基于無(wú)人機(jī)多光譜數(shù)據(jù)的玉米苗株估算

趙曉偉， 黃楊， 汪永強(qiáng)， 儲(chǔ)鼎

(1.黑龍江省測(cè)繪科學(xué)研究所，哈爾濱 150081； 2.中國(guó)科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所，長(zhǎng)春 130102)

0 引言

玉米產(chǎn)量取決于多種因素，包括遺傳因素、生長(zhǎng)環(huán)境、播種方式等。玉米的出苗情況同樣是影響玉米產(chǎn)量的關(guān)鍵因素，對(duì)出苗情況的研究能夠提早預(yù)防因土地缺苗而造成的產(chǎn)量損失[1]。出苗情況的計(jì)算主要依賴于苗株數(shù)的估算，出苗情況的高低是作物高產(chǎn)、穩(wěn)產(chǎn)的前提條件，缺苗直接影響作物的品質(zhì)產(chǎn)量，所以對(duì)作物的長(zhǎng)勢(shì)評(píng)估可以影響農(nóng)田施肥和管理[2]。因?yàn)闊o(wú)人機(jī)(unmanned aerial vehicles，UAV)遙感技術(shù)的快速發(fā)展，UAV技術(shù)在農(nóng)業(yè)科學(xué)中的應(yīng)用越來(lái)越廣泛，提取農(nóng)田信息的方式愈加成熟、多樣、靈活[3]。UAV技術(shù)不僅可以節(jié)約人工實(shí)地檢查出苗情況的人力物力成本，而且減輕了人工對(duì)作物的損害，也可以為大范圍內(nèi)的出苗信息獲取提供優(yōu)質(zhì)服務(wù)[4]。

目前，國(guó)內(nèi)外關(guān)于UAV影像在植被識(shí)別和分類方面開(kāi)展大量研究。Mitch等[5]使用UAV可見(jiàn)光影像，基于植被顏色指數(shù)及紋理合理地分類了植被類型，證明了顏色指數(shù)對(duì)提取植被信息的可行性； 丁雷龍等[6]使用歸一化綠-紅差值指數(shù)(normalized green-red difference index，NGRDI)、過(guò)綠指數(shù)(excess green index，ExG)、過(guò)綠減過(guò)紅指數(shù)(excess green minus excess red index，ExG-ExR)和綠葉指數(shù)(green leaf index，GLI)等4種RGB顏色指數(shù)，識(shí)別了植被區(qū)域和非植被區(qū)，并對(duì)幾種顏色指數(shù)做出了適用性分析和因素干擾性評(píng)價(jià)，得出4 種顏色指數(shù)識(shí)別植被的精度均超過(guò)90%的結(jié)論； 汪小欽等[7]基于可見(jiàn)光波段UAV影像，提出了可見(jiàn)光波段差異植被指數(shù)對(duì)植被信息提取的精度可達(dá) 90%以上。但是對(duì)于哪種顏色指數(shù)更適用于分割類似于玉米農(nóng)作物和土壤背景的相關(guān)研究仍很薄弱，依然沒(méi)有統(tǒng)一的定論。

隨著深度學(xué)習(xí)的發(fā)展，遙感技術(shù)與機(jī)器學(xué)習(xí)方法相結(jié)合的方式，能夠?qū)崿F(xiàn)農(nóng)作物長(zhǎng)勢(shì)的快速高效評(píng)估，逐漸替代了原始人工評(píng)估出苗情況的笨重方法，已經(jīng)在作物識(shí)別和長(zhǎng)勢(shì)監(jiān)測(cè)中展現(xiàn)優(yōu)勢(shì)[8]。Zheng等[9]綜合了深度學(xué)習(xí)算法和UAV多光譜遙感手段，分別構(gòu)建了支持向量機(jī)(support vector machine,SVM)和支持向量回歸(support vector vegression,SVR)的棉苗株數(shù)估算模型，對(duì)比了2種模型的精度，為估測(cè)棉苗株數(shù)提供了有價(jià)值的參考; 戴建國(guó)等[10]同樣利用UAV可見(jiàn)光遙感影像和形態(tài)學(xué)特征參數(shù)，構(gòu)建了SVR模型，提取出棉花苗情信息。但是二者研究的作物都是棉花，棉花和玉米無(wú)論從形態(tài)還是耕種地點(diǎn)、方式、季節(jié)均差異較大，SVR模型是否仍然適用于估算玉米株數(shù)，值得商榷。劉帥兵等[11]雖然基于UAV數(shù)據(jù)通過(guò)顏色變換將玉米與土壤分離，通過(guò)Harris,Moravec和Fast角點(diǎn)檢測(cè)算法有效地識(shí)別出了玉米株數(shù)，但是未結(jié)合機(jī)器學(xué)習(xí)的算法，且僅僅適用于實(shí)驗(yàn)小區(qū)內(nèi)，是否適用于東北大面積的玉米耕地仍然未知。

針對(duì)上述不足，本文基于UAV多光譜數(shù)據(jù)，計(jì)算不同顏色指數(shù)，利用OTSU閾值分割算法，找到最佳顏色指數(shù)提取苗對(duì)象。組合不同數(shù)量的形態(tài)學(xué)特征參數(shù)，找到最佳的特征參數(shù)組合。結(jié)合SVR模型，預(yù)測(cè)出玉米苗數(shù)，統(tǒng)計(jì)出苗情況。在東北大面積種植玉米的條件下，展示了UAV多光譜數(shù)據(jù)對(duì)玉米苗期評(píng)估長(zhǎng)勢(shì)的適用性，為提高田間尺度的植被精細(xì)化管理提供了保障。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于吉林省長(zhǎng)春市開(kāi)安鎮(zhèn)，地理坐標(biāo)為E125°5′～125°8′，N44°30′～44°50′，地處松遼平原腹地，屬于大陸性季風(fēng)氣候區(qū)，主要糧食作物為玉米，屬于農(nóng)業(yè)發(fā)達(dá)地區(qū)。該地區(qū)的農(nóng)業(yè)規(guī)?；蜋C(jī)械化程度較高，是開(kāi)展智慧農(nóng)業(yè)、UAV遙感技術(shù)的良好基地，能夠滿足農(nóng)業(yè)及遙感領(lǐng)域科學(xué)研究的需求。該區(qū)域采用機(jī)械播種方式，播種間隔為0.2 m，壟距約0.6 m，圖1為在研究區(qū)裁剪后的多光譜影像，紅色矩形框?yàn)槿斯y(cè)量苗株的樣方。

圖1 研究區(qū)及監(jiān)測(cè)樣方

1.2 UAV數(shù)據(jù)獲取與預(yù)處理

UAV多光譜影像于2020年5月28日拍攝，拍攝時(shí)天氣情況良好，無(wú)風(fēng)少云。UAV平臺(tái)為大疆精靈4，水平飛行速度為3 m/s，飛行高度為30 m，航向重疊為60%，旁向重疊為60%，本次試驗(yàn)共采集260幅玉米苗多光譜影像，數(shù)據(jù)為 24位真彩色jpeg格式。使用PhotoScan軟件對(duì)影像進(jìn)行拼接，然后將影像進(jìn)行裁剪，去除邊緣空洞部分和異常值，得到如圖1所示的影像數(shù)據(jù)，拼接后的UAV影像長(zhǎng)約150 m，寬約120 m，空間分辨率為0.5 cm。

在研究區(qū)均勻選取28個(gè)樣方，如圖1所示的紅色方形框，用來(lái)調(diào)查樣方中玉米苗的株數(shù)。監(jiān)測(cè)樣方為3 m×3 m的方形，方向分別為順壟和垂直壟方向。研究區(qū)的播種壟寬為0.6 m，所以盡量保證垂直壟方向能夠包含5根壟，順壟方向的株距為0.2 m，所以理論上每個(gè)樣方的苗數(shù)為75株。因整幅UAV影像覆蓋面積較大，難于處理，本研究按照不同尺度的監(jiān)測(cè)單元對(duì)整幅影像做分割處理，分割成漁網(wǎng)狀，分別對(duì)每個(gè)監(jiān)測(cè)網(wǎng)格內(nèi)的苗株數(shù)做預(yù)測(cè)。監(jiān)測(cè)單元邊長(zhǎng)為0.5 m,1 m,2 m，3 m，4 m，5 m，6 m，7 m的正方形。3 m×3 m監(jiān)測(cè)單元內(nèi)的株樹(shù)為實(shí)地量測(cè)樣方，因UAV影像的分辨率可達(dá)0.5 cm，所以在監(jiān)測(cè)樣方尺度下，玉米苗清晰可見(jiàn)，通過(guò)目視判讀的方法進(jìn)行估算，同時(shí)用實(shí)測(cè)樣方內(nèi)株數(shù)對(duì)目視判讀的株數(shù)做驗(yàn)證，其他尺度內(nèi)的真實(shí)株數(shù)采用目視解譯的方法進(jìn)行估算。

2 研究方法

2.1 玉米苗對(duì)象提取

如何將玉米苗從與土壤背景中提取出來(lái)是獲取玉米苗對(duì)象的關(guān)鍵。本研究的UAV影像數(shù)據(jù)主要由玉米苗和土壤構(gòu)成，褐色的為土壤，綠色的為玉米苗。因此可以通過(guò)線性組合紅(R)、綠(G)和藍(lán)(B)3 種顏色成分使綠色植被與褐色土壤的差異最大化，有效分離玉米苗與土壤背景[12-13]。此外，合理的選擇顏色指數(shù)對(duì)UAV影像的精準(zhǔn)分割十分重要[14]。本研究初步選取的顏色指數(shù)為ExG、綠-藍(lán)差值指數(shù)(green-blue difference index，GBDI)、ExG-ExR，NGRDI和GLI[15-16]等5個(gè)指數(shù)作為候選顏色指數(shù)。通過(guò)特征分析和SVR模型精度的結(jié)果對(duì)比得出最優(yōu)顏色指數(shù)。首先將UAV影像數(shù)據(jù)轉(zhuǎn)成雙精度(double)類型顏色參數(shù)，分別將R，G，B像素值除以255做歸一化處理，得到取值范圍為0～1之間的r，g，b值。然后計(jì)算5個(gè)顏色指數(shù)，計(jì)算公式分別為：

ExG=2g-r-b，

(1)

GBNI=g-b，

(2)

ExG-ExR=3g-2.4r-b，

(3)

NGRDI=(g-b)/(g+b)，

(4)

GLI=(2g-r-b)/(2g+r+b)。

(5)

通過(guò)5種顏色指數(shù)實(shí)現(xiàn)閾值分割玉米苗與土壤背景。閾值的精準(zhǔn)確定是從土壤背景中分離出玉米苗對(duì)象的關(guān)鍵因素，最大類間方差法(OTSU)作為閾值分割方法，比其他圖像分割方法更加直觀、簡(jiǎn)單[17-18]，本研究選取OTSU算法可以到達(dá)自動(dòng)確定閾值的目的。OTSU[19]算法是一種自適應(yīng)的閾值提取方法，利用的圖像灰度特性能夠找到目標(biāo)對(duì)象和背景類間方差S的最大值，最佳閾值即為S最大時(shí)對(duì)應(yīng)的值。具體算法如下： 首先，分別得到玉米苗和土壤背景的像元比例(閾值為T)w0和w1、平均灰度g0和g1; 其次，計(jì)算圖像總平均灰度gm，計(jì)算二者的方差S，公式分別為：

gm=w0g0+w1g1，

(6)

S=w0(g0-gm)+w1(g1-gm)

；

(7)

最后，求得使S最大的閾值T，即為最佳閾值。

2.2 模型構(gòu)建

以圖2為例，該樣方點(diǎn)內(nèi)共有37個(gè)苗對(duì)象。紅色矩形框?yàn)楦鱾€(gè)苗對(duì)象的外接矩形，可計(jì)算出各個(gè)苗對(duì)象外接矩形的長(zhǎng)、寬、周長(zhǎng)、面積等特征參數(shù)。

2.3 去除雜草干擾

觀察UAV影像數(shù)據(jù)發(fā)現(xiàn)，研究區(qū)內(nèi)的壟間雜草容易被劃分為連通區(qū)域。為去除雜草，本研究首先將獲取的玉米影像旋轉(zhuǎn)為田壟豎直的方向，結(jié)合特征參數(shù)提取苗對(duì)象外接矩形的中心點(diǎn)坐標(biāo)，導(dǎo)入ArcMap軟件中，給定投影，生成矢量點(diǎn)數(shù)據(jù)。對(duì)點(diǎn)數(shù)據(jù)做緩沖區(qū)分析，因播種株距為0.2 m，所以緩沖距離設(shè)置為0.2 m。生成緩沖區(qū)后，順壟方向連接相鄰點(diǎn)，生成線矢量文件，將其當(dāng)作壟的中心線。判斷各點(diǎn)距離最近中心線的距離，如果距離大于0.2 m，被認(rèn)為為雜草，該方法能有效去除壟間面積較大的雜草，如圖3所示，紅色矩形框內(nèi)為雜草。

2.4 基于 SVM 建立苗數(shù)統(tǒng)計(jì)模型

在計(jì)算出特征參數(shù)后，下一步是將特征參數(shù)和人工實(shí)際測(cè)量苗數(shù)做擬合，但是如何選擇特征參數(shù)以及特征參數(shù)數(shù)量是提高擬合精度的關(guān)鍵。本研究采用深度學(xué)習(xí)算法中的SVM試圖解決該問(wèn)題。

SVM[20-21]被廣泛應(yīng)用于機(jī)器學(xué)習(xí)、人工智能、大數(shù)據(jù)等領(lǐng)域，其本身是解決二分類問(wèn)題，而SVR是SVM的重要應(yīng)用。SVR追求的最優(yōu)超平面能夠讓所有樣本點(diǎn)和超平面(函數(shù))的“距離”最小。而回歸的本質(zhì)是找到數(shù)據(jù)的內(nèi)在關(guān)系，對(duì)于SVR而言，不管數(shù)據(jù)有多少種類別，SVR都能求出超平面，擬合數(shù)據(jù)，建立模型，給定輸入?yún)?shù)，就能夠求得一個(gè)新值[22]。因此，本研究計(jì)算出各個(gè)樣方點(diǎn)內(nèi)的所有苗對(duì)象特征參數(shù)，結(jié)合SVR來(lái)估算類似于圖2(右)所標(biāo)記的所有苗對(duì)象包含的植株數(shù)。將二值圖像中所有苗對(duì)象(單株和連通區(qū)域)的特征參數(shù)作為SVR模型的分類變量。并且根據(jù)原始實(shí)地人工測(cè)量苗數(shù)，統(tǒng)計(jì)出相應(yīng)苗對(duì)象的植株數(shù)量作為模型識(shí)別結(jié)果，統(tǒng)計(jì)共計(jì)1 003條樣本數(shù)據(jù)。70%樣本點(diǎn)用于模型訓(xùn)練，30%用于模型測(cè)試。

訓(xùn)練過(guò)程中采用對(duì)數(shù)據(jù)進(jìn)行歸一化處理，采用默認(rèn)的RBF核函數(shù)。首先，利用交叉驗(yàn)證方法尋找懲罰因子c，c的大小決定模型是否過(guò)擬合或欠擬合； 其次，尋找RBF核函數(shù)中的方差s，s的大小決定支持向量的多少; 再用最佳的參數(shù)訓(xùn)練模型; 最后，對(duì)數(shù)據(jù)做反歸一化處理。

3 結(jié)果分析

3.1 玉米苗對(duì)象提取結(jié)果分析

在本研究中，研究區(qū)選取28幅樣方地點(diǎn)圖像，每個(gè)樣方為9 m2，水平方向?yàn)槠叫袎?，長(zhǎng)度為3 m，垂直方向?yàn)榇怪眽?，長(zhǎng)度為3 m。在ArcMap軟件中打開(kāi)帶投影的UAV數(shù)據(jù)，找到對(duì)應(yīng)的樣方坐標(biāo)位置，在影像數(shù)據(jù)上量測(cè)對(duì)應(yīng)的樣方面積，截取圖像中玉米苗植株、土壤的樣本對(duì)象。然后進(jìn)行顏色指數(shù)計(jì)算，采用OTSU閾值分割方法，分別計(jì)算5種顏色指數(shù)下，每個(gè)指數(shù)分割玉米苗與土壤背景的最佳閾值，得到5種顏色指數(shù)下玉米苗與土壤背景的二值化影像數(shù)據(jù)。以監(jiān)測(cè)樣方23為例，圖4為該樣方不同指數(shù)下的數(shù)據(jù)結(jié)果對(duì)比。

(a) 原始影像(b) ExG二值化影像(c) NGRDI二值化影像

(d) GBDI二值化影像(e) GLI二值化影像(f) ExG-ExR二值化影像

各個(gè)指數(shù)的數(shù)據(jù)影像通過(guò)腐蝕、膨脹及形態(tài)學(xué)的開(kāi)運(yùn)算、閉運(yùn)算等操作步驟，并剔除雜草噪聲后效果如圖5所示。

(a) 原始二值化(b) 形態(tài)學(xué)操作(c) 緩沖區(qū)方法去雜草操作

如圖5(a)所示，紅色矩形框內(nèi)為玉米苗植株周邊的噪聲，面積較小，基于形態(tài)學(xué)操作可以剔除。但是對(duì)于面積較大的雜草，如圖5(b)紅色圓形框內(nèi)的雜草，該操作去除雜草的效果不佳，將雜草作為玉米苗的錯(cuò)誤識(shí)別會(huì)降低出苗情況計(jì)算的精度。而本文去除雜草噪聲的效果如圖5(c)所示，可以看出該方法能夠有效剔除壟溝周邊較大面積的雜草，提高識(shí)別玉米苗對(duì)象的精度。

3.2 基于SVR的最優(yōu)模型

本研究基于5種指數(shù)，隨機(jī)選取所有樣方點(diǎn)70%的數(shù)據(jù)作為訓(xùn)練集，30%數(shù)據(jù)作為測(cè)試集。分別對(duì)各個(gè)指數(shù)，所有特征參數(shù)進(jìn)行SVR模型測(cè)試。如圖6所示為基于ExG指數(shù)估算株數(shù)的訓(xùn)練集和測(cè)試集預(yù)測(cè)結(jié)果，綜合對(duì)比各個(gè)指數(shù)SVR模型的預(yù)測(cè)精度(表1)。

(a) 訓(xùn)練集(b) 測(cè)試集

從圖6可以看出，基于ExG指數(shù)估算株數(shù)無(wú)論在訓(xùn)練集和測(cè)試集，樣本點(diǎn)主要集中在1株，側(cè)面證明了本實(shí)驗(yàn)田的玉米苗以單株植被為主的特點(diǎn)，且整體偏差較小。樣本點(diǎn)隨著株數(shù)的增大而減少，說(shuō)明本實(shí)驗(yàn)田玉米苗的連通區(qū)域多以2株為主。綜合表1來(lái)看，SVR模型估算值對(duì)真實(shí)值的模型擬合精度都較高，R2均在0.81以上?？傮w相對(duì)誤差較小，RMSE均在0.02以下。表1可以看出，基于ExG指數(shù)的SVR模型精度最高，本研究采用該指數(shù)進(jìn)行下一步研究。

表1 各個(gè)指數(shù)訓(xùn)練和測(cè)試精度

3.3 最優(yōu)特征參數(shù)組合

由3.2節(jié)的結(jié)果可知，在所有特征參數(shù)參與計(jì)算的前提下，基于ExG指數(shù)的SVR模型精度最高，但R2都沒(méi)有超過(guò)0.9，精度仍然沒(méi)有達(dá)到預(yù)期的效果。而正確選擇特征參數(shù)會(huì)影響模型精度[21]，因此評(píng)估各特征參數(shù)的重要性，優(yōu)化選擇特征集，能夠達(dá)到簡(jiǎn)化模型、降低SVR的過(guò)擬合風(fēng)險(xiǎn)，提高模型精度的目的。本研究將選用相比其他指數(shù)精度較高的ExG指數(shù)，對(duì)所有樣方內(nèi)苗對(duì)象的特征參數(shù)和玉米苗實(shí)測(cè)株數(shù)做Pearson系數(shù)[4]的相關(guān)性分析，將Pearson系數(shù)大于0.7的特征參數(shù)(圖7)，作為輸入模型的候選參數(shù)。逐漸增加特征參數(shù)的個(gè)數(shù)，采用數(shù)學(xué)理論上的組合方式，選擇最優(yōu)的特征參數(shù)以及特征參數(shù)的數(shù)量，最終作為輸入變量進(jìn)行建模。

圖7 特征參數(shù)實(shí)測(cè)株數(shù)的Pearson系數(shù)

如圖7所示，本研究最優(yōu)參數(shù)共有7個(gè)，分別是面積A、周長(zhǎng)B、矩形長(zhǎng)D、矩形面積F、矩形周長(zhǎng)G、橢圓長(zhǎng)軸長(zhǎng)度H、形狀因子Q，共有127個(gè)組合方式，將不同的組合方式分別作為基于ExG指數(shù)下SVR模型的輸入?yún)?shù)。計(jì)算玉米苗訓(xùn)練集和測(cè)試集實(shí)測(cè)和預(yù)測(cè)苗數(shù)的擬合精度如表2所示。

表2 特征參數(shù)組合

從表2中可以看出，經(jīng)過(guò)選擇后的特征參數(shù)組合精度明顯有所改善，其中，最優(yōu)組合基本都包括多邊形面積A參數(shù)。這也側(cè)面印證了該參數(shù)對(duì)模型的重要性很大，對(duì)精度評(píng)價(jià)的所占比重較大。而且在選擇特征參數(shù)時(shí)并不是參數(shù)選擇得越多，模型精度越高。針對(duì)本研究最佳的特征參數(shù)組合為6種特征參數(shù)： 面積A、周長(zhǎng)B、矩形長(zhǎng)D、矩形周長(zhǎng)G、橢圓長(zhǎng)軸長(zhǎng)度H、形狀因子Q。過(guò)多或過(guò)少的參數(shù)都會(huì)使SVR模型過(guò)擬合或欠擬合，只有適當(dāng)?shù)慕M合特征參數(shù)才能使SVR模型精度最高。

3.4 模型評(píng)價(jià)與出苗情況計(jì)算

本研究基于ExG指數(shù)，選取面積A、周長(zhǎng)B、矩形長(zhǎng)D、矩形周長(zhǎng)G、橢圓長(zhǎng)軸長(zhǎng)度H、形狀因子Q等參數(shù)的組合方式構(gòu)建SVR模型進(jìn)行測(cè)試。將估算株數(shù)和實(shí)測(cè)株數(shù)的測(cè)試和訓(xùn)練集做散點(diǎn)圖分析，結(jié)果如圖8所示，準(zhǔn)確率為達(dá)到96.54%。整體上來(lái)看，SVR模型估算值對(duì)真實(shí)值的模型擬合精度較高，總體相對(duì)誤差更小。模型在訓(xùn)練集和測(cè)試集中的R2相差不大，體現(xiàn)了基于UAV數(shù)據(jù)的SVM算法在玉米苗計(jì)算株數(shù)方面存在優(yōu)勢(shì)。

圖8 實(shí)測(cè)株數(shù)和預(yù)測(cè)株數(shù)的比較分析

從圖8中可以看出，當(dāng)玉米苗為單株植被時(shí)，更容易發(fā)生過(guò)高估計(jì)。該誤差可能是由玉米葉的不均勻性且玉米葉較大而導(dǎo)致冠層重疊，進(jìn)行引起形態(tài)學(xué)特征誤差，容易將單株植被當(dāng)作連通區(qū)域。當(dāng)玉米苗為2株以上時(shí)，總體上呈過(guò)低估計(jì)，該誤差可能是因?yàn)檫B通區(qū)域各個(gè)玉米苗距離較近，所以各玉米苗的冠層重疊度高，容易被錯(cuò)誤分割成數(shù)量較少的苗對(duì)象。

進(jìn)一步分析模型識(shí)別的預(yù)測(cè)株數(shù)和實(shí)測(cè)株數(shù)，以確定SVR模型的適用性。按照1～7的順序，逐個(gè)統(tǒng)計(jì)出株數(shù)中被高估和低估的數(shù)量，統(tǒng)計(jì)結(jié)果如表3所示。從表3中可以看出，玉米苗數(shù)量為單株時(shí)，誤差最小，模型精度最高。隨著株數(shù)逐漸增大，誤差變大，精度變差。所以，該模型更適用于玉米苗長(zhǎng)勢(shì)初期，植被冠層較小，連通區(qū)域較小的情況下，更能體現(xiàn)本模型的優(yōu)越性。在1～3株的情況下，總體而言，誤差較小，估測(cè)苗數(shù)的準(zhǔn)確性較高。所以只要在合理的UAV數(shù)據(jù)獲取苗對(duì)象數(shù)據(jù)的時(shí)間內(nèi)，比如在玉米苗生長(zhǎng)初期，幼苗多以單株為主，冠層覆蓋度不大，連通區(qū)域面積不大的情況下，模型具備一定的適用性，所以科學(xué)合理的UAV拍攝時(shí)間是十分重要的，同時(shí)也說(shuō)明了模型在實(shí)際應(yīng)用中有植被生長(zhǎng)窗口期的局限性。

表3 實(shí)測(cè)株數(shù)和預(yù)測(cè)株數(shù)的過(guò)高過(guò)低估計(jì)

3.5 監(jiān)測(cè)單元尺度與玉米株數(shù)制圖

本研究對(duì)整幅UAV影像做分割處理操作，但是分割尺度的大小是否對(duì)精度有影響，研究做了進(jìn)一步分析，圖9為不同尺度下監(jiān)測(cè)單元的玉米苗對(duì)象識(shí)別效果。如圖9所示，0.5～4 m的分割尺度下，可以有效識(shí)別出玉米苗對(duì)象，且識(shí)別效果差距不明顯，如圖9中紅色橢圓形所示，識(shí)別的玉米苗對(duì)象隨著尺度變大，形狀并未改變，只是在相同的屏幕內(nèi)形態(tài)由大變小。因此，在0.5～4 m的尺度下，基于SVR模型對(duì)苗株數(shù)估算的精度未受到影響，但是隨著監(jiān)測(cè)單元尺度增大，識(shí)別效果逐漸變差。其中，如圖9中5～9 m尺度下的藍(lán)色位置所示，當(dāng)監(jiān)測(cè)單元尺度大于5 m后，一些長(zhǎng)勢(shì)較差的幼苗無(wú)法識(shí)別，這勢(shì)必影響株數(shù)估算精度。綜上，考慮到實(shí)測(cè)樣方尺度為3 m，以及運(yùn)算效率，本研究監(jiān)測(cè)像元的尺度設(shè)置為3 m更為合理。同時(shí)，在研究區(qū)內(nèi)隨機(jī)選取一個(gè)順壟方向20 m，垂直壟方向24 m的矩形地塊，將該塊地按照1 m×1.2 m的分辨率分割成多個(gè)小格子?；赟VR模型識(shí)別結(jié)果來(lái)計(jì)算該地塊的玉米苗株數(shù)，該區(qū)域如圖10(a)所示，基于SVR模型識(shí)別計(jì)算的玉米苗株數(shù)如圖10(b)所示。圖10(b)可直觀地顯示該區(qū)域玉米苗的出苗狀況，且小格子顏色代表玉米苗株數(shù)的高低，顏色越紅，代表出玉米苗株數(shù)越多。從圖10(b)可知，多數(shù)小格子填滿了該地塊的分辨率，玉米總體的玉米苗株數(shù)多集中在7株數(shù)以上、長(zhǎng)勢(shì)較好。圖10(a)可以看出，有一塊無(wú)苗斷壟的空缺地，對(duì)比圖10(b)，同區(qū)域內(nèi)的小格子為深藍(lán)色，玉米苗株數(shù)為0，這可能是人為漏播所導(dǎo)致的結(jié)果。

圖9 不同尺度監(jiān)測(cè)單元的苗對(duì)象識(shí)別效果

(a) 隨機(jī)矩形地塊(b) 矩形地塊玉米株數(shù)

4 結(jié)論

本文基于UAV多光譜數(shù)據(jù)，通過(guò)對(duì)比不同顏色指數(shù)，借助OTSU閾值分割算法獲取玉米苗對(duì)象，確定最佳顏色指數(shù)的二值化苗對(duì)象。優(yōu)化組合出形態(tài)學(xué)特征參數(shù)，確定了最佳特征參數(shù)組合。借助支持向量機(jī)回歸(SVR)模型，預(yù)測(cè)出玉米株數(shù)，統(tǒng)計(jì)了出苗情況。研究成果能夠在短時(shí)間內(nèi)迅速、快捷、準(zhǔn)確地得知玉米出苗情況和長(zhǎng)勢(shì)趨勢(shì)。

ExG，GBDI，ExG-ExR，NGRDI和GLI等顏色指數(shù)均能用于UAV影像識(shí)別玉米，但是針對(duì)本研究區(qū)，基于ExG顏色指數(shù)的UAV影像識(shí)別玉米株數(shù)的精度最高。不同的特征參數(shù)組合會(huì)直接影響SVR模型的擬合精度，使SVR模型過(guò)擬合或欠擬合。針對(duì)本研究的最佳特征參數(shù)組合為6種特征參數(shù)： 面積A、周長(zhǎng)B、矩形長(zhǎng)D、矩形周長(zhǎng)G、橢圓長(zhǎng)軸長(zhǎng)度H、形狀因子Q。該組合特征參數(shù)的SVR模型精度最高。

利用形態(tài)學(xué)特征參數(shù)構(gòu)建的SVR模型能夠有效解決玉米植株粘連在一起時(shí)統(tǒng)計(jì)苗株困難的問(wèn)題。模型分類精度達(dá)到96.54%，統(tǒng)計(jì)誤差為0.6%。當(dāng)玉米苗為單株植被時(shí)，更容易發(fā)生過(guò)高估計(jì)。而當(dāng)玉米苗為2株以上時(shí)，總體上呈過(guò)低估計(jì)。在1～3株的情況下，誤差較小，估測(cè)苗數(shù)的準(zhǔn)確性較高。隨著苗株數(shù)逐漸增大，模型精度逐漸變差。當(dāng)幼苗多以單株為主，冠層覆蓋度不大的情況下，模型的準(zhǔn)確性最高。

本研究對(duì)雜草的處理仍然不夠完善，對(duì)于壟間雜草處理效果較好，但對(duì)于一些壟上小面積雜草未能進(jìn)行有效的處理，這對(duì)模型精度的干擾性未知。同樣，實(shí)測(cè)樣方需要人力和物力，受制于一些客觀條件的限制，本研究的樣本點(diǎn)為1 003個(gè)，樣本點(diǎn)較少，如果增加樣本點(diǎn)的數(shù)量，勢(shì)必會(huì)提高SVR模型的預(yù)測(cè)精度。