基于固定翼无人机多光谱影像的水稻长势关键指标无损监测

王伟康，张嘉懿，汪慧，曹强，田永超，朱艳，曹卫星，刘小军

基于固定翼无人机多光谱影像的水稻长势关键指标无损监测

王伟康，张嘉懿，汪慧，曹强，田永超，朱艳，曹卫星，刘小军

南京农业大学农学院/国家信息农业工程技术中心/智慧农业教育部工程研究中心/农业农村部农作物系统分析与决策重点实验室/江苏省信息农业重点实验室，南京 210095

【背景】近年来随着遥感技术的快速发展，实时无损监测作物生长状况已成为当前研究热点，遥感获取的农情信息将为实现大面积作物精确管理提供指导。在众多遥感监测平台里，无人机因其操作简单、使用成本低等特点而受到广泛关注，无人机搭载多光谱相机可以快速获取作物的长势信息。【目的】尝试将固定翼无人机多光谱影像纹理信息与光谱信息结合，探究“图谱”信息对水稻长势指标的监测效果。【方法】通过开展两年涉及不同播期、品种、播栽方式、施氮水平的水稻田间试验，在水稻关键生育期使用固定翼无人机搭载Sequoia多光谱相机获取水稻冠层遥感影像，同步进行地上部破坏性取样以获取水稻叶面积指数（LAI）、地上部生物量（AGB）和植株氮含量（PNC）等农学指标，采用简单线性回归、偏最小二乘回归和人工神经网络回归算法，构建基于固定翼无人机多光谱影像的水稻长势指标监测模型，比较分析光谱纹理信息在不同模型中的监测效果。【结果】利用简单线性回归方法探究了植被指数（VI）、单波段纹理特征与水稻LAI、AGB和PNC间的定量关系，结果表明植被指数与LAI和AGB之间有较强的相关性，表现最好的植被指数为CIRE和NDRE，2分别为0.80和0.76，但对于PNC的监测，植被指数并未达到理想的效果，表现最好的RESAVI和NDRE与PNC的决定系数仅为0.13。通过简单线性回归进一步发现单波段的纹理特征在对水稻生长指标的监测中表现并不理想；为进一步分析影像纹理对上述3个指标的监测效果，参照植被指数的构建方法构建了归一化纹理指数（NDTI）、比值纹理指数（RTI）和差值纹理指数（DTI），通过相关性分析发现新构建的纹理指数（TI）相较于单波段纹理特征对水稻生长指标的监测精度有所提升，但效果并未好于植被指数。为实现光谱与纹理间的结合，采用偏最小二乘和人工神经网络的建模方法，以VI、VI+TI为不同的输入参数组合进行水稻LAI、AGB和PNC的监测模型构建，结果表明采用偏最小二乘和人工神经网络的建模方法与简单线性回归相比模型的监测精度均得到了大幅提升，以VI+TI为输入变量，采用人工神经网络构建的模型在模型验证中取得了最佳效果，LAI模型的验证2由0.75提升至0.86，AGB和PNC的模型验证2也分别由0.72和0.26提升至0.92和0.86，同时模型的均显著降低。【结论】利用固定翼无人机采集水稻冠层多光谱影像，通过人工神经网络算法融合光谱和纹理信息能够有效提升水稻LAI、AGB和PNC的监测精度，该研究结果将为快速大面积作物长势监测提供理论依据。

无人机；植被指数；纹理特征；长势；水稻

0 引言

【研究意义】水稻作为重要的粮食作物之一，维持着全球一半以上人口的生存，准确且有效的监测水稻长势对于提升粮食总产量和保障粮食安全至关重要[1]。叶面积指数（leaf area index，LAI）、地上部生物量（aboveground biomass，AGB）和植株氮含量（plant nitrogen content，PNC）是水稻重要的生理生化指标，其在水稻氮素营养诊断[2-4]、生产管理[5]和产量预测[6]等方面具有重要意义。因此快速、无损地获取水稻的长势信息对实现水稻精确管理意义重大。随着农业集约化进程的推进，传统的田间测量和化学分析方法来获取作物长势信息已难以满足大面积的作物生产管理需求。近年来，随着传感器技术的飞速发展，多种类型的遥感监测平台被广泛应用于农业研究领域，根据监测尺度的不同，常用的遥感平台分为地面平台、无人机遥感平台以及卫星遥感平台。无人机遥感平台兼具时空分辨率高、覆盖范围大、操作成本低等优势，在农情遥感监测方面得到了更为广泛的应用。【前人研究进展】当前已有大量学者利用无人机实现了对作物生长指标的反演监测，如Fu等[7]利用六旋翼无人机搭载Airphen多光谱相机获取了小麦冠层多光谱影像，通过提取小麦不同生育时期多光谱影像的NDVI值，利用神经网络等多种机器学习方法构建了小麦LAI和叶片干物重估算模型，实现了对小麦长势的实时估测；Tao等[8]利用多旋翼无人机获取了小麦关键生育期的高光谱影像，通过影像提取了光谱指数和小麦株高等参数，结合小麦实测株高，利用偏最小二乘、人工神经网络和随机森林3种建模方法构建了小麦产量估测模型，有效提升了产量的估测精度；Lu等[9]利用无人机搭载RGB相机获取小麦田间彩色影像，结合作物表面模型提高了小麦生物量的估测精度。上述研究多关注于影像的光谱信息，缺乏对遥感影像的深度挖掘及分析过程。陈鹏飞等[10]研究表明，随着作物生育进程的推进，作物冠层覆盖度趋于饱和，导致光谱反射率信息对冠层生物量变化不敏感，影响反演的精度和效果。随着传感器及图像处理技术的进步，高质量影像的获取及处理流程不断简化。低空无人机平台获取的高分辨率多光谱影像蕴含了丰富的地物反射率信息、纹理信息以及结构信息等，以往大部分研究仅利用影像的光谱信息进行作物长势监测[11-12]。而与单一遥感数据相比，多元遥感数据融合能够提高作物长势指标监测模型的可靠性和鲁棒性[13]。例如万亮等[14]利用可见光图像的颜色和纹理特征实现了对稻穗的精准识别，将此结果与多光谱图像反射率信息融合，利用随机森林算法有效提高了穗生物量的评估精度，建模²达到0.84；戴震[15]将玉米冠层光谱特征信息和纹理特征信息通过不同线性组合作为变量输入，利用深度神经网络算法建立玉米叶片氮含量反演模型，模型决定系数达到0.85；Zheng等[16]利用无人机RGB影像和近地光谱仪获取了小麦冠层的纹理特征和反射率信息，利用PLSR方法建立了光谱与纹理特征融合的小麦AGB估测模型，结果表明特征融合对小麦AGB的估测效果优于单一特征。影像的纹理特征作为影像信息重要的组成成分，其分析过程实质上是在自定义的窗口内计算相邻像素之间像素值的变化[17]，而纹理信息作为影像的一种固有属性，能够提供地物的空间几何信息[18]，作物因营养状况的差异会导致生长发育状况不同，进一步影响植株高度、叶片大小等，这些差异均会造成植株冠层纹理特征的差异，因此纹理可作为有效的补充信息用于作物生长监测。【本研究切入点】纹理特征已在森林遥感监测中得到广泛应用，研究者基于纹理特征进行森林植被类型识别，生物量及覆盖度估算等。纹理信息在作物生长监测方面的应用多集中于对生物量的反演，而较少应用于作物氮素营养监测，已有的研究中陈鹏飞等[19]基于无人机高空间分辨率影像，探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响，为棉花氮素营养精准探测提供了新技术手段；陈鹏等[20]将植被指数与纹理特征通过主成分融合构建了一种新的综合指标估算马铃薯叶片叶绿素含量，其模型估算效果优于仅依赖植被指数或纹理特征建立的叶片叶绿素估算模型。光谱与纹理相结合在水稻氮素营养监测方面的效果尚未见详细报道，同时在前人研究中，无人机平台多选用旋翼无人机，而固定翼无人机对影像的采集频率和影像质量提出了新的要求，利用固定翼无人机多光谱影像信息进行水稻长势监测的效果有待探究。【拟解决的关键问题】以固定翼无人机作为遥感平台，搭载Sequoia多光谱相机，以水稻生长指标为研究对象，综合分析水稻生长指标与无人机多光谱影像的光谱、纹理信息间的定量关系，利用简单线性回归（simple liner regression，SLR）、偏最小二乘回归（partial least squares regression，PLSR）和人工神经网络（artificial neural network，ANN）3种建模方法比较分析不同输入变量组合下模型对水稻LAI、AGB和PNC的反演效果，为水稻生长指标的快速大面积监测提供技术支撑。

1 材料与方法

1.1 试验区概况

于2018、2020年间在江苏省兴化市百万亩国家粮食生产功能区进行不同品种、施氮水平、播栽方式的水稻田间试验（图1），该地区年降雨量645 mm，年平均气温16.9 ℃，实行稻麦两熟种植制度。

2018年试验设2个水稻品种（南粳9108、甬优2640），采用2种播栽方式（钵苗、毯苗）；2020年试验设3个水稻品种（南粳9108、甬优2640、武运粳32），采用人工播栽。两年试验均设置4个施氮水平，包括0（N0）、135 kg·hm-2（N1）、270 kg·hm-2（N2）、405 kg·hm-2（N3），栽插规格为粳稻15 cm×30 cm，杂交稻18 cm×30 cm，试验为小区试验，采用随机分布，设3次重复。氮肥形态为尿素，施氮比例：基肥﹕分蘖肥﹕促花肥﹕保花肥=3﹕3﹕2﹕2。另配施磷肥：P2O590 kg·hm-2，作基肥一次性施入。钾肥：K2O 150 kg·hm-2，基肥50%，倒4叶50%。其他管理措施同一般高产田。

氮水平N rate：N0（0）；N1（135 kg·hm-2）；N2（270 kg·hm-2）；N3（405 kg·hm-2）。品种Variety：V1（南粳9108 Nanjing 9108）；V2（甬优2640 Yongyou 2640）。播栽方式Planting technique：P1（钵苗移栽Tray seeding transplanting）；P2（毯苗移栽Blanket seeding transplanting）

1.2 数据获取

在水稻关键生育期，每个小区取代表性稻株3穴获取LAI、AGB等农学指标，同步进行无人机飞行测试获取多光谱影像。

1.2.1 农学数据获取 根据植株器官发育情况，将样品植株分离为叶、茎鞘和穗。将新鲜叶片清洗后通过LAI-3000台式叶面积仪测定叶面积，随后将分离的植株器官立刻放入烘箱在105 ℃杀青30 min，80 ℃烘干至恒重后称量，计算各器官的干重。样品粉碎后采用凯氏定氮法，使用AA3流动分析仪（BRAN+ LUEBBE AA3；德国）测定植株各器官的含氮量，最后根据样本的干重计算各个小区的PNC值。

1.2.2 无人机多光谱影像获取 使用eBee-SQ固定翼无人机（图2）搭载Parrot Sequoia多光谱相机来获取水稻冠层多光谱影像数据，相机包含5个镜头，一个1 600万像素滚动快门的RGB镜头，以及4个150万像素全局快门的单波段镜头，4个波段分别为绿光波段、红光波段、红边波段和近红外波段[21]。无人机飞行测试均在晴天和无风条件下进行，测试时间为10：00—14：00，每次飞行前对地面上的标准反射板进行拍摄来完成相机的辐射校正。无人机飞行高度设为80 m，对应地面像素分辨率为8 cm，旁向和航向重叠度均设置为70%。无人机影像使用Pix4Dmapper软件进行几何标定和拼接处理，并最终生成4幅单波段图像[22]。

图2 eBee-SQ固定翼无人机平台

Fig. 2 eBee-SQ fixed-wing UAV platform

1.3 数据分析方法

1.3.1 无人机影像光谱分析 将拼接好的影像导入ENVI 5.3（Exelis Visual Information Solutions，美国），利用Region of Interest工具选取实验小区的影像处理区域，计算每个小区的反射率均值，参照前人研究，选取6个较为经典的植被指数（vegetation index，VI）[23-24]对水稻LAI、AGB和PNC进行简单线性回归建模（表1）。

表1 本研究使用的植被指数

1.3.2 无人机影像纹理分析 使用ENVI 5.3软件，利用灰度共生矩阵（CLCM）对每个波段的无人机影像进行纹理特征提取，将纹理提取窗口设置为3*3大小，窗口移动步长设置为1，将4个角度（0°、45°、90°、135°）上纹理特征值取均值作为结果输出。每个波段有8个纹理特征值：均值（Mea）、方差（Var）、同质性（Hom）、对比度（Con）、异质性（Dis）、熵（Ent）、二阶矩（Sec）以及相关性（Cor）[25]。参照植被指数的构建方式，将不同波段的纹理特征进行两两组合[26]，分别构建归一化差值纹理指数（NDTI）、比值纹理指数（RTI）和差值纹理指数（DTI）（表2）。

表2 本研究所构建的纹理指数

T1和T2为所选波段的纹理特征值

T1 and T2 are the texture feature values of the selected band

1.3.3 模型构建 （1）简单线性模型：植被指数法是光学遥感估算植被长势指标常用的经验方法，在本研究中，首先利用简单线性回归（SLR）方法分析全生育期植被指数以及单波段纹理特征与水稻LAI、AGB和PNC间潜在的相关性，之后为探究纹理组合特征对水稻长势的监测效果，分别构建3种类型的纹理指数（texture index，TI），通过与水稻长势指标间的相关性分析，筛选出6个表现最好的TI进行后续模型的构建。

（2）偏最小二乘模型：偏最小二乘回归（PLSR）是一种多元统计方法，其适用于分析多个自变量与多个因变量间的相关关系，它包括多元线性回归和主成分分析的基本功能[27]，可以消除自变量之间多重共线性对模型精度带来的干扰。本研究中通过留一法交叉验证的均方根误差，确定PLSR中的最佳主成分数量，通过独立数据进行模型的验证。PLSR建模在R Studio中用pls包进行。

（3）人工神经网络模型：人工神经网络（ANN）是对生物神经元的模拟和简化，可以实现输入和输出间的非线性映射关系[28]。多层感知器（multi-layer perceptron，MLP）是运用最为广泛的一种人工神经网络模型，特别适合于求解内部机制复杂的问题。一个典型的MLP模型由3部分组成，输入层（input layer)、隐含层（hidden layer）和输出层（output layer）。在多层感知器内部，前一层的每个节点与相邻后一层的每个节点相连接，利用非线性激活函数和反向传播的监督学习技术进行训练，通过更新网络权重参数，得到最优结果。在本研究中，将隐含层数设置为1，隐含层激活函数设置为双曲正切，输出层的激活函数设置为恒等式，通过模型的决定系数（2）和均方根误差（）来确定最佳的隐含层神经元数量。ANN模型的构建在SPSS中实现。

1.3.4 模型精度评价 试验数据取自2018年和2020年两年水稻试验，共涉及分蘖、拔节、孕穗、抽穗4个关键生育期，其中70%作为建模数据，30%用于模型的检验，建模精度与验证精度分别采用决定系数2和均方根误差作为评估标准[29]，在所构建的PLSR和ANN模型中，通过引入变量投影重要性（variable importance in the projection，VIP）指标来衡量各输入参数在模型中的贡献度，通常情况下VIP值越高表明因子贡献度越大[30]。

2 结果

2.1 水稻长势指标的变异性分析

两年水稻试验设置不同氮处理，样本涵盖范围广泛，使得模型普适性增强。如表3所示，不同品种、氮肥处理、播栽方式、播期水稻长势差异明显，本研究所采用的数据集，LAI介于0.40—9.07，其变异系数为52.57%；AGB介于0.66—21.94，其变异系数为70.78%；PNC介于0.56—3.88，其变异系数为34.20%。整体来看，数据变化幅度较大，可解释更多的可能性。因此，该数据可以为水稻长势监测模型的建立提供可靠依据。

表3 不同处理下水稻叶面积指数、地上部生物量和植株氮含量的统计分析

2.2 基于植被指数（VI）的水稻长势监测模型构建与检验

基于水稻冠层无人机多光谱影像数据，提取水稻冠层反射率，筛选并构建了6个VI。表4显示了全生育期VI与水稻LAI、AGB和PNC间的相关性。可以看出在3个指标的监测中，VI与LAI的相关性最好，其次是AGB，对于PNC的反演效果最差。与LAI相关性较高的VI有CIRE、NDRE、RESAVI，2均＞0.70，其中表现最好的为CIRE，2=0.80；与AGB相关性较高的VI与LAI相同，其中NDRE的2达到0.76；植被指数RESAVIE和NDRE与PNC相关性高，2为0.13（图3）。上述与LAI、AGB、PNC相关性较高的几个VI均包含红边波段，由此可以确定在这两个波段蕴含丰富的水稻冠层植被信息。此外，在水稻孕穗期到抽穗期之间发现AGB和PNC均有一段跳跃式上升或下降过程，分析原因可能是在此阶段水稻处于营养生长与生殖生长并进阶段，生长发育较为迅速，而取样测试时期间隔较长导致。将表现最好的VI进行SLR建模，并使用独立数据进行验证，验证结果如图3，其中LAI的模型验证2=0.75，=0.99，模型验证取得较好的结果。AGB的模型验证2=0.72，=3.12；PNC的模型验证2=0.26，=0.55。模型的验证结果表明所选取的VI在对LAI、AGB的监测中均有较好的表现，而在PNC的验证中所选择的6个VI表现均未达到理想效果。

表4 6个植被指数与水稻叶面积指数、地上部生物量和植株氮含量的相关性

2.3 基于纹理的水稻长势监测模型构建与检验

通过分析多光谱影像各单波段的纹理特征与水稻LAI、AGB、PNC间的相关性（图4）发现，单波段纹理特征与水稻长势指标间的相关性并未好于植被指数。在对LAI的监测中，不同波段纹理特征与LAI的相关性有较大差异，表现较好的波段有近红外和红边波段，表现较好的纹理特征有均值、方差、同质性等，其中与LAI相关性最高的纹理特征为近红外波段的均值，2=0.48。与AGB相关性较高的纹理特征同样多集中在近红外和红边波段，这与LAI保持一致，但在本研究中与AGB相关性最好的纹理特征为绿光波段的均值，2=0.43。相较于LAI和AGB，各个波段的纹理特征与PNC的相关性均较低，其中表现最好的红光波段的二阶矩，2仅为0.09。

图3 基于植被指数建立的水稻叶面积指数、地上部生物量、植株氮含量监测模型和检验

单一的纹理特征在水稻LAI、AGB和PNC的估测中并未取得较好的效果，为消除系统误差，尝试将4个波段的各个纹理特征（共32种）两两配对，分别构建了归一化纹理指数（NDTI）、比值纹理指数（RTI）和差值纹理指数（DTI）并分析了纹理指数与水稻LAI、AGB和PNC间的相关性，表5列举了6个表现较好的TI，其中与LAI相关性最高的TI为NDTI（MEA550，MEA790），2=0.59；与AGB相关性最高的TI同样为NDTI（MEA550，MEA790），2=0.48；与PNC相关性最高的TI为DTI（SEC735，ENT660），2=0.26。本研究发现与LAI和AGB相关性较高的TI多是绿光波段与近红外波段的均值特征的组合，而与PNC相关性较高的TI多含有红光波段的纹理特征。相较于单一纹理，通过纹理间的组合计算得到的TI与水稻LAI、AGB和PNC间的相关性有了一定程度的提升，但相较于VI来说，TI除在PNC的监测方面好于VI，对于LAI、AGB的监测效果并未得到提升。上述结果表明，纹理特征作为除光谱信息外重要的影像信息可以在水稻生长指标监测过程中发挥独有的优势，尤其是在水稻氮素营养监测方面。

图4 纹理特征与水稻叶面积指数、地上部生物量、植株氮含量的相关性

表5 6个纹理指数与水稻叶面积指数、地上部生物量和植株氮含量的相关性

图5 偏最小二乘回归模型中各植被指数的VIP值

2.4 基于偏最小二乘回归的长势监测模型构建与检验

上述研究利用SLR的建模方法进行了水稻LAI、AGB和PNC监测模型的构建。为进一步探究光谱纹理结合对水稻长势指标监测精度的提升效果，首先将本文选定的6个VI作为输入参数进行了水稻LAI、AGB和PNC的PLSR模型构建。建模结果表明，LAI、AGB和PNC的PLSR模型在提取两个主成分后对上述指标达到了较好的预测效果。在变量因子重要性排序中，VI的VIP值均＞0.8，表明VI对3个指标的解释作用都较好，CIRE、NDRE、RESAVI在VIP值排序中均在前3位，表明在偏最小二乘的建模方法下，这3个VI对模型的估测效果影响最大（图5）。基于VI的LAI偏最小二乘估测模型验证2=0.76，=0.97，相比基于植被指数CIRE建立的LAI简单线性回归模型验证2=0.75，=0.99，2略有提升，有一定程度的降低。基于VI建立的水稻AGB和PNC偏最小二乘估测模型验证2分别为0.73和0.27，分别为3.04和0.55，相比基于植被指数NDRE建立的AGB简单线性回归模型验证2=0.72，=3.12和基于植被指数RESAVI建立的PNC简单线性回归模型验证2=0.26，=0.55，2和均未有显著改善（图6）。

上述研究发现基于VI的PLSR模型对LAI、AGB、PNC的预测精度提升效果不显著，因此尝试将TI纳入PLSR模型的构建中以提升模型预测效果。选择上述与LAI、AGB和PNC相关性较好的6个TI，加入TI后，各指数的VIP值如图7所示。由VIP值排序可以发现，VI对LAI和AGB有较好的解释性，其中表现较好的VI为CIRE、NDRE和RESAVI，这与SLR建模时的结果保持一致，TI中表现较好的有RTI（MEA550，MEA790）、NDTI（MEA550，MEA790）。而对于PNC，纹理指数对其解释效果要好于植被指数，其中表现较好的TI有DTI（COR550，SEC660）和RTI（VAR660，CON660）。与单独使用VI进行PLSR模型构建相比，基于VI和TI的PLSR模型在对LAI的估测上，验证2=0.77提升1%，=0.96降低1.03%。在对AGB估测方面，与仅使用VI相比，模型的验证2=0.81提升7%，=2.52降低17.11%，有效改善了模型的预测精度。在对PNC估测方面，模型的验证2=0.36提升9%，=0.48降低9.40%（图8）。通过比较发现，当TI参与到PLSR模型的构建后，模型对LAI、AGB和PNC的预测精度均得到一定程度的提升。

图7 偏最小二乘回归模型中各植被指数和纹理指数的VIP值

2.5 基于人工神经网络的水稻长势监测模型构建与检验

为比较不同模型对水稻长势指标的反演效果，使用ANN进行水稻LAI、AGB和PNC的估测。为保证与PLSR的一致性，首先以6个VI作为输入参数，建立ANN预测模型。模型的隐含层数设置为1，考虑到模型的运算效率，将模型神经元数量设置为3—30进行测试，当模型值最低时确定最佳的神经元数量。图9显示在ANN模型中，植被指数的重要性排序。将VI作为唯一输入参数进行LAI预测模型构建，当神经元数量设置为23个时，模型的取得最小值0.74，此时模型的验证2=0.85，与PLSR模型相比，模型2提升9%且降低23.71%。在AGB的ANN预测模型中，当神经元数量设置为13个时，模型的取得最小值1.86，此时模型验证2=0.88，相较于PLSR模型，模型精度提升约15%且降低38.82%，模型的预测精度大幅提升。当神经元设置为8个时，对于PNC的预测取得最小值0.46，此时模型预测精度为53%，相较于PLSR，模型的预测精度提升约48%，降低13.21%（图10）。

图8 基于植被指数和纹理指数的偏最小二乘回归模型中LAI、AGB、PNC验证结果

图9 人工神经网络模型中各植被指数的VIP值

为进一步探索不同模型在多元参数输入下对水稻LAI、AGB和PNC的预测精度，将TI纳入到ANN预测模型中。同样设置隐含层数为1，神经元数量在3—30间进行调试。图11显示当水稻LAI、AGB和PNC预测模型达到最小时，各输入变量的因子重要性排序。当神经元数量设置为25个时，模型对LAI的预测效果达到最优，此时=0.72，验证2=0.86。相较于仅基于VI的ANN预测模型，加入TI后模型的精度有一定程度的提升。当隐含层神经元数量设置为29个时，模型对AGB的预测效果达到最优，此时=1.56，验证2=0.92。相较于仅基于VI的ANN预测模型，模型的降低不明显，但模型预测精度有较大的提升。对于PNC，当神经元数量设置为30个时，模型的取得最小值0.25，此时模型的验证2=0.86，相较于仅基于VI的ANN预测模型，降低45.65%，模型的预测误差显著降低（图12）。综上可以发现，当在ANN模型中加入纹理信息后模型的精度和预测误差均有一定程度的改善，因此纹理信息可以作为一种重要的信息应用到作物生长监测中。

图10 基于植被指数的人工神经网络模型中LAI、AGB、PNC验证结果

图11 人工神经网络模型中各植被指数和纹理指数的VIP值

上述研究结果表明，当VI或TI作为单一参数进行SLR建模时，模型对水稻LAI、AGB和PNC的监测效果最差，当采用PLSR和ANN将多个VI进行监测模型构建时，模型的精度和均方根误差相较于SLR建模均有一定程度的提升，而当TI与VI共同参与监测模型的构建时，模型对水稻LAI、AGB以及PNC的监测效果最好，通过模型间的比较发现，以VI+TI作为输入参数，采用ANN的模型构建方法对水稻LAI、AGB和PNC的监测取得了最优的效果。

图12 基于植被指数和纹理指数的人工神经网络模型LAI、AGB、PNC验证结果

Fig. 12 Validation results of LAI, AGB and PNC in ANN model based on vegetation index and texture index

3 讨论

3.1 固定翼无人机在水稻长势监测中的优势

与以往研究多使用旋翼无人机进行影像数据采集不同，本研究中使用了固定翼无人机作为机载平台，相较于旋翼无人机，固定翼无人机具有飞行速度快，续航时间久等优点。在本研究中，当飞行高度设为80 m时，固定翼无人机搭载多光谱相机单次平均作业时长可达45 min，作业面积可达90 hm2，相较于大疆精灵4多光谱版27 min、大疆经纬M600 Pro 38 min的作业时长和作业效率有显著提升。本研究分析了基于固定翼无人机多光谱影像信息在水稻长势监测中的效果，结果表明基于光谱信息构建的植被指数和基于纹理特征构建的纹理指数与水稻长势指标间均存在相关性，这与预期结果一致。水稻内部所含的色素水平、水分含量及其他结构控制着水稻特殊的光谱响应。而随着作物生长发育的进行，多光谱影像的纹理特征信息显现出独有的优势，纹理特征对作物发育后期植株的形态变化更为敏感[31]。光谱与空间维度信息的结合可以显著提升水稻长势监测的精度，应用固定翼无人机搭载多光谱相机以较低的作业成本和高效的作业效率实现了对水稻长势指标信息的准确获取，为实现大面积的农田精确管理提供了方法。

3.2 单一影像信息在水稻长势指标监测中的表现

Zheng等[32]利用多旋翼无人机搭载六波段多光谱相机采集了水稻关键生育期冠层影像，通过构建植被指数和纹理指数实现了对水稻AGB的估算，研究结果表明优化的土壤调整植被指数（OSAVI）与水稻AGB的相关性最高（2=0.63），而归一化纹理指数NDTI（MEA800，MEA550）与水稻AGB的建模2达到0.75，优于所有植被指数。同时Zheng等[33]还发现基于红边条带和近红外条带的纹理特征组成的NDTI在水稻叶片氮含量和植株氮含量的监测中表现较好，表现最好的纹理指数为NDTI（DIS800，CON720）和NDTI（COR800，DIS720），建模2分别为0.31和0.41。本研究基于植被指数构建的水稻LAI、AGB和PNC简单线性回归模型表明与水稻LAI、AGB和PNC相关性最好的植被指数为CIRE、NDRE和RESAVI，决定系数分别为0.80、0.76和0.13。3个植被指数中均含有红边和近红外波段，由此可以判断这两个波段区间在水稻长势监测中具有独特的作用，这一结果与前人研究一致[34]。本研究同时发现单波段纹理特征对3个指标的监测效果远低于植被指数，造成此结果的原因可能是纹理信息易受尺度缩放和视点变化的影响，导致提取的纹理信息过于冗余，难以区分有效信息和噪声。在不同施氮水平下的水稻无人机图像具有显著的变化特征，而纹理特征均值表示了灰度共生矩阵中所有元素的平均值，均值越大，表示图像中的纹理越明显，反之则表示图像中的纹理越平滑。因此均值纹理特征可以反映出不同处理下水稻冠层的结构差异。虽然大部分纹理特征与水稻LAI和AGB的相关性较低，但是mean纹理特征单独使用或者利用数学组合的形式结合在水稻LAI和AGB监测上取得了较好效果。本文参照植被指数构建方法构建了纹理指数，相较于单波段纹理特征，纹理指数与水稻LAI、AGB和PNC间的相关性均有所提升，在LAI和AGB的监测中表现最好的纹理指数为NDTI（MEA550，MEA790），建模2分别为0.59和0.48，表现较好的纹理指数均由绿光波段和近红外波段组成，绿光波段主要反映了作物叶片色素的信息，而近红外波段主要体现了植物的细胞构造及内部化学成分信息，两个波段均值特征的组合一定程度上消除了土壤及其他背景因素的影响，增强了水稻植被信息，为水稻LAI和AGB的估算提供了新的参数，这一结论在前人研究中也有所体现[35]。在对水稻PNC的监测中纹理指数的效果普遍好于单波段纹理特征和植被指数，Clark等[36]研究表明，红边区间与植被叶绿素、氮素、以及叶面积指数等结构特征有重要相关性，而在本研究中与水稻PNC相关性较好的纹理指数也多由红边条带组成，表现最好的纹理指数DTI（SEC735，ENT660）与PNC的相关性为0.26。实际上，目前对于纹理特征的筛选依然缺少一套标准，筛选出的纹理特征很难解释其原理；另外不同纹理算法、窗口大小和光谱波段均会影响最佳纹理特征的选择，有待今后进一步探讨。

3.3 光谱信息与纹理特征相结合在水稻长势指标监测中的效果

利用机器学习的方法将影像光谱、纹理、颜色等信息融合实现对作物长势的监测已成为当前研究热点。本研究采用PLSR和ANN两种机器学习方法，无论采用单一指标（VI）或融合指标（VI+TI）作为模型输入参数，基于ANN构建的模型监测效果都要好于PLSR，这在前人研究中也有所体现[37]。纹理作为一种常见的视觉现象，反映了灰度图像中含有强弱关系的相似图形在图像中的局部结构或排列规则[38]，灰度共生矩阵提供了影像灰度方向、间隔、变化幅度与快慢的信息，利用灰度共生矩阵提取的水稻冠层纹理信息有效的反映了其空间分布特征，该信息能够有效缓解水稻生长后期冠层光谱饱和带来的监测精度下降问题。通过将纹理特征值进行归一化、比值、差值处理，可以消除影像中因地形、阴影等带来的影响[39]，进一步突出了地物特征，因此多指标结合的水稻长势监测模型综合了光谱信息与纹理特征对水稻LAI、AGB和PNC估算的共同贡献，其模型预测精度要好于仅基于光谱所建立的模型，该结果也验证了前人关于光谱纹理融合指标可以提升叶面积指数[17]、生物量[40]和植株氮含量[41]监测精度的研究结论。在本研究中，植被指数和纹理指数对水稻LAI和AGB的监测效果都要好于PNC，原因是在水稻生长期间，LAI和AGB变化很大，这种变化遮盖了叶绿素和氮素对冠层反射率和空间特征的贡献，因此植被指数和纹理指数对水稻LAI和AGB的变化更为敏感。而在对水稻氮素含量遥感监测的过程中，仅获取了作物上层叶片光谱纹理信息，由此也导致了图谱信息对植株整体氮素含量的反演效果并不理想。本研究中大部分纹理特征与植株氮含量的相关性很低，而通过构建纹理指数的方式有效提升了对水稻PNC的监测效果，但是相较于LAI和AGB，其监测效果也并不理想。在本研究中，基于植被指数和纹理指数结合建立的人工神经网络模型在水稻LAI、AGB和PNC的监测中取得了最好的效果，模型的验证2分别为0.86、0.92和0.86，同时与其他建模方法相比也达到最低值。通过对模型变量投影重要性分析，具有红边波段的植被指数对水稻LAI和AGB的反演具有较大贡献，而对于水稻PNC，在不同建模方法中植被指数与纹理指数的重要性不同，因此尚无法得出统一结论。

本研究仍然存在一些不足之处，如已有研究表明在不同地面分辨率下，影像的纹理特征与作物生长指标间的相关性存在较大差异，本文并未讨论在不同分辨率下纹理特征对模型精度的影响。同时，本研究尚未尝试反射率与纹理特征直接的数学组合方式，“图谱”指数对作物水稻长势指标的监测效果尚未明确。再则，由于取样间隔时间长，样本数据较少，对于模型鲁棒性有一定影响，后续可以增加样本量、作物品种、不同年限以及更多地区等来验证模型，进而提升模型普适性及鲁棒性。

4 结论

基于固定翼无人机平台搭载多光谱传感器获取水稻冠层关键生育期影像数据，通过无人机影像光谱和纹理信息进行了植被指数与纹理指数的构建。相较于单波段纹理特征，纹理指数与水稻LAI、AGB和PNC的相关性更好，但与植被指数相比，纹理指数并未取得更好的监测效果，因此影像纹理只能作为光谱的辅助信息应用到作物长势监测中。进一步采用SLR、PLSR和ANN 3种方法建立了水稻长势无损监测模型，植被指数与纹理指数结合后的预测模型效果要好于单一变量。而基于PLSR和ANN两种机器学习的建模效果要优于SLR的建模效果，表现最好的建模方法为ANN。以植被指数和纹理指数为输入参数，采用ANN的模型构建方法，在对LAI的监测中，模型的验证精度达到了86%，而在AGB和PNC的监测中，模型的验证精度分别达到了92%和86%。研究结果证明了基于无人机多光谱影像数据实现对水稻长势和氮素状况监测的可行性，为作物长势快速监测与精确管理提供了技术途径。

[1] 陈明江, 刘贵富, 余泓, 王冰, 李家洋. 水稻高产优质的分子基础与品种设计. 科学通报, 2018, 63(14): 1275-1289.

CHEN M J, LIU G F, YU H, WANG B, LI J Y. Towards molecular design of rice plant architecture and grain quality. Chinese Science Bulletin, 2018, 63(14): 1275-1289. (in Chinese)

[2] JIANG J, ATKINSON P, ZHANG J Y, LU R H, ZHOU Y Y, CAO Q, TIAN Y C, ZHU Y, CAO W X, LIU X J. Combining fixed-wing UAV multispectral imagery and machine learning to diagnose winter wheat nitrogen status at the farm scale. European Journal of Agronomy, 2022, 138: 126537.

[3] ZHAO B, ATA-UL-KARIM S T, DUAN A W, LIU Z D, WANG X L, XIAO J F, LIU Z G, QIN A Z, NING D F, ZHANG W Q, LIAN Y H. Determination of critical nitrogen concentration and dilution curve based on leaf area index for summer maize. Field Crops Research, 2018, 228: 195-203.

[4] ATA-UL-KARIM S T, ZHU Y, YAO X, CAO W X. Determination of critical nitrogen dilution curve based on leaf area index in rice. Field Crops Research, 2014, 167: 76-85.

[5] WANG X B, MIAO Y X, DONG R, ZHA H N, XIA T T, CHEN Z C, KUSNIEREK K, MI G H, SUN H, LI M Z. Machine learning-based in-season nitrogen status diagnosis and side-dress nitrogen recommendation for corn. European Journal of Agronomy, 2021, 123: 126193.

[6] BASCON M V, NAKATA T, SHIBATA S, TAKATA I, KOBAYASHI N, KATO Y, INOUE S, DOI K, MURASE J, NISHIUCHI S. Estimating yield-related traits using UAV-derived multispectral images to improve rice grain yield prediction. Agriculture, 2022, 12(8): 1141.

[7] FU Z P, JIANG J, GAO Y, KRIENKE B, WANG M, ZHONG K, CAO Q, TIAN Y C, ZHU Y, CAO W X, LIU X J. Wheat growth monitoring and yield estimation based on multi-rotor unmanned aerial vehicle. Remote Sensing, 2020, 12(3): 508.

[8] TAO H L, FENG H K, XU L J, MIAO M K, YANG G J, YANG X D, FAN L L. Estimation of the yield and plant height of winter wheat using UAV-based hyperspectral images. Sensors, 2020, 20(4): 1231.

[9] LU N, ZHOU J, HAN Z X, LI D, CAO Q, YAO X, TIAN Y C, ZHU Y, CAO W X, CHENG T. Improved estimation of aboveground biomass in wheat from RGB imagery and point cloud data acquired with a low-cost unmanned aerial vehicle system. Plant Methods, 2019, 15: 17.

[10] 陈鹏飞, TREMBLAY N, 王纪华, VIGNEAULT P, 黄文江, 李保国. 估测作物冠层生物量的新植被指数的研究. 光谱学与光谱分析, 2010, 30(2): 512-517.

CHEN P F, TREMBLAY N, WANG J H, VIGNEAULT P, HUANG W J, LI B G. New index for crop canopy fresh biomass estimation. Spectroscopy and Spectral Analysis, 2010, 30(2): 512-517. (in Chinese)

[11] YANG G J, LIU J G, ZHAO C J, LI Z H, HUANG Y B, YU H Y, XU B, YANG X D, ZHU D M, ZHANG X Y, ZHANG R Y, FENG H K, ZHAO X Q, LI Z H, LI H L, YANG H. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives. Frontiers in Plant Science, 2017, 8: 1111.

[12] YANG K L, GONG Y, FANG S H, DUAN B, YUAN N G, PENG Y, WU X T, ZHU R S. Combining spectral and texture features of UAV images for the remote estimation of rice LAI throughout the entire growing season. Remote Sensing, 2021, 13(15): 3001.

[13] MAIMAITIJIANG M, SAGAN V, SIDIKE P, HARTLING S, ESPOSITO F, FRITSCHI F B. Soybean yield prediction from UAV using multimodal data fusion and deep learning. Remote Sensing of Environment, 2020, 237: 111599.

[14] 万亮, 杜晓月, 陈硕博, 于丰华, 朱姜蓬, 许童羽, 何勇, 岑海燕. 基于无人机多源图谱融合的水稻稻穗表型监测. 农业工程学报, 2022, 38(9): 162-170.

WAN L, DU X Y, CHEN S B, YU F H, ZHU J P, XU T Y, HE Y, CEN H Y. Rice panicle phenotyping using UAV-based multi-source spectral image data fusion. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(9): 162-170. (in Chinese)

[15] 戴震. 基于无人机多源影像信息融合的玉米冠层氮含量遥感监测研究[D]. 合肥: 安徽大学, 2021.

DAI Z. Nitrogen content monitoring of corn canopy based on UAV multi-source data fusion[D]. Hefei: Anhui University, 2021. (in Chinese)

[16] ZHENG L, TAO J P, BAO Q, WENG S Z, ZHANG Y K, ZHAO J L, HUANG L S. Combining spectral and textures of digital imagery for wheat aboveground biomass estimation//International Conference on Electronic Information Technology (EIT 2022): SPIE, 2022: 304-307.

[17] WULDER M A, LEDREW E F, FRANKLIN S E, LAVIGNE M B. Aerial image texture information in the estimation of northern deciduous and mixed wood forest leaf area index (LAI). Remote Sensing of Environment, 1998, 64(1): 64-76.

[18] 刘俊, 毕华兴, 朱沛林, 孙菁, 朱金兆, 陈涛. 基于ALOS遥感数据纹理及纹理指数的柞树蓄积量估测. 农业机械学报, 2014, 45(7): 245-254.

LIU J, BI H X, ZHU P L, SUN J, ZHU J Z, CHEN T. Estimating stand volume offorest based on texture parameters and derivative texture indices of alos imagery. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(7): 245-254. (in Chinese)

[19] 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. 中国农业科学, 2019, 52(13): 2220-2229.doi: 10.3864/j.issn.0571-1752.2019.13.003.

CHEN P F, LIANG F. Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle. Scientia Agricultura Sinica, 2019, 52(13): 2220-2229. doi: 10.3864/j.issn.0571-1752.2019.13.003. (in Chinese)

[20] 陈鹏, 冯海宽, 李长春, 杨贵军, 杨钧森, 杨文攀, 刘帅兵. 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. 农业工程学报, 2019, 35(11): 63-74.

CHEN P, FENG H K, LI C C, YANG G J, YANG J S, YANG W P, LIU S B. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(11): 63-74. (in Chinese)

[21] WANG Y Y, ZHANG K, TANG C L, CAO Q, TIAN Y C, ZHU Y, CAO W X, LIU X J. Estimation of rice growth parameters based on linear mixed-effect model using multispectral images from fixed-wing unmanned aerial vehicles. Remote Sensing, 2019, 11(11): 1371.

[22] LIU X H, WANG L. Feasibility of using consumer-grade unmanned aerial vehicles to estimate leaf area index in mangrove forest. Remote Sensing Letters, 2018, 9(11): 1040-1049.

[23] ZHANG J Y, QIU X L, WU Y T, ZHU Y, CAO Q, LIU X J, CAO W X. Combining texture, color, and vegetation indices from fixed-wing UAS imagery to estimate wheat growth parameters using multivariate regression methods. Computers and Electronics in Agriculture, 2021, 185: 106138.

[24] 田庆久, 闵祥军. 植被指数研究进展. 地球科学进展, 1998, 13(4): 327-333.

TIAN Q J, MIN X J. Advances in study on vegetation indices. Advance in Earth Sciences, 1998, 13(4): 327-333. (in Chinese)

[25] 杨福芹, 冯海宽, 肖天豪, 李天驰, 郭向前. 融合无人机影像光谱与纹理特征的冬小麦氮营养指数估算. 农业现代化研究, 2020, 41(4): 718-726.

YANG F Q, FENG H K, XIAO T H, LI T C, GUO X Q. Nitrogen nutrition index estimation in winter wheat by UAV spectral information and texture feature fusion. Research of Agricultural Modernization, 2020, 41(4): 718-726. (in Chinese)

[26] 杭艳红, 苏欢, 于滋洋, 刘焕军, 官海翔, 孔繁昌. 结合无人机光谱与纹理特征和覆盖度的水稻叶面积指数估算. 农业工程学报, 2021, 37(9): 64-71.

HANG Y H, SU H, YU Z Y, LIU H J, GUAN H X, KONG F C. Estimation of rice leaf area index combining UAV spectrum, texture features and vegetation coverage. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(9): 64-71. (in Chinese)

[27] 李岚涛, 郭宇龙, 韩鹏, 王丹丹, 王宜伦. 基于高光谱的冬小麦不同生育时期地上部生物量监测. 麦类作物学报, 2021, 41(7): 904-913.

LI L T, GUO Y L, HAN P, WANG D D, WANG Y L. Estimation of shoot biomass at different growth stages of winter wheat based on hyperspectral reflectance. Journal of Triticeae Crops, 2021, 41(7): 904-913. (in Chinese)

[28] YUAN H H, YANG G J, LI C C, WANG Y J, LIU J G, YU H Y, FENG H K, XU B, ZHAO X Q, YANG X D. Retrieving soybean leaf area index from unmanned aerial vehicle hyperspectral remote sensing: Analysis of RF, ANN, and SVM regression models. Remote Sensing, 2017, 9(4): 309.

[29] 赵晓阳, 张建, 张东彦, 周新根, 刘小辉, 谢静. 低空遥感平台下可见光与多光谱传感器在水稻纹枯病病害评估中的效果对比研究. 光谱学与光谱分析, 2019, 39(4): 1192-1198.

ZHAO X Y, ZHANG J, ZHANG D Y, ZHOU X G, LIU X H, XIE J. Comparison between the effects of visible light and multispectral sensor based on low-altitude remote sensing platform in the evaluation of rice sheath blight. Spectroscopy and Spectral Analysis, 2019, 39(4): 1192-1198. (in Chinese)

[30] LIU Y N, LIU S S, LI J, GUO X Y, WANG S Q, LU J W. Estimating biomass of winter oilseed rape using vegetation indices and texture metrics derived from UAV multispectral images. Computers and Electronics in Agriculture, 2019, 166: 105026.

[31] YUE J B, YANG G J, TIAN Q J, FENG H K, XU K J, ZHOU C Q. Estimate of winter-wheat above-ground biomass based on UAV ultrahigh-ground-resolution image textures and vegetation indices. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 150: 226-244.

[32] ZHENG H B, CHENG T, ZHOU M, LI D, YAO X, TIAN Y C, CAO W X, ZHU Y. Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery. Precision Agriculture, 2019, 20(3): 611-629.

[33] ZHENG H B, ZHOU M, ZHU Y, CHENG T. Exploiting the textural information of UAV multispectral imagery to monitor nitrogen status in rice//IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium, 2019: 7251-7253.

[34] ALI A, IMRAN M. Evaluating the potential of red edge position (REP) of hyperspectral remote sensing data for real time estimation of LAI & chlorophyll content of kinnow mandarin () fruit orchards. Scientia Horticulturae, 2020, 267: 109326.

[35] XU T Y, WANG F M, XIE L L, YAO X P, ZHENG J Y, LI J L, CHEN S T. Integrating the textural and spectral information of UAV hyperspectral images for the improved estimation of rice aboveground biomass. Remote Sensing, 2022, 14(11): 2534.

[36] Clark M L, Roberts D A, Clark D B. Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales. Remote sensing of environment, 2005, 96(3/4): 375-398.

[37] 刘秀英. 玉米生理参数及农田土壤信息高光谱监测模型研究[D]. 杨凌: 西北农林科技大学, 2016.

LIU X Y. Monitoring models of physiological parameters of corn and farmland soil information based on hyper-spectral reflectance[D]. Yangling: Northwest A&F University, 2016. (in Chinese)

[38] 龚红菊, 姬长英. 基于图像处理技术的麦穗产量测量方法. 农业机械学报, 2007, 38(12): 116-119.

GONG H J, JI C Y. Estimating yield of wheat spike with its texture features based on image processing technology. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(12):116-119. (in Chinese)

[39] 郑恒彪. 水稻生育期及生长参数的近地面遥感监测研究[D]. 南京: 南京农业大学, 2018.

ZHENG H B. Monitoring rice phenology and growth parameters using near-ground remote sensing platforms[D]. Nanjing: Nanjing Agricultural University, 2018. (in Chinese)

[40] LU D. Aboveground biomass estimation using Landsat TM data in the Brazilian Amazon. International Journal of Remote Sensing, 2005, 26(12): 2509-2525.

[41] 孙俊, 金夏明, 毛罕平, 武小红, 朱文静, 张晓东, 高洪燕. 基于高光谱图像光谱与纹理信息的生菜氮素含量检测. 农业工程学报, 2014, 30(10): 167-173.

SUN J, JIN X M, MAO H P, WU X H, ZHU W J, ZHANG X D, GAO H Y. Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(10): 167-173. (in Chinese)

Non-destructive monitoring of rice growth Key indicators based on fixed-wing UAV multispectral images

Wang WeiKang, Zhang JiaYi, Wang Hui, Cao Qiang, Tian YongChao, Zhu Yan, Cao WeiXing, Liu XiaoJun

College of Agriculture, Nanjing Agricultural University/National Engineering and Technology Center for Information Agriculture/ Engineering Research Center of Smart Agriculture, Ministry of Education/Key Laboratory for Crop System Analysis and Decision Making, Ministry of Agriculture and Rural Affairs/Jiangsu Key Laboratory for Information Agriculture, Nanjing 210095

【Background】In recent years, with the rapid development of remote sensing technology, real-time and non-destructive monitoring of crop growth status has become a research hotspot. Remote sensing-derived agricultural information will provide guidance for the precise management of large-scale crops. Among various remote sensing monitoring platforms, unmanned aerial vehicles (UAVs) have attracted wide attention due to their simple operation and low cost. UAVs equipped with multispectral cameras can quickly obtain crop growth conditions.【Objective】This study attempted to combine texture information and spectral information of multispectral images of fixed-wing UAVs to explore the monitoring effect of “atlas” information on rice growth indicators.【Method】A two-year rice field experiment involving different sowing dates, varieties, planting methods and nitrogen levels was conducted. During the key growth stages of rice, remote sensing images of the rice canopy were obtained using a Sequoia multispectral camera mounted on a fixed-wing UAV. Shoot destructive sampling was conducted simultaneously to obtain leaf area index (LAI), aboveground biomass (AGB), plant nitrogen content (PNC) and other agronomic indexes of rice. Simple regression, partial least squares regression and artificial neural network algorithms were used to construct rice growth index monitoring model based on multispectral images of fixed-wing UAV. The monitoring effects of spectral texture information in different models were compared and analyzed.【Result】The quantitative relationship between vegetation index (VI), single-band texture features and rice LAI, AGB, and PNC was explored using simple linear regression. The results showed that vegetation indexes had strong correlations with LAI and AGB, with the best-performing indexes being CIRE and NDRE, with2values of 0.80 and 0.76, respectively. However, for PNC monitoring, vegetation indexes did not achieve ideal results, with the best-performing RESAVI and NDRE having2values of only 0.13 with PNC. Further analysis using simple linear regression revealed that single-band texture features did not perform well in monitoring rice growth indicators. In order to further analyze the monitoring effect of image texture on the above three indexes, normalized texture indexes (NDTI), ratio texture indexes (RTI), and difference texture indexes (DTI) were constructed by referring to the construction method of VI. Correlation analysis showed that the newly constructed texture index (TI) improved the monitoring accuracy of rice growth indicators compared to single-band texture feature but did not perform better than vegetation indexes. To combine spectral and texture information, partial least squares and artificial neural network modeling methods were adopted in this paper. VI and VI+TI were used as different input parameter combinations to construct rice LAI, AGB and PNC monitoring models. The results showed that both partial least squares and artificial neural network modeling methods significantly improved the monitoring accuracy compared to simple linear regression. The best performance was achieved using VI+TI as input variables and an artificial neural network model for validation, with validation2values for LAI, AGB, and PNC models increasing from 0.75, 0.72, and 0.26 to 0.86, 0.92, and 0.86, respectively, while RMSE values were significantly reduced.【Conclusion】The monitoring accuracy of rice LAI, AGB and PNC can be effectively improved by using the fixed-wing UAV to collect multispectral images of rice canopy and using the texture features and reflectance information as input parameters of the model through the model construction method of artificial neural network. The research results will provide a theoretical basis for rapid monitoring of large area crop growth.

unmanned aerial vehicle (UAV); vegetation index (VI); texture feature; growth; rice

2023-02-23；

2023-05-10

国家自然科学基金（32071903）、国家重点研发计划（2022YFD2301402）

王伟康，E-mail：2019801206@njau.edu.cn。通信作者刘小军，E-mail：liuxj@njau.edu.cn

（责任编辑 岳梅）