基于無人機(jī)數(shù)碼圖像的機(jī)采棉脫葉率監(jiān)測模型構(gòu)建

馬怡茹，呂新，祁亞琴，張澤，易翔，陳翔宇，鄢天滎，侯彤瑜

（石河子大學(xué)農(nóng)學(xué)院/ 新疆生產(chǎn)建設(shè)兵團(tuán)綠洲生態(tài)農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室，新疆石河子 832003）

目前新疆是我國最大的植棉區(qū)，2020 年棉花種植面積占全國的78.9%[1]。 為解決人工費(fèi)用高、勞動效率低的問題，近年來新疆生產(chǎn)建設(shè)兵團(tuán)不斷擴(kuò)大棉花機(jī)械采收面積。 化學(xué)脫葉催熟技術(shù)是棉花機(jī)械采收的重要前提[2]，機(jī)械采收一般要求脫葉率在90%以上，吐絮率在95%以上。 脫葉率是評價(jià)棉花脫葉催熟效果、判斷采收時(shí)間的重要指標(biāo)。 因此，實(shí)現(xiàn)對其快速、準(zhǔn)確的監(jiān)測，能夠?yàn)槊藁撊~催熟相關(guān)研究提供技術(shù)支持，為大田機(jī)械采收時(shí)間的確定提供輔助決策。 目前，在棉花脫葉催熟效果相關(guān)研究中，對于脫葉率的調(diào)查仍采用傳統(tǒng)的人工定點(diǎn)調(diào)查的方法[3-5]。 其工作量大，缺乏時(shí)效性，且定點(diǎn)調(diào)查存在一定的偶然性。近年來，無人機(jī)遙感由于其低成本、高分辨率、實(shí)時(shí)監(jiān)測等優(yōu)點(diǎn)，在農(nóng)業(yè)監(jiān)測上應(yīng)用廣泛[6]，這也為棉花脫葉率監(jiān)測提供了新思路。 棉花葉片脫落會導(dǎo)致棉花冠層圖像中綠色葉片減少。 前人基于遙感技術(shù)開展了大量監(jiān)測綠色葉片變化的相關(guān)研究[7-8]。 隨著數(shù)碼攝影技術(shù)的發(fā)展，基于數(shù)字圖像獲取作物生長信息成為更方便、 快捷的手段。 李亞兵[9]利用不同的顏色空間和顏色特征值診斷棉花早衰程度，實(shí)現(xiàn)了較好的擬合。王康麗[10]利用無人機(jī)獲取可見光和熱紅外圖像，計(jì)算顏色指數(shù)，建立棉花冠層特征參數(shù)預(yù)測模型，結(jié)果證明顏色指數(shù)能夠反映棉花長勢、 葉面積指數(shù)。Liang 等[11]通過計(jì)算不同顏色空間圖像特征信息和支持向量機(jī)建立葉片含水量估算模型，結(jié)果證明通過圖像特征能夠較好地反映葉片含水量。Niu 等[12]利用無人機(jī)獲取RGB 圖像計(jì)算不同的可見光植被指數(shù)， 通過多元線性回歸（Multivariate linear regression，MLR） 方法建立玉米生物量估算模型，得出的地上部鮮物質(zhì)質(zhì)量和干物質(zhì)質(zhì)量估算模型的決定系數(shù)（Coefficient of determination，R2）均大于0.8。 根據(jù)前人的研究，與衛(wèi)星數(shù)據(jù)和光譜數(shù)據(jù)相比，RGB 圖像具有獲取容易、成本低、處理相對簡單的特點(diǎn)，且模型精度較高。目前基于無人機(jī)開展與綠色葉片有關(guān)的監(jiān)測研究主要是關(guān)于葉面積指數(shù)、 生物量、 植被覆蓋度等， 而脫葉率作為評價(jià)機(jī)采棉脫葉催熟效果的直接指標(biāo)， 利用遙感手段對其進(jìn)行監(jiān)測的研究少有報(bào)道。 因此，本研究參考前人在無人機(jī)表型監(jiān)測方面的研究成果，以機(jī)采棉為研究對象，分別在不同脫葉劑處理的小區(qū)內(nèi)用無人機(jī)獲取棉花收獲期的RGB 圖像和棉花脫葉率數(shù)據(jù)，分析不同脫葉劑處理下棉花脫葉率與可見光植被指數(shù)的相關(guān)性， 構(gòu)建基于可見光植被指數(shù)的棉花脫葉率快速監(jiān)測模型， 為脫葉效果試驗(yàn)提供技術(shù)支持， 同時(shí)可為大田生產(chǎn)中確定適當(dāng)?shù)牟墒諘r(shí)間提供輔助支持。

1 材料與方法

1.1 田間試驗(yàn)

試驗(yàn)于2019 年進(jìn)行， 地塊位于石河子大學(xué)教學(xué)試驗(yàn)場二連（44°19′N，85°59′E，海拔：475 m），氣候類型為典型的溫帶大陸性氣候，土壤為重壤土，土壤肥力較高。 供試棉花品種為新陸早33 號（對脫葉劑不敏感）和新陸早50 號（對脫葉劑敏感）。4 月24 日按照“一膜三管六行”的模式播種，膜寬2.05 m，行距為（66＋10）cm，株距為5.6 cm，每個品種種植4 膜。 6 月14 日澆第一水，之后每7～10 d 灌溉1 次，全生育期灌溉9 次，總灌水量為3 525 m3·hm－2；未施用基肥，追肥隨水滴施，全生育期施尿素600 kg·hm－2、 磷酸一銨390 kg·hm－2、硫酸鉀180 kg·hm－2。 全生育期按新疆“矮、密、早、膜”的高產(chǎn)栽培技術(shù)進(jìn)行大田管理，并注意防治病蟲草害。

根據(jù)脫葉劑噴施時(shí)間，將試驗(yàn)區(qū)劃分為6 個長度為10 m、寬度為8 條膜的主小區(qū)，小區(qū)兩側(cè)設(shè)保護(hù)行。 根據(jù)脫葉劑噴施劑量，將主小區(qū)劃分為8 個長10 m、寬度為2.28 m 的副小區(qū)，每個品種各種植4 個小區(qū)。 于8 月20 日開始進(jìn)行脫葉劑處理，按T1（8 月20 日）、T2（8 月23 日）、T3（8月30 日）、T4（9 月7 日，大田常規(guī)噴施脫葉劑的時(shí)間）、T5（9 月14 日）和T6（9 月21 日）6 個時(shí)間處理在不同的主小區(qū)分別噴施不同劑量的脫葉劑。 脫葉劑噴施劑量設(shè)置C1（清水，CK）、C2（脫吐隆150 mL·hm－2＋專用助劑750 mL·hm－2＋乙烯利1.2 L·hm－2）、C3 (脫吐隆300 mL·hm－2＋專用助劑750 mL·hm－2＋乙烯利1.2 L·hm－2）、C4（脫吐隆450 mL·hm－2＋專用助劑750 mL·hm－2＋乙烯利1.2 L·hm－2）。 按照從兩邊到中間逐漸增加用量的原則， 對主小區(qū)內(nèi)每個品種的4條膜分別噴施。 本試驗(yàn)所用脫吐隆（總有效成分質(zhì)量濃度：540 g·L－1，敵草隆質(zhì)量濃度：180 g·L－1，噻苯隆質(zhì)量濃度：360 g·L－1，為懸浮劑）及專用助劑由德國拜爾公司生產(chǎn)。

1.2 數(shù)據(jù)獲取

1.2.1農(nóng)學(xué)參數(shù)。 在每個小區(qū)內(nèi)選擇長勢均勻、相鄰且具有代表性的10 株棉花， 分別于噴施脫葉劑前和收獲前調(diào)查其總?cè)~片數(shù)，并計(jì)算其脫葉率。 脫葉率（rD）計(jì)算公式如下：rD＝（N0－N1）／N0，式中N0、N1分別為脫葉劑處理前的總?cè)~片數(shù)、收獲前的葉片數(shù)。

1.2.2無人機(jī)影像。 在棉花收獲前， 使用Phantom 4 Advanced 航拍無人機(jī)（中國深圳，大疆）采集整個試驗(yàn)棉田小區(qū)的高清彩色圖像。 圖像采集時(shí)設(shè)置鏡頭垂直向下，等時(shí)間間隔拍照，設(shè)置飛行高度為10 m，航向及旁向重疊度為80%，相機(jī)快門速度為1/240 s，感光度ISO 值為100。 試驗(yàn)共獲取棉田圖像387 幅， 圖像尺寸為5 472×3 648 像 素， 格 式 為JPG。 使 用Pix4Dmapper（Pix4D，瑞士）軟件將獲取的圖像拼接成正射影像，拼接后的正射影像以TIFF 格式存儲，保留地物紅、綠、藍(lán)3 種色彩的灰度信息，每種色彩含有8 位字節(jié)信息，數(shù)值范圍為0～255。 根據(jù)小區(qū)設(shè)置， 將拼接完成的棉田影像裁剪成48 個感興趣區(qū)域。

1.2.3棉花冠層可見光信息提取。 將剪裁好的圖片， 利用Python 提取每個小區(qū)的棉花冠層紅（R）、綠（G）、藍(lán)（B）信息，并計(jì)算其平均數(shù)字量化值（Digital number，DN），進(jìn)行歸一化后得到r、g、b值。根據(jù)前人研究結(jié)果，選擇與植物綠色葉片相關(guān)的14 個可見光指數(shù)進(jìn)行計(jì)算， 通過相關(guān)性分析選擇合適的可見光植被指數(shù)對棉花脫葉率進(jìn)行監(jiān)測。 本研究中使用的14 個可見光植被指數(shù)見表1。

表1 本研究中使用的可見光植被指數(shù)Table 1 Visible vegetation indexes used in this paper

1.3 數(shù)據(jù)分析方法

選取了一元線性回歸 （Simple linear regression，SLR）、MLR 和 偏 最 小 二 乘 法 回 歸（Partial least square regression，PLSR）建立不同可見光植被指數(shù)與棉花脫葉率的監(jiān)測模型。 將不同品種、脫葉劑劑量及噴施時(shí)間處理下采集的48 個樣本的棉花脫葉率用于脫葉率監(jiān)測模型構(gòu)建，其中36個為訓(xùn)練集，12 個為驗(yàn)證集（表2）。

表2 模型構(gòu)建的脫葉率數(shù)據(jù)描述性統(tǒng)計(jì)Table 2 Descriptive statistical analysis of model

根據(jù)棉花脫葉率監(jiān)測模型的構(gòu)建，通過對驗(yàn)證集數(shù)據(jù)的實(shí)測值和預(yù)測值進(jìn)行相關(guān)性分析，選取R2、均方根誤差（Root mean square error，RMSE）和相對均方根誤差（Relative root mean square error，rRMSE）3 個指標(biāo)對模型精度進(jìn)行分析。

2 結(jié)果與分析

2.1 不同脫葉劑處理下棉花脫葉率變化規(guī)律

如圖1 所示，在棉花收獲前調(diào)查不同處理下棉花脫葉情況，以C1 處理為對照，對比發(fā)現(xiàn)：隨著噴施脫葉劑時(shí)間的推遲，2 個品種的脫葉效果都呈升高趨勢。 新陸早50 號的最佳效果出現(xiàn)在T5 時(shí)噴施脫葉劑， 不同劑量處理的脫葉率與對照相比均有顯著差異，增加了52.05～52.50 百分點(diǎn)，各劑量處理間脫葉率并無顯著差異。 新陸早33 號最高脫葉效果出現(xiàn)在T6 噴施脫葉劑，C2～C4 處理脫葉率與對照相比均有顯著差異， 分別增加了58.55、62.04、66.03 百分點(diǎn)，其中C4 處理較對照的脫葉率增幅最高， 但C2～C4 處理間無顯著差異。 綜上所述，從脫葉率來看，脫葉劑施用時(shí)間越晚，脫葉效果越好；隨著脫葉劑劑量的提高，脫葉率有所增加，但到一定劑量時(shí)，同一時(shí)間處理間的脫葉率沒有明顯的差異。 對比2 個品種，新陸早33 號（對脫葉劑不敏感）需要更晚噴施脫葉劑以及更高劑量的脫葉劑，才能達(dá)到預(yù)期的脫葉效果。

2.2 可見光植被指數(shù)與棉花脫葉率相關(guān)性分析

將各處理棉花脫葉率與14 種可見光植被指數(shù)分別進(jìn)行相關(guān)性分析，結(jié)果見圖2。 除NGRDI外， 其他可見光植被指數(shù)都與棉花脫葉率極顯著相關(guān)（P＜0.01），其中TGI、COM2、GLI、ExB、ExG、COM1 的相關(guān)性較高 （r＞0.70）， 相關(guān)性最高為TGI，r達(dá)0.81。 棉花脫葉率與部分植被指數(shù)具有較好的相關(guān)性，說明上述可見光植被指數(shù)可以反映棉花脫葉情況。

2.3 基于可見光植被指數(shù)的棉花脫葉率監(jiān)測模型構(gòu)建

通過相關(guān)性分析，選擇與棉花脫葉率有極顯著相關(guān)性的13 個指數(shù)，分別構(gòu)建SLR、MLR和PLSR 模型。 如表3 所示，采用單個可見光植被指數(shù)監(jiān)測棉花脫葉率的SLR 模型中，建模對象為TGI 植被指數(shù)時(shí)模型的精度最高，R2高達(dá)0.66，RMSE達(dá)到10.44%，rRMSE為12.87%。

基于多個植被指數(shù)建立的模型中，MLR 和PLSR 模型的R2要高于單一植被指數(shù)模型，RMSE和rRMSE要低于單一植被指數(shù)模型。 如表4 所示，MLR 模型中R2最高為0.71， 其RMSE為10.67%，rRMSE為13.15%；RMSE最低為10.26%；rRMSE最低為12.65%。 在所有的MLR 模型中，當(dāng)建模對象包括ExB、GLI 和TGI 這3 個植被指數(shù)時(shí)， 隨著建模對象的增加，R2不變或微增，RMSE和rRMSE增加，建模對象增加至7 個時(shí)，R2、RMSE、rRMSE均達(dá)到最大值。 因此，MLR 模型中的最佳模型為以ExB、GLI、TGI 和ExG 為建模對象的模型， 其R2為0.70，RMSE為10.26%，rRMSE為12.65%。如表5 所示，PLSR 模型中，R2最高為0.70，其RMSE較低為10.01%，rRMSE最低為12.22%； 以ExB、GLI、TGI、ExG、COM2 和COM1 為 建 模 對 象 的 模 型，R2＝0.70，RMSE＝10.02%，rRMSE＝12.22%，RMSE僅較最低值高0.01 百分點(diǎn)，且涉及的植被指數(shù)更少，因此認(rèn)為PLSR 模型最佳。 對比MLR 模型和PLSR 模型R2、RMSE和rRMSE可 知，PLSR 模 型 略 優(yōu) 于MLR 模型。

表4 不同可見光植被指數(shù)的棉花脫葉率多元線性模型（MLR）模型Table 4 Multivariate linear regression (MLR) model between different color indexes and cotton defoliation rates

表5 不同可見光植被指數(shù)的棉花脫葉率偏最小二乘法回歸（PLSR）模型Table 5 Partial least square regression (PLSR) models between different color indexes and cotton defoliation rates

2.4 模型檢驗(yàn)

利用驗(yàn)證集對各回歸模型進(jìn)行外部驗(yàn)證，結(jié)果見圖3～5 和表3～5。 其中：PLSR 模型的驗(yàn)證模 型R2為0.93 ～0.94，RMSE分 別 為4.97% 、5.00%、5.01%、5.01%、5.02%，rRMSE分別為6.05%、6.10%、6.10%、6.11%、6.11%， 實(shí)測值和預(yù)測值間均呈現(xiàn)較好的擬合關(guān)系。對比SLR、MLR 和PLSR最優(yōu)監(jiān)測模型的擬合程度發(fā)現(xiàn)：MLR 模型和PLSR模型精度更高，且擬合線均在對角線（圖4 和圖5中黑實(shí)線）下方，預(yù)測值整體小于實(shí)際值，即在信息提取過程中存在背景信息剔除過度的問題。

表3 不同可見光植被指數(shù)的棉花脫葉率一元線性回歸（SLR）模型Table 3 Simple linear regression (SLR) models between different color indexes and cotton defoliation rates

3 討論

本研究通過設(shè)置不同品種、脫葉劑劑量及噴施時(shí)間處理，發(fā)現(xiàn)不同處理棉花脫葉率與對照相比存在顯著差異，但處理間差異較小。 通過無人機(jī)獲取RGB 圖像，從中提取可見光植被指數(shù)，考慮到大田條件復(fù)雜，容易對棉花圖像特征造成影響，分別對不同處理下的棉花脫葉率和可見光植被指數(shù)進(jìn)行相關(guān)性分析，選擇與棉花脫葉率極顯著相關(guān)的植被指數(shù)，利用不同的建模方式建立棉花脫葉率監(jiān)測模型具有一定的合理性。

3.1 不同脫葉劑處理對機(jī)采棉脫葉率的影響

從棉花脫葉率角度看，隨著噴施脫葉劑時(shí)間的推遲，棉花脫葉率總體呈增加趨勢。高麗麗等[27]通過研究脫葉劑不同噴施時(shí)間下棉花葉片葉綠素?zé)晒鈩恿W(xué)參數(shù)的變化，發(fā)現(xiàn)延遲脫葉劑噴施有利于脫葉劑降低棉花葉片光合能力， 加快衰老，促進(jìn)葉片脫落，棉鈴成熟，與本研究中的發(fā)現(xiàn)一致。 宋興虎等[28]分析不同用量脫葉劑對棉花脫葉率、吐絮率和產(chǎn)量的影響，發(fā)現(xiàn)不同用量對不同試驗(yàn)點(diǎn)脫葉率造成的影響不一致，且大部分情況下差異不大，與本研究結(jié)果具有一致性。 但本研究未對表征機(jī)采棉脫葉效果的其他指標(biāo)進(jìn)行研究及監(jiān)測，在今后研究中將開展相關(guān)研究。

3.2 不同圖像特征的估算精度

本研究利用無人機(jī)獲取RGB 圖像， 以簡單的顏色分量構(gòu)建了14 種可見光植被指數(shù)， 建立棉花脫葉率監(jiān)測模型能取得較好的結(jié)果，這與前人從RGB 圖像提取其他與綠色葉片相關(guān)指標(biāo)的結(jié)果相似[29-31]。 這是由于棉花脫葉率與棉花綠色葉片直接相關(guān)，而可見光植被指數(shù)能夠在一定程度上消除復(fù)雜背景信息， 提取出綠色葉片信息。本研究僅從無人機(jī)獲取的RGB 圖像中獲取了指數(shù)信息，而其中還有更多信息可以挖掘。 如：Che等[32]利用無人機(jī)獲取不同角度的RGB 圖像，通過點(diǎn)云信息建立3D 模型， 利用三維體素法提取葉面積信息，建立葉面積估算模型，其模型真實(shí)值與預(yù)測值的擬合R2達(dá)0.67；Lu 等[33]提出了基于HSV 顏色空間的色彩混合分析方法估算不同分辨率下的植被覆蓋度，結(jié)果表明該方法能夠準(zhǔn)確估計(jì)不同分辨率的植被覆蓋度，其擬合模型平均 絕 對 誤 差 為0.02，RMSE為0.025，rRMSE為0.075。 Liang 等[11]基于RGB 圖像實(shí)現(xiàn)HSV、Lab顏色空間轉(zhuǎn)換， 提取葉片表面顏色和紋理特征，建立葉片含水量定量預(yù)測模型，發(fā)現(xiàn)較好的泛化性和魯棒性。 楊俊等[34]利用無人機(jī)數(shù)碼影像提取8 個顏色指數(shù)和4 個紋理特征， 發(fā)現(xiàn)將紋理特征與顏色特征相融合可提高對小麥生物量和產(chǎn)量的估測精度。 劉暢[35]通過將光譜信息和紋理特征結(jié)合優(yōu)化光譜指標(biāo)，發(fā)現(xiàn)構(gòu)建的小麥生物量模型擬合效果較好， 模型精度明顯高于單一植被指數(shù)。RGB 圖像與多光譜以及高光譜影像相比信息量更少， 且本研究中對RGB 圖像信息的挖掘有限；因此，為提高脫葉率監(jiān)測模型的精度，在今后的研究與應(yīng)用過程中，要從圖像中挖掘多元信息并融合應(yīng)用。

3.3 不同建模方法的估算精度

本研究基于RGB 圖像提取可見光植被指數(shù)， 分別用SLR、MLR 和PLSR 方法建立棉花脫葉率估測模型。其中基于多變量的MLR 和PLSR模型效果較好， 這與這2 種方法在作物產(chǎn)量預(yù)測[36]、作物生長參數(shù)估算[37]、小麥水分含量估測[38]、作物生長狀態(tài)監(jiān)測[39]中的研究結(jié)果相似。 本研究僅利用RGB 顏色空間下的DN 值進(jìn)行計(jì)算，由于信息量少等問題， 指數(shù)間存在較好的相關(guān)性，即基于多變量的模型可能存在共線性的問題，這可能是所構(gòu)建的模型R2僅為0.6～0.7 的原因。田明璐等[40]在利用不同植被指數(shù)建立棉花葉面積估算模型時(shí)提出了在PLSR 方法的基礎(chǔ)上利用連續(xù)投影算法進(jìn)行波段優(yōu)選，結(jié)果表明通過波段優(yōu)選后建立的PLSR 模型比直接用PLSR 方法建立的模型效果更好，R2為0.86，RMSE為0.13。李梅等[41]采用連續(xù)投影算法提取特征波長，建立馬鈴薯晚疫病下的葉綠素含量估算模型，R2可達(dá)0.89。 因此， 在今后優(yōu)化脫葉率監(jiān)測模型的過程中，考慮采用不同篩選方法篩選最優(yōu)特征作為建模對象，以提高模型精度。

4 結(jié)論

以無人機(jī)獲取數(shù)碼圖像，計(jì)算可見光植被指數(shù)， 分析14 個可見光植被指數(shù)與棉花脫葉率的相關(guān)性， 擇優(yōu)分別用SLR、MLR 和PLSR 建立監(jiān)測模型。 得到以下結(jié)論：（1）隨著脫葉劑噴施時(shí)間的推遲，棉花葉片對脫葉劑的敏感性增強(qiáng)；隨著脫葉劑劑量的增加， 脫葉率會在一定程度上提高，但到一定程度后會出現(xiàn)飽和現(xiàn)象。 （2）不同脫葉劑處理下的棉花脫葉率與可見光植被指數(shù)都具有較好的相關(guān)性，可見光植被指數(shù)能夠反映棉花脫葉情況。 （3）以MLR 和PLSR 方法建立的模型精度較高，且擬合程度較好。 從計(jì)算量及復(fù)雜程度角度考慮， 通過MLR 方法， 以ExB、GLI、TGI、ExG 為建模對象建立的模型，能夠更好地反演棉花脫葉率。當(dāng)變量較多時(shí)，使用PLSR 構(gòu)建模型，能夠通過計(jì)算各成分貢獻(xiàn)率，判斷模型最佳成分?jǐn)?shù)，提高多變量模型的精度。