東北粳稻葉綠素相對含量的無人機高清影像檢測方法

1材料與方法

1.1 研究區(qū)域概況

試驗地位于遼寧省沈河區(qū)沈陽農(nóng)業(yè)大學的研究所育種實驗田（123°33′E，41°49′N)。試驗材料選擇在東北具有廣泛種植的中熟粳稻-沈稻 47，由沈陽農(nóng)業(yè)大學農(nóng)學院提供。實驗田大小為936m2（36m×26m），總共18個小區(qū)，面積 8m×5m，采用完全隨機排列，保護行寬度為 1m，單灌單排，小區(qū)之間采用擋肥板，為了使水稻的 SPAD形成梯度，1~14 號小區(qū)氮磷鉀采用 4 個水平：0 水平指不施肥，2 水平指當?shù)赝扑]的最佳施肥量，1 水平（指施肥不足）=2 水平×0.5，3 水平=2 水平×1.5（該水平為過量施肥水平），15~18 小區(qū)采用微量元素處理(表 1)，除施肥措施外，其他田間管理措施一致。

表 1  3414 處理的施肥圖

1.2 數(shù)據(jù)獲取

1.2.1 無人機高清影像數(shù)據(jù)

采用無人機搭載 X5 相機， 獲取 18 個小區(qū)的高清數(shù)碼影像 ，1600 萬像素 ， 借鑒JIA 等獲取小麥圖像的方法，采集當天天氣晴朗無云，采集時間 10∶00 至 14∶00，太陽光輻射強度穩(wěn)定，日照較強，不同時間拍攝出來的圖片受光照影響的變化較小，同時以標準白色比色板進行校正，垂直高度距離地面5m（距離水稻冠層 4m），垂直拍攝 ，整個拍攝過程光照強度在 2600~2950lx，鏡頭均采用廣角 ，設置為 10mm，光圈自動，手動對焦到無窮遠，拍攝采用自動白平衡模式，圖像儲存格式為 raw，曝光時間在 1/6~1/5s 之間，分辨率可達到 4608*3456，所獲取的單個水稻冠層面積約為 8m×5m 的長方形。

1.2.2 田間監(jiān)測 

SPAD 數(shù)據(jù)采用便攜式葉綠素儀 SPAD-502 活體采集粳稻SPAD，測量部位在葉片的中部，中部上、下 3cm 處，取 3 處測定值的平均值表示該葉片的 SPAD，對每個小區(qū)隨機選取采樣區(qū)域，每個采樣區(qū)域定 3 穴，即選擇 3 株長勢相近無損傷的植株進行測定，每株測定 10 張葉片，即每個采樣點測量 30 個葉片，依據(jù)拉依達準則去除粗大誤差后求平均值作為一個采樣點的 SPAD，每次采集間隔時間為 30d，即對分蘗期、拔節(jié)孕穗期和抽穗灌漿期各采集 1 次 18 個小區(qū)的 SPAD 數(shù)據(jù)，共采集 54 組數(shù)據(jù)。

2 圖像去背景和特征參數(shù)計算及篩選

2.1 圖像去背景

采用 GPS 定位截取出對應采樣區(qū)域的水稻冠層圖像，利用 Matlab 對沒有長出稻穗的水稻圖像采用閾值分割的方法，提取出水稻葉片圖像（圖 1）。 抽穗灌漿后期有稻穗的水稻圖像，僅僅采用閾值分割已經(jīng)不能滿足，首先采用 K 均值聚類分割法去除稻穗，然后再采用閾值分割（圖 2），提取分割后的采樣點葉片圖像非 0 像素點的 R、G、B 分量，分別計算平均像素值作為基礎顏色參數(shù) R、G、B 值。

 原始圖像                                         閾值分割后圖像

圖 1  無稻穗的圖像處理

原始圖像                k均值去除稻穗后圖像               閾值分割后圖像

圖 2  有稻穗的圖像處理（圖中黑色部分為水土或者粳稻殘體）

2.2 分割后的水稻冠層圖像特征參數(shù)計算

用 R、G、B 及 G/R、G/B、B/R、R-B、G-R、NRI、NGI、NBI 共 11 種常用的特征參數(shù)組合，對粳稻的 SPAD 狀況進行描述。 其中 R、G、B 分別代表紅光、綠光和藍光亮度值，G/R、G/B、B/R 分別代表綠光和紅光亮度比值、綠光和藍光亮度比值、藍光和紅光亮度比值，R-B 和 G-R 分別代表紅光和藍光亮度差值以及綠光和紅光亮度差值，NRI(normalized redness intensity)、NGI(normalized rgreenness intensity)、NBI(normalized blueness intensity) 分別代表紅光標準化、綠光標準化、藍光標準化，參數(shù)計算方法為：

NRI=R/（R+G+B）

NGI=G/（R+G+B）

NBI=B/（R+G+B）

對于圖像特征參數(shù)和 SPAD 用 Microsoft Excel 2003 軟件進行篩選分析， 并去除一些由于偶然因素造成明顯的誤差的數(shù)據(jù)，去除奇異值后，最終保留 49 組數(shù)據(jù)。

2.3 圖像特征參數(shù)的篩選

將分蘗期、拔節(jié)孕穗期、抽穗灌漿期的粳稻的 49 組 SPAD 數(shù)據(jù)與對應的 11 種圖像特征參數(shù)進行相關性分析，篩選出與 SPAD 高度相關的圖像特征參數(shù)進行建模，根據(jù)統(tǒng)計學的劃定，相關系數(shù)|r|≥0.8 時，視為高度相關；0.5≤|r|<0.8 時，視為中度相關；0.3≤|r|<0.5 時，視為低度相關；|r|<0.3 時，表示兩者相關性很弱，可視為無關。 從表 2 可以看出 NRI、B/R 和 R-B 的皮爾森相關系數(shù)均大于 0.8， 為高度相關，R、B、NBI、G/R、G/B 和 G-R的皮爾森相關系數(shù)在0.5 到0.8之間，為中等程度相關，G 和 NGI 與 SPAD 可視為無關或弱相關，說明 NRI、B/R、R-B 這3種顏色參數(shù)能夠很好的反映粳稻 SPAD 的變化 ， 因此可以篩選出與 SPAD 高度相關的 NRI、B/R、R-B 這3種圖像特征參數(shù)進行 SPAD 反演建模。

表 2粳稻葉片相對葉綠素含量 SPAD 和顏色參數(shù) RGB 及其組合的相關性分析

圖 3 圖像特征參數(shù)與 SPAD 的關系

3 NRI、B/R、R-B 與 SPAD 建模

3.1 基于一元線性回歸的粳稻 spad預測模型構(gòu)建

本研究選取相關性達到高度相關的圖像特征參數(shù) NRI、B/R 和 R-B 分別與 SPAD 構(gòu)建的一元線性回歸模型，去除奇異值后的監(jiān)測樣點數(shù)據(jù)80%（39 組）用于模型的構(gòu)建，剩余的 20%（10 組）進行一元線性回歸模型精度測試，用均方根誤差 RMSE（root mean square error）對比預測效果。由表 3 可知，基于 NRI、B/R 和 R-B 顏色參數(shù)組合的擬合模型都能很好反映粳稻生育期 SPAD 與顏色特征參數(shù)的定量關系， 構(gòu)建的粳稻 SPAD 估算模型預測誤差均較小，RMSE 分別為 1.51,1.70,1.72，反演精度較高。

3.2 基于 BP 神經(jīng)網(wǎng)絡的粳稻 SAPD預測模型構(gòu)建 

BP（back propagation）網(wǎng)絡是一種多層前饋網(wǎng)絡，引入了誤差逆?zhèn)鞑ニ惴ǎ悄壳皩嶋H應用中最常見的神經(jīng)網(wǎng)絡。BP 網(wǎng)絡學習屬于有監(jiān)督式的學習，需要樣本集和已知的目標輸出，基本原理是：訓練時采用隨機值作為權(quán)值，由學習樣本得到網(wǎng)絡輸出，根據(jù)輸出結(jié)果和目標結(jié)果的誤差，逆向傳播修改（迭代）各節(jié)點的權(quán)重和閾值，減小代價函數(shù)，減小誤差，如此反復，直到達到設定的要求，網(wǎng)絡訓練結(jié)束。BP 神經(jīng)網(wǎng)絡模型拓撲結(jié)構(gòu)由輸入層 （input）、隱藏層 （hide layer）和輸出層 （output layer）組成 ，將顏色參數(shù)NRI、B/R 和 R-B 作為模型輸入矢量 P；輸出層為粳的 SPAD；學習目標 T 與構(gòu)建一元線性回歸模型的樣本數(shù)一致為 39 組，測試樣本選擇剩余的 10 組樣點數(shù)據(jù)。 訓練數(shù)據(jù)和測試數(shù)據(jù)的輸入輸出均歸一化處理，歸一化的方式為 y=(x-min)/(max-min)，x 為代表顏色數(shù) NRI、B/R 和 R-B，y 代表歸一化后的 NRI、B/R 和 R-B， 激活函數(shù)和輸出函數(shù)均是 sigmoid 函數(shù)，訓練采用帶動量因子的隨機梯度下降法進行訓練，學習率為 0.001，動量因子為 0.9，隱藏層數(shù)為 1，不斷調(diào)整隱層的節(jié)點數(shù)，發(fā)現(xiàn)最佳神經(jīng)元個數(shù)為 80，訓練誤差收斂到 0.0081。

3.3 SPAD反演精度比對

為了比較 BP 神經(jīng)網(wǎng)絡相對于傳統(tǒng)的一元線性回歸分析預測 SPAD 的精確度， 選取剩余的 10 組數(shù)據(jù)進行BP 神經(jīng)網(wǎng)絡模型精度測試，將測試樣本代入反演模型對粳稻的 SPAD 進行預測，同樣用均方根誤差法（RMSE）檢驗預測值和實際觀測值的符合度（圖 4）。 結(jié)果表明，基于 NRI、B/R 和 R-B 的多特征輸入的 BP 神經(jīng)網(wǎng)絡模型，模擬誤差（RMSE）僅為 1.35，相對一元線性回歸預測模型中精度最高的圖像特征參數(shù) NRI 的預測模型(表 3)，模擬精度有一定的提高，提升了 11%。

表 3 NRI、B/R 和 R-B 的模型

圖 4 BP 神經(jīng)網(wǎng)絡預測粳稻 SPAD 誤差

4 討論與結(jié)論

與采用葉綠素儀方法測定水稻冠層 SPAD 相比，利用無人機低空遙感可以快速獲取大尺度水稻冠層參數(shù)，且與衛(wèi)星遙感相比，具有更好的實時性。 目前，大多數(shù)研究均采用地面輔助裝置垂直拍攝田間水稻冠層數(shù)碼影像，為提高水稻冠層高清影像的獲取速度，本文利用無人機機動靈活的特點，搭載高清數(shù)碼相機快速獲取水稻冠層影像， 進而探索無人機遙感反演 SPAD 的可行性， 通過相關性分析發(fā)現(xiàn)，NRI、B/R、R-B 與粳稻冠層SPAD 高度相關 ，其中 NRI 的相關性最高達到 0.91，該結(jié)果與王遠等人的研究結(jié)果相符 ，進一步說明了用冠層顏色參數(shù)反演水稻 SPAD 是可行的。目前，利用顏色參數(shù)和 SPAD 進行建模的主要方法為一元線性回歸，本研究利用三種顏色參數(shù)進行擬合，均方根誤差分別為 1.51,1.70,1.72。 同時，利用 NRI、B/R、R-B 作為 BP 神經(jīng)網(wǎng)絡的多輸入特征進行建模，經(jīng)檢驗，模型的 RMSE 可達到 1.35，比一元線性回歸提高 11%，說明利用 BP 神經(jīng)網(wǎng)絡的非線性擬合具有更好的效果。 研究結(jié)果說明基于無人機高清影像反演東北粳稻 SPAD 切實可行，相較于一元線性回歸，基于 NRI、B/R和 R-B 的多特征輸入的BP 神經(jīng)網(wǎng)絡模型預測粳稻 SPAD 具有更好的擬合效果。