無人機光譜影像與變量施肥技術(shù)在水稻追肥中的集成應用

包明艷　駱庭寶　魯良宣

摘要 水稻種植過程中的追肥環(huán)節(jié)，存在長期依賴人工施肥經(jīng)驗及化肥使用量不合理的問題。隨著無人機在農(nóng)作物遙感監(jiān)測和變量化施肥方面技術(shù)的日趨成熟，以及數(shù)字化光譜影像處理精度的優(yōu)化，基于無人機開展針對追肥環(huán)節(jié)的評估分析和執(zhí)行變量施肥，已經(jīng)具備集成應用的條件。本研究初步實現(xiàn)將無人機遙感、光譜影像分析處理、施肥處方圖生成和無人機變量施肥相結(jié)合形成集成應用，為水稻種植的追肥環(huán)節(jié)提供服務。在水稻的分蘗期和孕穗期分別開展針對氮元素的施肥作業(yè)，基于集成應用模式，在保證產(chǎn)量穩(wěn)定的情況下，改善了用肥量。該集成應用為實現(xiàn)更精細、更智能的種植施肥模式提供了依據(jù)。

關(guān)鍵詞 無人機光譜影像；水稻NDVI分布圖；施肥處方圖；變量施肥

中圖分類號 S224.2? ?文獻標識碼 B

文章編號 1007-7731（2023）10-0144-04

無人機作為近年來農(nóng)業(yè)生產(chǎn)領域發(fā)展迅速的新型裝備，因其日益提高的技術(shù)成熟度和逐漸擴展的應用方向，已經(jīng)成為農(nóng)業(yè)生產(chǎn)工具中的重要選擇?；跓o人機實施的相關(guān)智慧農(nóng)業(yè)服務[1]，日益融入現(xiàn)代農(nóng)業(yè)生產(chǎn)體系，尤其在當前大田種植領域應用廣泛。無人機可以管理較大面積的種植區(qū)域，獲取專業(yè)農(nóng)業(yè)指標[2]，不會造成農(nóng)作物碾壓，在各種地形上使用靈活，被農(nóng)業(yè)生產(chǎn)者廣泛接受。

無人機搭載光譜設備實施成像分析和養(yǎng)分評估[3]，并進行肥料撒播，目前已有較多應用，但是無人機撒肥普遍采取的仍是傳統(tǒng)的均勻等量撒肥模式，目前較為領先的變量化施肥模式依然較少使用[4]。

本研究將無人機光譜影像的采集、影像分析處理、基于分析結(jié)果的施肥處方圖生成和變量化執(zhí)行結(jié)合自研的軟件、工具，形成集成聯(lián)動，實現(xiàn)不同水稻大田種植條件下面向追肥環(huán)節(jié)的變量施肥集成化應用體系。

1 材料與基礎

無人機光譜影像與變量施肥技術(shù)在水稻追肥中的集成應用（以下簡稱集成應用）選擇大疆精靈4多光譜版多旋翼無人機及其配套的多光譜相機作為遙感光譜影像采集設備，以大疆T40多旋翼無人機、機載撒肥器和變量控制器[5]作為施肥執(zhí)行工具。本次追肥對象為尿素（含氮量46%），為水稻進行氮素補充。研究區(qū)位于安徽蕪湖三山經(jīng)濟開發(fā)區(qū)，水稻于2022年5月15—18日播種。研究區(qū)內(nèi)，選擇了2個相似的種植區(qū)，一個是使用了集成應用的A區(qū)（面積1.86 hm2），另一個是未使用集成應用的B區(qū)（面積1.75 hm2），以進行比較分析（圖1）。2個種植區(qū)的地貌和種植條件相近，種植工藝和時間也保持一致。

2 技術(shù)方法

2.1 方案流程框架

在本方案中，多光譜相機搭載于多旋翼無人機上，于水稻生長的特定時期巡視并拍攝獲取A種植區(qū)的遙感影像，從獲取光譜影像到實施變量施肥作業(yè)的技術(shù)流程如圖2所示。原始取得的遙感影像是分塊的一系列照片，需要把分塊的遙感影像導入圖像處理軟件，拼接為一幅整體的種植區(qū)遙感影像，影像中包含的多光譜數(shù)據(jù)則經(jīng)過軟件內(nèi)模型的計算分析，生成種植區(qū)作物的NDVI（Normalized Difference Vegetation Index歸一化植被指數(shù)）[6]數(shù)據(jù)，并結(jié)合地理位置信息，構(gòu)成依托于電子地圖的種植區(qū)NDVI分布圖?；贜DVI分布圖，選擇合適的種植區(qū)域，開展人工現(xiàn)場觀察、施肥量人工定標的工作，所給出的定標施肥量數(shù)據(jù)要結(jié)合地理位置數(shù)據(jù)形成標準施肥量。種植區(qū)地理信息、NDVI分布圖以及標準施肥量在輸入軟件后，首先將自動結(jié)合種植區(qū)坐標、邊界，把所有田塊區(qū)域按照固定尺寸劃分為一系列方形網(wǎng)格，再逐個計算出各個網(wǎng)格對應的平均施肥量，最終得到施肥處方圖。將施肥處方圖導入至帶有撒肥器的多旋翼無人機，使其在飛行過程中按照施肥處方圖實時定位，動態(tài)調(diào)整撒肥量，執(zhí)行變量化撒肥作業(yè)。作為對比，B區(qū)也與A區(qū)同時開展施肥作業(yè)，作業(yè)裝備也是相同的無人機，但是采取全區(qū)域使用固定施肥量的方法開展撒肥操作。

2.2 無人機光譜影像采集

無人機攜帶多光譜相機在拍攝種植區(qū)影像時，設定飛行高度為120 m、速度為3 m/s，影像空間分辨率為5.3 cm/pixel。飛行時會同時拍攝同一位置的5個波段通道的圖像，分別是藍（B，450±16 nm）、綠（G，560±16 nm）、紅（R，650±16 nm）、紅邊（RE，730±16 nm）、近紅外（NIR，840±26 nm），以及1個可見光通道。每張圖像附帶經(jīng)緯度坐標數(shù)據(jù)，單張圖像的分辨率為54 72×3 648 pixels。種植區(qū)的航拍完成后，圖像將導入數(shù)據(jù)庫。

光學影像受到水稻的冠層影響，所獲取的光譜數(shù)據(jù)主要反映水稻冠層的生長狀態(tài)以及對應的養(yǎng)分含量[7]。無人機遙感光譜影像的拍攝時間2022年7月10日、2022年8月22日均為晴天，具體為當日的12：00—14：00之間。上述2個時間點分別是該種植季水稻的分蘗期、孕穗期，按照種植計劃，隨后將會安排針對種植區(qū)的追肥作業(yè)，施肥內(nèi)容為尿素，以補充水稻所需氮元素。

2.3 光譜影像分析

使用遙感影像處理軟件，將所獲取的原始影像進行拼接、幾何校正、輻射校正等處理，獲得種植區(qū)域的完整的正射光譜影像。在此，選擇NDVI作為反映水稻長勢情況的指標參數(shù)，因為該指標一方面可以直接通過農(nóng)作物的冠層狀態(tài)反映其生長狀況，體現(xiàn)種植區(qū)內(nèi)農(nóng)作物的生物量，另一方面便于轉(zhuǎn)換為施肥量對應的指標[8]。無人機獲取的多光譜數(shù)據(jù)中需要使用紅、近紅外2個波段的光反射率數(shù)據(jù)計算NDVI數(shù)值，計算公式：NDVI=（NIR-R）/（NIR+R），其中，NIR為近紅外波段反射率，R為紅光波段反射率[9]。通過計算光譜影像的NDVI值，可得到水稻田每個點的NDVI值基于地理位置的分布情況，即水稻NDVI原始分布圖（圖3）。

2.4 光譜影像轉(zhuǎn)換為針對施肥的處方圖

光譜影像反映了水稻的生長長勢和地理分布，就追肥工作而言，需要將上述長勢情況轉(zhuǎn)換為單位面積的施肥量。因此將NDVI值的原始分布圖按照10 m×10 m的空間分辨率進行網(wǎng)格化劃分，并計算格內(nèi)的NDVI均值，再通過NDVI值與施肥量值的轉(zhuǎn)換關(guān)系，轉(zhuǎn)為施肥量分布網(wǎng)格圖[10]。在確定NDVI值與施肥量值的轉(zhuǎn)換關(guān)系時，采取了以下2個步驟。

（1）評估在此時間下，A區(qū)長勢較差區(qū)域水稻單位面積（以hm2為計算單位）需要的施肥量。在具體的觀測點位，經(jīng)人工判讀后給出對應的施肥量數(shù)值，即標準施肥量，定義為F0。在實際操作過程中，選定觀測點位的對應坐標會被記錄下來并輸入軟件。作為對比，B區(qū)按照傳統(tǒng)模式，由人工判斷，全區(qū)域按照統(tǒng)一的單位面積施肥量數(shù)值由無人機執(zhí)行撒肥作業(yè)。

（2）基于線性計算關(guān)系、觀測點坐標、NDVI分布網(wǎng)格圖，換算出每個網(wǎng)格的平均施肥量。相應觀測點坐標以及對應該觀測點的網(wǎng)格施肥量數(shù)值，作為計算公式的初始值使用。具體的NDVI與施肥量轉(zhuǎn)換計算公式為Fn/F0=NDVIn/NDVI0。其中Fn為目標網(wǎng)格的施肥量數(shù)值，NDVI0為對應觀測點網(wǎng)格的NDVI數(shù)值，NDVIn為對應目標網(wǎng)格的NDVI數(shù)值。

所有種植區(qū)域網(wǎng)格均轉(zhuǎn)化完成后，結(jié)合網(wǎng)格的地理坐標即獲得施肥量分布網(wǎng)格圖，也就是施肥處方圖（圖4）。

2.5 無人機基于施肥處方圖執(zhí)行變量施肥作業(yè)

將生成的施肥處方圖專用格式文件導入至撒肥無人機，作為控制撒肥量的依據(jù)。無人機通過機載衛(wèi)星定位，在飛行到對應網(wǎng)格的坐標區(qū)域后，自動讀取施肥處方圖中對應網(wǎng)格的施肥量，調(diào)控其撒肥器的轉(zhuǎn)速，改變?nèi)龇柿?，達到變量化施肥的目的。

3 使用效果分析

3.1 節(jié)約施肥量

使用集成應用方案后，對A、B 2個種植區(qū)的總施肥量、單位面積施肥量進行了對比，施肥量統(tǒng)計結(jié)果見表1。其中的單位面積施肥量是較為典型的指標，2次追肥作業(yè)A區(qū)的單位面積施肥量均更低，第1次施肥時A區(qū)比B區(qū)少了約14.8%，第2次施肥時A區(qū)比B區(qū)少了約6.3%?？傮w而言，使用了集成應用方案的種植區(qū)，在追肥環(huán)節(jié)具有更低的單位面積用肥量，可見集成應用方案在減少施肥方面發(fā)揮了較為明顯的作用。

由于本研究數(shù)據(jù)量相對較小，對于集成應用時的標準施肥量F0選擇了人工判斷方式，此判斷具有一定的主觀性；在后續(xù)的深化研究中，對同一水稻品種應開展持續(xù)性數(shù)據(jù)積累并應用更為合理的算法模型，有望能夠通過軟件給出更為科學合理的標準施肥量，最終實現(xiàn)集成應用全流程的自動化。

3.2 對產(chǎn)量的影響

基于集成應用方案，分析最終產(chǎn)量情況可知，2個種植區(qū)單位面積產(chǎn)量非常接近，相差為33.4 kg/hm2，差異率為0.5%（表2）。因此，集成技術(shù)尤其是變量施肥技術(shù)的應用，既發(fā)揮了對于水稻生長必要的供養(yǎng)作用，又沒有因為差異化的施肥量而造成水稻的減產(chǎn)。從數(shù)據(jù)上看，A區(qū)的單位面積產(chǎn)量甚至小幅度超出B區(qū)?；跇颖镜臄?shù)量、重復性、種植周期的復雜性等，無法斷定是否因為集成應用而導致增產(chǎn)。但是，遙感觀測和變量化施肥使得水稻的化肥使用量更為合理，豐、缺調(diào)節(jié)更加精確，必將為施肥效益的提升帶來更大可能性。而傳統(tǒng)的統(tǒng)一施肥量模式，可能導致缺肥部分作物施肥量不足，不缺肥的部分作物過量施用，難以實現(xiàn)施肥的最優(yōu)效益。

3.3 減輕環(huán)境污染

應用本文所述集成應用方案后，單位面積施肥量的有效減少，對于降低農(nóng)業(yè)面源污染[11]、改善土壤板結(jié)等劣化狀態(tài)能夠產(chǎn)生積極作用，肥料使用量的有效降低，也促進了農(nóng)業(yè)生產(chǎn)過程中的碳減排[12]。持續(xù)性的水稻生產(chǎn)種植的施肥工作優(yōu)化，能夠從改善種植環(huán)境、減少污染物排放等多個方面為實現(xiàn)生態(tài)友好型農(nóng)業(yè)帶來價值。

4 總結(jié)

本研究利用無人機光譜影像與變量施肥技術(shù)，結(jié)合中間環(huán)節(jié)自研軟件工具實現(xiàn)了聯(lián)通整合，構(gòu)成了針對水稻追肥環(huán)節(jié)的集成應用技術(shù)體系。在水稻種植中的氮肥追肥環(huán)節(jié)，開展了應用性研究工作，達到了科學判斷作物需肥情況、精細化施用化肥的目標。在實際集成應用過程中，通過對比實驗，發(fā)現(xiàn)選擇集成應用的種植區(qū)域，有效減少了單位面積內(nèi)化肥使用量，同時又保證了產(chǎn)量的穩(wěn)定。后續(xù)可通過擴展實驗地區(qū)、深入優(yōu)化集成方案，使該集成應用在模式上更加成熟、實用性上更為便捷，為水稻生產(chǎn)提供更大幫助，其相關(guān)技術(shù)和模式還有望拓展到小麥、玉米、大豆等大田作物種植領域。

參考文獻

[1] 曹眾，單常峰，楊承磊，等. 無人機在智慧農(nóng)業(yè)方面的應用[J]. 現(xiàn)代農(nóng)業(yè)科技，2021（11）：157-158.

[2] 張通，金秀，饒元，等. 基于無人機多光譜的大豆旗葉光合作用量子產(chǎn)量反演方法[J]. 農(nóng)業(yè)工程學報，2022，38（13）：150-157.

[3] 馬敬宇. 無人機光譜成像技術(shù)在大田中的應用研究進展[J]. 安徽農(nóng)學通報，2022，28（11）：117-119.

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

[5] CANCAN SONG，ZHIYAN ZHOU，YING ZANG，et al. Variable-rate control system for UAV-based granular fertilizer spreader[J]. Computers and Electronics in Agriculture，2020，180：105832.

[6] 徐梅宣，張智剛，羅霞. 水稻氮素含量檢測重要因素與NDVI的相關(guān)分析[J]. 現(xiàn)代農(nóng)業(yè)裝備，2019，40（4）：46-50.

[7] 劉忠，萬煒，黃晉宇，等. 基于無人機遙感的農(nóng)作物長勢關(guān)鍵參數(shù)反演研究進展[J]. 農(nóng)業(yè)工程學報，2018，34（24）：60-71.

[8] 臧英，侯曉博，汪沛，等. 基于無人機遙感技術(shù)的黃華占水稻施肥決策模型研究[J]. 沈陽農(nóng)業(yè)大學學報，2019，50（3）：324-330.

[9] A. BANNARI，D. MORIN，F(xiàn). BONN，et al. A review of vegetation indices[J]. Remote Sensing Reviews，1995，13：95-120.

[10] 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人機精準施肥[J]. 農(nóng)業(yè)工程學報，2020，36（15）：103-110.

[11] 楊世琦，顏鑫. 基于農(nóng)作物施肥量視角的區(qū)域尺度農(nóng)田面源污染風險評價研究[J]. 中國農(nóng)業(yè)大學學報，2023，28（2）：147-159.

[12] 李劼，徐晉濤. 我國農(nóng)業(yè)低碳技術(shù)的減排潛力分析[J]. 農(nóng)業(yè)經(jīng)濟問題. 2022（3）：119-135.

（責編：張 蓓）