基于无人机RGB影像的马铃薯植株钾含量估算

马彦鹏 边明博 樊意广 陈志超 杨贵军 冯海宽,3

(1.北京市农林科学院信息技术研究中心, 北京 100097; 2.河南理工大学测绘与国土信息工程学院, 焦作 454000;3.南京农业大学国家信息农业工程技术中心, 南京 210095)

0 引言

马铃薯是重要的薯类作物,可以粮菜兼用,在我国广泛种植[1]。马铃薯是喜钾作物,钾含量会直接影响马铃薯产量、株高、茎粗、叶面积和生物量等[2-3]。因此快速准确地获取马铃薯植株钾含量(Plant potassium content,PKC)对监测马铃薯生长发育状况具有重要意义。传统测量PKC的方法以田间破坏性取样为主,测量成本高且费时费力,难以大面积推广使用。无人机遥感技术机动性强,可以用于农作物长势监测、产量估算和病虫害监测等,使田间生产管理更加高效便捷[4-6]。基于无人机遥感平台可以搭载RGB、多光谱和高光谱传感器[7-8]。

LU等[9]基于无人机高光谱传感器利用非负矩阵分解提取植被光谱,建立偏最小二乘回归(Partial least squares regression,PLSR)模型。结果表明,绿光带和红边带对水稻植株钾积累量估算有显著贡献。THOMSON等[10]研究发现利用无人机高光谱传感器反射率建立的PLSR模型可以有效估算森林植物叶片钾含量。SEVERTSON等[11]利用无人机多光谱和高光谱反射率有效识别了缺钾油菜。以上研究主要集中在高光谱传感器上,高光谱虽然能获取更多的光谱信息,但因其价格昂贵,处理过程复杂限制了它在农业生产中的应用。RGB相机传感器虽然只能获取3个波段的光谱信息,但因其可以获取高分辨率影像,而且价格便宜,数据处理过程较为简单,成为广受关注的数据获取方式。

樊意广等[12]基于无人机RGB相机传感器利用多元线性回归(Multiple linear regression,MLR)、BP神经网络和Lasso回归结合冠层光谱特征模型有效估算了马铃薯植株氮含量,结果表明MLR构建的模型最优。刘杨等[13]基于无人机RGB影像利用MLR、支持向量机和人工神经网络(Artificial neural networks,ANN)结合植被指数估算马铃薯地上生物量,结果表明各生育期利用MLR方法构建的马铃薯地上生物量估算模型效果最佳。陶惠林等[14]基于无人机RGB影像有效估算了冬小麦生物量。上述研究结果表明利用无人机RGB相机传感器可以有效估算作物氮素含量和生物量,但是仅利用影像的光谱信息构建的模型容易出现模型精度饱和现象。纹理信息通过像素灰度分布变化来反映目标与环境之间的空间关系,可以提供新的冠层信息[15-16],在作物生长监测中发挥重要作用[17-18],有学者提出引入图像的纹理信息结合光谱信息构建模型。

LU等[19]从无人机RGB影像中分别提取光谱信息和纹理信息估算水稻植株钾积累量,结果表明光谱信息和纹理信息可以准确估算水稻植株钾积累量,两者融合能够进一步提高精度。ZHENG等[20]获取水稻关键生育期冠层多光谱图像,将提取的纹理特征归一化结合植被指数建模估算水稻地上生物量,结果表明,与单独使用光谱信息相比,归一化纹理信息与光谱信息结合显著提高了水稻生物量估算的准确性。MA等[21]利用棉花收获前冠层RGB影像监测棉花产量,表明从无人机高分辨率RGB影像中提取的植被指数和纹理特征与棉花产量显著相关,且植被指数结合纹理特征估算棉花产量效果最好。马铃薯的生长发育状况与上述作物不同,前期茎叶生长旺盛,但是到生长后期地上干物质不断向地下转移,地上叶片和茎开始死亡。基于无人机RGB影像提取植被指数和灰度共生矩阵(Gray-level co-occurrence matrix,GLCM)纹理特征可以提高高覆盖度下估算马铃薯地上生物量的准确性[22],钾与氮素和生物量机理不同,已有的研究方法是否适用于马铃薯PKC监测还有待进一步研究。

因此,本研究以无人机遥感平台搭载RGB传感器获取马铃薯3个关键生育期的RGB影像,并提取各个生育期的冠层光谱特征和纹理信息,结合地面实测的PKC数据,采用3种不同的方法对每个生育期马铃薯PKC进行建模和验证,探究光谱特征结合纹理信息估算马铃薯PKC的适用性。

1 材料与方法

1.1 实验设计

实验于2019年在北京市昌平区小汤山镇国家精准农业研究示范基地开展。采用的马铃薯品种为Z1(中薯5)和Z2(中薯3)。共设3个实验区,每个实验区3个重复。P区(密度实验区)设置3个密度水平(T0:60 000株/hm2;T1:72 000株/hm2;T2:84 000株/hm2);N区(氮肥实验区)设置4个氮肥水平(N0:0 kg/hm2;N1:244.65 kg/hm2;N2:489.15 kg/hm2;N3:733.5 kg/hm2);K区(钾肥实验区)设置3个钾肥水平(K0:0 kg/hm2;K1:970 kg/hm2;K2:1 941 kg/hm2)。P区和N区钾肥水平均为K1:970 kg/hm2。共48个小区(图1),每个小区面积为5 m×6.5 m。

图1 马铃薯田间位置及实验设计

1.2 无人机RGB影像获取及预处理

采用大疆精灵4Pro无人机遥感平台,分别在块茎形成期、块茎增长期和淀粉积累期选择晴朗无云的天气,在光照强度稳定的12:00—14:00获取RGB影像。表1为无人机飞行参数设置。飞行结束后将图像导入三维建模软件Agisoft PhotoScan Professional(64 bit)生成每个生育期数字正射影像。主要步骤包括对齐图像、建立密集点云、生成格网、生成纹理、建立正射、导出数字正射影像。

表1 无人机飞行参数

1.3 地面数据获取

在无人机数据采集结束后进行地面数据采集。马铃薯PKC测量方法为田间采样和实验室化学分析相结合。分别于马铃薯块茎形成期、块茎增长期和淀粉积累期在每个实验小区选取3株具有代表性的植株带回实验室进行茎叶分离,用清水冲洗干净后在干燥箱内105℃杀青30 min,然后将温度调至80℃干燥48 h以上,质量恒定后进行称量,得到各器官的干质量。在实验室内利用电感耦合等离子体发射光谱仪(iCAP6300型)测量各器官钾含量。最后计算PKC,计算公式为

(1)

式中CLK——叶片钾含量,%

CSK——地上茎钾含量,%

MLD——叶片干质量,g

MSD——地上茎干质量,g

1.4 光谱指数选取

从无人机RGB影像中提取每个小区的冠层光谱特征,然后根据现有的研究进展选取24个能够描述作物氮素和钾素营养状况的光谱植被指数对马铃薯块茎形成期、块茎增长期、淀粉积累期的PKC进行估算。植被指数如表2所示。

表2 植被指数

1.5 纹理特征选取

遥感影像的纹理特征可以用来描述图像中的空间分布和灰度分布。GLCM是用来描述图像中像素灰度值之间关系的一种统计方法。GLCM纹理特征包括对比度(Contrast,con)、相关性(Correlation,cor)、差异性(Dissimilarity,dis)、熵(Entropy,ent)、同质性(Homogenetity,hom)、二阶矩(Second moment,sm)、方差(Variance,var)和均值(mean)。有研究表明提取纹理时移动窗口大小和方向对结果影响较小,可以忽略[23-24]。本研究基于3个生育期的RGB影像选择3×3的窗口,提取每个波段45°方向的8个纹理特征,共24个。为了提高纹理指数与马铃薯PKC之间的相关性,本文在单个纹理特征的基础上按照归一化植被指数(NDVI)、差值植被指数(DVI)和比值植被指数(RVI)方法构建了3个纹理指数(TIS)——NDTI、DTI和RTI。选出最佳的组合方式用来估算马铃薯PKC,计算公式为

(2)

DTI=T1-T2

(3)

(4)

式中T1、T2——3个波段中随机纹理特征值

1.6 数据分析方法

将重复1和重复3的32组数据作为训练集建立马铃薯PKC的估算模型,将重复2的16组数据作为验证集,验证模型精度。采用的数据分析方法为MLR、偏最小二乘(Partial least squares regression,PLSR)和ANN。MLR是一种基本的回归分析方法,它建立了变量和目标之间的线性关系,并且假设误差项是独立同分布的。PLSR是一种经典的线性回归方法,它可以解决多重共线性问题,将原始变量转换为一组新的特征,并且确保每个成分都与目标相关联,通过保留这些成分的不同数量,可以进行多级回归分析,从而实现预测。ANN是一种基于神经元结构的非线性建模方法,通过学习数据中的复杂模式进行建模,并且可以根据数据的结构和分布来自适应地调整模型参数。

1.7 模型评价指标

为评价模型预测结果的准确性,采用决定系数(Coefficient of determination,R2)、均方根误差(Root mean square error,RMSE)和标准均方根误差(Normalized root mean square error,NRMSE)作为模型精度评价指标。

2 结果与分析

2.1 相关性分析

采用Pearson相关性分析了不同模型参数与马铃薯PKC之间的相关性。表3为所有模型参数与3个生育期马铃薯PKC的相关系数。块茎形成期除IKAW和(g-b)/(r-g)与马铃薯PKC表现不显著相关外,其余植被指数均与马铃薯PKC表现显著性相关。其中G、b和r-b表现为0.05水平显著性相关,R、B、r、g、g+b、g-b、r+b、r/g、EXG、EXR、EXGR、GRVI、VARI、(r-g-b)/(r+g)、MGRVI、RGBVI、NDI、GLA和CIVE共19个植被指数均表现为0.01水平显著性相关。相关系数绝对值最大的植被指数是(r-g-b)/(r+g),为0.85。块茎增长期G和(g-b)/(r-g)与马铃薯PKC不显著相关,R、B、r、g、b、g+b、g-b、r-b、r+b、r/g、EXG、EXR、EXGR、IKAW、GRVI、VARI、(r-g-b)/(r+g)、MGRVI、RGBVI、NDI、GLA和CIVE共22个植被指数与马铃薯PKC表现为0.01水平显著性相关。相关系数绝对值最大的植被指数是GLA,为0.85。淀粉积累期r-b与马铃薯PKC为不显著相关,IKAW和(g-b)/(r-g)表现为0.05水平显著性相关,R、G、B、r、g、b、g+b、g-b、r+b、r/g、EXG、EXR、EXGR、GRVI、VARI、(r-g-b)/(r+g)、MGRVI、RGBVI、NDI、GLA和CIVE共21个植被指数与马铃薯PKC表现为0.01水平显著性相关。相关系数绝对值最大的植被指数是R,为0.76。

表3 马铃薯3个生育期植被指数与PKC的相关系数

如表4所示,单一纹理特征在块茎形成期R-ent和B-hom与马铃薯PKC不显著相关,G-mean和G-ent表现为0.05水平显著性相关,R-mean、R-var、R-hom、R-con、R-dis、R-sec、R-cor、G-var、G-hom、G-con、G-dis、G-sec、G-cor、B-mean、B-var、B-con、B-dis、B-ent、B-sec和B-cor共20个纹理特征与马铃薯PKC呈0.01水平显著性相关。相关系数绝对值最大的是G-con,为0.79。块茎增长期G-mean表现为不显著相关外,其余纹理指数均表现为显著性相关。其中R-cor和G-cor表现为0.05水平显著性相关,R-mean、R-var、R-hom、R-con、R-dis、R-ent、R-sec、G-var、G-hom、G-con、G-dis、G-ent、G-sec、B-mean、B-var、B-hom、B-con、B-dis、B-ent、B-sec和B-cor共21个单一纹理特征与马铃薯PKC呈0.01水平显著性相关。相关系数绝对值最大的是R-var和R_dis,为0.82。淀粉积累期G-cor、B-var、B-hom、B-con、B-dis和R-cor与马铃薯PKC不显著相关。R-mean、R-var、R-hom、R-con、R-dis、R-ent、R-sec、G-mean、G-var、G-hom、G-con、G-dis、G-ent、G-sec、B-mean、B-ent、B-sec和B-cor共18个单一纹理特征表现为0.01水平显著性相关。相关系数绝对值最大的是R-mean,为0.76。构建的3个TIS在3个生育期均表现为0.01水平显著性相关,相关系数绝对值均大于表现最优的单一纹理特征相关系数绝对值,且3个生育期NDTI、DTI和RTI相关系数绝对值相差不大,相关系数绝对值最大为0.84、0.83和0.78。

表4 马铃薯3个生育期纹理特征与PKC的相关系数

2.2 马铃薯PKC估算与验证

分别以3个生育期相关系数绝对值最大的3个植被指数和构建的3个最优的TIS为输入变量,结合MLR、PLSR和ANN构建马铃薯PKC的估算模型。表5、6分别为3个生育期MLR、PLSR和ANN 3种方法以植被指数(VIS)和植被指数结合构建的TIS为输入变量建模和验证的结果。3个生育期利用同种建模方法植被指数结合TIS作为输入变量估算PKC的效果优于仅将植被指数作为输入变量的估算效果。3种建模方法均表现为块茎形成期和块茎增长期的估算效果优于淀粉积累期;同种建模方法从块茎形成期到淀粉积累期模型验证精度逐渐变差。不同的估算模型在3个生育期植被指数结合TIS的建模和验证效果如图2所示。3个生育期MLR和PLSR的建模和验证结果均优于ANN。

表5 3个生育期3种方法马铃薯PKC估算结果对比

表6 3个生育期3种方法马铃薯PKC验证结果对比

不同建模方法中均是块茎形成期和块茎增长期估算效果较好,各样本点分布在1∶1线附近。块茎形成期MLR、PLSR和ANN建模R2分别为0.82、0.80和0.75,RMSE分别为0.32%、0.33%和0.40%,NRMSE分别为10.41%、9.59%和13.02%。验证R2分别为0.86、0.88和0.75,RMSE分别为0.31%、0.29%和0.46%,NRMSE分别为10.13%、7.79%和15.26%。块茎增长期MLR建模精度最高R2为0.84,RMSE为0.31%,NRMSE为10.07%。PLSR建模R2、RMSE和NRMSE分别为0.80、0.36%和11.60%。ANN建模R2、RMSE和NRMSE分别为0.71、0.48%和15.63%。验证集上PLSR表现最优,R2为0.72,RMSE为0.41%,NRMSE为13.35%。MLR建模R2、RMSE和NRMSE分别为0.68、0.43%和13.97%.ANN建模R2、RMSE和NRMSE分别为0.54、0.54%和17.75%。淀粉积累期3个模型中MLR估算精度最高, 建模R2为0.70,RMSE为0.31%、NRMSE为13.16%。PLSR建模R2、RMSE和NRMSE分别为0.70、0.32%和13.36%。ANN建模R2、RMSE和NRMSE分别为0.66、0.34%和14.15%。MLR验证R2、RMSE和NRMSE分别为0.60、0.45%和19.02%。PLSR验证R2、RMSE和NRMSE分别为0.58、0.46%和19.33%。ANN验证R2、RMSE和NRMSE分别为0.57、0.47%和19.73%。

3 讨论

3.1 植被指数估算马铃薯PKC

本研究基于无人机遥感平台获取了马铃薯块茎形成期、块茎增长期和淀粉积累期的RGB影像,基于冠层光谱特征构建植被指数并与马铃薯3个生育期的PKC进行相关性分析,选取相关系数绝对值最高的3个植被指数建模估算马铃薯PKC,块茎形成期和块茎增长期马铃薯PKC估算效果较好,其原因是马铃薯前期以茎叶生长为主,到块茎形成期马铃薯地上茎叶已经基本发育完整,地上茎叶生长开始缓慢,块茎增长期马铃薯已由单纯的植株营养生长过渡到植株营养生长、生殖生长和物质积累同时进行的时期,此阶段是马铃薯整个生长发育的鼎盛时期,地上茎叶生长茂盛[25]。这两个生育期提取的光谱特征受土壤影响较小,构建的植被指数能够较好地反映马铃薯PKC变化情况。经过对比发现3个生育期通过3种方法建模时淀粉积累期精度稍差。这是因为在淀粉积累期马铃薯地上茎叶停止生长,地下块茎基本停止生长,此阶段以淀粉积累为主,淀粉和蛋白质等营养物质不断增加。地上部营养物质开始向地下转移,地上茎叶开始变黄枯萎,地面开始裸露,导致提取的光谱信息受到土壤的影响,构建的植被指数与马铃薯PKC相关性降低[26]。

3.2 植被指数结合TIS估算马铃薯PKC

纹理信息可以增加无人机图像的数据维数,经对比发现由单个纹理特征组合得到的TIS与马铃薯PKC之间的相关系数绝对值均大于单个纹理特征。这是因为TIS可以通过平滑冠层结构降低土壤背景、太阳高度角和传感器视角的影响[27]。本研究基于3个生育期的植被指数结合TIS构建马铃薯PKC的估算模型。发现植被指数结合TIS构建的模型精度高于仅用植被指数构建的模型精度。这与马铃薯自身生长发育有关,块茎形成期和块茎增长期马铃薯茎叶生长旺盛,植被覆盖度较大。在高覆盖度下纹理特征对作物物理特性敏感,可以很好地反映冠层结构变化。随着生育期的变化,由于营养的消耗和追肥的影响叶片颜色会发生变化。块茎形成期和块茎增长期营养物质主要集中在地上的茎和叶中,马铃薯冠层颜色由浅变深。淀粉积累期地上茎叶中营养物质不断向地下转移,冠层颜色由绿逐渐变黄。纹理特征也可以反映这些颜色变化[28-29]。光谱特征和纹理特征对马铃薯PKC的表现不同,相较于仅用植被指数建立的估算模型,植被指数结合TIS可以更全面地反映遥感信息与作物参数之间的关系。这与ZHENG等[30]研究结论一致,表明植被指数结合TIS可以提高估算作物理化参数的精度。

本研究构建的3种马铃薯PKC估算模型中MLR和PLSR估算精度和模型稳定性高于ANN。这是因为MLR可以更加有效地利用多个变量信息,提高对目标的解释能力。PLSR可以在变量和目标之间提取主成分,减少特征和目标之间的冗余信息,提高模型的准确性,在样本量较小的情况下,PLSR仍然能够得到可靠的结果。ANN往往在处理大规模和非线性问题时表现优异[31]。本研究所用的数据集较小且变量之间存在一定的共线性,ANN在训练中反复学习细节可能给出错误的权重,导致估算能力较差。此外,本研究基于国家精准农业研究示范基地一年的观测数据进行建模和验证,构建的模型是否适用于不同地点及不同年限有待进一步研究。

4 结论

(1)基于单一纹理特征构建的TIS与马铃薯PKC在3个生育期均达到0.01水平显著性相关,块茎形成期NDTI、RTI和DTI与马铃薯PKC相关系数绝对值分别为0.82、0.84和0.82,块茎增长期NDTI、RTI和DTI与马铃薯PKC相关系数绝对值分别为0.83、0.83和0.82,淀粉积累期NDTI、RTI和DTI与马铃薯PKC相关系数绝对值分别为0.77、0.78和0.77。相关系数绝对值均高于最高的单一纹理特征的相关系数绝对值。

(2)MLR和PLSR的建模效果较好,块茎形成期R2分别为0.82和0.80,RMSE分别为0.32%和0.33%,NRMSE分别为10.41%和9.59%。块茎增长期R2分别为0.84和0.80,RMSE分别为0.31%和0.36%,NRMSE分别为10.07%和11.60%。淀粉积累期R2分别为0.70和0.70,RMSE分别为0.31%和0.32%,NRMSE分别为13.16%和13.36%。相较于仅用植被指数建模,3个生育期加入TIS构建的马铃薯PKC估算模型精度均有所提高。