基于无人机遥感技术的黄华占水稻施肥决策模型研究

臧 英，侯晓博，汪 沛，3，周志艳，姜 锐，李克亮

（1.华南农业大学 南方农业机械与装备关键技术教育部重点实验室，广州 510642；2.广东省农业航空应用工程技术研究中心，广州510642；3. 江苏大学 电气信息工程学院，江苏镇江，212013）

氮肥是提高作物产量的最有效的肥料之一[1]。 传统的根据经验施肥测定方法不可避免的造成有些地方肥料施用不足、有些地方肥料施用过量。 我国氮肥利用率低，且大量的得不到有效的吸收利用的氮肥会以某种形式流失掉，对生态环境造成不容忽视的影响[2]。 养分的精准管理是确保水稻健康优质高产和保障农业生态环境的重要手段之一[3-4]。 因此，快速、准确大面积地掌握作物的长势信息，并进行合理的氮肥管理，既保证了作物的产量和品质，又提高了氮肥利用率，削减了对环境造成的危害[5]。

无人机遥感平台能够快速、无损、大范围的获取水稻长势信息，操作灵活、对起飞场地依赖低、飞行成本低、具有更高的作业效率，并且获得的数据具有更高的分辨率和质量[6]。 利用无人机搭载遥感传感器获取作物冠层图像，通过图像拼接和融合技术，结合相关数据，对作物氮素信息进行定量分析，能够实现养分状况评估，进行合理施肥[7]。 马明洋等[8]使用无人机搭载数码相机来反演水稻的SPAD 值，通过一元线性回归和BP 神经网络法进行建模，表明无人机搭载数码相机检测SPAD 是可行的，且BP 神经网络法建立的反演模型精度提高11%。BALLESTEROS 等[9]利用多光谱遥感预测玉米的LAI 与实测LAI 的相关系数高达0.94。SWAIN 等[10]获取了5 种不同氮素水平下水稻的无人机遥感图像，通过统计分析发现在幼穗分化期，5 种不同氮素水平下的NDVI 与水稻总生物量的回归系数达到0.760； 表明利用无人机遥感平台获取的遥感图像能够很好地代替卫星图像对水稻的产生物量进行估算。 刘奕彤等[11-13]利用NDVI、RVI 和RNR 建立的玉米氮素多元回归模型的决定系数达到了0.870。姚霞等[14]研究了基于无人遥感的植被指数与冠层叶片氮含量、叶片氮积累量等指标之间的关系，结果表明基于无人机多光谱遥感监测小麦氮素状况和生长特征准确性较高，能够定量反演小麦的氮素营养和生长状况。 以上研究均是通过无人机遥感图像提取的特征参数与表征作物氮含量的生理指标的相关关系进行诊断水稻营养状况，而深入田间获取作物的叶片、植株等的氮含量指标费时费力，且采样具有一定主观性，所建模型精度有待提高。 本研究基于无人机遥感平台获取不同氮素水平下和传统施肥下的水稻冠层多光谱图像，构建了一种基于标准种植比值指数法的无人机遥感水稻变量施氮决策模型，解决了水稻变量施氮决策中需要考虑土壤理化性质等影响因素，数据采集易受气象因子干扰、周期长、成本高等问题，也为其他水稻品种精准施肥决策模型的建立提供参考。

1 材料与方法

1.1 试验材料

本研究采用的水稻品种为适宜广东省各地晚造种植和粤北以外地区早造种植的黄华占。 黄华占水稻是以黄新占为母本、丰华占为父本杂交后，采用系谱法选育而成，是一种感温型常规稻品种。 早造全生育期129～131d。株型较好，植株较高，叶片长、直，转色顺调，结实率较高。株高93.8～102.8cm，穗长21.0～21.8cm，每公顷有效穗321 万，每穗总粒数118.3～123 粒，结实率80.5%～86.8%，千粒重22.2～23.1g。 本研究所用的黄华占稻种来自深圳隆平金谷种业有限公司。

1.2 试验区概况

为了建立黄华占水稻生育期变量施肥模型，本研究于2018年在华南农业大学教学科研基地进行了田间试验。 试验地点位于广东省广州市增城区华南农业大学教学科研基地，北纬23.242906°、东经113.643888°，年平均气温22.4°C，年降雨量1500～2000mm。试验区测得的基础土壤养分中碱解氮含量为48.545mg·kg-1，有效磷含量为 44.820mg·kg-1，速效钾含量为 103.875mg·kg-1，全氮含量为 0.559g·kg-1。 以 2018 早稻试验田的数据建立施肥模型，以2018年晚稻试验田的数据进行模型验证。

1.3 试验设计方案

建模试验区的分布如图 1。 试验区设置 5 个氮肥[尿素 CO（NH2）2，氮含量 46%]施肥梯度，分别为：N0 不施氮肥，N1 标准施肥的50%，N2 标准施肥100%，N3 标准施肥的130%，N4 标准施肥的160%，分别表现为严重缺氮、缺氮、适量氮、过量氮和严重过量氮，每个氮素水平做3 次重复，共计15 个小区。 每个小区面积为10m×9m，小区间隔均为50cm，水稻行株距为18cm×20cm。 在水稻整个生育期氮肥分3 次施入，氮肥的基肥、蘖肥、穗肥比值为 5∶2∶3，磷肥、钾肥做相同处理，各施钾肥 KCl（钾含量 60%）201kg·hm-2，磷肥 CaP2H4O8（磷含量 12%）统一施500kg·hm-2，钾肥的基肥、穗肥比值为1∶1，磷肥全部作为基肥施入。 各小区的水分与病虫害的防治等田间管理均按照当地正常水平进行。

验证试验田共分成两种种植区：传统种植区（记为A 区）、模型种植区（记为 B 区），每种种植区有 3 个重复，种植区之间间距50cm。 传统种植区施肥采用当地推广施肥方案，模型种植区采用建立的黄华占水稻氮素施肥模型追肥。两种种植区的水分管理与病虫害的防治做统一的管理。

1.4 数据采集方法

试验的遥感平台由电动四旋翼无人机大疆精灵4搭载rededge-M 多光谱相机组成。 rededge-M 多光谱相机包含蓝色（475nm）、绿色（560nm）、红色（668nm）、红边（717nm）和近红外（840nm），共 5 个光谱波段，该相机重量为 170g， 尺寸为 9.4cm×6.3cm×4.6cm， 航拍高度为120m 时对应的每像素为8cm。 该无人机遥感平台可按预先规划好的飞行路线程控自动飞行，其能在数据采集点实现定高自动拍摄，通过图像传输模块传回相机图像来掌握航拍的状态， 采集图像时触发APM 姿态参数可同时采集模块记录相机姿态信息。

采集多光谱图像时，选取晴朗少云的天气，太阳高度角选择10∶00～14∶00 的时间段，有利于提高多光谱相机成像质量。 规划好航线，使航线经过目标田块正上方，航拍高度设定为100m，拍照间隔设为3s。 每隔15d 采集1 次，共采集5 次遥感图像。 水稻植株氮含量测定与无人机遥感图像采集同期进行，航拍当天对水稻地上部分进行取样，每个小区选取长势接近的20 株水稻，整个生育期利用凯氏定氮法共测定1500 个（共15 个小区×每个小区选取20 株×采集5 次）水稻植株氮含量。

图1 建模试验小区分布图Figure 1 The layout of each test

1.5 数据处理方法

本研究主要利用Pix4D、QGIS 和ENVI 软件对无人机多遥感图像进行处理。 首先，将原始的航拍照片导入Pix4D 软件，设置一系列参数后会生成一个指数地图。然后，ENVI 软件打开指数地图，TIF 文件绘制矢量地图并保存。 最后，QGIS 软件加载指数地图和矢量地图， 采用QGIS 地学算法， 计算各个小区的NDVI 值。 采用SPSS24.0 软件对试验数据进行方差分析。

2 结果与分析

2.1 基于无人机遥感的不同氮素水平下水稻冠层NDVI 值的变化规律

不同氮素水平下水稻生育期冠层NDVI 值的变化规律如图2。 由图2 可知，在水稻整个生育期，随着施氮量的增加，冠层NDVI 值随之增加，并呈现出在分蘖期间快速上升，分蘖期到抽穗期缓慢上升，抽穗期以后缓慢下降的趋势。分蘖期的NDVI 值较小，主要原因是分蘖期水稻的叶面积指数较小，水稻田未封行导致，该结果符合客观规律。 随着水稻生育期的推进，地上部分迅速生长，促进叶绿素含量和地上覆盖度快速增长，在无人机遥感监测水稻冠层的多光谱图像时，对红光波段（717nm）的吸收率增大，其反射率减小，但近红外波段（840nm）的反射率幅度变化较小，因此，NDVI 值呈现大幅度上升。 此外，在抽穗期以后，N2、N3 和N4 试验区的NDVI 测定值无显著差异，且NDVI 值呈现缓慢增加的趋势，主要原因是当N3 和N4 区域的氮肥量大于或等于N2 区域氮肥量时，水稻对氮肥的吸收进入饱和状态，其营养生长和冠层覆盖度增加缓慢，甚至达到饱和状态。 上述分析表明基于无人机遥感的NDVI 值可较好地反映水稻的氮素营养状况。

2.2 基于无人机遥感的标准施氮量下NDVI 指数解析模型

温度是影响水稻生长发育的重要因素之一，最早在1735年，REAUMUR 等[15]提出了积温学说，继而出现了后来广泛应用的有效积温法， 后人在此基础上先后建立了当量积温方法和水稻发育速度及温度关系的非线性模型。

利用标准施氮量下的NDVI 指数和有效积温建立水稻的生长发育模型， 可用于预测水稻进行标准施氮时，在某个时间点NDVI 指数的大致范围。 统计种植季每天的最高温度与最低温度，计算每日有效温度，有效积温的计算公式为：

式中：n 为距插秧天数。每个试验区的最高、最低气温数据来源国家气象数据共享平台的气象网站。获得了采集NDVI 指数数据采集时间点上对应的有效积温数据，有效积温数据与氮素标准施用量种植区生长期的NDVI 指数如表1。

图2 不同氮素水平下水稻冠层NDVI 值的变化Figure 2 Changes of NDVI values in rice canopyunder different nitrogen levels

表1 试验区有效积温与NDVI 数据Table 1 The effective accumulated temperature and NDVI data in the test area

采用SPSS 24.0 软件， 以决定系数为评价指标，将NDVI 指数与有效积温数据进行曲线分段拟合， 计算标准施氮量下水稻冠层NDVI 指数的解析模型。 拟合曲线如图3。

式 （6） 为广州试验基地水稻NDVI 指数的解析模型。 其中：x 为有效积温。 在标准施氮量下， 水稻冠层NDVI 指数与有效积温拟合曲线的决定系数为0.887；在0.01 水平上模型的显著性为0.013。此外，拟合曲线符合数据整体趋势，可作为标准施氮量下有效积温与水稻冠层NDVI 指数解析模型；运用此方程可以用来预测任意生长节点的水稻NDVI 值，在条件不允许航拍获取NDVI 值的情况下，可以以此模型的预测值为参考来了解水稻的生长发育情况，甚至如果模型的精度足够高，可以以此预测值来指导施肥。

图3 标准施氮量下NDVI 指数与有效积温拟合图Figure 3 Fitting diagram of NDVI index and effective accumulated temperature under standard nitrogen application rate

2.3 基于无人机遥感的水稻氮营养诊断

依据前文分析结果，水稻的不同生育期，水稻冠层NDVI 指数处于动态变化，且不同的土壤环境、气候条件和种植习惯都将造成水稻冠层NDVI 指数的差异。因此，需要提出一种用于评价水稻长势的新型指标作为参照量，无需考虑土壤理化性质等影响因素即可建立水稻变量施氮决策模型。本文对水稻胁迫施氮水平的NDVI 指数与标准施氮种植下的水稻NDVI 指数进行比值研究，即基于NDVI 值构建了标准种植比值指数（记为RISP，Ratio Index of Standard Plant），通过补差的方式进行后续施氮量的精准决策。 RISP 值的计算公式：

利用SPSS 统计分析软件将水稻生育期测定的NDVI 值及其对应的RISP 值与水稻植株氮含量进行相关性分析，比较其决定系数R2的大小，回归模型见表2。 由表可知，NDVI 值和RISP 值与水稻植株氮含量之间均具有较好的相关关系，其决定系数分别为0.605 和0.923。

表2 植被指数与水稻植株氮含量的相关关系Table 2 Correlation between vegetation index and nitrogen content in rice plants

采用均方根差（RMSE）、平均相对误差（RE）和精确度（R2）综合评定其相关模型的估测能力（表3）。 由表3可知，RISP 值与水稻植株氮含量的估测模型的预测值和实测值的相关系数R2高于NDVI，RMSE 和RE 的值均低于NDVI，以上结果表明，采用RISP 值进行水稻氮素营养诊断，进而指导施肥，效果更好。

表3 植被指数对水稻植株氮含量的预测性Table 3 Prediction of nitrogen content in rice plants by vegetation index

2.4 基于标准种植比值法的水稻氮素营养诊断模型研究

将RISP 值与氮肥施肥量数据进行曲线拟合如图4，获得了拟合的曲线方程。 其中：x 为标准种植比值指数；y 为种植区氮肥施肥量（kg·hm-2）。实际观测数据均匀分布在曲线附近， 曲线拟合程度好， 拟合决定系数R2=0.991。该曲线显示，氮肥施量的增加，NDVI 比值增长幅度越小，符合客观规律。

依据拟合的曲线方程可诊断出水稻当前施氮量，因此， 根据不同地区的施肥比例可得出各不同施肥节点已施氮肥量， 进而利用该施肥节点的标准施氮处理已施氮量与目标田块在施肥节点已施氮量的差值计算出目标田块该施肥节点下的追肥施氮量，计算公式为：式中：SPNF 为标准种植整季氮肥施用量；a 为基蘖肥所占比例；b 为基肥所占比例。

图4 RISP 值与施肥量拟合图Figure 4 RISP and fertilization amount fit

2.5 模型验证

利用无人机遥感平台获取验证区水稻施肥节点的冠层光谱图像，提取NDVI 指数，计算RISP，根据基于无人机遥感构建的施肥决策模型确定各小区的氮肥施用量。水稻关键施肥节点的施肥量和产量如表4。由表4 可知，模型种植区平均施氮用量为99.64kg·hm-2，而传统种植区平均用量为135.60kg·hm-2。 施肥量减少26.52%，而从各种植区产量数据可知，传统种植区平均产量为5466kg·hm-2，模型种植区平均产量为5424.75kg·hm-2，跟传统种植的产量相差不大，说明模型效果良好。

表4 各个试验小区模型验证结果Table 4 The Model test results for each test plot

3 讨论与结论

为实现现代精准农业， 对作物按需进行变量施肥十分重要。 遥感技术在监测作物长势及养分状况方面具有快速大面积获取信息、无损作物等方面的优势，进而合理的指导施肥。 田茁[16]基于短信平台，将遥感、农户调查和土壤采样点等相关信息与神经网络理论和C 语言结合，研发建立了神经网络预测施肥决策模型。 周炼清等[17]在浙江省绍兴县农业示范园区运用ASP 技术和JAVA 编程语言，通过集成ArcIMS 4.01WebGIS 和水稻推荐施肥决策模型，来实现基于WebGIS 地图式水稻推荐施肥决策系统。 GENG[18]采用三元二次法研究了氮、磷、钾对南优2058 产量的影响，并建立相应的回归方程，以建立的最优施肥方案为参考，结合不同产区的具体情况进行调整，实现了水稻生产成本的降低和效益的提高。 说明可以利用遥感技术指导水稻生产过程中的施肥量。WRIGHT[19]提出了在地面遥感、航空遥感和卫星遥感三个层面上，有效的利用地面遥感、航空遥感和卫星遥感数据来提高和改善小麦的产量和品质的关键在于构建优质的遥感施肥推荐模型， 进而提高氮肥的利用效率。NDVI 值是植被指数中应用最广泛的一种，与作物的氮素状况密切相关。 杨玮等[20]对施氮优化算法进行了相关改进，测量了冬小麦拔节期的NDVI 值，通过其与预期的冬小麦产量计算得出实际需要的氮肥量，并利用Greenseeker RT200 变量施肥系统根据实际需要施加氮肥。冯宗会[21]也在河北省辛集市通过Greenseeker 采集不同氮素管理下小麦的NDVI 值，利用施肥量和NDVI 的关系建立了小麦的追肥模型。 因此，NDVI 指数可较好地用于建立作物生长过程中的施肥模型，但基于无人机遥感技术的水稻施肥模型方面研究较少[22]。 2016年殷丽萍[23]对不同品种水稻光谱监测试验发现，不同品种水稻、不同生长期归一化植被指数（NDVI）差异性显著。 因此，如果无法找到一种适用所有品种水稻氮肥施肥的NDVI 指数模型，水稻氮素施肥决策模型就需要分不同品种去研究。 NDVI 指数易受到土壤背景、水的光反射、田中的杂草、青苔等因素干扰，不能真实的反映水稻NDVI指数，导致NDVI 指数无法很好的反演水稻的长势情况。 在气候条件中气温是影响水稻生长的重要因素之一，美国DD50 水稻发育预测系统[24]正是通过水稻有效积温来判定水稻的生长发育期以及合理的安排农事。 因此，利用积温建立水稻标准种植模式下的NDVI 指数可使氮素施肥模型更加稳定。 水稻品种、气候条件、种植条件以及土壤中磷、钾等元素含量、容重等因素均影响水稻施肥模型。本研究仅对广东省一个地区和黄华占一种水稻品种开展了无人机遥感施肥模型建立和模型验证的研究，还需要针对不同地区、不同品种进行连续多年的测试。

本研究在不考虑基础地力因素影响下， 利用无人机遥感技术提出一种基于标准种植比值法的变量施肥模型，实现了及时、快速、大面积诊断水稻生育期氮营养状况并指导施肥，减少了劳动力，减低了成本，提高了肥料利用率。 研究结果表明，基于无人机遥感的NDVI 值随着氮肥施量增加而增加，分蘖期NDVI 值均较小，且不同氮素水平间差异较大， 但随着生育期的推进N2、N3 和N4 氮素水平间无显著差异， 这与近地面传感器获取的NDVI 值变化规律相一致。 NDVI 值及其对应的RISP 值均与水稻植株氮含量具有显著相关关系，且RISP 的决定系数达到0.923，表明RISP 值比NDVI 值更能够准确地用于估测水稻氮营养状况。 结合有效积温数据，构建了基于标准种植比值指数的水稻关键施肥节点的变量施肥模型，其决定系数为0.991，并依据该模型进行了验证试验，模型种植区域传统种植区的产量相差不大，说明基本达到了预期缺多少补多少的效果。