基于無人機多光譜遙感的小麥長勢監測研究

牛魯燕，蔣風偉，張俊麗，孫家波，張曉艷，盧德成，劉延忠

（1.山東省農業科學院科技信息研究所，山東 濟南 250100；2.泗水縣星村鎮人民政府，山東 泗水 273209；3.鄄城縣農業農村局，山東 鄄城 274600；4.山東棉花研究中心，山東 濟南 250100）

小麥是我國最重要的糧食作物之一，在我國國民經濟中占據十分重要的地位。保證小麥產量的穩定和提升，直接關系到國家糧食安全［1］。實時監測作物生長狀況，不僅可以及時提供準確有效的農業管理，提高作物產量，同時也可為生產力的預測提供數據支持，在糧食生產中是十分必要的［2］。

監測作物長勢最常見且廣泛應用的方法是以遙感監測技術為依托，通過探索地面實際測得數據與遙感采集的光譜數據的關系，構建監測模型［3］來分析作物生育期內光譜反射變化特征與LAI、生物量等長勢參數之間的關系，為作物生長狀況監測和產量預測提供科學依據［4］。

目前基于地面平臺或高空平臺遙感數據利用植被指數監測小麥葉面積指數、生物量并預測產量的方法已經比較成熟。但基于地面平臺的監測范圍小、效率低；基于高空平臺雖然可以實現大面積監測，但受到監測精度、成本和云層等外界環境以及空間和時間分辨率等多方面問題的制約，尤其隨著中小型區域監測需求的出現，其動態性、準確性和高效性監測需求與當前監測平臺之間的矛盾日益突出。

無人機多光譜遙感影像具有較高的地面分辨率（厘米級），對空間異質信息響應敏感，可獲得較大范圍即時、可靠的農作物長勢信息，能夠彌補傳統作物監測設備監測范圍小、難度大等問題，有很好的應用價值［5］。

Honkavaara等［6］以無人機為平臺，采用輕便的FPI光譜相機采集小麥的光譜信息，通過計算NDVI來反演小麥的生物量，R2最高達到0.80。Lelong等［7］用無人機搭載相機CANON EOS 350D和SONY DSC-F828獲取小麥冠層的反射率，計算NDVI值來估算LAI，估測的LAI與實測的LAI相關系數達到0.82。Hunt等［8］用無人機搭載FinePix S3 Pro UVIR相機來獲取小麥影像，并在GNDVI與小麥葉面積指數之間建立模型，R2達到0.85。郭偉等［9］以無人機搭載成像高光譜儀，在田塊尺度上對冬小麥全蝕病病情指數分布進行空間填圖，為無人機高光譜遙感在冬小麥全蝕病的精準監測方面提供了技術支撐。楊俊等［10］探討了小麥生物量和產量與無人機圖像特征參數的相關性，結果表明，無人機圖像顏色指數與紋理特征參數結合可以提高小麥生物量和產量的估測精度。江杰等［11］通過無人機搭載數碼相機對小麥長勢進行監測，表明結合小麥各生長階段指數函數監測模型，利用無人機搭載數碼相機可以快速無損地監測小麥長勢狀況。

本研究利用無人機遙感平臺對試驗區域小麥生長信息進行監測，并基于多植被指數構建小麥關鍵生育時期主要生長指標的動態監測模型，探討利用無人機平臺監測小麥長勢的可行性，以期為山東大面積農田小麥長勢實時監測提供有效技術支撐。

1 材料與方法

1.1 試驗區概況及試驗材料

試驗區位于山東省濟南市濟陽區回河鎮（北緯36.58°，東經117.12°），供試小麥品種為濟麥22。濟陽區位于黃河下游北岸，魯北平原的南部，位于暖溫帶半濕潤季風氣候區內，四季分明，雨熱同季，光照充足，年平均氣溫12.8℃，年平均無霜期195 d，年太陽輻射量520.74 kJ/cm2，降水多集中在7—9月份。境內土壤發育在黃河沖積母質上，土層深厚，潮土是主要土類。

1.2 數據采集

1.2.1 多光譜數據采集 采用大疆無人機M200搭載RedEdge-M多光譜相機，根據事先規劃好的路線獲取，試驗區及對應時間的google地圖機載航線規劃如圖1所示。RedEdge-M多光譜相機一共有5個通道，分別是紅、綠、藍、紅邊、近紅外五波段，對應的中心波長分別是475、560、668、717、840 nm，帶寬分別為10、20、20、10、40 nm。機載多光譜成像采集系統如圖2所示。

圖1 試驗區及規劃路線

圖2 機載多光譜成像系統

在小麥關鍵生育時期——拔節期、抽穗期、開花期、灌漿期選擇晴朗無風、少云天氣（分別為4月29日、5月9日、5月17日、5月24日、5月29日）10—14時采集小麥光譜數據。

1.2.2 植株生長指標的測定 在試驗區內選5個采樣點，每個點選30株小麥，于光譜數據采集當天取樣，測量小麥葉片SPAD值及地上部鮮、干重。

1.3 數據處理方法

1.3.1 多光譜影像處理 利用Pix4dmapper軟件對獲得的多光譜影像進行拼接處理得到各波段的反射率拼接灰度圖，并用ENVI對各波段進行配準組合成ENVI格式的反射率數據。將地面采樣點的經緯度輸入機載多光譜拼接影像中，選取采集點周邊10×10個像元點的均值作為采樣點的光譜反射率值。

1.3.2 植被指數 遙感圖像上的植被信息，主要通過綠色植物葉子和植被冠層的光譜特性及其差異、變化來反映。植被指數是對植物特定光學參數的光譜信息提取，可對地表作物生長狀況進行快捷有效的定性、定量分析，并可通過增強作物信息，加強作物與土壤、大氣、光照、視場角等干擾信息的反差，減弱干擾信息的表達，以快速反映作物生長活力、覆蓋狀況等［12］。

目前，國內外提出的植被指數已有上百種，可分為3個發展階段：早期，未考慮土壤狀況、大氣影響、光照影響、植被與土壤的相互作用，植被指數是波段的簡單線性組合，以比值植被指數（RVI）為代表，受大氣、植物覆蓋率影響較大；中期，綜合了電磁波反射規律及土壤、大氣、光照、植被的相互影響，對第一階段植被指數進行改良，提出了基于物理理論的植被指數，以歸一化植被指數（NDVI）為代表；近期，針對高光譜、熱紅外信息提出的植被指數，如導數植被指數（DVI）、生理反射植被指數（PRI）等［13］。

本研究選用歸一化植被指數（normailized difference vegetation index，簡稱NDVI）、土壤調整植被指數（soil-adjusted vegetation index，簡稱SAVI）和冠層葉綠素含量指數（canopy chlorophyll content index，簡稱CCCI）對小麥長勢進行監測。

（1）歸一化植被指數（NDVI）：近紅外波段（NIR）與可見光紅波段（RED）光譜反射率之差與兩者之和的比值。見公式（1）。NDVI的取值范圍是-1～1，一般綠色植被區的范圍是0.2～1.0。

（2）土壤調整植被指數（SAVI）：為了解析背景的光學特征變化并修正NDVI對土壤背景的敏感，Huete等［14］提出了可適當描述土壤-植被系統的簡單模型，即土壤調整植被指數（SAVI），其表達式見公式（2）。

式中：L是一個土壤調節系數。Huete發現L隨植被濃度變化而變化，因此引入一個以植被量的先驗知識為基礎的常數作為L的調整值。它由實際區域條件決定，用來減少植被指數對不同土壤反射變化的敏感性。當L為0時，SAVI就是NDVI。對于中等植被覆蓋度區，L一般接近于0.5。乘法因子（1+L）主要用來保證最后的SAVI值與NDVI值一樣介于-1.0～1.0之間。本文L取值0.5。

（3）冠層葉綠素含量指數（CCCI）：CCCI是NDVI的改進，它使用紅邊波段代替了紅色波段，從而突出了綠色植被特有的“紅邊”效應。其計算公式見式（3）。CCCI值的范圍是-1.0～1.0，一般綠色植被區的范圍是0.2～1.0。

1.4 模型構建與驗證

本研究以NDVI、SAVI、CCCI為自變量，葉片SPAD和地上部干、鮮重為因變量，利用多元回歸分析分別構建SPAD、地上部干重、地上部鮮重的多變量監測模型。

本研究中共采集了35個樣點的數據，按3∶2的比例運用含量梯度法選出建模集和檢驗集。構建模型運用決定系數R2、均方根誤差（root mean square error，RMSE）進行精度評價，R2越大、RMSE越小，模型的準確性越高。綜合利用建模集R2C、檢驗集R2V、RMSE及1∶1圖的斜率Slope確定最優模型。模型最優解參數（model optimal solution parameters，簡稱MOSP）計算公式如下：

2 結果與分析

2.1 研究區域采樣點的光譜曲線分析

濟陽試驗區5個樣點各時間段的小麥光譜反射率如圖3所示，可見其符合健康植被的光譜變化趨勢。各生育時期，可見光波段475、560、668、717 nm在各時期光譜反射率均較低，低于0.2；而近紅外波段（840 nm）的光譜反射率變化最大，不僅值最高，而且不同樣點間差異較大。綠色植物在560 nm處的峰值越高，在668 nm處的谷值越低，在840 nm處的反射率越高，說明長勢越好。

圖3 不同時期采樣點的光譜反射率

以第五個采樣點為例（圖4），分別選取濟陽區4月29日、5月9日、5月17日、5月24日和5月29日的光譜反射率，比較不同時間段小麥光譜反射率的變化規律。可知，小麥在4月29日、5月9日、5月17日、5月24日這四個時期與5月29日這一時期光譜不同，可能是因為5月29日小麥處于開花期，綠葉變黃、變少。

2.2 植被指數分析

分別基于不同時間段的小麥無人機多光譜影像構建歸一化植被指數（NDVI）、土壤調整植被指數（SAVI）和冠層葉綠素含量指數（CCCI），實時監測不同時間段小麥的長勢情況，其中NDVI、SAVI、ARVI值越大，說明作物長勢越好。

圖4 同一采樣點不同生育期小麥的光譜反射率

圖5為濟陽區不同時間段的NDVI指數分布圖。NDVI值-1.0～0.2為非植被地物，NDVI值0.2～0.4是小麥長勢很差或者綠葉很少，NDVI值0.4～0.6是小麥長勢較差或者綠葉較少，NDVI值0.6～0.7是小麥長勢一般或者綠葉數一般，NDVI值0.7～1.0是小麥長勢較好。

圖5 濟陽試驗區不同時間段小麥NDVI分布

圖6為濟陽區不同時間段的SAVI指數分布圖。SAVI值-1.0～0.2為非植被地物，SAVI值0.2～0.4是小麥長勢很差或者綠葉很少，SAVI值0.4～0.6是小麥長勢較差或者綠葉較少，SAVI值0.6～0.7是小麥長勢一般，SAVI值0.7～1.0是小麥長勢較好。

圖6 濟陽試驗區不同時間段小麥SAVI分布

圖7為濟陽區不同時間段的CCCI指數分布圖。CCCI值-1.00～0.20為非植被地物，CCCI值0.20～0.40是小麥長勢很差或者綠葉很少，CCCI值0.40～0.55是小麥長勢較差或者綠葉較少，CCCI值0.55～0.65是小麥長勢一般，CCCI值0.65～1.00是小麥長勢較好。

2.3 模型的構建與檢驗

利用植被指數（NDVI、SAVI、CCCI）分別構建SPAD、地上部干、鮮重的單一指數監測模型及同時包含3種植被指數的多元線性回歸（MLR）模型，并利用獨立數據對模型進行驗證。各模型及其決定系數，檢驗集的、RMSE、Slope和模型最優解參數（MOSP）見表1。可知，基于NDVI、SAVI、CCCI三種植被指數建立的多元線性回歸模型更優，其最優解參數（MOSP）值高于僅依賴單一植被指數構建的模型，說明MLR模型精度更高、穩定性更好。SPAD值的最佳模型為y=19.765+7.522NDVI+18.362SAVI+25.629CCCI，為0.965；預測小麥地上部干重的最佳監測模型為y=-0.508+0.603NDVI+0.325SAVI+0.032CCCI為0.951；預測小麥地上部鮮重的最佳模型為y=-2.217+2.923NDVI+2.213SAVI-1.417CCCI，0.766。

圖7 濟陽試驗區不同時間段小麥CCCI分布

將小麥各指標的最佳監測模型反演到無人機多光譜影像中，可得到小麥不同生育時期的SPAD、葉干重、葉鮮重分布圖，據此可判斷小麥的長勢情況，從而為精確施肥、噴藥等提供技術支撐。

表1 小麥生長指標的監測模型評價

3 結論

本研究以無人機多光譜遙感數據為基礎，建立了冬小麥全生育期SPAD、地上部干重、地上部鮮重的多變量監測模型。經過對比分析，以NDVI、SAVI、CCCI三種指數為變量的多元線性回歸模型精度更高、更穩定。其中，預測小麥SPAD值的最佳模型為y=19.765+7.522NDVI+18.362SAVI+25.629CCCI，R2=0.965；預測小麥地上部干重的最佳模型為y=-0.508+0.603NDVI+0.325SAVI+0.032CCCI，R2=0.951；預測小麥地上部鮮重的最佳模型為y=-2.217+2.923NDVI+2.213SAVI-1.417CCCI，R2=0.766。本研究結果可為大面積農田小麥長勢的實時監測和產量估測提供有效技術支撐。