基于无人机图像的水稻地上部生物量估算

舒时富; 李艳大; 曹中盛; 孙滨峰; 叶春; 吴罗发; 朱艳; 丁艳锋; 何勇

doi:10.19303/j.issn.1008-0384.2022.007.002

基于无人机图像的水稻地上部生物量估算

1.
江西省农业科学院农业工程研究所/江西省智能农机装备工程研究中心/江西省农业信息化工程技术研究中心，江西南昌　330200
2.
南京农业大学，江苏南京　210095
3.
浙江大学生物系统工程与食品科学学院，浙江杭州　310029

基金项目: 江西省重点研发计划项目（20192BBF60052、20212BBF61013、20212BBF63040、20202BBFL63046、20202BBFL63044）；国家自然科学基金项目（31460320）；国家“万人计划”青年拔尖人才项目（2020-2023）；江西省“双千计划”项目（2020-2022）

详细信息

作者简介:
舒时富（1986−），男，硕士，副研究员，研究方向：作物精确管理和农业机械化（E-mail：shusf@foxmail.com）

通讯作者:
李艳大（1980−），男，博士，研究员，研究方向：信息农学与农机化技术（E-mail：liyanda2008@126.com）

中图分类号: S 511
计量
- 文章访问数: 701
- HTML全文浏览量: 156
- PDF下载量: 46
出版历程
- 收稿日期: 2022-01-07
- 修回日期: 2022-06-27
- 网络出版日期: 2022-08-06
- 刊出日期: 2022-07-27

Estimation of Aboveground Rice Biomass by Unmanned Aerial Vehicle Imaging

1.
Institute of Agricultural Engineering, Jiangxi Academy of Agricultural Sciences/Jiangxi Province Engineering Research Center of Intelligent Agricultural Machinery Equipment/Jiangxi Province Engineering Research Center of Information Technology in Agriculture, Nanchang, Jiangxi　330200, China
2.
Nanjing Agricultural University, Nanjing, Jiangsu　210095, China
3.
College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou, Zhejiang　310029, China

摘要

摘要:
目的为探究无人机图像估算水稻地上部生物量（Aboveground biomass，AGB）的可行性，明确各图像特征与水稻AGB的定量关系，构建基于图像特征的水稻AGB估算模型。
方法通过实施2个品种和4个施氮水平的小区试验，于分蘖期、孕穗期和齐穗期测定水稻AGB，同步采用无人机搭载数码相机获取水稻图像并提取颜色指数和纹理特征，分析其在不同生育期与水稻AGB之间的相关性，构建定量估算模型，并对模型进行检验。
结果颜色指数中红蓝差值（r-b）与水稻AGB之间的相关性最好，纹理特征参数（G-mean）与水稻AGB之间的相关性最高；基于红蓝差值（r-b）和G-mean构建的水稻AGB双指数模型优于单一指数模型，全生育期估算模型y=2544.507+5054.243x₁−145.543x₂−556.553x₁x₂+27379.41x₁²+3.927x₂²，建模决定系数（R²）为0.9202，模型检验的决定系数（R²）为0.9112。
结论基于颜色指数（r-b）和纹理特征参数（G-mean）融合构建的AGB估算模型可准确的估算水稻AGB，在水稻长势快速无损监测和精确管理中具有应用价值。
- 水稻 /
- 地上部生物量 /
- 无人机图像 /
- 估算模型.
Abstract:
Objective Feasibility of using images generated by unmanned aerial vehicle (UAV) to estimate the aboveground biomass (AGB) on a rice field was evaluated for crop production prediction.
Methods On fields of two different varieties of rice fertilized with 4 varied nitrogen applications, AGB of rice plants at tillering, booting, and full heading stages were recorded by using the UAV imaging technology. Data on color and texture measurements were extracted from the images to correlate with corresponding AGB. A mathematic model was constructed, tested, and validated for prediction accuracy.
Result On color, the red and blue differentiation (r-b) of the images highly correlated with the AGB; on texture, it was the G-mean. A prediction model was thus obtained for the entire growth period as y=2 544.507+5 054.243x₁−145.543x₂−556.553x₁x₂+27 379.41x₁²+3.927x₂² , which had a correlation coefficient (R²) of 0.920 2 and a test determination coefficient of 0.911 2.
Conclusion The prediction model based on r-b and G-mean derived from the UAV images performed satisfactorily in monitoring the AGB for the entire growth period of rice in the field. It was conceivably applicable for the farming operation and crop management.
- Rice /
- aboveground biomass /
- UAV image /
- estimation model

HTML全文

0. 引言

【研究意义】地上部生物量（Aboveground biomass， AGB）是作物生产管理中调控群体质量的重要指标，其对光能利用、干物质积累、产量形成等均具有重要作用，是作物生长模型的重要输入参数之一^[1]。因此，高效、准确、低成本的估算AGB有利于实现作物生产的智慧管理。【前人研究进展】传统的水稻AGB测定方法主要依靠人工破坏性采样室内称量，结果虽然准确可靠，但费时费力、用工成本高、效率低、取样误差大，难以实现大范围的高效监测。遥感技术快速发展，卫星影像、雷达、高光谱、多光谱、成像高光谱等技术因其高分辨率、多波段、信息量大、覆盖范围广等优点，已被广泛应用于作物长势监测^[2-7]，成为作物精确管理的关键技术手段。围绕水稻、小麦等作物的AGB高效监测已开展了一些研究，如Casanova等^[8]和Takahashi等^[9]利用遥感技术对水稻的AGB进行了研究，GNPY等^[10]在三江平原对水稻的光谱反射曲线进行微分处理并将其应用于估测水稻生物量，王秀珍等^[11]利用“三边”参数及其变化形式构建高光谱估算模型对水稻地上鲜生物量进行了准确估测。这些研究通过构建不同的植被指数可以准确估测水稻生物量，但大多采用高光谱仪等，其观测的空间范围有限、效率较低，也存在着构造复杂、成本较高、模型不稳定等问题。近年来，无人机遥感技术发展迅速，其高分辨率图像的获取更加简便、高效和低成本，为作物长势快速无损监测提供了新途径。如Dai等^[12]利用无人机获取小麦RGB图像，图像颜色指数与小麦生物量的相关性r值为0.463～0.911，纹理特征参数与生物量之间的相关性较差，结合颜色和纹理特征指数的小麦生物量估算模型优于单一颜色指数模型。杨俊等^[13]利用无人机数码影像研究了8个颜色指数和4个纹理特征参数与小麦AGB的关系，结果表明颜色指数和纹理特征参数与生物量的相关性达显著或极显著，r分别可达 0.911和 −0.574。刘畅等^[14]研究表明，采用纹理特征估测小麦的生物量，纹理特征优于颜色指数，且基于纹理特征和颜色指数融合的模型显著优于单一的颜色指数和纹理特征。陈晨^[15]基于无人机图像的8个颜色指数和4个纹理特征参数构建与小麦生物量的关系，单一参数相关性不显著，但将颜色指数与纹理特征参数相结合估测小麦生物量的模型R²最高可达0.79。张建等^[16]利用无人机多角度成像方式对油菜AGB进行监测，构建了油菜AGB估算模型，估算精度达 0.792，均方根误差（RMSE）为125.0 g·m⁻²，相对误差（RE）为13.2%。刘杨等^[17]以无人机平台搭载数码相机，获取了不同高层的马铃薯图像，结果表明颜色指数＋纹理特征估算AGB的效果最优（R²为0.75～0.82），其次为单一纹理特征模型（R²为0.68～0.75），而单一颜色指数模型表现效果最差（R²为0.65～0.69）。这些研究结果具有相同的地方，但也存在着较大的差异之处。【本研究切入点】目前在作物无人机遥感监测AGB方面尽管已有一些研究，但针对同一对象的研究结果亦不尽相同，同时较少涉及不同氮素水平下水稻不同生育期AGB的无人机图像监测。【拟解决的关键问题】本研究通过无人机获取高分辨率的水稻图像，通过提取图像颜色指数和纹理特征参数，研究其与水稻AGB的相关性，进而构建基于无人机图像特征的水稻AGB估算模型，探明适宜水稻AGB估算的图像特征，为提升估算模型的准确性提供科学依据。

1. 材料与方法

1.1 试验设计

试验于2020年在江西省农业科学院高安试验基地（28°25′27″N，115°12′15″E）进行双季晚稻小区试验。试验田耕作层含有机质37.56 g·kg⁻¹，全氮2.49 g·kg⁻¹，铵态氮41.89 mg·kg⁻¹、硝态氮1.24 mg·kg⁻¹，有效磷17.54 mg·kg⁻¹，速效钾119.25 mg·kg⁻¹和pH 5.5。供试品种为富美占（C1）和泰优航1573（C2）；设４个施氮水平：0（N1）、75（N2）、150（N3）和225 （N4）kg·hm⁻²，C1重复4次，C2重复5次，共计36个小区，每个小区面积为36 m²，具体见图1。m（基肥）∶m（分蘖肥）∶m（穗肥）＝5∶3∶2，磷肥（60 kg·hm⁻²）作为基肥一次性施入，钾肥（120 kg·hm⁻²）随氮肥同比例施入，随机区组排列。2苗移栽，每个小区之间用隔水板相隔，每个小区独立排灌以防止窜肥。6月26日播种，7月23日移栽，11月15日收获。其他栽培措施同当地高产栽培。

图 1 小区试验布置

Figure 1. Arrangement for plot experiment

下载: 全尺寸图片幻灯片

1.2 图像获取

水稻图像获取采用大疆无人机御Mavic及自带摄像头，传感器为1/2.3 英寸CMOS，有效像素为1200万，照片最大分辨率为4000×3000。选择天气晴朗、无风、光照稳定的日期，于10：00～14：00采集图像数据。采集图像数据时，相机镜头设置垂直于地面，采用自动对焦和自动曝光设置。为了减少色差，采用一张照片覆盖所有小区，飞行高度为60 m。试验获取的照片以 24 位 JPG 格式存储。

1.3 图像特征参数获取

采用ENVI软件提取无人机图像中每个小区的颜色信息，得到每个小区图像的平均红光值R（Redness intensity）、绿光值G（Greenness intensity）和蓝光值B（Blueness intensity）。通过对这3个颜色参数进行一定的计算，得到红光R（Red light）、绿光G（Green light）、蓝光B（Blue light）、红光标准化值NRI（Normalized redness intensity）、绿光标准化值NGI（Normalized greenness intensity）、蓝光标准化值NBI（Normalized blueness intensity）、红蓝比值r/b（Red to blue ratio）、绿蓝比值g/b（Green to blue ratio）、红蓝差值r-b（Difference between red and blue）、红蓝和值r+b（Sum of red and blue）、绿蓝差值g-b（Difference between green and blue）、超绿植被指数ExG（Excess green vegetation index）、红绿植被指数GRVI（Green and red vegetation index）、修正红绿植被指数MGRVI（Modified green and red vegetation index）、红绿蓝植被指数RGBVI（Red green blue vegetation index）、超红植被指数ExR（Excess red index）、可见光大气阻抗植被指数VARI（Vegetation atmospherically resistant index）、超绿超红植被指数ExGR（Excess red and green index）、沃贝克指数WI（Warbeck index）等不同颜色指数^[18]。

1.4 基于二阶概率统计滤波的无人机图像纹理提取

使用ENVI软件中的Texture功能，对图像进行基于概率统计或二阶概率统计的纹理滤波处理。使用Co-occurrence Measures功能，得到8个基于二阶矩阵的纹理滤波，包括均值（Mean）、方差（Variance）、均一性（Homogeneity）、对比度（Contrast）、异质性（Dissimilarity）、熵（Entropy）、角二阶矩（Second Moment）和相关性（Correlation）^[14]。

1.5 AGB测定

与无人机图像获取同步，在各小区选取长势均匀的水稻3蔸，将水稻植株分离为叶、茎鞘和穗3个部分，分别装入纸袋中，在105 ℃的烘箱中杀青30 min，然后在80 ℃烘干至恒重后称量，得到各小区水稻样品的干物质量，再换算成单位面积AGB ^[19]。

1.6 模型的构建与验证

通过试验获取的24个小区的数据建模，剩余12个小区的数据对模型进行验证。无人机图像特征与AGB相关性用r表示。关系模型的构建采用Microsft Execl进行。采用R²、RMSE和相对均方根误差（RRMSE）来评估模型的稳定性。RMSE和RRMSE值越小，指示模拟值与实测值的一致性越好，即模型的验证结果越准确^[20]。RMSE、RRMSE和r计算公式如下：

$RMSE=\sqrt{\frac{1}{n}\times {\sum} _{i=1}^{n}{\left({P}_{i}-{O}_{i}\right)}^{2}}$

(1)

$RRMSE=\frac{RMSE}{{\bar O}_{i}}\times 100\text{%}$

(2)

$\begin{split} r= \frac{{\displaystyle\sum}_{i=1}^{n}\left({O}_{i}-{\bar O}_{i}\right)\left({P}_{i}-{\bar P}_{i}\right)}{\sqrt{ {\displaystyle\sum} _{i=1}^{n}{\left({O}_{i}-{\bar O}_{i}\right)}^{2}\times {\displaystyle\sum} _{i=1}^{n}{\left({P}_{i}-{\bar P}_{i}\right)}^{2}}} \end{split}$

(3)

式中，n为模型样本数量，P_i为模型预测值， $\bar P_i$ 为模型预测值的平均值，O_i为实测值， $\bar O_i$ 为实测值的平均值。

2. 结果与分析

2.1 不同生育期水稻AGB变化

不同施氮水平和不同生育期对水稻AGB具有显著影响。由图2可知，供试品种泰优航1573在N3水平下，其分蘖盛期、孕穗期和齐穗期的AGB分别为374.39、686.54和1 123.51 g·m⁻²，表明随着生长发育，水稻物质量不断积累，同一氮素水平下AGB不断增加。在齐穗期，供试品种泰优航1573在N0、N1、N2、N3的AGB分别为980.56、1 060.90、1 164.67和1 287.89 g·m⁻²，在同一生育期内，水稻AGB表现为N3＞N2＞N1＞N0，说明在同一生育期内水稻AGB随着施氮水平的提高而显著增加，2个品种在3个生育期的表现一致。

图 2 不同施氮水平下水稻地上部生物量的动态变化

Figure 2. Dynamic changes on AGB of rice plants grown with varied nitrogen fertilizations

下载: 全尺寸图片幻灯片

2.2 生物量与颜色指数之间的相关关系

通过无人机获取不同施氮水平下的RGB图像（图3）可以看出，不同施氮水平的水稻图像特征差异显著，表现为随着施氮水平的增加其图像颜色逐步加深。提取每个小区的平均R、G、B值，计算出不同的颜色指数，并统计分析颜色指数与AGB之间的相关性。

图 3 水稻孕穗期无人机RGB图像

Figure 3. UAV RGB images of rice plants at booting stage

下载: 全尺寸图片幻灯片

由表1可知，不同颜色指数与AGB之间的相关性差异显著。从相关性表中可以看出，在不同生育期和全生育期中，有8个颜色指数与AGB之间的相关性水平达极显著水平，按照相关性高低分别为红蓝差值（r-b）、可见光大气阻抗植被指数VARI、绿光G、红光标准化值NRI、红蓝比值r/b、红光R、沃贝克指数WI和蓝光标准化值NBI。其中，相关性>0.9的指标有1个，红蓝差值（r-b）与孕穗期的AGB相关性最高，达−0.914。8个指标值，有5个指标为负相关性，3个指标为正相关性。因此，可以采用这些特征显著的颜色指数作为构建AGB监测模型的参数。

表 1 地上部生物量与颜色指数之间的相关性

Table 1. Correlation between AGB and color indices

序号 Number	颜色指数 Color index	相关系数r Correlation coefficient
序号 Number	颜色指数 Color index	分蘖期 Tillering	孕穗期 Booting	齐穗期 Heading	全生育期 Whole growth period
1	r-b	−0.899^**	−0.914^**	−0.887^**	−0.890^**
2	VARI	0.809^**	0.844^**	0.833^**	0.841^**
3	G	−0.818^**	−0.834^**	−0.843^**	−0.841^**
4	NRI	−0.821^**	−0.833^**	−0.822^**	−0.823^**
5	r/b	−0.817^**	−0.825^**	−0.821^**	−0.822^**
6	R	−0.802^**	−0.821^**	−0.812^**	−0.811^**
7	WI	0.792^**	0.803^**	0.793^**	0.795^**
8	NBI	0.764^*	0.798^**	0.792^**	0.793^**
9	MGRVI	0.748^*	0.778^*	0.772^*	0.769^*
10	GRVI	0.750^*	0.757^*	0.764^*	0.766^*
11	ExR	−0.738^*	−0.745^*	−0.741^*	−0.746^*
12	g/b	−0.63^*	−0.73^*	−0.731^*	−0.728^*
13	ExGR	0.532	0.614^*	0.609^*	0.611^*
14	B	−0.569	−0.583	−0.578	−0.572
15	g-b	−0.478	−0.532	−0.523	−0.516
16	ExG	0.245	0.321	0.328	0.331
17	NGI	0.245	0.312	0.321	0.315
18	r+b	−0.245	−0.311	−0.301	−0.312
19	RGBVI	0.042	0.052	0.049	0.051
代表P=0.05显著水平，代表P=0.01极显著水平。表5同。 Significance level: represents P=0.05. Extremely significant level：** represents P=0.01.The same as Table 5.

下载: 导出CSV

| 显示表格

2.3 基于颜色指数的AGB估算模型的构建与检验

选择与AGB相关性显著的颜色指数，将其与各生育期的AGB进行指数、线性、对数、二次多项式和乘幂函数拟合分析，因相关性排名第二且呈正相关的可见光大气阻抗植被指数VARI与AGB的拟合效果并不理想，因此采用虽呈负相关但相关性最高的红蓝差值（r-b）指数作为AGB的模型参数。由表2可知，基于红蓝差值的AGB估算模型在各育期的二次多项式、指数、对数、乘幂和线性的建模决定系数（R²）分别为0.8693～0.8820、0.8237～0.8801、0.7251～0.8772、0.5263～0.8748和0.8630～0.8801，二次多项式模型的决定系数最大。为了验证估算模型的准确性，采用决定系数（R²）、均方根误差（RMSE）和相对均方根误差（RRMSE）来评价模型的预测值与实测值之间的符合度。从表2可以看出，基于红蓝差值（r-b）颜色指数构建的二次多项式AGB估算模型在分蘖期、孕穗期、齐穗期和全生育期检验结果为R²分别为0.8682、0.8713、0.8643和0.8614，RMSE分别为22.07、20.22、23.99和24.65 g·m⁻²，RRMSE分别为6.09%、5.58%、6.62%和6.74%。表明红蓝差值（r-b）与AGB构建的估算模型具有较高的准确度，可以估算水稻的生物量。

表 2 基于红蓝差值（r-b）的AGB估算模型构建和验证

Table 2. Construction and validation of AGB estimation model based on （r-b）

生育期 Growth stage	建模 Calibration			检验 Validation
生育期 Growth stage	类型 Type	估算模型 Estimation model	决定系数R ² Coefficient of determination R²	RMSE/ (g·m⁻²)	RRMSE/ %	R²
分蘖期 Tillering	二次多项式 Quadratic	y = 2690.9x² − 2806.5x + 942.59	0.8778	22.07	6.09	0.8682
	指数 Exponential	y = 972.12e^−3.47x	0.8774	24.15	6.64	0.8639
	对数 Logarithmic	y = −355.2ln(x) − 83.638	0.8772	22.94	6.28	0.8568
	乘幂 Power	y = 100.57x^−1.011	0.8748	24.83	6.78	0.8487
	线性 Linear	y = −1213.7x + 711.68	0.8719	24.25	6.65	0.8543
孕穗期 Booting	二次多项式 Quadratic	y = −1491.4x² − 836.69x + 892.93	0.8820	20.22	5.58	0.8713
	线性 Linear	y = −1431.4x + 948.53	0.8801	20.54	5.66	0.8654
	指数 Exponential	y = 1017.8e^−2.182x	0.8741	21.95	6.09	0.8501
	对数 Logarithmic	y = −268.9ln(x) + 220.54	0.8574	27.76	7.58	0.8435
	乘幂 Power	y = 336.6x^−0.408	0.8409	29.73	8.09	0.8212
齐穗期 Heading	二次多项式 Quadratic	y = 3480.4x² − 2549.8x + 1311.2	0.8728	23.99	6.62	0.8643
	指数 Exponential	y = 1292.7e^−1.637x	0.8694	25.67	7.08	0.8566
	线性 Linear	y = −1778.5x + 1281.7	0.8630	26.46	7.25	0.8521
	对数 Logarithmic	y = −135ln(x) + 754.89	0.8159	27.9	7.68	0.8072
	乘幂 Power	y = 799.19x^−0.123	0.7956	33.17	9.04	0.7013
全生育期 Whole growth period	二次多项式 Quadratic	y = 705.61x² − 3450.2x + 1364.8	0.8693	24.65	6.74	0.8614
	指数 Exponential	y = 1688.3e^−4.88x	0.8237	29.91	8.15	0.8122
	线性 Linear	y = −3177.4x + 1344.4	0.8689	26.59	7.30	0.8461
	对数 Logarithmic	y = −381.9ln(x) + 25.399	0.7251	35.06	9.62	0.6531
	乘幂 Power	y = 238.62x^−0.547	0.5263	51.25	14.09	0.4101

下载: 导出CSV

| 显示表格

2.4 AGB与纹理特征参数之间的相关关系

通过ENVI软件对无人机图像进行基于二阶概率统计的滤波（Co-occurrence measures）统计，获取具有纹理特征参数的无人机图像，结果如图4所示，不同施氮水平小区的纹理图像差异显著。从纹理特征图中提取每个小区的纹理特征参数，因具有R、G、B等3个通道，共获得24个纹理特征参数。

图 4 基于Co-occurrence measures处理的水稻孕穗期图像

Figure 4. Co-occurrence measures-based UAV image of rice plants at booting stage

下载: 全尺寸图片幻灯片

将纹理特征参数与AGB进行相关性分析，由表3可知，不同纹理特征参数与AGB之间的相关性差异显著。有3个纹理特征与AGB相关性达极显著水平，分别为G通道均值（G-mean）、R通道均值（R-mean）和R通道二阶矩（R-Second moment）。相关性最高的纹理特征为（G-mean），其各生育期的相关系数为−0.901～−0.932，呈负相关。还有B通道均值（B-mean）、R通道方差（R-variance）、B通道二阶矩（B-Second moment）和G通道方差（G-variance） 4个纹理特征与AGB相关性达显著水平。因纹理特征参数（G-mean）在各生育期的相关性均大于0.9，且是所有纹理特征中唯一大于0.9的指数，因此，可以采G通道均值（G-mean）作为构建AGB估算模型的纹理特征参数。

表 3 地上部生物量与纹理特征参数之间的相关性

Table 3. Correlations between AGB and texture features

序号 Number	纹理特征参数 Texture feature	相关系数 r correlation coefficient r
序号 Number	纹理特征参数 Texture feature	分蘖期 Tillering	孕穗期 Booting	齐穗期 Heading	全生育期 Whole growth period
1	G-均值	−0.907^**	−0.932^**	−0.917^**	−0.901^**
1	G-mean	−0.907^**	−0.932^**	−0.917^**	−0.901^**
2	R-均值	−0.887^**	−0.891^**	−0.890^**	−0.889^**
2	R-mean	−0.887^**	−0.891^**	−0.890^**	−0.889^**
3	R-二阶矩	0.583^*	0.782^*	0.727^*	0.801^**
3	R-second moment	0.583^*	0.782^*	0.727^*	0.801^**
4	B-均值	−0.768^*	−0.749^*	−0.762^*	−0.787^*
4	B-mean	−0.768^*	−0.749^*	−0.762^*	−0.787^*
5	R-方差	0.652^*	0.742^*	0.772^*	0.713^*
5	R-variance	0.652^*	0.742^*	0.772^*	0.713^*
6	B-二阶矩	0.543	0.652^*	0.544	0.522
6	B-second moment	0.543	0.652^*	0.544	0.522
7	G-方差	0.568	0.563	0.612^*	0.555
7	G-variance	0.568	0.563	0.612^*	0.555
8	B-方差	0.464	0.494	0.432	0.564
8	B-variance	0.464	0.494	0.432	0.564
9	G-对比度	0.333	0.452	0.411	0.562
9	G-contrast	0.333	0.452	0.411	0.562
10	R-相异性	0.488	0.521	0.517	0.553
10	R-dissimilarity	0.488	0.521	0.517	0.553
11	B-信息熵	−0.327	−0.431	−0.417	−0.476
11	B-entropy	−0.327	−0.431	−0.417	−0.476
12	G-协同性	−0.415	−0.463	−0.434	−0.408
12	G-homogeneity	−0.415	−0.463	−0.434	−0.408
13	R-信息熵	−0.457	−0.325	−0.402	−0.376
13	R-entropy	−0.457	−0.325	−0.402	−0.376
14	G-相异性	0.404	0.441	0.454	0.412
14	G-dissimilarity	0.404	0.441	0.454	0.412
15	B-协同性	0.212	0.221	0.322	0.435
15	B-homogeneity	0.212	0.221	0.322	0.435
16	B-对比度	0.126	0.321	0.311	0.411
16	B-contrast	0.126	0.321	0.311	0.411
17	G-信息熵	−0.371	−0.362	−0.322	−0.377
17	G-entropy	−0.371	−0.362	−0.322	−0.377
18	R-协同性	0.195	0.211	0.322	0.164
18	R-homogeneity	0.195	0.211	0.322	0.164
19	B-相关性	−0.204	−0.264	−0.228	−0.224
19	B-correlation	−0.204	−0.264	−0.228	−0.224
20	G-二阶矩	0.04	0.211	0.142	0.226
20	G-second moment	0.04	0.211	0.142	0.226
21	R-相关性	−0.107	−0.124	−0.214	−0.135
21	R-correlation	−0.107	−0.124	−0.214	−0.135
22	R-对比度	0.118	0.123	0.135	0.074
22	R-contrast	0.118	0.123	0.135	0.074
23	B-相异性	0.093	0.132	0.127	0.211
23	B-dissimilarity	0.093	0.132	0.127	0.211
24	G-相关性	−0.006	−0.013	−0.021	−0.089
24	G-correlation	−0.006	−0.013	−0.021	−0.089

下载: 导出CSV

| 显示表格

2.5 基于纹理特征参数的AGB估算模型的构建与检验

由表4可以看出，基于纹理特征参数（G-mean）的水稻各生育期AGB估算模型的决定系数R²均大于0.8692，具有显著的相关性。基于纹理特征参数（G-mean）构建的AGB估算模型在各生育期的二次多项式、指数、对数、乘幂和线性的建模决定系数（R²）分别为0.8875～0.9128、0.8871～0.9126、0.8873～0.9118、0.8742～0.9071和0.8692～0.9106，二次多项式方程的决定系数最大。基于纹理特征参数构建的不同生育期生物量估算模型的检验结果（表4）也表明，基于纹理特征参数（G-mean）构建的不同生育期的二次多项式模型的检验结果R²为0.8797～0.9034、RMSE为11.10～22.06 g·m⁻²、RRMSE为3.11%～6.08%。因此，通过无人机图像获取的纹理特征参数（G-mean）构建的二次多项式的生物量估算模型，具有良好的可靠性，可以用来进行水稻生物量的估测。通过纹理特征参数和颜色指数之间的比较，纹理特征参数模型的准确性更高，能够更好地用来估算生物量。

表 4 基于纹理特征参数（G-mean）的水稻各生育期AGB模型的构建和检验

Table 4. Construction and validation of AGB estimation model for each growth stage of rice plants based on texture G-mean

生育期 Growth stage	建模 Calibration			检验 Validation
生育期 Growth stage	类型 Type	估算模型 Estimation model	决定系数R ² Coefficient of determination R²	均方根误差 RMSE/ (g·m⁻²)	相对均方根误差 RRMSE/ %	决定系数 R²
分蘖期 Tillering	二次多项式 Quadratic	y = 0.0736x² − 14.46x + 780.83	0.8875	22.06	6.08	0.8797
	对数 Logarithmic	y = −327ln(x) + 1525.7	0.8873	21.67	6.01	0.8635
	指数 Exponential	y = 902.39e^−0.026x	0.8871	23.89	6.56	0.8717
	线性 Linear	y = −9.0632x + 684.31	0.8859	23.65	6.48	0.8790
	乘幂 Power	y = 9934.4x^−0.934	0.8742	24.45	6.70	0.8311
孕穗期 Booting	二次多项式 Quadratic	y = 0.1879x² − 25.845x + 1201.6	0.9128	17.14	4.75	0.9034
	指数 Exponential	y = 1237.7e^−0.024x	0.9126	16.63	4.63	0.9017
	对数 Logarithmic	y = −411.4ln(x) + 1994.6	0.9118	15.70	4.38	0.9004
	线性 Linear	y = −15.965x + 1075.6	0.9106	17.97	4.98	0.9094
	乘幂 Power	y = 5007.2x^−0.627	0.9071	19.69	5.42	0.8903
齐穗期 Heading	二次多项式 Quadratic	y = 2.2052x² − 114.72x + 2398.5	0.9014	17.26	4.81	0.8945
	乘幂 Power	y = 5702.9x^−0.584	0.9001	17.52	4.95	0.8809
	对数 Logarithmic	y = −634.1ln(x) + 2892.2	0.8948	17.66	4.91	0.8843
	指数 Exponential	y = 1930.3e^−0.033x	0.8888	20.01	5.57	0.8671
	线性 Linear	y = −35.866x + 1714.6	0.8778	22.64	6.22	0.8121
全生育期 Whole growth period	二次多项式 Quadratic	y = 0.9499x² − 86.442x + 2254	0.9005	11.10	3.11	0.8993
	乘幂 Power	y = 45897x^−1.33	0.8925	16.09	4.53	0.8713
	对数 Logarithmic	y = −865.4ln(x) + 3492.7	0.8913	13.95	3.89	0.8671
	指数 Exponential	y = 2447.4e^−0.051x	0.8883	11.69	3.29	0.9098
	线性 Linear	y = −32.075x + 1557.3	0.8692	26.59	7.31	0.8463

下载: 导出CSV

| 显示表格

2.6 基于颜色指数和纹理特征参数的AGB估算模型的构建与检验

为了进一步提高AGB估算模型的准确性，改进单一参数的不足之处，基于颜色指数中相关性最高的红蓝差值（r-b）(x₁)和纹理特征参数中相关性最高的（G-mean） (x₂)与水稻AGB构建双指数线性回归模型，不同生育期的模型结果见表5。不同生育期的颜色指数红蓝差值（r-b）和纹理特征参数（G-mean）双指数模型的决定系数（R²）为0.9043～0.9202，其检验结果决定系数（R²）为0.8901～0.9112、均方根误差(RMSE)为16.46～76.20 g·m⁻²、相对均方根误差（RRMSE）为3.32%～10.91%。结果表明，基于颜色指数红蓝差值（r-b）和纹理特征参数（G-mean）构建的双指数模型可以更好地估测水稻的AGB。总体上看，采用双指数模型较单一指数模型具有更高的AGB估算准确性。

表 5 基于r-b和G-mean的AGB双指数线性回归模型的构建和检验

Table 5. Construction and validation of AGB estimation model based on r-b and G-mean

生育期 Growth stage	建模 Calibration		检验 Validation
生育期 Growth stage	估算模型 Model	决定系数R ² Coefficient of determination R²	均方根误差 RMSE/ (g·m⁻²)	相对均方根误差 RRMSE/ %	决定系数 R²
分蘖期 Tillering	y=879.0997−3088.61x₁+5.9053x₂+364.8907x₁x₂−18580.4 x₁²−1.607 x₂²	0.9099	16.46	4.68	0.8903
孕穗期 Booting	y=1218.506−1364.43x₁−16.1009x₂+380.0562x₁x₂−21120.2947x₁²−1.4778 x₂²	0.9155	22.01	3.32	0.9006
齐穗期 Heading	y=2422.079+3430.592x₁−143.099 x₂−381.908x₁x₂+13707.691x₁²+4.369x₂²	0.9043	36.46	3.37	0.8901
全生育期 Whole growth period	y=2544.507+5054.243x₁−145.543x₂−556.553x₁x₂+27379.41x₁²+3.927x₂²	0.9202	76.20	10.91	0.9112

下载: 导出CSV

| 显示表格

3. 讨论

AGB是指某一时期单位面积上的有机物质总量，是水稻长势监测的重要指标之一，AGB不仅代表了水稻群体质量优劣，还表征光合作用效率和物质积累，是产量形成的重要基础条件。水稻冠层色彩信息显著受到氮肥供应的影响，肥料丰缺可显著影响水稻的长势，从而使水稻在不同的营养条件下表现出不同的颜色特征，因此，色彩信息是水稻生长监测的重要组成^[21]。已有研究表明，在可见光波段（400～700 nm）范围内，水稻冠层对光的反射随施氮水平的提高而降低^[22]，这是由于受AGB、叶绿素及其他色素、含水量等影响冠层对光的吸收和反射的强度，最终导致水稻冠层颜色上的特征变化，基于这种内在机理，很多学者利用颜色指数和纹理特征参数构建了AGB估算模型^[11-18]，并具有较好的准确性。本研究表明，不同施氮水平下的水稻无人机图像具有显著的变化特征，其图像颜色特征和纹理特征均随施氮水平的变化具有一定的规律关系。因此，可以利用颜色指数和纹理特征参数来估算水稻的AGB变化。Kyu-Jong等^[23]利用数码相机获取水稻冠层图像，采用绿光深度绝对值(G)建立的生物量估测模型，其R²为0.83。本研究通过筛选，提取出与水稻AGB相关性最高的颜色指数为红蓝差值（r-b），构建模型的决定系数（R²）最高达0.8820，估算模型具有更高的准确性。无人机获取的水稻图像不仅具有颜色信息，还具有更加多样的纹理特征参数。Dai等^[12]、杨俊等^[13]、刘畅等^[14] 、陈晨^[15]在小麦上和刘杨等^[17]在马铃薯上的研究均表明，采用颜色指数＋纹理特征估算AGB的效果优于单一颜色指数或纹理参数模型。本研究表明采用颜色指数（r-b）和纹理特征（G-mean）双指数模型的决定系数（R²）为0.9043～0.9202，较单一颜色指数（r-b）模型（R²=0.8693～0.8820）和单一纹理特征参数（G-mean）模型（R²=0.8797～0.9034）的准确性更高。刘杨^[17]等认为单一纹理特征模型（R²为0.68～0.75）优于单一颜色指数模型（R²为0.65～0.69），这与刘畅等^[14]研究结果一致，本研究结果亦与他们相同，但Dai等^[12]却认为纹理特征参数的相关性较差，而颜色特征的相关性更好，导致这种差异的原因可能和作物品种、试验条件、仪器设备、图片分辨率等不同，从而导致提取出的特征指标不同和相关性结果亦不同。同时，纹理特征参数（G-mean）不仅在估算AGB上具有较高的准确性，班松涛^[24]研究表明（G-mean）还可以用于水稻倒伏的计算。无人机图像具有获取简单、成本低、效率高、简单易用等优点，已越来越成为作物生长监测的主要技术方法。本研究筛选出无人机颜色指数红蓝差值（r-b）和纹理特征参数（G-mean），并采用双指数构建的模型具有较高的准确性，为水稻地上部生物量的估算提供了新的指标和方法。

当然，本研究也还存在许多不足的地方，如不同品种、区域生长环境、种植密度、飞行高度（照片分辨率）等均会影响水稻AGB估算模型的准确性，从而导致模型在普适性方面降低。今后，将继续开展多年多生态点的试验，并采用深度学习等算法，融合图像颜色指数和纹理特征参数的多个指标，对图像信息和生理信息进行深入的挖掘，从而进一步提高模型的估算精度和探明其机理规律。

4. 结论

图像颜色指数中红蓝差值（r-b）与水稻AGB的相关性最高，可以作为估算AGB的颜色指数；纹理特征参数中（G-mean）与水稻AGB的相关性最高，可以作为估算AGB的纹理特征参数；基于颜色指数和纹理特征融合构建的双指数水稻AGB模型优于单一指数模型。基于颜色指数红蓝差值（r-b）和纹理特征参数（G-mean）构建的水稻AGB双指数全生育期估算模型y=2544.507+5054.243x₁−145.543x₂−556.553x₁x₂+27379.41x₁²+3.927x₂²（R²=0.9202），对水稻AGB的估算表现最优，可实现水稻AGB的快速无损估算。

图 1 小区试验布置

Figure 1. Arrangement for plot experiment

下载: 全尺寸图片幻灯片

图 2 不同施氮水平下水稻地上部生物量的动态变化

Figure 2. Dynamic changes on AGB of rice plants grown with varied nitrogen fertilizations

下载: 全尺寸图片幻灯片

图 3 水稻孕穗期无人机RGB图像

Figure 3. UAV RGB images of rice plants at booting stage

下载: 全尺寸图片幻灯片

图 4 基于Co-occurrence measures处理的水稻孕穗期图像

Figure 4. Co-occurrence measures-based UAV image of rice plants at booting stage

下载: 全尺寸图片幻灯片

表 1 地上部生物量与颜色指数之间的相关性

Table 1 Correlation between AGB and color indices

序号 Number	颜色指数 Color index	相关系数r Correlation coefficient
序号 Number	颜色指数 Color index	分蘖期 Tillering	孕穗期 Booting	齐穗期 Heading	全生育期 Whole growth period
1	r-b	−0.899^**	−0.914^**	−0.887^**	−0.890^**
2	VARI	0.809^**	0.844^**	0.833^**	0.841^**
3	G	−0.818^**	−0.834^**	−0.843^**	−0.841^**
4	NRI	−0.821^**	−0.833^**	−0.822^**	−0.823^**
5	r/b	−0.817^**	−0.825^**	−0.821^**	−0.822^**
6	R	−0.802^**	−0.821^**	−0.812^**	−0.811^**
7	WI	0.792^**	0.803^**	0.793^**	0.795^**
8	NBI	0.764^*	0.798^**	0.792^**	0.793^**
9	MGRVI	0.748^*	0.778^*	0.772^*	0.769^*
10	GRVI	0.750^*	0.757^*	0.764^*	0.766^*
11	ExR	−0.738^*	−0.745^*	−0.741^*	−0.746^*
12	g/b	−0.63^*	−0.73^*	−0.731^*	−0.728^*
13	ExGR	0.532	0.614^*	0.609^*	0.611^*
14	B	−0.569	−0.583	−0.578	−0.572
15	g-b	−0.478	−0.532	−0.523	−0.516
16	ExG	0.245	0.321	0.328	0.331
17	NGI	0.245	0.312	0.321	0.315
18	r+b	−0.245	−0.311	−0.301	−0.312
19	RGBVI	0.042	0.052	0.049	0.051
代表P=0.05显著水平，代表P=0.01极显著水平。表5同。 Significance level: represents P=0.05. Extremely significant level：** represents P=0.01.The same as Table 5.

下载: 导出CSV

表 2 基于红蓝差值（r-b）的AGB估算模型构建和验证

Table 2 Construction and validation of AGB estimation model based on （r-b）

生育期 Growth stage	建模 Calibration			检验 Validation
生育期 Growth stage	类型 Type	估算模型 Estimation model	决定系数R ² Coefficient of determination R²	RMSE/ (g·m⁻²)	RRMSE/ %	R²
分蘖期 Tillering	二次多项式 Quadratic	y = 2690.9x² − 2806.5x + 942.59	0.8778	22.07	6.09	0.8682
	指数 Exponential	y = 972.12e^−3.47x	0.8774	24.15	6.64	0.8639
	对数 Logarithmic	y = −355.2ln(x) − 83.638	0.8772	22.94	6.28	0.8568
	乘幂 Power	y = 100.57x^−1.011	0.8748	24.83	6.78	0.8487
	线性 Linear	y = −1213.7x + 711.68	0.8719	24.25	6.65	0.8543
孕穗期 Booting	二次多项式 Quadratic	y = −1491.4x² − 836.69x + 892.93	0.8820	20.22	5.58	0.8713
	线性 Linear	y = −1431.4x + 948.53	0.8801	20.54	5.66	0.8654
	指数 Exponential	y = 1017.8e^−2.182x	0.8741	21.95	6.09	0.8501
	对数 Logarithmic	y = −268.9ln(x) + 220.54	0.8574	27.76	7.58	0.8435
	乘幂 Power	y = 336.6x^−0.408	0.8409	29.73	8.09	0.8212
齐穗期 Heading	二次多项式 Quadratic	y = 3480.4x² − 2549.8x + 1311.2	0.8728	23.99	6.62	0.8643
	指数 Exponential	y = 1292.7e^−1.637x	0.8694	25.67	7.08	0.8566
	线性 Linear	y = −1778.5x + 1281.7	0.8630	26.46	7.25	0.8521
	对数 Logarithmic	y = −135ln(x) + 754.89	0.8159	27.9	7.68	0.8072
	乘幂 Power	y = 799.19x^−0.123	0.7956	33.17	9.04	0.7013
全生育期 Whole growth period	二次多项式 Quadratic	y = 705.61x² − 3450.2x + 1364.8	0.8693	24.65	6.74	0.8614
	指数 Exponential	y = 1688.3e^−4.88x	0.8237	29.91	8.15	0.8122
	线性 Linear	y = −3177.4x + 1344.4	0.8689	26.59	7.30	0.8461
	对数 Logarithmic	y = −381.9ln(x) + 25.399	0.7251	35.06	9.62	0.6531
	乘幂 Power	y = 238.62x^−0.547	0.5263	51.25	14.09	0.4101

下载: 导出CSV

表 3 地上部生物量与纹理特征参数之间的相关性

Table 3 Correlations between AGB and texture features

序号 Number	纹理特征参数 Texture feature	相关系数 r correlation coefficient r
序号 Number	纹理特征参数 Texture feature	分蘖期 Tillering	孕穗期 Booting	齐穗期 Heading	全生育期 Whole growth period
1	G-均值	−0.907^**	−0.932^**	−0.917^**	−0.901^**
1	G-mean	−0.907^**	−0.932^**	−0.917^**	−0.901^**
2	R-均值	−0.887^**	−0.891^**	−0.890^**	−0.889^**
2	R-mean	−0.887^**	−0.891^**	−0.890^**	−0.889^**
3	R-二阶矩	0.583^*	0.782^*	0.727^*	0.801^**
3	R-second moment	0.583^*	0.782^*	0.727^*	0.801^**
4	B-均值	−0.768^*	−0.749^*	−0.762^*	−0.787^*
4	B-mean	−0.768^*	−0.749^*	−0.762^*	−0.787^*
5	R-方差	0.652^*	0.742^*	0.772^*	0.713^*
5	R-variance	0.652^*	0.742^*	0.772^*	0.713^*
6	B-二阶矩	0.543	0.652^*	0.544	0.522
6	B-second moment	0.543	0.652^*	0.544	0.522
7	G-方差	0.568	0.563	0.612^*	0.555
7	G-variance	0.568	0.563	0.612^*	0.555
8	B-方差	0.464	0.494	0.432	0.564
8	B-variance	0.464	0.494	0.432	0.564
9	G-对比度	0.333	0.452	0.411	0.562
9	G-contrast	0.333	0.452	0.411	0.562
10	R-相异性	0.488	0.521	0.517	0.553
10	R-dissimilarity	0.488	0.521	0.517	0.553
11	B-信息熵	−0.327	−0.431	−0.417	−0.476
11	B-entropy	−0.327	−0.431	−0.417	−0.476
12	G-协同性	−0.415	−0.463	−0.434	−0.408
12	G-homogeneity	−0.415	−0.463	−0.434	−0.408
13	R-信息熵	−0.457	−0.325	−0.402	−0.376
13	R-entropy	−0.457	−0.325	−0.402	−0.376
14	G-相异性	0.404	0.441	0.454	0.412
14	G-dissimilarity	0.404	0.441	0.454	0.412
15	B-协同性	0.212	0.221	0.322	0.435
15	B-homogeneity	0.212	0.221	0.322	0.435
16	B-对比度	0.126	0.321	0.311	0.411
16	B-contrast	0.126	0.321	0.311	0.411
17	G-信息熵	−0.371	−0.362	−0.322	−0.377
17	G-entropy	−0.371	−0.362	−0.322	−0.377
18	R-协同性	0.195	0.211	0.322	0.164
18	R-homogeneity	0.195	0.211	0.322	0.164
19	B-相关性	−0.204	−0.264	−0.228	−0.224
19	B-correlation	−0.204	−0.264	−0.228	−0.224
20	G-二阶矩	0.04	0.211	0.142	0.226
20	G-second moment	0.04	0.211	0.142	0.226
21	R-相关性	−0.107	−0.124	−0.214	−0.135
21	R-correlation	−0.107	−0.124	−0.214	−0.135
22	R-对比度	0.118	0.123	0.135	0.074
22	R-contrast	0.118	0.123	0.135	0.074
23	B-相异性	0.093	0.132	0.127	0.211
23	B-dissimilarity	0.093	0.132	0.127	0.211
24	G-相关性	−0.006	−0.013	−0.021	−0.089
24	G-correlation	−0.006	−0.013	−0.021	−0.089

下载: 导出CSV

表 4 基于纹理特征参数（G-mean）的水稻各生育期AGB模型的构建和检验

Table 4 Construction and validation of AGB estimation model for each growth stage of rice plants based on texture G-mean

生育期 Growth stage	建模 Calibration			检验 Validation
生育期 Growth stage	类型 Type	估算模型 Estimation model	决定系数R ² Coefficient of determination R²	均方根误差 RMSE/ (g·m⁻²)	相对均方根误差 RRMSE/ %	决定系数 R²
分蘖期 Tillering	二次多项式 Quadratic	y = 0.0736x² − 14.46x + 780.83	0.8875	22.06	6.08	0.8797
	对数 Logarithmic	y = −327ln(x) + 1525.7	0.8873	21.67	6.01	0.8635
	指数 Exponential	y = 902.39e^−0.026x	0.8871	23.89	6.56	0.8717
	线性 Linear	y = −9.0632x + 684.31	0.8859	23.65	6.48	0.8790
	乘幂 Power	y = 9934.4x^−0.934	0.8742	24.45	6.70	0.8311
孕穗期 Booting	二次多项式 Quadratic	y = 0.1879x² − 25.845x + 1201.6	0.9128	17.14	4.75	0.9034
	指数 Exponential	y = 1237.7e^−0.024x	0.9126	16.63	4.63	0.9017
	对数 Logarithmic	y = −411.4ln(x) + 1994.6	0.9118	15.70	4.38	0.9004
	线性 Linear	y = −15.965x + 1075.6	0.9106	17.97	4.98	0.9094
	乘幂 Power	y = 5007.2x^−0.627	0.9071	19.69	5.42	0.8903
齐穗期 Heading	二次多项式 Quadratic	y = 2.2052x² − 114.72x + 2398.5	0.9014	17.26	4.81	0.8945
	乘幂 Power	y = 5702.9x^−0.584	0.9001	17.52	4.95	0.8809
	对数 Logarithmic	y = −634.1ln(x) + 2892.2	0.8948	17.66	4.91	0.8843
	指数 Exponential	y = 1930.3e^−0.033x	0.8888	20.01	5.57	0.8671
	线性 Linear	y = −35.866x + 1714.6	0.8778	22.64	6.22	0.8121
全生育期 Whole growth period	二次多项式 Quadratic	y = 0.9499x² − 86.442x + 2254	0.9005	11.10	3.11	0.8993
	乘幂 Power	y = 45897x^−1.33	0.8925	16.09	4.53	0.8713
	对数 Logarithmic	y = −865.4ln(x) + 3492.7	0.8913	13.95	3.89	0.8671
	指数 Exponential	y = 2447.4e^−0.051x	0.8883	11.69	3.29	0.9098
	线性 Linear	y = −32.075x + 1557.3	0.8692	26.59	7.31	0.8463

下载: 导出CSV

表 5 基于r-b和G-mean的AGB双指数线性回归模型的构建和检验

Table 5 Construction and validation of AGB estimation model based on r-b and G-mean

生育期 Growth stage	建模 Calibration		检验 Validation
生育期 Growth stage	估算模型 Model	决定系数R ² Coefficient of determination R²	均方根误差 RMSE/ (g·m⁻²)	相对均方根误差 RRMSE/ %	决定系数 R²
分蘖期 Tillering	y=879.0997−3088.61x₁+5.9053x₂+364.8907x₁x₂−18580.4 x₁²−1.607 x₂²	0.9099	16.46	4.68	0.8903
孕穗期 Booting	y=1218.506−1364.43x₁−16.1009x₂+380.0562x₁x₂−21120.2947x₁²−1.4778 x₂²	0.9155	22.01	3.32	0.9006
齐穗期 Heading	y=2422.079+3430.592x₁−143.099 x₂−381.908x₁x₂+13707.691x₁²+4.369x₂²	0.9043	36.46	3.37	0.8901
全生育期 Whole growth period	y=2544.507+5054.243x₁−145.543x₂−556.553x₁x₂+27379.41x₁²+3.927x₂²	0.9202	76.20	10.91	0.9112

下载: 导出CSV

参考文献(24)

[1]	ZHU W, SUN Z, PENG J, et al. Estimating maize above-ground biomass using 3d point clouds of multi-source unmanned aerial vehicle data at multi-spatial scales [J]. Remote Sens, 2019, 11: 2678. DOI: 10.3390/rs11222678
[2]	田婷, 张青, 张海东, 等. 基于无人机遥感的水稻产量估测 [J]. 中国稻米, 2022, 28(1):67−71, 77. TIAN T, ZHANG Q, ZHANG H D. Estimating yield of rice based on remote sensing by unmanned aerial vehicle [J]. China Rice, 2022, 28(1): 67−71, 77.(in Chinese)
[3]	周蓉, 赵天忠, 吴发云. 基于Landsat 8遥感影像的地上生物量模型反演研究 [J]. 西北林学院学报, 2022, 37(2):186−192. DOI: 10.3969/j.issn.1001-7461.2022.02.26 ZHOU R, ZHAO T Z, WU F Y. Aboveground biomass model based on Landsat 8 remote sensing images [J]. Journal of Northwest Forestry University, 2022, 37(2): 186−192.(in Chinese) DOI: 10.3969/j.issn.1001-7461.2022.02.26
[4]	姜妍, 王琳, 杨月, 等. 无人机高光谱成像技术在作物生长信息监测中的应用 [J]. 东北农业大学学报, 2022, 53(3):88−96. JIANG Y, WANG L, YANG Y, et al. Application of UAV hyperspectral imaging technology in crop growth information monitoring [J]. Journal of Northeast Agricultural University, 2022, 53(3): 88−96.(in Chinese)
[5]	杨福芹, 李天驰, 冯海宽, 等. 基于无人机数码影像的冬小麦氮素营养诊断研究 [J]. 福建农业学报, 2021, 36(3):369−378. YANG F Q, LI T C, FENG H K, et al. UAV digital image-assisted monitoring on nitrogen nutrition of winter wheat in the field [J]. Fujian Journalof Agricultural Sciences, 2021, 36(3): 369−378.(in Chinese)
[6]	梁胤豪, 陈全, 董彩霞, 等. 基于深度学习和无人机遥感技术的玉米雄穗检测研究 [J]. 福建农业学报, 2020, 35(4):456−464. LIANG Y H, CHEN Q, DONG C X, et al. Application of deep-learning and UAV for field surveying corn tassel [J]. Fujian Journal of Agricultural Sciences, 2020, 35(4): 456−464.(in Chinese)
[7]	YANG G J, LIU J G, ZHAO C J, et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: Current status and perspectives [J]. Frontiers in Plant Science, 2017, 8: 1111. DOI: 10.3389/fpls.2017.01111
[8]	CASANOVA D, EPEMA G F, GOUDRIAAN J. Monitoring rice reflectance at field level for estimating biomass and LAI [J]. Field Crops Research, 1998, 55(1/2): 83−92.
[9]	TAKAHASHI W, NGUYEN-CONG V, KAWAGUCHI S, et al. Statistical models for prediction of dry weight and nitrogen accumulation based on visible and near-infrared hyper-spectral reflectance of rice canopies [J]. Plant Production Science, 2000, 3(4): 377−386. DOI: 10.1626/pps.3.377
[10]	GNYP M L, MIAO Y X, YUAN F, et al. Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages [J]. Field Crops Research, 2014, 155: 42−55. DOI: 10.1016/j.fcr.2013.09.023
[11]	王秀珍, 黄敬峰, 李云梅, 等. 水稻地上鲜生物量的高光谱遥感估算模型研究 [J]. 作物学报, 2003, 29(6):815−821. DOI: 10.3321/j.issn:0496-3490.2003.06.004 WANG X Z, HUANG J F, LI Y M, et al. Study on hyperspectral remote sensing estimation models for the ground fresh biomass of rice [J]. Acta Agronomica Sinica, 2003, 29(6): 815−821.(in Chinese) DOI: 10.3321/j.issn:0496-3490.2003.06.004
[12]	DAI M, YANG T L, YAO Z S, et al. Wheat biomass estimation in different growth stages based on color and texture features of UAV images [J/OL]. Smart Agriculture, Published online: 2022-02-22 14: 21: 52. URL: https://kns.cnki.net/kcms/detail/10.1681.S.20220221.1425.002.html.
[13]	杨俊, 丁峰, 陈晨, 等. 小麦生物量及产量与无人机图像特征参数的相关性 [J]. 农业工程学报, 2019, 35(23):104−110. DOI: 10.11975/j.issn.1002-6819.2019.23.013 YANG J, DING F, CHEN C, et al. Correlation of wheat biomass and yield with UAV image characteristic parameters [J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(23): 104−110.(in Chinese) DOI: 10.11975/j.issn.1002-6819.2019.23.013
[14]	刘畅, 杨贵军, 李振海, 等. 融合无人机光谱信息与纹理信息的冬小麦生物量估测 [J]. 中国农业科学, 2018, 51(16):3060−3073. DOI: 10.3864/j.issn.0578-1752.2018.16.003 LIU C, YANG G J, LI Z H, et al. Biomass estimation in winter wheat by UAV spectral information and texture information fusion [J]. Scientia Agricultura Sinica, 2018, 51(16): 3060−3073.(in Chinese) DOI: 10.3864/j.issn.0578-1752.2018.16.003
[15]	陈晨. 基于无人机图像的小麦生物量与产量的估测研究[D]. 扬州: 扬州大学, 2019 CHEN C. Estimation of wheat biomass and yield based on UAV images[D]. Yangzhou: Yangzhou University, 2019. (in Chinese)
[16]	张建, 谢田晋, 尉晓楠, 等. 无人机多角度成像方式的饲料油菜生物量估算研究 [J]. 作物学报, 2021, 47(9):1816−1823. ZHANG J, XIE T J, WEI X N, et al. Estimation of feed rapeseed biomass based on multi-angle oblique imaging technique of unmanned aerial vehicle [J]. Acta Agronomica Sinica, 2021, 47(9): 1816−1823.(in Chinese)
[17]	刘杨, 冯海宽, 孙乾, 等. 不同分辨率无人机数码影像的马铃薯地上生物量估算研究 [J]. 光谱学与光谱分析, 2021, 41(5):1470−1476. LIU Y, FENG H K, SUN Q, et al. Estimation study of above ground biomass in potato based on UAV digital images with different resolutions [J]. Spectroscopy And Spectral Analysis, 2021, 41(5): 1470−1476.(in Chinese)
[18]	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. DOI: 10.11975/j.issn.1002-6819.2019.19.013 TAO H L, XU L J, FENG H K, 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, 2019, 35(19): 107−116.(in Chinese) DOI: 10.11975/j.issn.1002-6819.2019.19.013
[19]	李艳大, 叶春, 曹中盛, 等. 基于作物生长监测诊断仪的双季稻叶片氮含量和氮积累量监测 [J]. 应用生态学报, 2020, 31(9):3040−3050. DOI: 10.13287/j.1001-9332.202009.012 LI Y D, YE C, CAO Z S, et al. Monitoring leaf nitrogen concentration and nitrogen accumulation of double cropping rice based on crop growth monitoring and diagnosis apparatus [J]. Chinese Journal of Applied Ecology, 2020, 31(9): 3040−3050.(in Chinese) DOI: 10.13287/j.1001-9332.202009.012
[20]	叶春, 刘莹, 李艳大, 等. 基于RGB颜色空间的早稻氮素营养监测研究 [J]. 中国农业大学学报, 2020, 25(8):25−34. DOI: 10.11841/j.issn.1007-4333.2020.08.03 YE C, LIU Y, LI Y D, et al. Monitoring the nitrogen nutrition of early rice based on RGB color space [J]. Journal of China Agricultural University, 2020, 25(8): 25−34.(in Chinese) DOI: 10.11841/j.issn.1007-4333.2020.08.03
[21]	石媛媛. 基于数字图像的水稻氮磷钾营养诊断与建模研究[D]. 杭州: 浙江大学, 2011 SHI Y Y. Rice nutrition diagnosis and modeling based on digital image[D]. Hangzhou: Zhejiang University, 2011. (in Chinese)
[22]	吴华兵, 朱艳, 田永超, 等. 棉花冠层高光谱参数与叶片氮含量的定量关系 [J]. 植物生态学报, 2007, 31(5):903−909. DOI: 10.17521/cjpe.2007.0114 WU H B, ZHU Y, TIAN Y C, et al. Relationship between canopy hyperspectra parameter and leaf nitrogen concentration in cotton [J]. Journal of Plant Ecology, 2007, 31(5): 903−909.(in Chinese) DOI: 10.17521/cjpe.2007.0114
[23]	LEE K J, LEE B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis [J]. European Journal of Agronomy, 2013, 48: 57−65. DOI: 10.1016/j.eja.2013.02.011
[24]	班松涛. 水稻长势无人机遥感监测研究[D]. 杨凌: 西北农林科技大学, 2020 BAN S T. Monitoring rice growth conditions using UAV remote sensing system[D]. Yangling: Northwest A&F University, 2020. (in Chinese)

施引文献(7)

期刊类型引用(2)

1.	赵子琪，李丹丹，赵鼎，程志博，郭晓杰. 基于深度学习的树冠分割及生物量估算. 森林工程. 2024(05): 145-155 . 百度学术
2.	王宏乐，叶全洲，王兴林，刘大存，梁振伟. 基于YOLOv7的无人机影像稻穗计数方法研究. 广东农业科学. 2023(07): 74-82 . 百度学术

其他类型引用(5)

资源附件(0)

图(4) / 表(5)

计量

文章访问数: 701
HTML全文浏览量: 156
PDF下载量: 46
被引次数: 7

0. 引言
1. 材料与方法
1.1 试验设计
1.2 图像获取
1.3 图像特征参数获取
1.4 基于二阶概率统计滤波的无人机图像纹理提取
1.5 AGB测定
1.6 模型的构建与验证
2. 结果与分析
2.1 不同生育期水稻AGB变化
2.2 生物量与颜色指数之间的相关关系
2.3 基于颜色指数的AGB估算模型的构建与检验
2.4 AGB与纹理特征参数之间的相关关系
2.5 基于纹理特征参数的AGB估算模型的构建与检验
2.6 基于颜色指数和纹理特征参数的AGB估算模型的构建与检验
3. 讨论
4. 结论

0. 引言
1. 材料与方法
1.1 试验设计
1.2 图像获取
1.3 图像特征参数获取
1.4 基于二阶概率统计滤波的无人机图像纹理提取
1.5 AGB测定
1.6 模型的构建与验证
2. 结果与分析
2.1 不同生育期水稻AGB变化
2.2 生物量与颜色指数之间的相关关系
2.3 基于颜色指数的AGB估算模型的构建与检验
2.4 AGB与纹理特征参数之间的相关关系
2.5 基于纹理特征参数的AGB估算模型的构建与检验
2.6 基于颜色指数和纹理特征参数的AGB估算模型的构建与检验
3. 讨论
4. 结论

参考文献(24)

施引文献(7)

资源附件(0)

基于无人机图像的水稻地上部生物量估算

作者简介: 舒时富（1986−），男，硕士，副研究员，研究方向：作物精确管理和农业机械化（E-mail：shusf@foxmail.com）

通讯作者: 李艳大（1980−），男，博士，研究员，研究方向：信息农学与农机化技术（E-mail：liyanda2008@126.com）

计量

出版历程