基于无人机数码影像的马铃薯生物量估算

刘 杨，冯海宽，黄 珏，孙 乾，杨福芹

基于无人机数码影像的马铃薯生物量估算

刘 杨1,2,3,4，冯海宽1,3,4※，黄 珏2，孙 乾1,3,4，杨福芹5

（1. 农业农村部农业遥感机理与定量遥感重点实验室，北京农业信息技术研究中心，北京 100097；2. 山东科技大学测绘科学与工程学院，青岛 266590；3. 国家农业信息化工程技术研究中心，北京 100097；4. 北京市农业物联网工程技术研究中心，北京 100097；5. 河南工程学院土木工程学院，郑州 451191）

株高和植被覆盖度（Vegetation Coverage, VC）是估算生物量的重要参数，而生物量的准确估算对农业生产具有重要作用。该研究获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的无人机和地面数码影像，并实测株高、地上生物量和地面控制点（Ground Control Point, GCP）的三维空间坐标。首先基于数字表面模型（Digital Surface Model, DSM）提取马铃薯株高，其次利用地面和无人机数码影像提取马铃薯VC实测值和估测值，然后将提取的株高、VC和二者乘积与选取的11种植被指数和生物量作相关性分析，挑选出相关性较好的前6种植被指数和3种农学参数，最后通过线性回归（Linear Regression，LR）、偏最小二乘回归（Partial Least Square Regression，PLSR）、随机森林（Random Forest，RF）算法和支持向量机（Support Vector Machine, SVM）估算生物量。结果表明，提取株高和实测株高拟合的决定系数为0.86，标准均方根误差为13.42%；提取VC值和实测VC值拟合的决定系数为0.84，标准均方根误差为15.76%；利用LR建模和验证精度由低到高依次为提取的株高、VC和二者乘积，每种变量的估算效果均从现蕾期到块茎增长期逐渐变好，从淀粉积累期到成熟期逐渐变差；每个生育期利用3种方法以不同变量估算生物量效果依次由低到高为植被指数、植被指数结合提取株高、植被指数结合提取VC、植被指数结合提取的株高和VC，其中PLSR模型效果优于RF和SVM模型。该研究为马铃薯长势快速监测提供参考。

模型；无人机；生物量；马铃薯；株高；植被覆盖度；植被指数

0 引 言

植被覆盖度是研究区域植被冠层在地面的垂直投影面积与研究区总面积的比值，即植土比[1]，其能够表示植被的茂密程度以及植物进行光合作用的大小，同株高一样，是衡量植被生长状况的客观指标[2-3]。作物生物量指的是在一定条件下，作物植被进行光合作用的产物，经常被用来评估作物长势及预测产量[4-7]。植被覆盖度和株高是估算生物量的重要参数。因此监测作物植被覆盖度、株高和生物量对于揭露某一区域作物生长变化规律以及提供农业管理决策信息，具有科学的指导意义。

随着遥感技术的兴起，无人机遥感技术能够弥补卫星遥感由于过境时间与环境等因素的影响而无法获取数据的不足，凭借着机动性强、能够云下获取高分辨率的航拍影像等优势，成为当前精准农业监测的主要技术手段[8-12]。而数码影像获取成本较低，空间分辨率较高，后续数据处理简单，使得成为一种极具潜力的快速测量农学参数的方式，得到了研究者的关注。苏占雄[13]探索利用数码影像估算灌木和草地植被生物量的可行性，通过提取的各变量与生物量之间的相关性，建立了灌木和草地植被生物量的估算模型，估算精度非常高。刘艳慧等[14]通过数码影像提取呼伦贝尔草原上的植被覆盖度，利用株高和覆盖度交叉变量构建的草地生物量估算模型优于单一变量模型，其相关系数达到了0.85。宋清洁等[15]基于小型无人机获取的大样方数据提取植被覆盖度，与MODIS植被指数产品中归一化植被指数进行相关分析，结果表明利用NDVI植被指数估算草地覆盖度具有很高的精度（决定系数为0.88）。Zhou等[16]利用数码影像结合光谱和纹理特征提取草地覆盖度，结果表明该方法比非监督分类和最大似然法监督分类精度都要高。Guijarro等[17]基于数码影像和影像纹理特征，通过计算机技术进行分类，识别出田间杂草。Saberioon等[18]基于多生育期的数码影像数据，构建多种可见光植被指数来估算水稻的叶绿素含量（相关系数为0.78），结果表明高清数码影像能够对水稻的叶绿素含量进行有效监测。然而，将株高和植被覆盖度进行结合用来估算作物生物量，从而监测作物营养状况方面的研究较为鲜见。

综上，本研究以马铃薯为研究对象，利用无人机数码影像提取作物的株高和覆盖度，结合地面实测生物量值进行单变量的模型构建；并挑选多种影像指数结合株高和覆盖度数据通过3种方法建立生物量模型并验证，最后筛选出最优估测模型，为马铃薯的长势监测及产量评估提供一种高效快速的方法。

1 材料与方法

1.1 研究区域概况与试验设计

于2019年3—7月在北京市昌平区小汤山镇国家精准农业研究示范基地的马铃薯试验田开展试验。该区域位于小汤山镇（40°10′34″N，116°26′39″E）东部，平均海拔约为36 m，气候类型为暖温带半湿润大陆性季风气候，年均降水量约为640 mm，年均温度约为10 ℃，年均无霜期180 d。

试验田东西总长40 m，南北总长45 m（不包括保护行），试验区共设密度试验区、氮素试验区和钾肥试验区（图1），采用完全随机试验设计，密度试验区和氮素试验区均设2个试验品种，分别为中薯5和中薯3，均为早熟品种，钾肥试验区设1个试验品种为中薯3。

密度试验设置为3个水平，每公顷60 000株（T1）、72 000株（T2）和84 000株（T3），处理6个，每个处理重复3次，共18个试验小区。

氮素试验设置为4个水平，0 kg/hm2尿素（N0）、244.65 kg/hm2尿素（N1）、489.15 kg/hm2尿素（N2，正常处理，15 kg纯氮）和733.50 kg/hm2尿素（N3），处理8个，每个处理重复3次，共24个试验小区。

钾肥试验设置为3个水平，0 kg/hm2钾肥（K0）、970.5 kg/hm2钾肥（K1）和1 941 kg/hm2钾肥（K2），处理2个，每个处理重复3次，共6个试验小区。另外，密度试验区和氮素试验区中的所有处理均同时施用了K1处理。

小区总计48个，小区面积为6.5 m×5 m。为了更好的获取试验田的数字表面模型（Digital Surface Model, DSM），本试验在试验小区周围均匀布控11个地面控制点（Ground Control Point，GCP）（G1～G11，由0.3 m×0.3 m的木板和埋于地下的木桩组成,其上有黑白标志的塑料板，目的是准确确定木板的中心位置）并用差分全球定位系统（Global Positioning System, GPS）测定其三维空间位置。

注：T1、T2和T3代表不同种植密度梯度的处理，分别为每公顷60 000、72 000和84 000株；N0、N1、N2和N3代表不同施氮肥梯度的处理，分别为0、244.65、489.15和733.50（kg·hm-2）尿素；K0、K1和K2代表不同施钾肥梯度的处理，分别为0、970.5和1 941（kg·hm-2）钾肥，其中种植密度试验区和氮素试验区中的所有处理均同时施用了K1处理；n01~n18、s01~s24和k01~k06代表种植密度试验区、氮素试验区和钾肥试验区的小区编号；中薯5和中薯3均为本研究试验所使用的马铃薯品种；G1~G11代表地面控制点。

1.2 数码影像获取

本研究所采用的数码影像分为两类，1）利用无人机获取的马铃薯现蕾期（2019年5月13日）、块茎形成期（2019年5月28日）、块茎增长期（2019年6月10日）、淀粉积累期（2019年6月20日）和成熟期（2019年7月3日）等5个关键生育期数码影像。此时天空晴朗无风无云，飞行高度50 m，获取的影像基本不受大气环境的影响。2）每个小区内选取面积为130 cm×130 cm长势均匀的马铃薯样本作为植被覆盖度的实测值提取，利用G16型相机（佳能，日本）在其上方1.5 m处进行水平垂直拍摄，每个生育期获取48张地面数码影像。无人机数码参数和地面数码相机参数（表1）。

表1 无人机参数和地面数码相机参数

1.3 地面数据获取

分别获取马铃薯现蕾期至成熟期5个关键时期的覆盖度、株高和地上生物量数据。对于小面积的植被覆盖度实测值获取，一般采用目视法，但此方法获取的误差较大，而数码影像已经日渐成熟，成为小区域监测植被覆盖度的可靠技术手段和验证方法[19]。本研究每个试验小区的植被覆盖度实测值获取是学习了多篇文章求取覆盖度的方法和思路[20-22]，首先利用色度-饱和度-亮度（Hue-Saturation-Intensity，HSI）颜色转换空间进行研究小区外的处理；其次利用过绿植被指数（Excess Green Vegetation Index，EXG=2--，其中、、分别代表红、绿、蓝波段的像元亮度值）对上一步处理的研究小区进行绿色植被处理；然后通过最大类间方差阈值法进行土壤剔除；最后采用形态学阈值法去除植被杂草并进行去噪。即每个小区实测的植被覆盖度为每个研究小区提取的植被像素数比小区总像素数。马铃薯株高的测定方法为每个小区中选取能够代表长势水平的4棵植株，用直尺测量从茎基到叶顶端的距离，取其均值高度代表为该小区的实测株高。地上生物量通过收获法获取，选取能够代表小区长势水平的3棵植株样本，进行取样并迅速带回实验室将其茎叶分离，随后用流水洗净，105 ℃杀青，80 ℃烘干48 h以上，直到质量恒定再进行称量。将植株茎和叶的干质量求和得到样本干质量，最终通过群体密度和样本干质量，得到每个小区的马铃薯生物量[23]。

1.4 无人机数码影像处理

通过以运动结构（Structure From Motion，SFM）为核心算法的PhotoScan影像拼接软件对获取的无人机数码影像进行拼接处理，得到试验区域的数字正射影像（Digital Orthophoto Map，DOM）和DSM。DOM和DSM的拼接流程如下，首先，将航带内的影像和相对应的定位定姿系统（Position and Orientation System, POS）数据导入软件中，还原影像拍摄时的姿态和空间位置；其次，将地面控制点G1～G11添加到软件中，利用GCP的三维坐标信息优化影像对齐并生成飞行区域的稀疏点云；随后，基于稀疏点云构建密集点云，进而生成飞行区域的空间格网并建立纹理信息；最后，生成飞行区域马铃薯试验田的DOM和DSM（图2）。

注：POS代表定位定姿系统，DOM代表数字正射影像，DSM代表数字表面模型。

1.5 数码影像指数的选取

本研究选取11个利用归一化后的波段进行整合的可见光植被指数（Vegetation Indices, VIs），作为本研究的变量估算马铃薯的生物量（表2）。

表2 可见光植被指数及数学表达式

注：、、分别表示红、绿、蓝波段的像素亮度值；、、分别表示、、进行归一化处理后的像素亮度值。

Note:,, andrepresent pixel brightness values of red, green and blue bands, respectively;,, andrepresent pixel brightness values after,, andare normalized, respectively.

1.6 数据分析方法

马铃薯株高的提取，利用集空间数据显示、分析和制图为一体的ArcGIS软件的栅格计算工具将马铃薯不同生育期的DSM与播种后至出苗前的裸土时期之间的DSM进行差值运算，可以得到相应生育期马铃薯的株高，最后利用基于感兴趣区（Region Of Interest，ROI）数据提取的ROI工具提取出每个生育期试验小区的马铃薯平均株高（dsm，cm）

马铃薯覆盖度的提取，基于每个生育期的DOM借助专业遥感影像处理平台ENVI软件，利用EXG指数通过双峰法求取阈值，将大于阈值的像素归为1，小于阈值的像素归为0，最后根据ROI统计每个小区像素1的占比，即得到每个小区的植被覆盖度。

进行马铃薯生物量的估测时，所采用的方法为偏最小二乘回归（Partial Least Square Regression，PLSR）、随机森林（Random Forest，RF）算法和支持向量机（Support Vector Machine, SVM）。PLSR在构建生物量模型时，其能够消除多个自变量之间的共线性问题，用较少的自变量来预测因变量。RF利用袋外数据集的重要性原则，对输入的数据集进行降维，以达到用少量不相关变量来预测因变量。SVM是一种机器学习的方式，分为线性和非线性向量机，通过核函数求解一个超平面对训练数据进行二元分类。本研究输入数据集为数码影像参数，输出结果为马铃薯的生物量。

1.7 评价指标

本研究对每个生育期分别挑选67%样本数据（32个）作为建模集，33%样本数据（16个）作为验证集以此来构建马铃薯生物量估算模型。将采用决定系数（coefficient of determination,2）、均方根误差（Root Mean Square Error, RMSE）、标准均方根误差（Normalized Root Mean Square Error, NRMSE，%）来评价模型的精度。2越接近于1，RMSE和NRMSE越低，其估测模型的精度就越高。具体计算如式（1）~式（3）所示：

2 结果与分析

2.1 马铃薯植被覆盖度的监测

马铃薯5个生育期分别获取240个植被覆盖度（Vegetation Coverage, VC）实测值和预测值，为了验证植被覆盖度的提取效果，将二者进行线性拟合并计算精度（图3）。由图3可知，拟合的2为0.84，NRMSE为15.76%，说明基于无人机数码影像提取的VC精度较高，能够利用提取的VC对马铃薯生物量进行估算研究。

图3 植被覆盖度的预测值与实测值对比

2.2 马铃薯株高的监测

为了验证提取株高的精度，将获取的马铃薯株高与实测的马铃薯株高进行对比分析（图4）。由图4可知，二者拟合的2为0.86，NRMSE为13.42%，RMSE为6.36 cm，说明利用DSM结合GCP提取的株高精度较高，对马铃薯生物量能够较好的估测。

图4 基于数字表面模型提取的株高和实测株高的对比

2.3 马铃薯生物量估算

2.3.1 相关性分析

将马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期5个关键生育期的数码影像指数与dsm、VC和dsm×VC一起组成新的数据集，将此数据集和每个生育期实测的马铃薯生物量进行相关性分析，分别得到5个生育时期的新数据集与马铃薯生物量的分析结果（表3）。由表3可知，每个生育期得到的14种参数与马铃薯生物量大部分达到极显著相关（<0.01），相关性表现较好。比较不同生育期的EXG、GRVI、MGRVI等11种影像指数（表2）以及dsm、VC和dsm×VC 3种农学参数与马铃薯生物量的相关性可知，现蕾期与生物量相关性较高的前6个影像指数为GLA、RGBVI、EXG、CIVE、EXGR和NGBDI；块茎形成期和块茎增长期与生物量相关性较高的前6个影像指数为EXR、VARI、GRVI、NDI、MGRVI和EXGR；淀粉积累期和成熟期与生物量相关性较高的前6个影像指数为GLA、RGBVI、EXG、CIVE、NGBDI和EXGR。现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的前6个影像指数相关系数绝对值分别在0.667、0.730、0.703、0.640和0.452以上，均达到极显著相关（<0.01），其中块茎形成期和块茎增长期得到的影像指数与生物量的相关性高于现蕾期、淀粉积累期和成熟期。每个生育期得到的dsm、VC和dsm×VC3种农学参数除了dsm在现蕾期和成熟期未与生物量达到极显著相关（<0.01）外，其他时期均与生物量达到极显著水平（<0.01），而每个生育期的相关性排序依次为dsm×VC、VC和dsm，说明植被覆盖度比株高更能估测马铃薯生物量。

表3 马铃薯5个关键生育期的相关性分析

注：**表示0.01显著水平，*表示0.05显著水平。

Note: ** indicates a significant level of 0.01, * indicates a significant level of 0.05.

2.3.2 单变量模型对比分析

每个生育期将dsm、VC和dsm×VC作为自变量利用线性回归构建马铃薯生物量估算模型，并计算每个生育期各模型的精度评价指标（表4）。由表4可知，每个生育期利用线性回归（Linear Regression，LR）以3种变量估算马铃薯生物量时，验证集的精度均高于相应建模集的。每个生育期以3种变量得到的建模和验证效果依次为dsm×VC、VC和dsm，而利用同种变量估算马铃薯生物量从现蕾期到块茎增长期逐渐变好，从淀粉积累期估算效果开始变差，其中现蕾期到块茎增长期以dsm×VC建模的2由0.451 6变化为0.498 7，RMSE由327.30 kg/hm2变化为143.51 kg/hm2，NRMSE从23.21%变化到17.63%，验证2也不断增大，RMSE和NRMSE都不断减小；淀粉积累期到成熟期建模2由0.424 4变化为0.410 9，RMSE由292.95 kg/hm2变化为296.23 kg/hm2，NRMSE由23.77%变化为24.62%，验证2不断减小，RMSE和NRMSE都不断增加。综合各模型的精度评价指标可以看出，以dsm×VC作为模型因子时，马铃薯生物量估算模型精度得到显著提高，说明株高和植被覆盖度进行结合能够弥补单一变量估算生物量的不足。

2.3.3 多变量模型对比分析

将每个生育期筛选的前6个植被指数，如现蕾期为GLA、RGBVI、EXG、CIVE、EXGR和NGBDI；块茎形成期和块茎增长期为EXR、VARI、GRVI、NDI、MGRVI和EXGR；淀粉积累期和成熟期为GLA、RGBVI、EXG、CIVE、NGBDI和EXGR，分别与dsm和VC一起作为模型自变量，利用PLSR、RF和SVM 3种方法估算马铃薯现蕾期到成熟期的生物量，并计算每个生育期不同模型的精度评价指标，建模和验证结果如表5和表6所示，验证样本的拟合效果如图5～图7所示。

每个生育期以VIs、VIs+dsm、VIs+VC以及它们的结合为模型因子时，利用3种方法估算马铃薯生物量，建模2均从现蕾期到块茎增长期呈上升趋势，RMSE和NRMSE均呈下降趋势，验证结果与建模结果变化保持一致，也是估算生物量的效果逐渐变好，在块茎增长期以同种变量估算生物量的精度达到最高；从淀粉积累期到成熟期建模和验证2呈现下降趋势，RMSE和NRMSE均呈增加趋势，估算生物量的效果逐渐变差，整个生育期的模型精度变化趋势与单变量模型结果相一致。每种方法在不同生育期以VIs构建模型效果最差，融入dsm或VC变量模型精度得到提升，其中加入VIs+VC变量效果更好，而VIs+dsm+VC共同作为模型输入变量估算马铃薯生物量时，构建的模型精度最高，稳定性最强。综合各个模型建模和验证结果可知，每个生育期以同种变量基于PLSR构建的模型效果最好，基于RF构建的模型效果次之，而基于SVM得到的模型效果最差。整个生育期通过3种方法以VIs+dsm+VC变量估算马铃薯生物量效果最佳，现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期基于PLSR建模2分别为0.628 5、0.658 4、0.681 4、0.653 2和0.548 8，基于RF建模分别为0.538 5、0.603 3、0.632 2、0.615 9和0.542 4，基于SVM建模2分别为0.445 1、0.521 1、0.601 3、0.574 3和0.538 4。

表4 不同生育期3种变量与马铃薯生物量的线性回归分析

注：dsm为提取平均株高，cm；VC为植被覆盖度。下同。

Note:dsmis the extracted mean height, cm; VC is the Vegetation Coverage. The same below.

表5 不同生育期模型变量估测马铃薯生物量的建模分析

注：VIs为可见光植被指数，下同。

Note：VIs is the visible vegetation indices, the same below.

表6 不同生育期模型变量估测马铃薯生物量的验证分析

图5 不同生育期验证样本基于偏最小二乘回归的马铃薯生物量实测值和预测值拟合结果

图6 不同生育期验证样本基于随机森林算法的马铃薯生物量实测值和预测值拟合结果

图7 不同生育期验证样本基于支持向量机的马铃薯生物量实测值和预测值拟合结果

2.3.4 PLSR模型的生物量空间分布

通过PLSR以VIs+dsm+VC为输入变量估算马铃薯5个生育期的生物量，制作出每个生育期的生物量空间分布图（图8）。其中，各生育期的生物量空间分布情况和预测结果一致，现蕾期，每个试验小区生物量值较小，处于640 kg/hm2以下；块茎形成期，各小区生物量分布差异明显，重复1和重复2小区的生物量值高于重复3小区的，其中重复2小区的生物量值较高，n01～n09和s01～s12的重复1、重复2以及n10～n18、s13～s24和k01～k06重复1大部分生物量值处于1 280 kg/hm2以上；块茎增长期，作物生长旺盛，各小区生物量值较前2期大幅增加，且各小区生长状况容易辨别，重复1和重复2的部分小区生物量值高达1 920 kg/hm2以上，重复3小区生物量值相对较小；淀粉积累期，每个试验小区的生物量值分布均匀，同样重复1和重复2小区的生物量值高于重复3的，但都低于1 920 kg/hm2；成熟期，试验中部小区的生物量分布效果相比边缘小区分布较好，但整体上每个试验小区的生物量值明显低于上个生育期，而且密度试验区、氮素试验区和钾肥试验区在淀粉积累期和成熟期表现结果更为直观。不同生育期3个重复小区的生物量值空间分布差异与不同小区的种植密度和施肥情况有关，总体来说，每个生育期马铃薯长势情况由强到弱分布依次为重复2、重复1和重复3。通过对马铃薯生物量含量进行填图，能够更直观的辨别各个时期的马铃薯生长情况和相对差异性，起到对马铃薯田间管理快速高效率地决策作用。

图8 不同生育期的马铃薯生物量空间分布

3 讨 论

本研究通过马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期5个关键生育期的无人机数码影像基于DSM提取出了不同生育期的dsm，实测株高和dsm的拟合2为0.86，证实了提取的株高精度较高，这个结果和陶惠林等[24]、牛庆林等[31]和Bendig等[11]的研究结果一致。然而利用无人机数码影像基于DSM提取的作物高度整体上与实测值偏低，主要因为数码相机传感器获取的是作物冠层数据，而马铃薯实测株高茎顶端的冠层空间结构小，进行三维重建时可能被当作噪声去除，从而导致马铃薯冠层空间信息丢失；同时冠层影像中包含了大量的裸土像元，在进行株高的提取时，也参与了运算，这会导致提取的株高偏低。

本研究通过EXG指数法提取了每个小区的植被覆盖度，为了验证提取的效果，将提取的覆盖度值与实测的覆盖度值进行线性拟合，2为0.84，NRMSE小于20%，说明提取的精度可靠。然而本研究得到的结果与胡健波等[32]和王猛等[33]得到的结果相比，精度略低，主要原因：1）可能是影像分辨率不同，本文无人机飞行高度较高，获得的影像分辨率相对较低；2）研究对象不同，胡健波等研究利用地面数码影像提取草地覆盖度，而王猛等研究利用无人机数码影像提取玉米、小麦和棉花的覆盖度；3）本研究通过设计氮素和密度梯度试验，会导致每个小区的植被覆盖度发生变化，植株叶片的表现形态和冠层空间结构会明显不同，这会导致作物冠层光谱有所差别。

本研究在估算马铃薯不同生育期的生物量时，首先将构建的EXG、GRVI和MGRVI等11种植被指数以及dsm、VC和dsm×VC3种农学参数与生物量进行相关性分析，结果显示影像指数在块茎形成期和块茎增长期与生物量的相关性高于现蕾期、淀粉积累期和成熟期的相关性，主要因为块茎形成期和块茎增长期马铃薯长势较好，植被覆盖度相较于其他生育期较大，冠层光谱信息的提取不易受到地面土壤像元的影响，使得与生物量的联系较好。3种农学参数在不同生育期与生物量的相关性排序为dsm×VC、VC和dsm，这与刘艳慧等[14]和Wen等[34]研究结果一致。然而dsm在现蕾期和成熟期与生物量相关性偏低，主要因为现蕾期马铃薯叶片刚刚开始生长，植株叶片空间结构小，而成熟期由于自身生长原因外加天气影响，植株叶片枯萎凋零，使得提取的株高不能很好的反映作物的生物量。

单变量模型中，每个生育期利用LR估算马铃薯生物量的效果依次为dsm×VC、VC和dsm，这与生物量相关性分析结果保持一致。每种模型以dsm或VC为变量估算生物量的精度较低，而将二者进行结合共同用来估算马铃薯生物量时，模型精度得到显著提高，这与刘陟等[35]研究结果一致，也表明混合变量模型优于单一变量模型。多变量模型中，每个生育期以VIs、VIs+dsm、VIs+VC以及它们的结合利用3种方法估算马铃薯生物量，均从现蕾期到块茎增长期估算效果逐渐变好，从淀粉积累期到成熟期估算效果变差，这与单变量模型估算效果变化趋势一致。主要因为马铃薯前期以自身营养和生殖为主，随着生育期的推移，茎节伸长、叶片扩大，到了块茎增长期，茎叶等营养器官最为旺盛，随后由于地上部有机物需要向地下块茎不断输送，外受天气环境的影响，造成植株叶片迅速枯黄脱落，整个生育期植被覆盖度呈现先上升后下降的趋势，使得前期冠层光谱信息的提取相较后期不易受到地面土壤的影响，构建的模型效果由好变差。通过分析各个模型精度评价指标，每个生育期以同种方法均以VIs+dsm+VC为变量估算效果最佳，VIs+VC和VIs+dsm次之，而单一VIs最差。每个生育期以不同变量基于PLSR方法估算生物量最佳，基于RF次之，而SVM最差。使用PLSR方法构建的模型效果较好，主要因为它利用了主成分分析，能够较好地处理多个自变量之间的共线性问题，更好地使用冠层光谱信息来监测作物参数[36]。同时Yue等[37]也表明PLSR方法构建的模型效果优于RF和SVM模型，主要原因1）机器学习法能够高效处理较大数据集，而且对数据的鲁棒性较好，但对于较小数据集表现优势不明显[38]。本文参与建模和验证样本均属于较小数据集，所以RF和SVM表现能力较差一些；2）本文输入的模型变量之间存在多重共线性，RF对变量之间的共线性不敏感，而SVM在拟合过程中受到了和函数和惩罚因子的限制，降低了生物量的估算精度。本研究通过不同方法构建马铃薯生物量估算模型，得到的模型2相较于刘艳慧等[14]估算草地生物量的2略小，主要原因1）2的大小与样本量有关，刘艳慧等人的研究仅利用7个样本点构建草地生物量估算模型，而本研究建模和验证样本分别为32个和16个，远远超过7个，所以本研究得到的模型2略小；2）可能是刘艳慧等对无人机数码影像通过图像滤波和图像增强技术进行去噪处理，增强了植被信息，结合最大熵遗传算法提高了植被覆盖度的提取精度，使得模型的2略大。因此，未来的研究应着重考虑采取合适的技术手段去提高作物覆盖度的提取精度，从而才能够更好地估算生物量，以此来为农业精准监测提供新的技术方法。

马铃薯5个生育期的生物量空间分布图中，不同生育期的生物量值差异较大，且同生育期不同小区的生物量空间分布也明显不同，这可能与马铃薯自身生长状况、田块内部差异以及受外界天气的影响有关。马铃薯现蕾期，叶片干物质积累量主要用于自身建设和维持代谢活动，单株生物量值整体分布偏低；块茎形成期到块茎增长期，茎叶等器官逐步发育，生物量值不断变大，而淀粉积累期到成熟期，由于地上积累的有机物不断向地下块茎输送，同时生育后期，接连下雨天气，造成地上叶片枯黄脱落，使得生物量值降低。本研究仅用1年的马铃薯试验数据构建生物量估算模型，还需要进一步以不同年限、不同地点以及不同作物的样本进行深入分析，以此得到一个更普适的作物生物量估算模型。

4 结 论

1）基于无人机数码影像结合地面控制点（Ground Control Point, GCP）生成试验田的数字表面模型（Digital Surface Model, DSM），通过DSM提取株高与实测株高具有高度的拟合性，决定系数（coefficient of determination,2）为0.86、均方根误差（Root Mean Square Error, RMSE）为6.36 cm、标准均方根误差（Normalized Root Mean Square Error, NRMSE）为13.42%，说明利用DSM提取的马铃薯株高的方法可行。

2）基于无人机数码影像，通过将过绿植被指数（Excess Green Vegetation Index，EXG）提取的植被覆盖度与地面数码影像实测植被覆盖度进行线性拟合，2为0.84，NRMSE为15.76%，表明提取的植被覆盖度可以用来估算马铃薯生物量。

3）每个生育期通过线性回归（Linear Regression，LR）以提取平均株高（dsm）、植被覆盖度（Vegetation Coverage, VC）和dsm×VC 3种变量估算马铃薯生物量，建模和验证精度由高到低依次为dsm×VC、VC和dsm，且均从现蕾期到块茎增长期估算效果逐渐变好，从淀粉积累期到成熟期估算效果逐渐变差。

4）每个生育期利用偏最小二乘回归（Partial Least Square Regression，PLSR）、随机森林（Random Forest，RF）和支持向量机（Support Vector Machine, SVM）3种方法以植被指数（Vegetation Indices, VIs）、VIs+dsm、VIs+VC以及它们的结合估算马铃薯生物量，每种方法以VIs+dsm+VC估算效果最佳，VIs+VC和VIs+dsm次之，其中加入VC效果更好，而以VIs估算生物量效果最差；每个生育期基于PLSR构建的模型效果最优、基于RF模型次之、而SVM模型最差；整个生育期以同种方法同种变量估算马铃薯生物量效果变化趋势与单变量模型保持一致。

[1]牛亚晓，张立元，韩文霆，等. 基于无人机遥感与植被指数的冬小麦覆盖度提取方法[J]. 农业机械学报，2018，49(4)：212-221.

Niu Yaxiao, Zhang Liyuan, Han Wenting, et al. Fractional vegetation cover extraction method of winter wheat based on UAV remote sensing and vegetation index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(4): 212-221. (in Chinese with English abstract)

[2]佟斯琴，包玉海，张巧凤，等. 基于像元二分法和强度分析方法的内蒙古植被覆盖度时空变化规律分析[J]. 生态环境学报，2016，25(5)：737-743.

Tong Siqin, Bao Yuhai, Zhang Qiaofeng, et al. Spatiotemporal changes of vegetation coverage in Inner Mongolia based on the dimidiate pixel model and intensity analysis[J]. Ecology and Environment Sciences, 2016, 25(5): 737-743. (in Chinese with English abstract)

[3]周宇庭，付刚，沈振西，等. 藏北典型高寒草甸地上生物量的遥感估算模型[J]. 草业学报，2013，22(1)：120-129.

Zhou Yuting, Fu Gang, Shen Zhenxi, et al. Estimation model of aboveground biomass in the Northern Tibet Plateau based on remote sensing date[J]. Acta Prataculturae Sinica, 2013, 22(1): 120-129. (in Chinese with English abstract)

[4]刘畅，杨贵军，李振海，等. 融合无人机光谱信息与纹理信息的冬小麦生物量估测[J]. 中国农业科学，2018，51(16)：3060-3073.

Liu Chang, Yang Guijun, Li Zhenhai, et al. Biomass estimation in winter wheat by UAV spectral information and texture information fusion[J]. Scientia Agricultura Sinica, 2018, 51(16): 3060-3073. (in Chinese with English abstract)

[5]牧其尔，高志海，包玉海，等. 植被指数纹理特征信息估测稀疏植被生物量[J]. 遥感信息，2016，31(1)：58-63.

Mu Qier, Gao Zhihai, Bao Yuhai, et al. Estimation of sparse vegetation biomass based on grey-level co-occurrence matrix of vegetation indices[J]. Remote Sensing Information, 2016, 31(1): 58-63. (in Chinese with English abstract)

[6]岳继博，杨贵军，冯海宽. 基于随机森林算法的冬小麦生物量遥感估算模型对比[J]. 农业工程学报，2016，32(18)：175-182.

Yue Jibo, Yang Guijun, Feng Haikuan. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(18): 175-182. (in Chinese with English abstract)

[7]崔日鲜，刘亚东，付金东. 基于可见光光谱和BP人工神经网络的冬小麦生物量估算研究[J]. 光谱学与光谱分析，2015，9(9)：2596-2601.

Cui Rixian, Liu Yadong, Fu Jindong. Estimation of winter wheat biomass using visible spectral and BP based artificial neural networks[J]. Spectroscopy and Spectral Analysis, 2015, 9(9): 2596-2601. (in Chinese with English abstract)

[8]刘帅兵，杨贵军，景海涛，等. 基于无人机数码影像的冬小麦氮含量反演[J]. 农业工程学报，2019，35(11)：75-85.

Liu Shuaibing, Yang Guijun, Jing Haitao, et al. Retrieval of winter wheat nitrogen content based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 75-85. (in Chinese with English abstract)

[9]陈鹏飞，梁飞. 基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究[J]. 中国农业科学，2019，52(13)：2220-2229.

Chen Pengfei, Liang Fei. Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle[J]. Scientia Agricultura Sinica, 2019, 52(13): 2220-2229. (in Chinese with English abstract)

[10]刘建刚，赵春江，杨贵军, 等. 无人机遥感解析田间作物表型信息研究进展[J]. 农业工程学报，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)

[11]Bendig J, Bolten A, Bennertz S, et al. Estimating biomass of barley using Crop Surface Models (CSMs) derived from UAV-based RGB imaging[J]. Remote Sensing, 2014, 6(11): 10395-10412.

[12]Jin Xiuliang, Kumar L, Li Zhenhai, et al. Estimation of winter wheat biomass and yield by combining the aquacrop model and field hyperspectral data[J]. Remote Sensing, 2016, 8(12): 1-15.

[13]苏占雄. 利用照相方法估算灌木和草地植被地上生物量的研究[D]. 西安：西安建筑科技大学，2009.

Su Zhanxiong. Estimation Shrubs and Grassland Vegetation Above Ground Biomass Using Photography Methods[D]. Xi’an: Xi’an University of Architecture and Technology, 2009. (in Chinese with English abstract)

[14]刘艳慧，蔡宗磊，包妮沙，等. 基于无人机大样方草地植被覆盖度及生物量估算方法研究[J]. 生态环境学报，2018，27(11)：2023-2032.

Liu Yanhui, Cai Zonglei, Bao Nisha, et al. Research of grassland vegetation coverage and biomass estimation method based on major quadrat from UAV photogrammetry[J]. Ecology and Environmental Sciences, 2018, 27(11): 2023-2032. (in Chinese with English abstract)

[15]宋清洁，崔霞，张瑶瑶，等. 基于小型无人机与 MODIS 数据的草地植被覆盖度研究：以甘南州为例[J]. 草业科学，2017，34(1)：40-50.

Song Qingjie, Cui Xia, Zhang Yaoyao, et al. Grassland fractional vegetation cover analysis using small UVAs and MODIS-a case study in Gannan prefecture[J]. Pratacultural Science, 2017, 34(1): 40-50. (in Chinese with English abstract)

[16]Zhou Qiming, Robson M. Automated rang eland vegetation cover and density estimation using ground digital images and a spectral-contextual classifier[J]. International Journal of Remote Sensing, 2001, 22(17): 3457-3470.

[17]Guijarro M, Pajaresg G, Riomorosi I, et al. Automatic segmentation of relevant textures in agricultural images[J]. Computers and Electronics in Agriculture, 2011, 75(1): 75-83.

[18]Saberioon M M, Amin M S, Anuar A R, et al. Assessment of rice leaf chlorophyll content using visible bands at different growth stages at both the leaf and canopy scale[J]. International Journal of Applied Earth Observations & Geoinformation, 2014, 32(10): 35-45.

[19]Zhang Dongdong, Mansaray L R, Jin H, et al. A universal estimation model of fractional vegetation cover for different crops based on time series digital photographs[J]. Computers and Electronics in Agriculture, 2018, 151(10): 93-103.

[20]胡健波，张璐，黄伟，等. 基于数码照片的草地植被覆盖度快速提取方法[J]. 草业科学，2011，5(9)：1661-1665.

Hu Jianbo, Zhang Lu, Huang Wei, et al. Rapid extraction method of grassland vegetation coverage based on digital photos[J]. Pratacultural Science, 2011, 5(9): 1661-1665. (in Chinese with English abstract)

[21]班爱琴，钱育蓉，莫媛淇，等. 用植被判定流程图法从数码照片中快速提取植被覆盖度[J]. 西北农林科技大学学报：自然科学版，2012，40(8)：200-206.

Ban Aiqin, Qian Yurong, Mo Yuanqi, et al. Quickly extract vegetation coverage from digital photos using vegetation determination flowchart method[J]. Journal of Northwest A&F University: Natural Science Edition, 2012, 40(8): 200-206. (in Chinese with English abstract)

[22]Li Xiaobing, Chen Yunhao, Yang Hua, et al. Improvement, comparison, and application of field measurement methods for grassland vegetation fractional coverage[J]. Journal of Integrative Plant Biology: Formerly Acta Botanica Sinica, 2005, 47(9): 1074－1083.

[23]王备战，冯晓，温暖，等. 基于SPOT-5影像的冬小麦拔节期生物量及氮积累量监测[J]. 中国农业科学，2012，45(15)：3049-3057.

Wang Beizhan, Feng Xiao, Wen Nuan, et al. Monitoring biomass and N accumulation at jointing stage in winter wheat based on SPOT-5 images[J]. Scientia Agricultura Sinica, 2012, 45(15): 3049-3057. (in Chinese with English abstract)

[24]陶惠林，徐良骥，冯海宽，等. 基于无人机数码影像的冬小麦株高和生物量估算[J]. 农业工程学报, 2019，35(19)：107-116.

Tao Huilin, Xu Liangji, Feng Haikuan, et al. Estimation of plant height and biomass of winter wheat based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(19): 107-116. (in Chinese with English abstract)

[25]Bendig J, Kang Y, Aasen H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 39(1): 79-87.

[26]裴浩杰，冯海宽，李长春，等. 基于综合指标的冬小麦长势无人机遥感监测[J]. 农业工程学报，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)

[27]Woebbecke D M, Meyer G E, Bargen K V, et al. Color indices for weed identification under various soil, residue, and lighting conditions[J]. Transactions of the ASAE, 1995, 38(1): 259-269.

[28]Anatoly A, Yoram J, Robert S, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76-87.

[29]George E, Camargo N. Verification of color vegetation indices for automated crop imaging applications[J]. Computers & Electronics in Agriculture, 2008, 63(2): 282-293.

[30]Francesco C, Leonardo D, Donatella G, et al. Estimation of canopy attributes in beech forests using true colour digital images from a small fixed-wing UAV[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 5(47): 60-68.

[31]牛庆林，冯海宽，杨贵军，等. 基于无人机数码影像的玉米育种材料株高和LAI监测[J]. 农业工程学报，2018，34(5)：73-82.

Niu Qinglin, Feng Haikuan, Yang Guijun, et al. Monitoring plant height and leaf area index of maize breeding material based on UAV digital images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 73-82. (in Chinese with English abstract)

[32]胡健波，张璐，黄伟，等. 基于数码照片的草地植被覆盖度快速提取方法[J]. 草业科学，2011，28(9)：1661-1665.

Hu Jianbo, Zhang Lu, Huang Wei, et al. Quickly determining grassland cover using the digital image[J]. Pratacultural Science, 2011, 28(9): 1661-1665. (in Chinese with English abstract)

[33]王猛，隋学艳，梁守真，等. 利用无人机遥感技术提取农作物植被覆盖度方法研究[J]. 作物杂志，2020，4(3)：177-183.

Wang Meng, Sui Xueyan, Liang Shouzhen, et al. Research on the method of extracting crop vegetation coverage using UAV remote sensing technology[J]. Crops, 2020, 4(3): 177-183. (in Chinese with English abstract)

[34]Wen Zhaofei, Ma Maohua, Zhang Ce, et al. Estimating seasonal aboveground biomass of a riparian pioneer plant community: An exploratory analysis by canopy structural data[J]. Ecological Indicators, 2017, 12(83): 411-450.

[35]刘陟，黄奇，周延林，等. 毛乌素沙地油蒿生物量估测模型研究[J]. 中国草地学报，2014，36(4)：24-30.

Liu Zhi, Huang Qi, Zhou Yanlin, et al. Study on the models for estimating the biomass ofin Mu us Sandland[J]. Chinese Journal of Grassland, 2014, 36(4): 24-30. (in Chinese with English abstract)

[36]田明璐，班松涛，常庆瑞，等. 基于无人机成像光谱仪数据的棉花叶绿素含量反演[J]. 农业机械学报, 2016，47(11)：285-293.

Tian Minglu, Ban Songtao, Chang Qingrui, et al. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV-based imaging spectroradiometer[J]. Transactions of The Chinese Society of Agricultural Machinery, 2016, 47(11): 285-293. (in Chinese with English abstract)

[37]Yue Jibo, Feng Haikuan, Jin Xiuliang, et al. A comparison of crop parameters estimation using images from UAV-mounted snapshot hyperspectral sensor and high-definition digital camera[J]. Remote Sensing, 2018, 10(7): 1138-1162.

[38]冯海宽，杨福芹，杨贵军，等. 基于特征光谱参数的苹果叶片叶绿素含量估算[J]. 农业工程学报，2018，34(6)：182-188.

Feng Haikuan, Yang Fuqin, Yang Guijun, et al. Estimation of chlorophyll content in apple leaves base on spectral feature parameters[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(6): 182-188. (in Chinese with English abstract)

Estimation of potato biomass based on UAV digital images

Liu Yang1,2,3,4, Feng Haikuan1,3,4※, Huang Jue2, Sun Qian1,3,4, Yang Fuqin5

(1.100097,; 2.266590,; 3.100097,; 4.100097,; 5.451191,)

Accurate estimation of crop biomass by plant height and Vegetation Coverage (VC) is of great significance in agricultural production and has a strong guiding significance for agricultural managers. It is necessary to use an effective method to estimate the biomass of field crops quickly and accurately. Taking the potato in Xiaotangshan National Precision Agricultural Research Demonstration Base as the research object and conducted a field experiment between March and July 2019. Digital images were taken by Unmanned Aerial Vehicle (UAV) and ground camera from the field at budding, tuber formation, tuber growth, starch accumulation, and maturity period and measured plant height, above-ground biomass, and three-dimensional coordinates of Ground Control Points (GCPs) were obtained by ground survey. Firstly, the Digital Surface Model (DSM) is generated based on GCPs to calculate the plant height and compared the results with field measurements. Secondly, Measured and estimated values of VC were calculated through ground and UAV digital images and compared between the results. Then, the correlation analyses between biomass and extraction values of plant height, VC, their product, and eleven Vegetation Indices (VIs). Six VIs and three agronomy parameters were selected for each growth stage, respectively. Finally, the selected VIs and three agronomy parameters were used as modeling factors, and the biomass was estimated by Linear Regression (LR), Partial Least Square Regression (PLSR), Random Forest (RF) algorithm, and Support Vector Machine (SVM), and the models constructed by the remote sensing data were compared to optimize the model. The results showed that the extraction values of plant heigh from DSM agreed well with the measurements, the coefficient of determination was 0.86 and the normalized root mean square error was 13.42% throughout the growth period. Measured and predicted values of VC stayed highly relevant, the coefficient of determination was 0.84 and the normalized root mean square error was 15.76% throughout the growth period. Through three agronomy parameters, analyzing the effect of the modeling and verification set, the accuracy of the Linear Regression (LR) model with extraction values of plant heigh multiply predicted values of VC as modeling factors was significantly better than that of extraction values of plant heigh or predicted values of VC, however, the accuracy of estimating biomass model with extraction values of plant height was the worst. In different growth periods, the performance of estimating biomass by LR had gradually increased from the budding stage to the tuber growth stage and reduced from the starch accumulation stage to the maturity stage. To compare capabilities of PLSR, RF, and SVM to estimate potato biomass, this study compared the accuracy of models for different growth periods using four variables, for example, VIs combined with extraction values of plant height, VIs combined with extraction values of VC and three variables as one. For PLSR, RF, and SVM models, the accuracy of modeling and verification showed a trend of first increasing and then decreasing when using the same kind of variables as model factors. Comparison of the accuracy of models was contrasted by different methods with the same variable at five periods, it is found that VIs incorporating the plant height and VC into estimation model significantly improved the biomass estimation. Comparison with the measured biomass showed that the coefficient of determination, the normalized root mean square error of PLSR model was 0.628 5 at bud period, 0.658 4 at tuber formation period, 0.681 4 at tuber growth period, 0.653 2 at starch accumulation period, 0.548 8 at maturity period, respectively. The PLSR model is superior to the RF and SVM model which the coefficient of determinationwas 0.538 5, 0.603 3, 0.632 2, 0.615 9, 0.542 4 and 0.445 1, 0.521 1, 0.601 3, 0.574 3, 0.538 4, respectively. In summary, the biomass of potato was quickly estimated using UAV digital images data by the PLSR method combined with VIs, plant height, and VC as a whole in different growth periods and provided technical support for effectively monitoring crop growth and accurately predicting yield.

models; UAV; biomass; potato; plant height; vegetation coverage; vegetation index

刘杨，冯海宽，黄珏，等. 基于无人机数码影像的马铃薯生物量估算[J]. 农业工程学报，2020，36(23)：181-192.doi：10.11975/j.issn.1002-6819.2020.23.021 http://www.tcsae.org

Liu Yang, Feng Haikuan, Huang Jue, et al. Estimation of potato biomass based on UAV digital images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(23): 181-192. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.23.021 http://www.tcsae.org

2020-08-03

2020-11-18

国家自然科学基金（41601346）

刘杨，主要从事农业定量遥感研究。Email：liuyanghe810@163.com

冯海宽，博士，助理研究员，主要从事农业定量遥感相关研究。Email：fenghaikuan123@163.com

10.11975/j.issn.1002-6819.2020.23.021

S25

A

1002-6819(2020)-23-0181-12