劉欣誼，仲曉春，陳 晨，劉 濤，孫成明， 李冬雙，劉升平，王建軍，丁大偉，霍中洋

(1. 江蘇省作物遺傳生理重點實驗室/江蘇省作物栽培生理重點實驗室，揚州大學(xué)農(nóng)學(xué)院，江蘇揚州 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，揚州大學(xué)，江蘇揚州 225009；3. 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè) 信息化研究所，北京 100081；4. 張家港市農(nóng)業(yè)試驗站，江蘇張家港 215616)

在作物栽培管理過程中，產(chǎn)量預(yù)測是十分重要的環(huán)節(jié)。傳統(tǒng)的作物測產(chǎn)是通過田間破壞性取樣進行的，費時費力，且容易出現(xiàn)較大的人為誤差，因而探索一種快速、準(zhǔn)確、無損的作物估產(chǎn)方法十分必要。近年來，隨著市場的競爭以及耕地質(zhì)量的改變，小麥的產(chǎn)量逐年變化較大[1]。根據(jù)客觀情況，需要及時了解小麥種植的相關(guān)信息[2-3]，為國家經(jīng)濟和宏觀決策提供科學(xué)依據(jù)[4]。

目前，前人已經(jīng)開展了一些關(guān)于小麥估產(chǎn)的研究[5-7]。近年來在遙感技術(shù)的支持下，作物大面積產(chǎn)量估測逐漸成為研究的熱點。遙感估產(chǎn)研究中的直接估產(chǎn)是指直接構(gòu)建光譜植被指數(shù)和產(chǎn)量之間的關(guān)系模型，該方法應(yīng)用前景廣闊。在小麥估產(chǎn)模型中歸一化植被指數(shù)NDVI被大量使用[8-14]，但值得注意的是，隨著小麥生育進程的推進，NDVI與產(chǎn)量之間可能會出現(xiàn)不敏感現(xiàn)象[15]。為了提高估產(chǎn)精度，一些研究試圖將高時間分辨率圖像和高空間分辨率圖像結(jié)合起來構(gòu)建相應(yīng)的產(chǎn)量估測模型[16]。雖然利用衛(wèi)星獲取的高時間分辨率和高空間分辨率圖像能夠提升小麥產(chǎn)量估測精度，但由于其價格昂貴，且容易受到天氣和地形等因素的影響，在應(yīng)用上還有一定的局限性。而低空無人機平臺由于具有操作靈活、數(shù)據(jù)獲取效率高、測試時間可控、圖像成本低等優(yōu)點，在作物遙感監(jiān)測方面將得到越來越多的應(yīng)用，因此將無人機平臺應(yīng)用于小麥產(chǎn)量估測是可 行的。

雖然前人利用圖像顏色特征開展了一些作物產(chǎn)量估測方面的研究，但基于普通RGB圖像的顏色指數(shù)指示作物長勢的飽和程度不同，對產(chǎn)量估測的效果及潛力也不確定。因此，本研究以不同品種、不同種植密度和不同氮肥水平的小麥田間試驗為基礎(chǔ)，綜合分析基于無人機平臺獲取的小麥越冬前期和拔節(jié)期RGB圖像的顏色和紋理特征指數(shù)，構(gòu)建小麥產(chǎn)量預(yù)測模型，以期為作物生長前期進行產(chǎn)量預(yù)測提供有效技術(shù)途徑。

1 材料與方法

1.1 田間試驗設(shè)計

本研究共有2個試驗，其中試驗1的數(shù)據(jù)用于構(gòu)建小麥產(chǎn)量預(yù)測模型，試驗2的數(shù)據(jù)用于模型驗證。

試驗1為品種、種植密度和氮肥三因素隨機區(qū)組試驗，于2016-2017年在揚州大學(xué)實驗農(nóng)牧場進行。供試小麥品種為揚麥23號和揚輻麥4號。試驗設(shè)置3個種植密度水平，分別為100萬、150萬和200萬株·hm-2；設(shè)置4個氮肥水平，施氮量分別為0 kg·hm-2(N1)、120 kg·hm-2(N2)、160 kg·hm-2(N3)、200 kg·hm-2(N4)；肥料運籌方式為氮肥按基肥∶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·hm-2。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個小區(qū)。

試驗2于2017-2018年在張家港進行，供試小麥品種、種植密度、氮肥水平以及肥料運籌方式同試驗1。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無人機進行圖像數(shù)據(jù)采集。該款無人機搭載的相機分辨率為1 600萬像素，可以持續(xù)飛行約20 min，遙控器與無線跟焦器連接后，可將控制距離擴展至5 km。

1.2.2 圖像獲取過程

在小麥生長的前期(越冬前期和拔節(jié)期)利用無人機獲取田間圖像。為了保證飛機飛行的安全性和數(shù)據(jù)的可用性，需在起飛前對飛機進行航點、航線、飛行高度和圖像重復(fù)率的設(shè)置[17]。

1.2.3 產(chǎn)量測定

小麥成熟后，每個小區(qū)取2 m2面積小麥，脫粒后測實產(chǎn)。

1.3 數(shù)據(jù)分析與利用

1.3.1 無人機影像預(yù)處理方法

采用MATLAB R 2014b軟件進行無人圖像預(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)選擇

圖像顏色指數(shù)的類型很多。本研究選擇了比較常用的8個顏色指數(shù)用于無人機圖像數(shù)據(jù)分析，包括可見光大氣阻抗植被指數(shù)(VARI)、超紅植被指數(shù)(ExR)、超綠植被指數(shù)(ExG)、綠葉植被指數(shù)(GLI)、綠紅差值指數(shù)(ExGR)、歸一化差分指數(shù)(NDI)、改良綠紅植被指數(shù)(MGRVI)和紅綠藍植被指數(shù)(RGBVI)。

1.3.3 紋理指數(shù)提取

通過無人機圖像提取4個常用的紋理特征：能量(ASM)、對比度(CON)、相關(guān)度(COR)、熵(ENT)。

1.4 模型的構(gòu)建與評價

基于圖像顏色和紋理特征指數(shù)與小麥產(chǎn)量的相關(guān)性，選擇相關(guān)系數(shù)最大的顏色及紋理特征指數(shù)，構(gòu)建單一或多元的回歸模型。然后利用獨立的實測產(chǎn)量數(shù)據(jù)，并基于決定系數(shù)(R2)、均方根誤差(RMSE)以及1∶1圖對模型進行驗證和評價(試驗2數(shù)據(jù))。

2 結(jié)果與分析

2.1 基于生育前期圖像顏色指數(shù)的小麥產(chǎn)量預(yù)測模型建立與驗證

2.1.1 圖像顏色指數(shù)與小麥產(chǎn)量的相關(guān)性

相關(guān)分析(表1)表明，在小麥生育前期，8個無人機圖像顏色指數(shù)與產(chǎn)量的相關(guān)性差異較大。在越冬前期，由于麥苗還沒有全部覆蓋地面，圖像整體質(zhì)量較差，相關(guān)系數(shù)總體偏低；ExGR、GLI、MGRVI與產(chǎn)量相關(guān)性達到顯著水平，ExG、NDI、ExR與產(chǎn)量的相關(guān)性達到極顯著水平，其中NDI與產(chǎn)量相關(guān)性最大，相關(guān)系數(shù)為0.738。隨著生育進程的推進，拔節(jié)期的圖像質(zhì)量也隨之改善，相關(guān)系數(shù)較越冬前期明顯提升，8個圖像顏色指數(shù)與最終產(chǎn)量的相關(guān)性均達到極顯著水平，其中VARI與產(chǎn)量相關(guān)性最大，相關(guān)系數(shù)為0.837。

2.1.2 模型建立

根據(jù)相關(guān)分析結(jié)果，在越冬前期利用顏色指數(shù)NDI建立的小麥產(chǎn)量預(yù)測模型Y=17 253×NDI+3 534.5，R2=0.542 2，擬合性達到極顯著水平。在拔節(jié)期利用顏色指數(shù)VARI建立的產(chǎn)量預(yù)測模型為Y=14 680×VARI+ 3 107.7，R2=0.700 8，擬合性也達到極顯著水平。

表1 小麥生育前期無人機圖像顏色指數(shù)與產(chǎn)量的相關(guān)性Table 1 Correlations between color indices of UAV image and wheat yield at early growth stage

2.1.3 模型驗證

利用試驗2數(shù)據(jù)對小麥產(chǎn)量預(yù)測模型進行驗證，并繪制實測值與預(yù)測值的1∶1關(guān)系圖(圖1)。由圖1可知，實測產(chǎn)量值與模型預(yù)測產(chǎn)量值比較接近，二者間趨勢基本一致。其中越冬前期和拔節(jié)期驗證的R2分別為0.540 6和 0.603 4，兩個時期預(yù)測值與實測值呈極顯著正相關(guān)(P<0.01)。同時,兩個時期的RMSE均較小，分別為671.26和639.78 kg·hm-2。這表明兩個時期的估產(chǎn)模型的精度均較高。

圖1 基于生育前期圖像顏色指數(shù)的小麥產(chǎn)量預(yù)測模型驗證效果(A：越冬前期；B：拔節(jié)期)Fig.1 Verification effect of wheat yield prediction model based on color indices at early growth stage (A: early wintering stage; B: jointing stage)

2.2 基于生育前期圖像顏色與紋理特征指數(shù)的小麥產(chǎn)量預(yù)測模型建立和驗證

2.2.1 圖像紋理特征指數(shù)與小麥產(chǎn)量的相關(guān)性

經(jīng)相關(guān)分析，4個紋理特征指數(shù)與產(chǎn)量的相關(guān)性在小麥越冬前期均未達到顯著水平，拔節(jié)期的相關(guān)性有所提升，其中CON、COR與小麥產(chǎn)量分別呈顯著和極顯著相關(guān)(表2)?？傮w上紋理特征指數(shù)與產(chǎn)量的相關(guān)性小于圖像顏色指數(shù)。

表2 小麥生育前期無人機圖像紋理特征指數(shù)與產(chǎn)量的相關(guān)性Table 2 Correlations between texture feature indices of UAV image and wheat yield at early growth stage

2.2.2 模型建立

根據(jù)表1和表2的結(jié)果，在越冬前期選擇相關(guān)性最高的紋理特征指數(shù)ENT與顏色指數(shù)NDI相結(jié)合，在拔節(jié)期選擇紋理特征指數(shù)COR與顏色指數(shù)VARI相結(jié)合，通過回歸分析構(gòu)建產(chǎn)量預(yù)測的二元模型。其中，越冬前期小麥產(chǎn)量預(yù)測模型為Y=16 343.16×NDI+2 051.14×ENT+19.62，R2為0.623，較單一顏色指數(shù)模型提升14.52%。拔節(jié)期小麥產(chǎn)量預(yù)測模型為Y= 11 900.4×VARI- 1 453.76×COR+540.8，R2為0.744，較單一顏色指數(shù)模型提升6.13%。這表明二元模型建模效果更優(yōu)。

2.2.3 模型驗證

利用獨立數(shù)據(jù)對小麥產(chǎn)量二元估測模型進行驗證，并繪制實測值與模型預(yù)測值的1∶1關(guān)系圖(圖2)。由圖2可知，基于越冬前期和拔節(jié)期的小麥產(chǎn)量預(yù)測值與實測值之間有較好的一致性。其中越冬前期和拔節(jié)期模型驗證的R2分別為 0.629和0.746，較單一顏色指數(shù)模型分別提升 16.27%和23.71%。統(tǒng)計分析表明，兩個時期模型預(yù)測值與實測值的相關(guān)性均達到極顯著水平。同時，越冬前期和拔節(jié)期的RMSE分別為611.82和510.29 kg·hm-2，較單一顏色指數(shù)模型分別減小 8.85%和20.24%。這表明小麥產(chǎn)量二元 估測模型的精度和可靠性高于單一顏色指數(shù) 模型。

3 討 論

作物產(chǎn)量的準(zhǔn)確估算與高效預(yù)測是農(nóng)業(yè)研究人員關(guān)注的主要領(lǐng)域之一[18]。在作物收獲前利用信息技術(shù)手段進行實時快速估產(chǎn)已成為當(dāng)前的研究熱點。目前，基于不同傳感技術(shù)監(jiān)測作物生長的研究很多，也取得了不少的進展[19-23]。但基于RGB圖像預(yù)測小麥產(chǎn)量的研究還較少。本研究對越冬前期、拔節(jié)期顏色指數(shù)和紋理特征指數(shù)與小麥產(chǎn)量的相關(guān)性進行了系統(tǒng)分析，并構(gòu)建了相應(yīng)的產(chǎn)量預(yù)測模型。結(jié)果表明，單一生育時期植被指數(shù)與產(chǎn)量有較高相關(guān)性，但不同時期之間也有差異。本研究的2個時期中，拔節(jié)期圖像顏色及紋理特征指數(shù)與小麥產(chǎn)量的相關(guān)性要好于越冬前期，產(chǎn)量預(yù)測模型的效果也較好。

Sakamoto等[24]利用數(shù)碼相機獲取的圖像計算植被指數(shù)并對水稻產(chǎn)量進行預(yù)測，同時分析了數(shù)碼相機在產(chǎn)量估測上的應(yīng)用潛力。Wang等[25]利用遙感技術(shù)對小麥產(chǎn)量進行了預(yù)測，發(fā)現(xiàn)在小麥生長后期預(yù)測精度較高。李衛(wèi)國等[26]基于TM影像數(shù)據(jù)，綜合考慮小麥產(chǎn)量形成的生理生態(tài)過程，建立了小麥估產(chǎn)模型，但是由于影像分辨率較低，估測的精度不高。本研究結(jié)果表明，通過無人機RGB圖像中提取的顏色指數(shù)和紋理特征指數(shù)預(yù)測小麥產(chǎn)量時，大部分的顏色指數(shù)表現(xiàn)較好，而紋理特征指數(shù)效果較差，但二者結(jié)合后，效果有明顯提升。這與周 祥等[27]得出的結(jié)果一致。

本研究基于無人機圖像技術(shù)實現(xiàn)了對小麥產(chǎn)量的預(yù)測且效果較好，但還存在一些需要改進的地方：(1)RGB圖像的預(yù)處理方法有待進一步加強。隨著無人機平臺在更大監(jiān)測區(qū)域上的應(yīng)用，會涉及到監(jiān)測角度不同和影像拼接等問題，所以預(yù)處理流程還需不斷完善。另外，預(yù)處理方法的普適性也需要進一步加強，其準(zhǔn)確性有待進一步驗證。(2)無人機現(xiàn)在可以搭載各種不同的相機，如熱紅外、高光譜相機等，在今后的研究中，應(yīng)綜合利用圖像的光譜、顏色和紋理等信息，提高預(yù)測精度。(3)影響作物產(chǎn)量的因素眾多，如作物的葉綠素含量、葉面積指數(shù)以及各種環(huán)境條件等，僅僅基于單一的圖像數(shù)據(jù)對產(chǎn)量進行預(yù)測是不夠的。另外，研究中模型構(gòu)建采用的是線性回歸的方法，但實際情況中還有很多非線性的因素。這些都是在后續(xù)的研究中需要充分考慮的。

4 結(jié) 論

利用無人機獲取小麥生育前期田間圖像并構(gòu)建基于圖像顏色和紋理特征指數(shù)的小麥產(chǎn)量預(yù)測模型。其中越冬前期和拔節(jié)期分別利用顏色指數(shù)NDI和VARI構(gòu)建的產(chǎn)量預(yù)測模型均具有較好的預(yù)測效果。越冬前期顏色指數(shù)NDI和紋理特征指數(shù)ENT結(jié)合、拔節(jié)期顏色指數(shù)VARI和紋理特征指數(shù)COR結(jié)合構(gòu)建的產(chǎn)量預(yù)測模型精度優(yōu)于單一顏色指數(shù)模型的精度，因此更適合小麥產(chǎn)量估測。