摘要
变量喷雾处方图是指在精准农业中，将农田按病虫害等级分割为相对均一的管理单元来实现精细管理。这种管理方式可实现对农作物或植被病虫害进行按需施药，从而有利于提高农药利用率以及提升病虫害的防治效果。本文分析了传统农业植保方式的不足，分析了基于无人机高光谱监测和诊断水稻健康状况的原理，研究了基于门控循环神经网络模型，通过历史气象数据和稻瘟病病害数据对当前和短时期内水稻稻瘟病病害等级进行了预测。然后建立了将监测诊断模型和预测模型进行融合的方法。融合模型既可以对当前水稻病害情况进行监测，同时又可以对未来短时间内的病害情况进行预测，这对于水稻稻瘟病或者其他农作物病虫害的防治具有重要参考意义。根据模型生成的病害指数图，结合具体农药使用手册以及植保专家指导意见，按照无人机作业飞行参数最终生成了施药处方图。 为了对变量施药处方图进行解译，进而发送决策信息给施药系统，本文还研制了基于ARM架构的处方图解译系统。同时还将该系统与课题组研制的基于PID-PWM变量施药系统搭载到大疆MG-1型植保无人机上进行了户外试验，从而验证变量施药处方图解译系统的性能。 本文主要的研究内容如下： (1)分析了国内外农业遥感和稻瘟病预测的研究现状，提出了主要存在的问题。主要包括卫星遥感数据获取困难、周期长、分辨率低，处方图生成一般没有考虑到气象数据对病害情况的影响和获取农田遥感信息与执行喷雾时差内病害情况的变化。这些问题对于实现精准施药极为重要。 (2)针对目前发展较快的无人机和高度集成化、轻量化的高光谱相机，本文采用无人机搭载高光谱相机获取试验地块的作物生长信息。然后对获取的高光谱图像进行分析处理，通过NDVI与地面获取的与病害等级对应的叶绿素值进行回归分析，得到NDVI与病害指数的线性关系，从而生成病害指数图。 (3)分析了门控循环神经网络原理，对课题组搜集的作业地块稻瘟病历史发生情况和气象数据进行分析和处理，建立了稻瘟病预测模型。并利用该模型对当前水稻稻瘟病病害等级和施药时的病害等级进行了预测。最高预测精度为70.8%，F1得分为67.9%。 (4)建立融合高光谱监测诊断模型和基于气象条件预测稻瘟病模型的方法，结合农药使用手册和植保专家指导意见，按植保无人机的作业参数设定了处方图处方值和单位栅格大小，生成了最终处方图。 (5)本文研制了基于ARM架构的变量喷雾处方图实时解译系统，此系统可以实时提取无人机作业位置、速度、高度等参数，并在处方图中进行寻址从而读取对应的栅格处方值发送至变量喷雾系统。寻址采用了延时算法优化设计，使解译结果满足作业需求。解译系统与变量系统搭载在大疆MG-1型植保无人机上，通过试验测试解译系统的可实施性与精确性。试验结果表明，此系统可成功实时解译变量施药处方图，在有效喷幅内，栅格中心与栅格边界变量结果显著，与预设处方值相符，采集带雾滴沉积量为0.005-0.7658μL/cm2，雾滴覆盖密度为12-72个/cm2，变量转换时间约为0.5s，变量精度为1m。
NETL