基于無人機光譜分析的農田監測系統應用

張樂春

(南通科技職業學院，江蘇 南通 226000)

0 引言

農田是農業生產的基礎物資條件，主要由土壤、目標作物和雜草組成。農田監測的內容包括土壤類型、目標作物生長狀況、雜草種類和數量，其監測結果是農藝管理操作的依據。農田的土壤類型較為穩定，在一定時期內不會有太大變化，因此無須進行實時監測。目標作物作為農業生產的主體，生長速度快，性狀種類多，是農田監測的重點。雜草在農田中普遍存在，一般不會對目標作物造成嚴重的影響，只有出現爆發或生物入侵的情況下才需要進行監測。因此，大部分農田監測相關的研究都是針對目標作物長勢的研究，旨在為田間管理和產量預測提供重要的信息[1-2]。

農作物長勢是通過外部性狀和內部性狀綜合評判的，外部性狀可以被直接觀察感知，如各組織器官的數量、形狀和顏色等；外部性狀通過觀察記錄或者測量統計獲得，是作物生長狀況的直接反映。內部性狀是生理代謝狀況和生理生化指標，如葉綠素含量、氮含量等，需要利用專門的儀器或方法測定獲得。內部性狀是外部性狀產生的原因，可以作為分析作物生長趨勢的參考因素。傳統的農田監測是由人工完成，通過肉眼的觀察和統計測量，或者利用便攜式儀器測量，以及取樣后在室內測定。人工監測方法的勞動強度大，效率較低，受人員技能和素質的影響，難以得到準確的結果。取樣測定還會對作物造成損害，且所選農田區域的代表性有限，不能滿足現代化農業的要求。

傳統農田監測方法的缺陷主要是源于平臺高度的限制，導致不能獲得大面積的農田影像信息。隨著科學的發展，以衛星和無人機為平臺的遙感技術應用于農田信息監測中，有效地解決了上述問題。衛星遙感雖然覆蓋面積大，但是空間和光譜分辨率較低，影響了監測的準確性[3]。相比之下，無人機遙感則兼顧了覆蓋面積和監測精度，還具有操作簡便和靈活性好的特點，成為農田監測的理想手段[4]。無人機全稱無人駕駛航空飛行器，是由飛行平臺、遙控站及通訊模塊等部件組成的系統[5]。無人機在農業上主要用于農藥噴灑、農業保險勘察和農田信息監測。其中，農田信息監測的內容包括作物長勢、生理狀況和病蟲草害，都是通過現代遙感技術完成的。無人機遙感獲得的農田信息范圍大，實時性強且準確性高，與傳統方法相比具有明顯的優勢[6-8]。

無人機通過農田影像的采集和分析來實現對農田的監測，影像采集設備為普通數碼相機及多光譜相機或光譜儀。數碼相機和多光譜相機采集的影像數據波段較少，光譜有限，不能全面地反映農田信息[9]。高光譜遙感是20世紀80年代興起的技術，在拍攝地面圖像的同時獲得連續的光譜信息，通過分析光譜特征來對目標進行遙感監測。高光譜的波段連續性強，光譜數據量大，有利于獲取農田作物的完整信息。目前，由無人機搭載的高光譜遙感已在農業中得到了廣泛應用，對農作物生長狀態和生理指標的檢測是其應用的主要方面。高林等和田明璐等通過對無人機高光譜影像數據的分析，分別建立了針對冬小麥和棉花的葉面積指數估算模型[10-11]。裴浩杰等利用無人機獲取的高光譜影像數據監測小麥的多個生理和生物量指標，從而評判小麥的綜合長勢[12]。秦占飛等采用相似的方法估測水稻葉片的全氮含量，用于評價水稻的營養狀況[13]。此外，還有關于無人機高光譜對入侵雜草進行監測的報導[14]。

無人機拍攝農田影像后，還需要進行光譜分析，才能獲得農田的目標信息。光譜分析是農田監測的重要手段，分析方法的選擇對監測精度有很大的影響。為此，設計了基于無人機光譜分析的農田監測系統，并用于對水稻的葉綠素含量進行估算，評價系統監測的精度，為精準農業的發展提供技術支撐。

1 材料與方法

1.1 監測系統的組成

監測系統由無人機平臺和光譜儀組成。無人機平臺為大疆精靈Phantom 4 Advanced型旋翼無人機，有效載荷2kg，續航時間30min。無人機采用北斗定位，無線傳輸速度Class10，最遠距離達到7km。地面站安裝大疆DJIGS Pro版軟件，規劃無人機的飛行路徑，通過PID控制方法將設定的航線發送給無人機，利用紅外無線傳輸控制飛行速度和方向。

光譜影像采集設備為德國Cubert公司的UHD185型機載光譜儀，安置在無人機的正下方。UHD185是全畫幅、非掃描的實時成像光譜儀，最小采樣間隔4nm，光譜范圍 450～950nm之間，分辨率為8nm。光譜儀質量為0.47kg，具有125個通道，單次拍攝可以產生1幅50×50像素的高光譜影像。

1.2 試驗區概況

試驗區位于江蘇省南通市石港鎮(東經120°59＇42＂，北緯32°11＇46＂)，地處長江下游的沖積平原，屬亞熱帶季風氣候，降雨量充沛。試驗區內種植的作物為水稻，品種是雜交中稻揚兩優818，采取常規的栽培措施。

1.3 影像拍攝和數據處理

1)在水稻的抽穗期采集農田光譜影像，采集時間為9：00-11：00，天氣多云無風，能見度較好。無人機飛行高度80m，速度5m/s。光譜儀的鏡頭垂直向下，焦距22mm，拍攝視角15°，積分時間設定為1ms。光譜儀拍攝前在地面完成暗電流校正，利用參考板進行輻射標定。

2)采集光譜影像的同時在試驗區內均勻選擇30個1m×1m的取樣點，每個點內隨機選10片水稻劍葉，用SPAD-502型便攜式葉綠素儀測定每片劍葉上、中、下3個部位的葉綠素含量(SPAD)，以10片劍葉的平均值作為該樣點的葉綠素含量。

3)光譜影像采集后利用光譜儀附帶的軟件進行輻射校正得到反射率，然后將影像導入ENVI5.1軟件中識別出目標區域；以SPAD測定樣點為中心構建興趣區，將興趣區內的平均反射率光譜作為該樣點的特征光譜用于分析。從30個樣點中隨機選擇15個作為建模樣本，其余15個作為檢驗樣本。

1.4 光譜參數選擇和模型構建

將樣點的各波段反射率進行線性或非線性組合計算，可以得到相應的光譜參數，消除背景信息的干擾，提高估算精度。UHD數據中包含豐富的光譜參數，本文參考田明璐等的研究，選取了對葉綠素含量敏感的4個光譜參數用于對水稻劍葉葉綠素含量的估算[4]。4個參數DR526、DR578、SDy和Db都與葉綠素含量呈線性關系，參數的定義如表1所示。葉綠素含量的光譜參數估算模型在SPSS軟件中通過一元線性回歸建立，然后在ENVI環境中對檢驗樣本的葉綠素含量進行反演。光譜參數與葉綠素含量的相關性以及模型對檢驗樣本的估算精度通過擬合方程的決定系數R2衡量，R2值越大，則相關性和估算精度越高。

表1 光譜參數的定義Table 1 Definition of the spectral indexes

2 結果與分析

4個光譜參數與建模樣本水稻葉片SPAD值的回歸分析結果如圖1所示。所有光譜參數的模型方程都達到了顯著水平，表明這些光譜參數都含有可用于估算SPAD的信息。4個參數中，基于DR526和SDy建立的模型精度較高，建模決定系數R2分別為0.753和0.726，因此用來對檢驗樣本的SPAD實測值和估算值進行擬合分析。

圖1 光譜參數與水稻葉片SPAD值的相關性Fig.1 The correlation between spectral indexes and rice leaf SPAD value

分別用SPAD-DR526和SPAD-SDy模型對15個檢驗樣本的SPAD實測值和估算值進行擬合分析，擬合方程的決定系數R2和斜率越接近1，表明模型的精度越高。分析結果如圖2所示。

圖2 檢驗樣本水稻葉片SPAD估算值與實測值的擬合Fig.2 Regression of estimated and measured rice leaf SPAD values (samples for validation)

其兩個模型的R2都超過0.9，具有較高的精度。SPAD-DR526模型的斜率達到1.217，與SPAD-SDy模型的0.869相比，擬合的精度相對較低，因此SDy可以作為本文SPAD值的最佳估算參數。

3 結論

為了拓寬農田信息監測的手段，設計了基于無人機光譜分析的農田監測系統。系統利用大疆精靈旋翼無人機搭載德國UHD185型光譜儀拍攝水稻田的高光譜影像，基于多個光譜參數建立回歸模型，對水稻劍葉的葉綠素含量進行估算。4個光譜參數與建模樣本水稻葉片SPAD值的回歸分析都達到顯著水平，含有可用于估算SPAD的信息。基于DR526和SDy建立的模型精度較高，因此用來對檢驗樣本的SPAD實測值和估算值進行擬合分析。兩個模型擬合方程的R2都超過0.9，具有較高的精度。結合模型的斜率值，則SDy可以作為本文SPAD值的最佳估算參數。無人機光譜分析對農田監測的精度較高，能為精準農業的發展提供技術支撐。