彭要奇，肖穎欣，鄭永軍，嚴(yán)海軍，董玉紅，李鑫星

1. 中國(guó)農(nóng)業(yè)大學(xué)工學(xué)院食品質(zhì)量與安全北京實(shí)驗(yàn)室，北京 100083 2. 中國(guó)農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100083 3. 中國(guó)農(nóng)業(yè)大學(xué)工學(xué)院，北京 100083 4. 中國(guó)農(nóng)業(yè)大學(xué)水利與土木工程學(xué)院，北京 100083 5. 中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083

引 言

小麥、玉米和水稻種植廣闊，是餐桌上提供人們?nèi)粘Ｉ畹闹饕Z食作物[1-3]。作物在大田生長(zhǎng)過(guò)程中，田間環(huán)境因素直接作用于作物本身致使作物植株體產(chǎn)生變化。可以通過(guò)監(jiān)測(cè)葉面積指數(shù)、植被覆蓋度等參數(shù)來(lái)表現(xiàn)作物的表面結(jié)構(gòu)，評(píng)估作物的產(chǎn)量； 監(jiān)測(cè)作物葉片的氮、水分、葉綠素等含量可用于反映作物的健康狀況； 作物的長(zhǎng)勢(shì)主要根據(jù)生化參數(shù)進(jìn)行判斷[4]。為了保證作物的產(chǎn)量和品質(zhì)，對(duì)反映田間作物生長(zhǎng)狀況的主要生理指標(biāo)進(jìn)行監(jiān)測(cè)必不可少。

關(guān)于作物生理指標(biāo)的監(jiān)測(cè)方法，傳統(tǒng)方式通常是借助化學(xué)手段或依據(jù)經(jīng)驗(yàn)觀察進(jìn)行分析，手續(xù)繁瑣、破壞植株、不適宜推廣。而不同作物植被的生物物理參數(shù)(如植被覆蓋度、含水量等)及生物化學(xué)參數(shù)(如氮素、葉綠素等)不同，受到病蟲害和旱澇災(zāi)害的程度不同，在作物植被表層會(huì)呈現(xiàn)出顏色、病斑和紋理等明顯的變化，產(chǎn)生獨(dú)特的光譜反射特性，為利用光譜成像技術(shù)進(jìn)行作物植被監(jiān)測(cè)提供了實(shí)踐依據(jù)[5]。使用光譜成像技術(shù)對(duì)作物生理指標(biāo)的監(jiān)測(cè)，省時(shí)高效，節(jié)省人力。伴隨著無(wú)人機(jī)技術(shù)的不斷發(fā)展和轉(zhuǎn)型，其在農(nóng)業(yè)領(lǐng)域的具有一系列的應(yīng)用如對(duì)作物進(jìn)行生長(zhǎng)監(jiān)測(cè)[6]、病蟲害監(jiān)測(cè)[7]、產(chǎn)量預(yù)測(cè)[8]和精細(xì)分類[9]等。相比傳統(tǒng)的衛(wèi)星遙感，使用無(wú)人機(jī)低空遙感更能適應(yīng)小面積田塊的監(jiān)測(cè)，消除采集光譜圖像時(shí)的云層干擾，能夠獲取更準(zhǔn)確的數(shù)據(jù)[10]。鑒于無(wú)人機(jī)和光譜成像這兩種新興技術(shù)的結(jié)合具有極大的優(yōu)勢(shì)和應(yīng)用前景，本文對(duì)無(wú)人機(jī)光譜成像技術(shù)在大田中的應(yīng)用研究進(jìn)展進(jìn)行了闡述。首先概述了無(wú)人機(jī)光譜成像技術(shù)，介紹了無(wú)人機(jī)在大田作物長(zhǎng)勢(shì)監(jiān)測(cè)領(lǐng)域的優(yōu)勢(shì)； 其次分析了常見(jiàn)光譜圖像的特點(diǎn)和應(yīng)用場(chǎng)景； 然后總結(jié)了無(wú)人機(jī)光譜成像技術(shù)在大田中的主要應(yīng)用途徑； 最后探討了無(wú)人機(jī)光譜圖像技術(shù)在大田的應(yīng)用中尚且存在的一些技術(shù)空白及難點(diǎn)，以期為今后更好地推廣該技術(shù)提供參考。

1 無(wú)人機(jī)光譜成像技術(shù)概述

1.1 原理

無(wú)人機(jī)光譜成像技術(shù)主要結(jié)合了無(wú)人飛行器、傳感器、通信、GPS定位、圖像實(shí)時(shí)傳輸?shù)惹把丶夹g(shù)，遙感系統(tǒng)主要由飛行平臺(tái)系統(tǒng)、傳感系統(tǒng)、空基交互控制系統(tǒng)、數(shù)據(jù)處理系統(tǒng)、數(shù)據(jù)實(shí)時(shí)傳輸系統(tǒng)和地面后勤人員組成，如圖1[11]。

圖1 無(wú)人機(jī)光譜成像技術(shù)工作原理Fig.1 Working principle of unmanned aerial vehicle(UAV) spectral imaging technology

在大田進(jìn)行監(jiān)測(cè)作業(yè)時(shí)，由地面工作人員，通過(guò)控制系統(tǒng)對(duì)無(wú)人機(jī)飛行軌跡進(jìn)行控制，根據(jù)田間作物的監(jiān)測(cè)需求，可定制化在無(wú)人機(jī)上搭載用途各異的光譜成像儀對(duì)田間作物進(jìn)行光譜圖像采集，并利用配套軟件提取圖像的光譜特征進(jìn)行分析，計(jì)算得出田間作物的生長(zhǎng)指標(biāo)，從而指導(dǎo)生產(chǎn)。

1.2 可采集光譜圖像的特點(diǎn)

光譜成像技術(shù)是將成像與光譜測(cè)量相結(jié)合，獲取地物的位置信息及隨波長(zhǎng)分布的光譜輻射信息的技術(shù)。常見(jiàn)的光譜圖像可分為全色、多光譜、高光譜以及熱紅外圖像。由于各類圖像感知的波段范圍、光譜分辨率、空間分辨率等有所不同，在大田中的應(yīng)用也不盡相同。

姜仁榮等借助高分辨率的全色圖像，融合水分分析和區(qū)域生長(zhǎng)方法，用于監(jiān)測(cè)荔枝單木和樹冠，提取了荔枝林樹冠信息[12]。Bauriegel等利用健康和鐮刀菌感染的小麥植物的高光譜圖像，采用主成分分析法確定了最適合區(qū)分感染鐮刀菌蜘蛛的波長(zhǎng)范圍并在半實(shí)際條件下提出了分類方法[13]。Bellvert等利用葡萄園的熱紅外圖像，分析了水分脅迫指數(shù)與葉水勢(shì)參數(shù)的關(guān)系，結(jié)果顯示二者呈正相關(guān)關(guān)系[14]。

雖然各類圖像分辨率有差異，但并不意味著高分辨率圖像就一定優(yōu)于低分辨率圖像，它們各有不同的適用場(chǎng)合。根據(jù)研究對(duì)象選擇合適的光譜圖像至關(guān)重要，全色圖像常用于與多波段圖像融合，能夠在保留光譜信息完整的情況下，實(shí)現(xiàn)獲取較高空間分辨率的復(fù)雜影像； 多光譜圖像數(shù)據(jù)處理較方便，但工作波段較少，高光譜圖像的波段更加完整且連續(xù)但數(shù)據(jù)量較大； 熱紅外圖像的獲取不受晝夜影響，可以識(shí)別地物狀態(tài)信息，不受遮擋影響，但獲取的圖像空間分辨率低、光譜分辨率偏小以及圖像信息細(xì)節(jié)不清晰的缺點(diǎn)。

1.3 優(yōu)勢(shì)

早期衛(wèi)星遙感由于地球不用位置的曲率、地形、大氣存在差異化，精度往往較低，圖像處理較為復(fù)雜，且空間和時(shí)間分辨率難以兼顧。而以小型無(wú)人機(jī)搭載成像儀所形成的遙感系統(tǒng)，能很好地彌補(bǔ)傳統(tǒng)遙感的缺陷。有研究比較了無(wú)人機(jī)、飛機(jī)、衛(wèi)星三種遙感平臺(tái)對(duì)葡萄園進(jìn)行遙感監(jiān)測(cè)的精度，結(jié)果表明，衛(wèi)星低分辨率的影像不能顯示葡萄園的內(nèi)部差異，而無(wú)人機(jī)平臺(tái)更有利于小區(qū)域的植被檢測(cè)[15]。

以無(wú)人機(jī)為平臺(tái)的遙感技術(shù)具有很多優(yōu)勢(shì)并且得到了大量的應(yīng)用。無(wú)人機(jī)遙感空間分辨率高，信息容量大。利用無(wú)人機(jī)遙感，可以獲得較高精度的位置信息、高程信息，成像清晰，可應(yīng)用于大比例尺度區(qū)域資源監(jiān)測(cè)及地物識(shí)別等領(lǐng)域[16]。更重要的是無(wú)人機(jī)可以實(shí)現(xiàn)低空、連續(xù)、經(jīng)濟(jì)成本小和低風(fēng)險(xiǎn)的數(shù)據(jù)采集。無(wú)人機(jī)可以實(shí)現(xiàn)云下低空飛行，監(jiān)測(cè)區(qū)域更加靈活。實(shí)現(xiàn)連續(xù)、周期性的監(jiān)測(cè)，并傳輸實(shí)時(shí)數(shù)據(jù)，降低作業(yè)成本。

2 無(wú)人機(jī)光譜成像技術(shù)在大田中的應(yīng)用研究

2.1 作物長(zhǎng)勢(shì)及營(yíng)養(yǎng)指標(biāo)監(jiān)測(cè)

在作物植株體生長(zhǎng)發(fā)育必需的營(yíng)養(yǎng)元素中，氮素含量的多少對(duì)作物的生長(zhǎng)影響尤為明顯，且與光譜特征的相關(guān)性較強(qiáng)。Schirrmann等應(yīng)用無(wú)人機(jī)RGB圖像研究了小麥冠層的生物物理指標(biāo)，包括植物高度、葉面積指數(shù)和氮素含量等，并利用主成分分析法建立各指標(biāo)含量與光譜指數(shù)間的回歸模型，表明了應(yīng)用RGB圖像監(jiān)測(cè)氮元素含量較其他指標(biāo)更為合理[17]。Zaman-Allah等利用無(wú)人機(jī)平臺(tái)采集玉米多光譜圖像，計(jì)算出低氮脅迫條件下的歸一化植被指數(shù)(NDVI)，并評(píng)估了低氮脅迫下的作物營(yíng)養(yǎng)狀況[18]。

作物的葉綠素含量和葉面積指數(shù)(leaf area index, LAI)與作物生長(zhǎng)過(guò)程中植株體包含的部分營(yíng)養(yǎng)元素的含量及生物量具有一定的相關(guān)性，二者均可作為評(píng)價(jià)作物長(zhǎng)勢(shì)的依據(jù)。Bendig等結(jié)合大麥的無(wú)人機(jī)高光譜圖像及RGB圖像，選定植被指數(shù)(vegetation index specialization, VIS)和植物高度信息估算植株生物量，結(jié)果顯示歸一化比率指數(shù)與干物質(zhì)質(zhì)量具有強(qiáng)相關(guān)性，并建立了植物高度模型對(duì)生物量進(jìn)行估計(jì)[19]。Willkomm等利用無(wú)人機(jī)高光譜遙感影像對(duì)水稻不同的物候期進(jìn)行檢測(cè)，與田間測(cè)定的LAI等參數(shù)進(jìn)行相關(guān)性分析，并構(gòu)建了作物生長(zhǎng)模型，結(jié)果顯示該模型中的株高與LAI的相關(guān)性達(dá)到了R2=0.8[20]。

2.2 田間災(zāi)害監(jiān)測(cè)

大田中的災(zāi)害主要有病蟲害和旱澇災(zāi)害。各類災(zāi)害都會(huì)使作物的光譜特征發(fā)生變化，利用無(wú)人機(jī)光譜成像技術(shù)對(duì)大田生長(zhǎng)信息進(jìn)行檢測(cè)，可以較為準(zhǔn)確地確定病害類別、位置及程度，有效地減少損失，為精準(zhǔn)農(nóng)藥噴灑提供了依據(jù)。Rocio等獲取橄欖樹種植區(qū)的高分辨率的熱紅外圖像及高光譜圖像，采用線性判別分析和支持向量機(jī)分類方法對(duì)大麗花病害進(jìn)行了監(jiān)測(cè)預(yù)警，結(jié)果顯示在初始階段，LDA對(duì)該病害的監(jiān)測(cè)精度較高[21]。Rumpf等獲取甜菜的高光譜數(shù)據(jù)，基于支持向量機(jī)并結(jié)合植被指數(shù)的方法，提出了甜菜病害早期的鑒別方法，能夠區(qū)分出真菌病、葉銹病和白粉病，對(duì)健康甜菜葉及病葉的分類精度達(dá)到97%[22]。

長(zhǎng)期以來(lái)，已知作物冠層溫度和氣孔導(dǎo)度是分析作物水分脅迫的主要指標(biāo)，而地表溫度及植被指數(shù)往往用于指示農(nóng)作物旱澇情況[23]。Santesteban等利用無(wú)人機(jī)搭載熱成像儀獲取葡萄的高分辨率熱圖像，將得到的水分脅迫指數(shù)(CWSI)與氣孔導(dǎo)度(Gs)及莖水勢(shì)(Ψs)進(jìn)行比較，使用空間建模的方法，表明了CWSI與二者強(qiáng)相關(guān)，為定量監(jiān)測(cè)葡萄水分脅迫狀況的研究提供了依據(jù)[24]。楊文攀等利用無(wú)人機(jī)搭載熱紅外成像儀和數(shù)碼相機(jī)獲取拔節(jié)期玉米的冠層溫度，并與測(cè)溫儀測(cè)量結(jié)果比較，結(jié)果表明二者具有高度一致性[25]。

2.3 作物產(chǎn)量預(yù)測(cè)

對(duì)糧食產(chǎn)量進(jìn)行估測(cè)，及時(shí)準(zhǔn)確地掌握各地糧食生產(chǎn)狀況，對(duì)于國(guó)家糧食生產(chǎn)宏觀調(diào)控有著重要的意義。傳統(tǒng)的估產(chǎn)方式一般采用人工區(qū)域調(diào)查法，工作量大且成本較高，對(duì)于部分農(nóng)作物的估產(chǎn)精度較低。利用無(wú)人機(jī)光譜成像技術(shù)進(jìn)行作物估產(chǎn)，突破了傳統(tǒng)方法的局限。龔龑等以油菜冠層為研究對(duì)象，分析了不同地面端元的組成對(duì)影像光譜反射率的影響，提出了基于混合像元分析法的估產(chǎn)模型，發(fā)現(xiàn)了油菜開(kāi)花期及莢果期影像豐度數(shù)據(jù)和油菜產(chǎn)量具有一定的相關(guān)性[26]。Zhao等利用大豆的無(wú)人機(jī)高光譜數(shù)據(jù)構(gòu)建了偏最小二乘回歸模型用于預(yù)測(cè)產(chǎn)量，精度高達(dá)0.811 7，驗(yàn)證了該技術(shù)在大豆估產(chǎn)上的可行性[27]。

2.4 精細(xì)分類

對(duì)農(nóng)作物進(jìn)行精細(xì)分類是精準(zhǔn)農(nóng)業(yè)中的重要部分，也是對(duì)農(nóng)作物的種植面積量算、種類統(tǒng)計(jì)的基礎(chǔ)[28]。除此之外，對(duì)于農(nóng)民和自動(dòng)化的農(nóng)業(yè)機(jī)械來(lái)說(shuō)，田間雜草的種類和分布信息十分重要，而無(wú)人機(jī)遙感提供了基于單株作物對(duì)農(nóng)場(chǎng)進(jìn)行監(jiān)控的可能，減少了除草劑的使用[29]。田振坤等利用無(wú)人機(jī)獲取了冬小麥的高分辨率數(shù)碼影像，基于冬小麥光譜特征及NDVI的變化，提出了一種農(nóng)作物分類模型，結(jié)果表明自動(dòng)分類及最大似然分類法精度較高，適用性較強(qiáng)[30]。Torres-Sánchez等利用無(wú)人機(jī)獲取超高分辨率的可見(jiàn)光光譜影像，對(duì)麥田進(jìn)行精確拼接繪圖，準(zhǔn)確的區(qū)分了作物和雜草，為在大田中的植被區(qū)分提供依據(jù)[31]。

3 光譜圖像建模方法研究

根據(jù)植被的光譜特征，目前基于光譜圖像數(shù)據(jù)建模的研究方向主要有三類： 植物的“紅邊”效應(yīng)、植被指數(shù)及作物生長(zhǎng)模型的構(gòu)建。

由于植物體內(nèi)葉綠素的影響，植被的光譜曲線在紅光區(qū)過(guò)渡至近紅外區(qū)斜率十分陡峭，即為“紅邊”?！凹t邊”的位置、斜率等特征可以體現(xiàn)出植被的顏色、覆蓋度和健康程度[32]。當(dāng)苗期大田作物葉片中葉綠素含量處于較高值時(shí)，反映出的“紅邊”光譜特征會(huì)向波長(zhǎng)更大的方向偏移，反之會(huì)向波長(zhǎng)更小的方向移動(dòng)。當(dāng)植被覆蓋率增大時(shí)，“紅邊”會(huì)明顯變陡峭，即對(duì)應(yīng)的一階微分值變大。為了更好地反映“紅邊”特征，研究者定義了多種紅邊參數(shù)。如對(duì)紅邊進(jìn)行一階微分、二階微分、三點(diǎn)構(gòu)成紅邊面積等[33]。而植被指數(shù)是根據(jù)植物的光譜特性，將其特征波段的值進(jìn)行組合形成的指數(shù)，可以消除部分背景或大氣誤差，更能反映出植被的生長(zhǎng)狀況[34]。由于各波段對(duì)作物各種指標(biāo)的反映不同，研究者已提出四十多種植被指數(shù)，其中，歸一化差異植被指數(shù)(NDVI)是目前使用最為廣泛的植被指數(shù)之一。表1綜合分析了光譜圖像的建模方法和達(dá)到的模型精度情況。

表1 常見(jiàn)光譜圖像建模方法Table 1 Common modeling methods for spectral images

注： RSI為兩波段光譜反射率的比值； REDVI為紅邊差異植被指數(shù)； AE表示該波段灰度均值； PLS-ANN為人工神經(jīng)網(wǎng)絡(luò)結(jié)合偏最小二乘法； MBE為相對(duì)平均誤差； SAVI為土壤調(diào)節(jié)植被指數(shù)； NDRE為歸一化差值紅邊指數(shù)； SVM為支持向量機(jī)； NDVI為歸一化植被指數(shù)； OSAVI為優(yōu)化土壤調(diào)節(jié)植被指數(shù)； ANN為人工神經(jīng)網(wǎng)絡(luò)

Note： RSI is the ratio of spectral reflectance of two bands; REDVI is the red-edge difference vegetation index; AE is the gray-level mean; PLS-ANN is the combination bias of artificial neural network; MBE: relative average error; SAVI is the soil regulation vegetation index; NDRE is the normalized difference red edge index; SVM is the support vector machine; NDVI is the normalized vegetation index; OSAVI is the optimized soil regulation vegetation index; ANN is the artificial neural network

作物生長(zhǎng)模型同樣是進(jìn)行農(nóng)作物監(jiān)測(cè)的有效手段，相比于植被指數(shù)及紅邊參數(shù)，適用范圍更廣且精度更高，但難度較大。構(gòu)建作物生長(zhǎng)模型與遙感觀測(cè)的同化系統(tǒng)是目前大田作物監(jiān)測(cè)領(lǐng)域的熱點(diǎn)[40]。目前生長(zhǎng)模型大致分為兩類： 經(jīng)驗(yàn)統(tǒng)計(jì)模型及基于過(guò)程的作物生長(zhǎng)模擬模型。經(jīng)驗(yàn)統(tǒng)計(jì)模型使用回歸分析等方法將區(qū)域作物產(chǎn)量與氣候變量聯(lián)系起來(lái)。這類模型無(wú)法估計(jì)水消耗，并且大多數(shù)只是局部校準(zhǔn)的，擴(kuò)大到更大的區(qū)域幾乎不可能。第二類模型是基于環(huán)境變量與植物生理過(guò)程(例如光合作用和呼吸作用)之間的相互作用來(lái)模擬作物的生理發(fā)育，生長(zhǎng)和產(chǎn)量，可用于空間和時(shí)間上的預(yù)測(cè)。

4 總結(jié)及展望

無(wú)人機(jī)光譜成像技術(shù)結(jié)合無(wú)人機(jī)技術(shù)、光譜成像技術(shù)的優(yōu)勢(shì)，為精準(zhǔn)農(nóng)業(yè)的發(fā)展提供了有力的技術(shù)支持，在大田中為作物長(zhǎng)勢(shì)及病害分析、作物產(chǎn)量預(yù)測(cè)、作物精細(xì)分類等提供了高分辨率、高精度的信息，彌補(bǔ)了航天遙感的不足，極具發(fā)展?jié)摿?，但仍存在著一些技術(shù)空白及難點(diǎn)：

(1)在無(wú)人機(jī)方面，作為遙感平臺(tái)，需要具備輕便、穩(wěn)定、靈活、航時(shí)長(zhǎng)等特點(diǎn)。主要體現(xiàn)在機(jī)身材料的選擇及結(jié)構(gòu)的設(shè)計(jì)。為了大范圍應(yīng)用，無(wú)人機(jī)的外殼材料應(yīng)自重輕、耐腐蝕、韌性高、價(jià)格適中，而其結(jié)構(gòu)應(yīng)堅(jiān)固、安全。目前，復(fù)合材料的研發(fā)、大容量的電池或特殊燃料的使用、大展弦比柔性機(jī)翼的制造是提高無(wú)人機(jī)性能的關(guān)鍵。

(2)在光譜成像技術(shù)方面，數(shù)據(jù)采集、處理過(guò)程中的一些問(wèn)題尚未解決。由于大田中復(fù)雜的環(huán)境，以及眾多因素對(duì)地物反射率的影響； 在獲取作物光譜圖像時(shí)，由于葉面積、葉片分布、太陽(yáng)入射光的角度、儀器觀測(cè)的角度等的影響，可能會(huì)導(dǎo)致異物同譜、同物易譜等現(xiàn)象。

(3)在數(shù)據(jù)處理及分析的過(guò)程中，首先，對(duì)于圖像的處理，方法通常無(wú)法統(tǒng)一，必然會(huì)對(duì)反演精度造成影響。其次，雖然目前多光譜、高光譜技術(shù)已較為成熟，但隨之而來(lái)的是大量的數(shù)據(jù)，對(duì)于特征波段的選擇也較為困難。而對(duì)于不同的作物、不同的生長(zhǎng)時(shí)期、不同的生長(zhǎng)條件，適用的特征波段可能會(huì)有所不同。即使用多個(gè)波段組合的方式減小誤差、體現(xiàn)作物生長(zhǎng)特點(diǎn)，但研究者所使用的指數(shù)難以統(tǒng)一，導(dǎo)致模型缺乏可靠性和普及性，且模型的建立過(guò)程復(fù)雜，技術(shù)要求高，需要研究者具有豐富的農(nóng)業(yè)知識(shí)和建模經(jīng)驗(yàn)。