基于無人機數(shù)碼影像的玉米育種材料株高和LAI監(jiān)測

牛慶林，馮海寬，楊貴軍※，李長春，楊 浩，徐 波，趙衍鑫

（1. 農(nóng)業(yè)部農(nóng)業(yè)遙感機理與定量遙感重點實驗室，北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097；2. 國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；3. 北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京 100097；4. 河南理工大學測繪與國土信息工程學院，焦作 454000；5. 北京市農(nóng)林科學院玉米研究中心，北京 100097）

0 引 言

基于無人機遙感平臺搭載不同的微小型傳感器構(gòu)建超低空遙感數(shù)據(jù)獲取系統(tǒng)可快速、無損和高通量地獲取田間作物表型信息，因其機動靈活、操作簡單且獲得的遙感影像空間分辨率高等特點，成為田間作物表型信息監(jiān)測技術(shù)研究的熱點[1-2]。田間作物株高（height，H）和葉面積指數(shù)（leaf area index，LAI）是作物表型參數(shù)的重要組成部分[3]，是評價作物長勢和預(yù)測產(chǎn)量的重要依據(jù)[4-7]。因此，利用無人機遙感技術(shù)快速、無損和高通量地監(jiān)測田間玉米育種材料的H和LAI表型參數(shù)，對其長勢監(jiān)測及產(chǎn)量預(yù)測具有重要的意義[8]。

無人機多光譜、高光譜和激光雷達（light detection and ranging，LIDAR）傳感器因其價格昂貴，且后續(xù)的數(shù)據(jù)處理過程相對復雜，阻礙了無人機遙感技術(shù)在田間作物表型信息監(jiān)測中的應(yīng)用[9-15]。數(shù)碼相機傳感器具有空間分辨率高[16]，微型化和智能化且價格低的特點，這使得無人機搭載高清數(shù)碼相機傳感器作為一種低成本的遙感數(shù)據(jù)獲取系統(tǒng)得到快速發(fā)展。利用無人機搭載高清數(shù)碼相機獲取試驗田的高清數(shù)碼影像，構(gòu)建多種類型的可見光植被指數(shù)，篩選出敏感的植被指數(shù)對大豆育種材料和冬小麥的 LAI具有較好的估算能力，R2分別達到 0.68和0.71[17-18]；利用地面控制點（ground control point，GCP），結(jié)合獲取的高清數(shù)碼影像生成試驗田的數(shù)字表面模型（digital surface model，DSM），通過DSM提取作物H，分別用H和可見光植被指數(shù)估測LAI，并將結(jié)果進行對比，表明基于DSM提取的H比可見光植被指數(shù)估測精度更高，R2達到0.9[19]；Luo等[20]基于LIDAR提取的H，估測低矮濕地植被的 LAI，R2達到 0.79。H是作物長勢監(jiān)測的重要指標，與倒伏性狀密切相關(guān)，是重要的作物表型參數(shù)之一[4,21]。基于無人機高清數(shù)碼影像結(jié)合 GCP生成試驗田多生育期的DSM，并提取H，進行了冬小麥的生長率變化監(jiān)測[22]；基于低成本的無人機高清數(shù)碼影像，將得到的H和可見光植被指數(shù)進行信息融合，準確地估測了玉米的地上生物量，R2達到0.8左右[23]?；诙嗌诘臒o人機高清數(shù)碼影像，構(gòu)建可見光植被指數(shù)，進行不同生育期水稻葉片葉綠素含量的估測（相關(guān)系數(shù)0.78），表明高清數(shù)碼影像能夠用于水稻葉片葉綠素含量的監(jiān)測[24]；基于可見光植被指數(shù)分別進行單生育期和多生育期的水稻產(chǎn)量估測，R2分別達到 0.71和 0.73[25]。

然而將無人機高清數(shù)碼影像提取作物H的方法應(yīng)用于玉米育種材料H的監(jiān)測及將H和可見光植被指數(shù)進行融合后估測 LAI的研究還很少。該文以玉米育種材料為研究對象，利用無人機高清數(shù)碼影像結(jié)合GCP生成試驗田的DSM，提取玉米育種材料H；利用可見光植被指數(shù)和可見光植被指數(shù)與H融合后分別估測LAI，并對比分析LAI估測結(jié)果，以期將低成本的無人機高清數(shù)碼影像應(yīng)用于玉米育種材料H和LAI的監(jiān)測，為綜合評價玉米育種材料的長勢及產(chǎn)量提供一種快速、無損和高通量的田間監(jiān)測技術(shù)手段。

1 材料與方法

1.1 試驗材料與設(shè)計

于2017年5—9月在北京市昌平區(qū)小湯山鎮(zhèn)國家精準農(nóng)業(yè)研究示范基地的玉米育種材料試驗田進行田間試驗，地處北緯 40°10′48″～40°10′54″N，東經(jīng) 116°26′51″～116°26′53″E，海拔高度約30 m，土壤類型為潮土，一年只種植一季玉米育種材料。試驗田屬暖溫帶，半濕潤大陸性季風氣候，春季干旱多風，夏季炎熱多雨，秋季涼爽，冬季寒冷干燥，四季分明，平均無霜期180至200 d。年平均氣溫約為10～12 ℃，年降雨量644 mm左右，其中降雨主要集中在夏季，降水可達全年的70%～80%，其他月份降雨相對較少。

試驗田共種植800份玉米育種材料，播種時間為2017年5月15日，每份育種材料種植3行，株距0.25 m，行距0.6 m，行長2 m，共種植8排，每排之間的距離0.8 m，所選育種材料具有較好的代表性，南邊設(shè)置4行保護行，北邊設(shè)置2行保護行。為了精確地獲取試驗田的 DSM，本試驗在試驗田內(nèi)均勻地布設(shè)了16個GCP，GCP由0.3 m×0.3 m的木板（其上粘貼一張有黑白標志的聚錄乙烯成分的塑料軟板，目的是準確地確定木板的幾何中心位置）和埋于地下的木樁組成，并且用螺絲釘將其固定在一起，防止 GCP在獲取不同生育期的無人機高清數(shù)碼影像時發(fā)生空間位置的移動，其三維空間位置用差分 GPS進行測量。試驗田栽培管理措施與一般大田管理措施相同，地面隨機選取 72個實測玉米育種材料小區(qū)，如圖 1所示。

圖1 玉米育種材料試驗田位置及試驗設(shè)計Fig.1 Location and experiment design of maize breeding materials experimental plot

1.2 地面數(shù)據(jù)獲取

分別于拔節(jié)期（2017年6月29日）、喇叭口期（2017年7月11日）和抽雄吐絲期（2017年7月28日）3個關(guān)鍵生育期采集田間玉米育種材料H和LAI數(shù)據(jù)。玉米育種材料H的觀測方法為：在每個小區(qū)的每一行的中間位置處選取1株玉米，使用塔尺測量其H，每個小區(qū)有3行，得到3個H觀測值，取其平均值作為測量小區(qū)的平均H。在拔節(jié)期和喇叭口期的H是以第一片完全展開葉的自然高度，作為植株的高度，在抽雄吐絲期是以雄穗頂端的高度，作為植株的高度。利用LAI-2200C型植物冠層分析儀（美國LI-COR, www.ecotek.com.cn）對選取的72個小區(qū)進行LAI的測量。LAI-2200C型植物冠層分析儀利用“魚眼”光學傳感器（垂直視野范圍 148°，水平視野范圍360°）測量作物冠層上、下5個角度的透射光線，利用植被冠層的輻射轉(zhuǎn)移模型計算LAI冠層結(jié)構(gòu)參數(shù)。LAI-2200C型植物冠層分析儀基于成熟的LAI-2000技術(shù)平臺，并內(nèi)置GPS模塊，能夠整合GPS信息，進行散射光校正，從而使 LAI-2200C型植物冠層分析儀適用于任何天空條件下的任何冠層測量。LAI測量時，盡量避免太陽光直射，在測量者面對太陽的方向上，旋轉(zhuǎn)180°，即在背向太陽光一側(cè)，先測一個天空光，再依次放在靠近玉米育種材料根部位置測量 4個目標值，在儀器進行測量時，保持鏡頭水平，最后獲得小區(qū)平均LAI值。

1.3 無人機數(shù)據(jù)獲取及預(yù)處理

分別于苗期（2017年6月8日）、拔節(jié)期（2017年6月29日）、喇叭口期（2017年7月11日）和抽雄吐絲期（2017年7月28日）4個關(guān)鍵生育期獲取玉米育種材料試驗田的無人機高清數(shù)碼影像。利用八旋翼電動無人機（單臂長386 mm，機身凈質(zhì)量4.2 kg，載物質(zhì)量6 kg，續(xù)航時間 15～20 min）搭載高清數(shù)碼相機為無人機遙感數(shù)據(jù)獲取平臺，并配備位置與姿態(tài)系統(tǒng)（position and orientation system，POS）實時獲取數(shù)據(jù)采集時刻傳感器位置和姿態(tài)信息。高清數(shù)碼相機型號為索尼 Cyber-shot DSC-QX100，其主要參數(shù)為：質(zhì)量179 g；尺寸62.5 mm×62.5 mm×55.5 mm；2 090萬像素CMOS傳感器；焦距10 mm（定焦拍攝）。影像獲取時，太陽光輻射強度穩(wěn)定，天空晴朗無云，無人機飛行高度60 m，獲得的影像空間分辨率為0.013 m。借助Agisoft PhotoScan Professional軟件進行無人機高清數(shù)碼影像的拼接處理，生成試驗田的高清數(shù)字正射影像（digital orthophoto map，DOM）和DSM。從無人機POS系統(tǒng)中導出POS數(shù)據(jù)，每一個POS數(shù)據(jù)與無人機獲取的高清數(shù)碼影像是一一對應(yīng)的，包含每張影像拍攝時刻的經(jīng)度、緯度、高度、偏航角、俯仰角和旋轉(zhuǎn)角共 6個元素，表征影像獲取時刻的空間位置和姿態(tài)信息。無人機高清數(shù)碼影像的拼接流程：基于POS數(shù)據(jù)和對應(yīng)的無人機高清數(shù)碼影像進行影像拍攝時刻空間姿態(tài)的還原，并生成飛行區(qū)域的稀疏點云；基于稀疏點云建立空間格網(wǎng)，并將GCP添加到空間格網(wǎng)中，導入GCP對應(yīng)的三維空間坐標信息，并對影像的空間姿態(tài)進行進一步的優(yōu)化，生成具有精確空間信息屬性的稀疏點云；基于具有空間屬性信息的稀疏點云進行飛行區(qū)域密集點云的構(gòu)建，生成飛行區(qū)域表面的3D多邊形格網(wǎng)，即飛行區(qū)域表面幾何結(jié)構(gòu)的生成，并構(gòu)建其空間紋理信息，最終生成飛行區(qū)域玉米育種材料試驗田的DOM和DSM，具體的處理流程如圖2所示。

圖2 基于GCPs的無人機高清數(shù)碼影像生成高清數(shù)字正射影像（DOM）和數(shù)字表面模型（DSM）的處理流程Fig.2 Processing flow of digital orthophoto map (DOM) and digital surface model (DSM) generated by using high-resolution digital images of UAV combined with GCPs

1.4 數(shù)碼影像變量選取

基于玉米育種材料試驗田的 DOM 提取每個實測小區(qū)的冠層紅、綠和藍通道的平均DN（digital number，DN）值，進行歸一化處理，即將紅、綠和藍通道的DN值分別定義為R、G和B，進行歸一化后得到數(shù)碼影像變量[24-27]，分別定義為r、g和b。

依據(jù)已有研究成果及LAI和可見光植被指數(shù)之間的關(guān)系，選擇12個可見光植被指數(shù)，共15個數(shù)碼影像變量進行LAI的估測，如表1所示。

表1 與LAI相關(guān)的數(shù)碼影像變量Table 1 Digital image variables related to LAI

1.5 數(shù)據(jù)分析方法

玉米育種材料H的提取，即在試驗田內(nèi)獲取不同生育期的無人機高清數(shù)碼影像，結(jié)合 GCP，利用 Agisoft PhotoScan Professional軟件生成玉米育種材料試驗田的DSM，通過不同生育期的DSM之間的作差運算，得到相應(yīng)生育期玉米育種材料的 Hi，作為玉米育種材料長勢信息監(jiān)測的一種指標。如圖3所示為基于DSM提取H的原理圖，其中在 t0時，此時試驗田為播種后至出苗前的裸土或植株較小近似裸土的苗期，獲取試驗田無人機高清數(shù)碼影像，結(jié)合GCP，生成試驗田的DSM，即DSM0，可以得到試驗田高精度的高低起伏變化情況，作為后期H數(shù)據(jù)提取的地表基準面；在 t1、t2、t3、…、ti（ti代表玉米育種材料的關(guān)鍵生育期）時間，進行試驗田無人機高清數(shù)碼影像的獲取，使用與t0時生成DSM0相同的GCP，生成試驗田玉米育種材料的DSM，分別為DSM1、DSM2、DSM3、…、DSMi；通過將 DSMi（i=1，2，3，…）與DSM0進行作差，得到對應(yīng)ti生育期玉米育種材料的Hi，即式（4）。

圖3 基于DSM的株高提取原理Fig.3 Principle of height extraction based on DSM

玉米育種材料LAI的估測，首先，將選取的數(shù)碼影像變量和實測H與LAI進行相關(guān)性分析，得到數(shù)碼影像變量和H與LAI的相關(guān)關(guān)系；其次，基于逐步回歸分析方法，隨機選擇 70%的樣本數(shù)據(jù)作為估算數(shù)據(jù)集，構(gòu)建LAI的估算模型，利用未參與估算的 30%樣本數(shù)據(jù)作為驗證數(shù)據(jù)集，進行 LAI估算模型預(yù)測能力的評價。逐步回歸分析在進行估算模型的建立時，模型會一次添加或刪除一個變量，在每一步中，變量都會被從新評價，對模型沒有貢獻的變量將會被刪除，預(yù)測變量可能會被添加、刪除好幾次，直到得到最優(yōu)模型為止。赤池信息量準則（akaike information criterion，AIC）考慮了模型的統(tǒng)計擬合度以及用來擬合的變量數(shù)目，AIC值較小的模型需優(yōu)先選擇，它表明模型用較少的變量獲得了足夠的擬合度。

1.6 統(tǒng)計分析

選取決定系數(shù)（R2）、均方根誤差（RMSE）和歸一化的均方根誤差（nRMSE）作為評價估算模型與驗證模型的指標。估測模型與驗證模型的 R2越大，相對應(yīng)的RMSE和nRMSE越小，則模型估算能力越好。其計算公式分別為

2 結(jié)果與分析

2.1 基于無人機數(shù)碼影像的玉米育種材料株高監(jiān)測

利用Agisoft PhotoScan Professional軟件，將獲得的苗期無人機高清數(shù)碼影像及GCP進行數(shù)據(jù)拼接處理，分別生成苗期玉米育種材料的DSM0和DOM0，其結(jié)果如圖4所示。

圖4 玉米育種材料苗期的DSM0和DOM0Fig.4 DSM0 and DOM0 of maize breeding materials at seeding stage

從DSM0得到，玉米育種材料試驗田的地勢為南低北高的趨勢，并且地勢變化也不均勻，與通過具有代表性的離散地面高程點內(nèi)插生成DSM相比[19]，結(jié)合GCP生成的DSM0更符合客觀的實際地形高低起伏分布情況；從DOM0得到，試驗田的玉米育種材料苗較小，整體上呈現(xiàn)裸土的顏色。綜合DSM0和DOM0所呈現(xiàn)的信息，將DSM0作為其他生育期提取玉米育種材料H的地表基準面。

分別將拔節(jié)期、喇叭口期和抽雄吐絲期獲取的無人機高清數(shù)碼影像結(jié)合 GCP進行拼接處理生成對應(yīng)的DSM 和 DOM，即 DSM1和 DOM1、DSM2和 DOM2、DSM3和 DOM3?；?H 提取公式（4），將 DSM1、DSM2和DSM3分別于DSM0進行作差，得到拔節(jié)期、喇叭口期和抽雄吐絲期的H分別為H1、H2和H3，結(jié)果如圖5所示。

將H圖與相對應(yīng)的DOM圖進行綜合分析，對提取的玉米育種材料H進行評價。其中H1的提取結(jié)果較差，H2的南半部分提取結(jié)果較好，北半部分提取結(jié)果較差，H3的提取結(jié)果較好，這主要與玉米育種材料的冠層空間結(jié)構(gòu)有關(guān)，即行與行之間的封壟狀況。拔節(jié)期的H1提取結(jié)果較差，是由于此時期南半部分玉米育種材料處于未完全封壟狀態(tài)，而由于玉米育種材料自身特性的差異，北半部分玉米育種材料多數(shù)處于未封壟狀態(tài)，有少數(shù)處于未完全封壟狀態(tài)；在沒有提取到H信息相對應(yīng)的區(qū)域玉米育種材料長勢較弱，行與行之間的空隙較大，而提取到H信息的部分，玉米育種材料長勢較旺。喇叭口期的H2南半部分提取結(jié)果較好而北半部分提取結(jié)果相對較差，南半部分的玉米育種材料較多處于完全封壟狀態(tài)，只有極個別的玉米育種材料小區(qū)處于未完全封壟狀態(tài)，而北半部分玉米育種材料，長勢相對較弱，處于未完全封壟狀態(tài)，有極個別的玉米育種材料行與行之間的空隙較大，導致提取的H結(jié)果不理想。抽雄吐絲期的H3提取結(jié)果較好；此時期的玉米育種材料基本上全處于封壟狀態(tài)，長勢較為旺盛，除極個別玉米育種材料自身長勢較弱外，整體上株高的提取結(jié)果較好。

圖5 基于DSM提取的玉米育種材料的株高和DOMFig.5 Height extracted from DSM and DOM of maize breeding materials

結(jié)合玉米育種材料的封壟狀態(tài)，提取DSM上完全封壟或未完全封壟但長勢旺盛小區(qū)的 H，共得到 145個，和對應(yīng)的實測H數(shù)據(jù)進行對比，其結(jié)果如圖6所示，基于DSM提取的H和實測的H高度擬合 R2、RMSE和nRMSE分別為0.93, 28.69 cm和17.90%。

圖6 基于DSM提取玉米育種材料的株高和對應(yīng)實測株高的對比Fig.6 Comparison of height extracted from DSM and corresponding measured height of maize breeding materials

2.2 進行玉米育種材料LAI的估測

2.2.1 數(shù)碼影像變量及株高與LAI的相關(guān)性分析

基于高清DOM，查看相應(yīng)實測小區(qū)中行與行之間的間隙，篩選出未封壟的實測小區(qū)，將未完全封壟但長勢旺盛或完全封壟的實測小區(qū)作為估算LAI模型的小區(qū)，共有176個，從高清的DOM上提取這些實測小區(qū)的R、G和B通道的平均DN值，并構(gòu)建數(shù)碼影像變量，和相對應(yīng)的實測H數(shù)據(jù)，組成LAI模型構(gòu)建的樣本數(shù)據(jù)集。隨機選擇70%的樣本數(shù)據(jù)組成估算數(shù)據(jù)集（124個樣本），與對應(yīng)的LAI進行相關(guān)性分析，其結(jié)果如圖7所示。

圖7 數(shù)碼影像變量及H與LAI的Pearson相關(guān)系數(shù)分析結(jié)果Fig.7 Results of Pearson correlation coefficient analysis between digital image variables, H and LAI

參考相關(guān)系數(shù)檢驗臨界值表進行變量的顯著性檢驗，當自由度為124時，相關(guān)系數(shù)的絕對值大于0.23時，達到0.01顯著性水平。從圖7中可以得知，H、r、MGRVI、GRVI、ExR、ExGR、VARI和g/r與LAI之間的相關(guān)系數(shù)的絕對值均大于0.7，遠大于0.23，達到0.01顯著水平。

2.2.2 玉米育種材料LAI估測模型構(gòu)建

將選取的15個數(shù)碼影像變量與玉米育種材料LAI進行逐步回歸分析，構(gòu)建LAI估算模型，并計算模型的AIC值、R2、RMSE和nRMSE，結(jié)果如表2所示。綜合考慮逐步回歸分析模型的評價指標，得到綜合精度較好的兩個逐步回歸分析模型，分別包含5個（r、g、GRVI、g/b和r/b）和2個（r、r/b）數(shù)碼影像變量，分別利用30%的驗證數(shù)據(jù)集（52個樣本），對估算模型進行驗證，其散點圖如圖8所示。5個和2個數(shù)碼影像變量估算模型的AIC值、R2、RMSE和 nRMSE分別為 131.21、0.66、0.39、25.40%和135.50、0.63、0.40、26.47%，5個數(shù)碼影像變量估算模型比2個數(shù)碼影像變量估算模型的AIC小4.29，R2大0.03，RMSE小0.01，nRMSE小0.77%。利用30%的驗證數(shù)據(jù)集分別對這兩個模型進行評價，5個和2個數(shù)碼影像變量驗證模型的R2、RMSE和nRMSE分別為0.69、0.37、25.07%和 0.68、0.38、25.51%，R2、RMSE和 nRMSE分別相差0.01，0.01和0.44%，表明2個模型的預(yù)測能力相當。

表2 數(shù)碼影像變量與LAI的逐步回歸分析結(jié)果Table 2 Results of stepwise regression analysis between digital image variables and LAI

將選取的 15個數(shù)碼影像變量和相對應(yīng)的實測 H共16個變量與玉米育種材料LAI進行逐步回歸分析，構(gòu)建LAI的估算模型，并計算模型的AIC值、R2、RMSE和nRMSE，結(jié)果如表3所示。綜合考慮逐步回歸分析模型的評價指標，選擇了包含3個變量（H、g、g/b）的逐步回歸模型進行玉米育種材料LAI的估測，估算模型的AIC值、R2、RMSE和nRMSE分別為116.59、0.69、0.37和24.34%，利用 30%的驗證數(shù)據(jù)集對估算模型進行驗證，其散點圖如圖9所示，其評價指標R2、RMSE和nRMSE分別為0.73、0.35和23.49%，表明模型具有較高的精度和穩(wěn)定性。

圖8 玉米育種材料LAI逐步回歸模型預(yù)測值與實測值的關(guān)系Fig.8 Relationship between model estimated values of LAI of stepwise regression model including digital image variables and measured of LAI for maize breeding materials

表3 數(shù)碼影像變量和株高與LAI的逐步回歸分析結(jié)果Table 3 Results of stepwise regression analysis between digital image variables, H and LAI

圖9 數(shù)碼影像變量和株高的LAI逐步回歸模型預(yù)測值與實測值的關(guān)系Fig.9 Relationship between model estimated values of LAI of stepwise regression model including digital image variables and H and measured of LAI for maize breeding materials

通過僅用數(shù)碼影像變量構(gòu)建玉米育種材料LAI估測模型的分析，綜合考慮估算模型和驗證模型的評價指標及模型的簡單易用性，選擇包含2個數(shù)碼影像變量（r、r/b）的逐步回歸模型為LAI的估算模型，并制作試驗田玉米育種材料LAI的空間分布圖，結(jié)果如圖10a、10b和10c所示。通過H和數(shù)碼影像變量進行融合構(gòu)建玉米育種材料LAI估測模型的分析，選擇了3個變量（H、g、g/b）的逐步回歸模型為LAI的估算模型，在制作LAI空間分布圖時需考慮H提取的結(jié)果精度。由于拔節(jié)期和喇叭口期的部分玉米育種材料長勢較差，行與行之間的空隙較大，即冠層封壟狀況較差，導致基于DSM提取的H結(jié)果較差，而抽雄吐絲期的玉米育種材料基本上處于完全封壟狀態(tài)，提取的H數(shù)據(jù)結(jié)果較好。因此，基于抽雄吐絲期DSM提取的H數(shù)據(jù)結(jié)果，和相對應(yīng)的DOM，將H和數(shù)碼影像變量相融合的方法制作試驗田玉米育種材料LAI的空間分布圖，結(jié)果如圖10d所示。

從圖10得到，拔節(jié)期的玉米育種材料還處于生長期，整體的 LAI值相對較小，且不同的玉米育種材料之間的差異較小，只有極個別的玉米育種材料長勢較為旺盛，其對應(yīng)的LAI值也相對較大；喇叭口期的玉米育種材料處于快速生長的階段，其長勢旺盛，不同的玉米育種材料的品種差異在LAI的空間分布上得到呈現(xiàn)，部分材料的LAI較大，部分材料的LAI相對較小，在整個試驗田內(nèi)呈現(xiàn)出不均勻的分布情況；僅用數(shù)碼影像變量估算抽雄吐絲期的LAI，與喇叭口期相比，LAI整體上繼續(xù)增大，且不同的玉米育種材料的LAI空間差異明顯，且與喇叭口期的 LAI空間差異不太一致，這可能與玉米育種材料自身的生長特性有關(guān)；將H和數(shù)碼影像變量進行融合估算抽雄吐絲期的LAI，與僅用數(shù)碼影像變量估算抽雄吐絲期的LAI相比，LAI值整體上偏小，但不同的玉米育種材料的 LAI差異較為明顯，且與僅用數(shù)碼影像變量估測LAI結(jié)果的空間分布趨勢相一致，在監(jiān)測不同的玉米育種材料的長勢差異時，結(jié)果更好。

圖10 玉米育種材料LAI估測的空間分布圖Fig.10 Spatial distribution maps of estimated LAI of maize breeding materials

3 討 論

3.1 玉米育種材料株高監(jiān)測

基于作物的DSM提取其H對于精準農(nóng)業(yè)田間生產(chǎn)管理具有重要的應(yīng)用價值[19,35-38]。但已有的研究多集中于大田作物的栽培管理方面，且作物的品種相對較少。該文基于無人機高清數(shù)碼影像結(jié)合GCP生成了試驗田800份玉米育種材料DSM，提取了玉米育種材料的H，并將其中145個實測H與DSM提取H進行對比，其R2達到0.93，表明基于DSM提取玉米育種材料H具有較高的精度，這與已有的基于無人機RGB數(shù)碼影像提取作物H的研究結(jié)果基本一致[19,35]，為作物育種中 H的監(jiān)測，提供了一種低成本、快速和高通量的監(jiān)測技術(shù)手段。然而該文基于DSM提取的H整體偏低于實測H，這主要是由高清數(shù)碼影像構(gòu)建玉米育種材料冠層結(jié)構(gòu)三維點云的攝影測量算法所決定的，因為田間實測H的最高點為玉米育種材料在自然生長狀態(tài)下葉子或雄穗最高點的高度，而最高點對應(yīng)的空間結(jié)構(gòu)較小，在進行冠層空間三維點云重建時，可能會被算法誤認為噪聲而去除，從而導致植株葉子或雄穗等較小的空間結(jié)構(gòu)信息的損失，與實測H相比，基于DSM提取的H偏低；另外，當玉米育種材料H高于測量者的身高時，利用塔尺測量H時是仰視讀數(shù)，這也導致實測H值偏大。因此，進一步提高冠層結(jié)構(gòu)三維點云重建算法對冠層空間較小結(jié)構(gòu)信息的重建精度，提高DSM提取H的精度將是接下來的研究方向。

3.2 玉米育種材料LAI估測

基于作物冠層的光譜信息估測作物LAI對于作物的長勢監(jiān)測及產(chǎn)量預(yù)測意義重大。但在作物生長發(fā)育的后期，存在一定的光譜信息飽和現(xiàn)象，該文僅用數(shù)碼影像變量估算玉米育種材料的LAI，與已有的僅用數(shù)碼影像變量估算大豆育種材料、冬小麥和水稻LAI的研究結(jié)果基本一致[17,18,25]。然而該文利用數(shù)碼影像變量估算玉米育種材料的LAI時，融入H信息后，生成的估算模型與僅用數(shù)碼影像變量估算LAI相比，R2提高了0.06，LAI驗證模型的R2提高了0.05，表明將數(shù)碼影像變量和H信息進行融合估算LAI，模型精度明顯提高，這與 Yue等[13]和Li等[21]將H融合到光譜信息后估算冬小麥和玉米的地上生物量，精度明顯提高，具有一致的結(jié)論。表明將H和光譜信息進行融合后估算玉米育種材料的LAI，模型估算精度明顯提高，進一步減弱光譜信息飽和問題。但該文僅限于一年一個試驗點的無人機高清數(shù)碼影像數(shù)據(jù)，需要進一步分析不同年份不同地點的數(shù)據(jù)，以期構(gòu)建一個普適性更好的估算模型。

4 結(jié) 論

1）基于無人機高清數(shù)碼影像結(jié)合地面控制點（ground control point, GCP）生成試驗田玉米育種材料的數(shù)字表面模型（digital surface model, DSM），基于DSM提取玉米育種材料株高，DSM提取的株高與實測株高具有高度的一致性（R2=0.93，RMSE=28.69 cm，nRMSE= 17.90%），表明將DSM提取的株高應(yīng)用于玉米育種材料田間株高表型的監(jiān)測具有較高的精度，克服傳統(tǒng)田間株高監(jiān)測的不足，可為大面積的田間株高測量提供一種新的技術(shù)手段。

2）基于無人機高清數(shù)碼影像構(gòu)建玉米育種材料冠層的數(shù)碼影像變量，即將數(shù)碼影像的紅、綠和藍通道的DN（digital number）值分別定義為R、G和B，進行歸一化后得到數(shù)碼影像變量，分別定義為r、g和b，進行其LAI的估算，得到r和r/b的二元線性回歸模型，其估算模型和驗證模型的R2、RMSE和nRMSE分別為0.63、0.40、26.47%和0.68、0.38、25.51%；將H和數(shù)碼影像變量進行融合估算LAI，得到H、g和g/b的三元線性回歸模型，其估算模型和驗證模型的 R2、RMSE和 nRMSE分別為0.69、0.37、24.34%和0.73、0.35、23.49%。有H信息的LAI估算模型和驗證模型的精度都明顯提高。表明將 H信息與數(shù)碼影像變量進行融合估算玉米育種材料的 LAI精度更高，可為玉米育種材料田間表型信息的監(jiān)測提供一種快速、無損和高通量的表型監(jiān)測技術(shù)手段。

[1] Colomina I, Molina P. Unmanned aerial systems for photogrammetry and remote sensing: A review[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2014, 92(2):79－97.

[2] Yang G, Liu J, Zhao C, et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives[J]. Frontiers in Plant Science, 2017, 8:1111.

[3] 徐云碧. 作物科學中的環(huán)境型鑒定(Envirotyping)及其應(yīng)用[J]. 中國農(nóng)業(yè)科學, 2015, 48(17): 3354－3371.Xu Yunbi. Environmental identification (Envirotyping) and its application in crop science[J]. Chinese Agriculture Science, 2015, 48(17): 3354－3371. (in Chinese with English abstract)

[4] Watanabe K, Guo W, Arai K, et al. High-throughput phenotyping of sorghum plant height using an unmanned aerial vehicle and its application to genomic prediction modeling[J]. Frontiers in Plant Science, 2017, 8.

[5] Singh S K, Iii J H H, Maw M J W, et al. Assessment of growth, leaf N concentration and chlorophyll content of sweet sorghum using canopy reflectance[J]. Field Crops Research, 2017, 209: 47－57.

[6] 閻廣建, 胡容海, 羅京輝, 等. 葉面積指數(shù)間接測量方法[J]. 遙感學報, 2016, 20(5): 958－978.Yan Guangjian, Hu Ronghai, Luo Jinghui, et al. Review of indirect methods for leaf area index measurement[J]. Journal of Remote Sensing, 2016, 20(5): 958－978. (in Chinese with English abstract)

[7] 陳仲新, 任建強, 唐華俊, 等. 農(nóng)業(yè)遙感研究應(yīng)用進展與展望[J]. 遙感學報, 2016, 20(5): 748－767.Chen Zhongxin, Ren Jianqiang, Tang Huajun, et al. Progress and perspectives on agricultural remote sensing research and application in china[J]. Journal of Remote Sensing, 2016,20(5): 748－767. (in Chinese with English abstract)

[8] Araus J L, Cairns J E. Field high-throughput phenotyping:the new crop breeding frontier[J]. Trends in Plant Science,2014, 19(1): 52－61.

[9] Candiago S, Remondino F, De Giglio M, et al. Evaluating multispectral images and vegetation indices for precision farming applications from uav images[J]. Remote Sensing,2015, 7(4): 4026－4047.

[10] Potgieter A B, George-Jaeggli B, Chapman S C, et al. Multispectral imaging from an unmanned aerial vehicle enables the assessment of seasonal leaf area dynamics of sorghum breeding lines[J]. Frontiers in Plant Science, 2017, 8: 1532.

[11] Yang G, Li C, Wang Y, et al. The dom generation and precise radiometric calibration of a uav-mounted miniature snapshot hyperspectral imager[J]. Remote Sensing, 2017,9(7): 642.

[12] Yuan H, Yang G, Li C, et al. Retrieving soybean leaf area index from unmanned aerial vehicle hyperspectral remote sensing: Analysis of RF, ANN, and SVM regression models[J]. Remote Sensing, 2017, 9(4): 309.

[13] Yue J, Yang G, Li C, et al. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models[J]. Remote Sensing, 2017, 9(7): 708.

[14] Nie S, Wang C, Dong P, et al. Estimating leaf area index of maize using airborne discrete-return LiDAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations &Remote Sensing, 2016, 9(7): 3259－3266.

[15] Guo Q, Su Y, Hu T, et al. An integrated UAV-borne lidar system for 3D habitat mapping in three forest ecosystems across China[J]. International Journal of Remote Sensing,2017, 38(8/10): 2954－2972.

[16] Jin X, Liu S, Baret F, et al. Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery[J]. Remote Sensing of Environment, 2017, 198.

[17] 李長春, 牛慶林, 楊貴軍, 等. 基于無人機數(shù)碼影像的大豆育種材料葉面積指數(shù)估測[J]. 農(nóng)業(yè)機械學報, 2017,48(8): 147－158.Li Changchun, Niu Qinglin, Yang Guijun, et al. Estimation of leaf area index of soybean breeding materials based on UAV digital images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(8): 147－158. (in Chinese with English abstract)

[18] 高林, 楊貴軍, 李紅軍, 等. 基于無人機數(shù)碼影像的冬小麥葉面積指數(shù)探測研究[J]. 中國生態(tài)農(nóng)業(yè)學報, 2016,24(9): 1254－1264.Gao Lin, Yang Guijun, Li Hongjun, et al. Winter wheat LAI estimation based on unmanned aerial vehicle RGB-imaing[J].Journal of Chinese Eco-Agriculture, 24(9): 1254－1264. (in Chinese with English abstract)

[19] 楊琦, 葉豪, 黃凱, 等. 利用無人機影像構(gòu)建作物表面模型估測甘蔗LAI[J]. 農(nóng)業(yè)工程學報, 2017, 33(8): 104-111:104－111.Yang Qi, Ye Hao, Huang Kai, et al. Estimation of leaf area index of sugarcane using crop surface model based on UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(8): 104－111: 104－111. (in Chinese with English abstract)

[20] Luo S, Wang C, Pan F, et al. Estimation of wetland vegetation height and leaf area index using airborne laser scanning data[J]. Ecological Indicators, 2015, 48: 550－559.

[21] Li W, Niu Z, Huang N, et al. Airborne LiDAR technique for estimating biomass components of maize: A case study in Zhangye City, Northwest China[J]. Ecological Indicators,2015, 57(2): 486－496.

[22] Holman F, Riche A, Michalski A, et al. High throughput field phenotyping of wheat plant height and growth rate in field plot trials using UAV based remote sensing[J]. Remote Sensing, 2016, 8(12): 1031.

[23] Li W, Niu Z, Chen H, et al. Remote estimation of canopy height and aboveground biomass of maize using highresolution stereo images from a low-cost unmanned aerial vehicle system[J]. Ecological Indicators, 2016, 67: 637－648.

[24] Saberioon M M, Amin M S M, Anuar A R, et al. Assessment of rice leaf chlorophyll content using visible bands at different growth stages at both the leaf and canopy scale[J].International Journal of Applied Earth Observations &Geoinformation, 2014, 32(10): 35－45.

[25] Zhou X, Zheng H B, Xu X Q, et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2017, 130: 246－255.

[26] Cheng H D, Jiang X H, Sun Y, et al. Color image segmentation: advances and prospects[J]. Pattern Recognition,2001, 34(12): 2259－2281.

[27] Torres-Sánchez J, López-Granados F, Pe?a J M. An automatic object-based method for optimal thresholding in UAV images: Application for vegetation detection in herbaceous crops[J]. Computers & Electronics in Agriculture,2015, 114(C): 43－52.

[28] Bendig J, Yu K, Aasen H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J].International Journal of Applied Earth Observation &Geoinformation, 2015, 39: 79－87.

[29] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127－150.

[30] Mounir Louhaichi, Michael M, Borman, Douglas E. Johnson.Spatially located platform and aerial photography for documentation of grazing impacts on wheat[J]. Geocarto International, 2001, 16(1): 65－70.

[31] Georgee M, Jo?ocamargo N. Verification of color vegetation indices for automated crop imaging applications[J]. Computers & Electronics in Agriculture, 2008, 63(2): 282－293.

[32] Vol N. Color Indices for weed identification under various soil, residue, and lighting conditions[J]. Transactions of the Asae, 1995, 38(1): 259－269.

[33] Kataoka T, Kaneko T, Okamoto H, et al. Crop growth estimation system using machine vision[C]// Ieee/asme International Conference on Advanced Intelligent Mechatronics, 2003. Aim 2003. Proceedings. IEEE, 2003:1079- b1083.

[34] Gitelson A A, Kaufman Y J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76－87.

[35] Bendig J, Bolten A, Bennertz S, et al. Estimating biomass of barley using crop surface models (CSMs) derived from UAV-Based RGB imaging[J]. Remote Sensing, 2014, 6(11):10395－10412.

[36] Bendig J, Bolten A, Bareth G. UAV-based imaging for multi-temporal, very high resolution crop surface models to monitor crop growth variability [J]. Photogrammetrie Fernerkundung Geoinformation, 2013, 2013(6): 551－562.

[37] Tilly A N, Hoffmeister D, Cao Q, et al. Multitemporal crop surface models:accurate plant height measurement and biomass estimation with terrestrial laser scanning in paddy rice[J]. Journal of Applied Remote Sensing, 2014, 8(1):083671－083671.

[38] Scotford I M, Miller P C H. Combination of spectral reflectance and ultrasonic sensing to monitor the growth of winter wheat[J]. Biosystems Engineering, 2004, 87(1): 27－38.