基于無人機光譜分析的農(nóng)田監(jiān)測系統(tǒng)應用

張樂春

(南通科技職業(yè)學院，江蘇 南通 226000)

0 引言

農(nóng)田是農(nóng)業(yè)生產(chǎn)的基礎物資條件，主要由土壤、目標作物和雜草組成。農(nóng)田監(jiān)測的內(nèi)容包括土壤類型、目標作物生長狀況、雜草種類和數(shù)量，其監(jiān)測結(jié)果是農(nóng)藝管理操作的依據(jù)。農(nóng)田的土壤類型較為穩(wěn)定，在一定時期內(nèi)不會有太大變化，因此無須進行實時監(jiān)測。目標作物作為農(nóng)業(yè)生產(chǎn)的主體，生長速度快，性狀種類多，是農(nóng)田監(jiān)測的重點。雜草在農(nóng)田中普遍存在，一般不會對目標作物造成嚴重的影響，只有出現(xiàn)爆發(fā)或生物入侵的情況下才需要進行監(jiān)測。因此，大部分農(nóng)田監(jiān)測相關的研究都是針對目標作物長勢的研究，旨在為田間管理和產(chǎn)量預測提供重要的信息[1-2]。

農(nóng)作物長勢是通過外部性狀和內(nèi)部性狀綜合評判的，外部性狀可以被直接觀察感知，如各組織器官的數(shù)量、形狀和顏色等；外部性狀通過觀察記錄或者測量統(tǒng)計獲得，是作物生長狀況的直接反映。內(nèi)部性狀是生理代謝狀況和生理生化指標，如葉綠素含量、氮含量等，需要利用專門的儀器或方法測定獲得。內(nèi)部性狀是外部性狀產(chǎn)生的原因，可以作為分析作物生長趨勢的參考因素。傳統(tǒng)的農(nóng)田監(jiān)測是由人工完成，通過肉眼的觀察和統(tǒng)計測量，或者利用便攜式儀器測量，以及取樣后在室內(nèi)測定。人工監(jiān)測方法的勞動強度大，效率較低，受人員技能和素質(zhì)的影響，難以得到準確的結(jié)果。取樣測定還會對作物造成損害，且所選農(nóng)田區(qū)域的代表性有限，不能滿足現(xiàn)代化農(nóng)業(yè)的要求。

傳統(tǒng)農(nóng)田監(jiān)測方法的缺陷主要是源于平臺高度的限制，導致不能獲得大面積的農(nóng)田影像信息。隨著科學的發(fā)展，以衛(wèi)星和無人機為平臺的遙感技術(shù)應用于農(nóng)田信息監(jiān)測中，有效地解決了上述問題。衛(wèi)星遙感雖然覆蓋面積大，但是空間和光譜分辨率較低，影響了監(jiān)測的準確性[3]。相比之下，無人機遙感則兼顧了覆蓋面積和監(jiān)測精度，還具有操作簡便和靈活性好的特點，成為農(nóng)田監(jiān)測的理想手段[4]。無人機全稱無人駕駛航空飛行器，是由飛行平臺、遙控站及通訊模塊等部件組成的系統(tǒng)[5]。無人機在農(nóng)業(yè)上主要用于農(nóng)藥噴灑、農(nóng)業(yè)保險勘察和農(nóng)田信息監(jiān)測。其中，農(nóng)田信息監(jiān)測的內(nèi)容包括作物長勢、生理狀況和病蟲草害，都是通過現(xiàn)代遙感技術(shù)完成的。無人機遙感獲得的農(nóng)田信息范圍大，實時性強且準確性高，與傳統(tǒng)方法相比具有明顯的優(yōu)勢[6-8]。

無人機通過農(nóng)田影像的采集和分析來實現(xiàn)對農(nóng)田的監(jiān)測，影像采集設備為普通數(shù)碼相機及多光譜相機或光譜儀。數(shù)碼相機和多光譜相機采集的影像數(shù)據(jù)波段較少，光譜有限，不能全面地反映農(nóng)田信息[9]。高光譜遙感是20世紀80年代興起的技術(shù)，在拍攝地面圖像的同時獲得連續(xù)的光譜信息，通過分析光譜特征來對目標進行遙感監(jiān)測。高光譜的波段連續(xù)性強，光譜數(shù)據(jù)量大，有利于獲取農(nóng)田作物的完整信息。目前，由無人機搭載的高光譜遙感已在農(nóng)業(yè)中得到了廣泛應用，對農(nóng)作物生長狀態(tài)和生理指標的檢測是其應用的主要方面。高林等和田明璐等通過對無人機高光譜影像數(shù)據(jù)的分析，分別建立了針對冬小麥和棉花的葉面積指數(shù)估算模型[10-11]。裴浩杰等利用無人機獲取的高光譜影像數(shù)據(jù)監(jiān)測小麥的多個生理和生物量指標，從而評判小麥的綜合長勢[12]。秦占飛等采用相似的方法估測水稻葉片的全氮含量，用于評價水稻的營養(yǎng)狀況[13]。此外，還有關于無人機高光譜對入侵雜草進行監(jiān)測的報導[14]。

無人機拍攝農(nóng)田影像后，還需要進行光譜分析，才能獲得農(nóng)田的目標信息。光譜分析是農(nóng)田監(jiān)測的重要手段，分析方法的選擇對監(jiān)測精度有很大的影響。為此，設計了基于無人機光譜分析的農(nóng)田監(jiān)測系統(tǒng)，并用于對水稻的葉綠素含量進行估算，評價系統(tǒng)監(jiān)測的精度，為精準農(nóng)業(yè)的發(fā)展提供技術(shù)支撐。

1 材料與方法

1.1 監(jiān)測系統(tǒng)的組成

監(jiān)測系統(tǒng)由無人機平臺和光譜儀組成。無人機平臺為大疆精靈Phantom 4 Advanced型旋翼無人機，有效載荷2kg，續(xù)航時間30min。無人機采用北斗定位，無線傳輸速度Class10，最遠距離達到7km。地面站安裝大疆DJIGS Pro版軟件，規(guī)劃無人機的飛行路徑，通過PID控制方法將設定的航線發(fā)送給無人機，利用紅外無線傳輸控制飛行速度和方向。

光譜影像采集設備為德國Cubert公司的UHD185型機載光譜儀，安置在無人機的正下方。UHD185是全畫幅、非掃描的實時成像光譜儀，最小采樣間隔4nm，光譜范圍 450～950nm之間，分辨率為8nm。光譜儀質(zhì)量為0.47kg，具有125個通道，單次拍攝可以產(chǎn)生1幅50×50像素的高光譜影像。

1.2 試驗區(qū)概況

試驗區(qū)位于江蘇省南通市石港鎮(zhèn)(東經(jīng)120°59＇42＂，北緯32°11＇46＂)，地處長江下游的沖積平原，屬亞熱帶季風氣候，降雨量充沛。試驗區(qū)內(nèi)種植的作物為水稻，品種是雜交中稻揚兩優(yōu)818，采取常規(guī)的栽培措施。

1.3 影像拍攝和數(shù)據(jù)處理

1)在水稻的抽穗期采集農(nóng)田光譜影像，采集時間為9：00-11：00，天氣多云無風，能見度較好。無人機飛行高度80m，速度5m/s。光譜儀的鏡頭垂直向下，焦距22mm，拍攝視角15°，積分時間設定為1ms。光譜儀拍攝前在地面完成暗電流校正，利用參考板進行輻射標定。

2)采集光譜影像的同時在試驗區(qū)內(nèi)均勻選擇30個1m×1m的取樣點，每個點內(nèi)隨機選10片水稻劍葉，用SPAD-502型便攜式葉綠素儀測定每片劍葉上、中、下3個部位的葉綠素含量(SPAD)，以10片劍葉的平均值作為該樣點的葉綠素含量。

3)光譜影像采集后利用光譜儀附帶的軟件進行輻射校正得到反射率，然后將影像導入ENVI5.1軟件中識別出目標區(qū)域；以SPAD測定樣點為中心構(gòu)建興趣區(qū)，將興趣區(qū)內(nèi)的平均反射率光譜作為該樣點的特征光譜用于分析。從30個樣點中隨機選擇15個作為建模樣本，其余15個作為檢驗樣本。

1.4 光譜參數(shù)選擇和模型構(gòu)建

將樣點的各波段反射率進行線性或非線性組合計算，可以得到相應的光譜參數(shù)，消除背景信息的干擾，提高估算精度。UHD數(shù)據(jù)中包含豐富的光譜參數(shù)，本文參考田明璐等的研究，選取了對葉綠素含量敏感的4個光譜參數(shù)用于對水稻劍葉葉綠素含量的估算[4]。4個參數(shù)DR526、DR578、SDy和Db都與葉綠素含量呈線性關系，參數(shù)的定義如表1所示。葉綠素含量的光譜參數(shù)估算模型在SPSS軟件中通過一元線性回歸建立，然后在ENVI環(huán)境中對檢驗樣本的葉綠素含量進行反演。光譜參數(shù)與葉綠素含量的相關性以及模型對檢驗樣本的估算精度通過擬合方程的決定系數(shù)R2衡量，R2值越大，則相關性和估算精度越高。

表1 光譜參數(shù)的定義Table 1 Definition of the spectral indexes

2 結(jié)果與分析

4個光譜參數(shù)與建模樣本水稻葉片SPAD值的回歸分析結(jié)果如圖1所示。所有光譜參數(shù)的模型方程都達到了顯著水平，表明這些光譜參數(shù)都含有可用于估算SPAD的信息。4個參數(shù)中，基于DR526和SDy建立的模型精度較高，建模決定系數(shù)R2分別為0.753和0.726，因此用來對檢驗樣本的SPAD實測值和估算值進行擬合分析。

圖1 光譜參數(shù)與水稻葉片SPAD值的相關性Fig.1 The correlation between spectral indexes and rice leaf SPAD value

分別用SPAD-DR526和SPAD-SDy模型對15個檢驗樣本的SPAD實測值和估算值進行擬合分析，擬合方程的決定系數(shù)R2和斜率越接近1，表明模型的精度越高。分析結(jié)果如圖2所示。

圖2 檢驗樣本水稻葉片SPAD估算值與實測值的擬合Fig.2 Regression of estimated and measured rice leaf SPAD values (samples for validation)

其兩個模型的R2都超過0.9，具有較高的精度。SPAD-DR526模型的斜率達到1.217，與SPAD-SDy模型的0.869相比，擬合的精度相對較低，因此SDy可以作為本文SPAD值的最佳估算參數(shù)。

3 結(jié)論

為了拓寬農(nóng)田信息監(jiān)測的手段，設計了基于無人機光譜分析的農(nóng)田監(jiān)測系統(tǒng)。系統(tǒng)利用大疆精靈旋翼無人機搭載德國UHD185型光譜儀拍攝水稻田的高光譜影像，基于多個光譜參數(shù)建立回歸模型，對水稻劍葉的葉綠素含量進行估算。4個光譜參數(shù)與建模樣本水稻葉片SPAD值的回歸分析都達到顯著水平，含有可用于估算SPAD的信息?；贒R526和SDy建立的模型精度較高，因此用來對檢驗樣本的SPAD實測值和估算值進行擬合分析。兩個模型擬合方程的R2都超過0.9，具有較高的精度。結(jié)合模型的斜率值，則SDy可以作為本文SPAD值的最佳估算參數(shù)。無人機光譜分析對農(nóng)田監(jiān)測的精度較高，能為精準農(nóng)業(yè)的發(fā)展提供技術(shù)支撐。