基于无人机多光谱图像监测棉花冠层含水量

费浩

摘 要：使用无人机搭载的多光谱相机获取田间遥感影像，通过相关性计算选取合适的波段组合，基于多光谱影像间的波段运算得到植被指数（VIs），采用最小二乘法构建棉花冠层含水量反演模型。结果表明，红波段（680nm）和近红外1波段（800nm）间的光谱特征与棉花冠层含水量相关性最高，由此光谱区间构建了归一化植被指数（NDVI）和比值植被指数（RVI），基于NDVI的二阶多项式回归得到了较好的预测结果，R2在0.69以上。使用此方法可以实现棉花冠层含水量的快速、无损监测，从而为田间精准灌溉提供技术支持。

关键词：遥感;无人机;多光谱图像;棉花;含水量

中图分类号 P237;S562文献标识码 A文章编号 1007-7731（2021）04-0023-04

Abstract： In this study，the multi-spectral camera carried by the UAV was used to obtain remote sensing images of the field，and then the appropriate band combination was selected through correlation calculation，and the vegetation index （VIs） was obtained based on the band calculation between the multi-spectral images. Finally，the least square method was used to construct cotton Canopy Water Content Inversion Model. This study shows that the spectral characteristics between the red band （680nm） and near-infrared band 1 （800nm） have the highest correlation with the cotton canopy water content. From this spectral interval，the normalized vegetation index （NDVI） and the ratio vegetation index （RVI） are constructed. The second-order polynomial regression based on NDVI has obtained better prediction results，and R2 is above 0.69. The method used in this study has realized the rapid and non-destructive monitoring of the cotton canopy water content，which can provide technical support for precise field irrigation.

Key words： Remote Sensing; Unmanned aerial vehicle; Multispectral images; Cotton; Water content

我國是全球主要的棉花生产国之一，2017年棉花种植面积约319.5万hm2，产量为610.28万t，约占全球棉花产量的25%（FAO，2018）。棉花是我国重要的经济物种，而新疆是我国最主要的棉花生产区，其棉花种植面积约占全国的75%以上。同时，新疆气候干燥，降水稀少，是典型的灌溉农业区。针对作物实际的需水程度精确控制给水时间和灌水量，改变粗放的灌溉方式可以大大减少灌溉所需的水资源。目前，遥感技术被广泛应用于农作物的生产监测，无人机遥感技术为田间尺度的作物状态快速无损监测提供了可能。使用多光谱遥感技术进行作物水分监测的理论基础是可见光、近红外和短波红外植被光谱特征和生理参数、光合活性和叶片水分状态之间的直接相互作用[1]，以往研究已对这些理论基础进行了探讨。Gamon等[2]于1999年提出可见光（VIS）、近红外（NIR）和短波红外（SWIR）电磁区域的反射光谱可用在不同空间尺度上间接评估作物的水分状况。Inoue等[3]的研究认为，由于含水量的减少，叶片内部结构的变化影响了红色和近红外光谱区域的反射率。虽然已经有丰富的理论支撑，但对于不同的遥感观测尺度和植被类别，这些理论仍需要实践进行证实。

近年来，许多学者利用遥感技术进行了作物水分空间分布监测的研究工作，其中基于星载多光谱影像的研究居多[4，5]，而在田间尺度，无人机更能发挥遥感技术的实时性和精确性。除了常见的可见光和多光谱传感器外，无人机平台还可以灵活搭配其他传感器，如热红外相机、高光谱相机等，这为作物遥感监测提供了更多可能。高光谱数据在波段敏感性分析中应用广泛，如Rossini等[6]在2008年提出了一种利用高光谱遥感影像绘制玉米田水分胁迫图的方法，验证了利用高光谱指数绘制水分胁迫等级的可行性。Rallo等[7]使用全光谱（350～2500nm）构建了多种植被指数来监测玉米叶片的水分状况。这些方法能较全面地分析植物在各个波段范围内的反射率与其含水量的相关程度，不足之处在于，需要获取足够高分辨率的全光谱数据，这只能通过手持式光谱辐射计或高光谱遥感器获得。多光谱传感器在作物含水量实时监测方面显然应用面更广，而且基于以往研究成果，大致可了解到传统的多光谱传感器的波段范围内存在对水分含量敏感的波段。如程晓娟等[4]和候学会等[8]的研究表明，红—近红外波段附近的植被光谱反射率特征相对其他波段而言对水分变化更为敏感。利用这些信息，许多学者使用各种植被指数进行水分反演以探究最适合的植被指数。由于目标植物种类和当地的种植情况的不同，这些已经开展的研究得到的结论往往也不同[7，9]。目前，使用无人机多光谱影像监测棉花含水量的研究较少，在棉花种植面积大、水资源宝贵的新疆，更有必要开展对棉花含水量监测的应用研究。为此，笔者在新疆南部阿拉尔市的一个棉花试验田开展了不同水分灌溉量的试验，旨在探讨南疆无膜棉冠层含水量的敏感波段和最佳相关性植被指数，使用波长在490～900nm的多光谱遥感影像对棉花冠层含水量进行反演，采用最小二乘法进行建模，从而实现棉花冠层含水量快速无损监测。

1 材料与方法

1.1 研究区概况 研究区域位于新疆阿拉尔市，该地区位于塔克拉玛干沙漠北缘，临近塔里木河和阿克苏河等水系，属极端干旱的荒漠气候，主要依赖河流水资源发展灌溉农业。试验在阿拉尔十团农业灌溉实验站（81°11′45″E、40°37′28″N）进行。所用棉花品种为中棉619，采取无膜种植的方式，使用地下滴灌方式精准控制灌水量。

1.2 试验设计 试验设6个处理，每处理1个小区，3次重复，共18个小区;随机排列，小区田间排列如图1所示。根据SWAP模型（2017）的精准灌溉工具，通过气象数据、土壤数据和棉花生长数据计算每日的实际蒸发蒸腾量（ETc），按照水分需求进行灌溉。滴灌带沿棉花行间布设，按标准灌溉量的70%～100%分6个梯度给水灌溉，其中W0不参与统计。各小区施肥量统一。

1.3 数据采集

1.3.1 遥感观测数据 于2020年7月7日进行无人机多光谱数据采集，此时棉花處于花铃期。在当日天气晴朗没有明显风的正午，通过安装在无人飞行系统（UAS）上的6波段多光谱相机（μ-MCA6，Tetracam，America）采集航拍图像，多光谱图像像素分辨率为1280×1024。无人机飞行高度设置为高于地面111m，这为图像提供了每像素5.58cm的地面分辨率。多光谱相机包括6个波段，光谱范围在490～900nm，具体波段划分如表1所示。

使用PixelWrench2软件进行图像的提取和配准等预处理，得到6波段的多光谱图像。由于多光谱相机采集的图像是8位的灰度图，需要根据白板的反射率进行校正，这项工作在遥感图像处理平台ENVI 5.3中进行，反射率的计算公式如下：

其中，Ri表示某像素点的反射率值;DNi表示该点处的原始像元值;Gain和Bias表示遥感影像在该波段的增益和偏置。对得到的多光谱反射率影像进行波段计算，从而得到各种植被指数。

1.3.2 田间试验数据 在采集遥感图像的同一天，采集田间棉花样本以获取实际的棉花冠层含水量数据。对试验田的18个小区分别随机选取3株长势中等的棉花，带回实验室处理并及时测量鲜重（Fresh weights，FW）。然后用干燥箱将叶片充分干燥后称干重（Dry weights，DW）。每个小区的样本取平均值，计算棉花叶片的含水量，包括主茎叶、果枝叶和分枝的叶片，含水量（Water content，WC））计算公式如下：

1.4 建模与评估 为了使用无人机图像的多光谱信息评估棉花含水量，首先对6个光谱波段与棉花冠层含水量进行了一元和二元的相关性分析，从而分析棉花叶片含水量的敏感波段。相关性分析使用皮尔逊相关系数（Pearson correlation coefficient），假设需要计算相关性的变量分别为X和Y，两者相关性计算公式如下：

植被指数由不同光谱波段进行计算得到，可在前人研究基础上更好地利用不同敏感波段间的数学关系实现含水量预测。使用最小二乘法对棉花叶片含水量与植被指数进行回归分析。最小二乘法通过计算预测值和样本值的均方误差，使所有样本到预测直线的欧式距离最小化，从而得到最佳的预测模型。设植被指数观测值为x，棉花含水量样本值为y，回归方程为：

2 结果与分析

2.1 波段敏感性 使用多光谱影像的6个波段与实测的棉花含水量进行回归分析，分别采用6个波段两两组合建立二元回归模型，得到36个波段组合的含水量预测结果，其R2的分布如图2所示。由图2可见，任何单波段的反射率图像都不能得到较好的预测结果，而选用2个波段组合往往能得到更好的预测结果。其中，红光波段（680nm）和近红外波段（800nm）组合可以得到最好的含水量预测结果（R2=0.56），说明棉花在红—近红外波长范围内的反射率特征对含水量的变化最为敏感，选择红—近红外（680～800nm）的光谱特征来进行棉花含水量监测最合适;其次，红—红边（680～720nm）的波段组合也得到了较好的预测结果（R2=0.52）。以往一些研究提出了绿色植物对红光的强吸收和对近红外光的强反射现象有利于提高植物的辨识度，从而提高其分类精度，一些常用的植被指数（如NDVI等）就是基于这些原理而提出。本研究结果表明，红—近红外范围内的光谱特征不仅能够反映植物的绿色程度，而且也是对棉花冠层的含水量最敏感的波段。

2.2 基于植被指数的含水量预测 植被指数通过对不同光谱波段进行算术运算来反映光谱间的关系。相对原始光谱反射率而言，植被指数能够更深入地反映某些特征。通过对光谱波段的敏感性分析可知，680～800nm是反映棉花含水量的最佳波段范围。因此，选用基于红波段和近红外波段的植被指数进行含水量预测。选用了归一化植被指数（NDVI）和比值植被指数（RVI），其计算公式如下：

通过观察这2个植被指数与棉花冠层含水量之间的散点分布关系，可以发现整体趋势呈抛物线型，而不是单调的线性关系。由此可知，当叶片含水量在某个值时，这2个植被指数的值达到峰值，而叶片含水量增高或降低，这2个植被指数呈降低趋势。因此，对2个植被指数分别构建一元二次模型，回归结果如图3所示。其中，NDVI的回归结果为y=-30x2+28.45x-5.976（R2=0.694，RMSE=0.0096），RVI的回归结果为y=-0.4896x2+2.743x-3.077（R2=0.693，RMSE=0.0097）。

由图3可知，2种植被指数的回归结果相差不多，使用NDVI的回归方程得到田间的棉花含水量空间分布预测图如图4a所示。由于棉花个体间存在差异，不利于小区间棉花含水量的分析，因此采用小区内取平均值的方式，得到各小区内棉花的平均含水量如图4b所示。由图4b可知，图像下方的小区棉花含水量整体高于上方的小区，这与灌水量规律一致，说明本方法达到了预测棉花含水量的效果;但图像上方的小区右侧棉花含水量预测值高于左侧，并不完全遵循灌水量的规律。究其原因可能是由于滴灌带自右往左供水，可能会造成管道末端供水量不足，导致左侧棉花含水量存在极低值;另外，NDVI值并不完全取决于棉花叶片的含水量，还受棉花种植密度、长势等影响，这在一定程度上也会产生误差。

3 结论与讨论

本研究利用无人机遥感平台搭载的多光谱相机对棉花冠层含水量进行了预测，结果表明：无人机多光谱影像具有预测棉花冠层含水量的潜力，红—近红外波段（680～800nm）是对棉花叶片含水量变化最敏感的波段;基于红—近红外波段反射率构建的植被指数（NDVI），得到了较好的预测结果，决定系数R2=0.69，比使用任意2个波段组合的预测结果高0.17以上。由此可见，本方法能够对南疆灌溉农业区的棉花进行无损、快速的含水量监测，具有重要的应用价值。今后可以结合多种信息源（如田间温度等）进行多元的建模以改善预测精度，使用其他建模方法（如机器学习），在田间试验中进一步精准控制水分灌溉量和作物种植密度等影响因素，从而提高预测精度。

参考文献

[1]Elsayed S， Mistele B， Schmidhalter U. Can changes in leaf water potential be assessed spectrally？[J].Functional Plant Biology， 2011，38（6）：523-533.

[2]Gamon，J. A.，& Qiu，H. Ecological applications of remote sensing at multiple scales. In F. I. Pugnaire，& F. Valladares （Eds.），Handbook of functional plant ecology[M]. New York： Marcel Dekker，Inc.1999：805-846.

[3]Inoue， Y.， Morinaga， S.， & Shibayama，M. Non-destructive estimation of water status of intact crop leaves based on spectral re?ectance measurements[J]. Japanese Journal of Crop Science， 1993，62：462-469.

[4]程晓娟，徐新刚，陈天恩，等.基于NIR-Red光谱特征空间的作物水分指数[J].光谱学与光谱分析，2014，34（6）：1542-1547.

[5]靳宁，张东彦，李振海，等.基于多光谱卫星模拟波段反射率的冬小麦水分状况评估[J].农业机械学报，2020，51（11）：243-252.

[6] Rossini M. Assessing canopy PRI from airborne imagery to map water stress in maize[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2013，86：168-177.

[7]Rallo，Minacapilli，Ciraolo，et al. Detecting crop water status in mature olive groves using vegetation spectral measurements[J]. BIOSYST ENG，2014，128：52-68.

[8]侯學会，王猛，高帅，等.综合近红外-红波段-短波红外三波段光谱特征空间的小麦冠层含水量反演[J].麦类作物学报，2020，40（7）：866-873.

[9]Víctor Blanco，Pedro José Blaya-Ros，Castillo C ，et al. Potential of UAS-Based Remote Sensing for Estimating Tree Water Status and Yield in Sweet Cherry Trees[J]. Remote Sensing，2020，12（15）：2359.

（责编：徐世红）