基于無人機(jī)平臺(tái)的小麥產(chǎn)量信息監(jiān)測(cè)研究

丁大偉 季敏 鄧國(guó)強(qiáng) 丁峰 龐強(qiáng)

摘 要：無人機(jī)平臺(tái)的發(fā)展為改變傳統(tǒng)的作物生長(zhǎng)環(huán)境數(shù)據(jù)采集方式和產(chǎn)量監(jiān)測(cè)方式提供了契機(jī)。借助無人機(jī)平臺(tái)，可以實(shí)現(xiàn)農(nóng)作物生長(zhǎng)環(huán)境數(shù)據(jù)的快速采集、即時(shí)傳輸和動(dòng)態(tài)顯示。相對(duì)于地面和高空遙感平臺(tái)，無人機(jī)平臺(tái)能在一定程度上彌補(bǔ)現(xiàn)有地面和高空遙感平臺(tái)的不足，可以在作物生產(chǎn)領(lǐng)域等發(fā)揮巨大的作用。該文在傳統(tǒng)遙感監(jiān)測(cè)平臺(tái)對(duì)作物長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量預(yù)測(cè)的基礎(chǔ)上，分析了無人機(jī)低空遙感平臺(tái)應(yīng)用于中小型區(qū)域作物的監(jiān)測(cè)和預(yù)測(cè)的應(yīng)用進(jìn)展，探討無人機(jī)平臺(tái)監(jiān)測(cè)小麥長(zhǎng)勢(shì)和預(yù)測(cè)產(chǎn)量的可行性，提出了可行性的建議，以期促進(jìn)我國(guó)精準(zhǔn)農(nóng)業(yè)的快速發(fā)展。

關(guān)鍵詞：無人機(jī);小麥;產(chǎn)量監(jiān)測(cè)

中圖分類號(hào) S512.1 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1007-7731（2021）07-0125-06

Study on Monitoring Wheat Grain Yield Information Based on Uav Platform

DING Dawei1 et al.

（1Zhangjiagang Agricultural Experimental Station， Zhangjiagang 215616， China）

Abstract： The development of UAV platform provides an opportunity to change the traditional methods of crop growth environment data collection and yield monitoring. With the help of UAV platform， the crop growing environment data can be quickly collected， instantly transmitted and dynamically displayed. Compared with the ground and high-altitude remote sensing platform， UAV platform can make up for the shortcomings of the existing ground and high-altitude remote sensing platform to a certain extent， and play a huge role in the field of crop production. Based on the traditional remote sensing monitoring platform for crop growth monitoring and yield prediction， this paper applies the new UAV low altitude remote sensing platform to crop monitoring and prediction in small and medium-sized areas， discusses the feasibility of UAV platform for wheat growth monitoring and yield prediction， puts forward feasible suggestions， and promotes the rapid development of precision agriculture in China.

Key words： Unmanned aerial vehicle; Wheat; Yield monitor

1 前言

小麥作為世界三大主糧之一，在我國(guó)農(nóng)耕文明進(jìn)程中扮演著重要的角色。據(jù)國(guó)家糧食局統(tǒng)計(jì)，2017年我國(guó)小麥總產(chǎn)量為5481.2kg/hm2，比世界平均水平高55.2%。近年來，我國(guó)小麥總產(chǎn)量和消費(fèi)量均居世界第一，是我國(guó)僅次于水稻的第二大糧食作物。在2019發(fā)布的中央一號(hào)文件《中共中央國(guó)務(wù)院關(guān)于堅(jiān)持農(nóng)業(yè)農(nóng)村優(yōu)先發(fā)展做好“三農(nóng)”工作的若干意見》中，明確提出了“確保谷物基本自給，口糧絕對(duì)安全”的新糧食安全觀。從中長(zhǎng)期看，我國(guó)糧食產(chǎn)需仍將維持緊平衡態(tài)勢(shì)，要繃緊國(guó)家糧食安全這根弦。但隨著人口數(shù)量的增加以及可用耕地減少等問題的日益突出，糧食安全受到了越來越多的關(guān)注。小麥作為國(guó)家主要的糧食作物，其穩(wěn)產(chǎn)增產(chǎn)在國(guó)家糧食安全中扮演著重要角色。

精準(zhǔn)農(nóng)業(yè)是指應(yīng)用現(xiàn)代高新技術(shù)來管理農(nóng)業(yè)生產(chǎn)各個(gè)方面的空間和時(shí)間變化，以提高作物的產(chǎn)量、品質(zhì)和環(huán)境質(zhì)量等。多年來，國(guó)內(nèi)外眾多學(xué)者在監(jiān)測(cè)小麥產(chǎn)量這一問題上貢獻(xiàn)了自己的力量，這也間接印證了檢測(cè)小麥產(chǎn)量的重要性。目前，小麥產(chǎn)量預(yù)測(cè)方法主要有田間人工判斷預(yù)測(cè)，電容量測(cè)產(chǎn)、遙感預(yù)測(cè)、氣候和供求關(guān)系分析預(yù)測(cè)法、年景預(yù)測(cè)等[1]。相較于傳統(tǒng)的小麥產(chǎn)量監(jiān)測(cè)方法的種種弊端，無人機(jī)平臺(tái)作為現(xiàn)代信息技術(shù)的前沿技術(shù)，在小麥產(chǎn)量監(jiān)測(cè)方面得到了越來越廣泛的應(yīng)用。無人機(jī)遙感可以獲取土壤養(yǎng)分、作物長(zhǎng)勢(shì)、病蟲害監(jiān)測(cè)等農(nóng)業(yè)生產(chǎn)信息，通過數(shù)據(jù)解析，進(jìn)行變量施肥、科學(xué)施藥、預(yù)測(cè)病蟲害、預(yù)測(cè)作物產(chǎn)量等[2，3]。通過無人機(jī)這一個(gè)平臺(tái)，可以快速準(zhǔn)確地獲取大面積作物營(yíng)養(yǎng)與生長(zhǎng)狀態(tài)等實(shí)時(shí)田間信息，為精確農(nóng)業(yè)的實(shí)施提供重要的技術(shù)支撐，從而實(shí)現(xiàn)作物高產(chǎn)、高效、優(yōu)質(zhì)等生產(chǎn)目標(biāo)[4]。

2 無人機(jī)平臺(tái)的發(fā)展及其在農(nóng)業(yè)上的應(yīng)用

2.1 無人機(jī)發(fā)展現(xiàn)狀 信息是決定現(xiàn)代和未來戰(zhàn)爭(zhēng)勝負(fù)的關(guān)鍵因素，誰能在信息領(lǐng)域奪取優(yōu)勢(shì)，誰就能掌握戰(zhàn)爭(zhēng)的主動(dòng)權(quán)，要想在未來高技術(shù)條件下的信息化戰(zhàn)爭(zhēng)占有一席之地，只有通過最大限度地獲取更多更準(zhǔn)確的信息，才能在這場(chǎng)你信息化的戰(zhàn)役有所決策決策，而無人機(jī)正是能夠滿足這一需求的其中一種有效手段。信息技術(shù)、電子技術(shù)、計(jì)算機(jī)技術(shù)等高新技術(shù)在航空領(lǐng)域得到了廣泛應(yīng)用，同時(shí)也滿足了現(xiàn)代戰(zhàn)爭(zhēng)的需要，從這個(gè)角度來看，無人機(jī)的應(yīng)用范圍和性能都將得到不同程度的提高及不斷的延展。無人機(jī)的發(fā)展至今已有80余年的歷史，從最初的軍事領(lǐng)域[5]，到如今日益普遍的應(yīng)用于農(nóng)業(yè)，可以說，將無人機(jī)技術(shù)及遙感技術(shù)引用到農(nóng)業(yè)中加以利用，是現(xiàn)代農(nóng)業(yè)生產(chǎn)領(lǐng)域里程上的再次飛躍[3]。之所以這樣說，是因?yàn)闊o人機(jī)平臺(tái)可以彌補(bǔ)傳統(tǒng)監(jiān)測(cè)設(shè)備的一些問題，如作業(yè)范圍小和實(shí)時(shí)監(jiān)測(cè)難等，另外還能解決衛(wèi)星遙感成本高、受天氣狀況影響大等問題。將農(nóng)田作物信息進(jìn)行快速獲取與解析，是開展精準(zhǔn)農(nóng)業(yè)實(shí)踐的前提和基礎(chǔ)。

2.2 無人機(jī)在農(nóng)業(yè)上的主要應(yīng)用

2.2.1 病蟲害監(jiān)測(cè) 作物病蟲草害作為制約著農(nóng)作物產(chǎn)量的主要因素，一直以來都是各類研究的主攻對(duì)象。中國(guó)作為農(nóng)業(yè)大國(guó)，出現(xiàn)種類繁雜的病蟲草害也在情理之中，據(jù)相關(guān)數(shù)據(jù)統(tǒng)計(jì)，我國(guó)主要農(nóng)作物病蟲害達(dá)1400多種[10]。傳統(tǒng)的農(nóng)作物病蟲害監(jiān)測(cè)以及防控主要依靠人工田間取樣和調(diào)查，這不僅需要的時(shí)間長(zhǎng)、消耗的體力大、效率比較低下，而且容易受人的主觀性影響。近年來，隨著無人機(jī)產(chǎn)業(yè)的快速發(fā)展，無人機(jī)農(nóng)業(yè)遙感技術(shù)因其空間分辨率高、時(shí)效性強(qiáng)和成本低等優(yōu)勢(shì)，在農(nóng)作物病蟲草害監(jiān)測(cè)的相關(guān)應(yīng)用中發(fā)揮了非常重要的作用。通過對(duì)比試驗(yàn)可以發(fā)現(xiàn)，無人機(jī)有著很多優(yōu)勢(shì)，從病蟲害防治來看，要比傳統(tǒng)人工施藥防治效果好;從效益來看，單位面積成本投入、單位面積產(chǎn)量都有明顯提升[6，12]。

2.2.1.1 無人機(jī)高光譜遙感病蟲害進(jìn)展 高光譜遙感監(jiān)測(cè)技術(shù)的優(yōu)勢(shì)主要體現(xiàn)在作物早期的防治工作中，效率高，能夠及時(shí)發(fā)現(xiàn)、及時(shí)處理。由于患病蟲害的作物與正常作物的反射光譜之間存在著差異，通過反射光譜的變化可以監(jiān)測(cè)到病蟲害的發(fā)生情況，葉片細(xì)胞結(jié)構(gòu)氮元素、色素、水分等性質(zhì)會(huì)發(fā)生變化正是產(chǎn)生差異的原因所在[7]。在利用無人機(jī)高光譜遙感監(jiān)測(cè)病蟲害方面，不少團(tuán)隊(duì)已開展了相關(guān)研究。針對(duì)小麥條銹病，黃文江團(tuán)隊(duì)經(jīng)過試驗(yàn)證明了光化學(xué)植被指數(shù)（Photochemical Reflectance Index，PRI）在這方面的監(jiān)測(cè)潛力[8]。同樣對(duì)小麥條銹病進(jìn)行了監(jiān)測(cè)研究的還有蘭玉彬團(tuán)隊(duì)的羅菊花等[9]，首先在地面實(shí)測(cè)中篩選出條銹病發(fā)生的敏感波段，再基于敏感波段范圍的平均光譜反射率和由此計(jì)算的病情指數(shù)，建立多元線性回歸模型。Jin等[11]利用高光譜遙感對(duì)于棉花黃萎病進(jìn)行了研究，該研究采用小波變換提取主要信息并降維，通過比較分析得出SVM識(shí)別效果最好的結(jié)論，證明了無人機(jī)高光譜遙感在棉花黃萎病的監(jiān)測(cè)可行性。Zhang等[15]采用無人機(jī)遙感高光譜圖像，開展了翡翠灰蛀蟲早期監(jiān)測(cè)的研究，利用植被指數(shù)對(duì)葉綠素含量進(jìn)行反演，為高光譜在病蟲害預(yù)測(cè)及早期診斷的應(yīng)用提供了可能性。

2.2.1.2 無人機(jī)多光譜遙感病蟲害檢測(cè)研究進(jìn)展 多光譜成像的光譜分辨率在0.1數(shù)量級(jí)，即在可見光和近紅外區(qū)域一般只有幾個(gè)波段。無人機(jī)農(nóng)業(yè)遙感領(lǐng)域常見的多光譜相機(jī)通?？梢垣@取4個(gè)波段以上的光譜圖像，可同時(shí)捕捉綠光、紅光、紅邊和近紅外4個(gè)波段圖像，并且能夠用RGB圖像來真實(shí)反映植物的健康狀況。也可以定制特定窄波段的多光譜相機(jī)，根據(jù)特定的遙感應(yīng)用對(duì)不同的波段以及波段范圍進(jìn)行量身定做。在無人機(jī)多光譜遙感病蟲害方面，國(guó)內(nèi)外學(xué)者在多種農(nóng)作物上進(jìn)行了研究，也探索了低空遙感病蟲害的可行性。喬紅波等同時(shí)在地面和低空2個(gè)尺度獲取了患有白粉病的冬小麥冠層的反射光譜數(shù)據(jù)，并建立病蟲害嚴(yán)重程度與低空冠層光譜信息之間的相關(guān)關(guān)系，證明了使用低空無人機(jī)系統(tǒng)可以在大范圍內(nèi)對(duì)冬小麥病蟲害進(jìn)行快速無損檢測(cè)[4]。早在2008年，Huang等就利用MS4100機(jī)載多光譜相機(jī)搭載了無人機(jī)多光譜成像系統(tǒng)，分析近紅外、紅、綠波段圖像，計(jì)算出NR、NG、NDVI和NDNG指數(shù)，用于評(píng)估農(nóng)業(yè)領(lǐng)域的生物量、作物健康、生物類型和蟲害，為后來的研究指引了方向[16]。而在之后的諸多研究中，也論證說明了無人機(jī)多光譜遙感在蟲害檢測(cè)方面是具有可行性的。

2.2.1.3 無人機(jī)數(shù)碼影像遙感病蟲害進(jìn)展 相較于其他類型影像，采用數(shù)碼相機(jī)進(jìn)行無人機(jī)低空遙感農(nóng)作物的病蟲害，其主要優(yōu)勢(shì)是成本低、容易操作，而相反的，在診斷的應(yīng)用上具有一定的局限性，尤其是早期，并且現(xiàn)如今通用的數(shù)碼相機(jī)分辨率普遍較低，難以捕獲到作物田間生長(zhǎng)的太多細(xì)節(jié)。近年來，國(guó)內(nèi)外涌現(xiàn)了大量該領(lǐng)域的相關(guān)研究報(bào)道。例如，2012年Yue等[19]在白洋淀農(nóng)業(yè)區(qū)開展了無人機(jī)數(shù)碼影像的蟲害監(jiān)測(cè)研究，該研究在快速處理無人機(jī)圖像上進(jìn)行了探索，采用改進(jìn)的尺度不變特征變換（SIFT）算法和面向?qū)ο蟮男畔⑻崛〖夹g(shù)進(jìn)行圖像處理，研究對(duì)當(dāng)?shù)剞r(nóng)作物病蟲害防治取得了良好的效果。2016年，Sugiura等針對(duì)馬鈴薯晚疫?。≒otato late blight）開展了田間抗性試驗(yàn)，在這個(gè)過程中使用無人機(jī)獲取的RGB圖像來較為有效、客觀地評(píng)估該病害的感染程度[17]。2018年，針對(duì)水稻白穗病，王震等同樣基于無人機(jī)遙感數(shù)碼圖像，提取Haar-like特征，再以Adaboost算法進(jìn)行白穗識(shí)別，識(shí)別率高達(dá)93.62%。該方法是目前首個(gè)利用“無人機(jī)遙感+可見光”圖像進(jìn)行水稻白穗識(shí)別的研究報(bào)道，對(duì)于大面積稻田病蟲害識(shí)別具有一定的參考作用[18]。

2.2.2 倒伏 倒伏不僅使作物的產(chǎn)量和品質(zhì)降低，還會(huì)對(duì)收獲造成困難。當(dāng)小麥、水稻出現(xiàn)嚴(yán)重倒伏時(shí)，其產(chǎn)量甚至可以減產(chǎn)50%以上。倒伏在作物生育的中后期較易發(fā)生，稻、麥等谷類作物拔節(jié)后倒伏的時(shí)間越早，造成的損失就越大。

面對(duì)大面積作物的倒伏，若想通過傳統(tǒng)的人工方法得到有效的監(jiān)測(cè)顯然非常耗時(shí)耗力，而且效果也不一定好。基于無人機(jī)平臺(tái)監(jiān)測(cè)系統(tǒng)的災(zāi)情嚴(yán)重程度可以進(jìn)行實(shí)時(shí)監(jiān)測(cè)，這些監(jiān)測(cè)影響數(shù)據(jù)可以作為采取防治措施時(shí)的科學(xué)依據(jù)。董錦繪等以人工目視解譯統(tǒng)計(jì)得到的倒伏面積作為判別依據(jù)，通過對(duì)比最小距離法、最大似然法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)4種監(jiān)督分類方法對(duì)單張無人機(jī)影像的分類效果，擇優(yōu)用于無人機(jī)拼接數(shù)碼影像，成功估算了江蘇里下河地區(qū)小麥倒伏情況。這些成功的研究案例表明，搭載數(shù)碼相機(jī)的無人機(jī)遙感平臺(tái)對(duì)農(nóng)情監(jiān)測(cè)是具有一定可行性的，這是精準(zhǔn)農(nóng)業(yè)深入開展的新契機(jī)[20]。李宗南等在2014年的試驗(yàn)研究，為應(yīng)用無人機(jī)彩色遙感圖像準(zhǔn)確提取倒伏玉米面積提供了依據(jù)和方法。該研究基于小型無人機(jī)遙感試驗(yàn)獲取的RGB彩色圖像，研究灌漿期玉米倒伏的圖像特征和面積提取方法[21]。類似的研究方法也運(yùn)用在了小麥的倒伏研究中，2015年楊貴軍等利用高清數(shù)碼相機(jī)獲取小麥倒伏正射影像，可看到小麥葉片和倒伏相關(guān)情況，根據(jù)所劃分小區(qū)內(nèi)小麥倒伏面積的大小，按照標(biāo)準(zhǔn)差分級(jí)方法從高到低依次分級(jí)為紅、黃、綠、藍(lán)4個(gè)等級(jí)，以表征小區(qū)內(nèi)小麥倒伏的不同程度[22]。

2.2.3 葉面積指數(shù) 葉面積指數(shù)（LAI）是指單位土地面積上植物葉片總面積占土地面積的倍數(shù)，其數(shù)值大小與作物最終產(chǎn)量有著密切關(guān)系，是作物生長(zhǎng)和發(fā)育過程中的常見的監(jiān)測(cè)變量。作物長(zhǎng)勢(shì)監(jiān)測(cè)是農(nóng)情遙感監(jiān)測(cè)和產(chǎn)量估算的核心部分，通常采用葉面積指數(shù)、生物量等生長(zhǎng)指標(biāo)來描述作物的長(zhǎng)勢(shì)狀況。葉面積指數(shù)決定著作物的許多生物物理過程，如光合作用、呼吸作用和蒸騰作用，又或者是碳循環(huán)、降水截獲等，能有效獲得作物生長(zhǎng)的動(dòng)態(tài)信息，同時(shí)也是衡量作物群體是否合理的重要栽培生理參數(shù)。

農(nóng)作物葉面積指數(shù)（LAI）遙感監(jiān)測(cè)具有快速、無損的優(yōu)點(diǎn)。高林等于2016年使用多旋翼無人機(jī)為平臺(tái)同步搭載Canon Power Shot G16數(shù)碼相機(jī)和ADC-Lite多光譜傳感器組成的無人機(jī)農(nóng)情監(jiān)測(cè)系統(tǒng)進(jìn)行試驗(yàn)研究，分別獲取大豆結(jié)莢期和鼓粒期的遙感影像，用這些影像來估算作物的葉面積指數(shù)。研究結(jié)果表明，以多旋翼無人機(jī)為平臺(tái)同步搭載高清數(shù)碼相機(jī)和多光譜傳感器組成的無人機(jī)農(nóng)情監(jiān)測(cè)系統(tǒng)對(duì)研究大豆葉面積指數(shù)反演是具有可行性的，可作為指導(dǎo)精準(zhǔn)農(nóng)業(yè)研究的一種新方法[23]。王亞杰于2018年通過無人機(jī)多光譜遙感，對(duì)玉米葉面積指數(shù)監(jiān)測(cè)進(jìn)行了系統(tǒng)的研究。田明璐等于2018年以低空無人機(jī)作為遙感平臺(tái)，使用新型成像光譜儀獲取的農(nóng)田高光譜影像數(shù)據(jù)對(duì)棉花LAI進(jìn)行反演。分別以原始全波段光譜反射率、連續(xù)投影算法（successive projections algorithm，SPA）提取的有效波段反射率以及各類F_VI和E_VI作為自變量，使用最小二乘和偏最小二乘（partial least squares，PLS）回歸等方法構(gòu)建LAI遙感估算模型，為農(nóng)作物L(fēng)AI遙感監(jiān)測(cè)提供了新的技術(shù)手段[24]。張春蘭等于2018年通過利用隨機(jī)森林算法（Random Forest，RF），構(gòu)建冬小麥葉面積指數(shù)模型，對(duì)冬小麥長(zhǎng)勢(shì)進(jìn)行反演，實(shí)驗(yàn)結(jié)果表明模型精度較好并且具有較強(qiáng)的適應(yīng)性，可適用于高光譜無人機(jī)進(jìn)行高精度冬小麥葉面積指數(shù)的提取[25]。

2.2.4 生物量 生物量是指某時(shí)刻單位面積內(nèi)的有機(jī)物質(zhì)總量，是作物有機(jī)物含量監(jiān)測(cè)的重要指標(biāo)。葉片生物量是作物重要的生物物理參數(shù)之一，并且與葉面積指數(shù)關(guān)系密切，所以2個(gè)指標(biāo)的監(jiān)測(cè)方法通用性很強(qiáng)。如何高效、快速地獲取作物的株高和生物量信息，對(duì)于農(nóng)業(yè)生產(chǎn)有著十分重要的意義。Honkavaara等于2013年通過無人機(jī)遙感平臺(tái)搭載FPI光譜相機(jī)采集小麥的光譜信息，通過計(jì)算歸一化植被指數(shù)NDVI，成功反演了小麥的生物量。近年來，國(guó)內(nèi)關(guān)于這一類型的試驗(yàn)研究日趨增多。張正健團(tuán)隊(duì)于2016年通過研究基于若爾蓋高原典型樣帶的無人機(jī)可見光影像和地面實(shí)測(cè)樣本，建立了生物量與多種可見光植被指數(shù)的指數(shù)回歸模型，對(duì)比了不同植被指數(shù)模型的生物量估算精度的差異。該研究獲取了高空間分辨率的草地地上生物量，相關(guān)成果可為若爾蓋高原碳收支、衛(wèi)星遙感產(chǎn)品真實(shí)性檢驗(yàn)、生態(tài)模型、資源可持續(xù)利用等研究提供方法與數(shù)據(jù)支撐[26]。鄧江團(tuán)隊(duì)利用棉花主要生育時(shí)期的無人機(jī)近紅外影像數(shù)據(jù)，提取4種不同的植被指數(shù)，通過與棉花地上生物量的實(shí)測(cè)值建立擬合關(guān)系，分析了不同植被指數(shù)在棉花各生育時(shí)期的估算效果并對(duì)其進(jìn)行了驗(yàn)證[27]。同年，陶惠林等基于無人機(jī)高清數(shù)碼影像，選擇逐步回歸（stepwise regression，SWR）、偏最小二乘（partial least square，PLSR）、隨機(jī)森林（random forest，RF）3種建模方法對(duì)多生育期估算模型進(jìn)行對(duì)比，挑選出冬小麥生物量估算的最優(yōu)模型[28]。

3 無人機(jī)在小麥產(chǎn)量及其構(gòu)成監(jiān)測(cè)上的應(yīng)用

3.1 產(chǎn)量構(gòu)成 小麥產(chǎn)量由穗數(shù)、穗粒數(shù)和千粒重3個(gè)因素構(gòu)成，三者相互作用共同決定小麥的最終產(chǎn)量。研究表明，單一片面地強(qiáng)調(diào)某一因素都不能帶來理想的產(chǎn)量，因此，在對(duì)小麥產(chǎn)量構(gòu)成因素的監(jiān)測(cè)中，三者都是必不可少的?，F(xiàn)如今基于無人機(jī)平臺(tái)對(duì)小麥的產(chǎn)量構(gòu)成進(jìn)行監(jiān)測(cè)的研究多集中在穗數(shù)和穗粒數(shù)2個(gè)因素，而對(duì)粒重的監(jiān)測(cè)研究較少，有待更多學(xué)者進(jìn)行探究。

3.1.1 穗數(shù) 小麥穗數(shù)是產(chǎn)量構(gòu)成的首要因素，這也是諸多學(xué)者檢測(cè)小麥產(chǎn)量構(gòu)成時(shí)首要考慮的因素。傳統(tǒng)的穗數(shù)監(jiān)測(cè)方法主要是人工計(jì)數(shù)測(cè)量，工作量相較過大，不僅需要的時(shí)間長(zhǎng)、投入的勞動(dòng)力大，而且還有可能存在主觀因素的干擾，容易產(chǎn)生一定的誤差。隨著農(nóng)業(yè)信息化程度的提高，圖像處理技術(shù)已經(jīng)在農(nóng)業(yè)領(lǐng)域得到了比較廣泛的應(yīng)用。為了實(shí)現(xiàn)不同播種方式下單位面積小麥穗數(shù)的智能計(jì)算，國(guó)內(nèi)外眾多學(xué)者開展了多項(xiàng)試驗(yàn)研究。2014年，劉濤等得出圖像處理算法的計(jì)數(shù)結(jié)果普遍低于人工計(jì)數(shù)的結(jié)論[30]。這是因?yàn)殡S著固定區(qū)域小麥穗數(shù)量的增加，該區(qū)域麥穗的粘連和遮蓋情況就會(huì)增多，從而會(huì)影響計(jì)數(shù)的一個(gè)準(zhǔn)確率，但是通過形態(tài)學(xué)俯視操作時(shí)會(huì)清除這些麥穗，所以通過利用圖像技術(shù)對(duì)小麥穗數(shù)進(jìn)行監(jiān)測(cè)的效果會(huì)更加的準(zhǔn)確。2015年，范夢(mèng)揚(yáng)等基于機(jī)器視覺技術(shù)，通過提取小麥麥穗的顏色與紋理特征，將麥穗輪廓與背景進(jìn)行分離，并將麥穗輪廓細(xì)化，通過統(tǒng)計(jì)麥穗骨架數(shù)量與骨架交點(diǎn)數(shù)量得到麥穗數(shù)量，實(shí)現(xiàn)了小麥麥穗的快速計(jì)數(shù)[31]。試驗(yàn)結(jié)果表明，該方法具有較高的穩(wěn)定性，精度也較高，平均達(dá)93%，計(jì)數(shù)速度也快，僅1.7s，完全可以滿足小麥麥穗自動(dòng)快速計(jì)數(shù)這一需求。2018年，李毅念等以田間麥穗傾斜的方式獲取了群體圖像，進(jìn)而由邊界和區(qū)域的特征參數(shù)判斷出粘連的麥穗圖像，利用基于凹點(diǎn)檢測(cè)匹配連線的方法實(shí)現(xiàn)粘連麥穗的分割，最終識(shí)別出圖像中的麥穗數(shù)量[35]。綜上所述，基于無人機(jī)平臺(tái)監(jiān)測(cè)小麥穗數(shù)的試驗(yàn)研究在國(guó)內(nèi)日趨增多，雖說這些研究的成果越來越成熟，但圖像采集裝置還應(yīng)該繼續(xù)改進(jìn)完善，同時(shí)算法的識(shí)別精度仍然有待提高。

3.1.2 穗粒數(shù)和粒重 穗粒數(shù)和千粒重是除穗數(shù)之后決定小麥產(chǎn)量的兩大因素，是品種產(chǎn)量潛力和栽培措施效果的基本數(shù)據(jù)，另外，增加穗粒數(shù)還能提高小麥的源庫(kù)水平。傳統(tǒng)的小麥穗粒數(shù)計(jì)算方法主要有稱重計(jì)算法和傳統(tǒng)圖像處理，人工稱重的計(jì)算冗余，測(cè)量時(shí)間長(zhǎng)，在實(shí)踐中需要投入較多時(shí)間和精力;而傳統(tǒng)的圖像處理算法無法適用不同背景和尺寸的圖像。

在近些年的研究中，許多學(xué)者開始著力于解決傳統(tǒng)圖像處理算法的弊端，并為基于無人機(jī)平臺(tái)監(jiān)測(cè)小麥穗粒數(shù)開拓更多的可能性。2017年，王寧等提出了一種基于圖像分形分割的麥穗粒數(shù)計(jì)算方法[33]。在該研究中，首先根據(jù)像元特征選定一個(gè)適當(dāng)?shù)拈撝捣指铥溗雸D像，然后得到麥穗角度矯正圖，最后再根據(jù)矯正圖像的列數(shù)據(jù)波形特征計(jì)算麥穗粒數(shù)。研究結(jié)果表明，和傳統(tǒng)測(cè)量方法相比較，該方法中所使用的流程更加簡(jiǎn)潔，準(zhǔn)確率更加高，計(jì)算速度更加快。隨后，李毅念等在2018年的研究中發(fā)現(xiàn)了另一種優(yōu)越的穗數(shù)監(jiān)測(cè)方法[35]。該團(tuán)隊(duì)收集了小麥谷物籽粒圖像數(shù)據(jù)集，手工進(jìn)行目標(biāo)籽粒矩形標(biāo)注工作，利用TensorFlow框架構(gòu)建了Faster R-CNN網(wǎng)絡(luò)模型，使用遷移學(xué)習(xí)方法，訓(xùn)練了小麥谷物籽粒檢測(cè)與計(jì)數(shù)的深度模型。將該模型與傳統(tǒng)籽粒計(jì)數(shù)算法對(duì)比，籽粒計(jì)數(shù)的錯(cuò)誤率小于5%，運(yùn)行時(shí)間小于2s。并且該模型可以在多種背景、圖像尺寸、籽粒大小、拍攝角度、拍攝高度和不同籽粒擁擠程度下應(yīng)用，是一種有效的小麥籽粒檢測(cè)與計(jì)數(shù)工具。這項(xiàng)研究也為其他谷物檢測(cè)與計(jì)數(shù)應(yīng)用提供了參考。

穗粒數(shù)的多少受小穗數(shù)、小花以及小花結(jié)實(shí)率決定的。小穗數(shù)是形成小花數(shù)的前提，較高的小穗數(shù)是提高穗粒數(shù)的基礎(chǔ)。因此，監(jiān)測(cè)小麥小穗數(shù)同樣可以對(duì)小麥產(chǎn)量的估算起到一定作用。2016年，路文超團(tuán)隊(duì)就提出了一種基于圖像處理技術(shù)的小穗數(shù)測(cè)量方法[32]，首先采用形態(tài)學(xué)處理算法去除麥芒得到麥穗主部圖像，再采用將曲線穿過小穗?yún)^(qū)域并統(tǒng)計(jì)灰度差異的方法計(jì)算小穗數(shù)。針對(duì)試驗(yàn)結(jié)果，驚喜地發(fā)現(xiàn)這種算法不僅適用于較直立的麥穗，而且適用于彎曲的麥穗。和人眼計(jì)數(shù)測(cè)量小穗數(shù)的方法相比，該研究小穗數(shù)提取算法測(cè)量結(jié)果的平均絕對(duì)誤差為1.6（≈2），相對(duì)誤差為7.89%，能有效獲取小穗數(shù)。

小麥千粒重的高低對(duì)產(chǎn)量的影響呈極顯著正相關(guān)，提高千粒重是近代小麥高產(chǎn)育種重要的目標(biāo)。目前，對(duì)于小麥千粒重的測(cè)定大多依舊采取傳統(tǒng)方法，即小麥脫粒曬干后，隨機(jī)取樣，稱重取平均值。其中，脫粒環(huán)節(jié)對(duì)麥穗樣本進(jìn)行了破壞，無法保留考種原材料，而利用無人機(jī)平臺(tái)對(duì)粒重進(jìn)行監(jiān)測(cè)的研究目前還很少，不僅是小麥，其他作物在這個(gè)領(lǐng)域也是如此。周金輝等基于計(jì)算機(jī)視覺技術(shù)，建立了模型測(cè)量了玉米的粒重[36]。

3.2 產(chǎn)量 產(chǎn)量的準(zhǔn)確預(yù)測(cè)是農(nóng)業(yè)研究領(lǐng)域最受關(guān)注的問題之一，目前采用遙感技術(shù)對(duì)小麥產(chǎn)量進(jìn)行預(yù)測(cè)的研究日趨增多。如何提高預(yù)測(cè)的精度是當(dāng)前研究的重點(diǎn)，也是難點(diǎn)。早在2007年，李衛(wèi)國(guó)等就利用30km分辨率的TM影像數(shù)據(jù)，綜合考慮小麥產(chǎn)量形成的生理生態(tài)過程，建立了小麥估產(chǎn)模型，但是由于影像分辨率較低，其預(yù)測(cè)的精度并不是很高。2008年，Ren等采用MODIS數(shù)據(jù)用歸一化植被指數(shù)NDVI對(duì)小麥產(chǎn)量進(jìn)行預(yù)測(cè)，只是發(fā)現(xiàn)天氣狀況，對(duì)數(shù)據(jù)分析結(jié)果的影響比較大，所以獲得的數(shù)據(jù)并不是很準(zhǔn)確。在當(dāng)時(shí)，作物長(zhǎng)勢(shì)監(jiān)測(cè)，基于無人機(jī)遙感進(jìn)行作物產(chǎn)量反演研究不多，且其可行性和準(zhǔn)確性都有待進(jìn)一步探討。

綜觀國(guó)內(nèi)外研究進(jìn)展，近年來，將遙感技術(shù)應(yīng)用到作物長(zhǎng)產(chǎn)量預(yù)測(cè)上已經(jīng)取得了不錯(cuò)的進(jìn)展，相較于低空檢測(cè)平臺(tái)，基于地面和高空平臺(tái)對(duì)作物產(chǎn)量的預(yù)測(cè)研究已經(jīng)較為成熟。無人機(jī)平臺(tái)的出現(xiàn)和相關(guān)應(yīng)用，不僅彌補(bǔ)了低空監(jiān)測(cè)平臺(tái)的空白，而且成本低、數(shù)據(jù)獲取效率高、測(cè)試高度和測(cè)試時(shí)間可按需調(diào)節(jié)，為中小型區(qū)域遙感監(jiān)測(cè)的發(fā)展提供了新的技術(shù)支持手段。

2018年，李毅念等通過計(jì)算機(jī)圖像預(yù)測(cè)小麥穗數(shù)、每個(gè)麥穗的籽粒數(shù)以及千粒重?cái)?shù)據(jù)進(jìn)而達(dá)到了對(duì)產(chǎn)量的預(yù)測(cè)[35]，平均精確度達(dá)到93.49%，實(shí)現(xiàn)了小麥田間單位面積內(nèi)的產(chǎn)量信息自動(dòng)測(cè)量。2019年，劉小輝以無人機(jī)平臺(tái)獲取的廬江縣白湖農(nóng)場(chǎng)多個(gè)小麥品種的可見光影像數(shù)據(jù)為研究對(duì)象，利用PLSR構(gòu)建了小麥灌漿中期的產(chǎn)量反演模型[37]。同年，丁國(guó)輝等使用經(jīng)濟(jì)型低空無人機(jī)對(duì)不同關(guān)鍵生育時(shí)期中的一些共同的產(chǎn)量性狀進(jìn)行了規(guī)?；杉痆38]。然后，基于無人機(jī)獲取的可見光圖像，通過第三方專業(yè)軟件Pix4D完成了全試驗(yàn)田的拼接和三維點(diǎn)云重建，并通過自主開發(fā)的性狀分析算法對(duì)一些重要產(chǎn)量性狀和植被指數(shù)等完成了自動(dòng)化分析。通過實(shí)例驗(yàn)證了基于經(jīng)濟(jì)型低空無人機(jī)開展小麥產(chǎn)量性狀采集的有效方法和高通量分析技術(shù)。

4 問題與展望

4.1 存在問題 無人機(jī)作為遙感平臺(tái)，在農(nóng)業(yè)遙感監(jiān)測(cè)上具有很大的應(yīng)用潛力，基于無人機(jī)平臺(tái)的遙感監(jiān)測(cè)技術(shù)在農(nóng)業(yè)領(lǐng)域應(yīng)用越來越多，所用傳感器的光譜分辨率在不斷提高，獲取的農(nóng)作物光譜信息也越來越豐富和精確，從而為作物長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量預(yù)測(cè)研究提供了更加便利的條件和更加精確的數(shù)據(jù)。但無人機(jī)平臺(tái)在作物長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量預(yù)測(cè)上目前還存在些許不足。盡管國(guó)內(nèi)外研究者們對(duì)無人機(jī)遙感信息獲取系統(tǒng)的控制技術(shù)已進(jìn)行了大量改進(jìn)，但系統(tǒng)的平穩(wěn)性、抗震性、載荷能力、續(xù)航時(shí)間、多傳感器融合技術(shù)、獲取的圖像質(zhì)量等仍然是目前農(nóng)用無人機(jī)遙感存在的主要問題。當(dāng)前的研究多針對(duì)作物單一生育期，而對(duì)綜合作物全生育期進(jìn)行遙感監(jiān)測(cè)和作物估產(chǎn)的研究較少。在產(chǎn)量監(jiān)測(cè)領(lǐng)域?qū)π←溓ЯＶ氐脑囼?yàn)研究稀缺，有待更多學(xué)者發(fā)現(xiàn)。另外，當(dāng)前的研究較多是基于近紅光和紅光波段下NDVI等常用植被指數(shù)進(jìn)行，缺乏系統(tǒng)的進(jìn)行敏感波段的篩選[4]。

4.2 應(yīng)用前景 隨著我國(guó)精準(zhǔn)農(nóng)業(yè)的發(fā)展，依靠無人機(jī)遙感技術(shù)進(jìn)行農(nóng)作物覆蓋率變化的監(jiān)測(cè)，已經(jīng)成為一個(gè)具有重要意義的手段。常用的衛(wèi)星光學(xué)遙感和人工地面采集數(shù)字影像2種數(shù)據(jù)采集方法都存在著一定問題，而低空無人機(jī)的出現(xiàn)則很好地彌補(bǔ)了衛(wèi)星遙感的不足，又提高了人工地面采集數(shù)字影像的效率，減少了人工和時(shí)間的浪費(fèi)，提高了植被覆蓋率監(jiān)測(cè)的準(zhǔn)確性。目前，我國(guó)正積極研發(fā)結(jié)構(gòu)簡(jiǎn)單、價(jià)格低廉、性能優(yōu)、載荷大的農(nóng)情監(jiān)測(cè)和農(nóng)藥噴施的無人機(jī)，希望能夠盡早將農(nóng)民從藥物傷害中拯救出來，使我國(guó)農(nóng)業(yè)生產(chǎn)能夠盡快實(shí)現(xiàn)信息化、現(xiàn)代化、精準(zhǔn)化和可持續(xù)化，為我國(guó)糧食穩(wěn)產(chǎn)增產(chǎn)做出貢獻(xiàn)?？梢灶A(yù)見，經(jīng)過技術(shù)的不斷創(chuàng)新與改進(jìn)，無人機(jī)在作物養(yǎng)分監(jiān)測(cè)、土壤水分監(jiān)測(cè)、作物產(chǎn)量監(jiān)測(cè)、田間作物空間變異研究以及其他農(nóng)田信息采集等方面都將具有更加廣泛的應(yīng)用前景[3]。

參考文獻(xiàn)

[1]Li Jiating，Veeranampalayam-Sivakumar Arun-Narenthiran，Bhatta Madhav，et al. Principal variable selection to explain grain yield variation in winter wheat from features extracted from UAV imagery[J].Plant methods，2019，15.

[2]Maes Wouter H，Steppe Kathy. Perspectives for Remote Sensing with Unmanned Aerial Vehicles in Precision Agriculture[J].Trends in plant science，2019，24（2）：152-164.

[3]李寧，付曉晨，于涵.無人機(jī)遙感在農(nóng)業(yè)中的運(yùn)用淺析[J].現(xiàn)代化農(nóng)業(yè)，2015（09）：59-60.

[4]王妮.基于無人機(jī)平臺(tái)的小麥長(zhǎng)勢(shì)監(jiān)測(cè)與產(chǎn)量預(yù)測(cè)研究[D].南京：南京農(nóng)業(yè)大學(xué)，2016.

[5]鄒湘伏，何清華，賀繼林.無人機(jī)發(fā)展現(xiàn)狀及相關(guān)技術(shù)[J].飛航導(dǎo)彈，2006（10）：9-14.

[6]蘭玉彬，鄧小玲，曾國(guó)亮.無人機(jī)農(nóng)業(yè)遙感在農(nóng)作物病蟲草害診斷應(yīng)用研究進(jìn)展[J].智慧農(nóng)業(yè)，2019，1（02）：1-19.

[7]黃文江，劉林毅，董瑩瑩，等.基于遙感技術(shù)的作物病蟲害監(jiān)測(cè)研進(jìn)展[J].農(nóng) 業(yè) 工 程 技 術(shù) ，2018，38（09）：39-45.

[8]Huang W，Lamb D W，Niu Z，et al.Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging [J].Precision Agriculture，2007，8（4-5）：187-197.

[9]羅菊花，黃文江.基于PHI影像敏感波段組合的冬小麥條銹病遙感監(jiān)測(cè)研究[J].光譜學(xué)與光譜分析，2010，30（01）：184-187.

[10]張競(jìng)成，袁琳，王紀(jì)華，等.作物病蟲害遙感監(jiān)測(cè)研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（20）：1-11.

[11]Jin N，Huang W，Ren Y，et al.Hyperspectral identification of cotton verticillium disease severity [J].Optik-International Journal for Light and Electron Optics，2013，124（16）：2569-2573.

[12]孔蕊.植保無人機(jī)在小麥病蟲害防治技術(shù)的應(yīng)用[J].農(nóng)機(jī)使用與維修，2019（12）：12-14.

[13]冷偉鋒.遙感技術(shù)在我國(guó)植物病害監(jiān)測(cè)中的應(yīng)用[A]//中國(guó)植物保護(hù)學(xué)會(huì).植保科技創(chuàng)新與病蟲防控專業(yè)化——中國(guó)植物保護(hù)學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集[C].2011：1.

[14]滕連澤，羅勇，張洪吉，等.無人機(jī)遙感在農(nóng)業(yè)監(jiān)測(cè)中的應(yīng)用研究綜述[J].科技資訊，2018，16（23）：122-124

[15]Zhang K，Hu B，Robinson J.Early detection of emerald ash borer infestation using multisourced data：a casestudy in the town of Oakville，Ontario，Canada [J].Applied Remote Sensing，2014，8（1）：083602.

[16]Huang Y，Lan Y，Hoffmann W C.Use of airborne multi-spectral imagery in pest management systems[J].Agricultural Engineering International：the CIGR Ejournal，2008，X（07）：10.

[17]Sugiura R，Tsuda S，Tamiya S，et al.Field phenotyping system for the assessment of potato late blight resistance using RGB imagery from an unmanned aerial vehicle[J].Biosystems Engineering，2016，148：1-10.

[18]王震，褚桂坤，張宏建，等.基于無人機(jī)可見光圖像Haar-like特征的水稻病害白穂識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（20）：73-82.

[19]Yue J，Lei T，Li C.The application of unmanned aerial vehicle remote sensing in quickly monitoring crop pests [J].Intelligent Automation & Soft Computing，2012，18（8）：1043-1052.

[20]董錦繪，楊小冬，高林，等.基于無人機(jī)遙感影像的冬小麥倒伏面積信息提取[J].黑龍江農(nóng)業(yè)科學(xué)，2016（10）：147-152.

[21]李宗南，陳仲新，王利民，等.基于小型無人機(jī)遙感的玉米倒伏面積提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（19）：207-213.

[22]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.

[23]高林，楊貴軍，王寶山，等.基于無人機(jī)遙感影像的大豆葉面積指數(shù)反演研究[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2015，23（07）：868-876.

[24]田明璐，班松濤，常慶瑞，等.基于低空無人機(jī)成像光譜儀影像估算棉花葉面積指數(shù)[J].農(nóng)業(yè)工程學(xué)報(bào)，2016，32（21）：102-108.

[25]張春蘭，楊貴軍，李賀麗，等.基于隨機(jī)森林算法的冬小麥葉面積指數(shù)遙感反演研究[J].中國(guó)農(nóng)業(yè)科學(xué)，2018，51（5）：855-867.

[26]張正健，李愛農(nóng)，邊金虎，等.基于無人機(jī)影像可見光植被指數(shù)的若爾蓋草地地上生物量估算研究[J].遙感技術(shù)與應(yīng)用，2016，31（01）：51-62.

[27]鄧江，谷海斌，王澤，等.基于無人機(jī)遙感的棉花主要生育時(shí)期地上生物量估算及驗(yàn)證[J].干旱地區(qū)農(nóng)業(yè)研究，2019，37（05）：55-61，69.

[28]陶惠林，徐良驥，馮海寬，等.基于無人機(jī)數(shù)碼影像的冬小麥株高和生物量估算[J].農(nóng)業(yè)工程學(xué)報(bào)，2019，35（19）：107-116.

[29]呂行軍.基于圖像處理技術(shù)的麥穗識(shí)別研究[D].保定：河北農(nóng)業(yè)大學(xué)，2012.

[30]劉濤，孫成明，王力堅(jiān)，等.基于圖像處理技術(shù)的大田麥穗計(jì)數(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（02）：282-290.

[31]范夢(mèng)揚(yáng)，馬欽，劉峻明，等.基于機(jī)器視覺的大田環(huán)境小麥麥穗計(jì)數(shù)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（S1）：234-239.

[32]路文超，羅斌，潘大宇，等.基于圖像處理的小麥穗長(zhǎng)和小穗數(shù)同步測(cè)量[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2016，37（06）：210-215.

[33]王寧，孔斌，王燦，等.基于圖像分形分割的麥穗粒數(shù)計(jì)算方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2017，26（10）：219-224.

[34]杜穎，蔡義承，譚昌偉，等.基于超像素分割的田間小麥穗數(shù)統(tǒng)計(jì)方法[J].中國(guó)農(nóng)業(yè)科學(xué)，2019，52（01）：21-33.

[35]李毅念，杜世偉，姚敏，等.基于小麥群體圖像的田間麥穗計(jì)數(shù)及產(chǎn)量預(yù)測(cè)方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（21）：185-194.

[36]周金輝，馬欽，朱德海，等.基于計(jì)算機(jī)視覺的玉米穗粒重?zé)o損測(cè)量方法[J].農(nóng)機(jī)化研究，2015，37（12）：222-226，231.

[37]劉小輝.基于無人機(jī)影像的小麥葉綠素含量及產(chǎn)量定量反演研究[D].合肥：安徽大學(xué)，2019.

[38]丁國(guó)輝，許昊，溫明星，等.基于經(jīng)濟(jì)型低空無人機(jī)對(duì)小麥重要產(chǎn)量表型性狀的多生育時(shí)期獲取和自動(dòng)化分析[J].農(nóng)業(yè)大數(shù)據(jù)學(xué)報(bào)，2019，1（02）：19-31.

[39]Hassan Muhammad Adeel，Yang Mengjiao，Rasheed Awais，et al.A rapid monitoring of NDVI across the wheat growth cycle for grain yield prediction using a multi-spectral UAV platform[J].Plant science：an international journal of experimental plant biology，2019，282：95-103.

[40]Maitiniyazi Maimaitijiang，Vasit Sagan，Paheding Sidike，et al. Soybean yield prediction from UAV using multimodal data fusion and deep learning[J].Remote Sensing of Environment，2020，237.

（責(zé)編：張宏民）