无人机光谱影像与变量施肥技术在水稻追肥中的集成应用

包明艳　骆庭宝　鲁良宣

摘要 水稻种植过程中的追肥环节，存在长期依赖人工施肥经验及化肥使用量不合理的问题。随着无人机在农作物遥感监测和变量化施肥方面技术的日趋成熟，以及数字化光谱影像处理精度的优化，基于无人机开展针对追肥环节的评估分析和执行变量施肥，已经具备集成应用的条件。本研究初步实现将无人机遥感、光谱影像分析处理、施肥处方图生成和无人机变量施肥相结合形成集成应用，为水稻种植的追肥环节提供服务。在水稻的分蘖期和孕穗期分别开展针对氮元素的施肥作业，基于集成应用模式，在保证产量稳定的情况下，改善了用肥量。该集成应用为实现更精细、更智能的种植施肥模式提供了依据。

关键词 无人机光谱影像；水稻NDVI分布图；施肥处方图；变量施肥

中图分类号 S224.2   文献标识码 B

文章编号 1007-7731（2023）10-0144-04

无人机作为近年来农业生产领域发展迅速的新型装备，因其日益提高的技术成熟度和逐渐扩展的应用方向，已经成为农业生产工具中的重要选择。基于无人机实施的相关智慧农业服务[1]，日益融入现代农业生产体系，尤其在当前大田种植领域应用广泛。无人机可以管理较大面积的种植区域，获取专业农业指标[2]，不会造成农作物碾压，在各种地形上使用灵活，被农业生产者广泛接受。

无人机搭载光谱设备实施成像分析和养分评估[3]，并进行肥料撒播，目前已有较多应用，但是无人机撒肥普遍采取的仍是传统的均匀等量撒肥模式，目前较为领先的变量化施肥模式依然较少使用[4]。

本研究将无人机光谱影像的采集、影像分析处理、基于分析结果的施肥处方图生成和变量化执行结合自研的软件、工具，形成集成联动，实现不同水稻大田种植条件下面向追肥环节的变量施肥集成化应用体系。

1 材料与基础

无人机光谱影像与变量施肥技术在水稻追肥中的集成应用（以下简称集成应用）选择大疆精灵4多光谱版多旋翼无人机及其配套的多光谱相机作为遥感光谱影像采集设备，以大疆T40多旋翼无人机、机载撒肥器和变量控制器[5]作为施肥执行工具。本次追肥对象为尿素（含氮量46%），为水稻进行氮素补充。研究区位于安徽芜湖三山经济开发区，水稻于2022年5月15—18日播种。研究区内，选择了2个相似的种植区，一个是使用了集成应用的A区（面积1.86 hm2），另一个是未使用集成应用的B区（面积1.75 hm2），以进行比较分析（图1）。2个种植区的地貌和种植条件相近，种植工艺和时间也保持一致。

2 技术方法

2.1 方案流程框架

在本方案中，多光谱相机搭载于多旋翼无人机上，于水稻生长的特定时期巡视并拍摄获取A种植区的遥感影像，从获取光谱影像到实施变量施肥作业的技术流程如图2所示。原始取得的遥感影像是分块的一系列照片，需要把分块的遥感影像导入图像处理软件，拼接为一幅整体的种植区遥感影像，影像中包含的多光谱数据则经过软件内模型的计算分析，生成种植区作物的NDVI（Normalized Difference Vegetation Index归一化植被指数）[6]数据，并结合地理位置信息，构成依托于电子地图的种植区NDVI分布图。基于NDVI分布图，选择合适的种植区域，开展人工现场观察、施肥量人工定标的工作，所给出的定标施肥量数据要结合地理位置数据形成标准施肥量。种植区地理信息、NDVI分布图以及标准施肥量在输入软件后，首先将自动结合种植区坐标、边界，把所有田块区域按照固定尺寸划分为一系列方形网格，再逐个计算出各个网格对应的平均施肥量，最终得到施肥处方图。将施肥处方图导入至带有撒肥器的多旋翼无人机，使其在飞行过程中按照施肥处方图实时定位，动态调整撒肥量，执行变量化撒肥作业。作为对比，B区也与A区同时开展施肥作业，作业装备也是相同的无人机，但是采取全区域使用固定施肥量的方法开展撒肥操作。

2.2 无人机光谱影像采集

无人机携带多光谱相机在拍摄种植区影像时，设定飞行高度为120 m、速度为3 m/s，影像空间分辨率为5.3 cm/pixel。飞行时会同时拍摄同一位置的5个波段通道的图像，分别是蓝（B，450±16 nm）、绿（G，560±16 nm）、红（R，650±16 nm）、红边（RE，730±16 nm）、近红外（NIR，840±26 nm），以及1个可见光通道。每张图像附带经纬度坐标数据，单张图像的分辨率为54 72×3 648 pixels。种植区的航拍完成后，图像将导入数据库。

光学影像受到水稻的冠层影响，所获取的光谱数据主要反映水稻冠层的生长状态以及对应的养分含量[7]。无人机遥感光谱影像的拍摄时間2022年7月10日、2022年8月22日均为晴天，具体为当日的12：00—14：00之间。上述2个时间点分别是该种植季水稻的分蘖期、孕穗期，按照种植计划，随后将会安排针对种植区的追肥作业，施肥内容为尿素，以补充水稻所需氮元素。

2.3 光谱影像分析

使用遥感影像处理软件，将所获取的原始影像进行拼接、几何校正、辐射校正等处理，获得种植区域的完整的正射光谱影像。在此，选择NDVI作为反映水稻长势情况的指标参数，因为该指标一方面可以直接通过农作物的冠层状态反映其生长状况，体现种植区内农作物的生物量，另一方面便于转换为施肥量对应的指标[8]。无人机获取的多光谱数据中需要使用红、近红外2个波段的光反射率数据计算NDVI数值，计算公式：NDVI=（NIR-R）/（NIR+R），其中，NIR为近红外波段反射率，R为红光波段反射率[9]。通过计算光谱影像的NDVI值，可得到水稻田每个点的NDVI值基于地理位置的分布情况，即水稻NDVI原始分布图（图3）。

2.4 光谱影像转换为针对施肥的处方图

光谱影像反映了水稻的生长长势和地理分布，就追肥工作而言，需要将上述长势情况转换为单位面积的施肥量。因此将NDVI值的原始分布图按照10 m×10 m的空间分辨率进行网格化划分，并计算格内的NDVI均值，再通过NDVI值与施肥量值的转换关系，转为施肥量分布网格图[10]。在确定NDVI值与施肥量值的转换关系时，采取了以下2个步骤。

（1）评估在此时间下，A区长势较差区域水稻单位面积（以hm2为计算单位）需要的施肥量。在具体的观测点位，经人工判读后给出对应的施肥量数值，即标准施肥量，定义为F0。在实际操作过程中，选定观测点位的对应坐标会被记录下来并输入软件。作为对比，B区按照传统模式，由人工判断，全区域按照统一的单位面积施肥量数值由无人机执行撒肥作业。

（2）基于线性计算关系、观测点坐标、NDVI分布网格图，换算出每个网格的平均施肥量。相应观测点坐标以及对应该观测点的网格施肥量数值，作为计算公式的初始值使用。具体的NDVI与施肥量转换计算公式为Fn/F0=NDVIn/NDVI0。其中Fn为目标网格的施肥量数值，NDVI0为对应观测点网格的NDVI数值，NDVIn为对应目标网格的NDVI数值。

所有种植区域网格均转化完成后，结合网格的地理坐标即获得施肥量分布网格图，也就是施肥处方图（图4）。

2.5 无人机基于施肥处方图执行变量施肥作业

将生成的施肥处方图专用格式文件导入至撒肥无人机，作为控制撒肥量的依据。无人机通过机载卫星定位，在飞行到对应网格的坐标区域后，自动读取施肥处方图中对应网格的施肥量，调控其撒肥器的转速，改变撒肥量，达到变量化施肥的目的。

3 使用效果分析

3.1 节约施肥量

使用集成应用方案后，对A、B 2个种植区的总施肥量、单位面积施肥量进行了对比，施肥量统计结果见表1。其中的单位面积施肥量是较为典型的指标，2次追肥作业A区的单位面积施肥量均更低，第1次施肥时A区比B区少了约14.8%，第2次施肥时A区比B区少了约6.3%。总体而言，使用了集成应用方案的种植区，在追肥环节具有更低的单位面积用肥量，可见集成应用方案在减少施肥方面发挥了较为明显的作用。

由于本研究数据量相对较小，对于集成应用时的标准施肥量F0选择了人工判断方式，此判断具有一定的主观性；在后续的深化研究中，对同一水稻品种应开展持续性数据积累并应用更为合理的算法模型，有望能够通过软件给出更为科学合理的标准施肥量，最终实现集成应用全流程的自动化。

3.2 对产量的影响

基于集成应用方案，分析最终产量情况可知，2个种植区单位面积产量非常接近，相差为33.4 kg/hm2，差异率为0.5%（表2）。因此，集成技术尤其是变量施肥技术的应用，既发挥了对于水稻生长必要的供养作用，又没有因为差异化的施肥量而造成水稻的减产。从数据上看，A区的单位面积产量甚至小幅度超出B区。基于样本的数量、重复性、种植周期的復杂性等，无法断定是否因为集成应用而导致增产。但是，遥感观测和变量化施肥使得水稻的化肥使用量更为合理，丰、缺调节更加精确，必将为施肥效益的提升带来更大可能性。而传统的统一施肥量模式，可能导致缺肥部分作物施肥量不足，不缺肥的部分作物过量施用，难以实现施肥的最优效益。

3.3 减轻环境污染

应用本文所述集成应用方案后，单位面积施肥量的有效减少，对于降低农业面源污染[11]、改善土壤板结等劣化状态能够产生积极作用，肥料使用量的有效降低，也促进了农业生产过程中的碳减排[12]。持续性的水稻生产种植的施肥工作优化，能够从改善种植环境、减少污染物排放等多个方面为实现生态友好型农业带来价值。

4 总结

本研究利用无人机光谱影像与变量施肥技术，结合中间环节自研软件工具实现了联通整合，构成了针对水稻追肥环节的集成应用技术体系。在水稻种植中的氮肥追肥环节，开展了应用性研究工作，达到了科学判断作物需肥情况、精细化施用化肥的目标。在实际集成应用过程中，通过对比实验，发现选择集成应用的种植区域，有效减少了单位面积内化肥使用量，同时又保证了产量的稳定。后续可通过扩展实验地区、深入优化集成方案，使该集成应用在模式上更加成熟、实用性上更为便捷，为水稻生产提供更大帮助，其相关技术和模式还有望拓展到小麦、玉米、大豆等大田作物种植领域。

参考文献

[1] 曹众，单常峰，杨承磊，等. 无人机在智慧农业方面的应用[J]. 现代农业科技，2021（11）：157-158.

[2] 张通，金秀，饶元，等. 基于无人机多光谱的大豆旗叶光合作用量子产量反演方法[J]. 农业工程学报，2022，38（13）：150-157.

[3] 马敬宇. 无人机光谱成像技术在大田中的应用研究进展[J]. 安徽农学通报，2022，28（11）：117-119.

[4] 齐兴源，周志艳，李官平，等. 大田作物变量施肥技术国内外研究现状[J]. 贵州农机化，2018，322（2）：8-13.

[5] CANCAN SONG，ZHIYAN ZHOU，YING ZANG，et al. Variable-rate control system for UAV-based granular fertilizer spreader[J]. Computers and Electronics in Agriculture，2020，180：105832.

[6] 徐梅宣，张智刚，罗霞. 水稻氮素含量检测重要因素与NDVI的相关分析[J]. 现代农业装备，2019，40（4）：46-50.

[7] 刘忠，万炜，黄晋宇，等. 基于无人机遥感的农作物长势关键参数反演研究进展[J]. 农业工程学报，2018，34（24）：60-71.

[8] 臧英，侯晓博，汪沛，等. 基于无人机遥感技术的黄华占水稻施肥决策模型研究[J]. 沈阳农业大学学报，2019，50（3）：324-330.

[9] A. BANNARI，D. MORIN，F. BONN，et al. A review of vegetation indices[J]. Remote Sensing Reviews，1995，13：95-120.

[10] 于丰华，曹英丽，许童羽，等. 基于高光谱遥感处方图的寒地分蘖期水稻无人机精准施肥[J]. 农业工程学报，2020，36（15）：103-110.

[11] 杨世琦，颜鑫. 基于农作物施肥量视角的区域尺度农田面源污染风险评价研究[J]. 中国农业大学学报，2023，28（2）：147-159.

[12] 李劼，徐晋涛. 我国农业低碳技术的减排潜力分析[J]. 农业经济问题. 2022（3）：119-135.

（责编：张 蓓）