VE-MLM：一种基于变量端元的多线性混合框架，用于利用无人机多光谱影像估算作物的叶面积指数（FAPAR）

《Plant Phenomics》：VE-MLM: A Variable Endmember-based Multilinear Mixing Framework for Crop FAPAR Estimation Using UAV Multispectral Imagery

　　

宁格元 | 刘亚东 | 张朝阳 | 李远进 | 马龙飞 | 彭毅 | 吴翔婷 | 朱仁山 | 宫研 | 方胜辉

摘要

吸收的光合有效辐射（FAPAR）的比例对于表征作物的光合作用能力和生长状况至关重要。基于无人机（UAV）的遥感技术能够高效地估算FAPAR，但由于作物冠层和背景的复杂性与动态变化，多次散射和传输现象限制了基于植被指数（VI）的方法的准确性。本研究提出了一种自适应光谱解混框架VE-MLM，适用于多层混合场景，该框架包含三个模块：(1) **变量端元提取**（Variable Endmember Extraction），通过在R-NIR特征空间中提取纯净像素并使用k-means和迭代端元选择算法来构建前景（作物）和背景端元的光谱库，从而减少冗余；(2) **迭代解混**（Iterative Unmixing），逐像素地将前景-背景端元组合作为多线性混合模型（MLM）的输入进行迭代处理；(3) **最优选择**（Optimal Selection），根据均方根误差（RMSE）选择最优组合，并输出相应的冠层丰度A_f。以高粱和水稻为研究对象，本研究收集了无人机多光谱图像以及不同时期的田间测量FAPAR数据，以验证VE-MLM的优点。结果表明，与固定端元和线性/双线性混合模型相比，VE-MLM始终表现出优异的解混性能，有效量化了冠层的光合贡献。所得到的A_f减少了基于VI的回归模型中常见的饱和度和背景干扰，并与FAPAR具有更高的相关性（高粱：R2=0.900，rRMSE=7.753%；水稻：R2=0.807，rRMSE=2.200%）。总之，VE-MLM在应对作物生长场景中的光谱变异性、动态变化和场景复杂性方面具有巨大潜力，为精准农业中的高粱和水稻FAPAR估算提供了一种更准确且具有普遍适用性的方法。