陳建福，趙亮，岳云開，付虹雨，許明志，張蕾，楊瑞芳，崔國賢，佘瑋

(湖南農(nóng)業(yè)大學農(nóng)學院，湖南 長沙 410128)

多光譜遙感是利用具有多個光譜通道的傳感器獲取同一目標不同譜段圖像的遙測技術(shù)[1]。多光譜遙感傳感器有多光譜相機、多光譜掃描成像儀等，不僅可以根據(jù)影像的形態(tài)和結(jié)構(gòu)的差異判別地物，還可以根據(jù)光譜特性的差異來對地物進行判別[2]，且其提供的遙感信息比單波段攝影更為豐富。相較于雷達和高光譜技術(shù)，多光譜獲取影像更為方便，同時還具有低成本、多尺度、多用途以及干擾因素少等優(yōu)勢[3]。

無人機(Unmanned aerial vehicles，UAV)憑借其操作簡便和機動靈活的優(yōu)勢，在農(nóng)業(yè)、林業(yè)、資源、生態(tài)、環(huán)境保護等領域的應用日益廣泛。將多光譜傳感器與UAV 技術(shù)相結(jié)合，可以較低的成本獲得地面高分辨率遙感圖像，進而對整個作物生長周期進行高時間分辨率研究，高精度地完成小范圍作業(yè)和實時監(jiān)測，對植物生長進行監(jiān)測和分析，以及評估土壤生產(chǎn)力。使用UAV 多光譜遙感技術(shù)精準獲取作物長勢、土壤養(yǎng)分、病蟲害監(jiān)測等實時動態(tài)數(shù)據(jù)，根據(jù)數(shù)據(jù)處理結(jié)果，可針對性地采取灌溉、施藥施肥等栽培措施以及估測作物產(chǎn)量等[4]。利用UAV 遙感技術(shù)獲取田間作物生長大數(shù)據(jù)，建立精準監(jiān)測模型并應用于農(nóng)業(yè)生產(chǎn)管理，對推進我國現(xiàn)代農(nóng)業(yè)建設具有重要作用。

1 農(nóng)業(yè)中的UAV 多光譜遙感技術(shù)

1.1 多光譜成像原理

多光譜傳感器通過電磁光譜捕捉特定頻率的圖像數(shù)據(jù)，獲取指定波段的地物信息[5]。人眼僅對400～700 nm 波長的可見光譜敏感[6]，而光譜成像還可以提取人眼無法捕捉的其他額外信息。因為盡管人們可以感受到從紫色到紅色的各種顏色，但光的波長比我們可見的視力更短(紫外)或更長(紅外)。這些肉眼看不見的波段能很好地顯示土壤和植物的農(nóng)藝特征。農(nóng)作物發(fā)射的波段區(qū)域主要在近紅外和紅邊區(qū)域，使得多光譜遙感技術(shù)在農(nóng)業(yè)中有其特殊的應用。多光譜成像還可以升級數(shù)碼相機，將近紅外圖像與可見光波段結(jié)合，提供更為豐富的遙感信息。

1.2 UAV 多光譜遙感系統(tǒng)

UAV 多光譜遙感系統(tǒng)主要包括無人機平臺、多光譜相機和數(shù)據(jù)處理系統(tǒng)等。農(nóng)業(yè)上采用的多為輕小型無人機。多光譜相機(400～1 100 nm)可以生成TIFF(Tag Image File Format)、JPEG(Joint Photographic Experts Group)或RAW(RAW Image Format)等格式的圖片數(shù)據(jù)[7]。小型多光譜相機一般像素數(shù)小。飛行高度低，單個圖像的成像區(qū)域小，將飛行期間獲取的多個圖像連接、校準和計算，能夠獲得大的聯(lián)合圖像。對這些數(shù)據(jù)進行計算后可得到反映可見光、近紅外波段反射與土壤背景之間差異的數(shù)值，用來定量說明植被的生長狀況，這類數(shù)值被稱為植被指數(shù)。利用多光譜成像技術(shù)得出的植被指數(shù)主要有以下幾種:光化學植被指數(shù)(Photochemical Reflectance Index，PRI)、歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)、增強植被指數(shù)(Enhanced Vegetation Index，EVI)、轉(zhuǎn)換型葉綠素吸收反射率指數(shù)(Transformed Chlorophyll Absorptionratio Index，TCARI)、氮素反射指數(shù)(Nitrogen Reflectance Index，NRI)、土壤調(diào)節(jié)植被指數(shù)(Optimized Soil Adjusted Vegetation Index，OSAVI)和比值植被指數(shù)(Ratio Vegetation Index，RVI)等。此外，利用UAV 還能通過數(shù)字表面模型(Digital Surface Model，DSM)獲得生成的多光譜圖像。UAV 多光譜遙感系統(tǒng)可以同時獲取地物的多光譜信息、紋理信息以及結(jié)構(gòu)信息[8]。

2 UAV 多光譜遙感技術(shù)在作物生長監(jiān)測中的應用現(xiàn)狀

2.1 UAV 多光譜遙感技術(shù)在植被分類與雜草識別上的應用

精確的植被分類與物種識別對種質(zhì)資源調(diào)查、鑒定和評價非常重要。大尺度的植被群落主要通過中、低分辨率多光譜影像來進行分類，但是很難區(qū)分植被物種，而高分辨率遙感影像可以用于局部小尺度植被的精細分類[9]。本世紀初，美國宇航局利用搭載高分辨率彩色多光譜成像儀的UAV 對1 500 hm2咖啡種植園進行了監(jiān)測，觀測了灌溉、施肥異常及雜草爆發(fā)等情況[10]。近年來，結(jié)合可見光圖像和多光譜圖像進行農(nóng)田雜草識別的研究不斷涌現(xiàn)。Louargant 等[11]使用配備近紅外光譜儀的UAV 分析了農(nóng)田雜草覆蓋率，認為航空遙感和衛(wèi)星遙感的數(shù)據(jù)遠遠比不上UAV 遙感采集到的數(shù)據(jù)。Irene等[12]精確提取了30、60 和100 m 高度的可見光和近紅外遙感圖像數(shù)據(jù)，利用多源融合方法識別雜草覆蓋范圍，并據(jù)此得到了除草劑應用圖譜。Maria等[13]基于UAV 得到向日葵農(nóng)田的遙感光譜圖像，將其與作物的行排列特性相結(jié)合，通過半監(jiān)督學習方法對雜草進行了高準確度識別，大幅度降低了雜草和作物的鑒別復雜度。目前大多數(shù)研究都是結(jié)合可見光和多光譜兩種圖像信息，利用機器學習法來識別農(nóng)田雜草[14]。

2.2 UAV 多光譜遙感在作物病蟲害監(jiān)測上的應用

當植物被病蟲入侵時，部分組織生長受限、海綿組織受傷、葉片色素百分比發(fā)生變化，導致可見光區(qū)域的兩個吸收谷不顯著，0.55 μm 處的反射峰隨植物葉片受損的程度增加而降低，甚至消失。UAV 多光譜遙感技術(shù)結(jié)合可見光和多光譜兩種圖像信息，可以更準確地監(jiān)測相關數(shù)據(jù)[15-16]。王小龍等[17]利用UAV 多光譜圖像對棉花蜘蛛螨害進行了較精準的識別。崔美娜等[18-19]基于UAV 多光譜圖像信息調(diào)查棉花螨害，通過提高特征選擇的可靠性獲取有效建模特征，從而建立了基于UAV 多時相影像數(shù)據(jù)的螨害Logistic 模型，并在此基礎上建立了螨害時空變化監(jiān)測模型，對實時感知螨害情況起到非常重要的作用。Severtson 等[20]使用UAV 多光譜圖像監(jiān)測油菜缺鉀與綠桃蚜蟲感染之間的關系，發(fā)現(xiàn)油菜缺鉀更容易感染綠桃蚜蟲。

2.3 UAV 多光譜遙感在作物植株水分含量監(jiān)測上的應用

傳統(tǒng)的作物水分調(diào)查取樣范圍有限，難以實現(xiàn)大范圍的動態(tài)監(jiān)測。UAV 多光譜遙感技術(shù)具有時效性強、監(jiān)測數(shù)據(jù)精度高，監(jiān)測范圍廣等特點，成功彌補了傳統(tǒng)監(jiān)測的不足[21]。陳俊英等[22]利用UAV多光譜相機獲取了棉花花鈴期數(shù)據(jù)，同時根據(jù)光合參數(shù)上的差異對植株含水率進行數(shù)據(jù)采集。張智韜等[23-24]從土壤含水量和土壤深度差異的角度得到了環(huán)境含水量與植物含水量的相關性，并提出了基于機器學習的水分反演模型。陳碩博[25]基于UAV多光譜傳感器獲取不同水分條件下的玉米冠層光譜影像數(shù)據(jù)，并對數(shù)據(jù)與植被指數(shù)、葉面積指數(shù)和表層土壤含水率的相關關系進行研究，構(gòu)建了棉花光合參數(shù)與水分反演模型。

2.4 UAV 多光譜遙感在作物長勢監(jiān)測上的應用

利用多光譜相機監(jiān)測植物長勢可以清晰地展示出植被信息[26]。高林等[27]使用UAV 多光譜相機對大豆的葉面積指數(shù)進行監(jiān)測，將其正射影像與葉面積指數(shù)對比可以得到調(diào)查時期的數(shù)據(jù)，對大豆的長勢評估具有重要指導意義。孫詩睿等[28]結(jié)合隨機森林算法反演冬小麥葉面積指數(shù)，最終確立了反演模型，說明UAV 搭載多光譜傳感器預測冬小麥的葉面積指數(shù)是可行的。魏鵬飛等[29]基于UAV 多光譜影像結(jié)合逐步回歸方法，對田塊尺度夏玉米葉片氮素含量進行精確遙感估算，實現(xiàn)了關鍵生育期玉米成長情況以及各成分的監(jiān)測。陳浩等[30]結(jié)合葉綠素相關的9 種植被指數(shù)與遙感數(shù)據(jù)，構(gòu)建了夏玉米冠層葉綠素含量最佳估測模型，實現(xiàn)了田間尺度的夏玉米冠層葉綠素含量的實時監(jiān)測。劉昌華等[31]利用搭載Mini-MCA 多光譜相機的UAV 對冬小麥4 個不同生長階段的冠層多光譜數(shù)據(jù)進行監(jiān)測，將其與全生育期數(shù)據(jù)進行相關處理，確定了植株吸氮量和氮營養(yǎng)指數(shù)的回歸分析模型，為氮肥的精準管理提供了可靠依據(jù)和技術(shù)指導。楊飛[32]選取7 個關鍵的植被指數(shù)，通過回歸分析得到了基于UAV 多光譜影像的夏玉米氮營養(yǎng)指數(shù)估測模型，用于監(jiān)測夏玉米的氮素營養(yǎng)狀況。

2.5 UAV 多光譜遙感在作物產(chǎn)量估測上的應用

農(nóng)作物產(chǎn)量的估測關系到農(nóng)產(chǎn)品市場價格平衡以及農(nóng)業(yè)結(jié)構(gòu)調(diào)整等眾多方面，對保障我國糧食安全具有舉足輕重的作用。湯文超[33]基于地面遙感與UAV 遙感平臺對油菜進行天地動態(tài)立體監(jiān)測，結(jié)合油菜的理化參數(shù)及最終產(chǎn)量提出了較準確的估算方法，并評價了不同生長期油菜生長狀況對最終產(chǎn)量的影響。張玉萍等[34]構(gòu)建了不同施氮量下的小麥遙感估產(chǎn)模型，為精準農(nóng)業(yè)經(jīng)營管理提供決策參考。孫世澤等[35]將Micro MCA12 Snap 傳感器搭載到UAV 上獲取多光譜圖像，結(jié)合最佳指數(shù)因子和最佳組合波段，構(gòu)建了天然草地生物量估算模型。韓文霆等[36]基于UAV 多光譜遙感系統(tǒng)估測了夏玉米產(chǎn)量并對不同時期玉米生長特征分別進行建模。彭星碩[37]通過旱區(qū)夏玉米非充分灌溉試驗，建立了基于UAV 多光譜遙感與作物模型耦合的旱區(qū)夏玉米估產(chǎn)模型，并利用夏玉米實測數(shù)據(jù)驗證與評價同化系統(tǒng)的準確性和可靠性，認為在輕度水分不充分灌溉的條件下，夏玉米估算精度較高。王來剛等[38]基于UAV 多光譜遙感系統(tǒng)對玉米葉面積進行遙感監(jiān)測，構(gòu)建了玉米產(chǎn)量估算模型。綜合分析發(fā)現(xiàn)，在基于多光譜信息的作物產(chǎn)量估測研究中，利用NDVI、EVI 和GNDVI 這3 種植被指數(shù)建模的精確度較高[39]。

3 問題與建議

利用UAV 多光譜遙感獲取作物生長信息并對圖像信息特征進行分析，有助于了解作物表型大數(shù)據(jù)和研究作物生長機理，并可根據(jù)作物生長狀況結(jié)合栽培措施指導農(nóng)業(yè)生產(chǎn)。特別是當作物生長受阻或遇到極端天氣時，UAV 多光譜遙感圖像能迅速為各行業(yè)專家提供參考數(shù)據(jù)，保障作物穩(wěn)產(chǎn)。但是，UAV 多光譜遙感作為作物生長精準監(jiān)測技術(shù)也存在一些問題。第一是圖像處理軟件大多功能單一，無法應對復雜的農(nóng)業(yè)環(huán)境，人為切割區(qū)域分析效率低下[40]。如何提高自適應算法的多樣性，建立不同作物數(shù)據(jù)庫以及自適應的算法是今后研究的關鍵。第二是大部分研究采用統(tǒng)計學方法來建模，現(xiàn)代科學前沿的人工智能方法因難度大而尚未普及。因此，結(jié)合人工智能和神經(jīng)網(wǎng)絡對圖片信息進行識別分析和建模也是未來的工作重點[41]。第三是目前機載多光譜相機的頻譜波段一般有4～6 個，波段范圍較寬，光譜分辨率較低，圖像的空間分辨率也較低，需要與高分辨率的數(shù)碼相機或高光譜相機進行圖像融合才能達到更高的應用需求[42]。

UAV 多光譜遙感是一種新興且具有遠大前景的大數(shù)據(jù)獲取技術(shù)，雖然目前仍處于發(fā)展初期，但是因為其無損、高效和高通量的特點，已經(jīng)逐漸取代傳統(tǒng)監(jiān)測方法，在資源、生態(tài)、環(huán)境保護等領域中得到了應用[43]。在精準農(nóng)業(yè)中，準確快捷獲取不同作物的多光譜圖像特征信息是實現(xiàn)精準管理的重要手段，相關技術(shù)與方法的突破對現(xiàn)代化農(nóng)業(yè)、信息化農(nóng)業(yè)與智能化農(nóng)業(yè)的發(fā)展具有重要意義。