基于无人机影像的冠层光谱和结构特征监测甜菜长势

王 庆，车荧璞，柴宏红，邵 科，于 超，李保国，马韫韬

基于无人机影像的冠层光谱和结构特征监测甜菜长势

王 庆1，车荧璞1，柴宏红1，邵 科2，于 超3，李保国1，马韫韬1※

（1. 中国农业大学土地科学与技术学院，北京 100193；2. 内蒙古科学技术研究院生物技术研究所，呼和浩特 010010；3. 内蒙古农业大学农学院，呼和浩特 010019）

甜菜是中国北方地区重要的经济作物。快速、准确、高通量的获取甜菜的地上部和块根鲜质量、块根含糖率、叶绿素含量对甜菜生产具有重要意义。该研究采用无人机搭载数码和多光谱相机，获取甜菜叶丛快速生长期、块根及糖分增长期和糖分积累期的数码影像和多光谱影像，提取了冠层的结构特征和光谱特征。选择随机森林回归（Random Forest Regression，RFR）和偏最小二乘回归（Partial Least Squares Regression，PLSR）2种建模方法基于获取的冠层特征，构建甜菜全生育期的地上部和块根鲜质量、块根含糖率和SPAD（Soil and Plant Analyzer Development）值估算模型。研究结果表明，随机森林回归模型和偏最小二乘回归模型对地上部和块根鲜质量、含糖率都做出较好的预测，决定系数范围分别为0.9～0.94、0.88～0.9，相对均方根误差范围分别为7.6%～17%、8.8%～20%。对SPAD值的预测均较弱，决定系数分别为0.66和0.67。为了减小输入变量集的大小以及去掉对预测不敏感的变量，该研究采用置换重要性（Permutation Importance，PIMP）来筛选冠层光谱特征和结构特征中对预测有重要影响的变量。结果表明基于筛选出的重要性特征构建的随机森林回归模型和偏最小二乘回归模型对地上部和块根鲜质量、含糖率都做出较好的预测，2范围分别为0.89～0.94、0.74～0.91，相对均方根误差范围分别为7.3%～19%、7.6%～19%。对SPAD值的预测均较弱，决定系数分别为0.65和0.68。进一步表明随机森林回归模型在精度上略好于偏最小二乘回归模型。同时基于PIMP筛选变量的方法在保持原有精度的同时能实现降低数据收集复杂性的目的。研究结果为基于无人机遥感技术快速、准确监测甜菜长势和估测块根类作物的根部活性物质提供了参考。

无人机；冠层特征；甜菜；含糖率；随机森林回归；偏最小二乘回归

0 引 言

甜菜是中国北方地区重要的经济作物，也是中国除甘蔗以外的另一个主要糖料作物，主要种植在北方地区的内蒙古、新疆、河北和黑龙江[1]。近年来，中国甜菜种植面积呈现不断上升的趋势，其作为主要糖来源的地位正愈加凸显。随着甜菜大面积机械化种植的发展，如何快速、准确、多时段的监测甜菜长势成为甜菜机械化生产决策的首要任务。甜菜地上部和块根鲜质量、块根含糖率、叶绿素含量是甜菜长势的重要指示因子，是农田管理者采取措施调控甜菜生长和育种者筛选优良甜菜品种的重要评价指标。

传统上获取甜菜的上述长势参数，需要对甜菜进行破坏性取样，人工成本较高且效率较低，无法满足甜菜长势的长期动态监测以及高通量获取甜菜表型性状的需求。近年来，无人机平台的广泛应用，为快速、准确地获取作物的表型参数提供了新的解决方案。作物的结构特征通常由无人机搭载数码相机获取，包括株高、冠层覆盖度、冠层体积等，用于估算作物的生物量[2]和产量[3]。作物冠层的光谱特征包括无人机搭载各类光谱相机获取的原始光谱波段反射率和植被指数，用于估算作物叶片的氮含量[4]、叶绿素含量[5]、叶面积指数[6]、生物量[7]和产量[8]。研究表明基于无人机影像的冠层纹理信息与作物的生理性状存在相关性，通常将纹理特征与冠层结构特征或光谱特征结合用于棉花氮营养诊断[9]、玉米叶绿素含量反演[10]、油菜生物量估算[7]和大豆产量估算[11]。将作物冠层光谱信息和冠层结构信息两者结合预测作物生理性状等的应用还相对较少[12-13]。

基于无人机平台获取作物冠层特征后，需要建立冠层特征与预测目标的关系模型。近年来，随机森林[12]、偏最小二乘[7]、支持向量机[14]、人工神经网络[13]等机器学习方法在作物遥感估测上得到了广泛的应用。深度学习需要大量的训练样本才能构建高预测精度的回归模型[11]，限制了其在小规模试验的应用。本研究基于无人机平台搭载数码相机和多光谱相机获取甜菜的冠层光谱特征和冠层结构特征，结合随机森林回归模型和偏最小二乘回归模型构建了甜菜地上部鲜质量和块根鲜质量，以及常用于代表作物叶片相对叶绿素含量的SPAD值估算模型[10,15]。采用置换重要性（Permutation Importance，PIMP）来筛选冠层光谱特征和结构特征中对预测有重要影响的变量，减小输入的变量集的大小，去掉对预测不敏感的变量。甜菜块根含糖率是甜菜产量和质量的重要评价指标，但目前为止还未有根据甜菜冠层的特征估算甜菜块根含糖率的研究。为此本研究还探究了基于获取的甜菜冠层光谱特征和结构特征构建块根含糖率估算模型的可行性。

1 材料与方法

1.1 研究地点和试验设计

研究地点位于内蒙古自治区凉城县（40°30′5′′N，112°8′49′′E），海拔约为1 459 m，属中温带半干旱大陆性季风气候，年均气温2～5 ℃，年均降水约为392 mm。试验地种植KWS2314和KWS1197两个甜菜品种。共设10个氮肥水平（N0～N9），施肥量从0开始，以35 kg/hm2递增到315 kg/hm2，以尿素作为基肥施入。试验采用随机区组排列，3次重复，总共有60个小区，各小区面积为2.5 m×1.2 m。于2019年5月20日播种，每个小区种植密度为13.3株/m2。小区间间隔为0.5 m，两个品种间小区间隔为1 m。试验地土壤基础肥力：有机质含量20.29 g/kg，全氮含量1.056 g/kg，速效磷含量68.2 mg/kg，速效钾含量263 mg/kg。试验地均匀布置 5 个地面控制点（Ground Control Point，GCP），采用华测 RTK （华测，上海）测量其三维空间位置。

1.2 数据获取

1.2.1 无人机影像数据获取

于甜菜叶丛快速生长期间（2019年7月13日，S1）、块根及糖分增长期间（2019年8月8日，S2）和糖分积累期间（2019年9月20日，S3）3个关键生育期间采集无人机遥感数据，并于同日进行地面数据采集。

本研究采用大疆Mavic 2 Pro（中国，深圳）无人机获取研究区域的RGB数码影像。该无人机起飞质量为907 g，续航时间约30 min，无人机携带的RGB数码相机有效像素为2 000万，视场角为77°。采用Parrot Bluegrasss四轴无人机（Parrot，法国）获取研究区域的多光谱影像。该无人机集成了一个Parrot Sequoia多光谱相机（Parrot，法国），该多光谱相机共有５个成像传感器，即：4个像素为120万的多光谱和1个像素为1 600万的RGB传感器。4个多光谱波段分别为绿光（Green，G），中心波长550 nm，波段宽度40 nm。红光（Red，R），中心波长660 nm，波段宽度40 nm。红边（Rededge，RE），中心波长735 nm，波段宽度10 nm 和近红外（Near Infrared，NIR），中心波长790 nm，波段宽度40 nm。该相机还携带一个光照度传感器，记录光照状况，用于校准多光谱影像的辐射信息。

每次飞行前，使用软件Pix4D capture 4.5.0（Pix4D，瑞士）规划航线，设置飞行高度15 m，前向重叠度和旁向重叠度均为85%。RGB传感器和MS传感器使用同一航线执行飞行任务。飞行任务在天空晴朗无风的条件进行，飞行时间段固定在11:00—13:00。

1.2.2 田间原位数据采集与处理

无人机影像采集的当日同步测量田间甜菜株高、SPAD值、地上部鲜质量、块根鲜质量和块根部含糖率。

为避免边行效应，选择里面两行进行取样。两个甜菜品种的N1、N3、N5和N7各设置2个采样小区，其余氮处理设置1个采样小区。每个时期总共测量了28个小区。在小区的中间随机选取3～4株甜菜测量自然状态下最高点到地面的垂直距离，取其高度均值作为该小区的实测株高。在小区内随机选取4株甜菜，采用手持式叶绿素仪SPAD502-Plus（日本），测定甜菜最新完全展开叶片的叶尖、叶中和叶基3个部位的SPAD值[16]，取不同植株不同部位均值作为该小区的实测SPAD值。选取小区中间能代表小区长势平均水平的3株甜菜分别对其地上叶丛和地下块根称量鲜质量，取这3株的平均值乘以种植密度作为该小区的实测地上部和块根鲜质量。然后利用手持糖度计（PAL-1，日本）测量其块根的含糖率，取平均值作为小区的含糖率。

1.3 无人机影像数据预处理

采用Metashape Pro v1.7.1 进行数码和多光谱影像的校正和拼接，得到试验区的数字正射影像（Digital Orthophoto Map，DOM）和数字表面模型（Digital Surface Model，DSM）。具体流程为将影像和相对应的定位定姿系统数据导入软件中，多光谱影像拼接前需要先用起飞前获得的灰板影像进行反射率校正，获取试验地反射率影像。后续拼接流程与RGB影像一致，即对齐影像，生成稀疏点云，导入控制点信息进行空间位置校准，之后生成稠密点云。在生成的稠密点云基础上生成DSM和DOM。最终得到基于RGB影像拼接任务生成的DSM和基于多光谱影像拼接任务生成的4波段试验地反射率影像DOM，DSM和DOM的地面采样间隔（Ground Sample Distance，GSD）分别为0.69 和1.92 cm/pixel，将DSM和DOM输出保存为GeoTIFF文件（图1）。

1.4 冠层光谱和结构信息的提取

1.4.1 冠层光谱特征

根据前人的研究成果，本研究选择10个常用于预测冠层结构、营养元素和叶绿素含量的植被指数和4个多光谱正射影像的原始波段的反射率（G、R、RE、NIR）作为冠层光谱特征（表1）。根据修正叶绿素吸收反射率指数（Modified chlorophyll absorption in reflectance index，MCARI）指数图生成掩膜，去除土壤背景部分。MCARI计算公式如公式（1）。首先对MCARI指数图进行归一化（nMCARI），见式（2）。当设定阈值为0.12时，能够区分前景植被（>0.12）和土壤背景等≤0.12，之后基于该方法生成掩膜去除其他植被指数的土壤背景。最后统计小区像素的平均值作为该指数的特征值。

MCARI=[(RE−R)−0.2 (RE−G)] (RE/R) （1）

表1 提取的冠层光谱和结构特征

1.4.2 冠层结构特征

选取的冠层结构特征包含株高和冠层体积，株高和冠层体积常用于生物量、产量的反演[2,13]。由于本研究在作物生长前期没有获取裸地时期的DSM，因此采用糖分积累期时每个小区的裸地高程值作为整个生育期的地面高程值，通过不同生育期的DSM与裸地高程值做差运算计算不同时期不同小区的株高[17]。小区内像素点的相对地面高度与像素点大小乘积的总和为每小区的冠层体积（公式（3））[13]。

由于没有获得出苗前裸地的DSM，无法获得公式（3）中每个小区所有像素点的相对地面高度值，因此对冠层体积的公式（3）进行了修改，直接统计小区内每个像素点的绝对海拔高度值。为与各时期不同小区进行比较，对绝对海拔高度值进行归一化。进而计算冠层体积如公式（4）。

1.5 数据分析

1.5.1 模型构建

采用随机森林回归（Random Forest Regression，RFR）和偏最小二乘回归（Partial Least Squares Regression，PLSR）构建甜菜地上部和块根鲜质量、块根含糖率和叶丛SPAD值预测模型。RFR对变量之间的共线性不敏感且具有很强的抗干扰能力，保证了预测的准确性，减少了过拟合[25]。PLSR集成了多元线性回归分析、典型相关分析和主成分分析方法[26]，可用于观测值数量有限、大量缺失数据和预测变量间高度相关的建模。

样本数据集由甜菜3个生育期的无人机冠层光谱特征（10个植被指数和4个光谱原始波段）和结构特征（株高和冠层体积）及与之对应的同步测量地面数据构成，共有84个样本。样本数据按2∶1划分为训练集训练模型和验证集用于验证模型精度。在Python3.8中采用scikit-learn 0.23.2库调用随机森林和偏最小二乘回归模型训练数据，随机森林回归模型需指定树的数量（numbel of trees，ntree）和内部节点分割所需的最小样本数（min sample split, mss），偏最小二乘回归需要指定主成分的数量（number of compents，nc）。为了找出ntree和mss的最优值，从ntree的默认值100开始，以100为间隔测试到1000，mss从默认值2开始，以1为间隔测试到10。在选取了合适的ntree值（ntree1）后，在ntree1±100范围，间隔为10测试ntree值。偏最小二乘回归模型的参数nc值，从1开始，步长为1一直到最大的nc值。采用scikit-learn库的随机搜索RandomizedSearchCV函数实现上述功能，即程序遍历尝试每一组超参数，选取MSE值最小时的那一组[27]。在确定最优的超参数后，将建模集输入到随机森林回归和偏最小二乘回归中，分别构建甜菜地上部和块根鲜质量、块根含糖率和叶丛SPAD值预测模型。

1.5.2 变量筛选

为了降低数据的维度，去掉对预测不敏感的变量，本研究使用置换重要性（Permutation Importance，PIMP）来筛选对预测有重要影响的变量[28]。基于“置换检验的思想”对特征重要性进行检测，即在模型拟合后，数据表格中某一列数据随机排序，其余特征保持不动，看其对预测精度的影响。排列特征重要性定义为模型分数的减少，此过程打破了特征和目标之间的关系，模型分数的下降表明模型对特征的多少依赖程度。采用python的 scikit-learn0.23.2库实现置换重要性筛选变量。根据筛选出的地上部和块根鲜质量、含糖率、SPAD值对应的重要性特征，分别构建RFR和PLSR的地上部和块根鲜质量、含糖率和SPAD值预测模型。

1.6 评价指标

本研究采用验证集验证甜菜地上部和块根鲜质量、块根含糖率和叶丛SPAD值预测模型的精度。选取决定系数2（coefficient of determination，2）、均方根误差（Root Mean Square Error，RMSE）和相对均方根误差（Relative Root Mean Square Error，rRMSE）作为评价指标。2越大，相应的RMSE和rRMSE越小，则模型的估测精度越高。基于Pearson相关系数度量两个变量之间的相关程度，采用scipy.stats模块（Python 3.8）计算块根鲜重和含糖率的相关系数，利用双尾显著性检验获得值。

2 结果与分析

2.1 甜菜株高的精度评估

将基于DSM模型获取的甜菜株高与实测株高进行对比分析，评估基于无人机数码影像获取的甜菜株高的精度（图2）。由图2可知，株高计算值与实测值均分布在1∶1线附近，二者拟合的2为0.65，RMSE为5.5 cm，rRMSE为10%。表明结合GCP的无人机数码影像建立的DSM模型可用于甜菜株高的较精确提取。

2.2 基于冠层特征的模型构建与验证

基于RFR和PLSR模型采用冠层光谱（10个植被指数和4个光谱原始波段）和结构特征（株高和冠层体积）与对应的训练样本实测值，分别构建甜菜地上部和块根鲜质量、块根含糖率和SPAD值预测模型。模型训练后，根据验证样本的特征集做出预测，并将预测值与验证样本的实测值进行对比分析（图3）。由图3可知，基于RFR模型对地上部和块根鲜质量、含糖率预测值和实测值回归分析中2范围为0.9～0.94，rRMSE范围为7.6%～17%。而基于PLSR建模的2范围为0.88～0.9，rRMSE范围为8.8%～20%，表明RFR和PLSR对地上部和块根鲜质量、含糖率都做出较好的预测。两个模型对于SPAD值的预测均较弱，2分别只有0.67和0.66。大部分点位于1∶1趋势线上，可以明显看出有部分点偏离了1∶1线。总体表明RFR模型在精度上略微好于PLSR模型。

2.3 筛选对预测有重要影响的变量

为了减少输入变量集的大小，从而降低数据收集的成本和复杂性，本研究基于所有的冠层光谱和结构特征构建了RFR模型后，计算冠层特征的PIMP评分。每个特征随机排列20次，则每个特征得到20个重要性评分（图4）。由图可知，地上部鲜质量、块根鲜质量、含糖率、SPAD值对应的重要性特征及其重要性排序不同。对于块根鲜质量、含糖率和SPAD值都有重要性较突出的几个特征，明显高于其他特征。而地上部鲜质量对应的重要性特征呈较均匀的阶梯式排布，无明显突出的一个或几个特征。首先统计每个特征的20个重要性评分的平均值，获得RECI、MCARI、PPH等16个特征的均值，然后计算16个特征的整体均值，以整体均值作为阈值筛选出大于整体均值的特征（表2）。由表可知，由于地上部鲜质量无特别突出的特征对应，因此根据整体平均值作为阈值筛选的特征个数达到8个，明显多于其他3个预测目标。块根鲜质量和含糖率筛选出来的重要性特征基本一致，只是对应特征的排序不完全相同。块根鲜质量较含糖率多一个重要性特征，即提取的株高（PPH）。

块根鲜质量和含糖率具有一致的重要性特征可能是由于块根鲜质量和含糖率有较高的相关性，为此进一步探究了二者的关系。计算了3个时期84个小区块根鲜质量和块根含糖率的Pearson相关系数（图5）。由图可知，3个时期的值均小于0.01，说明在这3个时期块根鲜质量和含糖率的相关性极显著。在叶丛快速生长期为中等程度负相关，二者的相关系数为-0.56。在块根及糖分增长期和糖分积累期达到了强负相关，相关系数分别为-0.66和-0.7。

表2 利用PIMP重要性评分筛选的特征

注：阈值为整体平均值。

Note: Threshold is shown by overall average.

2.4 基于筛选的冠层特征的模型构建与验证

根据筛选出的重要性特征，分别构建RFR和PLSR的地上部和块根鲜质量、含糖率和SPAD值预测模型，并基于验证样本的特征集做出预测。将预测值与验证样本的实测值对比分析如图6所示。基于RFR建模的地上部和块根鲜质量、含糖率和SPAD值的预测和实测值对比分析的2分别为0.89、0.94、0.9和0.65，rRMSE分别为12%、19%、7.3%和15%。基于PLSR建模的2分别为0.74、0.91、0.88和0.68，rRMSE分别为18%、19%、7.6%和13%。构建的RFR和PLSR模型对地上部鲜质量、块根鲜质量、含糖率做出了较好的估测，对SPAD值的估测较弱。综上，无论是基于冠层特征还是筛选的冠层特征构建的RFR模型，在预测精度上要略优于PLSR模型。基于筛选的冠层特征的RFR和PLSR模型在精度上略好于或接近于基于未筛选冠层特征时构建的模型。

3 讨 论

3.1 基于PIMP方法筛选特征

基于PIMP法筛选冠层特征后构建的RFR和PLSR模型在精度上接近或稍好于基于冠层特征构建的模型（图3、图6）。表明基于该方法筛选出的特征保留了对预测具有重要影响的变量，且在去除了无关或不敏感的变量后所构建的模型在精度上略有提升。

基于PIMP方法筛选出的块根鲜质量与块根含糖率的重要性特征基本一致（表2），与图5的二者相关性强结果一致。除叶丛快速生长期二者为中等程度负相关外，在块根及糖分增长期和糖分积累期二者达到了强负相关。表明块根鲜重与块根含糖率之间具有强的负相关性，这与高妙真[29]对甜菜块根含糖率与根质量呈负相关的研究结果一致。3个时期含糖率随块根鲜质量上升呈现下降的幅度并不一致（图5），表明在不同时期根质量和含糖率的关系可能不同。由于本研究中每个时期样本数量较少，因此甜菜关键生育期中根质量和含糖率关系的具体表达还需进一步探索。

3.2 地上部和块根鲜质量、块根含糖率及SPAD值估算

Cao等[21]对NDVI指数进行了改进，采用宽范围动态植被指数WDRVI1估算了甜菜的地上部和块根鲜质量。其在块根鲜质量的估算精度（rRMSE=20.6%）上与本文筛选冠层特征后的RFR和PLSR接近（rRMSE为19%），在地上部鲜质量上的估算精度（rRMSE=20.4%）与本研究筛选冠层特征后的RFR和PLSR（rRMSE为12%、18%）相比较低。考虑到Cao等[21]通过改进NDVI指数，提高了对不同生育期植被指数对叶丛饱和的敏感性，但在抗大气和土壤干扰上的能力较弱。本文中用于构建地上部和块根鲜质量估算模型的预测因子里包含了最优化土壤调整植被指数OSAVI，并且使用多个植被指数可以通过波段间的差值和比值从而降低反射光谱受光照的影响[12]。本文采用的特征还包括基于无人机数码相机获取的冠层结构特征，研究表明冠层光谱与结构特征结合能显著提高冠层密集类作物生物量的估算精度[6,12]。本文构建的SPAD值估算模型精度较低（图3和图6）。在叶丛快速生长期的偏差较大，原因可能是田间原位测量时光照出现明显变化使测定的SPAD值出现了较明显的变化[30-31]。

基于PIMP方法筛选出的对块根含糖率预测敏感的因子有红边指数RE、三角叶绿素指数TCI、绿红植被指数GRVI、冠层体积CV和综合叶绿素光谱指数MCARI/OSAVI（表2），这些指数常用于估算作物叶绿素和氮含量[32-33]、叶面积指数[34]、生物量和产量[12]。这与甜菜生理研究中发现的块根含糖率与甜菜大量营养元素含量、叶丛结构、光合特性有关的结论一致[35-37]，表明基于无人机获取与块根含糖率影响因子相关的冠层特征，进而预测块根含糖率是可行的。研究可为基于遥感手段监测块根类作物的根部生物活性物质的含量与状态提供参考。

本研究采用较多氮梯度的目的是增大实测的地上部和块根鲜质量、块根含糖率、SPAD值的梯度和复杂性，以增强所构建的估算模型的鲁棒性。本研究在试验地范围内构建了较精确的甜菜地上部和块根鲜质量、块根含糖率和SPAD值估算模型，之后将其应用于大规模的甜菜实际生产中，以便农田管理者更好地监测甜菜生长。

4 结 论

基于无人机数码相机和多光谱相机获取了甜菜冠层的光谱特征和结构特征，选取RFR和PLSR这2种方法，分别构建了甜菜地上部和块根鲜质量、块根含糖率、SPAD值估算模型。结果表明，RFR模型在预测精度上要优于PLSR模型。基于PIMP方法筛选后的冠层特征构建的模型在预测精度上略优于或接近于使用冠层特征构建的模型，表明该方法可用于无人机遥感建模中筛选对预测敏感的变量，有助于降低数据集的复杂性。本研究经过特征筛选后获得的RFR和PLSR模型对地上部鲜质量（2为0.89、0.74，rRMSE为12%、18%）和块根鲜质量（2为0.94、0.91，rRMSE均为19%）做出了较好的预测，对叶丛SPAD值做出了较合理的预测（2为0.65、0.68，rRMSE为15%、13%）。对块根含糖率预测精度较高（2为0.9、0.88，rRMSE为7.3%、7.6%）。表明结合无人机数码相机和多光谱相机可快速、准确地监测甜菜的长势，进一步表明预测块根类作物的含糖率是可行的。

[1] 李智，李国龙，张永丰，等. 膜下滴灌条件下高产甜菜灌溉的生理指标. 作物学报，2017，43(11)：1724-1730.

Li Zhi, Li Guolong, Zhang Yongfeng, et al. Physiological indices of high-yielding sugar beet under drip irrigation and plastic mulching[J]. Acta Agronomica Sinica, 2017, 43(11): 1724-1730. (in Chinese with English abstract)

[2] 陶惠林，徐良骥，冯海宽，等. 基于无人机数码影像的冬小麦株高和生物量估算[J]. 农业工程学报，2019，35(19)：107-116.

Tao Huilin, Xu Liangji, Feng Haikuan, et al. Estimation of plant height and biomass of winter wheat based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(19): 107-116. (in Chinese with English abstract)

[3] Yu N, Li L, Schmitz N, et al. Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform[J]. Remote Sensing of Environment, 2016, 187: 91-101.

[4] 秦占飞，常庆瑞，谢宝妮，等. 基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测[J]. 农业工程学报，2016，32(23)：77-85.

Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 77-85. (in Chinese with English abstract)

[5] 陈鹏，冯海宽，李长春，等. 无人机影像光谱和纹理融合信息估算马铃薯叶片叶绿素含量[J]. 农业工程学报，2019，35(11)：63-74.

Chen Peng, Feng Haikuan, Li Changchun, et al. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 63-74. (in Chinese with English abstract)

[6] 高林，杨贵军，于海洋，等. 基于无人机高光谱遥感的冬小麦叶面积指数反演[J]. 农业工程学报，2016，32(22)：113-120.

Gao Lin, Yang Guijun, Yu Haiyang, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 113-120. (in Chinese with English abstract)

[7] Liu Y, Liu S, Li J, et al. Estimating biomass of winter oilseed rape using vegetation indices and texture metrics derived from UAV multispectral images[J]. Computers and Electronics in Agriculture, 2019, 166: 105026.

[8] Zhou X, Zheng H B, Xu X Q, et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130(8): 246-255.

[9] 陈鹏飞，梁飞. 基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究[J]. 中国农业科学，2019，52(13)：2220-2229.

Chen Pengfei, Liang Fei. Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle[J]. Scientia Agricultura Sinica, 2019, 52(13): 2220-2229. (in Chinese with English abstract)

[10] 孟沌超，赵静，兰玉彬，等. 基于无人机可见光影像的玉米冠层SPAD反演模型研究[J]. 农业机械学报，2020， 51(s2)：366-374.

Meng Dunchao, Zhao Jing, Lan Yubin, et al. SPAD inversion model of corn canopy based on UAV visible light image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(s2): 366-374. (in Chinese with English abstract)

[11] Maimaitijiang M, Sagan V, Sidike P, et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning[J]. Remote Sensing of Environment, 2019, 237: 111599.

[12] Li B, Xu X, Zhang L, et al. Above-ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 162: 161-172.

[13] Ashapure A, Jung J, Chang A, et al. Developing a machine learning based cotton yield estimation framework using multi-temporal UAS data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 169: 180-194.

[14] Maimaitijiang M, Sagan V, Sidike P, et al. Crop monitoring using satellite/UAV data fusion and machine learning[J]. Remote Sensing, 2020, 12(9): 1357-1379.

[15] 苏伟，王伟，刘哲，等. 无人机影像反演玉米冠层LAI和叶绿素含量的参数确定[J]. 农业工程学报，2020，36(19)：58-65.

Su Wei, Wang Wei, Liu Zhe, et al. Determining the retrieving parameters of corn canopy LAI and chlorophyll content computed using UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(19): 58-65. (in Chinese with English abstract)

[16] Laufer D, Koch H J. Growth and yield formation of sugar beet (L. ) under strip tillage compared to full width tillage on silt loam soil in Central Europe[J]. European Journal of Agronomy, 2017, 82: 182-189.

[17] 王庆，车荧璞，柴宏红，等. 基于无人机可见光与激光雷达的甜菜株高定量评估[J]. 农业机械学报，2021，52(3)：178-184.

Wang Qing, Che Yingpu, Chai Honghong, et al. Quantitative evaluation of sugar beet plant height based on UAV-RGB and UAV-LiDAR[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(3): 178-184. (in Chinese with English abstract)

[18] Gitelson A A, Viña An, Ciganda V. Remote estimation of canopy chlorophyll content in crops[J]. Geophysical Research Letters, 2005. 32(8): 403-406.

[19] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing and Environment, 1979, 8(2): 127-150.

[20] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375-384.

[21] Cao Y, Li G, Luo Y, et al. Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images[J]. Computers and Electronics in Agriculture, 2020, 171: 105331.

[22] Daughtry C S T, Walthall C L, Kim M S, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment, 2000, 74(2): 229-239.

[23] Haboudane D, Miller J R, Tremblay N, et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environment, 2002, 81(2): 416-426.

[24] Haboudane D, Tremblay N, Miller J R, et al. Remote estimation of crop chlorophyll content using spectral indices derived from hyperspectral data[J]. IEEE Transactions on Geoscience & Remote Sensing, 2008, 46(2): 423-437.

[25] Speybroeck N. Classification and regression trees[J]. Wiley Interdisciplinary Reviews Data Mining & Knowledge Discovery, 2012, 57(1):243-246.

[26] 王玉娜，李粉玲，王伟东，等. 基于无人机高光谱的冬小麦氮素营养监测[J]. 农业工程学报，2020，36(22)：31-39.

Wang Yuna, Li Fenling, Wang Weidong, et al. Monitoring of winter wheat nitrogen nutrition based on UAV hyperspectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 31-39. (in Chinese with English abstract)

[27] Bergstra J, Bengio Y. Random search for hyper-parameter optimization[J]. Journal of Machine Learning Research, 2012, 13(1): 281-305.

[28] Altmann A, Toloşi L, Oliver S, et al. Permutation importance: A corrected feature importance measure[J]. Bioinformatics, 2010, 26(10): 1340-1347.

[29] 高妙真. 甜菜根重与含糖率相关关系的研究[J]. 中国糖料，1995，(1)：16-19.

Gao Miaozhen. A study on the correlation between root weight and sugar content in sugar beet[J]. China sugarbeet, 1995, (1): 16-19. (in Chinese with English abstract)

[30] Olav H B, Solhaug K A. Effect of Irradiance on chlorophyll estimation with the Minolta SPAD-502 leaf chlorophyll meter[J]. Annals of Botany, 1998, 82(3):389-392

[31] Xiong D , Chen J , Yu T , et al. SPAD-based leaf nitrogen estimation is impacted by environmental factors and crop leaf characteristics[J]. Sci Rep, 2015, 5(1):13389.

[32] Clevers J, Gitelson A A. Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and -3[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23(8): 344-351.

[33] Wu C, Zheng N, Tang Q, et al. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation[J]. Agricultural and Forest Meteorology, 2008, 148(8/9): 1230-1241.

[34] 陈雪洋，蒙继华，朱建军，等. 冬小麦叶面积指数的高光谱估算模型研究[J]. 测绘科学，2012，37(5)：141-144.

Chen Xueyang, Meng Jihua, Zhu Jianjun, et al. Hyperspectral estimation models for leaf area index of winter wheat[J]. Science of Surveying and Mapping, 2012, 37(5): 141-144. (in Chinese with English abstract)

[35] Çakmakçi R, Oral E, Kantar F. Root yield and quality of sugar beet (L. ) in relation to plant population[J]. Journal of Agronomy & Crop Science, 2010, 180(1): 45-52.

[36] 邵科，马靖靖，李国龙，等. 甜菜生育期叶面营养调节对其产量和含糖率作用的研究[J]. 中国土壤与肥料，2015(5)：77-82.

hao Ke, Ma Jingjing, Li Guolong, et al. Effects of foliage spray at different growth stages on yield and sugar content of sugarbeet[J]. Soil and Fertilizer Sciences in China, 2015(5): 77-82. (in Chinese with English abstract)

[37] 越鹏，李彩凤，陈业婷，等. 氮素水平对甜菜功能叶片光合特性的影响[J]. 核农学报，2010，24(5)：1080-1085.

Yue Peng, Li Caifeng, Chen Yeting, et al. Effect on nitrogen level on photosynthetic characteristics in functional leave of sugar beet[J]. Journal of Nuclear Agricultural Science, 2010, 24(5): 1080-1085. (in Chinese with English abstract)

Monitoring of sugar beet growth using canopy spectrum and structural characteristics with UAV images

Wang Qing1, Che Yingpu1, Chai Honghong1, Shao Ke2, Yu Chao3, Li Baoguo1, Ma Yuntao1※

(1.,,100193,; 2.,010010,;,,010019,)

Asugar beet is one of the most important cash crops in northern China. It is a high demand for the rapid, accurate, and high-throughput acquisition of the fresh weight of aboveground and root, the sugar content of root, and the chlorophyll content of aboveground in the production of sugar beet. An Unmanned Aerial Vehicle (UAV) can serve as a significant approach, due to its flexibility, low cost, and high spatiotemporal resolution. In this study, a UAV equipped with digital and multispectral cameras was utilized to capture the images of sugar beet during the leaf clusters, root tuber, sugar growth, and accumulation period, thereby extracting the structural and spectral characteristics of the canopy. The estimation models were also established for the various indexes using the Random Forest Regression (RFR) and Partial Least Squares Regression (PLSR), including the fresh weight of shoot and root tuber, the sugar content of root tuber, and Soil Plant Analysis Development (SPAD) value during the whole period of sugar beet. The results showed that the RFR and PLSR model performed well to predict the fresh weight and sugar content of shoot and root tuber, with the coefficient of determination2ranging from 0.9 to 0.94 and from 0.88 to 0.9, respectively, while the relative Root Mean Square Error (rRMSE) ranging from 7.6% to 17% and from 8.8% to 20%, respectively. Both models presented weak predictions for the SPAD values, where the2values were only 0.66 and 0.67, respectively. Furthermore, a Permutation Importance (PIMP) was used to screen the more sensitive variables with the dominated impacts on the prediction, in order to reduce the size of the input variable set for the less cost and complexity of data collection. As such, the optimal prediction models of RFR and PLSR were achieved for the growth monitoring of sugar roots. It was found that excellent predictions were achieved on the fresh weight and sugar content of shoot and root tuber, with the2value ranging from 0.89 to 0.94, and from 0.74 to 0.91, respectively, and the rRMSE value ranging from 7.3% to 19% and from 7.6% to 19%, respectively. Nevertheless, the RFR and PLSR model presented weak predictions for the SPAD values, where the2values were only 0.65 and 0.68, respectively. Correspondingly, the accuracy of the RFR model was slightly better than that of the PLSR model. More importantly, the PIMP variable screening can be widely expected to reduce the complexity of data collection with optimal accuracy. Consequently, the canopy structure and spectral features obtained by UAVs can be utilized to quickly and accurately monitor the growth and sugar content of sugar beet. The finding can provide a strong reference to estimate the root active substances of tubers crops using UAV proximity.

UAV; canopy characteristics; sugar beet; sugar content; random forest regression; partial least squares regression

王庆，车荧璞，柴宏红，等. 基于无人机影像的冠层光谱和结构特征监测甜菜长势[J]. 农业工程学报，2021，37(20)：90-98.doi：10.11975/j.issn.1002-6819.2021.20.010 http://www.tcsae.org

Wang Qing, Che Yingpu, Chai Honghong, et al. Monitoring of sugar beet growth using canopy spectrum and structural characteristics with UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 90-98. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.20.010 http://www.tcsae.org

2021-04-13

2021-09-13

内蒙古科技重大专项（2019ZD024）；内蒙古科技成果转化项目（2019CG093）

王庆，博士生，研究方向为植物表型研究。Email：wangqing0410@126.com

马韫韬，教授，研究方向为植物功能-结构互作的表型模型研究。Email：yuntao.ma@cau.edu.cn

10.11975/j.issn.1002-6819.2021.20.010

S252

A

1002-6819(2021)-20-0090-09