关键词：葡萄；生长势；无人机遥感；归一化植被指数；缺株定位；风土；精准农业中图分类号：S 663.1 文献标志码：A 文章编号：0513-353X（2021）08-1626-09

　　Abstract（略)

　　葡萄是全球栽植面积最大，产量最高的果树之一。中国葡萄栽培面积725 067.02 hm（马金平 2 等，2013），规模化和标准化栽培水平不断提升。监测葡萄园的整体生长情况对种植地块的选择与调整、栽培方案的制定和定产等都具有重要的意义，是葡萄园标准化、精准化管理的基础。通常采用普查或抽查等传统方法对果园长势进行检测，但费时费力，无法达到快速、及时、精确的监测（李德美 等，2006）。许多老龄化葡萄园常出现大量缺株、断垄等问题，对产量和质量均有直接影响，造成经济损失（马金平 等，2013；任建强 等，2015）。中国大陆为季风气候，北方葡萄园常受到春季晚霜危害，造成局部或大面积新梢与叶片受损，需要快速准确的方法对受损与恢复情况进行评估。对酿酒葡萄来说，开展与风土（terroir）相关的葡萄生长状态研究，对优化品种的适地适栽，地块精准产量控制都具有重要的意义（Arnó et al.，2009）。迅速发展的遥感技术可提供对地宏观、动态、快速的观测。大田作物遥感监测多使用卫星遥感数据，借助光谱植被指数等对作物长势进行定性和定量分析。

　　归一化植被指数（normalized differential vegetation index；NDVI）常用于遥感监测地面植物生长和分布，1974 年被首次提出（Coops & Stone，2005；Pettorelli et al.，2011），主要是利用土壤和植被在红光波段以及近红外光波段反射波谱的差异进行评估，NDVI 不仅能有效区分草原、森林、非林地和农田，而且能大范围评估各种植被属性，例如叶面积指数（LAI）、植被覆盖度和植物长势（Pettorelli et al.，2005；秦占飞 等，2017）。目前大范围的遥感数据在应用中存在许多问题，例如卫星遥感数据会受到光照和大气的影响，无法快速、实时地获取监测区域的作物信息；相对而言其更适合大田作物的宏观判断，对常规果园中等规模的空间尺度，特别是具体果树单株的情况很难判断（Loranty et al.，2018；Wierzbicki，2018）。

　　随着中国无人机产业的发展，其在植保作业、林业监测、作物授粉等方面的应用日益广泛。农用植保无人机的效率是常规喷洒的数十倍，无人机辅助授粉进行杂交稻制种显著降低了劳动强度，提高了制种效率（Ferrer et al.，2020；胡景辉，2020）。近年来，迅速发展的无人机技术与光谱技术相结合，为宏观、动态、快速地监测果园的生长动态提供了可能（Santesteban et al.，2013）。农用无人机飞行高度低，通常在 50 ~ 100 m，无需大气校正，飞行控制系统较为简单，测控空间与果园规模匹配（Honkavaara et al.，2013；Gago et al.，2015）。探索基于无人机配备多光谱相机获得的 NDVI在葡萄长势监测和缺株定位中的应用，对支持精准化、数字化果园栽培，提高果树生产效率具有重要意义。

1 材料与方法

1.1 试验葡萄园概况

　　试验区域位于河北怀来紫晶葡萄庄园（40°23′S，115°33′W），土壤类型以淡灰钙土、风沙土为主。葡萄种植面积约 18 hm2，园区坡度 1% ~ 3%。该测飞区包括 7 个地块（1 ~ 7 号），分别种植 4个品种，南北方向种植。栽培品种有赤霞珠（Cabernet Sauvignon，2008 年定植）、马瑟兰（Marselan，2010、2013 定植）、品丽珠（Cabernet Franc，2008 年定植）、霞多丽（Chardonnay，2009、2010年定植）。栽植密度 3 140 株 · hm-2（株行距 1.2 m × 2.65 m），采用“厂”形树形，篱架高 1.8 m，灌溉统一管理。

1.2 图像采集和植被指数映射

　　汉鲲 F4 航测无人机配备 HK-F2 飞控系统（可完成 26.67 hm2 测绘面积），依靠双天线定向和 GPS　RTK 定位，能够实现厘米级别的航线跟踪精度和航向上的强抗磁干扰能力；配备 6 镜头多光谱相机

（1DS Mark II，Canon Inc.，Tokyo，Japan），可以同时采集物体对 6 种不同波段光谱的反射。多光谱相机波段范围为蓝光（450 nm）、绿光（535 nm）、红光（660 nm）、红边（710 nm）、近红外（840 nm 和 940 nm）。

　　分别于 2019 年 10 月 9 日和 2020 年 10 月 10 日飞行采集数据，使用 Navcam 软件（www.ensomosaic.com）控制导航参数和照相机。测飞日天气晴朗，上午 10 时左右进行。飞行高度距地面 70 m，飞行速度 5 m · s-1，航线间距 20 m，航线总长 10.2 km，总飞行时间约 41 min。

　　地面空间分辨率（GSD）设定为 5 cm，照片分辨率为 200 万像素。2019 年测绘共拍摄照片 5 022张，每个波段的照片各 837 张，横向和纵向重叠率分别为 65%和 70%。使用 EnsoMOSAIC 软件（MosaicMill Ltd.，Vantaa，Finland）处理获得的图像，生成地理参照和正位矫正马赛克。从生成的拼接图中提取红光（R，600 ~ 700 nm）和近红外（NIR，700 ~ 900 nm）区域的光谱数据，计算植被绿度的 NDVI 值。NDVI =（NIR–R）/（NIR + R），NIR 为近红外波段反射率，R 为红光波段反射率。

　　使用 ArcGIS（ESRI Inc.，Redlands，California，USA）的 ArcMap 9.2 套件，按照 Primicerio 等（2015）的算法，对 NDVI 图进行处理，去除行间覆盖作物产生的反射率。每次飞行中捕捉到的 5 cm分辨率的图像被切割成覆盖葡萄园大小的光栅。

1.3 图像采集和植被指数映射

　　参考遥感生态指数（remote sensing ecological index，RSEI），利用 NDVI 作为评价依据，对葡萄长势进行分级，NDVI 的取值在 0 ~ 1，NDVI 值越大代表葡萄长势越茂盛（赵希妮，2019）。参考《生态环境状况评价技术规范》（2015）将葡萄长势分为 4 个等级：较差（0 ~ 0.25）、一般（0.25~ 0.50）、良好（0.50 ~ 0.75）、优良（0.75 ~ 1.00）。

1.4 基于 NDVI 图像的葡萄缺株定位

为便于图像处理和提取像素点数据进行分析，将葡萄园 NDVI 图像由 RGB 格式转换为由色调

（hue）、饱和度（saturation）和明度（value）表示的 HSV 格式（张国权 等，2010）。通过设定这3个维度通道的阈值，保留图像中有效植被信息，并转换为二进制图像，其中仅白色像素点表示葡

萄叶片的位置。基于葡萄逐行种植特征，在图像坐标系中，直线扫描整个图像，自动辨识出叶片的位置，聚类出葡萄行。以葡萄行内架杆为间隔构建行内单元，计算行内单元中葡萄叶片像素和整行叶片像素的比值，得到数值[0，1]的葡萄行连续性指标，根据生产经验规定架杆单元内连续性小于0.600 为缺株。

2 结果与分析

2.1 不同葡萄品种植被绿度的归一化植被指数（NDVI）

通过 2019 年拍摄的 5 022 张多光谱照片合成获得试验测飞区整体照片（图 1）。

图 1 2019 年无人机多光谱成像合成的测飞区地图测飞区面积 15.33 hm2。

　　NDVI 最小值、最大值和平均值可以反映各品种葡萄叶幕分布的均匀度与整体生长水平。从最小值来看，1 号地块（赤霞珠）NDVI 最小值为 0.351（表 1），在所有地块中最低，表明存在叶幕最稀疏的位置，这与图 1 多光谱成像照片中 1 号地块左上角存在一片显著的植被稀疏区域一致；3 号地块（品丽珠）NDVI 最小值为 0.564，在所有地块中最高，说明该地块葡萄生长情况较好，行内很少有裸露地面。从最大值来看 2 号地块（马瑟兰）NDVI 最大值为 0.993，在整个测飞区中最大，说明该地块叶幕最为茂盛的区域。从平均值来看，2 号和 4 号马瑟兰两个地块的 NDVI 平均值均较高，其次是 1 号和 5 号赤霞珠，再后是 6 号品丽珠、7 号霞多丽，反映了在同一个葡萄园中马瑟兰和赤

表 1 2019 年无人机测飞地块遥感数据 NDVI

　　赤霞珠的生长与叶幕饱和度高于品丽珠和霞多丽，这与田间观察到的品种特性一致。从标准差来看，品丽珠两个地块的 NDVI 标准差最小，说明其生长均一度最高，其他地块的品种的 NDVI 标准差都在 0.1 左右，说明该葡萄园管理整体优良，葡萄行内的生长均一度较高。

2.2 NDVI 评估早霜危害

　　2020 年 10 月 10 日的测飞试验与 2019 年相差 1 d。2020 年 10 月 8 日夜间出现了较强的早霜危害，为利用无人机高光谱遥感评估葡萄园冻害提供了良好契机。从表 2 可以看出：早霜危害后各地块 NDVI 最小值都降到 0.1 以下，与 2019 年相比最大值下降 0.12 ~ 0.26，平均值下降 0.177 ~ 0.344，标准差上升，说明各地块均出现了叶幕严重受损的区域。从最能直观反应葡萄叶幕变化的 NDVI 平均值变化来看，6 号地品丽珠的叶片受损情况最重，3 号地品丽珠的叶片受损最轻。

表 2 2020 年早霜危害后测飞地块遥感数据 NDVI

2.3 葡萄种植区地块生长情况分级

　　以测飞区种植面积最大的赤霞珠地块为例，在无人机多光谱成像合成的测飞区地图上，将赤霞珠 1 号地块和 5 号地块分别进行横向 3 分、纵向 2 分，划分为 12 个小地块，其中 1 号地块从左到右、从上到下分别标记为CS2008-1-1 ~ CS2008-1-6，5 号地块从左到右从上到下分别标记为CS2008-5-1 ~CS2008-5-6，对地块内的 NDVI 数据进行统计。表 3 表明，在 12 个子区中，NDVI 均值最大为 0.762。

表 3 赤霞珠种植区 CS-2008-1 和 CS-2008-5 内 6 个子区的 NDVI 和葡萄长势评估（2019 年 10 月 9 日）

　　最小为 0.492，其中大于 0.75 的地块有 2 个，低于 0.7 的地块有 4 个，说明同年栽培、地块紧邻、管理方案一致的小地块的平均叶幕指数存在明显不同，植株长势存在不同。NDVI 的方差除CS2008-5-1 和 CS2008-5-2 较高外，其他均低于 0.1，说明同年栽培、地块紧邻、管理方案一致的小地块的平均叶幕指数存在明显不同，植株长势存在不同。在实践中可以通过控制 NDVI 方差，对地块进行划分，作为风土划分的依据之一。

2.4 缺株定位

　　选取赤霞珠种植区 CS2008-1-1，将图像色彩从 RGB 转换到 HSV 空间，进而转换为二进制图像，

其中白色像素点表示植被位置（图 2，A）。通过机器识别，自动勾画出每行的叶幕宽度，标记出缺

株的位置（图 2，B）。

图 2 葡萄行的缺株定位

　　A：HSV 二进制叶幕分布图；B：自动识别葡萄行叶幕宽度和缺株位置，平行的红线代表机器自动识别的葡萄叶幕宽度，两条邻近红线之间的黑色区域为自动识别的行内无叶幕区域。

　　基于对葡萄行 HSV 图像的自动识别，可计算出各葡萄行中叶片所占面积与整行面积的比值，得到介于[0，1]之间的葡萄行连续性指标。对成龄葡萄园以连续性指标低于 0.600 作为判别缺株的阈值。在 CS2008-1-1 地块的 80 行葡萄中，68 行的连续性指标高于 0.7，表明这些葡萄行内叶幕连续性良好；12 行低于 0.6，存在缺株；其他 10 行为长势一般（表 4）。

表 4 地块中 80 行葡萄的 NDVI 连续性指标

注：以连续性指标低于 0.600 作为判别缺株的阈值。

3 讨论

　　近年来国产葡萄酒产业进步显著，对品质的追求成为精品酒庄的核心理念，对葡萄园精准栽培、风土与地块科学划分的需求强烈。新农科与新栽培学理念也强调积极融合各种新技术手段，更好地服务产业。本研究中采用无人机和高光谱遥感两项技术与果树学研究相结合，对促进葡萄产业发展具有重要意义。

　　无人机的类型和用途很多，在自重、可携带重量、续航时间、飞控系统及飞行的稳定性等方面差异很大（Grant，2017）。果园种植环境差异大，需要无人机在不同风速、不同地理环境和立体障碍物（如电线杆、防护林、高压电线和传输塔等）存在的条件下完成良好的飞行（薛新宇 等，2008；吴小伟 等，2010）。果园生长势测控飞行对无人机需携带的重量要求不高，飞行稳定性好、自重较轻的小型无人机就可以完成预定的任务。在本试验中选择自重 1 kg、配备 HK-F2 飞控系统的汉鲲F4 航测无人机，其便于携带，操作较简单，可以在一般天气下完成葡萄园航测任务。

　　多光谱相机获得的影像需要有足够的空间分辨率和尽可能小的误差。目前无人机所携带的多光谱相机主要包括单镜头和多镜头两种。单镜头多光谱相机是在探测器的像元上分别镀不同波段的滤波膜，实现多光谱的成像结果，优点是体积很小，无需考虑空间配准等问题，缺点是空间分辨率较低。多镜头多光谱相机可以同时采集不同的光谱数据，技术成熟、成本低，体积大于单镜头多光谱相机，但仍然适合无人机携带，因此在果园应用中常采用后者（Jhan et al.，2018；Wierzbicki et al.，2018；Guo et al.，2019）。

　　受环境条件等影响，没有两张遥感图像是完全相同的，NDVI 数据也是如此。与可以用参考数据评估的土地使用分类不同，特定的 NDVI 值并没有唯一的解释，目前尚没有正反参考数据可以用来以常规精度评估验证 NDVI 数据（Shao et al.，2019）。在本研究中参考 RSEI 评估长势，在实际操作中，可结合具体研究目的、葡萄园具体情况和栽培经验，对 NDVI 范围与阈值设定进行精细调整。

　　此外，葡萄叶幕随生长期会发生变化，可以在 1 年内多次测飞，收集 NDVI 年度变化数据，为评估年份差异、物候期早晚等提供参考（Vicente-Serrano et al.，2016；Tian et al.，2017）。

　　本研究中对同一葡萄品种的种植区采用了直线等分，比较地块间和不同行 NDVI 数据的最小值、最大值、平值和标准误。在更精细的风土研究中，可以对 NDVI 平均值和标准误进行设置，通过自动化的数据运行，对地块进行非等面积和非直线划分，标出某一种植区或种植行内葡萄生长表现不同的地块或区段。由于风土的复杂性，除使用 NDVI 作为植被健康和生长的直接指标（McVeagh et 王浩淼，宋苗语，李 翔，扈朝阳，鲁任翔，王 翔，马会勤.

无人机高光谱遥感监测葡萄长势与缺株定位.

　　园艺学报，2021，48 (8)：1626–1634. 1633al.，2012），还应结合栽培、土壤、气象等数据作为葡萄园风土细分的参考。利用 NDVI 数据对霜冻、干旱和病虫等危害进行评估已经成为可能和必然的发展趋势（于舒怡等，2016；Huang et al.，2020）。中国地处大陆季风气候区，北方的葡萄园秋季容易遭受早霜的危害，而春季容易遭受晚霜的危害，严重的晚霜危害会造成葡萄园的严重减产（张振文和陈武，2011），霜冻后对受害程度进行快速准确的评估是制定补救措施、了解措施效果和保险理赔等的迫切需要。本试验中发现在早霜危害后 48 h 内 NDVI 数据与前一年的同期相比已出现了非常显著下降，说明可以利用无人机高光谱遥感评估葡萄园霜冻危害后的受损情况。今后如再遇上此类危害或病虫害的发生，可进一步验证评估结果。

　　综上所述，利用无人机获得高光谱遥感数据对研究葡萄园的叶幕特点，合理划分种植地块，进行评估生物和非生物胁迫受损情况，以及判断缺株断垄等都具有良好的应用前景。

马会勤团队介绍

　　该团队由中国农业大学、中山汉鲲智能科技有限公司北京分公司、怀来紫晶庄园葡萄酒有限公司三方组成。中国农业大学是我国农业科技的国家队，在葡萄栽培和葡萄酒产业发展研究中开展了大量的研究，成果丰硕；中山汉鲲智能科技有限公司北京分公司主要从事无人机飞控，以及无人机在农业、环境污染监控、生态安全等领域的应用；怀来紫晶庄园葡萄酒有限公司是怀来产区知名的酒庄酒生产企业，多次获得国际和国内葡萄酒比赛的金奖。

　　三方联合开展了无人机在葡萄园精准管理中的应用研究，除文章所体现的葡萄长势与缺株断垄识别与定位，无人机还适合执行酒庄晚霜与早霜危害的评估、埋土防寒质量检查、墒情评估、病虫害的早期发现等任务。

　　参考文献略。