基于无人机遥感的小麦无人驾驶系统作业质量评估*

孙梦遥，胡冰冰，陈华，陈玉梅，吴才聪，徐岚俊

(1.北京市农业机械试验鉴定推广站,北京市,100079;2.昆仑北斗智能科技有限责任公司,北京市,102200;3.中国农业大学,北京市,100083)

0 引言

以农机辅助驾驶系统[1]、农机无人驾驶系统[2-4]等为代表的智能农机近年来发展迅速,智能农机可延长作业时间、提高土地利用率、降低劳动强度、提高农业生产效率和辅助相关管理部门决策[5-6]。当前,智能农机已应用于农业生产的耕整地、播种、田间管理和收获全环节,但对基于智能农机作业的小麦与人工驾驶作业的小麦在出苗率及长势方面的差异研究较少。

农作物出苗率和长势[7]研究对于维持国计民生、保障粮食安全及粮食市场宏观调控等方面,具有重要的理论价值与现实意义[8]。传统的小麦出苗率和长势监测大多依靠现场调查、人工采样和生化分析等手段进行,监测效率低、监测范围有限,还需要投入大量的人力物力,且存在一定的破坏性。自20世纪70年代遥感技术在资源环境领域应用的兴起,卫星遥感监测[9-11]方法已成为农业监测与评估的有利手段。随着遥感技术的发展,小麦出苗率和长势监测逐渐向智能化、系统化方向发展,空天地遥感平台被广泛应用于小麦出苗率和长势监测中,但各类平台仍存在一定的局限性[12],或受环境影响较大,或不能即时的反映小麦的生长情况,无法对小麦出苗率和长势进行全面、综合的评价。为此,引进了无人机影像技术、遥感技术和传感器技术[13-14],无人机遥感手段既能满足高分辨率要求,且可在花费较少野外工作量的情况下,获取较大范围的即时、无损、可靠的农作物生长信息[15],利用无人机获取小麦出苗期和返青期的真彩色和多光谱数据,计算相应指数,基于小麦出苗率的指数模型、长势模型,计算小麦出苗率和长势,准确掌握小麦出苗率、长势,为后期预测小麦产量提供科学依据。

本文以小麦为研究对象,利用无人机获取农机无人驾驶系统作业、农机辅助驾驶系统作业、人工驾驶作业3个区域的真彩色影像和多光谱影像,分别计算不同作业模式下小麦的出苗率和长势指数。以期为智能农机在小麦播种作业中的优势与价值提供参考。

1 材料与方法

1.1 研究区概况

研究区(图1)位于北京市密云区北单家庄,地理坐标为40°20′35″～40°21′00″N,116°51′15″～116°51′40″E,属于暖温带季风型大陆性半湿润半干旱气候,四季分明,干湿冷暖变化明显,年平均气温为10.8 ℃。

图1 研究区不同作业模式边界划定示意图Fig.1 Schematic diagram of the demarcation of boundaries between different operating modes in the study area

种植方式以小麦与玉米轮作为主,冬小麦通常在9月份种植,次年6月份收获。该研究区麦田总面积20.47 hm2,中央区域9.2 hm2范围为重点实验区,包括无人驾驶系统作业面积2.93 hm2、辅助驾驶系统作业面积2.4 hm2、人工驾驶作业面积3.87 hm2。

1.2 数据获取与预处理

1.2.1 无人机影像获取与预处理

2021年11月20日(出苗期)和2022年4月25日(返青期),分别进行了小麦出苗率和小麦长势数据采集。无人机平台采用大疆经纬系列M300无人机,搭载禅思P1可见光镜头,包括蓝绿红3个波段,主要采集冬小麦真彩色影像;大疆精灵4多光谱版无人机,包括蓝绿红、红边、近红外5个波段,主要采集冬小麦多光谱影像。无人机及传感器主要参数如表1～表3所示。无人机参数设置应综合考虑研究目的、测区情况及无人机自身性能。航向重叠度与旁向重叠度越高,影像拼接效果越好,但高度重叠会造成影像数据量大、拼接费时、电脑硬件要求高等问题。

表1 M300无人机主要参数表Tab.1 M300 UAV main parameters table

表2 精灵4多光谱版无人机主要参数表Tab.2 Genie 4 multispectral version of the drone main parameters table

表3 禅思P1相机主要参数表Tab.3 Zenmuse P1 camera main parameter table

本研究设计航向80%、旁向70%的重叠率,其中出苗期无人机飞行高度为80 m,返青期无人机飞行高度为100 m。由于飞行速度过快易造成地物影像模糊,本研究设定无人机航速为10 m/s,传感器镜头垂直向下,拼接影像涵盖整个研究区。研究区为大面积冬小麦种植区,区内典型地物相对较少,为方便后期影像几何校正处理,于测区内均匀布设10个航测标志点,作为典型参考点。航拍前均在地面放置一块校准反射面板,每个架次起飞前,手动控制飞机悬停于校正板上方2.5 m处拍照,获得当时条件下标准反射率值。

获取无人机影像后,采用大疆智图软件进行拼接,在影像处理过程中利用飞行前获得的校准反射面板数据校正所有航拍影像。

使用ENVI 5.3软件,以研究区数码正射影像为参考影像,全区均匀选取30个参考点(包括10个航测标志点)对多光谱影像进行几何校正,检验图像几何纠正误差小于2个像元。根据地面实测数据点在影像上的位置,构建样本点的感兴趣区域(Region of Interest,ROI),以ROI范围内平均反射率光谱值作为该点的冬小麦反射率光谱,以此得到各样点反射率光谱数据。

1.2.2 小麦出苗率实测数据获取

实地采集数据过程中,确定样方,记录样方内一垄已露出土壤的出苗小麦粒数;为增强样本数据代表性,记录采集样方所在耕作区域5 m长度内所包含的垄数,作为所选样方内小麦种植垄数。基于空间定位技术,将实地采集的麦苗数据进行空间化。本次实测数据采集共设计样方45个,规格统一为1 m×1 m。其中,人工驾驶区分布样方18个,辅助驾驶区分布样方13个,无人驾驶区分布样方14个。空间化过程中为每一个样方分配唯一编号,样方分布与ID号如图2所示。

图2 小麦田实测样方与样方ID号示意图Fig.2 Schematic diagram of the measured sample square and the sample square ID number of the wheat field

1.2.3 小麦长势实测数据获取

通过沿着农田边界随机进行数据采样,共采集样本点61个,如图3所示。

图3 踏田巡查路线与拍照点分布示意图Fig.3 Schematic diagram of the distribution of the patrol route and the photo points in the field

1.3 出苗率计算

1.3.1 麦苗识别与提取

麦苗识别与提取工作以人工判读基础,在航拍监测区域范围内拾取麦苗特征点;基于确定的特征点,利用超绿值(ExG)[16-17]和最大类间差法相结合的方法将麦苗从农田背景中提取出来(图4)。超绿色提取绿色植物图像效果较好,阴影、枯 草和土壤图像等均能较明显的被抑制,植物图像更为突出,对于作物识别或杂草的识别最常用的灰度化方法为超绿色法：ExG=2G-R-B为将植物和背景分割需先确定一个阈值,然后将每个像素点的灰度值和阈值相比较,根据比较的 结果将该像素划分为植物或者背景。最大类间方差法(Ostu 法)利用目标区域与背景区域之间的方差最大的思想,达到分割图像的目的。选取最佳阈值时,目标与背景之间的方差值最大,小于阈值的区域为背景区域,大于阈值的区域为目标区域,即可将需要的区域区分开来。

图4 麦苗识别与提取Fig.4 Seedling identification and extraction

1.3.2 植被指数计算

在用于精准农业的各种植被指数中,归一化植被指数(NDVI)[18-19]是应用最为广泛的一种。NDVI通过测量近红外(植被强烈反射)和红光(植被吸收)之间的差异来量化植被,有助于了解植物如何生长和发育。

(1)

式中：BandNIR——地物在近红外波段的反射率;

BandR——地物在红光波段的反射率。

负值主要是因水体信息产生,接近零的值则主要由于岩石和裸土而产生,正值表示有植被覆盖,且随覆盖度增大而增大。

监测区小麦田NDVI示意图如图5所示。

图5 监测区小麦田NDVI示意图Fig.5 Schematic diagram of wheat field NDVI in monitoring area

1.3.3 实测出苗率计算

目前已收集到的数据内容包括：3个种植区域的播种时间都是10月20日,小麦播种密度450 kg/hm2,施肥无差别。小麦品种统一是农大5181,千粒重0.043 kg,正常出苗率91%;上述内容结合实测数据,计算每个样方的粒数和出苗率。对于每个样方的播种粒数,整个区域播种均匀,每个样方内所播种的麦粒数均相同,结果如表4所示。

表4 样方小麦出苗率统计表Tab.4 Statistical table of seedling emergence rate of square wheat

1.3.4 区域出苗率计算

基于实测计算的出苗率与区域NDVI建立对应关系,利用逐步多元线性回归(SMLR)建立麦苗估测模型,并利用空间分析技术,求取区域出苗率(图6)。

图6 无人机小麦密集度空间分布示意图Fig.6 Spatial distribution of wheat density in UAVs

1.4 长势指数计算

1.4.1 基础指数计算

本次基于P4M无人机获取的多光谱数据,计算麦田区域的归一化植被指数(NDVI)、归一化差异红色边缘指数(NDRE)、优化型土壤调节植被指数(OSAVI)、叶面叶绿素指数(LCI)和归一化差值植被指数(GNDVI),五种指数综合构建冬小麦长势指数,基于长势指数空间分异性统计不同区域长势状况。

1) 归一化差异红色边缘指数(NDRE)。本次实地调查过程中发现,不同区域小麦长势有明显差异,东侧长势较为旺盛。而NDVI指数在植被长势旺盛的区域灵敏度较低,会出现饱和现象。因此,本次研究加入NDRE指数。该指数使用红边波段代替红光波段,能够在高植被区域更灵敏的反映植被的叶绿素含量,公式如式(2)所示。

(2)

式中：BandNIR——近红外波段反射率;

BandRE——红边波段反射率。

2) 优化型土壤调节植被指数(OSAVI)。NDVI指数仅考虑了植被因素,而OSAVI则将土壤因素纳入考量。在植被生长初期、密度不高的时候,可以更好地排除土壤影响、反映植被的叶绿素含量。因此对于本次研究,小麦返青期相对较为稀疏时,OSAVI能够更为全面得对小麦长势进行诊断。公式如式(3)所示。

(3)

式中：BandR——红光波段反射率。

3) 叶面叶绿素指数(LCI)。LCI在判断绿色植被的叶绿素和含氮量方面具有较好的效果,在植被长势监测中应用也较为广泛。公式如式(4)所示。

(4)

4) 归一化差值植被指数(GNDVI)。GDNVI相对于NDVI有较高的稳定性,也经常用于植被覆盖监测、植被和作物健康度调查中。本次监测也将该指数纳入模型中。公式如式(5)所示。

(5)

式中：BandG——绿光反射率。

1.4.2 小麦长势指数计算

本文针对小麦长势监测,将上述5个植被指数进行综合,形成一个新的指标,即长势指数。具体方法是首先对单独指标进行归一化,根据本研究所选用的植被指数值域特征,归一化计算采用如式(6)所示。

(6)

式中：Xi——第i个指数的像元值;

Xmax——第i个指标在该生长监测期的最大值。

对归一化后的每个指标再分别赋予相同的权重因子,即0.2,综合计算得到长势指数。

2 结果与分析

2.1 小麦出苗率

基于实测数据、无人机数据,结合农作物模型,分别对人工种植区、辅助驾驶区和无人驾驶区进行小麦出苗率估算,结果如表5所示。可以看出,位于东侧的无人驾驶区出苗率最高,达到79.56%;辅助驾驶区出苗率次之,为78.91%;西侧的人工驾驶区出苗率最低,为60.43%。樊高琼等[20]研究发现,小麦出苗率受播种深度的影响,所以在相同环境条件下,采用不同驾驶模式种植的小麦,无人驾驶和辅助驾驶在播种过程中,运动波动(结合横向及纵向波动)影响较小,对于种子的落床深度差异影响较小,所以出苗率较高,而人工驾驶受人为因素影响较大,使得人工驾驶模式下小麦出苗率显著降低。

表5 不同作业模式下的小麦出苗率Tab.5 Wheat emergence rates under different operating modes

2.2 小麦长势指数

小麦长势指数是评价小麦长势、预测小麦产量的重要指标[5]。从小麦长势指数(图7、表6)分析得知,无人驾驶区域冬小麦长势最好为0.853,其次为辅助驾驶区为0.806,再次为人工种植区为0.757。

表6 不同耕作区长势指数统计表Tab.6 Statistical table of growth potential index of different farming areas

图7 监测区冬小麦长势指数空间分布图Fig.7 Spatial distribution of winter wheat growth index in monitoring area

3 结论

基于无人机遥感数据和田间实测数据,结合农作物模型,实现了对研究区人工驾驶、辅助驾驶和无人驾驶等不同作业模式下小麦出苗率和长势指数的分析。

1) 整体来看,无人驾驶区和辅助驾驶区出苗率高于人工驾驶区,无人驾驶区出苗率相对辅助驾驶区高出少许,其中,基于无人驾驶系统作业的小麦出苗率最高,为79.56%;基于辅助驾驶系统作业的小麦出苗率次之,为78.91%;基于人工驾驶作业的小麦出苗率最低,为60.43%。

2) 基于无人驾驶系统作业的小麦长势指数最好,为0.853;基于辅助驾驶系统作业的小麦长势次之,为0.806;基于人工驾驶作业的小麦长势最差,为0.757。

3) 从数据获取途径和表达范围来看,无人机遥感数据更能全面、客观地反映出整体区域的状况。