周愷, 周彤, 丁峰, 丁大偉, 武威, 姚照勝,劉濤, 霍中洋, 孫成明*

(1.揚(yáng)州大學(xué), 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, 江蘇 揚(yáng)州 225009; 2.張家港市農(nóng)業(yè)試驗(yàn)站, 江蘇 張家港 215616)

小麥?zhǔn)俏覈?guó)主要的糧食作物之一，研究小麥的生長(zhǎng)發(fā)育對(duì)指導(dǎo)農(nóng)作物生產(chǎn)和增產(chǎn)穩(wěn)產(chǎn)有著重大的意義。葉面積指數(shù)(leaf area index, LAI)指單位面積土地上植被葉面積總和占土地面積的倍數(shù)[1]，是小麥的基本農(nóng)學(xué)參數(shù)，其不僅與小麥光合作用、蒸騰作用密切相關(guān)，還常常作為評(píng)價(jià)小麥長(zhǎng)勢(shì)和產(chǎn)量的依據(jù)[2]，通過(guò)對(duì)小麥LAI的動(dòng)態(tài)監(jiān)測(cè)可反映小麥群體生長(zhǎng)狀況，為小麥栽培管理和高產(chǎn)穩(wěn)產(chǎn)提供指導(dǎo)。但傳統(tǒng)的LAI測(cè)定方法操作復(fù)雜，對(duì)農(nóng)作物傷害大，且不適用于大尺度LAI的獲取，因此，如何快速、準(zhǔn)確地獲取LAI成為研究熱點(diǎn)[3]。隨著遙感技術(shù)的發(fā)展與完善，基于遙感數(shù)據(jù)估測(cè)LAI成為可能，如王來(lái)剛等[4]通過(guò)融合HJ-CCD 和SPOT-5 兩種不同時(shí)空分辨率數(shù)據(jù)，實(shí)現(xiàn)高空間分辨率LAI 時(shí)間序列的估算，為小麥生長(zhǎng)監(jiān)測(cè)提供理論依據(jù)。但是，衛(wèi)星重訪周期長(zhǎng)、影像空間分辨率較低[5]，航天遙感數(shù)據(jù)處理難、運(yùn)營(yíng)成本高[6]，地面光譜測(cè)量數(shù)據(jù)獲取工作量大等[7]問(wèn)題限制了傳統(tǒng)遙感技術(shù)在農(nóng)業(yè)應(yīng)用中的價(jià)值。

近年來(lái)，小型無(wú)人機(jī)快速發(fā)展且在農(nóng)業(yè)上應(yīng)用越來(lái)越多，使得無(wú)人機(jī)遙感成為農(nóng)情監(jiān)測(cè)的有效手段[8]。Sugiura等[9]通過(guò)無(wú)人機(jī)搭載成像傳感器獲取作物L(fēng)AI，劃分出研究區(qū)域作物L(fēng)AI分布情況；Córcoles等[10]利用旋翼無(wú)人機(jī)測(cè)量洋蔥郁閉度，分析了郁閉度與LAI的關(guān)系。然而，無(wú)人機(jī)搭載的傳感器受到重量和體型的限制，并且目前已有的傳感器大多價(jià)格昂貴以及后期數(shù)據(jù)處理復(fù)雜，限制了無(wú)人機(jī)在農(nóng)業(yè)領(lǐng)域的推廣[11-13]。數(shù)碼相機(jī)體積小、成本低、獲取圖像便捷，已逐漸成為基于數(shù)字圖像農(nóng)業(yè)研究的主要工具，如李明等[14]基于復(fù)雜圖像提取小麥 LAI法，并較好地模擬了不同條件下 LAI 的變化，為數(shù)碼圖像的農(nóng)業(yè)應(yīng)用奠定基礎(chǔ)，但數(shù)碼相機(jī)數(shù)據(jù)獲取方式固定以及數(shù)碼圖像幅寬較小，僅適合小范圍區(qū)域的農(nóng)業(yè)研究[15]。因此，利用無(wú)人機(jī)搭載數(shù)碼相機(jī)建立高性?xún)r(jià)比的遙感監(jiān)測(cè)系統(tǒng)成為農(nóng)業(yè)研究熱點(diǎn)。Possoch等[16]基于無(wú)人機(jī)RGB圖像建立了多時(shí)間作物表面模型(CSMS)，估算牧草株高和衡量牧草質(zhì)量；汪小欽等[17]基于健康綠色植被光譜特征分析無(wú)人機(jī)RGB圖像中植被與非植被的光譜特征，成功構(gòu)建出可見(jiàn)光波段差異植被指數(shù)VDVI用以提取植被信息。

上述研究結(jié)果展現(xiàn)了無(wú)人機(jī)搭載數(shù)碼相機(jī)在農(nóng)業(yè)上的應(yīng)用前景，但直接將無(wú)人機(jī)數(shù)碼影像用于估測(cè)作物L(fēng)AI研究還較少。鑒于此，本文利用無(wú)人機(jī)搭載數(shù)碼相機(jī)獲取農(nóng)田RGB影像，利用RGB構(gòu)建的圖像顏色特征指數(shù)與LAI進(jìn)行相關(guān)性分析，并進(jìn)行小麥LAI估算模型的構(gòu)建與驗(yàn)證，選出最佳的小麥LAI估算模型，以期為作物L(fēng)AI的田間快速無(wú)損監(jiān)測(cè)提供參考。

1 材料與方法

1.1 田間試驗(yàn)設(shè)計(jì)

本試驗(yàn)于2016—2017和2017—2018兩個(gè)年度在揚(yáng)州大學(xué)實(shí)驗(yàn)農(nóng)牧場(chǎng)進(jìn)行，選用揚(yáng)麥23號(hào)和寧麥13號(hào)為研究對(duì)象，前茬為水稻，土壤質(zhì)地為沙壤土，0～20 cm土層有機(jī)質(zhì)含量為23.14 g·kg-1，水解氮含量為106.12 mg·kg-1，速效磷含量為101.08 mg·kg-1，速效鉀含量為87.78 mg·kg-1。

設(shè)置3個(gè)密度水平，分別為150 (M1)、225(M2)、300萬(wàn)株·hm-2(M3);設(shè)置4個(gè)氮水平，分別為0(N1)、180(N2)、240(N3)、300 kg·hm-2(N4)。氮肥施用比例為基肥∶壯蘗肥∶拔節(jié)肥∶孕穗肥=5∶1∶2∶2，磷鉀肥為基肥∶拔節(jié)肥=5∶5，施用量均為120 kg·hm-2。于2016年11月14日和2017年11月7日播種，小區(qū)面積為9.8 m2，分別于越冬期、返青期、拔節(jié)期、開(kāi)花期、灌漿期采集圖像，同時(shí)進(jìn)行田間取樣并通過(guò)比葉重法計(jì)算出小麥葉面積指數(shù)(LAI)。

1.2 數(shù)據(jù)采集設(shè)備

本研究采用大疆公司生產(chǎn)的inspire 1 RAW無(wú)人機(jī)以及ZENMUSE X5R(禪思)航拍相機(jī)為數(shù)據(jù)采集傳感器，該無(wú)人機(jī)具有體積小、操作方便、搭載重量大、功能強(qiáng)大等優(yōu)點(diǎn)，持續(xù)飛行時(shí)間約為15～20 min；相機(jī)具有強(qiáng)大的影像能力，可以拍攝1 600萬(wàn)像素DNG無(wú)損格式的照片和高清畫(huà)質(zhì)4K視頻。

1.3 無(wú)人機(jī)圖像獲取

為了保證作業(yè)時(shí)飛機(jī)的安全性及數(shù)據(jù)采集的可靠性，起飛前需進(jìn)行無(wú)人機(jī)安全檢查，并且設(shè)定航點(diǎn)、航線、飛行高度以及圖像重復(fù)率。

GS Pro是專(zhuān)業(yè)的地面站，側(cè)重規(guī)劃任務(wù)，控制無(wú)人機(jī)自主規(guī)劃框選范圍內(nèi)的航線，完成測(cè)繪拍攝任務(wù)。本研究利用DJI GS Pro在指定區(qū)域內(nèi)自動(dòng)生成航線，自動(dòng)飛行、自動(dòng)拍攝并完成相關(guān)數(shù)據(jù)的接受、處理和發(fā)送。無(wú)人機(jī)采用“S”型路線，飛行高度為9 m，相鄰圖像的重復(fù)率設(shè)置在65%～90%，在這個(gè)范圍內(nèi)重復(fù)率越高圖像拼接精度越高，主航線上圖像重復(fù)率設(shè)置為60%，主航線間圖像重復(fù)率設(shè)置為70%。采集完圖像后利用軟件Photoscan將圖像生成正射影像和三維點(diǎn)云數(shù)據(jù)，通過(guò)相鄰圖像的特征匹配將相鄰圖像無(wú)縫拼接起來(lái)。

1.4 無(wú)人機(jī)圖像預(yù)處理

利用Matlab軟件對(duì)圖像預(yù)處理，包括圖像裁剪、去噪、平滑、銳化等操作。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，然后去除數(shù)字圖像中的噪聲，再通過(guò)平滑和銳化來(lái)減小目標(biāo)物像素提取的損失。

1.5 小麥數(shù)字圖像顏色特征指數(shù)計(jì)算

基于無(wú)人機(jī)獲取的小麥LAI圖像為RGB圖像，利用ENVI5.3獲取各小區(qū)R、G、B平均值，計(jì)算歸一化顏色指數(shù)r、g、b，并獲得9種顏色指數(shù)，如表1所示。

表1 常用的顏色指數(shù)Table 1 Commonly used color index

1.6 LAI估算模型的構(gòu)建與驗(yàn)證

本研究采用常用的指數(shù)、線性、對(duì)數(shù)、多項(xiàng)式和冪函數(shù)等模型，基于2016—2017年數(shù)據(jù)利用SPSS進(jìn)行小麥LAI估算。利用2017—2018數(shù)據(jù)實(shí)測(cè)數(shù)據(jù)對(duì)模擬結(jié)果進(jìn)行驗(yàn)證，利用決定系數(shù)(R2)和均方根誤差(RMSE)分析模型的優(yōu)劣。

2 結(jié)果與分析

2.1 無(wú)人機(jī)圖像顏色指數(shù)與LAI的相關(guān)性分析

9個(gè)顏色指數(shù)與葉面積指數(shù)的相關(guān)性分析結(jié)果如表2所示?？梢钥闯?，在小麥生長(zhǎng)前期(越冬期、返青期)，顏色指數(shù)與LAI的相關(guān)性均較弱，除了返青期的NRI，其他指數(shù)與LAI相關(guān)性均未達(dá)到顯著水平。而到了生育后期(拔節(jié)期、開(kāi)花期、灌漿期)，所有顏色指數(shù)與LAI的相關(guān)性均達(dá)到了極顯著水平，因此選用拔節(jié)期、開(kāi)花期、灌漿期這三個(gè)時(shí)期進(jìn)行小麥LAI的估算。

表2 顏色指數(shù)與LAI相關(guān)性分析Table 2 Correlation analysis between color index and LAI (n=12)

2.2 拔節(jié)期小麥LAI估算與驗(yàn)證分析

將拔節(jié)期圖像顏色指數(shù)與田間采集的LAI數(shù)據(jù)進(jìn)行分析建模，并將5種經(jīng)驗(yàn)?zāi)Ｐ椭蠷2最大的作為最終的估算模型，結(jié)果如圖1所示?？梢钥闯?，各顏色指數(shù)構(gòu)建的小麥LAI估算模型效果均較好，R2在0.598～0.784之間。其中，GRVI、GLI、MGRVI和ExG為冪函數(shù)模型，NGI和ExGR為指數(shù)模型，ARVI和ExR為二次多項(xiàng)式模型，NRI為線性模型。在所有估算模型中，以NRI為因子的線性模型效果最佳，R2為0.784 4，其次是GRVI和MGRVI構(gòu)建的冪函數(shù)模型，R2均在0.78以上。

利用2017—2018年度的實(shí)測(cè)數(shù)據(jù)對(duì)模型精度進(jìn)行驗(yàn)證，結(jié)果如表3所示。由表3可知，驗(yàn)證模型的R2在0.593～0.853之間，RMSE在0.470～0.838之間，說(shuō)明構(gòu)建的模型估算拔節(jié)期LAI的結(jié)果可靠，且準(zhǔn)確率較高。其中，ExR的多項(xiàng)式模型效果最好，y=-197.91x2+4.630 7x+5.059 6，R2和RMSE分別為0.853和0.512。

表3 拔節(jié)期LAI估算結(jié)果驗(yàn)證Table 3 Verification of LAI estimation results at jointing stage

2.3 開(kāi)花期小麥LAI估算與驗(yàn)證分析

將開(kāi)花期圖像顏色指數(shù)與田間采集的LAI數(shù)據(jù)進(jìn)行分析建模，如圖2所示?？梢钥闯?，模型決定系數(shù)R2在0.621～0.768，說(shuō)明構(gòu)建的模型效果較好。其中NRI、NGI和ARVI為冪函數(shù)模型，其余皆為指數(shù)模型。模型構(gòu)建效果最好的是以ExR為因子的指數(shù)模型，R2為0.768，其次是GRVI和MGRVI構(gòu)建的模型，R2均在0.750以上。

利用2017—2018年度開(kāi)花期的實(shí)測(cè)數(shù)據(jù)對(duì)模型的精度進(jìn)行驗(yàn)證，結(jié)果如表4所示?？芍?yàn)證模型的R2在0.518～0.784之間，RMSE在0.396～0.600之間，說(shuō)明構(gòu)建的模型估算開(kāi)花期LAI的結(jié)果可靠，且準(zhǔn)確率較高。其中，GRVI的指數(shù)模型效果最好，y= 0.655 3e8.731 4x，R2和RMSE分別為0.784和0.396。

表4 開(kāi)花期LAI估算結(jié)果驗(yàn)證Table 4 Verification of LAI estimation results at flowering stage

2.4 灌漿期小麥LAI估算與驗(yàn)證分析

將灌漿期圖像顏色指數(shù)與田間采集的LAI數(shù)據(jù)進(jìn)行分析建模，如圖3所示?？梢钥闯?，顏色指數(shù)與LAI構(gòu)建的模型決定系數(shù)(R2)在0.558～0.692之間，雖然模型的擬合效果較好，但與拔節(jié)期和開(kāi)花期相比，精度已明顯下降。在模型類(lèi)型方面，GLI和ExG為之冪函數(shù)模型，NGI為線性模型，ExGR為指數(shù)模型，其余均為多項(xiàng)式模型。其中GLI和ExG構(gòu)建的冪函數(shù)模型效果最好，R2在0.690左右。

利用2017—2018年度灌漿期的實(shí)測(cè)數(shù)據(jù)對(duì)模型的精度進(jìn)行驗(yàn)證，如表5所示。可知，模型驗(yàn)證的R2在0.565～0.768之間，RMSE在0.319～0.412之間，說(shuō)明構(gòu)建的模型估算開(kāi)花期LAI的結(jié)果比較可靠，且準(zhǔn)確率較高。其中，ExGR指數(shù)模型效果最好，y=2.005e10.546x，R2和RMSE分別為0.768和0.319。

表5 灌漿期LAI估算結(jié)果驗(yàn)證Table 5 Verification of LAI estimation results at filling stage

3 討論

前人利用無(wú)人機(jī)高光譜遙感對(duì)小麥LAI進(jìn)行了反演研究，構(gòu)建了一些反演模型，如高林等[26]基于比值型光譜指數(shù)的對(duì)數(shù)形式lg(RSI)構(gòu)建的線性模型與lg(LAI)有較優(yōu)的線性關(guān)系(決定系數(shù)R2=0.737)；潘海珠等[27]基于RENDVI 指數(shù)模型模擬的LAI與地面實(shí)測(cè)值高度擬合(R2=0.83)。也有利用近地光譜技術(shù)反演了小麥LAI，如孫華林等[28]利用ASD光譜儀，分析了晚播小麥LAI與光譜指數(shù)之間的關(guān)系，構(gòu)建了冪函數(shù)模型(R2=0.974)。上述研究雖然有一定的優(yōu)勢(shì)，但與無(wú)人機(jī)圖像技術(shù)相比，還存在一些不足：首先是基于作物冠層的光譜信息估測(cè)作物L(fēng)AI在作物生長(zhǎng)發(fā)育的后期，存在一定的光譜信息飽和現(xiàn)象，準(zhǔn)確率會(huì)下降，雖然近地光譜反演的準(zhǔn)確率較高，但其獲得的只是點(diǎn)上的數(shù)據(jù)；其次是數(shù)碼相機(jī)易于操作、價(jià)格較低、空間分辨率高，使得無(wú)人機(jī)搭載高清數(shù)碼相機(jī)作為一種新型的遙感數(shù)據(jù)獲取技術(shù)得到快速發(fā)展[29]，而且可以在區(qū)域?qū)用孢M(jìn)行應(yīng)用。

本文利用無(wú)人機(jī)獲取麥田RGB圖像，通過(guò)不同的顏色指數(shù)構(gòu)建LAI估算模型，結(jié)果表明，LAI估算效果較好，與已有的使用數(shù)碼影像變量估算其他作物L(fēng)AI的研究結(jié)果基本一致[7,14,21,25]，表明了無(wú)人機(jī)圖像數(shù)據(jù)估算小麥LAI的可行性。但本研究利用無(wú)人機(jī)圖像數(shù)據(jù)估算小麥LAI還存在一些不足，首先是品種還比較單一，缺少代表性，其次僅基于一個(gè)試驗(yàn)點(diǎn)的影像數(shù)據(jù)，對(duì)不同地區(qū)缺少普適性。另外研究中也發(fā)現(xiàn)在小麥生長(zhǎng)前期圖像參數(shù)與LAI相關(guān)性差，這可能是由于小麥生長(zhǎng)前期LAI較小，圖像參數(shù)受到背景因素影響較大，也可能與圖像在一天中的采集時(shí)間、無(wú)人機(jī)飛行高度等因素有關(guān)，這些均需要在以后的研究中進(jìn)一步探索，以期構(gòu)建一個(gè)普適性更好的估算模型。