劉仕元，梁 晉，王帥斌，謝冰麗，張佳蕾，陳婷婷，萬(wàn)書(shū)波*，張 雷*

(1.華南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院,廣東 廣州510642；2.山東省農(nóng)業(yè)科學(xué)院生物技術(shù)研究中心,山東 濟(jì)南250100)

氮素是作物需求量最大的礦質(zhì)營(yíng)養(yǎng)元素,氮素營(yíng)養(yǎng)狀況對(duì)作物葉綠素含量影響顯著,可作為作物長(zhǎng)勢(shì)監(jiān)測(cè)的一種有效指標(biāo)[1-2]。作物葉片顏色的變化實(shí)質(zhì)上是作物體內(nèi)葉綠素含量的變化,而葉片葉綠素濃度與氮素含量之間有密切的關(guān)系[3]。但傳統(tǒng)的葉綠素測(cè)算手段繁瑣且難以實(shí)時(shí)監(jiān)控,因此需要尋找一種快速無(wú)損的檢測(cè)方法,為作物葉綠素的實(shí)時(shí)快速檢測(cè)提供便利。

近年來(lái),隨著無(wú)人機(jī)技術(shù)的興起,越來(lái)越多的學(xué)者利用無(wú)人機(jī)遙感對(duì)作物長(zhǎng)勢(shì)和生理狀態(tài)進(jìn)行評(píng)估,快速有效地對(duì)作物生長(zhǎng)特征進(jìn)行動(dòng)態(tài)監(jiān)測(cè)。通過(guò)提取葉片的顏色特征,利用線(xiàn)性擬合和逐步回歸分析,建立黃瓜初花期葉片光合色素含量的顏色特征估算模型[4]以及錦橙葉片氮含量的回歸模型[5]。結(jié)合數(shù)字圖像技術(shù),采用較低的飛行高度獲取田塊圖像,得到較高精度的大田植株圖像,可實(shí)現(xiàn)大田煙草缺苗數(shù)估測(cè)[6]。

目前國(guó)內(nèi)外學(xué)者利用無(wú)人機(jī)可見(jiàn)光光譜對(duì)作物葉片葉綠素含量診斷方面已經(jīng)有大量研究,且主要集中在油菜[7]、冬小麥[8]等作物,但利用無(wú)人機(jī)可見(jiàn)光影像進(jìn)行花生葉片葉綠素含量反演的研究較少。因此,本研究應(yīng)用無(wú)人機(jī)遙感平臺(tái)搭載數(shù)碼相機(jī)組成的可見(jiàn)光遙感系統(tǒng),低空獲取大面積花生冠層可見(jiàn)光光譜參數(shù),結(jié)合神經(jīng)網(wǎng)絡(luò)算法,實(shí)現(xiàn)利用無(wú)人機(jī)遙感實(shí)時(shí)監(jiān)測(cè)花生葉片葉綠素含量的動(dòng)態(tài)變化,為快速、準(zhǔn)確地測(cè)定花生養(yǎng)分狀況提供依據(jù)。

1 材料與方法

1.1 材料與設(shè)計(jì)

試驗(yàn)于2018年8-12月在華南農(nóng)業(yè)大學(xué)增城試驗(yàn)基地高產(chǎn)田進(jìn)行。供試品種為花育22號(hào)和花育25號(hào)。試驗(yàn)點(diǎn)0～20cm土壤基礎(chǔ)肥力狀況:有機(jī)質(zhì)15.31g/kg；堿解氮63.7g/kg；速效磷(P2O5)76.3mg/kg；速效鉀(K2O)103.6mg/kg；交換性鈣12.56g/kg；p H 7.6。采用起壟種植方式,壟距85cm,壟面寬55cm,壟高10cm,壟上2行花生,壟上小行距30～35cm,株距20cm,播深3.5～4.0cm,每穴2粒。試驗(yàn)設(shè)5個(gè)氮素水平,N0(不施氮,對(duì)照)；N1(純氮90kg/hm2)；N2(純氮150kg/hm2)；N3(純氮225kg/hm2)；N4(純氮300kg/hm2),3次重復(fù),共30個(gè)小區(qū)。

1.2 花生冠層航拍圖像信息的獲取

采用大疆精靈4無(wú)人機(jī)為遙感平臺(tái),其搭載的影像傳感器為1英寸CMOS,有效像素為2000萬(wàn)像素,最大飛行高度在120m以上,最大分辨率為4K。最大飛行時(shí)間28min,最大可控距離約5km。最高速度20m/s(72km/h)。分別在苗期(8月30日)、開(kāi)花下針期(9月18日)、結(jié)莢期(10月1日)、飽果期(10月12日)、收獲期(11月15日),選擇晴天光線(xiàn)較強(qiáng)的時(shí)間10:00-14:00進(jìn)行(太陽(yáng)高度角大于45°)拍攝。并使用Pix4dmapper軟件對(duì)無(wú)人機(jī)圖像進(jìn)行分析,獲取試驗(yàn)田的全局遙感圖像,最后通過(guò)ENIV對(duì)圖像進(jìn)行預(yù)處理,包括圖片降噪,土地黑化等,以去除環(huán)境對(duì)實(shí)驗(yàn)結(jié)果的影響。

圖1 無(wú)人機(jī)圖片處理主要步驟Fig.1 Main steps of UAV image processing

1.3 樣品采集與分析

本文使用SPAD葉綠素儀測(cè)定花生葉片葉綠素含量,每小區(qū)隨機(jī)取4株植株并標(biāo)注位置,在選取植株中測(cè)定植株3片功能葉并使用SPAD葉綠素儀測(cè)定葉綠素含量,使用3片葉的葉綠素含量平均值作為植株的葉綠素平均值,最終得到120個(gè)花生葉片葉綠素含量。

1.4 無(wú)人機(jī)圖像處理

無(wú)人機(jī)圖片處理主要包括圖片拼接,圖片降噪,圖片分割和圖像特征值的提取,如圖1所示。

經(jīng)過(guò)圖片采樣點(diǎn)匹配后進(jìn)行特征值提取,后將提取數(shù)據(jù)按神經(jīng)網(wǎng)絡(luò)輸入需求格式進(jìn)行保存,在完成訓(xùn)練集和測(cè)試集的劃分后用訓(xùn)練集進(jìn)行模型的訓(xùn)練,并利用驗(yàn)證集判斷模型的優(yōu)劣。本文采用

Pix4dmapper軟件對(duì)無(wú)人機(jī)圖像進(jìn)行拼接,使用Photoshop進(jìn)行圖片分割,使用ENVI進(jìn)行圖片特征值的提取,使用Python語(yǔ)言完成CNN和DNN模型的建立。

1.5 DNN網(wǎng)絡(luò)模型的建立

深度神經(jīng)網(wǎng)絡(luò)(Deep neural network,DNN),包括輸出層,輸入層和隱藏層的神經(jīng)網(wǎng)絡(luò)系統(tǒng),區(qū)別于傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò),DNN存在多層隱藏層,對(duì)數(shù)據(jù)特征的提取能力更強(qiáng),分析的效果和速度更快。但是全連接DNN的結(jié)構(gòu)中下層神經(jīng)元和所有上層神經(jīng)元都能夠形成連接,從而導(dǎo)致參數(shù)數(shù)量膨脹,這不僅容易導(dǎo)致過(guò)擬合,也容易造成陷入局部最優(yōu)。

為保證網(wǎng)絡(luò)能充分學(xué)習(xí)數(shù)據(jù)特征而且不出現(xiàn)過(guò)擬合現(xiàn)象,經(jīng)過(guò)多次實(shí)驗(yàn),最終本文得到一組實(shí)驗(yàn)結(jié)果優(yōu)越的網(wǎng)絡(luò)結(jié)構(gòu),如圖2所示:

圖2 DNN網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.2 Structure of DNN network model

本文使用DNN網(wǎng)絡(luò)共有4層,包括3層隱藏層(包含輸入層)和1層輸出層,在隱藏層中使用RELU為激勵(lì)函數(shù),輸出層為線(xiàn)性函數(shù),將模型的訓(xùn)練次數(shù)定位400次。

1.6 CNN網(wǎng)絡(luò)模型的建立

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural

Network,CNN)是一種深度前饋人工神經(jīng)網(wǎng)絡(luò),可基于梯度下降的方法進(jìn)行訓(xùn)練得到模型參數(shù)。相比較傳統(tǒng)的神經(jīng)網(wǎng)絡(luò),雖然表征能力已經(jīng)很強(qiáng),兩層的神經(jīng)網(wǎng)絡(luò)可近似表示所有函數(shù),但是卻很難訓(xùn)練。而卷積層的提出,在數(shù)據(jù)的各個(gè)區(qū)域上,使用數(shù)量較少的卷積核參數(shù)提取特征,并輔以池化層對(duì)數(shù)據(jù)進(jìn)行降維,壓縮數(shù)據(jù)和參數(shù)的數(shù)量,減小過(guò)擬合,并提高模型的容錯(cuò)性經(jīng)過(guò)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)可學(xué)習(xí)數(shù)據(jù)的特征,從而預(yù)測(cè)植物葉綠素的水平[9]。

為保證網(wǎng)絡(luò)能充分學(xué)習(xí)數(shù)據(jù)特征而且不出現(xiàn)過(guò)擬合現(xiàn)象,經(jīng)過(guò)多次實(shí)驗(yàn),最終本文得到一組實(shí)驗(yàn)結(jié)果優(yōu)越的網(wǎng)絡(luò)結(jié)構(gòu),如圖3所示:

圖3 CNN網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.3 CNN network model structure

本文提出的7層神經(jīng)網(wǎng)絡(luò),包括2個(gè)卷積層、2個(gè)池化層、2個(gè)全連接層和輸出層組成,卷積層和池化層由多個(gè)特征圖組成,每個(gè)特征圖由多個(gè)神經(jīng)元組成,每一層的特征圖作為下一層的輸入。本文使用RELU作為激勵(lì)函數(shù),卷積核大小均為5×5,步幅為默認(rèn)值1。并采用最大池化為池化層的方法。模型的訓(xùn)練次數(shù)定位400次。

神經(jīng)網(wǎng)絡(luò)中輸入14個(gè)圖像特征參數(shù)為自變量,并輸入葉綠素相對(duì)值為訓(xùn)練和模型估計(jì)提供依據(jù),每個(gè)網(wǎng)絡(luò)重復(fù)訓(xùn)練5次,獲得其預(yù)測(cè)值數(shù)據(jù),并計(jì)算實(shí)測(cè)值和預(yù)測(cè)值的平均相對(duì)誤差和平均絕對(duì)誤差。

2 結(jié)果與分析

2.1 施氮量對(duì)葉片葉綠素含量的影響

由圖4可知,兩個(gè)花生品種的葉片葉綠素含量均隨生育進(jìn)程呈先上升后下降的趨勢(shì),同一生育期不同施氮量比較發(fā)現(xiàn),150kg/hm2氮處理葉綠素含量明顯低于225kg/hm2和300kg/hm2處理。不同花生品種間比較發(fā)現(xiàn),花育22號(hào)225kg/hm2處理葉片葉綠素含量最高,而花育25號(hào)品種300kg/hm2處理葉片葉綠素含量最高。

圖4 施氮量對(duì)花生葉片葉綠素含量的影響Fig.4 Effect of nitrogen application on chlorophyll content in peanut leaves

圖5 無(wú)人機(jī)拍攝拼接圖片F(xiàn)ig.5 Mosaic images taken by UAV

分析可知,葉綠素含量的平均值為41.5475,最大值為58.0,最小值為26.6。同時(shí)本文隨機(jī)選取96組數(shù)據(jù)為模型的樣本集,24組數(shù)據(jù)為模型測(cè)試集。

2.2 多光譜影像的獲取

當(dāng)無(wú)人機(jī)完成圖片拍攝后使用Pix4dmapper對(duì)圖片進(jìn)行拼接,并使用ENIV對(duì)圖像參數(shù)進(jìn)行提取。

2.3 遙感影像參數(shù)的獲取

實(shí)驗(yàn)采集的無(wú)人機(jī)圖像是可見(jiàn)光圖像,在可見(jiàn)光圖像中,R、G、B分量分別位于622～760 nm、492～577 nm、435～450 nm區(qū)間,而作物所含的葉綠素a與葉綠素b在435～450 nm和622～760 nm內(nèi)存在光譜吸收,在492～577 nm內(nèi)存在反射的典型特征,因此利用R、G、B以及由它們組合成的顏色特征植被指數(shù)可用于花生葉片葉綠素檢測(cè)[10-11]。因而本文建立了紅光、綠光、藍(lán)光、歸一化紅光、歸一化綠光等參數(shù)建立檢測(cè)模型。所使用的圖像特征參數(shù)及計(jì)算公式見(jiàn)表1。

表1 圖像特征參數(shù)及其計(jì)算公式Table 1 Image feature parameters and their calculation formulas

2.4 神經(jīng)網(wǎng)絡(luò)的建立

使用pycharm作為編輯器,使用python作為編輯語(yǔ)言,將數(shù)據(jù)以Excel格式導(dǎo)入,并使用神經(jīng)網(wǎng)絡(luò)算法對(duì)數(shù)據(jù)進(jìn)行分析。

2.5 神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的比較

理想的神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測(cè)值應(yīng)該和農(nóng)學(xué)的測(cè)量數(shù)據(jù)非常接近,平均相對(duì)誤差和平均絕對(duì)誤差應(yīng)該向0靠近。由表2、圖6可知,DNN的樣本集預(yù)測(cè)值和農(nóng)學(xué)實(shí)測(cè)值訓(xùn)練集的平均絕對(duì)誤差在0.80～0.92之間,測(cè)試集在8.7～8.9之間。而CNN的預(yù)測(cè)值和農(nóng)學(xué)實(shí)測(cè)值訓(xùn)練集的平均絕對(duì)誤差在1～2之間,預(yù)測(cè)集在5.8～6.6之間。說(shuō)明CNN模型對(duì)參數(shù)變化的解釋能力好于DNN,但過(guò)擬合程度大于DNN。兩者的訓(xùn)練集平均絕對(duì)偏差和測(cè)試集平均絕對(duì)誤差均在誤差范圍內(nèi),因此認(rèn)為這2個(gè)模型均可作為葉綠素含量估測(cè)的模型。

表2 實(shí)測(cè)值和預(yù)測(cè)值的平均絕對(duì)誤差Table 2 Average relative error and average absolute error between observed value and predicted value

圖6 CNN和DNN預(yù)測(cè)值和實(shí)測(cè)值曲線(xiàn)Fig.6 Curve of CNN and DNN between predicted value and observed value

3 討論和結(jié)論

作物葉片葉綠素的合成需要大量氮素作為物質(zhì)基礎(chǔ),施氮量會(huì)直接影響作物葉片葉綠素含量[13-14]。葉綠素作為植物光合作用的核心部分,所吸收的太陽(yáng)輻射是光合作用色素含量的函數(shù),相關(guān)系數(shù)達(dá)0.689[15]。

遙感可見(jiàn)光影像作為遙感數(shù)據(jù)的重要組成部分,包含大量信息。直接提取遙感圖像的R、G、B值為參數(shù)建立模型,會(huì)存在光線(xiàn)變化,陰影及其他環(huán)境的影響,對(duì)模型的建立存在干擾,模型效果較差。因此,本文為保證信息的準(zhǔn)確性,將14個(gè)圖像特征參數(shù)作為輸入?yún)?shù)輸入模型中,最優(yōu)時(shí)平均相對(duì)誤差達(dá)0.8019,效果優(yōu)于直接提取R、G、B值為參數(shù)建立的模型。這與前人對(duì)雜草和土壤背景分析結(jié)果一致[16-17]。

傳統(tǒng)的淺層網(wǎng)絡(luò)模型操作簡(jiǎn)單,對(duì)于多維數(shù)據(jù)的處理能力底下,對(duì)數(shù)據(jù)的特征學(xué)習(xí)能力弱,需要大量的訓(xùn)練才可達(dá)到較好效果。而DNN是一種具備至少一個(gè)隱層的神經(jīng)網(wǎng)絡(luò),通過(guò)增加網(wǎng)絡(luò)的隱藏層層數(shù),為模型提供了更高的抽象層次,從而提高網(wǎng)絡(luò)對(duì)數(shù)據(jù)特征的學(xué)習(xí)能力。CNN在此基礎(chǔ)進(jìn)行優(yōu)化,使用卷積層自動(dòng)提取數(shù)據(jù)的特征,更改神經(jīng)元連接方式,使用局部連接及權(quán)值共享減少訓(xùn)練參數(shù)數(shù)量,提高模型對(duì)數(shù)據(jù)的分析和對(duì)特征的學(xué)習(xí)能力。本文采用DNN和CNN作為模型的網(wǎng)絡(luò)結(jié)構(gòu),訓(xùn)練400次后得到了較好效果。

本研究中,CNN模型和DNN模型完成400次訓(xùn)練后,DNN的樣本集預(yù)測(cè)值和農(nóng)學(xué)實(shí)測(cè)值訓(xùn)練集的平均絕對(duì)誤差在0.80～0.92之間,測(cè)試集在8.7～8.9之間。而CNN的預(yù)測(cè)值和農(nóng)學(xué)實(shí)測(cè)值的訓(xùn)練集的平均絕對(duì)誤差在1～2之間,預(yù)測(cè)集在5.8～6.6之間。CNN模型訓(xùn)練集和預(yù)測(cè)集的平均絕對(duì)誤差更為接近,證明在處理多維度數(shù)據(jù)時(shí),CNN擁有更好的收斂能力,相同訓(xùn)練次數(shù)預(yù)測(cè)結(jié)果更準(zhǔn)確。對(duì)模型進(jìn)行測(cè)試時(shí),部分結(jié)果和預(yù)測(cè)值偏差較大,可能由于數(shù)據(jù)量較小,模型無(wú)法處理全部情況,或模型建立有一定結(jié)構(gòu)問(wèn)題,存在可修改部分,尚需進(jìn)行模型優(yōu)化。

綜上所述,以無(wú)人機(jī)搭載可見(jiàn)光相機(jī)獲取花生不同時(shí)期可見(jiàn)光光譜圖像為基礎(chǔ),運(yùn)用CNN和DNN網(wǎng)絡(luò)模型,建立無(wú)人機(jī)可見(jiàn)光光譜圖像和葉片葉綠素含量的關(guān)系模型發(fā)現(xiàn),利用DNN和CNN所建立的花生葉片葉綠素監(jiān)測(cè)模型的預(yù)測(cè)值和農(nóng)學(xué)實(shí)測(cè)值的平均絕對(duì)誤差均在0.80～0.92和1～2之間,均可較好地預(yù)測(cè)花生葉片的葉綠素含量,為花生氮營(yíng)養(yǎng)反演提供準(zhǔn)確、快速、實(shí)時(shí)的監(jiān)測(cè)診斷方法。