牛魯燕，蔣風(fēng)偉，張俊麗，孫家波，張曉艷，盧德成，劉延忠

（1.山東省農(nóng)業(yè)科學(xué)院科技信息研究所，山東 濟(jì)南 250100；2.泗水縣星村鎮(zhèn)人民政府，山東 泗水 273209；3.鄄城縣農(nóng)業(yè)農(nóng)村局，山東 鄄城 274600；4.山東棉花研究中心，山東 濟(jì)南 250100）

小麥?zhǔn)俏覈?guó)最重要的糧食作物之一，在我國(guó)國(guó)民經(jīng)濟(jì)中占據(jù)十分重要的地位。保證小麥產(chǎn)量的穩(wěn)定和提升，直接關(guān)系到國(guó)家糧食安全［1］。實(shí)時(shí)監(jiān)測(cè)作物生長(zhǎng)狀況，不僅可以及時(shí)提供準(zhǔn)確有效的農(nóng)業(yè)管理，提高作物產(chǎn)量，同時(shí)也可為生產(chǎn)力的預(yù)測(cè)提供數(shù)據(jù)支持，在糧食生產(chǎn)中是十分必要的［2］。

監(jiān)測(cè)作物長(zhǎng)勢(shì)最常見且廣泛應(yīng)用的方法是以遙感監(jiān)測(cè)技術(shù)為依托，通過探索地面實(shí)際測(cè)得數(shù)據(jù)與遙感采集的光譜數(shù)據(jù)的關(guān)系，構(gòu)建監(jiān)測(cè)模型［3］來(lái)分析作物生育期內(nèi)光譜反射變化特征與LAI、生物量等長(zhǎng)勢(shì)參數(shù)之間的關(guān)系，為作物生長(zhǎng)狀況監(jiān)測(cè)和產(chǎn)量預(yù)測(cè)提供科學(xué)依據(jù)［4］。

目前基于地面平臺(tái)或高空平臺(tái)遙感數(shù)據(jù)利用植被指數(shù)監(jiān)測(cè)小麥葉面積指數(shù)、生物量并預(yù)測(cè)產(chǎn)量的方法已經(jīng)比較成熟。但基于地面平臺(tái)的監(jiān)測(cè)范圍小、效率低；基于高空平臺(tái)雖然可以實(shí)現(xiàn)大面積監(jiān)測(cè)，但受到監(jiān)測(cè)精度、成本和云層等外界環(huán)境以及空間和時(shí)間分辨率等多方面問題的制約，尤其隨著中小型區(qū)域監(jiān)測(cè)需求的出現(xiàn)，其動(dòng)態(tài)性、準(zhǔn)確性和高效性監(jiān)測(cè)需求與當(dāng)前監(jiān)測(cè)平臺(tái)之間的矛盾日益突出。

無(wú)人機(jī)多光譜遙感影像具有較高的地面分辨率（厘米級(jí)），對(duì)空間異質(zhì)信息響應(yīng)敏感，可獲得較大范圍即時(shí)、可靠的農(nóng)作物長(zhǎng)勢(shì)信息，能夠彌補(bǔ)傳統(tǒng)作物監(jiān)測(cè)設(shè)備監(jiān)測(cè)范圍小、難度大等問題，有很好的應(yīng)用價(jià)值［5］。

Honkavaara等［6］以無(wú)人機(jī)為平臺(tái)，采用輕便的FPI光譜相機(jī)采集小麥的光譜信息，通過計(jì)算NDVI來(lái)反演小麥的生物量，R2最高達(dá)到0.80。Lelong等［7］用無(wú)人機(jī)搭載相機(jī)CANON EOS 350D和SONY DSC-F828獲取小麥冠層的反射率，計(jì)算NDVI值來(lái)估算LAI，估測(cè)的LAI與實(shí)測(cè)的LAI相關(guān)系數(shù)達(dá)到0.82。Hunt等［8］用無(wú)人機(jī)搭載FinePix S3 Pro UVIR相機(jī)來(lái)獲取小麥影像，并在GNDVI與小麥葉面積指數(shù)之間建立模型，R2達(dá)到0.85。郭偉等［9］以無(wú)人機(jī)搭載成像高光譜儀，在田塊尺度上對(duì)冬小麥全蝕病病情指數(shù)分布進(jìn)行空間填圖，為無(wú)人機(jī)高光譜遙感在冬小麥全蝕病的精準(zhǔn)監(jiān)測(cè)方面提供了技術(shù)支撐。楊俊等［10］探討了小麥生物量和產(chǎn)量與無(wú)人機(jī)圖像特征參數(shù)的相關(guān)性，結(jié)果表明，無(wú)人機(jī)圖像顏色指數(shù)與紋理特征參數(shù)結(jié)合可以提高小麥生物量和產(chǎn)量的估測(cè)精度。江杰等［11］通過無(wú)人機(jī)搭載數(shù)碼相機(jī)對(duì)小麥長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)，表明結(jié)合小麥各生長(zhǎng)階段指數(shù)函數(shù)監(jiān)測(cè)模型，利用無(wú)人機(jī)搭載數(shù)碼相機(jī)可以快速無(wú)損地監(jiān)測(cè)小麥長(zhǎng)勢(shì)狀況。

本研究利用無(wú)人機(jī)遙感平臺(tái)對(duì)試驗(yàn)區(qū)域小麥生長(zhǎng)信息進(jìn)行監(jiān)測(cè)，并基于多植被指數(shù)構(gòu)建小麥關(guān)鍵生育時(shí)期主要生長(zhǎng)指標(biāo)的動(dòng)態(tài)監(jiān)測(cè)模型，探討利用無(wú)人機(jī)平臺(tái)監(jiān)測(cè)小麥長(zhǎng)勢(shì)的可行性，以期為山東大面積農(nóng)田小麥長(zhǎng)勢(shì)實(shí)時(shí)監(jiān)測(cè)提供有效技術(shù)支撐。

1 材料與方法

1.1 試驗(yàn)區(qū)概況及試驗(yàn)材料

試驗(yàn)區(qū)位于山東省濟(jì)南市濟(jì)陽(yáng)區(qū)回河鎮(zhèn)（北緯36.58°，東經(jīng)117.12°），供試小麥品種為濟(jì)麥22。濟(jì)陽(yáng)區(qū)位于黃河下游北岸，魯北平原的南部，位于暖溫帶半濕潤(rùn)季風(fēng)氣候區(qū)內(nèi)，四季分明，雨熱同季，光照充足，年平均氣溫12.8℃，年平均無(wú)霜期195 d，年太陽(yáng)輻射量520.74 kJ/cm2，降水多集中在7—9月份。境內(nèi)土壤發(fā)育在黃河沖積母質(zhì)上，土層深厚，潮土是主要土類。

1.2 數(shù)據(jù)采集

1.2.1 多光譜數(shù)據(jù)采集 采用大疆無(wú)人機(jī)M200搭載RedEdge-M多光譜相機(jī)，根據(jù)事先規(guī)劃好的路線獲取，試驗(yàn)區(qū)及對(duì)應(yīng)時(shí)間的google地圖機(jī)載航線規(guī)劃如圖1所示。RedEdge-M多光譜相機(jī)一共有5個(gè)通道，分別是紅、綠、藍(lán)、紅邊、近紅外五波段，對(duì)應(yīng)的中心波長(zhǎng)分別是475、560、668、717、840 nm，帶寬分別為10、20、20、10、40 nm。機(jī)載多光譜成像采集系統(tǒng)如圖2所示。

圖1 試驗(yàn)區(qū)及規(guī)劃路線

圖2 機(jī)載多光譜成像系統(tǒng)

在小麥關(guān)鍵生育時(shí)期——拔節(jié)期、抽穗期、開花期、灌漿期選擇晴朗無(wú)風(fēng)、少云天氣（分別為4月29日、5月9日、5月17日、5月24日、5月29日）10—14時(shí)采集小麥光譜數(shù)據(jù)。

1.2.2 植株生長(zhǎng)指標(biāo)的測(cè)定 在試驗(yàn)區(qū)內(nèi)選5個(gè)采樣點(diǎn)，每個(gè)點(diǎn)選30株小麥，于光譜數(shù)據(jù)采集當(dāng)天取樣，測(cè)量小麥葉片SPAD值及地上部鮮、干重。

1.3 數(shù)據(jù)處理方法

1.3.1 多光譜影像處理 利用Pix4dmapper軟件對(duì)獲得的多光譜影像進(jìn)行拼接處理得到各波段的反射率拼接灰度圖，并用ENVI對(duì)各波段進(jìn)行配準(zhǔn)組合成ENVI格式的反射率數(shù)據(jù)。將地面采樣點(diǎn)的經(jīng)緯度輸入機(jī)載多光譜拼接影像中，選取采集點(diǎn)周邊10×10個(gè)像元點(diǎn)的均值作為采樣點(diǎn)的光譜反射率值。

1.3.2 植被指數(shù) 遙感圖像上的植被信息，主要通過綠色植物葉子和植被冠層的光譜特性及其差異、變化來(lái)反映。植被指數(shù)是對(duì)植物特定光學(xué)參數(shù)的光譜信息提取，可對(duì)地表作物生長(zhǎng)狀況進(jìn)行快捷有效的定性、定量分析，并可通過增強(qiáng)作物信息，加強(qiáng)作物與土壤、大氣、光照、視場(chǎng)角等干擾信息的反差，減弱干擾信息的表達(dá)，以快速反映作物生長(zhǎng)活力、覆蓋狀況等［12］。

目前，國(guó)內(nèi)外提出的植被指數(shù)已有上百種，可分為3個(gè)發(fā)展階段：早期，未考慮土壤狀況、大氣影響、光照影響、植被與土壤的相互作用，植被指數(shù)是波段的簡(jiǎn)單線性組合，以比值植被指數(shù)（RVI）為代表，受大氣、植物覆蓋率影響較大；中期，綜合了電磁波反射規(guī)律及土壤、大氣、光照、植被的相互影響，對(duì)第一階段植被指數(shù)進(jìn)行改良，提出了基于物理理論的植被指數(shù)，以歸一化植被指數(shù)（NDVI）為代表；近期，針對(duì)高光譜、熱紅外信息提出的植被指數(shù)，如導(dǎo)數(shù)植被指數(shù)（DVI）、生理反射植被指數(shù)（PRI）等［13］。

本研究選用歸一化植被指數(shù)（normailized difference vegetation index，簡(jiǎn)稱NDVI）、土壤調(diào)整植被指數(shù)（soil-adjusted vegetation index，簡(jiǎn)稱SAVI）和冠層葉綠素含量指數(shù)（canopy chlorophyll content index，簡(jiǎn)稱CCCI）對(duì)小麥長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)。

（1）歸一化植被指數(shù)（NDVI）：近紅外波段（NIR）與可見光紅波段（RED）光譜反射率之差與兩者之和的比值。見公式（1）。NDVI的取值范圍是-1～1，一般綠色植被區(qū)的范圍是0.2～1.0。

（2）土壤調(diào)整植被指數(shù)（SAVI）：為了解析背景的光學(xué)特征變化并修正NDVI對(duì)土壤背景的敏感，Huete等［14］提出了可適當(dāng)描述土壤-植被系統(tǒng)的簡(jiǎn)單模型，即土壤調(diào)整植被指數(shù)（SAVI），其表達(dá)式見公式（2）。

式中：L是一個(gè)土壤調(diào)節(jié)系數(shù)。Huete發(fā)現(xiàn)L隨植被濃度變化而變化，因此引入一個(gè)以植被量的先驗(yàn)知識(shí)為基礎(chǔ)的常數(shù)作為L(zhǎng)的調(diào)整值。它由實(shí)際區(qū)域條件決定，用來(lái)減少植被指數(shù)對(duì)不同土壤反射變化的敏感性。當(dāng)L為0時(shí)，SAVI就是NDVI。對(duì)于中等植被覆蓋度區(qū)，L一般接近于0.5。乘法因子（1+L）主要用來(lái)保證最后的SAVI值與NDVI值一樣介于-1.0～1.0之間。本文L取值0.5。

（3）冠層葉綠素含量指數(shù)（CCCI）：CCCI是NDVI的改進(jìn)，它使用紅邊波段代替了紅色波段，從而突出了綠色植被特有的“紅邊”效應(yīng)。其計(jì)算公式見式（3）。CCCI值的范圍是-1.0～1.0，一般綠色植被區(qū)的范圍是0.2～1.0。

1.4 模型構(gòu)建與驗(yàn)證

本研究以NDVI、SAVI、CCCI為自變量，葉片SPAD和地上部干、鮮重為因變量，利用多元回歸分析分別構(gòu)建SPAD、地上部干重、地上部鮮重的多變量監(jiān)測(cè)模型。

本研究中共采集了35個(gè)樣點(diǎn)的數(shù)據(jù)，按3∶2的比例運(yùn)用含量梯度法選出建模集和檢驗(yàn)集。構(gòu)建模型運(yùn)用決定系數(shù)R2、均方根誤差（root mean square error，RMSE）進(jìn)行精度評(píng)價(jià)，R2越大、RMSE越小，模型的準(zhǔn)確性越高。綜合利用建模集R2C、檢驗(yàn)集R2V、RMSE及1∶1圖的斜率Slope確定最優(yōu)模型。模型最優(yōu)解參數(shù)（model optimal solution parameters，簡(jiǎn)稱MOSP）計(jì)算公式如下：

2 結(jié)果與分析

2.1 研究區(qū)域采樣點(diǎn)的光譜曲線分析

濟(jì)陽(yáng)試驗(yàn)區(qū)5個(gè)樣點(diǎn)各時(shí)間段的小麥光譜反射率如圖3所示，可見其符合健康植被的光譜變化趨勢(shì)。各生育時(shí)期，可見光波段475、560、668、717 nm在各時(shí)期光譜反射率均較低，低于0.2；而近紅外波段（840 nm）的光譜反射率變化最大，不僅值最高，而且不同樣點(diǎn)間差異較大。綠色植物在560 nm處的峰值越高，在668 nm處的谷值越低，在840 nm處的反射率越高，說明長(zhǎng)勢(shì)越好。

圖3 不同時(shí)期采樣點(diǎn)的光譜反射率

以第五個(gè)采樣點(diǎn)為例（圖4），分別選取濟(jì)陽(yáng)區(qū)4月29日、5月9日、5月17日、5月24日和5月29日的光譜反射率，比較不同時(shí)間段小麥光譜反射率的變化規(guī)律?？芍?，小麥在4月29日、5月9日、5月17日、5月24日這四個(gè)時(shí)期與5月29日這一時(shí)期光譜不同，可能是因?yàn)?月29日小麥處于開花期，綠葉變黃、變少。

2.2 植被指數(shù)分析

分別基于不同時(shí)間段的小麥無(wú)人機(jī)多光譜影像構(gòu)建歸一化植被指數(shù)（NDVI）、土壤調(diào)整植被指數(shù)（SAVI）和冠層葉綠素含量指數(shù)（CCCI），實(shí)時(shí)監(jiān)測(cè)不同時(shí)間段小麥的長(zhǎng)勢(shì)情況，其中NDVI、SAVI、ARVI值越大，說明作物長(zhǎng)勢(shì)越好。

圖4 同一采樣點(diǎn)不同生育期小麥的光譜反射率

圖5為濟(jì)陽(yáng)區(qū)不同時(shí)間段的NDVI指數(shù)分布圖。NDVI值-1.0～0.2為非植被地物，NDVI值0.2～0.4是小麥長(zhǎng)勢(shì)很差或者綠葉很少，NDVI值0.4～0.6是小麥長(zhǎng)勢(shì)較差或者綠葉較少，NDVI值0.6～0.7是小麥長(zhǎng)勢(shì)一般或者綠葉數(shù)一般，NDVI值0.7～1.0是小麥長(zhǎng)勢(shì)較好。

圖5 濟(jì)陽(yáng)試驗(yàn)區(qū)不同時(shí)間段小麥NDVI分布

圖6為濟(jì)陽(yáng)區(qū)不同時(shí)間段的SAVI指數(shù)分布圖。SAVI值-1.0～0.2為非植被地物，SAVI值0.2～0.4是小麥長(zhǎng)勢(shì)很差或者綠葉很少，SAVI值0.4～0.6是小麥長(zhǎng)勢(shì)較差或者綠葉較少，SAVI值0.6～0.7是小麥長(zhǎng)勢(shì)一般，SAVI值0.7～1.0是小麥長(zhǎng)勢(shì)較好。

圖6 濟(jì)陽(yáng)試驗(yàn)區(qū)不同時(shí)間段小麥SAVI分布

圖7為濟(jì)陽(yáng)區(qū)不同時(shí)間段的CCCI指數(shù)分布圖。CCCI值-1.00～0.20為非植被地物，CCCI值0.20～0.40是小麥長(zhǎng)勢(shì)很差或者綠葉很少，CCCI值0.40～0.55是小麥長(zhǎng)勢(shì)較差或者綠葉較少，CCCI值0.55～0.65是小麥長(zhǎng)勢(shì)一般，CCCI值0.65～1.00是小麥長(zhǎng)勢(shì)較好。

2.3 模型的構(gòu)建與檢驗(yàn)

利用植被指數(shù)（NDVI、SAVI、CCCI）分別構(gòu)建SPAD、地上部干、鮮重的單一指數(shù)監(jiān)測(cè)模型及同時(shí)包含3種植被指數(shù)的多元線性回歸（MLR）模型，并利用獨(dú)立數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。各模型及其決定系數(shù)，檢驗(yàn)集的、RMSE、Slope和模型最優(yōu)解參數(shù)（MOSP）見表1。可知，基于NDVI、SAVI、CCCI三種植被指數(shù)建立的多元線性回歸模型更優(yōu)，其最優(yōu)解參數(shù)（MOSP）值高于僅依賴單一植被指數(shù)構(gòu)建的模型，說明MLR模型精度更高、穩(wěn)定性更好。SPAD值的最佳模型為y=19.765+7.522NDVI+18.362SAVI+25.629CCCI，為0.965；預(yù)測(cè)小麥地上部干重的最佳監(jiān)測(cè)模型為y=-0.508+0.603NDVI+0.325SAVI+0.032CCCI為0.951；預(yù)測(cè)小麥地上部鮮重的最佳模型為y=-2.217+2.923NDVI+2.213SAVI-1.417CCCI，0.766。

圖7 濟(jì)陽(yáng)試驗(yàn)區(qū)不同時(shí)間段小麥CCCI分布

將小麥各指標(biāo)的最佳監(jiān)測(cè)模型反演到無(wú)人機(jī)多光譜影像中，可得到小麥不同生育時(shí)期的SPAD、葉干重、葉鮮重分布圖，據(jù)此可判斷小麥的長(zhǎng)勢(shì)情況，從而為精確施肥、噴藥等提供技術(shù)支撐。

表1 小麥生長(zhǎng)指標(biāo)的監(jiān)測(cè)模型評(píng)價(jià)

3 結(jié)論

本研究以無(wú)人機(jī)多光譜遙感數(shù)據(jù)為基礎(chǔ)，建立了冬小麥全生育期SPAD、地上部干重、地上部鮮重的多變量監(jiān)測(cè)模型。經(jīng)過對(duì)比分析，以NDVI、SAVI、CCCI三種指數(shù)為變量的多元線性回歸模型精度更高、更穩(wěn)定。其中，預(yù)測(cè)小麥SPAD值的最佳模型為y=19.765+7.522NDVI+18.362SAVI+25.629CCCI，R2=0.965；預(yù)測(cè)小麥地上部干重的最佳模型為y=-0.508+0.603NDVI+0.325SAVI+0.032CCCI，R2=0.951；預(yù)測(cè)小麥地上部鮮重的最佳模型為y=-2.217+2.923NDVI+2.213SAVI-1.417CCCI，R2=0.766。本研究結(jié)果可為大面積農(nóng)田小麥長(zhǎng)勢(shì)的實(shí)時(shí)監(jiān)測(cè)和產(chǎn)量估測(cè)提供有效技術(shù)支撐。