基于無(wú)人機(jī)高光譜技術(shù)的煙草生化指標(biāo)分析研究

0  引言

成像技術(shù)和光譜技術(shù)是傳統(tǒng)的光學(xué)技術(shù)的兩個(gè)重要方向，成像技術(shù)能夠獲得物體的影像，得到其空間信息；光譜技術(shù)能夠得到物體的光學(xué)信息，進(jìn)而研究其物質(zhì)屬性。20世紀(jì)70年代以前，成像技術(shù)和光譜技術(shù)是相互獨(dú)立的學(xué)科，隨著遙感技術(shù)的發(fā)展，成像光譜技術(shù)迅速發(fā)展起來(lái)，它是一種快速、無(wú)損的檢測(cè)技術(shù)，具有光譜分辨率高、多波段和圖譜合一的特點(diǎn)，能在大尺度范圍內(nèi)識(shí)別地表并深入研究其地表物質(zhì)的成分及結(jié)構(gòu)。目前成像光譜技術(shù)已經(jīng)成為遙感技術(shù)的發(fā)展趨勢(shì)之一，并在軍事偵察、海洋遙感、地質(zhì)勘探、植被分析等領(lǐng)域得到越來(lái)越廣泛的應(yīng)用。

隨著無(wú)人機(jī)技術(shù)的日益成熟，基于無(wú)人機(jī)平臺(tái)的新型遙感技術(shù)異軍突起，得到遙感工作人員的青睞，科研工作者更對(duì)其在行業(yè)上的應(yīng)用前景予以眾望。目前無(wú)人機(jī)搭載成像光譜儀在農(nóng)業(yè)上可用于診斷作物長(zhǎng)勢(shì)、病蟲害情況以及土壤肥力等；在環(huán)境保護(hù)方面可用于檢測(cè)海洋、湖泊的化工原料污染、富營(yíng)養(yǎng)化等；在林業(yè)領(lǐng)域可用于檢測(cè)林火、林業(yè)病害、林木存活率、林木種類區(qū)分等；在礦產(chǎn)資源領(lǐng)域上可用于石油、礦物礦產(chǎn)等領(lǐng)域的勘測(cè)；在考古領(lǐng)域可用于古村落的修復(fù)、文物遺址的勘查等；在通信部門可用于電纜絕緣子的勘察等。

我國(guó)是煙草種植大國(guó)，煙草在全國(guó)各省均有種植，其面積和產(chǎn)量目前均居世界首位，稅負(fù)收入在我國(guó)稅收總量占有舉足輕重的地位，為我國(guó)經(jīng)濟(jì)發(fā)展做出了相當(dāng)貢獻(xiàn)。而我國(guó)煙葉總產(chǎn)量中烤煙占了80％以上，是生產(chǎn)卷煙的最主要原料。長(zhǎng)期以來(lái)，我國(guó)在觀察監(jiān)測(cè)煙田煙草的生長(zhǎng)長(zhǎng)勢(shì)以及煙草品質(zhì)等方面均采用耗時(shí)、耗力、成本高的傳統(tǒng)方法。無(wú)人機(jī)成像高光譜技術(shù)是高效的煙草種植管理手段，其能大范圍快速、準(zhǔn)確地為決策者提供煙田煙草的生長(zhǎng)狀況，為決策者施肥、灌溉、噴灑農(nóng)藥提供有效的數(shù)據(jù)，有利于顯著提高農(nóng)藥現(xiàn)代化水平，促進(jìn)現(xiàn)代農(nóng)業(yè)可持續(xù)發(fā)展。因此無(wú)人機(jī)高光譜技術(shù)在煙田監(jiān)測(cè)方面具有較大的應(yīng)用價(jià)值，為煙田管理的新趨勢(shì)。

1  材料與試驗(yàn)部分

野外試驗(yàn)田在云南大理、楚雄、石林板橋鎮(zhèn)紅塔煙草(集團(tuán))有限責(zé)任公司的煙草試驗(yàn)基地。

1.2  數(shù)據(jù)采集設(shè)備

本次試驗(yàn)采用大疆六旋翼無(wú)人機(jī)M600 Pro(無(wú)人機(jī)凈重約4 kg，最大載重約 10 kg)，在無(wú)人機(jī)遙感平臺(tái)上搭載江蘇雙利合譜科技有限公司自主研發(fā)的高光譜成像光譜儀GaiaSky-mini-2，該無(wú)人機(jī)遙感平臺(tái)采用的是無(wú)人機(jī)懸置空中，高光譜成像光譜儀采用內(nèi)置推掃的方式獲取地面圖像(其主要參數(shù)見表1)。在云南大理和楚雄煙草試驗(yàn)基地，無(wú)人機(jī)的飛行高度均為120m，分別采集了33景和67景圖像，每景圖像代表地面幅寬為48m*48m；在石林板橋鎮(zhèn)煙草試驗(yàn)基地，無(wú)人機(jī)的飛行高度為250m，一共采集了86景圖像，每景圖像代表地面幅寬為100m*100m。無(wú)人機(jī)遙感平臺(tái)的實(shí)景圖，如圖1。

表1   GaiaSky-mini 機(jī)載成像高光譜儀系統(tǒng)參數(shù)

Table 1 GaiaSky-mini high airborne imaging spectrometer system parameters

圖1   無(wú)人機(jī)高光譜成像系統(tǒng)實(shí)景圖

1.3  無(wú)人機(jī)高光譜數(shù)據(jù)的預(yù)處理與分析

無(wú)人機(jī)高光譜圖像的預(yù)處理在江蘇雙利合譜科技有限公司自主研發(fā)的SpecView軟件中進(jìn)行，包括鏡像變換、黑白幀校準(zhǔn)（如公式1所示）。

         (1)

式中，Rref 是黑白校正過(guò)的圖像的反射率值，DNraw 是原始圖像的DN值，DNwhite為白板的白幀數(shù)據(jù)，DNdark 是相機(jī)的系統(tǒng)誤差DN值。

考慮到無(wú)人機(jī)飛到一定高度后，高光譜成像儀獲取的高光譜影像數(shù)據(jù)可能會(huì)受到大氣、水汽等因素的影響。為了消除這些因素的影響，我們?cè)跓o(wú)人機(jī)起飛之前，在拍攝區(qū)域放置一塊經(jīng)過(guò)國(guó)家計(jì)量院標(biāo)定過(guò)的2m*2m灰布，在高光譜影像獲取的時(shí)候，只需要在其中的一景高光譜影像中覆蓋到灰布即可。消除大氣、水汽等因素影響的方法如公式2所示。

    (2)

式中，Rfixed 是消除大氣、水汽等因素后的圖像光譜反射率，Rref是經(jīng)過(guò)黑白校正后的圖像反射率，Rstandard是經(jīng)過(guò)國(guó)家計(jì)量院標(biāo)定的灰布的光譜反射率，Rgrayref 是經(jīng)過(guò)黑白校正后圖像中灰布的光譜反射率。

1.4  無(wú)人機(jī)高光譜影像拼接

無(wú)人機(jī)高光譜影像的拼接采用江蘇雙利合譜科技有限公司自主研發(fā)的無(wú)人機(jī)高光譜拼接軟件HiSpectralStitcher進(jìn)行拼接，該拼接軟件有圖像篩選、拼接預(yù)覽、投影方式選擇、拼接方法選擇、重采樣方法選擇、是否勻色、拼接結(jié)果格式輸出選擇等功能。拼接軟件界面如圖2所示。

圖2  無(wú)人機(jī)高光譜拼接軟件HiSpectralStitcher

2  結(jié)果與分析

圖3為利用無(wú)人機(jī)高光譜拼接軟件HiSpectralStitcher對(duì)云南大理、楚雄、石林板橋鎮(zhèn)紅塔煙草(集團(tuán))有限責(zé)任公司的煙草試驗(yàn)基地的無(wú)人機(jī)高光譜影像的三波段拼接效果預(yù)覽圖（RGB分別代表750 nm/650 nm/550 nm最鄰近波長(zhǎng)）。從拼接結(jié)果來(lái)看，除楚雄煙草試驗(yàn)基地，由于航線規(guī)劃過(guò)程沒規(guī)劃成功，導(dǎo)致部分煙草田塊沒有拼接成功外，大理和石橋板鎮(zhèn)煙草基地的無(wú)人機(jī)拼接結(jié)果較好。

圖3.1 大理煙草試驗(yàn)基地?zé)o人機(jī)高光譜拼接預(yù)覽圖

圖3.2 楚雄煙草試驗(yàn)基地?zé)o人機(jī)高光譜拼接預(yù)覽圖

圖3.3 石橋板鎮(zhèn)煙草試驗(yàn)基地?zé)o人機(jī)高光譜拼接預(yù)覽圖

2.2  無(wú)人機(jī)高光譜影像煙草提取方法

無(wú)人機(jī)高光譜影像不僅包含有煙草，還有其他的作物、雜草、土壤、道路、建筑物等，從影像中提取感興趣的目標(biāo)物，通常的方法有非監(jiān)督分類、監(jiān)督分類、決策樹、面向?qū)ο蠓诸惖?，本研究采用監(jiān)督分類的最大似然法對(duì)拼接好的無(wú)人機(jī)高光譜影像進(jìn)行分類，分別提取了煙草和其他植物做植被指數(shù)分析，葉綠素、總氮、煙堿等生化指標(biāo)的反演。其中大理和楚雄煙草試驗(yàn)基地只提取煙草做生化指標(biāo)反演，石板橋鎮(zhèn)煙草基地將煙草和其他作物一起參與生化指標(biāo)的反演，觀察煙草與其他作物在生化指標(biāo)的差異。

2.3  煙草與其他地物的光譜分析

   圖4為無(wú)人機(jī)高光譜影像上煙草、雜草、作物以及土壤在400-1000 nm范圍的光譜曲線。從圖中可知，煙草的光譜反射率高于雜草的光譜反射率，而雜草的光譜反射率則高于作物的光譜反射率，土壤的光譜反射率在400-760nm范圍內(nèi)保持穩(wěn)定上升的趨勢(shì)，在760-900nm范圍內(nèi)光譜差異不大，在900-1000nm范圍內(nèi)有一峰谷，這是因?yàn)樗盏脑颉?/span>

圖4 煙草與其他地物的光譜反射率曲線

2.4  植被指數(shù)分析

植被指數(shù)是一類具有一定生化意義的不同波段光譜值的組合，通常有比值植被指數(shù)、線性組合植被指數(shù)、修正植被指數(shù)、差值植被指數(shù)等。不同波段組合的植被指數(shù)對(duì)于不同指標(biāo)預(yù)測(cè)效果不同。在農(nóng)業(yè)上，基于光譜技術(shù)檢測(cè)作物生理指數(shù)的波段范圍一般在 400～2 500 nm 之間，涉及到色素（葉綠素、類胡蘿卜素等）、氮、水分等吸收和葉片細(xì)胞的內(nèi)部結(jié)構(gòu)。在 400-740 nm  可見光波段，葉綠素在 480、650、670-680、740 nm  處有吸收峰，類胡蘿卜素在420、425、440、450、470、480 nm 均有吸收峰，葉黃素在  425、445、475 nm  有吸收峰。而在  740-1 300 nm  近紅外波段由于健康的葉肉細(xì)胞反射作用，其反射率急劇升高；作物水分的吸收峰主要集中在 970、1 450、1 944 nm  處。因此當(dāng)作物受到脅迫作用時(shí)，相應(yīng)的氮、色素、酶等發(fā)生變化，通過(guò)應(yīng)用各種植被指數(shù)監(jiān)測(cè)這些生理指標(biāo)變化，可判斷作物脅迫情況、生長(zhǎng)狀況以及產(chǎn)量情況。圖5為大理、楚雄、石板橋鎮(zhèn)煙草基地?zé)煵莸腘DVI分布圖（NDVI采用的綠光波長(zhǎng)與紅光波長(zhǎng)的），NDVI值越大則說(shuō)明長(zhǎng)勢(shì)越好。

圖5.1 大理煙草基地?zé)煵軳DVI分布圖

圖5.2 楚雄煙草基地?zé)煵軳DVI分布圖

圖5.3 石板橋鎮(zhèn)煙草基地?zé)煵?、作物、雜草的NDVI分布圖

2.5  煙草葉綠素分析

葉綠素含量是植被生長(zhǎng)狀態(tài)的良好指示器，它與植被的光合作用能力，發(fā)育狀況，脅迫

程度及氮素含量等密切相關(guān)，又是植被與外界發(fā)生物質(zhì)能量交換的重要條件，因此估測(cè)作物葉綠素含量已成為評(píng)價(jià)其長(zhǎng)勢(shì)的一種有效手段。王強(qiáng)等以棉花冠層葉綠素密度及冠層高光譜反射率為數(shù)據(jù)源，分析了葉綠素密度同原始光譜反射率(R)，一階導(dǎo)數(shù)光譜反射率(DR)，已有光譜指數(shù)及全波段組合指數(shù)的相關(guān)性，認(rèn)為由一階導(dǎo)數(shù)比值為自變量估測(cè)棉花冠層葉綠素密度的模型效果好。丁永軍等和宋開山等分別利用高光譜建立了預(yù)測(cè)番茄、玉米等葉綠素含量的模型，效果較好。徐新剛等研究了高光譜曲線特征同葉綠素的相關(guān)性，發(fā)現(xiàn)可見光波段520-740nm之間的歸一化光譜反射率同葉綠素含量呈良好的負(fù)相關(guān)關(guān)系；綠峰反射光譜曲線特征邊的變化速率及綠峰兩邊的夾角等變量與水稻葉片葉綠素含量具有良好的相關(guān)性。楊巧明等采用高光譜分析和線性回歸技術(shù)分析了3個(gè)橡膠樹品種葉片的室內(nèi)反射光譜數(shù)據(jù)和葉綠素含量，認(rèn)為橡膠樹葉片的葉綠素含量敏感波段主要指藍(lán)邊范圍。

針對(duì)煙草葉綠素的監(jiān)測(cè)研究，本研究利用云南農(nóng)業(yè)大學(xué)研究的模型進(jìn)行反演，圖6分別對(duì)大理、楚雄和石板橋鎮(zhèn)煙草基地的煙草進(jìn)行葉綠素a和葉綠素b進(jìn)行反演。

圖6.1 大理煙草基地?zé)煵萑~綠素a和葉綠素b的反演圖

圖6.2 楚雄煙草基地?zé)煵萑~綠素a和葉綠素b的反演圖

圖6.3 石橋板鎮(zhèn)煙草基地?zé)煵?、作物、雜草葉綠素a和葉綠素b的反演圖

2.6  煙草總氮分析

國(guó)內(nèi)外對(duì)多種作物的營(yíng)養(yǎng)元素、多種生化組分反射光譜特性及其與品質(zhì)和產(chǎn)量的關(guān)系研究有較多的研究和報(bào)道。李佛琳等對(duì)可見近紅外波段(350nm-1650nm)單波段光譜和100 種光譜指數(shù)共兩類光譜參量進(jìn)行了與生化組分之間線性函數(shù)、冪函數(shù)、指數(shù)函數(shù)共3種形式相關(guān)分析和基于決定系數(shù)的篩選，結(jié)果表明，對(duì)于煙堿、總氮、總糖最優(yōu)方法分別是在 1135nm反射率倒數(shù)對(duì)數(shù)二階微分的線性擬合(R2=0.20)、在 666nm 反射率倒數(shù)對(duì)數(shù)一階微分的冪函數(shù)擬合(R2=0.44)、在532nm反射率一階微分線性擬合(R2=0.54)。牛錚等以小麥活體葉片為研究對(duì)象，利用高光譜數(shù)據(jù)，探索了利用成像光譜遙感預(yù)測(cè)小麥生化組分的基礎(chǔ)性研究，采用多元逐步回歸方法，分析了小麥葉片7種生化組分含與特征光譜參量的關(guān)系。張喜杰等在溫室內(nèi)，利用自然光照反射光譜研究了黃瓜葉片的含氮量預(yù)測(cè)模型，發(fā)現(xiàn)利用單一敏感波長(zhǎng)520 nm就可獲得理想模型；原始光譜及其一階微分光譜都可用于黃瓜葉片含氮量預(yù)測(cè)。Thomas 等對(duì) 7 種不同的作物葉片在不同氮素營(yíng)養(yǎng)水平下的光譜特性，結(jié)果證明在氮素營(yíng)養(yǎng)缺乏條件下，7 種作物葉片的可見光波段的反射率表現(xiàn)為增加，但不同植物的光譜反射率增加幅度不一樣。蘇永士等研究了不同施肥條件下煙草冠層光譜反射率差異顯著，經(jīng)篩選綠波段植被指數(shù)(GNDVI)與葉綠素含量和葉面積指數(shù)關(guān)系顯著，建立的回歸方程的 R2 分別為 0.436 和 0.568，均達(dá)到顯著水平。

本研究利用現(xiàn)有的煙草總氮非線性模型，通過(guò)算法分析，反演大理、楚雄、石板橋鎮(zhèn)煙草基地?zé)煵莸目偟?，如圖7所示。

圖7.1 大理煙草基地?zé)煵菘偟囱輬D

圖7.2 楚雄煙草基地?zé)煵菘偟囱輬D

圖7.3 石板橋鎮(zhèn)煙草基地?zé)煵?、作物、雜草總氮反演圖

2.7  煙草煙堿分析

煙草是我國(guó)一項(xiàng)非常重要的經(jīng)濟(jì)作物，中國(guó)是世界上烤煙種植面積和產(chǎn)量最大的國(guó)家，煙草除了可為卷煙制品提供原料外，同時(shí)在食品和醫(yī)藥領(lǐng)域還有很多潛在的應(yīng)用價(jià)值。煙堿是絕大多數(shù)煙草屬作物葉片的最重要的生物堿，其含量是評(píng)價(jià)煙葉品質(zhì)的重要指標(biāo)。雖然煙堿對(duì)人類健康和環(huán)境具有危害性，但是美國(guó)食品和藥物管理局近年來(lái)證實(shí)了它可用來(lái)治療一些疾病，也可被用來(lái)制作戒煙產(chǎn)品和殺蟲劑，同時(shí)，煙堿和煙草中的氮及色素含量密切相關(guān)。因此，快速地監(jiān)測(cè)遮蔭條件下煙草葉片中煙堿含量的變化有助于采取有效的農(nóng)藝管理措施。李向陽(yáng)等以不同成熟度烤煙葉片為研究對(duì)象，開展了室內(nèi)光譜紅邊參數(shù)研究，研究表明紅邊位置是預(yù)測(cè)烤煙葉片成熟度精度較高的指標(biāo)，紅邊位置位于 693-695nnl。劉國(guó)順等利用冠層光譜估測(cè)煙草葉面積指數(shù)和地上生物量，篩選出相應(yīng)的特征變量為 Rg／Dr。蔣錦鋒等以煙草為研究對(duì)象，應(yīng)用近紅外光譜技術(shù)建立了煙草主要化學(xué)成分的快速、無(wú)損檢測(cè)方法。

本文利用研究者利用光譜設(shè)備研究煙草觀察煙堿的模型反演到大尺度無(wú)人機(jī)高光譜影像上，從而分析得到每一田塊煙草煙堿的含量分布情況，如圖8所示。

圖8.1 大理煙草基地?zé)煵轃焿A含量反演圖

圖8.2 楚雄煙草基地?zé)煵轃焿A含量反演圖

圖8.3 石板橋鎮(zhèn)煙草基地?zé)煵?、作物、雜草煙堿含量反演圖

3  結(jié)論

從煙草的NDVI和葉綠素a/b、總氮和煙堿反演分布圖來(lái)看，石橋板鎮(zhèn)煙草基地的煙草與其他作物和雜草的含量差異顯著，特別是煙堿作為煙草特有的屬性，其與其他作物、雜草差異尤為顯著，因此利用無(wú)人機(jī)高光譜可大范圍快速識(shí)別煙草，可幫助決策者判斷煙草的種植面積。同時(shí)根據(jù)大理、楚雄和石板橋鎮(zhèn)煙草基地的煙草NDVI、和葉綠素a/b、總氮和煙堿反演分布圖來(lái)看，利用無(wú)人機(jī)高光譜技術(shù)可以判別煙草的長(zhǎng)勢(shì)及監(jiān)測(cè)生化參數(shù)的含量，為決策者定量施肥、灌溉、噴灑農(nóng)藥等提供技術(shù)支持，同時(shí)根據(jù)煙草煙堿的分布圖，可以判斷煙草的品質(zhì)。

因此利用高光譜技術(shù)可以對(duì)煙草主要生化成分進(jìn)行很好的監(jiān)測(cè)，而且具有廣闊的應(yīng)用前景。然而煙草學(xué)者們雖然已經(jīng)提出的一系列的煙草生化成分的監(jiān)測(cè)和估算模型，但每個(gè)模型都有特定的研究方法和適用條件，并不適用于所有品種的煙草，所以很難找到通用的模型。同時(shí)高光譜遙感數(shù)據(jù)有一些缺陷，比如景觀異質(zhì)性、大氣噪音、太陽(yáng)位置等的干擾都會(huì)影響高光譜遙感技術(shù)在實(shí)際的應(yīng)用能力。所以要使煙草光譜資料更加完備，今后的研究方向：一是煙草生化參數(shù)，要一步步地上升到較為精確的模型水平 ，進(jìn)一步對(duì)其進(jìn)行細(xì)化和確定。為了降低實(shí)際生產(chǎn)中煙草的品種類型 、生態(tài)條件多樣和栽培管理等方面的差異，需要建立更加全面和更具規(guī)模的樣本參數(shù)，以便進(jìn)行修正。二是遙感數(shù)據(jù)的分析方法和遙感信息的信噪比要進(jìn)一步提高，在今后的研究中，要注重于完善和擴(kuò)充煙草的光譜數(shù)據(jù)庫(kù)，加強(qiáng)煙草高光譜數(shù)據(jù)的采集和挖掘，結(jié)合3S技術(shù)的應(yīng)用 ，進(jìn)一步推動(dòng)高光譜遙感技術(shù)在煙草生化成分診斷和監(jiān)測(cè)中的應(yīng)用。