無人機遙感技術在大田作物表型信息收集的應用

無人機遙感技術是一種利用無人機平臺和傳感器快速、高效、無損地收集大田作物表型信息的技術。作物表型是指作物在特定生長環境中表現出的結構或生理性特征。田間作物表型信息能夠直接反映出當前作物發育情況，表現了作物當前的生化功能、生物參數等。利用無人機遙感技術能夠快速、高效、無損地收集到大面積的遙感影像，根據影像中的作物光譜信息，能夠準確地提取到波段信息進而獲取表型數據。

一、無人機遙感系統概述

無人機遙感系統主要包括：無人機平臺、傳感器、控制系統和數據傳輸系統。其中，飛控系統、定位定向系統及傳感器均搭載于無人機平臺上。控制裝置通常與導航、飛控系統進行一體化設計，具有觸發控制傳感器、記錄拍照時刻的位置及姿態信息的功能。地面站的自動化和智能化可降低無人機飛行作業時的操作難度，主要用于完成航線規劃、飛行參數設置和無人機實時操控等功能。數據傳輸系統主要對拍攝的遙感影像進行傳輸與存儲。無人機遙感系統是由諸多科技匯聚而成去完成既定任務的復雜集合。利用搭載的傳感器快速獲取作物大尺度的高分辨率光譜圖像信息，經過數據挖掘技術和機器學習建模后解析作物表型參數。 目前廣泛應用的有RGB相機、多光譜傳感器、高光譜傳感器、紅外傳感器、熒光傳感器、孔徑雷達等，本節就常用于農業的幾種傳感器進行簡單闡述［1］。

（一）RGB數碼相機

RGB相機作為應用最廣泛的被動式傳感器，搭載到無人機平臺上有體積較小、價格實惠、數據結構直觀等優點，能快速收集到可見光波段的彩色或灰度圖像。所采集的遙感圖像能提取出作物冠層葉面積指數，植被覆蓋度作物形狀、結構、密度以及各種脅迫與病蟲害的預警等有效信息。結合地面控制點可構建出飛行區域的數字表面模型，能有效監測作物株高。將RGB影像內的顏色模型轉換為HSL顏色模型后，能有效識別出作物的植株密度。

（二）多光譜與高光譜傳感器

多光譜相機按照分光方式不同來進行分類，主要分為單鏡頭加分光系統和多鏡頭分光等類型。多鏡頭分光是通過在成像鏡頭傳感器前端加裝不同窄帶干涉濾光片來實現多波段數據同時獲取。高光譜相機有光柵分光、聲光可調諧濾波分光、棱鏡分光、芯片鍍膜等成像手段，其利用非常多窄波段的通道收集更細致的影像數據。利用高光譜相機獲取的影像有足夠的光譜分辨率對那些具有納米級診斷光譜特性的地表物體進行區分。通過對連續光譜信息進行高維數據壓縮和特征波長提取，可以監控作物的潛在特征。通過圖像特征和光譜特征的有效融合，可以克服單一圖像或光譜特征的不足，顯著提高對作物表型信息識別和監測的準確性。

（三）熱紅外傳感器

熱紅外成像是利用光電技術探測作物熱輻射的紅外線信號，并將其轉換成可視化的影像，進一步計算出溫度值，主要應用在作物冠層溫度監測等方面，作物冠層溫度作為田間大氣—土壤—植被連續體物質能量交換的產物，其可以較好地表征作物生理活動狀態，觀測作物水分脅迫等指標。目前，準確從熱紅外圖像中獲取作物冠層溫度，需要剔除背景干擾來獲取準確的作物冠層溫度，主要分為兩大類，第一類是基于熱紅外圖像，通過灰度閾值分割、邊緣檢測算法、聚類算法等方法尋找作物與背景之間的溫度分類值，對圖像分辨率要求較高，要求作物輪廓與背景輪廓之間無較多細小交叉。第二類方法是可見光結合熱紅外配準法。先對監測區域的可見光圖像進行分類，將作物與土壤背景相互分離，得到包含作物冠層像素的矢量圖層，再利用監測區域的熱紅外圖像進行掩膜處理得到作物冠層信息［2］。

（四）其他傳感器

在表型信息研究中，還有一些其他類型的傳感器，如孔徑雷達、熒光傳感器、超聲波傳感器、激光掃描傳感器、深度相機等也不乏應用的案例。不同傳感器有著不同的使用條件，需針對監測地區實際情況進行合理選擇。一般無人機平臺搭載的傳感器具有可替換性，經常利用多種傳感器相互組合獲取多維度的作物表型信息。

二、無人機遙感在表型信息的應用

作物生化參數反映出作物生長過程中各類表型信息，作物冠層的光信息、土壤與水分的參數與生長發育過程中的諸多參數都與作物表型信息有密切關系，對如何精準測定作物生化參數十分重要［3］。

在作物育種過程中，通常以葉綠素、氮元素、生物量作為指標，觀察冠層的光合作用效率，對于作物的生物量和產量有重要意義。

葉綠素是作物的重要生化參數之一，負責植物的光合作用為植物提供能量，能凸顯作物健康狀況。因此，葉綠素能作為作物健康狀況的評價參數。在光合細胞內廣泛分布，主要吸收可見光范圍內紅色區域的電磁波并反射綠色區域的電磁波。通過遙感監測葉片葉綠素含量能夠反映作物生長狀況、脅迫指數。所以，估測作物特定生長階段的葉綠素含量變化，非常適合協助決策者監測作物和管理耕作活動，以實現產量最大化。

利用無人機對作物冠層信息進行采集，能快速、無損、大面積地獲取到大田作物的葉綠素含量，對作物群體長勢做出判斷。當前多利用高分辨率多光譜圖像估算大田玉米植株的葉綠素含量。將利用多元逐步回歸（MSR）、支持向量機（SVM）、BP神經網絡（Back propagation neural network， BPNN）等機器學習算法結合光譜數據和地面玉米葉片葉綠素真值相結合進行建模來估計葉綠素含量，能夠獲得較好的結果。

葉面積指數（LAI）能夠反映作物冠層結構變化，從而量化測定區域的作物數量，葉片為作物光合作用、呼吸作用與蒸騰作用提供場所，作物與外界在其中進行水和能量的交換，葉片表面積的大小影響著交換的速率。LAI是作物生長狀況監測與冠層信息的綜合指標。利用無人機對作物LAI值進行測定，也能對作物群體長勢作出判斷。

作物氮元素含量作為關鍵元素直接影響著器官的建立和各種生理生化過程，能促進小麥干物質的積累和氮素含量的增加，提高作物產量。葉片氮含量與葉綠素含量之間有著密切的關系。

三、無人機收集作物表型信息的展望

當前，開展精準農業技術無人機遙感技術在表型信息獲取領域應用研究呈指數型增長，無人機遙感技術對大田作物生產管理中的各種實際問題有很大作用。根據我國在無人機遙感技術研究的現狀，不斷向更高精度、多源數據融合的方向持續探索。

參考文獻：

［1］孫剛，黃文江，陳鵬飛等.輕小型無人機多光譜遙感技術應用進展［J］.農業機械學報，2018，49（03）：1-17.

［2］程曼，袁洪波，蔡振江等.田間作物高通量表型信息獲取與分析技術研究進展［J］.農業機械學報，2020，51（S1）：314-324.

［3］李翠云，朱俊科，賈鵬等.作物模型在我國玉米生產中的應用與研究［J］.農業與技術，2022，42（19）：65-68.