基于無人機(jī)多光譜遙感的棉花脫葉效果監(jiān)測(cè)及處方圖生成研究

閆春雨,黎文華,蘭玉彬,胡傳旭,魯力群,趙靜*

(1.山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院,山東 淄博 255049;2.山東理工大學(xué)國際精準(zhǔn)農(nóng)業(yè)航空應(yīng)用技術(shù)研究中心,山東 淄博 255049;3.山東理工大學(xué)交通與車輛工程學(xué)院,山東 淄博 255049)

棉花是我國重要的經(jīng)濟(jì)作物,是我國1億棉農(nóng)的主要收入來源[1]。機(jī)械化采棉技術(shù)大大減少了對(duì)人工采棉的勞動(dòng)力需求,為保證機(jī)采棉的順利完成,需噴施棉花脫葉劑[2]。棉花脫葉劑能夠起到脫葉、脫水,催熟、吐絮和防止棉葉二次生長(zhǎng)的作用,為機(jī)械收獲提供便利,尤其是還能促使貪青晚熟的棉花提前成熟,如果脫葉催熟環(huán)節(jié)出了問題,將會(huì)直接影響棉花采收的效率和質(zhì)量[3]。目前,急需無人機(jī)施藥技術(shù)及遙感監(jiān)測(cè)技術(shù),能完成對(duì)棉花噴施脫葉劑和監(jiān)測(cè)棉花脫葉效果,降低人工勞動(dòng)強(qiáng)度。植保無人機(jī)施藥技術(shù)憑借成本低、效率高和對(duì)棉株損傷小等優(yōu)點(diǎn),越來越多地受到廣大棉農(nóng)的青睞,逐漸取代傳統(tǒng)噴藥技術(shù)[4-7]。無論是使用地面植保機(jī)械,還是植保無人機(jī)噴灑棉花脫葉劑都需要對(duì)噴灑效果進(jìn)行調(diào)查,確定是否需要多次噴施脫葉劑以及脫葉劑的施用量。傳統(tǒng)的調(diào)查脫葉效果的方式主要是人工調(diào)查,調(diào)查時(shí)需人工逐一定點(diǎn)定株定期查數(shù)統(tǒng)計(jì)棉株全部棉葉、剩余棉葉、未開棉桃及吐絮棉桃數(shù)量,費(fèi)時(shí)費(fèi)力且存在漏數(shù)和錯(cuò)數(shù)的情況;同時(shí)在調(diào)查大面積棉田時(shí),由于人的視野范圍有限,并不能精確掌握棉花脫葉的真實(shí)情況,主觀影響較大。

植被覆蓋度是指植被(包括葉、莖、枝)在地面的垂直投影面積占統(tǒng)計(jì)區(qū)總面積的比例,在一定程度上表征了植被的生長(zhǎng)狀況[8-10]。無人機(jī)遙感技術(shù)憑借其機(jī)動(dòng)靈活,獲取的圖像時(shí)空分辨率高和成本較低等優(yōu)點(diǎn)在作物植被覆蓋度方面有著非常廣泛的應(yīng)用[11]。牛亞曉等[12]使用數(shù)碼相機(jī)和無人機(jī)獲取棉花可見光圖像,利用棉花植被與非植被像元在不同顏色通道上的差異性,對(duì)苗期和蕾期的棉花覆蓋度進(jìn)行提取,結(jié)果表明在a通道提取的固定閾值更適合用于棉花植被覆蓋度的提取;汪小欽等[13]通過分析無人機(jī)獲取的可見光圖像中植被和非植被的光譜差異,構(gòu)建了用于提取可見光圖像中植被覆蓋度的可見光波段差異植被指數(shù)(VDVI);李冰等[14]以冬小麥為研究對(duì)象,結(jié)合基于時(shí)間序列和植被指數(shù)閾值法對(duì)冬小麥覆蓋度進(jìn)行了提取;魏青等[15]通過采用不同多光譜植被指數(shù)與決策樹分類結(jié)合的方法,對(duì)兩期無人機(jī)多光譜影像中的小麥、果樹和大棚面積進(jìn)行提取,最大提取誤差不超過17%。以上研究都表明使用無人機(jī)遙感影像進(jìn)行地物識(shí)別是可行的。

在變量施藥研究方面,國外一些科研機(jī)構(gòu)較早就開始研發(fā)航空變量施藥監(jiān)測(cè)技術(shù),Wingman GX空中噴灑管理系統(tǒng)具有較廣的使用范圍,能夠提供基本的變量控制與飛行指導(dǎo)等功能[16]。王大帥等[17]利用脈寬調(diào)制(pulse width modulation,PWM)變量施藥方法實(shí)現(xiàn)了單旋翼無人機(jī)飛行速度與施藥量之間的匹配;邢航等[18]研發(fā)了可以在PC端和手機(jī)端進(jìn)行在線調(diào)節(jié)噴灑流量及監(jiān)控噴灑流量、飛行等參數(shù),能滿足變量噴灑地面監(jiān)控系統(tǒng)的基本需求;王玲等[19]研發(fā)的無人機(jī)變量施藥系統(tǒng),需基于經(jīng)驗(yàn)的人為調(diào)控方式,難以保證施藥的精準(zhǔn)性。以上學(xué)者雖實(shí)現(xiàn)了變量施藥,但未生成處方圖并按照處方圖進(jìn)行變量施藥。

目前利用無人機(jī)遙感技術(shù)監(jiān)測(cè)棉花脫葉效果的研究鮮有報(bào)道。本文利用無人機(jī)遙感技術(shù)和植被覆蓋度提取方法,對(duì)棉花噴灑脫葉劑前、后的棉田進(jìn)行監(jiān)測(cè);利用最優(yōu)監(jiān)測(cè)方法提取多光譜圖像中的棉花植被信息,制作變量施藥處方圖,指導(dǎo)脫葉劑噴施,推動(dòng)精準(zhǔn)農(nóng)業(yè)航空遙感技術(shù)在我國棉花田間管理方面的應(yīng)用,助力我國棉花種植業(yè)更好的發(fā)展。

1 材料與方法

1.1 研究區(qū)概況

2020年9—10月,于山東省濱州市濱城區(qū)楊柳雪鎮(zhèn)棉花基地(37°27′29″N,117°57′01″E)進(jìn)行了棉花脫葉效果監(jiān)測(cè)試驗(yàn)。試驗(yàn)地為鹽堿土,多年棉花連作,前茬為棉花。

1.2 試驗(yàn)方案

用于試驗(yàn)的棉花品種為‘中棉100’,由濱州市農(nóng)喜合作社提供,播種時(shí)間為2020年4月20日,行距為76 cm,7月25日進(jìn)行化學(xué)打頂。試驗(yàn)設(shè)置3個(gè)處理:處理1所使用的脫葉劑是由中國農(nóng)業(yè)大學(xué)提供的欣噻利(10%噻苯隆+40%乙烯利懸浮液,助劑是河北國欣諾農(nóng)生物技術(shù)有限公司的“省伴”牌增效助劑),處理2所使用的脫葉劑是由新疆鐵漫植保團(tuán)隊(duì)提供的北極風(fēng)(脫葉劑為 360 g·L-1的噻苯隆和180 g·L-1的敵草隆懸浮劑,助劑為98%的異癸辛乙氧基酯化物及40%的乙烯利),處理3為對(duì)清水對(duì)照(CK),每個(gè)處理約667 m2,不設(shè)重復(fù)。欣塞利只需配合專用的助劑使用,北極風(fēng)除配合專用助劑,還需配合乙烯利共同使用。由于噻苯隆是弱堿性,而乙烯利是強(qiáng)酸性,因此配藥時(shí)需進(jìn)行二次稀釋。

1.3 數(shù)據(jù)采集及預(yù)處理

1.3.1 多光譜數(shù)據(jù)采集通過多光譜無人機(jī)平臺(tái)(大疆經(jīng)緯M210 V2無人機(jī)、長(zhǎng)光禹辰MS600 Pro多光譜相機(jī)及Yusense Fly地面站軟件)獲取噴施棉花脫葉劑前2 d(第1次)、第1次噴施后6 d(第2次)、第2次噴施后6 d(第3次)及棉花采收前2 d(第4次)的棉田冠層多光譜圖像。無人機(jī)飛行高度為50 m,航向重疊率和旁向重疊率均為75%,無人機(jī)飛行速度為5 m·s-1,采集時(shí)間為10:00—14:00。多光譜相機(jī)參數(shù)如表1所示。

表1 多光譜相機(jī)參數(shù)Table 1 Multispectral camera parameters

1.3.2 地面數(shù)據(jù)采集第1次噴施脫葉劑(2020年9月26日)時(shí)田間自然吐絮率為50%,采用定點(diǎn)定株掛牌的方式調(diào)查棉花脫葉率及吐絮率,每個(gè)處理選擇6個(gè)調(diào)查樣區(qū),每個(gè)樣區(qū)隨機(jī)選擇連續(xù)的10株健壯且長(zhǎng)勢(shì)一致的棉花(相鄰2行各選擇5株),雙株不參與計(jì)算。噴施脫葉劑前2 d采集第1次田間數(shù)據(jù),第1次噴灑后3、5、8、10、13、17、22和27 d各采集1次數(shù)據(jù)。

1.3.3 多光譜數(shù)據(jù)預(yù)處理利用 Pix4Dmapper 軟件對(duì)無人機(jī)獲取的多光譜圖像進(jìn)行拼接,生成試驗(yàn)區(qū)正射圖像。將拼接完成的圖像導(dǎo)入ENVI 5.3軟件中,裁剪出研究區(qū)域(圖1)。

圖1 多光譜圖像的拼接結(jié)果Fig.1 Mosaic results of multispectral images

1.4 多光譜植被指數(shù)提取

植被指數(shù)(vegetation index,VI)能夠反映綠色植被的生長(zhǎng)狀況,廣泛用于植被覆蓋、植被分類、作物長(zhǎng)勢(shì)監(jiān)測(cè)和病蟲害監(jiān)測(cè)等方面。通過將不同的光譜波段線性或非線性地組合形成不同的植被指數(shù),能夠更有效地減少信息干擾、增強(qiáng)植被光譜信息。本研究選擇了SAVI、DVI、RVI及NDVI 4種常用多光譜植被指數(shù)。DVI對(duì)土壤背景的變化極為敏感,適用于低中覆蓋率的植被檢測(cè),可檢測(cè)植被生長(zhǎng)狀態(tài)和消除部分輻射誤差等。RVI強(qiáng)化了植被在紅外波段和近紅外波段的差異,能增強(qiáng)植被與土壤背景之間的輻射差異,常用于估算植物生物量和植被覆蓋度。NDVI是植物生長(zhǎng)狀態(tài)及植被空間密度的最佳指示因子,減少了地形地貌因子的干擾,可用于監(jiān)測(cè)植被變化和生態(tài)環(huán)境變化等。SAVI能將NDVI固有的土壤“噪聲”減到最小,常用于干旱監(jiān)測(cè)和植被覆蓋度檢測(cè)。各植被指數(shù)計(jì)算公式如表2所示。

表2 多光譜植被指數(shù)Table 2 Multispectral vegetation index

1.5 基于多光譜無人機(jī)遙感的棉花脫葉效果監(jiān)測(cè)

1.5.1 基于最大熵閾值法監(jiān)測(cè)棉花脫葉效果熵是信息論中一個(gè)極其重要的概念。用于確定隨機(jī)數(shù)據(jù)源中包含的信息量,屬于統(tǒng)計(jì)測(cè)量方法,按照公式(1)計(jì)算熵值:

(1)

式中:H(I)是圖像的熵;Pi表示圖像I中像素灰度值為i的概率;n為圖像灰度級(jí)數(shù)。直方圖分為背景(土壤及已脫棉葉等)和目標(biāo)(待脫棉葉)2部分,對(duì)圖像直方圖進(jìn)行統(tǒng)計(jì),兩者的總熵最大時(shí)對(duì)應(yīng)的像素值就是最大熵閾值分割法的閾值。

通過ENVI 5.3軟件中圖像熵統(tǒng)計(jì)工具,分別統(tǒng)計(jì)4次圖像中4種多光譜植被指數(shù)的最大熵信息,提取統(tǒng)計(jì)結(jié)果中最大熵的均值作為棉花脫葉劑信息提取閾值。大于閾值的部分為植被像素,小于閾值的部分為土壤像素,對(duì)研究區(qū)內(nèi)的棉花像素?cái)?shù)與土壤像素?cái)?shù)進(jìn)行統(tǒng)計(jì),按照公式(2)計(jì)算棉葉覆蓋度。

FC=P棉花/(P棉花+P土壤)×100%

(2)

式中:FC為棉葉覆蓋度;P棉花為棉花像素統(tǒng)計(jì)結(jié)果;P土壤為土壤像素統(tǒng)計(jì)結(jié)果。

1.5.2 基于植被指數(shù)閾值法監(jiān)測(cè)棉花脫葉效果植被指數(shù)閾值法是將樣本統(tǒng)計(jì)法與植被指數(shù)時(shí)序圖交點(diǎn)法的結(jié)合。樣本統(tǒng)計(jì)法是在統(tǒng)計(jì)分析人工目視解譯的結(jié)果后確定提取閾值,植被指數(shù)時(shí)序圖交點(diǎn)法認(rèn)為試驗(yàn)區(qū)域圖像包含植被像元和非植被像元2部分。隨著棉花脫葉劑的作用,試驗(yàn)田內(nèi)的棉花葉片不斷變黃、脫落,棉花植被像元數(shù)不斷減少,落葉、土壤等非植被像元數(shù)不斷增加,增加量為棉花植被像元減少的像元數(shù)。

統(tǒng)計(jì)4次多光譜圖像分類結(jié)果中土壤和棉花植被的4種多光譜植被指數(shù)數(shù)值,以像元統(tǒng)計(jì)個(gè)數(shù)為縱坐標(biāo),以棉花植被與土壤的植被指數(shù)數(shù)值為橫坐標(biāo),繪制出棉花植被和土壤的統(tǒng)計(jì)直方圖。記錄所選多光譜植被指數(shù)直方圖中棉花植被和土壤的交點(diǎn),將其作為棉花植被和土壤背景的分類閾值,大于植被指數(shù)閾值的部分為棉花植被像元,小于閾值的部分為土壤像元。按照公式(2)進(jìn)行脫葉信息計(jì)算。

1.5.3 精度評(píng)價(jià)及方法驗(yàn)證支持向量機(jī)(support vector machine,SVM)是一種用于分類和回歸分析的有監(jiān)督學(xué)習(xí)模型。它能有效解決高維、小樣本、線性和非線性問題,具有較強(qiáng)的泛化能力。牛亞曉等[8]使用SVM分類結(jié)果作為真值對(duì)提取的棉花覆蓋度進(jìn)行評(píng)價(jià),結(jié)果表明SVM具有較好的分類結(jié)果。在使用SVM監(jiān)督分類的過程中,為提高分類精度需要選擇較多的樣本用于訓(xùn)練,選取大量的樣本需要消耗較多的人力,同時(shí)由于樣本數(shù)量的增加,在分類時(shí)會(huì)消耗大量的計(jì)算機(jī)硬件資源,如內(nèi)存、CPU和顯卡等。最大熵閾值法和植被指數(shù)閾值法相比較于SVM監(jiān)督分類方法,具有易操作、計(jì)算耗時(shí)短和人工參與少等優(yōu)點(diǎn),因此,本文通過ENVI 5.3軟件進(jìn)行SVM監(jiān)督分類,利用混淆矩陣對(duì)SVM監(jiān)督分類的結(jié)果進(jìn)行驗(yàn)證。具體的分類流程如圖2所示,并以此作為棉花脫葉信息真值,對(duì)最大熵閾值法和基于植被指數(shù)閾值法提取的棉花脫葉信息進(jìn)行驗(yàn)證。

圖2 SVM監(jiān)督分類流程圖Fig.2 Flow chart of SVM supervised classification

根據(jù)公式(3)計(jì)算提取誤差,去除提取誤差較大的結(jié)果后,選擇均方根誤差(RMSE)和決定系數(shù)(R2)評(píng)價(jià)模型精度。R2越接近1且RMSE越小表明模型效果越好。R2、RMSE計(jì)算公式如(4)和(5)所示。

(3)

式中:FC提取誤差表示提取誤差;FC真值為SVM提取的結(jié)果,即真值;FC預(yù)測(cè)為通過不同模型提取的結(jié)果。

(4)

(5)

1.6 施藥處方圖生成方法

常規(guī)無人機(jī)噴灑棉花脫葉劑一般為2次,中間間隔為6～10 d,并且2次噴灑均為定量噴灑。在施藥過程中,輕則起不到脫葉的效果,重則造成減產(chǎn)和品質(zhì)下降,且過度使用農(nóng)藥會(huì)對(duì)土壤、周邊作物及環(huán)境造成危害,還會(huì)造成經(jīng)濟(jì)損失。相關(guān)調(diào)查研究顯示,中國的農(nóng)藥浪費(fèi)率達(dá)70%～80%[24]。因此,本研究利用最優(yōu)監(jiān)測(cè)模型提取第2次獲取的棉田多光譜圖像中未脫棉葉信息,對(duì)圖像進(jìn)行二值化、柵格化、重采樣等處理后,將圖像中的棉葉信息轉(zhuǎn)換成施藥量,最終生成施藥處方圖,進(jìn)而實(shí)現(xiàn)精準(zhǔn)變量施藥,具體研究方法如圖3所示。

圖3 研究方法流程Fig.3 Flow chart of research method

圖像重采樣可將高分辨率圖像重采樣為低分辨率圖像,也可將低分辨率圖像重采樣為高分辨率圖像。常用的方法有最鄰近內(nèi)插法、雙線性內(nèi)插法、三次卷積法等,本文選用最近鄰內(nèi)插法結(jié)合植保無人機(jī)的噴幅進(jìn)行重采樣,依次對(duì)單個(gè)像素塊圖像中的綠色像素和黑色像素比例進(jìn)行統(tǒng)計(jì),綠色像素代表需要噴灑脫葉劑,根據(jù)綠色像素比例轉(zhuǎn)換為施藥量,按照5個(gè)等級(jí)(0～0.2為1級(jí),0.2～0.4為2級(jí),0.4～0.6為3級(jí),0.6～0.8為4級(jí),0.8～1.0為5級(jí))進(jìn)行重采樣,圖4為0.05、0.5和1 m的重采樣結(jié)果。使用大疆T20植保無人機(jī)按照處方圖進(jìn)行施藥,噴施棉花脫葉劑的參數(shù)為:飛行高度2 m、噴幅5 m、飛行速度5 m·s-1。通過計(jì)算采收前棉田多光譜影像中的棉葉比例來評(píng)價(jià)生成處方圖的效果。

圖4 不同分辨率重采樣結(jié)果Fig.4 Resampling results at different resolutions

2 結(jié)果與分析

2.1 基于最大熵閾值法的監(jiān)測(cè)結(jié)果

基于多光譜最大熵閾值法提取的棉花脫葉覆蓋度(脫葉信息)驗(yàn)證結(jié)果如表3所示,已剔除提取誤差較大的結(jié)果。從表3可知:剔除提取誤差較大結(jié)果后,基于RVI840與RVI940特征的最大熵閾值法提取的棉葉信息結(jié)果較好,通過對(duì)比兩者提取結(jié)果的RMSE和R2,最終確定基于RVI940特征的最大熵閾值法提取結(jié)果最優(yōu),該方法提取的4次棉葉覆蓋度為55.44%、51.28%、45.56%和43.39%,提取結(jié)果如圖5所示。

表3 基于最大熵閾值法提取的覆蓋度驗(yàn)證結(jié)果Table 3 Verification results of coverage extracted based on maximum entropy threshold method

圖5 基于最大熵閾值法(RVI940)的4次分類結(jié)果Fig.5 Four classification results based on maximum entropy threshold method(RVI940)

2.2 基于植被指數(shù)閾值法的監(jiān)測(cè)結(jié)果

基于多光譜植被指數(shù)閾值法提取的棉花脫葉信息驗(yàn)證結(jié)果如表4所示,已剔除提取誤差較大的結(jié)果。從表4可知:剔除提取誤差較大結(jié)果后,基于SAVI940與SAVI840特征的植被指數(shù)閾值法提取結(jié)果較好,通過對(duì)比兩者提取結(jié)果的RMSE和R2,確定基于SAVI840特征的植被指數(shù)閾值法提取的結(jié)果最優(yōu),該方法提取的4次棉葉覆蓋度為64.61%、62.58%、34.98%、28.84%,提取結(jié)果如圖6所示。

表4 基于植被指數(shù)閾值法提取的覆蓋度驗(yàn)證結(jié)果Table 4 Verification results of coverage extracted by vegetation index threshold method

圖6 基于植被指數(shù)閾值法(SAVI840)的4次分類結(jié)果Fig.6 Four classification results based on vegetation index threshold method(SAVI840)

2.3 2種監(jiān)測(cè)方法的精度評(píng)價(jià)

通過目視解譯的方式在棉花噴施脫葉劑前、后獲取的4個(gè)時(shí)期的多光譜圖像中各選取80個(gè)土壤分類樣本和棉花植被分類樣本進(jìn)行SVM監(jiān)督分類,選取60個(gè)棉花樣本和土壤樣本作為驗(yàn)證集對(duì)SVM監(jiān)督分類結(jié)果進(jìn)行混淆矩陣驗(yàn)證,分類核函數(shù)為RBF函數(shù),分類評(píng)價(jià)結(jié)果采用Kappa系數(shù)和總體分類精度來評(píng)價(jià)。棉花4個(gè)時(shí)期多光譜影像的混淆矩陣精度驗(yàn)證結(jié)果如表5所示,通過混淆矩陣的驗(yàn)證結(jié)果可知SVM監(jiān)督分類結(jié)果較好,可用作真值。基于SVM分類后的圖像均為土壤和棉花2類,使用ENVI 5.3軟件的Statistics for all classes工具對(duì)4期圖像中的棉花(葉)信息進(jìn)行統(tǒng)計(jì),4次結(jié)果分別為67.03%、62.41%、45.23%和27.92%,提取的棉葉覆蓋信息變化符合棉花脫葉過程棉葉減少的情況,提取結(jié)果如圖7所示。

表5 棉花4個(gè)時(shí)期的支持向量機(jī)分類精度混淆矩陣驗(yàn)證結(jié)果Table 5 Verification results of the confusion matrix accuracy of support vector machine(SVM) classification in four periods of cotton

圖7 支持向量機(jī)提取的結(jié)果Fig.7 SMV extraction results

表6 基于SAVI840植被指數(shù)閾值法的棉花脫葉 效果監(jiān)測(cè)模型

通過對(duì)比2種監(jiān)測(cè)方法提取結(jié)果的RMSE和R2可知,基于SAVI840指數(shù)閾值法提取4個(gè)時(shí)期的棉葉覆蓋信息結(jié)果優(yōu)于基于RVI940特征的最大熵閾值法提取結(jié)果,能夠較準(zhǔn)確提取棉花脫葉信息,可用于監(jiān)測(cè)棉花脫葉效果。將基于SAVI840指數(shù)閾值法提取的結(jié)果作為預(yù)測(cè)值,將人工調(diào)查獲取的4次棉葉數(shù)(18 780、15 687、9 794和5 924)作為真值進(jìn)一步確定出最佳監(jiān)測(cè)模型,監(jiān)測(cè)模型如表6所示,在已選擇的監(jiān)測(cè)模型中,對(duì)數(shù)模型的R2最高。

2.4 施藥處方圖生成結(jié)果

2.4.1 施藥處方圖生成結(jié)果使用ENVI軟件裁剪出研究區(qū)第2次獲取的棉田多光譜正射圖像,利用本文最佳提取棉葉覆蓋度的方法提取試驗(yàn)區(qū)棉葉信息,圖8為提取后的圖像,圖中僅含有棉花植被(深綠色)與土壤(白色)2類。通過本文的處方圖生成方法得到精準(zhǔn)施藥處方圖(圖9),施藥量與重采樣等級(jí)匹配,0～0.2為1.4 L·min-1,以此類推,最高0.8～1.0為1.8 L·min-1。

圖8 棉葉信息提取結(jié)果Fig.8 Extraction results of cotton leaf information

圖9 精準(zhǔn)施藥處方圖Fig.9 Prescription diagram of precise application

2.4.2 田間噴灑試驗(yàn)及驗(yàn)證根據(jù)植保無人機(jī)噴幅及能夠合并最低藥量的區(qū)域修正精準(zhǔn)施藥處方圖(圖10),并基于修正后的處方圖進(jìn)行施藥。圖11為采收當(dāng)天獲取的棉田冠層多光譜圖像提取的棉葉信息結(jié)果圖,白色區(qū)域?yàn)橐衙撊~,黑色區(qū)域?yàn)槲疵撁奕~。使用ENVI 5.3軟件的Statistics for all classes功能統(tǒng)計(jì)圖8與圖11中待脫棉葉的比例,脫葉完成度從65.03%提高到了96.84%,說明基于本研究構(gòu)建的變量施藥處方圖進(jìn)行變量噴施,可有效降低施藥量并提高棉花脫葉率。

圖10 修正后的處方圖Fig.10 Modified prescription chart

圖11 采收當(dāng)天棉花植被提取結(jié)果圖Fig.11 Results of cotton vegetation extraction on the day of harvest

常規(guī)噴施棉花脫葉劑時(shí),整塊試驗(yàn)田需要按照1.8 L·min-1的施藥量噴施,不僅浪費(fèi)農(nóng)藥,而且可能造成棉葉焦而不落。由于試驗(yàn)設(shè)備不能進(jìn)行超高精細(xì)化自動(dòng)變量噴灑,本研究使用修正后的處方圖進(jìn)行變量施藥,試驗(yàn)田面積為3 740 m2,對(duì)按照修正前處方圖(理想施藥量為4.117 L·667 m-2)、修正后處方圖(本文提出的變量施藥方法的施藥量為4.465 L·667 m-2)及常規(guī)定量施藥(施藥量為4.821 L·667 m-2)的施藥量進(jìn)行計(jì)算,與常規(guī)施藥方式相比,本文提出的變量施藥方法節(jié)藥7.39%,理想變量施藥方法節(jié)藥14.61%。

3 結(jié)論

針對(duì)傳統(tǒng)棉花脫葉效果監(jiān)測(cè)存在的問題,通過獲取棉田多光譜正射影像,利用最大熵閾值法和植被指數(shù)閾值法提取植被覆蓋度(待脫棉葉信息),根據(jù)提取的棉田植被覆蓋度與棉花脫葉率關(guān)系,生成脫葉劑變量噴施處方圖。結(jié)合無人機(jī)實(shí)際噴幅和噴藥量進(jìn)行處方圖修正,基于修正后的處方圖進(jìn)行變量噴施,并對(duì)噴施后的脫葉效果進(jìn)行了評(píng)價(jià)。

1)在棉花脫葉過程中,SAVI840波段對(duì)棉葉變化最敏感,該波段結(jié)合植被指數(shù)閾值法提取棉葉信息精度最佳;利用R2和RMSE確定了基于SAVI840波段的植被指數(shù)閾值法監(jiān)測(cè)棉花脫葉效果最好(R2為0.96),可代替人工監(jiān)測(cè)棉花脫葉效果。

2)利用最優(yōu)監(jiān)測(cè)模型提取棉田多光譜圖像中未脫棉葉信息并進(jìn)行處理,生成脫葉劑變量噴施處方圖。試驗(yàn)結(jié)果表明,與常規(guī)施藥方式相比,基于處方圖的變量噴施可節(jié)約7.39%的脫葉劑用量,有效降低施藥量并提高了棉花脫葉率。