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

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

陳鵬飛1,2，梁飛3

（1中國科學院地理科學與資源研究所/資源與環境信息系統國家重點實驗室，北京 100101；2江蘇省地理信息資源開發與利用協同創新中心南京 210023；3新疆農墾科學院農田水利與土壤肥料研究所，新疆石河子 832000）

【】基于無人機高空間分辨率影像，探討剔除土壤背景信息及增加紋理信息對棉花植株氮濃度反演的影響，為棉花氮素營養精準探測提供新技術手段。開展棉花水、氮耦合試驗，分別在棉花的不同生育期獲取無人機多光譜影像和植株氮濃度信息。基于以上數據，首先探討了土壤背景對棉花冠層光譜的影響；其次，分析了影像紋理特征與植株氮濃度間的相關性；最后，將獲得的數據分為建模樣本和檢驗樣本，設置剔除土壤背景前、剔除土壤背景后、增加紋理特征等不同情景，采用光譜指數與主成分分析耦合建模的方法，來建立各種情景下植株氮濃度的反演模型，并對模型反演效果進行比較。土壤背景對棉花冠層光譜有影響，且不同生育期趨勢不同；影像紋理特征參數與植株氮濃度間有顯著相關關系；剔除土壤背景前植株氮濃度反演模型的建模決定系數為0.33，標準誤差為0.21%，驗證決定系數為0.19，標準誤差為0.23%；剔除土壤背景后模型的建模決定系數為0.38，標準誤差為0.20%，驗證決定系數為0.30，標準誤差為0.21%；增加紋理信息后模型的建模決定系數為0.57，標準誤差為0.17%，驗證決定系數為0.42，標準誤差為0.19%。基于低空無人機高空間分辨率影像，剔除土壤背景和增加紋理特征均可提高棉花植株氮濃度的反演精度；影像紋理可以作為一種重要信息來支撐無人機遙感技術反演作物氮素營養狀況。

無人機；多光譜；圖像紋理特征；氮素營養診斷；棉花

0 引言

【研究意義】氮素是作物生長、發育所必需的重要營養元素，它在提高作物光合能力，增加同化產物等方面起著重要作用[1]。對大多數土壤來說，其當季有效氮含量不能滿足作物生長需要，需要添加外來氮源，因此氮肥管理是實現高產優質為目標的作物生產中最為重要的環節之一[2]。棉花是世界上最重要的天然紡織纖維作物，占世界纖維總量的35%左右[3]。此外，它還是重要的油料作物和戰略物資。在我國，棉花種植面積居各經濟作物之首[4]，在國民經濟中具有舉足輕重的作用。因此，及時掌握棉花的氮素營養狀況，根據其需求進行氮肥管理，對節約成本，減少環境污染具有重要意義。【前人研究進展】與正常植株相比，作物氮素營養缺乏時，其自身生理、生化參數發生一系列改變，研究表明這些參數可用于準確指示作物氮素營養狀況[5]。常見的用于指示作物氮素營養狀況的指標可分為群體指標和個體指標。群體指標包括氮素/葉綠素累積量（單位土地面積含氮、葉綠素總量）、生物量、葉面積指數等；個體指標包括氮素/葉綠素濃度（單位干物質含氮、葉綠素量），它們反映了個體的平均狀況[6]。相對于群體指標，個體指標在指示作物氮素營養狀況時，不易受群體密度的干擾，但也更難從遙感信息中提取。前人們基于遙感技術對以上參數開展了大量的估測研究，取得一定的研究成果[7-11]。但這些研究多基于衛星、地面基站和載人飛機的遙感探測技術。它們存在各自的優、缺點，往往難以滿足成本與數據可獲得性相兼容，給實際應用帶來困難。無人機具有機動靈活、操作簡單便于普及的特點，它可根據天氣狀況隨時起降，能搭載多種類型的傳感器且換裝容易，能在一定程度實現低成本與高數據可獲得性兼顧，其必將成為未來作物遙感信息獲取的重要手段之一。基于無人機遙感技術，已有學者開展相關氮素營養診斷研究，推動了無人機技術在這方面的應用。田明璐等[12]利用無人機獲取棉花冠層高光譜影像，基于偏最小二乘法構建了棉花葉片相對葉綠素含量SPAD的估測模型；秦占飛等[13]基于八旋翼無人機獲得高光譜影像數據，通過構建診斷氮素的光譜指數反演了水稻葉片氮濃度信息；Liu等[14]基于無人機獲取小麥冠層高光譜影像，利用神經網絡法建立了反演葉片氮濃度的模型，很好估測了小麥拔節期、挑旗期、開花期的葉片氮濃度信息；N?si等[15]基于無人機搭載FPI高光譜傳感器和RGB相機獲得光譜信息，利用隨機森林法反演了大麥植株氮素累積量。【本研究切入點】目前基于無人機開展氮素營養診斷的研究，一方面多集中于小麥等糧食作物，在棉花方面的研究還比較缺乏；另一方面，已有研究直接將前人依托衛星、有人機、地基平臺等獲得的氮素營養診斷方法不加改進的移植到低空無人機數據的處理上，利用感興趣區所有像元的平均光譜信息來與對應區域農學參數建立定量關系模型，并沒有發揮無人機影像高空間分辨率的優勢。低空無人機遙感具有超高空間分辨率的特點，其分辨率能達到厘米乃至毫米級，可有效去除土壤等背景信息。已有研究表明，剔除無人機熱紅外影像中土壤背景是提高作物水分診斷精度的有效途徑[16]，但在作物氮素營養診斷方面還缺乏探討。此外，高分辨率的低空無人機影像不但具有光譜信息，還有豐富的紋理特征。這些紋理特征能否用于作物氮素營養診斷，提高其估測精度還未有相關研究報道。【擬解決的關鍵問題】植株氮濃度是棉花重要的氮素營養診斷指標。以棉花為例，本文主要研究基于低空無人機影像去除土壤背景信息對植株氮濃度反演的影響，以及無人機影像中紋理信息是否可用于提高植株氮濃度的反演精度。

1 材料與方法

1.1 田間試驗

本研究數據來自2018年新疆石河子市開展的棉花水、氮耦合試驗。試驗地位于石河子市郊區（北緯44°18′52.81″，東經85°58′48.27″）。試驗選取新陸早60號作為試驗材料，采用水肥一體化膜下滴灌，膜寬2.05 m，1膜6行，寬行距0.66 m，窄行距0.10 m，寬窄行相間排列，播種密度約為260 000株/hm2。土壤類型灌耕灰漠土，有機質含量8.35 g·kg-1，速效氮含量43.4 mg·kg-1，速效磷含量25.15 mg·kg-1，速效鉀含量134.3 mg·kg-1。根據當地土壤養分條件、常規大田灌溉量，本研究設置4個氮肥梯度和4個灌溉梯度，共16個處理小區，小區面積為100 m2（145 m×6.9 m）。其中，4個氮肥處理分別為337.5、300、262.5、225 kg·hm-2；4個水分處理為5 250、4 500、3 750、3 000 m3·hm-2。施用的氮肥為尿素，磷肥為磷酸一銨，鉀肥為氯化鉀，全部肥料壓差式施肥罐溶解后，隨水滴灌施入小區。除水、氮外，各處理小區磷、鉀肥及其他管理措施相同。灌溉與施肥日期及施用比例如表1所示。

表1 水肥一體化灌溉時間及每次灌溉各成分施用量占總量的比例

1.2 數據獲取

在棉花的盛蕾期、初花期、盛花期等關鍵生育期，獲取其無人機影像和植株氮濃度等地面農學參數信息。

1.2.1 農學參數 在每個小區，分別在膜的邊行和中行選擇代表性樣點，連續拔取3株棉花，剪去根后，莖、葉分離后放入烘箱烘干至恒重。稱取各部分干重，并將烘干莖、葉分別粉碎，利用元素分析儀（Elementar，哈瑙，德國），采用Dumas燃燒法測定其含氮量；然后根據各部分干重，換算為植株氮濃度信息（%）。每個小區2個樣點的平均值用來代表各小區的植株氮濃度值。

1.2.2 無人機影像 無人機影像基于3DR Solo四旋翼無人機（3DR，加利福尼亞，美國），搭載RedEdge M多光譜傳感器（MicaSense，華盛頓，美國）獲得。RedEdge M包含有藍光波段（475 nm）、綠光波段（560 nm）、紅光波段（668 nm）、紅邊波段（717 nm）和近紅外波段（840 nm）等5個波段信息。無人機影像在當地12：00—14：00，天空晴朗無云時獲取。飛行高度為40 m，對應地面分辨率約為2.82 cm。飛行時，航向和旁向重疊率設為75%。相機先采用觸發拍攝模式，在飛行前拍攝白板，然后再設定為自動拍攝模式，用于在無人機飛行過程中進行拍攝。Pix4D ag（Pix4D，洛桑，瑞士）軟件用來進行無人機影像拼接。在此過程中，白板信息被用來將影像DN值轉換為反射率。本研究所使用無人機及獲取的1景無人機影像如圖1所示。

1.3 數據分析方法

首先，采用人工目視解譯的方法從3個時期無人機影像中識別各小區棉花信息，以用于后期剔除土壤等背景；其次，設置剔除土壤背景、不剔除土壤背景等不同情景，分析剔除土壤背景對棉花冠層反射率的影響；然后，基于剔除土壤背景后的影像，提取其紋理特征，采用相關性分析方法探討紋理特征與植株氮濃度之間的相關性；最后，設置不剔除土壤背景、剔除土壤背景、剔除土壤背景+增加紋理特征等不同情景，根據RedEdge M波段設置情況，選擇常用光譜指數，計算相應光譜指數值，以其為輸入變量，采用主成分回歸法分別建立各情景下的植株氮濃度反演模型，并比較模型優劣。需要說明的是：（1）參考已有關于作物氮素營養診斷方面的報道[17-18]，本研究使用的光譜指數包括比值光譜指數、土壤調整植被指數、改進土壤調整植被指數、三角植被指數、增強植被指數、修改三角植被指數、綠波段比值光譜指數、紅邊模型等常用光譜指數和以歸一化差值植被指數為基礎任意組合各波段信息構成的光譜指數，計算公式如表2所示；（2）主成分回歸法是常用的遙感反演植被參數時的建模方法[28]。在建模時，獲得的棉花3個時期共48個樣本被隨機分為2組。1組包含36個樣本作為建模樣本；另一組包含12個樣本作為檢驗樣本。各情境下的建模，依賴于相同的建模樣本和檢驗樣本。在構建主成分反演植株氮濃度模型時，選擇恰能代表原輸入變量99.5%以上信息的前n個主成分變量來建立模型，預測決定系數（coefficient of determination，2）、預測標準誤差（root mean square error，）和相對預測標準誤差（/平均值×100%）被用來評價模型的優劣；（3）本研究使用的圖像紋理特征主要依賴于灰度共生矩陣計算的各種參數，包括各波段的對比度、能量值、同質性、平均值和標準差等，利用Matlab軟件編程實現相關計算。

表2 本研究使用的光譜指數

,為RedEdge M五波段反射率的任意兩兩組合

,represents any combination of two bands from five bands of RedEdge M

2 結果

2.1 剔除土壤背景信息對棉花冠層光譜反射率的影響

不同棉花生育期，同一地塊影像中土壤像元所占的比例隨著棉花冠層的生長而變化。新疆種植棉花需要覆蓋薄膜以保溫、保水。覆蓋薄膜的土壤反射率與無覆蓋土壤的反射率不同。圖2-A、2-C、2-E分別是棉花孕蕾期、初花期、盛花期的真彩色合成影像，圖2-B、2-D、2-F是對應時期剔除土壤背景前后，棉花冠層反射率的變化情況（以施肥量300 kg·hm-2，灌溉量4 500 m3·hm-2為例，圖中紅色邊框小區）。可以看出孕蕾期，在藍光、綠光、紅光、紅邊等波段，剔除土壤背景的棉花冠層反射率要低于不剔除土壤背景的棉花冠層反射率，而在近紅外波段，情況恰恰相反（圖2-B）。這是因為在棉花生長的早期，行與行間的空地存在大量的裸露地表，由于棉花冠層小，投射的陰影有限，這些區域絕大部分被光照射且僅有少部分處于陰影區（圖2-A），使得不剔除土壤背景的棉花冠層光譜主要受光照土壤的影響，而光照土壤的反射率恰恰在藍光、綠光、紅光、紅邊波段比純棉花冠層光譜反射率大，在近紅外波段比純棉花冠層光譜反射率小（圖2-B）。在初花期、盛花期，剔除土壤背景的棉花冠層反射率要在各個波段高于不剔除土壤背景的棉花冠層反射率（圖2-D，2-F）。這是因為隨著棉花冠層變大，棉花行與行之間的空隙，一部分被棉花冠層填充，另一部分成為棉花冠層的陰影區（圖2-C，2-E），使得不剔除土壤背景的棉花冠層光譜主要受陰影土壤的影響，而陰影土壤的反射率在各個波段均低于純棉花冠層光譜反射率（圖2-D，2-F）。需要說明的是，由于選擇的樣例小區，在棉花初花期和盛花期不存在光照土壤像元，所以圖2-D，2-F沒有光照像元的反射率。以上結果說明，對于不剔除土壤背景的棉花冠層反射率來說，土壤背景光譜信息對其影響在棉花生長的不同階段的趨勢是不同的，這就決定了在建立棉花冠層參數反演模型時，其必將成為一種噪聲而不是有用信息來影響反演結果。

A，B：孕蕾期；C，D：初花期；E，F：盛花期 A, B: Bud; C, D: early bloom; E, F: peak bloom

2.2 圖像紋理特征與植株氮濃度的相關性

作物缺氮其同化產物和葉綠素合成受阻，葉片大小和葉色會發生變化。由于氮素的可轉移性，使得老葉首先受害，冠層不同層葉片（上、中、下）體現出差異，從而影響它們對光的吸收和反射特性。低空無人機影像空間分辨率達到厘米級，冠層的各個部分都會在像元層級或多或少有所體現，從而使得以上由于缺氮造成的作物冠層的變化，在圖像紋理特征上有反映。圖3顯示了棉花各個波段不同紋理特征與植株氮濃度之間相關系數的絕對值。可以看出，它們之間的相關性均達到0.01顯著水平（＜0.01），說明紋理特征可以用來反映棉花的氮素營養狀況。

圖3 各波段不同紋理特征與植株氮濃度之間相關性系數的絕對值

2.3 不同情景下植株氮濃度反演結果

不同情景下植株氮濃度的反演結果如圖4所示。從圖中可以看出，基于剔除土壤背景前，棉花冠層光譜信息反演植株氮濃度的建模結果為預測決定系數0.33，預測標準誤差0.21%，相對預測標準誤差6.98%（圖4-A）；驗證結果為預測決定系數0.19，預測標準誤差0.23%，相對預測標準誤差7.72%（圖4-B）。與這一結果相比，基于剔除土壤背景后，棉花冠層光譜信息反演植株氮濃度的模型取得了更好的結果。其中，構建模型時的預測決定系數為0.38，預測標準誤差為0.20%，相對預測標準誤差為6.71%（圖4-C）；驗證模型時的預測決定系數為0.30，預測標準誤差為0.21%，相對預測標準誤差為7.10%（圖4-D）。另外，增加紋理信息后，植株氮濃度反演模型的建模結果和驗證結果都取得了極大提高。建模時，模型預測決定系數為0.57，預測標準誤差為0.17%，相對預測標準誤差為5.62%（圖4-E）；驗證時，模型預測決定系數為0.42，預測標準誤差為0.19%，相對預測標準誤差為6.35%（圖4-F）。以上結果說明，剔除土壤背景信息有利于增加棉花植株氮濃度的估測精度，同時圖像紋理作為反映棉花氮素營養狀況的一種信息，增加它有利于進一步提高植株氮濃度的估測精度。

A：剔除土壤背景信息前的建模結果；B：剔除土壤背景信息前的驗證結果；C：剔除土壤背景信息后的建模結果；D：剔除土壤背景信息后的驗證結果；E：剔除土壤背景信息+增加紋理信息的建模結果；F：剔除土壤背景信息+增加紋理信息的驗證結果

3 討論

基于無人機搭載S185高光譜相機獲取影像數據，秦占飛等[13]構建反演水稻葉片氮濃度模型的2為0.67，為0.329%；Liu等[14]利用無人機高光譜影像數據，基于人工神經網絡法、多元線性回歸法建立的反演小麥葉片氮濃度模型的2在0.57—0.97，在0.152%—0.279%；同樣基于無人機搭載RedEdge多光譜相機，Li等[29]獲得高粱葉片氮濃度與各光譜指數間的最優相關關系系數（）為0.61。相對于高光譜傳感器，本研究使用的多光譜傳感器所能提供的光譜信息量要少，在反演植株氮濃度時，不加紋理特征的反演模型的估測效果遠不如前面所述報道。增加紋理信息后，反演模型的估測性能得到了提升，其估測植株氮濃度的效果與這些研究的估測結果較為接近。另外，與上述他人基于同款多光譜相機獲得的結果相比，本研究獲得了更好的氮濃度估測效果。

關于剔除土壤背景信息對作物氮素營養診斷的影響，張東彥[30]基于地面成像光譜儀在反演玉米、大豆葉綠素累積量時表明，土壤背景信息會影響玉米、大豆的冠層反射光譜從而影響葉綠素累積量的提取精度，剔除土壤背景的葉綠素累積量反演模型的性能比剔除土壤背景前有小幅提高。本研究同樣表明，土壤背景會影響棉花的冠層反射光譜，進而給植株氮濃度的反演帶來影響。相對于葉綠素累積量這一群體參數的估測，剔除土壤背景對植株氮濃度這一個體氮素營養診斷指標的反演影響更大，其反演模型相對于剔除土壤背景前有顯著提高。

由于常用地基光譜儀往往不能成像，獲取的光譜信息是植被、土壤的混合光譜；衛星遙感、有人機遙感的分辨率較低，單個像元往往是多種地物的混合光譜信息，從而使得長期以來，人們較少從影像紋理特征角度來考慮反演作物氮素營養狀況的可能性。低空無人機遙感影像超高空間分辨率的特征，使得探討這一問題成為可能。本研究提出并驗證了基于無人機高分辨率影像紋理特征反演棉花植株氮濃度的可行性。

當然，本研究也存在一些不足之處。一方面，在剔除土壤背景時，為保證精度本研究采用了人工目視解譯的方法，該方法非常耗時，不利于在生產實踐中應用，后期提出一種自動、高效的分類方法以剔除土壤背景信息將是進一步研究的方向；另一方面，本研究雖然證明低空無人機高空間分辨率影像的紋理信息可用于棉花氮素營養診斷，但針對不同作物究竟影像的分辨率為多少時，圖像的紋理信息才對氮素營養診斷有用的問題并沒有做探討，這將是未來研究的方向。

4 結論

依賴低空無人機超高空間分辨率影像，本研究分析了土壤背景對棉花冠層反射光譜的影響，以及剔除土壤背景后，影像紋理特征與棉花植株氮濃度之間的相關性，并通過設計不同的情景，利用光譜指數與主成分回歸相結合的方式建立了植株氮濃度的反演模型，結果表明土壤背景影響棉花冠層反射光譜，剔除土壤背景會提高建模估測植株氮濃度的精度；影像紋理特征與棉花植株氮濃度之間具有顯著相關關系，增加影像紋理特征，采用圖像光譜和紋理信息結合的方式建模，會顯著提高植株氮濃度的估測精度。

致謝：感謝王國棟、劉金然在田間試驗過程中給予的支持和幫助！

[1] 武維華. 植物生理學. 北京: 科學出版社, 2004: 91.

WU W H.. Beijing: Science Press, 2004: 91. (in Chinese)

[2] 薛利紅, 羅衛紅, 曹衛星, 田永超. 作物水分和氮素光譜診斷研究進展. 遙感學報, 2003, 7(1): 73-80.

XUE L H, LUO W H, CAO W X, Tian Y C. Research progress on the water and nitrogen detection using spectral reflectance., 2003, 7(1): 73-80. (in Chinese)

[3] JUNG J H, MAEDA M, CHANG A J, LANDIVAR J, YEOM J, MCGINTY J. Unmanned aerial system assisted framework for the selection of high yielding cotton genotypes., 2018, 152: 74-81.

[4] 肖晶晶, 霍治國, 姚益平, 張蕾, 李娜, 柏秦鳳, 溫泉沛. 棉花節水灌溉氣象等級指標. 生態學報, 2013, 33(22): 7288-7299.

XIAO J J, HUO Z G, YAO Y P, ZHANG L, LI N, BAI Q F, WEN Q P. Meteorogical grading indexs of water-saving irrigation for cotton., 2013, 33(22): 7288-7299. (in Chinese)

[5] TREMBLAY N. Determining nitrogen requirements from crops characteristics. Benefits and challenges//Pandalai S G.:. Kerala: India Research Signpost Press, 2004: 157-182.

[6] 陳鵬飛, 孫九林, 王紀華, 趙春江. 基于遙感的作物氮素營養診斷技術: 現狀與趨勢. 中國科學(信息科學), 2010, 40(增刊): 21-37.

CHEN P F, SUN J L, WANG J H, ZHAO C J. Using remote sensing technology for crop nitrogen diagnosis: status and trends., 2010, 40(S1): 21-37. (in Chinese)

[7] HANSEN P M, SCHJOERRING J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression., 2003, 86(4): 542-553.

[8] EITEL J U H, LONG D S, GESSLER P E, SMITH A M S. Using in-situ measurements to evaluate the new RapidEyeTM satellite series for prediction of wheat nitrogen status., 2007, 28(18): 4183-4190.

[9] CHEN P F, DRISS H, TREMBLAY N, WANG J H, VIGNEAULT P, LI B G. New index for estimating crop nitrogen concentration using hyperspectral data., 2010, 114(9): 1987-1997.

[10] HUANG S Y, MIAO Y X, YUAN F, GNYP M L, YAO Y K, CAO Q, WANG H Y, LENZ-WIEDEMANN V I S, BARETH G. Potential of rapidEye and worldView-2 satellite data for improving rice nitrogen status monitoring at different growth stages., 2017, 9(3): 227.

[11] LIANG L, DI L P, HUANG T, WANG J H, LIN L, WANG L J, YANG M H. Estimation of leaf nitrogen content in wheat using new hyperspectral indices and a random forest regression algorithm., 2018, 10(12): 1940.

[12] 田明璐, 班松濤, 常慶瑞, 由明明, 羅丹, 王力, 王爍. 基于低空無人機成像光譜儀影像估算棉花葉面積指數. 農業工程學報, 2016, 32(21): 102-108.

TIAN M L, BAN S T, CHANG Q R, YOU M M, LUO D, WANG L, WANG S. Use of hyperspectral images from UAV-based imaging spectroradiometer to estimate cotton leaf area index., 2016, 32(21): 102-108. (in Chinese)

[13] 秦占飛, 常慶瑞, 謝寶妮, 申健. 基于無人機高光譜影像的引黃灌區水稻葉片全氮含量估測. 農業工程學報, 2016, 32(23): 77-85.

QIN Z F, CHANG Q R, XIE B N, SHEN J. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in yellow river diversion irrigation district., 2016, 32(23): 77-85. (in Chinese)

[14] LIU H Y, ZHU H C, WANG P. Quantitative modelling for leaf nitrogen content of winter wheat using UAV-based hyper-spectral data., 2017, 38(8/10): 2117-2134.

[15] N?SI R, VILJANEN N, KAIVOSOJA J, ALHONOJA K, HAKALA T, MARKELIN L, HONKAVAARA E. Estimating biomass and nitrogen amount of barley and grass using UAV and aircraft based spectral and photogrammetric 3D features., 2018, 10(7): 1082.

[16] 張智韜, 邊江, 韓文霆, 付秋萍, 陳碩博, 崔婷. 剔除土壤背景的棉花水分脅迫無人機熱紅外遙感診斷. 農業機械學報, 2018, 49(10): 250-260.

ZHANG Z T, BIAN J, HAN W T, FU Q P, CHEN S B, CUI T. Diagnosis of cotton water stress using unmanned aerial vehicle thermal infrared remote sensing after removing soil background., 2018, 49(10): 250-260. (in Chinese)

[17] ZHU Y, YAO X, TIAN Y C, LIU X J, CAO W X. Analysis of common canopy vegetation indices for indicating leaf nitrogen accumulations in wheat and rice., 2008, 10(1): 1-10.

[18] CHEN P F. A comparison of two approaches for estimating the wheat nitrogen nutrition index using remote sensing., 2015, 7(4): 4527-4548.

[19] ROUSE J W, HAAS R W, SCHELL J A, DEERING D W, HARLAN J C. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation.

[20] PEARSON R L, MILLER L D. Remote mapping of standing crop biomass for estimation of the productivity of the Shortgrass Prairie, Pawnee National Grasslands, Colorado//. Ann Arbor, Michigan, USA, 1972: 1357-1381.

[21] HUETE A, JUSTICE C, LIU H. Development of vegetation and soil indices for MODIS-EOS., 1994, 49(3): 224-234.

[22] BROGE N H, LEBLANC E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density., 2001, 76(2): 156-172.

[23] QI J, CHEHBOUNI A, HUETE A R, KERR Y H, SOROOSHIAN S. A modified soil adjusted vegetation index., 1994, 48(2): 119-126.

[24] RONDEAUX G, STEVEN M, BARET F. Optimization of soil- adjusted vegetation indices., 1996, 55(2): 95-107.

[25] HABOUDANE D, MILLER J R, PATTEY E, ZARCO-TEJADA P J, STRACHAN I B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture., 2004, 90(3): 337-352.

[26] GITELSON A A, VI?A A, CIGANDA V, RUNDQUIST D C, ARKEBAUER T J. Remote estimation of canopy chlorophyll content in crops., 2005, 32(8): 93-114.

[27] XUE L H, CAO W X, LUO W H, DAI T B, ZHU Y. Monitoring leaf nitrogen status in rice with canopy spectral reflectance., 2004, 96(1): 135-142.

[28] YANG F, SUN J L, FANG H L, YAO Z F, ZHANG J H, ZHU Y Q, SONG K S, WANG Z M, HU M G. Comparison of different methods for corn LAI estimation over northeastern China., 2012, 18: 462-471.

[29] Li J T, SHI Y Y, VEERANAMPALAYAM-SIVAKUMAR A N, SCHACHTMAN D P. Elucidating sorghum biomass, nitrogen and chlorophyll contents with spectral and morphological traits derived from unmanned aircraft system., 2018, 9: 1406.

[30] 張東彥. 基于高光譜成像技術的作物葉綠素信息診斷機理及方法研究[D]. 杭州: 浙江大學, 2012.

ZHANG D Y. Diagnosis mechanism and methods of crop chlorophyll information based on hyperspectral imaging technology[D]. Hangzhou: Zhejiang University, 2012. (in Chinese)

Cotton Nitrogen Nutrition Diagnosis Based on Spectrum and Texture Feature of Images from Low Altitude Unmanned Aerial Vehicle

CHEN PengFei1,2, LIANG Fei3

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

【】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. 【】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. 【】 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 (2) value of 0.33 and root mean square error () value of 0.21% during model calibration, and2value of 0.19 andvalue of 0.23% during validation. For the scenarios after removing soil background, the plant nitrogen concentration prediction model had2value of 0.38 andvalue of 0.20% during model calibration, and2value of 0.30 andvalue of 0.21% during validation. For the scenarios adding image texture information, the plant nitrogen concentration prediction model had2value of 0.57 andvalue of 0.17% during model calibration, and2value of 0.42 andvalue 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.

unmanned aerial vehicle (UAV); multi-spectra; image texture feature; nitrogen nutrition diagnosis; cotton

10.3864/j.issn.0578-1752.2019.13.003

2019-02-25；

2019-03-14

國家重點研發計劃（2017YFD02015，2017YFD0201501-05）、國家自然科學基金（41871344）

陳鵬飛，E-mail：pengfeichen@igsnrr.ac.cn

（責任編輯 楊鑫浩）