基于無人機多光譜影像的冬小麥氮肥監測

斯鈞浪 董超 李百紅

摘要 [目的]研究無人機多光譜影像與土壤養分水平變化的關系。[方法]利用無人機搭載的多光譜傳感器生成研究區50 m高的反射率正射影像，計算NDVI，GNDVI和SAVI指數值，調取作物感興趣區進行研究。[結果]植被指數在小麥越冬期的不同長勢小麥有明顯差別。在其他外部條件一致的情況下，土壤N水平的變化對冬小麥越冬期長勢影響較明顯。[結論]無人機多光譜影像對冬小麥有較好的氮診斷潛力，可利用估測結果指導精準氮肥管理。

關鍵詞 無人機;多光譜影像;植被指數;冬小麥;氮水平

中圖分類號 S126 ?文獻標識碼 A ?文章編號 0517-6611（2020）05-0239-03

doi：10.3969/j.issn.0517-6611.2020.05.067

開放科學（資源服務）標識碼（OSID）：

Abstract [Objective]To study the relationship between UAV multispectral imagery and soil nutrient level. [Method]Multispectral sensors carried by UAV were used to generate orthophoto images with reflectivity of 50 m in the study area. NDVI， GNDVI and SAVI indexes were calculated to extract the region of interest of crops for research. [Result]Vegetation index has obvious difference among different growing wheat during winter. By plotting frequency histogram， regional differences can be observed. Under the same external conditions， through further analysis with nitrogen level， the change of soil N level was more obvious for winter wheat growth during overwintering period. [Conclusion]UAV multispectral image has good diagnostic potential for winter wheat， and the estimated results can be used to guide precise nitrogen management.

Key words Unmanned aerial vehicle（UAV）;Multispectral image;Vegetation index;Winter wheat;Nitrogen level

利用無人機平臺搭載多光譜相機組成的遙感監測系統在施肥決策上已取得了一些成果，李冰等[1]設計了基于無人機的多光譜載荷觀測系統，以冬小麥為研究對象，提出一種由直方圖曲線獲取植被指數閾值的方法。劉昌華等[2]通過建立光譜特征的冬小麥氮素植被反演模型，進行冬小麥的氮素營養實時診斷和長勢監測。但建立多光譜影像與地面試驗數據比較分析還鮮見報道。鑒于此，筆者介紹利用無人機平臺獲取的多光譜影像生成植被指數，從無人機尺度研究小麥指數變化與分布情況，并根據地面試驗評估無人機多光譜影像與氮肥水平變化的關系。

1 材料與方法

1.1 基本理論

植被指數是2種以上波段的組合，旨在突出顯示植被特征（冠層生物量，輻射吸收量，葉綠素含量等）。在植被研究中，植被紅光波段反射率很低，而綠光波段反射率很高，近紅波段反射率遠高于可見光波段。在各種指數中，三波段多光譜傳感器主要采用的指數包括歸一化植被指數（NDVI），綠色歸一化植被指數（GNDVI）和土壤調節植被指數（SAVI）。其中NDVI的計算公式為：

NDVI=NIR-RNIR+R

式中，NIR為近紅外波段，R為紅光波段。指數范圍為-1.0～1.0，正值表明綠色的增加，負值表示非植被地帶特性，如水，貧瘠地區，冰、雪或云。綠色植被常見的范圍是0.2～0.9。中等值代表灌木和草地（0.2～0.3），較高的值代表森林和作物（0.4～0.9）。

GNDVI計算與NDVI相似，但是使用綠色波段替代紅色波段。它與光合吸收輻射的比例有關，與葉面積指數（LAI）和生物量呈線性相關，與作物產量高度相關。GNDVI對葉綠素的敏感高于NDVI，范圍從0到1.0，其計算公式為：

GNDVI=NIR-GNIR+G

式中，NIR為近紅外波段，G為綠光波段。

SAVI可以在植被覆蓋差，土壤表層暴露的地區用以最小化土壤背景影響。SAVI的取值為-1.0～1.0，SAVI的計算公式為：

SVAI=NIR-RNIR+R+L（1+L）

式中，NIR為近紅外波段，R為紅光波段，L為植被密度函數，當L=0時，SAVI=NDVI。L是最小化背景影響的關鍵，可以根據研究區內不同植被狀況來確定，取值范圍在-1～1。高密度植被覆蓋區域，L值較低，較高的L值用于低植被覆蓋區域，L取0.5是調節土地光學性質的最佳值。

1.2 研究區概況

研究區位于山東省淄博市桓臺縣中國農大桓臺生態與可持續發展實驗站（117°50′～118°10′E，36°54′～37°04′N），屬暖溫帶大陸性季風氣候。年平均日照時數2 832.7 h，5月份最多，2月份最少，日照率62%。年平均氣溫11.8～12.9 ℃，多年平均降水量542.8 mm，多集中在6、7、8月份。

土壤類型為棕壤，地形平坦，土層深厚;基礎設施條件完善，種植農作物為冬小麥，試驗作物冬小麥品種為“魯原502”，生育期239 d，千粒重43.6 g;播種量120 kg/hm.2，行距21.7 cm。

1.3 平臺、傳感器和測量手段

無人機采用Matrice 600 pro六旋翼飛行平臺，三軸穩定云臺為相機提供穩定的平臺，使得在飛行器高速飛行的狀態下相機也能拍攝出穩定的畫面。采用測繪航拍模式，跟蹤重疊約70%。將Sequoia多光譜相機固定到無人機云臺上，利用支架將sunshine sensor粘到無人機背部，使用USB主機數據線將多光譜傳感器連接至sunshine sensor;使用USB設備數據線將多光譜傳感器連接至遙控飛機;Sequoia開啟。校準Sequoia，校準前確保2個傳感器已固定連接在遙控飛機上。飛行前采集標準白板，將相機對準白板，反射板置于平地上，遠離任何障礙物，反射板大約充滿相機半個鏡頭，相機盡可能垂直對準反射板，反射板上沒有陰影，陽光直射在反射板上（沒有反射日光），按下“capture”進行拍照，等待15 s開始拍攝，然后在頁面選擇并導出白板圖像。在飛行中，多光譜相機設置為每1.6 s拍攝1次，覆蓋度為80%，分辨率為1.2 Mpix，10 bits depth。

該試驗調查時間為冬小麥的越冬期，主要研究無人機平臺與多光譜相機的使用，利用安裝在無人機上的多光譜相機獲取數據，進行攝影測量和處理，利用pix4D mapper獲取試驗區的多光譜相機的高分辨率正射反射率影像。利用ENVI軟件分別計算不同研究區的NDVI、GNDVI和SAVI值，生成與評價不同植被指數圖并統計分析，利用GIS軟件進行施肥水平試驗區的識別。

1.4 數據處理

該研究選擇pix4Dmapper軟件進行航拍數據的處理，pix4Dmapper可以自動化進行無人機遙感影像處理從圖像生成點云，數字表面模型，數字高程模型和正射影像。處理包括初始化處理，向工程中導入圖片和POS數據，生成質量報告，對數據質量進行評估，對影像進行篩選，保證參與校正拼接影像的重疊度。點云和紋理的生成，輸出DSM，正射影像和指數。拼接后的影像主要是輻射校正，輻射校正一方面利用無人機飛行中輻射傳感器收集的拍攝時的數據，另一方面通過選取飛機起飛前拍攝的地面白平衡板目標，進行進一步天空與地面的差異校正。最終從每個數據集中提取點云數據，以5 cm的分辨率生成正射影像。產生的正射影像包括紅光、近紅、綠光和紅邊4個通道。然后通過ENVI軟件進行圖像裁剪與指數計算。

2 結果與分析

2.1 對比分析

利用桓臺研究區無人機數據生成高分辨率的正射反射率影像計算NDVI、GNDVI和SAVI指數，提取的指數如圖1所示。NDVI，GNDVI和SAVI值植被指數的范圍間于[-1，1]，指數值低呈現紅色，說明冬小麥長勢不好，指數值高呈現綠色，說明冬小麥長勢良好。在研究區東部和西北部地帶，出現了一些紅色的像素，代表了負指數值，說明該區域種植稀疏呈現裸土情況。

在研究區內選取3個不同表現的樣本區域（A、B和C），其中A為3414實驗區，區域B、C是普通地（圖1）。對這些區域進行統計分析，計算平均值和標準差（表1）。結果表明，區域B的植被指數最高，區域A次之，區域C的植被指數最低，結合圖1也反映這一情況。對比區域A、B和C植被指數的標準差和變異系數，區域C植被指數的標準差和變異系數都大于區域A和區域B，說明區域C的差異性較大。

根據植被指數頻率直方圖（圖2），區域A的指數覆蓋區域大，NDVI指數間于[0.30，0.80]，GNDVI指數間于[0.40，0.70]，SAVI指數間于[0.30，0.90];區域B的指數覆蓋區域位于高值區，如NDVI指數集中位于[0.45，0.70]，SAVI指數集中位于[0.50，1.00];區域C的指數覆蓋區域集中在低值區，如NDVI指數集中位于[0.25，0.65]，SAVI指數集中位于[0.25，0.80]。

植被指數頻率直方圖直觀地反映了冬小麥的長勢情況，多光譜影像需結合其他因素的影響，由于區域A種植時間比區域B稍晚幾天，區域A的植被指數和指數頻率覆蓋區都落后于區域B。所以，冬小麥長勢的多光譜影像監測，需綜合冬小麥種植日期，種植模式等具體情況，結合作物直方圖分布來進一步判斷。

2.2 “3414試驗”定性分析

為了進一步分析小麥長勢與土壤養分之間的關系，單獨對區域A進行分析，A區布設的是“3414試驗”，“3414”肥料田間試驗設計中，“3”是指氮、磷、鉀3個研究因素，“4”是指氮、磷、鉀肥料用量的4個水平，從64個組合中選取了14個處理方式試驗。小麥產量受諸多因素影響，其中氮肥管理是關鍵要素[3]，作物缺氮會引起葉色、葉片厚度等變化，進而引起光譜反射率變化[4]，對氮水平做出分析。將研究區歸并為L0、L1、L2、L3、L4共個水平，L0代表無施肥，L1～L4代表N水平分別從0水平到3水平，而磷、鉀都是2水平即推薦水平，如表2（氮元素水平的植被指數統計表）所示，不同施氮水平下，冬小麥長勢差異顯著。

將各水平指數均值繪制成柱狀圖。由圖3可知，L0水平由于未施氮肥，其指數低于其他水平，隨著氮肥養分的提升，L1、L2至L3呈階梯型上升，L4是過量施肥，3種指數并沒有進一步上升，反而下降，L3是推薦水平，其均值最高，說明多光譜影像對冬小麥氮肥監測的實用性。

3 結論

（1）該研究展示了高分辨率無人機和攝影測量技術為精準施肥提供差異化信息源的潛力，利用無人機搭載的多光譜傳感器繪制了研究區的植被指數圖，對于每個數據集，使用自動攝影測量程序，產生R，G，NIR和REG共4個波段反射率正射影像，計算3種植被指數NDVI、GNDVI和SAVI，通過氮水平分析，在其他外部條件一致的情況下，土壤氮水平的變化對于冬小麥越冬期長勢較明顯，通過繪制頻率直方圖，?更好地判斷各水平冬小麥長勢情況。

（2）根據試驗情況，多光譜影像監測要考慮其他因素的影響，如冬小麥種植模式不一致的情況下，其指數表現明顯不同;另外，冬小麥種植的時間差別也會帶來指數圖表現的差異，需要對冬小麥生育期整個過程進行監測，擬合冬小麥完整生育期內的指數變化情況，以便進行施肥決策的對比。

參考文獻

[1]李冰，劉镕源，劉素紅，等.基于低空無人機遙感的冬小麥覆蓋度變化監測[J].農業工程學報，2012，28（13）：160-165.

[2]劉昌華，王哲，陳志超，等.基于無人機遙感影像的冬小麥氮素監測[J].農業機械學報，2018，49（6）：207-214.

[3]欒青，馬雅麗，李偉偉，等.GIS支持下的臨汾市冬小麥動態估產模型研究[J].山西農業科學，2012，40（5）：536-539.

[4]趙安周，朱秀芳，李天祺.基于HJ小衛星影像的北京市冬小麥測產研究[J].農業現代化研究，2014，35（5）：573-577.

[5]田振坤，傅鶯鶯，劉素紅，等.基于無人機低空遙感的農作物快速分類方法[J].農業工程學報，2013，29（7）：109-116.

[6]韓文霆，郭聰聰，張立元，等.基于無人機遙感的灌區土地利用與覆被分類方法[J].農業機械學報，2016，47（11）：270-277.

[7]王備戰，馮曉，溫暖，等.基于SPOT-5影像的冬小麥拔節期生物量及氮積累量監測[J].中國農業科學，2012，45（15）：3049-3057.

[8]張玉萍，馬占鴻.不同施氮量下小麥遙感估產模型構建[J].江蘇農業學報，2015，31（6）：1325-1329.

[9]高林，楊貴軍，于海洋，等.基于無人機高光譜遙感的冬小麥葉面積指數反演[J].農業工程學報，2016，32（22）：113-120.

[10]楊貴軍，李長春，于海洋，等.農用無人機多傳感器遙感輔助小麥育種信息獲取[J].農業工程學報，2015，31（21）：184-190.