引入无人机影像部分像素积分以估算玉米(Zea mays L.)地上生物量

《Industrial Crops and Products》:Introducing partial pixel integration of UAV imagery to estimate maize ( Zea mays L.) aboveground biomass

【字体: 大 中 小 】 时间:2025年12月05日 来源:Industrial Crops and Products 6.4

编辑推荐:

  地上生物量(AGB)的准确估算有助于监测玉米生长和产量预测,无人机(UAV)已成为精准农业中最显著的技术工具之一。然而,以往的研究主要集中于利用从无人机多光谱影像中提取的光谱指数、纹理度量和结构特征。这些方法常涉及显著的不确定性,并忽略了玉米的整体形态特征。在

  
地上生物量(AGB)的准确估算有助于监测玉米生长和产量预测,无人机(UAV)已成为精准农业中最显著的技术工具之一。然而,以往的研究主要集中于利用从无人机多光谱影像中提取的光谱指数、纹理度量和结构特征。这些方法常涉及显著的不确定性,并忽略了玉米的整体形态特征。在本研究中,研究人员引入了一种创新的部分像素积分(PPI)参数,以在样区尺度上表征玉米(Zea mays L.)的水平与垂直结构特征。田间实验在中国江苏省盐城市大丰区进行。在五个飞行高度(10?m、20?m、30?m、50?m和80?m)下采集了多光谱无人机影像。研究人员提取了五种结构特征——植被覆盖度(FVC)、株高(PH)、FVC?×?PH、像素积分(PI)和PPI——分别基于线性、指数和幂函数建立鲜重(Fresh AGB)和干重(Dry AGB)估算模型。采用五折交叉验证方法验证模型,评估不同参数的预测性能。结果表明:(1) 基于PPI参数的模型优于所有其他度量(FVC、PH、FVC×PH、PI),在20?m飞行高度下,鲜重AGB的最高R2值为0.968;在10?m飞行高度下,干重AGB的最高R2值为0.948;(2) 鲜重AGB估算模型通常比干重AGB估算模型更准确;(3) 与预期相反,提高无人机飞行高度并不一定会降低AGB预测精度。这些发现证明,PPI参数具有高精度和鲁棒性,为田间玉米AGB估算提供了一种新颖且可靠的方法。
**论文解读:基于无人机影像部分像素积分参数估算玉米地上生物量的新方法**

**研究背景**

玉米(Zea mays L.)是全球至关重要的作物,在粮食安全、动物营养和工业应用中扮演着核心角色。地上生物量(Aboveground Biomass, AGB)是反映作物生长状况的关键指标,为农场管理决策提供重要信息,并支撑谷物产量预测。及时、准确地监测玉米AGB对于评估作物发育、预测谷物产量和碳动态至关重要。传统的人工采样和田间测量虽是最准确的AGB获取方法,但受限于高成本、劳动密集和耗时等问题。

随着遥感技术的发展,具有广泛空间覆盖的非破坏性监测方法成为估算作物AGB的有前景的途径。卫星传感器如先进甚高分辨率辐射计(AVHRR)、中分辨率成像光谱仪(MODIS)和增强型专题制图仪(ETM+)提供了大量科学数据,实现了大尺度、长周期的作物生长监测。然而,卫星影像受限于粗空间和光谱分辨率,以及云层覆盖和传感器限制等因素导致的地面测量不一致性,使得区域AGB估算精度在局部尺度上往往不足。

近年来,无人机(UAV)因其高效、非破坏性、灵活、低运营成本和实时能力,以及能够在复杂地形中操作等优势而备受关注。无人机能获取厘米级空间分辨率和高时间频率的植被光谱数据,有效弥补了卫星影像的局限性。然而,以往基于无人机的AGB估算研究主要依赖植被指数(VIs),但仅基于VIs的估算易受光谱饱和效应影响。为克服此局限,研究者引入了纹理度量(TMs)和结构特征(SFs),如株高(PH)和植被覆盖度(FVC)。但这些方法仍存在局限:TMs对成像条件高度敏感,且可能间接关联生物物理特性;常规结构参数如PH和FVC往往将冠层简化为均质,忽略形态特异性;辅助数据(如气象条件、物候信息)增加了模型复杂性和数据依赖性。因此,亟需一种能更准确表征玉米形态结构、降低模型复杂度且保持高精度的方法。

**研究概述与结论**

针对上述问题,研究人员提出了一种创新的结构参数——部分像素积分(Partial Pixel Integration, PPI),该参数源于多光谱无人机影像,旨在同时表征玉米水平和垂直结构特征,并考虑不同器官对总AGB的差异化贡献及形态特征。研究在江苏省盐城市大丰区王兴建家庭农场开展,设置了15个样区(约6?m×4?m),种植玉米品种“新玉158”,并施用了不同土壤改良剂(生物炭、脱硫石膏、鸡粪、猪粪及其组合)。在玉米成熟期(2023年9月10日),使用大疆Phantom 4 Pro多光谱无人机在五个飞行高度(10?m、20?m、30?m、50?m、80?m)采集影像,同步进行破坏性取样(每样区3株)测定鲜重AGB和干重AGB。研究人员提取了五种结构参数:FVC、PH、FVC×PH、像素积分(PI)和PPI,分别建立基于线性、指数和幂函数的鲜重和干重AGB估算模型,并通过五折交叉验证评估性能。

研究得出以下重要结论:(1)PPI参数在预测鲜重和干重AGB方面均表现最佳,优于其他四种参数(FVC、PH、FVC×PH、PI),在20?m飞行高度下,鲜重AGB模型的R2达到0.968;在10?m飞行高度下,干重AGB模型的R2达到0.948。(2)鲜重AGB的估算精度普遍高于干重AGB。(3)提高无人机飞行高度并不一定会降低AGB预测精度,PPI参数在10?m、20?m和80?m均表现出高精度。这项研究提出了一种实用且有效的基于无人机的AGB估算方法,具有广泛应用的潜力。该论文发表于《Industrial Crops and Products》。

**主要关键技术方法**

本研究主要采用了以下关键技术方法(忽略具体试剂、培养及质粒构建操作,但注明样本队列来源):(1)**无人机多光谱影像采集与处理**:使用大疆Phantom 4 Pro多光谱无人机在五个飞行高度(10?m、20?m、30?m、50?m、80?m)采集影像,通过DJI Terra软件进行影像拼接、辐射校正,生成数字正射影像图(DOM)、数字表面模型(DSM)及蓝、绿、红、红边、近红外波段的反射率影像。(2)**结构参数提取**:基于GNDVI阈值分割植被与土壤,计算植被覆盖度(FVC);通过DSM和数字地形模型(DTM)之差获取冠层高度模型(CHM),并取每个样区CHM最大值作为株高(PH)的估计;在CHM基础上进行像素积分(PI)计算;再引入n%参数(通过模拟退火算法启发式搜索最优值),对排序后的CHM像素取顶部n%进行部分像素积分(PPI)。(3)**AGB估算建模与验证**:将FVC、PH、FVC×PH、PI、PPI作为预测变量,采用线性回归、指数拟合和幂函数拟合三种方法建立鲜重和干重AGB模型,并通过五折交叉验证评估模型精度,以决定系数(R2)、均方根误差(RMSE)、相对均方根误差(rRMSE)和平均绝对百分比误差(MAPE)为评价指标。样本来源为中国江苏省盐城市大丰区王兴建家庭农场的15个田间样区。

**研究结果**

**3.1. 田间实测数据统计分析**
通过对15个样区的玉米进行破坏性取样和称重,研究测定了鲜重、干重、种植密度、鲜重AGB和干重AGB。结果表明,由于不同样区施加的处理类型不同,AGB值存在显著差异。鲜重AGB范围为36.23?g/m2至836.40?g/m2,均值为316.55?g/m2;干重AGB范围为18.64?g/m2至333.08?g/m2,均值为133.05?g/m2。

**3.2. FVC和PH的处理结果**
基于GNDVI阈值分割的结果显示,在所有飞行高度下,GNDVI均能有效区分玉米植被与土壤,分割质量一致较高。然而,CHM分析表明,随着无人机飞行高度的增加,玉米PH的估算出现明显低估(80?m时最大PH仅0.8?m,而10?m时为1.5?m)。

**3.3. PI和PPI的处理结果**
通过提取每个样区CHM像素值并绘制直方图与核密度估计(KDE)曲线,研究人员观察到不同样区的高度分布特征差异:样区a1、c3、a3的密度分布较宽,表明PH变异性大且玉米生长较稀疏;样区d3呈单峰分布,表明高度集中。对像素高度进行降序排列的散点图显示,b列样区植被像素最多,生长最旺盛;c3样区植被像素最少,生长最稀疏。研究人员通过模拟退火算法对n值(1%、3%、5%、7%、9%)进行启发式搜索,得到不同飞行高度下预测鲜重和干重AGB的最优n值,通常介于3%和5%之间。

**3.4. FVC、PH、FVC×PH、PI和PPI的估算结果**
不同参数的估算结果图显示:FVC估算值在30?m和80?m飞行高度时最大(分别为0.35和0.34);PH最大估算值从10?m时的1.5?m降至80?m时的0.8?m;FVC×PH最大值在10?m和20?m时较高(0.36),80?m时最低(0.22)。PI、PPI_F(用于估算鲜重AGB的PPI参数)和PPI_D(用于估算干重AGB的PPI参数)的估算范围随飞行高度增加而减小,且与样区分布图一致,证实b列样区玉米生长最佳。

**3.5. AGB估算结果**
基于五种参数和三种拟合方法,研究建立了不同飞行高度下的鲜重和干重AGB预测模型,并通过五折交叉验证评估。结果表明:
- 在预测**鲜重AGB**时,PPI参数在所有飞行高度下均表现出最高精度(R2均≥0.837,最佳为20?m时的0.968)。其他参数的最佳精度分别为:FVC在80?m时R2=0.779;PH在20?m时R2=0.467;FVC×PH在10?m时R2=0.743;PI在10?m时R2=0.735。
- 在预测**干重AGB**时,PPI参数同样在所有飞行高度下表现最佳(R2均≥0.773,最佳为10?m时的0.948)。其他参数的最佳精度分别为:FVC在80?m时R2=0.781;PH在20?m时R2=0.427;FVC×PH在10?m时R2=0.699;PI在10?m时R2=0.649。
- 鲜重AGB的预测精度普遍高于干重AGB。PPI参数在10?m和20?m飞行高度下表现尤为突出。

**3.6. 田间玉米AGB制图**
根据最优模型,研究生成了不同飞行高度下的鲜重和干重AGB预测分布图。结果显示,鲜重AGB值范围为36?g/m2至890?g/m2,干重AGB值范围为18?g/m2至370?g/m2。b1、b2、b3样区的AGB值显著高于其他样区,同一列样区内的AGB预测值差异相对较小。

**讨论与结论**

在讨论部分,研究人员对比了不同结构参数对AGB估算的性能。PH参数表现最差,原因在于作为一维性状无法充分表征玉米三维结构。FVC×PH的组合提升了精度,因其结合了二维和维特征在一定程度上实现了三维建模。PI参数基于冠层体积模型(CVM)概念,但将茎叶等同处理,忽视了叶下中空结构,而PPI参数通过考虑不同器官的生物量分布及其在无人机影像中的表征,精确模拟了玉米生物量的空间分布,有效缓解了光谱饱和,降低了模型复杂度和数据依赖性,保持高精度和鲁棒性。研究还指出,PPI参数的n值(通常3%~5%)可通过模拟退火算法确定,其物理意义受种植密度、玉米品种和生育期影响,应用中需根据实际情况选择。飞行高度对AGB估算的影响呈非单调性:PPI参数在低(10?m、20?m)和高(80?m)飞行高度下均保持高精度,因为其依赖于CHM的绝对准确性,而代表主要结构成分的像素在高海拔下得以保留且高频噪声降低。最终,研究结论部分总结如下:

本研究提出了一种基于PPI的方法以提高田间玉米AGB估算的准确性。首先,利用DSM构建CHM,然后对CHM进行PI以获得初步AGB估算。考虑到玉米形态,特别是叶基中空区域,引入百分比参数(n%)来开发基于图像PPI估算的AGB模型。主要结论如下:(1) 基于PPI的AGB估算在鲜重AGB和干重AGB上均达到最高精度,优于其他四种方法:FVC、PH、组合指标FVC×PH和PI;(2) 鲜重AGB的预测比干重AGB更准确;(3) 提高无人机飞行高度并不一定会降低AGB预测精度。总体而言,本研究提出了一种实用且有效的基于无人机的AGB估算方法,具有广泛应用的潜力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号