徐 權(quán),郭 鵬※,祁佳峰,汪傳建,張國順
(1. 石河子大學(xué)理學(xué)院,石河子 832003;2. 兵團(tuán)空間信息工程技術(shù)研究中心,兵團(tuán)空間信息工程實(shí)驗(yàn)室,石河子 832003)
作物估產(chǎn)對(duì)保障國家糧食安全、經(jīng)濟(jì)政策制定和農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義[1]。棉花是中國重要的經(jīng)濟(jì)作物,及時(shí)了解棉花的長勢和產(chǎn)量,不僅對(duì)加強(qiáng)其生產(chǎn)管理和生產(chǎn)計(jì)劃安排有利,也對(duì)棉花外貿(mào)和進(jìn)出口計(jì)劃制定有直接幫助,便于農(nóng)業(yè)部門提前實(shí)施相應(yīng)的管理與決策,獲得更好的經(jīng)濟(jì)及環(huán)境效益[2-3]。
隨著信息技術(shù)的不斷發(fā)展,對(duì)作物產(chǎn)量的估算研究已經(jīng)從傳統(tǒng)的地面測量發(fā)展到了多維時(shí)空的遙感估算[4]。遙感技術(shù)由于具有宏觀性強(qiáng)、獲取信息快、感測范圍廣等特點(diǎn),已被廣泛應(yīng)用于農(nóng)業(yè)研究當(dāng)中[5-8]。針對(duì)棉花產(chǎn)量的估算,國內(nèi)外眾多學(xué)者也展開了卓有成效的研究[9-13]。Haghverdi 等[14]利用 Landsat 8 遙感數(shù)據(jù),通過人工神經(jīng)網(wǎng)絡(luò)和作物物候指標(biāo)預(yù)測了美國田納西州西部的棉花皮棉產(chǎn)量。 Dalezios 等 [15] 利用NOAA/AVHRR 衛(wèi)星數(shù)據(jù),建立了棉花生長季內(nèi)時(shí)間序列的NDVI 模型以估算產(chǎn)量。莊麗等[16]通過分析棉花產(chǎn)量與冠層光譜指數(shù)之間的相關(guān)性,建立了基于高光譜成像的棉花估產(chǎn)模型。劉煥軍等[17]利用時(shí)間序列的Landsat遙感影像,采用相關(guān)分析和線性回歸方法對(duì)植被指數(shù)與實(shí)測產(chǎn)量數(shù)據(jù)的關(guān)系進(jìn)行了分析,建立了棉花產(chǎn)量預(yù)測模型,對(duì)美國加州圣華金河谷種植區(qū)的棉花產(chǎn)量進(jìn)行了預(yù)測。由此可見,利用衛(wèi)星影像和時(shí)間序列數(shù)據(jù)對(duì)棉花產(chǎn)量估算是一種行之有效的方法,但在實(shí)際估產(chǎn)應(yīng)用中,高空遙感影像受下墊面、大氣效應(yīng)、作物物候等影響較大,估產(chǎn)精度有待進(jìn)一步提高[18]。而無人機(jī)遙感空間分辨率高、獲取數(shù)據(jù)快、操作簡單、成本低,能夠快速針對(duì)某一區(qū)域進(jìn)行影像采集,獲取更精確的作物分布信息,成為航空遙感和衛(wèi)星遙感的重要補(bǔ)充,對(duì)作物監(jiān)測技術(shù)的發(fā)展和應(yīng)用具有重大意義,眾多學(xué)者也利用無人機(jī)開展了大量研究工作[19-21]。
但遙感估產(chǎn)方法易受大氣效應(yīng)和作物物候等影響,估產(chǎn)精度有待提高,結(jié)合棉花出苗和生長狀態(tài)監(jiān)測的估產(chǎn)研究相對(duì)較少,本研究利用無人機(jī)高分辨率遙感影像,提出一種基于出苗株數(shù)并結(jié)合生長過程狀態(tài)的棉花估產(chǎn)理念和方法,構(gòu)建了基于苗鈴生長趨勢的SEGT(Seedling Emergence and Growth Trend)估產(chǎn)模型,以期為棉花估產(chǎn)提供新的研究思路。
研究區(qū)位于新疆生產(chǎn)建設(shè)兵團(tuán)第八師石河子墾區(qū)(86°01′00″~86°01′50″E,44°29′30″~44°30′00″N),如圖 1 所示。第八師石河子墾區(qū)地處天山北麓中段,古爾班通古特大沙漠南緣,該地區(qū)地勢平坦,平均海拔450.8 m,自東南向西北傾斜,屬于典型的溫帶大陸性氣候,冬季長而嚴(yán)寒,夏季短而炎熱,年平均氣溫在6.5~7.2 ℃之間,氣溫北部低,南部高,年降水量在125.0~207.7 mm 之間,無霜期為168~171 d,日照充沛,年日照時(shí)數(shù)為2 721~2 818 h。該地區(qū)生態(tài)氣候條件獨(dú)特,耕地平整連片,條田建設(shè)規(guī)范,棉花種植的機(jī)械化和規(guī)?;捷^高,適宜實(shí)施遙感估產(chǎn)和精準(zhǔn)農(nóng)業(yè)。
圖1 研究區(qū)示意圖Fig.1 Sketch diagram of study area
首先借助無人機(jī)可見光影像數(shù)據(jù),通過計(jì)算植被指數(shù)與大津法、形態(tài)學(xué)濾波相結(jié)合的方法,獲取研究區(qū)內(nèi)每株棉花的空間位置;然后利用無人機(jī)多光譜時(shí)間序列影像數(shù)據(jù),分析各時(shí)期歸一化差異植被指數(shù) NDVI(Normalized Difference Vegetation Index)與實(shí)際產(chǎn)量的相關(guān)特征,構(gòu)建棉花生長狀態(tài)圖,并對(duì)生長狀態(tài)進(jìn)行等級(jí)劃分,反演每株棉花的預(yù)測成鈴數(shù);最后結(jié)合棉花單鈴質(zhì)量構(gòu)建 SEGT 模型進(jìn)行棉花產(chǎn)量估算,并根據(jù)實(shí)測產(chǎn)量進(jìn)行模型精度驗(yàn)證。研究方案如圖2 所示。
圖2 技術(shù)路線圖Fig.2 Technology roadmap
本研究分別采用無人機(jī)可見光和多光譜影像開展試驗(yàn),其中可見光影像由大鵬CW-10 垂直起降固定翼無人機(jī)平臺(tái)搭載佳能EF-M18-55 相機(jī)獲得,佳能相機(jī)可獲得RGB 三通道灰度圖像,空間分辨率為2.5 cm;多光譜影像由eBee SQ 無人機(jī)搭載Parrot Sequoia 傳感器獲得,空間分辨率為 10 cm。棉花苗的提取對(duì)影像分辨率要求極高,因此試驗(yàn)中沒有使用Parrot Sequoia 自帶的可見光影像,而是選用空間分辨率更高的佳能相機(jī)。無人機(jī)可見光影像于2018 年5 月23 日上午11 點(diǎn)拍攝,多光譜影像分別于2018 年6 月至8 月拍攝,共10 期數(shù)據(jù),數(shù)據(jù)采集時(shí)天氣情況良好,無風(fēng),無人機(jī)飛行高度150 m,航向重疊度為80%,旁向重疊度為 60%。無人機(jī)影像數(shù)據(jù)通過 Pix4Dmapper 軟件進(jìn)行影像拼接和正射校正,處理后影像以TIFF 格式存儲(chǔ)各通道的灰度信息,每個(gè)通道包含8 bit 信息,投影方式為WGS_1984_UTM_zone_45N。
地面實(shí)測數(shù)據(jù)主要包括棉花的真實(shí)出苗信息和實(shí)際產(chǎn)量,用于模型的構(gòu)建和結(jié)果的驗(yàn)證。試驗(yàn)在研究區(qū)內(nèi)均勻劃定了60 個(gè)3 m × 3 m 的樣地,其中40 個(gè)試驗(yàn)樣區(qū),20 個(gè)驗(yàn)證樣區(qū)(詳細(xì)分布見圖1)。為準(zhǔn)確記錄各個(gè)樣區(qū)的位置,分別在每個(gè)樣區(qū)中心插入一根花桿,并在花桿頂端放置一個(gè)紅色圓盤,以便可以更準(zhǔn)確地在影像中找到樣區(qū)位置。試驗(yàn)于2018 年5 月23 日進(jìn)行,利用手持GPS 采集并記錄60 個(gè)樣區(qū)內(nèi)棉花苗的數(shù)量和空間位置,共計(jì)采集5 291 株棉花苗。將實(shí)測數(shù)據(jù)與提取結(jié)果進(jìn)行對(duì)比,對(duì)棉花苗提取結(jié)果進(jìn)行精度評(píng)價(jià)。試驗(yàn)選用的棉花品種為新陸早 64 號(hào),是新疆兵團(tuán)第八師種植面積最廣的品種之一,該品種屬于早熟陸地棉常規(guī)產(chǎn)品,生育期 123 d,株型為塔型,莖稈堅(jiān)硬抗倒伏,生長穩(wěn)健,葉片中等大小,葉上舉,通透性好。鈴卵圓形,較大,吐絮暢,宜機(jī)采,衣分 43.6%左右,纖維長度約30 mm,馬克隆值4.2,整齊度85.5%。棉花產(chǎn)量在吐絮期已經(jīng)基本形成,測產(chǎn)一般都在該時(shí)期內(nèi)進(jìn)行,試驗(yàn)于2018 年9 月20 日開展測產(chǎn)工作,利用天平稱量并記錄 60 個(gè)樣區(qū)收獲的籽棉質(zhì)量,產(chǎn)量調(diào)查結(jié)果用于構(gòu)建模型和驗(yàn)證估產(chǎn)精度。
鑒于棉花植株與裸土在影像中存在明顯差異,本試驗(yàn)利用植被指數(shù)和大津法相結(jié)合的閾值檢測方法確定棉花苗的空間位置,并利用數(shù)學(xué)形態(tài)學(xué)濾波進(jìn)行降噪處理。
2.3.1 植被指數(shù)的篩選
植被指數(shù)可以根據(jù)綠色植物在各個(gè)波段不同的反射和吸收特性,對(duì)所獲取的波段進(jìn)行運(yùn)算,以增強(qiáng)植被信息,其本質(zhì)是在綜合考慮各光譜信號(hào)的基礎(chǔ)上,把多波段反射率進(jìn)行數(shù)學(xué)變換,從而形成一些表征植被參數(shù)的數(shù)值[22]。相對(duì)于衛(wèi)星遙感影像,搭載佳能數(shù)碼相機(jī)獲取的無人機(jī)影像由于缺少近紅外波段,只能借助可見光波段構(gòu)建植被指數(shù)來提取棉花信息。常用于表征植被信息的指數(shù)有過綠減過紅指數(shù)(Excess Green-Excess Red)[23],可見光波段差異植被指數(shù)(Visible-Band Difference Vegetation Index,VDVI)[24],歸一化綠紅差異指數(shù)(Normalized Green-Red Difference Index,NGRDI)[25],歸一化綠藍(lán)差異指數(shù)(Normalized Green-Blue Difference Index,NGBDI)[26]等,具體計(jì)算如表1 所示。
表1 常用可見光植被指數(shù)Table 1 Usual visible vegetation indices
2.3.2 灰度閾值法與降噪
大津法能使類間方差達(dá)到最大時(shí)的閾值自動(dòng)確定為最佳閾值,本研究利用ENVI 軟件中的Class Activation to Pixel ROI 工具,選擇OTSU 算法,對(duì)植被指數(shù)灰度處理后的圖像進(jìn)行二值化處理,獲取棉花的出苗信息。
圖像濾波可以簡化圖像數(shù)據(jù),保持圖像基本形狀特征,并除去不相干的結(jié)構(gòu),可進(jìn)行噪聲抑制、邊緣檢測、圖像分割和形狀識(shí)別等處理。通過ExG-ExR 指數(shù)和大津法相結(jié)合可以得到較好的棉花苗提取結(jié)果,但圖像仍存在少量噪點(diǎn),本研究采用數(shù)學(xué)形態(tài)學(xué)濾波來解決這個(gè)問題,利用ENVI 軟件中的Convolutions and Morphology 工具進(jìn)行卷積運(yùn)算,卷積核大小為3(Kernel size=3×3,像素),濾波的重復(fù)次數(shù)為1(Cycles=1)。
2.3.3 精度評(píng)價(jià)
采用精確率(Precision)、召回率(Recall)、F1值3 個(gè)指標(biāo)對(duì)植被指數(shù)的提取結(jié)果進(jìn)行精度評(píng)價(jià)。
式中 TP 為正確提取的棉花苗數(shù)量,F(xiàn)P 為錯(cuò)誤提取的棉花苗數(shù)量,F(xiàn)N 為未被提取的棉花苗數(shù)量。
植被指數(shù)能夠綜合不同遙感波段下的植被反射特性,與作物生物量、葉面積指數(shù)等存在極強(qiáng)的相關(guān)關(guān)系,因此許多研究經(jīng)常使用植被指數(shù)評(píng)價(jià)作物的生長狀態(tài)[27],其中NDVI(Normalized Difference Vegetation Index)是監(jiān)測植被覆蓋情況和生長狀況的最佳遙感指數(shù)[28]。因此本文利用無人機(jī)多光譜時(shí)間序列影像,通過分析各期棉花 NDVI 與實(shí)際產(chǎn)量之間的相關(guān)特征,確定各期 NDVI在生長狀態(tài)評(píng)級(jí)中的權(quán)重,構(gòu)建能夠整體反映棉花生長狀態(tài)的綜合植被指數(shù)CNDVI(Comprehensive Normalized Difference Vegetation Index)CNDVI 值越大,棉花生長狀態(tài)越好,CNDVI 定義如下:
式中ai代表不同時(shí)期NDVI 的權(quán)重;j代表多光譜影像期數(shù),j=10。根據(jù)每期NDVI 與實(shí)際產(chǎn)量的相關(guān)系數(shù)大小占相關(guān)系數(shù)總和的比例獲得。
根據(jù)得到的CNDVI 指數(shù),參考李敏等[29]研究成果,利用自然間斷點(diǎn)分級(jí)法對(duì)棉花生長狀態(tài)進(jìn)行等級(jí)劃分,并結(jié)合當(dāng)?shù)貙?shí)際情況,將棉花分為 3 個(gè)等級(jí),分別為一等苗、二等苗、三等苗。一等苗指發(fā)育正常且健壯的苗;二等苗指比正常苗偏小偏弱的苗;三等苗指病苗、小苗和弱苗。不同的生長狀態(tài)等級(jí),對(duì)應(yīng)不同的棉鈴數(shù),也對(duì)應(yīng)了不同的預(yù)估產(chǎn)量區(qū)間。針對(duì)分級(jí)后的CNDVI數(shù)據(jù),于2019 年8 月29 日棉花吐絮期通過GPS 定位在研究區(qū)60 個(gè)樣區(qū)內(nèi)實(shí)地測算不同生長狀態(tài)等級(jí)下的棉鈴數(shù),根據(jù)實(shí)際調(diào)查情況,CNDVI 值越大,棉花結(jié)鈴數(shù)越多,結(jié)鈴數(shù)大于12 個(gè)和小于6 個(gè)的植株數(shù)量相對(duì)較少,約占總數(shù)的 5%,不具有代表性,因此最終確定一等苗對(duì)應(yīng) 12個(gè)棉鈴,二等苗對(duì)應(yīng)9 個(gè)棉鈴,三等苗對(duì)應(yīng)6 個(gè)棉鈴。
棉花產(chǎn)量估算模型定義如下:
式中SEGT 為區(qū)域內(nèi)棉花單位面積估測產(chǎn)量,kg/hm2;n代表棉花生長狀態(tài)等級(jí),n=3;Ci代表不同生長狀態(tài)等級(jí)下棉花苗數(shù)量;Qi代表對(duì)應(yīng)等級(jí)下單株棉鈴數(shù)量;W代表單個(gè)棉鈴質(zhì)量,kg;S代表區(qū)域面積,hm2。
試驗(yàn)用棉花品種的單鈴實(shí)測質(zhì)量約6.3 g,因此W取值為0.006 3 kg,棉花產(chǎn)量估算公式為
式中C1、C2、C3分別代表一等苗、二等苗、三等苗的數(shù)量。
用實(shí)測產(chǎn)量對(duì)估產(chǎn)結(jié)果進(jìn)行驗(yàn)證,選取統(tǒng)計(jì)學(xué)中常用的決定系數(shù)(R2)、均方根誤差(RMSE)和相對(duì)誤差(ME)3 個(gè)指標(biāo)評(píng)價(jià)模型估產(chǎn)效果。
棉花苗提取是構(gòu)建SEGT 模型的一個(gè)關(guān)鍵環(huán)節(jié),在很大程度上影響最終的估產(chǎn)結(jié)果,因此棉花苗的提取結(jié)果準(zhǔn)確性至關(guān)重要。本試驗(yàn)利用無人機(jī)獲取的高分辨率可見光影像數(shù)據(jù),通過計(jì)算植被指數(shù)提取每株棉花苗的空間位置,統(tǒng)計(jì)區(qū)域內(nèi)總株數(shù),局部提取結(jié)果如圖3 所示。最終,在研究區(qū)42.47 hm2面積內(nèi),共計(jì)提取出4 364 255 株棉花苗,其種植密度為102 761 株/hm2。將提取結(jié)果與實(shí)測數(shù)據(jù)(2.2 節(jié)地面實(shí)測棉花苗數(shù)據(jù))對(duì)比可知,該方法提取的精度較高,精確率為93%,召回率為92.33%,F(xiàn)1值為92.66%。評(píng)價(jià)結(jié)果表明,該方法能夠有效提取棉花出苗信息,可為后續(xù)棉花估產(chǎn)提供良好的基礎(chǔ)。
ExG-ExR、VDVI、NGRDI 和 NGBDI 指數(shù)對(duì)棉花苗識(shí)別精度如表2 所示。由表2 可知,ExG-ExR 指數(shù)針對(duì)棉花苗的提取在精度和穩(wěn)定性方面最好,其中 3 塊樣地的平均精確率、平均召回率、平均F1值分別達(dá)到了93%、92.33%和 92.66%,明顯優(yōu)于其他植被指數(shù)。VDVI 指數(shù)提取效果相對(duì)較好,但是在穩(wěn)定性方面不如ExG-ExR 指數(shù),NGRDI 與NGBDI 指數(shù)在精度和穩(wěn)定性方面表現(xiàn)都相對(duì)較差。這些指數(shù)對(duì)植被識(shí)別都具有較好的效果,但對(duì)于單株棉花苗的提取識(shí)別,研究認(rèn)為ExG-ExR 指數(shù)效果最佳。
圖3 基于無人機(jī)影像的棉花苗提取結(jié)果Fig.3 Extraction results of cotton seedling based on UAV images
表2 基于不同植被指數(shù)的棉花苗提取精度評(píng)價(jià)Table 2 Evaluation of extraction accuracy of cotton seedling based on different vegetation indices %
棉花生長狀態(tài)評(píng)級(jí)是構(gòu)建 SEGT 模型的另一關(guān)鍵環(huán)節(jié)。植被生長是一個(gè)極其復(fù)雜的過程,土壤、水分、葉綠素等成分的差異,都可能會(huì)對(duì)最終的產(chǎn)量造成影響,因此對(duì)棉花進(jìn)行基于時(shí)間序列的監(jiān)測是十分必要的。試驗(yàn)首先獲取棉花6 至8 月的無人機(jī)多光譜影像,根據(jù)天氣情況,每隔7~10 d 采集1 次數(shù)據(jù),共計(jì)得到研究區(qū)內(nèi) 10 個(gè)時(shí)期的 NDVI 數(shù)據(jù),日期分別為2018-06-10、2018-06-19、2018-06-27、2018-07-08、2018-07-19、2018-07-23、2018-08-04、2018-08-14、2018-08-21、2018-08-28。然后將 NDVI 分別與試驗(yàn)樣區(qū)的最終實(shí)際測產(chǎn)結(jié)果進(jìn)行相關(guān)性分析以確定各時(shí)期NDVI 的權(quán)重。最后根據(jù)NDVI 權(quán)重得到綜合反映棉花生長狀況的CNDVI 指數(shù),對(duì)棉花植株進(jìn)行等級(jí)劃分,以獲取棉鈴數(shù)。試驗(yàn)結(jié)果表明,根據(jù)相關(guān)性計(jì)算,10個(gè)時(shí)期 NDVI 與樣區(qū)最終實(shí)際總產(chǎn)量的相關(guān)系數(shù)分別為 0.69,0.72,0.75,0.81,0.88,0.87,0.82,0.83,0.75 和0.72??梢钥闯?,棉花鈴期的NDVI 與樣區(qū)最終實(shí)際產(chǎn)量之間的相關(guān)性較大,而蕾期和吐絮期相關(guān)性則相對(duì)較小。根據(jù)相關(guān)系數(shù)的大小,利用公式(4)對(duì)棉花 10 個(gè)時(shí)期的 NDVI 分別賦予 0.09,0.09,0.10,0.10,0.11,0.11,0.10,0.11,0.10 和 0.09 的權(quán)重,構(gòu)建 CNDVI并進(jìn)行棉花估產(chǎn)。
利用時(shí)間序列NDVI 構(gòu)建的CNDVI 如圖4 所示。根據(jù)CNDVI 計(jì)算結(jié)果得到,最終CNDVI 取值在0~0.70 之間。采用自然間斷點(diǎn)分級(jí)法,選取0.29 和0.54作為分界點(diǎn),將棉花劃分為3 個(gè)等級(jí),分別對(duì)應(yīng)一等苗(0.54<CNDVI≤0.70)、二等苗(0.29<CNDVI≤0.54)和三等苗(0≤CNDVI≤0.29)。從圖中可以看出,研究區(qū)內(nèi)棉花整體生長狀態(tài)較好,以一等苗和二等苗為主(圖中綠色和黃色區(qū)域),三等苗相對(duì)較少,多分布在地塊邊緣處(圖中紅色區(qū)域),與實(shí)際調(diào)研情況相符。
圖4 棉花綜合植被指數(shù)分級(jí)結(jié)果Fig.4 Classification results of cotton Comprehensive Normalized Difference Vegetation Index(CNDVI)
獲取棉花出苗信息和棉鈴數(shù)后,根據(jù)公式(5)對(duì)研究區(qū)進(jìn)行估產(chǎn)。研究區(qū)3 個(gè)樣地面積分別為17.72、15.35和9.4 hm2,總面積約為42.47 hm2,共計(jì)提取出4 364 255株棉花苗。棉花預(yù)測單產(chǎn)分別為 6 078.12、6 386.47 和5 900.44 kg/hm2,預(yù)估總產(chǎn)量分別為107 704.32、98 032.27和55 464.16 kg,總計(jì)約為261 200.75 kg。棉花實(shí)際總產(chǎn)量分別為101 542.08、90 389.69 和61 626.85 kg,總計(jì)約為 253 558.62 kg。研究區(qū) 3 塊樣地的估產(chǎn)精度分別為94.28%、92.2%和90%。
為了進(jìn)一步驗(yàn)證估產(chǎn)結(jié)果的精度,利用20 個(gè)驗(yàn)證樣區(qū)(分布見圖1)的實(shí)際產(chǎn)量對(duì)預(yù)測結(jié)果進(jìn)行驗(yàn)證,選用決定系數(shù)R2、均方根誤差 RMSE、相對(duì)誤差 ME作為評(píng)價(jià)指標(biāo)檢驗(yàn)估產(chǎn)模型的精度和可信度。R2越接近于1,說明模型精度越高;RMSE 值越小表明模型預(yù)測能力越強(qiáng),精度高且穩(wěn)定性好、可信度高。通過模型驗(yàn)證結(jié)果可知(圖 5),估產(chǎn)模型的決定系數(shù)R2達(dá)到了 0.92,均方根誤差 RMSE 為 0.1,相對(duì)誤差 ME 為3.47%,由此可見,利用SEGT 模型進(jìn)行棉花估產(chǎn)具有較高的精度和可信度。
圖5 棉花預(yù)測產(chǎn)量驗(yàn)證圖Fig.5 Verification diagram of cotton predicted yield
棉花產(chǎn)量預(yù)測是一項(xiàng)復(fù)雜的工作,既要考慮技術(shù)的實(shí)用性和可行性,同時(shí)又要考慮預(yù)測結(jié)果的可信度和精度。本文充分發(fā)揮無人機(jī)空間分辨率高、獲取數(shù)據(jù)快、操作簡單、成本低的優(yōu)勢,構(gòu)建了一種 SEGT 棉花產(chǎn)量估算模型,為無人機(jī)遙感在作物估產(chǎn)研究中的應(yīng)用提供了一種新的思路,但試驗(yàn)中一些關(guān)鍵點(diǎn)仍值得進(jìn)一步探討:本研究進(jìn)行了 1 個(gè)年度的棉花產(chǎn)量估算,但不同年份的棉花出苗情況以及生長狀態(tài)存在較大差異,模型能否在不同年度、不同區(qū)域都取得較好的效果,需要在接下來的研究中,在更多區(qū)域、更多年度開展試驗(yàn)工作,驗(yàn)證并完善模型算法,進(jìn)一步擴(kuò)大估產(chǎn)區(qū)域,分析多年間產(chǎn)量的時(shí)空變化及其原因,提升模型與方法的適用性;棉花的生長狀態(tài)較難準(zhǔn)確評(píng)估,為避免人為主觀因素的影響,本研究采用自然間斷點(diǎn)分級(jí)法進(jìn)行劃分,但該分級(jí)方法與影像數(shù)據(jù)本身關(guān)聯(lián)性較大,難以針對(duì)不同區(qū)域劃分統(tǒng)一標(biāo)準(zhǔn),后續(xù)研究中還應(yīng)加強(qiáng)生長狀態(tài)分級(jí)和棉鈴數(shù)關(guān)系的研究,進(jìn)一步提高量化標(biāo)準(zhǔn),實(shí)現(xiàn)客觀、準(zhǔn)確的棉花生長狀態(tài)分級(jí)和棉鈴數(shù)獲取,以提高模型的準(zhǔn)確性;本研究通過獲取苗數(shù)與每株棉花單產(chǎn)累加的方法得到整個(gè)區(qū)域的棉花產(chǎn)量,棉鈴數(shù)和單鈴質(zhì)量是模型的2個(gè)重要參數(shù),其與棉花品種存在較大關(guān)聯(lián)性,因此在后續(xù)的研究中,需對(duì)更多棉花品種進(jìn)行系統(tǒng)測量和參數(shù)修正,以提高模型的穩(wěn)定性和適用性。
本文針對(duì)無人機(jī)高分辨率遙感影像,提出了一種基于SEGT(Seedling Emergence and Growth Trend)模型的棉花產(chǎn)量估算方法,主要結(jié)論如下:
1)基于無人機(jī)高分辨率的可見光影像,針對(duì)棉花苗的識(shí)別與提取,ExG-ExR 植被指數(shù)效果最佳,精度和穩(wěn)定性較高,精確率達(dá)到了93%,召回率達(dá)到了92.33%,F(xiàn)1值達(dá)到了92.66%,VDVI 指數(shù)精度次之。
2)獲取不同時(shí)間序列的 NDVI 影像,構(gòu)建 CNDVI表征棉花生長狀態(tài),并選取0.29 和0.54 作為分界點(diǎn),估算棉鈴數(shù),是構(gòu)建SEGT 模型的關(guān)鍵環(huán)節(jié)之一。
3)經(jīng)驗(yàn)證,本文所構(gòu)建的SEGT 模型決定系數(shù)達(dá)到0.92,具有較高的可行性、可信度和可靠性,是一種切實(shí)可行的棉花估產(chǎn)方法。