基于無(wú)人機(jī)數(shù)碼影像的水稻葉面積指數(shù)監(jiān)測(cè)

曹中盛 李艷大, * 黃俊寶 葉春 孫濱峰 舒時(shí)富 朱艷 何勇

基于無(wú)人機(jī)數(shù)碼影像的水稻葉面積指數(shù)監(jiān)測(cè)

曹中盛1李艷大1, *黃俊寶1葉春1孫濱峰1舒時(shí)富1朱艷2何勇3

(1江西省農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)工程研究所/江西省智能農(nóng)機(jī)裝備工程研究中心/江西省農(nóng)業(yè)信息化工程技術(shù)研究中心，南昌 330200；2南京農(nóng)業(yè)大學(xué)/國(guó)家信息農(nóng)業(yè)工程技術(shù)中心，南京 210095；3浙江大學(xué) 生物系統(tǒng)工程與食品科學(xué)學(xué)院，杭州 310029；*通信聯(lián)系人，E-mail: liyanda2008@126.com)

【目的】為探究無(wú)人機(jī)數(shù)碼影像監(jiān)測(cè)水稻葉面積指數(shù)(Leaf area index, LAI)的可行性，明確利用無(wú)人機(jī)數(shù)碼影像監(jiān)測(cè)水稻LAI的最佳時(shí)期，構(gòu)建基于無(wú)人機(jī)數(shù)碼影像的水稻LAI監(jiān)測(cè)模型?！痉椒ā勘狙芯炕诓煌贩N和施氮量的水稻田間試驗(yàn)，于分蘗期、拔節(jié)期、孕穗期、抽穗期和灌漿期測(cè)定水稻LAI，同步使用無(wú)人機(jī)搭載數(shù)碼相機(jī)獲取水稻無(wú)人機(jī)數(shù)碼影像并提取顏色指數(shù)及紋理特征，分析其在不同生育時(shí)期與水稻LAI之間的相關(guān)性，構(gòu)建定量監(jiān)測(cè)模型，并用獨(dú)立試驗(yàn)數(shù)據(jù)對(duì)所建模型進(jìn)行檢驗(yàn)?！窘Y(jié)果】無(wú)人機(jī)數(shù)碼影像中顏色指數(shù)及紋理特征與水稻LAI之間的相關(guān)性在生育前期(分蘗期+拔節(jié)期)最高，高于所有單生育期、生育后期(孕穗期+抽穗期+灌漿期)和全生育期，可確定為監(jiān)測(cè)的最佳時(shí)期；在顏色指數(shù)和紋理特征當(dāng)中，紋理特征方差(Variance, VAR)在監(jiān)測(cè)水稻生育前期LAI時(shí)表現(xiàn)最優(yōu)，可構(gòu)建監(jiān)測(cè)模型LAI = 1.1656×exp(0.0174×VAR)實(shí)現(xiàn)監(jiān)測(cè)，模型構(gòu)建時(shí)的決定系數(shù)(Determination coefficient,2)為0.7980，模型檢驗(yàn)時(shí)的相對(duì)均方根誤差(Relative root mean square error, RRMSE)和偏差(bias,)分別為0.1658和0.1306?！窘Y(jié)論】與人工測(cè)量LAI相比，基于無(wú)人機(jī)數(shù)碼影像的水稻LAI監(jiān)測(cè)方法可提高作業(yè)效率，降低成本，在水稻長(zhǎng)勢(shì)快速準(zhǔn)確監(jiān)測(cè)和豐產(chǎn)高效栽培中具有應(yīng)用價(jià)值。

水稻；葉面積指數(shù)；無(wú)人機(jī)；數(shù)碼影像；紋理特征；監(jiān)測(cè)模型

水稻是中國(guó)最重要的糧食作物之一，超過(guò)60%的人口以水稻為主食，維持水稻的豐產(chǎn)穩(wěn)產(chǎn)對(duì)于保障國(guó)家糧食安全具有十分重要的作用。葉面積指數(shù)(Leaf area index, LAI)是計(jì)算作物光合作用能力(光合勢(shì)、凈同化率、消光系數(shù)等)[1-2]和表征作物群體長(zhǎng)勢(shì)[3]的重要參數(shù)，也是預(yù)測(cè)作物籽粒產(chǎn)量的重要指標(biāo)[4]。快速、無(wú)損、準(zhǔn)確獲取作物L(fēng)AI對(duì)于作物肥水精確管理和豐產(chǎn)高效栽培具有重要意義[5-6]。傳統(tǒng)的作物L(fēng)AI數(shù)據(jù)獲取一般通過(guò)人工取樣實(shí)測(cè)，如采用比葉重法和借助光學(xué)儀器測(cè)量等[7-8]，雖然能夠準(zhǔn)確獲取數(shù)據(jù)，但存在耗時(shí)費(fèi)力、時(shí)效性差及效率低等問(wèn)題，不能快速獲取大范圍作物L(fēng)AI[9-10]。無(wú)人機(jī)遙感是農(nóng)業(yè)遙感中最常用的技術(shù)手段之一，具有機(jī)動(dòng)靈活、作業(yè)周期短、受地形和天氣條件影響小等特點(diǎn)，能克服傳統(tǒng)地面作物長(zhǎng)勢(shì)信息監(jiān)測(cè)效率偏低的不足，在獲取田塊和園區(qū)尺度作物長(zhǎng)勢(shì)及病蟲(chóng)害信息上具有較大的應(yīng)用價(jià)值[11-13]。數(shù)碼相機(jī)是無(wú)人機(jī)遙感中使用最廣泛的傳感器之一，與高光譜相機(jī)和多光譜相機(jī)相比，具有數(shù)據(jù)獲取成本低、操作難度小、影像空間分辨率高等優(yōu)點(diǎn)[14-15]。近年來(lái)，許多學(xué)者圍繞無(wú)人機(jī)數(shù)碼影像監(jiān)測(cè)作物長(zhǎng)勢(shì)信息開(kāi)展了大量研究，通過(guò)提取多種顏色指數(shù)和紋理特征實(shí)現(xiàn)了對(duì)作物多種生長(zhǎng)參數(shù)的快速無(wú)損監(jiān)測(cè)。如Hunt等[16]利用無(wú)人機(jī)數(shù)碼影像提取歸一化綠紅差值指數(shù)(Normalized green minus red difference index, NGRDI)建立估算模型對(duì)玉米、苜蓿、大豆的生物量和氮素營(yíng)養(yǎng)指標(biāo)進(jìn)行監(jiān)測(cè)；江杰等[14]利用消費(fèi)級(jí)無(wú)人機(jī)搭載數(shù)碼相機(jī)獲取小麥冠層數(shù)碼影像，并通過(guò)提取顏色指數(shù)對(duì)葉面積指數(shù)、葉片干物質(zhì)量和葉片氮積累量等生長(zhǎng)參數(shù)進(jìn)行反演；萬(wàn)亮等[17]融合紋理特征和植被指數(shù)對(duì)水稻含水量進(jìn)行無(wú)人機(jī)遙感監(jiān)測(cè)；陳鵬飛等[18]研究發(fā)現(xiàn)無(wú)人機(jī)影像中紋理特征與棉花植株氮濃度之間存在顯著相關(guān)性等。

盡管前人圍繞基于無(wú)人機(jī)數(shù)碼影像的作物長(zhǎng)勢(shì)信息監(jiān)測(cè)開(kāi)展了相關(guān)研究，建立了許多準(zhǔn)確實(shí)用的長(zhǎng)勢(shì)信息監(jiān)測(cè)模型，但顏色指數(shù)及紋理特征與作物長(zhǎng)勢(shì)參數(shù)之間的相關(guān)性卻會(huì)受到監(jiān)測(cè)對(duì)象、生態(tài)區(qū)域、栽培管理措施等的影響。此外，生育進(jìn)程變化也會(huì)改變監(jiān)測(cè)模型的構(gòu)型和精度。因此，有必要基于田間實(shí)測(cè)數(shù)據(jù)，系統(tǒng)比較不同生育時(shí)期顏色指數(shù)及紋理監(jiān)測(cè)水稻LAI的效果，構(gòu)建最適宜的監(jiān)測(cè)模型以提高監(jiān)測(cè)的準(zhǔn)確性。為此，本研究以不同品種、不同施氮量和不同生態(tài)點(diǎn)的早稻田間試驗(yàn)為基礎(chǔ)，分析不同生育時(shí)期無(wú)人機(jī)數(shù)碼影像中顏色指數(shù)和紋理特征與LAI之間相關(guān)關(guān)系，確定無(wú)人機(jī)數(shù)碼影像監(jiān)測(cè)水稻LAI的最佳生育時(shí)期和最佳參數(shù)，并構(gòu)建定量監(jiān)測(cè)模型，以期為大范圍水稻長(zhǎng)勢(shì)快速準(zhǔn)確監(jiān)測(cè)及豐產(chǎn)高效栽培提供支撐。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)I：于2019年3－7月在江西省新干縣界埠鎮(zhèn)(115°21'3.87'' E，27°45'17.65''N)開(kāi)展不同品種和施氮量的早稻田間小區(qū)試驗(yàn)。試驗(yàn)田耕作層土壤含全氮2.05 g/kg，堿解氮127.0 mg/kg，速效鉀121.01 mg/kg，速效磷14.50 kg/kg，有機(jī)質(zhì)28.00 g/kg。采用隨機(jī)區(qū)組設(shè)計(jì)，設(shè)2個(gè)品種和4個(gè)施氮量。供試早稻品種為早秈618和湘早秈45，4個(gè)施氮量(以純氮計(jì))分別為0、75、150和225 kg/hm2(分別記作N0、N1、N2和N3)，重復(fù)3次，共計(jì)24個(gè)小區(qū)，小區(qū)面積24 m2，小區(qū)間以埂相隔，獨(dú)立排灌。3月24日播種，4月23日移栽，7月28日收獲，行株距為24 cm × 14 cm。氮肥用尿素，分別按照基肥∶分蘗肥∶穗肥 = 4∶3∶3施用；另配施磷肥(折合P2O5) 75 kg/hm2(鈣鎂磷肥)、鉀肥(折合K2O) 150 kg/hm2(氯化鉀)，全部作基肥施用。其他栽培管理措施同當(dāng)?shù)馗弋a(chǎn)栽培一致。

試驗(yàn)Ⅱ：于2020年3－7月在江西省農(nóng)業(yè)科學(xué)院高安基地(115°12'15'' E，28°25'27'' N)開(kāi)展不同品種和施氮量的早稻小區(qū)試驗(yàn)。試驗(yàn)田耕作層土壤含全氮2.53 g/kg，硝態(tài)氮1.04 mg/kg，有效磷16.78 mg/kg，速效鉀120.14 mg/kg，有機(jī)質(zhì)38.80 g/kg。采用裂區(qū)設(shè)計(jì)，主區(qū)為品種，分別為中嘉早17和長(zhǎng)兩優(yōu)173；副區(qū)為施氮量(以純氮計(jì))，分別為0、75、150和225 kg/hm2(分別記為N0、N1、N2和N3)，重復(fù)3次，共計(jì)24個(gè)小區(qū)，小區(qū)面積30 m2，小區(qū)間以埂相隔，獨(dú)立排灌。3月25日播種，4月25日移栽，7月16日收獲，南北行向，行株距為24 cm×14 cm。氮肥用尿素，分別按照基肥∶分蘗肥∶穗肥=4∶3∶3施用；另外配施磷肥(折合P2O5) 75 kg/hm2(鈣鎂磷肥)、鉀肥(折合K2O) 150 kg/hm2(氯化鉀)，全部作為基肥施入，其他栽培管理措施同當(dāng)?shù)馗弋a(chǎn)水平。

表1 無(wú)人機(jī)及數(shù)碼相機(jī)主要參數(shù)

表2 顏色指數(shù)及其計(jì)算公式

r、g、b分別為數(shù)字正射影像中紅、綠、藍(lán)三個(gè)通道的像元值。

r, g and b represent the digital number of red channel, green channel and blue channel in digital orthomosaic map, respectively.

1.2 數(shù)據(jù)獲取

1.2.1 無(wú)人機(jī)數(shù)碼影像獲取

于分蘗期(2019-05-21、2020-05-19)、拔節(jié)期(2019-05-28、2020-05-29)、孕穗期(2019-06-03、2020-06-06)、抽穗期(2019-06-11、2020-06-12)和灌漿期(2019-06-22、2020-06-24)用大疆御Mavic pro型無(wú)人機(jī)(深圳大疆創(chuàng)新科技有限公司)獲取早稻試驗(yàn)田無(wú)人機(jī)數(shù)碼影像，無(wú)人機(jī)及其搭載的數(shù)碼相機(jī)主要參數(shù)如表1所示。數(shù)碼影像獲取選擇在晴朗、無(wú)云天氣進(jìn)行，獲取時(shí)間為11：00－13：00，無(wú)人機(jī)飛行高度為10 m，飛行速度為5 m/s，航向和旁向重疊率均為85%；相機(jī)設(shè)置為自動(dòng)對(duì)焦和自動(dòng)曝光模式。數(shù)碼影像獲取后，用Agisoft Photoscan Professional軟件進(jìn)行拼接，得到整個(gè)水稻試驗(yàn)田的數(shù)字正射影像。

1.2.2 葉面積指數(shù)獲取

與無(wú)人機(jī)數(shù)碼影像獲取同步，每個(gè)小區(qū)選擇長(zhǎng)勢(shì)一致的代表性水稻稻株4株帶回實(shí)驗(yàn)室，根據(jù)植株器官發(fā)育情況，將樣品植株分離為葉、莖鞘和穗。從分離出的葉片中隨機(jī)選取10片健康葉，取中段8 cm通過(guò)測(cè)量長(zhǎng)寬得到鮮葉面積(LA)，再在105℃下殺青30 min，80℃下烘干48 h至恒重后稱(chēng)量得到干質(zhì)量(DM)，根據(jù)公式1）計(jì)算出比葉面積(Specific leaf area, SLA)。將剩余葉片烘干后稱(chēng)量，與DM求和得到小區(qū)樣品的葉干質(zhì)量(W)，通過(guò)種植密度換算得到單位面積稻株數(shù)(N)，最后根據(jù)公式2）計(jì)算出小區(qū)水稻葉面積指數(shù)(LAI)[19]。

SLA=/1)；

LAI=1/4×××N×10?42)；

式中，為10個(gè)葉片段的鮮葉面積(cm2)，為10個(gè)葉片段的干質(zhì)量(g)，為小區(qū)4株水稻樣品的葉干質(zhì)量(g)，為比葉面積(cm2/g)，為單位面積(1 m2)的稻株數(shù)。

1.3 數(shù)據(jù)處理

1.3.1 顏色指數(shù)

用ENVI軟件提取水稻試驗(yàn)田數(shù)字正射影像紅、綠、藍(lán)3個(gè)通道的像元值(Digital number, DN)，分別記作r、g、b，然后利用DN值計(jì)算不同類(lèi)型顏色指數(shù)。根據(jù)前人研究，本研究選擇9種常見(jiàn)的顏色指數(shù)構(gòu)建監(jiān)測(cè)模型，顏色指數(shù)及其計(jì)算公式如表2所示。

1.3.2 紋理特征

本研究基于3個(gè)通道中與LAI相關(guān)性最高通道的DN值，利用ENVI軟件中的濾波(Filter)工具，按照3×3窗口大小計(jì)算紋理特征。采用紋理特征為Haralick等[25]研究提出的8種常見(jiàn)紋理，紋理特征詳細(xì)描述如表3所示。

1.4 模型構(gòu)建與檢驗(yàn)

基于2019年試驗(yàn)數(shù)據(jù)，用SPSS 20軟件分析不同生育時(shí)期顏色指數(shù)及紋理特征與LAI之間的相關(guān)系數(shù)，根據(jù)相關(guān)系數(shù)確定最佳監(jiān)測(cè)生育時(shí)期和最優(yōu)顏色指數(shù)和紋理特征；然后擬合最優(yōu)顏色指數(shù)及紋理特征與LAI之間的線性(一次函數(shù))和非線性(指數(shù)函數(shù))方程，并通過(guò)比較擬合方程決定系數(shù)(Determination coefficient,2)來(lái)確定最優(yōu)監(jiān)測(cè)模型。利用2020年試驗(yàn)數(shù)據(jù)對(duì)建立的監(jiān)測(cè)模型進(jìn)行檢驗(yàn)，通過(guò)計(jì)算預(yù)測(cè)值與實(shí)測(cè)值之間的相對(duì)均方根誤差(Relative root mean square error, RRMSE)檢驗(yàn)監(jiān)測(cè)模型的精確度，通過(guò)計(jì)算偏差(bias,)值來(lái)檢驗(yàn)預(yù)測(cè)模型高估或低估[26]。

(3) (4)

式中，為樣本數(shù)，P為L(zhǎng)AI預(yù)測(cè)值，O為L(zhǎng)AI實(shí)測(cè)值，為所有LAI實(shí)測(cè)值的平均值。

2 結(jié)果與分析

2.1 不同生育時(shí)期水稻葉面積指數(shù)變化

圖1展示了不同施氮量下水稻LAI的動(dòng)態(tài)變化規(guī)律。由圖1可知，不同水稻品種LAI隨生育進(jìn)程均表現(xiàn)出先升后降的變化趨勢(shì)，即從分蘗期到孕穗期不斷增大，到孕穗期時(shí)達(dá)到最大，之后逐漸減小。如N2施氮量下早秈618分蘗期至灌漿期的LAI分別為1.79、4.02、5.73、5.79和5.42。施氮量對(duì)水稻LAI影響顯著，兩個(gè)水稻品種不同生育時(shí)期的LAI均表現(xiàn)為隨施氮量增加而增大。如湘早秈45拔節(jié)期4個(gè)施氮量下的LAI分別為3.64、4.19、4.29和5.03。

圖1 不同施氮量下水稻葉面積指數(shù)的動(dòng)態(tài)變化

Fig.1.Dynamic changes of rice leaf area index at different fertilizer-N application levels.

表3 紋理特征描述

2.2 不同生育時(shí)期顏色指數(shù)及紋理特征與葉面積指數(shù)之間的相關(guān)性

表4展示了顏色指數(shù)及紋理特征與水稻LAI之間的相關(guān)性變化。結(jié)果顯示，三個(gè)通道當(dāng)中，紅光通道與LAI之間的相關(guān)性最高，可以此通道為基礎(chǔ)提取紋理特征。9個(gè)顏色指數(shù)相比，超紅植被指數(shù)(ExR)表現(xiàn)最好，其在分蘗期、拔節(jié)期、孕穗期、抽穗期時(shí)與LAI均表現(xiàn)出顯著相關(guān)。8個(gè)紋理特征當(dāng)中，方差(VAR)、對(duì)比度(CON)和異質(zhì)性(DIS)表現(xiàn)優(yōu)于其余5個(gè)紋理特征。進(jìn)一步對(duì)上述4個(gè)顏色指數(shù)及紋理特征與LAI之間的相關(guān)性隨生育進(jìn)程的變化進(jìn)行分析，發(fā)現(xiàn)顏色指數(shù)及紋理特征與LAI之間的相關(guān)性隨生育進(jìn)程不斷下降，如VAR與LAI之間的相關(guān)系數(shù)從分蘗期至灌漿期分別為0.768、0.759、0.628、0.483和?0.096，在生育前期(分蘗期+拔節(jié)期)和生育后期(即孕穗期+抽穗期+灌漿期)與LAI之間的相關(guān)系數(shù)分別為0.910和0.400，而在全生育期時(shí)相關(guān)系數(shù)則為0.513。表明在水稻生育前期(分蘗期+拔節(jié)期)顏色指數(shù)及紋理特征與水稻LAI之間的相關(guān)性高于所有單個(gè)生育期、生育后期和全生育期，因此可以確定為最佳的監(jiān)測(cè)時(shí)期并建立監(jiān)測(cè)模型實(shí)現(xiàn)LAI快速監(jiān)測(cè)。

表4 葉面積指數(shù)與顏色指數(shù)及紋理特征之間的相關(guān)關(guān)系

*代表= 0.05顯著水平，**代表= 0.01顯著水平。

*,= 0.05, **,= 0.01.

表5 基于顏色指數(shù)和紋理特征的水稻葉面積指數(shù)監(jiān)測(cè)模型構(gòu)建和驗(yàn)證

2.3 基于顏色指數(shù)和紋理特征的水稻葉面積指數(shù)監(jiān)測(cè)模型

利用2019年試驗(yàn)數(shù)據(jù)構(gòu)建水稻生育前期(分蘗期+拔節(jié)期)LAI監(jiān)測(cè)模型，將兩個(gè)水稻品種分蘗期、拔節(jié)期和分蘗期+拔節(jié)期的超紅植被指數(shù)(ExR)、方差(VAR)、對(duì)比度(CON)和異質(zhì)性(DIS)分別與LAI進(jìn)行線性和指數(shù)函數(shù)擬合。結(jié)果發(fā)現(xiàn)，不同生育時(shí)期顏色指數(shù)和紋理特征與LAI之間的最佳擬合方程均為指數(shù)函數(shù)。利用ExR構(gòu)建的分蘗期和拔節(jié)期LAI監(jiān)測(cè)模型的決定系數(shù)(2)分別為0.5169和0.4712，生育前期(分蘗期+拔節(jié)期)監(jiān)測(cè)模型2為0.0003(表5)。進(jìn)一步分析所構(gòu)建的監(jiān)測(cè)模型，發(fā)現(xiàn)基于ExR構(gòu)建的監(jiān)測(cè)模型在兩個(gè)生育時(shí)期表現(xiàn)存在較大差異，監(jiān)測(cè)模型在生育前期(分蘗期+拔節(jié)期)的通用性較差(圖2-A)。利用紋理特征(VAR、CON和DIS)構(gòu)建的分蘗期和拔節(jié)期LAI監(jiān)測(cè)模型的2分別為0.5511 ～0.5848、0.5099～0.5481，生育前期(分蘗期+拔節(jié)期)LAI監(jiān)測(cè)模型的2為0.7944～0.8064，監(jiān)測(cè)模型在生育前期的通用性較顏色指數(shù)ExR明顯增強(qiáng)(圖2-B、圖2-C～D)。

2.4 基于顏色指數(shù)和紋理特征的水稻葉面積指數(shù)監(jiān)測(cè)模型檢驗(yàn)

利用2020年試驗(yàn)數(shù)據(jù)對(duì)建立的水稻生育前期(分蘗期+拔節(jié)期)LAI監(jiān)測(cè)模型進(jìn)行檢驗(yàn)。結(jié)果如表5和圖3所示，基于超紅植被指數(shù)(ExR)構(gòu)建的水稻LAI監(jiān)測(cè)模型在分蘗期、拔節(jié)期、分蘗期+拔節(jié)期的RRMSE分別為0.5394、0.3099、0.2487，分別為1.8288、0.9632、0.8406，誤差較大且存在明顯高估現(xiàn)象；基于方差(VAR)紋理特征構(gòu)建的監(jiān)測(cè)模型在分蘗期、拔節(jié)期、分蘗期+拔節(jié)期的RRMSE分別為0.1607、0.1998、0.1658，分別為0.1476、0.3505、0.1306；基于對(duì)比度(CON)紋理特征構(gòu)建的監(jiān)測(cè)模型在分蘗期、拔節(jié)期、分蘗期+拔節(jié)期的RRMSE分別為0.5576、0.2433、0.4407，分別為0.9824、0.2776、0.5352；基于異質(zhì)性(DIS)紋理特征構(gòu)建的監(jiān)測(cè)模型在分蘗期、拔節(jié)期、分蘗期+拔節(jié)期的RRMSE分別為0.3614、0.2371、0.3781，分別為0.6211、0.1936、0.4446。綜合比較上述4個(gè)顏色指數(shù)和紋理特征的表現(xiàn)，發(fā)現(xiàn)基于紋理特征方差(VAR)構(gòu)建的監(jiān)測(cè)模型表現(xiàn)最優(yōu)，特別是利用其建立的生育期前期(分蘗期+拔節(jié)期)通用LAI監(jiān)測(cè)模型，監(jiān)測(cè)精度明顯高于基于其他顏色指數(shù)和紋理特征構(gòu)建的監(jiān)測(cè)模型。

Fig.2.Monitoring models of rice leaf area index (LAI) based on color indices and texture features.

3 討論

近年來(lái)，無(wú)人機(jī)遙感技術(shù)快速發(fā)展，尤其是搭載數(shù)碼相機(jī)的無(wú)人機(jī)遙感，憑借其機(jī)動(dòng)靈活、作業(yè)效率高、成本低等優(yōu)點(diǎn)被廣泛應(yīng)用于作物長(zhǎng)勢(shì)及生理參數(shù)的快速無(wú)損監(jiān)測(cè)中。因此，闡明無(wú)人機(jī)數(shù)碼影像監(jiān)測(cè)水稻LAI的最佳生育時(shí)期和最優(yōu)參數(shù)，并建立適宜的定量監(jiān)測(cè)模型對(duì)于快速無(wú)損獲取水稻LAI信息及豐產(chǎn)高效栽培顯得尤為重要。

圖3 基于顏色指數(shù)和紋理特征的水稻葉面積指數(shù)監(jiān)測(cè)模型檢驗(yàn)

Fig.3.Validation of rice leaf area index (LAI) monitoring models based on color indices and texture features.

本研究首先分析了不同生育時(shí)期無(wú)人機(jī)數(shù)碼影像中顏色指數(shù)及紋理特征與水稻LAI之間的相關(guān)性。結(jié)果表明，兩者之間的相關(guān)性在全生育期表現(xiàn)較差，表明利用無(wú)人機(jī)數(shù)碼影像監(jiān)測(cè)水稻LAI時(shí)需分時(shí)期建立監(jiān)測(cè)模型，這與前人的研究結(jié)果相一致[27-28]。不同生育時(shí)期相比較，兩者之間的相關(guān)性隨生育進(jìn)程不斷下降，在整個(gè)分蘗期到拔節(jié)期，顏色指數(shù)及紋理特征與LAI之間存在極顯著相關(guān)性，到孕穗期時(shí)相關(guān)性明顯下降。進(jìn)一步分析生育前期(分蘗期+拔節(jié)期)和生育后期(孕穗期+抽穗期+灌漿期)的相關(guān)性變化。結(jié)果發(fā)現(xiàn)，在整個(gè)水稻生育前期，顏色指數(shù)及紋理參數(shù)與LAI之間存在較高的相關(guān)性。這主要是由于數(shù)碼影像只能獲取可見(jiàn)光信息，因可見(jiàn)光在水稻冠層中的穿透能力較弱，數(shù)碼影像主要反映水稻冠層的橫向擴(kuò)展[29]，在水稻生長(zhǎng)旺盛時(shí)易出現(xiàn)飽和現(xiàn)象[31]。因此，在利用無(wú)人機(jī)數(shù)碼相機(jī)監(jiān)測(cè)水稻LAI時(shí)，應(yīng)在生育前期進(jìn)行。

同時(shí)，本研究還比較了不同顏色指數(shù)和紋理特征監(jiān)測(cè)水稻LAI時(shí)的效果。結(jié)果表明，紋理特征監(jiān)測(cè)水稻LAI的效果好于顏色指數(shù)。一方面由于紋理特征能在植被覆蓋度較高時(shí)緩解顏色指數(shù)監(jiān)測(cè)容易出現(xiàn)的飽和問(wèn)題[13]。另一方面，紋理特征還能反映圖像灰度性質(zhì)及其空間關(guān)系，提高目標(biāo)的分類(lèi)辨識(shí)度[31-32]。圖4直觀展示了水稻小區(qū)內(nèi)顏色指數(shù)ExR和紋理特征VAR在水稻分蘗期和拔節(jié)期時(shí)的空間分布。如圖所示，紋理特征VAR的數(shù)值變化能有效反映水稻葉片和浮萍之間的差異，進(jìn)而可提高水稻稻株的辨識(shí)度。因此，利用紋理特征構(gòu)建的水稻LAI監(jiān)測(cè)模型，準(zhǔn)確性較基于顏色指數(shù)構(gòu)建的監(jiān)測(cè)模型明顯提高。與傳統(tǒng)的作物L(fēng)AI田間測(cè)量方法相比，本研究利用無(wú)人機(jī)數(shù)碼相機(jī)獲取數(shù)碼影像數(shù)據(jù)建立LAI模型，進(jìn)而反演水稻LAI，具有數(shù)據(jù)獲取快捷高效、實(shí)時(shí)準(zhǔn)確等優(yōu)點(diǎn)。

當(dāng)然，本研究建立的水稻LAI監(jiān)測(cè)模型尚未考慮種植密度、株型等因素的影響，可能會(huì)導(dǎo)致模型在普適性方面存在局限。因此，今后還應(yīng)在水稻主產(chǎn)區(qū)采用多年多點(diǎn)試驗(yàn)資料對(duì)模型進(jìn)行應(yīng)用測(cè)驗(yàn)與完善，提高模型的預(yù)測(cè)精度。

A－分蘗期原始影像；B－分蘗期ExR空間分布；C－分蘗期VAR空間分布；D－拔節(jié)期原始影像；E－拔節(jié)期ExR空間分布；F－拔節(jié)期VAR空間分布。

Fig.4.Distribution of color index ExR and texture feature VAR in rice plot.

4 結(jié)論

本研究基于田間實(shí)測(cè)數(shù)據(jù)，系統(tǒng)分析了無(wú)人機(jī)數(shù)碼影像中顏色指數(shù)及紋理特征與水稻LAI之間的相關(guān)關(guān)系，并構(gòu)建監(jiān)測(cè)模型，主要結(jié)論如下：

1)顏色指數(shù)和紋理特征相比較，紋理特征與水稻LAI的相關(guān)性較高；

2)不同生育時(shí)期相比較，紋理特征與水稻LAI之間的相關(guān)性在生育前期高于生育后期，尤其是從分蘗期到拔節(jié)期時(shí)。

3)所有紋理特征和顏色指數(shù)當(dāng)中，方差(VAR)紋理特征在監(jiān)測(cè)水稻生育前期LAI時(shí)表現(xiàn)最優(yōu)，可構(gòu)建監(jiān)測(cè)模型LAI = 1.1656×exp(0.0174×VAR)實(shí)現(xiàn)水稻LAI快速、無(wú)損監(jiān)測(cè)。

[1] 龔金龍, 邢志鵬, 胡雅杰, 張洪程, 戴其根, 霍中洋, 許軻, 魏海燕, 高輝.秈、粳超級(jí)稻光合物質(zhì)生產(chǎn)與轉(zhuǎn)運(yùn)特征的差異[J].作物學(xué)報(bào), 2014, 40(3): 497-510.

Gong J L, Xing Z P, Hu Y J, Zhang H C, Dai Q G, Huo Z Y, Xu K, Wei H Y, Gao H.Difference of characteristics of photosynthesis, matter production and translocation betweenandsuper rice[J]., 2014, 40(3): 497-510.(in Chinese with English abstract)

[2] 姜元華, 許軻, 趙可, 孫建軍, 韋還和, 許俊偉, 魏海燕, 郭保衛(wèi), 霍中洋, 戴其根, 張洪程.甬優(yōu)系列秈粳雜交稻的冠層結(jié)構(gòu)與光合特性[J].作物學(xué)報(bào), 2015, 41(2): 286-296.

Jiang Y H, Xu K, Zhao K, Sun J J, Wei H H, Xu J W , Wei H Y, Guo B W, Huo Z Y, Dai Q G, Zhang H C.Canopy structure and photosynthetic characteristics of Yongyou series of-hybrid rice under high-yielding cultivation condition[J]., 2015, 41(2): 286-296.(in Chinese with English abstract)

[3] 殷堯翥, 郭長(zhǎng)春, 孫永健, 武云霞, 余華清, 孫知白, 張橋, 王海月, 楊志遠(yuǎn), 馬均.稻油輪作下油菜秸稈還田與水氮管理對(duì)雜交稻群體質(zhì)量和產(chǎn)量的影響[J].中國(guó)水稻科學(xué), 2019, 33(3): 257-268.

Yin Y Z, Guo C C, Sun Y J, Wu Y X, Yu H Q, Sun Z B, Zhang Q, Wang H Y, Yang Z Y, Ma J.Effects of rape straw retention and water and nitrogen management on population quality and yield of hybrid rice under rice-rape rotation[J]., 2019, 33(3): 257-268.(in Chinese with English abstract)

[4] 侯佳敏, 羅寧, 王溯, 孟慶鋒, 王璞.增密對(duì)我國(guó)玉米產(chǎn)量-葉面積指數(shù)-光合速率的影響[J].中國(guó)農(nóng)業(yè)科學(xué), 2021, 54(12): 2538-2546.

Hou J M, Luo N, Wang S, Meng Q F, Wang P.Effects of increasing planting density on grain yield, leaf area index and photosynthetic rate of maize in China[J]., 2021, 54(12): 2538-2546.(in Chinese with English abstract)

[5] 李艷大, 孫濱峰, 曹中盛, 葉春, 舒時(shí)富, 黃俊寶, 何勇.基于作物生長(zhǎng)監(jiān)測(cè)診斷儀的雙季稻葉面積指數(shù)監(jiān)測(cè)模型[J].農(nóng)業(yè)工程學(xué)報(bào), 2020, 36(10): 141-149.

Li Y D, Sun B F, Cao Z S, Ye C, Shu S F, Huang J B, He Y.Model for monitoring leaf area index of double cropping rice based on crop growth monitoring and diagnosis apparatus[J].(), 2020, 36(10): 141-149.(in Chinese with English abstract)

[6] Qiao K, Zhu W Q, Xie Z Y, Li, P X.Estimating the seasonal dynamics of the leaf area index using piecewise LAI-VI relationships based on phenophases[J]., 2019, 11(6): 689.

[7] 李艷大, 舒時(shí)富, 陳立才, 葉春, 王康軍, 黃俊寶.基于歸一化法的雙季稻葉面積指數(shù)動(dòng)態(tài)預(yù)測(cè)模型[J].中國(guó)農(nóng)學(xué)通報(bào), 2017, 33(29): 77-84.

Li Y D, Shu S F, Chen L C, Ye C, Wang K J, Huang J B.A predict model of dynamic leaf area index of double cropping rice based on normalized method[J]., 2017, 33(29): 77-84.(in Chinese with English abstract)

[8] Campos-Taberner M, García-Haro F J, Camps-Valls G, Grau-Muedra G, Nutini F, Crema A, Boschetti M.Multitemporal and multiresolution leaf area index retrieval for operational local rice crop monitoring[J]., 2016, 187: 102-118.

[9] 張漫, 苗艷龍, 仇瑞承, 季宇寒, 李寒, 李民贊.基于車(chē)載三維激光雷達(dá)的玉米葉面積指數(shù)測(cè)量[J].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(6): 12-21.

Zhang M, Miao Y L, Qiu R C, Ji Y H, Li H, Li M Z.Maize leaf area index measurement based on vehicle 3D LiDAR[J]., 2019, 50(6): 12-21.(in Chinese with English abstract)

[10] 牛小桃, 樊軍, 王勝, 王秋銘.利用魚(yú)眼攝像機(jī)測(cè)量植被葉面積指數(shù)動(dòng)態(tài)變化[J].應(yīng)用生態(tài)學(xué)報(bào), 2018, 29(10): 3183-3190.

Niu X T, Fan J, Wang S, Wang Q M.measuring the dynamic of leaf area index of vegetation using fisheye camera[J]., 2018, 29(10): 3183-3190.(in Chinese with English abstract)

[11] 劉楊, 馮海寬, 黃玨, 孫乾, 楊福芹, 楊貴軍.基于無(wú)人機(jī)高光譜影像的馬鈴薯株高和地上生物量估算[J].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2021, 52(2): 188-198.

Liu Y, Feng H K, Huang J, Sun Q, Yang F Q, Yang G J.Estimation of potato plant height and above-ground biomass based on UAV hyperspectral images[J]., 2021, 52(2): 188-198.(in Chinese with English abstract)

[12] 宋勇, 陳兵, 王瓊, 蘇維, 孫樂(lè)鑫, 趙靜, 韓煥勇, 王方永.無(wú)人機(jī)遙感監(jiān)測(cè)作物病蟲(chóng)害研究進(jìn)展[J].棉花學(xué)報(bào), 2021, 33(3): 291-306.

Song Y, Chen B, Wang Q, Su W, Sun L X, Zhao J, Han H Y, Wang F Y.Research advances of crop diseases and insect pests monitoring by unmanned aerial vehicle remote sensing[J]., 2021, 33(3): 291-306.(in Chinese with English abstract)

[13] Zhang L Y, Zhang H H, Niu Y X, Han W T.Mapping maize water stress based on UAV multispectral remote sensing[J]., 2019, 11(6): 605.

[14] 江杰, 張澤宇, 曹強(qiáng), 田永超, 朱艷, 曹衛(wèi)星, 劉小軍.基于消費(fèi)級(jí)無(wú)人機(jī)搭載數(shù)碼相機(jī)監(jiān)測(cè)小麥長(zhǎng)勢(shì)狀況研究[J].南京農(nóng)業(yè)大學(xué)學(xué)報(bào), 2019, 42(4): 622-631.

Jiang J, Zhang Z Y, Cao Q, Tian Y C, Zhu Y, Cao W X, Liu X J.Use of a digital camera mounted on a consumer-grade unmanned aerial vehicle to monitor the growth status of wheat[J]., 2019, 42(4): 622-631.(in Chinese with English abstract)

[15] 高林, 楊貴軍, 李紅軍, 李振海, 馮海寬, 王磊, 董錦繪, 賀鵬.基于無(wú)人機(jī)數(shù)碼影像的冬小麥葉面積指數(shù)探測(cè)研究[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2016, 24(9): 1254-1264.

Gao L, Yang G J, Li H J, Li Z H, Feng H K, Wang L, Dong J H, He P.Winter wheat LAI estimation using unmanned aerial vehicle RGB-imaging[J]., 2016, 24(9): 1254-1264.(inChinese with English abstract)

[16] Hunt E R, Cavigelli M, Daughtry C, Mcmurtrey J E, Walthall C L.Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J]., 2005, 6(4): 359-378.

[17] 萬(wàn)亮, 岑海燕, 朱姜蓬, 張佳菲, 杜曉月, 何勇.基于紋理特征與植被指數(shù)融合的水稻含水量無(wú)人機(jī)遙感監(jiān)測(cè)[J].智慧農(nóng)業(yè)(中英文), 2020, 2(1): 58-67.

Wan L, Cen H Y, Zhu J P, Zhang J F, Du X Y, He Y.Using fusion of texture features and vegetation indices from water concentration in rice crop to UAV remote sensing monitor[J]., 2020, 2(1): 58-67.(in Chinese with English abstract)

[18] 陳鵬飛, 梁飛.基于低空無(wú)人機(jī)影像光譜和紋理特征的棉花氮素營(yíng)養(yǎng)診斷研究[J].中國(guó)農(nóng)業(yè)科學(xué), 2019, 52(13): 2220-2229.

Chen P F, Liang F.Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle[J]., 2019, 52(13): 2220-2229.(in Chinese with English abstract)

[19] Kon?pka B, Pajtík J, Maru?ák R, Bo?e’a M, Lukac M.Specific leaf area and leaf area index in developing stands ofL.and[J]., 2016, 364: 52-59.

[20] Shibayama M C, Sakamoto T H, Takada E J, Inoue A H, Morita K H, Yamaguchi T K Y, Takahashi W T R, Kimura A H.Estimating rice leaf greenness (SPAD) using fixed-point continuous observations of visible red and near infrared narrow-band digital images[J]., 2012, 15(4): 293-309.

[21] Meyer G E, Hindman T W, Laksmi K.Machine vision detection parameters for plant species identification[J]., 1999, 3543: 327-335.

[22] Meyer G E, Neto J C.Verification of color vegetation indices for automated crop imaging applications[J]., 2008, 63(2): 282-293.

[23] Gitelson A A, Kaufman Y J, Stark R, Rundquist D.Novel algorithms for remote estimation of vegetation fraction [J]., 2002, 80(1): 76-87.

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

[25] Haralick R M, Shanmugam K, Dinstein I.Textural features for image classification[J]., 1973, SMC-3(6): 610-621.

[26] Cao Z S, Cheng T, Ma X, Tian Y C, Zhu Y, Yao X, Chen Q, Liu S Y, Guo Z Y, Zhen Q M, Li X.A new three-band spectral index for mitigating the saturation in the estimation of leaf area index in wheat[J]., 2017, 38(13): 3865-3885.

[27] Bendig J, Yu K, Aasen H, Bolten A, Bennertz S, Broscheit J, Gnyp M L, Bareth G.Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J]., 2015, 39: 79-87.

[28] 鄭恒彪.水稻生育期及生長(zhǎng)參數(shù)的近地面遙感監(jiān)測(cè)研究[D].南京: 南京農(nóng)業(yè)大學(xué), 2018.

Zheng H B.Monitoring rice phenology and growth parameters using near-ground remote sensing platforms[D].Nanjing: Nanjing agricultural university, 2018, Nanjing.(in Chinese with English abstract)

[29] Sun B, Wang C F, Yang C H, Xu B D, Zhou G S, Li X Y, Xie J, Xu S J, Liu B, Xie T J, Kuai J, Zhang J.Retrieval of rapeseed leaf area index using the PROSAIL model with canopy coverage derived from UAV images as a correction parameter[J]., 2021, 102: 102373.

[30] Ciganda V S, Gitelson A A, Schepers J.How deep does a remote sensor sense? Expression of chlorophyll content in a maize canopy[J]., 2012, 126: 240-247.

[31] Mishra P, Nordon A, Mohd A, Mohd S, Lian, G P, Redfern S.Fusing spectral and textural information in near-infrared hyperspectral imaging to improve green tea classification modelling[J]., 2019, 249: 40-47.

[32] Duan M Q, Zhang X G.Using remote sensing to identify soil types based on multiscale image texture features[J]., 2021, 187: 106272.

Monitoring Rice Leaf Area Index Based on Unmanned Aerial Vehicle (UAV) Digital Images

CAO Zhongsheng1, LI Yanda1,*, HUANG Junbao1, YE Chun1, SUN Binfeng1, SHU Shifu1, ZHU Yan2, HE Yong3

(Institute of Agricultural Engineering, Jiangxi Engineering Research Center of Intelligent Agricultural Machinery Equipment/Jiangxi Engineering Research Center of Information Technology in Agriculture, Jiangxi Academy of Agricultural Sciences, Nanchang 330200, China; National Engineering and Technology Center for Information Agriculture, Nanjing Agricultural University, Nanjing 210095, China; College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310029, China;<>Corresponding author, E-mail: liyanda2008@126.comCorresponding author, E-mail: liyanda2008@126.com)

【Obiective】Leaf area index (LAI) is a crucial variable for assessing rice growth, and unmanned aerial vehicle (UAV) digital images can serve as an efficient way to real-time, no-destructive monitoring of crop growth parameters.However, it remains unclear which parameter in digital images can be used to estimate rice LAI.In addition, the optimal growth stage for monitoring is also unknown.【Method】In this study, the UAV digital images were initially collected from two field experiments encompassing variations over two years with four cultivars at four nitrogen application levels.Then, the relationship between UAV digital image parameters (nine color indices and eight texture features) and rice LAI at different growth stages (tillering stage, jointing stage, booting stage, heading stage and filling stage) were analyzed.【Result】The results suggested that the early growth stages, including both tillering stage and jointing stage, were suitable for rice LAI monitoring through UAV digital images, and the texture feature variance (VAR) exhibits greatest accuracy in model calibration with a determination coefficient (2) of 0.7980.In the validation based on independent experiment, this texture feature also performs well with relative root mean square error (RRMSE) of 0.1658 and bias() of 0.1306.【Conclusion】Taking the accuracy and convenience in application into consideration, we found that the texture feature VAR could be used to monitor rice LAI in early growth stage with estimation models of LAI = 1.1656×exp(0.0174×VAR).

rice; leaf area index; unmanned aerial vehicle; digital image; texture feature; monitoring model

2021-07-29；

2021-11-04。

國(guó)家重點(diǎn)研發(fā)計(jì)劃資助項(xiàng)目(2016YFD0300608)；“萬(wàn)人計(jì)劃”青年拔尖人才資助項(xiàng)目；江西省“雙千計(jì)劃”資助項(xiàng)目；江西省科技計(jì)劃資助項(xiàng)目(20202BBFL63044, 20182BCB22015, 20202BBFL63046, 20192BBF60052)；江西省農(nóng)業(yè)科研協(xié)同創(chuàng)新項(xiàng)目(JXXTCXQN202110)；江西省農(nóng)業(yè)科學(xué)院創(chuàng)新基金博士啟動(dòng)項(xiàng)目(20182CBS001)。