《AgriEngineering》:RGB UAV Imagery for Crop Monitoring and Decision Support in Precision Agriculture
编辑推荐:
数字化与数据驱动决策正在变革现代农业,快速且高分辨率评估作物状况对优化田间干预至关重要。多光谱方法如卫星衍生归一化差异植被指数(Normalized Difference Vegetation Index,NDVI)被广泛使用;然而,其空间分辨率和时间可用性可
数字化与数据驱动决策正在变革现代农业,快速且高分辨率评估作物状况对优化田间干预至关重要。多光谱方法如卫星衍生归一化差异植被指数(Normalized Difference Vegetation Index,NDVI)被广泛使用;然而,其空间分辨率和时间可用性可能限制对农业田块内细尺度变异的检测。本研究探讨无人机(unmanned aerial vehicle,UAV)获取的红、绿、蓝(red, green, and blue,RGB)影像提供作物状况相关信息的能力。研究分析位于罗马尼亚Olt County的两种秋播作物小麦和油菜。采集影像经摄影测量处理生成正射镶嵌图,随后提取可见光谱植被指数,即过量绿指数(Excess Green Index,ExG)和可见光大气阻抗指数(Visible Atmospherically Resistant Index,VARI)。两种指数均提供有意义的植被状况信息,其中VARI对田内变异表现出更高敏感性。UAV衍生ExG和VARI图揭示的空间变异在卫星NDVI数据中不能同等区分,尤其对小麦作物。单独而言,两个RGB植被指数将每个分析田块约16%分类为脆弱。这些脆弱区域是相对的、基于影像的光谱异常,而非经独立验证的生理作物胁迫、养分缺乏或产量损失指标。经基于规则的融合和去除孤立检测后,小麦田21.55%和油菜田19.75%被识别为空间连贯的脆弱区。所得图随后转换为面向机械的候选干预区,支持将空间差异化田间信息整合到常规农业装备的示意性模拟。这些发现表明,UAV RGB影像可提供作物监测的空间显式信息,并可支持识别候选区域以用于后续田间验证和精准农业决策。
研究背景与问题:现代农业日益依赖数字化、自动化和数据驱动决策,作物管理不仅需选择干预措施,还需确定何处、何时干预。卫星遥感适合大尺度监测,但NDVI等指数受空间分辨率、时间可用性、土壤背景、大气和冠层阴影影响,可能平滑田内细尺度变异;UAV sensing介于卫星与地面测量之间,具备高分辨率与灵活采集优势,但高分辨率植被指数图转化为可支持田间决策的空间单元仍存在差距,低成本RGB系统尤其需要可重复工作流来识别相对田内异常,而不能直接解释为生理胁迫或养分缺乏。研究人员以罗马尼亚Olt County的小麦和油菜为对象,评估低成本UAV RGB影像表征空间变异的能力,构建从正射镶嵌、ExG/VARI计算、5 × 5 m网格离散、Z分数(Z-score)异常检测、多指数空间融合到机械作业候选区转换的决策支持框架。研究得出,ExG与VARI单独均识别约16%面积为脆弱,融合后小麦21.55%、油菜19.75%为空间连贯脆弱区;卫星NDVI对小麦细尺度变异区分不足,对油菜显示较粗尺度分化。其意义在于将高分辨率RGB作物监测与精准农业空间组织相连接,为后续田间核查和差异化干预提供候选区,而非直接诊断作物胁迫。
关键技术方法(不超过250字):样本队列来源为罗马尼亚Olt County、由SC Arenda Andrei Prodcom SRL经营的小麦和油菜田;监测小麦4.4 ha(选自56 ha田块)、油菜6.9 ha(选自28.6 ha地块)。关键技术包括:DJI Mini 3 Pro采集RGB影像,WebODM 3.2.0摄影测量生成正射镶嵌图(约50 mm/pixel),MATLAB R2024b计算ExG与VARI;以KWS SAAT SE & Co. KGaA平台约10 m/pixel的卫星NDVI作定性比较;将正射图离散为5 × 5 m网格,计算网格均值与Z分数,以Z < ?1判为相对低指数异常;采用8邻域连通分量和规则融合去除孤立单细胞检测。
研究结果:
3.1 Comparative Analysis of ExG and VARI Vegetation Index Maps(ExG与VARI植被指数图比较分析):通过正射影像计算ExG和VARI并定性比较,发现两者均显示一致植被空间分布,但VARI对比度更高、对田内变异和行结构更清晰,ExG更空间均匀、对细微变异敏感性较低;通过卫星NDVI裁剪比较,发现小麦NDVI主要均匀并受密集冠层饱和影响,油菜NDVI空间分化更明显;因UAV约50 mm/pixel与卫星约10 m/pixel分辨率差异,比较仅作空间模式定性分析而非直接定量比较。
3.2 Spatial Discretization and Z-Score-Based Analysis of Vegetation Indices(植被指数空间离散与Z分数分析):通过将正射图划分为5 × 5 m网格,边界网格仅在至少60%像素有效时纳入,计算ExG或VARI网格均值及Z分数,以Z < ?1为脆弱、?1 ≤ Z ≤ 1为正常、Z > 1为高于平均长势;该方法用于识别相对于田块平均条件的低指数异常,而非绝对农艺阈值或生理诊断。
3.3 Quantitative Evaluation of Vulnerable Regions(脆弱区定量评价):通过脆弱面积比、8邻域连通分量数、平均斑块面积、伸长系数和Jaccard相似系数评价,发现小麦ExG与VARI均识别290个脆弱网格、7248.27 m
2、16.27%;油菜ExG识别453个网格、11323.13 m
2、16.04%,VARI识别443个网格、11073.17 m
2、15.68%。小麦连通脆弱斑块ExG为34、VARI为47,油菜为49和53;平均斑块面积小麦由213.18 m
2降至154.22 m
2,油菜由231.08 m
2降至208.93 m
2;Jaccard系数小麦0.443、油菜0.556,表明总脆弱面积相近但空间重叠有限。
3.4 Rule-Based Fusion of ExG and VARI Vulnerability Maps(ExG与VARI脆弱图规则融合):通过取ExG与VARI脆弱网格并集、8邻域连通分量分析并去除仅由单一指数检出的孤立单细胞,发现小麦1782个有效网格中两指数各290个、交集178个、并集402个,去除18个孤立检测后最终384个、21.55%;油菜2825个有效网格中ExG 453个、VARI 443个、交集320个、并集576个,去除18个后最终558个、19.75%,融合图被解释为候选管理或检查区而非具体干预处方。
讨论部分总结:讨论指出,VARI在小麦中削弱最大脆弱区主导并增加分离组分,在油菜中形成更大主导区并增加小组分,不能仅归因于作物类型;脆弱面积比单独区分力有限,连通分量和Jaccard系数更有信息。低Z分数表示相对低指数响应,不独立确定作物胁迫、养分缺乏、水分、土壤异质、密度、阴影、裸土或作业模式等原因;未做作物/非作物分割使土壤、阴影、行间和机械轨迹影响网格响应,油菜更相关。ExG较平滑聚合,VARI对局部变异更敏感,共同ExG–VARI区可优先田间验证,指数特异区为低置信异常。融合策略平衡严格交集与完全并集,对小麦影响更大;融合图是决策支持产品,需田间观察、农艺测量和多时相验证。面向变量施肥的示意模拟以常规液肥机18 m幅宽、36个独立喷嘴(横向约0.5 m)为背景,采用17.5 m有效幅宽分带;油菜低指数区呈沿机械方向连续带,第6、7带为候选检查/差异管理区,需农艺验证;小麦低指数区不规则,更需高空间分辨率管理。
研究结论翻译:本研究证明,高分辨率UAV获取的RGB影像可转化为用于作物监测和精准农业决策支持的空间显式信息。所提工作流结合摄影测量重建、RGB植被指数计算、5 × 5 m网格离散和Z分数标准化,以识别小麦和油菜田内低于平均营养响应的区域。ExG和VARI对总脆弱表面提供相似估计,单独识别每个监测区约16%。然而,两指数在检测区域的空间分布和连通性上不同,表明其提供部分互补信息。VARI通常更清晰区分局部变异,而ExG生成更平滑和更空间聚合的模式。ExG和VARI脆弱图通过8邻域连通分量规则组合,保留共同检测和空间连贯的指数特异异常,同时去除孤立单细胞响应。所得融合图将监测小麦区21.55%和监测油菜区19.75%分类为潜在脆弱。与UAV衍生指数相比,卫星NDVI更适合描述大尺度空间模式,但对细尺度田内变异提供较少细节;该局限在小麦尤其明显,其中密集冠层产生主要均匀的NDVI响应;对油菜,植被覆盖较不密集,卫星图显示更大空间分化,但分辨率明显粗于UAV产品。所提方法的实用价值在于将植被指数图转换为操作信息,而非依赖直接视觉解释;通过按农业机械作业方向和幅宽聚合分类细胞,脆弱图被转换为适合模拟变量施肥的干预区。分析因此表明,UAV衍生信息可支持差异化投入施用,即使使用自动化有限的常规装备。然而,识别的脆弱区应解释为相对田内异常,而非生理作物胁迫或养分缺乏的直接证据;需额外田间测量确定观察到的空间变异原因并验证植被指数响应与作物生产力关系。当前结果进一步限于每种作物单田块和单次采集;需扩展到独立田块、多个生长季和重复条件,才能得出一般农艺结论。DJI Mini 3 Pro是消费级RGB成像系统,未进行反射板或颜色参考辐射定标;因此,衍生RGB指数代表相对影像响应而非校准表面反射率,其解释可能受光照条件、自动相机处理、曝光、白平衡和阴影影响。