基于无人机激光雷达（UAV-LiDAR）的玉米和大豆株高估算研究

作者与发表信息

本研究由Shezhou Luo（福建农林大学资源与环境学院）、Weiwei Liu（通讯作者，福建农林大学）、Yaqian Zhang（福建农林大学）、Cheng Wang（中国科学院空天信息创新研究院数字地球重点实验室）、Xiaohuan Xi（中国科学院空天信息创新研究院）、Sheng Nie（中国科学院空天信息创新研究院）、Dan Ma（福建农林大学）、Yi Lin（北京大学地球与空间科学学院遥感与地理信息系统研究所）和Guoqing Zhou（桂林理工大学）共同完成。研究论文发表于Elsevier旗下期刊《Computers and Electronics in Agriculture》2021年第182卷，文章编号106005，于2021年2月12日在线发表。

学术背景

研究领域与科学问题

本研究属于农业遥感与精准农业交叉领域，聚焦于作物株高这一关键植被结构参数的遥感估算。株高与作物生长状态、健康状况、产量预测和生物量估算密切相关。传统田间测量方法效率低下，难以满足大范围、多时相监测需求。被动光学遥感（如多光谱影像）因缺乏垂直结构信息且易受植被饱和效应影响，在株高估算中存在显著局限。而激光雷达（LiDAR）技术能直接获取植被三维信息，为株高估算提供了新思路。

研究目标

本研究旨在：
1. 验证无人机激光雷达（UAV-LiDAR）数据估算玉米和大豆株高的可行性；
2. 比较基于冠层高度模型（Canopy Height Model, CHM）和基于LiDAR特征变量两种方法的估算精度；
3. 分析LiDAR点云密度对株高估算精度的影响，为数据采集成本与精度平衡提供依据。

研究流程与方法

1. 研究区域与田间数据采集

研究区域位于中国河北省怀来遥感试验场，属半干旱气候（年均降水396 mm，年均温9.6℃）。主要作物为玉米和大豆。
田间测量于2019年7月20-22日进行：
- 样本设计：设置62个10 m×10 m样方（41个玉米样方，21个大豆样方）；
- 株高测量：使用水准杆手动测量，玉米平均株高1.962 m（范围0.976–2.524 m），大豆平均株高0.679 m（范围0.515–0.863 m）。

2. UAV-LiDAR数据采集与处理

数据采集：
- 设备：搭载RIEGL VUX-1UAV激光雷达传感器的六旋翼无人机，飞行高度150 m，扫描角度±46°，侧向重叠率70%；
- 原始数据：点云密度420点/m²，存储为LAS格式。

数据处理流程：
1. 点云去噪与分类：使用TerraSolid软件去除噪声，将点云分类为大豆、玉米、树木和地面；
2. 数字高程模型（DEM）生成：基于地面点云，采用最近邻插值法生成0.5 m分辨率DEM；
3. 数字表面模型（DSM）与CHM生成：利用首次回波和单次回波生成DSM，CHM通过DSM与DEM的高程差计算获得；
4. 点云密度调控：通过随机抽点将原始点云密度（420点/m²）降至0.25–420点/m²范围内的65个梯度，以研究密度对精度的影响。

3. LiDAR特征变量提取

从点云中提取14个特征变量（表2），包括：
- 高度指标：最大值（max）、平均值（mean）、标准差（sd）、百分位数（p50–p99）；
- 冠层结构指标：激光拦截指数（Laser Interception Index, LII）、冠层起伏比（Canopy Relief Ratio, CRR）。
所有变量基于5 cm高度阈值计算，以减少地表干扰。

4. 统计建模与验证

两种估算方法：
1. CHM线性回归法：通过CHM提取的株高与实测值建立线性回归模型；
2. LiDAR变量随机森林（RF）回归法：使用R语言中的randomForest包构建模型，参数设置为ntree=1000、mtry=变量总数的1/3。

精度评估指标：
- 决定系数（R²）、均方根误差（RMSE）、相对均方根误差（RMSEr）。

主要研究结果

1. 基于CHM的株高估算

• 玉米：R²=0.649，RMSE=0.237 m（RMSEr=12.1%）；
  
• 大豆：R²=0.403，RMSE=0.086 m（RMSEr=12.7%）；
  
• 混合数据集（玉米+大豆）：R²=0.821，RMSE=0.296 m（RMSEr=19.4%）。
  混合模型的R²显著高于单一作物模型，但RMSEr较高，可能与两类作物株高差异大有关。
  

2. 基于LiDAR变量的株高估算

• 玉米：R²=0.822，RMSE=0.165 m（RMSEr=8.4%）；
  
• 大豆：R²=0.448，RMSE=0.082 m（RMSEr=12.1%）；
  
• 混合数据集：R²=0.966，RMSE=0.127 m（RMSEr=8.3%）。
  RF模型精度普遍优于CHM法，其中P99、max和P95是重要性最高的变量（图5）。大豆模型精度最低，可能因其株高变异小且冠层密集。
  

3. 点云密度对估算精度的影响

• 临界密度阈值：当点密度点/m²时，精度随密度降低急剧下降；≥1点/m²时，密度增加对精度无显著提升；
  
• 最优密度：玉米（10点/m²）、大豆（8点/m²）、混合数据（8点/m²），均非最高密度（420点/m²）。
  

结论与价值

科学意义

1. 方法学贡献：验证了UAV-LiDAR在作物株高估算中的可靠性，RF模型优于传统CHM法；
   
2. 应用指导：明确了1点/m²的LiDAR点密度即可满足精度需求，为降低数据采集成本提供了依据；
   
3. 跨作物适用性：混合作物模型的优异表现（R²=0.966）表明该方法可推广至多作物场景。
   

创新点

1. 首例UAV-LiDAR点密度影响研究：填补了该领域空白；
   
2. 低成本优化方案：证明高密度点云非必需，平衡了精度与成本；
   
3. 多方法对比：系统评估了CHM与LiDAR变量法的优劣。
   

其他发现

• 大豆估算难点：短株高（ m）和密集冠层导致LiDAR“死区效应”，未来需改进传感器配置或算法；
  
• 通用模型优势：混合模型的高精度提示，在作物类型已知时，可构建统一估算框架以减少建模工作量。
  

研究亮点

1. 技术前沿性：首次将UAV-LiDAR点密度调控应用于农作物研究；
   
2. 实践价值：为农业无人机激光雷达航测规划提供了密度-成本优化指南；
   
3. 方法论创新：结合RF算法与多维度LiDAR特征变量，提升了短冠层作物的估算精度。