水稻全生育期近地空農(nóng)情遙感精準(zhǔn)監(jiān)測(cè)應(yīng)用

于鐵龍 楊蘭 張婷婷 劉龍 宮華澤 包永輝

摘要：【目的】通過(guò)對(duì)水稻全生育期近地空農(nóng)情遙感精準(zhǔn)監(jiān)測(cè)應(yīng)用，在近地空尺度采集農(nóng)田及水稻全生育周期冠層高分辨率光譜及影像，反演土壤及農(nóng)作物全生育周期關(guān)鍵農(nóng)情信息，實(shí)現(xiàn)農(nóng)作物無(wú)損、便攜、精準(zhǔn)、低成本監(jiān)測(cè)和種植端數(shù)字化溯源，農(nóng)田全過(guò)程管理的數(shù)字化和可視化，為進(jìn)一步農(nóng)業(yè)數(shù)字化工作提供科學(xué)指導(dǎo)?！痉椒ā客ㄟ^(guò)采集水稻全周期（分蘗期、拔節(jié)期、孕穗期、揚(yáng)花期、灌漿期、結(jié)實(shí)期）田塊、冠層高分辨率的光譜及影像數(shù)據(jù)，利用農(nóng)情遙感監(jiān)測(cè)模型和人工智能算法反演土壤平整度、土壤墑情、土壤肥力、苗情、作物長(zhǎng)勢(shì)、病蟲(chóng)害等級(jí)分布、葉面氮含量、產(chǎn)量預(yù)測(cè)等數(shù)據(jù)，形成符合農(nóng)場(chǎng)生產(chǎn)需求的全指標(biāo)監(jiān)測(cè)體系。將農(nóng)情監(jiān)測(cè)指標(biāo)部署到“麥芒”數(shù)字農(nóng)田平臺(tái)，實(shí)現(xiàn)SaaS方式的在線運(yùn)行?！窘Y(jié)果】水稻全生育期農(nóng)情快速監(jiān)測(cè)與診斷模型大田應(yīng)用精度≥80%，節(jié)約畝均勞動(dòng)力成本33%-50%，提高實(shí)測(cè)作業(yè)效率50%-100%，快速計(jì)算土方量節(jié)約工程量20%，精準(zhǔn)施肥平均節(jié)約施肥量為22%，對(duì)水稻品種及栽培方式給予針對(duì)性建議，實(shí)現(xiàn)水稻增產(chǎn)5%-8%?！窘Y(jié)論】近地空農(nóng)情監(jiān)測(cè)系統(tǒng)已經(jīng)具備了一定的農(nóng)技指導(dǎo)作用，可實(shí)現(xiàn)水稻全生長(zhǎng)期生長(zhǎng)狀況跟蹤和農(nóng)情診斷，提供精準(zhǔn)施肥、變量施藥、精準(zhǔn)灌溉等方面的數(shù)據(jù)指導(dǎo)，實(shí)現(xiàn)種植端溯源；基于遙感監(jiān)測(cè)信息實(shí)現(xiàn)了從農(nóng)田建檔到土情監(jiān)測(cè)，再到耕種管收的全過(guò)程數(shù)字化和可視化管理。

關(guān)鍵詞：近地空遙感；農(nóng)情監(jiān)測(cè)；“麥芒”數(shù)字農(nóng)田；全生育期；數(shù)字農(nóng)業(yè)

作者簡(jiǎn)介：于鐵龍，本科，助理工程師，研究方向：智慧農(nóng)業(yè)，無(wú)人機(jī)遙感應(yīng)用。Email：3001662490@qq.com

通訊作者：張婷婷，博士，副研究員，研究方向：土壤遙感。

引言

我國(guó)農(nóng)業(yè)近年來(lái)面臨著發(fā)展瓶頸，不僅面臨著資源（即水資源、土地資源等）價(jià)格不斷上升和短缺波動(dòng)風(fēng)險(xiǎn)，同時(shí)受制于傳統(tǒng)種植和養(yǎng)殖經(jīng)營(yíng)模式低效、規(guī)?；潭鹊汀⑥r(nóng)民整體文化水平低等因素，產(chǎn)生了如小型農(nóng)戶或生產(chǎn)者的“扎堆”、市場(chǎng)價(jià)格波動(dòng)劇烈、現(xiàn)有糧食作物或農(nóng)產(chǎn)品安全無(wú)法得到保障等諸多問(wèn)題。2019年年底的《數(shù)字農(nóng)業(yè)農(nóng)村發(fā)展規(guī)劃（2019-2025年）》明確提出“農(nóng)業(yè)農(nóng)村數(shù)據(jù)采集體系建立健全，天空地一體化觀測(cè)網(wǎng)絡(luò)、農(nóng)業(yè)農(nóng)村基礎(chǔ)數(shù)據(jù)資源體系、農(nóng)業(yè)農(nóng)村云平臺(tái)基本建成”的發(fā)展目標(biāo)，同時(shí)提出“種植業(yè)信息化”“動(dòng)態(tài)監(jiān)測(cè)重要農(nóng)作物的種植類(lèi)型、種植面積、土壤墑情、作物長(zhǎng)勢(shì)、災(zāi)情蟲(chóng)情，及時(shí)發(fā)布預(yù)警信息，提升種植業(yè)生產(chǎn)管理信息化水平”的具體要求。數(shù)字農(nóng)業(yè)是一個(gè)系統(tǒng)工程，是疊加在傳統(tǒng)農(nóng)業(yè)技術(shù)基礎(chǔ)上的數(shù)字化手段，能夠?qū)蝹€(gè)農(nóng)學(xué)意義上的環(huán)節(jié)產(chǎn)生價(jià)值，同時(shí)沉淀數(shù)據(jù)，完善建模，最終形成完整的數(shù)字化農(nóng)田檔案，有助于提升農(nóng)田產(chǎn)量、降低成本、優(yōu)化產(chǎn)品結(jié)構(gòu)、精準(zhǔn)管理、保持土地和其他資源的可持續(xù)發(fā)展。

回應(yīng)現(xiàn)代農(nóng)業(yè)發(fā)展訴求，高光譜遙感作為一種新技術(shù)，憑借其光譜分辨率高，光譜信息量大，譜段連續(xù)性強(qiáng)等優(yōu)點(diǎn)在精細(xì)化農(nóng)業(yè)領(lǐng)域得到了快速發(fā)展。農(nóng)業(yè)定量遙感趨向無(wú)損傷、高精度（高空間分辨率，高時(shí)間分辨率）診斷作物長(zhǎng)勢(shì)及養(yǎng)分的方向發(fā)展[1]。國(guó)內(nèi)外針對(duì)水稻光譜遙感監(jiān)測(cè)研究成果頗豐，主要包括運(yùn)用高光譜技術(shù)進(jìn)行水稻長(zhǎng)勢(shì)監(jiān)測(cè)，構(gòu)建相關(guān)植被指數(shù)模型，如對(duì)水稻葉綠素含量監(jiān)測(cè)研究[2-4]，對(duì)水稻葉面積指數(shù)高光譜監(jiān)測(cè)[5-7]，對(duì)水稻上部生物量高光譜監(jiān)測(cè)[8-9]，通過(guò)構(gòu)建植被指數(shù)對(duì)水稻產(chǎn)量進(jìn)行估算[10-12]。水稻養(yǎng)分監(jiān)測(cè)包括對(duì)氮、磷、鉀素高光譜研究[13-19]，其中對(duì)氮素研究較為成熟而對(duì)磷鉀素研究較少。水稻高光譜遙感獲取技術(shù)、數(shù)據(jù)處理與反演模型的選擇對(duì)水稻監(jiān)測(cè)結(jié)果精度產(chǎn)生重要影響。高光譜遙感技術(shù)根據(jù)光譜儀所處高度可分為近地遙感技術(shù)、機(jī)載遙感技術(shù)和衛(wèi)星遙感技術(shù)。機(jī)載遙感和衛(wèi)星遙感技術(shù)應(yīng)用最早且范圍較廣，利用其對(duì)水稻監(jiān)測(cè)的研究較為成熟[20-25]，其成像遙感技術(shù)可大范圍監(jiān)測(cè)農(nóng)作物，但數(shù)據(jù)空間分辨率和時(shí)間分辨率低，使用成本較高，且易受到天氣影響[26]，估測(cè)精度低不適合小型農(nóng)田全周期生長(zhǎng)監(jiān)測(cè)。近地遙感技術(shù)中包括利用手持光譜探測(cè)儀的地面高光譜技術(shù)和無(wú)人機(jī)遙感技術(shù)，手持光譜探測(cè)儀作業(yè)效率較低，不利于在大中型農(nóng)業(yè)場(chǎng)景下推廣使用。無(wú)人機(jī)遙感技術(shù)獲取的數(shù)據(jù)主要為非成像形式，可以彌補(bǔ)地面和衛(wèi)星遙感平臺(tái)的缺陷。無(wú)人機(jī)遙感應(yīng)用系統(tǒng)具有高效、低成本、操作簡(jiǎn)單等特點(diǎn)，能夠獲取高空間分辨率和高時(shí)間分辨率影像。目前，學(xué)者利用無(wú)人機(jī)遙感在農(nóng)情監(jiān)測(cè)領(lǐng)域展開(kāi)了諸多探索，如對(duì)農(nóng)作物生長(zhǎng)參數(shù)評(píng)估[27-29]，對(duì)水稻自動(dòng)識(shí)別、長(zhǎng)勢(shì)和產(chǎn)量監(jiān)測(cè)[30-33]。目前，國(guó)內(nèi)外常用的高光譜反演技術(shù)主要分為兩大類(lèi)：第一類(lèi)是線性模型，如一元線性回歸、多元線性回歸、逐步回歸等，因其模型簡(jiǎn)單快速，應(yīng)用較為廣泛，如用線性回歸技術(shù)建立了基于植被指數(shù)的水稻葉片全氮含量反演模型[34-35]，但光譜反射率的非線性導(dǎo)致預(yù)測(cè)精度受到模型限制。第二類(lèi)是非線性模型，如人工神經(jīng)網(wǎng)絡(luò)（ANN）、偏最小二乘回歸（PLSR）、支持向量機(jī)（SVM）、隨機(jī)森林（RF）、BP神經(jīng)網(wǎng)絡(luò)法等，如采用BP神經(jīng)網(wǎng)絡(luò)分類(lèi)器和像素累加法對(duì)農(nóng)作物識(shí)別和面積測(cè)量[30]；利用面向?qū)ο蠓诸?lèi)方法對(duì)無(wú)人機(jī)影像進(jìn)行水稻自動(dòng)化識(shí)別并估計(jì)產(chǎn)量[31]；采用支持向量機(jī)（SVM）建立了水稻鎘含量高光譜預(yù)測(cè)模型[36]。但目前水稻高光譜監(jiān)測(cè)模型多為靜態(tài)的統(tǒng)計(jì)模型，光譜單因素變量也難以精確模擬水稻生長(zhǎng)發(fā)育形成與環(huán)境因子交互的作用機(jī)理。此外，缺乏具有普適性與動(dòng)態(tài)性的反演模型。

本文針對(duì)當(dāng)前農(nóng)情遙感監(jiān)測(cè)應(yīng)用存在的缺陷，研發(fā)了農(nóng)作物全周期近地空農(nóng)情遙感精準(zhǔn)監(jiān)測(cè)應(yīng)用系統(tǒng)，并將其用于水稻全周期農(nóng)情監(jiān)測(cè)。該系統(tǒng)基于無(wú)人機(jī)多光譜/高光譜數(shù)據(jù)監(jiān)測(cè)近地空尺度農(nóng)作物全生育周期的關(guān)鍵農(nóng)情信息，通過(guò)GPU加速的云端一體化平臺(tái)進(jìn)行數(shù)據(jù)處理分析，實(shí)時(shí)獲取信息，進(jìn)而實(shí)現(xiàn)農(nóng)產(chǎn)品的種植端數(shù)字化溯源；建立基于農(nóng)作物光譜和圖像特征以及特征融合的農(nóng)情診斷深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，綜合深度學(xué)習(xí)的農(nóng)情診斷特征和模型的遷移構(gòu)建了農(nóng)情動(dòng)態(tài)診斷模型，實(shí)現(xiàn)了農(nóng)情智能動(dòng)態(tài)診斷；將光譜測(cè)量、農(nóng)情監(jiān)測(cè)與診斷技術(shù)集成到無(wú)人機(jī)監(jiān)測(cè)系統(tǒng)中，通過(guò)快速獲取農(nóng)情狀況與豐缺診斷信息，解決了傳統(tǒng)光譜監(jiān)測(cè)設(shè)備成本高、操作復(fù)雜、專(zhuān)業(yè)性強(qiáng)等問(wèn)題，實(shí)現(xiàn)農(nóng)情指標(biāo)的無(wú)損、便攜、精準(zhǔn)監(jiān)測(cè)。

數(shù)字農(nóng)業(yè)要求土地相對(duì)集約化，作業(yè)機(jī)械化，因此農(nóng)墾系統(tǒng)成為了最佳的技術(shù)應(yīng)用示范場(chǎng)景。黑龍江北大荒是國(guó)家糧食種植、儲(chǔ)備的“壓艙石”，黑龍江建三江七星農(nóng)場(chǎng)是隸屬黑龍江北大荒集團(tuán)的標(biāo)桿型大型農(nóng)場(chǎng)。七星農(nóng)場(chǎng)“萬(wàn)畝大地號(hào)”（以下簡(jiǎn)稱(chēng)萬(wàn)畝大地號(hào)）是黑龍江建三江地區(qū)大型水稻種植地塊的稱(chēng)號(hào)，總面積約為12 620畝，已經(jīng)成為集科技研發(fā)、旅游觀光、農(nóng)業(yè)生產(chǎn)于一體的現(xiàn)代化農(nóng)業(yè)示范基地。目前農(nóng)場(chǎng)的糧食生產(chǎn)機(jī)械化作業(yè)在數(shù)字化、智能化、精準(zhǔn)化方面的發(fā)展還不均衡，特別是在作物種植環(huán)節(jié)，全生育周期的指標(biāo)沒(méi)有數(shù)字化。作物生長(zhǎng)狀況主要通過(guò)農(nóng)技人員隨意巡視及主觀判斷，依賴(lài)于農(nóng)技人員的感官和經(jīng)驗(yàn)，而農(nóng)技人員往往缺乏對(duì)作物生長(zhǎng)情況的客觀認(rèn)知而產(chǎn)生量化指標(biāo)的差異性，而且巡田覆蓋區(qū)域較小，以部分作物生長(zhǎng)情況代替全部也有失偏頗，甚至在作物出現(xiàn)明顯長(zhǎng)勢(shì)差異前仍無(wú)法察覺(jué)，導(dǎo)致后續(xù)的灌溉、施肥、噴藥等農(nóng)事管理操作也全靠主觀判斷，增加了水、肥、藥及人工等的成本。綜上而言，精準(zhǔn)農(nóng)業(yè)亟待發(fā)展及推廣。

本文將基于自主研發(fā)的近地空農(nóng)情遙感精準(zhǔn)監(jiān)測(cè)系統(tǒng)，在七星農(nóng)場(chǎng)“萬(wàn)畝大地號(hào)”科技示范區(qū)進(jìn)行水稻全生育周期近地空農(nóng)情指數(shù)監(jiān)測(cè)、無(wú)人機(jī)精準(zhǔn)變量施藥、數(shù)字化種植管理，以實(shí)現(xiàn)三個(gè)目標(biāo)：①在近地空尺度，按照水稻的不同生育周期定制數(shù)據(jù)采集時(shí)間，利用搭載視覺(jué)光譜載荷的“麥視”監(jiān)測(cè)機(jī)近地空遙感監(jiān)測(cè)農(nóng)田及土壤情況，獲取水稻全生長(zhǎng)周期的田塊、冠層高分辨率的光譜及影像數(shù)據(jù)。②獲取數(shù)據(jù)上傳至云端后，加載農(nóng)情遙感監(jiān)測(cè)模型和人工智能算法，反演土壤平整度、土壤墑情、土壤肥力、苗情、作物長(zhǎng)勢(shì)、病蟲(chóng)害等級(jí)分布、葉面氮含量、產(chǎn)量預(yù)測(cè)等，實(shí)現(xiàn)水稻全生長(zhǎng)期生長(zhǎng)狀況跟蹤和農(nóng)情診斷，提供精準(zhǔn)施肥、變量施藥、精準(zhǔn)灌溉等方面的數(shù)據(jù)指導(dǎo)，實(shí)現(xiàn)種植端溯源。③基于遙感監(jiān)測(cè)信息構(gòu)建“麥芒”數(shù)字農(nóng)田平臺(tái)，實(shí)現(xiàn)從農(nóng)田建檔到土情監(jiān)測(cè)，再到耕種管收的全過(guò)程數(shù)字化管理和可視化展示。

1 材料與方法

1.1 項(xiàng)目區(qū)概況

黑龍江七星農(nóng)場(chǎng)是國(guó)家重要的商品糧生產(chǎn)基地，地處三江平原，毗鄰富錦、同江、撫遠(yuǎn)、饒河四個(gè)大型口岸。它是由黑龍江、松花江和烏蘇里江沖擊而成的平原，場(chǎng)區(qū)三江環(huán)繞，地勢(shì)低平，坡降平緩，海拔高程多在52-65m之間。氣候?qū)儆诤疁貛Т箨懶约撅L(fēng)氣候，冬季漫長(zhǎng)、嚴(yán)寒而干燥，夏季短暫、溫暖而濕潤(rùn)，一年中四季分明。年平均溫度3.1℃，極端最低溫度-41℃，極端最高溫度38.4℃；全年日照時(shí)數(shù)為2260-2570h，日照率為53.6%；無(wú)霜期短，平均137天；多年平均降雨量為502.8mm，多集中在7-9三個(gè)月，占全年降雨量的50%-70%，可充分滿足大豆水稻等作物對(duì)水分的要求。境內(nèi)土壤以草甸土白漿土為主，土層深厚、有機(jī)質(zhì)含量高、土質(zhì)肥沃、蓄水能力強(qiáng)，是耕地中的“大熊貓”。近年來(lái)，黑龍江七星農(nóng)場(chǎng)采取保護(hù)性耕地替代傳統(tǒng)耕地、綠色農(nóng)藥替代傳統(tǒng)化學(xué)農(nóng)藥、有機(jī)肥替代化肥等措施，做好黑土地保護(hù)。

七星農(nóng)場(chǎng)現(xiàn)有耕地面積122萬(wàn)畝，其中水田105萬(wàn)畝，年生產(chǎn)糧食16億斤，農(nóng)場(chǎng)主要作物類(lèi)型有小麥、大豆、水稻和玉米，是北大荒集團(tuán)水稻種植面積最大的農(nóng)場(chǎng)，見(jiàn)圖1。田間全覆蓋式布置了200個(gè)測(cè)點(diǎn)、20套小型氣象站和20套地下水位監(jiān)測(cè)系統(tǒng)信息采集設(shè)備用以采集農(nóng)業(yè)生產(chǎn)大數(shù)據(jù)。農(nóng)業(yè)生產(chǎn)管理的科學(xué)化、產(chǎn)品的品牌化（物聯(lián)網(wǎng)環(huán)境下現(xiàn)代水稻供應(yīng)鏈管理模式）、農(nóng)業(yè)生產(chǎn)信息化、農(nóng)機(jī)全程機(jī)械化率達(dá)到99%以上，智能大棚、智能農(nóng)機(jī)、食品安全可追溯系統(tǒng)都已完備。

1.2 監(jiān)測(cè)系統(tǒng)

實(shí)驗(yàn)田數(shù)據(jù)采集所使用的設(shè)備為大疆四旋翼無(wú)人機(jī)P4M，搭載6個(gè)影像傳感器，包括1個(gè)用于可見(jiàn)光成像的彩色傳感器和5個(gè)用于多光譜成像的單色傳感器，包括藍(lán)光波段、綠光波段、紅光波段、紅邊波段和近紅外波段，單個(gè)傳感器有效像素為208萬(wàn)。續(xù)航時(shí)間27min，單次飛行最大作業(yè)面積為0.63km2。無(wú)人機(jī)具備適配云端GPU加速的多種AI算法，日均萬(wàn)畝作業(yè)能力，作業(yè)輕巧便攜。采用D-RTK GNSS系統(tǒng)定位，地面平臺(tái)通過(guò)集飛行控制、航線規(guī)劃、數(shù)據(jù)獲取、數(shù)據(jù)上傳、模型匹配、數(shù)據(jù)計(jì)算、結(jié)果展示等功能于一體的“麥視”APP實(shí)現(xiàn)對(duì)無(wú)人機(jī)操控。所獲取的可見(jiàn)光原始圖像分辨率可達(dá)厘米級(jí)。圖2展示了無(wú)人機(jī)及探測(cè)器實(shí)物圖、“麥視”APP應(yīng)用界面、田間作業(yè)場(chǎng)景以及無(wú)人機(jī)獲取可見(jiàn)光圖像。

1.3 數(shù)據(jù)采集與預(yù)處理

項(xiàng)目于2021年1-12月在黑龍江省建三江管理局七星農(nóng)場(chǎng)基地開(kāi)展（47.27°E，132.66°N）。按照水稻的不同生育周期規(guī)劃數(shù)據(jù)采集時(shí)間，獲取水稻全生育周期的田塊、冠層高分辨率的光譜及影像數(shù)據(jù)。針對(duì)水稻農(nóng)情監(jiān)測(cè)需跨越水稻的整個(gè)生長(zhǎng)周期的情況，在水稻的不同生長(zhǎng)階段進(jìn)行針對(duì)性的監(jiān)測(cè)，水稻苗期、分蘗期、拔節(jié)期、孕穗期、揚(yáng)花期、灌漿期、結(jié)實(shí)期的監(jiān)測(cè)內(nèi)容見(jiàn)表1。

無(wú)人機(jī)起飛前進(jìn)行了暗電流矯正和輻射定標(biāo)，因不同生長(zhǎng)期水稻長(zhǎng)勢(shì)不同而飛行參數(shù)略有差異。在采集數(shù)據(jù)的同時(shí)進(jìn)行百萬(wàn)畝秒級(jí)田塊邊界自動(dòng)化識(shí)別提取，用于基礎(chǔ)農(nóng)田邊界數(shù)據(jù)制作（圖3）。分析了農(nóng)田集約化程度，圖4顯示地塊面積峰值處于2.5畝附近，整體連片，便于機(jī)械化耕種，格田分布較為均一。最后利用Photoscan 軟件進(jìn)行影像拼接與幾何校正并利用ExifTool進(jìn)行照片信息提取。在采樣同時(shí)進(jìn)行了地面真值調(diào)查，包括病害等級(jí)、株高、葉面積指數(shù)（LAI）、氣象數(shù)據(jù)和控制點(diǎn)數(shù)據(jù)。

一共完成1400塊基礎(chǔ)農(nóng)田邊界的數(shù)據(jù)制作，監(jiān)測(cè)覆蓋面積為10 526.23畝。純地塊面積共計(jì)7897.91畝；最大單一地塊面積為34.50畝；最小單一地塊面積為3.28畝；平均地塊面積為5.41畝（如圖5）。

2 模型與系統(tǒng)構(gòu)建

2.1 農(nóng)情指數(shù)反演

基于監(jiān)測(cè)數(shù)據(jù)，按照研究計(jì)劃進(jìn)行各項(xiàng)農(nóng)情指標(biāo)的反演，具體指標(biāo)內(nèi)容見(jiàn)表2。通過(guò)反演土壤平整度、土壤墑情、土壤肥力、苗情、作物長(zhǎng)勢(shì)、病蟲(chóng)害等級(jí)分布、葉面氮含量、產(chǎn)量預(yù)測(cè)等，實(shí)現(xiàn)水稻全生長(zhǎng)期生長(zhǎng)狀況跟蹤和農(nóng)情診斷，提供精準(zhǔn)施肥、變量施藥、精準(zhǔn)灌溉等方面的數(shù)據(jù)指導(dǎo)，實(shí)現(xiàn)種植端溯源。

（1）土壤平整度。農(nóng)業(yè)土地的田間平整度是水田作物的關(guān)鍵參數(shù)指標(biāo)，直接決定了種植過(guò)程中的水肥空間運(yùn)移情況。為了能夠達(dá)到滿足生產(chǎn)需求的平整度，需要利用激光平地機(jī)進(jìn)行改造。利用高重疊度的近地空航拍數(shù)據(jù)（圖6（1）），組成立體像對(duì)，利用近景攝影測(cè)量原理，重建農(nóng)田土地?cái)?shù)字地形模型，即對(duì)土地高程測(cè)量，完成對(duì)土地平整度的評(píng)估（圖6（2）），精度可達(dá)±5cm，能夠支撐農(nóng)業(yè)生產(chǎn)中所需要開(kāi)展的平地與格田改造工作。依據(jù)田間平整度監(jiān)測(cè)形成的整地方案，定量化評(píng)估整地的土方量，精準(zhǔn)有效進(jìn)行農(nóng)機(jī)作業(yè)。

（2）土壤墑情。利用光譜遙感能力，對(duì)農(nóng)業(yè)土壤的表層含水量進(jìn)行反演推算，形成土壤墑情監(jiān)測(cè)圖（圖7（1））。

（3）土壤肥力。利用光譜遙感數(shù)據(jù)，對(duì)土壤中氮磷鉀等有效成分進(jìn)行定量反演，基于反演結(jié)果計(jì)算出與土壤肥力相關(guān)的指標(biāo)量，形成田間土壤肥力分布圖（圖7（2））。

（4）病蟲(chóng)害等級(jí)分布。利用視覺(jué)光譜技術(shù)，在不同生長(zhǎng)期對(duì)水稻發(fā)生的主要病蟲(chóng)害進(jìn)行識(shí)別與定位，形成病蟲(chóng)害監(jiān)測(cè)圖，支撐施藥處方圖的制作，指導(dǎo)智能化農(nóng)機(jī)施藥作業(yè)（圖7（3））。

（6）作物產(chǎn)量預(yù)測(cè)。產(chǎn)量是農(nóng)業(yè)生產(chǎn)最重要的指標(biāo)，通常在收割之前1-2個(gè)月進(jìn)行產(chǎn)量預(yù)測(cè)。利用植物生長(zhǎng)模型，輸入遙感監(jiān)測(cè)指標(biāo)，推算出最終的畝產(chǎn)量（圖7（4））。

（5）葉片氮含量。葉片氮含量是農(nóng)業(yè)追肥的主要依據(jù)，基于多光譜技術(shù)能夠清晰地反演出葉片氮含量指標(biāo)，指導(dǎo)精準(zhǔn)追肥作業(yè)（圖7（5））。

（5）作物長(zhǎng)勢(shì)。針對(duì)作物生長(zhǎng)過(guò)程中冠層結(jié)果以及葉片形態(tài)進(jìn)行觀測(cè)，對(duì)作物長(zhǎng)勢(shì)結(jié)構(gòu)進(jìn)行量化分析，支撐判斷作物長(zhǎng)勢(shì)是否正常（圖7（6））。水稻全生長(zhǎng)周期近地空無(wú)人機(jī)拍攝影像與反演結(jié)果對(duì)比（圖8）。

（4）苗情。主要針對(duì)播種之后追蹤出苗率、成活率指標(biāo)，形成對(duì)缺苗位置的定位與定量判斷，指導(dǎo)補(bǔ)苗措施（圖9）。

2.2 農(nóng)情監(jiān)測(cè)系統(tǒng)構(gòu)建

農(nóng)情監(jiān)測(cè)系統(tǒng)基于遙感監(jiān)測(cè)信息實(shí)現(xiàn)從農(nóng)田建檔到土情監(jiān)測(cè)，再到耕種管收的全過(guò)程數(shù)字化管理和可視化展示。系統(tǒng)主要包括數(shù)據(jù)采集、數(shù)據(jù)處理、算法構(gòu)建和數(shù)據(jù)可視化管理四部分。數(shù)據(jù)采集包括多光譜影像獲取和地面真值調(diào)查。數(shù)據(jù)處理主要對(duì)多光譜影像進(jìn)行拼接、幾何校正和輻射定標(biāo)。算法構(gòu)建包括光譜指數(shù)模型計(jì)算和機(jī)器學(xué)習(xí)模型構(gòu)建。數(shù)據(jù)可視化管理主要通過(guò)建構(gòu)“麥芒”數(shù)字農(nóng)田SaaS平臺(tái)實(shí)現(xiàn)監(jiān)測(cè)數(shù)據(jù)、變量植保信息和未來(lái)賬本信息的實(shí)時(shí)顯示。數(shù)據(jù)采集完成后進(jìn)行自動(dòng)化數(shù)據(jù)處理，數(shù)據(jù)通過(guò)上傳插件至云端服務(wù)器。服務(wù)器分為預(yù)處理服務(wù)器和算法服務(wù)器。預(yù)處理服務(wù)器進(jìn)行幾何校正、輻射校正和圖像拼接，結(jié)果存至數(shù)據(jù)庫(kù)內(nèi)驅(qū)動(dòng)算法服務(wù)器運(yùn)行，算法服務(wù)器會(huì)依據(jù)數(shù)據(jù)采集的生長(zhǎng)期時(shí)間自動(dòng)調(diào)用相應(yīng)模型對(duì)數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行計(jì)算，最終結(jié)果重新存入數(shù)據(jù)庫(kù)。反演結(jié)果數(shù)據(jù)將自動(dòng)推送到“麥芒”系統(tǒng)的監(jiān)測(cè)數(shù)字大屏上，進(jìn)行可視化展示。農(nóng)情監(jiān)測(cè)系統(tǒng)總體技術(shù)實(shí)施框架（如圖10）。

3 “麥芒”數(shù)字農(nóng)田管理系統(tǒng)

農(nóng)情指標(biāo)反演結(jié)果均被部署在“麥芒”數(shù)字農(nóng)田系統(tǒng)?！胞溍ⅰ睌?shù)字農(nóng)田系統(tǒng)將農(nóng)田進(jìn)行了數(shù)字孿生，數(shù)字化重新定義了每一塊農(nóng)田，最大程度地取代田間判斷與農(nóng)技指導(dǎo)。

“麥芒”可實(shí)現(xiàn)對(duì)農(nóng)業(yè)種植過(guò)程的數(shù)字化管理和可視化展示，通過(guò)可視化大屏全面展現(xiàn)數(shù)字農(nóng)場(chǎng)精準(zhǔn)監(jiān)測(cè)、變量植保、未來(lái)賬本等信息?！胞溍ⅰ边€向農(nóng)場(chǎng)管理者提供全程監(jiān)測(cè)數(shù)據(jù)、變量植保的過(guò)程數(shù)據(jù)、及聯(lián)動(dòng)財(cái)務(wù)數(shù)據(jù)的未來(lái)賬本等引領(lǐng)行業(yè)的特色功能（圖11）。

項(xiàng)目運(yùn)行過(guò)程中的技術(shù)指標(biāo)要求水稻全生育期農(nóng)情快速監(jiān)測(cè)與診斷模型大田應(yīng)用精度≥80%。于2021年年初至9月底，應(yīng)用麥視軟件共采取數(shù)據(jù)200余次，計(jì)算數(shù)據(jù)采集成功次數(shù)占比100%，航線信息成功顯示，共計(jì)純飛行時(shí)長(zhǎng)5082min，飛行控制數(shù)據(jù)采集與結(jié)果可視化平臺(tái)穩(wěn)定性≥95%。在補(bǔ)苗操作中，通常人均畝均補(bǔ)苗的成本是30元，基于苗情遙感監(jiān)測(cè)結(jié)果，可快速定位缺苗處，畝均節(jié)約勞動(dòng)力成本33%-50%（10-15元）。通常人均每日補(bǔ)苗的作業(yè)效率為10畝地，基于苗情遙感監(jiān)測(cè)結(jié)果，可快速定位缺苗處，實(shí)測(cè)人均每日補(bǔ)苗增加到15-20畝地，作業(yè)效率提高50%-100%。在農(nóng)情查看中，傳統(tǒng)查田一般需要看10個(gè)樣點(diǎn)，如采用人工采集數(shù)據(jù)，每個(gè)樣點(diǎn)采集效率按10min計(jì)算，實(shí)驗(yàn)區(qū)內(nèi)地塊查田共需100min，即1.6h，使用無(wú)人機(jī)可以60min內(nèi)查完長(zhǎng)勢(shì)、水分、病蟲(chóng)害等信息，查田效率可提高67%。在底肥施灑環(huán)節(jié)，通過(guò)土壤肥力的監(jiān)測(cè)圖，根據(jù)圖像和作物生長(zhǎng)模型實(shí)施精準(zhǔn)噴灑，平均節(jié)約施肥量為22%，按每畝地施灑35-40斤復(fù)合肥計(jì)算，每畝地的種植成本節(jié)省13.5-15.4元。在格田改造中，無(wú)法精確定位最優(yōu)格田改造高度，通過(guò)生成高精度土地平整度監(jiān)測(cè)圖，可以快速計(jì)算土方量，可節(jié)約工程量超過(guò)20%。傳統(tǒng)查田成本按人均每日一次計(jì)算需要300元，畝均0.03元，使用無(wú)人機(jī)自動(dòng)查田，畝均電池?fù)p耗成本約0.000 2元，畝均查田的無(wú)人機(jī)使用成本為0.02元，租用成本為0.1元，節(jié)省查田成本近100%。研究人員基于2020年的遙感監(jiān)測(cè)結(jié)果，對(duì)水稻品種及種植方法給予了針對(duì)性的建議，經(jīng)過(guò)與測(cè)產(chǎn)數(shù)據(jù)對(duì)比，成功實(shí)現(xiàn)增產(chǎn)5%-8%。傳統(tǒng)近地空遙感監(jiān)測(cè)設(shè)備成本在20萬(wàn)左右，麥視全套監(jiān)測(cè)成本在10萬(wàn)元左右，設(shè)備成本降低50%，近地空農(nóng)情遙感圖譜數(shù)據(jù)監(jiān)測(cè)設(shè)備成本降低 20%-30%。

4 結(jié)論

為實(shí)現(xiàn)對(duì)水稻全生育周期農(nóng)情指數(shù)精準(zhǔn)快速監(jiān)測(cè)及數(shù)字化管理，本文設(shè)計(jì)了基于無(wú)人機(jī)遙感平臺(tái)近地空農(nóng)情遙感精準(zhǔn)監(jiān)測(cè)系統(tǒng)。從耕地到收割的水稻各個(gè)生長(zhǎng)階段，通過(guò)精準(zhǔn)監(jiān)測(cè)技術(shù)對(duì)水稻及農(nóng)田環(huán)境多種指標(biāo)進(jìn)行監(jiān)測(cè)，集成分析結(jié)果指導(dǎo)農(nóng)事作業(yè)，通過(guò)數(shù)字化農(nóng)事管理平臺(tái)協(xié)調(diào)監(jiān)測(cè)并實(shí)現(xiàn)可視化展示，切實(shí)提高了工作效率。

本研究首次打通了寒地水稻近地空遙感監(jiān)測(cè)的全技術(shù)流程，成功獲取了插秧期及分蘗期的數(shù)據(jù)，得到了土壤墑情、土壤肥力、苗情、作物長(zhǎng)勢(shì)、病蟲(chóng)害等級(jí)分布、葉面氮含量、產(chǎn)量預(yù)測(cè)等遙感監(jiān)測(cè)數(shù)據(jù)，為建立農(nóng)田檔案，建構(gòu)全生育期的時(shí)序數(shù)據(jù)監(jiān)測(cè)打下了良好的技術(shù)基礎(chǔ)。監(jiān)測(cè)數(shù)據(jù)為農(nóng)田管理提供了數(shù)字化依據(jù)，大大提高了巡田的效率，節(jié)省了人工成本。采集的數(shù)據(jù)經(jīng)遙感算法處理后，部署于數(shù)字農(nóng)田平臺(tái)，成功實(shí)現(xiàn)了數(shù)據(jù)的實(shí)時(shí)共享、記錄及查詢。

本系統(tǒng)仍有改進(jìn)的空間，如雨天和風(fēng)天等不利于數(shù)據(jù)采集的天氣較多，導(dǎo)致數(shù)據(jù)采集時(shí)間窗口較小，需要加強(qiáng)數(shù)據(jù)采集能力，增加監(jiān)測(cè)終端數(shù)量，配合“麥芒”數(shù)字農(nóng)田平臺(tái)突破意外天氣的影響，實(shí)現(xiàn)全天候數(shù)據(jù)采集。項(xiàng)目要求近地空數(shù)據(jù)采集頻次高、范圍大，服務(wù)器算力與大數(shù)據(jù)量形成協(xié)調(diào)關(guān)系，因此需進(jìn)一步優(yōu)化現(xiàn)有數(shù)據(jù)處理架構(gòu)。

本工作得到了北大荒建三江管理分局和七星農(nóng)場(chǎng)的大力支持，同時(shí)北大荒信息公司也給予了研究團(tuán)隊(duì)充分的信息化基礎(chǔ)設(shè)施，還有七星農(nóng)場(chǎng)的參與本項(xiàng)工作的各位成員的辛勤勞動(dòng)與密切配合，在此一并表示感謝。

參考文獻(xiàn)

[1] 趙小敏，孫小香，王芳東，等.水稻高光譜遙感監(jiān)測(cè)研究綜述[J].江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2019，41（1）：1-12.

[2] Curran P J.Remote sensing of foliar chemistry[J].Remote sensing of environment，1989，30（3）：271-278.

[3] 楊杰，田永超，姚霞，等.水稻上部葉片葉綠素含量的高光譜估算模型[J].生態(tài)學(xué)報(bào)，2009，29（12）：6561-6571.

[4] 唐延林，王秀珍，黃敬峰，等.水稻微分光譜和植被指數(shù)的作用探討[J].農(nóng)業(yè)工程學(xué)報(bào)，2003（1）：145-150.

[5] 浦瑞良，宮鵬，約翰R.米勤.美國(guó)西部黃松葉面積指數(shù)與高光譜分辨率CASI數(shù)據(jù)的相關(guān)分析[J].環(huán)境遙感，1993（2）：112-125.

[6] 劉占宇，黃敬峰，王福民，等.估算水稻葉面積指數(shù)的調(diào)節(jié)型歸一化植被指數(shù)[J].中國(guó)農(nóng)業(yè)科學(xué)，2008（10）：3350-3356.

[7] 辛明月，殷紅，陳龍，等.不同生育期水稻葉面積指數(shù)的高光譜遙感估算模型[J].中國(guó)農(nóng)業(yè)氣象，2015，36（6）：762-768.

[8] Thenkabail P S，Smith R B，DePauwE.Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J].Remote sensing of Environment，2000，71（2）：158-182.

[9] Casanova D，Epema G F，GoudriaanJ. Monitoring rice reflectance at field level for estimating biomass and LAI[J].Field Crops Research，1998，55（1-2）：83-92.

[10] 王延頤.南方稻區(qū)遙感水稻長(zhǎng)勢(shì)監(jiān)測(cè)與估產(chǎn)研究[J].遙感技術(shù)與應(yīng)用，1991（3）：1-6.

[11] 薛利紅，曹衛(wèi)星，羅衛(wèi)紅，等.光譜植被指數(shù)與水稻葉面積指數(shù)相關(guān)性的研究[J].植物生態(tài)學(xué)報(bào)，2004（1）：47-52.

[12] 黃敬峰，楊忠恩，王人潮，等.基于GIS的水稻遙感估產(chǎn)模型研究[J].遙感技術(shù)與應(yīng)用，2002（3）：125-128.

[13] 張金恒，王珂，王人潮，等.水稻葉片反射光譜診斷氮素營(yíng)養(yǎng)敏感波段的研究[J].浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2004（3）：106-112.

[14] 田永超，楊杰，姚霞，等.利用葉片高光譜指數(shù)預(yù)測(cè)水稻群體葉層全氮含量[J].作物學(xué)報(bào)，2010，36（9）：1529-1537.

[15] Al-Abbas A H，BarrR，Hall J D，et al. Spectra of normal and nutrient-deficient maize leaves[J].1974.66（1）：16-20.

[16] Osbourne S L，Schepers J S，F(xiàn)rancisD，et al.Detection of phosphorus and nitrogen deficiencies in corn using spectral radiance measurements[J].2002.94（6）：1215-1221.

[17] 林芬芳，丁曉東，付志鵬，等.基于互信息理論的水稻磷素營(yíng)養(yǎng)高光譜診斷[J].光譜學(xué)與光譜分析，2009，29（9）：2467-2470.

[18] 喬欣，馬旭，張小超，等.大豆葉綠素和鉀素信息的冠層光譜響應(yīng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008（4）：108-111+116.

[19] 王珂，沈掌泉，王人潮.不同鉀營(yíng)養(yǎng)水平的水稻冠層和葉片光譜特征研究初報(bào)[J].科技通報(bào)，1997（4）：8-11.

[20] Campos-TabernerM，García-HaroFJ，Camps-VallsG，et al. Multitemporal and multiresolution leaf area index retrieval for operational local rice crop monitoring[J].Remote Sensing of Environment，2016，187：102-118.

[21] JiaK，LiangS，GuX，et al. Fractional vegetation cover estimation algorithm for Chinese GF-1 wide field view data[J].Remote sensing of Environment，2016，177：184-191.

[22] Punalekar S M，VerhoefA，Quaife T L，et al. Application of Sentinel-2A data for pasture biomass monitoring using a physically based radiative transfer model[J].Remote Sensing of Environment，2018，218：207-220.

[23] MoharanaS，DuttaS.Spatial variability of chlorophyll and nitrogen content of rice from hyperspectral imagery[J].ISPRS journal of photogrammetry and remote sensing，2016，122：17-29.

[24] Clevers J G P W，Gitelson A A. Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3[J].International Journal of Applied Earth Observation and Geoinformation，2013，23：344-351.

[25] Jin X，Li Z，YangG，et al. Winter wheat yield estimation based on multi-source medium resolution optical and radar imaging data and the AquaCrop model using the particle swarm optimization algorithm[J].ISPRS Journal of Photogrammetry and Remote Sensing，2017，126：24-37.

[26] 陳仲新，郝鵬宇，劉佳，等.農(nóng)業(yè)遙感衛(wèi)星發(fā)展現(xiàn)狀及我國(guó)監(jiān)測(cè)需求分析[J].智慧農(nóng)業(yè)，2019，1（01）：32-42.

[27] Cen H，WanL，ZhuJ，et al. Dynamic monitoring of biomass of rice under different nitrogen treatments using a lightweight UAV with dual image-frame snapshot cameras[J].Plant Methods，2019，15（1）：1-16.

[28] Yu N，LiL，Schmitz N，et al. Development of methods to improve soybean yield estimation and predict plant maturity with an unmanned aerial vehicle based platform[J].Remote Sensing of Environment，2016，187：91-101.

[29] 高林，楊貴軍，李紅軍，等.基于無(wú)人機(jī)數(shù)碼影像的冬小麥葉面積指數(shù)探測(cè)研究[J].中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2016，24（9）：1254-1264.

[30] 閔文芳，江朝暉，李想，等.基于無(wú)人機(jī)平臺(tái)和圖像分析的田間作物檢測(cè)[J].湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，43（2）：212-216.

[31] 吳金勝，劉紅利，張錦水.無(wú)人機(jī)遙感影像面向?qū)ο蠓诸?lèi)方法估算市域水稻面積[J].農(nóng)業(yè)工程學(xué)報(bào)，2018，34（1）：70-77.

[32] JeongS，KoJ，KimM，et al. Construction of an unmanned aerial vehicle remote sensing system for crop monitoring[J].Journal of Applied Remote Sensing，2016，10（2）：026027.

[33] Zhou X，Zheng H B，Xu X Q，et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J].ISPRS Journal of Photogrammetry and Remote Sensing，2017，130：246-255.

[34] 田永超，楊杰，姚霞，等.利用葉片高光譜指數(shù)預(yù)測(cè)水稻群體葉層全氮含量[J].作物學(xué)報(bào)，2010，36（9）：1529-1537.

[35] 周冬琴，朱艷，楊杰，等.基于冠層高光譜參數(shù)的水稻葉片碳氮比監(jiān)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25（3）：135-141.

[36] 呂杰，劉湘南.利用支持向量機(jī)構(gòu)建水稻鎘含量高光譜預(yù)測(cè)模型[J].應(yīng)用科學(xué)學(xué)報(bào)，2012，30（1）：105-110.