無人機可搭載的遙感傳感器多種多樣, 可以獲取多維度、高精度的農田信息, 實現多類農田信息的動態監測。這些信息主要包括作物空間分布信息(農田定位、作物種類識別、面積估算及變化動態監測、田間基礎設施提取)、作物生長信息(作物表型參數、營養指標、產量), 以及作物生長脅迫因子(田間墑情、病蟲害)動態等。

農田空間信息

農田空間位置信息包括田塊的地理坐標及通過目視判別或機器識別得到的作物分類。通過地理坐標識別出田塊邊界還可以實現種植面積的估算。傳統的方法通過以地形圖作為底圖進行數字化開展區域規劃和面積測算, 時效性差, 邊界位置與實際情況差異巨大且缺乏直觀性, 不利于精準農業的實施。無人機高光譜可以實時獲取全面的農田空間位置信息, 具有傳統方法無可比擬的優勢。高清數碼相機的航拍影像即可實現農田基本空間信息的識別和判定, 空間構型技術的發展提高了農田位置信息研究的精度與深度, 在引入高程信息的同時提升了空間分辨率, 可實現更精細的農田空間信息監測。將無人機DEM數據用于農田灌溉渠系的提取, 渠系提取的完整度達85.61%。

作物生長信息

作物生長狀況可以通過表型參數、營養指標以及產量等信息來表征。表型參數包括植被覆蓋度、葉面積指數、生物量、株高等。這些參數相互關聯、共同表征了作物的長勢情況, 與最終產量直接相關。在農田信息監測研究中占有主導地位, 已經開展的研究相對較多。

作物表型參數

葉面積指數(Leaf Area Index, LAI)是指單位地表面積上單面綠葉面積的總和, 可較好地表征作物對光能的吸收利用, 與作物的物質積累和最終產量關系密切。葉面積指數是目前無人機高光譜監測的主要作物生長參數之一。以多光譜數據計算植被指數(比值植被指數、歸一化植被指數、土壤調節植被指數、差值植被指數等)與地面實測數據建立回歸模型是反演表型參數較為成熟的方法。高林等通過對多個生育期、多種植被指數和不同模型的比較, 選擇鼓粒期(大豆主莖最上部4個具有充分生長葉片著生的節中, 任何一個節位上豆莢內綠色種子充滿莢皮的時期)歸一化差分植被指數(Normalized Difference Vegetation Index, NDVI)的線性回歸模型反演大豆LAI, 決定系數R2=0.829, 均方根誤差RMSE=0.301, 估測精度EA=85.4%。也有利用可見光圖像估測LAI的研究, 構建了基于可見光大氣阻抗植被指數(Visible Atmospherically Resistant Index, VARI)原理的數字圖像特征參數(UAV-based VARIRGB)的指數模型, R2也達到0.71。高光譜的高分辨率優勢為研究者提供了更豐富和連續的數據。

隨著高光譜傳感器的推廣和高階數據處理方法的發展, 應用高光譜估算LAI的研究逐漸增多。已有研究證實, 攜式地物光譜儀(Analytica Spectra Devices, ASD)獲取的地面高光譜比值植被指數(Ratio Vegetation Index, RVI)對數模型的LAI預測能力優于無人機多光譜的NDVI線性模型; Cubert UHD 185-Firefly(UHD185)是新型的無人機載高光譜傳感器, 研究者通過對冬小麥孕穗、開花、灌漿期的UHD185高光譜影像與冠層ASD反射率的比較發現, 其在第3波段~第96波段(458~830nm)具有較好的光譜質量。采用偏最小二乘回歸法(Partial Least Squares Regression, PLSR)與紅邊參數結合估算葉面積指數, 獨立驗證R2=0.757, RMSE=0.732;交叉驗證R2=0.755, RMSE=0.762。針對傳統固定波段植被指數存在的波段范圍問題, 通過動態搜索植被指數, 將波段范圍內的反射率極值定義為極值植被指數, 提高了棉花LAI的估測精度(驗證R2最大提高了0.11)。

作物生長后期地上部生物量與產量和品質的關系均很密切。目前農業上用無人機高光譜進行生物量估測仍多使用多光譜數據, 提取光譜參數、計算植被指數進行建模; 空間構型技術在生物量的估算方面有一定優勢,以呼倫貝爾草地為研究對象, 提出基于無人機的草層高和蓋度提取方法, 并用這兩項參數反演了地上生物量(R2=0.784, RMSE=108.9 g·m-2)。該研究還探討了無人機飛行高度對草層高度和蓋度提取結果的影響, 并應用鑲嵌算法提升了圖像拼接的效率和效果, 對于農田作物生物量的估算具有參考意義。利用SfM算法獲取作物表面模型(Crop Surface Models, CSM)提取作物冠層高度, 結合3種可見光區植被指數來估算大麥生物量, 發現該方法在抽穗前期可靠, 但生長后期預測效果不佳?？梢娚趯τ诮档倪x擇有很大影響。在對大豆生物量的反演過程中, 采取了分段建模的方式。

在開花結莢期以優化土壤調節植被指數(Optimization of Soil Adjusted Vegetation Index, OSAVI), 紅邊位置輔以株高為自變量通過最小二乘法建立多元線性回歸模型, 獨立驗證R2=0.727, RMSE為0.145;交叉驗證R2為0.714,RMSE為0.393;在生長后期(即鼓粒成熟期), 由于株高穩定、對生物量影響小, 不再作為建模參數, 以4種高光譜植被指數建立的生物量回歸模型, 獨立驗證R2為0.698, RMSE為0.238;交叉驗證R2為.697,RMSE為0.386。

作物營養指標

傳統的作物營養狀態監測需要通過田間取樣、室內化學分析, 以診斷營養物質或指標(葉綠素、氮素等)的含量, 而無人機高光譜則依據不同物質具有特異的光譜反射吸收特征進行診斷。葉綠素的監測依據是其在可見光波段有兩個強吸收區, 即640~663 nm的紅光部分和430~460nm的藍紫光部分, 而在550 nm處吸收很弱。作物缺素時, 葉片顏色、紋理特征均會變化, 發掘不同缺素情況對應的顏色和紋理的統計特征及相關特性是營養監測的關鍵。

與生長參數監測類似, 特征波段、植被指數和預測模型的選擇依舊是研究的主要內容。對多光譜植被指數、紋理特征建立不同葉綠素的相對含量值(Soil and Plant Analyzer Development, SPAD)預測模型, 比較得出紋理特征易受成像質量影響, 穩定性差于優選植被指數; 該研究還發現延后采集時間、增加采集高度、降低飛行速度均能提高模型預測精度。在高值經濟作物研究中, 利用無人機近紅外影像監測茶樹葉片氮含量, 優化茶葉采摘時間, 在保持茶葉口感的同時提高收獲量, 顯著提高了經濟效益。植被輻射傳輸機理模型可描述光在作物葉片和冠層吸收、反射的物理過程, 模型以作物生理信息為輸入參數, 輸出模擬的冠層光譜信息。通過查找表法、數值優化法、人工神經網絡等方法可以反演作物的生長信息。高精度植被輻射傳輸機理模型被越來越多的研究者所使用。

好了， 有關無人機高光譜在農田信息監測中的應用等介紹我們就講到這里了，下期我們再來聊聊有關作物產量等問題，不見不散!

萊森光學(深圳)有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發、生產和銷售。

審核編輯：湯梓紅