一、引言
分蘖期是水稻生长过程中重要时期之一，由于分蘖并不是都能成穗，只有是有效分蘖才能成穗，其分蘖的数量是直接影响水稻有效穗数、单位面积产量和品质的重要因素。高光谱遥感技术作为主要遥感技术之一，具有信息量大、分辨率高、能够识别物体组成等优点。在农业生产、土地利用等领域得到了广泛应用。高光谱影像数据可以提供水稻生长过程中多个波段的光谱信息，这些信息可以反映出水稻植株的生长状态和生理状态，同时，高光谱影像也能够提供更高的空间分辨率和更为细致的地物分类信息，因此在对大面积水稻进行监测时也具有一定的优势。
研究设计与数据采集
2.1研究区域概况
试验小区位于辽宁省抚顺市东部的新宾满族自治县红升乡。红升乡位于温带大陆性季风气候区，具有典型的四季分明的气候特征。冬季寒冷干燥，夏季温暖多雨，春秋季温差较大，气温变化明显。由于其独特的气候和土地条件，该地区一直是水稻研究的重要基地之一。
图1研究区概况
2.2实验数据采集
2.2.1水稻冠层无人机高光谱影像获取
本研究采用了先进的高光谱成像技术和无人机技术，针对水稻分蘖期的田间环境进行了高光谱数据采集，并在采集、处理过程中采取多项措施提高数据准确性，为水稻分蘖数的监测提供了可靠的数据支持。
图2无人机高光谱成像系统
2.2.2地面样本点地理位置测量
本研究采用对40个试验小区的分蘖数样本采样区域的地理位置进行高精度测量并详细记录。测量时，使用该仪器自带的水平仪进行校准，确保测量设备与地面保持垂直。通过采用该测绘仪器，准确获取试验区内各小区分蘖数样本采样区域的地理位置信息。
图3样本点位置
2.3时空水稻分蘖数统计特性分析
2020年新宾小区试验，在地面样本点共采集地理位置信息以及水稻分蘖数有效数据360组。360组样本的水稻分蘖数的概率密度函数如图4所示。
图4水稻360组分蘖数的正态分布
由图4可知，360组水稻分蘖数呈现正态分布，其中均值为18.05万穗/亩，最大值为47.33万穗/亩，最小值为4.12万穗/亩，标准差为6.93万穗/亩，变异系数为38.40%，满足对水稻分蘖数进行建模预测的要求。本研究根据水稻分蘖数实际采集时间，将分蘖期划分为三个阶段，分别为：分蘖初期、分蘖盛期以及有效分蘖临界期。三个阶段的分蘖数统计数据如表1所示，各阶段正态分布如图5所示
图5水稻分蘖三个不同阶段分蘖数的正态分布
表1分蘖期三个不同阶段的分蘖数统计数据表
纯净水稻高光谱提取与光谱特性分析
3.1纯净水稻光谱提取结果对比分析
本研究通过采用GMM、SVM、DT三种算法对同一幅水稻高光谱影像进行分类处理，提取出纯净的水稻高光谱信息，分类结果如图6所示。
图6不同分类算法的效果图
如图6所示，观察到3种不同算法的分类效果都不一样，其中一定存在分类错误的问题。所以，本研究以客观角度去对3种算法的分类效果进行分析，采用混淆矩阵的方式去对分类器进行精度检验，从而去精确地获取分类的结果，结果如表2所示。
表2三种分类方法的精度评价表
3.2水稻冠层高光谱特性分析
3.2.1水稻分蘖期三个阶段冠层高光谱特性分析
水稻冠层高光谱特性信息以及变化是预测水稻分蘖数的基础。如图7所示，在0水平标准插秧丛距，标准施肥密度下，水稻分蘖期三个不同阶段水稻冠层光谱曲线。
图7水稻分蘖期三个不同阶段的光谱曲线
由图7所示，水稻的光谱曲线在分蘖期的三个阶段都表现出几乎相同的波动规律。在可见光区域，400nm至680nm之间，三个阶段反射率一直处于很低的水平，这可能是由于水稻进入分蘖期之后，光合作用日渐变强，不断有新叶片长出，LAI不断增大，对红光以及蓝光的主动吸收增强。在510nm至570nm之间，出现一处小反射率峰，证明对绿光吸收较弱。在570nm至680nm之间反射率降低，对黄绿光的吸收都在加强，表明水稻在不断生长。在近红外区域，从分蘖初期到有效分蘖临界期，光谱曲线有较大波动，三个阶段的光谱反射率均增大。光谱反射率曲线整体表现为分蘖初期低于分蘖盛期和有效分蘖临界期，其中有效分蘖临界期整体光谱反射率最高。
3.2.2五个施氮量处理水平的水稻冠层高光谱特性分析
如图8所示，为在0水平标准插秧丛距，五个不同施氮量处理水平下，水稻有效分蘖临界期冠层光谱曲线。
图8水稻五个施氮量处理水平下的光谱曲线
由图8所示，水稻光谱曲线在标准插秧丛距下的五个施氮量处理水平下，表现出大致相同的波动规律。在可见光400nm-500nm范围内，该波段区间的光谱反射率较为稳定。在500nm-550nm范围内，该波段区间的光谱反射率随着施氮量的增加而增加。因此，较高的施氮量有可能促进水稻生长。在近红外范围内，施氮量为-2水平的光谱反射率明显低于其余4个水平。总体的波动规律表现一致，随着施氮量增加，在可见光范围内高光谱反射率降低，在近红外范围内反射率增加，这可能是由于水稻叶绿素含量、生长状态以及LAI等其他生物量增加导致的影响。从光谱信息可以看出，施氮量的增加可能对水稻生长有促进作用。综上所述，随着施氮量的增加，水稻冠层反射率越大，在可见光区域的反射率变化较小，而在近红外波段内的反射率变化明显。
3.2.3五个插秧丛距处理水平的水稻冠层高光谱特性分析
如图9所示，为在0水平标准施氮量，五个不同插秧丛距处理水平下，水稻有效分蘖临界期冠层光谱曲线。
图9水稻五个插秧丛距处理水平下的光谱曲线
由图9所示，水稻光谱曲线在标准施氮量五个插秧丛距处理水平下，表现出大致相同的波动规律。在400-700nm波段内，水稻叶片主要吸收蓝色光和红光，反射绿光，随着水稻分蘖数的增加，绿光反射率呈现出略微的上升趋势，而蓝光和红光反射率则呈现出下降趋势。这可能是因为较大的插秧丛距导致水稻叶片的绿色区域相对较少，使得绿光在叶片上的反射比例相对减少。在700-1000nm波段内，水稻叶片主要反射近红外光，而吸收蓝色光和红光的能力较弱，因此近红外光反射率呈现出下降趋势，这可能是因为较大的插秧丛距导致水稻植株的覆盖率减少，从而使得近红外光的反射比例相对减少。综上所述，随着插秧丛距的增加，水稻冠层反射率越小，在可见光区域的反射率变化较小，而在近红外波段内的反射率变化较为明显。
总结
本文通过将北方普遍种植的粳优653作为试验对象，基于无人机遥感技术获取水稻分蘖期不同阶段的冠层数码影像和高光谱影像，并对光谱影像进行纯净水稻的提取。通过不同预处理方法对纯净水稻光谱影像进行平滑去噪，分析去噪效果，找到合适预处理方法，随后筛选出分蘖期三个不同阶段的特征波段以及光谱指数，分别采用机器学习和深度学习对分蘖期三个阶段的分蘖数进行建模分析，实现了基于无人机高光谱影像的水稻分蘖数监测模型的构建，有一定的研究收获，本研究基于无人机遥感平台采集的高清数码以及高光谱影像，对两者数据进行空间配准，配合田间分蘖数实测数据以及样本区地理位置信息，构建分蘖数监测数据集。分别利用GMM、SVM、DT三种方法对光谱影像进行纯净水稻光谱提取。结果表明，相对非监督高斯混合模型而言，两种机器学习的方法均能有效提出大量纯净水稻光谱，能有效地剔除水体等其他地物的干扰，决策树分类方法的分类效果最佳，精度达到91.1357%，Kappa系数为0.8172。
