基于機器學習結(jié)合植被指數(shù)閾值的水稻關(guān)鍵生育期識別

楊振忠 方圣輝 彭 漪 龔 龑 王 東

(武漢大學 遙感信息工程學院，武漢 430079)

精準農(nóng)業(yè)和智慧農(nóng)業(yè)是農(nóng)業(yè)發(fā)展的重要方向，農(nóng)作物物候期識別是精準農(nóng)業(yè)和智慧農(nóng)業(yè)的重要應用[1]。它不僅可以幫助農(nóng)田管理者及時規(guī)劃田間管理活動(如灌溉和施肥等)，還可以為作物長勢評估及估產(chǎn)提供重要的時間參考[2-3]，此外，長時間的物候期識別還可以從側(cè)面反映出環(huán)境變化的規(guī)律[4]。

水稻是我國的主要糧食作物之一，水稻的生育期監(jiān)測是根據(jù)水稻生育過程中的形態(tài)變化，對各生長發(fā)育時期進行記載的過程，反映了水稻的生長狀態(tài)信息。根據(jù)水稻移栽之后在田間的生長形態(tài)，水稻生育期分為分蘗期、拔節(jié)孕穗期、抽穗揚花期和灌漿成熟期。其中，分蘗期主要以生長根、葉和分蘗等營養(yǎng)器官為主，是水稻一生中根系生長最旺盛和大量發(fā)展的時期；拔節(jié)孕穗期是水稻由營養(yǎng)生長轉(zhuǎn)化為生殖生長的過程；抽穗揚花期是指水稻完全發(fā)育的幼穗從劍葉鞘內(nèi)伸出，然后開花授粉受精的過程；灌漿成熟期是指稻穗谷粒開始營養(yǎng)物質(zhì)的積累，谷粒逐漸變硬，殼色由綠變黃的過程。

傳統(tǒng)的作物生育期觀測方法以野外實地觀察為主，直接在野外對個體或群體生育期進行觀測，這種方法具有客觀準確的特點；但是，該方法費時費力，無法滿足實時、快速的監(jiān)測需求。遙感近實時、大面積和快速無損的優(yōu)勢為農(nóng)作物物候期識別提供了新的技術(shù)手段?；谶b感監(jiān)測農(nóng)作物的生育期，國內(nèi)外學者做了大量的研究，常見的方法主要有以下幾種：1)植被指數(shù)閾值法，設定植被指數(shù)閾值作為生育期的節(jié)點，宋春橋等[5]利用動態(tài)閾值法提取了藏北高原過去10年間的植被物候信息；2)折點法，將濾波后的時序植被指數(shù)曲線的極值點或折點作為生育期節(jié)點，Sakamoto等[6]利用增強型植被指數(shù)的折點識別水稻的分蘗前期、抽穗期和收割期；3)求導法，對時序植被指數(shù)曲線求一階導或二階導，將一階導或二階導的極值點或折點作為生育期節(jié)點，孫華生等[7]利用增強型植被指數(shù)通過轉(zhuǎn)折點的方法識別水稻的移栽器和抽穗期，采用植被指數(shù)的相對變化閾值法判斷分蘗初期，采用最大變化斜率法識別成熟期；4)機器學習法，機器學習具有自主學習訓練、泛化能力強的特點，Almeida等[8]利用機器學習的分類算法，基于草原植被葉片的數(shù)字圖像檢測物候。

植被指數(shù)閾值法雖然計算準確，但是閾值存在適用性較差的缺陷；而折點法、求導法都是基于時序植被指數(shù)曲線實現(xiàn)的，主要存在2個缺陷：一是時間分辨率較低的數(shù)據(jù)通過插值的方法構(gòu)建時間序列，無疑帶來一定的誤差；二是需要時序數(shù)據(jù)才能對生育期進行劃分，不能滿足實時監(jiān)測的要求。

機器學習近年來被廣泛應用到分類問題中，也逐漸被用于農(nóng)作物生育期識別。單一學習器算法包括K近鄰(KNN)[9]、決策樹[10]和支持向量機(SVM)[11]，集成學習算法包括隨機森林(RF)[12]和梯度提升決策樹(Gradient boosted decision trees, GBDT)[13]?；谝陨戏治?，本研究首先以四波段輻射計獲取水稻每日冠層反射率為數(shù)據(jù)源，開展基于K近鄰、決策樹、支持向量機、隨機森林和梯度提升決策樹共5種機器學習方法的水稻生育期識別研究；然后將其推廣至無人機影像，評價模型的泛化能力，進而通過植被指數(shù)閾值的方法完善模型。本研究旨在通過地面高時間分辨率的光譜數(shù)據(jù)對水稻生育期的精準劃分，推廣應用至無人機數(shù)據(jù)，以期獲得不依賴時序數(shù)據(jù)針對不同平臺的水稻生育期識別模型。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)

研究區(qū)位于海南省陵水黎族自治縣文官村(110°03′35″E，18°31′47″N)，如圖1，為武漢大學陵水多品種雜交水稻實驗基地中的部分試驗田。于2018年1月12日在試驗田不同小區(qū)移栽了不同品種水稻，小區(qū)面積約30 m2，行列間距40 cm，移栽密度為30萬株/hm2，于2018年4月30日收割，水稻品種為珞優(yōu)9348、豐兩優(yōu)4號。

1.2 數(shù)據(jù)獲取

試驗數(shù)據(jù)包括由四波段輻射計SKYE(SKR 1860, SKYE Instruments Ltd, Llandrindod Wells, UK)獲取的時序的水稻冠層多光譜反射率、由無人機(Unmanned aerial vehicle，UAV)搭載的多光譜相機獲取的水稻冠層多光譜影像，以及地面實地的水稻生育期觀測記錄。其中，SKYE數(shù)據(jù)用于水稻生育期識別的機器學習模型研究，UAV數(shù)據(jù)作為測試集，用于評估模型的泛化能力，實地生育期觀測記錄包括分蘗期、拔節(jié)孕穗期、抽穗揚花期和灌漿成熟期的實際觀測日期，作為模型訓練和精度評價的標簽。

圖1 研究區(qū)域地理位置
Fig.1 Geographical location of the study area

1.2.1SKYE四波段光譜數(shù)據(jù)

SKYE輻射計有上下2個，每個輻射計測量的4個光譜波段范圍是綠(530.6～569.2 nm)、紅(636.9～672.9 nm)、紅邊(705.8～729.6 nm)和近紅外(850.9～880.5 nm)。上方的輻射計鏡頭帶有余弦矯正器，能夠接收鏡頭上方180°半球的太陽光，對應測量太陽光在4個波段的下行輻照度。下面的輻射計鏡頭測量25°視角的上行輻照度，也就是植被的反射信息。共有3臺SKYE儀器，分別架設在試驗田的不同小區(qū)，其中2臺SKYE分別觀測珞優(yōu)9348的2個施氮肥水平：120 kg/hm2(N120)和240 kg/hm2(N240)，另一臺SKYE觀測豐兩優(yōu)4號的一個施氮肥水平：120 kg/hm2(N120)。每臺SKYE架設高度約距離地面3 m，同時鏡頭指向南方向，保證在測量過程中不受支撐架和太陽能電池板的陰影干擾。3臺SKYE共采集了珞優(yōu)9348(N120和N240)和豐兩優(yōu)4號(N120)自1月13日—4月30日共108 d的水稻冠層光譜數(shù)據(jù)。

SKYE儀器配置安裝了太陽能電池板和蓄電池，能夠采集每一秒的數(shù)據(jù)，為了消除數(shù)據(jù)中由于輻照度快速變化和輻射計受污染物(鳥等)影響導致的擾動，4個光譜波段的輻射計響應設計為取30 min內(nèi)的平均值，設置為每天7：30—18：30分觀測記錄數(shù)據(jù)。波段i為30 min內(nèi)的反射率平均值，ρi為下方輻射計測量的上行的30 min輻亮度[RUW(λ)]和上方輻射計測量的下行的30 min輻照度[IDW(λ)]比值，計算式如式(1)。

ρi=[RUW(λ)×CCUW(λ)]/[IDW(λ)×CCDW(λ)]

(1)

式中：CCUW(λ)是在λ波段對于UW(mV)的校準系數(shù)，CCDW(λ)是對于DW(mV)的校準系數(shù)。

1.2.2UAV多光譜數(shù)據(jù)

本研究使用大疆創(chuàng)新科技有限公司生產(chǎn)的八旋翼無人機，搭載由12個微型相機組成的MCA相機(MCA12, Terracam Inc., Chatsworth, CA, USA)。相機的中心波長分別為800、490、520、550、570、670、680、700、720、850、900和950 nm，前10個波段每個波段的波段寬度均為10 nm，900 nm波段的波段寬度為20 nm，950 nm波段的波段寬度為40 nm。對MCA相機的鏡頭進行幾何校正，使得12個波段的多光譜影像位于同一坐標系，并消除影像的鏡頭畸變。利用地面標準反射板，采用線性模型對影像進行輻射定標，將影像的像元亮度值(Digital number，DN值)轉(zhuǎn)化成反射率[14]。在海南水稻試驗田獲取水稻在分蘗期(2018年2月2、7和20日)、拔節(jié)孕穗期(2018年3月3、18和25日)、抽穗期(2018年4月1日)和成熟期(2018年4月15和26日)的無人機多光譜影像，利用ENVI軟件在影像上對每塊小區(qū)避開邊緣隨機采集2個感興趣區(qū)域(Region of Interest，ROI)，取每個ROI分別在550、670、720和850 nm的光譜均值作為模型的測試數(shù)據(jù)集，共計480條光譜數(shù)據(jù)。

1.3 預處理

SKYE輻射計觀測記錄了每天7：30—18：30的數(shù)據(jù)。當太陽的天頂角>70°時，由于更高的鏡面反射率對二向反射系數(shù)的貢獻，4個波段的冠層反射率會劇烈的變化，影響反射率的計算，因此需要選擇合適時間段的穩(wěn)定的光譜反射率數(shù)據(jù)。按照SKYE數(shù)據(jù)預處理的慣用方法[15]，統(tǒng)計發(fā)現(xiàn)冠層反射率在10：30—12：00 趨于穩(wěn)定，因此，選擇每天10：30—12：00 的反射率作為4個波段冠層反射率的有效數(shù)據(jù)。在此基礎上，剔除儀器波動異常嚴重的數(shù)據(jù)，獲得用于機器學習建模的SKYE數(shù)據(jù)。在水稻完整的生育期內(nèi)，不同生育期持續(xù)天數(shù)差別較大，所以不同生育期內(nèi)的數(shù)據(jù)量不同，全生育期共 1 200 條光譜數(shù)據(jù)。

2 方 法

試驗整體設計方案如圖2所示，SKYE儀器只能監(jiān)測獲取一塊田區(qū)的光譜，但是具有高時間分辨率的特點，適合進行生育期識別建模試驗，所以首先通過常見的5種機器學習算法對SKYE數(shù)據(jù)進行建模，對比分析5種算法模型的精度表現(xiàn)；而無人機拍攝多光譜影像具有范圍大，可輸出影像展示的優(yōu)勢，適合模型推廣應用，所以進一步將SKYE數(shù)據(jù)建立的水稻生育期識別模型應用至UAV數(shù)據(jù)，評價模型算法對UAV數(shù)據(jù)適用性，如果適用性較差，在機器學習算法的基礎上，通過植被指數(shù)閾值的方法對容易混淆的生育期進行區(qū)分，最終獲得適用于UAV數(shù)據(jù)的水稻生育期識別模型。

試驗取SKYE每天10：30—12：00的各個波段的反射率中值作為當天的水稻冠層光譜反射率，根據(jù)實地生育期觀測的記錄進行不同時期的劃分，得到SKYE獲取的珞優(yōu)9348(N240)水稻從分蘗期至灌漿成熟期間4個波段的每日反射率(圖3)。另外2個SKYE獲取的珞優(yōu)9348(N120)和豐兩優(yōu)4號(N120)的冠層反射率和變化趨勢與圖3接近。冠層反射率隨日期的變化反映出水稻不同生育期的特征。

圖2 水稻生育期識別研究試驗方案
Fig.2 Experimental plan of rice growth stage recognition

圖3 水稻生育期內(nèi)每天反射率和冠層變化
Fig.3 Daily reflectance and canopy changes during the whole growing stage of rice

水稻在分蘗期初期時，秧苗小，冠層光譜特征與水接近，4個波段的反射率都較低，隨著水稻不斷分蘗，植株高，葉片增多增大，葉綠素和葉面積指數(shù)增加，光譜特征漸漸與植被更加接近，近紅外波段反射率不斷增加，紅邊波段反射率變化不大，綠波段和紅波段反射率在逐漸下降；在拔節(jié)孕穗期階段，水稻拔節(jié)長高，植株增大，冠層更加茂密，所以近紅外波段反射率略有升高，當水稻進入幼穗分化階段，從營養(yǎng)生長階段過渡到生殖生長階段，水稻葉片大小不會再有明顯變化，近紅外波段反射率略有下降，其他3個波段沒有明顯變化；水稻進入抽穗揚花期時，綠色的稻穗從劍葉的葉鞘中抽出，水稻冠層結(jié)構(gòu)發(fā)生變化，對冠層結(jié)構(gòu)比較敏感的紅邊波段反射率逐漸上升，綠波段和紅波段的反射率也有微弱的升高；水稻在抽穗揚花期經(jīng)過授粉受精過程后，進入灌漿成熟期，稻穗逐漸成熟，逐漸向下彎曲，顏色由綠變黃，部分品種的水稻葉片也會變黃，近紅外波段反射率明顯下降，稻穗向下彎曲導致冠層結(jié)構(gòu)明顯變化，所以紅邊波段反射率呈現(xiàn)上升趨勢，綠波段和紅波段的反射率都略微升高。水稻在不同生育期內(nèi)4個波段的光譜反射率變化明顯，因此利用水稻生育期內(nèi)4個波段的光譜反射率數(shù)據(jù)作為學習數(shù)據(jù)，探究利用機器學習方法識別水稻生育期的可行性。

基于KNN算法的分類是一種基于實例的學習，它不試圖構(gòu)建一個通用的內(nèi)部模型，而是簡單地存儲培訓數(shù)據(jù)的實例。KNN實際上利用訓練數(shù)據(jù)集對特征向量空間進行劃分，分類是由距離每個點最近的K個點的種類簡單多數(shù)投票計算出來的，也就是一個查詢點被分配到數(shù)據(jù)類中，這個類在最近的鄰居中擁有最多的代表。

分類決策樹模型是一種描述對實例進行分類的樹形結(jié)構(gòu)。其本質(zhì)上是從訓練數(shù)據(jù)集中歸納出一組分類規(guī)則，學習的算法通常是一個遞歸地選擇最優(yōu)特征，并根據(jù)該特征對訓練數(shù)據(jù)進行分割，使得對各個子數(shù)據(jù)集有一個最好的分類的過程。遞歸結(jié)束的條件是直至所有訓練數(shù)據(jù)子集被基本正確分類或者沒有合適的特征為止。

SVM的基本模型是定義在特征空間上的間隔最大的線性分割器，支持向量機還包括核技巧，這使它成為實質(zhì)上的非線性分類器，常見的核函數(shù)有多項式核函數(shù)(Polynomial kernel function)和徑向基核函數(shù)(Radial basis function, RBF)等。

隨機森林是在以決策樹為基學習器的基礎上構(gòu)建的集成學習器，每個基學習器的訓練數(shù)據(jù)集是在總的訓練數(shù)據(jù)集中采樣獲得的，獲得若干個訓練數(shù)據(jù)子集，就對應得到數(shù)量相等的基學習器。此外，在決策樹的訓練過程中引入了隨機屬性選擇，當在樹的構(gòu)造過程中分割一個節(jié)點時，所選擇的分割不再是所有特性中最好的分割，而是特性的隨機子集中的最佳分割。隨機森林簡單容易實現(xiàn)，計算開銷小，被譽為“代表集成學習技術(shù)水平的方法[16]。

GBDT是一種常見的Boosting算法。算法每次迭代都是在之前模型損失函數(shù)的梯度下降方向去建立新的決策樹模型，同時一步一步地修復殘差而靠近最優(yōu)的模型，最后對弱分類器進行組合得到最終的模型，具有較好的泛化誤差。

將SKYE數(shù)據(jù)分為訓練集和驗證集，UAV數(shù)據(jù)作為測試集，基于K近鄰、決策樹、支持向量機、隨機森林和梯度提升決策樹5種機器學習算法，通過10折交叉驗證在訓練集中學習、在驗證集進行最優(yōu)參數(shù)的選擇，通過測試集評估模型的泛化能力。如果模型對于測試集的精度較好，說明模型的泛化能力較好，能夠適用于UAV數(shù)據(jù)；如果精度較差，統(tǒng)計UAV數(shù)據(jù)在水稻各個生育期的植被指數(shù)的差異，在SKYE數(shù)據(jù)建立的機器學習水稻生育期識別模型的基礎上，通過植被指數(shù)閾值的方法區(qū)分在UAV數(shù)據(jù)識別過程中容易混淆的生育期。

試驗中使用的常見的4種植被指數(shù)包括歸一化差值植被指數(shù)(Normalized difference vegetation index，NDVI)、綠波段歸一化植被指數(shù)(Normalized difference vegetation index green，NDVIgreen)[17]、歸一化差值紅邊指數(shù)(Normalized difference red edge index, NDRE)[18]和可見光大氣修正指數(shù)(Visible atmospherically resistant index，VARI)[19]，4種植被指數(shù)的計算方法見式(2)～(5)。

NDVI=(ρNIR-ρred)/(ρNIR+ρred)

(2)

NDVIgreen=(ρNIR-ρgreen)/(ρNIR+ρgreen)

(3)

NDRE=(ρrededge-ρred)/(ρrededge+ρred)

(4)

VARI=(ρgreen-ρred)/(ρgreen+ρred)

(5)

式中：ρNIR，ρred，ρgreen，ρrededge分別表示近紅外波段、紅波段、綠波段和紅邊波段的光譜反射率。

3 結(jié)果與討論

3.1 基于SKYE反射率的生育期識別模型

基于SKYE數(shù)據(jù)通過10折交叉驗證利用KNN、決策樹、SVM、RF和GBDT共5種算法進行學習訓練，在最優(yōu)參數(shù)下，各個算法訓練結(jié)果見表1，幾種算法的水稻生育期識別精度比較接近，其中RF算法和GBDT算法識別水稻生育期精度最高，分別為93.00%和92.25%，決策樹算法的精度最低，為90.42%，把簡單的決策樹算法作為基學習器，通過集成學習，RF和GBDT算法的識別精度都得到了提升。

表1 基于SKYE數(shù)據(jù)的不同算法識別水稻生育期Table 1 Accuracy for recognizing rice growing stage using different classifier model and SKYE data

RF算法識別水稻生育期模型的混淆矩陣見表2，對水稻每個生育期的識別精度均超過70%，試驗建立的水稻生育期識別模型對分蘗期、拔節(jié)孕穗期和灌漿成熟期的識別精度較高，而對抽穗揚花期的識別精度偏低。拔節(jié)孕穗期和抽穗揚花期互相錯分的情況偏多，這主要是因為在抽穗過程是水稻稻穗從劍葉葉鞘中逐漸抽出，試驗中實地觀察以田間水稻10%抽出稻穗作為抽穗期開始，而剛剛抽出的綠色稻穗對水稻冠層光譜的影響較小，從而水稻在抽穗揚花期初期的冠層光譜與抽穗揚花期之前的冠層光譜相比沒有明顯變化，這一現(xiàn)象從圖4也可以看出，所以這2個時期混淆的情況較多，區(qū)分這2個生育期的主要特征波段為紅邊波段，紅邊波段對冠層結(jié)構(gòu)比較敏感，在稻穗抽出后紅邊波段的反射率有逐漸增加的趨勢。原理較為簡單的KNN算法識別水稻生育期的精度表現(xiàn)同樣較好，其混淆矩陣見表3，與表2中展現(xiàn)出的拔節(jié)孕穗期和抽穗揚花期更容易互相錯分的情況一致。

表2 基于SKYE數(shù)據(jù)的RF水稻生育期識別混淆矩陣Table 2 Confusion matrix of rice growing stage recognition using SKYE data and RF algorithm

3.2 模型應用至無人機數(shù)據(jù)的適用性評價與模型完善

SKYE光譜數(shù)據(jù)具有時間分辨率高的特點，建立的生育期識別模型能夠精準的劃分水稻的生育期，但是相比于地面平臺采集數(shù)據(jù)，無人機獲取數(shù)據(jù)具有范圍大、方便省時、可輸出影像展示的優(yōu)點，所以有必要將全部SKYE數(shù)據(jù)建立的水稻生育期識別機器學習模型推廣至UAV數(shù)據(jù)，評估模型的泛化能力，獲得能夠適用于UAV數(shù)據(jù)的水稻生育期識別模型。本研究利用以上算法模型對SKYE全部數(shù)據(jù)進行訓練，然后利用UAV數(shù)據(jù)進行測試，不同算法的精度如表4所示。試驗結(jié)果表明SVM算法的精度最差，對于無人機平臺數(shù)據(jù)適用性較差，而KNN算法的表現(xiàn)仍舊較好，精度達到了83.54%，優(yōu)于其他的幾個算法的表現(xiàn)。通過全部SKYE數(shù)據(jù)建立的KNN模型對UAV數(shù)據(jù)識別的混淆矩陣見表5。結(jié)果表明，模型對水稻分蘗期和灌漿成熟期的識別準確率非常高，沒有出現(xiàn)混淆的情況，而把抽穗揚花期大部分的數(shù)據(jù)錯誤地識別為拔節(jié)孕穗期。其主要原因有2點：一是水稻抽穗揚花期的冠層光譜與拔節(jié)孕穗期相似，不容易區(qū)分；另一個原因是2種儀器的傳感器觀測原理不同，同時無人機搭載的多光譜相機的波段范圍和中心波長與SKYE的也不完全一致，所以UAV端的光譜數(shù)據(jù)與SKYE的光譜數(shù)據(jù)存在差異。同時，GBDT算法對UAV數(shù)據(jù)的識別精度也較高，其生育期識別混淆矩陣見表6，錯誤識別的情況相對KNN算法較為復雜，不能依靠單一植被指數(shù)進行區(qū)分。

表3 基于SKYE數(shù)據(jù)的KNN水稻生育期識別混淆矩陣Table 3 Confusion matrix of rice growing stage recognition using SKYE data and KNN algorithm

表4 基于UAV數(shù)據(jù)的不同算法水稻生育期識別Table 4 Accuracy for recognizing rice growing stage using different model and aerial-collected data

表5 基于UAV數(shù)據(jù)的KNN水稻生育期識別混淆矩陣Table 5 Confusion matrix of KNN algorithm recognizing rice growing stage using aerial-collected data

表6 基于UAV數(shù)據(jù)的GBDT水稻生育期識別混淆矩陣Table 6 Confusion matrix of GBDT algorithm recognizing rice growing stage using aerial-collected data

雖然水稻在拔節(jié)孕穗期和抽穗揚花期的冠層光譜特征較為相似，但是在數(shù)值上還是存在差別，在抽穗揚花期，綠波段、紅波段和紅邊波段的冠層反射率逐漸升高。統(tǒng)計UAV數(shù)據(jù)中水稻在拔節(jié)孕穗期和抽穗揚花器的各個指數(shù)數(shù)值的頻率分布，如圖4所示，結(jié)果表明VARI的頻率分布在2個時期具有較好的區(qū)分，在水稻的拔節(jié)孕穗期有超過90%的VARI>0.73，同時水稻在抽穗揚花期有超過70%的VARI<0.73，于是選定VARI=0.73作為區(qū)分水稻拔節(jié)孕穗期和抽穗揚花期的閾值，當VARI≥0.73時，認為水稻處于拔節(jié)孕穗期；當VARI<0.73時，認為水稻處于抽穗揚花期。

圖4 水稻4種植被指數(shù)在2個生育期的頻率分布圖
Fig.4 Frequency distribution of rice four kinds of vegetation index in two growing stages

結(jié)合了植被指數(shù)VARI的KNN算法對UAV數(shù)據(jù)的水稻生育期識別混淆矩陣見表7，對比表5發(fā)現(xiàn)對水稻抽穗揚花期的識別更加準確，大幅度提高了抽穗揚花期識別的用戶精度，但是使用閾值方法使得拔節(jié)孕穗期被錯誤的識別為抽穗揚花期的數(shù)據(jù)少量的增加，整體來看，KNN算法結(jié)合VARI對UAV數(shù)據(jù)的識別精度達到了86.04%。相比于單獨使用KNN算法對各個生育期的識別精度更加均衡。

表7 基于UAV數(shù)據(jù)的KNN結(jié)合VARI 水稻生育期識別混淆矩陣Table 7 Confusion matrix of KNN combined with VARI recognizing rice growing stage using aerial-collected data

4 結(jié) 論

利用機器學習方法識別水稻生育期，基于高時間分辨率的SKYE數(shù)據(jù)建立了識別水稻生育期的機器學習模型，并將其推廣應用于無人機影像以評價模型的泛化能力。結(jié)果表明：各機器學習方法對于SKYE數(shù)據(jù)均具有較好的識別精度，其中KNN算法精度為91.92%。將其推廣至無人機時，KNN算法的適應性最好，識別準確率為83.54%，但容易將抽穗揚花期誤識別為拔節(jié)孕穗期；進而提出了一種KNN算法結(jié)合VARI閾值篩選的方法進行無人機平臺的水稻生育期識別，改進后識別準確率為86.04%，相比單獨的KNN算法整體識別精度略有提高，同時對各個生育期的識別精度更加均衡。

本研究基于綠、紅、紅邊、近紅外的冠層光譜反射率數(shù)據(jù)，最終獲得了針對SKYE平臺的KNN水稻生育期識別模型，以及針對UAV平臺的KNN結(jié)合VARI閾值的水稻生育期識別模型，能夠不依賴時序光譜數(shù)據(jù)識別水稻的關(guān)鍵生育期。提出的水稻生育期識別模型能夠輔助精準農(nóng)業(yè)，為水稻的田間管理、長勢評估和估產(chǎn)提供參考依據(jù)?？蛇M一步將本研究提出的生育期識別模型推廣應用至衛(wèi)星影像，評估模型泛化能力，獲取大面積水稻的生育期信息，探索更大尺度的農(nóng)作物物候，有助于分析大范圍內(nèi)物候的時間波動特征。