高光譜在農(nóng)業(yè)研究中的應(yīng)用

　　寫在前面的
 

　　① 水稻高產(chǎn)栽培是解決世界范圍內(nèi)日益增長的糧食需求的有效途徑，而對高產(chǎn)水稻進行正確分類是育種的關(guān)鍵。
 

　　② 然而，在育種項目中人工測量耗時、成本高、產(chǎn)量低，這限制了在大規(guī)模現(xiàn)場表型的應(yīng)用。
 

　　③ 因此，研究者開發(fā)了一種低成本、高通量表型分析和無損檢測的方法，將無人機高光譜測量和深度學習相結(jié)合，以提高水稻育種效率。
 

　　研究背景
 

　　水稻是世界上主要的栽培作物之一，是許多國家的主要糧食來源。地球水稻的種植面積僅占耕地總面積的7%，卻養(yǎng)育著地球21%的人口。近年來，糧食生產(chǎn)增長速度明顯放緩，而世界一些地區(qū)的糧食需求卻在增加。
 

　　在中國，預(yù)計到2030年，對大米生產(chǎn)的需求將增加約20%，巨大的需求遇到了巨大的挑戰(zhàn)，勞動力人口減少，耕地質(zhì)量下降，水資源短缺，氣候變化等。因此，選育高產(chǎn)水稻品種，提高單位產(chǎn)量，是解決糧食需求缺口的有效途徑。
 

　　在水稻育種過程中，準確地預(yù)測產(chǎn)量是高產(chǎn)品種篩選的關(guān)鍵，而迄今為止，該工作很大程度上依賴于人為經(jīng)驗評估，存在主觀隨意性和不能規(guī)模化等限制。因此，高通量表型分型系統(tǒng)正在迅速發(fā)展，在許多育種項目中，遙感工具如RGB相機和多光譜、高光譜、熒光和熱傳感器都被用于數(shù)據(jù)采集。隨著無人機技術(shù)和光譜成像技術(shù)的進步，基于無人機的高光譜相機在農(nóng)業(yè)生產(chǎn)中的應(yīng)用越來越廣泛。
 

　　基于無人機的高光譜圖像數(shù)據(jù)采集
 

　　近日，Plant Phenomics在線發(fā)表了寧夏農(nóng)林科學院農(nóng)作物研究所、福建農(nóng)林大學林學中`心、中科院地理信息研究所合作的題為Classification of Rice Yield Using UAV-Based Hyperspectral Imagery and Lodging Feature的研究論文。
 

　　研究者首先按照畝產(chǎn)將13個寧夏北方區(qū)試中早粳中熟組水稻劃分為高產(chǎn)、中產(chǎn)和低產(chǎn)三個類別。而后利用DJI M600 Pro無人機，配備GaiaSky-Vis&Nir高光譜相機采集高光譜圖像，并結(jié)合水稻后期倒伏特征，借助機器學習算法(XGBoost)構(gòu)建水稻產(chǎn)量類別檢測模型。該模型對在試驗區(qū)的13個水稻品種產(chǎn)量進行預(yù)測，結(jié)合實際的產(chǎn)量進行比較發(fā)現(xiàn)該模型對高產(chǎn)品種的識別具有很高的準確度。
 

▲試驗區(qū)分布圖
 

　　該高光譜相機的分辨率為960×1057像素，在飛行高度為90m時的空間分辨率為4.5cm，其波長范圍從400到1000nm，光譜分辨率為3.5nm，每張圖像的曝光時間為7s。水稻光譜曲線與周圍土壤不同。在數(shù)據(jù)采集前，研究者們對農(nóng)田進行了檢查，確保稻田中只有水稻，沒有其他雜草，避免干擾高光譜數(shù)據(jù)。
 

　　高光譜圖像預(yù)處理工作流程包括數(shù)據(jù)校準、噪聲，背景去除和ROI的選擇。研究者還進行了隨機非重復(fù)采樣、植被指數(shù)計算和數(shù)據(jù)降維。將高光譜數(shù)據(jù)、植被指數(shù)和倒伏特征組合成一個數(shù)據(jù)庫，然后將數(shù)據(jù)分為訓(xùn)練庫和測試庫。
 

▲高光譜處理流程及各種分析策略的模型評估
 

　　由于倒伏標記對更好地估計產(chǎn)量有重要意義，本研究同時設(shè)計了基于深度學習的倒伏檢測模型來對水稻的倒伏特征進行量化，并獲得了較高的倒伏預(yù)測準確度。結(jié)果表明，利用深度學習技術(shù)實現(xiàn)水稻倒伏的自動識別是可行的。
 

▲利用微調(diào)技術(shù)自動識別水稻倒
 

　　Gaia-Vis&Nir作為針對植被、農(nóng)作物(小麥、玉米)等理化、生理指標長期監(jiān)測系統(tǒng)，采用了高靈敏度、高光譜分辨率、寬光譜范圍的探測器。在ARM 系統(tǒng)下對探測器、溫度傳感器、制冷系統(tǒng)、采集系統(tǒng)、轉(zhuǎn)鏡結(jié)構(gòu)、電子Shutter、輔助拍攝區(qū)域視頻監(jiān)控等功能的控制。
 

　　反射光譜測量的是植被生化組分等對入射光譜的吸收信息，能夠反演植物群體的生化組分濃度信息。通過獲取植被冠層在350nm- 1700nm范圍內(nèi)的反射光譜信息，可反映植被冠層的生長狀態(tài)及生化組分信息。
 

　　例如，利用作物水分敏感波段960nm/1450nm處的反射率可判斷作物葉片、冠層的含水量關(guān)系。綜合考慮葉片內(nèi)部結(jié)構(gòu)、葉片水分含量以及干物質(zhì)等的影響，利用1600nm與820nm的反射率比值建立與等效水厚度EWT(Equivalent Water Thickness)的相關(guān)性。
 

　　▲Gaia-Vis&Nir植被冠層可見&近紅外反射光譜測試、太陽光誘導(dǎo)葉綠素熒光測試系