基于無人機(jī)RGB影像的小麥葉面積指數(shù)與產(chǎn)量估算研究

楊 楠,周 萌,陳 歡,曹承富,杜世州,黃正來

(1.安徽農(nóng)業(yè)大學(xué)農(nóng)學(xué)院,安徽合肥 230036;2.安徽省農(nóng)業(yè)科學(xué)院作物研究所,安徽合肥 230031; 3.南京農(nóng)業(yè)大學(xué)農(nóng)學(xué)院/國家信息農(nóng)業(yè)工程技術(shù)中心,江蘇南京 210095)

葉面積指數(shù)(leaf area index,LAI)能有效反映作物生長信息,是衡量作物群體是否合理的重要栽培生理參數(shù),與作物蒸騰、光合、呼吸作用及碳循環(huán)、降水截獲等方面密切相關(guān)[1-2]。作物產(chǎn)量是農(nóng)業(yè)生產(chǎn)過程中最終的數(shù)量特征,對于生產(chǎn)者、政府部門等而言極其重要。目前,預(yù)測作物長勢和產(chǎn)量的方法主要包括基于地面的實(shí)地調(diào)查[3]、作物生長模型[4]、基于遙感的方法[5]等。自1970年以來,衛(wèi)星數(shù)據(jù)因具有較好的空間、時間和光譜分辨率等優(yōu)勢,已被廣泛用于大規(guī)模的作物產(chǎn)量預(yù)測[6-7]。然而,衛(wèi)星數(shù)據(jù)往往難以同時滿足空間分辨率和時間分辨率的需求,且易受到外界環(huán)境(云層等)的影響[8]。隨著農(nóng)業(yè)適度規(guī)模經(jīng)營主體的發(fā)展,作物長勢監(jiān)測對光譜數(shù)據(jù)的需求與當(dāng)前數(shù)據(jù)獲取平臺之間的矛盾越發(fā)明顯。新興的無人機(jī)平臺可以在一定程度上彌補(bǔ)現(xiàn)有衛(wèi)星平臺的不足,近年來被農(nóng)業(yè)領(lǐng)域廣泛關(guān)注[9-10]。無人機(jī)遙感作為一項(xiàng)空間數(shù)據(jù)采集的重要手段,可快速、準(zhǔn)確、無損地獲取一定范圍內(nèi)的農(nóng)田植被覆蓋、生態(tài)環(huán)境、作物長勢、病蟲草害及作物產(chǎn)量等多方面信息,具有不可替代的優(yōu)勢[11-14]。

在LAI監(jiān)測方面,通過無人機(jī)搭載數(shù)碼相機(jī)PENTAX A40獲取低空影像,去除背景提取植被覆蓋度,進(jìn)而可估測LAI[15]。用無人機(jī)搭載的FinePix S3 Pro UVIR相機(jī)獲取小麥冠層影像[16],建立的LAI與影像光譜信息衍生的GNDVI模型的r2達(dá)到0.85。除光譜特征外,來自高分辨率RGB影像的紋理特征也在植被重要表型指標(biāo)的解譯中發(fā)揮著重要作用,如小麥穗部圖像各紋理特征參數(shù)值與穗頭產(chǎn)量均呈顯著相關(guān)性[17],森林生物量與多個紋理特征存在較好的相關(guān)性[18]。Eckert等[19]認(rèn)為,相比于植被指數(shù),紋理指數(shù)NDTI(MEA800,MEA550)在森林地上部生物量的估測中表現(xiàn)優(yōu)異,原因是紋理特征可以平滑冠層結(jié)構(gòu),提升地上部的估測精度。盡管前人的研究證明了利用高分辨率無人機(jī)影像提取的光譜與紋理特征在小麥長勢監(jiān)測中的可行性,但是仍缺少光譜與紋理特征融合的LAI估算模型。

在作物產(chǎn)量預(yù)測方面,以遙感技術(shù)為支撐,對作物大面積產(chǎn)量進(jìn)行預(yù)測,是近年來研究的熱點(diǎn)[20-21]。例如,基于無人機(jī)平臺搭載的高光譜相機(jī)提取小麥株高和光譜指數(shù),采用PLSR、ANN和RF回歸技術(shù)進(jìn)行建模和驗(yàn)證,結(jié)果表明,使用PLSR回歸算法將光譜指數(shù)和株高組合,可以準(zhǔn)確地估測產(chǎn)量[22]。多數(shù)研究采用單個生育時期的數(shù)據(jù)來預(yù)測作物產(chǎn)量,模型預(yù)測精度及其穩(wěn)定性都有待提高。而作物產(chǎn)量是一個復(fù)雜和不斷積累的過程,也有研究嘗試采用融合多個生育時期信息的累積植被指數(shù)來構(gòu)建產(chǎn)量預(yù)測模型,并證明了累積植被指數(shù)可以提高對小麥產(chǎn)量的預(yù)測精度[5]。因此,結(jié)合作物多個生育時期的多源數(shù)據(jù)對產(chǎn)量進(jìn)行估測是提高預(yù)測精度的重要途徑。

為了實(shí)現(xiàn)小麥LAI的快速無損監(jiān)測和產(chǎn)量估算,本研究在2個地點(diǎn)設(shè)置不同施氮水平和小麥品種的田間試驗(yàn),以形成不同的小麥生長群體,利用無人機(jī)搭載的RGB相機(jī)獲取田間圖像,并同步取樣測定相同生育階段的小麥LAI和成熟期的產(chǎn)量數(shù)據(jù),利用影像的圖譜信息建立不同生育時期小麥LAI和成熟期產(chǎn)量的估算模型,并在不同生態(tài)點(diǎn)進(jìn)行驗(yàn)證以及評估模型的普適性,以期建立一套基于無人機(jī)影像的準(zhǔn)確自動化的表型參數(shù)監(jiān)測系統(tǒng),為小麥表型參數(shù)研究提供快速、高通量的田間監(jiān)測技術(shù)支撐。

1 材料與方法

1.1 試驗(yàn)地概況

田間試驗(yàn)于2020年10月-2021年6月在安徽省農(nóng)業(yè)科學(xué)院作物研究所濉溪縣楊柳農(nóng)業(yè)科學(xué)實(shí)驗(yàn)站(116°44′E,33°37′N)和蒙城縣農(nóng)業(yè)科技示范場(116°32′E,33°9′N)進(jìn)行。前茬作物為玉米,土壤類型為砂姜黑土,小麥播種前0～20 cm耕層土壤中,濉溪縣楊柳農(nóng)業(yè)科學(xué)實(shí)驗(yàn)站土壤pH值為5.83,有機(jī)質(zhì)含量18.69 g·kg-1,全氮含量1.11 g·kg-1,堿解氮含量101.01 mg·kg-1,有效磷含量20.45 mg·kg-1,速效鉀含量132.10 mg·kg-1;蒙城縣農(nóng)業(yè)科技示范場土壤pH值為7.05,有機(jī)質(zhì)含量20.21 g·kg-1,全氮含量0.74 g·kg-1,堿解氮含量61.07 mg·kg-1,有效磷含量9.43 mg·kg-1,速效鉀含量108.85 mg·kg-1。

1.2 試驗(yàn)設(shè)計

本研究設(shè)置2個獨(dú)立設(shè)計的氮肥梯度試驗(yàn)。

試驗(yàn)1:采用裂區(qū)設(shè)計,主區(qū)為施氮量,設(shè)置施純氮0 kg·hm-2(N0)、90 kg·hm-2(N1)、180 kg·hm-2(N2)、270 kg·hm-2(N3)和360 kg·hm-2(N4)5個施氮水平;副區(qū)為品種,分別為15CA73(C1)、中麥578(C2)、中麥255(C3)、濟(jì)麥22(C4)。每個處理3次重復(fù),小區(qū)面積為12 m2(2 m×6 m)。氮、磷、鉀肥分別為尿素(N 46%)、過磷酸鈣(P2O516%)和氯化鉀(K2O 60%)。其中,磷、鉀肥施用量分別為90 kg P2O5·hm-2、90 kg K2O·hm-2,全部基施;氮肥60%作為基肥,40%于拔節(jié)期作為追肥撒施。小麥人工條播,行距20 cm,基本苗為270萬株·hm-2。其他大田管理措施參照當(dāng)?shù)馗弋a(chǎn)田管理。

試驗(yàn)2:采用單因素隨機(jī)區(qū)組設(shè)計,設(shè)置6個施氮水平,分別為施純氮0 kg·hm-2(N0)、162 kg·hm-2(N1)、202.65 kg·hm-2(N2)、243 kg·hm-2(N3)、283.65 kg·hm-2(N4)和324 kg·hm-2(N5)。每個處理3次重復(fù),小區(qū)面積為21.6 m2(5.4 m×4.0 m)。氮、磷、鉀肥分別為尿素(N 46%)、過磷酸鈣(P2O516%)和氯化鉀(K2O 60%)。其中,磷、鉀肥施用量分別為P2O581 kg·hm-2、K2O 81 kg·hm-2,全部基施;氮肥55%作為基肥,45%于拔節(jié)期作為追肥撒施。供試小麥品種為濟(jì)麥22,機(jī)械條播,行距20 cm,播量為187.5 kg·hm-2。其他大田管理措施參照當(dāng)?shù)馗弋a(chǎn)田管理。

1.3 測定項(xiàng)目與方法

1.3.1 LAI測定

在小麥拔節(jié)期、抽穗期、開花期和灌漿期,每個小區(qū)隨機(jī)采集20單莖,使用直尺測量綠葉長度和最寬處的寬度,將二者之積再乘以系數(shù)0.83得到每片葉面積,再根據(jù)田間單位面積莖數(shù)計算LAI[23]。

1.3.2 產(chǎn)量測定

在成熟期,每個小區(qū)收獲8 m2小麥,脫粒曬干計產(chǎn),籽粒含水量達(dá)13%左右。

1.3.3 無人機(jī)影像獲取

在小麥拔節(jié)期、抽穗期、揚(yáng)花期和灌漿期獲取無人機(jī)高空間分辨率影像數(shù)據(jù)。將數(shù)碼相機(jī)FC300X(DJI-Innovations,深圳,廣東,CHN)安裝在DJI Phantom 4 Professional無人機(jī)(DJI-Innovations,深圳,廣東,CHN)上。無人機(jī)選擇在天氣晴朗、無風(fēng)或微風(fēng)的條件下10:00-14:00飛行,飛行高度為15 m,分辨率為0.2 cm,自動設(shè)置航線飛行,視場角94°,續(xù)航時間為5～20 min,定點(diǎn)懸停拍攝,豎直重復(fù)率與水平重復(fù)率分別為82%和85%。

1.4 影像預(yù)處理及光譜和紋理特征提取

RGB影像預(yù)處理包括影像拼接、影像配準(zhǔn)、影像裁剪等過程。影像拼接在PIX4D mapper軟件中進(jìn)行。由于小麥抽穗后田間植被覆蓋率最高,小區(qū)特征與土壤差異明顯,易于分割,所以選用抽穗期影像實(shí)現(xiàn)小區(qū)分割,同一地點(diǎn)的不同時期數(shù)據(jù)均以抽穗期影像為基準(zhǔn)進(jìn)行配準(zhǔn)。對配準(zhǔn)完成后的所有影像計算灰度共生矩陣(gray level co-occurrance matrix,GLCM),用于提取紋理特征。

1.4.1 小區(qū)自動化分割與編號

為解決ROI感興趣區(qū)提取影像信息耗時且費(fèi)力的問題,采用基于閾值法的圖像分割算法實(shí)現(xiàn)小區(qū)邊界的自動化提取。在圖像分割之前,在ArcGIS10.0軟件中用Exact by mask工具裁剪出試驗(yàn)田區(qū)域,避免無關(guān)小區(qū)的誤提取。隨后在MATLAB軟件中實(shí)現(xiàn)影像旋轉(zhuǎn)、提取植被、小區(qū)邊界提取和標(biāo)記位置信息,最后對生成的小區(qū)按照位置信息從左至右、從上至下的順序編號,并根據(jù)邊界信息對各小區(qū)進(jìn)行掩膜處理。

1.4.2 光譜和紋理特征的提取

根據(jù)生成的小區(qū)邊界要素,對配準(zhǔn)后的所有時期影像按掩膜保存,分別提取并計算紅、綠、藍(lán)波段組合后的植被指數(shù),獲得10個光譜特征(表1)。

表1 本研究使用到的光譜特征

灰度共生矩陣涉及三個重要參數(shù)即窗口大小、移動步長和移動方向。窗口的大小與圖像分辨率有關(guān)。較小的窗口代表更細(xì)微的紋理特征,而較大的窗口代表粗糙的紋理特征。移動步長取決于圖像的紋理粗糙度。紋理特征提取的四個移動方向?yàn)?°、45°、90°和135°。在本研究中,按照移動方向?yàn)?°、窗口大小為3×3提取了紅、綠、藍(lán)三個通道的8個紋理特征,包括Mean、Variance、Homogeneity、Contrast、Dissimilarity、Entropy、Second momen和Correlation(表2),共計提取24個紋理特征。每個小區(qū)共計獲取34個特征,經(jīng)相關(guān)性分析和顯著性分析后,篩選并確定能夠指示LAI和產(chǎn)量的關(guān)鍵特征。

表2 本研究使用到的紋理特征

1.4.3 基于機(jī)器學(xué)習(xí)算法的LAI估算

本研究采用隨機(jī)森林(random forest,RF)、偏最小二乘回歸法(partial least squares regression,PLSR)、人工神經(jīng)網(wǎng)絡(luò)(artificial neutral networks,ANN)和支持向量機(jī)(support vector machine,SVM)4種機(jī)器學(xué)習(xí)算法對小麥LAI進(jìn)行估算。為確保模型的穩(wěn)定性和適用性,將兩個地點(diǎn)的樣本數(shù)據(jù)分開,其中楊柳點(diǎn)數(shù)據(jù)用于建模,蒙城點(diǎn)數(shù)據(jù)用于模型驗(yàn)證。采用決定系數(shù)(r2)以及均方根誤差(root mean square error,RMSE)作為模型估算精度的評價標(biāo)準(zhǔn)(式1和2),r2越高,表明模型的線性關(guān)系越強(qiáng);RMSE越小,表明模型估算精度和穩(wěn)定性越高。

(1)

(2)

其中,xi和yi分別是基于不同模型的LAI估算值和實(shí)測值。

1.4.4 全生育期的小麥產(chǎn)量估算

本研究將拔節(jié)、抽穗、揚(yáng)花和灌漿4個生育時期的數(shù)據(jù)結(jié)合進(jìn)行建模。將每個時期的所有光譜特征、紋理特征和對應(yīng)時期的LAI作為特征輸入集合,分別與產(chǎn)量數(shù)據(jù)進(jìn)行相關(guān)性分析和顯著性分析,篩選出最優(yōu)特征后,運(yùn)用機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)產(chǎn)量的估算。產(chǎn)量估算同樣采取獨(dú)立驗(yàn)證的方法,楊柳點(diǎn)的樣本數(shù)據(jù)用于建模,蒙城點(diǎn)的樣本數(shù)據(jù)用于模型驗(yàn)證。采用r2和RMSE作為模型估算精度的評價標(biāo)準(zhǔn)。

1.5 數(shù)據(jù)處理

采用Excel 2017進(jìn)行數(shù)據(jù)前期整理和基礎(chǔ)計算,采用SPSS 23.0進(jìn)行Pearson相關(guān)分析和LSD法顯著性分析。

2 結(jié)果與分析

2.1 小麥LAI的統(tǒng)計特征

小麥LAI在生育時期間、施氮量間及品種間均存在差異(表3)?？傮w上,4個品種的LAI在拔節(jié)至抽穗期呈上升趨勢,在揚(yáng)花期有所下降,灌漿期的LAI最低。在同一時期,4個品種的LAI總體上隨施氮量的增加而增加。在同一施氮水平下,中麥255的LAI明顯大于其他品種。

表3 小麥不同生育時期的實(shí)測LAI

2.2 小麥不同生育時期LAI與光譜、紋理特征的相關(guān)性

對所選取的10種光譜特征、24個紋理特征與不同生育時期的LAI數(shù)據(jù)進(jìn)行Pearson相關(guān)分析,結(jié)果(圖1)表明,灌漿期的相關(guān)性總體上表現(xiàn)最好,其中GRVI、ExR、VARI、RGRI、GRRI、MGRV1、MEAB1的相關(guān)系數(shù)絕對值均超過0.8,且都達(dá)到極顯著水平(P<0.01)。拔節(jié)期、抽穗期的相關(guān)系數(shù)也較高,其中GRVI、ExR、ExG、ExGR、VARI、RGRI、GRRI、MGRVI、CORB2、CORB3的相關(guān)系數(shù)絕對值均在0.7以上。揚(yáng)花期的相關(guān)性整體表現(xiàn)最差,HOMB2的相關(guān)系數(shù)絕對值最高,為0.66。在拔節(jié)期、抽穗期和灌漿期,與LAI相關(guān)性較高的特征為光譜特征,10種光譜特征的相關(guān)系數(shù)絕對值都高于0.6,最高達(dá)0.82。但是與揚(yáng)花期LAI相關(guān)性最高的特征為紋理特征,光譜特征最高相關(guān)系數(shù)僅達(dá)到0.54。

圖1 小麥不同生育時期LAI與光譜、紋理特征的相關(guān)性

不同生育時期的光譜、紋理特征與LAI的相關(guān)性表現(xiàn)不同,但總體上相關(guān)性較強(qiáng),可優(yōu)選特征以構(gòu)建小麥LAI估測模型。最終,去除不顯著特征外,基于拔節(jié)期LAI的估算模型的輸入特征為GRVI、GLE、MEAB1等22個,基于抽穗期LAI的估算模型的輸入特征為GRVI、ExR、ENTB1等16個,基于揚(yáng)花期LAI的估算模型的輸入特征為VARB1、HOMB1、CONB1等12個,基于灌漿期LAI的估算模型的輸入特征為GRVI、GLA、MEAB1等18個。

2.3 小麥產(chǎn)量與遙感特征、LAI的相關(guān)性

從圖2可以看出,光譜特征和紋理特征都可以有效指示小麥產(chǎn)量,不同生育時期的特征與產(chǎn)量的相關(guān)性存在顯著差異。揚(yáng)花期的所有光譜特征相關(guān)性都低于其他時期,相關(guān)系數(shù)絕對值在0.19～0.72之間。拔節(jié)期、抽穗期和灌漿期的光譜特征較為一致,均表現(xiàn)為GRVI、ExR、ExGR、VARI、RGRI、GRRI和MGRVI的相關(guān)性最高,相關(guān)系數(shù)絕對值均在0.83以上,其中抽穗期的光譜特征VARI與產(chǎn)量的相關(guān)性最高,相關(guān)系數(shù)值達(dá) 0.86。與產(chǎn)量相關(guān)性最低的紋理特征大多出現(xiàn)在抽穗期與灌漿期,最低為抽穗期的CONB1,相關(guān)系數(shù)僅為0.01。拔節(jié)期的紋理特征MEAB1與產(chǎn)量的相關(guān)性最高,相關(guān)系數(shù)達(dá)-0.88。另外,四個時期的LAI均與產(chǎn)量具有較高的相關(guān)性,相關(guān)系數(shù)分別為0.70、0.83、0.85和0.83,且揚(yáng)花期的相關(guān)性最高,表明加入LAI對于產(chǎn)量的估算是很有必要的。去除相關(guān)系數(shù)絕對值低于0.5的特征,最終作為產(chǎn)量估算的輸入特征共計94個,其中來自于拔節(jié)期、抽穗期、揚(yáng)花期和灌漿期的特征分別為28、19、24和23個。

圖2 小麥產(chǎn)量與各時期遙感特征及LAI的相關(guān)性熱圖

2.4 基于機(jī)器學(xué)習(xí)的小麥LAI估算和驗(yàn)證結(jié)果

從表4和圖3可以看出,在不同生育時期,4種算法下構(gòu)建的LAI估測模型精度不同。從建模結(jié)果看,各生育時期的模型均具有較高的擬合性。對于任一生育時期,RF的建模精度都最高,拔節(jié)期、抽穗期、揚(yáng)花期和灌漿期建模的r2分別為0.93、 0.88、0.84和0.93?；赑LSR的模型擬合效果最差,r2在不同生育時期分別為0.55、0.75、0.54和0.80,對應(yīng)的RMSE也最差,分別為1.65、1.80、3.01和1.30?；赗F的建模結(jié)果,灌漿期的模型擬合效果最好,r2和RMSE分別為0.93和0.69。拔節(jié)期、抽穗期和揚(yáng)花期模型的r2和RMSE依次降低。

RMSE1、RMSE2、RMSE3和RMSE4分別指拔節(jié)期、抽穗期、揚(yáng)花期和灌漿期的RMSE。

表4 小麥不同生育時期LAI建模精度和驗(yàn)證結(jié)果

從模型的驗(yàn)證效果看,RF模型在四個時期中的驗(yàn)證效果均最好,RMSE分別為2.26、1.44、1.73和1.02,模型預(yù)測能力最高。值得一提的是,灌漿期的建模與驗(yàn)證結(jié)果都有最優(yōu)的表現(xiàn),建模集的RMSE最低為0.69,驗(yàn)證集中為1.02。

綜上,RF模型在各生育時期不僅具有較高的建模精度,并且在不同生態(tài)點(diǎn)也得到了較高的驗(yàn)證精度。RF模型表現(xiàn)出較高的穩(wěn)定性,可作為小麥各生育時期LAI的最優(yōu)估算模型。

2.5 基于機(jī)器學(xué)習(xí)的小麥產(chǎn)量估算和驗(yàn)證結(jié)果

從表5可以看出,在4種機(jī)器學(xué)習(xí)算法下構(gòu)建的產(chǎn)量模型表現(xiàn)明顯出差異。從建模結(jié)果看,RF的建模精度最高,其r2達(dá)到0.89,RMSE為0.79 t·hm-2;BPNN和PLSR精度次之,r2分別為0.78和0.75,RMSE分別為0.86和0.82 t·hm-2;SVM的建模精度最差,其r2和RMSE分別為0.56和0.89 t·hm-2。從模型的驗(yàn)證效果看,RF模型的驗(yàn)證效果最好,RMSE為1.17 t·hm-2,模型預(yù)測能力最高。BPNN和PLSR模型精度次之,RMSE分別為1.26和1.27 t·hm-2。BPNN模型預(yù)測能力表現(xiàn)較差,RMSE為1.32 t·hm-2。在產(chǎn)量估算方面,基于RF的估算模型仍被證明其普適性最優(yōu)。

表5 不同機(jī)器學(xué)習(xí)算法下小麥產(chǎn)量的建模和模型驗(yàn)證效果

圖4為基于RF模型對蒙城試驗(yàn)區(qū)小麥產(chǎn)量估算的結(jié)果空間分布圖。通過田塊尺度的遙感制圖可看到小麥在不同氮肥處理下的最終產(chǎn)量的空間分布特征,即小麥產(chǎn)量隨著氮素水平的升高而增加,自N3水平以上的產(chǎn)量都高達(dá)7.6 t·hm-2,N0處理下小麥產(chǎn)量最低,在4.0 t·hm-2以下。模型估測值與實(shí)測值相一致,進(jìn)一步說明本研究數(shù)據(jù)提取和建模方法的可靠性。

圖4 小麥產(chǎn)量的空間分布圖

3 討 論

利用無人機(jī)遙感獲得的作物冠層光譜可提取作物生長狀況信息,進(jìn)而開展不同方向的研究。LAI是反映作物冠層結(jié)構(gòu)的一個重要參數(shù),關(guān)系到作物的光合作用、蒸騰作用、水分利用及生物量變化。有研究表明,利用無人機(jī)影像提取植被覆蓋度的方法可以反演LAI[15],但是對于小麥LAI卻不適用,因?yàn)樾←溤谏笃诘闹脖桓采w度較為穩(wěn)定,但LAI卻隨生育進(jìn)程顯著降低?；诰G色植被在可見光區(qū)域的光譜響應(yīng)特性,顏色光譜指數(shù)在植被遙感中常被用于監(jiān)測LAI。因此,本研究選用了常用的10種顏色植被指數(shù),篩選出對小麥LAI最敏感的植被指數(shù)。其中,GARI在不同時期都表現(xiàn)出與LAI較高的相關(guān)性。GRVI是關(guān)于紅波段與綠波段的顏色植被指數(shù),再次被證明與植被覆蓋度和LAI緊密相關(guān)[33]。同時,圖像紋理可以表示圖像的均勻、細(xì)致、粗糙等現(xiàn)象。前人研究表明,光譜特征和紋理特征的結(jié)合能夠提高作物地上部生物量、LAI和葉片氮含量的估計精度[34]。因此,本研究還提取了紋理特征作為小麥LAI估算的另一輸入特征集。從圖1可以看出,紋理特征部分與LAI的相關(guān)性矩陣圖呈現(xiàn)出有規(guī)律的排布,即紋理特征在紅、綠、藍(lán)不同通道間存在相似性。但是總體上來自紅色通道的紋理特征與LAI的相關(guān)性較強(qiáng),表明紅色通道的灰度信息對LAI反演的貢獻(xiàn)更大。作物產(chǎn)量是農(nóng)業(yè)科學(xué)的研究核心,不斷提高產(chǎn)量預(yù)測精度是作物生長監(jiān)測預(yù)測的主要目標(biāo)之一。目前,作物產(chǎn)量遙感預(yù)測的方法主要是利用植被指數(shù)與產(chǎn)量的定量關(guān)系,構(gòu)建產(chǎn)量預(yù)測模型[35]。前人已經(jīng)確定了小麥產(chǎn)量預(yù)測的最佳生育時期和遙感參數(shù),如利用無人機(jī)影像提取的NDVI在抽穗期與產(chǎn)量有較好的相關(guān)性[36],小麥產(chǎn)量與灌漿期的光譜參數(shù)相關(guān)性高于開花期和挑旗期[37]。另外,還可以結(jié)合不同分辨率RGB影像估測作物產(chǎn)量[38],同時結(jié)合多種傳感器(數(shù)碼相機(jī)、多光譜相機(jī)和熱紅外相機(jī))可以提高作物產(chǎn)量估測精度。鑒于產(chǎn)量的形成是一個累積的過程,并且生育后期的數(shù)據(jù)對產(chǎn)量預(yù)測的準(zhǔn)確性更高,本研究綜合四個時期的所有與產(chǎn)量相關(guān)的特征,進(jìn)而建立產(chǎn)量預(yù)測模型。從小麥產(chǎn)量與遙感特征、LAI的相關(guān)性看,并非是某一個時期與產(chǎn)量的相關(guān)性最高,拔節(jié)、抽穗、揚(yáng)花和灌漿期都存在與產(chǎn)量相關(guān)性較高的特征,表明不同時期的生長信息都可能會對最后的產(chǎn)量預(yù)測做出貢獻(xiàn)。光譜特征與最終產(chǎn)量的相關(guān)性普遍大于紋理特征,這是因?yàn)樽魑锕庾V反射特性能夠直接反映出作物在不同生長階段表現(xiàn)出的不同的色素組分及其含量、水分含量、葉片細(xì)胞結(jié)構(gòu)、冠層形態(tài)結(jié)構(gòu)等的變化,這些變化是影響最終產(chǎn)量的最直接因素,而紋理特征是通過研究灰度圖像的空間相關(guān)特性,間接建立其與產(chǎn)量的相關(guān)關(guān)系,其對于捕捉作物生長過程中生理生化、形態(tài)結(jié)構(gòu)變化的敏感性不如光譜信息。

作物生長參數(shù)估算的建模方法可分為基于少數(shù)特征波段的統(tǒng)計回歸法、基于多特征的機(jī)器學(xué)習(xí)法、基于輻射傳輸模型的機(jī)理監(jiān)測法、模型-遙感耦合法等。其中,統(tǒng)計回歸法是生長參數(shù)監(jiān)測上最常用的建模方法。經(jīng)驗(yàn)?zāi)Ｐ凸胶唵?易于理解和使用,但未充分挖掘豐富的光譜信息,模型的遷移性不強(qiáng)?；谳椛鋫鬏斈Ｐ偷奈锢矸囱莘椒梢酝ㄟ^輸入葉片或冠層的反射率,來反演LAI,機(jī)理性較強(qiáng)[39-40],但原理較復(fù)雜,需結(jié)合一定的先驗(yàn)知識才能得到較好的效果。遙感與模型的耦合能夠?qū)⑦b感的實(shí)時性、區(qū)域性與作物生長模型的機(jī)理性、預(yù)測性優(yōu)勢互補(bǔ),模型-遙感耦合法成為大尺度作物生產(chǎn)力預(yù)測的關(guān)鍵手段[41-42],但需要一定的作物生長模型運(yùn)用經(jīng)驗(yàn)。機(jī)器學(xué)習(xí)算法在海量數(shù)據(jù)處理上能力較強(qiáng),且能更加充分利用數(shù)據(jù)中的潛在信息,尤其是生長參數(shù)與光譜參數(shù)之間的非線性關(guān)系[43-44],從而能夠獲得更高的監(jiān)測精度。因此,本研究選用RF、PLSR、BPNN和SVM四種常用的機(jī)器學(xué)習(xí)算法作為小麥LAI和產(chǎn)量的建模方法,旨在確定最佳的高精度監(jiān)測模型。結(jié)果表明,RF模型在LAI和產(chǎn)量估算中都表現(xiàn)最好,與周萌等[45]的研究結(jié)果一致,并且RF模型的可遷移性也都優(yōu)于PLSR、BPNN和SVM模型。RF作為一種集成學(xué)習(xí)算法,集成了多個決策樹模型的結(jié)果,建模效果會更好,并且模型抗噪聲能力也優(yōu)于其他模型。

4 結(jié) 論

準(zhǔn)確監(jiān)測小麥長勢的動態(tài)變化并及時預(yù)測產(chǎn)量,對精確農(nóng)業(yè)的管理調(diào)控具有重要意義。本研究基于同年度不同生態(tài)點(diǎn)的小麥LAI、產(chǎn)量和無人機(jī)RGB影像數(shù)據(jù),使用四種常用的機(jī)器學(xué)習(xí)算法構(gòu)建小麥LAI和產(chǎn)量估算模型。小麥不同生育時期的植被指數(shù)與LAI具呈現(xiàn)較強(qiáng)的相關(guān)性,其中灌漿期的相關(guān)性最高,相關(guān)系數(shù)絕對值最高達(dá)0.8以上,并且基于RF機(jī)器學(xué)習(xí)算法的灌漿期LAI估測模型的驗(yàn)證精度也最高,RMSE為1.02。此外,基于RF的產(chǎn)量預(yù)測模型具有較高的建模精度,在不同生態(tài)點(diǎn)也獲得較高驗(yàn)證精度,驗(yàn)證RMSE為1.17 t·hm-2。