趙欣欣，陳煥軒，韓迎春，李亞兵,，馮 璐,

（1棉花生物學國家重點實驗室鄭州大學研究基地/鄭州大學，鄭州450000；2中國農(nóng)業(yè)科學院棉花研究所/棉花生物學國家重點實驗室，河南安陽455000）

0 引言

近年來農(nóng)用耕地面積逐漸減少[1]，充分地利用有限的土地資源實現(xiàn)作物產(chǎn)量最大化成為農(nóng)業(yè)科技工作者的主要目標。新品種的選育和栽培技術的發(fā)展為作物產(chǎn)量和品質(zhì)不斷提高起到了積極的作用。然而，粗放式、經(jīng)驗化的管理模式仍存在著管理成本高、資源利用效率低的問題[2]。作物長勢是農(nóng)業(yè)情報信息之一，直接反映作物的生長情況并可用于估算作物的最終產(chǎn)量，因此，對作物長勢進行準確監(jiān)測可診斷和估測農(nóng)作物早期產(chǎn)量[3]，指導田間數(shù)量化管理，從而實現(xiàn)作物生產(chǎn)潛能的最大化以及土地資源的科學化管理。

隨著圖像處理技術的快速發(fā)展，應用計算機視覺技術對作物進行長勢監(jiān)測成為可能。數(shù)字圖像技術能夠?qū)崿F(xiàn)小范圍作物生長特征的監(jiān)測，對作物的長勢監(jiān)測意義重大，尤其對中國以零散小戶種植為主要模式的農(nóng)業(yè)生產(chǎn)更具影響。同時，數(shù)字圖像在作物信息采集方面具備收集信息量大、采集速度快、分析精度高等優(yōu)勢，可避免傳統(tǒng)方法中由于人與人間認識差異、視覺疲勞以及主觀判斷等造成的誤差，節(jié)約了勞動力，簡化了信息采集過程。利用數(shù)字圖像對作物生長特征進行監(jiān)測已經(jīng)成為現(xiàn)代作物栽培學的發(fā)展方向，它既能在宏觀上對作物生產(chǎn)計劃的制定起到導向作用，又能在微觀上對作物管理起到指導作用，具有重大的科學意義。筆者對數(shù)字圖像監(jiān)測作物長勢的基本原理、數(shù)字圖像的獲取方法、處理算法以及利用數(shù)字圖像進行作物生長監(jiān)測的研究進展進行綜述，總結當前研究中存在的問題，旨在為進一步利用數(shù)字圖像實現(xiàn)對作物的精準管理提供參考。

1 數(shù)字圖像監(jiān)測作物長勢基本原理

1.1 作物的生長特征

作物生長有關特征指標是作物生產(chǎn)管理的主要依據(jù)。作物生長特征可從作物的個體與群體特征2個層次描述[4]。作物生長的特征參數(shù)包括個體特征參數(shù)（株高等）、群體特征參數(shù)（覆蓋度）以及綜合參數(shù)（葉面積指數(shù)、生物量）[5-6]。

1.2 數(shù)字圖像的基本原理

作物的許多生長特征都是視覺特征。不同波長的電磁波刺激人的視覺器官感知色彩[7]。人眼中的3種錐體細胞光譜吸收的峰值在紅、綠、藍三色光波長范圍內(nèi)。任何顏色都可以通過紅、綠和藍三色按不同的比例合成。同樣，絕大多數(shù)單色光也可分解成紅、綠和藍三色光，即三基色原理。紅綠藍三基色是相互獨立的，任何一種基色都不能由其他2種顏色合成。

利用普通數(shù)碼相機獲取的作物圖像為真彩圖像，又稱RGB圖像，它采用二進制表示顏色，以數(shù)字方式記錄作物圖像，將圖像信號轉化為數(shù)字信號，直接生成數(shù)字圖像，圖像中每個像素都分成R、G、B 3個分量。數(shù)碼相機所采集到的作物圖像的顏色可反映葉片對白光的吸收和反射情況，而圖像數(shù)字化則解決了人眼難以識別過小顏色差異的問題，使得利用作物顏色進行定量監(jiān)測成為可能。數(shù)字圖像具有保持圖像清晰度、圖像信息損失低、便于儲存、可使用計算機實現(xiàn)圖像處理、分析和信息提取等特點[8-9]。數(shù)字圖像是使用數(shù)字陣列表示的圖像，該陣列中的每一個元素稱為像素，圖像是像素的二維排列。

2 數(shù)字圖像獲取方法

2.1 數(shù)字圖像的采集平臺

數(shù)碼相機作為最便攜的數(shù)字圖像采集設備，已經(jīng)廣泛應用于玉米[10]、棉花、小麥[11]、水稻[12]、甜菜[13]等多種作物圖像的采集，通過圖像處理來分析作物的生長特征和生理指標。根據(jù)不同的需要和應用環(huán)境，利用數(shù)碼相機采集數(shù)字圖像的平臺大致可分為固定式采集平臺和移動式采集平臺，而移動式采集平臺又包括地面移動裝置和無人機[14]。固定式采集主要是固定數(shù)碼相機等便攜設備的位置，定時定點進行圖像采集，存在適時性不高、監(jiān)控區(qū)域有限、監(jiān)控效率低等問題。隨著農(nóng)業(yè)信息化的不斷發(fā)展，人力驅(qū)動式、車載式的可移動平臺逐漸出現(xiàn)[15-21]。人力驅(qū)動式平臺主要指需人力移動的手持式或手推車等采集設備；車載式平臺主要指安裝在農(nóng)用拖拉機上的圖像采集設備。車載式平臺可以更多角度更大范圍地采集作物的數(shù)字圖像，但移動本身會對作物形態(tài)造成影響，進而影響圖像采集的效果，另外拖拉機等自身占用空間過大且移動路線單一也限制了圖像的采集[14,21]。大型自動化室內(nèi)外表型采集平臺利用自動控制技術和機器視覺技術相結合可較準確采集作物的表型參數(shù)，但制作成本和維護費用過高限制了其應用范圍[22]。隨著無人機平臺向農(nóng)業(yè)領域的滲透，美國國家航空航天局最早采用無人機獲取作物數(shù)字圖像，隨后無人機采集圖像得到廣泛應用[23-24]。按照不同的平臺構型可將無人機分為固定翼無人機、直升機和多旋翼無人機。進行無人機選擇時，要根據(jù)作業(yè)的要求，充分考慮續(xù)航時間、載荷量、飛行控制系統(tǒng)等方面的因素[25]。

2.2 數(shù)字圖像的獲取技術

數(shù)字圖像的獲取和成像都有一定的限制條件，受外界溫度、光照等各種環(huán)境因素影響[26]。需針對具體環(huán)境，采取適宜方法，以提高采集和分析的精確度。

在現(xiàn)有的研究中，國內(nèi)外學者在拍攝圖像時對拍攝時間、環(huán)境以及拍攝高度和角度進行了不同的選擇，具體研究進展見表1。

表1 數(shù)字圖像獲取研究進展

2.2.1 地面數(shù)字圖像獲取方法 在大田環(huán)境下利用數(shù)碼相機采集作物冠層圖像時，天氣狀況、相機設置、拍攝時間、作物冠層結構差異、相機與地面角度和高度、圖像存儲格式及分辨率等因素都會引起圖像信息的差異，造成分析結果的不準確。

眾多學者在拍攝天氣和拍攝時間的選擇上沒有太多差異，一般是在晴朗無風的中午或者下午。雖然大量學者進行了不同拍攝方法的研究，但是關于如何采集大田作物數(shù)字圖像仍沒有一個明確的拍攝標準，值得指出的是，已經(jīng)有一些學者比較了不同采集方法的差異，并提出關于采集的一些建議。Bumgarner等[34]測定生菜冠層時，比較了室外拍攝和溫室拍攝2種圖像獲取方式，認為試驗圖像的分析最好能按照采樣的時間分別進行，且最好在一天的同一時間進行。Rasmussen等[35]利用數(shù)碼相機在鋤草后作物土壤覆蓋度評估的研究中，對比了光照情況和拍照角度對評估結果的影響，并建立了照片采集的標準。賈良良等[36]在利用相機進行小麥氮素營養(yǎng)診斷研究中，認為冠層角度、太陽光照強度、圖像存儲格式及分辨率、農(nóng)田灌溉與否等都不會影響到利用照片的色彩參數(shù)對小麥進行營養(yǎng)診斷。劉繼承和姬長英[5]在對水稻生長監(jiān)測的研究中提到，采集水稻群體圖像時，應選擇無風天氣，避免圖像模糊降低識別性，光線不宜太強或太暗。

2.2.2 低空數(shù)字圖像獲取方法 地面人工拍攝費時費力，拍攝范圍有限，無人機的出現(xiàn)為高效便捷獲取作物數(shù)字圖像提拱了支撐。無人機平臺主要利用無人機搭載輕型數(shù)碼相機來獲取數(shù)字圖像。無人機獲取數(shù)字圖像除受傳感器本身屬性影響外，還與飛行參數(shù)、拍攝參數(shù)有關。常規(guī)無人機的飛行參數(shù)包括飛行高度、飛行速度、飛行軌跡規(guī)劃等，如飛行高度決定地表分辨率，航拍飛行高度越高，在同等時間內(nèi)拍攝的面積越大，圖像的像素越高，容易加劇混合像元效應。拍攝參數(shù)包括ISO值、快門速度、光圈等。如果快門速度無法與飛行速度協(xié)調(diào)，可能造成拍攝圖像模糊或者覆蓋率不足。因此，通過無人機獲取作物圖像需要實現(xiàn)多參數(shù)之間的相互調(diào)整配合，保證無人機圖像獲取平臺實現(xiàn)最佳效果。在進行無人機航線規(guī)劃時，要充分考慮內(nèi)因（相機分辨率、無人機續(xù)航時間、法定飛行高度等）和外因（航線方向、圖像重疊度、飛行速度等）。航線方式可分為Z字形、環(huán)繞形、不規(guī)則多邊形和自由飛行。Z字形的飛行方式是大多數(shù)場景都適用的，最適合相對平坦的面積較大的區(qū)域；環(huán)繞形可用于三維模型的構建，在農(nóng)業(yè)中需要測株高時，這種方法特別適用，可在物體周圍完成一個橢球體任務；在遇到復雜的地形和飛行邊界限制時可采用不規(guī)則多邊形飛行。植物種植具有季節(jié)性，為避免遺漏圖像信息，在飛行時需要特別注意圖像的重疊率，至少保證75%的航向重疊率和60%的旁向重疊率。

關于數(shù)碼照片的采集方法國內(nèi)外學者已經(jīng)做了大量研究，提出了一些有關拍攝時間、角度、環(huán)境以及分辨率等的建議。但對于不同作物不同時期的生長特性進行監(jiān)測，應該有針對性地提出具體的監(jiān)測方法，這需要研究不同作物的科研工作者通過實踐逐步完善。

3 數(shù)字圖像分析方法

3.1 分析軟件

數(shù)字圖像對作物監(jiān)測研究的始于20世紀60年代，但是早期無法解決土壤和作物顏色識別和判斷的問題。20世紀90年代以來，隨著高分辨率數(shù)碼相機技術的快速發(fā)展以及配套計算機軟件識別技術的開發(fā)，數(shù)字圖像技術得到了快速發(fā)展。數(shù)字圖像的分析要借助于圖像處理軟件以及算法。目前常用的圖像處理軟件有 Photoshop(San Jose，CA，US)[37-38]、GIMP 2.2 and Image J 1.33 freeware[39]、Matlab(Natick，MA，US)[40-41]、ENVI(Boulder，CO，US)[42]、SigmaScan Pro(Chicago)[43]、winCAM(Quebec，QC，Canada)[44-45]以及Image-Pro Plus 5.1(Media Cybernetics，MD，US)[46]等。

3.2 分析方法

借助圖像處理軟件和算法使準確分析數(shù)字圖像成為可能，可以實現(xiàn)非破壞性的作物生長監(jiān)測。利用作物圖像顏色、紋理和形態(tài)等特征參數(shù)，可使作物圖像分析更加科學系統(tǒng)。

3.2.1 圖像顏色特征

（1）數(shù)字圖像顏色模型。學者們?yōu)榱烁涌茖W地對顏色進行定量和研究，針對不同需求提出了許多顏色模型。在作物長勢監(jiān)測上應用最為廣泛的是RGB顏色模型和HIS顏色模型[47]。RGB分別代表紅(red)、綠(green)、藍(blue)3種基色，RGB顏色模型是將自然界的顏色通過選用紅、綠、藍三基色按照不同比例混合。顏色范圍由每種顏色通道的位深決定，如24位RGB則有256×256×256，約1670萬種顏色。0～255反映原色的亮度，顏色越深，亮度越低，值就越小。當3種原色亮度值相等時產(chǎn)生灰色，當3種亮度都為255時產(chǎn)生純白色，當3種亮度都為0時產(chǎn)生純黑色，3種色光混合產(chǎn)生的顏色一般比原來的顏色亮度髙，所以RGB模式采用的是色光加色法。HIS模型中H代表色調(diào) (hue)、S 代表飽和度 (saturation)、I代表亮度(intensity)，飽和度表示顏色的鮮明程度，亮度由物體反射系數(shù)大小決定。相比于RGB顏色模型，HIS顏色模型更加適應人的視覺感官，在圖像處理和計算機視覺中大量算法中也可以更方便地使用[48]。RGB模型和HIS模型存在著轉換關系，可以方便地進行互換，也為圖像的處理提供了更多途徑。

（2）數(shù)字圖像顏色特征值。前人研究的圖像分析方法以顏色方法居多，RGB顏色模型是數(shù)字圖像最基礎的算法，各種顏色都可由紅綠藍3種基本色調(diào)按照一定比例混合形成，稱為三基色合成，即加色原理。RGB值的范圍在0～255之間，由于RGB值為絕對的值，不同環(huán)境下差異較大，因此許多學者開始思考用比例這種相對值的方法進行區(qū)分。Baret等[49]提出了一種方法利用向下拍攝的圖像中的RGB顏色來估算行播作物的綠葉面積指數(shù)。Andreasen等[50]也定義了一個參數(shù)將圖像中的植物部分從土壤中分離出來，這個參數(shù)為g=256[G/(R+G+B)]。然而這個參數(shù)存在一些問題，即紅色和藍色的強度經(jīng)常會改變圖像本身看上去的綠色的強度。為了加強數(shù)字圖像的解釋性，Booth等[51]使用了一種“綠葉指數(shù)”算法，即用[(G-R)+(G-B)]/(G+R+G+B)來表示綠色植被，這樣就使得綠色水平比起紅色和藍色水平更強烈。Liu和Pattey[52]通過計算圖像中2G-R-B值來提取圖像中的空白部分。Karcher和Richardson[53]也建議把RGB值轉化為利用更加直觀的灰度飽和度和亮度的HSB模型，這樣減少了RGB監(jiān)測不同環(huán)境時拍攝圖像所引起的誤差。Graham等[54]提出了HSL模型算法，即使用灰度、飽和度和光強將綠色植被從背景中分離出來。隨后Karcher和Richardson將HSB值轉化成一個更加穩(wěn)定的深綠色指數(shù)DGCI，深綠色指數(shù)的計算方法為DGCI=[(H-60)/60+(1-S)+(1-B)]/3。

數(shù)字圖像中顏色特征的提取是監(jiān)測作物長勢特征中最有效、應用最為廣泛的方法，無論是作物覆蓋度、葉面積指數(shù)、生物量、植物營養(yǎng)還是病害情況都會在顏色上加以體現(xiàn)。但在顏色模型的具體應用中，還應該結合其他特征深入研究，以提高其監(jiān)測的準確性。

3.2.2 紋理和形狀特征 紋理是對圖像像素灰度的描述，與顏色圖像相比，紋理能更好地兼顧整體與細節(jié)。在圖像分析中，紋理分析有著非常重要的作用，通常包括2個方面的內(nèi)容，一是抽取圖片的詳細紋理特征，二是根據(jù)所抽取的特征對圖像進行分類。王耀南等[55]利用灰度共生矩陣進行紋理特征提取，計算黃瓜角斑病和黃瓜斑疹病紋理特征參數(shù)，證明尋找最合適的特征參量進行葉片紋理的特征值提取方法是可行的。Pydipati等[56]利用機器視覺和人工智能的技術對柑桔早期病害進行監(jiān)測，使用顏色共現(xiàn)法(CCM)綜合紋理特征、顏色特征中的飽和度和強度(HSI)對正常和感病的柑橘葉片進行統(tǒng)計分類，所有類別的分類準確率均超過95%。

而形狀特征常與作物特征關聯(lián)共同用于描述圖像內(nèi)容。Chesmore等[57]開發(fā)了一種用于漂白孢子的圖像分析系統(tǒng)，可通過孢子的形態(tài)特征來區(qū)分物種，分離準確率達97%。馬曉丹等[58]運用計算機圖像處理技術和神經(jīng)網(wǎng)絡技術，實現(xiàn)了大豆葉片病斑區(qū)域的識別，圖像處理技術與神經(jīng)網(wǎng)絡方法結合，識別病斑區(qū)域的準確率可達100%。

但由于作物生長情況比較復雜，單純運用單一特征進行監(jiān)測是不夠的，還需顏色、紋理和形狀等特征的綜合研究，并進行相應的模式識別，才能夠更準確地對作物生長特性進行監(jiān)測。

4 利用數(shù)字圖像對作物生長特征的監(jiān)測研究進展

作物覆蓋度、葉面積指數(shù)、生物量以及氮素營養(yǎng)都是作物群體生長特征的重要參數(shù)，對于監(jiān)測及診斷作物群體的生長狀況具有重要意義。傳統(tǒng)的監(jiān)測方法一般具有破壞性、費時費力，且精確度易受人為主觀影響。隨著數(shù)碼設備的快速發(fā)展，許多學者已經(jīng)將數(shù)字圖像技術應用于作物生長監(jiān)測。

4.1 利用數(shù)字圖像對作物覆蓋度的監(jiān)測

作物覆蓋度能夠反映作物在生長過程中冠層的動態(tài)變化，還能側面反映植物光合作用的強弱及蒸騰作用的大小[59]。因此，利用數(shù)字圖像對作物覆蓋度進行監(jiān)測具有重要意義。

Chen等[60]發(fā)現(xiàn)利用數(shù)碼相機進行覆蓋度估測是最為快速且準確的，這表明利用數(shù)碼相機進行覆蓋度估測具有可行性。Campillo等[61]利用數(shù)字圖像比較分析了多種方法以估測番茄的覆蓋度，分別是面積法、輪廓法和再分類法，其中，再分類法是通過使用RGB再分類工具依據(jù)輻射水平將圖像進行分類，從而估算作物的覆蓋面積。此方法可以定量區(qū)分植被部分，以增加其準確性。Purcell[30]通過采集數(shù)字圖像，應用SigmaScan Pro軟件根據(jù)人為定義的灰度和飽和度將圖片中的綠色植被和背景區(qū)分開來，并計算綠色植被部分的像素個數(shù)占整個圖片像素個數(shù)的比例，初步實現(xiàn)對大豆冠層覆蓋率的監(jiān)測。通過采集數(shù)字圖像并分析其相關系數(shù)可以間接反映作物覆蓋度。目前常用于分析作物覆蓋度的顏色指標是標準化綠藍差異指數(shù)(NGBDI)[62]，Yang等[63]利用無人機對返青期冬小麥的數(shù)字圖像進行采集，提取數(shù)據(jù)并計算了NGBDI，建立了作物覆蓋度的回歸模型，其相關系數(shù)達到0.925，均方根誤差為0.027。

數(shù)字圖像的相關系數(shù)與作物覆蓋度具有較強的相關性，應用該方法精確度高、誤差小。此外，基于作物覆蓋度與其他生長特征指標的關系，還可間接實現(xiàn)對其他生長特征的監(jiān)測。

4.2 利用數(shù)字圖像對葉面積指數(shù)的監(jiān)測

葉面積是判斷作物群體生長狀況的重要參數(shù)，合理的葉面積有利于作物充分利用光能，進而實現(xiàn)作物的優(yōu)質(zhì)高產(chǎn)[64]。

前人[65-66]研究葉面積指數(shù)與作物冠層覆蓋度的關系，認為可以通過估算作物覆蓋度對葉面積指數(shù)進行估測。Bumgarner等[34]利用數(shù)字圖像分析的方法對生菜的葉面積和生物量進行估測，利用數(shù)字圖像分析計算，發(fā)現(xiàn)生菜的冠層覆蓋率與實際測得的葉面積呈顯著相關。雷詠雯等[67]分析了棉花不同生育期地面覆蓋度與生物產(chǎn)量和葉面積指數(shù)間的關系，發(fā)現(xiàn)棉花冠層覆蓋度指標可以有效預測葉面積系數(shù)。有部分學者通過分析數(shù)字圖像的相關系數(shù)，實現(xiàn)對葉面積指數(shù)的監(jiān)測。武聰玲等[68]利用圖像處理技術，通過計算機無損測量黃瓜的葉冠投影面積預測了植株真實葉面積，預測結果達到了較好的精度。王方永和李少昆[69]利用數(shù)碼相機實現(xiàn)了通過數(shù)字圖像對冠層葉面積指數(shù)進行監(jiān)測，結果表明當LAI＞5時，估測的準確度降低。高林等[70]應用多旋翼無人機搭載數(shù)碼相機構建監(jiān)測系統(tǒng)對冬小麥的葉面積指數(shù)進行檢測，基于無人機數(shù)碼正射R、G、B 3個顏色通道提取灰度值，構建了作物群體冠層數(shù)字圖像的4種數(shù)字圖像特征參數(shù)，表明用該方法估算葉面積具有較高的精度。

4.3 利用數(shù)字圖像對作物生物量的監(jiān)測

作物的生物量直接反映了作物的長勢狀況，同時對光能利用、干物質(zhì)生產(chǎn)及產(chǎn)量形成具有重要作用，因而生物量的實時動態(tài)監(jiān)測始終是科研人員關注的熱點問題之一。

Bumgarner等[34]利用數(shù)字圖像進行分析，發(fā)現(xiàn)通過數(shù)字圖像估算的冠層覆蓋度與直接測得的作物生物量之間相關系數(shù)達到了0.71～0.95，表明通過作物覆蓋度對作物生物量進行估測是可行的。Thorp和Dierig[71]借助數(shù)碼相機，通過提取圖像顏色信息并轉化為HIS參數(shù)，采用Monte Carlo方法估測雷斯克勒花的覆蓋度，相關性達到了0.87以上。表明利用數(shù)字圖像可以對花的數(shù)目進行監(jiān)測，進而可以實現(xiàn)對生物量進行監(jiān)測。同時，對數(shù)字圖像的相關系數(shù)進行分析，也可以實現(xiàn)對作物的生物量進行估算。劉帥兵等[72]利用色彩變換將無人機遙感圖像轉換為HSV信息并進行顏色分析，獲取了玉米苗期的株數(shù)信息，可以用于計算田間出苗率及最終產(chǎn)量。武聰玲等[68]在試驗溫室條件下，通過數(shù)字圖像對單株黃瓜幼苗的進行無損監(jiān)測，預測了植株莖葉的干鮮重，與干鮮重的決定系數(shù)分別為0.874和0.914，達到了較好的精度。Bendig等[73]使用無人機搭載數(shù)碼相機結合選定的植被指數(shù)和植物高度信息估計大麥生物量。Zhou等[74]進一步研究證明無人機是水稻生長和糧食產(chǎn)量估算的可靠平臺，其獲取的數(shù)字圖像顏色指數(shù)與實際的籽粒產(chǎn)量呈對數(shù)關系。

4.4 利用數(shù)字圖像對氮素營養(yǎng)診斷的監(jiān)測

對田間作物進行快速氮素營養(yǎng)診斷的傳統(tǒng)方法是，應用便攜式葉綠素儀測定葉綠素(SPAD)以反映作物葉片含氮量[75]。此類方法費時費力，且偶然因素較大。通過數(shù)字圖像對黃瓜缺氮情況進行營養(yǎng)診斷的方法具有快速、便捷、非破壞性等優(yōu)點，能夠滿足氮素營養(yǎng)無損診斷的需求，可以用于實時、準確監(jiān)測作物氮素營養(yǎng)水平。Tewari等[76]利用數(shù)碼相機對水稻進行拍攝，同時對水稻的SPAD值進行測定，發(fā)現(xiàn)可以通過數(shù)字圖像對水稻的SPAD值進行分析，結果準確且存在一定相關性。前人利用數(shù)碼相機分別對玉米[77]、水稻[78]、黃瓜[75]、豇豆[79]等作物的氮素營養(yǎng)情況進行診斷，得到了穩(wěn)定且精度較高的結果。張玨等[15]應用數(shù)碼相機對甜菜進行冠層圖像獲取，提取圖像的顏色信息，并與氮元素含量進行比對，結果表明冠層圖像顏色信息與甜菜氮素營養(yǎng)水平存在相關性。因而，利用數(shù)字圖像特征系數(shù)可以直接分析作物氮素營養(yǎng)水平。Baresel等[80]使用數(shù)碼相機采集顏色系數(shù)，對小麥葉片葉綠素含量及氮素營養(yǎng)情況進行無損檢測。該方法對圖像進行分割及連續(xù)分析，即只對圖像的綠色植物部分以及地面覆蓋度較小的冠層部分進行分析，結果更加精確，且可以同時反映生物量、葉綠素含量及含氮量3個指標。

綜上，無論是作物覆蓋度、葉面積、生物量還是氮素營養(yǎng)都是對于農(nóng)作物的部分指標進行監(jiān)測，要對作物生產(chǎn)進行指導，需要綜合各方面的因素。需要利用農(nóng)作物長勢模型，全面檢測作物生長狀態(tài)，綜合評判。目前應用比較多的作物生長模型[81]有DSSAT、WOFOST、APSIM、AquaCrop、ORYZA等，由于作物實際生長過程的復雜性，各作物生長模型結構的不同，對溫光、水肥和營養(yǎng)等過程的模擬各有側重。胡泊[82]針對農(nóng)作物長勢評判問題，提出了基于蝙蝠算法的農(nóng)作物長勢評價模型，其所提取的分類規(guī)則比較符合專家對作物生長態(tài)勢的評判過程，易于理解和表達。該方法比較方便和準確地描述了作物生長特征參數(shù)與其生長態(tài)勢的關聯(lián)情況，可直觀、快速地對作物進行合理的評價。

5 總結和展望

利用數(shù)碼設備對作物生長特征進行監(jiān)測，很多方法已經(jīng)開始應用到實際生產(chǎn)中，但是要達到高產(chǎn)高效的目的，仍有許多問題亟需解決。

5.1 獲取數(shù)字圖像，明確獲取標準

利用小型無人機搭載數(shù)碼相機來獲取數(shù)字圖像，存在飛行不穩(wěn)定、影像容易幾何形變、葉片遮蓋與實際有差異、無人機載荷限制難以實現(xiàn)高精度地理位置的獲取與記錄等問題。有學者對數(shù)碼設備獲取圖片時相機的參數(shù)設置、監(jiān)測條件及時間的選擇以及合適的拍攝方式和照片的保存格式等進行了研究，但是關于數(shù)字圖片獲取的方法仍然沒有一個明確的標準，仍需進一步從可操作性、技術性和經(jīng)濟性上進行研究并制定相關的監(jiān)測標準，實現(xiàn)數(shù)字圖像的優(yōu)質(zhì)獲取。

5.2 對于分析方法，具體問題具體分析

由于作物種類不同，同種作物品種不同以及同一品種生育期不同，冠層顏色參數(shù)存在很大差異，分析時的算法也存在差異，單一試驗取得的結論并不具有普適性，因此在今后的研究中，可根據(jù)具體情況選取最適宜的顏色參數(shù)和算法監(jiān)測不同作物生長特征。作物長勢監(jiān)測涉及因素很多，各種監(jiān)測方法只能主要反映作物生長的某些方面，多種方法的結合將成為作物長勢監(jiān)測技術的重要發(fā)展方向。充分利用各種監(jiān)測方法的優(yōu)勢，綜合各種監(jiān)測方法的信息，將有助于獲取作物長勢的比較完整的信息，也可為利用作物監(jiān)測信息進行決策提供依據(jù)。

5.3 利用專家模型，多角度評判作物長勢

數(shù)字圖像的獲取需要用到多種傳感、定位技術，如何應對田間環(huán)境多變性，如何精準協(xié)調(diào)各個部件，也需要進一步研究。作物生長模型能夠系統(tǒng)地評價作物生長，以作物生長模型為核心的研究越來越多，將輔助農(nóng)業(yè)生產(chǎn)中的管理和決策。但由于作物生態(tài)系統(tǒng)的復雜性，其模擬結果仍存在很大的偶然性，對作物生長機理及過程的探索還需進一步完善，希望在圖像分析技術方面作物生長模型能更廣泛地應用。在數(shù)據(jù)處理方面，可以分析采集的龐大數(shù)據(jù)，同時可以剔除其中的大量冗雜信息，以最低的成本得到所需要的信息是現(xiàn)如今大數(shù)據(jù)時代的關鍵問題。

隨著分辨率的不斷提高和使用價格的不斷降低，可以預見，數(shù)字圖像技術將在作物長勢監(jiān)測方面發(fā)揮越來越重要的作用，而多種技術的融合和作物生長模型的改進將對作物長勢監(jiān)測的研究和應用起到更大的促進作用。