基于无人机多光谱影像的冬小麦氮肥监测

斯钧浪 董超 李百红

摘要 [目的]研究无人机多光谱影像与土壤养分水平变化的关系。[方法]利用无人机搭载的多光谱传感器生成研究区50 m高的反射率正射影像，计算NDVI，GNDVI和SAVI指数值，调取作物感兴趣区进行研究。[结果]植被指数在小麦越冬期的不同长势小麦有明显差别。在其他外部条件一致的情况下，土壤N水平的变化对冬小麦越冬期长势影响较明显。[结论]无人机多光谱影像对冬小麦有较好的氮诊断潜力，可利用估测结果指导精准氮肥管理。

关键词 无人机;多光谱影像;植被指数;冬小麦;氮水平

中图分类号 S126  文献标识码 A  文章编号 0517-6611（2020）05-0239-03

doi：10.3969/j.issn.0517-6611.2020.05.067

开放科学（资源服务）标识码（OSID）：

Abstract [Objective]To study the relationship between UAV multispectral imagery and soil nutrient level. [Method]Multispectral sensors carried by UAV were used to generate orthophoto images with reflectivity of 50 m in the study area. NDVI， GNDVI and SAVI indexes were calculated to extract the region of interest of crops for research. [Result]Vegetation index has obvious difference among different growing wheat during winter. By plotting frequency histogram， regional differences can be observed. Under the same external conditions， through further analysis with nitrogen level， the change of soil N level was more obvious for winter wheat growth during overwintering period. [Conclusion]UAV multispectral image has good diagnostic potential for winter wheat， and the estimated results can be used to guide precise nitrogen management.

Key words Unmanned aerial vehicle（UAV）;Multispectral image;Vegetation index;Winter wheat;Nitrogen level

利用無人机平台搭载多光谱相机组成的遥感监测系统在施肥决策上已取得了一些成果，李冰等[1]设计了基于无人机的多光谱载荷观测系统，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。刘昌华等[2]通过建立光谱特征的冬小麦氮素植被反演模型，进行冬小麦的氮素营养实时诊断和长势监测。但建立多光谱影像与地面试验数据比较分析还鲜见报道。鉴于此，笔者介绍利用无人机平台获取的多光谱影像生成植被指数，从无人机尺度研究小麦指数变化与分布情况，并根据地面试验评估无人机多光谱影像与氮肥水平变化的关系。

1 材料与方法

1.1 基本理论

植被指数是2种以上波段的组合，旨在突出显示植被特征（冠层生物量，辐射吸收量，叶绿素含量等）。在植被研究中，植被红光波段反射率很低，而绿光波段反射率很高，近红波段反射率远高于可见光波段。在各种指数中，三波段多光谱传感器主要采用的指数包括归一化植被指数（NDVI），绿色归一化植被指数（GNDVI）和土壤调节植被指数（SAVI）。其中NDVI的计算公式为：

NDVI=NIR-RNIR+R

式中，NIR为近红外波段，R为红光波段。指数范围为-1.0～1.0，正值表明绿色的增加，负值表示非植被地带特性，如水，贫瘠地区，冰、雪或云。绿色植被常见的范围是0.2～0.9。中等值代表灌木和草地（0.2～0.3），较高的值代表森林和作物（0.4～0.9）。

GNDVI计算与NDVI相似，但是使用绿色波段替代红色波段。它与光合吸收辐射的比例有关，与叶面积指数（LAI）和生物量呈线性相关，与作物产量高度相关。GNDVI对叶绿素的敏感高于NDVI，范围从0到1.0，其计算公式为：

GNDVI=NIR-GNIR+G

式中，NIR为近红外波段，G为绿光波段。

SAVI可以在植被覆盖差，土壤表层暴露的地区用以最小化土壤背景影响。SAVI的取值为-1.0～1.0，SAVI的计算公式为：

SVAI=NIR-RNIR+R+L（1+L）

式中，NIR为近红外波段，R为红光波段，L为植被密度函数，当L=0时，SAVI=NDVI。L是最小化背景影响的关键，可以根据研究区内不同植被状况来确定，取值范围在-1～1。高密度植被覆盖区域，L值较低，较高的L值用于低植被覆盖区域，L取0.5是调节土地光学性质的最佳值。

1.2 研究区概况

研究区位于山东省淄博市桓台县中国农大桓台生态与可持续发展实验站（117°50′～118°10′E，36°54′～37°04′N），属暖温带大陆性季风气候。年平均日照时数2 832.7 h，5月份最多，2月份最少，日照率62%。年平均气温11.8～12.9 ℃，多年平均降水量542.8 mm，多集中在6、7、8月份。

土壤类型为棕壤，地形平坦，土层深厚;基础设施条件完善，种植农作物为冬小麦，试验作物冬小麦品种为“鲁原502”，生育期239 d，千粒重43.6 g;播种量120 kg/hm.2，行距21.7 cm。

1.3 平台、传感器和测量手段

无人机采用Matrice 600 pro六旋翼飞行平台，三轴稳定云台为相机提供稳定的平台，使得在飞行器高速飞行的状态下相机也能拍摄出稳定的画面。采用测绘航拍模式，跟踪重叠约70%。将Sequoia多光谱相机固定到无人机云台上，利用支架将sunshine sensor粘到无人机背部，使用USB主机数据线将多光谱传感器连接至sunshine sensor;使用USB设备数据线将多光谱传感器连接至遥控飞机;Sequoia开启。校准Sequoia，校准前确保2个传感器已固定连接在遥控飞机上。飞行前采集标准白板，将相机对准白板，反射板置于平地上，远离任何障碍物，反射板大约充满相机半个镜头，相机尽可能垂直对准反射板，反射板上没有阴影，阳光直射在反射板上（没有反射日光），按下“capture”进行拍照，等待15 s开始拍摄，然后在页面选择并导出白板图像。在飞行中，多光谱相机设置为每1.6 s拍摄1次，覆盖度为80%，分辨率为1.2 Mpix，10 bits depth。

該试验调查时间为冬小麦的越冬期，主要研究无人机平台与多光谱相机的使用，利用安装在无人机上的多光谱相机获取数据，进行摄影测量和处理，利用pix4D mapper获取试验区的多光谱相机的高分辨率正射反射率影像。利用ENVI软件分别计算不同研究区的NDVI、GNDVI和SAVI值，生成与评价不同植被指数图并统计分析，利用GIS软件进行施肥水平试验区的识别。

1.4 数据处理

该研究选择pix4Dmapper软件进行航拍数据的处理，pix4Dmapper可以自动化进行无人机遥感影像处理从图像生成点云，数字表面模型，数字高程模型和正射影像。处理包括初始化处理，向工程中导入图片和POS数据，生成质量报告，对数据质量进行评估，对影像进行筛选，保证参与校正拼接影像的重叠度。点云和纹理的生成，输出DSM，正射影像和指数。拼接后的影像主要是辐射校正，辐射校正一方面利用无人机飞行中辐射传感器收集的拍摄时的数据，另一方面通过选取飞机起飞前拍摄的地面白平衡板目标，进行进一步天空与地面的差异校正。最终从每个数据集中提取点云数据，以5 cm的分辨率生成正射影像。产生的正射影像包括红光、近红、绿光和红边4个通道。然后通过ENVI软件进行图像裁剪与指数计算。

2 结果与分析

2.1 对比分析

利用桓台研究区无人机数据生成高分辨率的正射反射率影像计算NDVI、GNDVI和SAVI指数，提取的指数如图1所示。NDVI，GNDVI和SAVI值植被指数的范围间于[-1，1]，指数值低呈现红色，说明冬小麦长势不好，指数值高呈现绿色，说明冬小麦长势良好。在研究区东部和西北部地带，出现了一些红色的像素，代表了负指数值，说明该区域种植稀疏呈现裸土情况。

在研究区内选取3个不同表现的样本区域（A、B和C），其中A为3414实验区，区域B、C是普通地（图1）。对这些区域进行统计分析，计算平均值和标准差（表1）。结果表明，区域B的植被指数最高，区域A次之，区域C的植被指数最低，结合图1也反映这一情况。对比区域A、B和C植被指数的标准差和变异系数，区域C植被指数的标准差和变异系数都大于区域A和区域B，说明区域C的差异性较大。

根据植被指数频率直方图（图2），区域A的指数覆盖区域大，NDVI指数间于[0.30，0.80]，GNDVI指数间于[0.40，0.70]，SAVI指数间于[0.30，0.90];区域B的指数覆盖区域位于高值区，如NDVI指数集中位于[0.45，0.70]，SAVI指数集中位于[0.50，1.00];区域C的指数覆盖区域集中在低值区，如NDVI指数集中位于[0.25，0.65]，SAVI指数集中位于[0.25，0.80]。

植被指数频率直方图直观地反映了冬小麦的长势情况，多光谱影像需结合其他因素的影响，由于区域A种植时间比区域B稍晚几天，区域A的植被指数和指数频率覆盖区都落后于区域B。所以，冬小麦长势的多光谱影像监测，需综合冬小麦种植日期，种植模式等具体情况，结合作物直方图分布来进一步判断。

2.2 “3414试验”定性分析

为了进一步分析小麦长势与土壤养分之间的关系，单独对区域A进行分析，A区布设的是“3414试验”，“3414”肥料田间试验设计中，“3”是指氮、磷、钾3个研究因素，“4”是指氮、磷、钾肥料用量的4个水平，从64个组合中选取了14个处理方式试验。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[4]，对氮水平做出分析。将研究区归并为L0、L1、L2、L3、L4共个水平，L0代表无施肥，L1～L4代表N水平分别从0水平到3水平，而磷、钾都是2水平即推荐水平，如表2（氮元素水平的植被指数统计表）所示，不同施氮水平下，冬小麦长势差异显著。

将各水平指数均值绘制成柱状图。由图3可知，L0水平由于未施氮肥，其指数低于其他水平，随着氮肥养分的提升，L1、L2至L3呈阶梯型上升，L4是过量施肥，3种指数并没有进一步上升，反而下降，L3是推荐水平，其均值最高，说明多光谱影像对冬小麦氮肥监测的实用性。

3 结论

（1）该研究展示了高分辨率无人机和摄影测量技术为精准施肥提供差异化信息源的潜力，利用无人机搭载的多光谱传感器绘制了研究区的植被指数图，对于每个数据集，使用自动摄影测量程序，产生R，G，NIR和REG共4个波段反射率正射影像，计算3种植被指数NDVI、GNDVI和SAVI，通过氮水平分析，在其他外部条件一致的情况下，土壤氮水平的变化对于冬小麦越冬期长势较明显，通过绘制频率直方图， 更好地判断各水平冬小麦长势情况。

（2）根据试验情况，多光谱影像监测要考虑其他因素的影响，如冬小麦种植模式不一致的情况下，其指数表现明显不同;另外，冬小麦种植的时间差别也会带来指数图表现的差异，需要对冬小麦生育期整个过程进行监测，拟合冬小麦完整生育期内的指数变化情况，以便进行施肥决策的对比。

参考文献

[1]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.

[2]刘昌华，王哲，陈志超，等.基于无人机遥感影像的冬小麦氮素监测[J].农业机械学报，2018，49（6）：207-214.

[3]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.

[4]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.

[5]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.

[6]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].农业机械学报，2016，47（11）：270-277.

[7]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.

[8]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.

[9]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.

[10]杨贵军，李长春，于海洋，等.农用无人机多传感器遥感辅助小麦育种信息获取[J].农业工程学报，2015，31（21）：184-190.