楊愛萍 張坤 白曉東 張崇華

摘要：基于在線式雙季水稻長勢自動監(jiān)測系統(tǒng)實時獲取稻田實景圖像，并應用圖像處理技術計算水稻覆蓋度，進而分析雙季水稻覆蓋度與葉面積指數之間的關系，實現葉面積指數的在線式圖像反演。結果表明，雙季水稻分蘗期覆蓋度增長迅速，在拔節(jié)孕穗期達到峰值，拔節(jié)孕穗期至抽穗期保持相對穩(wěn)定，這一結果符合雙季水稻生長特征，并與葉面積指數變化趨勢一致。早稻、晚稻覆蓋度與葉面積指數之間呈顯著的指數關系，決定系數分別為0.970 6、0.853 4，模擬精度較高。根據雙季水稻覆蓋度反演得到的葉面積指數與實測葉面積指數具有極顯著的線性關系，決定系數分別達到0.95、0.97，均方根誤差分別為0.34、0.47，模擬效果較好。本研究提出的雙季水稻葉面積指數在線式圖像反演方法是一種新的水稻葉面積指數自動、無損估測方法，可為雙季水稻葉面積指數實時、快速估測提供技術支持。

關鍵詞：雙季水稻;葉面積指數;覆蓋度;圖像反演

中圖分類號： S511.01 文獻標志碼： A 文章編號：1002-1302（2019）23-0320-04

葉面積指數（LAI）是一塊田地上作物葉片的總面積與田地總面積的比率[1]，是客觀反映作物在生長期內整體的動態(tài)變化和作物光合作用及蒸騰作用的重要參數。實時、準確獲取其信息對監(jiān)測作物長勢和預測作物產量具有重要意義[2]。獲取LAI的方法很多，主要分為地面實測和遙感監(jiān)測2種方式[3]。常用的地面實測方法大都效率低、誤差大，而且測量具有破壞性[4]。遙感監(jiān)測方法能夠實現較大范圍的作物長勢監(jiān)測，但多以1 km分辨率的極軌衛(wèi)星資料為主，精細化程度不高，且觀測時易受到云層、云陰影以及氣溶膠等的影響[5]。隨著數字圖像技術的廣泛應用，李萬春等開展了大量的利用掃描儀測量作物葉面積的研究，并研制了相應的軟件，實現作物葉面積指數測量與計算等功能[6-7]。這種方法提高了測量作物葉面積的精度，降低了成本，操作方便快捷，但并未實現無損測量。隨著數碼相機分辨率的提高，近年來基于靜態(tài)圖像信息提取技術反演LAI的方法發(fā)展迅速。肖強等利用數碼相機對單株水稻或水稻群體進行拍攝，獲取靜態(tài)圖像信息，然后反演水稻總綠葉面積或水稻LAI[8-10]，這些研究結果表明，基于數碼相機的圖像反演方法能實現水稻LAI較高精度的無損估算。但該方法是通過人工近距離拍攝圖像，難以對作物進行實時、動態(tài)觀測，資料時效性較低[4]。作物覆蓋度（CCP）是指作物的綠色部分在田地上的正投影面積與田地總面積的比率[11]，與LAI有很好的對應關系?；谶@一原理，國內外開展了不少關于圖像處理技術計算CCP的研究[12-15]，然后通過分析CCP與LAI之間的關系實現作物LAI的反演[12]。這種方法可相對快速、客觀地獲取實時、連續(xù)、動態(tài)的LAI，展現出良好的研究和應用前景。

但由于目前多數農田位置較為偏遠，獲取作物圖像以及長勢信息存在諸多不便。為了解決這一問題，近年來中國氣象局氣象探測中心研發(fā)了將圖像識別技術、自動采集技術、通信傳輸技術及信息處理技術相結合的作物長勢實時在線式遠程監(jiān)測系統(tǒng)[16]?；谠撓到y(tǒng)，2015年、2016年先后實現了棉花[11]、夏玉米[4]等作物LAI的自動實時反演。但目前尚未見該技術在雙季水稻LAI自動實時反演的應用報道。

雙季水稻分蘗至抽穗期間的LAI是反映營養(yǎng)物質形成與積累狀況的重要指標，而此時期的雙季水稻LAI變化幅度最大。連續(xù)、實時地獲取雙季水稻分蘗至抽穗期的LAI，對及時掌握雙季水稻長勢和產量動態(tài)具有重要意義。由于雙季水稻植株相對玉米、棉花等高稈作物比較矮小、植株群體更密、植株和葉片受小氣候環(huán)境更易出現形態(tài)變化等原因，導致利用在線式圖像處理技術自動、高精度地提取雙季水稻CCP的難度相對較大。此外，雙季水稻田間水面對光線的折射、反射作用，容易造成圖像提取出的雙季水稻CCP在不同光照條件下出現突變[15]，進而影響雙季水稻LAI反演的準確率。2013年，Yu等提出了一種基于單高斯模型的作物顏色分割模型，試驗證明該方法能夠對不同光照下的作物圖像進行準確分割，能夠準確地提取圖像中的作物像元，從而可以精確地獲取圖像中作物的CCP[17]。

本研究基于在線式雙季水稻長勢自動監(jiān)測系統(tǒng)實時獲取稻田實景圖像，應用Yu等提出的圖像處理技術[17]，計算雙季水稻逐日的CCP，然后分析雙季水稻CCP變化特征及其與LAI之間的關系，建立雙季水稻CCP與LAI的關系模型，最后結合LAI實測數據對圖像反演的LAI進行精度及適用性檢驗和分析。

1 材料與方法

1.1 試驗區(qū)概況

本研究試驗區(qū)位于江西省南昌縣，地處南昌市南部，屬于亞熱帶季風氣候，地勢平坦，為我國典型的雙季水稻產區(qū)。試驗區(qū)設在具有代表性的百畝連片雙季稻產區(qū)（116°12′6″E、28°38′58″N）之中，總面積約為0.5 km×0.5 km。

1.2 雙季水稻圖像的獲取

試驗區(qū)內架設中國氣象局氣象探測中心研發(fā)的作物長勢實時在線式遠程監(jiān)測系統(tǒng)[11]，自動獲取雙季水稻稻田實景圖像。CCD相機型號是OLYMPUS E-450。設置的光圈值為f/5.6，曝光時間為1/160s，焦距為16 mm。CCD相機固定在距離地面垂直高度5 m處。圖像采集時段包含雙季水稻的分蘗期、拔節(jié)孕穗期、抽穗期。采集時間是每天09：00—16：00，整點自動拍攝1次，每天共計8個時次。采集得到的圖像大小是3 648像素×2 736像素，以JPEG格式存儲。剔除太陽耀邦時間和陰雨天氣影響的圖像后，得到雙季早稻2011年、2012年、2013年圖像樣本數據分別為450、606、424個，雙季晚稻3年圖像樣本數據分別為505、400、445個。圖像資料采用4G無線網絡進行實時傳輸。

1.3 雙季水稻CCP的提取和計算

通過基于單高斯模型的作物顏色分割方式[17]對雙季水稻圖像進行分割（圖1），然后計算圖像中雙季水稻像素與總圖像像素的比值，作為整點實景圖像中的雙季水稻CCP。

然后將整點CCP轉化成日均CCP：

y=1n∑8i=1yi。

（1）

式中：y表示日均CCP;yi表示整點CCP;i為觀測時次;n為總觀測時次，取值為8。

1.4 雙季水稻LAI的獲取

在試驗區(qū)域中，在距田地邊緣2 m以上處設置4個固定測點，每次取樣時在各個測點隨機選取10莖，共40莖作為樣本。使用美國LI-COR（Li-3000c）便攜式葉面積儀對雙季水稻分蘗至抽穗期的LAI進行觀測。2012年雙季水稻LAI的觀測頻次為2 d/次，得到雙季早稻LAI樣本數據22個、雙季晚稻LAI樣本數據28個，用于構建模型。2011年、2013年的觀測時間在分蘗普期、孕穗普期和抽穗普期，得到雙季早稻、雙季晚稻的LAI樣本數據各3個，用于模型檢驗。

2 結果與分析

2.1 雙季水稻CCP變化特征

2011—2013年，分別于4月下旬和7月下旬播種早稻、晚稻。早稻、晚稻品種分別為常規(guī)秈稻嘉育948和常規(guī)秈稻926。早稻、晚稻的分蘗期、拔節(jié)孕穗期、抽穗期的時段如表1所示。

將2011—2013年早稻、晚稻分蘗至抽穗期間同一階段的日均CCP取平均，得到雙季水稻CCP的逐日變化趨勢圖（圖2）。圖2表明，早稻、晚稻分蘗至抽穗期的CCP總體變化趨勢是一致的，均表現為分蘗期快速上升，拔節(jié)孕穗期與抽穗期的CCP比較穩(wěn)定，維持在90%上下浮動。但各個生育期內的早晚稻CCP變化特點略有不同：在分蘗期，早稻CCP的日增長速率約為6%，略快于晚稻的日增長速率（5%左右）;在拔節(jié)孕穗期，早稻CCP的變異系數為3.91，大于晚稻（279）;在抽穗期，早稻多日平均CCP達96%，晚稻約為90%，兩者相近。

2.2 雙季水稻LAI的變化特征

2012年雙季水稻LAI觀測資料（圖3）顯示，早稻、晚稻LAI的逐日變化趨勢與CCP的變化趨勢比較一致，均在分蘗期快速上升，拔節(jié)孕穗期與抽穗期變化不大。此外，在不同生育期內，早稻、晚稻的變化特點也是比較一致的。在分蘗期，早稻LAI的日增長速率約為0.46，略快于晚稻的日增長速率（0.39）;在拔節(jié)孕穗期，早稻LAI的變異系數為7.06，小于晚稻（15.02）;在抽穗期，早稻多日平均LAI為4.43，晚稻為 4.36，兩者差異不大。

2.3 雙季水稻CCP與LAI的關系

2.3.1 雙季水稻CCP與LAI的關系模型 由于葉片存在一定的傾角和葉片之間的相互遮擋，作物的LAI與CCP之間的關系是非線性的[11]。2012年雙季水稻CCP和LAI的散點圖表明，兩者存在高度相關的指數函數關系（圖4）。

因此，以指數函數為模型，以CCP為自變量，估測早稻、晚稻的逐日LAI：

y′=0.732 1e1.903 3x′，R2=0.970 6;

（2）

y″=0.066 8e4.438 9x″，R2=0.853 4。

（3）

式中：y′和y″分別為早稻、晚稻的逐日LAI;x′和x″分別為早稻、晚稻的逐日CCP。式（2）、式（3）均通過了0.05的顯著水檢驗。

2.3.2 模型檢驗 利用南昌縣2012年資料建立的模型和2011年、2013年雙季水稻CCP數據計算LAI的模擬值，并與2011年、2013年分蘗至抽穗期的LAI實測值進行比較，檢驗模型的可靠性（圖5、表2）。

圖5、表2表明，早稻、晚稻的LAI實測值與模擬值的線性相關系數分別為0.95、0.97，吻合性較好，且均通過了0.01極顯著水平檢驗;均方根誤差分別為0.34、0.47，平均絕對誤差分別為0.59、0.34，模擬精度較高。

3 討論與結論

本研究利用農業(yè)氣象自動觀測系統(tǒng)實時獲取的雙季水稻逐日CCP信息，分析了雙季水稻分蘗至抽穗期的CCP變化特征，以及雙季水稻CCP與LAI之間的關系，建立了CCP與LAI的關系模型，實現雙季水稻逐日LAI的圖像反演，并對反演數據進行了檢驗，得出以下結論：（1）雙季水稻分蘗期CCP增長迅速，在拔節(jié)孕穗期達到峰值，拔節(jié)孕穗期至抽穗期CCP相對穩(wěn)定。雙季水稻CCP圖像識別結果符合雙季水稻生長特征，并與葉面積指數變化趨勢一致。（2）早稻、晚稻CCP與LAI之間呈顯著的指數關系，決定系數分別為0.970 6、0.853 4，模擬精度較高。根據雙季水稻CCP數據反演得到的LAI與實測LAI具有極顯著的線性關系，決定系數分別為095、0.97，均方根誤差分別為0.34、0.47，模擬效果較好。

綜上所述，本研究提出的雙季水稻葉面積指數在線式圖像反演方法有利于減少人工觀測的工作量，同時較好地解決了每次采樣造成的田間作物損壞以及因農田位置偏遠實時獲取雙季水稻葉面積指數困難等問題，是一種新的水稻葉面積指數自動、無損估測方法，可為雙季水稻葉面積指數實時、快速估測提供技術支持。但本研究尚未對抽穗期后的覆蓋度和葉面積指數變化特點進行分析，且研究中只有南昌縣1個雙季早稻和1個雙季晚稻品種的觀測數據，觀測資料有限。因此，本研究所構建的模型僅適用于采取移栽方式種植的常規(guī)秈稻嘉育948和常規(guī)秈稻926分蘗至抽穗期的葉面積指數反演。此外，水稻品種、種植方式對葉面積指數的圖像反演有明顯影響。后期擬將開展全生育期、多品種、不同種植方式下的水稻覆蓋度和葉面積指數的觀測試驗，盡可能獲取較為全面、系統(tǒng)的觀測資料，提高模型的適用性。

參考文獻：

[1]李榮春，陶洪斌，張竹琴，等. 基于圖像處理技術的夏玉米群體長勢監(jiān)測研究[J]. 玉米科學，2010，18（2）：128-132.

[2]王秀芳. 主要農作物生長特征參數自動化觀測技術研究[D]. 成都：成都信息工程學院，2012.

[3]程武學，潘開志，楊存建. 葉面積指數（LAI）測定方法研究進展[J]. 四川林業(yè)科技，2010，31（3）：51-54，78.

[4]李翠娜，張雪芬，余正泓，等. 基于圖像提取技術計算夏玉米覆蓋度和反演葉面積指數的精度評價[J]. 中國農業(yè)氣象，2016，37（4）：479-491.

[5]白曉東. 基于圖像的水稻關鍵發(fā)育期自動觀測技術研究[D]. 武漢：華中科技大學，2014.

[6]李萬春，田 燕，王鵬云. 基于常規(guī)掃描儀的植物葉面積計算系統(tǒng)[J]. 氣象，2004，30（8）：39-41.

[7]王曉彬，張仁祖，費 松，等. 利用掃描儀測量作物葉面積的模式選擇與實現技術[J]. 氣象科技，2016，44（4）：675-679.

[8]肖 強，葉文景，朱 珠，等. 利用數碼相機和Photoshop軟件非破壞性測定葉面積的簡便方法[J]. 生態(tài)學雜志，2005，24（6）：711-714.

[9]孫 濤，劉振波，葛云健，等. 基于數碼相片Gamma校正的水稻葉面積指數估算[J]. 生態(tài)學報，2014，34（13）：3548-3557.

[10]蔣 霓. 單株水稻綠葉面積無損測量方法研究[D]. 武漢：華中科技大學，2014.

[11]何 姣，張雪芬，湯志亞，等. 棉花覆蓋度特征及與其他生長參數關系分析[J]. 氣象與環(huán)境科學，2015，38（2）：18-23.

[12]劉繼承. 基于數字圖像處理技術的水稻長勢監(jiān)測研究[D]. 南京：南京農業(yè)大學，2007.

[13]Zhu Y J，Cao Z G，Lu H，et al. In-field automatic observation of wheat heading stage using computer vision[J]. Biosystems Engineering，2016，143：28-41.

[14]Zheng L Y，Shi D M，Zhang J T. Segmentation of green vegetation of crop canopy images based on mean shift and Fisher linear discriminant[J]. Pattern Recognition Letters，2010，31（9）：920-925.

[15]Bai X D，Cao Z G，Wang Y，et al. Crop segmentation from images by morphology modeling in the CIE L* a* b* color space[J]. Computers & Electronics in Agriculture，2013，99：21-34.

[16]張雪芬，王秀芳，李翠娜，等. 農作物主要生長參數自動觀測技術綜述[J]. 氣象科技，2013，41（6）：1122-1127.

[17]Yu Z H，Cao Z G，Wu X，et al. Automatic image-based detection technology for two critical growth stages of maize：emergence and three-leaf stage[J]. Agricultural and Forest Meteorology，2013，174-175：65-84.

收稿日期：2018-10-30

基金項目：國家自然科學基金（編號：61701260）。

作者簡介：楊愛萍（1982—），女，廣東湛江人，碩士，副研級高級工程師，主要從事農業(yè)氣象研究。E-mail：yap1114@163.com。