鄧 江，谷海斌，王 澤，盛建東，馬煜成，信會男

(新疆土壤與植物生態(tài)過程重點實驗室 新疆農業(yè)大學草業(yè)與環(huán)境科學學院，新疆 烏魯木齊 830052)

生物量是反映植物長勢、生產力以及品質的重要指標，準確、實時獲取作物生物量信息是實現(xiàn)農業(yè)精準管理的保證，而遙感技術是快速準確獲取生物量的有效方法[1-2]。雖然衛(wèi)星及航空遙感技術已在大面積反演植被生物量方面發(fā)揮了重要作用，但是無人機遙感技術以其高時效、高分辨率、低成本、低風險等優(yōu)勢[3-4]，為精準農業(yè)的快速發(fā)展提供了新的技術平臺。

目前，國內外眾多學者利用無人機遙感技術進行了農作物長勢及病蟲害監(jiān)測[5-8]、植被覆蓋度提取[9-10]、作物識別和估產[11-14]等方面的研究。其中，Ballesteros 等[15]利用無人機可見光影像估算洋蔥干葉和干球生物量，取得顯著效果(R2= 0.76，R2=0.95)；張正建等[16]也利用無人機可見光影像，建立了歸一化綠紅差異植被指數(shù)(NGRDI)與草地生物量的反演模型(R2=0.856)；孫世澤等[17]利用無人機多光譜影像，建立了比值植被指數(shù)(RVI)與草地生物量估算模型，其監(jiān)測精度可以達到75%以上；陸國政等[18]利用無人機高光譜影像估算大豆生物量，取得了較高的估測精度(R2=0.714，RMSE=0.393 kg·m-2)；Wang D等[19]利用無人機激光雷達影像提取草地冠層高度，進而估算了草地地上生物量(R2=0.340，RMSE=81.89 g·m-2)。雖然無人機遙感技術在植被生物量監(jiān)測方面具有很高的精度及時效性，但是從不同區(qū)域的研究成果可以看出，基于無人機遙感技術的植被生物量監(jiān)測，會隨傳感器類型、作物種類及研究區(qū)域的不同有較大的差異。

新疆作為中國棉花規(guī)?；N植區(qū)域[20-21]，已有研究人員利用中、低空間分辨率的多光譜遙感影像(如：Landsat 8、TM、EOS/MODIS、CBERS-1和SPORT/VGT等)對棉花的葉面積指數(shù)(LAI)、生物量、產量估計等指標進行了遙感反演研究[22-24]。但由于空間分辨率、重訪周期、氣候條件等因素限制[6]，在棉花長勢的精準監(jiān)測方面仍存在一定的局限性。因此，本研究以新疆棉田為研究對象，開展基于無人機遙感技術的棉花生物量動態(tài)監(jiān)測研究，為棉花田間長勢監(jiān)測及精準管理提供決策信息。

1 材料與方法

1.1 研究區(qū)概況

本試驗在新疆昌吉州瑪納斯縣包家店鎮(zhèn)冬麥地村進行(86°27′～86°29′E，44°20′～44°22′N)，采樣及飛行面積約7 km2(圖1)。研究區(qū)屬溫帶大陸性干旱半干旱氣候，年平均氣溫7.2℃，年平均降水量173.3 mm，具有冬季嚴寒，夏季酷熱，日照充足，干旱少雨等特點，是新疆典型的棉花規(guī)?；N植區(qū)域。

1.2 數(shù)據(jù)采集

1.2.1 影像數(shù)據(jù)采集 本研究于2016年6月21日(苗期)、7月11日(花蕾期)、8月3日(花鈴期)、8月28日(盛鈴期)4個棉花主要生育時期，利用固定翼電動無人機(Free Bird)搭載ADC-Lite多光譜相機，在中午12∶00—13∶00，選擇光照強度穩(wěn)定、天氣晴朗無云、風速小于4級的環(huán)境條件，對試驗區(qū)進行連續(xù)飛行監(jiān)測。無人機飛行高度為500 m，飛行速度60 km·h-1，飛行時間約50 min，采取航向重疊度80%、旁向重疊度60%方式垂直拍攝，獲取近紅外影像數(shù)據(jù)4景，空間分辨率為20 cm(圖2)。

1.2.2 生物量數(shù)據(jù)采集 無人機飛行作業(yè)過程中，同步開展田間棉花生物量采樣測定工作。試驗區(qū)內隨機設置28個實測樣點，其中20個用于建模，8個用于驗證。以采樣點為中心采集3株長勢均勻、無病蟲危害的棉株(含莖、葉、花、鈴)作為試驗樣本，同時，記錄1 m2區(qū)域內的株數(shù)，標定經(jīng)緯度坐標。

1.3 數(shù)據(jù)處理

無人機影像預處理：首先利用多光譜相機配置的軟件Pixel Wrench 2將RAW格式的原始影像轉換為TIFF格式，依據(jù)無人機作業(yè)過程中同步記錄的定位定姿系統(tǒng)(Position and Orientation System, POS)數(shù)據(jù)，使用專業(yè)攝影測量軟件Pix4D Mapper對獲取的影像預處理。流程如下：(1)建立項目輸入工程名稱并設置保存路徑。(2)導入影像并設置影像參數(shù)。(3)影像重新匹配，糾正畸變影像。(4)基于相機位置和影像本身，構建密集點云。(5)生成數(shù)字表面模型(DSM)及數(shù)字正射影像(DOM)。

植被指數(shù)選取與計算：ADC-Lite近紅外相機的波段范圍在520～920 nm之間，具有紅、綠和近紅外3個光譜波段。利用ENVI5.2的波段計算工具，提取棉花主要生育時期的歸一化植被指數(shù)(NDVI)、寬動態(tài)植被指數(shù)(WDRVI)、比值植被指數(shù)(RVI)和差值植被指數(shù)(DVI)4種植被指數(shù)(圖3)。同時，利用ArcGIS軟件的空間分析功能提取以采樣點為中心1 m2區(qū)域的植被指數(shù)。各植被指數(shù)計算公式及特性見表1。

植被生物量測定：現(xiàn)場采集的植株鮮樣用紙質信封包裝帶回實驗室，迅速稱取地上部鮮重，根據(jù)單位面積株數(shù)得到單位面積(1 m2)鮮生物量(AGB)。

注：(a)、(b)、(c)和(d)分別為棉花苗期、花蕾期、花鈴期和盛鈴期的可見光原始影像；(e)、(f)、(g)和(h)分別為棉花苗期、花蕾期、花鈴期和盛鈴期的近紅外原始影像。Note: (a), (b), (c) and (d) represented visible original images at seeding, bud, blooming and boll periods during cotton growth periods, respectively; (e), (f), (g) and (h) represent near infrared original images at these periods, respectively.圖2 棉花不同生育時期可見光、近紅外原始影像Fig.2 Visible and near infrared original images of cotton in different growth period

植被指數(shù) Vegetation index公式 Formula特性 Character歸一化植被指數(shù)NDVINormalized difference vegetation indexNDVI=Rnir-RredRnir+Rred[25]能將綠色植被與土壤背景等信息相區(qū)分,但在高植被覆蓋區(qū)易出現(xiàn)“飽和”現(xiàn)象。The green vegetation can be distinguished from the soil back-ground, but the phenomenon of “satiety” is easy to appear in the high vegetation cover area.寬動態(tài)植被指數(shù)WDRVIWide dynamic range vegetation indexWDRVI=aRnir-RredaRnir+Rred,a=0.2[26]引入權重因子(0.1或0.2),縮小近紅外光波段和紅光波段對植被指數(shù)貢獻之間的差距[27]。The weight factor (0.1 or 0.2) is introduced to narrow the gap between the contribution of near infrared band and red band to vegetation index.比值植被指數(shù)RVIRatio Vegetation IndexRVI=RnirRred[28]不受土壤含水量的影響,對較高覆蓋度植被敏感。It is not affected by soil water content and is sensitive to high coverage vegetation.差值植被指數(shù)DVIDifference Vegetation IndexDVI=Rnir-Rred[29]突出紅光波段和近紅外光波段的差異性,能夠消除大氣效應和土壤的影響。Highlighting the difference between red band and near infrared band can eliminate the influence of atmosphere and soil.

圖3 棉花不同生育時期植被指數(shù)分布圖Fig.3 Vegetation index of cotton in different growth period

1.4 生物量遙感估算模型及驗證

植被指數(shù)是反映植被長勢的最佳指示參數(shù)，大量研究論證了植被指數(shù)與植被生物量、營養(yǎng)、葉面積、覆蓋度等之間存在的線性或者非線性關系[30-33]。因此本研究利用SPSS軟件對植被指數(shù)與生物量進行一元線性、非線性及多元線性回歸分析，構建4種植被指數(shù)(NDVI、WDRVI、RVI、DVI)與主要生育時期的生物量之間的擬合關系。同時，選用決定系數(shù)(R2)(式1)和均方根誤差(RMSE)(式2)對不同指數(shù)與生物量間的最優(yōu)擬合結果進行初步的精度評價。最后，利用驗證樣本對所構建的生物量估算模型進行精度驗證及評價。

(1)

(2)

2 結果與分析

2.1 棉花主要生育時期生物量及植被指數(shù)統(tǒng)計特征

研究區(qū)棉花各生育時期生物量統(tǒng)計特征值見表2。棉花生物量隨著生育時期顯著增大，其均值從苗期的1.08 kg·m-2增加到盛鈴期的7.80 kg·m-2。其中，在棉花生長初期和后期生物量增長幅度較小。

表2 棉花不同生育時期地上部生物量(AGB)統(tǒng)計特征值/(kg·m-2)

注：不同小寫字母表示平均值在α=0.05水平上有顯著差異。

Note: Different lowercase letters indicated significant difference in mean values atα=0.05.

棉花生物量隨著生育時期的變化逐漸增加，但4種植被指數(shù)變化不一。由圖4可知，NDVI均值由苗期(0.85)至花鈴期(0.99)顯著增大，但從花鈴期開始基本保持穩(wěn)定，出現(xiàn)“飽和”現(xiàn)象；WDRVI均值由苗期(0.60)至盛鈴期(0.90)逐步增大，在花鈴期出現(xiàn)一個急速增長過程。RVI和DVI均是從苗期至花蕾期顯著增大但從花蕾期至盛鈴期變化幅度較小。

2.2 棉花主要生育時期生物量遙感模型構建

將4種植被指數(shù)及其組合分別與生物量進行線性和非線性擬合分析。由表3可知：基于NDVI和DVI指數(shù)的二元線性擬合模型，與苗期生物量的擬合度最佳(R2=0.84，RMSE=0.13)，基于WDRVI和DVI植被指數(shù)的二元線性擬合模型，與花蕾期生物量的擬合度最佳(R2=0.87，RMSE=0.52)；基于WDRVI和RVI指數(shù)的二元線性擬合模型，與盛鈴期生物量的擬合度最佳(R2=0.86，RMSE=0.96)。在花鈴期，基于RVI單一植被指數(shù)的估算模型擬合度最佳(R2=0.79，RMSE=0.95)。

2.3 生物量估算模型驗證

選取8個驗證樣本，對棉花各個生育時期生物量最優(yōu)擬合模型進行驗證(圖5)。驗證結果表明基于無人機影像的棉花生物量遙感估算結果均與實測生物量顯著相關(R2均大于0.70)，模型檢驗有效。同時，考慮在一定空間尺度上，受大田數(shù)據(jù)及遙感數(shù)據(jù)采集精度、建模樣本及驗證樣本數(shù)量等原因限制，估算模型的可靠性有望進一步提高。

3 討 論

NDVI與DVI植被指數(shù)在棉花生長初期對生物量的變化較為敏感，但在中后期敏感性降低，出現(xiàn)植被指數(shù)“飽和”效應。這可能與棉花生長中后期植株群體封行有關，故該指標不適于棉花生育中后期的生物量監(jiān)測，這與Mutanga O等[34]和鄭陽等[35]在牧草、小麥生物量監(jiān)測方面研究結果較為相同。Mutanga O等發(fā)現(xiàn)NDVI植被指數(shù)在牧草密度較高的情況下出現(xiàn)飽和，對牧草生物量估算精度較低；鄭陽等發(fā)現(xiàn)NDVI植被指數(shù)在小麥生長中后期生物量較高時會出現(xiàn)“飽和”現(xiàn)象。

注：箱式圖中橫線從下至上依次代表數(shù)據(jù)的最小值(實線)、第一四分位數(shù)(實線)、平均值(虛線)、中位數(shù)(實線)、第三四分位數(shù)(實線)和最大值(實線)。Note: Lines from down to up in boxplot represent minimum value (solid line), first quartile (solid line), mean value (dotted line), median value (solid line), third quartile (solid line) and maximum value (solid line), respectively.圖4 棉花不同生育時期植被指數(shù)統(tǒng)計特征值Fig.4 Statistics of VIs of cotton in different growth period

生育期Growth stage植被指數(shù)Vegetation index擬合函數(shù)Fitting functionR2RMSE/(kg·m-2)苗期Seedling perioday=10.2707a2-13.3306a+4.94180.770.15by=0.9421b2+0.3991b+0.45120.710.17cy=0.0177c-0.25110.200.27dy=0.0001d2-0.01777d+1.13360.690.17ady=2.454a+0.008d-2.0480.840.13花蕾期Bud perioday=104.6908a2-170.453a+71.52560.580.95by=65.9975b2-69.8978b+20.38260.740.74cy=0.0034c2-1.2109c+109.68370.690.81dy=0.0031d2-1.1865d+114.85820.840.59bdy=10.625b+0.078d-19.5990.870.52花鈴期Blooming perioday=37.0849a-30.76700.032.01by=45.8749b2-59.2332b+22.199990.531.44cy=0.0042c2-1.3843c+115.43320.790.95dy=0.004d2-1.5347d+152.83720.551.40盛鈴期Boll perioday=-41.107a+48.48760.012.52by=64.049b2 -96.0894b+41.46850.481.87cy=-0.0009c2+0.469c-48.7720.741.34dy=-0.0005d2+0.2619d-27.79650.292.19bcy=10.927b+0.093c-20.6390.860.96

注：a，b，c，d分別代表NDVI，WDRVI，RVI和DVI；ad，bd和bc則代表擬合公式同時包含了兩個相對應的植被指數(shù)(如ad表示擬合公式同時包含了NDVI和DVI)。

Note:a,b,canddrepresentNDVI,WDRVI,RVIandDVI, respectively;ad,bdandbcindicate that fitted models included two corresponding indexes (for example,adindicated the fitted model both includedNDVIandDVI).

圖5 棉花不同生育時期生物量估測值與實測值關系圖Fig.5 The relationship between predicted values and the measured values of AGB at different growth period of cotton

而相關研究表明，WDRVI和RVI植被指數(shù)在高覆蓋度條件下依然敏感，具有緩解“飽和”的能力，本文的研究結果也證實WDRVI和RVI指標在棉花生長后期與生物量仍有較好的相關性。這與陳江魯[36]和田艷林[37]等對不同覆蓋度植被及作物進行遙感監(jiān)測的研究結果相似。陳江魯?shù)壤肳DRVI植被指數(shù)監(jiān)測不同覆蓋度棉花時，未出現(xiàn)“飽和”現(xiàn)象；田艷林等發(fā)現(xiàn)濕地蘆葦在生長中后期地上生物量與RVI植被指數(shù)間的相關系數(shù)達到0.68以上。同時，本研究結合WDRVI和RVI所建立的模型對棉花后期的生物量監(jiān)測更加精確(R2達到0.86)，在緩解“飽和”現(xiàn)象的同時，進一步提高了植被指數(shù)監(jiān)測生物量的敏感性，這主要因為：由單一植被指數(shù)建立的線性或非線性模型在面對植被覆蓋不均勻的區(qū)域時，其精度和靈敏度會降低，不能全面準確地反映生物量信息，而多元線性回歸模型將多個植被指數(shù)結合，在一定程度上提高了生物量估算的精度[38]。

4 結 論

本研究在典型棉花種植區(qū)域，利用無人機搭載多光譜傳感器實時獲取了棉花主要生育時期高分辨率多光譜影像數(shù)據(jù)，有效解決了衛(wèi)星影像空間分辨率低、重訪周期長、氣候條件制約等問題?；诓煌脖恢笖?shù)所建立的生物量監(jiān)測模型，緩解了植被指數(shù)在遙感監(jiān)測過程中的“飽和”現(xiàn)象，解決了棉花生長中后期監(jiān)測敏感性低的問題，基本實現(xiàn)了對棉花生長全過程的精準監(jiān)測。研究結果表明無人機多光譜技術在精確監(jiān)測棉花長勢方面具有較強的可行性，在區(qū)域農田信息管理、精準農業(yè)實施等方面具有積極意義。