基于無人機多光譜圖像監測棉花冠層含水量

費浩

摘 要：使用無人機搭載的多光譜相機獲取田間遙感影像，通過相關性計算選取合適的波段組合，基于多光譜影像間的波段運算得到植被指數（VIs），采用最小二乘法構建棉花冠層含水量反演模型。結果表明，紅波段（680nm）和近紅外1波段（800nm）間的光譜特征與棉花冠層含水量相關性最高，由此光譜區間構建了歸一化植被指數（NDVI）和比值植被指數（RVI），基于NDVI的二階多項式回歸得到了較好的預測結果，R2在0.69以上。使用此方法可以實現棉花冠層含水量的快速、無損監測，從而為田間精準灌溉提供技術支持。

關鍵詞：遙感;無人機;多光譜圖像;棉花;含水量

中圖分類號 P237;S562文獻標識碼 A文章編號 1007-7731（2021）04-0023-04

Abstract： In this study，the multi-spectral camera carried by the UAV was used to obtain remote sensing images of the field，and then the appropriate band combination was selected through correlation calculation，and the vegetation index （VIs） was obtained based on the band calculation between the multi-spectral images. Finally，the least square method was used to construct cotton Canopy Water Content Inversion Model. This study shows that the spectral characteristics between the red band （680nm） and near-infrared band 1 （800nm） have the highest correlation with the cotton canopy water content. From this spectral interval，the normalized vegetation index （NDVI） and the ratio vegetation index （RVI） are constructed. The second-order polynomial regression based on NDVI has obtained better prediction results，and R2 is above 0.69. The method used in this study has realized the rapid and non-destructive monitoring of the cotton canopy water content，which can provide technical support for precise field irrigation.

Key words： Remote Sensing; Unmanned aerial vehicle; Multispectral images; Cotton; Water content

我國是全球主要的棉花生產國之一，2017年棉花種植面積約319.5萬hm2，產量為610.28萬t，約占全球棉花產量的25%（FAO，2018）。棉花是我國重要的經濟物種，而新疆是我國最主要的棉花生產區，其棉花種植面積約占全國的75%以上。同時，新疆氣候干燥，降水稀少，是典型的灌溉農業區。針對作物實際的需水程度精確控制給水時間和灌水量，改變粗放的灌溉方式可以大大減少灌溉所需的水資源。目前，遙感技術被廣泛應用于農作物的生產監測，無人機遙感技術為田間尺度的作物狀態快速無損監測提供了可能。使用多光譜遙感技術進行作物水分監測的理論基礎是可見光、近紅外和短波紅外植被光譜特征和生理參數、光合活性和葉片水分狀態之間的直接相互作用[1]，以往研究已對這些理論基礎進行了探討。Gamon等[2]于1999年提出可見光（VIS）、近紅外（NIR）和短波紅外（SWIR）電磁區域的反射光譜可用在不同空間尺度上間接評估作物的水分狀況。Inoue等[3]的研究認為，由于含水量的減少，葉片內部結構的變化影響了紅色和近紅外光譜區域的反射率。雖然已經有豐富的理論支撐，但對于不同的遙感觀測尺度和植被類別，這些理論仍需要實踐進行證實。

近年來，許多學者利用遙感技術進行了作物水分空間分布監測的研究工作，其中基于星載多光譜影像的研究居多[4，5]，而在田間尺度，無人機更能發揮遙感技術的實時性和精確性。除了常見的可見光和多光譜傳感器外，無人機平臺還可以靈活搭配其他傳感器，如熱紅外相機、高光譜相機等，這為作物遙感監測提供了更多可能。高光譜數據在波段敏感性分析中應用廣泛，如Rossini等[6]在2008年提出了一種利用高光譜遙感影像繪制玉米田水分脅迫圖的方法，驗證了利用高光譜指數繪制水分脅迫等級的可行性。Rallo等[7]使用全光譜（350～2500nm）構建了多種植被指數來監測玉米葉片的水分狀況。這些方法能較全面地分析植物在各個波段范圍內的反射率與其含水量的相關程度，不足之處在于，需要獲取足夠高分辨率的全光譜數據，這只能通過手持式光譜輻射計或高光譜遙感器獲得。多光譜傳感器在作物含水量實時監測方面顯然應用面更廣，而且基于以往研究成果，大致可了解到傳統的多光譜傳感器的波段范圍內存在對水分含量敏感的波段。如程曉娟等[4]和候學會等[8]的研究表明，紅—近紅外波段附近的植被光譜反射率特征相對其他波段而言對水分變化更為敏感。利用這些信息，許多學者使用各種植被指數進行水分反演以探究最適合的植被指數。由于目標植物種類和當地的種植情況的不同，這些已經開展的研究得到的結論往往也不同[7，9]。目前，使用無人機多光譜影像監測棉花含水量的研究較少，在棉花種植面積大、水資源寶貴的新疆，更有必要開展對棉花含水量監測的應用研究。為此，筆者在新疆南部阿拉爾市的一個棉花試驗田開展了不同水分灌溉量的試驗，旨在探討南疆無膜棉冠層含水量的敏感波段和最佳相關性植被指數，使用波長在490～900nm的多光譜遙感影像對棉花冠層含水量進行反演，采用最小二乘法進行建模，從而實現棉花冠層含水量快速無損監測。

1 材料與方法

1.1 研究區概況 研究區域位于新疆阿拉爾市，該地區位于塔克拉瑪干沙漠北緣，臨近塔里木河和阿克蘇河等水系，屬極端干旱的荒漠氣候，主要依賴河流水資源發展灌溉農業。試驗在阿拉爾十團農業灌溉實驗站（81°11′45″E、40°37′28″N）進行。所用棉花品種為中棉619，采取無膜種植的方式，使用地下滴灌方式精準控制灌水量。

1.2 試驗設計 試驗設6個處理，每處理1個小區，3次重復，共18個小區;隨機排列，小區田間排列如圖1所示。根據SWAP模型（2017）的精準灌溉工具，通過氣象數據、土壤數據和棉花生長數據計算每日的實際蒸發蒸騰量（ETc），按照水分需求進行灌溉。滴灌帶沿棉花行間布設，按標準灌溉量的70%～100%分6個梯度給水灌溉，其中W0不參與統計。各小區施肥量統一。

1.3 數據采集

1.3.1 遙感觀測數據 于2020年7月7日進行無人機多光譜數據采集，此時棉花處于花鈴期。在當日天氣晴朗沒有明顯風的正午，通過安裝在無人飛行系統（UAS）上的6波段多光譜相機（μ-MCA6，Tetracam，America）采集航拍圖像，多光譜圖像像素分辨率為1280×1024。無人機飛行高度設置為高于地面111m，這為圖像提供了每像素5.58cm的地面分辨率。多光譜相機包括6個波段，光譜范圍在490～900nm，具體波段劃分如表1所示。

使用PixelWrench2軟件進行圖像的提取和配準等預處理，得到6波段的多光譜圖像。由于多光譜相機采集的圖像是8位的灰度圖，需要根據白板的反射率進行校正，這項工作在遙感圖像處理平臺ENVI 5.3中進行，反射率的計算公式如下：

其中，Ri表示某像素點的反射率值;DNi表示該點處的原始像元值;Gain和Bias表示遙感影像在該波段的增益和偏置。對得到的多光譜反射率影像進行波段計算，從而得到各種植被指數。

1.3.2 田間試驗數據 在采集遙感圖像的同一天，采集田間棉花樣本以獲取實際的棉花冠層含水量數據。對試驗田的18個小區分別隨機選取3株長勢中等的棉花，帶回實驗室處理并及時測量鮮重（Fresh weights，FW）。然后用干燥箱將葉片充分干燥后稱干重（Dry weights，DW）。每個小區的樣本取平均值，計算棉花葉片的含水量，包括主莖葉、果枝葉和分枝的葉片，含水量（Water content，WC））計算公式如下：

1.4 建模與評估 為了使用無人機圖像的多光譜信息評估棉花含水量，首先對6個光譜波段與棉花冠層含水量進行了一元和二元的相關性分析，從而分析棉花葉片含水量的敏感波段。相關性分析使用皮爾遜相關系數（Pearson correlation coefficient），假設需要計算相關性的變量分別為X和Y，兩者相關性計算公式如下：

植被指數由不同光譜波段進行計算得到，可在前人研究基礎上更好地利用不同敏感波段間的數學關系實現含水量預測。使用最小二乘法對棉花葉片含水量與植被指數進行回歸分析。最小二乘法通過計算預測值和樣本值的均方誤差，使所有樣本到預測直線的歐式距離最小化，從而得到最佳的預測模型。設植被指數觀測值為x，棉花含水量樣本值為y，回歸方程為：

2 結果與分析

2.1 波段敏感性 使用多光譜影像的6個波段與實測的棉花含水量進行回歸分析，分別采用6個波段兩兩組合建立二元回歸模型，得到36個波段組合的含水量預測結果，其R2的分布如圖2所示。由圖2可見，任何單波段的反射率圖像都不能得到較好的預測結果，而選用2個波段組合往往能得到更好的預測結果。其中，紅光波段（680nm）和近紅外波段（800nm）組合可以得到最好的含水量預測結果（R2=0.56），說明棉花在紅—近紅外波長范圍內的反射率特征對含水量的變化最為敏感，選擇紅—近紅外（680～800nm）的光譜特征來進行棉花含水量監測最合適;其次，紅—紅邊（680～720nm）的波段組合也得到了較好的預測結果（R2=0.52）。以往一些研究提出了綠色植物對紅光的強吸收和對近紅外光的強反射現象有利于提高植物的辨識度，從而提高其分類精度，一些常用的植被指數（如NDVI等）就是基于這些原理而提出。本研究結果表明，紅—近紅外范圍內的光譜特征不僅能夠反映植物的綠色程度，而且也是對棉花冠層的含水量最敏感的波段。

2.2 基于植被指數的含水量預測 植被指數通過對不同光譜波段進行算術運算來反映光譜間的關系。相對原始光譜反射率而言，植被指數能夠更深入地反映某些特征。通過對光譜波段的敏感性分析可知，680～800nm是反映棉花含水量的最佳波段范圍。因此，選用基于紅波段和近紅外波段的植被指數進行含水量預測。選用了歸一化植被指數（NDVI）和比值植被指數（RVI），其計算公式如下：

通過觀察這2個植被指數與棉花冠層含水量之間的散點分布關系，可以發現整體趨勢呈拋物線型，而不是單調的線性關系。由此可知，當葉片含水量在某個值時，這2個植被指數的值達到峰值，而葉片含水量增高或降低，這2個植被指數呈降低趨勢。因此，對2個植被指數分別構建一元二次模型，回歸結果如圖3所示。其中，NDVI的回歸結果為y=-30x2+28.45x-5.976（R2=0.694，RMSE=0.0096），RVI的回歸結果為y=-0.4896x2+2.743x-3.077（R2=0.693，RMSE=0.0097）。

由圖3可知，2種植被指數的回歸結果相差不多，使用NDVI的回歸方程得到田間的棉花含水量空間分布預測圖如圖4a所示。由于棉花個體間存在差異，不利于小區間棉花含水量的分析，因此采用小區內取平均值的方式，得到各小區內棉花的平均含水量如圖4b所示。由圖4b可知，圖像下方的小區棉花含水量整體高于上方的小區，這與灌水量規律一致，說明本方法達到了預測棉花含水量的效果;但圖像上方的小區右側棉花含水量預測值高于左側，并不完全遵循灌水量的規律。究其原因可能是由于滴灌帶自右往左供水，可能會造成管道末端供水量不足，導致左側棉花含水量存在極低值;另外，NDVI值并不完全取決于棉花葉片的含水量，還受棉花種植密度、長勢等影響，這在一定程度上也會產生誤差。

3 結論與討論

本研究利用無人機遙感平臺搭載的多光譜相機對棉花冠層含水量進行了預測，結果表明：無人機多光譜影像具有預測棉花冠層含水量的潛力，紅—近紅外波段（680～800nm）是對棉花葉片含水量變化最敏感的波段;基于紅—近紅外波段反射率構建的植被指數（NDVI），得到了較好的預測結果，決定系數R2=0.69，比使用任意2個波段組合的預測結果高0.17以上。由此可見，本方法能夠對南疆灌溉農業區的棉花進行無損、快速的含水量監測，具有重要的應用價值。今后可以結合多種信息源（如田間溫度等）進行多元的建模以改善預測精度，使用其他建模方法（如機器學習），在田間試驗中進一步精準控制水分灌溉量和作物種植密度等影響因素，從而提高預測精度。

參考文獻

[1]Elsayed S， Mistele B， Schmidhalter U. Can changes in leaf water potential be assessed spectrally？[J].Functional Plant Biology， 2011，38（6）：523-533.

[2]Gamon，J. A.，& Qiu，H. Ecological applications of remote sensing at multiple scales. In F. I. Pugnaire，& F. Valladares （Eds.），Handbook of functional plant ecology[M]. New York： Marcel Dekker，Inc.1999：805-846.

[3]Inoue， Y.， Morinaga， S.， & Shibayama，M. Non-destructive estimation of water status of intact crop leaves based on spectral re?ectance measurements[J]. Japanese Journal of Crop Science， 1993，62：462-469.

[4]程曉娟，徐新剛，陳天恩，等.基于NIR-Red光譜特征空間的作物水分指數[J].光譜學與光譜分析，2014，34（6）：1542-1547.

[5]靳寧，張東彥，李振海，等.基于多光譜衛星模擬波段反射率的冬小麥水分狀況評估[J].農業機械學報，2020，51（11）：243-252.

[6] Rossini M. Assessing canopy PRI from airborne imagery to map water stress in maize[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2013，86：168-177.

[7]Rallo，Minacapilli，Ciraolo，et al. Detecting crop water status in mature olive groves using vegetation spectral measurements[J]. BIOSYST ENG，2014，128：52-68.

[8]侯學會，王猛，高帥，等.綜合近紅外-紅波段-短波紅外三波段光譜特征空間的小麥冠層含水量反演[J].麥類作物學報，2020，40（7）：866-873.

[9]Víctor Blanco，Pedro José Blaya-Ros，Castillo C ，et al. Potential of UAS-Based Remote Sensing for Estimating Tree Water Status and Yield in Sweet Cherry Trees[J]. Remote Sensing，2020，12（15）：2359.

（責編：徐世紅）