一、引言

無人機低空遙感技術的快速發展為高時間與高空間分辨率的快捷精確地進行野外數據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測研究,但在利用機器學習方法進行棉花長勢監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據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,并探討無人機多光譜遙感技術在作物長勢監測方面的應用效果。

材料與方法

2.1 研究區概況

本文于2022年7-9月在山東省濱州市秦皇臺鄉(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,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生空間位置的移動)。利用智能系統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,每個小區9m×10m,如圖1所示。

圖1 研究區地理位置及試驗小區設置

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數據,然后進行輻射校準。最后,生成數字地表模型、數字正射影像,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提取

為篩選出適合棉花無人機遙感估產的植被指數,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種植被指數中選取了8種與產量相關性較高的植被指數,計算植被指數的公式如表1所示。采用計算工具提取植被指數。構建感興趣區域提取每個小區的植被指數,并選擇每個小區的平均反射率進行后續的數據處理。

表1植被指數及計算公式

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。數據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定,不排除另有其他環境因素的變化,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分布圖,曲線為依據樣本均值、方差繪制的正態分布曲線。棉花產量實測數據顯示,棉花單株產量集中于90～150g。

表2 棉花葉綠素相對含量統計

表3 棉花株高數據統計

圖2 棉花單株產量分布直方圖

3.2植被指數與葉綠素相對含量、株高相關性分析

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

表4 植被指數與SPAD、株高相關系數

從表4可以看出,SPAD與8種植被指數的相關系數在0.528～0.792之間,其中SPAD與GDVI相關系數最強,相關系數達到0.792;NDRE與株高之間為負相關關系,其余7種植被指數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為GDVI,相關系數為0.738。因此,選擇表4中的8種植被指數對于構建棉花的生長參數及產量的反演模型具有一定可行性。

3.3 棉花各植被指數與產量的相關系數

8種植被指數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,相關系數為0.755;而在成熟期DVI是與產量相關性最佳的植被指數,相關系數為0.718。表5植被指數與產量相關系數

表5 植被指數與產量相關系數

3.4 棉花無人機多光譜遙感生長參數及估產模型

為提高模型預測精度,本文以8種植被指數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估測產量驗證

本文使用BP神經網絡模型對8個植被指數和實測數據進行建模,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結合的相關研究在農業領域應用日益廣泛。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,從而為作物生長參數的監測和農作物產量的預測提供可靠數據支持。

推薦：

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、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，系統集成高性能數據采集與分析處理系統，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，可根據用戶需求更換物鏡。

審核編輯 黃宇