變異系數(shù)法結(jié)合優(yōu)化神經(jīng)網(wǎng)絡(luò)的無人機(jī)冬小麥長勢監(jiān)測

徐云飛，程琦，魏祥平，楊 斌，夏沙沙，芮婷婷，張世文

·農(nóng)業(yè)航空工程·

變異系數(shù)法結(jié)合優(yōu)化神經(jīng)網(wǎng)絡(luò)的無人機(jī)冬小麥長勢監(jiān)測

徐云飛1，程琦1，魏祥平2，楊 斌1，夏沙沙3，芮婷婷1，張世文3※

（1. 安徽理工大學(xué)空間信息與測繪工程學(xué)院，淮南 232001；2. 淮北礦業(yè)（集團(tuán)）有限公司，淮北 235001；3. 安徽理工大學(xué)地球與環(huán)境學(xué)院，淮南 232001）

高效、快速、準(zhǔn)確獲取冬小麥長勢信息在農(nóng)業(yè)發(fā)展和經(jīng)營決策中具有重要作用。該研究以冬小麥為對(duì)象，開展無人機(jī)冬小麥長勢監(jiān)測，獲取冬小麥生物量、株高、葉綠素含量和植株含水率數(shù)據(jù)，基于變異系數(shù)法（Coefficient of Variation Method，CV）構(gòu)建綜合長勢監(jiān)測指標(biāo)（Comprehensive Growth Monitoring Indicators，CGMICV），通過16種植被指數(shù)與CGMICV進(jìn)行相關(guān)性分析，計(jì)算植被指數(shù)間的方差膨脹因子，篩選最優(yōu)植被指數(shù)作為模型輸入變量，采用偏最小二乘（Partial Least Squares Regression，PLSR）、隨機(jī)森林（Random Forest，RF）、反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Networks，BPNN）及遺傳算法（Genetic Algorithm，GA）優(yōu)化的BPNN模型建立冬小麥長勢反演模型，結(jié)合評(píng)價(jià)指標(biāo)獲得冬小麥最優(yōu)長勢反演模型，最終得到研究區(qū)冬小麥長勢空間分布信息。研究結(jié)果表明：以變異系數(shù)法得到的冬小麥CGMICV相關(guān)性比單一指標(biāo)的相關(guān)性有不同程度的提高；利用變異系數(shù)法結(jié)合BPNN得到的冬小麥長勢最佳反演模型CGMICV-BPNN，其決定系數(shù)2可達(dá)0.71，模型精度較傳統(tǒng)賦權(quán)法構(gòu)建的CGMImean-BPNN模型提高了26.79%；采用GA優(yōu)化后的BPNN模型的不穩(wěn)定顯著下降，其平均相對(duì)誤差中位數(shù)下降了22.22%，決定系數(shù)2也有所提高；研究區(qū)內(nèi)半數(shù)以上的冬小麥長勢集中于第Ⅲ等級(jí)，其所占比例為55.83%，其次集中于第Ⅰ等級(jí)，其所占比例為36.08%，研究區(qū)冬小麥整體長勢較為穩(wěn)定。研究結(jié)果可為冬小麥長勢監(jiān)測及區(qū)域作物生產(chǎn)監(jiān)測提供重要參考。

無人機(jī)；農(nóng)作物；遙感；變異系數(shù)法；綜合長勢監(jiān)測指標(biāo)；反向傳播神經(jīng)網(wǎng)絡(luò)

0 引 言

作物長勢即作物生長過程的狀況與趨勢，是農(nóng)業(yè)遙感的重要研究內(nèi)容之一。實(shí)時(shí)獲取作物生長參數(shù)可供農(nóng)戶及時(shí)了解作物生長狀況，制定相應(yīng)施肥施藥計(jì)劃，從而保證作物健康生長[1]。常用的作物長勢監(jiān)測方法有人工觀察法、機(jī)器視覺與數(shù)字圖像處理法、遙感監(jiān)測法等[2-3]。人工觀察法是由觀察者通過觀察作物的幾何尺寸、形狀、顏色等外觀特征，進(jìn)而判別作物生長的情況（如缺水、缺肥、病蟲害等），此法簡單易行，可對(duì)密集植物內(nèi)部及不同高度部位進(jìn)行全面觀察，但耗費(fèi)大量人力，效率低下，需要觀察者有豐富的經(jīng)驗(yàn)和農(nóng)作物知識(shí)，且一般只能給出定性的結(jié)論，觀察結(jié)果的主觀性強(qiáng)，不適于大面積監(jiān)測[3]；機(jī)器視覺技術(shù)以計(jì)算機(jī)視覺技術(shù)和機(jī)器學(xué)習(xí)方法為手段，通過采集研究區(qū)作物數(shù)字圖像，為用戶提供可理解的信息，常應(yīng)用于雜草檢測、作物生長狀況監(jiān)測等方面的研究，配合地面機(jī)器人還可應(yīng)用于作物管理等方面，適宜于中小面積地面監(jiān)測[4]；遙感監(jiān)測法利用陸地衛(wèi)星遙感數(shù)據(jù)、高分辨率氣象遙感數(shù)據(jù)、高光譜衛(wèi)星遙感和雷達(dá)遙感監(jiān)測作物長勢，可實(shí)現(xiàn)對(duì)農(nóng)作物的大面積監(jiān)測，但衛(wèi)星過境時(shí)間不確定，受云霧影響大，在一定程度上影響了其在田塊尺度中的應(yīng)用價(jià)值[5]。

近年來，無人機(jī)憑借其快速、高效、精準(zhǔn)的特點(diǎn)，在田間作物監(jiān)測、作物分塊管理等方面取得了很好的效果[6]。國內(nèi)外諸多專家學(xué)者以無人機(jī)為手段，以不同農(nóng)作物為對(duì)象開展了一系列監(jiān)測研究，并取得了諸多成果。Wan等[7]利用無人機(jī)影像提取植被指數(shù)、冠層高度和冠層覆蓋度，建立了精度較好的糧食產(chǎn)量預(yù)測模型。Yue等[8]利用無人機(jī)特定波段、光譜指數(shù)和作物高度分別構(gòu)建了單參數(shù)地上生物量（Above Ground Biomass，AGB）估算模型，發(fā)現(xiàn)將作物高度納入模型后可提高AGB估算的精度。Zhang等[9]將地面實(shí)測數(shù)據(jù)和無人機(jī)影像構(gòu)建的SPAD（Soil and Plant Analysis Development，SPAD）反演模型與衛(wèi)星圖像結(jié)合，得到了多尺度下SPAD值的反演結(jié)果，提出的衛(wèi)星-UAV-地面綜合反演方法對(duì)多尺度采集SPAD值具有重要意義。周敏姑等[10]通過研究多光譜波段與小麥拔節(jié)期、孕穗期、抽穗期、開花期的相關(guān)關(guān)系，分別運(yùn)用主成分回歸、逐步回歸和嶺回歸法構(gòu)建了小麥SPAD反演模型，發(fā)現(xiàn)逐步回歸構(gòu)建的模型結(jié)果最優(yōu)。張瑜等[11]分析不同水分脅迫條件下無人機(jī)遙感與地面?zhèn)鞲衅鲄f(xié)同估算玉米作物系數(shù)與各指數(shù)的相關(guān)性，利用逐步回歸分析方法建立了作物系數(shù)的估算模型，實(shí)現(xiàn)了利用無人機(jī)多平臺(tái)估算作物系數(shù)。

目前有關(guān)小麥長勢監(jiān)測的研究，多數(shù)以葉綠素含量、植株含水率、株高和生物量等單一指標(biāo)反映冬小麥長勢，鮮有研究從多個(gè)指標(biāo)的描述性統(tǒng)計(jì)量角度出發(fā)，將這些指標(biāo)進(jìn)行組合，實(shí)現(xiàn)冬小麥長勢監(jiān)測。因此本文嘗試將冬小麥葉綠素含量、植株含水率、株高和生物量以變異系數(shù)法（Coefficient of Variation，CV）賦予各指標(biāo)權(quán)重，構(gòu)建長勢監(jiān)測指標(biāo)，即綜合長勢監(jiān)測指標(biāo)（Comprehensive Growth Monitoring Indicator，CGMICV）。結(jié)合無人機(jī)獲取的多光譜影像數(shù)據(jù)，通過方差膨脹因子篩選模型輸入變量，利用偏最小二乘（Partial Least Squares Regression，PLSR）、隨機(jī)森林（Random Forest，RF）、反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Networks，BPNN）及遺傳算法（Genetic Algorithm，GA）優(yōu)化的BPNN模型分別建立冬小麥的變異系數(shù)法長勢模型和傳統(tǒng)賦權(quán)法長勢監(jiān)測模型，利用模型評(píng)價(jià)指標(biāo)選出最優(yōu)模型，最終將最優(yōu)模型應(yīng)用于整個(gè)研究區(qū)，實(shí)現(xiàn)研究區(qū)內(nèi)冬小麥長勢監(jiān)測。以期為冬小麥長勢監(jiān)測、區(qū)域作物生產(chǎn)監(jiān)測及作物管理分區(qū)劃分提供重要參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于安徽省淮北市杜集區(qū)，地處中緯度地區(qū)，地理坐標(biāo)為33°58′10″～33°58′35″N，116°51′30″～116°52′05″E。研究區(qū)面積為83.37 hm2，研究區(qū)內(nèi)地勢平坦，道路縱橫交錯(cuò)，種植方式以小麥與玉米輪作為主，其中冬小麥一般在當(dāng)年9月種植，次年5—6月收獲，耕種方式使用旋耕機(jī)，耕地深度小于20 cm，作物供水方式為雨養(yǎng)。研究區(qū)地理位置與采樣點(diǎn)布設(shè)如圖 1所示。

1.2 數(shù)據(jù)獲取與預(yù)處理

1.2.1 無人機(jī)數(shù)據(jù)獲取與預(yù)處理

無人機(jī)平臺(tái)采用大疆Phantom 4 多光譜版植保無人機(jī)搭載一體式多光譜成像系統(tǒng)，集成1個(gè)可見光傳感器和5個(gè)多光譜傳感器。獲取影像時(shí)應(yīng)選擇天氣晴朗少云無風(fēng)，且光輻射強(qiáng)度穩(wěn)定的情況下進(jìn)行，本次研究影像于2021年1月7日和8日采集，此時(shí)冬小麥處于越冬期，麥苗基本停止生長。

無人機(jī)參數(shù)設(shè)置應(yīng)綜合考慮研究目的、測區(qū)情況及無人機(jī)自身性能。航向重疊度與旁向重疊度越高，影像拼接效果越好，但高度重疊會(huì)造成影像數(shù)據(jù)量大、拼接費(fèi)時(shí)、電腦硬件要求高等問題?？紤]到所用無人機(jī)電池飛行時(shí)間有限而測區(qū)面積較大，本研究設(shè)計(jì)航向重疊70%，旁向重疊60%，無人機(jī)飛行高度為100 m。由于飛行速度過快易造成地物影像模糊，故經(jīng)多次嘗試，本研究設(shè)定無人機(jī)航速為5.1 m/s，傳感器鏡頭垂直向下，拼接影像能夠涵蓋整個(gè)測區(qū)。研究區(qū)為大面積冬小麥種植區(qū)，區(qū)內(nèi)典型地物相對(duì)較少，為方便后期影像幾何校正處理，于測區(qū)內(nèi)均勻布設(shè)10個(gè)航測標(biāo)志點(diǎn)，作為典型參考點(diǎn)。航拍前均在地面放置一塊校準(zhǔn)反射面板，每個(gè)架次起飛前，手動(dòng)控制飛機(jī)懸停于校正板上方2.5 m處拍照，獲得當(dāng)時(shí)條件下標(biāo)準(zhǔn)反射率值。

無人機(jī)影像獲取后，采用Pix4D Mapper軟件進(jìn)行拼接，在影像處理過程中利用飛行前獲得的校準(zhǔn)反射面板數(shù)據(jù)校正所有航拍影像。使用ENVI 5.3軟件，以研究區(qū)數(shù)碼正射影像為參考影像，全區(qū)均勻選取30個(gè)參考點(diǎn)（包括10個(gè)航測標(biāo)志點(diǎn)）對(duì)多光譜影像進(jìn)行幾何校正，檢驗(yàn)圖像幾何糾正誤差小于0.5個(gè)像元[12]。根據(jù)地面實(shí)測數(shù)據(jù)點(diǎn)在影像上的位置，構(gòu)建樣本點(diǎn)的感興趣區(qū)域（Region of Interest，ROI），以ROI范圍內(nèi)平均反射率光譜值作為該點(diǎn)的冬小麥反射率光譜，以此得到各樣點(diǎn)反射率光譜數(shù)據(jù)。

1.2.2 田間數(shù)據(jù)獲取

1）葉片葉綠素含量測定

研究表明便攜式葉綠素儀是葉片葉綠素?zé)o損測量的有效工具，而葉綠素含量與便攜式葉綠素儀測定的SPAD值具有良好的相關(guān)性[13]。因此，本研究使用SPAD-502便攜式葉綠素儀進(jìn)行葉片葉綠素含量測定，每個(gè)點(diǎn)選取1 m×1 m范圍，為較為準(zhǔn)確地獲得1個(gè)樣方內(nèi)冬小麥的SPAD值，按5點(diǎn)采樣法從每個(gè)樣本區(qū)隨機(jī)選擇15株小麥植株，選取每株小麥的代表性葉片，對(duì)每片葉子的葉尖、葉中、葉基3個(gè)部位進(jìn)行2次測量，將一個(gè)樣方內(nèi)所有SPAD值取平均作為一個(gè)樣點(diǎn)的相對(duì)葉綠素含量。

2）生物量數(shù)據(jù)獲取

生物量數(shù)據(jù)采集利用5點(diǎn)采樣法在1 m×1 m范圍內(nèi)隨機(jī)取30株，將植株樣本莖葉分離后，放入烘箱內(nèi)殺青30 min，溫度設(shè)置為105 ℃。然后將所有植株樣品在80 ℃烘干48 h以上，直至質(zhì)量恒定再稱干質(zhì)量，然后除以對(duì)應(yīng)的采樣面即為生物量[14]。

3）植株株高測量

選取每個(gè)樣方內(nèi)具有代表性的高、中、低3種高度的小麥，用直尺測量冬小麥自然生長的最高葉葉尖到莖基的距離，最后將獲得的所有數(shù)據(jù)取均值作為此樣方內(nèi)冬小麥實(shí)測高度。

4）植株含水率計(jì)算

將莖、葉分離的冬小麥樣本分別測其鮮質(zhì)量與干質(zhì)量，從而計(jì)算植株含水率[15]。其計(jì)算公式為

1.3 研究方法

1.3.1 植被指數(shù)選取

作物因其內(nèi)在生化參數(shù)存在差異而表現(xiàn)出不同的光譜反射率[16-18]。將不同特征波段范圍內(nèi)的光譜反射率通過線性或非線性的組合構(gòu)成植被指數(shù)，可用來診斷植被生長狀態(tài)以及反演各種植被參數(shù)。在紅波段、紅邊波段及近紅外波段農(nóng)作物的光譜反射信息與其長勢密切相關(guān)[19]。因此本研究選取具有紅波段、綠波段、紅邊波段及近紅外波段的16種植被指數(shù)（表1）參與模型構(gòu)建。

表1 用于CGMI監(jiān)測模型構(gòu)建的待篩選多光譜植被指數(shù)

注：green、red、reg、nir分別為綠、紅、紅邊和近紅外波段反射率值。

Note:green,red,reg,nirare reflectance values in green, red, red edge and near infrared bands.

1.3.2 長勢指標(biāo)構(gòu)建

作物生長情況評(píng)價(jià)應(yīng)綜合考慮其形態(tài)、生理生化特征、受脅迫與產(chǎn)量等4方面的特征[33]。為了較為準(zhǔn)確地獲取研究區(qū)冬小麥的長勢情況，考慮選取葉綠素、生物量、株高、植株含水率這4種植被長勢指標(biāo)組合構(gòu)建綜合長勢監(jiān)測指標(biāo)，獲取研究區(qū)冬小麥長勢信息。

綜合長勢監(jiān)測指標(biāo)構(gòu)建的關(guān)鍵問題在于權(quán)重的確定，傳統(tǒng)賦權(quán)法未考慮冬小麥不同長勢指標(biāo)對(duì)綜合長勢監(jiān)測指標(biāo)的貢獻(xiàn)率，簡單將每個(gè)指標(biāo)按均等權(quán)重構(gòu)建成一個(gè)綜合指標(biāo)[34]，考慮到冬小麥的葉綠素、生物量、株高和植株含水率在綜合長勢監(jiān)測指標(biāo)中重要程度不同，各指標(biāo)量綱不統(tǒng)一等，使用變異系數(shù)法確定4個(gè)指標(biāo)的權(quán)重，進(jìn)而構(gòu)建綜合長勢監(jiān)測指標(biāo)。變異系數(shù)法利用各評(píng)價(jià)指標(biāo)數(shù)值的變異程度來確定評(píng)價(jià)指標(biāo)的權(quán)重，其確權(quán)結(jié)果不受量綱影響。在評(píng)價(jià)指標(biāo)體系中，如果某項(xiàng)指標(biāo)的數(shù)值能明確區(qū)分各個(gè)被評(píng)價(jià)對(duì)象差異，說明該指標(biāo)在這項(xiàng)評(píng)價(jià)上的分辨信息豐富，賦予該指標(biāo)以較大的權(quán)數(shù)；反之，賦予該評(píng)價(jià)指標(biāo)以較小的權(quán)數(shù)[35]。變異系數(shù)法確定權(quán)重的計(jì)算公式如下：

利用田間實(shí)測數(shù)據(jù)結(jié)合變異系數(shù)法基本原理，構(gòu)建冬小麥綜合長勢監(jiān)測指標(biāo)。具體方法是首先利用田間實(shí)測數(shù)據(jù)由式（2）、式（3）分別計(jì)算出葉綠素、生物量、株高、植株含水率這4個(gè)指標(biāo)的權(quán)重；然后將單獨(dú)指標(biāo)進(jìn)行歸一化，計(jì)算公式為式（4），每個(gè)樣本點(diǎn)根據(jù)實(shí)測數(shù)據(jù)和權(quán)重形成一個(gè)CGMICV，共得到59個(gè)CGMICV值。

式中U為歸一化后的第類指標(biāo)，X代表原始的第類指標(biāo)，原始指標(biāo)類別：葉綠素、株高、生物量、植株含水率，max(i)為原始類指標(biāo)中的最大值。

1.3.3 建模方法確定

回歸分析是建立冬小麥長勢模型最常見的方法，該研究選取PLSR、RF和BPNN及遺傳算法優(yōu)化的BPNN模型進(jìn)行冬小麥長勢模型的建立。PLSR在回歸建模過程中采用了數(shù)據(jù)降維、信息綜合與篩選技術(shù)，可以將多個(gè)自變量減少到較少的幾個(gè)不相關(guān)的潛變量[36]；RF通過有放回地抽樣從原始數(shù)據(jù)集中構(gòu)建多個(gè)子數(shù)據(jù)集，可挖掘變量之間的復(fù)雜非線性關(guān)系[37]；而BPNN是一種運(yùn)用誤差反向傳播方式修正權(quán)值、閾值，具有高度自學(xué)習(xí)和自適應(yīng)的能力[38]；GA是一種高效、并行、全局搜索的方法，能在搜索過程中自動(dòng)獲取和積累有關(guān)搜索空間的知識(shí)，并自適應(yīng)地控制搜索過程以求得最佳解[39]。

1.3.4 模型評(píng)價(jià)方法、

為評(píng)價(jià)建立的模型精度，采用決定系數(shù)（Coefficient of Determination，2）、均方根誤差（Root Mean Square Error，RMSE）、平均絕對(duì)誤差（Mean Absolute Error，MAE）進(jìn)行驗(yàn)證，其中2值越趨近于1，證明模型預(yù)測值與實(shí)測值越接近；而RMSE和MAE值越小，說明模型精度越高[15,34]。為評(píng)價(jià)建立的BPNN模型的穩(wěn)定性，選用平均相對(duì)誤差（Average Relative Error，ARE）分析其預(yù)測結(jié)果的可靠性。

2 結(jié)果與分析

2.1 綜合長勢監(jiān)測指標(biāo)構(gòu)建與相關(guān)性分析

2.1.1 綜合長勢監(jiān)測指標(biāo)構(gòu)建

傳統(tǒng)賦權(quán)法的權(quán)重直接根據(jù)所選指標(biāo)的數(shù)量平均賦權(quán)[15]。本研究確定傳統(tǒng)賦權(quán)法的權(quán)重為0.25，將傳統(tǒng)賦權(quán)法構(gòu)建的綜合長勢指標(biāo)記為CGMImean，將變異系數(shù)法構(gòu)建的長勢指標(biāo)記為CGMICV。由式（6）可知，生物量指標(biāo)所占比重最大，其次為株高，而植株含水率所占比重最小。

CGMICV=0.1661+0.2462+0.4893+0.0994（6）

式中1為歸一化后的SPAD值，2為歸一化后的株高，3為歸一化后的生物量，4為歸一化后的植株含水率。

2.1.2 植被指數(shù)與綜合長勢指標(biāo)相關(guān)性分析

為分析構(gòu)建的綜合長勢監(jiān)測指標(biāo)CGMI與所選植被指數(shù)間的關(guān)系，選用皮爾森相關(guān)系數(shù)分別將單一指標(biāo)SPAD值、生物量、株高、植株含水率及綜合長勢監(jiān)測指標(biāo)CGMI與16種植被指數(shù)進(jìn)行相關(guān)性檢驗(yàn)（表2）。

由表2可知：CIgreen、GNDVI、MTCI和RVI1這4種植被指數(shù)與CGMI未通過顯著性檢驗(yàn)，而其余植被指數(shù)均與CGMI呈極顯著相關(guān)。相較于單一長勢指標(biāo)，CGMI與通過了顯著性檢驗(yàn)的植被指數(shù)其相關(guān)性明顯提高，其中SPAD的相關(guān)性提高最為明顯，其次為株高的相關(guān)性。生物量、植株含水率與各植被指數(shù)的相關(guān)性有不同程度的提高，其中CGMICV與NDGI的相關(guān)性比植株含水率與NDGI的相關(guān)性提高了43.56%，提高最多，其次為CGMICV與TVI的相關(guān)性，提高了37.12%。說明CGMICV因包含更多的信息，而使得所選植被指數(shù)能更好地響應(yīng)CGMICV。

表2 冬小麥各項(xiàng)指標(biāo)與植被指數(shù)的相關(guān)性分析

注：*表示在0.05水平上顯著相關(guān)，**表示在0.01水平上顯著相關(guān)。CGMImean、CGMICV分別為基于等權(quán)法和變異系數(shù)法構(gòu)建的綜合長勢監(jiān)測指標(biāo)。

Note: * represents significant at 0.05 level, ** represents significant at 0.01 level. CGMImean, CGMICVare comprehensive growth monitoring indicators based on equally weighted method and coefficient of variation method.

2.1.3 模型變量篩選

植被指數(shù)是由單一波段進(jìn)行線性或非線性運(yùn)算得到的，若忽略它們之間的多重共線性則會(huì)使得構(gòu)建的回歸方程不穩(wěn)定[40]。為獲得穩(wěn)定性強(qiáng)且具有實(shí)際意義的回歸模型，選取方差膨脹因子（Variance Inflation Factor，VIF）分析模型輸入變量間的多重共線性，根據(jù)選定植被指數(shù)的顯著性原則，并設(shè)定VIF<10，將通過了顯著性檢驗(yàn)的植被指數(shù)分別計(jì)算它們之間的方差膨脹因子（表3）。根據(jù)VIF計(jì)算結(jié)果，同時(shí)考慮到模型的簡潔性，選取DVI、MSR、MVI、NDGI、NLI和TVI這6種植被指數(shù)作為模型的最終輸入變量。

表3 呈極顯著相關(guān)的植被指數(shù)間的方差膨脹因子

注： 代表無值。

Note: represents no value.

2.2 反演模型建立

在實(shí)際研究過程中，由于儀器本身存在誤差及研究區(qū)環(huán)境存在復(fù)雜變化等諸多偶然因素影響，可能會(huì)導(dǎo)致獲取的數(shù)據(jù)中存在異常數(shù)據(jù)，因此在實(shí)際建模前先進(jìn)行殘差分析[41]，最終剔除3個(gè)異常樣本點(diǎn)。利用IBM SPSS Statistics 21軟件對(duì)剔除殘差后的56個(gè)實(shí)測值構(gòu)建的CGMI樣本點(diǎn)值進(jìn)行隨機(jī)抽樣，選取44個(gè)樣本作為訓(xùn)練集，12個(gè)樣本作為測試集，基于6個(gè)模型入選變量，分別采用PLSR、RF及BPNN對(duì)CGMICV和CGMImean預(yù)測，在訓(xùn)練過程中對(duì)BPNN的最大訓(xùn)練迭代次數(shù)進(jìn)行了限制，以避免“過擬合”現(xiàn)象[42]。

在建立模型過程中發(fā)現(xiàn)，以相同訓(xùn)練集和測試集構(gòu)建冬小麥長勢監(jiān)測模型時(shí)，PLSR和RF算法構(gòu)建的模型結(jié)果穩(wěn)定性高，而BPNN模型結(jié)果穩(wěn)定性不高。為直觀分析BPNN模型的不穩(wěn)定性，選取相同的訓(xùn)練集和測試集對(duì)建立的BPNN模型進(jìn)行100次運(yùn)行測試，并統(tǒng)計(jì)100次下預(yù)測結(jié)果的平均相對(duì)誤差值（圖2）。由圖2可以看出，對(duì)于相同的訓(xùn)練集和測試集， CGMImean的平均相對(duì)誤差波動(dòng)范圍較大，均值為47.91%，中位數(shù)為46.88%；而CGMICV的平均相對(duì)誤差的波動(dòng)范圍相比于前者有一定的縮小，均值為34.44%，中位數(shù)為25.32%，表明CGMICV與BPNN模型結(jié)合可以獲得更好的結(jié)果。

為對(duì)比不同模型構(gòu)建方法間的精度，利用PLSR、RF和BPNN模型構(gòu)建方法，結(jié)合不同賦權(quán)法構(gòu)建冬小麥長勢預(yù)測模型，各模型精度及預(yù)測效果如圖3所示。由圖可知，利用冬小麥CGMImean-PLSR、CGMImean-RF和CGMImean-BPNN建立的模型，其決定系數(shù)2介于0.53～0.58，而冬小麥CGMICV-PLSR、CGMICV-RF和CGMICV-BPNN建立的模型，其決定系數(shù)2介于0.56～0.71，其中，構(gòu)建的CGMICV-BPNN模型決定系數(shù)2較CGMImean-BPNN 模型提高了26.79%，RMSE 降低了14.29%，MAE 降低了18.18%。

圖2 相同測試數(shù)據(jù)集下BPNN的預(yù)測結(jié)果

a. CGMImean-PLSRb. CGMImean-RFc. CGMImean-BPNN

變異系數(shù)法構(gòu)建的冬小麥長勢監(jiān)測模型中，決定系數(shù)2最高的為CGMICV-BPNN方法，其2較CGMICV-PLSR和CGMICV-RF分別提高了26.79%和22.41%，而RMSE和MAE均有所降低，其中RMSE均降低29.41%，MAE降低了30.77%和40.00%，運(yùn)用變異系數(shù)法構(gòu)建的反向傳播神經(jīng)網(wǎng)絡(luò)模型CGMICV-BPNN較CGMICV-PLSR和CGMICV-RF方法其模型精度更高。

2.3 反向傳播神經(jīng)網(wǎng)絡(luò)優(yōu)化

BPNN與變異系數(shù)法結(jié)合構(gòu)建的冬小麥長勢反演模型CGMICV-BPNN預(yù)測精度高、建模效果較好，但對(duì)于同一測試樣本CGMICV-BPNN每次訓(xùn)練結(jié)果不一致，因此考慮以遺傳算法優(yōu)化構(gòu)建的CGMICV-BPNN模型。遺傳算法優(yōu)化CGMICV-BPNN是利用遺傳算法優(yōu)化CGMICV-BPNN的初始權(quán)值和閾值，而對(duì)于CGMICV-BPNN模型其余參數(shù)設(shè)置部分保持不變，其優(yōu)化參數(shù)主要包括種群規(guī)模數(shù)、進(jìn)化次數(shù)、交叉概率和變異概率。本研究設(shè)置優(yōu)化CGMICV-BPNN預(yù)測模型中的種群規(guī)模為30、進(jìn)化次數(shù)為50、交叉概率為0.4、變異概率為0.2，遺傳算法優(yōu)化后的CGMICV-BPNN與CGMICV-BPNN預(yù)測結(jié)果見圖4。由圖可知，CGMICV-GA-BPNN模型的平均相對(duì)誤差的均值為25.36%，中位數(shù)為25.32%，與CGMICV-BPNN模型相比，GA優(yōu)化后使得平均相對(duì)誤差范圍趨于聚集狀態(tài)且其最大值下降了25.79%，平均相對(duì)誤差的均值下降了26.38%，中位數(shù)下降了22.22%。因此，針對(duì)于BPNN不穩(wěn)定現(xiàn)象，采用遺傳算法優(yōu)化后的BPNN模型穩(wěn)定性得到了顯著提高。

利用BPNN和GA-BPNN模型分別構(gòu)建CGMICV反演模型，驗(yàn)證樣本的擬合效果見圖5。由圖5a及圖3f可知，利用遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)其決定系數(shù)2從原始的0.71提高到0.80，提高了12.68%；而均方根誤差RMSE和平均絕對(duì)誤差MAE較傳統(tǒng)反向傳播神經(jīng)網(wǎng)絡(luò)分別下降了16.67%和11.11%；由圖5b可知運(yùn)用遺傳算法優(yōu)化CGMICV-BPNN后，絕大部分點(diǎn)呈現(xiàn)向1∶1線靠攏的趨勢，而CGMICV-BPNN中距離1∶1線最遠(yuǎn)的點(diǎn)經(jīng)過優(yōu)化算法后其預(yù)測值與實(shí)測值更接近。說明利用遺傳算法可提高CGMICV-BPNN模型的預(yù)測精度，此算法可應(yīng)用于研究區(qū)冬小麥綜合長勢監(jiān)測模型的建立。

2.4 最佳反演模型應(yīng)用

利用上述訓(xùn)練好的CGMICV-GA-BPNN模型，結(jié)合研究區(qū)冬小麥種植范圍，對(duì)整個(gè)研究區(qū)內(nèi)的冬小麥進(jìn)行反演并作圖，同時(shí)去除區(qū)內(nèi)道路，最終獲得全區(qū)冬小麥長勢監(jiān)測圖（圖6）。利用自然間斷法對(duì)分類間隔加以識(shí)別，并結(jié)合本次研究數(shù)據(jù)值，在差異較大的位置處設(shè)置邊界，最終確定將全區(qū)冬小麥長勢分為5個(gè)等級(jí)，其中，長勢越好的小麥區(qū)域其影像顏色越深。由圖6可知，研究區(qū)內(nèi)冬小麥長勢分布不一，中部及南部冬小麥長勢一般，東部小麥長勢較好，而北部冬小麥長勢介于兩者之間。由表4統(tǒng)計(jì)結(jié)果可知，整個(gè)研究區(qū)內(nèi)冬小麥長勢主要集中于Ⅲ等范圍，其占比為55.83%，其次集中于Ⅰ等范圍，其占比為36.08%，全區(qū)冬小麥長勢中等且穩(wěn)定；而由樣本的描述性統(tǒng)計(jì)結(jié)果和CGMICV空間預(yù)測的描述性統(tǒng)計(jì)結(jié)果可知CGMICV-GA-BPNN模型對(duì)全區(qū)預(yù)測結(jié)果與實(shí)測樣本點(diǎn)結(jié)果較為一致?；贑GMICV構(gòu)建的優(yōu)化BPNN模型能夠整合冬小麥多個(gè)生長相關(guān)因子所反映的信息，較好地量化了區(qū)域冬小麥生長狀況的監(jiān)測結(jié)果。

a. CGMICV-GA-BPNN 模型

a. CGMICV-GA-BPNN model

b. CGMICV-BPNN與CGMICV-GA-BPNN精度對(duì)比

b. Accuracy comparison between CGMICV-BPNN model and CGMICV-GA-BPNN model

圖5 遺傳算法優(yōu)化后的反向傳播神經(jīng)網(wǎng)絡(luò)結(jié)果

Fig.5 Result of back propagation neural networks optimized by genetic algorithm

表4 基于CGMICV-GA-BPNN模型反演的研究區(qū)冬小麥綜合長勢監(jiān)測指標(biāo)值分等統(tǒng)計(jì)

Table 6 Grading statistics of winter wheat comprehensive growth monitoring index values based on CGMICV-GA-BPNN model inversion

3 討 論

研究從冬小麥綜合長勢監(jiān)測指標(biāo)構(gòu)建入手，將反映冬小麥形態(tài)指標(biāo)、生理生化指標(biāo)、脅迫指標(biāo)及產(chǎn)量指標(biāo)的葉綠素、生物量、株高、植株含水率通過變異系數(shù)法組合成冬小麥綜合長勢監(jiān)測指標(biāo)CGMICV，研究CGMICV在冬小麥長勢監(jiān)測方面的應(yīng)用潛力。研究發(fā)現(xiàn)，綜合長勢監(jiān)測指標(biāo)CGMICV與多光譜植被指數(shù)的相關(guān)性優(yōu)于單一長勢指標(biāo)與多光譜植被指數(shù)的相關(guān)性，這與Wang等[43]的研究結(jié)果一致。

通過對(duì)比分析3種回歸模型結(jié)果發(fā)現(xiàn)，以同樣訓(xùn)練集和測試集數(shù)據(jù)作為模型輸入變量時(shí)，傳統(tǒng)賦權(quán)法與3種回歸模型結(jié)合建立的冬小麥長勢模型精度最高的為CGMImean-PLSR模型，其2為0.58，RMSE為0.16，MAE為0.13；而變異系數(shù)法與3種回歸模型結(jié)合建立的冬小麥長勢模型精度最高的為CGMICV-BPNN模型，其2為0.71，RMSE為0.12，MAE為0.09，說明BPNN模型與變異系數(shù)法結(jié)合后模型預(yù)測能力有所增強(qiáng)。

CGMICV-BPNN較CGMICV-PLSR和CGMICV-RF具有較強(qiáng)的自學(xué)習(xí)能力，表現(xiàn)出了良好的非線性性能，但研究同時(shí)發(fā)現(xiàn)，當(dāng)使用同樣訓(xùn)練集和測試集進(jìn)行模型訓(xùn)練時(shí)，模型預(yù)測結(jié)果的穩(wěn)定性較差；通過對(duì)CGMICV-BPNN預(yù)測結(jié)果進(jìn)行模型精度分析后發(fā)現(xiàn)，CGMICV-BPNN模型預(yù)測結(jié)果存在極少數(shù)點(diǎn)偏離1∶1線較遠(yuǎn)，使得模型相對(duì)誤差較大，從而降低了模型的預(yù)測精度。究其原因?yàn)锽PNN模型由信號(hào)前向傳輸和誤差反向傳播2個(gè)過程組成，在信號(hào)前向傳播過程中每個(gè)初始權(quán)值為-1～1的隨機(jī)值，閾值為0～1的隨機(jī)值；而在誤差反向傳播的過程中，誤差信號(hào)由輸出層末端經(jīng)隱層傳播到輸入層，通過誤差反饋不斷調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值和閾值，從而減小實(shí)際輸出與期望輸出之間的誤差，進(jìn)而達(dá)到收斂狀態(tài)[44-45]。Wei等[46]的研究結(jié)果指出，在BPNN中權(quán)值和閾值對(duì)性能的提高至關(guān)重要，而由前述BPNN的學(xué)習(xí)過程可知，BPNN模型的初始權(quán)值、閾值為隨機(jī)值，因此該算法在訓(xùn)練過程中波動(dòng)性較大，容易陷入局部最優(yōu)。

將建立的CGMICV-BPNN模型在保持其余模型參數(shù)一致的情況下，以遺傳算法獲得的最優(yōu)權(quán)值閾值代替CGMICV-BPNN隨機(jī)分配的權(quán)值閾值后，模型平均相對(duì)誤差明顯下降，模型穩(wěn)定性顯著提高，同時(shí)以同組數(shù)據(jù)繪制散點(diǎn)圖后發(fā)現(xiàn)預(yù)測值與實(shí)測值在總體上更接近，模型精度提高12.68%，說明遺傳算法不僅可以提高CGMICV-BPNN的穩(wěn)定性，而且可以提高CGMICV-BPNN的預(yù)測精度。以上分析結(jié)果表明遺傳算法可以為CGMICV-BPNN模型的權(quán)值和閾值找到較好的起點(diǎn)，進(jìn)而在一定程度上降低CGMICV-BPNN模型的不穩(wěn)定性。盡管遺傳算法在優(yōu)化BPNN模型時(shí)取得較為可靠的精度，但是在研究的過程中還發(fā)現(xiàn)，選用GA優(yōu)化CGMICV-BPNN模型后仍存在一定的不穩(wěn)定性，這是由于遺傳算法在優(yōu)化CGMICV-BPNN模型的權(quán)值、閾值時(shí)需要先設(shè)定遺傳算法的交叉概率和變異概率值。而交叉概率和變異概率對(duì)GA本身的收斂性影響較大，即，交叉概率較大時(shí)，種群更容易產(chǎn)生新個(gè)體，但當(dāng)交叉概率變大時(shí)，優(yōu)良個(gè)體在種群中保留率也降低；而對(duì)變異概率來說，若其過大則本算法相當(dāng)于普通的隨機(jī)算法，失去了遺傳算法的意義[47]。而傳統(tǒng)遺傳算法的交叉概率和變異概率都是固定常數(shù)，這在一定程度上削弱了算法的搜索能力。因此未來的研究可考慮使用其他算法，如自適應(yīng)遺傳算法來適當(dāng)調(diào)整CGMICV-BPNN模型的交叉概率和變異概率的取值。

將建立的CGMICV-GA-BPNN模型應(yīng)用于研究區(qū)冬小麥種植區(qū)發(fā)現(xiàn)，空間分布上，區(qū)內(nèi)冬小麥在中部及南部長勢一般，東部長勢較好，而北部冬小麥長勢介于兩者之間，結(jié)合實(shí)地調(diào)查發(fā)現(xiàn)研究區(qū)冬小麥長勢與反演結(jié)果較為一致；從數(shù)理統(tǒng)計(jì)結(jié)果看，研究區(qū)冬小麥主要集中于兩個(gè)等級(jí)之內(nèi)，其中以等級(jí)Ⅲ居多，等級(jí)Ⅰ次之。

4 結(jié) 論

基于田間和實(shí)驗(yàn)室實(shí)測數(shù)據(jù)，利用變異系數(shù)法和傳統(tǒng)賦權(quán)法的基本原理構(gòu)建了研究區(qū)冬小麥綜合長勢監(jiān)測指標(biāo)，分析了CGMI與選定植被指數(shù)間的相關(guān)關(guān)系，同時(shí)將構(gòu)建的CGMICV、CGMImean及無人機(jī)多光譜數(shù)據(jù)與3種長勢分析模型和1種模型優(yōu)化方法結(jié)合，實(shí)現(xiàn)了對(duì)研究區(qū)冬小麥長勢的有效監(jiān)測。得到的具體結(jié)論如下：

1）將獲取的冬小麥SPAD值、株高、生物量和植株含水率數(shù)據(jù)結(jié)合不同賦權(quán)方法，經(jīng)相關(guān)性分析可知：構(gòu)建的綜合長勢監(jiān)測指標(biāo)CGMI較單一指標(biāo)而言其相關(guān)性有不同程度的提高，大部分呈現(xiàn)極顯著相關(guān)。

2）冬小麥的CGMImean-PLSR、CGMImean-RF和CGMImean-BPNN模型決定系數(shù)2分別為0.58、0.53和0.56；而結(jié)合變異系數(shù)法構(gòu)建的冬小麥長勢模型CGMICV-PLSR、CGMICV-RF和CGMICV-BPNN模型其決定系數(shù)2分別為0.56、0.58、0.71，構(gòu)建的CGMICV-BPNN模型可以更好描述研究區(qū)冬小麥長勢信息，其決定系數(shù)2較CGMImean-BPNN模型提高了26.79%，RMSE降低了14.28%, MAE 降低了18.18%。

3）將反映研究區(qū)冬小麥長勢的CGMICV-BPNN模型以遺傳算法改進(jìn)后，其模型穩(wěn)定性顯著提高，且2從0.71提高到0.80，提高了12.68%，而均方根誤差RMSE和平均絕對(duì)誤差MAE較CGMICV-BPNN分別下降16.67%和11.11%。利用變異系數(shù)法得到的綜合長勢監(jiān)測指標(biāo)CGMICV與遺傳算法優(yōu)化的BPNN結(jié)合可提高冬小麥長勢反映模型的預(yù)測精度。

4）基于最佳反演模型CGMICV-GA-BPNN對(duì)研究區(qū)冬小麥長勢分析結(jié)果表明：研究區(qū)內(nèi)55.83%以上的冬小麥長勢集中于第Ⅲ等級(jí)；其次集中于第Ⅰ等級(jí)，占整個(gè)研究區(qū)的36.08%，占比較少的為Ⅳ和Ⅴ等級(jí)的冬小麥，研究區(qū)內(nèi)越冬期冬小麥整體長勢穩(wěn)定且集中。

[1] Wang L J, Zhang G M, Wang Z Y, et al. Bibliometric analysis of remote sensing research trend in crop growth monitoring: A case study in china[J]. Remote Sensing, 2019, 11(7): 809.

[2] 劉建剛，趙春江，楊貴軍，等. 無人機(jī)遙感解析田間作物表型信息研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(24)：98-106.

Liu Jiangang, Zhao Chunjiang, Yang Guijun, et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 98-106. (in Chinese with English abstract)

[3] 劉繼承. 基于數(shù)字圖像處理技術(shù)的水稻長勢監(jiān)測研究[D]. 南京：南京農(nóng)業(yè)大學(xué)，2007.

Liu Jicheng. The Study on Rice Growth Monitoring Based on Image Processing[D]. Nanjing: Nanjing Agricultural University, 2007. (in Chinese with English abstract)

[4] Zhao W, Yamada W, Li T X, et al. Augmenting crop detection for precision agriculture with deep visual transfer learning-a case study of bale detection[J]. Remote Sensing, 2021, 13(1): 23.

[5] Gao F, Anderson M, Daughtry C, et al. A within-season approach for detecting early growth stages in corn and soybean using high temporal and spatial resolution imagery[J]. Remote Sensing of Environment, 2020, 242: 111752.

[6] Olson D, Anderson J. Review on unmanned aerial vehicles, remote sensors, imagery processing, and their applications in agriculture[J]. Agronomy Journal, 2021, 113(2): 971-992.

[7] Wan L, Cen H Y, Zhu J P, et al. Grain yield prediction of rice using multi-temporal uav-based rgb and multispectral images and model transfer-a case study of small farmlands in the south of china[J]. Agricultural and Forest Meteorology, 2020, 291: 108096.

[8] Yue J B, Zhou C Q, Guo W, et al. Estimation of winter-wheat above-ground biomass using the wavelet analysis of unmanned aerial vehicle-based digital images and hyperspectral crop canopy images[J]. International Journal of Remote Sensing, 2020, 42(5): 1602-1622.

[9] Zhang S M, Zhao G X, Lang K, et al. Integrated satellite, unmanned aerial vehicle (UAV) and ground inversion of the SPAD of winter wheat in the reviving stage[J]. Sensors, 2019, 19(7): 1485.

[10] 周敏姑，邵國敏，張立元，等. 無人機(jī)多光譜遙感反演冬小麥SPAD值[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(20)：125-133.

Zhou Mingu, Shao Guomin, Zhang Liyuan, et al. Inversion of SPAD value of winter wheat by multispectral remote sensing of unmanned aerial vehicles[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 125-133. (in Chinese with English abstract)

[11] 張瑜，張立元，Zhang Huihui，等. 玉米作物系數(shù)無人機(jī)遙感協(xié)同地面水分監(jiān)測估算方法研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(1)：83-89.

Zhang Yu, Zhang Liyuan, Zhang Huihui, et al. Crop coefficient estimation method of maize by UAV remote sensing and soil moisture monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 83-89. (in Chinese with English abstract)

[12] 魏鵬飛，徐新剛，李中元，等. 基于無人機(jī)多光譜影像的夏玉米葉片氮含量遙感估測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(8)：126-133.

Wei Pengfei, Xu Xingang, Li Zhongyuan, et al. Remote sensing estimation of nitrogen content in summer maize leaves based on multispectral images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(8): 126-133. (in Chinese with English abstract)

[13] Zhu W X, Sun Z G, Yang T, et al. Estimating leaf chlorophyll content of crops via optimal unmanned aerial vehicle hyperspectral data at multi-scales[J]. Computers and Electronics in Agriculture, 2020, 178: 105786.

[14] 王玉娜，李粉玲，王偉東，等. 基于無人機(jī)高光譜的冬小麥氮素營養(yǎng)監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(22)：31-39.

Wang Yuna, Li Fenling, Wang Weidong, et al. Monitoring of winter wheat nitrogen nutrition based on UAV hyperspectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 31-39. (in Chinese with English abstract)

[15] 裴浩杰，馮海寬，李長春，等. 基于綜合指標(biāo)的冬小麥長勢無人機(jī)遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(20)：74-82.

Pei Haojie, Feng Haikuan, Li Changchun, et al. Remote sensing monitoring of winter wheat growth with UAV based on comprehensive index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 74-82. (in Chinese with English abstract)

[16] Salah E H, Nasser A S, Ibrahim A A, et al. Combining genetic analysis and multivariate modeling to evaluate spectral reflectance indices as indirect selection tools in wheat breeding under water deficit stress conditions[J]. Remote Sensing, 2020, 12(9): e0196605.

[17] Liu H L, Zhang F Z, Zhang L F, et al. UNVI-based time series for vegetation discrimination using separability analysis and random forest classification[J]. Remote Sensing, 2020, 12(3): 1532.

[18] Ouaadi N, Jarlan L, Ezzahar J, et al. Monitoring of wheat crops using the backscattering coefficient and the interferometric coherence derived from Sentinel-1 in semi-arid areas[J]. Remote Sensing of Environment, 2020, 251: 112050.

[19] 劉忠，萬煒，黃晉宇，等. 基于無人機(jī)遙感的農(nóng)作物長勢關(guān)鍵參數(shù)反演研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(21)：60-71.

Liu Zhong, Wan Wei, Huang Jinyu, et al. Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 60-71. (in Chinese with English abstract)

[20] Jaafar A, Yiannis A, Pamela R, et al. Detecting powdery mildew disease in squash at different stages using UAV-based hyperspectral imaging and artificial intelligence[J]. Biosystems Engineering, 2020, 197(9): 135-148.

[21] Issa S, Dahy B, Saleous N, et al. Carbon stock assessment of date palm using remote sensing coupled with field-based measurements in abu dhabi (united arab emirates)[J]. International Journal of Remote Sensing, 2019, 40(19): 7561-7581.

[22] 肖武，陳佳樂，笪宏志，等. 基于無人機(jī)影像的采煤沉陷區(qū)玉米生物量反演與分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49(8)：169-180.

Xiao Wu, Chen Jiale, Da Hongzhi, et al. Inversion and analysis of maize biomass in coal mining subsidence area based on UAV images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(8): 169-180. (in Chinese with English abstract)

[23] Osco L P, Marcato J, Ramos A P M, et al. Leaf nitrogen concentration and plant height prediction for maize using UAV-based multispectral imagery and machine learning techniques[J]. Remote Sensing, 2020, 12(19): 3237.

[24] Qi H X, Zhu B Y, Wu Z Y, et al. Estimation of peanut leaf area index from unmanned aerial vehicle multispectral images[J]. Sensors, 2020, 20(23): 6732.

[25] 帥爽，張志，呂新彪，等. 礦山恢復(fù)治理區(qū)植被物候與健康狀況遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(4)：224-234.

Shuai Shuang, Zhang Zhi, Lyu Xinbiao, et al. Remote sensing monitoring of vegetation phenological characteristics and vegetation health status in mine restoration areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(4): 224-234. (in Chinese with English abstract)

[26] 趙晉陵，金玉，葉回春，等. 基于無人機(jī)多光譜影像的檳榔黃化病遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(8)：54-61.

Zhao Jinling, Jin Yu, Ye Huichun, et al. Remote sensing monitoring of areca yellow leaf disease based on UAV multi-spectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 54-61. (in Chinese with English abstract)

[27] Fu Y Y, Yang G J, Song X Y, et al. Improved estimation of winter wheat aboveground biomass using multiscale textures extracted from UAV-based digital images and hyperspectral feature analysis[J]. Remote Sensing, 2021, 13(4): 581.

[28] Zhao Y L, Zheng W X, Xiao W, et al. Rapid monitoring of reclaimed farmland effects in coal mining subsidence area using a multi-spectral UAV platform[J]. Environmental Monitoring and Assessment, 2020, 192(7): 474.

[29] Mwinuka, P R, Mbilinyi, B P, Mbungu, W B, et al. The feasibility of hand-held thermal and UAV-based multispectral imaging for canopy water status assessment and yield prediction of irrigated African eggplant (L)[J]. Agricultural Water Management, 2021, 245: 106584.

[30] Li X R, Yang C H, Huang W J, et al. Identification of cotton root rot by multifeature selection from Sentinel-2 images using random forest[J]. Remote Sensing, 2020, 12(21): 3504.

[31] Baghi N G, Oldeland J. Do soil-adjusted or standard vegetation indices better predict above ground biomass of semi-arid, saline rangelands in North-East Iran?[J]. International Journal of Remote Sensing, 2019, 40(22): 8223-8235.

[32] Feng L, Wu W K, Wang J M, et al. Wind field distribution of multi-rotor UAV and its influence on spectral information acquisition of rice canopies[J]. Remote Sensing, 2019, 11(6): 602.

[33] 岑海燕，朱月明，孫大偉，等. 深度學(xué)習(xí)在植物表型研究中的應(yīng)用現(xiàn)狀與展望[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(9)：1-16.

Cen Haiyan, Zhu Yueming, Sun Dawei, et al. Current status and future perspective of the application of deep learning in plant phenotype research[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(9): 1-16. (in Chinese with English abstract)

[34] 陶惠林，徐良驥，馮海寬，等. 基于無人機(jī)高光譜長勢指標(biāo)的冬小麥長勢監(jiān)測[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51(2)：180-191.

Tao Huilin, Xu Liangji, Feng Haikuan, et al. Monitoring of winter wheat growth based on UAV hyperspectral growth index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(2): 180-191. (in Chinese with English abstract)

[35] 陶志富，葛璐璐，陳華友. 基于滑動(dòng)窗口的一類非負(fù)可變權(quán)組合預(yù)測方法[J]. 控制與決策，2020，35(6)：1446-1452.

Tao Zhifu, Ge Lulu, Chen Huayou. Non-negative variable weight combination forecasting method based on sliding window[J]. Control and Decision, 2020, 35(6): 1446-1452. (in Chinese with English abstract)

[36] 趙雪花，張麗娟，祝雪萍. 動(dòng)態(tài)參數(shù)SCS-RF模型在黃土丘陵區(qū)小流域產(chǎn)流模擬中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(1)：195-202.

Zhao Xuehua, Zhang Lijuan, Zhu Xueping. Run off simulation of small watershed in loess hilly region using dynamic parameter SCS-RF model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 195-202. (in Chinese with English abstract)

[37] 徐敏，趙艷霞，張顧，等. 基于機(jī)器學(xué)習(xí)算法的冬小麥?zhǔn)蓟ㄆ陬A(yù)報(bào)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(11)：162-171.

Xu Min, Zhao Yanxia, Zhang Gu, et al. Method for forecasting winter wheat first flowering stage based on machine learning algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11)：162-171. (in Chinese with English abstract)

[38] 黃林生，江靜，黃文江，等. Sentinel-2影像和BP神經(jīng)網(wǎng)絡(luò)結(jié)合的小麥條銹病監(jiān)測方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(17)：178-185.

Huang Linsheng, Jiang Jing, Huang Wenjiang, et al. Wheat yellow rust monitoring method based on Sentinel-2 image and BPNN model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(17): 178-185. (in Chinese with English abstract)

[39] 趙建輝，張晨陽，閔林，等. 基于特征選擇和GA-BP神經(jīng)網(wǎng)絡(luò)的多源遙感農(nóng)田土壤水分反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(11)：112-120.

Zhao Jianhui, Zhang Chenyang, Min Lin, et al. Retrieval for soil moisture in farmland using multi-source remote sensing data and feature selection with GA-BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11): 112-120. (in Chinese with English abstract)

[40] Zhang H H, Shao W Q, Qiu S S, et al. Collaborative analysis on the marked ages of rice wines by electronic tongue and nose based on different feature data sets[J]. Sensors, 2020, 20(4): 1065.

[41] 姜海玲，楊杭，陳小平，等. 利用光譜指數(shù)反演植被葉綠素含量的精度及穩(wěn)定性研究[J]. 光譜學(xué)與光譜分析，2015，35(4)：975-981.

Jiang Hailing, Yang Hang, Chen Xiaoping, et al. Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method[J]. Spectroscopy and Spectral Analysis, 2015, 35(4): 975-981. (in Chinese with English abstract)

[42] Zhang C Y, Zhang R R, Dai Z H, et al. Prediction model for the water jet falling point in fire extinguishing based on a GA-BP neural network[J]. Plos One, 2019, 14(9): e0221729.

[43] Wang L, Wang P X, Li L, et al. Developing an integrated indicator for monitoring maize growth condition using remotely sensed vegetation temperature condition index and leaf area index[J]. Computers and Electronics in Agriculture, 2018, 152: 340-349.

[44] Zhu M B, Liu S S, Xia Z Q, et al. Crop growth stage GPP-driven spectral model for evaluation of cultivated land quality using GA-BPNN[J]. Agriculture-Basel, 2020, 10(8): 1-16.

[45] Wang L, Wang P G, Liang S L, et al. Monitoring maize growth on the north china plain using a hybrid genetic algorithm-based back-propagation neural network model[J]. Computers and Electronics in Agriculture, 2020, 170: 105238.

[46] Wei X, Zheng W Q, Zhu S P, et al. Application of terahertz spectrum and interval partial least squares method in the identification of genetically modified soybeans[J]. Spectrochimica Acta Part A-Molecular and Biomolecular Spectroscopy, 2020, 238: 118453.

[47] Zhang J X, Qu S R. Optimization of backpropagation neural network under the adaptive genetic algorithm[J]. Complexity, 2021, 2021: 1718234.

Monitoring of winter wheat growth under UAV using variation coefficient method and optimized neural network

Xu Yunfei1, Cheng Qi1, Wei Xiangping2, Yang Bin1, Xia Shasha3, Rui Tingting1, Zhang Shiwen3※

(1.,,232001,; 2.().,235001,; 3.,,232001,)

Accurate and rapid acquisition of growth information has been one of the most important steps for winter wheat production in agricultural development and management decision-making. Most previous achievements focus on the monitoring of crop growth using Unmanned Aerial Vehicle (UAV) in recent years. Among them, the most extensive reports can be chlorophyll, biomass, plant height, and water content. Taking the winter wheat as the research object, this study aims to monitor the growth characteristics of the plant under a UAV using the Coefficient of Variation (CV) and optimized neural network. A Comprehensive Growth Monitoring Indicators (CGMICV) was also considered to integrate with the CV and different indexes, including the biomass, plant height, plant water, and chlorophyll content. In addition, the multispectral data of UAV was obtained, such as red, green, red edge, and near-infrared band. Subsequently, 16 multispectral vegetation indices were selected to analyze the correlation between the vegetation index and CGMICV, according to the characteristic band range of crops. The variance expansion factor was then calculated to screen the input variables of the model. Finally, six optimal vegetation indices were selected as the input variables of the model. As such, the growth model of winter wheat was established using the Partial Least Squares Regression (PLSR), Random Forest (RF), and Back Propagation Neural Networks (BPNN). Correspondingly, an optimal growth inversion model of winter wheat was achieved, including the determining coefficient (2), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE), according to the combined evaluation indexes. More importantly, Genetic Algorithm (GA) was utilized to optimize the growth inversion model for the whole region. The spatial distribution of winter wheat growth was then obtained in the study area. The results showed that the correlation between the CGMICVof winter wheat was much higher than that of the single index, where the most outstanding one was the Soil Plant Analysis Development (SPAD). The best inversion model of CGMICV-BPNN was achieved for the growth of winter wheat, where a determination coefficient2was 0.71, and the accuracy of the model was 26.79% higher than that of the traditional one (CGMImean-BPNN), fully meeting the current accuracy for the comprehensive monitoring of crop growth. The stability of the optimized CGMICV-GA-BPNN model was significantly better than that of CGMICV-BPNN. the mean relative error median was reduced by 22.22%, and the determination coefficient2was also increased. The CGMICV-GA-BPNN model was then applied for the growth distribution map of winter wheat in the whole study area. More than half of winter wheat was concentrated in grade III, followed by grade I. It inferred that the overall growth of winter wheat was relatively stable. At the same time, it was also found that the optimized CGMICV-BPNN model can be used to integrate the multiple growth factors of winter wheat, indicating a better performance to quantify the growth monitoring of regional winter wheat. The findings can provide an important reference for the growth monitoring of winter wheat in crop production.

unmanned aerial vehicle; crops; remote sensing; coefficient of variation method; comprehensive growth monitoring indicator; back propagation neural networks

徐云飛，程琦，魏祥平，等. 變異系數(shù)法結(jié)合優(yōu)化神經(jīng)網(wǎng)絡(luò)的無人機(jī)冬小麥長勢監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(20)：71-80.doi：10.11975/j.issn.1002-6819.2021.20.008 http://www.tcsae.org

Xu Yunfei, Cheng Qi, Wei Xiangping, et al. Monitoring of winter wheat growth under UAV using variation coefficient method and optimized neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 71-80. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.20.008 http://www.tcsae.org

2021-05-20

2021-09-22

安徽省自然資源科技項(xiàng)目（2020-K-8）；國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2020YFC1908601）；淮北礦業(yè)集團(tuán)科技研發(fā)項(xiàng)目（No.2020-113）

徐云飛，研究方向?yàn)闊o人機(jī)遙感定量反演。Email：2240805378@qq.com

張世文，博士，教授，研究方向?yàn)樗两橘|(zhì)元素地球化學(xué)行為與環(huán)境效應(yīng)研究。Email：mamin1190@126.com

10.11975/j.issn.1002-6819.2021.20.008

S252

A

1002-6819(2021)-20-0071-10