小麥生物量及產量與無人機圖像特征參數的相關性

楊 俊，丁 峰，陳 晨，劉 濤，孫成明，丁大偉，霍中洋

小麥生物量及產量與無人機圖像特征參數的相關性

楊 俊1,2，丁 峰3，陳 晨1,2，劉 濤1,2，孫成明1,2※，丁大偉3，霍中洋1,2

（1. 江蘇省作物遺傳生理重點實驗室/江蘇省作物栽培生理重點實驗室，揚州大學農學院，揚州 225009；2. 江蘇省糧食作物現代產業技術協同創新中心，揚州大學，揚州 225009；3. 張家港市農業試驗站，張家港 215616）

為了明確無人機圖像信息與小麥生物量、產量之間的相關性，該文利用無人機航拍獲取田間小麥主要生育時期的RGB圖像，通過影像處理獲取小麥顏色指數和紋理特征參數值，并通過田間取樣獲取同時期小麥生物量和最終產量，分析不同顏色指數和紋理特征參數與小麥生物量和產量的關系。結果表明：利用無人機圖像可提取歸一化差分指數（NDI）、超綠植被指數（ExG）、可見光大氣阻抗植被指數（VARI）、超紅植被指數（ExR）、綠葉植被指數（GLI）、綠紅差值指數（ExGR）、改良綠紅植被指數（MGRVI）、紅綠藍植被指數（RGBVI）共8個顏色指數和能量（ASM）、對比度（CON）、相關度（COR）、熵（ENT）共4個紋理特征參數。各顏色指數在小麥拔節期、孕穗期與生物量和產量都有較好的相關性。拔節期所有顏色指數與生物量的相關性均達到極顯著水平，其中ExGR與生物量的相關性最高，相關系數達到0.911，孕穗期除RGBVI未達到顯著相關外，其余均達到顯著或極顯著相關，其中MGRVI相關性最高，相關系數為0.817。各顏色指數與產量的相關性趨勢同生物量一致。越冬前期和開花期各顏色指數與生物量及產量的相關性較拔節期和孕穗期略有下降。而各紋理特征參數中，只有越冬前期的ASM和ENT、拔節期的CON和COR以及孕穗期的CON與生物量的相關性達到顯著或極顯著水平，其中COR相關性最高（負相關），相關系數為-0.574。拔節期的CON和COR、孕穗期的CON、COR和ENT與產量的相關性達到顯著或極顯著水平，其中拔節期COR相關性最高（負相關），相關系數為-0.530。將顏色指數與紋理特征參數相結合后，其與小麥生物量及產量的相關性均有提高，其中生物量相關性在4個時期分別提高0.27%、0.11%、8.81%和2.65%，產量相關性在4個時期分別提高7.05%、0.12%、0.58%和0.12%。因此，將無人機圖像顏色指數與紋理特征參數結合可以提高小麥生物量和產量的估測精度。

無人機；數碼影像；顏色指數；紋理特征；小麥；生物量；產量

0 引 言

小麥是中國主要糧食作物之一，研究小麥的表型信息和生理過程對指導農業生產和增加糧食產量具有重要的意義。在作物表型監測中，圖像識別是常用的方法之一。RGB圖像中具有紅（R）、綠（G）、藍（B）3個波段的光譜信息，這些光譜信息被直接轉換成歸一化后的色調、飽和度、亮度、顏色并用于植被分析[1-2]。紋理特征也可在作物RGB圖像中獲取，顏色特征和紋理特征對于評估作物生長都有重要作用[3-4]。

近年來，利用低空遙感（航天飛機、小型無人機等）圖像獲取的紅外和可見光的顏色信息被用于監測作物生長。當前，以圖像為基礎的低空遙感技術已成為現代精確農業的關鍵，特別是無人機技術的不斷成熟，使得作物生長實時信息的獲取更加便捷。雖然衛星遙感圖像可以在作物不同生長階段對其生長指標進行監測和反演，但由于時間分辨率、空間分辨率以及價格等因素的影響，衛星遙感在實時的、小區域的應用上有一定的局限性[5-7]。在低空圖像獲取方面，航天飛機具有續航時間長，負載重，信息儲存方式多以及能搭載各種不同類別的傳感器等優點，但也因為價格太高而無法推廣應用[8]。而無人機具有響應速度快、價格低廉、使用成本低、圖像分辨率高、定位精度準確等優點而得到越來越多的應用[9-13]。因此利用無人機搭載不同的傳感器來監測作物的生長將成為未來智慧農業發展的主要手段之一。

常用的RGB圖像中除了顏色信息外還有紋理信息，紋理信息反映了地形特征、地貌特征、植被特征、水文特征等地面表面元素的內部特征[14]。目前，圖像紋理特征遙感主要是利用紋理特征來提高遙感圖像的分類精度，較少有人將紋理特征應用于定量估測生物量等農學參數[15-19]。前人的研究雖然證明了顏色特征和紋理特征在小麥生長和產量監測上的可行性，如Ma等利用無人機圖像和深度卷積神經網絡估算了小麥生長前期地上生物量以及Lu等利用無人機圖像和點云數據估算小麥地上生物量[20-21]，但都缺少對關鍵生育時期的實時監測及對顏色指數和紋理特征指數的系統性分析。因此，有必要進一步探索顏色和紋理特征在小麥生物量和產量的監測上的應用情況。

本研究擬通過不同品種、年份、密度水平和氮肥水平的小麥田間試驗，構建不同的小麥田間群體，分析和比較不同顏色指數和紋理特征指數與小麥生物量和產量的相關性，找出各個時期最佳的顏色指數和紋理特征指數，以期為后續利用無人機圖像對小麥生物量和產量進行估測提供相應的理論依據。

1 材料與方法

1.1 田間試驗設計

1.1.1 試驗1

試驗于2016－2017年在揚州大學實驗農牧場進行。試驗選擇揚麥23號和揚輻麥4號2個品種作為研究對象。試驗地前茬為水稻，土壤質地為沙壤土，0～20 cm土層有機質質量分數為23.52 g/kg，水解氮質量分數為105.97 g/kg，速效磷質量分數為102.11 g/kg，速效鉀質量分數為88.62 g/kg。

田間試驗設置3個種植密度水平，分別為100、150和200萬株/hm2；設4個氮肥水平，分別為0（N1）、120（N2）、160（N3）和200 kg/hm2（N4）；肥料運籌為氮肥按基肥：壯蘗肥∶拔節肥∶孕穗肥=5∶1∶2∶2的比例施用，磷鉀肥按基肥∶拔節肥=5∶5的比例施用，施用量均為120 kg/hm2。于2016年11月2日播種，小區面積為16.65 m2，重復2次，共48個小區。

1.1.2 試驗2

試驗于2017－2018年在張家港進行。試驗選擇揚麥23號和揚輻麥4號2個品種作為研究對象。

田間試驗設置3個種植密度水平，分別為100、150和200萬株/hm2；設4個氮肥水平，分別為0（N1）、120（N2）、160（N3）和200 kg/hm2（N4）；肥料運籌為氮肥按基肥∶壯蘗肥∶拔節肥∶孕穗肥= 5∶1∶2∶2的比例施用，磷鉀肥按基肥∶拔節肥=5∶5的比例施用，施用量均為120 kg/hm2。于2017年11月10日播種，小區面積為30 m2，重復2次，共48個小區。

1.2 數據獲取方法

1.2.1 圖像獲取設備

采用大疆inspire 1 RAW無人機進行圖像采集，相機分辨率1 600萬像素，垂直獲取圖像，飛行高度為7 m[22]。持續飛行時間約15～20 min，遙控控制距離約5 km。

1.2.2圖像獲取過程

無人機影像獲取時期為越冬前期、拔節期、孕穗期、開花期。拍攝時段為10:00～16:00（晴朗少風的天氣）。每個小區拍攝1張圖像，每個試驗點拍48張圖像。

為了保證飛機飛行的安全性和數據的可用性，安裝之后對飛機進行航點、航線、飛行高度和圖像重復率的設置。本研究利用DJI GS Pro在指定區域內自動生成航線，自動飛行、自動拍攝并完成相關數據接收、處理和發送?？紤]到要在較短的時間內獲得所需的全部圖像，無人機飛行采用“S”型路線。以圖像序列可以精確反映田塊信息的同時又能快速獲取圖像為原則來研究飛行高度對圖像獲取質量的影響，并通過分析飛行高度與相機像素之間的關系來制定飛行高度標準。為了實現精確的圖像配準，在航線和航點規劃時，相鄰圖像的重復率設置為65%～90%，在這個范圍內重復率越高圖像拼接精度越高，本試驗主航線上圖像重復率設置為60%，主航線間圖像重復率設置為70%。完成圖像采集后利用軟件Pix4DMapper生成正射影像、DSM和三維點云數據，通過相鄰圖像的特征匹配將相鄰圖像無縫拼接起來。最后對配準好的圖像進行裁剪，裁出所需的研究區域[23]。

1.2.3 農學參數測定

1）地上生物量測定

每小區取樣15株小麥，洗凈減去根部，將所有葉片分別剪下，所有地上部分105 ℃殺青30 min，80 ℃烘干至恒質量，分別稱量莖、葉干質量，再根據公式轉換成單位面積的生物量。

2）產量測定

小麥成熟期，對各小區調查單位面積的穗數，并取30個單莖進行室內考種，計算產量構成因素（每公頃穗數、每穗粒數、千粒質量）。每小區取1 m2面積小麥脫粒測產。

1.3 數據分析

1.3.1 無人機影像預處理

采用MATLAB R2014b進行無人圖像預處理。圖像預處理包括圖像裁剪、去噪、平滑、銳化等操作。圖像裁剪是將拼接好的圖像根據不同小區裁剪成大小一致的圖像。去噪是指消除數字圖像中的噪聲，進行平滑和銳化則是減小圖像的斜率，提高質量并減小目標物像素提取的損失。

1.3.2 顏色指數

前人提出了一些植被指數用于估測作物的葉面積指數和產量，本文選用比較常用的8個顏色指數用于圖像數據分析（表1）。

1.3.3 紋理特征指數

本文通過MATLAB R2014b基于灰度共生矩陣提取紋理特征。提取過程中要注意保持特征值提取面積一致，確保特征值提取的精度。步驟如下：

1）提取灰度圖像；

2）灰度級量化；

3）計算特征值的參數選擇；

4）紋理特征值的計算與紋理特征影像生成。

Haralick等[30]用灰度共生矩陣提出了14個紋理特征值，但計算復雜，為了減少計算量通常采用4個最常用的特征用于提取圖像的紋理特征：能量、對比度、相關度、熵。4個特征值的計算公式見表2。

表1 圖像顏色指數計算方法及其出處

注：為歸一化紅色指數；為歸一化綠色指數；歸一化藍色指數。

Note:is the normalized red index;is the normalized green index;is the normalized blue index.

求出該灰度共生矩陣各個方向的特征值后，對特征值進行均值和方差的計算，以消除方向分量對紋理特征的影響。

表2 圖像紋理特征指數計算方法及其出處

注：為任一點(，)的灰度；為偏離該點的另一點的灰度；(,)為從(,)出發，與(,)距離為、灰度為的像元出現的頻度；、為行方向上紋理參數的均值和方差，、為列方向上紋理參數的均值和方差。

Note:is the gray scale of any point (,);is the gray scale of another point deviating from this point;(,) is the frequency of occurrence of pixel whose distance from (,) isand whose gray scale is;σ,μis the mean and variance of the texture parameters along the row direction andσ,μis the mean and variance of the texture parameters along the column direction.

2 結果與分析

2.1 不同生育時期小麥生物量與圖像顏色/紋理特征指數的相關性

小麥生物量在全生育期有較大的變化。本研究利用試驗1中的數據定量分析8個顏色指數和4個紋理特征指數在小麥主要生育時期與生物量的相關性，以確定估算生物量的最優顏色指數和紋理特征指數。

不同顏色指數和紋理特征指數與生物量的相關性見表3。

表3 基于無人機圖像的不同顏色指數和紋理特征指數與小麥生物量的相關性（n=24）

注：*、**分別表示在0.05和0.01水平顯著（0.05=0.396，0.01=0.505）。下同。

Note: *, ** means significant at the level of 0.05 and 0.01, respectively (0.05=0.396,0.01=0.505). The same below.

2.1.1 越冬前期生物量與圖像顏色/紋理特征指數的相關性

小麥越冬前期基于無人機圖像的各顏色指數與生物量的相關性較好，相關系數的平均值為0.632。除NDI為顯著相關外，其余顏色指數與生物量相關性均達到極顯著水平，其中VARI與生物量相關性最高，達到0.743（表3）。同時可以看出，除ExR為負相關外，其余均為正相關。由表3可知，越冬前期紋理特征參數與生物量的相關性差異較大，其中ASM和ENT與生物量的相關性達到極顯著水平，而CON和COR與生物量的相關性不顯著。

2.1.2 拔節期生物量與圖像顏色/紋理特征指數的相關性

小麥拔節期基于無人機圖像的各顏色指數與生物量的相關性較越冬前期有明顯的提高，相關系數的平均值為0.789。所有顏色指數與生物量的相關性均達到極顯著水平，特別是ExG、NDI、ExR、ExGR、VARI、GLI，與生物量的相關系數均達到0.8以上，其中ExGR與生物量的相關性最高，相關系數達到0.911（表3）。同時可以看出，各顏色指數與生物量的相關性變化趨勢和越冬前期一致。由表3可知，拔節期各紋理特征參數與生物量的相關性有較大差異，但趨勢和越冬前期相反，紋理特征參數CON和COR與生物量的相關性均達到極顯著水平，而ASM和ENT和生物量則無顯著相關。

2.1.3 孕穗期生物量與圖像顏色/紋理特征指數的相關性

小麥孕穗期的圖像顏色指數出現了一定的飽和現象，與生物量的相關性水平較拔節期有所下降，相關系數的平均值為0.632。其中，NDI、ExR、VARI、MGRVI與生物量的相關系數均在0.7以上，MGRVI相關性最高，為0.817（表3），達到極顯著相關，而RGBVI未達到顯著相關。該時期各顏色指數與生物量的相關性變化趨勢和拔節期一致。由表3可知，孕穗期紋理特征參數與生物量的相關系數均較小，除CON為顯著相關外，其余均未達到顯著水平。

2.1.4 開花期生物量與圖像顏色/紋理特征指數的相關性

到了小麥開花期，隨著生物量的不斷增加，圖像顏色指數的飽和現象更加明顯，其與生物量的相關性水平較孕穗期有所下降，相關系數的平均值為0.491。ExG、GLI和RGBVI與生物量的相關性不顯著，ExGR達顯著水平，其余3個為極顯著水平，其中VARI的相關性最高，為0.679（表3）。由表3可知，開花期紋理特征參數與生物量的相關系數較小，均未達到顯著水平。

2.2 不同生育時期圖像顏色/紋理特征指數與小麥產量的相關性

基于試驗2不同生育時期的無人機圖像，探討8個顏色指數以及4個紋理特征指數與小麥產量的關系。結果表明，小麥產量與各顏色指數均呈現較高的相關性；而與紋理特征指數的相關性較差。

基于無人機圖像的不同顏色指數和紋理特征指數與產量的相關性見表4。

2.2.1 越冬前期圖像顏色/紋理特征指數與產量的相關性

小麥越冬前期，圖像的顏色指數與產量的相關性差異較大，相關系數總體偏低，平均值僅為0.487。ExG、NDI、ExR與產量的相關性均達到極顯著水平，其中NDI與產量相關性最高，相關系數達到0.738（表4）；ExGR、GLI、MGRVI與產量相關性達顯著水平，其余2個指數的相關性未達顯著水平。由表4可知，小麥越冬前期基圖像的紋理特征參數與產量的相關系數較小，均未達到顯著水平。

表4 基于無人機圖像的不同顏色指數和紋理特征指數與產量的相關性（n=24）

2.2.2 拔節期圖像顏色/紋理特征指數與產量的相關性

小麥拔節期，圖像的顏色指數與產量相關性水平明顯增加，8個顏色指數與產量的相關性均達到極顯著水平，相關系數平均值為0.737。NDI、ExR、VARI與產量的相關性明顯高于其他指數，均達到0.8以上，其中VARI與產量相關性最高，達到0.837（表4）。由表4可知，拔節期圖像的紋理特征參數與產量的相關性較越冬前期有明顯提高，其中COR極顯著相關，CON顯著相關。

2.2.3 孕穗期圖像顏色/紋理特征指數與產量的相關性

小麥孕穗期，圖像的顏色指數出現了一定的飽和現象，與產量相關性較拔節期有所下降，相關系數的平均值為0.638。NDI、ExR、ExGR、VARI、MGRVI與產量的相關性均為極顯著水平，其中VARI相關性最高，為0.862，而RGBVI未達顯著水平（表4）。由表4可知，圖像紋理特征參數與產量的相關性均未達到極顯著水平，但除ASM外，其余3個參數均達到顯著水平。

2.2.4 開花期圖像顏色/紋理特征指數與產量的相關性

小麥開花期，圖像顏色指數也出現了一定的飽和現象，其與產量的相關性與孕穗期相似，相關系數的平均值為0.649。除了RGBVI為顯著相關外，其余7個指數與產量的相關性均達到極顯著相關水平，其中ExR相關系數為?0.854，呈極顯著負相關。由表4可知，小麥開花期的圖像紋理特征參數與產量的相關性均未達到顯著水平。

2.3 無人機圖像顏色與紋理特征指數組合后與生物量及產量的相關性

2.3.1 無人機圖像顏色與紋理特征指數組合后與生物量的相關性

選擇各時期無人機圖像顏色與紋理特征指數中與生物量相關性最高的2個參數進行組合，并分析其與生物量的相關性，結果如表5。由表5可知，組合后的指數與生物量的相關性均達到極顯著水平，且較單一顏色指數的相關性均有所提高，其中孕穗期提高最為明顯（相關性提高8.81%）。因此將圖像顏色與紋理特征指數結合后可以提高小麥生物量的預測精度。

表5 基于無人機圖像顏色與紋理特征指數組合與生物量的相關性（n=24）

2.3.2 無人機圖像顏色與紋理特征指數組合后與產量的相關性

選擇各時期無人機圖像顏色與紋理特征指數中與產量相關性最高的2個參數進行組合，并分析其與產量的相關性，結果列于表6。由表6可知，組合后的指數與產量相關性均達到極顯著水平，但與單一顏色指數的相關性相比，相關系數持平或略有增加，其中越冬前期增加明顯（相關性提高7.05%）。因此，在進行小麥產量預測時，可以考慮將圖像顏色指數與紋理特征指數結合，效果要好于單一因素。

表6 基于無人機圖像顏色與紋理特征指數組合與產量的相關性（n=24）

3 討 論

隨著作物表型監測研究的不斷深入，無人機遙感也得到越來越多的應用。利用無人機搭載不同的圖像采集設備可以開展不同需求的研究。如裴浩杰等利用無人機光譜技術，基于綜合指標開展了冬小麥長勢研究[31]。劉帥兵等利用無人機數碼圖像進行了冬小麥氮含量的反演[32]。上述研究均表明，基于無人機影像相關指數與小麥生長指標之間有不同的相關性，為作物生長田間指標的實時監測與獲取提供了有效的參考手段。

本研究表明，無人機圖像顏色指數與小麥生物量和產量具有明顯的相關性，而紋理特征參數有較好的輔助作用。但不同的學者在指數的選擇上略有不同，如Cen等利用無人機圖像監測水稻的生物量，除了本研究中使用的顏色指數外，還選擇了歸一化綠紅指數（NGRDI）、綠紅比指數（GRRI）以及植物系統指數（VEG）等，不過分析方法基本一致[33]。而Fernandez-Gallego等則利用圖像綠色面積指數（GA）和相對綠色面積指數（GGA）等對小麥的產量進行評價[34]。在不同時期的比較中，本研究表明，小麥拔節期基于無人機圖像的顏色指數能夠較好地估測小麥生物量，但小麥孕穗期由于生物量過大，顏色指數NDI和ExR出現了一定的飽和現象，而顏色指數MGRVI能夠在一定程度上減輕飽和現象。而圖像顏色指數與產量相關性最好的時期也是拔節期，但孕穗期和開花期的相關性也較好。而Fernandez-Gallego等研究則表明，在雨養或灌溉條件下的旱作小麥，基于圖像指數的產量預測均是前期較好[34]，這與本研究的結果基本一致。因此在估測小麥生物量或產量時，選擇的時期也應略有不同。本研究表明，小麥生物量估測的最佳時期是拔節期，而產量估測的最佳時期則是孕穗期。

在圖像紋理特征指數的利用方面，前人雖然也有相關的研究，但均是把紋理特征指數與其他指數相結合。如陳鵬等利用無人機影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量，結果表明，單一的紋理特征模型效果最差，而結合了光譜和紋理信息的綜合模型效果最好[35]；陳鵬飛等利用無人機影像光譜和紋理特征診斷棉花的氮素營養，結果表明增加紋理特征可提高棉花植株氮濃度的反演精度[36]；而Yue等的研究也表明，基于無人機超高分辨率圖像對冬小麥地上生物量進行估算時，結合圖像紋理特征和植被指數可以提高不同冠層覆蓋條件下的地上生物量量估算精度[37]。本研究結果也表明，結合無人機圖像顏色與紋理特征指數后，其與小麥生物量及產量的相關性也有不同程度的提高，其中與生物量的相關性在4個時期分別提高0.27%、0.11%、8.81%和2.65%；與產量相關性分別提高7.05%、0.12%、0.58%和0.12%。

本研究為無人機圖像定量分析小麥生物量和產量提供了理論基礎和技術支持，但沒有對品種、種植密度及肥料水平對結果的影響做進一步分析。隨著無人機平臺在更大區域監測上的應用，會涉及到不同品種及不同田間施肥及密度處理等問題，也涉及到不同區域監測角度和影像拼接等問題。所以無人機獲取低空影像的預處理流程還需不斷完善，同時還要考慮圖像背景顏色的歸一化問題，圖像預處理方法的普適性也需要進一步加強。

4 結 論

1）本研究探討了小麥生物量及產量與無人機圖像顏色指數和紋理特征參數的相關性，結果表明，越冬前期圖像顏色指數和小麥生物量的相關性均達到顯著或極顯著水平，相關系數平均值為0.632，其中VARI和小麥生物量的相關性最高。拔節期圖像顏色指數和小麥生物量的相關性最好，相關系數平均值達0.789，其中ExGR和小麥生物量的相關系數達到了0.911。孕穗期圖像顏色指數和小麥生物量的相關系數有所下降，相關系數平均值和越冬前期接近。開花期圖像顏色指數與小麥生物量的相關系數繼續下降，相關系數平均值為0.491，這可能與后期圖像顏色出現了飽和現象有關。各時期圖像顏色指數與小麥產量的相關性的趨勢同生物量一致。

2）小麥各生育期的圖像紋理特征參數與生物量和產量的相關性均不如顏色指數。將圖像顏色與紋理特征指數中與生物量相關性最高的2個參數進行組合，組合后的指數與生物量相關性均達到極顯著水平，且較單一顏色指數的相關性均有所提高，其中孕穗期提高最為明顯，達8.81%。組合后的指數與產量的相關性均達到極顯著水平，與單一顏色指數的相關性相比，相關系數持平或略有增加，其中越冬前期增加明顯，達7.05%。將圖像顏色與紋理特征指數組合可以提高小麥生物量和產量的預測精度。

[1] 李佳佳. 小麥生物物理與生物化學參數的高光譜遙感監測[D]. 南京：南京信息工程大學，2015.

Li Jiajia. Monitoring Bio-Physical and Bio-Chemical Parameters of Wheat by Hyper-Spectral Remote Sensing[D]. Nanjing: Nanjing University of Information Science & Technology, 2015. (in Chinese with English abstract)

[2] 張凱，王潤元，王小平，等. 黃土高原春小麥地上鮮生物量高光譜遙感估算模型[J]. 生態學雜志，2009，28(6)：1155－1161.

Zhang Kai, Wang Runyuan, Wang Xiaoping, et al. Hyperspectral remote sensing estimation models for aboveground fresh biomass of spring wheat on Loess Plateau[J]. Chinese Journal of Ecology, 2009, 28(6): 1155－1161. (in Chinese with English abstract)

[3] 尚艷. 不同氮水平下小麥冠層光譜特征及其與農學參數關系研究[D]. 楊陵：西北農林科技大學，2015.

Shang Yan. Wheat Canopy Spectral Features and its Research Relationship With Agronomy Parameter Under Different Nitrogen Levels[D]. Yangling: Northwest A&F University, 2015. (in Chinese with English abstract)

[4] 范云豹，宮兆寧，趙文吉，等. 基于高光譜遙感的植被生物量反演方法研究[J]. 河北師范大學學報：自然科學版，2016(3)：267－271.

Fan Yuanbao, Gong Zhaoning, Zhao Wenji, et al. Study on vegetation biomass inversion method based on hyperspectral remote sensing[J]. Journal of Hebei Normal University: Natural Science Edition, 2016(3): 267－271. (in Chinese with English abstract)

[5] 王麗愛，譚昌偉，楊昕，等. 基于MK-SVR模型的小麥葉面積指數遙感反演[J]. 農業機械學報，2015，46(5)：245－251.

Wang Liai, Tan Changwei, Yang Xin, et al. Monitoring wheat leaf area index using MK-SVR algorithmic model and remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(5): 245－251. (in Chinese with English abstract)

[6] 解毅，王鵬飛，王蕾，等. 基于作物及遙感同化模型的小麥產量估測[J]. 農業工程學報，2016，32(20)：179－186.

Xie Yi, Wang Pengfei, Wang Lei, et al. Estimation of wheat yield based on crop and remote sensing assimilation models[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(20): 179－186. (in Chinese with English abstract)

[7] Chen Y, Zhang Z, Tao F L. Improving regional winter wheat yield estimation through assimilation of phenology and leaf area index from remote sensing data[J]. European Journal of Agronomy, 2018, 101: 163－173.

[8] 趙天舸，于瑞宏，張志磊，等. 濕地植被地上生物量遙感估算方法研究進展[J]. 生態學雜志，2016，35(7)：1936－1946.

Zhao Tianke, Yu Ruihong, Zhang Zhilei, et al. Estimation of wetland vegetation aboveground biomass based on remote sensing data: A review[J]. Chinese Journal of Ecology, 2016, 35(7): 1936－1946. (in Chinese with English abstract)

[9] Shibayama M, Akiyama T. Seasonal visible, near-infrared and mid-infrared spectra of rice canopies in relation to LAI and above-ground dry phytomass[J]. Remote Sensing of Environment, 1989, 27(2): 119－127.

[10] 侯學會，牛錚，黃妮，等. 小麥生物量和真實葉面積指數的高光譜遙感估算模型[J]. 國土資源遙感，2012，24(4)：30－35.

Hou Xuehui, Niu Zheng, Huang Ni, et al. The hyperspectral remote sensing estimation models of total biomass and true LAI of wheat[J]. Remote Sensing for Land & Resources, 2012, 24(4): 30－35. (in Chinese with English abstract)

[11] 劉瓊閣，彭道黎，涂云燕，等. 基于偏最小二乘的森林生物量遙感估測[J]. 東北林業大學學報，2014(7)：44－47.

Liu Qiongge, Peng Daoli, Tu Yunyan, et al. Estimating forest biomass by partial least squares regression[J]. Journal of Northeast Forestry University. 2014(7): 44－47. (in Chinese with English abstract)

[12] 陳鵬飛，Nicolas Tremblay，王紀華，等. 估測作物冠層生物量的新植被指數的研究[J]. 光譜學與光譜分析, 2010, 30(2)：512－517.

Chen Pengfei, Nicolas Tremblay, Wang Jihua, et al. New index for crop canopy fresh biomass estimation[J]. Spectroscopy and Spectral Analysis, 2010, 30(2): 512－517. (in Chinese with English abstract)

[13] 劉俊，畢華興，朱沛林，等. 基于ALOS遙感數據紋理及紋理指數的柞樹蓄積量估測[J]. 農業機械學報，2014，45(7)：245－254.

Liu Jun, Bi Huaxing, Zhu Peilin, et al. Estimating stand volume of xylosma racemosum forest based on texture parameters and derivative texture indices of ALOS imagery[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 245－254. (in Chinese with English abstract)

[14] Gu Z, Ju W, Lin L, et al. Using vegetation indices and texture measures to estimate vegetation fractional coverage (VFC) of planted and natural forests in Nanjing city, China[J]. Advances in Space Research, 2013, 51(7): 1186－1194.

[15] 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.

[16] 曹慶先，徐大平，鞠洪波. 基于TM影像紋理與光譜特征的紅樹林生物量估算[J]. 林業資源管理，2010(6)：102－108.

Cao Qingxian, Xu Daping, Ju Hongbo, et al. The biomass estimation of mangrove community based on the textural features and spectral information of TM images[J]. Forest Resources Management, 2010(6): 102－108. (in Chinese with English abstract)

[17] 牧其爾，高志海，包玉海，等. 植被指數紋理特征信息估測稀疏植被生物量[J]. 遙感信息，2016(1)：58－63.

Mu Qier, Gao Zhihai, Bao Yuhai, et al. Estimation of sparse vegetation biomass based on grey-level co-occurrence matrix of vegetation indices[J]. Remote Sensing Information, 2016(1): 58－63. (in Chinese with English abstract)

[18] 劉暢，楊貴軍，李振海，等. 融合無人機光譜信息與紋理信息的冬小麥生物量估測[J]. 中國農業科學，2018，51(16)：3060－3073.

Liu Chang, Yang Guijun, Li Zhenhai, et al. Biomass estimation in winter wheat by UAV spectral information and texture information fusion[J]. Scientia Agricultura Sinica, 2018, 51(16): 3060－3073. (in Chinese with English abstract)

[19] Lee K J, Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis[J]. European Journal of Agronomy, 2013, 48(3): 57－65.

[20] Ma J C, Li Y X, Chen Y Q, et al. Stimating above ground biomass of winter wheat at early growth stages using digital images and deep convolutional neural network[J]. European Journal of Agronomy, 2019, 103: 117－129.

[21] Lu N, Zhou J, Han Z X, et al. Improved estimation of aboveground biomass in wheat from RGB imagery and point cloud data acquired with a low-cost unmanned aerial vehicle system[J]. Plant Methods, 2019, 15: 1－16.

[22] Liu T, Li R, Jin X l, et al. Evaluation of Seed Emergence Uniformity of Mechanically Sown Wheat with UAV RGB Imagery[J]. Remote Sensing, 2017, 9: 1－15.

[23] 陳雯.基于無人機圖像的小麥出苗均勻度評價[D]. 揚州：揚州大學，2018.

Chen Wen. Evsluation of Seed Emergence Unifermity of Wheat Based on UAV Image[D]. Yangzhou: Yangzhou Univefrsity, 2018. (in Chinese with English abstract)

[24] Gitelson A A, Stark R, Grits U, et al. Vegetation and soil lines in visible spectral space: A concept and technique for remote estimation of vegetation fraction[J]. International Journal of Remote Sensing, 2002, 23(13): 2537－2562.

[25] Mao D, Wu X, Deppong C, et al. Negligible role of antibodies and c5 in pregnancy loss associated exclusively with c3-dependent mechanisms through complement alternative pathway[J]. Immunity, 2003, 19(6): 813－822.

[26] Woebbecke D M, Meyer G E, Von B K, et al. Plant species identification, size, and enumeration using machine vision techniques on near-binary images[J]. Proceedings of SPIE- The International Society for Optical Engineering, 1993: 1836.

[27] Louhaichi M, Borman M, Johnson D. Spatially located platform and aerial photography for documentation of grazing impacts on wheat[J]. Geocarto International, 2001, 16(1): 6.

[28] Tucker P W, Jr H E, Cotton F A. Staphylococcal nuclease reviewed: A prototypic study in contemporary enzymology[J]. Molecular & Cellular Biochemistry, 1979, 23(2): 67－86.

[29] Bendig J, Kang Y, 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 & Geoinformation, 2015, 39: 79－87.

[30] Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification[J]. IEEE Transactions on Systems Man & Cybernetics, 1973, 3(6): 610－621.

[31] 裴浩杰，馮海寬，李長春，等. 基于綜合指標的冬小麥長勢無人機遙感監測[J]. 農業工程學報，2017，33(20)：74－82.

Pei Haojie, Feng Haikuan, Li Changchun, et al. Remote sensing monitoring of winter wheat growth with UAV based on comprehensive index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 74－82. (in Chinese with English abstract)

[32] 劉帥兵，楊貴軍，景海濤，等. 基于無人機數碼影像的冬小麥氮含量反演[J]. 農業工程學報，2019，35(11)：75－85.

Liu Shuaibing, Yang Guijun, Jing Haitao, et al. Retrieval of winter wheat nitrogen content based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 75－85. (in Chinese with English abstract)

[33] Cen H Y, Wan L, Zhu J P, 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: 1－16.

[34] Fernandez-Gallego J A, Kefauver S C, Vatter T, et al. Low-cost assessment of grain yield in durum wheat using RGB images[J]. European Journal of Agronomy, 2019, 105: 146－156.

[35] 陳鵬，馮海寬，李長春，等. 無人機影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量[J].農業工程學報，2019，35(11)：63－74.

Chen Peng, Feng Haikuan, Li Changchun, et al. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 63－74. (in Chinese with English abstract)

[36] 陳鵬飛，梁飛. 基于低空無人機影像光譜和紋理特征的棉花氮素營養診斷研究[J]. 中國農業科學，2019，52(13)：2220－2229.

Chen Pengfei, Liang Fei. Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle[J]. Scientia Agricultura Sinica, 2019, 52(13): 2220－2229. (in Chinese with English abstract)

[37] Yue J B, Yang G J, Tian Q J, et al. Estimate of winter-wheat above-ground biomass based on UAV ultrahighground- resolution image textures and vegetation indices[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 150: 226－244.

Correlation of wheat biomass and yield with UAV image characteristic parameters

Yang Jun1,2, Ding Feng3, Chen Chen1,2, Liu Tao1,2, Sun Chengming1,2※, Ding Dawei3, Huo Zhongyang1,2

(1./,,225009,; 2.,,225009,; 3.,215636,)

In order to determine the correlation between UAV image information and wheat biomass and yield, based on the field experiments of different planting densities, different nitrogen fertilizer levels and different varieties, the RGB images of field wheat at main growth stages were obtained by using UAV aerial photography in this study. The color and texture characteristic parameter values of the wheat images were obtained by image processing, and the wheat biomass and final yield were obtained by field sampling, and then the relationship between the wheat biomass, yield and different index of color and texture feature parameters was analyzed. The results showed that the 8 color indexes such as normalized difference index (NDI), Extra green vegetation index (ExG), visible light atmospherical resistant vegetation index (VARI), extra red vegetation index (ExR), green leaf vegetation index (GLI), extra green-red difference index (ExGR), modified green-red vegetation index (MGRVI), red, green and blue vegetation index (RGBVI) and 4 texture feature parameters such as angular second moment (ASM), gontrast (CON), correlation (COR) and entropy (ENT) could be extracted from UAV images. The correlation between the biomass, yield and various color index at wheat jointing stage and booting stage was high. The correlation between all color indexes and biomass at the jointing stage reached an extremely significant level, and the correlation coefficient between ExGR and biomass was the highest, the correlation coefficient was 0.911. Except for RGBVI, all the other indexes reached a significant or extremely significant correlation at booting stage, among which MGRVI had the highest correlation and the correlation coefficient was 0.817. The correlation trend between color indexes and yield were consistent with that of biomass. The correlation between the color index and biomass and yield at early wintering stage and flowering stage were slightly lower than that at jointing stage and booting stage. Among the wheat texture parameters, only ASM and ENT at early wintering stage and CON and COR at jointing stage and CON at booting stage had a significant or extremely significant correlation with biomass, among which COR had the highest correlation (negative correlation) and the correlation coefficient was -0.574. CON and COR at jointing stage and CON, COR and ENT at booting stage had a significant or extremely significant correlation with yield, among which COR at jointing stage had the highest correlation (negative correlation) with the correlation coefficient of -0.530. After combining color index and the texture feature parameters, the correlation of these parameters with wheat biomass and yield were all improved. Among them, the biomass correlation increased by 0.27%, 0.11%, 8.81% and 2.65% respectively in the 4 stages, and the yield correlation increased by 7.05%, 0.12%, 0.58% and 0.12% respectively in the 4 stages. Therefore, combining the color index of UAV image with the texture feature parameters can improve the estimation accuracy of wheat biomass and yield.

UAV; digital image; color index; textural feature; wheat; biomass; yield

楊 俊，丁 峰，陳 晨，劉 濤，孫成明，丁大偉，霍中洋. 小麥生物量及產量與無人機圖像特征參數的相關性[J]. 農業工程學報，2019，35(23)：104－110.doi：10.11975/j.issn.1002-6819.2019.23.013 http://www.tcsae.org

Yang Jun, Ding Feng, Chen Chen, Liu Tao, Sun Chengming, Ding Dawei, Huo Zhongyang. Correlation of wheat biomass and yield with UAV image characteristic parameters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(23): 104－110. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.23.013 http://www.tcsae.org

2019-08-08

2019-11-17

國家自然科學基金項目（31671615，31701355，31872852）；國家重點研發計劃項目（2018YFD0300805）；蘇州市農業科技創新項目（SNG2017064）

楊 俊，研究方向為作物圖像識別與應用。Email：572348347@qq.com。

孫成明，博士，教授，博士生導師，主要從事作物系統模擬與表型監測研究。Email：cmsun@yzu.edu.cn

10.11975/j.issn.1002-6819.2019.23.013

S512

A

1002-6819(2019)-23-0104-07