舒時(shí)富，李艷大*，曹中盛，孫濱峰，葉 春，吳羅發(fā)，朱 艷，丁艷鋒，何 勇

（1.江西省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)工程研究所/江西省智能農(nóng)機(jī)裝備工程研究中心/江西省農(nóng)業(yè)信息化工程技術(shù)研究中心，江西 南昌 330200；2.南京農(nóng)業(yè)大學(xué)，江蘇 南京 210095；3.浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，浙江 杭州 310029）

0 引言

【研究意義】地上部生物量（Aboveground biomass，AGB）是作物生產(chǎn)管理中調(diào)控群體質(zhì)量的重要指標(biāo)，其對(duì)光能利用、干物質(zhì)積累、產(chǎn)量形成等均具有重要作用，是作物生長(zhǎng)模型的重要輸入?yún)?shù)之一[1]。因此，高效、準(zhǔn)確、低成本的估算AGB有利于實(shí)現(xiàn)作物生產(chǎn)的智慧管理?！厩叭搜芯窟M(jìn)展】傳統(tǒng)的水稻AGB測(cè)定方法主要依靠人工破壞性采樣室內(nèi)稱量，結(jié)果雖然準(zhǔn)確可靠，但費(fèi)時(shí)費(fèi)力、用工成本高、效率低、取樣誤差大，難以實(shí)現(xiàn)大范圍的高效監(jiān)測(cè)。遙感技術(shù)快速發(fā)展，衛(wèi)星影像、雷達(dá)、高光譜、多光譜、成像高光譜等技術(shù)因其高分辨率、多波段、信息量大、覆蓋范圍廣等優(yōu)點(diǎn)，已被廣泛應(yīng)用于作物長(zhǎng)勢(shì)監(jiān)測(cè)[2-7]，成為作物精確管理的關(guān)鍵技術(shù)手段。圍繞水稻、小麥等作物的AGB高效監(jiān)測(cè)已開(kāi)展了一些研究，如Casanova等[8]和Takahashi等[9]利用遙感技術(shù)對(duì)水稻的AGB進(jìn)行了研究，GNPY等[10]在三江平原對(duì)水稻的光譜反射曲線進(jìn)行微分處理并將其應(yīng)用于估測(cè)水稻生物量，王秀珍等[11]利用“三邊”參數(shù)及其變化形式構(gòu)建高光譜估算模型對(duì)水稻地上鮮生物量進(jìn)行了準(zhǔn)確估測(cè)。這些研究通過(guò)構(gòu)建不同的植被指數(shù)可以準(zhǔn)確估測(cè)水稻生物量，但大多采用高光譜儀等，其觀測(cè)的空間范圍有限、效率較低，也存在著構(gòu)造復(fù)雜、成本較高、模型不穩(wěn)定等問(wèn)題。近年來(lái)，無(wú)人機(jī)遙感技術(shù)發(fā)展迅速，其高分辨率圖像的獲取更加簡(jiǎn)便、高效和低成本，為作物長(zhǎng)勢(shì)快速無(wú)損監(jiān)測(cè)提供了新途徑。如Dai等[12]利用無(wú)人機(jī)獲取小麥RGB圖像，圖像顏色指數(shù)與小麥生物量的相關(guān)性r值為0.463～0.911，紋理特征參數(shù)與生物量之間的相關(guān)性較差，結(jié)合顏色和紋理特征指數(shù)的小麥生物量估算模型優(yōu)于單一顏色指數(shù)模型。楊俊等[13]利用無(wú)人機(jī)數(shù)碼影像研究了8個(gè)顏色指數(shù)和4個(gè)紋理特征參數(shù)與小麥AGB的關(guān)系，結(jié)果表明顏色指數(shù)和紋理特征參數(shù)與生物量的相關(guān)性達(dá)顯著或極顯著，r分別可達(dá) 0.911和 -0.574。劉暢等[14]研究表明，采用紋理特征估測(cè)小麥的生物量，紋理特征優(yōu)于顏色指數(shù)，且基于紋理特征和顏色指數(shù)融合的模型顯著優(yōu)于單一的顏色指數(shù)和紋理特征。陳晨[15]基于無(wú)人機(jī)圖像的8個(gè)顏色指數(shù)和4個(gè)紋理特征參數(shù)構(gòu)建與小麥生物量的關(guān)系，單一參數(shù)相關(guān)性不顯著，但將顏色指數(shù)與紋理特征參數(shù)相結(jié)合估測(cè)小麥生物量的模型R2最高可達(dá)0.79。張建等[16]利用無(wú)人機(jī)多角度成像方式對(duì)油菜AGB進(jìn)行監(jiān)測(cè)，構(gòu)建了油菜AGB估算模型，估算精度達(dá) 0.792，均方根誤差（RMSE）為125.0 g·m-2，相對(duì)誤差（RE）為13.2%。劉楊等[17]以無(wú)人機(jī)平臺(tái)搭載數(shù)碼相機(jī)，獲取了不同高層的馬鈴薯圖像，結(jié)果表明顏色指數(shù)+紋理特征估算AGB的效果最優(yōu)（R2為0.75～0.82），其次為單一紋理特征模型（R2為0.68～0.75），而單一顏色指數(shù)模型表現(xiàn)效果最差（R2為0.65～0.69）。這些研究結(jié)果具有相同的地方，但也存在著較大的差異之處?！颈狙芯壳腥朦c(diǎn)】目前在作物無(wú)人機(jī)遙感監(jiān)測(cè)AGB方面盡管已有一些研究，但針對(duì)同一對(duì)象的研究結(jié)果亦不盡相同，同時(shí)較少涉及不同氮素水平下水稻不同生育期AGB的無(wú)人機(jī)圖像監(jiān)測(cè)?！緮M解決的關(guān)鍵問(wèn)題】本研究通過(guò)無(wú)人機(jī)獲取高分辨率的水稻圖像，通過(guò)提取圖像顏色指數(shù)和紋理特征參數(shù)，研究其與水稻AGB的相關(guān)性，進(jìn)而構(gòu)建基于無(wú)人機(jī)圖像特征的水稻AGB估算模型，探明適宜水稻AGB估算的圖像特征，為提升估算模型的準(zhǔn)確性提供科學(xué)依據(jù)。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2020年在江西省農(nóng)業(yè)科學(xué)院高安試驗(yàn)基地（28°25′27″N，115°12′15″E）進(jìn)行雙季晚稻小區(qū)試驗(yàn)。試驗(yàn)田耕作層含有機(jī)質(zhì)37.56 g·kg-1，全氮2.49 g·kg-1，銨態(tài)氮41.89 mg·kg-1、硝態(tài)氮1.24 mg·kg-1，有效磷 17.54 mg·kg-1， 速 效鉀 119.25 mg·kg-1和 pH 5.5。供試品種為富美占（C1）和泰優(yōu)航1 573（C2）；設(shè)4個(gè)施氮水平：0（N1）、75（N2）、150（N3）和 225 （N4）kg·hm-2，C1重復(fù) 4次，C2重復(fù) 5次，共計(jì)36個(gè)小區(qū)，每個(gè)小區(qū)面積為36 m2，具體見(jiàn)圖1。m（基肥）∶m（分蘗肥）∶m（穗肥）＝5∶3∶2，磷肥（60 kg·hm-2）作為基肥一次性施入，鉀肥（120 kg·hm-2）隨氮肥同比例施入，隨機(jī)區(qū)組排列。2苗移栽，每個(gè)小區(qū)之間用隔水板相隔，每個(gè)小區(qū)獨(dú)立排灌以防止竄肥。6月26日播種，7月23日移栽，11月15日收獲。其他栽培措施同當(dāng)?shù)馗弋a(chǎn)栽培。

1.2 圖像獲取

水稻圖像獲取采用大疆無(wú)人機(jī)御Mavic及自帶攝像頭，傳感器為1/2.3 英寸CMOS，有效像素為1 200萬(wàn)，照片最大分辨率為4 000×3 000。選擇天氣晴朗、無(wú)風(fēng)、光照穩(wěn)定的日期，于10：00～14：00采集圖像數(shù)據(jù)。采集圖像數(shù)據(jù)時(shí)，相機(jī)鏡頭設(shè)置垂直于地面，采用自動(dòng)對(duì)焦和自動(dòng)曝光設(shè)置。為了減少色差，采用一張照片覆蓋所有小區(qū)，飛行高度為60 m。試驗(yàn)獲取的照片以 24 位 JPG 格式存儲(chǔ)。

1.3 圖像特征參數(shù)獲取

采用ENVI軟件提取無(wú)人機(jī)圖像中每個(gè)小區(qū)的顏色信息，得到每個(gè)小區(qū)圖像的平均紅光值R（Redness intensity）、綠光值G（Greenness intensity）和藍(lán)光值B（Blueness intensity）。通過(guò)對(duì)這3個(gè)顏色參數(shù)進(jìn)行一定的計(jì)算，得到紅光 R（Red light）、綠光G（Green light）、藍(lán)光 B（Blue light）、紅光標(biāo)準(zhǔn)化值 NRI（Normalized redness intensity）、綠光標(biāo)準(zhǔn)化值 NGI（Normalized greenness intensity）、藍(lán)光標(biāo)準(zhǔn)化值NBI（Normalized blueness intensity）、紅藍(lán)比值r/b（Red to blue ratio）、綠藍(lán)比值 g/b（Green to blue ratio）、 紅 藍(lán) 差 值 r-b（Difference between red and blue）、紅藍(lán)和值 r+b（Sum of red and blue）、綠藍(lán)差值 g-b（Difference between green and blue）、超綠植被指數(shù)ExG（Excess green vegetation index）、紅綠植被指數(shù)GRVI（Green and red vegetation index）、修正紅綠植被指數(shù) MGRVI（Modified green and red vegetation index）、紅綠藍(lán)植被指數(shù) RGBVI（Red green blue vegetation index）、超紅植被指數(shù) ExR（Excess red index）、可見(jiàn)光大氣阻抗植被指數(shù)VARI（Vegetation atmospherically resistant index）、超綠超紅植被指數(shù)ExGR（Excess red and green index）、沃貝克指數(shù)WI（Warbeck index）等不同顏色指數(shù)[18]。

1.4 基于二階概率統(tǒng)計(jì)濾波的無(wú)人機(jī)圖像紋理提取

使用ENVI軟件中的Texture功能，對(duì)圖像進(jìn)行基于概率統(tǒng)計(jì)或二階概率統(tǒng)計(jì)的紋理濾波處理。使用Co-occurrence Measures功能，得到8個(gè)基于二階矩陣的紋理濾波，包括均值（Mean）、方差（Variance）、 均 一 性 （Homogeneity）、 對(duì) 比 度（Contrast）、 異 質(zhì) 性 （Dissimilarity）、 熵（Entropy）、角二階矩（Second Moment）和相關(guān)性（Correlation）[14]。

1.5 AGB測(cè)定

與無(wú)人機(jī)圖像獲取同步，在各小區(qū)選取長(zhǎng)勢(shì)均勻的水稻3蔸，將水稻植株分離為葉、莖鞘和穗3個(gè)部分，分別裝入紙袋中，在105 ℃的烘箱中殺青30 min，然后在80 ℃烘干至恒重后稱量，得到各小區(qū)水稻樣品的干物質(zhì)量，再換算成單位面積AGB[19]。

1.6 模型的構(gòu)建與驗(yàn)證

通過(guò)試驗(yàn)獲取的24個(gè)小區(qū)的數(shù)據(jù)建模，剩余12個(gè)小區(qū)的數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。無(wú)人機(jī)圖像特征與AGB相關(guān)性用r表示。關(guān)系模型的構(gòu)建采用Microsft Execl進(jìn)行。采用R2、RMSE和相對(duì)均方根誤差（RRMSE）來(lái)評(píng)估模型的穩(wěn)定性。RMSE和RRMSE值越小，指示模擬值與實(shí)測(cè)值的一致性越好，即模型的驗(yàn)證結(jié)果越準(zhǔn)確[20]。RMSE、RRMSE和r計(jì)算公式如下：

式中，n為模型樣本數(shù)量，Pi為模型預(yù)測(cè)值，為模型預(yù)測(cè)值的平均值，Oi為實(shí)測(cè)值，為實(shí)測(cè)值的平均值。

2 結(jié)果與分析

2.1 不同生育期水稻AGB變化

不同施氮水平和不同生育期對(duì)水稻AGB具有顯著影響。由圖2可知，供試品種泰優(yōu)航1573在N3水平下，其分蘗盛期、孕穗期和齊穗期的AGB分別為374.39、686.54和1 123.51 g·m-2，表明隨著生長(zhǎng)發(fā)育，水稻物質(zhì)量不斷積累，同一氮素水平下AGB不斷增加。在齊穗期，供試品種泰優(yōu)航1573在N0、N1、N2、N3的AGB分別為980.56、1 060.90、1 164.67和1 287.89 g·m-2，在同一生育期內(nèi)，水稻AGB表現(xiàn)為N3＞N2＞N1＞N0，說(shuō)明在同一生育期內(nèi)水稻AGB隨著施氮水平的提高而顯著增加，2個(gè)品種在3個(gè)生育期的表現(xiàn)一致。

2.2 生物量與顏色指數(shù)之間的相關(guān)關(guān)系

通過(guò)無(wú)人機(jī)獲取不同施氮水平下的RGB圖像（圖3）可以看出，不同施氮水平的水稻圖像特征差異顯著，表現(xiàn)為隨著施氮水平的增加其圖像顏色逐步加深。提取每個(gè)小區(qū)的平均R、G、B值，計(jì)算出不同的顏色指數(shù)，并統(tǒng)計(jì)分析顏色指數(shù)與AGB之間的相關(guān)性。

由表1可知，不同顏色指數(shù)與AGB之間的相關(guān)性差異顯著。從相關(guān)性表中可以看出，在不同生育期和全生育期中，有8個(gè)顏色指數(shù)與AGB之間的相關(guān)性水平達(dá)極顯著水平，按照相關(guān)性高低分別為紅藍(lán)差值（r-b）、可見(jiàn)光大氣阻抗植被指數(shù)VARI、綠光G、紅光標(biāo)準(zhǔn)化值NRI、紅藍(lán)比值r/b、紅光R、沃貝克指數(shù)WI和藍(lán)光標(biāo)準(zhǔn)化值NBI。其中，相關(guān)性>0.9的指標(biāo)有1個(gè)，紅藍(lán)差值（r-b）與孕穗期的AGB相關(guān)性最高，達(dá)-0.914。8個(gè)指標(biāo)值，有5個(gè)指標(biāo)為負(fù)相關(guān)性，3個(gè)指標(biāo)為正相關(guān)性。因此，可以采用這些特征顯著的顏色指數(shù)作為構(gòu)建AGB監(jiān)測(cè)模型的參數(shù)。

表1 地上部生物量與顏色指數(shù)之間的相關(guān)性Table 1 Correlation between AGB and color indices

2.3 基于顏色指數(shù)的AGB估算模型的構(gòu)建與檢驗(yàn)

選擇與AGB相關(guān)性顯著的顏色指數(shù)，將其與各生育期的AGB進(jìn)行指數(shù)、線性、對(duì)數(shù)、二次多項(xiàng)式和乘冪函數(shù)擬合分析，因相關(guān)性排名第二且呈正相關(guān)的可見(jiàn)光大氣阻抗植被指數(shù)VARI與AGB的擬合效果并不理想，因此采用雖呈負(fù)相關(guān)但相關(guān)性最高的紅藍(lán)差值（r-b）指數(shù)作為AGB的模型參數(shù)。由表2可知，基于紅藍(lán)差值的AGB估算模型在各育期的二次多項(xiàng)式、指數(shù)、對(duì)數(shù)、乘冪和線性的建模決定系數(shù)（R2）分別為 0.869 3～0.882 0、0.823 7～0.880 1、0.725 1～0.877 2、0.526 3～0.874 8 和 0.863 0～0.880 1，二次多項(xiàng)式模型的決定系數(shù)最大。為了驗(yàn)證估算模型的準(zhǔn)確性，采用決定系數(shù)（R2）、均方根誤差（RMSE）和相對(duì)均方根誤差（RRMSE）來(lái)評(píng)價(jià)模型的預(yù)測(cè)值與實(shí)測(cè)值之間的符合度。從表2可以看出，基于紅藍(lán)差值（r-b）顏色指數(shù)構(gòu)建的二次多項(xiàng)式AGB估算模型在分蘗期、孕穗期、齊穗期和全生育期檢驗(yàn)結(jié)果為R2分別為0.868 2、0.871 3、0.864 3和 0.861 4，RMSE分 別 為 22.07、 20.22、 23.99和24.65 g·m-2，RRMSE分別為 6.09%、5.58%、 6.62%和6.74%。表明紅藍(lán)差值（r-b）與AGB構(gòu)建的估算模型具有較高的準(zhǔn)確度，可以估算水稻的生物量。

表2 基于紅藍(lán)差值（r-b）的AGB估算模型構(gòu)建和驗(yàn)證Table 2 Construction and validation of AGB estimation model based on （r-b）

2.4 AGB與紋理特征參數(shù)之間的相關(guān)關(guān)系

通過(guò)ENVI軟件對(duì)無(wú)人機(jī)圖像進(jìn)行基于二階概率統(tǒng)計(jì)的濾波（Co-occurrence measures）統(tǒng)計(jì)，獲取具有紋理特征參數(shù)的無(wú)人機(jī)圖像，結(jié)果如圖4所示，不同施氮水平小區(qū)的紋理圖像差異顯著。從紋理特征圖中提取每個(gè)小區(qū)的紋理特征參數(shù)，因具有R、G、B等3個(gè)通道，共獲得24個(gè)紋理特征參數(shù)。

將紋理特征參數(shù)與AGB進(jìn)行相關(guān)性分析，由表3可知，不同紋理特征參數(shù)與AGB之間的相關(guān)性差異顯著。有3個(gè)紋理特征與AGB相關(guān)性達(dá)極顯著水平，分別為G通道均值（G-mean）、R通道均值（R-mean）和 R通道二階矩（R-Second moment）。相關(guān)性最高的紋理特征為（G-mean），其各生育期的相關(guān)系數(shù)為-0.901～-0.932，呈負(fù)相關(guān)。還有B通道 均 值 （B-mean）、 R通 道 方 差 （R-variance）、B通道二階矩（B-Second moment）和G通道方差（G-variance） 4個(gè)紋理特征與AGB相關(guān)性達(dá)顯著水平。因紋理特征參數(shù)（G-mean）在各生育期的相關(guān)性均大于0.9，且是所有紋理特征中唯一大于0.9的指數(shù)，因此，可以采G通道均值（G-mean）作為構(gòu)建AGB估算模型的紋理特征參數(shù)。

表3 地上部生物量與紋理特征參數(shù)之間的相關(guān)性Table 3 Correlations between AGB and texture features

2.5 基于紋理特征參數(shù)的AGB估算模型的構(gòu)建與檢驗(yàn)

由表4可以看出，基于紋理特征參數(shù)（G-mean）的水稻各生育期AGB估算模型的決定系數(shù)R2均大于0.869 2，具有顯著的相關(guān)性?；诩y理特征參數(shù)（G-mean）構(gòu)建的AGB估算模型在各生育期的二次多項(xiàng)式、指數(shù)、對(duì)數(shù)、乘冪和線性的建模決定系數(shù)（R2）分 別 為 0.887 5～ 0.912 8、 0.887 1～ 0.912 6、0.887 3～0.911 8、0.874 2～0.907 1 和 0.869 2～0.910 6，二次多項(xiàng)式方程的決定系數(shù)最大。基于紋理特征參數(shù)構(gòu)建的不同生育期生物量估算模型的檢驗(yàn)結(jié)果（表4）也表明，基于紋理特征參數(shù)（G-mean）構(gòu)建的不同生育期的二次多項(xiàng)式模型的檢驗(yàn)結(jié)果R2為0.879 7～0.903 4、RMSE為 11.10～22.06 g·m-2、RRMSE為3.11%～6.08%。因此，通過(guò)無(wú)人機(jī)圖像獲取的紋理特征參數(shù)（G-mean）構(gòu)建的二次多項(xiàng)式的生物量估算模型，具有良好的可靠性，可以用來(lái)進(jìn)行水稻生物量的估測(cè)。通過(guò)紋理特征參數(shù)和顏色指數(shù)之間的比較，紋理特征參數(shù)模型的準(zhǔn)確性更高，能夠更好的用來(lái)估算生物量。

表4 基于紋理特征參數(shù)（G-mean）的水稻各生育期AGB模型的構(gòu)建和檢驗(yàn)Table 4 Construction and validation of AGB estimation model for each growth stage of rice plants based on texture G-mean

2.6 基于顏色指數(shù)和紋理特征參數(shù)的AGB估算模型的構(gòu)建與檢驗(yàn)

為了進(jìn)一步提高AGB估算模型的準(zhǔn)確性，改進(jìn)單一參數(shù)的不足之處，基于顏色指數(shù)中相關(guān)性最高的紅藍(lán)差值（r-b）(x1)和紋理特征參數(shù)中相關(guān)性最高的（G-mean） (x2)與水稻AGB構(gòu)建雙指數(shù)線性回歸模型，不同生育期的模型結(jié)果見(jiàn)表5。不同生育期的顏色指數(shù)紅藍(lán)差值（r-b）和紋理特征參數(shù)（G-mean）雙指數(shù)模型的決定系數(shù)（R2）為0.904 3～0.920 2，其檢驗(yàn)結(jié)果決定系數(shù)（R2）為0.890 1～0.911 2、均方根誤差(RMSE)為16.46～76.20 g·m-2、相對(duì)均方根誤差（RRMSE）為3.32%～10.91%。結(jié)果表明，基于顏色指數(shù)紅藍(lán)差值（r-b）和紋理特征參數(shù)（G-mean）構(gòu)建的雙指數(shù)模型可以更好的估測(cè)水稻的AGB?？傮w上看，采用雙指數(shù)模型較單一指數(shù)模型具有更高的AGB估算準(zhǔn)確性。

表5 基于r-b和G-mean的AGB雙指數(shù)線性回歸模型的構(gòu)建和檢驗(yàn)Table 5 Construction and validation of AGB estimation model based on r-b and G-mean

3 討論

AGB是指某一時(shí)期單位面積上的有機(jī)物質(zhì)總量，是水稻長(zhǎng)勢(shì)監(jiān)測(cè)的重要指標(biāo)之一，AGB不僅代表了水稻群體質(zhì)量?jī)?yōu)劣，還表征光合作用效率和物質(zhì)積累，是產(chǎn)量形成的重要基礎(chǔ)條件。水稻冠層色彩信息顯著受到氮肥供應(yīng)的影響，肥料豐缺可顯著影響水稻的長(zhǎng)勢(shì)，從而使水稻在不同的營(yíng)養(yǎng)條件下表現(xiàn)出不同的顏色特征，因此，色彩信息是水稻生長(zhǎng)監(jiān)測(cè)的重要組成[21]。已有研究表明，在可見(jiàn)光波段（400～700 nm）范圍內(nèi)，水稻冠層對(duì)光的反射隨施氮水平的提高而降低[22]，這是由于受AGB、葉綠素及其他色素、含水量等影響冠層對(duì)光的吸收和反射的強(qiáng)度，最終導(dǎo)致水稻冠層顏色上的特征變化，基于這種內(nèi)在機(jī)理，很多學(xué)者利用顏色指數(shù)和紋理特征參數(shù)構(gòu)建了AGB估算模型[11-18]，并具有較好的準(zhǔn)確性。本研究表明，不同施氮水平下的水稻無(wú)人機(jī)圖像具有顯著的變化特征，其圖像顏色特征和紋理特征均隨施氮水平的變化具有一定的規(guī)律關(guān)系。因此，可以利用顏色指數(shù)和紋理特征參數(shù)來(lái)估算水稻的AGB變化。Kyu-Jong等[23]利用數(shù)碼相機(jī)獲取水稻冠層圖像，采用綠光深度絕對(duì)值(G)建立的生物量估測(cè)模型，其R2為0.83。本研究通過(guò)篩選，提取出與水稻AGB相關(guān)性最高的顏色指數(shù)為紅藍(lán)差值（rb），構(gòu)建模型的決定系數(shù)（R2）最高達(dá)0.882 0，估算模型具有更高的準(zhǔn)確性。無(wú)人機(jī)獲取的水稻圖像不僅具有顏色信息，還具有更加多樣的紋理特征參數(shù)。Dai等[12]、楊俊等[13]、劉暢等[14]、陳晨[15]在小麥上和劉楊等[17]在馬鈴薯上的研究均表明，采用顏色指數(shù)+紋理特征估算AGB的效果優(yōu)于單一顏色指數(shù)或紋理參數(shù)模型。本研究表明采用顏色指數(shù)（rb）和紋理特征（G-mean）雙指數(shù)模型的決定系數(shù)（R2）為0.904 3～0.920 2，較單一顏色指數(shù)（r-b）模型（R2=0.869 3～0.882 0）和單一紋理特征參數(shù)（G-mean）模型（R2=0.879 7～0.903 4）的準(zhǔn)確性更高。劉楊[17]等認(rèn)為單一紋理特征模型（R2為0.68～0.75）優(yōu)于單一顏色指數(shù)模型（R2為0.65～0.69），這與劉暢等[14]研究結(jié)果一致，本研究結(jié)果亦與他們相同，但Dai等[12]卻認(rèn)為紋理特征參數(shù)的相關(guān)性較差，而顏色特征的相關(guān)性更好，導(dǎo)致這種差異的原因可能和作物品種、試驗(yàn)條件、儀器設(shè)備、圖片分辨率等不同，從而導(dǎo)致提取出的特征指標(biāo)不同和相關(guān)性結(jié)果亦不同。同時(shí)，紋理特征參數(shù)（G-mean）不僅在估算AGB上具有較高的準(zhǔn)確性，班松濤[24]研究表明（G-mean）還可以用于水稻倒伏的計(jì)算。無(wú)人機(jī)圖像具有獲取簡(jiǎn)單、成本低、效率高、簡(jiǎn)單易用等優(yōu)點(diǎn)，已越來(lái)越成為作物生長(zhǎng)監(jiān)測(cè)的主要技術(shù)方法。本研究篩選出無(wú)人機(jī)顏色指數(shù)紅藍(lán)差值（r-b）和紋理特征參數(shù)（G-mean），并采用雙指數(shù)構(gòu)建的模型具有較高的準(zhǔn)確性，為水稻地上部生物量的估算提供了新的指標(biāo)和方法。

當(dāng)然，本研究也還存在許多不足的地方，如不同品種、區(qū)域生長(zhǎng)環(huán)境、種植密度、飛行高度（照片分辨率）等均會(huì)影響水稻AGB估算模型的準(zhǔn)確性，從而導(dǎo)致模型在普適性方面降低。今后，將繼續(xù)開(kāi)展多年多生態(tài)點(diǎn)的試驗(yàn)，并采用深度學(xué)習(xí)等算法，融合圖像顏色指數(shù)和紋理特征參數(shù)的多個(gè)指標(biāo)，對(duì)圖像信息和生理信息進(jìn)行深入的挖掘，從而進(jìn)一步提高模型的估算精度和探明其機(jī)理規(guī)律。

4 結(jié)論

圖像顏色指數(shù)中紅藍(lán)差值（r-b）與水稻AGB的相關(guān)性最高，可以作為估算AGB的顏色指數(shù)；紋理特征參數(shù)中（G-mean）與水稻AGB的相關(guān)性最高，可以作為估算AGB的紋理特征參數(shù)；基于顏色指數(shù)和紋理特征融合構(gòu)建的雙指數(shù)水稻AGB模型優(yōu)于單一指數(shù)模型。基于顏色指數(shù)紅藍(lán)差值（r-b）和紋理特征參數(shù)（G-mean）構(gòu)建的水稻AGB雙指數(shù)全生育期估算模型y=2 544.507+5 054.243x1-145.543x2-556.553x1x2+27 379.41x12+3.927x22（R2=0.920 2），對(duì)水稻AGB的估算表現(xiàn)最優(yōu)，可實(shí)現(xiàn)水稻AGB的快速無(wú)損估算。