基于無人機(jī)遙感的水稻產(chǎn)量估測

田婷 張青 張海東 何其全 季方芳 朱琳

（蘇州市農(nóng)業(yè)科學(xué)院/江蘇太湖地區(qū)農(nóng)業(yè)科學(xué)研究所，江蘇 蘇州 215155；第一作者：491016158@qq.com）

水稻是我國重要的糧食作物，其長勢的快速無損監(jiān)測和產(chǎn)量及時準(zhǔn)確預(yù)報具有重要價值，可為糧食供需平衡、農(nóng)業(yè)經(jīng)營管理、農(nóng)業(yè)政策制定等提供有效支撐。傳統(tǒng)的估產(chǎn)采用人工調(diào)查，耗時長、速度慢、成本高，無法快速及時的獲取作物長勢信息和產(chǎn)量；衛(wèi)星遙感技術(shù)又存在重訪周期長、天氣條件限制等問題。而近兩年，隨著無人機(jī)行業(yè)的快速發(fā)展，無人機(jī)作為一種低成本的遙感平臺很好的彌補(bǔ)了衛(wèi)星遙感的不足。無人機(jī)遙感具有時效高、空間分辨率高、機(jī)動靈活、可以按需獲取等優(yōu)點(diǎn)，已迅速發(fā)展成為作物長勢監(jiān)測的重要手段。

基于植被指數(shù)的作物長勢監(jiān)測，已廣泛應(yīng)用于遙感領(lǐng)域。作物所有重要的植被信息可以由不同的波段組合而成，利用綠色植物對不同波段的吸收率和反射率的光譜特性計算得到的指數(shù)稱為植被指數(shù)。裴信彪等[1]利用無人機(jī)搭載光譜儀對水稻關(guān)鍵生育期進(jìn)行監(jiān)測，結(jié)果顯示比值植被指數(shù)RVI和歸一化植被指數(shù)NDVI 都可以反映葉綠素含量。隋麗娜等[2]利用孕穗期與乳熟期的差值植被指數(shù)對水稻單產(chǎn)進(jìn)行預(yù)測，模型精度較高。許童羽等[3]利用無人機(jī)遙感技術(shù)采集粳稻生長全過程的冠層NDVI 數(shù)據(jù)，對單天和各旬、各月冠層NDVI與產(chǎn)量進(jìn)行相關(guān)性分析，結(jié)果表明，6月中旬和8月上旬的組合模型是估產(chǎn)最理想的模型。劉珊珊等[4]利用MODIS 數(shù)據(jù)，提出一種基于時間序列的NDVI 的水稻估產(chǎn)模型，預(yù)測產(chǎn)量精度較高。本研究以蘇州地區(qū)的水稻田為研究對象，基于無人機(jī)遙感平臺，嘗試篩選最優(yōu)植被指數(shù)和最佳的無人機(jī)遙感作業(yè)時期，建立適宜于蘇州及太湖流域的水稻估產(chǎn)模型，從而為蘇州農(nóng)業(yè)園區(qū)尺度規(guī)模化水稻長勢與產(chǎn)量快速評估提供技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于蘇州市吳中區(qū)臨湖鎮(zhèn)湖橋村，該區(qū)域?qū)儆诒眮啛釒駶櫺约撅L(fēng)氣候類型，四季分明、溫暖濕潤、日照充足、降水豐沛，適合水稻的生長。無人機(jī)作業(yè)區(qū)域及采樣點(diǎn)分布如圖1 所示，位于蘇州湖嘉水稻生產(chǎn)基地試驗區(qū)內(nèi)，水稻品種為蘇香粳100，田間管理參照當(dāng)?shù)匾话闵a(chǎn)田進(jìn)行。試驗區(qū)內(nèi)地面平整均勻度不一致，前期測定的土壤養(yǎng)分存在差別，加上播種方式存在差異，導(dǎo)致作物長勢和產(chǎn)量存在較大差異，具有良好的梯度，適合進(jìn)行本研究。

1.2 數(shù)據(jù)獲取

本試驗采用大疆多旋翼飛行平臺M100，搭載的傳感器為parrot Sequoia 多光譜相機(jī)，共有4個120 w 像素窄帶和同步化單色傳感器，可采集波段數(shù)據(jù)有綠（550 nm）、紅（660 nm）、紅邊（735 nm）、近紅外（790 nm）。利用大疆地面站DJI GS PRO 航線飛行，設(shè)置航向重疊率為90%，旁向重疊率為80%，飛行高度為120 m，地面分辨率為0.14 m。

無人機(jī)數(shù)據(jù)采集于2018年水稻生長季，采集日期為7月5日、7月29日、8月24日、9月21日和10月10日，分別為水稻生長的分蘗初期、拔節(jié)期、抽穗期、乳熟期、成熟期。作業(yè)當(dāng)天晴朗無云，數(shù)據(jù)采集時間集中在10∶00—12∶00。每次飛行前，都需要采集白板數(shù)據(jù)，用于后期的輻射校正。試驗區(qū)內(nèi)隨機(jī)設(shè)置27個地面采樣點(diǎn)，其中18個用于建模，9個用于驗證（圖1）。采樣面積為1 m×1 m，地面采樣點(diǎn)對應(yīng)無人機(jī)GPS 定位，用于后期提取數(shù)據(jù)。利用Pix4DMapper 對無人機(jī)數(shù)據(jù)進(jìn)行輻射校正、圖像拼接等，得到四波段正射反射率圖。利用Arcgis 10.2 進(jìn)行植被指數(shù)計算，提取觀測點(diǎn)對應(yīng)的植被指數(shù)數(shù)值。10月11日對27個樣方收割測產(chǎn)。

圖1 研究區(qū)采樣點(diǎn)分布

1.3 研究方法

1.3.1 植被指數(shù)

為了篩選出適合水稻估產(chǎn)的植被指數(shù)，本研究根據(jù)多光譜相機(jī)的波段，選擇了以下8 種常用的植被指數(shù)，計算公式如表1。

表1 本文采用的植被指數(shù)

1.3.2 水稻估產(chǎn)模型建立和檢驗

利用SPSS 19.0，對水稻5個生育期的植被指數(shù)數(shù)據(jù)與產(chǎn)量進(jìn)行相關(guān)性分析，選出相關(guān)性最好的關(guān)鍵生育期的植被指數(shù)與產(chǎn)量進(jìn)行一元線性及多元線性回歸分析，構(gòu)建關(guān)鍵生育期的8 種植被指數(shù)與水稻產(chǎn)量的擬合關(guān)系。用判定系數(shù)和均方根誤差對模型擬合度進(jìn)行初步的精度評價；最后利用驗證樣本對所構(gòu)建的產(chǎn)量估算模型進(jìn)行精度驗證和評價，從而確定最佳估產(chǎn)時間，篩選出最佳估產(chǎn)模型。

2 結(jié)果與分析

2.1 水稻產(chǎn)量和主要生育期植被指數(shù)統(tǒng)計特征

研究區(qū)水稻產(chǎn)量的頻數(shù)分布圖見圖2。水稻實測產(chǎn)量數(shù)據(jù)顯示，不同取樣點(diǎn)產(chǎn)量的空間異質(zhì)性顯著，其中最低產(chǎn)量為4 902.45 kg/hm2，最高產(chǎn)量為8 004.00 kg/hm2，圖中曲線表示水稻產(chǎn)量數(shù)據(jù)的分布符合正態(tài)分布，樣本數(shù)據(jù)呈現(xiàn)出不同梯度，具有較好的代表性。

圖2 水稻產(chǎn)量頻數(shù)分布

對5個生育期8 種植被指數(shù)按時間序列進(jìn)行統(tǒng)計特征分析。由圖3可知，所有植被指數(shù)的均值從水稻分蘗期到成熟期都是一個先增大再減小的過程。其中NDVI、RVI、DVI、SAVI、OSAVI、EVI2、MSAVI2 都 是 從分蘗期到抽穗期逐漸增大在抽穗期達(dá)到最高，抽穗期后的乳熟期和成熟期都呈現(xiàn)顯著減小趨勢并且減小幅度較大。GNDVI 從分蘗期到拔節(jié)期顯著增加，在拔節(jié)期達(dá)到最高，隨后開始減小。

圖3 水稻不同生育期植被指數(shù)統(tǒng)計特征

表2 不同生育期植被指數(shù)與產(chǎn)量的相關(guān)性分析

2.2 生長關(guān)鍵期冠層植被指數(shù)與產(chǎn)量的相關(guān)性分析

對水稻各生育期植被指數(shù)與產(chǎn)量進(jìn)行相關(guān)性分析，植被指數(shù)與產(chǎn)量間皮爾森相關(guān)系數(shù)較高的時段為抽穗期、乳熟期和成熟期，說明在生長后期對水稻估產(chǎn)效果較好。在水稻抽穗期，植被指數(shù)RVI與產(chǎn)量的相關(guān)系數(shù)最高，達(dá)到了0.842。在水稻乳熟期，各植被指數(shù)與產(chǎn)量的相關(guān)系數(shù)也都比較高，在0.7 以上。

2.3 水稻主要生育期產(chǎn)量遙感模型構(gòu)建

將抽穗期、乳熟期、成熟期8 種植被指數(shù)與水稻產(chǎn)量進(jìn)行線性回歸以及多元線性回歸分析。由表3可知，水稻抽穗期的產(chǎn)量預(yù)測模型，基于NDVI、RVI、DVI、GNDVI、MSAVI2 指數(shù)的多元線性擬合模型具有最高的決定系數(shù)和較低的均方根誤差（R2=0.754，RMSE=444.142），基于RVI 單一植被指數(shù)的一元線性擬合模型具有較高的決定系數(shù)和最低的均方根誤差（R2=0.741，RMSE=394.446），這兩個預(yù)測模型在水稻抽穗期表現(xiàn)較優(yōu)。水稻乳熟期產(chǎn)量預(yù)測模型，基于NDVI、RVI、GNDVI、MSAVI2 指數(shù)的多元線性擬合模型具有最高的決定系數(shù)和較低的均方根誤差（R2=0.726，RMSE=450.512），基于NDVI 單一植被指數(shù)的一元線性擬合模型具有較高的決定系數(shù)和最低的均方根誤差（R2=0.697，RMSE=426.353），這兩個預(yù)測模型在水稻乳熟期表現(xiàn)較優(yōu)。水稻成熟期產(chǎn)量預(yù)測模型，基于NDVI、RVI、GNDVI、MSAVI2 指數(shù)的多元線性擬合模型具有最高的決定系數(shù)和較低的均方根誤差（R2=0.674，RMSE=491.272），基于DVI 單一植被指數(shù)的一元線性擬合模型具有較高的決定系數(shù)和最低的均方根誤差（R2=0. 624，RMSE=475.535），這兩個預(yù)測模型在水稻乳熟期表現(xiàn)較優(yōu)。

表3 水稻產(chǎn)量與各生育期植被指數(shù)擬合模型

2.4 產(chǎn)量估算模型驗證

選取9個驗證樣本，對水稻抽穗期、乳熟期、成熟期的6個產(chǎn)量較優(yōu)擬合模型進(jìn)行驗證。將各個時期的多元線性模型和一元線性模型進(jìn)行對比，發(fā)現(xiàn)基于多個植被指數(shù)的多元線性估產(chǎn)模型的R2比一元線性估產(chǎn)模型高，且RMSE 更低。抽穗期的預(yù)測精度最高，驗證樣本的R2均達(dá)到了0.7 以上，成熟期的預(yù)測精度相對較低。綜上，估產(chǎn)模型R2最高達(dá)0.738，RMSE 最低為400.537，其對應(yīng)的估產(chǎn)模型為抽穗期的多元線性模型，該模型為產(chǎn)量y=12305.170×NDVI+129.675×RVI-637.056×DVI+2613.405×GNDVI-2100.527×MSAVI2-7303.814。

圖4 基于水稻不同生育期植被指數(shù)的產(chǎn)量估測值和實際值關(guān)系圖

3 討論

本文選取水稻生長的5個關(guān)鍵時期進(jìn)行研究分析。水稻生長前期，由于作物的覆蓋率小，土壤、雜草等信息干擾較大，該時期不適合水稻估產(chǎn)。在水稻生長中后期，從抽穗期到成熟期，作物由營養(yǎng)生長向生殖生長過度，作物群體狀況已趨于穩(wěn)定，該階段估產(chǎn)效果較好。水稻抽穗期是產(chǎn)量形成的關(guān)鍵期，利用該時期的光譜信息進(jìn)行估產(chǎn)效果最好。

基于植被指數(shù)對作物產(chǎn)量進(jìn)行反演，是一種常見的監(jiān)測手段。其中歸一化植被指數(shù)NDVI 使用最為廣泛，很多研究認(rèn)為，NDVI與產(chǎn)量相關(guān)，進(jìn)行產(chǎn)量估測最普遍的方式是在NDVI與作物產(chǎn)量之間建立經(jīng)驗?zāi)Ｐ?，該方法操作簡單，便于推廣[13-15]。在植被覆蓋度較低時，NDVI可以較為準(zhǔn)確的估測作物長勢和生物量，當(dāng)覆蓋度較高時，準(zhǔn)確度會下降。因此，本研究選取了8種常用的植被指數(shù)對水稻產(chǎn)量進(jìn)行估測，研究結(jié)果表明，不同生育期不同植被指數(shù)估產(chǎn)效果有所差異，就單一植被指數(shù)的一元線性擬合模型而言，抽穗期基于RVI 的擬合模型較優(yōu)，乳熟期基于NDVI 的擬合模型較優(yōu)，成熟期基于DVI 的擬合模型較優(yōu)。

本研究基于關(guān)鍵生育期多種植被指數(shù)估測水稻產(chǎn)量，結(jié)果表明，基于多個植被指數(shù)的多元線性模型比單一植被指數(shù)的一元線性模型的效果好，這與劉莉等的研究結(jié)果一致[16-17]。原因可能是單一植被指數(shù)建立的線性模型在面對作物覆蓋不均勻的區(qū)域時，其精度和靈敏度降低，不能全面準(zhǔn)確的反應(yīng)產(chǎn)量信息，而多元線性回歸模型將多個植被指數(shù)相結(jié)合，在一定程度上提高了產(chǎn)量估算的精度[16]。

4 結(jié)論

本研究基于無人機(jī)不同生育期多光譜數(shù)據(jù)對水稻產(chǎn)量進(jìn)行估測，結(jié)論如下：就生育期而言，表現(xiàn)最好的是 抽 穗 期，基 于 植 被 指 數(shù)NDVI、RVI、DVI、GNDVI、MSAVI2 的多元線性模型R2=0.741、RMSE=444.142，驗證精度最佳。研究結(jié)果表明，利用無人機(jī)搭載多光譜相機(jī)可以快速無損的獲取水稻冠層光譜信息，對水稻產(chǎn)量進(jìn)行估測具有可行性，對于農(nóng)場尺度農(nóng)田信息管理和精準(zhǔn)農(nóng)業(yè)實施等方面具有顯著的推動意義。后續(xù)研究可以利用無人機(jī)搭載高光譜儀進(jìn)行水稻長勢監(jiān)測，對比不同傳感器的估產(chǎn)性能，進(jìn)一步提高估產(chǎn)精度。在不同環(huán)境條件下試驗不同的水稻品種，建立更為普適的估產(chǎn)模型。