无人机遥感在马铃薯田间表型研究中的应用

李 敏，郭雷风，王瑞利

（1.中国农业科学院 农业信息研究所，北京 100081；2.农业农村部农业大数据重点实验室，北京 100081；3.内蒙古科学技术研究院，内蒙古 呼和浩特 010010）

马铃薯与小麦、稻谷、玉米并称为世界四大粮食作物，也是世界上最大的非谷类粮食作物[1]。由于具有适应能力强、产量高、营养丰富等特点，马铃薯在很多国家作为主粮食用，对于全球范围内的粮食安全保障发挥着举足轻重的作用[2]。自20 世纪70 年代以来，我国马铃薯种植规模不断提升，目前已成为世界马铃薯总产量最多的国家，并逐渐形成兼具不同地域优势的特色品种[3-4]。同时马铃薯是我国西北、西南等偏远贫困地区的支柱产业，四川、贵州、甘肃、云南、内蒙古五省区居于全国马铃薯产量前五，合计占比达50%以上[5]。伴随我国马铃薯主粮化战略的持续推进，进一步提升马铃薯整体种植技术水平、加工生产水平、消费水平，可以有效缓解国内粮食进口量与粮食需求不断增加的压力，为我国主粮多元化提供重要支撑[6-8]。

及时准确高效地获取马铃薯生长环境及作物自身生长状况信息并进行相应分析与后续田间管理操作，是实现马铃薯生产提效增收的基础保证和有效手段。其中，株高、生物量、叶绿素含量等重要作物表型参数的获取与分析对于实现马铃薯精细化管理至关重要。传统的表型信息提取主要依赖于人工操作，人力与时间成本高，效率低下，准确性与客观性也比较有限，因此难以应用于大规模农田环境[9-10]。近年来，无人机遥感技术以其灵活机动、适应性强、操作简单等特色，以及重访周期短、时空分辨率高等优点，成为获取田间作物表型信息及构建生长特性评估模型的重要手段，已被广泛应用于作物长势、营养水平、病害识别、产量估算等方面的监测与分析研究中[11]。

与小麦、玉米、水稻等主流大宗谷类作物相比，利用无人机进行马铃薯表型研究的整体现状是分散的、缺乏系统性的，但这些初步探索实践与应用研究也取得了良好成效。系统阐述了无人机遥感的构成与基本工作原理、搭载传感器的类型及其在作物田间表型分析中的应用情况，在此基础上对无人机遥感在马铃薯田间表型研究中的应用现状与进展进行全面梳理与述评，并对目前研究中存在的不足与未来发展方向进行了总结与展望，以期为近地遥感在马铃薯田间表型分析中应用的后续深入研究提供理论支撑与科学参考。

1 基于无人机遥感的田间作物表型研究概述

1.1 无人机遥感系统构成与基本工作原理

无人机（Unmanned aerial vehicle，UAV）是一种无线电遥控或自主飞行的无人驾驶飞行器，可在多种应用场景中执行不同的任务[12-13]。无人机遥感系统主要由飞行器、地面控制系统、定位系统、传感器、通讯传输系统等组成[14-16]。其基本工作原理是以无人飞行器为平台，根据任务需求搭载不同类型的图像光谱传感设备，获取实时的高分辨率遥感数据，并借助一定的图像处理与解析技术获取光谱指数、数字模型等特定结果[17]。

1.2 传感器类型及主要应用场景

传感器是无人机遥感系统中数据采集的核心。目前，无人机搭载的用于获取作物表型特征的传感器主要包括可见光、多光谱、高光谱相机，热像仪和激光雷达[18]。后两类传感器一般价格较高，成像及影像处理较为复杂，在实际应用中的广泛程度不及前三者[19]。可见光相机由于价格相对较低且种类多样，在无人机表型分析中最为常用，缺点是只包含红、绿、蓝3个波段信息，光谱信息较少，一般可用于生成数字表面模型、进行农作物分类、估算作物覆盖度等[20]。多光谱相机在可见光的基础上向红外光和紫外光2个方向扩展，能够获取多波段光谱信息、纹理信息和结构信息，可提取长势监测、环境胁迫、地物识别、精细分类、病虫害监测、产量估测等领域所需的多种参数。高光谱相机的应用领域与多光谱相机类似，但其能够获取更为精细的全波段光谱信息，可实现作物表型参数的精确反演，缺点是价格较高，数据处理量级较大。热像仪一般可采集与蒸腾相关的作物冠层温度并用于旱情监测或精准灌溉，而激光雷达可获取作物冠层点云信息以进行作物水平和垂直结构参数反演（如冠层面积、株高等）[21]。在实际研究与应用中，要根据传感器自身特点优势及具体目的需求进行相应选择。

1.3 无人机遥感在田间作物表型分析中的应用情况

作物表型是指由基因与生长环境共同作用下的作物的外在表现形式，体现为作物生长发育过程中物理、生理、生化方面的特征和性状，如高度、颜色、形状等[22]。绝大部分表型特征可以通过观察获取，并用于揭示作物生命规律与环境因素对表型的影响机制。随着无人机及大数据技术的迅猛发展，基于无人机遥感的作物表型分析方法在精准农业中的优势愈发突出。目前，国内外已有大量学者围绕无人机遥感技术在大尺度农田环境作物表型领域开展了科学研究。高林等[23]利用无人机遥感数据获得了高精度大豆叶面积指数（Leaf area index，LAI）预测值；陶惠林等[24]采用无人机高光谱数据分析了冬小麦不同生育期植被指数与长势监测指标的相关性，并成功反演形成长势监测图；BIAN 等[25]利用无人机多光谱相机和热红外相机获取多种植被指数和水分胁迫率，为精准灌溉提供科学依据；REZA 等[26]利用无人机遥感获取水稻RGB（Red-Green-Blue）图像并对作物区进行分割提取，通过水稻米粒的面积来估测水稻产量；JAY 等[27]利用无人机光谱获取甜菜冠层影像，对甜菜冠层氮含量进行反演；薛金利等[28]借助无人机获取不同分辨率的棉花苗期影像，利用YOLOv3 模型对棉田杂草进行识别，准确率高达94.06%。综合来看，目前无人机遥感表型研究的对象以小麦、玉米、水稻、棉花居多，研究方向集中在作物长势监测、产量估测、营养诊断和生长胁迫监测等方面[29]。同时，各类图形图像处理方法、计算机视觉算法、机器学习方法在表型数据解析中得以广泛应用，实现了对作物不同表型参数的自动识别、分类、提取、估测[30]。

2 无人机遥感用于马铃薯田间表型研究现状

近年来，有学者针对马铃薯这一特定研究对象，以无人机遥感为基础，开展了包括形态指标、生理生化指标、生物与非生物胁迫指标等在内的多种田间表型信息研究。

2.1 形态指标

形态指标一般反映田间农作物生长的状态与趋势，快速获取作物形态信息可为田间管理决策提供重要的依据[31]。常用的作物形态指标包括株高、株数、植被覆盖度等[32]。利用数字表面模型（Digital surface model，DSM）、颜色转换、图像分割等图像处理技术，结合遥感图像分类和混合线性模型预测等方法处理无人机获取的可见光成像数据，可快速实现作物株高、株数、冠层覆盖度等形态指标的获取。

2.1.1 基于DSM 的株高提取 刘杨等[33]基于无人机高光谱影像对马铃薯株高及地上生物量进行了估算。其中株高估算主要基于DSM，即利用试验田的高光谱灰度影像结合地面控制点生成不同生长阶段的DSM，然后与试验田裸地DSM 作差得到估算株高。该研究提取的马铃薯估算株高比实际测量值偏低，主要是在进行三维重建时马铃薯冠层空间信息被当作噪声去除，因此利用DSM 进行高度估算时冠层空间信息重建精度尤为关键。姚利民[34]利用无人机搭载可见光遥感相机获取田间马铃薯的图像信息，通过DSM 将马铃薯高程值与裸地高程值作差得到马铃薯株高，最大相对误差为18.52%，预测值与实际测量值相关系数r2达0.68。误差来源主要是由于马铃薯主茎与侧枝相互干扰，较高的茎叶对较低的部分造成干扰，利用DSM 提取高程信息则容易产生误差。

2.1.2 基于颜色转换空间HSI（Hue-Saturation-Intensity）算法的植被覆盖度提取 吴智超等[35]提出利用颜色转换空间HSI算法从无人机数码影像中快速提取马铃薯覆盖度的方法。其原理是分别利用HSI 空间的S 通道及H 通道对图像进行去白色处理和去土壤处理，并利用形态学处理去噪，从而提取图像中马铃薯植被的对应像元，最后通过统计分析估算植被覆盖度。同时，研究将颜色转换空间HSI算法与过绿（Excess green，ExG）指数法、最大似然分类法（Maximum likelihood classifier，MLC）进行了对比，得出前者的准确性与精度均为最优，是一种操作更为简单、准确性更高的植被覆盖度提取方法。

2.1.3 基于阈值分割及形态特征提取的株数估算LI 等[36]利用无人机RGB 图像对田间马铃薯株数进行了估算。研究利用Otsu 阈值分割法从ExG 灰度图中提取马铃薯植株冠层区域，通过边缘检测生成对应的植株封闭轮廓及最小面积边界框，并计算6个相关形态学特征（包括边框长边长度、边框长宽比、边框内冠层面积、冠层轮廓周长、冠层凸包面积、冠层面积与凸包面积之比），作为随机森林（Random forests，RF）分类器的特征变量，对出苗阶段马铃薯株数进行估算。结果表明，基于无人机RGB 图像的估测结果与人工评估结果非常接近，相关系数r2为0.96，可以作为测定株数的有效工具。

2.2 生理生化指标

LAI、生物量和叶绿素是衡量作物生长状况的重要指标。LAI是作物空间分布密度及冠层结构的重要指示因子，与光合、呼吸、蒸腾、碳循环等生物理化过程密切相关[37]。地上生物量（Above ground biomass，AGB）是重要的农学参数，与作物的光合作用相关，间接地反映生物量积累[38]。叶片叶绿素含量跟光合作用速率、植物营养状况等指标密切相关，通常通过对叶绿素含量的测定来了解植物的健康状况。植物对光谱的吸收和反射特征可用来反演其生理生化特性，以植被指数为代表的光谱特征分析法可以有效地识别出植物的不同性状所对应的吸收和反射特征，目前在解析作物生理生化指标中已具有较广泛的应用。

2.2.1 基于植被指数的AGB 估算 植被指数被证实与生物量具有较好的关系，因而可以通过植被指数-生物量回归法估算生物量，具体植被指数及回归模型的选择取决于模型拟合及验证结果。刘杨等[33]对马铃薯AGB 与原始冠层光谱敏感波段和高光谱指数分别进行相关性分析，筛选出前10个最优光谱指数，然后构建多元线性回归（Multiple linear regression，MLR）、偏最小二乘回归（Partial least square regression，PLSR）和RF 3 种模型对AGB 进行估算，并对比株高（Hdsm）、光谱指数（VIs）及VIs+Hdsm综合因子的估算效果。结果显示，在所有模型中各变量的效果优劣表现均为VIs+Hdsm＞VIs＞Hdsm，即加入株高因子后模型精度提高。而模型性能优劣则依次为MLR、PLSR、RF。类似的，LI 等[39]利用无人机RGB 图像与高光谱图像对马铃薯株高及AGB 进行了预测，研究同样利用DSM 对株高进行了估算，并分别建立全光谱PLSR 模型、基于特定波长植被指数及估算株高的RF 模型进行生物量估算。最终结论与刘杨等[33]研究一致，PLSR 模型的整体性能略差于RF 模型，证实株高与AGB 相关性较强，引入株高有利于提高生物量估算的准确性。

2.2.2 基于物理模型法的LAI反演 物理模型方法是通过植被冠层辐射传输模型计算LAI，其中基于几何光学模型和辐射传输模型的混合模型最具代表性。ROOSJEN 等[40]利用多角度无人机多光谱影像对马铃薯LAI 及叶绿素含量进行了估算，采用覆盖天顶角约30°半球的多角度数据，通过PROSAIL模型的反演对LAI和叶绿素含量进行估测。与单一的垂直观测相比，多角度遥感数据反演精度略有所提升，使遥感应用从传统的地面目标平面信息走向目标空间结构特征的反演[41]。李剑剑等[42]基于无人机高光谱数据通过PROSAIL 模型构建多类型作物的查找表（Look-Up-Table，LUT）对玉米、马铃薯、地瓜等不同作物的LAI进行反演。采用基于分类知识和参数敏感性分析相结合的方法构建查找表，在提高LAI 反演精度的同时，有效避免了查找表所有输入参数高频次采样带来的运算效率的降低。但总体而言，基于物理模型反演方法、利用无人机遥感开展马铃薯LAI大面积快速定量估算的相关研究还比较欠缺。

2.2.3 基于多特征融合的叶绿素含量估算 传统无人机遥感大多从光谱植被指数入手进行作物营养监测，忽略了其他信息，如图像本身的特征信息等。无人机多光谱影像兼有地物的多光谱信息和纹理信息的优势，因此可以构建不限于植被指数的多特征综合模型来估算叶绿素含量。尹航等[43]基于无人机高光谱影像对马铃薯叶绿素含量进行估测，研究发现，基于归一化植被指数（Normalized difference vegetation index，NDVI）、比值植被指数（Ratio vegetation index，RVI）等已有光谱指数估测马铃薯叶绿素含量存在数据离散及模型鲁棒性较差的问题，因此利用Matlab对450～950 nm 范围内的任意两波段进行组合优化以筛选马铃薯叶绿素敏感波段，并组合为优化比率光谱指数（Ratio spectral index，RSI）与优化归一光谱指数（NDSI），结果表明，2 类优化的光谱指数具有更好的线性拟合趋势，可使模型精度明显提高。NDVI、RVI 等传统植被指数虽然被广泛应用于小麦、玉米等作物的叶绿素含量估算，但针对马铃薯叶绿素含量的估测效果却参差不齐，说明叶绿素敏感波段因作物种类不同而有所差异，在实际应用中的反演精度等问题也需要进一步研究。陈鹏等[44]融合多光谱植被指数与图像纹理特征，探究综合指标模型对马铃薯叶绿素含量的估算效果，提取包括均值、反差、协同性等在内的8个图像纹理特征，并对比分析了基于植被指数、纹理特征的单一指标模型与二者融合的综合指标模型，发现融合模型效果最好，植被指数模型次之，纹理特征模型最差。LI 等[45]则利用光谱反射率、植被指数、光谱位置和面积特征等综合性高光谱参数结合机器学习方法对马铃薯不同生长阶段的叶绿素含量进行了估测。结果同样表明，与单一参数相比，综合指标参数可以准确估计马铃薯叶绿素含量，具有较好的效果。这些研究改善了仅以单一光谱指数作为叶绿素含量统计估算指标的思路，将更多有益参数纳入模型，为马铃薯叶绿素含量的定性估测提供了更为准确的新方法。

2.3 生物与非生物胁迫指标

在作物的生长过程中，会遇到生物胁迫和非生物胁迫2种植物胁迫。生物胁迫是指对植物生存与发育不利的各种生物因素的总称，通常是由于感染和竞争所引起的[46]，如病害、虫害、杂草危害等[47-48]。非生物胁迫是指不利于植物生存和生长发育甚至导致伤害、破坏和死亡的非生物的环境条件[49]，包括物理和化学2 个方面，物理方面包括温度、水分、辐射、机械损伤等[50-52]，化学方面包括化学污染（如重金属、农药、臭氧、二氧化硫等）以及矿质营养亏缺、氧气缺乏等。气候变化正导致种植环境加剧变化，病虫害与各类自然灾害等胁迫因素会对作物的生长带来不同程度的负面影响，并最终导致减产等经济社会损失。已有大量研究表明，病原体或自然灾害对作物叶片和冠层的生物物理化学特性有直接影响[53]，因此利用作物冠层的光谱数据可以有效区分受害植物与健康植物，及时检测病害、灾害的严重程度并进行量化评估，保持作物产量稳定。

2.3.1 基于植被指数的自然灾害监测与评估 马铃薯生长期间往往受到气象灾害等自然因素的影响，以高温干旱、低温冻害及冰雹灾害较为常见[54]。灾害发生后，对受灾严重程度及损失水平进行快速准确的监测与评估，是实施灾后处理及农业保险理赔不可或缺的环节之一。ZHOU 等[55]利用无人机高分辨率遥感影像对马铃薯冰雹灾害进行了评估。研究对3种级别的冰雹损伤（落叶程度分别为33%、66%和99%）进行模拟，并提取NDVI、绿色归一化植被指数（GNDVI）、土壤调节植被指数（SAVI）3 个特征植被指数对马铃薯受损情况进行评估。结果显示，3 个特征指数值均随损伤程度的增加而显著降低，且SAVI 敏感性最高，说明无人机遥感影像有助于评估冰雹对作物的损伤程度。但总体而言，目前应用无人机开展马铃薯自然灾害监测评估的研究较少。

2.3.2 基于机器学习的病害监测与评估 马铃薯晚疫病是当今危害马铃薯生产最为严重且普遍的病害，其会迅速破坏叶片从而导致块茎质量恶化和产量损失[56]，因此高效准确的监测评估方法对于预防病害发生与培育抗性品种都具有重要意义。近年来，传统的机器学习方法（Machine learning，ML）在识别农业病虫害研究中得到了广泛应用。DUARTE-CARVAJALINO 等[57]基于无人机高分辨率多光谱图像，应用多层感知器（Multilayer perceptron，MLP）、卷 积 神 经 网 络（Convolutional neural networks，CNNs）、支 持 向 量 回 归（Support vector regression，SVR）与RF 等4 种机器学习方法，对不同基因型马铃薯晚疫病严重程度进行了评估，结果显示，在各类模型中CNNs 表现最优，平均绝对误差为11.72%。RODRÍGUEZ 等[58]进行了类似研究，利用5 种机器学习方法进行病害识别模型训练与预测验证，最终发现线性支持向量分类器（Linear support vector classifier，LSVC）与RF 分类器在精度指标和运行时间方面均具有最好的性能，且比之前的研究有较大改进。

2.3.3 其他基于光谱特征的生物胁迫分析SUGIURA 等[59]提出利用无人机RGB 图像进行颜色转换和基于阈值优化的逐像素分类方法对马铃薯晚疫病严重程度进行评估。研究结果相对准确，证实基于无人机影像的马铃薯病害识别方案的可行性。FRANCESCHINI 等[60]分析了使用无人机多光谱图像进行马铃薯晚疫病早期检测（病害水平在2.5%～5.0%）及严重程度评估的可行性。具体方法是通过单纯形体积最大化（Simplex volume maximization，SiVM）描述不同观测时间冠层光谱响应变化情况，并根据像素级对数似然比（Log-likelihood ratio，LLR）确定其与病害严重程度的关系。结果表明，利用无人机多光谱影像获取的亚分米级分辨率的光学影像可以为马铃薯晚疫病早期发病率及严重情况评估提供有用信息，但光谱图像检测到的病害变化情况主要与马铃薯冠层及叶片结构特征相关，而与叶片或冠层的色素含量相关性较小，因此对马铃薯晚疫病早期症状的识别评估仍是一个挑战，需要进一步研究。

3 问题与展望

总体而言，通过无人机遥感系统获取马铃薯生长过程中的光谱影像，可快速提取大尺度农田环境下马铃薯表型信息，监测其生长状况并进行精细化管理。虽然基于无人机遥感的马铃薯田间表型研究已取得了一定成果，但仍存在以下几方面的不足，这些问题也将是未来深化研究的方向与着眼点。

一是基于无人机遥感的马铃薯田间表型研究的广度和深度需要不断拓展。当前无人机遥感监测的研究对象以玉米、小麦、水稻、棉花、大豆等居多，而针对马铃薯这一特定对象的研究较少。同时现有研究对马铃薯田间表型参数的获取与解析仍然比较片面，以株高、株数、冠层覆盖度等形态指标，以及叶绿素含量、LAI 等生理生化参数为主，缺乏氮素含量等营养监测与冠层温度、叶片水势、水分胁迫指数等胁迫分析，对除晚疫病外的病虫害识别监测仍然欠缺，不利于在马铃薯生长期实施科学的水肥管理与病虫害预防。另外，马铃薯与豆类、谷类作物不同，其果实生长在地下，因此与块茎相关的主要表型难以通过无人机直接获取，所以要对马铃薯地上部分与地下部分植物性状的关联影响作用机制进行更加深入的研究。二是表型解析方法与模型的精确性、稳定性有待进一步提高。尽管学者们利用植被指数等指标通过经验统计回归与机器学习等方法成功解析了部分马铃薯表型信息，但不同参数、不同方法产生的研究结果往往参差不齐。特别是对于马铃薯病害的早期监测、生物量及产量的估算仍需要进一步改进提升，以降低来自反演模型驱动变量或参数的不确定性及模型本身误差特性带来的不确定性，从而提高模型精度及性能。三是无人机遥感与其他表型解析方法的融合研究尚未开展。作为一种信息获取的手段，无人机遥感在实际应用中必然存在一定的局限性。而大尺度马铃薯表型解析研究是一项集成农学、光学、计算机科学、生态学等多个学科知识的融合性工作。如何结合多源遥感数据、地面调查数据、气象数据、土壤数据等进行多角度的融合研究也是今后发展的方向之一。

4 结论

农业现代化的发展及主粮化战略的推进，使马铃薯产业进入全新的发展阶段，并不断向规模化、精细化、数字化方向迈进。信息技术及无人机技术的快速崛起为高通量作物表型分析研究开辟了更为准确高效的新途径。轻小型无人机遥感系统在马铃薯田间表型分析研究中具有突出的优势，可以及时获取精细管理所需数据信息，促使马铃薯种植生产智能化水平不断提升。虽然基于无人机遥感的作物表型研究日渐成为精准农业领域的热点，但针对马铃薯这一特定对象的相关研究与实际应用目前仍处于初级探索阶段，还面临着诸多的问题与挑战。后续研究需扩大样本数量与类型，针对马铃薯病虫害监测、精细种养等实际生产中的重点环节，开展马铃薯全生长期多重表型解析的深入探索。同时，应将无人机低空遥感光谱图像与其他多源数据进行融合，并结合前沿植物表型大数据挖掘方法，构建更为精确稳健的定量分析模型，为推动近地遥感在马铃薯精细化种植管理中的应用提供重要的理论与技术支撑。