基于无人机高清影像的棉花苗期长势监测及后期长势预测

祁佳峰 郭鹏 刘笑 杜文玲

摘要：棉花长势对其产量有重要影响，对3～4叶期棉花长势进行监测并对后期长势进行预测，有利于棉花的田间管理和提高最终产量。本研究利用棉花3～4叶期无人机高清影像进行试验，首先利用绿叶指数（green leaf index，GLI）对棉花苗期影像进行分割，利用ENVI 5.6软件中的农业工具包对棉花幼苗进行提取；然后根据棉花幼苗的直径范围以自然断点法将棉花幼苗依次划分为一等苗、二等苗和三等苗；最后以305像素×305像素为单位面积，以单位面积内甲等苗数量占出苗总数的比例和出苗率乘积的大小实现对棉花后期长势优劣的预测。结果发现，在众多指数中，GLI指数对影像的分割效果最好，可以实现对棉花幼苗的有效提取。试验区共提取棉花37 123株，其中，一等苗11 091株，二等苗21 151株，三等苗4 881株。经不同尺度的重复检验，棉花幼苗的提取精度达95.7%；试验区3～4叶期棉花冠层的平均地表覆盖度为6.54%；长势预测评分结果与2期NDVI相关性的决定系数分别为0.756 9、0.662 1，均方根误差分别为0.077 0、0.900 1。本研究表明，利用棉花苗期长势结合出苗率可对后期长势进行有效预测，但预测精度会随时间的推移逐渐降低，因此本研究中提出的方法更适合对棉花从苗期开始至未来中短期内长势的预测。本研究为棉花长势预测提供一种新的手段，对棉花生长过程中进行人工干预和提高棉花产量具有重要的指导作用。

关键词：无人机；棉花；苗期；长势监测；长势预测

中图分类号：S127文献标志码：A

文章编号：1002-1302（2023）16-0170-09

收稿日期：2022-10-24

基金项目：国家自然科学基金（编号：U2003109）；石河子大学高层次人才科研启动资金专项（编号：RCZK2018C15）。

作者简介：祁佳峰（1997—），男，甘肃定西人，硕士研究生，从事农业遥感方向研究。E-mail：qjf626112@163.com。

通信作者：郭 鹏，博士，教授，从事农业遥感方向研究。E-mail：gp163@163.com。

棉花是我国主要的经济作物，新疆也是我国棉花的主产区，据相关统计，新疆地区棉花种植面积占新疆总耕地面积的50%左右，占全国棉花种植总面积的80%左右^［1］。棉花种植面积广泛，快速、准确的对棉花长势进行监测，是现代农业的主要任务之一，而对一定时间段内棉花长势进行预测，对提高产量以及当地政府和农业部门制定相关政策具有指导意义^［2］。

精准农业和农业现代化进程中，作物长势监测已成为学术界关注的热点问题之一。遥感技术具有观测范围广和获取信息速度快等优势而被广泛应用于农业领域^［3-4］，在作物长势监测方面，一般利用归一化植被指数（NDVI）和叶面积指数（LAI）进行评价。刘晓晨等利用多源影像数据，通过计算同一地块不同年份间的NDVI差值，分别实现了不同年份棉花和小麦长势的监测和对比^［5-6］。金秀良等通过分析棉花整个生育期叶面积指数（LAI）和生物量与高光谱特征参数的相关性后构建了棉花长势估测模型，决定系数达0.804^［7］。谢鑫昌等利用Landsat8影像数据，并引入DEM等特征变量，通过随机森林算法构建了长势差值模型，对近5年的长势进行了动态监测^［8］。Li等利用同一地区不同作物多年同期的NDVI数据，提出了NDVI大数据百分位数评估法，实现了对作物长势的遥感监测^［9］。Becker-Reshef等利用MODIS和SPOT卫星数据，虽然对各作物的种植位置信息进行了有效提取并进行产量估计，但未能对作物长势进行监测^［10］。Genovese等利用MODIS影像，通過构建NDVI差值数据实现了对西班牙地区小麦长势的实时监测^［11］。而随着无人机技术的不断成熟和进步，其也逐渐被应用于作物长势监测的研究中，王庆等借助无人机高清影像数据，通过冠层的光谱特征和结构特征实现了对甜菜长势的监测^［12］。张瑞杰等也利用无人机高分辨率的优势，利用深度学习算法实现了对油菜长势的快速监测^［13］。

基于作物苗期直径、株高^［14］、根数和株质量^［15］、地径^［16］等指标对作物进行分级的研究已取得诸多显著成果^［17］，如：李亚麒等以云南松幼苗的地径和株高对幼苗进行分级并构建生物量估算模型，实现了对生物量的估算^［18］；周新华等以杉木容器苗的地径和株高为分级指标，通过聚类分析对幼苗质量进行了等级划分^［19］。对棉花作物而言，3～4叶期是棉花生长过程中的重要时间节点，也是对其进行评价和分级的最佳时间点，在3～4叶期之前，不同棉花植株之间的大小形态极为相似，无法进行有效区分，而在3～4叶之后，棉花叶片快速生长至覆盖地表，不同棉花叶片之间也出现大量重叠，因此无法进行提取，也不能进行有效分级。同一地块的气候类型、土壤类型、土壤肥力和水分、温度等外界因素基本一致，并且经试验发现，同一地块中的棉苗自3～4叶期开始，在同等外界因素条件下，不同生长状态的棉苗在中短期内，其生长过程中不会发生太大改变。棉花长势对产量具有重要影响，根据棉花苗期状态对棉花后期长势进行预测后，可以通过人工干预的方式促进棉花生长，改变棉花生长状态，从而在一定程度上提高棉花产量，但目前为止，对棉花苗期长势进行监测并对后期长势进行预测的研究还比较少。鉴于此，本试验借助无人机影像高空间分辨率的优势，通过对3～4叶期棉花进行提取和分级后，实现了对棉花3～4叶期时长势的监测，并对后期长势进行了预测，从而在一定程度上对提高产量具有指导作用。

1 数据与方法

1.1 试验区与方法

试验区位于新疆兵团第八师石河子垦区（地理位置85°58′23E，44°22′45″N），面积约2 533 m²，经校正裁剪后的试验区见图1。试验区棉花播种密度为252 000株/hm²，该地区地势平坦，平均海拔约450 m，属于温带大陆性气候。其冬季较为寒冷和干燥，夏季较为炎热和漫长，年均气温约7 ℃，年降水量约180 mm，年日照时数约2 800 h^［20］。特殊的气候和地形，导致该地区热量极其充足，适合棉花、番茄、玉米等作物的生长，更是我国棉花的主要产区之一^［21］。

试验主要分3步进行：第1步，利用绿叶指数（GLI）实现对试验区影像的分割，并利用ENVI 5.6农业工具包中的作物计算工具（Count Crops）实现对棉花幼苗株数的提取；第2步，利用ArcGIS软件，根据棉花幼苗直径范围按自然断点法进行分级，并对杂草进行去除；第3步，对当前长势进行监测并结合出苗率对后期长势进行预测。

1.2 数据获取

1.2.1 无人机数据 试验分别于2021年5月19日、6月7日、7月18日12：00至14：00获取了3期无人机数据，其中第1期是出苗数据，后2期是长势数据，获取3期数据时均天气晴朗，无风，极适宜无人机飞行。试验使用的无人机质量约1 kg，续航约 20 min，获取的影像包含红、绿、蓝和近红4个通道，最终获取的影像空间分辨率达0.007 5 m。影像拍摄时飞机飞行高度为30 m，航向重叠率为80%，旁向重叠率为60%，数据获取时，相机镜头垂直向下，并且悬停拍摄。

1.2.2 地面点数据 试验区棉花以“一膜三垄六行”的方式种植，行间距为10 cm，垄间距为66 cm，膜膜间距30 cm，一膜总宽182 cm。出苗数据与无人机数据同时获取，试验利用GPS定位，共在试验区随机设置3个不同面积尺度的出苗提取精度验证区。为对棉花进行有效提取和分级，需要对试验区范围内棉花幼苗的最大直径和最小直径进行确定，试验共随机对100株直径较大和100株直径较小的棉花进行直径测量，最后以二者的平均值分别作为棉花的最大直径和最小直径。经测量，最后确定棉花的最大直径为14 cm，最小直径为4 cm。

1.3 数据处理与方法

1.3.1 无人机数据处理 获取的无人机数据首先利用Pix4Dmapper软件进行拼接和校正，然后利用ENVI 5.6进行裁剪，最后以WGS_1984_UTM_zone_45N为投影方式，以 .TIFF格式储存。为更直观地了解地面覆盖度的空间分布情况并对后期长势进行预测，利用ArcGIS工具对试验区影像以影像左下角为枢轴点，顺时针旋转66°后，以305像素×305像素为单位面积进行分割，最终共计获取了484幅分割后的独立影像。经旋转后的影像及分割效果如图2所示。

1.3.2 指数筛选 本研究利用无人机获取的四通道数据可以构建34种已有的各类指数，而经试验，分割效果较好，可以将目标（棉苗）和背景（土壤和地膜）进行有效区分的指数共有15种（表1）。

1.3.3 杂草去除与棉花分级 杂草是影响棉苗提取精度的重要影响因素，3～4叶期棉花与杂草在颜色和形态上极其相似，在影像中无法利用植被指数进行区分。而经实地观察，杂草大部分生长在膜与膜的间隙之间，在地膜覆盖区由于地膜遮挡，杂草无法破膜而出，因此覆膜区极少有杂草生长，对最终试验结果影响极小，可忽略不计。因此，根据杂草与棉花幼苗之间的相对位置关系，试验在每膜的第1行左侧10 cm和第6行右侧10 cm处画线，将直线以外的提取物确定为杂草并去除，去除原理见图3。

经实地考察，棉花幼苗主要有3种不同的生长状态，而不同生长状态之间的差异主要体现在直径范围大小。因此，将棉花按直径范围分为一等苗、二等苗、三等苗。一等苗是生长状态极好的棉苗；二等苗是无病害，体型略逊色于一等苗但优于三等苗的棉苗；三等苗体型极小和有病害的棉苗。其中，一等苗直径范围为9.0～14.0 cm，二等苗直径范围为6.5～<9.0 cm，三等苗直径范围为4.0～<6.5 cm。

1.4 长势监测与预测

1.4.1 长势监测 3～4叶期棉花各植株叶片间重叠极少，棉花叶片对地表的垂直覆盖度可以代表小区域范围内棉花当前的长势情况。因此，在分割后的单位面积二值化图像中，以棉花像素占总像素的比例评价棉花长势情况的好坏。

式中：Cotton cover表示棉花叶片对地面的垂直覆盖度；N_{Leaf Pixel}表示单位面积内棉花叶片所占的像素总和；N_{Total Pixel}表示单位面积内的总像素。

1.4.2 长势预测 同一地块的土壤类型、气候和温度相同，水分和肥力等因素也基本无差别，因此在短时间内棉苗之间的相对生长状态不会发生较大改变。单位面积内棉花长势主要受单个植株形态大小和出苗率的共同影响。一等苗在外在大小形态和长势上较二等苗和三等苗具有明显优势，对单位面积的长势具有关键影响。因此，经试验，对于棉花长势的预测，本研究以单位面积内一等苗占总出苗数的比例和单位面积内出苗率的乘积大小对后期长势进行预测。为使量纲统一，并方便后期利用归一化植被指数（NDVI）进行长势预测结果的验证，试验对长势预测的分值进行归一化处理，归一化后的分值越大，表示棉花后期长势越好，反之，则说明棉花后期长势越差。

式中：GS代表长势预测分值；P_{Seedling rate}代表单位面积内的出苗率；P_{First class seedling}代表单位面积内一等苗所占的比例；NGS代表长势预测分值的归一化结果；GS_min代表試验区域内长势预测分值的最小值；GS_max代表试验区域内长势预测分值的最大值。

1.4.3 长势预测结果检验 NDVI是评价作物长势的重要指标之一，为验证对棉花长势预测结果的精度，分别获取了研究区2021年5月27日和2021年6月18日影像，将2个时期的影像以同样尺寸进行分割后，随机选取同地不同期20幅分割后的影像，以单位面积内NDVI平均值和长势预测分值归一化后的结果进行拟合，从而实现对长势预测结果精度的检验。拟合效果以最常用的决定系数r²（coefficient of determination）和均方根误差RMSE（root mean squared error）进行评价。

式中：n代表样本数；y_i代表预测长势的分值；x_i代表实际长势NDVI；y_i代表预测长势分值的平均值；x_i代表实际长势NDVI平均值。

2 结果与分析

2.1 影像分割与杂草去除

2.3.1 影像分割分析 依据棉花幼苗、地膜、裸土在颜色上的差异，根据绿色植物典型的光谱反射特性，可以利用各类指数对影像进行分割，从而实现对棉花幼苗的提取，各不同指数对影像的分割局部效果如图4所示。各指数在分割过程中受阴影的影响较大，地膜未覆盖区的土块以及棉花植株产生的阴影在进行图像分割时对分割效果产生较大影响，进而影响对棉花幼苗的提取。对棉花植株的阴影错提后，棉花幼苗等级划分的准确性也会受到极大影响。因此，需要筛选出不受阴影干扰的指数对影像进行分割，经不断筛选和对比后发现，GLI可以对棉花幼苗和其产生的阴影进行有效区分，亦不会受地膜未覆盖区土块所产生的阴影干扰，并且在细节的提取和分割上效果最佳，图像分割完整，分割时产生的杂质少。因此，最终选择GLI实现对图像的分割，经反复目视调整，当分割阈值为0.041时，可以实现对目标和背景的有效分割。

2.3.2 杂草去除与幼苗分级 利用距离法去除杂草后，利用ArcGIS对37123株棉花幼苗按直径范围大小以自然断点法进行等级划分。经分级，共划分出一等苗11 091株，二等苗21 151株，三等苗4 881株，杂草去除效果和棉花分级效果见图5。

2.3.3 棉花提取精度检验 为验证对棉花幼苗的提取精度，本研究在试验区共随机布设5种尺度的验证区进行重复试验，并最终选择3次重复试验的平均精度作为棉花幼苗提取的最终精度，精度变化情况见表2。在出苗率高、长势好的区域，由于个别棉花幼苗叶片之间有重叠，因此在进行提取时容易错将2株幼苗当作1株进行提取，从而导致自动提取的数量往往比实际的棉苗数量偏少。精度检验结果表明，随着验证区面积的逐渐变大，自动提取的数量与人工统计数量之间的差距逐渐减少，提取精度呈先缓慢上升后趋于稳定的总体变化趋势。

2.2 长势监测与预测

单位面积内一等苗数量占比空间分布情况如图6（左）所示，该地块一等苗数量分布不均匀，主要呈集中分布状态，总体来说，区域右下方一等苗占比较少。通过结合试验区棉花的种植密度，得到单位面积（305像素×305像素）内棉花的种植总株数为133株，根据对棉花幼苗的提取结果绘制的棉花出苗率分布见图6，根据计算结果可知，单位面积内棉花出苗率最高为81.20%，最低为42.86%，结合区域面积，试验区棉花整体出苗率为58.62%，并且出苗不均匀。

对分割后的二值化影像进行地表覆盖度计算后，绘制的单位面积内叶片垂直覆盖度占比分布如图7（左）所示，根据计算结果可知，单位面积内棉花叶片的地表覆盖度最低值为2.95%，最高值为12.11%，而整个研究区棉花叶片的平均覆盖度为6.54%，并且试验区3～4叶期时，棉花长势整体不均匀，整体长势较差的主要集中在试验区中部。结合出苗率和单位面积内一等苗数量占比绘制的单位面积上棉花后期长势预测结果空间分布如图7（右）所示，根据预测结果可知，在后期的生长过程中，区域东侧和南侧长势较好，长势较差的主要分布在中部和西侧，而整体长势不均匀。

2.3 长势预测结果验证

将长势预测分值归一化后的结果与2期NDVI分别进行相关性分析，拟合结果见图8。试验区验证样方6月7日NDVI与7月18日NDVI和长势预测分值相关性的决定系数分别达到了0.756 9和 0.662 1，而均方根误差仅为0.077 0和0.900 1，可见对棉花长势的预测结果具有一定的可靠性。

拟合结果表明，随着棉花不断生长，对棉花长势预测的精度逐渐降低。由于棉花在生长过程中受到外界因素的影响不断增多，特别是在进入7月以后，受高温、干旱少雨和大面积病虫害等因素的影响，棉花长势会受到不同程度的影响，从而导致对棉花长势预测的精度呈下降趋势。因此，本研究的预测方法更适用于从棉花3～4叶期（5月中旬）开始至未来中短期内（2个月内）对棉花长势的预测。

3 结论

该研究虽借助无人机高分辨率的优势对苗期棉花长势进行了监测，并依据出苗率和单株棉花生长状态对棉花后期长势进行了预测，但仍存在一些不足，如：新疆地区棉花在整个生长过程中受多种因素的共同影响，特别是7月后常发生的病虫害、大风和干旱等极端天气都会对棉花长势造成严重影响，因此对棉花长势预测的精度随时间的推移而变差，所以该研究更适合从棉花3～4叶期开始至未来中短期内对棉花长势的预测。

棉花早期长势对产量有重要影响，通过苗期状态对后续中短时期内长势进行预测，并通过外界干预改变棉花长势，对提高棉花产量具有一定作用。本研究以棉花3～4叶期无人机高清影像为基础，通过对棉花幼苗进行提取和分级，对当前长势进行监测并对后期长势进行预测，主要结论包括：（1）利用GLI指数对图像进行分割后可以实现棉花幼苗的有效提取，而根据相对位置关系提出的距离法也可以有效去除杂草。经计算，试验区 3～4叶期棉花冠层对地面的平均垂直覆盖度为6.54%，并且棉花长势不均匀，整齐度一般。（2）试验共提取棉花 37 123 株，经不同尺度重复检验，棉花幼苗的平均提取精度为95.7%。经验证，长势预测结果与2个不同时期NDVI平均值擬合的决定系数r²分别为0.756 9、0.662 1，取得了较好预测结果。

参考文献：

［1］戴建国，薛金利，赵庆展，等. 利用无人机可见光遥感影像提取棉花苗情信息［J］. 农业工程学报，2020，36（4）：63-71.

［2］田 野，张 清，李希灿，等. 基于多时相影像的棉花种植信息提取方法研究［J］. 干旱区研究，2017，34（2）：423-430.

［3］茶明星，汪小钦，李娅丽，等. 基于遥感数据的新疆开-孔河流域农业区种植结构提取［J］. 干旱区研究，2020，37（2）：532-540.

［4］白燕英，高聚林，张宝林. 基于Landsat8影像时间序列NDVI的作物种植结构提取［J］. 干旱区地理，2019，42（4）：893-901.

［5］刘晓晨. 基于Landsat8遥感数据的棉花长势快速监测［J］. 新疆农业科技，2015（6）：50.

［6］尹 捷，周雷雷，李利伟，等. 多源遥感数据小麦识别及长势监测比较研究［J］. 遥感技术与应用，2021，36（2）：332-341.

［7］金秀良，李少昆，王克如，等. 基于高光谱特征参数的棉花长势参数监测［J］. 西北农业学报，2011，20（9）：73-77.

［8］谢鑫昌，杨云川，田 忆，等. 基于遥感的广西甘蔗种植面积提取及长势监测［J］. 中国生态农业学报，2021，29（2）：410-422.

［9］Li C C，Li H J，Li J Z，et al. Using NDVI percentiles to monitor real-time crop growth［J］. Computers and Electronics in Agriculture，2019，162：357-363.

［10］Becker-Reshef I，Vermote E，Lindeman M，et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data［J］. Remote Sensing of Environment，2010，114（6）：1312-1323.

［11］Genovese G，Vignolles C，Nègre T，et al. A methodology for a combined use of normalised difference vegetation index and CORINE land cover data for crop yield monitoring and forecasting.A case study on Spain［J］. Agronomie，2001，21（1）：91-111.

［12］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.

［13］张瑞杰，李俐俐，李 礼，等. 利用无人机影像数据进行油菜长势监测［J］. 测绘地理信息，2021，46（增刊1）：227-231.

［14］杨亚莉，向祖恒，黄正明，等. 华榛1年生实生苗质量分级标准的研究［J］. 园艺与种苗，2018，38（1）：34-37.

［15］李 玛，苏 钛，李 云，等. 滇重楼种苗质量分级标准研究［J］. 种子，2020，39（5）：141-143.

［16］简才源，韦小丽，段如雁，等. 贵州不同区域闽楠裸根苗的生长评价与苗木分级［J］. 贵州农业科学，2015，43（6）：153-157.

［17］关参政，申培增. 甘肃枸杞种苗分级标准及其田间验证试验研究［J］. 林业科技通讯，2017（6）：29-32.

［18］李亚麒，孙继伟，李建华，等. 不同等级云南松幼苗生物量估测模型［J］. 云南大学学报（自然科学版），2019，41（5）：1073-1082.

［19］周新华，黄 拯，厉月桥，等. 杉木容器苗分级标准研究［J］. 中南林业科技大学学报，2017，37（9）：68-73.

［20］徐 权，郭 鹏，祁佳峰，等. 基于无人机影像的SEGT棉花估产模型构建［J］. 农业工程学报，2020，36（16）：44-51.

［21］郭 鹏，武法东，戴建国，等. 基于无人机可见光影像的农田作物分类方法比较［J］. 农业工程学报，2017，33（13）：112-119.

［22］汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取［J］. 農业工程学报，2015，31（5）：152-159.

［23］康 悦，文 军，张堂堂，等. 卫星遥感数据评估黄土高原陆面干湿程度研究［J］. 地球物理学报，2014，57（8）：2473-2483.

［24］Tian Y C，Yao X，Yang J，et al. Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentration with ground-and space-based hyperspectral reflectance［J］. Field Crops Research，2011，120（2）：299-310.

［25］Huete A R. A soil-adjusted vegetation index （SAVI）［J］. Remote Sensing of Environment，1988，25（3）：295-309.

［26］Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices［J］. Remote Sensing of Environment，1996，55（2）：95-107.

［27］Jiang R，Sanchez-Azofeifa A，Laakso K，et al. UAV-based partially sampling system for rapid NDVI mapping in the evaluation of rice nitrogen use efficiency［J］. Journal of Cleaner Production，2021，289：125705.

［28］Chen J M，Cihlar J. Retrieving leaf area index of boreal conifer forests using Landsat TM images［J］. Remote Sensing of Environment，1996，55（2）：153-162.

［29］王建光，呂小东，姚贵平，等. 苜蓿和无芒雀麦混播草地高光谱遥感估产研究［J］. 中国草地学报，2013，35（1）：35-41.

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

［31］Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction［J］. Remote Sensing of Environment，2002，80（1）：76-87.

［32］Gunasekara N K，Al-Wardy M M，Al-Rawas G A，et al. Applicability of VI in arid vegetation delineation using shadow-affected SPOT imagery［J］. Environmental Monitoring and Assessment，2015，187（7）：454.

［33］肖 汉，陈秀万，杨振宇，等. 基于光谱分析的草地叶绿素含量估测植被指数［J］. 光谱学与光谱分析，2014，34（11）：3075-3078.

［34］Gitelson A A，Stark R，Grits U，et al. Vegetation and soil lines in visible spectral space：a concept and technique for remote estimation of vegetation fraction［J］. International Journal of Remote Sensing，2002，23（13）：2537-2562.

［35］Zhu Y，Yao X，Tian Y C，et al. Analysis of common canopy vegetation indices for indicating leaf nitrogen accumulations in wheat and rice［J］. International Journal of Applied Earth Observation and Geoinformation，2008，10（1）：1-10.