基于無(wú)人機(jī)多光譜圖像的小麥葉片氮含量遙感監(jiān)測(cè)研究

關(guān)鍵詞無(wú)人機(jī)；多光譜圖像；小麥葉片氮含量；監(jiān)測(cè)模型

中圖分類號(hào)S127文獻(xiàn)標(biāo)識(shí)碼A

文章編號(hào) 0517-6611（2025）08-0243-05

doi：10.3969/j.issn.0517-6611.2025.08.049

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

AbstractToacheeprecise，eient，dynamicandlow-ostirogenutrientmoitingincoprductioandpromoteteapiddance mentofnew-ualitgiulturalproductivityTsudyassdothexperenllyeasueddatain24adtokmadal cle（UAV）imagesasthedatasourcetoanalyzethe modelsbetwenthemainremotesensingparametersandleaf nitrogencontent（LNC）of weatatthejoitigsageandotigsage.TeresultsohatitieasibletmoiratLCattejtigstageandotigsagby usingthe normalizedgree-bluedierenceindex（NBD）ed-gen-buevegetationidex（RGBV）andRGBVIexcessrdE）ote sensingvariablsspetivelyOntissis，saiallstributedasofofatattejtigsagendotingageodby UAVremotesensigwithpracticalignificaneerefabricatedThresearchfidingscanprovidchncalsuportforagiculturalmangt departments to obtain reliable agricultural condition information and formulate precise fertilization management.

Key wordsUAV；Multispectral image； Wheat leaf nitrogen content；Monitoring model

小麥?zhǔn)墙K省最主要的大田作物，已成為全國(guó)重要的小麥主產(chǎn)區(qū)，對(duì)國(guó)家糧油安全具有重要意義。早期的化肥使用以“口口相傳”為主，化肥施用主要依靠農(nóng)民經(jīng)驗(yàn)，缺乏有效的科學(xué)依據(jù)[1-5]。據(jù)統(tǒng)計(jì)，我國(guó)氮肥的使用量占世界總用量的 30 % ，是世界上氮肥使用最多的國(guó)家之一[6]。江蘇省在小麥的實(shí)際生產(chǎn)中，肥料濫用情況仍長(zhǎng)期存在。

隨著遙感技術(shù)快速發(fā)展，近年國(guó)內(nèi)外有大量學(xué)者在農(nóng)業(yè)領(lǐng)域開展了遙感監(jiān)測(cè)與無(wú)人機(jī)營(yíng)養(yǎng)診斷研究[8-9]。譚昌偉等[10-13]利用Landsat TM 遙感圖像提取了江蘇省多個(gè)縣區(qū)的小麥拔節(jié)期、開花期等小麥關(guān)鍵時(shí)期生長(zhǎng)信息，建立了紅外波段的反射率（B5）綠波段的反射率（B2）、歸一化植被指數(shù)（NDVI）和DSW5等植被指數(shù)與小麥葉面積指數(shù)（LAI）、葉片氮含量（LNC）、SPAD值以及生物量的回歸模型，實(shí)現(xiàn)了衛(wèi)星對(duì)小麥主要長(zhǎng)勢(shì)參數(shù)的遙感監(jiān)測(cè)。姚永勝等[14]將12個(gè)遙感光譜指標(biāo)與冬小麥LNC進(jìn)行相關(guān)分析，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的冬小麥LNC估測(cè)模型，并利用 衛(wèi)星遙感影像對(duì)縣域冬小麥LNC的空間分布開展監(jiān)測(cè)，有效估測(cè)縣域大田冬小麥葉片氮素含量。Moriondo等[15利用NDVI數(shù)據(jù)和CROPSYST模型來(lái)估算意大利2個(gè)省份的小麥產(chǎn)量，結(jié)果具有較高準(zhǔn)確性。呼斯樂(lè)等[6]利用UAV高光譜遙感，發(fā)現(xiàn)基于歸一化差異雪指數(shù)（NDSI）和LAI構(gòu)建的支持向量回歸（SVR）模型精度較高。魏青等[采用逐步回歸模型結(jié)合高光譜無(wú)人機(jī)數(shù)據(jù)估算小麥SPAD值，模型精度較高，表明該方法切實(shí)可行。劉暢1利用高光譜無(wú)人機(jī)影像的植被指數(shù)，構(gòu)建了一種融合“圖-譜”信息的氮虧缺診斷模型，有效實(shí)現(xiàn)了對(duì)冬小麥的氮素診斷。Hutt等[采用了LiDAR指標(biāo)監(jiān)測(cè)冬小麥高度、生物量和氮吸收，研究證明其在作物性狀估測(cè)方面具有較大潛力。Yang等[20]從無(wú)人機(jī)圖像中獲取小波特征（WFs）的光譜空間特征結(jié)合植被指數(shù)（VIs）建立的PLSR、SVR和粒子群優(yōu)化SVR（PSO-SVR）模型的準(zhǔn)確度明顯很高，其中PSO-SVR（ 模型精度最高。Duan等2利用高光譜數(shù)據(jù)結(jié)合氮素垂直分布，提高了小麥葉片氮含量監(jiān)測(cè)精度。

該研究在小麥拔節(jié)期、孕穗期開展多光譜無(wú)人機(jī)營(yíng)養(yǎng)診斷、小麥葉片氮含量測(cè)定，并進(jìn)行遙感變量與LNC的模型構(gòu)建與模型精度評(píng)價(jià)、制作太倉(cāng)市小麥拔節(jié)期和孕穗期LNC遙感監(jiān)測(cè)圖，以期實(shí)現(xiàn)地塊尺度精準(zhǔn)、高效、動(dòng)態(tài)、低成本營(yíng)養(yǎng)診斷，開展因田因苗因時(shí)科學(xué)調(diào)控與精準(zhǔn)決策。

1數(shù)據(jù)采集和預(yù)處理

1.1試驗(yàn)區(qū)概述該研究的試驗(yàn)區(qū)位于江蘇省蘇州市太倉(cāng)市城廂鎮(zhèn)東林村，圖1為試驗(yàn)區(qū)示意圖。種植面積約 采用標(biāo)準(zhǔn)化農(nóng)業(yè)種植模式。太倉(cāng)市屬北亞熱帶南部濕潤(rùn)氣候區(qū)，四季分明。年平均氣溫 ，降水量 ，日照時(shí)數(shù) ，無(wú)霜期232d，非常適合進(jìn)行農(nóng)業(yè)生產(chǎn)活動(dòng)。

1.2遙感圖像獲取與預(yù)處理

1.2.1無(wú)人機(jī)平臺(tái)介紹。該研究使用DJIMavic3M無(wú)人機(jī)，搭載多光譜鏡頭（技術(shù)參數(shù)見表1）對(duì)試驗(yàn)小區(qū)可見光遙感正射影像數(shù)據(jù)進(jìn)行獲取（圖2）。DJIMavic3M擁有 長(zhǎng)續(xù)航、六向定位避障的特性，支持最大飛行高度 ，最大飛行速度 。

1.2.2無(wú)人機(jī)圖像預(yù)處理。無(wú)人機(jī)圖像處理主要包括圖像裁剪、背景剔除、植被指數(shù)提取等步驟。

（1）圖像裁剪。由于無(wú)人機(jī)監(jiān)測(cè)整體的范圍會(huì)比所需要的地方大，這時(shí)需要對(duì)數(shù)據(jù)結(jié)果進(jìn)行裁剪操作[22]。該步驟在ENVI中進(jìn)行，通過(guò)SubsetDataROIs工具進(jìn)行圖像裁剪（圖3）。

（2）背景剔除。由于小麥葉片較小，種植密度難以完全遮住土壤，無(wú)人機(jī)圖像中包含大量的土壤元素。土壤和小麥對(duì)無(wú)人機(jī)光譜反射率存在差異，因此，為了數(shù)據(jù)的準(zhǔn)確性，需要剔除土壤背景。該步驟在ArcGIS中進(jìn)行，見圖4。

1.3小麥葉片氮含量數(shù)據(jù)獲取田間采樣分別在2024年3月28日和4月10日進(jìn)行，共設(shè)置40個(gè)采樣點(diǎn)，每個(gè)采樣點(diǎn)隨機(jī)分布，選取長(zhǎng)勢(shì)均勻的小麥植株，取樣后，將莖葉分開，將同批次的小麥葉片樣本依次裝袋、編號(hào)，在 下殺青 ，在 下烘干后粉碎并過(guò)濾，最后將過(guò)濾后的樣品送往實(shí)驗(yàn)室采用標(biāo)準(zhǔn)凱氏定氮法進(jìn)行葉片氮含量測(cè)定。

1.4植被指數(shù)提取與分析利用地理信息系統(tǒng)軟件ArcGIS對(duì)無(wú)人機(jī)圖像進(jìn)行遙感變量的提取，將提取的 、RedEdge、NIR波段反射率進(jìn)行相關(guān)遙感植被指數(shù)的計(jì)算（表2）。以太倉(cāng)冬小麥拔節(jié)期和孕穗期各22、25個(gè)數(shù)據(jù)為基礎(chǔ)，分析拔節(jié)期、孕穗期小麥葉片氮含量與遙感變量間的相關(guān)性。運(yùn)用回歸分析建立遙感監(jiān)測(cè)模型，利用擬合度 ）優(yōu)化上述模型。利用另外17個(gè)葉片氮含量數(shù)據(jù)對(duì)所建模型進(jìn)行評(píng)價(jià)，采用 、均方根誤差（root mean square error，RMSE）2個(gè)檢驗(yàn)指標(biāo)進(jìn)行綜合評(píng)價(jià)。

2結(jié)果與分析

2.1LNC遙感監(jiān)測(cè)模型對(duì)LNC和NGBDI、RGBVI、ExR等15個(gè)植被指數(shù)進(jìn)行皮爾遜相關(guān)性分析后，依據(jù)相關(guān)性最強(qiáng)原則，篩選出拔節(jié)期敏感遙感變量NGBDI、RGBVI和孕穗期敏感遙感變量RGBVI、ExR，以敏感遙感變量為自變量、葉片氮含量為因變量，選用二元多項(xiàng)式模型，構(gòu)建拔節(jié)、孕穗期小麥LNC監(jiān)測(cè)模型（圖5、表3）。

2.2模型評(píng)價(jià)將小麥拔節(jié)期和孕穗期的預(yù)測(cè)值和實(shí)測(cè)值進(jìn)行線性回歸分析，構(gòu)建LNC預(yù)測(cè)值與實(shí)測(cè)值間的1：1關(guān)系圖，并采用 和RMSE來(lái)綜合評(píng)價(jià)模型可信度（圖6、表4）。結(jié)果表明，由以上監(jiān)測(cè)模型推算出的LNC預(yù)測(cè)值和實(shí)測(cè)值之間存在顯著的相關(guān)性，且模型精度較高，尤其在孕穗期利用RGBVI結(jié)合ExR監(jiān)測(cè)LNC效果更好，即 最大（0.737 9） RMSE（0.267 0）。

同時(shí)，根據(jù)試驗(yàn)田小麥葉片氮含量制作小麥拔節(jié)期和孕穗期LNC遙感監(jiān)測(cè)圖（圖7）。

Fig.5Remote sensing monitoring model of leaf nitrogen content in wheat at jointing stage and booting stage

3結(jié)論

該研究以江蘇省蘇州市太倉(cāng)市試驗(yàn)田為研究區(qū)域，通過(guò)對(duì)試驗(yàn)樣點(diǎn)小麥拔節(jié)期和孕穗期LNC與15個(gè)無(wú)人機(jī)多光譜遙感變量進(jìn)行相關(guān)性分析，建立線性模型，并進(jìn)行精度驗(yàn)證，得到以下結(jié)論。

（1）小麥拔節(jié)期選擇NGBDI結(jié)合RGBVI、孕穗期選擇RGBVI結(jié)合ExR來(lái)分別反演小麥LNC具有可行性，且構(gòu)建的孕穗期小麥LNC遙感監(jiān)測(cè)模型具有較高精度，有一定的

實(shí)用價(jià)值。

Fig.6Evaluation of remote sensing monitoring model of wheat nitrogen content at jointing stage and booting sta

（2）根據(jù)小麥LNC遙感監(jiān)測(cè)模型制作的2024年太倉(cāng)市小麥拔節(jié)期和孕穗期LNC遙感監(jiān)測(cè)圖，能科學(xué)有效無(wú)損地實(shí)現(xiàn)對(duì)小麥LNC的監(jiān)測(cè)以及為精準(zhǔn)施肥提供理論依據(jù)。

該研究所使用影像僅為多光譜數(shù)據(jù)，分辨率低、獲取光譜波段單一、成像速度較慢，使得監(jiān)測(cè)精度降低，今后可進(jìn)行高光譜數(shù)據(jù)研究，能夠提供更加全面的光譜特征和分析能力，提高監(jiān)測(cè)的精度。

參考文獻(xiàn)

[1]曹洪偉.無(wú)人機(jī)在農(nóng)業(yè)機(jī)械精準(zhǔn)施肥中的應(yīng)用[J].河北農(nóng)機(jī)，2024（6）：42-44.

[2]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(wú)人機(jī)精準(zhǔn)施肥[J].農(nóng)業(yè)工程學(xué)報(bào)，2020，36（15）：103-110.

[3]趙小敏，孫小香，王芳東，等.水稻高光譜遙感監(jiān)測(cè)研究綜述[J].江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，41（1）：1-12.

[4]趙春江.智慧農(nóng)業(yè)發(fā)展現(xiàn)狀及戰(zhàn)略目標(biāo)研究[J].智慧農(nóng)業(yè)，2019，1（1）：1-7.

[5]唐華俊.農(nóng)業(yè)遙感研究進(jìn)展與展望[J].農(nóng)學(xué)學(xué)報(bào)，2018，8（1）：167-171.

[6]曹亮.基于無(wú)人機(jī)遙感監(jiān)測(cè)的施肥控制技術(shù)探究[J].時(shí)代農(nóng)機(jī)，2019，46（7） ：3-4.

[7]張恒瑞.基于多光譜遙感的華北麥-玉輪作生長(zhǎng)動(dòng)態(tài)與產(chǎn)量研究[D].太谷：山西農(nóng)業(yè)大學(xué)，2021.

[8]于豐華，張鴻剛，金忠煜，等.水稻農(nóng)學(xué)理化參量無(wú)人機(jī)遙感反演研究現(xiàn)狀與展望[J].沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，54（2）：248-256

[9]韓宜秀.基于無(wú)人機(jī)多光譜遙感的冬小麥生長(zhǎng)估測(cè)與氮營(yíng)養(yǎng)診斷[D].楊凌：西北農(nóng)林科技大學(xué)，2023.

[10]譚昌偉，王君嬋，童璐，等.LandsatTM遙感數(shù)據(jù)監(jiān)測(cè)冬小麥關(guān)鍵期主要長(zhǎng)勢(shì)參數(shù)[C]//中國(guó)作物學(xué)會(huì)50周年慶祝會(huì)暨2011年學(xué)術(shù)年會(huì)論文集.[出版地不詳]：[出版者不詳]，2011：213.

[11]譚昌偉，王紀(jì)華，趙春江，等.利用LandsatTM遙感數(shù)據(jù)監(jiān)測(cè)冬小麥開花期主要長(zhǎng)勢(shì)參數(shù)[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（5）：224-230.

[12]譚昌偉，王紀(jì)華，朱新開，等.基于LandsatTM影像的冬小麥拔節(jié)期主要長(zhǎng)勢(shì)參數(shù)遙感監(jiān)測(cè)[J].中國(guó)農(nóng)業(yè)科學(xué)，2011，44（7）：1358-1366.

[13]譚昌偉，王紀(jì)華，黃文江，等.基于TM和PLS的冬小麥籽粒蛋白質(zhì)含量預(yù)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（3）：388-392.

[14]姚永勝，任妮，李衛(wèi)國(guó)，等.基于GF-6/WFV衛(wèi)星遙感的大田冬小麥葉片氮素含量估測(cè)[J].麥類作物學(xué)報(bào)，2024，44（7）：911-918.

[15]MORIONDO M，MASELLIF，BINDIM.A simple model of regional wheatyieldbased on NDVI data[J].European journal of agronomy，2007，26（3） ：266-274.

[16]呼斯樂(lè)，包玉龍.基于UAV高光譜遙感的春小麥表型特征提取[J].農(nóng)業(yè)與技術(shù)，2024，44（4）：1-5.

[17]魏青，張寶忠，魏征，等.基于無(wú)人機(jī)多光譜遙感的冬小麥冠層葉綠素含量估測(cè)研究[J].麥類作物學(xué)報(bào)，2020，40（3）：365-372.

[18]劉暢.無(wú)人機(jī)影像‘圖一譜’信息融合在作物氮素診斷中的應(yīng)用研究[D].西安：西安科技大學(xué)，2018.

[19]HUTTC，BOLTENA，HUGINGH，et al.UAV LiDAR metrics for monito-ringcrop height，biomassand nitrogenuptake：A case study onawinterwheat field trial[J].PFG-journal of photogrammetry，remote sensing andgeoinformation science，2023，91：65-76.

[20]YANGBH，WANGMX，SHAZX，etal.Evaluation of aboveground nitro-gen content ofwinter wheat using digital imagery of unmanned aerial ve-hicles[J].Sensors，2019，19（20）：1-18.

[21]DUAN D D，ZHAO C J，LI Z H，et al.Estimating total leaf nitrogen con-centrationin winter wheatby canopyhyperspectral data and nitrogenver-tical distribution[J].Journal of integrative agriculture，2O19，18（7） ：1562-1570.

[22]曾鵬宗.基于無(wú)人機(jī)遙感的“秦脆”蘋果樹冠層氮含量反演模型研究[D].楊凌：西北農(nóng)林科技大學(xué)，2023.