王 慶，車熒璞，柴宏紅，邵 科，于 超，李保國，馬韞韜

基于無人機影像的冠層光譜和結(jié)構(gòu)特征監(jiān)測甜菜長勢

王 慶1，車熒璞1，柴宏紅1，邵 科2，于 超3，李保國1，馬韞韜1※

（1. 中國農(nóng)業(yè)大學土地科學與技術(shù)學院，北京 100193；2. 內(nèi)蒙古科學技術(shù)研究院生物技術(shù)研究所，呼和浩特 010010；3. 內(nèi)蒙古農(nóng)業(yè)大學農(nóng)學院，呼和浩特 010019）

甜菜是中國北方地區(qū)重要的經(jīng)濟作物?？焖佟蚀_、高通量的獲取甜菜的地上部和塊根鮮質(zhì)量、塊根含糖率、葉綠素含量對甜菜生產(chǎn)具有重要意義。該研究采用無人機搭載數(shù)碼和多光譜相機，獲取甜菜葉叢快速生長期、塊根及糖分增長期和糖分積累期的數(shù)碼影像和多光譜影像，提取了冠層的結(jié)構(gòu)特征和光譜特征。選擇隨機森林回歸（Random Forest Regression，RFR）和偏最小二乘回歸（Partial Least Squares Regression，PLSR）2種建模方法基于獲取的冠層特征，構(gòu)建甜菜全生育期的地上部和塊根鮮質(zhì)量、塊根含糖率和SPAD（Soil and Plant Analyzer Development）值估算模型。研究結(jié)果表明，隨機森林回歸模型和偏最小二乘回歸模型對地上部和塊根鮮質(zhì)量、含糖率都做出較好的預(yù)測，決定系數(shù)范圍分別為0.9～0.94、0.88～0.9，相對均方根誤差范圍分別為7.6%～17%、8.8%～20%。對SPAD值的預(yù)測均較弱，決定系數(shù)分別為0.66和0.67。為了減小輸入變量集的大小以及去掉對預(yù)測不敏感的變量，該研究采用置換重要性（Permutation Importance，PIMP）來篩選冠層光譜特征和結(jié)構(gòu)特征中對預(yù)測有重要影響的變量。結(jié)果表明基于篩選出的重要性特征構(gòu)建的隨機森林回歸模型和偏最小二乘回歸模型對地上部和塊根鮮質(zhì)量、含糖率都做出較好的預(yù)測，2范圍分別為0.89～0.94、0.74～0.91，相對均方根誤差范圍分別為7.3%～19%、7.6%～19%。對SPAD值的預(yù)測均較弱，決定系數(shù)分別為0.65和0.68。進一步表明隨機森林回歸模型在精度上略好于偏最小二乘回歸模型。同時基于PIMP篩選變量的方法在保持原有精度的同時能實現(xiàn)降低數(shù)據(jù)收集復(fù)雜性的目的。研究結(jié)果為基于無人機遙感技術(shù)快速、準確監(jiān)測甜菜長勢和估測塊根類作物的根部活性物質(zhì)提供了參考。

無人機；冠層特征；甜菜；含糖率；隨機森林回歸；偏最小二乘回歸

0 引 言

甜菜是中國北方地區(qū)重要的經(jīng)濟作物，也是中國除甘蔗以外的另一個主要糖料作物，主要種植在北方地區(qū)的內(nèi)蒙古、新疆、河北和黑龍江[1]。近年來，中國甜菜種植面積呈現(xiàn)不斷上升的趨勢，其作為主要糖來源的地位正愈加凸顯。隨著甜菜大面積機械化種植的發(fā)展，如何快速、準確、多時段的監(jiān)測甜菜長勢成為甜菜機械化生產(chǎn)決策的首要任務(wù)。甜菜地上部和塊根鮮質(zhì)量、塊根含糖率、葉綠素含量是甜菜長勢的重要指示因子，是農(nóng)田管理者采取措施調(diào)控甜菜生長和育種者篩選優(yōu)良甜菜品種的重要評價指標。

傳統(tǒng)上獲取甜菜的上述長勢參數(shù)，需要對甜菜進行破壞性取樣，人工成本較高且效率較低，無法滿足甜菜長勢的長期動態(tài)監(jiān)測以及高通量獲取甜菜表型性狀的需求。近年來，無人機平臺的廣泛應(yīng)用，為快速、準確地獲取作物的表型參數(shù)提供了新的解決方案。作物的結(jié)構(gòu)特征通常由無人機搭載數(shù)碼相機獲取，包括株高、冠層覆蓋度、冠層體積等，用于估算作物的生物量[2]和產(chǎn)量[3]。作物冠層的光譜特征包括無人機搭載各類光譜相機獲取的原始光譜波段反射率和植被指數(shù)，用于估算作物葉片的氮含量[4]、葉綠素含量[5]、葉面積指數(shù)[6]、生物量[7]和產(chǎn)量[8]。研究表明基于無人機影像的冠層紋理信息與作物的生理性狀存在相關(guān)性，通常將紋理特征與冠層結(jié)構(gòu)特征或光譜特征結(jié)合用于棉花氮營養(yǎng)診斷[9]、玉米葉綠素含量反演[10]、油菜生物量估算[7]和大豆產(chǎn)量估算[11]。將作物冠層光譜信息和冠層結(jié)構(gòu)信息兩者結(jié)合預(yù)測作物生理性狀等的應(yīng)用還相對較少[12-13]。

基于無人機平臺獲取作物冠層特征后，需要建立冠層特征與預(yù)測目標的關(guān)系模型。近年來，隨機森林[12]、偏最小二乘[7]、支持向量機[14]、人工神經(jīng)網(wǎng)絡(luò)[13]等機器學習方法在作物遙感估測上得到了廣泛的應(yīng)用。深度學習需要大量的訓練樣本才能構(gòu)建高預(yù)測精度的回歸模型[11]，限制了其在小規(guī)模試驗的應(yīng)用。本研究基于無人機平臺搭載數(shù)碼相機和多光譜相機獲取甜菜的冠層光譜特征和冠層結(jié)構(gòu)特征，結(jié)合隨機森林回歸模型和偏最小二乘回歸模型構(gòu)建了甜菜地上部鮮質(zhì)量和塊根鮮質(zhì)量，以及常用于代表作物葉片相對葉綠素含量的SPAD值估算模型[10,15]。采用置換重要性（Permutation Importance，PIMP）來篩選冠層光譜特征和結(jié)構(gòu)特征中對預(yù)測有重要影響的變量，減小輸入的變量集的大小，去掉對預(yù)測不敏感的變量。甜菜塊根含糖率是甜菜產(chǎn)量和質(zhì)量的重要評價指標，但目前為止還未有根據(jù)甜菜冠層的特征估算甜菜塊根含糖率的研究。為此本研究還探究了基于獲取的甜菜冠層光譜特征和結(jié)構(gòu)特征構(gòu)建塊根含糖率估算模型的可行性。

1 材料與方法

1.1 研究地點和試驗設(shè)計

研究地點位于內(nèi)蒙古自治區(qū)涼城縣（40°30′5′′N，112°8′49′′E），海拔約為1 459 m，屬中溫帶半干旱大陸性季風氣候，年均氣溫2～5 ℃，年均降水約為392 mm。試驗地種植KWS2314和KWS1197兩個甜菜品種。共設(shè)10個氮肥水平（N0～N9），施肥量從0開始，以35 kg/hm2遞增到315 kg/hm2，以尿素作為基肥施入。試驗采用隨機區(qū)組排列，3次重復(fù)，總共有60個小區(qū)，各小區(qū)面積為2.5 m×1.2 m。于2019年5月20日播種，每個小區(qū)種植密度為13.3株/m2。小區(qū)間間隔為0.5 m，兩個品種間小區(qū)間隔為1 m。試驗地土壤基礎(chǔ)肥力：有機質(zhì)含量20.29 g/kg，全氮含量1.056 g/kg，速效磷含量68.2 mg/kg，速效鉀含量263 mg/kg。試驗地均勻布置 5 個地面控制點（Ground Control Point，GCP），采用華測 RTK （華測，上海）測量其三維空間位置。

1.2 數(shù)據(jù)獲取

1.2.1 無人機影像數(shù)據(jù)獲取

于甜菜葉叢快速生長期間（2019年7月13日，S1）、塊根及糖分增長期間（2019年8月8日，S2）和糖分積累期間（2019年9月20日，S3）3個關(guān)鍵生育期間采集無人機遙感數(shù)據(jù)，并于同日進行地面數(shù)據(jù)采集。

本研究采用大疆Mavic 2 Pro（中國，深圳）無人機獲取研究區(qū)域的RGB數(shù)碼影像。該無人機起飛質(zhì)量為907 g，續(xù)航時間約30 min，無人機攜帶的RGB數(shù)碼相機有效像素為2 000萬，視場角為77°。采用Parrot Bluegrasss四軸無人機（Parrot，法國）獲取研究區(qū)域的多光譜影像。該無人機集成了一個Parrot Sequoia多光譜相機（Parrot，法國），該多光譜相機共有５個成像傳感器，即：4個像素為120萬的多光譜和1個像素為1 600萬的RGB傳感器。4個多光譜波段分別為綠光（Green，G），中心波長550 nm，波段寬度40 nm。紅光（Red，R），中心波長660 nm，波段寬度40 nm。紅邊（Rededge，RE），中心波長735 nm，波段寬度10 nm 和近紅外（Near Infrared，NIR），中心波長790 nm，波段寬度40 nm。該相機還攜帶一個光照度傳感器，記錄光照狀況，用于校準多光譜影像的輻射信息。

每次飛行前，使用軟件Pix4D capture 4.5.0（Pix4D，瑞士）規(guī)劃航線，設(shè)置飛行高度15 m，前向重疊度和旁向重疊度均為85%。RGB傳感器和MS傳感器使用同一航線執(zhí)行飛行任務(wù)。飛行任務(wù)在天空晴朗無風的條件進行，飛行時間段固定在11:00—13:00。

1.2.2 田間原位數(shù)據(jù)采集與處理

無人機影像采集的當日同步測量田間甜菜株高、SPAD值、地上部鮮質(zhì)量、塊根鮮質(zhì)量和塊根部含糖率。

為避免邊行效應(yīng)，選擇里面兩行進行取樣。兩個甜菜品種的N1、N3、N5和N7各設(shè)置2個采樣小區(qū)，其余氮處理設(shè)置1個采樣小區(qū)。每個時期總共測量了28個小區(qū)。在小區(qū)的中間隨機選取3～4株甜菜測量自然狀態(tài)下最高點到地面的垂直距離，取其高度均值作為該小區(qū)的實測株高。在小區(qū)內(nèi)隨機選取4株甜菜，采用手持式葉綠素儀SPAD502-Plus（日本），測定甜菜最新完全展開葉片的葉尖、葉中和葉基3個部位的SPAD值[16]，取不同植株不同部位均值作為該小區(qū)的實測SPAD值。選取小區(qū)中間能代表小區(qū)長勢平均水平的3株甜菜分別對其地上葉叢和地下塊根稱量鮮質(zhì)量，取這3株的平均值乘以種植密度作為該小區(qū)的實測地上部和塊根鮮質(zhì)量。然后利用手持糖度計（PAL-1，日本）測量其塊根的含糖率，取平均值作為小區(qū)的含糖率。

1.3 無人機影像數(shù)據(jù)預(yù)處理

采用Metashape Pro v1.7.1 進行數(shù)碼和多光譜影像的校正和拼接，得到試驗區(qū)的數(shù)字正射影像（Digital Orthophoto Map，DOM）和數(shù)字表面模型（Digital Surface Model，DSM）。具體流程為將影像和相對應(yīng)的定位定姿系統(tǒng)數(shù)據(jù)導(dǎo)入軟件中，多光譜影像拼接前需要先用起飛前獲得的灰板影像進行反射率校正，獲取試驗地反射率影像。后續(xù)拼接流程與RGB影像一致，即對齊影像，生成稀疏點云，導(dǎo)入控制點信息進行空間位置校準，之后生成稠密點云。在生成的稠密點云基礎(chǔ)上生成DSM和DOM。最終得到基于RGB影像拼接任務(wù)生成的DSM和基于多光譜影像拼接任務(wù)生成的4波段試驗地反射率影像DOM，DSM和DOM的地面采樣間隔（Ground Sample Distance，GSD）分別為0.69 和1.92 cm/pixel，將DSM和DOM輸出保存為GeoTIFF文件（圖1）。

1.4 冠層光譜和結(jié)構(gòu)信息的提取

1.4.1 冠層光譜特征

根據(jù)前人的研究成果，本研究選擇10個常用于預(yù)測冠層結(jié)構(gòu)、營養(yǎng)元素和葉綠素含量的植被指數(shù)和4個多光譜正射影像的原始波段的反射率（G、R、RE、NIR）作為冠層光譜特征（表1）。根據(jù)修正葉綠素吸收反射率指數(shù)（Modified chlorophyll absorption in reflectance index，MCARI）指數(shù)圖生成掩膜，去除土壤背景部分。MCARI計算公式如公式（1）。首先對MCARI指數(shù)圖進行歸一化（nMCARI），見式（2）。當設(shè)定閾值為0.12時，能夠區(qū)分前景植被（>0.12）和土壤背景等≤0.12，之后基于該方法生成掩膜去除其他植被指數(shù)的土壤背景。最后統(tǒng)計小區(qū)像素的平均值作為該指數(shù)的特征值。

MCARI=[(RE?R)?0.2 (RE?G)] (RE/R) （1）

表1 提取的冠層光譜和結(jié)構(gòu)特征

1.4.2 冠層結(jié)構(gòu)特征

選取的冠層結(jié)構(gòu)特征包含株高和冠層體積，株高和冠層體積常用于生物量、產(chǎn)量的反演[2,13]。由于本研究在作物生長前期沒有獲取裸地時期的DSM，因此采用糖分積累期時每個小區(qū)的裸地高程值作為整個生育期的地面高程值，通過不同生育期的DSM與裸地高程值做差運算計算不同時期不同小區(qū)的株高[17]。小區(qū)內(nèi)像素點的相對地面高度與像素點大小乘積的總和為每小區(qū)的冠層體積（公式（3））[13]。

由于沒有獲得出苗前裸地的DSM，無法獲得公式（3）中每個小區(qū)所有像素點的相對地面高度值，因此對冠層體積的公式（3）進行了修改，直接統(tǒng)計小區(qū)內(nèi)每個像素點的絕對海拔高度值。為與各時期不同小區(qū)進行比較，對絕對海拔高度值進行歸一化。進而計算冠層體積如公式（4）。

1.5 數(shù)據(jù)分析

1.5.1 模型構(gòu)建

采用隨機森林回歸（Random Forest Regression，RFR）和偏最小二乘回歸（Partial Least Squares Regression，PLSR）構(gòu)建甜菜地上部和塊根鮮質(zhì)量、塊根含糖率和葉叢SPAD值預(yù)測模型。RFR對變量之間的共線性不敏感且具有很強的抗干擾能力，保證了預(yù)測的準確性，減少了過擬合[25]。PLSR集成了多元線性回歸分析、典型相關(guān)分析和主成分分析方法[26]，可用于觀測值數(shù)量有限、大量缺失數(shù)據(jù)和預(yù)測變量間高度相關(guān)的建模。

樣本數(shù)據(jù)集由甜菜3個生育期的無人機冠層光譜特征（10個植被指數(shù)和4個光譜原始波段）和結(jié)構(gòu)特征（株高和冠層體積）及與之對應(yīng)的同步測量地面數(shù)據(jù)構(gòu)成，共有84個樣本。樣本數(shù)據(jù)按2∶1劃分為訓練集訓練模型和驗證集用于驗證模型精度。在Python3.8中采用scikit-learn 0.23.2庫調(diào)用隨機森林和偏最小二乘回歸模型訓練數(shù)據(jù)，隨機森林回歸模型需指定樹的數(shù)量（numbel of trees，ntree）和內(nèi)部節(jié)點分割所需的最小樣本數(shù)（min sample split, mss），偏最小二乘回歸需要指定主成分的數(shù)量（number of compents，nc）。為了找出ntree和mss的最優(yōu)值，從ntree的默認值100開始，以100為間隔測試到1000，mss從默認值2開始，以1為間隔測試到10。在選取了合適的ntree值（ntree1）后，在ntree1±100范圍，間隔為10測試ntree值。偏最小二乘回歸模型的參數(shù)nc值，從1開始，步長為1一直到最大的nc值。采用scikit-learn庫的隨機搜索RandomizedSearchCV函數(shù)實現(xiàn)上述功能，即程序遍歷嘗試每一組超參數(shù)，選取MSE值最小時的那一組[27]。在確定最優(yōu)的超參數(shù)后，將建模集輸入到隨機森林回歸和偏最小二乘回歸中，分別構(gòu)建甜菜地上部和塊根鮮質(zhì)量、塊根含糖率和葉叢SPAD值預(yù)測模型。

1.5.2 變量篩選

為了降低數(shù)據(jù)的維度，去掉對預(yù)測不敏感的變量，本研究使用置換重要性（Permutation Importance，PIMP）來篩選對預(yù)測有重要影響的變量[28]?；凇爸脫Q檢驗的思想”對特征重要性進行檢測，即在模型擬合后，數(shù)據(jù)表格中某一列數(shù)據(jù)隨機排序，其余特征保持不動，看其對預(yù)測精度的影響。排列特征重要性定義為模型分數(shù)的減少，此過程打破了特征和目標之間的關(guān)系，模型分數(shù)的下降表明模型對特征的多少依賴程度。采用python的 scikit-learn0.23.2庫實現(xiàn)置換重要性篩選變量。根據(jù)篩選出的地上部和塊根鮮質(zhì)量、含糖率、SPAD值對應(yīng)的重要性特征，分別構(gòu)建RFR和PLSR的地上部和塊根鮮質(zhì)量、含糖率和SPAD值預(yù)測模型。

1.6 評價指標

本研究采用驗證集驗證甜菜地上部和塊根鮮質(zhì)量、塊根含糖率和葉叢SPAD值預(yù)測模型的精度。選取決定系數(shù)2（coefficient of determination，2）、均方根誤差（Root Mean Square Error，RMSE）和相對均方根誤差（Relative Root Mean Square Error，rRMSE）作為評價指標。2越大，相應(yīng)的RMSE和rRMSE越小，則模型的估測精度越高?；赑earson相關(guān)系數(shù)度量兩個變量之間的相關(guān)程度，采用scipy.stats模塊（Python 3.8）計算塊根鮮重和含糖率的相關(guān)系數(shù)，利用雙尾顯著性檢驗獲得值。

2 結(jié)果與分析

2.1 甜菜株高的精度評估

將基于DSM模型獲取的甜菜株高與實測株高進行對比分析，評估基于無人機數(shù)碼影像獲取的甜菜株高的精度（圖2）。由圖2可知，株高計算值與實測值均分布在1∶1線附近，二者擬合的2為0.65，RMSE為5.5 cm，rRMSE為10%。表明結(jié)合GCP的無人機數(shù)碼影像建立的DSM模型可用于甜菜株高的較精確提取。

2.2 基于冠層特征的模型構(gòu)建與驗證

基于RFR和PLSR模型采用冠層光譜（10個植被指數(shù)和4個光譜原始波段）和結(jié)構(gòu)特征（株高和冠層體積）與對應(yīng)的訓練樣本實測值，分別構(gòu)建甜菜地上部和塊根鮮質(zhì)量、塊根含糖率和SPAD值預(yù)測模型。模型訓練后，根據(jù)驗證樣本的特征集做出預(yù)測，并將預(yù)測值與驗證樣本的實測值進行對比分析（圖3）。由圖3可知，基于RFR模型對地上部和塊根鮮質(zhì)量、含糖率預(yù)測值和實測值回歸分析中2范圍為0.9～0.94，rRMSE范圍為7.6%～17%。而基于PLSR建模的2范圍為0.88～0.9，rRMSE范圍為8.8%～20%，表明RFR和PLSR對地上部和塊根鮮質(zhì)量、含糖率都做出較好的預(yù)測。兩個模型對于SPAD值的預(yù)測均較弱，2分別只有0.67和0.66。大部分點位于1∶1趨勢線上，可以明顯看出有部分點偏離了1∶1線。總體表明RFR模型在精度上略微好于PLSR模型。

2.3 篩選對預(yù)測有重要影響的變量

為了減少輸入變量集的大小，從而降低數(shù)據(jù)收集的成本和復(fù)雜性，本研究基于所有的冠層光譜和結(jié)構(gòu)特征構(gòu)建了RFR模型后，計算冠層特征的PIMP評分。每個特征隨機排列20次，則每個特征得到20個重要性評分（圖4）。由圖可知，地上部鮮質(zhì)量、塊根鮮質(zhì)量、含糖率、SPAD值對應(yīng)的重要性特征及其重要性排序不同。對于塊根鮮質(zhì)量、含糖率和SPAD值都有重要性較突出的幾個特征，明顯高于其他特征。而地上部鮮質(zhì)量對應(yīng)的重要性特征呈較均勻的階梯式排布，無明顯突出的一個或幾個特征。首先統(tǒng)計每個特征的20個重要性評分的平均值，獲得RECI、MCARI、PPH等16個特征的均值，然后計算16個特征的整體均值，以整體均值作為閾值篩選出大于整體均值的特征（表2）。由表可知，由于地上部鮮質(zhì)量無特別突出的特征對應(yīng)，因此根據(jù)整體平均值作為閾值篩選的特征個數(shù)達到8個，明顯多于其他3個預(yù)測目標。塊根鮮質(zhì)量和含糖率篩選出來的重要性特征基本一致，只是對應(yīng)特征的排序不完全相同。塊根鮮質(zhì)量較含糖率多一個重要性特征，即提取的株高（PPH）。

塊根鮮質(zhì)量和含糖率具有一致的重要性特征可能是由于塊根鮮質(zhì)量和含糖率有較高的相關(guān)性，為此進一步探究了二者的關(guān)系。計算了3個時期84個小區(qū)塊根鮮質(zhì)量和塊根含糖率的Pearson相關(guān)系數(shù)（圖5）。由圖可知，3個時期的值均小于0.01，說明在這3個時期塊根鮮質(zhì)量和含糖率的相關(guān)性極顯著。在葉叢快速生長期為中等程度負相關(guān)，二者的相關(guān)系數(shù)為-0.56。在塊根及糖分增長期和糖分積累期達到了強負相關(guān)，相關(guān)系數(shù)分別為-0.66和-0.7。

表2 利用PIMP重要性評分篩選的特征

注：閾值為整體平均值。

Note: Threshold is shown by overall average.

2.4 基于篩選的冠層特征的模型構(gòu)建與驗證

根據(jù)篩選出的重要性特征，分別構(gòu)建RFR和PLSR的地上部和塊根鮮質(zhì)量、含糖率和SPAD值預(yù)測模型，并基于驗證樣本的特征集做出預(yù)測。將預(yù)測值與驗證樣本的實測值對比分析如圖6所示?；赗FR建模的地上部和塊根鮮質(zhì)量、含糖率和SPAD值的預(yù)測和實測值對比分析的2分別為0.89、0.94、0.9和0.65，rRMSE分別為12%、19%、7.3%和15%?；赑LSR建模的2分別為0.74、0.91、0.88和0.68，rRMSE分別為18%、19%、7.6%和13%。構(gòu)建的RFR和PLSR模型對地上部鮮質(zhì)量、塊根鮮質(zhì)量、含糖率做出了較好的估測，對SPAD值的估測較弱。綜上，無論是基于冠層特征還是篩選的冠層特征構(gòu)建的RFR模型，在預(yù)測精度上要略優(yōu)于PLSR模型。基于篩選的冠層特征的RFR和PLSR模型在精度上略好于或接近于基于未篩選冠層特征時構(gòu)建的模型。

3 討 論

3.1 基于PIMP方法篩選特征

基于PIMP法篩選冠層特征后構(gòu)建的RFR和PLSR模型在精度上接近或稍好于基于冠層特征構(gòu)建的模型（圖3、圖6）。表明基于該方法篩選出的特征保留了對預(yù)測具有重要影響的變量，且在去除了無關(guān)或不敏感的變量后所構(gòu)建的模型在精度上略有提升。

基于PIMP方法篩選出的塊根鮮質(zhì)量與塊根含糖率的重要性特征基本一致（表2），與圖5的二者相關(guān)性強結(jié)果一致。除葉叢快速生長期二者為中等程度負相關(guān)外，在塊根及糖分增長期和糖分積累期二者達到了強負相關(guān)。表明塊根鮮重與塊根含糖率之間具有強的負相關(guān)性，這與高妙真[29]對甜菜塊根含糖率與根質(zhì)量呈負相關(guān)的研究結(jié)果一致。3個時期含糖率隨塊根鮮質(zhì)量上升呈現(xiàn)下降的幅度并不一致（圖5），表明在不同時期根質(zhì)量和含糖率的關(guān)系可能不同。由于本研究中每個時期樣本數(shù)量較少，因此甜菜關(guān)鍵生育期中根質(zhì)量和含糖率關(guān)系的具體表達還需進一步探索。

3.2 地上部和塊根鮮質(zhì)量、塊根含糖率及SPAD值估算

Cao等[21]對NDVI指數(shù)進行了改進，采用寬范圍動態(tài)植被指數(shù)WDRVI1估算了甜菜的地上部和塊根鮮質(zhì)量。其在塊根鮮質(zhì)量的估算精度（rRMSE=20.6%）上與本文篩選冠層特征后的RFR和PLSR接近（rRMSE為19%），在地上部鮮質(zhì)量上的估算精度（rRMSE=20.4%）與本研究篩選冠層特征后的RFR和PLSR（rRMSE為12%、18%）相比較低。考慮到Cao等[21]通過改進NDVI指數(shù)，提高了對不同生育期植被指數(shù)對葉叢飽和的敏感性，但在抗大氣和土壤干擾上的能力較弱。本文中用于構(gòu)建地上部和塊根鮮質(zhì)量估算模型的預(yù)測因子里包含了最優(yōu)化土壤調(diào)整植被指數(shù)OSAVI，并且使用多個植被指數(shù)可以通過波段間的差值和比值從而降低反射光譜受光照的影響[12]。本文采用的特征還包括基于無人機數(shù)碼相機獲取的冠層結(jié)構(gòu)特征，研究表明冠層光譜與結(jié)構(gòu)特征結(jié)合能顯著提高冠層密集類作物生物量的估算精度[6,12]。本文構(gòu)建的SPAD值估算模型精度較低（圖3和圖6）。在葉叢快速生長期的偏差較大，原因可能是田間原位測量時光照出現(xiàn)明顯變化使測定的SPAD值出現(xiàn)了較明顯的變化[30-31]。

基于PIMP方法篩選出的對塊根含糖率預(yù)測敏感的因子有紅邊指數(shù)RE、三角葉綠素指數(shù)TCI、綠紅植被指數(shù)GRVI、冠層體積CV和綜合葉綠素光譜指數(shù)MCARI/OSAVI（表2），這些指數(shù)常用于估算作物葉綠素和氮含量[32-33]、葉面積指數(shù)[34]、生物量和產(chǎn)量[12]。這與甜菜生理研究中發(fā)現(xiàn)的塊根含糖率與甜菜大量營養(yǎng)元素含量、葉叢結(jié)構(gòu)、光合特性有關(guān)的結(jié)論一致[35-37]，表明基于無人機獲取與塊根含糖率影響因子相關(guān)的冠層特征，進而預(yù)測塊根含糖率是可行的。研究可為基于遙感手段監(jiān)測塊根類作物的根部生物活性物質(zhì)的含量與狀態(tài)提供參考。

本研究采用較多氮梯度的目的是增大實測的地上部和塊根鮮質(zhì)量、塊根含糖率、SPAD值的梯度和復(fù)雜性，以增強所構(gòu)建的估算模型的魯棒性。本研究在試驗地范圍內(nèi)構(gòu)建了較精確的甜菜地上部和塊根鮮質(zhì)量、塊根含糖率和SPAD值估算模型，之后將其應(yīng)用于大規(guī)模的甜菜實際生產(chǎn)中，以便農(nóng)田管理者更好地監(jiān)測甜菜生長。

4 結(jié) 論

基于無人機數(shù)碼相機和多光譜相機獲取了甜菜冠層的光譜特征和結(jié)構(gòu)特征，選取RFR和PLSR這2種方法，分別構(gòu)建了甜菜地上部和塊根鮮質(zhì)量、塊根含糖率、SPAD值估算模型。結(jié)果表明，RFR模型在預(yù)測精度上要優(yōu)于PLSR模型?；赑IMP方法篩選后的冠層特征構(gòu)建的模型在預(yù)測精度上略優(yōu)于或接近于使用冠層特征構(gòu)建的模型，表明該方法可用于無人機遙感建模中篩選對預(yù)測敏感的變量，有助于降低數(shù)據(jù)集的復(fù)雜性。本研究經(jīng)過特征篩選后獲得的RFR和PLSR模型對地上部鮮質(zhì)量（2為0.89、0.74，rRMSE為12%、18%）和塊根鮮質(zhì)量（2為0.94、0.91，rRMSE均為19%）做出了較好的預(yù)測，對葉叢SPAD值做出了較合理的預(yù)測（2為0.65、0.68，rRMSE為15%、13%）。對塊根含糖率預(yù)測精度較高（2為0.9、0.88，rRMSE為7.3%、7.6%）。表明結(jié)合無人機數(shù)碼相機和多光譜相機可快速、準確地監(jiān)測甜菜的長勢，進一步表明預(yù)測塊根類作物的含糖率是可行的。

[1] 李智，李國龍，張永豐，等. 膜下滴灌條件下高產(chǎn)甜菜灌溉的生理指標. 作物學報，2017，43(11)：1724-1730.

Li Zhi, Li Guolong, Zhang Yongfeng, et al. Physiological indices of high-yielding sugar beet under drip irrigation and plastic mulching[J]. Acta Agronomica Sinica, 2017, 43(11): 1724-1730. (in Chinese with English abstract)

[2] 陶惠林，徐良驥，馮海寬，等. 基于無人機數(shù)碼影像的冬小麥株高和生物量估算[J]. 農(nóng)業(yè)工程學報，2019，35(19)：107-116.

Tao Huilin, Xu Liangji, Feng Haikuan, et al. Estimation of plant height and biomass of winter wheat based on UAV digital image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(19): 107-116. (in Chinese with English abstract)

[3] Yu N, Li L, Schmitz N, et al. Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform[J]. Remote Sensing of Environment, 2016, 187: 91-101.

[4] 秦占飛，常慶瑞，謝寶妮，等. 基于無人機高光譜影像的引黃灌區(qū)水稻葉片全氮含量估測[J]. 農(nóng)業(yè)工程學報，2016，32(23)：77-85.

Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 77-85. (in Chinese with English abstract)

[5] 陳鵬，馮海寬，李長春，等. 無人機影像光譜和紋理融合信息估算馬鈴薯葉片葉綠素含量[J]. 農(nóng)業(yè)工程學報，2019，35(11)：63-74.

Chen Peng, Feng Haikuan, Li Changchun, et al. Estimation of chlorophyll content in potato using fusion of texture and spectral features derived from UAV multispectral image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(11): 63-74. (in Chinese with English abstract)

[6] 高林，楊貴軍，于海洋，等. 基于無人機高光譜遙感的冬小麥葉面積指數(shù)反演[J]. 農(nóng)業(yè)工程學報，2016，32(22)：113-120.

Gao Lin, Yang Guijun, Yu Haiyang, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 113-120. (in Chinese with English abstract)

[7] Liu Y, Liu S, Li J, et al. Estimating biomass of winter oilseed rape using vegetation indices and texture metrics derived from UAV multispectral images[J]. Computers and Electronics in Agriculture, 2019, 166: 105026.

[8] Zhou X, Zheng H B, Xu X Q, et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130(8): 246-255.

[9] 陳鵬飛，梁飛. 基于低空無人機影像光譜和紋理特征的棉花氮素營養(yǎng)診斷研究[J]. 中國農(nóng)業(yè)科學，2019，52(13)：2220-2229.

Chen Pengfei, Liang Fei. Cotton nitrogen nutrition diagnosis based on spectrum and texture feature of images from low altitude unmanned aerial vehicle[J]. Scientia Agricultura Sinica, 2019, 52(13): 2220-2229. (in Chinese with English abstract)

[10] 孟沌超，趙靜，蘭玉彬，等. 基于無人機可見光影像的玉米冠層SPAD反演模型研究[J]. 農(nóng)業(yè)機械學報，2020， 51(s2)：366-374.

Meng Dunchao, Zhao Jing, Lan Yubin, et al. SPAD inversion model of corn canopy based on UAV visible light image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(s2): 366-374. (in Chinese with English abstract)

[11] Maimaitijiang M, Sagan V, Sidike P, et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning[J]. Remote Sensing of Environment, 2019, 237: 111599.

[12] Li B, Xu X, Zhang L, et al. Above-ground biomass estimation and yield prediction in potato by using UAV-based RGB and hyperspectral imaging[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 162: 161-172.

[13] Ashapure A, Jung J, Chang A, et al. Developing a machine learning based cotton yield estimation framework using multi-temporal UAS data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 169: 180-194.

[14] Maimaitijiang M, Sagan V, Sidike P, et al. Crop monitoring using satellite/UAV data fusion and machine learning[J]. Remote Sensing, 2020, 12(9): 1357-1379.

[15] 蘇偉，王偉，劉哲，等. 無人機影像反演玉米冠層LAI和葉綠素含量的參數(shù)確定[J]. 農(nóng)業(yè)工程學報，2020，36(19)：58-65.

Su Wei, Wang Wei, Liu Zhe, et al. Determining the retrieving parameters of corn canopy LAI and chlorophyll content computed using UAV image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(19): 58-65. (in Chinese with English abstract)

[16] Laufer D, Koch H J. Growth and yield formation of sugar beet (L. ) under strip tillage compared to full width tillage on silt loam soil in Central Europe[J]. European Journal of Agronomy, 2017, 82: 182-189.

[17] 王慶，車熒璞，柴宏紅，等. 基于無人機可見光與激光雷達的甜菜株高定量評估[J]. 農(nóng)業(yè)機械學報，2021，52(3)：178-184.

Wang Qing, Che Yingpu, Chai Honghong, et al. Quantitative evaluation of sugar beet plant height based on UAV-RGB and UAV-LiDAR[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(3): 178-184. (in Chinese with English abstract)

[18] Gitelson A A, Vi?a An, Ciganda V. Remote estimation of canopy chlorophyll content in crops[J]. Geophysical Research Letters, 2005. 32(8): 403-406.

[19] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing and Environment, 1979, 8(2): 127-150.

[20] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375-384.

[21] Cao Y, Li G, Luo Y, et al. Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images[J]. Computers and Electronics in Agriculture, 2020, 171: 105331.

[22] Daughtry C S T, Walthall C L, Kim M S, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment, 2000, 74(2): 229-239.

[23] Haboudane D, Miller J R, Tremblay N, et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environment, 2002, 81(2): 416-426.

[24] Haboudane D, Tremblay N, Miller J R, et al. Remote estimation of crop chlorophyll content using spectral indices derived from hyperspectral data[J]. IEEE Transactions on Geoscience & Remote Sensing, 2008, 46(2): 423-437.

[25] Speybroeck N. Classification and regression trees[J]. Wiley Interdisciplinary Reviews Data Mining & Knowledge Discovery, 2012, 57(1):243-246.

[26] 王玉娜，李粉玲，王偉東，等. 基于無人機高光譜的冬小麥氮素營養(yǎng)監(jiān)測[J]. 農(nóng)業(yè)工程學報，2020，36(22)：31-39.

Wang Yuna, Li Fenling, Wang Weidong, et al. Monitoring of winter wheat nitrogen nutrition based on UAV hyperspectral images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(22): 31-39. (in Chinese with English abstract)

[27] Bergstra J, Bengio Y. Random search for hyper-parameter optimization[J]. Journal of Machine Learning Research, 2012, 13(1): 281-305.

[28] Altmann A, Tolo?i L, Oliver S, et al. Permutation importance: A corrected feature importance measure[J]. Bioinformatics, 2010, 26(10): 1340-1347.

[29] 高妙真. 甜菜根重與含糖率相關(guān)關(guān)系的研究[J]. 中國糖料，1995，(1)：16-19.

Gao Miaozhen. A study on the correlation between root weight and sugar content in sugar beet[J]. China sugarbeet, 1995, (1): 16-19. (in Chinese with English abstract)

[30] Olav H B, Solhaug K A. Effect of Irradiance on chlorophyll estimation with the Minolta SPAD-502 leaf chlorophyll meter[J]. Annals of Botany, 1998, 82(3):389-392

[31] Xiong D , Chen J , Yu T , et al. SPAD-based leaf nitrogen estimation is impacted by environmental factors and crop leaf characteristics[J]. Sci Rep, 2015, 5(1):13389.

[32] Clevers J, Gitelson A A. Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and -3[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23(8): 344-351.

[33] Wu C, Zheng N, Tang Q, et al. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation[J]. Agricultural and Forest Meteorology, 2008, 148(8/9): 1230-1241.

[34] 陳雪洋，蒙繼華，朱建軍，等. 冬小麥葉面積指數(shù)的高光譜估算模型研究[J]. 測繪科學，2012，37(5)：141-144.

Chen Xueyang, Meng Jihua, Zhu Jianjun, et al. Hyperspectral estimation models for leaf area index of winter wheat[J]. Science of Surveying and Mapping, 2012, 37(5): 141-144. (in Chinese with English abstract)

[35] ?akmak?i R, Oral E, Kantar F. Root yield and quality of sugar beet (L. ) in relation to plant population[J]. Journal of Agronomy & Crop Science, 2010, 180(1): 45-52.

[36] 邵科，馬靖靖，李國龍，等. 甜菜生育期葉面營養(yǎng)調(diào)節(jié)對其產(chǎn)量和含糖率作用的研究[J]. 中國土壤與肥料，2015(5)：77-82.

hao Ke, Ma Jingjing, Li Guolong, et al. Effects of foliage spray at different growth stages on yield and sugar content of sugarbeet[J]. Soil and Fertilizer Sciences in China, 2015(5): 77-82. (in Chinese with English abstract)

[37] 越鵬，李彩鳳，陳業(yè)婷，等. 氮素水平對甜菜功能葉片光合特性的影響[J]. 核農(nóng)學報，2010，24(5)：1080-1085.

Yue Peng, Li Caifeng, Chen Yeting, et al. Effect on nitrogen level on photosynthetic characteristics in functional leave of sugar beet[J]. Journal of Nuclear Agricultural Science, 2010, 24(5): 1080-1085. (in Chinese with English abstract)

Monitoring of sugar beet growth using canopy spectrum and structural characteristics with UAV images

Wang Qing1, Che Yingpu1, Chai Honghong1, Shao Ke2, Yu Chao3, Li Baoguo1, Ma Yuntao1※

(1.,,100193,; 2.,010010,;,,010019,)

Asugar beet is one of the most important cash crops in northern China. It is a high demand for the rapid, accurate, and high-throughput acquisition of the fresh weight of aboveground and root, the sugar content of root, and the chlorophyll content of aboveground in the production of sugar beet. An Unmanned Aerial Vehicle (UAV) can serve as a significant approach, due to its flexibility, low cost, and high spatiotemporal resolution. In this study, a UAV equipped with digital and multispectral cameras was utilized to capture the images of sugar beet during the leaf clusters, root tuber, sugar growth, and accumulation period, thereby extracting the structural and spectral characteristics of the canopy. The estimation models were also established for the various indexes using the Random Forest Regression (RFR) and Partial Least Squares Regression (PLSR), including the fresh weight of shoot and root tuber, the sugar content of root tuber, and Soil Plant Analysis Development (SPAD) value during the whole period of sugar beet. The results showed that the RFR and PLSR model performed well to predict the fresh weight and sugar content of shoot and root tuber, with the coefficient of determination2ranging from 0.9 to 0.94 and from 0.88 to 0.9, respectively, while the relative Root Mean Square Error (rRMSE) ranging from 7.6% to 17% and from 8.8% to 20%, respectively. Both models presented weak predictions for the SPAD values, where the2values were only 0.66 and 0.67, respectively. Furthermore, a Permutation Importance (PIMP) was used to screen the more sensitive variables with the dominated impacts on the prediction, in order to reduce the size of the input variable set for the less cost and complexity of data collection. As such, the optimal prediction models of RFR and PLSR were achieved for the growth monitoring of sugar roots. It was found that excellent predictions were achieved on the fresh weight and sugar content of shoot and root tuber, with the2value ranging from 0.89 to 0.94, and from 0.74 to 0.91, respectively, and the rRMSE value ranging from 7.3% to 19% and from 7.6% to 19%, respectively. Nevertheless, the RFR and PLSR model presented weak predictions for the SPAD values, where the2values were only 0.65 and 0.68, respectively. Correspondingly, the accuracy of the RFR model was slightly better than that of the PLSR model. More importantly, the PIMP variable screening can be widely expected to reduce the complexity of data collection with optimal accuracy. Consequently, the canopy structure and spectral features obtained by UAVs can be utilized to quickly and accurately monitor the growth and sugar content of sugar beet. The finding can provide a strong reference to estimate the root active substances of tubers crops using UAV proximity.

UAV; canopy characteristics; sugar beet; sugar content; random forest regression; partial least squares regression

王慶，車熒璞，柴宏紅，等. 基于無人機影像的冠層光譜和結(jié)構(gòu)特征監(jiān)測甜菜長勢[J]. 農(nóng)業(yè)工程學報，2021，37(20)：90-98.doi：10.11975/j.issn.1002-6819.2021.20.010 http://www.tcsae.org

Wang Qing, Che Yingpu, Chai Honghong, et al. Monitoring of sugar beet growth using canopy spectrum and structural characteristics with UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 90-98. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.20.010 http://www.tcsae.org

2021-04-13

2021-09-13

內(nèi)蒙古科技重大專項（2019ZD024）；內(nèi)蒙古科技成果轉(zhuǎn)化項目（2019CG093）

王慶，博士生，研究方向為植物表型研究。Email：wangqing0410@126.com

馬韞韜，教授，研究方向為植物功能-結(jié)構(gòu)互作的表型模型研究。Email：yuntao.ma@cau.edu.cn

10.11975/j.issn.1002-6819.2021.20.010

S252

A

1002-6819(2021)-20-0090-09