劉治開，牛亞曉，王 毅，韓文霆

(1. 西北農(nóng)林科技大學機械與電子工程學院，陜西楊凌 712100；2. 農(nóng)業(yè)部農(nóng)業(yè)物聯(lián)網(wǎng)重點試驗室，陜西楊凌 712100；3. 西北農(nóng)林科技大學水土保持研究所，陜西楊凌 712100)

冬小麥是我國主要的糧食作物之一，其種植面積大約占糧食作物總面積的22%，產(chǎn)量占糧食總產(chǎn)的20%以上[1]。株高是作物的重要生長指標，與生物量、LAI和產(chǎn)量有一定的相關(guān)性，合理的株高也是作物穩(wěn)產(chǎn)、高產(chǎn)的基礎(chǔ)[2-7]。目前，測定作物生長指標的方法有傳統(tǒng)地面測量法與間接測量法。地面測量法在時效性和便捷性方面明顯存在不足。間接測量方法為基于遙感和圖像系統(tǒng)的測量[8-14]。隨著遙感技術(shù)的快速發(fā)展，基于遙感的農(nóng)情監(jiān)測能夠快速、準確估算作物的生長指標，已成為精準農(nóng)業(yè)的重要內(nèi)容和研究熱點[15-16]。

在作物的生長過程中，可用反射光譜和三維重建技術(shù)進行株高監(jiān)測。在作物反射光譜監(jiān)測株高方面，李燕強等[18]利用地面高光譜相機獲取了小麥在不同波段的光譜反射率，并建立了小麥株高的估算適宜模型。隋學艷等[34]基于MODIS數(shù)據(jù)對山東省小麥進行株高遙感估算，結(jié)果表明,光譜反射率與株高在紅光、短近紅外、藍光、綠光及長近紅外共5個波段的相關(guān)性達到了極顯著水平。不同作物的生長形態(tài)和冠層結(jié)構(gòu)存在很大差別，對光譜的反射和吸收也會有所不同，因此利用光譜反射率建立的株高估測模型通用性較差。用三維重建的方法對植物株高進行監(jiān)測無需考慮植物種類、光譜差異等因素的影響，因而其可廣泛應用于各種植物的株高監(jiān)測。如，應用激光雷達測量森林樹木高度[17]；基于機載小光斑全波形LIDAR對玉米的株高進行反演[19]；基于激光雷達獲取高粱和玉米的三維點云數(shù)據(jù)，分別建立了高粱和玉米的株高模型，通過該模型提取出的株高具有較高的精度[20]。通過機載激光雷達構(gòu)成的低空遙感平臺可快速、便捷地估算出研究區(qū)域內(nèi)的作物生長指標[21-25]；但昂貴的機載激光雷達傳感器制約了低空機載遙感平臺的發(fā)展。與此同時，相對廉價且技術(shù)成熟的RGB(Red Green Blue)高分辨率相機設(shè)備已經(jīng)廣泛地被應用在無人機遙感監(jiān)測系統(tǒng)中[26]。通過在無人機上搭載高分辨率RGB數(shù)碼相機可以獲取試驗區(qū)域的高清數(shù)碼影像，運用動態(tài)結(jié)構(gòu)算法[27]建立作物的數(shù)字表面模型(digital surface models, DSM)，通過數(shù)字表面模型可進一步計算株高。近年來，許多學者基于無人機可見光遙感監(jiān)測系統(tǒng)建立的DSM開展作物株高估測研究。如，基于無人機可見光遙感系統(tǒng)獲取的影像點云數(shù)據(jù)建立甘蔗的作物DSM，通過作物DSM提取出甘蔗高度，并結(jié)合地面測量值建立甘蔗株高的估測模型[28]；用固定翼無人機搭載RGB數(shù)碼相機估算橄欖樹高[29]；基于無人機搭載數(shù)碼相機對獲取的大麥株高進行分析，證實了從DSM中計算出的株高具有較高的精度，并且建立了基于大麥株高的生物量估算模型[30-32]；利用無人機搭載的高清數(shù)碼可見光相機對葡萄樹的樹冠進行三維重建，估算樹高[33]。

目前，基于無人機遙感系統(tǒng)計算矮稈作物的研究鮮有報道。本研究以冬小麥為研究對象，使用多旋翼無人機搭載高清可見光數(shù)碼相機構(gòu)成的低空農(nóng)情信息遙感監(jiān)測系統(tǒng)，對冬小麥從拔節(jié)期至成熟期進行了株高監(jiān)測，以探討利用數(shù)碼影像快速估算冬小麥株高的可行性。

1 材料與方法

1.1 試驗區(qū)概況

試驗區(qū)位于陜西省楊凌示范區(qū)西北農(nóng)林科技大學中國旱區(qū)節(jié)水農(nóng)業(yè)研究院冬小麥試驗田(34°17′50.94″N，108°4′4.17″E)。楊凌地處關(guān)中平原中部，屬于暖溫帶半干旱或半濕潤氣候，年平均氣溫11～13 ℃，年降水量500～700 mm。試驗區(qū)共設(shè)有48個樣本單元小區(qū)(其中1個小區(qū)為對照區(qū)，無作物)，每個小區(qū)面積為16 m2(4 m×4 m)，小區(qū)間縱向過道寬2 m，橫向過道寬1 m，試驗小區(qū)內(nèi)共種植3個小麥品種，分別為豐矮18、西農(nóng)389及晉麥47。其中，有12個小區(qū)種植豐矮18，19個小區(qū)種植西農(nóng)389，16個小區(qū)種植晉麥47。小區(qū)隨機排列。試驗區(qū)具體分布見圖1。

1.2 地面數(shù)據(jù)觀測

在每個樣本單元的小區(qū)4個直角處以及中心處選取5株冬小麥，在抽穗期前，使用伸縮尺測量觀測點四周若干株小麥頂端葉尖的高度。在進入抽穗期后，測量觀測點四周若干株小麥穗頂?shù)母叨?，取平均值作為該小區(qū)的平均株高。具體采集小麥株高方式見圖2。

1.3 無人機與遙感數(shù)據(jù)獲取

試驗所用的四旋翼電動無人機(精靈PHANTOM 4，大疆公司生產(chǎn))質(zhì)量(含電池及槳)約1 380 g，軸距350 mm，續(xù)航約28 min。相機的影像傳感器是1/2.3英寸CMOS，有效像素為1 240萬。數(shù)據(jù)采集選擇無風晴朗的天氣，采集時間在北京時間10：00-14：00，飛行高度30 m，圖像縱向重疊度85%，旁向重疊度80%，獲得的影像空間分辨率為0.014 m。數(shù)碼相機設(shè)置為快門優(yōu)先，快門時間1/1 600，ISO設(shè)定200，白平衡選擇晴天模式。在冬小麥的物候期內(nèi)，總共在試驗區(qū)域內(nèi)采集6次數(shù)據(jù)，采集時間分別為2017年12月6日、2018年4月4日、4月18日、4月29日、5月16日和5月29日。數(shù)據(jù)采集時，無人機按照設(shè)定好的航線和參數(shù)自動巡航并獲取圖像。每張高清數(shù)碼圖像包含拍攝時刻的經(jīng)度、緯度、高度、偏航角、俯仰角及旋轉(zhuǎn)角等空間位置和姿態(tài)信息。受機載GPS定位誤差的影響，飛行時航線可能會發(fā)生輕微偏移，從而增加飛行所需的航帶數(shù)，因此每次采集的圖像數(shù)量會有所不同。各次圖像采集數(shù)量和對應的小麥物候期見表1。借助Pix4Dmapper軟件進行無人機高清數(shù)碼圖像的拼接處理，基于POS數(shù)據(jù)和對應的無人機高清數(shù)碼影像進行影像拍攝時刻空間姿態(tài)的還原，并生成飛行區(qū)域內(nèi)的稀疏點云；基于稀疏點云建立空間格網(wǎng)，導入GCP對應的三維空間坐標信息添加在空間格網(wǎng)中，對影像進一步優(yōu)化，生成具有精確空間信息的稀疏點云；基于具有空間信息的稀疏點云進行飛行區(qū)域內(nèi)的密集點云構(gòu)建，生成飛行區(qū)域的3D多邊形格網(wǎng)，即飛行區(qū)域內(nèi)的表面幾何結(jié)構(gòu)，構(gòu)建其空間紋理信息。最終生成試驗區(qū)作物的數(shù)字表面模型(DSM)。步驟具體如圖3 所示。

圖1 試驗區(qū)分布示意圖

圖2 小麥株高測量

物候期 Growing stage時間 Date影像數(shù) Number of image拔節(jié)期 Jointing stage4月4日 April 440抽穗期 Heading stage4月18日April 1841灌漿期 Filling stage4月29日April 2940灌漿期 Filling stage5月16日 May 1642成熟期 Maturity5月29日 May 2940

12月6日拍攝的數(shù)據(jù)為地面裸土數(shù)據(jù)，用于建立試驗區(qū)域的DSM,在表中未列出。

Data on December 6 was bare soil data, and it was used for building the terrain of the experimental area，and was not listed in the table.

1.4 地面控制點設(shè)置

為保證圖像拼接精度，在航拍時需設(shè)置地面控制點(ground control point, GCP)。由于試驗區(qū)域地勢較平坦，沒有太大的高低起伏變化。故本次試驗設(shè)置4個地面控制點，由0.3 m×0.3 m的黑白格木板組成。試驗采用RTK(real-time kinematic，實時動態(tài))載波相位差分技術(shù)獲取地面控制點坐標及高程，試驗儀器為科力達公司生產(chǎn)的X5plus。具體布設(shè)見圖1。

1.5 數(shù)據(jù)處理

1.5.1 作物表面模型建立

通過無人機航拍獲得的RGB照片建立作物數(shù)字表面模型DSM，主要有以下步驟(圖3)：(1)無人機航拍獲取高清數(shù)碼圖像；(2)全面初始化處理；(3)點云和紋理生成；(4)輸出DSM。步驟 (2)～(4)主要在Pix4D3.1中完成。

圖3 基于DSM提取冬小麥株高的主要步驟示意圖

在建立DSM的過程中，正射校正后的DSM在控制點處的高程與實測高程偏差較大，則需要調(diào)整相機模型并重新定位控制點在圖像上的位置，使軟件系統(tǒng)重新計算的控制點位置能夠與實際位置一一對應后再進行建模。

1.5.2 小麥株高計算

圖4為基于無人機可見光影像提取小麥株高的原理圖。其中，在冬小麥播種后至出苗前，獲取試驗區(qū)域的高清無人機數(shù)碼影像，結(jié)合GCP，建立試驗區(qū)域的DSM，即DSM0。將各個生育時期小麥的DSM減去試驗區(qū)DSM0后得到作物高度模型(crop height model，CHM)，并根據(jù)小區(qū)范圍繪制矩形感興趣區(qū)域(area of interest，AOI)。繪制AOI時，每條邊與小區(qū)邊緣預留1 m，以排除邊界的干擾。最后通過CHM分區(qū)統(tǒng)計出每個小區(qū)的小麥平均株高。

1.6 精度分析

對從CHM中提取的冬小麥平均株高與地面觀測值進行線性回歸分析，并采用決定系數(shù)R2與均方根誤差RMSE來評估模型的精度。R2越大，模型擬合性越好；RMSE越小，模型的估測精度越高。

2 結(jié)果與分析

2.1 基于CHM計算株高與地面測量結(jié)果

由圖5可知，從拔節(jié)期至灌漿期，冬小麥株高呈線性快速增長趨勢，進入灌漿期后，株高變化趨化較小，且在物候期末期冬小麥株高有所降低。5月16日與5月29日的冬小麥株高總體低于4月29日，這主要因為冬小麥在進入灌漿期后，小麥籽粒逐漸成熟飽滿，麥穗質(zhì)量增加，變重的麥穗在垂直于地面的方向上發(fā)生一定程度的彎曲，在物候期末期造成其株高變矮。

圖4 小麥株高計算原理

2.2 基于CHM提取冬小麥株高的精度

對小麥不同生育時期的株高提取值與地面實測值進行線性擬合，結(jié)果(圖6)表明，在拔節(jié)期至灌漿期，三個冬小麥品種的提取效果較好，決定系數(shù)R2均高于0.80，RMSE均小于5 cm，其中西農(nóng)389的提取效果最好，而晉麥47的提取效果相對較差；在灌漿期至成熟期，三個冬小麥品種的提取效果較差，決定系數(shù)R2均低于0.80，其中豐矮18和西農(nóng)389的R2分別為0.49和0.47，晉麥47的提取效果相對較好，R2為0.75。出現(xiàn)這種情況主要與各小麥品種的冠層覆蓋度[25]有關(guān)。在拔節(jié)期至灌漿期，冬小麥植株變高，葉片面積增加，冠層覆蓋度增加，因此在CHM中株高的提取效果較好；而在灌漿期至成熟期，冬小麥葉片逐漸卷曲枯萎，造成覆蓋度有所降低，導致株高的提取效果變差。

為了檢驗CHM從拔節(jié)期至成熟期對冬小麥株高的整體監(jiān)測能力，經(jīng)對冬小麥株高的所有提取值與地面實測值進行線性回歸分析，決定系數(shù)R2為0.82，RMSE為4.31 cm(圖7)，說明提取值與實際值較為接近，精度較高，表明基于無人機影像數(shù)據(jù)建立冬小麥的CHM來獲取一定區(qū)域內(nèi)的冬小麥平均株高的方法是可行的。

圖5 由CHM提取的冬小麥株高

3 討 論

通過遙感快速估測作物的株高對于現(xiàn)代農(nóng)業(yè)的精細化管理意義重大，但現(xiàn)有的此方面研究多集中于植株較高的作物[14-18]，對植株較矮作物的株高快速提取較少。本研究利用無人機搭載高清數(shù)碼相機構(gòu)成的低空遙感平臺，可高效、便捷、及時地獲取冬小麥各生育時期的植株高度，計算結(jié)果與前人研究基本相同[31-32]，可為冬小麥的田間管理和產(chǎn)量預測提供參考。同時，本研究進一步分析表明，在拔節(jié)期至灌漿期，利用無人機搭載的遙感平臺對小麥株高的監(jiān)測能力較高，而在灌漿后期至成熟期則較差，而且檢測效果在品種間也存在差異。通過對CHM中提取株高與地面實測值的誤差分析發(fā)現(xiàn)，整個試驗期間冬小麥的平均株高誤差分布在-10～9 cm范圍，由CHM提取出的株高與地面真實值的相對誤差分布在 17.64%～19.60%范圍；提取株高的誤差平均值為0.19 cm，標準差為3.4 cm。5次試驗地面觀測的冬小麥樣本單元的平均株高高于由CHM提取得到的平均株高。該現(xiàn)象產(chǎn)生的主要原因是由于從CHM中提取出的平均株高是整個樣本區(qū)域的像素單元的高程(植株頂部葉尖或穗尖高度)平均值，而地面觀測到的株高是樣本單元內(nèi)觀測點周圍若干株冬小麥株高的平均值，二者在樣本選擇上存在差異。另一個誤差來源是在樣本單元內(nèi)，較矮的冬小麥植株被較高的植株葉片覆蓋，所以在CHM中，大部分像素單元只包含了較高冬小麥植株的高度信息，沒有較矮的植株高度信息，而有的像素包含了雜草、地面等物體的高程，因此在對每個樣本單元的冬小麥進行分區(qū)統(tǒng)計計算平均株高時，造成了一定程度的干擾和誤差。

圖6 基于CHM提取的冬小麥株高與實測株高的對應關(guān)系

圖7 由CHM提取的株高與實測株高關(guān)系

總之，由于算法和圖像分辨率等問題，基于無人機遙感的冬小麥高度模型計算出的株高總體上低于地面觀測的小麥樣本單元的總體平均株高。因此，未來需要進一步提高機栽相機分辨率和改進動態(tài)結(jié)構(gòu)算法，以提高小麥株高的估算精度。另外，建立CHM及提取冬小麥株高時，其步驟較為繁雜，可以基于模式識別及機器學習等嘗試開發(fā)智能算法對數(shù)據(jù)進行處理，為未來的農(nóng)業(yè)自動化精準管理提供參考。