劉家歡，鄭成娟，李 云，李增源，付浩然，張衛(wèi)峰

(1.中國農(nóng)業(yè)大學(xué) 資源與環(huán)境學(xué)院，北京 100094； 2.北京興農(nóng)豐華科技有限公司，北京 100094)

適宜的小麥群體既是高產(chǎn)的保障條件，也是水、肥、藥等高效管理的重要參考指標(biāo)?，F(xiàn)代高產(chǎn)技術(shù)要求收獲期多穗型小麥品種達(dá)到750萬穗/hm2左右，大穗型小麥品種達(dá)到450萬穗/hm2左右[1-2]。然而冬小麥長達(dá)260 d的生育時期中，經(jīng)過冬、春、夏3個季節(jié)光、溫、水變化的歷練，群體數(shù)量經(jīng)歷增長、穩(wěn)定、降低3個階段，合理控制每一階段的群體數(shù)量才能確保收獲時穗數(shù)達(dá)到高產(chǎn)的要求。而在群體發(fā)展動態(tài)過程中，水分、養(yǎng)分的吸收、消耗和利用也極大地制約了小麥生產(chǎn)效率。以中、多穗型小麥品種為例，確保高產(chǎn)、高質(zhì)、高效需求的群體動態(tài)為基本苗225萬～300萬株/hm2，冬前900萬～1 200萬株/hm2，返青期—拔節(jié)期1 500萬～1 650萬株/hm2，收獲期675萬～750萬株/hm2[3-4]。需要采取冬前劃鋤、鎮(zhèn)壓，確保春季水肥時間、早春鎮(zhèn)壓、化學(xué)控旺等多種調(diào)控途徑，才能確保有效的群體數(shù)量。以濟(jì)麥22為例，為達(dá)到675萬～750萬穗/hm2的群體密度，在適宜播期內(nèi)應(yīng)將播量控制到187.5～225 kg/hm2，小麥出苗后到越冬前莖蘗數(shù)應(yīng)達(dá)到900萬～1 200萬株/hm2，若莖蘗數(shù)大于900萬株/hm2，則應(yīng)采取適期內(nèi)晚澆冬水、深耕、鎮(zhèn)壓等措施控制無效分蘗，防止群體數(shù)量過大[5]；若返青期—拔節(jié)期群體數(shù)量大于1 650萬株/hm2，則應(yīng)采取推遲春季水肥至拔節(jié)中后期、返青期鎮(zhèn)壓、起身期噴施矮壯素等控旺措施，防止群體數(shù)量過大和后期倒伏[6]。上述針對性農(nóng)藝措施是促使群體沿著高產(chǎn)目標(biāo)發(fā)展的有力保障[7-8]。因此，在小麥冬前、返青至拔節(jié)等關(guān)鍵生育時期及時了解麥田群體數(shù)量信息，并制定精細(xì)化管理措施是保證小麥高產(chǎn)的重要手段。目前，規(guī)?；?jīng)營是高產(chǎn)高效的途徑，但是面臨增產(chǎn)節(jié)本的需求，且人力成本高，需要自動化、智能化技術(shù)的輔助。

有學(xué)者使用數(shù)碼相機(jī)采集出苗、起身、拔節(jié)、孕穗期的小麥冠層圖像，基于紋理圖像特征進(jìn)行圖像處理，用以判別3種不同結(jié)構(gòu)的冬小麥群體,分類正確率達(dá)92.6%[9-10]。另有學(xué)者以小麥苗期圖像為研究對象，采用數(shù)碼相機(jī)垂直獲取圖像，提出了基于新骨架特征值的重疊區(qū)域麥苗計算公式，計數(shù)準(zhǔn)確率達(dá)89.9%[7-11]。索興梅等[8]、李少昆等[12]應(yīng)用圖像分割、圖像增強(qiáng)技術(shù)提取小麥群體圖像特征，建立小麥群體特征識別自學(xué)習(xí)系統(tǒng)，識別準(zhǔn)確率在85%以上。JAMES等[13]采用易獲得的消費級數(shù)碼相機(jī)采集圖像，利用3D點云成像技術(shù)估算小麥的地上部生物量、冠層高度和收獲指數(shù)，表明3D成像圖中至少有48個圖像能用于輔助育種和其他高精度要求的科學(xué)研究。劉濤等[14]利用顏色特征和紋理特征對撒播、條播麥田進(jìn)行計數(shù)試驗，準(zhǔn)確率分別為95.8%、96.9%。COINTAULT等[15-16]研究使用顏色或紋理評估結(jié)果估測單位面積小麥穗數(shù)的可行性，表明圖像處理誤差僅為手工計數(shù)的6%。與手持成像設(shè)備相比，無人機(jī)具有高時效、高分辨率、低成本、高效率等優(yōu)點。李冰等[17]利用低空無人直升機(jī)多光譜平臺，采用植被閾值法提取研究區(qū)域內(nèi)冬小麥時序變化曲線，分析了空間尺度對提取植被覆蓋度的影響，表明利用低空無人機(jī)遙感監(jiān)測冬小麥覆蓋度變化的方法可行。

小麥生產(chǎn)實踐中，麥田群體是水、肥、藥精細(xì)管理的重要參考，麥田管理中需要及時、快速、高效地獲取群體結(jié)構(gòu)信息，從而針對性采取水肥管理措施。大量研究表明，采用消費級的數(shù)碼相機(jī)獲取小麥冠層圖像，從而估算麥田群體大小是可行的，且提出了許多估算方法和模型[7-16]。但這些模型和方法多從科學(xué)研究的角度出發(fā)，未從生產(chǎn)應(yīng)用的角度設(shè)計行之有效的操作方法。

鑒于此，從生產(chǎn)應(yīng)用的角度出發(fā)，以山東省陽信縣64個小農(nóng)戶生產(chǎn)地塊和41個種植企業(yè)規(guī)模化種植地塊為研究對象，在不同生育時期使用智能手機(jī)和和無人機(jī)獲取小麥冠層圖像，探討圖像識別估算麥田群體大小的可行性，以期為不同規(guī)模的小麥種植主體提供適宜的群體快速診斷方法。

1 材料和方法

1.1 試驗地點和試驗設(shè)計

試驗地點位于山東省陽信縣，坐標(biāo)為東經(jīng)117.15～117.52°、北緯37.26～37.43°，地處中緯度，屬暖溫帶。季風(fēng)型大陸性氣候，四季分明。歷年年均氣溫12.3 ℃，極端最高氣溫40.1 ℃，極端最低氣溫-21.5 ℃，最冷月1月份，最熱月7月份。年均日照時數(shù)為2 704 h，年均日照百分率65%，光照充足。陽信縣年降水量較少，且不穩(wěn)定、不均勻。歷年平均降水量為568 mm，1月份最少，約為3.8 mm，7月份最多，約為192 mm。

選擇不同規(guī)模的2類生產(chǎn)地塊為研究對象，一類為小農(nóng)戶地塊，地點位于山東省陽信縣大韓村，另一類為規(guī)?；N植地塊，地點位于山東省陽信縣牛騰雨村，兩村相距10 km，均屬于典型的冬小麥-夏玉米灌溉輪作區(qū)。其中，大韓村試驗地塊64個，每個地塊平均面積約為0.2 hm2，所有試驗地塊均由農(nóng)戶自行管理，田間管理措施變異較大。牛騰雨村為種植企業(yè)標(biāo)準(zhǔn)化管理地塊，地塊單元面積為30 hm2，試驗地塊41個，所有試驗地塊均由陽信潤豐農(nóng)業(yè)科技有限公司進(jìn)行標(biāo)準(zhǔn)化管理，田間管理措施相近，品種及部分關(guān)鍵管理措施如表1。大韓村試驗地塊播期為2017年10月1—23日，牛騰雨村試驗地塊播期均為10月20日，為方便計算和分析，將播種期記為數(shù)字，如10月13日記為10.13。

表1 試驗地塊關(guān)鍵管理措施Tab.1 Key management measures for experimental fields

1.2 田間數(shù)據(jù)

2017年10月—2018年6月，在冬小麥苗期、冬前、返青、拔節(jié)4個生育時期，進(jìn)行麥田莖蘗數(shù)人工抽樣計數(shù)和相應(yīng)樣段小麥冠層圖像采集，圖像采集采用智能手機(jī)拍攝和無人機(jī)航拍2種方式進(jìn)行。其中，拔節(jié)期因麥田封壟，航拍照片覆蓋度值接近100%，僅使用智能手機(jī)采集圖像。4個生育時期麥田莖蘗數(shù)人工抽樣計數(shù)和智能手機(jī)冠層圖像采集同時進(jìn)行，隨后使用航拍無人機(jī)一次性采集所有試驗地塊冠層圖像。4個生育時期的莖蘗數(shù)數(shù)據(jù)采集時間如下：苗期人工抽樣計數(shù)和智能手機(jī)拍攝于2017年10月28日—11月3日進(jìn)行，無人機(jī)航拍于2017年11月4—5日進(jìn)行；冬前人工抽樣計數(shù)和智能手機(jī)拍攝于2017年12月4—8日進(jìn)行，無人機(jī)航拍于2017年12月9—10日進(jìn)行；返青期人工抽樣計數(shù)和智能手機(jī)拍攝于2018年3月8—12日進(jìn)行，無人機(jī)航拍于2018年3月13—14日進(jìn)行；拔節(jié)期人工抽樣計數(shù)和智能手機(jī)拍攝于2018年4月5—8日進(jìn)行。4個生育時期莖蘗數(shù)人工抽樣計數(shù)和智能手機(jī)圖像采集采用定點的方式進(jìn)行。

1.2.1 麥田莖蘗數(shù)人工抽樣計數(shù)方法 人工抽樣計數(shù)時在試驗地塊內(nèi)以對角線方式，選擇3處麥苗整齊、生長一致、有代表性的2行麥苗進(jìn)行定點標(biāo)記，每處對0.5 m長的相鄰2行麥苗進(jìn)行莖蘗數(shù)人工抽樣計數(shù)。其中，基本苗調(diào)查在小麥苗期進(jìn)行，計數(shù)時只統(tǒng)計主莖數(shù)，即使部分早播麥田出現(xiàn)分蘗，也不計入莖蘗數(shù)；其他3個時期均調(diào)查莖蘗數(shù)，即主莖和分蘗數(shù)總和，抽樣樣段莖蘗數(shù)計數(shù)時，只要分蘗露出葉鞘即算為有效分蘗，若分蘗出現(xiàn)喇叭口或心葉萎蔫、枯死或變黃現(xiàn)象則為退化蘗，不計入莖蘗數(shù)。

每個試驗地塊莖蘗數(shù)人工抽樣計數(shù)和冠層圖像采集完成后，交錯選擇2處麥苗均勻的區(qū)域，分別測量11行小麥(10行行距)之間的距離，并取平均值，即該地塊平均行距。麥田群體大小與地塊平均行距和平均莖蘗數(shù)關(guān)系如下：

式中，L為地塊平均行距；N為麥田0.5 m單行平均莖蘗數(shù)。

1.2.2 智能手機(jī)冠層圖像采集方法 智能手機(jī)冠層圖像采集與試驗地塊莖蘗數(shù)人工抽樣計數(shù)同時進(jìn)行。在人工抽樣計數(shù)完成后，使用智能手機(jī)應(yīng)用程序“多用途綠色冠層覆蓋測量工具(CANOPEO)”，對相應(yīng)麥苗拍攝、讀取冠層覆蓋度并記錄。其原理是自動識別圖像綠色部分像素，并采用超綠特征值方式進(jìn)行二值化處理，計算綠色像素占整個圖像像素的百分比。冠層覆蓋度與人工抽樣計數(shù)的莖蘗數(shù)為1組數(shù)據(jù)，每個地塊共調(diào)查6組數(shù)據(jù)，莖蘗數(shù)和冠層覆蓋度均取平均值，每個地塊最終得到1組平均莖蘗數(shù)和平均冠層覆蓋度。4次冠層圖像采集均使用同一部手機(jī)(華為nova CAZ-AL 10，后置攝像頭為2 000 萬像素，CMOS傳感器，焦距 8.8 mm，拍攝高度約41.5 cm)進(jìn)行。小麥冠層圖像智能手機(jī)拍攝方法如圖1所示，選取1行長勢均勻的麥苗，并取0.5 m作為樣點，在樣點兩端做好標(biāo)記，手機(jī)垂直樣段以樣段的邊界恰好位于相機(jī)取景框的上下兩端為參照進(jìn)行拍照，并用CANOPEO 處理，提取小麥冠層覆蓋度，處理時軟件 Adjustments 參數(shù)統(tǒng)一設(shè)置為1.00。

圖1 智能手機(jī)冠層圖像采集方法Fig.1 Smart phone canopy image acquisition method

1.2.3 無人機(jī)冠層圖像采集方法 無人機(jī)冠層圖像采集使用四旋翼大疆INSPIRE2無人機(jī)(軸距 605 mm，機(jī)身凈質(zhì)量3.29 kg,載質(zhì)量4 kg)為遙感平臺，配備慣性測量單元(Inertial measurement unit,IMU)實時記錄飛行狀態(tài)下地理位置和三軸姿態(tài)角。無人機(jī)遙感平臺搭載ZENMUSE X4S 高清相機(jī),主要參數(shù)為尺寸： 125 mm×100 mm×80 mm，質(zhì)量：253 g，2 000萬像素，CMOS傳感器，焦距8.8 mm(定焦拍攝)。無人機(jī)數(shù)據(jù)采集在9:00—15:00 太陽光輻射強(qiáng)度穩(wěn)定，天氣晴朗無云時開展，飛行高度20 m,獲取到0.005 45 m 空間分辨率真彩色數(shù)碼相片。3 次無人機(jī)遙感均使用同一套飛器和相機(jī)。

獲取無人機(jī)航拍圖像后，在ARCGIS(地理信息系統(tǒng)軟件)中根據(jù)GPS(全球定位系統(tǒng))定位點和方位信息確定試驗地塊，在圖像上選取樣本區(qū)域(如圖2所示)，采用監(jiān)督分類(超綠特征值)方法處理圖像，然后對圖像進(jìn)行二值化處理，根據(jù)像素數(shù)量計算小麥冠層覆蓋度(小麥冠層覆蓋度=圖像綠色部分所占像素數(shù)量/圖像全部像素數(shù)量)。

圖2 無人機(jī)冠層圖像采集方法Fig.2 UAV canopy image acquisition method

1.3 數(shù)據(jù)處理

試驗數(shù)據(jù)采用Excel 2013 和SPSS 19.0 進(jìn)行計算與統(tǒng)計分析，采用 Excel 2013 繪圖，用雙變量相關(guān)分析進(jìn)行相關(guān)性檢驗。

2 結(jié)果與分析

2.1 小麥苗期基本苗數(shù)與冠層覆蓋度關(guān)系

分別以智能手機(jī)和無人機(jī)獲取圖像的冠層覆蓋度與人工抽樣計數(shù)的基本苗數(shù)進(jìn)行相關(guān)性分析，如圖3所示?；久鐢?shù)與冠層覆蓋度，不論是采用智能手機(jī)還是采用無人機(jī)獲取圖像，均不存在顯著相關(guān)性。表明采用圖像處理方式估測麥田苗期基本苗數(shù)的方法不可行。

圖像處理方式估測效果不好主要有兩方面的原因。一是試驗地塊間播期變異較大，導(dǎo)致麥田生育時期不一致，而莖蘗數(shù)人工抽樣計數(shù)一般在三葉期進(jìn)行，數(shù)據(jù)采集時須協(xié)調(diào)人員、效率與不同試驗地塊最佳數(shù)據(jù)采集時期之間的矛盾，本研究按照保證大多數(shù)試驗地塊處于三葉期的原則確定數(shù)據(jù)采集時間。數(shù)據(jù)采集時，早播試驗地塊已處于分蘗期，而晚播試驗地塊還處于苗期。苗期麥苗較小，麥田冠層覆蓋度也較小，尤其是無人機(jī)航拍圖像幾乎檢測不到綠色部分，很大程度上影響了苗期基本苗數(shù)診斷效果。二是基本苗數(shù)人工抽樣計數(shù)方法的影響，調(diào)查時只統(tǒng)計主莖數(shù)，即使出現(xiàn)分蘗也不計入，影響了已分蘗試驗地塊冠層覆蓋度與基本苗數(shù)的擬合效果。

a:智能手機(jī)采集圖像； b:無人機(jī)采集圖像，下同 a:Image get by smart phone； b:Image get by UAV，the same below圖3 小麥苗期基本苗數(shù)與冠層覆蓋度關(guān)系 Fig.3 Relationship between wheat basic seedling and canopy coverage at seedling stage

2.2 小麥冬前莖蘗數(shù)與冠層覆蓋度關(guān)系

分別以智能手機(jī)和無人機(jī)獲取圖像的冠層覆蓋度與人工抽樣計數(shù)的冬前莖蘗數(shù)進(jìn)行相關(guān)性分析，如圖4所示。由圖4a可知，在小麥冬前采用智能手機(jī)獲取冠層圖像時，莖蘗數(shù)與冠層覆蓋度相關(guān)性強(qiáng)，決定系數(shù)(R2)=0.900，且存在極顯著相關(guān)(P<0.001 0)，表明小麥冬前階段將智能手機(jī)作為圖像采集工具，用圖像識別方式估測麥田冬前莖蘗數(shù)(群體大小)的方法可行。由圖4b可知，在小麥冬前采用無人機(jī)獲取冠層圖像時，莖蘗數(shù)與冠層覆蓋度相關(guān)性強(qiáng)，R2=0.760，且存在極顯著相關(guān)(P<0.001)，表明小麥冬前將效率更高的無人機(jī)作為圖像采集工具，用圖像識別方式估測麥田冬前莖蘗數(shù)(群體大小)的方法可行。

由R2及莖蘗數(shù)與冠層覆蓋度相關(guān)性可知，小麥冬前圖像處理方式對小麥群體的診斷效果較好。與苗期相比，試驗地塊間生育時期差異減小、單株分蘗數(shù)不同，麥田覆蓋度(綠色部分)較大增加，無論是智能手機(jī)或是無人機(jī)獲取的圖像均能很好地識別綠色部分，提高了圖像識別方式的診斷效果。

圖4 小麥冬前莖蘗數(shù)與冠層覆蓋度關(guān)系Fig.4 Relationship between wheat stem number and canopy coverage pre-wintering stage

2.3 小麥返青期莖蘗數(shù)與冠層覆蓋度關(guān)系

分別以智能手機(jī)和無人機(jī)獲取圖像的覆蓋度與人工抽樣計數(shù)的返青期莖蘗數(shù)進(jìn)行相關(guān)性分析。由圖5a可知，在小麥返青期采用智能手機(jī)獲取冠層圖像時，莖蘗數(shù)與冠層覆蓋度相關(guān)性與冬前相比較弱，R2僅為0.130，但存在極顯著相關(guān)性(P<0.001 0)，表明小麥返青期將智能手機(jī)作為圖像采集工具，用圖像識別方式估測麥田返青期莖蘗數(shù)(群體大小)的方法可行。由圖5b可知，在小麥返青期采用無人機(jī)獲取冠層圖像時，莖蘗數(shù)與冠層覆蓋度相關(guān)性與冬前相比也較弱，R2僅為 0.320，但存在極顯著相關(guān)性(P<0.001 0)，表明小麥返青期將效率更高的無人機(jī)作為圖像采集工具，用圖像識別方式估測麥田返青期莖蘗數(shù)(群體大小)的方法可行。

小麥返青期圖像處理方式對小麥群體的診斷效果相對冬前較差，主要有兩方面的原因，一是返青期麥田群體數(shù)量較大，小麥分蘗數(shù)達(dá)到全生育時期最大值，麥苗之間互相遮擋的程度增加；二是2017—2018年冬、春季與歷史同期相比，低溫少雨，部分早播試驗地塊存在比較嚴(yán)重的凍害，麥苗整體發(fā)黃，影響了冠層覆蓋度基于超綠特征值的圖像分類識別效果。

圖5 小麥返青期莖蘗數(shù)與冠層覆蓋度關(guān)系Fig.5 Relationship between wheat stem number and canopy coverage at reviving stage

2.4 小麥拔節(jié)期莖蘗數(shù)與冠層覆蓋度關(guān)系

拔節(jié)期因麥田封壟，無人機(jī)獲取圖像覆蓋度接近100%，僅使用智能手機(jī)采集圖像。用智能手機(jī)獲取冠層圖像的覆蓋度與人工抽樣計數(shù)的拔節(jié)期莖蘗數(shù)進(jìn)行相關(guān)性分析，如圖6所示。在小麥拔節(jié)期采用智能手機(jī)獲取冠層圖像時，莖蘗數(shù)與冠層覆蓋度相關(guān)性較弱，R2僅為 0.240，但存在極顯著相關(guān)性(P<0.001 0)，表明小麥拔節(jié)期將智能手機(jī)作為圖像采集工具，用圖像識別方式估測麥田拔節(jié)期莖蘗數(shù)(群體大小)的方法可行。

圖6 小麥拔節(jié)期莖蘗數(shù)與使用智能手機(jī)獲取圖像的冠層覆蓋度關(guān)系Fig.6 Relationship between wheat stem number at jointing stage and the canopy coverage of images get by smart phone

小麥拔節(jié)期圖像處理方式對小麥群體的診斷效果比返青期好，主要有兩方面的原因，一是拔節(jié)期小麥群體數(shù)量開始下降，無效分蘗逐步消亡，麥苗間遮擋情況有所改善；二是拔節(jié)期凍害癥狀消失，小麥葉片濃綠，圖像分類識別效果較好。

2.5 3種小麥群體診斷方法比較

3種小麥群體診斷方法比較如表2所示,目前普遍采用方法是人工抽樣計數(shù)，該方法精度最高,但效率低，單位耗時約100.0 min/hm2；智能手機(jī)圖像識別最便利，且效率較高，單位耗時約5.0 min/hm2；無人機(jī)圖像識別效率最高，單位耗時約為1.5 min/hm2。

表2 不同小麥群體診斷方式比較Tab.2 Comparison of different wheat population size diagnosis methods

3 結(jié)論與討論

采用智能手機(jī)和無人機(jī)采集小麥冠層圖像，是為了滿足不同規(guī)模小麥種植者對工作效率的需求。采用智能手機(jī)采集小麥冠層圖像，獲取冠層覆蓋度估測小麥群體大小，是針對小農(nóng)戶地塊分散、細(xì)碎化的特點進(jìn)行的探索。根據(jù)第 41 次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》，截至 2017年12月，我國農(nóng)村網(wǎng)民占比為 27.0%，規(guī)模為 2.09 億，較 2016 年底增加793 萬人[18]。伴隨著信息技術(shù)的高速發(fā)展和農(nóng)村基礎(chǔ)通信設(shè)施的不斷完善，小農(nóng)戶使用智能手機(jī)對小麥群體進(jìn)行快速診斷是可以實現(xiàn)的。而運用無人機(jī)進(jìn)行小麥群體快速診斷是針對規(guī)?；N植戶需求進(jìn)行的探索，對于規(guī)模種植戶而言，管理措施差異不大，但種植面積較大，智能手機(jī)顯然無法滿足其需求。而無人機(jī)作為衛(wèi)星遙感的有益補(bǔ)充，具有高時效、高分辨率、低成本、高效率等優(yōu)點[17]。因此，本研究探討使用無人機(jī)采集規(guī)?；N植的麥田冠層圖像，并替代莖蘗數(shù)人工抽樣計數(shù)方法的效果和可行性。冬前調(diào)查的結(jié)果表明，此階段，采用智能手機(jī)、無人機(jī)獲取麥田冠層圖像，并利用圖像處理替代莖蘗數(shù)人工抽樣計數(shù)的方法可行。

目前，小麥群體數(shù)量快速估測相關(guān)的研究較少。小麥群體大小的診斷主要靠人工抽樣計數(shù)獲取，勞動強(qiáng)度大，調(diào)查速度慢，尤其是冬前華北地區(qū)戶外氣溫低，田間調(diào)查工作開展較為困難，而且隨著規(guī)?；?jīng)營(托管、土地流轉(zhuǎn))的發(fā)展，精細(xì)管理的需求越來越強(qiáng)烈，但精細(xì)管理方法的欠缺限制了麥田因地、因苗、因時的科學(xué)管理和高產(chǎn)高效[19-20]。

本研究對冬小麥4個生育時期的群體與冠層覆蓋度關(guān)系進(jìn)行了研究，4個生育時期采用智能手機(jī)獲取圖像診斷小麥莖蘗數(shù)，與人工抽樣計數(shù)相關(guān)性強(qiáng)弱依次為冬前(R2=0.900，P<0.001 0)>拔節(jié)期(R2=0.240，P<0.001 0)>返青期(R2=0.130，P<0.001 0)>苗期(R2=0.010，P<0.290 0)；4個生育時期采用無人機(jī)獲取圖像診斷小麥莖蘗數(shù)，與人工抽樣計數(shù)相關(guān)性強(qiáng)弱依次為，冬前(R2=0.760，P<0.001 0)>返青期(R2=0.320，P<0.010 0)>苗期(R2=0.005，P<0.880 0)。

本研究從實際生產(chǎn)需求和應(yīng)用的角度著手，針對小農(nóng)戶和規(guī)模種植戶，提出了針對性小麥群體快速診斷方法。對于小農(nóng)戶，提出了基于手機(jī)應(yīng)用程序CANOPEO的小麥群體快速診斷方法，只需要下載該手機(jī)應(yīng)用程序，按照說明拍攝田間照片并讀取麥苗覆蓋度，測量麥田平均行距，隨后對應(yīng)參考表格即可獲取相應(yīng)的小麥群體評價和管理措施。目前，該方法的自動化程度還不夠高，后續(xù)將考慮開發(fā)專用手機(jī)應(yīng)用程序，農(nóng)戶只需在拍照同時輸入平均行距就可以得到小麥群體評價和相應(yīng)管理措施。規(guī)模種植戶種植面積大、區(qū)域集中，需要更方便、快捷、高效的方法進(jìn)行群體診斷。本研究提出了基于無人機(jī)采集冠層圖像的小麥群體快速診斷方法，單位耗時1.5 min/hm2，適用于大面積成片麥田的小麥群體快速診斷。

但本研究只考慮了冠層覆蓋度這一單一因素，且供試地塊均為條播麥田。但小麥冠層覆蓋度還受品種、施肥水平、播種時間、播種方式等因素影響，后續(xù)還需要針對諸如以上影響因素進(jìn)行深入研究，設(shè)立相應(yīng)的調(diào)整參數(shù)，進(jìn)一步增強(qiáng)其適應(yīng)性和準(zhǔn)確性。此外，后續(xù)研究還要考慮圖像采集設(shè)備的性能、分辨率及拍攝時間段、光照情況等可能影響圖像采集效果的因素。

本研究表明，以智能手機(jī)為工具獲取小麥冠層圖像，并借助手機(jī)應(yīng)用程序獲取冠層覆蓋度，在冬前、返青期和拔節(jié)期均取得了較好的效果。說明在冬前—拔節(jié)期借助智能手機(jī)采集圖像替代莖蘗數(shù)人工抽樣計數(shù)并估測小麥群體大小的方法是可行的，尤其是冬前估測效果較好。對于大面積種植的麥田，以無人機(jī)為工具在冬前、返青期采集圖像并計算小麥冠層覆蓋度的方法效果較好，可以作為小麥群體診斷工具。