氮素是影响冬小麦生长的重要元素, 如何根据冬小麦需求适时变量施用氮肥是现代农业精准施肥研究需要解决的关键问题之一。 无人机遥感技术在冬小麦生长情况监测中具有高分辨率、 高时效性、 低成本等优势, 为解决施肥需求监测问题提供了重要数据源。 因此研究无人机多光谱影像数据, 构建其与冬小麦产量与施肥量之间的关系模型对于精准施肥研究十分重要。 选择冬小麦典型生产区山东省桓台县为实验区, 布置4种不同施氮水平的田间实验。 利用无人机搭载Sequoia多光谱传感器, 采集实验区不同氮素施肥水平的冬小麦返青初期多光谱影像, 同时测得冬小麦冠层叶绿素含量(soil and plant analyzer development, SPAD)数据及产量数据。 通过多光谱影像数据计算获得归一化植被指数(normalized difference vegetation index, NDVI)、 叶绿素吸收指数(modified chlorophyll absorption ratio index, MCARI2)等6种形式植被指数, 建立无人机多光谱影像植被指数与小麦冠层SPAD值的线性、 二阶多项式、 对数、 指数和幂函数模型, 优选地面氮素状况最优植被指数模型, 反演冬小麦不同施氮水平的状况, 进而根据不同施氮水平与敏感植被指数和冬小麦产量的关系, 构建了基于植被指数指标的氮肥变量施肥模型, 并将模型应用于同时期小麦多光谱影像。 结果如下: (1)地面实测的SPAD值能较好的反映冬小麦施氮水平及生长状况。 无人机多光谱数据分区统计结果表明不同施氮水平冬小麦冠层反射率有较大差异性。 (2)结构性植被指数与SPAD拟合效果优于其他类型指数。 MCARI2的二阶多项式模型精度最优(R2=0.790, RMSE=0.22), 其能较好的移除冬小麦返青初期土壤背景等因素的影响, 为氮肥敏感植被指数。 (3)基于产量-施氮量模型和产量-敏感植被指数模型, 构建敏感植被指数的氮肥变量施肥模型为Nr=10 707.63×MCARI22-5 992.36×MCARI2+715.27。 通过模型应用生成了实验区冬小麦氮肥变量施肥图, 与实际情况具有较高一致性。 该研究提出了利用无人机多光谱数据进行冬小麦施氮决策的模型及方法, 为冬小麦精准施肥的进一步研究提供了依据。

高效无损地评估农作物病害等级, 对于实际农业生产和研究都具有重要意义。 研究探讨了基于低空无人机遥感平台进行水稻纹枯病病害等级评估的可行性, 分析可见光与多光谱传感器的光谱响应差异及其对感病水稻光谱反射率获取的影响, 并定量对比两种传感器的病害监测效果。 实验研究区由67个不同品种的水稻小区组成, 每块小区均分为相接的纹枯病接种区和侵染区。 以大疆精灵Phantom 3 Advanced小型消费级无人机作为搭载平台, 分别搭载该无人机系统自带的可见光传感器和MicasenseRedEdgeTM多光谱传感器获取遥感影像。 同时, 通过植保专家现场调查的方式识别病害等级, 并利用Trimble公司的手持式NDVI测量仪获取实测NDVI值。 基于影像拼接、 波段叠合、 辐射校正后的预处理结果, 对可见光图像的接种区和侵染区共134个小区计算七种可见光植被指数, 即NDI（normalized difference index）, ExG（excess green）, ExR（excess red）, ExG-ExR, B*, G*, R*, 多光谱图像除上述可见光指数外再计算NDVI（normalized difference vegetation index）, RVI（ratio vegetation index）和NDWI（normalized difference water Index）三种多光谱植被指数。 将计算得到的图像植被指数与地面实测NDVI进行相关性分析, 以选取两种传感器的最优图像植被指数建立水稻纹枯病病害等级反演模型。 相关性分析结果表明, 基于多光谱传感器计算的图像NDVI与实测NDVI拟合度最高, 接种区R2为0.914, RMSE为0.024, 侵染区R2为0.863, RMSE为0.024。 对于可见光传感器, NDI与实测NDVI的相关性最好, 接种区R2为0.875, RMSE为0.011, 侵染区R2为0.703, RMSE为0.014。 比较两种传感器两种区域的同一图像植被指数与实测NDVI的一致性, 除B*外, NDI, ExR, ExG-ExR, G*, ExG, R*与实测NDVI基本属于高度相关, 在病害严重的接种区, 两种传感器对水稻纹枯病的监测效果相近, 但在病害相对较轻的侵染区, 多光谱传感器的监测更为精确灵敏。 基于多光谱图像NDVI建立的病害等级反演模型, R2达到0.624, RMSE为0.801, 预测精度达到90.04%, 模型效果良好。 而基于可见光图像NDI建立的反演模型, R2为0.580, RMSE为0.847, 预测精度为89.45%, 效果稍差。 对比分析可见光与多光谱传感器的光谱响应曲线, 可见光传感器可获取可见光范围的红、 绿、 蓝三个波段, 波段范围互相重叠, 多光谱传感器包含五个成像单元, 可独立获取从可见光到近红外的五个窄波光谱波段, 提供更加准确的光谱信息。 比较传感器获取的接种区和侵染区水稻平均反射率曲线得出, 多光谱传感器不仅在可见光波段反映了较可见光传感器更强的差异, 在红边和近红外波段差异则更加明显, 这说明专业窄波段传感器在病害监测方面较宽波段消费级传感器更有优势。 综上所述, 基于可见光与多光谱传感器的低空无人机遥感平台进行水稻纹枯病病害等级评估是可行的, 多光谱传感器精确灵敏, 可用于纹枯病的早期监测, 可见光传感器效果稍差但经济易于推广。 研究结果为病虫害防治提供决策支持, 有助于推动实现精准农业, 保障粮食安全。

基于敦煌辐射校正场, 利用高、 中两类定标场地, 采用反射率基法对资源三号卫星多光谱传感器进行在轨场地绝对辐射定标, 获取多光谱传感器的2013年绝对辐射定标系数, 并与2012年定标结果进行对比分析。 同时, 利用2013年7月1日Landsat 8的operational land imager(OLI)影像对资源三号卫星多光谱传感器进行交叉定标, 验证定标系数的可靠性。 结果表明, 一年来资源三号卫星多光谱传感器各波段性能存在1%～8.5%的变化; 交叉定标和场地定标的结果有较好的一致性, 说明定标结果具有较高的可信度。