变异系数法结合优化神经网络的无人机冬小麦长势监测

徐云飞，程琦，魏祥平，杨 斌，夏沙沙，芮婷婷，张世文

·农业航空工程·

变异系数法结合优化神经网络的无人机冬小麦长势监测

徐云飞1，程琦1，魏祥平2，杨 斌1，夏沙沙3，芮婷婷1，张世文3※

（1. 安徽理工大学空间信息与测绘工程学院，淮南 232001；2. 淮北矿业（集团）有限公司，淮北 235001；3. 安徽理工大学地球与环境学院，淮南 232001）

高效、快速、准确获取冬小麦长势信息在农业发展和经营决策中具有重要作用。该研究以冬小麦为对象，开展无人机冬小麦长势监测，获取冬小麦生物量、株高、叶绿素含量和植株含水率数据，基于变异系数法（Coefficient of Variation Method，CV）构建综合长势监测指标（Comprehensive Growth Monitoring Indicators，CGMICV），通过16种植被指数与CGMICV进行相关性分析，计算植被指数间的方差膨胀因子，筛选最优植被指数作为模型输入变量，采用偏最小二乘（Partial Least Squares Regression，PLSR）、随机森林（Random Forest，RF）、反向传播神经网络（Back Propagation Neural Networks，BPNN）及遗传算法（Genetic Algorithm，GA）优化的BPNN模型建立冬小麦长势反演模型，结合评价指标获得冬小麦最优长势反演模型，最终得到研究区冬小麦长势空间分布信息。研究结果表明：以变异系数法得到的冬小麦CGMICV相关性比单一指标的相关性有不同程度的提高；利用变异系数法结合BPNN得到的冬小麦长势最佳反演模型CGMICV-BPNN，其决定系数2可达0.71，模型精度较传统赋权法构建的CGMImean-BPNN模型提高了26.79%；采用GA优化后的BPNN模型的不稳定显著下降，其平均相对误差中位数下降了22.22%，决定系数2也有所提高；研究区内半数以上的冬小麦长势集中于第Ⅲ等级，其所占比例为55.83%，其次集中于第Ⅰ等级，其所占比例为36.08%，研究区冬小麦整体长势较为稳定。研究结果可为冬小麦长势监测及区域作物生产监测提供重要参考。

无人机；农作物；遥感；变异系数法；综合长势监测指标；反向传播神经网络

0 引 言

作物长势即作物生长过程的状况与趋势，是农业遥感的重要研究内容之一。实时获取作物生长参数可供农户及时了解作物生长状况，制定相应施肥施药计划，从而保证作物健康生长[1]。常用的作物长势监测方法有人工观察法、机器视觉与数字图像处理法、遥感监测法等[2-3]。人工观察法是由观察者通过观察作物的几何尺寸、形状、颜色等外观特征，进而判别作物生长的情况（如缺水、缺肥、病虫害等），此法简单易行，可对密集植物内部及不同高度部位进行全面观察，但耗费大量人力，效率低下，需要观察者有丰富的经验和农作物知识，且一般只能给出定性的结论，观察结果的主观性强，不适于大面积监测[3]；机器视觉技术以计算机视觉技术和机器学习方法为手段，通过采集研究区作物数字图像，为用户提供可理解的信息，常应用于杂草检测、作物生长状况监测等方面的研究，配合地面机器人还可应用于作物管理等方面，适宜于中小面积地面监测[4]；遥感监测法利用陆地卫星遥感数据、高分辨率气象遥感数据、高光谱卫星遥感和雷达遥感监测作物长势，可实现对农作物的大面积监测，但卫星过境时间不确定，受云雾影响大，在一定程度上影响了其在田块尺度中的应用价值[5]。

近年来，无人机凭借其快速、高效、精准的特点，在田间作物监测、作物分块管理等方面取得了很好的效果[6]。国内外诸多专家学者以无人机为手段，以不同农作物为对象开展了一系列监测研究，并取得了诸多成果。Wan等[7]利用无人机影像提取植被指数、冠层高度和冠层覆盖度，建立了精度较好的粮食产量预测模型。Yue等[8]利用无人机特定波段、光谱指数和作物高度分别构建了单参数地上生物量（Above Ground Biomass，AGB）估算模型，发现将作物高度纳入模型后可提高AGB估算的精度。Zhang等[9]将地面实测数据和无人机影像构建的SPAD（Soil and Plant Analysis Development，SPAD）反演模型与卫星图像结合，得到了多尺度下SPAD值的反演结果，提出的卫星-UAV-地面综合反演方法对多尺度采集SPAD值具有重要意义。周敏姑等[10]通过研究多光谱波段与小麦拔节期、孕穗期、抽穗期、开花期的相关关系，分别运用主成分回归、逐步回归和岭回归法构建了小麦SPAD反演模型，发现逐步回归构建的模型结果最优。张瑜等[11]分析不同水分胁迫条件下无人机遥感与地面传感器协同估算玉米作物系数与各指数的相关性，利用逐步回归分析方法建立了作物系数的估算模型，实现了利用无人机多平台估算作物系数。

目前有关小麦长势监测的研究，多数以叶绿素含量、植株含水率、株高和生物量等单一指标反映冬小麦长势，鲜有研究从多个指标的描述性统计量角度出发，将这些指标进行组合，实现冬小麦长势监测。因此本文尝试将冬小麦叶绿素含量、植株含水率、株高和生物量以变异系数法（Coefficient of Variation，CV）赋予各指标权重，构建长势监测指标，即综合长势监测指标（Comprehensive Growth Monitoring Indicator，CGMICV）。结合无人机获取的多光谱影像数据，通过方差膨胀因子筛选模型输入变量，利用偏最小二乘（Partial Least Squares Regression，PLSR）、随机森林（Random Forest，RF）、反向传播神经网络（Back Propagation Neural Networks，BPNN）及遗传算法（Genetic Algorithm，GA）优化的BPNN模型分别建立冬小麦的变异系数法长势模型和传统赋权法长势监测模型，利用模型评价指标选出最优模型，最终将最优模型应用于整个研究区，实现研究区内冬小麦长势监测。以期为冬小麦长势监测、区域作物生产监测及作物管理分区划分提供重要参考。

1 材料与方法

1.1 研究区概况

研究区位于安徽省淮北市杜集区，地处中纬度地区，地理坐标为33°58′10″～33°58′35″N，116°51′30″～116°52′05″E。研究区面积为83.37 hm2，研究区内地势平坦，道路纵横交错，种植方式以小麦与玉米轮作为主，其中冬小麦一般在当年9月种植，次年5—6月收获，耕种方式使用旋耕机，耕地深度小于20 cm，作物供水方式为雨养。研究区地理位置与采样点布设如图 1所示。

1.2 数据获取与预处理

1.2.1 无人机数据获取与预处理

无人机平台采用大疆Phantom 4 多光谱版植保无人机搭载一体式多光谱成像系统，集成1个可见光传感器和5个多光谱传感器。获取影像时应选择天气晴朗少云无风，且光辐射强度稳定的情况下进行，本次研究影像于2021年1月7日和8日采集，此时冬小麦处于越冬期，麦苗基本停止生长。

无人机参数设置应综合考虑研究目的、测区情况及无人机自身性能。航向重叠度与旁向重叠度越高，影像拼接效果越好，但高度重叠会造成影像数据量大、拼接费时、电脑硬件要求高等问题。考虑到所用无人机电池飞行时间有限而测区面积较大，本研究设计航向重叠70%，旁向重叠60%，无人机飞行高度为100 m。由于飞行速度过快易造成地物影像模糊，故经多次尝试，本研究设定无人机航速为5.1 m/s，传感器镜头垂直向下，拼接影像能够涵盖整个测区。研究区为大面积冬小麦种植区，区内典型地物相对较少，为方便后期影像几何校正处理，于测区内均匀布设10个航测标志点，作为典型参考点。航拍前均在地面放置一块校准反射面板，每个架次起飞前，手动控制飞机悬停于校正板上方2.5 m处拍照，获得当时条件下标准反射率值。

无人机影像获取后，采用Pix4D Mapper软件进行拼接，在影像处理过程中利用飞行前获得的校准反射面板数据校正所有航拍影像。使用ENVI 5.3软件，以研究区数码正射影像为参考影像，全区均匀选取30个参考点（包括10个航测标志点）对多光谱影像进行几何校正，检验图像几何纠正误差小于0.5个像元[12]。根据地面实测数据点在影像上的位置，构建样本点的感兴趣区域（Region of Interest，ROI），以ROI范围内平均反射率光谱值作为该点的冬小麦反射率光谱，以此得到各样点反射率光谱数据。

1.2.2 田间数据获取

1）叶片叶绿素含量测定

研究表明便携式叶绿素仪是叶片叶绿素无损测量的有效工具，而叶绿素含量与便携式叶绿素仪测定的SPAD值具有良好的相关性[13]。因此，本研究使用SPAD-502便携式叶绿素仪进行叶片叶绿素含量测定，每个点选取1 m×1 m范围，为较为准确地获得1个样方内冬小麦的SPAD值，按5点采样法从每个样本区随机选择15株小麦植株，选取每株小麦的代表性叶片，对每片叶子的叶尖、叶中、叶基3个部位进行2次测量，将一个样方内所有SPAD值取平均作为一个样点的相对叶绿素含量。

2）生物量数据获取

生物量数据采集利用5点采样法在1 m×1 m范围内随机取30株，将植株样本茎叶分离后，放入烘箱内杀青30 min，温度设置为105 ℃。然后将所有植株样品在80 ℃烘干48 h以上，直至质量恒定再称干质量，然后除以对应的采样面即为生物量[14]。

3）植株株高测量

选取每个样方内具有代表性的高、中、低3种高度的小麦，用直尺测量冬小麦自然生长的最高叶叶尖到茎基的距离，最后将获得的所有数据取均值作为此样方内冬小麦实测高度。

4）植株含水率计算

将茎、叶分离的冬小麦样本分别测其鲜质量与干质量，从而计算植株含水率[15]。其计算公式为

1.3 研究方法

1.3.1 植被指数选取

作物因其内在生化参数存在差异而表现出不同的光谱反射率[16-18]。将不同特征波段范围内的光谱反射率通过线性或非线性的组合构成植被指数，可用来诊断植被生长状态以及反演各种植被参数。在红波段、红边波段及近红外波段农作物的光谱反射信息与其长势密切相关[19]。因此本研究选取具有红波段、绿波段、红边波段及近红外波段的16种植被指数（表1）参与模型构建。

表1 用于CGMI监测模型构建的待筛选多光谱植被指数

注：green、red、reg、nir分别为绿、红、红边和近红外波段反射率值。

Note:green,red,reg,nirare reflectance values in green, red, red edge and near infrared bands.

1.3.2 长势指标构建

作物生长情况评价应综合考虑其形态、生理生化特征、受胁迫与产量等4方面的特征[33]。为了较为准确地获取研究区冬小麦的长势情况，考虑选取叶绿素、生物量、株高、植株含水率这4种植被长势指标组合构建综合长势监测指标，获取研究区冬小麦长势信息。

综合长势监测指标构建的关键问题在于权重的确定，传统赋权法未考虑冬小麦不同长势指标对综合长势监测指标的贡献率，简单将每个指标按均等权重构建成一个综合指标[34]，考虑到冬小麦的叶绿素、生物量、株高和植株含水率在综合长势监测指标中重要程度不同，各指标量纲不统一等，使用变异系数法确定4个指标的权重，进而构建综合长势监测指标。变异系数法利用各评价指标数值的变异程度来确定评价指标的权重，其确权结果不受量纲影响。在评价指标体系中，如果某项指标的数值能明确区分各个被评价对象差异，说明该指标在这项评价上的分辨信息丰富，赋予该指标以较大的权数；反之，赋予该评价指标以较小的权数[35]。变异系数法确定权重的计算公式如下：

利用田间实测数据结合变异系数法基本原理，构建冬小麦综合长势监测指标。具体方法是首先利用田间实测数据由式（2）、式（3）分别计算出叶绿素、生物量、株高、植株含水率这4个指标的权重；然后将单独指标进行归一化，计算公式为式（4），每个样本点根据实测数据和权重形成一个CGMICV，共得到59个CGMICV值。

式中U为归一化后的第类指标，X代表原始的第类指标，原始指标类别：叶绿素、株高、生物量、植株含水率，max(i)为原始类指标中的最大值。

1.3.3 建模方法确定

回归分析是建立冬小麦长势模型最常见的方法，该研究选取PLSR、RF和BPNN及遗传算法优化的BPNN模型进行冬小麦长势模型的建立。PLSR在回归建模过程中采用了数据降维、信息综合与筛选技术，可以将多个自变量减少到较少的几个不相关的潜变量[36]；RF通过有放回地抽样从原始数据集中构建多个子数据集，可挖掘变量之间的复杂非线性关系[37]；而BPNN是一种运用误差反向传播方式修正权值、阈值，具有高度自学习和自适应的能力[38]；GA是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解[39]。

1.3.4 模型评价方法、

为评价建立的模型精度，采用决定系数（Coefficient of Determination，2）、均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）进行验证，其中2值越趋近于1，证明模型预测值与实测值越接近；而RMSE和MAE值越小，说明模型精度越高[15,34]。为评价建立的BPNN模型的稳定性，选用平均相对误差（Average Relative Error，ARE）分析其预测结果的可靠性。

2 结果与分析

2.1 综合长势监测指标构建与相关性分析

2.1.1 综合长势监测指标构建

传统赋权法的权重直接根据所选指标的数量平均赋权[15]。本研究确定传统赋权法的权重为0.25，将传统赋权法构建的综合长势指标记为CGMImean，将变异系数法构建的长势指标记为CGMICV。由式（6）可知，生物量指标所占比重最大，其次为株高，而植株含水率所占比重最小。

CGMICV=0.1661+0.2462+0.4893+0.0994（6）

式中1为归一化后的SPAD值，2为归一化后的株高，3为归一化后的生物量，4为归一化后的植株含水率。

2.1.2 植被指数与综合长势指标相关性分析

为分析构建的综合长势监测指标CGMI与所选植被指数间的关系，选用皮尔森相关系数分别将单一指标SPAD值、生物量、株高、植株含水率及综合长势监测指标CGMI与16种植被指数进行相关性检验（表2）。

由表2可知：CIgreen、GNDVI、MTCI和RVI1这4种植被指数与CGMI未通过显著性检验，而其余植被指数均与CGMI呈极显著相关。相较于单一长势指标，CGMI与通过了显著性检验的植被指数其相关性明显提高，其中SPAD的相关性提高最为明显，其次为株高的相关性。生物量、植株含水率与各植被指数的相关性有不同程度的提高，其中CGMICV与NDGI的相关性比植株含水率与NDGI的相关性提高了43.56%，提高最多，其次为CGMICV与TVI的相关性，提高了37.12%。说明CGMICV因包含更多的信息，而使得所选植被指数能更好地响应CGMICV。

表2 冬小麦各项指标与植被指数的相关性分析

注：*表示在0.05水平上显著相关，**表示在0.01水平上显著相关。CGMImean、CGMICV分别为基于等权法和变异系数法构建的综合长势监测指标。

Note: * represents significant at 0.05 level, ** represents significant at 0.01 level. CGMImean, CGMICVare comprehensive growth monitoring indicators based on equally weighted method and coefficient of variation method.

2.1.3 模型变量筛选

植被指数是由单一波段进行线性或非线性运算得到的，若忽略它们之间的多重共线性则会使得构建的回归方程不稳定[40]。为获得稳定性强且具有实际意义的回归模型，选取方差膨胀因子（Variance Inflation Factor，VIF）分析模型输入变量间的多重共线性，根据选定植被指数的显著性原则，并设定VIF<10，将通过了显著性检验的植被指数分别计算它们之间的方差膨胀因子（表3）。根据VIF计算结果，同时考虑到模型的简洁性，选取DVI、MSR、MVI、NDGI、NLI和TVI这6种植被指数作为模型的最终输入变量。

表3 呈极显著相关的植被指数间的方差膨胀因子

注： 代表无值。

Note: represents no value.

2.2 反演模型建立

在实际研究过程中，由于仪器本身存在误差及研究区环境存在复杂变化等诸多偶然因素影响，可能会导致获取的数据中存在异常数据，因此在实际建模前先进行残差分析[41]，最终剔除3个异常样本点。利用IBM SPSS Statistics 21软件对剔除残差后的56个实测值构建的CGMI样本点值进行随机抽样，选取44个样本作为训练集，12个样本作为测试集，基于6个模型入选变量，分别采用PLSR、RF及BPNN对CGMICV和CGMImean预测，在训练过程中对BPNN的最大训练迭代次数进行了限制，以避免“过拟合”现象[42]。

在建立模型过程中发现，以相同训练集和测试集构建冬小麦长势监测模型时，PLSR和RF算法构建的模型结果稳定性高，而BPNN模型结果稳定性不高。为直观分析BPNN模型的不稳定性，选取相同的训练集和测试集对建立的BPNN模型进行100次运行测试，并统计100次下预测结果的平均相对误差值（图2）。由图2可以看出，对于相同的训练集和测试集， CGMImean的平均相对误差波动范围较大，均值为47.91%，中位数为46.88%；而CGMICV的平均相对误差的波动范围相比于前者有一定的缩小，均值为34.44%，中位数为25.32%，表明CGMICV与BPNN模型结合可以获得更好的结果。

为对比不同模型构建方法间的精度，利用PLSR、RF和BPNN模型构建方法，结合不同赋权法构建冬小麦长势预测模型，各模型精度及预测效果如图3所示。由图可知，利用冬小麦CGMImean-PLSR、CGMImean-RF和CGMImean-BPNN建立的模型，其决定系数2介于0.53～0.58，而冬小麦CGMICV-PLSR、CGMICV-RF和CGMICV-BPNN建立的模型，其决定系数2介于0.56～0.71，其中，构建的CGMICV-BPNN模型决定系数2较CGMImean-BPNN 模型提高了26.79%，RMSE 降低了14.29%，MAE 降低了18.18%。

图2 相同测试数据集下BPNN的预测结果

a. CGMImean-PLSRb. CGMImean-RFc. CGMImean-BPNN

变异系数法构建的冬小麦长势监测模型中，决定系数2最高的为CGMICV-BPNN方法，其2较CGMICV-PLSR和CGMICV-RF分别提高了26.79%和22.41%，而RMSE和MAE均有所降低，其中RMSE均降低29.41%，MAE降低了30.77%和40.00%，运用变异系数法构建的反向传播神经网络模型CGMICV-BPNN较CGMICV-PLSR和CGMICV-RF方法其模型精度更高。

2.3 反向传播神经网络优化

BPNN与变异系数法结合构建的冬小麦长势反演模型CGMICV-BPNN预测精度高、建模效果较好，但对于同一测试样本CGMICV-BPNN每次训练结果不一致，因此考虑以遗传算法优化构建的CGMICV-BPNN模型。遗传算法优化CGMICV-BPNN是利用遗传算法优化CGMICV-BPNN的初始权值和阈值，而对于CGMICV-BPNN模型其余参数设置部分保持不变，其优化参数主要包括种群规模数、进化次数、交叉概率和变异概率。本研究设置优化CGMICV-BPNN预测模型中的种群规模为30、进化次数为50、交叉概率为0.4、变异概率为0.2，遗传算法优化后的CGMICV-BPNN与CGMICV-BPNN预测结果见图4。由图可知，CGMICV-GA-BPNN模型的平均相对误差的均值为25.36%，中位数为25.32%，与CGMICV-BPNN模型相比，GA优化后使得平均相对误差范围趋于聚集状态且其最大值下降了25.79%，平均相对误差的均值下降了26.38%，中位数下降了22.22%。因此，针对于BPNN不稳定现象，采用遗传算法优化后的BPNN模型稳定性得到了显著提高。

利用BPNN和GA-BPNN模型分别构建CGMICV反演模型，验证样本的拟合效果见图5。由图5a及图3f可知，利用遗传算法优化的神经网络其决定系数2从原始的0.71提高到0.80，提高了12.68%；而均方根误差RMSE和平均绝对误差MAE较传统反向传播神经网络分别下降了16.67%和11.11%；由图5b可知运用遗传算法优化CGMICV-BPNN后，绝大部分点呈现向1∶1线靠拢的趋势，而CGMICV-BPNN中距离1∶1线最远的点经过优化算法后其预测值与实测值更接近。说明利用遗传算法可提高CGMICV-BPNN模型的预测精度，此算法可应用于研究区冬小麦综合长势监测模型的建立。

2.4 最佳反演模型应用

利用上述训练好的CGMICV-GA-BPNN模型，结合研究区冬小麦种植范围，对整个研究区内的冬小麦进行反演并作图，同时去除区内道路，最终获得全区冬小麦长势监测图（图6）。利用自然间断法对分类间隔加以识别，并结合本次研究数据值，在差异较大的位置处设置边界，最终确定将全区冬小麦长势分为5个等级，其中，长势越好的小麦区域其影像颜色越深。由图6可知，研究区内冬小麦长势分布不一，中部及南部冬小麦长势一般，东部小麦长势较好，而北部冬小麦长势介于两者之间。由表4统计结果可知，整个研究区内冬小麦长势主要集中于Ⅲ等范围，其占比为55.83%，其次集中于Ⅰ等范围，其占比为36.08%，全区冬小麦长势中等且稳定；而由样本的描述性统计结果和CGMICV空间预测的描述性统计结果可知CGMICV-GA-BPNN模型对全区预测结果与实测样本点结果较为一致。基于CGMICV构建的优化BPNN模型能够整合冬小麦多个生长相关因子所反映的信息，较好地量化了区域冬小麦生长状况的监测结果。

a. CGMICV-GA-BPNN 模型

a. CGMICV-GA-BPNN model

b. CGMICV-BPNN与CGMICV-GA-BPNN精度对比

b. Accuracy comparison between CGMICV-BPNN model and CGMICV-GA-BPNN model

图5 遗传算法优化后的反向传播神经网络结果

Fig.5 Result of back propagation neural networks optimized by genetic algorithm

表4 基于CGMICV-GA-BPNN模型反演的研究区冬小麦综合长势监测指标值分等统计

Table 6 Grading statistics of winter wheat comprehensive growth monitoring index values based on CGMICV-GA-BPNN model inversion

3 讨 论

研究从冬小麦综合长势监测指标构建入手，将反映冬小麦形态指标、生理生化指标、胁迫指标及产量指标的叶绿素、生物量、株高、植株含水率通过变异系数法组合成冬小麦综合长势监测指标CGMICV，研究CGMICV在冬小麦长势监测方面的应用潜力。研究发现，综合长势监测指标CGMICV与多光谱植被指数的相关性优于单一长势指标与多光谱植被指数的相关性，这与Wang等[43]的研究结果一致。

通过对比分析3种回归模型结果发现，以同样训练集和测试集数据作为模型输入变量时，传统赋权法与3种回归模型结合建立的冬小麦长势模型精度最高的为CGMImean-PLSR模型，其2为0.58，RMSE为0.16，MAE为0.13；而变异系数法与3种回归模型结合建立的冬小麦长势模型精度最高的为CGMICV-BPNN模型，其2为0.71，RMSE为0.12，MAE为0.09，说明BPNN模型与变异系数法结合后模型预测能力有所增强。

CGMICV-BPNN较CGMICV-PLSR和CGMICV-RF具有较强的自学习能力，表现出了良好的非线性性能，但研究同时发现，当使用同样训练集和测试集进行模型训练时，模型预测结果的稳定性较差；通过对CGMICV-BPNN预测结果进行模型精度分析后发现，CGMICV-BPNN模型预测结果存在极少数点偏离1∶1线较远，使得模型相对误差较大，从而降低了模型的预测精度。究其原因为BPNN模型由信号前向传输和误差反向传播2个过程组成，在信号前向传播过程中每个初始权值为-1～1的随机值，阈值为0～1的随机值；而在误差反向传播的过程中，误差信号由输出层末端经隐层传播到输入层，通过误差反馈不断调节网络的权值和阈值，从而减小实际输出与期望输出之间的误差，进而达到收敛状态[44-45]。Wei等[46]的研究结果指出，在BPNN中权值和阈值对性能的提高至关重要，而由前述BPNN的学习过程可知，BPNN模型的初始权值、阈值为随机值，因此该算法在训练过程中波动性较大，容易陷入局部最优。

将建立的CGMICV-BPNN模型在保持其余模型参数一致的情况下，以遗传算法获得的最优权值阈值代替CGMICV-BPNN随机分配的权值阈值后，模型平均相对误差明显下降，模型稳定性显著提高，同时以同组数据绘制散点图后发现预测值与实测值在总体上更接近，模型精度提高12.68%，说明遗传算法不仅可以提高CGMICV-BPNN的稳定性，而且可以提高CGMICV-BPNN的预测精度。以上分析结果表明遗传算法可以为CGMICV-BPNN模型的权值和阈值找到较好的起点，进而在一定程度上降低CGMICV-BPNN模型的不稳定性。尽管遗传算法在优化BPNN模型时取得较为可靠的精度，但是在研究的过程中还发现，选用GA优化CGMICV-BPNN模型后仍存在一定的不稳定性，这是由于遗传算法在优化CGMICV-BPNN模型的权值、阈值时需要先设定遗传算法的交叉概率和变异概率值。而交叉概率和变异概率对GA本身的收敛性影响较大，即，交叉概率较大时，种群更容易产生新个体，但当交叉概率变大时，优良个体在种群中保留率也降低；而对变异概率来说，若其过大则本算法相当于普通的随机算法，失去了遗传算法的意义[47]。而传统遗传算法的交叉概率和变异概率都是固定常数，这在一定程度上削弱了算法的搜索能力。因此未来的研究可考虑使用其他算法，如自适应遗传算法来适当调整CGMICV-BPNN模型的交叉概率和变异概率的取值。

将建立的CGMICV-GA-BPNN模型应用于研究区冬小麦种植区发现，空间分布上，区内冬小麦在中部及南部长势一般，东部长势较好，而北部冬小麦长势介于两者之间，结合实地调查发现研究区冬小麦长势与反演结果较为一致；从数理统计结果看，研究区冬小麦主要集中于两个等级之内，其中以等级Ⅲ居多，等级Ⅰ次之。

4 结 论

基于田间和实验室实测数据，利用变异系数法和传统赋权法的基本原理构建了研究区冬小麦综合长势监测指标，分析了CGMI与选定植被指数间的相关关系，同时将构建的CGMICV、CGMImean及无人机多光谱数据与3种长势分析模型和1种模型优化方法结合，实现了对研究区冬小麦长势的有效监测。得到的具体结论如下：

1）将获取的冬小麦SPAD值、株高、生物量和植株含水率数据结合不同赋权方法，经相关性分析可知：构建的综合长势监测指标CGMI较单一指标而言其相关性有不同程度的提高，大部分呈现极显著相关。

2）冬小麦的CGMImean-PLSR、CGMImean-RF和CGMImean-BPNN模型决定系数2分别为0.58、0.53和0.56；而结合变异系数法构建的冬小麦长势模型CGMICV-PLSR、CGMICV-RF和CGMICV-BPNN模型其决定系数2分别为0.56、0.58、0.71，构建的CGMICV-BPNN模型可以更好描述研究区冬小麦长势信息，其决定系数2较CGMImean-BPNN模型提高了26.79%，RMSE降低了14.28%, MAE 降低了18.18%。

3）将反映研究区冬小麦长势的CGMICV-BPNN模型以遗传算法改进后，其模型稳定性显著提高，且2从0.71提高到0.80，提高了12.68%，而均方根误差RMSE和平均绝对误差MAE较CGMICV-BPNN分别下降16.67%和11.11%。利用变异系数法得到的综合长势监测指标CGMICV与遗传算法优化的BPNN结合可提高冬小麦长势反映模型的预测精度。

4）基于最佳反演模型CGMICV-GA-BPNN对研究区冬小麦长势分析结果表明：研究区内55.83%以上的冬小麦长势集中于第Ⅲ等级；其次集中于第Ⅰ等级，占整个研究区的36.08%，占比较少的为Ⅳ和Ⅴ等级的冬小麦，研究区内越冬期冬小麦整体长势稳定且集中。

[1] Wang L J, Zhang G M, Wang Z Y, et al. Bibliometric analysis of remote sensing research trend in crop growth monitoring: A case study in china[J]. Remote Sensing, 2019, 11(7): 809.

[2] 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)

[3] 刘继承. 基于数字图像处理技术的水稻长势监测研究[D]. 南京：南京农业大学，2007.

Liu Jicheng. The Study on Rice Growth Monitoring Based on Image Processing[D]. Nanjing: Nanjing Agricultural University, 2007. (in Chinese with English abstract)

[4] Zhao W, Yamada W, Li T X, et al. Augmenting crop detection for precision agriculture with deep visual transfer learning-a case study of bale detection[J]. Remote Sensing, 2021, 13(1): 23.

[5] Gao F, Anderson M, Daughtry C, et al. A within-season approach for detecting early growth stages in corn and soybean using high temporal and spatial resolution imagery[J]. Remote Sensing of Environment, 2020, 242: 111752.

[6] Olson D, Anderson J. Review on unmanned aerial vehicles, remote sensors, imagery processing, and their applications in agriculture[J]. Agronomy Journal, 2021, 113(2): 971-992.

[7] Wan L, Cen H Y, Zhu J P, et al. Grain yield prediction of rice using multi-temporal uav-based rgb and multispectral images and model transfer-a case study of small farmlands in the south of china[J]. Agricultural and Forest Meteorology, 2020, 291: 108096.

[8] Yue J B, Zhou C Q, Guo W, et al. Estimation of winter-wheat above-ground biomass using the wavelet analysis of unmanned aerial vehicle-based digital images and hyperspectral crop canopy images[J]. International Journal of Remote Sensing, 2020, 42(5): 1602-1622.

[9] Zhang S M, Zhao G X, Lang K, et al. Integrated satellite, unmanned aerial vehicle (UAV) and ground inversion of the SPAD of winter wheat in the reviving stage[J]. Sensors, 2019, 19(7): 1485.

[10] 周敏姑，邵国敏，张立元，等. 无人机多光谱遥感反演冬小麦SPAD值[J]. 农业工程学报，2020，36(20)：125-133.

Zhou Mingu, Shao Guomin, Zhang Liyuan, et al. Inversion of SPAD value of winter wheat by multispectral remote sensing of unmanned aerial vehicles[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 125-133. (in Chinese with English abstract)

[11] 张瑜，张立元，Zhang Huihui，等. 玉米作物系数无人机遥感协同地面水分监测估算方法研究[J]. 农业工程学报，2019，35(1)：83-89.

Zhang Yu, Zhang Liyuan, Zhang Huihui, et al. Crop coefficient estimation method of maize by UAV remote sensing and soil moisture monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(1): 83-89. (in Chinese with English abstract)

[12] 魏鹏飞，徐新刚，李中元，等. 基于无人机多光谱影像的夏玉米叶片氮含量遥感估测[J]. 农业工程学报，2019，35(8)：126-133.

Wei Pengfei, Xu Xingang, Li Zhongyuan, et al. Remote sensing estimation of nitrogen content in summer maize leaves based on multispectral images of UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(8): 126-133. (in Chinese with English abstract)

[13] Zhu W X, Sun Z G, Yang T, et al. Estimating leaf chlorophyll content of crops via optimal unmanned aerial vehicle hyperspectral data at multi-scales[J]. Computers and Electronics in Agriculture, 2020, 178: 105786.

[14] 王玉娜，李粉玲，王伟东，等. 基于无人机高光谱的冬小麦氮素营养监测[J]. 农业工程学报，2020，36(22)：31-39.

Wang Yuna, Li Fenling, Wang Weidong, et al. Monitoring of winter wheat nitrogen nutrition based on UAV hyperspectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 31-39. (in Chinese with English abstract)

[15] 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)

[16] Salah E H, Nasser A S, Ibrahim A A, et al. Combining genetic analysis and multivariate modeling to evaluate spectral reflectance indices as indirect selection tools in wheat breeding under water deficit stress conditions[J]. Remote Sensing, 2020, 12(9): e0196605.

[17] Liu H L, Zhang F Z, Zhang L F, et al. UNVI-based time series for vegetation discrimination using separability analysis and random forest classification[J]. Remote Sensing, 2020, 12(3): 1532.

[18] Ouaadi N, Jarlan L, Ezzahar J, et al. Monitoring of wheat crops using the backscattering coefficient and the interferometric coherence derived from Sentinel-1 in semi-arid areas[J]. Remote Sensing of Environment, 2020, 251: 112050.

[19] 刘忠，万炜，黄晋宇，等. 基于无人机遥感的农作物长势关键参数反演研究进展[J]. 农业工程学报，2018，34(21)：60-71.

Liu Zhong, Wan Wei, Huang Jinyu, et al. Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 60-71. (in Chinese with English abstract)

[20] Jaafar A, Yiannis A, Pamela R, et al. Detecting powdery mildew disease in squash at different stages using UAV-based hyperspectral imaging and artificial intelligence[J]. Biosystems Engineering, 2020, 197(9): 135-148.

[21] Issa S, Dahy B, Saleous N, et al. Carbon stock assessment of date palm using remote sensing coupled with field-based measurements in abu dhabi (united arab emirates)[J]. International Journal of Remote Sensing, 2019, 40(19): 7561-7581.

[22] 肖武，陈佳乐，笪宏志，等. 基于无人机影像的采煤沉陷区玉米生物量反演与分析[J]. 农业机械学报，2018，49(8)：169-180.

Xiao Wu, Chen Jiale, Da Hongzhi, et al. Inversion and analysis of maize biomass in coal mining subsidence area based on UAV images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(8): 169-180. (in Chinese with English abstract)

[23] Osco L P, Marcato J, Ramos A P M, et al. Leaf nitrogen concentration and plant height prediction for maize using UAV-based multispectral imagery and machine learning techniques[J]. Remote Sensing, 2020, 12(19): 3237.

[24] Qi H X, Zhu B Y, Wu Z Y, et al. Estimation of peanut leaf area index from unmanned aerial vehicle multispectral images[J]. Sensors, 2020, 20(23): 6732.

[25] 帅爽，张志，吕新彪，等. 矿山恢复治理区植被物候与健康状况遥感监测[J]. 农业工程学报，2021，37(4)：224-234.

Shuai Shuang, Zhang Zhi, Lyu Xinbiao, et al. Remote sensing monitoring of vegetation phenological characteristics and vegetation health status in mine restoration areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(4): 224-234. (in Chinese with English abstract)

[26] 赵晋陵，金玉，叶回春，等. 基于无人机多光谱影像的槟榔黄化病遥感监测[J]. 农业工程学报，2020，36(8)：54-61.

Zhao Jinling, Jin Yu, Ye Huichun, et al. Remote sensing monitoring of areca yellow leaf disease based on UAV multi-spectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 54-61. (in Chinese with English abstract)

[27] Fu Y Y, Yang G J, Song X Y, et al. Improved estimation of winter wheat aboveground biomass using multiscale textures extracted from UAV-based digital images and hyperspectral feature analysis[J]. Remote Sensing, 2021, 13(4): 581.

[28] Zhao Y L, Zheng W X, Xiao W, et al. Rapid monitoring of reclaimed farmland effects in coal mining subsidence area using a multi-spectral UAV platform[J]. Environmental Monitoring and Assessment, 2020, 192(7): 474.

[29] Mwinuka, P R, Mbilinyi, B P, Mbungu, W B, et al. The feasibility of hand-held thermal and UAV-based multispectral imaging for canopy water status assessment and yield prediction of irrigated African eggplant (L)[J]. Agricultural Water Management, 2021, 245: 106584.

[30] Li X R, Yang C H, Huang W J, et al. Identification of cotton root rot by multifeature selection from Sentinel-2 images using random forest[J]. Remote Sensing, 2020, 12(21): 3504.

[31] Baghi N G, Oldeland J. Do soil-adjusted or standard vegetation indices better predict above ground biomass of semi-arid, saline rangelands in North-East Iran?[J]. International Journal of Remote Sensing, 2019, 40(22): 8223-8235.

[32] Feng L, Wu W K, Wang J M, et al. Wind field distribution of multi-rotor UAV and its influence on spectral information acquisition of rice canopies[J]. Remote Sensing, 2019, 11(6): 602.

[33] 岑海燕，朱月明，孙大伟，等. 深度学习在植物表型研究中的应用现状与展望[J]. 农业工程学报，2020，36(9)：1-16.

Cen Haiyan, Zhu Yueming, Sun Dawei, et al. Current status and future perspective of the application of deep learning in plant phenotype research[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(9): 1-16. (in Chinese with English abstract)

[34] 陶惠林，徐良骥，冯海宽，等. 基于无人机高光谱长势指标的冬小麦长势监测[J]. 农业机械学报，2020，51(2)：180-191.

Tao Huilin, Xu Liangji, Feng Haikuan, et al. Monitoring of winter wheat growth based on UAV hyperspectral growth index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(2): 180-191. (in Chinese with English abstract)

[35] 陶志富，葛璐璐，陈华友. 基于滑动窗口的一类非负可变权组合预测方法[J]. 控制与决策，2020，35(6)：1446-1452.

Tao Zhifu, Ge Lulu, Chen Huayou. Non-negative variable weight combination forecasting method based on sliding window[J]. Control and Decision, 2020, 35(6): 1446-1452. (in Chinese with English abstract)

[36] 赵雪花，张丽娟，祝雪萍. 动态参数SCS-RF模型在黄土丘陵区小流域产流模拟中的应用[J]. 农业工程学报，2021，37(1)：195-202.

Zhao Xuehua, Zhang Lijuan, Zhu Xueping. Run off simulation of small watershed in loess hilly region using dynamic parameter SCS-RF model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 195-202. (in Chinese with English abstract)

[37] 徐敏，赵艳霞，张顾，等. 基于机器学习算法的冬小麦始花期预报方法[J]. 农业工程学报，2021，37(11)：162-171.

Xu Min, Zhao Yanxia, Zhang Gu, et al. Method for forecasting winter wheat first flowering stage based on machine learning algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11)：162-171. (in Chinese with English abstract)

[38] 黄林生，江静，黄文江，等. Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法[J]. 农业工程学报，2019，35(17)：178-185.

Huang Linsheng, Jiang Jing, Huang Wenjiang, et al. Wheat yellow rust monitoring method based on Sentinel-2 image and BPNN model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(17): 178-185. (in Chinese with English abstract)

[39] 赵建辉，张晨阳，闵林，等. 基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演[J]. 农业工程学报，2021，37(11)：112-120.

Zhao Jianhui, Zhang Chenyang, Min Lin, et al. Retrieval for soil moisture in farmland using multi-source remote sensing data and feature selection with GA-BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(11): 112-120. (in Chinese with English abstract)

[40] Zhang H H, Shao W Q, Qiu S S, et al. Collaborative analysis on the marked ages of rice wines by electronic tongue and nose based on different feature data sets[J]. Sensors, 2020, 20(4): 1065.

[41] 姜海玲，杨杭，陈小平，等. 利用光谱指数反演植被叶绿素含量的精度及稳定性研究[J]. 光谱学与光谱分析，2015，35(4)：975-981.

Jiang Hailing, Yang Hang, Chen Xiaoping, et al. Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method[J]. Spectroscopy and Spectral Analysis, 2015, 35(4): 975-981. (in Chinese with English abstract)

[42] Zhang C Y, Zhang R R, Dai Z H, et al. Prediction model for the water jet falling point in fire extinguishing based on a GA-BP neural network[J]. Plos One, 2019, 14(9): e0221729.

[43] Wang L, Wang P X, Li L, et al. Developing an integrated indicator for monitoring maize growth condition using remotely sensed vegetation temperature condition index and leaf area index[J]. Computers and Electronics in Agriculture, 2018, 152: 340-349.

[44] Zhu M B, Liu S S, Xia Z Q, et al. Crop growth stage GPP-driven spectral model for evaluation of cultivated land quality using GA-BPNN[J]. Agriculture-Basel, 2020, 10(8): 1-16.

[45] Wang L, Wang P G, Liang S L, et al. Monitoring maize growth on the north china plain using a hybrid genetic algorithm-based back-propagation neural network model[J]. Computers and Electronics in Agriculture, 2020, 170: 105238.

[46] Wei X, Zheng W Q, Zhu S P, et al. Application of terahertz spectrum and interval partial least squares method in the identification of genetically modified soybeans[J]. Spectrochimica Acta Part A-Molecular and Biomolecular Spectroscopy, 2020, 238: 118453.

[47] Zhang J X, Qu S R. Optimization of backpropagation neural network under the adaptive genetic algorithm[J]. Complexity, 2021, 2021: 1718234.

Monitoring of winter wheat growth under UAV using variation coefficient method and optimized neural network

Xu Yunfei1, Cheng Qi1, Wei Xiangping2, Yang Bin1, Xia Shasha3, Rui Tingting1, Zhang Shiwen3※

(1.,,232001,; 2.().,235001,; 3.,,232001,)

Accurate and rapid acquisition of growth information has been one of the most important steps for winter wheat production in agricultural development and management decision-making. Most previous achievements focus on the monitoring of crop growth using Unmanned Aerial Vehicle (UAV) in recent years. Among them, the most extensive reports can be chlorophyll, biomass, plant height, and water content. Taking the winter wheat as the research object, this study aims to monitor the growth characteristics of the plant under a UAV using the Coefficient of Variation (CV) and optimized neural network. A Comprehensive Growth Monitoring Indicators (CGMICV) was also considered to integrate with the CV and different indexes, including the biomass, plant height, plant water, and chlorophyll content. In addition, the multispectral data of UAV was obtained, such as red, green, red edge, and near-infrared band. Subsequently, 16 multispectral vegetation indices were selected to analyze the correlation between the vegetation index and CGMICV, according to the characteristic band range of crops. The variance expansion factor was then calculated to screen the input variables of the model. Finally, six optimal vegetation indices were selected as the input variables of the model. As such, the growth model of winter wheat was established using the Partial Least Squares Regression (PLSR), Random Forest (RF), and Back Propagation Neural Networks (BPNN). Correspondingly, an optimal growth inversion model of winter wheat was achieved, including the determining coefficient (2), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE), according to the combined evaluation indexes. More importantly, Genetic Algorithm (GA) was utilized to optimize the growth inversion model for the whole region. The spatial distribution of winter wheat growth was then obtained in the study area. The results showed that the correlation between the CGMICVof winter wheat was much higher than that of the single index, where the most outstanding one was the Soil Plant Analysis Development (SPAD). The best inversion model of CGMICV-BPNN was achieved for the growth of winter wheat, where a determination coefficient2was 0.71, and the accuracy of the model was 26.79% higher than that of the traditional one (CGMImean-BPNN), fully meeting the current accuracy for the comprehensive monitoring of crop growth. The stability of the optimized CGMICV-GA-BPNN model was significantly better than that of CGMICV-BPNN. the mean relative error median was reduced by 22.22%, and the determination coefficient2was also increased. The CGMICV-GA-BPNN model was then applied for the growth distribution map of winter wheat in the whole study area. More than half of winter wheat was concentrated in grade III, followed by grade I. It inferred that the overall growth of winter wheat was relatively stable. At the same time, it was also found that the optimized CGMICV-BPNN model can be used to integrate the multiple growth factors of winter wheat, indicating a better performance to quantify the growth monitoring of regional winter wheat. The findings can provide an important reference for the growth monitoring of winter wheat in crop production.

unmanned aerial vehicle; crops; remote sensing; coefficient of variation method; comprehensive growth monitoring indicator; back propagation neural networks

徐云飞，程琦，魏祥平，等. 变异系数法结合优化神经网络的无人机冬小麦长势监测[J]. 农业工程学报，2021，37(20)：71-80.doi：10.11975/j.issn.1002-6819.2021.20.008 http://www.tcsae.org

Xu Yunfei, Cheng Qi, Wei Xiangping, et al. Monitoring of winter wheat growth under UAV using variation coefficient method and optimized neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 71-80. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.20.008 http://www.tcsae.org

2021-05-20

2021-09-22

安徽省自然资源科技项目（2020-K-8）；国家重点研发计划项目（2020YFC1908601）；淮北矿业集团科技研发项目（No.2020-113）

徐云飞，研究方向为无人机遥感定量反演。Email：2240805378@qq.com

张世文，博士，教授，研究方向为水土介质元素地球化学行为与环境效应研究。Email：mamin1190@126.com

10.11975/j.issn.1002-6819.2021.20.008

S252

A

1002-6819(2021)-20-0071-10