基于無人機(jī)多光譜與紋理特征的飼用大豆地上生物量估算研究
2024-11-05 00:00:00李貴鑫安東于應(yīng)文沈禹穎
草地學(xué)報(bào) 2024年10期
收稿日期：2024-01-27；修回日期：2024-03-24
基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃（2022YFD1300803）；國家牧草產(chǎn)業(yè)技術(shù)體系（CARS-34-13）資助
作者簡介：李貴鑫（1998-），男，漢族，四川綿陽人，碩士研究生，主要從事飼草生產(chǎn)學(xué)研究，E-mail：ligx21@lzu.edu.cn；*通信作者Author for correspondence，E-mail：yy.shen@lzu.edu.cn
摘要：本研究利用無人機(jī)獲取了飼用大豆［Glycine max （L.） Merr.］主要生育時期的多光譜遙感影像，并基于多光譜影像提取的40個紋理特征和光譜反射率構(gòu)建的12個植被指數(shù)，通過多元線性回歸（Multiple linear regression，MLR）、人工神經(jīng)網(wǎng)絡(luò)（Artificial neural networks，ANN）、隨機(jī)森林（Random forest，RF）、支持向量機(jī)（Support vector regression，SVR）等算法，對飼用大豆?fàn)I養(yǎng)體生長過程的地上生物量進(jìn)行了估測。結(jié)果表明：450 nm，560 nm，650 nm和730 nm這4個波段的光譜反射率隨飼用大豆生育進(jìn)程而變化，具體表現(xiàn)為分枝前期下降、分枝后期上升至峰值、開花期下降的變化趨勢。840 nm波段的光譜反射率表現(xiàn)為分枝期上升并在后期達(dá)到峰值、開花期下降的變化趨勢。方差（Variance）、對比度（Contrast）、相異性（Dissimilarity）和信息熵（Entropy）等紋理特征在各波段下數(shù)值變化基本趨于一致，表現(xiàn)出紅邊波段最大，紅光波段最小。綜合來看，基于植被指數(shù)與紋理特征作為輸入?yún)?shù)的ANN模型對于飼用大豆各生育時期地上部生物量的估測效果最好（R2= 0.71，RMSE = 1.81 t·hm-2）。研究結(jié)果可為飼用大豆地上生物量快速精準(zhǔn)估測以及高效栽培管理提供技術(shù)支撐。
關(guān)鍵詞：無人機(jī)多光譜影像；飼用大豆；地上生物量；機(jī)器學(xué)習(xí)；紋理特征
中圖分類號：S565.1 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-0435（2024）10-3262-10
Estimation of Above-Ground Biomass of Forage Soybean Based on UAV Multispectral and Texture Features
LI Gui-xin1，2， AN Dong1，2， YU Ying-wen1，2， SHEN Yu-ying1，2，3*
（1.State Key Laboratory of Herbage Improvement and Grassland Agro-Ecosystems，Lanzhou University， Lanzhou， Gansu Province 730020， China; 2. College of Pastoral Agriculture Science and Technology， Lanzhou University， Lanzhou， Gansu Province 730020， China; 3.National Field Scientific Observation and Research Station of Grassland Agro-Ecosystems， Qingyang， Gansu Province 745000， China）
Abstract：In this study，drones were employed to gather multispectral remote sensing images of the main nutritional growth stages of forage soybeans. Utilizing 40 texture features extracted from the multispectral images and 12 vegetation indices constructed from spectral reflectance，the above-ground biomass of forage soybeans at different growth stages was estimated using algorithms and models such as Multiple Linear Regression （MLR），Artificial Neural Networks （ANN），Random Gorest （RF），and Support Vector Regression （SVR）. The findings indicated that the spectral reflectance of the four bands，450 nm，560 nm，650 nm，and 730 nm，changed with the development process of the forage soybeans，displaying a pattern of decrease in the early branching stage，increase to a peak in the late branching stage，and decrease during the flowering stage. The spectral reflectance at the 840 nm band exhibited an increasing trend during the branching stage，reaching a peak in the late branching stage，followed by a decrease during the flowering stage. The dynamic changes in the texture features of Variance，Contrast，Dissimilarity，and Entropy were generally consistent under all the sequences，displaying the biggest value in red-edge band and the smallest value in red band. Overall，the ANN model，using vegetation indices and texture features as input parameters，achieved the best results in estimating the above-ground biomass of forage soybeans across different growth stages （R2= 0.71;RMSE = 1.81 t·hm-2）. This research provided technical support for the rapid and accurate estimation of the above-ground biomass of forage soybeans and for efficient cultivation management.
Key words：UAV multispectral images;Forage soybean;Above-ground biomass;Machine learning;Texture features
無人機(jī)低空遙感技術(shù)因其具有快速、無損和連續(xù)監(jiān)測優(yōu)點(diǎn)［1-2］，近年來已廣泛應(yīng)用于作物生長監(jiān)測［3-5］、產(chǎn)量估算［6］、病蟲害識別［7］和施肥決策［8］等作物栽培領(lǐng)域。很多研究從植被光譜特性出發(fā)，通過分析植被指數(shù)及其派生的光譜指標(biāo)來實(shí)現(xiàn)作物地上生物量（Above-ground biomass，AGB）和產(chǎn)量的估算。例如，陶慧林等利用基于多種植被指數(shù)構(gòu)建的多元線性回歸模型對冬小麥地上生物量進(jìn)行了估測，發(fā)現(xiàn)植被指數(shù)結(jié)合紅邊參數(shù)優(yōu)于單個植被指數(shù)［9］。Zhu等人基于不同類型無人機(jī)在多空間尺度下對玉米地上生物量進(jìn)行了估測，得出用株高作為參數(shù)有助于提升估測精度［10］。對于大豆地上生物量估算，前人研究利用不同植被指數(shù)和株高作為參數(shù)，構(gòu)建籽粒大豆回歸模型均有較高精度和可靠性［11］。以上研究有效推動了無人機(jī)遙感技術(shù)在農(nóng)作物地上生物量反演中的應(yīng)用。但在作物冠層密集時植被指數(shù)出現(xiàn)飽和，并對冠層光譜反射變化不敏感［12］，導(dǎo)致生物量估算精度下降。近期研究表明，結(jié)合光譜信息和紋理特征進(jìn)行估算能有效克服植被指數(shù)飽和問題，從而提高估算精度［13］。Sarker等人的研究也證實(shí)，植被指數(shù)與紋理特征相結(jié)合可以在森林植被生物量估算中表現(xiàn)出優(yōu)越性［14］，兩者結(jié)合后的估算能力明顯優(yōu)于單一的植被指數(shù)［15］。
隨著無人機(jī)遙感技術(shù)與研究手段的不斷發(fā)展，機(jī)器學(xué)習(xí)算法普遍應(yīng)用于地上生物量估算研究。與傳統(tǒng)的統(tǒng)計(jì)回歸方法相比，人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network，ANN）、隨機(jī)森林回歸（Random forest regression，RF）和支持向量機(jī)回歸（Support vector regression，SVR）等機(jī)器學(xué)習(xí)算法能從大量復(fù)雜數(shù)據(jù)中提取有效信息，并通過不斷學(xué)習(xí)構(gòu)建出最優(yōu)模型。當(dāng)前基于無人機(jī)遙感技術(shù)監(jiān)測作物地上生物量的研究主要集中在小麥、玉米和籽粒大豆等糧油作物上［4，16-18］。早在19世紀(jì)起大豆就被美國引種作為優(yōu)質(zhì)飼草栽培利用［19-20］，飼用大豆是以在開花期收獲地上部營養(yǎng)體用作飼草用途，針對籽粒大豆開發(fā)的生物量估測模型不能直接應(yīng)用于飼用大豆生物量估測。鑒于此，本研究以飼用大豆為研究對象，基于多光譜無人機(jī)探究飼用大豆主要生育期的光譜特征與紋理特征變化規(guī)律，同時比較人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和隨機(jī)森林等機(jī)器學(xué)習(xí)方法預(yù)測飼用大豆地上生物量的有效性及精度差異，以期對其建立一種快速、有效的估測模型，為飼用大豆地上生物量精準(zhǔn)預(yù)測和高效生產(chǎn)管理提供技術(shù)支持。
1 材料與方法
1.1 研究區(qū)域概況
試驗(yàn)區(qū)位于甘肅省慶陽市西峰區(qū)什社鄉(xiāng)，蘭州大學(xué)甘肅慶陽草地農(nóng)業(yè)野外研究站（35°39′N，107°51′E，海拔1297 m）。該區(qū)屬于典型的大陸性季風(fēng)氣候，2016—2022年平均氣溫10.6℃，年均降水617 mm，降水季節(jié)分布不均勻，60%以上集中在7—9月。土壤類型為黑壚土，主要種植冬小麥、玉米、高粱、苜蓿等作物。
1.2 試驗(yàn)設(shè)計(jì)
試驗(yàn)采用隨機(jī)區(qū)組設(shè)計(jì)，所用飼用大豆材料為LS，LS。試驗(yàn)設(shè)置3個氮肥水平，分別為0 kg·hm-2（N）、40 kg·hm-2（N）、80 kg·hm-2（N），重復(fù)3次，共18個小區(qū)，小區(qū)面積為20 m2（4 m×5 m）。于2022年5月中旬播種，采用等距穴播，種植密度為13 萬株·hm-2，行距40 cm，株距19 cm，播深5 cm，播種前基施過磷酸鈣（12%）225 kg·hm-2，作物生長期間無追肥和灌溉處理。
1.3 數(shù)據(jù)采集和處理
1.3.1 飼用大豆地上生物量數(shù)據(jù)的獲取 于2022年7月24（五分枝期）、8月3日（八分枝期）、8月14日（九分枝期）、8月23日（十分枝期）、9月4日（始花期）和9月13日（盛花期）在每個小區(qū)選取長勢均勻的植株，齊地面刈割0.1 m2，105℃下殺青30 min，在75℃下烘干至恒重，使用電子天平稱重，計(jì)算單位面積地上生物量。
1.3.2 無人機(jī)多光譜數(shù)據(jù)獲取 采用大疆公司生產(chǎn)的DJI P4 Multispectral多光譜無人機(jī)，包括1個用于可見光成像的彩色傳感器和5個單色傳感器，單個傳感器有效像素208萬，各單通道波長及波段寬度見表1。與地上生物量采集同步獲取大豆冠層多光譜信息，采集時間選擇天氣晴朗無風(fēng)無云的上午10：00-12：00，布設(shè)5個控制點(diǎn)分別于外圍4個角及區(qū)域中心，使用DJI GS Pro軟件進(jìn)行航線規(guī)劃，航向重疊度80%，旁向重疊度為75%，拍攝高度約為30 m，無人機(jī)航速為2.1 m·s-1，拍照間隔為2.0 s，影像地面分辨率為1.6 cm·pixel-1，飛行前地面鋪設(shè)標(biāo)準(zhǔn)反射率為25%和50%的2塊輻射定標(biāo)板用于輻射校正。
1.3.3 多光譜遙感影像處理與冠層光譜反射率提取 本文利用DJI Terra（DJI，China）對采集的影像進(jìn)行影像拼接得到RGB影像和5個單波段的正射影像，采用經(jīng)驗(yàn)線性模型進(jìn)行輻射定標(biāo)，將影像的灰度值（Digital number，DN）轉(zhuǎn)換為地表反射率值。使用ArcGIS 10.6（ERIS，USA）軟件對處理后的影像劃分小區(qū)，繪出小區(qū)矢量，利用波段計(jì)算器與區(qū)域分析工具計(jì)算感興趣區(qū)的平均光譜反射率。運(yùn)用ENVI 5.6（Exelis Visual Information Solutions，USA）軟件對正射影像進(jìn)行處理，采用K-mean分類器識別飼用大豆冠層，獲得剔除土壤背景和陰影重疊后的光譜信息，整體分類精度（Overall accuracy，OA）為90.20%～96.15%，Kappa系數(shù)為0.85～0.94。
1.3.4 植被指數(shù)（VI）的選取 本研究中，根據(jù)不同波段光譜的反射率進(jìn)行組合，根據(jù)其特點(diǎn)，選取并計(jì)算了12個植被指數(shù)包括歸一化植被指數(shù)（Normalized difference vegetation index，NDVI）、綠波段歸一化植被指數(shù)（Green normalized difference vegetation index，GNDVI）、比值植被指數(shù)（Ratio vegetation index，RVI）、增強(qiáng)植被指數(shù)（The enhanced vegetation index，EVI）、差值植被指數(shù)（Difference vegetation index，DVI）、重歸一化植被指數(shù)（Renormalized difference vegetation index，RDVI）、土壤調(diào)整植被指數(shù)（Soil-adjusted vegetation index，SAVI）、優(yōu)化土壤調(diào)整植被指數(shù)（Optimized soil-adjusted vegetation index，OSAVI）、歸一化差異紅邊指數(shù)（Red edge normalized index，NDRE）、紅邊指數(shù)（Chlorophyll index red-edge，CIrededge）、綠邊指數(shù)（Chlorophyll index green，CIgreen）、葉面葉綠素指數(shù)（The leaf chlorophyll index，LCI），用于構(gòu)建飼用大豆地上生物量估算模型，計(jì)算式如表2。
1.3.5 多光譜紋理特征（TX）提取 在ENVI 5.6中，利用灰度共生矩陣方法對5個波段進(jìn)行 0°，45°，90°和135°的4個方向的8個紋理特征的提?。ū?）［25］，分別為均值（MEA）、方差（VAR）、協(xié)同性（HOM）、對比度（CON）、相異性（DIS）、信息熵（ENT）、二階矩（SEM）和相關(guān)性（COR）。然后在ArcGIS 10.6（ERIS，USA）中，對于各波段的紋理特征影像分別劃定區(qū)域，提取所劃區(qū)域的紋理值，求取每種特征4個方向上的平均值作為最終的紋理特征值。
1.3.6 特征優(yōu)選 隨機(jī)森林算法能夠計(jì)算每個預(yù)測變量對因變量的重要性并進(jìn)行排序，為探究圖像特征對建立飼用大豆地上生物量反演模型的影響，量化12種植被指數(shù)和40種紋理特征對結(jié)果的貢獻(xiàn)率，本研究利用隨機(jī)森林基礎(chǔ)模型對植被指數(shù)、植被指數(shù)+紋理特征反演的變量重要性進(jìn)行排序，篩選特征重要性系數(shù)總和達(dá)95%的最優(yōu)特征組合，如圖1和圖2所示，圖中橫坐標(biāo)為依照重要級由大到小排列的特征名稱，縱坐標(biāo)為特征重要性。圖1共包含12個特征，其中反演飼用大豆地上生物量最重要的特征是GNDVI，在OSAVI特征處重要性系數(shù)總和達(dá)95%；圖2中共包含52個特征，對反演地上生物量最重要的變量是B_DIS，在B_SEM特征處重要性系數(shù)總和達(dá)95%。
1.3.7 建模方法 采用多元線性回歸和3種不同的機(jī)器學(xué)習(xí)方法，算法模型的構(gòu)建利用Python 3.6中的模塊sklearn進(jìn)行，分別為人工神經(jīng)網(wǎng)絡(luò)（ANN）、隨機(jī)森林回歸（RF）和支持向量機(jī)回歸（SVR）。通過使用隨機(jī)網(wǎng)格搜索設(shè)置迭代次數(shù)500次，5折驗(yàn)證尋找最優(yōu)參數(shù)，設(shè)置隨機(jī)森林算法的參數(shù)值范圍：‘n_estimators’為np.arange（100，1001，100），‘max_features’為np.arange（1，11，1），‘max_depth’為np.arange（10，101，10），‘min_samples_split’為［2，5，10］，‘min_samples_leaf’為np.arange（1，1+10，1）。設(shè)置支持向量機(jī)算法的參數(shù)值范圍為‘C’為np.linspace（0.1，10，1000），‘epsilon’為np.linspace（0.01，10，100），‘gamma’為np.logspace（-3，2，1000），‘kernel’為［‘linear’，‘rbf’］。設(shè)置人工神經(jīng)網(wǎng)絡(luò)算法參數(shù)為‘hidden_layer_sizes’為［（50，），（100，），（50，50），（100，50），（50，50，50），（100，100，100）］，‘a(chǎn)ctivation’為［‘tanh’，‘relu’，‘logistic’，‘identity’］，‘solver’為［‘sgd’，‘a(chǎn)dam’，‘lbfgs’］，‘a(chǎn)lpha’為np.logspace（-2，2，8）。
1.3.8 評價指標(biāo) 共獲取不同生育期108個數(shù)據(jù)樣本，按4∶1的比例劃分建模集和驗(yàn)證集。利用5折交叉驗(yàn)證對建成模型進(jìn)行驗(yàn)證，選用決定系數(shù)（Coefficient of determination，R2）和均方根誤差（Root mean square error，RMSE）作為比較估算模型精度的評價指標(biāo)。估算模型的R2越大，RMSE越小，表明模型的估算能力越好，驗(yàn)證模型的R2越大，RMSE越小，表明估算模型穩(wěn)定性越好。采用SPSS 27.0（IBM，USA）軟件進(jìn)行相關(guān)性分析，模型構(gòu)建使用python 3.6，Origin 2023（OriginLab，USA）軟件作圖。
式中，n為樣本數(shù)量，x為實(shí)測值，x-為實(shí)測平均值，y為預(yù)測值，y-為預(yù)測平均值。
2 結(jié)果與分析
2.1 飼用大豆地上生物量動態(tài)
表4為飼用大豆地上生物量的分布和變異情況，可以看出7月24日時地上生物量均值2.32 t·hm-2，變異系數(shù)（Coefficient of variation，CV）最大，為35.34%，變異范圍為0.91～3.83 t·hm-2，9月13日時地上生物量最高，產(chǎn)量均值達(dá)10.40 t·hm-2，變異系數(shù)（CV）最小，為21.15%，變異范圍為7.32～15.99 t·hm-2。可見，在三個施氮水平下，所選材料的地上生物量對此有響應(yīng)，適合進(jìn)行地上生物量建模分析。
2.2 光譜反射率分析
450 nm，650 nm和730 nm等 3個波段下，隨生育進(jìn)程，各處理下光譜反射率無顯著變化（圖3a-c），560 nm波段下反射率值在分枝前期三個施氮處理間有顯著差異，不施氮下最大，其他生育期均無顯著差異（圖3d），4個波段表現(xiàn)為分枝前期（7月24日—8月14日）下降、分枝后期（8月14日—8月23日）上升達(dá)到峰值、開花期（9月4日—9月13日）下降的趨勢；840 nm波段反射率表現(xiàn)為分枝前期增加，開花期下降的趨勢（圖3e）。分枝后期（8月23日）的紅邊和近紅外波段光譜反射率大于其他時期。
2.3 飼用大豆生長階段紋理特征
對飼用大豆多光譜紋理特征進(jìn)行分析，材料LS和LS的紋理特征值的動態(tài)基本趨于一致，在MEA特征中多數(shù)時間表現(xiàn)出NIR>RE>GREEN>BLUE>RED，9月4日表現(xiàn)為RE>NIR>GREEN>BLUE>RED；VAR，CON，DIS和ENT特征值多數(shù)時間表現(xiàn)出RE>NIR>GREEN>BLUE>RED，7月24日表現(xiàn)為RE>NIR>GREEN>RED>BLUE；HOM特征值多數(shù)時間表現(xiàn)出RED>BLUE>GREEN>NIR>RE，7月24日表現(xiàn)為RED>GREEN>NIR>RE>BLUE；SEM特征多數(shù)時間表現(xiàn)出RED>BLUE>GREEN>NIR>RE，在7月24日中表現(xiàn)出BLUE>RED>GREEN>NIR>RE；COR特征表現(xiàn)出NIR>RE>GREEN>BLUE>RED（圖4）。
2.4 植被指數(shù)與地上生物量的相關(guān)性
將選取的12種植被指數(shù)與飼用大豆地上生物量做相關(guān)性分析。由表5可知，植被指數(shù)與飼用大豆地上生物量有較好的相關(guān)性，其中GNDVI，CI，NDVI，RVI，LCI，NDRE，OSAVI，CI，RDVI與地上生物量的相關(guān)均達(dá)到極顯著水平（P<0.01），GNDVI與地上生物量的相關(guān)系數(shù)最大，為0.55（P<0.01），EVI，SAVI與地上生物量有顯著相關(guān)（P<0.05），相關(guān)系數(shù)分別為0.21，0.24。
2.5 紋理特征與地上生物量的相關(guān)性
紋理特征與飼用大豆地上生物量的相關(guān)性大部分為顯著性相關(guān)（表6），NIR_HOM和NIR_COR的相關(guān)系數(shù)絕對值最大為0.59，G_MEA，G_HOM，G_ENT，G_COR，R_MEA，R_HOM，R_ENT，R_COR，RE_MEA，RE_HOM，RE_ENT和RE_COR的相關(guān)系數(shù)絕對值均大于0.50（P<0.01）。5個波段上的MEA，HOM，ENT和COR特征與飼用大豆地上生物量的相關(guān)性均達(dá)到極顯著水平（P<0.01），B_CON，B_DIS，G_CON，R_DIS，RE_CON和NIR_DIS未表現(xiàn)出顯著相關(guān)。
2.6 地上生物量模型估算與評價
將特征篩選后的植被指數(shù)，植被指數(shù)結(jié)合紋理特征分別輸入4種機(jī)器學(xué)習(xí)模型，對飼用大豆地上生物量進(jìn)行估測。結(jié)果表明，以植被指數(shù)作為模型輸入量時，最優(yōu)估測模型為ANN（R2=0.60，RMSE=2.10 t·hm-2），植被指數(shù)結(jié)合紋理特征作為模型輸入量時，建模集中MLR模型R2提升了18.18%，RMSE降低了12.32%;ANN模型R2提升了9.72%，RMSE降低了14.20%;RF模型R2提升了24.68%，RMSE降低了54.38%;SVR模型R2提升了25.42%，RMSE降低了20.19%。驗(yàn)證集中MLR模型R2提升了34.88%，RMSE降低了14.96%;ANN模型R2提升了18.33%，RMSE降低了13.81%;RF模型的改善效果最好R2提升了23.64%，RMSE降低了14.03%;SVR模型R2提升了28.85%，RMSE降低了15.72%;建模集和驗(yàn)證集的R2均有所提高，而RMSE均有所下降，模型精度和穩(wěn)定性均得到改善，但RF模型的建模集與驗(yàn)證集決定系數(shù)（R2）分別為0.96和0.68，發(fā)生過擬合，ANN模型建模集與驗(yàn)證集決定系數(shù)（R2）分別為0.79和0.71，R2在驗(yàn)證集中最高且與建模集R2差距小，由此確定ANN為最優(yōu)模型（R2=0.71，RMSE=1.81 t·hn-2）（表7）。
3 討論
在本研究中，450 nm，560 nm，650 nm的可見光波段反射率隨生育期推移呈現(xiàn)出先降低后增加再降低的變化趨勢。在生長的初期，由于葉片較少且葉綠素濃度低，其對光波段的吸收能力較弱，導(dǎo)致反射率較高。隨著植株?duì)I養(yǎng)體長大，葉片數(shù)量和葉綠素濃度逐漸增加，使得對光波段的吸收能力增強(qiáng)，反射率因此降低。8月23日冠層葉片達(dá)到最大數(shù)量，反射率隨之升高。隨后飼用大豆進(jìn)入開花期，此時植物需要更多的能量，光合作用增強(qiáng)，對光波段的吸收能力加強(qiáng)［26］，從而導(dǎo)致反射率的降低。位于可見光紅色區(qū)域與近紅外區(qū)域交界處的730 nm波段光亦能被植物少量吸收利用，其反射率變化趨勢與可見光波段相同。840 nm波段表現(xiàn)出先增加后降低的變化趨勢，這與李均容的研究結(jié)果一致［27］，這可能是大豆開花期生長迅速耗水量增加，夏日蒸散強(qiáng)［28］，葉片水分含量低造成反射率下降。在低氮條件下，大豆前期的葉綠素含量相對較低，因此綠光反射率高，表現(xiàn)出差異性。
本研究飼用大豆AGB實(shí)測值與所選植被指數(shù)和紋理特征的相關(guān)系數(shù)多數(shù)為極顯著相關(guān)關(guān)系，其中植被指數(shù)和紋理特征相關(guān)系數(shù)最高的為GNDVI，NIR_HOM和NIR_COR，系數(shù)分別為0.55，0.59和0.59，由此判斷NIR波段在飼用大豆長勢監(jiān)測中具有獨(dú)特的作用，這一結(jié)果與前人研究一致［29］。紋理特征（TX）的加入為模型提供了更多關(guān)于地面植被的空間分布和結(jié)構(gòu)信息，改善了植被指數(shù)飽和帶來的影響［15］，顯著提升了模型估算的性能和魯棒性。劉楊等發(fā)現(xiàn)估算AGB時光譜信息+紋理特征效果最好［30］，杭艷紅等利用GNDVI和差值紋理特征等提升了估算水稻LAI的精度［31］，朱永基等利用植被指數(shù)耦合紋理特征提高了對冬小麥生物量的估算［32］，通過引入紋理特征實(shí)現(xiàn)了對冬小麥和水稻產(chǎn)量的早期估算［15，33］。與上述研究結(jié)果相似，本研究使用植被指數(shù)和紋理特征作為輸入量，在多元線性回歸、隨機(jī)森林模型、支持向量機(jī)模型和人工神經(jīng)網(wǎng)絡(luò)模型的模型精度均高于植被指數(shù)作為輸入量時。
本研究中RF模型展現(xiàn)出優(yōu)秀的建模性能，但其驗(yàn)證集顯示出過擬合，這與龔榮新等［29］和向友珍等［34］在反演籽粒大豆地上生物量過程中發(fā)現(xiàn)，RF模型比其他模型效果更好的結(jié)果不同，這可能是由于所用大豆的收獲目標(biāo)不同，也可能是因?yàn)橛?xùn)練數(shù)據(jù)量較少導(dǎo)致泛化能力低。相比之下，人工神經(jīng)網(wǎng)絡(luò)（ANN）模型在估測飼草地上生物量的精度上優(yōu)于其他模型，可能是因?yàn)槠湓谔幚矸蔷€性問題和識別復(fù)雜數(shù)據(jù)模式等方面具有顯著優(yōu)勢，這與樊意廣的結(jié)果一致［35］。
飼用大豆作為生物量較高的一年生優(yōu)質(zhì)豆科飼草，規(guī)模化種植生產(chǎn)中實(shí)現(xiàn)地上生物量的精準(zhǔn)估測對于其豐產(chǎn)栽培管理至關(guān)重要。本研究通過植被指數(shù)和紋理特征作為輸入量成功實(shí)現(xiàn)了對飼用大豆地上生物量的精確估測，與傳統(tǒng)的植被指數(shù)模型相比，這種方法顯著提高了估算精度［36］。本研究基于一年的大田試驗(yàn)數(shù)據(jù)的結(jié)果，未來的研究中，根據(jù)品種和生育時期增加實(shí)地取樣頻率，進(jìn)一步探索不同特征組合和機(jī)器學(xué)習(xí)算法的參數(shù)設(shè)置，并增加模型樣本數(shù)量，以增強(qiáng)模型的預(yù)測精度。
4 結(jié)論
本研究基于無人機(jī)多光譜影像研究了旱作條件下兩個飼用大豆材料生長期不同波段下反射率動態(tài)，450 nm，560 nm，650 nm，730 nm和 840 nm這5個波段的光譜反射率在開花期達(dá)到最大，在生育進(jìn)程中受葉綠素含量和植株含水量變化影響。采用多元線性（MLR）和隨機(jī)森林（RF）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVR）等機(jī)器學(xué)習(xí)方法對地上生物量估算和評價表明，結(jié)合植被指數(shù)和紋理特征構(gòu)建的模型測能力和穩(wěn)定性明顯高于僅用植被指數(shù)構(gòu)建的模型。其中ANN模型是估算飼用大豆地上生物量的最優(yōu)模型，決定系數(shù)R2達(dá)0.71，RMSE為1.81 t·hm-2，可以實(shí)現(xiàn)研究區(qū)飼用大豆地上生物量的快速、無損測定。
參考文獻(xiàn)
［1］高娟婷，孫飛達(dá)，霍霏，等. 無人機(jī)遙感技術(shù)在草地動植物調(diào)查監(jiān)測中的應(yīng)用與評價［J］. 草地學(xué)報(bào)，2021，29（1）：1-9
［2］潘影，張燕杰，武俊喜，等. 基于遙感和無人機(jī)數(shù)據(jù)的草地NDVI影響因子多尺度分析［J］. 草地學(xué)報(bào)，2019，27（6）：1766-1773
［3］JAY S，MAUPAS F，BENDOULA R，et al. Retrieving LAI，chlorophyll and nitrogen contents in sugar beet crops from multi-angular optical remote sensing：Comparison of vegetation indices and PROSAIL inversion for field phenotyping［J］. Field Crops Research，2017，210：33-46
［4］MAO Z，DENG L，DUAN F，et al. Angle effects of vegetation indices and the influence on prediction of SPAD values in soybean and maize［J］. International Journal of Applied Earth Observation and Geoinformation，2020，93：102198
［5］馬建，劉文昊，靳瑰麗，等. 基于CNN和SVM的無人機(jī)多光譜遙感草地植物識別［J］. 草地學(xué)報(bào)，2022，30（11）：3165-3174
［6］申洋洋，陳志超，胡昊，等. 基于無人機(jī)多時相遙感影像的冬小麥產(chǎn)量估算［J］. 麥類作物學(xué)報(bào)，2021，41（10）：1298-1306
［7］ZHU W，F(xiàn)ENG Z，DAI S，et al. Using UAV multispectral remote sensing with appropriate spatial resolution and machine learning to monitor wheat scab［J］. Agriculture，2022，12（11）：1785
［8］JI J，LIU J，CHEN J，et al. Optimization of topdressing for winter wheat by accurate growth monitoring and improved production estimation［J］. Remote Sensing，2021，13（12）：2349
［9］陶惠林，馮海寬，徐良驥，等. 基于無人機(jī)高光譜遙感數(shù)據(jù)的冬小麥生物量估算［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)，2020，36（5）：1154-1162
［10］ZHU W X，SUN Z G，PENG J B，et al. Estimating maize above-ground biomass using 3D point clouds of multi-source unmanned aerial vehicle data at multi-spatial scales［J］. Remote Sensing （Basel，Switzerland），2019，11（22）：2678
［11］MAIMAITIJIANG M，SAGAN V，SIDIKE P，et al. Vegetation Index Weighted Canopy Volume Model （CVMVI） for soybean biomass estimation from Unmanned Aerial System-based RGB imagery［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2019，151：27-41
［12］CEN H，WAN L，ZHU J，et al. Dynamic monitoring of biomass of rice under different nitrogen treatments using a lightweight UAV with dual image-frame snapshot cameras［J］. Plant Methods，2019，15（1）：32
［13］MIAN D，TIANLE Y，ZHAOSHENG Y，et al. Wheat biomass estimation in different growth stages based on color and texture features of UAV images［J］. Smart Agriculture，2022，4（1）：71-83
［14］SARKER L R，NICHOL J E. Improved forest biomass estimates using ALOS AVNIR-2 texture indices［J］. Remote Sensing of Environment，2011，115（4）：968-977
［15］劉暢，楊貴軍，李振海，等. 融合無人機(jī)光譜信息與紋理信息的冬小麥生物量估測［J］. 中國農(nóng)業(yè)科學(xué)，2018，51（16）：3060-3073
［16］陸國政，楊貴軍，趙曉慶，等. 基于多載荷無人機(jī)遙感的大豆地上鮮生物量反演［J］. 大豆科學(xué)，2017，36（1）：41-50
［17］GEIPEL J，LINK J，WIRWAHN J，et al. A programmable aerial multispectral camera system for in-season crop biomass and nitrogen content estimation［J］. Agriculture，2016，6（1）：4
［18］NIU Y，ZHANG L，ZHANG H，et al. Estimating above-ground biomass of maize using features derived from UAV-based RGB imagery［J］. Remote Sensing，2019，11（11）：1261
［19］HINTZ R W，ALBRECHT K A. Dry matter partitioning and forage nutritive value of soybean plant components［J］. Agronomy Journal，1994，86（1）：59-62
［20］HACKLEMAN J C. Future of the soybean as a forage crop［J］. Agronomy Journal，1924，16（3）：228-236
［21］井宇航，郭燕，張會芳，等. 無人機(jī)飛行高度對冬小麥植株氮積累量預(yù)測模型的影響［J］. 河南農(nóng)業(yè)科學(xué)，2022，51（2）：147-158
［22］石雅嬌，陳鵬飛. 基于無人機(jī)高光譜影像的玉米地上生物量反演［J］. 中國農(nóng)學(xué)通報(bào)，2019，35（17）：117-123
［23］王靖，彭漪，劉小娟，等. 基于無人機(jī)多光譜數(shù)據(jù)的水稻LAI反演與應(yīng)用［J］. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，26（12）：145-156
［24］DAUGHTRY C S T，WALTHALL C L，KIM M S，et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J］. Remote Sensing of Environment，2000，74（2）：229-239
［25］HARALICK R M，SHANMUGAM K，DINSTEIN I. Textural features for image classification［J］. IEEE Transactions on Systems，Man，and Cybernetics，1973，3（6）：610-621
［26］潘瑞熾. 植物生理學(xué)［M］. 北京：高等教育出版社，2008：256
［27］李均容. 基于高光譜技術(shù)的大豆育種材料產(chǎn)量及農(nóng)學(xué)參數(shù)反演研究［D］. 成都：四川農(nóng)業(yè)大學(xué)，2022：19-20
［28］董鉆著. 大豆產(chǎn)量生理［M］. 北京：中國農(nóng)業(yè)出版社，2012：127-128
［29］龔榮新，魯向暉，張海娜，等. 基于高光譜植被指數(shù)的大豆地上部生物量估算模型研究［J］. 大豆科學(xué)，2023，42（3）：352-359
［30］劉楊，馮海寬，孫乾，等. 不同分辨率無人機(jī)數(shù)碼影像的馬鈴薯地上生物量估算研究［J］. 光譜學(xué)與光譜分析，2021，41（5）：1470-1476
［31］杭艷紅，蘇歡，于滋洋，等. 結(jié)合無人機(jī)光譜與紋理特征和覆蓋度的水稻葉面積指數(shù)估算［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（9）：64-71
［32］朱永基，陶新宇，陳小芳，等. 基于無人機(jī)多光譜影像植被指數(shù)與紋理特征的冬小麥地上部生物量估算［J］. 浙江農(nóng)業(yè)學(xué)報(bào)，2023，35（12）：2966-2976
［33］王偉康，張嘉懿，汪慧，等. 基于固定翼無人機(jī)多光譜影像的水稻長勢關(guān)鍵指標(biāo)無損監(jiān)測［J］. 中國農(nóng)業(yè)科學(xué)，2023，56（21）：4175-4191
［34］向友珍，安嘉琪，趙笑，等. 基于無人機(jī)多光譜遙感的大豆生長參數(shù)和產(chǎn)量估算［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（8）：230-239
［35］樊意廣，馮海寬，劉楊，等. 利用無人機(jī)多源傳感器估算馬鈴薯植株氮含量［J］. 光譜學(xué)與光譜分析，2022，42（10）：3217-3225
［36］劉欣誼，仲曉春，陳晨，等. 利用無人機(jī)圖像顏色與紋理特征數(shù)據(jù)在小麥生育前期對產(chǎn)量進(jìn)行預(yù)測［J］. 麥類作物學(xué)報(bào)，2020，40（8）：1002-1007
（責(zé)任編輯 閔芝智）
