于鐵龍 楊蘭 張婷婷 劉龍 宮華澤 包永輝

摘要：【目的】通過對水稻全生育期近地空農(nóng)情遙感精準監(jiān)測應(yīng)用，在近地空尺度采集農(nóng)田及水稻全生育周期冠層高分辨率光譜及影像，反演土壤及農(nóng)作物全生育周期關(guān)鍵農(nóng)情信息，實現(xiàn)農(nóng)作物無損、便攜、精準、低成本監(jiān)測和種植端數(shù)字化溯源，農(nóng)田全過程管理的數(shù)字化和可視化，為進一步農(nóng)業(yè)數(shù)字化工作提供科學(xué)指導(dǎo)。【方法】通過采集水稻全周期（分蘗期、拔節(jié)期、孕穗期、揚花期、灌漿期、結(jié)實期）田塊、冠層高分辨率的光譜及影像數(shù)據(jù)，利用農(nóng)情遙感監(jiān)測模型和人工智能算法反演土壤平整度、土壤墑情、土壤肥力、苗情、作物長勢、病蟲害等級分布、葉面氮含量、產(chǎn)量預(yù)測等數(shù)據(jù)，形成符合農(nóng)場生產(chǎn)需求的全指標監(jiān)測體系。將農(nóng)情監(jiān)測指標部署到“麥芒”數(shù)字農(nóng)田平臺，實現(xiàn)SaaS方式的在線運行?！窘Y(jié)果】水稻全生育期農(nóng)情快速監(jiān)測與診斷模型大田應(yīng)用精度≥80%，節(jié)約畝均勞動力成本33%-50%，提高實測作業(yè)效率50%-100%，快速計算土方量節(jié)約工程量20%，精準施肥平均節(jié)約施肥量為22%，對水稻品種及栽培方式給予針對性建議，實現(xiàn)水稻增產(chǎn)5%-8%。【結(jié)論】近地空農(nóng)情監(jiān)測系統(tǒng)已經(jīng)具備了一定的農(nóng)技指導(dǎo)作用，可實現(xiàn)水稻全生長期生長狀況跟蹤和農(nóng)情診斷，提供精準施肥、變量施藥、精準灌溉等方面的數(shù)據(jù)指導(dǎo)，實現(xiàn)種植端溯源；基于遙感監(jiān)測信息實現(xiàn)了從農(nóng)田建檔到土情監(jiān)測，再到耕種管收的全過程數(shù)字化和可視化管理。

關(guān)鍵詞：近地空遙感；農(nóng)情監(jiān)測；“麥芒”數(shù)字農(nóng)田；全生育期；數(shù)字農(nóng)業(yè)

作者簡介：于鐵龍，本科，助理工程師，研究方向：智慧農(nóng)業(yè)，無人機遙感應(yīng)用。Email：3001662490@qq.com

通訊作者：張婷婷，博士，副研究員，研究方向：土壤遙感。

引言

我國農(nóng)業(yè)近年來面臨著發(fā)展瓶頸，不僅面臨著資源（即水資源、土地資源等）價格不斷上升和短缺波動風(fēng)險，同時受制于傳統(tǒng)種植和養(yǎng)殖經(jīng)營模式低效、規(guī)?；潭鹊汀⑥r(nóng)民整體文化水平低等因素，產(chǎn)生了如小型農(nóng)戶或生產(chǎn)者的“扎堆”、市場價格波動劇烈、現(xiàn)有糧食作物或農(nóng)產(chǎn)品安全無法得到保障等諸多問題。2019年年底的《數(shù)字農(nóng)業(yè)農(nóng)村發(fā)展規(guī)劃（2019-2025年）》明確提出“農(nóng)業(yè)農(nóng)村數(shù)據(jù)采集體系建立健全，天空地一體化觀測網(wǎng)絡(luò)、農(nóng)業(yè)農(nóng)村基礎(chǔ)數(shù)據(jù)資源體系、農(nóng)業(yè)農(nóng)村云平臺基本建成”的發(fā)展目標，同時提出“種植業(yè)信息化”“動態(tài)監(jiān)測重要農(nóng)作物的種植類型、種植面積、土壤墑情、作物長勢、災(zāi)情蟲情，及時發(fā)布預(yù)警信息，提升種植業(yè)生產(chǎn)管理信息化水平”的具體要求。數(shù)字農(nóng)業(yè)是一個系統(tǒng)工程，是疊加在傳統(tǒng)農(nóng)業(yè)技術(shù)基礎(chǔ)上的數(shù)字化手段，能夠?qū)蝹€農(nóng)學(xué)意義上的環(huán)節(jié)產(chǎn)生價值，同時沉淀數(shù)據(jù)，完善建模，最終形成完整的數(shù)字化農(nóng)田檔案，有助于提升農(nóng)田產(chǎn)量、降低成本、優(yōu)化產(chǎn)品結(jié)構(gòu)、精準管理、保持土地和其他資源的可持續(xù)發(fā)展。

回應(yīng)現(xiàn)代農(nóng)業(yè)發(fā)展訴求，高光譜遙感作為一種新技術(shù)，憑借其光譜分辨率高，光譜信息量大，譜段連續(xù)性強等優(yōu)點在精細化農(nóng)業(yè)領(lǐng)域得到了快速發(fā)展。農(nóng)業(yè)定量遙感趨向無損傷、高精度（高空間分辨率，高時間分辨率）診斷作物長勢及養(yǎng)分的方向發(fā)展[1]。國內(nèi)外針對水稻光譜遙感監(jiān)測研究成果頗豐，主要包括運用高光譜技術(shù)進行水稻長勢監(jiān)測，構(gòu)建相關(guān)植被指數(shù)模型，如對水稻葉綠素含量監(jiān)測研究[2-4]，對水稻葉面積指數(shù)高光譜監(jiān)測[5-7]，對水稻上部生物量高光譜監(jiān)測[8-9]，通過構(gòu)建植被指數(shù)對水稻產(chǎn)量進行估算[10-12]。水稻養(yǎng)分監(jiān)測包括對氮、磷、鉀素高光譜研究[13-19]，其中對氮素研究較為成熟而對磷鉀素研究較少。水稻高光譜遙感獲取技術(shù)、數(shù)據(jù)處理與反演模型的選擇對水稻監(jiān)測結(jié)果精度產(chǎn)生重要影響。高光譜遙感技術(shù)根據(jù)光譜儀所處高度可分為近地遙感技術(shù)、機載遙感技術(shù)和衛(wèi)星遙感技術(shù)。機載遙感和衛(wèi)星遙感技術(shù)應(yīng)用最早且范圍較廣，利用其對水稻監(jiān)測的研究較為成熟[20-25]，其成像遙感技術(shù)可大范圍監(jiān)測農(nóng)作物，但數(shù)據(jù)空間分辨率和時間分辨率低，使用成本較高，且易受到天氣影響[26]，估測精度低不適合小型農(nóng)田全周期生長監(jiān)測。近地遙感技術(shù)中包括利用手持光譜探測儀的地面高光譜技術(shù)和無人機遙感技術(shù)，手持光譜探測儀作業(yè)效率較低，不利于在大中型農(nóng)業(yè)場景下推廣使用。無人機遙感技術(shù)獲取的數(shù)據(jù)主要為非成像形式，可以彌補地面和衛(wèi)星遙感平臺的缺陷。無人機遙感應(yīng)用系統(tǒng)具有高效、低成本、操作簡單等特點，能夠獲取高空間分辨率和高時間分辨率影像。目前，學(xué)者利用無人機遙感在農(nóng)情監(jiān)測領(lǐng)域展開了諸多探索，如對農(nóng)作物生長參數(shù)評估[27-29]，對水稻自動識別、長勢和產(chǎn)量監(jiān)測[30-33]。目前，國內(nèi)外常用的高光譜反演技術(shù)主要分為兩大類：第一類是線性模型，如一元線性回歸、多元線性回歸、逐步回歸等，因其模型簡單快速，應(yīng)用較為廣泛，如用線性回歸技術(shù)建立了基于植被指數(shù)的水稻葉片全氮含量反演模型[34-35]，但光譜反射率的非線性導(dǎo)致預(yù)測精度受到模型限制。第二類是非線性模型，如人工神經(jīng)網(wǎng)絡(luò)（ANN）、偏最小二乘回歸（PLSR）、支持向量機（SVM）、隨機森林（RF）、BP神經(jīng)網(wǎng)絡(luò)法等，如采用BP神經(jīng)網(wǎng)絡(luò)分類器和像素累加法對農(nóng)作物識別和面積測量[30]；利用面向?qū)ο蠓诸惙椒▽o人機影像進行水稻自動化識別并估計產(chǎn)量[31]；采用支持向量機（SVM）建立了水稻鎘含量高光譜預(yù)測模型[36]。但目前水稻高光譜監(jiān)測模型多為靜態(tài)的統(tǒng)計模型，光譜單因素變量也難以精確模擬水稻生長發(fā)育形成與環(huán)境因子交互的作用機理。此外，缺乏具有普適性與動態(tài)性的反演模型。

本文針對當(dāng)前農(nóng)情遙感監(jiān)測應(yīng)用存在的缺陷，研發(fā)了農(nóng)作物全周期近地空農(nóng)情遙感精準監(jiān)測應(yīng)用系統(tǒng)，并將其用于水稻全周期農(nóng)情監(jiān)測。該系統(tǒng)基于無人機多光譜/高光譜數(shù)據(jù)監(jiān)測近地空尺度農(nóng)作物全生育周期的關(guān)鍵農(nóng)情信息，通過GPU加速的云端一體化平臺進行數(shù)據(jù)處理分析，實時獲取信息，進而實現(xiàn)農(nóng)產(chǎn)品的種植端數(shù)字化溯源；建立基于農(nóng)作物光譜和圖像特征以及特征融合的農(nóng)情診斷深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，綜合深度學(xué)習(xí)的農(nóng)情診斷特征和模型的遷移構(gòu)建了農(nóng)情動態(tài)診斷模型，實現(xiàn)了農(nóng)情智能動態(tài)診斷；將光譜測量、農(nóng)情監(jiān)測與診斷技術(shù)集成到無人機監(jiān)測系統(tǒng)中，通過快速獲取農(nóng)情狀況與豐缺診斷信息，解決了傳統(tǒng)光譜監(jiān)測設(shè)備成本高、操作復(fù)雜、專業(yè)性強等問題，實現(xiàn)農(nóng)情指標的無損、便攜、精準監(jiān)測。

數(shù)字農(nóng)業(yè)要求土地相對集約化，作業(yè)機械化，因此農(nóng)墾系統(tǒng)成為了最佳的技術(shù)應(yīng)用示范場景。黑龍江北大荒是國家糧食種植、儲備的“壓艙石”，黑龍江建三江七星農(nóng)場是隸屬黑龍江北大荒集團的標桿型大型農(nóng)場。七星農(nóng)場“萬畝大地號”（以下簡稱萬畝大地號）是黑龍江建三江地區(qū)大型水稻種植地塊的稱號，總面積約為12 620畝，已經(jīng)成為集科技研發(fā)、旅游觀光、農(nóng)業(yè)生產(chǎn)于一體的現(xiàn)代化農(nóng)業(yè)示范基地。目前農(nóng)場的糧食生產(chǎn)機械化作業(yè)在數(shù)字化、智能化、精準化方面的發(fā)展還不均衡，特別是在作物種植環(huán)節(jié)，全生育周期的指標沒有數(shù)字化。作物生長狀況主要通過農(nóng)技人員隨意巡視及主觀判斷，依賴于農(nóng)技人員的感官和經(jīng)驗，而農(nóng)技人員往往缺乏對作物生長情況的客觀認知而產(chǎn)生量化指標的差異性，而且巡田覆蓋區(qū)域較小，以部分作物生長情況代替全部也有失偏頗，甚至在作物出現(xiàn)明顯長勢差異前仍無法察覺，導(dǎo)致后續(xù)的灌溉、施肥、噴藥等農(nóng)事管理操作也全靠主觀判斷，增加了水、肥、藥及人工等的成本。綜上而言，精準農(nóng)業(yè)亟待發(fā)展及推廣。

本文將基于自主研發(fā)的近地空農(nóng)情遙感精準監(jiān)測系統(tǒng)，在七星農(nóng)場“萬畝大地號”科技示范區(qū)進行水稻全生育周期近地空農(nóng)情指數(shù)監(jiān)測、無人機精準變量施藥、數(shù)字化種植管理，以實現(xiàn)三個目標：①在近地空尺度，按照水稻的不同生育周期定制數(shù)據(jù)采集時間，利用搭載視覺光譜載荷的“麥視”監(jiān)測機近地空遙感監(jiān)測農(nóng)田及土壤情況，獲取水稻全生長周期的田塊、冠層高分辨率的光譜及影像數(shù)據(jù)。②獲取數(shù)據(jù)上傳至云端后，加載農(nóng)情遙感監(jiān)測模型和人工智能算法，反演土壤平整度、土壤墑情、土壤肥力、苗情、作物長勢、病蟲害等級分布、葉面氮含量、產(chǎn)量預(yù)測等，實現(xiàn)水稻全生長期生長狀況跟蹤和農(nóng)情診斷，提供精準施肥、變量施藥、精準灌溉等方面的數(shù)據(jù)指導(dǎo)，實現(xiàn)種植端溯源。③基于遙感監(jiān)測信息構(gòu)建“麥芒”數(shù)字農(nóng)田平臺，實現(xiàn)從農(nóng)田建檔到土情監(jiān)測，再到耕種管收的全過程數(shù)字化管理和可視化展示。

1 材料與方法

1.1 項目區(qū)概況

黑龍江七星農(nóng)場是國家重要的商品糧生產(chǎn)基地，地處三江平原，毗鄰富錦、同江、撫遠、饒河四個大型口岸。它是由黑龍江、松花江和烏蘇里江沖擊而成的平原，場區(qū)三江環(huán)繞，地勢低平，坡降平緩，海拔高程多在52-65m之間。氣候?qū)儆诤疁貛Т箨懶约撅L(fēng)氣候，冬季漫長、嚴寒而干燥，夏季短暫、溫暖而濕潤，一年中四季分明。年平均溫度3.1℃，極端最低溫度-41℃，極端最高溫度38.4℃；全年日照時數(shù)為2260-2570h，日照率為53.6%；無霜期短，平均137天；多年平均降雨量為502.8mm，多集中在7-9三個月，占全年降雨量的50%-70%，可充分滿足大豆水稻等作物對水分的要求。境內(nèi)土壤以草甸土白漿土為主，土層深厚、有機質(zhì)含量高、土質(zhì)肥沃、蓄水能力強，是耕地中的“大熊貓”。近年來，黑龍江七星農(nóng)場采取保護性耕地替代傳統(tǒng)耕地、綠色農(nóng)藥替代傳統(tǒng)化學(xué)農(nóng)藥、有機肥替代化肥等措施，做好黑土地保護。

七星農(nóng)場現(xiàn)有耕地面積122萬畝，其中水田105萬畝，年生產(chǎn)糧食16億斤，農(nóng)場主要作物類型有小麥、大豆、水稻和玉米，是北大荒集團水稻種植面積最大的農(nóng)場，見圖1。田間全覆蓋式布置了200個測點、20套小型氣象站和20套地下水位監(jiān)測系統(tǒng)信息采集設(shè)備用以采集農(nóng)業(yè)生產(chǎn)大數(shù)據(jù)。農(nóng)業(yè)生產(chǎn)管理的科學(xué)化、產(chǎn)品的品牌化（物聯(lián)網(wǎng)環(huán)境下現(xiàn)代水稻供應(yīng)鏈管理模式）、農(nóng)業(yè)生產(chǎn)信息化、農(nóng)機全程機械化率達到99%以上，智能大棚、智能農(nóng)機、食品安全可追溯系統(tǒng)都已完備。

1.2 監(jiān)測系統(tǒng)

實驗田數(shù)據(jù)采集所使用的設(shè)備為大疆四旋翼無人機P4M，搭載6個影像傳感器，包括1個用于可見光成像的彩色傳感器和5個用于多光譜成像的單色傳感器，包括藍光波段、綠光波段、紅光波段、紅邊波段和近紅外波段，單個傳感器有效像素為208萬。續(xù)航時間27min，單次飛行最大作業(yè)面積為0.63km2。無人機具備適配云端GPU加速的多種AI算法，日均萬畝作業(yè)能力，作業(yè)輕巧便攜。采用D-RTK GNSS系統(tǒng)定位，地面平臺通過集飛行控制、航線規(guī)劃、數(shù)據(jù)獲取、數(shù)據(jù)上傳、模型匹配、數(shù)據(jù)計算、結(jié)果展示等功能于一體的“麥視”APP實現(xiàn)對無人機操控。所獲取的可見光原始圖像分辨率可達厘米級。圖2展示了無人機及探測器實物圖、“麥視”APP應(yīng)用界面、田間作業(yè)場景以及無人機獲取可見光圖像。

1.3 數(shù)據(jù)采集與預(yù)處理

項目于2021年1-12月在黑龍江省建三江管理局七星農(nóng)場基地開展（47.27°E，132.66°N）。按照水稻的不同生育周期規(guī)劃數(shù)據(jù)采集時間，獲取水稻全生育周期的田塊、冠層高分辨率的光譜及影像數(shù)據(jù)。針對水稻農(nóng)情監(jiān)測需跨越水稻的整個生長周期的情況，在水稻的不同生長階段進行針對性的監(jiān)測，水稻苗期、分蘗期、拔節(jié)期、孕穗期、揚花期、灌漿期、結(jié)實期的監(jiān)測內(nèi)容見表1。

無人機起飛前進行了暗電流矯正和輻射定標，因不同生長期水稻長勢不同而飛行參數(shù)略有差異。在采集數(shù)據(jù)的同時進行百萬畝秒級田塊邊界自動化識別提取，用于基礎(chǔ)農(nóng)田邊界數(shù)據(jù)制作（圖3）。分析了農(nóng)田集約化程度，圖4顯示地塊面積峰值處于2.5畝附近，整體連片，便于機械化耕種，格田分布較為均一。最后利用Photoscan 軟件進行影像拼接與幾何校正并利用ExifTool進行照片信息提取。在采樣同時進行了地面真值調(diào)查，包括病害等級、株高、葉面積指數(shù)（LAI）、氣象數(shù)據(jù)和控制點數(shù)據(jù)。

一共完成1400塊基礎(chǔ)農(nóng)田邊界的數(shù)據(jù)制作，監(jiān)測覆蓋面積為10 526.23畝。純地塊面積共計7897.91畝；最大單一地塊面積為34.50畝；最小單一地塊面積為3.28畝；平均地塊面積為5.41畝（如圖5）。

2 模型與系統(tǒng)構(gòu)建

2.1 農(nóng)情指數(shù)反演

基于監(jiān)測數(shù)據(jù)，按照研究計劃進行各項農(nóng)情指標的反演，具體指標內(nèi)容見表2。通過反演土壤平整度、土壤墑情、土壤肥力、苗情、作物長勢、病蟲害等級分布、葉面氮含量、產(chǎn)量預(yù)測等，實現(xiàn)水稻全生長期生長狀況跟蹤和農(nóng)情診斷，提供精準施肥、變量施藥、精準灌溉等方面的數(shù)據(jù)指導(dǎo)，實現(xiàn)種植端溯源。

（1）土壤平整度。農(nóng)業(yè)土地的田間平整度是水田作物的關(guān)鍵參數(shù)指標，直接決定了種植過程中的水肥空間運移情況。為了能夠達到滿足生產(chǎn)需求的平整度，需要利用激光平地機進行改造。利用高重疊度的近地空航拍數(shù)據(jù)（圖6（1）），組成立體像對，利用近景攝影測量原理，重建農(nóng)田土地數(shù)字地形模型，即對土地高程測量，完成對土地平整度的評估（圖6（2）），精度可達±5cm，能夠支撐農(nóng)業(yè)生產(chǎn)中所需要開展的平地與格田改造工作。依據(jù)田間平整度監(jiān)測形成的整地方案，定量化評估整地的土方量，精準有效進行農(nóng)機作業(yè)。

（2）土壤墑情。利用光譜遙感能力，對農(nóng)業(yè)土壤的表層含水量進行反演推算，形成土壤墑情監(jiān)測圖（圖7（1））。

（3）土壤肥力。利用光譜遙感數(shù)據(jù)，對土壤中氮磷鉀等有效成分進行定量反演，基于反演結(jié)果計算出與土壤肥力相關(guān)的指標量，形成田間土壤肥力分布圖（圖7（2））。

（4）病蟲害等級分布。利用視覺光譜技術(shù)，在不同生長期對水稻發(fā)生的主要病蟲害進行識別與定位，形成病蟲害監(jiān)測圖，支撐施藥處方圖的制作，指導(dǎo)智能化農(nóng)機施藥作業(yè)（圖7（3））。

（6）作物產(chǎn)量預(yù)測。產(chǎn)量是農(nóng)業(yè)生產(chǎn)最重要的指標，通常在收割之前1-2個月進行產(chǎn)量預(yù)測。利用植物生長模型，輸入遙感監(jiān)測指標，推算出最終的畝產(chǎn)量（圖7（4））。

（5）葉片氮含量。葉片氮含量是農(nóng)業(yè)追肥的主要依據(jù)，基于多光譜技術(shù)能夠清晰地反演出葉片氮含量指標，指導(dǎo)精準追肥作業(yè)（圖7（5））。

（5）作物長勢。針對作物生長過程中冠層結(jié)果以及葉片形態(tài)進行觀測，對作物長勢結(jié)構(gòu)進行量化分析，支撐判斷作物長勢是否正常（圖7（6））。水稻全生長周期近地空無人機拍攝影像與反演結(jié)果對比（圖8）。

（4）苗情。主要針對播種之后追蹤出苗率、成活率指標，形成對缺苗位置的定位與定量判斷，指導(dǎo)補苗措施（圖9）。

2.2 農(nóng)情監(jiān)測系統(tǒng)構(gòu)建

農(nóng)情監(jiān)測系統(tǒng)基于遙感監(jiān)測信息實現(xiàn)從農(nóng)田建檔到土情監(jiān)測，再到耕種管收的全過程數(shù)字化管理和可視化展示。系統(tǒng)主要包括數(shù)據(jù)采集、數(shù)據(jù)處理、算法構(gòu)建和數(shù)據(jù)可視化管理四部分。數(shù)據(jù)采集包括多光譜影像獲取和地面真值調(diào)查。數(shù)據(jù)處理主要對多光譜影像進行拼接、幾何校正和輻射定標。算法構(gòu)建包括光譜指數(shù)模型計算和機器學(xué)習(xí)模型構(gòu)建。數(shù)據(jù)可視化管理主要通過建構(gòu)“麥芒”數(shù)字農(nóng)田SaaS平臺實現(xiàn)監(jiān)測數(shù)據(jù)、變量植保信息和未來賬本信息的實時顯示。數(shù)據(jù)采集完成后進行自動化數(shù)據(jù)處理，數(shù)據(jù)通過上傳插件至云端服務(wù)器。服務(wù)器分為預(yù)處理服務(wù)器和算法服務(wù)器。預(yù)處理服務(wù)器進行幾何校正、輻射校正和圖像拼接，結(jié)果存至數(shù)據(jù)庫內(nèi)驅(qū)動算法服務(wù)器運行，算法服務(wù)器會依據(jù)數(shù)據(jù)采集的生長期時間自動調(diào)用相應(yīng)模型對數(shù)據(jù)庫中的數(shù)據(jù)進行計算，最終結(jié)果重新存入數(shù)據(jù)庫。反演結(jié)果數(shù)據(jù)將自動推送到“麥芒”系統(tǒng)的監(jiān)測數(shù)字大屏上，進行可視化展示。農(nóng)情監(jiān)測系統(tǒng)總體技術(shù)實施框架（如圖10）。

3 “麥芒”數(shù)字農(nóng)田管理系統(tǒng)

農(nóng)情指標反演結(jié)果均被部署在“麥芒”數(shù)字農(nóng)田系統(tǒng)?！胞溍ⅰ睌?shù)字農(nóng)田系統(tǒng)將農(nóng)田進行了數(shù)字孿生，數(shù)字化重新定義了每一塊農(nóng)田，最大程度地取代田間判斷與農(nóng)技指導(dǎo)。

“麥芒”可實現(xiàn)對農(nóng)業(yè)種植過程的數(shù)字化管理和可視化展示，通過可視化大屏全面展現(xiàn)數(shù)字農(nóng)場精準監(jiān)測、變量植保、未來賬本等信息?！胞溍ⅰ边€向農(nóng)場管理者提供全程監(jiān)測數(shù)據(jù)、變量植保的過程數(shù)據(jù)、及聯(lián)動財務(wù)數(shù)據(jù)的未來賬本等引領(lǐng)行業(yè)的特色功能（圖11）。

項目運行過程中的技術(shù)指標要求水稻全生育期農(nóng)情快速監(jiān)測與診斷模型大田應(yīng)用精度≥80%。于2021年年初至9月底，應(yīng)用麥視軟件共采取數(shù)據(jù)200余次，計算數(shù)據(jù)采集成功次數(shù)占比100%，航線信息成功顯示，共計純飛行時長5082min，飛行控制數(shù)據(jù)采集與結(jié)果可視化平臺穩(wěn)定性≥95%。在補苗操作中，通常人均畝均補苗的成本是30元，基于苗情遙感監(jiān)測結(jié)果，可快速定位缺苗處，畝均節(jié)約勞動力成本33%-50%（10-15元）。通常人均每日補苗的作業(yè)效率為10畝地，基于苗情遙感監(jiān)測結(jié)果，可快速定位缺苗處，實測人均每日補苗增加到15-20畝地，作業(yè)效率提高50%-100%。在農(nóng)情查看中，傳統(tǒng)查田一般需要看10個樣點，如采用人工采集數(shù)據(jù)，每個樣點采集效率按10min計算，實驗區(qū)內(nèi)地塊查田共需100min，即1.6h，使用無人機可以60min內(nèi)查完長勢、水分、病蟲害等信息，查田效率可提高67%。在底肥施灑環(huán)節(jié)，通過土壤肥力的監(jiān)測圖，根據(jù)圖像和作物生長模型實施精準噴灑，平均節(jié)約施肥量為22%，按每畝地施灑35-40斤復(fù)合肥計算，每畝地的種植成本節(jié)省13.5-15.4元。在格田改造中，無法精確定位最優(yōu)格田改造高度，通過生成高精度土地平整度監(jiān)測圖，可以快速計算土方量，可節(jié)約工程量超過20%。傳統(tǒng)查田成本按人均每日一次計算需要300元，畝均0.03元，使用無人機自動查田，畝均電池損耗成本約0.000 2元，畝均查田的無人機使用成本為0.02元，租用成本為0.1元，節(jié)省查田成本近100%。研究人員基于2020年的遙感監(jiān)測結(jié)果，對水稻品種及種植方法給予了針對性的建議，經(jīng)過與測產(chǎn)數(shù)據(jù)對比，成功實現(xiàn)增產(chǎn)5%-8%。傳統(tǒng)近地空遙感監(jiān)測設(shè)備成本在20萬左右，麥視全套監(jiān)測成本在10萬元左右，設(shè)備成本降低50%，近地空農(nóng)情遙感圖譜數(shù)據(jù)監(jiān)測設(shè)備成本降低 20%-30%。

4 結(jié)論

為實現(xiàn)對水稻全生育周期農(nóng)情指數(shù)精準快速監(jiān)測及數(shù)字化管理，本文設(shè)計了基于無人機遙感平臺近地空農(nóng)情遙感精準監(jiān)測系統(tǒng)。從耕地到收割的水稻各個生長階段，通過精準監(jiān)測技術(shù)對水稻及農(nóng)田環(huán)境多種指標進行監(jiān)測，集成分析結(jié)果指導(dǎo)農(nóng)事作業(yè)，通過數(shù)字化農(nóng)事管理平臺協(xié)調(diào)監(jiān)測并實現(xiàn)可視化展示，切實提高了工作效率。

本研究首次打通了寒地水稻近地空遙感監(jiān)測的全技術(shù)流程，成功獲取了插秧期及分蘗期的數(shù)據(jù)，得到了土壤墑情、土壤肥力、苗情、作物長勢、病蟲害等級分布、葉面氮含量、產(chǎn)量預(yù)測等遙感監(jiān)測數(shù)據(jù)，為建立農(nóng)田檔案，建構(gòu)全生育期的時序數(shù)據(jù)監(jiān)測打下了良好的技術(shù)基礎(chǔ)。監(jiān)測數(shù)據(jù)為農(nóng)田管理提供了數(shù)字化依據(jù)，大大提高了巡田的效率，節(jié)省了人工成本。采集的數(shù)據(jù)經(jīng)遙感算法處理后，部署于數(shù)字農(nóng)田平臺，成功實現(xiàn)了數(shù)據(jù)的實時共享、記錄及查詢。

本系統(tǒng)仍有改進的空間，如雨天和風(fēng)天等不利于數(shù)據(jù)采集的天氣較多，導(dǎo)致數(shù)據(jù)采集時間窗口較小，需要加強數(shù)據(jù)采集能力，增加監(jiān)測終端數(shù)量，配合“麥芒”數(shù)字農(nóng)田平臺突破意外天氣的影響，實現(xiàn)全天候數(shù)據(jù)采集。項目要求近地空數(shù)據(jù)采集頻次高、范圍大，服務(wù)器算力與大數(shù)據(jù)量形成協(xié)調(diào)關(guān)系，因此需進一步優(yōu)化現(xiàn)有數(shù)據(jù)處理架構(gòu)。

本工作得到了北大荒建三江管理分局和七星農(nóng)場的大力支持，同時北大荒信息公司也給予了研究團隊充分的信息化基礎(chǔ)設(shè)施，還有七星農(nóng)場的參與本項工作的各位成員的辛勤勞動與密切配合，在此一并表示感謝。

參考文獻

[1] 趙小敏，孫小香，王芳東，等.水稻高光譜遙感監(jiān)測研究綜述[J].江西農(nóng)業(yè)大學(xué)學(xué)報，2019，41（1）：1-12.

[2] Curran P J.Remote sensing of foliar chemistry[J].Remote sensing of environment，1989，30（3）：271-278.

[3] 楊杰，田永超，姚霞，等.水稻上部葉片葉綠素含量的高光譜估算模型[J].生態(tài)學(xué)報，2009，29（12）：6561-6571.

[4] 唐延林，王秀珍，黃敬峰，等.水稻微分光譜和植被指數(shù)的作用探討[J].農(nóng)業(yè)工程學(xué)報，2003（1）：145-150.

[5] 浦瑞良，宮鵬，約翰R.米勤.美國西部黃松葉面積指數(shù)與高光譜分辨率CASI數(shù)據(jù)的相關(guān)分析[J].環(huán)境遙感，1993（2）：112-125.

[6] 劉占宇，黃敬峰，王福民，等.估算水稻葉面積指數(shù)的調(diào)節(jié)型歸一化植被指數(shù)[J].中國農(nóng)業(yè)科學(xué)，2008（10）：3350-3356.

[7] 辛明月，殷紅，陳龍，等.不同生育期水稻葉面積指數(shù)的高光譜遙感估算模型[J].中國農(nóng)業(yè)氣象，2015，36（6）：762-768.

[8] Thenkabail P S，Smith R B，DePauwE.Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J].Remote sensing of Environment，2000，71（2）：158-182.

[9] Casanova D，Epema G F，GoudriaanJ. Monitoring rice reflectance at field level for estimating biomass and LAI[J].Field Crops Research，1998，55（1-2）：83-92.

[10] 王延頤.南方稻區(qū)遙感水稻長勢監(jiān)測與估產(chǎn)研究[J].遙感技術(shù)與應(yīng)用，1991（3）：1-6.

[11] 薛利紅，曹衛(wèi)星，羅衛(wèi)紅，等.光譜植被指數(shù)與水稻葉面積指數(shù)相關(guān)性的研究[J].植物生態(tài)學(xué)報，2004（1）：47-52.

[12] 黃敬峰，楊忠恩，王人潮，等.基于GIS的水稻遙感估產(chǎn)模型研究[J].遙感技術(shù)與應(yīng)用，2002（3）：125-128.

[13] 張金恒，王珂，王人潮，等.水稻葉片反射光譜診斷氮素營養(yǎng)敏感波段的研究[J].浙江大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版），2004（3）：106-112.

[14] 田永超，楊杰，姚霞，等.利用葉片高光譜指數(shù)預(yù)測水稻群體葉層全氮含量[J].作物學(xué)報，2010，36（9）：1529-1537.

[15] Al-Abbas A H，BarrR，Hall J D，et al. Spectra of normal and nutrient-deficient maize leaves[J].1974.66（1）：16-20.

[16] Osbourne S L，Schepers J S，F(xiàn)rancisD，et al.Detection of phosphorus and nitrogen deficiencies in corn using spectral radiance measurements[J].2002.94（6）：1215-1221.

[17] 林芬芳，丁曉東，付志鵬，等.基于互信息理論的水稻磷素營養(yǎng)高光譜診斷[J].光譜學(xué)與光譜分析，2009，29（9）：2467-2470.

[18] 喬欣，馬旭，張小超，等.大豆葉綠素和鉀素信息的冠層光譜響應(yīng)[J].農(nóng)業(yè)機械學(xué)報，2008（4）：108-111+116.

[19] 王珂，沈掌泉，王人潮.不同鉀營養(yǎng)水平的水稻冠層和葉片光譜特征研究初報[J].科技通報，1997（4）：8-11.

[20] Campos-TabernerM，García-HaroFJ，Camps-VallsG，et al. Multitemporal and multiresolution leaf area index retrieval for operational local rice crop monitoring[J].Remote Sensing of Environment，2016，187：102-118.

[21] JiaK，LiangS，GuX，et al. Fractional vegetation cover estimation algorithm for Chinese GF-1 wide field view data[J].Remote sensing of Environment，2016，177：184-191.

[22] Punalekar S M，VerhoefA，Quaife T L，et al. Application of Sentinel-2A data for pasture biomass monitoring using a physically based radiative transfer model[J].Remote Sensing of Environment，2018，218：207-220.

[23] MoharanaS，DuttaS.Spatial variability of chlorophyll and nitrogen content of rice from hyperspectral imagery[J].ISPRS journal of photogrammetry and remote sensing，2016，122：17-29.

[24] Clevers J G P W，Gitelson A A. Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3[J].International Journal of Applied Earth Observation and Geoinformation，2013，23：344-351.

[25] Jin X，Li Z，YangG，et al. Winter wheat yield estimation based on multi-source medium resolution optical and radar imaging data and the AquaCrop model using the particle swarm optimization algorithm[J].ISPRS Journal of Photogrammetry and Remote Sensing，2017，126：24-37.

[26] 陳仲新，郝鵬宇，劉佳，等.農(nóng)業(yè)遙感衛(wèi)星發(fā)展現(xiàn)狀及我國監(jiān)測需求分析[J].智慧農(nóng)業(yè)，2019，1（01）：32-42.

[27] Cen H，WanL，ZhuJ，et al. Dynamic monitoring of biomass of rice under different nitrogen treatments using a lightweight UAV with dual image-frame snapshot cameras[J].Plant Methods，2019，15（1）：1-16.

[28] Yu N，LiL，Schmitz N，et al. Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform[J].Remote Sensing of Environment，2016，187：91-101.

[29] 高林，楊貴軍，李紅軍，等.基于無人機數(shù)碼影像的冬小麥葉面積指數(shù)探測研究[J].中國生態(tài)農(nóng)業(yè)學(xué)報，2016，24（9）：1254-1264.

[30] 閔文芳，江朝暉，李想，等.基于無人機平臺和圖像分析的田間作物檢測[J].湖南農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2017，43（2）：212-216.

[31] 吳金勝，劉紅利，張錦水.無人機遙感影像面向?qū)ο蠓诸惙椒ü浪闶杏蛩久娣e[J].農(nóng)業(yè)工程學(xué)報，2018，34（1）：70-77.

[32] JeongS，KoJ，KimM，et al. Construction of an unmanned aerial vehicle remote sensing system for crop monitoring[J].Journal of Applied Remote Sensing，2016，10（2）：026027.

[33] Zhou X，Zheng H B，Xu X Q，et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J].ISPRS Journal of Photogrammetry and Remote Sensing，2017，130：246-255.

[34] 田永超，楊杰，姚霞，等.利用葉片高光譜指數(shù)預(yù)測水稻群體葉層全氮含量[J].作物學(xué)報，2010，36（9）：1529-1537.

[35] 周冬琴，朱艷，楊杰，等.基于冠層高光譜參數(shù)的水稻葉片碳氮比監(jiān)測[J].農(nóng)業(yè)工程學(xué)報，2009，25（3）：135-141.

[36] 呂杰，劉湘南.利用支持向量機構(gòu)建水稻鎘含量高光譜預(yù)測模型[J].應(yīng)用科學(xué)學(xué)報，2012，30（1）：105-110.