低空無人機(jī)影像分辨率對冬小麥氮濃度反演的影響

賈 丹 陳鵬飛

(1.中國科學(xué)院地理科學(xué)與資源研究所資源與環(huán)境信息系統(tǒng)國家重點實驗室， 北京 100101；2.中國科學(xué)院大學(xué), 北京 100049； 3.江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心， 南京 210023)

0 引言

氮素是作物生長發(fā)育必不可少的營養(yǎng)元素，對作物的光合能力、同化過程等產(chǎn)生重要作用[1]，植株缺氮會同時表現(xiàn)在外部形態(tài)和內(nèi)部代謝，因此可以通過作物的生理生化參數(shù)來反映其氮素營養(yǎng)狀況。遙感技術(shù)可用于反演作物的生理生化參數(shù)，進(jìn)而可對其進(jìn)行氮素營養(yǎng)診斷[2-4]。目前，常用的遙感技術(shù)包括衛(wèi)星遙感、載人機(jī)遙感、無人機(jī)遙感和地基遙感[5-6]。相對于其他遙感平臺，無人機(jī)遙感具有成本低[7]、能獲取高空間分辨率影像、適合田塊尺度觀測等優(yōu)勢[8]，是精準(zhǔn)農(nóng)業(yè)管理中的重要技術(shù)手段[9]。

目前，已有不少基于無人機(jī)遙感進(jìn)行作物氮素營養(yǎng)診斷的研究。文獻(xiàn)[10]基于無人機(jī)遙感建立氮營養(yǎng)指數(shù)，對冬小麥進(jìn)行氮素診斷；文獻(xiàn)[11]基于無人機(jī)高光譜影像，通過構(gòu)建診斷氮素的光譜指數(shù)反演了水稻葉片氮濃度信息；文獻(xiàn)[12]結(jié)合無人機(jī)高光譜影像和氮素輻射傳輸模型，采用查找表的方法估算了冬小麥的冠層氮濃度。這些研究很好地推動了無人機(jī)技術(shù)在作物氮素營養(yǎng)診斷中的應(yīng)用，但也存在一定的缺陷：僅利用影像的光譜信息進(jìn)行作物參數(shù)反演忽略了低空無人機(jī)影像具有超高空間分辨率的特征，超高分辨率的影像不但含有光譜信息，還有豐富的紋理信息。紋理特征作為作物的固有屬性，不易受到外界影響，反映圖像灰度性質(zhì)及其空間關(guān)系，擴(kuò)大了原始影像亮度的空間信息辨識度，能夠在一定程度上解決光譜信息反演存在的飽和問題，提升參數(shù)的反演精度[13-14]。目前，結(jié)合光譜和紋理信息進(jìn)行作物氮素營養(yǎng)診斷的研究報道較少。文獻(xiàn)[15]比較了無人機(jī)影像光譜特征、紋理特征、光譜特征+紋理特征等3種不同情景對冬小麥生物量反演精度的影響，結(jié)果表明，光譜特征+紋理特征的精度優(yōu)于單一紋理特征，單一紋理特征的精度又優(yōu)于單一光譜特征；文獻(xiàn)[16]研究表明，影像光譜特征+紋理特征對棉花植株氮濃度的反演精度要遠(yuǎn)優(yōu)于單一光譜特征的反演。但是，影像紋理特征非常依賴于影像分辨率，上述文獻(xiàn)并未探討這種紋理特征究竟在何種分辨率下有效。目前，已有研究的無人機(jī)飛行高度為8～550 m[17-19](多集中于100 m以下)，對應(yīng)影像分辨率為1～20 cm，對無人機(jī)飛行高度及對應(yīng)影像分辨率的選擇上存在一定的隨意性，缺乏統(tǒng)一標(biāo)準(zhǔn)規(guī)范指導(dǎo)，給基于無人機(jī)的作物參數(shù)反演模型技術(shù)的推廣帶來困難[9]。因此，探討不同分辨率影像對作物氮素營養(yǎng)診斷效果的影響，對于制定標(biāo)準(zhǔn)化影像獲取規(guī)范具有重要意義。

本文通過設(shè)計冬小麥水、氮耦合試驗，在獲取不同氮素營養(yǎng)狀態(tài)下小麥植株的基礎(chǔ)上，探討不同分辨率無人機(jī)影像光譜特征與紋理特征變化對冬小麥植株氮濃度反演的影響，為無人機(jī)遙感氮素營養(yǎng)診斷、飛行高度與影像分辨率的選擇提供理論依據(jù)，以支撐相關(guān)標(biāo)準(zhǔn)化技術(shù)規(guī)程的制定。

1 材料與方法

1.1 田間試驗

田間試驗為水、氮耦合試驗，布設(shè)于中國科學(xué)院禹城農(nóng)業(yè)綜合試驗站內(nèi)(東經(jīng)116°34′13″，北緯36°50′0″)。小麥品種為“維麥8號”，試驗設(shè)計2個水分處理，5個氮肥處理。2個水分處理為裂區(qū)分布，每個水分處理下設(shè)不同氮肥處理。氮肥處理為5處理，3重復(fù)，呈隨機(jī)分布。各處理與重復(fù)的空間分布見圖1，共32個小區(qū)，小區(qū)尺寸為10 m×5 m。其中，水分處理分別為90 mm灌溉量和60 mm灌溉量；氮肥處理分別為不施肥(T1)、15 000 kg/hm2廄肥(T2)、15 000 kg/hm2廄肥+100 kg/hm2氮肥(T3)、15 000 kg/hm2廄肥+200 kg/hm2氮肥(T4)、15 000 kg/hm2廄肥+300 kg/hm2氮肥(T5)。各小區(qū)除水、氮外，其他處理措施相同。

圖1 小區(qū)布設(shè)空間分布圖Fig.1 Layout of field experiment

1.2 數(shù)據(jù)獲取

在冬小麥的灌漿期進(jìn)行數(shù)據(jù)采集，包括無人機(jī)數(shù)據(jù)和地面農(nóng)學(xué)參數(shù)。

1.2.1無人機(jī)數(shù)據(jù)獲取

無人機(jī)影像基于3DR Solo型四旋翼無人機(jī)(3DR，美國)，搭載RedEdge M型多光譜傳感器(MicaSense，美國)獲得。RedEdge M型多光譜傳感器包含有藍(lán)光波段(中心波長475 nm)、綠光波段(中心波長560 nm)、紅光波段(中心波長668 nm)、紅邊波段(中心波長717 nm)和近紅外波段(中心波長840 nm)等 5個波段信息。無人機(jī)飛行時間為12：00—14：00，天空晴朗無云時進(jìn)行。設(shè)置4個飛行高度，分別為15、30、50、80 m，對應(yīng)地面分辨率約為1.00、2.06、3.49、5.69 cm。飛行時，航向和旁向重疊率設(shè)為75%。相機(jī)先采用觸發(fā)拍攝模式，在飛行前拍攝白板，然后再設(shè)定為自動拍攝模式，用于在無人機(jī)飛行過程中進(jìn)行拍攝。Pix4D ag(Pix4D，瑞士)軟件用來進(jìn)行無人機(jī)影像拼接。在此過程中，白板信息被用來將影像DN值轉(zhuǎn)換為反射率。另外，基于厘米級誤差的Trimble GEO 7X型(美國)差分GPS采集的高精度地面樣點數(shù)據(jù)對影像做幾何精校正。本研究所使用無人機(jī)及獲取的1景影像如圖2所示。

圖2 無人機(jī)平臺及獲取的1景影像(飛行高度30 m, 空間分辨率2.06 cm)Fig.2 UAV platform and an acquired image(flight altitude was 30 m, spatial resolution was 2.06 cm)

1.2.2地面農(nóng)學(xué)參數(shù)獲取

在每個小區(qū)，選擇長勢較均勻區(qū)域作為采樣區(qū)。首先，在采樣區(qū)中心區(qū)域，齊地割取4行40 cm的小麥植株，剪去根，莖、葉分離后放入干燥箱干燥至恒質(zhì)量；然后，稱取各部分干質(zhì)量，并將干莖、葉分別粉碎，利用vario micro cube型元素分析儀(Elementer，德國)，采用Dumas燃燒法測定其含氮量；最后，根據(jù)各部分干質(zhì)量，換算為植株氮濃度(%)。

1.3 數(shù)據(jù)分析方法

首先，利用歸一化差值植被指數(shù)(Normalized difference vegetation index，NDVI)，采用決策樹分類，提取不同分辨率影像下的小麥信息，以去除土壤背景；然后，基于剔除土壤背景后的影像，提取冬小麥植株的光譜信息和紋理特征信息；最后，以4個飛行高度作為不同情景，探討不同情景下光譜信息、紋理特征、光譜信息+紋理特征等反演植株氮濃度的效果。其中，光譜反射率提取自各小區(qū)所有像元的平均光譜，然后基于光譜反射率，計算以歸一化植被指數(shù)為構(gòu)型的各光譜指數(shù)NDVIs[20]：比值植被指數(shù)RVI[21]、增強植被指數(shù)EVI[22]、三角植被指數(shù)TVI[23]、土壤調(diào)整植被指數(shù)OSAVI[24]、修改三角植被指數(shù)MTVI2[25]、紅邊模型R-M[26]、綠波段比值植被指數(shù)RVIgreen[27]等，上述植被指數(shù)作為影像光譜信息；紋理特征通過研究灰度的空間相關(guān)特性來定量分析[28]，本研究使用的紋理特征參數(shù)包含從灰度共生矩陣計算的均值、方差、同質(zhì)性、對比度和能量值[29]，5個光譜波段共有25個參數(shù)；主成分回歸分析法是遙感反演植被參數(shù)時常用的建模方法[30]，本研究應(yīng)用它來建立植株氮濃度的反演模型。建模時，將獲得的冬小麥32個樣本隨機(jī)分為兩組。1組包含24個樣本作為建模樣本；另一組包含8個樣本作為檢驗樣本。各情景下的建模，依賴于相同的建模樣本和檢驗樣本。在構(gòu)建主成分反演植株氮濃度模型時，選擇特征值大于1的信息的前n個主成分變量來建立模型[31]，用預(yù)測決定系數(shù)(Coefficient of determination，R2)、預(yù)測標(biāo)準(zhǔn)誤差(Root mean square error，RMSE)和相對預(yù)測標(biāo)準(zhǔn)誤差來評價模型的精度。

2 結(jié)果與分析

2.1 不同分辨率下光譜信息對小麥植株氮濃度反演的影響

不同分辨率下光譜信息對小麥植株氮濃度反演的結(jié)果如表1所示。從表中可以看出，在分辨率1.00～5.69 cm之間，光譜信息反演植株氮濃度的效果未表現(xiàn)出趨勢性變化，彼此間的差異也不大。建模時，R2在0.633 1～0.655 9之間變化，RMSE在0.153 9%～0.154 2%之間變化；驗證時，R2在0.774 1～0.814 0之間變化，RMSE在0.136 5%～0.136 9%之間變化。說明影像在此分辨率之間變化時，所帶來的光譜信息變化對植株氮濃度反演影響不顯著。

表1 基于不同分辨率影像光譜信息對小麥植株氮濃度的反演結(jié)果Tab.1 Prediction results of plant nitrogen concentration based on spectral information from different resolution images

2.2 不同分辨率下紋理特征對小麥植株氮濃度反演的影響

不同分辨率下紋理特征對小麥植株氮濃度反演的結(jié)果如表2所示。從表中可以看出，在分辨率1.00～5.69 cm之間，紋理特征建模效果呈下降趨勢，R2從0.684 0遞減到0.646 9，RMSE從0.139 5%遞增到0.143 9%；模型驗證效果同樣呈現(xiàn)出下降趨勢，R2從0.849 7遞減到0.796 5，RMSE從0.127 4%遞增到0.158 4%。以上結(jié)果表明，影像分辨率在1.00～5.59 cm之間變化時，隨著飛行高度的增加，紋理特征在逐步消失，對植株氮濃度的反演效果在不斷變差。所有測試分辨率中，飛行高度為15 m對應(yīng)空間分辨率為1.00 cm時，模型的反演效果最佳。

表2 基于不同分辨率影像紋理特征對植株氮濃度的反演結(jié)果Tab.2 Prediction results of plant nitrogen concentration based on texture feature from different resolution images

2.3 不同分辨率下光譜信息+紋理特征對小麥植株氮濃度反演的影響

不同分辨率下光譜信息+紋理特征對植株氮濃度反演的結(jié)果如表3所示。從表中可以看出，在分辨率1.00～5.69 cm之間，光譜信息+紋理特征建模效果整體上呈下降趨勢，R2從0.788 7遞減到0.675 5，RMSE從0.114 0%遞增到0.141 3%；模型驗證效果與建模效果相同，R2從0.876 1遞減到0.802 3，RMSE從0.138 2%遞增到0.156 1%。飛行高度為15 m、空間分辨率在1.00 cm時，模型的反演效果最佳。另外，與單一光譜信息、紋理特征建模結(jié)果相比，光譜信息+紋理特征構(gòu)建的模型在建模和驗證時的整體精度有所提升。

表3 不同分辨率下光譜信息+紋理特征對植株氮濃度反演結(jié)果Tab.3 Prediction results of plant nitrogen concentration based on combining spectral information and texture feature from different resolution images

3 討論

文獻(xiàn)[4]利用無人機(jī)搭載多光譜相機(jī)獲取冬小麥冠層多光譜影像，基于植被指數(shù)法估測冬小麥生育前期(Feekes 4～7)植株氮濃度的R2為0.56，估測其生育后期植株氮濃度的R2為0.78；基于無人機(jī)獲取的冬小麥多光譜影像，文獻(xiàn)[10]利用植被指數(shù)對小麥植株氮濃度進(jìn)行反演，模型的R2為0.73；文獻(xiàn)[14]基于人工神經(jīng)網(wǎng)絡(luò)法、多元線性回歸法，利用無人機(jī)高光譜影像數(shù)據(jù)反演小麥葉片氮濃度模型的R2在0.57～0.97，RMSE在0.152%～0.279%；與以上的研究結(jié)果相比，本研究的結(jié)果在合理范圍之內(nèi)。

從葉片尺度上來說，植物缺氮表現(xiàn)為葉片邊緣發(fā)黃，整片葉子黃綠相間，葉子變黃比例隨植株缺氮程度的增加而增大；從冠層尺度上來說，植物缺氮表現(xiàn)為從下部往上部葉片逐漸表現(xiàn)為缺氮癥狀，因此從上方俯視看冠層，隨著植株缺氮癥狀的加劇，冠層顏色的對比度逐漸加大，這些都屬于紋理特征。灌漿期，冬小麥葉片長度在3.00～10.00 cm。另外，冬小麥播種行距為20.00 cm，因此冠層大小也在此范圍內(nèi)。據(jù)此，理論上只有分辨率優(yōu)于10 cm的影像才能辨識出這種紋理特征。本研究設(shè)計了4種飛行高度場景，對應(yīng)影像分辨率分別為1.00、2.06、3.49、5.69 cm。在不同場景下，本研究利用光譜信息、紋理特征以及光譜信息+紋理特征分別對冬小麥氮濃度進(jìn)行反演的結(jié)果表明：光譜+紋理模型反演效果優(yōu)于單一光譜、單一紋理模型反演結(jié)果。此結(jié)果與文獻(xiàn)[15]利用植被指數(shù)反演生物量時得出光譜、紋理融合指標(biāo)精度高于單一光譜、紋理指標(biāo)，以及文獻(xiàn)[16]在對棉花植株氮濃度反演時得出光譜+紋理特征反演效果好于單一光譜信息建模效果的相關(guān)結(jié)論一致。在探究不同飛行高度反演冬小麥氮素營養(yǎng)狀況時，文獻(xiàn)[32]的研究表明，與55 m飛行高度相比，8～16 m飛行高度獲得影像的光譜信息更適合進(jìn)行小麥莖基部硝酸鹽濃度反演，進(jìn)而對小麥氮素營養(yǎng)診斷，但未給出對應(yīng)的影像分辨率。往往不同傳感器在相同高度上其影像分辨率不同，因此其結(jié)果很難推廣。與其相比，本研究在設(shè)計場景時明確了影像分辨率信息，并且增加了對紋理信息的分析。結(jié)果表明在1.00～5.69 cm之間，光譜信息對植株氮濃度反演效果影響不大，但紋理信息會隨著分辨率的變低逐漸變?nèi)?，反演效果趨于變差。影像分辨率?.00 cm時，紋理特征表現(xiàn)最明顯，此時模型反演植株氮濃度效果最好。說明高分辨率影像會帶來豐富的紋理信息，提高植株氮濃度反演精度。但是，獲取高分辨率影像，對于同種傳感器來說就需要采用低的飛行高度，這樣在獲取影像時，效率就會變低。因此，在作物氮素營養(yǎng)診斷時，需要根據(jù)實際需求，同時考慮精度要求和效率需求來選擇飛行高度與對應(yīng)影像分辨率。

本研究只針對灌漿期小麥的植株氮濃度反演開展了相關(guān)研究，今后應(yīng)采集更為廣泛的樣品，對小麥其他生育期的植株氮濃度反演情況進(jìn)行驗證研究。

4 結(jié)束語

基于低空無人機(jī)搭載多光譜傳感器，通過設(shè)置不同的無人機(jī)飛行高度，研究分析了不同分辨率影像對冬小麥植株氮濃度反演的影響。結(jié)果表明，影像分辨率在1.00～5.69 cm之間變化時，影像光譜信息對小麥植株氮濃度反演影響不大，各情景下建模結(jié)果和驗證結(jié)果差異較小；隨著影像分辨率的降低，影像紋理特征對小麥植株氮濃度反演的效果變差；影像光譜信息+紋理特征信息對小麥植株氮濃度反演效果整體隨著分辨率的提高呈增加趨勢，且其反演結(jié)果優(yōu)于于單一光譜特征或單一紋理特征的反演效果?？傮w而言，影像分辨率在1.00～5.69 cm之間變化時，分辨率越高，紋理特征越豐富，基于紋理特征和光譜信息反演植株氮濃度的效果越好。但在現(xiàn)實中獲取無人機(jī)影像進(jìn)行應(yīng)用時，還需要綜合考慮無人機(jī)影像獲取效率，根據(jù)具體需求尋找精度和效率的平衡點。