徐嵐俊，孫夢遙，張傳帥，王迪，李傳友，吳才聰

(1.北京市農(nóng)業(yè)機(jī)械試驗鑒定推廣站,北京市,100079;2.北京科技創(chuàng)新促進(jìn)中心,北京市,100142;3.中國農(nóng)業(yè)大學(xué),北京市,100083)

0 引言

無人機(jī)多光譜遙感技術(shù)具有覆蓋面積大、獲取信息效率高、監(jiān)測精度高、操作便捷等優(yōu)勢,在農(nóng)作物生長信息分析領(lǐng)域已廣泛應(yīng)用[1-2],特別在作物長勢監(jiān)測、產(chǎn)量估測、作物病蟲害監(jiān)測、作物植株水分含量等方面研究應(yīng)用較多[3-7]。陳成等[8]基于無人機(jī)遙感技術(shù)開展了玉米長勢的評價研究,通過光譜數(shù)據(jù)構(gòu)建了玉米歸一化作物指數(shù),實現(xiàn)了玉米長勢的高效便捷監(jiān)測。盧闖等[9]利用無人機(jī)多光譜影像開展了春玉米田管理分區(qū),利用吐絲期玉米無人機(jī)多光譜影像,基于多尺度分割與模糊聚類相結(jié)合方法,實現(xiàn)低成本高效的分區(qū),為農(nóng)田管理分區(qū)提供了參考方法。目前,獲取玉米出苗率的方法大致可分為人工實測、機(jī)械手點數(shù)、光電傳感和圖像識別 4 種。其中,運用無人機(jī)多光譜影像開展圖像識別技術(shù)獲得某一地塊作物數(shù)量來計算出苗率,覆蓋范圍廣,而且計算結(jié)果精確可靠,效率高。玉米幼苗期的株型結(jié)構(gòu)適合垂直俯拍,玉米苗和雜草的形狀差異明顯。因此,無人機(jī)多光譜遙感技術(shù)用于大面積玉米出苗率測算具有較好的可行性和優(yōu)勢。

大田農(nóng)機(jī)作業(yè)發(fā)展趨勢由傳統(tǒng)人工作業(yè)發(fā)展到輔助駕駛作業(yè),再到農(nóng)機(jī)無人作業(yè),但輔助駕駛作業(yè)和農(nóng)機(jī)無人作業(yè)是未來發(fā)展趨勢,具有智能化、精準(zhǔn)化、高效化、數(shù)字化等發(fā)展趨勢,對解決“無人種田”具有較大意義[10-12]。近幾年,新疆、黑龍江、上海、北京等地開展了農(nóng)機(jī)無人農(nóng)場建設(shè)和農(nóng)機(jī)無人化作業(yè)試驗示范工作,驗證了農(nóng)機(jī)無人作業(yè)的可行性和發(fā)展優(yōu)勢[13-14]。隨著農(nóng)機(jī)無人駕駛技術(shù)在各類農(nóng)業(yè)作物不同環(huán)節(jié)試驗應(yīng)用,國內(nèi)外很多學(xué)者開展了無人駕駛、輔助駕駛、人工駕駛的作業(yè)效率、作業(yè)成本、作業(yè)質(zhì)量的分析和研究[15]。無人駕駛、輔助駕駛技術(shù)逐漸成熟,在玉米等大田作物種植領(lǐng)域的優(yōu)勢逐漸凸顯。

為驗證無人駕駛、輔助駕駛和人工駕駛對玉米播種出苗率的影響,本文擬以鮮食玉米為試驗作物,采用基于無人機(jī)多光譜影像的測算模型方法,在配套相同的播種機(jī)具、種植條件和管理水平的基礎(chǔ)上,對玉米出苗情況進(jìn)行分析,為無人駕駛、輔助駕駛替代人工駕駛開展玉米播種的可行性提供依據(jù)。

1 材料和方法

1.1 試驗區(qū)概況

試驗地點位于北京市密云區(qū)河南寨鎮(zhèn)陳各莊村,面積30.47 hm2,試驗地屬于暖溫帶半濕潤氣候,年均氣溫9 ℃左右,無霜期170 d,年均降雨量608 mm,年均日照時數(shù)2 801 h。選取典型地塊作為研究區(qū)(圖1),其中無人駕駛、輔助駕駛、人工駕駛區(qū)域分別為1.67 hm2、1.80 hm2、1.93 hm2。各分區(qū)種植作物均為鮮食玉米,品種選用農(nóng)科糯336,千粒重394.7 g,播種時間為2022年6月30日,種植行距60 cm,株距32 cm,播種密度51 000～52 599粒/hm2。施肥情況為450 kg/hm2緩釋肥,其他管理無差異。無人駕駛區(qū)域采用2204無級變速無人駕駛拖拉機(jī)作為動力機(jī)械,輔助駕駛區(qū)域采用搭載自動駕駛系統(tǒng)的2204拖拉機(jī)作為動力機(jī)械,人工駕駛區(qū)域采用25年駕齡的機(jī)手駕駛2204拖拉機(jī)作業(yè),播種機(jī)具均為6行玉米播種機(jī)。無人機(jī)圖像采集時間為2022年7月28日、29日。

圖1 試驗區(qū)域劃分Fig.1 Division of test area

1.2 無人機(jī)影像數(shù)據(jù)采集與預(yù)處理

無人機(jī)平臺采用大疆經(jīng)緯系列M300無人機(jī),搭載禪思P1可見光鏡頭,包括藍(lán)綠紅3個波段,主要采集玉米真彩色影像。傳感器照片尺寸為35.9 mm×24 mm(全畫幅),傳感器視頻尺寸為34 mm×19 mm,有效像素為4 500萬,像元大小為4.4 μm。大疆精靈4多光譜版無人機(jī),包括藍(lán)綠紅、紅邊、近紅外5個波段,主要采集玉米多光譜影像,影像傳感器配置為6個1/2.9英寸CMOS,包括1個用于可見光成像的彩色傳感器和5個用于多光譜成像的單色傳感器,單個傳感器有效像素208萬。兩種無人機(jī)RTK定位精度均為1 cm+1 ppm(水平)、1.5 cm+1 ppm(垂直)。無人機(jī)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(jī)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。本文設(shè)計航向80%、旁向70%的重疊率,其中出苗期無人機(jī)飛行高度為80 m,影像的分辨率是5 cm。由于飛行速度過快易造成地物影像模糊,本文設(shè)定無人機(jī)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)為大面積玉米種植區(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)5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(jī)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(jī)影像后,采用大疆智圖軟件進(jìn)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15個參考點(包括5個航測標(biāo)志點)對多光譜影像進(jìn)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玉米反射率光譜,以此得到各樣點反射率光譜數(shù)據(jù)。無人機(jī)玉米密集度空間分布如圖2所示。

1.3 試驗方法

1.3.1 玉米苗識別與提取

利用二值化模型,對多光譜影像進(jìn)行玉米苗特征點解譯,基于確定的特征點,利用超綠值(ExG)和最大類間差法相結(jié)合的方法從農(nóng)田背景中提取玉米苗。獲取的玉米苗原始多光譜圖像如圖3所示,玉米苗識別與提取處理后的圖像如圖4所示。

圖3 玉米苗原始多光譜圖像Fig.3 Original multispectral images of maize seedlings

圖4 玉米苗識別與提取Fig.4 Identification and extraction of maize seedlings

圖5 重點分析區(qū)NDVI示意圖Fig.5 NDVI schematic diagram of key analysis area

基于無人機(jī)多光譜影像,利用二值化模式進(jìn)行玉米苗特征點解譯,通過機(jī)器學(xué)習(xí)訓(xùn)練該特征點,可增加特征點識別的準(zhǔn)確性。

1.3.2 植被指數(shù)計算

在經(jīng)常用于精準(zhǔn)農(nóng)業(yè)的各種植被指數(shù)中,歸一化植被指數(shù)(NDVI)是應(yīng)用最為廣泛的一種。NDVI對植被信息極為敏感,能夠區(qū)分植被和裸土。試驗區(qū)只有玉米苗和裸土,所以選擇NDVI進(jìn)行玉米苗覆蓋度的計算。

式中：BandNIR——地物在近紅外波段的反射率;

Bandred——地物在紅光波段的反射率。

負(fù)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。

1.3.3 實測數(shù)據(jù)處理

實地采集數(shù)據(jù)過程中,在田間5個點位,測量在垂直于壟方向30 m范圍內(nèi)的壟數(shù),并計算平均壟數(shù)。隨機(jī)選定樣壟,抽取此壟10 m范圍,記錄已露出土壤的苗數(shù)。

基于空間定位技術(shù),將實地采集的玉米苗數(shù)據(jù)進(jìn)行空間化。本次實測數(shù)據(jù)采集共設(shè)計樣條15個,規(guī)格統(tǒng)一為10 m×0.6 m。其中,三個區(qū)域內(nèi)各取樣條5個?？臻g化過程中為每一個樣條分配唯一編號,樣條分布如圖6示。

圖6 玉米田實測樣條示意圖Fig.6 Schematic diagram of measured spline in maize field

2 結(jié)果與分析

2.1 實測出苗率計算

人工駕駛區(qū)、輔助駕駛區(qū)、無人駕駛區(qū)設(shè)置播種密度相同,種植49壟,寬度30 m。分別計算每個樣方的粒數(shù)和出苗率,對于每個樣條的播種粒數(shù),假設(shè)整個區(qū)域播種均勻,每個樣條內(nèi)所播種的玉米種數(shù)均相同。樣條玉米出苗率統(tǒng)計結(jié)果如表1所示。

表1 樣條玉米出苗率統(tǒng)計Tab.1 Statistical table of seedling emergence rate of spline corn

2.2 區(qū)域出苗率計算與對比

使用無人機(jī)采集出苗期多光譜影像,使用超綠值(ExG)和最大類間差法相結(jié)合的方法提取農(nóng)田背景中玉米苗特征圖像,計算歸一化植被指數(shù)(NDVI),基于實測計算的出苗率與區(qū)域NDVI,建立對應(yīng)關(guān)系,利用空間分析技術(shù)計算無人駕駛、輔助駕駛、人工駕駛方式下出苗率情況。

基于無人機(jī)多光譜影像的玉米出苗率分布如圖7所示。

圖7 基于無人機(jī)多光譜影像的玉米出苗率分布Fig.7 Distribution of maize emergence rate based on UAV multispectral image

基于無人機(jī)多光譜影像測算方法的無人駕駛、輔助駕駛、人工駕駛播種出苗率分別為67.47%、66.30%、52.83%,實測出苗率分別為72.19%、66.23%、55.49%,差異度分別為-4.72%、0.07%、-2.66%,出苗率為無人駕駛區(qū)>輔助駕駛區(qū)>人工駕駛區(qū),無人駕駛區(qū)出苗率最高,且出苗率較為均勻,如表2所示。

表2 玉米出苗率統(tǒng)計表Tab.2 Statistics of maize emergence rate

從差異度來看,無人駕駛區(qū)>人工駕駛區(qū)>輔助駕駛區(qū),無人駕駛區(qū)遙感計算結(jié)果與實測結(jié)果差異較大,通過空間數(shù)據(jù)分析發(fā)現(xiàn),生長異常區(qū)對整個區(qū)域的出苗率估算有較為明顯的影響,然而并未對該區(qū)域進(jìn)行樣本采集與統(tǒng)計,因此導(dǎo)致二者差異度相對較大。在去除地塊土壤差異等異常因素外,基于無人機(jī)多光譜影像的測算方法較為準(zhǔn)確。

3 結(jié)論

1) 從數(shù)據(jù)獲取途徑和表達(dá)范圍來看,無人機(jī)多光譜遙感數(shù)據(jù)更能全面、客觀地反映出玉米出苗整體區(qū)域的狀況?；诔雒缙跓o人機(jī)多光譜影像,使用超綠值(ExG)和最大類間差法相結(jié)合的方法提取農(nóng)田背景中玉米苗圖像,計算歸一化植被指數(shù)(NDVI),基于實測計算的出苗率與區(qū)域NDVI,建立對應(yīng)關(guān)系,對玉米出苗率的計算方法可靠。相對傳統(tǒng)測算方式,采用無人機(jī)多光譜影像對玉米播種率進(jìn)行測算,具有工作效率高、準(zhǔn)確率高、覆蓋范圍大等明顯優(yōu)勢。

2) 整體來看,基于無人機(jī)多光譜影像測算方法的無人駕駛、輔助駕駛、人工駕駛播種出苗率分別為67.47%、66.30%、52.83%,實測出苗率分別為72.19%、66.23%、55.49%,均表現(xiàn)為無人駕駛區(qū)和輔助駕駛區(qū)出苗率高于人工駕駛區(qū),并且無人駕駛區(qū)出苗率更均勻,說明無人駕駛和輔助駕駛方式借助信息化、智能化技術(shù),消除了部分人工駕駛導(dǎo)致的誤差,并且勞動強(qiáng)度、操作便捷性均有明顯提高,對于提升產(chǎn)量和后期的田間管理也有較大意義。農(nóng)機(jī)無人駕駛方式在玉米播種環(huán)節(jié)中作業(yè)質(zhì)量明顯高于輔助駕駛和人工駕駛方式,具有較好的推廣應(yīng)用可行性。