無人機多光譜遙感在農(nóng)作物生長監(jiān)測中的應用綜述

封偉祎 朱俊科 彭文宇 宋曉斐 畢愛君 車海龍

(山東理工大學農(nóng)業(yè)工程與食品科學學院，山東 淄博 255000)

引言

無人機遙感技術的使用原理，是由無人機搭載傳感器，利用無人駕駛飛行、遙感傳感器、數(shù)據(jù)通信、GPS定位系統(tǒng)、時差分定位(Real-time kinematic，RTK)等技術來完成對地物遙感數(shù)據(jù)的提取，從而對遙感技術數(shù)據(jù)進行處理、建模與數(shù)據(jù)分析研究，從中提取出所需的信息。

近年來，無人機多光譜遙感技術的應用在農(nóng)業(yè)生產(chǎn)中的意義顯得越來越關鍵，利用無人機多光譜遙感技術能夠監(jiān)測作物長勢、受災情況和營養(yǎng)狀況，讓農(nóng)戶更高效地管理作物的土壤、施肥和澆水，最大限度地降低農(nóng)藥噴灑、施肥、浪費水分，同時提高糧食作物的產(chǎn)量，對農(nóng)戶的工作和植被環(huán)境的維護有著很大的好處[1]。過去人們需要實地測量才能獲悉作物的生長狀況，費時費力，而采用無人機遙感技術只需分析遙感影像即可實現(xiàn)作物生長數(shù)據(jù)的獲取；無人機遙感具備時效性好、尺度小、材料輕、分辨率高、費用低等優(yōu)點，在保證了高分辨率的同時節(jié)省了人力物力，為農(nóng)業(yè)生產(chǎn)提供了極大的便利。

本文中對遙感無人機和多光譜相機的類型和特性、多光譜技術在農(nóng)作物表型數(shù)據(jù)監(jiān)測中的主要作用、農(nóng)業(yè)災害監(jiān)測等方面的研究進展詳細闡述，并希望對今后多光譜遙感在農(nóng)業(yè)生產(chǎn)領域的研究發(fā)展與推廣應用提供借鑒。

1 遙感無人機和多光譜相機的種類與特點

1.1 無人機的種類與特點

根據(jù)飛行平臺構型的不同，無人機主要分為無人直升機、固定翼無人機以及多旋翼無人機[2]。

1.1.1 無人直升機

通常指單旋翼帶尾槳的直升機。

1.1.2 固定翼無人機

即由推動設備提供飛機向前的推動或牽引力，在機體的固定機翼形成升力后，在大氣層中飛行的重于氣流的飛行器。

1.1.3 多旋翼無人機

指多于3個軸以上的旋翼機，利用螺旋槳之間相對速度來調整牽引力與轉矩，操控航空器懸停、轉彎及航線行駛[3]。飛行平臺的種類與特點見表1。

表1 無人機飛行平臺的種類與特點

目前，多旋翼無人機在農(nóng)業(yè)生產(chǎn)的運用已經(jīng)非常普遍，可根據(jù)對性能的需求進行選擇，而無人直升機與固定翼無人機很少在農(nóng)業(yè)遙感領域使用。

1.2 多光譜相機的型號與應用

多光譜照相機是指擁有2個以上光譜波段通道的照相機，一般含有藍、綠、紅、紅邊和近紅外波段，適用于NDVI等各類植被指數(shù)的分析[4]。一般高清攝像機只從紅、綠、藍3個頻段中獲得數(shù)據(jù)，而多光譜攝像機能從近紅外波段和紅邊波段獲得更多的數(shù)據(jù)，有助于比較精確地進行作物估產(chǎn)、長勢檢測和營養(yǎng)判斷等，見表2。和高光譜成像儀比較，多光譜攝像機具有成本低、尺寸小、數(shù)據(jù)量小和覆蓋范圍大等優(yōu)點，在大范圍的區(qū)域研究中具有普遍的運用[5〗。

表2 多光譜相機的型號與應用

1.3 多光譜數(shù)據(jù)的處理方法

通常使用Pix4D mapper等圖像處理軟件對獲得的多光譜圖像進行拼接處理。將影像導入Pix4D mapper，編輯相機參數(shù)、添加像控點、初步刺點，隨之進行空中三角測量、生成點云和紋理，得到數(shù)字表面模型(Digital Surface Model，DSM)和多波段數(shù)字正射影像(Digital Orthophoto Map，DOM)。需要注意的是，在生成DSM和DOM之前，需要利用白板影像進行輻射校正，消除或改正因輻射誤差而引起的影像畸變[6]。

用ArcGIS、ENVI等軟件可對影像進行圖像裁剪、幾何校正、合成多波段影像等后續(xù)處理，利用感興趣區(qū)域(Region of interest，ROI)工具對合成的多波段影像進行圖像分割，提取光譜反射率數(shù)據(jù)，構建植被指數(shù)。通過灰度共生矩陣提取紋理特征。

2 多光譜在作物表型信息監(jiān)測上的主要應用

2.1 農(nóng)作物葉綠素含量監(jiān)測

葉綠素是植物吸收與利用光能的最主要媒介，由于農(nóng)作物的葉綠素含量也與其光合水平有關，所以，葉綠素含量表現(xiàn)的是作物的光合水平和含氮物質的營養(yǎng)狀況，同時在逆境脅迫的條件下，也可用以反映植株的傷害程度與健康狀況。因為葉綠素a、葉綠素b、胡蘿卜素等可以吸取不同波段的光，故利用多光譜遙感分析作物冠層的反射光譜的差異能夠檢測植物葉綠素的含量與組成。

目前，監(jiān)測葉綠素含量的方式主要是通過選擇相關植被指數(shù)與葉綠素相對含量(SPAD值)進行Pearson相關性分析，選擇相關性較大的植被指數(shù)或波段光譜反射率，運用線性回歸，如逐步回歸、偏最小二乘回歸(PLSR)、嶺回歸(Ridge)，以及一些常用的機器學習回歸算法，如隨機森林回歸、支持向量機(SVR)回歸、bp神經(jīng)網(wǎng)絡回歸等方法進行建模，達到對葉綠素含量實時監(jiān)測的效果。

魏青等[7]對冬小麥設置不同施氮水平，分析各生育時期的多種光譜指數(shù)與葉綠素含量的相關性，構建一元二次回歸和逐步回歸模型分析，通過檢驗樣本數(shù)據(jù)進行精度評價，進而確定了關鍵生育時期預測冬小麥SPAD值的最優(yōu)模型。牛魯燕等[8]同時提取了與葉綠素含量相關的植被指數(shù)以及光譜反射率，運用多元線性回歸方法建立了小麥長勢監(jiān)測模型，經(jīng)研究分析得出，由NDVI、SAVI、CCCI 3個植被指數(shù)使用多元線性回歸方法構建的模型穩(wěn)定性最好，精確度最高。劉濤等[16]設立不同飛行高度采集多光譜影像，通過選用DSI、RSI、NDSI和經(jīng)驗植被指數(shù)與小麥SPAD值建立相關性分析，基于優(yōu)選光譜指數(shù)，運用多元線性回歸方法、偏最小二乘回歸方法和人工神經(jīng)網(wǎng)絡方法構建預測小麥SPAD值的回歸模型，并對其進行精度分析，研究表明，反演小麥葉綠素含量穩(wěn)定性最好、精度最高的模型是人工神經(jīng)網(wǎng)絡模型，決定系數(shù)R2達到了0.804，實現(xiàn)了小麥葉綠素含量的準確估算。以上研究都是基于多光譜影像構建植被指數(shù)并建模來對小麥葉綠素含量進行反演，周敏姑等[10]探究了利用光譜反射率進行建模反演的方法，選取冬小麥的多個重要生長期進行影像的采集，通過分析不同波段的反射率與冬小麥葉綠素含量的相關性，運用主成分回歸、逐步回歸和嶺回歸法對小麥冠層葉片5個波段反射率與葉綠素含量建立回歸模型，并基于各模型的精度評價得出了各生長期反演葉綠素含量的最優(yōu)模型。無人機多光譜遙感對農(nóng)作物葉綠素含量進行有效監(jiān)測可以幫助及時了解農(nóng)作物的營養(yǎng)狀況，為實現(xiàn)精細化田間管理提供了重要的技術依據(jù)。

2.2 農(nóng)作物葉面積指數(shù)監(jiān)測

葉面積指數(shù)(Leaf Area Index，LAI)主要體現(xiàn)了農(nóng)作物的光能效率，同時其也是表現(xiàn)農(nóng)作物生長發(fā)育情況的另一項主要指標，其大小直接與作物的最終產(chǎn)量掛鉤[22]。不同的葉面積指數(shù)對光的反射率是有所不同的，這樣就可以通過分析多光譜影像來實現(xiàn)對農(nóng)作物葉面積指數(shù)的估測[23]。

目前，通過無人機多光譜遙感進行葉面積指數(shù)的反演已經(jīng)應用到了小麥、玉米、水稻、棉花、大豆等多種作物上。邵國敏[11]等利用多光譜數(shù)據(jù)，建立了NDVI、SAVI、EVI、GNDVI、VARI 5種植被指數(shù)與全生育期玉米葉面積指數(shù)的一元線性回歸、多元線性回歸和隨機森林回歸模型，實現(xiàn)了運用隨機森林回歸方法預測不同灌溉水平下的夏玉米葉面積指數(shù)，決定系數(shù)R2達到了0.74～0.87。劉濤等[16]通過分析不同高度下的小麥冠層多光譜影像，選用DSI、RSI、NDSI和經(jīng)驗植被指數(shù)與小麥葉面積指數(shù)構建多元逐步回歸、偏最小二乘回歸和人工神經(jīng)網(wǎng)絡模型，分析得出運用偏最小二乘回歸模型反演小麥葉面積指數(shù)的精度最高，決定系數(shù)R2達到了0.732。

2.3 農(nóng)作物營養(yǎng)元素含量監(jiān)測

營養(yǎng)元素是作物生長過程不可或缺的一部分，而氮、磷、鉀3種主要營養(yǎng)元素更是與作物生長狀況密不可分。缺少氮元素會減少植株內的蛋白質合成，從而導致葉片變黃、光合作用減弱，對作物產(chǎn)量造成嚴重的影響[24]；缺少磷元素會使作物生長緩慢，抑制作物的分支和開花；缺少鉀元素則會抑制碳水化合物和氮元素的代謝，造成植株葉片干枯脫落。根據(jù)作物生長狀況合理施肥，對作物的生長具有非常重要的意義。

遙感技術具有廣覆蓋、時效性強、多載荷的特殊優(yōu)點，具體體現(xiàn)：可以即時連續(xù)高效的收集作物生長情況和養(yǎng)分數(shù)據(jù)；將數(shù)據(jù)實現(xiàn)了空間整合，為適時提出的農(nóng)作物養(yǎng)分調優(yōu)栽培方法提供了重要技術支持，從而可以快速提升作物營養(yǎng)元素檢測的準確性等。多光譜遙感有信息量大、分辨率高的特點，過去傳統(tǒng)的營養(yǎng)元素含量檢測方法會造成樣品的破壞，并且需下地實測，耗費時間和人力，而多光譜遙感能夠實現(xiàn)對作物養(yǎng)分含量和生長數(shù)據(jù)的即時無損檢測。

魏鵬飛等[17]通過選用多種光譜指數(shù)與夏玉米氮含量建立相關性分析，根據(jù)其相關程度，運用向后逐步回歸方法進行建模分析，最終確定了不同生育期下估算夏玉米氮含量的最佳模型，但因為該研究中選取的不同品種和不同施氮水平2個處理條件有機的組合，提高了數(shù)據(jù)處理的重復性，建模的準確性也較差，不過證明了建模方法在不同田塊環(huán)境下的適應性。傅友強[25]等設置3個施氮處理，選用NDVI、GNDVI、RVI、EVI、DVI、MNLI 6個光譜指數(shù)，與不同施氮水平的水稻數(shù)據(jù)集建立多元線性回歸模型，決定系數(shù)R2均達到了0.85以上，為水稻的精準施肥提供了極大的便利。作物水分和氮素吸收效率低是制約農(nóng)業(yè)生產(chǎn)力的主要因素之一，楊夢嬌等[26]選用3個小麥品種，設立4種水分處理、4種氮素處理，通過多光譜遙感建模估算其土壤水分、氮含量、生物量和產(chǎn)量相關參數(shù)并計算水分和氮素吸收效率，研究表明，灌水120mm和施氮180kg·hm-2處理的“中麥895”水分利用率和氮素利用率均表現(xiàn)優(yōu)異，且無人機多光譜遙感可用于預測全生育期的水分吸收率和氮素吸收率，以選擇優(yōu)質基因型，并監(jiān)測不同氮和水劑量下的作物效率，有助于幫助育種者選育高產(chǎn)廣適的優(yōu)良品種。

2.4 農(nóng)作物產(chǎn)量監(jiān)測

國家糧食安全問題是我國安全的重要基礎，而作物的產(chǎn)量與我國糧食安全密切相關，亦是作物研究所追求的終極目標。近年來，隨著無人機多光譜遙感技術的發(fā)展，許多學者開始運用多光譜遙感進行作物產(chǎn)量的估測研究。

王來剛等[12]通過選用玉米拔節(jié)期、抽雄期、吐絲期的植被指數(shù)累加值與玉米收獲率建立相關性分析，發(fā)現(xiàn)基于GNDVI、NDVI和EVI建立的產(chǎn)量預估模型精度最高，其中，基于多生育期累積GNDVI建立的產(chǎn)量預估模型精度最高，且決定系數(shù)R2達到了0.87，實現(xiàn)對玉米估產(chǎn)的同時也證明了多光譜遙感估產(chǎn)的可靠性，但不足之處是構建的估測模型是簡單的一元線性模型，可以使用機器學習和深度學習算法建模提高模型精度。后來的研究大多圍繞機器學習算法展開，如嚴海軍等[13]挑選各生育時期相關性較好的5種植被指數(shù)，以去除土壤噪聲后的5種植被指數(shù)和作物表面模型提取的苜蓿株高為輸入變量，通過支持向量回歸算法建立各生育時期的苜蓿產(chǎn)量預測模型，結果發(fā)現(xiàn)，在初花期使用植被指數(shù)和株高組合輸入變量所構建的估產(chǎn)模型最優(yōu)，其決定系數(shù)R2為0.90，實現(xiàn)了苜蓿產(chǎn)量快速、準確的估測。卞朝發(fā)等[27]篩選出了3個與小麥產(chǎn)量相關性較高的機器學習算法，并將關鍵生育期與小麥產(chǎn)量呈極顯著相關的植被指數(shù)(ESCVIs)分別與3種機器學習算法結合，建立關鍵生育期的3個小麥估產(chǎn)模型，研究發(fā)現(xiàn)，在開花期和灌漿期，高斯過程回歸(GPR)模型與ESCVIs結合效果最好，為最優(yōu)模型，決定系數(shù)R2為0.88。并且經(jīng)過該模型的估測產(chǎn)量與實測產(chǎn)量進行比較，發(fā)現(xiàn)該模型在不同尺度上具有較強的適應性，實現(xiàn)了大田尺度下的小麥產(chǎn)量估測，對小麥的種植規(guī)劃以及農(nóng)業(yè)生產(chǎn)具有重要的現(xiàn)實意義。運用無人機多光譜遙感技術進行作物產(chǎn)量的精準估測，為解決我國糧食安全問題提供了便利的技術條件。

3 農(nóng)作物災害監(jiān)測

農(nóng)作物生長很大程度上受到天氣條件的影響，而自然災害是無法避免的，因此，能做的就是對農(nóng)作物的災情進行監(jiān)測從而達到減少災情、預防災情的目的。目前研究涉及的災害主要有澇災、倒伏、雜草識別和病蟲害等，對災害監(jiān)測的研究主要集中在災情的嚴重情況分析以及對災后作物受災面積的監(jiān)測。

趙靜等[14]采集了多種光譜指數(shù)、光譜反射率及紋理特征，總計40余項特征作為樣本特征參數(shù)，基于全特征集使用支持向量機-特征遞歸消除算法(SVM-RFE)和Relief算法篩選部分特征作為特征子集，運用支持向量機(SVM)、K-最近鄰(KNN)、Cart決策樹、隨機森林(RF)和人工神經(jīng)網(wǎng)絡(ANN)對特征子集進行監(jiān)督分類，研究表明，SVM-RFE方法對數(shù)據(jù)降維效率高于Relief方法，且SVR的建模可以更準確有效地對不同冠層范圍下的玉米和雜草加以區(qū)分，也因此大大減少了化學除草劑的使用，從而為玉米的田間管理決策提供了技術支持。戴建國等[18]基于倒伏與正常狀況下棉花的光譜反射率之間的差異，從無人機影像種提取了多種光譜指數(shù)與紋理特征，同時結合花鈴期倒伏棉花的實地測量數(shù)據(jù)構建了Logistic二分類模型，研究發(fā)現(xiàn)，通過第一主成分均值和常量建立的紋理模型精確度最高，達到了91.30%，實現(xiàn)了倒伏災害后棉花受災信息的迅速收集。趙靜等[19]從多光譜影像中提取植被指數(shù)、反射率和紋理等特征建立全特征集并用不同算法挑選相關特征作為特征子集，運用不同分類監(jiān)督模型對風災后的倒伏玉米數(shù)據(jù)進行提取并使用混淆矩陣進行評價，研究發(fā)現(xiàn)，KNN和ANN模型精度均達到了90%以上，對識別玉米倒伏情況的穩(wěn)定性較好，KNN模型與SVM-RFE特征篩選相結合的方法分類效果達到最優(yōu)，實現(xiàn)了臺風災后玉米倒伏信息的迅速準確獲取。陸洲等[28]通過分析獲取的多光譜遙感影像中正常水稻、受災水稻的植被指數(shù)、光譜反射率以及紋理特征的差異性，構建了基于光譜與紋理特征的決策樹分類模型，研究結果顯示，組合光譜和紋理特征構建的決策樹模型提取倒伏水稻面積的精度最高，Kappa系數(shù)達到了0.93。朱文靜[29]等探究了空間分辨率對模型反演精度的影響，對不同空間分辨率圖像的波段反射率與赤霉病指數(shù)及植被指數(shù)進行相關性分析，確定了小麥赤霉病無人機多光譜監(jiān)測的最佳空間分辨率，基于此分辨率運用機器學習算法建模，研究結果表明，SVR回歸算法在多源數(shù)據(jù)融合模型(植被指數(shù)和紋理特征)中監(jiān)測效果最好，為無人機監(jiān)測區(qū)大田作物病害，特別是小麥赤霉病近地遙感監(jiān)測的分類和變量應用提供了方案。

4 結論與展望

隨著精準農(nóng)業(yè)航空領域的發(fā)展，無人機多光譜遙感在農(nóng)業(yè)生產(chǎn)中已經(jīng)得到了愈發(fā)廣泛的應用。

對于作物表型信息的監(jiān)測，通常選擇相關植被指數(shù)與所測農(nóng)學參數(shù)進行Pearson相關性分析，篩選出與所測農(nóng)學參數(shù)相關性較高的植被指數(shù)、紋理特征及波段光譜反射率參與建模。目前常用的建模方法主要是線性回歸，如逐步回歸、偏最小二乘回歸(PLSR)、嶺回歸(Ridge)，以及一些常用的機器學習回歸算法，如隨機森林回歸、支持向量機(SVR)回歸、bp神經(jīng)網(wǎng)絡回歸等。使用決定系數(shù)、均方根誤差和相對誤差等評價指標評判模型精度，從而實現(xiàn)對農(nóng)作物葉面積指數(shù)、葉綠素含量、氮含量的實時監(jiān)測，并可估測作物產(chǎn)量，從而幫助育種者篩選出高產(chǎn)廣適類型的新品種。

對于作物災害監(jiān)測，通常采用相關的光譜指數(shù)與紋理特征建立特征集，使用機器學習和深度學習監(jiān)督分類算法(如RF、SVM和ANN等)建立特征模型并利用Kappa評價其空間一致性，實現(xiàn)倒伏、雜草識別、病蟲害等災害后作物情況的信息提取。

目前，無人機多光譜遙感技術仍存在一些不足，各種研究下的作物信息提取模型并不具有普遍適用性，不同生育期、不同地塊、不同反演參數(shù)的模型各不相同，如何提高模型的適用性是未來無人機遙感研究的重要方向；目前使用的建模方法多是基于統(tǒng)計學方法，基于深度學習的人工智能算法雖然有所涉及但還尚未在無人機遙感領域普遍應用，未來深入研究人工智能算法與無人機遙感相結合是實現(xiàn)精準農(nóng)業(yè)航空的一個重要趨勢；農(nóng)用無人機行業(yè)對無人機研發(fā)生產(chǎn)的技術標準及安全標準并不規(guī)范，因此，應加快制定完善的無人機技術標準，保證未來精準農(nóng)業(yè)航空的健康發(fā)展。