基于無人機數碼影像的水稻葉面積指數監測

曹中盛 李艷大, * 黃俊寶 葉春 孫濱峰 舒時富 朱艷 何勇

基于無人機數碼影像的水稻葉面積指數監測

曹中盛1李艷大1, *黃俊寶1葉春1孫濱峰1舒時富1朱艷2何勇3

(1江西省農業科學院 農業工程研究所/江西省智能農機裝備工程研究中心/江西省農業信息化工程技術研究中心，南昌 330200；2南京農業大學/國家信息農業工程技術中心，南京 210095；3浙江大學 生物系統工程與食品科學學院，杭州 310029；*通信聯系人，E-mail: liyanda2008@126.com)

【目的】為探究無人機數碼影像監測水稻葉面積指數(Leaf area index, LAI)的可行性，明確利用無人機數碼影像監測水稻LAI的最佳時期，構建基于無人機數碼影像的水稻LAI監測模型。【方法】本研究基于不同品種和施氮量的水稻田間試驗，于分蘗期、拔節期、孕穗期、抽穗期和灌漿期測定水稻LAI，同步使用無人機搭載數碼相機獲取水稻無人機數碼影像并提取顏色指數及紋理特征，分析其在不同生育時期與水稻LAI之間的相關性，構建定量監測模型，并用獨立試驗數據對所建模型進行檢驗。【結果】無人機數碼影像中顏色指數及紋理特征與水稻LAI之間的相關性在生育前期(分蘗期+拔節期)最高，高于所有單生育期、生育后期(孕穗期+抽穗期+灌漿期)和全生育期，可確定為監測的最佳時期；在顏色指數和紋理特征當中，紋理特征方差(Variance, VAR)在監測水稻生育前期LAI時表現最優，可構建監測模型LAI = 1.1656×exp(0.0174×VAR)實現監測，模型構建時的決定系數(Determination coefficient,2)為0.7980，模型檢驗時的相對均方根誤差(Relative root mean square error, RRMSE)和偏差(bias,)分別為0.1658和0.1306。【結論】與人工測量LAI相比，基于無人機數碼影像的水稻LAI監測方法可提高作業效率，降低成本，在水稻長勢快速準確監測和豐產高效栽培中具有應用價值。

水稻；葉面積指數；無人機；數碼影像；紋理特征；監測模型

水稻是中國最重要的糧食作物之一，超過60%的人口以水稻為主食，維持水稻的豐產穩產對于保障國家糧食安全具有十分重要的作用。葉面積指數(Leaf area index, LAI)是計算作物光合作用能力(光合勢、凈同化率、消光系數等)[1-2]和表征作物群體長勢[3]的重要參數，也是預測作物籽粒產量的重要指標[4]。快速、無損、準確獲取作物LAI對于作物肥水精確管理和豐產高效栽培具有重要意義[5-6]。傳統的作物LAI數據獲取一般通過人工取樣實測，如采用比葉重法和借助光學儀器測量等[7-8]，雖然能夠準確獲取數據，但存在耗時費力、時效性差及效率低等問題，不能快速獲取大范圍作物LAI[9-10]。無人機遙感是農業遙感中最常用的技術手段之一，具有機動靈活、作業周期短、受地形和天氣條件影響小等特點，能克服傳統地面作物長勢信息監測效率偏低的不足，在獲取田塊和園區尺度作物長勢及病蟲害信息上具有較大的應用價值[11-13]。數碼相機是無人機遙感中使用最廣泛的傳感器之一，與高光譜相機和多光譜相機相比，具有數據獲取成本低、操作難度小、影像空間分辨率高等優點[14-15]。近年來，許多學者圍繞無人機數碼影像監測作物長勢信息開展了大量研究，通過提取多種顏色指數和紋理特征實現了對作物多種生長參數的快速無損監測。如Hunt等[16]利用無人機數碼影像提取歸一化綠紅差值指數(Normalized green minus red difference index, NGRDI)建立估算模型對玉米、苜蓿、大豆的生物量和氮素營養指標進行監測；江杰等[14]利用消費級無人機搭載數碼相機獲取小麥冠層數碼影像，并通過提取顏色指數對葉面積指數、葉片干物質量和葉片氮積累量等生長參數進行反演；萬亮等[17]融合紋理特征和植被指數對水稻含水量進行無人機遙感監測；陳鵬飛等[18]研究發現無人機影像中紋理特征與棉花植株氮濃度之間存在顯著相關性等。

盡管前人圍繞基于無人機數碼影像的作物長勢信息監測開展了相關研究，建立了許多準確實用的長勢信息監測模型，但顏色指數及紋理特征與作物長勢參數之間的相關性卻會受到監測對象、生態區域、栽培管理措施等的影響。此外，生育進程變化也會改變監測模型的構型和精度。因此，有必要基于田間實測數據，系統比較不同生育時期顏色指數及紋理監測水稻LAI的效果，構建最適宜的監測模型以提高監測的準確性。為此，本研究以不同品種、不同施氮量和不同生態點的早稻田間試驗為基礎，分析不同生育時期無人機數碼影像中顏色指數和紋理特征與LAI之間相關關系，確定無人機數碼影像監測水稻LAI的最佳生育時期和最佳參數，并構建定量監測模型，以期為大范圍水稻長勢快速準確監測及豐產高效栽培提供支撐。

1 材料與方法

1.1 試驗設計

試驗I：于2019年3－7月在江西省新干縣界埠鎮(115°21'3.87'' E，27°45'17.65''N)開展不同品種和施氮量的早稻田間小區試驗。試驗田耕作層土壤含全氮2.05 g/kg，堿解氮127.0 mg/kg，速效鉀121.01 mg/kg，速效磷14.50 kg/kg，有機質28.00 g/kg。采用隨機區組設計，設2個品種和4個施氮量。供試早稻品種為早秈618和湘早秈45，4個施氮量(以純氮計)分別為0、75、150和225 kg/hm2(分別記作N0、N1、N2和N3)，重復3次，共計24個小區，小區面積24 m2，小區間以埂相隔，獨立排灌。3月24日播種，4月23日移栽，7月28日收獲，行株距為24 cm × 14 cm。氮肥用尿素，分別按照基肥∶分蘗肥∶穗肥 = 4∶3∶3施用；另配施磷肥(折合P2O5) 75 kg/hm2(鈣鎂磷肥)、鉀肥(折合K2O) 150 kg/hm2(氯化鉀)，全部作基肥施用。其他栽培管理措施同當地高產栽培一致。

試驗Ⅱ：于2020年3－7月在江西省農業科學院高安基地(115°12'15'' E，28°25'27'' N)開展不同品種和施氮量的早稻小區試驗。試驗田耕作層土壤含全氮2.53 g/kg，硝態氮1.04 mg/kg，有效磷16.78 mg/kg，速效鉀120.14 mg/kg，有機質38.80 g/kg。采用裂區設計，主區為品種，分別為中嘉早17和長兩優173；副區為施氮量(以純氮計)，分別為0、75、150和225 kg/hm2(分別記為N0、N1、N2和N3)，重復3次，共計24個小區，小區面積30 m2，小區間以埂相隔，獨立排灌。3月25日播種，4月25日移栽，7月16日收獲，南北行向，行株距為24 cm×14 cm。氮肥用尿素，分別按照基肥∶分蘗肥∶穗肥=4∶3∶3施用；另外配施磷肥(折合P2O5) 75 kg/hm2(鈣鎂磷肥)、鉀肥(折合K2O) 150 kg/hm2(氯化鉀)，全部作為基肥施入，其他栽培管理措施同當地高產水平。

表1 無人機及數碼相機主要參數

表2 顏色指數及其計算公式

r、g、b分別為數字正射影像中紅、綠、藍三個通道的像元值。

r, g and b represent the digital number of red channel, green channel and blue channel in digital orthomosaic map, respectively.

1.2 數據獲取

1.2.1 無人機數碼影像獲取

于分蘗期(2019-05-21、2020-05-19)、拔節期(2019-05-28、2020-05-29)、孕穗期(2019-06-03、2020-06-06)、抽穗期(2019-06-11、2020-06-12)和灌漿期(2019-06-22、2020-06-24)用大疆御Mavic pro型無人機(深圳大疆創新科技有限公司)獲取早稻試驗田無人機數碼影像，無人機及其搭載的數碼相機主要參數如表1所示。數碼影像獲取選擇在晴朗、無云天氣進行，獲取時間為11：00－13：00，無人機飛行高度為10 m，飛行速度為5 m/s，航向和旁向重疊率均為85%；相機設置為自動對焦和自動曝光模式。數碼影像獲取后，用Agisoft Photoscan Professional軟件進行拼接，得到整個水稻試驗田的數字正射影像。

1.2.2 葉面積指數獲取

與無人機數碼影像獲取同步，每個小區選擇長勢一致的代表性水稻稻株4株帶回實驗室，根據植株器官發育情況，將樣品植株分離為葉、莖鞘和穗。從分離出的葉片中隨機選取10片健康葉，取中段8 cm通過測量長寬得到鮮葉面積(LA)，再在105℃下殺青30 min，80℃下烘干48 h至恒重后稱量得到干質量(DM)，根據公式1）計算出比葉面積(Specific leaf area, SLA)。將剩余葉片烘干后稱量，與DM求和得到小區樣品的葉干質量(W)，通過種植密度換算得到單位面積稻株數(N)，最后根據公式2）計算出小區水稻葉面積指數(LAI)[19]。

SLA=/1)；

LAI=1/4×××N×10?42)；

式中，為10個葉片段的鮮葉面積(cm2)，為10個葉片段的干質量(g)，為小區4株水稻樣品的葉干質量(g)，為比葉面積(cm2/g)，為單位面積(1 m2)的稻株數。

1.3 數據處理

1.3.1 顏色指數

用ENVI軟件提取水稻試驗田數字正射影像紅、綠、藍3個通道的像元值(Digital number, DN)，分別記作r、g、b，然后利用DN值計算不同類型顏色指數。根據前人研究，本研究選擇9種常見的顏色指數構建監測模型，顏色指數及其計算公式如表2所示。

1.3.2 紋理特征

本研究基于3個通道中與LAI相關性最高通道的DN值，利用ENVI軟件中的濾波(Filter)工具，按照3×3窗口大小計算紋理特征。采用紋理特征為Haralick等[25]研究提出的8種常見紋理，紋理特征詳細描述如表3所示。

1.4 模型構建與檢驗

基于2019年試驗數據，用SPSS 20軟件分析不同生育時期顏色指數及紋理特征與LAI之間的相關系數，根據相關系數確定最佳監測生育時期和最優顏色指數和紋理特征；然后擬合最優顏色指數及紋理特征與LAI之間的線性(一次函數)和非線性(指數函數)方程，并通過比較擬合方程決定系數(Determination coefficient,2)來確定最優監測模型。利用2020年試驗數據對建立的監測模型進行檢驗，通過計算預測值與實測值之間的相對均方根誤差(Relative root mean square error, RRMSE)檢驗監測模型的精確度，通過計算偏差(bias,)值來檢驗預測模型高估或低估[26]。

(3) (4)

式中，為樣本數，P為LAI預測值，O為LAI實測值，為所有LAI實測值的平均值。

2 結果與分析

2.1 不同生育時期水稻葉面積指數變化

圖1展示了不同施氮量下水稻LAI的動態變化規律。由圖1可知，不同水稻品種LAI隨生育進程均表現出先升后降的變化趨勢，即從分蘗期到孕穗期不斷增大，到孕穗期時達到最大，之后逐漸減小。如N2施氮量下早秈618分蘗期至灌漿期的LAI分別為1.79、4.02、5.73、5.79和5.42。施氮量對水稻LAI影響顯著，兩個水稻品種不同生育時期的LAI均表現為隨施氮量增加而增大。如湘早秈45拔節期4個施氮量下的LAI分別為3.64、4.19、4.29和5.03。

圖1 不同施氮量下水稻葉面積指數的動態變化

Fig.1.Dynamic changes of rice leaf area index at different fertilizer-N application levels.

表3 紋理特征描述

2.2 不同生育時期顏色指數及紋理特征與葉面積指數之間的相關性

表4展示了顏色指數及紋理特征與水稻LAI之間的相關性變化。結果顯示，三個通道當中，紅光通道與LAI之間的相關性最高，可以此通道為基礎提取紋理特征。9個顏色指數相比，超紅植被指數(ExR)表現最好，其在分蘗期、拔節期、孕穗期、抽穗期時與LAI均表現出顯著相關。8個紋理特征當中，方差(VAR)、對比度(CON)和異質性(DIS)表現優于其余5個紋理特征。進一步對上述4個顏色指數及紋理特征與LAI之間的相關性隨生育進程的變化進行分析，發現顏色指數及紋理特征與LAI之間的相關性隨生育進程不斷下降，如VAR與LAI之間的相關系數從分蘗期至灌漿期分別為0.768、0.759、0.628、0.483和?0.096，在生育前期(分蘗期+拔節期)和生育后期(即孕穗期+抽穗期+灌漿期)與LAI之間的相關系數分別為0.910和0.400，而在全生育期時相關系數則為0.513。表明在水稻生育前期(分蘗期+拔節期)顏色指數及紋理特征與水稻LAI之間的相關性高于所有單個生育期、生育后期和全生育期，因此可以確定為最佳的監測時期并建立監測模型實現LAI快速監測。

表4 葉面積指數與顏色指數及紋理特征之間的相關關系

*代表= 0.05顯著水平，**代表= 0.01顯著水平。

*,= 0.05, **,= 0.01.

表5 基于顏色指數和紋理特征的水稻葉面積指數監測模型構建和驗證

2.3 基于顏色指數和紋理特征的水稻葉面積指數監測模型

利用2019年試驗數據構建水稻生育前期(分蘗期+拔節期)LAI監測模型，將兩個水稻品種分蘗期、拔節期和分蘗期+拔節期的超紅植被指數(ExR)、方差(VAR)、對比度(CON)和異質性(DIS)分別與LAI進行線性和指數函數擬合。結果發現，不同生育時期顏色指數和紋理特征與LAI之間的最佳擬合方程均為指數函數。利用ExR構建的分蘗期和拔節期LAI監測模型的決定系數(2)分別為0.5169和0.4712，生育前期(分蘗期+拔節期)監測模型2為0.0003(表5)。進一步分析所構建的監測模型，發現基于ExR構建的監測模型在兩個生育時期表現存在較大差異，監測模型在生育前期(分蘗期+拔節期)的通用性較差(圖2-A)。利用紋理特征(VAR、CON和DIS)構建的分蘗期和拔節期LAI監測模型的2分別為0.5511 ～0.5848、0.5099～0.5481，生育前期(分蘗期+拔節期)LAI監測模型的2為0.7944～0.8064，監測模型在生育前期的通用性較顏色指數ExR明顯增強(圖2-B、圖2-C～D)。

2.4 基于顏色指數和紋理特征的水稻葉面積指數監測模型檢驗

利用2020年試驗數據對建立的水稻生育前期(分蘗期+拔節期)LAI監測模型進行檢驗。結果如表5和圖3所示，基于超紅植被指數(ExR)構建的水稻LAI監測模型在分蘗期、拔節期、分蘗期+拔節期的RRMSE分別為0.5394、0.3099、0.2487，分別為1.8288、0.9632、0.8406，誤差較大且存在明顯高估現象；基于方差(VAR)紋理特征構建的監測模型在分蘗期、拔節期、分蘗期+拔節期的RRMSE分別為0.1607、0.1998、0.1658，分別為0.1476、0.3505、0.1306；基于對比度(CON)紋理特征構建的監測模型在分蘗期、拔節期、分蘗期+拔節期的RRMSE分別為0.5576、0.2433、0.4407，分別為0.9824、0.2776、0.5352；基于異質性(DIS)紋理特征構建的監測模型在分蘗期、拔節期、分蘗期+拔節期的RRMSE分別為0.3614、0.2371、0.3781，分別為0.6211、0.1936、0.4446。綜合比較上述4個顏色指數和紋理特征的表現，發現基于紋理特征方差(VAR)構建的監測模型表現最優，特別是利用其建立的生育期前期(分蘗期+拔節期)通用LAI監測模型，監測精度明顯高于基于其他顏色指數和紋理特征構建的監測模型。

Fig.2.Monitoring models of rice leaf area index (LAI) based on color indices and texture features.

3 討論

近年來，無人機遙感技術快速發展，尤其是搭載數碼相機的無人機遙感，憑借其機動靈活、作業效率高、成本低等優點被廣泛應用于作物長勢及生理參數的快速無損監測中。因此，闡明無人機數碼影像監測水稻LAI的最佳生育時期和最優參數，并建立適宜的定量監測模型對于快速無損獲取水稻LAI信息及豐產高效栽培顯得尤為重要。

圖3 基于顏色指數和紋理特征的水稻葉面積指數監測模型檢驗

Fig.3.Validation of rice leaf area index (LAI) monitoring models based on color indices and texture features.

本研究首先分析了不同生育時期無人機數碼影像中顏色指數及紋理特征與水稻LAI之間的相關性。結果表明，兩者之間的相關性在全生育期表現較差，表明利用無人機數碼影像監測水稻LAI時需分時期建立監測模型，這與前人的研究結果相一致[27-28]。不同生育時期相比較，兩者之間的相關性隨生育進程不斷下降，在整個分蘗期到拔節期，顏色指數及紋理特征與LAI之間存在極顯著相關性，到孕穗期時相關性明顯下降。進一步分析生育前期(分蘗期+拔節期)和生育后期(孕穗期+抽穗期+灌漿期)的相關性變化。結果發現，在整個水稻生育前期，顏色指數及紋理參數與LAI之間存在較高的相關性。這主要是由于數碼影像只能獲取可見光信息，因可見光在水稻冠層中的穿透能力較弱，數碼影像主要反映水稻冠層的橫向擴展[29]，在水稻生長旺盛時易出現飽和現象[31]。因此，在利用無人機數碼相機監測水稻LAI時，應在生育前期進行。

同時，本研究還比較了不同顏色指數和紋理特征監測水稻LAI時的效果。結果表明，紋理特征監測水稻LAI的效果好于顏色指數。一方面由于紋理特征能在植被覆蓋度較高時緩解顏色指數監測容易出現的飽和問題[13]。另一方面，紋理特征還能反映圖像灰度性質及其空間關系，提高目標的分類辨識度[31-32]。圖4直觀展示了水稻小區內顏色指數ExR和紋理特征VAR在水稻分蘗期和拔節期時的空間分布。如圖所示，紋理特征VAR的數值變化能有效反映水稻葉片和浮萍之間的差異，進而可提高水稻稻株的辨識度。因此，利用紋理特征構建的水稻LAI監測模型，準確性較基于顏色指數構建的監測模型明顯提高。與傳統的作物LAI田間測量方法相比，本研究利用無人機數碼相機獲取數碼影像數據建立LAI模型，進而反演水稻LAI，具有數據獲取快捷高效、實時準確等優點。

當然，本研究建立的水稻LAI監測模型尚未考慮種植密度、株型等因素的影響，可能會導致模型在普適性方面存在局限。因此，今后還應在水稻主產區采用多年多點試驗資料對模型進行應用測驗與完善，提高模型的預測精度。

A－分蘗期原始影像；B－分蘗期ExR空間分布；C－分蘗期VAR空間分布；D－拔節期原始影像；E－拔節期ExR空間分布；F－拔節期VAR空間分布。

Fig.4.Distribution of color index ExR and texture feature VAR in rice plot.

4 結論

本研究基于田間實測數據，系統分析了無人機數碼影像中顏色指數及紋理特征與水稻LAI之間的相關關系，并構建監測模型，主要結論如下：

1)顏色指數和紋理特征相比較，紋理特征與水稻LAI的相關性較高；

2)不同生育時期相比較，紋理特征與水稻LAI之間的相關性在生育前期高于生育后期，尤其是從分蘗期到拔節期時。

3)所有紋理特征和顏色指數當中，方差(VAR)紋理特征在監測水稻生育前期LAI時表現最優，可構建監測模型LAI = 1.1656×exp(0.0174×VAR)實現水稻LAI快速、無損監測。

[1] 龔金龍, 邢志鵬, 胡雅杰, 張洪程, 戴其根, 霍中洋, 許軻, 魏海燕, 高輝.秈、粳超級稻光合物質生產與轉運特征的差異[J].作物學報, 2014, 40(3): 497-510.

Gong J L, Xing Z P, Hu Y J, Zhang H C, Dai Q G, Huo Z Y, Xu K, Wei H Y, Gao H.Difference of characteristics of photosynthesis, matter production and translocation betweenandsuper rice[J]., 2014, 40(3): 497-510.(in Chinese with English abstract)

[2] 姜元華, 許軻, 趙可, 孫建軍, 韋還和, 許俊偉, 魏海燕, 郭保衛, 霍中洋, 戴其根, 張洪程.甬優系列秈粳雜交稻的冠層結構與光合特性[J].作物學報, 2015, 41(2): 286-296.

Jiang Y H, Xu K, Zhao K, Sun J J, Wei H H, Xu J W , Wei H Y, Guo B W, Huo Z Y, Dai Q G, Zhang H C.Canopy structure and photosynthetic characteristics of Yongyou series of-hybrid rice under high-yielding cultivation condition[J]., 2015, 41(2): 286-296.(in Chinese with English abstract)

[3] 殷堯翥, 郭長春, 孫永健, 武云霞, 余華清, 孫知白, 張橋, 王海月, 楊志遠, 馬均.稻油輪作下油菜秸稈還田與水氮管理對雜交稻群體質量和產量的影響[J].中國水稻科學, 2019, 33(3): 257-268.

Yin Y Z, Guo C C, Sun Y J, Wu Y X, Yu H Q, Sun Z B, Zhang Q, Wang H Y, Yang Z Y, Ma J.Effects of rape straw retention and water and nitrogen management on population quality and yield of hybrid rice under rice-rape rotation[J]., 2019, 33(3): 257-268.(in Chinese with English abstract)

[4] 侯佳敏, 羅寧, 王溯, 孟慶鋒, 王璞.增密對我國玉米產量-葉面積指數-光合速率的影響[J].中國農業科學, 2021, 54(12): 2538-2546.

Hou J M, Luo N, Wang S, Meng Q F, Wang P.Effects of increasing planting density on grain yield, leaf area index and photosynthetic rate of maize in China[J]., 2021, 54(12): 2538-2546.(in Chinese with English abstract)

[5] 李艷大, 孫濱峰, 曹中盛, 葉春, 舒時富, 黃俊寶, 何勇.基于作物生長監測診斷儀的雙季稻葉面積指數監測模型[J].農業工程學報, 2020, 36(10): 141-149.

Li Y D, Sun B F, Cao Z S, Ye C, Shu S F, Huang J B, He Y.Model for monitoring leaf area index of double cropping rice based on crop growth monitoring and diagnosis apparatus[J].(), 2020, 36(10): 141-149.(in Chinese with English abstract)

[6] Qiao K, Zhu W Q, Xie Z Y, Li, P X.Estimating the seasonal dynamics of the leaf area index using piecewise LAI-VI relationships based on phenophases[J]., 2019, 11(6): 689.

[7] 李艷大, 舒時富, 陳立才, 葉春, 王康軍, 黃俊寶.基于歸一化法的雙季稻葉面積指數動態預測模型[J].中國農學通報, 2017, 33(29): 77-84.

Li Y D, Shu S F, Chen L C, Ye C, Wang K J, Huang J B.A predict model of dynamic leaf area index of double cropping rice based on normalized method[J]., 2017, 33(29): 77-84.(in Chinese with English abstract)

[8] Campos-Taberner M, García-Haro F J, Camps-Valls G, Grau-Muedra G, Nutini F, Crema A, Boschetti M.Multitemporal and multiresolution leaf area index retrieval for operational local rice crop monitoring[J]., 2016, 187: 102-118.

[9] 張漫, 苗艷龍, 仇瑞承, 季宇寒, 李寒, 李民贊.基于車載三維激光雷達的玉米葉面積指數測量[J].農業機械學報, 2019, 50(6): 12-21.

Zhang M, Miao Y L, Qiu R C, Ji Y H, Li H, Li M Z.Maize leaf area index measurement based on vehicle 3D LiDAR[J]., 2019, 50(6): 12-21.(in Chinese with English abstract)

[10] 牛小桃, 樊軍, 王勝, 王秋銘.利用魚眼攝像機測量植被葉面積指數動態變化[J].應用生態學報, 2018, 29(10): 3183-3190.

Niu X T, Fan J, Wang S, Wang Q M.measuring the dynamic of leaf area index of vegetation using fisheye camera[J]., 2018, 29(10): 3183-3190.(in Chinese with English abstract)

[11] 劉楊, 馮海寬, 黃玨, 孫乾, 楊福芹, 楊貴軍.基于無人機高光譜影像的馬鈴薯株高和地上生物量估算[J].農業機械學報, 2021, 52(2): 188-198.

Liu Y, Feng H K, Huang J, Sun Q, Yang F Q, Yang G J.Estimation of potato plant height and above-ground biomass based on UAV hyperspectral images[J]., 2021, 52(2): 188-198.(in Chinese with English abstract)

[12] 宋勇, 陳兵, 王瓊, 蘇維, 孫樂鑫, 趙靜, 韓煥勇, 王方永.無人機遙感監測作物病蟲害研究進展[J].棉花學報, 2021, 33(3): 291-306.

Song Y, Chen B, Wang Q, Su W, Sun L X, Zhao J, Han H Y, Wang F Y.Research advances of crop diseases and insect pests monitoring by unmanned aerial vehicle remote sensing[J]., 2021, 33(3): 291-306.(in Chinese with English abstract)

[13] Zhang L Y, Zhang H H, Niu Y X, Han W T.Mapping maize water stress based on UAV multispectral remote sensing[J]., 2019, 11(6): 605.

[14] 江杰, 張澤宇, 曹強, 田永超, 朱艷, 曹衛星, 劉小軍.基于消費級無人機搭載數碼相機監測小麥長勢狀況研究[J].南京農業大學學報, 2019, 42(4): 622-631.

Jiang J, Zhang Z Y, Cao Q, Tian Y C, Zhu Y, Cao W X, Liu X J.Use of a digital camera mounted on a consumer-grade unmanned aerial vehicle to monitor the growth status of wheat[J]., 2019, 42(4): 622-631.(in Chinese with English abstract)

[15] 高林, 楊貴軍, 李紅軍, 李振海, 馮海寬, 王磊, 董錦繪, 賀鵬.基于無人機數碼影像的冬小麥葉面積指數探測研究[J].中國生態農業學報, 2016, 24(9): 1254-1264.

Gao L, Yang G J, Li H J, Li Z H, Feng H K, Wang L, Dong J H, He P.Winter wheat LAI estimation using unmanned aerial vehicle RGB-imaging[J]., 2016, 24(9): 1254-1264.(inChinese with English abstract)

[16] Hunt E R, Cavigelli M, Daughtry C, Mcmurtrey J E, Walthall C L.Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J]., 2005, 6(4): 359-378.

[17] 萬亮, 岑海燕, 朱姜蓬, 張佳菲, 杜曉月, 何勇.基于紋理特征與植被指數融合的水稻含水量無人機遙感監測[J].智慧農業(中英文), 2020, 2(1): 58-67.

Wan L, Cen H Y, Zhu J P, Zhang J F, Du X Y, He Y.Using fusion of texture features and vegetation indices from water concentration in rice crop to UAV remote sensing monitor[J]., 2020, 2(1): 58-67.(in Chinese with English abstract)

[18] 陳鵬飛, 梁飛.基于低空無人機影像光譜和紋理特征的棉花氮素營養診斷研究[J].中國農業科學, 2019, 52(13): 2220-2229.

Chen P F, Liang F.Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle[J]., 2019, 52(13): 2220-2229.(in Chinese with English abstract)

[19] Kon?pka B, Pajtík J, Maru?ák R, Bo?e’a M, Lukac M.Specific leaf area and leaf area index in developing stands ofL.and[J]., 2016, 364: 52-59.

[20] Shibayama M C, Sakamoto T H, Takada E J, Inoue A H, Morita K H, Yamaguchi T K Y, Takahashi W T R, Kimura A H.Estimating rice leaf greenness (SPAD) using fixed-point continuous observations of visible red and near infrared narrow-band digital images[J]., 2012, 15(4): 293-309.

[21] Meyer G E, Hindman T W, Laksmi K.Machine vision detection parameters for plant species identification[J]., 1999, 3543: 327-335.

[22] Meyer G E, Neto J C.Verification of color vegetation indices for automated crop imaging applications[J]., 2008, 63(2): 282-293.

[23] Gitelson A A, Kaufman Y J, Stark R, Rundquist D.Novel algorithms for remote estimation of vegetation fraction [J]., 2002, 80(1): 76-87.

[24] Louhaichi M, Borman M M, Johnson D E.Spatially located platform and aerial photography for documentation of grazing impacts on wheat[J]., 2001, 16(1): 65-70.

[25] Haralick R M, Shanmugam K, Dinstein I.Textural features for image classification[J]., 1973, SMC-3(6): 610-621.

[26] Cao Z S, Cheng T, Ma X, Tian Y C, Zhu Y, Yao X, Chen Q, Liu S Y, Guo Z Y, Zhen Q M, Li X.A new three-band spectral index for mitigating the saturation in the estimation of leaf area index in wheat[J]., 2017, 38(13): 3865-3885.

[27] Bendig J, Yu K, Aasen H, Bolten A, Bennertz S, Broscheit J, Gnyp M L, Bareth G.Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J]., 2015, 39: 79-87.

[28] 鄭恒彪.水稻生育期及生長參數的近地面遙感監測研究[D].南京: 南京農業大學, 2018.

Zheng H B.Monitoring rice phenology and growth parameters using near-ground remote sensing platforms[D].Nanjing: Nanjing agricultural university, 2018, Nanjing.(in Chinese with English abstract)

[29] Sun B, Wang C F, Yang C H, Xu B D, Zhou G S, Li X Y, Xie J, Xu S J, Liu B, Xie T J, Kuai J, Zhang J.Retrieval of rapeseed leaf area index using the PROSAIL model with canopy coverage derived from UAV images as a correction parameter[J]., 2021, 102: 102373.

[30] Ciganda V S, Gitelson A A, Schepers J.How deep does a remote sensor sense? Expression of chlorophyll content in a maize canopy[J]., 2012, 126: 240-247.

[31] Mishra P, Nordon A, Mohd A, Mohd S, Lian, G P, Redfern S.Fusing spectral and textural information in near-infrared hyperspectral imaging to improve green tea classification modelling[J]., 2019, 249: 40-47.

[32] Duan M Q, Zhang X G.Using remote sensing to identify soil types based on multiscale image texture features[J]., 2021, 187: 106272.

Monitoring Rice Leaf Area Index Based on Unmanned Aerial Vehicle (UAV) Digital Images

CAO Zhongsheng1, LI Yanda1,*, HUANG Junbao1, YE Chun1, SUN Binfeng1, SHU Shifu1, ZHU Yan2, HE Yong3

(Institute of Agricultural Engineering, Jiangxi Engineering Research Center of Intelligent Agricultural Machinery Equipment/Jiangxi Engineering Research Center of Information Technology in Agriculture, Jiangxi Academy of Agricultural Sciences, Nanchang 330200, China; National Engineering and Technology Center for Information Agriculture, Nanjing Agricultural University, Nanjing 210095, China; College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310029, China;<>Corresponding author, E-mail: liyanda2008@126.comCorresponding author, E-mail: liyanda2008@126.com)

【Obiective】Leaf area index (LAI) is a crucial variable for assessing rice growth, and unmanned aerial vehicle (UAV) digital images can serve as an efficient way to real-time, no-destructive monitoring of crop growth parameters.However, it remains unclear which parameter in digital images can be used to estimate rice LAI.In addition, the optimal growth stage for monitoring is also unknown.【Method】In this study, the UAV digital images were initially collected from two field experiments encompassing variations over two years with four cultivars at four nitrogen application levels.Then, the relationship between UAV digital image parameters (nine color indices and eight texture features) and rice LAI at different growth stages (tillering stage, jointing stage, booting stage, heading stage and filling stage) were analyzed.【Result】The results suggested that the early growth stages, including both tillering stage and jointing stage, were suitable for rice LAI monitoring through UAV digital images, and the texture feature variance (VAR) exhibits greatest accuracy in model calibration with a determination coefficient (2) of 0.7980.In the validation based on independent experiment, this texture feature also performs well with relative root mean square error (RRMSE) of 0.1658 and bias() of 0.1306.【Conclusion】Taking the accuracy and convenience in application into consideration, we found that the texture feature VAR could be used to monitor rice LAI in early growth stage with estimation models of LAI = 1.1656×exp(0.0174×VAR).

rice; leaf area index; unmanned aerial vehicle; digital image; texture feature; monitoring model

2021-07-29；

2021-11-04。

國家重點研發計劃資助項目(2016YFD0300608)；“萬人計劃”青年拔尖人才資助項目；江西省“雙千計劃”資助項目；江西省科技計劃資助項目(20202BBFL63044, 20182BCB22015, 20202BBFL63046, 20192BBF60052)；江西省農業科研協同創新項目(JXXTCXQN202110)；江西省農業科學院創新基金博士啟動項目(20182CBS001)。