本研究以沈陽(yáng)農(nóng)業(yè)大學(xué)的水稻田為研究對(duì)象，基于無(wú)人機(jī)遙感數(shù)據(jù)，嘗試構(gòu)建水稻冠層 NDVI 估產(chǎn)模型，以期為相關(guān)研究提供參考。

一、引言

水稻產(chǎn)量是各級(jí)政府進(jìn)行決策、生產(chǎn)部門指導(dǎo)農(nóng)業(yè)生產(chǎn)、流通領(lǐng)域安排糧食收購(gòu)和銷售、交通部門安排運(yùn)輸計(jì)劃的重要經(jīng)濟(jì)信息，因此，及時(shí)準(zhǔn)確地預(yù)報(bào)水稻產(chǎn)量具有重要的實(shí)用價(jià)值。粳稻是北方主要糧食作物，培育高產(chǎn)水稻品種是提高水稻單產(chǎn)、增加總產(chǎn)、提高稻作效益的主要措施，其中，估產(chǎn)是育種好壞的一個(gè)重要指標(biāo)。

水稻產(chǎn)量預(yù)報(bào)包括估算水稻實(shí)際種植面積、監(jiān)測(cè)長(zhǎng)勢(shì)與預(yù)報(bào)產(chǎn)量。傳統(tǒng)水稻估產(chǎn)采用人工區(qū)域調(diào)查方法，速度慢、工作量大、成本高，很難及時(shí)、大范圍獲取水稻的長(zhǎng)勢(shì)與產(chǎn)量信息；水稻遙感估產(chǎn)具有宏觀、快速、準(zhǔn)確和成本低等優(yōu)點(diǎn)，潛力很大。

近年來(lái)，無(wú)人機(jī)遙感技術(shù)因具有機(jī)動(dòng)靈活、高效快速、精細(xì)準(zhǔn)確和作業(yè)成本低、按需獲取數(shù)據(jù)且空間分辨率高的優(yōu)勢(shì)，發(fā)展迅速，已經(jīng)成為農(nóng)情監(jiān)測(cè)的重要手段。將其用于水稻估產(chǎn)，有望降低勞動(dòng)力和科研成本，提高農(nóng)業(yè)育種信息安全，提高估產(chǎn)精度和育種準(zhǔn)確度。

歸一化植被指數(shù)（NDVI）是目前應(yīng)用最廣泛的植被指數(shù)，它是利用綠色植物對(duì)紅光波段和近紅外波段的吸收率和反射率的光譜特性計(jì)算得到的植被指數(shù)，可體現(xiàn)作物的生物量、產(chǎn)量以及健康狀況等。利用不同的遙感數(shù)據(jù)獲得的歸一化植被指數(shù)進(jìn)行作物產(chǎn)量的早期預(yù)測(cè)，結(jié)果表明該方法具有較高的可靠性。

本研究以沈陽(yáng)農(nóng)業(yè)大學(xué)的水稻田為研究對(duì)象，基于無(wú)人機(jī)遙感數(shù)據(jù)，嘗試構(gòu)建水稻冠層NDVI估產(chǎn)模型，以期為相關(guān)研究提供參考。

材料與方法

2.1實(shí)驗(yàn)材料

選擇沈陽(yáng)農(nóng)業(yè)大學(xué)的一塊水稻試驗(yàn)田為研究對(duì)象，總面積10hm2。該區(qū)域?qū)儆跍貛О霛駶?rùn)大陸性氣候，降水集中，四季分明，有利于水稻生長(zhǎng)。供試品種為東北地區(qū)廣泛種植的粳稻沈稻47。沈稻47苗期健壯，分蘗力強(qiáng)，可達(dá)350～400穗·m-2，成株高105cm左右，半直立穗型，株型緊湊，葉片直立，適宜鐵嶺、沈陽(yáng)、遼陽(yáng)、鞍山、營(yíng)口、盤錦、錦州等市所轄縣區(qū)種植。

2.2數(shù)據(jù)獲取與計(jì)算

多旋翼無(wú)人機(jī)飛行速度可控，飛行高度可調(diào)且可以低空飛行，同時(shí)多旋翼無(wú)人機(jī)不受起飛降落場(chǎng)地的限制，飛行載荷較大，可同時(shí)攜帶多種農(nóng)用傳感器，因而更適于大規(guī)模作物育種小區(qū)（2～5m2）厘米級(jí)分辨率信息獲取。故使用八旋翼無(wú)人機(jī)作為遙感平臺(tái)，搭載多光譜照相機(jī)和GPS定位儀，飛行高度10m，圖像地面分辨率1cm，采用四邊飛行路線。通過(guò)測(cè)量太陽(yáng)輻射相應(yīng)波段的入射光強(qiáng)以及植被冠層的反射光強(qiáng)獲得數(shù)據(jù)。無(wú)人機(jī)拍攝地面樣本觀測(cè)點(diǎn)分布如圖1所示，根據(jù)測(cè)量的數(shù)值計(jì)算出相應(yīng)的歸一化植被指數(shù)。NDVI=（NIＲ+Ｒ）/（NIＲ-Ｒ）。（1)式（1）中，NIＲ（660nm）和Ｒ（740nm）分別為近紅外光譜通道和紅光光譜通道反射率。

圖1無(wú)人機(jī)采集樣本點(diǎn)分布圖

試驗(yàn)數(shù)據(jù)分別測(cè)于分蘗期（6月）、拔節(jié)期（7月）、抽穗期（8月）、成熟期（9月），分13個(gè)長(zhǎng)方形區(qū)域（每個(gè)區(qū)域6m×2m），每個(gè)區(qū)域取其對(duì)角線交叉點(diǎn)作為一個(gè)樣本點(diǎn)。于每天12:00—14:00提取數(shù)據(jù)，得到相應(yīng)樣本觀測(cè)點(diǎn)的粳稻冠層NDVI。在粳稻成熟時(shí)收割烘干脫粒，測(cè)定所取樣本產(chǎn)量。用無(wú)人機(jī)遙感數(shù)據(jù)進(jìn)行建模，儀器采集數(shù)據(jù)進(jìn)行驗(yàn)證。

2.3研究方法

對(duì)2015年6-9月的單天、各旬和各月NDVI數(shù)據(jù)與粳稻產(chǎn)量分別進(jìn)行相關(guān)性分析，選出相關(guān)性最好的與產(chǎn)量建立回歸模型和多元回歸模型，利用逐步回歸方法挑選粳稻的關(guān)鍵生育期，從而確定最佳估產(chǎn)時(shí)間，最后對(duì)其進(jìn)行誤差分析，篩選出最佳估產(chǎn)模型。

2.4模型的建立于檢驗(yàn)

采用線性回歸分析方法和Square曲線或Cubic曲線回歸分析方法分別對(duì)水稻冠層單天、各旬和各月NDVI數(shù)據(jù)與產(chǎn)量進(jìn)行回歸建模分析。用判定系數(shù)（Ｒ2)對(duì)模型擬合度進(jìn)行檢驗(yàn)，Ｒ2越大說(shuō)明模型精度越高；用相對(duì)誤差（ＲE）和均方根誤差（RMSE）兩個(gè)指標(biāo)來(lái)驗(yàn)證模型的準(zhǔn)確性。

結(jié)果與分析

3.1粳稻生長(zhǎng)關(guān)鍵期冠層NDVI與理論產(chǎn)量的相關(guān)性分析

用二元定距變量相關(guān)分析方法分別對(duì)粳稻單天、各旬和各月NDVI數(shù)據(jù)與產(chǎn)量進(jìn)行相關(guān)性分析，粳稻單天NDVI與產(chǎn)量間皮爾森相關(guān)系數(shù)較高的時(shí)間段主要集中在6月上旬（r=0.672）、6月中旬（r=0.556）、8月上旬（r=0.776）（表1），單日數(shù)據(jù)中以6月11日（r=0.817）和8月4日（r=0.780）的相關(guān)系數(shù)最高，說(shuō)明在分蘗盛期和抽穗期對(duì)粳稻估產(chǎn)效果較好。

3.2不同生育期粳稻NDVI與理論產(chǎn)量的估算模型

選擇6月和8月的旬?dāng)?shù)據(jù)以及6月11日、8月4日的單日數(shù)據(jù)建模。從表2可以看出，以單天NDVI數(shù)據(jù)進(jìn)行估產(chǎn)，Square（或Cubic）曲線模型比一次線性模型Ｒ2高。考慮到單一時(shí)相數(shù)據(jù)產(chǎn)量模型具有偶然性，加之6月份粳稻還未進(jìn)入施肥期，因此該模型不具有代表性。

以6月中上旬（分蘗期）與8月上旬（抽穗期）數(shù)據(jù)為基礎(chǔ)構(gòu)建的模型Ｒ2較高，但6月中上旬由于水體干擾等，誤差較大，因此，不宜單獨(dú)用作估產(chǎn)模型。將6月和8月各旬?dāng)?shù)據(jù)分別相結(jié)合，建立估產(chǎn)模型，Ｒ2分別為0645、0.677。綜上，雖然不能單依6月份數(shù)據(jù)建立準(zhǔn)確的產(chǎn)量預(yù)估模型，但可以確定粳稻估產(chǎn)的最佳時(shí)期是水稻分蘗期和抽穗期，而且基于Square（或Cubic）曲線構(gòu)建的模型相關(guān)性優(yōu)于一次線性模型。因此，可以嘗試在6月中旬和8月上旬利用無(wú)人機(jī)進(jìn)行遙感數(shù)據(jù)獲取用于估產(chǎn)，以縮短測(cè)試時(shí)間，降低科研成本，提高估產(chǎn)精度。

3.3復(fù)合估產(chǎn)模型

利用以上數(shù)據(jù)，將各個(gè)時(shí)期分別組合，如6月11日和8月4日、6月上旬和中旬、6月上旬和8月上旬、6月中旬和8月上旬、6月和8月，建立粳稻單產(chǎn)的復(fù)合模型，由Ｒ2、F值和顯著性（表3）可以看出，6月上中旬的估產(chǎn)效果不顯著，其他組合構(gòu)建的模型均達(dá)到顯著水平，其中，6月11日和8月4日的復(fù)合估產(chǎn)模型的相關(guān)系數(shù)（Ｒ2)達(dá)0.821，顯著性為0.000。

表1北方粳稻生育期NDVI與理論產(chǎn)量相關(guān)性分析結(jié)果

表2冠層NDVI與水稻理論產(chǎn)量之間的回歸分析

從其他4組回歸模型中可以確定，粳稻最佳估產(chǎn)時(shí)間為6月（分蘗期)和8月（抽穗期），且以抽穗期為主，因?yàn)槌樗肫谑撬緺I(yíng)養(yǎng)吸收最完全的時(shí)期，是產(chǎn)量形成的最關(guān)鍵時(shí)期。

表3冠層NDVI復(fù)合數(shù)據(jù)與水稻產(chǎn)量的線性回歸估產(chǎn)模型

利用儀器采集樣本數(shù)據(jù)對(duì)估產(chǎn)模型進(jìn)行檢驗(yàn)比較，并對(duì)線性回歸模型精度進(jìn)行檢驗(yàn)，結(jié)果見(jiàn)表4。利用6月和8月的NDVI數(shù)據(jù)得到的產(chǎn)量模型相對(duì)誤差為34.06%，預(yù)測(cè)標(biāo)準(zhǔn)誤差為3.324t·hm-2，誤差較大。以6月11日和8月4日數(shù)據(jù)為基礎(chǔ)構(gòu)建的復(fù)合模型誤差最低，但是單天估產(chǎn)模型偶然性太大，考慮到這兩天分別處在6月中旬和8月上旬，故可在6月中旬和8月上旬連續(xù)幾天采集無(wú)人機(jī)遙感數(shù)據(jù)，既可以避免單天數(shù)據(jù)的偶然性，也可以避免整月采集數(shù)據(jù)的煩瑣和帶來(lái)的誤差。綜上，以6月中旬+8月上旬NDVI數(shù)據(jù)為基礎(chǔ)構(gòu)建估產(chǎn)模型較為理想。

表4基于無(wú)人機(jī)遙感的北方粳稻估產(chǎn)模型驗(yàn)證

結(jié)論與討論

遙感技術(shù)的迅猛發(fā)展和廣泛應(yīng)用為農(nóng)作物面積、長(zhǎng)勢(shì)的宏觀動(dòng)態(tài)監(jiān)測(cè)和估產(chǎn)提供了一種新的方法。本研究基于沈稻47各時(shí)期NDVI數(shù)據(jù)，建立其與理論產(chǎn)量的最適模型。結(jié)果表明，用無(wú)人機(jī)遙感獲取的粳稻冠層NDVI數(shù)據(jù)可以進(jìn)行估產(chǎn)建模；

但是，由于粳稻生長(zhǎng)受到溫濕度、水體、土壤等多因素的影響，其NDVI數(shù)據(jù)在這個(gè)過(guò)程中出現(xiàn)一些波動(dòng)，導(dǎo)致粳稻冠層NDVI數(shù)據(jù)與產(chǎn)量在7月（孕穗期）并沒(méi)有呈現(xiàn)良好的相關(guān)關(guān)系。對(duì)不同生育期粳稻冠層NDVI與產(chǎn)量的相關(guān)性進(jìn)行分析并做相應(yīng)檢驗(yàn)，結(jié)果發(fā)現(xiàn)，復(fù)合估產(chǎn)模型的預(yù)測(cè)效果顯著優(yōu)于其他模型。用逐步回歸方法剔除相關(guān)性較差的模型，確定最佳估產(chǎn)時(shí)間為6月中旬和8月上旬。基于上述數(shù)據(jù)構(gòu)建的復(fù)合模型，決定系數(shù)為0.771，相對(duì)誤差為4.06%，標(biāo)準(zhǔn)差為0.474t·hm-2，精度較高，具有可行性。

與現(xiàn)有的人工估產(chǎn)和衛(wèi)星遙感估產(chǎn)相比，本研究所提出的基于無(wú)人機(jī)遙感采集粳稻冠層數(shù)據(jù)估產(chǎn)的方法可以隨時(shí)方便地獲取粳稻表面冠層NDVI數(shù)據(jù)，降低了科研經(jīng)費(fèi)和人工成本，而且估產(chǎn)作業(yè)對(duì)象面積可小可大，準(zhǔn)確度高，為水稻育種等小規(guī)模估產(chǎn)提供了良好的參考，更具實(shí)用性。但本研究只是初步探索的階段性成果，仍有待進(jìn)一步優(yōu)化完善。

推薦：

無(wú)人機(jī)高光譜成像系統(tǒng)iSpecHyper-VM100

iSpecHyper-VM系列無(wú)人機(jī)高光譜成像系統(tǒng)配合定制開(kāi)發(fā)的高性能穩(wěn)定云臺(tái)，能夠有效降低飛行過(guò)程中無(wú)人機(jī)抖動(dòng)引起的圖像扭曲與模糊。該系統(tǒng)與大疆M350RTK無(wú)人機(jī)完美適配，廣泛應(yīng)用于農(nóng)業(yè)、林業(yè)、水環(huán)境等行業(yè)領(lǐng)域，系統(tǒng)支持配件升級(jí)及定制化開(kāi)發(fā)，為教育科研、智慧農(nóng)業(yè)、目標(biāo)識(shí)別、軍事反偽裝等行業(yè)高端應(yīng)用領(lǐng)域提供了高性價(jià)比解決方案。

審核編輯 黃宇