基于高光譜遙感處方圖的寒地分蘗期水稻無人機精準施肥

于豐華，曹英麗，許童羽，郭忠輝，王定康

·農業航空工程·

基于高光譜遙感處方圖的寒地分蘗期水稻無人機精準施肥

于豐華1,2，曹英麗1,2，許童羽1,2※，郭忠輝1，王定康1

（1. 沈陽農業大學信息與電氣工程學院，沈陽 110866；2. 遼寧省農業信息化工程技術中心，沈陽 110866）

分蘗期根外追肥是水稻生產的重要田間管理環節，也是水稻生長中的第一個需肥高峰期，追肥效果直接影響分蘗數以及中后期長勢。為了探究利用無人機遙感構建施肥量處方圖指導農用無人機對分蘗期水稻精準追肥，在保障水稻產量的前提下降低化肥施用量，該研究在水稻分蘗期追肥窗口期，利用無人機遙感診斷與農用無人機精準作業相結合，采用無人機高光譜技術建立水稻分蘗期施肥量處方圖，結合農用無人機作業參數對待施肥地塊進行柵格劃分，確定精準施肥量，并通過農用無人機進行精準施肥。結果表明：利用特征波段選擇與特征提取的方式在450～950 nm范圍內共提取5個水稻高光譜特征變量用于水稻氮素含量的反演；利用粒子群優化的極限學習機（Particle Swarm Optimization-Extreme Learning Machine，PSO-ELM）構建的水稻氮素含量反演模型效果要好于極限學習機（Extreme Learning Machine，ELM）反演效果，模型決定系數為0.838；結合待追肥區域反演氮素含量（N），標準田氮素含量（std）、氮肥濃度（）、水稻地上生物量（std）、水稻覆蓋度（std）、化肥利用率（）及轉化率（）等構建了農用無人機追肥量決策模型，與對照組相比，利用該研究構建的處方圖變量施肥方法使氮肥追施量減少27.34%。研究結果可為寒地水稻分蘗期農用無人機精準變量追肥提供數據與模型基礎。

無人機；遙感；水稻；高光譜；精準施肥

0 引 言

寒地水稻是寒冷地區水稻的總稱，國內主要分布于東北地區。由于氣候環境變化較大，寒地水稻在種植模式和田間管理方面與南方水稻不同[1]。北方地區早春氣溫和土壤溫度均偏低，養分釋放慢，因此在水稻關鍵生育期需要根外追肥，以保證水稻的產量和品質[2]。其中分蘗期追肥是寒地水稻田間管理的關鍵環節，也是水稻整個生長中的第一個需肥高峰期，追肥效果將直接影響水稻分蘗數以及中后期的長勢[3]。分蘗期過量追肥容易引起無效分蘗率增加、葉片披垂重疊遮陰等，增加倒伏和病害風險。同時葉片含氮量過高，還會阻礙以氮代謝為主向以碳代謝為主轉移，可能延長營養生長期而推遲出穗期，不利于水稻穩產[4-5]。

近年來，水稻生產中利用農用無人機開展追肥作業得到了快速發展，大幅提高了水稻田間管理效率，同時減少了勞動強度、降低了人工成本[6-9]。許童羽等[10]研究了多旋翼農用無人機霧滴在水稻冠層的分布規律，表明農用無人機噴施作業霧滴在冠層上分布較為均勻，能夠保證水稻地上植株被藥液充分附著。張建桃等[11]分析了農用無人機噴施霧滴與水稻葉面接觸角對沉積量的影響，表明接觸角的變化趨勢與霧滴高度和接觸面直徑及二者的增長速率密切相關。李繼宇等[12]研究了農用無人機噴霧粒徑對水稻冠層噴施效果的影響，表明農用無人機噴施霧滴在水稻冠層的分布均勻性和穿透性都較為理想，且霧滴粒徑越小，水稻冠層單位面積藥液沉積量越大，分布均勻性越好。陳盛德等[13]研究了小型無人直升機噴霧參數對水稻冠層霧滴沉積效果的影響，揭示了農用無人機作業參數對水稻霧滴沉積分布結果的影響，并從風場方面推測了霧滴沉積對農用無人機作業合理噴施、提高噴施效率的影響，為農用無人機進行精準追肥作業提供了參考。

目前，水稻無人機追肥作業的追肥決策主要依靠田間管理人員的經驗，缺乏有效追肥決策依據[14-16]。隨著無人機低空遙感技術的快速發展，國內外研究人員在水稻氮素營養無人機遙感診斷方面開展了相應的研究。秦占飛等[17]利用無人機高光譜遙感技術構建了水稻葉片氮素含量反演模型，為區域尺度水稻精準作業提供了一定的模型基礎。Din等[18]利用構建高光譜指數的方式實現數據降維，構建了基于768、750 nm波段的比值型植被指數，用于估算水稻冠層氮素含量。裴信彪等[19]在4種氮素水平下，利用無人機遙感平臺研究了RVI、NDVI等植被指數在水稻不同生育期的變化趨勢，為水稻長勢無人機遙感診斷提供了數據參考。Stavrakoudis等[20]通過多元線性回歸的方法在水稻分蘗期、孕穗期建立了氮素含量反演模型，能夠輔助開展水稻營養診斷。王樹文等[21]利用高光譜成像技術，根據植被指數與氮素含量相關性，建立了單變量預測模型服務于水稻精準追肥管理。Tsujimoto等[22]運用無人機低空遙感平臺獲取旱直播水稻的土壤養分信息用于指導氮肥決策，有效減少了化肥的過量施用。許童羽等[23]研究了基于遺傳算法優化極限學習機的水稻葉片尺度的缺氮量高光譜遙感診斷模型。臧英等[24]利用無人機搭載多光譜相機獲取水稻重要生育期的冠層多光譜圖像，融合積溫數據建立了基于標準種植比值法的水稻關鍵追肥節點的追施量決策模型，在減少追肥量的同時，保證產量穩定。已有的水稻營養診斷研究大多以反演氮素含量為主，缺少田塊尺度的營養診斷與無人機精準噴施相結合的研究與應用，所建立的水稻養分反演模型難以直接指導水稻田間追肥作業[25-27]。本研究將水稻分蘗期無人機追肥量遙感診斷與農用無人機精準作業相結合，運用無人機高光譜技術建立水稻分蘗期追肥量處方圖，在此基礎上結合農用無人機作業參數，對待追肥地塊進行柵格劃分，確定每一個柵格追肥作業噴施量，并通過農用無人機進行精準追肥，以期為寒地水稻分蘗期無人機精準變量追肥提供數據與模型基礎。

1 材料與方法

1.1 研究區概況

試驗地點位于遼寧省沈陽市沈北新區柳條河村（北緯42°01′17.16″，東經123°38′14.57″），屬于典型的寒地水稻種植區，試驗品種為遼寧地區廣泛種植的“粳優653”品種。試驗于2019年5－11月進行，水稻移栽前和收獲后進行耕層土壤采樣；返青期、分蘗期進行無人機遙感追肥診斷與農用無人機變量施肥；水稻成熟后進行小區測產。

試驗小區設計為4個氮肥梯度處理（圖1），分別為CK、N1、N2、N3，各小區之間采用田埂進行分隔。其中CK為對照組，即不施用基肥；N1為當地標準氮基肥施用水平，氮肥施用量為45 kg/hm2，N2為低氮施肥水平，施用量為22.5 kg/hm2；N3為高氮施肥水平，施用量為67.5 kg/hm2；磷肥和鉀肥的施用按照當地標準施用量進行，其中磷肥標準施用量為51.75 kg/hm2，鉀肥標準施用量為18 kg/hm2。在試驗小區相鄰田塊，另外設置傳統人工施肥方式管理小區（T）和農學專家推薦施肥方式管理小區（S），用于施肥效果分析比較。基肥施入之前，在每個小區按5點采樣法采集土樣，采集深度為0～50cm，分析土壤中營養元素含量：采用微量擴散法測定土壤的硝態氮質量分數，為3.16～14.82 mg/kg；采用火焰光度法測定土壤速效鉀質量分數，為86.83～120.62 mg/kg；采用Bray1法測定土壤有效磷質量分數，為3.14～21.18 mg/kg；采用堿解擴散法測定土壤全氮質量分數，為104.032～127.368 mg/kg；采用半微量凱氏法測定土壤全氮質量分數，為0.154～0.162 g/kg；采用重鉻酸鉀—外加熱法測定土壤有機質質量分數為15.8～20.0 g/kg。其他田間管理按當地正常水平進行。

注：CK為對照組；N1氮肥施用量為45 kg·hm-2，N2氮肥施用量為22.5 kg·hm-2；N3氮肥施用量為67.5 kg·hm-2；T為傳統人工施肥方式管理小區；S為農學專家推薦施肥方式管理小區。

1.2 數據獲取

1.2.1 無人機高光譜遙感影像獲取

無人機高光譜平臺采用深圳大疆創新公司的M600 PRO六旋翼無人機，高光譜成像儀選用四川雙利合譜公司的GaiaSky-mini內置推掃式機載高光譜成像系統，高光譜的波段范圍為400～1 000 nm，分辨率為3.5 nm，有效波段數為170個，單幅影像獲取時間為15 s，幀速為162幀/s，無人機飛行高度為100 m，共獲取40景水稻冠層無人機高光譜遙感影像。由于水稻分蘗期稻田內水體面積很大，若采用傳統的高光譜采集時間會受到鏡面反射等干擾，造成光譜污染。因此本研究將無人機高光譜數據采集時間選擇在08:00－08:30之間，同時為了降低由于太陽高度角變化對高光譜影像采集造成的測量誤差，無人機高光譜影像獲取過程中每隔5 min進行1次定標白板（反射率>99%）和儀器背景暗噪聲光譜數據的采集，用于后期計算高光譜影像反射率。同時在每景高光譜采集區域內放置一塊1.5 m×1.5 m、反射率為60%的漫反射板，用于后期的反射數據校正。高光譜數據采集期間，同步開展田間蟲害、病害等級調查，試驗小區在高光譜數據采集之前未發生蟲害和病害情況，因此本研究試驗小區從插秧到遙感數據采集這段時間內未噴施任何藥劑，所獲取的光譜數據沒有受到病害、蟲害、雜草等其他外界脅迫的干擾。利用機載高光譜成像儀配套的SpectraVIEW軟件對所獲取的無人機高光譜遙感影像進行鏡頭、均勻性、反射率等預處理，最終獲得用于反演建模的試驗小區高光譜反射率影像。

1.2.2 水稻葉片氮素含量測定

對每個小區中采樣點水稻進行整穴破壞性取樣，帶回實驗室后將該穴水稻所有新鮮葉片剪下置于烘箱中以120 ℃殺青60 min，再以65 ℃烘干至恒質量。稱量后將其粉碎，把研磨好的粉末采用凱氏定氮法檢測葉片的含氮量（mg/g）。

1.2.3 水稻產量測定

收獲時每個試驗小區取2 m×2 m范圍的全部水稻進行測產。

1.2.4 稻田土壤氮含量測定

在每個小區按5點采樣法采集土樣，采集深度為10～20 cm，將5點的土壤混合，過2 mm篩后裝入自封袋，帶回實驗室將其風干后過0.15 mm篩，裝回原自封袋中備用。土壤全氮先用濃硫酸和雙氧水混合消煮，再用半微量凱氏法測定。本研究分別于底肥施用之前和水稻收獲之后測定試驗小區土壤氮含量用于輔助分析變量追肥效果。

1.3 研究方法

1.3.1 無人機高光譜遙感影像解混

無人機高光譜遙感影像空間分辨率與光譜分辨率均比較高，而分蘗期稻田還沒有封行，一景高光譜影像既包含水稻，又包含水體、土壤等干擾信息，因此需要對無人機高光譜遙感影像進行解混，提取水稻高光譜信息用于后續建模。本研究首先采用最小噪聲分離法（Minimum Noise Fraction Rotation, MNF）分離數據中的噪聲，再利用純凈像元指數法（Pixel Purity Index, PPI）提取水稻的高光譜反射率曲線，并構建地物端元波普庫，最后采用正交子空間投影方法（Orthogonal Subspace Projection，OSP），對無人機高光譜遙感影像進行解混，提取水稻的高光譜信息。

1.3.2 水稻氮素含量高光譜遙感建模方法

經過解混獲取的水稻高光譜信息相比于寬波段的多光譜數據在光譜維度上具有連續特性，能夠表征更多的水稻信息，但高光譜數據同時也包含了大量的冗余信息，會造成建模精度和效率的降低。本研究分別采用主成分分析法（Principal Component Analysis，PCA）與紅邊特征反射率相結合的方式對400～1 000 nm范圍的高光譜信息進行降維。將降維后的數據結果作為極限學習機（Extreme Learning Machine，ELM）與粒子群優化的極限學習機（Particle Swarm Optimization algorithm is used to optimize the ELM, PSO-ELM）的氮素濃度高光譜反演模型的輸入，構建水稻分蘗期葉片氮素濃度反演模型，為建立水稻追肥量處方圖提供依據。

1.3.3 水稻農用無人機氮肥追施量精準決策方法

在試驗地點相鄰田塊按照水稻栽培專家給出的田間管理方案設置一塊生產標準田作為參考標準，將同時期標準田內水稻平均氮濃度作為氮肥追施目標，記為std（mg/g），將待追肥水稻氮素濃度的反演值記為N（mg/g）。則分蘗期水稻缺氮量N（mg/g）為

N＞0時表示目前該位置的氮素含量低于標準田，需要進行外部噴施追肥，N≤0時表示目前該位置不要進行外部噴施追肥。

1.3.4 農用無人機追肥量處方圖生成方法

獲取水稻單位面積缺氮量后，將缺氮量轉換為處方圖，指導農用無人機進行精準追肥作業。由于無人機高光譜遙感影像在每一個像素點都包含有一條高光譜反射率曲線，因此運用高光譜遙感影像可以針對每一像素點都生成一個追肥量。而由于追肥作業的農用無人機噴幅寬窄的限制，無法針對田塊內部每一個像素點的缺氮量進行精準噴施，因此本研究結合農用無人機噴幅（m）和速度（m/s）按照每秒對追肥地塊進行柵格劃分，每個噴施柵格面積大小為噴幅×速度（m2），針對每個柵格生成一個氮肥追施量，追肥量UAV（mL）計算方法如公式（2）所示。

式中為無人機藥箱中氮肥濃度，mg/mL；std為標準田單個柵格面積范圍內水稻地上生物量，標準田的生物量測量采用5點采樣法，計算單位面積生物量，g/m2；std、C分別為標準田、待追肥田柵格面積內水稻覆蓋度，覆蓋度計算通過對無人機獲取的正射影像進行分類，提取水稻像元個數占影像所有像元的比；為化肥利用率，為化肥轉化率，、為經驗值。本研究參考侯彥林等[28]針對氮肥利用率和轉化率的研究結果，設置為0.4，為0.6。

1.4 模型精度與效果評價

本研究使用均方根誤差（RMSE）和模型決定系數（2）作為無人機高光譜反演模型的評價標準，利用大疆精靈4 RTK無人機獲取帶有空間信息的試驗田正射影像，確定追肥田塊的每一個追施柵格的實際位置，采用PID算法通過控制藥液泵工作電壓，實現變量噴施。農用無人機噴施過程中，地面同時布置霧滴測試卡，計算霧滴覆蓋度等參數，作為評價農用無人機水稻分蘗期變量追施效果。

2 結果與分析

2.1 數據分析

2.1.1水稻氮素樣本量

本研究共采集120組水稻氮含量測試數據樣本，根據Kennard-Stone算法將樣本按照訓練集與驗證集3:1的比例進行劃分，隨機選取其中的90組作為建模數據集，另外30組為驗證數據集。樣本集的氮素濃度最大值為4.874 mg/g，氮素濃度最小值為1.060 mg/g，變異系數為0.32。

2.1.2 高光譜數據分析

無人機遙感平臺獲取的稻田高光譜影像質量是開展追肥量決策的重要前提，高光譜雖然具有較高的光譜分辨率，但在數據獲取過程中稻田內地物的高光譜信息在噪聲的影響下會造成數據失真。因此本研究采用“均勻區域劃分和光譜維去相關的高光譜圖像噪聲評估方法評價所采集無人機高光譜遙感影像的噪聲水平，結果如圖2所示。由圖2結果可知，在400～450、950～1 000 nm兩個波段范圍噪聲標準差均超過了0.01，而其余波段的噪聲標準差遠低于0.005，表明這2個波段的光譜信息存在著較大的數據噪聲，由于研究選用的高光譜成像儀能夠獲取高光譜反射率波段范圍在400～1 000 nm內，而上述2個波段范圍正好處于高光譜采集范圍的2個邊界，信噪比較低。因此400～450、950～1 000 nm兩個光譜區間內的高光譜反射率具有較大的數據誤差。為了降低噪聲對模型的影響，保證建模效果，本研究選擇450～950 nm的波段范圍作為氮素含量遙感診斷的基礎數據。

圖2高光譜噪聲標準差估計結果

2.2 水稻分蘗期高光譜影像解混結果

水稻無人機高光譜遙感影像解混需要獲取稻田內地物端元高光譜信息，本文通過最小噪聲分離與純凈像元指數法提取稻田內地物端元高光譜信息。本文采用正向MNF變換提取高光譜影像中有效的數據維度，結果如圖3所示。由圖3可知，橫坐標高光譜特征維度為5時，縱坐標光譜特征值不再下降并保持穩定，因此本研究采用MNF變換能夠將高維無人機影像數據采用5維特征進行表示，為后續光譜解混降低了模型輸入維度。

圖3 最小噪聲分離法高光譜特征數量提取結果

利用MNF變換后的結果作為純凈像元提取的輸入，設定迭代次數為10 000次，由于水稻分蘗期內稻田有水層覆蓋，稻田內地物主要由水稻、水體土壤混合物構成，其余干擾地物占比很少，因此本研究主要針對上述2種地物進行端元高光譜提取，提取結果如圖4所示。

由地物端元光譜可知，紅色高光譜反射率曲線的特征既不是純土壤、也不是純水體的反射率曲線，這是由于太陽光照射到水層后部分會被水層反射，另一部分透過水層后到達下面的土壤再次發生反射，最終形成兩者混合光譜。由于水稻田分蘗期栽培管理的實際需求，土壤將被水層完全覆蓋，不存在單純的土壤或水體地物，因此本研究將水體、土壤混合狀態設置為一類地物。在提取稻田地物端元高光譜反射率曲線的基礎上，采用正交子空間投影豐度反演方法，從無人機高光譜影像中提取水稻的高光譜信息，結果如圖5所示。

圖4 地物端元高光譜提取結果

圖5 無人機高光譜影像解混結果

2.3 水稻高光譜特征提取

首先對450～950 nm范圍的高光譜按照藍色光區域、綠色光區域、紅色光區區域、紅邊區域、近紅外區域5個不同特征區域進行分段劃分，再利用PCA進行特征提取。本研究將高光譜分成5段，分別為450～500、500～600、600～690、690～760、760～950 nm。其中690～760 nm范圍內是紅邊位置所在區間，而紅邊位置對于作物的長勢、脅迫等十分敏感，因此在該區域，本研究提取高光譜紅邊位置的反射率作為特征，其余4個波段范圍采用PCA的方法每個范圍提取1個高光譜特征，400～1 000 nm范圍內共提取5個高光譜特征。

2.4 水稻氮素含量PSO-ELM反演結果

將提取的5個水稻高光譜特征參量分別作為ELM、PSO-ELM模型輸入，建立氮素含量反演模型。通過反復試驗，設置PSO優化算法模型參數為：最大迭代次數為300，初始種群數量為25，慣性因子為0.9～0.3遞減，學習因子C1和C2均為2，粒子最大速度為0.5。采用ELM反演方法建立的水稻氮素含量反演模型的2為0.700 8，RMSE為1.826 6，而采用PSO-ELM反演方法建立的水稻氮素含量反演模型的2為0.838，RMSE為0.466，所以PSO-ELM的氮素含量反演效果要優于ELM（圖6）。

圖6 水稻氮素含量反演結果

2.5 水稻分蘗期無人機追肥量處方圖生成

無人機追肥作業需要考慮農用無人機的飛行速度與噴幅等參數，同時需要考慮藥液泵的響應時間。由于無人機高光譜遙感影像在二維空間上是一條連續的反射率信息，每一個像素點均可以反演一個追肥量。實際作業過程中，農用無人機無法針對每一個像素點進行追肥噴灑作業，需要將高光譜遙感影像反演結果進行柵格分割。通過試驗發現本研究所選用藥液泵的最快響應時間為1 s，滿足一般作業要求，因此農用無人機追肥的最小變量柵格為噴幅乘以速度，本研究選所用無人機的有效噴幅為4 m，飛行速度為5 m/s，因此本研究最小追肥變量柵格為20 m2。結合差分GPS信息構成了農用無人機變量追肥處方圖（圖7）。通過變量追肥處方圖可知，本研究試驗田按照農用無人機能夠識別的最小柵格共劃分了253個（23×11）農用無人機追肥噴施柵格。通過追肥模型計算后，每一個柵格給出一個追肥量。高氮處理的基肥小區，其追施量變化較為平緩，而未施用基肥的小區其追施量則變化較大，這主要由于未施用基肥，水稻生長初始氮肥主要依靠土壤自有肥力，而由于稻田內土壤的空間差異性、稻田地勢高低、灌水條件等因素的影響，造成了水稻個體長勢的不同，從而使追施量的變化較大。而高氮處理的基肥小區由于土壤肥力較為充足，其他因素的影響相對較小，因此整體追肥量的變化相對比較平緩。

圖7 農用無人機追肥量處方圖

2.6 農用無人機精準追肥與效果評價

2.6.1 農用無人機精準追肥作業

獲取無人機追肥處方圖后，利用“云鸮-100”單旋翼農用無人機作為試驗平臺，根據處方圖每一個追肥柵格的4個頂點GPS坐標及追施量，生成農用無人機追肥量作業航點數據，并通過地面站寫入農用無人機飛控中，設定飛行速度為5 m/s，噴幅為4 m/s。農用無人機飛控系統根每秒按照寫入的噴施量執行1次噴施控制，實現農用無人機水稻分蘗期精準追肥作業。

2.6.2 農用無人機噴施效果

利用霧滴測試卡分別在CK、N1、N2、N3四個小區內按照五點采樣法布置20個霧滴采樣點。其中N3小區內的1個霧滴采樣點受到無人機旋翼風場影響，霧滴采樣卡跌落，因此共采集了19個有效霧滴采樣點的數據用于評估農用無人機精準追肥噴施效果。通過iDASLite軟件對霧滴測試卡進行數據分析，結果如圖8所示。由霧滴分析結果可知，實際噴施量與追肥量的差異平均值為2 mL/s，其中霧滴測試點追肥決策噴施量與實際回收量差異最大值為5 mL/s。造成追肥量誤差的原因主要包括試驗當天作業過程中風速的變化、噴施系統的調節控制等多因素影響的。其中風場對霧滴分布的影響相對更大，試驗當天瞬時風速在0.03～2.16 m/s之間變化，并且存在旋翼產生的風場與環境風場相疊加的情況，這些因素均會對霧滴沉積造成一定的不確定性。因此未來利用農用無人機精準追肥可盡量選擇無風少風的時間段進行作業，促進霧滴沉積。

圖8 霧滴沉積效果

2.6.3 水稻產量分析

本研究試驗小區除分蘗期追肥管理不同外，其他田間管理均保持一致，試驗結束后對不同管理方式水稻進行測產，各測試小區的產量如表1所示。

表1 各施肥方式的水稻產量

由產量結果可知，采用無人機變量追肥最終產量與傳統追肥方式管理的最終產量基本一致，將本研究總施用化肥量與往年同地塊施用化肥量相比，化肥中純氮用量減少27.34%。

2.6.4 收獲后土壤含氮量分析

在水稻收獲1周后，分別對試驗田土壤進行采樣，分析土壤的氮素含量（表2）。本研究主要測量了土壤樣品中全氮量和速效氮2種土壤氮素參量，其中土壤全氮量表示土壤中各種形態氮素含量之和，速效氮表示可以直接被植物根系吸收的氮。由表2可知，未施用基肥的小區收獲后與移栽前相比全氮量有所增加，標準氮和低氮處理的小區全氮量則有所下降，基肥采用高氮處理的小區全氮量沒有變化。這是由于未施用基肥的小區前期由于缺乏足夠的氮素營養，其光譜差異較為明顯，通過追肥量決策模型能夠較為準確的計算追肥量。而標準氮和低氮處理方式的小區，水稻分蘗期高光譜差異并不明顯，追肥量決策可能會存在低估的情況，因此在生長過程中除追施氮肥外，還需要從土壤中獲取一些氮素作為補充。通過移栽前和收獲后的土壤氮含量對比可知，兩者的差值在0.006 g/kg左右，說明無人機追肥提供了重要的氮素養分來源。而高氮處理的小區在移栽前和收獲后，其土壤氮素含量沒有變化，說明在整個生長過程中，利用無人機遙感決策的追肥量是能夠滿足水稻生長需求的。速效氮作為能夠直接被水稻吸收的氮素，在土壤中會與全氮量發生轉化，由表2可知，基肥采用低氮處理的小區其速效氮收獲后比移栽前增加0.004 g/kg，這是由于決策過程中追肥量存在被低估的情況，水稻需要從土壤中將全氮轉換成能夠被吸收的速效氮補充一部分氮素來源，從而造成土壤中速效氮含量有所增加，其余基肥處理的小區其速效氮含量差異并不顯著。綜合分析可知無人機變量追肥對于水稻生長起到了重要作用，在降低氮肥用量的情況下通過變量追肥，整體的氮肥施入量能夠有效保證水稻生長。

表2 土壤含氮量

3 討 論

本文以寒地水稻分蘗期農用無人機精準追肥為研究對象，先利用無人機高光譜遙感構建水稻追肥量處方圖，再將處方圖轉換為能夠被農用無人機執行的柵格噴施量信息。目前農用無人機水稻追肥處方圖大多是以畝為最小追肥決策單位，以面向的區域級別大小的定性式的變量追肥為主，其變量判斷標準更多是通過植被指數對不同田塊進行分級，根據不同級別設置對應的追施量，這種方法在實際應用上比較容易實現。但對于同一田塊內，由于地勢、土壤肥力分布、基肥施用、栽培條件等因素造成的關鍵生育期的需肥差異目前研究較少。生成無人機追肥處方圖的核心在于計算水稻的缺氮量，本文采用專家推薦的管理方案設置一塊參考田作為水稻缺氮量的決策標準，這種方式在生產中容易實現，但仍然面臨人工經驗管理的問題。已有部分研究考慮通過水稻臨界氮濃度作為氮素營養決策依據[29]，而不同品種之間的臨界氮濃度曲線的構建也存在一定的困難。因此未來可考慮綜合水稻臨界氮濃度曲線與生產經驗，利用遙感數據，構建“數據-知識”相結合的水稻追肥決策方法，提升農用無人機精準追肥精度。

4 結 論

本文以水稻分蘗期農用無人機精準追肥為研究對象，利用無人機成像高光譜遙感影像通過PSO-ELM建立氮素濃度反演模型，綜合考慮農用無人機相關作業參數，結合專家推薦施肥構建追肥標準田，構建無人機精準追肥模型，最終利用農業無人機精準追肥，主要結論如下：

1）采用粒子群優化的極限學習機方法構建的水稻氮素含量反演模型效果較好，模型決定系數2為0.838。

2）結合待追肥區域反演氮素含量（N），標準田氮素含量（std）、氮肥濃度（）、水稻地上生物量（std）、水稻覆蓋度（std）、化肥利用率（）及轉化率（）等構建農用無人機追肥量決策模型UAV。

3）本研究構建的農用無人機處方圖變量施肥方法，氮肥追施量與傳統人工施肥相比減少27.34%。

[1] 唐亮，吳東立，苗微，等. 東北地區食物安全可持續發展戰略研究[J]. 中國工程科學，2019，21(5)：19-27.

Tang Liang, Wu Dongli, Miao Wei, et al. Study on sustainable development strategy of food safety in Northeast China[J]. China Engineering Science, 2019, 21(5): 19-27. (in Chinese with English abstract)

[2] 江琳琳，趙晗舒，楊武，等. 水稻氮利用效率評價及其與產量性狀的關系[J]. 沈陽農業大學學報，2019，50(6)：641-647.

Jiang Linlin, Zhao Hanshu, Yang Wu, et al. Evaluation of nitrogen use efficiency and its relationship with yield traits in rice[J]. Journal of Shenyang Agricultural University, 2019, 50(6): 641-647. (in Chinese with English abstract)

[3] 鄭文漢，齊龍，曹聰，等. 分蘗期深施液體氮肥對水稻分蘗及產量影響[J]. 農機化研究，2019，42(7)：160-165.

Zheng Wenhan, Qi Long, Cao Cong, et al. Effects of deep application of liquid nitrogen fertilizer at tillering stage on tillering and yield of rice[J]. Agricultural Mechanization Research, 2019, 42(7): 160-165. (in Chinese with English abstract)

[4] 白由路. 高效施肥技術研究的現狀與展望[J]. 中國農業科學，2018，51(11)：2116-2125.

Bai Youlu. Current situation and prospect of efficient fertilization technology research[J]. Chinese Agricultural Science, 2018, 51(11): 2116-2125. (in Chinese with English abstract)

[5] 白由路. 植物營養中理論問題的追本溯源[J]. 植物營養與肥料學報，2019，25(1)：1-10.

Bai Youlu. Tracing the origin of theoretical problems in plant nutrition[J]. Journal of Plant Nutrition and Fertilizer, 2019, 25(1): 1-10. (in Chinese with English abstract)

[6] 齊興源，周志艷，李官平，等. 大田作物變量施肥技術國內外研究現狀[J]. 貴州農機化，2018，322(2)：8-13.

Qi Xingyuan, Zhou Zhiyan, Li Guanping, et al. Research status of variable rate fertilization technology for field crops at home and abroad[J]. Guizhou Agricultural Mechanization, 2018, 322(2): 8-13. (in Chinese with English abstract)

[7] 韓英，賈如，唐漢. 精準變量施肥機械研究現狀與發展建議[J]. 農業工程，2019，9(5)：1-6.

Han Ying, Jia Ru, Tang Han. Research status and development suggestions of precision variable rate fertilization machinery [J]. Agricultural Engineering, 2019, 9(5): 1-6. (in Chinese with English abstract)

[8] 何勇，彭繼宇，劉飛，等. 基于光譜和成像技術的作物養分生理信息快速檢測研究進展[J]. 農業工程學報，2015，31(3)：174-189.

He Yong, Peng Jiyu, Liu Fei, et al. Critical review of fast detection of crop nutrient and physiological information with spectral and imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(3): 174-189. (in Chinese with English abstract)

[9] 蘭玉彬，陳盛德，鄧繼忠，等. 中國植保無人機發展形勢及問題分析[J]. 華南農業大學學報，2019，40(5)：217-225.

Lan Yubin, Chen Shengde, Deng Jizhong, et al. Development situation and problem analysis of plant protection UAV in China[J]. Journal of South China Agricultural University, 2019, 40(5): 217-225. (in Chinese with English abstract)

[10] 許童羽，于豐華，曹英麗，等. 粳稻多旋翼植保無人機霧滴沉積垂直分布研究[J]. 農業機械學報，2017，48(10)：101-107.

Xu Tongyu, Yu Fenghua, Cao Yingli, et al. Vertical distribution of spray droplet deposition of plant protection multi rotor UAV for japonica rice[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(10): 101-107. (in Chinese with English abstract)

[11] 張建桃，曾家駿，尹選春，等. 液滴體積對水稻葉面接觸角的影響[J]. 浙江農業學報，2019，31(6)：135-144.

Zhang Jiantao, Zeng Jiajun, Yin Xuanchun, et al. Effect of droplet volume on leaf contact angle of rice[J]. Acta Agriculturae Zhejiangensis, 2019, 31(6): 135-144. (in Chinese with English abstract)

[12] 李繼宇，蘭玉彬，施葉茵. 旋翼無人機氣流特征及大田施藥作業研究進展[J]. 農業工程學報，2018，34(12)：104-118.

Li Jiyu, Lan Yubin,Shi Yeyin. Research progress on airflow characteristics and field pesticide application system of rotary-wing UAV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(12): 104-118. (in Chinese with English abstract)

[13] 陳盛德，蘭玉彬，李繼宇，等. 小型無人直升機噴霧參數對雜交水稻冠層霧滴沉積分布的影響[J]. 農業工程學報，2016，32(17)：40-46.

Chen Shengde, Lan Yubin, Li Jiyu, et al. Effect of spray parameters of small unmanned helicopter on distribution regularity of droplet deposition in hybrid rice canopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(17): 40-46. (in Chinese with English abstract)

[14] 趙小敏，孫小香，王芳東，等. 水稻高光譜遙感監測研究綜述[J]. 江西農業大學學報，2019，41(1)：1-12.

Zhao Xiaomin, Sun Xiaoxiang, Wang Fangdong, et al. A review of hyperspectral remote sensing monitoring of rice[J]. Journal of Jiangxi Agricultural University, 2019, 41(1): 1-12. (in Chinese with English abstract)

[15] 趙春江. 智慧農業發展現狀及戰略目標研究[J]. 智慧農業，2019，1(1)：1-7.

Zhao Chunjiang. State-of-the-art and recommended developmental strategic objectives of smart agriculture[J]. Smart Agriculture, 2019, 1(1): 1-7. (in Chinese with English abstract)

[16] 唐華俊. 農業遙感研究進展與展望[J]. 農學學報，2018，8(1)：167-171.

Tang Huajun. Progress and Prospect of agricultural remote sensing research[J]. Acta agronomica Sinica, 2018, 8(1): 167-171. (in Chinese with English abstract)

[17] 秦占飛，常慶瑞，謝寶妮，等. 基于無人機高光譜影像的引黃灌區水稻葉片全氮含量估測[J]. 農業工程學報，2016，32(23)：77-85.

Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hyperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 77-85. (in Chinese with English abstract)

[18] Din M, Ming J, Hussain S, et al. Estimation of dynamic canopy variables using hyperspectral derived vegetation indices under varying n rates at diverse phenological stages of rice[J]. Frontiers in Plant Science, 2019, 9: 1883.

[19] 裴信彪，吳和龍，馬萍，等. 基于無人機遙感的不同施氮水稻光譜與植被指數分析[J]. 中國光學，2018，11(5)：144-152.

Pei Xinbiao, Wu Helong, Ma Ping, et al. Spectral and vegetation index analysis of rice with different nitrogen application based on UAV remote sensing[J]. China Optics, 2018, 11(5): 144-152. (in Chinese with English abstract)

[20] Stavrakoudis D, Katsantonis D, Kadoglidou K, et al. Estimating rice agronomic traits using drone-collected multispectral imagery[J]. Remote Sensing, 2019, 11(5): 545.

[21] 王樹文，宋玉柱，張長利，等. 東北寒地水稻冠層氮素含量高光譜預測模型[J]. 東北農業大學學報，2017，48(4)：82-91.

Wang Shuwen, Song Yuzhu, Zhang Changli, et al. Hyperspectral prediction model of rice canopy nitrogen content in Northeast Cold Region[J]. Journal of Northeast Agricultural University, 2017, 48(4): 82-91. (in Chinese with English abstract)

[22] Tsujimoto Y, Rakotoson T, Tanaka A, et al. Challenges and opportunities for improving N use efficiency for rice production in sub-saharan africa[J]. Plant Production Science, 2019, 22(4): 413-427.

[23] 許童羽，郭忠輝，于豐華，等. 采用GA-ELM的寒地水稻缺氮量診斷方法[J]. 農業工程學報，2020，36(2)：209-218.

Xu Tongyu, Guo Zhonghui, Yu Fenghua, et al. Genetic algorithm combined with extreme learning machine to diagnose nitrogen deficiency in rice in cold region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 209-218. (in Chinese with English abstract)

[24] 臧英，侯曉博，汪沛，等. 基于無人機遙感技術的黃華占水稻施肥決策模型研究[J]. 沈陽農業大學學報，2019，50(3)：324-330.

Zang Ying, Hou Xiaobo, Wang Pei, et al. Study on Huanghuazhan rice fertilization decision model based on UAV remote sensing technology[J]. Journal of Shenyang Agricultural University, 2019, 50(3): 324-330. (in Chinese with English abstract)

[25] 鄭華斌，陳燦，傅志強，等. 有機肥化肥配施的雙季晚稻群體冠層光譜特征研究[J]. 中國稻米，2017，23(4)：6-13.

Zheng Huabin, Chen Can, Fu Zhiqiang, et al. Study on canopy spectral characteristics of double cropping late rice[J]. China Rice, 2017, 23(4): 6-13. (in Chinese with English abstract)

[26] 馮帥，許童羽，于豐華，等. 基于無人機高光譜遙感的東北粳稻冠層葉片氮素含量反演方法研究[J]. 光譜學與光譜分析，2019，39(10)：299-305.

Feng Shuai, Xu Tongyu, Yu Fenghua, et al. Study on retrieval method of nitrogen content of Japonica Rice Canopy Leaf in Northeast China based on UAV hyperspectral remote sensing[J]. Spectroscopy and spectral analysis, 2019, 39(10): 299-305. (in Chinese with English abstract)

[27] 曹英麗，鄒煥成，鄭偉，等. 水稻葉片高光譜數據降維與葉綠素含量反演方法研究[J]. 沈陽農業大學學報，2019，50(1)：101-107.

Cao Yingli, Zou Huancheng, Zheng Wei, et al. Research on dimensionality reduction and chlorophyll content inversion of rice leaf hyperspectral data[J]. Journal of Shenyang Agricultural University, 2019, 50(1): 101-107. (in Chinese with English abstract)

[28] 侯彥林，周燕，周煒. 氮利用率和氮轉化率評價氮肥肥效比較研究[J]. 東北農業大學學報，2013，44(2)：28-36. Hou Yanlin, Zhou Yan, Zhou Wei. Comparative research of evaluation nitrogen fertilizer efficiency between the nitrogen use efficiency and fertilizer yield method[J]. Journal of Northeast Agricultural University, 2013, 44(2): 28-36. (in Chinese with English abstract).

[29] 呂茹潔，商慶銀，陳樂，等. 基于臨界氮濃度的水稻氮素營養診斷研究[J]. 植物營養與肥料學報，2018，24(5)： 1396-1405.

Lv Rujie, Shang Qingyin, Chen Le, et al. Diagnosis of rice nitrogen nutrition based on critical nitrogen concentration[J]. Journal of Plant Nutrition and Fertilizer, 2018, 24(5): 1396-1405. (in Chinese with English abstract)

Precision fertilization by UAV for rice at tillering stage in cold region based on hyperspectral remote sensing prescription map

Yu Fenghua1,2, Cao Yingli1,2, Xu Tongyu1,2※, Guo Zhonghui1, Wang Dingkang1

(1.,,110866,;2.,110866,)

The extra-root topdressing of rice at the tillering stage is one of the key steps in the management of rice production; it is also an important stage of fertiliser demand during the entire cycle of rice growth. The efficiency of extra-root topdressing directly affects the number of rice tillers and their growth in the middle and final stages. Due to the rapid advancement of the UAV technology in recent years, agricultural UAV are used for fertiliser spraying in the fields, which not only increased the rice yield but also reduced labour intensity and labour costs to a large extent, and greatly improved the efficiency of rice field management. In order to explore the use of UAV remote sensing to construct prescription maps to guide agricultural UAV to accurately topdressing rice at the tillering stage, realieze the field-scale nutritional diagnosis and UAV precise spraying, optimizefertilizer consumption, and ensure maximum rice yield,in this research, combining UAV remote sensing diagnosis with precision operation of agricultural UAV, UAV hyperspectral technology was used to establish the prescription maps of fertilization amount in rice tillering stage, combined with the operation parameters of agricultural UAV, grid division of fertilizing plots was carried out to determine the amount of precise fertilization, and precision fertilization was carried out by agricultural UAV. The consistent and desired end-member hyperspectral information of the ground features in the rice field were extractedto retrieve the nitrogen content of riceand a rice tillering stage fertilisation prescription map was established based in this, and the fertilization formula map of rice at tillering stage was established. According to the fertilizer amount prescription map, the operation parameters of agricultural UAV were set, and the plots to be fertilized were divided into grids to determine the spraying amount of each grid topdressing operation, and the precision topdressing was carried out by agricultural UAV. Dajiang spirit 4 RTK UAV was used to obtain the orthophoto image of the test fields with spatial information, the actual position of each topdressing grid was determined, and the variable spraying was realized by controlling the working voltage of the liquid medicine pump by PID algorithm. During the spraying process, droplet test cards were arranged on the ground at the same time to calculate the droplet coverage and other parameters such as droplet coverage rate. The results showed that five hyperspectral characteristic variables of rice were extracted in the 450-950 nm band by the method of feature band selection and feature extraction, the effects of rice nitrogen content inversion model constructed by Particle Swarm Optimization Extreme Learning Machine (PSO-ELM) was better than that of Extreme Learning Machine (ELM), and the coefficient of determination was 0.838 and the root mean square error was 0.466. The rice yield of UAV variable topdressing was basically the same as that of traditional topdressing, but the amount of pure nitrogen decreased by 27.34%.The study results can provide data and model basis for the precision variable topdressing of agricultural UAV in the tillering stage of rice in cold regions.

UAV; remote sensing; rice; hyperspectral;precision fertilization

于豐華，曹英麗，許童羽，等. 基于高光譜遙感處方圖的寒地分蘗期水稻無人機精準施肥[J]. 農業工程學報，2020，36(15)：103-110.doi：10.11975/j.issn.1002-6819.2020.15.013 http://www.tcsae.org

Yu Fenghua, Cao Yingli, Xu Tongyu, et al. Precision fertilization by UAV for rice at tillering stage in cold region based on hyperspectral remote sensing prescription map[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(15): 103-110. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.15.013 http://www.tcsae.org

2020-05-25

2020-06-25

國家重點研發計劃（2016YFD0200600）；遼寧省教育廳科技人才“育苗”項目（LSNQN201903）

于豐華，博士，講師，主要從事精準農業航空研究。Email：adan@syau.edu.cn

許童羽，博士，教授，博士生導師，主要從事精準農業、智慧農業相關研究。Email：xutongyu@syau.edu.cn

10.11975/j.issn.1002-6819.2020.15.013

S252

A

1002-6819(2020)-15-0103-08