無(wú)人機(jī)多光譜遙感在作物生長(zhǎng)監(jiān)測(cè)中的應(yīng)用研究進(jìn)展

陳建福，趙亮，岳云開(kāi)，付虹雨，許明志，張蕾，楊瑞芳，崔國(guó)賢，佘瑋

(湖南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，湖南 長(zhǎng)沙 410128)

多光譜遙感是利用具有多個(gè)光譜通道的傳感器獲取同一目標(biāo)不同譜段圖像的遙測(cè)技術(shù)[1]。多光譜遙感傳感器有多光譜相機(jī)、多光譜掃描成像儀等，不僅可以根據(jù)影像的形態(tài)和結(jié)構(gòu)的差異判別地物，還可以根據(jù)光譜特性的差異來(lái)對(duì)地物進(jìn)行判別[2]，且其提供的遙感信息比單波段攝影更為豐富。相較于雷達(dá)和高光譜技術(shù)，多光譜獲取影像更為方便，同時(shí)還具有低成本、多尺度、多用途以及干擾因素少等優(yōu)勢(shì)[3]。

無(wú)人機(jī)(Unmanned aerial vehicles，UAV)憑借其操作簡(jiǎn)便和機(jī)動(dòng)靈活的優(yōu)勢(shì)，在農(nóng)業(yè)、林業(yè)、資源、生態(tài)、環(huán)境保護(hù)等領(lǐng)域的應(yīng)用日益廣泛。將多光譜傳感器與UAV 技術(shù)相結(jié)合，可以較低的成本獲得地面高分辨率遙感圖像，進(jìn)而對(duì)整個(gè)作物生長(zhǎng)周期進(jìn)行高時(shí)間分辨率研究，高精度地完成小范圍作業(yè)和實(shí)時(shí)監(jiān)測(cè)，對(duì)植物生長(zhǎng)進(jìn)行監(jiān)測(cè)和分析，以及評(píng)估土壤生產(chǎn)力。使用UAV 多光譜遙感技術(shù)精準(zhǔn)獲取作物長(zhǎng)勢(shì)、土壤養(yǎng)分、病蟲(chóng)害監(jiān)測(cè)等實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)，根據(jù)數(shù)據(jù)處理結(jié)果，可針對(duì)性地采取灌溉、施藥施肥等栽培措施以及估測(cè)作物產(chǎn)量等[4]。利用UAV 遙感技術(shù)獲取田間作物生長(zhǎng)大數(shù)據(jù)，建立精準(zhǔn)監(jiān)測(cè)模型并應(yīng)用于農(nóng)業(yè)生產(chǎn)管理，對(duì)推進(jìn)我國(guó)現(xiàn)代農(nóng)業(yè)建設(shè)具有重要作用。

1 農(nóng)業(yè)中的UAV 多光譜遙感技術(shù)

1.1 多光譜成像原理

多光譜傳感器通過(guò)電磁光譜捕捉特定頻率的圖像數(shù)據(jù)，獲取指定波段的地物信息[5]。人眼僅對(duì)400～700 nm 波長(zhǎng)的可見(jiàn)光譜敏感[6]，而光譜成像還可以提取人眼無(wú)法捕捉的其他額外信息。因?yàn)楸M管人們可以感受到從紫色到紅色的各種顏色，但光的波長(zhǎng)比我們可見(jiàn)的視力更短(紫外)或更長(zhǎng)(紅外)。這些肉眼看不見(jiàn)的波段能很好地顯示土壤和植物的農(nóng)藝特征。農(nóng)作物發(fā)射的波段區(qū)域主要在近紅外和紅邊區(qū)域，使得多光譜遙感技術(shù)在農(nóng)業(yè)中有其特殊的應(yīng)用。多光譜成像還可以升級(jí)數(shù)碼相機(jī)，將近紅外圖像與可見(jiàn)光波段結(jié)合，提供更為豐富的遙感信息。

1.2 UAV 多光譜遙感系統(tǒng)

UAV 多光譜遙感系統(tǒng)主要包括無(wú)人機(jī)平臺(tái)、多光譜相機(jī)和數(shù)據(jù)處理系統(tǒng)等。農(nóng)業(yè)上采用的多為輕小型無(wú)人機(jī)。多光譜相機(jī)(400～1 100 nm)可以生成TIFF(Tag Image File Format)、JPEG(Joint Photographic Experts Group)或RAW(RAW Image Format)等格式的圖片數(shù)據(jù)[7]。小型多光譜相機(jī)一般像素?cái)?shù)小。飛行高度低，單個(gè)圖像的成像區(qū)域小，將飛行期間獲取的多個(gè)圖像連接、校準(zhǔn)和計(jì)算，能夠獲得大的聯(lián)合圖像。對(duì)這些數(shù)據(jù)進(jìn)行計(jì)算后可得到反映可見(jiàn)光、近紅外波段反射與土壤背景之間差異的數(shù)值，用來(lái)定量說(shuō)明植被的生長(zhǎng)狀況，這類(lèi)數(shù)值被稱(chēng)為植被指數(shù)。利用多光譜成像技術(shù)得出的植被指數(shù)主要有以下幾種:光化學(xué)植被指數(shù)(Photochemical Reflectance Index，PRI)、歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)、增強(qiáng)植被指數(shù)(Enhanced Vegetation Index，EVI)、轉(zhuǎn)換型葉綠素吸收反射率指數(shù)(Transformed Chlorophyll Absorptionratio Index，TCARI)、氮素反射指數(shù)(Nitrogen Reflectance Index，NRI)、土壤調(diào)節(jié)植被指數(shù)(Optimized Soil Adjusted Vegetation Index，OSAVI)和比值植被指數(shù)(Ratio Vegetation Index，RVI)等。此外，利用UAV 還能通過(guò)數(shù)字表面模型(Digital Surface Model，DSM)獲得生成的多光譜圖像。UAV 多光譜遙感系統(tǒng)可以同時(shí)獲取地物的多光譜信息、紋理信息以及結(jié)構(gòu)信息[8]。

2 UAV 多光譜遙感技術(shù)在作物生長(zhǎng)監(jiān)測(cè)中的應(yīng)用現(xiàn)狀

2.1 UAV 多光譜遙感技術(shù)在植被分類(lèi)與雜草識(shí)別上的應(yīng)用

精確的植被分類(lèi)與物種識(shí)別對(duì)種質(zhì)資源調(diào)查、鑒定和評(píng)價(jià)非常重要。大尺度的植被群落主要通過(guò)中、低分辨率多光譜影像來(lái)進(jìn)行分類(lèi)，但是很難區(qū)分植被物種，而高分辨率遙感影像可以用于局部小尺度植被的精細(xì)分類(lèi)[9]。本世紀(jì)初，美國(guó)宇航局利用搭載高分辨率彩色多光譜成像儀的UAV 對(duì)1 500 hm2咖啡種植園進(jìn)行了監(jiān)測(cè)，觀測(cè)了灌溉、施肥異常及雜草爆發(fā)等情況[10]。近年來(lái)，結(jié)合可見(jiàn)光圖像和多光譜圖像進(jìn)行農(nóng)田雜草識(shí)別的研究不斷涌現(xiàn)。Louargant 等[11]使用配備近紅外光譜儀的UAV 分析了農(nóng)田雜草覆蓋率，認(rèn)為航空遙感和衛(wèi)星遙感的數(shù)據(jù)遠(yuǎn)遠(yuǎn)比不上UAV 遙感采集到的數(shù)據(jù)。Irene等[12]精確提取了30、60 和100 m 高度的可見(jiàn)光和近紅外遙感圖像數(shù)據(jù)，利用多源融合方法識(shí)別雜草覆蓋范圍，并據(jù)此得到了除草劑應(yīng)用圖譜。Maria等[13]基于UAV 得到向日葵農(nóng)田的遙感光譜圖像，將其與作物的行排列特性相結(jié)合，通過(guò)半監(jiān)督學(xué)習(xí)方法對(duì)雜草進(jìn)行了高準(zhǔn)確度識(shí)別，大幅度降低了雜草和作物的鑒別復(fù)雜度。目前大多數(shù)研究都是結(jié)合可見(jiàn)光和多光譜兩種圖像信息，利用機(jī)器學(xué)習(xí)法來(lái)識(shí)別農(nóng)田雜草[14]。

2.2 UAV 多光譜遙感在作物病蟲(chóng)害監(jiān)測(cè)上的應(yīng)用

當(dāng)植物被病蟲(chóng)入侵時(shí)，部分組織生長(zhǎng)受限、海綿組織受傷、葉片色素百分比發(fā)生變化，導(dǎo)致可見(jiàn)光區(qū)域的兩個(gè)吸收谷不顯著，0.55 μm 處的反射峰隨植物葉片受損的程度增加而降低，甚至消失。UAV 多光譜遙感技術(shù)結(jié)合可見(jiàn)光和多光譜兩種圖像信息，可以更準(zhǔn)確地監(jiān)測(cè)相關(guān)數(shù)據(jù)[15-16]。王小龍等[17]利用UAV 多光譜圖像對(duì)棉花蜘蛛螨害進(jìn)行了較精準(zhǔn)的識(shí)別。崔美娜等[18-19]基于UAV 多光譜圖像信息調(diào)查棉花螨害，通過(guò)提高特征選擇的可靠性獲取有效建模特征，從而建立了基于UAV 多時(shí)相影像數(shù)據(jù)的螨害Logistic 模型，并在此基礎(chǔ)上建立了螨害時(shí)空變化監(jiān)測(cè)模型，對(duì)實(shí)時(shí)感知螨害情況起到非常重要的作用。Severtson 等[20]使用UAV 多光譜圖像監(jiān)測(cè)油菜缺鉀與綠桃蚜蟲(chóng)感染之間的關(guān)系，發(fā)現(xiàn)油菜缺鉀更容易感染綠桃蚜蟲(chóng)。

2.3 UAV 多光譜遙感在作物植株水分含量監(jiān)測(cè)上的應(yīng)用

傳統(tǒng)的作物水分調(diào)查取樣范圍有限，難以實(shí)現(xiàn)大范圍的動(dòng)態(tài)監(jiān)測(cè)。UAV 多光譜遙感技術(shù)具有時(shí)效性強(qiáng)、監(jiān)測(cè)數(shù)據(jù)精度高，監(jiān)測(cè)范圍廣等特點(diǎn)，成功彌補(bǔ)了傳統(tǒng)監(jiān)測(cè)的不足[21]。陳俊英等[22]利用UAV多光譜相機(jī)獲取了棉花花鈴期數(shù)據(jù)，同時(shí)根據(jù)光合參數(shù)上的差異對(duì)植株含水率進(jìn)行數(shù)據(jù)采集。張智韜等[23-24]從土壤含水量和土壤深度差異的角度得到了環(huán)境含水量與植物含水量的相關(guān)性，并提出了基于機(jī)器學(xué)習(xí)的水分反演模型。陳碩博[25]基于UAV多光譜傳感器獲取不同水分條件下的玉米冠層光譜影像數(shù)據(jù)，并對(duì)數(shù)據(jù)與植被指數(shù)、葉面積指數(shù)和表層土壤含水率的相關(guān)關(guān)系進(jìn)行研究，構(gòu)建了棉花光合參數(shù)與水分反演模型。

2.4 UAV 多光譜遙感在作物長(zhǎng)勢(shì)監(jiān)測(cè)上的應(yīng)用

利用多光譜相機(jī)監(jiān)測(cè)植物長(zhǎng)勢(shì)可以清晰地展示出植被信息[26]。高林等[27]使用UAV 多光譜相機(jī)對(duì)大豆的葉面積指數(shù)進(jìn)行監(jiān)測(cè)，將其正射影像與葉面積指數(shù)對(duì)比可以得到調(diào)查時(shí)期的數(shù)據(jù)，對(duì)大豆的長(zhǎng)勢(shì)評(píng)估具有重要指導(dǎo)意義。孫詩(shī)睿等[28]結(jié)合隨機(jī)森林算法反演冬小麥葉面積指數(shù)，最終確立了反演模型，說(shuō)明UAV 搭載多光譜傳感器預(yù)測(cè)冬小麥的葉面積指數(shù)是可行的。魏鵬飛等[29]基于UAV 多光譜影像結(jié)合逐步回歸方法，對(duì)田塊尺度夏玉米葉片氮素含量進(jìn)行精確遙感估算，實(shí)現(xiàn)了關(guān)鍵生育期玉米成長(zhǎng)情況以及各成分的監(jiān)測(cè)。陳浩等[30]結(jié)合葉綠素相關(guān)的9 種植被指數(shù)與遙感數(shù)據(jù)，構(gòu)建了夏玉米冠層葉綠素含量最佳估測(cè)模型，實(shí)現(xiàn)了田間尺度的夏玉米冠層葉綠素含量的實(shí)時(shí)監(jiān)測(cè)。劉昌華等[31]利用搭載Mini-MCA 多光譜相機(jī)的UAV 對(duì)冬小麥4 個(gè)不同生長(zhǎng)階段的冠層多光譜數(shù)據(jù)進(jìn)行監(jiān)測(cè)，將其與全生育期數(shù)據(jù)進(jìn)行相關(guān)處理，確定了植株吸氮量和氮營(yíng)養(yǎng)指數(shù)的回歸分析模型，為氮肥的精準(zhǔn)管理提供了可靠依據(jù)和技術(shù)指導(dǎo)。楊飛[32]選取7 個(gè)關(guān)鍵的植被指數(shù)，通過(guò)回歸分析得到了基于UAV 多光譜影像的夏玉米氮營(yíng)養(yǎng)指數(shù)估測(cè)模型，用于監(jiān)測(cè)夏玉米的氮素營(yíng)養(yǎng)狀況。

2.5 UAV 多光譜遙感在作物產(chǎn)量估測(cè)上的應(yīng)用

農(nóng)作物產(chǎn)量的估測(cè)關(guān)系到農(nóng)產(chǎn)品市場(chǎng)價(jià)格平衡以及農(nóng)業(yè)結(jié)構(gòu)調(diào)整等眾多方面，對(duì)保障我國(guó)糧食安全具有舉足輕重的作用。湯文超[33]基于地面遙感與UAV 遙感平臺(tái)對(duì)油菜進(jìn)行天地動(dòng)態(tài)立體監(jiān)測(cè)，結(jié)合油菜的理化參數(shù)及最終產(chǎn)量提出了較準(zhǔn)確的估算方法，并評(píng)價(jià)了不同生長(zhǎng)期油菜生長(zhǎng)狀況對(duì)最終產(chǎn)量的影響。張玉萍等[34]構(gòu)建了不同施氮量下的小麥遙感估產(chǎn)模型，為精準(zhǔn)農(nóng)業(yè)經(jīng)營(yíng)管理提供決策參考。孫世澤等[35]將Micro MCA12 Snap 傳感器搭載到UAV 上獲取多光譜圖像，結(jié)合最佳指數(shù)因子和最佳組合波段，構(gòu)建了天然草地生物量估算模型。韓文霆等[36]基于UAV 多光譜遙感系統(tǒng)估測(cè)了夏玉米產(chǎn)量并對(duì)不同時(shí)期玉米生長(zhǎng)特征分別進(jìn)行建模。彭星碩[37]通過(guò)旱區(qū)夏玉米非充分灌溉試驗(yàn)，建立了基于UAV 多光譜遙感與作物模型耦合的旱區(qū)夏玉米估產(chǎn)模型，并利用夏玉米實(shí)測(cè)數(shù)據(jù)驗(yàn)證與評(píng)價(jià)同化系統(tǒng)的準(zhǔn)確性和可靠性，認(rèn)為在輕度水分不充分灌溉的條件下，夏玉米估算精度較高。王來(lái)剛等[38]基于UAV 多光譜遙感系統(tǒng)對(duì)玉米葉面積進(jìn)行遙感監(jiān)測(cè)，構(gòu)建了玉米產(chǎn)量估算模型。綜合分析發(fā)現(xiàn)，在基于多光譜信息的作物產(chǎn)量估測(cè)研究中，利用NDVI、EVI 和GNDVI 這3 種植被指數(shù)建模的精確度較高[39]。

3 問(wèn)題與建議

利用UAV 多光譜遙感獲取作物生長(zhǎng)信息并對(duì)圖像信息特征進(jìn)行分析，有助于了解作物表型大數(shù)據(jù)和研究作物生長(zhǎng)機(jī)理，并可根據(jù)作物生長(zhǎng)狀況結(jié)合栽培措施指導(dǎo)農(nóng)業(yè)生產(chǎn)。特別是當(dāng)作物生長(zhǎng)受阻或遇到極端天氣時(shí)，UAV 多光譜遙感圖像能迅速為各行業(yè)專(zhuān)家提供參考數(shù)據(jù)，保障作物穩(wěn)產(chǎn)。但是，UAV 多光譜遙感作為作物生長(zhǎng)精準(zhǔn)監(jiān)測(cè)技術(shù)也存在一些問(wèn)題。第一是圖像處理軟件大多功能單一，無(wú)法應(yīng)對(duì)復(fù)雜的農(nóng)業(yè)環(huán)境，人為切割區(qū)域分析效率低下[40]。如何提高自適應(yīng)算法的多樣性，建立不同作物數(shù)據(jù)庫(kù)以及自適應(yīng)的算法是今后研究的關(guān)鍵。第二是大部分研究采用統(tǒng)計(jì)學(xué)方法來(lái)建模，現(xiàn)代科學(xué)前沿的人工智能方法因難度大而尚未普及。因此，結(jié)合人工智能和神經(jīng)網(wǎng)絡(luò)對(duì)圖片信息進(jìn)行識(shí)別分析和建模也是未來(lái)的工作重點(diǎn)[41]。第三是目前機(jī)載多光譜相機(jī)的頻譜波段一般有4～6 個(gè)，波段范圍較寬，光譜分辨率較低，圖像的空間分辨率也較低，需要與高分辨率的數(shù)碼相機(jī)或高光譜相機(jī)進(jìn)行圖像融合才能達(dá)到更高的應(yīng)用需求[42]。

UAV 多光譜遙感是一種新興且具有遠(yuǎn)大前景的大數(shù)據(jù)獲取技術(shù)，雖然目前仍處于發(fā)展初期，但是因?yàn)槠錈o(wú)損、高效和高通量的特點(diǎn)，已經(jīng)逐漸取代傳統(tǒng)監(jiān)測(cè)方法，在資源、生態(tài)、環(huán)境保護(hù)等領(lǐng)域中得到了應(yīng)用[43]。在精準(zhǔn)農(nóng)業(yè)中，準(zhǔn)確快捷獲取不同作物的多光譜圖像特征信息是實(shí)現(xiàn)精準(zhǔn)管理的重要手段，相關(guān)技術(shù)與方法的突破對(duì)現(xiàn)代化農(nóng)業(yè)、信息化農(nóng)業(yè)與智能化農(nóng)業(yè)的發(fā)展具有重要意義。