趙勝利 王國(guó)賓 胡連檳 徐海鈺 鞏道財(cái) 蘭玉彬

摘要：及時(shí)準(zhǔn)確地監(jiān)測(cè)棉花長(zhǎng)勢(shì)和產(chǎn)量是精準(zhǔn)農(nóng)業(yè)栽培管理的關(guān)鍵。無(wú)人機(jī)（UAV）平臺(tái)能夠快速獲取高時(shí)空分辨率的遙感數(shù)據(jù)，在作物生長(zhǎng)參數(shù)和產(chǎn)量估算方面顯示出巨大的潛力。以山東省濱州市棉花為研究對(duì)象，利用安裝在無(wú)人機(jī)上的多光譜相機(jī)獲取遙感影像，分別提取各波段反射率，篩選出8種植被指數(shù)，采用多元線性回歸（MLR）、隨機(jī)森林（RF）、人工神經(jīng)網(wǎng)絡(luò)（BPNN）3種方法分別構(gòu)建棉花的株高、葉綠素相對(duì)含量、單株產(chǎn)量的估計(jì)模型并進(jìn)行驗(yàn)證。結(jié)果表明，基于BPNN的預(yù)測(cè)模型精度明顯優(yōu)于MLR和RF模型，盛花期與成熟期棉花株高估計(jì)模型驗(yàn)證集的R2分別為0.842和0.670；葉綠素相對(duì)含量估算模型驗(yàn)證集的R2分別為0.725和0.765；產(chǎn)量估算模型驗(yàn)證集的R2分別為0.860和0.846。為無(wú)人機(jī)遙感在作物生長(zhǎng)參數(shù)與產(chǎn)量估算領(lǐng)域中的應(yīng)用提供理論依據(jù)，為進(jìn)一步優(yōu)化農(nóng)業(yè)生產(chǎn)管理、科學(xué)決策提供參考。

關(guān)鍵詞：棉花；無(wú)人機(jī)遙感；植被指數(shù)；株高；葉綠素相對(duì)含量；產(chǎn)量

中圖分類號(hào)：S562： S127

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：20955553 （2024） 02022708

收稿日期：2023年6月27日 ?修回日期：2023年9月15日

基金項(xiàng)目：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)）；淄博市重點(diǎn)研發(fā)計(jì)劃（2019ZBXC200）

第一作者：趙勝利，女，1998年生，河南長(zhǎng)葛人，碩士研究生；研究方向?yàn)檗r(nóng)業(yè)工程。Email： 21403010286@sdut.edu.cn

通訊作者：蘭玉彬，男，1961年生，吉林農(nóng)安人，博士，教授，博導(dǎo)；研究方向?yàn)榫珳?zhǔn)農(nóng)業(yè)航空。Email： ylan@sdut.edu.cn

Estimation of cotton growth parameters and yield based on UAV

multispectral remote sensing

Zhao Shengli1， 2， 3， Wang Guobin1， 2， 3， Hu Lianbin1， 2， 3， Xu Haiyu1， 2， 3， Gong Daocai1， 2， 3， Lan Yubin1， 2， 3

（1. College of Agricultural Engineering and Food Science， Shandong University of Technology， Zibo， 255049， China；

2. Shandong Agricultural Aviation Intelligent Equipment Engineering Technology Research Center， Zibo， 255049， China；

3. Research Institute of Ecological Unmanned Farm， Shandong University of Technology， Zibo， 255049， China）

Abstract：

Timely and accurate monitoring of cotton growth and yield is the key to precision farming management. Unmanned Aerial Vehicle （UAV） platforms enable rapid acquisition of remote sensing data with high spatiotemporal resolution， showing great potential in crop growth parameters and yield estimation. Taking cotton in Binzhou City of Shandong Province as the research object， remote sensing images were obtained by using the multispectral camera installed on the UAV ， and the reflectance of each band was extracted respectively， and 8 vegetation indices were screened out， and three methods such as multiple linear regression （MLR）， random forest（RF） and artificial neural network （BPNN） were used to construct estimation models of cotton plant height， relative chlorophyll content and yield per plant respectively， and verified them. The results showed that the accuracy of the inversion model at the mature stage was generally higher than that at the full flowering stage. The R2 of the validation set for cotton plant height estimation in the peak flowering and mature stages were 0.842 and 0.670， respectively. The R2 values for the validation set of the chlorophyll relative content estimation model were 0.725 and 0.765， respectively. The R2 values for the validation set of the yield estimation model were 0.860 and 0.846， respectively. These results provide theoretical basis for the application of UAV remote sensing in crop growth parameters and yield estimation， and also provide a practical reference for further optimization of agricultural production management， scientific decisionmaking and policy formulation.

Keywords：

cotton; UAV remote sensing; vegetation index; plant height; SPAD; yield

0 引言

棉花是世界上重要的經(jīng)濟(jì)作物，為紡織業(yè)貢獻(xiàn)了35%的纖維，其副產(chǎn)品包括棉籽油和棉籽粉，在食品和紡織工業(yè)等各個(gè)領(lǐng)域發(fā)揮著關(guān)鍵作用［12］。在中國(guó)，棉花是主要的經(jīng)濟(jì)作物，種植面積約為耕地總面積的三分之一［3］。因此，對(duì)棉花的生長(zhǎng)狀況和產(chǎn)量進(jìn)行準(zhǔn)確監(jiān)測(cè)具有重要的學(xué)術(shù)和經(jīng)濟(jì)意義。

株高和葉綠素相對(duì)含量SPAD是作物冠層結(jié)構(gòu)的重要參數(shù)，其對(duì)作物的生長(zhǎng)動(dòng)態(tài)和生物物理過(guò)程產(chǎn)生著重要影響，同時(shí)在作物生長(zhǎng)模型與決策支持系統(tǒng)中也具有關(guān)鍵作用［4］。準(zhǔn)確獲取作物的株高和葉綠素相對(duì)含量對(duì)于作物生長(zhǎng)監(jiān)測(cè)、產(chǎn)量預(yù)測(cè)和田間水肥管理至關(guān)重要。目前，獲取作物株高和葉綠素相對(duì)含量的方法主要包括直接測(cè)量法和間接測(cè)量法。雖然直接測(cè)量法精確度較高，但破壞性采樣會(huì)，且耗時(shí)費(fèi)力，因此存在一定局限性。相較之下，間接測(cè)量法通過(guò)將作物光譜信息與實(shí)測(cè)數(shù)據(jù)相結(jié)合，并通過(guò)模型估算作物生長(zhǎng)指標(biāo)，具有快速、高效等優(yōu)勢(shì)。在近年來(lái)，無(wú)人機(jī)多光譜遙感作為一項(xiàng)重要工具，成為精準(zhǔn)農(nóng)業(yè)研究和獲取作物冠層參數(shù)的重要手段。劉濤等［5］采用不同光譜指數(shù)建立不同高度下SPAD的三種關(guān)系模型，結(jié)果表明基于人工神經(jīng)網(wǎng)絡(luò)構(gòu)建的小麥冠層SPAD預(yù)測(cè)模型反演精度最高；Muharam等［6］對(duì)株高、冠幅和地被覆蓋度進(jìn)行了相關(guān)性分析。相關(guān)分析表明，在3個(gè)植物氮指標(biāo)中，葉片氮對(duì)植物參數(shù)最敏感，對(duì)株高的影響較大。閆成川等［7］研究了干旱脅迫對(duì)棉花SPAD與產(chǎn)量的影響，并通過(guò)對(duì)結(jié)果聚類分析將干旱程度分級(jí)，實(shí)現(xiàn)了快速評(píng)價(jià)棉花抗旱性的效果。Li等［8］提出并評(píng)估了一種新的估算葉片葉綠素a+b含量和等效水厚度混合方法，該方法有效提高了模型估計(jì)準(zhǔn)確率。孟沌超等［9］獲取棉花的主要生育期可見(jiàn)光影像，建立植被指數(shù)、紋理特征與氮素、葉綠素含量的回歸模型，結(jié)果表明：采用PLS植被指數(shù)與紋理特征模型為較優(yōu)選擇。

作物產(chǎn)量與人民經(jīng)濟(jì)收入、生活水平息息相關(guān)，準(zhǔn)確及時(shí)地估算作物產(chǎn)量對(duì)農(nóng)業(yè)生產(chǎn)具有重要意義［10］。傳統(tǒng)的棉花產(chǎn)量測(cè)量方法是按單位面積計(jì)算棉鈴數(shù)，這種方法是耗時(shí)和勞動(dòng)密集型的，不適合大面積測(cè)試［11］。雖然衛(wèi)星遙感技術(shù)也被用于多尺度平臺(tái)的產(chǎn)量估算［12］。然而，由于受傳感器能力和云層覆蓋的影響，空間和時(shí)間分辨率不足，衛(wèi)星圖像對(duì)于田間觀測(cè)可能效果不夠理想。因此，無(wú)人機(jī)低空遙感技術(shù)的快速發(fā)展為高時(shí)間與高空間分辨率的快捷精確地進(jìn)行野外數(shù)據(jù)采集提供了前所未有的機(jī)遇。

目前研究者們大多使用無(wú)人機(jī)搭載紅—綠—藍(lán)（RGB）相機(jī)［13］、多光譜相機(jī)［14］、高光譜相機(jī)［15］和激光雷達(dá)［16］來(lái)估算作物產(chǎn)量。多光譜相機(jī)因其操作靈活、成本低廉而備受關(guān)注，它能夠輸出帶有灰度值、顏色的圖像［1718］。Wahab等［12］證明了從多光譜圖像中提取的新指標(biāo)GNDVI在用于衡量復(fù)雜農(nóng)業(yè)系統(tǒng)中的作物活力和預(yù)測(cè)玉米產(chǎn)量方面是有效的。Xu等［4］建立了基于時(shí)間序列無(wú)人機(jī)遙感數(shù)據(jù)的棉花產(chǎn)量估算模型。實(shí)現(xiàn)了利用U-Net語(yǔ)義分割網(wǎng)絡(luò)對(duì)高分辨率可見(jiàn)光圖像中的棉鈴開(kāi)口像素進(jìn)行識(shí)別提取，從而提高了棉花產(chǎn)量估算精度。Shi等［19］提出了一種能直觀地表示棉花產(chǎn)量和棉鈴特征的指標(biāo)，主要通過(guò)提取棉鈴指數(shù)，獲得了支持向量機(jī)、隨機(jī)森林等五種常用模型，結(jié)果表明：紅綠藍(lán)（RGB）和近紅外紅（NIR）歸一化（由RGB和近紅外帶組成的歸一化形式指數(shù)）效果最好。

盡管目前已有許多關(guān)于棉花SPAD、株高等指標(biāo)的遙感長(zhǎng)勢(shì)監(jiān)測(cè)研究［2024］，但在利用機(jī)器學(xué)習(xí)方法進(jìn)行棉花長(zhǎng)勢(shì)監(jiān)測(cè)與單株產(chǎn)量估算的研究方面，探索較少。同時(shí)，利用無(wú)人機(jī)多光譜數(shù)據(jù)預(yù)測(cè)棉花產(chǎn)量的研究也相對(duì)有限。因此，本文旨在以山東省濱州市棉花為研究對(duì)象，應(yīng)用無(wú)人機(jī)多光譜遙感技術(shù)，采用多元線性回歸、隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò)三種機(jī)器學(xué)習(xí)方法，構(gòu)建棉花的株高、葉綠素相對(duì)含量和單株產(chǎn)量的估計(jì)模型，并進(jìn)行驗(yàn)證。以探究其在棉花株高和葉綠素含量反演方面的應(yīng)用潛力，為作物產(chǎn)量的實(shí)時(shí)預(yù)測(cè)提供理論依據(jù)，并探討無(wú)人機(jī)多光譜遙感技術(shù)在作物長(zhǎng)勢(shì)監(jiān)測(cè)方面的應(yīng)用效果。

1 材料與方法

1.1 研究區(qū)域和試驗(yàn)設(shè)計(jì)

本文于2022年7—9月在山東省濱州市秦皇臺(tái)鄉(xiāng)（山東濱州棉花科技小院）進(jìn)行田間試驗(yàn)，該地北緯37.22°，東經(jīng)118.02°，海拔約11 m，一年只種植一季棉花育種材料。試驗(yàn)田屬暖溫帶大陸性季風(fēng)氣候，半濕潤(rùn)地區(qū)，冬季寒冷干燥，夏季炎熱多雨。年平均氣溫約為12.3 ℃，年降雨量626 mm左右，其中夏季降雨量較大，占全年的60%～70%，其他月份降雨較少。

試驗(yàn)棉花魯研棉37于2022年4月28日采用隨機(jī)區(qū)組設(shè)計(jì)播種。行距0.76 m，株距0.16 m，種植密度為90 000株/hm2。試驗(yàn)田栽培管理措施與一般大田管理措施相同。本試驗(yàn)在試驗(yàn)田內(nèi)均勻布設(shè)3個(gè)地面控制點(diǎn)（Ground Control Point），GCP由紅色噴漆作為標(biāo)志（避免GCP在獲取不同時(shí)期無(wú)人機(jī)遙感影像時(shí)發(fā)生空間位置的移動(dòng)）。利用智能RTK系統(tǒng)測(cè)量控制點(diǎn)的三維空間地理位置，以便進(jìn)行幾何校正和圖像配準(zhǔn)。試驗(yàn)田長(zhǎng)100 m，寬30 m，平均分為30個(gè)小區(qū)，每個(gè)小區(qū)9 m×10 m，如圖1所示。

1.2 地面數(shù)據(jù)采集

本文收集株高H、葉綠素相對(duì)含量SPAD作為地面真實(shí)數(shù)據(jù)。株高、葉綠素相對(duì)含量采集時(shí)間為無(wú)人機(jī)飛行任務(wù)之后。H值即從地面到冠層頂部的距離。棉花育種材料H值的觀測(cè)方法為：在每個(gè)小區(qū)按照五點(diǎn)采樣法隨機(jī)選取5株棉花，用塔尺測(cè)量其H值，測(cè)量時(shí)保持塔尺垂直于地面，取平均得到該小區(qū)的測(cè)量值。采用SPAD-502 Plus產(chǎn)量?jī)x對(duì)30個(gè)小區(qū)進(jìn)行SPAD測(cè)量，SPAD-502 Plus通過(guò)測(cè)量葉子對(duì)兩個(gè)波長(zhǎng)段里的吸收率，來(lái)評(píng)估當(dāng)前葉子中的葉綠素相對(duì)含量。SPAD測(cè)量時(shí)為保證測(cè)量準(zhǔn)確度，分別在棉花植株的上中下3個(gè)部位各隨機(jī)選取一片棉葉測(cè)量三次取平均作為該部位測(cè)量值，3個(gè)部位的平均值作為該株的測(cè)量值。每小區(qū)測(cè)量5株具有代表性的棉花，平均值作為該小區(qū)SPAD值。收獲時(shí)，于每個(gè)小區(qū)中按五點(diǎn)取樣法取3個(gè)2 m×2 m的樣方，采摘每株的成鈴并記錄每個(gè)樣方的棉鈴個(gè)數(shù)。為避免棉花中水分的影響，烘干稱重的成鈴重量記為w。棉鈴分類標(biāo)準(zhǔn)：直徑大于2 cm的棉鈴為成玲，直徑小于2 cm的棉鈴為幼鈴，鈴殼開(kāi)裂3 mm以上的棉鈴為絮鈴，爛鈴不計(jì)。籽棉產(chǎn)量計(jì)算公式如式（1）所示。

y=0.9mρw

（1）

m=（a+b+1/3×c）/k

（2）

式中：

Y——棉花產(chǎn)量，kg/hm2；

m——平均單株成鈴數(shù)，個(gè)/株；

ρ——收獲密度，株/hm2；

w——單鈴重，kg/個(gè)；

a——成鈴數(shù)，個(gè)；

b——絮鈴數(shù)，個(gè)；

c——幼鈴數(shù)，個(gè)；

k——總株數(shù)，株。

1.3 無(wú)人機(jī)多光譜圖像采集與處理

采用消費(fèi)級(jí)無(wú)人機(jī)大疆精靈4 RTK多光譜版對(duì)測(cè)試區(qū)域進(jìn)行多光譜圖像采集。相機(jī)由6個(gè)1/2.9英寸CMOS組成，包括1個(gè)用于可見(jiàn)光成像的彩色傳感器和5個(gè)用于多光譜成像的單色傳感器。單個(gè)傳感器的有效像素為208萬(wàn)（總像素212萬(wàn)）。在飛行任務(wù)中，為了保證多光譜圖像的質(zhì)量，減少圖像拼接的誤差，在DJI GS Pro中設(shè)置正向和側(cè)面重疊均80%，飛行時(shí)間和高度分別為10：00～14：00和30 m。選取盛花期（2021年7月26日）、成熟期（9月28日）2個(gè)關(guān)鍵生育期進(jìn)行的2次飛行任務(wù)，評(píng)估基于多光譜圖像的產(chǎn)量估算的準(zhǔn)確性。大疆精靈4RTK能通過(guò)內(nèi)置的全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）模塊記錄圖像的位置信息。此外，利用差分GNSS以毫米精度記錄野外3個(gè)地面控制點(diǎn)（GCP）的坐標(biāo)。采用Pix4D mapper 4.4.12軟件對(duì)無(wú)人機(jī)多光譜圖像進(jìn)行拼接。在圖像拼接過(guò)程中，將無(wú)人機(jī)多光譜圖像導(dǎo)入軟件，軟件能夠自動(dòng)讀取相機(jī)配置信息和定位系統(tǒng)數(shù)據(jù)，然后進(jìn)行輻射校準(zhǔn)。最后，Pix4Dmapper生成數(shù)字地表模型（DSM）、數(shù)字正射影像（DOM），并用ENVI5.3進(jìn)行幾何校正和圖像配準(zhǔn)。

1.4 無(wú)人機(jī)多光譜圖像的植被指數(shù)提取

為篩選出適合棉花無(wú)人機(jī)遙感估產(chǎn)的植被指數(shù)，本文基于無(wú)人機(jī)多光譜影像紅、綠、藍(lán)、紅外、近紅外波段的光譜信息，從65種植被指數(shù)中選取了8種與產(chǎn)量相關(guān)性較高的植被指數(shù)，計(jì)算植被指數(shù)［2532］的公式如表1所示。采用ENVI 5.3中的波段計(jì)算工具提取植被指數(shù)。構(gòu)建感興趣區(qū)域（Region of Interest，ROI）提取每個(gè)小區(qū)的植被指數(shù)，并選擇每個(gè)小區(qū)的平均反射率進(jìn)行后續(xù)的數(shù)據(jù)處理。

1.5 模型構(gòu)建

為篩選出適合棉花無(wú)人機(jī)遙感估產(chǎn)的植被指數(shù)，本文首先基于提取的8種植被指數(shù)，分別使用偏最小二乘回歸模型、多元逐步回歸模型、隨機(jī)森林算法模型和BP神經(jīng)網(wǎng)絡(luò)模型，分析植被指數(shù)與株高、葉綠素相對(duì)含量、產(chǎn)量的相關(guān)性。然后探究植被指數(shù)構(gòu)建產(chǎn)量估算模型、SPAD估算模型的可行性。偏最小二乘回歸是一種多元回歸建模方法，將典型相關(guān)分析、多元線性回歸以及主成分分析等技術(shù)優(yōu)勢(shì)相結(jié)合，能夠有效解決較少樣本量而預(yù)測(cè)變量存在共線性方面的問(wèn)題［2627］。多元逐步回歸是多元線性回歸的繼承與發(fā)展，通過(guò)一個(gè)個(gè)的輸入?yún)?shù)，逐個(gè)檢驗(yàn)并剔除顯著性低的變量，從而篩選出相關(guān)性高的因子［2829］。隨機(jī)森林（Random Forest， RF）是一種用于分類或回歸的機(jī)器學(xué)習(xí)算法，具有魯棒性高、學(xué)習(xí)能力強(qiáng)等特點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性擬合能力，對(duì)構(gòu)建植被指數(shù)與單株產(chǎn)量之間的定量關(guān)系發(fā)揮重要作用。本文使用包含8個(gè)輸入層，2個(gè)隱藏層，學(xué)習(xí)率為0.01的人工神經(jīng)網(wǎng)絡(luò)模型估算棉花株高、SPAD和產(chǎn)量。

1.6 模型性能評(píng)價(jià)

在盛花期、成熟期分別采集的150個(gè)株高、葉綠素含量樣本數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行排序，分層抽樣法選擇110個(gè)樣本構(gòu)建產(chǎn)量估測(cè)模型，40個(gè)樣本進(jìn)行驗(yàn)證。采用均方根誤差RMSE、決定系數(shù)R2和歸一化均方根誤差NRMSE三個(gè)指標(biāo)來(lái)評(píng)價(jià)模型的產(chǎn)量估計(jì)性能，R2越接近1，RMSE越小，說(shuō)明模型預(yù)測(cè)精度越高。計(jì)算方法如式（3）～式（5）所示。

R2=1-∑ni=1（yi-y^）2

∑ni=1（yi-y）2

（3）

RMSE=1n∑ni=1（yi-y^）

（4）

NRMSE=RMSEy

（5）

式中：

n——樣本總數(shù)；

yi——實(shí)測(cè)值；

y^——估計(jì)值；

y——實(shí)測(cè)值的平均值。

2 結(jié)果與分析

2.1 葉綠素相對(duì)含量、株高、產(chǎn)量

盛花期、成熟期棉花植株株高與葉綠素相對(duì)含量的基本信息如表2、表3所示。數(shù)據(jù)顯示不同生長(zhǎng)階段的棉花葉綠素含量、株高存在較小差異，可能是由于盛花期至成熟期間產(chǎn)量已相對(duì)穩(wěn)定，不排除另有其他環(huán)境因素的變化，使得觀察到的差異較小。圖4為測(cè)產(chǎn)樣點(diǎn)棉花單鈴重的頻數(shù)分布圖，曲線為依據(jù)樣本均值、方差繪制的正態(tài)分布曲線。棉花產(chǎn)量實(shí)測(cè)數(shù)據(jù)顯示，棉花單株產(chǎn)量集中于90～150 g。

2.2 植被指數(shù)與葉綠素相對(duì)含量、株高相關(guān)性分析

利用建模數(shù)據(jù)集中實(shí)測(cè)的SPAD、株高分別與8種植被指數(shù)進(jìn)行相關(guān)性分析，計(jì)算結(jié)果如表4所示。

從表4可以看出，SPAD與8種植被指數(shù)的相關(guān)系數(shù)在0.528～0.792之間，其中SPAD與GDVI相關(guān)系數(shù)最強(qiáng)，相關(guān)系數(shù)達(dá)到0.792；NDRE與株高之間為負(fù)相關(guān)關(guān)系，其余7種植被指數(shù)均與株高呈正相關(guān)關(guān)系。與棉花株高具有最好的相關(guān)性的植被指數(shù)為GDVI，相關(guān)系數(shù)為0.738。因此，選擇表4中的8種植被指數(shù)對(duì)于構(gòu)建棉花的生長(zhǎng)參數(shù)及產(chǎn)量的反演模型具有一定可行性。

2.3 棉花各植被指數(shù)與產(chǎn)量的相關(guān)系數(shù)

8種植被指數(shù)與產(chǎn)量的相關(guān)性分析結(jié)果如表5所示，其中GDVI在盛花期與產(chǎn)量相關(guān)性最佳，相關(guān)系數(shù)為0.755；而在成熟期DVI是與產(chǎn)量相關(guān)性最佳的植被指數(shù)，相關(guān)系數(shù)為0.718。

2.4 棉花無(wú)人機(jī)多光譜遙感生長(zhǎng)參數(shù)及估產(chǎn)模型

為提高模型預(yù)測(cè)精度，本文以8種植被指數(shù)作為估算模型的輸入，采用多元逐步線性回歸法、人工神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林法構(gòu)建不同生育期棉花葉綠素含量、株高、產(chǎn)量之間的經(jīng)驗(yàn)統(tǒng)計(jì)模型。

如表6所示，基于MLR構(gòu)建的盛花期和成熟期棉花株高估算模型的R2分別為0.709和0.722，RMSE分別為17.882和14.174，NRMSE分別為62.372和74.600；基于RF構(gòu)建的盛花期和成熟期棉花株高估算模型的R2分別為0.721和0.753，RMSE分別為22.412和18.536，NRMSE分別為64.741和71.415；基于BPNN構(gòu)建的盛花期和成熟期棉花株高估算模型的R2分別為0.790和0.884，RMSE分別為19.435和12.119，NRMSE分別為67.736和63.784。

基于MLR構(gòu)建的盛花期和成熟期棉花SPAD估算模型的R2分別為0.342和0.596，RMSE分別為7.817和13.914，NRMSE分別為86.856和76.451；基于RF構(gòu)建的盛花期和成熟期棉花SPAD估算模型的R2分別為0.574和0.642，RMSE分別為12.813和19.438，NRMSE分別為23.635和72.569；基于BPNN構(gòu)建的盛花期和成熟期棉花SPAD估算模型的R2分別為0.860和0.883，RMSE分別為1.728和12.202，NRMSE分別為19.222和67.044。

基于MLR構(gòu)建的盛花期和成熟期棉花產(chǎn)量估算模型的R2分別為0.828和0.854，RMSE分別為23.716和15.364，NRMSE分別為47.432和17.071；基于RF構(gòu)建的盛花期和成熟期棉花產(chǎn)量估算模型的R2分別為0.866和0.872，RMSE分別為28.479和17.462，NRMSE分別為55.145和36.47；基于BPNN構(gòu)建的盛花期和成熟期棉花產(chǎn)量估算模型的R2分別為0.890和0.956，RMSE分別為27.459和24.113，NRMSE分別為54.921和34.457。

2.5 基于無(wú)人機(jī)遙感的棉花2個(gè)生育期植被指數(shù)估測(cè)產(chǎn)量精度驗(yàn)證

本文使用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)8個(gè)植被指數(shù)和實(shí)測(cè)數(shù)據(jù)進(jìn)行建模，并進(jìn)行驗(yàn)證?；谔镩g試驗(yàn)共獲取花蕾期和成熟期各150組SPAD和株高樣本、150組產(chǎn)量樣本，對(duì)所有樣本進(jìn)行從小到大排序，在這些樣本中隨機(jī)選取110組樣本作為建模集，剩余40組樣本作為驗(yàn)證集。以表1中的植被指數(shù)作為自變量，以棉花株高作為因變量，采用BPNN構(gòu)建棉花盛花期、成熟期株高估算模型，從R2、RMSE、NRMSE3個(gè)方面綜合評(píng)定模型精度，不同建模方法對(duì)于棉花株高的預(yù)測(cè)結(jié)果如圖5所示。結(jié)果表明：基于BPNN構(gòu)建的棉花盛花期與成熟期株高估算模型驗(yàn)證集的R2分別為0.842和0.670，RMSE分別為14.438和16.537，NRMSE分別為67.736和58.784；同理，基于BPNN構(gòu)建的棉花盛花期與成熟期SPAD估算模型驗(yàn)證集R2分別為0.725和0.765，RMSE分別為4.317和11.379，NRMSE分別為59.856和34.451；基于BPNN構(gòu)建的棉花盛花期與成熟期產(chǎn)量估算模型驗(yàn)證集R2分別為0.860和0.846，RMSE分別為27.459和14.157，NRMSE分別為54.922和34.453。

（a） H-盛蕾期

（b） H-成熟期

（c） SPAD-盛蕾期

（d） SPAD-成熟期

（e） Yield-盛蕾期

（f） Yield-成熟期

3 討論

目前無(wú)人機(jī)遙感影像與植被指數(shù)結(jié)合的相關(guān)研究在農(nóng)業(yè)領(lǐng)域應(yīng)用日益廣泛。本文旨在通過(guò)無(wú)人機(jī)多光譜遙感技術(shù)反演棉花的株高和葉綠素含量，并分析其與產(chǎn)量的關(guān)聯(lián)，從而為作物生長(zhǎng)參數(shù)的監(jiān)測(cè)和農(nóng)作物產(chǎn)量的預(yù)測(cè)提供可靠數(shù)據(jù)支持。研究結(jié)果表明，植被指數(shù)GDVI與株高、SPAD和產(chǎn)量的相關(guān)性均較好，這可能是由于GDVI對(duì)植被的光合活動(dòng)和葉綠素含量變化較敏感。葉綠素作為植物光合作用的關(guān)鍵，與植物健康狀況密切相關(guān)，因此葉綠素含量與株高、SPAD和產(chǎn)量之間存在高相關(guān)性，GDVI的變化可實(shí)時(shí)監(jiān)測(cè)棉花長(zhǎng)勢(shì)。同時(shí)，隨著生育期的變化，多個(gè)植被指數(shù)與產(chǎn)量的相關(guān)性呈減小趨勢(shì)，且成熟期的生長(zhǎng)參數(shù)和產(chǎn)量預(yù)測(cè)精度較高。這可能是因?yàn)槌墒炱谑敲藁ㄉL(zhǎng)狀態(tài)最佳的時(shí)期，其株高、SPAD等指標(biāo)達(dá)到峰值；而在盛花期，由于棉花仍處于營(yíng)養(yǎng)生長(zhǎng)階段，葉綠素含量水平較低，且開(kāi)花需要大量能量供給，使得多光譜相機(jī)難以捕捉該過(guò)程的特征。

此外，不同建模方法對(duì)預(yù)測(cè)模型的精度產(chǎn)生較大影響。本文對(duì)8種植被指數(shù)采用多元線性回歸、隨機(jī)森林和人工神經(jīng)網(wǎng)絡(luò)3種方法構(gòu)建了株高、SPAD和產(chǎn)量的估算模型。結(jié)果顯示，基于BPNN模型的估測(cè)精度優(yōu)于其他模型方法，這與劉濤［5］、羅小波［30］等的研究結(jié)果類似。BPNN模型具有強(qiáng)大的非線性建模能力、學(xué)習(xí)能力和泛化能力，能對(duì)復(fù)雜函數(shù)進(jìn)行有效擬合，提高了模型的精度。然而，MLR模型存在多重共線性和對(duì)異常值和離群點(diǎn)敏感等不足，可能影響模型的擬合效果。RF模型雖通過(guò)多個(gè)決策樹的投票來(lái)做出預(yù)測(cè)，但學(xué)習(xí)過(guò)程較為簡(jiǎn)單，不如BPNN那樣能進(jìn)行權(quán)重調(diào)整和優(yōu)化。因此，BPNN模型可作為棉花株高、SPAD和產(chǎn)量建模的首選方法。

當(dāng)前基于多光譜遙感的作物生長(zhǎng)參數(shù)和產(chǎn)量估算仍面臨一些問(wèn)題，如時(shí)間、空間異質(zhì)性使得模型通用性較差，且不同作物、不同環(huán)境條件下構(gòu)建的模型精度差異較大。此外，本文樣本量較少，后續(xù)可以增加更多樣本數(shù)據(jù)進(jìn)行建模，以探究預(yù)測(cè)精度是否有明顯提升。

4 結(jié)論

本文以山東省濱州市棉花為研究對(duì)象，利用無(wú)人機(jī)獲取了棉花不同時(shí)期的多光譜影像，并采用多元線性回歸、隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)三種方法分別構(gòu)建了棉花的株高、葉綠素相對(duì)含量、產(chǎn)量的估計(jì)模型。同時(shí)還深入探討了不同機(jī)器學(xué)習(xí)方法對(duì)棉花長(zhǎng)勢(shì)參數(shù)與產(chǎn)量估算精度的影響，旨在為更加精準(zhǔn)、快速地獲取棉花生長(zhǎng)參數(shù)與產(chǎn)量預(yù)測(cè)提供理論參考。

1） ?通過(guò)相關(guān)性分析，篩選出與株高、葉綠素相對(duì)含量和產(chǎn)量的相關(guān)性均較好的植被指數(shù)為GDVI，相關(guān)系數(shù)分別為0.792和0.738，因此，通過(guò)GDVI的變化能實(shí)時(shí)監(jiān)測(cè)棉花長(zhǎng)勢(shì)。

2） ?基于BPNN模型構(gòu)建的棉花生長(zhǎng)參數(shù)與產(chǎn)量預(yù)測(cè)模型的精度高于MLR與RF模型?；贐PNN構(gòu)建的棉花盛花期與成熟期株高估算模型驗(yàn)證集的R2分別為0.842和0.670；基于BPNN構(gòu)建的棉花盛花期與成熟期SPAD估算模型驗(yàn)證集R2分別為0.725和0.765。

3） ?在成熟期，基于BPNN模型構(gòu)建的棉花生長(zhǎng)參數(shù)和產(chǎn)量預(yù)測(cè)精度更高，株高、葉綠素相對(duì)含量和產(chǎn)量的預(yù)測(cè)模型R2分別為0.884、0.883、0.956；RMSE分別為12.119、12.202、24.113；故在成熟期使用BPNN模型能準(zhǔn)確估算棉花產(chǎn)量。

參 考 文 獻(xiàn)

［1］劉文靜， 范永勝， 董彥琪， 等. 我國(guó)棉花生產(chǎn)現(xiàn)狀分析及建議［J］. 中國(guó)種業(yè)， 2022（1）： 21-25.

Liu Wenjing， Fan Yongsheng， Dong Yanqi， et al. Analysis and suggestions on the current situation of cotton production in China ［J］. China Seed Industry， 2022（1）： 21-25.

［2］苑嚴(yán)偉， 白圣賀， ?？?， 等. 棉花種植機(jī)械化關(guān)鍵技術(shù)與裝備研究進(jìn)展［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2023， 39（6）： 1-11.

Yuan Yanwei， Bai Shenghe， Niu Kang， et al. Research progress in the key technologies and equipment for cotton planting mechanization ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（6）： 1-11.

［3］Wang G， Lan Y， Qi H， et al. Field evaluation of an unmanned aerial vehicle （UAV） sprayer： Effect of spray volume on deposition and the control of pests and disease in wheat ［J］. Pest Management Science， 2019， 75（6）： 1546-1555.

［4］Xu W， Chen P， Zhan Y， et al. Cotton yield estimation model based on machine learning using time series UAV remote sensing data ［J］. International Journal of Applied Earth Observation and Geoinformation， 2021， 104.

［5］劉濤， 張寰， 王志業(yè)， 等. 利用無(wú)人機(jī)多光譜估算小麥葉面積指數(shù)和葉綠素含量［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（19）： 65-72.

Liu Tao， Zhang Huan， Wang Zhiye， et al. Estimation of the leaf area index and chlorophyll content of wheat using UAV multispectrum images ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（19）： 65-72.

［6］Muharam F， Bronson K， Maas S， et al. Interrelationships of cotton plant height， canopy width， ground cover and plant nitrogen status indicators ［J］. Field Crops Research， 2014， 169： 58-69.

［7］閆成川， 曲延英， 陳全家， 等. 基于無(wú)人機(jī)多光譜影像的棉花SPAD值及葉片含水量估測(cè)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2023， 39（2）： 61-67.

Yan Chengchuan， Qu Yanying， Chen Quanjia， et al. Estimation of cotton SPAD value and leaf water content based on UAV multispectral images ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（2）： 61-67.

［8］Li J， Wijewardane N K， Ge Y， et al. Improved chlorophyll and water content estimations at leaf level with a hybrid radiative transfer and machine learning model ［J］. Computers and Electronics in Agriculture， 2023， 206： 107669.

［9］孟沌超， 趙靜， 蘭玉彬， 等. 基于無(wú)人機(jī)可見(jiàn)光影像的玉米冠層SPAD反演模型研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 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.

［10］Ferencz C， Bognar P， Lichtenberger J， et al. Crop yield estimation by satellite remote sensing ［J］. International Journal of Remote Sensing， 2004， 25（20）： 4113-4149.

［11］張靜， 郭思?jí)簦?韓迎春， 等. 基于無(wú)人機(jī)RGB圖像的棉花產(chǎn)量估算［J］. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)， 2022， 24（11）： 112-120.

Zhang Jing， Guo Simeng， Han Yingchun， et al. Estimation of cotton yield based on unmanned aerial vehicle RGB images ［J］. Journal of Agricultural Science and Technology， 2022， 24（11）： 112-120.

［12］Wahab I， Hall O， Jirstrm M. Remote sensing of yields： Application of UAV imageryderived NDVI for estimating maize vigor and yields in complex farming systems in subsaharan africa ［J］. Drones， 2018， 2（3）： 28.

［13］Sumesh K， Ninsawat S， Somard J. Integration of RGBbased vegetation index， crop surface model and objectbased image analysis approach for sugarcane yield estimation using unmanned aerial vehicle ［J］. Computers and Electronics in Agriculture， 2021， 180： 105903.

［14］Laliberte A S， Goforth M A， Steele C M， et al. Multispectral remote sensing from unmanned aircraft： Image processing workflows and applications for rangeland environments ［J］. Remote Sensing， 2011， 3（11）： 2529-2551.

［15］馮海寬， 陶惠林， 趙鈺， 等. 利用無(wú)人機(jī)高光譜估算冬小麥葉綠素含量［J］. 麥類作物學(xué)報(bào)， 2022， 42（11）：3575-3580.

Feng Haikuan， Tao Huilin， Zhao Yu， et al. Estimation of chlorophyll content in winter wheat based on UAV hyperspectral ［J］. Spectroscopy and Spectral Analysis， 2022， 42（11）： 3575-3580.

［16］Almeida C T d， Galvo L S， Arago L E d O C e， et al. Combining LiDAR and hyperspectral data for aboveground biomass modeling in the Brazilian Amazon using different regression algorithms ［J］. Remote Sensing of Environment， 2019， 232.

［17］Du X， Wan L， Cen H， et al. Multitemporal monitoring of leaf area index of rice under different nitrogen treatments using UAV images ［J］. International Journal of Precision Agricultural Aviation， 2020， 3（1）.

［18］Ahmed O S， Shemrock A， Chabot D， et al. Hierarchical land cover and vegetation classification using multispectral data acquired from an unmanned aerial vehicle ［J］. International journal of remote sensing， 2017， 38（8-10）： 2037-2052.

［19］Shi G， Du X， Du M， et al. Cotton yield estimation using the remotely sensed cotton boll index from UAV images ［J］. Drones， 2022， 6（9）： 254.

［20］Yang Q， Shi L， Han J， et al. Deep convolutional neural networks for rice grain yield estimation at the ripening stage using UAVbased remotely sensed images ［J］. Field Crops Research， 2019， 235： 142-153.

［21］Chen P， Douzals J P， Lan Y， et al. Characteristics of unmanned aerial spraying systems and related spray drift： A review ［J］. Frontiers in Plant Science， 2022： 2726.

［22］邵國(guó)敏， 王亞杰， 韓文霆. 基于無(wú)人機(jī)多光譜遙感的夏玉米葉面積指數(shù)估算方法［J］. 智慧農(nóng)業(yè)（中英文）， 2020， 2（3）： 118-128.

Shao Guomin， Wang Yajie， Han Wenting， et al. Estimation method of leaf area index for summer maize using UAVbased multispectral remote sensing ［J］. Smart Agriculture， 2020， 2（3）： 118-128.

［23］張恒瑞， 段喜明， 魏征， 等. 基于無(wú)人機(jī)多光譜遙感的華北地區(qū)夏玉米LAI監(jiān)測(cè)［J］. 山西農(nóng)業(yè)科學(xué)， 2021， 49（5）： 608-614.

Zhang Hengrui， Duan Ximing， Wei Zheng， et al. Study on LAI monitoring of summer corn in north China based on UAV multispectral remote sensing ［J］. Journal of Shanxi Agricultural Sciences， 2021， 49（5）： 608-614.

［24］魏青， 張寶忠， 魏征， 等. 基于無(wú)人機(jī)多光譜遙感的冬小麥冠層葉綠素含量估測(cè)研究［J］. 麥類作物學(xué)報(bào)， 2020， 40（3）： 365-372.

Wei Qing， Zhang Baozhong， Wei Zheng， et al. Estimation of canopy chlorophyll content in winter wheat by UAV multispectral remote sensing ［J］. Journal of Triticeae Crops， 2020， 40（3）： 365-372.

［25］陳俊英， 陳碩博， 張智韜， 等. 無(wú)人機(jī)多光譜遙感反演盛花期棉花光合參數(shù)研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（10）： 230-239.

Chen Junying， Chen Shuobo， Zhang Zhitao， et al. Investigation on photosynthetic parameters of cotton during budding period by multispectral remote sensing of unmanned aerial vehicle ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（10）： 230-239.

［26］Su J， Liu C， Coombes M， et al. Wheat yellow rust monitoring by learning from multispectral UAV aerial imagery ［J］. Computers and Electronics in Agriculture， 2018， 155： 157-166.

［27］Gao C， Ji X， He Q， et al. Monitoring of wheat fusarium head blight on spectral and textural analysis of UAV multispectral imagery ［J］. Agriculture， 2023， 13（2）： 293.

［28］Shu Meiyan， Dong Qizhou， Fei Shuaipeng， et al. Improved estimation of canopy water status in maize using UAV-based digital and hyperspectral images ［J］. Computers and Electronics in Agriculture， 2022， 197： 106982.

［29］Hassan M A， Yang M， Rasheed A， et al. A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multispectral UAV platform ［J］. Plant Science， 2019， 282： 95-103.

［30］羅小波， 謝天授， 董圣賢. 基于無(wú)人機(jī)多光譜影像的柑橘冠層葉綠素含量反演［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2023， 54（4）： 198-205.

Luo Xiaobo， Xie Tianshou， Dong Shengxian. Estimation of citrus canopy chlorophyll based on UAV multispectral images ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（4）： 198-205.