復(fù)合種植方式下大豆和玉米株高的動(dòng)態(tài)反演

摘要：為準(zhǔn)確估測(cè)復(fù)合種植方式下大豆和玉米的株高，分別利用均值插值法和線性插值法生成的數(shù)字地面模型（Digital terrain model，DTM）和基于無人機(jī)影像生成的數(shù)字表面模型（Digital surface model，DSM）進(jìn)行處理，得到復(fù)合種植方式下大豆和玉米的冠層高度模型（Canopy height model，CHM）。借助線性回歸方法并結(jié)合決定系數(shù)（R2）和均方根誤差（RMSE）對(duì)模型進(jìn)行精度分析，篩選出精度更高的株高模型對(duì)應(yīng)的插值方法，并采用該模型實(shí)現(xiàn)對(duì)復(fù)合種植方式下大豆和玉米株高的動(dòng)態(tài)反演。結(jié)果表明，線性插值得到的DTM經(jīng)過處理最后生成的CHM估測(cè)效果更好，模型的R2為0.85，RMSE為7.05 cm。表明在缺少完整DTM數(shù)據(jù)的情況下，借助插值生成的小面積DTM與基于無人機(jī)影像生成的DSM構(gòu)建冠層高度模型，并實(shí)現(xiàn)復(fù)合種植方式下大豆和玉米株高動(dòng)態(tài)反演的方法可行。

關(guān)鍵詞：復(fù)合種植方式； 無人機(jī)； 株高； 大豆； 玉米； 動(dòng)態(tài)反演

中圖分類號(hào)：TP79" " " " "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2024）08-0231-05

DOI：10.14088/j.cnki.issn0439-8114.2024.08.038 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Dynamic inversion of plant height of soybean and maize under composite planting system

WANG Huan-chen， ZHANG Wu-ping， LI Fu-zhong

（School of Software，Shanxi Agricultural University， Taigu" 030801，Shanxi，China）

Abstract： In order to accurately estimate the plant height of soybean and maize under composite planting system， the digital terrain model （DTM） generated by the mean interpolation method and linear interpolation method and the digital surface model （DSM） generated by UAV image were used for processing， respectively. The canopy height model （CHM） of soybean and maize under composite planting mode was obtained. The linear regression method combined with the determination coefficient （R2） and root mean square error （RMSE） was used to analyze the accuracy of the model， and the interpolation method corresponding to the plant height model with higher accuracy was selected， and the dynamic inversion of plant height of soybean and maize was realized by using the model. The results showed that the DTM obtained by linear interpolation had a better CHM estimation effect after processing， and the model’s R2 was 0.85 and RMSE was 7.05 cm. It was indicated that in the absence of complete DTM data， it was feasible to construct the canopy height model by using small-area DTM generated by interpolation and DSM generated by UAV image， and realize dynamic inversion of soybean and maize plant height under composite planting mode.

Key words： composite planting systems； unmanned aerial vehicle（UAV）； plant height； soybean； maize； dynamic inversion

大豆-玉米帶狀復(fù)合種植是農(nóng)業(yè)農(nóng)村部推廣的新型種植技術(shù)，是改單一作物為高低作物搭配間作的種植模式，能夠充分發(fā)揮玉米的邊行效應(yīng)和大豆的固氮養(yǎng)地作用，改善土壤肥力的同時(shí)提高土壤的利用率，可以實(shí)現(xiàn)單位面積的玉米產(chǎn)量幾乎不變，額外增收一季大豆的綜合效益［1］。大豆-玉米帶狀復(fù)合種植方式既可以讓農(nóng)民增產(chǎn)增收，又可以提高國內(nèi)大豆的種植面積，緩解日益突出的大豆供需矛盾，有利于農(nóng)業(yè)的可持續(xù)發(fā)展。

株高作為作物重要的表型特征，經(jīng)常用來預(yù)測(cè)生物量［2］、產(chǎn)量［3］以及倒伏識(shí)別［4］等研究。通過對(duì)作物株高數(shù)據(jù)的動(dòng)態(tài)監(jiān)測(cè)，能夠及時(shí)獲取作物的生長狀況，為田間的精準(zhǔn)管理提供重要的參考依據(jù)［5］。傳統(tǒng)的株高獲取方法主要通過人工直接測(cè)量，需要耗費(fèi)大量的時(shí)間和人力。由于樣本量有限，不能實(shí)現(xiàn)對(duì)整片大田作物進(jìn)行精準(zhǔn)監(jiān)控，且測(cè)量過程還可能會(huì)對(duì)作物的后期生長造成不可避免的影響。隨著科技的進(jìn)步，遙感技術(shù)提供了大尺度上有效監(jiān)測(cè)作物株高的方法。已有研究表明，衛(wèi)星搭載傳感器能夠在全球尺度上獲取廣泛的空間地理信息［6，7］。然而基于衛(wèi)星遙感的數(shù)據(jù)信息往往不能適用于小范圍區(qū)域監(jiān)測(cè)，高成本以及重訪時(shí)間有限是目前遙感應(yīng)用的主要障礙。機(jī)載平臺(tái)在理論上能夠獲取適量規(guī)模的數(shù)據(jù)，但它們往往成本較高，無法進(jìn)行頻繁的時(shí)間序列監(jiān)測(cè)。這些技術(shù)的進(jìn)步導(dǎo)致無人機(jī)的可用性激增。在早期無人機(jī)主要局限應(yīng)用于軍事領(lǐng)域，隨著低成本無人機(jī)以及輕型成像傳感器的發(fā)展使其在遙感方向上得到了廣泛的應(yīng)用，例如精準(zhǔn)農(nóng)業(yè)方面［8，9］。無人機(jī)平臺(tái)搭載高清數(shù)碼相機(jī)獲取作物株高的方式，憑借成本低、小范圍精準(zhǔn)監(jiān)測(cè)和數(shù)據(jù)可靠的優(yōu)勢(shì)在農(nóng)業(yè)方面得到廣泛應(yīng)用［10］。

國內(nèi)外學(xué)者在無人機(jī)遙感領(lǐng)域開展了許多研究。在作物表型監(jiān)測(cè)方面，李燕強(qiáng)等［11］基于高光譜對(duì)不同品種的冬小麥在生長中的株高數(shù)據(jù)建立了估算模型，但受植被類型、生長狀態(tài)以及光譜差異等因素的影響，建立的模型通透性較差。Weiss等［12］基于SFM算法與三維重建構(gòu)建作物的數(shù)字表面模型（DSM）來估算葡萄樹的株高。牛慶林等［13］基于無人機(jī)數(shù)碼相機(jī)與地面控制點(diǎn)（GCP）生成DSM來提取作物株高，并將其與可見光植被指數(shù)結(jié)合構(gòu)建玉米的LAI估測(cè)模型。借助三維重建方法有效避免了植被指數(shù)和光譜差異對(duì)模型精度帶來的影響，因此模型具有較高的反演精度［14］。大豆-玉米帶狀復(fù)合種植技術(shù)是近幾年國家重點(diǎn)推廣的種植技術(shù)，針對(duì)該種植方式下的無人機(jī)遙感研究鮮有報(bào)道。本研究旨在以大豆-玉米帶狀復(fù)合種植方式為研究對(duì)象，使用多旋翼無人機(jī)搭載高清數(shù)碼相機(jī)對(duì)大豆和玉米植株進(jìn)行株高監(jiān)測(cè)，以探討利用數(shù)碼影像快速估算大豆和玉米株高的可行性。

1 材料與方法

1.1 材料與設(shè)計(jì)

田間試驗(yàn)于2022年5—10月在山西農(nóng)業(yè)大學(xué)軟件學(xué)院試驗(yàn)田進(jìn)行。試驗(yàn)區(qū)位于山西省晉中市太谷區(qū)武家堡村（112°30′51″ E，37°26′41″ N），海拔高度約750 m，土壤類型主要以褐土為主，一年只種植一季作物。該區(qū)域?qū)儆谂瘻貛Т箨懶詺夂?，春溫高于秋溫，夏季暖熱多雨，冬季長而偏冷，四季分明。年平均氣溫5～10 ℃，年降雨量約450 mm，降雨量主要集中在6—8月，日照時(shí)長2 500 ～2 600 h，全年平均無霜期160～190 d。試驗(yàn)田播種時(shí)間為2022年5月20日，總面積7 990 m2。試驗(yàn)區(qū)共設(shè)36個(gè)單元小區(qū)，每個(gè)小區(qū)面積為85 m2，小區(qū)過道縱向1.0 m，橫向0.6 m。小區(qū)共設(shè)置6次重復(fù)，試驗(yàn)區(qū)具體概況如圖1所示。

1.2 地面數(shù)據(jù)獲取

為了驗(yàn)證基于無人機(jī)獲取得到的冠層高度（株高）數(shù)據(jù)，在8月31日無人機(jī)采集圖像數(shù)據(jù)的同時(shí)，對(duì)試驗(yàn)2號(hào)小區(qū)內(nèi)的大豆、玉米進(jìn)行人工測(cè)量株高。每行隨機(jī)選取10株植株的高度進(jìn)行測(cè)量并記錄其對(duì)應(yīng)的位置。

1.3 無人機(jī)平臺(tái)及影像獲取

采用大疆Phantom 4 Pro型無人機(jī)搭載高清數(shù)碼相機(jī)獲取影像，相機(jī)使用1英寸CMOS圖像傳感器，配合高精度的防抖平臺(tái)，在飛行狀態(tài)下可清晰拍攝2 000萬像素的相片。無人機(jī)的相關(guān)規(guī)格參數(shù)如表1所示。

無人機(jī)影像選擇太陽光照輻射穩(wěn)定且晴朗無云無風(fēng)時(shí)獲取，每次飛行后的原始數(shù)據(jù)采用SFM攝影測(cè)量進(jìn)行處理。與傳統(tǒng)的攝影測(cè)量方法不同，SFM通過從多個(gè)重疊率高（80%～90%）的圖像中提取信息來生成3D點(diǎn)云，而不需要精準(zhǔn)的相機(jī)校準(zhǔn)參數(shù)［15］。在SFM處理中，最初使用尺度不變特征變換（SIFT）等特征匹配算法從重疊圖像中識(shí)別關(guān)鍵點(diǎn)。使用束塊調(diào)整，從使用SIFT識(shí)別的關(guān)鍵點(diǎn)計(jì)算內(nèi)部和外部方向參數(shù)。從而進(jìn)一步計(jì)算匹配點(diǎn)的三維坐標(biāo)，然后進(jìn)行致密化以生成密集點(diǎn)云，再生成數(shù)字表面模型（DSM）。最后通過使用DSM對(duì)每個(gè)圖像的像素進(jìn)行投影，生成數(shù)字正射影像（DOM）。在本研究中，使用Agisoft Metashape Professional軟件處理無人機(jī)采集的圖片影像，從而生成DSM和DOM。

1.4 數(shù)據(jù)處理方法

通過2種方法生成DTM，方法1是選取試驗(yàn)小區(qū)臨近周圍裸地的區(qū)域，取其高程的平均值作為整個(gè)小區(qū)的DTM（均值法）。方法2是選取試驗(yàn)小區(qū)周圍土壤點(diǎn)值，通過插值構(gòu)建完整且連續(xù)的DTM（線性法）。用不同時(shí)間的大豆、玉米DSM與2種方法生成的DTM分別相減得到對(duì)應(yīng)的冠層高度模型（Canopy height model，CHM）。

1.5 數(shù)據(jù)分析方法

從CHM中提取的大豆和玉米株高與地面實(shí)測(cè)數(shù)據(jù)進(jìn)行模型回歸分析，選取決定系數(shù)（R2）和均方根誤差（RMSE）作為模型的評(píng)價(jià)指標(biāo)。模型的R2越大，說明模型的擬合性越好；相對(duì)應(yīng)的RMSE越小，說明模型的預(yù)測(cè)精度越高。

[R2=i=1n（Xi-X）2（Yi-Y）2ni=1n（Xi-X）2i=1n（Yi-Y）2] （1）

[RMSE=i=1nXi-Yi2n] （2）

式中，[Xi]、[X]分別為實(shí)測(cè)值及其均值；[Yi]、[Y]分別為預(yù)測(cè)值及其均值；[n]為模型樣本數(shù)量。

2 結(jié)果與分析

2.1 作物株高模型（CHM）精度分析

利用2種方法處理生成的作物株高模型如圖2所示。由表2可以看出，基于線性插值（圖2）生成的作物株高模型提取的株高值與實(shí)測(cè)值更為接近，提取的株高值與實(shí)測(cè)值平均相差2.18 cm，標(biāo)準(zhǔn)差相差0.91 cm，變異系數(shù)相差0.48個(gè)百分點(diǎn)?；贑HM提取的株高數(shù)據(jù)與對(duì)應(yīng)的實(shí)測(cè)數(shù)據(jù)建立的線性回歸模型如圖3所示。結(jié)果表明，利用線性插值生成的CHM擬合精度和預(yù)測(cè)精度均最高，其中，R2為0.85，RMSE為7.05 cm。均值插值生成的CHM擬合精度和預(yù)測(cè)精度均較低，R2為0.44，RMSE為16.53 cm。

以上分析表明，通過線性插值處理得到的CHM作物株高提取效果較好，通過均值插值（圖2b）處理得到的CHM作物株高提取效果較差。主要是因?yàn)樽魑镌诓シN前會(huì)進(jìn)行整地使整塊土地平整，這樣可以降低小范圍內(nèi)的地形高程差異，但無法避免整塊大田內(nèi)的地勢(shì)差異。本試驗(yàn)中，整塊大田南北方向地勢(shì)中間高、南北低，南北方向高度差約1.0 m；東西方向東高西低，東西方向高度差約0.4 m。每個(gè)小區(qū)內(nèi)南北高度差約0.6 m，東西高度差約0.2 m。均值插值只能利用小區(qū)過道高程創(chuàng)造一個(gè)完全水平的土壤基底，無法彌補(bǔ)地勢(shì)的高差，因此會(huì)產(chǎn)生較大的絕對(duì)誤差。而線性插值考慮到地勢(shì)的差異，能夠生成一個(gè)精度較高的土壤基底，從而得到更加可靠的株高數(shù)據(jù)。

2.2 大豆玉米長勢(shì)動(dòng)態(tài)變化

使用ArcGIS對(duì)線性插值法生成的CHM進(jìn)行株高數(shù)據(jù)提取，繪制出大豆和玉米的動(dòng)態(tài)生長曲線（圖4、表3）。由圖4可知，不同種植方式下大豆的平均株高變化差異比玉米明顯，造成這種差異的原因可能是受到光照和種間競(jìng)爭(zhēng)的影響。在大豆玉米株高達(dá)到一定高度后，玉米冠層對(duì)大豆冠層遮光影響變得越來越明顯，為了適應(yīng)環(huán)境，大豆通過提高冠層高度或其他方法獲得足夠的光照。玉米生長對(duì)土壤養(yǎng)分的爭(zhēng)奪會(huì)影響大豆植株的生長。除此之外，不同種植方式下作物種植間距差異以及土壤特性都可能導(dǎo)致作物株高的差異變化，需要更加詳細(xì)的試驗(yàn)設(shè)計(jì)來支持這一觀點(diǎn)。不同種植方式處理下的作物生長回歸曲線如表3所示，不同處理的回歸方程具有較高的擬合精度。表明利用無人機(jī)監(jiān)測(cè)大豆和玉米高度的方法在技術(shù)上的可行性。

3 討論

人工測(cè)量數(shù)據(jù)存在許多限制，特別是在樣本量方面，樣本量大的問題導(dǎo)致人工測(cè)量數(shù)據(jù)非常耗時(shí)。而無人機(jī)遙感是具有成本效益和高精度的技術(shù)，能夠量化整個(gè)作物生長季節(jié)的變化差異，因此基于無人機(jī)獲取得到的數(shù)據(jù)更加健壯和可靠。無人機(jī)數(shù)據(jù)的質(zhì)量與飛行高度、圖像重疊率、地面樣本距離以及使用SFM重建DSM完整性的函數(shù)緊密相關(guān)［16］。除此之外，天氣條件也會(huì)極大地影響無人機(jī)數(shù)據(jù)的獲取質(zhì)量，風(fēng)速和光照強(qiáng)度會(huì)影響生成影像的分辨率，從而影響在數(shù)據(jù)處理過程中點(diǎn)云的生成質(zhì)量，進(jìn)而影響CHM的生成質(zhì)量。因此，在數(shù)據(jù)收集過程中外界環(huán)境對(duì)影像獲取造成的影響是CHM誤差的主要來源。為了獲取高質(zhì)量和可靠的無人機(jī)影像，制定清晰、恰當(dāng)?shù)臒o人機(jī)飛行方案十分關(guān)鍵。

本研究是在缺少完整DTM數(shù)據(jù)情況下利用插值算法對(duì)小面積DTM估算來獲取CHM模型［4］，降低了數(shù)據(jù)的采集成本，DTM數(shù)據(jù)不再是通過額外的飛行任務(wù)獲取，而是從DSM中提取部分土壤數(shù)據(jù)經(jīng)過插值得到［17］。這種方法可以在作物覆蓋度較低的生長早期同步獲取DTM和DSM數(shù)據(jù)，同時(shí)可以避免在播種前和收獲后土壤海拔受氣候或人為因素影響而產(chǎn)生變化，能夠得到更加精準(zhǔn)的作物株高估算結(jié)果。在本試驗(yàn)中，即使作物冠層已經(jīng)密閉，小區(qū)間距較大，仍然能夠利用小區(qū)周圍的裸地作為DTM［18］。本試驗(yàn)由于地勢(shì)變化較明顯，采用均值插值方法生成DTM不能有效忽略地勢(shì)的變化，導(dǎo)致生成的CHM誤差較大。此外，在實(shí)測(cè)作物株高和影像數(shù)據(jù)時(shí)，人為的主觀因素和不可抗拒的自然因素等均會(huì)對(duì)最終試驗(yàn)數(shù)據(jù)的準(zhǔn)確性造成干擾。本研究表明利用部分土壤數(shù)據(jù)經(jīng)過插值方法生成小面積DTM的方法可行，能夠與DSM生成較為準(zhǔn)確的作物株高模型。

4 小結(jié)

基于無人機(jī)的數(shù)據(jù)估算在時(shí)間、成本和人工方面比手工測(cè)量數(shù)據(jù)更有效，與局限于有限樣本的人工測(cè)量不同，無人機(jī)技術(shù)提供了可以利用整個(gè)種群數(shù)據(jù)的能力，這讓無人機(jī)的數(shù)據(jù)在人工測(cè)量數(shù)據(jù)面前顯得更加準(zhǔn)確和可靠。無人機(jī)技術(shù)已經(jīng)徹底改變了人們?cè)跁r(shí)間和空間尺度上對(duì)植物表型參數(shù)進(jìn)行不同程度分析的方式。本研究證明了在缺少完整DTM數(shù)據(jù)情況下，通過DSM獲取部分地面數(shù)據(jù)，經(jīng)過插值方法生成小面積DTM的方法是可行的，利用生成的DTM與無人機(jī)采集的DSM能夠得到較為準(zhǔn)確的作物株高數(shù)據(jù)，為未來精準(zhǔn)農(nóng)業(yè)提供重要的參考依據(jù)。

參考文獻(xiàn)：

［1］ 李春紅，王 迪，姚興東，等.遼寧省玉米大豆帶狀復(fù)合種植示范研究［J］.大豆科學(xué)，2017，36（2）：219-225.

［2］ BENDIG J，YU K，AASEN H，et al. Combining UAV-based plant height from crop surface models， visible， and near infrared vegetation indices for biomass monitoring in barley［J］.International journal of applied earth observation and geoinformation，2015，39：79-87.

［3］ GEIPEL J，LINK J，CLAUPEIN W. Combined spectral and spatial modeling of corn yield based on aerial images and crop surface models acquired with an unmanned aircraft system［J］.Remote sensing，2014，6（11）：10335-10355.

［4］ BERRY P M，SPINK J. Predicting yield losses caused by lodging in wheat［J］.Field crops research，2012，137（3）：19-26.

［5］ 謝田晉.基于無人機(jī)遙感的作物高度獲取方法評(píng)估［D］.武漢：華中農(nóng)業(yè)大學(xué)，2021.

［6］ DAVI H，SOUDANI K，DECKX T，et al. Estimation of forest leaf area index from SPOT imagery using NDVI distribution over forest stands［J］.Remote sensing，2006，27（5）：885-902.

［7］ PELLIKKA P K E， L?TJ?NEN M， SILJANDER M，et al. Airborne remote sensing of spatiotemporal change （1955—2004） in indigenous and exotic forest cover in the Taita Hills， Kenya［J］.International journal of applied earth observation and geoinformation，2009，11（4）：221-232.

［8］ BRYSON M，REID A，RAMOS F，et al. Airborne vision-based mapping and classification of large farmland environments［J］.Journal of field robotics，2010，27（5）：632-655.

［9］ HUNG C，BRYSON M，SUKKARIEH S. Multi-class predictive template for tree crown detection［J］.ISPRS journal of photogrammetry and remote sensing，2012，68：170-183.

［10］ 劉治開.基于無人機(jī)可見光圖像的作物株高提取研究［D］.陜西楊凌：西北農(nóng)林科技大學(xué)，2019.

［11］ 李燕強(qiáng)，張娟娟，熊淑萍，等.不同冬小麥品種株高的高光譜估算模型［J］.麥類作物學(xué)報(bào)，2012，32（3）：523-529.

［12］ WEISS M，BARET F. using 3d point clouds derived from uav rgb imagery to describe vineyard 3d macro-structure［J］.Remote sensing，2017，9（2）：111-128.

［13］ 牛慶林，馮海寬，楊貴軍，等.基于無人機(jī)數(shù)碼影像的玉米育種材料株高和LAI監(jiān)測(cè)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2018，35（5）：73-82.

［14］ 郭 濤，顏 安，耿洪偉.基于無人機(jī)影像的小麥株高與LAI預(yù)測(cè)研究［J］.麥類作物學(xué)報(bào)，2020，40（9）：1129-1140.

［15］ WESTOBY M J，BRASINGTON J， GLASSER N F，et al. ‘Structure-from-Motion’ photogrammetry： A low-cost， effective tool for geoscience applications［J］.Geomorphology，2012，179：300-314.

［16］ ASHQPURE A，JUNG J，YEOM J，et al. A novel framework to detect conventional tillage and no-tillage cropping system effect on cotton growth and development using multi-temporal UAS data［J］.ISPRS journal of photogrammetry and remote sensing，2019，152：49-64.

［17］ YUE J B，YANG G J，LI C C，et al. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models［J］.Remote sensing，2017，9（7）：708-727.

［18］ HOLMAN F，RICHE A，MICHALSKI A，et al. High throughput field phenotyping of wheat plant height and growth rate in field plot trials using UAV based remote sensing［J］.Remote sensing，2016， 8（12）：1031-1055.

基金項(xiàng)目：山西省基礎(chǔ)研究計(jì)劃項(xiàng)目（202103021224123）

作者簡(jiǎn)介：王宦臣（1998-），男，山東濰坊人，在讀碩士研究生，研究方向?yàn)檗r(nóng)業(yè)工程，（電子信箱）1321483191@qq.com；通信作者，張吳平，教授，博士，主要從事智慧農(nóng)業(yè)研究，（電子信箱）zwping@126.com。