基于无人机多视角近红外影像的小麦氮素营养指标监测


发布时间:

2022-08-02

来源:

本站

作者:

PhenoTrait

  南京农业大学国家信息农业工程技术中心在Precision Agriculture期刊发表了利用无人机多视角近红外影像提高冬小麦氮素营养估测精度的论文。该研究利用无人机近红外相机(Color infrared, CIR)获取的高重叠影像,挖掘高重叠影像衍生的多视角信息,比较分析了两种单视角影像(单景影像、拼接正射影像)与多视角影像提取的植被指数,在叶片氮含量(LNC)、植株氮含量(PNC)、叶片氮积累量(LNA)和植株氮积累量(PNA)4个氮素营养指标的估测效果,发现利用单景影像获取的植被指数估算氮素营养参数时表现最差,使用拼接正射和多视角影像都可提高氮素营养参数的估算精度,利用多视角影像估算LNC和PNC的精度最高(LNC: R2 = 0.61, RMSE = 0.37 %; PNC: R2 = 0.52, RMSE = 0.24 %)。该研究创建了基于无人机高重叠影像的多视角信息提取方法,明确了无人机多视角影像相对于单视角影像在小麦氮素营养指标估算中的优势,为挖掘无人机影像衍生信息、提高作物生长参数估算精度提供了新思路。植物表型资讯介绍如下。

 

  氮素(N)是影响农作物生长和产量的主要因素之一。氮素营养的亏缺通常会造成作物产量低、品质差等问题。然而,过量施用氮肥不仅会增加种植成本,还会导致环境污染,影响人类健康与气候变化等问题。快速、准确、无损的氮素营养状况评价,不仅有利于作物生产中的施肥策略优化,而且还有利于作物生产力的提高。无人机作为一种新型的遥感监测平台,因其低成本、易操作性,可灵活获取高时间、高空间分辨率反映作物生长状况的数据,已广泛应用于氮素营养监测研究。然而,当前研究多使用无人机获取的高重叠影像直接拼接形成正射影像,如何提取其内在的多视角信息尚不清楚,很少有学者考虑利用这种多视角信息提高作物氮素营养参数的估算精度。因此,本研究利用无人机近红外相机(Color infrared, CIR)获取的高重叠影像(图1),解析了无人机高重叠多视角影像获取原理(图2),由于每个小区存在不同数量的多视角观测影像(多视角影像完全覆盖该小区即为有效观测),提出了基于有效观测值分位数的多视角信息提取方法(图3)。然后评价了两种单视角(单景影像、拼接正射影像)与多视角影像提取的植被指数,输入三种机器学习算法(支持向量回归,SVR;极限学习机,ELM;随机森林,RF)估算叶片氮含量(Leaf nitrogen concentration, LNC)、植株氮含量(Plant nitrogen concentration, PNC)、叶片氮积累量(Leaf nitrogen accumulation, LNA)和植株氮积累量(Plant nitrogen accumulation , PNA)等4个氮素营养指标的性能。

 

  图1无人机单视角与多视角影像光谱信息提取流程示意图(A:单景影像;B:拼接正射影像;C:多视角影像)

 

  图2 无人机高重叠影像多视角信息提取原理图

 

  图3 基于分位数的多视角影像信息提取流程(F:基于有效观测值分位数的多视角信息提取,即首先计算同一小区在每幅有效多视角影像的平均反射率,然后统计对应同一小区的多视角影像数量,最后提取25%、50%、75%等分位数反射率计算该小区的最终植被指数值)。

 

  研究结果表明:单景影像获取的植被指数估算氮素营养参数表现更差,而拼接正射影像和多视角影像的使用均可提高氮素营养参数的估算精度,高重叠多视角影像估算LNC和PNC的精度最高(LNC: R2 = 0.61, RMSE = 0.37 %; PNC: R2 = 0.52, RMSE = 0.24 %)。然而,针对多视角影像而言,利用ELM和RF并没有实质性提高LNA和PNA的估算精度,而使用SVR则可以显著提高四个氮素营养参数的估算精度,表明SVR在小样本中表现最佳。研究结果表明,在不增加成本条件下基于无人机高重叠影像获取的多视角信息,在提高作物生长参数估算能力方面有较大潜力,将来可进一步探索多视角影像的纹理信息及其对其它参数估算的影响。

 

  图4 基于单视角与多视角影像获取的植被指数估测与实测LNC的1:1图(顶行:单景影像;中间行:拼接正射影像;底行:多视角影像;左列:SVR;中间列:ELM;右列:RF)

 

  图5 基于单视角与多视角影像获取的植被指数估测与实测PNC的1:1图(顶行:单景影像;中间行:拼接正射影像;底行:多视角影像;左列:SVR;中间列:ELM;右列:RF)

 

  该研究首次提出了基于有效观测值分位数的无人机高重叠影像多视角信息提取方法,明确了多视角影像相较单视角影像的优越性,为提高无人机影像利用率、拓展无人机影像多源信息融合方法及其在作物生长监测中的应用提供了新思路。

 

  作者介绍:南京农业大学国家信息农业工程技术中心已毕业博士鲁宁(现工作单位为西南林业大学)为本文第一作者,程涛教授为通讯作者。南京农业大学在读博士生吴亚鹏、青年教师郑恒彪、姚霞教授、朱艳教授、曹卫星教授等参与了这项研究工作。该研究得到了国家重点研发计划、国家自然科学基金创新研究群体等项目,以及现代作物生产省部共建协同创新中心科研平台的资助。

 

    来源:Lu, N., Wu, Y., Zheng, H., Yao, X., Zhu, Y., Cao, W., & Cheng, T. (2022). An assessment of multi-view spectral information from UAV-based color-infrared images for improved estimation of nitrogen nutrition status in winter wheat. Precision Agriculture10.1007/s11119-022-09901-7

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。