基于无人机多源图谱融合的水稻稻穗表型监测.pdfVIP

第 38 卷 第 9 期 农 业 工 程 学 报 Vol.38 No.9 162 2022 年 5 月 Transactions of the Chinese Society of Agricultural Engineering May 2022 ·农业信息与电气技术· 基于无人机多源图谱融合的水稻稻穗表型监测 万 亮 1,2 ，杜晓月 1,2 ，陈硕博 1,2 ，于丰华4,5 ，朱姜蓬 1,2 ， 许童羽 4,5 ，何 勇 1,2,3 ，岑海燕 1,2,3※ （1. 浙江大学华南工业技术研究院，浙江大学生物系统工程与食品科学学院，杭州 310058； 2. 农业农村部光谱检测重点实验室，杭州 310058 ；3. 浙江大学现代光学仪器国家重点实验室，杭州 310027 ； 4. 沈阳农业大学信息与电气工程学院，沈阳 110866； 5. 辽宁省农业信息化工程技术研究中心，沈阳 110866 ） 摘 要：稻穗表型是表征水稻生长状况和产量品质的关键参数，稻穗表型的准确监测对于大田精准管理和水稻智慧育种 具有重要意义。无人机图谱数据已被广泛用于水稻生长监测，然而大部分研究主要集中在水稻的营养生长阶段，针对抽 穗期和成熟期稻穗表型监测方面的研究非常有限。因此，该研究利用无人机多源图谱数据进行水稻稻穗表型监测研究， 分析了不同氮肥梯度和生长时期对稻穗表型的影响，构建了稻穗覆盖度、生物量以及倒伏等监测模型。结果表明，不同 生长时期和氮肥梯度的稻穗表型呈现显著差异，稻穗覆盖度与图像特征高度相关。利用粒子群优化算法（Particle Swarm Optimization ，PSO ）和支持向量机（Support Vector Machine，SVM ）回归模型能够从可见光图像中准确识别稻穗，计算 的穗覆盖度与实际标记值高度相关，决定系数（coefficient of determination ，R2 ）为0.87 ，将此结果与多光谱图像反射率 融合，利用随机森林（Random Forest ，RF ）回归模型可以提高稻穗覆盖度的评估精度，R2 为 0.93 ，相对均方根误差（relative Root Mean Square Error ，rRMSE ）为9.47% 。融合可见光图像的颜色和纹理以及多光谱图像的光谱反射率改善了穗生物 量的评估精度，R2 高达 0.84 ，rRMSE 为 8.68%，此模型能够在不同种植年间迁移，进一步利用模型更新添加 10%新样本 能够改善模型迁移能力。基于 PSO-SVM 分类模型，联合可见光图像的颜色和纹理以及多光谱图像的光谱反射率也准确 地识别稻穗倒伏，准确率达 99.87% 。上述研究结果证明了无人机遥感用于水稻稻穗表型监测的可行性，可为作物精准管 理和智慧育种提供决策支持。 关键词：无人机；模型；可见光图像；多光谱图像；水稻稻穗；倒伏；机器学习；表型 doi ：10.11975/j.issn.1002-6819.2022.09.017 中图分类号：S436.66; TP391.41 文献标志码：A 文章编号：1002-6819(2022)-09-0162-09 万亮，杜晓月，陈硕博，等. 基于无人机多源图谱融合的水稻稻穗表型监测[J]. 农业工程学报，2022，38(9)：162-170. doi ：10.11975/j.iss