基于低空無人機(jī)遙感的高粱生長狀況監(jiān)測(cè)*

陳虹，謝玲，陳林琳

(1. 南通科技職業(yè)學(xué)院，江蘇南通，226001； 2. 南京理工大學(xué)紫金學(xué)院，南京市，210023)

通訊作者：謝玲，女，1984年生，江蘇儀征人，碩士，講師；研究方向?yàn)榱孔油ㄐ?，自?dòng)控制和算法。E-mail: xieling1234@126.com

0 引言

高粱是世界第五大農(nóng)作物，是釀造業(yè)和飼料業(yè)的基礎(chǔ)原料，在我國種植廣泛且近幾年的對(duì)外依存度較高[1]。全面并準(zhǔn)確地獲取高粱的生長狀態(tài)信息對(duì)指導(dǎo)高粱的生產(chǎn)、精確的預(yù)測(cè)產(chǎn)量、評(píng)價(jià)生產(chǎn)耗能等具有重要的現(xiàn)實(shí)意義。

僅通過人力采集的方式獲取農(nóng)作物生長狀態(tài)信息的方法，費(fèi)時(shí)、費(fèi)力、具有破壞性，已無法滿足大規(guī)模和精準(zhǔn)農(nóng)業(yè)生產(chǎn)的需要[2]?；谛l(wèi)星遙感技術(shù)對(duì)農(nóng)作物的監(jiān)測(cè)具有快速、無損、監(jiān)測(cè)區(qū)域面積廣等優(yōu)勢(shì)，應(yīng)用較為廣泛[3]。但是，在對(duì)田塊尺度的農(nóng)作物和作物關(guān)鍵生育時(shí)期的監(jiān)測(cè)時(shí)，衛(wèi)星遙感存在的時(shí)空分辨率低、易受氣象條件影響等問題[4-5]，限制了其對(duì)作物生長監(jiān)測(cè)的精度和應(yīng)用范圍。

近些年，配備高光譜相機(jī)的無人機(jī)遙感技術(shù)，可快速且可低成本的獲取田塊尺度遙感影像。根據(jù)這些具有較高時(shí)空分辨率的農(nóng)作物光譜信息，可以更準(zhǔn)確地提取出與作物長勢(shì)緊密相關(guān)的波段信息，實(shí)現(xiàn)大面積、精準(zhǔn)的估測(cè)農(nóng)作物的長勢(shì)。文獻(xiàn)[6]根據(jù)無人機(jī)采集的冬小麥高清數(shù)碼圖像，建立各個(gè)生長階段的作物數(shù)字表面模型及高度模型，實(shí)現(xiàn)快速估算冬小麥的株高。文獻(xiàn)[7]以玉米地上干生物量為研究對(duì)象，獲取無人機(jī)高光譜數(shù)據(jù)后，對(duì)比不同人工神經(jīng)網(wǎng)絡(luò)法反演生物量的精度。文獻(xiàn)[8]基于無人機(jī)遙感技術(shù)，研究了大田玉米冠層葉綠素含量檢測(cè)及分布圖繪制方法，實(shí)現(xiàn)田間作物長勢(shì)評(píng)價(jià)和精細(xì)化管理。文獻(xiàn)[9]基于微小無人機(jī)遙感平臺(tái)采集獼猴桃試驗(yàn)區(qū)的可見光遙感影像，經(jīng)和地面實(shí)測(cè)數(shù)據(jù)對(duì)比，得出獼猴桃覆蓋度可反映獼猴桃的長勢(shì)信息的結(jié)論。文獻(xiàn)[10]提出了基于可見光遙感影像的棉花苗情提取方法，經(jīng)過和實(shí)測(cè)數(shù)據(jù)對(duì)比，驗(yàn)證了該方法的時(shí)效性和精確性。文獻(xiàn)[11]利用無人機(jī)拍攝夏季玉米各生長階段的可見光圖像，選擇三種植被指數(shù)，對(duì)比通過時(shí)序交點(diǎn)閾值法和最大熵閾值法提取玉米的植被覆蓋度信息的精度?？傊?，與衛(wèi)星和有人駕駛飛機(jī)等遙感平臺(tái)相比，無人機(jī)平臺(tái)在農(nóng)作物監(jiān)測(cè)方面具有明顯的成本和精度優(yōu)勢(shì)。

以上研究利用無人機(jī)遙感技術(shù)，實(shí)現(xiàn)對(duì)不同農(nóng)作物的生長狀態(tài)的監(jiān)測(cè)，但是還未有利用無人機(jī)遙感技術(shù)對(duì)高粱生長狀態(tài)的監(jiān)測(cè)研究。本文以南通市農(nóng)業(yè)研究實(shí)驗(yàn)基地種植的高粱為研究對(duì)象，選取可反應(yīng)農(nóng)作物長勢(shì)的葉面積指數(shù)(Leaf Area Index，LAI)[12]、植被覆蓋度(Fractional Vegetation Cover，F(xiàn)VC)[13]為高粱生長參數(shù)的指標(biāo)，通過多旋翼無人機(jī)平臺(tái)獲取高粱不同生長階段的遙感圖像，在建立4種典型植被指數(shù)和高粱生長參數(shù)LAI和FVC的經(jīng)驗(yàn)統(tǒng)計(jì)回歸模型，確定適用于反應(yīng)高粱長勢(shì)的最優(yōu)植被指數(shù)；然后，對(duì)比實(shí)測(cè)和通過無人機(jī)遙感圖像獲得的LAI和FVC值，評(píng)估無人機(jī)遙感評(píng)價(jià)農(nóng)作物長勢(shì)的準(zhǔn)確性。

1 材料與方法

1.1 研究區(qū)概況

試驗(yàn)于2019年在南通市農(nóng)業(yè)研究實(shí)驗(yàn)基地進(jìn)行，基地地勢(shì)平坦，土壤類型草甸黑土，土壤質(zhì)地黏重，前茬大豆，秋整地。高粱品種為紅糯16，每公頃的保苗株數(shù)為25萬株，播種同時(shí)施入種肥300 kg/hm2(氮∶磷∶鉀=23∶10∶12)。施肥、防蟲滅草等均按當(dāng)?shù)厣a(chǎn)進(jìn)行，播種及各項(xiàng)農(nóng)事活動(dòng)均在同一天內(nèi)完成。

1.2 數(shù)據(jù)獲取

1.2.1 無人機(jī)遙感數(shù)據(jù)

本研究采用大疆經(jīng)緯M200系列無人機(jī)，搭載RedEdge-MX型5通道多光譜相機(jī)。相機(jī)在120 m的飛行高度時(shí)，分辨率(GDS)為8 cm，可采集藍(lán)、綠、紅、紅邊、近紅外5個(gè)光譜波段。在高粱播種到成熟的過程中，選取3個(gè)主要生育期開展無人機(jī)遙感作業(yè)，選擇太陽光強(qiáng)度穩(wěn)定、天氣晴朗無云的天氣，10：00～14：00獲取遙感圖像，試驗(yàn)日期與對(duì)應(yīng)的生育期如表1所示。3次無人機(jī)作業(yè)時(shí)采取同一航線，飛行時(shí)間約為20 min，飛行高度為120 m。

表1 無人機(jī)遙感圖像獲取時(shí)間及對(duì)應(yīng)的生育期Tab. 1 Acquisition time of UAV remote sensing image and

1.2.2 地面數(shù)據(jù)采集

地面數(shù)據(jù)采集工作與無人機(jī)空中作業(yè)在同一天同一時(shí)間段開展，利用美國ALI-COR LAI-2200C植物冠層分析儀，完成研究區(qū)域內(nèi)的高粱葉面積指數(shù)LAI的測(cè)量。同時(shí)，將數(shù)碼相機(jī)安裝在桿子上，在距離地面約3 m的高度俯拍高粱冠層的圖片，每個(gè)拍攝點(diǎn)至少拍攝3張照片。

1.3 數(shù)據(jù)處理

對(duì)無人機(jī)采集的多光譜圖像，首先采用Pix4Dmapper圖像軟件將單個(gè)圖像拼接成研究區(qū)域整體的圖像。再使用ENVI(The Environment for Visualizing Images)遙感圖像處理軟件進(jìn)行輻射定標(biāo)，采用偽標(biāo)準(zhǔn)地物輻射糾正法，通過建立地面實(shí)測(cè)反射率和地面實(shí)際反射系數(shù)之間的線性關(guān)系來實(shí)現(xiàn)輻射定標(biāo)。在試驗(yàn)田周邊布置兩個(gè)標(biāo)稱反射率為0.03和0.22的3 m×3 m航拍實(shí)驗(yàn)標(biāo)準(zhǔn)反射率參考板。

使用ENVI軟件從無人機(jī)圖像中提取與標(biāo)準(zhǔn)參考板相對(duì)應(yīng)的DN值。利用各光譜波段的參考板DN值和已知的校準(zhǔn)參考板反射率值建立了線性回歸方程，將無人機(jī)圖像的DN值轉(zhuǎn)換為輻射定標(biāo)后的反射率。

ρ(x,y,i)=ai×DN(x,y,i)+bi

式中：ρ(x,y,i)——光譜帶i中像素(x，y)的輻射定標(biāo)后的反射率；

DN(x,y,i)——光譜帶i中像素(x，y)的DN值；

ai、bi——光譜帶i的線性回歸模型的斜率和截距。

無人機(jī)多光譜影像的輻射定標(biāo)需要單獨(dú)提取綠、紅、紅邊和近紅外波段影像的白色參考板DN值，依次分別進(jìn)行單波段影像的輻射校正。最后，對(duì)經(jīng)過輻射定標(biāo)的綠、紅、紅邊和近紅外波段影像進(jìn)行波段合成處理，得到多光譜影像合成數(shù)據(jù)。

對(duì)于地面采集的圖像，在采用Adobe Photoshop軟件處理高粱冠層圖片后，將照片導(dǎo)入ENVI軟件以估算植被覆蓋度FVC值。具體的計(jì)算過程為：首先利用“maximum likehood”函數(shù)，將每幅圖像分為有植被和無植被兩類。然后，使用“quick stats”函數(shù)確定植被區(qū)域中的像素?cái)?shù)。將植被部分的像素?cái)?shù)除以圖像的像素總數(shù)，估算出每幅植被圖像的FVC值。

1.4 植被指數(shù)的選取

在輻射定標(biāo)后，結(jié)合無人機(jī)遙感平臺(tái)，如表2所示，選擇4種常用的植被指數(shù)用于高粱LAI和FVC反演模型的構(gòu)建，利用ENVI軟件中的自帶函數(shù)計(jì)算植被指數(shù)。

表2 選取的植被指數(shù)和計(jì)算公式Tab. 2 Vegetation index and calculation formula

1.5 統(tǒng)計(jì)分析

使用驗(yàn)證數(shù)據(jù)集分析回歸模型的準(zhǔn)確性，選用評(píng)價(jià)指標(biāo)：決定系數(shù)R2、均方根誤差RMSE、平均絕對(duì)誤差MAPE評(píng)價(jià)回歸模型的精度。此外，使用T檢驗(yàn)確定估測(cè)模型是否能夠以合理的精度預(yù)測(cè)高粱的FVC和LAI，如果斜率值與1無顯著性差異，截距值與0無顯著性差異，則可以得出回歸模型與直線y=x無顯著性差異的結(jié)論，即估測(cè)模型可以實(shí)現(xiàn)高精度的預(yù)測(cè)。

2 結(jié)果和分析

2.1 最優(yōu)估測(cè)植被指數(shù)

通過對(duì)比分析NDVI、綠色NDVI、RVI和WDRVI植被指數(shù)和高粱的LAI和FVC相關(guān)性，確定最優(yōu)的估測(cè)植被指數(shù)。從50幅無人機(jī)圖像中提取數(shù)據(jù)點(diǎn)構(gòu)建樣本數(shù)據(jù)集，隨機(jī)選擇2/3的樣本數(shù)據(jù)作為訓(xùn)練集與多光譜反射率影像建模，選擇指數(shù)回歸(Exponential Regression，ER)和線性回歸(Linear Regression，LR)分別構(gòu)建高粱LAI和FVC的估測(cè)模型。剩余的1/3樣本數(shù)據(jù)作為驗(yàn)證集，評(píng)價(jià)回歸模型的性能，得到的LAI和FVC的4種植被指數(shù)的最佳擬合函數(shù)和評(píng)價(jià)指標(biāo)分別如表3和表4所示。

表3 植被指數(shù)和葉面積指數(shù)的回歸模型Tab. 3 Regression model of vegetation index and LAI

表4 植被指數(shù)與植被覆蓋度的回歸模型Tab. 4 Regression model of vegetation index and FVC

從表3和表4可得，NDVI構(gòu)建LAI和FVC的估算模型的精度和效果要優(yōu)于其他植被指數(shù)。相比于其他3種植被指數(shù)，LAI-NDVI和FVC-NDVI估算模型的決定系數(shù)R2值最高(0.91，0.88)且均方根誤差RMSE(0.28，0.06)和平均絕對(duì)誤差MAPE(11%，8%)最低。WDRVI的表現(xiàn)優(yōu)于綠色NDVI和RVI，但該指數(shù)的R2較低，RMSE和MAPE較高，與其他植被指數(shù)相比RVI顯示準(zhǔn)確性最低。由于NDVI與高粱作物的LAI和FVC的相關(guān)性最大，所以選擇NDVI指數(shù)進(jìn)行下一步的詳細(xì)研究。

2.2 無人機(jī)遙感圖像預(yù)測(cè)LAI精度評(píng)價(jià)

根據(jù)訓(xùn)練數(shù)據(jù)集繪制NDVI和LAI之間的函數(shù)關(guān)系如圖1所示。

圖1 植被指數(shù)NDVI與葉面積指數(shù)的函數(shù)關(guān)系Fig. 1 Functional relationship between NDVI and LAI

由圖1可以看出，在圖像采集期間，高粱的LAI值集中在0.2～3.0的范圍內(nèi)。但當(dāng)LAI>2.5時(shí)，NDVI不會(huì)發(fā)生明顯的變化，保持在0.9左右。該結(jié)果與參考文獻(xiàn)[18-19]研究的結(jié)果較為一致：LAI的繼續(xù)增大不會(huì)顯著影響植物紅光波段吸收和反射，所以NDVI不會(huì)隨著高粱葉面積的增大而變化。該現(xiàn)象的主要原因是：對(duì)于多數(shù)農(nóng)作物，在LAI≥2.5，吸收峰高于95%時(shí)，紅光波段的冠層反射率小于5%[20]。

為了評(píng)估根據(jù)無人機(jī)遙感圖像得到的NDVI與LAI經(jīng)驗(yàn)關(guān)系的可行性和準(zhǔn)確性，對(duì)實(shí)測(cè)的LAI數(shù)據(jù)和通過無人機(jī)遙感數(shù)據(jù)得到的LAI的預(yù)測(cè)回歸模型進(jìn)行交叉驗(yàn)證，得到的結(jié)果如圖2所示。圖2中虛線為函數(shù)y=x，實(shí)線為葉面積指數(shù)實(shí)測(cè)值和預(yù)測(cè)值之間的最小二乘線性回歸方程。

圖2 無人機(jī)遙感圖像預(yù)測(cè)葉面積指數(shù)效果圖Fig. 2 Prediction of LAI results from UAV remote sensing images

由圖2可以看出，根據(jù)無人機(jī)圖像得到的預(yù)測(cè)值和實(shí)測(cè)LAI值之間具有較好的擬合性，決定系數(shù)R2=0.94，RMSE=0.16，MAPE=13%。通過最小二乘法得到的回歸方程y=0.95x+0.06與實(shí)測(cè)數(shù)據(jù)之間的方差為0.95。T檢驗(yàn)結(jié)果顯示：回歸方程的斜率與1無顯著性差異(p=0.14)，截距與0無顯著性差異(p=0.15)，即回歸方程與方程y=x沒有顯著差異。統(tǒng)計(jì)分析表明，根據(jù)遙感圖像構(gòu)建NDVI和LAI的線性模型LAI=0.14e3.4×NDVI能夠?qū)Ω吡坏娜~面積指數(shù)LAI進(jìn)行準(zhǔn)確的預(yù)測(cè)。

2.3 無人機(jī)遙感圖像預(yù)測(cè)FVC精度評(píng)價(jià)

繪制訓(xùn)練數(shù)據(jù)集的NDVI和FVC之間的函數(shù)關(guān)系，如圖3所示。

圖3 植被指數(shù)NDVI與植被覆蓋度的函數(shù)關(guān)系Fig. 3 Functional relationship between NDVI and FVC

根據(jù)圖3可得，與NDVI和LAI關(guān)系不同，NDVI和FVC呈現(xiàn)線性關(guān)系(R2=0.90)，F(xiàn)VC集中的分布在0.6～0.9之間。與前文的分析方法相同，使用NDVI-FVC的回歸模型對(duì)實(shí)測(cè)的FVC和根據(jù)無人機(jī)遙感圖像推算得到的FVC進(jìn)行交叉驗(yàn)證，得到驗(yàn)證結(jié)果如圖4所示。圖4中虛線為函數(shù)y=x，實(shí)線為植被覆蓋度實(shí)測(cè)值和預(yù)測(cè)值之間的最小二乘線性回歸方程。

圖4 無人機(jī)遙感圖像預(yù)測(cè)植被覆蓋度效果Fig. 4 Prediction of FVC results from UAV remote sensing images

由圖4可以看出，根據(jù)無人機(jī)圖像得到的預(yù)測(cè)值和實(shí)測(cè)FVC值之間具有較好的擬合性，決定系數(shù)R2=0.90，RMSE=0.05，MAPE=4%。T檢驗(yàn)結(jié)果顯示，回歸方程的斜率與1無顯著性差異(p=0.07)，截距與0無顯著性差異(p=0.05)，即回歸方程與方程y=x沒有顯著差異。統(tǒng)計(jì)分析表明，根據(jù)遙感圖像構(gòu)建NDVI和FVC的線性模型FVC=1.07NDVI-0.16能夠?qū)Ω吡坏闹脖桓采w度FVC進(jìn)行準(zhǔn)確的預(yù)測(cè)。

2.4 無人機(jī)遙感圖像預(yù)測(cè)LAI-FVC之間的關(guān)系

根據(jù)FVC和LAI的實(shí)測(cè)值，繪制兩者的函數(shù)關(guān)系如圖5所示。

圖5 LAI-FVC實(shí)測(cè)值函數(shù)關(guān)系Fig. 5 Functional relationship of measured values of LAI-FVC

從圖5可以看出，LAI-FVC之間呈現(xiàn)曲線相關(guān)，在LAI<1.5時(shí)，如圖6中虛線所示，LAI-FVC之間呈現(xiàn)線性的關(guān)系；當(dāng)LAI>1.5時(shí)，LAI-FVC之間的曲線關(guān)系較為明顯。當(dāng)高粱冠層的LAI值達(dá)到約2.5時(shí)，植被覆蓋了約70%的地面面積。在LAI大于2.5后，葉面積的繼續(xù)增大，并沒有引起植被覆蓋度的變化。因此，當(dāng)?shù)貕K的植被覆蓋度較高時(shí)，雖然LAI仍可能增加，但其NDVI值基本不變。

3 結(jié)論

本研究利用無人機(jī)多光譜遙感系統(tǒng)建立了植被指數(shù)和高粱LAI、FVC之間的回歸模型，并預(yù)測(cè)其精度，結(jié)果表明，通過無人機(jī)遙感技術(shù)可以精確、可靠地預(yù)測(cè)高粱作物的生長狀態(tài)。

1) 歸一化差異植被指數(shù)NDVI為反應(yīng)高粱長勢(shì)最優(yōu)的植被指數(shù)，通過無人機(jī)遙感圖像得到的NDVI值估計(jì)高粱的LAI和FVC的魯棒性較好。LAI-NDVI和FVC-NDVI估算模型的R2值最高(0.91，0.88)，且RMSE(0.28，0.06)和MAPE(11%，8%)最低。

2) 根據(jù)遙感圖像分別構(gòu)建NDVI和LAI及FVC的線性模型LAI=0.14e3.4×NDVI和FVC=1.07NDVI-0.16能夠準(zhǔn)確預(yù)測(cè)高粱的LAI值和FVC值。

3) 在高粱生長季的后期LAI>2.5時(shí)，由于NDVI飽和度問題會(huì)降低其對(duì)LAI預(yù)測(cè)效果。