基于無人機多光譜遙感的棉花生長參數(shù)和產量估算

一、引言

無人機低空遙感技術的快速發(fā)展為高時間與高空間分辨率的快捷精確地進行野外數(shù)據(jù)采集提供了前所未有的機遇。

盡管目前已有許多關于棉花SPAD、株高等指標的遙感長勢監(jiān)測研究,但在利用機器學習方法進行棉花長勢監(jiān)測與單株產量估算的研究方面,探索較少。同時,利用無人機多光譜數(shù)據(jù)預測棉花產量的研究也相對有限。因此,以山東省濱州市棉花為研究對象,應用無人機多光譜遙感技術,采用多元線性回歸、隨機森林和人工神經網絡三種機器學習方法,構建棉花的株高、葉綠素相對含量和單株產量的估計模型,并進行驗證。以探究其在棉花株高和葉綠素含量反演方面的應用潛力,為作物產量的實時預測提供理論依據(jù),并探討無人機多光譜遙感技術在作物長勢監(jiān)測方面的應用效果。

材料與方法

2.1 研究區(qū)概況

本文于2022年7-9月在山東省濱州市秦皇臺鄉(xiāng)(山東濱州棉花科技小院)進行田間試驗,該地北緯37.22°,東經118.02°,海拔約11m,一年只種植一季棉花育種材料。試驗田屬暖溫帶大陸性季風氣候,半濕潤地區(qū),冬季寒冷干燥,夏季炎熱多雨。年平均氣溫約為12.3℃,年降雨量626mm左右,其中夏季降雨量較大,占全年的60%～70%,其他月份降雨較少。試驗棉花魯研棉37于2022年4月28日采用隨機區(qū)組設計播種。行距0.76m,株距0.16m,種植密度為90000株/hm2。試驗田栽培管理措施與一般大田管理措施相同。本試驗在試驗田內均勻布設3個地面控制點,由紅色噴漆作為標志(避免在獲取不同時期無人機遙感影像時發(fā)生空間位置的移動)。利用智能系統(tǒng)測量控制點的三維空間地理位置,以便進行幾何校正和圖像配準。試驗田長100m,寬30m,平均分為30個小區(qū),每個小區(qū)9m×10m,如圖1所示。

圖1 研究區(qū)地理位置及試驗小區(qū)設置

2.2無人機多光譜圖像采集與處理

采用無人機多光譜對測試區(qū)域進行多光譜圖像采集。在圖像拼接過程中,將無人機多光譜圖像導入軟件,軟件能夠自動讀取相機配置信息和定位系統(tǒng)數(shù)據(jù),然后進行輻射校準。最后,生成數(shù)字地表模型、數(shù)字正射影像,并進行幾何校正和圖像配準。

2.3 無人機多光譜圖像的植被指數(shù)提取

為篩選出適合棉花無人機遙感估產的植被指數(shù),本文基于無人機多光譜影像紅、綠、藍、紅外、近紅外波段的光譜信息,從65種植被指數(shù)中選取了8種與產量相關性較高的植被指數(shù),計算植被指數(shù)的公式如表1所示。采用計算工具提取植被指數(shù)。構建感興趣區(qū)域提取每個小區(qū)的植被指數(shù),并選擇每個小區(qū)的平均反射率進行后續(xù)的數(shù)據(jù)處理。

表1植被指數(shù)及計算公式

結果與分析

3.1 葉綠素相對含量、株高、產量

盛花期、成熟期棉花植株株高與葉綠素相對含量的基本信息如表2、表3所示。數(shù)據(jù)顯示不同生長階段的棉花葉綠素含量、株高存在較小差異,可能是由于盛花期至成熟期間產量已相對穩(wěn)定,不排除另有其他環(huán)境因素的變化,使得觀察到的差異較小。圖2為測產樣點棉花單鈴重的頻數(shù)分布圖,曲線為依據(jù)樣本均值、方差繪制的正態(tài)分布曲線。棉花產量實測數(shù)據(jù)顯示,棉花單株產量集中于90～150g。

表2 棉花葉綠素相對含量統(tǒng)計

表3 棉花株高數(shù)據(jù)統(tǒng)計

圖2 棉花單株產量分布直方圖

3.2植被指數(shù)與葉綠素相對含量、株高相關性分析

利用建模數(shù)據(jù)集中實測的SPAD、株高分別與8種植被指數(shù)進行相關性分析,計算結果如表4所示。

表4 植被指數(shù)與SPAD、株高相關系數(shù)

從表4可以看出,SPAD與8種植被指數(shù)的相關系數(shù)在0.528～0.792之間,其中SPAD與GDVI相關系數(shù)最強,相關系數(shù)達到0.792;NDRE與株高之間為負相關關系,其余7種植被指數(shù)均與株高呈正相關關系。與棉花株高具有最好的相關性的植被指數(shù)為GDVI,相關系數(shù)為0.738。因此,選擇表4中的8種植被指數(shù)對于構建棉花的生長參數(shù)及產量的反演模型具有一定可行性。

3.3 棉花各植被指數(shù)與產量的相關系數(shù)

8種植被指數(shù)與產量的相關性分析結果如表5所示,其中GDVI在盛花期與產量相關性最佳,相關系數(shù)為0.755;而在成熟期DVI是與產量相關性最佳的植被指數(shù),相關系數(shù)為0.718。表5植被指數(shù)與產量相關系數(shù)

表5 植被指數(shù)與產量相關系數(shù)

3.4 棉花無人機多光譜遙感生長參數(shù)及估產模型

為提高模型預測精度,本文以8種植被指數(shù)作為估算模型的輸入,采用多元逐步線性回歸法、人工神經網絡和隨機森林法構建不同生育期棉花葉綠素含量、株高、產量之間的經驗統(tǒng)計模型。

如表6所示,可得基于MLR、基于RF和基于BPNN構建的盛花期和成熟期棉花株高估算模型的R2、RMSE和NRMSE；基于MLR、基于RF和基于BPNN構建的盛花期和成熟期棉花SPAD估算模型的R2、RMSE和NRMSE；基于MLR、基于RF和基于BPNN構建的盛花期和成熟期棉花產量估算模型的R2、RMSE和NRMSE。

從表6可以看出,不管是在盛花期還是成熟期,人工神經網絡模型的精度均高于其他兩種模型方法。

表6不同模型方法預測棉花各項指標的模型概況

3.5 基于無人機遙感的棉花生育期植被指數(shù)估測產量驗證

本文使用BP神經網絡模型對8個植被指數(shù)和實測數(shù)據(jù)進行建模,并進行驗證?；谔镩g試驗共獲取花蕾期和成熟期各150組SPAD和株高樣本、150組產量樣本,對所有樣本進行從小到大排序,在這些樣本中隨機選取110組樣本作為建模集,剩余40組樣本作為驗證集。以表1中的植被指數(shù)作為自變量,以棉花株高作為因變量,采用BPNN構建棉花盛花期、成熟期株高估算模型,從R2、RMSE、NRMSE3個方面綜合評定模型精度,不同建模方法對于棉花株高的預測結果如圖3所示。

圖3基于人工神經網絡的棉花生長參數(shù)和產量預測精度驗證

結論

本文以山東省濱州市棉花為研究對象,利用無人機獲取了棉花不同時期的多光譜影像,并采用多元線性回歸、隨機森林、人工神經網絡三種方法分別構建了棉花的株高、葉綠素相對含量、產量的估計模型。同時還深入探討了不同機器學習方法對棉花長勢參數(shù)與產量估算精度的影響,旨在為更加精準、快速地獲取棉花生長參數(shù)與產量預測提供理論參考。

目前無人機遙感影像與植被指數(shù)結合的相關研究在農業(yè)領域應用日益廣泛。本文通過無人機多光譜遙感技術反演棉花的株高和葉綠素含量,并分析其與產量的關聯(lián),從而為作物生長參數(shù)的監(jiān)測和農作物產量的預測提供可靠數(shù)據(jù)支持。

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學醫(yī)療、精準農業(yè)、礦物地質勘探等領域的最新產品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇