基于無人機(jī)低空多光譜遙感監(jiān)測的烤煙株高研究

邊琳，葉飛，王建雄

（1.云南大學(xué)滇池學(xué)院，云南昆明 650228；2.云南農(nóng)業(yè)大學(xué)／云南省高校農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650201）

無人機(jī)低空光譜遙感系統(tǒng)因具有操作方便、成本低、精度高等優(yōu)勢在農(nóng)業(yè)中的應(yīng)用越來越廣泛［1-10］，現(xiàn)已用于作物長勢監(jiān)測、作物病蟲害監(jiān)測、農(nóng)作物養(yǎng)分監(jiān)測等相關(guān)領(lǐng)域［11-15］。李明澤等利用無人機(jī)低空多光譜數(shù)據(jù)并結(jié)合多種參數(shù)，基于核變換的偏最小二乘原理構(gòu)建了植被冠層葉綠素相對含量的估測模型，模型決定系數(shù)達(dá)到0.855，平均絕對百分誤差為9.6%，預(yù)測精度為89.7%［16］。Ballester等利用無人機(jī) ＋Micasense Red Edge多光譜相機(jī)采集到整個(gè)生長周期棉田的多光譜圖像并對其氮素的時(shí)空分布進(jìn)行研究，得出棉花不同生長時(shí)期的氮素最佳預(yù)測模型對應(yīng)的植被指數(shù)存在差異［17］。張瑜等利用六旋翼無人機(jī)搭載的多光譜相機(jī)獲取到不同水分脅迫下的玉米冠層光譜影像，并基于比值植被指數(shù)（simple ratio index，SR）、表層土壤含水率（surface soil moisture，SM）、葉面積指數(shù)（leaf area index，LAI）建立了玉米作物系數(shù)估算模型，模型修正的決定系數(shù)、均方根誤差和歸一化的均方根誤差分別為0.60、0.21和23.35%［18］。李冰等設(shè)計(jì)了以低空無人直升機(jī)搭載的多光譜載荷觀測系統(tǒng)，并對冬小麥5個(gè)主要的生育時(shí)期進(jìn)行監(jiān)測，提出一種在時(shí)序性影像的植被指數(shù)直方圖中獲取植被指數(shù)閾值、提取空間尺度植被覆蓋度的方法［19］。Houborg等基于中等分辨率的光譜輻射儀結(jié)合STEM-LAI方法獲取數(shù)據(jù)，利用回歸樹方法生成MODIS模型，對比后得出 Landsat采集得到的葉面積指數(shù)數(shù)據(jù)精度更高，適用面更廣［20］。本研究利用無人機(jī)低空遙感采集圖像數(shù)據(jù)，并與實(shí)測的理化數(shù)據(jù)相結(jié)合進(jìn)行建模，分析烤煙不同生育期的株高結(jié)構(gòu)，利用不同波段光譜反射信號的差異探測烤煙在不同高度上的光譜吸收特征，探索基于植被指數(shù)再合成方法的烤煙長勢分析，對烤煙生長情況進(jìn)行遙感監(jiān)測，以期為分析作物生長高度與光譜反射率的變化關(guān)系、發(fā)展新一代遙感提供理論和實(shí)驗(yàn)基礎(chǔ)。

圖1 研究區(qū)域圖

1 材料與方法

1.1 試驗(yàn)區(qū)概況

試驗(yàn)在云南農(nóng)業(yè)大學(xué)現(xiàn)代農(nóng)業(yè)教育科研基地（25°31′9″N，103°16′54″E，海拔 1 859 m）進(jìn)行（圖1）。該基地位于云南省昆明市東北部的尋甸回族彝族自治縣大河橋農(nóng)場（102°41′～103°33′E、25°20′～26°01′N），土壤類型為紅壤，常年種植烤煙、馬鈴薯、玉米、蠶豆、水稻等作物；旱雨兩季分明，每年5月至10月為旱季，干旱少雨，11月到次年4月為雨季，潮濕多雨。

1.2 試驗(yàn)材料

供試烤煙品種為云煙87，移栽到大田的時(shí)間為2018年5月8日，收獲時(shí)間為2018年7月19日，本研究時(shí)段選擇移栽后的緩苗期、團(tuán)棵期、旺長期和成熟期4個(gè)生育時(shí)期，共計(jì)72 d。各生育時(shí)期的劃分見表1。

1.3 數(shù)據(jù)采集

從烤煙移栽大田第二天起開始本次試驗(yàn)，每7 d采集一次烤煙光譜數(shù)據(jù)（第8次和第9次中間相隔兩周），同時(shí)在烤煙田中選取7個(gè)點(diǎn)，每點(diǎn)選3株烤煙，測量其株高、莖粗、葉綠素含量及根周土壤含水率，并選取無陰影遮擋的地塊，利用照度計(jì)測量氣溫與紫外線強(qiáng)度。

表1 烤煙生育時(shí)期劃分

1.3.1 光譜數(shù)據(jù)采集 本研究利用DJI M100航拍儀搭載Parrot Sequoia多光譜傳感器獲取試驗(yàn)區(qū)烤煙的遙感影像，可捕獲烤煙在綠波段（GRE）、紅波段（RED）、紅邊波段（REG）、近紅外波段（NIR）的反射光，多光譜傳感器及各波段具體參數(shù)見表2、表3。用Pix4D mapper軟件進(jìn)行試驗(yàn)區(qū)域的自動(dòng)航測，可自動(dòng)校準(zhǔn)影像、劃定試驗(yàn)區(qū)域與飛行航線，當(dāng)飛行高度為30 m、飛行速度為5 m／s左右、航向重疊率為80%、旁向重疊率為80%時(shí)拍攝的圖像精度高，數(shù)據(jù)更加精準(zhǔn)；同時(shí)利用照度計(jì)記錄試驗(yàn)區(qū)光照強(qiáng)度，搭配實(shí)時(shí)圖傳后即可顯示飛行高度和GPS定位等信息。

表2 多光譜傳感器參數(shù)

表3 多光譜四波段相機(jī)各波段參數(shù) （nm）

1.3.2 理化數(shù)據(jù)采集 株高：用卷尺測量煙株最高主莖自地面至頂端的高度；莖粗：用游標(biāo)卡尺測量煙株最高主莖的直徑；葉綠素含量：用葉綠素儀測量煙株冠層4個(gè)葉片的葉綠素含量；土壤含水率：清除根周土壤表層雜質(zhì)，將土壤水分儀的探針插入土壤10 cm深處，讀取并記錄含水率。

1.4 數(shù)據(jù)處理

1.4.1 烤煙影像數(shù)據(jù)鑲嵌融合處理 采集到的遙感數(shù)據(jù)會受到當(dāng)時(shí)光照、大氣等因素對烤煙影像造成的地物反射的影響，因此，需要將采集到的數(shù)據(jù)經(jīng)Agisoft PhotoScan處理后再進(jìn)行ENVI的Flaash大氣校正，以有效地消除水蒸氣、二氧化碳、氧氣等對影像的影響，保證獲取到更加真實(shí)的光譜反射率。

1.4.2 試驗(yàn)小區(qū)影像提取 將經(jīng)過Agisoft PhotoScan、ENVI以及Flaash大氣校正后的遙感圖像導(dǎo)入ArcGIS 10.4中，根據(jù)本研究地塊的范圍和大小，通過創(chuàng)建新的矢量圖來繪制該地的邊界，并用此矢量圖在數(shù)字高程模型（DEM）中利用掩膜截取試驗(yàn)區(qū)影像，最后利用分區(qū)統(tǒng)計(jì)分別提取GRE、RED、REG、NIR四波段以及烤煙株高的影像數(shù)據(jù)。

1.4.3 多光譜反射率及烤煙高度提取 依據(jù)前期的拍攝及拼圖，得到柵格數(shù)據(jù)的圖像，進(jìn)一步用ArcGIS10.4軟件矯正圖像，通過創(chuàng)建漁網(wǎng)網(wǎng)格把試驗(yàn)區(qū)劃分為N個(gè)小方格，進(jìn)行分區(qū)統(tǒng)計(jì)，最終得到試驗(yàn)田12 450個(gè)網(wǎng)格數(shù)據(jù)（多光譜反射率、高度），將DEM中的烤煙株高數(shù)據(jù)統(tǒng)一減去研究區(qū)海拔高度1 859 m，即得到時(shí)間周期內(nèi)烤煙的實(shí)際株高。為了保證數(shù)據(jù)的精度，以及減少一些不必要的繁重步驟，根據(jù)拍攝的時(shí)間順序，把每次經(jīng)過以上處理獲得的4個(gè)波段光譜數(shù)據(jù)與烤煙株高數(shù)據(jù)，按照該期烤煙株高由低向高的順序進(jìn)行4個(gè)波段光譜數(shù)據(jù)的排列，500為一組求均值，最終得到25組烤煙株高與各個(gè)波段對應(yīng)的數(shù)值。試驗(yàn)區(qū)影像的四波段反射率提取結(jié)果見圖2。

1.5 模型構(gòu)建

在SPSS軟件中選取線性、二次項(xiàng)、復(fù)合、增長、對數(shù)、立方、S、指數(shù)、逆模型、冪和 Logistic 11種方程對試驗(yàn)數(shù)據(jù)進(jìn)行擬合，選取擬合度較高方程表示光譜反射率和烤煙株高的關(guān)系。R2反映的是回歸方程能夠解釋的方差占因變量方差的百分比，被稱作擬合指數(shù)或決定系數(shù)，本研究即用R2評價(jià)方程的擬合效果，R2越大擬合效果越好，大于0.7說明方程對樣本點(diǎn)的擬合效果較好，能夠達(dá)到顯著性水平。根據(jù)方程R2值選出擬合較優(yōu)各波段對烤煙株高的方程。

1.6 模型驗(yàn)證

本研究采用均方誤差、平均絕對誤差、均方根誤差對模型進(jìn)行驗(yàn)證。

均方誤差（mean square error，MSE）是指所測參數(shù)的估計(jì)值與真實(shí)值之差平方的期望值。MSE的值越小，模型的精確度越高。公式如下：

平均絕對誤差（mean absolute error，MAE）又稱平均絕對離差，通常為單個(gè)觀測值與真實(shí)值偏差的絕對值的平均，能有效避免誤差相互抵消的問題，因而可以準(zhǔn)確反映誤差的大小。公式如下：均方根誤差（root mean squard error，RMSE）是均方誤差的算術(shù)平方根。公式如下：

圖2 烤煙試驗(yàn)區(qū)影像四波段反射率提取結(jié)果

公式（1）（2）（3）中，xi為參數(shù)測試值為 參數(shù)真實(shí)值，本研究中用實(shí)測值的平均值，m為測試的次數(shù)。

2 結(jié)果與分析

2.1 多光譜反射率與烤煙株高關(guān)系

選取不同生育時(shí)期烤煙影像數(shù)據(jù)，以烤煙株高（m）為橫軸，光譜反射率為縱軸，建立烤煙光譜反射率與株高的關(guān)系，結(jié)果見圖3。在緩苗期0～0.07 m株高范圍內(nèi)，GRE與RED曲線基本相一致，REG與NIR曲線變化相近，紅波反射率能較好體現(xiàn)烤煙株高。在團(tuán)棵期0～0.10 m株高范圍內(nèi)，四個(gè)波段變化曲線基本一致，其中紅邊波反射率能較好體現(xiàn)該時(shí)期烤煙株高。在烤煙旺長期0～0.40 m株高范圍內(nèi)，四個(gè)波段反射率曲線變化趨勢基本相似，近紅外波反射率能較好體現(xiàn)烤煙高度。在成熟期0～1.00 m株高范圍內(nèi)，四條曲線變化趨勢基本相同，綠波反射率能較好體現(xiàn)烤煙高度。

2.2 模型構(gòu)建

試驗(yàn)過程中發(fā)現(xiàn)多光譜反射率與成熟期烤煙株高的擬合效果最好，因此最終以成熟期烤煙株高構(gòu)建其與多光譜反射率的擬合模型。采用各種方程對烤煙株高與各光譜反射率進(jìn)行擬合，結(jié)果（表4）顯示，在GRE波段中，二次、三次、線性方程的R2值較大，擬合程度高，因此選用二次、三次、線性方程構(gòu)建GRE與烤煙株高的模型；在RED光譜中，二次、對數(shù)、三次方程的R2值較大，擬合度最高；在REG波段，三次、二次、倒數(shù)方程的R2值較大，擬合程度最高；在NIR波段，線性、二次、對數(shù)、三次方程的R2值最大，擬合程度高。據(jù)此，選擇各波段擬合程度最高的方程式進(jìn)行組合，進(jìn)而構(gòu)建出成熟期四個(gè)波段與烤煙株高擬合模型，見圖4。其中，GRE波段與成熟期烤煙株高擬合的R2最大，因此確定成熟期烤煙株高與光譜反射率的最優(yōu)擬合模型為y＝26.275x3-5.158x＋0.923，式中x為綠波段的反射率，y為成熟期烤煙株高。

圖3 光譜反射率與烤煙株高關(guān)系

圖4 成熟期烤煙株高與各波段反射率擬合模型

表4 成熟期四波段擬合方程R2值

2.3 模型驗(yàn)證

選取移栽51、65、72 d處于成熟期的烤煙數(shù)據(jù)對模型進(jìn)行驗(yàn)證。經(jīng)外業(yè)拍攝和內(nèi)業(yè)數(shù)據(jù)處理得到烤煙 GRE、RED、REG、NIR的反射率，見表5，然后利用構(gòu)建的模型估算烤煙株高并進(jìn)行檢驗(yàn)，結(jié)果（表6、表7）顯示，在烤煙移栽第51天時(shí)，實(shí)測株高0.736 m，擬合值均高于實(shí)際值，GRE波段擬合值最接近實(shí)際值，RED波段擬合值最高；移栽第65天時(shí)，實(shí)測株高0.890 m，擬合值也均高于實(shí)際值，GRE波段擬合值與實(shí)際值相近，NIR波段擬合值最高；移栽第72天時(shí)，實(shí)測株高0.988 m，除REG波段擬合值低于實(shí)際值外，其余波段擬合值均高于實(shí)際值，仍以GRE波段的擬合值與實(shí)際值最接近，RED波段的擬合值最高。通過誤差分析，GRE、RED、REG、NIR波段擬合的MSE值均低于MAE與RMSE值，分別為0.0002、0.0167、0.0055、0.0031，GRE波段誤差最小。表明，利用本研究構(gòu)建的基于綠波波段光譜反射率估算成熟期烤煙株高具有一定的可行性。

表5 成熟期烤煙各波段反射率值

表6 成熟期烤煙株高實(shí)際值和擬合值 （m）

表7 誤差分析結(jié)果

3 討論與結(jié)論

本研究通過對移栽后烤煙試驗(yàn)區(qū)的多光譜信息采集、處理與分析，建立了烤煙不同生育時(shí)期光譜反射率與株高的關(guān)系，結(jié)果發(fā)現(xiàn)，緩苗期紅波反射率能較好體現(xiàn)烤煙高度，團(tuán)棵期紅邊波反射率能較好體現(xiàn)烤煙高度，旺長期近紅外波反射率能較好體現(xiàn)烤煙高度，成熟期綠波反射率能較好體現(xiàn)烤煙高度，其中尤以成熟期的效果最好。選用成熟期烤煙株高數(shù)據(jù)建立其與多光譜反射率的擬合模型，并用誤差分析指標(biāo)對模型進(jìn)行驗(yàn)證，結(jié)果表明，綠波段光譜反射率與烤煙株高的擬合模型R2值最高，擬合度最高，誤差最小，由此確定烤煙株高的最優(yōu)估算模型為y＝26.275x3-5.158x＋0.923，式中x為綠波段的反射率，y為成熟期烤煙株高。

本研究為建立基于多光譜特征的烤煙株高信息模型提供了新的思路與方法，對無人機(jī)遙感在農(nóng)作物“立體”狀態(tài)下的株高特征提取與試驗(yàn)應(yīng)用也提供了依據(jù)。但由于試驗(yàn)周期、氣候條件、實(shí)驗(yàn)操作以及作物不確定性因素等原因的限制，在今后的試驗(yàn)研究中，仍需從無人機(jī)采集的數(shù)據(jù)量、試驗(yàn)?zāi)Ｐ蜆?gòu)建等方面進(jìn)行不斷的優(yōu)化和完善。