基于無(wú)人機(jī)高清影像的棉花苗期長(zhǎng)勢(shì)監(jiān)測(cè)及后期長(zhǎng)勢(shì)預(yù)測(cè)

祁佳峰 郭鵬 劉笑 杜文玲

摘要：棉花長(zhǎng)勢(shì)對(duì)其產(chǎn)量有重要影響，對(duì)3～4葉期棉花長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)并對(duì)后期長(zhǎng)勢(shì)進(jìn)行預(yù)測(cè)，有利于棉花的田間管理和提高最終產(chǎn)量。本研究利用棉花3～4葉期無(wú)人機(jī)高清影像進(jìn)行試驗(yàn)，首先利用綠葉指數(shù)（green leaf index，GLI）對(duì)棉花苗期影像進(jìn)行分割，利用ENVI 5.6軟件中的農(nóng)業(yè)工具包對(duì)棉花幼苗進(jìn)行提?。蝗缓蟾鶕?jù)棉花幼苗的直徑范圍以自然斷點(diǎn)法將棉花幼苗依次劃分為一等苗、二等苗和三等苗；最后以305像素×305像素為單位面積，以單位面積內(nèi)甲等苗數(shù)量占出苗總數(shù)的比例和出苗率乘積的大小實(shí)現(xiàn)對(duì)棉花后期長(zhǎng)勢(shì)優(yōu)劣的預(yù)測(cè)。結(jié)果發(fā)現(xiàn)，在眾多指數(shù)中，GLI指數(shù)對(duì)影像的分割效果最好，可以實(shí)現(xiàn)對(duì)棉花幼苗的有效提取。試驗(yàn)區(qū)共提取棉花37 123株，其中，一等苗11 091株，二等苗21 151株，三等苗4 881株。經(jīng)不同尺度的重復(fù)檢驗(yàn)，棉花幼苗的提取精度達(dá)95.7%；試驗(yàn)區(qū)3～4葉期棉花冠層的平均地表覆蓋度為6.54%；長(zhǎng)勢(shì)預(yù)測(cè)評(píng)分結(jié)果與2期NDVI相關(guān)性的決定系數(shù)分別為0.756 9、0.662 1，均方根誤差分別為0.077 0、0.900 1。本研究表明，利用棉花苗期長(zhǎng)勢(shì)結(jié)合出苗率可對(duì)后期長(zhǎng)勢(shì)進(jìn)行有效預(yù)測(cè)，但預(yù)測(cè)精度會(huì)隨時(shí)間的推移逐漸降低，因此本研究中提出的方法更適合對(duì)棉花從苗期開始至未來中短期內(nèi)長(zhǎng)勢(shì)的預(yù)測(cè)。本研究為棉花長(zhǎng)勢(shì)預(yù)測(cè)提供一種新的手段，對(duì)棉花生長(zhǎng)過程中進(jìn)行人工干預(yù)和提高棉花產(chǎn)量具有重要的指導(dǎo)作用。

關(guān)鍵詞：無(wú)人機(jī)；棉花；苗期；長(zhǎng)勢(shì)監(jiān)測(cè)；長(zhǎng)勢(shì)預(yù)測(cè)

中圖分類號(hào)：S127文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2023）16-0170-09

收稿日期：2022-10-24

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：U2003109）；石河子大學(xué)高層次人才科研啟動(dòng)資金專項(xiàng)（編號(hào)：RCZK2018C15）。

作者簡(jiǎn)介：祁佳峰（1997—），男，甘肅定西人，碩士研究生，從事農(nóng)業(yè)遙感方向研究。E-mail：qjf626112@163.com。

通信作者：郭 鵬，博士，教授，從事農(nóng)業(yè)遙感方向研究。E-mail：gp163@163.com。

棉花是我國(guó)主要的經(jīng)濟(jì)作物，新疆也是我國(guó)棉花的主產(chǎn)區(qū)，據(jù)相關(guān)統(tǒng)計(jì)，新疆地區(qū)棉花種植面積占新疆總耕地面積的50%左右，占全國(guó)棉花種植總面積的80%左右^［1］。棉花種植面積廣泛，快速、準(zhǔn)確的對(duì)棉花長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)，是現(xiàn)代農(nóng)業(yè)的主要任務(wù)之一，而對(duì)一定時(shí)間段內(nèi)棉花長(zhǎng)勢(shì)進(jìn)行預(yù)測(cè)，對(duì)提高產(chǎn)量以及當(dāng)?shù)卣娃r(nóng)業(yè)部門制定相關(guān)政策具有指導(dǎo)意義^［2］。

精準(zhǔn)農(nóng)業(yè)和農(nóng)業(yè)現(xiàn)代化進(jìn)程中，作物長(zhǎng)勢(shì)監(jiān)測(cè)已成為學(xué)術(shù)界關(guān)注的熱點(diǎn)問題之一。遙感技術(shù)具有觀測(cè)范圍廣和獲取信息速度快等優(yōu)勢(shì)而被廣泛應(yīng)用于農(nóng)業(yè)領(lǐng)域^［3-4］，在作物長(zhǎng)勢(shì)監(jiān)測(cè)方面，一般利用歸一化植被指數(shù)（NDVI）和葉面積指數(shù)（LAI）進(jìn)行評(píng)價(jià)。劉曉晨等利用多源影像數(shù)據(jù)，通過計(jì)算同一地塊不同年份間的NDVI差值，分別實(shí)現(xiàn)了不同年份棉花和小麥長(zhǎng)勢(shì)的監(jiān)測(cè)和對(duì)比^［5-6］。金秀良等通過分析棉花整個(gè)生育期葉面積指數(shù)（LAI）和生物量與高光譜特征參數(shù)的相關(guān)性后構(gòu)建了棉花長(zhǎng)勢(shì)估測(cè)模型，決定系數(shù)達(dá)0.804^［7］。謝鑫昌等利用Landsat8影像數(shù)據(jù)，并引入DEM等特征變量，通過隨機(jī)森林算法構(gòu)建了長(zhǎng)勢(shì)差值模型，對(duì)近5年的長(zhǎng)勢(shì)進(jìn)行了動(dòng)態(tài)監(jiān)測(cè)^［8］。Li等利用同一地區(qū)不同作物多年同期的NDVI數(shù)據(jù)，提出了NDVI大數(shù)據(jù)百分位數(shù)評(píng)估法，實(shí)現(xiàn)了對(duì)作物長(zhǎng)勢(shì)的遙感監(jiān)測(cè)^［9］。Becker-Reshef等利用MODIS和SPOT衛(wèi)星數(shù)據(jù)，雖然對(duì)各作物的種植位置信息進(jìn)行了有效提取并進(jìn)行產(chǎn)量估計(jì)，但未能對(duì)作物長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)^［10］。Genovese等利用MODIS影像，通過構(gòu)建NDVI差值數(shù)據(jù)實(shí)現(xiàn)了對(duì)西班牙地區(qū)小麥長(zhǎng)勢(shì)的實(shí)時(shí)監(jiān)測(cè)^［11］。而隨著無(wú)人機(jī)技術(shù)的不斷成熟和進(jìn)步，其也逐漸被應(yīng)用于作物長(zhǎng)勢(shì)監(jiān)測(cè)的研究中，王慶等借助無(wú)人機(jī)高清影像數(shù)據(jù)，通過冠層的光譜特征和結(jié)構(gòu)特征實(shí)現(xiàn)了對(duì)甜菜長(zhǎng)勢(shì)的監(jiān)測(cè)^［12］。張瑞杰等也利用無(wú)人機(jī)高分辨率的優(yōu)勢(shì)，利用深度學(xué)習(xí)算法實(shí)現(xiàn)了對(duì)油菜長(zhǎng)勢(shì)的快速監(jiān)測(cè)^［13］。

基于作物苗期直徑、株高^［14］、根數(shù)和株質(zhì)量^［15］、地徑^［16］等指標(biāo)對(duì)作物進(jìn)行分級(jí)的研究已取得諸多顯著成果^［17］，如：李亞麒等以云南松幼苗的地徑和株高對(duì)幼苗進(jìn)行分級(jí)并構(gòu)建生物量估算模型，實(shí)現(xiàn)了對(duì)生物量的估算^［18］；周新華等以杉木容器苗的地徑和株高為分級(jí)指標(biāo)，通過聚類分析對(duì)幼苗質(zhì)量進(jìn)行了等級(jí)劃分^［19］。對(duì)棉花作物而言，3～4葉期是棉花生長(zhǎng)過程中的重要時(shí)間節(jié)點(diǎn)，也是對(duì)其進(jìn)行評(píng)價(jià)和分級(jí)的最佳時(shí)間點(diǎn)，在3～4葉期之前，不同棉花植株之間的大小形態(tài)極為相似，無(wú)法進(jìn)行有效區(qū)分，而在3～4葉之后，棉花葉片快速生長(zhǎng)至覆蓋地表，不同棉花葉片之間也出現(xiàn)大量重疊，因此無(wú)法進(jìn)行提取，也不能進(jìn)行有效分級(jí)。同一地塊的氣候類型、土壤類型、土壤肥力和水分、溫度等外界因素基本一致，并且經(jīng)試驗(yàn)發(fā)現(xiàn)，同一地塊中的棉苗自3～4葉期開始，在同等外界因素條件下，不同生長(zhǎng)狀態(tài)的棉苗在中短期內(nèi)，其生長(zhǎng)過程中不會(huì)發(fā)生太大改變。棉花長(zhǎng)勢(shì)對(duì)產(chǎn)量具有重要影響，根據(jù)棉花苗期狀態(tài)對(duì)棉花后期長(zhǎng)勢(shì)進(jìn)行預(yù)測(cè)后，可以通過人工干預(yù)的方式促進(jìn)棉花生長(zhǎng)，改變棉花生長(zhǎng)狀態(tài)，從而在一定程度上提高棉花產(chǎn)量，但目前為止，對(duì)棉花苗期長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)并對(duì)后期長(zhǎng)勢(shì)進(jìn)行預(yù)測(cè)的研究還比較少。鑒于此，本試驗(yàn)借助無(wú)人機(jī)影像高空間分辨率的優(yōu)勢(shì)，通過對(duì)3～4葉期棉花進(jìn)行提取和分級(jí)后，實(shí)現(xiàn)了對(duì)棉花3～4葉期時(shí)長(zhǎng)勢(shì)的監(jiān)測(cè)，并對(duì)后期長(zhǎng)勢(shì)進(jìn)行了預(yù)測(cè)，從而在一定程度上對(duì)提高產(chǎn)量具有指導(dǎo)作用。

1 數(shù)據(jù)與方法

1.1 試驗(yàn)區(qū)與方法

試驗(yàn)區(qū)位于新疆兵團(tuán)第八師石河子墾區(qū)（地理位置85°58′23E，44°22′45″N），面積約2 533 m²，經(jīng)校正裁剪后的試驗(yàn)區(qū)見圖1。試驗(yàn)區(qū)棉花播種密度為252 000株/hm²，該地區(qū)地勢(shì)平坦，平均海拔約450 m，屬于溫帶大陸性氣候。其冬季較為寒冷和干燥，夏季較為炎熱和漫長(zhǎng)，年均氣溫約7 ℃，年降水量約180 mm，年日照時(shí)數(shù)約2 800 h^［20］。特殊的氣候和地形，導(dǎo)致該地區(qū)熱量極其充足，適合棉花、番茄、玉米等作物的生長(zhǎng)，更是我國(guó)棉花的主要產(chǎn)區(qū)之一^［21］。

試驗(yàn)主要分3步進(jìn)行：第1步，利用綠葉指數(shù)（GLI）實(shí)現(xiàn)對(duì)試驗(yàn)區(qū)影像的分割，并利用ENVI 5.6農(nóng)業(yè)工具包中的作物計(jì)算工具（Count Crops）實(shí)現(xiàn)對(duì)棉花幼苗株數(shù)的提取；第2步，利用ArcGIS軟件，根據(jù)棉花幼苗直徑范圍按自然斷點(diǎn)法進(jìn)行分級(jí)，并對(duì)雜草進(jìn)行去除；第3步，對(duì)當(dāng)前長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)并結(jié)合出苗率對(duì)后期長(zhǎng)勢(shì)進(jìn)行預(yù)測(cè)。

1.2 數(shù)據(jù)獲取

1.2.1 無(wú)人機(jī)數(shù)據(jù) 試驗(yàn)分別于2021年5月19日、6月7日、7月18日12：00至14：00獲取了3期無(wú)人機(jī)數(shù)據(jù)，其中第1期是出苗數(shù)據(jù)，后2期是長(zhǎng)勢(shì)數(shù)據(jù)，獲取3期數(shù)據(jù)時(shí)均天氣晴朗，無(wú)風(fēng)，極適宜無(wú)人機(jī)飛行。試驗(yàn)使用的無(wú)人機(jī)質(zhì)量約1 kg，續(xù)航約 20 min，獲取的影像包含紅、綠、藍(lán)和近紅4個(gè)通道，最終獲取的影像空間分辨率達(dá)0.007 5 m。影像拍攝時(shí)飛機(jī)飛行高度為30 m，航向重疊率為80%，旁向重疊率為60%，數(shù)據(jù)獲取時(shí)，相機(jī)鏡頭垂直向下，并且懸停拍攝。

1.2.2 地面點(diǎn)數(shù)據(jù) 試驗(yàn)區(qū)棉花以“一膜三壟六行”的方式種植，行間距為10 cm，壟間距為66 cm，膜膜間距30 cm，一膜總寬182 cm。出苗數(shù)據(jù)與無(wú)人機(jī)數(shù)據(jù)同時(shí)獲取，試驗(yàn)利用GPS定位，共在試驗(yàn)區(qū)隨機(jī)設(shè)置3個(gè)不同面積尺度的出苗提取精度驗(yàn)證區(qū)。為對(duì)棉花進(jìn)行有效提取和分級(jí)，需要對(duì)試驗(yàn)區(qū)范圍內(nèi)棉花幼苗的最大直徑和最小直徑進(jìn)行確定，試驗(yàn)共隨機(jī)對(duì)100株直徑較大和100株直徑較小的棉花進(jìn)行直徑測(cè)量，最后以二者的平均值分別作為棉花的最大直徑和最小直徑。經(jīng)測(cè)量，最后確定棉花的最大直徑為14 cm，最小直徑為4 cm。

1.3 數(shù)據(jù)處理與方法

1.3.1 無(wú)人機(jī)數(shù)據(jù)處理 獲取的無(wú)人機(jī)數(shù)據(jù)首先利用Pix4Dmapper軟件進(jìn)行拼接和校正，然后利用ENVI 5.6進(jìn)行裁剪，最后以WGS_1984_UTM_zone_45N為投影方式，以 .TIFF格式儲(chǔ)存。為更直觀地了解地面覆蓋度的空間分布情況并對(duì)后期長(zhǎng)勢(shì)進(jìn)行預(yù)測(cè)，利用ArcGIS工具對(duì)試驗(yàn)區(qū)影像以影像左下角為樞軸點(diǎn)，順時(shí)針旋轉(zhuǎn)66°后，以305像素×305像素為單位面積進(jìn)行分割，最終共計(jì)獲取了484幅分割后的獨(dú)立影像。經(jīng)旋轉(zhuǎn)后的影像及分割效果如圖2所示。

1.3.2 指數(shù)篩選 本研究利用無(wú)人機(jī)獲取的四通道數(shù)據(jù)可以構(gòu)建34種已有的各類指數(shù)，而經(jīng)試驗(yàn)，分割效果較好，可以將目標(biāo)（棉苗）和背景（土壤和地膜）進(jìn)行有效區(qū)分的指數(shù)共有15種（表1）。

1.3.3 雜草去除與棉花分級(jí) 雜草是影響棉苗提取精度的重要影響因素，3～4葉期棉花與雜草在顏色和形態(tài)上極其相似，在影像中無(wú)法利用植被指數(shù)進(jìn)行區(qū)分。而經(jīng)實(shí)地觀察，雜草大部分生長(zhǎng)在膜與膜的間隙之間，在地膜覆蓋區(qū)由于地膜遮擋，雜草無(wú)法破膜而出，因此覆膜區(qū)極少有雜草生長(zhǎng)，對(duì)最終試驗(yàn)結(jié)果影響極小，可忽略不計(jì)。因此，根據(jù)雜草與棉花幼苗之間的相對(duì)位置關(guān)系，試驗(yàn)在每膜的第1行左側(cè)10 cm和第6行右側(cè)10 cm處畫線，將直線以外的提取物確定為雜草并去除，去除原理見圖3。

經(jīng)實(shí)地考察，棉花幼苗主要有3種不同的生長(zhǎng)狀態(tài)，而不同生長(zhǎng)狀態(tài)之間的差異主要體現(xiàn)在直徑范圍大小。因此，將棉花按直徑范圍分為一等苗、二等苗、三等苗。一等苗是生長(zhǎng)狀態(tài)極好的棉苗；二等苗是無(wú)病害，體型略遜色于一等苗但優(yōu)于三等苗的棉苗；三等苗體型極小和有病害的棉苗。其中，一等苗直徑范圍為9.0～14.0 cm，二等苗直徑范圍為6.5～<9.0 cm，三等苗直徑范圍為4.0～<6.5 cm。

1.4 長(zhǎng)勢(shì)監(jiān)測(cè)與預(yù)測(cè)

1.4.1 長(zhǎng)勢(shì)監(jiān)測(cè) 3～4葉期棉花各植株葉片間重疊極少，棉花葉片對(duì)地表的垂直覆蓋度可以代表小區(qū)域范圍內(nèi)棉花當(dāng)前的長(zhǎng)勢(shì)情況。因此，在分割后的單位面積二值化圖像中，以棉花像素占總像素的比例評(píng)價(jià)棉花長(zhǎng)勢(shì)情況的好壞。

式中：Cotton cover表示棉花葉片對(duì)地面的垂直覆蓋度；N_{Leaf Pixel}表示單位面積內(nèi)棉花葉片所占的像素總和；N_{Total Pixel}表示單位面積內(nèi)的總像素。

1.4.2 長(zhǎng)勢(shì)預(yù)測(cè) 同一地塊的土壤類型、氣候和溫度相同，水分和肥力等因素也基本無(wú)差別，因此在短時(shí)間內(nèi)棉苗之間的相對(duì)生長(zhǎng)狀態(tài)不會(huì)發(fā)生較大改變。單位面積內(nèi)棉花長(zhǎng)勢(shì)主要受單個(gè)植株形態(tài)大小和出苗率的共同影響。一等苗在外在大小形態(tài)和長(zhǎng)勢(shì)上較二等苗和三等苗具有明顯優(yōu)勢(shì)，對(duì)單位面積的長(zhǎng)勢(shì)具有關(guān)鍵影響。因此，經(jīng)試驗(yàn)，對(duì)于棉花長(zhǎng)勢(shì)的預(yù)測(cè)，本研究以單位面積內(nèi)一等苗占總出苗數(shù)的比例和單位面積內(nèi)出苗率的乘積大小對(duì)后期長(zhǎng)勢(shì)進(jìn)行預(yù)測(cè)。為使量綱統(tǒng)一，并方便后期利用歸一化植被指數(shù)（NDVI）進(jìn)行長(zhǎng)勢(shì)預(yù)測(cè)結(jié)果的驗(yàn)證，試驗(yàn)對(duì)長(zhǎng)勢(shì)預(yù)測(cè)的分值進(jìn)行歸一化處理，歸一化后的分值越大，表示棉花后期長(zhǎng)勢(shì)越好，反之，則說明棉花后期長(zhǎng)勢(shì)越差。

式中：GS代表長(zhǎng)勢(shì)預(yù)測(cè)分值；P_{Seedling rate}代表單位面積內(nèi)的出苗率；P_{First class seedling}代表單位面積內(nèi)一等苗所占的比例；NGS代表長(zhǎng)勢(shì)預(yù)測(cè)分值的歸一化結(jié)果；GS_min代表試驗(yàn)區(qū)域內(nèi)長(zhǎng)勢(shì)預(yù)測(cè)分值的最小值；GS_max代表試驗(yàn)區(qū)域內(nèi)長(zhǎng)勢(shì)預(yù)測(cè)分值的最大值。

1.4.3 長(zhǎng)勢(shì)預(yù)測(cè)結(jié)果檢驗(yàn) NDVI是評(píng)價(jià)作物長(zhǎng)勢(shì)的重要指標(biāo)之一，為驗(yàn)證對(duì)棉花長(zhǎng)勢(shì)預(yù)測(cè)結(jié)果的精度，分別獲取了研究區(qū)2021年5月27日和2021年6月18日影像，將2個(gè)時(shí)期的影像以同樣尺寸進(jìn)行分割后，隨機(jī)選取同地不同期20幅分割后的影像，以單位面積內(nèi)NDVI平均值和長(zhǎng)勢(shì)預(yù)測(cè)分值歸一化后的結(jié)果進(jìn)行擬合，從而實(shí)現(xiàn)對(duì)長(zhǎng)勢(shì)預(yù)測(cè)結(jié)果精度的檢驗(yàn)。擬合效果以最常用的決定系數(shù)r²（coefficient of determination）和均方根誤差RMSE（root mean squared error）進(jìn)行評(píng)價(jià)。

式中：n代表樣本數(shù)；y_i代表預(yù)測(cè)長(zhǎng)勢(shì)的分值；x_i代表實(shí)際長(zhǎng)勢(shì)NDVI；y_i代表預(yù)測(cè)長(zhǎng)勢(shì)分值的平均值；x_i代表實(shí)際長(zhǎng)勢(shì)NDVI平均值。

2 結(jié)果與分析

2.1 影像分割與雜草去除

2.3.1 影像分割分析 依據(jù)棉花幼苗、地膜、裸土在顏色上的差異，根據(jù)綠色植物典型的光譜反射特性，可以利用各類指數(shù)對(duì)影像進(jìn)行分割，從而實(shí)現(xiàn)對(duì)棉花幼苗的提取，各不同指數(shù)對(duì)影像的分割局部效果如圖4所示。各指數(shù)在分割過程中受陰影的影響較大，地膜未覆蓋區(qū)的土塊以及棉花植株產(chǎn)生的陰影在進(jìn)行圖像分割時(shí)對(duì)分割效果產(chǎn)生較大影響，進(jìn)而影響對(duì)棉花幼苗的提取。對(duì)棉花植株的陰影錯(cuò)提后，棉花幼苗等級(jí)劃分的準(zhǔn)確性也會(huì)受到極大影響。因此，需要篩選出不受陰影干擾的指數(shù)對(duì)影像進(jìn)行分割，經(jīng)不斷篩選和對(duì)比后發(fā)現(xiàn)，GLI可以對(duì)棉花幼苗和其產(chǎn)生的陰影進(jìn)行有效區(qū)分，亦不會(huì)受地膜未覆蓋區(qū)土塊所產(chǎn)生的陰影干擾，并且在細(xì)節(jié)的提取和分割上效果最佳，圖像分割完整，分割時(shí)產(chǎn)生的雜質(zhì)少。因此，最終選擇GLI實(shí)現(xiàn)對(duì)圖像的分割，經(jīng)反復(fù)目視調(diào)整，當(dāng)分割閾值為0.041時(shí)，可以實(shí)現(xiàn)對(duì)目標(biāo)和背景的有效分割。

2.3.2 雜草去除與幼苗分級(jí) 利用距離法去除雜草后，利用ArcGIS對(duì)37123株棉花幼苗按直徑范圍大小以自然斷點(diǎn)法進(jìn)行等級(jí)劃分。經(jīng)分級(jí)，共劃分出一等苗11 091株，二等苗21 151株，三等苗4 881株，雜草去除效果和棉花分級(jí)效果見圖5。

2.3.3 棉花提取精度檢驗(yàn) 為驗(yàn)證對(duì)棉花幼苗的提取精度，本研究在試驗(yàn)區(qū)共隨機(jī)布設(shè)5種尺度的驗(yàn)證區(qū)進(jìn)行重復(fù)試驗(yàn)，并最終選擇3次重復(fù)試驗(yàn)的平均精度作為棉花幼苗提取的最終精度，精度變化情況見表2。在出苗率高、長(zhǎng)勢(shì)好的區(qū)域，由于個(gè)別棉花幼苗葉片之間有重疊，因此在進(jìn)行提取時(shí)容易錯(cuò)將2株幼苗當(dāng)作1株進(jìn)行提取，從而導(dǎo)致自動(dòng)提取的數(shù)量往往比實(shí)際的棉苗數(shù)量偏少。精度檢驗(yàn)結(jié)果表明，隨著驗(yàn)證區(qū)面積的逐漸變大，自動(dòng)提取的數(shù)量與人工統(tǒng)計(jì)數(shù)量之間的差距逐漸減少，提取精度呈先緩慢上升后趨于穩(wěn)定的總體變化趨勢(shì)。

2.2 長(zhǎng)勢(shì)監(jiān)測(cè)與預(yù)測(cè)

單位面積內(nèi)一等苗數(shù)量占比空間分布情況如圖6（左）所示，該地塊一等苗數(shù)量分布不均勻，主要呈集中分布狀態(tài)，總體來說，區(qū)域右下方一等苗占比較少。通過結(jié)合試驗(yàn)區(qū)棉花的種植密度，得到單位面積（305像素×305像素）內(nèi)棉花的種植總株數(shù)為133株，根據(jù)對(duì)棉花幼苗的提取結(jié)果繪制的棉花出苗率分布見圖6，根據(jù)計(jì)算結(jié)果可知，單位面積內(nèi)棉花出苗率最高為81.20%，最低為42.86%，結(jié)合區(qū)域面積，試驗(yàn)區(qū)棉花整體出苗率為58.62%，并且出苗不均勻。

對(duì)分割后的二值化影像進(jìn)行地表覆蓋度計(jì)算后，繪制的單位面積內(nèi)葉片垂直覆蓋度占比分布如圖7（左）所示，根據(jù)計(jì)算結(jié)果可知，單位面積內(nèi)棉花葉片的地表覆蓋度最低值為2.95%，最高值為12.11%，而整個(gè)研究區(qū)棉花葉片的平均覆蓋度為6.54%，并且試驗(yàn)區(qū)3～4葉期時(shí)，棉花長(zhǎng)勢(shì)整體不均勻，整體長(zhǎng)勢(shì)較差的主要集中在試驗(yàn)區(qū)中部。結(jié)合出苗率和單位面積內(nèi)一等苗數(shù)量占比繪制的單位面積上棉花后期長(zhǎng)勢(shì)預(yù)測(cè)結(jié)果空間分布如圖7（右）所示，根據(jù)預(yù)測(cè)結(jié)果可知，在后期的生長(zhǎng)過程中，區(qū)域東側(cè)和南側(cè)長(zhǎng)勢(shì)較好，長(zhǎng)勢(shì)較差的主要分布在中部和西側(cè)，而整體長(zhǎng)勢(shì)不均勻。

2.3 長(zhǎng)勢(shì)預(yù)測(cè)結(jié)果驗(yàn)證

將長(zhǎng)勢(shì)預(yù)測(cè)分值歸一化后的結(jié)果與2期NDVI分別進(jìn)行相關(guān)性分析，擬合結(jié)果見圖8。試驗(yàn)區(qū)驗(yàn)證樣方6月7日NDVI與7月18日NDVI和長(zhǎng)勢(shì)預(yù)測(cè)分值相關(guān)性的決定系數(shù)分別達(dá)到了0.756 9和 0.662 1，而均方根誤差僅為0.077 0和0.900 1，可見對(duì)棉花長(zhǎng)勢(shì)的預(yù)測(cè)結(jié)果具有一定的可靠性。

擬合結(jié)果表明，隨著棉花不斷生長(zhǎng)，對(duì)棉花長(zhǎng)勢(shì)預(yù)測(cè)的精度逐漸降低。由于棉花在生長(zhǎng)過程中受到外界因素的影響不斷增多，特別是在進(jìn)入7月以后，受高溫、干旱少雨和大面積病蟲害等因素的影響，棉花長(zhǎng)勢(shì)會(huì)受到不同程度的影響，從而導(dǎo)致對(duì)棉花長(zhǎng)勢(shì)預(yù)測(cè)的精度呈下降趨勢(shì)。因此，本研究的預(yù)測(cè)方法更適用于從棉花3～4葉期（5月中旬）開始至未來中短期內(nèi)（2個(gè)月內(nèi)）對(duì)棉花長(zhǎng)勢(shì)的預(yù)測(cè)。

3 結(jié)論

該研究雖借助無(wú)人機(jī)高分辨率的優(yōu)勢(shì)對(duì)苗期棉花長(zhǎng)勢(shì)進(jìn)行了監(jiān)測(cè)，并依據(jù)出苗率和單株棉花生長(zhǎng)狀態(tài)對(duì)棉花后期長(zhǎng)勢(shì)進(jìn)行了預(yù)測(cè)，但仍存在一些不足，如：新疆地區(qū)棉花在整個(gè)生長(zhǎng)過程中受多種因素的共同影響，特別是7月后常發(fā)生的病蟲害、大風(fēng)和干旱等極端天氣都會(huì)對(duì)棉花長(zhǎng)勢(shì)造成嚴(yán)重影響，因此對(duì)棉花長(zhǎng)勢(shì)預(yù)測(cè)的精度隨時(shí)間的推移而變差，所以該研究更適合從棉花3～4葉期開始至未來中短期內(nèi)對(duì)棉花長(zhǎng)勢(shì)的預(yù)測(cè)。

棉花早期長(zhǎng)勢(shì)對(duì)產(chǎn)量有重要影響，通過苗期狀態(tài)對(duì)后續(xù)中短時(shí)期內(nèi)長(zhǎng)勢(shì)進(jìn)行預(yù)測(cè)，并通過外界干預(yù)改變棉花長(zhǎng)勢(shì)，對(duì)提高棉花產(chǎn)量具有一定作用。本研究以棉花3～4葉期無(wú)人機(jī)高清影像為基礎(chǔ)，通過對(duì)棉花幼苗進(jìn)行提取和分級(jí)，對(duì)當(dāng)前長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)并對(duì)后期長(zhǎng)勢(shì)進(jìn)行預(yù)測(cè)，主要結(jié)論包括：（1）利用GLI指數(shù)對(duì)圖像進(jìn)行分割后可以實(shí)現(xiàn)棉花幼苗的有效提取，而根據(jù)相對(duì)位置關(guān)系提出的距離法也可以有效去除雜草。經(jīng)計(jì)算，試驗(yàn)區(qū) 3～4葉期棉花冠層對(duì)地面的平均垂直覆蓋度為6.54%，并且棉花長(zhǎng)勢(shì)不均勻，整齊度一般。（2）試驗(yàn)共提取棉花 37 123 株，經(jīng)不同尺度重復(fù)檢驗(yàn)，棉花幼苗的平均提取精度為95.7%。經(jīng)驗(yàn)證，長(zhǎng)勢(shì)預(yù)測(cè)結(jié)果與2個(gè)不同時(shí)期NDVI平均值擬合的決定系數(shù)r²分別為0.756 9、0.662 1，取得了較好預(yù)測(cè)結(jié)果。

參考文獻(xiàn)：

［1］戴建國(guó)，薛金利，趙慶展，等. 利用無(wú)人機(jī)可見光遙感影像提取棉花苗情信息［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（4）：63-71.

［2］田 野，張 清，李希燦，等. 基于多時(shí)相影像的棉花種植信息提取方法研究［J］. 干旱區(qū)研究，2017，34（2）：423-430.

［3］茶明星，汪小欽，李婭麗，等. 基于遙感數(shù)據(jù)的新疆開-孔河流域農(nóng)業(yè)區(qū)種植結(jié)構(gòu)提?。跩］. 干旱區(qū)研究，2020，37（2）：532-540.

［4］白燕英，高聚林，張寶林. 基于Landsat8影像時(shí)間序列NDVI的作物種植結(jié)構(gòu)提?。跩］. 干旱區(qū)地理，2019，42（4）：893-901.

［5］劉曉晨. 基于Landsat8遙感數(shù)據(jù)的棉花長(zhǎng)勢(shì)快速監(jiān)測(cè)［J］. 新疆農(nóng)業(yè)科技，2015（6）：50.

［6］尹 捷，周雷雷，李利偉，等. 多源遙感數(shù)據(jù)小麥識(shí)別及長(zhǎng)勢(shì)監(jiān)測(cè)比較研究［J］. 遙感技術(shù)與應(yīng)用，2021，36（2）：332-341.

［7］金秀良，李少昆，王克如，等. 基于高光譜特征參數(shù)的棉花長(zhǎng)勢(shì)參數(shù)監(jiān)測(cè)［J］. 西北農(nóng)業(yè)學(xué)報(bào)，2011，20（9）：73-77.

［8］謝鑫昌，楊云川，田 憶，等. 基于遙感的廣西甘蔗種植面積提取及長(zhǎng)勢(shì)監(jiān)測(cè)［J］. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2021，29（2）：410-422.

［9］Li C C，Li H J，Li J Z，et al. Using NDVI percentiles to monitor real-time crop growth［J］. Computers and Electronics in Agriculture，2019，162：357-363.

［10］Becker-Reshef I，Vermote E，Lindeman M，et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data［J］. Remote Sensing of Environment，2010，114（6）：1312-1323.

［11］Genovese G，Vignolles C，Nègre T，et al. A methodology for a combined use of normalised difference vegetation index and CORINE land cover data for crop yield monitoring and forecasting.A case study on Spain［J］. Agronomie，2001，21（1）：91-111.

［12］王 慶，車熒璞，柴宏紅，等. 基于無(wú)人機(jī)影像的冠層光譜和結(jié)構(gòu)特征監(jiān)測(cè)甜菜長(zhǎng)勢(shì)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（20）：90-98.

［13］張瑞杰，李俐俐，李 禮，等. 利用無(wú)人機(jī)影像數(shù)據(jù)進(jìn)行油菜長(zhǎng)勢(shì)監(jiān)測(cè)［J］. 測(cè)繪地理信息，2021，46（增刊1）：227-231.

［14］楊亞莉，向祖恒，黃正明，等. 華榛1年生實(shí)生苗質(zhì)量分級(jí)標(biāo)準(zhǔn)的研究［J］. 園藝與種苗，2018，38（1）：34-37.

［15］李 瑪，蘇 鈦，李 云，等. 滇重樓種苗質(zhì)量分級(jí)標(biāo)準(zhǔn)研究［J］. 種子，2020，39（5）：141-143.

［16］簡(jiǎn)才源，韋小麗，段如雁，等. 貴州不同區(qū)域閩楠裸根苗的生長(zhǎng)評(píng)價(jià)與苗木分級(jí)［J］. 貴州農(nóng)業(yè)科學(xué)，2015，43（6）：153-157.

［17］關(guān)參政，申培增. 甘肅枸杞種苗分級(jí)標(biāo)準(zhǔn)及其田間驗(yàn)證試驗(yàn)研究［J］. 林業(yè)科技通訊，2017（6）：29-32.

［18］李亞麒，孫繼偉，李建華，等. 不同等級(jí)云南松幼苗生物量估測(cè)模型［J］. 云南大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，41（5）：1073-1082.

［19］周新華，黃 拯，厲月橋，等. 杉木容器苗分級(jí)標(biāo)準(zhǔn)研究［J］. 中南林業(yè)科技大學(xué)學(xué)報(bào)，2017，37（9）：68-73.

［20］徐 權(quán)，郭 鵬，祁佳峰，等. 基于無(wú)人機(jī)影像的SEGT棉花估產(chǎn)模型構(gòu)建［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36（16）：44-51.

［21］郭 鵬，武法東，戴建國(guó)，等. 基于無(wú)人機(jī)可見光影像的農(nóng)田作物分類方法比較［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（13）：112-119.

［22］汪小欽，王苗苗，王紹強(qiáng)，等. 基于可見光波段無(wú)人機(jī)遙感的植被信息提?。跩］. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（5）：152-159.

［23］康 悅，文 軍，張?zhí)锰?，? 衛(wèi)星遙感數(shù)據(jù)評(píng)估黃土高原陸面干濕程度研究［J］. 地球物理學(xué)報(bào)，2014，57（8）：2473-2483.

［24］Tian Y C，Yao X，Yang J，et al. Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentration with ground-and space-based hyperspectral reflectance［J］. Field Crops Research，2011，120（2）：299-310.

［25］Huete A R. A soil-adjusted vegetation index （SAVI）［J］. Remote Sensing of Environment，1988，25（3）：295-309.

［26］Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices［J］. Remote Sensing of Environment，1996，55（2）：95-107.

［27］Jiang R，Sanchez-Azofeifa A，Laakso K，et al. UAV-based partially sampling system for rapid NDVI mapping in the evaluation of rice nitrogen use efficiency［J］. Journal of Cleaner Production，2021，289：125705.

［28］Chen J M，Cihlar J. Retrieving leaf area index of boreal conifer forests using Landsat TM images［J］. Remote Sensing of Environment，1996，55（2）：153-162.

［29］王建光，呂小東，姚貴平，等. 苜蓿和無(wú)芒雀麥混播草地高光譜遙感估產(chǎn)研究［J］. 中國(guó)草地學(xué)報(bào)，2013，35（1）：35-41.

［30］Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation［J］. Remote Sensing of Environment，1979，8（2）：127-150.

［31］Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction［J］. Remote Sensing of Environment，2002，80（1）：76-87.

［32］Gunasekara N K，Al-Wardy M M，Al-Rawas G A，et al. Applicability of VI in arid vegetation delineation using shadow-affected SPOT imagery［J］. Environmental Monitoring and Assessment，2015，187（7）：454.

［33］肖 漢，陳秀萬(wàn)，楊振宇，等. 基于光譜分析的草地葉綠素含量估測(cè)植被指數(shù)［J］. 光譜學(xué)與光譜分析，2014，34（11）：3075-3078.

［34］Gitelson A A，Stark R，Grits U，et al. Vegetation and soil lines in visible spectral space：a concept and technique for remote estimation of vegetation fraction［J］. International Journal of Remote Sensing，2002，23（13）：2537-2562.

［35］Zhu Y，Yao X，Tian Y C，et al. Analysis of common canopy vegetation indices for indicating leaf nitrogen accumulations in wheat and rice［J］. International Journal of Applied Earth Observation and Geoinformation，2008，10（1）：1-10.