基于無(wú)人機(jī)多光譜圖像監(jiān)測(cè)棉花冠層含水量

費(fèi)浩

摘 要：使用無(wú)人機(jī)搭載的多光譜相機(jī)獲取田間遙感影像，通過(guò)相關(guān)性計(jì)算選取合適的波段組合，基于多光譜影像間的波段運(yùn)算得到植被指數(shù)（VIs），采用最小二乘法構(gòu)建棉花冠層含水量反演模型。結(jié)果表明，紅波段（680nm）和近紅外1波段（800nm）間的光譜特征與棉花冠層含水量相關(guān)性最高，由此光譜區(qū)間構(gòu)建了歸一化植被指數(shù)（NDVI）和比值植被指數(shù)（RVI），基于NDVI的二階多項(xiàng)式回歸得到了較好的預(yù)測(cè)結(jié)果，R2在0.69以上。使用此方法可以實(shí)現(xiàn)棉花冠層含水量的快速、無(wú)損監(jiān)測(cè)，從而為田間精準(zhǔn)灌溉提供技術(shù)支持。

關(guān)鍵詞：遙感;無(wú)人機(jī);多光譜圖像;棉花;含水量

中圖分類號(hào) P237;S562文獻(xiàn)標(biāo)識(shí)碼 A文章編號(hào) 1007-7731（2021）04-0023-04

Abstract： In this study，the multi-spectral camera carried by the UAV was used to obtain remote sensing images of the field，and then the appropriate band combination was selected through correlation calculation，and the vegetation index （VIs） was obtained based on the band calculation between the multi-spectral images. Finally，the least square method was used to construct cotton Canopy Water Content Inversion Model. This study shows that the spectral characteristics between the red band （680nm） and near-infrared band 1 （800nm） have the highest correlation with the cotton canopy water content. From this spectral interval，the normalized vegetation index （NDVI） and the ratio vegetation index （RVI） are constructed. The second-order polynomial regression based on NDVI has obtained better prediction results，and R2 is above 0.69. The method used in this study has realized the rapid and non-destructive monitoring of the cotton canopy water content，which can provide technical support for precise field irrigation.

Key words： Remote Sensing; Unmanned aerial vehicle; Multispectral images; Cotton; Water content

我國(guó)是全球主要的棉花生產(chǎn)國(guó)之一，2017年棉花種植面積約319.5萬(wàn)hm2，產(chǎn)量為610.28萬(wàn)t，約占全球棉花產(chǎn)量的25%（FAO，2018）。棉花是我國(guó)重要的經(jīng)濟(jì)物種，而新疆是我國(guó)最主要的棉花生產(chǎn)區(qū)，其棉花種植面積約占全國(guó)的75%以上。同時(shí)，新疆氣候干燥，降水稀少，是典型的灌溉農(nóng)業(yè)區(qū)。針對(duì)作物實(shí)際的需水程度精確控制給水時(shí)間和灌水量，改變粗放的灌溉方式可以大大減少灌溉所需的水資源。目前，遙感技術(shù)被廣泛應(yīng)用于農(nóng)作物的生產(chǎn)監(jiān)測(cè)，無(wú)人機(jī)遙感技術(shù)為田間尺度的作物狀態(tài)快速無(wú)損監(jiān)測(cè)提供了可能。使用多光譜遙感技術(shù)進(jìn)行作物水分監(jiān)測(cè)的理論基礎(chǔ)是可見(jiàn)光、近紅外和短波紅外植被光譜特征和生理參數(shù)、光合活性和葉片水分狀態(tài)之間的直接相互作用[1]，以往研究已對(duì)這些理論基礎(chǔ)進(jìn)行了探討。Gamon等[2]于1999年提出可見(jiàn)光（VIS）、近紅外（NIR）和短波紅外（SWIR）電磁區(qū)域的反射光譜可用在不同空間尺度上間接評(píng)估作物的水分狀況。Inoue等[3]的研究認(rèn)為，由于含水量的減少，葉片內(nèi)部結(jié)構(gòu)的變化影響了紅色和近紅外光譜區(qū)域的反射率。雖然已經(jīng)有豐富的理論支撐，但對(duì)于不同的遙感觀測(cè)尺度和植被類別，這些理論仍需要實(shí)踐進(jìn)行證實(shí)。

近年來(lái)，許多學(xué)者利用遙感技術(shù)進(jìn)行了作物水分空間分布監(jiān)測(cè)的研究工作，其中基于星載多光譜影像的研究居多[4，5]，而在田間尺度，無(wú)人機(jī)更能發(fā)揮遙感技術(shù)的實(shí)時(shí)性和精確性。除了常見(jiàn)的可見(jiàn)光和多光譜傳感器外，無(wú)人機(jī)平臺(tái)還可以靈活搭配其他傳感器，如熱紅外相機(jī)、高光譜相機(jī)等，這為作物遙感監(jiān)測(cè)提供了更多可能。高光譜數(shù)據(jù)在波段敏感性分析中應(yīng)用廣泛，如Rossini等[6]在2008年提出了一種利用高光譜遙感影像繪制玉米田水分脅迫圖的方法，驗(yàn)證了利用高光譜指數(shù)繪制水分脅迫等級(jí)的可行性。Rallo等[7]使用全光譜（350～2500nm）構(gòu)建了多種植被指數(shù)來(lái)監(jiān)測(cè)玉米葉片的水分狀況。這些方法能較全面地分析植物在各個(gè)波段范圍內(nèi)的反射率與其含水量的相關(guān)程度，不足之處在于，需要獲取足夠高分辨率的全光譜數(shù)據(jù)，這只能通過(guò)手持式光譜輻射計(jì)或高光譜遙感器獲得。多光譜傳感器在作物含水量實(shí)時(shí)監(jiān)測(cè)方面顯然應(yīng)用面更廣，而且基于以往研究成果，大致可了解到傳統(tǒng)的多光譜傳感器的波段范圍內(nèi)存在對(duì)水分含量敏感的波段。如程曉娟等[4]和候?qū)W會(huì)等[8]的研究表明，紅—近紅外波段附近的植被光譜反射率特征相對(duì)其他波段而言對(duì)水分變化更為敏感。利用這些信息，許多學(xué)者使用各種植被指數(shù)進(jìn)行水分反演以探究最適合的植被指數(shù)。由于目標(biāo)植物種類和當(dāng)?shù)氐姆N植情況的不同，這些已經(jīng)開(kāi)展的研究得到的結(jié)論往往也不同[7，9]。目前，使用無(wú)人機(jī)多光譜影像監(jiān)測(cè)棉花含水量的研究較少，在棉花種植面積大、水資源寶貴的新疆，更有必要開(kāi)展對(duì)棉花含水量監(jiān)測(cè)的應(yīng)用研究。為此，筆者在新疆南部阿拉爾市的一個(gè)棉花試驗(yàn)田開(kāi)展了不同水分灌溉量的試驗(yàn)，旨在探討南疆無(wú)膜棉冠層含水量的敏感波段和最佳相關(guān)性植被指數(shù)，使用波長(zhǎng)在490～900nm的多光譜遙感影像對(duì)棉花冠層含水量進(jìn)行反演，采用最小二乘法進(jìn)行建模，從而實(shí)現(xiàn)棉花冠層含水量快速無(wú)損監(jiān)測(cè)。

1 材料與方法

1.1 研究區(qū)概況 研究區(qū)域位于新疆阿拉爾市，該地區(qū)位于塔克拉瑪干沙漠北緣，臨近塔里木河和阿克蘇河等水系，屬極端干旱的荒漠氣候，主要依賴河流水資源發(fā)展灌溉農(nóng)業(yè)。試驗(yàn)在阿拉爾十團(tuán)農(nóng)業(yè)灌溉實(shí)驗(yàn)站（81°11′45″E、40°37′28″N）進(jìn)行。所用棉花品種為中棉619，采取無(wú)膜種植的方式，使用地下滴灌方式精準(zhǔn)控制灌水量。

1.2 試驗(yàn)設(shè)計(jì) 試驗(yàn)設(shè)6個(gè)處理，每處理1個(gè)小區(qū)，3次重復(fù)，共18個(gè)小區(qū);隨機(jī)排列，小區(qū)田間排列如圖1所示。根據(jù)SWAP模型（2017）的精準(zhǔn)灌溉工具，通過(guò)氣象數(shù)據(jù)、土壤數(shù)據(jù)和棉花生長(zhǎng)數(shù)據(jù)計(jì)算每日的實(shí)際蒸發(fā)蒸騰量（ETc），按照水分需求進(jìn)行灌溉。滴灌帶沿棉花行間布設(shè)，按標(biāo)準(zhǔn)灌溉量的70%～100%分6個(gè)梯度給水灌溉，其中W0不參與統(tǒng)計(jì)。各小區(qū)施肥量統(tǒng)一。

1.3 數(shù)據(jù)采集

1.3.1 遙感觀測(cè)數(shù)據(jù) 于2020年7月7日進(jìn)行無(wú)人機(jī)多光譜數(shù)據(jù)采集，此時(shí)棉花處于花鈴期。在當(dāng)日天氣晴朗沒(méi)有明顯風(fēng)的正午，通過(guò)安裝在無(wú)人飛行系統(tǒng)（UAS）上的6波段多光譜相機(jī)（μ-MCA6，Tetracam，America）采集航拍圖像，多光譜圖像像素分辨率為1280×1024。無(wú)人機(jī)飛行高度設(shè)置為高于地面111m，這為圖像提供了每像素5.58cm的地面分辨率。多光譜相機(jī)包括6個(gè)波段，光譜范圍在490～900nm，具體波段劃分如表1所示。

使用PixelWrench2軟件進(jìn)行圖像的提取和配準(zhǔn)等預(yù)處理，得到6波段的多光譜圖像。由于多光譜相機(jī)采集的圖像是8位的灰度圖，需要根據(jù)白板的反射率進(jìn)行校正，這項(xiàng)工作在遙感圖像處理平臺(tái)ENVI 5.3中進(jìn)行，反射率的計(jì)算公式如下：

其中，Ri表示某像素點(diǎn)的反射率值;DNi表示該點(diǎn)處的原始像元值;Gain和Bias表示遙感影像在該波段的增益和偏置。對(duì)得到的多光譜反射率影像進(jìn)行波段計(jì)算，從而得到各種植被指數(shù)。

1.3.2 田間試驗(yàn)數(shù)據(jù) 在采集遙感圖像的同一天，采集田間棉花樣本以獲取實(shí)際的棉花冠層含水量數(shù)據(jù)。對(duì)試驗(yàn)田的18個(gè)小區(qū)分別隨機(jī)選取3株長(zhǎng)勢(shì)中等的棉花，帶回實(shí)驗(yàn)室處理并及時(shí)測(cè)量鮮重（Fresh weights，F(xiàn)W）。然后用干燥箱將葉片充分干燥后稱干重（Dry weights，DW）。每個(gè)小區(qū)的樣本取平均值，計(jì)算棉花葉片的含水量，包括主莖葉、果枝葉和分枝的葉片，含水量（Water content，WC））計(jì)算公式如下：

1.4 建模與評(píng)估 為了使用無(wú)人機(jī)圖像的多光譜信息評(píng)估棉花含水量，首先對(duì)6個(gè)光譜波段與棉花冠層含水量進(jìn)行了一元和二元的相關(guān)性分析，從而分析棉花葉片含水量的敏感波段。相關(guān)性分析使用皮爾遜相關(guān)系數(shù)（Pearson correlation coefficient），假設(shè)需要計(jì)算相關(guān)性的變量分別為X和Y，兩者相關(guān)性計(jì)算公式如下：

植被指數(shù)由不同光譜波段進(jìn)行計(jì)算得到，可在前人研究基礎(chǔ)上更好地利用不同敏感波段間的數(shù)學(xué)關(guān)系實(shí)現(xiàn)含水量預(yù)測(cè)。使用最小二乘法對(duì)棉花葉片含水量與植被指數(shù)進(jìn)行回歸分析。最小二乘法通過(guò)計(jì)算預(yù)測(cè)值和樣本值的均方誤差，使所有樣本到預(yù)測(cè)直線的歐式距離最小化，從而得到最佳的預(yù)測(cè)模型。設(shè)植被指數(shù)觀測(cè)值為x，棉花含水量樣本值為y，回歸方程為：

2 結(jié)果與分析

2.1 波段敏感性 使用多光譜影像的6個(gè)波段與實(shí)測(cè)的棉花含水量進(jìn)行回歸分析，分別采用6個(gè)波段兩兩組合建立二元回歸模型，得到36個(gè)波段組合的含水量預(yù)測(cè)結(jié)果，其R2的分布如圖2所示。由圖2可見(jiàn)，任何單波段的反射率圖像都不能得到較好的預(yù)測(cè)結(jié)果，而選用2個(gè)波段組合往往能得到更好的預(yù)測(cè)結(jié)果。其中，紅光波段（680nm）和近紅外波段（800nm）組合可以得到最好的含水量預(yù)測(cè)結(jié)果（R2=0.56），說(shuō)明棉花在紅—近紅外波長(zhǎng)范圍內(nèi)的反射率特征對(duì)含水量的變化最為敏感，選擇紅—近紅外（680～800nm）的光譜特征來(lái)進(jìn)行棉花含水量監(jiān)測(cè)最合適;其次，紅—紅邊（680～720nm）的波段組合也得到了較好的預(yù)測(cè)結(jié)果（R2=0.52）。以往一些研究提出了綠色植物對(duì)紅光的強(qiáng)吸收和對(duì)近紅外光的強(qiáng)反射現(xiàn)象有利于提高植物的辨識(shí)度，從而提高其分類精度，一些常用的植被指數(shù)（如NDVI等）就是基于這些原理而提出。本研究結(jié)果表明，紅—近紅外范圍內(nèi)的光譜特征不僅能夠反映植物的綠色程度，而且也是對(duì)棉花冠層的含水量最敏感的波段。

2.2 基于植被指數(shù)的含水量預(yù)測(cè) 植被指數(shù)通過(guò)對(duì)不同光譜波段進(jìn)行算術(shù)運(yùn)算來(lái)反映光譜間的關(guān)系。相對(duì)原始光譜反射率而言，植被指數(shù)能夠更深入地反映某些特征。通過(guò)對(duì)光譜波段的敏感性分析可知，680～800nm是反映棉花含水量的最佳波段范圍。因此，選用基于紅波段和近紅外波段的植被指數(shù)進(jìn)行含水量預(yù)測(cè)。選用了歸一化植被指數(shù)（NDVI）和比值植被指數(shù)（RVI），其計(jì)算公式如下：

通過(guò)觀察這2個(gè)植被指數(shù)與棉花冠層含水量之間的散點(diǎn)分布關(guān)系，可以發(fā)現(xiàn)整體趨勢(shì)呈拋物線型，而不是單調(diào)的線性關(guān)系。由此可知，當(dāng)葉片含水量在某個(gè)值時(shí)，這2個(gè)植被指數(shù)的值達(dá)到峰值，而葉片含水量增高或降低，這2個(gè)植被指數(shù)呈降低趨勢(shì)。因此，對(duì)2個(gè)植被指數(shù)分別構(gòu)建一元二次模型，回歸結(jié)果如圖3所示。其中，NDVI的回歸結(jié)果為y=-30x2+28.45x-5.976（R2=0.694，RMSE=0.0096），RVI的回歸結(jié)果為y=-0.4896x2+2.743x-3.077（R2=0.693，RMSE=0.0097）。

由圖3可知，2種植被指數(shù)的回歸結(jié)果相差不多，使用NDVI的回歸方程得到田間的棉花含水量空間分布預(yù)測(cè)圖如圖4a所示。由于棉花個(gè)體間存在差異，不利于小區(qū)間棉花含水量的分析，因此采用小區(qū)內(nèi)取平均值的方式，得到各小區(qū)內(nèi)棉花的平均含水量如圖4b所示。由圖4b可知，圖像下方的小區(qū)棉花含水量整體高于上方的小區(qū)，這與灌水量規(guī)律一致，說(shuō)明本方法達(dá)到了預(yù)測(cè)棉花含水量的效果;但圖像上方的小區(qū)右側(cè)棉花含水量預(yù)測(cè)值高于左側(cè)，并不完全遵循灌水量的規(guī)律。究其原因可能是由于滴灌帶自右往左供水，可能會(huì)造成管道末端供水量不足，導(dǎo)致左側(cè)棉花含水量存在極低值;另外，NDVI值并不完全取決于棉花葉片的含水量，還受棉花種植密度、長(zhǎng)勢(shì)等影響，這在一定程度上也會(huì)產(chǎn)生誤差。

3 結(jié)論與討論

本研究利用無(wú)人機(jī)遙感平臺(tái)搭載的多光譜相機(jī)對(duì)棉花冠層含水量進(jìn)行了預(yù)測(cè)，結(jié)果表明：無(wú)人機(jī)多光譜影像具有預(yù)測(cè)棉花冠層含水量的潛力，紅—近紅外波段（680～800nm）是對(duì)棉花葉片含水量變化最敏感的波段;基于紅—近紅外波段反射率構(gòu)建的植被指數(shù)（NDVI），得到了較好的預(yù)測(cè)結(jié)果，決定系數(shù)R2=0.69，比使用任意2個(gè)波段組合的預(yù)測(cè)結(jié)果高0.17以上。由此可見(jiàn)，本方法能夠?qū)δ辖喔绒r(nóng)業(yè)區(qū)的棉花進(jìn)行無(wú)損、快速的含水量監(jiān)測(cè)，具有重要的應(yīng)用價(jià)值。今后可以結(jié)合多種信息源（如田間溫度等）進(jìn)行多元的建模以改善預(yù)測(cè)精度，使用其他建模方法（如機(jī)器學(xué)習(xí)），在田間試驗(yàn)中進(jìn)一步精準(zhǔn)控制水分灌溉量和作物種植密度等影響因素，從而提高預(yù)測(cè)精度。

參考文獻(xiàn)

[1]Elsayed S， Mistele B， Schmidhalter U. Can changes in leaf water potential be assessed spectrally？[J].Functional Plant Biology， 2011，38（6）：523-533.

[2]Gamon，J. A.，& Qiu，H. Ecological applications of remote sensing at multiple scales. In F. I. Pugnaire，& F. Valladares （Eds.），Handbook of functional plant ecology[M]. New York： Marcel Dekker，Inc.1999：805-846.

[3]Inoue， Y.， Morinaga， S.， & Shibayama，M. Non-destructive estimation of water status of intact crop leaves based on spectral re?ectance measurements[J]. Japanese Journal of Crop Science， 1993，62：462-469.

[4]程曉娟，徐新剛，陳天恩，等.基于NIR-Red光譜特征空間的作物水分指數(shù)[J].光譜學(xué)與光譜分析，2014，34（6）：1542-1547.

[5]靳寧，張東彥，李振海，等.基于多光譜衛(wèi)星模擬波段反射率的冬小麥水分狀況評(píng)估[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（11）：243-252.

[6] Rossini M. Assessing canopy PRI from airborne imagery to map water stress in maize[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2013，86：168-177.

[7]Rallo，Minacapilli，Ciraolo，et al. Detecting crop water status in mature olive groves using vegetation spectral measurements[J]. BIOSYST ENG，2014，128：52-68.

[8]侯學(xué)會(huì)，王猛，高帥，等.綜合近紅外-紅波段-短波紅外三波段光譜特征空間的小麥冠層含水量反演[J].麥類作物學(xué)報(bào)，2020，40（7）：866-873.

[9]Víctor Blanco，Pedro José Blaya-Ros，Castillo C ，et al. Potential of UAS-Based Remote Sensing for Estimating Tree Water Status and Yield in Sweet Cherry Trees[J]. Remote Sensing，2020，12（15）：2359.

（責(zé)編：徐世紅）