朱永基,陶新宇,陳小芳,蘇祥祥,劉吉?jiǎng)P,李新偉,*

(1.安徽科技學(xué)院 資源與環(huán)境學(xué)院,安徽 鳳陽(yáng) 233100; 2.安徽省農(nóng)業(yè)廢棄物肥料化利用與耕地質(zhì)量提升工程研究中心,安徽 鳳陽(yáng) 233100)

受全球氣候變暖[1]、耕地質(zhì)量下降[2]、人地關(guān)系緊張[3]等因素的影響,我國(guó)長(zhǎng)期存在糧食供需不平衡的狀況[4]。冬小麥作為我國(guó)主要糧食作物之一,種植面積約占全國(guó)作物種植總面積的15%,產(chǎn)量約占全國(guó)糧食總產(chǎn)量的20%;因此,穩(wěn)定冬小麥產(chǎn)量對(duì)保障我國(guó)糧食安全有著重要意義[5]。冬小麥的地上部生物量(above-ground biomass,AGB)是評(píng)價(jià)冬小麥生長(zhǎng)發(fā)育狀況與預(yù)測(cè)產(chǎn)量的重要指標(biāo)之一[6]。準(zhǔn)確監(jiān)測(cè)冬小麥的AGB是提高作物產(chǎn)量和確保糧食安全的先決條件[7]。傳統(tǒng)的冬小麥AGB監(jiān)測(cè)結(jié)果主要通過(guò)破壞性采樣方式獲取,需要消耗大量的時(shí)間、人力和物力;因此,迫切需要研發(fā)出更高效、更靈活的監(jiān)測(cè)方式來(lái)提升冬小麥AGB的估算效率。

遙感技術(shù)的快速發(fā)展為作物無(wú)損監(jiān)測(cè)提供了一種高效的新方式。早期的遙感監(jiān)測(cè)研究主要集中在衛(wèi)星、可駕駛飛機(jī)、地面等平臺(tái)上。前人利用衛(wèi)星數(shù)據(jù)進(jìn)行大區(qū)域尺度的AGB監(jiān)測(cè)[8],但衛(wèi)星存在數(shù)據(jù)空間分辨率相對(duì)較低、重返周期較長(zhǎng)、數(shù)據(jù)獲取難度較大(受天氣條件、過(guò)境時(shí)間等因素的制約)等問題,難以滿足高精度、高效率的作物監(jiān)測(cè)需求[9]?？神{駛飛機(jī)在遙感上的應(yīng)用,極大地克服了衛(wèi)星遙感技術(shù)訪問周期長(zhǎng)、空間分辨率低等問題,但人造飛機(jī)的使用需要固定的跑道設(shè)施,價(jià)格昂貴[10],不利于田間使用。隨著田間尺度的表型監(jiān)測(cè)技術(shù)的發(fā)展,一種低成本、操作簡(jiǎn)易的地面遙感技術(shù)得到了廣泛應(yīng)用。研究人員使用手持傳感器設(shè)備(如高光譜儀、CropCircle手持式植物冠層光譜儀、GreenSeeker便攜式光譜儀等)獲取作物光譜信息,可以高精度地獲取特定位置點(diǎn)的作物生長(zhǎng)信息;但這種手持式設(shè)備的數(shù)據(jù)采集范圍較小,需要通過(guò)增加采樣點(diǎn)數(shù)量來(lái)提升數(shù)據(jù)對(duì)地塊的代表性,當(dāng)?shù)貕K較多時(shí),這種方式難以滿足高效的表型監(jiān)測(cè)需求[11]。因此,在生產(chǎn)上迫切需要一種機(jī)動(dòng)靈活、作業(yè)效率高、監(jiān)測(cè)成本低的平臺(tái)來(lái)解決上述遙感平臺(tái)所存在的問題。

無(wú)人機(jī)以高時(shí)效、高通量、高機(jī)動(dòng)性等優(yōu)勢(shì),在一定程度上彌補(bǔ)了衛(wèi)星、地面平臺(tái)的不足,逐漸成為作物監(jiān)測(cè)的主流平臺(tái)。在無(wú)人機(jī)表型監(jiān)測(cè)中,歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、歸一化紅邊指數(shù)(NDRE)等植被指數(shù)被廣泛應(yīng)用于冬小麥AGB監(jiān)測(cè)[12]。但是,Kong等[13]、Maimaitijiang等[14]的研究發(fā)現(xiàn),植被指數(shù)在作物生長(zhǎng)密集、冠層覆蓋率較高的情況下會(huì)出現(xiàn)飽和現(xiàn)象。為此,有研究采取融合多源傳感器數(shù)據(jù)的方法來(lái)削弱光譜飽和效應(yīng)對(duì)模型的影響。利用無(wú)人機(jī)平臺(tái)搭載高光譜、激光雷達(dá)、熱紅外等傳感器獲取更加豐富的數(shù)據(jù)特征,可以提高監(jiān)測(cè)模型的精度[15]。雖然多傳感器的應(yīng)用提高了模型精度,但多傳感器融合面臨數(shù)據(jù)處理過(guò)程復(fù)雜、數(shù)據(jù)冗余、數(shù)據(jù)精度不匹配、成本高等問題[16]。有些研究利用光譜數(shù)據(jù)結(jié)合結(jié)構(gòu)特征來(lái)估算AGB。如劉楊等[17]利用無(wú)人機(jī)提取作物株高(plant height, PH)數(shù)據(jù),并與植被指數(shù)相結(jié)合,提升了模型估算馬鈴薯地上部生物量的精度。但株高提取易因受到土壤背景的干擾而產(chǎn)生低估,且存在特征位置不匹配的問題。與結(jié)構(gòu)特征相比,紋理特征是像元與其鄰域像元灰度頻率的表征,是描述微觀結(jié)構(gòu)的重要指標(biāo)之一,與光譜的特征位置高度一致。Liu等[18]將植被指數(shù)與紋理特征相結(jié)合,利用隨機(jī)森林(random forest, RF)算法獲得了準(zhǔn)確的冬油菜AGB估算模型;Freitas等[19]將無(wú)人機(jī)圖像光譜與紋理特征相結(jié)合,準(zhǔn)確估算了牧場(chǎng)草本作物的AGB;Xu等[20]利用無(wú)人機(jī)高光譜圖像的紋理與光譜信息,改進(jìn)了水稻AGB估算的精度。上述研究說(shuō)明,耦合光譜和紋理信息在估算冬小麥AGB方面具有潛力。

機(jī)器學(xué)習(xí)算法能有效處理預(yù)測(cè)因子與目標(biāo)變量之間的復(fù)雜關(guān)系,在應(yīng)對(duì)多模態(tài)、高維度數(shù)據(jù)時(shí)具有很好的抗冗余效果。目前,RF[21]、偏最小二乘回歸(partial least squares regression, PLSR)[22]等機(jī)器學(xué)習(xí)算法已廣泛應(yīng)用于作物表型監(jiān)測(cè),取得了不錯(cuò)的效果,但機(jī)器學(xué)習(xí)算法會(huì)提高數(shù)據(jù)計(jì)算成本,且模型的構(gòu)造較為復(fù)雜;因此,有必要考慮不同算法下模型的精度差異與實(shí)用性。

盡管光譜特征在估算冬小麥生理生化參數(shù)上具有廣闊的應(yīng)用前景,但光譜特征易受冠層結(jié)構(gòu)的影響而產(chǎn)生“飽和”效應(yīng)。研究表明,紋理特征在估算作物AGB方面具有巨大潛力[18-20]。為了探究紋理特征在監(jiān)測(cè)冬小麥AGB中的效果,本研究利用消費(fèi)級(jí)多光譜無(wú)人機(jī)評(píng)估紋理特征對(duì)AGB估算模型的改善效果。本研究的目標(biāo):1)探究植被指數(shù)結(jié)合紋理特征對(duì)冬小麥AGB的監(jiān)測(cè)效果;2)研究最優(yōu)的冬小麥AGB監(jiān)測(cè)時(shí)期;3)分析不同算法在不同時(shí)期對(duì)冬小麥AGB的監(jiān)測(cè)效果。

1 材料與方法

1.1 試驗(yàn)方法

于2020-2021年在安徽省滁州市鳳陽(yáng)縣小崗村開展冬小麥田間試驗(yàn)。本研究采用裂區(qū)試驗(yàn)設(shè)計(jì),設(shè)置36個(gè)2 m×8 m的小區(qū),使用淮麥44(P1)、煙農(nóng)999(P2)和寧麥13(P3)3個(gè)冬小麥品種,于2020年11月播種,2021年6月上旬收獲。播種前,鉀肥(氯化鉀,K2O質(zhì)量分?jǐn)?shù)為50%)、磷肥(過(guò)磷酸鈣,P2O5質(zhì)量分?jǐn)?shù)為12%)以基肥的形式一次性施入,施用量分別為135 kg·hm-2(以K2O計(jì),折純)、90 kg·hm-2(以P2O5計(jì),折純)。氮肥使用顆粒尿素(N質(zhì)量分?jǐn)?shù)46%),分2次施用:60%作基肥施入,40%于拔節(jié)期追肥。試驗(yàn)共設(shè)置4個(gè)氮肥處理:N0,不施氮;N1,100 kg·hm-2(以N計(jì),折純,下同);N2,200 kg·hm-2;N3,300 kg·hm-2。每個(gè)品種每個(gè)處理設(shè)置3次重復(fù)。試驗(yàn)?zāi)觊g未出現(xiàn)生物脅迫與非生物脅迫,田間管理同當(dāng)?shù)馗弋a(chǎn)大田管理方案。

1.2 數(shù)據(jù)獲取

本研究使用大疆精靈4多光譜版(P4M)無(wú)人機(jī)(深圳市大疆創(chuàng)新科技有限公司)采集數(shù)據(jù)。P4M無(wú)人機(jī)配備一體式云臺(tái),該云臺(tái)集成1個(gè)可見光成像傳感器和5個(gè)多光譜成像傳感器[藍(lán):(450±16)nm;綠:(560±16)nm;紅:(650±16)nm;紅邊:(730±16)nm;近紅外:(840±26) nm]。利用DJI GS Pro軟件規(guī)劃飛行任務(wù),獲取90%前向重疊和85%旁向重疊的圖像,小麥不同生育期的飛行計(jì)劃和相機(jī)設(shè)置保持一致。無(wú)人機(jī)以30 m高度獲取試驗(yàn)區(qū)影像,飛行速度2 m·s-1,在地面放置4塊標(biāo)準(zhǔn)反射布,用于無(wú)人機(jī)影像的輻射校正。每次飛行活動(dòng)于11:00-14:00、光照穩(wěn)定的條件下進(jìn)行。分別于2021-03-14(拔節(jié)期)、2021-04-08(孕穗期)、2021-04-18(抽穗期)、2021-04-29(開花期)、2021-05-09(灌漿期)、2021-05-24(成熟期)獲取無(wú)人機(jī)影像數(shù)據(jù),其空間分辨率分別為1.64 cm×1.44 cm、1.85 cm×1.54 cm、1.74 cm×1.44 cm、1.74 cm×1.45 cm、1.74 cm×1.46 cm、1.74 cm×1.47 cm。

在無(wú)人機(jī)作業(yè)的同一天內(nèi),對(duì)36個(gè)小區(qū)的AGB進(jìn)行采樣。每個(gè)小區(qū)選擇3處長(zhǎng)勢(shì)均勻、大小為0.5 m雙行的冬小麥。將冬小麥從根部剪斷,將新鮮樣品帶回實(shí)驗(yàn)室進(jìn)行莖、葉分離。將帶回的樣品于105 ℃殺青30 min,然后在75 ℃干燥24 h至質(zhì)量恒定。稱量冬小麥莖、葉的干重,換算AGB(kg·hm-2)。

1.3 無(wú)人機(jī)影像預(yù)處理

利用大疆智圖(DJI terra)軟件處理無(wú)人機(jī)圖像,生成數(shù)字正射影像(digital orthophoto model, DOM)。關(guān)鍵處理步驟包括圖像對(duì)齊、相機(jī)校準(zhǔn)、密集點(diǎn)云構(gòu)建,以及DOM的生成。本研究所使用的無(wú)人機(jī)自帶厘米級(jí)定位系統(tǒng),因此不需要額外的控制點(diǎn)來(lái)對(duì)圖像進(jìn)行校正。

采用經(jīng)驗(yàn)線性模型進(jìn)行輻射定標(biāo),以消除不同時(shí)期圖像因光照不同而造成的輻射失真。為消除邊界效應(yīng),在參考板中心位置選擇約0.2 m×0.2 m的區(qū)域取其平均值作為該參考板的DN值(數(shù)字量化值,遙感影像的像元亮度值,記錄的地物的灰度值)。

R(i,j)=V(i,j)*ai+bi,i∈[1,5],j∈[1,4]。

(1)

式(1)中:R(i,j)和V(i,j)分別代表波段i在第j塊參考板上的反射率值和DN值,ai為斜率,bi為截距。

為降低土壤背景對(duì)生物量估算的干擾,本研究利用作物與背景之間的反射率閾值去除土壤背景。對(duì)比作物與土壤的反射率發(fā)現(xiàn),作物與土壤在近紅外波段的反射率差異最大。經(jīng)過(guò)多次試驗(yàn),最終利用近紅外波段閾值法去除土壤背景的影響。

1.4 植被指數(shù)計(jì)算

本研究選擇了7種植被指數(shù)用于冬小麥AGB的估算,具體包括歸一化植被指數(shù)(normalized vegetation index, NDVI)[23]、差值植被指數(shù)(difference vegetation index, DVI)[24]、比值植被指數(shù)(ratio vegetation index, RVI)[23]、綠色歸一化植被指數(shù)(green normalized vegetation index, GNDVI)[25]、歸一化紅邊植被指數(shù)(normalized red-edge vegetation index, NDRE)[26]、紅邊葉綠素指數(shù)(red edge chlorophyll index, RECI)[8]、轉(zhuǎn)化葉綠素吸收比值指數(shù)[27](transformed chlorophyll absorption ratio index, TCARI)。

1.5 紋理特征提取

紋理特征通過(guò)像素鄰域的灰度值變化來(lái)反映空間位置特征,與植被指數(shù)相比不存在飽和效應(yīng),屬于一種微觀的結(jié)構(gòu)特征?；诨叶裙采仃?grey level co-occurrence matrix, GLCM)提取影像紋理特征。為了減少數(shù)據(jù)交叉,提升數(shù)據(jù)處理速度,且最大限度地保留紋理信息,本研究利用ENVI 5.6軟件對(duì)影像進(jìn)行主成分分析,利用第一主成分的數(shù)據(jù)進(jìn)行紋理特征提取。根據(jù)Haralick等[28]和劉楊等[29]的研究,選擇其中運(yùn)算量較小且應(yīng)用較多的3種紋理特征--均值(Mean)、方差(Var)、熵(Ent)。

1.6 模型算法選擇

機(jī)器學(xué)習(xí)算法已經(jīng)被廣泛用于處理作物生理/生化參數(shù)與遙感變量之間的非線性關(guān)系。與線性回歸模型相比,機(jī)器學(xué)習(xí)算法適合于建立多輸入量的模型。從實(shí)際生產(chǎn)應(yīng)用來(lái)說(shuō),線性回歸在一定程度上可以降低模型的復(fù)雜性。綜上,本研究選擇一元線性回歸、PLSR、RF算法構(gòu)建冬小麥AGB監(jiān)測(cè)模型,比較模型間的精度差異,探究適宜農(nóng)業(yè)生產(chǎn)應(yīng)用的算法。

1.7 模型評(píng)價(jià)

為了建立適用于不同生育時(shí)期冬小麥AGB的監(jiān)測(cè)模型,采用隨機(jī)分層方法對(duì)不同生育時(shí)期的樣本進(jìn)行劃分,其中,70%的樣本用于模型構(gòu)建,30%的樣本用于模型驗(yàn)證。使用決定系數(shù)(R2)、均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)評(píng)價(jià)模型的準(zhǔn)確性。R2值越接近1,RMSE和MAE值越小,表明模型的精度越高,穩(wěn)定性越好。

2 結(jié)果與分析

2.1 多光譜植被指數(shù)、紋理特征與小麥生物量的相關(guān)性

測(cè)算不同生育時(shí)期AGB與植被指數(shù)和紋理特征的相關(guān)性(表1)。紋理特征中:Mean在前4個(gè)生育期(拔節(jié)期-開花期)的表現(xiàn)較好,與植被指數(shù)的表現(xiàn)相近,與AGB在P<0.001水平上顯著相關(guān);Var在拔節(jié)期的表現(xiàn)最好(與AGB的相關(guān)系數(shù)為0.77,在P<0.001水平上顯著相關(guān));Ent在拔節(jié)期的表現(xiàn)較好(與AGB的相關(guān)系數(shù)達(dá)到0.66),但在抽穗期和開花期的表現(xiàn)相對(duì)較差。各植被指數(shù)在各生育期與AGB均在P<0.001水平上顯著相關(guān):拔節(jié)期時(shí),DVI與AGB的相關(guān)系數(shù)最大(0.83);孕穗期時(shí),TCARI與AGB的相關(guān)系數(shù)最大(0.77);抽穗期和開花期時(shí),均以RVI與AGB的相關(guān)系數(shù)最大(分別為0.77和0.78);灌漿期時(shí),RECI與AGB的相關(guān)系數(shù)最大(0.81);成熟期時(shí),GNDVI與AGB的相關(guān)系數(shù)最大(0.85)?？偟膩?lái)說(shuō),植被指數(shù)與冬小麥AGB的相關(guān)性要高于紋理特征。周元琦等[30]、杭艷紅等[25]的研究結(jié)果也表明,植被指數(shù)與AGB的相關(guān)性要高于紋理特征。

表1 植被指數(shù)、紋理特征指標(biāo)與生物量的相關(guān)性Table 1 Correlations within vegetation indexes, texture features and biomass

2.2 基于最優(yōu)植被指數(shù)的冬小麥生物量估算模型構(gòu)建與驗(yàn)證

在不同生育期選擇與AGB相關(guān)性最高的植被指數(shù)構(gòu)建估算冬小麥AGB的一元線性模型(表2),對(duì)比各模型的準(zhǔn)確性。結(jié)果顯示,灌漿期的建模效果最好,R2、RMSE和MAE分別為0.78、2 228.92 kg·hm-2和1 783.60 kg·hm-2,其次是拔節(jié)期與成熟期。

表2 基于各生育期最優(yōu)植被指數(shù)的線性模型Table 2 Linear models based on optimal vegetation indexes for growth stages

對(duì)各生育期的生物量實(shí)測(cè)值與模型預(yù)測(cè)值進(jìn)行相關(guān)性分析,發(fā)現(xiàn)在抽穗期和灌漿期的實(shí)測(cè)值與模型預(yù)測(cè)值在P<0.05水平上顯著相關(guān),其余時(shí)期的實(shí)測(cè)值與模型預(yù)測(cè)值均在P<0.01水平上顯著相關(guān)。從拔節(jié)期到孕穗期,模型的估算精度呈上升趨勢(shì)(圖1),至孕穗期達(dá)到頂點(diǎn);從孕穗期到灌漿期,模型的估算精度呈下降趨勢(shì)。各生育期相比,成熟期的估算精度最高,R2為0.75,RMSE為3 066.15 kg·hm-2,MAE為2 669.59 kg·hm-2。其次是孕穗期,抽穗期與開花期的估算精度相近,灌漿期的估算效果最差。

y1～y6分別對(duì)應(yīng)于拔節(jié)期、孕穗期、抽穗期、開花期、灌漿期、成熟期的預(yù)測(cè)值,x為相應(yīng)時(shí)期的實(shí)測(cè)值。R2,決定系數(shù);RMSE,均方根誤差;MAE,平均絕對(duì)誤差。下同。y1-y6 represent the predicted value at joting stage, booting stage, heading stage, flowering stage, filling stage, mature stage, respectively. x represents the measured value at the corresponding stage. R2, Coefficient of determination; RMSE, Root mean squard error; MAE, Mean absolute error. The same as below.圖1 基于各生育期最優(yōu)植被指數(shù)的線性模型驗(yàn)證Fig.1 Verification of the constructed linear models based on optimal vegetation indexes for growth stages

2.3 基于最優(yōu)植被指數(shù)與最優(yōu)紋理特征的小麥生物量估算模型構(gòu)建與驗(yàn)證

在不同生育期,結(jié)合與冬小麥AGB相關(guān)性最好的植被指數(shù)、紋理特征,構(gòu)建二元線性模型(表3)。與僅利用植被指數(shù)構(gòu)建的一元線性模型相比,二元線性模型在各個(gè)時(shí)期的精度均得到提高,尤以抽穗期和開花期的預(yù)測(cè)精度提升較多,說(shuō)明紋理特征的加入有利于提升冬小麥生物量估算模型的性能。

表3 基于各生育期最優(yōu)植被指數(shù)與紋理特征的二元線性模型Table 3 Binary linear models based on optimal vegetation indexes and texture features for growth stages

驗(yàn)證構(gòu)建的二元線性模型估算冬小麥AGB的效果(圖2),除灌漿期外,估算精度均較構(gòu)建的一元線性模型有所提升,且不同生育期的模型預(yù)測(cè)值與實(shí)測(cè)值均在P<0.01水平上顯著相關(guān)。結(jié)果表明,融合植被指數(shù)與紋理特征的模型的估算精度要優(yōu)于單一的植被指數(shù)模型,說(shuō)明紋理特征的融入對(duì)生物量估算有積極意義。各生育期相比,孕穗期的估算精度最高,R2為0.76,RMSE為1 012.65 kg·hm-2,MAE為804.12 kg·hm-2。

圖2 基于各生育期最優(yōu)植被指數(shù)與紋理特征的二元線性模型驗(yàn)證Fig.2 Verification of the constructed binary linear models based on optimal vegetation indexes and texture features for growth stages

2.4 基于機(jī)器學(xué)習(xí)算法的融合全部植被指數(shù)與紋理特征的小麥生物量估算模型構(gòu)建與驗(yàn)證

將本文選定的所有植被指數(shù)與紋理特征作為模型的輸入因子,分別基于PLSR、RF兩種方法進(jìn)行模型的構(gòu)建與驗(yàn)證(表4、表5)。基于所有植被指數(shù)與紋理特征構(gòu)建的模型在驗(yàn)證集上的精度在拔節(jié)期到抽穗期呈上升趨勢(shì),但在抽穗期到灌漿期總體呈下降趨勢(shì),以抽穗期的精度最高。利用全部植被指數(shù)建模時(shí),RF方法在抽穗期的估算精度最高,R2為0.78,RMSE為2 464.82 kg·hm-2,MAE為1 783.65 kg·hm-2;利用全部植被指數(shù)融合紋理特征建模時(shí),PLSR方法在抽穗期的估算效果最好,R2為0.82,RMSE為2 428.92 kg·hm-2,MAE為1 847.91 kg·hm-2。綜合各生育期結(jié)果判斷,植被指數(shù)與紋理特征相融合的估算效果整體上要優(yōu)于僅運(yùn)用植被指數(shù)的模型的估算效果,融合植被指數(shù)與紋理特征能提高冬小麥生物量的估算精度,可在一定程度上降低光譜飽和、冗余所帶來(lái)的影響。

表4 基于偏最小二乘回歸(PLSR)算法構(gòu)建的不同生育時(shí)期的冬小麥生物量預(yù)測(cè)模型Table 4 Prediction models for winter wheat biomass at growth stages based on partial least squares regression (PLSR)

表5 基于隨機(jī)森林(RF)算法構(gòu)建的不同生育時(shí)期的冬小麥生物量預(yù)測(cè)模型Table 5 Prediction models for winter wheat biomass at growth stages based on random forest (RF)

在孕穗期和抽穗期,基于RF算法運(yùn)用植被指數(shù)構(gòu)建的模型結(jié)果要優(yōu)于融合了紋理特征的模型的效果。這可能是因?yàn)?本研究的樣本數(shù)據(jù)量較小,未能發(fā)揮RF模型對(duì)異常值和噪聲的處理優(yōu)勢(shì),且植被指數(shù)與AGB的相關(guān)性明顯高于紋理特征,全部植被指數(shù)內(nèi)部可能存在嚴(yán)重的過(guò)擬合現(xiàn)象,弱化了紋理特征對(duì)預(yù)測(cè)結(jié)果的貢獻(xiàn)。Sexton等[31]的研究也發(fā)現(xiàn),對(duì)于數(shù)據(jù)量大的數(shù)據(jù)集,基于bootstrap的RF估計(jì)效果更好。

綜上所述,植被指數(shù)與紋理特征的組合效果整體上優(yōu)于植被指數(shù)。但當(dāng)輸入全部數(shù)據(jù)作為自變量時(shí), RF算法在孕穗期與抽穗期的表現(xiàn)略差。有可能是因?yàn)闃颖緮?shù)據(jù)量較小,導(dǎo)致模型的擬合能力不足;也可能是因?yàn)樗氩拷Y(jié)構(gòu)的出現(xiàn)會(huì)影響紋理特征與光譜特征。線性模型在孕穗期估算生物量的效果最佳,而PLSR與RF估算生物量的最佳時(shí)期則是抽穗期,這可能是因?yàn)榧y理特征受冬小麥穗部特征的影響較小,且此時(shí)的冬小麥生長(zhǎng)旺盛,以葉片為主的綠色像元在無(wú)人機(jī)視野內(nèi)占據(jù)絕大部分比例,植被指數(shù)能更好地表達(dá)綠色植被的特征。

3 討論

3.1 無(wú)人機(jī)遙感的潛力

隨著現(xiàn)代化農(nóng)業(yè)的蓬勃發(fā)展,操作簡(jiǎn)單、機(jī)動(dòng)靈活的平臺(tái)日益替代人工來(lái)獲取田間數(shù)據(jù),無(wú)人機(jī)已逐漸成為實(shí)現(xiàn)田間精確管理和作物表型監(jiān)測(cè)的重要平臺(tái)。雖然,固定翼飛機(jī)的飛行速度快、飛行距離遠(yuǎn),但其不能懸停獲取影像,存在操作難度大、易損壞等問題,不適用于小尺度田塊。與固定翼飛機(jī)相比,多旋翼飛機(jī)穩(wěn)定靈活,飛行速度適中,可以提供較高分辨率的影像。其中,多光譜無(wú)人機(jī)獲取的紅邊和近紅外波段信息對(duì)綠色植被有較高的反射特性,并與多種植物生理生化參數(shù)有良好的相關(guān)性,可以提高模型的準(zhǔn)確性。

3.2 植被指數(shù)的飽和效應(yīng)與紋理特征的增效

植被指數(shù)可以增強(qiáng)某種較弱的植被信號(hào),但當(dāng)冠層葉綠素吸收、反射某些光譜波段的能力與作物生長(zhǎng)狀態(tài)出現(xiàn)非線性變化時(shí),就會(huì)出現(xiàn)“飽和”現(xiàn)象。以NDVI為例,之所以會(huì)產(chǎn)生“飽和”效應(yīng),根本原因是,當(dāng)植株的生物量和葉面積指數(shù)達(dá)到一定值時(shí),紅光反射率趨于飽和[32]。為了降低這種飽和效應(yīng),有研究者利用綠光波段代替NDVI中的紅光波段來(lái)改進(jìn)植被指數(shù)的性能。但是,這種改進(jìn)方法還是從光譜的角度出發(fā),受冠層、土壤等因素的影響較大。將紋理特征與植被指數(shù)結(jié)合,是從圖像灰度變化的角度對(duì)冠層反射率進(jìn)行的修正,有利于降低“飽和”效應(yīng)對(duì)模型估算精度的影響。本研究結(jié)果表明,在冬小麥的不同生育時(shí)期,融合紋理特征均有助于提升冬小麥AGB的估算精度,且適用于不同算法下的AGB估算。未來(lái),可以繼續(xù)挖掘無(wú)人機(jī)圖像的特征,利用多種特征、多種傳感器的組合來(lái)進(jìn)一步提升模型的精度。

3.3 運(yùn)用光譜特征和紋理特征估算不同生長(zhǎng)時(shí)期AGB的效果

本研究利用線性回歸方法,運(yùn)用植被指數(shù)、紋理特征建立冬小麥AGB估算模型。單獨(dú)運(yùn)用植被指數(shù)估算AGB的模型在孕穗期和成熟期的精度較好,在成熟期精度最高,在其余時(shí)期的效果相對(duì)較差。這可能是因?yàn)榘喂?jié)期的冬小麥植株相對(duì)矮小,此時(shí)的葉片還未完全展開,冠層光譜對(duì)于冬小麥AGB的表征能力不足。在抽穗期和開花期,穗、花結(jié)構(gòu)會(huì)對(duì)光譜信息產(chǎn)生干擾,導(dǎo)致模型精度不佳。為了彌補(bǔ)植被指數(shù)在估算冬小麥AGB方面的不足,本文還嘗試組合紋理特征和光譜特征構(gòu)建二元線性模型估算AGB,結(jié)果表明,在不同時(shí)期,構(gòu)建的二元線性模型的精度都優(yōu)于單一運(yùn)用植被指數(shù)估算冬小麥AGB的精度。這說(shuō)明,在冬小麥的生長(zhǎng)過(guò)程中,紋理信息可以彌補(bǔ)光譜信息受作物冠層結(jié)構(gòu)、形態(tài)等變化帶來(lái)的影響,提升模型精度。

3.4 方法層面的選擇

目前,機(jī)器學(xué)習(xí)等方法被廣泛應(yīng)用于作物監(jiān)測(cè)中。Yue等[33]利用結(jié)合了高光譜數(shù)據(jù)和株高的PLSR來(lái)反演小麥生物量。崔日鮮等[34]利用BP(反向傳播)神經(jīng)網(wǎng)絡(luò)的方法對(duì)小麥生物量進(jìn)行估算。本研究使用線性回歸、PLSR與RF方法進(jìn)行對(duì)比研究,結(jié)果顯示,線性模型的結(jié)果在各時(shí)期較為穩(wěn)定,PLSR次之,RF的擬合程度最高,但對(duì)生物量的估算精度在不同時(shí)期整體浮動(dòng)略大,模型穩(wěn)定性一般,這可能是由于樣本數(shù)量較少所致。申洋洋等[35]的研究表明,基于多時(shí)相遙感的PLSR方法對(duì)小麥產(chǎn)量的估算精度與逐步多元線性回歸的模型精度類似。這可能是因?yàn)橹脖恢笖?shù)間的相關(guān)性較高,導(dǎo)致結(jié)果中出現(xiàn)擬合精度較高、預(yù)測(cè)精度較低的現(xiàn)象[36],可利用主成分分析來(lái)降低自變量間的自相關(guān)性?？傮w來(lái)看,本研究中,基于篩選的特征運(yùn)用線性回歸估算AGB時(shí),孕穗期和成熟期的精度較好;而運(yùn)用PLSR與RF估算生物量的最佳時(shí)期則是抽穗期。今后,在估算冬小麥AGB的研究中,應(yīng)考慮更多因素,進(jìn)一步優(yōu)化模型方法,提升模型的實(shí)用性。