基于無人機多源圖譜融合的水稻稻穗表型監測

萬 亮，杜曉月，陳碩博，于豐華，朱姜蓬， 許童羽，何 勇,3，岑海燕,3※

（1.浙江大學華南工業技術研究院，浙江大學生物系統工程與食品科學學院，杭州310058； 2.農業農村部光譜檢測重點實驗室，杭州310058；3.浙江大學現代光學儀器國家重點實驗室，杭州 310027； 4.沈陽農業大學信息與電氣工程學院，沈陽110866； 5.遼寧省農業信息化工程技術研究中心，沈陽 110866）

0 引 言

水稻是世界上最重要的糧食作物之一，其生長發育狀態與產量品質密切相關，準確且有效地監測水稻生長對于提升產量和保障糧食安全至關重要。已有大量研究通過測量葉面積指數、生物量、含水率和葉綠素含量等表型參數去監測水稻生長。其中，稻穗表型是表征水稻生長狀況和產量品質最關鍵的表型參數之一，因此，準確監測稻穗表型對于大田精準管理和水稻智慧育種具有重要意義。

傳統的稻穗表型監測主要采用田間調查、采樣以及考種等方法，但是這些方法耗時耗力，無法及時獲取大面積田間稻穗表型數據。隨著傳感器技術的發展，近地面表型平臺在稻穗表型獲取中展現出極大的潛力，如車載平臺、導軌式平臺以及觀測塔等，然而其難以用于跨區域作業，并且工作效率和時空分辨率仍然有限。相比于這些技術，無人機遙感平臺具有更高的靈活性和可操作性，且能夠準確地監測田間作物的生長變化。研究已經證明了無人機遙感用于監測水稻表型的潛力，包括生物量、冠層覆蓋度、株高、葉面積指數和氮含量等，這些表型參數的獲取有助于了解水稻生長變化，但其通常用于表征水稻的早期生長變化，無法表征水稻生長后期的稻穗變化以及最終的產量品質。

近年來，一些國內外研究試圖利用無人機遙感平臺監測水稻生長后期的稻穗表型，比如產量，穗倒伏和穗數。目前，針對稻穗表型監測的無人機機載傳感器主要包括高清數碼相機、多光譜相機、高光譜相機以及激光雷達，產生了諸如圖像顏色、光譜反射率、植被指數以及紋理等多種無人機圖譜特征。傳統的研究主要側重于利用機載圖像的光譜反射率去監測作物生長，并未充分利用圖像紋理和結構等特征，多源圖譜特征融合可以減小冠層結構影響和光譜指數飽和問題，從而保留圖像更多的細節信息，提升圖譜數據用于監測作物生長變化的能力。Zhou等通過融合無人機可見光和多光譜的多種植被指數，利用多元線性回歸算法實現了水稻產量的準確預測，決定系數（coefficient of determination，）可達0.75。Wan等進一步引入株高和覆蓋度等結構參數，結合無人機可見光和多光譜植被指數，建立了基于隨機森林（Random Forest，RF）回歸的水稻產量預測模型，顯著地改善了不同年間水稻產量的預測精度，為0.83～0.85。Maimaitijiang等利用深度學習融合無人機圖像光譜、紋理、結構和溫度信息準確地評估了大豆產量，可達0.72。上述研究結果表明無人機多源圖譜融合用于水稻稻穗表型監測的可行性，但是上述研究主要針對水稻產量。無人機多源圖譜融合用于其他稻穗表型（比如稻穗覆蓋度和生物量）的監測效果未知，并且普遍存在試驗數據比較單一的問題，不利于魯棒的稻穗監測模型的開發。

綜上可知，基于無人機多源圖譜融合的稻穗覆蓋度、生物量以及倒伏監測的研究較少。因此，本研究以諸暨秈稻和沈陽粳稻為研究對象，通過無人機平臺獲取作物冠層可見光和多光譜圖像，探究無人機多源圖譜數據用于監測水稻抽穗期、灌漿期以及成熟期生長的潛力，然后分析無人機多源圖譜融合用于監測稻穗覆蓋度、生物量以及倒伏的潛力，最后確定用于水稻稻穗表型評估的最佳模型，以期為高效監測水稻稻穗表型提供一種有效的方法。

1 材料與方法

1.1 試驗設計

水稻田間試驗于2017—2018年在浙江省諸暨市（29°31′5.35″N，120°6′6.12″E）和 遼 寧 省 沈 陽 市（42°0′53.02″N，123°38′16.04″E）進行，試驗田概況如圖1所示。

圖1 試驗田布局和空間分布圖 Fig.1 The layout and spatial distribution of experimental fields

諸暨試驗包括5個氮素梯度（N0～N4），2017年和2018年的氮肥施用量分別為0、72、120、240、360 kg/hm和0、120、240、360、480 kg/hm，試驗對象為秈稻品種甬優1540。2017年的諸暨水稻試驗包括25個小區，每個小區面積180 m（18 m×10 m）。2018年的試驗將2017年的試驗田拆分成100個小區，并進一步擴大了氮肥處理差異，每個氮肥梯度設置3次重復。沈陽試驗包括24個小區，并根據當地常用施肥量設置了4個氮素梯度（N0～N3），分別為0、50、100、150 kg/hm，每0.033 hm設置一個氮肥處理，每個氮肥梯度設置3次重復，試驗對象包含2個粳稻品種（秋光和沈農9816）。試驗集中于水稻抽穗期、灌漿初期和灌漿后期，如表1所示?；谶@些田間試驗設計，本研究收集了不同時間、地點和水稻品種的稻穗表型和無人機圖譜數據，從而構建魯棒的水稻稻穗表型監測模型。

1.2 數據采集

研究采用浙江大學數字農業與農業物聯網創新團隊獨立研發的八旋翼電動無人機作為遙感平臺，同時搭載高清數碼相機（NEX-7 camera，Sony，Tokyo，Japan）和多光譜相機（MQ022MG-CM，XIMEA，Munster，Germany），相關參數已在先前的研究中公布。獲取的可見光（Red-Green-Blue，RGB）和多光譜圖像的分辨率分別是6 000×4 000（像素）和409×216（像素），其通過云臺與無人機平臺穩定連接。多光譜圖像包含25個波段，波長范圍是604～872 nm。無人機平臺的工作時間為當地的10:00—16:00，飛行高度和速度分別為25 m和2.5 m/s，可見光和多光譜圖像的地面分辨率分別為6 mm/pixel和4.3 cm/pixel。由于多光譜的圖像分辨率低于可見光圖像，飛行中根據多光譜圖像分別設置前向和旁向重疊率為60%和75%。在無人機飛行試驗前，利用照度計（MQ-200，Apogee Instruments，Logan，UT，USA）測量光照強度去調節相機的曝光時間，從而保證獲取的圖像質量。飛行試驗時間如表1所示。

表1 田間試驗和樣本測量總結 Table 1 Summary of field experiments and sample measurements

于無人機飛行試驗后采集地面數據，詳情如表1所示。穗覆蓋度是表征水稻抽穗情況的重要參數之一，其代表特定區域中稻穗面積占總面積的比值，本研究從田間獲取的高分辨可見光圖像中采用人工標記的方法獲取真實的穗覆蓋度。進一步，利用破壞性采樣的方式從每個小區隨機收集稻穗樣本，并運回實驗室，依次進行清理-烘干-稱質量等過程，最后將烘干質量除以采樣面積得到稻穗生物量（kg/m）。對于2017年的諸暨試驗，由于每個小區面積較大，分別在25個小區的中心和4個角度隨機取樣，共計125個樣本。對于2018年的諸暨試驗，分別在100個小區隨機取樣，共計100個樣本。對于2018年的沈陽試驗，分別在28個小區隨機取樣，共計28個樣本。最后，基于獲取的無人機可見光圖像，在出現稻穗倒伏現象的小區內分別標記稻穗倒伏和非倒伏區域，2018年諸暨和沈陽試驗的倒伏樣本分別為210和200，與此同時也獲得同樣數量的非倒伏樣本。由于正常生長的水稻并不會出現倒伏現象，因此在表1中一些試驗日期沒有獲得稻穗倒伏樣本。

1.3 無人機圖像處理

在提取無人機圖譜數據前，先利用PhotoScan軟件（Agisoft LLC，ST，Petersburg，Russia）進行可見光和多光譜圖像拼接，操作流程包括圖像對齊、特征點提取和匹配、點云生成以及正射投影圖像生成，最后將全景可見光和多光譜圖像以TIFF的格式導出。拼接得到的多光譜圖像以灰度值（Digital Number，DN）的形式存儲，需要將其轉換為反射率用于進一步數據分析，本研究使用5塊標準的參考板將DN值轉換為反射率（Reflectance，）。在飛行試驗前，利用便攜式地物光譜儀（Analytical Spectral Devices，Boulder，Colorado，USA）測量了5塊參考板的全波段反射率（400～2 500 nm），其在872 nm處的反射率分別為7%、17%、33%、36%和58%。然后，利用感興趣區域（Regions of Interest，ROI）提取圖像中每塊參考板的DN值，并利用經典的反射校正算法，將原始圖像轉換成反射圖像，計算公式如式（1）所示：

式中和DN分別為第個參考板在第個波段的反射率和DN值，a和b分別為第個波段的回歸系數和截距。將a和b用于原始的多光譜圖像計算得到多光譜反射圖像，并利用光譜校正去除多光譜傳感器的二階諧波和濾波器串擾的響應。基于校正后的反射圖像，將每個小區的圖像分割出來，利用閾值分割算法去除土壤背景，得到每個小區的冠層光譜反射率。

1.4 稻穗表型監測模型

為了實現基于可見光圖像的稻穗覆蓋識別計算，首先將拼接的可見光圖像進行幾何變換得到每個小區的冠層可見光圖像，并提取紅（Red，），綠（Green，）和藍（Blue，）原始顏色特征，然后選用支持向量機（Support Vector Machine，SVM）去訓練穗分類模型。為了獲得最佳的SVM分類模型，選用粒子群優化算法（Particle Swarm Optimization，PSO）去訓練SVM模型參數：懲罰系數、不敏感損失系數以及核函數功能。訓練得到最佳SVM模型用于識別每張圖像的稻穗像素，最后計算每張圖的稻穗像素占比作為小區的穗覆蓋度。詳細的圖像分類流程如圖2所示，穗分類結果示例如圖3所示。對于多光譜圖像，將25個波段的光譜反射率作為特征輸入到隨機森林（Random Forest，RF）回歸模型，建立穗覆蓋度的評估模型。相比于其他的機器學習算法，RF能夠有效地避免相鄰波段反射率間的多重共線性問題。最終，本文利用RF回歸模型融合可見光圖像的穗覆蓋識別結果和多光譜圖像的光譜反射率建立穗覆蓋度的評估模型。

圖2 基于可見光圖像的穗覆蓋計算流程 Fig.2 The workflow of panicle coverage calculation from RGB images

圖3 原始圖像和穗分類圖像示例 Fig.3 Examples of the original and panicle classification images

本研究利用RF回歸模型去實現穗生物量的評估，并測試了可見光圖像的顏色和紋理、多光譜圖像的光譜反射率以及兩者融合用于穗生物量評估的能力?？梢姽鈭D像的顏色和紋理包括3種歸一化顏色特征（、、）和4個紋理特征（對比度（Contrast，Con）、相關性（Correlation，Cor）、能量（Energy，Ene）、同質性（Homogeneity, Hom）），其中紋理特征是通過灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）得到的。多光譜數據分辨率較低，其紋理特征不如可見光圖像清晰，因此本研究僅用到可見光圖像的紋理特征。可見光圖像的3種歸一化顏色特征（、、）的計算公式如下所示：

式中、、分別代表可見光圖像的3個顏色通道?；谔崛〉膱D譜特征，分別將可見光圖像顏色和紋理、多光譜圖像的光譜反射率以及所有特征融合輸入RF回歸模型中，從而實現穗生物量的評估，模型公式如下所示：

式中和分別代表多光譜圖像在604和872 nm處的反射率，其他波段以此類推。

與稻穗分類模型相似，本文采用PSO-SVM分類器來檢驗多源圖譜數據對稻穗倒伏監測的能力，其中穗倒伏區域和非倒伏區域如圖4所示，可以看到倒伏和非倒伏區域存在明顯顏色和紋理差異。為了建立可靠的倒伏識別模型，所用到的可見光圖譜數據包括3種顏色特征（、、）和4個GLCM紋理特征（Con、Cor、Ene、Hom），多光譜圖像包含25個波段的光譜反射率。在穗倒伏識別過程中，把“倒伏”和“非倒伏”區域像素的標簽分別設置成“1”和“0”。先基于單個特征利用Otsu閾值分割方法識別倒伏和非倒伏區域，確定特征的最佳閾值，并比較不同圖像特征的結果，最后利用PSO-SVM分類器聯合多源圖譜數據建立最佳的穗倒伏識別模型。

圖4 水稻倒伏和非倒伏區域的示例 Fig.4 Examples of the lodging and non-lodging areas

1.5 動態監測與模型評估

在建立模型前分析無人機多源圖譜數據隨作物生長的變化，有助于了解無人機圖譜數據對稻穗表型的響應。本研究使用來源于可見光圖像的歸一化綠紅差異指數（Normalized Green-Red Difference Index，NGRDI）和穗覆蓋度以及來自于多光譜圖像的歸一化植被指數（Normalized Difference Vegetation Index，NDVI）去監測水稻抽穗后的生長變化，為稻穗表型監測模型的建立提供光譜響應理論基礎。NGRDI和NDVI是兩個常用植被指數，能夠反映植被綠度、生物量以及覆蓋度的變化，并且與作物產量緊密相關，計算公式如下：

式中和分別代表多光譜圖像在679和796 nm處的反射率。

在建立模型的過程中，將所有數據的2/3隨機劃分為訓練集去訓練模型，剩下的1/3數據當作測試集，并計算、預測均方根誤差（Root Mean Square Error of Prediction，RMSEP）以及相對均方根誤差（relative Root Mean Square Error，rRMSE），采用10折交叉驗證取最終的平均結果作為穗覆蓋度和生物量的評估精度，計算公式參考文獻[3]。采用準確率（Accuracy，%）評判穗倒伏的識別效果，其代表正確識別的倒伏和非倒伏像素占所有像素的比例。本次數據分析的軟件平臺為MATLAB R2019b。

2 結果與分析

2.1 水稻生長監測

在水稻開始抽穗到成熟期間，稻穗表型會發生顯著性變化，從而引起水稻冠層反射圖譜的變化。因此，研究稻穗表型的時空變化有助于了解無人機多源圖譜數據對稻穗表型的生理響應。如圖3所示，隨著水稻逐漸成熟，其冠層顏色逐漸變黃，但是諸暨秈稻和沈陽粳稻的冠層結構和顏色是不一致的。圖5進一步展示了2017和2018年諸暨試驗以及2018年沈陽試驗的無人機多源圖譜數據的變化統計。隨著施氮量的增加，穗覆蓋逐漸較小，秋光的穗覆蓋度明顯高于沈農9816。從9月9日到9月18日，穗覆蓋度并沒有明顯變化，但是后續呈現出下降的趨勢，對于2017年諸暨試驗的不施氮N0和2018年諸暨試驗的過度施氮N4可能會出現上升的趨勢。與穗覆蓋度的變化相反，NGRDI和NDVI隨施氮量增加而減小，然而從2018年9月9日到9月18日，這兩種指數的變化是相反的。進一步分析可知，沈農9816的NGRDI和NDVI高于秋光，其差異比穗覆蓋度更加顯著。因此，無人機多源圖譜數據可用于監測水稻稻穗表型。

圖5 不同氮素梯度和生長時期的穗覆蓋度和植被指數統計 Fig.5 Statistics of panicle coverage and vegetation indices with different nitrogen treatments and growth stages

2.2 稻穗覆蓋度評估

圖6a顯示了基于可見光圖像的穗覆蓋度識別計算結果，本研究通過從所有試驗中提取穗的圖像特征，利用PSO-SVM計算得到的穗覆蓋度與實際標記值高度相關，RMSEP和rRMSE依次為0.87、0.03和12.39%。此結果表明構建的穗分類模型能夠用于不同生長時期和水稻品種，對不同的數據集具有很好的泛化性。如圖6b所示，當多光譜圖像的光譜反射率輸入RF模型中構建穗覆蓋度評估模型時，其表現不如可見光圖像的評估結果（=0.83、RMSEP=0.03、rRMSE=13.18%），這說明無人機可見光圖像更適合用于穗覆蓋度的評估。進一步融合穗覆蓋度識別結果與多光譜圖像光譜反射率，基于RF的穗覆蓋度評估結果得到顯著改善，為0.93、RMSEP為0.02以及rRMSE為9.47%（圖6c），說明無人機多源圖譜數據融合可以被認為是一種能夠有效改善穗覆蓋度監測精度的方法。

圖6 基于無人機多源圖譜數據的穗覆蓋度評估結果 Fig.6 The estimation results of panicle coverage using UAV-based multi-source image data

2.3 稻穗生物量評估

圖7顯示了基于無人機多源圖譜數據和RF回歸模型的穗生物量評估結果。多光譜圖像的光譜反射率準確地實現穗生物量評估（=0.75、RMSEP=0.09 kg/m、rRMSE=10.89%）。與多光譜圖像的光譜反射率相比，融合可見光圖像顏色和紋理并沒有更好地實現穗生物量評估，、RMSEP和rRMSE依次為0.62、0.12 kg/m和14.29%。進一步融合可見光圖像顏色和紋理以及多光譜圖像的光譜反射率建立的穗生物量RF評估模型效果最好，高達0.84、RMSEP為0.07 kg/m和rRMSE為8.68%。因此，可推測多光譜圖像反射率比可見光圖譜數據更適合用于評估穗生物量，融合無人機可見光和多光譜多源圖譜數據具有改善穗生物量評估的能力。

圖7 基于無人機多源圖譜數據的穗生物量評估結果 Fig.7 The estimation results of panicle biomass using UAV-based multi-source image data

考慮到兩年試驗數據的差異，進一步利用2017年數據構建的模型去評估2018年的穗生物量，如圖8所示。當直接將模型從2017年遷移到2018年時，基于無人機多源數據構建的RF模型較好地評估了穗生物量，、RMSEP和rRMSE依次為0.61、0.13 kg/m和15.98%，但仍存一些偏差較大的數據點。當向2017年構建的模型中增加10%的2018年的新樣本，模型性能得到較大改善，、RMSEP和rRMSE依次為0.69、0.11 kg/m和13.59%。這表明構建的穗生物量評估模型能夠適用于不同年間的數據，利用模型更新添加新樣本可以進一步改善模型精度。

圖8 基于2017年的多源無人機數據構建的隨機森林回歸模型對2018年的穗生物量的評估結果 Fig.8 The estimation results of panicle biomass in 2018 using random forest regression models constructed from UAV-based multi-source image data in 2017

2.4 稻穗倒伏識別

圖9顯示了稻穗倒伏和非倒伏的樣本點分布，他們間存在明顯的分界線。因此，利用Otsu閾值分割方法可以識別出NGRDI和NDVI的最佳閾值，結果表明NGRDI可用于諸暨秈稻的倒伏識別，準確率為90.24%（NGRDI閾值為-0.032），與NGRDI相比，NDVI用于倒伏識別的準確率稍低，達81.67%。 與諸暨秈稻相比，NGRDI和NDVI更難識別沈陽粳稻的倒伏，準確率分別為78.33%和75.95%。

圖9 基于NGRDI和NDVI的諸暨秈稻和沈陽粳稻倒伏分類結果 Fig.9 Lodging classification results of Zhuji Indica rice and Shenyang Japonica rice based on NGRDI and NDVI

進一步統計其他無人機圖譜數據用于稻穗倒伏識別的閾值和準確率，如圖10所示。相比于可見光圖像的顏色特征，多光譜圖像反射率更適合倒伏識別，部分可見光圖像紋理（比如Con）也準確地識別稻穗倒伏。對于不同水稻品種，秈稻的倒伏識別準確率顯著高于粳稻，秈稻和粳稻的倒伏識別閾值也不一樣。可以看出，基于可見光圖像顏色和紋理的秈稻和粳稻倒伏識別閾值基本一致，基于多光譜圖像反射率的秈稻和粳稻倒伏識別閾值呈現交替變化，先是秈稻的倒伏識別閾值高，然后基本一致，最后是粳稻的倒伏閾值更高。這些結果說明了無人機多源圖譜數據能用于稻穗倒伏識別，多光譜圖像的光譜反射率能更準確地識別稻穗倒伏。通過對比諸暨和沈陽的倒伏數據可以發現，不同水稻品種的倒伏識別精度和閾值存在差異，但他們的趨勢基本一致。因此，可以推斷基于無人機多源圖譜數據的稻穗倒伏監測模型可以用于不同種植區域和水稻品種。

圖10 基于無人機多源圖譜數據的諸暨秈稻和沈陽粳稻倒伏分類準確率和閾值 Fig.10 Lodging classification accuracy and threshold of Zhuji Indica and Shenyang Japonica rice using UAV-based multi-source image data

當利用PSO-SVM分類器融合多源圖譜數據用于諸暨秈稻（甬優1540）和沈陽粳稻（秋光和沈農9816）的稻穗倒伏識別時，結果顯示可見光圖像的顏色和紋理融合能夠很好地識別倒伏，準確率為91.97%，融合多光譜圖像的全波段光譜反射率更好地實現了稻穗倒伏識別，準確率為92.70%。進一步結果顯示無人機可見光和多光譜多源圖譜數據融合能夠極大地改善稻穗倒伏的識別，準確率高達99.87%。

3 討 論

無人機遙感平臺在作物生長監測中的廣泛使用已產生了豐富的圖譜數據，主要包括光譜、紋理和結構特征。光譜數據可以由無人機可見光、多光譜和高光譜圖像產生，其中可見光光譜主要用于反映作物的顏色變化，其與作物的生理參數有關，比如葉綠素含量。當水稻逐漸成熟和葉片顏色逐漸變黃時，NGRDI和NDVI呈現減小的趨勢，然而NDVI容易受到冠層光譜飽和的影響，因此在水稻成熟期不能很好地反映其生理變化（圖5）。相比于可見光光譜，近紅外光譜與作物的結構、水分以及干物質含量變化有關，其能夠識別結構差異大的倒伏和非倒伏的稻穗（圖9）。與光譜特征相比，相對少的研究利用紋理特征去監測水稻生長，然而紋理特征能夠很好地反映地物波譜差異，比如生物量變化引起的冠層致密程度以及倒伏引起的冠層結構變化等，并且已有研究表明融合光譜和紋理特征能夠改善作物生物量的預測精度。最后，無人機遙感圖像也能提取作物的結構特征，比如株高、覆蓋度和三維結構等，其主要反映作物生長的結構差異，有助于了解光譜和結構混合效應對于作物生長監測的影響。因此，結構和光譜數據結合在一定程度上削弱了冠層結構對于作物表型監測的影響。

本研究利用RF回歸模型，將可見光圖像的穗覆蓋度識別結果和多光譜圖像光譜反射率結合起來建立了稻穗覆蓋度評估模型，相比于單一的圖譜數據，穗覆蓋度的評估精度提升了33.33%，并且可見光圖像的評估結果優于多光譜圖像的評估結果。這主要是因為穗覆蓋度主要體現在水稻冠層結構和紋理的變化，可見光圖像對這些變化非常敏感，其能夠更好地識別稻穗。相比于可見光圖像顏色和紋理，多光譜圖像的光譜反射率能夠更好地評估稻穗生物量，這是由于光譜反射率包含作物的生理和結構信息，能夠準確地表征作物生物量。當融合可見光圖像顏色和紋理以及多光譜圖像的光譜反射率后，穗生物量的評估誤差得到改善，RMSEP減小了22.22%，這證明了圖像紋理能夠進一步改善基于光譜反射率的穗生物量評估結果。研究也發現無人機多源圖譜數據能夠用于稻穗倒伏識別，即使是單一圖像特征，識別準確率也可達到80%～90%，然而其容易受到水稻品種差異的影響，比如秈稻和粳稻。利用PSO-SVM分類器融合多源圖譜數據，顯著地提高倒伏識別準確率，可達99.87%，其中多光譜圖像的光譜反射率展現出更高的潛力。這些結果證明了無人機多源圖譜數據融合對于水稻稻穗表型監測的可行性，其中無人機可見光圖像適用于水稻冠層結構的監測，多光譜圖像可用于表征水稻的生理變化。

雖然近幾年已有大量研究探索了無人機在水稻稻穗表型監測中的應用，但是其研究的試驗數據比較單一，導致模型缺乏泛化性。本研究利用多年多區域的無人機數據構建了可靠的稻穗覆蓋度、生物量以及倒伏監測模型。通過對比不同試驗數據發現，構建的稻穗覆蓋度和倒伏監測模型具有較高的魯棒性，在不同數據集中具有很好的泛化性。此外，本研究也探索了穗生物量模型在不同種植年間的可遷移性（圖8）。結果表明，構建的穗生物量評估模型可以直接從2017年遷移到2018年，盡管由于不同數據集的差異導致模型精度降低，但是仍取得可接受的評估結果。進一步利用模型更新添加10%的新樣本可以幫助原模型學習到新數據的特征，從而改善穗生物量的評估結果，這與報道研究中產量和氮素評估結果是一致的。雖然本文已經成功建立稻穗覆蓋度、生物量以及倒伏等監測模型，但是尚存在部分局限性。本研究僅考慮幾種水稻品種數據，進一步的研究需要在不同的水稻品種中測試這些模型的魯棒性以及可遷移性。此外，本研究沒有深入探究土壤背景、傳感器觀測角度以及太陽高度角等因素的變化對于稻穗監測模型的影響，未來的研究應將這些因素納入到稻穗表型監測模型，提高模型的機理性以及可解釋性，從而為農田精準管理和智慧種植提供技術支撐。

4 結 論

本研究結果表明，無人機多源圖譜數據能夠用于監測水稻生長變化以及稻穗覆蓋度、生物量和倒伏?；赑SO-SVM分類模型和可見光圖像實現了穗覆蓋度的準確評估，將可見光圖像的穗覆蓋度識別分類結果和多光譜圖像的光譜反射率結合提高了稻穗覆蓋度的評估精度，為0.93，rRMSE為9.47%。基于RF回歸模型，將可見光圖像顏色、紋理與多光譜圖像的光譜反射率融合實現了穗生物量的評估，達0.84，rRMSE為8.68%?；赑SO-SVM分類器，融合可見光圖像顏色、紋理和多光譜圖像的光譜反射率準確地識別稻穗倒伏，準確率高達99.87%。這些結果證明了無人機多源圖譜數據融合可用于改善稻穗表型監測的準確率，為快速獲取水稻稻穗表型提供了一種有效的方法。