无人机多光谱遥感在作物生长监测中的应用研究进展

陈建福，赵亮，岳云开，付虹雨，许明志，张蕾，杨瑞芳，崔国贤，佘玮

(湖南农业大学农学院，湖南 长沙 410128)

多光谱遥感是利用具有多个光谱通道的传感器获取同一目标不同谱段图像的遥测技术[1]。多光谱遥感传感器有多光谱相机、多光谱扫描成像仪等，不仅可以根据影像的形态和结构的差异判别地物，还可以根据光谱特性的差异来对地物进行判别[2]，且其提供的遥感信息比单波段摄影更为丰富。相较于雷达和高光谱技术，多光谱获取影像更为方便，同时还具有低成本、多尺度、多用途以及干扰因素少等优势[3]。

无人机(Unmanned aerial vehicles，UAV)凭借其操作简便和机动灵活的优势，在农业、林业、资源、生态、环境保护等领域的应用日益广泛。将多光谱传感器与UAV 技术相结合，可以较低的成本获得地面高分辨率遥感图像，进而对整个作物生长周期进行高时间分辨率研究，高精度地完成小范围作业和实时监测，对植物生长进行监测和分析，以及评估土壤生产力。使用UAV 多光谱遥感技术精准获取作物长势、土壤养分、病虫害监测等实时动态数据，根据数据处理结果，可针对性地采取灌溉、施药施肥等栽培措施以及估测作物产量等[4]。利用UAV 遥感技术获取田间作物生长大数据，建立精准监测模型并应用于农业生产管理，对推进我国现代农业建设具有重要作用。

1 农业中的UAV 多光谱遥感技术

1.1 多光谱成像原理

多光谱传感器通过电磁光谱捕捉特定频率的图像数据，获取指定波段的地物信息[5]。人眼仅对400～700 nm 波长的可见光谱敏感[6]，而光谱成像还可以提取人眼无法捕捉的其他额外信息。因为尽管人们可以感受到从紫色到红色的各种颜色，但光的波长比我们可见的视力更短(紫外)或更长(红外)。这些肉眼看不见的波段能很好地显示土壤和植物的农艺特征。农作物发射的波段区域主要在近红外和红边区域，使得多光谱遥感技术在农业中有其特殊的应用。多光谱成像还可以升级数码相机，将近红外图像与可见光波段结合，提供更为丰富的遥感信息。

1.2 UAV 多光谱遥感系统

UAV 多光谱遥感系统主要包括无人机平台、多光谱相机和数据处理系统等。农业上采用的多为轻小型无人机。多光谱相机(400～1 100 nm)可以生成TIFF(Tag Image File Format)、JPEG(Joint Photographic Experts Group)或RAW(RAW Image Format)等格式的图片数据[7]。小型多光谱相机一般像素数小。飞行高度低，单个图像的成像区域小，将飞行期间获取的多个图像连接、校准和计算，能够获得大的联合图像。对这些数据进行计算后可得到反映可见光、近红外波段反射与土壤背景之间差异的数值，用来定量说明植被的生长状况，这类数值被称为植被指数。利用多光谱成像技术得出的植被指数主要有以下几种:光化学植被指数(Photochemical Reflectance Index，PRI)、归一化植被指数(Normalized Difference Vegetation Index，NDVI)、增强植被指数(Enhanced Vegetation Index，EVI)、转换型叶绿素吸收反射率指数(Transformed Chlorophyll Absorptionratio Index，TCARI)、氮素反射指数(Nitrogen Reflectance Index，NRI)、土壤调节植被指数(Optimized Soil Adjusted Vegetation Index，OSAVI)和比值植被指数(Ratio Vegetation Index，RVI)等。此外，利用UAV 还能通过数字表面模型(Digital Surface Model，DSM)获得生成的多光谱图像。UAV 多光谱遥感系统可以同时获取地物的多光谱信息、纹理信息以及结构信息[8]。

2 UAV 多光谱遥感技术在作物生长监测中的应用现状

2.1 UAV 多光谱遥感技术在植被分类与杂草识别上的应用

精确的植被分类与物种识别对种质资源调查、鉴定和评价非常重要。大尺度的植被群落主要通过中、低分辨率多光谱影像来进行分类，但是很难区分植被物种，而高分辨率遥感影像可以用于局部小尺度植被的精细分类[9]。本世纪初，美国宇航局利用搭载高分辨率彩色多光谱成像仪的UAV 对1 500 hm2咖啡种植园进行了监测，观测了灌溉、施肥异常及杂草爆发等情况[10]。近年来，结合可见光图像和多光谱图像进行农田杂草识别的研究不断涌现。Louargant 等[11]使用配备近红外光谱仪的UAV 分析了农田杂草覆盖率，认为航空遥感和卫星遥感的数据远远比不上UAV 遥感采集到的数据。Irene等[12]精确提取了30、60 和100 m 高度的可见光和近红外遥感图像数据，利用多源融合方法识别杂草覆盖范围，并据此得到了除草剂应用图谱。Maria等[13]基于UAV 得到向日葵农田的遥感光谱图像，将其与作物的行排列特性相结合，通过半监督学习方法对杂草进行了高准确度识别，大幅度降低了杂草和作物的鉴别复杂度。目前大多数研究都是结合可见光和多光谱两种图像信息，利用机器学习法来识别农田杂草[14]。

2.2 UAV 多光谱遥感在作物病虫害监测上的应用

当植物被病虫入侵时，部分组织生长受限、海绵组织受伤、叶片色素百分比发生变化，导致可见光区域的两个吸收谷不显著，0.55 μm 处的反射峰随植物叶片受损的程度增加而降低，甚至消失。UAV 多光谱遥感技术结合可见光和多光谱两种图像信息，可以更准确地监测相关数据[15-16]。王小龙等[17]利用UAV 多光谱图像对棉花蜘蛛螨害进行了较精准的识别。崔美娜等[18-19]基于UAV 多光谱图像信息调查棉花螨害，通过提高特征选择的可靠性获取有效建模特征，从而建立了基于UAV 多时相影像数据的螨害Logistic 模型，并在此基础上建立了螨害时空变化监测模型，对实时感知螨害情况起到非常重要的作用。Severtson 等[20]使用UAV 多光谱图像监测油菜缺钾与绿桃蚜虫感染之间的关系，发现油菜缺钾更容易感染绿桃蚜虫。

2.3 UAV 多光谱遥感在作物植株水分含量监测上的应用

传统的作物水分调查取样范围有限，难以实现大范围的动态监测。UAV 多光谱遥感技术具有时效性强、监测数据精度高，监测范围广等特点，成功弥补了传统监测的不足[21]。陈俊英等[22]利用UAV多光谱相机获取了棉花花铃期数据，同时根据光合参数上的差异对植株含水率进行数据采集。张智韬等[23-24]从土壤含水量和土壤深度差异的角度得到了环境含水量与植物含水量的相关性，并提出了基于机器学习的水分反演模型。陈硕博[25]基于UAV多光谱传感器获取不同水分条件下的玉米冠层光谱影像数据，并对数据与植被指数、叶面积指数和表层土壤含水率的相关关系进行研究，构建了棉花光合参数与水分反演模型。

2.4 UAV 多光谱遥感在作物长势监测上的应用

利用多光谱相机监测植物长势可以清晰地展示出植被信息[26]。高林等[27]使用UAV 多光谱相机对大豆的叶面积指数进行监测，将其正射影像与叶面积指数对比可以得到调查时期的数据，对大豆的长势评估具有重要指导意义。孙诗睿等[28]结合随机森林算法反演冬小麦叶面积指数，最终确立了反演模型，说明UAV 搭载多光谱传感器预测冬小麦的叶面积指数是可行的。魏鹏飞等[29]基于UAV 多光谱影像结合逐步回归方法，对田块尺度夏玉米叶片氮素含量进行精确遥感估算，实现了关键生育期玉米成长情况以及各成分的监测。陈浩等[30]结合叶绿素相关的9 种植被指数与遥感数据，构建了夏玉米冠层叶绿素含量最佳估测模型，实现了田间尺度的夏玉米冠层叶绿素含量的实时监测。刘昌华等[31]利用搭载Mini-MCA 多光谱相机的UAV 对冬小麦4 个不同生长阶段的冠层多光谱数据进行监测，将其与全生育期数据进行相关处理，确定了植株吸氮量和氮营养指数的回归分析模型，为氮肥的精准管理提供了可靠依据和技术指导。杨飞[32]选取7 个关键的植被指数，通过回归分析得到了基于UAV 多光谱影像的夏玉米氮营养指数估测模型，用于监测夏玉米的氮素营养状况。

2.5 UAV 多光谱遥感在作物产量估测上的应用

农作物产量的估测关系到农产品市场价格平衡以及农业结构调整等众多方面，对保障我国粮食安全具有举足轻重的作用。汤文超[33]基于地面遥感与UAV 遥感平台对油菜进行天地动态立体监测，结合油菜的理化参数及最终产量提出了较准确的估算方法，并评价了不同生长期油菜生长状况对最终产量的影响。张玉萍等[34]构建了不同施氮量下的小麦遥感估产模型，为精准农业经营管理提供决策参考。孙世泽等[35]将Micro MCA12 Snap 传感器搭载到UAV 上获取多光谱图像，结合最佳指数因子和最佳组合波段，构建了天然草地生物量估算模型。韩文霆等[36]基于UAV 多光谱遥感系统估测了夏玉米产量并对不同时期玉米生长特征分别进行建模。彭星硕[37]通过旱区夏玉米非充分灌溉试验，建立了基于UAV 多光谱遥感与作物模型耦合的旱区夏玉米估产模型，并利用夏玉米实测数据验证与评价同化系统的准确性和可靠性，认为在轻度水分不充分灌溉的条件下，夏玉米估算精度较高。王来刚等[38]基于UAV 多光谱遥感系统对玉米叶面积进行遥感监测，构建了玉米产量估算模型。综合分析发现，在基于多光谱信息的作物产量估测研究中，利用NDVI、EVI 和GNDVI 这3 种植被指数建模的精确度较高[39]。

3 问题与建议

利用UAV 多光谱遥感获取作物生长信息并对图像信息特征进行分析，有助于了解作物表型大数据和研究作物生长机理，并可根据作物生长状况结合栽培措施指导农业生产。特别是当作物生长受阻或遇到极端天气时，UAV 多光谱遥感图像能迅速为各行业专家提供参考数据，保障作物稳产。但是，UAV 多光谱遥感作为作物生长精准监测技术也存在一些问题。第一是图像处理软件大多功能单一，无法应对复杂的农业环境，人为切割区域分析效率低下[40]。如何提高自适应算法的多样性，建立不同作物数据库以及自适应的算法是今后研究的关键。第二是大部分研究采用统计学方法来建模，现代科学前沿的人工智能方法因难度大而尚未普及。因此，结合人工智能和神经网络对图片信息进行识别分析和建模也是未来的工作重点[41]。第三是目前机载多光谱相机的频谱波段一般有4～6 个，波段范围较宽，光谱分辨率较低，图像的空间分辨率也较低，需要与高分辨率的数码相机或高光谱相机进行图像融合才能达到更高的应用需求[42]。

UAV 多光谱遥感是一种新兴且具有远大前景的大数据获取技术，虽然目前仍处于发展初期，但是因为其无损、高效和高通量的特点，已经逐渐取代传统监测方法，在资源、生态、环境保护等领域中得到了应用[43]。在精准农业中，准确快捷获取不同作物的多光谱图像特征信息是实现精准管理的重要手段，相关技术与方法的突破对现代化农业、信息化农业与智能化农业的发展具有重要意义。