基于低空无人机遥感的高粱生长状况监测

0引  言

高粱是世界第五大农作物，是酿造业和饲料业的基础原料，在我国种植广泛且近几年的对外依存度较高。全面并准确地获取高粱的生长状态信息对指导高粱的生产、精确的预测产量、评价生产耗能等具有重要的现实意义。然而在无人机遥感技术对高粱生长状态的监测研究方面还未有大量研究。本文以南通市农业研究实验基地种植的高粱为研究对象，选取可反应农作物长势的叶面积指数（LAI）、植被覆盖度（FVC）为高粱生长参数的指标，通过多旋翼无人机平台获取高粱不同生长阶段的遥感图像，在建立４种典型植被指数和高粱生长参数 LAI 和FVC 的经验统计回归模型，确定适用于反应高粱长势的最优植被指数；然后，对比实测和通过无人机遥感图像获得的 LAI 和FVC 值，评估无人机遥感评价农作物长势的准确性。

1材料与方法

1.1 试验区概况

试验于南通市农业研究实验基地进行，基地地势平坦，土壤类型草甸黑土，土壤质地黏重，前茬大豆，秋整地。高粱品种为红糯 16，每公顷的保苗株数为25万株，播种同时施入种肥300kg/hｍ２（氮∶磷∶钾＝23:10:12）。施肥、防虫灭草等均按当地生产进行，播种及各项农事活动均在同一天内完成。

1.2 数据获取

1.2.1 无人机遥感数据

本研究采用无人机５通道多光谱相机。相机在120ｍ 的飞行高度时，分辨率（ GDS ）为８ｃｍ，可采集蓝、绿、红、红边、近红外５个光谱波段。在高粱播种到成熟的过程中，选取３个主要生育期开展无人机遥感作业，选择太阳光强度稳定、天气晴朗无云的天气，10:00～14:00获取遥感图像，试验日期与对应的生育期如表１所示。３ 次 无 人 机 作 业 时 采 取 同 一 航 线，飞 行 时 间 约 为20ｍiｎ，飞行高度为120ｍ。

表１无人机遥感图像获取时间及对应的生育期

1.2.2 地面数据采集

地面数据采集工作与无人机空中作业在同一天同一时间段开展，利用植物冠层分析仪，完成研究区域内的高粱叶面积指 数 LAI 的测量。同时，将数码相机安装在杆子上，在距离地面约３ｍ 的高度俯拍高粱冠层的图片，每个拍摄点至少拍摄３张照片。

1.3 数据处理

对无人机采集的多光谱图像，首先采用图像软件将单个图像拼接成研究区域整体的图像。再使用 ENVI 遥感图像处理软件进行辐射定标，采用伪标准地物辐射纠正法，通过建立地面实测反射率和地面实际反射系数之间的线性关系来实现辐射定标。在试验田周边布置两个标称反射率为0.03和0.22的３ｍ×３ｍ 航拍实验标准反射率参考板。使用 ENVI 软件从无人机图像中提取与标准参考板相对应的ＤＮ 值。利用各光谱波段的参考板ＤＮ 值和已知的校准参考板反射率值建立了线性回归方程，将无人机图像的 ＤＮ 值转换为辐射定标后的反射率

式中：ρ（x , y , i ）—光谱带ｉ中像素（ x , y ）的辐射定标后的反射率；ＤＮ（x , y , i ）—光谱带ｉ中像素（ x , y ）的 ＤＮ 值；ａｉ、ｂｉ—光 谱 带ｉ 的 线 性 回 归 模 型 的 斜 率 和截距。无人机多光谱影像的辐射定标需要单独提取绿、红、红边和近红外波段影像的白色参考板ＤＮ值，依次分别进行单波段影像的辐射校正。最后，对经过辐射定标的绿、红、红边和近红外波段影像进行波段合成处理，得到多光谱影像合成数据。对于地面采集的图像，在采用 Adobe　Photo shop 软件处理高粱冠层图片后，将照片导入 ENVI 软件以估算植被覆盖度ＦＶＣ 值。具体的计算过程为：首先利用“maｘimum　likehood ”函数，将每幅图像分为有植被和无植被两类。然后，使用“quick stats”函数确定植被区域中的像素数。将植被部分的像素数除以图像的像素总数，估算出每幅植被图像的 FVC 值。

1.4 植被指数的选取

在辐射定标后，结合无人机遥感平台，如表２所示，选择４种常用的植被指数用于高粱LAI和 FVC反演模型的构建，利用ENVI软件中的自带函数计算植被指数。

表２选取的植被指数和计算公式

1.5 统计分析

使用验证数据集分析回归模型的准确性，选用评价指标：决定系数Ｒ２、均方根误差 ＲＭＳＥ、平均绝对误差MAPE评价回归模型的精度。此外，使用Ｔ检验确定估测模型是否能够以合理的精度预测高粱 的 FVC 和 LAI ，如果斜率值与１无显著性差异，截距值与０无显著性差异，则可以得出回归模型与直线ｙ＝ｘ无显著性差异的结论，即估测模型可以实现高精度的预测。

2结果与分析

2.1 最优估测植被指数

通过对比分析 NDVI 、绿色 NDVI 、RVI 和 WDR－V I 植被指数和高粱的 LAI  和 FVC 相关性，确定最优的估测植被指数。从 50 幅无人机图像中提取数据点构建样本数据集，随机选择2/3的样本数据作为训练集与多光谱反射率影像建模，选择指数回归和线性 回 归分别构建高粱 LAI 和 FVC 的估测模型。剩余的1/3样本数据作为验证集，评价回归模型的性能，得到的 LAI 和 FVC  的４种植被指数的最佳拟合函数和评价指标分别如表３和表４所示。

表3  植被指数和叶面积指数的回归模型

表4  植被指数与植被覆盖度的回归模型

从表３和表４可得，NDVI 构建 LAI 和 FVC 的估算模型的精度和效果要优于其他植被指数。相比于其他３ 种植被指数，LAI－NDVI 和 FVC－NDVI 估算模型的决定系数 R2 值最高（0.91，0.88）且均方根误差 RMSE（0.28，0.06）和平均绝对误差MAPE（11％，８％）最低。WDRVI 的表现优于绿色NDVI 和 RVI ，但该指数的R2较低，RMSE和MAPE 较高，与其他植被指数相比 RVI 显示准确性最低。由于NDVI 与高粱作物的LAI 和 FVC 的相关性最大，所以选择 ND－VI 指数进行下一步的详细研究。

2.2 无人机遥感图像预测LAI 精度评价

根据训练数据集绘制 NDVI 和 LAI 之间的函数关系如图１所示。

图１　植被指数 NDVI 与叶面积指数的函数关系

由图１ 可以看出，在图像采 集期间，高粱 的 LAI 值集中在 0.2～3.0 的 范 围内。但 当 LAI ＞2.5 时，NDVI 不会发生明显的变化，保持在 0.9 左右。该结果与其他学者的研究结果较为一致：LAI 的继续增大不会显著影响植物红光波段吸收和反射，所以 NDVI 不会随着高粱叶面积的增大而变化。该现象的主要原因是：对于多数农作物，在 LAI ≥ 2.5，吸收峰高于95％时，红光波段的冠层反射率小于５％。为了评估根据无人机遥感图像 得到的 NDVI 与LAI 经验关系的可行性和准确性，对实测的 LAI 数据和通过无人机遥感数据得到的 LAI 的预测回归模型进行交叉验证，得到的结果如图２所示。图２中虚线为函数ｙ＝ｘ，实线为叶面积指数实测值和预测值之间的最小二乘线性回归方程。

图2  无人机遥感图像预测叶面积指数效果图

由图２可以看出，根据无人机图像得到的预测值和实测 LAI 值之间具有较好的拟合性，决定系数 R2＝0.94 ，RMSE ＝0.16 ，MAPE＝13 ％。通过最小二乘法得到的回归方程ｙ＝0.9５ｘ＋0.06 与实测数据之间的方差为 0.95 。T 检验结果显示：回归方程的斜率与１无显 著 性 差 异 （ｐ＝0.14 ），截 距 与 ０ 无 显 著 性 差 异（ｐ＝0.15），即回归方程与方程ｙ＝ｘ 没有显著差异。统计分析表明，根据遥感图像构建 NDVI 和 LAI 的线性模型 LAI＝0.14ｅ3.4 ×NDVI 能够对高粱的叶面积指数 LAI 进行准确的预测。

2.3 无人机遥感图像预测 FVC 精度评价

绘制训练数据集的 NDVI 和 FVC 之间的函数关系，如图３所示。

图３　植被指数 NDVI 与植被覆盖度的函数关系

根 据 图 ３ 可 得，与 NDVI 和 LAI 关 系 不 同，NDVI 和 FVC 呈现线性关系（R 2＝0.9０），FVC 集中的分布在 0.6～０.9 之间。与前文的分析方法相同，使用 NDVI－FVC 的回归模型对实测的 FVC 和根据无人机遥感图像推算得到的 FVC 进行交叉验证，得到验证结果如图４所示。图４中虚线为函数ｙ＝ｘ，实线为植被覆盖度实测值和预测值之 间的最小二乘线性回归方程。

图４　无人机遥感图像预测植被覆盖度效果

由图４可以看出，根据无人机图像得到的预测值和实测 FVC 值之间具有较好的拟合性，决定系数R 2＝0.90 ，RMSE ＝0.05 ，MAPE＝４％。T 检验结果显示，回归方程的斜率与１无显著性差异（ｐ＝0.07），截距与０无显著性差异（ｐ＝0.05），即 回归方 程与方 程ｙ＝ｘ没有显 著 差 异。统 计 分 析 表 明，根 据 遥 感 图 像 构 建ＮＤＶＩ和ＦＶＣ 的线性模型ＦＶＣ＝1.07　NDVI－0.16 能够对高粱的植被覆盖度 FVC 进行准确的预测。2.4 无人机遥感图像预测 LAI－FVC 之间的关系根据 FVC 和 LAI 的实测值，绘制两者的函数关系如图５所示。

图５　LAI－FVC 实测值函数关系

从图５可以看出，LAI－FVC 之间呈现曲线相关，在 LAI ＜1.5 时，如图 5 中虚线所示，LAI－FVC 之间呈现线性的关系；当 LAI＞1.5时，LAI－FVC 之间的曲线关系较为明显。当高粱冠层的 LAI 值达到约 2.5 时，植被覆盖了约70％的地面面积。在 LAI 大于 2.5 后，叶面积的继续增大，并没有引起植被覆盖度的变化。因此，当地块的植被覆盖度较高时，虽然 LAI 仍可能增加，但其 NDVI 值基本不变。

3结  论

本研究利用无人机多光谱遥感系统建立了植被指数和高粱 LAI 、FVC 之间的回归模型，并预测其精度，结果表明，通过无人机遥感技术可以精确、可靠地预测高粱作物的生长状态。
１）归一化差异植被指数 NDVI 为反应高粱长势最优的植被指数，通过无人机遥感图像得到的 NDVI 值估计高粱的 LAI  和 FVC  的 鲁 棒 性 较 好。LAI －NDVI 和 FVC－NDVI 估 算 模 型 的 Ｒ２值 最 高 （0.91，0.88），且 RMSE（0.28，0.06）和 MAPE（11％，８％）最低。２）根据遥感图像分别构建 NDVI 和ＬＡＩ及 ＦＶＣ的线性模型 LAI ＝0.14ｅ3.4×NDVI和 FVC＝1.07　NDVI－0.16 能够准确预测高粱的 LAI 值和 FVC值。３）在高粱生长季的后期 LAI ＞2.5 时，由于 ND－VI 饱和度问题会降低其对 LAI  预测效果。