基于无人机高光谱数据估算马铃薯地上生物量

首页 ꄲ 应用领域 ꄲ 精准农业 ꄲ 基于无人机高光谱数据估算马铃薯地上生物量

基于无人机高光谱数据构建的植被指数和纹理特征估算马铃薯地上生物量

英文: Estimating potato above-ground biomass based on vegetation indices and texture features constructed from sensitive bands of UAV hyperspectral imagery

研究单位

北京市农林科学院信息技术研究中心

中国农业大学

河南农业大学

摘要

地上生物量（AGB）估算对于监测作物生长和评估产量至关重要。无人机（UAV）光学遥感技术为通过植被指数（VIs）估算作物AGB提供了强有力的支持。然而，在高氮或高AGB条件下，大多数VIs对茂密的植物冠层失去响应。为了解决基于两个波段形成的VIs估算作物多阶段AGB不准确的问题，对不同品种、种植密度和施肥梯度的马铃薯试验田进行了无人机高光谱成像试验。首先使用逐个lambda优化算法修改比率植被指数（RVI）和归一化差异植被指数（NDVI），得到优化的RVI（Opt-RVI）和NDVI（Opt-NDVI）。将它们的性能与已发布的VIs进行了比较。然后，使用优化VIs中的相应波段提取纹理特征并评估它们的反演性能。最后，基于已发表的VIs、Opt-VIs、敏感波段纹理以及结合纹理的Opt-VIs，采用优化的随机森林（RF）回归估算马铃薯多阶段AGB。根据变量重要性得分对RF估算模型进行简化。结果表明，对AGB敏感的光谱区域主要位于红边范围。与AGB相关性最强的Opt-RVIs和Opt-NDVI波长分别为734和742nm。除两个红边波段形成的归一化红边指数外，已发表的VIs（R2=0.07~0.28）在高AGB背景下表现出饱和现象。优化的Opt-RVI和Opt-NDVI抑制了这种现象，使得两者的R2值均达到0.44，可用于估算AGB。两个波段的纹理特征与AGB的R2值介于0.06和0.31之间，其中CON734、COR734、DIS742、ENT742、SEC742和COR742与AGB的相关性最强（R2>0.2）。利用单一指标估算马铃薯AGB的性能从高到低为敏感纹理特征、Opt-VIs和已发表的VIs，这些模型的估算能力有限。Opt-VIs和敏感波段纹理特征的组合显示出最高的估算精度（R2=0.62和RMSE=293.08kg/hm2）。根据变量重要性得分，简化RF估计模型（四个变量：Opt-RVI、CON734、ENT742、COR742）的精度略有下降（R2=0.59和RMSE=301.01kg/hm2），但降低了模型复杂度，提高了计算效率。简化模型精度主要受马铃薯品种、施肥梯度、生育期影响，而受种植密度影响不大。研究结果可为田间马铃薯生长监测提供参考。

研究数据

高光谱数据：高光谱数据由UHD 185 Firefly机载高速高光谱成像仪获取。该成像仪采用革命性的画幅式高光谱成像技术，能够以更快的速度进行所有光谱通道同步成像，在1/1000秒内获得整个高光谱立方体数据，配套功能强大的测量技术及处理软件，快速获取大面积高光谱图像，影像具有厘米级地理坐标信息。

图1 Cubert高光谱成像系统

表1 Cubert高光谱成像仪参数

研究过程

图2 马铃薯种植试验方案（P1～P3代表种植密度，分别为60000、72000、84000颗马铃薯/hm2；N0～N3代表氮含量，分别为0、112.5、225、337.5kg/hm2纯N；K0和K2代表钾含量，分别为0、990kg/hm2 K2O；G1～G11代表11个地面控制点；Z3和Z5代表2个马铃薯品种；P、N、K代表种植密度、氮和钾）

表2 该研究选择的VIs

图3 AGB估算流程图

图4 由450~950nm的两个波长组合计算的（a）RVI和（b）NDVI与马铃薯AGB（kg/hm2）的R2

图5 已发表和优化后的VIs与马铃薯AGB（kg/hm2）的线性关系：（a）RVI，（b）CIred-edge，（c）CIgreen，（d）PBI，（e）NRI，（f）RDVI，（g）NDVI，（h）GNDVI，（i）NDRE，（j）NGRDI，（k）MSR，（l）PSDN，（m）WDRVI，（n）ND705，（o）RVI（734, 742）和（p）NDVI（734, 742）