無(wú)人機(jī)可搭載的遙感傳感器多種多樣, 可以獲取多維度、高精度的農(nóng)田信息, 實(shí)現(xiàn)多類農(nóng)田信息的動(dòng)態(tài)監(jiān)測(cè)。這些信息主要包括作物空間分布信息(農(nóng)田定位、作物種類識(shí)別、面積估算及變化動(dòng)態(tài)監(jiān)測(cè)、田間基礎(chǔ)設(shè)施提取)、作物生長(zhǎng)信息(作物表型參數(shù)、營(yíng)養(yǎng)指標(biāo)、產(chǎn)量), 以及作物生長(zhǎng)脅迫因子(田間墑情、病蟲害)動(dòng)態(tài)等。

農(nóng)田空間信息

農(nóng)田空間位置信息包括田塊的地理坐標(biāo)及通過(guò)目視判別或機(jī)器識(shí)別得到的作物分類。通過(guò)地理坐標(biāo)識(shí)別出田塊邊界還可以實(shí)現(xiàn)種植面積的估算。傳統(tǒng)的方法通過(guò)以地形圖作為底圖進(jìn)行數(shù)字化開展區(qū)域規(guī)劃和面積測(cè)算, 時(shí)效性差, 邊界位置與實(shí)際情況差異巨大且缺乏直觀性, 不利于精準(zhǔn)農(nóng)業(yè)的實(shí)施。無(wú)人機(jī)高光譜可以實(shí)時(shí)獲取全面的農(nóng)田空間位置信息, 具有傳統(tǒng)方法無(wú)可比擬的優(yōu)勢(shì)。高清數(shù)碼相機(jī)的航拍影像即可實(shí)現(xiàn)農(nóng)田基本空間信息的識(shí)別和判定, 空間構(gòu)型技術(shù)的發(fā)展提高了農(nóng)田位置信息研究的精度與深度, 在引入高程信息的同時(shí)提升了空間分辨率, 可實(shí)現(xiàn)更精細(xì)的農(nóng)田空間信息監(jiān)測(cè)。將無(wú)人機(jī)DEM數(shù)據(jù)用于農(nóng)田灌溉渠系的提取, 渠系提取的完整度達(dá)85.61%。

作物生長(zhǎng)信息

作物生長(zhǎng)狀況可以通過(guò)表型參數(shù)、營(yíng)養(yǎng)指標(biāo)以及產(chǎn)量等信息來(lái)表征。表型參數(shù)包括植被覆蓋度、葉面積指數(shù)、生物量、株高等。這些參數(shù)相互關(guān)聯(lián)、共同表征了作物的長(zhǎng)勢(shì)情況, 與最終產(chǎn)量直接相關(guān)。在農(nóng)田信息監(jiān)測(cè)研究中占有主導(dǎo)地位, 已經(jīng)開展的研究相對(duì)較多。

作物表型參數(shù)

葉面積指數(shù)(Leaf Area Index, LAI)是指單位地表面積上單面綠葉面積的總和, 可較好地表征作物對(duì)光能的吸收利用, 與作物的物質(zhì)積累和最終產(chǎn)量關(guān)系密切。葉面積指數(shù)是目前無(wú)人機(jī)高光譜監(jiān)測(cè)的主要作物生長(zhǎng)參數(shù)之一。以多光譜數(shù)據(jù)計(jì)算植被指數(shù)(比值植被指數(shù)、歸一化植被指數(shù)、土壤調(diào)節(jié)植被指數(shù)、差值植被指數(shù)等)與地面實(shí)測(cè)數(shù)據(jù)建立回歸模型是反演表型參數(shù)較為成熟的方法。高林等通過(guò)對(duì)多個(gè)生育期、多種植被指數(shù)和不同模型的比較, 選擇鼓粒期(大豆主莖最上部4個(gè)具有充分生長(zhǎng)葉片著生的節(jié)中, 任何一個(gè)節(jié)位上豆莢內(nèi)綠色種子充滿莢皮的時(shí)期)歸一化差分植被指數(shù)(Normalized Difference Vegetation Index, NDVI)的線性回歸模型反演大豆LAI, 決定系數(shù)R2=0.829, 均方根誤差RMSE=0.301, 估測(cè)精度EA=85.4%。也有利用可見光圖像估測(cè)LAI的研究, 構(gòu)建了基于可見光大氣阻抗植被指數(shù)(Visible Atmospherically Resistant Index, VARI)原理的數(shù)字圖像特征參數(shù)(UAV-based VARIRGB)的指數(shù)模型, R2也達(dá)到0.71。高光譜的高分辨率優(yōu)勢(shì)為研究者提供了更豐富和連續(xù)的數(shù)據(jù)。

隨著高光譜傳感器的推廣和高階數(shù)據(jù)處理方法的發(fā)展, 應(yīng)用高光譜估算LAI的研究逐漸增多。已有研究證實(shí), 攜式地物光譜儀(Analytica Spectra Devices, ASD)獲取的地面高光譜比值植被指數(shù)(Ratio Vegetation Index, RVI)對(duì)數(shù)模型的LAI預(yù)測(cè)能力優(yōu)于無(wú)人機(jī)多光譜的NDVI線性模型; Cubert UHD 185-Firefly(UHD185)是新型的無(wú)人機(jī)載高光譜傳感器, 研究者通過(guò)對(duì)冬小麥孕穗、開花、灌漿期的UHD185高光譜影像與冠層ASD反射率的比較發(fā)現(xiàn), 其在第3波段~第96波段(458~830nm)具有較好的光譜質(zhì)量。采用偏最小二乘回歸法(Partial Least Squares Regression, PLSR)與紅邊參數(shù)結(jié)合估算葉面積指數(shù), 獨(dú)立驗(yàn)證R2=0.757, RMSE=0.732;交叉驗(yàn)證R2=0.755, RMSE=0.762。針對(duì)傳統(tǒng)固定波段植被指數(shù)存在的波段范圍問(wèn)題, 通過(guò)動(dòng)態(tài)搜索植被指數(shù), 將波段范圍內(nèi)的反射率極值定義為極值植被指數(shù), 提高了棉花LAI的估測(cè)精度(驗(yàn)證R2最大提高了0.11)。

作物生長(zhǎng)后期地上部生物量與產(chǎn)量和品質(zhì)的關(guān)系均很密切。目前農(nóng)業(yè)上用無(wú)人機(jī)高光譜進(jìn)行生物量估測(cè)仍多使用多光譜數(shù)據(jù), 提取光譜參數(shù)、計(jì)算植被指數(shù)進(jìn)行建模; 空間構(gòu)型技術(shù)在生物量的估算方面有一定優(yōu)勢(shì),以呼倫貝爾草地為研究對(duì)象, 提出基于無(wú)人機(jī)的草層高和蓋度提取方法, 并用這兩項(xiàng)參數(shù)反演了地上生物量(R2=0.784, RMSE=108.9 g·m-2)。該研究還探討了無(wú)人機(jī)飛行高度對(duì)草層高度和蓋度提取結(jié)果的影響, 并應(yīng)用鑲嵌算法提升了圖像拼接的效率和效果, 對(duì)于農(nóng)田作物生物量的估算具有參考意義。利用SfM算法獲取作物表面模型(Crop Surface Models, CSM)提取作物冠層高度, 結(jié)合3種可見光區(qū)植被指數(shù)來(lái)估算大麥生物量, 發(fā)現(xiàn)該方法在抽穗前期可靠, 但生長(zhǎng)后期預(yù)測(cè)效果不佳?？梢娚趯?duì)于建模參數(shù)的選擇有很大影響。在對(duì)大豆生物量的反演過(guò)程中, 采取了分段建模的方式。

在開花結(jié)莢期以優(yōu)化土壤調(diào)節(jié)植被指數(shù)(Optimization of Soil Adjusted Vegetation Index, OSAVI), 紅邊位置輔以株高為自變量通過(guò)最小二乘法建立多元線性回歸模型, 獨(dú)立驗(yàn)證R2=0.727, RMSE為0.145;交叉驗(yàn)證R2為0.714,RMSE為0.393;在生長(zhǎng)后期(即鼓粒成熟期), 由于株高穩(wěn)定、對(duì)生物量影響小, 不再作為建模參數(shù), 以4種高光譜植被指數(shù)建立的生物量回歸模型, 獨(dú)立驗(yàn)證R2為0.698, RMSE為0.238;交叉驗(yàn)證R2為.697,RMSE為0.386。

作物營(yíng)養(yǎng)指標(biāo)

傳統(tǒng)的作物營(yíng)養(yǎng)狀態(tài)監(jiān)測(cè)需要通過(guò)田間取樣、室內(nèi)化學(xué)分析, 以診斷營(yíng)養(yǎng)物質(zhì)或指標(biāo)(葉綠素、氮素等)的含量, 而無(wú)人機(jī)高光譜則依據(jù)不同物質(zhì)具有特異的光譜反射吸收特征進(jìn)行診斷。葉綠素的監(jiān)測(cè)依據(jù)是其在可見光波段有兩個(gè)強(qiáng)吸收區(qū), 即640~663 nm的紅光部分和430~460nm的藍(lán)紫光部分, 而在550 nm處吸收很弱。作物缺素時(shí), 葉片顏色、紋理特征均會(huì)變化, 發(fā)掘不同缺素情況對(duì)應(yīng)的顏色和紋理的統(tǒng)計(jì)特征及相關(guān)特性是營(yíng)養(yǎng)監(jiān)測(cè)的關(guān)鍵。

與生長(zhǎng)參數(shù)監(jiān)測(cè)類似, 特征波段、植被指數(shù)和預(yù)測(cè)模型的選擇依舊是研究的主要內(nèi)容。對(duì)多光譜植被指數(shù)、紋理特征建立不同葉綠素的相對(duì)含量值(Soil and Plant Analyzer Development, SPAD)預(yù)測(cè)模型, 比較得出紋理特征易受成像質(zhì)量影響, 穩(wěn)定性差于優(yōu)選植被指數(shù); 該研究還發(fā)現(xiàn)延后采集時(shí)間、增加采集高度、降低飛行速度均能提高模型預(yù)測(cè)精度。在高值經(jīng)濟(jì)作物研究中, 利用無(wú)人機(jī)近紅外影像監(jiān)測(cè)茶樹葉片氮含量, 優(yōu)化茶葉采摘時(shí)間, 在保持茶葉口感的同時(shí)提高收獲量, 顯著提高了經(jīng)濟(jì)效益。植被輻射傳輸機(jī)理模型可描述光在作物葉片和冠層吸收、反射的物理過(guò)程, 模型以作物生理信息為輸入?yún)?shù), 輸出模擬的冠層光譜信息。通過(guò)查找表法、數(shù)值優(yōu)化法、人工神經(jīng)網(wǎng)絡(luò)等方法可以反演作物的生長(zhǎng)信息。高精度植被輻射傳輸機(jī)理模型被越來(lái)越多的研究者所使用。

好了， 有關(guān)無(wú)人機(jī)高光譜在農(nóng)田信息監(jiān)測(cè)中的應(yīng)用等介紹我們就講到這里了，下期我們?cè)賮?lái)聊聊有關(guān)作物產(chǎn)量等問(wèn)題，不見不散!

萊森光學(xué)(深圳)有限公司是一家提供光機(jī)電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯：湯梓紅