留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用无人机激光雷达提取玉米叶面积密度

雷蕾 李振洪 杨浩 杨贵军

雷蕾, 李振洪, 杨浩, 杨贵军. 利用无人机激光雷达提取玉米叶面积密度[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1737-1745. doi: 10.13203/j.whugis20200674
引用本文: 雷蕾, 李振洪, 杨浩, 杨贵军. 利用无人机激光雷达提取玉米叶面积密度[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1737-1745. doi: 10.13203/j.whugis20200674
LEI Lei, LI Zhenhong, YANG Hao, YANG Guijun. Extraction of the Leaf Area Density of Maize Using UAV-LiDAR Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1737-1745. doi: 10.13203/j.whugis20200674
Citation: LEI Lei, LI Zhenhong, YANG Hao, YANG Guijun. Extraction of the Leaf Area Density of Maize Using UAV-LiDAR Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1737-1745. doi: 10.13203/j.whugis20200674

利用无人机激光雷达提取玉米叶面积密度

doi: 10.13203/j.whugis20200674
基金项目: 

国家重点研发计划 2016YFD0300602

国家重点研发计划 2017YFE0122500

北京市自然科学基金 6182011

中央高校基本科研业务费专项资金 300102260301/087

中央高校基本科研业务费专项资金 300102260404/087

详细信息

Extraction of the Leaf Area Density of Maize Using UAV-LiDAR Data

Funds: 

The National Key Research and Development Program of China 2016YFD0300602

The National Key Research and Development Program of China 2017YFE0122500

the Beijing Natural Science Foundation 6182011

the Fundamental Research Funds for the Central Universities, CHD 300102260301/087

the Fundamental Research Funds for the Central Universities, CHD 300102260404/087

More Information
  • 摘要: 叶面积密度可以表征冠层内部叶面积的垂直分布,是作物生长发育、营养诊断和育种研究的重要结构参数。激光雷达通过发射多脉冲和接收多回波信号可以探测到作物冠层内部信息。首先基于无人机激光雷达获取60个小区多航线的玉米点云数据,采用基于接触频率的体素法对叶面积密度进行估算,再对多个体素大小进行分析得到最优体素大小(0.2 m);其次对各航线以及航线叠加效果进行对比,得到无人机激光雷达获取点云数据的最优激光脉冲入射角(-30°~52°);然后结合玉米叶倾角和激光脉冲入射角对叶面积密度估算模型进行校正,从而提高叶面积密度估算精度;最后通过对不同种植密度和不同品种的玉米叶面积密度分布进行分析,得到不同品种玉米的发育快慢、株型特点以及最合理的种植密度。以上结果可为基于无人机激光雷达数据估算叶面积密度提供指导,并为玉米育种和科学管理提供参考。
  • 图  1  实验区

    Figure  1.  Experimental Area

    图  2  无人机激光雷达系统

    Figure  2.  UAV LiDAR System

    图  3  无人机航线

    Figure  3.  UAV Trajectories

    图  4  数据预处理

    Figure  4.  Data Preprocessing

    图  5  叶倾角提取

    Figure  5.  Extraction of Leaf Inclination Angle

    图  6  各航线同一小区玉米点云数据侧视图

    Figure  6.  Side Views of Maize Point Cloud Data in the Same Plot of Each Trajectory

    图  7  最优体素大小及最优航线分析

    Figure  7.  Analysis of the Optimal Voxel Size and the Optimal Trajectory

    图  8  不同种植密度各品种玉米叶面积密度分布和平均叶面积密度分布

    Figure  8.  Distribution of Leaf Area Density and Average Leaf Area Density of Various Maize Varieties with Different Planting Densitie

    图  9  各品种不同种植密度叶面积密度分布

    Figure  9.  Leaf Area Density Distribution of Different Plant Densities and Different Varieties

    表  1  各航线的最优体素大小和脉冲入射角以及精度评定

    Table  1.   The Optimal Voxel Size and Leaf Inclination Angle and Accuracy Evaluation of Each Trajectory

    航线参数 飞行方向
    垂直于种植垄向 平行于种植垄向
    航线1 航线2 航线3 航线4 航线5 航线2+5 航线11 航线12 航线13
    航线与实验区位置 偏较远 略偏 正上方 正上方 略偏 略偏 偏较远 略偏 正上方
    脉冲入射角/(°) 11~66 -57~19 -37~48 -30~52 -62~5 -62~19 25~64 -56~6 -26~46
    最优体素大小/m 0.5 0.425 0.2 0.2 0.225 0.125 0.4 0.375 0.175
    rRMSE/% 29.47 23.78 16.74 13.23 17.30 13.91 30.65 27.03 24.12
    下载: 导出CSV
  • [1] Su W, Zhu D H, Huang J X, et al. Estimation of the Vertical Leaf Area Profile of Corn(Zea Mays) Plants Using Terrestrial Laser Scanning(TLS)[J]. Computers and Electronics in Agriculture, 2018, 150: 5-13 doi:  10.1016/j.compag.2018.03.037
    [2] Li S H, Dai L Y, Wang H S, et al. Estimating Leaf Area Density of Individual Trees Using the Point Cloud Segmentation of Terrestrial LiDAR Data and a Voxel-Based Model[J]. Remote Sensing, 2017, 9 (12): 1 202 http://www.onacademic.com/detail/journal_1000040544495810_fbb8.html
    [3] 于颖, 宋张亮, 范文义, 等. 植被冠层光谱和叶片光谱的尺度转换[J]. 武汉大学学报·信息科学版, 2018, 43(10): 1 560-1 565, 1 573 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201810018.htm

    Yu Ying, Song Zhangliang, Fan Wenyi, et al. Scale Conversion from Canopy Spectra to Leaf Spectra[J]. Geomatics and Information Science of Wuhan University, 2018, 43(10): 1 560-1 565, 1 573 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201810018.htm
    [4] 王洪蜀. 基于地基激光雷达数据的单木与阔叶林叶面积密度反演[D]. 成都: 电子科技大学, 2015

    Wang Hongshu. Leaf Area Density Inversion for a Single Tree and Broadleaf Forest Based on Terrestrial LiDAR Data[D]. Chengdu: University of Electronic Science and Technology of China, 2015
    [5] Soma M, Pimont F, Durrieu S, et al. Enhanced Measurements of Leaf Area Density with T-LiDAR: Evaluating and Calibrating the Effects of Vegetation Heterogeneity and Scanner Properties [J]. Remote Sensing, 2018, 10(10): 1 580 doi:  10.3390/rs10101580
    [6] 王洪蜀, 李世华, 郭加伟, 等. 地基激光雷达的玉兰林冠层叶面积密度反演[J]. 遥感学报, 2016, 20 (4): 570-578 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201604006.htm

    Wang Hongshu, Li Shihua, Guo Jiawei, et al. Retrieval of the Leaf Area Density of Magnolia Woody Canopy with Terrestrial Laser-Scanning Data[J]. Journal of Remote Sensing, 2016, 20(4): 570-578 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201604006.htm
    [7] Weiss M, Baret F, Smith G J, et al. Review of Methods for in Situ Leaf Area Index(LAI)Determination: Part Ⅱ. Estimation of LAI, Errors and Sam pling[J]. Agricultural and Forest Meteorology, 2004, 121(1): 37-53 http://europepmc.org/abstract/AGR/IND43620910
    [8] Hosoi F, Omasa K. Detecting Seasonal Change of Broad-Leaved Woody Canopy Leaf Area Density Profile Using 3D Portable LiDAR Imaging[J]. Functional Plant Biology, 2009, 36: 998-1 005 doi:  10.1071/FP09113
    [9] Lovell J L, Jupp D L B, Newnham G J, et al. Measuring Tree Stem Diameters Using Intensity Profiles from Ground-Based Scanning LiDAR from a Fixed Viewpoint[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(1): 46-55 doi:  10.1016/j.isprsjprs.2010.08.006
    [10] Wilson J W. Estimation of Foliage Denseness and Foliage Angle by Inclined Point Quadrats[J]. Australian Journal of Botany, 1963, 11(1): 95-105 doi:  10.1071/BT9630095
    [11] Iio A, Kakubari Y, Mizunaga H. A Three-Dimensional Light Transfer Model Based on the Vertical Point-Quadrant Method and Monte-Carlo Simulation in a Fagus Crenata Forest Canopy on Mount Naeba in Japan[J]. Agricultural and Forest Meteorology, 2011, 151(4): 461-479 doi:  10.1016/j.agrformet.2010.12.003
    [12] 李振洪, 宋闯, 余琛, 等. 卫星雷达遥感在滑坡灾害探测和监测中的应用: 挑战与对策[J]. 武汉大学学报·信息科学版, 2019, 44(7): 967-979 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201907003.htm

    Li Zhenhong, Song Chuang, Yu Chen, et al. Application of Satellite Radar Remote Sensing to Landslide Detection and Monitoring: Challenges and Solutions[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 967-979 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201907003.htm
    [13] Luo S Z, Wang C, Xi X H, et al. Estimating FPAR of Maize Canopy Using Airborne DiscreteReturn LiDAR Data[J]. Optics Express, 2014, 22 (5): 5 106-5 117 doi:  10.1364/OE.22.005106
    [14] Li W, Niu Z, Chen H Y, et al. Remote Estimation of Canopy Height and Aboveground Biomass of Maize Using High-Resolution Stereo Images from a Low-Cost Unmanned Aerial Vehicle System[J]. Ecological Indicators, 2016, 67: 637-648 doi:  10.1016/j.ecolind.2016.03.036
    [15] Yu Y, Yang X G, Fan W Y. Estimates of Forest Structure Parameters from GLAS Data and MultiAngle Imaging Spectrometer Data[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 38: 65-71 doi:  10.1016/j.jag.2014.12.013
    [16] Miura N, Jones S D. Characterizing Forest Ecological Structure Using Pulse Types and Heights of Airborne Laser Scanning[J]. Remote Sensing of Environment, 2010, 114(5): 1 069-1 076 doi:  10.1016/j.rse.2009.12.017
    [17] Véga C, Renaud J P, Durrieu S, et al. On the Interest of Penetration Depth, Canopy Area and Volume Metrics to Improve LiDAR-Based Models of Forest Parameters[J]. Remote Sensing of Environment, 2016, 175: 32-42 doi:  10.1016/j.rse.2015.12.039
    [18] Liu L X, Pang Y, Li Z Y, et al. Combining Airborne and Terrestrial Laser Scanning Technologies to Measure Forest Understorey Volume[J]. Forests, 2017, 8(4): 111-119 doi:  10.3390/f8040111
    [19] Hosoi F, Omasa K. Voxel-Based 3-D Modeling of Individual Trees for Estimating Leaf Area Density Using High-Resolution Portable Scanning Lidar[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(12): 3 610-3 618 doi:  10.1109/TGRS.2006.881743
    [20] Calders K, Adams J, Armston J, et al. Terrestrial Laser Scanning in Forest Ecology: Expanding the Horizon[J]. Remote Sensing of Environment, 2020, 251: 112102 doi:  10.1016/j.rse.2020.112102
    [21] Detto M, Asner G P, Muller-Landau H C, et al. Spatial Variability in Tropical Forest Leaf Area Density from Multireturn Lidar and Modeling[J]. Journal of Geophysical Research: Biogeosciences, 2015, 120(2): 294-309 doi:  10.1002/2014JG002774
    [22] Jupp D L B, Culvenor D S, Lovell J L, et al. Estimating Forest LAI Profiles and Structural Parameters Using a Ground-Based Laser Called 'Echidna (R)[J]. Tree Physiology, 2009, 29(2): 171-181 http://www.researchgate.net/profile/Glenn_Newnham/publication/23994363_Estimating_forest_LAI_profiles_and_structural_parameters_using_a_ground-based_laser_called_%27Echidna%27/links/0046352aec4a691505000000.pdf
    [23] Pimont F, Allard D, Soma M, et al. Estimators and Confidence Intervals for Plant Area Density at Voxel Scale with T-LiDAR[J]. Remote Sensing of Environment, 2018, 215: 343-370 doi:  10.1016/j.rse.2018.06.024
    [24] Oshio H, Asawa T, Hoyano A, et al. Estimation of the Leaf Area Density Distribution of Individual Trees Using High-Resolution and Multi-Return Airborne LiDAR Data[J]. Remote Sensing of Environment, 2015, 166: 116-125 doi:  10.1016/j.rse.2015.05.001
    [25] Yan G J, Hu R H, Luo J H, et al. Review of Indirect Optical Measurements of Leaf Area Index: Recent Advances, Challenges, and Perspectives[J]. Agricultural and Forest Meteorology, 2019, 265: 390-411 doi:  10.1016/j.agrformet.2018.11.033
    [26] Hosoi F, Omasa K. Factors Contributing to Accuracy in the Estimation of the Woody Canopy Leaf Area Density Profile Using 3D Portable LiDAR Imaging [J]. Journal of Experimental Botany, 2007, 58 (12): 3 463-3 473 doi:  10.1093/jxb/erm203
    [27] Lei L, Qiu C X, Li Z H, et al. Effect of Leaf Occlusion on Leaf Area Index Inversion of Maize Using UAV– LiDAR Data[J]. Remote Sensing, 2019, 11(9): 1 067 doi:  10.3390/rs11091067
    [28] 郭庆华, 苏艳军, 胡天宇, 等. 激光雷达森林生态应用——理论、方法及实例[M]. 北京: 高等教育出版社, 2018

    Guo Qinghua, Su Yanjun, Hu Tianyu, et al. LiDAR Principles, Processing and Applications in Forest Ecology[M]. Beijing: Higher Education Press, 2018
    [29] Raumonen P, Kaasalainen M, Åkerblom M, et al. Fast Automatic Precision Tree Models from Terrestrial Laser Scanner Data[J]. Remote Sensing, 2013, 5(2): 491-520 doi:  10.3390/rs5020491
    [30] 张颖, 刘亚文, 苗堃. 基于空间上下文关联的车载点云聚类方法[J]. 测绘地理信息, 2019, 44(4): 116-121 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201904028.htm

    Zhang Ying, Liu Yawen, Miao Kun. A Spatial Context-Based Clustering Approach for Vehicle-Borne Laser Scanning Data[J]. Journal of Geomatics, 2019, 44(4): 116-121 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201904028.htm
    [31] Gastellu-Etchegorry J P, Lauret N, Yin T G, et al. DART: Recent Advances in Remote Sensing Data Modeling with Atmosphere, Polarization, and Chlorophyll Fluorescence[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(6): 1 939-1 404 http://www.researchgate.net/profile/Jean-Philippe_Gastellu-Etchegorry/publication/316143400_DART_Recent_Advances_in_Remote_Sensing_Data_Modeling_With_Atmosphere_Polarization_and_Chlorophyll_Fluorescence/links/5a1d75a3aca2726120b2c311/DART-Recent-Advances-in-Remote-Sensing-Data-Modeling-With-Atmosphere-Polarization-and-Chlorophyll-Fluorescence.pdf
    [32] Qi J B, Xie D H, Yin T G, et al. LESS: LargEScale Remote Sensing Data and Image Simulation Framework over Heterogeneous 3D Scenes[J]. Remote Sensing of Environment, 2019, 221: 695-706 doi:  10.1016/j.rse.2018.11.036
  • [1] 李佳田, 吴华静, 林艳, 高鹏, 王雯涛, 阿晓荟, 晏玲.  顾及模糊核连通性的无人机图像半盲复原方法 . 武汉大学学报 ● 信息科学版, 2021, 46(6): 816-824. doi: 10.13203/j.whugis20190160
    [2] 崔溦, 谢恩发, 张贵科, 李宏璧.  利用无人机技术的高陡边坡孤立危岩体识别 . 武汉大学学报 ● 信息科学版, 2021, 46(6): 836-843. doi: 10.13203/j.whugis20190186
    [3] 张瑞倩, 邵振峰, Aleksei Portnov, 汪家明.  多尺度空洞卷积的无人机影像目标检测方法 . 武汉大学学报 ● 信息科学版, 2020, 45(6): 895-903. doi: 10.13203/j.whugis20200253
    [4] 刘雅婷, 龚龑, 段博, 方圣辉, 彭漪.  多时相NDVI与丰度综合分析的油菜无人机遥感长势监测 . 武汉大学学报 ● 信息科学版, 2020, 45(2): 265-272. doi: 10.13203/j.whugis20180161
    [5] 叶震, 许强, 刘谦, 董秀军, 王晓晨, 宁浩.  无人机倾斜摄影测量在边坡岩体结构面调查中的应用 . 武汉大学学报 ● 信息科学版, 2020, 45(11): 1739-1746. doi: 10.13203/j.whugis20200077
    [6] 孙文舟, 殷晓冬, 曾安敏, 刘强.  海底控制点定位初始入射角迭代计算方法的比较研究 . 武汉大学学报 ● 信息科学版, 2020, 45(10): 1588-1593. doi: 10.13203/j.whugis20180465
    [7] 姜三, 许志海, 张峰, 廖如超, 江万寿.  面向无人机倾斜影像的高效SfM重建方案 . 武汉大学学报 ● 信息科学版, 2019, 44(8): 1153-1161. doi: 10.13203/j.whugis20180030
    [8] 谭凯, 程效军, 张吉星.  TLS强度数据的入射角及距离效应改正方法 . 武汉大学学报 ● 信息科学版, 2017, 42(2): 223-228. doi: 10.13203/j.whugis20150502
    [9] 袁修孝, 蔡杨, 史俊波, 钟灿.  北斗辅助无人机航摄影像的空中三角测量 . 武汉大学学报 ● 信息科学版, 2017, 42(11): 1573-1579. doi: 10.13203/j.whugis20170236
    [10] 秦占飞, 申健, 谢宝妮, 严林, 常庆瑞.  引黄灌区水稻叶面积指数的高光谱估测模型 . 武汉大学学报 ● 信息科学版, 2017, 42(8): 1159-1166. doi: 10.13203/j.whugis20150132
    [11] 杨楠, 邵振峰, 郭丙轩, 彭哲, 黄蕾.  基于非固定初始面元的无人机影像点云优化算法 . 武汉大学学报 ● 信息科学版, 2016, 41(8): 1013-1020. doi: 10.13203/j.whugis20140750
    [12] 占伟伟, 王伟, 陈能成, 王超.  一种利用改进A*算法的无人机航迹规划 . 武汉大学学报 ● 信息科学版, 2015, 40(3): 315-320.
    [13] 李德仁, 李明.  无人机遥感系统的研究进展与应用前景 . 武汉大学学报 ● 信息科学版, 2014, 39(5): 505-513. doi: 10.13203/j.whugis20140045
    [14] 徐亚明, 邢诚, 陈晓东.  一种基于拼接线的无人机序列影像拼接方法 . 武汉大学学报 ● 信息科学版, 2011, 36(11): 1265-1269.
    [15] 金绍华, 翟京生, 刘雁春, 崔高嵩.  海底入射角对多波束反向散射强度的影响及其改正 . 武汉大学学报 ● 信息科学版, 2011, 36(9): 1081-1084.
    [16] 刘晋苏, 任沁源, 韩波, 李平.  基于微型无人机平台的航拍动态阴影检测 . 武汉大学学报 ● 信息科学版, 2010, 35(11): 1275-1278.
    [17] 黄先锋, 陶闯, 江万寿, 龚健雅.  机载激光雷达点云数据的实时渲染 . 武汉大学学报 ● 信息科学版, 2005, 30(11): 975-978.
    [18] 秦剑琪, 蓝朝桢, 崔志祥, 张永显, 王岩.  一种面向无人机绝对定位的基准卫星影像检索方法 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200229
    [19] 彭楚粤, 程晓, 夏林元.  面向对象分类的企鹅种群无人机影像识别方法研究 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200557
    [20] 李腾, 张宝钢, 程 晓, 张媛媛, 惠凤鸣, 赵天成, 秦为稼, 梁建宏, 杨元德, 刘旭颖, 李新情.  无人机在南极科学研究的应用:进展与展望 . 武汉大学学报 ● 信息科学版, 0, 0(0): -. doi: 10.13203/j.whugis20200098
  • 加载中
图(9) / 表(1)
计量
  • 文章访问数:  54
  • HTML全文浏览量:  50
  • PDF下载量:  17
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-12-10
  • 刊出日期:  2021-11-05

利用无人机激光雷达提取玉米叶面积密度

doi: 10.13203/j.whugis20200674
    基金项目:

    国家重点研发计划 2016YFD0300602

    国家重点研发计划 2017YFE0122500

    北京市自然科学基金 6182011

    中央高校基本科研业务费专项资金 300102260301/087

    中央高校基本科研业务费专项资金 300102260404/087

    作者简介:

    雷蕾,博士生,研究方向为农业遥感。2020026022@chd.edu.cn

    通讯作者: 李振洪,博士,教授。zhenhong.li@chd.edu.cn
  • 中图分类号: P237

摘要: 叶面积密度可以表征冠层内部叶面积的垂直分布,是作物生长发育、营养诊断和育种研究的重要结构参数。激光雷达通过发射多脉冲和接收多回波信号可以探测到作物冠层内部信息。首先基于无人机激光雷达获取60个小区多航线的玉米点云数据,采用基于接触频率的体素法对叶面积密度进行估算,再对多个体素大小进行分析得到最优体素大小(0.2 m);其次对各航线以及航线叠加效果进行对比,得到无人机激光雷达获取点云数据的最优激光脉冲入射角(-30°~52°);然后结合玉米叶倾角和激光脉冲入射角对叶面积密度估算模型进行校正,从而提高叶面积密度估算精度;最后通过对不同种植密度和不同品种的玉米叶面积密度分布进行分析,得到不同品种玉米的发育快慢、株型特点以及最合理的种植密度。以上结果可为基于无人机激光雷达数据估算叶面积密度提供指导,并为玉米育种和科学管理提供参考。

English Abstract

雷蕾, 李振洪, 杨浩, 杨贵军. 利用无人机激光雷达提取玉米叶面积密度[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1737-1745. doi: 10.13203/j.whugis20200674
引用本文: 雷蕾, 李振洪, 杨浩, 杨贵军. 利用无人机激光雷达提取玉米叶面积密度[J]. 武汉大学学报 ● 信息科学版, 2021, 46(11): 1737-1745. doi: 10.13203/j.whugis20200674
LEI Lei, LI Zhenhong, YANG Hao, YANG Guijun. Extraction of the Leaf Area Density of Maize Using UAV-LiDAR Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1737-1745. doi: 10.13203/j.whugis20200674
Citation: LEI Lei, LI Zhenhong, YANG Hao, YANG Guijun. Extraction of the Leaf Area Density of Maize Using UAV-LiDAR Data[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1737-1745. doi: 10.13203/j.whugis20200674
  • 玉米冠层与大气进行着碳、水和能量的交换,在碳循环、水循环和气候调节中起着重要作用[1-3]。叶片是冠层的主要组成部分,叶面积及其在冠层内的空间分布状况是影响冠层光合作用的重要因素之一[4]。因此,分析玉米冠层的三维结构对于生态系统和能量交换至关重要[5]。叶面积密度(leaf area density,LAD)是表征植被垂直方向上不同分层内叶面积差异的参数,其定义为单位地面面积、单位高度范围内的单面叶面积总和[6-7],其在高度上的积分为叶面积指数[8]

    传统的叶面积密度测量方法包括直接测量法和间接测量法。直接测量法主要包括破坏性取样法和异速生长方程法[9],此类方法破坏性大、费时费力,在应用中受到限制。间接测量法包括点样方法和借助遥感光学测量的方法。当有足够深的探针插入目标冠层时,前者可提供准确的叶面积密度估计[10-11],但该方法破坏性较大且所需劳动量密集。而常用的基于二维遥感图像的方法难以获取叶面积密度。

    激光雷达(light detection and ranging,LiDAR)是一种通过发射激光脉冲并记录脉冲返回信号的主动遥感技术[12-13]。与常见的传感器(如数码相机、多光谱相机和高光谱相机)不同,激光雷达通过多脉冲和多回波对玉米冠层具有一定的穿透性[14-18],不同角度发射的脉冲(即光斑)具有不同的穿透性,因此获取激光雷达数据的精度也不同。基于激光雷达数据进行叶面积密度估算,常用的方法为体素法,体素即三维立方体,所有点通过计算被转换成体素坐标[19-20],但只有合适的体素大小才可提取高精度的叶面积密度[1]。基于体素法估算叶面积密度根据其原理分为基于比尔朗伯定律[21-22]和基于接触频率[1923-24]两种。前者基于孔隙率估算叶面积密度,因此不受不均匀点云密度或不完全点云的限制,但是需要考虑由于空间异质性造成冠层内部路径不同的问题。叶倾角分布、聚集效应和茎秆是采用光学方法计算叶面积密度的主要问题[25]。在基于接触频率的体素法中,校正因子α(θ)取决于叶倾角分布和激光脉冲入射角。文献[26]提出了一种基于体素精确计算不同条件下树的叶面积密度和叶面积指数的方法,并发现当激光脉冲入射天顶角θ=57.5°时,冠层叶片的倾角对消光系数G(θ)的影响最小,此时G(θ)为恒定值0.5,许多研究都采用了这一结果[125]。文献[6]基于地基LiDAR获取点云数据和真彩色图像,通过茎叶分离和叶片拟合求法线计算叶倾角,然后根据各水平层厚度的入射天顶角和叶倾角计算αθ)。目前关于计算αθ)的研究大多针对树展开的,关于农作物的相关研究较少。

    本文通过分析无人机LiDAR获取数据的最优入射角以及采用体素法估算叶面积密度时的最优体素大小,结合玉米叶倾角和激光脉冲入射角,实现更高精度的叶面积密度和叶面积密度分布提取,为更好地分析玉米的生长状态及育种研究提供参考。

    • 本文实验在北京市昌平区小汤山国家精准农业示范基地进行(115°50′17″E~116°29′49″E,40°20′18″N~40°23′13″N),该地区属于暖温带半湿润大陆性季风气候,年平均日照时数为2 684 h,年平均气温为11.8 ℃,年平均降水量为550.3 mm[27],该实验期的玉米属于拔节期。实验区如图 1所示,共60个小区,小区大小均为3.6 m×2.5 m,小区间隔为1.5 m,不同种植密度之间的间隔为2 m,南北总长39 m,东西总长29.6 m。实验设计为4个种植密度(分别为3 000株/亩、4 500株/亩、6 000株/亩和7 000株/亩,各种植密度每株玉米的间隔分别为15.60 cm、17.85 cm、22.73 cm和35.71 cm),5个品种(A1、A2、A3、A4、 A5,分别为郑单958、先玉335、京农科728、成单30和京品6),每个品种有3个重复。本文利用纸箱共布设6个控制点,分别位于实验区两侧和中间位置,用于不同航线数据的配准。

      图  1  实验区

      Figure 1.  Experimental Area

    • 实验于2019-08-17进行,如图 2所示,无人机激光雷达系统主要包括4部分,即无人机(大疆M600)、激光雷达(Riegl VUX-1)、天线(获取卫星信号)以及基站(Galaxy 1)。无人机飞行高度为15 m,速度为3.5 m/s,激光脉冲发射频率为550 kHz,光斑发散度为0.35 mrad,视场角为330°,激光光斑大小随光斑发射距离增加(每100 m增加35 mm)。

      图  2  无人机激光雷达系统

      Figure 2.  UAV LiDAR System

      本文共获取13条航线数据,各航线对应不同的激光脉冲入射角,航线1~13分别为11°~66°、-57°~19°、-37°~48°、-30°~52°、-62°~5°、-82°~-70°、67°~77°、-75°~62°、56°~73°、-70°~-40°、25°~64°、-56°~6°和-26°~46°。无人机飞行航线如图 3所示,从图 3中可看出,无人机飞行航线可以分为垂直于玉米种植垄向和平行于玉米种植垄向两类,以及位于实验区正上方、略偏于实验区正上方、偏离实验区较远3类,通过各航线的对比,获取最优的激光雷达数据。

      图  3  无人机航线

      Figure 3.  UAV Trajectories

    • 本文分别在每个小区的相同位置选取4株玉米,用直尺测量各叶片叶长和叶片最宽的位置计算叶面积。由于在室外直接测量玉米叶片的叶倾角难度较大,故通过对玉米拍照,在照片上测量来获取玉米叶倾角。

    • 数据预处理主要包括数据解算、不同航线数据配准和小区分割。数据解算分为轨迹解算和原始激光数据处理两部分。首先对GPS基站数据和POS RAW数据采用差分解算及GPS level arm反算得出精准的轨迹数据;然后利用RiProcess软件(版本1.7.2)对原始激光数据进行处理,包括波形解算、轨迹数据匹配以及三维点云可视化;最后导出las格式的点云数据。不同航线数据配准用于验证不同航线叠加是否能提高叶面积密度估算精度,本文采用CloudCompare软件中集成的Align算法进行配准,选取了至少3个同名点完成配准,结果如图 4(a)所示。由于获取了多个航线的激光雷达数据,因此需要采用批量处理的方式完成小区分割。首先基于点云数据绘制各小区矢量边界线,并调整边界线和点云数据位于同一高度;然后在CloudCompare软件中对各航线数据批量完成小区分割,结果如图 4(b)所示。

      图  4  数据预处理

      Figure 4.  Data Preprocessing

    • 体素法作为激光雷达点云数据可视化的一种方法,已被广泛应用于激光雷达数据处理 [1928]。首先,根据点云数据的边界,将点云分割成i×j×s个大小为Δi×Δj×Δs的网格,计算如下:

      i=int((xmax-xmin)/Δi)j=int((ymax-ymin)/Δj)s=int((zmax-zmin)/Δs) ]]>

      式中,(xmaxxmin)、(ymaxymin)、(zmaxzmin)分别为所有点中xyz坐标的最大值、最小值。然后判断网格里是否有点,有点的网格为1,没有点的网格为0,其中没有点的网格就是植被冠层中的孔隙。

      采用基于接触频率的体素法估算叶面积密度,单株叶面积密度(individual LAD,ILAD)为群体叶面积密度除以群体玉米株数,计算如下:

      LAD(h,ΔH)=1ΔHcosθG(θ)mhmh+ΔHnI(k)nT(k) ]]>
      ILAD=LAD/n ]]>

      式中,h为玉米高度;ΔH表示叶面积密度分布的水平层厚度;nIk)表示第k层有点的体素个数;nTk)表示第k层所有体素的个数;,Gθ)为消光系数,表示叶片沿竖直方向的投影;cosθ/Gθ)表示叶倾角与激光光束方向的校正因子。Gθ)的计算如下:

      G(θ)=q=1Tq[g(q)S(θ,θL(q))] ]]>
      S(θ,θL(q))=cosθcosθL,θπ2-θLcosθcosθL[1+2(tanx-x)π],θ>π2-θL ]]>
      x=cos-1(cotθcotθL) ]]>

      式中,Tq为叶倾角类别数,如果以5°为间距,叶倾角从0°到90°共分为18类,Tq为18;q为叶倾角类别;θ为激光光束入射角;θL为叶倾角;θL(q)q类中间叶倾角值;gq)为q类叶倾角的分布,是q类的叶面积与总的叶面积的比率。

    • 叶倾角作为重要的作物三维结构参数,对叶面积密度的估算和分布分析有直接影响。本文采用机器学习的方法获取玉米叶倾角,每个小区分别提取4株玉米叶片叶倾角代表整个小区玉米。首先通过定量结构模型[29]进行玉米茎叶分离,采用具有噪声的基于密度的聚类方法(density-based spatial clustering of applications with noise,DBSCAN)[30]提取玉米单叶,然后提取各叶片的结构特征值(包括叶位点、中心点、叶梢点、叶片点数和叶片投影面积)完成叶倾角的训练和预测,叶倾角提取示意图如图 5所示。

      图  5  叶倾角提取

      Figure 5.  Extraction of Leaf Inclination Angle

    • 由于叶面积密度实测值获取难度较大,且叶面积密度在高度上的积分为叶面积指数,故本文将叶面积指数实测值与估算出的叶面积密度进行对比,采用相对均方根误差(relative root mean square error,rRMSE)进行精度验证,以此确定基于无人机激光雷达获取的点云数据估算叶面积密度的最优入射角以及采用体素法时的最优体素大小。计算如下:

      RMSE=1ni=1n(xi-fi)2 ]]>
      rRMSE=RMSEx¯×100% ]]>

      式中,xii小区叶面积指数实测值;x¯为各小区叶面积指数实测值的平均值;fi为从点云中求出的i小区叶面积指数;n为小区个数;RMSE(root mean square error)为均方根误差。

      通过对比多条航线的激光雷达数据(多条航线分别对应不同的激光脉冲入射角)可得到基于无人机激光雷达获取数据的最优入射角。本文从目视和定量分析两个方面对各航线的激光雷达数据进行对比分析。

      图 6为各航线同一小区玉米点云数据的侧视图(其中航线2+5是对航线2和5的点云数据的叠加)。

      图  6  各航线同一小区玉米点云数据侧视图

      Figure 6.  Side Views of Maize Point Cloud Data in the Same Plot of Each Trajectory

      图 6中可以看出,航线6、7、8、9和10的点云数据明显较差,中部和下部缺失较多,结合图 3可知这几条航线偏离实验区较远,而航线1、2、3、4、5、2+5、11、12和13的点云数据无法通过目视直接判断,本文采用定量分析对各航线的点云数据进行对比。

    • 体素大小对点云数据估算叶面积密度的影响较大,本文对如何选取最优的体素大小进行了讨论。通过统计实测值,得出玉米的叶片宽度为0.05~0.1 m,为了尽可能使体素内的点云处于均匀分布的状态,体素大小的选取应大于0.05 m。图 7(a)为航线4基于点云数据估算出的各小区叶面积指数随体素大小的变化曲线。由图 7(a)可知,随着体素大小的增加,叶面积指数逐渐增加,并在0.1 m后达到一个稳定状态,故最优体素大小应大于0.1 m。结合玉米自身情况,以0.025 m为间隔,在0.1~0.5 m的区间中共选取17个体素大小对目视无法直接判断的航线进行叶面积密度估算,结果如图 7(b)所示。从图 7(b)中可以看出,不同航线估算叶面积指数随着体素大小的增加均达到一个近似稳定的状态,不同航线精度不同且区别较大。其中,航线2+5的最优体素大小相比其他航线更小,与点云密度有关。

      图  7  最优体素大小及最优航线分析

      Figure 7.  Analysis of the Optimal Voxel Size and the Optimal Trajectory

      表 1为各航线的激光脉冲入射角及叶面积指数估算精度。由表 1可知,采用体素法估算叶面积密度时不同航线对应不同的最优体素大小。无人机飞行方向垂直于种植垄向时,叶面积指数估算精度明显较高。且当飞行航线位于实验区正上方时,基于无人机激光雷达数据估算叶面积指数精度更高。此外,与航线2的精度(23.78%)和航线5的精度(17.30%)相比,航线2+5估算叶面积指数的精度更高(13.91%),这是由于航线2和5分别位于实验区两侧,两条航线叠加弥补了另一条航线缺失的数据。但航线2+5的估算精度略低于航线4(13.23%),高于航线3(16.74%),说明两条位于实验区两侧航线的叠加可以达到或者超越正射数据的效果。但过多的航线叠加会造成点云密度过高,对后期数据的处理、存储和显示带来困难,同时也造成了计算机资源和人力资源的浪费,因此,在实验精度得到保证的情况下尽量减少航线的叠加,故最优航线(激光脉冲入射角)及最优体素大小分别为-30°~52°和0.2 m。

      表 1  各航线的最优体素大小和脉冲入射角以及精度评定

      Table 1.  The Optimal Voxel Size and Leaf Inclination Angle and Accuracy Evaluation of Each Trajectory

      航线参数 飞行方向
      垂直于种植垄向 平行于种植垄向
      航线1 航线2 航线3 航线4 航线5 航线2+5 航线11 航线12 航线13
      航线与实验区位置 偏较远 略偏 正上方 正上方 略偏 略偏 偏较远 略偏 正上方
      脉冲入射角/(°) 11~66 -57~19 -37~48 -30~52 -62~5 -62~19 25~64 -56~6 -26~46
      最优体素大小/m 0.5 0.425 0.2 0.2 0.225 0.125 0.4 0.375 0.175
      rRMSE/% 29.47 23.78 16.74 13.23 17.30 13.91 30.65 27.03 24.12
    • 图 8为4个种植密度、5个品种玉米叶面积密度和单株叶面积密度分布,将叶面积密度分布分为上、中和下三层,峰值处为中层,峰值以上为上层,峰值以下为下层。由于下层叶片已处于衰败状态,故下层各种植密度叶面积密度变化不明显。

      图  8  不同种植密度各品种玉米叶面积密度分布和平均叶面积密度分布

      Figure 8.  Distribution of Leaf Area Density and Average Leaf Area Density of Various Maize Varieties with Different Planting Densitie

      图 8可知,上层不同种植密度叶面积密度分布有明显的递增趋势,但不是随着种植密度的增加而增加,在种植密度为3 000株/亩时,相比其他种植密度,A1和A2叶面积密度最大;A3和A4随着高度的增加叶面积密度逐渐增加;A5叶面积密度最小。这种现象可表明该时期各品种玉米上层的发育状况,A5上层叶片已经完全张开,所以会有明显的随着种植密度增加叶面积密度增加的趋势;A3和A4最上层存在少数未张开叶片;A1和A2未张开叶片较多。说明相对于其他的品种,A5发育最快。中层A1~A5叶面积密度均随着种植密度的增加逐渐增大,在1.1~1.3 m处,叶面积密度达到最大,各种植密度最大叶面积密度分别集中于0.45~0.5 m2/m3、0.55~ 0.6 m2/m3、0.57~0.62 m2/m3和0.6~0.65 m2/m3。单株叶面积密度呈与群体叶面积密度相反趋势,随着种植密度的增加逐渐减小,分别集中于0.009 5~0.01 m2/m3、0.007 7~0.008 2 m2/m3、0.006 7~0.007 2 m2/m3和0.006 5~0.007 m2/m3。从4 500~6 000株/亩与从3 000~4 500株/亩的种植密度增量相同,但其叶面积密度和单株叶面积密度增量下降,说明合理的种植密度应处于4 500~6 000株/亩之间。

    • 1)叶倾角校正后与未校正精度对比

      由于叶倾角获取难度较大,大部分研究中,Gθ)被设定为恒定值0.5(表示叶片沿竖直方向的投影为叶片面积的一半),这是以球形模型为基础,当θ=57.5°时,冠层叶片的倾角对消光系数的影响最小时求得的Gθ)值。在相同条件下,将Gθ)为0.5时估算出的叶面积密度与本文采用叶倾角校正估算出的叶面积密度分别与实测值进行精度对比。采用叶倾角校正后,rRMSE为13.23%,而Gθ)被设定为恒定值0.5时,rRMSE为16.13%,由此可知,采用叶倾角校正后,叶面积密度估算精度明显提高。

      2)不同品种叶面积密度分布分析

      图 9为5个品种、4个种植密度玉米叶面积密度分布曲线。从图 9中可看出,上层中,种植密度为3 000株/亩、4 500株/亩和6 000株/亩时,相比其他品种,A2叶面积密度最大,说明该品种玉米上层叶片较大或较多;种植密度为5 000株/亩和6 000株/亩时,A4叶面积密度最小,说明该品种上层叶片较小或较少。由于玉米处于拔节期,中层叶片还在生长,故各品种之间没有比较明显的区别。

      图  9  各品种不同种植密度叶面积密度分布

      Figure 9.  Leaf Area Density Distribution of Different Plant Densities and Different Varieties

    • 本文基于无人机激光雷达获取了多个航线的玉米激光雷达数据,采用基于接触频率的体素法对叶面积密度进行估算,结合玉米叶倾角和激光脉冲入射角对叶面积密度估算模型校正后,对不同种植密度和不同品种的叶面积密度分布进行分析,得出以下结论:(1)采用玉米叶倾角和激

      光脉冲入射角校正叶面积密度估算模型后,叶面积密度估算精度与未校正之前相比明显提高。(2)结合玉米叶片宽度,通过分析各航线不同体素大小下的叶面积密度估算精度,得出各航线对应的最优体素大小;通过对各航线叶面积密度估算精度进行对比,得出最优航线(激光脉冲入射角)及最优体素大小(分别为-30°~52°和0.2 m);通过将两条非正射(分别位于实验区两侧,略偏于实验区正上方)航线叠加后(航线2+5)与正射获取的航线对比,证明两条非正射航线的叠加可以达到或者超过正射数据的效果。(3)在最优航线和最优体素大小的基础上,对不同种植密度和不同品种的叶面积密度分布进行分析。通过分析各品种不同种植密度上层的叶面积密度分布可得到不同品种玉米的发育快慢,中层可分析得出最合理的种植密度(处于4 500~6 000株/亩之间);通过分析各种植密度不同品种上层的叶面积密度分布可对不同品种玉米株型进行对比。

      本文得出的最优航线(激光脉冲入射角)、最优体素大小对基于无人机激光雷达进行作物结构参数的提取具有参考作用;高精度的叶面积密度作为重要的作物结构参数可为作物辐射传输模型,如DART[31]、LESS[32]等的建立提供数据基础;通过分析不同品种不同种植密度玉米的分层叶面积密度分布可对不同品种玉米发育快慢、不同品种株型以及合理的种植密度进行分析,为玉米育种以及科学管理提供参考。

参考文献 (32)

目录

    /

    返回文章
    返回