基于无人机多光谱遥感的棉花生长参数和产量估算

一、引言

无人机低空遥感技术的快速发展为高时间与高空间分辨率的快捷精确地进行野外数据采集提供了前所未有的机遇。

尽管目前已有许多关于棉花SPAD、株高等指标的遥感长势监测研究,但在利用机器学习方法进行棉花长势监测与单株产量估算的研究方面,探索较少。同时,利用无人机多光谱数据预测棉花产量的研究也相对有限。因此,以山东省滨州市棉花为研究对象,应用无人机多光谱遥感技术,采用多元线性回归、随机森林和人工神经网络三种机器学习方法,构建棉花的株高、叶绿素相对含量和单株产量的估计模型,并进行验证。以探究其在棉花株高和叶绿素含量反演方面的应用潜力,为作物产量的实时预测提供理论依据,并探讨无人机多光谱遥感技术在作物长势监测方面的应用效果。

材料与方法

2.1 研究区概况

本文于2022年7-9月在山东省滨州市秦皇台乡(山东滨州棉花科技小院)进行田间试验,该地北纬37.22°,东经118.02°,海拔约11m,一年只种植一季棉花育种材料。试验田属暖温带大陆性季风气候,半湿润地区,冬季寒冷干燥,夏季炎热多雨。年平均气温约为12.3℃,年降雨量626mm左右,其中夏季降雨量较大,占全年的60%～70%,其他月份降雨较少。试验棉花鲁研棉37于2022年4月28日采用随机区组设计播种。行距0.76m,株距0.16m,种植密度为90000株/hm2。试验田栽培管理措施与一般大田管理措施相同。本试验在试验田内均匀布设3个地面控制点,由红色喷漆作为标志(避免在获取不同时期无人机遥感影像时发生空间位置的移动)。利用智能系统测量控制点的三维空间地理位置,以便进行几何校正和图像配准。试验田长100m,宽30m,平均分为30个小区,每个小区9m×10m,如图1所示。

图1 研究区地理位置及试验小区设置

2.2无人机多光谱图像采集与处理

采用无人机多光谱对测试区域进行多光谱图像采集。在图像拼接过程中,将无人机多光谱图像导入软件,软件能够自动读取相机配置信息和定位系统数据,然后进行辐射校准。最后,生成数字地表模型、数字正射影像,并进行几何校正和图像配准。

2.3 无人机多光谱图像的植被指数提取

为筛选出适合棉花无人机遥感估产的植被指数,本文基于无人机多光谱影像红、绿、蓝、红外、近红外波段的光谱信息,从65种植被指数中选取了8种与产量相关性较高的植被指数,计算植被指数的公式如表1所示。采用计算工具提取植被指数。构建感兴趣区域提取每个小区的植被指数,并选择每个小区的平均反射率进行后续的数据处理。

表1植被指数及计算公式

结果与分析

3.1 叶绿素相对含量、株高、产量

盛花期、成熟期棉花植株株高与叶绿素相对含量的基本信息如表2、表3所示。数据显示不同生长阶段的棉花叶绿素含量、株高存在较小差异,可能是由于盛花期至成熟期间产量已相对稳定,不排除另有其他环境因素的变化,使得观察到的差异较小。图2为测产样点棉花单铃重的频数分布图,曲线为依据样本均值、方差绘制的正态分布曲线。棉花产量实测数据显示,棉花单株产量集中于90～150g。

表2 棉花叶绿素相对含量统计

表3 棉花株高数据统计

图2 棉花单株产量分布直方图

3.2植被指数与叶绿素相对含量、株高相关性分析

利用建模数据集中实测的SPAD、株高分别与8种植被指数进行相关性分析,计算结果如表4所示。

表4 植被指数与SPAD、株高相关系数

从表4可以看出,SPAD与8种植被指数的相关系数在0.528～0.792之间,其中SPAD与GDVI相关系数最强,相关系数达到0.792;NDRE与株高之间为负相关关系,其余7种植被指数均与株高呈正相关关系。与棉花株高具有最好的相关性的植被指数为GDVI,相关系数为0.738。因此,选择表4中的8种植被指数对于构建棉花的生长参数及产量的反演模型具有一定可行性。

3.3 棉花各植被指数与产量的相关系数

8种植被指数与产量的相关性分析结果如表5所示,其中GDVI在盛花期与产量相关性最佳,相关系数为0.755;而在成熟期DVI是与产量相关性最佳的植被指数,相关系数为0.718。表5植被指数与产量相关系数

表5 植被指数与产量相关系数

3.4 棉花无人机多光谱遥感生长参数及估产模型

为提高模型预测精度,本文以8种植被指数作为估算模型的输入,采用多元逐步线性回归法、人工神经网络和随机森林法构建不同生育期棉花叶绿素含量、株高、产量之间的经验统计模型。

如表6所示,可得基于MLR、基于RF和基于BPNN构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构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构建的盛花期和成熟期棉花产量估算模型的R2、RMSE和NRMSE。

从表6可以看出,不管是在盛花期还是成熟期,人工神经网络模型的精度均高于其他两种模型方法。

表6不同模型方法预测棉花各项指标的模型概况

3.5 基于无人机遥感的棉花生育期植被指数估测产量验证

本文使用BP神经网络模型对8个植被指数和实测数据进行建模,并进行验证。基于田间试验共获取花蕾期和成熟期各150组SPAD和株高样本、150组产量样本,对所有样本进行从小到大排序,在这些样本中随机选取110组样本作为建模集,剩余40组样本作为验证集。以表1中的植被指数作为自变量,以棉花株高作为因变量,采用BPNN构建棉花盛花期、成熟期株高估算模型,从R2、RMSE、NRMSE3个方面综合评定模型精度,不同建模方法对于棉花株高的预测结果如图3所示。

图3基于人工神经网络的棉花生长参数和产量预测精度验证

结论

本文以山东省滨州市棉花为研究对象,利用无人机获取了棉花不同时期的多光谱影像,并采用多元线性回归、随机森林、人工神经网络三种方法分别构建了棉花的株高、叶绿素相对含量、产量的估计模型。同时还深入探讨了不同机器学习方法对棉花长势参数与产量估算精度的影响,旨在为更加精准、快速地获取棉花生长参数与产量预测提供理论参考。

目前无人机遥感影像与植被指数结合的相关研究在农业领域应用日益广泛。本文通过无人机多光谱遥感技术反演棉花的株高和叶绿素含量,并分析其与产量的关联,从而为作物生长参数的监测和农作物产量的预测提供可靠数据支持。

推荐：

便携式高光谱成像系统iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。

审核编辑 黄宇