基于無人機(jī)RGB影像的馬鈴薯植株鉀含量估算

馬彥鵬 邊明博 樊意廣 陳志超 楊貴軍 馮海寬,3

(1.北京市農(nóng)林科學(xué)院信息技術(shù)研究中心, 北京 100097; 2.河南理工大學(xué)測(cè)繪與國土信息工程學(xué)院, 焦作 454000;3.南京農(nóng)業(yè)大學(xué)國家信息農(nóng)業(yè)工程技術(shù)中心, 南京 210095)

0 引言

馬鈴薯是重要的薯類作物,可以糧菜兼用,在我國廣泛種植[1]。馬鈴薯是喜鉀作物,鉀含量會(huì)直接影響馬鈴薯產(chǎn)量、株高、莖粗、葉面積和生物量等[2-3]。因此快速準(zhǔn)確地獲取馬鈴薯植株鉀含量(Plant potassium content,PKC)對(duì)監(jiān)測(cè)馬鈴薯生長(zhǎng)發(fā)育狀況具有重要意義。傳統(tǒng)測(cè)量PKC的方法以田間破壞性取樣為主,測(cè)量成本高且費(fèi)時(shí)費(fèi)力,難以大面積推廣使用。無人機(jī)遙感技術(shù)機(jī)動(dòng)性強(qiáng),可以用于農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量估算和病蟲害監(jiān)測(cè)等,使田間生產(chǎn)管理更加高效便捷[4-6]?；跓o人機(jī)遙感平臺(tái)可以搭載RGB、多光譜和高光譜傳感器[7-8]。

LU等[9]基于無人機(jī)高光譜傳感器利用非負(fù)矩陣分解提取植被光譜,建立偏最小二乘回歸(Partial least squares regression,PLSR)模型。結(jié)果表明,綠光帶和紅邊帶對(duì)水稻植株鉀積累量估算有顯著貢獻(xiàn)。THOMSON等[10]研究發(fā)現(xiàn)利用無人機(jī)高光譜傳感器反射率建立的PLSR模型可以有效估算森林植物葉片鉀含量。SEVERTSON等[11]利用無人機(jī)多光譜和高光譜反射率有效識(shí)別了缺鉀油菜。以上研究主要集中在高光譜傳感器上,高光譜雖然能獲取更多的光譜信息,但因其價(jià)格昂貴,處理過程復(fù)雜限制了它在農(nóng)業(yè)生產(chǎn)中的應(yīng)用。RGB相機(jī)傳感器雖然只能獲取3個(gè)波段的光譜信息,但因其可以獲取高分辨率影像,而且價(jià)格便宜,數(shù)據(jù)處理過程較為簡(jiǎn)單,成為廣受關(guān)注的數(shù)據(jù)獲取方式。

樊意廣等[12]基于無人機(jī)RGB相機(jī)傳感器利用多元線性回歸(Multiple linear regression,MLR)、BP神經(jīng)網(wǎng)絡(luò)和Lasso回歸結(jié)合冠層光譜特征模型有效估算了馬鈴薯植株氮含量,結(jié)果表明MLR構(gòu)建的模型最優(yōu)。劉楊等[13]基于無人機(jī)RGB影像利用MLR、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)(Artificial neural networks,ANN)結(jié)合植被指數(shù)估算馬鈴薯地上生物量,結(jié)果表明各生育期利用MLR方法構(gòu)建的馬鈴薯地上生物量估算模型效果最佳。陶惠林等[14]基于無人機(jī)RGB影像有效估算了冬小麥生物量。上述研究結(jié)果表明利用無人機(jī)RGB相機(jī)傳感器可以有效估算作物氮素含量和生物量,但是僅利用影像的光譜信息構(gòu)建的模型容易出現(xiàn)模型精度飽和現(xiàn)象。紋理信息通過像素灰度分布變化來反映目標(biāo)與環(huán)境之間的空間關(guān)系,可以提供新的冠層信息[15-16],在作物生長(zhǎng)監(jiān)測(cè)中發(fā)揮重要作用[17-18],有學(xué)者提出引入圖像的紋理信息結(jié)合光譜信息構(gòu)建模型。

LU等[19]從無人機(jī)RGB影像中分別提取光譜信息和紋理信息估算水稻植株鉀積累量,結(jié)果表明光譜信息和紋理信息可以準(zhǔn)確估算水稻植株鉀積累量,兩者融合能夠進(jìn)一步提高精度。ZHENG等[20]獲取水稻關(guān)鍵生育期冠層多光譜圖像,將提取的紋理特征歸一化結(jié)合植被指數(shù)建模估算水稻地上生物量,結(jié)果表明,與單獨(dú)使用光譜信息相比,歸一化紋理信息與光譜信息結(jié)合顯著提高了水稻生物量估算的準(zhǔn)確性。MA等[21]利用棉花收獲前冠層RGB影像監(jiān)測(cè)棉花產(chǎn)量,表明從無人機(jī)高分辨率RGB影像中提取的植被指數(shù)和紋理特征與棉花產(chǎn)量顯著相關(guān),且植被指數(shù)結(jié)合紋理特征估算棉花產(chǎn)量效果最好。馬鈴薯的生長(zhǎng)發(fā)育狀況與上述作物不同,前期莖葉生長(zhǎng)旺盛,但是到生長(zhǎng)后期地上干物質(zhì)不斷向地下轉(zhuǎn)移,地上葉片和莖開始死亡。基于無人機(jī)RGB影像提取植被指數(shù)和灰度共生矩陣(Gray-level co-occurrence matrix,GLCM)紋理特征可以提高高覆蓋度下估算馬鈴薯地上生物量的準(zhǔn)確性[22],鉀與氮素和生物量機(jī)理不同,已有的研究方法是否適用于馬鈴薯PKC監(jiān)測(cè)還有待進(jìn)一步研究。

因此,本研究以無人機(jī)遙感平臺(tái)搭載RGB傳感器獲取馬鈴薯3個(gè)關(guān)鍵生育期的RGB影像,并提取各個(gè)生育期的冠層光譜特征和紋理信息,結(jié)合地面實(shí)測(cè)的PKC數(shù)據(jù),采用3種不同的方法對(duì)每個(gè)生育期馬鈴薯PKC進(jìn)行建模和驗(yàn)證,探究光譜特征結(jié)合紋理信息估算馬鈴薯PKC的適用性。

1 材料與方法

1.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)于2019年在北京市昌平區(qū)小湯山鎮(zhèn)國家精準(zhǔn)農(nóng)業(yè)研究示范基地開展。采用的馬鈴薯品種為Z1(中薯5)和Z2(中薯3)。共設(shè)3個(gè)實(shí)驗(yàn)區(qū),每個(gè)實(shí)驗(yàn)區(qū)3個(gè)重復(fù)。P區(qū)(密度實(shí)驗(yàn)區(qū))設(shè)置3個(gè)密度水平(T0:60 000株/hm2;T1:72 000株/hm2;T2:84 000株/hm2);N區(qū)(氮肥實(shí)驗(yàn)區(qū))設(shè)置4個(gè)氮肥水平(N0:0 kg/hm2;N1:244.65 kg/hm2;N2:489.15 kg/hm2;N3:733.5 kg/hm2);K區(qū)(鉀肥實(shí)驗(yàn)區(qū))設(shè)置3個(gè)鉀肥水平(K0:0 kg/hm2;K1:970 kg/hm2;K2:1 941 kg/hm2)。P區(qū)和N區(qū)鉀肥水平均為K1:970 kg/hm2。共48個(gè)小區(qū)(圖1),每個(gè)小區(qū)面積為5 m×6.5 m。

圖1 馬鈴薯田間位置及實(shí)驗(yàn)設(shè)計(jì)

1.2 無人機(jī)RGB影像獲取及預(yù)處理

采用大疆精靈4Pro無人機(jī)遙感平臺(tái),分別在塊莖形成期、塊莖增長(zhǎng)期和淀粉積累期選擇晴朗無云的天氣,在光照強(qiáng)度穩(wěn)定的12:00—14:00獲取RGB影像。表1為無人機(jī)飛行參數(shù)設(shè)置。飛行結(jié)束后將圖像導(dǎo)入三維建模軟件Agisoft PhotoScan Professional(64 bit)生成每個(gè)生育期數(shù)字正射影像。主要步驟包括對(duì)齊圖像、建立密集點(diǎn)云、生成格網(wǎng)、生成紋理、建立正射、導(dǎo)出數(shù)字正射影像。

表1 無人機(jī)飛行參數(shù)

1.3 地面數(shù)據(jù)獲取

在無人機(jī)數(shù)據(jù)采集結(jié)束后進(jìn)行地面數(shù)據(jù)采集。馬鈴薯PKC測(cè)量方法為田間采樣和實(shí)驗(yàn)室化學(xué)分析相結(jié)合。分別于馬鈴薯塊莖形成期、塊莖增長(zhǎng)期和淀粉積累期在每個(gè)實(shí)驗(yàn)小區(qū)選取3株具有代表性的植株帶回實(shí)驗(yàn)室進(jìn)行莖葉分離,用清水沖洗干凈后在干燥箱內(nèi)105℃殺青30 min,然后將溫度調(diào)至80℃干燥48 h以上,質(zhì)量恒定后進(jìn)行稱量,得到各器官的干質(zhì)量。在實(shí)驗(yàn)室內(nèi)利用電感耦合等離子體發(fā)射光譜儀(iCAP6300型)測(cè)量各器官鉀含量。最后計(jì)算PKC,計(jì)算公式為

(1)

式中CLK——葉片鉀含量,%

CSK——地上莖鉀含量,%

MLD——葉片干質(zhì)量,g

MSD——地上莖干質(zhì)量,g

1.4 光譜指數(shù)選取

從無人機(jī)RGB影像中提取每個(gè)小區(qū)的冠層光譜特征,然后根據(jù)現(xiàn)有的研究進(jìn)展選取24個(gè)能夠描述作物氮素和鉀素營養(yǎng)狀況的光譜植被指數(shù)對(duì)馬鈴薯塊莖形成期、塊莖增長(zhǎng)期、淀粉積累期的PKC進(jìn)行估算。植被指數(shù)如表2所示。

表2 植被指數(shù)

1.5 紋理特征選取

遙感影像的紋理特征可以用來描述圖像中的空間分布和灰度分布。GLCM是用來描述圖像中像素灰度值之間關(guān)系的一種統(tǒng)計(jì)方法。GLCM紋理特征包括對(duì)比度(Contrast,con)、相關(guān)性(Correlation,cor)、差異性(Dissimilarity,dis)、熵(Entropy,ent)、同質(zhì)性(Homogenetity,hom)、二階矩(Second moment,sm)、方差(Variance,var)和均值(mean)。有研究表明提取紋理時(shí)移動(dòng)窗口大小和方向?qū)Y(jié)果影響較小,可以忽略[23-24]。本研究基于3個(gè)生育期的RGB影像選擇3×3的窗口,提取每個(gè)波段45°方向的8個(gè)紋理特征,共24個(gè)。為了提高紋理指數(shù)與馬鈴薯PKC之間的相關(guān)性,本文在單個(gè)紋理特征的基礎(chǔ)上按照歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)和比值植被指數(shù)(RVI)方法構(gòu)建了3個(gè)紋理指數(shù)(TIS)——NDTI、DTI和RTI。選出最佳的組合方式用來估算馬鈴薯PKC,計(jì)算公式為

(2)

DTI=T1-T2

(3)

(4)

式中T1、T2——3個(gè)波段中隨機(jī)紋理特征值

1.6 數(shù)據(jù)分析方法

將重復(fù)1和重復(fù)3的32組數(shù)據(jù)作為訓(xùn)練集建立馬鈴薯PKC的估算模型,將重復(fù)2的16組數(shù)據(jù)作為驗(yàn)證集,驗(yàn)證模型精度。采用的數(shù)據(jù)分析方法為MLR、偏最小二乘(Partial least squares regression,PLSR)和ANN。MLR是一種基本的回歸分析方法,它建立了變量和目標(biāo)之間的線性關(guān)系,并且假設(shè)誤差項(xiàng)是獨(dú)立同分布的。PLSR是一種經(jīng)典的線性回歸方法,它可以解決多重共線性問題,將原始變量轉(zhuǎn)換為一組新的特征,并且確保每個(gè)成分都與目標(biāo)相關(guān)聯(lián),通過保留這些成分的不同數(shù)量,可以進(jìn)行多級(jí)回歸分析,從而實(shí)現(xiàn)預(yù)測(cè)。ANN是一種基于神經(jīng)元結(jié)構(gòu)的非線性建模方法,通過學(xué)習(xí)數(shù)據(jù)中的復(fù)雜模式進(jìn)行建模,并且可以根據(jù)數(shù)據(jù)的結(jié)構(gòu)和分布來自適應(yīng)地調(diào)整模型參數(shù)。

1.7 模型評(píng)價(jià)指標(biāo)

為評(píng)價(jià)模型預(yù)測(cè)結(jié)果的準(zhǔn)確性,采用決定系數(shù)(Coefficient of determination,R2)、均方根誤差(Root mean square error,RMSE)和標(biāo)準(zhǔn)均方根誤差(Normalized root mean square error,NRMSE)作為模型精度評(píng)價(jià)指標(biāo)。

2 結(jié)果與分析

2.1 相關(guān)性分析

采用Pearson相關(guān)性分析了不同模型參數(shù)與馬鈴薯PKC之間的相關(guān)性。表3為所有模型參數(shù)與3個(gè)生育期馬鈴薯PKC的相關(guān)系數(shù)。塊莖形成期除IKAW和(g-b)/(r-g)與馬鈴薯PKC表現(xiàn)不顯著相關(guān)外,其余植被指數(shù)均與馬鈴薯PKC表現(xiàn)顯著性相關(guān)。其中G、b和r-b表現(xiàn)為0.05水平顯著性相關(guān),R、B、r、g、g+b、g-b、r+b、r/g、EXG、EXR、EXGR、GRVI、VARI、(r-g-b)/(r+g)、MGRVI、RGBVI、NDI、GLA和CIVE共19個(gè)植被指數(shù)均表現(xiàn)為0.01水平顯著性相關(guān)。相關(guān)系數(shù)絕對(duì)值最大的植被指數(shù)是(r-g-b)/(r+g),為0.85。塊莖增長(zhǎng)期G和(g-b)/(r-g)與馬鈴薯PKC不顯著相關(guān),R、B、r、g、b、g+b、g-b、r-b、r+b、r/g、EXG、EXR、EXGR、IKAW、GRVI、VARI、(r-g-b)/(r+g)、MGRVI、RGBVI、NDI、GLA和CIVE共22個(gè)植被指數(shù)與馬鈴薯PKC表現(xiàn)為0.01水平顯著性相關(guān)。相關(guān)系數(shù)絕對(duì)值最大的植被指數(shù)是GLA,為0.85。淀粉積累期r-b與馬鈴薯PKC為不顯著相關(guān),IKAW和(g-b)/(r-g)表現(xiàn)為0.05水平顯著性相關(guān),R、G、B、r、g、b、g+b、g-b、r+b、r/g、EXG、EXR、EXGR、GRVI、VARI、(r-g-b)/(r+g)、MGRVI、RGBVI、NDI、GLA和CIVE共21個(gè)植被指數(shù)與馬鈴薯PKC表現(xiàn)為0.01水平顯著性相關(guān)。相關(guān)系數(shù)絕對(duì)值最大的植被指數(shù)是R,為0.76。

表3 馬鈴薯3個(gè)生育期植被指數(shù)與PKC的相關(guān)系數(shù)

如表4所示,單一紋理特征在塊莖形成期R-ent和B-hom與馬鈴薯PKC不顯著相關(guān),G-mean和G-ent表現(xiàn)為0.05水平顯著性相關(guān),R-mean、R-var、R-hom、R-con、R-dis、R-sec、R-cor、G-var、G-hom、G-con、G-dis、G-sec、G-cor、B-mean、B-var、B-con、B-dis、B-ent、B-sec和B-cor共20個(gè)紋理特征與馬鈴薯PKC呈0.01水平顯著性相關(guān)。相關(guān)系數(shù)絕對(duì)值最大的是G-con,為0.79。塊莖增長(zhǎng)期G-mean表現(xiàn)為不顯著相關(guān)外,其余紋理指數(shù)均表現(xiàn)為顯著性相關(guān)。其中R-cor和G-cor表現(xiàn)為0.05水平顯著性相關(guān),R-mean、R-var、R-hom、R-con、R-dis、R-ent、R-sec、G-var、G-hom、G-con、G-dis、G-ent、G-sec、B-mean、B-var、B-hom、B-con、B-dis、B-ent、B-sec和B-cor共21個(gè)單一紋理特征與馬鈴薯PKC呈0.01水平顯著性相關(guān)。相關(guān)系數(shù)絕對(duì)值最大的是R-var和R_dis,為0.82。淀粉積累期G-cor、B-var、B-hom、B-con、B-dis和R-cor與馬鈴薯PKC不顯著相關(guān)。R-mean、R-var、R-hom、R-con、R-dis、R-ent、R-sec、G-mean、G-var、G-hom、G-con、G-dis、G-ent、G-sec、B-mean、B-ent、B-sec和B-cor共18個(gè)單一紋理特征表現(xiàn)為0.01水平顯著性相關(guān)。相關(guān)系數(shù)絕對(duì)值最大的是R-mean,為0.76。構(gòu)建的3個(gè)TIS在3個(gè)生育期均表現(xiàn)為0.01水平顯著性相關(guān),相關(guān)系數(shù)絕對(duì)值均大于表現(xiàn)最優(yōu)的單一紋理特征相關(guān)系數(shù)絕對(duì)值,且3個(gè)生育期NDTI、DTI和RTI相關(guān)系數(shù)絕對(duì)值相差不大,相關(guān)系數(shù)絕對(duì)值最大為0.84、0.83和0.78。

表4 馬鈴薯3個(gè)生育期紋理特征與PKC的相關(guān)系數(shù)

2.2 馬鈴薯PKC估算與驗(yàn)證

分別以3個(gè)生育期相關(guān)系數(shù)絕對(duì)值最大的3個(gè)植被指數(shù)和構(gòu)建的3個(gè)最優(yōu)的TIS為輸入變量,結(jié)合MLR、PLSR和ANN構(gòu)建馬鈴薯PKC的估算模型。表5、6分別為3個(gè)生育期MLR、PLSR和ANN 3種方法以植被指數(shù)(VIS)和植被指數(shù)結(jié)合構(gòu)建的TIS為輸入變量建模和驗(yàn)證的結(jié)果。3個(gè)生育期利用同種建模方法植被指數(shù)結(jié)合TIS作為輸入變量估算PKC的效果優(yōu)于僅將植被指數(shù)作為輸入變量的估算效果。3種建模方法均表現(xiàn)為塊莖形成期和塊莖增長(zhǎng)期的估算效果優(yōu)于淀粉積累期;同種建模方法從塊莖形成期到淀粉積累期模型驗(yàn)證精度逐漸變差。不同的估算模型在3個(gè)生育期植被指數(shù)結(jié)合TIS的建模和驗(yàn)證效果如圖2所示。3個(gè)生育期MLR和PLSR的建模和驗(yàn)證結(jié)果均優(yōu)于ANN。

表5 3個(gè)生育期3種方法馬鈴薯PKC估算結(jié)果對(duì)比

表6 3個(gè)生育期3種方法馬鈴薯PKC驗(yàn)證結(jié)果對(duì)比

不同建模方法中均是塊莖形成期和塊莖增長(zhǎng)期估算效果較好,各樣本點(diǎn)分布在1∶1線附近。塊莖形成期MLR、PLSR和ANN建模R2分別為0.82、0.80和0.75,RMSE分別為0.32%、0.33%和0.40%,NRMSE分別為10.41%、9.59%和13.02%。驗(yàn)證R2分別為0.86、0.88和0.75,RMSE分別為0.31%、0.29%和0.46%,NRMSE分別為10.13%、7.79%和15.26%。塊莖增長(zhǎng)期MLR建模精度最高R2為0.84,RMSE為0.31%,NRMSE為10.07%。PLSR建模R2、RMSE和NRMSE分別為0.80、0.36%和11.60%。ANN建模R2、RMSE和NRMSE分別為0.71、0.48%和15.63%。驗(yàn)證集上PLSR表現(xiàn)最優(yōu),R2為0.72,RMSE為0.41%,NRMSE為13.35%。MLR建模R2、RMSE和NRMSE分別為0.68、0.43%和13.97%.ANN建模R2、RMSE和NRMSE分別為0.54、0.54%和17.75%。淀粉積累期3個(gè)模型中MLR估算精度最高, 建模R2為0.70,RMSE為0.31%、NRMSE為13.16%。PLSR建模R2、RMSE和NRMSE分別為0.70、0.32%和13.36%。ANN建模R2、RMSE和NRMSE分別為0.66、0.34%和14.15%。MLR驗(yàn)證R2、RMSE和NRMSE分別為0.60、0.45%和19.02%。PLSR驗(yàn)證R2、RMSE和NRMSE分別為0.58、0.46%和19.33%。ANN驗(yàn)證R2、RMSE和NRMSE分別為0.57、0.47%和19.73%。

3 討論

3.1 植被指數(shù)估算馬鈴薯PKC

本研究基于無人機(jī)遙感平臺(tái)獲取了馬鈴薯塊莖形成期、塊莖增長(zhǎng)期和淀粉積累期的RGB影像,基于冠層光譜特征構(gòu)建植被指數(shù)并與馬鈴薯3個(gè)生育期的PKC進(jìn)行相關(guān)性分析,選取相關(guān)系數(shù)絕對(duì)值最高的3個(gè)植被指數(shù)建模估算馬鈴薯PKC,塊莖形成期和塊莖增長(zhǎng)期馬鈴薯PKC估算效果較好,其原因是馬鈴薯前期以莖葉生長(zhǎng)為主,到塊莖形成期馬鈴薯地上莖葉已經(jīng)基本發(fā)育完整,地上莖葉生長(zhǎng)開始緩慢,塊莖增長(zhǎng)期馬鈴薯已由單純的植株?duì)I養(yǎng)生長(zhǎng)過渡到植株?duì)I養(yǎng)生長(zhǎng)、生殖生長(zhǎng)和物質(zhì)積累同時(shí)進(jìn)行的時(shí)期,此階段是馬鈴薯整個(gè)生長(zhǎng)發(fā)育的鼎盛時(shí)期,地上莖葉生長(zhǎng)茂盛[25]。這兩個(gè)生育期提取的光譜特征受土壤影響較小,構(gòu)建的植被指數(shù)能夠較好地反映馬鈴薯PKC變化情況。經(jīng)過對(duì)比發(fā)現(xiàn)3個(gè)生育期通過3種方法建模時(shí)淀粉積累期精度稍差。這是因?yàn)樵诘矸鄯e累期馬鈴薯地上莖葉停止生長(zhǎng),地下塊莖基本停止生長(zhǎng),此階段以淀粉積累為主,淀粉和蛋白質(zhì)等營養(yǎng)物質(zhì)不斷增加。地上部營養(yǎng)物質(zhì)開始向地下轉(zhuǎn)移,地上莖葉開始變黃枯萎,地面開始裸露,導(dǎo)致提取的光譜信息受到土壤的影響,構(gòu)建的植被指數(shù)與馬鈴薯PKC相關(guān)性降低[26]。

3.2 植被指數(shù)結(jié)合TIS估算馬鈴薯PKC

紋理信息可以增加無人機(jī)圖像的數(shù)據(jù)維數(shù),經(jīng)對(duì)比發(fā)現(xiàn)由單個(gè)紋理特征組合得到的TIS與馬鈴薯PKC之間的相關(guān)系數(shù)絕對(duì)值均大于單個(gè)紋理特征。這是因?yàn)門IS可以通過平滑冠層結(jié)構(gòu)降低土壤背景、太陽高度角和傳感器視角的影響[27]。本研究基于3個(gè)生育期的植被指數(shù)結(jié)合TIS構(gòu)建馬鈴薯PKC的估算模型。發(fā)現(xiàn)植被指數(shù)結(jié)合TIS構(gòu)建的模型精度高于僅用植被指數(shù)構(gòu)建的模型精度。這與馬鈴薯自身生長(zhǎng)發(fā)育有關(guān),塊莖形成期和塊莖增長(zhǎng)期馬鈴薯莖葉生長(zhǎng)旺盛,植被覆蓋度較大。在高覆蓋度下紋理特征對(duì)作物物理特性敏感,可以很好地反映冠層結(jié)構(gòu)變化。隨著生育期的變化,由于營養(yǎng)的消耗和追肥的影響葉片顏色會(huì)發(fā)生變化。塊莖形成期和塊莖增長(zhǎng)期營養(yǎng)物質(zhì)主要集中在地上的莖和葉中,馬鈴薯冠層顏色由淺變深。淀粉積累期地上莖葉中營養(yǎng)物質(zhì)不斷向地下轉(zhuǎn)移,冠層顏色由綠逐漸變黃。紋理特征也可以反映這些顏色變化[28-29]。光譜特征和紋理特征對(duì)馬鈴薯PKC的表現(xiàn)不同,相較于僅用植被指數(shù)建立的估算模型,植被指數(shù)結(jié)合TIS可以更全面地反映遙感信息與作物參數(shù)之間的關(guān)系。這與ZHENG等[30]研究結(jié)論一致,表明植被指數(shù)結(jié)合TIS可以提高估算作物理化參數(shù)的精度。

本研究構(gòu)建的3種馬鈴薯PKC估算模型中MLR和PLSR估算精度和模型穩(wěn)定性高于ANN。這是因?yàn)镸LR可以更加有效地利用多個(gè)變量信息,提高對(duì)目標(biāo)的解釋能力。PLSR可以在變量和目標(biāo)之間提取主成分,減少特征和目標(biāo)之間的冗余信息,提高模型的準(zhǔn)確性,在樣本量較小的情況下,PLSR仍然能夠得到可靠的結(jié)果。ANN往往在處理大規(guī)模和非線性問題時(shí)表現(xiàn)優(yōu)異[31]。本研究所用的數(shù)據(jù)集較小且變量之間存在一定的共線性,ANN在訓(xùn)練中反復(fù)學(xué)習(xí)細(xì)節(jié)可能給出錯(cuò)誤的權(quán)重,導(dǎo)致估算能力較差。此外,本研究基于國家精準(zhǔn)農(nóng)業(yè)研究示范基地一年的觀測(cè)數(shù)據(jù)進(jìn)行建模和驗(yàn)證,構(gòu)建的模型是否適用于不同地點(diǎn)及不同年限有待進(jìn)一步研究。

4 結(jié)論

(1)基于單一紋理特征構(gòu)建的TIS與馬鈴薯PKC在3個(gè)生育期均達(dá)到0.01水平顯著性相關(guān),塊莖形成期NDTI、RTI和DTI與馬鈴薯PKC相關(guān)系數(shù)絕對(duì)值分別為0.82、0.84和0.82,塊莖增長(zhǎng)期NDTI、RTI和DTI與馬鈴薯PKC相關(guān)系數(shù)絕對(duì)值分別為0.83、0.83和0.82,淀粉積累期NDTI、RTI和DTI與馬鈴薯PKC相關(guān)系數(shù)絕對(duì)值分別為0.77、0.78和0.77。相關(guān)系數(shù)絕對(duì)值均高于最高的單一紋理特征的相關(guān)系數(shù)絕對(duì)值。

(2)MLR和PLSR的建模效果較好,塊莖形成期R2分別為0.82和0.80,RMSE分別為0.32%和0.33%,NRMSE分別為10.41%和9.59%。塊莖增長(zhǎng)期R2分別為0.84和0.80,RMSE分別為0.31%和0.36%,NRMSE分別為10.07%和11.60%。淀粉積累期R2分別為0.70和0.70,RMSE分別為0.31%和0.32%,NRMSE分別為13.16%和13.36%。相較于僅用植被指數(shù)建模,3個(gè)生育期加入TIS構(gòu)建的馬鈴薯PKC估算模型精度均有所提高。