一种基于无人机多光谱遥感反演冬小麦植株含水率的方法与流程

本发明属于植物生长监测领域，尤其涉及一种基于无人机多光谱遥感反演冬小麦植株含水率的方法。

背景技术：

植株含水率是反映作物水分状况的指标之一，也是开展作物水分亏缺诊断的重要基础，及时准确的获取植株含水率信息，对精准农业发展以及农业水资源高效利用具有重要意义。传统估算植株含水率的方法主要是通过破坏性采样测定，操作繁琐、耗费大量人力物力，不足以满足实施快速监测的要求，因而研究较为简单且精度较高的植株含水率估算方法成为当前热点。目前国内外基于卫星遥感或者地面遥感对植株含水率的研究已经取得了一定进展，无人机遥感技术由于其平台具有移动性强、适用性好的优势，且获取影像分辨率高、作业周期短，在农业、水质监测和测绘等领域发挥着越来越重要的作用，为农情监测研究提供了新的解决方案。现有研究显示了无人机遥感技术在获取植被冠层信息的潜力，通过搭载传感器获取遥感影像从而反演特定指标的研究方法越来越热门，但利用无人机多光谱遥感直接反演作物植株含水率的研究鲜有报道。

本发明将利用无人机搭载多光谱相机获取冬小麦光谱反射率，构建植株含水率与光谱反射率以及光谱植被指数模型，并从中优选构建植株含水率估算模型，旨在获得一种简便准确地预测冬小麦植株含水率的实时性区域监测方法。

技术实现要素：

针对现有技术中的上述不足，本发明提供的一种基于无人机多光谱遥感反演冬小麦植株含水率的方法能够实现简便且准确地预测冬小麦植株含水率的实时性区域监测。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于无人机多光谱遥感反演冬小麦植株含水率的方法，包括如下步骤：

s1、利用无人机多光谱遥感技术获取研究区域内冬小麦植株的五波段光谱影像；

s2、利用湿基含水率方法计算研究区域内冬小麦植株的含水率；

s3、根据所述五波段的光谱影像计算得到研究区域冬小麦的光谱反射率；

s4、利用envi软件裁剪所述冬小麦的光谱反射率的影像提取6种光谱植被指数；

s5、分析所述冬小麦植株的含水率分别与所述光谱反射率以及6种光谱植被指数的相关度，并分别利用强迫进入法以及逐步回归法建立多个光谱反射率反演模型和多个光谱植被指数反演模型；

s6、分别分析所述多个光谱反射率反演模型和多个光谱植被指数反演模型中的参数得到最优光谱反射率反演模型以及最优光谱植被指数反演模型；

s7、分别将所述最优光谱反射率反演模型以及最优光谱植被指数反演模型中的植株含水率的模拟值与预测的实测值进行验证，得到最优的反演模型，从而完成对冬小麦植株含水率的反演。

进一步地，所述步骤s2中利用湿基含水率方法计算研究区域内冬小麦植株的含水率cw的表达式如下：

其中，lw表示冬小麦植株的鲜重，ld表示冬小麦植株的干重。

再进一步地，所述步骤s3包括如下步骤：

a1、将所述五波段的光谱影像合成一个tif格式的五波段光谱影像；

a2、根据所述合成的五波段光谱影像利用掩膜方法构建roi区域；

a3、利用波段运算工具bandmath分别计算roi区域内五个波段的光谱反射率；

a4、计算所述roi区域内五个波段的光谱反射率的平均光谱反射率，得到研究区域冬小麦的光谱反射率。

再进一步地，所述步骤s4中6种光谱植被指数包括：归一化光谱植被指数ndvi、土壤调节光谱植被指数savi、增强型光谱植被指数evi、比值光谱植被指数sr、绿度归一化光谱植被指数gndvi以及抗大气指数vari。

再进一步地，所述归一化光谱植被指数ndvi的表达式如下：

所述土壤调节光谱植被指数savi的表达式如下：

所述增强型光谱植被指数evi的表达式如下：

所述比值光谱植被指数sr的表达式如下：

所述绿度归一化光谱植被指数gndvi的表达式如下：

所述抗大气指数vari的表达式如下：

上述各式中，rblue、rgreen、rred、rnir分别为灰板对rededge相机蓝、绿、红、近红外波段的平均反射率。

再进一步地，所述步骤s5中构建多个光谱反射率反常模型包括如下步骤：

b1、利用spss软件的多元回归法分析所述冬小麦植株的含水率与所述冬小麦的光谱反射率的相关程度；

b2、利用强迫进入法建立一个包含五波段反射率的光谱反射率反演模型；

b3、根据所述相关程度的大小利用逐步回归法依次将所述冬小麦植株的含水率逐个引入光谱反射率反演模型，得到多个光谱反射率反演模型。

再进一步地，所述步骤s5中构建多个光谱植被指数反演模型包括如下步骤：

c1、利用spss软件的多元回归法分析所述冬小麦植株的含水率与所述冬小麦的光谱植被指数的相关程度；

c2、利用强迫进入法建立一个包含6种光谱植被指数的光谱植被指数反演模型；

c3、根据所述相关程度的大小利用逐步回归法依次将所述冬小麦植株的含水率逐个引入光谱植被指数反演模型，得到多个光谱植被指数反演模型。

再进一步地，所述步骤s6具体为：

d1、分析所述多个光谱反射率反演模型中每个模型的决定系数r²、均方根误差rmse以及相对误差re参数；

d2、根据分析结果取决定系数r²最大，均方根误差rmse和相对误差re最小的模型作为最优光谱反射率反演模型；

d3、分析所述多个光谱植被指数反演模型中每个模型的决定系数r²、均方根误差rmse以及相对误差re参数；

d4、根据分析结果取决定系数r²最大，均方根误差rmse和相对误差re最小的模型作为最优光谱植被指数反演模型。

再进一步地，所述决定系数r²的表达式如下：

所述均方根误差rmse的表达式如下：

所述相对误差re的表达式如下：

上述各式中，n表示验证样本个数，i表示样本编号，表示冬小麦植株含水率的预测值，yi表示冬小麦植株含水率的实测值，表示冬小麦植株含水率的平均值。

本发明的有益效果：

(1)本发明通过植株的含水率分别与光谱反射率以及光谱植被指数相关性分析，利用两种回归分析方法建立光谱反射率模型以及光谱植被指数模型，通过模型的相关性(r²)、相对误差(re)及均方根误差(rmse)检验确定出最优的基于光谱信息的植株含水率估算模型，为实现精准作物监测提供了理论依据，进一步加强无人机多光谱遥感监测的适用性；

(2)本发明采用多个波段光谱反射率建模，由近红外波段、红波段和蓝波段建立的光谱反射率模型精度高，且简便稳定；

(3)本发明采用多个光谱指数综合分析模型，有效地提高了模型的精度。

附图说明

图1为本发明的方法流程图。

图2为本实施例中冬小麦不同生育期不同水分处理下植株含水率的示意图。

图3为本实施例中不同建模方法下植株含水率的模拟值与实测值对比的示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例

如图1所示，本发明提供了一种基于无人机多光谱遥感反演冬小麦植株含水率的方法，其实现方法如下：

s1、利用无人机多光谱遥感技术获取研究区域内冬小麦植株的五波段光谱影像；

s2、利用湿基含水率方法计算研究区域内冬小麦植株的含水率，其表达式如下：

其中，cw表示冬小麦植株的含水率，lw表示冬小麦植株的鲜重，ld表示冬小麦植株的干重；

s3、根据所述五波段的光谱影像计算得到研究区域冬小麦的光谱反射率，其实现方法如下：

a1、将所述五波段的光谱影像合成一个tif格式的五波段光谱影像；

a2、根据所述合成的五波段光谱影像利用掩膜方法构建roi区域；

a3、利用波段运算工具bandmath分别计算roi区域内五个波段的光谱反射率；

a4、计算所述roi区域内五个波段的光谱反射率的平均光谱反射率，得到研究区域冬小麦的光谱反射率；

s4、利用envi软件裁剪所述冬小麦的光谱反射率的影像提取6种光谱植被指数，所述6种光谱植被指数包括：归一化光谱植被指数ndvi、土壤调节光谱植被指数savi、增强型光谱植被指数evi、比值光谱植被指数sr、绿度归一化光谱植被指数gndvi以及抗大气指数vari；

s5、分析所述冬小麦植株的含水率分别与所述光谱反射率以及6种光谱植被指数的相关度，并分别利用强迫进入法以及逐步回归法建立多个光谱反射率反演模型和多个光谱植被指数反演模型，其中，

构建多个光谱反射率反常模型包括如下步骤：

b1、利用spss软件的多元回归法分析所述冬小麦植株的含水率与所述冬小麦的光谱反射率的相关程度；

b2、利用强迫进入法建立一个包含五波段反射率的光谱反射率反演模型；

b3、根据所述相关程度的大小利用逐步回归法依次将所述冬小麦植株的含水率逐个引入光谱反射率反演模型，得到多个光谱反射率反演模型；

构建多个光谱植被指数反演模型包括如下步骤：

c1、利用spss软件的多元回归法分析所述冬小麦植株的含水率与所述冬小麦的光谱植被指数的相关程度；

c2、利用强迫进入法建立一个包含6种光谱植被指数的光谱植被指数反演模型；

c3、根据所述相关程度的大小利用逐步回归法依次将所述冬小麦植株的含水率逐个引入光谱植被指数反演模型，得到多个光谱植被指数反演模型；

s6、分别分析所述多个光谱反射率反演模型和多个光谱植被指数反演模型中的参数得到最优光谱反射率反演模型以及最优光谱植被指数反演模型，其实现方法如下：

d1、分析所述多个光谱反射率反演模型中每个模型的决定系数r²、均方根误差rmse以及相对误差re参数；

d2、根据分析结果取决定系数r²最大，均方根误差rmse和相对误差re最小的模型作为最优光谱反射率反演模型；

d3、分析所述多个光谱植被指数反演模型中每个模型的决定系数r²、均方根误差rmse以及相对误差re参数；

d4、根据分析结果取决定系数r²最大，均方根误差rmse和相对误差re最小的模型作为最优光谱植被指数反演模型；

所述决定系数r²的表达式如下：

所述均方根误差rmse的表达式如下：

所述相对误差re的表达式如下：

式中，n表示验证样本个数，i表示样本编号,即本发明研究区域内冬小麦小区编号，表示冬小麦植株含水率的预测值，yi表示冬小麦植株含水率的实测值，表示冬小麦植株含水率的平均值

s7、分别将所述最优光谱反射率反演模型以及最优光谱植被指数反演模型中的植株含水率的模拟值与预测的实测值进行验证，得到最优的反演模型，从而完成对冬小麦植株含水率的反演。

本发明在中国水利水电科学研究院大兴试验基地(39°37.25'n,116°25.51'e39°)开展，海拔约30m，属于温带半干旱大陆性季风气候，多年平均气温为12.1℃，多年平均降雨量为540㎜，集中在6和9月，降雨量占全年降雨量的80％以上，形成冬春夏旱，夏季多雨的气候特点，多年平均风速为1.2m/s，冬春季风速较大，秋季次之，夏季风速最小。全年平均相对湿度为52％，全年日照时数为2502h，全年大于10℃的有效积温为4730℃，日平均太阳净辐射为171w/m²，光热条件丰富，全年无霜期平均为185天，多年年均蒸发量为1021mm，土壤类型以砂壤土为主，适合小麦等多种粮食作物的生长。

试验区小麦品种为中麦175，2017年10月13日播种，2018年6月6日成熟收获，试验设10个小区，3个重复，共30个小区，每个小区面积为58m²，试验以水处理为主，灌溉水平为w0(0mm)、w1(60mm)、w2(120mm)、w3(180mm)、w4(240mm)、w5(300mm)。无人机试验在2018年5月5日(抽穗期)、5月24日(灌浆期)、6月3日(成熟期)进行。抽穗期、灌浆期和成熟期是关系冬小麦产量和品质的关键时期，植株含水率会表现出明显的差异性，在植株含水率模型构建中，避免作物水分模型生育期专一性的缺点，且植株含水率变化范围越大，模型越具有普适性，容错率也越高。

本实施例中，借助的平台是采用开源飞控pixhawk控制的经纬m600型六旋翼无人机系统，搭载的遥感传感器为rededge。该相机焦距为5.5mm，图像分辨率为1280像素×960像素，相机设有五个光谱通道，中心波长分别为475nm(蓝)、560nm(绿)、668nm(红)、840nm(近红外)、717nm(红边)，相机同时配备了一块30cm×30cm的灰板和光强传感器。无人机设至一定高度，镜头垂直向下，通过拍摄地面灰板来矫正反射率，然后按照预定航线飞至区域拍摄多光谱影像，每次拍摄时间为上午10：00-12：00之间，无人机飞行高度设为60m，飞行时固定航线，航向和旁向重叠度均为80％，飞行速度为3m/s，像元分辨率为4.09cm。

小麦的植株含水率采用烘干法测定，先从各个小区摘取均20cm宽区域的小麦植株，将植株分别装入保鲜袋中，称量并记录小麦植株的鲜重，然后放入在105℃条件下的烘箱杀青半小时，随后调至70℃干燥至恒重后记录植株的干重。本发明采用湿基含水率公式计算冬小麦植株含水率。

本实施例中，将通过无人机多光谱遥感获取的五波段的光谱影像合成一个tif格式的五波段光谱影像，在反射率影像中利用掩膜方法先构建区域roi，利用波段运算工具bandmath分别计算五个波段的光谱反射率，将roi区域范围内的小麦的平均光谱作为该小区的小麦光谱反射率，计算得到每一天30个小区的光谱反射率数据。

本实施例采用多元线性回归分析方法中的逐步回归法和强迫进入法揭示因变量(植株含水率y)与五个自变量[rnir(x1),rred(x2),rgreen(x3),rblue(x4),rrededge(x5)]之间的线性模型，其中，rblue、rgreen、rred、rnir分别为灰板对rededge相机蓝、绿、红、近红外波段的平均反射率。首先不考虑不同波段的光谱反射率对植株含水率的作用或显著程度大小，采用强迫进入法将五个波段的平均反射率作为自变量建立植株含水率的光谱反射率反演模型，分别为一次线性模型，二次曲线模型和对数曲线模型，其次考虑的五个波段的光谱反射率按其对植株含水率作用或显著程度大小，采用逐步回归法由大到小地逐个引入光谱反射率反演模型,作用不显著的变量可能始终不被引入光谱反射率反演模型，己被引入的变量在引入新变量后也可能失去重要性,需要从光谱反射率反演模型中剔除，引入或剔除一个变量都称为逐步回归的一步,每一步都要进行f检验,以保证在引入新变量前回归模型中只含有影响显著的变量。

常用的光谱植被指数中，归一化光谱植被指数ndvi可以表征出植株含水量的变化高低和植被叶面积指数等，土壤调节光谱植被指数savi被认为是建立简单“植株”的关键联系，可以消除土壤背景的影响，增强型光谱植被指数evi中的土壤调整因子对地形条件比ndvi更敏感，起到很大的监测植被变化的作用；比值光谱植被指数sr是绿色植物的灵敏指示参数，有效增强植被信息，减少非植被信息，绿度归一化光谱植被指数gndvi对广泛范围内的叶面积指数的反应程度更加敏感，抗大气指数vari对大气和土壤影响的研究更加充分，本实施例中，采用envi软件平台裁剪冬小麦30个小区反射率影像，提取6种光谱植被指数。

本实施例中，采用所述6种光谱植被指数建立植被含水率的估算模型。首先，将植株含水率与6种光谱植被指数分别建立一元线性关系，得到6种一元线性模型，其次，采用多元线性回归分析方法中的逐步回归法和强迫进入法建立因变量(植株含水率y)与六个自变量(归一化光谱植被指数ndvi、土壤调节光谱植被指数savi、增强型光谱植被指数evi、比值光谱植被指数sr、绿度归一化光谱植被指数gndvi以及抗大气指数vari)之间的线性模型。首先不考虑不同光谱指数对植株含水率的作用或显著程度大小，采用强迫进入法将6种光谱指数作为自变量建立光谱植被指数反演模型，为一次线性模型，其次考虑6种光谱指数按其对植株含水率作用或显著程度大小，采用逐步回归法由大到小地逐个引入光谱植被指数反演模型,作用不显著的变量可能始终不被引入光谱植被指数反演模型。

本实施例中，选取试验区中20个小区的采集数据进行回归建模，其余10个小区的数据用来验证模型的精度，采用决定系数r²、均方根误差rmse和相对误差re作为评判模型精度的指标决定系数r²越接近1，均方根误差rmse越小，相对误差re越小，说明该模型精度越好，模型反演植株含水率的效果更好。

本实施例中，水分胁迫、营养状况等外界条件以及自身长势都会造成同一种植物的植株特征有所差异，从而造成了光谱反射特性也不尽相同。如图2所示，图2为冬小麦不同生育期不同水分处理下植株含水率，通过单因素方差分析方法中的lsd法对无人机飞行观测的植株含水率比较，抽穗期的植株含水率与灌浆期的植株含水率的平均值相差13.2％，与成熟期的植株含水率的平均值相差31.2％，灌浆期的植株含水率与成熟期的植株含水率的平均值相差18％，这些差异在0.05的显著性水平下是显著的。

本实施例中，将各个波段平均光谱反射率与植株含水率进行相关性分析，由单个波段平均光谱反射率建立的模型决定系数较低，仅近红外波段决定系数为0.602，模型精度较低不能精准预测植株含水率，故采用多元线性回归分析建立模型。

本实施例中，表1为光谱反射率模型，9种模型的决定系数r²均大于0.65，表明基于多光谱遥感信息反演植株含水率的可行性。模型2和模型7决定系数r²较大、均方根误差rmse和相对误差re均较小，相较其他模型占优，但模型7比模型2更加简单便捷，故选择模型7作为光谱反射率优选模型。

表1

上述各式中，y表示冬小麦植株含水率，x1表示近红外波段反射率，x2表示红光波段反射率，x3表示绿光波段反射率，x4表示蓝光波段反射率，x5表示红边波段反射率，ln表示自然对数以常数e为底数的对数。

表2为光谱植被指数模型，由单个光谱植被指数建立的六个植株含水率模型，决定系数r²较小、均方根误差rmse和相对误差re较大，模型拟合精度低不能实现精准预测。故采用多元线性回归分析研究由6个光谱植被指数组合构建的植株含水率模型，由于土壤调节光谱植被指数savi、归一化光谱植被指数ndvi与增强型光谱植被指数evi，光谱植被指数gndvi与抗大气指数vari之间存在共线性问题，在逐步回归法建模过程中为避免共线性问题对线性回归分析精度的影响依次选入了增强型光谱植被指数evi、比值光谱植被指数sr和抗大气指数vari等变量进行建模。模型17和模型18的决定系数r²均大于0.75、均方根误差rmse小于7.00％、相对误差re小于10.00％，两者均可作为优选模型，但模型17在回归分析的过程中考虑了各变量间的共线性，相比模型18更适合作为优选模型。

表2

本实施例中，如图3所示，图3为不同建模方法下植株含水率的模拟值与实测值对比，表3为优选模型下植株含水率的模拟值与实测值比较，两种回归模型决定系数r²均大于0.8，均方根误差rmse均小于6％，且相对误差re均小于7％，说明光谱反射率模型7和光谱指数模型17的模拟精度较好，无人机多光谱遥感监测植株含水率是可行的。但光谱植被指数模型相较光谱反射率模型具有考虑植株内部参数的优势，在预测植株含水率时可降低环境和自身因素的干扰、实用性更强，故选模型17进行建模，其中，作物植株含水率的敏感波段是近红外区域。

表3

本实施例中，单个波段平均光谱反射率与植株含水率的决定系数较低，多个波段光谱反射率建模r²均在0.65以上，模型精度较高，由近红外波段、红波段和蓝波段建立的光谱反射率模型精度高，简便稳定。本实施例中，基于近红外波段和红波段构建的增强型光谱植被指数(evi)在光谱植被指数相关性分析中决定系数r²最高，由单一光谱植被指数建模精度较低，采用多个光谱指数综合分析模型精度较高。本实施例中优选的光谱植被指数模型的模拟效果优于光谱反射率模型，且考虑植株内部参数，在今后的应用中采用该模型预测植株含水率。

本发明通过以上设计，对光谱反射率和植株含水率的相关性分析，利用两种回归分析方法建立光谱反射率模型以及光谱植被指数模型，通过模型的相关性(r²)、相对误差(re)及均方根误差(rmse)检验确定出最优的基于光谱信息的植株含水率估算模型，为实现精准作物监测提供了理论依据，进一步加强无人机多光谱遥感监测的适用性。