一、引言

分蘗期是水稻生長(zhǎng)過(guò)程中重要時(shí)期之一，由于分蘗并不是都能成穗，只有是有效分蘗才能成穗，其分蘗的數(shù)量是直接影響水稻有效穗數(shù)、單位面積產(chǎn)量和品質(zhì)的重要因素。高光譜遙感技術(shù)作為主要遙感技術(shù)之一，具有信息量大、分辨率高、能夠識(shí)別物體組成等優(yōu)點(diǎn)。在農(nóng)業(yè)生產(chǎn)、土地利用等領(lǐng)域得到了廣泛應(yīng)用。高光譜影像數(shù)據(jù)可以提供水稻生長(zhǎng)過(guò)程中多個(gè)波段的光譜信息，這些信息可以反映出水稻植株的生長(zhǎng)狀態(tài)和生理狀態(tài)，同時(shí)，高光譜影像也能夠提供更高的空間分辨率和更為細(xì)致的地物分類(lèi)信息，因此在對(duì)大面積水稻進(jìn)行監(jiān)測(cè)時(shí)也具有一定的優(yōu)勢(shì)。

研究設(shè)計(jì)與數(shù)據(jù)采集

2.1研究區(qū)域概況

試驗(yàn)小區(qū)位于遼寧省撫順市東部的新賓滿(mǎn)族自治縣紅升鄉(xiāng)。紅升鄉(xiāng)位于溫帶大陸性季風(fēng)氣候區(qū)，具有典型的四季分明的氣候特征。冬季寒冷干燥，夏季溫暖多雨，春秋季溫差較大，氣溫變化明顯。由于其獨(dú)特的氣候和土地條件，該地區(qū)一直是水稻研究的重要基地之一。

圖1研究區(qū)概況

2.2實(shí)驗(yàn)數(shù)據(jù)采集

2.2.1水稻冠層無(wú)人機(jī)高光譜影像獲取

本研究采用了先進(jìn)的高光譜成像技術(shù)和無(wú)人機(jī)技術(shù)，針對(duì)水稻分蘗期的田間環(huán)境進(jìn)行了高光譜數(shù)據(jù)采集，并在采集、處理過(guò)程中采取多項(xiàng)措施提高數(shù)據(jù)準(zhǔn)確性，為水稻分蘗數(shù)的監(jiān)測(cè)提供了可靠的數(shù)據(jù)支持。

圖2無(wú)人機(jī)高光譜成像系統(tǒng)

2.2.2地面樣本點(diǎn)地理位置測(cè)量

本研究采用對(duì)40個(gè)試驗(yàn)小區(qū)的分蘗數(shù)樣本采樣區(qū)域的地理位置進(jìn)行高精度測(cè)量并詳細(xì)記錄。測(cè)量時(shí)，使用該儀器自帶的水平儀進(jìn)行校準(zhǔn)，確保測(cè)量設(shè)備與地面保持垂直。通過(guò)采用該測(cè)繪儀器，準(zhǔn)確獲取試驗(yàn)區(qū)內(nèi)各小區(qū)分蘗數(shù)樣本采樣區(qū)域的地理位置信息。

圖3樣本點(diǎn)位置

2.3時(shí)空水稻分蘗數(shù)統(tǒng)計(jì)特性分析

2020年新賓小區(qū)試驗(yàn)，在地面樣本點(diǎn)共采集地理位置信息以及水稻分蘗數(shù)有效數(shù)據(jù)360組。360組樣本的水稻分蘗數(shù)的概率密度函數(shù)如圖4所示。

圖4水稻360組分蘗數(shù)的正態(tài)分布

由圖4可知，360組水稻分蘗數(shù)呈現(xiàn)正態(tài)分布，其中均值為18.05萬(wàn)穗/畝，最大值為47.33萬(wàn)穗/畝，最小值為4.12萬(wàn)穗/畝，標(biāo)準(zhǔn)差為6.93萬(wàn)穗/畝，變異系數(shù)為38.40%，滿(mǎn)足對(duì)水稻分蘗數(shù)進(jìn)行建模預(yù)測(cè)的要求。本研究根據(jù)水稻分蘗數(shù)實(shí)際采集時(shí)間，將分蘗期劃分為三個(gè)階段，分別為：分蘗初期、分蘗盛期以及有效分蘗臨界期。三個(gè)階段的分蘗數(shù)統(tǒng)計(jì)數(shù)據(jù)如表1所示，各階段正態(tài)分布如圖5所示

圖5水稻分蘗三個(gè)不同階段分蘗數(shù)的正態(tài)分布

表1分蘗期三個(gè)不同階段的分蘗數(shù)統(tǒng)計(jì)數(shù)據(jù)表

純凈水稻高光譜提取與光譜特性分析

3.1純凈水稻光譜提取結(jié)果對(duì)比分析

本研究通過(guò)采用GMM、SVM、DT三種算法對(duì)同一幅水稻高光譜影像進(jìn)行分類(lèi)處理，提取出純凈的水稻高光譜信息，分類(lèi)結(jié)果如圖6所示。

圖6不同分類(lèi)算法的效果圖

如圖6所示，觀察到3種不同算法的分類(lèi)效果都不一樣，其中一定存在分類(lèi)錯(cuò)誤的問(wèn)題。所以，本研究以客觀角度去對(duì)3種算法的分類(lèi)效果進(jìn)行分析，采用混淆矩陣的方式去對(duì)分類(lèi)器進(jìn)行精度檢驗(yàn)，從而去精確地獲取分類(lèi)的結(jié)果，結(jié)果如表2所示。

表2三種分類(lèi)方法的精度評(píng)價(jià)表

3.2水稻冠層高光譜特性分析

3.2.1水稻分蘗期三個(gè)階段冠層高光譜特性分析

水稻冠層高光譜特性信息以及變化是預(yù)測(cè)水稻分蘗數(shù)的基礎(chǔ)。如圖7所示，在0水平標(biāo)準(zhǔn)插秧叢距，標(biāo)準(zhǔn)施肥密度下，水稻分蘗期三個(gè)不同階段水稻冠層光譜曲線(xiàn)。

圖7水稻分蘗期三個(gè)不同階段的光譜曲線(xiàn)

由圖7所示，水稻的光譜曲線(xiàn)在分蘗期的三個(gè)階段都表現(xiàn)出幾乎相同的波動(dòng)規(guī)律。在可見(jiàn)光區(qū)域，400nm至680nm之間，三個(gè)階段反射率一直處于很低的水平，這可能是由于水稻進(jìn)入分蘗期之后，光合作用日漸變強(qiáng)，不斷有新葉片長(zhǎng)出，LAI不斷增大，對(duì)紅光以及藍(lán)光的主動(dòng)吸收增強(qiáng)。在510nm至570nm之間，出現(xiàn)一處小反射率峰，證明對(duì)綠光吸收較弱。在570nm至680nm之間反射率降低，對(duì)黃綠光的吸收都在加強(qiáng)，表明水稻在不斷生長(zhǎng)。在近紅外區(qū)域，從分蘗初期到有效分蘗臨界期，光譜曲線(xiàn)有較大波動(dòng)，三個(gè)階段的光譜反射率均增大。光譜反射率曲線(xiàn)整體表現(xiàn)為分蘗初期低于分蘗盛期和有效分蘗臨界期，其中有效分蘗臨界期整體光譜反射率最高。

3.2.2五個(gè)施氮量處理水平的水稻冠層高光譜特性分析

如圖8所示，為在0水平標(biāo)準(zhǔn)插秧叢距，五個(gè)不同施氮量處理水平下，水稻有效分蘗臨界期冠層光譜曲線(xiàn)。

圖8水稻五個(gè)施氮量處理水平下的光譜曲線(xiàn)

由圖8所示，水稻光譜曲線(xiàn)在標(biāo)準(zhǔn)插秧叢距下的五個(gè)施氮量處理水平下，表現(xiàn)出大致相同的波動(dòng)規(guī)律。在可見(jiàn)光400nm-500nm范圍內(nèi)，該波段區(qū)間的光譜反射率較為穩(wěn)定。在500nm-550nm范圍內(nèi)，該波段區(qū)間的光譜反射率隨著施氮量的增加而增加。因此，較高的施氮量有可能促進(jìn)水稻生長(zhǎng)。在近紅外范圍內(nèi)，施氮量為-2水平的光譜反射率明顯低于其余4個(gè)水平?？傮w的波動(dòng)規(guī)律表現(xiàn)一致，隨著施氮量增加，在可見(jiàn)光范圍內(nèi)高光譜反射率降低，在近紅外范圍內(nèi)反射率增加，這可能是由于水稻葉綠素含量、生長(zhǎng)狀態(tài)以及LAI等其他生物量增加導(dǎo)致的影響。從光譜信息可以看出，施氮量的增加可能對(duì)水稻生長(zhǎng)有促進(jìn)作用。綜上所述，隨著施氮量的增加，水稻冠層反射率越大，在可見(jiàn)光區(qū)域的反射率變化較小，而在近紅外波段內(nèi)的反射率變化明顯。

3.2.3五個(gè)插秧叢距處理水平的水稻冠層高光譜特性分析

如圖9所示，為在0水平標(biāo)準(zhǔn)施氮量，五個(gè)不同插秧叢距處理水平下，水稻有效分蘗臨界期冠層光譜曲線(xiàn)。

圖9水稻五個(gè)插秧叢距處理水平下的光譜曲線(xiàn)

由圖9所示，水稻光譜曲線(xiàn)在標(biāo)準(zhǔn)施氮量五個(gè)插秧叢距處理水平下，表現(xiàn)出大致相同的波動(dòng)規(guī)律。在400-700nm波段內(nèi)，水稻葉片主要吸收藍(lán)色光和紅光，反射綠光，隨著水稻分蘗數(shù)的增加，綠光反射率呈現(xiàn)出略微的上升趨勢(shì)，而藍(lán)光和紅光反射率則呈現(xiàn)出下降趨勢(shì)。這可能是因?yàn)檩^大的插秧叢距導(dǎo)致水稻葉片的綠色區(qū)域相對(duì)較少，使得綠光在葉片上的反射比例相對(duì)減少。在700-1000nm波段內(nèi)，水稻葉片主要反射近紅外光，而吸收藍(lán)色光和紅光的能力較弱，因此近紅外光反射率呈現(xiàn)出下降趨勢(shì)，這可能是因?yàn)檩^大的插秧叢距導(dǎo)致水稻植株的覆蓋率減少，從而使得近紅外光的反射比例相對(duì)減少。綜上所述，隨著插秧叢距的增加，水稻冠層反射率越小，在可見(jiàn)光區(qū)域的反射率變化較小，而在近紅外波段內(nèi)的反射率變化較為明顯。

總結(jié)

本文通過(guò)將北方普遍種植的粳優(yōu)653作為試驗(yàn)對(duì)象，基于無(wú)人機(jī)遙感技術(shù)獲取水稻分蘗期不同階段的冠層數(shù)碼影像和高光譜影像，并對(duì)光譜影像進(jìn)行純凈水稻的提取。通過(guò)不同預(yù)處理方法對(duì)純凈水稻光譜影像進(jìn)行平滑去噪，分析去噪效果，找到合適預(yù)處理方法，隨后篩選出分蘗期三個(gè)不同階段的特征波段以及光譜指數(shù)，分別采用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)對(duì)分蘗期三個(gè)階段的分蘗數(shù)進(jìn)行建模分析，實(shí)現(xiàn)了基于無(wú)人機(jī)高光譜影像的水稻分蘗數(shù)監(jiān)測(cè)模型的構(gòu)建，有一定的研究收獲，本研究基于無(wú)人機(jī)遙感平臺(tái)采集的高清數(shù)碼以及高光譜影像，對(duì)兩者數(shù)據(jù)進(jìn)行空間配準(zhǔn)，配合田間分蘗數(shù)實(shí)測(cè)數(shù)據(jù)以及樣本區(qū)地理位置信息，構(gòu)建分蘗數(shù)監(jiān)測(cè)數(shù)據(jù)集。分別利用GMM、SVM、DT三種方法對(duì)光譜影像進(jìn)行純凈水稻光譜提取。結(jié)果表明，相對(duì)非監(jiān)督高斯混合模型而言，兩種機(jī)器學(xué)習(xí)的方法均能有效提出大量純凈水稻光譜，能有效地剔除水體等其他地物的干擾，決策樹(shù)分類(lèi)方法的分類(lèi)效果最佳，精度達(dá)到91.1357%，Kappa系數(shù)為0.8172。

推薦：

無(wú)人機(jī)高光譜成像系統(tǒng)iSpecHyper-VM100

iSpecHyper-VM系列無(wú)人機(jī)高光譜成像系統(tǒng)配合定制開(kāi)發(fā)的高性能穩(wěn)定云臺(tái)，能夠有效降低飛行過(guò)程中無(wú)人機(jī)抖動(dòng)引起的圖像扭曲與模糊。該系統(tǒng)與大疆M350RTK無(wú)人機(jī)完美適配，廣泛應(yīng)用于農(nóng)業(yè)、林業(yè)、水環(huán)境等行業(yè)領(lǐng)域，系統(tǒng)支持配件升級(jí)及定制化開(kāi)發(fā)，為教育科研、智慧農(nóng)業(yè)、目標(biāo)識(shí)別、軍事反偽裝等行業(yè)高端應(yīng)用領(lǐng)域提供了高性?xún)r(jià)比解決方案。

審核編輯 黃宇