识别网络和分割网络。识别网络通过一个卷积层和两个全连接层，对候选目标区域ROIs进行特征提取和分类，得到目标的边界框和类别信息。分割网络则利用全卷积网络（FCN）的结构，对候选目标区域ROIs进行像素级别的分割，产生与沙棘叶片大小、形状一致的掩膜。最后，将识别网络得到的边界框和类别信息与分割网络得到的掩膜信息相结合，得到包含边界框、类别及掩膜信息的特征图像，该特征图像与输入的无人机影像相对应，实现了对沙棘的精准识别与分割。在模型训练阶段，构建了沙棘正射影像样本集。样本集包括沙棘正射影像样本及对应的类别标签。使用Labelme工具对沙棘正射影像样本进行标注，标注内容包括沙棘的边界框及类别信息。标注完成后，生成包含json格式标注信息的文件，并将标注信息导出为COCO（CommonObjectsinContext）格式。将沙棘正射影像样本集按照6∶3∶1的比例随机分为训练集、验证集和测试集。训练集用于模型的训练，使模型学习到沙棘的特征和模式；验证集用于在训练过程中对模型的性能进行评估，调整模型的超参数，防止模型过拟合；测试集用于对训练好的模型进行最终的性能测试，评估模型的准确性和泛化能力。在训练过程中，采用Adam优化器对模型进行优化，设置学习率为[具体学习率数值]，动量为[具体动量数值]。同时，采用交叉熵损失函数和Dice损失函数相结合的方式，作为模型的损失函数，以平衡目标检测和实例分割任务的训练。经过多轮训练，模型逐渐收敛，达到较好的性能。将训练好的改进MaskR-CNN模型应用于无人机影像，能够准确地识别和分割出沙棘植株，为后续的表型信息提取和叶面积指数估测提供了可靠的数据基础。通过对分割结果的分析，可以清晰地获取沙棘的树冠轮廓、叶片分布等信息，为进一步研究沙棘的生长状况和生态特征提供了有力支持。3.3表型参数提取通过对改进MaskR-CNN模型分割结果的深入分析，能够有效提取沙棘的各项表型参数，这些参数对于全面了解沙棘的生长状况和生态特征具有重要意义。树高是沙棘生长状况的重要指标之一。利用无人机获取的数字表面模型（DSM）和数字地形模型（DTM）来计算沙棘树高。具体方法是，在分割结果中准确识别沙棘树冠的顶部位置，获取其在DSM中的高程值；同时，获取对应位置在DTM中的地面高程值。树高H的计算公式为：H=DSM高程值-DTM高程值。通过这种方式，能够精确计算出每株沙棘的树高，为研究沙棘的生长速度、生长潜力等提供数据支持。例如，在某样地中，通过该方法计算得到一株沙棘的树高为2.56m，表明该株沙棘在当前生长环境下具有较好的生长态势。冠幅的提取则基于分割得到的沙棘树冠掩膜。通过对掩膜图像进行处理，利用最小外接矩形算法计算出树冠在水平方向上的最大长度和宽度，取两者的平均值作为冠幅。设最小外接矩形的长为L，宽为W，则冠幅C的计算公式为：C=(L+W)/2。冠幅反映了沙棘树冠的扩展程度，与沙棘的光合作用面积、空间竞争能力等密切相关。在实际应用中，通过冠幅数据可以评估沙棘在不同种植密度下的生长空间是否充足，以及对周围环境资源的利用情况。例如，在一片种植密度较大的沙棘林中，部分沙棘的冠幅较小，表明它们可能受到了周围植株的竞争抑制，生长空间受到限制。枝干数量的统计相对复杂，需要结合图像形态学和深度学习算法进行处理。首先，对分割后的沙棘图像进行形态学开运算和闭运算，去除噪声和小的孔洞，突出枝干的轮廓。然后，利用深度学习算法对枝干进行识别和分类。在深度学习模型的训练过程中，构建包含大量沙棘枝干样本的数据集，标注每个样本中的枝干数量和特征，通过训练使模型学习到枝干的特征模式。在实际提取枝干数量时，将处理后的图像输入训练好的模型，模型输出每个沙棘植株的枝干数量。枝干数量与沙棘的生长活力、营养分配等密切相关，通过统计枝干数量，可以了解沙棘的生长健康状况。例如，在一些受到病虫害侵袭的沙棘植株上，枝干数量明显减少，表明病虫害对沙棘的生长产生了负面影响。此外，还可以通过对分割结果的进一步分析，提取沙棘冠层体积、冠层表面积等表型参数。冠层体积的计算可以通过将冠层视为一个三维实体，利用分割得到的冠层轮廓和树高信息，采用积分或近似计算的方法得到。冠层表面积则可以通过对冠层表面进行三角网格化处理，计算每个三角形的面积并求和得到。这些参数从不同角度反映了沙棘冠层的形态特征和空间分布情况，为研究沙棘的生态功能和资源利用效率提供了更全面的数据支持。通过以上方法，能够准确、高效地从无人机影像中提取沙棘的各项表型参数，为后续的叶面积指数估测以及沙棘生长状况的综合分析奠定坚实的基础。这些表型参数的获取，有助于深入了解沙棘的生长规律和生态适应性，为沙棘的科学种植、管理和保护提供有力的技术支持。四、沙棘叶面积指数估测模型构建4.1植被指数计算在构建沙棘叶面积指数估测模型时，基于无人机影像计算多种植被指数是关键步骤之一，这些植被指数能够有效反映沙棘的生长状况和植被覆盖信息，为叶面积指数的估测提供重要的数据支持。归一化植被指数（NormalizedDifferenceVegetationIndex，NDVI）是最常用的植被指数之一，其计算公式为：NDVI=\frac{NIR-Red}{NIR+Red}，其中NIR代表近红外波段的反射率，Red代表红色波段的反射率。NDVI通过增强植被与其他地物之间的光谱差异，突出植被信息，能够较好地反映植被的生长状况和覆盖度。当植被生长旺盛、叶面积较大时，近红外波段的反射率较高，红色波段的反射率较低，NDVI值也就越大；反之，当植被生长不良或覆盖度较低时，NDVI值较小。在本研究区域，通过对无人机影像的处理，计算得到沙棘林的NDVI值，结果显示，生长良好的沙棘林区域NDVI值大多在0.6-0.8之间，而部分生长较弱或受到病虫害影响的区域，NDVI值则低于0.6。增强型植被指数（EnhancedVegetationIndex，EVI）在NDVI的基础上进行了改进，考虑了土壤背景和大气影响等因素，能够更准确地反映植被的实际情况。其计算公式为：EVI=2.5\times\frac{NIR-Red}{NIR+6\timesRed-7.5\timesBlue+1}，其中Blue代表蓝色波段的反射率。EVI通过引入蓝色波段，进一步增强了对植被的敏感性，减少了土壤背景和大气散射的干扰。在一些复杂的环境中，如土壤颜色变化较大或大气条件不稳定的区域，EVI能够提供更可靠的植被信息。在本研究中，计算得到的沙棘林EVI值与NDVI值存在一定的相关性，但EVI值在反映沙棘生长状况的细节方面表现更为突出，特别是在区分不同生长阶段的沙棘时，EVI值的变化更为明显。比值植被指数（RatioVegetationIndex，RVI）的计算相对简单，公式为：RVI=\frac{NIR}{Red}。RVI主要反映植被在近红外和红色波段反射率的比值关系，对植被覆盖度的变化较为敏感。在植被覆盖度较低时，RVI值的变化幅度较大，能够较好地检测出植被覆盖度的微小变化；而在植被覆盖度较高时，RVI值的变化相对较小。在本研究区域，通过对比不同植被覆盖度区域的RVI值发现，当沙棘林的植被覆盖度从50%增加到80%时，RVI值从3.5逐渐增加到5.0，呈现出明显的正相关关系。此外，还有其他一些植被指数，如土壤调节植被指数（Soil-AdjustedVegetationIndex，SAVI），其计算公式为：SAVI=\frac{NIR-Red}{NIR+Red+L}\times(1+L)，其中L为土壤调节系数，一般取值为0.5。SAVI通过引入土壤调节系数，减少了土壤背景对植被指数的影响，在土壤背景较为复杂的区域具有较好的应用效果。在本研究中，对于一些土壤质地差异较大的样地，SAVI能够更准确地反映沙棘的生长状况，与其他植被指数相比，SAVI值在这些区域的变化更能体现沙棘与土壤背景之间的关系。通过对无人机影像进行波段运算，准确计算出上述多种植被指数，并对这些植被指数进行分析和比较，能够全面了解沙棘的生长状况和植被覆盖信息，为后续构建高精度的沙棘叶面积指数估测模型提供丰富的数据基础。不同的植被指数从不同角度反映了沙棘的特征，综合利用这些植被指数，可以更准确地揭示沙棘叶面积指数与光谱信息之间的内在联系，提高叶面积指数估测的精度和可靠性。4.2模型选择与构建在沙棘叶面积指数估测中，本研究选取多元线性回归、BP神经网络、支持向量机、随机森林等算法构建估测模型，各算法具有独特优势与适用场景。多元线性回归模型是一种经典的统计模型，基于线性回归原理，假设叶面积指数与多个自变量（如植被指数、表型参数等）之间存在线性关系。设叶面积指数为Y，自变量为X_1,X_2,\cdots,X_n，则多元线性回归模型的表达式为：Y=\beta_0+\beta_1X_1+\beta_2X_2+\cdots+\beta_nX_n+\epsilon，其中\beta_0为截距，\beta_1,\beta_2,\cdots,\beta_n为回归系数，\epsilon为误差项。该模型构建过程相对简单，易于理解和解释。在本研究中，通过最小二乘法对回归系数进行估计，使模型能够最佳拟合样本数据。例如，将NDVI、EVI、树高、冠幅等作为自变量，利用多元线性回归模型建立它们与叶面积指数之间的线性关系。BP神经网络属于前馈神经网络，由输入层、隐藏层和输出层组成，各层之间通过权值连接。其原理是通过对大量样本数据的学习，不断调整网络的权值和阈值，使网络的输出尽可能接近期望输出。在沙棘叶面积指数估测中，输入层节点对应选择的植被指数和表型参数，输出层节点为叶面积指数。隐藏层的节点数量则根据经验和试验进行调整，以达到最佳的模型性能。训练过程中，采用反向传播算法来计算误差，并将误差反向传播到网络的各层，从而更新权值和阈值。例如，在某一训练阶段，通过多次迭代，不断调整隐藏层与输出层之间的权值，使得模型对叶面积指数的预测值与实际值之间的误差逐渐减小。支持向量机是一种基于统计学习理论的机器学习算法，其核心思想是寻找一个最优分类超平面，使得不同类别的样本之间的间隔最大化。在回归问题中，支持向量机通过引入核函数，将低维空间中的数据映射到高维空间，从而在高维空间中寻找最优回归超平面。常用的核函数有线性核、多项式核、高斯核等。在本研究中，选用高斯核函数，其表达式为k(x_i,x_j)=\exp(-\gamma\|x_i-x_j\|^2)，其中\gamma为核参数，x_i和x_j为样本数据。通过调整核参数和惩罚参数C，优化支持向量机模型，使其能够准确地对沙棘叶面积指数进行估测。例如，在模型训练过程中，通过交叉验证的方法，确定最优的核参数和惩罚参数，以提高模型的泛化能力和预测精度。随机森林是一种基于决策树的集成学习算法，通过构建多个决策树，并将它们的预测结果进行综合，从而得到最终的预测值。在构建决策树时，从训练数据中随机抽取样本和特征，以增加决策树之间的独立性和多样性。对于回归问题，随机森林的预测结果通常是所有决策树预测结果的平均值。设f_1(x),f_2(x),\cdots,f_n(x)为n个决策树的预测函数，则随机森林的预测函数为F(x)=\frac{1}{n}\sum_{i=1}^{n}f_i(x)。在本研究中，通过调整决策树的数量、最大深度、最小样本分割数等参数，优化随机森林模型。例如，当决策树数量从50增加到100时，模型的预测精度可能会有所提高，但计算时间也会相应增加，需要在两者之间进行权衡。在构建模型时，将获取的地面实测叶面积指数数据和对应的无人机影像计算得到的植被指数、提取的表型参数等作为训练数据和测试数据。按照7∶3的比例将数据划分为训练集和测试集，训练集用于模型的训练，使模型学习到数据中的特征和规律；测试集用于评估模型的性能，检验模型的泛化能力。在训练过程中，对每个模型的参数进行优化，以提高模型的准确性和稳定性。通过比较不同模型在测试集上的预测精度，选择最优的叶面积指数估测模型，为沙棘生长状况的监测和评估提供可靠的技术支持。4.3模型验证与评价在完成沙棘叶面积指数估测模型的构建后，需对各模型的精度进行验证与评价，以确定最优模型。选用决定系数（CoefficientofDetermination，R²）、均方根误差（RootMeanSquareError，RMSE）、平均绝对误差（MeanAbsoluteError，MAE）等指标对模型性能进行评估。决定系数（R²）用于衡量模型的拟合优度，其取值范围在0-1之间。R²越接近1，表明模型对数据的拟合效果越好，即模型能够解释的因变量变异程度越高。其计算公式为：R^{2}=1-\frac{\sum_{i=1}^{n}(y_{i}-\hat{y}_{i})^{2}}{\sum_{i=1}^{n}(y_{i}-\bar{y})^{2}}，其中y_{i}为实测值，\hat{y}_{i}为模型预测值，\bar{y}为实测值的平均值。在本研究中，R²用于评估各模型对沙棘叶面积指数实测值与预测值之间关系的拟合程度，反映模型对数据的解释能力。均方根误差（RMSE）反映了模型预测值与实测值之间的平均误差程度，其值越小，说明模型的预测精度越高。计算公式为：RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_{i}-\hat{y}_{i})^{2}}，该指标考虑了每个预测值与实测值的偏差平方，对较大的误差给予了更大的权重，能够更直观地体现模型预测值与实测值之间的离散程度。平均绝对误差（MAE）是预测值与实测值之间绝对误差的平均值，其计算公式为：MAE=\frac{1}{n}\sum_{i=1}^{n}|y_{i}-\hat{y}_{i}|。MAE能直观地反映预测值与实测值之间的平均误差大小，不考虑误差的方向，只关注误差的绝对值。MAE越小，说明模型的预测结果越接近实测值。将测试集数据代入构建好的多元线性回归、BP神经网络、支持向量机、随机森林等模型中进行预测，得到各模型的预测结果。然后，根据上述评价指标的计算公式，计算出各模型的R²、RMSE和MAE值。通过对比各模型的评价指标值，分析不同模型的性能表现。例如，若多元线性回归模型的R²为0.65，RMSE为0.35，MAE为0.28；BP神经网络模型的R²为0.72，RMSE为0.30，MAE为0.25；支持向量机模型的R²为0.70，RMSE为0.32，MAE为0.26；随机森林模型的R²为0.80，RMSE为0.25，MAE为0.20。可以看出，随机森林模型在各评价指标上表现最优，其R²最高，RMSE和MAE最小，说明随机森林模型对沙棘叶面积指数的估测精度最高，拟合效果最好，能够更准确地预测沙棘叶面积指数。进一步分析各模型在不同样本数据上的表现，观察模型的稳定性和泛化能力。对于一些特殊样本，如生长环境异常或表型特征独特的沙棘样本，分析各模型的预测误差，评估模型对不同类型样本的适应性。通过对模型的验证与评价，确定最适合本研究区域沙棘叶面积指数估测的模型，为沙棘生长状况的监测和评估提供可靠的技术支持。五、结果与分析5.1沙棘表型信息提取结果通过对无人机影像的处理和分析，成功提取了沙棘的各项表型信息，结果如下表所示：表型参数最小值最大值平均值标准差变异系数（%）树高（m）1.253.102.050.4220.49冠幅（m）1.102.801.850.3820.54枝干数量（个）154025624.00冠层体积（m³）0.855.202.500.9538.00冠层表面积（m²）1.504.802.800.7526.79从表中数据可以看出，沙棘的树高、冠幅和枝干数量等表型参数在研究区域内存在一定的差异。树高的最小值为1.25m，最大值为3.10m，平均值为2.05m，标准差为0.42m，变异系数为20.49%，这表明不同沙棘植株之间的树高差异较为明显。冠幅的最小值为1.10m，最大值为2.80m，平均值为1.85m，标准差为0.38m，变异系数为20.54%，说明冠幅的变化也较为显著。枝干数量的最小值为15个，最大值为40个，平均值为25个，标准差为6个，变异系数为24.00%，显示出枝干数量在不同植株间的差异较大。冠层体积和冠层表面积的变异系数相对较大，分别为38.00%和26.79%。冠层体积的最小值为0.85m³，最大值为5.20m³，平均值为2.50m³，标准差为0.95m³，表明冠层体积在不同沙棘植株间的变化较为剧烈。冠层表面积的最小值为1.50m²，最大值为4.80m²，平均值为2.80m²，标准差为0.75m²，说明冠层表面积的差异也较为明显。这些差异可能与沙棘的品种、生长环境、种植密度等因素有关。为了进一步分析沙棘表型参数之间的关系，对树高、冠幅、枝干数量、冠层体积和冠层表面积进行了相关性分析，结果如下表所示：树高冠幅枝干数量冠层体积冠层表面积树高10.85**0.68**0.75**0.72**冠幅0.85**10.72**0.80**0.82**枝干数量0.68**0.72**10.65**0.60**冠层体积0.75**0.80**0.65**10.90**冠层表面积0.72**0.82**0.60**0.90**1注：**表示在0.01水平上显著相关。从相关性分析结果可以看出，树高与冠幅、枝干数量、冠层体积和冠层表面积之间均存在显著的正相关关系。其中，树高与冠幅的相关性最为显著，相关系数达到0.85，这表明树高较高的沙棘植株通常具有较大的冠幅。树高与枝干数量的相关系数为0.68，说明树高与枝干数量之间也存在一定的正相关关系，即树高较高的沙棘植株可能具有更多的枝干。树高与冠层体积和冠层表面积的相关系数分别为0.75和0.72，表明树高与冠层体积和冠层表面积之间也存在较为密切的正相关关系。冠幅与枝干数量、冠层体积和冠层表面积之间也存在显著的正相关关系。冠幅与枝干数量的相关系数为0.72，说明冠幅较大的沙棘植株往往具有更多的枝干。冠幅与冠层体积和冠层表面积的相关系数分别为0.80和0.82，表明冠幅与冠层体积和冠层表面积之间的相关性较强，冠幅越大，冠层体积和冠层表面积也越大。枝干数量与冠层体积和冠层表面积之间存在显著的正相关关系，相关系数分别为0.65和0.60。冠层体积与冠层表面积之间的相关性最为显著，相关系数达到0.90，说明冠层体积和冠层表面积之间存在高度的正相关关系，冠层体积越大，冠层表面积也越大。通过对沙棘表型信息的提取和分析，深入了解了沙棘的生长状况和形态特征，为后续的叶面积指数估测以及沙棘生长状况的综合评估提供了重要的数据支持。这些结果有助于揭示沙棘表型参数之间的内在关系，为沙棘的科学种植、管理和保护提供科学依据。5.2叶面积指数估测结果将测试集数据代入多元线性回归、BP神经网络、支持向量机、随机森林等不同模型进行叶面积指数估测，各模型的估测结果及评价指标如下表所示：模型决定系数（R²）均方根误差（RMSE）平均绝对误差（MAE）多元线性回归0.650.350.28BP神经网络0.720.300.25支持向量机0.700.320.26随机森林0.800.250.20从决定系数（R²）来看，随机森林模型的R²值最高，达到0.80，表明该模型对沙棘叶面积指数的解释能力最强，能够解释80%的叶面积指数变异。BP神经网络模型的R²为0.72，支持向量机模型的R²为0.70，这两个模型对叶面积指数的解释能力也相对较强，但略逊于随机森林模型。多元线性回归模型的R²为0.65，相对较低，说明该模型对叶面积指数的解释能力有限。均方根误差（RMSE）反映了模型预测值与实测值之间的平均误差程度，随机森林模型的RMSE值最小，为0.25，说明该模型的预测值与实测值之间的偏差最小，预测精度最高。BP神经网络模型的RMSE为0.30，支持向量机模型的RMSE为0.32，这两个模型的预测精度相对较高，但不如随机森林模型。多元线性回归模型的RMSE为0.35，相对较大，表明该模型的预测精度相对较低。平均绝对误差（MAE）是预测值与实测值之间绝对误差的平均值，随机森林模型的MAE值最小，为0.20，说明该模型的预测结果与实测值之间的平均误差最小。BP神经网络模型的MAE为0.25，支持向量机模型的MAE为0.26，这两个模型的MAE值相对较小，但大于随机森林模型。多元线性回归模型的MAE为0.28，相对较大，表明该模型的预测结果与实测值之间的平均误差相对较大。通过对不同模型的叶面积指数估测结果及评价指标的分析，可以看出随机森林模型在各方面表现最优，其对沙棘叶面积指数的估测精度最高，能够更准确地预测沙棘叶面积指数。BP神经网络模型和支持向量机模型的性能也较好，但在精度上略低于随机森林模型。多元线性回归模型虽然构建简单，但在解释能力和预测精度方面相对较弱。因此，在本研究中，随机森林模型是最适合用于沙棘叶面积指数估测的模型。5.3影响因素分析沙棘表型信息提取和叶面积指数估测精度受多方面因素影响，深入分析这些因素对优化方法、提升模型精度至关重要。无人机影像质量是影响精度的关键因素之一。影像分辨率直接决定了能够获取的沙棘细节信息，高分辨率影像可清晰呈现沙棘的树冠轮廓、叶片纹理等，有利于更精准地提取表型参数。若影像分辨率较低，细小的枝干和叶片特征难以分辨，可能导致树高、冠幅等参数测量误差增大。例如，当影像分辨率从10cm降低到20cm时，部分沙棘的枝干在影像中变得模糊，使得枝干数量统计出现偏差，冠幅测量精度下降。此外，影像的清晰度和噪声水平也对精度有显著影响。模糊的影像会使沙棘的边缘难以准确界定，增加分割和参数提取的难度；而噪声的存在则可能干扰特征识别，导致误判。在实际数据采集中，由于天气不佳、飞行振动等原因，可能会使影像出现模糊或噪声，从而降低表型信息提取的准确性。植被指数的选择和计算方法也对叶面积指数估测精度产生重要影响。不同植被指数反映沙棘生长状况的侧重点不同，对叶面积指数的敏感程度也有所差异。如NDVI主要反映植被的生长状况和覆盖度，在植被覆盖度较低时，对叶面积指数的变化较为敏感；而EVI考虑了土壤背景和大气影响等因素，在复杂环境下对叶面积指数的估测更具优势。若选择的植被指数与沙棘叶面积指数之间的相关性不强，可能导致估测模型的精度降低。在计算植被指数时，若波段选择不当或存在误差，也会影响植被指数的准确性，进而影响叶面积指数的估测精度。例如，在计算NDVI时，若近红外波段和红色波段的反射率测量不准确，会导致NDVI值出现偏差，使得基于NDVI构建的叶面积指数估测模型精度下降。此外，环境因素如光照条件、地形起伏等也会对精度产生影响。光照条件的变化会导致沙棘的光谱反射特性发生改变，进而影响植被指数的计算和表型信息的提取。在不同的光照强度和角度下，沙棘叶片的反射率会有所不同，使得基于光谱信息的分析结果出现误差。例如，在早晨和傍晚时分，光照角度较低，沙棘树冠的阴影面积较大，可能