多光譜與熱紅外數(shù)據(jù)融合在冬小麥產(chǎn)量估測(cè)中的應(yīng)用

蘭 銘，費(fèi)帥鵬，禹小龍，李 雷，夏先春，肖永貴，孟亞雄

(1.甘肅農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，甘肅蘭州 730070 ；2.中國(guó)農(nóng)業(yè)科學(xué)院作物科學(xué)研究所，北京 100081)

小麥?zhǔn)俏覈?guó)主要糧食作物之一，其產(chǎn)量的高效、無(wú)損、準(zhǔn)確預(yù)測(cè)可為作物田間管理和農(nóng)業(yè)管理部門政策調(diào)控提供依據(jù)。利用小麥冠層光譜反射特征可有效實(shí)現(xiàn)產(chǎn)量估測(cè)[1]。無(wú)人機(jī)遙感平臺(tái)憑借其快速靈活的特點(diǎn)，能夠高通量獲取作物冠層生長(zhǎng)信息，并對(duì)產(chǎn)量做出評(píng)估，在農(nóng)業(yè)監(jiān)測(cè)和作物產(chǎn)量估測(cè)應(yīng)用方面受到廣泛關(guān)注[2-4]。

基于無(wú)人機(jī)平臺(tái)搭載的傳感器對(duì)作物葉面積指數(shù)、生物量、葉綠素、產(chǎn)量等性狀進(jìn)行評(píng)估，表現(xiàn)出了較高的精度[5-7]。不同的傳感器獲取的數(shù)據(jù)信息存在差異，如多光譜成像設(shè)備波段一般在400～900 nm之間，主要包括藍(lán)光、綠光、紅光、紅邊和近紅外等，通過(guò)不同波長(zhǎng)的光與植物細(xì)胞或組織之間的反射、吸收、透射等相互作用來(lái)定量估算作物表型參數(shù)[8]，可快速、準(zhǔn)確地反映作物長(zhǎng)勢(shì)信息以及作物對(duì)脅迫的反應(yīng)等[9]。熱紅外成像設(shè)備波段范圍一般為7 500～13 500 nm，不受光照影響，較多用于作物冠層溫度測(cè)定，其獲取影像速度快、反應(yīng)靈敏，已成為獲取作物冠層溫度的主要方式[10-11]。單一傳感器獲取的作物信息可能存在偏差，結(jié)合光譜與熱紅外數(shù)據(jù)構(gòu)建評(píng)估模型相比使用單一數(shù)據(jù)能夠增加模型的整體估算性能，如在藜麥鹽脅迫潛力研究中，將無(wú)人機(jī)熱紅外和高光譜數(shù)據(jù)融合進(jìn)行土壤鹽分預(yù)測(cè)，r2最高能達(dá)到0.64，模型預(yù)測(cè)精度顯著高于單一光譜相機(jī)數(shù)據(jù)模型[12]。對(duì)大豆的葉綠素a含量進(jìn)行預(yù)測(cè)評(píng)估，將熱紅外、多光譜和RGB傳感器數(shù)據(jù)融合構(gòu)建的模型RMSE優(yōu)于兩種數(shù)據(jù)融合的模型[13]。

隨著無(wú)人機(jī)遙感技術(shù)在農(nóng)業(yè)應(yīng)用領(lǐng)域的迅速發(fā)展，提高作物性狀估測(cè)準(zhǔn)確率成為研究的重點(diǎn)。近年來(lái)，利用遙感數(shù)據(jù)作為機(jī)器學(xué)習(xí)算法輸入特征，在建立作物性狀評(píng)估模型時(shí)表現(xiàn)出較高的預(yù)測(cè)精度和魯棒性。機(jī)器學(xué)習(xí)算法可以準(zhǔn)確地分析光譜數(shù)據(jù)和識(shí)別作物生長(zhǎng)信息，在生理參數(shù)估算與作物長(zhǎng)勢(shì)監(jiān)測(cè)方面應(yīng)用較多[14]。近年來(lái)，機(jī)器學(xué)習(xí)算法被廣泛應(yīng)用于構(gòu)建作物性狀的遙感估測(cè)模型。其中支持向量機(jī)(support vector machine,SVM)是一種用于分類及回歸時(shí)具有優(yōu)異模型性能的算法，解析小樣本數(shù)據(jù)時(shí)合適而有效，近年來(lái)被用于多個(gè)遙感領(lǐng)域，在冬小麥、玉米、水稻等作物表型參數(shù)評(píng)估領(lǐng)域得到廣泛應(yīng)用[15-17]。在對(duì)小麥白粉病遙感研究中，用SVM算法構(gòu)建的診斷模型精準(zhǔn)度可達(dá)93.33%[18]。在小麥種子品質(zhì)預(yù)測(cè)研究中，利用SVM算法構(gòu)建的模型精度達(dá)到 95.5%[19]。本研究利用冬小麥不同灌溉處理下，拔節(jié)期、挑旗期、抽穗期與灌漿期的多光譜和熱紅外動(dòng)態(tài)數(shù)據(jù)，構(gòu)造了多個(gè)光譜指數(shù)，以SVM 構(gòu)建冬小麥產(chǎn)量估測(cè)模型，判斷多光譜數(shù)據(jù)與熱紅外數(shù)據(jù)在冬小麥產(chǎn)量估測(cè)的效果，以期為無(wú)人機(jī)遙感平臺(tái)在農(nóng)業(yè)生產(chǎn)管理中的應(yīng)用提供參考。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

選用黃淮麥區(qū)南片和北片主栽品種30份，于2019-2020冬小麥生長(zhǎng)季種植于中國(guó)農(nóng)業(yè)科學(xué)院新鄉(xiāng)試驗(yàn)基地(113.8°E,35.2°N)。河南新鄉(xiāng)冬小麥全生育期灌溉量一般為170～200 mm[20]。本試驗(yàn)共設(shè)置三種灌溉處理(表1)，灌溉量分別為240 mm(處理1)、190 mm(處理2)和145 mm(處理3)。每種灌溉設(shè)置兩個(gè)重復(fù)，每份材料以小區(qū)種植，每個(gè)小區(qū)面積為11.2 m2(8 m×1.4 m)。為保證小區(qū)產(chǎn)量的可靠性，出苗后對(duì)缺苗斷壟處移栽補(bǔ)苗，確保苗全苗勻。肥料管理按照當(dāng)?shù)刎S產(chǎn)田標(biāo)準(zhǔn)進(jìn)行(復(fù)合肥作為底肥使用，在返青期和抽穗期追肥施用尿素)，并防治病蟲害及雜草。小麥成熟后收獲各小區(qū)并測(cè)定產(chǎn)量。

表1 不同灌溉條件的灌溉量

1.2 數(shù)據(jù)獲取

使用大疆公司生產(chǎn)的DJI M210無(wú)人機(jī)搭載多光譜相機(jī)rededge MX和熱紅外相機(jī)ZENMUSE XT2(表2)，選擇晴朗無(wú)云、光照條件較好時(shí)(北京時(shí)間11:00至14:00)，于2020年冬小麥拔節(jié)期(4月14日)、挑旗期(4月23日)、抽穗期(4月30日)、灌漿期(5月10日)執(zhí)行飛行任務(wù)。對(duì)獲取的多光譜和熱紅外數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理主要包括利用Pix4D軟件進(jìn)行影像拼接、輻射定標(biāo)，用QGIS軟件提取每個(gè)小區(qū)的冠層光譜反射率和冠層溫度。冬小麥成熟后，使用小區(qū)聯(lián)合收割機(jī)(Wintersteiger Classic) 進(jìn)行收獲，晾曬后籽粒含水量約為12.5% 時(shí)稱重。

表2 熱紅外和多光譜相機(jī)的主要參數(shù)

1.3 光譜指數(shù)

光譜指數(shù)是由不同波段的反射率以代數(shù)形式組合成的一種參數(shù)，可降低條件背景對(duì)光譜數(shù)據(jù)的干擾，比單波段具有更高的靈敏性[21]。本研究選用的光譜指數(shù)包括改良三角植被指數(shù)(modified triangular vegetation index 2，MTVI2)、重歸一化植被指數(shù)(re-normalized vegetation index，RDVI)、差值植被指數(shù)(difference vegetation index，DVI)、歸一化植被指數(shù)(normalized difference vegetation index，NDVI)、作物干旱指數(shù)(crop water stress index，CWSI)和非線性指數(shù)(non-linear index，NLI)，降低土壤背景對(duì)光譜影像的光譜指數(shù)包括優(yōu)化土壤調(diào)節(jié)植被指數(shù)(optimizing soil regulation vegetation index，OSAVI)、增強(qiáng)型植被指數(shù)(enhanced vegetation index，EVI)、土壤調(diào)整植被指數(shù)(soil adjustment vegetation index，SAVI)，還包括轉(zhuǎn)化葉綠素吸收反射指數(shù)(transformed chlorophyll absorption in reflectance index，TCARI)(表3)。其中CWSI由熱紅外數(shù)據(jù)計(jì)算得到，其他9個(gè)植被指數(shù)均由多光譜數(shù)據(jù)計(jì)算得到。

表3 光譜指數(shù)及計(jì)算公式

1.4 數(shù)據(jù)統(tǒng)計(jì)分析與模型精度評(píng)價(jià)

用R語(yǔ)言計(jì)算光譜指數(shù)與產(chǎn)量相關(guān)性，基于支持向量機(jī)(SVM)算法建立產(chǎn)量預(yù)測(cè)模型，并進(jìn)行共線性分析。用方差膨脹因子(variance inflation factor，VIF)判斷多重共線性，若VIF大于10，則數(shù)據(jù)之間具有多重共線性[27]。

(1)

(1)式中r2為決定系數(shù)。

通過(guò)SAS 4.2進(jìn)行方差分析。使用10折交叉驗(yàn)證方法進(jìn)行精度驗(yàn)證。首先，將數(shù)據(jù)隨機(jī)平均的劃分為10組，其中9組用作模型訓(xùn)練，1組用于驗(yàn)證，此過(guò)程重復(fù)10次，相當(dāng)于用同一個(gè)模型對(duì)一個(gè)數(shù)據(jù)集進(jìn)行不同的測(cè)試，但每個(gè)訓(xùn)練的數(shù)據(jù)集又不全一樣，從而擴(kuò)充數(shù)據(jù)集以增加模型的泛化能力。用10次驗(yàn)證結(jié)果的r2和RMSE的平均值作為精度評(píng)價(jià)指標(biāo)。

(2)

(3)

2 結(jié)果與分析

2.1 灌水對(duì)小麥產(chǎn)量的影響

三種水分處理下冬小麥產(chǎn)量分布不同(圖1)。在處理1下，85%小區(qū)的產(chǎn)量超過(guò)6 t·hm-2，且多分布在7～8 t·hm-2范圍；在處理2下，83.34%小區(qū)產(chǎn)量分布在5～8 t·hm-2范圍，且多分布在6～7 t·hm-2范圍；在處理3下，86.67%小區(qū)產(chǎn)量分布在6 t·hm-2之下，且多分布在4～5 t·hm-2范圍。由此可見(jiàn)小麥產(chǎn)量受灌水影響較大。

柱形上方的數(shù)字為小麥產(chǎn)量在區(qū)間內(nèi)的小區(qū)個(gè)數(shù)。

2.2 光譜指數(shù)方差分析

方差分析(表4)表明，在冬小麥四個(gè)生育時(shí)期，各光譜指數(shù)的環(huán)境效應(yīng)均達(dá)到0.001顯著水平，只有CWSI的基因型效應(yīng)及基因型×環(huán)境互作效應(yīng)在拔節(jié)期分別達(dá)到0.05和0.01顯著水平，說(shuō)明本研究所選的冬小麥光譜指數(shù)主要受灌水的影響，受遺傳及遺傳與環(huán)境的影響微弱。

表4 四個(gè)生育時(shí)期光譜指數(shù)的方差分析(F值)

2.3 產(chǎn)量與植被指數(shù)相關(guān)性

相關(guān)性分析(表5)表明，在處理1下，拔節(jié)期MTVI2、TCARI和NLI與小麥產(chǎn)量均顯著相關(guān)；挑旗期NDVI、NLI和TCARI與籽粒產(chǎn)量均顯著相關(guān)；抽穗期MTVI2、OSAVI、TCARI、NDVI和NLI與產(chǎn)量均顯著相關(guān)；灌漿期TCARI與產(chǎn)量呈顯著負(fù)相關(guān)。在處理2下，拔節(jié)期、挑旗期、抽穗期、灌漿期NDVI、OSAVI、RDVI、NLI和SAVI與產(chǎn)量均顯著相關(guān)，并且相關(guān)性系數(shù)絕對(duì)值均超過(guò)0.50。在處理3下，挑旗期OSAVI、RDVI和SAVI與產(chǎn)量均呈顯著負(fù)相關(guān)；抽穗期和灌漿期除TCARI和SAVI以外其余植被指數(shù)均與產(chǎn)量顯著相關(guān)，且OSAVI、RDVI與產(chǎn)量相關(guān)性均較高，相關(guān)關(guān)系分別為-0.71和-0.70。光譜指數(shù)NDVI、OSAVI、RDVI和NLI在不同處理下和生育期內(nèi)都與產(chǎn)量具有相關(guān)性，其中抽穗期相關(guān)系數(shù)高于0.5。這說(shuō)明光譜指數(shù)與冬小麥產(chǎn)量密切相關(guān)，可以用于小麥產(chǎn)量預(yù)測(cè)分析。

表5 三個(gè)不同水處理下植被指數(shù)與小麥產(chǎn)量的相關(guān)性

2.4 光譜指數(shù)的共線性

經(jīng)共線性分析，在小麥拔節(jié)期、挑旗期和抽穗期，光譜指數(shù)SAVI的方差膨脹因子(VIF)均最大(表6)，在灌漿期，光譜指數(shù)RDVI的VIF最大，而四個(gè)生育時(shí)期CWSI的VIF均最小?？傮w來(lái)看，光譜指數(shù)DVI、EVI、MTVI2、NDVI、OSAVI、RDVI、SAVI和TVI的VIF均大于10，存在嚴(yán)重多重共線性，光譜指數(shù)CWSI在四個(gè)生育時(shí)期的VIF均小于10且在各個(gè)生育時(shí)期均最低，不存在多重共線性。

表6 光譜指數(shù)在四個(gè)時(shí)期的方差膨脹因子(VIF)

2.5 模型精度比較

2.5.1 基于多光譜數(shù)據(jù)的冬小麥估產(chǎn)模型精度

基于利用多光譜數(shù)據(jù)得到的9個(gè)光譜指數(shù)，用SVM算法分別構(gòu)建三種處理下四個(gè)生育時(shí)期冬小麥產(chǎn)量估測(cè)模型，并利用獨(dú)立數(shù)據(jù)對(duì)其精度進(jìn)行驗(yàn)證(表7和圖2)。從表7可以看出，在同一生育時(shí)期，處理2下模型擬合效果均最好，r2和RMSE分別為0.40～0.61和0.28～0.60 t·hm-2；處理3擬合效果均最差，r2和RMSE分別為0.29～0.54和0.35～0.70 t·hm-2。在同一處理下，拔節(jié)期的擬合效果均最差，r2和RMSE分別為0.29～0.36和0.60～0.70 t·hm-2；灌漿期擬合效果最好，r2和RMSE分別為0.54～0.61和0.28～0.60 t·hm-2。經(jīng)驗(yàn)證，模型預(yù)測(cè)精度在不同處理和時(shí)期的變化規(guī)律與建模精度一致，但預(yù)測(cè)精度低于建模精度。

表7 多光譜數(shù)據(jù)的冬小麥產(chǎn)量預(yù)測(cè)模型比較

2.5.2 基于多光譜和熱紅外的冬小麥估產(chǎn)模型精度

利用多光譜數(shù)據(jù)和熱紅外數(shù)據(jù)共同構(gòu)建冬小麥產(chǎn)量估測(cè)模型，并對(duì)其精度進(jìn)行驗(yàn)證(表8)。在同一時(shí)期，處理2的模型擬合精度和預(yù)測(cè)精度總體表現(xiàn)均最好。在同一處理下，模型的擬合精度和預(yù)測(cè)精度均隨生育時(shí)期的推后而提高。與基于多光譜數(shù)據(jù)的模型相比，加入熱紅外數(shù)據(jù)后，模型擬合和預(yù)測(cè)精度在各時(shí)期均不同程度地提高，且模型擬合精度與預(yù)測(cè)精度的差值也縮小，說(shuō)明模型精度和穩(wěn)定性均得到改善，其中模型在處理2下表現(xiàn)最好。

表8 融合多光譜和熱紅外數(shù)據(jù)的冬小麥產(chǎn)量預(yù)測(cè)模型比較

3 討 論

在冬小麥的生長(zhǎng)發(fā)育過(guò)程中，拔節(jié)期灌溉量的多少?zèng)Q定作物的穗數(shù)和粒數(shù)。在240 mm水分灌溉條件(處理1)下，拔節(jié)期光譜指數(shù)不能完全反映產(chǎn)量形成過(guò)程中器官干物質(zhì)的積累特點(diǎn)[29]，導(dǎo)致這個(gè)時(shí)期光譜指數(shù)與產(chǎn)量相關(guān)性較低。抽穗期和灌漿期是將光合作用產(chǎn)生的淀粉和蛋白質(zhì)等有機(jī)物從營(yíng)養(yǎng)器官轉(zhuǎn)移到籽粒中的主要階段，光譜指數(shù)可反映最終籽粒產(chǎn)量情況，與產(chǎn)量的相關(guān)性較高[30]，且模型的預(yù)測(cè)精度較準(zhǔn)確。同時(shí)，作物植被指數(shù)受環(huán)境條件影響，特別是水分處理影響。所以處理1的冬小麥產(chǎn)量高于處理2和處理3。然而，水分匱缺或過(guò)度灌溉容易造成作物產(chǎn)量出現(xiàn)較大變化，使產(chǎn)量估測(cè)模型受到影響。本試驗(yàn)中，處理2和處理3的r2較為接近，但處理3的RMSE較大，表明其預(yù)測(cè)值與測(cè)量的產(chǎn)量真實(shí)值之間偏差較大，因此處理2下模型的精度比處理1和處理3高。

多光譜傳感器僅有6個(gè)固定波段，不同光譜指數(shù)間存在一定的共線性，所以本試驗(yàn)中光譜指數(shù)SAVI、RDVI、DVI、NDVI、NLI的VIF均大于10，呈現(xiàn)多重共線性。但是，只要產(chǎn)量預(yù)測(cè)模型擬合程度好，預(yù)測(cè)結(jié)果就將不受多重共線性問(wèn)題的影響[31]。光譜指數(shù)CWSI在各個(gè)生育時(shí)期的VIF均小于10，共線性較低，表明CWSI與其他9個(gè)光譜數(shù)據(jù)之間信息重疊度較低，且CWSI還能夠反映作物生長(zhǎng)期內(nèi)的水分狀況變化。光譜指數(shù)由不同波段的光譜反射率構(gòu)造而成，能夠降低土壤背景及光照變化對(duì)光譜數(shù)據(jù)精度的影響，從而更好地反映作物生長(zhǎng)狀況。而不同植被指數(shù)可反映出作物不同的生物特性，例如NDVI主要用于估算植被變化[10]，SAVI間接反映作物的冠層溫度，可減少土壤背景對(duì)冠層反射率的影響[32]，TCARI對(duì)葉綠素含量變化具有較強(qiáng)的敏感性[22]，CWSI可反映作物冠層的水分狀況[26]等，使用多個(gè)植被指數(shù)構(gòu)建產(chǎn)量預(yù)測(cè)模型時(shí)作物信息數(shù)據(jù)較為豐富，同時(shí)還可減少干擾數(shù)據(jù)在構(gòu)建模型時(shí)的比重，故能夠獲得較高的產(chǎn)量預(yù)測(cè)精度。

熱紅外數(shù)據(jù)與作物的冠層溫度關(guān)系密切，反映作物冠層的能量平衡狀況和作物與大氣之間的能量交換，這與作物冠層能量的吸收和釋放有關(guān)[32-33]。溫度升高影響植物的蒸騰和光合作用等生理過(guò)程，充足的供水會(huì)加強(qiáng)葉片的蒸騰速率，降低葉片冠層溫度，而水分脅迫降低了葉片蒸騰速率，使得葉片冠層溫度升高[32]，與作物產(chǎn)量有間接的關(guān)系。冠層溫度數(shù)據(jù)與多光譜數(shù)據(jù)具有異質(zhì)性，將二者結(jié)合后可形成信息互補(bǔ)，有利于提高小麥產(chǎn)量預(yù)測(cè)模型的精度。

4 結(jié) 論

三種灌溉條件下構(gòu)建的模型相互比較，240 mm和190 mm灌溉條件下加入熱紅外數(shù)據(jù)構(gòu)建的產(chǎn)量估測(cè)模型的r2相近，但240 mm灌溉條件下構(gòu)建的模型RMSE偏大。190 mm灌溉條件下利用多光譜數(shù)據(jù)和熱紅外數(shù)據(jù)共同構(gòu)建的模型更為穩(wěn)定，更適合估測(cè)冬小麥產(chǎn)量。利用熱紅外數(shù)據(jù)和多光譜數(shù)據(jù)在灌漿期共同構(gòu)建的模型精度較高，更適合用于冬小麥的產(chǎn)量估算。