您好, 访客   登录/注册

双季水稻叶面积指数在线式图像反演方法

来源:用户上传      作者:

  摘要:基于在线式双季水稻长势自动监测系统实时获取稻田实景图像,并应用图像处理技术计算水稻覆盖度,进而分析双季水稻覆盖度与叶面积指数之间的关系,实现叶面积指数的在线式图像反演。结果表明,双季水稻分蘖期覆盖度增长迅速,在拔节孕穗期达到峰值,拔节孕穗期至抽穗期保持相对稳定,这一结果符合双季水稻生长特征,并与叶面积指数变化趋势一致。早稻、晚稻覆盖度与叶面积指数之间呈显著的指数关系,决定系数分别为0.970 6、0.853 4,模拟精度较高。根据双季水稻覆盖度反演得到的叶面积指数与实测叶面积指数具有极显著的线性关系,决定系数分别达到0.95、0.97,均方根误差分别为0.34、0.47,模拟效果较好。本研究提出的双季水稻叶面积指数在线式图像反演方法是一种新的水稻叶面积指数自动、无损估测方法,可为双季水稻叶面积指数实时、快速估测提供技术支持。
  关键词:双季水稻;叶面积指数;覆盖度;图像反演
  中图分类号: S511.01 文献标志码: A 文章编号:1002-1302(2019)23-0320-04
  叶面积指数(LAI)是一块田地上作物叶片的总面积与田地总面积的比率[1],是客观反映作物在生长期内整体的动态变化和作物光合作用及蒸腾作用的重要参数。实时、准确获取其信息对监测作物长势和预测作物产量具有重要意义[2]。获取LAI的方法很多,主要分为地面实测和遥感监测2种方式[3]。常用的地面实测方法大都效率低、误差大,而且测量具有破坏性[4]。遥感监测方法能够实现较大范围的作物长势监测,但多以1 km分辨率的极轨卫星资料为主,精细化程度不高,且观测时易受到云层、云阴影以及气溶胶等的影响[5]。随着数字图像技术的广泛应用,李万春等开展了大量的利用扫描仪测量作物叶面积的研究,并研制了相应的软件,实现作物叶面积指数测量与计算等功能[6-7]。这种方法提高了测量作物叶面积的精度,降低了成本,操作方便快捷,但并未实现无损测量。随着数码相机分辨率的提高,近年来基于静态图像信息提取技术反演LAI的方法发展迅速。肖强等利用数码相机对单株水稻或水稻群体进行拍摄,获取静态图像信息,然后反演水稻总绿叶面积或水稻LAI[8-10],这些研究结果表明,基于数码相机的图像反演方法能实现水稻LAI较高精度的无损估算。但该方法是通过人工近距离拍摄图像,难以对作物进行实时、动态观测,资料时效性较低[4]。作物覆盖度(CCP)是指作物的绿色部分在田地上的正投影面积与田地总面积的比率[11],与LAI有很好的对应关系。基于这一原理,国内外开展了不少关于图像处理技术计算CCP的研究[12-15],然后通過分析CCP与LAI之间的关系实现作物LAI的反演[12]。这种方法可相对快速、客观地获取实时、连续、动态的LAI,展现出良好的研究和应用前景。
  但由于目前多数农田位置较为偏远,获取作物图像以及长势信息存在诸多不便。为了解决这一问题,近年来中国气象局气象探测中心研发了将图像识别技术、自动采集技术、通信传输技术及信息处理技术相结合的作物长势实时在线式远程监测系统[16]。基于该系统,2015年、2016年先后实现了棉花[11]、夏玉米[4]等作物LAI的自动实时反演。但目前尚未见该技术在双季水稻LAI自动实时反演的应用报道。
  双季水稻分蘖至抽穗期间的LAI是反映营养物质形成与积累状况的重要指标,而此时期的双季水稻LAI变化幅度最大。连续、实时地获取双季水稻分蘖至抽穗期的LAI,对及时掌握双季水稻长势和产量动态具有重要意义。由于双季水稻植株相对玉米、棉花等高秆作物比较矮小、植株群体更密、植株和叶片受小气候环境更易出现形态变化等原因,导致利用在线式图像处理技术自动、高精度地提取双季水稻CCP的难度相对较大。此外,双季水稻田间水面对光线的折射、反射作用,容易造成图像提取出的双季水稻CCP在不同光照条件下出现突变[15],进而影响双季水稻LAI反演的准确率。2013年,Yu等提出了一种基于单高斯模型的作物颜色分割模型,试验证明该方法能够对不同光照下的作物图像进行准确分割,能够准确地提取图像中的作物像元,从而可以精确地获取图像中作物的CCP[17]。
  本研究基于在线式双季水稻长势自动监测系统实时获取稻田实景图像,应用Yu等提出的图像处理技术[17],计算双季水稻逐日的CCP,然后分析双季水稻CCP变化特征及其与LAI之间的关系,建立双季水稻CCP与LAI的关系模型,最后结合LAI实测数据对图像反演的LAI进行精度及适用性检验和分析。
  1 材料与方法
  1.1 试验区概况
  本研究试验区位于江西省南昌县,地处南昌市南部,属于亚热带季风气候,地势平坦,为我国典型的双季水稻产区。试验区设在具有代表性的百亩连片双季稻产区(116°12′6″E、28°38′58″N)之中,总面积约为0.5 km×0.5 km。
  1.2 双季水稻图像的获取
  试验区内架设中国气象局气象探测中心研发的作物长势实时在线式远程监测系统[11],自动获取双季水稻稻田实景图像。CCD相机型号是OLYMPUS E-450。设置的光圈值为f/5.6,曝光时间为1/160s,焦距为16 mm。CCD相机固定在距离地面垂直高度5 m处。图像采集时段包含双季水稻的分蘖期、拔节孕穗期、抽穗期。采集时间是每天09:00—16:00,整点自动拍摄1次,每天共计8个时次。采集得到的图像大小是3 648像素×2 736像素,以JPEG格式存储。剔除太阳耀邦时间和阴雨天气影响的图像后,得到双季早稻2011年、2012年、2013年图像样本数据分别为450、606、424个,双季晚稻3年图像样本数据分别为505、400、445个。图像资料采用4G无线网络进行实时传输。
  1.3 双季水稻CCP的提取和计算
  通过基于单高斯模型的作物颜色分割方式[17]对双季水稻图像进行分割(图1),然后计算图像中双季水稻像素与总图像像素的比值,作为整点实景图像中的双季水稻CCP。   然后将整点CCP转化成日均CCP:
  y=1n∑8i=1yi。
  (1)
  式中:y表示日均CCP;yi表示整点CCP;i为观测时次;n为总观测时次,取值为8。
  1.4 双季水稻LAI的获取
  在试验区域中,在距田地边缘2 m以上处设置4个固定测点,每次取样时在各个测点随机选取10茎,共40茎作为样本。使用美国LI-COR(Li-3000c)便携式叶面积仪对双季水稻分蘖至抽穗期的LAI进行观测。2012年双季水稻LAI的观测频次为2 d/次,得到双季早稻LAI样本数据22个、双季晚稻LAI样本数据28个,用于构建模型。2011年、2013年的观测时间在分蘖普期、孕穗普期和抽穗普期,得到双季早稻、双季晚稻的LAI样本数据各3个,用于模型检验。
  2 结果与分析
  2.1 双季水稻CCP变化特征
  2011—2013年,分别于4月下旬和7月下旬播种早稻、晚稻。早稻、晚稻品种分别为常规籼稻嘉育948和常规籼稻926。早稻、晚稻的分蘖期、拔节孕穗期、抽穗期的时段如表1所示。
  将2011—2013年早稻、晚稻分蘖至抽穗期间同一阶段的日均CCP取平均,得到双季水稻CCP的逐日变化趋势图(图2)。图2表明,早稻、晚稻分蘖至抽穗期的CCP总体变化趋势是一致的,均表现为分蘖期快速上升,拔节孕穗期与抽穗期的CCP比较稳定,维持在90%上下浮动。但各个生育期内的早晚稻CCP变化特点略有不同:在分蘖期,早稻CCP的日增长速率约为6%,略快于晚稻的日增长速率(5%左右);在拔节孕穗期,早稻CCP的变异系数为3.91,大于晚稻(279);在抽穗期,早稻多日平均CCP达96%,晚稻约为90%,两者相近。
  2.2 双季水稻LAI的变化特征
  2012年双季水稻LAI观测资料(图3)显示,早稻、晚稻LAI的逐日变化趋势与CCP的变化趋势比较一致,均在分蘖期快速上升,拔节孕穗期与抽穗期变化不大。此外,在不同生育期内,早稻、晚稻的变化特点也是比较一致的。在分蘖期,早稻LAI的日增长速率约为0.46,略快于晚稻的日增长速率(0.39);在拔节孕穗期,早稻LAI的变异系数为7.06,小于晚稻(15.02);在抽穗期,早稻多日平均LAI为4.43,晚稻为 4.36,两者差异不大。
  2.3 双季水稻CCP与LAI的关系
  2.3.1 双季水稻CCP与LAI的关系模型 由于叶片存在一定的倾角和叶片之间的相互遮挡,作物的LAI与CCP之间的关系是非线性的[11]。2012年双季水稻CCP和LAI的散点图表明,两者存在高度相关的指数函数关系(图4)。
  因此,以指数函数为模型,以CCP为自变量,估测早稻、晚稻的逐日LAI:
  y′=0.732 1e1.903 3x′,R2=0.970 6;
  (2)
  y″=0.066 8e4.438 9x″,R2=0.853 4。
  (3)
  式中:y′和y″分别为早稻、晚稻的逐日LAI;x′和x″分别为早稻、晚稻的逐日CCP。式(2)、式(3)均通过了0.05的显著水检验。
  2.3.2 模型检验 利用南昌县2012年资料建立的模型和2011年、2013年双季水稻CCP数据计算LAI的模拟值,并与2011年、2013年分蘖至抽穗期的LAI实测值进行比较,检验模型的可靠性(图5、表2)。
  图5、表2表明,早稻、晚稻的LAI实测值与模拟值的线性相关系数分别为0.95、0.97,吻合性较好,且均通过了0.01极显著水平检验;均方根误差分别为0.34、0.47,平均绝对误差分别为0.59、0.34,模拟精度较高。
  3 讨论与结论
  本研究利用农业气象自动观测系统实时获取的双季水稻逐日CCP信息,分析了双季水稻分蘖至抽穗期的CCP变化特征,以及双季水稻CCP与LAI之间的关系,建立了CCP与LAI的关系模型,实现双季水稻逐日LAI的图像反演,并对反演数据进行了检验,得出以下结论:(1)双季水稻分蘖期CCP增长迅速,在拔节孕穗期达到峰值,拔节孕穗期至抽穗期CCP相对稳定。双季水稻CCP图像识别结果符合双季水稻生长特征,并与叶面积指数变化趋势一致。(2)早稻、晚稻CCP与LAI之间呈显著的指数关系,决定系数分别为0.970 6、0.853 4,模拟精度较高。根据双季水稻CCP数据反演得到的LAI与实测LAI具有极显著的线性关系,决定系数分别为095、0.97,均方根误差分别为0.34、0.47,模拟效果较好。
  综上所述,本研究提出的双季水稻叶面积指数在线式图像反演方法有利于减少人工观测的工作量,同时较好地解决了每次采样造成的田间作物损坏以及因农田位置偏远实时获取双季水稻叶面积指数困难等问题,是一种新的水稻叶面积指数自动、无损估测方法,可为双季水稻叶面积指数实时、快速估测提供技術支持。但本研究尚未对抽穗期后的覆盖度和叶面积指数变化特点进行分析,且研究中只有南昌县1个双季早稻和1个双季晚稻品种的观测数据,观测资料有限。因此,本研究所构建的模型仅适用于采取移栽方式种植的常规籼稻嘉育948和常规籼稻926分蘖至抽穗期的叶面积指数反演。此外,水稻品种、种植方式对叶面积指数的图像反演有明显影响。后期拟将开展全生育期、多品种、不同种植方式下的水稻覆盖度和叶面积指数的观测试验,尽可能获取较为全面、系统的观测资料,提高模型的适用性。
  参考文献:
  [1]李荣春,陶洪斌,张竹琴,等. 基于图像处理技术的夏玉米群体长势监测研究[J]. 玉米科学,2010,18(2):128-132.
  [2]王秀芳. 主要农作物生长特征参数自动化观测技术研究[D]. 成都:成都信息工程学院,2012.   [3]程武学,潘开志,杨存建. 叶面积指数(LAI)测定方法研究进展[J]. 四川林业科技,2010,31(3):51-54,78.
  [4]李翠娜,张雪芬,余正泓,等. 基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价[J]. 中国农业气象,2016,37(4):479-491.
  [5]白晓东. 基于图像的水稻关键发育期自动观测技术研究[D]. 武汉:华中科技大学,2014.
  [6]李萬春,田 燕,王鹏云. 基于常规扫描仪的植物叶面积计算系统[J]. 气象,2004,30(8):39-41.
  [7]王晓彬,张仁祖,费 松,等. 利用扫描仪测量作物叶面积的模式选择与实现技术[J]. 气象科技,2016,44(4):675-679.
  [8]肖 强,叶文景,朱 珠,等. 利用数码相机和Photoshop软件非破坏性测定叶面积的简便方法[J]. 生态学杂志,2005,24(6):711-714.
  [9]孙 涛,刘振波,葛云健,等. 基于数码相片Gamma校正的水稻叶面积指数估算[J]. 生态学报,2014,34(13):3548-3557.
  [10]蒋 霓. 单株水稻绿叶面积无损测量方法研究[D]. 武汉:华中科技大学,2014.
  [11]何 姣,张雪芬,汤志亚,等. 棉花覆盖度特征及与其他生长参数关系分析[J]. 气象与环境科学,2015,38(2):18-23.
  [12]刘继承. 基于数字图像处理技术的水稻长势监测研究[D]. 南京:南京农业大学,2007.
  [13]Zhu Y J,Cao Z G,Lu H,et al. In-field automatic observation of wheat heading stage using computer vision[J]. Biosystems Engineering,2016,143:28-41.
  [14]Zheng L Y,Shi D M,Zhang J T. Segmentation of green vegetation of crop canopy images based on mean shift and Fisher linear discriminant[J]. Pattern Recognition Letters,2010,31(9):920-925.
  [15]Bai X D,Cao Z G,Wang Y,et al. Crop segmentation from images by morphology modeling in the CIE L* a* b* color space[J]. Computers & Electronics in Agriculture,2013,99:21-34.
  [16]张雪芬,王秀芳,李翠娜,等. 农作物主要生长参数自动观测技术综述[J]. 气象科技,2013,41(6):1122-1127.
  [17]Yu Z H,Cao Z G,Wu X,et al. Automatic image-based detection technology for two critical growth stages of maize:emergence and three-leaf stage[J]. Agricultural and Forest Meteorology,2013,174-175:65-84.
  收稿日期:2018-10-30
  基金项目:国家自然科学基金(编号:61701260)。
  作者简介:杨爱萍(1982—),女,广东湛江人,硕士,副研级高级工程师,主要从事农业气象研究。E-mail:yap1114@163.com。
转载注明来源:https://www.xzbu.com/1/view-15121408.htm