在小麦分蘖期内, 适时适量追施氮肥可显著改善小麦茎蘖群体结构、 提高产量。 但经验性的均一施肥往往导致氮肥过度施用及农学效率偏低等问题, 而基于小麦茎蘖的实际发育状况进行变量施肥, 有助于解决小麦茎蘖个体发育与群体结构之间的矛盾。 通过变量追施氮肥作业调控小麦茎蘖群体、 提高小麦产量的技术关键, 在于准确获取田块尺度的小麦茎蘖密度(单位面积内的小麦茎蘖数量)信息。 传统的通过人工田间调查获取小麦茎蘖密度信息的方法, 时效性与精准度不足, 工作量大、 效率低, 而且稀疏的点源统计数据无法精准反映田块内部的小麦茎蘖密度空间差异状况。 因此, 为满足变量追施氮肥作业对田块尺度的小麦茎蘖密度专题图的需求, 使用大疆Mini 2航拍无人机, 在小麦分蘖期获取试验田的可视光波段遥感图像。 使用Matlab相机标定工具箱, 完成无人机遥感图像校正, 提取蓝、 绿、 红三个可视光波段的图像分量。 基于植被与土壤在可见光波段的光谱响应特性, 选取可以较好地突出植被特征、 减轻光照强度对遥感图像质量造成影响的4种比值类型植被指数, 即可见光波段差分植被指数(VDVI)、 归一化绿红差分指数(NGRDI)、 归一化绿蓝差分指数(NGBDI)、 绿红比值指数(RGRI)。 在此基础上, 利用VDVI专题图, 计算小麦试验田的植被覆盖度(FVC)。 进一步以FVC, VDVI, NGRDI, NGBDI及RGRI平均值为5节点输入层, 小麦茎蘖密度地面真值为单节点输出层, 建立一个单隐含层、 5输入、 单输出的3层BP神经网络预测模型, 用以定量反演小麦茎蘖密度指标。 精度验证数据表明: 该神经网络模型的预测结果与相应的小麦茎蘖密度地面真值之间的均方根误差(RMSE)及平均绝对百分比误差(MAPE)分别为19及3.62%, 因此该模型具有较高的小麦茎蘖密度预测精度。 田块尺度的小麦茎蘖密度反演专题图的统计数据显示: 小麦茎蘖密度低于500株·m^-2、 介于501~800株·m^-2之间、 以及高于800株·m^-2的地块面积分别占比6.67%, 74.67%和18.66%, 为变量追施氮肥提供数据支持。 利用商业航拍无人机获取小麦的可视光波段遥感图像, 代替价格昂贵、 辐射标定复杂的多光谱遥感相机, 在田块尺度上实现对小麦茎蘖密度的定量反演, 是推进变量追施氮肥作业、 精准农业大田信息获取及农业数字化建设的现实需求。 研究成果为小麦长势的遥感检测提供理论依据与数据支持, 具有重要的科学意义。

玉米是我国重要的粮食作物之一, 在我国种植规模最大、 发展最快。 玉米的长势会直接影响到其产量和品质, 因此通过对玉米的长势进行有效监测, 可以为田间管理、 早期产量估算提供宏观的参考信息, 为国家和相关部门决策提供重要的参考依据。 以无人机为遥感平台, 搭载影像传感器构建遥感系统, 获取玉米可见光谱遥感影像。 利用ENVI软件对获取的玉米冠层可见光谱彩色图像进行几何校正和辐射校正, 然后对图像进行彩色图像灰度化和增强处理。 利用对农田复杂背景适应能力较好以及具有较强光照适应性的AP-HI算法完成作物分割来提取玉米覆盖度信息。 在计算玉米覆盖度时, 首先利用AP-HI算法将图像进行分割, 并转换为二值图, 来去除图像中的土地、 水管、 道路、 作物残渣等背景, 以保留玉米的二值图像。 图像中的农田存在道路区域, 计算实际作物覆盖度时需将其排除。 道路区域出现在图像的四个边界以及相对正中的位置处, 对这些位置分别进行处理, 统计其中黑色像素点的个数, 根据像素点个数确定道路宽度, 并将道路部分从二值图中去除。 去除后的二值图中, 白色像素为无作物区域, 黑色像素为玉米种植区域, 统计黑色像素占总像素的比例, 以此确定作物的多少。 选取80×80像素值作为单位面积, 对处理图像进行分块标记, 得到区块数为720, 对单位面积的分块进行全区域扫描, 每当扫描到一个黑色像素值就将总的统计面积加1, 直至扫描到6 400个像素点, 计算其中含有的总的黑色像素值数目与6 400的比值, 直至将720个区块黑色像素点占总像素比例统计完全, 即可计算图像中黑色像素数与总像素数之比, 即为玉米覆盖度。 在此基础上, 根据实际情况计算玉米冠层孔隙率, 并建立覆盖度与叶面积指数模型, 完成玉米叶面积指数反演, 为玉米长势监测提供理论依据。