基于無人機RGB影像的小麥葉面積指數與產量估算研究

楊 楠,周 萌,陳 歡,曹承富,杜世州,黃正來

(1.安徽農業大學農學院,安徽合肥 230036;2.安徽省農業科學院作物研究所,安徽合肥 230031; 3.南京農業大學農學院/國家信息農業工程技術中心,江蘇南京 210095)

葉面積指數(leaf area index,LAI)能有效反映作物生長信息,是衡量作物群體是否合理的重要栽培生理參數,與作物蒸騰、光合、呼吸作用及碳循環、降水截獲等方面密切相關[1-2]。作物產量是農業生產過程中最終的數量特征,對于生產者、政府部門等而言極其重要。目前,預測作物長勢和產量的方法主要包括基于地面的實地調查[3]、作物生長模型[4]、基于遙感的方法[5]等。自1970年以來,衛星數據因具有較好的空間、時間和光譜分辨率等優勢,已被廣泛用于大規模的作物產量預測[6-7]。然而,衛星數據往往難以同時滿足空間分辨率和時間分辨率的需求,且易受到外界環境(云層等)的影響[8]。隨著農業適度規模經營主體的發展,作物長勢監測對光譜數據的需求與當前數據獲取平臺之間的矛盾越發明顯。新興的無人機平臺可以在一定程度上彌補現有衛星平臺的不足,近年來被農業領域廣泛關注[9-10]。無人機遙感作為一項空間數據采集的重要手段,可快速、準確、無損地獲取一定范圍內的農田植被覆蓋、生態環境、作物長勢、病蟲草害及作物產量等多方面信息,具有不可替代的優勢[11-14]。

在LAI監測方面,通過無人機搭載數碼相機PENTAX A40獲取低空影像,去除背景提取植被覆蓋度,進而可估測LAI[15]。用無人機搭載的FinePix S3 Pro UVIR相機獲取小麥冠層影像[16],建立的LAI與影像光譜信息衍生的GNDVI模型的r2達到0.85。除光譜特征外,來自高分辨率RGB影像的紋理特征也在植被重要表型指標的解譯中發揮著重要作用,如小麥穗部圖像各紋理特征參數值與穗頭產量均呈顯著相關性[17],森林生物量與多個紋理特征存在較好的相關性[18]。Eckert等[19]認為,相比于植被指數,紋理指數NDTI(MEA800,MEA550)在森林地上部生物量的估測中表現優異,原因是紋理特征可以平滑冠層結構,提升地上部的估測精度。盡管前人的研究證明了利用高分辨率無人機影像提取的光譜與紋理特征在小麥長勢監測中的可行性,但是仍缺少光譜與紋理特征融合的LAI估算模型。

在作物產量預測方面,以遙感技術為支撐,對作物大面積產量進行預測,是近年來研究的熱點[20-21]。例如,基于無人機平臺搭載的高光譜相機提取小麥株高和光譜指數,采用PLSR、ANN和RF回歸技術進行建模和驗證,結果表明,使用PLSR回歸算法將光譜指數和株高組合,可以準確地估測產量[22]。多數研究采用單個生育時期的數據來預測作物產量,模型預測精度及其穩定性都有待提高。而作物產量是一個復雜和不斷積累的過程,也有研究嘗試采用融合多個生育時期信息的累積植被指數來構建產量預測模型,并證明了累積植被指數可以提高對小麥產量的預測精度[5]。因此,結合作物多個生育時期的多源數據對產量進行估測是提高預測精度的重要途徑。

為了實現小麥LAI的快速無損監測和產量估算,本研究在2個地點設置不同施氮水平和小麥品種的田間試驗,以形成不同的小麥生長群體,利用無人機搭載的RGB相機獲取田間圖像,并同步取樣測定相同生育階段的小麥LAI和成熟期的產量數據,利用影像的圖譜信息建立不同生育時期小麥LAI和成熟期產量的估算模型,并在不同生態點進行驗證以及評估模型的普適性,以期建立一套基于無人機影像的準確自動化的表型參數監測系統,為小麥表型參數研究提供快速、高通量的田間監測技術支撐。

1 材料與方法

1.1 試驗地概況

田間試驗于2020年10月-2021年6月在安徽省農業科學院作物研究所濉溪縣楊柳農業科學實驗站(116°44′E,33°37′N)和蒙城縣農業科技示范場(116°32′E,33°9′N)進行。前茬作物為玉米,土壤類型為砂姜黑土,小麥播種前0～20 cm耕層土壤中,濉溪縣楊柳農業科學實驗站土壤pH值為5.83,有機質含量18.69 g·kg-1,全氮含量1.11 g·kg-1,堿解氮含量101.01 mg·kg-1,有效磷含量20.45 mg·kg-1,速效鉀含量132.10 mg·kg-1;蒙城縣農業科技示范場土壤pH值為7.05,有機質含量20.21 g·kg-1,全氮含量0.74 g·kg-1,堿解氮含量61.07 mg·kg-1,有效磷含量9.43 mg·kg-1,速效鉀含量108.85 mg·kg-1。

1.2 試驗設計

本研究設置2個獨立設計的氮肥梯度試驗。

試驗1:采用裂區設計,主區為施氮量,設置施純氮0 kg·hm-2(N0)、90 kg·hm-2(N1)、180 kg·hm-2(N2)、270 kg·hm-2(N3)和360 kg·hm-2(N4)5個施氮水平;副區為品種,分別為15CA73(C1)、中麥578(C2)、中麥255(C3)、濟麥22(C4)。每個處理3次重復,小區面積為12 m2(2 m×6 m)。氮、磷、鉀肥分別為尿素(N 46%)、過磷酸鈣(P2O516%)和氯化鉀(K2O 60%)。其中,磷、鉀肥施用量分別為90 kg P2O5·hm-2、90 kg K2O·hm-2,全部基施;氮肥60%作為基肥,40%于拔節期作為追肥撒施。小麥人工條播,行距20 cm,基本苗為270萬株·hm-2。其他大田管理措施參照當地高產田管理。

試驗2:采用單因素隨機區組設計,設置6個施氮水平,分別為施純氮0 kg·hm-2(N0)、162 kg·hm-2(N1)、202.65 kg·hm-2(N2)、243 kg·hm-2(N3)、283.65 kg·hm-2(N4)和324 kg·hm-2(N5)。每個處理3次重復,小區面積為21.6 m2(5.4 m×4.0 m)。氮、磷、鉀肥分別為尿素(N 46%)、過磷酸鈣(P2O516%)和氯化鉀(K2O 60%)。其中,磷、鉀肥施用量分別為P2O581 kg·hm-2、K2O 81 kg·hm-2,全部基施;氮肥55%作為基肥,45%于拔節期作為追肥撒施。供試小麥品種為濟麥22,機械條播,行距20 cm,播量為187.5 kg·hm-2。其他大田管理措施參照當地高產田管理。

1.3 測定項目與方法

1.3.1 LAI測定

在小麥拔節期、抽穗期、開花期和灌漿期,每個小區隨機采集20單莖,使用直尺測量綠葉長度和最寬處的寬度,將二者之積再乘以系數0.83得到每片葉面積,再根據田間單位面積莖數計算LAI[23]。

1.3.2 產量測定

在成熟期,每個小區收獲8 m2小麥,脫粒曬干計產,籽粒含水量達13%左右。

1.3.3 無人機影像獲取

在小麥拔節期、抽穗期、揚花期和灌漿期獲取無人機高空間分辨率影像數據。將數碼相機FC300X(DJI-Innovations,深圳,廣東,CHN)安裝在DJI Phantom 4 Professional無人機(DJI-Innovations,深圳,廣東,CHN)上。無人機選擇在天氣晴朗、無風或微風的條件下10:00-14:00飛行,飛行高度為15 m,分辨率為0.2 cm,自動設置航線飛行,視場角94°,續航時間為5～20 min,定點懸停拍攝,豎直重復率與水平重復率分別為82%和85%。

1.4 影像預處理及光譜和紋理特征提取

RGB影像預處理包括影像拼接、影像配準、影像裁剪等過程。影像拼接在PIX4D mapper軟件中進行。由于小麥抽穗后田間植被覆蓋率最高,小區特征與土壤差異明顯,易于分割,所以選用抽穗期影像實現小區分割,同一地點的不同時期數據均以抽穗期影像為基準進行配準。對配準完成后的所有影像計算灰度共生矩陣(gray level co-occurrance matrix,GLCM),用于提取紋理特征。

1.4.1 小區自動化分割與編號

為解決ROI感興趣區提取影像信息耗時且費力的問題,采用基于閾值法的圖像分割算法實現小區邊界的自動化提取。在圖像分割之前,在ArcGIS10.0軟件中用Exact by mask工具裁剪出試驗田區域,避免無關小區的誤提取。隨后在MATLAB軟件中實現影像旋轉、提取植被、小區邊界提取和標記位置信息,最后對生成的小區按照位置信息從左至右、從上至下的順序編號,并根據邊界信息對各小區進行掩膜處理。

1.4.2 光譜和紋理特征的提取

根據生成的小區邊界要素,對配準后的所有時期影像按掩膜保存,分別提取并計算紅、綠、藍波段組合后的植被指數,獲得10個光譜特征(表1)。

表1 本研究使用到的光譜特征

灰度共生矩陣涉及三個重要參數即窗口大小、移動步長和移動方向。窗口的大小與圖像分辨率有關。較小的窗口代表更細微的紋理特征,而較大的窗口代表粗糙的紋理特征。移動步長取決于圖像的紋理粗糙度。紋理特征提取的四個移動方向為0°、45°、90°和135°。在本研究中,按照移動方向為0°、窗口大小為3×3提取了紅、綠、藍三個通道的8個紋理特征,包括Mean、Variance、Homogeneity、Contrast、Dissimilarity、Entropy、Second momen和Correlation(表2),共計提取24個紋理特征。每個小區共計獲取34個特征,經相關性分析和顯著性分析后,篩選并確定能夠指示LAI和產量的關鍵特征。

表2 本研究使用到的紋理特征

1.4.3 基于機器學習算法的LAI估算

本研究采用隨機森林(random forest,RF)、偏最小二乘回歸法(partial least squares regression,PLSR)、人工神經網絡(artificial neutral networks,ANN)和支持向量機(support vector machine,SVM)4種機器學習算法對小麥LAI進行估算。為確保模型的穩定性和適用性,將兩個地點的樣本數據分開,其中楊柳點數據用于建模,蒙城點數據用于模型驗證。采用決定系數(r2)以及均方根誤差(root mean square error,RMSE)作為模型估算精度的評價標準(式1和2),r2越高,表明模型的線性關系越強;RMSE越小,表明模型估算精度和穩定性越高。

(1)

(2)

其中,xi和yi分別是基于不同模型的LAI估算值和實測值。

1.4.4 全生育期的小麥產量估算

本研究將拔節、抽穗、揚花和灌漿4個生育時期的數據結合進行建模。將每個時期的所有光譜特征、紋理特征和對應時期的LAI作為特征輸入集合,分別與產量數據進行相關性分析和顯著性分析,篩選出最優特征后,運用機器學習算法實現產量的估算。產量估算同樣采取獨立驗證的方法,楊柳點的樣本數據用于建模,蒙城點的樣本數據用于模型驗證。采用r2和RMSE作為模型估算精度的評價標準。

1.5 數據處理

采用Excel 2017進行數據前期整理和基礎計算,采用SPSS 23.0進行Pearson相關分析和LSD法顯著性分析。

2 結果與分析

2.1 小麥LAI的統計特征

小麥LAI在生育時期間、施氮量間及品種間均存在差異(表3)。總體上,4個品種的LAI在拔節至抽穗期呈上升趨勢,在揚花期有所下降,灌漿期的LAI最低。在同一時期,4個品種的LAI總體上隨施氮量的增加而增加。在同一施氮水平下,中麥255的LAI明顯大于其他品種。

表3 小麥不同生育時期的實測LAI

2.2 小麥不同生育時期LAI與光譜、紋理特征的相關性

對所選取的10種光譜特征、24個紋理特征與不同生育時期的LAI數據進行Pearson相關分析,結果(圖1)表明,灌漿期的相關性總體上表現最好,其中GRVI、ExR、VARI、RGRI、GRRI、MGRV1、MEAB1的相關系數絕對值均超過0.8,且都達到極顯著水平(P<0.01)。拔節期、抽穗期的相關系數也較高,其中GRVI、ExR、ExG、ExGR、VARI、RGRI、GRRI、MGRVI、CORB2、CORB3的相關系數絕對值均在0.7以上。揚花期的相關性整體表現最差,HOMB2的相關系數絕對值最高,為0.66。在拔節期、抽穗期和灌漿期,與LAI相關性較高的特征為光譜特征,10種光譜特征的相關系數絕對值都高于0.6,最高達0.82。但是與揚花期LAI相關性最高的特征為紋理特征,光譜特征最高相關系數僅達到0.54。

圖1 小麥不同生育時期LAI與光譜、紋理特征的相關性

不同生育時期的光譜、紋理特征與LAI的相關性表現不同,但總體上相關性較強,可優選特征以構建小麥LAI估測模型。最終,去除不顯著特征外,基于拔節期LAI的估算模型的輸入特征為GRVI、GLE、MEAB1等22個,基于抽穗期LAI的估算模型的輸入特征為GRVI、ExR、ENTB1等16個,基于揚花期LAI的估算模型的輸入特征為VARB1、HOMB1、CONB1等12個,基于灌漿期LAI的估算模型的輸入特征為GRVI、GLA、MEAB1等18個。

2.3 小麥產量與遙感特征、LAI的相關性

從圖2可以看出,光譜特征和紋理特征都可以有效指示小麥產量,不同生育時期的特征與產量的相關性存在顯著差異。揚花期的所有光譜特征相關性都低于其他時期,相關系數絕對值在0.19～0.72之間。拔節期、抽穗期和灌漿期的光譜特征較為一致,均表現為GRVI、ExR、ExGR、VARI、RGRI、GRRI和MGRVI的相關性最高,相關系數絕對值均在0.83以上,其中抽穗期的光譜特征VARI與產量的相關性最高,相關系數值達 0.86。與產量相關性最低的紋理特征大多出現在抽穗期與灌漿期,最低為抽穗期的CONB1,相關系數僅為0.01。拔節期的紋理特征MEAB1與產量的相關性最高,相關系數達-0.88。另外,四個時期的LAI均與產量具有較高的相關性,相關系數分別為0.70、0.83、0.85和0.83,且揚花期的相關性最高,表明加入LAI對于產量的估算是很有必要的。去除相關系數絕對值低于0.5的特征,最終作為產量估算的輸入特征共計94個,其中來自于拔節期、抽穗期、揚花期和灌漿期的特征分別為28、19、24和23個。

圖2 小麥產量與各時期遙感特征及LAI的相關性熱圖

2.4 基于機器學習的小麥LAI估算和驗證結果

從表4和圖3可以看出,在不同生育時期,4種算法下構建的LAI估測模型精度不同。從建模結果看,各生育時期的模型均具有較高的擬合性。對于任一生育時期,RF的建模精度都最高,拔節期、抽穗期、揚花期和灌漿期建模的r2分別為0.93、 0.88、0.84和0.93。基于PLSR的模型擬合效果最差,r2在不同生育時期分別為0.55、0.75、0.54和0.80,對應的RMSE也最差,分別為1.65、1.80、3.01和1.30。基于RF的建模結果,灌漿期的模型擬合效果最好,r2和RMSE分別為0.93和0.69。拔節期、抽穗期和揚花期模型的r2和RMSE依次降低。

RMSE1、RMSE2、RMSE3和RMSE4分別指拔節期、抽穗期、揚花期和灌漿期的RMSE。

表4 小麥不同生育時期LAI建模精度和驗證結果

從模型的驗證效果看,RF模型在四個時期中的驗證效果均最好,RMSE分別為2.26、1.44、1.73和1.02,模型預測能力最高。值得一提的是,灌漿期的建模與驗證結果都有最優的表現,建模集的RMSE最低為0.69,驗證集中為1.02。

綜上,RF模型在各生育時期不僅具有較高的建模精度,并且在不同生態點也得到了較高的驗證精度。RF模型表現出較高的穩定性,可作為小麥各生育時期LAI的最優估算模型。

2.5 基于機器學習的小麥產量估算和驗證結果

從表5可以看出,在4種機器學習算法下構建的產量模型表現明顯出差異。從建模結果看,RF的建模精度最高,其r2達到0.89,RMSE為0.79 t·hm-2;BPNN和PLSR精度次之,r2分別為0.78和0.75,RMSE分別為0.86和0.82 t·hm-2;SVM的建模精度最差,其r2和RMSE分別為0.56和0.89 t·hm-2。從模型的驗證效果看,RF模型的驗證效果最好,RMSE為1.17 t·hm-2,模型預測能力最高。BPNN和PLSR模型精度次之,RMSE分別為1.26和1.27 t·hm-2。BPNN模型預測能力表現較差,RMSE為1.32 t·hm-2。在產量估算方面,基于RF的估算模型仍被證明其普適性最優。

表5 不同機器學習算法下小麥產量的建模和模型驗證效果

圖4為基于RF模型對蒙城試驗區小麥產量估算的結果空間分布圖。通過田塊尺度的遙感制圖可看到小麥在不同氮肥處理下的最終產量的空間分布特征,即小麥產量隨著氮素水平的升高而增加,自N3水平以上的產量都高達7.6 t·hm-2,N0處理下小麥產量最低,在4.0 t·hm-2以下。模型估測值與實測值相一致,進一步說明本研究數據提取和建模方法的可靠性。

圖4 小麥產量的空間分布圖

3 討 論

利用無人機遙感獲得的作物冠層光譜可提取作物生長狀況信息,進而開展不同方向的研究。LAI是反映作物冠層結構的一個重要參數,關系到作物的光合作用、蒸騰作用、水分利用及生物量變化。有研究表明,利用無人機影像提取植被覆蓋度的方法可以反演LAI[15],但是對于小麥LAI卻不適用,因為小麥在生育后期的植被覆蓋度較為穩定,但LAI卻隨生育進程顯著降低。基于綠色植被在可見光區域的光譜響應特性,顏色光譜指數在植被遙感中常被用于監測LAI。因此,本研究選用了常用的10種顏色植被指數,篩選出對小麥LAI最敏感的植被指數。其中,GARI在不同時期都表現出與LAI較高的相關性。GRVI是關于紅波段與綠波段的顏色植被指數,再次被證明與植被覆蓋度和LAI緊密相關[33]。同時,圖像紋理可以表示圖像的均勻、細致、粗糙等現象。前人研究表明,光譜特征和紋理特征的結合能夠提高作物地上部生物量、LAI和葉片氮含量的估計精度[34]。因此,本研究還提取了紋理特征作為小麥LAI估算的另一輸入特征集。從圖1可以看出,紋理特征部分與LAI的相關性矩陣圖呈現出有規律的排布,即紋理特征在紅、綠、藍不同通道間存在相似性。但是總體上來自紅色通道的紋理特征與LAI的相關性較強,表明紅色通道的灰度信息對LAI反演的貢獻更大。作物產量是農業科學的研究核心,不斷提高產量預測精度是作物生長監測預測的主要目標之一。目前,作物產量遙感預測的方法主要是利用植被指數與產量的定量關系,構建產量預測模型[35]。前人已經確定了小麥產量預測的最佳生育時期和遙感參數,如利用無人機影像提取的NDVI在抽穗期與產量有較好的相關性[36],小麥產量與灌漿期的光譜參數相關性高于開花期和挑旗期[37]。另外,還可以結合不同分辨率RGB影像估測作物產量[38],同時結合多種傳感器(數碼相機、多光譜相機和熱紅外相機)可以提高作物產量估測精度。鑒于產量的形成是一個累積的過程,并且生育后期的數據對產量預測的準確性更高,本研究綜合四個時期的所有與產量相關的特征,進而建立產量預測模型。從小麥產量與遙感特征、LAI的相關性看,并非是某一個時期與產量的相關性最高,拔節、抽穗、揚花和灌漿期都存在與產量相關性較高的特征,表明不同時期的生長信息都可能會對最后的產量預測做出貢獻。光譜特征與最終產量的相關性普遍大于紋理特征,這是因為作物光譜反射特性能夠直接反映出作物在不同生長階段表現出的不同的色素組分及其含量、水分含量、葉片細胞結構、冠層形態結構等的變化,這些變化是影響最終產量的最直接因素,而紋理特征是通過研究灰度圖像的空間相關特性,間接建立其與產量的相關關系,其對于捕捉作物生長過程中生理生化、形態結構變化的敏感性不如光譜信息。

作物生長參數估算的建模方法可分為基于少數特征波段的統計回歸法、基于多特征的機器學習法、基于輻射傳輸模型的機理監測法、模型-遙感耦合法等。其中,統計回歸法是生長參數監測上最常用的建模方法。經驗模型公式簡單,易于理解和使用,但未充分挖掘豐富的光譜信息,模型的遷移性不強。基于輻射傳輸模型的物理反演方法可以通過輸入葉片或冠層的反射率,來反演LAI,機理性較強[39-40],但原理較復雜,需結合一定的先驗知識才能得到較好的效果。遙感與模型的耦合能夠將遙感的實時性、區域性與作物生長模型的機理性、預測性優勢互補,模型-遙感耦合法成為大尺度作物生產力預測的關鍵手段[41-42],但需要一定的作物生長模型運用經驗。機器學習算法在海量數據處理上能力較強,且能更加充分利用數據中的潛在信息,尤其是生長參數與光譜參數之間的非線性關系[43-44],從而能夠獲得更高的監測精度。因此,本研究選用RF、PLSR、BPNN和SVM四種常用的機器學習算法作為小麥LAI和產量的建模方法,旨在確定最佳的高精度監測模型。結果表明,RF模型在LAI和產量估算中都表現最好,與周萌等[45]的研究結果一致,并且RF模型的可遷移性也都優于PLSR、BPNN和SVM模型。RF作為一種集成學習算法,集成了多個決策樹模型的結果,建模效果會更好,并且模型抗噪聲能力也優于其他模型。

4 結 論

準確監測小麥長勢的動態變化并及時預測產量,對精確農業的管理調控具有重要意義。本研究基于同年度不同生態點的小麥LAI、產量和無人機RGB影像數據,使用四種常用的機器學習算法構建小麥LAI和產量估算模型。小麥不同生育時期的植被指數與LAI具呈現較強的相關性,其中灌漿期的相關性最高,相關系數絕對值最高達0.8以上,并且基于RF機器學習算法的灌漿期LAI估測模型的驗證精度也最高,RMSE為1.02。此外,基于RF的產量預測模型具有較高的建模精度,在不同生態點也獲得較高驗證精度,驗證RMSE為1.17 t·hm-2。