基于無人機(jī)可見光與激光雷達(dá)的甜菜株高定量評估

王 慶 車熒璞 柴宏紅 邵 科 李保國 馬韞韜

(1.中國農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100193;2.內(nèi)蒙古自治區(qū)生物技術(shù)研究院農(nóng)業(yè)人工智能與作物表型工程研究中心，呼和浩特 010070)

0 引言

甜菜是主要糖料作物，也是公認(rèn)的替代玉米進(jìn)行生物燃料生產(chǎn)的原料之一[1]。隨著世界人口的持續(xù)增長，對糖的需求量也持續(xù)增加。培育理想品種與充分利用環(huán)境條件是提高甜菜單產(chǎn)的關(guān)鍵因素[2]。甜菜株高可用于估算根系生物量[3]、指示水分脅迫[4]，還可作為甜菜氮含量和產(chǎn)量的有效指示因子[5]，是育種者和農(nóng)田管理者評估大田甜菜生長狀態(tài)的重要參數(shù)。目前，常用的株高測量為人工方法，費時費力、效率低。

信息技術(shù)的發(fā)展使得以高通量、無損的方式獲取大田作物的株高成為可能，常用設(shè)備包括超聲波傳感器[6-7]、TOF相機(jī)[8-9]、激光雷達(dá) (Light detection and ranging,LiDAR)[10-11]、數(shù)碼相機(jī)[12-13]等。無人機(jī)搭載RGB相機(jī)估算作物株高是目前使用最廣泛的方法之一[14-17]，該方法成本低、時間分辨率高、易于部署，能以較低的飛行高度獲取高空間分辨率圖像，從而用于構(gòu)建冠層數(shù)字表面模型[18]，目前已被廣泛應(yīng)用于高粱[19]、小麥[20]、玉米[21]、棉花[22]的株高估算中。LiDAR具有較高空間分辨率，且不受環(huán)境光的影響，具有高度可重復(fù)性。LiDAR可以通過單回波或全波形系統(tǒng)來完整描述截獲冠層的輪廓。車載LiDAR已被用于估算棉花[23]、小麥[24]、高粱[25]、花生[26]的株高。無人機(jī)搭載LiDAR已被廣泛應(yīng)用在林業(yè)[27-28]、工程測繪[29-30]領(lǐng)域，同時也應(yīng)用于作物高度的估算[31-32]。相較于車載LiDAR，無人機(jī)搭載LiDAR具有機(jī)動靈活、工作效率高、不受地面條件限制等特點。

本文以186個不同基因型的大田甜菜為研究對象，研究無人機(jī)搭載RGB相機(jī)與無人機(jī)LiDAR系統(tǒng)在大田作物株高估算上的精度差異，并與人工測量值進(jìn)行比較。進(jìn)一步對點云進(jìn)行分層分析，比較點云在冠層內(nèi)分布的差異，為田間株高精準(zhǔn)表型的獲取和全基因組關(guān)聯(lián)分析提供依據(jù)。

1 材料與方法

1.1 試驗布置與株高測定

田間試驗于內(nèi)蒙古自治區(qū)烏蘭察布市涼城縣(40°30′5″N，112°8′50″E，海拔1 459.24 m)進(jìn)行。試驗地面積為62 m×19 m，包含186個不同基因型的甜菜育種小區(qū)和保護(hù)行。每個育種小區(qū)面積為1.2 m×2.3 m。播種時間為2019年5月20日。小區(qū)內(nèi)株距0.2 m，各小區(qū)間隔0.5 m，所有小區(qū)的田間管理一致。于糖分積累期(2019年9月7日)在每個小區(qū)中間位置隨機(jī)選取4株甜菜，使用米尺測量地面到甜菜自然狀態(tài)下最高點的距離作為株高。取4株甜菜株高的平均值作為該基因型甜菜的株高。

1.2 基于無人機(jī)平臺的可見光影像與激光雷達(dá)數(shù)據(jù)獲取

由大疆精靈4RTK型無人機(jī)(深圳市大疆創(chuàng)新科技有限公司)采集可見光影像數(shù)據(jù)。該無人機(jī)攜帶的相機(jī)有效像素為2 000萬，焦距8.8 mm，視場角84°。無人機(jī)搭載RGB相機(jī)系統(tǒng)飛行高度設(shè)置為25 m，主航線上圖像間重疊度設(shè)置為80%，主航線間圖像重疊度設(shè)置為85%，采樣距離為0.68 cm/像素。試驗田中5個地面控制點(Ground control point, GCP)均勻分布，采用華測RTK(上海華測導(dǎo)航技術(shù)有限公司)測量其三維空間位置。

采用M600 Pro旋翼無人機(jī)(深圳市大疆創(chuàng)新科技有限公司)搭載RIGEL VUX-1UAV型激光掃描儀(奧地利瑞格公司)獲取多基因型甜菜的三維點云數(shù)據(jù)。RIGEL VUX-1UAV型激光掃描儀具有多目標(biāo)回波探測能力，主要參數(shù)如表1所示。連接在掃描儀上的Applanix AP20 IMU和位于無人機(jī)頂部的全球?qū)Ш叫l(wèi)星系統(tǒng)(Global navigation satellite system, GNSS)天線記錄飛行方向和GNSS數(shù)據(jù)。無人機(jī)LiDAR系統(tǒng)飛行高度設(shè)置為25 m，飛行速度3 m/s。作業(yè)前30 min架設(shè)GPS基準(zhǔn)站，用于后續(xù)數(shù)據(jù)預(yù)處理時與機(jī)載GPS數(shù)據(jù)聯(lián)合差分獲取飛行平臺的精確位置信息。飛行前5 min，掃描儀處于穩(wěn)定工作狀態(tài)。

表1 機(jī)載激光掃描儀系統(tǒng)參數(shù)Tab.1 System parameters of LiDAR

1.3 數(shù)據(jù)預(yù)處理與點云獲取

采用Agisoft Photoscan Professional軟件處理無人機(jī)航拍RGB圖像，生成三維點云、數(shù)字表面模型(Digital surface model, DSM)和數(shù)字正射影像(Digital orthomosaic map, DOM)，數(shù)據(jù)處理流程及結(jié)果如圖1所示。無人機(jī)RGB數(shù)據(jù)處理流程為：導(dǎo)入影像數(shù)據(jù)，輸入像中心點坐標(biāo)、像元尺寸和相機(jī)焦距等參數(shù)，對相機(jī)的精度進(jìn)行修正。對齊圖像，導(dǎo)入5個地面控制點(GCP)中心的地理坐標(biāo)，并在關(guān)聯(lián)的圖像中進(jìn)行標(biāo)記；生成無人機(jī)飛行區(qū)域的稠密點云，3D點云數(shù)據(jù)以txt格式導(dǎo)出。在生成的稠密點云基礎(chǔ)上生成DSM和DOM，并將其輸出保存為GeoTIFF文件[33]。

無人機(jī)LiDAR系統(tǒng)數(shù)據(jù)處理包括軌跡數(shù)據(jù)解算、點云數(shù)據(jù)配準(zhǔn)、點云數(shù)據(jù)去噪?；赗IEGL自帶的軟件系統(tǒng)將生成的原始數(shù)據(jù)轉(zhuǎn)換為點云。圖1b為無人機(jī)LiDAR系統(tǒng)數(shù)據(jù)處理流程：①使用基站提供的差分?jǐn)?shù)據(jù)，基于POSPac Mobile Mapping Suite對飛行方向和GNSS數(shù)據(jù)進(jìn)行預(yù)處理，實現(xiàn)激光數(shù)據(jù)地理位置的厘米級精度。②基于Riprocess軟件，通過預(yù)處理后的軌跡數(shù)據(jù)將原始數(shù)據(jù)轉(zhuǎn)換為地理參考點云，以txt文件格式導(dǎo)出點云數(shù)據(jù)[34]。

1.4 小區(qū)分割、株高自動提取與精度評估

根據(jù)試驗設(shè)計對田間各個小區(qū)進(jìn)行分割，按其地理位置分配一個唯一編號。首先，根據(jù)試驗區(qū)域4個頂點坐標(biāo)和試驗小區(qū)數(shù)進(jìn)行均分獲得每個獨立小區(qū)。為了避免邊行與其他相鄰小區(qū)植株間的相互影響，通過程序?qū)⒏餍^(qū)的長邊和短邊自動各裁剪掉20 cm?；诜蛛x出的獨立小區(qū)，統(tǒng)計小區(qū)內(nèi)每株甜菜的株高等表型信息。LiDAR點云累積高度的百分位數(shù)和無人機(jī)搭載RGB相機(jī)系統(tǒng)生成的DSM影像的像素百分位數(shù)代表了冠層的不同位置，低百分位數(shù)代表地面，高百分位數(shù)代表冠層上邊界[35]。百分位數(shù)是指累積百分位所對應(yīng)數(shù)據(jù)的值。為在相同的條件下對比，每個小區(qū)均選擇第2分位數(shù)作為地面。為了探索冠層上邊界的最佳百分位數(shù)，統(tǒng)計點云的累積高度和DSM像素的第95～100分位數(shù)(間隔為0.5)，與地面分位數(shù)作差估算株高，驗證其估算精度。

通過將點云數(shù)據(jù)按高度分層，比較RGB與LiDAR獲取的甜菜冠層結(jié)構(gòu)的空間特征差異。首先，使用條件濾波器[36]對LiDAR生成的點云數(shù)據(jù)進(jìn)行離群點刪除。通過相同步長進(jìn)行層切：① 用每一層點云數(shù)除以冠層點云總數(shù)。②將冠層離散為相同大小的立方體，對立方體內(nèi)的點云從頂部到底部進(jìn)行累加，獲得冠層不同位置的累積點云分布。以上所有點云數(shù)據(jù)均用Matlab R2018a處理。

1.5 統(tǒng)計分析

采用決定系數(shù)R2、均方根誤差(RMSE)、相對均方根誤差(rRMSE)評價株高實測值與估算值的吻合程度。

2 結(jié)果與分析

2.1 株高估算精度評估

基于無人機(jī)搭載RGB相機(jī)生成的DSM影像和無人機(jī)LiDAR點云，以第95～100分位數(shù)上的11個百分位數(shù)作為上邊界估算株高，與實測株高的R2和RMSE 如圖2所示。從圖2a可看出，兩種方法在11個百分位數(shù)估算的株高與實測值均具有較好的相關(guān)性，R2都在0.75以上。不同百分位數(shù)上R2的變化較小，最小值均為第100分位數(shù)。基于RGB相機(jī)生成的DSM像素的第96分位數(shù)和LiDAR點云高度的第97.5分位數(shù)作為上邊界估算的株高與實測株高相關(guān)性最好。從圖2b可看出，估算株高與實測株高的RMSE隨百分位數(shù)的增加呈先下降后上升的趨勢?；赗GB相機(jī)生成的DSM像素的第99.5分位數(shù)和LiDAR點云高度的第98.5分位數(shù)估算株高時，與田間實測株高的RMSE最小。

選擇RMSE最小時的分位數(shù)作為最佳分位數(shù)，將兩種方法估算的株高與田間實測株高進(jìn)行比較(圖3)。結(jié)果表明，兩種方法估算的株高與實測株高具有較好的一致性，無人機(jī)LiDAR估算的株高更準(zhǔn)確。在第98.5分位數(shù)時與實測株高相比，基于無人機(jī)LiDAR的株高估算精度最高，直線斜率為0.99，R2為0.88，rRMSE為6.6%。此時基于無人機(jī)RGB影像生成的DSM估算的株高，直線斜率為0.95，R2為0.8，rRMSE為11%。在第99.5分位數(shù)時，基于無人機(jī)LiDAR的株高估算精度略有下降，直線斜率為0.99，R2為0.87，rRMSE為8.3%。此時基于無人機(jī)RGB影像生成的DSM株高估算精度最高，直線斜率為0.94，R2為0.8，rRMSE為9%。

圖4為186個小區(qū)的株高熱力分布圖。其中選取無人機(jī)搭載RGB相機(jī)生成DSM影像像素的第99.5分位數(shù)作為最佳分位數(shù)估算株高，選取無人機(jī) LiDAR 點云第98.5分位數(shù)作為最佳分位數(shù)估算株高。從熱力圖來看無人機(jī)搭載RGB相機(jī)和無人機(jī)LiDAR系統(tǒng)均能夠很好地獲取各類甜菜株高的差異。估算株高的熱力圖趨勢與實測株高熱力圖相似。

2.2 三維點云空間分布比較

圖5為基于無人機(jī)RGB和無人機(jī)LiDAR生成的三維點云。從圖5a可以看出，無人機(jī)RGB系統(tǒng)重建了甜菜小區(qū)群體冠層表面的三維結(jié)構(gòu)以及未受旁邊小區(qū)遮擋的群體側(cè)面三維結(jié)構(gòu)，點云冗余，僅能識別冠層高度的變化。無人機(jī)LiDAR系統(tǒng)具有較強(qiáng)的穿透性，能夠較完整地重建甜菜群體冠層結(jié)構(gòu)(圖5b)。

在冠層高度方向上將冠層分為10等份，通過將每層點數(shù)除以各冠層總點數(shù)對冠層點云數(shù)量進(jìn)行歸一化，進(jìn)而比較兩種方法重建的三維點云的垂直分布情況(圖6)?？傮w而言，基于無人機(jī)LiDAR系統(tǒng)重建的三維點云在冠層內(nèi)分布更均勻，其重建的三維點云峰值出現(xiàn)在冠層的第6～7層。無人機(jī)RGB系統(tǒng)重建的三維點云其峰值出現(xiàn)在冠層的第8～9層，其余層點云數(shù)迅速下降。

為了進(jìn)一步分析兩種方法得到點云的空間分布情況，對冠層進(jìn)行層切，展示每一層包含的點云投影到該層底部的分布情況(圖7)。從圖7可以看出，在冠層頂部的第1、2層，兩系統(tǒng)生成的點云具有較高的相似性，在小區(qū)輪廓內(nèi)均有點云分布。相鄰試驗小區(qū)間的距離為0.5 m，使得小區(qū)間遮擋相對較小。小區(qū)內(nèi)株距均為0.2 m，遮擋嚴(yán)重。因此無人機(jī)搭載RGB相機(jī)只在小區(qū)邊界捕獲到一些冠層三維信息，無法捕獲冠層內(nèi)部的結(jié)構(gòu)信息(圖7a，從冠層頂部開始的第3、4層)。無人機(jī)LiDAR系統(tǒng)能夠穿透冠層內(nèi)部，較好地重建了甜菜冠層整體結(jié)構(gòu)(圖7b，從冠層頂部開始的第3、4層)。

3 討論

本研究選擇RMSE最小時的分位數(shù)估算株高[37]，估算株高與實測株高相關(guān)性最好時并未出現(xiàn)在第100分位數(shù)，RMSE先隨百分位數(shù)的增加而下降，在接近第100分位數(shù)時，RMSE又升高，主要原因是株高測定值均選擇代表小區(qū)平均生長狀況的有限取樣的植株，未選擇株高最高和最低的甜菜植株進(jìn)行測量。無人機(jī)RGB相機(jī)系統(tǒng)提供了合理的株高估算精度，與實測值的R2達(dá)到0.8，RMSE為6.1 cm，rRMSE為9% (圖3)，較其他研究精度略有下降[20,37]?？赡艿脑蚴菫榱嗽谙嗤瑮l件下對比，兩種方法均選擇了第2分位數(shù)作為地面位置，與冠層表面分位數(shù)作差估算株高。由于植株生長后期冠層封閉，無人機(jī)RGB相機(jī)沒有獲得足夠數(shù)量的地面點，使地面估算存在誤差。未來可以采用參考地面法，即出苗前掃描裸地獲得數(shù)字地面高程模型，以提高估算精度[19,21]。

無人機(jī)LiDAR系統(tǒng)相較于無人機(jī)RGB相機(jī)系統(tǒng)提供了更精確的株高估計，與實測值的R2達(dá)到0.88，RMSE和rRMSE分別為4.4 cm和6.6%(圖3)。無人機(jī)LiDAR相較于車載LiDAR在估算作物高度上精度略有降低[18,24,37]，原因是無人機(jī)LiDAR相較于車載LiDAR具有較低的空間分辨率。為提高空間分辨率，可通過降低飛行高度，多次重復(fù)飛行和增加航線的重疊度來實現(xiàn)。無人機(jī)LiDAR相較于車載LiDAR的優(yōu)勢是工作效率較高，不受田間地形影響，不會干擾和破壞大田作物。

基于無人機(jī)RGB相機(jī)系統(tǒng)獲取冠層三維結(jié)構(gòu)的關(guān)鍵步驟是基于尺度不變特征算法(SIFT)將給定的圖像分解為特征點[38]。甜菜在糖分積累期時冠層封閉，當(dāng)無人機(jī)RGB相機(jī)采取垂直拍攝時，無法捕獲冠層下部信息，因此只能重建甜菜冠層表面信息和側(cè)面未受到其他小區(qū)遮擋的結(jié)構(gòu)信息。LiDAR是主動遙感技術(shù)，其發(fā)射的激光束具有一定的穿透性，因此能重建出整個冠層的三維結(jié)構(gòu)。所以，對于作物生長后期群體冠層封閉時，無人機(jī)LiDAR相較于無人機(jī)RGB相機(jī)能重建出較完整的冠層三維結(jié)構(gòu)。獲取作物完整的冠層結(jié)構(gòu)對于估算與作物冠層結(jié)構(gòu)相關(guān)的表型參數(shù)具有重要作用，如基于空間體素和冠層輪廓估算冠層生物量和葉面積指數(shù)等[24,31,39]。

4 結(jié)束語

以186個不同基因型甜菜為研究對象，研究了無人機(jī)分別搭載RGB相機(jī)和LiDAR系統(tǒng)獲取田間作物株高和重建冠層三維點云結(jié)構(gòu)的差異。結(jié)果表明，兩種方法均可用于高通量、精確測定多基因型甜菜的植株高度。與實測值相比，無人機(jī)LiDAR系統(tǒng)相對于無人機(jī)RGB影像株高估測精度更高。兩種方法重建的冠層表面結(jié)構(gòu)相似，無人機(jī)LiDAR系統(tǒng)相較于無人機(jī)RGB能更完整地重建冠層內(nèi)部結(jié)構(gòu)特征。