基于无人机可见光与激光雷达的甜菜株高定量评估

王 庆 车荧璞 柴宏红 邵 科 李保国 马韫韬

(1.中国农业大学土地科学与技术学院，北京 100193;2.内蒙古自治区生物技术研究院农业人工智能与作物表型工程研究中心，呼和浩特 010070)

0 引言

甜菜是主要糖料作物，也是公认的替代玉米进行生物燃料生产的原料之一[1]。随着世界人口的持续增长，对糖的需求量也持续增加。培育理想品种与充分利用环境条件是提高甜菜单产的关键因素[2]。甜菜株高可用于估算根系生物量[3]、指示水分胁迫[4]，还可作为甜菜氮含量和产量的有效指示因子[5]，是育种者和农田管理者评估大田甜菜生长状态的重要参数。目前，常用的株高测量为人工方法，费时费力、效率低。

信息技术的发展使得以高通量、无损的方式获取大田作物的株高成为可能，常用设备包括超声波传感器[6-7]、TOF相机[8-9]、激光雷达 (Light detection and ranging,LiDAR)[10-11]、数码相机[12-13]等。无人机搭载RGB相机估算作物株高是目前使用最广泛的方法之一[14-17]，该方法成本低、时间分辨率高、易于部署，能以较低的飞行高度获取高空间分辨率图像，从而用于构建冠层数字表面模型[18]，目前已被广泛应用于高粱[19]、小麦[20]、玉米[21]、棉花[22]的株高估算中。LiDAR具有较高空间分辨率，且不受环境光的影响，具有高度可重复性。LiDAR可以通过单回波或全波形系统来完整描述截获冠层的轮廓。车载LiDAR已被用于估算棉花[23]、小麦[24]、高粱[25]、花生[26]的株高。无人机搭载LiDAR已被广泛应用在林业[27-28]、工程测绘[29-30]领域，同时也应用于作物高度的估算[31-32]。相较于车载LiDAR，无人机搭载LiDAR具有机动灵活、工作效率高、不受地面条件限制等特点。

本文以186个不同基因型的大田甜菜为研究对象，研究无人机搭载RGB相机与无人机LiDAR系统在大田作物株高估算上的精度差异，并与人工测量值进行比较。进一步对点云进行分层分析，比较点云在冠层内分布的差异，为田间株高精准表型的获取和全基因组关联分析提供依据。

1 材料与方法

1.1 试验布置与株高测定

田间试验于内蒙古自治区乌兰察布市凉城县(40°30′5″N，112°8′50″E，海拔1 459.24 m)进行。试验地面积为62 m×19 m，包含186个不同基因型的甜菜育种小区和保护行。每个育种小区面积为1.2 m×2.3 m。播种时间为2019年5月20日。小区内株距0.2 m，各小区间隔0.5 m，所有小区的田间管理一致。于糖分积累期(2019年9月7日)在每个小区中间位置随机选取4株甜菜，使用米尺测量地面到甜菜自然状态下最高点的距离作为株高。取4株甜菜株高的平均值作为该基因型甜菜的株高。

1.2 基于无人机平台的可见光影像与激光雷达数据获取

由大疆精灵4RTK型无人机(深圳市大疆创新科技有限公司)采集可见光影像数据。该无人机携带的相机有效像素为2 000万，焦距8.8 mm，视场角84°。无人机搭载RGB相机系统飞行高度设置为25 m，主航线上图像间重叠度设置为80%，主航线间图像重叠度设置为85%，采样距离为0.68 cm/像素。试验田中5个地面控制点(Ground control point, GCP)均匀分布，采用华测RTK(上海华测导航技术有限公司)测量其三维空间位置。

采用M600 Pro旋翼无人机(深圳市大疆创新科技有限公司)搭载RIGEL VUX-1UAV型激光扫描仪(奥地利瑞格公司)获取多基因型甜菜的三维点云数据。RIGEL VUX-1UAV型激光扫描仪具有多目标回波探测能力，主要参数如表1所示。连接在扫描仪上的Applanix AP20 IMU和位于无人机顶部的全球导航卫星系统(Global navigation satellite system, GNSS)天线记录飞行方向和GNSS数据。无人机LiDAR系统飞行高度设置为25 m，飞行速度3 m/s。作业前30 min架设GPS基准站，用于后续数据预处理时与机载GPS数据联合差分获取飞行平台的精确位置信息。飞行前5 min，扫描仪处于稳定工作状态。

表1 机载激光扫描仪系统参数Tab.1 System parameters of LiDAR

1.3 数据预处理与点云获取

采用Agisoft Photoscan Professional软件处理无人机航拍RGB图像，生成三维点云、数字表面模型(Digital surface model, DSM)和数字正射影像(Digital orthomosaic map, DOM)，数据处理流程及结果如图1所示。无人机RGB数据处理流程为：导入影像数据，输入像中心点坐标、像元尺寸和相机焦距等参数，对相机的精度进行修正。对齐图像，导入5个地面控制点(GCP)中心的地理坐标，并在关联的图像中进行标记；生成无人机飞行区域的稠密点云，3D点云数据以txt格式导出。在生成的稠密点云基础上生成DSM和DOM，并将其输出保存为GeoTIFF文件[33]。

无人机LiDAR系统数据处理包括轨迹数据解算、点云数据配准、点云数据去噪。基于RIEGL自带的软件系统将生成的原始数据转换为点云。图1b为无人机LiDAR系统数据处理流程：①使用基站提供的差分数据，基于POSPac Mobile Mapping Suite对飞行方向和GNSS数据进行预处理，实现激光数据地理位置的厘米级精度。②基于Riprocess软件，通过预处理后的轨迹数据将原始数据转换为地理参考点云，以txt文件格式导出点云数据[34]。

1.4 小区分割、株高自动提取与精度评估

根据试验设计对田间各个小区进行分割，按其地理位置分配一个唯一编号。首先，根据试验区域4个顶点坐标和试验小区数进行均分获得每个独立小区。为了避免边行与其他相邻小区植株间的相互影响，通过程序将各小区的长边和短边自动各裁剪掉20 cm。基于分离出的独立小区，统计小区内每株甜菜的株高等表型信息。LiDAR点云累积高度的百分位数和无人机搭载RGB相机系统生成的DSM影像的像素百分位数代表了冠层的不同位置，低百分位数代表地面，高百分位数代表冠层上边界[35]。百分位数是指累积百分位所对应数据的值。为在相同的条件下对比，每个小区均选择第2分位数作为地面。为了探索冠层上边界的最佳百分位数，统计点云的累积高度和DSM像素的第95～100分位数(间隔为0.5)，与地面分位数作差估算株高，验证其估算精度。

通过将点云数据按高度分层，比较RGB与LiDAR获取的甜菜冠层结构的空间特征差异。首先，使用条件滤波器[36]对LiDAR生成的点云数据进行离群点删除。通过相同步长进行层切：① 用每一层点云数除以冠层点云总数。②将冠层离散为相同大小的立方体，对立方体内的点云从顶部到底部进行累加，获得冠层不同位置的累积点云分布。以上所有点云数据均用Matlab R2018a处理。

1.5 统计分析

采用决定系数R2、均方根误差(RMSE)、相对均方根误差(rRMSE)评价株高实测值与估算值的吻合程度。

2 结果与分析

2.1 株高估算精度评估

基于无人机搭载RGB相机生成的DSM影像和无人机LiDAR点云，以第95～100分位数上的11个百分位数作为上边界估算株高，与实测株高的R2和RMSE 如图2所示。从图2a可看出，两种方法在11个百分位数估算的株高与实测值均具有较好的相关性，R2都在0.75以上。不同百分位数上R2的变化较小，最小值均为第100分位数。基于RGB相机生成的DSM像素的第96分位数和LiDAR点云高度的第97.5分位数作为上边界估算的株高与实测株高相关性最好。从图2b可看出，估算株高与实测株高的RMSE随百分位数的增加呈先下降后上升的趋势。基于RGB相机生成的DSM像素的第99.5分位数和LiDAR点云高度的第98.5分位数估算株高时，与田间实测株高的RMSE最小。

选择RMSE最小时的分位数作为最佳分位数，将两种方法估算的株高与田间实测株高进行比较(图3)。结果表明，两种方法估算的株高与实测株高具有较好的一致性，无人机LiDAR估算的株高更准确。在第98.5分位数时与实测株高相比，基于无人机LiDAR的株高估算精度最高，直线斜率为0.99，R2为0.88，rRMSE为6.6%。此时基于无人机RGB影像生成的DSM估算的株高，直线斜率为0.95，R2为0.8，rRMSE为11%。在第99.5分位数时，基于无人机LiDAR的株高估算精度略有下降，直线斜率为0.99，R2为0.87，rRMSE为8.3%。此时基于无人机RGB影像生成的DSM株高估算精度最高，直线斜率为0.94，R2为0.8，rRMSE为9%。

图4为186个小区的株高热力分布图。其中选取无人机搭载RGB相机生成DSM影像像素的第99.5分位数作为最佳分位数估算株高，选取无人机 LiDAR 点云第98.5分位数作为最佳分位数估算株高。从热力图来看无人机搭载RGB相机和无人机LiDAR系统均能够很好地获取各类甜菜株高的差异。估算株高的热力图趋势与实测株高热力图相似。

2.2 三维点云空间分布比较

图5为基于无人机RGB和无人机LiDAR生成的三维点云。从图5a可以看出，无人机RGB系统重建了甜菜小区群体冠层表面的三维结构以及未受旁边小区遮挡的群体侧面三维结构，点云冗余，仅能识别冠层高度的变化。无人机LiDAR系统具有较强的穿透性，能够较完整地重建甜菜群体冠层结构(图5b)。

在冠层高度方向上将冠层分为10等份，通过将每层点数除以各冠层总点数对冠层点云数量进行归一化，进而比较两种方法重建的三维点云的垂直分布情况(图6)。总体而言，基于无人机LiDAR系统重建的三维点云在冠层内分布更均匀，其重建的三维点云峰值出现在冠层的第6～7层。无人机RGB系统重建的三维点云其峰值出现在冠层的第8～9层，其余层点云数迅速下降。

为了进一步分析两种方法得到点云的空间分布情况，对冠层进行层切，展示每一层包含的点云投影到该层底部的分布情况(图7)。从图7可以看出，在冠层顶部的第1、2层，两系统生成的点云具有较高的相似性，在小区轮廓内均有点云分布。相邻试验小区间的距离为0.5 m，使得小区间遮挡相对较小。小区内株距均为0.2 m，遮挡严重。因此无人机搭载RGB相机只在小区边界捕获到一些冠层三维信息，无法捕获冠层内部的结构信息(图7a，从冠层顶部开始的第3、4层)。无人机LiDAR系统能够穿透冠层内部，较好地重建了甜菜冠层整体结构(图7b，从冠层顶部开始的第3、4层)。

3 讨论

本研究选择RMSE最小时的分位数估算株高[37]，估算株高与实测株高相关性最好时并未出现在第100分位数，RMSE先随百分位数的增加而下降，在接近第100分位数时，RMSE又升高，主要原因是株高测定值均选择代表小区平均生长状况的有限取样的植株，未选择株高最高和最低的甜菜植株进行测量。无人机RGB相机系统提供了合理的株高估算精度，与实测值的R2达到0.8，RMSE为6.1 cm，rRMSE为9% (图3)，较其他研究精度略有下降[20,37]。可能的原因是为了在相同条件下对比，两种方法均选择了第2分位数作为地面位置，与冠层表面分位数作差估算株高。由于植株生长后期冠层封闭，无人机RGB相机没有获得足够数量的地面点，使地面估算存在误差。未来可以采用参考地面法，即出苗前扫描裸地获得数字地面高程模型，以提高估算精度[19,21]。

无人机LiDAR系统相较于无人机RGB相机系统提供了更精确的株高估计，与实测值的R2达到0.88，RMSE和rRMSE分别为4.4 cm和6.6%(图3)。无人机LiDAR相较于车载LiDAR在估算作物高度上精度略有降低[18,24,37]，原因是无人机LiDAR相较于车载LiDAR具有较低的空间分辨率。为提高空间分辨率，可通过降低飞行高度，多次重复飞行和增加航线的重叠度来实现。无人机LiDAR相较于车载LiDAR的优势是工作效率较高，不受田间地形影响，不会干扰和破坏大田作物。

基于无人机RGB相机系统获取冠层三维结构的关键步骤是基于尺度不变特征算法(SIFT)将给定的图像分解为特征点[38]。甜菜在糖分积累期时冠层封闭，当无人机RGB相机采取垂直拍摄时，无法捕获冠层下部信息，因此只能重建甜菜冠层表面信息和侧面未受到其他小区遮挡的结构信息。LiDAR是主动遥感技术，其发射的激光束具有一定的穿透性，因此能重建出整个冠层的三维结构。所以，对于作物生长后期群体冠层封闭时，无人机LiDAR相较于无人机RGB相机能重建出较完整的冠层三维结构。获取作物完整的冠层结构对于估算与作物冠层结构相关的表型参数具有重要作用，如基于空间体素和冠层轮廓估算冠层生物量和叶面积指数等[24,31,39]。

4 结束语

以186个不同基因型甜菜为研究对象，研究了无人机分别搭载RGB相机和LiDAR系统获取田间作物株高和重建冠层三维点云结构的差异。结果表明，两种方法均可用于高通量、精确测定多基因型甜菜的植株高度。与实测值相比，无人机LiDAR系统相对于无人机RGB影像株高估测精度更高。两种方法重建的冠层表面结构相似，无人机LiDAR系统相较于无人机RGB能更完整地重建冠层内部结构特征。