一、引言

分蘗期是水稻生長過程中重要時期之一，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、能夠識別物體組成等優(yōu)點。在農(nóng)業(yè)生產(chǎn)、土地利用等領(lǐng)域得到了廣泛應用。高光譜影像數(shù)據(jù)可以提供水稻生長過程中多個波段的光譜信息，這些信息可以反映出水稻植株的生長狀態(tài)和生理狀態(tài)，同時，高光譜影像也能夠提供更高的空間分辨率和更為細致的地物分類信息，因此在對大面積水稻進行監(jiān)測時也具有一定的優(yōu)勢。

研究設計與數(shù)據(jù)采集

2.1研究區(qū)域概況

試驗小區(qū)位于遼寧省撫順市東部的新賓滿族自治縣紅升鄉(xiāng)。紅升鄉(xiāng)位于溫帶大陸性季風氣候區(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實驗數(shù)據(jù)采集

2.2.1水稻冠層無人機高光譜影像獲取

本研究采用了先進的高光譜成像技術(shù)和無人機技術(shù)，針對水稻分蘗期的田間環(huán)境進行了高光譜數(shù)據(jù)采集，并在采集、處理過程中采取多項措施提高數(shù)據(jù)準確性，為水稻分蘗數(shù)的監(jiān)測提供了可靠的數(shù)據(jù)支持。

圖2無人機高光譜成像系統(tǒng)

2.2.2地面樣本點地理位置測量

本研究采用對40個試驗小區(qū)的分蘗數(shù)樣本采樣區(qū)域的地理位置進行高精度測量并詳細記錄。測量時，使用該儀器自帶的水平儀進行校準，確保測量設備與地面保持垂直。通過采用該測繪儀器，準確獲取試驗區(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樣本點位置

2.3時空水稻分蘗數(shù)統(tǒng)計特性分析

2020年新賓小區(qū)試驗，在地面樣本點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18.05萬穗/畝，最大值為47.33萬穗/畝，最小值為4.12萬穗/畝，標準差為6.93萬穗/畝，變異系數(shù)為38.40%，滿足對水稻分蘗數(shù)進行建模預測的要求。本研究根據(jù)水稻分蘗數(shù)實際采集時間，將分蘗期劃分為三個階段，分別為：分蘗初期、分蘗盛期以及有效分蘗臨界期。三個階段的分蘗數(shù)統(tǒng)計數(shù)據(jù)如表1所示，各階段正態(tài)分布如圖5所示

圖5水稻分蘗三個不同階段分蘗數(shù)的正態(tài)分布

表1分蘗期三個不同階段的分蘗數(shù)統(tǒng)計數(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)果對比分析

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

圖6不同分類算法的效果圖

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

表2三種分類方法的精度評價表

3.2水稻冠層高光譜特性分析

3.2.1水稻分蘗期三個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測水稻分蘗數(shù)的基礎。如圖7所示，在0水平標準插秧叢距，標準施肥密度下，水稻分蘗期三個不同階段水稻冠層光譜曲線。

圖7水稻分蘗期三個不同階段的光譜曲線

由圖7所示，水稻的光譜曲線在分蘗期的三個階段都表現(xiàn)出幾乎相同的波動規(guī)律。在可見光區(qū)域，400nm至680nm之間，三個階段反射率一直處于很低的水平，這可能是由于水稻進入分蘗期之后，光合作用日漸變強，不斷有新葉片長出，LAI不斷增大，對紅光以及藍光的主動吸收增強。在510nm至570nm之間，出現(xiàn)一處小反射率峰，證明對綠光吸收較弱。在570nm至680nm之間反射率降低，對黃綠光的吸收都在加強，表明水稻在不斷生長。在近紅外區(qū)域，從分蘗初期到有效分蘗臨界期，光譜曲線有較大波動，三個階段的光譜反射率均增大。光譜反射率曲線整體表現(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水平標準插秧叢距，五個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。

圖8水稻五個施氮量處理水平下的光譜曲線

由圖8所示，水稻光譜曲線在標準插秧叢距下的五個施氮量處理水平下，表現(xiàn)出大致相同的波動規(guī)律。在可見光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水稻生長。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個水平。總體的波動規(guī)律表現(xiàn)一致，隨著施氮量增加，在可見光范圍內(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、生長狀態(tài)以及LAI等其他生物量增加導致的影響。從光譜信息可以看出，施氮量的增加可能對水稻生長有促進作用。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水平標準施氮量，五個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。

圖9水稻五個插秧叢距處理水平下的光譜曲線

由圖9所示，水稻光譜曲線在標準施氮量五個插秧叢距處理水平下，表現(xiàn)出大致相同的波動規(guī)律。在400-700nm波段內(nèi)，水稻葉片主要吸收藍色光和紅光，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，而藍光和紅光反射率則呈現(xiàn)出下降趨勢。這可能是因為較大的插秧叢距導致水稻葉片的綠色區(qū)域相對較少，使得綠光在葉片上的反射比例相對減少。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，這可能是因為較大的插秧叢距導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)

本文通過將北方普遍種植的粳優(yōu)653作為試驗對象，基于無人機遙感技術(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，并對光譜影像進行純凈水稻的提取。通過不同預處理方法對純凈水稻光譜影像進行平滑去噪，分析去噪效果，找到合適預處理方法，隨后篩選出分蘗期三個不同階段的特征波段以及光譜指數(shù)，分別采用機器學習和深度學習對分蘗期三個階段的分蘗數(shù)進行建模分析，實現(xiàn)了基于無人機高光譜影像的水稻分蘗數(shù)監(jiān)測模型的構(gòu)建，有一定的研究收獲，本研究基于無人機遙感平臺采集的高清數(shù)碼以及高光譜影像，對兩者數(shù)據(jù)進行空間配準，配合田間分蘗數(shù)實測數(shù)據(jù)以及樣本區(qū)地理位置信息，構(gòu)建分蘗數(shù)監(jiān)測數(shù)據(jù)集。分別利用GMM、SVM、DT三種方法對光譜影像進行純凈水稻光譜提取。結(jié)果表明，相對非監(jiān)督高斯混合模型而言，兩種機器學習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，決策樹分類方法的分類效果最佳，精度達到91.1357%，Kappa系數(shù)為0.8172。

推薦：

無人機高光譜成像系統(tǒng)iSpecHyper-VM100

iSpecHyper-VM系列無人機高光譜成像系統(tǒng)配合定制開發(fā)的高性能穩(wěn)定云臺，能夠有效降低飛行過程中無人機抖動引起的圖像扭曲與模糊。該系統(tǒng)與大疆M350RTK無人機完美適配，廣泛應用于農(nóng)業(yè)、林業(yè)、水環(huán)境等行業(yè)領(lǐng)域，系統(tǒng)支持配件升級及定制化開發(fā)，為教育科研、智慧農(nóng)業(yè)、目標識別、軍事反偽裝等行業(yè)高端應用領(lǐng)域提供了高性價比解決方案。

審核編輯 黃宇