徐 權(quán)，郭 鵬※，祁佳峰，汪傳建，張國順

（1. 石河子大學理學院，石河子 832003；2. 兵團空間信息工程技術(shù)研究中心，兵團空間信息工程實驗室，石河子 832003）

0 引 言

作物估產(chǎn)對保障國家糧食安全、經(jīng)濟政策制定和農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義[1]。棉花是中國重要的經(jīng)濟作物，及時了解棉花的長勢和產(chǎn)量，不僅對加強其生產(chǎn)管理和生產(chǎn)計劃安排有利，也對棉花外貿(mào)和進出口計劃制定有直接幫助，便于農(nóng)業(yè)部門提前實施相應(yīng)的管理與決策，獲得更好的經(jīng)濟及環(huán)境效益[2-3]。

隨著信息技術(shù)的不斷發(fā)展，對作物產(chǎn)量的估算研究已經(jīng)從傳統(tǒng)的地面測量發(fā)展到了多維時空的遙感估算[4]。遙感技術(shù)由于具有宏觀性強、獲取信息快、感測范圍廣等特點，已被廣泛應(yīng)用于農(nóng)業(yè)研究當中[5-8]。針對棉花產(chǎn)量的估算，國內(nèi)外眾多學者也展開了卓有成效的研究[9-13]。Haghverdi 等[14]利用 Landsat 8 遙感數(shù)據(jù)，通過人工神經(jīng)網(wǎng)絡(luò)和作物物候指標預(yù)測了美國田納西州西部的棉花皮棉產(chǎn)量。 Dalezios 等 [15] 利用NOAA/AVHRR 衛(wèi)星數(shù)據(jù)，建立了棉花生長季內(nèi)時間序列的NDVI 模型以估算產(chǎn)量。莊麗等[16]通過分析棉花產(chǎn)量與冠層光譜指數(shù)之間的相關(guān)性，建立了基于高光譜成像的棉花估產(chǎn)模型。劉煥軍等[17]利用時間序列的Landsat遙感影像，采用相關(guān)分析和線性回歸方法對植被指數(shù)與實測產(chǎn)量數(shù)據(jù)的關(guān)系進行了分析，建立了棉花產(chǎn)量預(yù)測模型，對美國加州圣華金河谷種植區(qū)的棉花產(chǎn)量進行了預(yù)測。由此可見，利用衛(wèi)星影像和時間序列數(shù)據(jù)對棉花產(chǎn)量估算是一種行之有效的方法，但在實際估產(chǎn)應(yīng)用中，高空遙感影像受下墊面、大氣效應(yīng)、作物物候等影響較大，估產(chǎn)精度有待進一步提高[18]。而無人機遙感空間分辨率高、獲取數(shù)據(jù)快、操作簡單、成本低，能夠快速針對某一區(qū)域進行影像采集，獲取更精確的作物分布信息，成為航空遙感和衛(wèi)星遙感的重要補充，對作物監(jiān)測技術(shù)的發(fā)展和應(yīng)用具有重大意義，眾多學者也利用無人機開展了大量研究工作[19-21]。

但遙感估產(chǎn)方法易受大氣效應(yīng)和作物物候等影響，估產(chǎn)精度有待提高，結(jié)合棉花出苗和生長狀態(tài)監(jiān)測的估產(chǎn)研究相對較少，本研究利用無人機高分辨率遙感影像，提出一種基于出苗株數(shù)并結(jié)合生長過程狀態(tài)的棉花估產(chǎn)理念和方法，構(gòu)建了基于苗鈴生長趨勢的SEGT（Seedling Emergence and Growth Trend）估產(chǎn)模型，以期為棉花估產(chǎn)提供新的研究思路。

1 研究區(qū)概況

研究區(qū)位于新疆生產(chǎn)建設(shè)兵團第八師石河子墾區(qū)（86°01′00″～86°01′50″E，44°29′30″～44°30′00″N），如圖 1 所示。第八師石河子墾區(qū)地處天山北麓中段，古爾班通古特大沙漠南緣，該地區(qū)地勢平坦，平均海拔450.8 m，自東南向西北傾斜，屬于典型的溫帶大陸性氣候，冬季長而嚴寒，夏季短而炎熱，年平均氣溫在6.5～7.2 ℃之間，氣溫北部低，南部高，年降水量在125.0～207.7 mm 之間，無霜期為168～171 d，日照充沛，年日照時數(shù)為2 721～2 818 h。該地區(qū)生態(tài)氣候條件獨特，耕地平整連片，條田建設(shè)規(guī)范，棉花種植的機械化和規(guī)模化水平較高，適宜實施遙感估產(chǎn)和精準農(nóng)業(yè)。

圖1 研究區(qū)示意圖Fig.1 Sketch diagram of study area

2 研究方案

首先借助無人機可見光影像數(shù)據(jù)，通過計算植被指數(shù)與大津法、形態(tài)學濾波相結(jié)合的方法，獲取研究區(qū)內(nèi)每株棉花的空間位置；然后利用無人機多光譜時間序列影像數(shù)據(jù)，分析各時期歸一化差異植被指數(shù) NDVI（Normalized Difference Vegetation Index）與實際產(chǎn)量的相關(guān)特征，構(gòu)建棉花生長狀態(tài)圖，并對生長狀態(tài)進行等級劃分，反演每株棉花的預(yù)測成鈴數(shù)；最后結(jié)合棉花單鈴質(zhì)量構(gòu)建 SEGT 模型進行棉花產(chǎn)量估算，并根據(jù)實測產(chǎn)量進行模型精度驗證。研究方案如圖2 所示。

圖2 技術(shù)路線圖Fig.2 Technology roadmap

2.1 無人機影像數(shù)據(jù)獲取與處理

本研究分別采用無人機可見光和多光譜影像開展試驗，其中可見光影像由大鵬CW-10 垂直起降固定翼無人機平臺搭載佳能EF-M18-55 相機獲得，佳能相機可獲得RGB 三通道灰度圖像，空間分辨率為2.5 cm；多光譜影像由eBee SQ 無人機搭載Parrot Sequoia 傳感器獲得，空間分辨率為 10 cm。棉花苗的提取對影像分辨率要求極高，因此試驗中沒有使用Parrot Sequoia 自帶的可見光影像，而是選用空間分辨率更高的佳能相機。無人機可見光影像于2018 年5 月23 日上午11 點拍攝，多光譜影像分別于2018 年6 月至8 月拍攝，共10 期數(shù)據(jù)，數(shù)據(jù)采集時天氣情況良好，無風，無人機飛行高度150 m，航向重疊度為80%，旁向重疊度為 60%。無人機影像數(shù)據(jù)通過 Pix4Dmapper 軟件進行影像拼接和正射校正，處理后影像以TIFF 格式存儲各通道的灰度信息，每個通道包含8 bit 信息，投影方式為WGS_1984_UTM_zone_45N。

2.2 地面實測數(shù)據(jù)獲取

地面實測數(shù)據(jù)主要包括棉花的真實出苗信息和實際產(chǎn)量，用于模型的構(gòu)建和結(jié)果的驗證。試驗在研究區(qū)內(nèi)均勻劃定了60 個3 m × 3 m 的樣地，其中40 個試驗樣區(qū)，20 個驗證樣區(qū)（詳細分布見圖1）。為準確記錄各個樣區(qū)的位置，分別在每個樣區(qū)中心插入一根花桿，并在花桿頂端放置一個紅色圓盤，以便可以更準確地在影像中找到樣區(qū)位置。試驗于2018 年5 月23 日進行，利用手持GPS 采集并記錄60 個樣區(qū)內(nèi)棉花苗的數(shù)量和空間位置，共計采集5 291 株棉花苗。將實測數(shù)據(jù)與提取結(jié)果進行對比，對棉花苗提取結(jié)果進行精度評價。試驗選用的棉花品種為新陸早 64 號，是新疆兵團第八師種植面積最廣的品種之一，該品種屬于早熟陸地棉常規(guī)產(chǎn)品，生育期 123 d，株型為塔型，莖稈堅硬抗倒伏，生長穩(wěn)健，葉片中等大小，葉上舉，通透性好。鈴卵圓形，較大，吐絮暢，宜機采，衣分 43.6%左右，纖維長度約30 mm，馬克隆值4.2，整齊度85.5%。棉花產(chǎn)量在吐絮期已經(jīng)基本形成，測產(chǎn)一般都在該時期內(nèi)進行，試驗于2018 年9 月20 日開展測產(chǎn)工作，利用天平稱量并記錄 60 個樣區(qū)收獲的籽棉質(zhì)量，產(chǎn)量調(diào)查結(jié)果用于構(gòu)建模型和驗證估產(chǎn)精度。

2.3 棉花出苗位置與株數(shù)計算

鑒于棉花植株與裸土在影像中存在明顯差異，本試驗利用植被指數(shù)和大津法相結(jié)合的閾值檢測方法確定棉花苗的空間位置，并利用數(shù)學形態(tài)學濾波進行降噪處理。

2.3.1 植被指數(shù)的篩選

植被指數(shù)可以根據(jù)綠色植物在各個波段不同的反射和吸收特性，對所獲取的波段進行運算，以增強植被信息，其本質(zhì)是在綜合考慮各光譜信號的基礎(chǔ)上，把多波段反射率進行數(shù)學變換，從而形成一些表征植被參數(shù)的數(shù)值[22]。相對于衛(wèi)星遙感影像，搭載佳能數(shù)碼相機獲取的無人機影像由于缺少近紅外波段，只能借助可見光波段構(gòu)建植被指數(shù)來提取棉花信息。常用于表征植被信息的指數(shù)有過綠減過紅指數(shù)（Excess Green-Excess Red）[23]，可見光波段差異植被指數(shù)（Visible-Band Difference Vegetation Index，VDVI）[24]，歸一化綠紅差異指數(shù)（Normalized Green-Red Difference Index，NGRDI）[25]，歸一化綠藍差異指數(shù)（Normalized Green-Blue Difference Index，NGBDI）[26]等，具體計算如表1 所示。

表1 常用可見光植被指數(shù)Table 1 Usual visible vegetation indices

2.3.2 灰度閾值法與降噪

大津法能使類間方差達到最大時的閾值自動確定為最佳閾值，本研究利用ENVI 軟件中的Class Activation to Pixel ROI 工具，選擇OTSU 算法，對植被指數(shù)灰度處理后的圖像進行二值化處理，獲取棉花的出苗信息。

圖像濾波可以簡化圖像數(shù)據(jù)，保持圖像基本形狀特征，并除去不相干的結(jié)構(gòu)，可進行噪聲抑制、邊緣檢測、圖像分割和形狀識別等處理。通過ExG-ExR 指數(shù)和大津法相結(jié)合可以得到較好的棉花苗提取結(jié)果，但圖像仍存在少量噪點，本研究采用數(shù)學形態(tài)學濾波來解決這個問題，利用ENVI 軟件中的Convolutions and Morphology 工具進行卷積運算，卷積核大小為3（Kernel size=3×3，像素），濾波的重復(fù)次數(shù)為1（Cycles=1）。

2.3.3 精度評價

采用精確率（Precision）、召回率（Recall）、F1值3 個指標對植被指數(shù)的提取結(jié)果進行精度評價。

式中 TP 為正確提取的棉花苗數(shù)量，F(xiàn)P 為錯誤提取的棉花苗數(shù)量，F(xiàn)N 為未被提取的棉花苗數(shù)量。

2.4 棉花生長狀態(tài)與結(jié)鈴數(shù)等級劃分

植被指數(shù)能夠綜合不同遙感波段下的植被反射特性，與作物生物量、葉面積指數(shù)等存在極強的相關(guān)關(guān)系，因此許多研究經(jīng)常使用植被指數(shù)評價作物的生長狀態(tài)[27]，其中NDVI（Normalized Difference Vegetation Index）是監(jiān)測植被覆蓋情況和生長狀況的最佳遙感指數(shù)[28]。因此本文利用無人機多光譜時間序列影像，通過分析各期棉花 NDVI 與實際產(chǎn)量之間的相關(guān)特征，確定各期 NDVI在生長狀態(tài)評級中的權(quán)重，構(gòu)建能夠整體反映棉花生長狀態(tài)的綜合植被指數(shù)CNDVI（Comprehensive Normalized Difference Vegetation Index）CNDVI 值越大，棉花生長狀態(tài)越好，CNDVI 定義如下：

式中ai代表不同時期NDVI 的權(quán)重；j代表多光譜影像期數(shù)，j=10。根據(jù)每期NDVI 與實際產(chǎn)量的相關(guān)系數(shù)大小占相關(guān)系數(shù)總和的比例獲得。

根據(jù)得到的CNDVI 指數(shù)，參考李敏等[29]研究成果，利用自然間斷點分級法對棉花生長狀態(tài)進行等級劃分，并結(jié)合當?shù)貙嶋H情況，將棉花分為 3 個等級，分別為一等苗、二等苗、三等苗。一等苗指發(fā)育正常且健壯的苗；二等苗指比正常苗偏小偏弱的苗；三等苗指病苗、小苗和弱苗。不同的生長狀態(tài)等級，對應(yīng)不同的棉鈴數(shù)，也對應(yīng)了不同的預(yù)估產(chǎn)量區(qū)間。針對分級后的CNDVI數(shù)據(jù)，于2019 年8 月29 日棉花吐絮期通過GPS 定位在研究區(qū)60 個樣區(qū)內(nèi)實地測算不同生長狀態(tài)等級下的棉鈴數(shù)，根據(jù)實際調(diào)查情況，CNDVI 值越大，棉花結(jié)鈴數(shù)越多，結(jié)鈴數(shù)大于12 個和小于6 個的植株數(shù)量相對較少，約占總數(shù)的 5%，不具有代表性，因此最終確定一等苗對應(yīng) 12個棉鈴，二等苗對應(yīng)9 個棉鈴，三等苗對應(yīng)6 個棉鈴。

3 估產(chǎn)模型構(gòu)建與精度驗證

3.1 估產(chǎn)模型構(gòu)建

棉花產(chǎn)量估算模型定義如下：

式中SEGT 為區(qū)域內(nèi)棉花單位面積估測產(chǎn)量，kg/hm2；n代表棉花生長狀態(tài)等級，n=3；Ci代表不同生長狀態(tài)等級下棉花苗數(shù)量；Qi代表對應(yīng)等級下單株棉鈴數(shù)量；W代表單個棉鈴質(zhì)量，kg；S代表區(qū)域面積，hm2。

試驗用棉花品種的單鈴實測質(zhì)量約6.3 g，因此W取值為0.006 3 kg，棉花產(chǎn)量估算公式為

式中C1、C2、C3分別代表一等苗、二等苗、三等苗的數(shù)量。

3.2 估產(chǎn)模型驗證

用實測產(chǎn)量對估產(chǎn)結(jié)果進行驗證，選取統(tǒng)計學中常用的決定系數(shù)（R2）、均方根誤差（RMSE）和相對誤差（ME）3 個指標評價模型估產(chǎn)效果。

4 結(jié)果與分析

4.1 棉花出苗提取結(jié)果分析

棉花苗提取是構(gòu)建SEGT 模型的一個關(guān)鍵環(huán)節(jié)，在很大程度上影響最終的估產(chǎn)結(jié)果，因此棉花苗的提取結(jié)果準確性至關(guān)重要。本試驗利用無人機獲取的高分辨率可見光影像數(shù)據(jù)，通過計算植被指數(shù)提取每株棉花苗的空間位置，統(tǒng)計區(qū)域內(nèi)總株數(shù)，局部提取結(jié)果如圖3 所示。最終，在研究區(qū)42.47 hm2面積內(nèi)，共計提取出4 364 255 株棉花苗，其種植密度為102 761 株/hm2。將提取結(jié)果與實測數(shù)據(jù)（2.2 節(jié)地面實測棉花苗數(shù)據(jù)）對比可知，該方法提取的精度較高，精確率為93%，召回率為92.33%，F(xiàn)1值為92.66%。評價結(jié)果表明，該方法能夠有效提取棉花出苗信息，可為后續(xù)棉花估產(chǎn)提供良好的基礎(chǔ)。

ExG-ExR、VDVI、NGRDI 和 NGBDI 指數(shù)對棉花苗識別精度如表2 所示。由表2 可知，ExG-ExR 指數(shù)針對棉花苗的提取在精度和穩(wěn)定性方面最好，其中 3 塊樣地的平均精確率、平均召回率、平均F1值分別達到了93%、92.33%和 92.66%，明顯優(yōu)于其他植被指數(shù)。VDVI 指數(shù)提取效果相對較好，但是在穩(wěn)定性方面不如ExG-ExR 指數(shù)，NGRDI 與NGBDI 指數(shù)在精度和穩(wěn)定性方面表現(xiàn)都相對較差。這些指數(shù)對植被識別都具有較好的效果，但對于單株棉花苗的提取識別，研究認為ExG-ExR 指數(shù)效果最佳。

圖3 基于無人機影像的棉花苗提取結(jié)果Fig.3 Extraction results of cotton seedling based on UAV images

表2 基于不同植被指數(shù)的棉花苗提取精度評價Table 2 Evaluation of extraction accuracy of cotton seedling based on different vegetation indices %

4.2 棉花生長狀態(tài)評級結(jié)果分析

棉花生長狀態(tài)評級是構(gòu)建 SEGT 模型的另一關(guān)鍵環(huán)節(jié)。植被生長是一個極其復(fù)雜的過程，土壤、水分、葉綠素等成分的差異，都可能會對最終的產(chǎn)量造成影響，因此對棉花進行基于時間序列的監(jiān)測是十分必要的。試驗首先獲取棉花6 至8 月的無人機多光譜影像，根據(jù)天氣情況，每隔7～10 d 采集1 次數(shù)據(jù)，共計得到研究區(qū)內(nèi) 10 個時期的 NDVI 數(shù)據(jù)，日期分別為2018-06-10、2018-06-19、2018-06-27、2018-07-08、2018-07-19、2018-07-23、2018-08-04、2018-08-14、2018-08-21、2018-08-28。然后將 NDVI 分別與試驗樣區(qū)的最終實際測產(chǎn)結(jié)果進行相關(guān)性分析以確定各時期NDVI 的權(quán)重。最后根據(jù)NDVI 權(quán)重得到綜合反映棉花生長狀況的CNDVI 指數(shù)，對棉花植株進行等級劃分，以獲取棉鈴數(shù)。試驗結(jié)果表明，根據(jù)相關(guān)性計算，10個時期 NDVI 與樣區(qū)最終實際總產(chǎn)量的相關(guān)系數(shù)分別為 0.69，0.72，0.75，0.81，0.88，0.87，0.82，0.83，0.75 和0.72?？梢钥闯觯藁ㄢ徠诘腘DVI 與樣區(qū)最終實際產(chǎn)量之間的相關(guān)性較大，而蕾期和吐絮期相關(guān)性則相對較小。根據(jù)相關(guān)系數(shù)的大小，利用公式（4）對棉花 10 個時期的 NDVI 分別賦予 0.09，0.09，0.10，0.10，0.11，0.11，0.10，0.11，0.10 和 0.09 的權(quán)重，構(gòu)建 CNDVI并進行棉花估產(chǎn)。

利用時間序列NDVI 構(gòu)建的CNDVI 如圖4 所示。根據(jù)CNDVI 計算結(jié)果得到，最終CNDVI 取值在0～0.70 之間。采用自然間斷點分級法，選取0.29 和0.54作為分界點，將棉花劃分為3 個等級，分別對應(yīng)一等苗（0.54＜CNDVI≤0.70）、二等苗（0.29＜CNDVI≤0.54）和三等苗（0≤CNDVI≤0.29）。從圖中可以看出，研究區(qū)內(nèi)棉花整體生長狀態(tài)較好，以一等苗和二等苗為主（圖中綠色和黃色區(qū)域），三等苗相對較少，多分布在地塊邊緣處（圖中紅色區(qū)域），與實際調(diào)研情況相符。

圖4 棉花綜合植被指數(shù)分級結(jié)果Fig.4 Classification results of cotton Comprehensive Normalized Difference Vegetation Index(CNDVI)

4.3 棉花估產(chǎn)結(jié)果分析

獲取棉花出苗信息和棉鈴數(shù)后，根據(jù)公式（5）對研究區(qū)進行估產(chǎn)。研究區(qū)3 個樣地面積分別為17.72、15.35和9.4 hm2，總面積約為42.47 hm2，共計提取出4 364 255株棉花苗。棉花預(yù)測單產(chǎn)分別為 6 078.12、6 386.47 和5 900.44 kg/hm2，預(yù)估總產(chǎn)量分別為107 704.32、98 032.27和55 464.16 kg，總計約為261 200.75 kg。棉花實際總產(chǎn)量分別為101 542.08、90 389.69 和61 626.85 kg，總計約為 253 558.62 kg。研究區(qū) 3 塊樣地的估產(chǎn)精度分別為94.28%、92.2%和90%。

為了進一步驗證估產(chǎn)結(jié)果的精度，利用20 個驗證樣區(qū)（分布見圖1）的實際產(chǎn)量對預(yù)測結(jié)果進行驗證，選用決定系數(shù)R2、均方根誤差 RMSE、相對誤差 ME作為評價指標檢驗估產(chǎn)模型的精度和可信度。R2越接近于1，說明模型精度越高；RMSE 值越小表明模型預(yù)測能力越強，精度高且穩(wěn)定性好、可信度高。通過模型驗證結(jié)果可知（圖 5），估產(chǎn)模型的決定系數(shù)R2達到了 0.92，均方根誤差 RMSE 為 0.1，相對誤差 ME 為3.47%，由此可見，利用SEGT 模型進行棉花估產(chǎn)具有較高的精度和可信度。

圖5 棉花預(yù)測產(chǎn)量驗證圖Fig.5 Verification diagram of cotton predicted yield

5 討 論

棉花產(chǎn)量預(yù)測是一項復(fù)雜的工作，既要考慮技術(shù)的實用性和可行性，同時又要考慮預(yù)測結(jié)果的可信度和精度。本文充分發(fā)揮無人機空間分辨率高、獲取數(shù)據(jù)快、操作簡單、成本低的優(yōu)勢，構(gòu)建了一種 SEGT 棉花產(chǎn)量估算模型，為無人機遙感在作物估產(chǎn)研究中的應(yīng)用提供了一種新的思路，但試驗中一些關(guān)鍵點仍值得進一步探討：本研究進行了 1 個年度的棉花產(chǎn)量估算，但不同年份的棉花出苗情況以及生長狀態(tài)存在較大差異，模型能否在不同年度、不同區(qū)域都取得較好的效果，需要在接下來的研究中，在更多區(qū)域、更多年度開展試驗工作，驗證并完善模型算法，進一步擴大估產(chǎn)區(qū)域，分析多年間產(chǎn)量的時空變化及其原因，提升模型與方法的適用性；棉花的生長狀態(tài)較難準確評估，為避免人為主觀因素的影響，本研究采用自然間斷點分級法進行劃分，但該分級方法與影像數(shù)據(jù)本身關(guān)聯(lián)性較大，難以針對不同區(qū)域劃分統(tǒng)一標準，后續(xù)研究中還應(yīng)加強生長狀態(tài)分級和棉鈴數(shù)關(guān)系的研究，進一步提高量化標準，實現(xiàn)客觀、準確的棉花生長狀態(tài)分級和棉鈴數(shù)獲取，以提高模型的準確性；本研究通過獲取苗數(shù)與每株棉花單產(chǎn)累加的方法得到整個區(qū)域的棉花產(chǎn)量，棉鈴數(shù)和單鈴質(zhì)量是模型的2個重要參數(shù)，其與棉花品種存在較大關(guān)聯(lián)性，因此在后續(xù)的研究中，需對更多棉花品種進行系統(tǒng)測量和參數(shù)修正，以提高模型的穩(wěn)定性和適用性。

6 結(jié) 論

本文針對無人機高分辨率遙感影像，提出了一種基于SEGT（Seedling Emergence and Growth Trend）模型的棉花產(chǎn)量估算方法，主要結(jié)論如下：

1）基于無人機高分辨率的可見光影像，針對棉花苗的識別與提取，ExG-ExR 植被指數(shù)效果最佳，精度和穩(wěn)定性較高，精確率達到了93%，召回率達到了92.33%，F(xiàn)1值達到了92.66%，VDVI 指數(shù)精度次之。

2）獲取不同時間序列的 NDVI 影像，構(gòu)建 CNDVI表征棉花生長狀態(tài)，并選取0.29 和0.54 作為分界點，估算棉鈴數(shù)，是構(gòu)建SEGT 模型的關(guān)鍵環(huán)節(jié)之一。

3）經(jīng)驗證，本文所構(gòu)建的SEGT 模型決定系數(shù)達到0.92，具有較高的可行性、可信度和可靠性，是一種切實可行的棉花估產(chǎn)方法。