楊愛萍 張坤 白曉東 張崇華

摘要：基于在線式雙季水稻長勢自動監(jiān)測系統(tǒng)實時獲取稻田實景圖像，并應(yīng)用圖像處理技術(shù)計算水稻覆蓋度，進(jìn)而分析雙季水稻覆蓋度與葉面積指數(shù)之間的關(guān)系，實現(xiàn)葉面積指數(shù)的在線式圖像反演。結(jié)果表明，雙季水稻分蘗期覆蓋度增長迅速，在拔節(jié)孕穗期達(dá)到峰值，拔節(jié)孕穗期至抽穗期保持相對穩(wěn)定，這一結(jié)果符合雙季水稻生長特征，并與葉面積指數(shù)變化趨勢一致。早稻、晚稻覆蓋度與葉面積指數(shù)之間呈顯著的指數(shù)關(guān)系，決定系數(shù)分別為0.970 6、0.853 4，模擬精度較高。根據(jù)雙季水稻覆蓋度反演得到的葉面積指數(shù)與實測葉面積指數(shù)具有極顯著的線性關(guān)系，決定系數(shù)分別達(dá)到0.95、0.97，均方根誤差分別為0.34、0.47，模擬效果較好。本研究提出的雙季水稻葉面積指數(shù)在線式圖像反演方法是一種新的水稻葉面積指數(shù)自動、無損估測方法，可為雙季水稻葉面積指數(shù)實時、快速估測提供技術(shù)支持。

關(guān)鍵詞：雙季水稻;葉面積指數(shù);覆蓋度;圖像反演

中圖分類號： S511.01 文獻(xiàn)標(biāo)志碼： A 文章編號：1002-1302（2019）23-0320-04

葉面積指數(shù)（LAI）是一塊田地上作物葉片的總面積與田地總面積的比率[1]，是客觀反映作物在生長期內(nèi)整體的動態(tài)變化和作物光合作用及蒸騰作用的重要參數(shù)。實時、準(zhǔn)確獲取其信息對監(jiān)測作物長勢和預(yù)測作物產(chǎn)量具有重要意義[2]。獲取LAI的方法很多，主要分為地面實測和遙感監(jiān)測2種方式[3]。常用的地面實測方法大都效率低、誤差大，而且測量具有破壞性[4]。遙感監(jiān)測方法能夠?qū)崿F(xiàn)較大范圍的作物長勢監(jiān)測，但多以1 km分辨率的極軌衛(wèi)星資料為主，精細(xì)化程度不高，且觀測時易受到云層、云陰影以及氣溶膠等的影響[5]。隨著數(shù)字圖像技術(shù)的廣泛應(yīng)用，李萬春等開展了大量的利用掃描儀測量作物葉面積的研究，并研制了相應(yīng)的軟件，實現(xiàn)作物葉面積指數(shù)測量與計算等功能[6-7]。這種方法提高了測量作物葉面積的精度，降低了成本，操作方便快捷，但并未實現(xiàn)無損測量。隨著數(shù)碼相機(jī)分辨率的提高，近年來基于靜態(tài)圖像信息提取技術(shù)反演LAI的方法發(fā)展迅速。肖強(qiáng)等利用數(shù)碼相機(jī)對單株水稻或水稻群體進(jìn)行拍攝，獲取靜態(tài)圖像信息，然后反演水稻總綠葉面積或水稻LAI[8-10]，這些研究結(jié)果表明，基于數(shù)碼相機(jī)的圖像反演方法能實現(xiàn)水稻LAI較高精度的無損估算。但該方法是通過人工近距離拍攝圖像，難以對作物進(jìn)行實時、動態(tài)觀測，資料時效性較低[4]。作物覆蓋度（CCP）是指作物的綠色部分在田地上的正投影面積與田地總面積的比率[11]，與LAI有很好的對應(yīng)關(guān)系?；谶@一原理，國內(nèi)外開展了不少關(guān)于圖像處理技術(shù)計算CCP的研究[12-15]，然后通過分析CCP與LAI之間的關(guān)系實現(xiàn)作物L(fēng)AI的反演[12]。這種方法可相對快速、客觀地獲取實時、連續(xù)、動態(tài)的LAI，展現(xiàn)出良好的研究和應(yīng)用前景。

但由于目前多數(shù)農(nóng)田位置較為偏遠(yuǎn)，獲取作物圖像以及長勢信息存在諸多不便。為了解決這一問題，近年來中國氣象局氣象探測中心研發(fā)了將圖像識別技術(shù)、自動采集技術(shù)、通信傳輸技術(shù)及信息處理技術(shù)相結(jié)合的作物長勢實時在線式遠(yuǎn)程監(jiān)測系統(tǒng)[16]?；谠撓到y(tǒng)，2015年、2016年先后實現(xiàn)了棉花[11]、夏玉米[4]等作物L(fēng)AI的自動實時反演。但目前尚未見該技術(shù)在雙季水稻LAI自動實時反演的應(yīng)用報道。

雙季水稻分蘗至抽穗期間的LAI是反映營養(yǎng)物質(zhì)形成與積累狀況的重要指標(biāo)，而此時期的雙季水稻LAI變化幅度最大。連續(xù)、實時地獲取雙季水稻分蘗至抽穗期的LAI，對及時掌握雙季水稻長勢和產(chǎn)量動態(tài)具有重要意義。由于雙季水稻植株相對玉米、棉花等高稈作物比較矮小、植株群體更密、植株和葉片受小氣候環(huán)境更易出現(xiàn)形態(tài)變化等原因，導(dǎo)致利用在線式圖像處理技術(shù)自動、高精度地提取雙季水稻CCP的難度相對較大。此外，雙季水稻田間水面對光線的折射、反射作用，容易造成圖像提取出的雙季水稻CCP在不同光照條件下出現(xiàn)突變[15]，進(jìn)而影響雙季水稻LAI反演的準(zhǔn)確率。2013年，Yu等提出了一種基于單高斯模型的作物顏色分割模型，試驗證明該方法能夠?qū)Σ煌庹障碌淖魑飯D像進(jìn)行準(zhǔn)確分割，能夠準(zhǔn)確地提取圖像中的作物像元，從而可以精確地獲取圖像中作物的CCP[17]。

本研究基于在線式雙季水稻長勢自動監(jiān)測系統(tǒng)實時獲取稻田實景圖像，應(yīng)用Yu等提出的圖像處理技術(shù)[17]，計算雙季水稻逐日的CCP，然后分析雙季水稻CCP變化特征及其與LAI之間的關(guān)系，建立雙季水稻CCP與LAI的關(guān)系模型，最后結(jié)合LAI實測數(shù)據(jù)對圖像反演的LAI進(jìn)行精度及適用性檢驗和分析。

1 材料與方法

1.1 試驗區(qū)概況

本研究試驗區(qū)位于江西省南昌縣，地處南昌市南部，屬于亞熱帶季風(fēng)氣候，地勢平坦，為我國典型的雙季水稻產(chǎn)區(qū)。試驗區(qū)設(shè)在具有代表性的百畝連片雙季稻產(chǎn)區(qū)（116°12′6″E、28°38′58″N）之中，總面積約為0.5 km×0.5 km。

1.2 雙季水稻圖像的獲取

試驗區(qū)內(nèi)架設(shè)中國氣象局氣象探測中心研發(fā)的作物長勢實時在線式遠(yuǎn)程監(jiān)測系統(tǒng)[11]，自動獲取雙季水稻稻田實景圖像。CCD相機(jī)型號是OLYMPUS E-450。設(shè)置的光圈值為f/5.6，曝光時間為1/160s，焦距為16 mm。CCD相機(jī)固定在距離地面垂直高度5 m處。圖像采集時段包含雙季水稻的分蘗期、拔節(jié)孕穗期、抽穗期。采集時間是每天09：00—16：00，整點自動拍攝1次，每天共計8個時次。采集得到的圖像大小是3 648像素×2 736像素，以JPEG格式存儲。剔除太陽耀邦時間和陰雨天氣影響的圖像后，得到雙季早稻2011年、2012年、2013年圖像樣本數(shù)據(jù)分別為450、606、424個，雙季晚稻3年圖像樣本數(shù)據(jù)分別為505、400、445個。圖像資料采用4G無線網(wǎng)絡(luò)進(jìn)行實時傳輸。

1.3 雙季水稻CCP的提取和計算

通過基于單高斯模型的作物顏色分割方式[17]對雙季水稻圖像進(jìn)行分割（圖1），然后計算圖像中雙季水稻像素與總圖像像素的比值，作為整點實景圖像中的雙季水稻CCP。

然后將整點CCP轉(zhuǎn)化成日均CCP：

y=1n∑8i=1yi。

（1）

式中：y表示日均CCP;yi表示整點CCP;i為觀測時次;n為總觀測時次，取值為8。

1.4 雙季水稻LAI的獲取

在試驗區(qū)域中，在距田地邊緣2 m以上處設(shè)置4個固定測點，每次取樣時在各個測點隨機(jī)選取10莖，共40莖作為樣本。使用美國LI-COR（Li-3000c）便攜式葉面積儀對雙季水稻分蘗至抽穗期的LAI進(jìn)行觀測。2012年雙季水稻LAI的觀測頻次為2 d/次，得到雙季早稻LAI樣本數(shù)據(jù)22個、雙季晚稻LAI樣本數(shù)據(jù)28個，用于構(gòu)建模型。2011年、2013年的觀測時間在分蘗普期、孕穗普期和抽穗普期，得到雙季早稻、雙季晚稻的LAI樣本數(shù)據(jù)各3個，用于模型檢驗。

2 結(jié)果與分析

2.1 雙季水稻CCP變化特征

2011—2013年，分別于4月下旬和7月下旬播種早稻、晚稻。早稻、晚稻品種分別為常規(guī)秈稻嘉育948和常規(guī)秈稻926。早稻、晚稻的分蘗期、拔節(jié)孕穗期、抽穗期的時段如表1所示。

將2011—2013年早稻、晚稻分蘗至抽穗期間同一階段的日均CCP取平均，得到雙季水稻CCP的逐日變化趨勢圖（圖2）。圖2表明，早稻、晚稻分蘗至抽穗期的CCP總體變化趨勢是一致的，均表現(xiàn)為分蘗期快速上升，拔節(jié)孕穗期與抽穗期的CCP比較穩(wěn)定，維持在90%上下浮動。但各個生育期內(nèi)的早晚稻CCP變化特點略有不同：在分蘗期，早稻CCP的日增長速率約為6%，略快于晚稻的日增長速率（5%左右）;在拔節(jié)孕穗期，早稻CCP的變異系數(shù)為3.91，大于晚稻（279）;在抽穗期，早稻多日平均CCP達(dá)96%，晚稻約為90%，兩者相近。

2.2 雙季水稻LAI的變化特征

2012年雙季水稻LAI觀測資料（圖3）顯示，早稻、晚稻LAI的逐日變化趨勢與CCP的變化趨勢比較一致，均在分蘗期快速上升，拔節(jié)孕穗期與抽穗期變化不大。此外，在不同生育期內(nèi)，早稻、晚稻的變化特點也是比較一致的。在分蘗期，早稻LAI的日增長速率約為0.46，略快于晚稻的日增長速率（0.39）;在拔節(jié)孕穗期，早稻LAI的變異系數(shù)為7.06，小于晚稻（15.02）;在抽穗期，早稻多日平均LAI為4.43，晚稻為 4.36，兩者差異不大。

2.3 雙季水稻CCP與LAI的關(guān)系

2.3.1 雙季水稻CCP與LAI的關(guān)系模型 由于葉片存在一定的傾角和葉片之間的相互遮擋，作物的LAI與CCP之間的關(guān)系是非線性的[11]。2012年雙季水稻CCP和LAI的散點圖表明，兩者存在高度相關(guān)的指數(shù)函數(shù)關(guān)系（圖4）。

因此，以指數(shù)函數(shù)為模型，以CCP為自變量，估測早稻、晚稻的逐日LAI：

y′=0.732 1e1.903 3x′，R2=0.970 6;

（2）

y″=0.066 8e4.438 9x″，R2=0.853 4。

（3）

式中：y′和y″分別為早稻、晚稻的逐日LAI;x′和x″分別為早稻、晚稻的逐日CCP。式（2）、式（3）均通過了0.05的顯著水檢驗。

2.3.2 模型檢驗 利用南昌縣2012年資料建立的模型和2011年、2013年雙季水稻CCP數(shù)據(jù)計算LAI的模擬值，并與2011年、2013年分蘗至抽穗期的LAI實測值進(jìn)行比較，檢驗?zāi)Ｐ偷目煽啃裕▓D5、表2）。

圖5、表2表明，早稻、晚稻的LAI實測值與模擬值的線性相關(guān)系數(shù)分別為0.95、0.97，吻合性較好，且均通過了0.01極顯著水平檢驗;均方根誤差分別為0.34、0.47，平均絕對誤差分別為0.59、0.34，模擬精度較高。

3 討論與結(jié)論

本研究利用農(nóng)業(yè)氣象自動觀測系統(tǒng)實時獲取的雙季水稻逐日CCP信息，分析了雙季水稻分蘗至抽穗期的CCP變化特征，以及雙季水稻CCP與LAI之間的關(guān)系，建立了CCP與LAI的關(guān)系模型，實現(xiàn)雙季水稻逐日LAI的圖像反演，并對反演數(shù)據(jù)進(jìn)行了檢驗，得出以下結(jié)論：（1）雙季水稻分蘗期CCP增長迅速，在拔節(jié)孕穗期達(dá)到峰值，拔節(jié)孕穗期至抽穗期CCP相對穩(wěn)定。雙季水稻CCP圖像識別結(jié)果符合雙季水稻生長特征，并與葉面積指數(shù)變化趨勢一致。（2）早稻、晚稻CCP與LAI之間呈顯著的指數(shù)關(guān)系，決定系數(shù)分別為0.970 6、0.853 4，模擬精度較高。根據(jù)雙季水稻CCP數(shù)據(jù)反演得到的LAI與實測LAI具有極顯著的線性關(guān)系，決定系數(shù)分別為095、0.97，均方根誤差分別為0.34、0.47，模擬效果較好。

綜上所述，本研究提出的雙季水稻葉面積指數(shù)在線式圖像反演方法有利于減少人工觀測的工作量，同時較好地解決了每次采樣造成的田間作物損壞以及因農(nóng)田位置偏遠(yuǎn)實時獲取雙季水稻葉面積指數(shù)困難等問題，是一種新的水稻葉面積指數(shù)自動、無損估測方法，可為雙季水稻葉面積指數(shù)實時、快速估測提供技術(shù)支持。但本研究尚未對抽穗期后的覆蓋度和葉面積指數(shù)變化特點進(jìn)行分析，且研究中只有南昌縣1個雙季早稻和1個雙季晚稻品種的觀測數(shù)據(jù)，觀測資料有限。因此，本研究所構(gòu)建的模型僅適用于采取移栽方式種植的常規(guī)秈稻嘉育948和常規(guī)秈稻926分蘗至抽穗期的葉面積指數(shù)反演。此外，水稻品種、種植方式對葉面積指數(shù)的圖像反演有明顯影響。后期擬將開展全生育期、多品種、不同種植方式下的水稻覆蓋度和葉面積指數(shù)的觀測試驗，盡可能獲取較為全面、系統(tǒng)的觀測資料，提高模型的適用性。

參考文獻(xiàn)：

[1]李榮春，陶洪斌，張竹琴，等. 基于圖像處理技術(shù)的夏玉米群體長勢監(jiān)測研究[J]. 玉米科學(xué)，2010，18（2）：128-132.

[2]王秀芳. 主要農(nóng)作物生長特征參數(shù)自動化觀測技術(shù)研究[D]. 成都：成都信息工程學(xué)院，2012.

[3]程武學(xué)，潘開志，楊存建. 葉面積指數(shù)（LAI）測定方法研究進(jìn)展[J]. 四川林業(yè)科技，2010，31（3）：51-54，78.

[4]李翠娜，張雪芬，余正泓，等. 基于圖像提取技術(shù)計算夏玉米覆蓋度和反演葉面積指數(shù)的精度評價[J]. 中國農(nóng)業(yè)氣象，2016，37（4）：479-491.

[5]白曉東. 基于圖像的水稻關(guān)鍵發(fā)育期自動觀測技術(shù)研究[D]. 武漢：華中科技大學(xué)，2014.

[6]李萬春，田 燕，王鵬云. 基于常規(guī)掃描儀的植物葉面積計算系統(tǒng)[J]. 氣象，2004，30（8）：39-41.

[7]王曉彬，張仁祖，費 松，等. 利用掃描儀測量作物葉面積的模式選擇與實現(xiàn)技術(shù)[J]. 氣象科技，2016，44（4）：675-679.

[8]肖 強(qiáng)，葉文景，朱 珠，等. 利用數(shù)碼相機(jī)和Photoshop軟件非破壞性測定葉面積的簡便方法[J]. 生態(tài)學(xué)雜志，2005，24（6）：711-714.

[9]孫 濤，劉振波，葛云健，等. 基于數(shù)碼相片Gamma校正的水稻葉面積指數(shù)估算[J]. 生態(tài)學(xué)報，2014，34（13）：3548-3557.

[10]蔣 霓. 單株水稻綠葉面積無損測量方法研究[D]. 武漢：華中科技大學(xué)，2014.

[11]何 姣，張雪芬，湯志亞，等. 棉花覆蓋度特征及與其他生長參數(shù)關(guān)系分析[J]. 氣象與環(huán)境科學(xué)，2015，38（2）：18-23.

[12]劉繼承. 基于數(shù)字圖像處理技術(shù)的水稻長勢監(jiān)測研究[D]. 南京：南京農(nóng)業(yè)大學(xué)，2007.

[13]Zhu Y J，Cao Z G，Lu H，et al. In-field automatic observation of wheat heading stage using computer vision[J]. Biosystems Engineering，2016，143：28-41.

[14]Zheng L Y，Shi D M，Zhang J T. Segmentation of green vegetation of crop canopy images based on mean shift and Fisher linear discriminant[J]. Pattern Recognition Letters，2010，31（9）：920-925.

[15]Bai X D，Cao Z G，Wang Y，et al. Crop segmentation from images by morphology modeling in the CIE L* a* b* color space[J]. Computers & Electronics in Agriculture，2013，99：21-34.

[16]張雪芬，王秀芳，李翠娜，等. 農(nóng)作物主要生長參數(shù)自動觀測技術(shù)綜述[J]. 氣象科技，2013，41（6）：1122-1127.

[17]Yu Z H，Cao Z G，Wu X，et al. Automatic image-based detection technology for two critical growth stages of maize：emergence and three-leaf stage[J]. Agricultural and Forest Meteorology，2013，174-175：65-84.

收稿日期：2018-10-30

基金項目：國家自然科學(xué)基金（編號：61701260）。

作者簡介：楊愛萍（1982—），女，廣東湛江人，碩士，副研級高級工程師，主要從事農(nóng)業(yè)氣象研究。E-mail：yap1114@163.com。