基于無人機(jī)多光譜影像的冬小麥氮肥監(jiān)測(cè)

斯鈞浪 董超 李百紅

摘要 [目的]研究無人機(jī)多光譜影像與土壤養(yǎng)分水平變化的關(guān)系。[方法]利用無人機(jī)搭載的多光譜傳感器生成研究區(qū)50 m高的反射率正射影像，計(jì)算NDVI，GNDVI和SAVI指數(shù)值，調(diào)取作物感興趣區(qū)進(jìn)行研究。[結(jié)果]植被指數(shù)在小麥越冬期的不同長(zhǎng)勢(shì)小麥有明顯差別。在其他外部條件一致的情況下，土壤N水平的變化對(duì)冬小麥越冬期長(zhǎng)勢(shì)影響較明顯。[結(jié)論]無人機(jī)多光譜影像對(duì)冬小麥有較好的氮診斷潛力，可利用估測(cè)結(jié)果指導(dǎo)精準(zhǔn)氮肥管理。

關(guān)鍵詞 無人機(jī);多光譜影像;植被指數(shù);冬小麥;氮水平

中圖分類號(hào) S126 ?文獻(xiàn)標(biāo)識(shí)碼 A ?文章編號(hào) 0517-6611（2020）05-0239-03

doi：10.3969/j.issn.0517-6611.2020.05.067

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Abstract [Objective]To study the relationship between UAV multispectral imagery and soil nutrient level. [Method]Multispectral sensors carried by UAV were used to generate orthophoto images with reflectivity of 50 m in the study area. NDVI， GNDVI and SAVI indexes were calculated to extract the region of interest of crops for research. [Result]Vegetation index has obvious difference among different growing wheat during winter. By plotting frequency histogram， regional differences can be observed. Under the same external conditions， through further analysis with nitrogen level， the change of soil N level was more obvious for winter wheat growth during overwintering period. [Conclusion]UAV multispectral image has good diagnostic potential for winter wheat， and the estimated results can be used to guide precise nitrogen management.

Key words Unmanned aerial vehicle（UAV）;Multispectral image;Vegetation index;Winter wheat;Nitrogen level

利用無人機(jī)平臺(tái)搭載多光譜相機(jī)組成的遙感監(jiān)測(cè)系統(tǒng)在施肥決策上已取得了一些成果，李冰等[1]設(shè)計(jì)了基于無人機(jī)的多光譜載荷觀測(cè)系統(tǒng)，以冬小麥為研究對(duì)象，提出一種由直方圖曲線獲取植被指數(shù)閾值的方法。劉昌華等[2]通過建立光譜特征的冬小麥氮素植被反演模型，進(jìn)行冬小麥的氮素營(yíng)養(yǎng)實(shí)時(shí)診斷和長(zhǎng)勢(shì)監(jiān)測(cè)。但建立多光譜影像與地面試驗(yàn)數(shù)據(jù)比較分析還鮮見報(bào)道。鑒于此，筆者介紹利用無人機(jī)平臺(tái)獲取的多光譜影像生成植被指數(shù)，從無人機(jī)尺度研究小麥指數(shù)變化與分布情況，并根據(jù)地面試驗(yàn)評(píng)估無人機(jī)多光譜影像與氮肥水平變化的關(guān)系。

1 材料與方法

1.1 基本理論

植被指數(shù)是2種以上波段的組合，旨在突出顯示植被特征（冠層生物量，輻射吸收量，葉綠素含量等）。在植被研究中，植被紅光波段反射率很低，而綠光波段反射率很高，近紅波段反射率遠(yuǎn)高于可見光波段。在各種指數(shù)中，三波段多光譜傳感器主要采用的指數(shù)包括歸一化植被指數(shù)（NDVI），綠色歸一化植被指數(shù)（GNDVI）和土壤調(diào)節(jié)植被指數(shù)（SAVI）。其中NDVI的計(jì)算公式為：

NDVI=NIR-RNIR+R

式中，NIR為近紅外波段，R為紅光波段。指數(shù)范圍為-1.0～1.0，正值表明綠色的增加，負(fù)值表示非植被地帶特性，如水，貧瘠地區(qū)，冰、雪或云。綠色植被常見的范圍是0.2～0.9。中等值代表灌木和草地（0.2～0.3），較高的值代表森林和作物（0.4～0.9）。

GNDVI計(jì)算與NDVI相似，但是使用綠色波段替代紅色波段。它與光合吸收輻射的比例有關(guān)，與葉面積指數(shù)（LAI）和生物量呈線性相關(guān)，與作物產(chǎn)量高度相關(guān)。GNDVI對(duì)葉綠素的敏感高于NDVI，范圍從0到1.0，其計(jì)算公式為：

GNDVI=NIR-GNIR+G

式中，NIR為近紅外波段，G為綠光波段。

SAVI可以在植被覆蓋差，土壤表層暴露的地區(qū)用以最小化土壤背景影響。SAVI的取值為-1.0～1.0，SAVI的計(jì)算公式為：

SVAI=NIR-RNIR+R+L（1+L）

式中，NIR為近紅外波段，R為紅光波段，L為植被密度函數(shù)，當(dāng)L=0時(shí)，SAVI=NDVI。L是最小化背景影響的關(guān)鍵，可以根據(jù)研究區(qū)內(nèi)不同植被狀況來確定，取值范圍在-1～1。高密度植被覆蓋區(qū)域，L值較低，較高的L值用于低植被覆蓋區(qū)域，L取0.5是調(diào)節(jié)土地光學(xué)性質(zhì)的最佳值。

1.2 研究區(qū)概況

研究區(qū)位于山東省淄博市桓臺(tái)縣中國(guó)農(nóng)大桓臺(tái)生態(tài)與可持續(xù)發(fā)展實(shí)驗(yàn)站（117°50′～118°10′E，36°54′～37°04′N），屬暖溫帶大陸性季風(fēng)氣候。年平均日照時(shí)數(shù)2 832.7 h，5月份最多，2月份最少，日照率62%。年平均氣溫11.8～12.9 ℃，多年平均降水量542.8 mm，多集中在6、7、8月份。

土壤類型為棕壤，地形平坦，土層深厚;基礎(chǔ)設(shè)施條件完善，種植農(nóng)作物為冬小麥，試驗(yàn)作物冬小麥品種為“魯原502”，生育期239 d，千粒重43.6 g;播種量120 kg/hm.2，行距21.7 cm。

1.3 平臺(tái)、傳感器和測(cè)量手段

無人機(jī)采用Matrice 600 pro六旋翼飛行平臺(tái)，三軸穩(wěn)定云臺(tái)為相機(jī)提供穩(wěn)定的平臺(tái)，使得在飛行器高速飛行的狀態(tài)下相機(jī)也能拍攝出穩(wěn)定的畫面。采用測(cè)繪航拍模式，跟蹤重疊約70%。將Sequoia多光譜相機(jī)固定到無人機(jī)云臺(tái)上，利用支架將sunshine sensor粘到無人機(jī)背部，使用USB主機(jī)數(shù)據(jù)線將多光譜傳感器連接至sunshine sensor;使用USB設(shè)備數(shù)據(jù)線將多光譜傳感器連接至遙控飛機(jī);Sequoia開啟。校準(zhǔn)Sequoia，校準(zhǔn)前確保2個(gè)傳感器已固定連接在遙控飛機(jī)上。飛行前采集標(biāo)準(zhǔn)白板，將相機(jī)對(duì)準(zhǔn)白板，反射板置于平地上，遠(yuǎn)離任何障礙物，反射板大約充滿相機(jī)半個(gè)鏡頭，相機(jī)盡可能垂直對(duì)準(zhǔn)反射板，反射板上沒有陰影，陽光直射在反射板上（沒有反射日光），按下“capture”進(jìn)行拍照，等待15 s開始拍攝，然后在頁面選擇并導(dǎo)出白板圖像。在飛行中，多光譜相機(jī)設(shè)置為每1.6 s拍攝1次，覆蓋度為80%，分辨率為1.2 Mpix，10 bits depth。

該試驗(yàn)調(diào)查時(shí)間為冬小麥的越冬期，主要研究無人機(jī)平臺(tái)與多光譜相機(jī)的使用，利用安裝在無人機(jī)上的多光譜相機(jī)獲取數(shù)據(jù)，進(jìn)行攝影測(cè)量和處理，利用pix4D mapper獲取試驗(yàn)區(qū)的多光譜相機(jī)的高分辨率正射反射率影像。利用ENVI軟件分別計(jì)算不同研究區(qū)的NDVI、GNDVI和SAVI值，生成與評(píng)價(jià)不同植被指數(shù)圖并統(tǒng)計(jì)分析，利用GIS軟件進(jìn)行施肥水平試驗(yàn)區(qū)的識(shí)別。

1.4 數(shù)據(jù)處理

該研究選擇pix4Dmapper軟件進(jìn)行航拍數(shù)據(jù)的處理，pix4Dmapper可以自動(dòng)化進(jìn)行無人機(jī)遙感影像處理從圖像生成點(diǎn)云，數(shù)字表面模型，數(shù)字高程模型和正射影像。處理包括初始化處理，向工程中導(dǎo)入圖片和POS數(shù)據(jù)，生成質(zhì)量報(bào)告，對(duì)數(shù)據(jù)質(zhì)量進(jìn)行評(píng)估，對(duì)影像進(jìn)行篩選，保證參與校正拼接影像的重疊度。點(diǎn)云和紋理的生成，輸出DSM，正射影像和指數(shù)。拼接后的影像主要是輻射校正，輻射校正一方面利用無人機(jī)飛行中輻射傳感器收集的拍攝時(shí)的數(shù)據(jù)，另一方面通過選取飛機(jī)起飛前拍攝的地面白平衡板目標(biāo)，進(jìn)行進(jìn)一步天空與地面的差異校正。最終從每個(gè)數(shù)據(jù)集中提取點(diǎn)云數(shù)據(jù)，以5 cm的分辨率生成正射影像。產(chǎn)生的正射影像包括紅光、近紅、綠光和紅邊4個(gè)通道。然后通過ENVI軟件進(jìn)行圖像裁剪與指數(shù)計(jì)算。

2 結(jié)果與分析

2.1 對(duì)比分析

利用桓臺(tái)研究區(qū)無人機(jī)數(shù)據(jù)生成高分辨率的正射反射率影像計(jì)算NDVI、GNDVI和SAVI指數(shù)，提取的指數(shù)如圖1所示。NDVI，GNDVI和SAVI值植被指數(shù)的范圍間于[-1，1]，指數(shù)值低呈現(xiàn)紅色，說明冬小麥長(zhǎng)勢(shì)不好，指數(shù)值高呈現(xiàn)綠色，說明冬小麥長(zhǎng)勢(shì)良好。在研究區(qū)東部和西北部地帶，出現(xiàn)了一些紅色的像素，代表了負(fù)指數(shù)值，說明該區(qū)域種植稀疏呈現(xiàn)裸土情況。

在研究區(qū)內(nèi)選取3個(gè)不同表現(xiàn)的樣本區(qū)域（A、B和C），其中A為3414實(shí)驗(yàn)區(qū)，區(qū)域B、C是普通地（圖1）。對(duì)這些區(qū)域進(jìn)行統(tǒng)計(jì)分析，計(jì)算平均值和標(biāo)準(zhǔn)差（表1）。結(jié)果表明，區(qū)域B的植被指數(shù)最高，區(qū)域A次之，區(qū)域C的植被指數(shù)最低，結(jié)合圖1也反映這一情況。對(duì)比區(qū)域A、B和C植被指數(shù)的標(biāo)準(zhǔn)差和變異系數(shù)，區(qū)域C植被指數(shù)的標(biāo)準(zhǔn)差和變異系數(shù)都大于區(qū)域A和區(qū)域B，說明區(qū)域C的差異性較大。

根據(jù)植被指數(shù)頻率直方圖（圖2），區(qū)域A的指數(shù)覆蓋區(qū)域大，NDVI指數(shù)間于[0.30，0.80]，GNDVI指數(shù)間于[0.40，0.70]，SAVI指數(shù)間于[0.30，0.90];區(qū)域B的指數(shù)覆蓋區(qū)域位于高值區(qū)，如NDVI指數(shù)集中位于[0.45，0.70]，SAVI指數(shù)集中位于[0.50，1.00];區(qū)域C的指數(shù)覆蓋區(qū)域集中在低值區(qū)，如NDVI指數(shù)集中位于[0.25，0.65]，SAVI指數(shù)集中位于[0.25，0.80]。

植被指數(shù)頻率直方圖直觀地反映了冬小麥的長(zhǎng)勢(shì)情況，多光譜影像需結(jié)合其他因素的影響，由于區(qū)域A種植時(shí)間比區(qū)域B稍晚幾天，區(qū)域A的植被指數(shù)和指數(shù)頻率覆蓋區(qū)都落后于區(qū)域B。所以，冬小麥長(zhǎng)勢(shì)的多光譜影像監(jiān)測(cè)，需綜合冬小麥種植日期，種植模式等具體情況，結(jié)合作物直方圖分布來進(jìn)一步判斷。

2.2 “3414試驗(yàn)”定性分析

為了進(jìn)一步分析小麥長(zhǎng)勢(shì)與土壤養(yǎng)分之間的關(guān)系，單獨(dú)對(duì)區(qū)域A進(jìn)行分析，A區(qū)布設(shè)的是“3414試驗(yàn)”，“3414”肥料田間試驗(yàn)設(shè)計(jì)中，“3”是指氮、磷、鉀3個(gè)研究因素，“4”是指氮、磷、鉀肥料用量的4個(gè)水平，從64個(gè)組合中選取了14個(gè)處理方式試驗(yàn)。小麥產(chǎn)量受諸多因素影響，其中氮肥管理是關(guān)鍵要素[3]，作物缺氮會(huì)引起葉色、葉片厚度等變化，進(jìn)而引起光譜反射率變化[4]，對(duì)氮水平做出分析。將研究區(qū)歸并為L(zhǎng)0、L1、L2、L3、L4共個(gè)水平，L0代表無施肥，L1～L4代表N水平分別從0水平到3水平，而磷、鉀都是2水平即推薦水平，如表2（氮元素水平的植被指數(shù)統(tǒng)計(jì)表）所示，不同施氮水平下，冬小麥長(zhǎng)勢(shì)差異顯著。

將各水平指數(shù)均值繪制成柱狀圖。由圖3可知，L0水平由于未施氮肥，其指數(shù)低于其他水平，隨著氮肥養(yǎng)分的提升，L1、L2至L3呈階梯型上升，L4是過量施肥，3種指數(shù)并沒有進(jìn)一步上升，反而下降，L3是推薦水平，其均值最高，說明多光譜影像對(duì)冬小麥氮肥監(jiān)測(cè)的實(shí)用性。

3 結(jié)論

（1）該研究展示了高分辨率無人機(jī)和攝影測(cè)量技術(shù)為精準(zhǔn)施肥提供差異化信息源的潛力，利用無人機(jī)搭載的多光譜傳感器繪制了研究區(qū)的植被指數(shù)圖，對(duì)于每個(gè)數(shù)據(jù)集，使用自動(dòng)攝影測(cè)量程序，產(chǎn)生R，G，NIR和REG共4個(gè)波段反射率正射影像，計(jì)算3種植被指數(shù)NDVI、GNDVI和SAVI，通過氮水平分析，在其他外部條件一致的情況下，土壤氮水平的變化對(duì)于冬小麥越冬期長(zhǎng)勢(shì)較明顯，通過繪制頻率直方圖，?更好地判斷各水平冬小麥長(zhǎng)勢(shì)情況。

（2）根據(jù)試驗(yàn)情況，多光譜影像監(jiān)測(cè)要考慮其他因素的影響，如冬小麥種植模式不一致的情況下，其指數(shù)表現(xiàn)明顯不同;另外，冬小麥種植的時(shí)間差別也會(huì)帶來指數(shù)圖表現(xiàn)的差異，需要對(duì)冬小麥生育期整個(gè)過程進(jìn)行監(jiān)測(cè)，擬合冬小麥完整生育期內(nèi)的指數(shù)變化情況，以便進(jìn)行施肥決策的對(duì)比。

參考文獻(xiàn)

[1]李冰，劉镕源，劉素紅，等.基于低空無人機(jī)遙感的冬小麥覆蓋度變化監(jiān)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（13）：160-165.

[2]劉昌華，王哲，陳志超，等.基于無人機(jī)遙感影像的冬小麥氮素監(jiān)測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（6）：207-214.

[3]欒青，馬雅麗，李偉偉，等.GIS支持下的臨汾市冬小麥動(dòng)態(tài)估產(chǎn)模型研究[J].山西農(nóng)業(yè)科學(xué)，2012，40（5）：536-539.

[4]趙安周，朱秀芳，李天祺.基于HJ小衛(wèi)星影像的北京市冬小麥測(cè)產(chǎn)研究[J].農(nóng)業(yè)現(xiàn)代化研究，2014，35（5）：573-577.

[5]田振坤，傅鶯鶯，劉素紅，等.基于無人機(jī)低空遙感的農(nóng)作物快速分類方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29（7）：109-116.

[6]韓文霆，郭聰聰，張立元，等.基于無人機(jī)遙感的灌區(qū)土地利用與覆被分類方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（11）：270-277.

[7]王備戰(zhàn)，馮曉，溫暖，等.基于SPOT-5影像的冬小麥拔節(jié)期生物量及氮積累量監(jiān)測(cè)[J].中國(guó)農(nóng)業(yè)科學(xué)，2012，45（15）：3049-3057.

[8]張玉萍，馬占鴻.不同施氮量下小麥遙感估產(chǎn)模型構(gòu)建[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2015，31（6）：1325-1329.

[9]高林，楊貴軍，于海洋，等.基于無人機(jī)高光譜遙感的冬小麥葉面積指數(shù)反演[J].農(nóng)業(yè)工程學(xué)報(bào)，2016，32（22）：113-120.

[10]楊貴軍，李長(zhǎng)春，于海洋，等.農(nóng)用無人機(jī)多傳感器遙感輔助小麥育種信息獲取[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（21）：184-190.