小麥、玉米和水稻種植廣闊，是餐桌上提供人們日常生活的主要糧食作物。作物在大田生長過程中，田間環境因素直接作用于作物本身致使作物植株體產生變化。可以通過監測葉面積指數、植被覆蓋度等參數來表現作物的表面結構，評估作物的產量；監測作物葉片的氮、水分、葉綠素等含量可用于反映作物的健康狀況；作物的長勢主要根據生化參數進行判斷。為了保證作物的產量和品質，對反映田間作物生長狀況的主要生理指標進行監測必不可少。

關于作物生理指標的監測方法，傳統方式通常是借助化學手段或依據經驗觀察進行分析，手續繁瑣、破壞植株、不適宜推廣。而不同作物植被的生物物理參數（如植被覆蓋度、含水量等）及生物化學參數（如氮素、葉綠素等）不同，受到病蟲害和旱澇災害的程度不同，在作物植被表層會呈現出顏色、病斑和紋理等明顯的變化，產生獨特的光譜反射特性，為利用光譜成像技術進行作物植被監測提供了實踐依據。使用光譜成像技術對作物生理指標的監測，省時高效，節省人力。伴隨著無人機技術的不斷發展和轉型，其在農業領域的具有一系列的應用如對作物進行生長監測、病蟲害監測、產量預測和精細分類等。相比傳統的衛星遙感，使用無人機低空遙感更能適應小面積田塊的監測，消除采集光譜圖像時的云層干擾，能夠獲取更準確的數據。鑒于無人機和光譜成像這兩種新興技術的結合具有極大的優勢和應用前景，本文對無人機光譜成像技術在大田中的應用研究進展進行了闡述。首先概述了無人機光譜成像技術，介紹了無人機在大田作物長勢監測領域的優勢(其次分析了常見光譜圖像的特點和應用場景(然后總結了無人機光譜成像技術在大田中的主要應用途徑(最后探討了無人機光譜圖像技術在大田的應用中尚且存在的一些技術空白及難點，以期為今后更好地推廣該技術提供參考。

一.   無人機光譜成像技術概述

1.1原理

無人機光譜成像技術主要結合了無人飛行器、傳感器、通信、GPS定位、圖像實時傳輸等前沿技術，遙感系統主要由飛行平臺系統、傳感系統、空基交互控制系統、數據處理系統、數據實時傳輸系統和地面后勤人員組成，如圖1。

在大田進行監測作業時，由地面工作人員，通過控制系統對無人機飛行軌跡進行控制，根據田間作物的監測需求可定制化在無人機上搭載用途各異的光譜成像儀對田間作物進行光譜圖像采集，并利用配套軟件提取圖像的光譜特征進行分析，計算得出田間作物的生長指標，從而指導生產。

1.2 可采集光譜圖像的特點

光譜成像技術是將成像與光譜測量相結合，獲取地物的位置信息及隨波長分布的光譜輻射信息的技術。常見的光譜圖像可分為全色、多光譜、高光譜以及熱紅外圖像。由于各類圖像感知的波段范圍、光譜分辨率、空間分辨率等有所不同，在大田中的應用也不盡相同。

姜仁榮等借助高分辨率的全色圖像，融合水分分析和區域生長方法，用于監測荔枝單木和樹冠，提取了荔枝林樹冠信息。Bauriegel等利用健康和鐮刀菌感染的小麥植物的高光譜圖像，采用主成分分析法確定了最適合區分感染鐮刀菌蜘蛛的波長范圍并在半實際條件下提出了分類方法。Bellvert等利用葡萄園的熱紅外圖像，分析了水分脅迫指數與葉水勢參數的關系，結果顯示二者呈正相關關系。

雖然各類圖像分辨率有差異，但并不意味著高分辨率圖像就一定優于低分辨率圖像，它們各有不同的適用場合。根據研究對象選擇合適的光譜圖像至關重要，全色圖像常用于與多波段圖像融合，能夠在保留光譜信息完整的情況下，實現獲取較高空間分辨率的復雜影像(多光譜圖像數據處理較方便，但工作波段較少，高光譜圖像的波段更加完整且連續但數據量較大(熱紅外圖像的獲取不受晝夜影響，可以識別地物狀態信息，不受遮擋影響，但獲取的圖像空間分辨率低、光譜分辨率偏小以及圖像信息細節不清晰的缺點。

1.3 優勢

早期衛星遙感由于地球不用位置的曲率、地形、大氣存在差異化，精度往往較低，圖像處理較為復雜，且空間和時間分辨率難以兼顧。而以小型無人機搭載成像儀所形成的遙感系統，能很好地彌補傳統遙感的缺陷。有研究比較了無人機、飛機、衛星三種遙感平臺對葡萄園進行遙感監測的精度，結果表明，衛星低分辨率的影像不能顯示葡萄園的內部差異，而無人機平臺更有利于小區域的植被檢測。

以無人機為平臺的遙感技術具有很多優勢并且得到了大量的應用。無人機遙感空間分辨率高，信息容量大。利用無人機遙感，可以獲得較高精度的位置信息、高程信息，成像清晰，可應用于大比例尺度區域資源監測及地物識別等領域。更重要的是無人機可以實現低空、連續、經濟成本小和低風險的數據采集。無人機可以實現云下低空飛行，監測區域更加靈活。實現連續、周期性的監測，并傳輸實時數據，降低作業成本。

二.   無人機光譜成像技術在大田中的應用研究

1 

2 

2.1 作物長勢及營養指標監測

在作物植株體生長發育必需的營養元素中，氮素含量的多少對作物的生長影響尤為明顯，且與光譜特征的相關性較強。Schirrmann等應用無人機RGB圖像研究了小麥冠層的生物物理指標，包括植物高度、葉面積指數和氮素含量等，并利用主成分分析法建立各指標含量與光譜指數間的回歸模型，表明了應用RGB圖像監測氮元素含量較其他指標更為合理。Zaman-Allah等利用無人機平臺采集玉米多光譜圖像，計算出低氮脅迫條件下的歸一化植被指數（NDVI），并評估了低氮脅迫下的作物營養狀況。

作物的葉綠素含量和葉面積指數（leaf area index，LAI）與作物生長過程中植株體包含的部分營養元素的含量及生物量具有一定的相關性，二者均可作為評價作物長勢的依據。Bendig等結合大麥的無人機高光譜圖像及RGB圖像，選定植被指數（vegetation index specialization，VIS）和植物高度信息估算植株生物量，結果顯示歸一化比率指數與干物質質量具有強相關性，并建立了植物高度模型對生物量進行估計。Willkomm等利用無人機高光譜遙感影像對水稻不同的物候期進行檢測，與田間測定的LAI等參數進行相關性分析，并構建了作物生長模型，結果顯示該模型中的株高與LAI的相關性達到了R² =0.8。

2.2 田間災害監測

大田中的災害主要有病蟲害和旱澇災害。各類災害都會使作物的光譜特征發生變化，利用無人機光譜成像技術對大田生長信息進行檢測，可以較為準確地確定病害類別、位置及程度，有效地減少損失，為精準農藥噴灑提供了依據。Rocio等獲取橄欖樹種植區的高分辨率的熱紅外圖像及高光譜圖像，采用線性判別分析和支持向量機分類方法對大麗花病害進行了監測預警，結果顯示在初始階段，LDA對該病害的監測精度較高。Rumpf等獲取甜菜的高光譜數據，基于支持向量機并結合植被指數的方法，提出了甜菜病害早期的鑒別方法，能夠區分出真菌病、葉銹病和白粉病，對健康甜菜葉及病葉的分類精度達到97%。

長期以來，已知作物冠層溫度和氣孔導度是分析作物水分脅迫的主要指標，而地表溫度及植被指數往往用于指示農作物旱澇情況。Santesteban等利用無人機搭載熱成像儀獲取葡萄的高分辨率熱圖像，將得到的水分脅迫指數（CWSI）與氣孔導度（Gs）及莖水勢（Ψs）進行比較，使用空間建模的方法，表明了CWSI與二者強相關，為定量監測葡萄水分脅迫狀況的研究提供了依據。楊文攀等利用無人機搭載熱紅外成像儀和數碼相機獲取拔節期玉米的冠層溫度，并與測溫儀測量結果比較，結果表明二者具有高度一致性。

2.3 作物產量預測

對糧食產量進行估測，及時準確地掌握各地糧食生產狀況，對于國家糧食生產宏觀調控有著重要的意義。傳統的估產方式一般采用人工區域調查法，工作量大且成本較高，對于部分農作物的估產精度較低。利用無人機光譜成像技術進行作物估產，突破了傳統方法的局限。龔龑等以油菜冠層為研究對象，分析了不同地面端元的組成對影像光譜反射率的影響，提出了基于混合像元分析法的估產模型，發現了油菜開花期及莢果期影像豐度數據和油菜產量具有一定的相關性。Zhao等利用大豆的無人機高光譜數據構建了偏最小二乘回歸模型用于預測產量，精度高達0.8117，驗證了該技術在大豆估產上的可行性。

2.4 精細分類

對農作物進行精細分類是精準農業中的重要部分，也是對農作物的種植面積量算、種類統計的基礎。除此之外，對于農民和自動化的農業機械來說，田間雜草的種類和分布信息十分重要，而無人機遙感提供了基于單株作物對農場進行監控的可能，減少了除草劑的使用。田振坤等利用無人機獲取了冬小麥的高分辨率數碼影像，基于冬小麥光譜特征及NDVI的變化，提出了一種農作物分類模型，結果表明自動分類及最大似然分類法精度較高，適用性較強。Torres Sánchez等利用無人機獲取超高分辨率的可見光光譜影像，對麥田進行精確拼接繪圖，準確的區分了作物和雜草，為在大田中的植被區分提供依據。

三.   光譜圖像建模方法研究

根據植被的光譜特征，目前基于光譜圖像數據建模的研究方向主要有三類：植物的“紅邊”效應、植被指數及作物生長模型的構建。

由于植物體內葉綠素的影響，植被的光譜曲線在紅光區過渡至近紅外區斜率十分陡峭，即為“紅邊”。“紅邊”的位置、斜率等特征可以體現出植被的顏色、覆蓋度和健康程度。當苗期大田作物葉片中葉綠素含量處于較高值時，反映出的“紅邊”光譜特征會向波長更大的方向偏移，反之會向波長更小的方向移動。當植被覆蓋率增大時，“紅邊”會明顯變陡峭，即對應的一階微分值變大。為了更好地反映“紅邊”特征，研究者定義了多種紅邊參數。如對紅邊進行一階微分、二階微分、三點構成紅邊面積等。而植被指數是根據植物的光譜特性，將其特征波段的值進行組合形成的指數，可以消除部分背景或大氣誤差，更能反映出植被的生長狀況。由于各波段對作物各種指標的反映不同，研究者已提出四十多種植被指數，其中，歸一化差異植被指數（NDVI）是目前使用最為廣泛的植被指數之一。表1綜合分析了光譜圖像的建模方法和達到的模型精度情況。

作物生長模型同樣是進行農作物監測的有效手段，相比于植被指數及紅邊參數，適用范圍更廣且精度更高，但難度較大。構建作物生長模型與遙感觀測的同化系統是目前大田作物監測領域的熱點。目前生長模型大致分為兩類：經驗統計模型及基于過程的作物生長模擬模型。經驗統計模型使用回歸分析等方法將區域作物產量與氣候變量聯系起來。這類模型無法估計水消耗，并且大多數只是局部校準的，擴大到更大的區域幾乎不可能。第二類模型是基于環境變量與植物生理過程（例如光合作用和呼吸作用）之間的相互作用來模擬作物的生理發育，生長和產量，可用于空間和時間上的預測。

四.   總結及展望

無人機光譜成像技術結合無人機技術、光譜成像技術的優勢，為精準農業的發展提供了有力的技術支持，在大田中為作物長勢及病害分析、作物產量預測、作物精細分類等提供了高分辨率、高精度的信息，彌補了航天遙感的不足，極具發展潛力，但仍存在著一些技術空白及難點：

（1）在無人機方面，作為遙感平臺，需要具備輕便、穩定、靈活、航時長等特點。主要體現在機身材料的選擇及結構的設計。為了大范圍應用，無人機的外殼材料應自重輕、耐腐蝕、韌性高、價格適中，而其結構應堅固、安全。目前，復合材料的研發、大容量的電池或特殊燃料的使用、大展弦比柔性機翼的制造是提高無人機性能的關鍵。

（2）在光譜成像技術方面，數據采集、處理過程中的一些問題尚未解決。由于大田中復雜的環境，以及眾多因素對地物反射率的影響(在獲取作物光譜圖像時，由于葉面積、葉片分布、太陽入射光的角度、儀器觀測的角度等的影響，可能會導致異物同譜、同物易譜等現象。

（3）在數據處理及分析的過程中，首先，對于圖像的處理，方法通常無法統一，必然會對反演精度造成影響。其次，雖然目前多光譜、高光譜技術已較為成熟，但隨之而來的是大量的數據，對于特征波段的選擇也較為困難。而對于不同的作物、不同的生長時期、不同的生長條件，適用的特征波段可能會有所不同。即使用多個波段組合的方式減小誤差、體現作物生長特點，但研究者所使用的指數難以統一，導致模型缺乏可靠性和普及性，且模型的建立過程復雜，技術要求高，需要研究者具有豐富的農業知識和建模經驗。

來源：無人機光譜成像技術在大田中的應用研究進展：彭要奇，肖穎欣，鄭永軍，嚴海軍，董玉紅，李鑫星：光譜學與光譜分析 第40卷 第5期。轉在的目的在于傳遞更多的知識，如有侵權行為，請聯系我們，我們會立即刪除。