基于无人机遥感影像的冬小麦氮素监测

刘昌华 王 哲 陈志超 周 兰 岳学智 苗宇新

(1.河南理工大学测绘与国土信息工程学院， 焦作 454000； 2.中国农业大学资源与环境学院， 北京 100194)

0 引言

冬小麦作为我国重要的粮食作物，其种植面积为粮食种植面积的1/5[1]。小麦年消耗量基本在1亿t左右[2]。小麦产量受诸多因素影响，其中氮肥管理是关键要素[3]。作物缺氮会引起叶色、叶片厚度等变化，进而引起光谱反射率变化，因此利用光谱反射率所获取的植被指数进行作物氮素实时监测成为可能[4]。目前小麦氮素营养遥感诊断手段主要有主动多光谱仪诊断、被动高光谱仪诊断、卫星遥感诊断等[5]。

主动冠层传感器已经成功地用于非破坏估测小麦氮素状况[6]，但是大尺度获得主动冠层传感器数据较为困难，很难快速进行大面积作物的氮素诊断[7]。高光谱仪的光谱分辨率高，但每次测量均会产生海量数据[8]。另外，每次测定必须在晴朗无云的条件下进行[9]，获取数据较为繁琐。多光谱卫星影像可以被用到大尺度监测作物生长状况、估测作物产量中。然而，诸如SPOT、MSS、Landsat、TM等影像的分辨率太低，不能满足植株氮素营养诊断和氮肥管理的需要[6]，且若想获得高质量的卫星影像还需晴朗无云的天气条件[10]。无人机遥感因其重访周期短、高分、价低等优势弥补了卫星遥感的不足[11-13]。BURKART等[14]提出一个高光谱飞行测角仪系统，在旋转翼无人机(UAV)云台上搭载一个光谱仪，结果表明，这种方法可以用来收集植被多光谱数据。SCHIRRMANN等[15]基于无人机获得了11 hm2范围内低成本图像，用于监测小麦的生理参数和氮营养状况。李冰等[16]设计了基于无人机的多光谱载荷观测系统，并以冬小麦为研究对象，提出一种由直方图曲线获取植被指数阈值的方法。高林等[17]将无人机数码影像应用于冬小麦叶面积指数探测，结果表明具有可行性。ROOSJEN等[18]基于无人机搭载分幅相机，研究了拍摄角度对叶面积指数和叶绿素含量估计的影响，表明多角度获取光谱数据对其估计有促进作用。上述学者大多数从遥感图像获取手段和图像信息提取两方面进行遥感研究，但建立无人机遥感与农学参数反演模型的还很少，而模型对作物农学参数的估测，对大块农田长势、氮素状况监测和诊断都是十分必要的。

本研究旨在将遥感与农学结合，将无人机遥感技术应用于作物氮素监测，建立基于光谱特征的冬小麦氮素指标反演模型，并为区域冬小麦无损氮素营养的实时诊断、长势监测提供技术支撑。

1 材料与方法

1.1 研究区概况与试验设计

试验地点位于山东省乐陵市科技小院实验基地(37°41′55″N，117°8′41″E)，试验于2016年进行，设计6个氮肥梯度(0、120、180、240、280、300 kg/hm2(农户常规))，2个小麦品种(济麦22和鲁元502)，共设置36个试验小区，小区面积为4 m×10 m，分为3个试验组，随机排列。氮水平处理方法如图1所示，图中N1～N6分别对应氮肥梯度为0、120、180、240、280、300 kg/hm2。图1中以济麦22为例，鲁元502处理方法同济麦22。施肥方法如下：氮肥分两次施用，40%在种植前基施，60%在拔节期追施；磷肥全部以基肥施用；钾肥分两次施用，80%在种植前基施，20%在拔节期追施。所有小区栽培管理参照当地的标准进行。

图1 氮水平处理方法Fig.1 Diagram of nitrogen treatment method

1.2 试验数据收集与处理

无人机试验在冬小麦返青、拔节、孕穗、扬花期进行，采用八轴多旋翼无人机搭载Mini-MCA多光谱相机采集冠层光谱数据。设计飞行高度100 m，地面分辨率0.05 m，安全飞行速度控制在15 m/s。多光谱相机有6个通道，包括蓝光(450 nm)、绿光(550 nm)、红光(680 nm)、红边(720 nm)、近红外(800 nm)5个波段，另一个通道为入射光传感器，进行光谱校准。在晴朗无云时采集数据，选择时段为10:00—14:00。无人机在起飞前需进行相机检校、航线规划等工作，飞行过程中在机载差分GPS系统和IMU的支持下，获取各摄像点坐标和姿态。

得到图像数据后，检查有无曝光过度、曝光不足、遮挡等，无误后再进行图像数据处理，包括辐射定标、多波段合成、图像拼接和几何校正。本研究设计了一种多目标定标方法，在无人机起飞前在试验田合适位置连续布置4块不同反射率的定标毯，确保试验田和定标毯同时出现在同一幅图像中。4块定标毯的反射率由美国ASD Field Spec3近地面高光谱仪和配套的白板定标测得，利用线性关系来建立DN(亮度)值和反射率之间的联系。定标公式为

Yi=kiXi+bi(i=1,2,3,4,5)

(1)

式中Yi——第i波段的定标毯反射率

Xi——第i波段的DN值

ki——第i波段的相关系数

bi——第i波段的增量

分别针对同一波段借助ENVI读取每块定标毯的平均DN值，代入式(1)，依据最小二乘准则，求出相关系数k和增量b。进而可以得到5个波段的辐射定标模型，对需要校正的影像进行辐射定标，得到影像的反射率。利用AgisoftPhotoScan软件(俄罗斯Agisoft LLC公司)流程化工具进行无人机遥感影像处理，可实现3D影像重建和正射影像生成。在获取返青、拔节、孕穗、扬花4期拼接好的遥感影像后，对其进行几何校正。几何校正采用ArcGIS软件进行，以返青期正射影像为参考图像，在图像上均匀选取10个参考点对后面3期影像进行几何精度校正，经检验图像几何校正误差小于0.5个像元。经过处理的4期遥感影像如图2所示。

图2 4个时期的冬小麦无人机多光谱影像Fig.2 UAV multispectral images of winter wheat in four stages

最后，借助IDL、ArcGIS和ENVI等软件进行试验小区平均光谱提取和65个植被指数的计算。从遥感影像间接得到的针对不同生长阶段和农学参数的最优植被指数为：归一化差分植被指数[19](NDVI)V1，归一化绿波段指数[20](NGI)V2，红边绿波段归一化植被指数[21](REGNDVI)V3，绿波段归一化植被指数[22](GNDVI)V4，成熟期可基于修正二次叶绿素吸收反射率指数[17](MCARI2)V5，绿波段优化土壤调整植被指数[23](GOSAVI)V6，成熟期基于修正二次叶绿素吸收反射率指数/绿波段优化土壤调整植被指数[24](MCARI2/GOSAVI)V7，修正冠层叶绿素含量指数[25](MCCCI)V8，修正增强植被指数[26](MEVI)V9，归一化红边植被指数[27](NDRE)V10，DATT植被指数[28](DATT)V11。

1.3 植株取样与农学数据测量

取样在数据采集当天进行，每个试验小区选择1 m长双行冬小麦植株进行测定。表征冬小麦氮素营养状况的农学参数主要有地上部生物量、植株吸氮量、氮营养指数(Nitrogen nutrition index,NNI)和产量。

生物量是指单位面积有机物总量。将冬小麦植株样品进行剪根和去除杂物处理，之后在电子天平上称量，装袋做好标记置于干燥箱中，105℃下杀青30 min，再以80℃恒温干燥至质量不变并称量[29]。

将干燥后的植株样本研磨粉碎后，用凯氏定氮仪测定植株氮含量。植株吸氮量则是地上部生物量与植株氮含量的乘积，单位取kg/hm2。氮营养指数NNI是用来相对准确地判定作物体内氮营养状况的一个指标，是作物地上部植株实际的氮浓度与临界氮浓度的比值[30]。其计算公式由王备战等[31]提出。

NNI=Na/Nc

(2)

式中NNI——氮营养指数

Na——植株实际氮浓度

Nc——临界氮浓度

华北平原冬小麦临界氮浓度公式由YUE等[32]提出。

Nc=4.15W-0.38

(3)

式中W——地上部生物量干质量

当地上部生物量小于1 t/hm2时，临界氮浓度为定值4.15 t/hm2，当地上部生物量在1～10 t/hm2范围时，可用式(3)计算。

产量是指作物的整个生产周期的产出，成熟期取1 m长双行植株样本，晾晒测其干质量。

1.4 分析方法

目前，基于遥感影像进行小麦农学数据的反演方法有经验模型法、物理模型法和统计模型法。本文采用经验模型法对冬小麦4个农学参数进行反演。建立植被指数和地面农学数据的回归模型，主要有幂函数、二次函数、线性函数、指数函数、多项式等。这种方法不仅可以预测并求出模型函数，还可以对结果进行残差检验和精度检验。反演分析模型的建立步骤如下：

(1)以处理过的无人机多光谱影像为基础，30个小区的边界范围为重点，提取30个小区的65个植被指数(N6梯度为农户常规施肥，未提取植被指数)。

(2)从不同时期所获得的地上部生物量、植株吸氮量、氮营养指数和产量中随机选取75%数据作为建模数据，另外25%作为验证数据。分析比较不同生育时期植被指数和农学数据的相关性，选出最优反演生育期，构建最优模型。

(3)利用验证数据分析评估最优模型的预测能力。

2 结果与分析

2.1 农学参数的变化

小麦农学参数在不同生长阶段变化如表1所示。地上部生物量和植株吸氮量随生育期的增加而增加，各个时期的变异相差不大，其中地上部生物量变异系数为27%～28%，植株吸氮量为35%～40%，这可能是由其生理特性决定的。NNI各个时期相差不大(0.72～0.82)，标准差和变异系数随生育期而增大，其中扬花期变异最大，变异系数为30%。对于全生育期，地上部生物量、吸氮量、NNI变异系数分别为64%、57%与24%。成熟期不同处理下小麦产量的变异也较大，变异系数为29%。较大的变异有利于反演模型的建立与验证。

表1 冬小麦不同生长阶段农学参数变化Tab.1 Variation of agronomy variables of winter wheat across different growth stages

2.2 构建冬小麦农学数据反演模型及模型精度验证

为了避免农学数据时域性对反演的干扰，本研究进行分时期建立模型，分析比较植被指数和农学数据的相关性。本研究根据实测农学数据与无人机影像获取的65个植被指数建立了相关关系，选取决定系数(R2)、均方根误差(RMSE)和相对误差(RE)作为评价模型精度的指标，最优植被指数与农学参数如表2所示。在不同生育期，最优植被指数和农学参数的决定系数各不相同。随着生育期的推后，生物量、吸氮量、NNI的决定系数呈现升高趋势，分别介于0.45～0.88、0.60～0.96和0.60～0.95之间。而产量的决定系数在孕穗期达到最大值0.96，拔节期(R2=0.93)与扬花期(R2=0.94)的决定系数相差很小。在扬花期，MCCCI能最好地估测地上部生物量和植株吸氮量，决定系数分别为0.88和0.96，DATT能最好地估测NNI，决定系数为0.95。

表2 最优植被指数与农学参数的关系Tab.2 Relationships between the best vegetation indexes and agronomy parameters

注：P代表幂函数;Q代表二次多项式函数;E代表指数函数。

图3 冬小麦扬花期地上部生物量、植株吸氮量和NNI观测值与估测值间的相关关系Fig.3 Relationships between observed and estimated values of winter wheat aboveground biomass, plant N uptake and NNI across flowering stage

因为拔节期、孕穗期、扬花期的冬小麦产量数据建模的决定系数非常相近，为了检验最优生育期是否为孕穗期，对这3个时期的数据模型进行验证，结果如表3所示。

由表3可知，用拔节期、扬花期建立的模型进行验证时，决定系数都有所升高，拔节期决定系数由0.93上升至0.96附近，扬花期决定系数由0.94上升至0.96附近，孕穗期决定系数基本稳定在0.96附近。三者之间就决定系数而言，所建模型都具有可靠性。拔节期误差较低，RMSE最大值0.47 t/hm2和RE最大值0.06都略低于孕穗期和扬花期的最大值。就产量估计而言，3个时期在R2、RMSE、RE这3个估测指标间的差别也不是很大，很难在拔节期和孕穗期、孕穗期和扬花期之间确立哪个区间是估产的关键时期。这与千怀遂[33]的孕穗期至扬花期是进行小麦单产估测的关键时期的研究结果不太一致。得到这种结果可能是因为建模数据和验证数据比较少。

2.3 研究区冬小麦氮营养指数反演

利用DATT最优氮营养指数反演模型对研究区扬花期冬小麦NNI进行氮素营养诊断，结果如图4所示。当NNI大于1(绿色)时，表明冬小麦氮素过剩；当NNI等于1时为氮适宜(黄色)；当NNI小于1时为氮不足(红色)。对比图1可以得到，红色小区即N1区域，为不施氮肥小区，表现为氮不足，在N2～N6小区氮适宜比重居多，也存在氮不足和氮过剩的情形，这跟品种和水也有很大关系。总体而言，诊断图可以在扬花期基本反映冬小麦的生长状况，为冬小麦精准氮素管理提供依据。

表3 拔节期、孕穗期和扬花期的产量反演模型和精度验证Tab.3 Inversion models and precision validation of yield in elongation stage, booting stage and flowering stage

图4 基于DATT幂函数模型反演的扬花期冬小麦氮营养指数Fig.4 NNI inversion of winter wheat based on model of DATT power function in flowering stage

3 结束语

基于无人机多光谱相机的氮素监测方法能够准确有效地监测小麦的生育状况，提取的NNI分布图能够为精准施肥提供依据和数据支持。借助无人机搭载多光谱相机在精确反演氮营养指数方面可行，可为精准管理提供技术支持。

1 栾青, 马雅丽, 李伟伟,等. GIS支持下的临汾市冬小麦动态估产模型研究[J]. 山西农业科学, 2012, 40(5):536-539.

LUAN Qing, MA Yali, LI Weiwei,et al. Study on GIS based winter wheat dynamic yield estimation model in Linfen[J]. Shanxi Agriculture Science, 2012, 40(5):536-539.(in Chinese)

2 张玉萍, 马占鸿. 不同施氮量下小麦遥感估产模型构建[J]. 江苏农业学报, 2015, 31(6):1325-1329.

ZHANG Yuping, MA Zhanhong. Yield estimation model of wheat based on remote sensing data under different nitrogen supply conditions[J]. Jiangsu Journal of Agriculture Science, 2015, 31(6):1325-1329.(in Chinese)

3 宿敏敏, 黄珊瑜, 赵光明,等. 黑龙江垦区农户水稻管理现状与对策分析[J]. 北方水稻,2012, 42(2):28-33.

SU Minmin,HUANG Shanyu,ZHAO Guangming, et al. Current rice management practices of farmers in Heilongjiang land reclamation area and improvement strategies[J]. North Rice, 2012, 42(2):28-33.(in Chinese)

4 赵光明. 寒地水稻高产与养分高效利用的综合管理技术研究与示范[D].北京:中国农业大学, 2014.

ZHAO Guangming. Research and demonstration of integrated rice management technology for high yield and high nutrient use efficiency in cold region[D]. Beijing:China Agricultural University, 2014.(in Chinese)

5 赵安周, 朱秀芳, 李天祺. 基于HJ小卫星影像的北京市冬小麦测产研究[J]. 农业现代化研究, 2014, 35(5):573-577.

ZHAO Anzhou, ZHU Xiufang,LI Tianqi. Estimation of winter wheat yield in Beijing based on HJ-1 images[J]. Research of Agricultural Modernization, 2014, 35(5):573-577.(in Chinese)

6 田振坤, 傅莺莺, 刘素红,等. 基于无人机低空遥感的农作物快速分类方法[J]. 农业工程学报, 2013, 29(7):109-116.

TIAN Zhenkun, FU Yingying, LIU Suhong, et al. Rapid crops classification based on UAV low-altitude remote sensing[J]. Transactions of the CSAE, 2013, 29(7):109-116.(in Chinese)

7 曹强. 基于主动作物冠层传感器的冬小麦、水稻精准氮素管理[D].北京:中国农业大学, 2014.

CAO Qiang. Active crop canopy sensor-based precision nitrogen management of winter wheat and rice[D]. Beijing:China Agricultural University, 2014.(in Chinese)

8 CAO Q, CUI Z, CHEN X, et al. Quantifying spatial variability of indigenous nitrogen supply for precision nitrogen management in small scale farming[J]. Precision Agriculture, 2012,13(1):45-61.

9 JIA L, LI F, GNYP M, et al. Nitrogen status estimation of winter wheat by using an IKONOS satellite image in the North China Plain[J]. IFIP Advances in Information and Communication Technology, 2012, 369:174-184.

10 王利民, 刘佳, 杨玲波,等. 基于无人机影像的农情遥感监测应用[J]. 农业工程学报, 2013,29(18):136-145.

WANG Limin, LIU Jia, YANG Lingbo, et al. Applications of unmanned aerial vehicle images on agricultural remote sensing monitoring[J]. Transactions of the CSAE, 2013,29(18):136-145.(in Chinese)

11 CAO Q, MIAO Y, WANG H, et al. Non-destructive estimation of rice plant nitrogen status with Crop Circle multispectral active canopy sensor[J]. Field Crops Research, 2013,154:133-144.

12 韩文霆, 郭聪聪, 张立元,等. 基于无人机遥感的灌区土地利用与覆被分类方法[J/OL]. 农业机械学报, 2016, 47(11):270-277.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20161137&flag=1.DOI:10.6041/j.issn.1000-1298.2016.11.037.

HAN Wenting, GUO Congcong, ZHANG Liyuan, et al. Classfication method of land cover and irrigated farm land use based on UAV remote sensing in irrigation[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2016, 47(11):270-277.(in Chinese)

13 杨福芹, 冯海宽, 李振海,等. 基于赤池信息量准则的冬小麦叶面积指数估算[J/OL]. 农业机械学报, 2015, 46(11):112-120.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20151116&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2015.11.016.

YANG Fuqin, FENG Haikuan, LI Zhenhai, et al. Hyperspectral estimation of leaf area index for winter wheat based on Akaike’s information criterion[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(11): 112-120. (in Chinese)

14 BURKART A, AASEN H, ALONSO L, et al. Angular dependency of hyperspectral measurements over wheat characterized by a novel UAV based goniometer[J]. Remote Sensing, 2015,7(1):725-746.

15 SCHIRRMANN M, GIEBEL A, GLEINIGER F, et al. Monitoring agronomic parameters of winter wheat crops with low-cost UAV imagery[J]. Remote Sensing, 2016,8(9):706.

16 李冰, 刘镕源, 刘素红,等. 基于低空无人机遥感的冬小麦覆盖度变化监测[J]. 农业工程学报, 2012, 28(13):160-165.

LI Bing, LIU Rongyuan, LIU Suhong, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the CSAE, 2012, 28(13):160-165.(in Chinese)

17 高林, 杨贵军, 于海洋,等. 基于无人机高光谱遥感的冬小麦叶面积指数反演[J]. 农业工程学报, 2016,32(22):113-120.

GAO Lin, YANG Guijun, YU Haiyang, et al. Retrieving winter wheat leaf area index from UAV based imaging hyperspectral system[J]. Transactions of the CSAE, 2016,32(22):113-120.(in Chinese)

18 ROOSJEN P, BREDE B, SUOMALAINEN J, et al. Improved estimation of leaf area index and leaf chlorophyll content of a potato crop using multi-angle spectral data potential of unmanned aerial vehicle imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2018,66:14-26.

19 FIEUZAL R, MARAIS S, BAUP F. Estimation of corn yield using multi-temporal optical and radar satellite data and artificial neural networks[J]. International Journal of Applied Earth Observation and Geoinformation, 2017,57:14-23.

20 SON C. Near-infrared fusion via a series of transfers for noise removal[J]. Signal Processing, 2018,143:20-27.

21 PADILLA F, PENA M, GALLARDO M, et al. Determination of sufficiency values of canopy reflectance vegetation indices for maximum growth and yield of cucumber[J]. European Journal of Agronomy, 2017,84:1-15.

22 NAVARRO G, CABALLERO I, SILVA G, et al. Evaluation of forest fire on Madeira Island using Sentinel-2A MSI imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2017,58:97-106.

23 LIAQAT M, CHEEMA M, HUANG W, et al. Evaluation of MODIS and Landsat multiband vegetation indices used for wheat yield estimation in irrigated Indus Basin[J]. Computers and Electronics in Agriculture, 2017,138:39-47.

24 GNYP M, MIAO Y, YUAN F, et al. Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages[J]. Field Crops Research, 2014,155(1):42-55.

25 SUOMALAINEN J, ROOSJEN P, BARTHOLOMEUS H, et al.Reflectance anisotropy measurements using a pushbroom spectro meter mounted on UAV and alaboratory goniometer-preliminary results[J]. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2015,XL-1/W4:257-259.

26 DAUGHTRY C, WALTHALL L, KIM M, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment,2000,74(2):229-239.

27 NA S, PARK C, CHEONG Y, et al. Selection of optimal vegetation indices for estimation of barley & wheat growth based on remote sensing—an application of unmanned aerial vehicle and field investigation data[J]. Korean Journal of Remote Sensing, 2016,32(5):483-497.

28 LEBOURGEOIS A, BEGUE S, LABBE M, et al. A light-weight multi-spectral aerial imaging system for nitrogen crop monitoring[J]. Precision Agriculture, 2012,13(5):525-541.

29 高晓薇. Crop Circle传感器在冬小麦氮营养实时诊断与调控中的应用研究[D].北京:中国农业大学, 2011.

GAO Xiaowei. Research on the application of Crop Circle sensor in real-time nitrogen nutritional status diagnosis and management of winter wheat[D]. Beijing:China Agricultural University, 2011.(in Chinese)

30 黄珊瑜. 基于多光谱作物冠层传感器的寒地水稻氮营养实时诊断研究[D].北京:中国农业大学, 2010.

HUANG Shanyu. Research on multi-spectral canopy sensors-based real-time diagnosis of rice nitrogen status in cold region[D]. Beijing:China Agricultural University, 2010.(in Chinese)

31 王备战, 冯晓, 温暖,等. 基于SPOT-5影像的冬小麦拔节期生物量及氮积累量监测[J]. 中国农业科学,2012, 45(15):3049-3057.

WANG Beizhan, FENG Xiao, WEN Nuan,et al. Monitoring biomass and N accumulation at jointing stage in winter wheat based on SPOT-5 images[J]. Scientia Agricultura Sinica, 2012,45(15):3049-3057.(in Chinese)

32 YUE S, MENG Q, ZHAO R, et al. Critical nitrogen dilution curve for optimizing nitrogen management of winter wheat production in the North China Plain[J]. Agronomy Journal, 2012,104(2):523-528.

33 千怀遂. 农作物遥感估产最佳时相的选择研究——以中国主要粮食作物为例[J]. 生态学报, 1998, 18(1):50-57.

QIAN Huaisui. Selection of the optimum temporal for crop estimation using remote sensing data—main food crops in China[J]. Acta Ecologica Sinica, 1998, 18(1):50-57.(in Chinese)