來(lái)源：新疆農(nóng)機(jī)化，作者：Fan Daoquan ， Zhang Meina ， Lü Xiaolan

引言

在世界 80 多個(gè)棉花生產(chǎn)國(guó)家中，中國(guó)、美國(guó)、印度和巴基斯坦是最大的棉花生產(chǎn)國(guó)和消費(fèi)國(guó)，這 4 個(gè)國(guó)家的產(chǎn)量和消費(fèi)量大約占到了世界棉花總產(chǎn)量和總消費(fèi)量的 60%。在中國(guó)新疆，得天獨(dú)厚的自然條件，堿性土質(zhì)，夏季溫差大，陽(yáng)光充足，光合作用充分，生長(zhǎng)時(shí)間長(zhǎng)，新疆種植的棉花以絨長(zhǎng)、品質(zhì)好、產(chǎn)量高著稱于世。隨著新疆土地流轉(zhuǎn)速度加快，規(guī)模化種植，技術(shù)水平的提高，赴疆采棉大軍已經(jīng)慢慢淡出了人們的視線，機(jī)械化種植、采收棉花已經(jīng)成為主流。放眼未來(lái)，在全面機(jī)械化之后，更多新技術(shù)向農(nóng)業(yè)領(lǐng)域滲透，將會(huì)大大促進(jìn)未來(lái)農(nóng)業(yè)的發(fā)展。未來(lái)農(nóng)業(yè)正朝著自動(dòng)化、智能化、數(shù)字化、信息化、互聯(lián)互通的智慧系統(tǒng)方向發(fā)展。2019 年 5 月 16 日，中共中央辦公廳、國(guó)務(wù)院辦公廳印發(fā)了《數(shù)字鄉(xiāng)村發(fā)展戰(zhàn)略綱要》，指出新一代信息技術(shù)創(chuàng)新空前活躍，不斷催生新技術(shù)、新產(chǎn)品、新模式，推動(dòng)全球經(jīng)濟(jì)格局和產(chǎn)業(yè)形態(tài)深度變革，亟需進(jìn)一步發(fā)掘信息化在鄉(xiāng)村振興中的巨大潛力，促進(jìn)農(nóng)業(yè)全面升級(jí)、農(nóng)村全面進(jìn)步、農(nóng)民全面發(fā)展。重點(diǎn)任務(wù)之一為，夯實(shí)數(shù)字農(nóng)業(yè)基礎(chǔ)，完善自然資源遙感監(jiān)測(cè)“一張圖”和綜合監(jiān)管平臺(tái)，對(duì)永久基本農(nóng)田實(shí)行動(dòng)態(tài)監(jiān)測(cè)。在此背景下， 本文主要介紹精準(zhǔn)農(nóng)業(yè)技術(shù)、遙感技術(shù)以及無(wú)人機(jī)低空遙感技術(shù)在大田作物監(jiān)測(cè)與產(chǎn)量預(yù)測(cè)中的應(yīng)用。

1 精準(zhǔn)農(nóng)業(yè)技術(shù)

精準(zhǔn)農(nóng)業(yè)是農(nóng)業(yè)發(fā)展模式中新型發(fā)展模式， 主要將信息技術(shù)與各類高新技術(shù)相結(jié)合，根據(jù)空間、地理、時(shí)間和環(huán)境的變化進(jìn)行現(xiàn)代化農(nóng)業(yè)管理與操作，形成的一種適用于大面積作物種植的現(xiàn)代農(nóng)業(yè)生產(chǎn)模式，如圖 1。3S 技術(shù)（地理信息系統(tǒng) GIS、全球衛(wèi)星定位系統(tǒng) GPS 以及遙感技術(shù) RS 技術(shù)）是精準(zhǔn)農(nóng)業(yè)技術(shù)的核心技術(shù)，其可對(duì)大田農(nóng)業(yè)采集的信息處理、管理、分析、表達(dá)、傳播和應(yīng)用，對(duì)我國(guó)農(nóng)業(yè)建設(shè)發(fā)展起到了顯著的推動(dòng)作用。作物生產(chǎn)管理決策支持系統(tǒng)、作物長(zhǎng)勢(shì)和傳感器技術(shù)、變量噴霧控制技術(shù)和裝備等相關(guān)技術(shù)促進(jìn)精準(zhǔn)農(nóng)業(yè)技術(shù)快速發(fā)展。2018 年數(shù)據(jù)，美國(guó) 30%~50%大型農(nóng)場(chǎng)應(yīng)用了精準(zhǔn)農(nóng)業(yè)技術(shù)，農(nóng)場(chǎng)越大，精準(zhǔn)農(nóng)業(yè)技術(shù)提供的利潤(rùn)也就越高，成本回收周期越短。目前，在精準(zhǔn)農(nóng)業(yè)技術(shù)領(lǐng)域，土壤地圖，產(chǎn)量地圖、導(dǎo)航系統(tǒng)與變量技術(shù)應(yīng)用最為廣泛。在當(dāng)前我國(guó)農(nóng)業(yè)機(jī)械化工作水平不斷發(fā)展的背景下，精準(zhǔn)農(nóng)業(yè)在提高農(nóng)業(yè)生產(chǎn)管理水平、合理利用資源和環(huán)保效益上具有重要意義。

圖1 精準(zhǔn)農(nóng)業(yè)示意圖

2 遙感技術(shù)

作為精準(zhǔn)農(nóng)業(yè)技術(shù)的支撐技術(shù)之一，遙感技術(shù)

［4］是一種用于大面積、遠(yuǎn)距離信息采集與監(jiān)測(cè)的一

種無(wú)損、穿透性的新型探測(cè)技術(shù)，其可在大范圍內(nèi)、不同時(shí)間獲取實(shí)時(shí)數(shù)據(jù)，通過(guò)遙感影像詳細(xì)的反映物體的各方面的性質(zhì)，能讓人們?cè)诙虝r(shí)間內(nèi)獲得自然與非自然環(huán)境基本信息。在高空遠(yuǎn)距離處，通過(guò)遙感技術(shù)接收物體輻射或反射的電磁波信息，應(yīng)用信息處理技術(shù)，加工處理成能識(shí)別的圖像，經(jīng)分析揭示出物體的性質(zhì)、形態(tài)和動(dòng)態(tài)變化。目前，遙感技術(shù)廣泛的應(yīng)用在礦物勘探、環(huán)境監(jiān)測(cè)、農(nóng)牧業(yè)等多個(gè)領(lǐng)域。

從開(kāi)始研究對(duì)地遙感技術(shù)，農(nóng)業(yè)遙感技術(shù)一直是星載遙感和機(jī)載遙感的重點(diǎn)研究方向。 通過(guò)星載遙感和機(jī)載遙感對(duì)農(nóng)田作業(yè)，獲得大面積作物種植生物、物理等信息，有助于對(duì)大面積農(nóng)作物管理。隨著高光譜技術(shù)的進(jìn)步，以及對(duì)地探測(cè)專業(yè)小衛(wèi)星的發(fā)展，遙感技術(shù)將成為推進(jìn)我國(guó)數(shù)字農(nóng)業(yè)和精準(zhǔn)農(nóng)業(yè)以及生態(tài)農(nóng)業(yè)的快速發(fā)展的動(dòng)力［6］。衛(wèi)星遙感的觀測(cè)范圍較大，觀測(cè)信息較為宏觀和綜合，能夠?qū)崿F(xiàn)長(zhǎng)期連續(xù)監(jiān)測(cè)，但圖像分辨率不是很高。

圖2 衛(wèi)星遙感

近年來(lái)逐漸發(fā)展壯大的無(wú)人機(jī)遙感（Unmanned Aerial Vehicle Remote Sensing ），利用先進(jìn)的無(wú)人機(jī)平臺(tái)，實(shí)現(xiàn)自動(dòng)化、智能化、專用快速獲取空間遙感信息，完成遙感數(shù)據(jù)處理、建模和應(yīng)用分析。相比于衛(wèi)星遙感，無(wú)人機(jī)因?yàn)榻孛妫^測(cè)范圍相對(duì)較小， 但圖像分辨率高，靈活易部署，時(shí)效性好，且可以拍攝視頻影像。

圖3 無(wú)人機(jī)遙感

3 無(wú)人機(jī)低空遙感技術(shù)

植物具有光譜特性，可吸收、反射、輻射不同的光譜。無(wú)人機(jī)低空遙感技術(shù)以植物的光譜特性為基礎(chǔ)，不同波長(zhǎng)的光對(duì)植物生長(zhǎng)有不同的影響，利用無(wú)人機(jī)搭載圖像傳感器，如可見(jiàn)光相機(jī)、多光譜相機(jī)、高光譜相機(jī)與熱成像相機(jī)，用于采集作物在不同波段下的圖像，提取不同的特征，如圖 4。

在整個(gè)可利用的電磁波譜中，不同波段的圖像數(shù)據(jù)用于提取作物不同的特征參數(shù)：

（1）400~700 nm 的可見(jiàn)光波段（VIS）用于測(cè)量植物的形態(tài)、幾何特征和顏色特征;

（2）700~1 000 nm 的近紅外波段（NIR）常用于檢測(cè)葉片含水量;

（3）7 500~13 000nm 的熱紅外波段（TIR）常用于檢測(cè)不同溫度條件下葉片的光譜反射，也可以反映含水量;

（4）高光譜相機(jī)采集 350~2 500 nm 的上百個(gè)光譜帶用于測(cè)量反映植物脅迫狀況;

（5）激發(fā)光下測(cè)量的葉綠素?zé)晒鈭D像可用于研究植物的光合作用。

圖4 無(wú)人機(jī)機(jī)載圖像傳感器

無(wú)人機(jī)低空遙感探測(cè)農(nóng)作物生物、物理等信息， 可快速有效針對(duì)農(nóng)作物生物量做出評(píng)估，為大面積農(nóng)作物種植提供一種高效的低空管理工具。無(wú)人機(jī)低空遙感技術(shù)在農(nóng)業(yè)領(lǐng)域中的應(yīng)用包括作物種類識(shí)別、長(zhǎng)勢(shì)與墑情監(jiān)測(cè)、病蟲(chóng)害監(jiān)測(cè)、植株數(shù)量和成苗率統(tǒng)計(jì)分析、土壤屬性分析、自然災(zāi)害后的作物受損評(píng)估、作物產(chǎn)量預(yù)測(cè)等。如 Filippo Santini等利用無(wú)人機(jī)多光譜、RGB 和熱成像技術(shù)測(cè)試黑松種群中植被指數(shù)和冠層溫度的遺傳變異，并評(píng)估了植被特性與地上生長(zhǎng)的種群間關(guān)聯(lián)性。Maimaitijiang M等在美國(guó)密蘇里州哥倫比亞市附近的一個(gè)田地里，利用無(wú)人機(jī)收集整個(gè)大豆生長(zhǎng)季節(jié)的 RGB 圖像成像，對(duì)RGB 圖像衍生的光譜、結(jié)構(gòu)和體積信息獲取植被指數(shù)加權(quán)冠層體積模型，進(jìn)而估算大豆生物量。朱婉雪等在山東省濱州市典型規(guī)模化農(nóng)田，利用固定翼無(wú)人機(jī)遙感平臺(tái)對(duì)冬小麥拔節(jié)期、抽穗灌漿期和成熟期遙感影像數(shù)據(jù)集，采用最小二乘法建立不同植被指數(shù)與冬小麥實(shí)測(cè)產(chǎn)量的線性模型，進(jìn)而診斷和評(píng)估作物長(zhǎng)勢(shì)和產(chǎn)量。

下面以一個(gè)實(shí)例介紹無(wú)人機(jī)低空遙感集輸在棉花產(chǎn)量預(yù)測(cè)應(yīng)用中的技術(shù)流程與系統(tǒng)研究過(guò)程中值得注意的關(guān)鍵點(diǎn)。

（1） 田間試驗(yàn)與田間數(shù)據(jù)采集，確定研究目標(biāo)與對(duì)象之后，記錄田間試驗(yàn)條件如作物品種，地理位置，播種、施肥、灌溉等作物管理方式，同時(shí)準(zhǔn)確收集田間的大地?cái)?shù)據(jù)，如土壤電導(dǎo)率值、產(chǎn)量值等。

（2） 利用無(wú)人機(jī)采集低空遙感圖像。確定無(wú)人機(jī)搭載的圖像傳感器種類，在有條件的前提下，建議搭載常用的 RGB 可見(jiàn)光相機(jī)、包括近紅外波段在內(nèi)的多光譜相機(jī)，以及熱成像相機(jī)。同時(shí)，可在作物生長(zhǎng)的多個(gè)時(shí)期采集大田圖像，實(shí)現(xiàn)作物生長(zhǎng)過(guò)程檢測(cè)。

（3） 利用商用軟件進(jìn)行數(shù)據(jù)預(yù)處理，如文獻(xiàn)中應(yīng)用的 Yield Editor 產(chǎn)量數(shù)據(jù)處理軟件，去除那些不合理的產(chǎn)量數(shù)據(jù)。專為無(wú)人機(jī)提供云服務(wù)的軟件供應(yīng)商以及 DroneDeploy 軟件將大量的農(nóng)田局部圖像拼接為全景圖像。

圖5 無(wú)人機(jī)低空遙感技術(shù)運(yùn)用

（4）得到全景圖像之后，需要將大地?cái)?shù)據(jù)與圖像數(shù)據(jù)匹配起來(lái)，即通過(guò)幾何運(yùn)算將收獲時(shí)記錄的GPS 數(shù)據(jù)對(duì)應(yīng)注冊(cè)到圖像中;這個(gè)過(guò)程也非常簡(jiǎn)單， 在大田中找到標(biāo)志性的特征點(diǎn)，在 Google 地圖中能夠確認(rèn)其經(jīng)緯度坐標(biāo)，再在圖像中找到這幾個(gè)特征點(diǎn)的像素值，通過(guò)比例轉(zhuǎn)換就能夠?qū)崿F(xiàn)了。

（5） 將整個(gè)圖像按 GPS 數(shù)據(jù)分割為若干個(gè)采樣單元，對(duì)應(yīng)每一個(gè)小單元都有其 GPS 數(shù)據(jù)、圖像數(shù)據(jù)和產(chǎn)量數(shù)據(jù)，這就形成了一個(gè)數(shù)據(jù)集合。

（6） 特征參數(shù)的提取，特征參數(shù)要能夠明顯、充分地體現(xiàn)作物差異性的參數(shù)。可利用 RGB、HSV、Lab 等顏色模型進(jìn)行分析，還可利用 NDVI 植株覆蓋率與歸一化植被指數(shù) （normalized difference vegetation index，NDVI）進(jìn)行分析。

（7） 最后，就是數(shù)據(jù)統(tǒng)計(jì)分析建模的部分了。一般將整個(gè)數(shù)據(jù)集分為 90%的訓(xùn)練集和 10%的測(cè)試集，訓(xùn)練集用于建模，測(cè)試集用來(lái)評(píng)估預(yù)測(cè)模型的精度。基于多個(gè)特征參數(shù)可以構(gòu)建多元線性回歸模型進(jìn)行產(chǎn)量預(yù)測(cè)，然后利用假設(shè)檢驗(yàn)的 P 值、決定系數(shù) R2、預(yù)測(cè)值和真實(shí)值之間平均絕對(duì)誤差百分比MAPE（ 0.4 hm2 ）進(jìn)行預(yù)測(cè)模型的評(píng)價(jià)。

通過(guò)上述 7 個(gè)主要步驟能夠完成基于無(wú)人機(jī)低空遙感平臺(tái)的作物產(chǎn)量預(yù)測(cè)應(yīng)用，類似的，在其他應(yīng)用中也可參考上述技術(shù)流程。

4 結(jié)論

本文簡(jiǎn)要概述了精準(zhǔn)農(nóng)業(yè)技術(shù)、遙感技術(shù)以及無(wú)人機(jī)低空遙感技術(shù)，列舉了無(wú)人機(jī)低空遙感技術(shù)在大田作物監(jiān)測(cè)與產(chǎn)量預(yù)測(cè)中的應(yīng)用，并以一個(gè)實(shí)例介紹了應(yīng)用低空遙感視覺(jué)與光譜圖像預(yù)測(cè)棉花產(chǎn)量的方法。在今后的研究中，應(yīng)重點(diǎn)提升以下幾個(gè)方面：（1）平臺(tái)設(shè)計(jì)，穩(wěn)定可靠的機(jī)載平臺(tái)是獲取準(zhǔn)確可靠的傳感器數(shù)據(jù)的基礎(chǔ);（2）算法研究，包括。圖像處理方法、。特征參數(shù)提取算法、大數(shù)據(jù)分析方法;（3）多學(xué)科的融合、合作，農(nóng)學(xué)、工學(xué)與信息學(xué)的交叉融合能夠進(jìn)一步推進(jìn)無(wú)人機(jī)遙感技術(shù)在農(nóng)業(yè)領(lǐng)域中的深入發(fā)展。

責(zé)任編輯：gt