利用無人機圖像顏色與紋理特征數據在小麥生育前期對產量進行預測

劉欣誼，仲曉春，陳 晨，劉 濤，孫成明， 李冬雙，劉升平，王建軍，丁大偉，霍中洋

(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，江蘇揚州 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，江蘇揚州 225009；3. 中國農業科學院農業 信息化研究所，北京 100081；4. 張家港市農業試驗站，江蘇張家港 215616)

在作物栽培管理過程中，產量預測是十分重要的環節。傳統的作物測產是通過田間破壞性取樣進行的，費時費力，且容易出現較大的人為誤差，因而探索一種快速、準確、無損的作物估產方法十分必要。近年來，隨著市場的競爭以及耕地質量的改變，小麥的產量逐年變化較大[1]。根據客觀情況，需要及時了解小麥種植的相關信息[2-3]，為國家經濟和宏觀決策提供科學依據[4]。

目前，前人已經開展了一些關于小麥估產的研究[5-7]。近年來在遙感技術的支持下，作物大面積產量估測逐漸成為研究的熱點。遙感估產研究中的直接估產是指直接構建光譜植被指數和產量之間的關系模型，該方法應用前景廣闊。在小麥估產模型中歸一化植被指數NDVI被大量使用[8-14]，但值得注意的是，隨著小麥生育進程的推進，NDVI與產量之間可能會出現不敏感現象[15]。為了提高估產精度，一些研究試圖將高時間分辨率圖像和高空間分辨率圖像結合起來構建相應的產量估測模型[16]。雖然利用衛星獲取的高時間分辨率和高空間分辨率圖像能夠提升小麥產量估測精度，但由于其價格昂貴，且容易受到天氣和地形等因素的影響，在應用上還有一定的局限性。而低空無人機平臺由于具有操作靈活、數據獲取效率高、測試時間可控、圖像成本低等優點，在作物遙感監測方面將得到越來越多的應用，因此將無人機平臺應用于小麥產量估測是可 行的。

雖然前人利用圖像顏色特征開展了一些作物產量估測方面的研究，但基于普通RGB圖像的顏色指數指示作物長勢的飽和程度不同，對產量估測的效果及潛力也不確定。因此，本研究以不同品種、不同種植密度和不同氮肥水平的小麥田間試驗為基礎，綜合分析基于無人機平臺獲取的小麥越冬前期和拔節期RGB圖像的顏色和紋理特征指數，構建小麥產量預測模型，以期為作物生長前期進行產量預測提供有效技術途徑。

1 材料與方法

1.1 田間試驗設計

本研究共有2個試驗，其中試驗1的數據用于構建小麥產量預測模型，試驗2的數據用于模型驗證。

試驗1為品種、種植密度和氮肥三因素隨機區組試驗，于2016-2017年在揚州大學實驗農牧場進行。供試小麥品種為揚麥23號和揚輻麥4號。試驗設置3個種植密度水平，分別為100萬、150萬和200萬株·hm-2；設置4個氮肥水平，施氮量分別為0 kg·hm-2(N1)、120 kg·hm-2(N2)、160 kg·hm-2(N3)、200 kg·hm-2(N4)；肥料運籌方式為氮肥按基肥∶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·hm-2。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。

試驗2于2017-2018年在張家港進行，供試小麥品種、種植密度、氮肥水平以及肥料運籌方式同試驗1。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無人機進行圖像數據采集。該款無人機搭載的相機分辨率為1 600萬像素，可以持續飛行約20 min，遙控器與無線跟焦器連接后，可將控制距離擴展至5 km。

1.2.2 圖像獲取過程

在小麥生長的前期(越冬前期和拔節期)利用無人機獲取田間圖像。為了保證飛機飛行的安全性和數據的可用性，需在起飛前對飛機進行航點、航線、飛行高度和圖像重復率的設置[17]。

1.2.3 產量測定

小麥成熟后，每個小區取2 m2面積小麥，脫粒后測實產。

1.3 數據分析與利用

1.3.1 無人機影像預處理方法

采用MATLAB R 2014b軟件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 顏色指數選擇

圖像顏色指數的類型很多。本研究選擇了比較常用的8個顏色指數用于無人機圖像數據分析，包括可見光大氣阻抗植被指數(VARI)、超紅植被指數(ExR)、超綠植被指數(ExG)、綠葉植被指數(GLI)、綠紅差值指數(ExGR)、歸一化差分指數(NDI)、改良綠紅植被指數(MGRVI)和紅綠藍植被指數(RGBVI)。

1.3.3 紋理指數提取

通過無人機圖像提取4個常用的紋理特征：能量(ASM)、對比度(CON)、相關度(COR)、熵(ENT)。

1.4 模型的構建與評價

基于圖像顏色和紋理特征指數與小麥產量的相關性，選擇相關系數最大的顏色及紋理特征指數，構建單一或多元的回歸模型。然后利用獨立的實測產量數據，并基于決定系數(R2)、均方根誤差(RMSE)以及1∶1圖對模型進行驗證和評價(試驗2數據)。

2 結果與分析

2.1 基于生育前期圖像顏色指數的小麥產量預測模型建立與驗證

2.1.1 圖像顏色指數與小麥產量的相關性

相關分析(表1)表明，在小麥生育前期，8個無人機圖像顏色指數與產量的相關性差異較大。在越冬前期，由于麥苗還沒有全部覆蓋地面，圖像整體質量較差，相關系數總體偏低；ExGR、GLI、MGRVI與產量相關性達到顯著水平，ExG、NDI、ExR與產量的相關性達到極顯著水平，其中NDI與產量相關性最大，相關系數為0.738。隨著生育進程的推進，拔節期的圖像質量也隨之改善，相關系數較越冬前期明顯提升，8個圖像顏色指數與最終產量的相關性均達到極顯著水平，其中VARI與產量相關性最大，相關系數為0.837。

2.1.2 模型建立

根據相關分析結果，在越冬前期利用顏色指數NDI建立的小麥產量預測模型Y=17 253×NDI+3 534.5，R2=0.542 2，擬合性達到極顯著水平。在拔節期利用顏色指數VARI建立的產量預測模型為Y=14 680×VARI+ 3 107.7，R2=0.700 8，擬合性也達到極顯著水平。

表1 小麥生育前期無人機圖像顏色指數與產量的相關性Table 1 Correlations between color indices of UAV image and wheat yield at early growth stage

2.1.3 模型驗證

利用試驗2數據對小麥產量預測模型進行驗證，并繪制實測值與預測值的1∶1關系圖(圖1)。由圖1可知，實測產量值與模型預測產量值比較接近，二者間趨勢基本一致。其中越冬前期和拔節期驗證的R2分別為0.540 6和 0.603 4，兩個時期預測值與實測值呈極顯著正相關(P<0.01)。同時,兩個時期的RMSE均較小，分別為671.26和639.78 kg·hm-2。這表明兩個時期的估產模型的精度均較高。

圖1 基于生育前期圖像顏色指數的小麥產量預測模型驗證效果(A：越冬前期；B：拔節期)Fig.1 Verification effect of wheat yield prediction model based on color indices at early growth stage (A: early wintering stage; B: jointing stage)

2.2 基于生育前期圖像顏色與紋理特征指數的小麥產量預測模型建立和驗證

2.2.1 圖像紋理特征指數與小麥產量的相關性

經相關分析，4個紋理特征指數與產量的相關性在小麥越冬前期均未達到顯著水平，拔節期的相關性有所提升，其中CON、COR與小麥產量分別呈顯著和極顯著相關(表2)。總體上紋理特征指數與產量的相關性小于圖像顏色指數。

表2 小麥生育前期無人機圖像紋理特征指數與產量的相關性Table 2 Correlations between texture feature indices of UAV image and wheat yield at early growth stage

2.2.2 模型建立

根據表1和表2的結果，在越冬前期選擇相關性最高的紋理特征指數ENT與顏色指數NDI相結合，在拔節期選擇紋理特征指數COR與顏色指數VARI相結合，通過回歸分析構建產量預測的二元模型。其中，越冬前期小麥產量預測模型為Y=16 343.16×NDI+2 051.14×ENT+19.62，R2為0.623，較單一顏色指數模型提升14.52%。拔節期小麥產量預測模型為Y= 11 900.4×VARI- 1 453.76×COR+540.8，R2為0.744，較單一顏色指數模型提升6.13%。這表明二元模型建模效果更優。

2.2.3 模型驗證

利用獨立數據對小麥產量二元估測模型進行驗證，并繪制實測值與模型預測值的1∶1關系圖(圖2)。由圖2可知，基于越冬前期和拔節期的小麥產量預測值與實測值之間有較好的一致性。其中越冬前期和拔節期模型驗證的R2分別為 0.629和0.746，較單一顏色指數模型分別提升 16.27%和23.71%。統計分析表明，兩個時期模型預測值與實測值的相關性均達到極顯著水平。同時，越冬前期和拔節期的RMSE分別為611.82和510.29 kg·hm-2，較單一顏色指數模型分別減小 8.85%和20.24%。這表明小麥產量二元 估測模型的精度和可靠性高于單一顏色指數 模型。

3 討 論

作物產量的準確估算與高效預測是農業研究人員關注的主要領域之一[18]。在作物收獲前利用信息技術手段進行實時快速估產已成為當前的研究熱點。目前，基于不同傳感技術監測作物生長的研究很多，也取得了不少的進展[19-23]。但基于RGB圖像預測小麥產量的研究還較少。本研究對越冬前期、拔節期顏色指數和紋理特征指數與小麥產量的相關性進行了系統分析，并構建了相應的產量預測模型。結果表明，單一生育時期植被指數與產量有較高相關性，但不同時期之間也有差異。本研究的2個時期中，拔節期圖像顏色及紋理特征指數與小麥產量的相關性要好于越冬前期，產量預測模型的效果也較好。

Sakamoto等[24]利用數碼相機獲取的圖像計算植被指數并對水稻產量進行預測，同時分析了數碼相機在產量估測上的應用潛力。Wang等[25]利用遙感技術對小麥產量進行了預測，發現在小麥生長后期預測精度較高。李衛國等[26]基于TM影像數據，綜合考慮小麥產量形成的生理生態過程，建立了小麥估產模型，但是由于影像分辨率較低，估測的精度不高。本研究結果表明，通過無人機RGB圖像中提取的顏色指數和紋理特征指數預測小麥產量時，大部分的顏色指數表現較好，而紋理特征指數效果較差，但二者結合后，效果有明顯提升。這與周 祥等[27]得出的結果一致。

本研究基于無人機圖像技術實現了對小麥產量的預測且效果較好，但還存在一些需要改進的地方：(1)RGB圖像的預處理方法有待進一步加強。隨著無人機平臺在更大監測區域上的應用，會涉及到監測角度不同和影像拼接等問題，所以預處理流程還需不斷完善。另外，預處理方法的普適性也需要進一步加強，其準確性有待進一步驗證。(2)無人機現在可以搭載各種不同的相機，如熱紅外、高光譜相機等，在今后的研究中，應綜合利用圖像的光譜、顏色和紋理等信息，提高預測精度。(3)影響作物產量的因素眾多，如作物的葉綠素含量、葉面積指數以及各種環境條件等，僅僅基于單一的圖像數據對產量進行預測是不夠的。另外，研究中模型構建采用的是線性回歸的方法，但實際情況中還有很多非線性的因素。這些都是在后續的研究中需要充分考慮的。

4 結 論

利用無人機獲取小麥生育前期田間圖像并構建基于圖像顏色和紋理特征指數的小麥產量預測模型。其中越冬前期和拔節期分別利用顏色指數NDI和VARI構建的產量預測模型均具有較好的預測效果。越冬前期顏色指數NDI和紋理特征指數ENT結合、拔節期顏色指數VARI和紋理特征指數COR結合構建的產量預測模型精度優于單一顏色指數模型的精度，因此更適合小麥產量估測。