基于無人機航拍的苧麻倒伏信息解譯研究

王薇 付虹雨 盧建寧 岳云開 楊瑞芳 崔國賢 佘瑋

摘要：莖桿倒伏是苧麻三麻培育中最常見的災(zāi)害，傳統(tǒng)的監(jiān)測方法具有耗時耗力、不及時等局限性。提出了一種基于無人機航拍獲取苧麻倒伏信息的方法，首先利用Pix4D Mapper軟件生成苧麻的冠層正射影像和數(shù)字表面模型（digital surface model，DSM），基于正射影像提取苧麻光譜、紋理及形狀特征，基于DSM提取苧麻株高指標，最后結(jié)合3種機器學(xué)習(xí)算法構(gòu)建正常/倒伏苧麻分類模型。結(jié)果表明，基于DSM提取的株高信息可以有效代替大田實測株高，模型R2為0.899。倒伏和正常苧麻在光譜、紋理、形狀及株高特征上具有差異。在3種機器學(xué)習(xí)算法中，支持向量機和決策樹模型的性能最好，準確率達到99%，能夠高效地識別苧麻倒伏地塊。以上研究結(jié)果為準確、快速評估作物倒伏情況提供了技術(shù)支撐。

關(guān)鍵詞：苧麻；倒伏；無人機；可見光相機；數(shù)字表面模型

doi：10.13304/j.nykjdb.2022.1066

中圖分類號：S127 文獻標志碼：A 文章編號：1008‐0864（2024）03‐0091‐07

倒伏災(zāi)害一直是農(nóng)業(yè)生產(chǎn)領(lǐng)域關(guān)注的熱點難題。作物倒伏會造成產(chǎn)量和質(zhì)量下降，影響農(nóng)業(yè)機械自動化收割。倒伏災(zāi)情嚴重時，小麥、水稻等主要糧食作物產(chǎn)量損失率在22%左右，極端情況下甚至?xí)^產(chǎn)，對糧食安全造成重大威脅[1]。抗倒伏能力是作物良種選育研究中重要的遺傳特性以及選育標準，但倒伏信息獲取與評估仍是亟需解決的難題[2‐3]。目前，倒伏已納入我國農(nóng)業(yè)保險體系，及時、有效地獲取大面積農(nóng)田的倒伏信息是科學(xué)、有序、精準進行農(nóng)業(yè)保險理賠以及救災(zāi)補償?shù)幕A(chǔ)[4]?？焖?、準確的倒伏信息獲取手段對于作物的生產(chǎn)管理、良種選育以及災(zāi)害保險具有重要意義。

早期作物倒伏估測是由人工進行實地調(diào)查，然后記錄相關(guān)倒伏信息。但作物的倒伏具有突發(fā)性、隨機性以及范圍廣等特點，傳統(tǒng)調(diào)查方式難以實現(xiàn)大范圍災(zāi)情監(jiān)測和減災(zāi)措施實施的及時響應(yīng)[5]。近年來，近地遙感技術(shù)在農(nóng)業(yè)領(lǐng)域發(fā)展迅速，使得高精度、高頻次、高效率的作物長勢信息采集成為可能，為倒伏監(jiān)測和災(zāi)情評估提供了科學(xué)方法?；谶b感的作物倒伏研究思路主要有2種。一是基于遙感光譜探測田間作物倒伏狀況。倒伏發(fā)生時，作物冠層結(jié)構(gòu)具有葉片雜亂，作物莖、穗暴露等特點，因此利用作物不同部位光譜反射率的差異可實現(xiàn)倒伏遙感監(jiān)測。王猛等[6]發(fā)現(xiàn)，倒伏玉米的冠層光譜反射率低于正常玉米，并由此實現(xiàn)倒伏玉米識別。田明璐等[7]發(fā)現(xiàn)，多光譜中倒伏水稻在各個波段的反射率均高于正常水稻，利用光譜差異對倒伏水稻的分類精度達到99.04%。陸洲等[8]利用作物的光譜特征識別正常/倒伏水稻，其中高光譜的紅光波段、差異植被指數(shù)（difference vegetation index，DVI）的差異最大。二是基于遙感空間結(jié)構(gòu)數(shù)據(jù)探測田間作物倒伏狀況，空間結(jié)構(gòu)數(shù)據(jù)包括作物株高以及冠層紋理特征[9]。倒伏災(zāi)害發(fā)生時，直立生長的作物會歪斜或匍倒，導(dǎo)致群體絕對株高降低，冠層紋理的均一性被破壞。胡琪等[10]通過計算小麥的絕對高度監(jiān)測倒伏狀況，在大面積倒伏災(zāi)害識別中，正常/嚴重倒伏的識別精度最高。董錦繪等[11]通過紅綠藍（red green blue，RGB）色彩模式的三通道特征參數(shù)識別正常/倒伏小麥存在一定誤差，提出需要結(jié)合光譜信息建立基于作物的數(shù)字表面模型（digital surface model，DSM）影像。趙立成等[12]在無人機可見光影像數(shù)據(jù)上增加了DSM數(shù)據(jù)，依靠田埂/小麥、正常/倒伏之間冠層高度差異消除了光譜中的“椒鹽”現(xiàn)象，提高了識別精度。前人對基于多光譜遙感的作物倒伏監(jiān)測進行了大量研究，但忽視了作物冠層影像包含的空間結(jié)構(gòu)信息的影響，缺乏多維數(shù)據(jù)比對。同時，雖然有研究證明利用無人機（unmanned aerial vehicles，UAV）獲取的DSM數(shù)據(jù)能夠有效監(jiān)測作物倒伏信息，但只考慮了作物的絕對高度，而株高受遺傳因素、栽培管理、生長環(huán)境等眾多因素影響，絕對高度在研究中不具備普適性。因此，需要引入更靈活的株高相關(guān)指標進行倒伏研究。

倒伏作為苧麻生產(chǎn)中常見的農(nóng)業(yè)災(zāi)害，嚴重影響了苧麻的高產(chǎn)優(yōu)質(zhì)。當(dāng)前，有關(guān)作物倒伏研究多集中于水稻、小麥等作物，研究內(nèi)容側(cè)重正常/倒伏作物分類以及倒伏面積提取，鮮有關(guān)于苧麻倒伏監(jiān)測和倒伏災(zāi)害脅迫下多生長指標的響應(yīng)解析研究。本研究采用無人機遙感系統(tǒng)獲取苧麻倒伏前后的冠層可見光影像，利用數(shù)字表面模型提取株高相關(guān)參數(shù)，正射影像提取冠層紋理特征，進而基于多維數(shù)據(jù)，定量評估苧麻倒伏情況。

1 材料與方法

1.1 試驗區(qū)域

試驗區(qū)位于湖南省長沙市芙蓉區(qū)湖南農(nóng)業(yè)大學(xué)耘園教學(xué)基地（28°11′1.981″N、113°4′10.159″ E，圖1）。該區(qū)屬典型的亞熱帶季風(fēng)性濕潤氣候，降水充沛，光熱條件良好，是苧麻生長的主產(chǎn)區(qū)之一。試驗區(qū)地勢平坦，無遮擋物，為無人機進行遙感作業(yè)提供了有利條件。試驗地面積為15 m×60 m，布置154 個小區(qū)，小區(qū)種植品種無重復(fù)，共包含154份苧麻種質(zhì)資源。各小區(qū)面積2.0 m×1.8 m，2行×4蔸，蔸間距0.4 m，行間距0.6 m，排水溝寬為0.5 m。苧麻于2017 年12 月育苗移栽，2018 年6月破桿。試驗區(qū)土壤成分均一且土壤肥沃，灌溉排水便捷，田間水肥管理一致。

1.2 無人機航拍照片獲取

于2019、2020年苧麻三麻的關(guān)鍵生育期即苗期、封行期、旺長期和成熟期，采用大疆悟2四旋翼無人機（Inspire 2 DJI，深圳）搭載蟬思X5s高清數(shù)碼相機進行苧麻倒伏監(jiān)測。該相機有效像素可達2 080萬，最大分辨率為5 280×3 956。為保證太陽輻射穩(wěn)定和充足，選擇晴朗無云天氣于當(dāng)?shù)貢r間12：00—14：00進行作業(yè)。無人機遙感平臺采用DJI GO軟件在指定區(qū)域內(nèi)自動生成航線，飛行高度20 m，云臺俯仰角-90°，飛行速度2 m·s-1，航向及旁向重疊度均為85%。所搭載數(shù)碼相機的曝光模式選擇自動。各生育期飛行任務(wù)的拍攝參數(shù)、航線規(guī)劃一致，在飛行任務(wù)執(zhí)行前設(shè)置完成。

1.3 圖像處理

無人機拍攝的影像采用Pix4D Mapper軟件進行拼接。利用Arc GIS 10.2軟件中的柵格工具，在全幅DSM影像上構(gòu)建小區(qū)尺度的矩形感興趣區(qū)域（area of interest，AOI）。AOI繪制時，沿小區(qū)四周邊緣余留10%，同時按小區(qū)行列號進行編號，并以shapefile文件保存。

1.4 特征指標提取方法

1.4.1 株高指標的獲取 株高是能夠直接表征作物倒伏情況的關(guān)鍵特征參數(shù)，一般情況下，倒伏作物的冠層高度會低于正常作物。本研究采用植株上邊界與地面之間的高程差值來計算苧麻株高[13]。植株上邊界通過航拍獲取的植株冠層DSM估算，地面高程通過試驗地裸土DSM估算。結(jié)合株高數(shù)據(jù)計算倒伏前后株高變化，株高發(fā)生正向變化判定為正常苧麻，發(fā)生反向變化判定為倒伏苧麻。混合點云在一定程度上會導(dǎo)致估測株高存在誤差，因此以降低幅度為10 %指標檢驗初步判定為倒伏的苧麻。

1.4.2 紋理、光譜、形狀指標的獲取 通過目視解譯及地面調(diào)查結(jié)果從影像上篩選倒伏和正常苧麻對象，進而分別獲取不同類型地塊的光譜、紋理及形狀特征。其中，光譜特征通過RGB不同波段數(shù)字量化值（digital number，DN）組合而成。紋理特征選用灰度共生矩陣（gray level co-occurrencematrices，GLCM），包括同質(zhì)度、對比度、熵與均值4個特征[14]。本研究在經(jīng)驗累積以及不斷試錯的基礎(chǔ)上，共選取了5個顏色特征、4個紋理特征及4 個形狀特征進行分析。提取正常苧麻地塊138個，倒伏苧麻地塊16個。相關(guān)特征描述與計算方法如表1所示。

1.5 苧麻倒伏識別模型構(gòu)建

利用隨機森林（random forest，RF）、支持向量機（support vector machine，SVM）、決策樹（decisiontree，DT）3種機器算法，以70%的數(shù)據(jù)為訓(xùn)練集，30%的數(shù)據(jù)為測試集，建立3個分類模型。

2 結(jié)果與分析

2.1 株高提取精度分析

基于株高數(shù)字表面模型（HDSM）和實測株高構(gòu)建的一元線性回歸模型如式1所示，R2為0.899，均方根誤差（root mean squared error，RMSE）為0.234，模型擬合程度較好，表明遙感影像提取株高具有代替大田群體苧麻株高的可行性。表2為株高數(shù)字表面模型與實際株高的對比分析，實際株高均值比遙感影像提取的株高均值低1.6 cm，誤差范圍在可接受范圍。綜上所述，遙感影像提取的株高可用于計算倒伏前后株高差異。

y=-0.004 1x+1.960 2 （1）

2.2 正常苧麻與倒伏苧麻的特征差異分析

圖2為倒伏和正常苧麻在光譜、紋理、形狀和株高數(shù)字表面模型特征上的差異對比。在光譜特征上，倒伏地塊的紅色標準值、綠色標準值、藍色標準值、綠葉植被指數(shù)與超綠植被指數(shù)均低于正常苧麻分布的地塊，其中綠色標準值、綠葉植被指數(shù)與超綠植被指數(shù)的倒伏地塊分布集中。在紋理特征上，倒伏地塊灰度共生矩陣同質(zhì)度、對比度、熵以及均值都明顯低于正常苧麻地塊，且2類對象在灰度共生矩陣同質(zhì)度、對比度、熵這3項紋理特征上沒有交集，表明紋理特征是分類倒伏苧麻和正常苧麻的重要特征。在形狀特征上，倒伏地塊在邊界指數(shù)、圓度、緊湊度3項指標上都高于正常地塊，而密度低于正常地塊；在DSM值上，倒伏苧麻DSM值整體低于正常地塊。成熟期正常苧麻株高數(shù)字表面模型值在0.956～3.563 m，而倒伏地塊株高數(shù)字表面模型值在0.512～1.256 m，株高數(shù)字表面模型中所有低于正常苧麻株高最小值0.956 m的植株都呈現(xiàn)出不同程度的倒伏形態(tài)，表明株高數(shù)字表面模型極具區(qū)分倒伏和正常苧麻的潛力。

綜上，結(jié)合倒伏與正常地塊間的特征差異程度，選取了11項特征值，分別為3項光譜特征綠色標準值、綠葉植被指數(shù)和超綠植被指數(shù)；3項紋理特征灰度共生矩陣同質(zhì)度、對比度、熵；4項性狀特征邊界指數(shù)、緊湊度、圓度、密度以及HDSM特征值，作為區(qū)分倒伏苧麻和正常苧麻的光譜特征。

2.3 模型對比分析

由表3可知，隨機森林（RF）的精確率為0.98，召回率為1.00，F(xiàn)1分數(shù)為0.99，準確率為98%；支持向量機（SVM）的精確率為0.99，召回率為1.00，F(xiàn)1分數(shù)為1.00，準確率為99%。決策樹（DT）的精確率為1.00，召回率為0.99，F(xiàn)1分數(shù)為1.00，準確率為99%。綜上，3種機器學(xué)習(xí)算法在識別正常苧麻和倒伏苧麻上均有較高的準確率，其中SVM與DT模型表現(xiàn)更好，基于機器學(xué)習(xí)的正常苧麻和倒伏苧麻地塊快速識別是可行的。

2.4 倒伏脅迫下苧麻生物量的差異分析

以倒伏后的苧麻生物量為指標反映倒伏災(zāi)害對苧麻生長狀況的影響。由表4可知，發(fā)生嚴重倒伏的苧麻生物量均值僅為1.199 kg·m-2，比正常苧麻生物量均值低1.173 kg·m-2，比發(fā)生一般倒伏的苧麻生物量均值低0.985 kg·m-2。由此可見，苧麻倒伏對其產(chǎn)量具有很大影響，控制苧麻抗倒程度是提高其產(chǎn)量和質(zhì)量的重要措施。

3 討 論

基于無人機航拍圖像獲取苧麻倒伏信息相較于傳統(tǒng)的人工方法具有快捷、準確、無損等優(yōu)勢，為倒伏災(zāi)害的識別和及時防治提供了技術(shù)支撐。梁永檢等[15]基于DSM 對甘蔗全生育期的株高監(jiān)測，預(yù)測精度較高，R2 為0.961。本研究中，基于DSM的苧麻株高估測精度為0.899，可能是由于無人機飛行高度較低，槳葉旋轉(zhuǎn)產(chǎn)生氣流導(dǎo)致部分苧麻傾倒，株高信息受損。

利用特征篩選方法可以獲得較高的分類精度。趙靜等[16]通過篩選特征植被指數(shù)和紋理指數(shù)，結(jié)合支持向量機構(gòu)建了基于多光譜的倒伏玉米分類模型，精度達到95.38%。本研究中，增加了紋理、形狀、植株高度等特征，共篩選了13項特征指標，取得了較好的效果。雖然高清數(shù)碼相機所拍攝的影像獲取的植被指數(shù)信息少于多光譜信息，但所取得的高精度的空間位置信息和紋理結(jié)構(gòu)信息，是多光譜相機很好的替代[17‐18]。

已有研究探討了基于RGB相機評估倒伏程度的可行性，申華磊等[19]采用深度學(xué)習(xí)算法建立小麥倒伏面積分割模型，在識別正常和倒伏小麥中獲得了97.25%的準確率。深度學(xué)習(xí)需要使用大量的樣本數(shù)據(jù)，本研究采用的支持向量機、決策樹2種機器學(xué)習(xí)算法適合小樣本進行監(jiān)測，在分類正常苧麻和倒伏苧麻上達到了99%的準確率。因此，利用航拍圖像中提取的多種特征指數(shù)，結(jié)合機器學(xué)習(xí)算法構(gòu)建的分類模型用于識別正常苧麻和倒伏苧麻是可行的。但對于苧麻倒伏程度分級與倒伏面積的提取，仍需開展后續(xù)試驗。

參 考 文 獻

［1］ 劉利華，金再欣，劉小麗，等.水稻倒伏對產(chǎn)量影響的試驗結(jié)

果分析[J].中國稻米，2009（2）：19-21.

［2］ 張建，謝田晉，楊萬能，等.近地遙感技術(shù)在大田作物株高測

量中的研究現(xiàn)狀與展望[J].智慧農(nóng)業(yè)，2021，3（1）：1-15.

ZHANG J， XIE T J， YANG W N，et al .. Research status and

prospect on height estimation of field crop using near-field

remote sensing technology [J]. Smart Agric.， 2021，3（1）：1-15.

［3］ SU W，ZHANG M，BIAN D，et al .. Phenotyping of corn plants

using unmanned aerial vehicle （UAV） images [J/OL]. Remote

Sens.，2019，11（17）：2021 [2022-11-06]. https：//doi.org/10.3390/

rs11172021.

［4］ XUE J，GOU L，ZAO Y S，et al .. Effects of light intensity within

the canopy on maize lodging [J]. Field Crops Res.，2016，188：

133-141.

［5］ 周龍飛.基于多源遙感數(shù)據(jù)的玉米倒伏災(zāi)情監(jiān)測研究[D].

青島：山東科技大學(xué)，2020.

ZHOU L F. Monitoring of maize lodging disaster based on

multi-source remote sensing data [D]. Qingdao： Shandong

University of Science and Technology，2020.

［6］ 王猛，隋學(xué)艷，梁守真，等.夏玉米倒伏模擬試驗及遙感監(jiān)測

[J].測繪科學(xué)，2017，42（8）：137-141.

WANG M， SUI X Y， LIANG S Z，et al .. Simulation test and

remote sensing monitoring of summer corn lodging [J]. Sci.

Survey. Map.， 2017，42（8）：137-141.

［7］ 田明璐，班松濤，袁濤，等.基于低空無人機多光譜遙感的水

稻倒伏監(jiān)測研究[J].上海農(nóng)業(yè)學(xué)報，2018，34（6）：88-93.

TIAN M L，BAN S T，YUAN T，et al .. Monitoring of lodged rice

using low-altitude UAV based multispectral image [J]. Acta

Agric. Shanghai， 2018，34（6）：88-93.

［8］ 陸洲，徐飛飛，羅明，等.倒伏水稻特征分析及其多光譜遙感

提取方法研究[J].中國生態(tài)農(nóng)業(yè)學(xué)報，2021，29（4）：751-761.

LU Z，XU F F， LUO M，et al .. Characteristic analysis of lodging

rice and study of the multi-spectral remote sensing extraction

method [J]. Chin. J. Eco-Agric.， 2021，29（4）：751-761.

［9］ 樊鴻葉，李姚姚，盧憲菊，等.基于無人機多光譜遙感的春玉

米葉面積指數(shù)和地上部生物量估算模型比較研究[J].中國

農(nóng)業(yè)科技導(dǎo)報，2021，23（9）：112-120.

FAN H Y，LI Y Y， LU X J，et al .. Comparative analysis of LAI

and above-ground biomass estimation models based on UAV

multispectral remote sensing [J]. J. Agric. Sci. Technol.，2021，

23（9）：112-120.

［10］ 胡琪，武紅旗，軒俊偉，等.基于無人機DSM的小麥倒伏信息

提取[J].安徽農(nóng)業(yè)科學(xué)，2020，48（16）：227-231.

HU Q，WU H Q，XUAN J W，et al .. Information extraction of

wheat lodging based on DSM by UAV remote sensing [J]. J.

Anhui Agric. Sci.，2020，48（16）：227-231.

［11］ 董錦繪，楊小冬，高林，等.基于無人機遙感影像的冬小麥倒

伏面積信息提取[J].黑龍江農(nóng)業(yè)科學(xué)，2016（10）：147-152.

DONG J H，YANG X D，GAO L，et al .. Information extraction of

winter wheat lodging area based on UAV remote sensing image

[J]. Heilongjiang Agric. Sci.， 2016（10）：147-152.

［12］ 趙立成，段玉林，史云，等.基于無人機DSM的小麥倒伏識別

方法[J].中國農(nóng)業(yè)信息，2019，31（4）：36-42.

ZHAO L C， DUAN Y L， SHI Y， et al .. Wheat lodging

identification using DSM by drone [J]. Chin. Agric. Inform.，

2019，31（4）：36-42.

［13］ P?REZHARGUINDEGUY N，D?AZ S，GARNIER E ，et al .. New

handbook for standardised measurement of plant functional

traits worldwide [J/OL]. Australian J. Botany，2013，61： 12225

[2022-11-06]. https：//doi.org/10.1071/BT12225.

［14］ 宋茜.農(nóng)作物空間分布信息提取及其時空格局變化分析研

究[D].北京：中國農(nóng)業(yè)科學(xué)院，2018.

SONG Q. Crop mapping and spatio-temporal analysis of

agricultural land-use [D]. Beijing： Chinese Academy of Agricultural

Sciences，2018.

［15］ 梁永檢，吳文志，施澤升，等.基于無人機RGB遙感的甘蔗株

高估測[J].作物雜志，2023（1）：226-232.

LIANG Y J，WU W Z，SHI Z S，et al .. Estimation of sugarcane

plant height based on UAV RGB remote sensing [J]. Crops，

2023（1）：226-232.

［16］ 趙靜，閆春雨，楊東建，等.基于無人機多光譜遙感的臺風(fēng)災(zāi)

后玉米倒伏信息提取[J].農(nóng)業(yè)工程學(xué)報，2021，37（24）：56-64.

ZHAO J， YAN C Y， YANG D J，et al .. Extraction of maize

lodging information after typhoon based on UAV multispectral

remote sensing [J]. Trans. Chin. Soc. Agric. Eng.，2021，37（24）：

56-64.

［17］ 李宗南，陳仲新，王利民，等.基于小型無人機遙感的玉米倒

伏面積提取[J].農(nóng)業(yè)工程學(xué)報，2014，30（19）：207-213.

LI Z N，CHEN Z X，WANG L M，et al .. Area extraction of maize

lodging based on remote sensing by small unmanned aerial

vehicle [J]. Trans. Chin. Soc. Agric. Eng.，2014，30（19）：207-213.

［18］ 毛智慧，鄧磊，趙曉明，等.利用無人機遙感提取育種小區(qū)玉

米倒伏信息[J].中國農(nóng)學(xué)通報，2019，35（3）：62-68.

MAO Z H， DENG L， ZHAO X M，et al .. Extraction of maize

lodging in breeding plot based on UAV remote sensing [J].

Chin. Agric. Sci. Bull.，2019，35（3）：62-68.

［19］ 申華磊，蘇歆琪，趙巧麗，等.基于深度學(xué)習(xí)的無人機遙感小

麥倒伏面積提取方法[J]. 農(nóng)業(yè)機械學(xué)報，2022，53（9）：252-

260，341.

SHEN H L，SU X Q，ZHAO Q L，et al .. Extraction of lodging

area of new wheat varieties by unmanned aerial vehicle remote

sensing via deep learning [J]. Trans. Chin. Soc. Agric. Mach.，

2022，53（9）：252-260，341.

（責(zé)任編輯：胡立霞）