基于無人機數(shù)碼圖像的機采棉脫葉率監(jiān)測模型構(gòu)建

馬怡茹，呂新，祁亞琴，張澤，易翔，陳翔宇，鄢天滎，侯彤瑜

（石河子大學農(nóng)學院/ 新疆生產(chǎn)建設兵團綠洲生態(tài)農(nóng)業(yè)重點實驗室，新疆石河子 832003）

目前新疆是我國最大的植棉區(qū)，2020 年棉花種植面積占全國的78.9%[1]。 為解決人工費用高、勞動效率低的問題，近年來新疆生產(chǎn)建設兵團不斷擴大棉花機械采收面積。 化學脫葉催熟技術是棉花機械采收的重要前提[2]，機械采收一般要求脫葉率在90%以上，吐絮率在95%以上。 脫葉率是評價棉花脫葉催熟效果、判斷采收時間的重要指標。 因此，實現(xiàn)對其快速、準確的監(jiān)測，能夠為棉花脫葉催熟相關研究提供技術支持，為大田機械采收時間的確定提供輔助決策。 目前，在棉花脫葉催熟效果相關研究中，對于脫葉率的調(diào)查仍采用傳統(tǒng)的人工定點調(diào)查的方法[3-5]。 其工作量大，缺乏時效性，且定點調(diào)查存在一定的偶然性。近年來，無人機遙感由于其低成本、高分辨率、實時監(jiān)測等優(yōu)點，在農(nóng)業(yè)監(jiān)測上應用廣泛[6]，這也為棉花脫葉率監(jiān)測提供了新思路。 棉花葉片脫落會導致棉花冠層圖像中綠色葉片減少。 前人基于遙感技術開展了大量監(jiān)測綠色葉片變化的相關研究[7-8]。 隨著數(shù)碼攝影技術的發(fā)展，基于數(shù)字圖像獲取作物生長信息成為更方便、 快捷的手段。 李亞兵[9]利用不同的顏色空間和顏色特征值診斷棉花早衰程度，實現(xiàn)了較好的擬合。王康麗[10]利用無人機獲取可見光和熱紅外圖像，計算顏色指數(shù)，建立棉花冠層特征參數(shù)預測模型，結(jié)果證明顏色指數(shù)能夠反映棉花長勢、 葉面積指數(shù)。Liang 等[11]通過計算不同顏色空間圖像特征信息和支持向量機建立葉片含水量估算模型，結(jié)果證明通過圖像特征能夠較好地反映葉片含水量。Niu 等[12]利用無人機獲取RGB 圖像計算不同的可見光植被指數(shù)， 通過多元線性回歸（Multivariate linear regression，MLR） 方法建立玉米生物量估算模型，得出的地上部鮮物質(zhì)質(zhì)量和干物質(zhì)質(zhì)量估算模型的決定系數(shù)（Coefficient of determination，R2）均大于0.8。 根據(jù)前人的研究，與衛(wèi)星數(shù)據(jù)和光譜數(shù)據(jù)相比，RGB 圖像具有獲取容易、成本低、處理相對簡單的特點，且模型精度較高。目前基于無人機開展與綠色葉片有關的監(jiān)測研究主要是關于葉面積指數(shù)、 生物量、 植被覆蓋度等， 而脫葉率作為評價機采棉脫葉催熟效果的直接指標， 利用遙感手段對其進行監(jiān)測的研究少有報道。 因此，本研究參考前人在無人機表型監(jiān)測方面的研究成果，以機采棉為研究對象，分別在不同脫葉劑處理的小區(qū)內(nèi)用無人機獲取棉花收獲期的RGB 圖像和棉花脫葉率數(shù)據(jù)，分析不同脫葉劑處理下棉花脫葉率與可見光植被指數(shù)的相關性， 構(gòu)建基于可見光植被指數(shù)的棉花脫葉率快速監(jiān)測模型， 為脫葉效果試驗提供技術支持， 同時可為大田生產(chǎn)中確定適當?shù)牟墒諘r間提供輔助支持。

1 材料與方法

1.1 田間試驗

試驗于2019 年進行， 地塊位于石河子大學教學試驗場二連（44°19′N，85°59′E，海拔：475 m），氣候類型為典型的溫帶大陸性氣候，土壤為重壤土，土壤肥力較高。 供試棉花品種為新陸早33 號（對脫葉劑不敏感）和新陸早50 號（對脫葉劑敏感）。4 月24 日按照“一膜三管六行”的模式播種，膜寬2.05 m，行距為（66＋10）cm，株距為5.6 cm，每個品種種植4 膜。 6 月14 日澆第一水，之后每7～10 d 灌溉1 次，全生育期灌溉9 次，總灌水量為3 525 m3·hm－2；未施用基肥，追肥隨水滴施，全生育期施尿素600 kg·hm－2、 磷酸一銨390 kg·hm－2、硫酸鉀180 kg·hm－2。 全生育期按新疆“矮、密、早、膜”的高產(chǎn)栽培技術進行大田管理，并注意防治病蟲草害。

根據(jù)脫葉劑噴施時間，將試驗區(qū)劃分為6 個長度為10 m、寬度為8 條膜的主小區(qū)，小區(qū)兩側(cè)設保護行。 根據(jù)脫葉劑噴施劑量，將主小區(qū)劃分為8 個長10 m、寬度為2.28 m 的副小區(qū)，每個品種各種植4 個小區(qū)。 于8 月20 日開始進行脫葉劑處理，按T1（8 月20 日）、T2（8 月23 日）、T3（8月30 日）、T4（9 月7 日，大田常規(guī)噴施脫葉劑的時間）、T5（9 月14 日）和T6（9 月21 日）6 個時間處理在不同的主小區(qū)分別噴施不同劑量的脫葉劑。 脫葉劑噴施劑量設置C1（清水，CK）、C2（脫吐隆150 mL·hm－2＋專用助劑750 mL·hm－2＋乙烯利1.2 L·hm－2）、C3 (脫吐隆300 mL·hm－2＋專用助劑750 mL·hm－2＋乙烯利1.2 L·hm－2）、C4（脫吐隆450 mL·hm－2＋專用助劑750 mL·hm－2＋乙烯利1.2 L·hm－2）。 按照從兩邊到中間逐漸增加用量的原則， 對主小區(qū)內(nèi)每個品種的4條膜分別噴施。 本試驗所用脫吐隆（總有效成分質(zhì)量濃度：540 g·L－1，敵草隆質(zhì)量濃度：180 g·L－1，噻苯隆質(zhì)量濃度：360 g·L－1，為懸浮劑）及專用助劑由德國拜爾公司生產(chǎn)。

1.2 數(shù)據(jù)獲取

1.2.1農(nóng)學參數(shù)。 在每個小區(qū)內(nèi)選擇長勢均勻、相鄰且具有代表性的10 株棉花， 分別于噴施脫葉劑前和收獲前調(diào)查其總?cè)~片數(shù)，并計算其脫葉率。 脫葉率（rD）計算公式如下：rD＝（N0－N1）／N0，式中N0、N1分別為脫葉劑處理前的總?cè)~片數(shù)、收獲前的葉片數(shù)。

1.2.2無人機影像。 在棉花收獲前， 使用Phantom 4 Advanced 航拍無人機（中國深圳，大疆）采集整個試驗棉田小區(qū)的高清彩色圖像。 圖像采集時設置鏡頭垂直向下，等時間間隔拍照，設置飛行高度為10 m，航向及旁向重疊度為80%，相機快門速度為1/240 s，感光度ISO 值為100。 試驗共獲取棉田圖像387 幅， 圖像尺寸為5 472×3 648 像 素， 格 式 為JPG。 使 用Pix4Dmapper（Pix4D，瑞士）軟件將獲取的圖像拼接成正射影像，拼接后的正射影像以TIFF 格式存儲，保留地物紅、綠、藍3 種色彩的灰度信息，每種色彩含有8 位字節(jié)信息，數(shù)值范圍為0～255。 根據(jù)小區(qū)設置， 將拼接完成的棉田影像裁剪成48 個感興趣區(qū)域。

1.2.3棉花冠層可見光信息提取。 將剪裁好的圖片， 利用Python 提取每個小區(qū)的棉花冠層紅（R）、綠（G）、藍（B）信息，并計算其平均數(shù)字量化值（Digital number，DN），進行歸一化后得到r、g、b值。根據(jù)前人研究結(jié)果，選擇與植物綠色葉片相關的14 個可見光指數(shù)進行計算， 通過相關性分析選擇合適的可見光植被指數(shù)對棉花脫葉率進行監(jiān)測。 本研究中使用的14 個可見光植被指數(shù)見表1。

表1 本研究中使用的可見光植被指數(shù)Table 1 Visible vegetation indexes used in this paper

1.3 數(shù)據(jù)分析方法

選取了一元線性回歸 （Simple linear regression，SLR）、MLR 和 偏 最 小 二 乘 法 回 歸（Partial least square regression，PLSR）建立不同可見光植被指數(shù)與棉花脫葉率的監(jiān)測模型。 將不同品種、脫葉劑劑量及噴施時間處理下采集的48 個樣本的棉花脫葉率用于脫葉率監(jiān)測模型構(gòu)建，其中36個為訓練集，12 個為驗證集（表2）。

表2 模型構(gòu)建的脫葉率數(shù)據(jù)描述性統(tǒng)計Table 2 Descriptive statistical analysis of model

根據(jù)棉花脫葉率監(jiān)測模型的構(gòu)建，通過對驗證集數(shù)據(jù)的實測值和預測值進行相關性分析，選取R2、均方根誤差（Root mean square error，RMSE）和相對均方根誤差（Relative root mean square error，rRMSE）3 個指標對模型精度進行分析。

2 結(jié)果與分析

2.1 不同脫葉劑處理下棉花脫葉率變化規(guī)律

如圖1 所示，在棉花收獲前調(diào)查不同處理下棉花脫葉情況，以C1 處理為對照，對比發(fā)現(xiàn)：隨著噴施脫葉劑時間的推遲，2 個品種的脫葉效果都呈升高趨勢。 新陸早50 號的最佳效果出現(xiàn)在T5 時噴施脫葉劑， 不同劑量處理的脫葉率與對照相比均有顯著差異，增加了52.05～52.50 百分點，各劑量處理間脫葉率并無顯著差異。 新陸早33 號最高脫葉效果出現(xiàn)在T6 噴施脫葉劑，C2～C4 處理脫葉率與對照相比均有顯著差異， 分別增加了58.55、62.04、66.03 百分點，其中C4 處理較對照的脫葉率增幅最高， 但C2～C4 處理間無顯著差異。 綜上所述，從脫葉率來看，脫葉劑施用時間越晚，脫葉效果越好；隨著脫葉劑劑量的提高，脫葉率有所增加，但到一定劑量時，同一時間處理間的脫葉率沒有明顯的差異。 對比2 個品種，新陸早33 號（對脫葉劑不敏感）需要更晚噴施脫葉劑以及更高劑量的脫葉劑，才能達到預期的脫葉效果。

2.2 可見光植被指數(shù)與棉花脫葉率相關性分析

將各處理棉花脫葉率與14 種可見光植被指數(shù)分別進行相關性分析，結(jié)果見圖2。 除NGRDI外， 其他可見光植被指數(shù)都與棉花脫葉率極顯著相關（P＜0.01），其中TGI、COM2、GLI、ExB、ExG、COM1 的相關性較高 （r＞0.70）， 相關性最高為TGI，r達0.81。 棉花脫葉率與部分植被指數(shù)具有較好的相關性，說明上述可見光植被指數(shù)可以反映棉花脫葉情況。

2.3 基于可見光植被指數(shù)的棉花脫葉率監(jiān)測模型構(gòu)建

通過相關性分析，選擇與棉花脫葉率有極顯著相關性的13 個指數(shù)，分別構(gòu)建SLR、MLR和PLSR 模型。 如表3 所示，采用單個可見光植被指數(shù)監(jiān)測棉花脫葉率的SLR 模型中，建模對象為TGI 植被指數(shù)時模型的精度最高，R2高達0.66，RMSE達到10.44%，rRMSE為12.87%。

基于多個植被指數(shù)建立的模型中，MLR 和PLSR 模型的R2要高于單一植被指數(shù)模型，RMSE和rRMSE要低于單一植被指數(shù)模型。 如表4 所示，MLR 模型中R2最高為0.71， 其RMSE為10.67%，rRMSE為13.15%；RMSE最低為10.26%；rRMSE最低為12.65%。 在所有的MLR 模型中，當建模對象包括ExB、GLI 和TGI 這3 個植被指數(shù)時， 隨著建模對象的增加，R2不變或微增，RMSE和rRMSE增加，建模對象增加至7 個時，R2、RMSE、rRMSE均達到最大值。 因此，MLR 模型中的最佳模型為以ExB、GLI、TGI 和ExG 為建模對象的模型， 其R2為0.70，RMSE為10.26%，rRMSE為12.65%。如表5 所示，PLSR 模型中，R2最高為0.70，其RMSE較低為10.01%，rRMSE最低為12.22%； 以ExB、GLI、TGI、ExG、COM2 和COM1 為 建 模 對 象 的 模 型，R2＝0.70，RMSE＝10.02%，rRMSE＝12.22%，RMSE僅較最低值高0.01 百分點，且涉及的植被指數(shù)更少，因此認為PLSR 模型最佳。 對比MLR 模型和PLSR 模型R2、RMSE和rRMSE可 知，PLSR 模 型 略 優(yōu) 于MLR 模型。

表4 不同可見光植被指數(shù)的棉花脫葉率多元線性模型（MLR）模型Table 4 Multivariate linear regression (MLR) model between different color indexes and cotton defoliation rates

表5 不同可見光植被指數(shù)的棉花脫葉率偏最小二乘法回歸（PLSR）模型Table 5 Partial least square regression (PLSR) models between different color indexes and cotton defoliation rates

2.4 模型檢驗

利用驗證集對各回歸模型進行外部驗證，結(jié)果見圖3～5 和表3～5。 其中：PLSR 模型的驗證模 型R2為0.93 ～0.94，RMSE分 別 為4.97% 、5.00%、5.01%、5.01%、5.02%，rRMSE分別為6.05%、6.10%、6.10%、6.11%、6.11%， 實測值和預測值間均呈現(xiàn)較好的擬合關系。對比SLR、MLR 和PLSR最優(yōu)監(jiān)測模型的擬合程度發(fā)現(xiàn)：MLR 模型和PLSR模型精度更高，且擬合線均在對角線（圖4 和圖5中黑實線）下方，預測值整體小于實際值，即在信息提取過程中存在背景信息剔除過度的問題。

表3 不同可見光植被指數(shù)的棉花脫葉率一元線性回歸（SLR）模型Table 3 Simple linear regression (SLR) models between different color indexes and cotton defoliation rates

3 討論

本研究通過設置不同品種、脫葉劑劑量及噴施時間處理，發(fā)現(xiàn)不同處理棉花脫葉率與對照相比存在顯著差異，但處理間差異較小。 通過無人機獲取RGB 圖像，從中提取可見光植被指數(shù)，考慮到大田條件復雜，容易對棉花圖像特征造成影響，分別對不同處理下的棉花脫葉率和可見光植被指數(shù)進行相關性分析，選擇與棉花脫葉率極顯著相關的植被指數(shù)，利用不同的建模方式建立棉花脫葉率監(jiān)測模型具有一定的合理性。

3.1 不同脫葉劑處理對機采棉脫葉率的影響

從棉花脫葉率角度看，隨著噴施脫葉劑時間的推遲，棉花脫葉率總體呈增加趨勢。高麗麗等[27]通過研究脫葉劑不同噴施時間下棉花葉片葉綠素熒光動力學參數(shù)的變化，發(fā)現(xiàn)延遲脫葉劑噴施有利于脫葉劑降低棉花葉片光合能力， 加快衰老，促進葉片脫落，棉鈴成熟，與本研究中的發(fā)現(xiàn)一致。 宋興虎等[28]分析不同用量脫葉劑對棉花脫葉率、吐絮率和產(chǎn)量的影響，發(fā)現(xiàn)不同用量對不同試驗點脫葉率造成的影響不一致，且大部分情況下差異不大，與本研究結(jié)果具有一致性。 但本研究未對表征機采棉脫葉效果的其他指標進行研究及監(jiān)測，在今后研究中將開展相關研究。

3.2 不同圖像特征的估算精度

本研究利用無人機獲取RGB 圖像， 以簡單的顏色分量構(gòu)建了14 種可見光植被指數(shù)， 建立棉花脫葉率監(jiān)測模型能取得較好的結(jié)果，這與前人從RGB 圖像提取其他與綠色葉片相關指標的結(jié)果相似[29-31]。 這是由于棉花脫葉率與棉花綠色葉片直接相關，而可見光植被指數(shù)能夠在一定程度上消除復雜背景信息， 提取出綠色葉片信息。本研究僅從無人機獲取的RGB 圖像中獲取了指數(shù)信息，而其中還有更多信息可以挖掘。 如：Che等[32]利用無人機獲取不同角度的RGB 圖像，通過點云信息建立3D 模型， 利用三維體素法提取葉面積信息，建立葉面積估算模型，其模型真實值與預測值的擬合R2達0.67；Lu 等[33]提出了基于HSV 顏色空間的色彩混合分析方法估算不同分辨率下的植被覆蓋度，結(jié)果表明該方法能夠準確估計不同分辨率的植被覆蓋度，其擬合模型平均 絕 對 誤 差 為0.02，RMSE為0.025，rRMSE為0.075。 Liang 等[11]基于RGB 圖像實現(xiàn)HSV、Lab顏色空間轉(zhuǎn)換， 提取葉片表面顏色和紋理特征，建立葉片含水量定量預測模型，發(fā)現(xiàn)較好的泛化性和魯棒性。 楊俊等[34]利用無人機數(shù)碼影像提取8 個顏色指數(shù)和4 個紋理特征， 發(fā)現(xiàn)將紋理特征與顏色特征相融合可提高對小麥生物量和產(chǎn)量的估測精度。 劉暢[35]通過將光譜信息和紋理特征結(jié)合優(yōu)化光譜指標，發(fā)現(xiàn)構(gòu)建的小麥生物量模型擬合效果較好， 模型精度明顯高于單一植被指數(shù)。RGB 圖像與多光譜以及高光譜影像相比信息量更少， 且本研究中對RGB 圖像信息的挖掘有限；因此，為提高脫葉率監(jiān)測模型的精度，在今后的研究與應用過程中，要從圖像中挖掘多元信息并融合應用。

3.3 不同建模方法的估算精度

本研究基于RGB 圖像提取可見光植被指數(shù)， 分別用SLR、MLR 和PLSR 方法建立棉花脫葉率估測模型。其中基于多變量的MLR 和PLSR模型效果較好， 這與這2 種方法在作物產(chǎn)量預測[36]、作物生長參數(shù)估算[37]、小麥水分含量估測[38]、作物生長狀態(tài)監(jiān)測[39]中的研究結(jié)果相似。 本研究僅利用RGB 顏色空間下的DN 值進行計算，由于信息量少等問題， 指數(shù)間存在較好的相關性，即基于多變量的模型可能存在共線性的問題，這可能是所構(gòu)建的模型R2僅為0.6～0.7 的原因。田明璐等[40]在利用不同植被指數(shù)建立棉花葉面積估算模型時提出了在PLSR 方法的基礎上利用連續(xù)投影算法進行波段優(yōu)選，結(jié)果表明通過波段優(yōu)選后建立的PLSR 模型比直接用PLSR 方法建立的模型效果更好，R2為0.86，RMSE為0.13。李梅等[41]采用連續(xù)投影算法提取特征波長，建立馬鈴薯晚疫病下的葉綠素含量估算模型，R2可達0.89。 因此， 在今后優(yōu)化脫葉率監(jiān)測模型的過程中，考慮采用不同篩選方法篩選最優(yōu)特征作為建模對象，以提高模型精度。

4 結(jié)論

以無人機獲取數(shù)碼圖像，計算可見光植被指數(shù)， 分析14 個可見光植被指數(shù)與棉花脫葉率的相關性， 擇優(yōu)分別用SLR、MLR 和PLSR 建立監(jiān)測模型。 得到以下結(jié)論：（1）隨著脫葉劑噴施時間的推遲，棉花葉片對脫葉劑的敏感性增強；隨著脫葉劑劑量的增加， 脫葉率會在一定程度上提高，但到一定程度后會出現(xiàn)飽和現(xiàn)象。 （2）不同脫葉劑處理下的棉花脫葉率與可見光植被指數(shù)都具有較好的相關性，可見光植被指數(shù)能夠反映棉花脫葉情況。 （3）以MLR 和PLSR 方法建立的模型精度較高，且擬合程度較好。 從計算量及復雜程度角度考慮， 通過MLR 方法， 以ExB、GLI、TGI、ExG 為建模對象建立的模型，能夠更好地反演棉花脫葉率。當變量較多時，使用PLSR 構(gòu)建模型，能夠通過計算各成分貢獻率，判斷模型最佳成分數(shù)，提高多變量模型的精度。