楊振忠 方圣輝 彭 漪 龔 龑 王 東

(武漢大學(xué) 遙感信息工程學(xué)院，武漢 430079)

精準(zhǔn)農(nóng)業(yè)和智慧農(nóng)業(yè)是農(nóng)業(yè)發(fā)展的重要方向，農(nóng)作物物候期識(shí)別是精準(zhǔn)農(nóng)業(yè)和智慧農(nóng)業(yè)的重要應(yīng)用[1]。它不僅可以幫助農(nóng)田管理者及時(shí)規(guī)劃田間管理活動(dòng)(如灌溉和施肥等)，還可以為作物長(zhǎng)勢(shì)評(píng)估及估產(chǎn)提供重要的時(shí)間參考[2-3]，此外，長(zhǎng)時(shí)間的物候期識(shí)別還可以從側(cè)面反映出環(huán)境變化的規(guī)律[4]。

水稻是我國(guó)的主要糧食作物之一，水稻的生育期監(jiān)測(cè)是根據(jù)水稻生育過(guò)程中的形態(tài)變化，對(duì)各生長(zhǎng)發(fā)育時(shí)期進(jìn)行記載的過(guò)程，反映了水稻的生長(zhǎng)狀態(tài)信息。根據(jù)水稻移栽之后在田間的生長(zhǎng)形態(tài)，水稻生育期分為分蘗期、拔節(jié)孕穗期、抽穗揚(yáng)花期和灌漿成熟期。其中，分蘗期主要以生長(zhǎng)根、葉和分蘗等營(yíng)養(yǎng)器官為主，是水稻一生中根系生長(zhǎng)最旺盛和大量發(fā)展的時(shí)期；拔節(jié)孕穗期是水稻由營(yíng)養(yǎng)生長(zhǎng)轉(zhuǎn)化為生殖生長(zhǎng)的過(guò)程；抽穗揚(yáng)花期是指水稻完全發(fā)育的幼穗從劍葉鞘內(nèi)伸出，然后開(kāi)花授粉受精的過(guò)程；灌漿成熟期是指稻穗谷粒開(kāi)始營(yíng)養(yǎng)物質(zhì)的積累，谷粒逐漸變硬，殼色由綠變黃的過(guò)程。

傳統(tǒng)的作物生育期觀(guān)測(cè)方法以野外實(shí)地觀(guān)察為主，直接在野外對(duì)個(gè)體或群體生育期進(jìn)行觀(guān)測(cè)，這種方法具有客觀(guān)準(zhǔn)確的特點(diǎn)；但是，該方法費(fèi)時(shí)費(fèi)力，無(wú)法滿(mǎn)足實(shí)時(shí)、快速的監(jiān)測(cè)需求。遙感近實(shí)時(shí)、大面積和快速無(wú)損的優(yōu)勢(shì)為農(nóng)作物物候期識(shí)別提供了新的技術(shù)手段?；谶b感監(jiān)測(cè)農(nóng)作物的生育期，國(guó)內(nèi)外學(xué)者做了大量的研究，常見(jiàn)的方法主要有以下幾種：1)植被指數(shù)閾值法，設(shè)定植被指數(shù)閾值作為生育期的節(jié)點(diǎn)，宋春橋等[5]利用動(dòng)態(tài)閾值法提取了藏北高原過(guò)去10年間的植被物候信息；2)折點(diǎn)法，將濾波后的時(shí)序植被指數(shù)曲線(xiàn)的極值點(diǎn)或折點(diǎn)作為生育期節(jié)點(diǎn)，Sakamoto等[6]利用增強(qiáng)型植被指數(shù)的折點(diǎn)識(shí)別水稻的分蘗前期、抽穗期和收割期；3)求導(dǎo)法，對(duì)時(shí)序植被指數(shù)曲線(xiàn)求一階導(dǎo)或二階導(dǎo)，將一階導(dǎo)或二階導(dǎo)的極值點(diǎn)或折點(diǎn)作為生育期節(jié)點(diǎn)，孫華生等[7]利用增強(qiáng)型植被指數(shù)通過(guò)轉(zhuǎn)折點(diǎn)的方法識(shí)別水稻的移栽器和抽穗期，采用植被指數(shù)的相對(duì)變化閾值法判斷分蘗初期，采用最大變化斜率法識(shí)別成熟期；4)機(jī)器學(xué)習(xí)法，機(jī)器學(xué)習(xí)具有自主學(xué)習(xí)訓(xùn)練、泛化能力強(qiáng)的特點(diǎn)，Almeida等[8]利用機(jī)器學(xué)習(xí)的分類(lèi)算法，基于草原植被葉片的數(shù)字圖像檢測(cè)物候。

植被指數(shù)閾值法雖然計(jì)算準(zhǔn)確，但是閾值存在適用性較差的缺陷；而折點(diǎn)法、求導(dǎo)法都是基于時(shí)序植被指數(shù)曲線(xiàn)實(shí)現(xiàn)的，主要存在2個(gè)缺陷：一是時(shí)間分辨率較低的數(shù)據(jù)通過(guò)插值的方法構(gòu)建時(shí)間序列，無(wú)疑帶來(lái)一定的誤差；二是需要時(shí)序數(shù)據(jù)才能對(duì)生育期進(jìn)行劃分，不能滿(mǎn)足實(shí)時(shí)監(jiān)測(cè)的要求。

機(jī)器學(xué)習(xí)近年來(lái)被廣泛應(yīng)用到分類(lèi)問(wèn)題中，也逐漸被用于農(nóng)作物生育期識(shí)別。單一學(xué)習(xí)器算法包括K近鄰(KNN)[9]、決策樹(shù)[10]和支持向量機(jī)(SVM)[11]，集成學(xué)習(xí)算法包括隨機(jī)森林(RF)[12]和梯度提升決策樹(shù)(Gradient boosted decision trees, GBDT)[13]?；谝陨戏治?，本研究首先以四波段輻射計(jì)獲取水稻每日冠層反射率為數(shù)據(jù)源，開(kāi)展基于K近鄰、決策樹(shù)、支持向量機(jī)、隨機(jī)森林和梯度提升決策樹(shù)共5種機(jī)器學(xué)習(xí)方法的水稻生育期識(shí)別研究；然后將其推廣至無(wú)人機(jī)影像，評(píng)價(jià)模型的泛化能力，進(jìn)而通過(guò)植被指數(shù)閾值的方法完善模型。本研究旨在通過(guò)地面高時(shí)間分辨率的光譜數(shù)據(jù)對(duì)水稻生育期的精準(zhǔn)劃分，推廣應(yīng)用至無(wú)人機(jī)數(shù)據(jù)，以期獲得不依賴(lài)時(shí)序數(shù)據(jù)針對(duì)不同平臺(tái)的水稻生育期識(shí)別模型。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)

研究區(qū)位于海南省陵水黎族自治縣文官村(110°03′35″E，18°31′47″N)，如圖1，為武漢大學(xué)陵水多品種雜交水稻實(shí)驗(yàn)基地中的部分試驗(yàn)田。于2018年1月12日在試驗(yàn)田不同小區(qū)移栽了不同品種水稻，小區(qū)面積約30 m2，行列間距40 cm，移栽密度為30萬(wàn)株/hm2，于2018年4月30日收割，水稻品種為珞優(yōu)9348、豐兩優(yōu)4號(hào)。

1.2 數(shù)據(jù)獲取

試驗(yàn)數(shù)據(jù)包括由四波段輻射計(jì)SKYE(SKR 1860, SKYE Instruments Ltd, Llandrindod Wells, UK)獲取的時(shí)序的水稻冠層多光譜反射率、由無(wú)人機(jī)(Unmanned aerial vehicle，UAV)搭載的多光譜相機(jī)獲取的水稻冠層多光譜影像，以及地面實(shí)地的水稻生育期觀(guān)測(cè)記錄。其中，SKYE數(shù)據(jù)用于水稻生育期識(shí)別的機(jī)器學(xué)習(xí)模型研究，UAV數(shù)據(jù)作為測(cè)試集，用于評(píng)估模型的泛化能力，實(shí)地生育期觀(guān)測(cè)記錄包括分蘗期、拔節(jié)孕穗期、抽穗揚(yáng)花期和灌漿成熟期的實(shí)際觀(guān)測(cè)日期，作為模型訓(xùn)練和精度評(píng)價(jià)的標(biāo)簽。

圖1 研究區(qū)域地理位置
Fig.1 Geographical location of the study area

1.2.1SKYE四波段光譜數(shù)據(jù)

SKYE輻射計(jì)有上下2個(gè)，每個(gè)輻射計(jì)測(cè)量的4個(gè)光譜波段范圍是綠(530.6～569.2 nm)、紅(636.9～672.9 nm)、紅邊(705.8～729.6 nm)和近紅外(850.9～880.5 nm)。上方的輻射計(jì)鏡頭帶有余弦矯正器，能夠接收鏡頭上方180°半球的太陽(yáng)光，對(duì)應(yīng)測(cè)量太陽(yáng)光在4個(gè)波段的下行輻照度。下面的輻射計(jì)鏡頭測(cè)量25°視角的上行輻照度，也就是植被的反射信息。共有3臺(tái)SKYE儀器，分別架設(shè)在試驗(yàn)田的不同小區(qū)，其中2臺(tái)SKYE分別觀(guān)測(cè)珞優(yōu)9348的2個(gè)施氮肥水平：120 kg/hm2(N120)和240 kg/hm2(N240)，另一臺(tái)SKYE觀(guān)測(cè)豐兩優(yōu)4號(hào)的一個(gè)施氮肥水平：120 kg/hm2(N120)。每臺(tái)SKYE架設(shè)高度約距離地面3 m，同時(shí)鏡頭指向南方向，保證在測(cè)量過(guò)程中不受支撐架和太陽(yáng)能電池板的陰影干擾。3臺(tái)SKYE共采集了珞優(yōu)9348(N120和N240)和豐兩優(yōu)4號(hào)(N120)自1月13日—4月30日共108 d的水稻冠層光譜數(shù)據(jù)。

SKYE儀器配置安裝了太陽(yáng)能電池板和蓄電池，能夠采集每一秒的數(shù)據(jù)，為了消除數(shù)據(jù)中由于輻照度快速變化和輻射計(jì)受污染物(鳥(niǎo)等)影響導(dǎo)致的擾動(dòng)，4個(gè)光譜波段的輻射計(jì)響應(yīng)設(shè)計(jì)為取30 min內(nèi)的平均值，設(shè)置為每天7：30—18：30分觀(guān)測(cè)記錄數(shù)據(jù)。波段i為30 min內(nèi)的反射率平均值，ρi為下方輻射計(jì)測(cè)量的上行的30 min輻亮度[RUW(λ)]和上方輻射計(jì)測(cè)量的下行的30 min輻照度[IDW(λ)]比值，計(jì)算式如式(1)。

ρi=[RUW(λ)×CCUW(λ)]/[IDW(λ)×CCDW(λ)]

(1)

式中：CCUW(λ)是在λ波段對(duì)于UW(mV)的校準(zhǔn)系數(shù)，CCDW(λ)是對(duì)于DW(mV)的校準(zhǔn)系數(shù)。

1.2.2UAV多光譜數(shù)據(jù)

本研究使用大疆創(chuàng)新科技有限公司生產(chǎn)的八旋翼無(wú)人機(jī)，搭載由12個(gè)微型相機(jī)組成的MCA相機(jī)(MCA12, Terracam Inc., Chatsworth, CA, USA)。相機(jī)的中心波長(zhǎng)分別為800、490、520、550、570、670、680、700、720、850、900和950 nm，前10個(gè)波段每個(gè)波段的波段寬度均為10 nm，900 nm波段的波段寬度為20 nm，950 nm波段的波段寬度為40 nm。對(duì)MCA相機(jī)的鏡頭進(jìn)行幾何校正，使得12個(gè)波段的多光譜影像位于同一坐標(biāo)系，并消除影像的鏡頭畸變。利用地面標(biāo)準(zhǔn)反射板，采用線(xiàn)性模型對(duì)影像進(jìn)行輻射定標(biāo)，將影像的像元亮度值(Digital number，DN值)轉(zhuǎn)化成反射率[14]。在海南水稻試驗(yàn)田獲取水稻在分蘗期(2018年2月2、7和20日)、拔節(jié)孕穗期(2018年3月3、18和25日)、抽穗期(2018年4月1日)和成熟期(2018年4月15和26日)的無(wú)人機(jī)多光譜影像，利用ENVI軟件在影像上對(duì)每塊小區(qū)避開(kāi)邊緣隨機(jī)采集2個(gè)感興趣區(qū)域(Region of Interest，ROI)，取每個(gè)ROI分別在550、670、720和850 nm的光譜均值作為模型的測(cè)試數(shù)據(jù)集，共計(jì)480條光譜數(shù)據(jù)。

1.3 預(yù)處理

SKYE輻射計(jì)觀(guān)測(cè)記錄了每天7：30—18：30的數(shù)據(jù)。當(dāng)太陽(yáng)的天頂角>70°時(shí)，由于更高的鏡面反射率對(duì)二向反射系數(shù)的貢獻(xiàn)，4個(gè)波段的冠層反射率會(huì)劇烈的變化，影響反射率的計(jì)算，因此需要選擇合適時(shí)間段的穩(wěn)定的光譜反射率數(shù)據(jù)。按照SKYE數(shù)據(jù)預(yù)處理的慣用方法[15]，統(tǒng)計(jì)發(fā)現(xiàn)冠層反射率在10：30—12：00 趨于穩(wěn)定，因此，選擇每天10：30—12：00 的反射率作為4個(gè)波段冠層反射率的有效數(shù)據(jù)。在此基礎(chǔ)上，剔除儀器波動(dòng)異常嚴(yán)重的數(shù)據(jù)，獲得用于機(jī)器學(xué)習(xí)建模的SKYE數(shù)據(jù)。在水稻完整的生育期內(nèi)，不同生育期持續(xù)天數(shù)差別較大，所以不同生育期內(nèi)的數(shù)據(jù)量不同，全生育期共 1 200 條光譜數(shù)據(jù)。

2 方 法

試驗(yàn)整體設(shè)計(jì)方案如圖2所示，SKYE儀器只能監(jiān)測(cè)獲取一塊田區(qū)的光譜，但是具有高時(shí)間分辨率的特點(diǎn)，適合進(jìn)行生育期識(shí)別建模試驗(yàn)，所以首先通過(guò)常見(jiàn)的5種機(jī)器學(xué)習(xí)算法對(duì)SKYE數(shù)據(jù)進(jìn)行建模，對(duì)比分析5種算法模型的精度表現(xiàn)；而無(wú)人機(jī)拍攝多光譜影像具有范圍大，可輸出影像展示的優(yōu)勢(shì)，適合模型推廣應(yīng)用，所以進(jìn)一步將SKYE數(shù)據(jù)建立的水稻生育期識(shí)別模型應(yīng)用至UAV數(shù)據(jù)，評(píng)價(jià)模型算法對(duì)UAV數(shù)據(jù)適用性，如果適用性較差，在機(jī)器學(xué)習(xí)算法的基礎(chǔ)上，通過(guò)植被指數(shù)閾值的方法對(duì)容易混淆的生育期進(jìn)行區(qū)分，最終獲得適用于UAV數(shù)據(jù)的水稻生育期識(shí)別模型。

試驗(yàn)取SKYE每天10：30—12：00的各個(gè)波段的反射率中值作為當(dāng)天的水稻冠層光譜反射率，根據(jù)實(shí)地生育期觀(guān)測(cè)的記錄進(jìn)行不同時(shí)期的劃分，得到SKYE獲取的珞優(yōu)9348(N240)水稻從分蘗期至灌漿成熟期間4個(gè)波段的每日反射率(圖3)。另外2個(gè)SKYE獲取的珞優(yōu)9348(N120)和豐兩優(yōu)4號(hào)(N120)的冠層反射率和變化趨勢(shì)與圖3接近。冠層反射率隨日期的變化反映出水稻不同生育期的特征。

圖2 水稻生育期識(shí)別研究試驗(yàn)方案
Fig.2 Experimental plan of rice growth stage recognition

圖3 水稻生育期內(nèi)每天反射率和冠層變化
Fig.3 Daily reflectance and canopy changes during the whole growing stage of rice

水稻在分蘗期初期時(shí)，秧苗小，冠層光譜特征與水接近，4個(gè)波段的反射率都較低，隨著水稻不斷分蘗，植株高，葉片增多增大，葉綠素和葉面積指數(shù)增加，光譜特征漸漸與植被更加接近，近紅外波段反射率不斷增加，紅邊波段反射率變化不大，綠波段和紅波段反射率在逐漸下降；在拔節(jié)孕穗期階段，水稻拔節(jié)長(zhǎng)高，植株增大，冠層更加茂密，所以近紅外波段反射率略有升高，當(dāng)水稻進(jìn)入幼穗分化階段，從營(yíng)養(yǎng)生長(zhǎng)階段過(guò)渡到生殖生長(zhǎng)階段，水稻葉片大小不會(huì)再有明顯變化，近紅外波段反射率略有下降，其他3個(gè)波段沒(méi)有明顯變化；水稻進(jìn)入抽穗揚(yáng)花期時(shí)，綠色的稻穗從劍葉的葉鞘中抽出，水稻冠層結(jié)構(gòu)發(fā)生變化，對(duì)冠層結(jié)構(gòu)比較敏感的紅邊波段反射率逐漸上升，綠波段和紅波段的反射率也有微弱的升高；水稻在抽穗揚(yáng)花期經(jīng)過(guò)授粉受精過(guò)程后，進(jìn)入灌漿成熟期，稻穗逐漸成熟，逐漸向下彎曲，顏色由綠變黃，部分品種的水稻葉片也會(huì)變黃，近紅外波段反射率明顯下降，稻穗向下彎曲導(dǎo)致冠層結(jié)構(gòu)明顯變化，所以紅邊波段反射率呈現(xiàn)上升趨勢(shì)，綠波段和紅波段的反射率都略微升高。水稻在不同生育期內(nèi)4個(gè)波段的光譜反射率變化明顯，因此利用水稻生育期內(nèi)4個(gè)波段的光譜反射率數(shù)據(jù)作為學(xué)習(xí)數(shù)據(jù)，探究利用機(jī)器學(xué)習(xí)方法識(shí)別水稻生育期的可行性。

基于KNN算法的分類(lèi)是一種基于實(shí)例的學(xué)習(xí)，它不試圖構(gòu)建一個(gè)通用的內(nèi)部模型，而是簡(jiǎn)單地存儲(chǔ)培訓(xùn)數(shù)據(jù)的實(shí)例。KNN實(shí)際上利用訓(xùn)練數(shù)據(jù)集對(duì)特征向量空間進(jìn)行劃分，分類(lèi)是由距離每個(gè)點(diǎn)最近的K個(gè)點(diǎn)的種類(lèi)簡(jiǎn)單多數(shù)投票計(jì)算出來(lái)的，也就是一個(gè)查詢(xún)點(diǎn)被分配到數(shù)據(jù)類(lèi)中，這個(gè)類(lèi)在最近的鄰居中擁有最多的代表。

分類(lèi)決策樹(shù)模型是一種描述對(duì)實(shí)例進(jìn)行分類(lèi)的樹(shù)形結(jié)構(gòu)。其本質(zhì)上是從訓(xùn)練數(shù)據(jù)集中歸納出一組分類(lèi)規(guī)則，學(xué)習(xí)的算法通常是一個(gè)遞歸地選擇最優(yōu)特征，并根據(jù)該特征對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行分割，使得對(duì)各個(gè)子數(shù)據(jù)集有一個(gè)最好的分類(lèi)的過(guò)程。遞歸結(jié)束的條件是直至所有訓(xùn)練數(shù)據(jù)子集被基本正確分類(lèi)或者沒(méi)有合適的特征為止。

SVM的基本模型是定義在特征空間上的間隔最大的線(xiàn)性分割器，支持向量機(jī)還包括核技巧，這使它成為實(shí)質(zhì)上的非線(xiàn)性分類(lèi)器，常見(jiàn)的核函數(shù)有多項(xiàng)式核函數(shù)(Polynomial kernel function)和徑向基核函數(shù)(Radial basis function, RBF)等。

隨機(jī)森林是在以決策樹(shù)為基學(xué)習(xí)器的基礎(chǔ)上構(gòu)建的集成學(xué)習(xí)器，每個(gè)基學(xué)習(xí)器的訓(xùn)練數(shù)據(jù)集是在總的訓(xùn)練數(shù)據(jù)集中采樣獲得的，獲得若干個(gè)訓(xùn)練數(shù)據(jù)子集，就對(duì)應(yīng)得到數(shù)量相等的基學(xué)習(xí)器。此外，在決策樹(shù)的訓(xùn)練過(guò)程中引入了隨機(jī)屬性選擇，當(dāng)在樹(shù)的構(gòu)造過(guò)程中分割一個(gè)節(jié)點(diǎn)時(shí)，所選擇的分割不再是所有特性中最好的分割，而是特性的隨機(jī)子集中的最佳分割。隨機(jī)森林簡(jiǎn)單容易實(shí)現(xiàn)，計(jì)算開(kāi)銷(xiāo)小，被譽(yù)為“代表集成學(xué)習(xí)技術(shù)水平的方法[16]。

GBDT是一種常見(jiàn)的Boosting算法。算法每次迭代都是在之前模型損失函數(shù)的梯度下降方向去建立新的決策樹(shù)模型，同時(shí)一步一步地修復(fù)殘差而靠近最優(yōu)的模型，最后對(duì)弱分類(lèi)器進(jìn)行組合得到最終的模型，具有較好的泛化誤差。

將SKYE數(shù)據(jù)分為訓(xùn)練集和驗(yàn)證集，UAV數(shù)據(jù)作為測(cè)試集，基于K近鄰、決策樹(shù)、支持向量機(jī)、隨機(jī)森林和梯度提升決策樹(shù)5種機(jī)器學(xué)習(xí)算法，通過(guò)10折交叉驗(yàn)證在訓(xùn)練集中學(xué)習(xí)、在驗(yàn)證集進(jìn)行最優(yōu)參數(shù)的選擇，通過(guò)測(cè)試集評(píng)估模型的泛化能力。如果模型對(duì)于測(cè)試集的精度較好，說(shuō)明模型的泛化能力較好，能夠適用于UAV數(shù)據(jù)；如果精度較差，統(tǒng)計(jì)UAV數(shù)據(jù)在水稻各個(gè)生育期的植被指數(shù)的差異，在SKYE數(shù)據(jù)建立的機(jī)器學(xué)習(xí)水稻生育期識(shí)別模型的基礎(chǔ)上，通過(guò)植被指數(shù)閾值的方法區(qū)分在UAV數(shù)據(jù)識(shí)別過(guò)程中容易混淆的生育期。

試驗(yàn)中使用的常見(jiàn)的4種植被指數(shù)包括歸一化差值植被指數(shù)(Normalized difference vegetation index，NDVI)、綠波段歸一化植被指數(shù)(Normalized difference vegetation index green，NDVIgreen)[17]、歸一化差值紅邊指數(shù)(Normalized difference red edge index, NDRE)[18]和可見(jiàn)光大氣修正指數(shù)(Visible atmospherically resistant index，VARI)[19]，4種植被指數(shù)的計(jì)算方法見(jiàn)式(2)～(5)。

NDVI=(ρNIR-ρred)/(ρNIR+ρred)

(2)

NDVIgreen=(ρNIR-ρgreen)/(ρNIR+ρgreen)

(3)

NDRE=(ρrededge-ρred)/(ρrededge+ρred)

(4)

VARI=(ρgreen-ρred)/(ρgreen+ρred)

(5)

式中：ρNIR，ρred，ρgreen，ρrededge分別表示近紅外波段、紅波段、綠波段和紅邊波段的光譜反射率。

3 結(jié)果與討論

3.1 基于SKYE反射率的生育期識(shí)別模型

基于SKYE數(shù)據(jù)通過(guò)10折交叉驗(yàn)證利用KNN、決策樹(shù)、SVM、RF和GBDT共5種算法進(jìn)行學(xué)習(xí)訓(xùn)練，在最優(yōu)參數(shù)下，各個(gè)算法訓(xùn)練結(jié)果見(jiàn)表1，幾種算法的水稻生育期識(shí)別精度比較接近，其中RF算法和GBDT算法識(shí)別水稻生育期精度最高，分別為93.00%和92.25%，決策樹(shù)算法的精度最低，為90.42%，把簡(jiǎn)單的決策樹(shù)算法作為基學(xué)習(xí)器，通過(guò)集成學(xué)習(xí)，RF和GBDT算法的識(shí)別精度都得到了提升。

表1 基于SKYE數(shù)據(jù)的不同算法識(shí)別水稻生育期Table 1 Accuracy for recognizing rice growing stage using different classifier model and SKYE data

RF算法識(shí)別水稻生育期模型的混淆矩陣見(jiàn)表2，對(duì)水稻每個(gè)生育期的識(shí)別精度均超過(guò)70%，試驗(yàn)建立的水稻生育期識(shí)別模型對(duì)分蘗期、拔節(jié)孕穗期和灌漿成熟期的識(shí)別精度較高，而對(duì)抽穗揚(yáng)花期的識(shí)別精度偏低。拔節(jié)孕穗期和抽穗揚(yáng)花期互相錯(cuò)分的情況偏多，這主要是因?yàn)樵诔樗脒^(guò)程是水稻稻穗從劍葉葉鞘中逐漸抽出，試驗(yàn)中實(shí)地觀(guān)察以田間水稻10%抽出稻穗作為抽穗期開(kāi)始，而剛剛抽出的綠色稻穗對(duì)水稻冠層光譜的影響較小，從而水稻在抽穗揚(yáng)花期初期的冠層光譜與抽穗揚(yáng)花期之前的冠層光譜相比沒(méi)有明顯變化，這一現(xiàn)象從圖4也可以看出，所以這2個(gè)時(shí)期混淆的情況較多，區(qū)分這2個(gè)生育期的主要特征波段為紅邊波段，紅邊波段對(duì)冠層結(jié)構(gòu)比較敏感，在稻穗抽出后紅邊波段的反射率有逐漸增加的趨勢(shì)。原理較為簡(jiǎn)單的KNN算法識(shí)別水稻生育期的精度表現(xiàn)同樣較好，其混淆矩陣見(jiàn)表3，與表2中展現(xiàn)出的拔節(jié)孕穗期和抽穗揚(yáng)花期更容易互相錯(cuò)分的情況一致。

表2 基于SKYE數(shù)據(jù)的RF水稻生育期識(shí)別混淆矩陣Table 2 Confusion matrix of rice growing stage recognition using SKYE data and RF algorithm

3.2 模型應(yīng)用至無(wú)人機(jī)數(shù)據(jù)的適用性評(píng)價(jià)與模型完善

SKYE光譜數(shù)據(jù)具有時(shí)間分辨率高的特點(diǎn)，建立的生育期識(shí)別模型能夠精準(zhǔn)的劃分水稻的生育期，但是相比于地面平臺(tái)采集數(shù)據(jù)，無(wú)人機(jī)獲取數(shù)據(jù)具有范圍大、方便省時(shí)、可輸出影像展示的優(yōu)點(diǎn)，所以有必要將全部SKYE數(shù)據(jù)建立的水稻生育期識(shí)別機(jī)器學(xué)習(xí)模型推廣至UAV數(shù)據(jù)，評(píng)估模型的泛化能力，獲得能夠適用于UAV數(shù)據(jù)的水稻生育期識(shí)別模型。本研究利用以上算法模型對(duì)SKYE全部數(shù)據(jù)進(jìn)行訓(xùn)練，然后利用UAV數(shù)據(jù)進(jìn)行測(cè)試，不同算法的精度如表4所示。試驗(yàn)結(jié)果表明SVM算法的精度最差，對(duì)于無(wú)人機(jī)平臺(tái)數(shù)據(jù)適用性較差，而KNN算法的表現(xiàn)仍舊較好，精度達(dá)到了83.54%，優(yōu)于其他的幾個(gè)算法的表現(xiàn)。通過(guò)全部SKYE數(shù)據(jù)建立的KNN模型對(duì)UAV數(shù)據(jù)識(shí)別的混淆矩陣見(jiàn)表5。結(jié)果表明，模型對(duì)水稻分蘗期和灌漿成熟期的識(shí)別準(zhǔn)確率非常高，沒(méi)有出現(xiàn)混淆的情況，而把抽穗揚(yáng)花期大部分的數(shù)據(jù)錯(cuò)誤地識(shí)別為拔節(jié)孕穗期。其主要原因有2點(diǎn)：一是水稻抽穗揚(yáng)花期的冠層光譜與拔節(jié)孕穗期相似，不容易區(qū)分；另一個(gè)原因是2種儀器的傳感器觀(guān)測(cè)原理不同，同時(shí)無(wú)人機(jī)搭載的多光譜相機(jī)的波段范圍和中心波長(zhǎng)與SKYE的也不完全一致，所以UAV端的光譜數(shù)據(jù)與SKYE的光譜數(shù)據(jù)存在差異。同時(shí)，GBDT算法對(duì)UAV數(shù)據(jù)的識(shí)別精度也較高，其生育期識(shí)別混淆矩陣見(jiàn)表6，錯(cuò)誤識(shí)別的情況相對(duì)KNN算法較為復(fù)雜，不能依靠單一植被指數(shù)進(jìn)行區(qū)分。

表3 基于SKYE數(shù)據(jù)的KNN水稻生育期識(shí)別混淆矩陣Table 3 Confusion matrix of rice growing stage recognition using SKYE data and KNN algorithm

表4 基于UAV數(shù)據(jù)的不同算法水稻生育期識(shí)別Table 4 Accuracy for recognizing rice growing stage using different model and aerial-collected data

表5 基于UAV數(shù)據(jù)的KNN水稻生育期識(shí)別混淆矩陣Table 5 Confusion matrix of KNN algorithm recognizing rice growing stage using aerial-collected data

表6 基于UAV數(shù)據(jù)的GBDT水稻生育期識(shí)別混淆矩陣Table 6 Confusion matrix of GBDT algorithm recognizing rice growing stage using aerial-collected data

雖然水稻在拔節(jié)孕穗期和抽穗揚(yáng)花期的冠層光譜特征較為相似，但是在數(shù)值上還是存在差別，在抽穗揚(yáng)花期，綠波段、紅波段和紅邊波段的冠層反射率逐漸升高。統(tǒng)計(jì)UAV數(shù)據(jù)中水稻在拔節(jié)孕穗期和抽穗揚(yáng)花器的各個(gè)指數(shù)數(shù)值的頻率分布，如圖4所示，結(jié)果表明VARI的頻率分布在2個(gè)時(shí)期具有較好的區(qū)分，在水稻的拔節(jié)孕穗期有超過(guò)90%的VARI>0.73，同時(shí)水稻在抽穗揚(yáng)花期有超過(guò)70%的VARI<0.73，于是選定VARI=0.73作為區(qū)分水稻拔節(jié)孕穗期和抽穗揚(yáng)花期的閾值，當(dāng)VARI≥0.73時(shí)，認(rèn)為水稻處于拔節(jié)孕穗期；當(dāng)VARI<0.73時(shí)，認(rèn)為水稻處于抽穗揚(yáng)花期。

圖4 水稻4種植被指數(shù)在2個(gè)生育期的頻率分布圖
Fig.4 Frequency distribution of rice four kinds of vegetation index in two growing stages

結(jié)合了植被指數(shù)VARI的KNN算法對(duì)UAV數(shù)據(jù)的水稻生育期識(shí)別混淆矩陣見(jiàn)表7，對(duì)比表5發(fā)現(xiàn)對(duì)水稻抽穗揚(yáng)花期的識(shí)別更加準(zhǔn)確，大幅度提高了抽穗揚(yáng)花期識(shí)別的用戶(hù)精度，但是使用閾值方法使得拔節(jié)孕穗期被錯(cuò)誤的識(shí)別為抽穗揚(yáng)花期的數(shù)據(jù)少量的增加，整體來(lái)看，KNN算法結(jié)合VARI對(duì)UAV數(shù)據(jù)的識(shí)別精度達(dá)到了86.04%。相比于單獨(dú)使用KNN算法對(duì)各個(gè)生育期的識(shí)別精度更加均衡。

表7 基于UAV數(shù)據(jù)的KNN結(jié)合VARI 水稻生育期識(shí)別混淆矩陣Table 7 Confusion matrix of KNN combined with VARI recognizing rice growing stage using aerial-collected data

4 結(jié) 論

利用機(jī)器學(xué)習(xí)方法識(shí)別水稻生育期，基于高時(shí)間分辨率的SKYE數(shù)據(jù)建立了識(shí)別水稻生育期的機(jī)器學(xué)習(xí)模型，并將其推廣應(yīng)用于無(wú)人機(jī)影像以評(píng)價(jià)模型的泛化能力。結(jié)果表明：各機(jī)器學(xué)習(xí)方法對(duì)于SKYE數(shù)據(jù)均具有較好的識(shí)別精度，其中KNN算法精度為91.92%。將其推廣至無(wú)人機(jī)時(shí)，KNN算法的適應(yīng)性最好，識(shí)別準(zhǔn)確率為83.54%，但容易將抽穗揚(yáng)花期誤識(shí)別為拔節(jié)孕穗期；進(jìn)而提出了一種KNN算法結(jié)合VARI閾值篩選的方法進(jìn)行無(wú)人機(jī)平臺(tái)的水稻生育期識(shí)別，改進(jìn)后識(shí)別準(zhǔn)確率為86.04%，相比單獨(dú)的KNN算法整體識(shí)別精度略有提高，同時(shí)對(duì)各個(gè)生育期的識(shí)別精度更加均衡。

本研究基于綠、紅、紅邊、近紅外的冠層光譜反射率數(shù)據(jù)，最終獲得了針對(duì)SKYE平臺(tái)的KNN水稻生育期識(shí)別模型，以及針對(duì)UAV平臺(tái)的KNN結(jié)合VARI閾值的水稻生育期識(shí)別模型，能夠不依賴(lài)時(shí)序光譜數(shù)據(jù)識(shí)別水稻的關(guān)鍵生育期。提出的水稻生育期識(shí)別模型能夠輔助精準(zhǔn)農(nóng)業(yè)，為水稻的田間管理、長(zhǎng)勢(shì)評(píng)估和估產(chǎn)提供參考依據(jù)。可進(jìn)一步將本研究提出的生育期識(shí)別模型推廣應(yīng)用至衛(wèi)星影像，評(píng)估模型泛化能力，獲取大面積水稻的生育期信息，探索更大尺度的農(nóng)作物物候，有助于分析大范圍內(nèi)物候的時(shí)間波動(dòng)特征。