基于高光譜遙感處方圖的寒地分蘗期水稻無(wú)人機(jī)精準(zhǔn)施肥

于豐華，曹英麗，許童羽，郭忠輝，王定康

·農(nóng)業(yè)航空工程·

基于高光譜遙感處方圖的寒地分蘗期水稻無(wú)人機(jī)精準(zhǔn)施肥

于豐華1,2，曹英麗1,2，許童羽1,2※，郭忠輝1，王定康1

（1. 沈陽(yáng)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，沈陽(yáng) 110866；2. 遼寧省農(nóng)業(yè)信息化工程技術(shù)中心，沈陽(yáng) 110866）

分蘗期根外追肥是水稻生產(chǎn)的重要田間管理環(huán)節(jié)，也是水稻生長(zhǎng)中的第一個(gè)需肥高峰期，追肥效果直接影響分蘗數(shù)以及中后期長(zhǎng)勢(shì)。為了探究利用無(wú)人機(jī)遙感構(gòu)建施肥量處方圖指導(dǎo)農(nóng)用無(wú)人機(jī)對(duì)分蘗期水稻精準(zhǔn)追肥，在保障水稻產(chǎn)量的前提下降低化肥施用量，該研究在水稻分蘗期追肥窗口期，利用無(wú)人機(jī)遙感診斷與農(nóng)用無(wú)人機(jī)精準(zhǔn)作業(yè)相結(jié)合，采用無(wú)人機(jī)高光譜技術(shù)建立水稻分蘗期施肥量處方圖，結(jié)合農(nóng)用無(wú)人機(jī)作業(yè)參數(shù)對(duì)待施肥地塊進(jìn)行柵格劃分，確定精準(zhǔn)施肥量，并通過(guò)農(nóng)用無(wú)人機(jī)進(jìn)行精準(zhǔn)施肥。結(jié)果表明：利用特征波段選擇與特征提取的方式在450～950 nm范圍內(nèi)共提取5個(gè)水稻高光譜特征變量用于水稻氮素含量的反演；利用粒子群優(yōu)化的極限學(xué)習(xí)機(jī)（Particle Swarm Optimization-Extreme Learning Machine，PSO-ELM）構(gòu)建的水稻氮素含量反演模型效果要好于極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）反演效果，模型決定系數(shù)為0.838；結(jié)合待追肥區(qū)域反演氮素含量（N），標(biāo)準(zhǔn)田氮素含量（std）、氮肥濃度（）、水稻地上生物量（std）、水稻覆蓋度（std）、化肥利用率（）及轉(zhuǎn)化率（）等構(gòu)建了農(nóng)用無(wú)人機(jī)追肥量決策模型，與對(duì)照組相比，利用該研究構(gòu)建的處方圖變量施肥方法使氮肥追施量減少27.34%。研究結(jié)果可為寒地水稻分蘗期農(nóng)用無(wú)人機(jī)精準(zhǔn)變量追肥提供數(shù)據(jù)與模型基礎(chǔ)。

無(wú)人機(jī)；遙感；水稻；高光譜；精準(zhǔn)施肥

0 引 言

寒地水稻是寒冷地區(qū)水稻的總稱，國(guó)內(nèi)主要分布于東北地區(qū)。由于氣候環(huán)境變化較大，寒地水稻在種植模式和田間管理方面與南方水稻不同[1]。北方地區(qū)早春氣溫和土壤溫度均偏低，養(yǎng)分釋放慢，因此在水稻關(guān)鍵生育期需要根外追肥，以保證水稻的產(chǎn)量和品質(zhì)[2]。其中分蘗期追肥是寒地水稻田間管理的關(guān)鍵環(huán)節(jié)，也是水稻整個(gè)生長(zhǎng)中的第一個(gè)需肥高峰期，追肥效果將直接影響水稻分蘗數(shù)以及中后期的長(zhǎng)勢(shì)[3]。分蘗期過(guò)量追肥容易引起無(wú)效分蘗率增加、葉片披垂重疊遮陰等，增加倒伏和病害風(fēng)險(xiǎn)。同時(shí)葉片含氮量過(guò)高，還會(huì)阻礙以氮代謝為主向以碳代謝為主轉(zhuǎn)移，可能延長(zhǎng)營(yíng)養(yǎng)生長(zhǎng)期而推遲出穗期，不利于水稻穩(wěn)產(chǎn)[4-5]。

近年來(lái)，水稻生產(chǎn)中利用農(nóng)用無(wú)人機(jī)開(kāi)展追肥作業(yè)得到了快速發(fā)展，大幅提高了水稻田間管理效率，同時(shí)減少了勞動(dòng)強(qiáng)度、降低了人工成本[6-9]。許童羽等[10]研究了多旋翼農(nóng)用無(wú)人機(jī)霧滴在水稻冠層的分布規(guī)律，表明農(nóng)用無(wú)人機(jī)噴施作業(yè)霧滴在冠層上分布較為均勻，能夠保證水稻地上植株被藥液充分附著。張建桃等[11]分析了農(nóng)用無(wú)人機(jī)噴施霧滴與水稻葉面接觸角對(duì)沉積量的影響，表明接觸角的變化趨勢(shì)與霧滴高度和接觸面直徑及二者的增長(zhǎng)速率密切相關(guān)。李繼宇等[12]研究了農(nóng)用無(wú)人機(jī)噴霧粒徑對(duì)水稻冠層噴施效果的影響，表明農(nóng)用無(wú)人機(jī)噴施霧滴在水稻冠層的分布均勻性和穿透性都較為理想，且霧滴粒徑越小，水稻冠層單位面積藥液沉積量越大，分布均勻性越好。陳盛德等[13]研究了小型無(wú)人直升機(jī)噴霧參數(shù)對(duì)水稻冠層霧滴沉積效果的影響，揭示了農(nóng)用無(wú)人機(jī)作業(yè)參數(shù)對(duì)水稻霧滴沉積分布結(jié)果的影響，并從風(fēng)場(chǎng)方面推測(cè)了霧滴沉積對(duì)農(nóng)用無(wú)人機(jī)作業(yè)合理噴施、提高噴施效率的影響，為農(nóng)用無(wú)人機(jī)進(jìn)行精準(zhǔn)追肥作業(yè)提供了參考。

目前，水稻無(wú)人機(jī)追肥作業(yè)的追肥決策主要依靠田間管理人員的經(jīng)驗(yàn)，缺乏有效追肥決策依據(jù)[14-16]。隨著無(wú)人機(jī)低空遙感技術(shù)的快速發(fā)展，國(guó)內(nèi)外研究人員在水稻氮素營(yíng)養(yǎng)無(wú)人機(jī)遙感診斷方面開(kāi)展了相應(yīng)的研究。秦占飛等[17]利用無(wú)人機(jī)高光譜遙感技術(shù)構(gòu)建了水稻葉片氮素含量反演模型，為區(qū)域尺度水稻精準(zhǔn)作業(yè)提供了一定的模型基礎(chǔ)。Din等[18]利用構(gòu)建高光譜指數(shù)的方式實(shí)現(xiàn)數(shù)據(jù)降維，構(gòu)建了基于768、750 nm波段的比值型植被指數(shù)，用于估算水稻冠層氮素含量。裴信彪等[19]在4種氮素水平下，利用無(wú)人機(jī)遙感平臺(tái)研究了RVI、NDVI等植被指數(shù)在水稻不同生育期的變化趨勢(shì)，為水稻長(zhǎng)勢(shì)無(wú)人機(jī)遙感診斷提供了數(shù)據(jù)參考。Stavrakoudis等[20]通過(guò)多元線性回歸的方法在水稻分蘗期、孕穗期建立了氮素含量反演模型，能夠輔助開(kāi)展水稻營(yíng)養(yǎng)診斷。王樹(shù)文等[21]利用高光譜成像技術(shù)，根據(jù)植被指數(shù)與氮素含量相關(guān)性，建立了單變量預(yù)測(cè)模型服務(wù)于水稻精準(zhǔn)追肥管理。Tsujimoto等[22]運(yùn)用無(wú)人機(jī)低空遙感平臺(tái)獲取旱直播水稻的土壤養(yǎng)分信息用于指導(dǎo)氮肥決策，有效減少了化肥的過(guò)量施用。許童羽等[23]研究了基于遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)的水稻葉片尺度的缺氮量高光譜遙感診斷模型。臧英等[24]利用無(wú)人機(jī)搭載多光譜相機(jī)獲取水稻重要生育期的冠層多光譜圖像，融合積溫?cái)?shù)據(jù)建立了基于標(biāo)準(zhǔn)種植比值法的水稻關(guān)鍵追肥節(jié)點(diǎn)的追施量決策模型，在減少追肥量的同時(shí)，保證產(chǎn)量穩(wěn)定。已有的水稻營(yíng)養(yǎng)診斷研究大多以反演氮素含量為主，缺少田塊尺度的營(yíng)養(yǎng)診斷與無(wú)人機(jī)精準(zhǔn)噴施相結(jié)合的研究與應(yīng)用，所建立的水稻養(yǎng)分反演模型難以直接指導(dǎo)水稻田間追肥作業(yè)[25-27]。本研究將水稻分蘗期無(wú)人機(jī)追肥量遙感診斷與農(nóng)用無(wú)人機(jī)精準(zhǔn)作業(yè)相結(jié)合，運(yùn)用無(wú)人機(jī)高光譜技術(shù)建立水稻分蘗期追肥量處方圖，在此基礎(chǔ)上結(jié)合農(nóng)用無(wú)人機(jī)作業(yè)參數(shù)，對(duì)待追肥地塊進(jìn)行柵格劃分，確定每一個(gè)柵格追肥作業(yè)噴施量，并通過(guò)農(nóng)用無(wú)人機(jī)進(jìn)行精準(zhǔn)追肥，以期為寒地水稻分蘗期無(wú)人機(jī)精準(zhǔn)變量追肥提供數(shù)據(jù)與模型基礎(chǔ)。

1 材料與方法

1.1 研究區(qū)概況

試驗(yàn)地點(diǎn)位于遼寧省沈陽(yáng)市沈北新區(qū)柳條河村（北緯42°01′17.16″，東經(jīng)123°38′14.57″），屬于典型的寒地水稻種植區(qū)，試驗(yàn)品種為遼寧地區(qū)廣泛種植的“粳優(yōu)653”品種。試驗(yàn)于2019年5－11月進(jìn)行，水稻移栽前和收獲后進(jìn)行耕層土壤采樣；返青期、分蘗期進(jìn)行無(wú)人機(jī)遙感追肥診斷與農(nóng)用無(wú)人機(jī)變量施肥；水稻成熟后進(jìn)行小區(qū)測(cè)產(chǎn)。

試驗(yàn)小區(qū)設(shè)計(jì)為4個(gè)氮肥梯度處理（圖1），分別為CK、N1、N2、N3，各小區(qū)之間采用田埂進(jìn)行分隔。其中CK為對(duì)照組，即不施用基肥；N1為當(dāng)?shù)貥?biāo)準(zhǔn)氮基肥施用水平，氮肥施用量為45 kg/hm2，N2為低氮施肥水平，施用量為22.5 kg/hm2；N3為高氮施肥水平，施用量為67.5 kg/hm2；磷肥和鉀肥的施用按照當(dāng)?shù)貥?biāo)準(zhǔn)施用量進(jìn)行，其中磷肥標(biāo)準(zhǔn)施用量為51.75 kg/hm2，鉀肥標(biāo)準(zhǔn)施用量為18 kg/hm2。在試驗(yàn)小區(qū)相鄰田塊，另外設(shè)置傳統(tǒng)人工施肥方式管理小區(qū)（T）和農(nóng)學(xué)專家推薦施肥方式管理小區(qū)（S），用于施肥效果分析比較?；适┤胫埃诿總€(gè)小區(qū)按5點(diǎn)采樣法采集土樣，采集深度為0～50cm，分析土壤中營(yíng)養(yǎng)元素含量：采用微量擴(kuò)散法測(cè)定土壤的硝態(tài)氮質(zhì)量分?jǐn)?shù)，為3.16～14.82 mg/kg；采用火焰光度法測(cè)定土壤速效鉀質(zhì)量分?jǐn)?shù)，為86.83～120.62 mg/kg；采用Bray1法測(cè)定土壤有效磷質(zhì)量分?jǐn)?shù)，為3.14～21.18 mg/kg；采用堿解擴(kuò)散法測(cè)定土壤全氮質(zhì)量分?jǐn)?shù)，為104.032～127.368 mg/kg；采用半微量凱氏法測(cè)定土壤全氮質(zhì)量分?jǐn)?shù)，為0.154～0.162 g/kg；采用重鉻酸鉀—外加熱法測(cè)定土壤有機(jī)質(zhì)質(zhì)量分?jǐn)?shù)為15.8～20.0 g/kg。其他田間管理按當(dāng)?shù)卣Ｋ竭M(jìn)行。

注：CK為對(duì)照組；N1氮肥施用量為45 kg·hm-2，N2氮肥施用量為22.5 kg·hm-2；N3氮肥施用量為67.5 kg·hm-2；T為傳統(tǒng)人工施肥方式管理小區(qū)；S為農(nóng)學(xué)專家推薦施肥方式管理小區(qū)。

1.2 數(shù)據(jù)獲取

1.2.1 無(wú)人機(jī)高光譜遙感影像獲取

無(wú)人機(jī)高光譜平臺(tái)采用深圳大疆創(chuàng)新公司的M600 PRO六旋翼無(wú)人機(jī)，高光譜成像儀選用四川雙利合譜公司的GaiaSky-mini內(nèi)置推掃式機(jī)載高光譜成像系統(tǒng)，高光譜的波段范圍為400～1 000 nm，分辨率為3.5 nm，有效波段數(shù)為170個(gè)，單幅影像獲取時(shí)間為15 s，幀速為162幀/s，無(wú)人機(jī)飛行高度為100 m，共獲取40景水稻冠層無(wú)人機(jī)高光譜遙感影像。由于水稻分蘗期稻田內(nèi)水體面積很大，若采用傳統(tǒng)的高光譜采集時(shí)間會(huì)受到鏡面反射等干擾，造成光譜污染。因此本研究將無(wú)人機(jī)高光譜數(shù)據(jù)采集時(shí)間選擇在08:00－08:30之間，同時(shí)為了降低由于太陽(yáng)高度角變化對(duì)高光譜影像采集造成的測(cè)量誤差，無(wú)人機(jī)高光譜影像獲取過(guò)程中每隔5 min進(jìn)行1次定標(biāo)白板（反射率>99%）和儀器背景暗噪聲光譜數(shù)據(jù)的采集，用于后期計(jì)算高光譜影像反射率。同時(shí)在每景高光譜采集區(qū)域內(nèi)放置一塊1.5 m×1.5 m、反射率為60%的漫反射板，用于后期的反射數(shù)據(jù)校正。高光譜數(shù)據(jù)采集期間，同步開(kāi)展田間蟲(chóng)害、病害等級(jí)調(diào)查，試驗(yàn)小區(qū)在高光譜數(shù)據(jù)采集之前未發(fā)生蟲(chóng)害和病害情況，因此本研究試驗(yàn)小區(qū)從插秧到遙感數(shù)據(jù)采集這段時(shí)間內(nèi)未噴施任何藥劑，所獲取的光譜數(shù)據(jù)沒(méi)有受到病害、蟲(chóng)害、雜草等其他外界脅迫的干擾。利用機(jī)載高光譜成像儀配套的SpectraVIEW軟件對(duì)所獲取的無(wú)人機(jī)高光譜遙感影像進(jìn)行鏡頭、均勻性、反射率等預(yù)處理，最終獲得用于反演建模的試驗(yàn)小區(qū)高光譜反射率影像。

1.2.2 水稻葉片氮素含量測(cè)定

對(duì)每個(gè)小區(qū)中采樣點(diǎn)水稻進(jìn)行整穴破壞性取樣，帶回實(shí)驗(yàn)室后將該穴水稻所有新鮮葉片剪下置于烘箱中以120 ℃殺青60 min，再以65 ℃烘干至恒質(zhì)量。稱量后將其粉碎，把研磨好的粉末采用凱氏定氮法檢測(cè)葉片的含氮量（mg/g）。

1.2.3 水稻產(chǎn)量測(cè)定

收獲時(shí)每個(gè)試驗(yàn)小區(qū)取2 m×2 m范圍的全部水稻進(jìn)行測(cè)產(chǎn)。

1.2.4 稻田土壤氮含量測(cè)定

在每個(gè)小區(qū)按5點(diǎn)采樣法采集土樣，采集深度為10～20 cm，將5點(diǎn)的土壤混合，過(guò)2 mm篩后裝入自封袋，帶回實(shí)驗(yàn)室將其風(fēng)干后過(guò)0.15 mm篩，裝回原自封袋中備用。土壤全氮先用濃硫酸和雙氧水混合消煮，再用半微量凱氏法測(cè)定。本研究分別于底肥施用之前和水稻收獲之后測(cè)定試驗(yàn)小區(qū)土壤氮含量用于輔助分析變量追肥效果。

1.3 研究方法

1.3.1 無(wú)人機(jī)高光譜遙感影像解混

無(wú)人機(jī)高光譜遙感影像空間分辨率與光譜分辨率均比較高，而分蘗期稻田還沒(méi)有封行，一景高光譜影像既包含水稻，又包含水體、土壤等干擾信息，因此需要對(duì)無(wú)人機(jī)高光譜遙感影像進(jìn)行解混，提取水稻高光譜信息用于后續(xù)建模。本研究首先采用最小噪聲分離法（Minimum Noise Fraction Rotation, MNF）分離數(shù)據(jù)中的噪聲，再利用純凈像元指數(shù)法（Pixel Purity Index, PPI）提取水稻的高光譜反射率曲線，并構(gòu)建地物端元波普庫(kù)，最后采用正交子空間投影方法（Orthogonal Subspace Projection，OSP），對(duì)無(wú)人機(jī)高光譜遙感影像進(jìn)行解混，提取水稻的高光譜信息。

1.3.2 水稻氮素含量高光譜遙感建模方法

經(jīng)過(guò)解混獲取的水稻高光譜信息相比于寬波段的多光譜數(shù)據(jù)在光譜維度上具有連續(xù)特性，能夠表征更多的水稻信息，但高光譜數(shù)據(jù)同時(shí)也包含了大量的冗余信息，會(huì)造成建模精度和效率的降低。本研究分別采用主成分分析法（Principal Component Analysis，PCA）與紅邊特征反射率相結(jié)合的方式對(duì)400～1 000 nm范圍的高光譜信息進(jìn)行降維。將降維后的數(shù)據(jù)結(jié)果作為極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）與粒子群優(yōu)化的極限學(xué)習(xí)機(jī)（Particle Swarm Optimization algorithm is used to optimize the ELM, PSO-ELM）的氮素濃度高光譜反演模型的輸入，構(gòu)建水稻分蘗期葉片氮素濃度反演模型，為建立水稻追肥量處方圖提供依據(jù)。

1.3.3 水稻農(nóng)用無(wú)人機(jī)氮肥追施量精準(zhǔn)決策方法

在試驗(yàn)地點(diǎn)相鄰田塊按照水稻栽培專家給出的田間管理方案設(shè)置一塊生產(chǎn)標(biāo)準(zhǔn)田作為參考標(biāo)準(zhǔn)，將同時(shí)期標(biāo)準(zhǔn)田內(nèi)水稻平均氮濃度作為氮肥追施目標(biāo)，記為std（mg/g），將待追肥水稻氮素濃度的反演值記為N（mg/g）。則分蘗期水稻缺氮量N（mg/g）為

N＞0時(shí)表示目前該位置的氮素含量低于標(biāo)準(zhǔn)田，需要進(jìn)行外部噴施追肥，N≤0時(shí)表示目前該位置不要進(jìn)行外部噴施追肥。

1.3.4 農(nóng)用無(wú)人機(jī)追肥量處方圖生成方法

獲取水稻單位面積缺氮量后，將缺氮量轉(zhuǎn)換為處方圖，指導(dǎo)農(nóng)用無(wú)人機(jī)進(jìn)行精準(zhǔn)追肥作業(yè)。由于無(wú)人機(jī)高光譜遙感影像在每一個(gè)像素點(diǎn)都包含有一條高光譜反射率曲線，因此運(yùn)用高光譜遙感影像可以針對(duì)每一像素點(diǎn)都生成一個(gè)追肥量。而由于追肥作業(yè)的農(nóng)用無(wú)人機(jī)噴幅寬窄的限制，無(wú)法針對(duì)田塊內(nèi)部每一個(gè)像素點(diǎn)的缺氮量進(jìn)行精準(zhǔn)噴施，因此本研究結(jié)合農(nóng)用無(wú)人機(jī)噴幅（m）和速度（m/s）按照每秒對(duì)追肥地塊進(jìn)行柵格劃分，每個(gè)噴施柵格面積大小為噴幅×速度（m2），針對(duì)每個(gè)柵格生成一個(gè)氮肥追施量，追肥量UAV（mL）計(jì)算方法如公式（2）所示。

式中為無(wú)人機(jī)藥箱中氮肥濃度，mg/mL；std為標(biāo)準(zhǔn)田單個(gè)柵格面積范圍內(nèi)水稻地上生物量，標(biāo)準(zhǔn)田的生物量測(cè)量采用5點(diǎn)采樣法，計(jì)算單位面積生物量，g/m2；std、C分別為標(biāo)準(zhǔn)田、待追肥田柵格面積內(nèi)水稻覆蓋度，覆蓋度計(jì)算通過(guò)對(duì)無(wú)人機(jī)獲取的正射影像進(jìn)行分類，提取水稻像元個(gè)數(shù)占影像所有像元的比；為化肥利用率，為化肥轉(zhuǎn)化率，、為經(jīng)驗(yàn)值。本研究參考侯彥林等[28]針對(duì)氮肥利用率和轉(zhuǎn)化率的研究結(jié)果，設(shè)置為0.4，為0.6。

1.4 模型精度與效果評(píng)價(jià)

本研究使用均方根誤差（RMSE）和模型決定系數(shù)（2）作為無(wú)人機(jī)高光譜反演模型的評(píng)價(jià)標(biāo)準(zhǔn)，利用大疆精靈4 RTK無(wú)人機(jī)獲取帶有空間信息的試驗(yàn)田正射影像，確定追肥田塊的每一個(gè)追施柵格的實(shí)際位置，采用PID算法通過(guò)控制藥液泵工作電壓，實(shí)現(xiàn)變量噴施。農(nóng)用無(wú)人機(jī)噴施過(guò)程中，地面同時(shí)布置霧滴測(cè)試卡，計(jì)算霧滴覆蓋度等參數(shù)，作為評(píng)價(jià)農(nóng)用無(wú)人機(jī)水稻分蘗期變量追施效果。

2 結(jié)果與分析

2.1 數(shù)據(jù)分析

2.1.1水稻氮素樣本量

本研究共采集120組水稻氮含量測(cè)試數(shù)據(jù)樣本，根據(jù)Kennard-Stone算法將樣本按照訓(xùn)練集與驗(yàn)證集3:1的比例進(jìn)行劃分，隨機(jī)選取其中的90組作為建模數(shù)據(jù)集，另外30組為驗(yàn)證數(shù)據(jù)集。樣本集的氮素濃度最大值為4.874 mg/g，氮素濃度最小值為1.060 mg/g，變異系數(shù)為0.32。

2.1.2 高光譜數(shù)據(jù)分析

無(wú)人機(jī)遙感平臺(tái)獲取的稻田高光譜影像質(zhì)量是開(kāi)展追肥量決策的重要前提，高光譜雖然具有較高的光譜分辨率，但在數(shù)據(jù)獲取過(guò)程中稻田內(nèi)地物的高光譜信息在噪聲的影響下會(huì)造成數(shù)據(jù)失真。因此本研究采用“均勻區(qū)域劃分和光譜維去相關(guān)的高光譜圖像噪聲評(píng)估方法評(píng)價(jià)所采集無(wú)人機(jī)高光譜遙感影像的噪聲水平，結(jié)果如圖2所示。由圖2結(jié)果可知，在400～450、950～1 000 nm兩個(gè)波段范圍噪聲標(biāo)準(zhǔn)差均超過(guò)了0.01，而其余波段的噪聲標(biāo)準(zhǔn)差遠(yuǎn)低于0.005，表明這2個(gè)波段的光譜信息存在著較大的數(shù)據(jù)噪聲，由于研究選用的高光譜成像儀能夠獲取高光譜反射率波段范圍在400～1 000 nm內(nèi)，而上述2個(gè)波段范圍正好處于高光譜采集范圍的2個(gè)邊界，信噪比較低。因此400～450、950～1 000 nm兩個(gè)光譜區(qū)間內(nèi)的高光譜反射率具有較大的數(shù)據(jù)誤差。為了降低噪聲對(duì)模型的影響，保證建模效果，本研究選擇450～950 nm的波段范圍作為氮素含量遙感診斷的基礎(chǔ)數(shù)據(jù)。

圖2高光譜噪聲標(biāo)準(zhǔn)差估計(jì)結(jié)果

2.2 水稻分蘗期高光譜影像解混結(jié)果

水稻無(wú)人機(jī)高光譜遙感影像解混需要獲取稻田內(nèi)地物端元高光譜信息，本文通過(guò)最小噪聲分離與純凈像元指數(shù)法提取稻田內(nèi)地物端元高光譜信息。本文采用正向MNF變換提取高光譜影像中有效的數(shù)據(jù)維度，結(jié)果如圖3所示。由圖3可知，橫坐標(biāo)高光譜特征維度為5時(shí)，縱坐標(biāo)光譜特征值不再下降并保持穩(wěn)定，因此本研究采用MNF變換能夠?qū)⒏呔S無(wú)人機(jī)影像數(shù)據(jù)采用5維特征進(jìn)行表示，為后續(xù)光譜解混降低了模型輸入維度。

圖3 最小噪聲分離法高光譜特征數(shù)量提取結(jié)果

利用MNF變換后的結(jié)果作為純凈像元提取的輸入，設(shè)定迭代次數(shù)為10 000次，由于水稻分蘗期內(nèi)稻田有水層覆蓋，稻田內(nèi)地物主要由水稻、水體土壤混合物構(gòu)成，其余干擾地物占比很少，因此本研究主要針對(duì)上述2種地物進(jìn)行端元高光譜提取，提取結(jié)果如圖4所示。

由地物端元光譜可知，紅色高光譜反射率曲線的特征既不是純土壤、也不是純水體的反射率曲線，這是由于太陽(yáng)光照射到水層后部分會(huì)被水層反射，另一部分透過(guò)水層后到達(dá)下面的土壤再次發(fā)生反射，最終形成兩者混合光譜。由于水稻田分蘗期栽培管理的實(shí)際需求，土壤將被水層完全覆蓋，不存在單純的土壤或水體地物，因此本研究將水體、土壤混合狀態(tài)設(shè)置為一類地物。在提取稻田地物端元高光譜反射率曲線的基礎(chǔ)上，采用正交子空間投影豐度反演方法，從無(wú)人機(jī)高光譜影像中提取水稻的高光譜信息，結(jié)果如圖5所示。

圖4 地物端元高光譜提取結(jié)果

圖5 無(wú)人機(jī)高光譜影像解混結(jié)果

2.3 水稻高光譜特征提取

首先對(duì)450～950 nm范圍的高光譜按照藍(lán)色光區(qū)域、綠色光區(qū)域、紅色光區(qū)區(qū)域、紅邊區(qū)域、近紅外區(qū)域5個(gè)不同特征區(qū)域進(jìn)行分段劃分，再利用PCA進(jìn)行特征提取。本研究將高光譜分成5段，分別為450～500、500～600、600～690、690～760、760～950 nm。其中690～760 nm范圍內(nèi)是紅邊位置所在區(qū)間，而紅邊位置對(duì)于作物的長(zhǎng)勢(shì)、脅迫等十分敏感，因此在該區(qū)域，本研究提取高光譜紅邊位置的反射率作為特征，其余4個(gè)波段范圍采用PCA的方法每個(gè)范圍提取1個(gè)高光譜特征，400～1 000 nm范圍內(nèi)共提取5個(gè)高光譜特征。

2.4 水稻氮素含量PSO-ELM反演結(jié)果

將提取的5個(gè)水稻高光譜特征參量分別作為ELM、PSO-ELM模型輸入，建立氮素含量反演模型。通過(guò)反復(fù)試驗(yàn)，設(shè)置PSO優(yōu)化算法模型參數(shù)為：最大迭代次數(shù)為300，初始種群數(shù)量為25，慣性因子為0.9～0.3遞減，學(xué)習(xí)因子C1和C2均為2，粒子最大速度為0.5。采用ELM反演方法建立的水稻氮素含量反演模型的2為0.700 8，RMSE為1.826 6，而采用PSO-ELM反演方法建立的水稻氮素含量反演模型的2為0.838，RMSE為0.466，所以PSO-ELM的氮素含量反演效果要優(yōu)于ELM（圖6）。

圖6 水稻氮素含量反演結(jié)果

2.5 水稻分蘗期無(wú)人機(jī)追肥量處方圖生成

無(wú)人機(jī)追肥作業(yè)需要考慮農(nóng)用無(wú)人機(jī)的飛行速度與噴幅等參數(shù)，同時(shí)需要考慮藥液泵的響應(yīng)時(shí)間。由于無(wú)人機(jī)高光譜遙感影像在二維空間上是一條連續(xù)的反射率信息，每一個(gè)像素點(diǎn)均可以反演一個(gè)追肥量。實(shí)際作業(yè)過(guò)程中，農(nóng)用無(wú)人機(jī)無(wú)法針對(duì)每一個(gè)像素點(diǎn)進(jìn)行追肥噴灑作業(yè)，需要將高光譜遙感影像反演結(jié)果進(jìn)行柵格分割。通過(guò)試驗(yàn)發(fā)現(xiàn)本研究所選用藥液泵的最快響應(yīng)時(shí)間為1 s，滿足一般作業(yè)要求，因此農(nóng)用無(wú)人機(jī)追肥的最小變量柵格為噴幅乘以速度，本研究選所用無(wú)人機(jī)的有效噴幅為4 m，飛行速度為5 m/s，因此本研究最小追肥變量柵格為20 m2。結(jié)合差分GPS信息構(gòu)成了農(nóng)用無(wú)人機(jī)變量追肥處方圖（圖7）。通過(guò)變量追肥處方圖可知，本研究試驗(yàn)田按照農(nóng)用無(wú)人機(jī)能夠識(shí)別的最小柵格共劃分了253個(gè)（23×11）農(nóng)用無(wú)人機(jī)追肥噴施柵格。通過(guò)追肥模型計(jì)算后，每一個(gè)柵格給出一個(gè)追肥量。高氮處理的基肥小區(qū)，其追施量變化較為平緩，而未施用基肥的小區(qū)其追施量則變化較大，這主要由于未施用基肥，水稻生長(zhǎng)初始氮肥主要依靠土壤自有肥力，而由于稻田內(nèi)土壤的空間差異性、稻田地勢(shì)高低、灌水條件等因素的影響，造成了水稻個(gè)體長(zhǎng)勢(shì)的不同，從而使追施量的變化較大。而高氮處理的基肥小區(qū)由于土壤肥力較為充足，其他因素的影響相對(duì)較小，因此整體追肥量的變化相對(duì)比較平緩。

圖7 農(nóng)用無(wú)人機(jī)追肥量處方圖

2.6 農(nóng)用無(wú)人機(jī)精準(zhǔn)追肥與效果評(píng)價(jià)

2.6.1 農(nóng)用無(wú)人機(jī)精準(zhǔn)追肥作業(yè)

獲取無(wú)人機(jī)追肥處方圖后，利用“云鸮-100”單旋翼農(nóng)用無(wú)人機(jī)作為試驗(yàn)平臺(tái)，根據(jù)處方圖每一個(gè)追肥柵格的4個(gè)頂點(diǎn)GPS坐標(biāo)及追施量，生成農(nóng)用無(wú)人機(jī)追肥量作業(yè)航點(diǎn)數(shù)據(jù)，并通過(guò)地面站寫(xiě)入農(nóng)用無(wú)人機(jī)飛控中，設(shè)定飛行速度為5 m/s，噴幅為4 m/s。農(nóng)用無(wú)人機(jī)飛控系統(tǒng)根每秒按照寫(xiě)入的噴施量執(zhí)行1次噴施控制，實(shí)現(xiàn)農(nóng)用無(wú)人機(jī)水稻分蘗期精準(zhǔn)追肥作業(yè)。

2.6.2 農(nóng)用無(wú)人機(jī)噴施效果

利用霧滴測(cè)試卡分別在CK、N1、N2、N3四個(gè)小區(qū)內(nèi)按照五點(diǎn)采樣法布置20個(gè)霧滴采樣點(diǎn)。其中N3小區(qū)內(nèi)的1個(gè)霧滴采樣點(diǎn)受到無(wú)人機(jī)旋翼風(fēng)場(chǎng)影響，霧滴采樣卡跌落，因此共采集了19個(gè)有效霧滴采樣點(diǎn)的數(shù)據(jù)用于評(píng)估農(nóng)用無(wú)人機(jī)精準(zhǔn)追肥噴施效果。通過(guò)iDASLite軟件對(duì)霧滴測(cè)試卡進(jìn)行數(shù)據(jù)分析，結(jié)果如圖8所示。由霧滴分析結(jié)果可知，實(shí)際噴施量與追肥量的差異平均值為2 mL/s，其中霧滴測(cè)試點(diǎn)追肥決策噴施量與實(shí)際回收量差異最大值為5 mL/s。造成追肥量誤差的原因主要包括試驗(yàn)當(dāng)天作業(yè)過(guò)程中風(fēng)速的變化、噴施系統(tǒng)的調(diào)節(jié)控制等多因素影響的。其中風(fēng)場(chǎng)對(duì)霧滴分布的影響相對(duì)更大，試驗(yàn)當(dāng)天瞬時(shí)風(fēng)速在0.03～2.16 m/s之間變化，并且存在旋翼產(chǎn)生的風(fēng)場(chǎng)與環(huán)境風(fēng)場(chǎng)相疊加的情況，這些因素均會(huì)對(duì)霧滴沉積造成一定的不確定性。因此未來(lái)利用農(nóng)用無(wú)人機(jī)精準(zhǔn)追肥可盡量選擇無(wú)風(fēng)少風(fēng)的時(shí)間段進(jìn)行作業(yè)，促進(jìn)霧滴沉積。

圖8 霧滴沉積效果

2.6.3 水稻產(chǎn)量分析

本研究試驗(yàn)小區(qū)除分蘗期追肥管理不同外，其他田間管理均保持一致，試驗(yàn)結(jié)束后對(duì)不同管理方式水稻進(jìn)行測(cè)產(chǎn)，各測(cè)試小區(qū)的產(chǎn)量如表1所示。

表1 各施肥方式的水稻產(chǎn)量

由產(chǎn)量結(jié)果可知，采用無(wú)人機(jī)變量追肥最終產(chǎn)量與傳統(tǒng)追肥方式管理的最終產(chǎn)量基本一致，將本研究總施用化肥量與往年同地塊施用化肥量相比，化肥中純氮用量減少27.34%。

2.6.4 收獲后土壤含氮量分析

在水稻收獲1周后，分別對(duì)試驗(yàn)田土壤進(jìn)行采樣，分析土壤的氮素含量（表2）。本研究主要測(cè)量了土壤樣品中全氮量和速效氮2種土壤氮素參量，其中土壤全氮量表示土壤中各種形態(tài)氮素含量之和，速效氮表示可以直接被植物根系吸收的氮。由表2可知，未施用基肥的小區(qū)收獲后與移栽前相比全氮量有所增加，標(biāo)準(zhǔn)氮和低氮處理的小區(qū)全氮量則有所下降，基肥采用高氮處理的小區(qū)全氮量沒(méi)有變化。這是由于未施用基肥的小區(qū)前期由于缺乏足夠的氮素營(yíng)養(yǎng)，其光譜差異較為明顯，通過(guò)追肥量決策模型能夠較為準(zhǔn)確的計(jì)算追肥量。而標(biāo)準(zhǔn)氮和低氮處理方式的小區(qū)，水稻分蘗期高光譜差異并不明顯，追肥量決策可能會(huì)存在低估的情況，因此在生長(zhǎng)過(guò)程中除追施氮肥外，還需要從土壤中獲取一些氮素作為補(bǔ)充。通過(guò)移栽前和收獲后的土壤氮含量對(duì)比可知，兩者的差值在0.006 g/kg左右，說(shuō)明無(wú)人機(jī)追肥提供了重要的氮素養(yǎng)分來(lái)源。而高氮處理的小區(qū)在移栽前和收獲后，其土壤氮素含量沒(méi)有變化，說(shuō)明在整個(gè)生長(zhǎng)過(guò)程中，利用無(wú)人機(jī)遙感決策的追肥量是能夠滿足水稻生長(zhǎng)需求的。速效氮作為能夠直接被水稻吸收的氮素，在土壤中會(huì)與全氮量發(fā)生轉(zhuǎn)化，由表2可知，基肥采用低氮處理的小區(qū)其速效氮收獲后比移栽前增加0.004 g/kg，這是由于決策過(guò)程中追肥量存在被低估的情況，水稻需要從土壤中將全氮轉(zhuǎn)換成能夠被吸收的速效氮補(bǔ)充一部分氮素來(lái)源，從而造成土壤中速效氮含量有所增加，其余基肥處理的小區(qū)其速效氮含量差異并不顯著。綜合分析可知無(wú)人機(jī)變量追肥對(duì)于水稻生長(zhǎng)起到了重要作用，在降低氮肥用量的情況下通過(guò)變量追肥，整體的氮肥施入量能夠有效保證水稻生長(zhǎng)。

表2 土壤含氮量

3 討 論

本文以寒地水稻分蘗期農(nóng)用無(wú)人機(jī)精準(zhǔn)追肥為研究對(duì)象，先利用無(wú)人機(jī)高光譜遙感構(gòu)建水稻追肥量處方圖，再將處方圖轉(zhuǎn)換為能夠被農(nóng)用無(wú)人機(jī)執(zhí)行的柵格噴施量信息。目前農(nóng)用無(wú)人機(jī)水稻追肥處方圖大多是以畝為最小追肥決策單位，以面向的區(qū)域級(jí)別大小的定性式的變量追肥為主，其變量判斷標(biāo)準(zhǔn)更多是通過(guò)植被指數(shù)對(duì)不同田塊進(jìn)行分級(jí)，根據(jù)不同級(jí)別設(shè)置對(duì)應(yīng)的追施量，這種方法在實(shí)際應(yīng)用上比較容易實(shí)現(xiàn)。但對(duì)于同一田塊內(nèi)，由于地勢(shì)、土壤肥力分布、基肥施用、栽培條件等因素造成的關(guān)鍵生育期的需肥差異目前研究較少。生成無(wú)人機(jī)追肥處方圖的核心在于計(jì)算水稻的缺氮量，本文采用專家推薦的管理方案設(shè)置一塊參考田作為水稻缺氮量的決策標(biāo)準(zhǔn)，這種方式在生產(chǎn)中容易實(shí)現(xiàn)，但仍然面臨人工經(jīng)驗(yàn)管理的問(wèn)題。已有部分研究考慮通過(guò)水稻臨界氮濃度作為氮素營(yíng)養(yǎng)決策依據(jù)[29]，而不同品種之間的臨界氮濃度曲線的構(gòu)建也存在一定的困難。因此未來(lái)可考慮綜合水稻臨界氮濃度曲線與生產(chǎn)經(jīng)驗(yàn)，利用遙感數(shù)據(jù)，構(gòu)建“數(shù)據(jù)-知識(shí)”相結(jié)合的水稻追肥決策方法，提升農(nóng)用無(wú)人機(jī)精準(zhǔn)追肥精度。

4 結(jié) 論

本文以水稻分蘗期農(nóng)用無(wú)人機(jī)精準(zhǔn)追肥為研究對(duì)象，利用無(wú)人機(jī)成像高光譜遙感影像通過(guò)PSO-ELM建立氮素濃度反演模型，綜合考慮農(nóng)用無(wú)人機(jī)相關(guān)作業(yè)參數(shù)，結(jié)合專家推薦施肥構(gòu)建追肥標(biāo)準(zhǔn)田，構(gòu)建無(wú)人機(jī)精準(zhǔn)追肥模型，最終利用農(nóng)業(yè)無(wú)人機(jī)精準(zhǔn)追肥，主要結(jié)論如下：

1）采用粒子群優(yōu)化的極限學(xué)習(xí)機(jī)方法構(gòu)建的水稻氮素含量反演模型效果較好，模型決定系數(shù)2為0.838。

2）結(jié)合待追肥區(qū)域反演氮素含量（N），標(biāo)準(zhǔn)田氮素含量（std）、氮肥濃度（）、水稻地上生物量（std）、水稻覆蓋度（std）、化肥利用率（）及轉(zhuǎn)化率（）等構(gòu)建農(nóng)用無(wú)人機(jī)追肥量決策模型UAV。

3）本研究構(gòu)建的農(nóng)用無(wú)人機(jī)處方圖變量施肥方法，氮肥追施量與傳統(tǒng)人工施肥相比減少27.34%。

[1] 唐亮，吳東立，苗微，等. 東北地區(qū)食物安全可持續(xù)發(fā)展戰(zhàn)略研究[J]. 中國(guó)工程科學(xué)，2019，21(5)：19-27.

Tang Liang, Wu Dongli, Miao Wei, et al. Study on sustainable development strategy of food safety in Northeast China[J]. China Engineering Science, 2019, 21(5): 19-27. (in Chinese with English abstract)

[2] 江琳琳，趙晗舒，楊武，等. 水稻氮利用效率評(píng)價(jià)及其與產(chǎn)量性狀的關(guān)系[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，50(6)：641-647.

Jiang Linlin, Zhao Hanshu, Yang Wu, et al. Evaluation of nitrogen use efficiency and its relationship with yield traits in rice[J]. Journal of Shenyang Agricultural University, 2019, 50(6): 641-647. (in Chinese with English abstract)

[3] 鄭文漢，齊龍，曹聰，等. 分蘗期深施液體氮肥對(duì)水稻分蘗及產(chǎn)量影響[J]. 農(nóng)機(jī)化研究，2019，42(7)：160-165.

Zheng Wenhan, Qi Long, Cao Cong, et al. Effects of deep application of liquid nitrogen fertilizer at tillering stage on tillering and yield of rice[J]. Agricultural Mechanization Research, 2019, 42(7): 160-165. (in Chinese with English abstract)

[4] 白由路. 高效施肥技術(shù)研究的現(xiàn)狀與展望[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2018，51(11)：2116-2125.

Bai Youlu. Current situation and prospect of efficient fertilization technology research[J]. Chinese Agricultural Science, 2018, 51(11): 2116-2125. (in Chinese with English abstract)

[5] 白由路. 植物營(yíng)養(yǎng)中理論問(wèn)題的追本溯源[J]. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào)，2019，25(1)：1-10.

Bai Youlu. Tracing the origin of theoretical problems in plant nutrition[J]. Journal of Plant Nutrition and Fertilizer, 2019, 25(1): 1-10. (in Chinese with English abstract)

[6] 齊興源，周志艷，李官平，等. 大田作物變量施肥技術(shù)國(guó)內(nèi)外研究現(xiàn)狀[J]. 貴州農(nóng)機(jī)化，2018，322(2)：8-13.

Qi Xingyuan, Zhou Zhiyan, Li Guanping, et al. Research status of variable rate fertilization technology for field crops at home and abroad[J]. Guizhou Agricultural Mechanization, 2018, 322(2): 8-13. (in Chinese with English abstract)

[7] 韓英，賈如，唐漢. 精準(zhǔn)變量施肥機(jī)械研究現(xiàn)狀與發(fā)展建議[J]. 農(nóng)業(yè)工程，2019，9(5)：1-6.

Han Ying, Jia Ru, Tang Han. Research status and development suggestions of precision variable rate fertilization machinery [J]. Agricultural Engineering, 2019, 9(5): 1-6. (in Chinese with English abstract)

[8] 何勇，彭繼宇，劉飛，等. 基于光譜和成像技術(shù)的作物養(yǎng)分生理信息快速檢測(cè)研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(3)：174-189.

He Yong, Peng Jiyu, Liu Fei, et al. Critical review of fast detection of crop nutrient and physiological information with spectral and imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(3): 174-189. (in Chinese with English abstract)

[9] 蘭玉彬，陳盛德，鄧?yán)^忠，等. 中國(guó)植保無(wú)人機(jī)發(fā)展形勢(shì)及問(wèn)題分析[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，40(5)：217-225.

Lan Yubin, Chen Shengde, Deng Jizhong, et al. Development situation and problem analysis of plant protection UAV in China[J]. Journal of South China Agricultural University, 2019, 40(5): 217-225. (in Chinese with English abstract)

[10] 許童羽，于豐華，曹英麗，等. 粳稻多旋翼植保無(wú)人機(jī)霧滴沉積垂直分布研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(10)：101-107.

Xu Tongyu, Yu Fenghua, Cao Yingli, et al. Vertical distribution of spray droplet deposition of plant protection multi rotor UAV for japonica rice[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(10): 101-107. (in Chinese with English abstract)

[11] 張建桃，曾家駿，尹選春，等. 液滴體積對(duì)水稻葉面接觸角的影響[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2019，31(6)：135-144.

Zhang Jiantao, Zeng Jiajun, Yin Xuanchun, et al. Effect of droplet volume on leaf contact angle of rice[J]. Acta Agriculturae Zhejiangensis, 2019, 31(6): 135-144. (in Chinese with English abstract)

[12] 李繼宇，蘭玉彬，施葉茵. 旋翼無(wú)人機(jī)氣流特征及大田施藥作業(yè)研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(12)：104-118.

Li Jiyu, Lan Yubin,Shi Yeyin. Research progress on airflow characteristics and field pesticide application system of rotary-wing UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(12): 104-118. (in Chinese with English abstract)

[13] 陳盛德，蘭玉彬，李繼宇，等. 小型無(wú)人直升機(jī)噴霧參數(shù)對(duì)雜交水稻冠層霧滴沉積分布的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(17)：40-46.

Chen Shengde, Lan Yubin, Li Jiyu, et al. Effect of spray parameters of small unmanned helicopter on distribution regularity of droplet deposition in hybrid rice canopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(17): 40-46. (in Chinese with English abstract)

[14] 趙小敏，孫小香，王芳東，等. 水稻高光譜遙感監(jiān)測(cè)研究綜述[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，41(1)：1-12.

Zhao Xiaomin, Sun Xiaoxiang, Wang Fangdong, et al. A review of hyperspectral remote sensing monitoring of rice[J]. Journal of Jiangxi Agricultural University, 2019, 41(1): 1-12. (in Chinese with English abstract)

[15] 趙春江. 智慧農(nóng)業(yè)發(fā)展現(xiàn)狀及戰(zhàn)略目標(biāo)研究[J]. 智慧農(nóng)業(yè)，2019，1(1)：1-7.

Zhao Chunjiang. State-of-the-art and recommended developmental strategic objectives of smart agriculture[J]. Smart Agriculture, 2019, 1(1): 1-7. (in Chinese with English abstract)

[16] 唐華俊. 農(nóng)業(yè)遙感研究進(jìn)展與展望[J]. 農(nóng)學(xué)學(xué)報(bào)，2018，8(1)：167-171.

Tang Huajun. Progress and Prospect of agricultural remote sensing research[J]. Acta agronomica Sinica, 2018, 8(1): 167-171. (in Chinese with English abstract)

[17] 秦占飛，常慶瑞，謝寶妮，等. 基于無(wú)人機(jī)高光譜影像的引黃灌區(qū)水稻葉片全氮含量估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(23)：77-85.

Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hyperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 77-85. (in Chinese with English abstract)

[18] Din M, Ming J, Hussain S, et al. Estimation of dynamic canopy variables using hyperspectral derived vegetation indices under varying n rates at diverse phenological stages of rice[J]. Frontiers in Plant Science, 2019, 9: 1883.

[19] 裴信彪，吳和龍，馬萍，等. 基于無(wú)人機(jī)遙感的不同施氮水稻光譜與植被指數(shù)分析[J]. 中國(guó)光學(xué)，2018，11(5)：144-152.

Pei Xinbiao, Wu Helong, Ma Ping, et al. Spectral and vegetation index analysis of rice with different nitrogen application based on UAV remote sensing[J]. China Optics, 2018, 11(5): 144-152. (in Chinese with English abstract)

[20] Stavrakoudis D, Katsantonis D, Kadoglidou K, et al. Estimating rice agronomic traits using drone-collected multispectral imagery[J]. Remote Sensing, 2019, 11(5): 545.

[21] 王樹(shù)文，宋玉柱，張長(zhǎng)利，等. 東北寒地水稻冠層氮素含量高光譜預(yù)測(cè)模型[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2017，48(4)：82-91.

Wang Shuwen, Song Yuzhu, Zhang Changli, et al. Hyperspectral prediction model of rice canopy nitrogen content in Northeast Cold Region[J]. Journal of Northeast Agricultural University, 2017, 48(4): 82-91. (in Chinese with English abstract)

[22] Tsujimoto Y, Rakotoson T, Tanaka A, et al. Challenges and opportunities for improving N use efficiency for rice production in sub-saharan africa[J]. Plant Production Science, 2019, 22(4): 413-427.

[23] 許童羽，郭忠輝，于豐華，等. 采用GA-ELM的寒地水稻缺氮量診斷方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(2)：209-218.

Xu Tongyu, Guo Zhonghui, Yu Fenghua, et al. Genetic algorithm combined with extreme learning machine to diagnose nitrogen deficiency in rice in cold region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 209-218. (in Chinese with English abstract)

[24] 臧英，侯曉博，汪沛，等. 基于無(wú)人機(jī)遙感技術(shù)的黃華占水稻施肥決策模型研究[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，50(3)：324-330.

Zang Ying, Hou Xiaobo, Wang Pei, et al. Study on Huanghuazhan rice fertilization decision model based on UAV remote sensing technology[J]. Journal of Shenyang Agricultural University, 2019, 50(3): 324-330. (in Chinese with English abstract)

[25] 鄭華斌，陳燦，傅志強(qiáng)，等. 有機(jī)肥化肥配施的雙季晚稻群體冠層光譜特征研究[J]. 中國(guó)稻米，2017，23(4)：6-13.

Zheng Huabin, Chen Can, Fu Zhiqiang, et al. Study on canopy spectral characteristics of double cropping late rice[J]. China Rice, 2017, 23(4): 6-13. (in Chinese with English abstract)

[26] 馮帥，許童羽，于豐華，等. 基于無(wú)人機(jī)高光譜遙感的東北粳稻冠層葉片氮素含量反演方法研究[J]. 光譜學(xué)與光譜分析，2019，39(10)：299-305.

Feng Shuai, Xu Tongyu, Yu Fenghua, et al. Study on retrieval method of nitrogen content of Japonica Rice Canopy Leaf in Northeast China based on UAV hyperspectral remote sensing[J]. Spectroscopy and spectral analysis, 2019, 39(10): 299-305. (in Chinese with English abstract)

[27] 曹英麗，鄒煥成，鄭偉，等. 水稻葉片高光譜數(shù)據(jù)降維與葉綠素含量反演方法研究[J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，50(1)：101-107.

Cao Yingli, Zou Huancheng, Zheng Wei, et al. Research on dimensionality reduction and chlorophyll content inversion of rice leaf hyperspectral data[J]. Journal of Shenyang Agricultural University, 2019, 50(1): 101-107. (in Chinese with English abstract)

[28] 侯彥林，周燕，周煒. 氮利用率和氮轉(zhuǎn)化率評(píng)價(jià)氮肥肥效比較研究[J]. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2013，44(2)：28-36. Hou Yanlin, Zhou Yan, Zhou Wei. Comparative research of evaluation nitrogen fertilizer efficiency between the nitrogen use efficiency and fertilizer yield method[J]. Journal of Northeast Agricultural University, 2013, 44(2): 28-36. (in Chinese with English abstract).

[29] 呂茹潔，商慶銀，陳樂(lè)，等. 基于臨界氮濃度的水稻氮素營(yíng)養(yǎng)診斷研究[J]. 植物營(yíng)養(yǎng)與肥料學(xué)報(bào)，2018，24(5)： 1396-1405.

Lv Rujie, Shang Qingyin, Chen Le, et al. Diagnosis of rice nitrogen nutrition based on critical nitrogen concentration[J]. Journal of Plant Nutrition and Fertilizer, 2018, 24(5): 1396-1405. (in Chinese with English abstract)

Precision fertilization by UAV for rice at tillering stage in cold region based on hyperspectral remote sensing prescription map

Yu Fenghua1,2, Cao Yingli1,2, Xu Tongyu1,2※, Guo Zhonghui1, Wang Dingkang1

(1.,,110866,;2.,110866,)

The extra-root topdressing of rice at the tillering stage is one of the key steps in the management of rice production; it is also an important stage of fertiliser demand during the entire cycle of rice growth. The efficiency of extra-root topdressing directly affects the number of rice tillers and their growth in the middle and final stages. Due to the rapid advancement of the UAV technology in recent years, agricultural UAV are used for fertiliser spraying in the fields, which not only increased the rice yield but also reduced labour intensity and labour costs to a large extent, and greatly improved the efficiency of rice field management. In order to explore the use of UAV remote sensing to construct prescription maps to guide agricultural UAV to accurately topdressing rice at the tillering stage, realieze the field-scale nutritional diagnosis and UAV precise spraying, optimizefertilizer consumption, and ensure maximum rice yield,in this research, combining UAV remote sensing diagnosis with precision operation of agricultural UAV, UAV hyperspectral technology was used to establish the prescription maps of fertilization amount in rice tillering stage, combined with the operation parameters of agricultural UAV, grid division of fertilizing plots was carried out to determine the amount of precise fertilization, and precision fertilization was carried out by agricultural UAV. The consistent and desired end-member hyperspectral information of the ground features in the rice field were extractedto retrieve the nitrogen content of riceand a rice tillering stage fertilisation prescription map was established based in this, and the fertilization formula map of rice at tillering stage was established. According to the fertilizer amount prescription map, the operation parameters of agricultural UAV were set, and the plots to be fertilized were divided into grids to determine the spraying amount of each grid topdressing operation, and the precision topdressing was carried out by agricultural UAV. Dajiang spirit 4 RTK UAV was used to obtain the orthophoto image of the test fields with spatial information, the actual position of each topdressing grid was determined, and the variable spraying was realized by controlling the working voltage of the liquid medicine pump by PID algorithm. During the spraying process, droplet test cards were arranged on the ground at the same time to calculate the droplet coverage and other parameters such as droplet coverage rate. The results showed that five hyperspectral characteristic variables of rice were extracted in the 450-950 nm band by the method of feature band selection and feature extraction, the effects of rice nitrogen content inversion model constructed by Particle Swarm Optimization Extreme Learning Machine (PSO-ELM) was better than that of Extreme Learning Machine (ELM), and the coefficient of determination was 0.838 and the root mean square error was 0.466. The rice yield of UAV variable topdressing was basically the same as that of traditional topdressing, but the amount of pure nitrogen decreased by 27.34%.The study results can provide data and model basis for the precision variable topdressing of agricultural UAV in the tillering stage of rice in cold regions.

UAV; remote sensing; rice; hyperspectral;precision fertilization

于豐華，曹英麗，許童羽，等. 基于高光譜遙感處方圖的寒地分蘗期水稻無(wú)人機(jī)精準(zhǔn)施肥[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(15)：103-110.doi：10.11975/j.issn.1002-6819.2020.15.013 http://www.tcsae.org

Yu Fenghua, Cao Yingli, Xu Tongyu, et al. Precision fertilization by UAV for rice at tillering stage in cold region based on hyperspectral remote sensing prescription map[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(15): 103-110. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.15.013 http://www.tcsae.org

2020-05-25

2020-06-25

國(guó)家重點(diǎn)研發(fā)計(jì)劃（2016YFD0200600）；遼寧省教育廳科技人才“育苗”項(xiàng)目（LSNQN201903）

于豐華，博士，講師，主要從事精準(zhǔn)農(nóng)業(yè)航空研究。Email：adan@syau.edu.cn

許童羽，博士，教授，博士生導(dǎo)師，主要從事精準(zhǔn)農(nóng)業(yè)、智慧農(nóng)業(yè)相關(guān)研究。Email：xutongyu@syau.edu.cn

10.11975/j.issn.1002-6819.2020.15.013

S252

A

1002-6819(2020)-15-0103-08