劉 楊，馮海寬，孫 乾，楊福芹，楊貴軍

1.農(nóng)業(yè)部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室，北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097 2.山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院，山東 青島 266590 3.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097 4.北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京 100097 5.河南工程學(xué)院土木工程學(xué)院，河南 鄭州 451191

引 言

地上生物量(above ground biomass，AGB)是作物生長(zhǎng)發(fā)育過(guò)程中進(jìn)行光合作用的產(chǎn)物，能夠反映作物長(zhǎng)勢(shì)狀況和營(yíng)養(yǎng)狀態(tài)，與作物產(chǎn)量有著密切的聯(lián)系[1]。因此，快速精準(zhǔn)地監(jiān)測(cè)AGB信息對(duì)指導(dǎo)農(nóng)田精準(zhǔn)管理和挖掘生產(chǎn)潛力具有重要的意義[2]。傳統(tǒng)的AGB測(cè)定主要以田間取樣調(diào)查為主，雖能夠達(dá)到一定的估算精度，但破壞性強(qiáng)、非動(dòng)態(tài)性和花費(fèi)成本高，且局限于小面積[3-4]。近年來(lái)，將遙感技術(shù)用于反演作物的生化參數(shù)，檢測(cè)生態(tài)環(huán)境信息等方面得到廣泛關(guān)注[5]。相較于其他遙感技術(shù)，無(wú)人機(jī)遙感具有運(yùn)營(yíng)成本較低、操作更為簡(jiǎn)單、可云下獲取高分辨率影像等優(yōu)勢(shì)，更適合田塊尺度觀測(cè)，是現(xiàn)代化農(nóng)業(yè)向定量精細(xì)化邁入的重要技術(shù)手段[6-7]。

目前，基于無(wú)人機(jī)遙感平臺(tái)搭載的多種傳感器(如高光譜和激光雷達(dá))相繼用于作物AGB獲取，但因傳感器價(jià)格昂貴，制約了無(wú)人機(jī)技術(shù)在作物AGB監(jiān)測(cè)中的應(yīng)用。數(shù)碼相機(jī)傳感器因價(jià)格低廉、空間分辨率較高且獲取數(shù)據(jù)后續(xù)處理較為簡(jiǎn)單等特點(diǎn)，作為一種低成本獲取作物AGB的方式，已經(jīng)得到國(guó)內(nèi)外許多學(xué)者的關(guān)注。崔日鮮等[2]基于無(wú)人機(jī)數(shù)碼相機(jī)獲取冬小麥影像，通過(guò)構(gòu)建植被指數(shù)利用BP神經(jīng)網(wǎng)絡(luò)和多元線性回歸估算冬小麥AGB，顯示神經(jīng)網(wǎng)絡(luò)AGB估算模型優(yōu)于多元線性回歸模型。陶惠林等[8]基于無(wú)人機(jī)數(shù)碼影像，采用逐步回歸、偏最小二乘和隨機(jī)森林3種方法以植被指數(shù)、植被指數(shù)加實(shí)測(cè)株高和植被指數(shù)加從作物表面模型(crop surface model，CSM)中獲得的估測(cè)株高3種變量估算冬小麥AGB，結(jié)果表明每種方法中加入估測(cè)株高能夠明顯提高模型的精度。Zhang等[9]基于無(wú)人機(jī)數(shù)碼影像，采用偏最小二乘、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林4種方法以5種光學(xué)植被指數(shù)構(gòu)建冬小麥AGB估算模型，結(jié)果表明偏最小二乘法相比其他方法構(gòu)建的模型效果更優(yōu)。以上成果表明，無(wú)人機(jī)數(shù)碼影像能夠很好的對(duì)作物AGB進(jìn)行有效監(jiān)測(cè)，但存在一定的不足，僅利用數(shù)碼影像的光譜信息計(jì)算植被指數(shù)進(jìn)行參數(shù)估算，模型的精度容易出現(xiàn)飽和現(xiàn)象。為了解決這一問(wèn)題，眾多學(xué)者通過(guò)引入作物株高和紋理特征分別結(jié)合光譜特征來(lái)估算作物參數(shù)，達(dá)到了理想的效果。相較于作物株高而言，紋理信息更具多面性，能夠反映圖像的灰度屬性和空間位置關(guān)系，將其與光譜信息結(jié)合能夠更好地減弱僅利用植被指數(shù)反演作物參數(shù)出現(xiàn)的低估現(xiàn)象，提高估算模型的適用性[10]。當(dāng)前，利用數(shù)碼影像以二者融合為變量估算作物AGB的研究較少，主要以高光譜和多光譜為主。劉暢等[11]利用無(wú)人機(jī)高光譜影像，比較分析光譜特征、紋理特征和二者結(jié)合對(duì)冬小麥AGB估算精度的影響，結(jié)果表明，光譜特征和紋理特征相結(jié)合能夠解決AGB估算出現(xiàn)的過(guò)早飽和問(wèn)題，而且模型估算效果優(yōu)于單一光譜特征或單一紋理特征。Zheng等[12]基于無(wú)人機(jī)多光譜影像，以光譜信息和光譜信息結(jié)合紋理特征2種類型變量對(duì)水稻AGB進(jìn)行估算，結(jié)果表明以后者為輸入變量能夠更好的估測(cè)AGB。Liu等[13]基于無(wú)人機(jī)多光譜影像，采用偏最小二乘和隨機(jī)森林2種方法以光譜特征、光譜特征+紋理特征估算油菜AGB，經(jīng)比較可知2種方法以融合指標(biāo)構(gòu)建的模型效果較優(yōu)。紋理特征的提取十分依靠于獲得的影像分辨率，以上成果并未考慮到不同飛行高度下所獲得的影像特征對(duì)小麥、油菜和水稻AGB估算精度的影響。因此，探討不同分辨率的無(wú)人機(jī)數(shù)碼影像對(duì)作物AGB監(jiān)測(cè)結(jié)果的影響，具有科學(xué)指導(dǎo)意義。

本工作利用馬鈴薯塊莖增長(zhǎng)期不同飛行高度的無(wú)人機(jī)數(shù)碼影像，結(jié)合地上部實(shí)測(cè)生物量數(shù)據(jù)，分析不同分辨率影像下獲取的光譜特征和紋理特征對(duì)馬鈴薯植株地上部生物量估算結(jié)果的影響，為無(wú)人機(jī)遙感監(jiān)測(cè)AGB時(shí)，對(duì)飛行高度和影像分辨率的選擇提供技術(shù)參考。

1 實(shí)驗(yàn)部分

1.1 研究區(qū)域與實(shí)驗(yàn)設(shè)計(jì)

在北京市昌平區(qū)小湯山鎮(zhèn)國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范基地的馬鈴薯試驗(yàn)田開(kāi)展試驗(yàn)，該處位于北緯40°10′34″，東經(jīng)116°26′39″，平均海拔為36 m，氣候類型為暖溫帶半濕潤(rùn)大陸性季風(fēng)氣候。試驗(yàn)為小區(qū)隨機(jī)試驗(yàn)設(shè)計(jì)，采用了中薯5(P1)和中薯3(P2)這2個(gè)均為早熟的馬鈴薯品種，試驗(yàn)田共計(jì)48個(gè)小區(qū)，每個(gè)小區(qū)面積為6.5 m×5 m。試驗(yàn)區(qū)共設(shè)密度試驗(yàn)(N區(qū))、氮素試驗(yàn)(S區(qū))、鉀肥試驗(yàn)(K區(qū))3個(gè)試驗(yàn)區(qū)，每種試驗(yàn)3種重復(fù)，每種重復(fù)進(jìn)行不同程度的密度、氮素和鉀肥處理，其中密度設(shè)置了3種水平(T1：60 000株·hm-2、T2：72 000株·hm-2、T3：84 000株·hm-2)，氮素設(shè)置了4種水平(N0：0 kg尿素·hm-2、N1：244.65 kg尿素·hm-2、N2：489.15 kg尿素·hm-2(正常處理，15 kg純氮)、N3：733.5 kg尿素·hm-2)，鉀肥設(shè)置了3種水平(K0：0 kg鉀肥·hm-2、K1：970.5 kg鉀肥·hm-2(N區(qū)和S區(qū)均為K1處理)、K2：1 941 kg鉀肥·hm-2)。為了更好的獲取試驗(yàn)田的位置，在試驗(yàn)小區(qū)周圍均勻布控11個(gè)GCP(k1—k11由0.3 m×0.3 m的木板和埋于地下的木樁組成,其上有黑白標(biāo)志的塑料板，目的是準(zhǔn)確確定木板的中心位置)并用差分GPS測(cè)定其三維空間位置，詳細(xì)的試驗(yàn)設(shè)計(jì)見(jiàn)圖1所示。

圖1 馬鈴薯研究區(qū)域和試驗(yàn)設(shè)計(jì)Fig.1 The experimental area and design for potato study

1.2 地面數(shù)據(jù)獲取

馬鈴薯AGB通過(guò)收獲法獲取，在每個(gè)小區(qū)中選取能夠代表小區(qū)長(zhǎng)勢(shì)水平的3棵植株，進(jìn)行取樣并迅速帶回實(shí)驗(yàn)室將其莖葉分離，隨后用流水洗凈，105 ℃殺青，80 ℃烘干48 h以上，直到質(zhì)量恒定再進(jìn)行稱量。將植株莖和葉的干質(zhì)量求和得到樣本干質(zhì)量，最終通過(guò)群體密度和樣本干質(zhì)量，得到每個(gè)小區(qū)的馬鈴薯地上生物量。計(jì)算公式如式(1)

AGB=[(莖干重+葉干重)/取樣株數(shù)]×種植密度

(1)

1.3 無(wú)人機(jī)數(shù)碼影像獲取

采用大疆公司生產(chǎn)的精靈系列4A產(chǎn)品在馬鈴薯塊莖增長(zhǎng)期進(jìn)行無(wú)人機(jī)遙感數(shù)據(jù)獲取，無(wú)人機(jī)參數(shù)見(jiàn)表1所示。無(wú)人機(jī)飛行時(shí)間為中午12:00，此時(shí)太陽(yáng)光照強(qiáng)度穩(wěn)定。人為設(shè)置了10，20，30，40和50 m共5種無(wú)人機(jī)飛行高度，相應(yīng)的地面分辨率約為0.43，0.85，1.30，1.83和2.05 cm。

表1 無(wú)人機(jī)部分參數(shù)Table 1 Partial parameters of UAV

1.4 影像預(yù)處理

通過(guò)利用俄羅斯Agisoft LLC公司研發(fā)的基于運(yùn)動(dòng)三維重建(structure from motion，SFM)技術(shù)的PhotoScan 掃描軟件對(duì)獲取的不同高度的數(shù)碼影像進(jìn)行拼接處理，得到馬鈴薯試驗(yàn)區(qū)域的數(shù)字正射影像(digital orthophoto map，DOM)。首先將帶有經(jīng)緯度、高度、偏航角、俯仰角和旋轉(zhuǎn)角共6種POS信息的每張影像導(dǎo)入軟件中，還原影像拍攝時(shí)的姿態(tài)和空間位置；將GCP添加到軟件中，利用GCP的三維坐標(biāo)信息優(yōu)化照片對(duì)齊，生成飛行區(qū)域的稀疏點(diǎn)云；利用稀疏點(diǎn)云構(gòu)建密集點(diǎn)云，進(jìn)而生成飛行區(qū)域的空間格網(wǎng)并建立紋理信息；生成馬鈴薯試驗(yàn)田的DOM。

1.5 影像指數(shù)選取

利用數(shù)碼影像指數(shù)可以較好的反映作物的AGB信息，因此，通過(guò)DOM，利用ENVI軟件提取每個(gè)試驗(yàn)小區(qū)影像的平均紅波段值R、綠波段值G和藍(lán)波段值B。并將R，G和B三個(gè)波段的DN值進(jìn)行歸一化處理，分別得到r，g和b。計(jì)算公式如下

r=R/(R+G+B)

(2)

g=G/(R+G+B)

(3)

b=B/(R+G+B)

(4)

根據(jù)文獻(xiàn)中選取的能夠很好反映AGB信息的15個(gè)數(shù)碼影像指數(shù)，加上定義的3個(gè)，總共18個(gè)影像指數(shù)用來(lái)估算馬鈴薯地上部生物量，具體如表2所示。

表2 數(shù)碼影像指數(shù)Table 2 Digital image indexes

1.6 紋理特征選取

紋理特征通過(guò)像素與空間鄰域的灰度分布變化來(lái)表現(xiàn)，能夠反映目標(biāo)地物與周圍環(huán)境的空間位置關(guān)系，是遙感影像中一種重要的圖像信息。通過(guò)ENVI軟件，利用灰度共生矩陣提取紅、綠、藍(lán)3個(gè)波段的0°，45°，90°和135°4個(gè)方向的紋理特征，不同方向的紋理特征分別求平均值，得到每個(gè)波段的8個(gè)紋理特征，分別為對(duì)比度(contrast，con)、相關(guān)性(correlation，cor)、差異性(dissimilarity，dis)、熵(entropy，ent)、同質(zhì)性(homogenetity，hom)、二階矩(second moment，sm)、方差(variance，var)和均值(mean)。紅波段的紋理特征為con_R，cor_R，dis_R，ent_R，hom_R，sm_R，var_R和mean_R。綠波段的紋理特征為con_G，cor_G，dis_G，ent_G，hom_G，sm_G，var_G和mean_G。藍(lán)波段的紋理特征為con_B，cor_B，dis_B，ent_B，hom_B，sm_B，var_B和mean_B。

1.7 數(shù)據(jù)分析方法

1.7.1 多重共線性分析

采用方差膨脹因子(variance inflation factor,VIF)評(píng)價(jià)輸入變量之間存在的自相關(guān)性，當(dāng)方差膨脹因子值較大時(shí)，輸入變量之間存在高度自相關(guān)，會(huì)造成數(shù)據(jù)冗余和計(jì)算困難，因此有必要對(duì)數(shù)據(jù)進(jìn)行降維。一般當(dāng)VIF<10可視為輸入變量之間不存在自相關(guān)性；當(dāng)10≤VIF≤20時(shí)，認(rèn)為輸入變量之間存在一定的自相關(guān)性；當(dāng)VIF>20時(shí)，認(rèn)為輸入變量之間自相關(guān)性較為嚴(yán)重。

1.7.2 主成分分析

主成分分析(principal components analysis，PCA)，又稱K-L變換，本質(zhì)上是對(duì)數(shù)據(jù)進(jìn)行降維，即用很少的不相關(guān)變量來(lái)表達(dá)原始信息，使信息更簡(jiǎn)單化，是當(dāng)前應(yīng)用最為廣泛的數(shù)據(jù)降維方法之一。現(xiàn)實(shí)中，為了能描述研究問(wèn)題，往往選擇多個(gè)自變量，變量之間卻不完全獨(dú)立，導(dǎo)致所表達(dá)的信息重疊，為了簡(jiǎn)化信息和提升運(yùn)算效率，需要對(duì)數(shù)據(jù)進(jìn)行降維處理。以光譜和紋理特征構(gòu)建AGB估算模型前，首先對(duì)光譜信息和紋理特征進(jìn)行K-L變換，依據(jù)特征值大于1的原則，分別選取前n個(gè)主成分來(lái)建立估算模型。

1.7.3 多元線性回歸

多元線性回歸(multiple linear regression，MLR)可以同時(shí)使用多個(gè)自變量來(lái)預(yù)測(cè)因變量，要求自變量與因變量之間要有較好的相關(guān)性。分別以光譜特征、紋理特征以及二者結(jié)合作為自變量，馬鈴薯AGB作為因變量來(lái)綜合構(gòu)建模型。

1.8 精度評(píng)價(jià)指標(biāo)

挑選2/3樣本數(shù)據(jù)(32個(gè)，重復(fù)1和重復(fù)2)作為建模集，1/3樣本數(shù)據(jù)(16個(gè)，重復(fù)3)作為驗(yàn)證集以此來(lái)構(gòu)建馬鈴薯AGB估算模型。將采用決定系數(shù)(coefficient of determination,R2)、均方根誤差(root mean square error,RMSE)、標(biāo)準(zhǔn)均方根誤差(normalized root mean square error,NRMSE)來(lái)評(píng)價(jià)模型的精度。R2越接近于1，RMSE和NRMSE越低，其估測(cè)模型的精度就越高。

2 結(jié)果與討論

2.1 影像指數(shù)與AGB的相關(guān)性

將表2選取的影像指數(shù)與馬鈴薯AGB進(jìn)行相關(guān)性分析，將相關(guān)系數(shù)絕對(duì)值按從大到小排列，選取不同飛行高度下前10個(gè)影像指數(shù)作為模型變量，其結(jié)果見(jiàn)表3。由表可知，不同飛行高度下，前10個(gè)影像指數(shù)與馬鈴薯AGB均達(dá)到0.01顯著水平(p<0.01)，相關(guān)系數(shù)絕對(duì)值都在0.606以上。隨著飛行高度的增加，VARI，GRVI，NDI，MGRVI，EXGR，g，r+b和EXG共8個(gè)影像指數(shù)與AGB的相關(guān)性均在前10以內(nèi)，相關(guān)性順序略有變動(dòng)。當(dāng)飛行高度為10和30 m時(shí)，影像指數(shù)EXR和RGBVI相關(guān)性都位于前10；當(dāng)飛行高度為20和50 m時(shí)，影像指數(shù)RGBVI和g-b相關(guān)性也都位于前10；而當(dāng)飛行高度為40 m時(shí)，影像指數(shù)g-b和EXR的相關(guān)性雖位于前10但都處于后兩位。因此可以看出，不同飛行高度下，與AGB相關(guān)性較好的前10個(gè)影像指數(shù)類別差異小，不同分辨率的數(shù)碼影像對(duì)光譜信息組成的影像指數(shù)與AGB的相關(guān)性排序差別不大。

表3 不同高度下影像指數(shù)和AGB的相關(guān)性Table 3 Correlation between image indexes of different altitudes and AGB

2.2 紋理特征與AGB的相關(guān)性

將提取的不同飛行高度下的影像紋理特征與AGB進(jìn)行相關(guān)性分析，將相關(guān)系數(shù)絕對(duì)值按從大到小排列，選取前8個(gè)紋理特征作為模型變量，其結(jié)果見(jiàn)表4。由表可知，不同飛行高度下，前8個(gè)紋理特征與AGB均達(dá)到0.01顯著水平(p<0.01)，相關(guān)系數(shù)絕對(duì)值在0.366以上。隨著飛行高度的增加，篩選的前8個(gè)紋理特征類別差異較大，同種紋理特征在不同飛行高度下與AGB的相關(guān)性排序波動(dòng)明顯。當(dāng)飛行高度為50 m時(shí)，紋理特征與AGB相關(guān)系數(shù)相較于前4種高度比較小，可知紋理特征的提取非常依賴于數(shù)碼影像的分辨率。

表4 不同高度下紋理特征和AGB的相關(guān)性Table 4 Correlation between texture features of different altitudes and AGB

2.3 不同飛行高度下光譜特征估算馬鈴薯AGB

在構(gòu)建AGB估算模型前，首先對(duì)每種飛行高度下的前10個(gè)影像指數(shù)進(jìn)行共線性診斷，判斷輸入變量之間的共線性。依據(jù)各個(gè)飛行高度下的共線性診斷VIF>20，得知輸入變量之間存在嚴(yán)重共線性，因此有必要對(duì)前10個(gè)影像指數(shù)進(jìn)行PCA處理。根據(jù)主成分特征值大于1的原則，確定不同飛行高度下的最佳主成分為1，1，1，1和2個(gè)。基于PCA-MLR方法，得到不同飛行高度下利用光譜特征估算馬鈴薯AGB的結(jié)果如表5所示。由表可知，在飛行高度10～50 m之間，隨著影像分辨率降低，光譜信息估算馬鈴薯AGB的效果整體上呈現(xiàn)下降趨勢(shì)變化，建模R2從0.69遞減到0.65，建模RMSE從226.07 kg·hm-2遞增到240.69 kg·hm-2，建模NRMSE從21.22%遞增到25.49%；模型驗(yàn)證效果同樣呈下降趨勢(shì)，R2從0.73遞減到0.70，RMSE從199.21 kg·hm-2遞增到239.25 kg·hm-2，NRMSE從17.74%遞增到18.89%。

表5 不同高度下影像光譜信息的AGB估算結(jié)果Table 5 Prediction results of AGB from image spectral information with different altitudes

2.4 不同飛行高度下紋理特征估算馬鈴薯AGB

依據(jù)各個(gè)飛行高度下的共線性診斷VIF>20，得知輸入的紋理特征之間存在嚴(yán)重共線性，因此通過(guò)PCA降維處理，確定不同飛行高度下的最佳主成分為1，1，1，1和3個(gè)?；赑CA-MLR方法，得到不同飛行高度下利用紋理特征估算馬鈴薯AGB的結(jié)果如表6所示。由表可知，隨著飛行高度的增加，紋理特征估算馬鈴薯AGB的效果逐漸變差，建模R2從0.75遞減到0.68，RMSE從208.86 kg·hm-2遞增到230.69 kg·hm-2，NRMSE從17.22%遞增到21.44%；驗(yàn)證R2從0.83遞減到0.73，RMSE從161.65 kg·hm-2遞增到201.26 kg·hm-2，NRMSE從16.39%遞增到18.99%。以上結(jié)果說(shuō)明，飛行高度的增加會(huì)使影像分辨率降低，進(jìn)而影響紋理特征的提取，造成馬鈴薯AGB的估算效果不斷變差。所有模型中，當(dāng)飛行高度為10 m及對(duì)應(yīng)的影像分辨率為0.43 cm時(shí)，估算效果最好。

表6 不同高度下影像紋理特征對(duì)生物量的反演結(jié)果Table 6 Prediction results of biomass from image texture features with different altitudes

2.5 不同飛行高度下光譜與紋理特征結(jié)合估算馬鈴薯AGB

將整合后的輸入變量進(jìn)行PCA處理，確定不同飛行高度下的最佳主成分為1，1，1，2和3個(gè)?；赑CA-MLR方法，得到不同飛行高度下利用光譜信息+紋理特征估算馬鈴薯AGB的結(jié)果如表7所示。由表可知，隨著飛行高度的增加，光譜信息+紋理特征估算AGB效果逐漸變差，建模R2從0.82遞減到0.70，RMSE從183.05 kg·hm-2遞增到225.85 kg·hm-2，NRMSE從15.61%遞增到19.64%；同樣驗(yàn)證R2從0.85遞減到0.75，RMSE從146.51 kg·hm-2遞增到184.29 kg·hm-2，NRMSE從14.36%遞增到18.11%。當(dāng)無(wú)人機(jī)飛行高度為10 m及對(duì)應(yīng)的地面分辨率為0.43 cm時(shí)，估算效果最好。此外，與表5和表6結(jié)果相比，同種高度下，通過(guò)融合指標(biāo)構(gòu)建的AGB估算模型精度最高，效果最佳。

表7 不同高度下影像光譜信息+紋理特征對(duì)AGB的估算結(jié)果Table 7 Prediction results of AGB from image spectral information and texture features with different altitudes

本研究構(gòu)建AGB估算模型前，發(fā)現(xiàn)當(dāng)飛行高度為50 m及對(duì)應(yīng)影像分辨率為2.05 cm時(shí)，紋理特征與AGB的相關(guān)性較低，主要原因是新生葉片的長(zhǎng)度和寬度小于2 cm，此分辨率下難以獲取完整的影像紋理特征。以光譜信息、紋理特征以及二者結(jié)合分別估算馬鈴薯AGB的結(jié)果表明：同種高度下光譜信息+紋理特征估算效果最優(yōu)，單一紋理特征次之，單一光譜信息最差。此研究結(jié)果與劉暢等[11]估算冬小麥AGB時(shí)，得出以光譜信息和紋理特征融合估算精度最高，單一紋理特征次之，單一光譜最差結(jié)論一致。與陳鵬等[15]估算馬鈴薯葉綠素含量時(shí)，得出結(jié)論略有不同，相同之處都是光譜信息+紋理特征融合指標(biāo)估算精度高于單一光譜、紋理特征指標(biāo)，不同在于，本工作得出光譜信息估算效果最差，而陳鵬等得出紋理特征估算效果最差。主要原因可能是二者估算的作物理化參數(shù)不同，其次是采用的傳感器和影像分辨率不同。在探究不同飛行高度下數(shù)碼影像對(duì)馬鈴薯AGB估算精度的影響時(shí)，本研究人為設(shè)置了共5種飛行高度并獲取相應(yīng)地影像分辨率，增加了3種變量對(duì)AGB估算能力的分析，結(jié)果發(fā)現(xiàn)同種飛行高度下光譜信息+紋理特征估算AGB的精度相較于單一光譜和紋理特征分別提高了18.84%，11.76%，10.45%，5.97%，7.69%和9.33%，4.13%，2.78%，2.89%，2.94%，表明僅利用數(shù)碼影像的光譜信息估算馬鈴薯AGB，模型的精度容易出現(xiàn)飽和現(xiàn)象，而影像的紋理特征不受環(huán)境的影響，所得到的模型效果同種分辨率下優(yōu)于光譜信息，綜合考慮了光譜和紋理信息對(duì)AGB估算的貢獻(xiàn)性，從而結(jié)合二者的優(yōu)勢(shì)，在一定程度上彌補(bǔ)了單一指標(biāo)估算AGB能力的不足，提高了模型適用性。本研究還發(fā)現(xiàn)無(wú)人機(jī)數(shù)碼影像分辨率在0.43～2.05 cm之間變化，光譜信息、紋理信息以及光譜+紋理信息會(huì)隨影像分辨率提高，其估算AGB的精度逐漸變好，這與賈丹等[10]的研究結(jié)果略有不同。賈丹等研究結(jié)果表明，隨著影像分辨率提高，光譜信息對(duì)氮素濃度反演結(jié)果影響不大，而基于紋理信息以及光譜+紋理信息的氮濃度反演精度隨分辨率增強(qiáng)而提高，主要原因其一可能是實(shí)驗(yàn)設(shè)置的飛行高度不同，其二研究所用的傳感器和作物對(duì)象不同，賈丹等研究利用多光譜估算冬小麥氮素濃度，其三本文通過(guò)設(shè)計(jì)氮素和密度梯度試驗(yàn)，會(huì)導(dǎo)致每個(gè)小區(qū)的植被覆蓋度發(fā)生變化，植株葉片的表現(xiàn)形態(tài)和冠層空間結(jié)構(gòu)會(huì)明顯不同，這會(huì)導(dǎo)致作物紋理特征和冠層光譜有所差別。綜上可知，對(duì)于同種傳感器來(lái)講，要想獲得高分辨率影像，必須降低無(wú)人機(jī)飛行高度，但是這樣會(huì)降低影像采集效率。因此，在對(duì)AGB進(jìn)行監(jiān)測(cè)時(shí)，需要根據(jù)現(xiàn)實(shí)需求并考慮模型精度來(lái)選擇一定的飛行高度。本研究也存在一些缺陷，僅使用一年的馬鈴薯塊莖增長(zhǎng)期的地上部生物量數(shù)據(jù)進(jìn)行探討，得到的模型適用性還需要進(jìn)一步驗(yàn)證，今后應(yīng)采集更多年份、生育期及不同作物的樣品數(shù)據(jù)，對(duì)影像分辨率如何影響AGB估算結(jié)果進(jìn)行深入分析。

3 結(jié) 論

(1)隨著數(shù)碼影像分辨率降低，與馬鈴薯AGB相關(guān)的前10個(gè)植被指數(shù)類別和相關(guān)性排序差異不大；與馬鈴薯AGB相關(guān)的前8個(gè)紋理特征類別有所差異且相關(guān)性排序波動(dòng)明顯，飛行高度為50 m時(shí)，影像的紋理特征與AGB相關(guān)性最低。

(2)同種分辨率影像下，光譜信息+紋理特征估算AGB的效果最優(yōu)，其次為單一紋理特征模型，而單一光譜模型表現(xiàn)最差。

(3)隨著數(shù)碼影像分辨率提高，光譜信息、紋理信息以及光譜+紋理信息估算AGB的精度逐漸變好。