基于无人机多光谱与LiDAR数据的玉米株高精准制图研究

《Precision Agriculture》：Precision maize crop height mapping using multispectral and LiDAR data from unmanned aerial system

　　

摘要 研究背景：空间显式且精准的玉米株高制图对于支撑精准农业中的田块特异性管理至关重要。尽管基于低成本无人机系统（UAS）的多光谱影像为玉米株高估算提供了一种有前景的途径，但其在不同冠层条件下的精度仍存在不确定性。 研究目的：本研究利用基于UAS获取的多光谱影像生成三维点云，在稀疏与稠密冠层覆盖条件下估算玉米株高，并与基于激光雷达（LiDAR）的估算结果进行比较。 研究方法：采用空间局部化网格（SLG）滤波方法对多光谱影像与LiDAR数据生成的三维点云进行处理，以生成数字地形模型（DTM）与冠层表面模型（CSM），并据此估算玉米株高。此外，研究还探索了两种策略——（1）网格扩展，（2）利用稀疏冠层期间获取的地面参考数据——作为缓解稠密冠层覆盖条件下多光谱影像估算问题的潜在工具。 研究结果：结果表明，在稀疏冠层覆盖条件下，基于多光谱影像估算的株高与LiDAR估算结果具有相当的精度（r = 0.9，nRMSE = 32%）。然而，在稠密冠层覆盖条件下，基于多光谱的估算精度显著下降，未观察到有意义的相关性（r = ?0.1，nRMSE = 61%）。相比之下，LiDAR估算在相同条件下保持了一致的精度水平（r = 0.78，nRMSE = 15%）。在稠密冠层覆盖条件下对多光谱估算实施网格扩展策略时，nRMSE最多可降低28%。同时，利用稀疏冠层覆盖地面参考数据时，nRMSE最多可降低17%，与LiDAR估算结果相当。 研究结论：总体而言，这些结果证明了利用UAS多光谱成像以经济高效的方式获取株高数据的潜力。该方法为昂贵的LiDAR系统提供了一种可扩展且经济可行的替代方案，能够将株高信息更广泛地整合到精准农业应用中。

一、研究背景与问题

作物株高是反映作物生长状况、生物量积累及整体生产力的关键生物物理性状，在精准农业中，及时且空间显式的株高信息对于实施田块特异性管理决策（包括养分管理、灌溉和产量估算）至关重要。传统的基于地面的株高测量方法劳动强度大、耗时且空间覆盖有限，难以满足大面积农田监测需求。

无人机系统（UAS）为农业监测提供了快速、可扩展且高分辨率的数据采集能力。其中，激光雷达（LiDAR）凭借其生成精确三维结构信息的能力被广泛用于株高估算，且受光照和云层等环境条件影响较小。然而，LiDAR的采集与处理通常比基于影像的方法更耗费资源且技术要求更高。作为经济高效的替代方案，基于影像的运动恢复结构（SfM）技术近年来在株高估算领域受到广泛关注，但以往研究多基于RGB影像，其在冠层闭合后因裸土可见性降低而难以准确提取地面点，导致精度下降。多光谱影像虽然分辨率低于RGB影像，但能同时获取结构与光谱信息，具有独特优势。然而，多光谱SfM在后期生长阶段或稠密冠层条件下、且仅依赖单次采集数据时的株高估算效果仍缺乏系统评估。因此，本研究旨在评估单次UAS多光谱SfM在稀疏与稠密冠层条件下估算玉米株高的潜力，并以LiDAR估算结果为参照进行比较。

二、研究内容与主要技术方法

研究人员于2023年在美国俄亥俄州南查尔斯顿西部农业研究站（39°51′14″N，83°40′2″W）一块0.4公顷的试验田开展研究，该田块包含80个小区，采用裂区随机完全区组设计，包含5个播种日期和4个玉米杂交种的组合处理。田间测量于6月8日（V4-V5期，稀疏冠层）和8月15日（VT期，稠密冠层）两个日期进行，每次在12个随机选取的位置建立0.5m×0.5m样方，测量样方内所有玉米植株从茎基部到叶片或雄穗最高点的高度，并聚合为样方平均株高。样方中心位置采用Trimble R8 GNSS接收机配合RTK校正记录，同时布设5个永久地面控制点（GCPs）用于影像地理配准。

关键技术方法包括：（1）多光谱影像采集：采用Micasense RedEdge-MX传感器搭载于DJI Matrice 200 UAS，飞行高度40m，航向重叠80%、旁向重叠70%，在Pix4D中进行摄影测量处理并集成GCPs生成三维点云；（2）LiDAR数据采集：采用Velodyne VLP-16 Hi-Res传感器搭载于Alta X UAS，飞行高度44m，速度4m/s，使用GRYFN处理工具结合APX15 GNSS/IMU直接地理配准（DG）技术处理点云；（3）空间局部化网格（SLG）滤波方法：将点云划分为1m×1m规则网格，在每个网格内提取第99百分位高程代表冠层顶部、第1百分位高程代表地面，分别生成冠层表面模型（CSM）和数字地形模型（DTM），株高为两者之差；（4）两种改进策略：网格扩展策略（将地面点检测网格从2m逐步扩大至40m）和稀疏冠层DTM参考策略（利用6月8日稀疏冠层影像生成的DTM作为稠密冠层株高计算的地面基准）。

三、研究结果

基于LiDAR的株高估算：LiDAR生成的DTM在稀疏和稠密冠层条件下高程分布相似，表明LiDAR能稳定捕获两种冠层条件下的地面高程，体现了其强大的冠层穿透能力。稀疏冠层条件下，LiDAR估算株高与田间实测值呈强相关（r = 0.81），RMSE为6.68cm，MAE为5.16cm，nRMSE为17%；稠密冠层条件下仍保持强相关（r = 0.78），RMSE和MAE分别为33.83cm和27.46cm，nRMSE为15%。空间显式的株高图能够捕捉田块内空间变异性。

基于多光谱影像的株高估算：稀疏冠层条件下，多光谱影像估算株高与实测值呈强相关（r = 0.90），MAE和RMSE分别为11.44cm和12.49cm，nRMSE为32%，精度与LiDAR相当。但稠密冠层条件下精度显著下降，相关系数降至?0.10，MAE、RMSE和nRMSE分别增至123.45cm、133.07cm和83%，株高被系统性低估（估算范围55–144cm，实测范围136–251cm）。三维可视化显示，稠密冠层下多光谱DTM未能准确捕捉低海拔区域，系统性高估了地面高程，导致株高一致低估。

多光谱与LiDAR估算对比：稀疏冠层条件下，多光谱估算相关系数（r=0.9）高于LiDAR（r=0.81），但LiDAR的RMSE更低，绝对测量精度更高。稠密冠层条件下，多光谱性能显著下降（r=?0.10，RMSE=133cm），而LiDAR保持中等性能（r=0.70，RMSE=33cm），凸显了LiDAR在不同冠层密度下的稳健性。

网格扩展策略：随着网格尺寸从2m增大至40m，地面高程范围从3.03m降至1.25m。在2m网格下相关系数升至0.76，误差较原始估算显著降低；网格继续增大至30m时误差降至最低，最佳结果为r=0.76，MAE=54.39cm，RMSE=61.19cm，nRMSE=28%，但仍逊于LiDAR（nRMSE=15%）。

稀疏冠层DTM参考策略：利用稀疏冠层DTM与稠密冠层CSM计算株高时，与实测值呈强相关（r=0.92），MAE、RMSE和nRMSE分别为34.52cm、37.15cm和17%，精度与LiDAR相当，优于网格扩展策略。

四、讨论与结论

讨论部分指出，多光谱影像在稠密冠层条件下株高估算精度下降的主要原因是冠层拦截光线导致地面点缺失，这一问题在RGB影像研究中也普遍存在。与LiDAR相比，多光谱影像点云穿透深度有限（稠密冠层下仅能解析冠层上部不足1m深度，而LiDAR可解析超过2m深度），这是精度差异的根本原因。两种改进策略均能有效缓解稠密冠层下的估算问题：网格扩展策略适用于仅有单次影像采集且无前期地面参考的情况，但最优网格尺寸需根据具体场景确定；稀疏冠层DTM参考策略在多时相影像可用时效果更佳，精度可与LiDAR相当。研究局限性包括：仅在单一试验田块、两个生长阶段进行评估；单次采集方式在冠层闭合后地面点识别困难；多光谱传感器分辨率较低导致点云密度有限；较大网格尺寸在地形复杂区域可能降低局部估算精度。

研究结论为：LiDAR在稀疏（nRMSE=17%）和稠密（nRMSE=15%）冠层条件下均保持良好精度，始终优于多光谱影像。多光谱估算在稀疏冠层条件下精度中等（nRMSE=32%），稠密冠层条件下显著下降（nRMSE=61%）。通过网格扩展和稀疏冠层DTM参考两种策略，多光谱估算的nRMSE分别降至28%和17%，其中稀疏冠层DTM策略使多光谱估算精度达到与LiDAR相当的水平。研究证明，多光谱影像作为一种经济高效的株高估算途径具有重要潜力，尤其在多时相影像可用的情况下，能够以远低于LiDAR的成本提供与LiDAR相当的株高精度，同时获取有价值的光谱信息，有助于将株高信息更广泛地整合到精准农业应用中。