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(jìn)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(jìn)行全面、綜合的評價。為此,引進(jìn)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(jìn)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(lán)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(lán)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(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30個參考點(包括10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(jìn)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(jìn)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(dá)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(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。

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(jìn)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(jìn)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(jìn)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(jìn)行小麥出苗率估算,結(jié)果如表5所示?？梢钥闯?位于東側(cè)的無人駕駛區(qū)出苗率最高,達(dá)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(dá)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。