基于微小无人机农作物长势监测试验研究

来源：核心期刊咨询网时间：12

摘要：摘 要：快速、准确获取农作物长势信息能够为种植业的科学化管理提供依据。研究以四川省雅安市芦山县某猕猴桃农业园为例，基于微小无人机遥感平台，采集了研究区可见光遥感影像、地面实测数据及其它管理信息。经过处理获得研究区正射影像图(Digital Orthophot

　　摘 要：快速、准确获取农作物长势信息能够为种植业的科学化管理提供依据。研究以四川省雅安市芦山县某猕猴桃农业园为例，基于微小无人机遥感平台，采集了研究区可见光遥感影像、地面实测数据及其它管理信息。经过处理获得研究区正射影像图(Digital Orthophoto Map，DOM)和数字表面模型(Digital Surface Model，DSM)，在此基础上选取8个不同样方网格进行分析，运用影像分割算法对DOM进行分割，运用空间分析方法对DSM进行分类并统计猕猴桃上架的面积，并计算得到各样方的上架猕猴桃覆盖度(%)，依据实际上架株数与覆盖度进行相关性分析。

　　结果表明，对DOM的分割很难区分猕猴桃和其他植被;对DSM的空间分析表明，以搭架的水泥柱平均高度来区分猕猴桃与其他杂草是可行的，覆盖度与猕猴桃实际上架株数存在较强的正相关关系(R2=08416)，即猕猴桃覆盖度越多则上架株数也是增加的，通过猕猴桃覆盖度可以反映猕猴桃上架株数情况进而反映猕猴桃的产业状况，該方法为快速监测猕猴桃生长提供了参考。

　　关键词：遥感;无人机;长势监测;猕猴桃;上架株数;覆盖度

　　0 引言

　　农作物长势是农业从事者最关心的信息之一，快速获取这些农业信息是及时调整农业生产进行科学农情管理的基础和前提[1，2]。无人机遥感平台等一些新兴技术为快速低成本获取这些农情信息提供了途径[3]，以往的学者对此做出了较多的研究，如运用无人机监测玉米的株高、叶面积指数(Leaf Area Index ，LAI)[4];监测反演冬小麦的叶绿素含量、植株含氮量等[5];运用无人机获取油菜的各植被指数对油菜长势的反映等[6];运用无人机监测作物长势及杂草的监测管理[7，8]。无人机的轻便化以及低空遥感数据获取和处理的自动化加速拓宽了农业资源调查的视野，使得农业的立体层次信息的获取和构建变得更加经济和简便[9]。

　　以成片种植的粮油作物为研究对象可以集中了解成片区域内粮油作物的长势情况，但对于有大量杂草伴生的种植业来说要提取到可靠的面积信息对其长势的评估具有重要意义。本研究将基于微小无人机快速获取地面低空遥感数据对重要的果树资源猕猴桃生长进行监测，猕猴桃是落叶型雌雄异株的木质藤本植物，在我国种植广泛，四川是猕猴桃种植大省[10，11]，近年来更是作为脱贫致富的重要经济植物之一[12，13]，监测其长势信息不仅能够为生产主体实时掌握果园生长健康状况，而且能够指导农业生产。因此，研究选取四川省芦山县西南部某猕猴桃农业产业基地作为本次研究的实验地，开展基于微小无人机的农业资源长势监测研究，以期为猕猴桃的生产和科学管理提供支撑。

　　1 数据与处理

　　1.1 研究区概况

　　为了避开无人机飞行限制区域，结合研究实际需要，研究选取了四川省雅安市芦山县西南部某农业园区作为本次的研究区域，经纬度为(102°54′11″E～102°54′28″E，30°08′46″W～30°09′17″W)。芦山县多河谷平坝，是猕猴桃种植大县，目前种植猕猴桃有两万余亩。由于种植面积较大，在猕猴桃的管理方面迫切需要引入较为科学快捷的管理手段进行监测。本次的研究飞行区域为河流冲击平坝，平坝内种植有猕猴桃近67 hm2，种植时间为2015年，平坝内基础设施配套齐全，如图1所示。

　　1.2 无人机遥感影像获取

　　本研究获取的数据为低空无人机遥感影像，无人机采用的是大疆(DJI)精灵4 Pro专业级四轴飞行器，无人机配备的是型号为FC6310的相机，1英寸2000万像素的影像传感器，等效焦距为24 mm，可根据天气情况自动设置图像获取参数。飞机内置GPS/GLONASS双模卫星定位系统、超声波模组、传感器冗余等组成的FlightAutonomy能够实现无GPS下精准悬停，最远控制距离为7 km;电池续航最长可达到30 min。保证后期三维建模以及图像获取的稳定性，采用Pix4DMaper系列飞控软件提前设置好飞行路线和相应飞行参数，以便构建测区内三维立体数据。

　　路线规划为“#”字型，拍摄方式选用倾斜摄影的方式，相对航高设置为50 m，航向重叠率和旁向重叠率均为80%，倾角为70°，拍摄时间为2018年9月， 本次飞行共2个架次，获得不同区域内影像共计832张有效照片数据，共覆盖面积约为13 hm2。覆盖区内除了拥有猕猴桃种植地外还有居民地、豆类种植地、撂荒地和种植有青苗树的部分土地。

　　1.3 影像处理及分析

　　本研究获取无人机数据后包括影像合成和影像信息提取两个部分。目前影像的处理软件很多，较流行的有Agisoft PhotoScan、Pix4D和Smart3D等[14-17]，根据各软件特点，本研究选取Smart3D作为三维实景建模软件进行影像合成处理。

　　无人机获取的影像是帶定位信息的单张真彩色照片，利用三维建模软件Smart3D对单张真彩色照片进行拼接合成，同时加入地面相控点(Ground Control Point，GCP)，最终合成研究区的数字表面模型(DSM)和数字正射影像图(DOM)数据。精灵4P Pro获取的单张照片大小在8 MB左右，其中正射影像的分辨率为0.014 m。Smart3D合成图如图2所示。

　　Smart3D软件从空三加密到模型构建到利用三维模型生成数字表面模型(DSM)和数字正射影像图(DOM)均实现了极少的人工干预，大大节省了工作量[16]。但是通过三维模型生成的DSM和DOM会以多个空间网格对象的方式存储，如图2(b)所示。在调查过程中得知，猕猴桃地是以水泥柱拉钢丝的方式进行搭架的，水泥柱平均离地高度为2 m，猕猴桃栽种模式是以2 m×3.5 m的模式，即每行每隔2 m种植一颗猕猴桃，每行猕猴桃之间的间距为3.5 m，为了减少地形变化对高程统计的影响，且具典型代表性，研究将分别从不同的空间网格中分别选取14 m×14 m大小的样方共8个进行分析，每个样方包含4行，如图3所示。

　　通过8个典型样方切割已生成的DSM和DOM图像后进行进一步的图像分析。目前，使用的无人机影像处理软件均能够生成正射影像图(DOM)，其包含RGB三个波段信息，可以利用eCognition Developer[7，9，14]、ENVI[2]、植被指数[18]等进行分割和分类。

　　而本研究所生成的DOM图像杂草生长茂盛，植被覆盖较高，且尺度较小，很难通过数码影像变量[4]和监督分类[2]及植被指数的方法对猕猴桃和杂草进行区分。当采用图像分割软件eCognition Developer 9.0进行分割，利用多尺度分割算法对DOM进行处理，如图4所示。同样也因猕猴桃地内植被覆盖的类型差异大，而无法对不同植被进行有效区分。

　　针对DSM的分析将采用ArcGIS10.2的空间分析功能着重进行分析，具体的流程和结果分析如下。

　　首先，生成8个矢量网格样方，通过矢量网格样方提取样方DSM数据，如图5所示，通过颜色分类可以较为清楚地显示猕猴桃的上架情况，为了获得定量指标，研究选取猕猴桃上架的具体面积作为统计对象，因起支撑作用的水泥桩面积在每个网格样方内所占面积极小，且具体统计中无法区分，因此统计时将其忽略不计。

　　其次，通过样方DSM数据提取上架猕猴桃的高程值域，根据搭架的水泥柱平均高度为2 m，在统计分析时，以超过最低高程值2 m的位置开始统计，即未超过2 m的值域分为未上架区，超过2 m的值域分为上架的覆盖区，并对不同值域进行重分类，如图6所示，分别统计上架与未上架猕猴桃的覆盖面积，最后通过样方中猕猴桃的覆盖面积在样方中所占的百分比即猕猴桃覆盖度来反应其长势。

　　推荐阅读：《内蒙古农业大学学报》(自然科学版)(双月刊)创刊于1957年，是内蒙古高校中创办较早的学报。

转载请注明来自：http://www.qikan2017.com/lunwen/nye/14552.html