论文部分内容阅读
摘要：针对快速检测农药喷洒效果和农药利用率问题，通过设计1组喷药对比试验，分析不同区域杂草的颜色特征（RGB）、颜色空间转换特征（HLS、HSV）、纹理特征（mean、variance等）、可见光波段植被指数（EXG、EXR、VDVI等），比较各个特征及指数在喷药和对照区的差异，筛选出最优特征或指数进行阈值分割;在此基础上，计算喷药前后杂草像元数评估无人机喷药的除草效果。试验结果表明，利用归一化过红、过绿植被指数之差（EXG-EXR）可有效检测喷药除草效果，该方法能够为提高农田喷药效果提供技术支持。
关键词：无人机;可见光波段;颜色特征;植被指数;喷药试验
无人机（unmanned aerial vehicle，简称UAV）可以进行播种、施肥、喷药、产量评估以及病虫害检测等多种操作，与其相关的技术正在快速地推动农业信息化的发展[1]。无人机遥感具有低空观测、机动灵活、成本相对较低等优势[2-4]，是提高农业机械化发展的重要技术力量[5]。
大田农药喷洒效果问题一直是关乎农作物产量的关键性问题[6]。农药喷洒太少或者不均匀都会影响作物病虫害防治效果，既关系到作物产量和品质，也会产生生态环境污染问题。所以如何借助无人机遥感促进大田农药喷施技术发展以及效果评估，成为当前农业生产关注的热点问题之一。
试验分为喷药、非喷药的2块区域，在此基础上，进一步划分出均匀喷药区域、飘移区域和地块边缘区域。试验思路是通过分析各个区域的图像特征找出差异;计算9种常见的植被指数[7]并确定最能表征喷药效果的植被指数。最后利用RGB（红光、绿光、蓝光）颜色波段、可见光波段植被指数和支持向量机[8]3种图像阈值分割方法来直观显示喷药除草效果。由于基于像元的方法[9]在农田作物的检测方面效果良好[10-12]，本研究最终利用基于像元的方法作出喷药率估算，研究结果旨在为今后农业生产中无人机喷药效果评估提供借鉴。
1 材料与方法
1.1 研究区概况
试验地点位于安徽省合肥市庐江县白湖镇白湖农场。无人机图像拍摄时间分别为2018年4月20日、4月28日 13：00 至14：00之间。总面积0.37 hm2。4月20日天气状况为多云，风力为南风2级。4月28日天气状况为多云、风力为东南风2级。喷药时间为4月24日，天气状况为多云，风力为西北风1级，适宜开展无人机喷洒作业。喷药前后田块对比见图1。
1.2 试验设计
试验地块分为2块相同大小、种植密度相同的区域，杂草为芒草（Miscanthus），除草剂为草甘膦。其中一个区域不进行无人机喷药，称为非喷药区。另一个区域则进行喷药处理，称为喷药区。由于风向的原因，无人机在喷洒农药时会发生不同程度的农药雾滴飘移。根据田间调查并结合无人机拍摄的高清图像，可看到明显的飘移区（图2）。根据图像成像效果，试验地块被分为飘移区、均匀喷药区、地块边缘区、喷药区、非喷药区5个区域，无人机拍摄各个划分区域见图2。
1.3 无人机系统介绍
无人机型号为大疆公司生产的精灵4 pro，搭载高分辨率相机，在40 m飞行高度下，空间分辨率约为1 cm，2条航线覆盖整个试验区。试验当天微风，设置飞行速度为3.5 m/s。
本试验所用图像裁剪工具为ENVI 5.3，图像拼接采用PhotoScan 1.4.1软件。
2 結果与分析
2.1 整体区域数据处理
4月20日、4月28日2个时期整体区域颜色波段分量结果见表1，其中R、G、B分别代表RGB颜色空间的红光、绿光和蓝光波段均值;H、L、S分量分别代表HLS颜色空间的色相（hue）、亮度（luminance）和饱和度（saturation）均值;H、S、V分量分别代表HSV颜色空间的色相、饱和度和明度（value）均值。为了更直观地看出差异，还进行了常见可见光植被指数计算，包括归一化红植被指数（R*）、绿植被指数（G*）、蓝植被指数（B*）;归一化过绿植被指数（EXG）[13]、过红植被指数（EXR）[14];可见光波段差异植被指数（VDVI）[15]、归一化绿红差异指数（NGBDI）、归一化绿蓝差异植被指数（NGRDI）[16]，表2为所用到的可见光波段植被指数，计算公式如下：
2.2 局部区域数据处理
从图2可以看出，非喷药区域的杂草健康生长，而喷药区域的大多数杂草已被除去。从颜色特征和可见光波段植被指数中可以观察出2个区域在前期没有明显差异，但是在后期喷药区域比非喷药区域的R波段值上升快，且G波段值下降要快，而最明显的变化差异反映在EXG-EXR植被指数上（表3、表4）。
无人机在飞行过程中是沿主航线直线飞行，喷洒农药时由于风向的影响，使得一部分农药雾滴被风吹离主航线，偏离了预设的喷洒路线，造成了农药喷雾中的飘移现象。部分农药雾滴向西北方向偏移，从图2可以看到一块飘移区域。这个现象在无人机喷药的过程中较常见，是会影响农药喷洒效果和农药覆盖度均匀性的重要因素。本研究着重观察了农药在飘移区域对杂草的除草效果，试验发现飘移区域的杂草除草率要高于其他喷药区域;地块边缘区域的杂草除草率要高于飘移区域，在颜色特征和植被指数都有所差异。
2.3 纹理特征分析
试验过程中对不同区域也进行了纹理特征分析，取均值、方差、熵、偏离度4种纹理特征值（表5）。试验选取各个区域R、G、B波段的均值（图3）。从表5可以看出，4月20日同一区域的R、G、B波段中G波段均值最高，而4月28日除了非喷药区域以外其他区域的R、G、B波段中R波段均值最高。4月20日同一区域的R、G、B波段之间均值差异相对于4月28日的R、G、B波段之间均值差异更大，主要原因在于后期经过喷药除草后各个区域地表裸露出来、杂草减少。从方差分析来看，4月20日同一区域的R、G、B波段中G波段方差均值最高，而4月28日除了非喷药区域以外其他区域的R、G、B波段中R波段均值最高。从熵分析来看，2个时期中各个区域R、G、B波段的熵值差异不大，非喷药区域熵值相对偏高，飘移区域熵值相对偏低。2个时期中各个区域的偏离度极低且差异很小。 从图3可以看出，飘移区域、地块边缘区域、均匀喷药区域3个区域分别在2个时期的纹理特征无明显差别。表明从纹理特征中能观察出喷药前后杂草的变化。
2.4 基于图像分割的除草率计算
利用G-R波段自动阈值分割后的二值化图像作为掩膜，提取分割出植被。统计前后2个时期的植被像素数，最后分别计算出均匀喷药区域、飘移区、地块边缘区的除草率，并比较它们之间的差别。平均每15个像素代表1株植被，经过试验统计，4月20日地块边缘区、均匀喷药区、飘移区的G-R图像分割效果见图4-b。
从表2、表4可以看出，EXG-EXR植被指数均值在各个区域都有比较明显的差别，故利用EXG-EXR植被指数二值化后的图像做阈值分割提取出植被。发现这种方法更能提取出健康的杂草，比G-R的分割方法精确度更高，计算出的除草率也更高。4月20日地块边缘区、均匀喷药区、飘移区的EXG-EXR图像分割效果见图4-c。
从图4-a从左到右分别是4月20日地块边缘区、均匀喷药区、飘移区的原图，图4-d左、右2个图分别是图4-b、图4-c中地块边缘区域红色方框所在的局部放大。从 图4-d 可以发现，EXG-EXR阈值分割图比G-R阈值分割图更加精细，即EXG-EXR阈值分割去除了原图当中一些发白和偏黄的杂草像元，最后只保留健康的杂草像元。实际当中偏黄和发白的杂草随着时间的推移会逐渐死亡，所以 EXG-EXR阈值分割的效果更加贴近于真实的除草情况。
试验也利用支持向量机（support vector machine，简称SVM）从不同区域中随机取健康杂草100个像素点和背景100像素点的RGB值进行训练，利用训练的模型对原图进行分类。发现支持向量机的方法计算出的除草率偏低，跟实际情况偏差较多，而且模型训练过程繁琐、计算精度跟取样点大小有关，所以SVM方法不适合大范围拍摄、研究对象个体较小且数量多的条件下的图像分割。计算所得的除草率见表6。除草率计算为公式（2）。
试验中利用样方法对原图各个区域进行采样，人工手动记录采样样方的植被和背景像元数，计算二者的比值作为实测的除草率。对比3种方法的除草率发现，在均匀喷药区中G-R阈值分割和EXG-EXR阈值分割的除草率跟实测值90.249%最为相近，除草率分别为95.014%、97.580%，基于SVM方法测得的除草率仅为70.504%，主要是SVM方法训练样本偏少，不能准确估计大面积杂草的除草率（表6）。
3 讨论与结论
3.1 特征分析
分别选取表1、表2、表3和表4的全部数据制成折线图形式，如图5-a、图5-b、图5-c和图5-d所示。
整体区域由于后期喷洒农药除去了很多杂草，整体区域颜色偏黄，因此4月28日的R、B、B*、R*、EXR值比4月20日的高，而G、G*、H、S、EXG、NGBDI、NGRDI值比4月20日的低。
4月20日喷药区域与非喷药区域差别不大，而4月28日二者的区别很明显。喷药区R、B、B*、R*、EXR值比非喷药区域高，而G、G*、H、S、EXG、EXG-EXR、NGBDI、NGRDI值比非喷药区域低。喷药区域的纹理特征比非喷药区域小，主要因素是杂草喷药后枯萎失绿，背景土壤暴露出来，导致纹理特征值偏低。
飘移区域、均匀喷药区域、地块边缘区域：从RGB、HLS、HSV 3个颜色空间特征来看，2个时期的飘移区域、地块边缘区域、均匀喷药区域各分量均值依次递增。从植被指数来看，4月20日正常喷药区域和飘移区域的植被指数差别不大，而地块边缘区的EXG-EXR、VDVI、NGBDI、NGRDI值低于前二者，从侧面说明地块边缘区播种的密度相对较低。4月28日 3个区域的植被指数值并没有明显差别。
3.2 除草率对比
从G-R阈值分割法来看，地块边缘区、飘移区、均匀喷药区除草率依次递减。原因在于均匀喷药区的杂草长势比较旺盛，播种比较均匀，所以在喷药后所残留的杂草较多。地块边缘区杂草相对播种较少，无人机喷洒的农药也能覆盖到此区域。故地块边缘区的除草率最高。
从数据上来看，飘移区并没有因为农药飘移的原因而产生过度影响，其除草率也很高。无人机的路线是直线飞行，当某一瞬时风向使农药以雾滴的形式降落到飘移区，故飘移区的除草率也相对较高。试验结果表明，飘移区域的除草率与均匀喷药区的除草率没有明显差别，即飘移现象对杂草的除草效果没有明显不好的影响。但是飘移现象会造成农药的浪
费，还可能会造成某些区域的喷洒不均匀，为避免这种现象发生，应该在风力较小的情况下用无人机喷洒农药或者通过无人机遥感航空制图后针对性地实施补救措施。
数据显示基于EXG-EXR阈值分割的方法计算出的除草率更高一点，主要是这种方法更能有效地分割出绿色植物，去除了一些已经死亡但是仍存在地里的杂草，所以对健康绿色杂草的分割更加精确，也使得除草率的计算更加准确。因此EXG-EXR阈值分割方法比G-R阈值分割方法更好。
本试验探讨了在复杂背景、目标物体繁多且小的情况下，分割处理方法及机器学习方法的处理效果，并对农业喷药中常见的飘移现象进行了分析。试验验证了EXG-EXR植被指数分割效果相对于传统分割方法效果更好，且佐证了基于SVM的机器学习分割方法在处理样本多且尺寸细小物体时效果并不理想，而且工作量很大。本试验填补了国内利用EXG-EXR植被指数进行喷药除草评估应用的空白，能为大面積喷药除草效果评估提供借鉴。同时，随着多光谱、高光谱等新型传感器的使用，也为更加精准的农药喷洒评估提供了新的技术支持。
参考文献：
[1]金 伟，葛宏立，杜华强，等. 无人机遥感发展与应用概况[J]. 遥感信息，2009（1）：88-92.
[2]李 冰，刘镕源，刘素红，等. 基于低空无人机遥感的冬小麦覆盖度变化监测[J]. 农业工程学报，2012，28（13）：160-165. [3]Zhang C H，Kovacs J M. The application of small unmanned aerial system for precision agriculture：a review[J]. Precision Agriculture，2012，13（6）：693-712.
[4]Everaerts J. The use of unmanned aerial vehicles（UAVs）for remote sensing and mapping[J]. Remote Sensing and Spatial Information Sciences，2008，144：1187-1191.
[5]汪 沛，罗锡文，周志艳，等. 基于微小型无人机的遥感信息获取关键技术综述[J]. 农业工程学报，2014，30（18）：1-12.
[6]王 玲，兰玉彬，Hoffmann W C，等. 微型无人机低空变量喷药系统设计与雾滴沉积规律研究[J]. 农业机械学报，2016，47（1）：15-22.
[7]汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报，2015，31（5）：152-159.
[8]Vapnik V N. An overview of statistical learning theory[J]. IEEE Transactions on Neural Networks，1999，10（5）：988-999.
[9]郭 鹏，武法东，戴建国，等. 基于无人机可见光影像的农田作物分类方法比较[J]. 农业工程学报，2017，33（13）：112-119.
[10]Miao R H，Tang J L，Chen X Q. Classification of farmland images based on color features[J]. Journal of Visual Communication and Image Representation，2015，29（2）：138-146.
[11]Sklenicka P. Classification farmland ownership fragmentation as a cause of land degradation：a review on typology，con-sequences，and
remedies[J]. Land Use Policy，2016，57（3）：694-701.
[12]Mesas-Carrascosay F J，Notario-Garcia M D，de Larriva J E M，et al. Validation of measurements of land plot area using UAV imagery[J]. International Journal of Applied Earth Observation and Geoinformation，2014，33（5）：270-279.
[13]Mao W H，Wang Y M，Wang Y Q. Real time detection of between-row weeds using machine vision[C]. Las Vegas，Nv July，2003.
[14]龙满生，何东健. 玉米苗期杂草的计算机识别技术研究[J]. 农业工程学报，2007，23（7）：139-144.
[15]杨 柳，陈延辉，岳德鹏，等. 无人机遥感影像的城市绿地信息提取[J]. 测绘科学，2017，42（2）：59-64.
[16]江 洪，汪小欽，吴 波，等. 地形调节植被指数构建及在植被覆盖度遥感监测中的应用[J]. 福州大学学报（自然科学版），2010，38（4）：527-532.张 悦，施 维，李 丹，等. 禾谷镰刀菌全基因组候选效应因子预测与分析[J]. 江苏农业科学，2019，47（6）：81-84.
关键词：无人机;可见光波段;颜色特征;植被指数;喷药试验
无人机（unmanned aerial vehicle，简称UAV）可以进行播种、施肥、喷药、产量评估以及病虫害检测等多种操作，与其相关的技术正在快速地推动农业信息化的发展[1]。无人机遥感具有低空观测、机动灵活、成本相对较低等优势[2-4]，是提高农业机械化发展的重要技术力量[5]。
大田农药喷洒效果问题一直是关乎农作物产量的关键性问题[6]。农药喷洒太少或者不均匀都会影响作物病虫害防治效果，既关系到作物产量和品质，也会产生生态环境污染问题。所以如何借助无人机遥感促进大田农药喷施技术发展以及效果评估，成为当前农业生产关注的热点问题之一。
试验分为喷药、非喷药的2块区域，在此基础上，进一步划分出均匀喷药区域、飘移区域和地块边缘区域。试验思路是通过分析各个区域的图像特征找出差异;计算9种常见的植被指数[7]并确定最能表征喷药效果的植被指数。最后利用RGB（红光、绿光、蓝光）颜色波段、可见光波段植被指数和支持向量机[8]3种图像阈值分割方法来直观显示喷药除草效果。由于基于像元的方法[9]在农田作物的检测方面效果良好[10-12]，本研究最终利用基于像元的方法作出喷药率估算，研究结果旨在为今后农业生产中无人机喷药效果评估提供借鉴。
1 材料与方法
1.1 研究区概况
试验地点位于安徽省合肥市庐江县白湖镇白湖农场。无人机图像拍摄时间分别为2018年4月20日、4月28日 13：00 至14：00之间。总面积0.37 hm2。4月20日天气状况为多云，风力为南风2级。4月28日天气状况为多云、风力为东南风2级。喷药时间为4月24日，天气状况为多云，风力为西北风1级，适宜开展无人机喷洒作业。喷药前后田块对比见图1。
1.2 试验设计
试验地块分为2块相同大小、种植密度相同的区域，杂草为芒草（Miscanthus），除草剂为草甘膦。其中一个区域不进行无人机喷药，称为非喷药区。另一个区域则进行喷药处理，称为喷药区。由于风向的原因，无人机在喷洒农药时会发生不同程度的农药雾滴飘移。根据田间调查并结合无人机拍摄的高清图像，可看到明显的飘移区（图2）。根据图像成像效果，试验地块被分为飘移区、均匀喷药区、地块边缘区、喷药区、非喷药区5个区域，无人机拍摄各个划分区域见图2。
1.3 无人机系统介绍
无人机型号为大疆公司生产的精灵4 pro，搭载高分辨率相机，在40 m飞行高度下，空间分辨率约为1 cm，2条航线覆盖整个试验区。试验当天微风，设置飞行速度为3.5 m/s。
本试验所用图像裁剪工具为ENVI 5.3，图像拼接采用PhotoScan 1.4.1软件。
2 結果与分析
2.1 整体区域数据处理
4月20日、4月28日2个时期整体区域颜色波段分量结果见表1，其中R、G、B分别代表RGB颜色空间的红光、绿光和蓝光波段均值;H、L、S分量分别代表HLS颜色空间的色相（hue）、亮度（luminance）和饱和度（saturation）均值;H、S、V分量分别代表HSV颜色空间的色相、饱和度和明度（value）均值。为了更直观地看出差异，还进行了常见可见光植被指数计算，包括归一化红植被指数（R*）、绿植被指数（G*）、蓝植被指数（B*）;归一化过绿植被指数（EXG）[13]、过红植被指数（EXR）[14];可见光波段差异植被指数（VDVI）[15]、归一化绿红差异指数（NGBDI）、归一化绿蓝差异植被指数（NGRDI）[16]，表2为所用到的可见光波段植被指数，计算公式如下：
2.2 局部区域数据处理
从图2可以看出，非喷药区域的杂草健康生长，而喷药区域的大多数杂草已被除去。从颜色特征和可见光波段植被指数中可以观察出2个区域在前期没有明显差异，但是在后期喷药区域比非喷药区域的R波段值上升快，且G波段值下降要快，而最明显的变化差异反映在EXG-EXR植被指数上（表3、表4）。
无人机在飞行过程中是沿主航线直线飞行，喷洒农药时由于风向的影响，使得一部分农药雾滴被风吹离主航线，偏离了预设的喷洒路线，造成了农药喷雾中的飘移现象。部分农药雾滴向西北方向偏移，从图2可以看到一块飘移区域。这个现象在无人机喷药的过程中较常见，是会影响农药喷洒效果和农药覆盖度均匀性的重要因素。本研究着重观察了农药在飘移区域对杂草的除草效果，试验发现飘移区域的杂草除草率要高于其他喷药区域;地块边缘区域的杂草除草率要高于飘移区域，在颜色特征和植被指数都有所差异。
2.3 纹理特征分析
试验过程中对不同区域也进行了纹理特征分析，取均值、方差、熵、偏离度4种纹理特征值（表5）。试验选取各个区域R、G、B波段的均值（图3）。从表5可以看出，4月20日同一区域的R、G、B波段中G波段均值最高，而4月28日除了非喷药区域以外其他区域的R、G、B波段中R波段均值最高。4月20日同一区域的R、G、B波段之间均值差异相对于4月28日的R、G、B波段之间均值差异更大，主要原因在于后期经过喷药除草后各个区域地表裸露出来、杂草减少。从方差分析来看，4月20日同一区域的R、G、B波段中G波段方差均值最高，而4月28日除了非喷药区域以外其他区域的R、G、B波段中R波段均值最高。从熵分析来看，2个时期中各个区域R、G、B波段的熵值差异不大，非喷药区域熵值相对偏高，飘移区域熵值相对偏低。2个时期中各个区域的偏离度极低且差异很小。 从图3可以看出，飘移区域、地块边缘区域、均匀喷药区域3个区域分别在2个时期的纹理特征无明显差别。表明从纹理特征中能观察出喷药前后杂草的变化。
2.4 基于图像分割的除草率计算
利用G-R波段自动阈值分割后的二值化图像作为掩膜，提取分割出植被。统计前后2个时期的植被像素数，最后分别计算出均匀喷药区域、飘移区、地块边缘区的除草率，并比较它们之间的差别。平均每15个像素代表1株植被，经过试验统计，4月20日地块边缘区、均匀喷药区、飘移区的G-R图像分割效果见图4-b。
从表2、表4可以看出，EXG-EXR植被指数均值在各个区域都有比较明显的差别，故利用EXG-EXR植被指数二值化后的图像做阈值分割提取出植被。发现这种方法更能提取出健康的杂草，比G-R的分割方法精确度更高，计算出的除草率也更高。4月20日地块边缘区、均匀喷药区、飘移区的EXG-EXR图像分割效果见图4-c。
从图4-a从左到右分别是4月20日地块边缘区、均匀喷药区、飘移区的原图，图4-d左、右2个图分别是图4-b、图4-c中地块边缘区域红色方框所在的局部放大。从 图4-d 可以发现，EXG-EXR阈值分割图比G-R阈值分割图更加精细，即EXG-EXR阈值分割去除了原图当中一些发白和偏黄的杂草像元，最后只保留健康的杂草像元。实际当中偏黄和发白的杂草随着时间的推移会逐渐死亡，所以 EXG-EXR阈值分割的效果更加贴近于真实的除草情况。
试验也利用支持向量机（support vector machine，简称SVM）从不同区域中随机取健康杂草100个像素点和背景100像素点的RGB值进行训练，利用训练的模型对原图进行分类。发现支持向量机的方法计算出的除草率偏低，跟实际情况偏差较多，而且模型训练过程繁琐、计算精度跟取样点大小有关，所以SVM方法不适合大范围拍摄、研究对象个体较小且数量多的条件下的图像分割。计算所得的除草率见表6。除草率计算为公式（2）。
试验中利用样方法对原图各个区域进行采样，人工手动记录采样样方的植被和背景像元数，计算二者的比值作为实测的除草率。对比3种方法的除草率发现，在均匀喷药区中G-R阈值分割和EXG-EXR阈值分割的除草率跟实测值90.249%最为相近，除草率分别为95.014%、97.580%，基于SVM方法测得的除草率仅为70.504%，主要是SVM方法训练样本偏少，不能准确估计大面积杂草的除草率（表6）。
3 讨论与结论
3.1 特征分析
分别选取表1、表2、表3和表4的全部数据制成折线图形式，如图5-a、图5-b、图5-c和图5-d所示。
整体区域由于后期喷洒农药除去了很多杂草，整体区域颜色偏黄，因此4月28日的R、B、B*、R*、EXR值比4月20日的高，而G、G*、H、S、EXG、NGBDI、NGRDI值比4月20日的低。
4月20日喷药区域与非喷药区域差别不大，而4月28日二者的区别很明显。喷药区R、B、B*、R*、EXR值比非喷药区域高，而G、G*、H、S、EXG、EXG-EXR、NGBDI、NGRDI值比非喷药区域低。喷药区域的纹理特征比非喷药区域小，主要因素是杂草喷药后枯萎失绿，背景土壤暴露出来，导致纹理特征值偏低。
飘移区域、均匀喷药区域、地块边缘区域：从RGB、HLS、HSV 3个颜色空间特征来看，2个时期的飘移区域、地块边缘区域、均匀喷药区域各分量均值依次递增。从植被指数来看，4月20日正常喷药区域和飘移区域的植被指数差别不大，而地块边缘区的EXG-EXR、VDVI、NGBDI、NGRDI值低于前二者，从侧面说明地块边缘区播种的密度相对较低。4月28日 3个区域的植被指数值并没有明显差别。
3.2 除草率对比
从G-R阈值分割法来看，地块边缘区、飘移区、均匀喷药区除草率依次递减。原因在于均匀喷药区的杂草长势比较旺盛，播种比较均匀，所以在喷药后所残留的杂草较多。地块边缘区杂草相对播种较少，无人机喷洒的农药也能覆盖到此区域。故地块边缘区的除草率最高。
从数据上来看，飘移区并没有因为农药飘移的原因而产生过度影响，其除草率也很高。无人机的路线是直线飞行，当某一瞬时风向使农药以雾滴的形式降落到飘移区，故飘移区的除草率也相对较高。试验结果表明，飘移区域的除草率与均匀喷药区的除草率没有明显差别，即飘移现象对杂草的除草效果没有明显不好的影响。但是飘移现象会造成农药的浪
费，还可能会造成某些区域的喷洒不均匀，为避免这种现象发生，应该在风力较小的情况下用无人机喷洒农药或者通过无人机遥感航空制图后针对性地实施补救措施。
数据显示基于EXG-EXR阈值分割的方法计算出的除草率更高一点，主要是这种方法更能有效地分割出绿色植物，去除了一些已经死亡但是仍存在地里的杂草，所以对健康绿色杂草的分割更加精确，也使得除草率的计算更加准确。因此EXG-EXR阈值分割方法比G-R阈值分割方法更好。
本试验探讨了在复杂背景、目标物体繁多且小的情况下，分割处理方法及机器学习方法的处理效果，并对农业喷药中常见的飘移现象进行了分析。试验验证了EXG-EXR植被指数分割效果相对于传统分割方法效果更好，且佐证了基于SVM的机器学习分割方法在处理样本多且尺寸细小物体时效果并不理想，而且工作量很大。本试验填补了国内利用EXG-EXR植被指数进行喷药除草评估应用的空白，能为大面積喷药除草效果评估提供借鉴。同时，随着多光谱、高光谱等新型传感器的使用，也为更加精准的农药喷洒评估提供了新的技术支持。
参考文献：
[1]金 伟，葛宏立，杜华强，等. 无人机遥感发展与应用概况[J]. 遥感信息，2009（1）：88-92.
[2]李 冰，刘镕源，刘素红，等. 基于低空无人机遥感的冬小麦覆盖度变化监测[J]. 农业工程学报，2012，28（13）：160-165. [3]Zhang C H，Kovacs J M. The application of small unmanned aerial system for precision agriculture：a review[J]. Precision Agriculture，2012，13（6）：693-712.
[4]Everaerts J. The use of unmanned aerial vehicles（UAVs）for remote sensing and mapping[J]. Remote Sensing and Spatial Information Sciences，2008，144：1187-1191.
[5]汪 沛，罗锡文，周志艳，等. 基于微小型无人机的遥感信息获取关键技术综述[J]. 农业工程学报，2014，30（18）：1-12.
[6]王 玲，兰玉彬，Hoffmann W C，等. 微型无人机低空变量喷药系统设计与雾滴沉积规律研究[J]. 农业机械学报，2016，47（1）：15-22.
[7]汪小钦，王苗苗，王绍强，等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报，2015，31（5）：152-159.
[8]Vapnik V N. An overview of statistical learning theory[J]. IEEE Transactions on Neural Networks，1999，10（5）：988-999.
[9]郭 鹏，武法东，戴建国，等. 基于无人机可见光影像的农田作物分类方法比较[J]. 农业工程学报，2017，33（13）：112-119.
[10]Miao R H，Tang J L，Chen X Q. Classification of farmland images based on color features[J]. Journal of Visual Communication and Image Representation，2015，29（2）：138-146.
[11]Sklenicka P. Classification farmland ownership fragmentation as a cause of land degradation：a review on typology，con-sequences，and
remedies[J]. Land Use Policy，2016，57（3）：694-701.
[12]Mesas-Carrascosay F J，Notario-Garcia M D，de Larriva J E M，et al. Validation of measurements of land plot area using UAV imagery[J]. International Journal of Applied Earth Observation and Geoinformation，2014，33（5）：270-279.
[13]Mao W H，Wang Y M，Wang Y Q. Real time detection of between-row weeds using machine vision[C]. Las Vegas，Nv July，2003.
[14]龙满生，何东健. 玉米苗期杂草的计算机识别技术研究[J]. 农业工程学报，2007，23（7）：139-144.
[15]杨 柳，陈延辉，岳德鹏，等. 无人机遥感影像的城市绿地信息提取[J]. 测绘科学，2017，42（2）：59-64.
[16]江 洪，汪小欽，吴 波，等. 地形调节植被指数构建及在植被覆盖度遥感监测中的应用[J]. 福州大学学报（自然科学版），2010，38（4）：527-532.张 悦，施 维，李 丹，等. 禾谷镰刀菌全基因组候选效应因子预测与分析[J]. 江苏农业科学，2019，47（6）：81-84.