第 卷第 4 期 ＲEM OTE SENSING FOＲ LAND ＲESOUＲCES 00 年 1 月 Vol No 4 Dec 00 doi: 10 6046 / gtzyyg 00 04 16 00 ( 4) : 111 119 引用格式: 王伟王新盛姚婵等 J ( Wang WWang X SYao Cet al Estimation of wheat planting density using UAV image J Ｒemote Sensing for Land and Ｒe00 ( 4) : 111 119 ) sources 王 伟 王新盛 姚 婵 金 添 邬佳昱 苏 伟 ( 1 中农业大学地科学与技术学院北京 10008; 农业 农村部农业灾害重点实验室北京 10008) 摘要: 小麦是密植型作物每亩地的播种量近 0 kg冬小麦植株密度的高低会直接影响最终产量因此实时监测 小麦植株密度是保证小麦产量的重要途径 目前获取小麦植株密度的主要方式是以人工测量为主费时 费力 本文利用大疆悟 无人机( unmanned aerial vehicleuav) 搭载禅思 X4S 相机分架次获取小麦种植区的高分辨率可 见光影像基于无人机影像提取小麦覆盖度并建立小麦覆盖度与植株密度之间的关系从而实现基于 UAV 影像 的小麦植株密度的快速获取 实验表明: ①利用改进的 HSI 颜色模型提取小麦覆盖度比传统目视估测 人工计数 等分类方法提高了提取精度及效率克服了不同架次无人机影像的光照条件差异以及阴影的影响; ②苗期 越冬期 和返青期小麦覆盖度与植株密度之间都具有较高的相关性其中基于无人机影像提取的覆盖度与小麦植株密度 0 898 1 和 0 897 6 利用牛腾雨村样本对关系模型的验证结果显示 的相关系数 Ｒ 在 个生育期分别为 0 77 9 基于所建立的关系模型的反演结果与实测值之间也具有较好的相关性Ｒ 达到了 0 919 8 关键词: 小麦; 无人机影像; 覆盖度; 植株密度; HSI 颜色模型; Hough 变换 中图法分类号: TP 79 文献标志码: A 文章编号: 1001 070X( 00) 04 0111 09 东省 河南省等地区冬季气温都在 0 以下实验人 0 引言 员需要在大田中连续工作四五个小时才能完成一个 实验田的统计工作 因此 迫切需要寻找一种能够实 我是世界上最大的小麦生产 小麦产量占全 粮食总产量的 % 0% 1 保证小麦的稳产 高 产具有重要的社会意义 在实际生产中冬小麦的 种植密 度 是 否 合 理与 冬 小 麦 产 量 的 高 低 息 息 相 关 小麦的植株密度对小麦产量影响分为 个方 时 快速 无损的估算小麦植株密度的方法 从而减少 劳动量 并提高效率 小麦的植株密度与小麦的覆盖度密切相关 植 被覆盖度一直是农学家 生态学家特别关心的一个 5 参数 卫星是快速获取大范围内农作物信 当小麦密度过高会降低养分的有效性加剧植物 面 4 种内竞争进一步影响生长发育降低产量 ; 另一 息的有效技术手段是作物覆盖度估算的理想数据 6 但相较于无人机影像来说卫星影像的空间 方面 当小麦植株密度过低稀疏的种植密度虽然可 以保证个体植物的充分发育但是由于小麦株数有 分辨率较低比较适用于大面积均一的作物覆盖度 估算对于我多数地区地块零散的情况来说精度 限 同样不能保证产量的提高 目前对小麦植株密度 的获取还主要以人工实地测量为主选定一定长度的 7 10 具有高 不够 无人机可以获得 cm 级的影像 效 高空间分辨率 低成本 低风险 机动灵活等特 小麦垄( 通常为 0 5 1 m) 依靠人工统计的方式测 定小麦株数 然后统计整片区域小麦的平均垄间距 点在农作物分类 表型信息提取 农业灾害监测 农 11 1 艺参数提取等领域 逐渐得到应用 许多研究 通过局部反映整体的思想推算单位面积 ( 一般为 1 亩 即约 666 67 m ) 内小麦幼苗株数 这种方法费 表 明图 像 分 析 技 术 可 以 用 来 估 测 小 麦 的 覆 盖 1 18 李冰等 19 基于低空无人机实现了对 度 时 费力 且作业环境恶劣 比如 在小麦主产区的山 冬小麦覆盖度变化的长时间监测; 牛亚晓等 0 使 收稿日期: 019 11 18; 修订日期: 00 05 0 基金项目: 家自然科学基金项目 联合时序影像和地基激光雷达的玉米生长过程监测方法研究 ( 编号: 416714) 和家重点 研发计划项目 粮食丰产增效科技创新 ( 编号: 017YFD00090) 共同助 第一作者: 王 伟( 1987 ) 男硕士研究生主要从事农业应用研究 Email: wangwei007@ cau edu cn 通信作者: 苏 伟( 1979 ) 女教授博士生导师主要从事农业应用研究 Email: suwei@ cau edu cn
11 00 年 用无人机多光谱采集系统实现了冬小麦覆盖度 的提取 当前使用比较广泛的无人机提取覆盖度方 算法 能够有效降低误检率 提高分割精度 式是通过植被指数方法多采用多光谱影像数据增 加了影像获取的条件限制及难度 因此本研究探索 1 基于无人机 ＲGB 影像的小麦植株密度估算方法目 的是寻找一种适合无人机 ＲGB 影像的快速提取小 1 1 麦植株密度的方法 由于 ＲGB 影像各波段之间的相关性在对 ＲGB 影像进行处理时容易造成图像失真现象而 HSI 颜色 模型因其色调分量 饱和度分量和亮度分量之间相互 独立性 经常将 ＲGB 颜色模型转换为 HSI 颜色模型 1 方便后期处理 宋瑞霞等 在处理雾天的图像时将 ＲGB 图像模型转为 HSI 颜色模型从而解决了传统 去雾技术对图像信息保留不完整 清晰度不高的问 题; 茅正冲等 利用 HSI 颜色模型的玉米雄穗识别 10 量约 10 kg 研究区位于山东省滨州市阳信 县商店镇大韩村和牛腾雨村 ( 图 1) 利用大韩村的 地面实测小麦植株密度数据结合基于无人机影像 提取的植被覆盖度数据建立研究区内的小麦植株 密度估算模型并利用牛腾雨村的地面实测数据进 行估算模型的精度验证 研究区内小麦播种日期为 017 年 10 月 1 0 日之间全部采用机械播种方 式行间距约为 16 cm ( b) 无人机影像( 局部) 图1 1 研究区概况 山东省位于黄淮冬麦区北片小麦面积和总产 6 量皆居全第 位年播种面积约 4 10 hm 总产 ( a) 研究区位置 Fig 1 研究区概况与数据 研究区及无人机影像( 局部) Study area and zoomed UAV image 无人机影像获取 站软件 11 月 1 日实验飞行高度为 50 m但是在后 期处理中发现影像空间分辨率较低因此之后实验 无人机 影 像 采 集 时 间 为 017 年 11 月 1 日 017 年 1 月 1 日和 018 年 月 1 日分别对应 小麦苗期 越冬期和返青期 11 月 1 日和 1 月 1 中飞行高度调整为 0 m航向重叠以及旁向重叠为 80% 日小麦处于 5 叶期比较适合小麦的缺苗补种 月 1 日为小麦返青期既可以对小麦在越冬期的冻 无人机影像获取时间及飞行参数如表 1 所示 无人机影像拼接采用 Pix4Dmapper 软件分架次进 死情况进行比较也可以对小麦的最终产量进行估 测 无人机高分辨率影像采集设备为大疆悟 无人 行拼接操作拼接完成后输出数字正射影像 根据 每个实验田的 GPS 定位信息对拼接后的影像进行 000 万像素相机校准 机搭载禅思 X4S 云台相机 及无人机航线规划采用 IPAD 端的 DJI GS pro 地面 裁剪裁剪出定位点对应的地块用于对研究区影像 进行二值化处理提取小麦覆盖度 表1 Tab 1 获取时间 017 年 11 月 1 日 017 年 1 月 1 日 018 年 月 1 日 1 生育期 苗期 越冬期 返青期 高度 / m 50 0 0 无人机影像获取时间及飞行参数 Time and flight parameters for UAV image acquisition 速度 / ( m s 1 ) 5 拍照间隔 / s 1 5 1 1 地面实测数据获取 地面实测数据采集与无人机影像获取同步进 行 首先在每块实验田内均匀选取 6 个实验点选取 原则为实验田的 4 个角及中部区域均匀分布 每个 影像分辨率 / cm 飞行架次 / 架次 1 4 0 5 16 0 5 1 采样点数 / 个 17( 大韩村) 0( 大韩村) 7( 牛腾雨村) 17( 大韩村) 实验点取长度为 0 5 m 的单垄小麦采用人工计数 方式统计每个实验点小麦的苗数图 为利用数码 相机从小麦冠层正上方拍摄的不同覆盖度的照片 分别代表 个时期同一地块的小麦苗数与覆盖度随
第4 期 王 伟等: 11 时间的变化情况 然后利用传统方法根据每块实 验田的平均垄间距计算出整块实验田的小麦株数 分定位以便将采样地块与无人机影像一一对应差 分服务采用千寻位置 cm 级差分服务 ( www qxwz 采样的同时使用 GPS 移动站对每个实验田进行差 com) ( a) 11 月 1 日( 覆盖度: 0 07) Fig ( c) 月 1 日( 覆盖度: 0 67) 图 地面样方实测 In situ taken picture of wheat plants 研究方法 度并建立覆盖度与植株密度之间的关系模型从而 估算整个研究区内的小麦植株密度并计算缺苗率 基于预处理后的无人机影像计算小麦植株覆盖 给出补种建议具体流程如图 所示 图 Fig 1 ( b) 1 月 1 日( 覆盖度: 0 7) 基于无人机影像的小麦植株密度估算及缺苗率建议流程 Workflow for estimating wheat plant density and seedling deficiency rate using UAV image 由于小麦覆盖度与小麦植株密度之间存在相关 关系利用提取小麦覆盖度的方法近似估算小麦植 见光影像基于 ＲGB 模型将红光波段 绿光波 段和蓝光波段 波段按真彩色模式表达彩色信息 能够真实再现地物颜色但红光波段 绿光波段和蓝 株密度 本研究中小麦覆盖度通过计算成像视场中 小麦植株像素与裸地像素的比值来实现 提取小麦 覆盖度的关键在于能否准确区分小麦和裸地因此 无人机影像二值化的准确度尤为重要 常用的颜色 模型有 类: 一类是面向硬件设备的颜色模型如 彩色显示器使用的 ＲGB 模型和彩色打印机使用的 光波段的波谱信息具有较强的相关性不利于影像 的颜色分类 HSI 彩色模型中的 个特征不具有相 关性色度表示颜色的种类饱和度表示颜色的鲜艳 程度亮度表示颜色的明暗程度 其中亮度与物体 反射率成正比与影像的彩色信息无关 由于无人 机影像的获取时间不同晴天和阴天的不同架次无 CMYK 模型; 另一类是面向视觉知的颜色模型 如 HSI 模型 ＲGB 模型的颜色影像用 ＲGB 这 个波段表示以不同强度红 绿 蓝通道的光混合产 人机影像之间存在较大的亮度差异 而 HSI 颜色模 型中亮度对色调的影响不大因此选择采用 HSI 颜 基于无人机影像的小麦覆盖度提取方法 色模型适合于对不同时间获取的无人机影像进行作 物识别 HSI 色彩空间和 ＲGB 色彩空间之间的转 生不同的彩色; HSI 模型的彩色影像以色度 饱和 度和亮度 个特征表达不同的彩色信息 无人机可 换公式为: ( Ｒ G) + ( Ｒ B) arccos 槡( Ｒ G) + ( Ｒ B) ( G B ) H = ( Ｒ G) + ( Ｒ B) π arccos 槡( Ｒ G) + ( Ｒ B) ( G B ) { [ ] [ B G ] B G ( 1)
114 min( ＲGB) ( ) ( Ｒ + G + B) S = 1 I = ( Ｒ + G + B) / ( ) 式中: ＲGB 分别表示 ＲGB 彩色模型中红光 绿 光 蓝光波段转换前需要将 ＲGB 的值归一化到 0 1 范围内; HSI 分别表示 HSI 彩色模型中的 色度 饱和度 亮度 个分量 在 HSI 颜色模型中 55 0) 所对应的 H = 10 S = 1 但是在 纯绿色( 0 无人机影像中 由于受到影像获取时光线 小麦品种 以及生长状态的差异影响小麦植株的颜色未必是 00 年 样 00 个小麦像素统计 H 和 S 分量的分布范围 统 计结果表明无人机影像 中 小 麦 的 H 分 量 范 围 为 85 00 之间S 分量的取值范围为 S 0 177 I 分量对色调的影响不大因此对 I 分量不做限制 基于 HSI 模型的二值化运算公式为: P( xy) = 85 H 00 且 S 0 177 ( 4) {01 其他 式中 P( xy) 表示二值化后的像素值 由于 HSI 颜 色模型的分类方法仅是基于色度和饱和度对小麦和 裸地进行区分因而对阴影区域不太敏 所以本 纯绿色所以需要对 H 在一定范围内进行提取一 般为黄色和青色之间 另外饱和度 S 越大所表示 研究采用改进的 HSI 颜色模型进行样本分类即将 的颜色就越接近纯色而饱和度越小所表示的颜色 越接近纯灰色 因此S 也需要在一定的范围内进 Ｒ B然后利用超绿特征对阴影的敏特性有效去 行提取 为了准确地将植被与裸地区分开来本研 究首先在 HSI 影像上对小麦像素进行取样随机取 化运算公式分别为: P ( xy ) = {01 HSI 模型中不参与计算的 I 分量换为超绿特征 G 除阴影区域 改进 HSI 颜色模型的转换公式及二值 I' = G Ｒ B 85 H 00 且 S 0 177 且 I' m 其他 ( 5) ( 6) 式中 m 为超绿特征 I' 分量的均值 基于地面测量的小麦植株密度估算 对于每一个特征点 ( xy) 从 θ = 90 开始以 0 1 小麦植株密度的估算是根据地面实测数据与样 本苗长度和平均垄间距粗略计算得出即 θ) 表示出来则所有特征点都对应极坐标系中的一 N = 666 667 n 0 5K 为间隔至 θ = 90 将通过该点的所有直线用数组 ( ρ ( 7) 条正弦曲线 然后使用累加器统计所有数组 ( ρ θ) 出现的次数出现的次数越多则说明该直线存在 的可能性越大 Hough 变换的公式为: 式中: N 表示小麦植株密度即单位面积的小麦苗 数; n 表示 0 5 m 样方的小麦平均苗数; K 为小麦 平均垄间距 在仅靠实地样本苗数的情况下这种 方法可以粗略估算小麦株数密度但是没法消除小 1 麦缺苗带来的误差 实验过程中在 11 月 1 日 月 1 日 次实验时小麦存在较大的缺苗情况如 果无法消除缺苗带来的误差则必然会影响估算模 型的准确性 因此对于小麦缺苗比较明显的田块 本研究通过将无人机影像与地面实测数据结合估算 出较为准确的小麦植株密度具体方法是通过影像 处理方法去除小麦每一垄中缺苗的长度 小麦作为 行播作物为了实现出苗长度提取需要在无人机影 像上识别出小麦植株行Hough 变换是最常用的直 4 线识别方法之一 基于 Hough 变换的直线检 ρ = xcosθ + ysinθ ( 8) 式中: ρ 表示直线距离原点的垂直距离; θ 表示 ρ 与 x 轴的夹角 由于小麦垄线并非完全水平 ( 图 4 ( a) ) 因此 首先采用 Hough 变换方法求得小麦垄线所对应的 角度 θ = 88 1 校正后的影像中小麦垄线水平 如图 4( b) ; 然后根据地块平均垄间距对影像进 行垄分割提取出每一垄 ( 图 4 ( c) ) ; 其次对每一 垄垂直方向的所有像素值求和如图 4 ( d) 从图中 可以看出和为 0 的位置即为缺苗位置采用这种方 法将缺 苗 长 度 去 除 最 后根 据 地 面 人 工 测 量 的 0 5 m 长度的小麦苗数均值计算整个样本区域的小 麦植株密度即 n 测原理是直角坐标系中的所有直线都可以用极坐标 系下的距离和角度来表示将影像空间中的直线变 N = 换到参数空间中则同一条直线上所有点对应的极 n Li i = 0 0 5 A ( 9) 坐标下数组( ρθ) 完全相同因此可以根据数组 ( ρ 式中: L i 为小麦第 i 垄中出苗的长度; A 为实验田的 θ) 出现概率的大小将直线表示出来 具体方法是 总面积
第4 期 王 伟等: ( a) 原图 ( b) 利用 Hough 变换旋转后的图像 ( c) 对旋转后图像二值化运算结果 ( d) 基于垄提取结果计算像素和为 0 的图像长度 图4 Fig 4 115 基于无人机影像结合地面实测数据的小麦植株密度估算过程 Process of wheat plant density estimation based on UAV images and field data 小麦缺苗率计算 缺苗率可用于定量评价缺苗的状况后期小麦 基于改进的 HSI 颜色模型提取的小麦覆盖度 与小麦植株密度的关系 种植管理中可根据缺苗率的大小决定是否需要补 种 鉴于小麦作为行播作物本研究中将缺苗长度 针对部分样本缺苗严重的情况采用基于无人 机影像 的 估 算 方 法 去 除 缺 苗 长 度 传 统 方 法 ( 式 与垄总长度的比值作为小麦的缺苗率计算公式为: l V = ( 10) 100% L ( 7) ) 是通过计算平均垄间距从而计算单位面积小 麦的苗数而本文方法 ( 式 ( 9) ) 是以统计样本区域 式中: l 为缺苗长度; L 为垄总长度; V 为缺苗率 小麦出苗长度为依据 为了比较 种方法的准确 性对 次实验中缺苗严重的样本分别采用这 种 估算结果与分析 方法计算小麦植株密度其中 次实验样本中明显 8 个和 个分别占总样 缺苗的样本数分别为 6 个 1 基于覆盖度的小麦苗数估算的可行性评价 基于 44 个地块的 64 个地面样本的照片利用 图像处理方法计算样本平均覆盖度并与实测小麦 平均苗数之间进行回归分析以评价基于覆盖度估 本数的 46% 5% 和 15% 对比结果如图 6 所示 图 6( a) ( c) 是利用传统方法计算平均垄间距得到 1 月 1 日和 月 1 日植株密度与覆 的 11 月 1 日 盖度之间的相关关系图 6 ( d) ( f) 是基于本文方 算苗数的可行性分析结果如图 5 所示 从图 5 中 法 Hough 变换后的无人机影像去除缺苗长度后的 植株密度与 覆 盖 度 之 间 的 相 关 关 系 图 6 ( a) 表 可以看出采样样本的覆盖度与平均苗数之间存在较 高的相关关系Ｒ 达到了 0 815 7这说明了利用小 明 : 在 11 月 1 日 小麦覆盖度与小麦植株密度之 麦覆盖度估算小麦植株密度的可行性 间 的 相 关 性 很 低 Ｒ 为 0 48 8这 时 小 麦 刚 刚 出 苗 还处在 分 蘖 期 尚 未 形 成 簇 覆 盖 度 基 本 都 在 0 1 以下 且由于该次无人机影像获取时飞行高 度为 50 m分辨率较低 这在一定程度上影响了小 麦覆盖度提 取 的 精 度 此 外 该 次 实 验 采 样 较 少 也 是影响实验结果的一个重要因素 但是对比图 6 ( d) 的结果可以看出 经过本文方法去除缺苗长度 后计算的小麦苗数与小麦覆盖度之间的相关性明 显提高 Ｒ 达到了 0 77 9这既说明了小麦覆盖 度与小麦苗 数 之 间 具 有 较 强 的 相 关 性 完 全 可 以 利用覆盖度推算小麦的植株密度情况 ; 也说明在 图5 Fig 5 小麦覆盖度与地面实测苗数的相关关系 Correlation between the computed vegetation coverage and the measured plants 前期小麦缺苗较为严重的情况下仅仅使用计算平 均垄间距计 算 的 小 麦 苗 数 存 在 较 大 的 误 差 并 不 能准确反映小麦真实的植株密度状况
116 00 年 ( a) 11 月 1 日传统方法 ( b) 1 月 1 日传统方法 ( c) 月 1 日传统方法 ( d) 11 月 1 日本文方法 ( e) 1 月 1 日本文方法 ( f) 月 1 日本文方法 图6 Fig 6 基于平均垄间距和基于无人机影像估算缺苗的小麦覆盖度与植株密度的相关关系 Correlation between wheat coverage and planting density using average ridge spacing and UAV image 从 1 月 1 日 ( 图 6 ( b) 和 ( e) ) 和 月 1 日 ( 图 6( c) 和( f) ) 实验结果可以看出小麦覆盖度与小 麦植株密度具有较高的相关性相关系数 Ｒ 分别为 0 807 0 898 1 和 0 89 0 897 6 这 次的实 验时间为小麦越冬期和返青期越冬期到返青期这 段时期内的小麦生长缓慢植株变化不大 由于在 这 次实验时小麦的缺苗状况明显减少所以这 次实验使用 种不同方法 ( 式 ( 7) 和式 ( 9) ) 得到的 实验结果相差不大 次实验小麦的覆盖度最大值 分别约为 0 0 6 和 0 8覆盖度随着小麦的生长 增长明显且越冬期前后覆盖度增速减缓越冬期小 麦生长基本处于停滞状态但是由于受小麦播种时 月 1 日和 1 月 1 日 次实验中平均叶片数小于等 于 的样本概率分别为 94% 和 5% 因此可以认为 11 月下旬到 1 月中旬是统计小麦株数密度评价冬 小麦长势并补种缺苗的最佳时期 对比 1 月 1 日 和 月 1 日越冬期前后 次小麦的植株密度变化 植株密度并没有太大的变化可以认为该区域的小 麦并未遭受冻害侵袭因此基于无人机提取的小麦 覆盖度也可以作为冬小麦冻害程度分析的依据 小麦植株密度提取精度验证 为了验证植株密度估算的准确性基于 1 月 1 日的地面实测数据进行了密度提取的精度评价 评价结果如图 7 所示 间的影响部分播种较晚的小麦在春季气温升高以 后会继续分蘖因而小麦覆盖度和植株密度会在越 冬期后继续增大 从图 6 ( f) 中相关性曲线的斜率 明显低于图 6( e) 也可以看出随着小麦的生长相 同覆盖度所对应的小麦植株密度减少 次实验相 关关系所对应的均方根误差( root mean square error ＲMSE) 分 别 为 1 55 万 株 / 亩6 75 万 株 / 亩 和 6 149 万株 / 亩 随着小麦苗数的增大ＲMSE 值逐 渐增大但误差都在实际应用的可接受范围之内达 到了农业应用要求 对比图 6( d) ( f) 可以看出在整个小麦生长 的前中期小麦覆盖度与小麦的植株密度之间都有 图7 Fig 7 小麦植株密度提取精度验证结果 Accuracy of estimated wheat planting density with in situ measured density 很强的相关关系均可以通过无人机影像来估算小 麦的植株密度 由于小麦的补种需要在小麦 5 叶期 由于牛腾雨村的部分小麦播种日期较晚与播 种最早的样本之间相差 15 d 左右因此样本的小麦 之前完成通过对样本的平均叶片数进行统计11 植株密度较多集中在 0 40 万株 / 亩为保证验证
第4 期 王 伟等: 117 的准确性采样时选择了部分长势较好密度较高的 样本进行采样 从图 7 中可以看出基于关系模型估 为该地块存在缺苗问题 然而并非所有缺苗的地方 都需要补种有研究表明当缺失苗率大于 0% 时 算的小麦植株密度与实测植株密度之间存在较好的 相关性Ｒ 为 0 919 8ＲMSE 为 4 601 万株 / 亩 产量将显著降低 当缺苗率小于 10% 时种群分布 5 相对均匀通常会有较高的产量 因此只有当 4 缺苗率大于 0% 时才有必要进行补种 如图 8 所 示第 1 8 行缺苗比较严重需要进行补种第 9 基于小麦缺苗率的缺苗补种建议 小麦植株密度估算的主要目的是为了及时发现 缺苗并尽快补种小麦的最佳密度约为 0 50 万 11 行处于正常状态 株 / 亩当小麦植株密度小于 0 万株 / 亩时则可认 图8 Fig 8 缺苗率的计算结果( 局部) Calculated seedling shortage rate ( zoomed) 现象形成白色光圈对分类结果造成误差 因此选 4 讨论 择在阴天或者傍晚进行无人机影像采集不仅可以减 少反光现象还可以消除阴影对分类结果的影响 本文提出了基于无人机影像的小麦植株密度估 4 算及缺苗率计算方法既提高了传统人工测量的效 率又实现了小麦缺苗状况的可视化对冬小麦前期 查缺补种以及后期产量估算提供了强有力的依据 但实验中也存在一些问题需要深入研究 4 1 无人机影像获取时间 无人机影像采集时间对实验结果影响较大在 叶期以前( 如 11 月 1 日影像) 小麦叶片较小导致 无人机影像中小麦识别难度增加并且部分小麦还 小麦品种及田间杂草的影响 在地块的选择方面本研究所选样本为同一品 种且大部分地块在实验前都喷洒了除草剂因此在 无人机影像中杂草较少在小麦覆盖度的计算时忽 略了杂草的影响所以本实验中小麦植株密度以及 缺苗率的估算在其他小麦品种中需要做进一步验 证且不适用于杂草较多的地块 5 结论 没有出苗因此该时期的小麦植株密度不能反映真 实的小麦生长状况 当小麦达到 4 5 叶期时 ( 如 本文针对小麦研究中需要快速 高效获取小麦 1 月 1 日影像 ) 小麦开始分蘖缺苗现象在无人 机影像中更加明显 当小麦达到返青期时 ( 如 月 植株密度的需求基于无人机影像通过采用改进的 HSI 颜色模型提取小麦覆盖度并与苗期 越冬期和 1 日影像) 缺苗位置会被周围植株的叶片遮挡也 就造成小麦覆盖度与植株密度的相关关系下降 因 返青期小麦地面实测数据进行分析找出了利用无 人机影像提取小麦覆盖度进而依据关系模型快速 此在小麦叶片达到 5 叶期之前进行无人机影像获 取在研究区山东省北部约为 11 月 15 日 1 月 15 日之间是利用无人机影像估算小麦植株密度的最 估算小麦植株密度的方法 主要结论如下: 1) 利用改进的 HSI 颜色模型可以快速准确提 佳时期 4 取无人机影像中的小麦覆盖度该方法既可以消除 不同架次无人机影像之间的亮度差别而且有效去 无人机影像的获取时间应选择在光线比较柔和 除了阴影对分类结果的影响 ) 基于无人机影像估算小麦植株密度的方法 的时间强光会导致小麦在影像中出现强烈的反光 比传统方法提高了效率 不仅减少了在寒冷冬季进 光线的影响
118 00 年 spectives J Frontiers in Plant Science 017 8: 1111 行野外实验的时间除了获取无人机影像外大部分 工作都可以在室内完成而且可以实现对小麦种植 8 孙 刚黄文江陈鹏飞等 轻小型无人机多光谱技术应 区域的高效管理 ) 从实验结果可以看出 次实验中小麦植株 密度与小麦覆盖度之间具有很好的相关性Ｒ 分别 multispectral remote sensing applications J Transactions of the 0 898 1 和 0 897 6 达到了 0 77 9 说明了利用无人 机影像估算小麦植株密度的方法是可行的且具有 较高的精度 不仅可以在冬小麦前期用于小麦的出 苗率监测以便进行及时查缺补种还能在小麦生长 的中后期用于小麦的冰冻灾害评估和估产 4) 基于无人机影像提取小麦植株密度的方法 不仅可以有效消除传统方法中由于缺苗引起的误 差而且还能实现小麦缺苗率的定量评价快速定位 缺苗的具体位置根据缺苗率的大小确定是否需要 及时补种避免人工识别误差造成种子浪费 018 49( ) : 1 17 用进展 J 农业机械学报 Sun GHuang W JChen P Fet al Advances in UAV based 018 49( ) : 1 17 Chinese Society for Agricultural Machinery 9 刘建刚赵春江杨贵军等 无人机解析田间作物表型信 016 ( 4) : 98 106 息研究进展 J 农业工程学报 Liu J GZhao C JYang G Jet al Ｒeview of field based phenotyping by unmanned aerial vehicle remote sensing platform J Transactions of the Chinese Society of Agricultural Engineering 016 ( 4) : 98 106 10 王 柯付怡然彭向阳等 无人机低空技术进展及典型 017( s1) : 79 8 行业应用综述 J 测绘通报 Wang KFu Y ＲPeng X Yet al Overview of UAV low altitude remote sensing technology and application in typical industries J Bulletin of Surveying and Mapping 017( s1) : 79 8 11 Primicerio JGennaro S F DFiorillo Eet al A flexible unmanned aerial vehicle for precision agriculture J Precision Agriculture 参考文献( Ｒeferences) : 1 周景博刘 亮 未来气候变化对中小麦产量影响的差异性 研究 基于 Meta 回归分析的定量综述 J 中农业气象 018 9( ) : 141 151 Zhou J BLiu L Study on the differences of the impact of future climate change on wheat yield in China quantitative review based on Meta regression analysis J Chinese Journal of Agrometeorology 018 9( ) : 141 151 石亚萍蔡静平 种子发芽率快速测定方法的研究进展 J 粮 008 ( 5) : 89 91 油加工 Shi Y PCai J P Advances in the rapid determination of seed germination rate J Grain and Oil Processing008 ( 5 ) : 89 91 黄冬福 种植密度影响水稻农艺性状的研究进展 J 安徽农 01 18( 1) : 70 71 学通报 Huang D F Ｒesearch progress of planting density affecting rice agronomic traits J Auhui Agricultural Science Bulletin0118 ( 1) : 70 71 4 Jin XLi ZYang Get al Winter wheat yield estimation based on 01 1( 4) : 517 5 1 Sugiura ＲTsuda STamiya Set al Field phenotyping system for the assessment of potato late blight resistance using ＲGB imagery from an unmanned aerial vehicle J Biosystems Engineering 016 148: 1 10 1 刘 峰刘素红向 阳 园地植被覆盖度的无人机监测研 014 45( 11) : 50 57 究 J 农业机械学报 Liu FLiu S HXiang Y Study on monitoring fractional vegetation cover of garden plots by unmanned aerial vehicles J Transactions of the Chinese Society for Agricultural Machinery 014 45( 11) : 50 57 14 冯海英冯仲科冯海霞 一种基于无人机高光谱数据的植被 017 7( 11) : 57 盖度估算新方法 J 光谱学与光谱分析 578 Feng H YFeng Z KFeng H X A new method for estimating the fractional vegetation cover based on UVA hyperspectrum J Spec017 7( 11) : 57 578 troscopy and Spectral Analysis 15 周在明杨燕明陈本清 基于无人机监测滩涂湿地入侵 种互花米草植 被 覆 盖 度 J 应 用 生 态 学 报0167 ( 1 ) : 90 96 multi source medium resolution optical and Ｒadar imaging data Zhou Z MYang Y MChen B Q Fractional vegetation cover of in- and the Aqua Crop model using the particle swarm optimization al- vasive spartina alterniflora in coastal wetland using unmanned aerial gorithm J ISPＲS Journal of Photogrammetry and Ｒemote Sens- vehicle ( UAV) remote sensing J Journal of Applied Ecology ing 017 16: 4 7 5 赵舒怡宫兆宁刘旭颖 001 01 年华北地区植被覆盖度 015( 5) : 1 4 与干旱条件的相关分析 J 地理学报 016 7( 1) : 90 96 16 郭震冬顾正东许 盛等 利用无人机技术进行社区植被覆 017( 5) : 88 91 盖率调查 J 北京测绘 Zhao S YGong Z NLiu X Y Correlation analysis between vegeta- Guo Z DGu Z DXu Set al UAV based investigation of com- tion coverage and climate drought conditions in North China during munity vegetation coverage J Beijing Surveying and Mapping 001 01 J Acta Geographica Sinica 015( 5) : 1 4 6 邢著荣冯幼贵杨贵军等 基于的植被覆盖度估算方法 017( 5) : 88 91 17 Chen JYi SYu Qet al Improving estimates of fractional vegeta- 009 4( 6) : 849 854 述评 J 技术与应用 tion cover based on UAV in alpine grassland on the Qinghai Ti- Xing Z ＲFeng Y GYang G Jet al Method of estimating vegeta- betan Plateau J International Journal of Ｒemote Sensing016 tion coverage based on remote sensing J Ｒemote Sensing Tech- 7( 8) : 19 196 nology and Application 009 4( 6) : 849 854 7 Yang G JLiu J GZhao C Jet al Unmanned aerial vehicle remote sensing for field based crop phenotyping: Current status and per- 18 葛 静孟宝平杨淑霞等 基于 UAV 技术和 MODIS 数据 的高寒草地盖度动态变化监测研究 以黄河东部地区为 017 6( ) : 1 1 例 J 草业学报
第4 期 王 伟等: 119 Ge JMeng B PYang S Xet al Dynamic monitoring of alpine 017 7( 10) : 111 10 去雾算法 J 系统科学与数学 grassland coverage based on UAV technology and MODIS remote Song Ｒ XSun X DWang X C Haze removal algorithm based on sensing data: A case study in the headwaters of the Yellow Ｒiver HSI color space and dark channel prior J Journal of Systems Sci- J Acta Prataculturae Sinica 017 6( ) : 1 1 19 李 冰刘镕刘素红等 基于低空无人机的冬小麦覆 017 7( 10) : 111 10 ence and Mathematical Sciences 茅正冲孙雅慧 基于 HSI 空间的玉米雄穗识别算法 J 传 01 8( 1) : 160 165 盖度变化监测 J 农业工程学报 018 7( 9) : 117 119 器与微系统 Li BLiu Ｒ YLiu S Het al Monitoring vegetation coverage varia- Mao Z CSun Y H Algorithm of male tassel recognition based on tion of winter wheat by low altitude UAV remote sensing system HSI space J Transducer and Microsystem Technologies 018 7 J Transactions of the Chinese Society of Agricultural Engineer- ( 9) : 117 119 ing 01 8( 1) : 160 165 0 牛亚晓张立元韩文霆等 基于无人机与植被指数的冬 01849 ( 4 ) : 1 小麦覆盖度提取方法 J 农业机械学报 Montalvo MPajares GGuerrero J Met al Automatic detection of crop rows in maize fields with high weeds pressure J Expert Systems with Applications 01 9( 15) : 11889 11897 4 Slaughter D CGiles D KDowney D Autonomous robotic weed 1 Niu Y XZhang L YHan W Tet al Fractional vegetation cover control systems: A review J Computers and Electronics in Agri- extraction method of winter wheat based on UAV remote sensing culture 008 61( 1) : 6 78 and vegetation index J Transactions of the Chinese Society for Agricultural Machinery 018 49( 4) : 1 1 1 宋瑞霞孙相东王小春 基于 HSI 颜色空间和暗原色先验的 5 Liu TLi ＲJin X Let al Evaluation of seed emergence uniformity of mechanically sown wheat with UAV ＲGB imagery J Ｒemote Sensing 017 9( 1) : 1 15 Estimation of wheat planting density using UAV image WANG Wei WANG Xinsheng YAO Chan JIN Tian WU Jiayu SU Wei ( 1 College of Land Science and TechnologyChina Agricultural UniversityBeijing 10008China; Key Laboratory of Ｒemote Sensing for Agri HazardsMinistry of AgricultureBeijing 10008China) Abstract: Wheat is a densely planted cropand the planting volume per acre is nearly 0 kg The plant density of winter wheat will directly affect the final yield Thereforereal time monitoring of wheat plant density is an important way to ensure wheat yield At presentthe main method for obtaining the plant density of wheat is mainly manual measurementwhich is time consuming and laborious In this paperthe DJ inspire UAV is equipped with a Zens X4S camera to obtain high resolution visible light images of wheat planting areasextract wheat coverage based on UAV imagesand establish the relationship between plant density and plant density so as to achieve rapid acquisition of wheat plant density based on UAV image Experiments show the following results: ① Using the improved HSI color model to extract wheat coverage improves accuracy and extraction efficiency compared with traditional visual estimationmanual counting and other classification methodsand overcomes differences in lighting conditions and shadows of different sorts of UAV images influences ② There is a high correlation between wheat coverage and plant density at the seedling stageoverwintering stage and turning green stage Among themthe correlation coefficient Ｒ between the coverage based on drone image and the plant density of wheat are 0 77 90 898 1 and 0 897 6 in three growth stages The verification results of the relationship model using Niutengyu Village samples show that the inversion results based on the established relationship model also have a good correlation with the measured valuesand Ｒ reaches 0 919 8 Keywords: wheat; UAV image; vegetation cover; planting density; HSI color model; Hough transform ( 责任编辑: 陈 理)