基于無人機圖像的水稻地上部生物量估算

舒時富，李艷大*，曹中盛，孫濱峰，葉 春，吳羅發，朱 艷，丁艷鋒，何 勇

（1.江西省農業科學院農業工程研究所/江西省智能農機裝備工程研究中心/江西省農業信息化工程技術研究中心，江西 南昌 330200；2.南京農業大學，江蘇 南京 210095；3.浙江大學生物系統工程與食品科學學院，浙江 杭州 310029）

0 引言

【研究意義】地上部生物量（Aboveground biomass，AGB）是作物生產管理中調控群體質量的重要指標，其對光能利用、干物質積累、產量形成等均具有重要作用，是作物生長模型的重要輸入參數之一[1]。因此，高效、準確、低成本的估算AGB有利于實現作物生產的智慧管理?！厩叭搜芯窟M展】傳統的水稻AGB測定方法主要依靠人工破壞性采樣室內稱量，結果雖然準確可靠，但費時費力、用工成本高、效率低、取樣誤差大，難以實現大范圍的高效監測。遙感技術快速發展，衛星影像、雷達、高光譜、多光譜、成像高光譜等技術因其高分辨率、多波段、信息量大、覆蓋范圍廣等優點，已被廣泛應用于作物長勢監測[2-7]，成為作物精確管理的關鍵技術手段。圍繞水稻、小麥等作物的AGB高效監測已開展了一些研究，如Casanova等[8]和Takahashi等[9]利用遙感技術對水稻的AGB進行了研究，GNPY等[10]在三江平原對水稻的光譜反射曲線進行微分處理并將其應用于估測水稻生物量，王秀珍等[11]利用“三邊”參數及其變化形式構建高光譜估算模型對水稻地上鮮生物量進行了準確估測。這些研究通過構建不同的植被指數可以準確估測水稻生物量，但大多采用高光譜儀等，其觀測的空間范圍有限、效率較低，也存在著構造復雜、成本較高、模型不穩定等問題。近年來，無人機遙感技術發展迅速，其高分辨率圖像的獲取更加簡便、高效和低成本，為作物長勢快速無損監測提供了新途徑。如Dai等[12]利用無人機獲取小麥RGB圖像，圖像顏色指數與小麥生物量的相關性r值為0.463～0.911，紋理特征參數與生物量之間的相關性較差，結合顏色和紋理特征指數的小麥生物量估算模型優于單一顏色指數模型。楊俊等[13]利用無人機數碼影像研究了8個顏色指數和4個紋理特征參數與小麥AGB的關系，結果表明顏色指數和紋理特征參數與生物量的相關性達顯著或極顯著，r分別可達 0.911和 -0.574。劉暢等[14]研究表明，采用紋理特征估測小麥的生物量，紋理特征優于顏色指數，且基于紋理特征和顏色指數融合的模型顯著優于單一的顏色指數和紋理特征。陳晨[15]基于無人機圖像的8個顏色指數和4個紋理特征參數構建與小麥生物量的關系，單一參數相關性不顯著，但將顏色指數與紋理特征參數相結合估測小麥生物量的模型R2最高可達0.79。張建等[16]利用無人機多角度成像方式對油菜AGB進行監測，構建了油菜AGB估算模型，估算精度達 0.792，均方根誤差（RMSE）為125.0 g·m-2，相對誤差（RE）為13.2%。劉楊等[17]以無人機平臺搭載數碼相機，獲取了不同高層的馬鈴薯圖像，結果表明顏色指數+紋理特征估算AGB的效果最優（R2為0.75～0.82），其次為單一紋理特征模型（R2為0.68～0.75），而單一顏色指數模型表現效果最差（R2為0.65～0.69）。這些研究結果具有相同的地方，但也存在著較大的差異之處。【本研究切入點】目前在作物無人機遙感監測AGB方面盡管已有一些研究，但針對同一對象的研究結果亦不盡相同，同時較少涉及不同氮素水平下水稻不同生育期AGB的無人機圖像監測?！緮M解決的關鍵問題】本研究通過無人機獲取高分辨率的水稻圖像，通過提取圖像顏色指數和紋理特征參數，研究其與水稻AGB的相關性，進而構建基于無人機圖像特征的水稻AGB估算模型，探明適宜水稻AGB估算的圖像特征，為提升估算模型的準確性提供科學依據。

1 材料與方法

1.1 試驗設計

試驗于2020年在江西省農業科學院高安試驗基地（28°25′27″N，115°12′15″E）進行雙季晚稻小區試驗。試驗田耕作層含有機質37.56 g·kg-1，全氮2.49 g·kg-1，銨態氮41.89 mg·kg-1、硝態氮1.24 mg·kg-1，有效磷 17.54 mg·kg-1， 速 效鉀 119.25 mg·kg-1和 pH 5.5。供試品種為富美占（C1）和泰優航1 573（C2）；設4個施氮水平：0（N1）、75（N2）、150（N3）和 225 （N4）kg·hm-2，C1重復 4次，C2重復 5次，共計36個小區，每個小區面積為36 m2，具體見圖1。m（基肥）∶m（分蘗肥）∶m（穗肥）＝5∶3∶2，磷肥（60 kg·hm-2）作為基肥一次性施入，鉀肥（120 kg·hm-2）隨氮肥同比例施入，隨機區組排列。2苗移栽，每個小區之間用隔水板相隔，每個小區獨立排灌以防止竄肥。6月26日播種，7月23日移栽，11月15日收獲。其他栽培措施同當地高產栽培。

1.2 圖像獲取

水稻圖像獲取采用大疆無人機御Mavic及自帶攝像頭，傳感器為1/2.3 英寸CMOS，有效像素為1 200萬，照片最大分辨率為4 000×3 000。選擇天氣晴朗、無風、光照穩定的日期，于10：00～14：00采集圖像數據。采集圖像數據時，相機鏡頭設置垂直于地面，采用自動對焦和自動曝光設置。為了減少色差，采用一張照片覆蓋所有小區，飛行高度為60 m。試驗獲取的照片以 24 位 JPG 格式存儲。

1.3 圖像特征參數獲取

采用ENVI軟件提取無人機圖像中每個小區的顏色信息，得到每個小區圖像的平均紅光值R（Redness intensity）、綠光值G（Greenness intensity）和藍光值B（Blueness intensity）。通過對這3個顏色參數進行一定的計算，得到紅光 R（Red light）、綠光G（Green light）、藍光 B（Blue light）、紅光標準化值 NRI（Normalized redness intensity）、綠光標準化值 NGI（Normalized greenness intensity）、藍光標準化值NBI（Normalized blueness intensity）、紅藍比值r/b（Red to blue ratio）、綠藍比值 g/b（Green to blue ratio）、 紅 藍 差 值 r-b（Difference between red and blue）、紅藍和值 r+b（Sum of red and blue）、綠藍差值 g-b（Difference between green and blue）、超綠植被指數ExG（Excess green vegetation index）、紅綠植被指數GRVI（Green and red vegetation index）、修正紅綠植被指數 MGRVI（Modified green and red vegetation index）、紅綠藍植被指數 RGBVI（Red green blue vegetation index）、超紅植被指數 ExR（Excess red index）、可見光大氣阻抗植被指數VARI（Vegetation atmospherically resistant index）、超綠超紅植被指數ExGR（Excess red and green index）、沃貝克指數WI（Warbeck index）等不同顏色指數[18]。

1.4 基于二階概率統計濾波的無人機圖像紋理提取

使用ENVI軟件中的Texture功能，對圖像進行基于概率統計或二階概率統計的紋理濾波處理。使用Co-occurrence Measures功能，得到8個基于二階矩陣的紋理濾波，包括均值（Mean）、方差（Variance）、 均 一 性 （Homogeneity）、 對 比 度（Contrast）、 異 質 性 （Dissimilarity）、 熵（Entropy）、角二階矩（Second Moment）和相關性（Correlation）[14]。

1.5 AGB測定

與無人機圖像獲取同步，在各小區選取長勢均勻的水稻3蔸，將水稻植株分離為葉、莖鞘和穗3個部分，分別裝入紙袋中，在105 ℃的烘箱中殺青30 min，然后在80 ℃烘干至恒重后稱量，得到各小區水稻樣品的干物質量，再換算成單位面積AGB[19]。

1.6 模型的構建與驗證

通過試驗獲取的24個小區的數據建模，剩余12個小區的數據對模型進行驗證。無人機圖像特征與AGB相關性用r表示。關系模型的構建采用Microsft Execl進行。采用R2、RMSE和相對均方根誤差（RRMSE）來評估模型的穩定性。RMSE和RRMSE值越小，指示模擬值與實測值的一致性越好，即模型的驗證結果越準確[20]。RMSE、RRMSE和r計算公式如下：

式中，n為模型樣本數量，Pi為模型預測值，為模型預測值的平均值，Oi為實測值，為實測值的平均值。

2 結果與分析

2.1 不同生育期水稻AGB變化

不同施氮水平和不同生育期對水稻AGB具有顯著影響。由圖2可知，供試品種泰優航1573在N3水平下，其分蘗盛期、孕穗期和齊穗期的AGB分別為374.39、686.54和1 123.51 g·m-2，表明隨著生長發育，水稻物質量不斷積累，同一氮素水平下AGB不斷增加。在齊穗期，供試品種泰優航1573在N0、N1、N2、N3的AGB分別為980.56、1 060.90、1 164.67和1 287.89 g·m-2，在同一生育期內，水稻AGB表現為N3＞N2＞N1＞N0，說明在同一生育期內水稻AGB隨著施氮水平的提高而顯著增加，2個品種在3個生育期的表現一致。

2.2 生物量與顏色指數之間的相關關系

通過無人機獲取不同施氮水平下的RGB圖像（圖3）可以看出，不同施氮水平的水稻圖像特征差異顯著，表現為隨著施氮水平的增加其圖像顏色逐步加深。提取每個小區的平均R、G、B值，計算出不同的顏色指數，并統計分析顏色指數與AGB之間的相關性。

由表1可知，不同顏色指數與AGB之間的相關性差異顯著。從相關性表中可以看出，在不同生育期和全生育期中，有8個顏色指數與AGB之間的相關性水平達極顯著水平，按照相關性高低分別為紅藍差值（r-b）、可見光大氣阻抗植被指數VARI、綠光G、紅光標準化值NRI、紅藍比值r/b、紅光R、沃貝克指數WI和藍光標準化值NBI。其中，相關性>0.9的指標有1個，紅藍差值（r-b）與孕穗期的AGB相關性最高，達-0.914。8個指標值，有5個指標為負相關性，3個指標為正相關性。因此，可以采用這些特征顯著的顏色指數作為構建AGB監測模型的參數。

表1 地上部生物量與顏色指數之間的相關性Table 1 Correlation between AGB and color indices

2.3 基于顏色指數的AGB估算模型的構建與檢驗

選擇與AGB相關性顯著的顏色指數，將其與各生育期的AGB進行指數、線性、對數、二次多項式和乘冪函數擬合分析，因相關性排名第二且呈正相關的可見光大氣阻抗植被指數VARI與AGB的擬合效果并不理想，因此采用雖呈負相關但相關性最高的紅藍差值（r-b）指數作為AGB的模型參數。由表2可知，基于紅藍差值的AGB估算模型在各育期的二次多項式、指數、對數、乘冪和線性的建模決定系數（R2）分別為 0.869 3～0.882 0、0.823 7～0.880 1、0.725 1～0.877 2、0.526 3～0.874 8 和 0.863 0～0.880 1，二次多項式模型的決定系數最大。為了驗證估算模型的準確性，采用決定系數（R2）、均方根誤差（RMSE）和相對均方根誤差（RRMSE）來評價模型的預測值與實測值之間的符合度。從表2可以看出，基于紅藍差值（r-b）顏色指數構建的二次多項式AGB估算模型在分蘗期、孕穗期、齊穗期和全生育期檢驗結果為R2分別為0.868 2、0.871 3、0.864 3和 0.861 4，RMSE分 別 為 22.07、 20.22、 23.99和24.65 g·m-2，RRMSE分別為 6.09%、5.58%、 6.62%和6.74%。表明紅藍差值（r-b）與AGB構建的估算模型具有較高的準確度，可以估算水稻的生物量。

表2 基于紅藍差值（r-b）的AGB估算模型構建和驗證Table 2 Construction and validation of AGB estimation model based on （r-b）

2.4 AGB與紋理特征參數之間的相關關系

通過ENVI軟件對無人機圖像進行基于二階概率統計的濾波（Co-occurrence measures）統計，獲取具有紋理特征參數的無人機圖像，結果如圖4所示，不同施氮水平小區的紋理圖像差異顯著。從紋理特征圖中提取每個小區的紋理特征參數，因具有R、G、B等3個通道，共獲得24個紋理特征參數。

將紋理特征參數與AGB進行相關性分析，由表3可知，不同紋理特征參數與AGB之間的相關性差異顯著。有3個紋理特征與AGB相關性達極顯著水平，分別為G通道均值（G-mean）、R通道均值（R-mean）和 R通道二階矩（R-Second moment）。相關性最高的紋理特征為（G-mean），其各生育期的相關系數為-0.901～-0.932，呈負相關。還有B通道 均 值 （B-mean）、 R通 道 方 差 （R-variance）、B通道二階矩（B-Second moment）和G通道方差（G-variance） 4個紋理特征與AGB相關性達顯著水平。因紋理特征參數（G-mean）在各生育期的相關性均大于0.9，且是所有紋理特征中唯一大于0.9的指數，因此，可以采G通道均值（G-mean）作為構建AGB估算模型的紋理特征參數。

表3 地上部生物量與紋理特征參數之間的相關性Table 3 Correlations between AGB and texture features

2.5 基于紋理特征參數的AGB估算模型的構建與檢驗

由表4可以看出，基于紋理特征參數（G-mean）的水稻各生育期AGB估算模型的決定系數R2均大于0.869 2，具有顯著的相關性?；诩y理特征參數（G-mean）構建的AGB估算模型在各生育期的二次多項式、指數、對數、乘冪和線性的建模決定系數（R2）分 別 為 0.887 5～ 0.912 8、 0.887 1～ 0.912 6、0.887 3～0.911 8、0.874 2～0.907 1 和 0.869 2～0.910 6，二次多項式方程的決定系數最大?；诩y理特征參數構建的不同生育期生物量估算模型的檢驗結果（表4）也表明，基于紋理特征參數（G-mean）構建的不同生育期的二次多項式模型的檢驗結果R2為0.879 7～0.903 4、RMSE為 11.10～22.06 g·m-2、RRMSE為3.11%～6.08%。因此，通過無人機圖像獲取的紋理特征參數（G-mean）構建的二次多項式的生物量估算模型，具有良好的可靠性，可以用來進行水稻生物量的估測。通過紋理特征參數和顏色指數之間的比較，紋理特征參數模型的準確性更高，能夠更好的用來估算生物量。

表4 基于紋理特征參數（G-mean）的水稻各生育期AGB模型的構建和檢驗Table 4 Construction and validation of AGB estimation model for each growth stage of rice plants based on texture G-mean

2.6 基于顏色指數和紋理特征參數的AGB估算模型的構建與檢驗

為了進一步提高AGB估算模型的準確性，改進單一參數的不足之處，基于顏色指數中相關性最高的紅藍差值（r-b）(x1)和紋理特征參數中相關性最高的（G-mean） (x2)與水稻AGB構建雙指數線性回歸模型，不同生育期的模型結果見表5。不同生育期的顏色指數紅藍差值（r-b）和紋理特征參數（G-mean）雙指數模型的決定系數（R2）為0.904 3～0.920 2，其檢驗結果決定系數（R2）為0.890 1～0.911 2、均方根誤差(RMSE)為16.46～76.20 g·m-2、相對均方根誤差（RRMSE）為3.32%～10.91%。結果表明，基于顏色指數紅藍差值（r-b）和紋理特征參數（G-mean）構建的雙指數模型可以更好的估測水稻的AGB?？傮w上看，采用雙指數模型較單一指數模型具有更高的AGB估算準確性。

表5 基于r-b和G-mean的AGB雙指數線性回歸模型的構建和檢驗Table 5 Construction and validation of AGB estimation model based on r-b and G-mean

3 討論

AGB是指某一時期單位面積上的有機物質總量，是水稻長勢監測的重要指標之一，AGB不僅代表了水稻群體質量優劣，還表征光合作用效率和物質積累，是產量形成的重要基礎條件。水稻冠層色彩信息顯著受到氮肥供應的影響，肥料豐缺可顯著影響水稻的長勢，從而使水稻在不同的營養條件下表現出不同的顏色特征，因此，色彩信息是水稻生長監測的重要組成[21]。已有研究表明，在可見光波段（400～700 nm）范圍內，水稻冠層對光的反射隨施氮水平的提高而降低[22]，這是由于受AGB、葉綠素及其他色素、含水量等影響冠層對光的吸收和反射的強度，最終導致水稻冠層顏色上的特征變化，基于這種內在機理，很多學者利用顏色指數和紋理特征參數構建了AGB估算模型[11-18]，并具有較好的準確性。本研究表明，不同施氮水平下的水稻無人機圖像具有顯著的變化特征，其圖像顏色特征和紋理特征均隨施氮水平的變化具有一定的規律關系。因此，可以利用顏色指數和紋理特征參數來估算水稻的AGB變化。Kyu-Jong等[23]利用數碼相機獲取水稻冠層圖像，采用綠光深度絕對值(G)建立的生物量估測模型，其R2為0.83。本研究通過篩選，提取出與水稻AGB相關性最高的顏色指數為紅藍差值（rb），構建模型的決定系數（R2）最高達0.882 0，估算模型具有更高的準確性。無人機獲取的水稻圖像不僅具有顏色信息，還具有更加多樣的紋理特征參數。Dai等[12]、楊俊等[13]、劉暢等[14]、陳晨[15]在小麥上和劉楊等[17]在馬鈴薯上的研究均表明，采用顏色指數+紋理特征估算AGB的效果優于單一顏色指數或紋理參數模型。本研究表明采用顏色指數（rb）和紋理特征（G-mean）雙指數模型的決定系數（R2）為0.904 3～0.920 2，較單一顏色指數（r-b）模型（R2=0.869 3～0.882 0）和單一紋理特征參數（G-mean）模型（R2=0.879 7～0.903 4）的準確性更高。劉楊[17]等認為單一紋理特征模型（R2為0.68～0.75）優于單一顏色指數模型（R2為0.65～0.69），這與劉暢等[14]研究結果一致，本研究結果亦與他們相同，但Dai等[12]卻認為紋理特征參數的相關性較差，而顏色特征的相關性更好，導致這種差異的原因可能和作物品種、試驗條件、儀器設備、圖片分辨率等不同，從而導致提取出的特征指標不同和相關性結果亦不同。同時，紋理特征參數（G-mean）不僅在估算AGB上具有較高的準確性，班松濤[24]研究表明（G-mean）還可以用于水稻倒伏的計算。無人機圖像具有獲取簡單、成本低、效率高、簡單易用等優點，已越來越成為作物生長監測的主要技術方法。本研究篩選出無人機顏色指數紅藍差值（r-b）和紋理特征參數（G-mean），并采用雙指數構建的模型具有較高的準確性，為水稻地上部生物量的估算提供了新的指標和方法。

當然，本研究也還存在許多不足的地方，如不同品種、區域生長環境、種植密度、飛行高度（照片分辨率）等均會影響水稻AGB估算模型的準確性，從而導致模型在普適性方面降低。今后，將繼續開展多年多生態點的試驗，并采用深度學習等算法，融合圖像顏色指數和紋理特征參數的多個指標，對圖像信息和生理信息進行深入的挖掘，從而進一步提高模型的估算精度和探明其機理規律。

4 結論

圖像顏色指數中紅藍差值（r-b）與水稻AGB的相關性最高，可以作為估算AGB的顏色指數；紋理特征參數中（G-mean）與水稻AGB的相關性最高，可以作為估算AGB的紋理特征參數；基于顏色指數和紋理特征融合構建的雙指數水稻AGB模型優于單一指數模型?；陬伾笖导t藍差值（r-b）和紋理特征參數（G-mean）構建的水稻AGB雙指數全生育期估算模型y=2 544.507+5 054.243x1-145.543x2-556.553x1x2+27 379.41x12+3.927x22（R2=0.920 2），對水稻AGB的估算表現最優，可實現水稻AGB的快速無損估算。