论文信息
原名：Estimating vertically growing crop above-ground biomass based on UAV remote sensing
译名：基于无人机遥感的垂直作物地上生物量估算
期刊：Computers and Electronics in Agriculture
发表时间：2023年1月
DOI：https://doi.org/10.1016/j.compag.2023.107627
1.研究背景
作物地上生物量(AGB)是监测作物生长状态的重要指标，与粮食产量密切相关。许多先进的遥感技术已被用于估算作物的AGB，如光谱指数(SIs)、合成孔径雷达(SAR)、激光雷达(LiDAR)、以及基于无人机(UAV)的SIs和作物表面模型(CSM)。目前的植被SIs在中等及较高的作物覆盖范围内存在饱和问题。主动遥感技术SAR和LiDAR可以穿透植物冠层，与光学SIs技术的联合使用可以提高AGB估计的准确性。作物高度是估计AGB的一个关键指标，但由于光合产物通常在作物生长后期转移到作物生殖器官(如小麦穗和玉米芯)，仅考虑作物高度可能会低估作物生长期的AGB。SIs、SAR、LIDAR、CSM和统计回归模型的联合应用是提高作物AGB估算精度的一种实用解决方案。
作物在营养生长和生殖生长阶段，光合产物的转移是不同的：第一阶段，早期营养生长阶段。光合产物主要在冬小麦出苗和分蘖期转移到作物叶片。第二阶段：营养生长中期至晚期。光合产物主要转移到作物叶片和茎，如冬小麦拔节期和抽穗期。第三阶段：生殖生长期。光合产物主要转移到作物茎和生殖器官，如冬小麦开花期和灌浆期。据我们所知，还没有任何研究在考虑到光合产物的转移、作物AGB以及随着作物生长而增加的AGB的情况下，对垂直生长的作物的AGB进行估计。
本研究的目的是建立一个基于无人机的垂直生长作物AGB(VGC-AGB)估计模型。定义了Csm (g/m)来描述描述作物茎和生殖器官的平均干物质含量，结合作物叶面积指数(LAI)、叶片干物质含量(Cm)、高度(Ch)和密度(Cd)等数据共同构建VGC-AGB。
2.研究数据
图1 (a)研究区域的位置。(b)冬小麦试验设计。(c)无人机飞行的路线(黄线)和拍照位置(蓝线)
（1）田间试验
研究区为中国北京市昌平区(北纬35.433649°，东经116.367521°，图1 (a))，冬小麦和夏玉米轮作。
冬小麦：分别于2015年4月21日(拔节期S1，数量=48)、4月26日(挑旗期S2，数量=48)和5月13日(开花期S3，数量=48)测量作物高度、作物密度、LAI、AGBl、AGBv和无人机冠层图像(表1)。
表1 冬小麦的LAI和AGB测量
夏玉米：分别于2021年7月28日(抽穗P1，数量=80)、8月20日(吐丝P2，数量=80)和8月20日(灌浆P3，数量=79)测量了夏玉米的作物高度、作物密度、LAI、AGBl和AGBv。
图1b显示了为收集冬小麦田间数据而选择的48块地，地块被分为三组，每组16块冬小麦地接受不同的灌溉和施肥处理。灌溉水平包括仅降雨(W0)，降雨+100毫米灌溉(W1)，以及降雨+200毫米灌溉(W2)。氮肥水平包括0公斤/公顷(N0)，195公斤/公顷(N1)，390公斤/公顷(N2)和780公斤/公顷(N3)。
（2）作物高度、作物密度、LAI、AGBl、AGBv
用直尺测量了从土壤表面到顶部叶子(或小麦穗/玉米流苏)的作物高度；通过人工计算植物的茎数来测量作物密度(冬小麦:1米;夏玉米:3.6米)一排；采用破坏法测定大田作物LAI、AGBl和AGBv。
以冬小麦为例：
(a)从每个地块收集20株冬小麦。(b)所有的叶子都从植物上分离出来。我们把叶子贴在a4大小的纸上，用光学扫描仪测量叶子的面积。(c)植物的叶子和茎被切成段，储存在纸袋里。然后将纸袋转移到烤箱中，在80°C干燥，直到使用。最后计算LAI、AGBl、AGBv和作物AGB：
其中num为茎数；r为行距；p为取样数(冬小麦：20；夏玉米：2)；La为总叶面积；ml为叶片样品的干重；mv代表作物茎和生殖器官样品的干重；AGBl为作物叶片的干生物量；AGBv分别为作物垂直生长茎和生殖器官的干生物量；AGB为作物总AGB。夏玉米的高度、作物密度、AGBl和AGBv的测量结果与冬小麦完全一致。
3.无人机飞行
（1）无人机及传感器
飞行平台：八臂旋翼无人机（S1000；DJI公司，广东，中国）
传感器：成像光谱仪（Cubert UHD 185；Cubert GmbH Inc., Baden-Württemberg, Germany），提供作物冠层高光谱反射率，范围从450-950 nm；数码相机DC (DSC-QX100, SONY, Tokyo, Japan)。
（2）传感器记录
成像光谱仪利用白板和暗镜头盖的标准校准程序来初始化。校准程序是在CubertPilot软件中应用的，其中包括两个主要步骤。
(a)使用成像光谱仪来测量白板的数字编号DN值，这被认为是光谱反射率为1。
(b)用不透明的镜头盖挡住进入成像光谱仪的光线，测量的DN值，被认为是光谱反射率为0。
无人机的飞行高度约为50米。传感器的曝光是用DJI控制站控制的。以数码相机为例，每次曝光后记录一张数字图像和相应的POS信息。
（3）图像处理
每次无人机飞行后，将数字图像和相关POS信息导入Agisoft PhotoScan，以生成数字正射影像图(DOMs)和DSM(图1c)。通过DSM可以提取现场土壤高程，通过土壤点之间的地表高程插值得到现场DEM。最后，用DSM减去DEM计算CSM。在高光谱图像拼接过程中生成DOM的方法与使用Agisoft PhotoScan生成数字图像的方法相同。经过图像处理后，获得了三个阶段的冬小麦DC-based CSM和hyper-DOM。使用ENVI感兴趣区域(ROI)工具提取48个样地的冠层光谱(图1b)。
4.研究方法
（1）基于无人机的VGC-AGB模型
垂直生长的作物结构如图2所示。垂直生长的作物的生物量主要分为两部分:(i)叶片和(ii)垂直生长的茎、小麦穗或玉米穗子：
其中AGB (g/m2)为作物总生物量；AGBl (g/m2)为所有作物叶片干生物量；AGBv (g/m2)是垂直生长器官(如茎、小麦穗或玉米穗子)的干生物量。
图2 垂直生长的作物结构
为了使该模型更加实用，我们引入了三个参数：叶面积指数LAI、作物茎和生殖器官平均干物质密度和平均作物茎和生殖器官横截面积(包括植物茎、小麦穗或玉米穗子)。经过计算可得到最终的AGB表示：
其中Cm为叶片干物质含量，Cd为作物密度，Ch为作物平均高度，Csm为作物茎和生殖器官的平均干物质含量。LAI、Cd和Ch是由现场测量得到，Cm和Csm可根据现场测量结果计算如下:
基于数据集和输入参数组合实现了9种策略(表2)。
表2 九种VGC-AGB验证策略
（2）用于作物性状定位的MIMO-ANN
本研究使用多输入多输出人工神经网络(MIMO-ANN)，从DC-based CSM和hyper-DOM建立作物性状估计模型。图3显示了MIMO-ANN的流程图示意图。
图3 MIMO-ANN
MIMO-ANN的训练和测试过程主要包括三个步骤：
①使用map-minmax函数对作物参数(LAI、Cm、Ch和Csm)进行归一化到-1到1，主要原因是LAI、Cm、Ch和Csm有不同的范围和物理意义。
②MIMO-ANN以基于无人机的作物冠层光谱反射率(SR)、SIs和Csm为输入，以归一化LAI、Cm、Ch和Csm为目标进行训练。
③MIMO-ANN的输出，即估计的归一化作物经过反归一化转为实际值。
④步骤(2)和(3)重复30次，记录平均LAI、Cm、Ch和Csm。
表3显示了用于作物参数估计的冠层光谱反射率(SR)和SIs。
表3 作物参数估算的遥感SR和SIs
除VGC-AGB模型外，我们还使用传统的线性和指数方程LAE来估计AGB(见表4)。这两类方程的输入变量是单一和多种形式的SR+SIs+CSMs，如表3所示。在本研究中测试了所有可能的组合，并选择了准确度最高的方程。
表4 传统的线性和指数(LAE)方程
图4显示了VGC-AGB和LAE模型的性能验证流程图，主要包括四个主要步骤：
数据收集。收集了田间LAI、Cm、Cd、Ch、Csm、AGBl、AGBv和总AGB。所有的样品被分为两个子数据集。验证数据集包括1/3的样本(冬小麦：48；夏玉米：80)，其余2/3的样本(冬小麦：96；夏玉米：159)被用来校准模型。
②基于现场的VGC-AGB验证。我们根据校准数据集估计了VGC-AGB的Csm和Cm，然后用验证数据集测试了四种VGC-AGB-F策略。
③基于UAV的VGC-AGB验证。校准了MIMO-ANN，它使用SRs+SIs+CSMs作为输入，LAI、Cm、Ch和Csm作为输出。然后，使用验证数据集测试了VGC-AGB-Map和VGC-AGB-RS策略。
④AGB绘图和性能比较。测试了基于无人机的VGC-AGB模型在野外AGB测量和视觉评估上的AGB制图性能。
图4 不同方法的性能比较的流程图
5.研究结果
（1）VGC-AGB如何模拟作物AGB?
图5(a)-(b)显示了三个阶段的AGBl vs LAI，以及AGBv vs AGBl，可以发现：
(a)AGBl与LAI呈线性相关，LAI和AGBl之间的相关系数r为0.92(图5a)，表明LAI对AGBl的增加贡献最大。
(b)在S1-S3期间，AGBl显示出很小的变化，而AGBv在S1-S3期间持续增加。
图5c-f显示了三个阶段的AGBv与Ch、Cd和Csm的关系，可以发现：
(a)在估计作物AGB时，Ch×Cd×Csm(图5f，r=0.98)比单一和综合使用Ch和Cd(图5c-e)更好。
(b)Csm有助于了解小麦AGBv如何随作物生长而增加。S1、S2、S3和S1-S3的AGBv与Ch×Cd×Csm之间的r值分别为0.79、0.82、0.92和0.98(图5f)，明显高于Cd、Ch和Ch×Cd。
图5 冬小麦AGB在三个阶段均呈上升趋势
（2）使用现场测量的AGB估计性能
表5列出了VGC-AGB-F策略的参数(Cm和Csm)。S1-S3的Csm持续增加(表5)，证实准确的AGBv估计对作物AGB估计至关重要。
图6显示了四种VGC-AGB-F策略的估计AGB与测量AGB的对比。(a)VGC-AGB-F1和(b)VGC-AGB-F2策略的AGB估计准确率相似。(c)VGC-AGB-F3和(d)VGC-AGB-F4策略的AGB估计准确率明显低于VGC-AGB-F1和VGC-AGB-F2。四种VGC-AGB-F策略对玉米AGB估计的准确度(图7)与小麦样品的验证结果相似。
表5 VGC-AGB-F策略参数
图6 测定和估算冬小麦AGB：(a) VGC-AGB-F1. (b) VGC-AGB-F2. (c) VGC-AGB-F3. (d) VGC-AGB-F4.
图7 测定和估算夏玉米AGB：(a) VGC-AGB-F1. (b) VGC-AGB-F2. (c) VGC-AGB-F3. (d) VGC-AGB-F4.
（3）基于遥感的AGB估算性能
图 8 显示了基于 CSMs 和现场测量的作物高度。基于CSMs的早期阶段的作物高度小于Ch，约为0.2米。我们推测，基于CSMs的作物高度和田间测量的作物高度之间的差距源于不同的测量方法。
图8 从田间测量和CSM得到的冬小麦高度
图9显示了来自MIMO-ANN的LAI、Ch、Cm和Csm估计的性能。从MIMO-ANN估计的Cm的R2(0.02-0.47)比较低，主要是因为小麦Cm在三个阶段是相似的。两个高LAI样本(图9红色矩形)限制了基于MIMO-ANN的LAI估计的性能。Ch和Csm从MIMO-ANN中得到了很好的估计，R2从0.89到0.97不等。
图9 冬小麦LAI, Ch, Cm和Csm的测量和估算
图10显示了来自VGC-AGB-Map和四个VGC-AGB-RS策略的AGB估计值。我们的结果表明，来自VGC-AGB-Map、VGC-AGB-RS1和VGC-AGB-RS2策略的AGB估计值相似(RMSE范围为68.82至75.15 g/m2，R2范围为0.92至0.93)。VGC-AGB-RS3和VGCAGB-RS4策略的AGB估计值相似(RMSE范围为163.52至165.25 g/m2，R2范围为0.72至0.73)。基于LAE的最佳AGB估计的准确性低于VGC-AGB-Map、VGCAGB-RS1和VGC-AGB-RS2。
图10 采用不同的VGC-AGB策略和最佳LAE对冬小麦AGB (g/m2)进行了测定和估算
（4）基于无人机VGC-AGB的AGB制图
我们使用VGC-AGB-Map和四个VGC-AGB-RS策略绘制了作物的AGB图。图11显示了植物组1在三个阶段的AGB图。表6列出了植物组1在三个阶段的实地测量的AGB。总的来说，图11中的AGB图表明：①Csm-IN策略的AGB图是相似的。②基于Csm-UN的S3阶段的AGB估计值明显低于基于Csm-IN的AGB估计值和VGC-AGB图。Csm-UN策略低估了高AGB，高估了低AGB。
图11 AGB图（植物组1的三个阶段）。(a) VGC-AGB-Map策略；(b)-(e)四个VGC-AGB-RS策略。注：380>AGB (绿色），740>AGB>380(黄色)，AGB>740(红色)。
图12显示了VGC-AGB-map和VGC-AGB-RS策略中垂直生长作物的AGB贡献。总体而言，VGC-AGB-RS3和VGC-AGB-RS4策略分别高估和低估了S1和S3的AGBv与AGBl的比例。VGC-AGB-Map、VGC-AGB-RS1和VGC-AGB-RS2策略提供了准确的RVL估计。我们的结果表明，五种策略的AGBl估计误差是相似的(图12d-f)。VGC-AGB-Map、VGCAGB-RS1和VGC-AGB-RS2策略可以提供高性能的AGBv估计。因此，新定义的Csm对AGBv估计至关重要。
图12 (a)-(c)AGBv与AGBl的比率。(d)-(f) AGBl估计误差。(g)-(i) AGBv的估计误差
6.研究结论
在本研究中，利用冬小麦和夏玉米三个生育期的野外和无人机高光谱遥感数据对所提出的VGC-AGB进行了验证。本研究得出以下结论：
(i) 基于无人机的VGC-AGB使用Csm来描述作物茎和生殖器官的平均干质量含量，从而改善了AGBv的估计(AGBv = Cd × Ch × Csm)。Csm会随大多数光合产物从中期到晚期转移到茎和生殖器官而增加。基于无人机的VGC-AGB使用Cm来描述作物叶片的平均干质量含量，改善了AGBl的估计(AGBl = LAI × Cm)。
(ii) 基于无人机的VGC-AGB支持高性能的现场和基于无人机的遥感AGB测量。我们测试了基于无人机的VGC-AGB模型的AGB制图性能，结果表明基于无人机的VGC-AGB(R2=0.92-0.93，RMSE=68.82-75.15 g/m2，见图10)优于传统统计回归模型(R2=0.77，RMSE=134.94 g/m2，见图10)。
7.文章引用格式
Yue, J., Yang, H., Yang, G., Fu, Y., Wang, H. & Zhou, C. (2023). Estimating vertically growing crop above-ground biomass based on UAV remote sensing. Computers and Electronics in Agriculture, 205, 107627. DOI: https://doi.org/10.1016/j.compag.2023.107627
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
