劉治開，牛亞曉，王 毅，韓文霆

(1. 西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，陜西楊凌 712100；2. 農(nóng)業(yè)部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)試驗(yàn)室，陜西楊凌 712100；3. 西北農(nóng)林科技大學(xué)水土保持研究所，陜西楊凌 712100)

冬小麥?zhǔn)俏覈?guó)主要的糧食作物之一，其種植面積大約占糧食作物總面積的22%，產(chǎn)量占糧食總產(chǎn)的20%以上[1]。株高是作物的重要生長(zhǎng)指標(biāo)，與生物量、LAI和產(chǎn)量有一定的相關(guān)性，合理的株高也是作物穩(wěn)產(chǎn)、高產(chǎn)的基礎(chǔ)[2-7]。目前，測(cè)定作物生長(zhǎng)指標(biāo)的方法有傳統(tǒng)地面測(cè)量法與間接測(cè)量法。地面測(cè)量法在時(shí)效性和便捷性方面明顯存在不足。間接測(cè)量方法為基于遙感和圖像系統(tǒng)的測(cè)量[8-14]。隨著遙感技術(shù)的快速發(fā)展，基于遙感的農(nóng)情監(jiān)測(cè)能夠快速、準(zhǔn)確估算作物的生長(zhǎng)指標(biāo)，已成為精準(zhǔn)農(nóng)業(yè)的重要內(nèi)容和研究熱點(diǎn)[15-16]。

在作物的生長(zhǎng)過程中，可用反射光譜和三維重建技術(shù)進(jìn)行株高監(jiān)測(cè)。在作物反射光譜監(jiān)測(cè)株高方面，李燕強(qiáng)等[18]利用地面高光譜相機(jī)獲取了小麥在不同波段的光譜反射率，并建立了小麥株高的估算適宜模型。隋學(xué)艷等[34]基于MODIS數(shù)據(jù)對(duì)山東省小麥進(jìn)行株高遙感估算，結(jié)果表明,光譜反射率與株高在紅光、短近紅外、藍(lán)光、綠光及長(zhǎng)近紅外共5個(gè)波段的相關(guān)性達(dá)到了極顯著水平。不同作物的生長(zhǎng)形態(tài)和冠層結(jié)構(gòu)存在很大差別，對(duì)光譜的反射和吸收也會(huì)有所不同，因此利用光譜反射率建立的株高估測(cè)模型通用性較差。用三維重建的方法對(duì)植物株高進(jìn)行監(jiān)測(cè)無需考慮植物種類、光譜差異等因素的影響，因而其可廣泛應(yīng)用于各種植物的株高監(jiān)測(cè)。如，應(yīng)用激光雷達(dá)測(cè)量森林樹木高度[17]；基于機(jī)載小光斑全波形LIDAR對(duì)玉米的株高進(jìn)行反演[19]；基于激光雷達(dá)獲取高粱和玉米的三維點(diǎn)云數(shù)據(jù)，分別建立了高粱和玉米的株高模型，通過該模型提取出的株高具有較高的精度[20]。通過機(jī)載激光雷達(dá)構(gòu)成的低空遙感平臺(tái)可快速、便捷地估算出研究區(qū)域內(nèi)的作物生長(zhǎng)指標(biāo)[21-25]；但昂貴的機(jī)載激光雷達(dá)傳感器制約了低空機(jī)載遙感平臺(tái)的發(fā)展。與此同時(shí)，相對(duì)廉價(jià)且技術(shù)成熟的RGB(Red Green Blue)高分辨率相機(jī)設(shè)備已經(jīng)廣泛地被應(yīng)用在無人機(jī)遙感監(jiān)測(cè)系統(tǒng)中[26]。通過在無人機(jī)上搭載高分辨率RGB數(shù)碼相機(jī)可以獲取試驗(yàn)區(qū)域的高清數(shù)碼影像，運(yùn)用動(dòng)態(tài)結(jié)構(gòu)算法[27]建立作物的數(shù)字表面模型(digital surface models, DSM)，通過數(shù)字表面模型可進(jìn)一步計(jì)算株高。近年來，許多學(xué)者基于無人機(jī)可見光遙感監(jiān)測(cè)系統(tǒng)建立的DSM開展作物株高估測(cè)研究。如，基于無人機(jī)可見光遙感系統(tǒng)獲取的影像點(diǎn)云數(shù)據(jù)建立甘蔗的作物DSM，通過作物DSM提取出甘蔗高度，并結(jié)合地面測(cè)量值建立甘蔗株高的估測(cè)模型[28]；用固定翼無人機(jī)搭載RGB數(shù)碼相機(jī)估算橄欖樹高[29]；基于無人機(jī)搭載數(shù)碼相機(jī)對(duì)獲取的大麥株高進(jìn)行分析，證實(shí)了從DSM中計(jì)算出的株高具有較高的精度，并且建立了基于大麥株高的生物量估算模型[30-32]；利用無人機(jī)搭載的高清數(shù)碼可見光相機(jī)對(duì)葡萄樹的樹冠進(jìn)行三維重建，估算樹高[33]。

目前，基于無人機(jī)遙感系統(tǒng)計(jì)算矮稈作物的研究鮮有報(bào)道。本研究以冬小麥為研究對(duì)象，使用多旋翼無人機(jī)搭載高清可見光數(shù)碼相機(jī)構(gòu)成的低空農(nóng)情信息遙感監(jiān)測(cè)系統(tǒng)，對(duì)冬小麥從拔節(jié)期至成熟期進(jìn)行了株高監(jiān)測(cè)，以探討利用數(shù)碼影像快速估算冬小麥株高的可行性。

1 材料與方法

1.1 試驗(yàn)區(qū)概況

試驗(yàn)區(qū)位于陜西省楊凌示范區(qū)西北農(nóng)林科技大學(xué)中國(guó)旱區(qū)節(jié)水農(nóng)業(yè)研究院冬小麥試驗(yàn)田(34°17′50.94″N，108°4′4.17″E)。楊凌地處關(guān)中平原中部，屬于暖溫帶半干旱或半濕潤(rùn)氣候，年平均氣溫11～13 ℃，年降水量500～700 mm。試驗(yàn)區(qū)共設(shè)有48個(gè)樣本單元小區(qū)(其中1個(gè)小區(qū)為對(duì)照區(qū)，無作物)，每個(gè)小區(qū)面積為16 m2(4 m×4 m)，小區(qū)間縱向過道寬2 m，橫向過道寬1 m，試驗(yàn)小區(qū)內(nèi)共種植3個(gè)小麥品種，分別為豐矮18、西農(nóng)389及晉麥47。其中，有12個(gè)小區(qū)種植豐矮18，19個(gè)小區(qū)種植西農(nóng)389，16個(gè)小區(qū)種植晉麥47。小區(qū)隨機(jī)排列。試驗(yàn)區(qū)具體分布見圖1。

1.2 地面數(shù)據(jù)觀測(cè)

在每個(gè)樣本單元的小區(qū)4個(gè)直角處以及中心處選取5株冬小麥，在抽穗期前，使用伸縮尺測(cè)量觀測(cè)點(diǎn)四周若干株小麥頂端葉尖的高度。在進(jìn)入抽穗期后，測(cè)量觀測(cè)點(diǎn)四周若干株小麥穗頂?shù)母叨?，取平均值作為該小區(qū)的平均株高。具體采集小麥株高方式見圖2。

1.3 無人機(jī)與遙感數(shù)據(jù)獲取

試驗(yàn)所用的四旋翼電動(dòng)無人機(jī)(精靈PHANTOM 4，大疆公司生產(chǎn))質(zhì)量(含電池及槳)約1 380 g，軸距350 mm，續(xù)航約28 min。相機(jī)的影像傳感器是1/2.3英寸CMOS，有效像素為1 240萬。數(shù)據(jù)采集選擇無風(fēng)晴朗的天氣，采集時(shí)間在北京時(shí)間10：00-14：00，飛行高度30 m，圖像縱向重疊度85%，旁向重疊度80%，獲得的影像空間分辨率為0.014 m。數(shù)碼相機(jī)設(shè)置為快門優(yōu)先，快門時(shí)間1/1 600，ISO設(shè)定200，白平衡選擇晴天模式。在冬小麥的物候期內(nèi)，總共在試驗(yàn)區(qū)域內(nèi)采集6次數(shù)據(jù)，采集時(shí)間分別為2017年12月6日、2018年4月4日、4月18日、4月29日、5月16日和5月29日。數(shù)據(jù)采集時(shí)，無人機(jī)按照設(shè)定好的航線和參數(shù)自動(dòng)巡航并獲取圖像。每張高清數(shù)碼圖像包含拍攝時(shí)刻的經(jīng)度、緯度、高度、偏航角、俯仰角及旋轉(zhuǎn)角等空間位置和姿態(tài)信息。受機(jī)載GPS定位誤差的影響，飛行時(shí)航線可能會(huì)發(fā)生輕微偏移，從而增加飛行所需的航帶數(shù)，因此每次采集的圖像數(shù)量會(huì)有所不同。各次圖像采集數(shù)量和對(duì)應(yīng)的小麥物候期見表1。借助Pix4Dmapper軟件進(jìn)行無人機(jī)高清數(shù)碼圖像的拼接處理，基于POS數(shù)據(jù)和對(duì)應(yīng)的無人機(jī)高清數(shù)碼影像進(jìn)行影像拍攝時(shí)刻空間姿態(tài)的還原，并生成飛行區(qū)域內(nèi)的稀疏點(diǎn)云；基于稀疏點(diǎn)云建立空間格網(wǎng)，導(dǎo)入GCP對(duì)應(yīng)的三維空間坐標(biāo)信息添加在空間格網(wǎng)中，對(duì)影像進(jìn)一步優(yōu)化，生成具有精確空間信息的稀疏點(diǎn)云；基于具有空間信息的稀疏點(diǎn)云進(jìn)行飛行區(qū)域內(nèi)的密集點(diǎn)云構(gòu)建，生成飛行區(qū)域的3D多邊形格網(wǎng)，即飛行區(qū)域內(nèi)的表面幾何結(jié)構(gòu)，構(gòu)建其空間紋理信息。最終生成試驗(yàn)區(qū)作物的數(shù)字表面模型(DSM)。步驟具體如圖3 所示。

圖1 試驗(yàn)區(qū)分布示意圖

圖2 小麥株高測(cè)量

物候期 Growing stage時(shí)間 Date影像數(shù) Number of image拔節(jié)期 Jointing stage4月4日 April 440抽穗期 Heading stage4月18日April 1841灌漿期 Filling stage4月29日April 2940灌漿期 Filling stage5月16日 May 1642成熟期 Maturity5月29日 May 2940

12月6日拍攝的數(shù)據(jù)為地面裸土數(shù)據(jù)，用于建立試驗(yàn)區(qū)域的DSM,在表中未列出。

Data on December 6 was bare soil data, and it was used for building the terrain of the experimental area，and was not listed in the table.

1.4 地面控制點(diǎn)設(shè)置

為保證圖像拼接精度，在航拍時(shí)需設(shè)置地面控制點(diǎn)(ground control point, GCP)。由于試驗(yàn)區(qū)域地勢(shì)較平坦，沒有太大的高低起伏變化。故本次試驗(yàn)設(shè)置4個(gè)地面控制點(diǎn)，由0.3 m×0.3 m的黑白格木板組成。試驗(yàn)采用RTK(real-time kinematic，實(shí)時(shí)動(dòng)態(tài))載波相位差分技術(shù)獲取地面控制點(diǎn)坐標(biāo)及高程，試驗(yàn)儀器為科力達(dá)公司生產(chǎn)的X5plus。具體布設(shè)見圖1。

1.5 數(shù)據(jù)處理

1.5.1 作物表面模型建立

通過無人機(jī)航拍獲得的RGB照片建立作物數(shù)字表面模型DSM，主要有以下步驟(圖3)：(1)無人機(jī)航拍獲取高清數(shù)碼圖像；(2)全面初始化處理；(3)點(diǎn)云和紋理生成；(4)輸出DSM。步驟 (2)～(4)主要在Pix4D3.1中完成。

圖3 基于DSM提取冬小麥株高的主要步驟示意圖

在建立DSM的過程中，正射校正后的DSM在控制點(diǎn)處的高程與實(shí)測(cè)高程偏差較大，則需要調(diào)整相機(jī)模型并重新定位控制點(diǎn)在圖像上的位置，使軟件系統(tǒng)重新計(jì)算的控制點(diǎn)位置能夠與實(shí)際位置一一對(duì)應(yīng)后再進(jìn)行建模。

1.5.2 小麥株高計(jì)算

圖4為基于無人機(jī)可見光影像提取小麥株高的原理圖。其中，在冬小麥播種后至出苗前，獲取試驗(yàn)區(qū)域的高清無人機(jī)數(shù)碼影像，結(jié)合GCP，建立試驗(yàn)區(qū)域的DSM，即DSM0。將各個(gè)生育時(shí)期小麥的DSM減去試驗(yàn)區(qū)DSM0后得到作物高度模型(crop height model，CHM)，并根據(jù)小區(qū)范圍繪制矩形感興趣區(qū)域(area of interest，AOI)。繪制AOI時(shí)，每條邊與小區(qū)邊緣預(yù)留1 m，以排除邊界的干擾。最后通過CHM分區(qū)統(tǒng)計(jì)出每個(gè)小區(qū)的小麥平均株高。

1.6 精度分析

對(duì)從CHM中提取的冬小麥平均株高與地面觀測(cè)值進(jìn)行線性回歸分析，并采用決定系數(shù)R2與均方根誤差RMSE來評(píng)估模型的精度。R2越大，模型擬合性越好；RMSE越小，模型的估測(cè)精度越高。

2 結(jié)果與分析

2.1 基于CHM計(jì)算株高與地面測(cè)量結(jié)果

由圖5可知，從拔節(jié)期至灌漿期，冬小麥株高呈線性快速增長(zhǎng)趨勢(shì)，進(jìn)入灌漿期后，株高變化趨化較小，且在物候期末期冬小麥株高有所降低。5月16日與5月29日的冬小麥株高總體低于4月29日，這主要因?yàn)槎←溤谶M(jìn)入灌漿期后，小麥籽粒逐漸成熟飽滿，麥穗質(zhì)量增加，變重的麥穗在垂直于地面的方向上發(fā)生一定程度的彎曲，在物候期末期造成其株高變矮。

圖4 小麥株高計(jì)算原理

2.2 基于CHM提取冬小麥株高的精度

對(duì)小麥不同生育時(shí)期的株高提取值與地面實(shí)測(cè)值進(jìn)行線性擬合，結(jié)果(圖6)表明，在拔節(jié)期至灌漿期，三個(gè)冬小麥品種的提取效果較好，決定系數(shù)R2均高于0.80，RMSE均小于5 cm，其中西農(nóng)389的提取效果最好，而晉麥47的提取效果相對(duì)較差；在灌漿期至成熟期，三個(gè)冬小麥品種的提取效果較差，決定系數(shù)R2均低于0.80，其中豐矮18和西農(nóng)389的R2分別為0.49和0.47，晉麥47的提取效果相對(duì)較好，R2為0.75。出現(xiàn)這種情況主要與各小麥品種的冠層覆蓋度[25]有關(guān)。在拔節(jié)期至灌漿期，冬小麥植株變高，葉片面積增加，冠層覆蓋度增加，因此在CHM中株高的提取效果較好；而在灌漿期至成熟期，冬小麥葉片逐漸卷曲枯萎，造成覆蓋度有所降低，導(dǎo)致株高的提取效果變差。

為了檢驗(yàn)CHM從拔節(jié)期至成熟期對(duì)冬小麥株高的整體監(jiān)測(cè)能力，經(jīng)對(duì)冬小麥株高的所有提取值與地面實(shí)測(cè)值進(jìn)行線性回歸分析，決定系數(shù)R2為0.82，RMSE為4.31 cm(圖7)，說明提取值與實(shí)際值較為接近，精度較高，表明基于無人機(jī)影像數(shù)據(jù)建立冬小麥的CHM來獲取一定區(qū)域內(nèi)的冬小麥平均株高的方法是可行的。

圖5 由CHM提取的冬小麥株高

3 討 論

通過遙感快速估測(cè)作物的株高對(duì)于現(xiàn)代農(nóng)業(yè)的精細(xì)化管理意義重大，但現(xiàn)有的此方面研究多集中于植株較高的作物[14-18]，對(duì)植株較矮作物的株高快速提取較少。本研究利用無人機(jī)搭載高清數(shù)碼相機(jī)構(gòu)成的低空遙感平臺(tái)，可高效、便捷、及時(shí)地獲取冬小麥各生育時(shí)期的植株高度，計(jì)算結(jié)果與前人研究基本相同[31-32]，可為冬小麥的田間管理和產(chǎn)量預(yù)測(cè)提供參考。同時(shí)，本研究進(jìn)一步分析表明，在拔節(jié)期至灌漿期，利用無人機(jī)搭載的遙感平臺(tái)對(duì)小麥株高的監(jiān)測(cè)能力較高，而在灌漿后期至成熟期則較差，而且檢測(cè)效果在品種間也存在差異。通過對(duì)CHM中提取株高與地面實(shí)測(cè)值的誤差分析發(fā)現(xiàn)，整個(gè)試驗(yàn)期間冬小麥的平均株高誤差分布在-10～9 cm范圍，由CHM提取出的株高與地面真實(shí)值的相對(duì)誤差分布在 17.64%～19.60%范圍；提取株高的誤差平均值為0.19 cm，標(biāo)準(zhǔn)差為3.4 cm。5次試驗(yàn)地面觀測(cè)的冬小麥樣本單元的平均株高高于由CHM提取得到的平均株高。該現(xiàn)象產(chǎn)生的主要原因是由于從CHM中提取出的平均株高是整個(gè)樣本區(qū)域的像素單元的高程(植株頂部葉尖或穗尖高度)平均值，而地面觀測(cè)到的株高是樣本單元內(nèi)觀測(cè)點(diǎn)周圍若干株冬小麥株高的平均值，二者在樣本選擇上存在差異。另一個(gè)誤差來源是在樣本單元內(nèi)，較矮的冬小麥植株被較高的植株葉片覆蓋，所以在CHM中，大部分像素單元只包含了較高冬小麥植株的高度信息，沒有較矮的植株高度信息，而有的像素包含了雜草、地面等物體的高程，因此在對(duì)每個(gè)樣本單元的冬小麥進(jìn)行分區(qū)統(tǒng)計(jì)計(jì)算平均株高時(shí)，造成了一定程度的干擾和誤差。

圖6 基于CHM提取的冬小麥株高與實(shí)測(cè)株高的對(duì)應(yīng)關(guān)系

圖7 由CHM提取的株高與實(shí)測(cè)株高關(guān)系

總之，由于算法和圖像分辨率等問題，基于無人機(jī)遙感的冬小麥高度模型計(jì)算出的株高總體上低于地面觀測(cè)的小麥樣本單元的總體平均株高。因此，未來需要進(jìn)一步提高機(jī)栽相機(jī)分辨率和改進(jìn)動(dòng)態(tài)結(jié)構(gòu)算法，以提高小麥株高的估算精度。另外，建立CHM及提取冬小麥株高時(shí)，其步驟較為繁雜，可以基于模式識(shí)別及機(jī)器學(xué)習(xí)等嘗試開發(fā)智能算法對(duì)數(shù)據(jù)進(jìn)行處理，為未來的農(nóng)業(yè)自動(dòng)化精準(zhǔn)管理提供參考。