无人机高光谱在农田信息监测中的应用

无人机可搭载的遥感传感器多种多样, 可以获取多维度、高精度的农田信息, 实现多类农田信息的动态监测。这些信息主要包括作物空间分布信息(农田定位、作物种类识别、面积估算及变化动态监测、田间基础设施提取)、作物生长信息(作物表型参数、营养指标、产量), 以及作物生长胁迫因子(田间墒情、病虫害)动态等。

农田空间信息

农田空间位置信息包括田块的地理坐标及通过目视判别或机器识别得到的作物分类。通过地理坐标识别出田块边界还可以实现种植面积的估算。传统的方法通过以地形图作为底图进行数字化开展区域规划和面积测算, 时效性差, 边界位置与实际情况差异巨大且缺乏直观性, 不利于精准农业的实施。无人机高光谱可以实时获取全面的农田空间位置信息, 具有传统方法无可比拟的优势。高清数码相机的航拍影像即可实现农田基本空间信息的识别和判定, 空间构型技术的发展提高了农田位置信息研究的精度与深度, 在引入高程信息的同时提升了空间分辨率, 可实现更精细的农田空间信息监测。将无人机DEM数据用于农田灌溉渠系的提取, 渠系提取的完整度达85.61%。

作物生长信息

作物生长状况可以通过表型参数、营养指标以及产量等信息来表征。表型参数包括植被覆盖度、叶面积指数、生物量、株高等。这些参数相互关联、共同表征了作物的长势情况, 与最终产量直接相关。在农田信息监测研究中占有主导地位, 已经开展的研究相对较多。

作物表型参数

叶面积指数(Leaf Area Index, LAI)是指单位地表面积上单面绿叶面积的总和, 可较好地表征作物对光能的吸收利用, 与作物的物质积累和最终产量关系密切。叶面积指数是目前无人机高光谱监测的主要作物生长参数之一。以多光谱数据计算植被指数(比值植被指数、归一化植被指数、土壤调节植被指数、差值植被指数等)与地面实测数据建立回归模型是反演表型参数较为成熟的方法。高林等通过对多个生育期、多种植被指数和不同模型的比较, 选择鼓粒期(大豆主茎最上部4个具有充分生长叶片着生的节中, 任何一个节位上豆荚内绿色种子充满荚皮的时期)归一化差分植被指数(Normalized Difference Vegetation Index, NDVI)的线性回归模型反演大豆LAI, 决定系数R2=0.829, 均方根误差RMSE=0.301, 估测精度EA=85.4%。也有利用可见光图像估测LAI的研究, 构建了基于可见光大气阻抗植被指数(Visible Atmospherically Resistant Index, VARI)原理的数字图像特征参数(UAV-based VARIRGB)的指数模型, R2也达到0.71。高光谱的高分辨率优势为研究者提供了更丰富和连续的数据。

随着高光谱传感器的推广和高阶数据处理方法的发展, 应用高光谱估算LAI的研究逐渐增多。已有研究证实, 携式地物光谱仪(Analytica Spectra Devices, ASD)获取的地面高光谱比值植被指数(Ratio Vegetation Index, RVI)对数模型的LAI预测能力优于无人机多光谱的NDVI线性模型; Cubert UHD 185-Firefly(UHD185)是新型的无人机载高光谱传感器, 研究者通过对冬小麦孕穗、开花、灌浆期的UHD185高光谱影像与冠层ASD反射率的比较发现, 其在第3波段~第96波段(458~830nm)具有较好的光谱质量。采用偏最小二乘回归法(Partial Least Squares Regression, PLSR)与红边参数结合估算叶面积指数, 独立验证R2=0.757, RMSE=0.732;交叉验证R2=0.755, RMSE=0.762。针对传统固定波段植被指数存在的波段范围问题, 通过动态搜索植被指数, 将波段范围内的反射率极值定义为极值植被指数, 提高了棉花LAI的估测精度(验证R2最大提高了0.11)。

作物生长后期地上部生物量与产量和品质的关系均很密切。目前农业上用无人机高光谱进行生物量估测仍多使用多光谱数据, 提取光谱参数、计算植被指数进行建模; 空间构型技术在生物量的估算方面有一定优势,以呼伦贝尔草地为研究对象, 提出基于无人机的草层高和盖度提取方法, 并用这两项参数反演了地上生物量(R2=0.784, RMSE=108.9 g·m-2)。该研究还探讨了无人机飞行高度对草层高度和盖度提取结果的影响, 并应用镶嵌算法提升了图像拼接的效率和效果, 对于农田作物生物量的估算具有参考意义。利用SfM算法获取作物表面模型(Crop Surface Models, CSM)提取作物冠层高度, 结合3种可见光区植被指数来估算大麦生物量, 发现该方法在抽穗前期可靠, 但生长后期预测效果不佳。可见生育期对于建模参数的选择有很大影响。在对大豆生物量的反演过程中, 采取了分段建模的方式。

在开花结荚期以优化土壤调节植被指数(Optimization of Soil Adjusted Vegetation Index, OSAVI), 红边位置辅以株高为自变量通过最小二乘法建立多元线性回归模型, 独立验证R2=0.727, RMSE为0.145;交叉验证R2为0.714,RMSE为0.393;在生长后期(即鼓粒成熟期), 由于株高稳定、对生物量影响小, 不再作为建模参数, 以4种高光谱植被指数建立的生物量回归模型, 独立验证R2为0.698, RMSE为0.238;交叉验证R2为.697,RMSE为0.386。

作物营养指标

传统的作物营养状态监测需要通过田间取样、室内化学分析, 以诊断营养物质或指标(叶绿素、氮素等)的含量, 而无人机高光谱则依据不同物质具有特异的光谱反射吸收特征进行诊断。叶绿素的监测依据是其在可见光波段有两个强吸收区, 即640~663 nm的红光部分和430~460nm的蓝紫光部分, 而在550 nm处吸收很弱。作物缺素时, 叶片颜色、纹理特征均会变化, 发掘不同缺素情况对应的颜色和纹理的统计特征及相关特性是营养监测的关键。

与生长参数监测类似, 特征波段、植被指数和预测模型的选择依旧是研究的主要内容。对多光谱植被指数、纹理特征建立不同叶绿素的相对含量值(Soil and Plant Analyzer Development, SPAD)预测模型, 比较得出纹理特征易受成像质量影响, 稳定性差于优选植被指数; 该研究还发现延后采集时间、增加采集高度、降低飞行速度均能提高模型预测精度。在高值经济作物研究中, 利用无人机近红外影像监测茶树叶片氮含量, 优化茶叶采摘时间, 在保持茶叶口感的同时提高收获量, 显著提高了经济效益。植被辐射传输机理模型可描述光在作物叶片和冠层吸收、反射的物理过程, 模型以作物生理信息为输入参数, 输出模拟的冠层光谱信息。通过查找表法、数值优化法、人工神经网络等方法可以反演作物的生长信息。高精度植被辐射传输机理模型被越来越多的研究者所使用。

好了， 有关无人机高光谱在农田信息监测中的应用等介绍我们就讲到这里了，下期我们再来聊聊有关作物产量等问题，不见不散!

莱森光学(深圳)有限公司是一家提供光机电一体化集成解决方案的高科技公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。

审核编辑：汤梓红