基于無人機影像的小麥早衰品種篩選研究

趙鵬飛，趙國建，金建猛，楊丹丹，孔欣欣，趙國軒，蘇亞中，牛洪壯，韓 雪，沈躍鵬，邱學領，于俊杰，要世瑾

（開封市農林科學研究院 糧食研究所，河南 開封 475004）

衰老是植物生理功能的衰退，常表現為植物形態和生理的一系列變化，是植物生命周期的最后一個階段［1］。植物通過表現出的衰老特性，反映自身對環境的選擇和適應能力。而早衰是作物在應對環境變化時反映出來的比正常植株提前衰老的特性，具體表現為葉片褪綠、光合停止、植株枯萎和死亡。早衰將直接影響作物的產量和品質，給農業生產帶來嚴重的損失。

劉道宏［2］研究表明，小麥旗葉推遲衰老1 d，產量可增加2%左右；HARDY 等［3］研究表明，小麥旗葉推遲衰老可明顯增加籽粒產量，增產約為200 kg/hm2。小麥葉片，尤其是旗葉的持綠狀況對小麥籽粒同化物的累積起著決定性作用。葉片功能期越長，灌漿期積累的干物質越多，小麥粒質量越大［4-5］。前人［6-8］研究小麥衰老通過破壞取樣，測定小麥衰老過程中葉綠素、氮素、含水率等生理生化指標，且集中在小麥生長后期，對于衰老早期的無損監測和鑒定研究鮮有報道。為此，以早衰品種的快速篩選為目的，通過無人機搭載的RGB 和多光譜相機獲取小麥乳熟期的影像數據，分析遙感信息與小麥品種早衰特性的關系，建立一種無損、高效、實時的小麥早衰鑒定方法，為早衰品種的篩選提供依據。

1 材料和方法

1.1 試驗區概況

于2020—2021 年在河南省開封市祥符區八里灣鎮姬坡農場開封市農林科學研究院小麥試驗田（34°42′ N、114°36′ E）進行試驗。開封地處華北平原腹地、河南省東部，位于黃河下游南岸之濱，屬溫帶季風氣候，年平均氣溫為14.52 ℃，年均無霜期為221 d，年均降水量為627.5 mm。試驗區位于姬坡農場東北部（圖1），共設有84 個試驗小區，每個小區面積為13.5 m2（1.5 m×9 m），小區過道寬1.5 m。試驗共種植小麥品種28 個，均為河南省區域試驗的參試品種，以B1—B28 代表品種名。試驗品種按參試要求播種和排列，試驗品種具體分布見圖2。試驗地土地平整、肥力均勻、墑情良好、排灌方便，前茬作物為玉米，試驗管理參照當地農戶。

圖1 試驗區概況

圖2 試驗區品種分布

1.2 地面數據觀測

在小麥的乳熟期對試驗品種進行早衰特性調查記載，記載標準見表1。試驗品種早衰特性見表2。

表1 小麥品種早衰記載標準

表2 小麥品種早衰特性

1.3 無人機影像數據獲取

本試驗利用的無人機型號為大疆M600 Pro，搭載的數碼相機為Sony a72，多光譜相機為Mica Sense Red Edge，飛行高度為30 m，速度為2.3 m/s，拍照間隔為1 s。在小麥乳熟期進行無人機圖像采集，拍攝日期為2021 年5 月24 日。當日天氣晴朗，拍攝時間為10：00—11：00。圖像航向重疊率為90%，旁向重疊率為80%，獲得的RGB 影像分辨率為1.75 mm/pix，多光譜為1.35 cm/pix。輻射定標采用多光譜相機MicaSense Red Edge 配套的輻射校正灰板，鋪設于無人機航道正下方，拍攝完畢輻射校正板后進入航道進行試驗田的影像拍攝。

數據采集時，無人機按照預先規劃好的區域和參數自動巡航進行拍攝，每張多光譜圖像均包含經度、緯度、高度等空間位置信息。RGB 圖像未包含地理位置信息，需借助多光譜圖像進行地理配準。

1.4 無人機影像數據處理

1.4.1 影像拼接 無人機影像拍攝的圖像是單張零散的圖像，故要對圖像進行拼接以獲取完整的試驗區圖像。需進行以下3 個步驟：1.刪除無人機拍攝的試驗地之外的無效影像，例如起飛和降落期間拍攝的影像，減少拼圖時間，保證拼圖質量。2.使用Agisoft PhotoScan V 1.4.5 軟（Agisoft LLC，俄羅斯）件進行圖像拼接。并在拼接多光譜影像時候進行灰板導入和輻射定標。輻射定標是將多光譜影像中無量綱的DN 值通過校正模型轉化為可以用來統一計算的光譜反射率［9-11］。通過重構密集點云，生成三維模型和數字表面模型，最終將圖像輸出為tiff 格式進行儲存。3.通過ArcGIS 10.3 軟件（Esri，美國）對無地理坐標信息的RGB 圖像進行地理配準。將RGB 圖像和多光譜圖像導入ArcGIS 軟件后，應用其地理配準功能，將試驗區對應小區的邊角作為控制點對RGB 圖像進行位置校正。最終賦予RGB 影像的地理坐標系為GCS_WGS_1984。

續表2 小麥品種早衰特性

1.4.2 計算植被指數 為將圖像信息轉化為反映小麥品種生長狀態的數據信息，選取3 個廣泛應用于反映作物長勢、衰老態勢以及水分含量的植被指數來評價各品種的衰老情況（表3）。

表3 評價小麥早衰情況的植被指數

利用ArcGIS 工具欄的柵格計算器分別計算試驗田所有品種的植被指數。圖3—5 分別為試驗區各品種NDVI、NGRDI 以及NDYI 分布圖。

圖3 試驗區各品種的NDVI 分布

1.4.3 小區平均植被指數的提取 通過ArcGIS 軟件繪制矢量面。將84 個小區分別用矢量面進行圈畫（圖6），并對對應的小區矢量面進行命名。通過ArcGIS 工具欄區域分析求取各小區植被指數的平均值。

圖6 試驗小區提取

圖4 試驗區各品種的NGRDI 分布

圖5 試驗區各品種的NDYI 分布

2 結果與分析

2.1 NDVI 與小麥的早衰特性

由表4 可知，84 個小區中，NDVI 值較小的品種，普遍具有早衰特性。NDVI 值較大的品種，往往不具有早衰特性。將NDVI 閾值設定在0.65，以NDVI 值來評估小麥的早衰特性，準確率為83%。

表4 NDVI 與小麥的早衰特性

2.2 NGRDI 與小麥的早衰特性

由表5 可知，84 個小區中，NGRDI 值較小的品種，普遍具有早衰特性。NGRDI 值較大的品種，沒有明顯的早衰特性。將NGRDI 閾值設定在0.08，以NGRDI 值來評估小麥的早衰特性，準確率為75%。

表5 NGRDI 與小麥的早衰特性

續表5 NGRDI 與小麥的早衰特性

2.3 NDYI 與小麥的早衰特性

由表6 可知，84 個小區中，NDYI 值較小的品種，部分具有早衰特性。NDYI 值較大的品種，沒有明顯的早衰特性。將NDYI 閾值設定在0.41，以NDYI 值來評估小麥的早衰特性，準確率為50%。

表6 NDYI 與小麥的早衰特性

3 結論與討論

通過無人機影像數據快速監測作物表型是現代農業精細化管理的一個重要手段，但現有研究多集中于株高、產量、倒伏、葉面積指數等方面［14-16］，對作物的衰老特性以及早衰鑒定方面的研究甚少。本研究通過無人機搭載數碼相機和多光譜相機構成監測小麥長勢的低空遙感平臺，高效、實時地對大量的小麥品種進行影像獲取和數據分析，為冬小麥的田間管理和品種篩選提供依據。通過對比3 種植被指數與小麥早衰特性的相關關系發現，NDVI 和NGRDI 能夠較好反映小麥早期的衰老特性，即當NDVI 和NGRDI 值較小時，能夠反映小麥品種的早衰特性，而當品種的NDVI 和NGRDI 值較大時，可以表明該品種不存在早衰趨勢。結果表明，NDVI 在反映小麥早衰特性方面的精度較高，可達83%，NGRDI 次之，精度可達75%。本研究對比分析了3 種常見的植被指數與小麥早衰特性的關系，下一步研究需引入更多的植被指數進行小麥品種的早衰特性分析，且應在灌漿期的多個時間節點進行無人機的數據獲取和數據比對，以期確定更優的早衰評估時期。

綜上，無人機遙感手段可以在一定范圍內對小麥的長勢和品種差異進行監測和評估，可以作為輔助手段對小麥長勢進行實時的數據分析和動態監測，為小麥育種、智慧農業等領域提供參考。