變異系數法結合優化神經網絡的無人機冬小麥長勢監測

徐云飛，程琦，魏祥平，楊 斌，夏沙沙，芮婷婷，張世文

·農業航空工程·

變異系數法結合優化神經網絡的無人機冬小麥長勢監測

徐云飛1，程琦1，魏祥平2，楊 斌1，夏沙沙3，芮婷婷1，張世文3※

（1. 安徽理工大學空間信息與測繪工程學院，淮南 232001；2. 淮北礦業（集團）有限公司，淮北 235001；3. 安徽理工大學地球與環境學院，淮南 232001）

高效、快速、準確獲取冬小麥長勢信息在農業發展和經營決策中具有重要作用。該研究以冬小麥為對象，開展無人機冬小麥長勢監測，獲取冬小麥生物量、株高、葉綠素含量和植株含水率數據，基于變異系數法（Coefficient of Variation Method，CV）構建綜合長勢監測指標（Comprehensive Growth Monitoring Indicators，CGMICV），通過16種植被指數與CGMICV進行相關性分析，計算植被指數間的方差膨脹因子，篩選最優植被指數作為模型輸入變量，采用偏最小二乘（Partial Least Squares Regression，PLSR）、隨機森林（Random Forest，RF）、反向傳播神經網絡（Back Propagation Neural Networks，BPNN）及遺傳算法（Genetic Algorithm，GA）優化的BPNN模型建立冬小麥長勢反演模型，結合評價指標獲得冬小麥最優長勢反演模型，最終得到研究區冬小麥長勢空間分布信息。研究結果表明：以變異系數法得到的冬小麥CGMICV相關性比單一指標的相關性有不同程度的提高；利用變異系數法結合BPNN得到的冬小麥長勢最佳反演模型CGMICV-BPNN，其決定系數2可達0.71，模型精度較傳統賦權法構建的CGMImean-BPNN模型提高了26.79%；采用GA優化后的BPNN模型的不穩定顯著下降，其平均相對誤差中位數下降了22.22%，決定系數2也有所提高；研究區內半數以上的冬小麥長勢集中于第Ⅲ等級，其所占比例為55.83%，其次集中于第Ⅰ等級，其所占比例為36.08%，研究區冬小麥整體長勢較為穩定。研究結果可為冬小麥長勢監測及區域作物生產監測提供重要參考。

無人機；農作物；遙感；變異系數法；綜合長勢監測指標；反向傳播神經網絡

0 引 言

作物長勢即作物生長過程的狀況與趨勢，是農業遙感的重要研究內容之一。實時獲取作物生長參數可供農戶及時了解作物生長狀況，制定相應施肥施藥計劃，從而保證作物健康生長[1]。常用的作物長勢監測方法有人工觀察法、機器視覺與數字圖像處理法、遙感監測法等[2-3]。人工觀察法是由觀察者通過觀察作物的幾何尺寸、形狀、顏色等外觀特征，進而判別作物生長的情況（如缺水、缺肥、病蟲害等），此法簡單易行，可對密集植物內部及不同高度部位進行全面觀察，但耗費大量人力，效率低下，需要觀察者有豐富的經驗和農作物知識，且一般只能給出定性的結論，觀察結果的主觀性強，不適于大面積監測[3]；機器視覺技術以計算機視覺技術和機器學習方法為手段，通過采集研究區作物數字圖像，為用戶提供可理解的信息，常應用于雜草檢測、作物生長狀況監測等方面的研究，配合地面機器人還可應用于作物管理等方面，適宜于中小面積地面監測[4]；遙感監測法利用陸地衛星遙感數據、高分辨率氣象遙感數據、高光譜衛星遙感和雷達遙感監測作物長勢，可實現對農作物的大面積監測，但衛星過境時間不確定，受云霧影響大，在一定程度上影響了其在田塊尺度中的應用價值[5]。

近年來，無人機憑借其快速、高效、精準的特點，在田間作物監測、作物分塊管理等方面取得了很好的效果[6]。國內外諸多專家學者以無人機為手段，以不同農作物為對象開展了一系列監測研究，并取得了諸多成果。Wan等[7]利用無人機影像提取植被指數、冠層高度和冠層覆蓋度，建立了精度較好的糧食產量預測模型。Yue等[8]利用無人機特定波段、光譜指數和作物高度分別構建了單參數地上生物量（Above Ground Biomass，AGB）估算模型，發現將作物高度納入模型后可提高AGB估算的精度。Zhang等[9]將地面實測數據和無人機影像構建的SPAD（Soil and Plant Analysis Development，SPAD）反演模型與衛星圖像結合，得到了多尺度下SPAD值的反演結果，提出的衛星-UAV-地面綜合反演方法對多尺度采集SPAD值具有重要意義。周敏姑等[10]通過研究多光譜波段與小麥拔節期、孕穗期、抽穗期、開花期的相關關系，分別運用主成分回歸、逐步回歸和嶺回歸法構建了小麥SPAD反演模型，發現逐步回歸構建的模型結果最優。張瑜等[11]分析不同水分脅迫條件下無人機遙感與地面傳感器協同估算玉米作物系數與各指數的相關性，利用逐步回歸分析方法建立了作物系數的估算模型，實現了利用無人機多平臺估算作物系數。

目前有關小麥長勢監測的研究，多數以葉綠素含量、植株含水率、株高和生物量等單一指標反映冬小麥長勢，鮮有研究從多個指標的描述性統計量角度出發，將這些指標進行組合，實現冬小麥長勢監測。因此本文嘗試將冬小麥葉綠素含量、植株含水率、株高和生物量以變異系數法（Coefficient of Variation，CV）賦予各指標權重，構建長勢監測指標，即綜合長勢監測指標（Comprehensive Growth Monitoring Indicator，CGMICV）。結合無人機獲取的多光譜影像數據，通過方差膨脹因子篩選模型輸入變量，利用偏最小二乘（Partial Least Squares Regression，PLSR）、隨機森林（Random Forest，RF）、反向傳播神經網絡（Back Propagation Neural Networks，BPNN）及遺傳算法（Genetic Algorithm，GA）優化的BPNN模型分別建立冬小麥的變異系數法長勢模型和傳統賦權法長勢監測模型，利用模型評價指標選出最優模型，最終將最優模型應用于整個研究區，實現研究區內冬小麥長勢監測。以期為冬小麥長勢監測、區域作物生產監測及作物管理分區劃分提供重要參考。

1 材料與方法

1.1 研究區概況

研究區位于安徽省淮北市杜集區，地處中緯度地區，地理坐標為33°58′10″～33°58′35″N，116°51′30″～116°52′05″E。研究區面積為83.37 hm2，研究區內地勢平坦，道路縱橫交錯，種植方式以小麥與玉米輪作為主，其中冬小麥一般在當年9月種植，次年5—6月收獲，耕種方式使用旋耕機，耕地深度小于20 cm，作物供水方式為雨養。研究區地理位置與采樣點布設如圖 1所示。

1.2 數據獲取與預處理

1.2.1 無人機數據獲取與預處理

無人機平臺采用大疆Phantom 4 多光譜版植保無人機搭載一體式多光譜成像系統，集成1個可見光傳感器和5個多光譜傳感器。獲取影像時應選擇天氣晴朗少云無風，且光輻射強度穩定的情況下進行，本次研究影像于2021年1月7日和8日采集，此時冬小麥處于越冬期，麥苗基本停止生長。

無人機參數設置應綜合考慮研究目的、測區情況及無人機自身性能。航向重疊度與旁向重疊度越高，影像拼接效果越好，但高度重疊會造成影像數據量大、拼接費時、電腦硬件要求高等問題。考慮到所用無人機電池飛行時間有限而測區面積較大，本研究設計航向重疊70%，旁向重疊60%，無人機飛行高度為100 m。由于飛行速度過快易造成地物影像模糊，故經多次嘗試，本研究設定無人機航速為5.1 m/s，傳感器鏡頭垂直向下，拼接影像能夠涵蓋整個測區。研究區為大面積冬小麥種植區，區內典型地物相對較少，為方便后期影像幾何校正處理，于測區內均勻布設10個航測標志點，作為典型參考點。航拍前均在地面放置一塊校準反射面板，每個架次起飛前，手動控制飛機懸停于校正板上方2.5 m處拍照，獲得當時條件下標準反射率值。

無人機影像獲取后，采用Pix4D Mapper軟件進行拼接，在影像處理過程中利用飛行前獲得的校準反射面板數據校正所有航拍影像。使用ENVI 5.3軟件，以研究區數碼正射影像為參考影像，全區均勻選取30個參考點（包括10個航測標志點）對多光譜影像進行幾何校正，檢驗圖像幾何糾正誤差小于0.5個像元[12]。根據地面實測數據點在影像上的位置，構建樣本點的感興趣區域（Region of Interest，ROI），以ROI范圍內平均反射率光譜值作為該點的冬小麥反射率光譜，以此得到各樣點反射率光譜數據。

1.2.2 田間數據獲取

1）葉片葉綠素含量測定

研究表明便攜式葉綠素儀是葉片葉綠素無損測量的有效工具，而葉綠素含量與便攜式葉綠素儀測定的SPAD值具有良好的相關性[13]。因此，本研究使用SPAD-502便攜式葉綠素儀進行葉片葉綠素含量測定，每個點選取1 m×1 m范圍，為較為準確地獲得1個樣方內冬小麥的SPAD值，按5點采樣法從每個樣本區隨機選擇15株小麥植株，選取每株小麥的代表性葉片，對每片葉子的葉尖、葉中、葉基3個部位進行2次測量，將一個樣方內所有SPAD值取平均作為一個樣點的相對葉綠素含量。

2）生物量數據獲取

生物量數據采集利用5點采樣法在1 m×1 m范圍內隨機取30株，將植株樣本莖葉分離后，放入烘箱內殺青30 min，溫度設置為105 ℃。然后將所有植株樣品在80 ℃烘干48 h以上，直至質量恒定再稱干質量，然后除以對應的采樣面即為生物量[14]。

3）植株株高測量

選取每個樣方內具有代表性的高、中、低3種高度的小麥，用直尺測量冬小麥自然生長的最高葉葉尖到莖基的距離，最后將獲得的所有數據取均值作為此樣方內冬小麥實測高度。

4）植株含水率計算

將莖、葉分離的冬小麥樣本分別測其鮮質量與干質量，從而計算植株含水率[15]。其計算公式為

1.3 研究方法

1.3.1 植被指數選取

作物因其內在生化參數存在差異而表現出不同的光譜反射率[16-18]。將不同特征波段范圍內的光譜反射率通過線性或非線性的組合構成植被指數，可用來診斷植被生長狀態以及反演各種植被參數。在紅波段、紅邊波段及近紅外波段農作物的光譜反射信息與其長勢密切相關[19]。因此本研究選取具有紅波段、綠波段、紅邊波段及近紅外波段的16種植被指數（表1）參與模型構建。

表1 用于CGMI監測模型構建的待篩選多光譜植被指數

注：green、red、reg、nir分別為綠、紅、紅邊和近紅外波段反射率值。

Note:green,red,reg,nirare reflectance values in green, red, red edge and near infrared bands.

1.3.2 長勢指標構建

作物生長情況評價應綜合考慮其形態、生理生化特征、受脅迫與產量等4方面的特征[33]。為了較為準確地獲取研究區冬小麥的長勢情況，考慮選取葉綠素、生物量、株高、植株含水率這4種植被長勢指標組合構建綜合長勢監測指標，獲取研究區冬小麥長勢信息。

綜合長勢監測指標構建的關鍵問題在于權重的確定，傳統賦權法未考慮冬小麥不同長勢指標對綜合長勢監測指標的貢獻率，簡單將每個指標按均等權重構建成一個綜合指標[34]，考慮到冬小麥的葉綠素、生物量、株高和植株含水率在綜合長勢監測指標中重要程度不同，各指標量綱不統一等，使用變異系數法確定4個指標的權重，進而構建綜合長勢監測指標。變異系數法利用各評價指標數值的變異程度來確定評價指標的權重，其確權結果不受量綱影響。在評價指標體系中，如果某項指標的數值能明確區分各個被評價對象差異，說明該指標在這項評價上的分辨信息豐富，賦予該指標以較大的權數；反之，賦予該評價指標以較小的權數[35]。變異系數法確定權重的計算公式如下：

利用田間實測數據結合變異系數法基本原理，構建冬小麥綜合長勢監測指標。具體方法是首先利用田間實測數據由式（2）、式（3）分別計算出葉綠素、生物量、株高、植株含水率這4個指標的權重；然后將單獨指標進行歸一化，計算公式為式（4），每個樣本點根據實測數據和權重形成一個CGMICV，共得到59個CGMICV值。

式中U為歸一化后的第類指標，X代表原始的第類指標，原始指標類別：葉綠素、株高、生物量、植株含水率，max(i)為原始類指標中的最大值。

1.3.3 建模方法確定

回歸分析是建立冬小麥長勢模型最常見的方法，該研究選取PLSR、RF和BPNN及遺傳算法優化的BPNN模型進行冬小麥長勢模型的建立。PLSR在回歸建模過程中采用了數據降維、信息綜合與篩選技術，可以將多個自變量減少到較少的幾個不相關的潛變量[36]；RF通過有放回地抽樣從原始數據集中構建多個子數據集，可挖掘變量之間的復雜非線性關系[37]；而BPNN是一種運用誤差反向傳播方式修正權值、閾值，具有高度自學習和自適應的能力[38]；GA是一種高效、并行、全局搜索的方法，能在搜索過程中自動獲取和積累有關搜索空間的知識，并自適應地控制搜索過程以求得最佳解[39]。

1.3.4 模型評價方法、

為評價建立的模型精度，采用決定系數（Coefficient of Determination，2）、均方根誤差（Root Mean Square Error，RMSE）、平均絕對誤差（Mean Absolute Error，MAE）進行驗證，其中2值越趨近于1，證明模型預測值與實測值越接近；而RMSE和MAE值越小，說明模型精度越高[15,34]。為評價建立的BPNN模型的穩定性，選用平均相對誤差（Average Relative Error，ARE）分析其預測結果的可靠性。

2 結果與分析

2.1 綜合長勢監測指標構建與相關性分析

2.1.1 綜合長勢監測指標構建

傳統賦權法的權重直接根據所選指標的數量平均賦權[15]。本研究確定傳統賦權法的權重為0.25，將傳統賦權法構建的綜合長勢指標記為CGMImean，將變異系數法構建的長勢指標記為CGMICV。由式（6）可知，生物量指標所占比重最大，其次為株高，而植株含水率所占比重最小。

CGMICV=0.1661+0.2462+0.4893+0.0994（6）

式中1為歸一化后的SPAD值，2為歸一化后的株高，3為歸一化后的生物量，4為歸一化后的植株含水率。

2.1.2 植被指數與綜合長勢指標相關性分析

為分析構建的綜合長勢監測指標CGMI與所選植被指數間的關系，選用皮爾森相關系數分別將單一指標SPAD值、生物量、株高、植株含水率及綜合長勢監測指標CGMI與16種植被指數進行相關性檢驗（表2）。

由表2可知：CIgreen、GNDVI、MTCI和RVI1這4種植被指數與CGMI未通過顯著性檢驗，而其余植被指數均與CGMI呈極顯著相關。相較于單一長勢指標，CGMI與通過了顯著性檢驗的植被指數其相關性明顯提高，其中SPAD的相關性提高最為明顯，其次為株高的相關性。生物量、植株含水率與各植被指數的相關性有不同程度的提高，其中CGMICV與NDGI的相關性比植株含水率與NDGI的相關性提高了43.56%，提高最多，其次為CGMICV與TVI的相關性，提高了37.12%。說明CGMICV因包含更多的信息，而使得所選植被指數能更好地響應CGMICV。

表2 冬小麥各項指標與植被指數的相關性分析

注：*表示在0.05水平上顯著相關，**表示在0.01水平上顯著相關。CGMImean、CGMICV分別為基于等權法和變異系數法構建的綜合長勢監測指標。

Note: * represents significant at 0.05 level, ** represents significant at 0.01 level. CGMImean, CGMICVare comprehensive growth monitoring indicators based on equally weighted method and coefficient of variation method.

2.1.3 模型變量篩選

植被指數是由單一波段進行線性或非線性運算得到的，若忽略它們之間的多重共線性則會使得構建的回歸方程不穩定[40]。為獲得穩定性強且具有實際意義的回歸模型，選取方差膨脹因子（Variance Inflation Factor，VIF）分析模型輸入變量間的多重共線性，根據選定植被指數的顯著性原則，并設定VIF<10，將通過了顯著性檢驗的植被指數分別計算它們之間的方差膨脹因子（表3）。根據VIF計算結果，同時考慮到模型的簡潔性，選取DVI、MSR、MVI、NDGI、NLI和TVI這6種植被指數作為模型的最終輸入變量。

表3 呈極顯著相關的植被指數間的方差膨脹因子

注： 代表無值。

Note: represents no value.

2.2 反演模型建立

在實際研究過程中，由于儀器本身存在誤差及研究區環境存在復雜變化等諸多偶然因素影響，可能會導致獲取的數據中存在異常數據，因此在實際建模前先進行殘差分析[41]，最終剔除3個異常樣本點。利用IBM SPSS Statistics 21軟件對剔除殘差后的56個實測值構建的CGMI樣本點值進行隨機抽樣，選取44個樣本作為訓練集，12個樣本作為測試集，基于6個模型入選變量，分別采用PLSR、RF及BPNN對CGMICV和CGMImean預測，在訓練過程中對BPNN的最大訓練迭代次數進行了限制，以避免“過擬合”現象[42]。

在建立模型過程中發現，以相同訓練集和測試集構建冬小麥長勢監測模型時，PLSR和RF算法構建的模型結果穩定性高，而BPNN模型結果穩定性不高。為直觀分析BPNN模型的不穩定性，選取相同的訓練集和測試集對建立的BPNN模型進行100次運行測試，并統計100次下預測結果的平均相對誤差值（圖2）。由圖2可以看出，對于相同的訓練集和測試集， CGMImean的平均相對誤差波動范圍較大，均值為47.91%，中位數為46.88%；而CGMICV的平均相對誤差的波動范圍相比于前者有一定的縮小，均值為34.44%，中位數為25.32%，表明CGMICV與BPNN模型結合可以獲得更好的結果。

為對比不同模型構建方法間的精度，利用PLSR、RF和BPNN模型構建方法，結合不同賦權法構建冬小麥長勢預測模型，各模型精度及預測效果如圖3所示。由圖可知，利用冬小麥CGMImean-PLSR、CGMImean-RF和CGMImean-BPNN建立的模型，其決定系數2介于0.53～0.58，而冬小麥CGMICV-PLSR、CGMICV-RF和CGMICV-BPNN建立的模型，其決定系數2介于0.56～0.71，其中，構建的CGMICV-BPNN模型決定系數2較CGMImean-BPNN 模型提高了26.79%，RMSE 降低了14.29%，MAE 降低了18.18%。

圖2 相同測試數據集下BPNN的預測結果

a. CGMImean-PLSRb. CGMImean-RFc. CGMImean-BPNN

變異系數法構建的冬小麥長勢監測模型中，決定系數2最高的為CGMICV-BPNN方法，其2較CGMICV-PLSR和CGMICV-RF分別提高了26.79%和22.41%，而RMSE和MAE均有所降低，其中RMSE均降低29.41%，MAE降低了30.77%和40.00%，運用變異系數法構建的反向傳播神經網絡模型CGMICV-BPNN較CGMICV-PLSR和CGMICV-RF方法其模型精度更高。

2.3 反向傳播神經網絡優化

BPNN與變異系數法結合構建的冬小麥長勢反演模型CGMICV-BPNN預測精度高、建模效果較好，但對于同一測試樣本CGMICV-BPNN每次訓練結果不一致，因此考慮以遺傳算法優化構建的CGMICV-BPNN模型。遺傳算法優化CGMICV-BPNN是利用遺傳算法優化CGMICV-BPNN的初始權值和閾值，而對于CGMICV-BPNN模型其余參數設置部分保持不變，其優化參數主要包括種群規模數、進化次數、交叉概率和變異概率。本研究設置優化CGMICV-BPNN預測模型中的種群規模為30、進化次數為50、交叉概率為0.4、變異概率為0.2，遺傳算法優化后的CGMICV-BPNN與CGMICV-BPNN預測結果見圖4。由圖可知，CGMICV-GA-BPNN模型的平均相對誤差的均值為25.36%，中位數為25.32%，與CGMICV-BPNN模型相比，GA優化后使得平均相對誤差范圍趨于聚集狀態且其最大值下降了25.79%，平均相對誤差的均值下降了26.38%，中位數下降了22.22%。因此，針對于BPNN不穩定現象，采用遺傳算法優化后的BPNN模型穩定性得到了顯著提高。

利用BPNN和GA-BPNN模型分別構建CGMICV反演模型，驗證樣本的擬合效果見圖5。由圖5a及圖3f可知，利用遺傳算法優化的神經網絡其決定系數2從原始的0.71提高到0.80，提高了12.68%；而均方根誤差RMSE和平均絕對誤差MAE較傳統反向傳播神經網絡分別下降了16.67%和11.11%；由圖5b可知運用遺傳算法優化CGMICV-BPNN后，絕大部分點呈現向1∶1線靠攏的趨勢，而CGMICV-BPNN中距離1∶1線最遠的點經過優化算法后其預測值與實測值更接近。說明利用遺傳算法可提高CGMICV-BPNN模型的預測精度，此算法可應用于研究區冬小麥綜合長勢監測模型的建立。

2.4 最佳反演模型應用

利用上述訓練好的CGMICV-GA-BPNN模型，結合研究區冬小麥種植范圍，對整個研究區內的冬小麥進行反演并作圖，同時去除區內道路，最終獲得全區冬小麥長勢監測圖（圖6）。利用自然間斷法對分類間隔加以識別，并結合本次研究數據值，在差異較大的位置處設置邊界，最終確定將全區冬小麥長勢分為5個等級，其中，長勢越好的小麥區域其影像顏色越深。由圖6可知，研究區內冬小麥長勢分布不一，中部及南部冬小麥長勢一般，東部小麥長勢較好，而北部冬小麥長勢介于兩者之間。由表4統計結果可知，整個研究區內冬小麥長勢主要集中于Ⅲ等范圍，其占比為55.83%，其次集中于Ⅰ等范圍，其占比為36.08%，全區冬小麥長勢中等且穩定；而由樣本的描述性統計結果和CGMICV空間預測的描述性統計結果可知CGMICV-GA-BPNN模型對全區預測結果與實測樣本點結果較為一致。基于CGMICV構建的優化BPNN模型能夠整合冬小麥多個生長相關因子所反映的信息，較好地量化了區域冬小麥生長狀況的監測結果。

a. CGMICV-GA-BPNN 模型

a. CGMICV-GA-BPNN model

b. CGMICV-BPNN與CGMICV-GA-BPNN精度對比

b. Accuracy comparison between CGMICV-BPNN model and CGMICV-GA-BPNN model

圖5 遺傳算法優化后的反向傳播神經網絡結果

Fig.5 Result of back propagation neural networks optimized by genetic algorithm

表4 基于CGMICV-GA-BPNN模型反演的研究區冬小麥綜合長勢監測指標值分等統計

Table 6 Grading statistics of winter wheat comprehensive growth monitoring index values based on CGMICV-GA-BPNN model inversion

3 討 論

研究從冬小麥綜合長勢監測指標構建入手，將反映冬小麥形態指標、生理生化指標、脅迫指標及產量指標的葉綠素、生物量、株高、植株含水率通過變異系數法組合成冬小麥綜合長勢監測指標CGMICV，研究CGMICV在冬小麥長勢監測方面的應用潛力。研究發現，綜合長勢監測指標CGMICV與多光譜植被指數的相關性優于單一長勢指標與多光譜植被指數的相關性，這與Wang等[43]的研究結果一致。

通過對比分析3種回歸模型結果發現，以同樣訓練集和測試集數據作為模型輸入變量時，傳統賦權法與3種回歸模型結合建立的冬小麥長勢模型精度最高的為CGMImean-PLSR模型，其2為0.58，RMSE為0.16，MAE為0.13；而變異系數法與3種回歸模型結合建立的冬小麥長勢模型精度最高的為CGMICV-BPNN模型，其2為0.71，RMSE為0.12，MAE為0.09，說明BPNN模型與變異系數法結合后模型預測能力有所增強。

CGMICV-BPNN較CGMICV-PLSR和CGMICV-RF具有較強的自學習能力，表現出了良好的非線性性能，但研究同時發現，當使用同樣訓練集和測試集進行模型訓練時，模型預測結果的穩定性較差；通過對CGMICV-BPNN預測結果進行模型精度分析后發現，CGMICV-BPNN模型預測結果存在極少數點偏離1∶1線較遠，使得模型相對誤差較大，從而降低了模型的預測精度。究其原因為BPNN模型由信號前向傳輸和誤差反向傳播2個過程組成，在信號前向傳播過程中每個初始權值為-1～1的隨機值，閾值為0～1的隨機值；而在誤差反向傳播的過程中，誤差信號由輸出層末端經隱層傳播到輸入層，通過誤差反饋不斷調節網絡的權值和閾值，從而減小實際輸出與期望輸出之間的誤差，進而達到收斂狀態[44-45]。Wei等[46]的研究結果指出，在BPNN中權值和閾值對性能的提高至關重要，而由前述BPNN的學習過程可知，BPNN模型的初始權值、閾值為隨機值，因此該算法在訓練過程中波動性較大，容易陷入局部最優。

將建立的CGMICV-BPNN模型在保持其余模型參數一致的情況下，以遺傳算法獲得的最優權值閾值代替CGMICV-BPNN隨機分配的權值閾值后，模型平均相對誤差明顯下降，模型穩定性顯著提高，同時以同組數據繪制散點圖后發現預測值與實測值在總體上更接近，模型精度提高12.68%，說明遺傳算法不僅可以提高CGMICV-BPNN的穩定性，而且可以提高CGMICV-BPNN的預測精度。以上分析結果表明遺傳算法可以為CGMICV-BPNN模型的權值和閾值找到較好的起點，進而在一定程度上降低CGMICV-BPNN模型的不穩定性。盡管遺傳算法在優化BPNN模型時取得較為可靠的精度，但是在研究的過程中還發現，選用GA優化CGMICV-BPNN模型后仍存在一定的不穩定性，這是由于遺傳算法在優化CGMICV-BPNN模型的權值、閾值時需要先設定遺傳算法的交叉概率和變異概率值。而交叉概率和變異概率對GA本身的收斂性影響較大，即，交叉概率較大時，種群更容易產生新個體，但當交叉概率變大時，優良個體在種群中保留率也降低；而對變異概率來說，若其過大則本算法相當于普通的隨機算法，失去了遺傳算法的意義[47]。而傳統遺傳算法的交叉概率和變異概率都是固定常數，這在一定程度上削弱了算法的搜索能力。因此未來的研究可考慮使用其他算法，如自適應遺傳算法來適當調整CGMICV-BPNN模型的交叉概率和變異概率的取值。

將建立的CGMICV-GA-BPNN模型應用于研究區冬小麥種植區發現，空間分布上，區內冬小麥在中部及南部長勢一般，東部長勢較好，而北部冬小麥長勢介于兩者之間，結合實地調查發現研究區冬小麥長勢與反演結果較為一致；從數理統計結果看，研究區冬小麥主要集中于兩個等級之內，其中以等級Ⅲ居多，等級Ⅰ次之。

4 結 論

基于田間和實驗室實測數據，利用變異系數法和傳統賦權法的基本原理構建了研究區冬小麥綜合長勢監測指標，分析了CGMI與選定植被指數間的相關關系，同時將構建的CGMICV、CGMImean及無人機多光譜數據與3種長勢分析模型和1種模型優化方法結合，實現了對研究區冬小麥長勢的有效監測。得到的具體結論如下：

1）將獲取的冬小麥SPAD值、株高、生物量和植株含水率數據結合不同賦權方法，經相關性分析可知：構建的綜合長勢監測指標CGMI較單一指標而言其相關性有不同程度的提高，大部分呈現極顯著相關。

2）冬小麥的CGMImean-PLSR、CGMImean-RF和CGMImean-BPNN模型決定系數2分別為0.58、0.53和0.56；而結合變異系數法構建的冬小麥長勢模型CGMICV-PLSR、CGMICV-RF和CGMICV-BPNN模型其決定系數2分別為0.56、0.58、0.71，構建的CGMICV-BPNN模型可以更好描述研究區冬小麥長勢信息，其決定系數2較CGMImean-BPNN模型提高了26.79%，RMSE降低了14.28%, MAE 降低了18.18%。

3）將反映研究區冬小麥長勢的CGMICV-BPNN模型以遺傳算法改進后，其模型穩定性顯著提高，且2從0.71提高到0.80，提高了12.68%，而均方根誤差RMSE和平均絕對誤差MAE較CGMICV-BPNN分別下降16.67%和11.11%。利用變異系數法得到的綜合長勢監測指標CGMICV與遺傳算法優化的BPNN結合可提高冬小麥長勢反映模型的預測精度。

4）基于最佳反演模型CGMICV-GA-BPNN對研究區冬小麥長勢分析結果表明：研究區內55.83%以上的冬小麥長勢集中于第Ⅲ等級；其次集中于第Ⅰ等級，占整個研究區的36.08%，占比較少的為Ⅳ和Ⅴ等級的冬小麥，研究區內越冬期冬小麥整體長勢穩定且集中。

[1] Wang L J, Zhang G M, Wang Z Y, et al. Bibliometric analysis of remote sensing research trend in crop growth monitoring: A case study in china[J]. Remote Sensing, 2019, 11(7): 809.

[2] 劉建剛，趙春江，楊貴軍，等. 無人機遙感解析田間作物表型信息研究進展[J]. 農業工程學報，2016，32(24)：98-106.

Liu Jiangang, Zhao Chunjiang, Yang Guijun, et al. Review of field-based phenotyping by unmanned aerial vehicle remote sensing platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 98-106. (in Chinese with English abstract)

[3] 劉繼承. 基于數字圖像處理技術的水稻長勢監測研究[D]. 南京：南京農業大學，2007.

Liu Jicheng. The Study on Rice Growth Monitoring Based on Image Processing[D]. Nanjing: Nanjing Agricultural University, 2007. (in Chinese with English abstract)

[4] Zhao W, Yamada W, Li T X, et al. Augmenting crop detection for precision agriculture with deep visual transfer learning-a case study of bale detection[J]. Remote Sensing, 2021, 13(1): 23.

[5] Gao F, Anderson M, Daughtry C, et al. A within-season approach for detecting early growth stages in corn and soybean using high temporal and spatial resolution imagery[J]. Remote Sensing of Environment, 2020, 242: 111752.

[6] Olson D, Anderson J. Review on unmanned aerial vehicles, remote sensors, imagery processing, and their applications in agriculture[J]. Agronomy Journal, 2021, 113(2): 971-992.

[7] Wan L, Cen H Y, Zhu J P, et al. Grain yield prediction of rice using multi-temporal uav-based rgb and multispectral images and model transfer-a case study of small farmlands in the south of china[J]. Agricultural and Forest Meteorology, 2020, 291: 108096.

[8] Yue J B, Zhou C Q, Guo W, et al. Estimation of winter-wheat above-ground biomass using the wavelet analysis of unmanned aerial vehicle-based digital images and hyperspectral crop canopy images[J]. International Journal of Remote Sensing, 2020, 42(5): 1602-1622.

[9] Zhang S M, Zhao G X, Lang K, et al. Integrated satellite, unmanned aerial vehicle (UAV) and ground inversion of the SPAD of winter wheat in the reviving stage[J]. Sensors, 2019, 19(7): 1485.

[10] 周敏姑，邵國敏，張立元，等. 無人機多光譜遙感反演冬小麥SPAD值[J]. 農業工程學報，2020，36(20)：125-133.

Zhou Mingu, Shao Guomin, Zhang Liyuan, et al. Inversion of SPAD value of winter wheat by multispectral remote sensing of unmanned aerial vehicles[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 125-133. (in Chinese with English abstract)

[11] 張瑜，張立元，Zhang Huihui，等. 玉米作物系數無人機遙感協同地面水分監測估算方法研究[J]. 農業工程學報，2019，35(1)：83-89.

Zhang Yu, Zhang Liyuan, Zhang Huihui, et al. Crop coefficient estimation method of maize by UAV remote sensing and soil moisture monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 83-89. (in Chinese with English abstract)

[12] 魏鵬飛，徐新剛，李中元，等. 基于無人機多光譜影像的夏玉米葉片氮含量遙感估測[J]. 農業工程學報，2019，35(8)：126-133.

Wei Pengfei, Xu Xingang, Li Zhongyuan, et al. Remote sensing estimation of nitrogen content in summer maize leaves based on multispectral images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(8): 126-133. (in Chinese with English abstract)

[13] Zhu W X, Sun Z G, Yang T, et al. Estimating leaf chlorophyll content of crops via optimal unmanned aerial vehicle hyperspectral data at multi-scales[J]. Computers and Electronics in Agriculture, 2020, 178: 105786.

[14] 王玉娜，李粉玲，王偉東，等. 基于無人機高光譜的冬小麥氮素營養監測[J]. 農業工程學報，2020，36(22)：31-39.

Wang Yuna, Li Fenling, Wang Weidong, et al. Monitoring of winter wheat nitrogen nutrition based on UAV hyperspectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 31-39. (in Chinese with English abstract)

[15] 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)

[16] Salah E H, Nasser A S, Ibrahim A A, et al. Combining genetic analysis and multivariate modeling to evaluate spectral reflectance indices as indirect selection tools in wheat breeding under water deficit stress conditions[J]. Remote Sensing, 2020, 12(9): e0196605.

[17] Liu H L, Zhang F Z, Zhang L F, et al. UNVI-based time series for vegetation discrimination using separability analysis and random forest classification[J]. Remote Sensing, 2020, 12(3): 1532.

[18] Ouaadi N, Jarlan L, Ezzahar J, et al. Monitoring of wheat crops using the backscattering coefficient and the interferometric coherence derived from Sentinel-1 in semi-arid areas[J]. Remote Sensing of Environment, 2020, 251: 112050.

[19] 劉忠，萬煒，黃晉宇，等. 基于無人機遙感的農作物長勢關鍵參數反演研究進展[J]. 農業工程學報，2018，34(21)：60-71.

Liu Zhong, Wan Wei, Huang Jinyu, et al. Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 60-71. (in Chinese with English abstract)

[20] Jaafar A, Yiannis A, Pamela R, et al. Detecting powdery mildew disease in squash at different stages using UAV-based hyperspectral imaging and artificial intelligence[J]. Biosystems Engineering, 2020, 197(9): 135-148.

[21] Issa S, Dahy B, Saleous N, et al. Carbon stock assessment of date palm using remote sensing coupled with field-based measurements in abu dhabi (united arab emirates)[J]. International Journal of Remote Sensing, 2019, 40(19): 7561-7581.

[22] 肖武，陳佳樂，笪宏志，等. 基于無人機影像的采煤沉陷區玉米生物量反演與分析[J]. 農業機械學報，2018，49(8)：169-180.

Xiao Wu, Chen Jiale, Da Hongzhi, et al. Inversion and analysis of maize biomass in coal mining subsidence area based on UAV images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(8): 169-180. (in Chinese with English abstract)

[23] Osco L P, Marcato J, Ramos A P M, et al. Leaf nitrogen concentration and plant height prediction for maize using UAV-based multispectral imagery and machine learning techniques[J]. Remote Sensing, 2020, 12(19): 3237.

[24] Qi H X, Zhu B Y, Wu Z Y, et al. Estimation of peanut leaf area index from unmanned aerial vehicle multispectral images[J]. Sensors, 2020, 20(23): 6732.

[25] 帥爽，張志，呂新彪，等. 礦山恢復治理區植被物候與健康狀況遙感監測[J]. 農業工程學報，2021，37(4)：224-234.

Shuai Shuang, Zhang Zhi, Lyu Xinbiao, et al. Remote sensing monitoring of vegetation phenological characteristics and vegetation health status in mine restoration areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(4): 224-234. (in Chinese with English abstract)

[26] 趙晉陵，金玉，葉回春，等. 基于無人機多光譜影像的檳榔黃化病遙感監測[J]. 農業工程學報，2020，36(8)：54-61.

Zhao Jinling, Jin Yu, Ye Huichun, et al. Remote sensing monitoring of areca yellow leaf disease based on UAV multi-spectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 54-61. (in Chinese with English abstract)

[27] Fu Y Y, Yang G J, Song X Y, et al. Improved estimation of winter wheat aboveground biomass using multiscale textures extracted from UAV-based digital images and hyperspectral feature analysis[J]. Remote Sensing, 2021, 13(4): 581.

[28] Zhao Y L, Zheng W X, Xiao W, et al. Rapid monitoring of reclaimed farmland effects in coal mining subsidence area using a multi-spectral UAV platform[J]. Environmental Monitoring and Assessment, 2020, 192(7): 474.

[29] Mwinuka, P R, Mbilinyi, B P, Mbungu, W B, et al. The feasibility of hand-held thermal and UAV-based multispectral imaging for canopy water status assessment and yield prediction of irrigated African eggplant (L)[J]. Agricultural Water Management, 2021, 245: 106584.

[30] Li X R, Yang C H, Huang W J, et al. Identification of cotton root rot by multifeature selection from Sentinel-2 images using random forest[J]. Remote Sensing, 2020, 12(21): 3504.

[31] Baghi N G, Oldeland J. Do soil-adjusted or standard vegetation indices better predict above ground biomass of semi-arid, saline rangelands in North-East Iran?[J]. International Journal of Remote Sensing, 2019, 40(22): 8223-8235.

[32] Feng L, Wu W K, Wang J M, et al. Wind field distribution of multi-rotor UAV and its influence on spectral information acquisition of rice canopies[J]. Remote Sensing, 2019, 11(6): 602.

[33] 岑海燕，朱月明，孫大偉，等. 深度學習在植物表型研究中的應用現狀與展望[J]. 農業工程學報，2020，36(9)：1-16.

Cen Haiyan, Zhu Yueming, Sun Dawei, et al. Current status and future perspective of the application of deep learning in plant phenotype research[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(9): 1-16. (in Chinese with English abstract)

[34] 陶惠林，徐良驥，馮海寬，等. 基于無人機高光譜長勢指標的冬小麥長勢監測[J]. 農業機械學報，2020，51(2)：180-191.

Tao Huilin, Xu Liangji, Feng Haikuan, et al. Monitoring of winter wheat growth based on UAV hyperspectral growth index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(2): 180-191. (in Chinese with English abstract)

[35] 陶志富，葛璐璐，陳華友. 基于滑動窗口的一類非負可變權組合預測方法[J]. 控制與決策，2020，35(6)：1446-1452.

Tao Zhifu, Ge Lulu, Chen Huayou. Non-negative variable weight combination forecasting method based on sliding window[J]. Control and Decision, 2020, 35(6): 1446-1452. (in Chinese with English abstract)

[36] 趙雪花，張麗娟，祝雪萍. 動態參數SCS-RF模型在黃土丘陵區小流域產流模擬中的應用[J]. 農業工程學報，2021，37(1)：195-202.

Zhao Xuehua, Zhang Lijuan, Zhu Xueping. Run off simulation of small watershed in loess hilly region using dynamic parameter SCS-RF model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 195-202. (in Chinese with English abstract)

[37] 徐敏，趙艷霞，張顧，等. 基于機器學習算法的冬小麥始花期預報方法[J]. 農業工程學報，2021，37(11)：162-171.

Xu Min, Zhao Yanxia, Zhang Gu, et al. Method for forecasting winter wheat first flowering stage based on machine learning algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11)：162-171. (in Chinese with English abstract)

[38] 黃林生，江靜，黃文江，等. Sentinel-2影像和BP神經網絡結合的小麥條銹病監測方法[J]. 農業工程學報，2019，35(17)：178-185.

Huang Linsheng, Jiang Jing, Huang Wenjiang, et al. Wheat yellow rust monitoring method based on Sentinel-2 image and BPNN model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(17): 178-185. (in Chinese with English abstract)

[39] 趙建輝，張晨陽，閔林，等. 基于特征選擇和GA-BP神經網絡的多源遙感農田土壤水分反演[J]. 農業工程學報，2021，37(11)：112-120.

Zhao Jianhui, Zhang Chenyang, Min Lin, et al. Retrieval for soil moisture in farmland using multi-source remote sensing data and feature selection with GA-BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11): 112-120. (in Chinese with English abstract)

[40] Zhang H H, Shao W Q, Qiu S S, et al. Collaborative analysis on the marked ages of rice wines by electronic tongue and nose based on different feature data sets[J]. Sensors, 2020, 20(4): 1065.

[41] 姜海玲，楊杭，陳小平，等. 利用光譜指數反演植被葉綠素含量的精度及穩定性研究[J]. 光譜學與光譜分析，2015，35(4)：975-981.

Jiang Hailing, Yang Hang, Chen Xiaoping, et al. Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method[J]. Spectroscopy and Spectral Analysis, 2015, 35(4): 975-981. (in Chinese with English abstract)

[42] Zhang C Y, Zhang R R, Dai Z H, et al. Prediction model for the water jet falling point in fire extinguishing based on a GA-BP neural network[J]. Plos One, 2019, 14(9): e0221729.

[43] Wang L, Wang P X, Li L, et al. Developing an integrated indicator for monitoring maize growth condition using remotely sensed vegetation temperature condition index and leaf area index[J]. Computers and Electronics in Agriculture, 2018, 152: 340-349.

[44] Zhu M B, Liu S S, Xia Z Q, et al. Crop growth stage GPP-driven spectral model for evaluation of cultivated land quality using GA-BPNN[J]. Agriculture-Basel, 2020, 10(8): 1-16.

[45] Wang L, Wang P G, Liang S L, et al. Monitoring maize growth on the north china plain using a hybrid genetic algorithm-based back-propagation neural network model[J]. Computers and Electronics in Agriculture, 2020, 170: 105238.

[46] Wei X, Zheng W Q, Zhu S P, et al. Application of terahertz spectrum and interval partial least squares method in the identification of genetically modified soybeans[J]. Spectrochimica Acta Part A-Molecular and Biomolecular Spectroscopy, 2020, 238: 118453.

[47] Zhang J X, Qu S R. Optimization of backpropagation neural network under the adaptive genetic algorithm[J]. Complexity, 2021, 2021: 1718234.

Monitoring of winter wheat growth under UAV using variation coefficient method and optimized neural network

Xu Yunfei1, Cheng Qi1, Wei Xiangping2, Yang Bin1, Xia Shasha3, Rui Tingting1, Zhang Shiwen3※

(1.,,232001,; 2.().,235001,; 3.,,232001,)

Accurate and rapid acquisition of growth information has been one of the most important steps for winter wheat production in agricultural development and management decision-making. Most previous achievements focus on the monitoring of crop growth using Unmanned Aerial Vehicle (UAV) in recent years. Among them, the most extensive reports can be chlorophyll, biomass, plant height, and water content. Taking the winter wheat as the research object, this study aims to monitor the growth characteristics of the plant under a UAV using the Coefficient of Variation (CV) and optimized neural network. A Comprehensive Growth Monitoring Indicators (CGMICV) was also considered to integrate with the CV and different indexes, including the biomass, plant height, plant water, and chlorophyll content. In addition, the multispectral data of UAV was obtained, such as red, green, red edge, and near-infrared band. Subsequently, 16 multispectral vegetation indices were selected to analyze the correlation between the vegetation index and CGMICV, according to the characteristic band range of crops. The variance expansion factor was then calculated to screen the input variables of the model. Finally, six optimal vegetation indices were selected as the input variables of the model. As such, the growth model of winter wheat was established using the Partial Least Squares Regression (PLSR), Random Forest (RF), and Back Propagation Neural Networks (BPNN). Correspondingly, an optimal growth inversion model of winter wheat was achieved, including the determining coefficient (2), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE), according to the combined evaluation indexes. More importantly, Genetic Algorithm (GA) was utilized to optimize the growth inversion model for the whole region. The spatial distribution of winter wheat growth was then obtained in the study area. The results showed that the correlation between the CGMICVof winter wheat was much higher than that of the single index, where the most outstanding one was the Soil Plant Analysis Development (SPAD). The best inversion model of CGMICV-BPNN was achieved for the growth of winter wheat, where a determination coefficient2was 0.71, and the accuracy of the model was 26.79% higher than that of the traditional one (CGMImean-BPNN), fully meeting the current accuracy for the comprehensive monitoring of crop growth. The stability of the optimized CGMICV-GA-BPNN model was significantly better than that of CGMICV-BPNN. the mean relative error median was reduced by 22.22%, and the determination coefficient2was also increased. The CGMICV-GA-BPNN model was then applied for the growth distribution map of winter wheat in the whole study area. More than half of winter wheat was concentrated in grade III, followed by grade I. It inferred that the overall growth of winter wheat was relatively stable. At the same time, it was also found that the optimized CGMICV-BPNN model can be used to integrate the multiple growth factors of winter wheat, indicating a better performance to quantify the growth monitoring of regional winter wheat. The findings can provide an important reference for the growth monitoring of winter wheat in crop production.

unmanned aerial vehicle; crops; remote sensing; coefficient of variation method; comprehensive growth monitoring indicator; back propagation neural networks

徐云飛，程琦，魏祥平，等. 變異系數法結合優化神經網絡的無人機冬小麥長勢監測[J]. 農業工程學報，2021，37(20)：71-80.doi：10.11975/j.issn.1002-6819.2021.20.008 http://www.tcsae.org

Xu Yunfei, Cheng Qi, Wei Xiangping, et al. Monitoring of winter wheat growth under UAV using variation coefficient method and optimized neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 71-80. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.20.008 http://www.tcsae.org

2021-05-20

2021-09-22

安徽省自然資源科技項目（2020-K-8）；國家重點研發計劃項目（2020YFC1908601）；淮北礦業集團科技研發項目（No.2020-113）

徐云飛，研究方向為無人機遙感定量反演。Email：2240805378@qq.com

張世文，博士，教授，研究方向為水土介質元素地球化學行為與環境效應研究。Email：mamin1190@126.com

10.11975/j.issn.1002-6819.2021.20.008

S252

A

1002-6819(2021)-20-0071-10