基于高分辨率无人机的高光谱图像小麦的LAI和叶绿素估算

高效的N肥使用产出需要平衡最小的环境污染和最大的产量，N素使用效率是目前精准农业中重要问题之一。于2017年6月，应用无人机高光谱成像系统对八种不同氮处理的冬小麦进行了高光谱图像采集。高光谱成像仪采用美国RESONON公司的Pika-L，波段范围400-1000nm，系统集成了惯导测量系统（IMU）和稳定云台，可以获得较高精度的光谱分辨率和空间分辨率的数据。同时在地面采集并获得冬小麦的叶绿素含量（CHL）、叶面积(LAI),利用偏最小二乘法进行反演估算，(RLAI ²= 0.79, RMSELAI [m²m²] = 0.18, R²CHL = 0.77, RMSECHL [_g cm^-2] = 7.02)，并采用多元线性回归模型进行了产量估测（R²_产量＝0.88，RMSE_{field[dt ha-1]}=4.18）。利用该模型，可以对高光谱图像进行像素水平的预测。结果表明，在一定施氮量以上，进一步施肥不一定会继续导致产量增加，为高光谱精准农业研究提供了一定了理论支持。

1 实验设计

试验田位于德国西北部的奥斯纳布吕克大学，包括8个处理，6个施氮水平。氮肥水平选择在0到150 kg ha-1，如图所示，不同颜色代表了不同的处理。

图1研究区域

2 数据处理

高光谱传感器采用美国RESONON公司的PikaL,无人机系统采用大疆无人机DJI S1000,以及SBG惯导系统和稳定云带装置（图2）。

图2 高光谱机载系统现场照片

几何校正前            几何校正后

3 结果和分析

图7 LAI偏最小二乘回归（PLSR）模型预测值与实测值比较 图8 CHL偏最小二乘回归（PLSR）模型预测值与实测值比较

利用高光谱数据采用偏最小二乘法模型进行LAI和CHL的估测，模型精度分别为LAI:R² = 0.79，RMSE=0.182，CHL:R² =0.77，RMSE=7.016。整个研究区域的LAI预测如（图9）所示，接近于零的LAI值主要出现在田间地块之间的狭窄的垄带上，由于这些相邻像素的影响，LAI值仍然大于零。LAI估值低于1个地块（地块3、17和21）无需额外施肥。地块（4、9和14）值主要介于1和2之间，该区的施氮量为50 kg ha^-1。含有125和141千克HA1矿物和有机肥料的地块混合料（5、7、13、15、16和19号地块）的LAI值低于纯矿物施肥地块。其他大部分地块LAI估值在2-3之间。含有125和141千克矿物和有机肥料的混合料（地块5、7、13、15、16和19号地块）的LAI值低于相同数量的纯矿物施肥地块。

不同地块的CHL预测(图10 )总体上比LAI更加独特，并且在相同处理的地块内显示出明显的异质性。最低CHL预测值( 0–20g·cm² )位于地块之间的人行道上。相邻像素的混合光谱使得其数值大于零值。大约在20至40g·cm²之间的值主要出现在没有额外施肥的地块(地块3、17和21 )和施肥量为50 kg·ha^-1的地块。施肥含量在141千克ha^-1矿物和有机混合物处理下，叶绿素含量会更高( 40 - 60g·cm² )。含有125 kg ha^-1矿物和有机肥的地块显示出比仅含有相同量矿物肥料的地块(地块1、6和8 )更低的CHL (地块5、7和13 )。125、141和150 kg ha^-1处理的地块内CHL最高( > 80g·cm² )。具有相同处理的地块根据它们在实验中的位置显示出了细微差异(地块11、12与22 )。

4 结论

1 介绍了一种基于无人机的高光谱推扫系统，该系统能够记录高空间分辨率和光谱分辨率的数据，非常适合于调查，特别是在较小的区域，如精准农业中的单一农场。通过所展示的硬件组合，可以证明，在无人机上使用推扫式相机可以克服畸变、拼接等传统问题的影响，并有效利用与快照式相机相比的高光谱分辨率和光谱分辨率的优势。同时，应用经验线校正的辐射校正显著改善了信号质量。

 2 基于无人机的高光谱数据的LAI和CHL预测具有很好的空间分辨率。通过LAI或CHL预测，区分不同处理的地块。可以通过该技术在精确农业领域进行可靠的农田参数反演。这一信息可以在施肥前用于计算所需的最佳氮量，并以精确的方式施用，从而减少环境破坏而不损失产量。