融合無(wú)人機(jī)多光譜和紋理特征的馬鈴薯LAI估算

李 健，江 洪，羅文彬，麻 霞，張 雍

(1 福州大學(xué) 數(shù)字中國(guó)研究院(福建)/空間數(shù)據(jù)挖掘與信息共享教育部重點(diǎn)實(shí)驗(yàn)室/衛(wèi)星空間信息技術(shù)綜合應(yīng)用國(guó)家地方聯(lián)合工程研究中心, 福建 福州 350108； 2 福建省農(nóng)業(yè)科學(xué)院 作物研究所, 福建 福州 350013)

2015年以來(lái)，我國(guó)啟動(dòng)了馬鈴薯主糧化戰(zhàn)略，馬鈴薯成為我國(guó)又一主糧作物[1]。葉面積指數(shù)(Leaf area index，LAI)作為作物生長(zhǎng)的重要參數(shù)，與地上生物量積累和地下塊莖產(chǎn)量有密切的關(guān)系，是監(jiān)測(cè)作物長(zhǎng)勢(shì)、指導(dǎo)田間管理的重要指標(biāo)[2]。當(dāng)前，地面實(shí)測(cè)與遙感估算是測(cè)量農(nóng)作物L(fēng)AI的主要方式。地面實(shí)地測(cè)量分為直接測(cè)量法與間接測(cè)量法[3]。直接測(cè)量法是利用直接測(cè)定的植被葉面積計(jì)算LAI，間接測(cè)量法是用光學(xué)儀器測(cè)量有關(guān)參數(shù)得到LAI[4]。衛(wèi)星遙感估算法主要采用光學(xué)遙感影像估測(cè)農(nóng)作物L(fēng)AI，估算面積大，但受天氣、時(shí)空分辨率的影響。相比衛(wèi)星遙感，無(wú)人機(jī)遙感具有空間分辨率高、能準(zhǔn)確反映地塊作物長(zhǎng)勢(shì)、監(jiān)測(cè)靈活機(jī)動(dòng)等優(yōu)勢(shì)，適用于田塊尺度作物的信息獲取與LAI估算。國(guó)內(nèi)外學(xué)者利用光學(xué)遙感影像計(jì)算植被指數(shù)(Vegetation index，VI)來(lái)估算 LAI已有大量的研究[5]，研究表明VI能較好地估算LAI[6]。其中，歸一化植被指數(shù) (Normalized difference vegetation index，NDVI)被廣泛用于建立LAI估算模型[7]，但茂密作物的NDVI會(huì)出現(xiàn)飽和現(xiàn)象[8]，在估算LAI時(shí)存在一定的局限性。因此，綜合利用遙感影像光譜、紋理特征估算作物生長(zhǎng)參數(shù)的研究逐漸增多。VI與紋理特征融合可以提高生物量[9]、葉綠素含量[10]以及氮含量[11]估算精度，將兩者結(jié)合估算作物氮含量、生物量的研究較多，如玉米、小麥、水稻等[12-14]，對(duì)馬鈴薯LAI估算的研究較少。前人研究大多從植被光譜指數(shù)或者單一的紋理特征入手，忽略了無(wú)人機(jī)多光譜影像光譜、紋理信息的融合，本研究基于高分辨率的大疆P4M無(wú)人機(jī)多光譜影像，比較馬鈴薯不同生育期光譜、紋理單一指標(biāo)以及光譜和紋理融合方法，進(jìn)行馬鈴薯LAI估算。

1 研究區(qū)數(shù)據(jù)與方法

1.1 研究區(qū)概況

研究區(qū)位于福建省寧德市霞浦縣沙江鎮(zhèn)(E119°59′，N26°47′)糧食產(chǎn)能區(qū)“五星”示范片區(qū)，面積約37.33 hm2。該地屬于亞熱帶季風(fēng)氣候，年平均氣溫為17°～23°，春季雨水豐沛，夏有臺(tái)風(fēng)，冬季少見(jiàn)霜雪。研究區(qū)是福建省農(nóng)科院南方馬鈴薯研究基地之一，田間管理完善，進(jìn)行2個(gè)施肥試驗(yàn)，分別為肥料聯(lián)合篩選試驗(yàn)和氮肥分期施用試驗(yàn)。

2種試驗(yàn)各6個(gè)處理，3次隨機(jī)重復(fù)試驗(yàn)。肥料聯(lián)合篩選試驗(yàn)處理有：不施肥、常用有機(jī)肥+常規(guī)化肥、沃爾田生物有機(jī)肥、沃爾田生物有機(jī)肥+緩釋高鉀肥、生命源黃腐酸生物有機(jī)肥、生命源黃腐酸生物有機(jī)肥+緩釋高鉀肥；氮肥分期施用試驗(yàn)中，氮、磷、鉀用量分別為 225、150和 300 kg/hm2，分為基肥(播種前施用)和追肥(播種后施用)，試驗(yàn)處理及各種肥料質(zhì)量分?jǐn)?shù)為：不施肥、100%基肥+無(wú)追肥、75%基肥+25%追肥、50%基肥+50%追肥、25%基肥+75%追肥、無(wú)基肥+100%追肥。

1.2 數(shù)據(jù)源

1.2.1 實(shí)測(cè)數(shù)據(jù)的獲取于馬鈴薯幼苗期(2021年2月20日)、現(xiàn)蕾期(2021年3月15日)、塊莖膨大期(2021年4月1日) 3個(gè)關(guān)鍵生育期分別采集馬鈴薯LAI數(shù)據(jù)，測(cè)量樣本均來(lái)自2種試驗(yàn)處理地塊，每次隨機(jī)重復(fù)試驗(yàn)中至少采集1個(gè)樣本，測(cè)量樣地在田間有相應(yīng)的標(biāo)記牌，每個(gè)生育期45個(gè)樣本，3個(gè)生育期LAI值的箱線圖如圖1a所示。LAI的測(cè)量使用LAI-2000冠層分析儀，測(cè)量時(shí)間在17:00—18:30，排除太陽(yáng)直射對(duì)儀器測(cè)量的影響。每次測(cè)量測(cè)1次A值(天空光)、4次B值(冠層下方)。同時(shí)，選擇樣區(qū)內(nèi)多個(gè)相同植株，標(biāo)記多個(gè)樣點(diǎn)，在正午日照充足且無(wú)云層遮蓋的時(shí)候，用ASD光譜儀測(cè)量不同生育期的光譜(圖1b)。

圖1 實(shí)測(cè)LAI值的箱線圖(a)和實(shí)測(cè)光譜曲線(b)Fig. 1 Box plot of the measured LAI value (a) and measured spectral curve (b)

1.2.2 多光譜數(shù)據(jù)獲取與預(yù)處理利用大疆P4M多光譜無(wú)人機(jī)在無(wú)風(fēng)且陽(yáng)光充足的中午時(shí)段采集影像，飛行航高 100 m，速度 50 km/h，航向和側(cè)向重疊率在80%以上，像片分辨率為1 600像素×1 300像素，實(shí)際地面分辨率約5 cm，相機(jī)具體參數(shù)見(jiàn)表1。3次采集的數(shù)據(jù)運(yùn)用大疆智圖軟件拼接，利用反射率為0.5的標(biāo)準(zhǔn)定標(biāo)版進(jìn)行輻射校正，得到反射率數(shù)據(jù)，用ENVI軟件裁剪拼接的影像。

表1 大疆P4M多光譜相機(jī)波段信息Table 1 Band information of DJI P4M multispectral camera

1.3 馬鈴薯LAI估算方法

通過(guò)預(yù)處理的多光譜影像計(jì)算植被指數(shù)和紋理特征，提取馬鈴薯植被。將實(shí)測(cè)的LAI與植被指數(shù)、紋理特征進(jìn)行相關(guān)性分析，基于R2adj全子集回歸分析篩選最優(yōu)特征變量，用主成分分析(Principal component analysis，PCA)融合光譜、紋理得到主要成分進(jìn)行馬鈴薯LAI估算。流程如圖2所示。

圖2 LAI估算流程圖Fig. 2 LAI estimation flowchart

1)馬鈴薯提取。用支持向量機(jī)(Support vector machine，SVM)分類方法提取馬鈴薯植被像元，去除土壤、陰影、地膜等背景。2)植被指數(shù)計(jì)算。根據(jù)大疆P4M多光譜波段、實(shí)測(cè)的不同生育期光譜曲線和已有的研究，選取與葉面積指數(shù)相關(guān)的植被指數(shù)(表2)。3)紋理特征計(jì)算。計(jì)算8類基于灰度共生矩陣 (Gray-level co-occurrence matrix，GLCM)的紋理特征值有：均值(Mean)、協(xié)同性(Homogeneity, Hom)、相異性 (Dissimilarity, Dis)、信息熵 (Entropy, En)、二階矩 (Second moment, Sm)、相關(guān)性 (Correlation, Cor)、對(duì)比度 (Contrast,Contr)方差 (Variance, Var)，共 40個(gè)紋理特征值。4)特征優(yōu)選。將LAI與植被指數(shù)、紋理特征進(jìn)行相關(guān)性分析，挑選出相關(guān)性較高的特征，并引入調(diào)整的R2(R2adj)對(duì)植被指數(shù)、紋理特征進(jìn)行全子集回歸分析，對(duì)相關(guān)性較高的特征進(jìn)行二次優(yōu)選。5)光譜、紋理特征融合。利用PCA融合二次優(yōu)選特征，用少量的主要成分表示原始光譜、紋理信息，融合成新的指標(biāo)。6)模型比較及驗(yàn)證。將PCA方法融合的主要成分進(jìn)行多元回歸建模，并與植被指數(shù)、紋理特征回歸模型進(jìn)行比較。在所測(cè)試樣本中，分別由30個(gè)建模樣本和15個(gè)驗(yàn)證樣本組成。利用R2、R2adj和均方根誤差(RMSE)作為模型的評(píng)價(jià)指標(biāo)。7)選較優(yōu)模型進(jìn)行馬鈴薯LAI估算。

表2 多光譜植被指數(shù)Table 2 Multispectral vegetation index

2 結(jié)果與分析

2.1 馬鈴薯植被提取

馬鈴薯葉片、地膜、土壤、陰影分類結(jié)果如圖3所示，每個(gè)生育期總體精度和用戶精度達(dá)到95%以上。將馬鈴薯純植被像元區(qū)域轉(zhuǎn)換為矢量，裁剪出各地塊馬鈴薯植被區(qū)域。

圖3 馬鈴薯提取前后的馬鈴薯植被區(qū)域?qū)Ρ菷ig. 3 Comparison of potato planting area before and after potato extraction

2.2 光譜、紋理特征與LAI的相關(guān)性分析

幼苗期、現(xiàn)蕾期、塊莖膨大期馬鈴薯多光譜植被指數(shù)與LAI的相關(guān)性見(jiàn)表3。幼苗期除Green、Rededge、NIR外，其余植被指數(shù)與LAI相關(guān)系數(shù)絕對(duì)值均為0.50以上，P＜0.01；現(xiàn)蕾期，除Green、Rededge外，植被指數(shù)與LAI相關(guān)系數(shù)絕對(duì)值大多為 0.60～0.80，P＜0.01；塊莖膨大期，NDVI、GNDVI、RVI、RDVI、OSAVI、Red 和 RDVI_GRE相關(guān)系數(shù)絕對(duì)值約為 0.50～0.65，P＜0.01。

表3 光譜特征與LAI的相關(guān)系數(shù)絕對(duì)值Table 3 Absolute value of correlation coefficient between spectral feature and LAI

馬鈴薯各生育期紋理特征與LAI的相關(guān)性如表 4所示。幼苗期，b1_Contr、b1_Hom、b2_Cor、b2_Mean、b3_Dis、b3_Ent、b3_Mean、b4_Cor和b5_Mean 的相關(guān)系數(shù)絕對(duì)值為 0.40～0.60，P＜0.01。現(xiàn)蕾期，b1_Contr、b1_Hom、b2_Cor、b3_Mean、b3_Dis、b4_Cor和b5_Mean相關(guān)系數(shù)絕對(duì)值為0.40～0.60，P＜0.01。塊莖膨大期，b1_Mean、b3_Cor、b3_Ent、b3_Hom、b3_Mean、b4_Hom、b5_Hom和b5_Mean相關(guān)系數(shù)絕對(duì)值為0.40～0.60，P＜0.01。

表4 紋理特征與LAI的相關(guān)系數(shù)絕對(duì)值(|r|)Table 4 Absolute value of correlation coefficient (|r|)between texture feature and LAI

2.3 馬鈴薯LAI估算模型構(gòu)建

依據(jù)VI、紋理特征與LAI相關(guān)性分析結(jié)果，基于R2adj全子集回歸構(gòu)建LAI多元線性估算模型，計(jì)算模型R2adj、R2、RMSE。由圖4光譜特征可知，全子集優(yōu)化植被指數(shù)效果較好的指標(biāo)，在幼苗期有RDVI、RVI_GRE、Red、RDVI_EDG、GVI_EDG、LCI和 GNDVI，在現(xiàn)蕾期有 RDVI、NDRE、LCI、GNDVI和 Green，在塊莖膨大期有 NDVI、OSAVI、RVI_EDG、LCI、NIR 和 GNDVI。優(yōu)選的紋理特征重要度效果較好指標(biāo)，在幼苗期有b2_ Hom、b2_Dis、b1_Mean 和b3_Contr，在現(xiàn)蕾期有b3_Mean、b4_Cor和b5_Mean，在塊莖膨大期有b3_Mean、b5_Mean、b5_Hom、b3_Hom、b3_En和b1_Mean(圖 5)。

圖4 基于R2adj全子集回歸優(yōu)選的光譜特征重要度Fig. 4 Importance of spectral features based on R2adj full subset regression optimization

圖5 基于R2adj全子集回歸優(yōu)選的紋理特征重要度Fig. 5 Importance of texture features based on R2adj full subset regression optimization

利用PCA方法對(duì)植被指數(shù)和紋理特征進(jìn)行降維，將累計(jì)貢獻(xiàn)率大于99%的成分用來(lái)反映原始信息。確定3個(gè)生育期最佳主成分為6、3和4個(gè)，基于PCA主成分多元線性回歸(Principal component analysis-multiple linear regression，PCA-MLR)建模，并與紋理特征多元回歸 (Texture multiple linear regression，T-MLR)、植被指數(shù)多元回歸(Vegetation index multiple linear regression，VI-MLR)模型進(jìn)行對(duì)比。在馬鈴薯的3個(gè)不同生育期內(nèi)，PCA-MLR模型精度更高，幼苗期、現(xiàn)蕾期與塊莖膨大期的R2分別約為0.73、0.59和0.66，RMSE分別為0.426、0.540和0.432，模型穩(wěn)定性較好，其R2和R2adj都較高，RMSE明顯降低(表5)。

表5 馬鈴薯各生育期LAI估算建模比較1)Table 5 Comparison of LAI estimation modeling for potatoes at different growth stages

2.4 馬鈴薯LAI估算結(jié)果分析

PCA-MLR模型較優(yōu)，利用其進(jìn)行LAI估算作圖(圖6)，實(shí)測(cè)值與預(yù)測(cè)值如圖7所示。從幼苗期到塊莖膨大期，LAI逐漸增大，圖中顏色逐漸加深。幼苗期葉子較少，塊莖膨大期馬鈴薯莖葉增長(zhǎng)都達(dá)到了峰值，是葉面積最大的時(shí)期[23]，葉子相對(duì)茂密，LAI較高，不同處理的空間分布更為明顯。

圖6 施肥處理地塊LAI空間分布Fig. 6 Spatial distribution of LAI in fertilized plots

圖7 馬鈴薯各生育期LAI預(yù)測(cè)值與實(shí)測(cè)值Fig. 7 Estimated and measured values of LAI of potato at different growth stages

2種施肥試驗(yàn)統(tǒng)計(jì)如表6所示，不同處理地塊的LAI在3個(gè)時(shí)期皆大于不施肥處理。肥料聯(lián)合篩選試驗(yàn)地塊的3個(gè)生育期LAI均值分別為2.89、4.88和5.21，不同組合肥料施用地塊LAI普遍高于單種肥料施用地塊LAI。常用有機(jī)肥+常規(guī)化肥處理LAI在塊莖膨大期最大，為5.67，比不施肥處理同期LAI增加約20%。單種肥料施用時(shí)，沃爾田生物有機(jī)肥處理塊莖膨大期LAI最大，為5.00，相比不施肥處理同期LAI增加約5%；在氮肥分期施用試驗(yàn)中，3個(gè)生育期LAI均值分別為1.40、4.13和4.56。75%基肥+25%追肥處理地塊塊莖膨大期LAI最大，為4.92，與同期不施肥處理相比，LAI增加約14%。

表6 施肥試驗(yàn)各處理地塊LAI統(tǒng)計(jì)結(jié)果Table 6 Statistical results of LAI of each treatment plot in fertilization experiment

3 討論與結(jié)論

從大疆P4M無(wú)人機(jī)影像的光譜、紋理信息及二者之間的融合入手，探究其對(duì)馬鈴薯LAI的估算能力。模型中馬鈴薯植被的植被指數(shù)和紋理特征的選取只考慮了不同生育期馬鈴薯冠層反射差異(即在紅、藍(lán)波段吸收，在綠波段反射以及在紅邊和近紅外波段高反射的特性)。植被指數(shù)選用大多來(lái)自波段的比值、差值組合，而紋理特征選用僅能表現(xiàn)單波段植被冠層結(jié)構(gòu)，沒(méi)有進(jìn)行組合，下一步研究中，還可以根據(jù)不同處理構(gòu)建新的指標(biāo)，更精細(xì)地反應(yīng)施肥、水分等特征。在構(gòu)造指標(biāo)時(shí)，本文只采用了PCA主成分融合的方法，后面的研究還可考慮層次分析法、加權(quán)法等，比較不同方法的精度，加入其他紋理特征提取方法，增加樣本量提升模型穩(wěn)定性，以及探究將3個(gè)生育期結(jié)合起來(lái)估算LAI。也可以進(jìn)一步探討將馬鈴薯LAI估算結(jié)果應(yīng)用于產(chǎn)量估算、作物表型特征研究、肥料篩選及施藥指導(dǎo)等。

基于大疆P4M無(wú)人機(jī)多光譜數(shù)據(jù)，通過(guò)融合其光譜和紋理信息估算馬鈴薯LAI：1)在現(xiàn)蕾期、幼苗期和塊莖膨大期，基于植被指數(shù)的LAI估算模型比紋理特征模型表現(xiàn)得更為優(yōu)越；2)基于PCAMLR的馬鈴薯LAI估算模型優(yōu)于基于多光譜植被指數(shù)和紋理特征的多元回歸模型，其決定系數(shù)有所提高，RMSE也明顯降低；3) 3個(gè)不同生育期，馬鈴薯LAI值不斷變化，從幼苗期LAI均值小于2，到現(xiàn)蕾期LAI均值為4～5，塊莖膨大期LAI達(dá)到峰值，接近6，這與原始測(cè)量數(shù)據(jù)相吻合。綜上，通過(guò)光譜、紋理信息融合的PCA-MLR模型，能夠較好地估算馬鈴薯LAI，可以為馬鈴薯長(zhǎng)勢(shì)監(jiān)測(cè)和參數(shù)估算提供一種可行的方法。