0引 言

高粱是世界第五大農作物，是釀造業和飼料業的基礎原料，在我國種植廣泛且近幾年的對外依存度較高。全面并準確地獲取高粱的生長狀態信息對指導高粱的生產、精確的預測產量、評價生產耗能等具有重要的現實意義。然而在無人機遙感技術對高粱生長狀態的監測研究方面還未有大量研究。本文以南通市農業研究實驗基地種植的高粱為研究對象，選取可反應農作物長勢的葉面積指數(LAI)、植被覆蓋度(FVC)為高粱生長參數的指標，通過多旋翼無人機平臺獲取高粱不同生長階段的遙感圖像，在建立4種典型植被指數和高粱生長參數 LAI 和FVC 的經驗統計回歸模型，確定適用于反應高粱長勢的最優植被指數;然后，對比實測和通過無人機遙感圖像獲得的 LAI 和FVC 值，評估無人機遙感評價農作物長勢的準確性。

1材料與方法

1.1 試驗區概況

試驗于南通市農業研究實驗基地進行，基地地勢平坦，土壤類型草甸黑土，土壤質地黏重，前茬大豆，秋整地。高粱品種為紅糯 16，每公頃的保苗株數為25萬株，播種同時施入種肥300kg/hm2(氮∶磷∶鉀=23:10:12)。施肥、防蟲滅草等均按當地生產進行，播種及各項農事活動均在同一天內完成。

1.2 數據獲取

1.2.1 無人機遙感數據

本研究采用無人機5通道多光譜相機。相機在120m 的飛行高度時，分辨率( GDS )為8cm，可采集藍、綠、紅、紅邊、近紅外5個光譜波段。在高粱播種到成熟的過程中，選取3個主要生育期開展無人機遙感作業，選擇太陽光強度穩定、天氣晴朗無云的天氣，10:00～14:00獲取遙感圖像，試驗日期與對應的生育期如表1所示。3 次 無 人 機 作 業 時 采 取 同 一 航 線，飛 行 時 間 約 為20min，飛行高度為120m。

表1無人機遙感圖像獲取時間及對應的生育期

1.2.2 地面數據采集

地面數據采集工作與無人機空中作業在同一天同一時間段開展，利用植物冠層分析儀，完成研究區域內的高粱葉面積指 數 LAI 的測量。同時，將數碼相機安裝在桿子上，在距離地面約3m 的高度俯拍高粱冠層的圖片，每個拍攝點至少拍攝3張照片。

1.3 數據處理

對無人機采集的多光譜圖像，首先采用圖像軟件將單個圖像拼接成研究區域整體的圖像。再使用 ENVI 遙感圖像處理軟件進行輻射定標，采用偽標準地物輻射糾正法，通過建立地面實測反射率和地面實際反射系數之間的線性關系來實現輻射定標。在試驗田周邊布置兩個標稱反射率為0.03和0.22的3m×3m 航拍實驗標準反射率參考板。使用 ENVI 軟件從無人機圖像中提取與標準參考板相對應的DN 值。利用各光譜波段的參考板DN 值和已知的校準參考板反射率值建立了線性回歸方程，將無人機圖像的 DN 值轉換為輻射定標后的反射率

式中：ρ(x , y , i )—光譜帶i中像素( x , y )的輻射定標后的反射率;DN(x , y , i )—光譜帶i中像素( x , y )的 DN 值;ai、bi—光 譜 帶i 的 線 性 回 歸 模 型 的 斜 率 和截距。無人機多光譜影像的輻射定標需要單獨提取綠、紅、紅邊和近紅外波段影像的白色參考板DN值，依次分別進行單波段影像的輻射校正。最后，對經過輻射定標的綠、紅、紅邊和近紅外波段影像進行波段合成處理，得到多光譜影像合成數據。對于地面采集的圖像，在采用 AdobePhoto shop 軟件處理高粱冠層圖片后，將照片導入 ENVI 軟件以估算植被覆蓋度FVC 值。具體的計算過程為：首先利用“maximumlikehood ”函數，將每幅圖像分為有植被和無植被兩類。然后，使用“quick stats”函數確定植被區域中的像素數。將植被部分的像素數除以圖像的像素總數，估算出每幅植被圖像的 FVC 值。

1.4 植被指數的選取

在輻射定標后，結合無人機遙感平臺，如表2所示，選擇4種常用的植被指數用于高粱LAI和 FVC反演模型的構建，利用ENVI軟件中的自帶函數計算植被指數。

表2選取的植被指數和計算公式

1.5 統計分析

使用驗證數據集分析回歸模型的準確性，選用評價指標：決定系數R2、均方根誤差 RMSE、平均絕對誤差MAPE評價回歸模型的精度。此外，使用T檢驗確定估測模型是否能夠以合理的精度預測高粱 的 FVC 和 LAI ，如果斜率值與1無顯著性差異，截距值與0無顯著性差異，則可以得出回歸模型與直線y=x無顯著性差異的結論，即估測模型可以實現高精度的預測。

2結果與分析

2.1 最優估測植被指數

通過對比分析 NDVI 、綠色 NDVI 、RVI 和 WDR-V I 植被指數和高粱的 LAI 和 FVC 相關性，確定最優的估測植被指數。從 50 幅無人機圖像中提取數據點構建樣本數據集，隨機選擇2/3的樣本數據作為訓練集與多光譜反射率影像建模，選擇指數回歸和線性 回 歸分別構建高粱 LAI 和 FVC 的估測模型。剩余的1/3樣本數據作為驗證集，評價回歸模型的性能，得到的 LAI 和 FVC 的4種植被指數的最佳擬合函數和評價指標分別如表3和表4所示。

表3 植被指數和葉面積指數的回歸模型

表4 植被指數與植被覆蓋度的回歸模型

從表3和表4可得，NDVI 構建 LAI 和 FVC 的估算模型的精度和效果要優于其他植被指數。相比于其他3 種植被指數，LAI-NDVI 和 FVC-NDVI 估算模型的決定系數 R2 值最高(0.91，0.88)且均方根誤差 RMSE(0.28，0.06)和平均絕對誤差MAPE(11%，8%)最低。WDRVI 的表現優于綠色NDVI 和 RVI ，但該指數的R2較低，RMSE和MAPE 較高，與其他植被指數相比 RVI 顯示準確性最低。由于NDVI 與高粱作物的LAI 和 FVC 的相關性最大，所以選擇 ND-VI 指數進行下一步的詳細研究。

2.2 無人機遙感圖像預測LAI 精度評價

根據訓練數據集繪制 NDVI 和 LAI 之間的函數關系如圖1所示。

圖1植被指數 NDVI 與葉面積指數的函數關系

由圖1 可以看出，在圖像采 集期間，高粱 的 LAI 值集中在 0.2～3.0 的 范 圍內。但 當 LAI >2.5 時，NDVI 不會發生明顯的變化，保持在 0.9 左右。該結果與其他學者的研究結果較為一致：LAI 的繼續增大不會顯著影響植物紅光波段吸收和反射，所以 NDVI 不會隨著高粱葉面積的增大而變化。該現象的主要原因是：對于多數農作物，在 LAI ≥ 2.5，吸收峰高于95%時，紅光波段的冠層反射率小于5%。為了評估根據無人機遙感圖像 得到的 NDVI 與LAI 經驗關系的可行性和準確性，對實測的 LAI 數據和通過無人機遙感數據得到的 LAI 的預測回歸模型進行交叉驗證，得到的結果如圖2所示。圖2中虛線為函數y=x，實線為葉面積指數實測值和預測值之間的最小二乘線性回歸方程。

圖2 無人機遙感圖像預測葉面積指數效果圖

由圖2可以看出，根據無人機圖像得到的預測值和實測 LAI 值之間具有較好的擬合性，決定系數 R2=0.94 ，RMSE =0.16 ，MAPE=13 %。通過最小二乘法得到的回歸方程y=0.95x+0.06 與實測數據之間的方差為 0.95 。T 檢驗結果顯示：回歸方程的斜率與1無顯 著 性 差 異 (p=0.14 )，截 距 與 0 無 顯 著 性 差 異(p=0.15)，即回歸方程與方程y=x 沒有顯著差異。統計分析表明，根據遙感圖像構建 NDVI 和 LAI 的線性模型 LAI=0.14e3.4 ×NDVI 能夠對高粱的葉面積指數 LAI 進行準確的預測。

2.3 無人機遙感圖像預測 FVC 精度評價

繪制訓練數據集的 NDVI 和 FVC 之間的函數關系，如圖3所示。

圖3植被指數 NDVI 與植被覆蓋度的函數關系

根 據 圖 3 可 得，與 NDVI 和 LAI 關 系 不 同，NDVI 和 FVC 呈現線性關系(R 2=0.90)，FVC 集中的分布在 0.6～0.9 之間。與前文的分析方法相同，使用 NDVI-FVC 的回歸模型對實測的 FVC 和根據無人機遙感圖像推算得到的 FVC 進行交叉驗證，得到驗證結果如圖4所示。圖4中虛線為函數y=x，實線為植被覆蓋度實測值和預測值之 間的最小二乘線性回歸方程。

圖4無人機遙感圖像預測植被覆蓋度效果

由圖4可以看出，根據無人機圖像得到的預測值和實測 FVC 值之間具有較好的擬合性，決定系數R 2=0.90 ，RMSE =0.05 ，MAPE=4%。T 檢驗結果顯示，回歸方程的斜率與1無顯著性差異(p=0.07)，截距與0無顯著性差異(p=0.05)，即 回歸方 程與方 程y=x沒有顯 著 差 異。統 計 分 析 表 明，根 據 遙 感 圖 像 構 建NDVI和FVC 的線性模型FVC=1.07NDVI-0.16 能夠對高粱的植被覆蓋度 FVC 進行準確的預測。2.4 無人機遙感圖像預測 LAI-FVC 之間的關系根據 FVC 和 LAI 的實測值，繪制兩者的函數關系如圖5所示。

圖5LAI-FVC 實測值函數關系

從圖5可以看出，LAI-FVC 之間呈現曲線相關，在 LAI <1.5 時，如圖 5 中虛線所示，LAI-FVC 之間呈現線性的關系;當 LAI>1.5時，LAI-FVC 之間的曲線關系較為明顯。當高粱冠層的 LAI 值達到約 2.5 時，植被覆蓋了約70%的地面面積。在 LAI 大于 2.5 后，葉面積的繼續增大，并沒有引起植被覆蓋度的變化。因此，當地塊的植被覆蓋度較高時，雖然 LAI 仍可能增加，但其 NDVI 值基本不變。

3結 論

本研究利用無人機多光譜遙感系統建立了植被指數和高粱 LAI 、FVC 之間的回歸模型，并預測其精度，結果表明，通過無人機遙感技術可以精確、可靠地預測高粱作物的生長狀態。1)歸一化差異植被指數 NDVI 為反應高粱長勢最優的植被指數，通過無人機遙感圖像得到的 NDVI 值估計高粱的 LAI 和 FVC 的 魯 棒 性 較 好。LAI -NDVI 和 FVC-NDVI 估 算 模 型 的 R2值 最 高 (0.91，0.88)，且 RMSE(0.28，0.06)和 MAPE(11%，8%)最低。2)根據遙感圖像分別構建 NDVI 和LAI及 FVC的線性模型 LAI =0.14e3.4×NDVI和 FVC=1.07NDVI-0.16 能夠準確預測高粱的 LAI 值和 FVC值。3)在高粱生長季的后期 LAI >2.5 時，由于 ND-VI 飽和度問題會降低其對 LAI 預測效果。

萊森光學(深圳)有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發、生產和銷售。

審核編輯：湯梓紅