无人机搭载多光谱相机如何跟踪分析作物和土壤？

1.无人机多光谱分析原理简述

多光谱无人机传感器可捕获电磁波谱可见光和近红外部分的高分辨率影像，从而可以计算植被指数。

电磁波谱是波长范围很广的，每个波长都携带信息。其中只有一小部分是人眼可见的。当我们观察任何东西时，我们可以看到的是红色，绿色和蓝色（RGB）的反射色谱，我们将其解释为基于波长的彩虹颜色的任意组合。普通的RGB相机过滤波长，以获得我们可以看到的信息。多光谱相机配备了镜头和滤光片，可以拾取超出可见光谱的波长 - 在红外波长的方向上。

为什么这对分析作物和土壤很重要？植物和土壤根据其内容物吸收和反射来自阳光的波长。例如，当植物健康并进行光合作用时，它会吸收大量的红光和蓝光，并反射绿色和更多的红外光。

当你观察富含叶绿素（绿色）的植物时，你会看到植物反射的光的波长，而不是它吸收的波长（蓝色和红色）。叶子中叶绿素的产生导致大量的红外光反射率，但我们看不到这一点。多光谱传感器可以记录这一点，因此我们可以。这是有用的，因为减少的红外反射率信号在我们用肉眼看到叶绿素之前就降低了叶绿素的产生，所以我们可以通过多光谱无人机传感器主动跟踪植物的健康状况。

2.无人机多光谱分析作物土壤优势

多光谱数据及其在植被分析中的应用并不是什么新鲜事。几十年来，由于卫星图像，农学家，农民和林业专业人员以及环境研究人员一直依赖这些信息。然而，卫星引入了它们的局限性。即：较低的分辨率，门控访问和云层覆盖的中断。然而，配备多光谱摄像头的无人机解决了这些限制。

3.无人机多光谱分析案例简述

冬小麦前期的长势监测任务

本次农情监测搭载的多光谱相机总共有五个镜头，分别对应近红外、红光、绿光、红边、以及RGB合成。根据采集的数据选择归一化差分植被指数（Normalized Difference Vegetation Index， NDVI）来综合反映冬小麦的生长分布和覆盖情况。

植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础。通过这两个波段测值组合得到的NDVI指数，对土壤背景变化敏感，能较好地识别植被和水体。在植被处于中、低覆盖度时，该指数随覆盖度的增加而迅速增大，当达到一定覆盖度后增长缓慢，所以适用于植被早、中期生长阶段的动态监测。

NDVI = （ρNIR-ρR）/（ρNIR+ρR）式中：ρNIR是近红外波段的反射率，ρR是红光波段的反射率。可见光红光波段（0.58-0.68μm）位于叶绿素吸收带，近红外波段（0.75-1.10μm）位于绿色植物光谱高反射区。

NDVI取值范围：-1～1，NDVI值近似为0表示无植被的裸土区；NDVI正值表示有植被覆盖，且随覆盖度增大而增大，大于0.7表明该区域植被密度较高；而地面覆盖水雪区域NDVI是负值。NDVI是植物空间密度和植物生长状态的zui好指示因子，与植被覆盖的分布密度呈线性相关关系，一般应用于检测植被生长状态、植被覆盖等领域。

实际应用

根据客户需求拍摄监测区域（57亩），每个镜头124张照片，共计620张。将拍摄数据导入后处理软件Terra，可以得到测区RGB合成正射影像图，以及各个波段的反射地图和指数图。

根据不同需要可以将波段进行组合计算得到植被指数，这边计算的是NDVI指数图。结合图表可以看出：红色区域表示有水区域，接近0值部分是道路和裸土，左边绿色较密集区域植被覆盖较好，右边部分由于冬小麦正处于出苗期，叶面积小，NDVI值较小呈现土黄色。

任务备注：

图表体现了这个区域本时段植被分布情况以及植被覆盖比值。鉴于这种情况，我们可以对这个区域作定期监测，同样以NDVI指数作为参评标准，这样可以得到冬小麦生长期的发育状况，作为产量评估和虫害评估的主要依据，对时时的监测小麦生长状况，提高小麦的实际产量具有显著意义。