孫夢遙，胡冰冰，陳華，陳玉梅，吳才聰，徐嵐俊

(1.北京市農(nóng)業(yè)機械試驗鑒定推廣站,北京市,100079;2.昆侖北斗智能科技有限責(zé)任公司,北京市,102200;3.中國農(nóng)業(yè)大學(xué),北京市,100083)

0 引言

以農(nóng)機輔助駕駛系統(tǒng)[1]、農(nóng)機無人駕駛系統(tǒng)[2-4]等為代表的智能農(nóng)機近年來發(fā)展迅速,智能農(nóng)機可延長作業(yè)時間、提高土地利用率、降低勞動強度、提高農(nóng)業(yè)生產(chǎn)效率和輔助相關(guān)管理部門決策[5-6]。當(dāng)前,智能農(nóng)機已應(yīng)用于農(nóng)業(yè)生產(chǎn)的耕整地、播種、田間管理和收獲全環(huán)節(jié),但對基于智能農(nóng)機作業(yè)的小麥與人工駕駛作業(yè)的小麥在出苗率及長勢方面的差異研究較少。

農(nóng)作物出苗率和長勢[7]研究對于維持國計民生、保障糧食安全及糧食市場宏觀調(diào)控等方面,具有重要的理論價值與現(xiàn)實意義[8]。傳統(tǒng)的小麥出苗率和長勢監(jiān)測大多依靠現(xiàn)場調(diào)查、人工采樣和生化分析等手段進行,監(jiān)測效率低、監(jiān)測范圍有限,還需要投入大量的人力物力,且存在一定的破壞性。自20世紀(jì)70年代遙感技術(shù)在資源環(huán)境領(lǐng)域應(yīng)用的興起,衛(wèi)星遙感監(jiān)測[9-11]方法已成為農(nóng)業(yè)監(jiān)測與評估的有利手段。隨著遙感技術(shù)的發(fā)展,小麥出苗率和長勢監(jiān)測逐漸向智能化、系統(tǒng)化方向發(fā)展,空天地遙感平臺被廣泛應(yīng)用于小麥出苗率和長勢監(jiān)測中,但各類平臺仍存在一定的局限性[12],或受環(huán)境影響較大,或不能即時的反映小麥的生長情況,無法對小麥出苗率和長勢進行全面、綜合的評價。為此,引進了無人機影像技術(shù)、遙感技術(shù)和傳感器技術(shù)[13-14],無人機遙感手段既能滿足高分辨率要求,且可在花費較少野外工作量的情況下,獲取較大范圍的即時、無損、可靠的農(nóng)作物生長信息[15],利用無人機獲取小麥出苗期和返青期的真彩色和多光譜數(shù)據(jù),計算相應(yīng)指數(shù),基于小麥出苗率的指數(shù)模型、長勢模型,計算小麥出苗率和長勢,準(zhǔn)確掌握小麥出苗率、長勢,為后期預(yù)測小麥產(chǎn)量提供科學(xué)依據(jù)。

本文以小麥為研究對象,利用無人機獲取農(nóng)機無人駕駛系統(tǒng)作業(yè)、農(nóng)機輔助駕駛系統(tǒng)作業(yè)、人工駕駛作業(yè)3個區(qū)域的真彩色影像和多光譜影像,分別計算不同作業(yè)模式下小麥的出苗率和長勢指數(shù)。以期為智能農(nóng)機在小麥播種作業(yè)中的優(yōu)勢與價值提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)(圖1)位于北京市密云區(qū)北單家莊,地理坐標(biāo)為40°20′35″～40°21′00″N,116°51′15″～116°51′40″E,屬于暖溫帶季風(fēng)型大陸性半濕潤半干旱氣候,四季分明,干濕冷暖變化明顯,年平均氣溫為10.8 ℃。

圖1 研究區(qū)不同作業(yè)模式邊界劃定示意圖Fig.1 Schematic diagram of the demarcation of boundaries between different operating modes in the study area

種植方式以小麥與玉米輪作為主,冬小麥通常在9月份種植,次年6月份收獲。該研究區(qū)麥田總面積20.47 hm2,中央?yún)^(qū)域9.2 hm2范圍為重點實驗區(qū),包括無人駕駛系統(tǒng)作業(yè)面積2.93 hm2、輔助駕駛系統(tǒng)作業(yè)面積2.4 hm2、人工駕駛作業(yè)面積3.87 hm2。

1.2 數(shù)據(jù)獲取與預(yù)處理

1.2.1 無人機影像獲取與預(yù)處理

2021年11月20日(出苗期)和2022年4月25日(返青期),分別進行了小麥出苗率和小麥長勢數(shù)據(jù)采集。無人機平臺采用大疆經(jīng)緯系列M300無人機,搭載禪思P1可見光鏡頭,包括藍綠紅3個波段,主要采集冬小麥真彩色影像;大疆精靈4多光譜版無人機,包括藍綠紅、紅邊、近紅外5個波段,主要采集冬小麥多光譜影像。無人機及傳感器主要參數(shù)如表1～表3所示。無人機參數(shù)設(shè)置應(yīng)綜合考慮研究目的、測區(qū)情況及無人機自身性能。航向重疊度與旁向重疊度越高,影像拼接效果越好,但高度重疊會造成影像數(shù)據(jù)量大、拼接費時、電腦硬件要求高等問題。

表1 M300無人機主要參數(shù)表Tab.1 M300 UAV main parameters table

表2 精靈4多光譜版無人機主要參數(shù)表Tab.2 Genie 4 multispectral version of the drone main parameters table

表3 禪思P1相機主要參數(shù)表Tab.3 Zenmuse P1 camera main parameter table

本研究設(shè)計航向80%、旁向70%的重疊率,其中出苗期無人機飛行高度為80 m,返青期無人機飛行高度為100 m。由于飛行速度過快易造成地物影像模糊,本研究設(shè)定無人機航速為10 m/s,傳感器鏡頭垂直向下,拼接影像涵蓋整個研究區(qū)。研究區(qū)為大面積冬小麥種植區(qū),區(qū)內(nèi)典型地物相對較少,為方便后期影像幾何校正處理,于測區(qū)內(nèi)均勻布設(shè)10個航測標(biāo)志點,作為典型參考點。航拍前均在地面放置一塊校準(zhǔn)反射面板,每個架次起飛前,手動控制飛機懸停于校正板上方2.5 m處拍照,獲得當(dāng)時條件下標(biāo)準(zhǔn)反射率值。

獲取無人機影像后,采用大疆智圖軟件進行拼接,在影像處理過程中利用飛行前獲得的校準(zhǔn)反射面板數(shù)據(jù)校正所有航拍影像。

使用ENVI 5.3軟件,以研究區(qū)數(shù)碼正射影像為參考影像,全區(qū)均勻選取30個參考點(包括10個航測標(biāo)志點)對多光譜影像進行幾何校正,檢驗圖像幾何糾正誤差小于2個像元。根據(jù)地面實測數(shù)據(jù)點在影像上的位置,構(gòu)建樣本點的感興趣區(qū)域(Region of Interest,ROI),以ROI范圍內(nèi)平均反射率光譜值作為該點的冬小麥反射率光譜,以此得到各樣點反射率光譜數(shù)據(jù)。

1.2.2 小麥出苗率實測數(shù)據(jù)獲取

實地采集數(shù)據(jù)過程中,確定樣方,記錄樣方內(nèi)一壟已露出土壤的出苗小麥粒數(shù);為增強樣本數(shù)據(jù)代表性,記錄采集樣方所在耕作區(qū)域5 m長度內(nèi)所包含的壟數(shù),作為所選樣方內(nèi)小麥種植壟數(shù)?；诳臻g定位技術(shù),將實地采集的麥苗數(shù)據(jù)進行空間化。本次實測數(shù)據(jù)采集共設(shè)計樣方45個,規(guī)格統(tǒng)一為1 m×1 m。其中,人工駕駛區(qū)分布樣方18個,輔助駕駛區(qū)分布樣方13個,無人駕駛區(qū)分布樣方14個?？臻g化過程中為每一個樣方分配唯一編號,樣方分布與ID號如圖2所示。

圖2 小麥田實測樣方與樣方ID號示意圖Fig.2 Schematic diagram of the measured sample square and the sample square ID number of the wheat field

1.2.3 小麥長勢實測數(shù)據(jù)獲取

通過沿著農(nóng)田邊界隨機進行數(shù)據(jù)采樣,共采集樣本點61個,如圖3所示。

圖3 踏田巡查路線與拍照點分布示意圖Fig.3 Schematic diagram of the distribution of the patrol route and the photo points in the field

1.3 出苗率計算

1.3.1 麥苗識別與提取

麥苗識別與提取工作以人工判讀基礎(chǔ),在航拍監(jiān)測區(qū)域范圍內(nèi)拾取麥苗特征點;基于確定的特征點,利用超綠值(ExG)[16-17]和最大類間差法相結(jié)合的方法將麥苗從農(nóng)田背景中提取出來(圖4)。超綠色提取綠色植物圖像效果較好,陰影、枯 草和土壤圖像等均能較明顯的被抑制,植物圖像更為突出,對于作物識別或雜草的識別最常用的灰度化方法為超綠色法：ExG=2G-R-B為將植物和背景分割需先確定一個閾值,然后將每個像素點的灰度值和閾值相比較,根據(jù)比較的 結(jié)果將該像素劃分為植物或者背景。最大類間方差法(Ostu 法)利用目標(biāo)區(qū)域與背景區(qū)域之間的方差最大的思想,達到分割圖像的目的。選取最佳閾值時,目標(biāo)與背景之間的方差值最大,小于閾值的區(qū)域為背景區(qū)域,大于閾值的區(qū)域為目標(biāo)區(qū)域,即可將需要的區(qū)域區(qū)分開來。

圖4 麥苗識別與提取Fig.4 Seedling identification and extraction

1.3.2 植被指數(shù)計算

在用于精準(zhǔn)農(nóng)業(yè)的各種植被指數(shù)中,歸一化植被指數(shù)(NDVI)[18-19]是應(yīng)用最為廣泛的一種。NDVI通過測量近紅外(植被強烈反射)和紅光(植被吸收)之間的差異來量化植被,有助于了解植物如何生長和發(fā)育。

(1)

式中：BandNIR——地物在近紅外波段的反射率;

BandR——地物在紅光波段的反射率。

負值主要是因水體信息產(chǎn)生,接近零的值則主要由于巖石和裸土而產(chǎn)生,正值表示有植被覆蓋,且隨覆蓋度增大而增大。

監(jiān)測區(qū)小麥田NDVI示意圖如圖5所示。

圖5 監(jiān)測區(qū)小麥田NDVI示意圖Fig.5 Schematic diagram of wheat field NDVI in monitoring area

1.3.3 實測出苗率計算

目前已收集到的數(shù)據(jù)內(nèi)容包括：3個種植區(qū)域的播種時間都是10月20日,小麥播種密度450 kg/hm2,施肥無差別。小麥品種統(tǒng)一是農(nóng)大5181,千粒重0.043 kg,正常出苗率91%;上述內(nèi)容結(jié)合實測數(shù)據(jù),計算每個樣方的粒數(shù)和出苗率。對于每個樣方的播種粒數(shù),整個區(qū)域播種均勻,每個樣方內(nèi)所播種的麥粒數(shù)均相同,結(jié)果如表4所示。

表4 樣方小麥出苗率統(tǒng)計表Tab.4 Statistical table of seedling emergence rate of square wheat

1.3.4 區(qū)域出苗率計算

基于實測計算的出苗率與區(qū)域NDVI建立對應(yīng)關(guān)系,利用逐步多元線性回歸(SMLR)建立麥苗估測模型,并利用空間分析技術(shù),求取區(qū)域出苗率(圖6)。

圖6 無人機小麥密集度空間分布示意圖Fig.6 Spatial distribution of wheat density in UAVs

1.4 長勢指數(shù)計算

1.4.1 基礎(chǔ)指數(shù)計算

本次基于P4M無人機獲取的多光譜數(shù)據(jù),計算麥田區(qū)域的歸一化植被指數(shù)(NDVI)、歸一化差異紅色邊緣指數(shù)(NDRE)、優(yōu)化型土壤調(diào)節(jié)植被指數(shù)(OSAVI)、葉面葉綠素指數(shù)(LCI)和歸一化差值植被指數(shù)(GNDVI),五種指數(shù)綜合構(gòu)建冬小麥長勢指數(shù),基于長勢指數(shù)空間分異性統(tǒng)計不同區(qū)域長勢狀況。

1) 歸一化差異紅色邊緣指數(shù)(NDRE)。本次實地調(diào)查過程中發(fā)現(xiàn),不同區(qū)域小麥長勢有明顯差異,東側(cè)長勢較為旺盛。而NDVI指數(shù)在植被長勢旺盛的區(qū)域靈敏度較低,會出現(xiàn)飽和現(xiàn)象。因此,本次研究加入NDRE指數(shù)。該指數(shù)使用紅邊波段代替紅光波段,能夠在高植被區(qū)域更靈敏的反映植被的葉綠素含量,公式如式(2)所示。

(2)

式中：BandNIR——近紅外波段反射率;

BandRE——紅邊波段反射率。

2) 優(yōu)化型土壤調(diào)節(jié)植被指數(shù)(OSAVI)。NDVI指數(shù)僅考慮了植被因素,而OSAVI則將土壤因素納入考量。在植被生長初期、密度不高的時候,可以更好地排除土壤影響、反映植被的葉綠素含量。因此對于本次研究,小麥返青期相對較為稀疏時,OSAVI能夠更為全面得對小麥長勢進行診斷。公式如式(3)所示。

(3)

式中：BandR——紅光波段反射率。

3) 葉面葉綠素指數(shù)(LCI)。LCI在判斷綠色植被的葉綠素和含氮量方面具有較好的效果,在植被長勢監(jiān)測中應(yīng)用也較為廣泛。公式如式(4)所示。

(4)

4) 歸一化差值植被指數(shù)(GNDVI)。GDNVI相對于NDVI有較高的穩(wěn)定性,也經(jīng)常用于植被覆蓋監(jiān)測、植被和作物健康度調(diào)查中。本次監(jiān)測也將該指數(shù)納入模型中。公式如式(5)所示。

(5)

式中：BandG——綠光反射率。

1.4.2 小麥長勢指數(shù)計算

本文針對小麥長勢監(jiān)測,將上述5個植被指數(shù)進行綜合,形成一個新的指標(biāo),即長勢指數(shù)。具體方法是首先對單獨指標(biāo)進行歸一化,根據(jù)本研究所選用的植被指數(shù)值域特征,歸一化計算采用如式(6)所示。

(6)

式中：Xi——第i個指數(shù)的像元值;

Xmax——第i個指標(biāo)在該生長監(jiān)測期的最大值。

對歸一化后的每個指標(biāo)再分別賦予相同的權(quán)重因子,即0.2,綜合計算得到長勢指數(shù)。

2 結(jié)果與分析

2.1 小麥出苗率

基于實測數(shù)據(jù)、無人機數(shù)據(jù),結(jié)合農(nóng)作物模型,分別對人工種植區(qū)、輔助駕駛區(qū)和無人駕駛區(qū)進行小麥出苗率估算,結(jié)果如表5所示。可以看出,位于東側(cè)的無人駕駛區(qū)出苗率最高,達到79.56%;輔助駕駛區(qū)出苗率次之,為78.91%;西側(cè)的人工駕駛區(qū)出苗率最低,為60.43%。樊高瓊等[20]研究發(fā)現(xiàn),小麥出苗率受播種深度的影響,所以在相同環(huán)境條件下,采用不同駕駛模式種植的小麥,無人駕駛和輔助駕駛在播種過程中,運動波動(結(jié)合橫向及縱向波動)影響較小,對于種子的落床深度差異影響較小,所以出苗率較高,而人工駕駛受人為因素影響較大,使得人工駕駛模式下小麥出苗率顯著降低。

表5 不同作業(yè)模式下的小麥出苗率Tab.5 Wheat emergence rates under different operating modes

2.2 小麥長勢指數(shù)

小麥長勢指數(shù)是評價小麥長勢、預(yù)測小麥產(chǎn)量的重要指標(biāo)[5]。從小麥長勢指數(shù)(圖7、表6)分析得知,無人駕駛區(qū)域冬小麥長勢最好為0.853,其次為輔助駕駛區(qū)為0.806,再次為人工種植區(qū)為0.757。

表6 不同耕作區(qū)長勢指數(shù)統(tǒng)計表Tab.6 Statistical table of growth potential index of different farming areas

圖7 監(jiān)測區(qū)冬小麥長勢指數(shù)空間分布圖Fig.7 Spatial distribution of winter wheat growth index in monitoring area

3 結(jié)論

基于無人機遙感數(shù)據(jù)和田間實測數(shù)據(jù),結(jié)合農(nóng)作物模型,實現(xiàn)了對研究區(qū)人工駕駛、輔助駕駛和無人駕駛等不同作業(yè)模式下小麥出苗率和長勢指數(shù)的分析。

1) 整體來看,無人駕駛區(qū)和輔助駕駛區(qū)出苗率高于人工駕駛區(qū),無人駕駛區(qū)出苗率相對輔助駕駛區(qū)高出少許,其中,基于無人駕駛系統(tǒng)作業(yè)的小麥出苗率最高,為79.56%;基于輔助駕駛系統(tǒng)作業(yè)的小麥出苗率次之,為78.91%;基于人工駕駛作業(yè)的小麥出苗率最低,為60.43%。

2) 基于無人駕駛系統(tǒng)作業(yè)的小麥長勢指數(shù)最好,為0.853;基于輔助駕駛系統(tǒng)作業(yè)的小麥長勢次之,為0.806;基于人工駕駛作業(yè)的小麥長勢最差,為0.757。

3) 從數(shù)據(jù)獲取途徑和表達范圍來看,無人機遙感數(shù)據(jù)更能全面、客觀地反映出整體區(qū)域的狀況。