基于無人機RGB影像的馬鈴薯植株鉀含量估算

馬彥鵬 邊明博 樊意廣 陳志超 楊貴軍 馮海寬,3

(1.北京市農林科學院信息技術研究中心, 北京 100097; 2.河南理工大學測繪與國土信息工程學院, 焦作 454000;3.南京農業大學國家信息農業工程技術中心, 南京 210095)

0 引言

馬鈴薯是重要的薯類作物,可以糧菜兼用,在我國廣泛種植[1]。馬鈴薯是喜鉀作物,鉀含量會直接影響馬鈴薯產量、株高、莖粗、葉面積和生物量等[2-3]。因此快速準確地獲取馬鈴薯植株鉀含量(Plant potassium content,PKC)對監測馬鈴薯生長發育狀況具有重要意義。傳統測量PKC的方法以田間破壞性取樣為主,測量成本高且費時費力,難以大面積推廣使用。無人機遙感技術機動性強,可以用于農作物長勢監測、產量估算和病蟲害監測等,使田間生產管理更加高效便捷[4-6]。基于無人機遙感平臺可以搭載RGB、多光譜和高光譜傳感器[7-8]。

LU等[9]基于無人機高光譜傳感器利用非負矩陣分解提取植被光譜,建立偏最小二乘回歸(Partial least squares regression,PLSR)模型。結果表明,綠光帶和紅邊帶對水稻植株鉀積累量估算有顯著貢獻。THOMSON等[10]研究發現利用無人機高光譜傳感器反射率建立的PLSR模型可以有效估算森林植物葉片鉀含量。SEVERTSON等[11]利用無人機多光譜和高光譜反射率有效識別了缺鉀油菜。以上研究主要集中在高光譜傳感器上,高光譜雖然能獲取更多的光譜信息,但因其價格昂貴,處理過程復雜限制了它在農業生產中的應用。RGB相機傳感器雖然只能獲取3個波段的光譜信息,但因其可以獲取高分辨率影像,而且價格便宜,數據處理過程較為簡單,成為廣受關注的數據獲取方式。

樊意廣等[12]基于無人機RGB相機傳感器利用多元線性回歸(Multiple linear regression,MLR)、BP神經網絡和Lasso回歸結合冠層光譜特征模型有效估算了馬鈴薯植株氮含量,結果表明MLR構建的模型最優。劉楊等[13]基于無人機RGB影像利用MLR、支持向量機和人工神經網絡(Artificial neural networks,ANN)結合植被指數估算馬鈴薯地上生物量,結果表明各生育期利用MLR方法構建的馬鈴薯地上生物量估算模型效果最佳。陶惠林等[14]基于無人機RGB影像有效估算了冬小麥生物量。上述研究結果表明利用無人機RGB相機傳感器可以有效估算作物氮素含量和生物量,但是僅利用影像的光譜信息構建的模型容易出現模型精度飽和現象。紋理信息通過像素灰度分布變化來反映目標與環境之間的空間關系,可以提供新的冠層信息[15-16],在作物生長監測中發揮重要作用[17-18],有學者提出引入圖像的紋理信息結合光譜信息構建模型。

LU等[19]從無人機RGB影像中分別提取光譜信息和紋理信息估算水稻植株鉀積累量,結果表明光譜信息和紋理信息可以準確估算水稻植株鉀積累量,兩者融合能夠進一步提高精度。ZHENG等[20]獲取水稻關鍵生育期冠層多光譜圖像,將提取的紋理特征歸一化結合植被指數建模估算水稻地上生物量,結果表明,與單獨使用光譜信息相比,歸一化紋理信息與光譜信息結合顯著提高了水稻生物量估算的準確性。MA等[21]利用棉花收獲前冠層RGB影像監測棉花產量,表明從無人機高分辨率RGB影像中提取的植被指數和紋理特征與棉花產量顯著相關,且植被指數結合紋理特征估算棉花產量效果最好。馬鈴薯的生長發育狀況與上述作物不同,前期莖葉生長旺盛,但是到生長后期地上干物質不斷向地下轉移,地上葉片和莖開始死亡。基于無人機RGB影像提取植被指數和灰度共生矩陣(Gray-level co-occurrence matrix,GLCM)紋理特征可以提高高覆蓋度下估算馬鈴薯地上生物量的準確性[22],鉀與氮素和生物量機理不同,已有的研究方法是否適用于馬鈴薯PKC監測還有待進一步研究。

因此,本研究以無人機遙感平臺搭載RGB傳感器獲取馬鈴薯3個關鍵生育期的RGB影像,并提取各個生育期的冠層光譜特征和紋理信息,結合地面實測的PKC數據,采用3種不同的方法對每個生育期馬鈴薯PKC進行建模和驗證,探究光譜特征結合紋理信息估算馬鈴薯PKC的適用性。

1 材料與方法

1.1 實驗設計

實驗于2019年在北京市昌平區小湯山鎮國家精準農業研究示范基地開展。采用的馬鈴薯品種為Z1(中薯5)和Z2(中薯3)。共設3個實驗區,每個實驗區3個重復。P區(密度實驗區)設置3個密度水平(T0:60 000株/hm2;T1:72 000株/hm2;T2:84 000株/hm2);N區(氮肥實驗區)設置4個氮肥水平(N0:0 kg/hm2;N1:244.65 kg/hm2;N2:489.15 kg/hm2;N3:733.5 kg/hm2);K區(鉀肥實驗區)設置3個鉀肥水平(K0:0 kg/hm2;K1:970 kg/hm2;K2:1 941 kg/hm2)。P區和N區鉀肥水平均為K1:970 kg/hm2。共48個小區(圖1),每個小區面積為5 m×6.5 m。

圖1 馬鈴薯田間位置及實驗設計

1.2 無人機RGB影像獲取及預處理

采用大疆精靈4Pro無人機遙感平臺,分別在塊莖形成期、塊莖增長期和淀粉積累期選擇晴朗無云的天氣,在光照強度穩定的12:00—14:00獲取RGB影像。表1為無人機飛行參數設置。飛行結束后將圖像導入三維建模軟件Agisoft PhotoScan Professional(64 bit)生成每個生育期數字正射影像。主要步驟包括對齊圖像、建立密集點云、生成格網、生成紋理、建立正射、導出數字正射影像。

表1 無人機飛行參數

1.3 地面數據獲取

在無人機數據采集結束后進行地面數據采集。馬鈴薯PKC測量方法為田間采樣和實驗室化學分析相結合。分別于馬鈴薯塊莖形成期、塊莖增長期和淀粉積累期在每個實驗小區選取3株具有代表性的植株帶回實驗室進行莖葉分離,用清水沖洗干凈后在干燥箱內105℃殺青30 min,然后將溫度調至80℃干燥48 h以上,質量恒定后進行稱量,得到各器官的干質量。在實驗室內利用電感耦合等離子體發射光譜儀(iCAP6300型)測量各器官鉀含量。最后計算PKC,計算公式為

(1)

式中CLK——葉片鉀含量,%

CSK——地上莖鉀含量,%

MLD——葉片干質量,g

MSD——地上莖干質量,g

1.4 光譜指數選取

從無人機RGB影像中提取每個小區的冠層光譜特征,然后根據現有的研究進展選取24個能夠描述作物氮素和鉀素營養狀況的光譜植被指數對馬鈴薯塊莖形成期、塊莖增長期、淀粉積累期的PKC進行估算。植被指數如表2所示。

表2 植被指數

1.5 紋理特征選取

遙感影像的紋理特征可以用來描述圖像中的空間分布和灰度分布。GLCM是用來描述圖像中像素灰度值之間關系的一種統計方法。GLCM紋理特征包括對比度(Contrast,con)、相關性(Correlation,cor)、差異性(Dissimilarity,dis)、熵(Entropy,ent)、同質性(Homogenetity,hom)、二階矩(Second moment,sm)、方差(Variance,var)和均值(mean)。有研究表明提取紋理時移動窗口大小和方向對結果影響較小,可以忽略[23-24]。本研究基于3個生育期的RGB影像選擇3×3的窗口,提取每個波段45°方向的8個紋理特征,共24個。為了提高紋理指數與馬鈴薯PKC之間的相關性,本文在單個紋理特征的基礎上按照歸一化植被指數(NDVI)、差值植被指數(DVI)和比值植被指數(RVI)方法構建了3個紋理指數(TIS)——NDTI、DTI和RTI。選出最佳的組合方式用來估算馬鈴薯PKC,計算公式為

(2)

DTI=T1-T2

(3)

(4)

式中T1、T2——3個波段中隨機紋理特征值

1.6 數據分析方法

將重復1和重復3的32組數據作為訓練集建立馬鈴薯PKC的估算模型,將重復2的16組數據作為驗證集,驗證模型精度。采用的數據分析方法為MLR、偏最小二乘(Partial least squares regression,PLSR)和ANN。MLR是一種基本的回歸分析方法,它建立了變量和目標之間的線性關系,并且假設誤差項是獨立同分布的。PLSR是一種經典的線性回歸方法,它可以解決多重共線性問題,將原始變量轉換為一組新的特征,并且確保每個成分都與目標相關聯,通過保留這些成分的不同數量,可以進行多級回歸分析,從而實現預測。ANN是一種基于神經元結構的非線性建模方法,通過學習數據中的復雜模式進行建模,并且可以根據數據的結構和分布來自適應地調整模型參數。

1.7 模型評價指標

為評價模型預測結果的準確性,采用決定系數(Coefficient of determination,R2)、均方根誤差(Root mean square error,RMSE)和標準均方根誤差(Normalized root mean square error,NRMSE)作為模型精度評價指標。

2 結果與分析

2.1 相關性分析

采用Pearson相關性分析了不同模型參數與馬鈴薯PKC之間的相關性。表3為所有模型參數與3個生育期馬鈴薯PKC的相關系數。塊莖形成期除IKAW和(g-b)/(r-g)與馬鈴薯PKC表現不顯著相關外,其余植被指數均與馬鈴薯PKC表現顯著性相關。其中G、b和r-b表現為0.05水平顯著性相關,R、B、r、g、g+b、g-b、r+b、r/g、EXG、EXR、EXGR、GRVI、VARI、(r-g-b)/(r+g)、MGRVI、RGBVI、NDI、GLA和CIVE共19個植被指數均表現為0.01水平顯著性相關。相關系數絕對值最大的植被指數是(r-g-b)/(r+g),為0.85。塊莖增長期G和(g-b)/(r-g)與馬鈴薯PKC不顯著相關,R、B、r、g、b、g+b、g-b、r-b、r+b、r/g、EXG、EXR、EXGR、IKAW、GRVI、VARI、(r-g-b)/(r+g)、MGRVI、RGBVI、NDI、GLA和CIVE共22個植被指數與馬鈴薯PKC表現為0.01水平顯著性相關。相關系數絕對值最大的植被指數是GLA,為0.85。淀粉積累期r-b與馬鈴薯PKC為不顯著相關,IKAW和(g-b)/(r-g)表現為0.05水平顯著性相關,R、G、B、r、g、b、g+b、g-b、r+b、r/g、EXG、EXR、EXGR、GRVI、VARI、(r-g-b)/(r+g)、MGRVI、RGBVI、NDI、GLA和CIVE共21個植被指數與馬鈴薯PKC表現為0.01水平顯著性相關。相關系數絕對值最大的植被指數是R,為0.76。

表3 馬鈴薯3個生育期植被指數與PKC的相關系數

如表4所示,單一紋理特征在塊莖形成期R-ent和B-hom與馬鈴薯PKC不顯著相關,G-mean和G-ent表現為0.05水平顯著性相關,R-mean、R-var、R-hom、R-con、R-dis、R-sec、R-cor、G-var、G-hom、G-con、G-dis、G-sec、G-cor、B-mean、B-var、B-con、B-dis、B-ent、B-sec和B-cor共20個紋理特征與馬鈴薯PKC呈0.01水平顯著性相關。相關系數絕對值最大的是G-con,為0.79。塊莖增長期G-mean表現為不顯著相關外,其余紋理指數均表現為顯著性相關。其中R-cor和G-cor表現為0.05水平顯著性相關,R-mean、R-var、R-hom、R-con、R-dis、R-ent、R-sec、G-var、G-hom、G-con、G-dis、G-ent、G-sec、B-mean、B-var、B-hom、B-con、B-dis、B-ent、B-sec和B-cor共21個單一紋理特征與馬鈴薯PKC呈0.01水平顯著性相關。相關系數絕對值最大的是R-var和R_dis,為0.82。淀粉積累期G-cor、B-var、B-hom、B-con、B-dis和R-cor與馬鈴薯PKC不顯著相關。R-mean、R-var、R-hom、R-con、R-dis、R-ent、R-sec、G-mean、G-var、G-hom、G-con、G-dis、G-ent、G-sec、B-mean、B-ent、B-sec和B-cor共18個單一紋理特征表現為0.01水平顯著性相關。相關系數絕對值最大的是R-mean,為0.76。構建的3個TIS在3個生育期均表現為0.01水平顯著性相關,相關系數絕對值均大于表現最優的單一紋理特征相關系數絕對值,且3個生育期NDTI、DTI和RTI相關系數絕對值相差不大,相關系數絕對值最大為0.84、0.83和0.78。

表4 馬鈴薯3個生育期紋理特征與PKC的相關系數

2.2 馬鈴薯PKC估算與驗證

分別以3個生育期相關系數絕對值最大的3個植被指數和構建的3個最優的TIS為輸入變量,結合MLR、PLSR和ANN構建馬鈴薯PKC的估算模型。表5、6分別為3個生育期MLR、PLSR和ANN 3種方法以植被指數(VIS)和植被指數結合構建的TIS為輸入變量建模和驗證的結果。3個生育期利用同種建模方法植被指數結合TIS作為輸入變量估算PKC的效果優于僅將植被指數作為輸入變量的估算效果。3種建模方法均表現為塊莖形成期和塊莖增長期的估算效果優于淀粉積累期;同種建模方法從塊莖形成期到淀粉積累期模型驗證精度逐漸變差。不同的估算模型在3個生育期植被指數結合TIS的建模和驗證效果如圖2所示。3個生育期MLR和PLSR的建模和驗證結果均優于ANN。

表5 3個生育期3種方法馬鈴薯PKC估算結果對比

表6 3個生育期3種方法馬鈴薯PKC驗證結果對比

不同建模方法中均是塊莖形成期和塊莖增長期估算效果較好,各樣本點分布在1∶1線附近。塊莖形成期MLR、PLSR和ANN建模R2分別為0.82、0.80和0.75,RMSE分別為0.32%、0.33%和0.40%,NRMSE分別為10.41%、9.59%和13.02%。驗證R2分別為0.86、0.88和0.75,RMSE分別為0.31%、0.29%和0.46%,NRMSE分別為10.13%、7.79%和15.26%。塊莖增長期MLR建模精度最高R2為0.84,RMSE為0.31%,NRMSE為10.07%。PLSR建模R2、RMSE和NRMSE分別為0.80、0.36%和11.60%。ANN建模R2、RMSE和NRMSE分別為0.71、0.48%和15.63%。驗證集上PLSR表現最優,R2為0.72,RMSE為0.41%,NRMSE為13.35%。MLR建模R2、RMSE和NRMSE分別為0.68、0.43%和13.97%.ANN建模R2、RMSE和NRMSE分別為0.54、0.54%和17.75%。淀粉積累期3個模型中MLR估算精度最高, 建模R2為0.70,RMSE為0.31%、NRMSE為13.16%。PLSR建模R2、RMSE和NRMSE分別為0.70、0.32%和13.36%。ANN建模R2、RMSE和NRMSE分別為0.66、0.34%和14.15%。MLR驗證R2、RMSE和NRMSE分別為0.60、0.45%和19.02%。PLSR驗證R2、RMSE和NRMSE分別為0.58、0.46%和19.33%。ANN驗證R2、RMSE和NRMSE分別為0.57、0.47%和19.73%。

3 討論

3.1 植被指數估算馬鈴薯PKC

本研究基于無人機遙感平臺獲取了馬鈴薯塊莖形成期、塊莖增長期和淀粉積累期的RGB影像,基于冠層光譜特征構建植被指數并與馬鈴薯3個生育期的PKC進行相關性分析,選取相關系數絕對值最高的3個植被指數建模估算馬鈴薯PKC,塊莖形成期和塊莖增長期馬鈴薯PKC估算效果較好,其原因是馬鈴薯前期以莖葉生長為主,到塊莖形成期馬鈴薯地上莖葉已經基本發育完整,地上莖葉生長開始緩慢,塊莖增長期馬鈴薯已由單純的植株營養生長過渡到植株營養生長、生殖生長和物質積累同時進行的時期,此階段是馬鈴薯整個生長發育的鼎盛時期,地上莖葉生長茂盛[25]。這兩個生育期提取的光譜特征受土壤影響較小,構建的植被指數能夠較好地反映馬鈴薯PKC變化情況。經過對比發現3個生育期通過3種方法建模時淀粉積累期精度稍差。這是因為在淀粉積累期馬鈴薯地上莖葉停止生長,地下塊莖基本停止生長,此階段以淀粉積累為主,淀粉和蛋白質等營養物質不斷增加。地上部營養物質開始向地下轉移,地上莖葉開始變黃枯萎,地面開始裸露,導致提取的光譜信息受到土壤的影響,構建的植被指數與馬鈴薯PKC相關性降低[26]。

3.2 植被指數結合TIS估算馬鈴薯PKC

紋理信息可以增加無人機圖像的數據維數,經對比發現由單個紋理特征組合得到的TIS與馬鈴薯PKC之間的相關系數絕對值均大于單個紋理特征。這是因為TIS可以通過平滑冠層結構降低土壤背景、太陽高度角和傳感器視角的影響[27]。本研究基于3個生育期的植被指數結合TIS構建馬鈴薯PKC的估算模型。發現植被指數結合TIS構建的模型精度高于僅用植被指數構建的模型精度。這與馬鈴薯自身生長發育有關,塊莖形成期和塊莖增長期馬鈴薯莖葉生長旺盛,植被覆蓋度較大。在高覆蓋度下紋理特征對作物物理特性敏感,可以很好地反映冠層結構變化。隨著生育期的變化,由于營養的消耗和追肥的影響葉片顏色會發生變化。塊莖形成期和塊莖增長期營養物質主要集中在地上的莖和葉中,馬鈴薯冠層顏色由淺變深。淀粉積累期地上莖葉中營養物質不斷向地下轉移,冠層顏色由綠逐漸變黃。紋理特征也可以反映這些顏色變化[28-29]。光譜特征和紋理特征對馬鈴薯PKC的表現不同,相較于僅用植被指數建立的估算模型,植被指數結合TIS可以更全面地反映遙感信息與作物參數之間的關系。這與ZHENG等[30]研究結論一致,表明植被指數結合TIS可以提高估算作物理化參數的精度。

本研究構建的3種馬鈴薯PKC估算模型中MLR和PLSR估算精度和模型穩定性高于ANN。這是因為MLR可以更加有效地利用多個變量信息,提高對目標的解釋能力。PLSR可以在變量和目標之間提取主成分,減少特征和目標之間的冗余信息,提高模型的準確性,在樣本量較小的情況下,PLSR仍然能夠得到可靠的結果。ANN往往在處理大規模和非線性問題時表現優異[31]。本研究所用的數據集較小且變量之間存在一定的共線性,ANN在訓練中反復學習細節可能給出錯誤的權重,導致估算能力較差。此外,本研究基于國家精準農業研究示范基地一年的觀測數據進行建模和驗證,構建的模型是否適用于不同地點及不同年限有待進一步研究。

4 結論

(1)基于單一紋理特征構建的TIS與馬鈴薯PKC在3個生育期均達到0.01水平顯著性相關,塊莖形成期NDTI、RTI和DTI與馬鈴薯PKC相關系數絕對值分別為0.82、0.84和0.82,塊莖增長期NDTI、RTI和DTI與馬鈴薯PKC相關系數絕對值分別為0.83、0.83和0.82,淀粉積累期NDTI、RTI和DTI與馬鈴薯PKC相關系數絕對值分別為0.77、0.78和0.77。相關系數絕對值均高于最高的單一紋理特征的相關系數絕對值。

(2)MLR和PLSR的建模效果較好,塊莖形成期R2分別為0.82和0.80,RMSE分別為0.32%和0.33%,NRMSE分別為10.41%和9.59%。塊莖增長期R2分別為0.84和0.80,RMSE分別為0.31%和0.36%,NRMSE分別為10.07%和11.60%。淀粉積累期R2分別為0.70和0.70,RMSE分別為0.31%和0.32%,NRMSE分別為13.16%和13.36%。相較于僅用植被指數建模,3個生育期加入TIS構建的馬鈴薯PKC估算模型精度均有所提高。