基于无人机多源图谱融合的水稻稻穗表型监测

作者：万亮; 杜晓月; 陈硕博; 于丰华; 朱姜蓬; 许童羽; **; 岑海燕^*

来源：农业工程学报, 2022, 38(09): 162-170.

• 无人机
• 模型
• 可见光图像
• 多光谱图像
• 水稻稻穗
• 倒伏
• 机器学习
• 表型

稻穗表型是表征水稻生长状况和产量品质的关键参数，稻穗表型的准确监测对于大田精准管理和水稻智慧育种具有重要意义。无人机图谱数据已被广泛用于水稻生长监测，然而大部分研究主要集中在水稻的营养生长阶段，针对抽穗期和成熟期稻穗表型监测方面的研究非常有限。因此，该研究利用无人机多源图谱数据进行水稻稻穗表型监测研究，分析了不同氮肥梯度和生长时期对稻穗表型的影响，构建了稻穗覆盖度、生物量以及倒伏等监测模型。结果表明，不同生长时期和氮肥梯度的稻穗表型呈现显著差异，稻穗覆盖度与图像特征高度相关。利用粒子群优化算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vector Machine,SVM)回归模型能够从可见光图像中准确识别稻穗，计算的穗覆盖度与实际标记值高度相关，决定系数(coefficient of determination,R2)为0.87，将此结果与多光谱图像反射率融合，利用随机森林(Random Forest,RF)回归模型可以提高稻穗覆盖度的评估精度，R2为0.93，相对均方根误差(relative RootMeanSquareError,rRMSE)为9.47%。融合可见光图像的颜色和纹理以及多光谱图像的光谱反射率改善了穗生物量的评估精度，R2高达0.84,rRMSE为8.68%，此模型能够在不同种植年间迁移，进一步利用模型更新添加10%新样本能够改善模型迁移能力。基于PSO-SVM分类模型，联合可见光图像的颜色和纹理以及多光谱图像的光谱反射率也准确地识别稻穗倒伏，准确率达99.87%。上述研究结果证明了无人机遥感用于水稻稻穗表型监测的可行性，可为作物精准管理和智慧育种提供决策支持。

• 单位
  沈阳农业大学; 现代光学仪器国家重点实验室; 浙江大学; 浙江大学华南工业技术研究院