基于無人機低空多光譜遙感監測的烤煙株高研究

邊琳，葉飛，王建雄

（1.云南大學滇池學院，云南昆明 650228；2.云南農業大學／云南省高校農業信息技術重點實驗室，云南 昆明 650201）

無人機低空光譜遙感系統因具有操作方便、成本低、精度高等優勢在農業中的應用越來越廣泛［1-10］，現已用于作物長勢監測、作物病蟲害監測、農作物養分監測等相關領域［11-15］。李明澤等利用無人機低空多光譜數據并結合多種參數，基于核變換的偏最小二乘原理構建了植被冠層葉綠素相對含量的估測模型，模型決定系數達到0.855，平均絕對百分誤差為9.6%，預測精度為89.7%［16］。Ballester等利用無人機 ＋Micasense Red Edge多光譜相機采集到整個生長周期棉田的多光譜圖像并對其氮素的時空分布進行研究，得出棉花不同生長時期的氮素最佳預測模型對應的植被指數存在差異［17］。張瑜等利用六旋翼無人機搭載的多光譜相機獲取到不同水分脅迫下的玉米冠層光譜影像，并基于比值植被指數（simple ratio index，SR）、表層土壤含水率（surface soil moisture，SM）、葉面積指數（leaf area index，LAI）建立了玉米作物系數估算模型，模型修正的決定系數、均方根誤差和歸一化的均方根誤差分別為0.60、0.21和23.35%［18］。李冰等設計了以低空無人直升機搭載的多光譜載荷觀測系統，并對冬小麥5個主要的生育時期進行監測，提出一種在時序性影像的植被指數直方圖中獲取植被指數閾值、提取空間尺度植被覆蓋度的方法［19］。Houborg等基于中等分辨率的光譜輻射儀結合STEM-LAI方法獲取數據，利用回歸樹方法生成MODIS模型，對比后得出 Landsat采集得到的葉面積指數數據精度更高，適用面更廣［20］。本研究利用無人機低空遙感采集圖像數據，并與實測的理化數據相結合進行建模，分析烤煙不同生育期的株高結構，利用不同波段光譜反射信號的差異探測烤煙在不同高度上的光譜吸收特征，探索基于植被指數再合成方法的烤煙長勢分析，對烤煙生長情況進行遙感監測，以期為分析作物生長高度與光譜反射率的變化關系、發展新一代遙感提供理論和實驗基礎。

圖1 研究區域圖

1 材料與方法

1.1 試驗區概況

試驗在云南農業大學現代農業教育科研基地（25°31′9″N，103°16′54″E，海拔 1 859 m）進行（圖1）。該基地位于云南省昆明市東北部的尋甸回族彝族自治縣大河橋農場（102°41′～103°33′E、25°20′～26°01′N），土壤類型為紅壤，常年種植烤煙、馬鈴薯、玉米、蠶豆、水稻等作物；旱雨兩季分明，每年5月至10月為旱季，干旱少雨，11月到次年4月為雨季，潮濕多雨。

1.2 試驗材料

供試烤煙品種為云煙87，移栽到大田的時間為2018年5月8日，收獲時間為2018年7月19日，本研究時段選擇移栽后的緩苗期、團棵期、旺長期和成熟期4個生育時期，共計72 d。各生育時期的劃分見表1。

1.3 數據采集

從烤煙移栽大田第二天起開始本次試驗，每7 d采集一次烤煙光譜數據（第8次和第9次中間相隔兩周），同時在烤煙田中選取7個點，每點選3株烤煙，測量其株高、莖粗、葉綠素含量及根周土壤含水率，并選取無陰影遮擋的地塊，利用照度計測量氣溫與紫外線強度。

表1 烤煙生育時期劃分

1.3.1 光譜數據采集 本研究利用DJI M100航拍儀搭載Parrot Sequoia多光譜傳感器獲取試驗區烤煙的遙感影像，可捕獲烤煙在綠波段（GRE）、紅波段（RED）、紅邊波段（REG）、近紅外波段（NIR）的反射光，多光譜傳感器及各波段具體參數見表2、表3。用Pix4D mapper軟件進行試驗區域的自動航測，可自動校準影像、劃定試驗區域與飛行航線，當飛行高度為30 m、飛行速度為5 m／s左右、航向重疊率為80%、旁向重疊率為80%時拍攝的圖像精度高，數據更加精準；同時利用照度計記錄試驗區光照強度，搭配實時圖傳后即可顯示飛行高度和GPS定位等信息。

表2 多光譜傳感器參數

表3 多光譜四波段相機各波段參數 （nm）

1.3.2 理化數據采集 株高：用卷尺測量煙株最高主莖自地面至頂端的高度；莖粗：用游標卡尺測量煙株最高主莖的直徑；葉綠素含量：用葉綠素儀測量煙株冠層4個葉片的葉綠素含量；土壤含水率：清除根周土壤表層雜質，將土壤水分儀的探針插入土壤10 cm深處，讀取并記錄含水率。

1.4 數據處理

1.4.1 烤煙影像數據鑲嵌融合處理 采集到的遙感數據會受到當時光照、大氣等因素對烤煙影像造成的地物反射的影響，因此，需要將采集到的數據經Agisoft PhotoScan處理后再進行ENVI的Flaash大氣校正，以有效地消除水蒸氣、二氧化碳、氧氣等對影像的影響，保證獲取到更加真實的光譜反射率。

1.4.2 試驗小區影像提取 將經過Agisoft PhotoScan、ENVI以及Flaash大氣校正后的遙感圖像導入ArcGIS 10.4中，根據本研究地塊的范圍和大小，通過創建新的矢量圖來繪制該地的邊界，并用此矢量圖在數字高程模型（DEM）中利用掩膜截取試驗區影像，最后利用分區統計分別提取GRE、RED、REG、NIR四波段以及烤煙株高的影像數據。

1.4.3 多光譜反射率及烤煙高度提取 依據前期的拍攝及拼圖，得到柵格數據的圖像，進一步用ArcGIS10.4軟件矯正圖像，通過創建漁網網格把試驗區劃分為N個小方格，進行分區統計，最終得到試驗田12 450個網格數據（多光譜反射率、高度），將DEM中的烤煙株高數據統一減去研究區海拔高度1 859 m，即得到時間周期內烤煙的實際株高。為了保證數據的精度，以及減少一些不必要的繁重步驟，根據拍攝的時間順序，把每次經過以上處理獲得的4個波段光譜數據與烤煙株高數據，按照該期烤煙株高由低向高的順序進行4個波段光譜數據的排列，500為一組求均值，最終得到25組烤煙株高與各個波段對應的數值。試驗區影像的四波段反射率提取結果見圖2。

1.5 模型構建

在SPSS軟件中選取線性、二次項、復合、增長、對數、立方、S、指數、逆模型、冪和 Logistic 11種方程對試驗數據進行擬合，選取擬合度較高方程表示光譜反射率和烤煙株高的關系。R2反映的是回歸方程能夠解釋的方差占因變量方差的百分比，被稱作擬合指數或決定系數，本研究即用R2評價方程的擬合效果，R2越大擬合效果越好，大于0.7說明方程對樣本點的擬合效果較好，能夠達到顯著性水平。根據方程R2值選出擬合較優各波段對烤煙株高的方程。

1.6 模型驗證

本研究采用均方誤差、平均絕對誤差、均方根誤差對模型進行驗證。

均方誤差（mean square error，MSE）是指所測參數的估計值與真實值之差平方的期望值。MSE的值越小，模型的精確度越高。公式如下：

平均絕對誤差（mean absolute error，MAE）又稱平均絕對離差，通常為單個觀測值與真實值偏差的絕對值的平均，能有效避免誤差相互抵消的問題，因而可以準確反映誤差的大小。公式如下：均方根誤差（root mean squard error，RMSE）是均方誤差的算術平方根。公式如下：

圖2 烤煙試驗區影像四波段反射率提取結果

公式（1）（2）（3）中，xi為參數測試值為 參數真實值，本研究中用實測值的平均值，m為測試的次數。

2 結果與分析

2.1 多光譜反射率與烤煙株高關系

選取不同生育時期烤煙影像數據，以烤煙株高（m）為橫軸，光譜反射率為縱軸，建立烤煙光譜反射率與株高的關系，結果見圖3。在緩苗期0～0.07 m株高范圍內，GRE與RED曲線基本相一致，REG與NIR曲線變化相近，紅波反射率能較好體現烤煙株高。在團棵期0～0.10 m株高范圍內，四個波段變化曲線基本一致，其中紅邊波反射率能較好體現該時期烤煙株高。在烤煙旺長期0～0.40 m株高范圍內，四個波段反射率曲線變化趨勢基本相似，近紅外波反射率能較好體現烤煙高度。在成熟期0～1.00 m株高范圍內，四條曲線變化趨勢基本相同，綠波反射率能較好體現烤煙高度。

2.2 模型構建

試驗過程中發現多光譜反射率與成熟期烤煙株高的擬合效果最好，因此最終以成熟期烤煙株高構建其與多光譜反射率的擬合模型。采用各種方程對烤煙株高與各光譜反射率進行擬合，結果（表4）顯示，在GRE波段中，二次、三次、線性方程的R2值較大，擬合程度高，因此選用二次、三次、線性方程構建GRE與烤煙株高的模型；在RED光譜中，二次、對數、三次方程的R2值較大，擬合度最高；在REG波段，三次、二次、倒數方程的R2值較大，擬合程度最高；在NIR波段，線性、二次、對數、三次方程的R2值最大，擬合程度高。據此，選擇各波段擬合程度最高的方程式進行組合，進而構建出成熟期四個波段與烤煙株高擬合模型，見圖4。其中，GRE波段與成熟期烤煙株高擬合的R2最大，因此確定成熟期烤煙株高與光譜反射率的最優擬合模型為y＝26.275x3-5.158x＋0.923，式中x為綠波段的反射率，y為成熟期烤煙株高。

圖3 光譜反射率與烤煙株高關系

圖4 成熟期烤煙株高與各波段反射率擬合模型

表4 成熟期四波段擬合方程R2值

2.3 模型驗證

選取移栽51、65、72 d處于成熟期的烤煙數據對模型進行驗證。經外業拍攝和內業數據處理得到烤煙 GRE、RED、REG、NIR的反射率，見表5，然后利用構建的模型估算烤煙株高并進行檢驗，結果（表6、表7）顯示，在烤煙移栽第51天時，實測株高0.736 m，擬合值均高于實際值，GRE波段擬合值最接近實際值，RED波段擬合值最高；移栽第65天時，實測株高0.890 m，擬合值也均高于實際值，GRE波段擬合值與實際值相近，NIR波段擬合值最高；移栽第72天時，實測株高0.988 m，除REG波段擬合值低于實際值外，其余波段擬合值均高于實際值，仍以GRE波段的擬合值與實際值最接近，RED波段的擬合值最高。通過誤差分析，GRE、RED、REG、NIR波段擬合的MSE值均低于MAE與RMSE值，分別為0.0002、0.0167、0.0055、0.0031，GRE波段誤差最小。表明，利用本研究構建的基于綠波波段光譜反射率估算成熟期烤煙株高具有一定的可行性。

表5 成熟期烤煙各波段反射率值

表6 成熟期烤煙株高實際值和擬合值 （m）

表7 誤差分析結果

3 討論與結論

本研究通過對移栽后烤煙試驗區的多光譜信息采集、處理與分析，建立了烤煙不同生育時期光譜反射率與株高的關系，結果發現，緩苗期紅波反射率能較好體現烤煙高度，團棵期紅邊波反射率能較好體現烤煙高度，旺長期近紅外波反射率能較好體現烤煙高度，成熟期綠波反射率能較好體現烤煙高度，其中尤以成熟期的效果最好。選用成熟期烤煙株高數據建立其與多光譜反射率的擬合模型，并用誤差分析指標對模型進行驗證，結果表明，綠波段光譜反射率與烤煙株高的擬合模型R2值最高，擬合度最高，誤差最小，由此確定烤煙株高的最優估算模型為y＝26.275x3-5.158x＋0.923，式中x為綠波段的反射率，y為成熟期烤煙株高。

本研究為建立基于多光譜特征的烤煙株高信息模型提供了新的思路與方法，對無人機遙感在農作物“立體”狀態下的株高特征提取與試驗應用也提供了依據。但由于試驗周期、氣候條件、實驗操作以及作物不確定性因素等原因的限制，在今后的試驗研究中，仍需從無人機采集的數據量、試驗模型構建等方面進行不斷的優化和完善。