近地遥感技术在大田作物株高测量中的研究现状与展望

来源：核心期刊咨询网时间：12

摘要：摘要： 株高是动态衡量作物健康和整体生长状况的关键指标，广泛用于估测作物的生物学产量和最终籽粒产量。传统的人工测量方式存在规模

　　摘要： 株高是动态衡量作物健康和整体生长状况的关键指标，广泛用于估测作物的生物学产量和最终籽粒产量。传统的人工测量方式存在规模小、效率低以及耗时长等问题。近十年来，近地遥感技术在农业领域发展迅速，使得高精度、高频次、高效率的作物株高采集成为可能。本文首先回顾了国内外基于遥感手段获取株高研究的论文发表情况;其次对获取株高的不同平台以及传感器的基本原理、优势及其局限性进行了介绍和评述，重点论述了激光雷达和可见光相机两种传感器的测高流程与涉及的关键技术;在此基础上归纳了株高在作物生物量估算、倒伏监测、产量预测和辅助育种等方面的应用研究进展;最后对近地遥感技术在株高获取上存在的问题进行讨论分析，并从测高平台和传感器、裸土探测和插值算法、株高应用研究及农学与遥感测高差异四个方向进行了展望，可为今后近地遥感测高的研究与方法应用提供参考。

　　关键词： 株高;近地遥感;作物;无人机;可见光相机;激光雷达

　　1 引 言

　　株高是作物的重要生长指标，合理株高是实现作物稳产、高产的基础。在第一次绿色革命中，通过培育具有半矮秆基因的小麦和水稻品种，使作物株高降低的同时，抗倒伏能力和生产潜力得到提高[1，2]。但过低的作物株高也会存在减产风险[3]，因此通过研究株高遗传机制，有针对性地制定育种方案，对作物增产具有重要现实意义。此外，株高与作物生物量、产量密切相关[4，5]，通过对作物高度变化的监测，确定作物的健康程度和生长状况，可为加强施肥、除草和收获等农作物生产管理与调控提供重要的参考依据。

　　农学领域一般采用标尺人工测量植株高度(简称“测高”)，其测量方式包括自然株高法、生理株高法和叶枕株高法3种[6]。最常见的是通过测量地面到自然状态下主茎顶部的垂直距离作为作物自然株高。由于環境、基因型或者管理等因素影响，作物之间生长形态会有较大差异。例如小麦等直立株型作物，上部叶片会出现下披现象[7]，为此会将作物叶片展开或者挑选直立生长的植株测量其基部至顶部的垂直距离作为生理株高。表示地面至植株最上部叶枕距离的叶枕株高也是使用较多的高度测量方式。然而，人工测高方式需要大量实地调查，效率低并且数据精度易受主观因素影响，通过抽样方式获取的株高数据无法代表大田的全部状况。遥感技术的发展为作物测高研究和应用提供了一种新的解决思路，本文旨在对基于遥感手段的作物株高提取研究进行全面综述，从不同传感器类型和平台出发，总结作物株高获取方法及其不足，归纳株高在作物表型特征提取、倒伏监测、产量估测和育种等方面的研究应用现状，并对近地遥感技术在作物株高获取方面的发展趋势和未来挑战进行展望。

　　2 全球遥感技术测高研究态势

　　为了解遥感技术测高领域的研究进展，总结现有研究所使用的主流传感器、平台和重点观测对象，在“Web of Science”和“ScienceDirect”平台搜索引擎检索近10年(2010—2019年)全球发表的有关遥感技术测高的学术论文，检索标题关键词规则为："canopy or crop or plant or vegetation or wheat or maize or corn or rice or barley or soybean or sorghum or rapeseed" and "height or lodging or biomass or yield or lai"，结果如图1所示。图1(a)统计了遥感测高中使用频率最高的无人机(Unmanned Arial Vehicle，UAV)平台搭载可见光相机、激光雷达(Light Detection and Ranging，LiDAR)、合成孔径雷达和超声波传感器4种主要方法及其他方法的文章数量，其整体上呈现增加的趋势。其中，由于低空遥感技术及计算机视觉方法的高速发展，无人机平台搭载可见光相机成为最常用的作物株高获取手段，其次为激光雷达方法。图1(b)显示，作物测高论文多数以小麦、玉米、水稻等大宗粮食作物为研究对象。并且，作物测高以地面及无人机等近地遥感平台为主(图1(c))，近地观测方式更适用于具有低矮、种植密集结构特征的作物。

　　3 近地遥感技术测高的研究进展

　　按传感器工作方式的不同可将近地遥感测高技术分为主动式遥感和被动式遥感两种。主动式遥感的传感器带有能发射电磁波、声波等讯号的辐射源，同时能够接收并记录目标物反射回来的讯号，因此受光照条件影响小，可以昼夜工作;被动式遥感则是利用传感器直接接收并记录目标物反射自然辐射源的电磁波或自身发出的电磁波而进行探测。该类传感器通常成本较低，但更易受到光照条件影响，且不具有穿透性。

　　3.1 主动式遥感测高及特点

　　激光雷达通过记录激光飞行时间(Time of Flight，ToF)能够准确地定位激光束接触到物体的光斑。由于其较强的穿透能力，通过脉冲的多次回波反射通常可以同时记录被测物体冠层和土壤的点云信息，通过分类和滤波处理后可以得到物体高度信息。在20世纪90年代，搭载于直升机或固定翼飞机的激光雷达系统发展迅速，广泛应用于精准林业的测量，如林冠高度、林分平均树高、地上生物量等[8，9]。然而，航空激光雷达的飞行高度通常在百米至千米级，其较低的测距精度难以实现土壤与低矮作物的区分[10，11]。此外，数据采集成本及处理复杂性增加了基于激光雷达的多时相作物株高监测的难度[12]。地基激光雷达系统能够获取毫米级精度的三维点云数据，更适合于作物的株高提取。其地基平台主要包括地面固定平台[13-15]、机器人平台[16]和车载平台[17，18]等。在玉米[19]、小麦[20，21]、水稻[22，23]以及高粱[24]等多种作物中均取得了高精度的作物株高估算结果。但是，地面固定平台存在数据采集效率低、遮挡严重等问题，而地面移动平台易受不同大田作物行距、株距以及作物高度等因素的限制，同时直接田间行驶也容易造成土壤压实[25]。随着激光雷达的轻小型化发展，其搭载于无人机上成为可能，在提高作物观测频次和效率的同时，可以减少数据获取时对作物造成的干扰，填补了数据精度高但效率低的地基激光雷达系统与能够进行大面积数据采集但细节信息较少的有人机激光雷达系统之间的空白[26]。

　　超声波(Ultrasonic)传感器能够发射频率高于20 kHz的超声波脉冲，通过记录声音发射与返回的时间差计算传感器到物体的距离，具有部署容易、数据处理简单、成本较低等优势，并可以通过微调实现厘米级的株高测量精度[24，27，28]。但超声波传感器属于近端遥感，信号衰减较快，测高精度会随着传感器与目标作物距离增加而下降。因此，超声波传感器测量距离大多选择在10 m以内[29]，且多搭载于地面移动平台[30，31]。

　　3.2 被动式遥感测高及特点

　　微软公司发布的Kinect v2能够以30 f/s的速度获取分辨率为512 × 424 px的深度图像，深度检测范围为0.5～4.5 m[32，33]。系统成像速度较快，基本能够满足实时测量的需求。然而深度相机测量尺度有限，获取的图像分辨率较低，因此通常搭载于地面平台[34，35]，且多用于温室盆栽作物株高监测[36]。

　　与深度相机相比，可见光相机能够获取更高分辨率的图像[37]。有研究在被测作物周边放置已知高度的参考物，通过采集同时包含参考物和作物的单幅可见光图像，计算作物高度[38，39]。随着计算机视觉技术的发展，出现了通过在地面平台布设多个可见光相机或者移动单相机来产生多视角图像，并基于双目立体匹配[40]、多视图立体视觉[41，42]等方法的作物测高方式，但其效率较低、测量范围较小。近十年来，无人机搭载高分辨率可见光相机因其成本低、分辨率高且易于部署等优点已成为近地遥感技术中最广泛使用的作物株高获取方法[43-46]。通过可见光相机采集重叠的图像，基于运动恢复结构(Structure from Motion，SfM)对重叠图像进行特征检测与匹配[47]。特征匹配构建稀疏点云后基于多视图立体视觉法进行密集点云重构，最后通过点云插值生成表示作物或土壤高程的影像。目前，该技术已应用于玉米[48-51]、水稻[52]、高粱[53，54]、小麦[5，46，55]、大豆[56]、棉花[57，58]等作物，其精度与地面实测数据相比，多数作物的决定系数R2可控制在0.80以上，均方根误差(Root Mean Square Error，RMSE)在10 cm以下。

　　总之，激光雷达、超声波、深度相机和可见光相机均能够在地面平台上获取较好的大田作物高度估算精度。但是，地面平台的行进效率和灵活性在一定程度上限制了其应用范围。无人机平台能够较好弥补上述不足。目前，无人机结合可见光相机在作物测高研究中已得到广泛应用，而随着激光雷达的不断轻小型化，让无人机搭载模式成为可能，该模式也逐步在作物测高领域得到应用。

　　3.3 近地遥感测高流程与关键技术

　　本节以地基激光雷达和无人机搭载可见光相机两种作物测高主流方法为例，介绍株高获取的主要流程(图2)和涉及的关键技术。

　　3.3.1 地基激光雷达测高方法

　　为避免地基测高平台受到遮挡影响，一般会从不同高度和角度设置多个数据采集站点。因此，在地基激光雷达株高提取前需要利用最邻近点迭代算法(Iterative Closest Point，ICP)[59，60]或者加入外置特征地物(如标靶球)[13，14]等方式实现多站点数据的配准。对点云数据进行配准和去噪等预处理步骤后，准确地提取作物顶部及土壤区域是实现精确测高关键步骤之一[61]。程曼等[62]利用多项式曲线针对花生冠层轮廓特征使用激光点云进行拟合，结果显示5阶曲线拟合效果最佳，通过计算拟合曲线极大值点和极小值点以判断作物冠层轮廓的边界，得到花生株高，如图3所示。多项式曲线拟合方法适合冠层均匀的圆形叶片，对于不均匀的尖顶作物，容易造成低估且产生过高的拟合阶数。苏伟等[19]将单株玉米点云数据从群体点云中分离后，遍历单株玉米点云获得其空间坐标与点距，株高即为点云高度坐标的最大值和最小值两点间的欧式距离。此外，在播种后即进行土壤基面的点云数据获取也能够有效地减轻植株遮挡对土壤点提取产生的影响。通过在激光雷达测高系统上搭载可见光相机，获取每个测量点空间坐标的同时，能够记录被测物体的颜色和纹理信息，所产生的着色点云数据有助于作物与土壤的分类，也能够实现土壤和作物冠层点的精确提取。

　　3.3.2 无人机搭载可见光相机测高方法

　　被动式遥感传感器无法穿透植被冠层获取土壤基底，在作物还未封行的生长初期或作物种植间隔本身较大的情况下，可以提取土壤区域，并通过克里金插值[63，64]、反距离权重插值[53，65]、自然邻域插值[45]等方法获得完整、准确的数字地形模型(Digital Terrain Model，DTM)(圖4)。该方式可以同步获取DTM和作物表面高程(Digital Surface Model，DSM)，减少成本的同时避免人为因素或恶劣天气造成的土壤高程变化。然而，农业生产中往往以较高的播种密度种植经济作物，使作物迅速封闭冠层，抑制杂草生长[66，67]，增加了从DSM中推导DTM的难度。因此对于种植密集、冠层均匀或者基底起伏较大的垄作型作物，如高粱、油菜、马铃薯、甜菜等，多数实验选择在作物出苗前或收获后进行额外一次的飞行任务获取DTM[5，18，68，69]。

　　基于SfM算法的作物株高提取方法中需要精确地检测及匹配图像中大量特征信息，以获取高质量的冠层重建[70]。该过程通常采用尺度不变特征变换(Scale-Invariant Feature Transform，SIFT)算法寻找同名像点。然而与建筑物、树林等地物相比，农田作物存在大量的自遮挡现象且纹理信息单一，在多个视图中难以实现叶片目标的精准匹配，从而增大特征匹配误差，造成细节形态和纹理信息的缺失。对于郁闭度较高的农田目标，通常可以设置较高的无人机图像采集重叠度，以及更高的飞行高度来应对上述问题。Hasheminasab等[71]使用高精度全球定位系统/惯性传感单元(GPS/IMU)以减少特征匹配的搜索空间，代替传统的穷举搜索，能够减轻由重复纹理引起的匹配模糊问题。此外，无人机飞行高度较低时而产生的气流或者多风的环境条件均会使冠层发生移动，导致不同图像中叶片、穗部等结构的位置改变，也会对特征匹配产生一定的不利影响[72]。

　　推荐阅读：新疆农业科技杂志投稿要求

转载请注明来自：http://www.qikan2017.com/lunwen/nye/20766.html