基于无人机遥感的棉花主要生育时期地上生物量估算及验证

邓 江，谷海斌，王 泽，盛建东，马煜成，信会男

(新疆土壤与植物生态过程重点实验室 新疆农业大学草业与环境科学学院，新疆 乌鲁木齐 830052)

生物量是反映植物长势、生产力以及品质的重要指标，准确、实时获取作物生物量信息是实现农业精准管理的保证，而遥感技术是快速准确获取生物量的有效方法[1-2]。虽然卫星及航空遥感技术已在大面积反演植被生物量方面发挥了重要作用，但是无人机遥感技术以其高时效、高分辨率、低成本、低风险等优势[3-4]，为精准农业的快速发展提供了新的技术平台。

目前，国内外众多学者利用无人机遥感技术进行了农作物长势及病虫害监测[5-8]、植被覆盖度提取[9-10]、作物识别和估产[11-14]等方面的研究。其中，Ballesteros 等[15]利用无人机可见光影像估算洋葱干叶和干球生物量，取得显著效果(R2= 0.76，R2=0.95)；张正建等[16]也利用无人机可见光影像，建立了归一化绿红差异植被指数(NGRDI)与草地生物量的反演模型(R2=0.856)；孙世泽等[17]利用无人机多光谱影像，建立了比值植被指数(RVI)与草地生物量估算模型，其监测精度可以达到75%以上；陆国政等[18]利用无人机高光谱影像估算大豆生物量，取得了较高的估测精度(R2=0.714，RMSE=0.393 kg·m-2)；Wang D等[19]利用无人机激光雷达影像提取草地冠层高度，进而估算了草地地上生物量(R2=0.340，RMSE=81.89 g·m-2)。虽然无人机遥感技术在植被生物量监测方面具有很高的精度及时效性，但是从不同区域的研究成果可以看出，基于无人机遥感技术的植被生物量监测，会随传感器类型、作物种类及研究区域的不同有较大的差异。

新疆作为中国棉花规模化种植区域[20-21]，已有研究人员利用中、低空间分辨率的多光谱遥感影像(如：Landsat 8、TM、EOS/MODIS、CBERS-1和SPORT/VGT等)对棉花的叶面积指数(LAI)、生物量、产量估计等指标进行了遥感反演研究[22-24]。但由于空间分辨率、重访周期、气候条件等因素限制[6]，在棉花长势的精准监测方面仍存在一定的局限性。因此，本研究以新疆棉田为研究对象，开展基于无人机遥感技术的棉花生物量动态监测研究，为棉花田间长势监测及精准管理提供决策信息。

1 材料与方法

1.1 研究区概况

本试验在新疆昌吉州玛纳斯县包家店镇冬麦地村进行(86°27′～86°29′E，44°20′～44°22′N)，采样及飞行面积约7 km2(图1)。研究区属温带大陆性干旱半干旱气候，年平均气温7.2℃，年平均降水量173.3 mm，具有冬季严寒，夏季酷热，日照充足，干旱少雨等特点，是新疆典型的棉花规模化种植区域。

1.2 数据采集

1.2.1 影像数据采集 本研究于2016年6月21日(苗期)、7月11日(花蕾期)、8月3日(花铃期)、8月28日(盛铃期)4个棉花主要生育时期，利用固定翼电动无人机(Free Bird)搭载ADC-Lite多光谱相机，在中午12∶00—13∶00，选择光照强度稳定、天气晴朗无云、风速小于4级的环境条件，对试验区进行连续飞行监测。无人机飞行高度为500 m，飞行速度60 km·h-1，飞行时间约50 min，采取航向重叠度80%、旁向重叠度60%方式垂直拍摄，获取近红外影像数据4景，空间分辨率为20 cm(图2)。

1.2.2 生物量数据采集 无人机飞行作业过程中，同步开展田间棉花生物量采样测定工作。试验区内随机设置28个实测样点，其中20个用于建模，8个用于验证。以采样点为中心采集3株长势均匀、无病虫危害的棉株(含茎、叶、花、铃)作为试验样本，同时，记录1 m2区域内的株数，标定经纬度坐标。

1.3 数据处理

无人机影像预处理：首先利用多光谱相机配置的软件Pixel Wrench 2将RAW格式的原始影像转换为TIFF格式，依据无人机作业过程中同步记录的定位定姿系统(Position and Orientation System, POS)数据，使用专业摄影测量软件Pix4D Mapper对获取的影像预处理。流程如下：(1)建立项目输入工程名称并设置保存路径。(2)导入影像并设置影像参数。(3)影像重新匹配，纠正畸变影像。(4)基于相机位置和影像本身，构建密集点云。(5)生成数字表面模型(DSM)及数字正射影像(DOM)。

植被指数选取与计算：ADC-Lite近红外相机的波段范围在520～920 nm之间，具有红、绿和近红外3个光谱波段。利用ENVI5.2的波段计算工具，提取棉花主要生育时期的归一化植被指数(NDVI)、宽动态植被指数(WDRVI)、比值植被指数(RVI)和差值植被指数(DVI)4种植被指数(图3)。同时，利用ArcGIS软件的空间分析功能提取以采样点为中心1 m2区域的植被指数。各植被指数计算公式及特性见表1。

植被生物量测定：现场采集的植株鲜样用纸质信封包装带回实验室，迅速称取地上部鲜重，根据单位面积株数得到单位面积(1 m2)鲜生物量(AGB)。

注：(a)、(b)、(c)和(d)分别为棉花苗期、花蕾期、花铃期和盛铃期的可见光原始影像；(e)、(f)、(g)和(h)分别为棉花苗期、花蕾期、花铃期和盛铃期的近红外原始影像。Note: (a), (b), (c) and (d) represented visible original images at seeding, bud, blooming and boll periods during cotton growth periods, respectively; (e), (f), (g) and (h) represent near infrared original images at these periods, respectively.图2 棉花不同生育时期可见光、近红外原始影像Fig.2 Visible and near infrared original images of cotton in different growth period

植被指数 Vegetation index公式 Formula特性 Character归一化植被指数NDVINormalized difference vegetation indexNDVI=Rnir-RredRnir+Rred[25]能将绿色植被与土壤背景等信息相区分,但在高植被覆盖区易出现“饱和”现象。The green vegetation can be distinguished from the soil back-ground, but the phenomenon of “satiety” is easy to appear in the high vegetation cover area.宽动态植被指数WDRVIWide dynamic range vegetation indexWDRVI=aRnir-RredaRnir+Rred,a=0.2[26]引入权重因子(0.1或0.2),缩小近红外光波段和红光波段对植被指数贡献之间的差距[27]。The weight factor (0.1 or 0.2) is introduced to narrow the gap between the contribution of near infrared band and red band to vegetation index.比值植被指数RVIRatio Vegetation IndexRVI=RnirRred[28]不受土壤含水量的影响,对较高覆盖度植被敏感。It is not affected by soil water content and is sensitive to high coverage vegetation.差值植被指数DVIDifference Vegetation IndexDVI=Rnir-Rred[29]突出红光波段和近红外光波段的差异性,能够消除大气效应和土壤的影响。Highlighting the difference between red band and near infrared band can eliminate the influence of atmosphere and soil.

图3 棉花不同生育时期植被指数分布图Fig.3 Vegetation index of cotton in different growth period

1.4 生物量遥感估算模型及验证

植被指数是反映植被长势的最佳指示参数，大量研究论证了植被指数与植被生物量、营养、叶面积、覆盖度等之间存在的线性或者非线性关系[30-33]。因此本研究利用SPSS软件对植被指数与生物量进行一元线性、非线性及多元线性回归分析，构建4种植被指数(NDVI、WDRVI、RVI、DVI)与主要生育时期的生物量之间的拟合关系。同时，选用决定系数(R2)(式1)和均方根误差(RMSE)(式2)对不同指数与生物量间的最优拟合结果进行初步的精度评价。最后，利用验证样本对所构建的生物量估算模型进行精度验证及评价。

(1)

(2)

2 结果与分析

2.1 棉花主要生育时期生物量及植被指数统计特征

研究区棉花各生育时期生物量统计特征值见表2。棉花生物量随着生育时期显著增大，其均值从苗期的1.08 kg·m-2增加到盛铃期的7.80 kg·m-2。其中，在棉花生长初期和后期生物量增长幅度较小。

表2 棉花不同生育时期地上部生物量(AGB)统计特征值/(kg·m-2)

注：不同小写字母表示平均值在α=0.05水平上有显著差异。

Note: Different lowercase letters indicated significant difference in mean values atα=0.05.

棉花生物量随着生育时期的变化逐渐增加，但4种植被指数变化不一。由图4可知，NDVI均值由苗期(0.85)至花铃期(0.99)显著增大，但从花铃期开始基本保持稳定，出现“饱和”现象；WDRVI均值由苗期(0.60)至盛铃期(0.90)逐步增大，在花铃期出现一个急速增长过程。RVI和DVI均是从苗期至花蕾期显著增大但从花蕾期至盛铃期变化幅度较小。

2.2 棉花主要生育时期生物量遥感模型构建

将4种植被指数及其组合分别与生物量进行线性和非线性拟合分析。由表3可知：基于NDVI和DVI指数的二元线性拟合模型，与苗期生物量的拟合度最佳(R2=0.84，RMSE=0.13)，基于WDRVI和DVI植被指数的二元线性拟合模型，与花蕾期生物量的拟合度最佳(R2=0.87，RMSE=0.52)；基于WDRVI和RVI指数的二元线性拟合模型，与盛铃期生物量的拟合度最佳(R2=0.86，RMSE=0.96)。在花铃期，基于RVI单一植被指数的估算模型拟合度最佳(R2=0.79，RMSE=0.95)。

2.3 生物量估算模型验证

选取8个验证样本，对棉花各个生育时期生物量最优拟合模型进行验证(图5)。验证结果表明基于无人机影像的棉花生物量遥感估算结果均与实测生物量显著相关(R2均大于0.70)，模型检验有效。同时，考虑在一定空间尺度上，受大田数据及遥感数据采集精度、建模样本及验证样本数量等原因限制，估算模型的可靠性有望进一步提高。

3 讨 论

NDVI与DVI植被指数在棉花生长初期对生物量的变化较为敏感，但在中后期敏感性降低，出现植被指数“饱和”效应。这可能与棉花生长中后期植株群体封行有关，故该指标不适于棉花生育中后期的生物量监测，这与Mutanga O等[34]和郑阳等[35]在牧草、小麦生物量监测方面研究结果较为相同。Mutanga O等发现NDVI植被指数在牧草密度较高的情况下出现饱和，对牧草生物量估算精度较低；郑阳等发现NDVI植被指数在小麦生长中后期生物量较高时会出现“饱和”现象。

注：箱式图中横线从下至上依次代表数据的最小值(实线)、第一四分位数(实线)、平均值(虚线)、中位数(实线)、第三四分位数(实线)和最大值(实线)。Note: Lines from down to up in boxplot represent minimum value (solid line), first quartile (solid line), mean value (dotted line), median value (solid line), third quartile (solid line) and maximum value (solid line), respectively.图4 棉花不同生育时期植被指数统计特征值Fig.4 Statistics of VIs of cotton in different growth period

生育期Growth stage植被指数Vegetation index拟合函数Fitting functionR2RMSE/(kg·m-2)苗期Seedling perioday=10.2707a2-13.3306a+4.94180.770.15by=0.9421b2+0.3991b+0.45120.710.17cy=0.0177c-0.25110.200.27dy=0.0001d2-0.01777d+1.13360.690.17ady=2.454a+0.008d-2.0480.840.13花蕾期Bud perioday=104.6908a2-170.453a+71.52560.580.95by=65.9975b2-69.8978b+20.38260.740.74cy=0.0034c2-1.2109c+109.68370.690.81dy=0.0031d2-1.1865d+114.85820.840.59bdy=10.625b+0.078d-19.5990.870.52花铃期Blooming perioday=37.0849a-30.76700.032.01by=45.8749b2-59.2332b+22.199990.531.44cy=0.0042c2-1.3843c+115.43320.790.95dy=0.004d2-1.5347d+152.83720.551.40盛铃期Boll perioday=-41.107a+48.48760.012.52by=64.049b2 -96.0894b+41.46850.481.87cy=-0.0009c2+0.469c-48.7720.741.34dy=-0.0005d2+0.2619d-27.79650.292.19bcy=10.927b+0.093c-20.6390.860.96

注：a，b，c，d分别代表NDVI，WDRVI，RVI和DVI；ad，bd和bc则代表拟合公式同时包含了两个相对应的植被指数(如ad表示拟合公式同时包含了NDVI和DVI)。

Note:a,b,canddrepresentNDVI,WDRVI,RVIandDVI, respectively;ad,bdandbcindicate that fitted models included two corresponding indexes (for example,adindicated the fitted model both includedNDVIandDVI).

图5 棉花不同生育时期生物量估测值与实测值关系图Fig.5 The relationship between predicted values and the measured values of AGB at different growth period of cotton

而相关研究表明，WDRVI和RVI植被指数在高覆盖度条件下依然敏感，具有缓解“饱和”的能力，本文的研究结果也证实WDRVI和RVI指标在棉花生长后期与生物量仍有较好的相关性。这与陈江鲁[36]和田艳林[37]等对不同覆盖度植被及作物进行遥感监测的研究结果相似。陈江鲁等利用WDRVI植被指数监测不同覆盖度棉花时，未出现“饱和”现象；田艳林等发现湿地芦苇在生长中后期地上生物量与RVI植被指数间的相关系数达到0.68以上。同时，本研究结合WDRVI和RVI所建立的模型对棉花后期的生物量监测更加精确(R2达到0.86)，在缓解“饱和”现象的同时，进一步提高了植被指数监测生物量的敏感性，这主要因为：由单一植被指数建立的线性或非线性模型在面对植被覆盖不均匀的区域时，其精度和灵敏度会降低，不能全面准确地反映生物量信息，而多元线性回归模型将多个植被指数结合，在一定程度上提高了生物量估算的精度[38]。

4 结 论

本研究在典型棉花种植区域，利用无人机搭载多光谱传感器实时获取了棉花主要生育时期高分辨率多光谱影像数据，有效解决了卫星影像空间分辨率低、重访周期长、气候条件制约等问题。基于不同植被指数所建立的生物量监测模型，缓解了植被指数在遥感监测过程中的“饱和”现象，解决了棉花生长中后期监测敏感性低的问题，基本实现了对棉花生长全过程的精准监测。研究结果表明无人机多光谱技术在精确监测棉花长势方面具有较强的可行性，在区域农田信息管理、精准农业实施等方面具有积极意义。