基于固定翼無人機多光譜影像的水稻長勢關鍵指標無損監測

王偉康，張嘉懿，汪慧，曹強，田永超，朱艷，曹衛星，劉小軍

基于固定翼無人機多光譜影像的水稻長勢關鍵指標無損監測

王偉康，張嘉懿，汪慧，曹強，田永超，朱艷，曹衛星，劉小軍

南京農業大學農學院/國家信息農業工程技術中心/智慧農業教育部工程研究中心/農業農村部農作物系統分析與決策重點實驗室/江蘇省信息農業重點實驗室，南京 210095

【背景】近年來隨著遙感技術的快速發展，實時無損監測作物生長狀況已成為當前研究熱點，遙感獲取的農情信息將為實現大面積作物精確管理提供指導。在眾多遙感監測平臺里，無人機因其操作簡單、使用成本低等特點而受到廣泛關注，無人機搭載多光譜相機可以快速獲取作物的長勢信息?！灸康摹繃L試將固定翼無人機多光譜影像紋理信息與光譜信息結合，探究“圖譜”信息對水稻長勢指標的監測效果?！痉椒ā客ㄟ^開展兩年涉及不同播期、品種、播栽方式、施氮水平的水稻田間試驗，在水稻關鍵生育期使用固定翼無人機搭載Sequoia多光譜相機獲取水稻冠層遙感影像，同步進行地上部破壞性取樣以獲取水稻葉面積指數（LAI）、地上部生物量（AGB）和植株氮含量（PNC）等農學指標，采用簡單線性回歸、偏最小二乘回歸和人工神經網絡回歸算法，構建基于固定翼無人機多光譜影像的水稻長勢指標監測模型，比較分析光譜紋理信息在不同模型中的監測效果。【結果】利用簡單線性回歸方法探究了植被指數（VI）、單波段紋理特征與水稻LAI、AGB和PNC間的定量關系，結果表明植被指數與LAI和AGB之間有較強的相關性，表現最好的植被指數為CIRE和NDRE，2分別為0.80和0.76，但對于PNC的監測，植被指數并未達到理想的效果，表現最好的RESAVI和NDRE與PNC的決定系數僅為0.13。通過簡單線性回歸進一步發現單波段的紋理特征在對水稻生長指標的監測中表現并不理想；為進一步分析影像紋理對上述3個指標的監測效果，參照植被指數的構建方法構建了歸一化紋理指數（NDTI）、比值紋理指數（RTI）和差值紋理指數（DTI），通過相關性分析發現新構建的紋理指數（TI）相較于單波段紋理特征對水稻生長指標的監測精度有所提升，但效果并未好于植被指數。為實現光譜與紋理間的結合，采用偏最小二乘和人工神經網絡的建模方法，以VI、VI+TI為不同的輸入參數組合進行水稻LAI、AGB和PNC的監測模型構建，結果表明采用偏最小二乘和人工神經網絡的建模方法與簡單線性回歸相比模型的監測精度均得到了大幅提升，以VI+TI為輸入變量，采用人工神經網絡構建的模型在模型驗證中取得了最佳效果，LAI模型的驗證2由0.75提升至0.86，AGB和PNC的模型驗證2也分別由0.72和0.26提升至0.92和0.86，同時模型的均顯著降低?！窘Y論】利用固定翼無人機采集水稻冠層多光譜影像，通過人工神經網絡算法融合光譜和紋理信息能夠有效提升水稻LAI、AGB和PNC的監測精度，該研究結果將為快速大面積作物長勢監測提供理論依據。

無人機；植被指數；紋理特征；長勢；水稻

0 引言

【研究意義】水稻作為重要的糧食作物之一，維持著全球一半以上人口的生存，準確且有效的監測水稻長勢對于提升糧食總產量和保障糧食安全至關重要[1]。葉面積指數（leaf area index，LAI）、地上部生物量（aboveground biomass，AGB）和植株氮含量（plant nitrogen content，PNC）是水稻重要的生理生化指標，其在水稻氮素營養診斷[2-4]、生產管理[5]和產量預測[6]等方面具有重要意義。因此快速、無損地獲取水稻的長勢信息對實現水稻精確管理意義重大。隨著農業集約化進程的推進，傳統的田間測量和化學分析方法來獲取作物長勢信息已難以滿足大面積的作物生產管理需求。近年來，隨著傳感器技術的飛速發展，多種類型的遙感監測平臺被廣泛應用于農業研究領域，根據監測尺度的不同，常用的遙感平臺分為地面平臺、無人機遙感平臺以及衛星遙感平臺。無人機遙感平臺兼具時空分辨率高、覆蓋范圍大、操作成本低等優勢，在農情遙感監測方面得到了更為廣泛的應用?！厩叭搜芯窟M展】當前已有大量學者利用無人機實現了對作物生長指標的反演監測，如Fu等[7]利用六旋翼無人機搭載Airphen多光譜相機獲取了小麥冠層多光譜影像，通過提取小麥不同生育時期多光譜影像的NDVI值，利用神經網絡等多種機器學習方法構建了小麥LAI和葉片干物重估算模型，實現了對小麥長勢的實時估測；Tao等[8]利用多旋翼無人機獲取了小麥關鍵生育期的高光譜影像，通過影像提取了光譜指數和小麥株高等參數，結合小麥實測株高，利用偏最小二乘、人工神經網絡和隨機森林3種建模方法構建了小麥產量估測模型，有效提升了產量的估測精度；Lu等[9]利用無人機搭載RGB相機獲取小麥田間彩色影像，結合作物表面模型提高了小麥生物量的估測精度。上述研究多關注于影像的光譜信息，缺乏對遙感影像的深度挖掘及分析過程。陳鵬飛等[10]研究表明，隨著作物生育進程的推進，作物冠層覆蓋度趨于飽和，導致光譜反射率信息對冠層生物量變化不敏感，影響反演的精度和效果。隨著傳感器及圖像處理技術的進步，高質量影像的獲取及處理流程不斷簡化。低空無人機平臺獲取的高分辨率多光譜影像蘊含了豐富的地物反射率信息、紋理信息以及結構信息等，以往大部分研究僅利用影像的光譜信息進行作物長勢監測[11-12]。而與單一遙感數據相比，多元遙感數據融合能夠提高作物長勢指標監測模型的可靠性和魯棒性[13]。例如萬亮等[14]利用可見光圖像的顏色和紋理特征實現了對稻穗的精準識別，將此結果與多光譜圖像反射率信息融合，利用隨機森林算法有效提高了穗生物量的評估精度，建模2達到0.84；戴震[15]將玉米冠層光譜特征信息和紋理特征信息通過不同線性組合作為變量輸入，利用深度神經網絡算法建立玉米葉片氮含量反演模型，模型決定系數達到0.85；Zheng等[16]利用無人機RGB影像和近地光譜儀獲取了小麥冠層的紋理特征和反射率信息，利用PLSR方法建立了光譜與紋理特征融合的小麥AGB估測模型，結果表明特征融合對小麥AGB的估測效果優于單一特征。影像的紋理特征作為影像信息重要的組成成分，其分析過程實質上是在自定義的窗口內計算相鄰像素之間像素值的變化[17]，而紋理信息作為影像的一種固有屬性，能夠提供地物的空間幾何信息[18]，作物因營養狀況的差異會導致生長發育狀況不同，進一步影響植株高度、葉片大小等，這些差異均會造成植株冠層紋理特征的差異，因此紋理可作為有效的補充信息用于作物生長監測?！颈狙芯壳腥朦c】紋理特征已在森林遙感監測中得到廣泛應用，研究者基于紋理特征進行森林植被類型識別，生物量及覆蓋度估算等。紋理信息在作物生長監測方面的應用多集中于對生物量的反演，而較少應用于作物氮素營養監測，已有的研究中陳鵬飛等[19]基于無人機高空間分辨率影像，探討剔除土壤背景信息及增加紋理信息對棉花植株氮濃度反演的影響，為棉花氮素營養精準探測提供了新技術手段；陳鵬等[20]將植被指數與紋理特征通過主成分融合構建了一種新的綜合指標估算馬鈴薯葉片葉綠素含量，其模型估算效果優于僅依賴植被指數或紋理特征建立的葉片葉綠素估算模型。光譜與紋理相結合在水稻氮素營養監測方面的效果尚未見詳細報道，同時在前人研究中，無人機平臺多選用旋翼無人機，而固定翼無人機對影像的采集頻率和影像質量提出了新的要求，利用固定翼無人機多光譜影像信息進行水稻長勢監測的效果有待探究?！緮M解決的關鍵問題】以固定翼無人機作為遙感平臺，搭載Sequoia多光譜相機，以水稻生長指標為研究對象，綜合分析水稻生長指標與無人機多光譜影像的光譜、紋理信息間的定量關系，利用簡單線性回歸（simple liner regression，SLR）、偏最小二乘回歸（partial least squares regression，PLSR）和人工神經網絡（artificial neural network，ANN）3種建模方法比較分析不同輸入變量組合下模型對水稻LAI、AGB和PNC的反演效果，為水稻生長指標的快速大面積監測提供技術支撐。

1 材料與方法

1.1 試驗區概況

于2018、2020年間在江蘇省興化市百萬畝國家糧食生產功能區進行不同品種、施氮水平、播栽方式的水稻田間試驗（圖1），該地區年降雨量645 mm，年平均氣溫16.9 ℃，實行稻麥兩熟種植制度。

2018年試驗設2個水稻品種（南粳9108、甬優2640），采用2種播栽方式（缽苗、毯苗）；2020年試驗設3個水稻品種（南粳9108、甬優2640、武運粳32），采用人工播栽。兩年試驗均設置4個施氮水平，包括0（N0）、135 kg·hm-2（N1）、270 kg·hm-2（N2）、405 kg·hm-2（N3），栽插規格為粳稻15 cm×30 cm，雜交稻18 cm×30 cm，試驗為小區試驗，采用隨機分布，設3次重復。氮肥形態為尿素，施氮比例：基肥﹕分蘗肥﹕促花肥﹕?；ǚ?3﹕3﹕2﹕2。另配施磷肥：P2O590 kg·hm-2，作基肥一次性施入。鉀肥：K2O 150 kg·hm-2，基肥50%，倒4葉50%。其他管理措施同一般高產田。

氮水平N rate：N0（0）；N1（135 kg·hm-2）；N2（270 kg·hm-2）；N3（405 kg·hm-2）。品種Variety：V1（南粳9108 Nanjing 9108）；V2（甬優2640 Yongyou 2640）。播栽方式Planting technique：P1（缽苗移栽Tray seeding transplanting）；P2（毯苗移栽Blanket seeding transplanting）

1.2 數據獲取

在水稻關鍵生育期，每個小區取代表性稻株3穴獲取LAI、AGB等農學指標，同步進行無人機飛行測試獲取多光譜影像。

1.2.1 農學數據獲取 根據植株器官發育情況，將樣品植株分離為葉、莖鞘和穗。將新鮮葉片清洗后通過LAI-3000臺式葉面積儀測定葉面積，隨后將分離的植株器官立刻放入烘箱在105 ℃殺青30 min，80 ℃烘干至恒重后稱量，計算各器官的干重。樣品粉碎后采用凱氏定氮法，使用AA3流動分析儀（BRAN+ LUEBBE AA3；德國）測定植株各器官的含氮量，最后根據樣本的干重計算各個小區的PNC值。

1.2.2 無人機多光譜影像獲取 使用eBee-SQ固定翼無人機（圖2）搭載Parrot Sequoia多光譜相機來獲取水稻冠層多光譜影像數據，相機包含5個鏡頭，一個1 600萬像素滾動快門的RGB鏡頭，以及4個150萬像素全局快門的單波段鏡頭，4個波段分別為綠光波段、紅光波段、紅邊波段和近紅外波段[21]。無人機飛行測試均在晴天和無風條件下進行，測試時間為10：00—14：00，每次飛行前對地面上的標準反射板進行拍攝來完成相機的輻射校正。無人機飛行高度設為80 m，對應地面像素分辨率為8 cm，旁向和航向重疊度均設置為70%。無人機影像使用Pix4Dmapper軟件進行幾何標定和拼接處理，并最終生成4幅單波段圖像[22]。

圖2 eBee-SQ固定翼無人機平臺

Fig. 2 eBee-SQ fixed-wing UAV platform

1.3 數據分析方法

1.3.1 無人機影像光譜分析 將拼接好的影像導入ENVI 5.3（Exelis Visual Information Solutions，美國），利用Region of Interest工具選取實驗小區的影像處理區域，計算每個小區的反射率均值，參照前人研究，選取6個較為經典的植被指數（vegetation index，VI）[23-24]對水稻LAI、AGB和PNC進行簡單線性回歸建模（表1）。

表1 本研究使用的植被指數

1.3.2 無人機影像紋理分析 使用ENVI 5.3軟件，利用灰度共生矩陣（CLCM）對每個波段的無人機影像進行紋理特征提取，將紋理提取窗口設置為3*3大小，窗口移動步長設置為1，將4個角度（0°、45°、90°、135°）上紋理特征值取均值作為結果輸出。每個波段有8個紋理特征值：均值（Mea）、方差（Var）、同質性（Hom）、對比度（Con）、異質性（Dis）、熵（Ent）、二階矩（Sec）以及相關性（Cor）[25]。參照植被指數的構建方式，將不同波段的紋理特征進行兩兩組合[26]，分別構建歸一化差值紋理指數（NDTI）、比值紋理指數（RTI）和差值紋理指數（DTI）（表2）。

表2 本研究所構建的紋理指數

T1和T2為所選波段的紋理特征值

T1 and T2 are the texture feature values of the selected band

1.3.3 模型構建 （1）簡單線性模型：植被指數法是光學遙感估算植被長勢指標常用的經驗方法，在本研究中，首先利用簡單線性回歸（SLR）方法分析全生育期植被指數以及單波段紋理特征與水稻LAI、AGB和PNC間潛在的相關性，之后為探究紋理組合特征對水稻長勢的監測效果，分別構建3種類型的紋理指數（texture index，TI），通過與水稻長勢指標間的相關性分析，篩選出6個表現最好的TI進行后續模型的構建。

（2）偏最小二乘模型：偏最小二乘回歸（PLSR）是一種多元統計方法，其適用于分析多個自變量與多個因變量間的相關關系，它包括多元線性回歸和主成分分析的基本功能[27]，可以消除自變量之間多重共線性對模型精度帶來的干擾。本研究中通過留一法交叉驗證的均方根誤差，確定PLSR中的最佳主成分數量，通過獨立數據進行模型的驗證。PLSR建模在R Studio中用pls包進行。

（3）人工神經網絡模型：人工神經網絡（ANN）是對生物神經元的模擬和簡化，可以實現輸入和輸出間的非線性映射關系[28]。多層感知器（multi-layer perceptron，MLP）是運用最為廣泛的一種人工神經網絡模型，特別適合于求解內部機制復雜的問題。一個典型的MLP模型由3部分組成，輸入層（input layer)、隱含層（hidden layer）和輸出層（output layer）。在多層感知器內部，前一層的每個節點與相鄰后一層的每個節點相連接，利用非線性激活函數和反向傳播的監督學習技術進行訓練，通過更新網絡權重參數，得到最優結果。在本研究中，將隱含層數設置為1，隱含層激活函數設置為雙曲正切，輸出層的激活函數設置為恒等式，通過模型的決定系數（2）和均方根誤差（）來確定最佳的隱含層神經元數量。ANN模型的構建在SPSS中實現。

1.3.4 模型精度評價 試驗數據取自2018年和2020年兩年水稻試驗，共涉及分蘗、拔節、孕穗、抽穗4個關鍵生育期，其中70%作為建模數據，30%用于模型的檢驗，建模精度與驗證精度分別采用決定系數2和均方根誤差作為評估標準[29]，在所構建的PLSR和ANN模型中，通過引入變量投影重要性（variable importance in the projection，VIP）指標來衡量各輸入參數在模型中的貢獻度，通常情況下VIP值越高表明因子貢獻度越大[30]。

2 結果

2.1 水稻長勢指標的變異性分析

兩年水稻試驗設置不同氮處理，樣本涵蓋范圍廣泛，使得模型普適性增強。如表3所示，不同品種、氮肥處理、播栽方式、播期水稻長勢差異明顯，本研究所采用的數據集，LAI介于0.40—9.07，其變異系數為52.57%；AGB介于0.66—21.94，其變異系數為70.78%；PNC介于0.56—3.88，其變異系數為34.20%。整體來看，數據變化幅度較大，可解釋更多的可能性。因此，該數據可以為水稻長勢監測模型的建立提供可靠依據。

表3 不同處理下水稻葉面積指數、地上部生物量和植株氮含量的統計分析

2.2 基于植被指數（VI）的水稻長勢監測模型構建與檢驗

基于水稻冠層無人機多光譜影像數據，提取水稻冠層反射率，篩選并構建了6個VI。表4顯示了全生育期VI與水稻LAI、AGB和PNC間的相關性?？梢钥闯鲈?個指標的監測中，VI與LAI的相關性最好，其次是AGB，對于PNC的反演效果最差。與LAI相關性較高的VI有CIRE、NDRE、RESAVI，2均＞0.70，其中表現最好的為CIRE，2=0.80；與AGB相關性較高的VI與LAI相同，其中NDRE的2達到0.76；植被指數RESAVIE和NDRE與PNC相關性高，2為0.13（圖3）。上述與LAI、AGB、PNC相關性較高的幾個VI均包含紅邊波段，由此可以確定在這兩個波段蘊含豐富的水稻冠層植被信息。此外，在水稻孕穗期到抽穗期之間發現AGB和PNC均有一段跳躍式上升或下降過程，分析原因可能是在此階段水稻處于營養生長與生殖生長并進階段，生長發育較為迅速，而取樣測試時期間隔較長導致。將表現最好的VI進行SLR建模，并使用獨立數據進行驗證，驗證結果如圖3，其中LAI的模型驗證2=0.75，=0.99，模型驗證取得較好的結果。AGB的模型驗證2=0.72，=3.12；PNC的模型驗證2=0.26，=0.55。模型的驗證結果表明所選取的VI在對LAI、AGB的監測中均有較好的表現，而在PNC的驗證中所選擇的6個VI表現均未達到理想效果。

表4 6個植被指數與水稻葉面積指數、地上部生物量和植株氮含量的相關性

2.3 基于紋理的水稻長勢監測模型構建與檢驗

通過分析多光譜影像各單波段的紋理特征與水稻LAI、AGB、PNC間的相關性（圖4）發現，單波段紋理特征與水稻長勢指標間的相關性并未好于植被指數。在對LAI的監測中，不同波段紋理特征與LAI的相關性有較大差異，表現較好的波段有近紅外和紅邊波段，表現較好的紋理特征有均值、方差、同質性等，其中與LAI相關性最高的紋理特征為近紅外波段的均值，2=0.48。與AGB相關性較高的紋理特征同樣多集中在近紅外和紅邊波段，這與LAI保持一致，但在本研究中與AGB相關性最好的紋理特征為綠光波段的均值，2=0.43。相較于LAI和AGB，各個波段的紋理特征與PNC的相關性均較低，其中表現最好的紅光波段的二階矩，2僅為0.09。

圖3 基于植被指數建立的水稻葉面積指數、地上部生物量、植株氮含量監測模型和檢驗

單一的紋理特征在水稻LAI、AGB和PNC的估測中并未取得較好的效果，為消除系統誤差，嘗試將4個波段的各個紋理特征（共32種）兩兩配對，分別構建了歸一化紋理指數（NDTI）、比值紋理指數（RTI）和差值紋理指數（DTI）并分析了紋理指數與水稻LAI、AGB和PNC間的相關性，表5列舉了6個表現較好的TI，其中與LAI相關性最高的TI為NDTI（MEA550，MEA790），2=0.59；與AGB相關性最高的TI同樣為NDTI（MEA550，MEA790），2=0.48；與PNC相關性最高的TI為DTI（SEC735，ENT660），2=0.26。本研究發現與LAI和AGB相關性較高的TI多是綠光波段與近紅外波段的均值特征的組合，而與PNC相關性較高的TI多含有紅光波段的紋理特征。相較于單一紋理，通過紋理間的組合計算得到的TI與水稻LAI、AGB和PNC間的相關性有了一定程度的提升，但相較于VI來說，TI除在PNC的監測方面好于VI，對于LAI、AGB的監測效果并未得到提升。上述結果表明，紋理特征作為除光譜信息外重要的影像信息可以在水稻生長指標監測過程中發揮獨有的優勢，尤其是在水稻氮素營養監測方面。

圖4 紋理特征與水稻葉面積指數、地上部生物量、植株氮含量的相關性

表5 6個紋理指數與水稻葉面積指數、地上部生物量和植株氮含量的相關性

圖5 偏最小二乘回歸模型中各植被指數的VIP值

2.4 基于偏最小二乘回歸的長勢監測模型構建與檢驗

上述研究利用SLR的建模方法進行了水稻LAI、AGB和PNC監測模型的構建。為進一步探究光譜紋理結合對水稻長勢指標監測精度的提升效果，首先將本文選定的6個VI作為輸入參數進行了水稻LAI、AGB和PNC的PLSR模型構建。建模結果表明，LAI、AGB和PNC的PLSR模型在提取兩個主成分后對上述指標達到了較好的預測效果。在變量因子重要性排序中，VI的VIP值均＞0.8，表明VI對3個指標的解釋作用都較好，CIRE、NDRE、RESAVI在VIP值排序中均在前3位，表明在偏最小二乘的建模方法下，這3個VI對模型的估測效果影響最大（圖5）。基于VI的LAI偏最小二乘估測模型驗證2=0.76，=0.97，相比基于植被指數CIRE建立的LAI簡單線性回歸模型驗證2=0.75，=0.99，2略有提升，有一定程度的降低?；赩I建立的水稻AGB和PNC偏最小二乘估測模型驗證2分別為0.73和0.27，分別為3.04和0.55，相比基于植被指數NDRE建立的AGB簡單線性回歸模型驗證2=0.72，=3.12和基于植被指數RESAVI建立的PNC簡單線性回歸模型驗證2=0.26，=0.55，2和均未有顯著改善（圖6）。

上述研究發現基于VI的PLSR模型對LAI、AGB、PNC的預測精度提升效果不顯著，因此嘗試將TI納入PLSR模型的構建中以提升模型預測效果。選擇上述與LAI、AGB和PNC相關性較好的6個TI，加入TI后，各指數的VIP值如圖7所示。由VIP值排序可以發現，VI對LAI和AGB有較好的解釋性，其中表現較好的VI為CIRE、NDRE和RESAVI，這與SLR建模時的結果保持一致，TI中表現較好的有RTI（MEA550，MEA790）、NDTI（MEA550，MEA790）。而對于PNC，紋理指數對其解釋效果要好于植被指數，其中表現較好的TI有DTI（COR550，SEC660）和RTI（VAR660，CON660）。與單獨使用VI進行PLSR模型構建相比，基于VI和TI的PLSR模型在對LAI的估測上，驗證2=0.77提升1%，=0.96降低1.03%。在對AGB估測方面，與僅使用VI相比，模型的驗證2=0.81提升7%，=2.52降低17.11%，有效改善了模型的預測精度。在對PNC估測方面，模型的驗證2=0.36提升9%，=0.48降低9.40%（圖8）。通過比較發現，當TI參與到PLSR模型的構建后，模型對LAI、AGB和PNC的預測精度均得到一定程度的提升。

圖7 偏最小二乘回歸模型中各植被指數和紋理指數的VIP值

2.5 基于人工神經網絡的水稻長勢監測模型構建與檢驗

為比較不同模型對水稻長勢指標的反演效果，使用ANN進行水稻LAI、AGB和PNC的估測。為保證與PLSR的一致性，首先以6個VI作為輸入參數，建立ANN預測模型。模型的隱含層數設置為1，考慮到模型的運算效率，將模型神經元數量設置為3—30進行測試，當模型值最低時確定最佳的神經元數量。圖9顯示在ANN模型中，植被指數的重要性排序。將VI作為唯一輸入參數進行LAI預測模型構建，當神經元數量設置為23個時，模型的取得最小值0.74，此時模型的驗證2=0.85，與PLSR模型相比，模型2提升9%且降低23.71%。在AGB的ANN預測模型中，當神經元數量設置為13個時，模型的取得最小值1.86，此時模型驗證2=0.88，相較于PLSR模型，模型精度提升約15%且降低38.82%，模型的預測精度大幅提升。當神經元設置為8個時，對于PNC的預測取得最小值0.46，此時模型預測精度為53%，相較于PLSR，模型的預測精度提升約48%，降低13.21%（圖10）。

圖8 基于植被指數和紋理指數的偏最小二乘回歸模型中LAI、AGB、PNC驗證結果

圖9 人工神經網絡模型中各植被指數的VIP值

為進一步探索不同模型在多元參數輸入下對水稻LAI、AGB和PNC的預測精度，將TI納入到ANN預測模型中。同樣設置隱含層數為1，神經元數量在3—30間進行調試。圖11顯示當水稻LAI、AGB和PNC預測模型達到最小時，各輸入變量的因子重要性排序。當神經元數量設置為25個時，模型對LAI的預測效果達到最優，此時=0.72，驗證2=0.86。相較于僅基于VI的ANN預測模型，加入TI后模型的精度有一定程度的提升。當隱含層神經元數量設置為29個時，模型對AGB的預測效果達到最優，此時=1.56，驗證2=0.92。相較于僅基于VI的ANN預測模型，模型的降低不明顯，但模型預測精度有較大的提升。對于PNC，當神經元數量設置為30個時，模型的取得最小值0.25，此時模型的驗證2=0.86，相較于僅基于VI的ANN預測模型，降低45.65%，模型的預測誤差顯著降低（圖12）。綜上可以發現，當在ANN模型中加入紋理信息后模型的精度和預測誤差均有一定程度的改善，因此紋理信息可以作為一種重要的信息應用到作物生長監測中。

圖10 基于植被指數的人工神經網絡模型中LAI、AGB、PNC驗證結果

圖11 人工神經網絡模型中各植被指數和紋理指數的VIP值

上述研究結果表明，當VI或TI作為單一參數進行SLR建模時，模型對水稻LAI、AGB和PNC的監測效果最差，當采用PLSR和ANN將多個VI進行監測模型構建時，模型的精度和均方根誤差相較于SLR建模均有一定程度的提升，而當TI與VI共同參與監測模型的構建時，模型對水稻LAI、AGB以及PNC的監測效果最好，通過模型間的比較發現，以VI+TI作為輸入參數，采用ANN的模型構建方法對水稻LAI、AGB和PNC的監測取得了最優的效果。

圖12 基于植被指數和紋理指數的人工神經網絡模型LAI、AGB、PNC驗證結果

Fig. 12 Validation results of LAI, AGB and PNC in ANN model based on vegetation index and texture index

3 討論

3.1 固定翼無人機在水稻長勢監測中的優勢

與以往研究多使用旋翼無人機進行影像數據采集不同，本研究中使用了固定翼無人機作為機載平臺，相較于旋翼無人機，固定翼無人機具有飛行速度快，續航時間久等優點。在本研究中，當飛行高度設為80 m時，固定翼無人機搭載多光譜相機單次平均作業時長可達45 min，作業面積可達90 hm2，相較于大疆精靈4多光譜版27 min、大疆經緯M600 Pro 38 min的作業時長和作業效率有顯著提升。本研究分析了基于固定翼無人機多光譜影像信息在水稻長勢監測中的效果，結果表明基于光譜信息構建的植被指數和基于紋理特征構建的紋理指數與水稻長勢指標間均存在相關性，這與預期結果一致。水稻內部所含的色素水平、水分含量及其他結構控制著水稻特殊的光譜響應。而隨著作物生長發育的進行，多光譜影像的紋理特征信息顯現出獨有的優勢，紋理特征對作物發育后期植株的形態變化更為敏感[31]。光譜與空間維度信息的結合可以顯著提升水稻長勢監測的精度，應用固定翼無人機搭載多光譜相機以較低的作業成本和高效的作業效率實現了對水稻長勢指標信息的準確獲取，為實現大面積的農田精確管理提供了方法。

3.2 單一影像信息在水稻長勢指標監測中的表現

Zheng等[32]利用多旋翼無人機搭載六波段多光譜相機采集了水稻關鍵生育期冠層影像，通過構建植被指數和紋理指數實現了對水稻AGB的估算，研究結果表明優化的土壤調整植被指數（OSAVI）與水稻AGB的相關性最高（2=0.63），而歸一化紋理指數NDTI（MEA800，MEA550）與水稻AGB的建模2達到0.75，優于所有植被指數。同時Zheng等[33]還發現基于紅邊條帶和近紅外條帶的紋理特征組成的NDTI在水稻葉片氮含量和植株氮含量的監測中表現較好，表現最好的紋理指數為NDTI（DIS800，CON720）和NDTI（COR800，DIS720），建模2分別為0.31和0.41。本研究基于植被指數構建的水稻LAI、AGB和PNC簡單線性回歸模型表明與水稻LAI、AGB和PNC相關性最好的植被指數為CIRE、NDRE和RESAVI，決定系數分別為0.80、0.76和0.13。3個植被指數中均含有紅邊和近紅外波段，由此可以判斷這兩個波段區間在水稻長勢監測中具有獨特的作用，這一結果與前人研究一致[34]。本研究同時發現單波段紋理特征對3個指標的監測效果遠低于植被指數，造成此結果的原因可能是紋理信息易受尺度縮放和視點變化的影響，導致提取的紋理信息過于冗余，難以區分有效信息和噪聲。在不同施氮水平下的水稻無人機圖像具有顯著的變化特征，而紋理特征均值表示了灰度共生矩陣中所有元素的平均值，均值越大，表示圖像中的紋理越明顯，反之則表示圖像中的紋理越平滑。因此均值紋理特征可以反映出不同處理下水稻冠層的結構差異。雖然大部分紋理特征與水稻LAI和AGB的相關性較低，但是mean紋理特征單獨使用或者利用數學組合的形式結合在水稻LAI和AGB監測上取得了較好效果。本文參照植被指數構建方法構建了紋理指數，相較于單波段紋理特征，紋理指數與水稻LAI、AGB和PNC間的相關性均有所提升，在LAI和AGB的監測中表現最好的紋理指數為NDTI（MEA550，MEA790），建模2分別為0.59和0.48，表現較好的紋理指數均由綠光波段和近紅外波段組成，綠光波段主要反映了作物葉片色素的信息，而近紅外波段主要體現了植物的細胞構造及內部化學成分信息，兩個波段均值特征的組合一定程度上消除了土壤及其他背景因素的影響，增強了水稻植被信息，為水稻LAI和AGB的估算提供了新的參數，這一結論在前人研究中也有所體現[35]。在對水稻PNC的監測中紋理指數的效果普遍好于單波段紋理特征和植被指數，Clark等[36]研究表明，紅邊區間與植被葉綠素、氮素、以及葉面積指數等結構特征有重要相關性，而在本研究中與水稻PNC相關性較好的紋理指數也多由紅邊條帶組成，表現最好的紋理指數DTI（SEC735，ENT660）與PNC的相關性為0.26。實際上，目前對于紋理特征的篩選依然缺少一套標準，篩選出的紋理特征很難解釋其原理；另外不同紋理算法、窗口大小和光譜波段均會影響最佳紋理特征的選擇，有待今后進一步探討。

3.3 光譜信息與紋理特征相結合在水稻長勢指標監測中的效果

利用機器學習的方法將影像光譜、紋理、顏色等信息融合實現對作物長勢的監測已成為當前研究熱點。本研究采用PLSR和ANN兩種機器學習方法，無論采用單一指標（VI）或融合指標（VI+TI）作為模型輸入參數，基于ANN構建的模型監測效果都要好于PLSR，這在前人研究中也有所體現[37]。紋理作為一種常見的視覺現象，反映了灰度圖像中含有強弱關系的相似圖形在圖像中的局部結構或排列規則[38]，灰度共生矩陣提供了影像灰度方向、間隔、變化幅度與快慢的信息，利用灰度共生矩陣提取的水稻冠層紋理信息有效的反映了其空間分布特征，該信息能夠有效緩解水稻生長后期冠層光譜飽和帶來的監測精度下降問題。通過將紋理特征值進行歸一化、比值、差值處理，可以消除影像中因地形、陰影等帶來的影響[39]，進一步突出了地物特征，因此多指標結合的水稻長勢監測模型綜合了光譜信息與紋理特征對水稻LAI、AGB和PNC估算的共同貢獻，其模型預測精度要好于僅基于光譜所建立的模型，該結果也驗證了前人關于光譜紋理融合指標可以提升葉面積指數[17]、生物量[40]和植株氮含量[41]監測精度的研究結論。在本研究中，植被指數和紋理指數對水稻LAI和AGB的監測效果都要好于PNC，原因是在水稻生長期間，LAI和AGB變化很大，這種變化遮蓋了葉綠素和氮素對冠層反射率和空間特征的貢獻，因此植被指數和紋理指數對水稻LAI和AGB的變化更為敏感。而在對水稻氮素含量遙感監測的過程中，僅獲取了作物上層葉片光譜紋理信息，由此也導致了圖譜信息對植株整體氮素含量的反演效果并不理想。本研究中大部分紋理特征與植株氮含量的相關性很低，而通過構建紋理指數的方式有效提升了對水稻PNC的監測效果，但是相較于LAI和AGB，其監測效果也并不理想。在本研究中，基于植被指數和紋理指數結合建立的人工神經網絡模型在水稻LAI、AGB和PNC的監測中取得了最好的效果，模型的驗證2分別為0.86、0.92和0.86，同時與其他建模方法相比也達到最低值。通過對模型變量投影重要性分析，具有紅邊波段的植被指數對水稻LAI和AGB的反演具有較大貢獻，而對于水稻PNC，在不同建模方法中植被指數與紋理指數的重要性不同，因此尚無法得出統一結論。

本研究仍然存在一些不足之處，如已有研究表明在不同地面分辨率下，影像的紋理特征與作物生長指標間的相關性存在較大差異，本文并未討論在不同分辨率下紋理特征對模型精度的影響。同時，本研究尚未嘗試反射率與紋理特征直接的數學組合方式，“圖譜”指數對作物水稻長勢指標的監測效果尚未明確。再則，由于取樣間隔時間長，樣本數據較少，對于模型魯棒性有一定影響，后續可以增加樣本量、作物品種、不同年限以及更多地區等來驗證模型，進而提升模型普適性及魯棒性。

4 結論

基于固定翼無人機平臺搭載多光譜傳感器獲取水稻冠層關鍵生育期影像數據，通過無人機影像光譜和紋理信息進行了植被指數與紋理指數的構建。相較于單波段紋理特征，紋理指數與水稻LAI、AGB和PNC的相關性更好，但與植被指數相比，紋理指數并未取得更好的監測效果，因此影像紋理只能作為光譜的輔助信息應用到作物長勢監測中。進一步采用SLR、PLSR和ANN 3種方法建立了水稻長勢無損監測模型，植被指數與紋理指數結合后的預測模型效果要好于單一變量。而基于PLSR和ANN兩種機器學習的建模效果要優于SLR的建模效果，表現最好的建模方法為ANN。以植被指數和紋理指數為輸入參數，采用ANN的模型構建方法，在對LAI的監測中，模型的驗證精度達到了86%，而在AGB和PNC的監測中，模型的驗證精度分別達到了92%和86%。研究結果證明了基于無人機多光譜影像數據實現對水稻長勢和氮素狀況監測的可行性，為作物長勢快速監測與精確管理提供了技術途徑。

[1] 陳明江, 劉貴富, 余泓, 王冰, 李家洋. 水稻高產優質的分子基礎與品種設計. 科學通報, 2018, 63(14): 1275-1289.

CHEN M J, LIU G F, YU H, WANG B, LI J Y. Towards molecular design of rice plant architecture and grain quality. Chinese Science Bulletin, 2018, 63(14): 1275-1289. (in Chinese)

[2] JIANG J, ATKINSON P, ZHANG J Y, LU R H, ZHOU Y Y, CAO Q, TIAN Y C, ZHU Y, CAO W X, LIU X J. Combining fixed-wing UAV multispectral imagery and machine learning to diagnose winter wheat nitrogen status at the farm scale. European Journal of Agronomy, 2022, 138: 126537.

[3] ZHAO B, ATA-UL-KARIM S T, DUAN A W, LIU Z D, WANG X L, XIAO J F, LIU Z G, QIN A Z, NING D F, ZHANG W Q, LIAN Y H. Determination of critical nitrogen concentration and dilution curve based on leaf area index for summer maize. Field Crops Research, 2018, 228: 195-203.

[4] ATA-UL-KARIM S T, ZHU Y, YAO X, CAO W X. Determination of critical nitrogen dilution curve based on leaf area index in rice. Field Crops Research, 2014, 167: 76-85.

[5] WANG X B, MIAO Y X, DONG R, ZHA H N, XIA T T, CHEN Z C, KUSNIEREK K, MI G H, SUN H, LI M Z. Machine learning-based in-season nitrogen status diagnosis and side-dress nitrogen recommendation for corn. European Journal of Agronomy, 2021, 123: 126193.

[6] BASCON M V, NAKATA T, SHIBATA S, TAKATA I, KOBAYASHI N, KATO Y, INOUE S, DOI K, MURASE J, NISHIUCHI S. Estimating yield-related traits using UAV-derived multispectral images to improve rice grain yield prediction. Agriculture, 2022, 12(8): 1141.

[7] FU Z P, JIANG J, GAO Y, KRIENKE B, WANG M, ZHONG K, CAO Q, TIAN Y C, ZHU Y, CAO W X, LIU X J. Wheat growth monitoring and yield estimation based on multi-rotor unmanned aerial vehicle. Remote Sensing, 2020, 12(3): 508.

[8] TAO H L, FENG H K, XU L J, MIAO M K, YANG G J, YANG X D, FAN L L. Estimation of the yield and plant height of winter wheat using UAV-based hyperspectral images. Sensors, 2020, 20(4): 1231.

[9] LU N, ZHOU J, HAN Z X, LI D, CAO Q, YAO X, TIAN Y C, ZHU Y, CAO W X, CHENG T. Improved estimation of aboveground biomass in wheat from RGB imagery and point cloud data acquired with a low-cost unmanned aerial vehicle system. Plant Methods, 2019, 15: 17.

[10] 陳鵬飛, TREMBLAY N, 王紀華, VIGNEAULT P, 黃文江, 李保國. 估測作物冠層生物量的新植被指數的研究. 光譜學與光譜分析, 2010, 30(2): 512-517.

CHEN P F, TREMBLAY N, WANG J H, VIGNEAULT P, HUANG W J, LI B G. New index for crop canopy fresh biomass estimation. Spectroscopy and Spectral Analysis, 2010, 30(2): 512-517. (in Chinese)

[11] YANG G J, LIU J G, ZHAO C J, LI Z H, HUANG Y B, YU H Y, XU B, YANG X D, ZHU D M, ZHANG X Y, ZHANG R Y, FENG H K, ZHAO X Q, LI Z H, LI H L, YANG H. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives. Frontiers in Plant Science, 2017, 8: 1111.

[12] YANG K L, GONG Y, FANG S H, DUAN B, YUAN N G, PENG Y, WU X T, ZHU R S. Combining spectral and texture features of UAV images for the remote estimation of rice LAI throughout the entire growing season. Remote Sensing, 2021, 13(15): 3001.

[13] MAIMAITIJIANG M, SAGAN V, SIDIKE P, HARTLING S, ESPOSITO F, FRITSCHI F B. Soybean yield prediction from UAV using multimodal data fusion and deep learning. Remote Sensing of Environment, 2020, 237: 111599.

[14] 萬亮, 杜曉月, 陳碩博, 于豐華, 朱姜蓬, 許童羽, 何勇, 岑海燕. 基于無人機多源圖譜融合的水稻稻穗表型監測. 農業工程學報, 2022, 38(9): 162-170.

WAN L, DU X Y, CHEN S B, YU F H, ZHU J P, XU T Y, HE Y, CEN H Y. Rice panicle phenotyping using UAV-based multi-source spectral image data fusion. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(9): 162-170. (in Chinese)

[15] 戴震. 基于無人機多源影像信息融合的玉米冠層氮含量遙感監測研究[D]. 合肥: 安徽大學, 2021.

DAI Z. Nitrogen content monitoring of corn canopy based on UAV multi-source data fusion[D]. Hefei: Anhui University, 2021. (in Chinese)

[16] ZHENG L, TAO J P, BAO Q, WENG S Z, ZHANG Y K, ZHAO J L, HUANG L S. Combining spectral and textures of digital imagery for wheat aboveground biomass estimation//International Conference on Electronic Information Technology (EIT 2022): SPIE, 2022: 304-307.

[17] WULDER M A, LEDREW E F, FRANKLIN S E, LAVIGNE M B. Aerial image texture information in the estimation of northern deciduous and mixed wood forest leaf area index (LAI). Remote Sensing of Environment, 1998, 64(1): 64-76.

[18] 劉俊, 畢華興, 朱沛林, 孫菁, 朱金兆, 陳濤. 基于ALOS遙感數據紋理及紋理指數的柞樹蓄積量估測. 農業機械學報, 2014, 45(7): 245-254.

LIU J, BI H X, ZHU P L, SUN J, ZHU J Z, CHEN T. Estimating stand volume offorest based on texture parameters and derivative texture indices of alos imagery. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 245-254. (in Chinese)

[19] 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. 中國農業科學, 2019, 52(13): 2220-2229.doi: 10.3864/j.issn.0571-1752.2019.13.003.

CHEN P F, LIANG F. Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle. Scientia Agricultura Sinica, 2019, 52(13): 2220-2229. doi: 10.3864/j.issn.0571-1752.2019.13.003. (in Chinese)

[20] 陳鵬, 馮海寬, 李長春, 楊貴軍, 楊鈞森, 楊文攀, 劉帥兵. 無人機影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量. 農業工程學報, 2019, 35(11): 63-74.

CHEN P, FENG H K, LI C C, YANG G J, YANG J S, YANG W P, LIU S B. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(11): 63-74. (in Chinese)

[21] WANG Y Y, ZHANG K, TANG C L, CAO Q, TIAN Y C, ZHU Y, CAO W X, LIU X J. Estimation of rice growth parameters based on linear mixed-effect model using multispectral images from fixed-wing unmanned aerial vehicles. Remote Sensing, 2019, 11(11): 1371.

[22] LIU X H, WANG L. Feasibility of using consumer-grade unmanned aerial vehicles to estimate leaf area index in mangrove forest. Remote Sensing Letters, 2018, 9(11): 1040-1049.

[23] ZHANG J Y, QIU X L, WU Y T, ZHU Y, CAO Q, LIU X J, CAO W X. Combining texture, color, and vegetation indices from fixed-wing UAS imagery to estimate wheat growth parameters using multivariate regression methods. Computers and Electronics in Agriculture, 2021, 185: 106138.

[24] 田慶久, 閔祥軍. 植被指數研究進展. 地球科學進展, 1998, 13(4): 327-333.

TIAN Q J, MIN X J. Advances in study on vegetation indices. Advance in Earth Sciences, 1998, 13(4): 327-333. (in Chinese)

[25] 楊福芹, 馮海寬, 肖天豪, 李天馳, 郭向前. 融合無人機影像光譜與紋理特征的冬小麥氮營養指數估算. 農業現代化研究, 2020, 41(4): 718-726.

YANG F Q, FENG H K, XIAO T H, LI T C, GUO X Q. Nitrogen nutrition index estimation in winter wheat by UAV spectral information and texture feature fusion. Research of Agricultural Modernization, 2020, 41(4): 718-726. (in Chinese)

[26] 杭艷紅, 蘇歡, 于滋洋, 劉煥軍, 官海翔, 孔繁昌. 結合無人機光譜與紋理特征和覆蓋度的水稻葉面積指數估算. 農業工程學報, 2021, 37(9): 64-71.

HANG Y H, SU H, YU Z Y, LIU H J, GUAN H X, KONG F C. Estimation of rice leaf area index combining UAV spectrum, texture features and vegetation coverage. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(9): 64-71. (in Chinese)

[27] 李嵐濤, 郭宇龍, 韓鵬, 王丹丹, 王宜倫. 基于高光譜的冬小麥不同生育時期地上部生物量監測. 麥類作物學報, 2021, 41(7): 904-913.

LI L T, GUO Y L, HAN P, WANG D D, WANG Y L. Estimation of shoot biomass at different growth stages of winter wheat based on hyperspectral reflectance. Journal of Triticeae Crops, 2021, 41(7): 904-913. (in Chinese)

[28] YUAN H H, YANG G J, LI C C, WANG Y J, LIU J G, YU H Y, FENG H K, XU B, ZHAO X Q, YANG X D. Retrieving soybean leaf area index from unmanned aerial vehicle hyperspectral remote sensing: Analysis of RF, ANN, and SVM regression models. Remote Sensing, 2017, 9(4): 309.

[29] 趙曉陽, 張建, 張東彥, 周新根, 劉小輝, 謝靜. 低空遙感平臺下可見光與多光譜傳感器在水稻紋枯病病害評估中的效果對比研究. 光譜學與光譜分析, 2019, 39(4): 1192-1198.

ZHAO X Y, ZHANG J, ZHANG D Y, ZHOU X G, LIU X H, XIE J. Comparison between the effects of visible light and multispectral sensor based on low-altitude remote sensing platform in the evaluation of rice sheath blight. Spectroscopy and Spectral Analysis, 2019, 39(4): 1192-1198. (in Chinese)

[30] LIU Y N, LIU S S, LI J, GUO X Y, WANG S Q, LU J W. Estimating biomass of winter oilseed rape using vegetation indices and texture metrics derived from UAV multispectral images. Computers and Electronics in Agriculture, 2019, 166: 105026.

[31] YUE J B, YANG G J, TIAN Q J, FENG H K, XU K J, ZHOU C Q. Estimate of winter-wheat above-ground biomass based on UAV ultrahigh-ground-resolution image textures and vegetation indices. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 150: 226-244.

[32] ZHENG H B, CHENG T, ZHOU M, LI D, YAO X, TIAN Y C, CAO W X, ZHU Y. Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery. Precision Agriculture, 2019, 20(3): 611-629.

[33] ZHENG H B, ZHOU M, ZHU Y, CHENG T. Exploiting the textural information of UAV multispectral imagery to monitor nitrogen status in rice//IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium, 2019: 7251-7253.

[34] ALI A, IMRAN M. Evaluating the potential of red edge position (REP) of hyperspectral remote sensing data for real time estimation of LAI & chlorophyll content of kinnow mandarin () fruit orchards. Scientia Horticulturae, 2020, 267: 109326.

[35] XU T Y, WANG F M, XIE L L, YAO X P, ZHENG J Y, LI J L, CHEN S T. Integrating the textural and spectral information of UAV hyperspectral images for the improved estimation of rice aboveground biomass. Remote Sensing, 2022, 14(11): 2534.

[36] Clark M L, Roberts D A, Clark D B. Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales. Remote sensing of environment, 2005, 96(3/4): 375-398.

[37] 劉秀英. 玉米生理參數及農田土壤信息高光譜監測模型研究[D]. 楊凌: 西北農林科技大學, 2016.

LIU X Y. Monitoring models of physiological parameters of corn and farmland soil information based on hyper-spectral reflectance[D]. Yangling: Northwest A&F University, 2016. (in Chinese)

[38] 龔紅菊, 姬長英. 基于圖像處理技術的麥穗產量測量方法. 農業機械學報, 2007, 38(12): 116-119.

GONG H J, JI C Y. Estimating yield of wheat spike with its texture features based on image processing technology. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(12):116-119. (in Chinese)

[39] 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. (in Chinese)

[40] LU D. Aboveground biomass estimation using Landsat TM data in the Brazilian Amazon. International Journal of Remote Sensing, 2005, 26(12): 2509-2525.

[41] 孫俊, 金夏明, 毛罕平, 武小紅, 朱文靜, 張曉東, 高洪燕. 基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測. 農業工程學報, 2014, 30(10): 167-173.

SUN J, JIN X M, MAO H P, WU X H, ZHU W J, ZHANG X D, GAO H Y. Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(10): 167-173. (in Chinese)

Non-destructive monitoring of rice growth Key indicators based on fixed-wing UAV multispectral images

Wang WeiKang, Zhang JiaYi, Wang Hui, Cao Qiang, Tian YongChao, Zhu Yan, Cao WeiXing, Liu XiaoJun

College of Agriculture, Nanjing Agricultural University/National Engineering and Technology Center for Information Agriculture/ Engineering Research Center of Smart Agriculture, Ministry of Education/Key Laboratory for Crop System Analysis and Decision Making, Ministry of Agriculture and Rural Affairs/Jiangsu Key Laboratory for Information Agriculture, Nanjing 210095

【Background】In recent years, with the rapid development of remote sensing technology, real-time and non-destructive monitoring of crop growth status has become a research hotspot. Remote sensing-derived agricultural information will provide guidance for the precise management of large-scale crops. Among various remote sensing monitoring platforms, unmanned aerial vehicles (UAVs) have attracted wide attention due to their simple operation and low cost. UAVs equipped with multispectral cameras can quickly obtain crop growth conditions.【Objective】This study attempted to combine texture information and spectral information of multispectral images of fixed-wing UAVs to explore the monitoring effect of “atlas” information on rice growth indicators.【Method】A two-year rice field experiment involving different sowing dates, varieties, planting methods and nitrogen levels was conducted. During the key growth stages of rice, remote sensing images of the rice canopy were obtained using a Sequoia multispectral camera mounted on a fixed-wing UAV. Shoot destructive sampling was conducted simultaneously to obtain leaf area index (LAI), aboveground biomass (AGB), plant nitrogen content (PNC) and other agronomic indexes of rice. Simple regression, partial least squares regression and artificial neural network algorithms were used to construct rice growth index monitoring model based on multispectral images of fixed-wing UAV. The monitoring effects of spectral texture information in different models were compared and analyzed.【Result】The quantitative relationship between vegetation index (VI), single-band texture features and rice LAI, AGB, and PNC was explored using simple linear regression. The results showed that vegetation indexes had strong correlations with LAI and AGB, with the best-performing indexes being CIRE and NDRE, with2values of 0.80 and 0.76, respectively. However, for PNC monitoring, vegetation indexes did not achieve ideal results, with the best-performing RESAVI and NDRE having2values of only 0.13 with PNC. Further analysis using simple linear regression revealed that single-band texture features did not perform well in monitoring rice growth indicators. In order to further analyze the monitoring effect of image texture on the above three indexes, normalized texture indexes (NDTI), ratio texture indexes (RTI), and difference texture indexes (DTI) were constructed by referring to the construction method of VI. Correlation analysis showed that the newly constructed texture index (TI) improved the monitoring accuracy of rice growth indicators compared to single-band texture feature but did not perform better than vegetation indexes. To combine spectral and texture information, partial least squares and artificial neural network modeling methods were adopted in this paper. VI and VI+TI were used as different input parameter combinations to construct rice LAI, AGB and PNC monitoring models. The results showed that both partial least squares and artificial neural network modeling methods significantly improved the monitoring accuracy compared to simple linear regression. The best performance was achieved using VI+TI as input variables and an artificial neural network model for validation, with validation2values for LAI, AGB, and PNC models increasing from 0.75, 0.72, and 0.26 to 0.86, 0.92, and 0.86, respectively, while RMSE values were significantly reduced.【Conclusion】The monitoring accuracy of rice LAI, AGB and PNC can be effectively improved by using the fixed-wing UAV to collect multispectral images of rice canopy and using the texture features and reflectance information as input parameters of the model through the model construction method of artificial neural network. The research results will provide a theoretical basis for rapid monitoring of large area crop growth.

unmanned aerial vehicle (UAV); vegetation index (VI); texture feature; growth; rice

2023-02-23；

2023-05-10

國家自然科學基金（32071903）、國家重點研發計劃（2022YFD2301402）

王偉康，E-mail：2019801206@njau.edu.cn。通信作者劉小軍，E-mail：liuxj@njau.edu.cn

（責任編輯 岳梅）