劉建春,陳思,文波龍,劉宏遠(yuǎn),李曉峰

(1.吉林建筑大學(xué) 測(cè)繪與勘查工程學(xué)院,長春 130118;2.中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所,長春 130102;3.中國科學(xué)院長春凈月潭遙感實(shí)驗(yàn)站,長春 130102;4.中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所 濕地生態(tài)與環(huán)境重點(diǎn)實(shí)驗(yàn)室,長春 130102)

0 引言

株高作為作物表型信息的重要組成部分,被廣泛應(yīng)用于作物的葉面積指數(shù)(leaf area index,LAI)估算[1-2]、生物量估算[3]以及產(chǎn)量估測(cè)[4]等,是評(píng)價(jià)作物長勢(shì)的重要監(jiān)測(cè)指標(biāo)[5]。精準(zhǔn)、無損、高效地獲取水稻株高信息,對(duì)于水稻長勢(shì)的精準(zhǔn)監(jiān)測(cè)具有重要意義[6-7]。傳統(tǒng)作物株高測(cè)量方法主要為測(cè)量作物的自然株高、葉枕株高或生理株高等[8]。這些方法效率低、破壞性強(qiáng),不能滿足現(xiàn)代化農(nóng)業(yè)的精準(zhǔn)監(jiān)測(cè)需求。

無人機(jī)遙感憑借其操作靈活、效率高和無損監(jiān)測(cè)等眾多優(yōu)勢(shì)被廣泛應(yīng)用于農(nóng)業(yè)精準(zhǔn)監(jiān)測(cè)中[9-10]。在株高監(jiān)測(cè)方面,通過無人機(jī)搭載傳感器獲取地面數(shù)據(jù)并建立株高反演模型的方法,目前已被廣泛應(yīng)用于玉米[11]、小麥[12]等農(nóng)作物的株高估測(cè)研究中,為作物株高提取提供了新方法[13]。

目前基于無人機(jī)遙感技術(shù)提取株高主要有基于無人機(jī)搭載激光雷達(dá)構(gòu)建點(diǎn)云模型提取株高法[14]、利用數(shù)碼相機(jī)采集實(shí)驗(yàn)區(qū)表面模型相減法[15]以及植被指數(shù)株高估測(cè)模型構(gòu)建法等[16]。周夢(mèng)維等[17]基于無人機(jī)搭載小光斑全波形激光雷達(dá)(light detection and ranging,LiDAR)反演作物高度,取得了良好成果,但受LiDAR數(shù)據(jù)處理方法繁瑣及設(shè)備成本高昂等影響,限制了LiDAR在農(nóng)業(yè)監(jiān)測(cè)領(lǐng)域的發(fā)展。相對(duì)于LiDAR昂貴的價(jià)格,數(shù)據(jù)處理簡單且價(jià)格較為低廉的無人機(jī)載RGB相機(jī),在作物株高反演研究方向上被廣泛應(yīng)用。劉治開等[18]通過無人機(jī)搭載高清數(shù)碼相機(jī)獲取冬小麥不同生長期的數(shù)字表面模型(digital surface model,DSM),與裸土期DSM做差,最終求得作物高度模型(crop height model,CHM),表明了利用無人機(jī)拍攝的高清數(shù)碼影像可快速估算冬小麥的株高。顏安等[19]通過無人機(jī)搭載數(shù)碼相機(jī)獲取棉花育種區(qū)DSM和高清數(shù)字正射影像(digital orthophoto model,DOM),利用克里金插值法提取育種區(qū)棉花株高并與實(shí)測(cè)株高進(jìn)行回歸分析,結(jié)果表明,提取的棉花株高與實(shí)測(cè)株高具有良好的擬合性。Kawamura等[20]采用地面采樣距離為1 cm的無人機(jī)影像提取泰國旱稻的高度值并用簡單的線性回歸進(jìn)行分析,測(cè)量株高與估算株高最佳決定系數(shù)(R2)為0.712,均方根誤差(root mean square error,RMSE)為9.142 cm。在構(gòu)建作物DSM時(shí),零星的水稻葉尖點(diǎn)云數(shù)據(jù)可能會(huì)被認(rèn)定為異常值被剔除,而采用植被指數(shù)(vegetation index,VI)株高估測(cè)模型估測(cè)作物株高可避免這種問題。李燕強(qiáng)等[21]基于不同品種冬小麥光譜指數(shù)株,構(gòu)建了冬小麥株高估測(cè)模型,估測(cè)模型R2=0.85,驗(yàn)證模型R2和RMSE分別為0.86和4.27 cm。

目前在基于無人機(jī)遙感技術(shù)估測(cè)作物株高方向上,主要體現(xiàn)于對(duì)生長環(huán)境穩(wěn)定的陸生作物的研究,而對(duì)于水稻這種禾本科一年生水生草本作物還鮮有研究。本研究基于無人機(jī)搭載一體式多光譜成像系統(tǒng)獲取的研究區(qū)DOM、DSM和無人機(jī)多光譜影像數(shù)據(jù),結(jié)合水稻株高實(shí)測(cè)數(shù)據(jù),主要研究以下問題:探究基于多光譜遙感技術(shù)估測(cè)水稻株高的可行性;對(duì)比不同株高估測(cè)方法提取水稻株高的精度。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

研究數(shù)據(jù)于吉林省大安市水稻示范區(qū)采集,該地地處吉林西部,屬中溫帶季風(fēng)氣候,土質(zhì)濕潤、土地肥沃,適合水稻的大面積種植。

研究區(qū)內(nèi)水稻種植面積為13.6 ha,種植的水稻為在東北地區(qū)具有良好代表性的中晚熟香型水稻品種——吉宏6號(hào),生育期約138 d。同時(shí),該地為了對(duì)比在不同土壤條件下水稻生長適應(yīng)性,每個(gè)稻田內(nèi)都經(jīng)過了不同的處理,所以不同稻田內(nèi)的水稻長勢(shì)各不相同,但同一稻田內(nèi)水稻株高變化不大。在各稻田內(nèi)遠(yuǎn)離田埂的地方共設(shè)置48個(gè)采樣小區(qū),以采集具有一定群體代表性的研究數(shù)據(jù)。小區(qū)分布位置如圖1所示。

圖1 研究區(qū)概況及采樣小區(qū)空間位置分布

1.2 數(shù)據(jù)獲取與預(yù)處理

1)地面數(shù)據(jù)獲取。于8月15日對(duì)采樣區(qū)內(nèi)的株高進(jìn)行測(cè)量,隨機(jī)選擇采樣區(qū)內(nèi)3株未倒伏的水稻,用卷尺測(cè)量自然狀態(tài)下水稻根部到水稻最頂端的距離(圖2),取3株水稻株高的均值作為采樣區(qū)內(nèi)水稻的實(shí)測(cè)株高。

圖2 水稻株高測(cè)量示意圖

2)無人機(jī)多光譜數(shù)據(jù)獲取及預(yù)處理。無人機(jī)多光譜數(shù)據(jù)采集與地面數(shù)據(jù)獲取同步進(jìn)行。本次實(shí)驗(yàn)所用的數(shù)據(jù)采集設(shè)備為大疆創(chuàng)新科技有限公司生產(chǎn)的精靈4多光譜版無人機(jī)(P4 Multispectral,P4M),其采用的三軸穩(wěn)定云臺(tái)使得無人機(jī)在高速飛行的狀態(tài)下也能拍攝出穩(wěn)定的畫面。同時(shí),RTK高精度定位結(jié)果實(shí)時(shí)補(bǔ)償至相機(jī)CMOS中心,實(shí)現(xiàn)了精準(zhǔn)定位。集成6個(gè)型號(hào)為FC6360的1/2.9英寸CMOS影像傳感器,可排除環(huán)境光對(duì)數(shù)據(jù)采集的干擾。其中,1個(gè)彩色傳感器用于常規(guī)可見光(RGB)成像,5個(gè)單色傳感器用于常規(guī)多光譜(紅、綠、藍(lán)、紅邊、近紅外)成像,相機(jī)單個(gè)傳感器有效像素208萬,分辨率為1 600像素×1 300像素,光圈為f/2.2,焦距為6 mm。

表1 無人機(jī)多光譜影像采集系統(tǒng)參數(shù)及飛行設(shè)置

將采集后的影像數(shù)據(jù)導(dǎo)入大疆智圖內(nèi)進(jìn)行影像數(shù)據(jù)拼接處理,得到地面采樣距離為0.015 m的5個(gè)波段的反射率數(shù)據(jù)以及DSM和DOM。根據(jù)測(cè)量軟件ArcGIS10.6,結(jié)合DSM,利用編輯工具繪制研究區(qū)的面矢量文件,結(jié)合DSM和DOM通過點(diǎn)繪水面點(diǎn)法提取水面高程,將高程賦值到面矢量文件中生成研究區(qū)內(nèi)數(shù)字高程模型(digital elevation model,DEM)。利用編輯工具繪制采樣小區(qū)的面矢量文件,使用統(tǒng)計(jì)工具計(jì)算小區(qū)內(nèi)水稻反射率均值作為采樣小區(qū)的水稻冠層反射率,具體的操作流程如圖3所示。

圖3 無人機(jī)影像數(shù)據(jù)預(yù)處理流程

1.3 分析方法

將植被指數(shù)與水稻株高進(jìn)行相關(guān)性分析,根據(jù)皮爾遜相關(guān)系數(shù)(Pearson)評(píng)價(jià)植被指數(shù)與水稻株高間的相關(guān)性并優(yōu)選植被指數(shù)?；趦?yōu)選后的單個(gè)植被指數(shù)采用一元線性、指數(shù)、對(duì)數(shù)及冪函數(shù)回歸方法與實(shí)測(cè)株高進(jìn)行回歸分析。分別利用逐步回歸、嶺回歸和隨機(jī)森林回歸進(jìn)行多植被指數(shù)水稻株高估測(cè)模型的構(gòu)建。本次實(shí)驗(yàn)所用的模型均在SPSSPRO中完成。

1.4 精度評(píng)價(jià)

采用決定系數(shù)R2和RMSE對(duì)水稻株高估測(cè)模型進(jìn)行評(píng)價(jià)。R2越接近1,表明方程的自變量對(duì)株高的解釋能力越強(qiáng),同時(shí)與之對(duì)應(yīng)模型的RMSE越小,觀測(cè)值與真實(shí)值之間的偏差越小,表示對(duì)株高的估測(cè)精度越高。

2 結(jié)果與分析

2.1 水稻株高特征分析

本次實(shí)驗(yàn)共采集了48份水稻實(shí)測(cè)株高數(shù)據(jù),其中隨機(jī)選取32份數(shù)據(jù)作為建立水稻株高估測(cè)模型的訓(xùn)練集,剩余16份數(shù)據(jù)作為檢驗(yàn)?zāi)Ｐ途鹊尿?yàn)證集,各樣本的特征統(tǒng)計(jì)結(jié)果如表2所示。

表2 水稻株高的統(tǒng)計(jì)特征

其中訓(xùn)練集水稻株高在68.33～121.50 cm之間,相對(duì)于總樣本來說分布均勻、區(qū)間合理,變異系數(shù)為0.157,呈輕度變異,用于構(gòu)建的模型適應(yīng)性強(qiáng)。驗(yàn)證集相比總樣本變化不大,能夠有效地評(píng)價(jià)模型估測(cè)精度。

2.2 植被指數(shù)與水稻株高相關(guān)性分析

植被指數(shù)是兩個(gè)或多個(gè)波段反射率間的不同組合,可根據(jù)植被指數(shù)對(duì)地表植被進(jìn)行精準(zhǔn)、有效的分析。目前已有多種植被指數(shù)被發(fā)現(xiàn)并應(yīng)用于農(nóng)業(yè)研究當(dāng)中[22],本實(shí)驗(yàn)共選取28種常見的植被指數(shù)用于水稻株高反演研究,主要指數(shù)的計(jì)算公式可參考文獻(xiàn)[23-25]。

將選取的28種植被指數(shù)分別與水稻株高進(jìn)行 Pearson相關(guān)性分析,分析結(jié)果如圖4所示。所選擇的28種植被指數(shù)與水稻株高相關(guān)系數(shù)絕對(duì)值均大于0.5,相關(guān)系數(shù)絕對(duì)值最高為0.800,對(duì)應(yīng)植被指數(shù)為MCCCI,相關(guān)系數(shù)絕對(duì)值最低為0.522,植被指數(shù)為NPCI。其中OSAVI、NDRE、DATT、SAVI、MSR、EVI、EVI2、NDVI、CIre、TNDVI、MTCI、GOSAVI、SR、RVI、TVI、DVI、GDVI、GNDVI、SIPI、NGI與水稻株高的相關(guān)系數(shù)介于0.7～0.8之間,GRVI、CIg、VARI、PSRI與水稻株高的相關(guān)系數(shù)絕對(duì)值介于0.6～0.7之間,NRI、NDGI、NPCI與水稻株高的相關(guān)系數(shù)絕對(duì)值介于0.5～0.6之間,說明所選的植被指數(shù)與水稻株高間存在相關(guān)關(guān)系,可以擇優(yōu)選取植被指數(shù)建立水稻株高估測(cè)模型。

圖4 多光譜植被指數(shù)與水稻株高相關(guān)性矩陣

根據(jù)圖4的分析結(jié)果,將相關(guān)系數(shù)絕對(duì)值按從大到小排序,選擇排在前50%的14種植被指數(shù)作為本次實(shí)驗(yàn)的優(yōu)選指數(shù),結(jié)果如表3所示。這些植被指數(shù)與水稻株高的相關(guān)系數(shù)絕對(duì)值均大于0.7,與水稻株高呈0.01級(jí)別顯著性水平相關(guān)關(guān)系,可以進(jìn)行建模分析。

表3 多光譜植被指數(shù)與水稻株高相關(guān)系數(shù)絕對(duì)值及排序

2.3 水稻株高估測(cè)模型的構(gòu)建

選取表3中的植被指數(shù),分別利用一元線性、指數(shù)、對(duì)數(shù)、冪函數(shù)回歸方法與水稻株高進(jìn)行回歸分析,并根據(jù)模型R2選擇擬合程度最好的回歸方程,分析結(jié)果如表4所示。

表4 優(yōu)選植被指數(shù)與水稻株高一元回歸模型

根據(jù)表4可以看出,所有回歸模型均有較好的擬合性,整體R2在0.573～0.650之間,RMSE在8.86～9.65 cm之間,其中MCCCI與水稻株高建立的冪函數(shù)回歸模型效果最好,R2為0.650,RMSE為8.86 cm;植被指數(shù)GOSAVI與水稻株高建立的一元線性回歸模型效果最差,R2為0.573,RMSE為9.65 cm。所以,根據(jù)R2最大及對(duì)應(yīng)的RMSE最小原則,認(rèn)為基于MCCCI構(gòu)建的冪函數(shù)回歸水稻株高估測(cè)模型效果最好,回歸方程如式(1)所示。

H=184.583MCCCI0.727

(1)

2.4 基于嶺回歸模型估測(cè)水稻株高

選取與水稻株高相關(guān)性系數(shù)絕對(duì)值排在前50%的植被指數(shù)作為自變量用于構(gòu)建水稻株高嶺回歸估測(cè)模型。根據(jù)回歸結(jié)果,手動(dòng)剔除與水稻株高相關(guān)性較低的植被指數(shù),直至方程所用植被指數(shù)與水稻株高呈顯著性水平強(qiáng)相關(guān)關(guān)系,結(jié)果如表5所示。

模型Ⅵ和模型Ⅶ的R2分別為0.703和0.704,RMSE均為8.04 cm,使用的植被指數(shù)相對(duì)最少但模型的擬合效果和精度變化不大,且輸入自變量與水稻株高均呈0.01水平強(qiáng)相關(guān)關(guān)系,所以認(rèn)為采用植被指數(shù)MCCCI和SAVI構(gòu)建的嶺回歸株高估測(cè)模型效果最好,模型方程如式(2)所示。

H=33.947+95.767MCCCI+38.921SAVI

(2)

2.5 基于逐步回歸模型估測(cè)水稻株高

根據(jù)分析結(jié)果,選取對(duì)應(yīng)的14種植被指數(shù)作為自變量,實(shí)測(cè)株高作為因變量進(jìn)行水稻株高逐步回歸模型的構(gòu)建,結(jié)果如表6所示。結(jié)果表明,在模型不斷剔除與水稻株高不相關(guān)變量后,得到模型Ⅰ和模型Ⅱ的R2分別為0.640和0.710,RMSE分別為8.86 cm和7.95 cm。根據(jù)R2最大及對(duì)應(yīng)的RMSE最小原則,認(rèn)為采用植被指數(shù)MCCCI和EVI2構(gòu)建的逐步回歸水稻株高估測(cè)模型效果最好,模型方程如式(3)所示。

表6 優(yōu)選植被指數(shù)與水稻株高一元回歸模型

H=33.167+108.069MCCCI+29.659EVI2

(3)

2.6 基于隨機(jī)森林估測(cè)水稻株高

根據(jù)表3的篩選結(jié)果,將篩選后的14種植被指數(shù)作為隨機(jī)森林回歸模型的輸入變量,輸入到模型中進(jìn)行重要性分析,首次重要性分析結(jié)果如圖5所示,植被指數(shù)MCCCI、SAVI、EVI、EVI2在模型中所占重要性超過10%。剔除重要性小于10%的植被指數(shù)繼續(xù)重復(fù)上述工作。隨著輸入變量的減少,模型中剩余的植被指數(shù)所占重要性會(huì)相應(yīng)提高,因此用于剔除植被指數(shù)的重要性占比閾值也要逐步增加,所以繼續(xù)剔除重要性占比小于20%、30%的不重要變量,共構(gòu)建了4個(gè)隨機(jī)森林水稻株高估測(cè)模型,結(jié)果如表7所示。

表7 隨機(jī)森林水稻株高估測(cè)模型精度對(duì)比

圖5 光譜植被指數(shù)重要性分析圖

根據(jù)表7可以看出,雖然在用于構(gòu)建隨機(jī)森林回歸模型的輸入變量減少,但是模型精度逐漸提高,最好的隨機(jī)森林水稻株高估測(cè)模型為模型Ⅲ,采用植被指數(shù)MCCCI、SAVI、EVI2重要性占比分別為26.20%、41.80%和32.00%,模型R2為0.946,RMSE為3.44 cm。

2.7 基于DSM提取水稻株高

地面數(shù)字高程模型DEM由拼接生成的地面數(shù)字表面模型DSM結(jié)合高清數(shù)字正射影像DOM經(jīng)ArcGIS10.6賦值生成。通過式(4)計(jì)算DSM與DEM間的差求得水稻株高模型CHM0。

CHM0=DSM-DEM

(4)

通過ArcGIS10.6提取采樣小區(qū)內(nèi)CHM0的平均值作為該采樣小區(qū)的株高。由于稻田內(nèi)水的存在,提取后的采樣小區(qū)株高只是水面以上的株高,所以還需要選取與植被指數(shù)構(gòu)建水稻株高估測(cè)模型相同的訓(xùn)練集數(shù)據(jù),將水稻水面株高與水稻實(shí)測(cè)株高分別進(jìn)行一元線性回歸、指數(shù)回歸、對(duì)數(shù)回歸和冪回歸,并篩選出最優(yōu)回歸模型,結(jié)果如表8所示。

表8 根據(jù)DSM提取水面以上水稻株高估測(cè)模型

2.8 模型的檢驗(yàn)

將剩余的16份數(shù)據(jù)作為驗(yàn)證集代入到各個(gè)模型中,并統(tǒng)一以一元線性回歸方程檢驗(yàn)預(yù)測(cè)值與真實(shí)值間的擬合程度計(jì)算方程的決定系數(shù)和均方根誤差,結(jié)果如圖6所示。R2在0.876～0.666之間,RMSE在5.15～8.44 cm之間。其中采用植被指數(shù)MCCCI與水稻株高構(gòu)建的冪函數(shù)水稻株高估測(cè)模型效果最好,R2為0.876,RMSE為5.15 cm;隨機(jī)森林水稻株高估測(cè)模型擬合精度較低,R2為0.666,RMSE為8.44 cm。綜上所述,可以確定在本次實(shí)驗(yàn)中,采用植被指數(shù)MCCCI構(gòu)建的冪函數(shù)水稻株高估測(cè)模型效果最好,擬合精度最優(yōu),整體實(shí)驗(yàn)區(qū)株高估測(cè)結(jié)果如圖7所示。

圖7 實(shí)驗(yàn)區(qū)水稻株高估測(cè)結(jié)果

3 討論

隨著無人機(jī)遙感技術(shù)的普及,其被廣泛應(yīng)用于農(nóng)作物株高估測(cè)當(dāng)中,但在水稻的整個(gè)生育期內(nèi),稻田內(nèi)大部分時(shí)間都有水的存在且水深不一,這給水稻株高估測(cè)研究帶來極大的困難?；贒OM、DSM可以根據(jù)賦值做差法提取水稻的水面株高,而要想獲得真正的水稻株高還要進(jìn)行二次建模,最終得到的結(jié)果與前人的結(jié)果基本一致。但是,根據(jù)此方法估測(cè)水稻株高,步驟極為繁瑣,且存在誤差。在根據(jù)DOM、DSM提取水面點(diǎn)時(shí),考慮到每個(gè)稻田內(nèi)都為獨(dú)立的水平面,所以直接將去除異常值后每個(gè)地塊的數(shù)據(jù)求均值作為對(duì)應(yīng)地塊的水面高程,通過對(duì)面文件賦值生成最終的DEM,但受水稻枝葉以及水面漂浮物的影響,提取到的點(diǎn)可能并不是真實(shí)的水面點(diǎn),導(dǎo)致生成的DEM與實(shí)際值有誤差,最終會(huì)對(duì)水稻株高的估測(cè)精度造成影響。同時(shí),由于無人機(jī)根據(jù)點(diǎn)云數(shù)據(jù)生成DSM,而水稻葉尖處點(diǎn)云數(shù)據(jù)比較稀疏,也極有可能在影像拼接時(shí)就被系統(tǒng)認(rèn)定為噪聲去除,因此基于DSM提取水稻株高具有很大的局限性。

植被指數(shù)能夠反映水稻長勢(shì)的優(yōu)劣,而水稻長勢(shì)不同則生物量不同,因此能夠建立光譜指數(shù)與株高的關(guān)系,進(jìn)而反演水稻株高。本研究共采集了48份無人機(jī)多光譜遙感數(shù)據(jù)和地面實(shí)際觀測(cè)數(shù)據(jù),隨機(jī)選擇32份數(shù)據(jù)結(jié)合植被指數(shù)與水稻株高構(gòu)建水稻株高估測(cè)模型,并將剩余的16組數(shù)據(jù)作為驗(yàn)證集帶入到估測(cè)模型中進(jìn)行檢驗(yàn),R2在0.666～0.876之間,表明基于無人機(jī)多光譜植被指數(shù)可以構(gòu)建水稻株高估測(cè)模型。

其中采用隨機(jī)森林回歸模型構(gòu)建的水稻株高估測(cè)模型訓(xùn)練精度比較好,R2為0.946,但是驗(yàn)證模型的擬合度和精度很差,這可能是機(jī)器學(xué)習(xí)需要大量的樣本來實(shí)現(xiàn)模型的泛化能力,而本次實(shí)驗(yàn)只選擇了38組數(shù)據(jù)作為訓(xùn)練集,致使隨機(jī)森林株高估測(cè)模型效果不好。想要訓(xùn)練一個(gè)精準(zhǔn)的隨機(jī)森林估測(cè)模型需要一個(gè)龐大的數(shù)據(jù)用于模型的訓(xùn)練,對(duì)于大面積水稻株高估測(cè)研究,龐大的工作量給這項(xiàng)工作帶來了一定的負(fù)擔(dān),因此需要一個(gè)所需數(shù)據(jù)少且估測(cè)精度高的模型來完成此項(xiàng)工作。

本研究發(fā)現(xiàn),采用改良后冠層葉綠素含量指數(shù)MCCCI構(gòu)建的冪函數(shù)水稻株高估測(cè)模型結(jié)果最好,R2為0.876,優(yōu)于其他模型,且該模型僅采用一個(gè)植被指數(shù),需要的數(shù)據(jù)量少,具有簡潔、高效,引入誤差少,實(shí)用性強(qiáng)的特點(diǎn)。水稻長勢(shì)不同葉綠素含量也不同,植被指數(shù)MCCCI的值也會(huì)因此而變化,本實(shí)驗(yàn)用于建模的數(shù)據(jù)能夠代表部分生長階段的水稻長勢(shì),因此該模型可以用于部分生育期內(nèi)水稻株高的估測(cè)。

雖然本次實(shí)驗(yàn)取得了良好的結(jié)果,但是,受不同品種水稻植株性狀以及生物量等因素的影響,相同長勢(shì)下不同品種水稻的光譜指數(shù)值會(huì)有差別,因此該模型對(duì)于其他品種的水稻株高估測(cè)可能還具有局限性。若想提高該模型的普適性,可參照本文的理論方法,采集更多品種、更全長勢(shì)的水稻數(shù)據(jù),以獲得一個(gè)高通量水稻株高估測(cè)模型,進(jìn)而還可以進(jìn)行感興趣點(diǎn)水稻株高的估測(cè),即輸入某點(diǎn)位的光譜數(shù)據(jù),可直接反演出該處水稻株高。該技術(shù)的成熟發(fā)展,對(duì)于農(nóng)業(yè)的精準(zhǔn)監(jiān)測(cè)有重要的實(shí)際意義。

4 結(jié)束語

本研究以無人機(jī)搭載多光譜傳感器獲取水稻種植區(qū)域單通道反射率數(shù)據(jù)、DOM、DSM、DEM數(shù)據(jù),并基于上述數(shù)據(jù)計(jì)算多種植被指數(shù),結(jié)合地面實(shí)測(cè)水稻株高進(jìn)行株高估算模型的構(gòu)建?；谏鲜鲞^程得出以下結(jié)論。

1)基于無人機(jī)多光譜遙感數(shù)據(jù)獲取水稻冠層光譜反射率數(shù)據(jù)并計(jì)算植被指數(shù),最終構(gòu)建的水稻株高估測(cè)模型精度良好,模型驗(yàn)證集最好結(jié)果R2=0.876,RMSE=5.15 cm,可以用于水稻株高的估測(cè),為提取水稻株高提供了新方向。

2)基于植被指數(shù)MCCCI構(gòu)建的冪函數(shù)水稻株高估測(cè)模型(R2=0.876,RMSE=5.15 cm)優(yōu)于基于DSM提取的水稻株高估測(cè)模型(R2=0.774,RMSE=6.99 cm),優(yōu)于基于植被指數(shù)MCCCI、SAVI、EVI2構(gòu)建的隨機(jī)森林的水稻株高估測(cè)模型(R2=0.666,RMSE=8.44 cm),可用于部分長勢(shì)水稻株高的估測(cè)和對(duì)比。

致謝:文章中實(shí)驗(yàn)基地和實(shí)測(cè)數(shù)據(jù)由吉林省大安市水稻示范區(qū)提供,無人機(jī)數(shù)據(jù)由任旭陽、王智、丁天雨采集,同時(shí)李雷、王錫剛、李鑫彪、魏佳佳、陳嘉惠、王彬在數(shù)據(jù)處理中給予了技術(shù)指導(dǎo)。在此,對(duì)各位提供的幫助表示由衷的感謝。