輕小型無(wú)人機(jī)多光譜遙感技術(shù)應(yīng)用進(jìn)展
發(fā)布時(shí)間:2019-03-01 來(lái)源:孫剛 黃文江 陳鵬 責(zé)任編輯:wenwei
【導(dǎo)讀】多光譜遙感是指用具有兩個(gè)以上波譜通道的傳感器對(duì)地物進(jìn)行同步成像的一種遙感技術(shù),它將目標(biāo)物體反射輻射的電磁波信息分成若干波譜段進(jìn)行接收和記錄。實(shí)現(xiàn)多光譜遙感的傳感器為多光譜相機(jī),一次拍攝可形成多幅不同光譜的影像。
(1.中國(guó)科學(xué)院遙感與數(shù)字地球研究所遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室, 北京 100101;2.中國(guó)科學(xué)院遙感與數(shù)字地球研究所數(shù)字地球重點(diǎn)實(shí)驗(yàn)室, 北京 100094;3.中國(guó)科學(xué)院地理科學(xué)與資源研究所資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室, 北京 100101;4.北京農(nóng)業(yè)智能裝備技術(shù)研究中心, 北京 100097)
摘要:隨著光譜傳感技術(shù)和圖像處理與分析軟件的日益成熟,無(wú)人機(jī)多光譜軟硬件一體化程度和觀測(cè)精度及易用性得到極大的發(fā)展。無(wú)人機(jī)多光譜遙感已在農(nóng)業(yè)、林業(yè)、資源、生態(tài)、環(huán)境保護(hù)等領(lǐng)域應(yīng)用日益廣泛。本文概述了無(wú)人機(jī)飛行平臺(tái)、多光譜傳感器等硬件技術(shù)的發(fā)展,和無(wú)人機(jī)遙感影像的幾何校正、輻射校正圖像處理技術(shù)及數(shù)據(jù)處理流程,并對(duì)無(wú)人機(jī)多光譜遙感在植被長(zhǎng)勢(shì)監(jiān)測(cè)、存在問(wèn)題、精細(xì)分類(lèi)與地物識(shí)別、病蟲(chóng)害監(jiān)測(cè)、生物量和產(chǎn)量估算等方面的應(yīng)用潛力和發(fā)展方向進(jìn)行了系統(tǒng)分析和總結(jié),以期為開(kāi)展相關(guān)領(lǐng)域研究提供參考。建議各行業(yè)部門(mén)的專(zhuān)業(yè)人員與遙感、計(jì)算機(jī)科學(xué)等領(lǐng)域的專(zhuān)家密切合作,制訂無(wú)人機(jī)多光譜遙感技術(shù)的相關(guān)標(biāo)準(zhǔn)和規(guī)范,共同推進(jìn)并普及無(wú)人機(jī)多光譜遙感技術(shù)。
0 引言
多光譜遙感是指用具有兩個(gè)以上波譜通道的傳感器對(duì)地物進(jìn)行同步成像的一種遙感技術(shù),它將目標(biāo)物體反射輻射的電磁波信息分成若干波譜段進(jìn)行接收和記錄[1-2]。實(shí)現(xiàn)多光譜遙感的傳感器為多光譜相機(jī),一次拍攝可形成多幅不同光譜的影像[2]。
輕小型無(wú)人機(jī)遙感系統(tǒng)作為低空遙感系統(tǒng)的重要組成部分,具有機(jī)動(dòng)靈活、操作簡(jiǎn)便、按需獲取高時(shí)空分辨率數(shù)據(jù)且應(yīng)用成本低的優(yōu)勢(shì),有效彌補(bǔ)了衛(wèi)星及大型航空遙感系統(tǒng)在地表分辨率低、重訪周期長(zhǎng)、受水汽影響大等不足,為中小尺度的遙感應(yīng)用研究提供了新的工具[3-4]。輕小型無(wú)人機(jī)遙感系統(tǒng)是在輕小型無(wú)人機(jī)平臺(tái)上配備相應(yīng)的傳感器(可見(jiàn)光相機(jī)、多光譜相機(jī)、高光譜儀、紅外傳感器、激光雷達(dá)等),利用通信技術(shù)和定位定姿技術(shù)快速無(wú)損獲取關(guān)于目標(biāo)地物的高分辨率影像及數(shù)據(jù),經(jīng)過(guò)處理的數(shù)據(jù)作為參數(shù)輸入遙感反演模型,相關(guān)產(chǎn)出可用于參數(shù)提取或者行業(yè)具體應(yīng)用。
目前,搭載在輕小型無(wú)人機(jī)平臺(tái)上的多光譜遙感應(yīng)用日益廣泛,為系統(tǒng)了解該技術(shù)及其應(yīng)用領(lǐng)域,本文對(duì)飛行平臺(tái)、多光譜相機(jī)等硬件技術(shù)加以概述,并從幾何和輻射校正等方面對(duì)多光譜圖像數(shù)據(jù)處理技術(shù)及數(shù)據(jù)處理流程進(jìn)行梳理和總結(jié),同時(shí)對(duì)小型無(wú)人機(jī)多光譜遙感技術(shù)未來(lái)應(yīng)用領(lǐng)域和發(fā)展方向進(jìn)行系統(tǒng)分析和展望。
1 輕小型無(wú)人機(jī)多光譜遙感系統(tǒng) 1.1 無(wú)人機(jī)遙感系統(tǒng)
完整的輕小型無(wú)人機(jī)遙感系統(tǒng)如圖1所示,主要包括:無(wú)人機(jī)平臺(tái)、微小型傳感器、地面站系統(tǒng)和數(shù)據(jù)處理系統(tǒng)[5-9]。其中,無(wú)人機(jī)平臺(tái)即無(wú)人機(jī)本身,是搭載飛控、導(dǎo)航定位系統(tǒng)及傳感器等設(shè)備的載體。微小型傳感器是指安裝于無(wú)人機(jī)平臺(tái)上的獲取遙感數(shù)據(jù)的傳感器及其控制裝置,其中的控制裝置通常與導(dǎo)航、飛控系統(tǒng)進(jìn)行一體化設(shè)計(jì),具有觸發(fā)控制傳感器、記錄拍照時(shí)刻的位置及姿態(tài)信息的功能。地面站系統(tǒng)主要用于飛行參數(shù)設(shè)置、路徑規(guī)劃和無(wú)人機(jī)實(shí)時(shí)操控等。數(shù)據(jù)處理系統(tǒng)主要完成遙感影像的數(shù)據(jù)存儲(chǔ)、處理及產(chǎn)品展示等。地面站系統(tǒng)與飛控之間通過(guò)數(shù)據(jù)傳輸系統(tǒng)進(jìn)行通信,主要實(shí)現(xiàn)飛行數(shù)據(jù)、控制指令、圖像數(shù)據(jù)的實(shí)時(shí)交互傳輸?shù)取?/div>
1.2 無(wú)人機(jī)平臺(tái)
輕小型無(wú)人機(jī)飛行平臺(tái)種類(lèi)繁多,有無(wú)人直升機(jī)、固定翼無(wú)人機(jī)、多旋翼無(wú)人機(jī)、混合翼無(wú)人機(jī)等多種機(jī)型[10-11]。飛艇與飛翼無(wú)人機(jī)由于體積和重量較大[7],不在本文的討論之列。直升機(jī)起降靈活,可自由懸停,載重也較大,但操作復(fù)雜,成本較高[12-13]。固定翼無(wú)人機(jī)飛行速度快,續(xù)航時(shí)間長(zhǎng),覆蓋面積廣,但飛行速度難以根據(jù)需求調(diào)節(jié),且載荷較小[14]。多旋翼無(wú)人機(jī)飛行速度可控,飛行高度可調(diào)且可以低空飛行,起降靈活,成本較低,但是其飛行時(shí)間較短,載荷能力也較小[15]。一般來(lái)說(shuō),小型無(wú)人機(jī)的有效載荷為10 kg以下,最大飛行高度3 000 m以內(nèi),最大飛行速度不超過(guò)33 m/s[6]。從組成部分來(lái)說(shuō),無(wú)人機(jī)平臺(tái)主要包括無(wú)人機(jī)體、飛行控制系統(tǒng)、遙控器、能量系統(tǒng)以及地面站[6,10]。其中,地面站主要完成航線規(guī)劃和飛行參數(shù)設(shè)置,其自動(dòng)化及智能化程度的提高顯著降低了無(wú)人機(jī)飛行平臺(tái)的操作難度,當(dāng)對(duì)同一個(gè)試驗(yàn)區(qū)進(jìn)行多次重復(fù)觀測(cè)時(shí),利用地面站航線信息可方便實(shí)現(xiàn)飛行任務(wù)的重復(fù)執(zhí)行。飛行控制系統(tǒng)主要完成飛機(jī)的操控,如起飛、降落、空中飛行姿態(tài)控制等,是無(wú)人機(jī)系統(tǒng)的關(guān)鍵技術(shù)之一??傮w而言,小型固定翼無(wú)人機(jī)和電動(dòng)多旋翼是目前最常用的飛行平臺(tái),因?yàn)檫@些飛機(jī)在價(jià)格、載荷能力和飛行時(shí)間等方面進(jìn)行了可行的折衷處理[2,16]。
圖1 無(wú)人機(jī)遙感系統(tǒng)組成圖
1.3 小微型多光譜傳感器
受限于小型無(wú)人機(jī)的有效負(fù)荷能力,一般要求多光譜傳感器必須滿足質(zhì)量輕、體積小、精度高、功耗低的要求。本文的小/微型多光譜傳感器僅包括質(zhì)量在4 kg以內(nèi)的商業(yè)化產(chǎn)品[17]。按照探測(cè)波長(zhǎng)的不同,這些傳感器主要分為可見(jiàn)光波段(400~760 nm)數(shù)碼相機(jī)(Digital camera)、可見(jiàn)近紅外波段(400~1 100 nm)多光譜相機(jī)(Spectral camera)、熱紅外波段(3.6~13.5 μm)相機(jī)(Thermal camera)等。其中,代表性的小/微型多光譜傳感器主要有ADC lite(Tetracam Inc., Chatsworth, CA, USA)、RedEdge(Micasensen Inc., Seattle, WA, USA)、Parrot Sequoia(Parrot Inc., Paris, France)、FLIR Tau 2 (FLIR Systems Inc., USA)等,其性能參數(shù)對(duì)比如表1所示。
表1小微型多光譜傳感器產(chǎn)品比較分析
型號(hào)質(zhì)量/g尺寸/(mm×mm×mm)波段數(shù)光譜波段快門(mén)類(lèi)型數(shù)字化位數(shù)/bit分辨率/(像素×像素)視場(chǎng)角/((°)×(°))功耗/WSonyDSCQX10017963×63×561(RGB)紅、綠、藍(lán)全局+卷簾(RGB)105472×364861.9×48.58MicasenseRedEdge180120×70×505475、560、668、717、840nm全局121280×96047.2×35.44ParrotSequoia13559×41×284+1(RGB)550、660、735、790nm全局+卷簾(RGB)101280×96061.9×48.58TetracamMCA6(SNAP)580116×80×686490、550、680、720、800、900nm全局(SNAP)/卷簾101280×102438.3×31.09.8ADClite200114×77×613560、660、840nmCMOS102048×153644.5×34.22AIRINOVmulti-SPEC4C4550、660、735、790nm101280×960SenteraQUAD17076×62×483+1(RGB)655、725、800nm全局CMOS1248×95050×39FLIRTau29545×45×601(VOx)7.5~13.5μmVOx14640×51269×561
1.3.1小型多光譜相機(jī)原理與分類(lèi)
可見(jiàn)光波段數(shù)碼相機(jī)是無(wú)人機(jī)遙感系統(tǒng)中應(yīng)用最為廣泛的一類(lèi)傳感器,可快速獲取可見(jiàn)光波段灰度或者彩色圖像。可見(jiàn)光波段數(shù)碼相機(jī)最大的優(yōu)勢(shì)是成本低、像素?cái)?shù)高、操作簡(jiǎn)單。無(wú)人機(jī)遙感獲取可見(jiàn)光影像對(duì)環(huán)境要求相對(duì)較低,晴天和陰天條件下均可進(jìn)行數(shù)據(jù)采集,但對(duì)曝光設(shè)定有一定的要求,云的遮擋和環(huán)境光線的變化易導(dǎo)致圖像曝光不足或過(guò)度。
可見(jiàn)近紅外波段多光譜相機(jī)通過(guò)分光獲取不同波段的單色圖像,根據(jù)分光方式的不同可分為單鏡頭加分光系統(tǒng)[18]和多鏡頭分光[19-20]等類(lèi)型。其中,多鏡頭分光是通過(guò)在多個(gè)成像焦面?zhèn)鞲衅髑岸朔謩e設(shè)置不同譜段的窄帶干涉濾光片的方式實(shí)現(xiàn)[21]。 按感光元件的不同,多光譜傳感器分為CCD(Charge coupled device)相機(jī)和CMOS(Complementary metal oxide semiconductor)相機(jī)兩種。CCD在影像品質(zhì)等方面均優(yōu)于CMOS,而CMOS則具有低成本、低功耗以及高整合度的特點(diǎn)。對(duì)應(yīng)于采用CCD傳感器的多光譜相機(jī)多采用全局快門(mén)(如RedEdge、Sequoia等相機(jī)),所有像素點(diǎn)同時(shí)收集光線,同時(shí)曝光,有利于在飛行狀態(tài)下獲取無(wú)畸變的圖像。而對(duì)應(yīng)于CMOS傳感器的多光譜相機(jī)多采用卷簾快門(mén)(如MCA6)。目前,主流的小型多光譜相機(jī)一般是采用獨(dú)立的鏡頭與傳感器,傳感器前端設(shè)置不同波段的濾光片(如Tetracam MCA 6、Micasense RedEdge、Parrot Sequoia等相機(jī))實(shí)現(xiàn)多波段影像的同時(shí)獲取。
在實(shí)際應(yīng)用中,市場(chǎng)上消費(fèi)級(jí)數(shù)碼相機(jī)的面陣探測(cè)器前面都包含一個(gè)阻止紫外線和紅外線帶通濾波器,用于僅透過(guò)入射輻射中的可見(jiàn)光部分,但實(shí)際上探測(cè)器的響應(yīng)波長(zhǎng)可以達(dá)到近紅外波段的900~1 100 nm,這就為將數(shù)碼相機(jī)改造為多光譜相機(jī)提供了可能[22]。如LELONG等[23]將數(shù)碼相機(jī)(Canon EOS 350D和SONY DSC-F828)的可見(jiàn)光帶通濾光片去除,改造成為一個(gè)包含紅(R)、綠(G)、藍(lán)(B)、近紅外(NIR)4個(gè)波段多光譜相機(jī)(光譜范圍覆蓋570~850 nm)。此外,應(yīng)用中還可以通過(guò)將數(shù)碼相機(jī)與獨(dú)立的紅外相機(jī)(如Canon S110 NIR)[24-25]組合起來(lái)實(shí)現(xiàn)無(wú)人機(jī)多光譜觀測(cè)。
圖2 多光譜相機(jī)拍攝的多光譜圖像拼接圖(2017年,河南省安陽(yáng)市)
熱紅外相機(jī)[26]通過(guò)對(duì)熱紅外波段(2~1 000 μm)敏感的探測(cè)器對(duì)目標(biāo)成像,能反映出目標(biāo)表面的溫度信息。由于氣孔導(dǎo)度、光合特性和蒸騰速率與植被冠層溫度密切相關(guān),高分辨率的紅外熱成像技術(shù)可以用來(lái)確定植被在非生物脅迫狀態(tài)下的響應(yīng),如水分脅迫[27-28]等。此外,利用哺乳動(dòng)物溫度恒定的特點(diǎn),熱紅外相機(jī)還可用于野生動(dòng)物物種的精確識(shí)別[29]。受限于熱紅外探測(cè)器的像元數(shù)目(如FLIR Tau2的像素?cái)?shù)為640×512),目前熱紅外相機(jī)的分辨率較低,當(dāng)對(duì)非均質(zhì)目標(biāo)進(jìn)行觀測(cè)時(shí),混合像元(例如一個(gè)像元包含同時(shí)來(lái)自土壤和植被的信號(hào))的存在會(huì)顯著影響觀測(cè)的精度[30]。利用更高分辨率的RGB圖像與熱紅外數(shù)據(jù)融合可以降低混合像元的影響[6]。此外,無(wú)人機(jī)只能搭載小型熱成像攝像機(jī),這些設(shè)備通常使用非制冷的微測(cè)輻射熱計(jì)傳感器(如氧化釩VOx),傳感器測(cè)量值溫漂較大[28],另外,還需要消除背景溫度(包括太陽(yáng)輻射、環(huán)境溫度和風(fēng)速等)的影響[31],因此,必須選擇合適的方法對(duì)熱紅外數(shù)據(jù)進(jìn)行大氣糾正并進(jìn)一步開(kāi)展現(xiàn)場(chǎng)校準(zhǔn)[28,32]。
1.3.2多光譜傳感器獲取的信息
本科院校圖書(shū)館、公共圖書(shū)館與科研院所圖書(shū)館對(duì)新進(jìn)人才需求較大,但對(duì)圖情專(zhuān)業(yè)畢業(yè)生而言,不同類(lèi)型圖書(shū)館的要求不盡相同。具體來(lái)說(shuō),公共圖書(shū)館對(duì)圖情專(zhuān)業(yè)畢業(yè)生專(zhuān)業(yè)技能要求偏向操作性;本科院校圖書(shū)館專(zhuān)業(yè)要求較高,并希望具有其他專(zhuān)業(yè)背景;科研院所圖書(shū)館對(duì)圖情專(zhuān)業(yè)畢業(yè)生要求最高,要求其能獨(dú)立開(kāi)展參考咨詢業(yè)務(wù),并具備一定的科研能力。
多光譜相機(jī)輸出的影像數(shù)據(jù)格式類(lèi)型包括JPEG、TIFF或RAW等,圖像的數(shù)字化位數(shù)一般為8~12位。由于小型多光譜相機(jī)的像元數(shù)較小,并且飛行高度較低,因此單幅影像的成像面積較小,將飛行中獲取的多幅影像進(jìn)行拼接、校準(zhǔn)和計(jì)算可以獲取大幅拼接影像及一系列的光譜指數(shù)圖像數(shù)據(jù)。圖2展示了Sequoia相機(jī)拍攝的多光譜圖像的拼接圖,圖中包括4個(gè)不同波段的拼接圖像。根據(jù)多光譜相機(jī)具體的波段設(shè)置,可獲取的植被指數(shù)主要包括:比值植被指數(shù)(Ratio vegetation index,RVI)、歸一化植被指數(shù)(Normalized difference vegetation index,NDVI)、土壤調(diào)節(jié)植被指數(shù)(Optimized soil adjusted vegetation index,OSAVI)、氮素反射指數(shù) (Nitrogen reflectance index,NRI)、增強(qiáng)植被指數(shù)(Enhanced vegetation index,EVI)、轉(zhuǎn)換型葉綠素吸收反射率指數(shù)(Transformed chlorophyll absorption ratio index,TCARI)和光化學(xué)植被指數(shù)(Photochemical reflectance index,PRI)等。另外,利用無(wú)人機(jī)多光譜影像數(shù)據(jù)還可以生成數(shù)字表面模型DSM(Digital surface model)信息。綜上所述,無(wú)人機(jī)多光譜系統(tǒng)可以獲取關(guān)于地物的多光譜信息、紋理信息和結(jié)構(gòu)信息[33]。
1.4 無(wú)人機(jī)飛行參數(shù)設(shè)置
常規(guī)無(wú)人機(jī)的設(shè)置參數(shù)包括飛行高度、飛行速度、飛行軌跡規(guī)劃等。這些參數(shù)往往相互影響,需要相互調(diào)整配合才能保證無(wú)人機(jī)遙感系統(tǒng)實(shí)現(xiàn)最佳的數(shù)據(jù)獲取能力。對(duì)于多光譜無(wú)人機(jī)遙感系統(tǒng),飛行的高度決定了地表分辨率,飛行的航向重疊率和航間重疊率決定了拼接的質(zhì)量。傳統(tǒng)航空攝影技術(shù)規(guī)范中航向重疊度(53%~65%)和旁向重疊度(15%~40%)要求較高[34],獲取的數(shù)據(jù)量較大,因此數(shù)據(jù)采集處理的時(shí)效性較低,在應(yīng)急救援和災(zāi)害損失調(diào)查等時(shí)效性要求較高的特殊領(lǐng)域,或者需要大面積采集圖像的應(yīng)用場(chǎng)景下,低重疊度(15%~30%)的數(shù)據(jù)采集方式和處理方法越來(lái)越受到重視[35],韓峰等[36]通過(guò)對(duì)無(wú)人機(jī)搭載的Micro MCA12 Snap多光譜數(shù)據(jù)進(jìn)行處理分析,在算法和軟件的支持下,航向30%左右的低重疊度無(wú)人機(jī)圖像拼接完全可以得到適合所有類(lèi)型應(yīng)急的大面積圖像數(shù)據(jù)和DSM數(shù)據(jù),特別是在現(xiàn)場(chǎng)應(yīng)急響應(yīng)的使用中,采用低重疊度的拍攝方法和拼接方法可極大地提高應(yīng)急響應(yīng)時(shí)間。在實(shí)際應(yīng)用中,為了保證拼接的質(zhì)量,對(duì)于森林或者稠密的作物,通常建議的多光譜相機(jī)的航向重疊率為75%~85%,旁向重疊率為60%~70%。為滿足影像重疊度要求,實(shí)際作業(yè)中需要根據(jù)作業(yè)區(qū)域、飛行高度、圖像傳感器參數(shù)、地面分辨率等參數(shù)進(jìn)行航線規(guī)劃,并且將相機(jī)的拍照幀頻與無(wú)人機(jī)的飛行速度進(jìn)行合理匹配,其相關(guān)關(guān)系為
f/H=S/G (1)
式中 f——相機(jī)焦距 H——飛行高度
S——相機(jī)傳感器電荷耦合元件單個(gè)像元大小
G——影像的地面分辨率
2 無(wú)人機(jī)多光譜信息獲取與數(shù)據(jù)處理
多光譜飛行數(shù)據(jù)為各個(gè)波段獨(dú)立的覆蓋范圍較小的照片[37],經(jīng)過(guò)攝影測(cè)量處理和輻射校準(zhǔn)處理,可以獲取大幅面的具有確定反射信息的影像。數(shù)據(jù)處理流程如圖3所示,主要包括多光譜數(shù)據(jù)處理、圖像拼接、幾何校正、輻射校正和遙感產(chǎn)品生成等。
2.1 攝影測(cè)量處理
攝影測(cè)量處理是將大量的單波段的無(wú)人機(jī)多光譜圖像自動(dòng)拼接為無(wú)縫多光譜正射影像并且進(jìn)行幾何校正和地理配準(zhǔn)。
大量自動(dòng)化攝影測(cè)量工具軟件如Pix4Dmapper(Pix4D SA, Lausanne, Switzerland)[38]、PhotoScan(Agisoft LLC, St.Petersbueg, Russia)[39]、ERDAS LPS(Leica Photogrammetry Suite, Leica, German)[28,40]、INPHO(Trimble,USA)等的出現(xiàn)為無(wú)人機(jī)多光譜數(shù)據(jù)的快速處理及廣泛應(yīng)用提供了便利。需要注意的是多光譜圖像一般具有多個(gè)波段,用作特征匹配的波段選擇對(duì)于匹配的結(jié)果影響顯著[41],因此需要根據(jù)地物的反射特征、環(huán)境條件等進(jìn)行特殊選擇[37]。無(wú)人機(jī)多光譜系統(tǒng)獲取的多光譜圖片一般是通過(guò)飛機(jī)的機(jī)載GPS進(jìn)行地理標(biāo)記,在處理過(guò)程中,圖像集在整個(gè)研究區(qū)域設(shè)置多個(gè)地理參考地面控制點(diǎn)(GCP),這些控制點(diǎn)可使用測(cè)量級(jí)GPS以厘米的精度進(jìn)行地理定位,根據(jù)區(qū)域覆蓋,可以靈活調(diào)整GCP數(shù)量[38]。圖像數(shù)據(jù)經(jīng)過(guò)初始對(duì)齊操作后,再利用控制點(diǎn)作為標(biāo)記來(lái)優(yōu)化稀疏點(diǎn)云并且將圖像重新定向?yàn)榇蟮刈鴺?biāo)系[42]。高林等[43]對(duì)拼接后多光譜圖像采用ENVI 軟件的Image to Image模塊,以高精度數(shù)碼正射影像為參考圖像,在圖像不同位置均勻選取30個(gè)參考點(diǎn)進(jìn)行幾何校正,經(jīng)檢驗(yàn)影像幾何糾正誤差小于0.5個(gè)像元。幾何校正還可以使用ArcGIS(ESRI, Redlands, CA, USA)實(shí)現(xiàn),選擇預(yù)設(shè)控制點(diǎn)或者地面特征點(diǎn)作為地理參考點(diǎn)[44]。楊貴軍等[45]開(kāi)展了基于無(wú)人機(jī)低精度 POS 數(shù)據(jù)的無(wú)人機(jī)數(shù)據(jù)幾何校正研究,面向多遙感載荷獲取的無(wú)人機(jī)遙感數(shù)據(jù),實(shí)現(xiàn)無(wú)地面控制點(diǎn)的影像幾何校正。
以PhotoScan軟件處理RedEdge多光譜相機(jī)數(shù)據(jù)生成正射影像為例,其數(shù)據(jù)處理的流程如圖4所示。①圖像對(duì)齊,該軟件在圖像中查找同名點(diǎn)并進(jìn)行匹配,還可以確定每幅圖像的相機(jī)位置并優(yōu)化相機(jī)校準(zhǔn)參數(shù),這個(gè)過(guò)程輸出的是稀疏點(diǎn)云。②使用地面控制點(diǎn)的坐標(biāo)對(duì)圖像進(jìn)行地理配準(zhǔn)。為了優(yōu)化攝像機(jī),可以使用漸進(jìn)式選擇工具根據(jù)重建不確定性、投影精度和重投影誤差等參數(shù)進(jìn)行稀疏點(diǎn)云過(guò)濾,之后圖像被重新對(duì)齊,大大提高準(zhǔn)配準(zhǔn)的準(zhǔn)確性。③基于估計(jì)的相機(jī)位置和圖像本身,由軟件構(gòu)建密集點(diǎn)云。④建立數(shù)字表面模型DSM,并在此基礎(chǔ)上生成正射影像。
1981年,我出生在爺爺曾經(jīng)住過(guò)的茅草屋里,那一年是他去世的第三年。聽(tīng)父親說(shuō),爺爺一輩子從不計(jì)較個(gè)人得失,臨終前也不占集體的一點(diǎn)便宜。因此,這間茅草屋承載著爺爺?shù)墓鈽s傳統(tǒng)和我對(duì)他唯一的記憶,即便四處漏風(fēng)、漏雨,全家人依然沒(méi)有離開(kāi)它的打算。
圖3 無(wú)人機(jī)多光譜數(shù)據(jù)處理流程
圖4 攝影測(cè)量處理流程圖
需要注意的是對(duì)多光譜進(jìn)行攝影測(cè)量處理有可能改變?cè)紙D像的DN(Digital number)值[42],這在定量遙感應(yīng)用中往往是不能接受的,因此還需要探索更好的多光譜圖像攝影測(cè)量處理方法[37]。
2.2 輻射校正
輻射校正為將傳感器的DN值轉(zhuǎn)換為傳感器的輻射亮度提供傳遞函數(shù),用于克服太陽(yáng)角度、雙向反射分布函數(shù)(BRDF)效應(yīng)、云的陰影、相機(jī)增益及曝光時(shí)間等因素對(duì)傳感器測(cè)量值的影響[8]。輻射校正的流程如圖5所示。
圖5 輻射校正流程圖
由于飛行高度較低,通常無(wú)人機(jī)影像相比衛(wèi)星及有人飛機(jī)獲取的影像具有更好的輻射均一性[46],可以省略大氣糾正[47]。
輻射校正之前需要針對(duì)每幅圖像進(jìn)行背景噪聲消除和漸暈效應(yīng)消除[48]。圖像背景噪聲源可分為信號(hào)相關(guān)噪聲(光子散粒噪聲)和信號(hào)無(wú)關(guān)噪聲(暗電流、放大器噪聲、量化誤差)。只要噪聲不超過(guò)模數(shù)轉(zhuǎn)換器的量化間隔,這些噪聲源中的一些(如量化誤差)就可以忽略不計(jì)。 然而,多光譜相機(jī)可能會(huì)受到非隨機(jī)誤差的影響[49],這會(huì)降低最終的圖像質(zhì)量。漸暈效應(yīng)指的是當(dāng)從其主點(diǎn)徑向偏離時(shí),圖像的亮度衰減的效果。這種現(xiàn)象是由相機(jī)鏡頭光圈的有效尺寸引起的,暈映效應(yīng)與鏡頭光圈尺寸成比例變化。此外,漸暈與焦距有關(guān),廣角鏡頭更受這種現(xiàn)象的影響。背景噪聲與漸暈效應(yīng)一般是在相機(jī)出廠時(shí)進(jìn)行了測(cè)試,相應(yīng)的誤差糾正系數(shù)寫(xiě)在了相機(jī)里面,用戶數(shù)據(jù)處理時(shí),需要首先獲得這些糾正參數(shù),然后再對(duì)多光譜圖像進(jìn)行逐像素的糾正處理。針對(duì)每幅圖像進(jìn)行上述的糾正操作,得到一系列的經(jīng)過(guò)DN值修正的新圖像。
多光譜圖像的輻射校正一般采用替代輻射校正法(Vicarious radiometric calibration),這種方法是一種現(xiàn)場(chǎng)測(cè)量與校正方法。考慮到每個(gè)像素的DN值與傳感器探測(cè)到的輻射具有直接的關(guān)系,對(duì)于相機(jī)的每個(gè)光譜通道,可以建立相應(yīng)通道的DN值與輻射的關(guān)系模型。以RedEdge相機(jī)為例,輻射校正所建立的輻射傳輸模型為
(2)
式中 p——歸一化的像素DN值
pBL——暗電流校準(zhǔn)值
a1、a2、a3——輻射校正因子
V(x,y)——漸暈校正多項(xiàng)式
te——曝光時(shí)間
g——傳感器增益
x、y——像素位置
L——輻射值,W/(m2·sr·nm)
該輻射模型將圖像的原始像素DN值轉(zhuǎn)換為絕對(duì)光譜輻射值。它補(bǔ)償了傳感器暗電流、傳感器的靈敏度、傳感器增益和曝光設(shè)置以及鏡頭暈影效應(yīng)。模型中使用的所有參數(shù)都可以從RedEdge像機(jī)保存的TIFF文件中的XMP元數(shù)據(jù)中讀取。
選入“少兒萬(wàn)有經(jīng)典文庫(kù)”的原典在人類(lèi)科學(xué)史上的重要性和經(jīng)典性不容置疑,但其厚重的篇幅和深邃的理論體系,讓一般讀者都可能望而卻步,更不要說(shuō)理解能力有限的少年兒童。而在這套文庫(kù)里,少兒彩繪版呈現(xiàn)出生機(jī)勃勃的氣息,吸引著小讀者從容地走進(jìn)經(jīng)典。
利用同樣的輻射傳輸模型,構(gòu)建基于一個(gè)或者多個(gè)參考目標(biāo)的反射率與光譜輻射的經(jīng)驗(yàn)線模型,實(shí)現(xiàn)最終的輻射校正。DEL POZO等[48]分析了影響多光譜相機(jī)輸出值(DN)的因素,并且給出了詳細(xì)的基于標(biāo)準(zhǔn)地物的替代輻射校正方法,結(jié)果表明平均的輻射測(cè)量誤差在2.5%以內(nèi)。AHMED等[38]基于具有已知反照率值的參考目標(biāo)板,在每次飛行之前在地面上與成像的多光譜圖像進(jìn)行了輻射測(cè)量校準(zhǔn)[50],利用ASD地物光譜儀(ASD Inc., Boulder, CO, USA)在全天的多個(gè)光亮度不同時(shí)段測(cè)量標(biāo)準(zhǔn)目標(biāo)并獲得光譜反射率,使用經(jīng)驗(yàn)線校準(zhǔn)方法[51-52]來(lái)校準(zhǔn)多光譜影像的反射率數(shù)據(jù),研究中使用了橙色、紅色、白色和黑色防水油布和塑料片作為校準(zhǔn)目標(biāo)。采用類(lèi)似的校準(zhǔn)方法,VON BUEREN等[53]比較了無(wú)人機(jī)多光譜相機(jī)(MCA6)與地面光譜儀在反射率測(cè)量方面的一致性,通過(guò)測(cè)量不同的地物目標(biāo)的反射率,得到其決定關(guān)系R2=0.92。高林等[43]為避免立地間獲得的ADC Lite多光譜數(shù)據(jù)的時(shí)間與天空條件的差異影響,采用偽不變地物輻射糾正法,通過(guò)地面目標(biāo)測(cè)得的反射率將多光譜圖像值轉(zhuǎn)換為圖像反射率?,F(xiàn)場(chǎng)的輻射校正方法需要均質(zhì)的朗伯表面,已有研究表明,選擇人造目標(biāo)要比使用偽不變特征(Pseudo-invariant features)更為有效[54]。
為了減少飛行中光線變化對(duì)反射率的影響,越來(lái)越多的多光譜相機(jī)開(kāi)始配置一個(gè)向上的太陽(yáng)光傳感器,同步記錄拍照時(shí)刻的入射環(huán)境光能量,用于更精確的輻射校準(zhǔn),隨著技術(shù)發(fā)展,有可能將目前依賴地面標(biāo)準(zhǔn)板的輻射校正流程大大簡(jiǎn)化。
2.3 專(zhuān)題圖生成
利用無(wú)人機(jī)多光譜影像數(shù)據(jù)可以生成植被指數(shù)、數(shù)字表面模型(DSM)等信息。圖6為歸一化植被指數(shù)NDVI圖像。圖7為數(shù)字表面模型DSM圖像。將這些信息與具體應(yīng)用建立關(guān)系,可以生成不同的應(yīng)用專(zhuān)題圖。
圖6 棉田歸一化植被指數(shù)(NDVI)圖(2017年,新疆維吾爾自治區(qū)石河子市)
圖7 多光譜相機(jī)拍攝生成的DSM圖像(2017年,寧夏回族自治區(qū)吳忠市)
3 小型無(wú)人機(jī)多光譜遙感應(yīng)用
低空無(wú)人機(jī)搭載不同的多光譜載荷獲取影像,在中小尺度高精度遙感監(jiān)測(cè)中優(yōu)勢(shì)明顯,尤其在農(nóng)業(yè)、林業(yè)、生態(tài)等領(lǐng)域的應(yīng)用比較廣泛。無(wú)人機(jī)多光譜系統(tǒng)能夠在一定程度上改變傳統(tǒng)地面人工測(cè)量或者調(diào)查效率低、時(shí)效性差及標(biāo)準(zhǔn)不統(tǒng)一等問(wèn)題,可為具體應(yīng)用提供高效決策信息。
3.1 植被長(zhǎng)勢(shì)/營(yíng)養(yǎng)/脅迫監(jiān)測(cè)
不同植被其氮素、葉綠素、蛋白質(zhì)和細(xì)胞水分等含量各不相同,從而影響植被冠層群體的反射光譜,這為采用光譜遙感方法進(jìn)行植被生化組分反演提供了理論依據(jù)[55]。通過(guò)長(zhǎng)勢(shì)/營(yíng)養(yǎng)監(jiān)測(cè)可及時(shí)了解植被的生長(zhǎng)狀況、水肥病害脅迫及營(yíng)養(yǎng)狀況,便于及時(shí)采取各種管理措施, 從而保證植被的正常生長(zhǎng)并最大化減少對(duì)環(huán)境的破壞。
氮素是植被生長(zhǎng)的核心元素之一,對(duì)作物產(chǎn)量和生產(chǎn)利潤(rùn)影響巨大[55]。LU等[56]利用無(wú)人機(jī)搭載Mini MCA多光譜相機(jī)進(jìn)行了水稻氮素含量研究,利用紅邊植被指數(shù)(REDVI)實(shí)現(xiàn)了最優(yōu)的氮素估算結(jié)果,R2=0.87。BALLESTER等[57]利用無(wú)人機(jī)搭載RedEdge多光譜相機(jī)進(jìn)行了整個(gè)生長(zhǎng)季的棉花氮素時(shí)空分布研究,結(jié)果表明,在生長(zhǎng)的早期階段,對(duì)氮素含量進(jìn)行評(píng)價(jià)的最佳指標(biāo)為SCCCI(Simplified canopy chlorophyll content index)指數(shù),而到了生長(zhǎng)季的后期,最佳指標(biāo)是NDRE(Normalized difference red edge index)指數(shù)。葉綠素含量是植物生理生化及生態(tài)調(diào)查中最重要的量測(cè)參數(shù)之一,它不僅是植物營(yíng)養(yǎng)狀況、光合作用能力和發(fā)育階段的良好指示劑,也是評(píng)價(jià)植物健康的指標(biāo)之一。BERNI等[27]利用無(wú)人機(jī)搭載MCA 6多光譜相機(jī)獲取橄欖樹(shù)的多光譜影像,建立基于土壤調(diào)節(jié)植被指數(shù)的葉綠素預(yù)測(cè)模型,模型擬合決定系數(shù)R2=0.89。LU等[58]進(jìn)行了草地葉綠素含量的監(jiān)測(cè)研究。HERNNDEZ-CLEMENTE等[59]提出一個(gè)簡(jiǎn)單比值指數(shù)(R515/R570)并探討了利用無(wú)人機(jī)多光譜圖像繪制森林類(lèi)胡蘿卜素含量圖以評(píng)估其生理狀況的可行性,研究采用的多光譜傳感器為MCA 6,并使用定制的濾光片實(shí)現(xiàn)多光譜分光,結(jié)果表明該指數(shù)在葉片及冠層尺度上都與森林的類(lèi)胡蘿卜素顯著相關(guān)。肖宇釗[60]利用無(wú)人機(jī)模擬平臺(tái)搭載多光譜相機(jī)對(duì)油菜進(jìn)行低空遙感試驗(yàn),發(fā)現(xiàn)利用優(yōu)選植被指數(shù)建立線性的預(yù)測(cè)模型效果較好。PRIMICERIO等[61]利用無(wú)人機(jī)搭載ADC lite多光譜相機(jī)對(duì)葡萄園長(zhǎng)勢(shì)進(jìn)行了研究,結(jié)果表明根據(jù)歸一化差異植被指數(shù)生成的活力圖顯示了作物生長(zhǎng)的異質(zhì)性條件,與地面觀測(cè)結(jié)果基本吻合。秦占飛等[62]利用738、522 nm比值光譜指數(shù)RSI(Ratio spectral index)構(gòu)建線性模型對(duì)水稻葉片全氮含量進(jìn)行預(yù)測(cè),R2為0.673。ZARCO-TEJADA等[63]將無(wú)人機(jī)多光譜應(yīng)用于檢測(cè)水分脅迫引起的葉綠素?zé)晒獾淖兓?,配合氧氣吸收波段的窄帶濾光片獲取特征波段多光譜圖像,實(shí)現(xiàn)了冠層大尺度葉綠素?zé)晒獾某上駲z測(cè)。SUREZ等[64]將搭載MCA-6相機(jī)的無(wú)人機(jī)多光譜系統(tǒng)應(yīng)用于水分脅迫研究,結(jié)果表明長(zhǎng)時(shí)間序列的歸一化光化學(xué)反射PRI指數(shù)(PRI/PAR)與同期樹(shù)木受到的水分脅迫相匹配。
多元線性回歸、偏最小二乘和逐步線性回歸等建模方法在無(wú)人機(jī)遙感解析植被冠層氮素、葉綠素等生化組分信息時(shí)具有廣泛的應(yīng)用[65]。由于波段間反射率有著密切的關(guān)系,造成線性模型所需參數(shù)的重復(fù),因此目前研究者在遙感反演參數(shù)時(shí)轉(zhuǎn)向偏最小二乘法、主成分分析、人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)等方法,結(jié)合高光譜遙感信息,構(gòu)建包含更多波段的模型,以期更好的解釋模型預(yù)測(cè)的變異。植被長(zhǎng)勢(shì)及營(yíng)養(yǎng)監(jiān)測(cè)是目前無(wú)人機(jī)多光譜系統(tǒng)應(yīng)用最廣泛的領(lǐng)域,為精準(zhǔn)農(nóng)業(yè)中的作物管理及施肥決策提供了有力的數(shù)據(jù)采集工具,同時(shí),挑戰(zhàn)性在于不同作物類(lèi)型、不同生長(zhǎng)時(shí)期的植被長(zhǎng)勢(shì)/營(yíng)養(yǎng)的預(yù)測(cè)模型存在普適性問(wèn)題。
3.2 精細(xì)分類(lèi)與地物識(shí)別
精確的土地分類(lèi)與物種識(shí)別對(duì)資源管理、調(diào)查和運(yùn)營(yíng)非常重要[66]。已有研究在利用無(wú)人機(jī)多光譜數(shù)據(jù)開(kāi)展森分制圖、樹(shù)木表型[67]、樹(shù)種識(shí)別[68]、雜草識(shí)別[69]、三維幾何特征提取[33]等方面都取得了一些成果。FASSNACHT等[70]對(duì)遙感在樹(shù)種識(shí)別方面的研究進(jìn)行了綜述,指出利用多光譜相機(jī)獲取的光譜、紋理及結(jié)構(gòu)信息及其組合可以用于樹(shù)種的識(shí)別。DIAZVARELA等[22]利用無(wú)人機(jī)多光譜相機(jī)獲取的光譜信息和DSM信息組合應(yīng)用于農(nóng)業(yè)梯田的識(shí)別,提出的識(shí)別方法的精度達(dá)到90%以上。MORA等[71]在北極苔原上應(yīng)用可見(jiàn)光和近紅外高分辨率無(wú)人機(jī)影像進(jìn)行識(shí)別研究,結(jié)果表明對(duì)苔原植被類(lèi)型的識(shí)別精度達(dá)到84%,但是由于種間相似度高,物種個(gè)體小,因此無(wú)法區(qū)分物種。以校準(zhǔn)后的多光譜數(shù)據(jù)為數(shù)據(jù)源,以現(xiàn)場(chǎng)數(shù)據(jù)為驗(yàn)證樣本,AHMED等[38]應(yīng)用無(wú)人機(jī)搭載Parrot Sequoia多光譜相機(jī)對(duì)安大略省中部試驗(yàn)區(qū)的植被種類(lèi)進(jìn)行了基于對(duì)象的分類(lèi)準(zhǔn)確度評(píng)價(jià)研究,結(jié)果表明,針對(duì)5個(gè)土地覆蓋類(lèi)型(森林、灌木、草本、裸土和建成區(qū)),分類(lèi)精度高達(dá)95%,當(dāng)分析更詳細(xì)的植被物種類(lèi)型(包括個(gè)體落葉樹(shù)種、灌木社區(qū)和農(nóng)作物)時(shí),多光譜數(shù)據(jù)的分類(lèi)精度約為89%。GINI等[40]利用兩個(gè)相機(jī)組合(RGB和NIR)進(jìn)行基于無(wú)人機(jī)多光譜的樹(shù)種識(shí)別研究,結(jié)果表明采用監(jiān)督分類(lèi)的物種分類(lèi)精度為80%。LU等[72]將無(wú)人機(jī)多光譜引入草地物種組成的時(shí)空變化研究,結(jié)果表明,無(wú)人機(jī)獲得的多光譜影像具有較高的空間分辨率,是研究小尺度草地物種組成的不可比擬的數(shù)據(jù)源,總體準(zhǔn)確率約為85%。趙慶展等[73]以瑪納斯河畔為研究區(qū),使用固定翼無(wú)人機(jī)搭載Micro MCA12 Snap多光譜傳感器獲取高分辨率多光譜影像,提出將光譜特征、紋理特征信息與最佳波段指數(shù)結(jié)合的方法來(lái)確定地物分類(lèi)最佳波段組合。LPEZ-GRANADOS等[74]利用無(wú)人機(jī)搭載MCA6多光譜相機(jī)實(shí)現(xiàn)了早期的雜草識(shí)別和精確制圖。TORRES-SNCHEZ等[33]將Tetracam MCA 6多光譜相機(jī)搭載到四軸旋翼無(wú)人機(jī)MD4-1000 (microdrones GmbH, Siegen, Germany)上,進(jìn)行高通量的樹(shù)木種植狀況調(diào)查,多光譜數(shù)據(jù)被應(yīng)用于構(gòu)建植被指數(shù)來(lái)實(shí)現(xiàn)圖像分類(lèi),區(qū)別土壤和植被,最終獲取單株樹(shù)高、冠幅等結(jié)構(gòu)信息。另外,研究發(fā)現(xiàn)飛行高度對(duì)最終的結(jié)果影響不大,因此可以采取較高的飛行高度以加快數(shù)據(jù)采集及處理流程。
1.2.2 提出循證問(wèn)題 將系統(tǒng)收集的資料,通過(guò)科學(xué)分析,結(jié)合文獻(xiàn)資料,提出循證問(wèn)題“如何對(duì)上消化道出血患者進(jìn)行健康教育”。
現(xiàn)有研究表明,分類(lèi)方法主要分為面向?qū)ο蠛兔嫦蛳袼豙66]兩種,分類(lèi)和地物識(shí)別精度與研究地的生境和植被類(lèi)型密切相關(guān),生境越復(fù)雜,個(gè)體越小,種間相似度越高,識(shí)別精度越低[10]。相對(duì)于傳統(tǒng)的調(diào)查和監(jiān)測(cè)方法,無(wú)人機(jī)在可達(dá)性和抗干擾性方面表現(xiàn)優(yōu)越,可以安全高效地獲取地物分類(lèi)數(shù)據(jù)。
3.3 病蟲(chóng)害監(jiān)測(cè)與分析
病蟲(chóng)害會(huì)造成巨大的生產(chǎn)損失,而早期診斷是降低損失的有效途徑。植被受到病蟲(chóng)害脅迫后會(huì)導(dǎo)致葉片色素及冠層結(jié)構(gòu)的改變[75],特別是葉片葉綠素含量會(huì)發(fā)生改變,因此對(duì)葉綠素含量敏感的光譜特征可用于病蟲(chóng)害遙感診斷中[76]。在植被病害方面,研究主要包括病害指數(shù)提取、病害識(shí)別、病害時(shí)空監(jiān)測(cè)等。劉良云等[77]與羅菊花等[78]利用多時(shí)相的高光譜航空?qǐng)D像對(duì)冬小麥條銹病進(jìn)行了監(jiān)測(cè),提取敏感波段建立病情指數(shù)對(duì)發(fā)病區(qū)域及程度進(jìn)行評(píng)價(jià),這些敏感波段可以用于指導(dǎo)病害監(jiān)測(cè)的波段選擇。NEBIKER等[24]利用Canon S110 NIR相機(jī)獲取NDVI指數(shù),對(duì)馬鈴薯和洋蔥栽培中的植物病害檢測(cè)進(jìn)行了定性研究,用于確定病害的原始侵染地點(diǎn)、病害的防治效果以及病害的發(fā)生模式等。YANG等[79]利用高分辨率多光譜和高光譜航空影像數(shù)據(jù)提取了棉花根腐病的發(fā)生范圍,結(jié)果顯示這兩類(lèi)數(shù)據(jù)監(jiān)測(cè)結(jié)果的精度差別并不顯著,表明多光譜數(shù)據(jù)具有大范圍病害監(jiān)測(cè)的應(yīng)用潛力。CALDERN等[80]利用無(wú)人機(jī)搭載多光譜相機(jī)和熱紅外相機(jī)獲取橄欖樹(shù)圖像,診斷橄欖樹(shù)黃萎病,發(fā)現(xiàn)早期黃萎病與綠光波段相關(guān),隨著病情加重,葉綠素?zé)晒庵笖?shù)下降。
DASH等[81]利用無(wú)人機(jī)搭載RedEdge多光譜相機(jī)進(jìn)行病害爆發(fā)監(jiān)測(cè)研究,結(jié)果表明,無(wú)人機(jī)的多光譜圖像提供了一種有效的檢測(cè)方法來(lái)監(jiān)控森林疾病爆發(fā)所導(dǎo)致的葉片變色癥狀。在蟲(chóng)害監(jiān)測(cè)方面,主要包括監(jiān)測(cè)方法研究、侵染目標(biāo)識(shí)別研究等。LEHMANN等 [44]利用無(wú)人機(jī)多光譜圖像和基于對(duì)象的圖像處理方法來(lái)監(jiān)測(cè)橡樹(shù)的蟲(chóng)害。SAMSEEMOUNG等[82]應(yīng)用無(wú)人機(jī)多光譜系統(tǒng)識(shí)別油棕櫚樹(shù)的蟲(chóng)害。ZHANG等[83]在對(duì)蟲(chóng)害早期分級(jí)研究中采用了包括無(wú)人機(jī)高光譜在內(nèi)的多源數(shù)據(jù),利用高光譜數(shù)據(jù)提取植被指數(shù)進(jìn)而對(duì)葉綠素含量進(jìn)行反演,為多光譜在病蟲(chóng)害預(yù)測(cè)及早期診斷的應(yīng)用提供了可能性。當(dāng)前植被病蟲(chóng)害遙感診斷方法都主要集中在光譜特征的利用上,但是目前僅僅用遙感方法具有較大的局限性[76],如黃文江[84]指出多源遙感數(shù)據(jù)與氣象、病蟲(chóng)害調(diào)查數(shù)據(jù)相結(jié)合是發(fā)展的方向之一。另外,病蟲(chóng)害具有類(lèi)型多樣、影響因素復(fù)雜、發(fā)生發(fā)展迅速等特點(diǎn),如果病害發(fā)生的熱點(diǎn)區(qū)域和關(guān)鍵時(shí)期不能迅速響應(yīng)將失去病害監(jiān)測(cè)與響應(yīng)的時(shí)機(jī)。遙感數(shù)據(jù)能夠提供面狀連續(xù)的數(shù)據(jù),結(jié)合關(guān)鍵地區(qū)無(wú)人機(jī)多光譜數(shù)據(jù),則能夠提供點(diǎn)狀的連續(xù)時(shí)相的數(shù)據(jù)[75],兩者點(diǎn)面結(jié)合、優(yōu)勢(shì)互補(bǔ)可以為病蟲(chóng)害監(jiān)測(cè)提供更全面信息。
3.4 區(qū)域高精度葉面積指數(shù)提取
葉面積指數(shù)(LAI)指單位土地面積上植物葉片總面積占土地面積的比例,它是表征作物幾何結(jié)構(gòu)的關(guān)鍵生理物理參數(shù),與光合作用、蒸騰作用、碳循環(huán)等生物物理過(guò)程密切相關(guān)。LELONE等[23]將改造的多光譜相機(jī)搭載在電動(dòng)固定翼無(wú)人機(jī)上,對(duì)法國(guó)西南部小麥實(shí)驗(yàn)田進(jìn)行監(jiān)測(cè),基于獲取的可見(jiàn)光-近紅外波段的多光譜影像分析了植被指數(shù)(NDVI、GNDVI)與生物物理參數(shù)(LAI、氮吸收量)之間的聯(lián)系,相關(guān)系數(shù)達(dá)到0.82以上。采用類(lèi)似的硬件方案,LU等[58]對(duì)草地的LAI提取進(jìn)行了研究。楊貴軍等[45]利用電動(dòng)六旋翼無(wú)人機(jī)搭載ADC Lite多光譜相機(jī)獲取了小麥的多光譜數(shù)據(jù),經(jīng)波段計(jì)算提取歸一化植被指數(shù)NDVI、土壤調(diào)節(jié)植被指數(shù) OSAVI、氮素反射指數(shù) NRI等與作物生長(zhǎng)狀態(tài)敏感的多種植被指數(shù),利用LAI-2000型葉面積指數(shù)儀獲取地面實(shí)測(cè)數(shù)據(jù),結(jié)果表明 NDVI 與作物 LAI 相關(guān)性最大,其模型驗(yàn)證R2為0.48,均方根誤差為0.27。高林等[43]以大豆為研究對(duì)象,分析了多源遙感數(shù)據(jù)對(duì)葉面積指數(shù)的估測(cè)精度,通過(guò)構(gòu)建植被指數(shù)與地面實(shí)測(cè)LAI數(shù)據(jù)的經(jīng)驗(yàn)回歸模型表明,針對(duì)星、機(jī)、地3類(lèi)遙感信息源,地面高光譜數(shù)據(jù)在反演LAI方面較傳統(tǒng)多光譜數(shù)據(jù)有優(yōu)勢(shì)但不突出,在保證獲得高精度大豆LAI預(yù)測(cè)值和高工作效率的前提條件下,基于無(wú)人機(jī)遙感的多光譜獲取技術(shù)為最佳試驗(yàn)方案。KALISPERAKIS等[85]利用無(wú)人機(jī)高光譜相機(jī)提取的窄波段NDVI來(lái)反演葉面積指數(shù),其相關(guān)性為84%。TIAN等[86]利用無(wú)人機(jī)搭載RedEdge多光譜相機(jī)對(duì)紅樹(shù)林葉面積指數(shù)進(jìn)行了研究,提出了Scaled NDVI指數(shù)來(lái)預(yù)測(cè)植被指數(shù),其精度較高(R2=0.817),相比WorldView-2衛(wèi)星數(shù)據(jù)的反演結(jié)果,無(wú)人機(jī)多光譜數(shù)據(jù)可有效消除背景影響且分辨率更高,因此在長(zhǎng)勢(shì)均勻或者較低LAI的樣方里面應(yīng)用效果更好。BERNI等[27]利用MCA 6多光譜相機(jī)獲取橄欖樹(shù)的多光譜影像建立LAI預(yù)測(cè)模型,決定系數(shù)達(dá)到R2=0.88。
4)在一定的工程邊界條件及設(shè)計(jì)原則下,新方案飽和煙氣的加熱功率要比常規(guī)方案小10.511 6 MW,此部分熱量可用于預(yù)熱冷風(fēng),折算為機(jī)組增加的發(fā)電功率2.185 4 MW,新方案可利用的飽和煙氣余熱功率為10.570 4 MW,在考慮煙氣余熱用于凝結(jié)水系統(tǒng)和不考慮煙氣余熱用于凝結(jié)水系統(tǒng)兩種情況下,機(jī)組效率分別增加0.231%、0.164%,節(jié)能效果更好。
大量研究表明,背景和植被類(lèi)型的影響是制約植被反演精度的2個(gè)關(guān)鍵因素[86-87]?,F(xiàn)有基于無(wú)人機(jī)多光譜遙感提取作物葉面積指數(shù)的研究大都是通過(guò)植被指數(shù)與實(shí)測(cè)LAI建立經(jīng)驗(yàn)?zāi)P蛯?shí)現(xiàn),或者基于輻射傳輸模型和光譜數(shù)據(jù)[88]來(lái)建立機(jī)理模型實(shí)現(xiàn) 。其在研究對(duì)象的選擇上往往具有背景均勻、植被類(lèi)型單一的特征。然而,大多數(shù)的復(fù)雜生態(tài)系統(tǒng)中,如沿海紅樹(shù)林,很可能是背景復(fù)雜,植被類(lèi)型多樣,故葉面積指數(shù)提取的難度也較大。
3.5 區(qū)域高精度植被覆蓋度提取
植被覆蓋度(FVC)通常定義為統(tǒng)計(jì)范圍內(nèi)植被的垂直投影面積所占的百分比,它能夠直觀地反映植被的生長(zhǎng)狀況,是指示生態(tài)環(huán)境變化的重要指標(biāo)之一[89]。利用低空高分辨率實(shí)測(cè)數(shù)據(jù)作為樣本的實(shí)測(cè)數(shù)據(jù)源是植被覆蓋度遙感反演的發(fā)展趨勢(shì),多光譜相機(jī)提取的EVI或者NDVI指數(shù)等作為模型的輸入因子,取得了較好結(jié)果。劉峰等[13]利用汽油無(wú)人直升機(jī)搭載ADC Air多光譜相機(jī),對(duì)板栗覆蓋度進(jìn)行了研究,基于植被土壤光譜差異,提出了無(wú)人機(jī)多光譜植被覆蓋度的快速計(jì)算方法,進(jìn)而利用多時(shí)相的無(wú)人機(jī)多光譜遙感影像實(shí)現(xiàn)了植被覆蓋度年度變化監(jiān)測(cè)。李冰等[5]設(shè)計(jì)了一套以無(wú)人機(jī)為平臺(tái)的低空多光譜載荷觀測(cè)系統(tǒng),對(duì)冬小麥覆蓋度變化進(jìn)行監(jiān)測(cè)。周在明等[90]利用四旋翼無(wú)人機(jī)搭載ADC Air相機(jī)對(duì)灘涂濕地入侵物種互花米草的植被覆蓋度進(jìn)行了研究,通過(guò)NDVI指數(shù)模型獲取多光譜植被覆蓋度信息,以高精度可見(jiàn)光影像為真值進(jìn)行驗(yàn)證。結(jié)果表明NDVI模型估算值與真實(shí)值之間的決定系數(shù)為0.92,具有較好的一致性。相比目前廣泛應(yīng)用的無(wú)人機(jī)可見(jiàn)光圖像[91-92],利用無(wú)人機(jī)多光譜圖像反演植被覆蓋度時(shí)圖像的空間分辨率要求較低[90],CHAPMAN等[12]利用最優(yōu)線性無(wú)偏預(yù)測(cè)方法獲取的高粱植被覆蓋度與地面真實(shí)數(shù)據(jù)的決定系數(shù)為 0.88。
目前的研究中,主要是通過(guò)計(jì)算機(jī)視覺(jué)方法或植被指數(shù)建模反演等方法獲得作物的冠層覆蓋度信息。今后研究中還需要探索更普適性方法實(shí)現(xiàn)不同植被覆蓋度的準(zhǔn)確提取。
3.6 田塊尺度的作物估產(chǎn)
遙感估產(chǎn)是基于作物特有的波譜反射特征,利用遙感手段對(duì)作物產(chǎn)量進(jìn)行監(jiān)測(cè)預(yù)報(bào)的一種技術(shù)。利用影像的光譜信息可以反演作物的生長(zhǎng)信息,通過(guò)建立生長(zhǎng)信息與產(chǎn)量間的關(guān)聯(lián)模型,便可預(yù)估作物產(chǎn)量。在實(shí)際工作中,基于遙感手段構(gòu)建產(chǎn)量預(yù)測(cè)模型所使用的參數(shù)包括生育期長(zhǎng)度、葉綠素含量、葉面積指數(shù)、生物量、光譜反射率和植被指數(shù)等。
基于作物特有的波譜反射特征,通過(guò)構(gòu)建包含多種植被指數(shù)的遙感反演模型,可以實(shí)現(xiàn)作物產(chǎn)量的預(yù)測(cè)[93]。PEA-BARRAGN等[94]利用可見(jiàn)光相機(jī)結(jié)合紅外相機(jī)組成的機(jī)載多光譜采集系統(tǒng)研究了向日葵產(chǎn)量與作物多時(shí)間光譜數(shù)據(jù)之間的關(guān)系,發(fā)現(xiàn)利用早期生長(zhǎng)期采集的NDVI與產(chǎn)量之間的線性模型決定系數(shù)為0.6,另外,還發(fā)現(xiàn)不同太陽(yáng)角度下獲取的多光譜圖像的NDVI變化不大,因此多光譜拍攝時(shí)刻不影響模型相關(guān)關(guān)系。ZARCOTEJADA等[95]也指出利用棉花早期的NDVI植被指數(shù)可以與產(chǎn)量建立很好關(guān)系。進(jìn)一步地,BALLESTER等[57]的研究表明早期的SCCCI和NDRE指數(shù)與皮棉產(chǎn)量具有顯著的線性回歸關(guān)系,而隨著氮素需求變大,氮素成為主要生長(zhǎng)限制因子時(shí),NDVI指數(shù)相比SCCCI和NDRE指數(shù)具有更好的產(chǎn)量預(yù)測(cè)精度。VEGA等[88]利用MD4-200型旋翼無(wú)人機(jī)(Microdrones GmbH’s VTOL UAV, Siegen, Germany)搭載3波段多光譜相機(jī)——ADC lite多光譜相機(jī)對(duì)經(jīng)過(guò)不同小區(qū)處理向日葵的產(chǎn)量預(yù)測(cè)進(jìn)行了研究,結(jié)果表明利用多光譜DN值計(jì)算的NDVI與產(chǎn)量也具有很好的線性關(guān)系。楊貴軍等[45]利用無(wú)人機(jī)多光譜影像計(jì)算得到 NDVI,結(jié)合氮肥優(yōu)化算法(Nitrogen fertilization optimization algorithm,NFOA)開(kāi)展小麥潛在產(chǎn)量預(yù)測(cè)。NFOA 算法中通過(guò)定義當(dāng)季估產(chǎn)指數(shù)(In-season estimate of yield,INSEY)預(yù)測(cè)小麥潛在產(chǎn)量,該 INSEY指數(shù)由 NDVI 除以自播種之日起到測(cè)定冠層光譜期間(Grow degree days,GDD) 的天數(shù)得到。利用上述方法預(yù)測(cè)產(chǎn)量與小區(qū)實(shí)際產(chǎn)量進(jìn)行對(duì)比分析,其估算精度較高(R2=0.72)。DUAN等[96]的研究發(fā)現(xiàn),經(jīng)過(guò)地面覆蓋率調(diào)整后,開(kāi)花期NDVI與小麥最終產(chǎn)量有較高的相關(guān)性,表明多源數(shù)據(jù)融合能更深入地反映作物的適應(yīng)機(jī)制。NEBIKER等[24]利用MultiSPEC 4C多光譜相機(jī)開(kāi)展了油菜和大麥產(chǎn)量預(yù)測(cè),結(jié)果表明油菜所有小區(qū)品種的產(chǎn)量和NDVI值之間的相關(guān)性為78%,大麥產(chǎn)量與NDRE指數(shù)的相關(guān)性為87%。YU等[97]利用無(wú)人機(jī)多光譜進(jìn)行了大豆產(chǎn)量預(yù)測(cè)及成熟期識(shí)別研究,顯著提高了產(chǎn)量預(yù)測(cè)的精度(R=0.82),并且識(shí)別大豆成熟期的精度可以達(dá)到93%。ZHOU等[98]利用無(wú)人機(jī)搭載Mini-MCA多光譜相機(jī)預(yù)測(cè)谷物產(chǎn)量,提出孕穗期為最佳的預(yù)測(cè)時(shí)間,并且NDVI和VARI為最佳的預(yù)測(cè)指數(shù),同時(shí)多時(shí)相的植被指數(shù)與產(chǎn)量相關(guān)性更高。
從目前的文獻(xiàn)看,NDVI植被指數(shù)在產(chǎn)量預(yù)測(cè)中發(fā)揮著重要的作用。利用無(wú)人機(jī)多光譜系統(tǒng)獲取多光譜圖像來(lái)預(yù)測(cè)作物產(chǎn)量時(shí),具有成本低、天氣影響小、拍攝時(shí)間寬裕、對(duì)圖像分辨率不敏感的優(yōu)點(diǎn)。由于可以在合適的生育期對(duì)作物產(chǎn)量進(jìn)行預(yù)測(cè),可以在收獲前對(duì)某些問(wèn)題進(jìn)行提前診斷,提前實(shí)施相應(yīng)的精準(zhǔn)農(nóng)業(yè)操作,從而獲得更好的經(jīng)濟(jì)及環(huán)境效益[88]。融合農(nóng)學(xué)知識(shí)、作物生長(zhǎng)模型與遙感指標(biāo)構(gòu)建精度高、通用性強(qiáng)的產(chǎn)量預(yù)測(cè)模型,對(duì)應(yīng)用無(wú)人機(jī)遙感進(jìn)行作物產(chǎn)量預(yù)測(cè)至關(guān)重要[99]。
3.7 生物量估算
生物量是指某一時(shí)刻單位面積內(nèi)實(shí)存生活的有機(jī)物質(zhì)(干重)總量。生物量是生態(tài)系統(tǒng)結(jié)構(gòu)優(yōu)劣和功能高低的最直接的表現(xiàn),是生態(tài)系統(tǒng)環(huán)境質(zhì)量的綜合體現(xiàn)。同時(shí),生物量的定量估算為碳循環(huán)研究提供了重要的參考。楊鵬萬(wàn)等[100]利用藏北高寒草甸地上生物量和ADC便攜式多光譜相機(jī)數(shù)據(jù),建立了植被指數(shù)估算藏北高寒草甸地上生物量的模型。在分析了地上生物量與歸一化植被指數(shù)NDVI、歸一化綠波段差值植被指數(shù)GNDVI和土壤調(diào)節(jié)植被指數(shù)SAVI相關(guān)關(guān)系的基礎(chǔ)上,構(gòu)建了地上生物量和各植被指數(shù)的7種模型,并對(duì)擬合效果比較好的模型進(jìn)行了精度檢驗(yàn)。結(jié)果表明3個(gè)植被指數(shù)中NDVI的模擬效果最好, GNDVI最差;所有模型中,以NDVI為自變量的線性模型、以SAVI為自變量的線性模型和冪函數(shù)模型模擬和預(yù)測(cè)效果都很好。在VEGA等[88]對(duì)向日葵生物量的研究中,也表明利用多光譜相機(jī)的DN值計(jì)算的歸一化植被指數(shù)NDVI與生物量具有很好的線性關(guān)系。生物量是作物表型的一個(gè)重要參數(shù),AICH等[101]提出了一套基于深度學(xué)習(xí)的估算方法,并將無(wú)人機(jī)多光譜數(shù)據(jù)用于小麥生物量估算中,獲得較高的估算精度。
在今后的研究中將高精度的DSM數(shù)據(jù)與光譜數(shù)據(jù)相結(jié)合,利用獲取的植被結(jié)構(gòu)信息進(jìn)行輔助,有可能提高生物量估算的精度。
3.8 群落調(diào)查及生物多樣性評(píng)價(jià)
生物多樣性是一個(gè)描述自然界多樣性程度的內(nèi)容廣泛的概念,是生物及其環(huán)境形成的生態(tài)復(fù)合體以及與此相關(guān)的各種生態(tài)過(guò)程的綜合。BOON等[102]在南非利用固定翼無(wú)人機(jī)搭載RedEdge多光譜相機(jī)用于濕地植被完整性的調(diào)查和生態(tài)系統(tǒng)制圖,結(jié)果可以用于濕地?cái)_動(dòng)等級(jí)、面積的精確評(píng)價(jià)。MINAK等[42]將無(wú)人機(jī)多光譜遙感技術(shù)引入到森林干擾研究中,利用多光譜圖像提取植被指數(shù)來(lái)區(qū)分森林干擾類(lèi)別。CHABOT等[25]應(yīng)用無(wú)人機(jī)多光譜監(jiān)測(cè)水生入侵植被,基于光譜特征的隨機(jī)森林方法的分類(lèi)精度達(dá)到81%。LASSAU等[103]探索了利用航空多光譜數(shù)據(jù)獲得的歸一化差異植被指數(shù)NDVI和近紅外光譜中反射率的標(biāo)準(zhǔn)偏差stdevRNIR作為悉尼北部砂巖森林棲息地復(fù)雜度的指標(biāo),研究發(fā)現(xiàn)在NDVI植被指數(shù)和棲息地復(fù)雜度之間存在強(qiáng)烈相關(guān)關(guān)系。與定量研究相結(jié)合的遙感技術(shù)可預(yù)測(cè)動(dòng)物對(duì)景觀尺度的植被結(jié)構(gòu)和生物量的響應(yīng),并為特定棲息地的生物多樣性保護(hù)提供有效的管理手段。
盡管不能完全代替現(xiàn)場(chǎng)人工調(diào)查,無(wú)人機(jī)遙感系統(tǒng)可以在群落尺度上進(jìn)行生物多樣性評(píng)估,憑借其速度快、可到達(dá)性強(qiáng)的優(yōu)勢(shì)可以顯著提高群落調(diào)查的面積和效率,從而節(jié)約大量的人力物力。
3.9 高通量作物表型研究
植物表型是受基因和環(huán)境因素決定或影響的, 反映植物結(jié)構(gòu)及組成、植物生長(zhǎng)發(fā)育過(guò)程及結(jié)果的全部物理、生理、生化特征和性狀。作物表型信息是揭示作物生長(zhǎng)發(fā)育規(guī)律、環(huán)境與管理措施等關(guān)系的重要依據(jù)[104]。傳統(tǒng)的表型組學(xué)的研究技術(shù)和方法仍然停留在使用傳統(tǒng)的測(cè)量?jī)x器、數(shù)字圖像分析[105]等方法階段,田間試驗(yàn)取樣測(cè)定作物性狀參數(shù)的方法耗時(shí)耗力,且空間覆蓋有限,成為當(dāng)前農(nóng)學(xué)、育種等作物科學(xué)研究的發(fā)展瓶頸,而以無(wú)人機(jī)為代表的近地遙感高通量表型平臺(tái)憑借機(jī)動(dòng)靈活、成本低、空間覆蓋廣的優(yōu)勢(shì)成為獲取田間作物表型信息的重要手段[6,99]。
現(xiàn)有研究表明,無(wú)人機(jī)多光譜遙感系統(tǒng)中的可見(jiàn)光相機(jī)可以用于花期[106]、株高[107]、倒伏[108]、植被覆蓋度[12]等結(jié)構(gòu)與形態(tài)相關(guān)參數(shù)的獲取,而多光譜相機(jī)可以用于葉面積指數(shù)[43,109]、生物量[101]、產(chǎn)量[96]、出苗率[101]、返青率[110]、氮素含量[57]、葉綠素含量[111]等參數(shù)的獲取,紅外波段的相機(jī)可以用于冠層溫度[28]等脅迫指標(biāo)參數(shù)的獲取。具體地,WATANABE等[112]利用無(wú)人機(jī)多光譜系統(tǒng)進(jìn)行了高粱株高的測(cè)量,測(cè)量值輸入基因預(yù)測(cè)模型后,獲取的預(yù)測(cè)值與真實(shí)值的相關(guān)系數(shù)為0.84。DUAN等[96]利用無(wú)人機(jī)搭載RedEdge多光譜相機(jī),構(gòu)建了一套以測(cè)量地塊尺度NDVI指數(shù)為主的高通量作物表型平臺(tái),用于監(jiān)測(cè)小麥的農(nóng)學(xué)和育種特性,獲取的飛行數(shù)據(jù)與手持設(shè)備測(cè)量的地面NDVI數(shù)據(jù)具有高度的相關(guān)性,可以實(shí)現(xiàn)快速、有效的NDVI數(shù)據(jù)獲取,并且產(chǎn)量與NDVI的決定系數(shù)達(dá)到0.82。ZAMANALLAH等[55]利用固定翼無(wú)人機(jī)搭載ADC-lite多光譜相機(jī)用來(lái)研究玉米在缺氮脅迫/衰老下的長(zhǎng)勢(shì)空間變異特征,并利用無(wú)人機(jī)多光譜的NDVI數(shù)據(jù)進(jìn)行產(chǎn)量預(yù)測(cè)。GMEZ-CANDN等[28]提出了一種融合熱紅外(Thermoteknix Miricle)、多光譜相機(jī)(Sigma DP1x)的多波段的作物表型無(wú)人機(jī)遙感系統(tǒng),獲取的多時(shí)相的具有精確位置坐標(biāo)的正射紅外圖像可以用于單木尺度的樹(shù)木水分脅迫狀態(tài)判別。HAGHIGHATTALAB等[113]研究了無(wú)人機(jī)多光譜系統(tǒng)在獲取小麥育種小區(qū)植被指數(shù)方面的應(yīng)用,并對(duì)使用的兩種多光譜相機(jī)遙感系統(tǒng)進(jìn)行了比較,兩者獲取的植被指數(shù)與地面測(cè)量值具有較好的相關(guān)性。
高通量的作物表型平臺(tái)可應(yīng)用于農(nóng)學(xué)、植物生理和育種研究,用于探討基因、環(huán)境和管理措施之間復(fù)雜的相互作用。在未來(lái)的無(wú)人機(jī)遙感解析作物表型信息研究應(yīng)用中,需深入挖掘高光譜、LiDAR等傳感器信息,融合多傳感器的數(shù)據(jù)構(gòu)建通用性強(qiáng)、精度高的作物表型信息解析模型。
3.10 其他應(yīng)用
無(wú)人機(jī)多光譜遙感還可以提供一種快速、定量、高效的作物災(zāi)害損失評(píng)估方法,如ZHOU等[114]將無(wú)人機(jī)多光譜應(yīng)用于馬鈴薯冰雹災(zāi)害評(píng)估中,研究表明土壤調(diào)節(jié)植被指數(shù)對(duì)冰雹災(zāi)害最為敏感。此外,無(wú)人機(jī)多光譜遙感還應(yīng)用于自然遺產(chǎn)保護(hù)[115]、物候監(jiān)測(cè)[116]、灌溉設(shè)施識(shí)別[117]等研究中。
4 討論與建議
無(wú)人機(jī)多光譜遙感技術(shù)雖然近來(lái)年得到了廣泛的發(fā)展,但尚存在以下問(wèn)題,需要在后續(xù)的無(wú)人機(jī)多光譜遙感中重點(diǎn)關(guān)注和解決,具體包括:
(1)無(wú)人機(jī)大面積作業(yè)續(xù)航時(shí)間受限問(wèn)題。無(wú)人機(jī)航拍覆蓋范圍比地面測(cè)量廣,與衛(wèi)星資料的空間匹配度更高,無(wú)人機(jī)方法是對(duì)目前地面實(shí)測(cè)方法的巨大改進(jìn),可以高效、便捷地獲取更大空間范圍的地面觀測(cè)資料,從而克服傳統(tǒng)地表調(diào)查方法與衛(wèi)星數(shù)據(jù)的空間匹配性問(wèn)題,提高遙感反演的精度[92]。但是,目前電動(dòng)無(wú)人機(jī)普遍存在航時(shí)較短的問(wèn)題,一次路徑規(guī)劃無(wú)法實(shí)現(xiàn)大面積的信息獲取,并且對(duì)環(huán)境要求比較高,難以適應(yīng)復(fù)雜的地勢(shì)環(huán)境,通信信號(hào)易受干擾,因此,大區(qū)域的應(yīng)用還受到限制。
(2)無(wú)人機(jī)影像的幾何和輻射校正問(wèn)題。目前大多數(shù)無(wú)人機(jī)多光譜影像分辨率較低,特征點(diǎn)匹配難度大,幾何校正效率和精度有待提高。多光譜傳感器在無(wú)人機(jī)飛行過(guò)程中受飛行穩(wěn)定性及光照環(huán)境變化影響,不同時(shí)刻采集的數(shù)據(jù)出現(xiàn)輻射非均一性,對(duì)圖像進(jìn)行輻射校正的方法一般為半手工方式,操作較為復(fù)雜。為此,后續(xù)應(yīng)用過(guò)程中必須研究針對(duì)所有數(shù)據(jù)的輻射校正算法,消除輻射非均一性對(duì)后續(xù)參量估算的影響。而且,目前的數(shù)據(jù)解析往往通過(guò)地面實(shí)測(cè)數(shù)據(jù)建立經(jīng)驗(yàn)回歸模型,模型受作物種植區(qū)域、作物類(lèi)型以及作物生育期等影響較大,后續(xù)需利用多種作物觀測(cè)數(shù)據(jù)建立通用性模型,并保證模型解析精度滿足實(shí)際需求。建議在今后研究中,著重加強(qiáng)輻射校準(zhǔn)的研究,探索通用性輻射校準(zhǔn)方法,減少對(duì)地面定標(biāo)的需求,提供具有更加準(zhǔn)確輻射信息或者反射率信息的多光譜圖像,為提高后續(xù)應(yīng)用的精度奠定基礎(chǔ)。
(3)無(wú)人機(jī)多光譜載荷和傳感器波段受限問(wèn)題。目前的多光譜相機(jī)具有波段數(shù)目有限(小于12),波段寬度比較寬(大于10 nm)的特點(diǎn),這導(dǎo)致不能準(zhǔn)確捕獲植被在某些敏感波段的精細(xì)反應(yīng),不能滿足精細(xì)分類(lèi)或者探測(cè)的需要[40]。隨著技術(shù)發(fā)展,無(wú)人機(jī)高光譜傳感器在體積、重量上越來(lái)越小,數(shù)據(jù)傳輸及處理也逐漸成熟,有可能會(huì)更加普及[118]。本文中無(wú)人機(jī)載荷聚焦于小型的多光譜相機(jī),但是在面向具體的應(yīng)用時(shí),要根據(jù)需求提出最優(yōu)的載荷配置方案,微型高光譜儀[119]、成像高光譜儀[120]、紫外相機(jī)、熱紅外相機(jī)[29]等都具有各自獨(dú)特的優(yōu)勢(shì)及應(yīng)用價(jià)值。
(4)無(wú)人機(jī)多光譜遙感的尺度效應(yīng)問(wèn)題。由于地表空間異質(zhì)性的普遍存在,任何非線性遙感模型反演產(chǎn)品都存在尺度效應(yīng)問(wèn)題[43]。CURRAN等[121]研究了樣方大小對(duì)地表實(shí)測(cè)草地遙感反演結(jié)果的影響,證明樣方尺寸是影響測(cè)量精度的重要因素。因此在將無(wú)人機(jī)數(shù)據(jù)與衛(wèi)星數(shù)據(jù)、地面數(shù)據(jù)[122]建立模型時(shí),需要將尺度問(wèn)題考慮在內(nèi)。建議各行業(yè)部門(mén)的專(zhuān)業(yè)人員與遙感、計(jì)算機(jī)科學(xué)等領(lǐng)域的專(zhuān)家密切合作,制訂無(wú)人機(jī)多光譜遙感技術(shù)的相關(guān)標(biāo)準(zhǔn)和規(guī)范,共同開(kāi)發(fā)推進(jìn)并普及無(wú)人機(jī)多光譜遙感技術(shù)。
參考文獻(xiàn)
1 童慶禧, 田國(guó)良, 茅亞瀾. 多光譜遙感波段選擇方法的研究[J]. 宇航學(xué)報(bào), 1983, 4(2): 4-16.
2 王斌永, 舒嶸, 賈建軍,等. 無(wú)人機(jī)載小型多光譜成像儀的設(shè)計(jì)[J]. 光學(xué)與光電技術(shù), 2004,2(2):18-20.
WANG Binyong, SHU Rong, JIA Jianjun, et al. Design of compact multispectral imager for UAV[J]. Optics & Optoelectronic Technology, 2004,2(2): 18-20. (in Chinese)
3 廖小罕, 周成虎. 輕小型無(wú)人機(jī)遙感發(fā)展報(bào)告[M]. 北京: 科學(xué)出版社, 2016.
4 MARRIS, EMMA. Drones in science: fly, and bring me data [J]. Nature, 2013, 498(7453): 156.
5 李冰, 劉镕源, 劉素紅, 等. 基于低空無(wú)人機(jī)遙感的冬小麥覆蓋度變化監(jiān)測(cè) [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(13): 160-165.
LI Bing, LIU Rongyuan, LIU Suhong, et al. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the CSAE, 2012(13): 160-165. (in Chinese)
6 YANG G, LIU J, ZHAO C, et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives[J]. Frontiers in Plant Science, 2017, 8:1111.
7 SANKARAN S, KHOT L R, ESPINOZA C Z, et al. Low-altitude, high-resolution aerial imaging systems for row and field crop phenotyping: a review [J]. European Journal of Agronomy, 2015, 70:112-123.
8 ZHANG C, KOVACS J M. The application of small unmanned aerial systems for precision agriculture: a review [J]. Precision Agriculture, 2012, 13(6): 693-712.
9 楊海軍, 李營(yíng), 朱海濤, 等. 無(wú)人機(jī)遙感技術(shù)在環(huán)境保護(hù)領(lǐng)域的應(yīng)用 [J]. 高技術(shù)通訊, 2015, 25(6): 607-613.
YANG H J, LI Y, ZHU H T, et al.UAV remote sensing’s applications in the environmental protection field [J]. Chinese High Technology Letters, 2015, 25(6): 607-613. (in Chinese)
10 孫中宇, 陳燕喬, 楊龍, 等. 輕小型無(wú)人機(jī)低空遙感及其在生態(tài)學(xué)中的應(yīng)用進(jìn)展 [J]. 應(yīng)用生態(tài)學(xué)報(bào), 2017, 28(2): 528-536.
SUN Z Y, CHEN Y Q, YANG L, et al. Small unmanned aerial vehicles for low-altitude remote sensing and its application progress in ecology[J]. Chinese Journal of Applied Ecology, 2017, 28(2): 528-536. (in Chinese)
11 GAGO J, DOUTHE C, COOPMAN R E, et al. UAVs challenge to assess water stress for sustainable agriculture [J]. Agricultural Water Management, 2015, 153(Supp.C): 9-19.
12 CHAPMAN S C, CHAN A, JACKWAY P, et al. Pheno-copter: a low-altitude, autonomous remote-sensing robotic helicopter for high-throughput field-based phenotyping [J]. Agronomy, 2014, 4(2): 279-301.
13 劉峰, 劉素紅, 向陽(yáng). 園地植被覆蓋度的無(wú)人機(jī)遙感監(jiān)測(cè)研究 [J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(11): 250-257.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20141139&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2014.11.039.
LIU Feng,LIU Suhong,XIANG Yang.Study on monitoring fractional vegetation cover of garden plots by unmanned aerial vehicles[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2014,45(11):250-257. (in Chinese)
14 LINK J, SENNER D, CLAUPEIN W. Developing and evaluating an aerial sensor platform (ASP) to collect multispectral data for deriving management decisions in precision farming [J]. Computers & Electronics in Agriculture, 2013, 94(11): 20-28.
推薦閱讀:
特別推薦
- 兆易創(chuàng)新GD32F30x STL軟件測(cè)試庫(kù)獲得德國(guó)萊茵TüV IEC 61508功能安全認(rèn)證
- 芯科科技第三代無(wú)線開(kāi)發(fā)平臺(tái)引領(lǐng)物聯(lián)網(wǎng)發(fā)展
- MSO 4B 示波器為工程師帶來(lái)更多臺(tái)式功率分析工具
- 艾為電子推出新一代高線性度GNSS低噪聲放大器——AW15745DNR
- 瑞薩發(fā)布四通道主站IC和傳感器信號(hào)調(diào)節(jié)器, 以推動(dòng)不斷增長(zhǎng)的IO-Link市場(chǎng)
- e絡(luò)盟現(xiàn)貨供應(yīng) Abracon 新推出的 AOTA 系列微型鑄型電感器
- 加賀富儀艾電子推出支持Wi-Fi 6和藍(lán)牙的無(wú)線局域網(wǎng)/藍(lán)牙組合模塊
技術(shù)文章更多>>
- 讓汽車(chē)LED照明無(wú)死角,LED驅(qū)動(dòng)的全面進(jìn)化
- 開(kāi)關(guān)模式電源問(wèn)題分析及其糾正措施:晶體管時(shí)序和自舉電容問(wèn)題
- 熱電偶的測(cè)溫原理
- 【泰克先進(jìn)半導(dǎo)體實(shí)驗(yàn)室】 遠(yuǎn)山半導(dǎo)體發(fā)布新一代高壓氮化鎵功率器件
- ADALM2000實(shí)驗(yàn):變壓器
技術(shù)白皮書(shū)下載更多>>
- 車(chē)規(guī)與基于V2X的車(chē)輛協(xié)同主動(dòng)避撞技術(shù)展望
- 數(shù)字隔離助力新能源汽車(chē)安全隔離的新挑戰(zhàn)
- 汽車(chē)模塊拋負(fù)載的解決方案
- 車(chē)用連接器的安全創(chuàng)新應(yīng)用
- Melexis Actuators Business Unit
- Position / Current Sensors - Triaxis Hall
熱門(mén)搜索
友情鏈接(QQ:317243736)
我愛(ài)方案網(wǎng) ICGOO元器件商城 創(chuàng)芯在線檢測(cè) 芯片查詢 天天IC網(wǎng) 電子產(chǎn)品世界 無(wú)線通信模塊 控制工程網(wǎng) 電子開(kāi)發(fā)網(wǎng) 電子技術(shù)應(yīng)用 與非網(wǎng) 世紀(jì)電源網(wǎng) 21ic電子技術(shù)資料下載 電源網(wǎng) 電子發(fā)燒友網(wǎng) 中電網(wǎng) 中國(guó)工業(yè)電器網(wǎng) 連接器 礦山設(shè)備網(wǎng) 工博士 智慧農(nóng)業(yè) 工業(yè)路由器 天工網(wǎng) 乾坤芯 電子元器件采購(gòu)網(wǎng) 亞馬遜KOL 聚合物鋰電池 工業(yè)自動(dòng)化設(shè)備 企業(yè)查詢 工業(yè)路由器 元器件商城 連接器 USB中文網(wǎng) 今日招標(biāo)網(wǎng) 塑料機(jī)械網(wǎng) 農(nóng)業(yè)機(jī)械 中國(guó)IT產(chǎn)經(jīng)新聞網(wǎng) 高低溫試驗(yàn)箱
?
關(guān)閉
?
關(guān)閉