一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法

技术领域

本发明属于旱情监测技术领域，尤其涉及夏玉米旱情的监测，具体为一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法。

背景技术

干旱是影响作物生长发育与产量的主要自然因素，长期大范围的干旱会造成农作物大幅减产。降水和灌溉生长发育过程中水分的主要来源，玉米是喜水作物且对水分胁迫较为敏感，水分亏缺会抑制玉米正常的生理代谢活动、影响玉米正常生长发育，产量降低，一般年份减产20％～30％，严重年份导致大面积减产，甚至颗粒无收。我国农业基础设施薄弱，灌溉技术和制度不够完善，目前大部分地区仍采用大水漫灌的传统方式，这种方式导致灌溉不均匀，水资源利用效率不高。玉米不同阶段需水量量不同，玉米从出苗到拔节期，植株小，生长慢，对水分的需求少，土壤水分控制在田间持水量的60％左右，玉米抽穗期到乳熟期是植株快速生长时期，对水分十分敏感，抽穗开花期水分需求量达到最高值，缺水将会造成严重影响，使其减产20％-50％，成熟期对水分的需求量仅为4％-7％，因此根据玉米对水分需求量的不同，及时灌溉才能保证玉米植株的正常生长。在玉米生长发育过程中土壤水分状况能够反映植被水分状况，如果土壤水分不足，作物的生理需水得不到供给，严重影响作物正常的生长发育和生产能力，抑制作用表现在生理参数和外观形态，然而这些参数的变化是十分复杂的，单纯的靠人力去观测这些参数既费时、费力、空间代表性差和易损坏植株，难以对植被进行长期有效且高精度的观测。

目前玉米旱情监测主要通过土壤墒情监测评估与植被指数等遥感监测实施，物理机制不够明确，费时费力，造成大范围旱情监测精度不高，监测效率也低。

遥感技术能够较好的反映土壤水分的变化，能够快速、高效、无损的获取旱情信息，但是遥感影像受到分辨率、天气、重访周期等因素的影响，容易造成数据丢失，时间的不连续和空间分辨率低等问题。植被干旱遥感监测方法有两大类，一类是基于水分含量的植被干旱监测，另一类是在目前实际的旱情监测系统中应用最为广泛的遥感干旱指数法。指数能够较好的反映土壤水分的变化，但由于遥感指数农业干旱遥感监测机理性不足，以及农业干旱遥感监测指标的匮乏，限制了农作物干旱遥感监测的深入应用。

基于无人机遥感的作物监测现已成为研究的重点，无人机能够随时获取高精度的遥感数据，能够发挥在农田精细尺度和动态连续监测的优势基于无人机的低空遥感技术能为大田区域内信息监测提供快速而便捷的服务。

基于无人机平台的低空遥感监测具有区域监测、高时空分辨率、云下作业、机动灵活、成本低、快速高效等独特技术优势，能够实现农田精细尺度和动态连续监测，现已经广泛应用到干旱监测方面。但现有无人机旱情监测主要集中在洋葱和果树等，在大田作物的监测中相对较少，无法满足农业精准灌溉的需求。

叶绿素是叶绿体内参与光合作用的重要色素，是评价作物健康生长状况的重要参数，作物遭受干旱胁迫时最直观的表现是叶片黄化，因此估测绿色植被的叶绿素含量对作物健康生长有着重要的意义。现采用无人机低空遥感进行夏玉米监测，对于划定不同干旱等级阈值的叶绿素含量研究较少，该技术还不成熟。

发明内容

本发明的目的在于：基于上述技术缺陷，提出一种通过叶绿素含量分析对夏玉米旱情快速监测判别的方法，在不同干旱条件下，提高检测精度和监测效率。

本发明的目的是这样实现的：

一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法，包括以下步骤：

1)数据采集：包括通过无人机多载荷低空遥感技术获取的多光谱影像数据和地面实测叶面指数数据：通过多光谱影像数据计算NDVI、SAVI和RENDVI植被指数；

2)构建夏玉米各生长阶段不同干旱程度叶绿素含量反演模型：使用协同配准NDVI-OTSU方法进行土壤背景剔除，提取夏玉米冠层纯植被指数像元值，选取NDVI、RENDVI和SAVI植被指数分别与实测的叶绿素含量在不同生育期构建3种类型的回归方程，并从中选择每个生育期中与叶绿素含量相关性最高的回归方程作为该生育期的最优模型方程；所述不同生育期指玉米的拔节期、抽穗期、吐丝期、成熟期；所述3种类型的回归方程为线性方程、指数方程及对数方程；

3)不同干旱等级的叶绿素含量阈值的率定：根据步骤2)中获取的各个生育时期的最优模型方程，来反演各个时期的叶绿素含量，并对不同干旱等级之间的叶绿素含量阈值进行率定；

4)旱情等级的实时判别：通过实时监测获得待测地块的多光谱影像，并计算出所需要的植被指数，将该植被指数带入到步骤2)率定的对应生育期的最优模型方程中反演得到叶绿素含量值，然后将该叶绿素含量值与步骤3)中该时期的阈值进行比对，判断实时旱情等级。

进一步的的优化，步骤1)中所述多光谱影像数据的获取：应用FL-81四旋翼无人机集成搭载MicaSense RedEdge-M

进一步的，步骤1)中所述实测叶绿素含量：使用叶绿素含量分析仪SPAD-502Plus测量SPAD值，每个地块选择8株测定叶片的相对叶绿素含量(SPAD)，以平均值作为该小区的SPAD值，进行叶片绝对叶绿素含量Cab/μg·cm

Cab＝0.11SPAD

进一步的，步骤2)中拔节期的最优模型方程为SAVI与叶绿素含量的对数模型回归方程、抽穗期的最优模型方程为RENDVI与叶绿素含量的线性模型回归方程、吐丝期的最优模型方程为NDVI与叶绿素含量的对数模型回归方程、成熟期的最优模型方程为RENDVI与叶绿素含量指数模型回归方程。

进一步的，步骤3)率定的不同干旱等级之间的叶绿素含量阈值为：对于拔节期的叶绿素含量：正常情况＞54.9，轻旱53.1～54.9；中旱51.0～53.1；重旱＜51.0；对于抽穗期的叶绿素含量：正常情况＞65.4，轻旱59.2～65.4；中旱54.1～59.2；重旱＜54.1；对于吐丝期的叶面积指数：正常情况＞60.0，轻旱56.1～60.0；中旱52.0～56.1；重旱＜52.0；对于成熟期的叶面积指数：正常情况＞55.5，轻旱47.8～55.5；中旱43.5～47.8；重旱＜43.5；

进一步的，步骤3)率定的不同干旱等级之间的叶绿素含量的率定方法为：首先，计算不同干旱等级地块反演结果平均值，然后再分别计算相邻两个干旱等级地块的平均值的中值，将其作为两个相邻干旱等级间的阈值。

以拔节期的阈值率定为例，计算好NDVI、SAVI和RENDVI各植被指数，各植被指数与实测叶绿素含量回归分析，从而构建基于线性、指数和对数构建模型，确定拔节期相关性最高的回归模型是SAVI与叶绿素含量对数模型，将SAVI反演得到不同干旱程度的夏玉米叶绿素含量结果，从而进行正常、轻旱、中旱、重旱阈值等级划分，确定阈值范围，首先计算各干旱等级的平均值，再计算正常平均值和轻旱平均值的中值，将中值作为区别两种干旱等级的阈值，轻旱和中旱，中旱和重旱结果同上。

本发明的优点和有益效果是：

本发明的方法用于夏玉米旱情监测判别具有较高精度。提取阈值灵活、稳定、快速，通过对比分析得到各生育期最佳叶绿素含量反演模型，率定不同干旱等级叶绿素含量阈值，来实现高精度的旱情快速监测判别。能够利用该方法对大片夏玉米进行旱情快速且高效的判断，操作方便，精度较高。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1为本发明实施例1研究区域概况；

图2为本发明实施例1研究区域地块设计；

图3为本发明实施例1拔节后期各植被指数与叶绿素含量3种模型相关性；

图4为本发明实施例1抽穗期各植被指数与叶绿素含量3种模型相关性；

图5为本发明实施例1吐丝期各植被指数与叶绿素含量3种模型相关性；

图6为本发明实施例1成熟期各植被指数与叶绿素含量3种模型相关性；

图7拔节期叶绿素含量反演结果；

图8抽穗期叶绿素含量反演结果；

图9吐丝期叶绿素含量反演结果；

图10成熟期叶绿素含量反演结果。

具体实施方式

实施例1：

一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法，

研究区域的选取及前期准备：

本实施例研究区域位于陕西省渭南市富平县东雷二期抽黄灌区(109°10′-110°10′E、34°41′-35°00′N)，地处陕西省关中地区东部，黄河以西，渭河以北的黄土波状台塬区北部，海拔385m～635m。灌区东临黄河，西至富平县城，南邻“陕西省交口抽渭灌区”和“渭南市洛惠渠灌区”，北靠乔山，地势西北高，东南低。属于温带大陆性季风气候，冬季寒冷干燥，夏季炎热多雨，50％以上的降雨集中在夏季，年平均降雨量519mm-552mm，其远小于年年平均蒸发量(1700mm-2000mm)，是典型的半干旱地区。全灌区总面积为1469.81km

(1)地块设计

实验地块选择位于开阔的田块上、地势平坦，土壤壤质为垆土，地下水埋深在2m以下，可排、灌溉水，面积为10m*16m的地块两个，地块上方搭建可开闭式遮雨大棚，排除降水影响。地块均匀分为11个4m*4m的小区块，为保证水分控制实验的实施，小区之间保持2m防止渗漏并对地块进行隔离(图2)。实验田内设有土壤湿度传感器17套，其中雨根设备架设11个地块，科百架设6个地块，观测时间的分辨率为30分钟。种植玉米品种为本地优势品种裕丰620，玉米行距为70cm，播种深度为3-5cm，于6月27日播种，玉米生长过程中参照当地农民管理措施进行常规大田管理。

(2)水分控制设计

将玉米全生育期划分为4个生育阶段，各生育阶段名称及详细划分(表2-1)，为保证出苗齐全，于拔节期开始进行水分处理直至成熟，分别设计5种干旱程度处理(正常、轻旱、中旱、重旱和特旱)。玉米的干旱程度划分根据《农业气象观测规范玉米-QX/T361-2016》，每个地块埋设深度为10cm、20cm和40cm的土壤湿度探头，用来测定不同深度的土壤含水量，灌水上下限根据田间持水量(29.5％)的百分比确定。

表1夏玉米水分控制程度划分

旱情快速监测判别方法具体包括以下步骤：

1)数据采集：包括通过无人机多载荷低空遥感技术获取的多光谱影像数据和地面实测叶绿素数据：通过多光谱影像数据计算NDVI、RENDVI和SAVI植被指数；所述多光谱影像数据的获取：应用FL-81四旋翼无人机集成搭载多光谱相机获取多光谱航片，飞行高度设置为55m，对应地面分辨率4cm，镜头可获取的波长分别为蓝光波段、绿光波段、红光波段、红边、近红外波段。地面实测叶绿素含量：使用叶绿素含量分析仪SPAD-502Plus测量SPAD值，每个地块选择8株测定叶片的相对叶绿素含量(SPAD)，以平均值作为该小区的SPAD值，进行叶片绝对叶绿素含量Cab/μg·cm

Cab＝0.11SPAD

本实施例中各植被指数的计算公式采用表2中的公式进行计算。

表2各植被指数计算公式

注：ρ

2)构建夏玉米各生长阶段不同干旱程度叶绿素含量反演模型：使用协同配准NDVI-OTSU方法进行土壤背景剔除，提取夏玉米冠层纯植被指数像元值，选取NDVI、RENDVI和SAVI植被指数分别与实测的叶绿素在不同生育期构建3种类型的回归方程，并从中选择每个生育期中与叶绿素含量相关性最高的回归方程作为该生育期的最优模型方程；所述不同生育期指玉米的：拔节期、抽穗期、吐丝期、成熟期；所述3种类型的回归方程为线性方程、指数方程及对数方程；

从多光谱数据中提取植被指数NDVI、EVI、RENDVI与实测叶绿素含量进行回归分析，得到各生育期不同干旱等级的植被指数与叶绿素含量3种回归模型，如图4～图6，利用SAVI、NDVI、RENDVI植被指数反演叶绿素含量整体相关性较好，R

拔节期3种回归模型与叶绿素含量的相关性整体较好，相关系数均在0.8左右，3种模型中对数模型的相关性要大于指数模型和线性模型。SAVI与叶绿素含量的指数模型和对数模型、RENDVI与叶绿素含量的对数模型相关系数值均达到了0.8以上，NDVI与叶绿素含量的模型相关系数均大于0.7。相关性最佳为SAVI与叶绿素含量的对数模型，R

表3不同生育期各植被指数与叶绿素含量的最优回归方程

注：x为植被指数，y为反演的叶绿素含量

3)不同干旱等级的叶绿素含量阈值的率定：根据步骤2)中获取的各个生育时期的最优模型方程，来反演各个时期的叶绿素含量，并对不同干旱等级之间的叶绿素含量阈值进行率定。基于飞龙-81获取的无人机多光谱影像，反演获取作物叶绿素含量，根据表4率定后的阈值进行干旱程度划分。

表4无人机数据率定后的不同干旱程度夏玉米叶绿素含量阈值

4)旱情等级的实时判别：通过实时监测获得待测地块的多光谱影像，并计算出所需要的植被指数，将该植被指数带入到步骤2)率定的对应生育期的最优模型方程中反演得到叶绿素含量，然后将该叶绿素含量与步骤3)中该时期的阈值进行比对，判断实时旱情等级。

基于无人机获取的各生育期多光谱影像数据，反演夏玉米叶绿素含量，从而得到不同干旱等级的地块分布图，由结果图7～10可知，西3地块和东6地块植株主要表现为轻度干旱和中度干旱，西4、东1、东2地块为重度干旱，是实验预计结果一致，SAVI对数模型能够很好地估算拔节后期夏玉米叶绿素含量；抽穗期西2地块表现为轻度干旱，东3地块表现为轻度干旱和中度干旱，而东4、东1、东2为重旱地块，地块表现特征与实验设计相符合，RENDVI线性模型能够很好地估算抽穗期夏玉米叶绿素含量；吐丝期整体反演效果较好，未设计地块主要表现为不旱，设计地块西2主要变现为不旱和轻度干旱，东3为中度干旱，东4、东1、东2为重旱地块，其中西3和西4由于前期控制仍保留了部分胁迫特征。NDVI对数模型能够很好地估算吐丝期夏玉米叶绿素含量；成熟期实验设计在西侧地块里西2为轻旱地块，西3为中旱地块，东侧地块里东1、东2为重旱地块，东3分别为中旱和重旱地块，而反演结果显示大部分地块处于轻旱和不旱是因为此时受到了降雨的影响，RENDVI线性模型适用于估算成熟期夏玉米叶绿素含量。植被指数NDVISAVI和RENDVI与实测叶绿素含量回归模型能够很好的估测各生育期不同干旱程度叶绿素含量。

选取在每个地块土壤湿度传仪器埋设附近选取共1000个样本点进行精度验证，利用率定好的阈值进行各生育期单指标精度验证，叶绿素含量拔节-抽穗期的52个样本点不符合阈值范围，948个样本点符合阈值结果，因此对其精度进行计算，结果为94.8％；抽穗-吐丝期85个样本点不符合阈值范围，915个样本点符合阈值结果，因此对其精度进行计算，结果为91.5％；吐丝-乳熟期83个样本点不符合阈值范围，917个样本点符合阈值结果，因此对其精度进行计算，结果为91.7％。

最后应说明的是，以上仅用以说明本发明的技术方案而非限制，尽管参照较佳布置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。