閆春雨,黎文華,蘭玉彬,胡傳旭,魯力群,趙靜*

(1.山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院,山東 淄博 255049;2.山東理工大學(xué)國際精準農(nóng)業(yè)航空應(yīng)用技術(shù)研究中心,山東 淄博 255049;3.山東理工大學(xué)交通與車輛工程學(xué)院,山東 淄博 255049)

棉花是我國重要的經(jīng)濟作物,是我國1億棉農(nóng)的主要收入來源[1]。機械化采棉技術(shù)大大減少了對人工采棉的勞動力需求,為保證機采棉的順利完成,需噴施棉花脫葉劑[2]。棉花脫葉劑能夠起到脫葉、脫水,催熟、吐絮和防止棉葉二次生長的作用,為機械收獲提供便利,尤其是還能促使貪青晚熟的棉花提前成熟,如果脫葉催熟環(huán)節(jié)出了問題,將會直接影響棉花采收的效率和質(zhì)量[3]。目前,急需無人機施藥技術(shù)及遙感監(jiān)測技術(shù),能完成對棉花噴施脫葉劑和監(jiān)測棉花脫葉效果,降低人工勞動強度。植保無人機施藥技術(shù)憑借成本低、效率高和對棉株損傷小等優(yōu)點,越來越多地受到廣大棉農(nóng)的青睞,逐漸取代傳統(tǒng)噴藥技術(shù)[4-7]。無論是使用地面植保機械,還是植保無人機噴灑棉花脫葉劑都需要對噴灑效果進行調(diào)查,確定是否需要多次噴施脫葉劑以及脫葉劑的施用量。傳統(tǒng)的調(diào)查脫葉效果的方式主要是人工調(diào)查,調(diào)查時需人工逐一定點定株定期查數(shù)統(tǒng)計棉株全部棉葉、剩余棉葉、未開棉桃及吐絮棉桃數(shù)量,費時費力且存在漏數(shù)和錯數(shù)的情況;同時在調(diào)查大面積棉田時,由于人的視野范圍有限,并不能精確掌握棉花脫葉的真實情況,主觀影響較大。

植被覆蓋度是指植被(包括葉、莖、枝)在地面的垂直投影面積占統(tǒng)計區(qū)總面積的比例,在一定程度上表征了植被的生長狀況[8-10]。無人機遙感技術(shù)憑借其機動靈活,獲取的圖像時空分辨率高和成本較低等優(yōu)點在作物植被覆蓋度方面有著非常廣泛的應(yīng)用[11]。牛亞曉等[12]使用數(shù)碼相機和無人機獲取棉花可見光圖像,利用棉花植被與非植被像元在不同顏色通道上的差異性,對苗期和蕾期的棉花覆蓋度進行提取,結(jié)果表明在a通道提取的固定閾值更適合用于棉花植被覆蓋度的提取;汪小欽等[13]通過分析無人機獲取的可見光圖像中植被和非植被的光譜差異,構(gòu)建了用于提取可見光圖像中植被覆蓋度的可見光波段差異植被指數(shù)(VDVI);李冰等[14]以冬小麥為研究對象,結(jié)合基于時間序列和植被指數(shù)閾值法對冬小麥覆蓋度進行了提取;魏青等[15]通過采用不同多光譜植被指數(shù)與決策樹分類結(jié)合的方法,對兩期無人機多光譜影像中的小麥、果樹和大棚面積進行提取,最大提取誤差不超過17%。以上研究都表明使用無人機遙感影像進行地物識別是可行的。

在變量施藥研究方面,國外一些科研機構(gòu)較早就開始研發(fā)航空變量施藥監(jiān)測技術(shù),Wingman GX空中噴灑管理系統(tǒng)具有較廣的使用范圍,能夠提供基本的變量控制與飛行指導(dǎo)等功能[16]。王大帥等[17]利用脈寬調(diào)制(pulse width modulation,PWM)變量施藥方法實現(xiàn)了單旋翼無人機飛行速度與施藥量之間的匹配;邢航等[18]研發(fā)了可以在PC端和手機端進行在線調(diào)節(jié)噴灑流量及監(jiān)控噴灑流量、飛行等參數(shù),能滿足變量噴灑地面監(jiān)控系統(tǒng)的基本需求;王玲等[19]研發(fā)的無人機變量施藥系統(tǒng),需基于經(jīng)驗的人為調(diào)控方式,難以保證施藥的精準性。以上學(xué)者雖實現(xiàn)了變量施藥,但未生成處方圖并按照處方圖進行變量施藥。

目前利用無人機遙感技術(shù)監(jiān)測棉花脫葉效果的研究鮮有報道。本文利用無人機遙感技術(shù)和植被覆蓋度提取方法,對棉花噴灑脫葉劑前、后的棉田進行監(jiān)測;利用最優(yōu)監(jiān)測方法提取多光譜圖像中的棉花植被信息,制作變量施藥處方圖,指導(dǎo)脫葉劑噴施,推動精準農(nóng)業(yè)航空遙感技術(shù)在我國棉花田間管理方面的應(yīng)用,助力我國棉花種植業(yè)更好的發(fā)展。

1 材料與方法

1.1 研究區(qū)概況

2020年9—10月,于山東省濱州市濱城區(qū)楊柳雪鎮(zhèn)棉花基地(37°27′29″N,117°57′01″E)進行了棉花脫葉效果監(jiān)測試驗。試驗地為鹽堿土,多年棉花連作,前茬為棉花。

1.2 試驗方案

用于試驗的棉花品種為‘中棉100’,由濱州市農(nóng)喜合作社提供,播種時間為2020年4月20日,行距為76 cm,7月25日進行化學(xué)打頂。試驗設(shè)置3個處理:處理1所使用的脫葉劑是由中國農(nóng)業(yè)大學(xué)提供的欣噻利(10%噻苯隆+40%乙烯利懸浮液,助劑是河北國欣諾農(nóng)生物技術(shù)有限公司的“省伴”牌增效助劑),處理2所使用的脫葉劑是由新疆鐵漫植保團隊提供的北極風(fēng)(脫葉劑為 360 g·L-1的噻苯隆和180 g·L-1的敵草隆懸浮劑,助劑為98%的異癸辛乙氧基酯化物及40%的乙烯利),處理3為對清水對照(CK),每個處理約667 m2,不設(shè)重復(fù)。欣塞利只需配合專用的助劑使用,北極風(fēng)除配合專用助劑,還需配合乙烯利共同使用。由于噻苯隆是弱堿性,而乙烯利是強酸性,因此配藥時需進行二次稀釋。

1.3 數(shù)據(jù)采集及預(yù)處理

1.3.1 多光譜數(shù)據(jù)采集通過多光譜無人機平臺(大疆經(jīng)緯M210 V2無人機、長光禹辰MS600 Pro多光譜相機及Yusense Fly地面站軟件)獲取噴施棉花脫葉劑前2 d(第1次)、第1次噴施后6 d(第2次)、第2次噴施后6 d(第3次)及棉花采收前2 d(第4次)的棉田冠層多光譜圖像。無人機飛行高度為50 m,航向重疊率和旁向重疊率均為75%,無人機飛行速度為5 m·s-1,采集時間為10:00—14:00。多光譜相機參數(shù)如表1所示。

表1 多光譜相機參數(shù)Table 1 Multispectral camera parameters

1.3.2 地面數(shù)據(jù)采集第1次噴施脫葉劑(2020年9月26日)時田間自然吐絮率為50%,采用定點定株掛牌的方式調(diào)查棉花脫葉率及吐絮率,每個處理選擇6個調(diào)查樣區(qū),每個樣區(qū)隨機選擇連續(xù)的10株健壯且長勢一致的棉花(相鄰2行各選擇5株),雙株不參與計算。噴施脫葉劑前2 d采集第1次田間數(shù)據(jù),第1次噴灑后3、5、8、10、13、17、22和27 d各采集1次數(shù)據(jù)。

1.3.3 多光譜數(shù)據(jù)預(yù)處理利用 Pix4Dmapper 軟件對無人機獲取的多光譜圖像進行拼接,生成試驗區(qū)正射圖像。將拼接完成的圖像導(dǎo)入ENVI 5.3軟件中,裁剪出研究區(qū)域(圖1)。

圖1 多光譜圖像的拼接結(jié)果Fig.1 Mosaic results of multispectral images

1.4 多光譜植被指數(shù)提取

植被指數(shù)(vegetation index,VI)能夠反映綠色植被的生長狀況,廣泛用于植被覆蓋、植被分類、作物長勢監(jiān)測和病蟲害監(jiān)測等方面。通過將不同的光譜波段線性或非線性地組合形成不同的植被指數(shù),能夠更有效地減少信息干擾、增強植被光譜信息。本研究選擇了SAVI、DVI、RVI及NDVI 4種常用多光譜植被指數(shù)。DVI對土壤背景的變化極為敏感,適用于低中覆蓋率的植被檢測,可檢測植被生長狀態(tài)和消除部分輻射誤差等。RVI強化了植被在紅外波段和近紅外波段的差異,能增強植被與土壤背景之間的輻射差異,常用于估算植物生物量和植被覆蓋度。NDVI是植物生長狀態(tài)及植被空間密度的最佳指示因子,減少了地形地貌因子的干擾,可用于監(jiān)測植被變化和生態(tài)環(huán)境變化等。SAVI能將NDVI固有的土壤“噪聲”減到最小,常用于干旱監(jiān)測和植被覆蓋度檢測。各植被指數(shù)計算公式如表2所示。

表2 多光譜植被指數(shù)Table 2 Multispectral vegetation index

1.5 基于多光譜無人機遙感的棉花脫葉效果監(jiān)測

1.5.1 基于最大熵閾值法監(jiān)測棉花脫葉效果熵是信息論中一個極其重要的概念。用于確定隨機數(shù)據(jù)源中包含的信息量,屬于統(tǒng)計測量方法,按照公式(1)計算熵值:

(1)

式中:H(I)是圖像的熵;Pi表示圖像I中像素灰度值為i的概率;n為圖像灰度級數(shù)。直方圖分為背景(土壤及已脫棉葉等)和目標(待脫棉葉)2部分,對圖像直方圖進行統(tǒng)計,兩者的總熵最大時對應(yīng)的像素值就是最大熵閾值分割法的閾值。

通過ENVI 5.3軟件中圖像熵統(tǒng)計工具,分別統(tǒng)計4次圖像中4種多光譜植被指數(shù)的最大熵信息,提取統(tǒng)計結(jié)果中最大熵的均值作為棉花脫葉劑信息提取閾值。大于閾值的部分為植被像素,小于閾值的部分為土壤像素,對研究區(qū)內(nèi)的棉花像素數(shù)與土壤像素數(shù)進行統(tǒng)計,按照公式(2)計算棉葉覆蓋度。

FC=P棉花/(P棉花+P土壤)×100%

(2)

式中:FC為棉葉覆蓋度;P棉花為棉花像素統(tǒng)計結(jié)果;P土壤為土壤像素統(tǒng)計結(jié)果。

1.5.2 基于植被指數(shù)閾值法監(jiān)測棉花脫葉效果植被指數(shù)閾值法是將樣本統(tǒng)計法與植被指數(shù)時序圖交點法的結(jié)合。樣本統(tǒng)計法是在統(tǒng)計分析人工目視解譯的結(jié)果后確定提取閾值,植被指數(shù)時序圖交點法認為試驗區(qū)域圖像包含植被像元和非植被像元2部分。隨著棉花脫葉劑的作用,試驗田內(nèi)的棉花葉片不斷變黃、脫落,棉花植被像元數(shù)不斷減少,落葉、土壤等非植被像元數(shù)不斷增加,增加量為棉花植被像元減少的像元數(shù)。

統(tǒng)計4次多光譜圖像分類結(jié)果中土壤和棉花植被的4種多光譜植被指數(shù)數(shù)值,以像元統(tǒng)計個數(shù)為縱坐標,以棉花植被與土壤的植被指數(shù)數(shù)值為橫坐標,繪制出棉花植被和土壤的統(tǒng)計直方圖。記錄所選多光譜植被指數(shù)直方圖中棉花植被和土壤的交點,將其作為棉花植被和土壤背景的分類閾值,大于植被指數(shù)閾值的部分為棉花植被像元,小于閾值的部分為土壤像元。按照公式(2)進行脫葉信息計算。

1.5.3 精度評價及方法驗證支持向量機(support vector machine,SVM)是一種用于分類和回歸分析的有監(jiān)督學(xué)習(xí)模型。它能有效解決高維、小樣本、線性和非線性問題,具有較強的泛化能力。牛亞曉等[8]使用SVM分類結(jié)果作為真值對提取的棉花覆蓋度進行評價,結(jié)果表明SVM具有較好的分類結(jié)果。在使用SVM監(jiān)督分類的過程中,為提高分類精度需要選擇較多的樣本用于訓(xùn)練,選取大量的樣本需要消耗較多的人力,同時由于樣本數(shù)量的增加,在分類時會消耗大量的計算機硬件資源,如內(nèi)存、CPU和顯卡等。最大熵閾值法和植被指數(shù)閾值法相比較于SVM監(jiān)督分類方法,具有易操作、計算耗時短和人工參與少等優(yōu)點,因此,本文通過ENVI 5.3軟件進行SVM監(jiān)督分類,利用混淆矩陣對SVM監(jiān)督分類的結(jié)果進行驗證。具體的分類流程如圖2所示,并以此作為棉花脫葉信息真值,對最大熵閾值法和基于植被指數(shù)閾值法提取的棉花脫葉信息進行驗證。

圖2 SVM監(jiān)督分類流程圖Fig.2 Flow chart of SVM supervised classification

根據(jù)公式(3)計算提取誤差,去除提取誤差較大的結(jié)果后,選擇均方根誤差(RMSE)和決定系數(shù)(R2)評價模型精度。R2越接近1且RMSE越小表明模型效果越好。R2、RMSE計算公式如(4)和(5)所示。

(3)

式中:FC提取誤差表示提取誤差;FC真值為SVM提取的結(jié)果,即真值;FC預(yù)測為通過不同模型提取的結(jié)果。

(4)

(5)

1.6 施藥處方圖生成方法

常規(guī)無人機噴灑棉花脫葉劑一般為2次,中間間隔為6～10 d,并且2次噴灑均為定量噴灑。在施藥過程中,輕則起不到脫葉的效果,重則造成減產(chǎn)和品質(zhì)下降,且過度使用農(nóng)藥會對土壤、周邊作物及環(huán)境造成危害,還會造成經(jīng)濟損失。相關(guān)調(diào)查研究顯示,中國的農(nóng)藥浪費率達70%～80%[24]。因此,本研究利用最優(yōu)監(jiān)測模型提取第2次獲取的棉田多光譜圖像中未脫棉葉信息,對圖像進行二值化、柵格化、重采樣等處理后,將圖像中的棉葉信息轉(zhuǎn)換成施藥量,最終生成施藥處方圖,進而實現(xiàn)精準變量施藥,具體研究方法如圖3所示。

圖3 研究方法流程Fig.3 Flow chart of research method

圖像重采樣可將高分辨率圖像重采樣為低分辨率圖像,也可將低分辨率圖像重采樣為高分辨率圖像。常用的方法有最鄰近內(nèi)插法、雙線性內(nèi)插法、三次卷積法等,本文選用最近鄰內(nèi)插法結(jié)合植保無人機的噴幅進行重采樣,依次對單個像素塊圖像中的綠色像素和黑色像素比例進行統(tǒng)計,綠色像素代表需要噴灑脫葉劑,根據(jù)綠色像素比例轉(zhuǎn)換為施藥量,按照5個等級(0～0.2為1級,0.2～0.4為2級,0.4～0.6為3級,0.6～0.8為4級,0.8～1.0為5級)進行重采樣,圖4為0.05、0.5和1 m的重采樣結(jié)果。使用大疆T20植保無人機按照處方圖進行施藥,噴施棉花脫葉劑的參數(shù)為:飛行高度2 m、噴幅5 m、飛行速度5 m·s-1。通過計算采收前棉田多光譜影像中的棉葉比例來評價生成處方圖的效果。

圖4 不同分辨率重采樣結(jié)果Fig.4 Resampling results at different resolutions

2 結(jié)果與分析

2.1 基于最大熵閾值法的監(jiān)測結(jié)果

基于多光譜最大熵閾值法提取的棉花脫葉覆蓋度(脫葉信息)驗證結(jié)果如表3所示,已剔除提取誤差較大的結(jié)果。從表3可知:剔除提取誤差較大結(jié)果后,基于RVI840與RVI940特征的最大熵閾值法提取的棉葉信息結(jié)果較好,通過對比兩者提取結(jié)果的RMSE和R2,最終確定基于RVI940特征的最大熵閾值法提取結(jié)果最優(yōu),該方法提取的4次棉葉覆蓋度為55.44%、51.28%、45.56%和43.39%,提取結(jié)果如圖5所示。

表3 基于最大熵閾值法提取的覆蓋度驗證結(jié)果Table 3 Verification results of coverage extracted based on maximum entropy threshold method

圖5 基于最大熵閾值法(RVI940)的4次分類結(jié)果Fig.5 Four classification results based on maximum entropy threshold method(RVI940)

2.2 基于植被指數(shù)閾值法的監(jiān)測結(jié)果

基于多光譜植被指數(shù)閾值法提取的棉花脫葉信息驗證結(jié)果如表4所示,已剔除提取誤差較大的結(jié)果。從表4可知:剔除提取誤差較大結(jié)果后,基于SAVI940與SAVI840特征的植被指數(shù)閾值法提取結(jié)果較好,通過對比兩者提取結(jié)果的RMSE和R2,確定基于SAVI840特征的植被指數(shù)閾值法提取的結(jié)果最優(yōu),該方法提取的4次棉葉覆蓋度為64.61%、62.58%、34.98%、28.84%,提取結(jié)果如圖6所示。

表4 基于植被指數(shù)閾值法提取的覆蓋度驗證結(jié)果Table 4 Verification results of coverage extracted by vegetation index threshold method

圖6 基于植被指數(shù)閾值法(SAVI840)的4次分類結(jié)果Fig.6 Four classification results based on vegetation index threshold method(SAVI840)

2.3 2種監(jiān)測方法的精度評價

通過目視解譯的方式在棉花噴施脫葉劑前、后獲取的4個時期的多光譜圖像中各選取80個土壤分類樣本和棉花植被分類樣本進行SVM監(jiān)督分類,選取60個棉花樣本和土壤樣本作為驗證集對SVM監(jiān)督分類結(jié)果進行混淆矩陣驗證,分類核函數(shù)為RBF函數(shù),分類評價結(jié)果采用Kappa系數(shù)和總體分類精度來評價。棉花4個時期多光譜影像的混淆矩陣精度驗證結(jié)果如表5所示,通過混淆矩陣的驗證結(jié)果可知SVM監(jiān)督分類結(jié)果較好,可用作真值?；赟VM分類后的圖像均為土壤和棉花2類,使用ENVI 5.3軟件的Statistics for all classes工具對4期圖像中的棉花(葉)信息進行統(tǒng)計,4次結(jié)果分別為67.03%、62.41%、45.23%和27.92%,提取的棉葉覆蓋信息變化符合棉花脫葉過程棉葉減少的情況,提取結(jié)果如圖7所示。

表5 棉花4個時期的支持向量機分類精度混淆矩陣驗證結(jié)果Table 5 Verification results of the confusion matrix accuracy of support vector machine(SVM) classification in four periods of cotton

圖7 支持向量機提取的結(jié)果Fig.7 SMV extraction results

表6 基于SAVI840植被指數(shù)閾值法的棉花脫葉 效果監(jiān)測模型

通過對比2種監(jiān)測方法提取結(jié)果的RMSE和R2可知,基于SAVI840指數(shù)閾值法提取4個時期的棉葉覆蓋信息結(jié)果優(yōu)于基于RVI940特征的最大熵閾值法提取結(jié)果,能夠較準確提取棉花脫葉信息,可用于監(jiān)測棉花脫葉效果。將基于SAVI840指數(shù)閾值法提取的結(jié)果作為預(yù)測值,將人工調(diào)查獲取的4次棉葉數(shù)(18 780、15 687、9 794和5 924)作為真值進一步確定出最佳監(jiān)測模型,監(jiān)測模型如表6所示,在已選擇的監(jiān)測模型中,對數(shù)模型的R2最高。

2.4 施藥處方圖生成結(jié)果

2.4.1 施藥處方圖生成結(jié)果使用ENVI軟件裁剪出研究區(qū)第2次獲取的棉田多光譜正射圖像,利用本文最佳提取棉葉覆蓋度的方法提取試驗區(qū)棉葉信息,圖8為提取后的圖像,圖中僅含有棉花植被(深綠色)與土壤(白色)2類。通過本文的處方圖生成方法得到精準施藥處方圖(圖9),施藥量與重采樣等級匹配,0～0.2為1.4 L·min-1,以此類推,最高0.8～1.0為1.8 L·min-1。

圖8 棉葉信息提取結(jié)果Fig.8 Extraction results of cotton leaf information

圖9 精準施藥處方圖Fig.9 Prescription diagram of precise application

2.4.2 田間噴灑試驗及驗證根據(jù)植保無人機噴幅及能夠合并最低藥量的區(qū)域修正精準施藥處方圖(圖10),并基于修正后的處方圖進行施藥。圖11為采收當天獲取的棉田冠層多光譜圖像提取的棉葉信息結(jié)果圖,白色區(qū)域為已脫葉,黑色區(qū)域為未脫棉葉。使用ENVI 5.3軟件的Statistics for all classes功能統(tǒng)計圖8與圖11中待脫棉葉的比例,脫葉完成度從65.03%提高到了96.84%,說明基于本研究構(gòu)建的變量施藥處方圖進行變量噴施,可有效降低施藥量并提高棉花脫葉率。

圖10 修正后的處方圖Fig.10 Modified prescription chart

圖11 采收當天棉花植被提取結(jié)果圖Fig.11 Results of cotton vegetation extraction on the day of harvest

常規(guī)噴施棉花脫葉劑時,整塊試驗田需要按照1.8 L·min-1的施藥量噴施,不僅浪費農(nóng)藥,而且可能造成棉葉焦而不落。由于試驗設(shè)備不能進行超高精細化自動變量噴灑,本研究使用修正后的處方圖進行變量施藥,試驗田面積為3 740 m2,對按照修正前處方圖(理想施藥量為4.117 L·667 m-2)、修正后處方圖(本文提出的變量施藥方法的施藥量為4.465 L·667 m-2)及常規(guī)定量施藥(施藥量為4.821 L·667 m-2)的施藥量進行計算,與常規(guī)施藥方式相比,本文提出的變量施藥方法節(jié)藥7.39%,理想變量施藥方法節(jié)藥14.61%。

3 結(jié)論

針對傳統(tǒng)棉花脫葉效果監(jiān)測存在的問題,通過獲取棉田多光譜正射影像,利用最大熵閾值法和植被指數(shù)閾值法提取植被覆蓋度(待脫棉葉信息),根據(jù)提取的棉田植被覆蓋度與棉花脫葉率關(guān)系,生成脫葉劑變量噴施處方圖。結(jié)合無人機實際噴幅和噴藥量進行處方圖修正,基于修正后的處方圖進行變量噴施,并對噴施后的脫葉效果進行了評價。

1)在棉花脫葉過程中,SAVI840波段對棉葉變化最敏感,該波段結(jié)合植被指數(shù)閾值法提取棉葉信息精度最佳;利用R2和RMSE確定了基于SAVI840波段的植被指數(shù)閾值法監(jiān)測棉花脫葉效果最好(R2為0.96),可代替人工監(jiān)測棉花脫葉效果。

2)利用最優(yōu)監(jiān)測模型提取棉田多光譜圖像中未脫棉葉信息并進行處理,生成脫葉劑變量噴施處方圖。試驗結(jié)果表明,與常規(guī)施藥方式相比,基于處方圖的變量噴施可節(jié)約7.39%的脫葉劑用量,有效降低施藥量并提高了棉花脫葉率。