無人機(jī)多光譜影像的馬鈴薯地上生物量估算

于 翔 ， 包 瓊

（1.三和數(shù)碼測繪地理信息技術(shù)有限公司，甘肅 天水 741000；2.甘肅省土地開發(fā)整理中心，甘肅 蘭州 730000）

在新時(shí)期背景下，我國農(nóng)業(yè)現(xiàn)代化建設(shè)水平不斷提升，各種現(xiàn)代高新技術(shù)被廣泛應(yīng)用于農(nóng)業(yè)生產(chǎn)之中。從實(shí)際應(yīng)用角度分析，AGB 信息在實(shí)際應(yīng)用過程中承擔(dān)著農(nóng)作物活力以及凈初級(jí)生產(chǎn)力的基礎(chǔ)支撐功能，可以有效并精準(zhǔn)反映農(nóng)作物光合作用強(qiáng)度、營養(yǎng)狀況以及長勢等信息，為農(nóng)業(yè)生產(chǎn)管理提供精準(zhǔn)的數(shù)據(jù)支持[1-2]。以往AGB 信息采集主要采用取樣法，該方法在實(shí)際應(yīng)用中主要依托于人工方法實(shí)現(xiàn)，難以滿足當(dāng)前我國農(nóng)業(yè)生產(chǎn)規(guī)模化要求。隨著遙感技術(shù)的不斷發(fā)展，其影像多樣性以及高分辨率特征使其成為高效精準(zhǔn)獲取AGB 信息的重要技術(shù)依托。目前，應(yīng)用較為廣泛的傳感器設(shè)備主要包含數(shù)碼、高光譜以及多光譜3 種，前兩種在實(shí)際應(yīng)用過程中暴露出信息采集率不足以及成本高昂等缺陷[3-4]，而多光譜傳感器則因具備經(jīng)濟(jì)性以及波段廣闊性等優(yōu)勢，被廣泛應(yīng)用于農(nóng)業(yè)定量遙感技術(shù)領(lǐng)域。

1 實(shí)驗(yàn)設(shè)計(jì)

為深入探究無人機(jī)多光譜影像在馬鈴薯AGB 信息采集方面的應(yīng)用成效，研究人員通過實(shí)驗(yàn)的方式對(duì)其進(jìn)行研究。該實(shí)驗(yàn)選定在某國家精準(zhǔn)農(nóng)業(yè)研究示范基地內(nèi)開展，該基地位于暖溫帶半濕潤大陸性季風(fēng)氣候區(qū)域，具體實(shí)際過程中采用隨機(jī)實(shí)驗(yàn)方式，共設(shè)置密度實(shí)驗(yàn)、氮素實(shí)驗(yàn)以及鉀肥實(shí)驗(yàn)3 種試驗(yàn)區(qū)，并分別對(duì)其進(jìn)行同等條件下的控制實(shí)驗(yàn)，每種實(shí)驗(yàn)實(shí)際重復(fù)進(jìn)行3 次。本次實(shí)驗(yàn)設(shè)計(jì)中，研究人員共設(shè)置面積為32.5 m2的試驗(yàn)區(qū)48 個(gè)，并在試驗(yàn)區(qū)周邊設(shè)置地面控制點(diǎn)11 個(gè)，通過差分GPS 對(duì)試驗(yàn)區(qū)三維空間進(jìn)行測定。

在完成試驗(yàn)區(qū)設(shè)置后，研究人員選定在晴朗無風(fēng)的條件下對(duì)裸土期、塊莖形成期、塊莖增長期以及淀粉積累期內(nèi)的作物多光譜數(shù)據(jù)進(jìn)行采集。每次采集過程中采用同等的起飛地點(diǎn)以及航線，具體為：在12：00 起飛，飛行高度控制在30 m，航向重疊度以及旁向重疊度分別為80%以及85%。在實(shí)際開展數(shù)據(jù)采集工作前，研究人員首先需要利用傳感器光譜反射率對(duì)數(shù)據(jù)進(jìn)行校正，以實(shí)現(xiàn)標(biāo)定多光譜影像像元亮度數(shù)值的目的。本次實(shí)驗(yàn)中，采用六旋翼無人機(jī)搭載Parrot Sequoia農(nóng)業(yè)遙感專用4通道多光譜相機(jī)，其主要包含多光譜傳感器和光照傳感器，可支持獲取4 個(gè)120萬像素單波段影像和1個(gè)1 600 萬像素RGB 影像，多光譜傳感器波段參數(shù)如表1所示。

表1 多光譜傳感器波段參數(shù)

在植被指數(shù)以及高頻信息獲取方面。研究人員綜合以往成果，在馬鈴薯AGB 估算模型建立過程中，選取9 種各生育期表現(xiàn)較好的多波段組合植被指數(shù)（MVIs）以及本次研究過程中提取出的4 種單波段植被指數(shù)（SVIs）。同時(shí)，研究人員選擇作物不同生育期內(nèi)的REGHL、REGLH 和REGLL 共3 種高頻信息用于構(gòu)建模型。

為確保AGB 估算模型的穩(wěn)定性和精準(zhǔn)性，研究人員決定采用PLSR 以及RR 兩種方法對(duì)其進(jìn)行估算。前者在實(shí)際應(yīng)用過程中可以實(shí)現(xiàn)利用較少的數(shù)據(jù)對(duì)因變量進(jìn)行估算，而后者則是一種經(jīng)過改良的最小二乘估算法，通過損失部分信息以及精度以獲取更加實(shí)際且可靠的回歸系數(shù)。

研究人員在工作中共獲取48 組樣本數(shù)據(jù)集，其中構(gòu)建模型需要32 組數(shù)據(jù)集，其余被用于驗(yàn)證模型效果。研究人員在工作中采用決定系數(shù)以及標(biāo)準(zhǔn)均方根誤差用于精準(zhǔn)度評(píng)價(jià)工作，以確保模型的穩(wěn)定性和估算成效。

2 實(shí)驗(yàn)結(jié)果及分析

2.1 馬鈴薯株高數(shù)值提取

研究人員對(duì)3 種生育期內(nèi)的馬鈴薯作物株高進(jìn)行提取，共獲取144 組株高數(shù)據(jù)。同時(shí)，將實(shí)測數(shù)據(jù)與Hdsm 進(jìn)行橫向?qū)Ρ确治鲆源_保數(shù)值精準(zhǔn)度，最終結(jié)果顯示其NRMSE 值和R2值分別為0.143 4 和0.87。由此可見，研究中所提取的Hdsm 值相對(duì)來說是比較可靠的。

2.2 植被指數(shù)、高頻信息以及Hdsm與AGB相關(guān)性研究

研究人員選取3 種植被指數(shù)、紅邊波段高頻信息以及Hdsm 與作物不同生育期內(nèi)AGB 的相關(guān)性進(jìn)行研究，最終結(jié)果如表2 所示。通過分析表2 中的數(shù)據(jù)可知，不同生育期內(nèi)提取的馬鈴薯作物模型參數(shù)以及AGB 均達(dá)到顯著相關(guān)水平，且其塊莖形成期到淀粉積累期相關(guān)性呈現(xiàn)出較為明顯的先增后降趨勢。從整體層面分析，不同模型參數(shù)及AGB 相關(guān)性高低排序依次為多波段組合植被指數(shù)、高頻信息、單波段植被指數(shù)以及Hdsm。其中，作物塊莖形成期相關(guān)性最高模型參數(shù)為RVI，其系數(shù)值為0.750；塊莖增長期以及淀粉積累期相關(guān)性最高模型參數(shù)為GNDVI，其系數(shù)值分別為0.762 和0.759。

表2 植被指數(shù)及Hdsm 與AGB 相關(guān)性系數(shù)

2.3 基于植被指數(shù)的AGB估算分析

研究人員對(duì)原始的4 個(gè)SVIs 以及9 個(gè)MVIs 值的AGB 估算能力進(jìn)行評(píng)測，具體工作中分別利用PLSR以及RR 方法構(gòu)建出相應(yīng)的作物不同生育期AGB 估算模型[5-7]，并得出結(jié)果，如表3 所示。通過對(duì)表3 中數(shù)據(jù)進(jìn)行分析后可知，不同生育期作物AGB 模型在兩種方法下的評(píng)估成效均呈現(xiàn)出自塊莖形成期至淀粉積累期先上升后下降的趨勢；在測定方法一致的情況下，基于MVIs 構(gòu)建出的模型在精度以及穩(wěn)定性方面表現(xiàn)更優(yōu)，且最佳估算效果均在作物塊莖增長期內(nèi)；在對(duì)不同生育期估算模型精度以及穩(wěn)定性進(jìn)行橫向?qū)Ρ确治龊罂芍?，相較于RR 方法，基于PLSR 的AGB 估算方法效果更佳。

2.4 結(jié)合FHI以及Hdsm的植被指數(shù)AGB估算模型

研究人員在模型實(shí)際構(gòu)建過程中，將植被指數(shù)結(jié)合HFI 以及Hdsm 因子作為參數(shù)輸入其中，分別利用PLSR 以及RR 方法構(gòu)建出作物不同生育期的AGB 估算模型[8-10]，并得出結(jié)果，如表4 所示。通過對(duì)表4 中數(shù)據(jù)進(jìn)行深入分析后可知，在此方法前提下，兩種估算方法得出的模型變化趨勢與上述兩種方法基本一致。其中，基于融合所有特征為變量得到的估算結(jié)果最出色，其最佳估算值也在塊莖增長期內(nèi)。同時(shí)，在經(jīng)過更加深入的分析后可知，馬鈴薯3 個(gè)生長期使用PLSR 方法基于融合特征估算的AGB 效果也同樣優(yōu)于RR方法。

表3 基于植被指數(shù)的馬鈴薯AGB 估算不同方法成效

表4 基于植被指數(shù)結(jié)合HFI 和Hdsm 使用PLSR 和RR估算馬鈴薯AGB

利用3 個(gè)生長周期的無人機(jī)多波段圖像與GCP技術(shù)相配合，得到了不同生長期植株株高Hdsm 值，經(jīng)測定株高和Hdsm 值R2為0.87，驗(yàn)證了利用DSM技術(shù)進(jìn)行Hdsm 值的提取是最好的。然而，由于采用多波段遙感技術(shù)采集到的土豆植株高度與實(shí)際植株高度有一定差距，而在三維點(diǎn)云產(chǎn)生過程中，植株高度的最高處被剔除，從而使得DSM 模型下的Hdsm值變得更低。此外，獲得的多波段圖像含有少量的裸土壤像元，在Hdsm 的萃取過程中也需要進(jìn)行計(jì)算，從而也降低了植株高度。

通過對(duì)4 個(gè)單波帶植被指數(shù)、9 個(gè)多波段的植被指數(shù)、3 個(gè)紅邊波段的Hdsm 和Hdsm 分別與AGB 進(jìn)行相關(guān)性分析，發(fā)現(xiàn)各個(gè)生育期的各指標(biāo)與AGB 的相關(guān)性均達(dá)0.01，這表明各指標(biāo)都能較好地反映作物的生長狀況。3 個(gè)生育期間的相關(guān)關(guān)系由成熟期至淀粉積累期先上升后下降，這與馬鈴薯本身的生長情況有關(guān)。早期主要是馬鈴薯莖節(jié)、葉片持續(xù)生長，而在塊莖生長期，馬鈴薯地面各個(gè)部分的鮮重最大，是全生育期的最佳時(shí)期，這一階段提取的光譜圖可以真實(shí)地反映出作物的生長狀況。但隨著生育后期土壤同化物的遷移，土壤中的同化物將會(huì)從底部開始向下遷移，從底部開始由下往上逐漸老化、發(fā)黃，導(dǎo)致土豆的長勢和植被覆蓋率顯著下降，這時(shí)所得到的光譜圖信息不能反映出馬鈴薯的實(shí)際反射率，這就導(dǎo)致了3個(gè)光譜學(xué)參數(shù)與AGB 之間的關(guān)系下降。

研究人員在實(shí)際模型構(gòu)建工作中，將SVIs（x1）、MVIs（x2）、VIs 結(jié)合Hdsm（x3）、VIs 結(jié)合HFI（x4）、VIs 結(jié)合Hdsm 和HFI（x5）等作為變量參數(shù)輸入至模型中，隨后分別利用PLSR 以及RR 方法對(duì)馬鈴薯作物在不同生長周期條件下的AGB 進(jìn)行估算。結(jié)果發(fā)現(xiàn)，基于5 種變量使用同樣的方法構(gòu)建的模型效果變化趨勢均從塊莖形成期到淀粉積累期先好后變差，這與模型參數(shù)和AGB 的相關(guān)性變化趨勢相一致。相較于單波段植被指數(shù)（x1）估算模型，基于多波段組合植被指數(shù)（x2）構(gòu)建的模型精度和穩(wěn)定性都較優(yōu)，主要因?yàn)橥ㄟ^多波段組合的植被指數(shù)能夠去除或者降低背景土壤對(duì)馬鈴薯冠層光譜信息的影響，增強(qiáng)了植被指數(shù)與AGB 的敏感性，以此提高了AGB 估算精度。在利用頻帶綜合植被指數(shù)估計(jì)AGB 時(shí)，大多利用綠、紅、近紅外等波段的反射系數(shù)進(jìn)行頻帶計(jì)算，而忽略了紅光和近紅外的紅邊參數(shù)，而紅邊是植物的一種特殊光譜特性，在整個(gè)生育期都具有很強(qiáng)的靈敏度，所以紅邊的位置是研究AGB 動(dòng)態(tài)變化的關(guān)鍵。但是，單憑植物指標(biāo)來估計(jì)不同生育時(shí)期的AGB，在生長周期中會(huì)有明顯的飽和，從而導(dǎo)致對(duì)AGB 的估計(jì)不夠精確。通過將3 種不同頻率信號(hào)（HFI）與植物株高（Hdsm）融合到植物指數(shù)中，以生成新的模式因子，對(duì)各個(gè)生育階段的AGB 進(jìn)行估計(jì)。結(jié)果顯示，利用作物光譜和結(jié)構(gòu)信息建立的模型具有較好的準(zhǔn)確率穩(wěn)定性，說明了利用植物成分信息可以有效地彌補(bǔ)植物指標(biāo)的不足。

除此以外，為最大限度地減少模型參數(shù)間自相關(guān)性的影響，研究人員分別利用PLSR 以及RR 方法對(duì)不同生育期條件下的馬鈴薯作物進(jìn)行AGB 估算模型構(gòu)建。最終結(jié)果表明，在所有情況下，基于PLSR 方法構(gòu)建的模型中R2相對(duì)較大，而NRMSE 相對(duì)較小，由此可見PLSR 方法計(jì)算精準(zhǔn)度相對(duì)較高。

3 總結(jié)

綜上所述，在當(dāng)前科學(xué)技術(shù)高速發(fā)展背景下，農(nóng)業(yè)現(xiàn)代化建設(shè)對(duì)高新技術(shù)的依賴性不斷提升。由此，相關(guān)部門在實(shí)際發(fā)展過程中應(yīng)注意提高對(duì)基于無人機(jī)多光譜攝像的作物地上生物量估算的重視程度，為保障我國農(nóng)業(yè)生產(chǎn)管理高效、高質(zhì)量發(fā)展提供有利條件與技術(shù)支持。