可见光波段无人机遥感图像的小麦茎蘖密度定量反演

摘要

在小麦分蘖期内,适时适量追施氮肥可显著改善小麦茎蘖群体结构、提高产量.但经验性的均一施肥往往导致氮肥过度施用及农学效率偏低等问题,而基于小麦茎蘖的实际发育状况进行变量施肥,有助于解决小麦茎蘖个体发育与群体结构之间的矛盾.通过变量追施氮肥作业调控小麦茎蘖群体、提高小麦产量的技术关键,在于准确获取田块尺度的小麦茎蘖密度(单位面积内的小麦茎蘖数量)信息.传统的通过人工田间调查获取小麦茎蘖密度信息的方法,时效性与精准度不足,工作量大、效率低,而且稀疏的点源统计数据无法精准反映田块内部的小麦茎蘖密度空间差异状况.因此,为满足变量追施氮肥作业对田块尺度的小麦茎蘖密度专题图的需求,使用大疆M ini 2航拍无人机,在小麦分蘖期获取试验田的可视光波段遥感图像.使用M atlab相机标定工具箱,完成无人机遥感图像校正,提取蓝、绿、红三个可视光波段的图像分量.基于植被与土壤在可见光波段的光谱响应特性,选取可以较好地突出植被特征、减轻光照强度对遥感图像质量造成影响的4种比值类型植被指数,即可见光波段差分植被指数(VDVI)、归一化绿红差分指数(NGRDI)、归一化绿蓝差分指数(NGBDI)、绿红比值指数(RGRI).在此基础上,利用VDVI专题图,计算小麦试验田的植被覆盖度(FVC).进一步以FVC,VDVI,NGRDI,NGBDI及RGRI平均值为5节点输入层,小麦茎蘖密度地面真值为单节点输出层,建立一个单隐含层、5输入、单输出的3层BP神经网络预测模型,用以定量反演小麦茎蘖密度指标.精度验证数据表明:该神经网络模型的预测结果与相应的小麦茎蘖密度地面真值之间的均方根误差(RMSE)及平均绝对百分比误差(MAPE)分别为19及3.62％,因此该模型具有较高的小麦茎蘖密度预测精度.田块尺度的小麦茎蘖密度反演专题图的统计数据显示:小麦茎蘖密度低于500株·m-2、介于501～800株 ·m-2之间、以及高于800株 ·m-2的地块面积分别占比6.67％,74.67％ 和18.66％,为变量追施氮肥提供数据支持.利用商业航拍无人机获取小麦的可视光波段遥感图像,代替价格昂贵、辐射标定复杂的多光谱遥感相机,在田块尺度上实现对小麦茎蘖密度的定量反演,是推进变量追施氮肥作业、精准农业大田信息获取及农业数字化建设的现实需求.研究成果为小麦长势的遥感检测提供理论依据与数据支持,具有重要的科学意义.