基于无人机低空多光谱遥感监测的烤烟株高研究

边琳，叶飞，王建雄

（1.云南大学滇池学院，云南昆明 650228；2.云南农业大学／云南省高校农业信息技术重点实验室，云南 昆明 650201）

无人机低空光谱遥感系统因具有操作方便、成本低、精度高等优势在农业中的应用越来越广泛［1-10］，现已用于作物长势监测、作物病虫害监测、农作物养分监测等相关领域［11-15］。李明泽等利用无人机低空多光谱数据并结合多种参数，基于核变换的偏最小二乘原理构建了植被冠层叶绿素相对含量的估测模型，模型决定系数达到0.855，平均绝对百分误差为9.6%，预测精度为89.7%［16］。Ballester等利用无人机 ＋Micasense Red Edge多光谱相机采集到整个生长周期棉田的多光谱图像并对其氮素的时空分布进行研究，得出棉花不同生长时期的氮素最佳预测模型对应的植被指数存在差异［17］。张瑜等利用六旋翼无人机搭载的多光谱相机获取到不同水分胁迫下的玉米冠层光谱影像，并基于比值植被指数（simple ratio index，SR）、表层土壤含水率（surface soil moisture，SM）、叶面积指数（leaf area index，LAI）建立了玉米作物系数估算模型，模型修正的决定系数、均方根误差和归一化的均方根误差分别为0.60、0.21和23.35%［18］。李冰等设计了以低空无人直升机搭载的多光谱载荷观测系统，并对冬小麦5个主要的生育时期进行监测，提出一种在时序性影像的植被指数直方图中获取植被指数阈值、提取空间尺度植被覆盖度的方法［19］。Houborg等基于中等分辨率的光谱辐射仪结合STEM-LAI方法获取数据，利用回归树方法生成MODIS模型，对比后得出 Landsat采集得到的叶面积指数数据精度更高，适用面更广［20］。本研究利用无人机低空遥感采集图像数据，并与实测的理化数据相结合进行建模，分析烤烟不同生育期的株高结构，利用不同波段光谱反射信号的差异探测烤烟在不同高度上的光谱吸收特征，探索基于植被指数再合成方法的烤烟长势分析，对烤烟生长情况进行遥感监测，以期为分析作物生长高度与光谱反射率的变化关系、发展新一代遥感提供理论和实验基础。

图1 研究区域图

1 材料与方法

1.1 试验区概况

试验在云南农业大学现代农业教育科研基地（25°31′9″N，103°16′54″E，海拔 1 859 m）进行（图1）。该基地位于云南省昆明市东北部的寻甸回族彝族自治县大河桥农场（102°41′～103°33′E、25°20′～26°01′N），土壤类型为红壤，常年种植烤烟、马铃薯、玉米、蚕豆、水稻等作物；旱雨两季分明，每年5月至10月为旱季，干旱少雨，11月到次年4月为雨季，潮湿多雨。

1.2 试验材料

供试烤烟品种为云烟87，移栽到大田的时间为2018年5月8日，收获时间为2018年7月19日，本研究时段选择移栽后的缓苗期、团棵期、旺长期和成熟期4个生育时期，共计72 d。各生育时期的划分见表1。

1.3 数据采集

从烤烟移栽大田第二天起开始本次试验，每7 d采集一次烤烟光谱数据（第8次和第9次中间相隔两周），同时在烤烟田中选取7个点，每点选3株烤烟，测量其株高、茎粗、叶绿素含量及根周土壤含水率，并选取无阴影遮挡的地块，利用照度计测量气温与紫外线强度。

表1 烤烟生育时期划分

1.3.1 光谱数据采集 本研究利用DJI M100航拍仪搭载Parrot Sequoia多光谱传感器获取试验区烤烟的遥感影像，可捕获烤烟在绿波段（GRE）、红波段（RED）、红边波段（REG）、近红外波段（NIR）的反射光，多光谱传感器及各波段具体参数见表2、表3。用Pix4D mapper软件进行试验区域的自动航测，可自动校准影像、划定试验区域与飞行航线，当飞行高度为30 m、飞行速度为5 m／s左右、航向重叠率为80%、旁向重叠率为80%时拍摄的图像精度高，数据更加精准；同时利用照度计记录试验区光照强度，搭配实时图传后即可显示飞行高度和GPS定位等信息。

表2 多光谱传感器参数

表3 多光谱四波段相机各波段参数 （nm）

1.3.2 理化数据采集 株高：用卷尺测量烟株最高主茎自地面至顶端的高度；茎粗：用游标卡尺测量烟株最高主茎的直径；叶绿素含量：用叶绿素仪测量烟株冠层4个叶片的叶绿素含量；土壤含水率：清除根周土壤表层杂质，将土壤水分仪的探针插入土壤10 cm深处，读取并记录含水率。

1.4 数据处理

1.4.1 烤烟影像数据镶嵌融合处理 采集到的遥感数据会受到当时光照、大气等因素对烤烟影像造成的地物反射的影响，因此，需要将采集到的数据经Agisoft PhotoScan处理后再进行ENVI的Flaash大气校正，以有效地消除水蒸气、二氧化碳、氧气等对影像的影响，保证获取到更加真实的光谱反射率。

1.4.2 试验小区影像提取 将经过Agisoft PhotoScan、ENVI以及Flaash大气校正后的遥感图像导入ArcGIS 10.4中，根据本研究地块的范围和大小，通过创建新的矢量图来绘制该地的边界，并用此矢量图在数字高程模型（DEM）中利用掩膜截取试验区影像，最后利用分区统计分别提取GRE、RED、REG、NIR四波段以及烤烟株高的影像数据。

1.4.3 多光谱反射率及烤烟高度提取 依据前期的拍摄及拼图，得到栅格数据的图像，进一步用ArcGIS10.4软件矫正图像，通过创建渔网网格把试验区划分为N个小方格，进行分区统计，最终得到试验田12 450个网格数据（多光谱反射率、高度），将DEM中的烤烟株高数据统一减去研究区海拔高度1 859 m，即得到时间周期内烤烟的实际株高。为了保证数据的精度，以及减少一些不必要的繁重步骤，根据拍摄的时间顺序，把每次经过以上处理获得的4个波段光谱数据与烤烟株高数据，按照该期烤烟株高由低向高的顺序进行4个波段光谱数据的排列，500为一组求均值，最终得到25组烤烟株高与各个波段对应的数值。试验区影像的四波段反射率提取结果见图2。

1.5 模型构建

在SPSS软件中选取线性、二次项、复合、增长、对数、立方、S、指数、逆模型、幂和 Logistic 11种方程对试验数据进行拟合，选取拟合度较高方程表示光谱反射率和烤烟株高的关系。R2反映的是回归方程能够解释的方差占因变量方差的百分比，被称作拟合指数或决定系数，本研究即用R2评价方程的拟合效果，R2越大拟合效果越好，大于0.7说明方程对样本点的拟合效果较好，能够达到显著性水平。根据方程R2值选出拟合较优各波段对烤烟株高的方程。

1.6 模型验证

本研究采用均方误差、平均绝对误差、均方根误差对模型进行验证。

均方误差（mean square error，MSE）是指所测参数的估计值与真实值之差平方的期望值。MSE的值越小，模型的精确度越高。公式如下：

平均绝对误差（mean absolute error，MAE）又称平均绝对离差，通常为单个观测值与真实值偏差的绝对值的平均，能有效避免误差相互抵消的问题，因而可以准确反映误差的大小。公式如下：均方根误差（root mean squard error，RMSE）是均方误差的算术平方根。公式如下：

图2 烤烟试验区影像四波段反射率提取结果

公式（1）（2）（3）中，xi为参数测试值为 参数真实值，本研究中用实测值的平均值，m为测试的次数。

2 结果与分析

2.1 多光谱反射率与烤烟株高关系

选取不同生育时期烤烟影像数据，以烤烟株高（m）为横轴，光谱反射率为纵轴，建立烤烟光谱反射率与株高的关系，结果见图3。在缓苗期0～0.07 m株高范围内，GRE与RED曲线基本相一致，REG与NIR曲线变化相近，红波反射率能较好体现烤烟株高。在团棵期0～0.10 m株高范围内，四个波段变化曲线基本一致，其中红边波反射率能较好体现该时期烤烟株高。在烤烟旺长期0～0.40 m株高范围内，四个波段反射率曲线变化趋势基本相似，近红外波反射率能较好体现烤烟高度。在成熟期0～1.00 m株高范围内，四条曲线变化趋势基本相同，绿波反射率能较好体现烤烟高度。

2.2 模型构建

试验过程中发现多光谱反射率与成熟期烤烟株高的拟合效果最好，因此最终以成熟期烤烟株高构建其与多光谱反射率的拟合模型。采用各种方程对烤烟株高与各光谱反射率进行拟合，结果（表4）显示，在GRE波段中，二次、三次、线性方程的R2值较大，拟合程度高，因此选用二次、三次、线性方程构建GRE与烤烟株高的模型；在RED光谱中，二次、对数、三次方程的R2值较大，拟合度最高；在REG波段，三次、二次、倒数方程的R2值较大，拟合程度最高；在NIR波段，线性、二次、对数、三次方程的R2值最大，拟合程度高。据此，选择各波段拟合程度最高的方程式进行组合，进而构建出成熟期四个波段与烤烟株高拟合模型，见图4。其中，GRE波段与成熟期烤烟株高拟合的R2最大，因此确定成熟期烤烟株高与光谱反射率的最优拟合模型为y＝26.275x3-5.158x＋0.923，式中x为绿波段的反射率，y为成熟期烤烟株高。

图3 光谱反射率与烤烟株高关系

图4 成熟期烤烟株高与各波段反射率拟合模型

表4 成熟期四波段拟合方程R2值

2.3 模型验证

选取移栽51、65、72 d处于成熟期的烤烟数据对模型进行验证。经外业拍摄和内业数据处理得到烤烟 GRE、RED、REG、NIR的反射率，见表5，然后利用构建的模型估算烤烟株高并进行检验，结果（表6、表7）显示，在烤烟移栽第51天时，实测株高0.736 m，拟合值均高于实际值，GRE波段拟合值最接近实际值，RED波段拟合值最高；移栽第65天时，实测株高0.890 m，拟合值也均高于实际值，GRE波段拟合值与实际值相近，NIR波段拟合值最高；移栽第72天时，实测株高0.988 m，除REG波段拟合值低于实际值外，其余波段拟合值均高于实际值，仍以GRE波段的拟合值与实际值最接近，RED波段的拟合值最高。通过误差分析，GRE、RED、REG、NIR波段拟合的MSE值均低于MAE与RMSE值，分别为0.0002、0.0167、0.0055、0.0031，GRE波段误差最小。表明，利用本研究构建的基于绿波波段光谱反射率估算成熟期烤烟株高具有一定的可行性。

表5 成熟期烤烟各波段反射率值

表6 成熟期烤烟株高实际值和拟合值 （m）

表7 误差分析结果

3 讨论与结论

本研究通过对移栽后烤烟试验区的多光谱信息采集、处理与分析，建立了烤烟不同生育时期光谱反射率与株高的关系，结果发现，缓苗期红波反射率能较好体现烤烟高度，团棵期红边波反射率能较好体现烤烟高度，旺长期近红外波反射率能较好体现烤烟高度，成熟期绿波反射率能较好体现烤烟高度，其中尤以成熟期的效果最好。选用成熟期烤烟株高数据建立其与多光谱反射率的拟合模型，并用误差分析指标对模型进行验证，结果表明，绿波段光谱反射率与烤烟株高的拟合模型R2值最高，拟合度最高，误差最小，由此确定烤烟株高的最优估算模型为y＝26.275x3-5.158x＋0.923，式中x为绿波段的反射率，y为成熟期烤烟株高。

本研究为建立基于多光谱特征的烤烟株高信息模型提供了新的思路与方法，对无人机遥感在农作物“立体”状态下的株高特征提取与试验应用也提供了依据。但由于试验周期、气候条件、实验操作以及作物不确定性因素等原因的限制，在今后的试验研究中，仍需从无人机采集的数据量、试验模型构建等方面进行不断的优化和完善。