楊 俊，丁 峰，陳 晨，劉 濤，孫成明，丁大偉，霍中洋

小麥生物量及產(chǎn)量與無人機(jī)圖像特征參數(shù)的相關(guān)性

楊 俊1,2，丁 峰3，陳 晨1,2，劉 濤1,2，孫成明1,2※，丁大偉3，霍中洋1,2

（1. 江蘇省作物遺傳生理重點(diǎn)實(shí)驗(yàn)室/江蘇省作物栽培生理重點(diǎn)實(shí)驗(yàn)室，揚(yáng)州大學(xué)農(nóng)學(xué)院，揚(yáng)州 225009；2. 江蘇省糧食作物現(xiàn)代產(chǎn)業(yè)技術(shù)協(xié)同創(chuàng)新中心，揚(yáng)州大學(xué)，揚(yáng)州 225009；3. 張家港市農(nóng)業(yè)試驗(yàn)站，張家港 215616）

為了明確無人機(jī)圖像信息與小麥生物量、產(chǎn)量之間的相關(guān)性，該文利用無人機(jī)航拍獲取田間小麥主要生育時(shí)期的RGB圖像，通過影像處理獲取小麥顏色指數(shù)和紋理特征參數(shù)值，并通過田間取樣獲取同時(shí)期小麥生物量和最終產(chǎn)量，分析不同顏色指數(shù)和紋理特征參數(shù)與小麥生物量和產(chǎn)量的關(guān)系。結(jié)果表明：利用無人機(jī)圖像可提取歸一化差分指數(shù)（NDI）、超綠植被指數(shù)（ExG）、可見光大氣阻抗植被指數(shù)（VARI）、超紅植被指數(shù)（ExR）、綠葉植被指數(shù)（GLI）、綠紅差值指數(shù)（ExGR）、改良綠紅植被指數(shù)（MGRVI）、紅綠藍(lán)植被指數(shù)（RGBVI）共8個(gè)顏色指數(shù)和能量（ASM）、對(duì)比度（CON）、相關(guān)度（COR）、熵（ENT）共4個(gè)紋理特征參數(shù)。各顏色指數(shù)在小麥拔節(jié)期、孕穗期與生物量和產(chǎn)量都有較好的相關(guān)性。拔節(jié)期所有顏色指數(shù)與生物量的相關(guān)性均達(dá)到極顯著水平，其中ExGR與生物量的相關(guān)性最高，相關(guān)系數(shù)達(dá)到0.911，孕穗期除RGBVI未達(dá)到顯著相關(guān)外，其余均達(dá)到顯著或極顯著相關(guān)，其中MGRVI相關(guān)性最高，相關(guān)系數(shù)為0.817。各顏色指數(shù)與產(chǎn)量的相關(guān)性趨勢(shì)同生物量一致。越冬前期和開花期各顏色指數(shù)與生物量及產(chǎn)量的相關(guān)性較拔節(jié)期和孕穗期略有下降。而各紋理特征參數(shù)中，只有越冬前期的ASM和ENT、拔節(jié)期的CON和COR以及孕穗期的CON與生物量的相關(guān)性達(dá)到顯著或極顯著水平，其中COR相關(guān)性最高（負(fù)相關(guān)），相關(guān)系數(shù)為-0.574。拔節(jié)期的CON和COR、孕穗期的CON、COR和ENT與產(chǎn)量的相關(guān)性達(dá)到顯著或極顯著水平，其中拔節(jié)期COR相關(guān)性最高（負(fù)相關(guān)），相關(guān)系數(shù)為-0.530。將顏色指數(shù)與紋理特征參數(shù)相結(jié)合后，其與小麥生物量及產(chǎn)量的相關(guān)性均有提高，其中生物量相關(guān)性在4個(gè)時(shí)期分別提高0.27%、0.11%、8.81%和2.65%，產(chǎn)量相關(guān)性在4個(gè)時(shí)期分別提高7.05%、0.12%、0.58%和0.12%。因此，將無人機(jī)圖像顏色指數(shù)與紋理特征參數(shù)結(jié)合可以提高小麥生物量和產(chǎn)量的估測(cè)精度。

無人機(jī)；數(shù)碼影像；顏色指數(shù)；紋理特征；小麥；生物量；產(chǎn)量

0 引 言

小麥?zhǔn)侵袊?guó)主要糧食作物之一，研究小麥的表型信息和生理過程對(duì)指導(dǎo)農(nóng)業(yè)生產(chǎn)和增加糧食產(chǎn)量具有重要的意義。在作物表型監(jiān)測(cè)中，圖像識(shí)別是常用的方法之一。RGB圖像中具有紅（R）、綠（G）、藍(lán)（B）3個(gè)波段的光譜信息，這些光譜信息被直接轉(zhuǎn)換成歸一化后的色調(diào)、飽和度、亮度、顏色并用于植被分析[1-2]。紋理特征也可在作物RGB圖像中獲取，顏色特征和紋理特征對(duì)于評(píng)估作物生長(zhǎng)都有重要作用[3-4]。

近年來，利用低空遙感（航天飛機(jī)、小型無人機(jī)等）圖像獲取的紅外和可見光的顏色信息被用于監(jiān)測(cè)作物生長(zhǎng)。當(dāng)前，以圖像為基礎(chǔ)的低空遙感技術(shù)已成為現(xiàn)代精確農(nóng)業(yè)的關(guān)鍵，特別是無人機(jī)技術(shù)的不斷成熟，使得作物生長(zhǎng)實(shí)時(shí)信息的獲取更加便捷。雖然衛(wèi)星遙感圖像可以在作物不同生長(zhǎng)階段對(duì)其生長(zhǎng)指標(biāo)進(jìn)行監(jiān)測(cè)和反演，但由于時(shí)間分辨率、空間分辨率以及價(jià)格等因素的影響，衛(wèi)星遙感在實(shí)時(shí)的、小區(qū)域的應(yīng)用上有一定的局限性[5-7]。在低空?qǐng)D像獲取方面，航天飛機(jī)具有續(xù)航時(shí)間長(zhǎng)，負(fù)載重，信息儲(chǔ)存方式多以及能搭載各種不同類別的傳感器等優(yōu)點(diǎn)，但也因?yàn)閮r(jià)格太高而無法推廣應(yīng)用[8]。而無人機(jī)具有響應(yīng)速度快、價(jià)格低廉、使用成本低、圖像分辨率高、定位精度準(zhǔn)確等優(yōu)點(diǎn)而得到越來越多的應(yīng)用[9-13]。因此利用無人機(jī)搭載不同的傳感器來監(jiān)測(cè)作物的生長(zhǎng)將成為未來智慧農(nóng)業(yè)發(fā)展的主要手段之一。

常用的RGB圖像中除了顏色信息外還有紋理信息，紋理信息反映了地形特征、地貌特征、植被特征、水文特征等地面表面元素的內(nèi)部特征[14]。目前，圖像紋理特征遙感主要是利用紋理特征來提高遙感圖像的分類精度，較少有人將紋理特征應(yīng)用于定量估測(cè)生物量等農(nóng)學(xué)參數(shù)[15-19]。前人的研究雖然證明了顏色特征和紋理特征在小麥生長(zhǎng)和產(chǎn)量監(jiān)測(cè)上的可行性，如Ma等利用無人機(jī)圖像和深度卷積神經(jīng)網(wǎng)絡(luò)估算了小麥生長(zhǎng)前期地上生物量以及Lu等利用無人機(jī)圖像和點(diǎn)云數(shù)據(jù)估算小麥地上生物量[20-21]，但都缺少對(duì)關(guān)鍵生育時(shí)期的實(shí)時(shí)監(jiān)測(cè)及對(duì)顏色指數(shù)和紋理特征指數(shù)的系統(tǒng)性分析。因此，有必要進(jìn)一步探索顏色和紋理特征在小麥生物量和產(chǎn)量的監(jiān)測(cè)上的應(yīng)用情況。

本研究擬通過不同品種、年份、密度水平和氮肥水平的小麥田間試驗(yàn)，構(gòu)建不同的小麥田間群體，分析和比較不同顏色指數(shù)和紋理特征指數(shù)與小麥生物量和產(chǎn)量的相關(guān)性，找出各個(gè)時(shí)期最佳的顏色指數(shù)和紋理特征指數(shù)，以期為后續(xù)利用無人機(jī)圖像對(duì)小麥生物量和產(chǎn)量進(jìn)行估測(cè)提供相應(yīng)的理論依據(jù)。

1 材料與方法

1.1 田間試驗(yàn)設(shè)計(jì)

1.1.1 試驗(yàn)1

試驗(yàn)于2016－2017年在揚(yáng)州大學(xué)實(shí)驗(yàn)農(nóng)牧場(chǎng)進(jìn)行。試驗(yàn)選擇揚(yáng)麥23號(hào)和揚(yáng)輻麥4號(hào)2個(gè)品種作為研究對(duì)象。試驗(yàn)地前茬為水稻，土壤質(zhì)地為沙壤土，0～20 cm土層有機(jī)質(zhì)質(zhì)量分?jǐn)?shù)為23.52 g/kg，水解氮質(zhì)量分?jǐn)?shù)為105.97 g/kg，速效磷質(zhì)量分?jǐn)?shù)為102.11 g/kg，速效鉀質(zhì)量分?jǐn)?shù)為88.62 g/kg。

田間試驗(yàn)設(shè)置3個(gè)種植密度水平，分別為100、150和200萬株/hm2；設(shè)4個(gè)氮肥水平，分別為0（N1）、120（N2）、160（N3）和200 kg/hm2（N4）；肥料運(yùn)籌為氮肥按基肥：壯蘗肥∶拔節(jié)肥∶孕穗肥=5∶1∶2∶2的比例施用，磷鉀肥按基肥∶拔節(jié)肥=5∶5的比例施用，施用量均為120 kg/hm2。于2016年11月2日播種，小區(qū)面積為16.65 m2，重復(fù)2次，共48個(gè)小區(qū)。

1.1.2 試驗(yàn)2

試驗(yàn)于2017－2018年在張家港進(jìn)行。試驗(yàn)選擇揚(yáng)麥23號(hào)和揚(yáng)輻麥4號(hào)2個(gè)品種作為研究對(duì)象。

田間試驗(yàn)設(shè)置3個(gè)種植密度水平，分別為100、150和200萬株/hm2；設(shè)4個(gè)氮肥水平，分別為0（N1）、120（N2）、160（N3）和200 kg/hm2（N4）；肥料運(yùn)籌為氮肥按基肥∶壯蘗肥∶拔節(jié)肥∶孕穗肥= 5∶1∶2∶2的比例施用，磷鉀肥按基肥∶拔節(jié)肥=5∶5的比例施用，施用量均為120 kg/hm2。于2017年11月10日播種，小區(qū)面積為30 m2，重復(fù)2次，共48個(gè)小區(qū)。

1.2 數(shù)據(jù)獲取方法

1.2.1 圖像獲取設(shè)備

采用大疆inspire 1 RAW無人機(jī)進(jìn)行圖像采集，相機(jī)分辨率1 600萬像素，垂直獲取圖像，飛行高度為7 m[22]。持續(xù)飛行時(shí)間約15～20 min，遙控控制距離約5 km。

1.2.2圖像獲取過程

無人機(jī)影像獲取時(shí)期為越冬前期、拔節(jié)期、孕穗期、開花期。拍攝時(shí)段為10:00～16:00（晴朗少風(fēng)的天氣）。每個(gè)小區(qū)拍攝1張圖像，每個(gè)試驗(yàn)點(diǎn)拍48張圖像。

為了保證飛機(jī)飛行的安全性和數(shù)據(jù)的可用性，安裝之后對(duì)飛機(jī)進(jìn)行航點(diǎn)、航線、飛行高度和圖像重復(fù)率的設(shè)置。本研究利用DJI GS Pro在指定區(qū)域內(nèi)自動(dòng)生成航線，自動(dòng)飛行、自動(dòng)拍攝并完成相關(guān)數(shù)據(jù)接收、處理和發(fā)送。考慮到要在較短的時(shí)間內(nèi)獲得所需的全部圖像，無人機(jī)飛行采用“S”型路線。以圖像序列可以精確反映田塊信息的同時(shí)又能快速獲取圖像為原則來研究飛行高度對(duì)圖像獲取質(zhì)量的影響，并通過分析飛行高度與相機(jī)像素之間的關(guān)系來制定飛行高度標(biāo)準(zhǔn)。為了實(shí)現(xiàn)精確的圖像配準(zhǔn)，在航線和航點(diǎn)規(guī)劃時(shí)，相鄰圖像的重復(fù)率設(shè)置為65%～90%，在這個(gè)范圍內(nèi)重復(fù)率越高圖像拼接精度越高，本試驗(yàn)主航線上圖像重復(fù)率設(shè)置為60%，主航線間圖像重復(fù)率設(shè)置為70%。完成圖像采集后利用軟件Pix4DMapper生成正射影像、DSM和三維點(diǎn)云數(shù)據(jù)，通過相鄰圖像的特征匹配將相鄰圖像無縫拼接起來。最后對(duì)配準(zhǔn)好的圖像進(jìn)行裁剪，裁出所需的研究區(qū)域[23]。

1.2.3 農(nóng)學(xué)參數(shù)測(cè)定

1）地上生物量測(cè)定

每小區(qū)取樣15株小麥，洗凈減去根部，將所有葉片分別剪下，所有地上部分105 ℃殺青30 min，80 ℃烘干至恒質(zhì)量，分別稱量莖、葉干質(zhì)量，再根據(jù)公式轉(zhuǎn)換成單位面積的生物量。

2）產(chǎn)量測(cè)定

小麥成熟期，對(duì)各小區(qū)調(diào)查單位面積的穗數(shù)，并取30個(gè)單莖進(jìn)行室內(nèi)考種，計(jì)算產(chǎn)量構(gòu)成因素（每公頃穗數(shù)、每穗粒數(shù)、千粒質(zhì)量）。每小區(qū)取1 m2面積小麥脫粒測(cè)產(chǎn)。

1.3 數(shù)據(jù)分析

1.3.1 無人機(jī)影像預(yù)處理

采用MATLAB R2014b進(jìn)行無人圖像預(yù)處理。圖像預(yù)處理包括圖像裁剪、去噪、平滑、銳化等操作。圖像裁剪是將拼接好的圖像根據(jù)不同小區(qū)裁剪成大小一致的圖像。去噪是指消除數(shù)字圖像中的噪聲，進(jìn)行平滑和銳化則是減小圖像的斜率，提高質(zhì)量并減小目標(biāo)物像素提取的損失。

1.3.2 顏色指數(shù)

前人提出了一些植被指數(shù)用于估測(cè)作物的葉面積指數(shù)和產(chǎn)量，本文選用比較常用的8個(gè)顏色指數(shù)用于圖像數(shù)據(jù)分析（表1）。

1.3.3 紋理特征指數(shù)

本文通過MATLAB R2014b基于灰度共生矩陣提取紋理特征。提取過程中要注意保持特征值提取面積一致，確保特征值提取的精度。步驟如下：

1）提取灰度圖像；

2）灰度級(jí)量化；

3）計(jì)算特征值的參數(shù)選擇；

4）紋理特征值的計(jì)算與紋理特征影像生成。

Haralick等[30]用灰度共生矩陣提出了14個(gè)紋理特征值，但計(jì)算復(fù)雜，為了減少計(jì)算量通常采用4個(gè)最常用的特征用于提取圖像的紋理特征：能量、對(duì)比度、相關(guān)度、熵。4個(gè)特征值的計(jì)算公式見表2。

表1 圖像顏色指數(shù)計(jì)算方法及其出處

注：為歸一化紅色指數(shù)；為歸一化綠色指數(shù)；歸一化藍(lán)色指數(shù)。

Note:is the normalized red index;is the normalized green index;is the normalized blue index.

求出該灰度共生矩陣各個(gè)方向的特征值后，對(duì)特征值進(jìn)行均值和方差的計(jì)算，以消除方向分量對(duì)紋理特征的影響。

表2 圖像紋理特征指數(shù)計(jì)算方法及其出處

注：為任一點(diǎn)(，)的灰度；為偏離該點(diǎn)的另一點(diǎn)的灰度；(,)為從(,)出發(fā)，與(,)距離為、灰度為的像元出現(xiàn)的頻度；、為行方向上紋理參數(shù)的均值和方差，、為列方向上紋理參數(shù)的均值和方差。

Note:is the gray scale of any point (,);is the gray scale of another point deviating from this point;(,) is the frequency of occurrence of pixel whose distance from (,) isand whose gray scale is;σ,μis the mean and variance of the texture parameters along the row direction andσ,μis the mean and variance of the texture parameters along the column direction.

2 結(jié)果與分析

2.1 不同生育時(shí)期小麥生物量與圖像顏色/紋理特征指數(shù)的相關(guān)性

小麥生物量在全生育期有較大的變化。本研究利用試驗(yàn)1中的數(shù)據(jù)定量分析8個(gè)顏色指數(shù)和4個(gè)紋理特征指數(shù)在小麥主要生育時(shí)期與生物量的相關(guān)性，以確定估算生物量的最優(yōu)顏色指數(shù)和紋理特征指數(shù)。

不同顏色指數(shù)和紋理特征指數(shù)與生物量的相關(guān)性見表3。

表3 基于無人機(jī)圖像的不同顏色指數(shù)和紋理特征指數(shù)與小麥生物量的相關(guān)性（n=24）

注：*、**分別表示在0.05和0.01水平顯著（0.05=0.396，0.01=0.505）。下同。

Note: *, ** means significant at the level of 0.05 and 0.01, respectively (0.05=0.396,0.01=0.505). The same below.

2.1.1 越冬前期生物量與圖像顏色/紋理特征指數(shù)的相關(guān)性

小麥越冬前期基于無人機(jī)圖像的各顏色指數(shù)與生物量的相關(guān)性較好，相關(guān)系數(shù)的平均值為0.632。除NDI為顯著相關(guān)外，其余顏色指數(shù)與生物量相關(guān)性均達(dá)到極顯著水平，其中VARI與生物量相關(guān)性最高，達(dá)到0.743（表3）。同時(shí)可以看出，除ExR為負(fù)相關(guān)外，其余均為正相關(guān)。由表3可知，越冬前期紋理特征參數(shù)與生物量的相關(guān)性差異較大，其中ASM和ENT與生物量的相關(guān)性達(dá)到極顯著水平，而CON和COR與生物量的相關(guān)性不顯著。

2.1.2 拔節(jié)期生物量與圖像顏色/紋理特征指數(shù)的相關(guān)性

小麥拔節(jié)期基于無人機(jī)圖像的各顏色指數(shù)與生物量的相關(guān)性較越冬前期有明顯的提高，相關(guān)系數(shù)的平均值為0.789。所有顏色指數(shù)與生物量的相關(guān)性均達(dá)到極顯著水平，特別是ExG、NDI、ExR、ExGR、VARI、GLI，與生物量的相關(guān)系數(shù)均達(dá)到0.8以上，其中ExGR與生物量的相關(guān)性最高，相關(guān)系數(shù)達(dá)到0.911（表3）。同時(shí)可以看出，各顏色指數(shù)與生物量的相關(guān)性變化趨勢(shì)和越冬前期一致。由表3可知，拔節(jié)期各紋理特征參數(shù)與生物量的相關(guān)性有較大差異，但趨勢(shì)和越冬前期相反，紋理特征參數(shù)CON和COR與生物量的相關(guān)性均達(dá)到極顯著水平，而ASM和ENT和生物量則無顯著相關(guān)。

2.1.3 孕穗期生物量與圖像顏色/紋理特征指數(shù)的相關(guān)性

小麥孕穗期的圖像顏色指數(shù)出現(xiàn)了一定的飽和現(xiàn)象，與生物量的相關(guān)性水平較拔節(jié)期有所下降，相關(guān)系數(shù)的平均值為0.632。其中，NDI、ExR、VARI、MGRVI與生物量的相關(guān)系數(shù)均在0.7以上，MGRVI相關(guān)性最高，為0.817（表3），達(dá)到極顯著相關(guān)，而RGBVI未達(dá)到顯著相關(guān)。該時(shí)期各顏色指數(shù)與生物量的相關(guān)性變化趨勢(shì)和拔節(jié)期一致。由表3可知，孕穗期紋理特征參數(shù)與生物量的相關(guān)系數(shù)均較小，除CON為顯著相關(guān)外，其余均未達(dá)到顯著水平。

2.1.4 開花期生物量與圖像顏色/紋理特征指數(shù)的相關(guān)性

到了小麥開花期，隨著生物量的不斷增加，圖像顏色指數(shù)的飽和現(xiàn)象更加明顯，其與生物量的相關(guān)性水平較孕穗期有所下降，相關(guān)系數(shù)的平均值為0.491。ExG、GLI和RGBVI與生物量的相關(guān)性不顯著，ExGR達(dá)顯著水平，其余3個(gè)為極顯著水平，其中VARI的相關(guān)性最高，為0.679（表3）。由表3可知，開花期紋理特征參數(shù)與生物量的相關(guān)系數(shù)較小，均未達(dá)到顯著水平。

2.2 不同生育時(shí)期圖像顏色/紋理特征指數(shù)與小麥產(chǎn)量的相關(guān)性

基于試驗(yàn)2不同生育時(shí)期的無人機(jī)圖像，探討8個(gè)顏色指數(shù)以及4個(gè)紋理特征指數(shù)與小麥產(chǎn)量的關(guān)系。結(jié)果表明，小麥產(chǎn)量與各顏色指數(shù)均呈現(xiàn)較高的相關(guān)性；而與紋理特征指數(shù)的相關(guān)性較差。

基于無人機(jī)圖像的不同顏色指數(shù)和紋理特征指數(shù)與產(chǎn)量的相關(guān)性見表4。

2.2.1 越冬前期圖像顏色/紋理特征指數(shù)與產(chǎn)量的相關(guān)性

小麥越冬前期，圖像的顏色指數(shù)與產(chǎn)量的相關(guān)性差異較大，相關(guān)系數(shù)總體偏低，平均值僅為0.487。ExG、NDI、ExR與產(chǎn)量的相關(guān)性均達(dá)到極顯著水平，其中NDI與產(chǎn)量相關(guān)性最高，相關(guān)系數(shù)達(dá)到0.738（表4）；ExGR、GLI、MGRVI與產(chǎn)量相關(guān)性達(dá)顯著水平，其余2個(gè)指數(shù)的相關(guān)性未達(dá)顯著水平。由表4可知，小麥越冬前期基圖像的紋理特征參數(shù)與產(chǎn)量的相關(guān)系數(shù)較小，均未達(dá)到顯著水平。

表4 基于無人機(jī)圖像的不同顏色指數(shù)和紋理特征指數(shù)與產(chǎn)量的相關(guān)性（n=24）

2.2.2 拔節(jié)期圖像顏色/紋理特征指數(shù)與產(chǎn)量的相關(guān)性

小麥拔節(jié)期，圖像的顏色指數(shù)與產(chǎn)量相關(guān)性水平明顯增加，8個(gè)顏色指數(shù)與產(chǎn)量的相關(guān)性均達(dá)到極顯著水平，相關(guān)系數(shù)平均值為0.737。NDI、ExR、VARI與產(chǎn)量的相關(guān)性明顯高于其他指數(shù)，均達(dá)到0.8以上，其中VARI與產(chǎn)量相關(guān)性最高，達(dá)到0.837（表4）。由表4可知，拔節(jié)期圖像的紋理特征參數(shù)與產(chǎn)量的相關(guān)性較越冬前期有明顯提高，其中COR極顯著相關(guān)，CON顯著相關(guān)。

2.2.3 孕穗期圖像顏色/紋理特征指數(shù)與產(chǎn)量的相關(guān)性

小麥孕穗期，圖像的顏色指數(shù)出現(xiàn)了一定的飽和現(xiàn)象，與產(chǎn)量相關(guān)性較拔節(jié)期有所下降，相關(guān)系數(shù)的平均值為0.638。NDI、ExR、ExGR、VARI、MGRVI與產(chǎn)量的相關(guān)性均為極顯著水平，其中VARI相關(guān)性最高，為0.862，而RGBVI未達(dá)顯著水平（表4）。由表4可知，圖像紋理特征參數(shù)與產(chǎn)量的相關(guān)性均未達(dá)到極顯著水平，但除ASM外，其余3個(gè)參數(shù)均達(dá)到顯著水平。

2.2.4 開花期圖像顏色/紋理特征指數(shù)與產(chǎn)量的相關(guān)性

小麥開花期，圖像顏色指數(shù)也出現(xiàn)了一定的飽和現(xiàn)象，其與產(chǎn)量的相關(guān)性與孕穗期相似，相關(guān)系數(shù)的平均值為0.649。除了RGBVI為顯著相關(guān)外，其余7個(gè)指數(shù)與產(chǎn)量的相關(guān)性均達(dá)到極顯著相關(guān)水平，其中ExR相關(guān)系數(shù)為?0.854，呈極顯著負(fù)相關(guān)。由表4可知，小麥開花期的圖像紋理特征參數(shù)與產(chǎn)量的相關(guān)性均未達(dá)到顯著水平。

2.3 無人機(jī)圖像顏色與紋理特征指數(shù)組合后與生物量及產(chǎn)量的相關(guān)性

2.3.1 無人機(jī)圖像顏色與紋理特征指數(shù)組合后與生物量的相關(guān)性

選擇各時(shí)期無人機(jī)圖像顏色與紋理特征指數(shù)中與生物量相關(guān)性最高的2個(gè)參數(shù)進(jìn)行組合，并分析其與生物量的相關(guān)性，結(jié)果如表5。由表5可知，組合后的指數(shù)與生物量的相關(guān)性均達(dá)到極顯著水平，且較單一顏色指數(shù)的相關(guān)性均有所提高，其中孕穗期提高最為明顯（相關(guān)性提高8.81%）。因此將圖像顏色與紋理特征指數(shù)結(jié)合后可以提高小麥生物量的預(yù)測(cè)精度。

表5 基于無人機(jī)圖像顏色與紋理特征指數(shù)組合與生物量的相關(guān)性（n=24）

2.3.2 無人機(jī)圖像顏色與紋理特征指數(shù)組合后與產(chǎn)量的相關(guān)性

選擇各時(shí)期無人機(jī)圖像顏色與紋理特征指數(shù)中與產(chǎn)量相關(guān)性最高的2個(gè)參數(shù)進(jìn)行組合，并分析其與產(chǎn)量的相關(guān)性，結(jié)果列于表6。由表6可知，組合后的指數(shù)與產(chǎn)量相關(guān)性均達(dá)到極顯著水平，但與單一顏色指數(shù)的相關(guān)性相比，相關(guān)系數(shù)持平或略有增加，其中越冬前期增加明顯（相關(guān)性提高7.05%）。因此，在進(jìn)行小麥產(chǎn)量預(yù)測(cè)時(shí)，可以考慮將圖像顏色指數(shù)與紋理特征指數(shù)結(jié)合，效果要好于單一因素。

表6 基于無人機(jī)圖像顏色與紋理特征指數(shù)組合與產(chǎn)量的相關(guān)性（n=24）

3 討 論

隨著作物表型監(jiān)測(cè)研究的不斷深入，無人機(jī)遙感也得到越來越多的應(yīng)用。利用無人機(jī)搭載不同的圖像采集設(shè)備可以開展不同需求的研究。如裴浩杰等利用無人機(jī)光譜技術(shù)，基于綜合指標(biāo)開展了冬小麥長(zhǎng)勢(shì)研究[31]。劉帥兵等利用無人機(jī)數(shù)碼圖像進(jìn)行了冬小麥氮含量的反演[32]。上述研究均表明，基于無人機(jī)影像相關(guān)指數(shù)與小麥生長(zhǎng)指標(biāo)之間有不同的相關(guān)性，為作物生長(zhǎng)田間指標(biāo)的實(shí)時(shí)監(jiān)測(cè)與獲取提供了有效的參考手段。

本研究表明，無人機(jī)圖像顏色指數(shù)與小麥生物量和產(chǎn)量具有明顯的相關(guān)性，而紋理特征參數(shù)有較好的輔助作用。但不同的學(xué)者在指數(shù)的選擇上略有不同，如Cen等利用無人機(jī)圖像監(jiān)測(cè)水稻的生物量，除了本研究中使用的顏色指數(shù)外，還選擇了歸一化綠紅指數(shù)（NGRDI）、綠紅比指數(shù)（GRRI）以及植物系統(tǒng)指數(shù)（VEG）等，不過分析方法基本一致[33]。而Fernandez-Gallego等則利用圖像綠色面積指數(shù)（GA）和相對(duì)綠色面積指數(shù)（GGA）等對(duì)小麥的產(chǎn)量進(jìn)行評(píng)價(jià)[34]。在不同時(shí)期的比較中，本研究表明，小麥拔節(jié)期基于無人機(jī)圖像的顏色指數(shù)能夠較好地估測(cè)小麥生物量，但小麥孕穗期由于生物量過大，顏色指數(shù)NDI和ExR出現(xiàn)了一定的飽和現(xiàn)象，而顏色指數(shù)MGRVI能夠在一定程度上減輕飽和現(xiàn)象。而圖像顏色指數(shù)與產(chǎn)量相關(guān)性最好的時(shí)期也是拔節(jié)期，但孕穗期和開花期的相關(guān)性也較好。而Fernandez-Gallego等研究則表明，在雨養(yǎng)或灌溉條件下的旱作小麥，基于圖像指數(shù)的產(chǎn)量預(yù)測(cè)均是前期較好[34]，這與本研究的結(jié)果基本一致。因此在估測(cè)小麥生物量或產(chǎn)量時(shí)，選擇的時(shí)期也應(yīng)略有不同。本研究表明，小麥生物量估測(cè)的最佳時(shí)期是拔節(jié)期，而產(chǎn)量估測(cè)的最佳時(shí)期則是孕穗期。

在圖像紋理特征指數(shù)的利用方面，前人雖然也有相關(guān)的研究，但均是把紋理特征指數(shù)與其他指數(shù)相結(jié)合。如陳鵬等利用無人機(jī)影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量，結(jié)果表明，單一的紋理特征模型效果最差，而結(jié)合了光譜和紋理信息的綜合模型效果最好[35]；陳鵬飛等利用無人機(jī)影像光譜和紋理特征診斷棉花的氮素營(yíng)養(yǎng)，結(jié)果表明增加紋理特征可提高棉花植株氮濃度的反演精度[36]；而Yue等的研究也表明，基于無人機(jī)超高分辨率圖像對(duì)冬小麥地上生物量進(jìn)行估算時(shí)，結(jié)合圖像紋理特征和植被指數(shù)可以提高不同冠層覆蓋條件下的地上生物量量估算精度[37]。本研究結(jié)果也表明，結(jié)合無人機(jī)圖像顏色與紋理特征指數(shù)后，其與小麥生物量及產(chǎn)量的相關(guān)性也有不同程度的提高，其中與生物量的相關(guān)性在4個(gè)時(shí)期分別提高0.27%、0.11%、8.81%和2.65%；與產(chǎn)量相關(guān)性分別提高7.05%、0.12%、0.58%和0.12%。

本研究為無人機(jī)圖像定量分析小麥生物量和產(chǎn)量提供了理論基礎(chǔ)和技術(shù)支持，但沒有對(duì)品種、種植密度及肥料水平對(duì)結(jié)果的影響做進(jìn)一步分析。隨著無人機(jī)平臺(tái)在更大區(qū)域監(jiān)測(cè)上的應(yīng)用，會(huì)涉及到不同品種及不同田間施肥及密度處理等問題，也涉及到不同區(qū)域監(jiān)測(cè)角度和影像拼接等問題。所以無人機(jī)獲取低空影像的預(yù)處理流程還需不斷完善，同時(shí)還要考慮圖像背景顏色的歸一化問題，圖像預(yù)處理方法的普適性也需要進(jìn)一步加強(qiáng)。

4 結(jié) 論

1）本研究探討了小麥生物量及產(chǎn)量與無人機(jī)圖像顏色指數(shù)和紋理特征參數(shù)的相關(guān)性，結(jié)果表明，越冬前期圖像顏色指數(shù)和小麥生物量的相關(guān)性均達(dá)到顯著或極顯著水平，相關(guān)系數(shù)平均值為0.632，其中VARI和小麥生物量的相關(guān)性最高。拔節(jié)期圖像顏色指數(shù)和小麥生物量的相關(guān)性最好，相關(guān)系數(shù)平均值達(dá)0.789，其中ExGR和小麥生物量的相關(guān)系數(shù)達(dá)到了0.911。孕穗期圖像顏色指數(shù)和小麥生物量的相關(guān)系數(shù)有所下降，相關(guān)系數(shù)平均值和越冬前期接近。開花期圖像顏色指數(shù)與小麥生物量的相關(guān)系數(shù)繼續(xù)下降，相關(guān)系數(shù)平均值為0.491，這可能與后期圖像顏色出現(xiàn)了飽和現(xiàn)象有關(guān)。各時(shí)期圖像顏色指數(shù)與小麥產(chǎn)量的相關(guān)性的趨勢(shì)同生物量一致。

2）小麥各生育期的圖像紋理特征參數(shù)與生物量和產(chǎn)量的相關(guān)性均不如顏色指數(shù)。將圖像顏色與紋理特征指數(shù)中與生物量相關(guān)性最高的2個(gè)參數(shù)進(jìn)行組合，組合后的指數(shù)與生物量相關(guān)性均達(dá)到極顯著水平，且較單一顏色指數(shù)的相關(guān)性均有所提高，其中孕穗期提高最為明顯，達(dá)8.81%。組合后的指數(shù)與產(chǎn)量的相關(guān)性均達(dá)到極顯著水平，與單一顏色指數(shù)的相關(guān)性相比，相關(guān)系數(shù)持平或略有增加，其中越冬前期增加明顯，達(dá)7.05%。將圖像顏色與紋理特征指數(shù)組合可以提高小麥生物量和產(chǎn)量的預(yù)測(cè)精度。

[1] 李佳佳. 小麥生物物理與生物化學(xué)參數(shù)的高光譜遙感監(jiān)測(cè)[D]. 南京：南京信息工程大學(xué)，2015.

Li Jiajia. Monitoring Bio-Physical and Bio-Chemical Parameters of Wheat by Hyper-Spectral Remote Sensing[D]. Nanjing: Nanjing University of Information Science & Technology, 2015. (in Chinese with English abstract)

[2] 張凱，王潤(rùn)元，王小平，等. 黃土高原春小麥地上鮮生物量高光譜遙感估算模型[J]. 生態(tài)學(xué)雜志，2009，28(6)：1155－1161.

Zhang Kai, Wang Runyuan, Wang Xiaoping, et al. Hyperspectral remote sensing estimation models for aboveground fresh biomass of spring wheat on Loess Plateau[J]. Chinese Journal of Ecology, 2009, 28(6): 1155－1161. (in Chinese with English abstract)

[3] 尚艷. 不同氮水平下小麥冠層光譜特征及其與農(nóng)學(xué)參數(shù)關(guān)系研究[D]. 楊陵：西北農(nóng)林科技大學(xué)，2015.

Shang Yan. Wheat Canopy Spectral Features and its Research Relationship With Agronomy Parameter Under Different Nitrogen Levels[D]. Yangling: Northwest A&F University, 2015. (in Chinese with English abstract)

[4] 范云豹，宮兆寧，趙文吉，等. 基于高光譜遙感的植被生物量反演方法研究[J]. 河北師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2016(3)：267－271.

Fan Yuanbao, Gong Zhaoning, Zhao Wenji, et al. Study on vegetation biomass inversion method based on hyperspectral remote sensing[J]. Journal of Hebei Normal University: Natural Science Edition, 2016(3): 267－271. (in Chinese with English abstract)

[5] 王麗愛，譚昌偉，楊昕，等. 基于MK-SVR模型的小麥葉面積指數(shù)遙感反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(5)：245－251.

Wang Liai, Tan Changwei, Yang Xin, et al. Monitoring wheat leaf area index using MK-SVR algorithmic model and remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(5): 245－251. (in Chinese with English abstract)

[6] 解毅，王鵬飛，王蕾，等. 基于作物及遙感同化模型的小麥產(chǎn)量估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(20)：179－186.

Xie Yi, Wang Pengfei, Wang Lei, et al. Estimation of wheat yield based on crop and remote sensing assimilation models[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(20): 179－186. (in Chinese with English abstract)

[7] Chen Y, Zhang Z, Tao F L. Improving regional winter wheat yield estimation through assimilation of phenology and leaf area index from remote sensing data[J]. European Journal of Agronomy, 2018, 101: 163－173.

[8] 趙天舸，于瑞宏，張志磊，等. 濕地植被地上生物量遙感估算方法研究進(jìn)展[J]. 生態(tài)學(xué)雜志，2016，35(7)：1936－1946.

Zhao Tianke, Yu Ruihong, Zhang Zhilei, et al. Estimation of wetland vegetation aboveground biomass based on remote sensing data: A review[J]. Chinese Journal of Ecology, 2016, 35(7): 1936－1946. (in Chinese with English abstract)

[9] Shibayama M, Akiyama T. Seasonal visible, near-infrared and mid-infrared spectra of rice canopies in relation to LAI and above-ground dry phytomass[J]. Remote Sensing of Environment, 1989, 27(2): 119－127.

[10] 侯學(xué)會(huì)，牛錚，黃妮，等. 小麥生物量和真實(shí)葉面積指數(shù)的高光譜遙感估算模型[J]. 國(guó)土資源遙感，2012，24(4)：30－35.

Hou Xuehui, Niu Zheng, Huang Ni, et al. The hyperspectral remote sensing estimation models of total biomass and true LAI of wheat[J]. Remote Sensing for Land & Resources, 2012, 24(4): 30－35. (in Chinese with English abstract)

[11] 劉瓊閣，彭道黎，涂云燕，等. 基于偏最小二乘的森林生物量遙感估測(cè)[J]. 東北林業(yè)大學(xué)學(xué)報(bào)，2014(7)：44－47.

Liu Qiongge, Peng Daoli, Tu Yunyan, et al. Estimating forest biomass by partial least squares regression[J]. Journal of Northeast Forestry University. 2014(7): 44－47. (in Chinese with English abstract)

[12] 陳鵬飛，Nicolas Tremblay，王紀(jì)華，等. 估測(cè)作物冠層生物量的新植被指數(shù)的研究[J]. 光譜學(xué)與光譜分析, 2010, 30(2)：512－517.

Chen Pengfei, Nicolas Tremblay, Wang Jihua, et al. New index for crop canopy fresh biomass estimation[J]. Spectroscopy and Spectral Analysis, 2010, 30(2): 512－517. (in Chinese with English abstract)

[13] 劉俊，畢華興，朱沛林，等. 基于ALOS遙感數(shù)據(jù)紋理及紋理指數(shù)的柞樹蓄積量估測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45(7)：245－254.

Liu Jun, Bi Huaxing, Zhu Peilin, et al. Estimating stand volume of xylosma racemosum forest based on texture parameters and derivative texture indices of ALOS imagery[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 245－254. (in Chinese with English abstract)

[14] Gu Z, Ju W, Lin L, et al. Using vegetation indices and texture measures to estimate vegetation fractional coverage (VFC) of planted and natural forests in Nanjing city, China[J]. Advances in Space Research, 2013, 51(7): 1186－1194.

[15] Sarker L R, Nichol J E. Improved forest biomass estimates using ALOS AVNIR-2 texture indices[J]. Remote Sensing of Environment, 2011, 115(4): 968－977.

[16] 曹慶先，徐大平，鞠洪波. 基于TM影像紋理與光譜特征的紅樹林生物量估算[J]. 林業(yè)資源管理，2010(6)：102－108.

Cao Qingxian, Xu Daping, Ju Hongbo, et al. The biomass estimation of mangrove community based on the textural features and spectral information of TM images[J]. Forest Resources Management, 2010(6): 102－108. (in Chinese with English abstract)

[17] 牧其爾，高志海，包玉海，等. 植被指數(shù)紋理特征信息估測(cè)稀疏植被生物量[J]. 遙感信息，2016(1)：58－63.

Mu Qier, Gao Zhihai, Bao Yuhai, et al. Estimation of sparse vegetation biomass based on grey-level co-occurrence matrix of vegetation indices[J]. Remote Sensing Information, 2016(1): 58－63. (in Chinese with English abstract)

[18] 劉暢，楊貴軍，李振海，等. 融合無人機(jī)光譜信息與紋理信息的冬小麥生物量估測(cè)[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2018，51(16)：3060－3073.

Liu Chang, Yang Guijun, Li Zhenhai, et al. Biomass estimation in winter wheat by UAV spectral information and texture information fusion[J]. Scientia Agricultura Sinica, 2018, 51(16): 3060－3073. (in Chinese with English abstract)

[19] Lee K J, Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis[J]. European Journal of Agronomy, 2013, 48(3): 57－65.

[20] Ma J C, Li Y X, Chen Y Q, et al. Stimating above ground biomass of winter wheat at early growth stages using digital images and deep convolutional neural network[J]. European Journal of Agronomy, 2019, 103: 117－129.

[21] Lu N, Zhou J, Han Z X, et al. Improved estimation of aboveground biomass in wheat from RGB imagery and point cloud data acquired with a low-cost unmanned aerial vehicle system[J]. Plant Methods, 2019, 15: 1－16.

[22] Liu T, Li R, Jin X l, et al. Evaluation of Seed Emergence Uniformity of Mechanically Sown Wheat with UAV RGB Imagery[J]. Remote Sensing, 2017, 9: 1－15.

[23] 陳雯.基于無人機(jī)圖像的小麥出苗均勻度評(píng)價(jià)[D]. 揚(yáng)州：揚(yáng)州大學(xué)，2018.

Chen Wen. Evsluation of Seed Emergence Unifermity of Wheat Based on UAV Image[D]. Yangzhou: Yangzhou Univefrsity, 2018. (in Chinese with English abstract)

[24] Gitelson A A, Stark R, Grits U, et al. Vegetation and soil lines in visible spectral space: A concept and technique for remote estimation of vegetation fraction[J]. International Journal of Remote Sensing, 2002, 23(13): 2537－2562.

[25] Mao D, Wu X, Deppong C, et al. Negligible role of antibodies and c5 in pregnancy loss associated exclusively with c3-dependent mechanisms through complement alternative pathway[J]. Immunity, 2003, 19(6): 813－822.

[26] Woebbecke D M, Meyer G E, Von B K, et al. Plant species identification, size, and enumeration using machine vision techniques on near-binary images[J]. Proceedings of SPIE- The International Society for Optical Engineering, 1993: 1836.

[27] Louhaichi M, Borman M, Johnson D. Spatially located platform and aerial photography for documentation of grazing impacts on wheat[J]. Geocarto International, 2001, 16(1): 6.

[28] Tucker P W, Jr H E, Cotton F A. Staphylococcal nuclease reviewed: A prototypic study in contemporary enzymology[J]. Molecular & Cellular Biochemistry, 1979, 23(2): 67－86.

[29] Bendig J, Kang Y, Aasen H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 39: 79－87.

[30] Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification[J]. IEEE Transactions on Systems Man & Cybernetics, 1973, 3(6): 610－621.

[31] 裴浩杰，馮海寬，李長(zhǎng)春，等. 基于綜合指標(biāo)的冬小麥長(zhǎng)勢(shì)無人機(jī)遙感監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(20)：74－82.

Pei Haojie, Feng Haikuan, Li Changchun, et al. Remote sensing monitoring of winter wheat growth with UAV based on comprehensive index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 74－82. (in Chinese with English abstract)

[32] 劉帥兵，楊貴軍，景海濤，等. 基于無人機(jī)數(shù)碼影像的冬小麥氮含量反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(11)：75－85.

Liu Shuaibing, Yang Guijun, Jing Haitao, et al. Retrieval of winter wheat nitrogen content based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 75－85. (in Chinese with English abstract)

[33] Cen H Y, Wan L, Zhu J P, et al. Dynamic monitoring of biomass of rice under different nitrogen treatments using a lightweight UAV with dual image-frame snapshot cameras[J]. Plant Methods, 2019, 15: 1－16.

[34] Fernandez-Gallego J A, Kefauver S C, Vatter T, et al. Low-cost assessment of grain yield in durum wheat using RGB images[J]. European Journal of Agronomy, 2019, 105: 146－156.

[35] 陳鵬，馮海寬，李長(zhǎng)春，等. 無人機(jī)影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量[J].農(nóng)業(yè)工程學(xué)報(bào)，2019，35(11)：63－74.

Chen Peng, Feng Haikuan, Li Changchun, et al. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 63－74. (in Chinese with English abstract)

[36] 陳鵬飛，梁飛. 基于低空無人機(jī)影像光譜和紋理特征的棉花氮素營(yíng)養(yǎng)診斷研究[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2019，52(13)：2220－2229.

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

[37] Yue J B, Yang G J, Tian Q J, et al. Estimate of winter-wheat above-ground biomass based on UAV ultrahighground- resolution image textures and vegetation indices[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 150: 226－244.

Correlation of wheat biomass and yield with UAV image characteristic parameters

Yang Jun1,2, Ding Feng3, Chen Chen1,2, Liu Tao1,2, Sun Chengming1,2※, Ding Dawei3, Huo Zhongyang1,2

(1./,,225009,; 2.,,225009,; 3.,215636,)

In order to determine the correlation between UAV image information and wheat biomass and yield, based on the field experiments of different planting densities, different nitrogen fertilizer levels and different varieties, the RGB images of field wheat at main growth stages were obtained by using UAV aerial photography in this study. The color and texture characteristic parameter values of the wheat images were obtained by image processing, and the wheat biomass and final yield were obtained by field sampling, and then the relationship between the wheat biomass, yield and different index of color and texture feature parameters was analyzed. The results showed that the 8 color indexes such as normalized difference index (NDI), Extra green vegetation index (ExG), visible light atmospherical resistant vegetation index (VARI), extra red vegetation index (ExR), green leaf vegetation index (GLI), extra green-red difference index (ExGR), modified green-red vegetation index (MGRVI), red, green and blue vegetation index (RGBVI) and 4 texture feature parameters such as angular second moment (ASM), gontrast (CON), correlation (COR) and entropy (ENT) could be extracted from UAV images. The correlation between the biomass, yield and various color index at wheat jointing stage and booting stage was high. The correlation between all color indexes and biomass at the jointing stage reached an extremely significant level, and the correlation coefficient between ExGR and biomass was the highest, the correlation coefficient was 0.911. Except for RGBVI, all the other indexes reached a significant or extremely significant correlation at booting stage, among which MGRVI had the highest correlation and the correlation coefficient was 0.817. The correlation trend between color indexes and yield were consistent with that of biomass. The correlation between the color index and biomass and yield at early wintering stage and flowering stage were slightly lower than that at jointing stage and booting stage. Among the wheat texture parameters, only ASM and ENT at early wintering stage and CON and COR at jointing stage and CON at booting stage had a significant or extremely significant correlation with biomass, among which COR had the highest correlation (negative correlation) and the correlation coefficient was -0.574. CON and COR at jointing stage and CON, COR and ENT at booting stage had a significant or extremely significant correlation with yield, among which COR at jointing stage had the highest correlation (negative correlation) with the correlation coefficient of -0.530. After combining color index and the texture feature parameters, the correlation of these parameters with wheat biomass and yield were all improved. Among them, the biomass correlation increased by 0.27%, 0.11%, 8.81% and 2.65% respectively in the 4 stages, and the yield correlation increased by 7.05%, 0.12%, 0.58% and 0.12% respectively in the 4 stages. Therefore, combining the color index of UAV image with the texture feature parameters can improve the estimation accuracy of wheat biomass and yield.

UAV; digital image; color index; textural feature; wheat; biomass; yield

楊 俊，丁 峰，陳 晨，劉 濤，孫成明，丁大偉，霍中洋. 小麥生物量及產(chǎn)量與無人機(jī)圖像特征參數(shù)的相關(guān)性[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(23)：104－110.doi：10.11975/j.issn.1002-6819.2019.23.013 http://www.tcsae.org

Yang Jun, Ding Feng, Chen Chen, Liu Tao, Sun Chengming, Ding Dawei, Huo Zhongyang. Correlation of wheat biomass and yield with UAV image characteristic parameters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(23): 104－110. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.23.013 http://www.tcsae.org

2019-08-08

2019-11-17

國(guó)家自然科學(xué)基金項(xiàng)目（31671615，31701355，31872852）；國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2018YFD0300805）；蘇州市農(nóng)業(yè)科技創(chuàng)新項(xiàng)目（SNG2017064）

楊 俊，研究方向?yàn)樽魑飯D像識(shí)別與應(yīng)用。Email：572348347@qq.com。

孫成明，博士，教授，博士生導(dǎo)師，主要從事作物系統(tǒng)模擬與表型監(jiān)測(cè)研究。Email：cmsun@yzu.edu.cn

10.11975/j.issn.1002-6819.2019.23.013

S512

A

1002-6819(2019)-23-0104-07