有关无人机高光谱成像仪应用在农田中的知识，大家请看：作物产量。提高农作物产量是农业活动的主要目标, 准确估测产量对农业生产和管理决策部门均有重要意义。众多研究者通过多因素分析试图建立更高预测精度的估产模型。如从监测时间频率入手, 利用二元定距变量方法对单天、各旬、各月冠层NDVI与产量进行相关性分析; 相关性最优的五个时间范围内的数据, 用线性回归、二次、三次曲线分别与产量建模, 比较独立建模与组合建模的结果, 其R2=0.771, 相对误差为4.06%, RMSE为0.474 t·hm-2, 对应的北方粳稻生育期为分蘖盛期和抽穗期。着眼于监测的采样范围, 基于不同空间尺度提取的高光谱数据, 采用偏最小二乘回归构建植被指数与产量模型, 通过模型方程估算精度的曲线变化趋势, 分析最优空间尺度面积及采样小区的长宽比, 最终确定采样空间长宽与种植小区长宽比例介于4.25:5和4.5:5时, 估算模型最为准确(r=0.8117)。

作物生长胁迫因子

农田墒情

农田墒情常通过热红外法进行监测。植被高度覆盖区, 因叶片气孔的关闭可降低因蒸腾造成的水分损失, 使地表潜热通量降低, 地表感热通量增加, 进而引起冠层温度升高, 地表温度可认为是植物冠层温度。由于反映作物能量平衡的水分胁迫指数可量化作物含水量与冠层温度的关系, 因此通过热红外传感器获取的冠层温度即可反映农田水分状况; 裸土或植被覆盖度小的地区, 可以用下垫面温度间接反演土壤水分, 其原理是:水的比热大, 受热温度变化慢, 因此白天下垫面温度的空间分布可间接反映土壤水分的分布。在对冠层温度的监测中, 裸露的土壤是重要的干扰因素。有研究者对裸土温度与作物地表覆盖度的关系进行了研究, 明确了由裸土导致的冠层温度测量值与真值间的差距, 将修正结果用于农田水分的监测, 提高了监测结果的精度。在实际农田生产管理中, 田间水分渗漏情况也是被关注的重点, 已有研究利用红外成像仪监测灌溉渠道水分渗漏, 精度可达93%。

病虫害

利用近红外光谱反射率监测植物病虫害, 其依据是:叶片在近红外区的反射受海绵组织和栅栏组织控制, 健康植物这两种组织间隙充满水分而膨胀, 是各种辐射良好的反射体; 当植物受害,叶片遭到破坏, 组织萎蔫, 水分随之减少, 红外反射减少直到丧失。

热红外监测的温度也是反映作物病虫害的重要指标。植株在健康条件下, 主要通过控制叶片气孔开闭进行蒸腾作用的调节, 维持自身温度的稳定; 在遭受病害后, 会发生病理变化, 病原物-寄主互作中病原物对植物的影响, 特别是对蒸腾有关方面的影响会决定侵染部分温度的升降。一般而言, 植物受感会导致气孔的开张调节失调, 因而病变区域的蒸腾作用高于健康区域, 旺盛的蒸腾作用会导致感染区域温度的下降, 叶面温差较正常叶片高, 直到叶片表面出现坏死斑点。坏死部位的细胞完全死亡, 该部分的蒸腾作用完全丧失, 温度开始升高, 但是由于叶片其他部分开始感染, 所以叶面温差始终高于健康植株。

使用多光谱相机获取棉花影像, 采用多元线性回归和统计学方法分析、处理生成处方图, 暗紫色和蓝色区域棉花长势良好, 粉红色和红色区域棉花生病或者死亡, 监测结果直观, 可以快速投入应用辅助农艺管理, 如根据棉田病害处方图进行喷药管理。

其他信息

在农田信息监测领域, 无人机高光谱数据还有更广泛的应用。如:利用多项纹理特征提取玉米倒伏面积; 利用NDVI指数反映棉花成熟期叶片老熟程度, 生成的脱落酸施用处方图可有效指导棉花脱落酸的喷施, 避免农药过度施用等。根据农田监测与管理的需求, 不断挖掘无人机高光谱数据信息、拓展其应用领域, 是未来信息化、数字化农业发展的必然趋势。

存在问题与发展方向

目前利用无人机监测农田信息还处于起步阶段, 不仅在飞行平台的研发、应用和管理方面存在不少问题, 而且在遥测数据的挖掘、处理、和综合应用方面也具有极大的提升空间。首先, 无人机的一次性投入成本较高, 飞行稳定性受气象条件、操控人员能力、甚至飞行政策等因素的制约, 真正投入生产实践的案例还比较少; 针对大田作物生长的阶段性特点, 现有的研究对于周期性的农田信息获取仍急需完善; 多载荷无人机虽然已经投入使用, 但获取的数据尚未充分实现多源数据的综合应用; 由于获取遥感数据缺少快速的处理方法和管理技术指导平台, 高精度、高阶数据的有效信息未能完全发掘。

简单易用、低成本的无人机高光谱成像仪

稳定的无人机平台与协调的传感器配置对于提高农田信息监测水平意义重大, 但是目前无人机存在成本过高、稳定性较差、受大风、阴雨等恶劣天气的限制等问题; 遥感平台的操作复杂, 且过度依赖于人工设置, 制约了无人机高光谱在农田监测管理中的广泛应用。目前的研究表明, 无人机稳定性受到阵风的影响最大, 在飞行控制中也均考虑了风场扰动。滑模变结构控制和基于自抗干扰的飞行控制均取得了一定进展。商用无人机也通过改进自稳系统和航线规划算法简化了无人机的操作。目前, 我国对于7 kg以下、飞行半径500 m范围内、高度120 m以下的无人机未作明确规定, 但飞行器的飞行空域依然要接受相关部门的监管。随着无人机的普及, 相关政策也有待明确。

作物生长情况的周期性动态监测

对于农田信息监测缺少周期性和连续性, 是当前研究存在的普遍问题。由于作物生长情况处于动态变化中, 每一生长阶段的生长参数与遥感信息间的关系均不相同, 单一或少数几个生育期的作物生长模型不具有普适性和代表性。例如, 由于不同生育期的适用模型不同, 有大豆的鲜生物量的研究只能采取分段建模的方式。而且, 对于同一生长参数, 不同时期监测的准确性也存在较大差异, 因此对于作物生长状态的连续监测, 探寻同一生长参数不同生育期的变化趋势并构建适用于多生育期的普适模型十分必要。

多源数据的综合应用

单一来源的遥感数据难以全面反应农田信息。随着传感器的轻型化和无人机载重及续航时间的增加, 已经实现多源数据同步监测农田信息。如何将不同遥感信息综合使用, 提高监测精度, 拓展监测范围是需要进一步思考的内容。目前, 已有以激光雷达为核心, 集成高分辨率相机、热成像仪、高光谱成像仪等传感器的平台, 实现株高、株幅、叶长、叶宽、叶倾角及叶面积等作物各生长时期多源表型数据的提取, 实现高通量作物表型的测量, 为基因组学和生物学分析提供数据支持。也有将高清数码影像与高光谱数据结合, 提取株高和光谱参数, 综合应用于生物量估算的案例。但多源数据综合应用的方法和范围还很局限, 如何实现空间构型数据与成像光谱数据的融合; 无人机高光谱数据与地面、卫星遥感数据的融合, 仍是需要深入研究的问题。

高精度高阶数据实时处理与管理指导技术

相比于整个田块, 农田中植被覆盖区的遥感信息与作物状态的相关性更高。基于植被指数的遥感处理方法, 并未充分利用无人机高光谱超高的空间分辨率。因此, 利用高空间分辨率的优点, 在田块内精细区分作物、垄间裸土, 获取单纯植物覆盖区的遥感信息, 对于提升作物模型的预测水平有实际意义。目前, 虽然基于可见光或光谱数据即可实现物体识别与分类, 但由于其受阴影等影响, 实际应用中存在不少问题。特别是作物生长前期由于地表覆盖度低, 遥感数据易受土壤介质的影响, 生长后期易受阴影等因素干扰, 将物体的空间特征也同时应用于农田物体识别分类, 将会有助于提高无人机高光谱对作物的分辨能力, 实现对农田区域更精准的分割。

如何处理无人机高光谱获取的海量数据也是亟待解决的问题。无法实现即时的数据解译, 指导农艺操作, 无人机高光谱将丧失实时性的优势。因此无人机数据处理平台的开发尤为必要, 生成相应的农业管理措施, 更好地指导农业生产。

无人机高光谱作为一种新型的高空间、时间分辨率的信息监测技术,在农田信息监测中的研究和应用方兴未艾, 目前尚存在不少的问题。但与传统地面定点监测和高空遥感监测相比, 无人机高光谱监测的空间尺度和精度优势显著, 尤其适合中尺度农田的数字信息快速获取。在可以预见的未来, 通过无人机飞行平台、机载多源信息采集技术、数据挖掘和建模技术、决策支持技术平台等方面的发展完善, 无人机高光谱技术有望在农业和相关领域中得到更广泛、更深入的应用。