陳虹，謝玲，陳林琳

(1. 南通科技職業(yè)學(xué)院，江蘇南通，226001； 2. 南京理工大學(xué)紫金學(xué)院，南京市，210023)

通訊作者：謝玲，女，1984年生，江蘇儀征人，碩士，講師；研究方向為量子通信，自動控制和算法。E-mail: xieling1234@126.com

0 引言

高粱是世界第五大農(nóng)作物，是釀造業(yè)和飼料業(yè)的基礎(chǔ)原料，在我國種植廣泛且近幾年的對外依存度較高[1]。全面并準(zhǔn)確地獲取高粱的生長狀態(tài)信息對指導(dǎo)高粱的生產(chǎn)、精確的預(yù)測產(chǎn)量、評價生產(chǎn)耗能等具有重要的現(xiàn)實意義。

僅通過人力采集的方式獲取農(nóng)作物生長狀態(tài)信息的方法，費時、費力、具有破壞性，已無法滿足大規(guī)模和精準(zhǔn)農(nóng)業(yè)生產(chǎn)的需要[2]?；谛l(wèi)星遙感技術(shù)對農(nóng)作物的監(jiān)測具有快速、無損、監(jiān)測區(qū)域面積廣等優(yōu)勢，應(yīng)用較為廣泛[3]。但是，在對田塊尺度的農(nóng)作物和作物關(guān)鍵生育時期的監(jiān)測時，衛(wèi)星遙感存在的時空分辨率低、易受氣象條件影響等問題[4-5]，限制了其對作物生長監(jiān)測的精度和應(yīng)用范圍。

近些年，配備高光譜相機的無人機遙感技術(shù)，可快速且可低成本的獲取田塊尺度遙感影像。根據(jù)這些具有較高時空分辨率的農(nóng)作物光譜信息，可以更準(zhǔn)確地提取出與作物長勢緊密相關(guān)的波段信息，實現(xiàn)大面積、精準(zhǔn)的估測農(nóng)作物的長勢。文獻[6]根據(jù)無人機采集的冬小麥高清數(shù)碼圖像，建立各個生長階段的作物數(shù)字表面模型及高度模型，實現(xiàn)快速估算冬小麥的株高。文獻[7]以玉米地上干生物量為研究對象，獲取無人機高光譜數(shù)據(jù)后，對比不同人工神經(jīng)網(wǎng)絡(luò)法反演生物量的精度。文獻[8]基于無人機遙感技術(shù)，研究了大田玉米冠層葉綠素含量檢測及分布圖繪制方法，實現(xiàn)田間作物長勢評價和精細化管理。文獻[9]基于微小無人機遙感平臺采集獼猴桃試驗區(qū)的可見光遙感影像，經(jīng)和地面實測數(shù)據(jù)對比，得出獼猴桃覆蓋度可反映獼猴桃的長勢信息的結(jié)論。文獻[10]提出了基于可見光遙感影像的棉花苗情提取方法，經(jīng)過和實測數(shù)據(jù)對比，驗證了該方法的時效性和精確性。文獻[11]利用無人機拍攝夏季玉米各生長階段的可見光圖像，選擇三種植被指數(shù)，對比通過時序交點閾值法和最大熵閾值法提取玉米的植被覆蓋度信息的精度。總之，與衛(wèi)星和有人駕駛飛機等遙感平臺相比，無人機平臺在農(nóng)作物監(jiān)測方面具有明顯的成本和精度優(yōu)勢。

以上研究利用無人機遙感技術(shù)，實現(xiàn)對不同農(nóng)作物的生長狀態(tài)的監(jiān)測，但是還未有利用無人機遙感技術(shù)對高粱生長狀態(tài)的監(jiān)測研究。本文以南通市農(nóng)業(yè)研究實驗基地種植的高粱為研究對象，選取可反應(yīng)農(nóng)作物長勢的葉面積指數(shù)(Leaf Area Index，LAI)[12]、植被覆蓋度(Fractional Vegetation Cover，F(xiàn)VC)[13]為高粱生長參數(shù)的指標(biāo)，通過多旋翼無人機平臺獲取高粱不同生長階段的遙感圖像，在建立4種典型植被指數(shù)和高粱生長參數(shù)LAI和FVC的經(jīng)驗統(tǒng)計回歸模型，確定適用于反應(yīng)高粱長勢的最優(yōu)植被指數(shù)；然后，對比實測和通過無人機遙感圖像獲得的LAI和FVC值，評估無人機遙感評價農(nóng)作物長勢的準(zhǔn)確性。

1 材料與方法

1.1 研究區(qū)概況

試驗于2019年在南通市農(nóng)業(yè)研究實驗基地進行，基地地勢平坦，土壤類型草甸黑土，土壤質(zhì)地黏重，前茬大豆，秋整地。高粱品種為紅糯16，每公頃的保苗株數(shù)為25萬株，播種同時施入種肥300 kg/hm2(氮∶磷∶鉀=23∶10∶12)。施肥、防蟲滅草等均按當(dāng)?shù)厣a(chǎn)進行，播種及各項農(nóng)事活動均在同一天內(nèi)完成。

1.2 數(shù)據(jù)獲取

1.2.1 無人機遙感數(shù)據(jù)

本研究采用大疆經(jīng)緯M200系列無人機，搭載RedEdge-MX型5通道多光譜相機。相機在120 m的飛行高度時，分辨率(GDS)為8 cm，可采集藍、綠、紅、紅邊、近紅外5個光譜波段。在高粱播種到成熟的過程中，選取3個主要生育期開展無人機遙感作業(yè)，選擇太陽光強度穩(wěn)定、天氣晴朗無云的天氣，10：00～14：00獲取遙感圖像，試驗日期與對應(yīng)的生育期如表1所示。3次無人機作業(yè)時采取同一航線，飛行時間約為20 min，飛行高度為120 m。

表1 無人機遙感圖像獲取時間及對應(yīng)的生育期Tab. 1 Acquisition time of UAV remote sensing image and

1.2.2 地面數(shù)據(jù)采集

地面數(shù)據(jù)采集工作與無人機空中作業(yè)在同一天同一時間段開展，利用美國ALI-COR LAI-2200C植物冠層分析儀，完成研究區(qū)域內(nèi)的高粱葉面積指數(shù)LAI的測量。同時，將數(shù)碼相機安裝在桿子上，在距離地面約3 m的高度俯拍高粱冠層的圖片，每個拍攝點至少拍攝3張照片。

1.3 數(shù)據(jù)處理

對無人機采集的多光譜圖像，首先采用Pix4Dmapper圖像軟件將單個圖像拼接成研究區(qū)域整體的圖像。再使用ENVI(The Environment for Visualizing Images)遙感圖像處理軟件進行輻射定標(biāo)，采用偽標(biāo)準(zhǔn)地物輻射糾正法，通過建立地面實測反射率和地面實際反射系數(shù)之間的線性關(guān)系來實現(xiàn)輻射定標(biāo)。在試驗田周邊布置兩個標(biāo)稱反射率為0.03和0.22的3 m×3 m航拍實驗標(biāo)準(zhǔn)反射率參考板。

使用ENVI軟件從無人機圖像中提取與標(biāo)準(zhǔn)參考板相對應(yīng)的DN值。利用各光譜波段的參考板DN值和已知的校準(zhǔn)參考板反射率值建立了線性回歸方程，將無人機圖像的DN值轉(zhuǎn)換為輻射定標(biāo)后的反射率。

ρ(x,y,i)=ai×DN(x,y,i)+bi

式中：ρ(x,y,i)——光譜帶i中像素(x，y)的輻射定標(biāo)后的反射率；

DN(x,y,i)——光譜帶i中像素(x，y)的DN值；

ai、bi——光譜帶i的線性回歸模型的斜率和截距。

無人機多光譜影像的輻射定標(biāo)需要單獨提取綠、紅、紅邊和近紅外波段影像的白色參考板DN值，依次分別進行單波段影像的輻射校正。最后，對經(jīng)過輻射定標(biāo)的綠、紅、紅邊和近紅外波段影像進行波段合成處理，得到多光譜影像合成數(shù)據(jù)。

對于地面采集的圖像，在采用Adobe Photoshop軟件處理高粱冠層圖片后，將照片導(dǎo)入ENVI軟件以估算植被覆蓋度FVC值。具體的計算過程為：首先利用“maximum likehood”函數(shù)，將每幅圖像分為有植被和無植被兩類。然后，使用“quick stats”函數(shù)確定植被區(qū)域中的像素數(shù)。將植被部分的像素數(shù)除以圖像的像素總數(shù)，估算出每幅植被圖像的FVC值。

1.4 植被指數(shù)的選取

在輻射定標(biāo)后，結(jié)合無人機遙感平臺，如表2所示，選擇4種常用的植被指數(shù)用于高粱LAI和FVC反演模型的構(gòu)建，利用ENVI軟件中的自帶函數(shù)計算植被指數(shù)。

表2 選取的植被指數(shù)和計算公式Tab. 2 Vegetation index and calculation formula

1.5 統(tǒng)計分析

使用驗證數(shù)據(jù)集分析回歸模型的準(zhǔn)確性，選用評價指標(biāo)：決定系數(shù)R2、均方根誤差RMSE、平均絕對誤差MAPE評價回歸模型的精度。此外，使用T檢驗確定估測模型是否能夠以合理的精度預(yù)測高粱的FVC和LAI，如果斜率值與1無顯著性差異，截距值與0無顯著性差異，則可以得出回歸模型與直線y=x無顯著性差異的結(jié)論，即估測模型可以實現(xiàn)高精度的預(yù)測。

2 結(jié)果和分析

2.1 最優(yōu)估測植被指數(shù)

通過對比分析NDVI、綠色NDVI、RVI和WDRVI植被指數(shù)和高粱的LAI和FVC相關(guān)性，確定最優(yōu)的估測植被指數(shù)。從50幅無人機圖像中提取數(shù)據(jù)點構(gòu)建樣本數(shù)據(jù)集，隨機選擇2/3的樣本數(shù)據(jù)作為訓(xùn)練集與多光譜反射率影像建模，選擇指數(shù)回歸(Exponential Regression，ER)和線性回歸(Linear Regression，LR)分別構(gòu)建高粱LAI和FVC的估測模型。剩余的1/3樣本數(shù)據(jù)作為驗證集，評價回歸模型的性能，得到的LAI和FVC的4種植被指數(shù)的最佳擬合函數(shù)和評價指標(biāo)分別如表3和表4所示。

表3 植被指數(shù)和葉面積指數(shù)的回歸模型Tab. 3 Regression model of vegetation index and LAI

表4 植被指數(shù)與植被覆蓋度的回歸模型Tab. 4 Regression model of vegetation index and FVC

從表3和表4可得，NDVI構(gòu)建LAI和FVC的估算模型的精度和效果要優(yōu)于其他植被指數(shù)。相比于其他3種植被指數(shù)，LAI-NDVI和FVC-NDVI估算模型的決定系數(shù)R2值最高(0.91，0.88)且均方根誤差RMSE(0.28，0.06)和平均絕對誤差MAPE(11%，8%)最低。WDRVI的表現(xiàn)優(yōu)于綠色NDVI和RVI，但該指數(shù)的R2較低，RMSE和MAPE較高，與其他植被指數(shù)相比RVI顯示準(zhǔn)確性最低。由于NDVI與高粱作物的LAI和FVC的相關(guān)性最大，所以選擇NDVI指數(shù)進行下一步的詳細研究。

2.2 無人機遙感圖像預(yù)測LAI精度評價

根據(jù)訓(xùn)練數(shù)據(jù)集繪制NDVI和LAI之間的函數(shù)關(guān)系如圖1所示。

圖1 植被指數(shù)NDVI與葉面積指數(shù)的函數(shù)關(guān)系Fig. 1 Functional relationship between NDVI and LAI

由圖1可以看出，在圖像采集期間，高粱的LAI值集中在0.2～3.0的范圍內(nèi)。但當(dāng)LAI>2.5時，NDVI不會發(fā)生明顯的變化，保持在0.9左右。該結(jié)果與參考文獻[18-19]研究的結(jié)果較為一致：LAI的繼續(xù)增大不會顯著影響植物紅光波段吸收和反射，所以NDVI不會隨著高粱葉面積的增大而變化。該現(xiàn)象的主要原因是：對于多數(shù)農(nóng)作物，在LAI≥2.5，吸收峰高于95%時，紅光波段的冠層反射率小于5%[20]。

為了評估根據(jù)無人機遙感圖像得到的NDVI與LAI經(jīng)驗關(guān)系的可行性和準(zhǔn)確性，對實測的LAI數(shù)據(jù)和通過無人機遙感數(shù)據(jù)得到的LAI的預(yù)測回歸模型進行交叉驗證，得到的結(jié)果如圖2所示。圖2中虛線為函數(shù)y=x，實線為葉面積指數(shù)實測值和預(yù)測值之間的最小二乘線性回歸方程。

圖2 無人機遙感圖像預(yù)測葉面積指數(shù)效果圖Fig. 2 Prediction of LAI results from UAV remote sensing images

由圖2可以看出，根據(jù)無人機圖像得到的預(yù)測值和實測LAI值之間具有較好的擬合性，決定系數(shù)R2=0.94，RMSE=0.16，MAPE=13%。通過最小二乘法得到的回歸方程y=0.95x+0.06與實測數(shù)據(jù)之間的方差為0.95。T檢驗結(jié)果顯示：回歸方程的斜率與1無顯著性差異(p=0.14)，截距與0無顯著性差異(p=0.15)，即回歸方程與方程y=x沒有顯著差異。統(tǒng)計分析表明，根據(jù)遙感圖像構(gòu)建NDVI和LAI的線性模型LAI=0.14e3.4×NDVI能夠?qū)Ω吡坏娜~面積指數(shù)LAI進行準(zhǔn)確的預(yù)測。

2.3 無人機遙感圖像預(yù)測FVC精度評價

繪制訓(xùn)練數(shù)據(jù)集的NDVI和FVC之間的函數(shù)關(guān)系，如圖3所示。

圖3 植被指數(shù)NDVI與植被覆蓋度的函數(shù)關(guān)系Fig. 3 Functional relationship between NDVI and FVC

根據(jù)圖3可得，與NDVI和LAI關(guān)系不同，NDVI和FVC呈現(xiàn)線性關(guān)系(R2=0.90)，F(xiàn)VC集中的分布在0.6～0.9之間。與前文的分析方法相同，使用NDVI-FVC的回歸模型對實測的FVC和根據(jù)無人機遙感圖像推算得到的FVC進行交叉驗證，得到驗證結(jié)果如圖4所示。圖4中虛線為函數(shù)y=x，實線為植被覆蓋度實測值和預(yù)測值之間的最小二乘線性回歸方程。

圖4 無人機遙感圖像預(yù)測植被覆蓋度效果Fig. 4 Prediction of FVC results from UAV remote sensing images

由圖4可以看出，根據(jù)無人機圖像得到的預(yù)測值和實測FVC值之間具有較好的擬合性，決定系數(shù)R2=0.90，RMSE=0.05，MAPE=4%。T檢驗結(jié)果顯示，回歸方程的斜率與1無顯著性差異(p=0.07)，截距與0無顯著性差異(p=0.05)，即回歸方程與方程y=x沒有顯著差異。統(tǒng)計分析表明，根據(jù)遙感圖像構(gòu)建NDVI和FVC的線性模型FVC=1.07NDVI-0.16能夠?qū)Ω吡坏闹脖桓采w度FVC進行準(zhǔn)確的預(yù)測。

2.4 無人機遙感圖像預(yù)測LAI-FVC之間的關(guān)系

根據(jù)FVC和LAI的實測值，繪制兩者的函數(shù)關(guān)系如圖5所示。

圖5 LAI-FVC實測值函數(shù)關(guān)系Fig. 5 Functional relationship of measured values of LAI-FVC

從圖5可以看出，LAI-FVC之間呈現(xiàn)曲線相關(guān)，在LAI<1.5時，如圖6中虛線所示，LAI-FVC之間呈現(xiàn)線性的關(guān)系；當(dāng)LAI>1.5時，LAI-FVC之間的曲線關(guān)系較為明顯。當(dāng)高粱冠層的LAI值達到約2.5時，植被覆蓋了約70%的地面面積。在LAI大于2.5后，葉面積的繼續(xù)增大，并沒有引起植被覆蓋度的變化。因此，當(dāng)?shù)貕K的植被覆蓋度較高時，雖然LAI仍可能增加，但其NDVI值基本不變。

3 結(jié)論

本研究利用無人機多光譜遙感系統(tǒng)建立了植被指數(shù)和高粱LAI、FVC之間的回歸模型，并預(yù)測其精度，結(jié)果表明，通過無人機遙感技術(shù)可以精確、可靠地預(yù)測高粱作物的生長狀態(tài)。

1) 歸一化差異植被指數(shù)NDVI為反應(yīng)高粱長勢最優(yōu)的植被指數(shù)，通過無人機遙感圖像得到的NDVI值估計高粱的LAI和FVC的魯棒性較好。LAI-NDVI和FVC-NDVI估算模型的R2值最高(0.91，0.88)，且RMSE(0.28，0.06)和MAPE(11%，8%)最低。

2) 根據(jù)遙感圖像分別構(gòu)建NDVI和LAI及FVC的線性模型LAI=0.14e3.4×NDVI和FVC=1.07NDVI-0.16能夠準(zhǔn)確預(yù)測高粱的LAI值和FVC值。

3) 在高粱生長季的后期LAI>2.5時，由于NDVI飽和度問題會降低其對LAI預(yù)測效果。