基于无人机多光谱遥感的棉花脱叶效果监测及处方图生成研究

闫春雨,黎文华,兰玉彬,胡传旭,鲁力群,赵静*

(1.山东理工大学农业工程与食品科学学院,山东 淄博 255049;2.山东理工大学国际精准农业航空应用技术研究中心,山东 淄博 255049;3.山东理工大学交通与车辆工程学院,山东 淄博 255049)

棉花是我国重要的经济作物,是我国1亿棉农的主要收入来源[1]。机械化采棉技术大大减少了对人工采棉的劳动力需求,为保证机采棉的顺利完成,需喷施棉花脱叶剂[2]。棉花脱叶剂能够起到脱叶、脱水,催熟、吐絮和防止棉叶二次生长的作用,为机械收获提供便利,尤其是还能促使贪青晚熟的棉花提前成熟,如果脱叶催熟环节出了问题,将会直接影响棉花采收的效率和质量[3]。目前,急需无人机施药技术及遥感监测技术,能完成对棉花喷施脱叶剂和监测棉花脱叶效果,降低人工劳动强度。植保无人机施药技术凭借成本低、效率高和对棉株损伤小等优点,越来越多地受到广大棉农的青睐,逐渐取代传统喷药技术[4-7]。无论是使用地面植保机械,还是植保无人机喷洒棉花脱叶剂都需要对喷洒效果进行调查,确定是否需要多次喷施脱叶剂以及脱叶剂的施用量。传统的调查脱叶效果的方式主要是人工调查,调查时需人工逐一定点定株定期查数统计棉株全部棉叶、剩余棉叶、未开棉桃及吐絮棉桃数量,费时费力且存在漏数和错数的情况;同时在调查大面积棉田时,由于人的视野范围有限,并不能精确掌握棉花脱叶的真实情况,主观影响较大。

植被覆盖度是指植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的比例,在一定程度上表征了植被的生长状况[8-10]。无人机遥感技术凭借其机动灵活,获取的图像时空分辨率高和成本较低等优点在作物植被覆盖度方面有着非常广泛的应用[11]。牛亚晓等[12]使用数码相机和无人机获取棉花可见光图像,利用棉花植被与非植被像元在不同颜色通道上的差异性,对苗期和蕾期的棉花覆盖度进行提取,结果表明在a通道提取的固定阈值更适合用于棉花植被覆盖度的提取;汪小钦等[13]通过分析无人机获取的可见光图像中植被和非植被的光谱差异,构建了用于提取可见光图像中植被覆盖度的可见光波段差异植被指数(VDVI);李冰等[14]以冬小麦为研究对象,结合基于时间序列和植被指数阈值法对冬小麦覆盖度进行了提取;魏青等[15]通过采用不同多光谱植被指数与决策树分类结合的方法,对两期无人机多光谱影像中的小麦、果树和大棚面积进行提取,最大提取误差不超过17%。以上研究都表明使用无人机遥感影像进行地物识别是可行的。

在变量施药研究方面,国外一些科研机构较早就开始研发航空变量施药监测技术,Wingman GX空中喷洒管理系统具有较广的使用范围,能够提供基本的变量控制与飞行指导等功能[16]。王大帅等[17]利用脉宽调制(pulse width modulation,PWM)变量施药方法实现了单旋翼无人机飞行速度与施药量之间的匹配;邢航等[18]研发了可以在PC端和手机端进行在线调节喷洒流量及监控喷洒流量、飞行等参数,能满足变量喷洒地面监控系统的基本需求;王玲等[19]研发的无人机变量施药系统,需基于经验的人为调控方式,难以保证施药的精准性。以上学者虽实现了变量施药,但未生成处方图并按照处方图进行变量施药。

目前利用无人机遥感技术监测棉花脱叶效果的研究鲜有报道。本文利用无人机遥感技术和植被覆盖度提取方法,对棉花喷洒脱叶剂前、后的棉田进行监测;利用最优监测方法提取多光谱图像中的棉花植被信息,制作变量施药处方图,指导脱叶剂喷施,推动精准农业航空遥感技术在我国棉花田间管理方面的应用,助力我国棉花种植业更好的发展。

1 材料与方法

1.1 研究区概况

2020年9—10月,于山东省滨州市滨城区杨柳雪镇棉花基地(37°27′29″N,117°57′01″E)进行了棉花脱叶效果监测试验。试验地为盐碱土,多年棉花连作,前茬为棉花。

1.2 试验方案

用于试验的棉花品种为‘中棉100’,由滨州市农喜合作社提供,播种时间为2020年4月20日,行距为76 cm,7月25日进行化学打顶。试验设置3个处理:处理1所使用的脱叶剂是由中国农业大学提供的欣噻利(10%噻苯隆+40%乙烯利悬浮液,助剂是河北国欣诺农生物技术有限公司的“省伴”牌增效助剂),处理2所使用的脱叶剂是由新疆铁漫植保团队提供的北极风(脱叶剂为 360 g·L-1的噻苯隆和180 g·L-1的敌草隆悬浮剂,助剂为98%的异癸辛乙氧基酯化物及40%的乙烯利),处理3为对清水对照(CK),每个处理约667 m2,不设重复。欣塞利只需配合专用的助剂使用,北极风除配合专用助剂,还需配合乙烯利共同使用。由于噻苯隆是弱碱性,而乙烯利是强酸性,因此配药时需进行二次稀释。

1.3 数据采集及预处理

1.3.1 多光谱数据采集通过多光谱无人机平台(大疆经纬M210 V2无人机、长光禹辰MS600 Pro多光谱相机及Yusense Fly地面站软件)获取喷施棉花脱叶剂前2 d(第1次)、第1次喷施后6 d(第2次)、第2次喷施后6 d(第3次)及棉花采收前2 d(第4次)的棉田冠层多光谱图像。无人机飞行高度为50 m,航向重叠率和旁向重叠率均为75%,无人机飞行速度为5 m·s-1,采集时间为10:00—14:00。多光谱相机参数如表1所示。

表1 多光谱相机参数Table 1 Multispectral camera parameters

1.3.2 地面数据采集第1次喷施脱叶剂(2020年9月26日)时田间自然吐絮率为50%,采用定点定株挂牌的方式调查棉花脱叶率及吐絮率,每个处理选择6个调查样区,每个样区随机选择连续的10株健壮且长势一致的棉花(相邻2行各选择5株),双株不参与计算。喷施脱叶剂前2 d采集第1次田间数据,第1次喷洒后3、5、8、10、13、17、22和27 d各采集1次数据。

1.3.3 多光谱数据预处理利用 Pix4Dmapper 软件对无人机获取的多光谱图像进行拼接,生成试验区正射图像。将拼接完成的图像导入ENVI 5.3软件中,裁剪出研究区域(图1)。

图1 多光谱图像的拼接结果Fig.1 Mosaic results of multispectral images

1.4 多光谱植被指数提取

植被指数(vegetation index,VI)能够反映绿色植被的生长状况,广泛用于植被覆盖、植被分类、作物长势监测和病虫害监测等方面。通过将不同的光谱波段线性或非线性地组合形成不同的植被指数,能够更有效地减少信息干扰、增强植被光谱信息。本研究选择了SAVI、DVI、RVI及NDVI 4种常用多光谱植被指数。DVI对土壤背景的变化极为敏感,适用于低中覆盖率的植被检测,可检测植被生长状态和消除部分辐射误差等。RVI强化了植被在红外波段和近红外波段的差异,能增强植被与土壤背景之间的辐射差异,常用于估算植物生物量和植被覆盖度。NDVI是植物生长状态及植被空间密度的最佳指示因子,减少了地形地貌因子的干扰,可用于监测植被变化和生态环境变化等。SAVI能将NDVI固有的土壤“噪声”减到最小,常用于干旱监测和植被覆盖度检测。各植被指数计算公式如表2所示。

表2 多光谱植被指数Table 2 Multispectral vegetation index

1.5 基于多光谱无人机遥感的棉花脱叶效果监测

1.5.1 基于最大熵阈值法监测棉花脱叶效果熵是信息论中一个极其重要的概念。用于确定随机数据源中包含的信息量,属于统计测量方法,按照公式(1)计算熵值:

(1)

式中:H(I)是图像的熵;Pi表示图像I中像素灰度值为i的概率;n为图像灰度级数。直方图分为背景(土壤及已脱棉叶等)和目标(待脱棉叶)2部分,对图像直方图进行统计,两者的总熵最大时对应的像素值就是最大熵阈值分割法的阈值。

通过ENVI 5.3软件中图像熵统计工具,分别统计4次图像中4种多光谱植被指数的最大熵信息,提取统计结果中最大熵的均值作为棉花脱叶剂信息提取阈值。大于阈值的部分为植被像素,小于阈值的部分为土壤像素,对研究区内的棉花像素数与土壤像素数进行统计,按照公式(2)计算棉叶覆盖度。

FC=P棉花/(P棉花+P土壤)×100%

(2)

式中:FC为棉叶覆盖度;P棉花为棉花像素统计结果;P土壤为土壤像素统计结果。

1.5.2 基于植被指数阈值法监测棉花脱叶效果植被指数阈值法是将样本统计法与植被指数时序图交点法的结合。样本统计法是在统计分析人工目视解译的结果后确定提取阈值,植被指数时序图交点法认为试验区域图像包含植被像元和非植被像元2部分。随着棉花脱叶剂的作用,试验田内的棉花叶片不断变黄、脱落,棉花植被像元数不断减少,落叶、土壤等非植被像元数不断增加,增加量为棉花植被像元减少的像元数。

统计4次多光谱图像分类结果中土壤和棉花植被的4种多光谱植被指数数值,以像元统计个数为纵坐标,以棉花植被与土壤的植被指数数值为横坐标,绘制出棉花植被和土壤的统计直方图。记录所选多光谱植被指数直方图中棉花植被和土壤的交点,将其作为棉花植被和土壤背景的分类阈值,大于植被指数阈值的部分为棉花植被像元,小于阈值的部分为土壤像元。按照公式(2)进行脱叶信息计算。

1.5.3 精度评价及方法验证支持向量机(support vector machine,SVM)是一种用于分类和回归分析的有监督学习模型。它能有效解决高维、小样本、线性和非线性问题,具有较强的泛化能力。牛亚晓等[8]使用SVM分类结果作为真值对提取的棉花覆盖度进行评价,结果表明SVM具有较好的分类结果。在使用SVM监督分类的过程中,为提高分类精度需要选择较多的样本用于训练,选取大量的样本需要消耗较多的人力,同时由于样本数量的增加,在分类时会消耗大量的计算机硬件资源,如内存、CPU和显卡等。最大熵阈值法和植被指数阈值法相比较于SVM监督分类方法,具有易操作、计算耗时短和人工参与少等优点,因此,本文通过ENVI 5.3软件进行SVM监督分类,利用混淆矩阵对SVM监督分类的结果进行验证。具体的分类流程如图2所示,并以此作为棉花脱叶信息真值,对最大熵阈值法和基于植被指数阈值法提取的棉花脱叶信息进行验证。

图2 SVM监督分类流程图Fig.2 Flow chart of SVM supervised classification

根据公式(3)计算提取误差,去除提取误差较大的结果后,选择均方根误差(RMSE)和决定系数(R2)评价模型精度。R2越接近1且RMSE越小表明模型效果越好。R2、RMSE计算公式如(4)和(5)所示。

(3)

式中:FC提取误差表示提取误差;FC真值为SVM提取的结果,即真值;FC预测为通过不同模型提取的结果。

(4)

(5)

1.6 施药处方图生成方法

常规无人机喷洒棉花脱叶剂一般为2次,中间间隔为6～10 d,并且2次喷洒均为定量喷洒。在施药过程中,轻则起不到脱叶的效果,重则造成减产和品质下降,且过度使用农药会对土壤、周边作物及环境造成危害,还会造成经济损失。相关调查研究显示,中国的农药浪费率达70%～80%[24]。因此,本研究利用最优监测模型提取第2次获取的棉田多光谱图像中未脱棉叶信息,对图像进行二值化、栅格化、重采样等处理后,将图像中的棉叶信息转换成施药量,最终生成施药处方图,进而实现精准变量施药,具体研究方法如图3所示。

图3 研究方法流程Fig.3 Flow chart of research method

图像重采样可将高分辨率图像重采样为低分辨率图像,也可将低分辨率图像重采样为高分辨率图像。常用的方法有最邻近内插法、双线性内插法、三次卷积法等,本文选用最近邻内插法结合植保无人机的喷幅进行重采样,依次对单个像素块图像中的绿色像素和黑色像素比例进行统计,绿色像素代表需要喷洒脱叶剂,根据绿色像素比例转换为施药量,按照5个等级(0～0.2为1级,0.2～0.4为2级,0.4～0.6为3级,0.6～0.8为4级,0.8～1.0为5级)进行重采样,图4为0.05、0.5和1 m的重采样结果。使用大疆T20植保无人机按照处方图进行施药,喷施棉花脱叶剂的参数为:飞行高度2 m、喷幅5 m、飞行速度5 m·s-1。通过计算采收前棉田多光谱影像中的棉叶比例来评价生成处方图的效果。

图4 不同分辨率重采样结果Fig.4 Resampling results at different resolutions

2 结果与分析

2.1 基于最大熵阈值法的监测结果

基于多光谱最大熵阈值法提取的棉花脱叶覆盖度(脱叶信息)验证结果如表3所示,已剔除提取误差较大的结果。从表3可知:剔除提取误差较大结果后,基于RVI840与RVI940特征的最大熵阈值法提取的棉叶信息结果较好,通过对比两者提取结果的RMSE和R2,最终确定基于RVI940特征的最大熵阈值法提取结果最优,该方法提取的4次棉叶覆盖度为55.44%、51.28%、45.56%和43.39%,提取结果如图5所示。

表3 基于最大熵阈值法提取的覆盖度验证结果Table 3 Verification results of coverage extracted based on maximum entropy threshold method

图5 基于最大熵阈值法(RVI940)的4次分类结果Fig.5 Four classification results based on maximum entropy threshold method(RVI940)

2.2 基于植被指数阈值法的监测结果

基于多光谱植被指数阈值法提取的棉花脱叶信息验证结果如表4所示,已剔除提取误差较大的结果。从表4可知:剔除提取误差较大结果后,基于SAVI940与SAVI840特征的植被指数阈值法提取结果较好,通过对比两者提取结果的RMSE和R2,确定基于SAVI840特征的植被指数阈值法提取的结果最优,该方法提取的4次棉叶覆盖度为64.61%、62.58%、34.98%、28.84%,提取结果如图6所示。

表4 基于植被指数阈值法提取的覆盖度验证结果Table 4 Verification results of coverage extracted by vegetation index threshold method

图6 基于植被指数阈值法(SAVI840)的4次分类结果Fig.6 Four classification results based on vegetation index threshold method(SAVI840)

2.3 2种监测方法的精度评价

通过目视解译的方式在棉花喷施脱叶剂前、后获取的4个时期的多光谱图像中各选取80个土壤分类样本和棉花植被分类样本进行SVM监督分类,选取60个棉花样本和土壤样本作为验证集对SVM监督分类结果进行混淆矩阵验证,分类核函数为RBF函数,分类评价结果采用Kappa系数和总体分类精度来评价。棉花4个时期多光谱影像的混淆矩阵精度验证结果如表5所示,通过混淆矩阵的验证结果可知SVM监督分类结果较好,可用作真值。基于SVM分类后的图像均为土壤和棉花2类,使用ENVI 5.3软件的Statistics for all classes工具对4期图像中的棉花(叶)信息进行统计,4次结果分别为67.03%、62.41%、45.23%和27.92%,提取的棉叶覆盖信息变化符合棉花脱叶过程棉叶减少的情况,提取结果如图7所示。

表5 棉花4个时期的支持向量机分类精度混淆矩阵验证结果Table 5 Verification results of the confusion matrix accuracy of support vector machine(SVM) classification in four periods of cotton

图7 支持向量机提取的结果Fig.7 SMV extraction results

表6 基于SAVI840植被指数阈值法的棉花脱叶 效果监测模型

通过对比2种监测方法提取结果的RMSE和R2可知,基于SAVI840指数阈值法提取4个时期的棉叶覆盖信息结果优于基于RVI940特征的最大熵阈值法提取结果,能够较准确提取棉花脱叶信息,可用于监测棉花脱叶效果。将基于SAVI840指数阈值法提取的结果作为预测值,将人工调查获取的4次棉叶数(18 780、15 687、9 794和5 924)作为真值进一步确定出最佳监测模型,监测模型如表6所示,在已选择的监测模型中,对数模型的R2最高。

2.4 施药处方图生成结果

2.4.1 施药处方图生成结果使用ENVI软件裁剪出研究区第2次获取的棉田多光谱正射图像,利用本文最佳提取棉叶覆盖度的方法提取试验区棉叶信息,图8为提取后的图像,图中仅含有棉花植被(深绿色)与土壤(白色)2类。通过本文的处方图生成方法得到精准施药处方图(图9),施药量与重采样等级匹配,0～0.2为1.4 L·min-1,以此类推,最高0.8～1.0为1.8 L·min-1。

图8 棉叶信息提取结果Fig.8 Extraction results of cotton leaf information

图9 精准施药处方图Fig.9 Prescription diagram of precise application

2.4.2 田间喷洒试验及验证根据植保无人机喷幅及能够合并最低药量的区域修正精准施药处方图(图10),并基于修正后的处方图进行施药。图11为采收当天获取的棉田冠层多光谱图像提取的棉叶信息结果图,白色区域为已脱叶,黑色区域为未脱棉叶。使用ENVI 5.3软件的Statistics for all classes功能统计图8与图11中待脱棉叶的比例,脱叶完成度从65.03%提高到了96.84%,说明基于本研究构建的变量施药处方图进行变量喷施,可有效降低施药量并提高棉花脱叶率。

图10 修正后的处方图Fig.10 Modified prescription chart

图11 采收当天棉花植被提取结果图Fig.11 Results of cotton vegetation extraction on the day of harvest

常规喷施棉花脱叶剂时,整块试验田需要按照1.8 L·min-1的施药量喷施,不仅浪费农药,而且可能造成棉叶焦而不落。由于试验设备不能进行超高精细化自动变量喷洒,本研究使用修正后的处方图进行变量施药,试验田面积为3 740 m2,对按照修正前处方图(理想施药量为4.117 L·667 m-2)、修正后处方图(本文提出的变量施药方法的施药量为4.465 L·667 m-2)及常规定量施药(施药量为4.821 L·667 m-2)的施药量进行计算,与常规施药方式相比,本文提出的变量施药方法节药7.39%,理想变量施药方法节药14.61%。

3 结论

针对传统棉花脱叶效果监测存在的问题,通过获取棉田多光谱正射影像,利用最大熵阈值法和植被指数阈值法提取植被覆盖度(待脱棉叶信息),根据提取的棉田植被覆盖度与棉花脱叶率关系,生成脱叶剂变量喷施处方图。结合无人机实际喷幅和喷药量进行处方图修正,基于修正后的处方图进行变量喷施,并对喷施后的脱叶效果进行了评价。

1)在棉花脱叶过程中,SAVI840波段对棉叶变化最敏感,该波段结合植被指数阈值法提取棉叶信息精度最佳;利用R2和RMSE确定了基于SAVI840波段的植被指数阈值法监测棉花脱叶效果最好(R2为0.96),可代替人工监测棉花脱叶效果。

2)利用最优监测模型提取棉田多光谱图像中未脱棉叶信息并进行处理,生成脱叶剂变量喷施处方图。试验结果表明,与常规施药方式相比,基于处方图的变量喷施可节约7.39%的脱叶剂用量,有效降低施药量并提高了棉花脱叶率。