2024年北京小麥全生長周期多光譜圖像數據集

摘要：小麥是全球主要糧食作物之一，隨著物聯網技術的發展，多光譜動態采集技術通過捕捉豐富的光譜信息，識別可見光范圍內難以區分的物質和特征，從而為水肥虧缺診斷、病蟲害預警等提供更詳細的數據支撐。目前大部分研究采用無人機遙感平臺搭載多光譜相機獲取小麥冠層多光譜圖像，然而無人機運行維護成本較高，且無法實時采集小麥整個生長周期內的連續生長信息，相比而言，多光譜原位監測設備能夠逐日實時采集特定區域內作物整個生長周期的生長數據，從而實現連續性的作物生長動態監測。本研究在2024年4月9日至6月6日期間，對北京市小湯山國家精準農業研究示范基地內設置的試驗田小麥的拔節期、孕穗期、開花期和灌漿期圖像進行了采集。經篩選和整理后形成的有效數據為每日6點-18點采集的多光譜圖像，采集頻率為一小時，數據量為1.42 GB。圖像數據由布設在自然大田環境中的多光譜原位監測設備定時拍攝而得，并以文件夾形式存儲。圖像經過專業人員篩選和整理，確保數據高質量和可靠性。本數據集可通過多光譜圖像數據實現對小麥的水肥虧缺診斷、病蟲害監測等任務，將提取出的反射率值、植被指數、顏色特征、紋理特征、植被覆蓋度等信息帶入預測模型中進行分析預測，同時本數據集還適用于構建小麥葉綠素含量、生物量估算的網絡模型等研究。

關鍵詞：原位實時監測；多光譜圖像；北京；小麥

數據摘要：

1 "引言

小麥是全球主要糧食作物之一，對許多國家的經濟和食品安全有重要影響^[1]。近年來，計算機技術的快速發展促進了小麥產業的智能化，提高了生產效率和管理水平，有助于實現精準農業和可持續發展目標。

近年來，農業研究者通過結合無人機多光譜數據和先進機器學習技術，在作物生長監測和病害診斷方面展現了農業上精準管理作物的新潛力。承達瑜等^[2]以冬小麥為研究對象，利用無人機搭載多光譜相機采集冬小麥多光譜數據集，通過對圖像數據的提取處理，計算出光譜植被指數與紋理特征，并構建綜合長勢監測指標（Comprehensive Growth"Monitoring Indicators， CGMI），建立長勢監測精度最高的作物支持向量機回歸（Support Vector Regression， SVR）模型。蘇寶峰等^[3]"采用無人機搭載相機構建不同嚴重度等級的小麥多光譜圖像數據集，結合冠層光譜植被指數和支持向量機（Support Vector Machine， SVM）算法，構建了條銹病嚴重度分類模型，并使用"DenseNet121 模型對條銹病抗性等級進行分類。朱文靜等^[4]通過無人機搭載多光譜相機完成了對不同倒伏率麥田多光譜圖像數據的采集，并采用支持向量機（SVM）等模型提取小麥倒伏面積，對倒伏嚴重程度進行分類。鄧尚奇等^[5]采用無人機獲取小麥多光譜遙感圖像數據集，結合敏感植被指數，使用偏最小二乘回歸（Partial Least Squares Regression，PLSR）建立了冬小麥關鍵生育期葉綠素相對含量值、葉面積指數和冠層葉綠素相對含量反演模型，為生產管理提供技術支持。連炳瑞等^[6]借助無人機采集生菜多光譜圖像數據集，建立了生菜葉綠素、生物量、吸氮量和全氮含量監測模型，其數據集在生菜各指標含量監測方面的潛力。朱永基等^[7]利用無人機獲取冬小麥關鍵生育期的多光譜影像數據集，并將植被指數和紋理特征相結合，利用線性回歸、偏最小二乘回歸（PLSR）、隨機森林（Random Forest， RF）3種方法構建地上部生物量估算模型。

根據以往的研究，多數的數據集利用無人機搭載多光譜相機開展圖像采集工作，但無法實時采集對小麥、玉米^[8]、馬鈴薯^[9] 等作物整個生長周期內的連續生長信息。目前，小麥全生育期的原位實時無損監測設備研究較少，且原始數據集或基礎預處理后的數據集共享更為稀缺。為提升技術方法和模型適用性與魯棒性，本文作者在相關項目支持下，設計一種多光譜原位監測設備放置于大田真實環境中，定時采集圖像，通過采集和整合數據，構建小麥整個生長周期的多光譜圖像數據集。該數據集涵蓋2024年4月9日至6月6日期間的2440 張作物生長期多光譜（綠光、紅外光、紅邊光、近紅外光）圖像，既適用于光譜數據分析，也為深度學習模型提供了訓練和測試樣本。此次公開的數據集旨在支持智慧農業領域的研究，推動技術進步。

2 "數據采集與處理方法

2.1""數據采集

本實驗中小麥圖像數據的采集平臺為長光禹辰MS400多光譜相機。相機組配方式為4個多光譜通道，光譜通道分別為綠色波段：555nm@27nm， 紅色波段：660nm@22nm；"紅邊波段：720nm@10nm；近紅外波段：840nm@30nm，照片分辨率為1080H×1280V，有效像素為1.30Mpx，照片格式為"TIF。相機外殼使用的是一體化鋁合金輕盈機身，機身尺寸為55mm×"65mm×45mm，防水、防塵、耐腐蝕，適用于野外惡劣環境下長期使用。數據采集時，拍攝方式主要是自然光照條件下俯視垂直拍攝。相機拍攝的高度為7.5米，相機數據采集區域長為4米，寬為5米。在相機拍攝時采用自動曝光模式，該模式能夠對曝光時間和色彩平衡進行調整。

2.2 "數據處理

采集到的圖像數據經過低通濾波處理、圖像配準和輻射校正等預處理，旨在減少噪聲、確保圖像的空間一致性和校正輻射不均勻性，從而提高數據的質量和準確性，為后續的光譜反射率分析及作物生長預測提供可靠的基礎。

3 "設備及數據樣本描述

本實驗于北京市昌平區小湯山國家精準農業研究示范基地開展冬小麥田間試驗（40°10′43″－40°10′46″N，116°26′34″－116°26′38″E），對小麥種植試驗田的整個生長周期進行了數據采集與整理。小麥于2023年10月10日播種，2024年6月7日收獲。數據集由布置在小麥種植區的兩個監測點所采集的多光譜圖像數據組成。數據采集時間為2024年4月9日－6月6日，圖像采集頻率為每小時自動拍攝1次，每小時采集的圖像數據存儲在對應的文件夾中，文件夾命名格式為“年-月-日-時-分-秒”。經過人工整理，發現夜間采集的多光譜圖像由于特征點數量不足而無法用于后續的反射率提取工作，因此已將夜間數據剔除。當前有效圖像數據的采集時間為每日的6：00至18：00，按此采集頻率共采集作物生長期圖像2440幅。每個子文件夾內包含四張多光譜原始TIF文件。

3.1 "多光譜原位監測設備

多光譜原位監測設備主要由以下四部分組成：1）

作為圖像采集模塊的長光禹辰多光譜相機MS400；2）作為高性能圖像采集平臺的魯班貓CAT-5單板計算機；3）用于4G高速數據傳輸的移遠EC20全網通模組；4）可進行多角度調整相機的云臺。以上各部分模塊均采用12V直流供電。

魯班貓CAT-5單板計算機控制多光譜相機進行定時采集小麥冠層多光譜圖像，并將圖像以文件形式存儲，最終通過4G模組將多光譜圖像實時上傳到云服務器。同時，服務器將實時圖像數據展示，實現連續性的小麥生長動態監測。原位監測設備實物圖如圖1所示。

3.2 "多光譜圖像數據集

小麥冠層多光譜圖像數據集均被組織存儲于不同時間段的文件夾中，文件夾命名遵循“年-月-日-時-分-秒”的時間戳格式，文件格式為*.tif。數據集共拍攝可見光圖像"2440幅，共計1.42GB，每個文件夾內均包含四張單波段光譜圖像，分別對應于綠色波段（555 nm）、藍色波段（660 nm）、紅邊波段（720 nm）和近紅外波段（840 nm）。單幅多光譜圖像的命名采用“設備編號_序號_*nm”，的形式進行標識，其中“*”表示波段中心波長。多光譜部分樣本展示如圖2所示。

4 "數據質量控制與驗證

各小麥地塊示范區的基礎設施建設均符合國家示范標準，數據采集設備的安裝嚴格遵循操作規范，以保障數據的質量和可靠性。數據采集使用標準高清多光譜相機，設備按設定時間自動拍攝圖像，圖像格式為標準的"TIF格式。

由于本研究旨在探討小麥的水分虧缺問題，因此在降雨時使用篷布遮擋，以避免降雨對實驗精度的影響。在人工審核過程中，如果發現某些樣本數據存在圖像模糊或被篷布遮擋的情況，這些圖像將被標記為不符合要求并予以剔除。此外，根據圖像中的特征點數量情況，對數據進行精細篩選，以確保最終數據的有效性和可靠性。

5""數據價值與使用建議

在不同生育期的小麥生長狀況差異顯著，因此在使用全時段實時采集的小麥冠層的多光譜圖像時，可按照小麥的關鍵生育期進行分類，以便更準確地分析和研究每個生育期的圖像和光譜信息。這些數據為評估作物健康狀況、營養需求和生長狀態

提供了寶貴的信息，能夠有效監測光合作用、識別生理變化和評估水分狀況，進而實現精細化農業管理和科學決策。

為充分利用這些數據，建議進行圖像配準、輻射校正以及去除噪聲等預處理，以確保所提取的光譜數據的準確性和可靠性，并結合光譜分析技術進行深入研究。此外，將光譜數據與地面實測數據相結合，可提高監測結果的可信度。定期監控和系統化管理，有助于優化施肥、灌溉和病蟲害防治策略?；谶@些數據集，應用機器學習和深度學習技術可以提取植被覆蓋度、光譜和紋理信息等特征，建立回歸模型，實現幼苗計數、漏苗檢測、葉綠素含量檢測、地上生物量估算、產量預測及病蟲害監測，從而推動智慧農業的發展。

6 "數據可用性

2026年6月之前限制性獲取，2026年6月1日以后遵從CC BY-NC-ND 4.0 協議。

https：//cstr.cn/17058.11.sciencedb.agriculture.00121；https：//doi.org/10.57760/ sciencedb.agriculture.00121。

數據作者分工職責

王建麗，數據的整理匯總與論文撰寫。

曲明山，數據整理與論文撰寫指導。

劉震宇，數據采集。

史凱麗，數據人工核準。

張石銳，數據核準。

李光偉，數據采集裝備布局設計與安裝。

張鐘莉莉，論文架構設計與論文撰寫指導，提供論文項目基金支持。

倫理聲明

本研究未涉及倫理。

利益沖突聲明

作者聲明，全部作者均無會影響研究公正性的財務利益沖突或個人利益沖突。

參考文獻

[1] 劉錄祥.我國小麥產業科技創新發展現狀與展望.寒旱農業科學，2024，3（6）：491-494.

[2] 承達瑜，何偉德，付春曉，等.融合無人機光譜信息與紋理特征的冬小麥綜合長勢監測.農業機械學報，1-18[2024-08-02]."http：//kns.cnki."net/kcms/detail/11.1964.S.20240619.0911.005.html.

[3] 蘇寶峰，劉砥柱，陳啟帆，等.基于時間序列植被指數的小麥條銹病抗性等級鑒定方法. 農業工程學報，2024，40（04）：155-165.

[4] 朱文靜，馮展康，戴世元，等.無人機多光譜影像的小麥倒伏信息多特征融合檢測研究.光譜學與光譜分析，2024，44（1）："197-206.

[5] 鄧尚奇，趙鈺，白雪源，等.基于無人機圖像分割的冬小麥葉綠素與葉面積指數反演.農業工程學報，2022，38（3）：136-145.

[6] 連炳瑞，李雅豪，張靜，等.基于無人機多光譜植被指數的生菜全氮含量預測.光譜學與光譜分析，2024，44（8）：2318-2325.

[7] 朱永基，陶新宇，陳小芳，等.基于無人機多光譜圖像植被指數與紋理特征的冬小麥地上部生物量估算.浙江農業學報，2023，35（12）："2966-2976.

[8] 秦佳樂，苑江浩，宋國柱，等.2022年黑龍江小麥、玉米、水稻苗期圖像數據集[J/OL].農業大數據學報，1-6[2024-08-13].https：//doi.org/10."19788/j.issn.2096-6369.100026.

[9] 胡天賜，王瑞利，蔣呈祥，等.2022年內蒙古無人機馬鈴薯圖像數據集.農業大數據學報，2023，5（1）：40-45.

引用格式：王建麗，曲明山，劉震宇，史凱麗，張石銳，李光偉，張鐘莉莉.2024年北京小麥全生長周期多光譜圖像數據集[J].農業大數據學報，"2025，7（2）："126-131.DOI： 10.19788/j.issn.2096-6369.100045.

CITATION："WANG JianLi， QU MingShan， LIU ZhenYu， SHI KaiLi， ZHANG ShiRui， LI GuangWei， ZHANG ZhongLili. Multispectral Image Dataset of Wheat Full Growth Cycle in Beijing Province in 2024[J].Journal of Agricultural Big Data，2025，7（2）：126-131.DOI： 10.19788/j.issn."2096-6369.100045.

Multispectral Image Dataset of Wheat Full Growth Cycle in Beijing Province in 2024

WANG JianLi QU MingShan LIU ZhenYu SHI KaiLi ZHANG ShiRui LI GuangWei ZHANG ZhongLili

1. Intelligent Equipment Technology Research Center of Beijing Academy of Agriculture and Forestry Sciences， Beijing 100097， China; 2. Beijing Agricultural Technology Extension Station， Beijing 100029， China

Abstract： Wheat is one of the major global food crops， and with the development of Internet of Things （IoT） technology， multispectral dynamic acquisition technology identifies substances and features that are difficult to distinguish in the visible range by capturing rich spectral information， thus providing more detailed data support for water and fertilizer deficiency diagnosis， pest and disease warning， etc. Currently， most studies use a drone remote sensing platform equipped with a multispectral camera to acquire multispectral images of the wheat canopy， however， the drone has high operation and maintenance costs and is unable to collect continuous growth information throughout the entire growth cycle of wheat in real time， in contrast to multispectral in-situ monitoring equipment that can collect real-time growth data throughout the entire growth cycle of a crop in a specific region on a day-by-day basis， thus realizing continuous crop growth dynamics monitoring. In this study， between April 9 and June 6， 2024， images of wheat in the test field set up in the National Precision Agriculture Research and Demonstration Base in Xiaotangshan， Beijing， were collected at the nodulation， earning， flowering， and grouting stages. The valid data after screening and organizing were multispectral images collected from 6：00 to 18：00 every day at a frequency of one hour， with a data volume of 1.42 GB. The image data were captured by the multispectral in situ monitoring equipment deployed in the natural field environment at regular intervals， and stored in the form of folders. The data are screened and organized by professional staff to ensure high quality and reliability. This dataset can be used to realize the tasks of water and fertilizer deficit diagnosis， pest and disease monitoring of wheat through the multispectral image data. The extracted information such as reflectance value， vegetation index， color characteristics， texture characteristics， vegetation coverage and other information can be brought into the prediction model for analysis and prediction. At the same time， the present dataset is also suitable for constructing the chlorophyll content of wheat， network model for biomass estimation and other studies.

Keywords："In situ real-time monitoring; multispectral imagery; Beijing; wheat