不同分辨率无人机数码影像的马铃薯地上生物量估算研究

引用本文

刘杨, 冯海宽, 孙乾, 杨福芹, 杨贵军. 不同分辨率无人机数码影像的马铃薯地上生物量估算研究[J]. 光谱学与光谱分析, 2021,41(5): 1470-1476.
LIU Yang, FENG Hai-kuan, SUN Qian, YANG Fu-qin, YANG Gui-jun. Estimation Study of Above Ground Biomass in Potato Based on UAV Digital Images With Different Resolutions[J]. Spectroscopy and Spectral Analysis, 2021,41(5): 1470-1476.
Doi:10.3964/j.issn.1000-0593(2021)05-1470-07 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

不同分辨率无人机数码影像的马铃薯地上生物量估算研究

刘杨^1,^2,^3,⁴, 冯海宽^1,^3,^4,^*, 孙乾^1,^3,⁴, 杨福芹⁵, 杨贵军^1,^3,⁴

1.农业部农业遥感机理与定量遥感重点实验室, 北京农业信息技术研究中心, 北京 100097

2.山东科技大学测绘科学与工程学院, 山东青岛 266590

3.国家农业信息化工程技术研究中心, 北京 100097

4.北京市农业物联网工程技术研究中心, 北京 100097

5. 河南工程学院土木工程学院, 河南郑州 451191

*通讯作者 e-mail: fenghaikuan123@163.com

作者简介: 刘杨, 1994年生, 北京农业信息技术研究中心实习研究员 e-mail: liuyanghe810@163.com

收稿日期: 2020-10-12 修订日期: 2021-01-27

基金: 国家自然科学基金项目(41601346)资助

摘要

地上生物量(AGB)是表征作物生命活动的重要参数, 对作物长势监测和产量预测尤为关键。因此, 快速准确地获取AGB信息, 对于监测作物生长状况、指导农业管理和提高产量具有重要的意义。以无人机为平台搭载数码相机传感器, 因机动性强、价格低、空间分辨率高的优势, 能够及时准确的估算作物AGB, 已成为遥感估算研究的热点之一。由于无人机不同飞行高度及其对应不同分辨率数码影像的AGB估算模型精度不同, 因此, 尝试在马铃薯的块茎增长期, 通过设置10, 20, 30, 40和50 m共5种无人机飞行高度, 获取不同分辨率的数码影像, 探究其对以光谱信息、纹理特征和光谱信息+纹理特征构建AGB模型精度的影响。首先, 基于无人机数码影像, 分别提取光谱信息和纹理特征, 通过光谱信息构建的植被指数和纹理特征, 分别结合地面试验获取的实测地上部生物量数据进行相关性分析, 分别筛选了相关系数绝对值较大的前10个影像指数和前8个纹理特征。然后, 分别以3种输入变量整合方差膨胀因子(VIF)进行主成分分析(PCA)降维处理, 获得最佳主成分后以多元线性回归(MLR)构建AGB估算模型。最后, 对比不同分辨率的数码影像以3种变量和同种分辨率下以同种变量构建的AGB估测模型效果。结果发现: (1)获得的影像分辨率在0.43~2.05 cm之间变化时, 纹理特征与马铃薯AGB相关性弱于植被指数, 但都达到极显著相关水平( p<0.01), 随着数码影像分辨率降低, 二者相关性差异明显。 (2)同种分辨率影像下, 光谱信息+纹理特征估算AGB的效果最优, 其次为单一纹理特征模型, 而单一光谱模型表现效果最差。 (3)随着数码影像分辨率提高, 光谱信息、纹理信息以及光谱+纹理信息估算AGB的精度逐渐变好。

关键词: 马铃薯; 地上生物量; 影像分辨率; 光谱信息; 纹理特征

中图分类号:S25 文献标志码:A

Estimation Study of Above Ground Biomass in Potato Based on UAV Digital Images With Different Resolutions

LIU Yang^1,^2,^3,⁴, FENG Hai-kuan^1,^3,^4,^*, SUN Qian^1,^3,⁴, YANG Fu-qin⁵, YANG Gui-jun^1,^3,⁴

1. Key Laboratory of Quantitative Remote Sensing in Agriculture, Ministry of Agriculture, Beijing Research Center for Information Technology in Agriculture, Beijing 100097, China

2. College of Surveying Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China

3. National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China

4. Beijing Engineering Research Center for Agriculture Internet of Things, Beijing 100097, China 5. College of Civil Engineering, Henan University of Engineering, Zhengzhou 451191, China

*Corresponding author

Abstract

Above ground biomass (AGB) is an important parameter that characterizes crop life activities and is particularly critical for crop growth monitoring and yield prediction. Therefore, obtaining AGB information quickly and accurately is of great significance for monitoring crop growth, guiding agricultural management and improving yield. Using UAV as a platform to carry digital camera sensors, due to the advantages of strong maneuverability, low price and high spatial resolution, and to estimate crop AGB timely and accurately has become one of the hotspots in remote sensing estimation research. As the accuracy of the AGB estimation model for digital images of different flying heights with different resolutions of UAV is different, this study tried to set up 5 types of flying heights at 10, 20, 30, 40, and 50 m during the potato tuber growth period to obtain digital images of different resolutions, and to explore its influence on the accuracy of building AGB model based on spectral information, texture features and spectral information + texture features. Firstly, based on the digital image of UAV, the spectral information and texture features are extracted separately, the vegetation index from the spectral information and texture features constructed, combined with the measured AGB obtained by ground experiments respectively for correlation analysis, and the top 10 image indexes and the top 8 texture features with larger absolute values of correlation coefficients are selected separately. Then, three variables integration variance inflation factor (VIF) are used to perform principal component analysis (PCA) dimensionality reduction processing, and the best principal components are obtained and multivariate linear regression (MLR) constructs AGB estimation model. Finally, compare the AGB estimation model precision of digital images with different resolutions with three variables and the same resolution with the same variable. The results show that: (1) When the image resolution changes between 0.43 and 2.05 cm, the correlation between texture features and potato AGB is weaker than that of vegetation index, but both reach a very significant level of correlation ( p<0.01). With image resolution is reduced, its correlation is significantly different. (2) Under the same resolution image, spectral information+texture features have the best precision in estimating AGB, followed by a single texture feature model, and a single spectral model has the worst performance. (3) As digital images’ resolution increases, the accuracy of estimating AGB from spectrum information, texture information, and spectrum + texture information gradually improves.

Keyword: Potato; Above ground biomass; Image resolution; Spectral information; Texture feature

文章图片

引言

地上生物量(above ground biomass, AGB)是作物生长发育过程中进行光合作用的产物, 能够反映作物长势状况和营养状态, 与作物产量有着密切的联系^[1]。因此, 快速精准地监测AGB信息对指导农田精准管理和挖掘生产潜力具有重要的意义^[2]。传统的AGB测定主要以田间取样调查为主, 虽能够达到一定的估算精度, 但破坏性强、非动态性和花费成本高, 且局限于小面积^{[3, 4]}。近年来, 将遥感技术用于反演作物的生化参数, 检测生态环境信息等方面得到广泛关注^[5]。相较于其他遥感技术, 无人机遥感具有运营成本较低、操作更为简单、可云下获取高分辨率影像等优势, 更适合田块尺度观测, 是现代化农业向定量精细化迈入的重要技术手段^{[6, 7]}。

目前, 基于无人机遥感平台搭载的多种传感器(如高光谱和激光雷达)相继用于作物AGB获取, 但因传感器价格昂贵, 制约了无人机技术在作物AGB监测中的应用。数码相机传感器因价格低廉、空间分辨率较高且获取数据后续处理较为简单等特点, 作为一种低成本获取作物AGB的方式, 已经得到国内外许多学者的关注。崔日鲜等^[2]基于无人机数码相机获取冬小麦影像, 通过构建植被指数利用BP神经网络和多元线性回归估算冬小麦AGB, 显示神经网络AGB估算模型优于多元线性回归模型。陶惠林等^[8]基于无人机数码影像, 采用逐步回归、偏最小二乘和随机森林3种方法以植被指数、植被指数加实测株高和植被指数加从作物表面模型(crop surface model, CSM)中获得的估测株高3种变量估算冬小麦AGB, 结果表明每种方法中加入估测株高能够明显提高模型的精度。 Zhang等^[9]基于无人机数码影像, 采用偏最小二乘、 BP神经网络、支持向量机和随机森林4种方法以5种光学植被指数构建冬小麦AGB估算模型, 结果表明偏最小二乘法相比其他方法构建的模型效果更优。以上成果表明, 无人机数码影像能够很好的对作物AGB进行有效监测, 但存在一定的不足, 仅利用数码影像的光谱信息计算植被指数进行参数估算, 模型的精度容易出现饱和现象。为了解决这一问题, 众多学者通过引入作物株高和纹理特征分别结合光谱特征来估算作物参数, 达到了理想的效果。相较于作物株高而言, 纹理信息更具多面性, 能够反映图像的灰度属性和空间位置关系, 将其与光谱信息结合能够更好地减弱仅利用植被指数反演作物参数出现的低估现象, 提高估算模型的适用性^[10]。当前, 利用数码影像以二者融合为变量估算作物AGB的研究较少, 主要以高光谱和多光谱为主。刘畅等^[11]利用无人机高光谱影像, 比较分析光谱特征、纹理特征和二者结合对冬小麦AGB估算精度的影响, 结果表明, 光谱特征和纹理特征相结合能够解决AGB估算出现的过早饱和问题, 而且模型估算效果优于单一光谱特征或单一纹理特征。 Zheng等^[12]基于无人机多光谱影像, 以光谱信息和光谱信息结合纹理特征2种类型变量对水稻AGB进行估算, 结果表明以后者为输入变量能够更好的估测AGB。 Liu等^[13]基于无人机多光谱影像, 采用偏最小二乘和随机森林2种方法以光谱特征、光谱特征+纹理特征估算油菜AGB, 经比较可知2种方法以融合指标构建的模型效果较优。纹理特征的提取十分依靠于获得的影像分辨率, 以上成果并未考虑到不同飞行高度下所获得的影像特征对小麦、油菜和水稻AGB估算精度的影响。因此, 探讨不同分辨率的无人机数码影像对作物AGB监测结果的影响, 具有科学指导意义。

本工作利用马铃薯块茎增长期不同飞行高度的无人机数码影像, 结合地上部实测生物量数据, 分析不同分辨率影像下获取的光谱特征和纹理特征对马铃薯植株地上部生物量估算结果的影响, 为无人机遥感监测AGB时, 对飞行高度和影像分辨率的选择提供技术参考。

1 实验部分

1.1 研究区域与实验设计

在北京市昌平区小汤山镇国家精准农业研究示范基地的马铃薯试验田开展试验, 该处位于北纬40° 10'34″, 东经116° 26'39″, 平均海拔为36 m, 气候类型为暖温带半湿润大陆性季风气候。试验为小区随机试验设计, 采用了中薯5(P1)和中薯3(P2)这2个均为早熟的马铃薯品种, 试验田共计48个小区, 每个小区面积为6.5 m× 5 m。试验区共设密度试验(N区)、氮素试验(S区)、钾肥试验(K区)3个试验区, 每种试验3种重复, 每种重复进行不同程度的密度、氮素和钾肥处理, 其中密度设置了3种水平(T1: 60 000株· hm^-2、 T2: 72 000株· hm^-2、 T3: 84 000株· hm^-2), 氮素设置了4种水平(N0: 0 kg尿素· hm^-2、 N1: 244.65 kg尿素· hm^-2、 N2: 489.15 kg尿素· hm^-2(正常处理, 15 kg纯氮)、 N3: 733.5 kg尿素· hm^-2), 钾肥设置了3种水平(K0: 0 kg钾肥· hm^-2、 K1: 970.5 kg钾肥· hm^-2(N区和S区均为K1处理)、 K2: 1 941 kg钾肥· hm^-2)。为了更好的获取试验田的位置, 在试验小区周围均匀布控11个GCP(k1— k11由0.3 m× 0.3 m的木板和埋于地下的木桩组成, 其上有黑白标志的塑料板, 目的是准确确定木板的中心位置)并用差分GPS测定其三维空间位置, 详细的试验设计见图1所示。

	Figure Option View Download New Window
	图1 马铃薯研究区域和试验设计Fig.1 The experimental area and design for potato study

1.2 地面数据获取

马铃薯AGB通过收获法获取, 在每个小区中选取能够代表小区长势水平的3棵植株, 进行取样并迅速带回实验室将其茎叶分离, 随后用流水洗净, 105 ℃杀青, 80 ℃烘干48 h以上, 直到质量恒定再进行称量。将植株茎和叶的干质量求和得到样本干质量, 最终通过群体密度和样本干质量, 得到每个小区的马铃薯地上生物量。计算公式如式(1)

$AGB = [(茎干重 + 叶干重) / 取样株数] \times 种植密度$ (1)

1.3 无人机数码影像获取

采用大疆公司生产的精灵系列4A产品在马铃薯块茎增长期进行无人机遥感数据获取, 无人机参数见表1所示。无人机飞行时间为中午12:00, 此时太阳光照强度稳定。人为设置了10, 20, 30, 40和50 m共5种无人机飞行高度, 相应的地面分辨率约为0.43, 0.85, 1.30, 1.83和2.05 cm。

表1 无人机部分参数 Table 1 Partial parameters of UAV

1.4 影像预处理

通过利用俄罗斯Agisoft LLC公司研发的基于运动三维重建(structure from motion, SFM)技术的PhotoScan 扫描软件对获取的不同高度的数码影像进行拼接处理, 得到马铃薯试验区域的数字正射影像(digital orthophoto map, DOM)。首先将带有经纬度、高度、偏航角、俯仰角和旋转角共6种POS信息的每张影像导入软件中, 还原影像拍摄时的姿态和空间位置; 将GCP添加到软件中, 利用GCP的三维坐标信息优化照片对齐, 生成飞行区域的稀疏点云; 利用稀疏点云构建密集点云, 进而生成飞行区域的空间格网并建立纹理信息; 生成马铃薯试验田的DOM。

1.5 影像指数选取

利用数码影像指数可以较好的反映作物的AGB信息, 因此, 通过DOM, 利用ENVI软件提取每个试验小区影像的平均红波段值R、绿波段值G和蓝波段值B。并将R, G和B三个波段的DN值进行归一化处理, 分别得到r, g和b。计算公式如下

$r = R / (R + G + B)$ (2)

$g = G / (R + G + B)$ (3)

$b = B / (R + G + B)$ (4)

根据文献中选取的能够很好反映AGB信息的15个数码影像指数, 加上定义的3个, 总共18个影像指数用来估算马铃薯地上部生物量, 具体如表2所示。

表2 数码影像指数 Table 2 Digital image indexes

1.6 纹理特征选取

纹理特征通过像素与空间邻域的灰度分布变化来表现, 能够反映目标地物与周围环境的空间位置关系, 是遥感影像中一种重要的图像信息。通过ENVI软件, 利用灰度共生矩阵提取红、绿、蓝3个波段的0° , 45° , 90° 和135° 4个方向的纹理特征, 不同方向的纹理特征分别求平均值, 得到每个波段的8个纹理特征, 分别为对比度(contrast, con)、相关性(correlation, cor)、差异性(dissimilarity, dis)、熵(entropy, ent)、同质性(homogenetity, hom)、二阶矩(second moment, sm)、方差(variance, var)和均值(mean)。红波段的纹理特征为con_R, cor_R, dis_R, ent_R, hom_R, sm_R, var_R和mean_R。绿波段的纹理特征为con_G, cor_G, dis_G, ent_G, hom_G, sm_G, var_G和mean_G。蓝波段的纹理特征为con_B, cor_B, dis_B, ent_B, hom_B, sm_B, var_B和mean_B。

1.7 数据分析方法

1.7.1 多重共线性分析

采用方差膨胀因子(variance inflation factor, VIF)评价输入变量之间存在的自相关性, 当方差膨胀因子值较大时, 输入变量之间存在高度自相关, 会造成数据冗余和计算困难, 因此有必要对数据进行降维。一般当VIF< 10可视为输入变量之间不存在自相关性; 当10≤ VIF≤ 20时, 认为输入变量之间存在一定的自相关性; 当VIF> 20时, 认为输入变量之间自相关性较为严重。

1.7.2 主成分分析

主成分分析(principal components analysis, PCA), 又称K-L变换, 本质上是对数据进行降维, 即用很少的不相关变量来表达原始信息, 使信息更简单化, 是当前应用最为广泛的数据降维方法之一。现实中, 为了能描述研究问题, 往往选择多个自变量, 变量之间却不完全独立, 导致所表达的信息重叠, 为了简化信息和提升运算效率, 需要对数据进行降维处理。以光谱和纹理特征构建AGB估算模型前, 首先对光谱信息和纹理特征进行K-L变换, 依据特征值大于1的原则, 分别选取前n个主成分来建立估算模型。

1.7.3 多元线性回归

多元线性回归(multiple linear regression, MLR)可以同时使用多个自变量来预测因变量, 要求自变量与因变量之间要有较好的相关性。分别以光谱特征、纹理特征以及二者结合作为自变量, 马铃薯AGB作为因变量来综合构建模型。

1.8 精度评价指标

挑选2/3样本数据(32个, 重复1和重复2)作为建模集, 1/3样本数据(16个, 重复3)作为验证集以此来构建马铃薯AGB估算模型。将采用决定系数(coefficient of determination, R²)、均方根误差(root mean square error, RMSE)、标准均方根误差(normalized root mean square error, NRMSE)来评价模型的精度。 R²越接近于1, RMSE和NRMSE越低, 其估测模型的精度就越高。

2 结果与讨论

2.1 影像指数与AGB的相关性

将表2选取的影像指数与马铃薯AGB进行相关性分析, 将相关系数绝对值按从大到小排列, 选取不同飞行高度下前10个影像指数作为模型变量, 其结果见表3。由表可知, 不同飞行高度下, 前10个影像指数与马铃薯AGB均达到0.01显著水平(p< 0.01), 相关系数绝对值都在0.606以上。随着飞行高度的增加, VARI, GRVI, NDI, MGRVI, EXGR, g, r+b和EXG共8个影像指数与AGB的相关性均在前10以内, 相关性顺序略有变动。当飞行高度为10和30 m时, 影像指数EXR和RGBVI相关性都位于前10; 当飞行高度为20和50 m时, 影像指数RGBVI和g-b相关性也都位于前10; 而当飞行高度为40 m时, 影像指数g-b和EXR的相关性虽位于前10但都处于后两位。因此可以看出, 不同飞行高度下, 与AGB相关性较好的前10个影像指数类别差异小, 不同分辨率的数码影像对光谱信息组成的影像指数与AGB的相关性排序差别不大。

表3 不同高度下影像指数和AGB的相关性 Table 3 Correlation between image indexes of different altitudes and AGB

2.2 纹理特征与AGB的相关性

将提取的不同飞行高度下的影像纹理特征与AGB进行相关性分析, 将相关系数绝对值按从大到小排列, 选取前8个纹理特征作为模型变量, 其结果见表4。由表可知, 不同飞行高度下, 前8个纹理特征与AGB均达到0.01显著水平(p< 0.01), 相关系数绝对值在0.366以上。随着飞行高度的增加, 筛选的前8个纹理特征类别差异较大, 同种纹理特征在不同飞行高度下与AGB的相关性排序波动明显。当飞行高度为50 m时, 纹理特征与AGB相关系数相较于前4种高度比较小, 可知纹理特征的提取非常依赖于数码影像的分辨率。

表4 不同高度下纹理特征和AGB的相关性 Table 4 Correlation between texture features of different altitudes and AGB

2.3 不同飞行高度下光谱特征估算马铃薯AGB

在构建AGB估算模型前, 首先对每种飞行高度下的前10个影像指数进行共线性诊断, 判断输入变量之间的共线性。依据各个飞行高度下的共线性诊断VIF> 20, 得知输入变量之间存在严重共线性, 因此有必要对前10个影像指数进行PCA处理。根据主成分特征值大于1的原则, 确定不同飞行高度下的最佳主成分为1, 1, 1, 1和2个。基于PCA-MLR方法, 得到不同飞行高度下利用光谱特征估算马铃薯AGB的结果如表5所示。由表可知, 在飞行高度10~50 m之间, 随着影像分辨率降低, 光谱信息估算马铃薯AGB的效果整体上呈现下降趋势变化, 建模R²从0.69递减到0.65, 建模RMSE从226.07 kg· hm^-2递增到240.69 kg· hm^-2, 建模NRMSE从21.22%递增到25.49%; 模型验证效果同样呈下降趋势, R²从0.73递减到0.70, RMSE从199.21 kg· hm^-2递增到239.25 kg· hm^-2, NRMSE从17.74%递增到18.89%。

表5 不同高度下影像光谱信息的AGB估算结果 Table 5 Prediction results of AGB from image spectral information with different altitudes

2.4 不同飞行高度下纹理特征估算马铃薯AGB

依据各个飞行高度下的共线性诊断VIF> 20, 得知输入的纹理特征之间存在严重共线性, 因此通过PCA降维处理, 确定不同飞行高度下的最佳主成分为1, 1, 1, 1和3个。基于PCA-MLR方法, 得到不同飞行高度下利用纹理特征估算马铃薯AGB的结果如表6所示。由表可知, 随着飞行高度的增加, 纹理特征估算马铃薯AGB的效果逐渐变差, 建模R²从0.75递减到0.68, RMSE从208.86 kg· hm^-2递增到230.69 kg· hm^-2, NRMSE从17.22%递增到21.44%; 验证R²从0.83递减到0.73, RMSE从161.65 kg· hm^-2递增到201.26 kg· hm^-2, NRMSE从16.39%递增到18.99%。以上结果说明, 飞行高度的增加会使影像分辨率降低, 进而影响纹理特征的提取, 造成马铃薯AGB的估算效果不断变差。所有模型中, 当飞行高度为10 m及对应的影像分辨率为0.43 cm时, 估算效果最好。

表6 不同高度下影像纹理特征对生物量的反演结果 Table 6 Prediction results of biomass from image texture features with different altitudes

2.5 不同飞行高度下光谱与纹理特征结合估算马铃薯AGB

将整合后的输入变量进行PCA处理, 确定不同飞行高度下的最佳主成分为1, 1, 1, 2和3个。基于PCA-MLR方法, 得到不同飞行高度下利用光谱信息+纹理特征估算马铃薯AGB的结果如表7所示。由表可知, 随着飞行高度的增加, 光谱信息+纹理特征估算AGB效果逐渐变差, 建模R²从0.82递减到0.70, RMSE从183.05 kg· hm^-2递增到225.85 kg· hm^-2, NRMSE从15.61%递增到19.64%; 同样验证R²从0.85递减到0.75, RMSE从146.51 kg· hm^-2递增到184.29 kg· hm^-2, NRMSE从14.36%递增到18.11%。当无人机飞行高度为10 m及对应的地面分辨率为0.43 cm时, 估算效果最好。此外, 与表5和表6结果相比, 同种高度下, 通过融合指标构建的AGB估算模型精度最高, 效果最佳。

表7 不同高度下影像光谱信息+纹理特征对AGB的估算结果 Table 7 Prediction results of AGB from image spectral information and texture features with different altitudes

本研究构建AGB估算模型前, 发现当飞行高度为50 m及对应影像分辨率为2.05 cm时, 纹理特征与AGB的相关性较低, 主要原因是新生叶片的长度和宽度小于2 cm, 此分辨率下难以获取完整的影像纹理特征。以光谱信息、纹理特征以及二者结合分别估算马铃薯AGB的结果表明: 同种高度下光谱信息+纹理特征估算效果最优, 单一纹理特征次之, 单一光谱信息最差。此研究结果与刘畅等^[11]估算冬小麦AGB时, 得出以光谱信息和纹理特征融合估算精度最高, 单一纹理特征次之, 单一光谱最差结论一致。与陈鹏等^[15]估算马铃薯叶绿素含量时, 得出结论略有不同, 相同之处都是光谱信息+纹理特征融合指标估算精度高于单一光谱、纹理特征指标, 不同在于, 本工作得出光谱信息估算效果最差, 而陈鹏等得出纹理特征估算效果最差。主要原因可能是二者估算的作物理化参数不同, 其次是采用的传感器和影像分辨率不同。在探究不同飞行高度下数码影像对马铃薯AGB估算精度的影响时, 本研究人为设置了共5种飞行高度并获取相应地影像分辨率, 增加了3种变量对AGB估算能力的分析, 结果发现同种飞行高度下光谱信息+纹理特征估算AGB的精度相较于单一光谱和纹理特征分别提高了18.84%, 11.76%, 10.45%, 5.97%, 7.69%和9.33%, 4.13%, 2.78%, 2.89%, 2.94%, 表明仅利用数码影像的光谱信息估算马铃薯AGB, 模型的精度容易出现饱和现象, 而影像的纹理特征不受环境的影响, 所得到的模型效果同种分辨率下优于光谱信息, 综合考虑了光谱和纹理信息对AGB估算的贡献性, 从而结合二者的优势, 在一定程度上弥补了单一指标估算AGB能力的不足, 提高了模型适用性。本研究还发现无人机数码影像分辨率在0.43~2.05 cm之间变化, 光谱信息、纹理信息以及光谱+纹理信息会随影像分辨率提高, 其估算AGB的精度逐渐变好, 这与贾丹等^[10]的研究结果略有不同。贾丹等研究结果表明, 随着影像分辨率提高, 光谱信息对氮素浓度反演结果影响不大, 而基于纹理信息以及光谱+纹理信息的氮浓度反演精度随分辨率增强而提高, 主要原因其一可能是实验设置的飞行高度不同, 其二研究所用的传感器和作物对象不同, 贾丹等研究利用多光谱估算冬小麦氮素浓度, 其三本文通过设计氮素和密度梯度试验, 会导致每个小区的植被覆盖度发生变化, 植株叶片的表现形态和冠层空间结构会明显不同, 这会导致作物纹理特征和冠层光谱有所差别。综上可知, 对于同种传感器来讲, 要想获得高分辨率影像, 必须降低无人机飞行高度, 但是这样会降低影像采集效率。因此, 在对AGB进行监测时, 需要根据现实需求并考虑模型精度来选择一定的飞行高度。本研究也存在一些缺陷, 仅使用一年的马铃薯块茎增长期的地上部生物量数据进行探讨, 得到的模型适用性还需要进一步验证, 今后应采集更多年份、生育期及不同作物的样品数据, 对影像分辨率如何影响AGB估算结果进行深入分析。

3 结论

(1)随着数码影像分辨率降低, 与马铃薯AGB相关的前10个植被指数类别和相关性排序差异不大; 与马铃薯AGB相关的前8个纹理特征类别有所差异且相关性排序波动明显, 飞行高度为50 m时, 影像的纹理特征与AGB相关性最低。

(2)同种分辨率影像下, 光谱信息+纹理特征估算AGB的效果最优, 其次为单一纹理特征模型, 而单一光谱模型表现最差。

(3)随着数码影像分辨率提高, 光谱信息、纹理信息以及光谱+纹理信息估算AGB的精度逐渐变好。

参考文献

文献列表

[1]	Jin X, Kumar L, Li Z, et al. Remote Sensing, 2016, 8(12): 1. [本文引用:1]
[2]	LIU Yang, FENG Hai-kuan, HUANG Jue, et al(刘杨, 冯海宽, 黄珏, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2020, 36(23): 181. [本文引用:2]
[3]	YUE Ji-bo, YANG Gui-jun, FENG Hai-kuan, et al(岳继博, 杨贵军, 冯海宽, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(18): 175. [本文引用:1]
[4]	YU Lei, HONG Yong-sheng, GENG Lei, et al(于雷, 洪永胜, 耿雷, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(14): 103. [本文引用:1]
[5]	LIU Shuai-bing, YANG Gui-jun, JING Hai-tao(刘帅兵, 杨贵军, 景海涛). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 35(11): 75. [本文引用:1]
[6]	CHEN Peng-fei, LIANG Fei(陈鹏飞, 梁飞). Scientia Agricultura Sinica(中国农业科学), 2019, 52(13): 2220. [本文引用:1]
[7]	Zhou Z, Jabloun M, Plauborg F, et al. Computers & Electronics in Agriculture, 2018, 144: 154. [本文引用:1]
[8]	TAO Hui-lin, XU Liang-ji, FENG Hai-kuan, et al(陶惠林, 徐良骥, 冯海宽, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 35(19): 107. [本文引用:1]
[9]	ZHANG Ling-xian, CHEN Yun-qiang, LI Yun-xia, et al(张领先, 陈运强, 李云霞, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2019, 39(8): 2501. [本文引用:1]
[10]	JIA Dan, CHEN Peng-fei(贾丹, 陈鹏飞). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2020, 51(7): 164. [本文引用:2]
[11]	LIU Chang, YANG Gui-jun, LI Zhen-hai, et al(刘畅, 杨贵军, 李振海, 等). Scientia Agricultura Sinica(中国农业科学), 2018, 51(16): 3060. [本文引用:2]
[12]	Zheng H, Cheng T, Zhou M, et al. Precision Agriculture, 2019, 20(3): 611. [本文引用:1]
[13]	Liu Yinuo, Liu Shishi, Li Jing, et al. Computers and Electronics in Agriculture, 2019, 166: 1050. [本文引用:1]
[14]	YANG Fu-qin, FENG Hai-kuan, XIAO Tian-hao, et al(杨福芹, 冯海宽, 肖天豪, 等). Research of Agricultural Modernization(农业现代化研究), 2020, 41(4): 718. [本文引用:1]
[15]	CHEN Peng, FENG Hai-kuan, LI Chang-chun, et al(陈鹏, 冯海宽, 李长春, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 35(11): 63. [本文引用:1]

2016

0.0

... 引言地上生物量(above ground biomass, AGB)是作物生长发育过程中进行光合作用的产物, 能够反映作物长势状况和营养状态, 与作物产量有着密切的联系^[1] ...

2020

0.0

... 因此, 快速精准地监测AGB信息对指导农田精准管理和挖掘生产潜力具有重要的意义^[2] ...

... 崔日鲜等^[2]基于无人机数码相机获取冬小麦影像, 通过构建植被指数利用BP神经网络和多元线性回归估算冬小麦AGB, 显示神经网络AGB估算模型优于多元线性回归模型 ...

2016

0.0

... 传统的AGB测定主要以田间取样调查为主, 虽能够达到一定的估算精度, 但破坏性强、非动态性和花费成本高, 且局限于小面积^[3,4] ...

2015

0.0

Lei

, HONG

Yong-sheng

, GENG

Lei

, et al(于雷, 洪永胜, 耿雷, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(14): 103.

为实现基于光谱分析土壤有机质含量的快速测定，该文以江汉平原公安县的土壤为研究对象，进行室内理化分析、光谱测量与处理等一系列工作，在土壤原始光谱反射率（raw spectral reflectance，R）的基础上，提取了其倒数之对数（inverse-log reflectance，LR）、一阶微分（first order differential reflectance，FDR）和连续统去除（continuum removal, CR）3种光谱指标，分析4种不同形式的光谱指标与有机质含量的相关性，对相关系数进行P=0.01水平上的显著性检验来确定显著性波段的范围，并基于全波段（400～2 400 nm）和显著性波段运用偏最小二乘回归（partial least squares regression, PLSR）建立了该区域土壤有机质高光谱的预测模型，通过模型精度的比较确定最优模型。结果表明，进行CR变换后，光谱曲线的特征吸收带更加明显，相关系数在可见光波段范围内有所提高；基于全波段的PLSR建模效果要优于显著性波段，其中以CR的预测精度最为突出，其模型的决定系数R2和相对分析误差RPD分别为0.84、2.58；显著性波段的PLSR模型与全波段对比在模型精度方面虽有一定差距，但从模型的复杂程度来比较，具有模型简单、运算量小、变量更少的特点；最后，综合比较了全波段和显著性波段4种光谱指标的反演精度，发现CR-PLSR模型的建模和预测的效果比R-PLSR、LR-PLSR、FDR-PLSR模型都要显著。该研究可为将CR-PLSR高光谱反演模型用于该区域土肥信息的遥感监测提供参考。

... 传统的AGB测定主要以田间取样调查为主, 虽能够达到一定的估算精度, 但破坏性强、非动态性和花费成本高, 且局限于小面积^[3,4] ...

2019

0.0

LIU

Shuai-bing

, YANG

Gui-jun

, JING

Hai-tao

(刘帅兵, 杨贵军, 景海涛). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 35(11): 75.

准确、快速地获取关键生育期冬小麦氮素含量，对农业管理者进行田间氮素施肥有重要的决策作用。利用无人机（unmanned aerial vehicle，UAV）搭载数码相机，可以短时间内获取冬小麦长势信息，实现对冬小麦氮素含量动态监测。该研究利用2015年北京市小汤山冬小麦无人机数码影像，采用3种阈值分割方法，将田间植株作物与土壤背景分离。对比影像分割方法的时效性与准确性，最终确定可见光波段差异植被指数VDVI（visible-band difference vegetation index）提取植被信息。按照试验方案要求，在不同的氮肥与水分胁迫管理下，将冬小麦3次重复试验分成48个试验小区，依据小区边界提取小区的红、绿和蓝通道的平均DN（digital number）值，选取25个植被指数，同时与各个试验小区冬小麦不同器官氮含量进行相关性分析，筛选数码影像变量。由于植被指数之间耦合度较高，因此采用主成分分析对原始数据进行成分提取，提取特征向量参与建模，最后利用多元线性回归分析建立氮素反演模型，通过决定系数（R2）、均方根误差（RMSE）和归一化的均方根误差（nRMSE）3个指标筛选出最佳模型，探究各器官氮素含量与数码变量的相关性。结果表明，实验室实测氮素含量与UAV数码影像氮素反演结果及基本一致。在反演模型构建精度方面，3种数据处理结果整体>部分>植被指数，反演效果叶氮>植株氮>茎氮。以冬小麦挑旗期为例，叶片氮含量整体信息提取验证模型的R2、RMSE和nRMSE分别为0.85、0.235和6.10%，比部分信息提取验证模型的R2高0.14，RMSE和nRMSE分别降低0.068和1.77个百分点；比植被指数信息提取验证模型的R2高0.43，RMSE和nRMSE分别降低0.141和3.67个百分点。研究表明，基于UAV数码影像利用多元线性回归构建冬小麦氮素含量反演模型，对试验小区整体提取作物信息的方式反演冬小麦叶氮含量效果最好，相比传统反演方法，模型稳定性更高，可为冬小麦田间水肥决策管理提供参考。

... 近年来, 将遥感技术用于反演作物的生化参数, 检测生态环境信息等方面得到广泛关注^[5] ...

2019

0.0

CHEN

Peng-fei

, LIANG

Fei

(陈鹏飞, 梁飞). Scientia Agricultura Sinica(中国农业科学), 2019, 52(13): 2220.

【Objective】 Based on the high spatial resolution images of unmanned aerial vehicle (UAV), the effects of removing soil background information and increasing image texture information on the inversion of cotton plant nitrogen concentration were investigated, in order to provide new technology for accurate estimation of cotton nitrogen nutrition status. 【Method】 Cotton water and nitrogen coupling experiment was conducted, and UAV images and plant nitrogen concentration data were measured during different cotton growth stages. Based on the above data, the effect of soil background on cotton canopy spectrum was firstly investigated. Secondly, the correlations between image texture parameters and plant nitrogen concentration were analyzed. Finally, the obtained data was divided into calibration dataset and validation dataset. Different scenarios, including before and after removing the soil background, and adding texture features, were set. The inversion models of plant nitrogen concentration under various scenarios were designed by using the coupled method of spectral indexes and principal component regression, and the performances of the models were compared. 【Result】 The soil background had an effect on the cotton canopy spectrum, and the trends were not the same at different growth stages. There existed significant correlations between image texture parameters and plant nitrogen concentration. For the scenarios before removal soil background, the plant nitrogen concentration prediction model had determination coefficient ( R 2 ) value of 0.33 and root mean square error ( RMSE ) value of 0.21% during model calibration, and R 2 value of 0.19 and RMSE value of 0.23% during validation. For the scenarios after removing soil background, the plant nitrogen concentration prediction model had R 2 value of 0.38 and RMSE value of 0.20% during model calibration, and R 2 value of 0.30 and RMSE value of 0.21% during validation. For the scenarios adding image texture information, the plant nitrogen concentration prediction model had R 2 value of 0.57 and RMSE value of 0.17% during model calibration, and R 2 value of 0.42 and RMSE value of 0.19% during validation. 【Conclusion】 Based on high spatial resolution images of low-altitude UAVs, both removing soil background and adding image texture information could improve the inversion accuracy of cotton plant nitrogen concentration. Image texture could be considered as important information to support prediction of crop nitrogen nutrition status using UAV images.

1 Institute of Geographical Science and Natural Resources Research, Chinese Academy of Sciences/State Key Laboratory of Resources and Environmental Information System, Beijing 100101 2 Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023 3 Institute of Farmland Water Conservancy and Soil Fertilizer, Xinjiang Academy of Agricultural and Reclamation Science, Shihezi 832000, Xinjiang

【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。

... 相较于其他遥感技术, 无人机遥感具有运营成本较低、操作更为简单、可云下获取高分辨率影像等优势, 更适合田块尺度观测, 是现代化农业向定量精细化迈入的重要技术手段^[6,7] ...

2018

0.0

2019

0.0

... 陶惠林等^[8]基于无人机数码影像, 采用逐步回归、偏最小二乘和随机森林3种方法以植被指数、植被指数加实测株高和植被指数加从作物表面模型(crop surface model, CSM)中获得的估测株高3种变量估算冬小麦AGB, 结果表明每种方法中加入估测株高能够明显提高模型的精度 ...

2019

0.0

... Zhang等^[9]基于无人机数码影像, 采用偏最小二乘、 BP神经网络、支持向量机和随机森林4种方法以5种光学植被指数构建冬小麦AGB估算模型, 结果表明偏最小二乘法相比其他方法构建的模型效果更优 ...

2020

0.0

... 相较于作物株高而言, 纹理信息更具多面性, 能够反映图像的灰度属性和空间位置关系, 将其与光谱信息结合能够更好地减弱仅利用植被指数反演作物参数出现的低估现象, 提高估算模型的适用性^[10] ...

... 05 cm之间变化, 光谱信息、纹理信息以及光谱+纹理信息会随影像分辨率提高, 其估算AGB的精度逐渐变好, 这与贾丹等^[10]的研究结果略有不同 ...

2018

0.0

LIU

Chang

, YANG

Gui-jun

, LI

Zhen-hai

, et al(刘畅, 杨贵军, 李振海, 等). Scientia Agricultura Sinica(中国农业科学), 2018, 51(16): 3060.

【Objective】Biomass, an important parameter to characterize vegetation activities, is of great significance for plant growth monitoring and yield forecasting. Hyperspectral remote sensing technology based on the unmanned aerial vehicle (UAV) has the advantages of flexibility, non-destructive and wide coverage, and could also timely and accurately estimate vegetation biomass, so it has become one attention topic in remote sensing application. Since saturation problem existed in the inversion of biomass by spectral features, the objective of this study was to propose a 'image and spectrum' fusion index by integrating the biomass-related texture feature into vegetation index.【Method】In this study, the extracted spectral indices and texture features from UAV hyperspectral imagery were used to first construct biomass models, respectively. Secondly, the 'image and spectrum' fusion indices by combining (multiplying or dividing) the biomass-sensitive vegetation index and texture featu re were established to solve the saturation problem by spectral information and texture information fusion and to construct biomass model. Finally, the estimation effect of the biomass model constructed by different indices was compared, and then analyze the ability of the 'image and spectrum' fusion indices to estimate biomass. 【Result】 (1) The vegetation index was almost saturated when LAI was no larger than 5, while these 'image and spectrum' fusion indices, VI× sm 658 , VI/ ent 658 , VI/ dis 658 , VI/ con 658 , VI/ dis 514 , VI/ con 514 , VI/ var 514 , VI× con 802 , VI× dis 802 , began to perform saturation when at LAI was larger than 5. Compared with the vegetation index, the anti-saturation ability of the 'image and spectrum' fusion index was improved obviously. (2) Compared with the vegetation index (excepting for GNDVI、NDVI), the anti-saturation ability of the 'image and spectrum' fusion indices (VI× sm 658 , VI/ ent 658 , VI/ dis 658 , VI/ con 658 , VI/ dis 514 , VI/ con 514 , VI/ var 514 , VI× con 802 , VI× dis 802 ) improved effectively, and their correlations with biomass improved as well. Meanwhile the biomass model based on the 'image and spectrum' fusion indices performed well, with R 2 and RMSE values of 0.81 and 826.02 kg·hm -2 , respectively. (3) Compared with spectral index and texture feature, biomass model accuracy by 'image and spectrum' fusion index ( R 2 =0.81) was significantly higher than that of the vegetation index ( R 2 = 0.69) and texture feature ( R 2 = 0.71).【Conclusion】Results showed that both the anti-saturation ability and the accuracy of biomass model constructed by the 'image and spectrum' fusion index were effectively improved, which indicated that spectral information and texture information fusion could achieve a great estimation of winter wheat biomass. The research provided a new way for quantitative inversion of biomass.

1 College of Geomatics, Xi’an University of Science and Technology, Xi’an 710054 ; 2 National Engineering Research Center for Information Technology in Agriculture, Beijing 100097 ; 3 Key Laboratory of Quantitative Remote Sensing in Agriculture, Ministry of Agriculture, Beijing 100097 ; 4 Beijing Engineering Research Center for Agriculture Internet of Things, Beijing 100097

【目的】生物量是表征植被生命活动的重要参数,对植被长势监测、产量预测有重要意义。以无人机为平台的高光谱遥感技术,具有机动灵活、成本低、空间覆盖广的优势,能够及时准确地估测植被生物量,已成为遥感估算研究的热点之一。由于光谱特征反演生物量存在饱和问题,因此,本研究尝试结合纹理特征与植被指数构建一种“图 -谱”融合指标,探究“图-谱”融合指标的抗饱和能力及生物量估测能力。【方法】首先,利用无人机高光谱影像,提取其光谱信息和纹理信息,分别基于植被指数和纹理特征构建生物量模型。其次,针对光谱特征存在的饱和问题,将植被指数与对生物量敏感的纹理指标相乘或相除两种形式构建“图-谱”融合指标,分析“图-谱”融合指标的饱和性,并基于“图-谱”融合指标构建生物量估算模型。最后,对比不同指标构建的生物量模型的估测效果,来分析“图 -谱”融合指标估测生物量的能力。【结果】（1）植被指数多在LAI=5时出现饱和现象,而“图-谱”融合指标VI× sm 658 , VI/ ent 658 , VI/ dis 658 , VI/ con 658 , VI/ dis 514 , VI/ con 514 , VI/ var 514 , VI× con 802 , VI× dis 802 均在LAI>5时才出现饱和现象,相比之下,这些“图-谱”融合指标一定程度上改善了饱和问题；（2）与植被指数相比（除了GNDVI、NDVI之外）,抗饱和能力提高的“图-谱”融合指标VI× sm 658 、VI/ ent 658 、VI/ dis 658 、VI/ con 658 、VI/ dis 514 、VI/ con 514 、VI/ var 514 、VI× con 802 、VI× dis 802 ,其与生物量的相关性也相对提高,所构建的生物量模型精度较高（ R 2 =0.81, RMSE =826.02 kg ·hm -2 ）。（ 3）对比单一植被指数、纹理特征,将纹理特征与光谱特征相结合的“图 -谱”融合指标估算小麦生物量的能力相对最强 ,模型精度明显高于单一植被指数（ R 2 = 0.69）和单一纹理特征（ R 2 =0.71）构建的生物量模型。【结论】“图-谱”融合指标的抗饱和能力明显提高,其构建的生物量模型精度也有效提高,实现了结合光谱信息和纹理信息的冬小麦生物量遥感估测,为生物量定量反演提供一种新思路。

... 刘畅等^[11]利用无人机高光谱影像, 比较分析光谱特征、纹理特征和二者结合对冬小麦AGB估算精度的影响, 结果表明, 光谱特征和纹理特征相结合能够解决AGB估算出现的过早饱和问题, 而且模型估算效果优于单一光谱特征或单一纹理特征 ...

... 此研究结果与刘畅等^[11]估算冬小麦AGB时, 得出以光谱信息和纹理特征融合估算精度最高, 单一纹理特征次之, 单一光谱最差结论一致 ...

2019

0.0

... Zheng等^[12]基于无人机多光谱影像, 以光谱信息和光谱信息结合纹理特征2种类型变量对水稻AGB进行估算, 结果表明以后者为输入变量能够更好的估测AGB ...

2019

0.0

... Liu等^[13]基于无人机多光谱影像, 采用偏最小二乘和随机森林2种方法以光谱特征、光谱特征+纹理特征估算油菜AGB, 经比较可知2种方法以融合指标构建的模型效果较优 ...

2020

0.0

2019

0.0

... 与陈鹏等^[15]估算马铃薯叶绿素含量时, 得出结论略有不同, 相同之处都是光谱信息+纹理特征融合指标估算精度高于单一光谱、纹理特征指标, 不同在于, 本工作得出光谱信息估算效果最差, 而陈鹏等得出纹理特征估算效果最差 ...