基于高光譜和激光雷達遙感的水稻產(chǎn)量監(jiān)測研究

李朋磊，張驍，王文輝，鄭恒彪，姚霞,2，朱艷，曹衛(wèi)星，程濤,2

基于高光譜和激光雷達遙感的水稻產(chǎn)量監(jiān)測研究

李朋磊1，張驍1，王文輝1，鄭恒彪1，姚霞1,2，朱艷1，曹衛(wèi)星1，程濤1,2

1南京農(nóng)業(yè)大學(xué)/國家信息農(nóng)業(yè)工程技術(shù)中心/江蘇省信息農(nóng)業(yè)重點實驗室/農(nóng)業(yè)農(nóng)村部農(nóng)作物系統(tǒng)分析與決策重點實驗室/智慧農(nóng)業(yè)教育部工程研究中心，南京 210095；2江蘇省現(xiàn)代作物生產(chǎn)協(xié)同創(chuàng)新中心，南京 210095

快速、準(zhǔn)確地估算水稻產(chǎn)量對于肥水精確管理及國家糧食政策的制定至關(guān)重要。高光譜與激光雷達遙感作為2種不同的主被動監(jiān)測技術(shù)，為水稻長勢信息獲取提供了多樣化手段?！尽繉Ρ?種遙感監(jiān)測手段在不同生態(tài)點的獨立數(shù)據(jù)集中的驗證精度，尋求可移植性強的產(chǎn)量估算模型，對水稻長勢監(jiān)測提供理論與技術(shù)支撐，及為精確農(nóng)業(yè)提供科學(xué)指導(dǎo)具有重要意義。本研究通過實施3年（2016—2018年）包含不同地點、不同品種與不同氮素水平的水稻田間試驗，在抽穗后各時期同步獲取點云數(shù)據(jù)和光譜數(shù)據(jù)，結(jié)合線性回歸與隨機森林回歸來估算產(chǎn)量，探究抽穗后點云數(shù)據(jù)與光譜數(shù)據(jù)估算水稻產(chǎn)量的差異；同時評估產(chǎn)量模型在不同數(shù)據(jù)集的時空可移植性，尋求可移植性強的產(chǎn)量估算模型。利用點云數(shù)據(jù)估算產(chǎn)量的精度（2= 0.64—0.69）優(yōu)于光譜數(shù)據(jù)的估算精度（2= 0.20—0.58）；基于線性回歸的產(chǎn)量估算模型，其驗證精度明顯優(yōu)于基于隨機森林回歸的產(chǎn)量模型；產(chǎn)量模型在同一生態(tài)點的可移植性更強（不同生態(tài)點：16.69%—17.85%；同一生態(tài)點：11.37%—12.41%）。本研究為抽穗后水稻產(chǎn)量監(jiān)測提供了新的方法和不同遙感手段的性能比較，為收獲前作物產(chǎn)量的實時估算提供重要支撐。激光雷達技術(shù)憑借其全天候工作的特點，在長江中下游水稻產(chǎn)量實時監(jiān)測中有著較好的應(yīng)用前景。

水稻；產(chǎn)量；激光雷達；高光譜；回歸模型

0 引言

【研究意義】水稻是當(dāng)前中國最主要的糧食作物，也是世界上主要的糧食作物之一[1-2]，其產(chǎn)量與國家甚至全世界的糧食安全密切相關(guān)，水稻產(chǎn)量的估算對保障農(nóng)業(yè)可持續(xù)發(fā)展至關(guān)重要[3-4]。實時、準(zhǔn)確的地面遙感技術(shù)已成為農(nóng)作物長勢及產(chǎn)量監(jiān)測等農(nóng)業(yè)研究的重要手段[5-6]，同時可為國家糧食安全戰(zhàn)略的制定提供參考依據(jù)[7-8]?！厩叭搜芯窟M展】近年來，激光雷達作為一種新興的遙感技術(shù)手段[9]，在全天候作物生長監(jiān)測中發(fā)揮著巨大優(yōu)勢[10-11]。從激光雷達數(shù)據(jù)中能夠獲取作物結(jié)構(gòu)參數(shù)，例如高度特征變量、體積等[11-12]，進而準(zhǔn)確估算作物生物量[13-14]，然而還很少用于作物產(chǎn)量估算。由于作物生物量與籽粒產(chǎn)量密切相關(guān)，部分學(xué)者嘗試?yán)酶叨葦?shù)據(jù)估算作物產(chǎn)量，結(jié)果發(fā)現(xiàn)中等分辨率的全球定位系統(tǒng)高程數(shù)據(jù)由于精度較差，無法代替由激光雷達技術(shù)獲取的點云來估算作物產(chǎn)量[15]。相比定位導(dǎo)航高程數(shù)據(jù)，無人機激光雷達可以獲取精度相對較高的點云數(shù)據(jù)。有學(xué)者嘗試?yán)脽o人機激光雷達來監(jiān)測作物長勢，但是由于激光點云稀疏且激光點云誤差較大，導(dǎo)致估算結(jié)果并不理想[16]。利用高光譜遙感估算作物產(chǎn)量，一直是精確農(nóng)業(yè)研究的熱點，相關(guān)學(xué)者利用關(guān)鍵生育期的植被指數(shù)與產(chǎn)量建立回歸關(guān)系[17]。有學(xué)者還綜合環(huán)境因子與植被指數(shù)來進行作物產(chǎn)量監(jiān)測[18]，都得到了較為準(zhǔn)確的估算結(jié)果。還有學(xué)者從產(chǎn)量要素畝穗數(shù)、穗粒數(shù)、千粒重的形成過程出發(fā)，在綜合考慮產(chǎn)量形成生理機制的基礎(chǔ)上，建立了較為可靠的基于植被指數(shù)的產(chǎn)量估算模型[19]。作為信號處理領(lǐng)域最有效且常用的方法之一，連續(xù)小波變換具有對光譜信號進行多尺度分析的優(yōu)勢，對高光譜數(shù)據(jù)進行連續(xù)小波變換，可以高效提取不同寬度光譜區(qū)間的形狀信息[20]。因此，小波變換在遙感監(jiān)測領(lǐng)域發(fā)揮著重要的作用。很多學(xué)者基于小波變換得到的小波特征進行農(nóng)學(xué)參數(shù)反演發(fā)現(xiàn)，相比植被指數(shù)，小波特征能夠進一步提高作物生理生化參數(shù)的監(jiān)測精度[21-22]，有助于葉面積、產(chǎn)量等重要農(nóng)學(xué)參數(shù)的估算?！颈狙芯壳腥朦c】目前，大部分作物估產(chǎn)研究多基于孕穗期等關(guān)鍵生育期或者孕穗—抽穗期等多生育期復(fù)合的光譜數(shù)據(jù)來估算作物產(chǎn)量[23]，忽視了關(guān)鍵生育期光譜數(shù)據(jù)缺失時高光譜遙感技術(shù)的表現(xiàn)，很少關(guān)注抽穗后光譜數(shù)據(jù)的產(chǎn)量估算性能。作為一種農(nóng)業(yè)應(yīng)用中使用較多的遙感手段，其水稻產(chǎn)量估算性能與新興的激光雷達技術(shù)相比如何，目前還未見詳細(xì)報道。【擬解決的關(guān)鍵問題】本研究使用地基激光掃描儀獲取高精度、高密度的點云數(shù)據(jù)，依此來監(jiān)測水稻產(chǎn)量，明確抽穗后不同時期2種遙感手段的產(chǎn)量估算精度差異，評價不同統(tǒng)計學(xué)方法在產(chǎn)量估算建模中的表現(xiàn)，并利用多年多生態(tài)點數(shù)據(jù)集評價產(chǎn)量估算模型的可移植性。

1 材料與方法

1.1 試驗地點與設(shè)計

試驗分別于2016年在江蘇省如皋市試驗基地，2017年和2018年在江蘇省興化市萬畝高產(chǎn)高效糧食產(chǎn)業(yè)園進行（圖1）。其中，如皋試驗包含3個氮梯度，分別為0（N0）、100 kg N·hm-2（N1）和200 kg N·hm-2（N2）；2個水稻品種為武運粳24與Y兩優(yōu)1號；播栽方式為旱育秧人工移栽；3次重復(fù)。連續(xù)2年在興化進行的水稻互作試驗，2年的施氮量設(shè)置和品種相同；4個氮肥梯度分別為0（N0）、135kg·hm-2（N1）、270 kg·hm-2（N2）和405 kg·hm-2（N3）；2個水稻品種分別是南粳9108和甬優(yōu)2640。2017年水稻試驗包含3種水稻播栽方式，分別是機械直播、缽苗移栽和毯苗移栽。如皋市（120°33′E，32°23′N）和興化市（119°3′E，33°05′N）都屬于四季分明的亞熱帶季風(fēng)氣候。同時，如皋試驗和興化試驗在土壤特性、主栽品種以及播栽方式等方面的差異對水稻生長產(chǎn)生較大的影響，這對探索普適性強的產(chǎn)量模型具有重要的指導(dǎo)意義。

1.2 數(shù)據(jù)獲取

本研究所獲取的數(shù)據(jù)包括地面激光雷達數(shù)據(jù)、冠層高光譜數(shù)據(jù)與水稻籽粒產(chǎn)量數(shù)據(jù)3個部分。田間測試及取樣的時期包括水稻抽穗期、灌漿前期與灌漿后期。使用的激光掃描設(shè)備是RIEGL VZ-1000，在取樣當(dāng)天無風(fēng)或風(fēng)速較小的時間段進行激光雷達掃描。2016和2017年的掃描模式為60模式，即角分辨率為0.06°；為獲取更精細(xì)的水稻冠層結(jié)構(gòu)信息，2018年掃描模式為40模式，即角分辨率為0.04°。2016年如皋試驗采用10站點掃描方式；由于小區(qū)面積的增加，2017年和2018年興化試驗均采用21站點掃描方式，具體掃描點的設(shè)置情況如圖2—3所示。使用的高光譜測試儀是ASD FieldSpec Pro FR 2500便攜式高光譜分析儀，在無風(fēng)、晴朗的中午，當(dāng)?shù)貢r間10：00—14：00范圍內(nèi)獲取光譜數(shù)據(jù)。產(chǎn)量是在成熟期通過破壞性取樣獲得，在成熟期，每個田塊設(shè)定2個取樣點，在每取樣點取1 m2，3次重復(fù)，從中割取穗子進行脫粒，測量產(chǎn)量構(gòu)成要素穗數(shù)、穗粒數(shù)和千粒重，計算得到每個小區(qū)的產(chǎn)量。

氮水平：N0（0），N1（135 kg·hm-2），N2（270 kg·hm-2），N3（405 kg·hm-2）；品種：V1（南粳9108），V2（甬優(yōu)2640）；播栽方式：P1（直播），P2（缽苗移栽），P3（毯苗移栽）

1.3 特征參數(shù)

1.3.1 高光譜數(shù)據(jù) 基于作物的光譜特性，將多個光譜波段進行線性和非線性組合來構(gòu)建各種植被指數(shù)，能夠簡單、有效地預(yù)測作物產(chǎn)量，本研究歸納了常用的與產(chǎn)量預(yù)測相關(guān)的植被指數(shù)（表1）。

連續(xù)小波變換的原理是通過平移和縮放母小波函數(shù)，與光譜數(shù)據(jù)進行卷積運算得到小波特征，這些小波特征就可以用于估算產(chǎn)量，連續(xù)小波變換的具體公式如下[20]：

表1 估算水稻產(chǎn)量的常用植被指數(shù)

式中，()表示母小波函數(shù)，a,b()表示平移與縮放后的母小波函數(shù)，a表示縮放因子；b表示平移因子，W(a,b)表示小波特征。本研究利用連續(xù)小波變換對所獲取的水稻冠層反射率進行處理，將冠層反射率光譜變換到尺度23、24、25和26，得到對產(chǎn)量敏感的小波特征。

1.3.2 激光雷達數(shù)據(jù) 對獲取的點云數(shù)據(jù)進行插值生成數(shù)字表面模型，從數(shù)字表面模型中減去數(shù)字高程模型得到該時期的冠層高度模型，從中提取多個結(jié)構(gòu)參數(shù)（表2）。

1.4 回歸方法

本研究以2017年興化數(shù)據(jù)集訓(xùn)練模型，以2016年如皋數(shù)據(jù)集和2018年興化數(shù)據(jù)集驗證模型，各數(shù)據(jù)集的具體描述見表3。所有的統(tǒng)計分析在Python 3.50軟件中進行，畫圖使用了GraphPad Prism 5.0軟件（GraphPad Software，San Diego，CA，USA）。

1.4.1 線性回歸 線性回歸依據(jù)最小二乘法對自變量和因變量建模，該方法運用十分廣泛。其公式定義為：

=1+（3）

式中，表示n×1的矩陣的列向量，即因變量；表示n×1個矩陣的列向量，即自變量；表示回歸系數(shù)，表示誤差。在獲取植被指數(shù)、小波系數(shù)與結(jié)構(gòu)參數(shù)后，建立3種特征與產(chǎn)量指標(biāo)的線性關(guān)系，進而篩選各變量中最優(yōu)指標(biāo)進行籽粒產(chǎn)量估算。

表2 基于冠層高度模型提取的特征變量

表3 數(shù)據(jù)集描述

1.4.2 隨機森林回歸 隨機森林（RF）算法[29]是基于統(tǒng)計學(xué)習(xí)理論，利用Bootstrap重抽樣方法從原始樣本中抽取多個樣本，對每個Bootstrap樣本構(gòu)建決策樹，然后將決策樹中出現(xiàn)最好的結(jié)果作為最終預(yù)測結(jié)果，是基于決策樹分類器的融合算法。在光譜數(shù)據(jù)分析的基礎(chǔ)上，本研究將獲取的最優(yōu)尺度下的小波特征與產(chǎn)量參數(shù)進行相關(guān)分析，分析小波特征對產(chǎn)量參數(shù)的敏感性，提取排名前1%的小波特征參與隨機森林的模型訓(xùn)練。而激光雷達數(shù)據(jù)的分析則是將所有提取的結(jié)構(gòu)參數(shù)用于隨機森林的模型訓(xùn)練。

2 結(jié)果

2.1 基于光譜及點云數(shù)據(jù)的產(chǎn)量估算模型構(gòu)建

2.1.1 光譜估算模型 通過系統(tǒng)分析常用植被指數(shù)與水稻產(chǎn)量的相關(guān)性發(fā)現(xiàn)（表4），（R609/R518）-1、R1200-R440、R800-R550分別為抽穗期、灌漿前期與灌漿后期植被指數(shù)系列中表現(xiàn)最好的指數(shù)，這3種植被指數(shù)均與產(chǎn)量顯著相關(guān)（＜0.001）。不同時期對應(yīng)的最優(yōu)植被指數(shù)與水稻產(chǎn)量的R變化范圍為0.20—0.52（＜0.001）。

表4 水稻產(chǎn)量與已有植被指數(shù)的相關(guān)性

*<0.01;**<0.001

不同時期對產(chǎn)量敏感的最優(yōu)小波特征分布在不同位置，在抽穗期、灌漿前期、灌漿后期，對產(chǎn)量敏感的小波特征分別分布在730 nm、1 200 nm、1 185 nm的波段，不同尺度的敏感小波特征較為穩(wěn)定；其中尺度3監(jiān)測精度最高，故本研究后續(xù)分析基于尺度23的小波特征進行處理（表5）。

抽穗期、灌漿前期與灌漿后期的最優(yōu)植被指數(shù)及敏感小波特征分別與產(chǎn)量的相關(guān)性如圖4所示。結(jié)果表明，所有時期小波特征與產(chǎn)量的相關(guān)性（R= 0.34—0.58）均優(yōu)于同時期的植被指數(shù)與產(chǎn)量的相關(guān)性（R= 0.20—0.52）。

表5 水稻產(chǎn)量與小波特征的相關(guān)性

2.1.2 激光雷達估算模型 興化試驗區(qū)水稻高于如皋試驗區(qū)水稻（圖5），且同一研究區(qū)在不同生育期獲取的點云數(shù)據(jù)差異不大，植株結(jié)構(gòu)信息較為穩(wěn)定（圖6）。Li等[30]發(fā)現(xiàn)H與水稻器官生物量和地上部生物量表現(xiàn)出明顯的相關(guān)性，故本研究同樣使用H作為水稻產(chǎn)量估算的特征參數(shù)。以興化某小區(qū)的數(shù)據(jù)為例，闡述H的詳細(xì)含義（圖7）。H指高度直方圖中的95百分位點，相比極高值與最大值，H不容易受到環(huán)境干擾；相比極低值與最小值，H又包含足夠的上部冠層信息，更能真實反映植株的結(jié)構(gòu)信息。

圖4 最優(yōu)植被指數(shù)（A、B、C）及最優(yōu)小波特征（D、E、F）水稻產(chǎn)量的回歸關(guān)系

圖5 如皋某小區(qū)抽穗后（A、B、C）與興化某小區(qū)抽穗后各生育期（D、E、F）的水稻點云數(shù)據(jù)，顏色依據(jù)高度賦值

通過系統(tǒng)分析H與水稻產(chǎn)量的相關(guān)性（圖8），發(fā)現(xiàn)抽穗后各生育期H均與水稻產(chǎn)量具有較高的相關(guān)性（2= 0.64—0.69），且在抽穗后所有時期結(jié)構(gòu)參數(shù)H與產(chǎn)量的相關(guān)性，均優(yōu)于同時期敏感小波特征（2= 0.34—0.58）和最優(yōu)植被指數(shù)（2= 0.20—0.52）與產(chǎn)量的相關(guān)性。

2.2 光譜估算模型評價

對比不同數(shù)據(jù)集的檢驗結(jié)果發(fā)現(xiàn)，基于植被指數(shù)的線性估算模型（M1）在如皋數(shù)據(jù)集的驗證精度（= 20.01%—31.17%），低于在興化數(shù)據(jù)集的驗證精度（= 16.14%—19.31%）。對比M1與M2發(fā)現(xiàn)，即線性的產(chǎn)量模型驗證效果更準(zhǔn)確（表6）?；谛〔ㄌ卣鞯漠a(chǎn)量模型驗證精度變化規(guī)律與基于植被指數(shù)的產(chǎn)量模型一致（圖9）。

圖6 興化（A）與如皋（B）某小區(qū)的高度直方圖

圖7 結(jié)構(gòu)參數(shù)Hmin、H1st、H95th、H99th、Hmax在高度直方圖中的分布

2.3 激光雷達估算模型評價

2.3.1 線性回歸 對比點云數(shù)據(jù)模型在不同數(shù)據(jù)集的檢驗結(jié)果發(fā)現(xiàn)，產(chǎn)量模型在興化數(shù)據(jù)集的驗證精度（=11.37 %—12.41%），明顯優(yōu)于模型在如皋數(shù)據(jù)集的驗證精度（= 16.69%—17.85%）（圖10）?？傮w上，基于結(jié)構(gòu)參數(shù)的線性估算模型明顯優(yōu)于基于小波特征的線性產(chǎn)量模型。

2.3.2 隨機森林回歸 對比基于結(jié)構(gòu)參數(shù)的隨機森林估算模型在不同獨立數(shù)據(jù)集的檢驗結(jié)果發(fā)現(xiàn)，產(chǎn)量模型在興化數(shù)據(jù)集的驗證精度（=15.82%—20.75%），優(yōu)于模型在如皋數(shù)據(jù)集的驗證精度（=19.21%—23.62%）（圖11）。對比基于結(jié)構(gòu)參數(shù)的估算模型驗證結(jié)果發(fā)現(xiàn)，基于結(jié)構(gòu)參數(shù)的線性估算模型驗證精度（=11.37%—17.85%），優(yōu)于隨機森林估算模型的驗證精度（=15.82%—23.62%）。

圖8 結(jié)構(gòu)參數(shù)在與水稻產(chǎn)量的回歸關(guān)系

表6 光譜數(shù)據(jù)產(chǎn)量模型應(yīng)用于不同數(shù)據(jù)集得到的RMSE與RRMSE值

VI代表植被指數(shù)，WF代表小波系數(shù)，LR代表線性回歸，RF代表隨機森林回歸

VI = vegetation index, WF = wavelet feature, LR = linear regression, RF = random forest

圖9 基于小波特征的線性估算模型在如皋（A、B、C）以及興化（D、E、F）數(shù)據(jù)集的驗證結(jié)果

3 討論

3.1 激光雷達技術(shù)監(jiān)測產(chǎn)量的優(yōu)勢

在本研究中，植被指數(shù)以及小波特征與產(chǎn)量相關(guān)性均低于結(jié)構(gòu)參數(shù)與產(chǎn)量的相關(guān)性，這與預(yù)期結(jié)果一致。作物所處的生長環(huán)境和生化參數(shù)（葉綠素、干物質(zhì)和含水量）影響著作物個體的生長過程和作物的產(chǎn)量[31]。水稻內(nèi)部所含的多種色素、植株水分以及其結(jié)構(gòu)控制著水稻特殊的光譜響應(yīng)[32]。水稻在生長發(fā)育的不同階段，其內(nèi)部的結(jié)構(gòu)成分到外部的形態(tài)均衡發(fā)生一系列變化，因而在不同的生育期選用的光譜指標(biāo)不同。

圖10 基于結(jié)構(gòu)參數(shù)的線性估算模型在如皋（A、B、C）以及興化（D、E、F）的驗證結(jié)果

圖11 基于結(jié)構(gòu)參數(shù)的隨機森林估算模型在如皋（A、B、C）以及興化（D、E、F）的驗證結(jié)果

點云數(shù)據(jù)可以更準(zhǔn)確地估算水稻產(chǎn)量，原因歸結(jié)于以下2個方面：一是激光雷達技術(shù)可以準(zhǔn)確地獲取作物的三維結(jié)構(gòu)信息，與產(chǎn)量等生物物理參數(shù)有很高的相關(guān)性[33]。二是在抽穗后，激光雷達獲取到的各生育期的點云數(shù)據(jù)差異不明顯（圖6），因而不同生育期模型較為一致，這使得模型更容易推廣，降低了預(yù)測滯后性。此外，本研究也比較了不同生育期的激光雷達估算模型，發(fā)現(xiàn)分蘗期、拔節(jié)期與孕穗期的產(chǎn)量估算分別為2.03、1.87和1.72 t·hm-2。與本文結(jié)果相比，抽穗后各生育期的產(chǎn)量估算精度更高。盡管光譜與空間維度信息的結(jié)合可能有助于提高估產(chǎn)精度，但考慮到技術(shù)成本和實用性，目前還是集中在單獨使用一種技術(shù)，而且如何進行高效融合以顯著提高估算精度也值得深入研究，未來在成本更低的情況下可考慮兩類信息的融合。

3.2 不同條件下的模型可移植性

本研究結(jié)果表明，光譜數(shù)據(jù)的產(chǎn)量模型在如皋數(shù)據(jù)集的可移植性較差，這是因為光譜數(shù)據(jù)容易受到多種因素的影響[34]。本研究在2個生態(tài)點進行數(shù)據(jù)獲取，2個生態(tài)點在土壤特性、施氮梯度、水稻品種等存在較大差異，這些背景信息會產(chǎn)生光譜疊加，反映在光譜信號中影響數(shù)據(jù)質(zhì)量，因而降低了模型的可移植性。

圖12 如皋與興化某小區(qū)抽穗后各生育期的高度直方圖

基于點云數(shù)據(jù)的線性估算模型在興化數(shù)據(jù)集的驗證精度（= 11.37%—12.41%），明顯高于如皋數(shù)據(jù)集的驗證精度（= 16.79%—17.85%），這是因為興化生態(tài)點的品種一致，而如皋小區(qū)的水稻植株明顯低于興化小區(qū)的水稻植株。同時，如皋與興化小區(qū)在布點方案與種植密度方面存在較大差異，致使激光穿透水稻植株的深度不同，進一步影響了模型精度（圖2—3），所以基于點云數(shù)據(jù)的線性估算模型在興化數(shù)據(jù)集的驗證精度更高。

3.3 2種回歸方法的比較 基于線性回歸與隨機森林回歸的產(chǎn)量模型的驗證結(jié)果顯示，線性的產(chǎn)量模型驗證精度明顯優(yōu)于隨機森林產(chǎn)量模型的驗證精度，這與部分研究結(jié)果不一致[35]。在本研究中基于隨機森林回歸的產(chǎn)量模型驗證精度較低，可能是以下2個方面的原因?qū)е碌?。一方面，過多的輸入特征使得運行效率降低而且增加了過擬合的風(fēng)險，同時少數(shù)有效特征的作用也會被掩蓋在許多無用特征之下[36]。另一方面，隨機森林的回歸模型在數(shù)據(jù)樣本不均衡、有效樣本較少等情況下難以應(yīng)用。本研究使用的是獨立數(shù)據(jù)集來評價模型的驗證精度，不同數(shù)據(jù)集間存在差異導(dǎo)致隨機森林的產(chǎn)量模型驗證精度相對較低，這與部分證明激光雷達技術(shù)結(jié)合線性回歸的生物量模型可移植性強的研究結(jié)果類似[37]。

4 結(jié)論

本研究以如皋試驗和興化試驗為基礎(chǔ)，同步獲取點云數(shù)據(jù)與光譜數(shù)據(jù)，開展了抽穗后各生育期的水稻光譜數(shù)據(jù)與點云數(shù)據(jù)和產(chǎn)量的時空變異特征研究。研究結(jié)果表明，基于點云數(shù)據(jù)的產(chǎn)量模型估算精度，優(yōu)于基于光譜數(shù)據(jù)的產(chǎn)量估算模型；線性回歸的產(chǎn)量模型較隨機森林回歸的產(chǎn)量模型更穩(wěn)定；產(chǎn)量模型在同一生態(tài)點的可移植性優(yōu)于不同生態(tài)點的可移植性。激光雷達技術(shù)可以在抽穗后直至收獲前對產(chǎn)量進行全天候?qū)崟r監(jiān)測，該研究結(jié)果可以為精確收獲和糧食收購政策制定等提供有益的技術(shù)支撐。

[1] Alola A , Alola U V. The dynamic nexus of crop production and population growth: housing market sustainability pathway. Environmental Science and Pollution Research, 2018, 26: 6472-6480.

[2] UN Food Agriculture Organization. How to feed the word in 2050. Discussion paper prepared for expert forum: 12-13. October 2009, released 23.

[3] INTERPRETERS S. FAO-food and agriculture organization of the united nations. Science, 2013, 118(3077): 13-23.

[4] JULIAN P, MARK B, Sarah M. Food waste within food supply chains: quantification and potential for change to 2050. Philosophical Transactions of the Royal Society of London, 2010, 365(1554): 3065-3081.

[5] LIU J G, PATTEY E, MILLER J R, MCNAIRN H, SMITH A, HU B X. Estimating crop stresses, aboveground dry biomass and yield of corn using multi-temporal optical data combined with a radiation use efficiency model. Remote Sensing of Environment, 2010, 114(6): 1167-1177.

[6] MUTANGA O, Adam E, CHO M A. High density biomass estimation for wetland vegetation using WorldView-2 imagery and random forest regression algorithm. International Journal of Applied Earth Observations and Geoinformation, 2012, 18(1): 399-406.

[7] 亓雪勇, 田慶久. 光學(xué)遙感大氣校正研究進展. 國土資源遙感, 2005, 45(4): 4-9.

Qi X Y, TIAN Q J. The advance in the study of atmospheric correction for optical remote sensing. Remote Sensing for Land and Resources, 2005, 45(4): 4-9. (in Chinese)

[8] 唐延林, 黃敬峰, 王人潮, 王福民. 水稻遙感估產(chǎn)模擬模式比較. 農(nóng)業(yè)工程學(xué)報, 2004, 3(1): 167-172.

TANG Y L, HUANG J F, WANG R C, WANG F M. Comparsion of yield estimation simulated models of rice by remote sensing. Transactions of The Chinese Society of Agricultural Engineering, 2004, 3(1): 167-172. (in Chinese)

[9] OWERS, C J, ROGERS K, WOODROFFE C D. Terrestrial laser scanning to quantify above-ground biomass of structurally complex coastal wetland vegetation. Estuarine Coastal and Shelf Science, 2018, 204: 164-176.

[10] EITEL J U H, MAGNEY T S, VIERLING L A, BROWN T T, HUGGINS D R. LiDAR based biomass and crop nitrogen estimates for rapid, non-destructive assessment of wheat nitrogen status. Field Crops Research, 2014, 159: 21-32.

[11] TILLY N, HOFFMEISTER D, CAO Q, LENZ-WIEDEMANN V, BARETH G. Precise plant height monitoring and biomass estimation with Terrestrial Laser Scanning in paddy rice. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2013, II-5/W2: 295-300.

[12] TILLY N, AASEN H, BARETH G. Fusion of plant height and vegetation indices for the estimation of barley biomass. Remote Sensing, 2015, 7: 11449-11480.

[13] GUO Q H, WU F F, PANG S X, ZHAO X Q, CHEN L H, LIU J, XUE B L, XU G C, LI L, JING H C. Crop 3D: a platform based on LiDAR for 3D high-throughput crop phenotyping. Scientia Sinica, 2016, 12: 121-141.

[14] LUMME J, KARJALAINEN M, KAARTINEN H, KUKKO A, HYYPP? J, HYYPP? H, JAAKKOLA A, KLEEMOLA J. Terrestrial laser scanning of agricultural crops. International Journal of Remote Sensing, 2008, 26(7): 563-566.

[15] MCKINION J M, WILLERS J L, JENKINS J N. Comparing high density LIDAR and medium resolution GPS generated elevation data for predicting yield stability. Computers and Electronics in Agriculture, 2010, 74(2): 244-249.

[16] LI Z H, WANG J H, XU X G, ZHAO C J, JIN X L, YANG G J, FENG H K. Assimilation of two variables derived from hyperspectral data into the DSSAT-CERES model for grain yield and quality estimation. Remote Sensing, 2015, 35(9): 12400-12418.

[17] 王延頤. 植被指數(shù)與水稻長勢及產(chǎn)量結(jié)構(gòu)要素關(guān)系的研究. 國土資源遙感, 1996, 2(1): 56-59.

WANG Y Y. The relationship between vegetation index and rice growth and rice yield components. Remote Sensing for Land and Resources, 1996, 2(1): 56-59. (in Chinese)

[18] 李衛(wèi)國, 王紀(jì)華, 趙春江, 李存軍, 王永華. 基于生態(tài)因子的冬小麥產(chǎn)量遙感估測研究. 麥類作物學(xué)報, 2009, 29(5): 213-220.

LI W G, WANG J H, ZHAO C J, LI C J, WANG Y H. Study on remote sensing estimation of winter wheat yield based on eco-environmental factors. Journal of Triticeae Crop, 2009, 29(5): 213-220. (in Chinese)

[19] 薛利紅, 曹衛(wèi)星, 羅衛(wèi)紅. 基于冠層反射光譜的水稻產(chǎn)量預(yù)測模型. 遙感學(xué)報, 2005, 7(1): 102-107.

XUE L H, CAO W X, LUO W H. Rice yield forecasting model with canopy reflectance spectra. Journal of Remote Sensing, 2005, 7(1): 102-107. (in Chinese)

[20] CHENG T, RIVARD B, SáNCHEZ-AZOFEIFA A G, FéRET J B, JACQUEMOUD S, USTIN S L. Deriving leaf mass per area (LMA) from foliar reflectance across a variety of plant species using continuous wavelet analysis. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87: 28-38.

[21] 宋開山, 劉殿偉, 王宗明, 呂冬梅, 張柏, 任春穎, 杜嘉. 基于小波分析的玉米葉綠素a與LAI高光譜反演模型研究. 農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究, 2011, 3(2): 28-34.

SONG K S, LIU D W, WANG Z M, Lü D M, ZHANG B, REN C Y, DU J. Corn chlorophyll-a concentration and LAI estimation models based on wavelet transformed canopy hyperspectral reflectance. System Sciences and Comprehensive Studies in Agriculture, 2011, 3(2): 28-34. (in Chinese)

[22] 宋開山, 張柏, 王宗明, 劉殿偉, 劉煥軍. 基于小波分析的大豆葉綠素a含量高光譜反演模型. 植物生態(tài)學(xué)報, 2008, 2(1): 157-165.

SONG K S, ZHANG B, WANG Z M, LIU D W, LIU H J. Soybean chlorophyll a concentration estimation models based on wavelet- transformed, in situ collected, canopy hyperspectral data. Journal of Plant Ecology, 2008, 2(1): 157-165. (in Chinese)

[23] 洪雪. 基于水稻高光譜遙感數(shù)據(jù)的植被指數(shù)產(chǎn)量模型研究[D]. 沈陽: 沈陽農(nóng)業(yè)大學(xué), 2017.

HONG X. Rice yield model research based on vegetation index of hyperspectral remote sensing data[D]. Shenyang: Shenyang Agricultural University, 2017. (in Chinese)

[24] 王娣. 高光譜與多光譜遙感水稻估產(chǎn)研究[D]. 武漢: 武漢大學(xué), 2017.

WANG D. Hyperspectral and multispectral remote sensing study on yield estimation of rice[D]. Wuhan: Wuhan University, 2017. (in Chinese)

[25] 黃春燕, 王登偉, 陳冠文, 袁杰, 祁亞琴, 陳燕, 程誠. 基于高光譜植被指數(shù)的棉花干物質(zhì)積累估算模型研究. 棉花學(xué)報, 2006, 18(2): 115-119.

HUANG C Y, WANG D W, CHEN G W, YUAN J, QI Y Q, CHEN Y, CHENG C. Estimation modeling of cotton dry matter accumulation based on hyperspectral vegetation index. Cotton Science, 2006, 18(2): 115-119. (in Chinese)

[26] 許童羽, 洪雪, 陳春玲, 周云成, 曹英麗, 于豐華, 李娜. 基于冠層NDVI數(shù)據(jù)的北方粳稻產(chǎn)量模型研究. 浙江農(nóng)業(yè)學(xué)報, 2016, 28(10): 1790-1795.

XU T Y, HONG X, CHEN C L, ZHOU Y C, CAO Y L, YU F H, LI N. Study on northern japonica rice yield model based on canopy date of NDVI. Acta Agriculturae Zhejiangensis, 2016, 28(10): 1790-1795. (in Chinese)

[27] 宋紅燕, 胡克林, 彭希. 基于高光譜技術(shù)的覆膜旱作水稻植株氮含量及籽粒產(chǎn)量估算. 中國農(nóng)業(yè)大學(xué)學(xué)報, 2016, 4(8): 27-34.

SONG H Y, HU K L, PENG X. Crop nitrogen content diagnosis and yield estimation in ground cover rice production system based on hyperspectral data. Journal of China Agricultural University, 2016, 4(8): 27-34. (in Chinese)

[28] SHIBAYAMA M. AKIYAMA T. Estimating grain yield of maturing rice canopies using high spectral resolution reflectance measurements. Remote Sensing of Environment, 1991, 36(1): 45-53.

[29] BAI J H, LI S K, WANG K R, SUI X Y, CHEN B, WANG F Y. Estimating aboveground fresh biomass of different cotton canopy types with homogeneity models based on hyper spectrum parameters. Agricultural Sciences in China, 2007, 6(4): 437-445.

[30] LI P, ZHANG X, WANG W H, ZHENG H B, YAO X, TIAN Y C, ZHU Y, CAO W X, CHEN Q, CHENG T. Estimating aboveground and organ biomass of plant canopies across the entire season of rice growth with terrestrial laser scanning. International Journal of Applied Earth Observation and Geoinformation, 2020, 91: 102-132.

[31] GITELSON A A, VI?A A, ARKEBAUER T J, RUNDQUIST D C, KEYDAN G P, LEAVITT B, KEYDAN G. Remote estimation of leaf area index and green leaf biomass in maize canopies. Geophysical Research Letters, 2003, 30: 335-343.

[32] HUDAK A T, LEFSKY M A, COHEN W B, BERTERRETCHE M. Integration of LiDAR and Landsat ETM+ data for estimating and mapping forest canopy height. Remote Sensing of Environment, 2015, 82(2/3): 397-416.

[33] WEI F, HUI F, YANG W N, DUAN L F, CHEN G X, XIONG L Z, LIU Q. High-throughput volumetric reconstruction for 3D wheat plant architecture studies. Journal of Innovative Optical Health Sciences, 2016, 9(5): 1650037.

[34] HUANG J F, BLACKBURN G A. Optimizing predictive models for leaf chlorophyll concentration based on continuous wavelet analysis of hyperspectral data. International Journal of Remote Sensing, 2011, 32(24): 9375-9396.

[35] CHEN Q. Modeling aboveground tree woody biomass using national- scale allometric methods and airborne LiDAR. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 106: 95-106.

[36] DAI B, GU C S, ZHAO E, QIN X N. Statistical model optimized random forest regression model for concrete dam deformation monitoring. Structural Control and Health Monitoring, 2018, 25(6):1-15.

[37] TILLY N, HOFFMEISTER D, CAO Q, LENZ-WIEDEMANN V, MIAO Y X, BARETH G. Transferability of models for estimating paddy rice biomass from spatial plant height data. Agriculture, 2015, 5: 538-552.

Assessment of Terrestrial Laser Scanning and Hyperspectral Remote Sensing for the Estimation of Rice Grain Yield

1Nanjing Agricultural University/National Engineering and Technology Center for Information Agriculture (NETCIA) /Jiangsu Key Laboratory for Information Agriculture/Key Laboratory of Crop System Analysis and Decision Making, Ministry of Agriculture and Rural Affairs/Engineering Research Center of Smart Agriculture, Ministry of Education, Nanjing 210095;2Jiangsu Collaborative Innovation Center for Modern Crop Production, Nanjing 210095

【】Non-destructive and accurate estimation of crop biomass and yield is crucial for the quantitative diagnosis of growth status and planning of national food policies. Hyperspectral and Terrestrial Laser Scanning (TLS) remote sensing provide convenient and effective ways to monitor crop condition.【】The aim of this study was to examine the feasibility of developing models with various independent datasets to build a universal yield monitoring model. The expected results can provide theoretical and technical support for rice growth monitoring and scientific guidance of precision agriculture.【】Field plot experiments were conducted in 2016, 2017 and 2018 and involved different study sites, nitrogen (N) rates, planting techniques and rice varieties. Linear regression (LR) and random forest (RF) were evaluated in estimating yield with TLS and spectral data collected since the heading stage, and the feasibility of developing models with various independent datasets was examined to build a universal yield monitoring model.【】 The results showed that TLS models exhibited higher estimation accuracies for yield in the heading stage, early-filling stage and late-filling stage (2: 0.64-0.69) than hyperspectral models (2: 0.20-0.58). Compared to RF, LR modeling yielded significantly higher validation accuracies for growth stages after heading. While the predictive model was transferred to other datasets, the validation accuracies from the same site (: 11.37%-12.41%) were higher than those from a different site (: 16.69%-17.85%).【】The results suggested that TLS was a promising technique to monitor yield at post-heading stages with high accuracy and to overcome the saturation of canopy reflectance signals encountered in optical remote sensing.

rice; yield;LiDAR; hyperspectral; regression model

10.3864/j.issn.0578-1752.2021.14.004

2020-09-01；

2020-11-20

國家重點研發(fā)計劃（2016YFD0300601）、國家自然科學(xué)基金（41871259）、中國博士后基金（2019M651854）

李朋磊，E-mail：2017101172@njau.edu.cn。通信作者程濤，E-mail：tcheng@njau.edu.cn

（責(zé)任編輯 楊鑫浩）