基于無人機遙感影像的冬小麥氮素監測

劉昌華 王 哲 陳志超 周 蘭 岳學智 苗宇新

(1.河南理工大學測繪與國土信息工程學院， 焦作 454000； 2.中國農業大學資源與環境學院， 北京 100194)

0 引言

冬小麥作為我國重要的糧食作物，其種植面積為糧食種植面積的1/5[1]。小麥年消耗量基本在1億t左右[2]。小麥產量受諸多因素影響，其中氮肥管理是關鍵要素[3]。作物缺氮會引起葉色、葉片厚度等變化，進而引起光譜反射率變化，因此利用光譜反射率所獲取的植被指數進行作物氮素實時監測成為可能[4]。目前小麥氮素營養遙感診斷手段主要有主動多光譜儀診斷、被動高光譜儀診斷、衛星遙感診斷等[5]。

主動冠層傳感器已經成功地用于非破壞估測小麥氮素狀況[6]，但是大尺度獲得主動冠層傳感器數據較為困難，很難快速進行大面積作物的氮素診斷[7]。高光譜儀的光譜分辨率高，但每次測量均會產生海量數據[8]。另外，每次測定必須在晴朗無云的條件下進行[9]，獲取數據較為繁瑣。多光譜衛星影像可以被用到大尺度監測作物生長狀況、估測作物產量中。然而，諸如SPOT、MSS、Landsat、TM等影像的分辨率太低，不能滿足植株氮素營養診斷和氮肥管理的需要[6]，且若想獲得高質量的衛星影像還需晴朗無云的天氣條件[10]。無人機遙感因其重訪周期短、高分、價低等優勢彌補了衛星遙感的不足[11-13]。BURKART等[14]提出一個高光譜飛行測角儀系統，在旋轉翼無人機(UAV)云臺上搭載一個光譜儀，結果表明，這種方法可以用來收集植被多光譜數據。SCHIRRMANN等[15]基于無人機獲得了11 hm2范圍內低成本圖像，用于監測小麥的生理參數和氮營養狀況。李冰等[16]設計了基于無人機的多光譜載荷觀測系統，并以冬小麥為研究對象，提出一種由直方圖曲線獲取植被指數閾值的方法。高林等[17]將無人機數碼影像應用于冬小麥葉面積指數探測，結果表明具有可行性。ROOSJEN等[18]基于無人機搭載分幅相機，研究了拍攝角度對葉面積指數和葉綠素含量估計的影響，表明多角度獲取光譜數據對其估計有促進作用。上述學者大多數從遙感圖像獲取手段和圖像信息提取兩方面進行遙感研究，但建立無人機遙感與農學參數反演模型的還很少，而模型對作物農學參數的估測，對大塊農田長勢、氮素狀況監測和診斷都是十分必要的。

本研究旨在將遙感與農學結合，將無人機遙感技術應用于作物氮素監測，建立基于光譜特征的冬小麥氮素指標反演模型，并為區域冬小麥無損氮素營養的實時診斷、長勢監測提供技術支撐。

1 材料與方法

1.1 研究區概況與試驗設計

試驗地點位于山東省樂陵市科技小院實驗基地(37°41′55″N，117°8′41″E)，試驗于2016年進行，設計6個氮肥梯度(0、120、180、240、280、300 kg/hm2(農戶常規))，2個小麥品種(濟麥22和魯元502)，共設置36個試驗小區，小區面積為4 m×10 m，分為3個試驗組，隨機排列。氮水平處理方法如圖1所示，圖中N1～N6分別對應氮肥梯度為0、120、180、240、280、300 kg/hm2。圖1中以濟麥22為例，魯元502處理方法同濟麥22。施肥方法如下：氮肥分兩次施用，40%在種植前基施，60%在拔節期追施；磷肥全部以基肥施用；鉀肥分兩次施用，80%在種植前基施，20%在拔節期追施。所有小區栽培管理參照當地的標準進行。

圖1 氮水平處理方法Fig.1 Diagram of nitrogen treatment method

1.2 試驗數據收集與處理

無人機試驗在冬小麥返青、拔節、孕穗、揚花期進行，采用八軸多旋翼無人機搭載Mini-MCA多光譜相機采集冠層光譜數據。設計飛行高度100 m，地面分辨率0.05 m，安全飛行速度控制在15 m/s。多光譜相機有6個通道，包括藍光(450 nm)、綠光(550 nm)、紅光(680 nm)、紅邊(720 nm)、近紅外(800 nm)5個波段，另一個通道為入射光傳感器，進行光譜校準。在晴朗無云時采集數據，選擇時段為10:00—14:00。無人機在起飛前需進行相機檢校、航線規劃等工作，飛行過程中在機載差分GPS系統和IMU的支持下，獲取各攝像點坐標和姿態。

得到圖像數據后，檢查有無曝光過度、曝光不足、遮擋等，無誤后再進行圖像數據處理，包括輻射定標、多波段合成、圖像拼接和幾何校正。本研究設計了一種多目標定標方法，在無人機起飛前在試驗田合適位置連續布置4塊不同反射率的定標毯，確保試驗田和定標毯同時出現在同一幅圖像中。4塊定標毯的反射率由美國ASD Field Spec3近地面高光譜儀和配套的白板定標測得，利用線性關系來建立DN(亮度)值和反射率之間的聯系。定標公式為

Yi=kiXi+bi(i=1,2,3,4,5)

(1)

式中Yi——第i波段的定標毯反射率

Xi——第i波段的DN值

ki——第i波段的相關系數

bi——第i波段的增量

分別針對同一波段借助ENVI讀取每塊定標毯的平均DN值，代入式(1)，依據最小二乘準則，求出相關系數k和增量b。進而可以得到5個波段的輻射定標模型，對需要校正的影像進行輻射定標，得到影像的反射率。利用AgisoftPhotoScan軟件(俄羅斯Agisoft LLC公司)流程化工具進行無人機遙感影像處理，可實現3D影像重建和正射影像生成。在獲取返青、拔節、孕穗、揚花4期拼接好的遙感影像后，對其進行幾何校正。幾何校正采用ArcGIS軟件進行，以返青期正射影像為參考圖像，在圖像上均勻選取10個參考點對后面3期影像進行幾何精度校正，經檢驗圖像幾何校正誤差小于0.5個像元。經過處理的4期遙感影像如圖2所示。

圖2 4個時期的冬小麥無人機多光譜影像Fig.2 UAV multispectral images of winter wheat in four stages

最后，借助IDL、ArcGIS和ENVI等軟件進行試驗小區平均光譜提取和65個植被指數的計算。從遙感影像間接得到的針對不同生長階段和農學參數的最優植被指數為：歸一化差分植被指數[19](NDVI)V1，歸一化綠波段指數[20](NGI)V2，紅邊綠波段歸一化植被指數[21](REGNDVI)V3，綠波段歸一化植被指數[22](GNDVI)V4，成熟期可基于修正二次葉綠素吸收反射率指數[17](MCARI2)V5，綠波段優化土壤調整植被指數[23](GOSAVI)V6，成熟期基于修正二次葉綠素吸收反射率指數/綠波段優化土壤調整植被指數[24](MCARI2/GOSAVI)V7，修正冠層葉綠素含量指數[25](MCCCI)V8，修正增強植被指數[26](MEVI)V9，歸一化紅邊植被指數[27](NDRE)V10，DATT植被指數[28](DATT)V11。

1.3 植株取樣與農學數據測量

取樣在數據采集當天進行，每個試驗小區選擇1 m長雙行冬小麥植株進行測定。表征冬小麥氮素營養狀況的農學參數主要有地上部生物量、植株吸氮量、氮營養指數(Nitrogen nutrition index,NNI)和產量。

生物量是指單位面積有機物總量。將冬小麥植株樣品進行剪根和去除雜物處理，之后在電子天平上稱量，裝袋做好標記置于干燥箱中，105℃下殺青30 min，再以80℃恒溫干燥至質量不變并稱量[29]。

將干燥后的植株樣本研磨粉碎后，用凱氏定氮儀測定植株氮含量。植株吸氮量則是地上部生物量與植株氮含量的乘積，單位取kg/hm2。氮營養指數NNI是用來相對準確地判定作物體內氮營養狀況的一個指標，是作物地上部植株實際的氮濃度與臨界氮濃度的比值[30]。其計算公式由王備戰等[31]提出。

NNI=Na/Nc

(2)

式中NNI——氮營養指數

Na——植株實際氮濃度

Nc——臨界氮濃度

華北平原冬小麥臨界氮濃度公式由YUE等[32]提出。

Nc=4.15W-0.38

(3)

式中W——地上部生物量干質量

當地上部生物量小于1 t/hm2時，臨界氮濃度為定值4.15 t/hm2，當地上部生物量在1～10 t/hm2范圍時，可用式(3)計算。

產量是指作物的整個生產周期的產出，成熟期取1 m長雙行植株樣本，晾曬測其干質量。

1.4 分析方法

目前，基于遙感影像進行小麥農學數據的反演方法有經驗模型法、物理模型法和統計模型法。本文采用經驗模型法對冬小麥4個農學參數進行反演。建立植被指數和地面農學數據的回歸模型，主要有冪函數、二次函數、線性函數、指數函數、多項式等。這種方法不僅可以預測并求出模型函數，還可以對結果進行殘差檢驗和精度檢驗。反演分析模型的建立步驟如下：

(1)以處理過的無人機多光譜影像為基礎，30個小區的邊界范圍為重點，提取30個小區的65個植被指數(N6梯度為農戶常規施肥，未提取植被指數)。

(2)從不同時期所獲得的地上部生物量、植株吸氮量、氮營養指數和產量中隨機選取75%數據作為建模數據，另外25%作為驗證數據。分析比較不同生育時期植被指數和農學數據的相關性，選出最優反演生育期，構建最優模型。

(3)利用驗證數據分析評估最優模型的預測能力。

2 結果與分析

2.1 農學參數的變化

小麥農學參數在不同生長階段變化如表1所示。地上部生物量和植株吸氮量隨生育期的增加而增加，各個時期的變異相差不大，其中地上部生物量變異系數為27%～28%，植株吸氮量為35%～40%，這可能是由其生理特性決定的。NNI各個時期相差不大(0.72～0.82)，標準差和變異系數隨生育期而增大，其中揚花期變異最大，變異系數為30%。對于全生育期，地上部生物量、吸氮量、NNI變異系數分別為64%、57%與24%。成熟期不同處理下小麥產量的變異也較大，變異系數為29%。較大的變異有利于反演模型的建立與驗證。

表1 冬小麥不同生長階段農學參數變化Tab.1 Variation of agronomy variables of winter wheat across different growth stages

2.2 構建冬小麥農學數據反演模型及模型精度驗證

為了避免農學數據時域性對反演的干擾，本研究進行分時期建立模型，分析比較植被指數和農學數據的相關性。本研究根據實測農學數據與無人機影像獲取的65個植被指數建立了相關關系，選取決定系數(R2)、均方根誤差(RMSE)和相對誤差(RE)作為評價模型精度的指標，最優植被指數與農學參數如表2所示。在不同生育期，最優植被指數和農學參數的決定系數各不相同。隨著生育期的推后，生物量、吸氮量、NNI的決定系數呈現升高趨勢，分別介于0.45～0.88、0.60～0.96和0.60～0.95之間。而產量的決定系數在孕穗期達到最大值0.96，拔節期(R2=0.93)與揚花期(R2=0.94)的決定系數相差很小。在揚花期，MCCCI能最好地估測地上部生物量和植株吸氮量，決定系數分別為0.88和0.96，DATT能最好地估測NNI，決定系數為0.95。

表2 最優植被指數與農學參數的關系Tab.2 Relationships between the best vegetation indexes and agronomy parameters

注：P代表冪函數;Q代表二次多項式函數;E代表指數函數。

圖3 冬小麥揚花期地上部生物量、植株吸氮量和NNI觀測值與估測值間的相關關系Fig.3 Relationships between observed and estimated values of winter wheat aboveground biomass, plant N uptake and NNI across flowering stage

因為拔節期、孕穗期、揚花期的冬小麥產量數據建模的決定系數非常相近，為了檢驗最優生育期是否為孕穗期，對這3個時期的數據模型進行驗證，結果如表3所示。

由表3可知，用拔節期、揚花期建立的模型進行驗證時，決定系數都有所升高，拔節期決定系數由0.93上升至0.96附近，揚花期決定系數由0.94上升至0.96附近，孕穗期決定系數基本穩定在0.96附近。三者之間就決定系數而言，所建模型都具有可靠性。拔節期誤差較低，RMSE最大值0.47 t/hm2和RE最大值0.06都略低于孕穗期和揚花期的最大值。就產量估計而言，3個時期在R2、RMSE、RE這3個估測指標間的差別也不是很大，很難在拔節期和孕穗期、孕穗期和揚花期之間確立哪個區間是估產的關鍵時期。這與千懷遂[33]的孕穗期至揚花期是進行小麥單產估測的關鍵時期的研究結果不太一致。得到這種結果可能是因為建模數據和驗證數據比較少。

2.3 研究區冬小麥氮營養指數反演

利用DATT最優氮營養指數反演模型對研究區揚花期冬小麥NNI進行氮素營養診斷，結果如圖4所示。當NNI大于1(綠色)時，表明冬小麥氮素過剩；當NNI等于1時為氮適宜(黃色)；當NNI小于1時為氮不足(紅色)。對比圖1可以得到，紅色小區即N1區域，為不施氮肥小區，表現為氮不足，在N2～N6小區氮適宜比重居多，也存在氮不足和氮過剩的情形，這跟品種和水也有很大關系。總體而言，診斷圖可以在揚花期基本反映冬小麥的生長狀況，為冬小麥精準氮素管理提供依據。

表3 拔節期、孕穗期和揚花期的產量反演模型和精度驗證Tab.3 Inversion models and precision validation of yield in elongation stage, booting stage and flowering stage

圖4 基于DATT冪函數模型反演的揚花期冬小麥氮營養指數Fig.4 NNI inversion of winter wheat based on model of DATT power function in flowering stage

3 結束語

基于無人機多光譜相機的氮素監測方法能夠準確有效地監測小麥的生育狀況，提取的NNI分布圖能夠為精準施肥提供依據和數據支持。借助無人機搭載多光譜相機在精確反演氮營養指數方面可行，可為精準管理提供技術支持。

1 欒青, 馬雅麗, 李偉偉,等. GIS支持下的臨汾市冬小麥動態估產模型研究[J]. 山西農業科學, 2012, 40(5):536-539.

LUAN Qing, MA Yali, LI Weiwei,et al. Study on GIS based winter wheat dynamic yield estimation model in Linfen[J]. Shanxi Agriculture Science, 2012, 40(5):536-539.(in Chinese)

2 張玉萍, 馬占鴻. 不同施氮量下小麥遙感估產模型構建[J]. 江蘇農業學報, 2015, 31(6):1325-1329.

ZHANG Yuping, MA Zhanhong. Yield estimation model of wheat based on remote sensing data under different nitrogen supply conditions[J]. Jiangsu Journal of Agriculture Science, 2015, 31(6):1325-1329.(in Chinese)

3 宿敏敏, 黃珊瑜, 趙光明,等. 黑龍江墾區農戶水稻管理現狀與對策分析[J]. 北方水稻,2012, 42(2):28-33.

SU Minmin,HUANG Shanyu,ZHAO Guangming, et al. Current rice management practices of farmers in Heilongjiang land reclamation area and improvement strategies[J]. North Rice, 2012, 42(2):28-33.(in Chinese)

4 趙光明. 寒地水稻高產與養分高效利用的綜合管理技術研究與示范[D].北京:中國農業大學, 2014.

ZHAO Guangming. Research and demonstration of integrated rice management technology for high yield and high nutrient use efficiency in cold region[D]. Beijing:China Agricultural University, 2014.(in Chinese)

5 趙安周, 朱秀芳, 李天祺. 基于HJ小衛星影像的北京市冬小麥測產研究[J]. 農業現代化研究, 2014, 35(5):573-577.

ZHAO Anzhou, ZHU Xiufang,LI Tianqi. Estimation of winter wheat yield in Beijing based on HJ-1 images[J]. Research of Agricultural Modernization, 2014, 35(5):573-577.(in Chinese)

6 田振坤, 傅鶯鶯, 劉素紅,等. 基于無人機低空遙感的農作物快速分類方法[J]. 農業工程學報, 2013, 29(7):109-116.

TIAN Zhenkun, FU Yingying, LIU Suhong, et al. Rapid crops classification based on UAV low-altitude remote sensing[J]. Transactions of the CSAE, 2013, 29(7):109-116.(in Chinese)

7 曹強. 基于主動作物冠層傳感器的冬小麥、水稻精準氮素管理[D].北京:中國農業大學, 2014.

CAO Qiang. Active crop canopy sensor-based precision nitrogen management of winter wheat and rice[D]. Beijing:China Agricultural University, 2014.(in Chinese)

8 CAO Q, CUI Z, CHEN X, et al. Quantifying spatial variability of indigenous nitrogen supply for precision nitrogen management in small scale farming[J]. Precision Agriculture, 2012,13(1):45-61.

9 JIA L, LI F, GNYP M, et al. Nitrogen status estimation of winter wheat by using an IKONOS satellite image in the North China Plain[J]. IFIP Advances in Information and Communication Technology, 2012, 369:174-184.

10 王利民, 劉佳, 楊玲波,等. 基于無人機影像的農情遙感監測應用[J]. 農業工程學報, 2013,29(18):136-145.

WANG Limin, LIU Jia, YANG Lingbo, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the CSAE, 2013,29(18):136-145.(in Chinese)

11 CAO Q, MIAO Y, WANG H, et al. Non-destructive estimation of rice plant nitrogen status with Crop Circle multispectral active canopy sensor[J]. Field Crops Research, 2013,154:133-144.

12 韓文霆, 郭聰聰, 張立元,等. 基于無人機遙感的灌區土地利用與覆被分類方法[J/OL]. 農業機械學報, 2016, 47(11):270-277.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20161137&flag=1.DOI:10.6041/j.issn.1000-1298.2016.11.037.

HAN Wenting, GUO Congcong, ZHANG Liyuan, et al. Classfication method of land cover and irrigated farm land use based on UAV remote sensing in irrigation[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2016, 47(11):270-277.(in Chinese)

13 楊福芹, 馮海寬, 李振海,等. 基于赤池信息量準則的冬小麥葉面積指數估算[J/OL]. 農業機械學報, 2015, 46(11):112-120.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20151116&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.11.016.

YANG Fuqin, FENG Haikuan, LI Zhenhai, et al. Hyperspectral estimation of leaf area index for winter wheat based on Akaike’s information criterion[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(11): 112-120. (in Chinese)

14 BURKART A, AASEN H, ALONSO L, et al. Angular dependency of hyperspectral measurements over wheat characterized by a novel UAV based goniometer[J]. Remote Sensing, 2015,7(1):725-746.

15 SCHIRRMANN M, GIEBEL A, GLEINIGER F, et al. Monitoring agronomic parameters of winter wheat crops with low-cost UAV imagery[J]. Remote Sensing, 2016,8(9):706.

16 李冰, 劉镕源, 劉素紅,等. 基于低空無人機遙感的冬小麥覆蓋度變化監測[J]. 農業工程學報, 2012, 28(13):160-165.

LI Bing, LIU Rongyuan, LIU Suhong, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the CSAE, 2012, 28(13):160-165.(in Chinese)

17 高林, 楊貴軍, 于海洋,等. 基于無人機高光譜遙感的冬小麥葉面積指數反演[J]. 農業工程學報, 2016,32(22):113-120.

GAO Lin, YANG Guijun, YU Haiyang, et al. Retrieving winter wheat leaf area index from UAV based imaging hyperspectral system[J]. Transactions of the CSAE, 2016,32(22):113-120.(in Chinese)

18 ROOSJEN P, BREDE B, SUOMALAINEN J, et al. Improved estimation of leaf area index and leaf chlorophyll content of a potato crop using multi-angle spectral data potential of unmanned aerial vehicle imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2018,66:14-26.

19 FIEUZAL R, MARAIS S, BAUP F. Estimation of corn yield using multi-temporal optical and radar satellite data and artificial neural networks[J]. International Journal of Applied Earth Observation and Geoinformation, 2017,57:14-23.

20 SON C. Near-infrared fusion via a series of transfers for noise removal[J]. Signal Processing, 2018,143:20-27.

21 PADILLA F, PENA M, GALLARDO M, et al. Determination of sufficiency values of canopy reflectance vegetation indices for maximum growth and yield of cucumber[J]. European Journal of Agronomy, 2017,84:1-15.

22 NAVARRO G, CABALLERO I, SILVA G, et al. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2017,58:97-106.

23 LIAQAT M, CHEEMA M, HUANG W, et al. Evaluation of MODIS and Landsat multiband vegetation indices used for wheat yield estimation in irrigated Indus Basin[J]. Computers and Electronics in Agriculture, 2017,138:39-47.

24 GNYP M, MIAO Y, YUAN F, et al. Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages[J]. Field Crops Research, 2014,155(1):42-55.

25 SUOMALAINEN J, ROOSJEN P, BARTHOLOMEUS H, et al.Reflectance anisotropy measurements using a pushbroom spectro meter mounted on UAV and alaboratory goniometer-preliminary results[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2015,XL-1/W4:257-259.

26 DAUGHTRY C, WALTHALL L, KIM M, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment,2000,74(2):229-239.

27 NA S, PARK C, CHEONG Y, et al. Selection of optimal vegetation indices for estimation of barley & wheat growth based on remote sensing—an application of unmanned aerial vehicle and field investigation data[J]. Korean Journal of Remote Sensing, 2016,32(5):483-497.

28 LEBOURGEOIS A, BEGUE S, LABBE M, et al. A light-weight multi-spectral aerial imaging system for nitrogen crop monitoring[J]. Precision Agriculture, 2012,13(5):525-541.

29 高曉薇. Crop Circle傳感器在冬小麥氮營養實時診斷與調控中的應用研究[D].北京:中國農業大學, 2011.

GAO Xiaowei. Research on the application of Crop Circle sensor in real-time nitrogen nutritional status diagnosis and management of winter wheat[D]. Beijing:China Agricultural University, 2011.(in Chinese)

30 黃珊瑜. 基于多光譜作物冠層傳感器的寒地水稻氮營養實時診斷研究[D].北京:中國農業大學, 2010.

HUANG Shanyu. Research on multi-spectral canopy sensors-based real-time diagnosis of rice nitrogen status in cold region[D]. Beijing:China Agricultural University, 2010.(in Chinese)

31 王備戰, 馮曉, 溫暖,等. 基于SPOT-5影像的冬小麥拔節期生物量及氮積累量監測[J]. 中國農業科學,2012, 45(15):3049-3057.

WANG Beizhan, FENG Xiao, WEN Nuan,et al. Monitoring biomass and N accumulation at jointing stage in winter wheat based on SPOT-5 images[J]. Scientia Agricultura Sinica, 2012,45(15):3049-3057.(in Chinese)

32 YUE S, MENG Q, ZHAO R, et al. Critical nitrogen dilution curve for optimizing nitrogen management of winter wheat production in the North China Plain[J]. Agronomy Journal, 2012,104(2):523-528.

33 千懷遂. 農作物遙感估產最佳時相的選擇研究——以中國主要糧食作物為例[J]. 生態學報, 1998, 18(1):50-57.

QIAN Huaisui. Selection of the optimum temporal for crop estimation using remote sensing data—main food crops in China[J]. Acta Ecologica Sinica, 1998, 18(1):50-57.(in Chinese)