无人机多光谱影像的马铃薯地上生物量估算

于 翔 ， 包 琼

（1.三和数码测绘地理信息技术有限公司，甘肃 天水 741000；2.甘肃省土地开发整理中心，甘肃 兰州 730000）

在新时期背景下，我国农业现代化建设水平不断提升，各种现代高新技术被广泛应用于农业生产之中。从实际应用角度分析，AGB 信息在实际应用过程中承担着农作物活力以及净初级生产力的基础支撑功能，可以有效并精准反映农作物光合作用强度、营养状况以及长势等信息，为农业生产管理提供精准的数据支持[1-2]。以往AGB 信息采集主要采用取样法，该方法在实际应用中主要依托于人工方法实现，难以满足当前我国农业生产规模化要求。随着遥感技术的不断发展，其影像多样性以及高分辨率特征使其成为高效精准获取AGB 信息的重要技术依托。目前，应用较为广泛的传感器设备主要包含数码、高光谱以及多光谱3 种，前两种在实际应用过程中暴露出信息采集率不足以及成本高昂等缺陷[3-4]，而多光谱传感器则因具备经济性以及波段广阔性等优势，被广泛应用于农业定量遥感技术领域。

1 实验设计

为深入探究无人机多光谱影像在马铃薯AGB 信息采集方面的应用成效，研究人员通过实验的方式对其进行研究。该实验选定在某国家精准农业研究示范基地内开展，该基地位于暖温带半湿润大陆性季风气候区域，具体实际过程中采用随机实验方式，共设置密度实验、氮素实验以及钾肥实验3 种试验区，并分别对其进行同等条件下的控制实验，每种实验实际重复进行3 次。本次实验设计中，研究人员共设置面积为32.5 m2的试验区48 个，并在试验区周边设置地面控制点11 个，通过差分GPS 对试验区三维空间进行测定。

在完成试验区设置后，研究人员选定在晴朗无风的条件下对裸土期、块茎形成期、块茎增长期以及淀粉积累期内的作物多光谱数据进行采集。每次采集过程中采用同等的起飞地点以及航线，具体为：在12：00 起飞，飞行高度控制在30 m，航向重叠度以及旁向重叠度分别为80%以及85%。在实际开展数据采集工作前，研究人员首先需要利用传感器光谱反射率对数据进行校正，以实现标定多光谱影像像元亮度数值的目的。本次实验中，采用六旋翼无人机搭载Parrot Sequoia农业遥感专用4通道多光谱相机，其主要包含多光谱传感器和光照传感器，可支持获取4 个120万像素单波段影像和1个1 600 万像素RGB 影像，多光谱传感器波段参数如表1所示。

表1 多光谱传感器波段参数

在植被指数以及高频信息获取方面。研究人员综合以往成果，在马铃薯AGB 估算模型建立过程中，选取9 种各生育期表现较好的多波段组合植被指数（MVIs）以及本次研究过程中提取出的4 种单波段植被指数（SVIs）。同时，研究人员选择作物不同生育期内的REGHL、REGLH 和REGLL 共3 种高频信息用于构建模型。

为确保AGB 估算模型的稳定性和精准性，研究人员决定采用PLSR 以及RR 两种方法对其进行估算。前者在实际应用过程中可以实现利用较少的数据对因变量进行估算，而后者则是一种经过改良的最小二乘估算法，通过损失部分信息以及精度以获取更加实际且可靠的回归系数。

研究人员在工作中共获取48 组样本数据集，其中构建模型需要32 组数据集，其余被用于验证模型效果。研究人员在工作中采用决定系数以及标准均方根误差用于精准度评价工作，以确保模型的稳定性和估算成效。

2 实验结果及分析

2.1 马铃薯株高数值提取

研究人员对3 种生育期内的马铃薯作物株高进行提取，共获取144 组株高数据。同时，将实测数据与Hdsm 进行横向对比分析以确保数值精准度，最终结果显示其NRMSE 值和R2值分别为0.143 4 和0.87。由此可见，研究中所提取的Hdsm 值相对来说是比较可靠的。

2.2 植被指数、高频信息以及Hdsm与AGB相关性研究

研究人员选取3 种植被指数、红边波段高频信息以及Hdsm 与作物不同生育期内AGB 的相关性进行研究，最终结果如表2 所示。通过分析表2 中的数据可知，不同生育期内提取的马铃薯作物模型参数以及AGB 均达到显著相关水平，且其块茎形成期到淀粉积累期相关性呈现出较为明显的先增后降趋势。从整体层面分析，不同模型参数及AGB 相关性高低排序依次为多波段组合植被指数、高频信息、单波段植被指数以及Hdsm。其中，作物块茎形成期相关性最高模型参数为RVI，其系数值为0.750；块茎增长期以及淀粉积累期相关性最高模型参数为GNDVI，其系数值分别为0.762 和0.759。

表2 植被指数及Hdsm 与AGB 相关性系数

2.3 基于植被指数的AGB估算分析

研究人员对原始的4 个SVIs 以及9 个MVIs 值的AGB 估算能力进行评测，具体工作中分别利用PLSR以及RR 方法构建出相应的作物不同生育期AGB 估算模型[5-7]，并得出结果，如表3 所示。通过对表3 中数据进行分析后可知，不同生育期作物AGB 模型在两种方法下的评估成效均呈现出自块茎形成期至淀粉积累期先上升后下降的趋势；在测定方法一致的情况下，基于MVIs 构建出的模型在精度以及稳定性方面表现更优，且最佳估算效果均在作物块茎增长期内；在对不同生育期估算模型精度以及稳定性进行横向对比分析后可知，相较于RR 方法，基于PLSR 的AGB 估算方法效果更佳。

2.4 结合FHI以及Hdsm的植被指数AGB估算模型

研究人员在模型实际构建过程中，将植被指数结合HFI 以及Hdsm 因子作为参数输入其中，分别利用PLSR 以及RR 方法构建出作物不同生育期的AGB 估算模型[8-10]，并得出结果，如表4 所示。通过对表4 中数据进行深入分析后可知，在此方法前提下，两种估算方法得出的模型变化趋势与上述两种方法基本一致。其中，基于融合所有特征为变量得到的估算结果最出色，其最佳估算值也在块茎增长期内。同时，在经过更加深入的分析后可知，马铃薯3 个生长期使用PLSR 方法基于融合特征估算的AGB 效果也同样优于RR方法。

表3 基于植被指数的马铃薯AGB 估算不同方法成效

表4 基于植被指数结合HFI 和Hdsm 使用PLSR 和RR估算马铃薯AGB

利用3 个生长周期的无人机多波段图像与GCP技术相配合，得到了不同生长期植株株高Hdsm 值，经测定株高和Hdsm 值R2为0.87，验证了利用DSM技术进行Hdsm 值的提取是最好的。然而，由于采用多波段遥感技术采集到的土豆植株高度与实际植株高度有一定差距，而在三维点云产生过程中，植株高度的最高处被剔除，从而使得DSM 模型下的Hdsm值变得更低。此外，获得的多波段图像含有少量的裸土壤像元，在Hdsm 的萃取过程中也需要进行计算，从而也降低了植株高度。

通过对4 个单波带植被指数、9 个多波段的植被指数、3 个红边波段的Hdsm 和Hdsm 分别与AGB 进行相关性分析，发现各个生育期的各指标与AGB 的相关性均达0.01，这表明各指标都能较好地反映作物的生长状况。3 个生育期间的相关关系由成熟期至淀粉积累期先上升后下降，这与马铃薯本身的生长情况有关。早期主要是马铃薯茎节、叶片持续生长，而在块茎生长期，马铃薯地面各个部分的鲜重最大，是全生育期的最佳时期，这一阶段提取的光谱图可以真实地反映出作物的生长状况。但随着生育后期土壤同化物的迁移，土壤中的同化物将会从底部开始向下迁移，从底部开始由下往上逐渐老化、发黄，导致土豆的长势和植被覆盖率显著下降，这时所得到的光谱图信息不能反映出马铃薯的实际反射率，这就导致了3个光谱学参数与AGB 之间的关系下降。

研究人员在实际模型构建工作中，将SVIs（x1）、MVIs（x2）、VIs 结合Hdsm（x3）、VIs 结合HFI（x4）、VIs 结合Hdsm 和HFI（x5）等作为变量参数输入至模型中，随后分别利用PLSR 以及RR 方法对马铃薯作物在不同生长周期条件下的AGB 进行估算。结果发现，基于5 种变量使用同样的方法构建的模型效果变化趋势均从块茎形成期到淀粉积累期先好后变差，这与模型参数和AGB 的相关性变化趋势相一致。相较于单波段植被指数（x1）估算模型，基于多波段组合植被指数（x2）构建的模型精度和稳定性都较优，主要因为通过多波段组合的植被指数能够去除或者降低背景土壤对马铃薯冠层光谱信息的影响，增强了植被指数与AGB 的敏感性，以此提高了AGB 估算精度。在利用频带综合植被指数估计AGB 时，大多利用绿、红、近红外等波段的反射系数进行频带计算，而忽略了红光和近红外的红边参数，而红边是植物的一种特殊光谱特性，在整个生育期都具有很强的灵敏度，所以红边的位置是研究AGB 动态变化的关键。但是，单凭植物指标来估计不同生育时期的AGB，在生长周期中会有明显的饱和，从而导致对AGB 的估计不够精确。通过将3 种不同频率信号（HFI）与植物株高（Hdsm）融合到植物指数中，以生成新的模式因子，对各个生育阶段的AGB 进行估计。结果显示，利用作物光谱和结构信息建立的模型具有较好的准确率稳定性，说明了利用植物成分信息可以有效地弥补植物指标的不足。

除此以外，为最大限度地减少模型参数间自相关性的影响，研究人员分别利用PLSR 以及RR 方法对不同生育期条件下的马铃薯作物进行AGB 估算模型构建。最终结果表明，在所有情况下，基于PLSR 方法构建的模型中R2相对较大，而NRMSE 相对较小，由此可见PLSR 方法计算精准度相对较高。

3 总结

综上所述，在当前科学技术高速发展背景下，农业现代化建设对高新技术的依赖性不断提升。由此，相关部门在实际发展过程中应注意提高对基于无人机多光谱摄像的作物地上生物量估算的重视程度，为保障我国农业生产管理高效、高质量发展提供有利条件与技术支持。