基于無人機影像的作物土壤水分虧缺反演方法※

陳 震，馬春芽，孫 浩，程 千，段福義

（1.中國農業科學院農田灌溉研究所，河南新鄉453002；2.農業農村部節水工程重點實驗室，河南新鄉，453002；3.河南省節水農業重點實驗室，新鄉453002）

0 引言

現代農業逐步向信息化、智能化發展，其核心是農業信息數據的獲取和利用。目前，隨著科技的發展，農業信息數據的獲取手段不斷豐富，從田間傳感器到衛星遙感，實現了從點到面不同尺度的全覆蓋［1-2］，為精準農業、智慧農業發展提供了有力的數據支撐。目前農業在種植和收獲方面基本實現了精準播種和收割，而在作物種植的過程管理方面，特別是水肥管理方面尚未全面實現精準管理，而水肥管理貫穿作物生育期全過程，水肥精準管理是當前研究熱點［3-4］，也是現實生產管理中面臨的難題。近年來，無人機低空遙感得到推廣及使用［5-7］，獲取的高分辨率遙感影像數據特別適用于田間精準管理，尤其是熱紅外遙感影像在反演冠層溫度上表現突出［5，8］。眾多研究表明，冠層溫度很大程度反映了葉片需水信息，通過冠層溫度計算的作物水肥虧缺指數（CWSI）揭示了作物旱情［8-10］，但在土壤水分反演精度上還有待提高。研究［3，11-12］表明植被指數可以有效揭示作物長勢，一定程度上可以反演水肥信息，其在高光譜應用方面已取得一定進展［7，13-15］。但是在可見光和多光譜應用上，水肥精準反演尚處于探討階段，缺乏足夠的數據支撐不同水肥處理條件下，利用無人機高分辨率遙感數據衡量土壤水肥信息指數變化。文章在無人機遙感的基礎上，重點研究不同水肥處理情境下，通過無人機遙感獲取熱紅外、可見光、多光譜數據在水肥反演不同植被指數的敏感性問題，構建大田土壤水分的精準反演模型，指導大田精準灌溉。

1 材料與方法

1.1 試驗設計

該試驗在中國農業科學院新鄉綜合試驗基地（圖1）開展，試驗采用大型平移式噴灌機變量噴灑水肥，平移式噴灌機共3跨，每跨49.5 m，噴頭采用Nelson R3000，沿噴灌機桁架方向每一跨下面的噴頭采用的噴嘴分別為23號、19號、21號，實現了沿跨體方向變量灌溉，即3個灌溉水平處理。試驗設置6個不同的施肥處理，噴灌機每一跨覆蓋面布置6個噴施氮肥處理，每個處理4個重復，共設置24個試驗小區，小區規格4 m×4 m，3跨共72個小區。灌溉試驗在拔節期到乳熟期利用大型噴灌機以5%速率在2019年3月10日和3月28日共進行2次。

圖1 試驗區和試驗布置Fig.1 Location of the experimental site and the field plots

施氮肥分4個時期進行，施肥量通過噴灑施肥速率來控制，分別在冬小麥的播種期（基肥）、返青期（運行速率60%）、拔節期（運行速率80%）、抽穗期（100%）進行。不同處理及具體施氮濃度見表1、表2，其他肥料參考當地及相關文獻資料統一施肥［16］。

表1 不同灌溉水平對應噴嘴型號和流量Table 1 The irrigation treatments with spraying nozzle

表2 不同處理噴施氮肥濃度Table 2 Spraying nitrogen concentration under fertigation treatments

1.2 數據采集

遙感影像的獲取采用大疆S1000系列八旋翼無人機和精靈4 PRO無人機信息采集系統，在S1000八旋翼無人機系統上安裝了分辨率為640×512 FLIR-Tau2熱紅外相機和Survey3多光譜相機。在試驗小區內用黑白板設置18個地面控制點（GCPs）均勻分布在72個小區中。數據采集包括無人機遙感影像和田間取樣，根據不同的生育期和灌溉水平開展，飛行日期同步開展田間數據采樣，部分日期見表3。飛行數據主要包括熱紅外、RGB、RGN影像，取樣數據包含株高、葉面積、冠層溫度、0～100 cm土層深度的土壤含水量、地上生物量。

表3 冬小麥生育期飛行和采樣主要日期Table 3 Summary of field campaigns for the wheat experiments

影像數據的獲取主要是通過大疆GSP地面站軟件規劃航線自主飛行獲取，飛行高度50 m 和30 m，每次飛行采集數據的時間集中在11：00—14：00。

土壤水分的采集采用Trime管TDR測量和取土烘干法（2019年3月16日和4月29日）。株高和葉面積的監測在3個灌溉水平分別取6個小區測樣，株高和葉面積采用米尺測量，從小區的對角線隨機選取植株進行采樣，葉面積采用葉片的長×寬×0.7。土壤中氮肥的測量采用紫外分光光度法測量硝態氮含量，土樣前處理采用震蕩30min后取上清液，重復3次取均值作為樣品硝態氮含量。

1.3 圖像處理和數據分析

飛行獲取的影像采取Pix4D軟件拼接，大疆精靈4 PRO獲取的RGB圖像和Survey3多光譜相機獲取的RGN圖像都自帶POS信息，直接在Pix4D處理得到二維正射影像和數字表面模型（DSM）。FLIR Tau2熱紅外相機自身沒有獲取POS數據，影像采用獨立的POS獲取系統，根據熱紅外定時拍照同步記錄POS信息到SD卡，導出到TXT文本；FLIR Tau2熱紅外相機拍攝的照片為RAW格式，經過Maxlm轉換為TIFF格式，轉換的圖片和POS文本導入到Pix4D Mapper中處理，處理后根據質量報告，加載相機優化參數，再重新配置相機參數和優化處理，直到質量報告參數合格。

Survey3多光譜相機影像獲取后每一組照片由TIFF和RAW兩個文件組成，需要先處理和校準，通過survey3相機提供的處理和校準流程進行，處理和校準后的圖像可以直接導入Pix4D中拼接處理。具體影像處理流程如圖2所示。

圖2 無人機影像處理流程Fig.2 Schematic diagram of methodology to process UAV images

處理后的正射影TIFF格式影像分辨率熱紅外3.4 cm，RGB影像0.9 cm，RGN影像2.3 cm，利用ArcMap10.2處理，提取每一個試驗小區，然后計算相應的指數（表4）。

表4 評價冬小麥長勢及水肥信息的植被指數Table 4 Spectral vegetation indices used to evaluate winter wheat water and fertilizer

2 結果

2.1 灌溉處理指數反演

3個灌溉水平處理條件下，冬小麥在拔節期后的生長發育趨勢見圖3。試驗跟蹤測樣發現株高從試驗開始呈逐漸增高趨勢，從返青期直到4月底達到峰值，不再增長，在3月份小麥株高從18 cm長到40 cm。3個灌溉處理結果顯示，灌水虧缺的越多，對株高的影響越大，IT2灌水量最少，平均的株高明顯低于其他的2個處理。3個灌溉處理條件下的株高很好地對應了灌溉水平。數據顯示同樣在水分虧缺條件下，灌水越多冬小麥發育越好。

圖3 不同灌溉處理條件下株高和葉面積Fig.3 Plant height and leaf area in different irrigation treatments

葉面積數據顯示同樣在水分虧缺條件下，灌水量直接影響了葉面積的生長發育，葉面積到2019年4月12日左右逐步達到峰值，峰值20 cm2。葉面積和株高一樣，在灌水存在梯度的情境下，葉面積也明顯存在著梯度。灌水量的虧缺越嚴重，對株高和葉面積影響越大，水分虧缺條件下，灌水量對株高和葉面積的生長呈正相關。同樣灌溉處理條件下，葉面積較株高對水分更敏感。

圖4 不同灌溉處理條件下冠層溫度、CWSI和土壤含水量Fig.4 Temperature，CWSI and SWC in different irrigation treatments

圖4為不同灌溉處理條件下冠層溫度，作物水分虧缺指數（CWSI）和土壤含水量（SWC）差異。通過無人機攜帶熱紅外相機采集冠層熱紅外影像，采用熱紅外相機本身的反演溫度公式，結合地面布置的溫度校正點，校正后得到冠層氣溫影像，在ENVI中提取每個試驗小區處理的冠層氣溫數據顯示：兩次灌水（3月10日和3月28日）情境下，3個灌溉水平下冠層溫度存在變化。在3月10日拔節期第一次灌水前，3月9日通過無人機數據測量冠層氣溫。在灌水前，植株生長發育比較好的區域平均冠層氣溫較高，通過上面的株高和葉面積等數據看，3月9日3個小區的冬小麥生長發育差異不顯著；灌水后，冠層氣溫和土壤水分含量受到灌水量影響，出現顯著差異，IT1、IT2、IT3的冠層平均氣溫分別為31.6、30.2、29.4℃；灌水多的區域冠層氣溫較灌水少的區域平均冠層氣溫低2～5℃。每個處理小區的平均氣溫及CWSI見圖4，灌溉后，灌水量的不同對冠層溫度及CWSI的影響顯著，IT1采用23號噴嘴灌水量最多，其冠層溫度及CWSI最低，IT2采用19號噴嘴灌水量最少，冠層溫度及CWSI最高。3月26日，IT2灌水處理下平均CWSI達到0.57，超過0.5的干旱預警線，水分虧缺較嚴重。3月28日噴灌機以10%速率灌水后，4月2日采集的冠層氣溫及CWSI較3月26日下降，水分虧缺緩解，但3個灌溉處理間的差異愈發顯著。不同灌溉處理條件下的試驗結果說明，平均冠層溫度以及CWSI與土壤水分含量呈一定負相關關系。

冠層氣溫的差異直接決定了CWSI的差異，CWSI的計算原理顯示，根據干旱及濕潤區冠層氣溫的差異，能反映作物缺水指標，并顯著地呈現缺水導致的差異。冠層平均氣溫在3月16日后卻下降，意味著冠層覆蓋地面，葉片生理活動旺盛。灌水越少導致小麥在拔節期后株高和葉面積正常生理生長受的影響越大。

試驗數據分為3個灌溉水平時，通過無人機采集影像并提取每個小區的光譜數據，當72個小區歸類到3個IT1、IT2、IT3灌水分區時，結果發現（圖5），通過多光譜波段計算的指數在3個灌水分區中有明顯差異。NDVI、GNDVI、RVI、WRRVI、CVI、OSAVI等相關指數與灌水量呈正相關；NGRDI、GRVI、MGRVI與灌溉量呈負相關。這些指數單從灌水數據上考慮，都可以體現灌水的差異性。具體表現為長勢的差異直接反映在不同波段的光譜中，通過不同波段的光譜運算可以有效呈現灌水差異導致的指數不同。

圖5 不同灌溉處理條件下植被指數分布Fig.5 Indices distribution in different irrigation treatments

2.2 施肥處理結果

考慮到試驗處理，6個不同的追施氮肥處理條件下，熱紅外、可見光、多光譜相機采集的影像提取數據后，反演到施肥處理層面，該文中計算的相關指數沒有體現出施肥處理產生的差異性。冬小麥自身生理生長指標在不同的施肥處理條件下，也沒有體現出相關的規律性。通過取土樣測硝態氮含量（圖6），土壤中平均硝態氮含量與施肥處理相關性并不明顯。產量及其地上生物量與灌溉處理有一定的相關性，但在施肥處理方面相關性不顯著。該文利用地上生物量與光譜影像數據開展相關性分析，利用的指數沒有很好地體現出不同施肥處理條件下冬小麥生長指標的規律性差異。

圖6 不同施肥處理下產量和土壤硝態氮分布Fig.6 Yield and soil nitrate distribution in different fertilizer treatments

2.3 灌溉水平與CWSI、土壤含水率的相關性分析

通過數據擬合和相關性分析，如圖7所示，一些指數能體現不同灌溉水平差異性，熱紅外影像提取的冠層溫度、CWSI與冬小麥根層平均土壤含水率（SWC）之間有一定的相關性。

如圖8所示，采用統計方法分析SWC和CWSI的關系，線性擬合結果顯示R2達到0.470 5，非線性擬合R2達到0.508 5，多項式擬合R2值更高。說明通過CWSI反演平均土壤含水率具有一定的可靠性，作物水分虧缺指數不僅反映了作物葉片表面的水分虧缺，同時間接地反映了土壤水分的差異。

圖7 土壤水分、硝態氮與冠層溫度、CWSI和NDVI的相關分析Fig.7 Analysis of scatter matrix among SWC，NO-，TC，CWSI

圖8 CWSI與SWC擬合Fig.8 The fitting between CWSI and SWC

3 分析與討論

通過熱紅外影像獲取的冠層溫度計算得到的CWSI可以有效地反演作物水分虧缺情況，這與前人的研究結果一致。無人機高分辨率遙感影像數據量大，分辨率高，可以很好地體現數據的空間變異性，完全可以作為農田水肥高效管理信息數據重要來源。

通過光譜遙感數據反演不同施肥處理條件下冬小麥生長的差異，結果顯示不理想，沒有體現不同施肥處理導致生理生長指標呈現相關差異。分析發現存在多方面原因：（1）冬小麥的施肥僅為追施氮肥，采用噴灌機噴灑的方式，肥料首先噴灑到冬小麥冠層，存在冠層截留的現象，致使氮素沒有及時運移到土壤中，通過取土樣測硝態氮含量無法準確反映施肥量的差異；（2）噴灑溶于水的尿素，受光照等影響存在揮發及葉片表面吸收等原因而流失一部分，致使到達土壤中的氮素含量不均勻；（3）土壤中基肥含量不均勻，導致不同試驗處理小區噴灑不同濃度的氮肥，取樣測量的結果無法呈現不同施肥處理的差異性；（4）存在取樣點代表性不好及人為操作測樣出現測量誤差的原因；（5）文中采用的光譜波段計算的植被指數沒有涉及到氮素敏感波段，且光譜獲取的冠層數據與土壤中的數據本身存在很大差異，很難僅通過冠層幾個波段光譜數據反演土壤中氮素情況。

該文發現土壤水分反演具有一定代表性，而由于肥料的多因素相互作用，很難用光譜直接反演土壤中肥料含量。由于該試驗沒有測量葉片中氮素含量，沒有通過光譜數據反演葉片中氮素含量，是導致光譜反演氮素效果不理想的一個原因，下一步研究中應側重解決葉片中元素反演問題。此外，文中沒有涉及到熱紅外與多光譜影像數據聯合構建植被指數，下一步研究將加強不同影像數據聯合構建植被指數反演水肥時空分布差異。

此外，文中光譜數據采集在連續性方面有所欠缺，沒有涉及到冠層溫度日變化，通過熱紅外獲取一日內不同時間段冠層溫度空間分布數據反演大田土壤水分空間變異性，根據連續不間斷的日影像數據反演水肥時空變異性，將是下一步水肥精準管理的重要關注點。該研究為大型噴灌機的水肥管理提供參考，無人機遙感是集約化農田智慧化管理的便捷手段，可以更好地服務于精準管理決策，提升現代農業信息化水平。

4 結論

熱紅外影像獲取的冠層溫度可以有效反演作物水分虧缺，作物水分虧缺指數能夠間接反演土壤水分含量，從而展現土壤水分虧缺的空間分布特征，能夠作為大田精準水分管理的決策依據。

光譜數據反演土壤中肥料的空間分布比較復雜，特別是大田影響因素多，涉及范圍廣，僅通過冠層的影像數據很難直接反演土壤中的肥料空間變化。

該研究以大型噴灌機噴灑尺度為研究對象，對精準農業實際應用具有參考意義，無人機遙感應用到田間水肥管理是獲取大田時空數據的有效方式，適合推廣應用。

下一步應注重水肥反演的理論模型精準性研究，采集連續熱紅外、高光譜數據影像，多波段影像數據聯合構建植被指數模型，探索不同元素敏感性指標，開展水肥時空變異性研究，探討水肥精準施用技術，從理論和技術兩方面著手提升農田水肥精準管理水平。