基于無(wú)人機(jī)可見(jiàn)光影像的免耕種植夏玉米苗數(shù)估算

苗建馳　崔文豪　楊蕾　李京謙　蘭玉彬　趙靜

摘要：為了快速估算免耕種植夏玉米出苗數(shù)，提高大田夏玉米種植管理的精準(zhǔn)性，本研究利用無(wú)人機(jī)搭載可見(jiàn)光相機(jī)獲取夏玉米田塊高分辨率可見(jiàn)光影像，計(jì)算8種植被指數(shù)并結(jié)合最大類間方差法分割植被與非植被，經(jīng)分析，選擇紅色植被指數(shù)（RI）二值化圖像對(duì)可見(jiàn)光影像掩膜；然后統(tǒng)計(jì)夏玉米和雜草的24項(xiàng)紋理特征，比較雜草特征的變異系數(shù)及其與夏玉米的相對(duì)差異系數(shù)，選擇紅色方差提取夏玉米苗的特征，使用時(shí)序交點(diǎn)閾值法確定的閾值去除雜草干擾；提取夏玉米苗形態(tài)學(xué)特征參數(shù)作為樣本，采用支持向量機(jī)（SVM）、BP神經(jīng)網(wǎng)絡(luò)、K近鄰和決策樹(shù)4種算法構(gòu)建夏玉米苗數(shù)預(yù)測(cè)模型。結(jié)果表明，SVM和決策樹(shù)算法的整體效果較好，決定系數(shù)均超過(guò)0.8且平均絕對(duì)誤差（MAE）小于0.3，尤以決策樹(shù)模型的精度最高，可達(dá)94.1％。本研究結(jié)果可為大面積夏玉米出苗率估測(cè)提供技術(shù)支持。

關(guān)鍵詞：夏玉米；出苗數(shù)；無(wú)人機(jī)（UAV）；遙感；可見(jiàn)光

中圖分類號(hào)：S127 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：1001-4942（2024）03-0145-09

玉米是我國(guó)重要的糧食作物，在我國(guó)秋糧生產(chǎn)中占有舉足輕重的地位，其中夏玉米占全國(guó)玉米產(chǎn)量的36%左右。夏玉米一般以免耕播種為主，上茬作物的秸稈與根莖對(duì)其出苗率有較大影響，而出苗率是影響夏玉米產(chǎn)量的關(guān)鍵因素之一，及時(shí)監(jiān)測(cè)夏玉米出苗情況能夠預(yù)防因缺苗造成的產(chǎn)量損失。傳統(tǒng)苗情普查主要依靠人工抽樣調(diào)查，但這種方式不適用大面積種植的作物，費(fèi)時(shí)費(fèi)力且效率低下，難以滿足夏玉米種植精準(zhǔn)管理需要。

無(wú)人機(jī)（unmanned aerial vehicle，UAV）和傳感器技術(shù)的快速發(fā)展，為大范圍獲取農(nóng)作物信息提供了新的手段。目前，無(wú)人機(jī)遙感技術(shù)在農(nóng)業(yè)中的應(yīng)用已成為研究熱點(diǎn)。戴建國(guó)等對(duì)棉花二值圖采用網(wǎng)格線法去除雜草干擾，提取棉花形態(tài)特征構(gòu)建棉株數(shù)量識(shí)別模型，準(zhǔn)確率達(dá)97.17%。趙必權(quán)等利用超高分辨率影像對(duì)油菜目標(biāo)數(shù)量與形態(tài)特征進(jìn)行提取，采用逐步回歸分析方法建立油菜株數(shù)回歸模型，其決定系數(shù)為0.803。韓文霆等通過(guò)比較5類地物特征的種內(nèi)變異系數(shù)及其與玉米的差異系數(shù)，采用特征組合分層分類提取玉米種植信息，提取面積誤差最小為13.98%。劉帥兵等對(duì)玉米二值圖采用影像尺度變換法剔除噪聲，結(jié)合Harris角點(diǎn)監(jiān)測(cè)算法提取玉米苗期植株信息，識(shí)別精度高達(dá)97.8%。趙曉偉等選擇ExG指數(shù)分割玉米與土壤背景，通過(guò)優(yōu)化形態(tài)學(xué)特征組合參數(shù)建立支持向量機(jī)模型，預(yù)測(cè)玉米苗株數(shù)的精度達(dá)96.54%。支俊俊等通過(guò)提取遙感影像植被指數(shù)、HIS色彩特征和紋理特征，建立5種監(jiān)督分類算法模型，實(shí)現(xiàn)玉米種植信息的高精度提取，總體精度為86.2%。

目前基于無(wú)人機(jī)遙感技術(shù)對(duì)作物苗數(shù)估算主要是結(jié)合顏色特征分析實(shí)現(xiàn)作物的識(shí)別與分割，運(yùn)用網(wǎng)格法或設(shè)置緩沖區(qū)域去除雜草干擾。但這類方法適用于背景簡(jiǎn)單、雜草少、雜草與目標(biāo)作物無(wú)粘連區(qū)域，而免耕種植的夏玉米區(qū)域，機(jī)收掉落的小麥種子多導(dǎo)致出苗密集，麥苗及雜草往往與玉米苗密集粘連，葉片相互遮擋，尤其3-4葉期的玉米株與雜草（包括小麥苗）高度差較小，單獨(dú)采用顏色分析方法難以實(shí)現(xiàn)對(duì)夏玉米苗的提取。針對(duì)該問(wèn)題，本研究以無(wú)人機(jī)獲取免耕種植夏玉米田的可見(jiàn)光遙感影像，采用二階概率統(tǒng)計(jì)濾波算法提取夏玉米和雜草紋理特征，選擇最佳分類特征，利用時(shí)序交點(diǎn)閾值法確定的閾值提取夏玉米苗，并結(jié)合機(jī)器學(xué)習(xí)算法構(gòu)建夏玉米苗數(shù)預(yù)測(cè)模型，實(shí)現(xiàn)免耕種植夏玉米出苗信息的統(tǒng)計(jì)，從而為夏玉米早期田間管理提供參考依據(jù)。

1 材料與方法

1.1 研究區(qū)域概述

研究區(qū)域位于山東省淄博市臨淄區(qū)朱臺(tái)鎮(zhèn)山東理工大學(xué)生態(tài)無(wú)人農(nóng)場(chǎng)（36°57＇12"N，118°12＇58＂E），屬暖溫帶半濕潤(rùn)大陸性季風(fēng)氣候，地形以平原為主，主要種植小麥、玉米等作物。試驗(yàn)田總面積為43292m2，研究區(qū)域面積為7500m2。采用免耕方式種植夏玉米，行距60cm，株距20cm。雜草種類以小麥苗為主。研究區(qū)域如圖1所示。

1.2 數(shù)據(jù)獲取與預(yù)處理

于2022年7月4日（夏玉米3-4葉期）采集可見(jiàn)光影像數(shù)據(jù)，當(dāng)日風(fēng)力小于4級(jí)，天氣晴朗。數(shù)據(jù)采集設(shè)備為大疆M300 RTK，搭載大疆Zen-muse P1相機(jī)L（DJI DL 35mm F2.8 LS ASPH Lens鏡頭），設(shè)計(jì)航向重疊率為80%，旁向重疊率為85%，飛行高度為30m，飛行速度為5m/s，曝光方式為自動(dòng)曝光，采用等時(shí)間間隔拍照模式，共采集970幅玉米可見(jiàn)光影像。利用Pix4Dmapper軟件對(duì)獲取的影像進(jìn)行校正和拼接，得到空間分辨率為0.37Cm的正射影像。

在研究區(qū)域隨機(jī)選擇35個(gè)大小為3.6m×3.6m的樣方，方向分別為順壟和垂直壟方向，用于目視判讀玉米苗數(shù)。樣方選擇時(shí)，盡可能使樣方邊長(zhǎng)是玉米行距和株距的整倍數(shù)，避免夏玉米苗被分塊切割，影響目視識(shí)別精度。

1.3 研究方法

首先對(duì)獲得的正射影像進(jìn)行8種顏色特征分析，使用最大類間方差法實(shí)現(xiàn)非植被（裸土與麥茬）和植被（玉米與雜草）像元分離，提取非植被區(qū)域?qū)梢?jiàn)光圖像進(jìn)行掩膜；統(tǒng)計(jì)夏玉米與雜草（包括麥苗）的24項(xiàng)紋理特征，選擇提取夏玉米苗信息的最佳特征，采用時(shí)序交點(diǎn)閾值法得到夏玉米與雜草的分類二值圖；提取夏玉米苗形態(tài)特征參數(shù)，通過(guò)相關(guān)性分析篩選特征變量，然后采用4種機(jī)器學(xué)習(xí)算法（K近鄰算法、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、決策樹(shù)）對(duì)夏玉米苗數(shù)進(jìn)行建模，實(shí)現(xiàn)夏玉米苗數(shù)估測(cè)。

1.3.1 非植被像元去除

對(duì)研究區(qū)域的地物分析發(fā)現(xiàn)，植被與非植被色彩差異明顯，非植被主要呈褐色，植被主要呈綠色，因此可以先從可見(jiàn)光圖像中去除非植被區(qū)域，從而提高后續(xù)夏玉米苗的提取精度。

最大類間方差法是一種自適應(yīng)的閾值提取方法，核心思想是通過(guò)一個(gè)最佳閾值將圖像像元分為目標(biāo)與背景兩類，具有運(yùn)算快速和錯(cuò)分概率小的特點(diǎn)，因此用于對(duì)本研究中綠色植被分布的識(shí)別和提取。最佳分割閾值的計(jì)算公式如下：

gm=w090+w1g1 （1）

S=w0（g0-gm）2+w1（g1-gm）2 （2）

式中：w0、w1、g0、g1分別為目標(biāo)和背景的像元比例及平均灰度；gm為圖像總的平均灰度；S為最佳分割閾值。

植被指數(shù)是不同特定波長(zhǎng)反射率的組合，由于不同地物反射率存在差異，其植被指數(shù)也各異。根據(jù)前人研究結(jié)果，本研究選擇CLI、NCRDI、ExG、NGBDI、Cg、ExR、ExG-ExR和RI共8種植被指數(shù)（表1），采用最大類間方差法基于這8種植被指數(shù)對(duì)圖像進(jìn)行非植被像元分割，對(duì)比圖像分割效果后選出最佳植被指數(shù)，用于提取非植被區(qū)域?qū)梢?jiàn)光圖像進(jìn)行掩膜處理，從而實(shí)現(xiàn)植被與非植被的分割。

1.3.2 夏玉米苗目標(biāo)提取

夏玉米苗與雜草顏色相近，從顏色特征難以對(duì)兩者進(jìn)行分類識(shí)別，因此通過(guò)提取可見(jiàn)光圖像中夏玉米與雜草的紋理特征進(jìn)行分類。紋理特征可以較好解決同譜異物的現(xiàn)象，進(jìn)而提高地物的識(shí)別精度。通過(guò)對(duì)遙感數(shù)據(jù)紅（R）、綠（G）、藍(lán)（B）3個(gè)波段的灰度圖進(jìn)行二階概率統(tǒng)計(jì)濾波，得到3個(gè)波段各白的均值、方差、協(xié)同性、對(duì)比度、相異性、信息熵、二階矩、相關(guān)性等24項(xiàng)紋理特征，二階概率統(tǒng)計(jì)濾波的窗口設(shè)置為7×7，方向?yàn)?5°，灰度級(jí)為64。

人工目視隨機(jī)選擇468處夏玉米樣區(qū)，512處雜草樣區(qū)，從中提取24項(xiàng)紋理特征參數(shù)的均值和方差，進(jìn)而根據(jù)雜草特征參數(shù)均值和方差得到雜草特征的變異系數(shù)（圖2），根據(jù)雜草和夏玉米特征的均值計(jì)算得到與玉米相對(duì)的差異系數(shù)（圖3）。變異系數(shù)是對(duì)樣本特征像元統(tǒng)計(jì)值分布離散程度的歸一化量度，差異系數(shù)是反映樣本像元特征的差異程度，通過(guò)選擇具有較小變異系數(shù)和較大差異系數(shù)的特征對(duì)夏玉米苗進(jìn)行提取。經(jīng)過(guò)對(duì)雜草特征的變異系數(shù)及其與夏玉米相對(duì)的差異系數(shù)進(jìn)行排序評(píng)選，最終選擇紅色方差為區(qū)分玉米和雜草的特征。

采用時(shí)序交點(diǎn)閾值法確定最佳分離閾值，以像元統(tǒng)計(jì)個(gè)數(shù)為縱坐標(biāo)，以紅色方差像元值為橫坐標(biāo)，顯示夏玉米和雜草的高斯擬合曲線（圖4），以圖中夏玉米與雜草兩條線的交點(diǎn)作為兩者最佳分割閾值，為36.39。

1.3.3 夏玉米苗幾何特征提取

對(duì)夏玉米苗二值圖像觀察分析發(fā)現(xiàn)，有包含多株苗的連通區(qū)域，而連通區(qū)域夏玉米苗數(shù)會(huì)影響該區(qū)域的幾何形態(tài)特征。為優(yōu)選特征變量，根據(jù)前人研究經(jīng)驗(yàn)，本研究共計(jì)算了夏玉米苗的9種幾何形態(tài)特征參數(shù)，如表2所示。

基于以上特征參數(shù)，對(duì)35個(gè)監(jiān)測(cè)樣方內(nèi)夏玉米苗的特征參數(shù)和所對(duì)應(yīng)的苗數(shù)y進(jìn)行相關(guān)性分析，結(jié)果如圖5所示，發(fā)現(xiàn)特征參數(shù)之間存在嚴(yán)重共線性。因此以相關(guān)系數(shù)0.8作為閾值進(jìn)行篩選，最終選擇a3、a5和a7共3個(gè)變量進(jìn)行建模。

1.3.4 模型構(gòu)建及精度評(píng)價(jià)

在監(jiān)測(cè)樣方內(nèi)共統(tǒng)計(jì)1061條樣本數(shù)據(jù)，選擇742條數(shù)據(jù)用于模型訓(xùn)練，剩余319條數(shù)據(jù)用于模型性能測(cè)試。采用K近鄰（KNN）、支持向量機(jī)（SVM）、BP神經(jīng)網(wǎng)絡(luò)、決策樹(shù)4種分類算法進(jìn)行建模。確定4種算法參數(shù)：KNN采用曼哈頓距離，最近鄰K值為30;SVM的核函數(shù)為徑向基函數(shù)（radial basisf'unction，RBF），懲罰系數(shù)為5，核函數(shù)系數(shù)為scale：BP神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為identity，求解器為adam，學(xué)習(xí)率0.1，迭代次數(shù)為1000;決策樹(shù)回歸采用遺傳算法，葉子節(jié)點(diǎn)數(shù)最大為50，應(yīng)用五折交叉法進(jìn)行驗(yàn)證。

為了評(píng)價(jià)4種模型對(duì)夏玉米苗數(shù)預(yù)測(cè)的準(zhǔn)確性，選用均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、決定系數(shù)（R2）對(duì)模型進(jìn)行檢驗(yàn)。3個(gè)指標(biāo)的計(jì)算公式如下：

式中：IRE、IME、IR分別代表RMSE、MAE、R2的值；n為樣本數(shù)量；yi為實(shí)際值；y'i為預(yù)測(cè)值；y'為預(yù)測(cè)值的平均值。

2 結(jié)果與分析

2.1 非植被像元去除

為去除可見(jiàn)光影像中非植被區(qū)域，對(duì)整幅影像計(jì)算8種植被指數(shù)，采用Otsu算法對(duì)8種植被指數(shù)圖像進(jìn)行植被與非植被分割，得到8張二值化影像，見(jiàn)圖6?？梢钥闯?，ExG-ExR、ExR、GLI、NCRDI 4種植被指數(shù)將麥茬錯(cuò)分為植被，無(wú)法精準(zhǔn)去除非植被區(qū)域；而Cg、ExG、NGBDI、RI對(duì)非植被像元均有較好的去除效果，土壤、麥茬像元摻雜較少。綜合對(duì)比分割結(jié)果，RI二值化圖像雜質(zhì)較少、分割更為完整，因此選擇紅色植被指數(shù)二值化圖像對(duì)可見(jiàn)光影像掩膜，從而得到植被圖像。

2.2 夏玉米目標(biāo)提取

從RI二值化圖像中可以發(fā)現(xiàn)，RI對(duì)綠色植被有較好的提取效果，但無(wú)法對(duì)雜草和夏玉米進(jìn)行分割。圖7（a）為RI二值化圖像再通過(guò)腐蝕、膨脹等形態(tài)學(xué)操作處理后的影像，發(fā)現(xiàn)完全可以剔除夏玉米周邊面積較小且無(wú)粘連的雜草，但對(duì)于面積較大且與玉米密集粘連的雜草，如圖7（a）黃色圓內(nèi)外的雜草，去除效果不佳。采用紋理特征提取夏玉米苗的效果如圖7（b）所示，可以看出該方法能夠剔除夏玉米周圍大面積雜草，精準(zhǔn)提取玉米苗。

2.3 模型評(píng)價(jià)

用3種評(píng)價(jià)指標(biāo)對(duì)4種機(jī)器學(xué)習(xí)模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，結(jié)果（表3）顯示，支持向量機(jī)和決策樹(shù)模型的決定系數(shù)均達(dá)到0.8以上且MAE小于0.3，預(yù)測(cè)效果較好；其中決策樹(shù)算法的R2為0.941、RMSE為0.182、MAE為0.064，預(yù)測(cè)效果最好。K近鄰算法的預(yù)測(cè)效果最差，R2為0.729、RMSE為0.404。

圖8為基于決策樹(shù)模型的測(cè)試集數(shù)據(jù)預(yù)測(cè)結(jié)果?？梢钥闯?，樣本點(diǎn)玉米苗主要為1株，說(shuō)明本試驗(yàn)田的夏玉米苗以單株為主。對(duì)比實(shí)際調(diào)查結(jié)果發(fā)現(xiàn)，當(dāng)樣本點(diǎn)實(shí)際苗數(shù)為1、2、3株時(shí)，準(zhǔn)確率較高；而當(dāng)實(shí)際苗數(shù)為4、6、7、8株時(shí)，準(zhǔn)確率明顯下降。通過(guò)對(duì)誤差較大樣本的定位分析發(fā)現(xiàn)，當(dāng)實(shí)際苗數(shù)為1-3株時(shí)，誤差可能是由夏玉米植株分布不均勻及葉片遮擋所引起：當(dāng)實(shí)際苗數(shù)為4-8株時(shí)，誤差主要由夏玉米間的密集雜草粘連、間隙混入秸稈等噪聲引起，導(dǎo)致預(yù)測(cè)苗數(shù)過(guò)大：當(dāng)玉米植株冠層相互重疊度較大時(shí)，預(yù)測(cè)苗數(shù)會(huì)小于實(shí)際苗數(shù)。

2.4 夏玉米總體苗情分布

整幅遙感影像覆蓋面積較大，難以處理，小范圍內(nèi)玉米株數(shù)可以在一定程度上反映玉米的出苗情況，因此本研究按照邊長(zhǎng)為1.2m的正方形監(jiān)測(cè)單元對(duì)整幅影像做分割處理，分割成漁網(wǎng)狀，分別對(duì)每個(gè)網(wǎng)格內(nèi)的苗數(shù)進(jìn)行預(yù)測(cè)，一個(gè)網(wǎng)格理想出苗數(shù)為12株?；跊Q策樹(shù)模型預(yù)測(cè)結(jié)果計(jì)算樣方內(nèi)夏玉米苗數(shù)，并繪制夏玉米苗分布圖直觀顯示苗情信息，如圖9所示?？梢钥闯?，監(jiān)測(cè)單元內(nèi)的夏玉米苗數(shù)多集中在6株及以上：該區(qū)域整體出苗率較差，可能受麥茬秸稈覆蓋影響較大：從圖9（a）可以看出有兩條缺苗帶，對(duì)比圖9（b），同區(qū)域的兩行小格子有多處為深綠色，對(duì)應(yīng)的夏玉米苗數(shù)為零，可能是機(jī)器漏播所致，應(yīng)及時(shí)補(bǔ)苗。

3 結(jié)論

本研究基于無(wú)人機(jī)可見(jiàn)光影像數(shù)據(jù)，采用紋理特征分析結(jié)合時(shí)序交點(diǎn)閾值法提取夏玉米苗二值化圖像，利用選取的形態(tài)學(xué)特征參數(shù)構(gòu)建機(jī)器學(xué)習(xí)模型對(duì)玉米苗數(shù)進(jìn)行預(yù)測(cè)，從而獲取免耕種植夏玉米出苗情況。主要結(jié)論如下：

（1）為了去除可見(jiàn)光影像中非植被區(qū)域，本研究通過(guò)計(jì)算8種植被指數(shù)并結(jié)合最大類間方差法分割植被與非植被像元，發(fā)現(xiàn)紅色植被指數(shù)（RI）二值化影像分割效果較好。因此利用該方法提取非植被區(qū)域?qū)梢?jiàn)光影像進(jìn)行掩膜，從而消除冗余信息并提高運(yùn)行效率。

（2）針對(duì)基于植被指數(shù)無(wú)法對(duì)夏玉米和雜草進(jìn)行有效分割的問(wèn)題，采用灰度共生矩陣提取夏玉米和雜草的紋理特征參數(shù)，分析發(fā)現(xiàn)紅色方差結(jié)合時(shí)序交點(diǎn)閾值法分割夏玉米苗和雜草的效果最好。

（3）提取夏玉米苗形態(tài)學(xué)特征參數(shù)，構(gòu)建4種夏玉米估算模型。模型測(cè)試表明，當(dāng)樣點(diǎn)夏玉米苗數(shù)在1-3株、雜草與夏玉米葉片無(wú)粘連時(shí)，決策樹(shù)模型對(duì)夏玉米苗數(shù)預(yù)測(cè)的精度最高，總體精度91.4%，MAE值低于0.25?；谠撃Ｐ屠L制夏玉米苗情分布圖，可直觀顯示出田間苗情信息。

本研究方法能夠快速、準(zhǔn)確獲取田間大面積夏玉米出苗情況，從而為夏玉米田間精細(xì)化管理提供技術(shù)保障。

基金項(xiàng)目：山東省自然科學(xué)基金項(xiàng)目（ZR2021MD091）；山東省引進(jìn)頂尖人才“一事一議”專項(xiàng)經(jīng)費(fèi)資助項(xiàng)目（魯政辦字[2018]27號(hào) ）