基于無人機平臺的柑橘樹冠信息提取

束美艷，李世林，魏家璽，車熒璞，李保國，馬韞韜

·農業航空工程·

基于無人機平臺的柑橘樹冠信息提取

束美艷，李世林，魏家璽，車熒璞，李保國，馬韞韜※

（中國農業大學土地科學與技術學院，北京 100193）

為了快速獲取柑橘樹冠信息，提升柑橘園精準管理，該研究基于無人機平臺獲取了柑橘數碼和多光譜影像，分析了無人機影像反演柑橘樹冠信息的效果。首先利用無人機數碼影像及分水嶺算法進行柑橘單木分割，然后構建柑橘樹冠層高度模型，提取柑橘株數、株高、冠幅投影面積等結構參數信息，進而利用無人機多光譜影像獲取柑橘的8種常用植被指數，采用全子集分析法篩選柑橘冠層氮素含量的敏感植被指數，構建基于多元線性回歸的冠層氮素遙感反演模型，進行以冠幅為基本單元的柑橘樹冠層氮素含量遙感制圖。研究結果表明：柑橘的單木識別準確率在93%以上，召回率在95%以上，平均值為96.52%；柑橘樹的反演株高與實測株高具有較強的相關性，決定系數2為0.87，均方根誤差為31.9 cm；單株冠幅投影面積與人工繪制的冠幅面積的決定系數，除果園A在12月的結果較低（2為0.78）外，其余均在0.94及以上；采用全子集分析法篩選的柑橘冠層氮素敏感植被指數為歸一化植被指數（NDVI）、綠色歸一化植被指數和冠層結構不敏感指數，所建立的多元回歸模型的決定系數2達0.82，均方根誤差為0.22%，相對誤差為6.59%。綜上，無人機影像在柑橘樹冠參數信息提取方面具有較好的應用效果，能夠快速有效地提取柑橘樹冠參數信息。該研究可為使用無人機平臺進行果園精準管理提供技術支撐。

無人機；圖像處理；多光譜；柑橘；株高；冠幅投影面積；冠層氮素含量

0 引 言

柑橘是世界重要的經濟作物[1]。在中國，柑橘種植區目前主要分布在甘肅–陜西–河南–江蘇一線以南，遍及全國的20多個直轄市（市、自治區），柑橘產業逐漸成為當地農村經濟的支柱和特色產業，對中國農業經濟發展發揮著重要的作用[2]。目前歐美國家綜合應用衛星遙感、航空遙感和地面行走式探測裝備等的“天-空-地”一體化集成技術，進行實時高效的農作物生長動態監測、營養診斷和病蟲害、花量、掛果量等的預測，并依據個體差異，進行個性化精準管理[3-4]。目前，國內大多數果園的管理模式粗放落后，對勞動力依賴程度高，科技支撐力量不足[5]。

精準農業的核心理念是變量管理。對于果園的管理，就是要依據單株果樹個體或者果園小群體間的差異，進行精準定位，實施擇時、變量的田間管理，這是解決目前果園管理粗放落后的有效途徑[6-7]。對于果園精準管理，首先需要解決的是果樹冠層結構信息的快速提取。目前一些田間果樹長勢信息如株高、冠幅、氮素營養、花量、掛果量、產量等數據的采集大多依賴于人工實測，存在人力投入大、效率低、覆蓋率低和具有破壞性等缺點[8]。

遙感技術以其空間覆蓋廣、效率高和無破壞性等特點被廣泛應用于農業生產及監測過程[9-12]。特別是近年來發展迅速的無人機監測技術，以其靈活機動、成本低、分辨率高的優點，成為獲取作物生長信息的重要手段[13]。因此，利用無人機遙感平臺替代傳統果樹生長信息采集方法，及時、有效地為果園精準管理服務，滿足果園經營管理者獲知田間果樹生長信息的需求，對精準果園的發展具有重大意義。

本文旨在構建基于單木分割的柑橘樹冠結構和營養信息無人機監測方法，在對果樹單株識別上，采用基于冠層高度模型（Canopy Height Model, CHM）的分水嶺算法進行單木分割，實現每株果樹的空間位置輪廓范圍的全覆蓋標記，進而提取柑橘株數、株高、冠幅投影面積（Crown Projection Area, CPA），然后利用無人機多光譜影像開展單株氮素營養狀態監測，并結合田間實測樣本進行精度驗證。

1 材料與方法

1.1 試驗區域概況

本文研究區（圖1）為廣西壯族自治區南寧市的2個柑橘果園，果園A（108.29° E，23.19° N）和果園B（108.06°E，22.79°N）相距約50 km。其中果園A總面積約37.33 hm2，果園B總面積約13.33 hm2。該區域屬于濕潤的亞熱帶季風氣候，光熱充足，雨量充沛，年平均氣溫21.7 ℃，年均降雨量1304 mm。2個園均為淺丘山地果園，平均坡度小于2 %，均種植晚熟雜交柑橘品種沃柑，沃柑屬于晚熟高糖柑橘品種，樹冠呈圓頭形，樹姿開張，果實扁平，平均單果質量約170 g，單株產量約60 kg。其中園區A為5a樹齡沃柑；園區B為2a樹齡沃柑。柑橘種植為定植方式，定期對樹木形狀進行適當的修整，以保證果樹枝條處于更新狀態。主要施用有機肥。柑橘樹通常要求土壤含水率在60%～80%之間，低于60%則進行灌溉。病蟲害防治采用物理方法，如熒光燈誘殺果夜蛾、小實蠅等。經取土樣檢測，果園A的土壤全氮含量為1.77%，果園B的土壤全氮含量0.66%。

1.2 試驗方法

1.2.1 研究方案

本研究技術路線主要包括5個階段：1）無人機影像獲取和預處理；2）基于數碼影像的冠層高度模型（Canopy Height Model，CHM）的生成和單木分割；3）基于單木分割結果進行單株識別和株數、株高、冠幅投影面積等信息的提取；4）利用多光譜影像進行園區尺度的單株冠層氮素含量診斷。5）精度驗證。具體技術流程如圖2所示。

1.2.2 無人機影像采集及預處理

選用四旋翼無人機航拍系統PHANTOM 4 RTK （SZ DJI Technology Co., Ltd. China）（圖3），同步搭載高清數碼相機與多光譜相機，其主要參數見表1。

分別在柑橘生長的夏梢期（果園A為2018年6月28日，果園B為6月30日）和果實成熟前期（果園A為2018年12月22日，果園B為2018年12月20日）進行航拍，每次拍攝的天氣條件均為晴朗、無云、風速低于4級。航向和旁向重疊度均設置為80%，飛行高度30 m，相機拍攝間隔2 s，飛行速度依據重疊度和飛行高度自動生成；然后將規劃好的飛行任務導入至飛行控制軟件Litchi（SZ DJI Technology Co., Ltd. China）中，通過Litchi軟件控制飛行。起飛前，將無人機多光譜標準白板（規格為10 cm ×10 cm）置于距離多光譜鏡頭約1 m的正下方進行白板拍攝，用于后期數據的輻射定標。

表1 無人機平臺主要參數

將獲取的高清數碼影像導入到Pix4d Mapper軟件（version 4.0, PIX4D, Lausanne, Switzerland）中進行預處理。生成與原始圖片相同地面采樣距離（Ground Sample Distance，GSD）正射拼接圖像（GSD為0.82 cm）、三維點云。首先通過尋找相鄰圖像對間的同名特征點進行匹配，得到稀疏點云。然后基于關鍵匹配特征點生成稠密點云、二維正射拼接圖像和數字表面模型（Digital Surface Model, DSM）。這些三維重建點云都帶有水平位置信息，其中正射拼接圖像和DSM分別含有每個重建點的顏色和高程信息。利用ArcGIS軟件（Environmental Systems Research Institute, Inc., California）中的Georeferencing工具對采集的2期數據進行地理配準，使其具有相同的相對地理位置。

對于多光譜影像，同樣采用Pix4DMapper進行2期數據的正射校正和自動拼接，并基于起飛前拍攝的標準白板進行多波段反射率相對校正。獲取的多光譜空間分辨率為3.42 cm/pixel。

1.2.3 全氮測定

每次對試驗園區進行航拍后，立刻在選定的柑橘樣本植株的冠層中上部四周采集成熟的營養枝葉，每株果樹大約采集葉片20～30片，采集好的葉片分別按樣本序號裝入保鮮袋中，并立即帶回實驗室進行元素測度分析。將采集的葉片樣本用清水清洗干凈并過去離子水，放入烘箱，在105 ℃條件下殺青30 min，隨后在75 ℃下連續烘干至恒質量并研磨成粉末，裝入密封袋留存備用。全氮的測定采用凱氏定氮法，共測試31個樣本，其中果園A樣本15個，果園B樣本16個。

1.2.4 冠幅及株高測定

傳統的樹冠幅投影面積野外測量一般通過分別測量南北向和東西向的樹冠寬度，兩者乘積再乘以一個經驗系數，近似估算冠幅投影面積。本文以無人機數字正射影像為底圖，手動勾繪單木冠幅邊界，同時使用Pix4Dmapper的Mensuration測量工具依次勾繪樣本果樹的輪廓，并計算單株冠幅投影面積。冠層株高是指冠層頂部距離地面的垂直高度。利用塔尺在植株原位測量柑橘冠層株高。

1.2.5 柑橘樹冠結構參數提取

由于果園內生長著一定的雜草、小灌木等低矮植被，與柑橘果樹冠層的反射光譜很接近，無人機數碼影像的光譜信息不足以準確提取柑橘果樹。高分辨率的冠層高度模型CHM可以很好地分離復雜背景。CHM一般用DSM和數字高程模型（Digital Elevation Model, DEM）作差得到。DSM和DEM通過分類后的密集點云插值生成。

柑橘樹的點云濾波生成：點云濾波是從密集點云中將地面點與非地面點分離，在Matlab 2016軟件利用漸進加密三角網濾波算法分離地面點[14-15]，通過選取區域內高程最小值作為種子點生成一個三角網，然后通過迭代處理逐層加密篩選是否為地面點，直至所有地面點分離結束。

冠層高度模型（CHM）的生成：將點云濾波后分離出的地面點云和全部的稠密點云運用反距離加權插值，設置空間分辨率為0.1 m×0.1 m，分別生成數字高程模型（DEM）和數字表面模型（DSM），將兩者相減得到冠層高度模型（CHM）[16-17]。

分水嶺分割：基于冠層高度模型的單木分割方法可以視作針對灰度圖像的處理技術，分水嶺分割運行速度快，并且可以敏感地識別圖像的細微變化[18-19]。本文基于冠層高度模型采用分水嶺分割算法進行單木分割。將樹冠的最高點的視為“集水盆”的最低點，即首先對冠層高度模型求補集，進行地形倒置，樹冠的輪廓邊緣即為分水嶺，從而實現樹冠邊界提取。

1.2.6 柑橘單木冠層氮素含量反演

無人機多光譜影像中的近紅外、紅邊、紅光波段對于植被營養狀態具有較好的指示意義[20-21]。根據已有研究結果，利用無人機多光譜影像進行8個常用植被指數（表2）計算，將柑橘葉片氮素實測樣本與各植被指數進行相關性分析，篩選敏感植被指數，利用全子集回歸進行最佳變量組合優化，構建線性回歸模型，反演以單木冠幅為基本單元的園區尺度柑橘樹冠層氮素含量。

表2 植被指數計算公式

注：B1、B2、B3、B4、B5分別代表藍、綠、紅、近紅外、紅邊波段的DN值。

Note: B1, B2, B3, B4 and B5 represent the DN values of blue, green, red, near-infrared and red-edge bands respectively.

1.2.7 精度驗證

引入信息檢索與統計學中的準確率（Precision）、召回率（Recall）和值（）進行單木分割精度評價，其計算式如下：

式中TP、FP、FN分別表示被正確分割出的果樹株數、被多分割出的果樹株數和遺漏未被分割出的果樹株數。準確率表示在所有果樹分割結果中被正確分割出的果樹株數所占比例。召回率表示被正確分割出的果樹株數占果園中實際所有果樹株數的比例。是對準確率和查全率的綜合描述，當果園中所有果樹都能被正確分割出來時，=100%；反之，果園中所有果樹被分割成偽果樹時，=0；越高代表分割結果越好。

將單木分割提取的冠幅投影和手動勾繪的冠幅投影、冠層高度模型 (CHM)提取的株高和實測值、冠層氮素預測值與實測值進行比較并建立1:1散點圖。以決定系數2、均方根誤差RMSE作為評價指標，其計算公式分別如下：

2 結果與分析

2.1 單木識別與株數統計結果與分析

圖4為濾波后的果園點云。可以看到果樹與地面能夠有效地區分開。通過目視標記與分割算法自動識別的果樹株數進行對比，計算準確率、召回率、值等精度指標，結果如表3。從準確率來看，柑橘單木的整體識別準確率較高，在93%以上，說明柑橘錯分現象不明顯；柑橘單木召回率在95%以上，說明本研究可以較好地抑制果樹漏分的現象；果園柑橘單木識別的平均值為96.52%。

表3 單木識別和株數統計結果

由表3結果可知，果園A在12月的錯分和漏分現象明顯，主要是由于果樹在生長后期樹枝分散，呈心形，果樹單木頂點不明顯，容易造成分割過度，錯分現象增多，同時單木樹冠相連處較多，林窗間隙小、樹緣處枝葉堆積推高了邊緣高程，使得冠層高度模型中單木區別不明顯，導致漏分較多。果園B的準確率整體上高于果園A，這是因為果園B的樹高較小，樹冠相連情況少，因此樹冠大多能較好識別出。但樹冠面積較小，株高較矮，存在較多背景噪聲被識別為偽單木，同時也導致一些株高過低的果樹被漏分。從6月到12月，隨著果園B的果樹生長，果園整體株高增加，錯分、漏分現象得到抑制，各評價指標均有所提高。

2.2 單株冠幅面積提取結果與分析

圖5是果園局部基于冠層高度模型的分水嶺分割過程。從圖中可以看出所有果樹均能被識別。圖6為冠幅投影面積手動測量值與提取值的結果，從圖中可以看出，2個果園的冠幅投影面積的提取精度均較好。果園A在12月的2為0.78，低于其他3組結果，這主要是受單木分割的精度影響，果園A在12月的錯分和漏分現象多，因此導致自動提取的冠幅投影面積與手繪冠幅投影面積差異較大，如圖7所示。此外，冠幅面積自動分割結果比手工勾繪大0.47%，這是由冠層高度模型的分辨率低造成的。冠層高度模型的分辨率是單木分割精度的重要影響因素[30]，冠層高度模型分辨率設置過高，對冠層高度刻畫過細，容易分割出過多偽單木，造成過度分割；而分辨率設置過低，則會造成漏分現象增多。本文經過多次冠層高度模型分辨率調優，在冠幅面積自動分割與手工勾繪結果相關系數最大的情況下得到冠層高度模型的最佳分辨率為0.1 m。圖6為最佳分辨率下果園A和果園B冠幅投影面積的提取值和手動測量結果。

2.3 株高提取結果與分析

目前，基于無人機遙感技術的單木樹高獲取大多是基于冠層高度模型進行的。冠層高度模型作為歸一化的高程信息，去除了果園地形起伏的影響，直接反映了果樹的冠層高度分布信息，因此通過匹配每一株果樹在冠層高度模型的中心位置即可提取果樹的單株株高。本文基于冠層高度模型結合單木分割結果，計算單株果樹株高。圖8為插值生成的DEM、DSM和經柵格運算形成的CHM。

將獲取的株高與實測的15株果樹株高進行比較，如圖9所示。通過對比可以發現，株高的計算值與實測值的相關性較好，但RMSE為31.9 cm，預測值比實測值整體偏小13.57%。

分析可知，這是因為果園的郁閉度高，裸露地面少，點云濾波未能獲取到足夠多的地面點，因此濾波得到的部分“地面點云”往往不能真正代表實際地面，而數字高程模型 DEM是由地面點云插值生成的，這些不能真正代表實際地面的點云整體“拔高”了DEM的高程，造成株高計算值偏低。由于果樹實際株高整體較高，人為測量較為困難，測量時人處于仰視狀態，讀取的數值與實際株高存在一定的偏差，這也導致實際測量結果存在誤差，間接影響了株高的計算精度。

2.4 冠層氮素含量反演結果與分析

采用12月在果園A與果園B采集的31個葉片氮含量作為冠層氮素樣本數據。并與同時期無人機多光譜影像構建的植被指數進行分析，相關系數結果如圖10。由圖10可知，除NRI外，其余植被指數與冠層氮素含量的相關系數的絕對值均在0.7以上，其中SIPI與冠層氮素含量呈負相關，其他植被指數與冠層氮素均呈正相關；除NDVI外，其他植被指數間的相關系數均在0.65以上，說明不同植被指數間存在多重共線性。

單一植被指數易受土壤背景、光譜飽和性等因素的影響，采用多植被指數的聯合反演可有效提高模型的適用性和反演精度。本研究選擇全子集回歸法來選擇冠層氮素含量的最佳預測變量組合，在R Studio軟件中基于R 3.1 leaps包中的regsubsets函數實現，結果如圖11所示。采用線性回歸算法構建冠層氮素含量反演模型。

由圖11可知，NDVI、GNDVI、SIPI的組合可以使用最少的預測變量獲得最佳的調整2，因此選擇NDVI、GNDVI、SIPI作為預測變量建立冠層氮素反演模型。選擇留一法交叉驗證進行模型評估，結果顯示采用組合植被指數的冠層氮素反演2為0.82，RMSE為0.22%，MAE為6.59 %，如圖12。

根據相關研究[31-32]，柑橘葉片氮素的適宜含量在2.8%～3.2%之間，結合柑橘冠層反演結果，果園A的柑橘冠層氮素含量明顯超出適宜氮素范圍，果園B的大部分果樹的氮素在適宜范圍（圖13）。對比同時期測定的土壤全氮含量數據，果園B的平均全氮含量為0.66%，而果園A的土壤全氮含量高達1.77%。這說明果園A氮肥施用過量。

3 結 論

本研究通過無人機觀測平臺獲取了柑橘果園的高清數碼和多光譜圖像，構建了基于單株標識的柑橘果樹生長信息獲取技術框架，實現了對柑橘果園的果樹株數、株高、冠幅投影面積以及冠層氮素含量的快速、無損、實時監測。得到以下結果：

1）采用分水嶺算法對柑橘進行單木分割，得到的果樹識別準確率在93%以上，召回率在95%以上，平均值為96.52%；

2）基于冠層高度模型提取的果樹株高與實測株高具有較強的相關性，模型2為0.87，均方根誤差為31.9 cm；

3）對于基于數碼影像提取的單株冠幅投影面積與人工繪制面積，除果園A在12月的結果較低（2為0.78）外，其余均在0.94及以上；

4）基于敏感植被指數反演的柑橘冠層氮素含量的模型2達0.82，均方根誤差為0.22%，相對誤差為6.59%。

本文在柑橘果樹冠層理化參數無人機快速監測方面做出了初步探索，取得了較為滿意的結果，對于實現果園的精準化管理具有重要的應用價值，但仍存在一些問題有待后續的研究中改進：1）本文使用了2個樹齡不同的柑橘果園進行理化參數提取，對于樹齡較大的柑橘果園，樹冠存在部分重疊現象，影響了單木分割精度，還需進一步在更多不同樹齡的果園開展方法驗證；2）本文使用的冠層氮素反演方法為較常用的植被指數線性回歸方法，屬于經驗模型，難以外推至別的果園直接應用，因此需加強果樹冠層氮素機理模型研究，以提升模型的精度和普適性。

[1]劉雪峰. 柑橘植株冠層營養及花量、產量的近地遙感估測研究[D]. 重慶：西南大學，2016.

Liu Xuefeng. Estimation of Canopy Nutrition, Flower Quantity and Yield of Citrus Plant by Pow-Altitude Remote Sensing[D]. Chongqing: Southwest University, 2016. (in Chinese with English abstract)

[2]祁春節，鄧秀新. 當前我國柑桔產業發展面臨的重大問題和對策措施[J]. 中國果業信息，2016，33(12)：9-11.

Qi Chunjie, Deng Xiuxin. Major problems and countermeasures in the development of citrus industry in China[J]. China Fruit News, 2016, 33(12): 9-11. (in Chinese with English abstract)

[3]趙春江，薛緒掌，王秀，等. 精準農業技術體系的研究進展與展望[J]. 農業工程學報，2003，19(4)：7-12.

Zhao Chunjiang, Xue Xuzhang, Wang Xiu, et al. Advance and prospects of precision agriculture technology system[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2003, 19(4): 7-12. (in Chinese with English abstract)

[4]唐華俊. 農業遙感研究進展與展望[J]. 農學學報，2018，8(1)：175-179.

Tang Huajun. Progress and prospect of agricultural remote sensing research[J]. Journal of Agriculture, 2018, 8(1): 175-179. (in Chinese with English abstract)

[5]鄧秀新，項朝陽，李崇光. 我國園藝產業可持續發展戰略研究[J]. 中國工程科學，2016，18(1)：34-41.

Deng Xiuxin, Xiang Chaoyang, Li Chongguang. Study on sustainable development strategy of chinese horticultural industry[J]. Strategic Study of CAE, 2016, 18(1): 34-41. (in Chinese with English abstract)

[6]李金夢，葉旭君，王巧男，等. 高光譜成像技術的柑橘植株葉片含氮量預測模型[J]. 光譜學與光譜分析，2014，34(1)：212-216.

Li Jinmeng, Ye Xujun, Wang Qiaonan, et al. Development of prediction models for determining n content in citrus leaves based on hyperspectral imaging technology[J]. Spectroscopy and Spectral Analysis, 2014, 34(1): 212-216. (in Chinese with English abstract)

[7]田喜，何紹蘭，呂強，等. 高光譜圖像信息的柑橘葉片光合色素含量分析技術研究[J]. 光譜學與光譜分析，2014，34(9)：2506-2512.

Tian Xi, He Shaolan, Lv Qiang, et al. Determination of photosynthetic pigments in citrus leaves based on hyperspectral images datas[J]. Spectroscopy and Spectral Analysis, 2014, 34(9): 2506-2512. (in Chinese with English abstract)

[8]Zhang C, Kovacs J. The application of small unmanned aerial systems for precision agriculture: A review[J]. Precision Agriculture, 2012, 13(6): 693-712.

[9]韓文霆，李廣，苑夢嬋，等. 基于無人機遙感技術的玉米種植信息提取方法研究[J]. 農業機械學報，2017，48(1)：139-147.

Han Wenting, Li Guang, Yuan Mengchan, et al. Extraction method of maize planting information based on UAV remote sensing techonology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 139-147. (in Chinese with English abstract)

[10]田明璐，班松濤，常慶瑞，等. 基于無人機成像光譜儀數據的棉花葉綠素含量反演[J]. 農業機械學報，2016，47(11)：285-293.

Tian Minglu, Ban Songtao, Chang Qingrui, et al. Inversion of cotton chlorophyll content based on data from UAV imaging spectrometer[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 285-293. (in Chinese with English abstract)

[11]Whitehead K, Hugenholtz C, Myshak S, et al. Remote sensing of the environment with small unmanned aircraft systems (UASs), Part 1: A review of progress and challenges[J]. Journal of Unmanned Vehicle Systems, 2014, 2(3): 69-85.

[12]李德仁，李明. 無人機遙感系統的研究進展與應用前景[J]. 武漢大學學報: 信息科學版，2014，39(5)：505-513.

Li Deren, Li Ming. Research advance and application prospect of unmannned aerial vehicle remote sensing system[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5): 505-513. (in Chinese with English abstract)

[13]劉建剛，趙春江，楊貴軍，等. 無人機遙感解析田間作物表型信息研究進展[J]. 農業工程學報，2016，32(24)：98-106.

Liu Jiangang, Zhao Chunjiang, Yang Guijun, et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 98-106. (in Chinese with English abstract)

[14]岳桂昌，周玉娟. 一種改進的基于TIN漸次加密的LiDAR點云濾波算法[J]. 地理信息世界，2017，24(1)：71-75.

Yue Guichang, Zhou Yujuan. A modified TIN-based Li DAR data encryption gradually filtering algorithm[J]. Geomatics World, 2017, 24(1): 71-75. (in Chinese with English abstract)

[15]柴夢娜，劉元盛，任麗軍. 基于激光點云NDT特征的兩步回環檢測[J]. 激光與紅外，2020，50(1)：17-24.

Chai Mengna, Liu Yuansheng, Ren Lijun. Two-step loop closure detection based on laser point cloud NDT features[J]. Laser and Infrared, 2020, 50(1): 17-24. (in Chinese with English abstract)

[16]劉忠，萬煒，黃晉宇，等. 基于無人機遙感的農作物長勢關鍵參數反演研究進展[J]. 農業工程學報，2018，34(24)：60-71.

Liu Zhong, Wan Wei, Huang Jinyu, et al. Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(24): 60-71. (in Chinese with English abstract)

[17]楊琦，葉豪，黃凱，等. 利用無人機影像構建作物表面模型估測甘蔗LAI[J]. 農業工程學報，2017，33(8)：104-111.

Yang Qi, Ye Hao, Huang Kai, et al. Estimation of leaf area index of sugarcane using crop surface model based on UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(8): 104-111. (in Chinese with English abstract)

[18]閆鵬飛，明冬萍. 尺度自適應的高分辨率遙感影像分水嶺分割方法[J]. 遙感技術與應用，2018，33(2)：321-330.

Yan Pengfei, Ming Dongping. Segmentation of high spatial resolution remotely sensed data using watershed with self-adaptive parameterization[J]. Remote Sensing Technology and Application, 2018, 33(2): 321-330. (in Chinese with English abstract)

[19]沈夏炯，吳曉洋，韓道軍. 分水嶺分割算法研究綜述[J]. 計算機工程，2015，41(10)：26-30.

Shen Xiajiong, Wu Xiaoyang, Han Daojun. Survey of research on watershed segmentation algorithms[J]. Computer Engineering, 2015, 41(10): 26-30. (in Chinese with English abstract)

[20]魏青，張寶忠，魏征，等. 基于無人機多光譜遙感的冬小麥冠層葉綠素含量估測研究[J]. 麥類作物學報，2020，269(3)：109-116.

Wei Qing, Zhang Baozhong, Wei Zheng, et al. Estimation of canopy chlorophyll content in winter wheat by UAV multispectral remote sensing[J]. Journal of Triticeae Crops, 2020, 269(3): 109-116. (in Chinese with English abstract)

[21]喬浪，張智勇，陳龍勝，等. 基于無人機圖像的玉米冠層葉綠素含量檢測與分布研究[J]. 農業機械學報，2019，50(S1)：182-186.

Qiao Lang, Zhang Zhiyong, Chen Longsheng, et al. Chlorophyll content detection and distribution research of maize canopy based on UAV image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(S1): 182-186. (in Chinese with English abstract)

[22]Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1): 195-213.

[23]Schlerf M, Atzeerger C, Hill J. Remote sensing of forest biophysical variables using HyMap imaging spectrometer data[J]. Remote Sensing of Environment, 2005, 95(2): 177-194.

[24]陳玉泉，季耿善，楊靜，等. 水體遙感的鏡面反射特性研究[J]. 環境遙感，1994，9(3)：195-202.

Chen Yuquan, Ji Gengshan, Yang Jing, et al. A study of remote sensing on water body mirror reflection[J]. Journal of Remote Sensing, 1994, 9(3): 195-202. (in Chinese with English abstract)

[25]Gitelson A A, Kaufman Y J, Merziyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289-298.

[26]Fitzgerald G J, Rodriguez D, Christensen L K, et al. Spectral and thermal sensing for nitrogen and water status in rainfed and irrigated wheat environments[J]. Precision Agriculture, 2006, 7(4): 233-248.

[27]宋森楠，宋曉宇，陳立平，等. 冬小麥氮平衡指數與籽粒蛋白質含量空間結構及關系[J]. 農業工程學報，2013，29(15)：91-97.

Song Sennan, Song Xiaoyu, Chen Liping, et al. Spatial structure and relationships of nitrogen balance index and protein content of grain in winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(15): 91-97. (in Chinese with English abstract)

[28]束美艷，顧曉鶴，孫林，等. 基于新型植被指數的冬小麥 LAI高光譜反演[J]. 中國農業科學，2018，51(18)：3486-3496.

Shu Meiyan, Gu Xiaohe, Sun Lin, et al. High spectral inversion of winter wheat LAI based on new vegetation index[J]. Scientia Agricultura Sinica, 2018, 51(18): 3486-3496. (in Chinese with English abstract)

[29]SIPI-Penuelas J, Baret F, Filella I. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance[J]. Photosynthetica, 1995, 31(2): 221-230.

[30]Chow T E, Hodgson M E. Effects of lidar post-spacing and DEM resolution to mean slope estimation[J]. International Journal of Geographical Information Science, 2009, 23(10): 1277-1295.

[31]王仁璣，莊伊美，陳麗璇，等. 枳砧椪柑葉片營養元素適宜含量的研究[J]. 果樹學報，1993(1)：3-6.

Wang Renji, Zhuang Yimei, Chen Lixuan, et al. Study on the optimum range of mineral element contents in the leaves of ‘Ponkan’ mandarin on trifoliate orange rootstock[J]. Journal of Fruit Science, 1993(1): 3-6. (in Chinese with English abstract)

[32]劉艷麗. 基于柑橘葉、花近紅外高光譜信息的營養診斷與成花能力預測研究[D]. 重慶：西南大學，2015.

Liu Yanli. Research on the Nutrient Diagnosis and Prediction of Flower Bud Differentiation Ability Based on the Hyperspectral Imaging Data[D]. Chongqing: Southwest University, 2015. (in Chinese with English abstract)

Extraction of citrus crown parameters using UAV platform

Shu Meiyan, Li Shilin, Wei Jiaxi, Che Yingpu, Li Baoguo, Ma Yuntao※

(,,100193,)

Citrus fruit, one of the most important economic crops, is playing an important role in the industrial development of modern agriculture in rural China. However, the management mode of most orchards in China is currently undeveloped and extensive, particularly with high dependence on labor force, as well as insufficient scientific and technological support. In recent years, the Unmanned Aerial Vehicle (UAV) monitoring technology has become a significant way to quickly extract the structural parameters in the growth of field crops at the park scale, due to its flexibility, low cost, and high resolution imaging. This study aims to construct a monitoring system for the citrus canopy structure and nutrition information using the UAV digital and multi-spectral remote sensing, to get he with the single tree segmentation. The UAV digital images and watershed algorithm were used to segment the structural dataset of citrus canopy, and then the canopy height model of citrus trees was established to extract the plant height using digital surface module. Structural parameters were also calculated, such as the number of citrus trees, and canopy projection area at the park scale. In addition, the UAV multispectral images were used to obtain eight common vegetation indexes, thereby to predict the nitrogen content of canopy in the citrus trees. The whole subset analysis was used to screen the sensitive vegetation index for the nitrogen content of canopy in the citrus trees. The inversion model of canopy nitrogen was constructed using the multiple linear regression. The remote sensing mapping was carried out to estimate the nitrogen content of citrus canopy in park scale. The results showed that: 1) Since the planting density of fruit trees was low in the experimental area, there was a certain distance between trees that can be clearly distinguished. The watershed image processing was selected to segment the single tree of height model for a citrus canopy. The overall identification accuracy, recall rate, andvalue of the fruit trees were above 93.6%, 95.8%, and 94.7%, respectively, indicating that the model was well suitable to monitor the number of fruit trees in the park. 2) The canopy structure parameters of individual fruit trees were obtained in the individual tree segmentation. There was a strong correlation between the plant height of citrus trees extracted by the canopy height model and the measured value, where the2=0.87, and RMSE=31.9 cm. 3) Using the watershed segmentation, the extracted projection area of crown width per plant achieved a high correlation with the artificial sketching area. The coefficient of determination was more than 0.93 in most cases, except that of orchard A lower than 0.78 in December. Meanwhile, the extraction accuracy of the model depended greatly on the single tree segmentation. 4) In full subset analysis, the sensitive vegetation indexes were selected to determine the nitrogen content of citrus canopy, including the Normalized Difference Vegetation Index (NDVI), Green Normalized Difference Vegetation Index (GNDVI), and Structure Insensitive Pigment Index (SIPI), where the2and RMSE of the model were 0.82 and 0.22%, respectively. The data demonstrated that the nitrogen content of most fruit trees in orchard B was in the suitable range, while there was excessive application of nitrogen fertilizer in orchard A. Therefore, the UAV technology can greatly contribute to extract the physical and chemical parameters of citrus canopy, further to improve the level of accurate management of citrus on the large-scale orchard.

UAV; image processing; multi-spectral; citrus; plant height; crown projection area; canopy nitrogen content

束美艷，李世林，魏家璽，等. 基于無人機平臺的柑橘樹冠信息提取[J]. 農業工程學報，2021，37(1)：68-76.doi：10.11975/j.issn.1002-6819.2021.01.009 http://www.tcsae.org

Shu Meiyan, Li Shilin, Wei Jiaxi, et al. Extraction of citrus crown parameters using UAV platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 68-76. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.01.009 http://www.tcsae.org

2020-11-19

2020-12-15

內蒙古科技重大專項（2019ZD024）

束美艷，博士生，研究方向：數字農業。Email：2448858578@qq.com

馬韞韜，博士，副教授，博士生導師，主要從事作物表型研究。Email：yuntao.ma@cau.edu.cn

10.11975/j.issn.1002-6819.2021.01.009

S779

A

1002-6819(2021)-01-0068-09