不同施氮處理下無人機(jī)光譜感知冬小麥產(chǎn)量

丁凡，陳震，李長春*，程千，費(fèi)帥鵬，李景勃，徐洪剛，李宗鵬

不同施氮處理下無人機(jī)光譜感知冬小麥產(chǎn)量

丁凡1，陳震2，李長春1*，程千2，費(fèi)帥鵬2，李景勃1，徐洪剛2，李宗鵬3

（1.河南理工大學(xué)，河南 焦作 454003；2.中國農(nóng)業(yè)科學(xué)院 農(nóng)田灌溉研究所，河南 新鄉(xiāng) 453002；3.河南農(nóng)業(yè)大學(xué)，鄭州 450002）

【目的】快速、準(zhǔn)確地預(yù)測冬小麥產(chǎn)量，構(gòu)建最佳產(chǎn)量預(yù)測模型，對精準(zhǔn)農(nóng)業(yè)農(nóng)田管理有重要應(yīng)用價值?！痉椒ā恳猿樗肫?、開花期和灌漿期3個不同時期的冬小麥為研究對象，通過無人機(jī)搭載的多光譜傳感器采集冠層光譜信息并提取植被指數(shù)。使用逐步回歸與隨機(jī)森林2種方法，篩選最優(yōu)特征并建立產(chǎn)量預(yù)測模型?！窘Y(jié)果】在抽穗期，綠（Green，）、藍(lán)（Blue，）、修改型土壤調(diào)查植被指數(shù)（Modified Soil-adjusted Vegetation Index 2，2）和土壤調(diào)節(jié)植被指數(shù)(Soil-adjusted Vegetation Index，)組合使用隨機(jī)森林算法對產(chǎn)量的預(yù)測效果最好同時（Akaike information criterion，赤池信息準(zhǔn)則）較低，2為0.65。在開花期，過綠指數(shù)（Excess Green，）、近紅外光（Near Infrared，）、歸一化差異植被指數(shù)（Normalized Difference Index，）、藍(lán)（Blue，）和修改型土壤調(diào)查植被指數(shù)2（Modified Soil-adjusted Vegetation Index 2，2）特征變量組合使用隨機(jī)森林算法對產(chǎn)量的預(yù)測效果最好，同時較低，2為0.71。在灌漿期，以全部植被特征變量構(gòu)建的隨機(jī)森林回歸模型對冬小麥產(chǎn)量預(yù)測的精度最高，2達(dá)到0.76，綠（Green，）、藍(lán)(Blue，)、過綠指數(shù)（Excess Green，）、過紅指數(shù)（Excess Red，）、歸一化植被指數(shù)（Normalized Difference Vegetation Index，）、比值植被指數(shù)（Ratio Vegetation Index，）和歸一化差分植被指數(shù)（Normalized Difference Vegetation Index，）特征變量組合的隨機(jī)森林回歸模型2較高同時較低，2達(dá)到0.73。同時使用冬小麥3個生育期，以抽穗期藍(lán)（Blue，）、開花期過綠指數(shù)（Excess Green，）、灌漿期近紅外光（Near Infrared，）、灌漿期歸一化差異植被指數(shù)（Normalized Difference Index，）和灌漿期過綠減過紅指數(shù)（Excess Green-Excess Red，-）為特征變量組合構(gòu)建的隨機(jī)森林回歸模型2較高，同時較低，2達(dá)到0.76。【結(jié)論】通過逐步回歸篩選出特征變量間共線性最小的特征變量組合并利用隨機(jī)森林構(gòu)建回歸模型具有可行性，能夠準(zhǔn)確地預(yù)測冬小麥產(chǎn)量。

多光譜；植被指數(shù)；逐步回歸；隨機(jī)森林；產(chǎn)量預(yù)測

0 引 言

【研究意義】冬小麥?zhǔn)俏覈匾募Z食作物之一，其產(chǎn)量與國民經(jīng)濟(jì)發(fā)展和人民生活質(zhì)量具有密切的關(guān)系[1-2]，在冬小麥?zhǔn)斋@前進(jìn)行產(chǎn)量預(yù)測對國家糧食政策制定、田間管理以及宏觀調(diào)控具有重要意義。

【研究進(jìn)展】隨著無人機(jī)技術(shù)和輕型多光譜相機(jī)技術(shù)的發(fā)展，低空無人機(jī)多光譜遙感技術(shù)的應(yīng)用愈加廣泛，在作物生長監(jiān)測中具有低成本高效率的特點[3]。由于多光譜傳感器光譜分辨率的提升，相鄰波段之間的相關(guān)性也隨之增加，因而會造成數(shù)據(jù)間產(chǎn)生冗余信息，從而增加了對數(shù)據(jù)處理的復(fù)雜性以及不必要的計算資源消耗。因此，有必要對多光譜數(shù)據(jù)進(jìn)行降維處理[4]，篩選出對目標(biāo)性狀影響較大的特征。目前，已有諸多國內(nèi)外學(xué)者通過無人機(jī)平臺對小麥等農(nóng)作物進(jìn)行產(chǎn)量預(yù)測。王來剛等[5]使用隨機(jī)森林算法，構(gòu)建的融合多源時空數(shù)據(jù)的冬小麥產(chǎn)量預(yù)測模型精度較高；Fei等[6]基于冬小麥無人機(jī)多光譜數(shù)據(jù)，通過集成學(xué)習(xí)方法構(gòu)建的產(chǎn)量預(yù)測模型精度較高；程千等[7]采集不同水分虧缺條件下冬小麥多光譜圖像，通過偏最小二乘、支持向量機(jī)和隨機(jī)森林的方法，利用冬小麥多時相植被指數(shù)構(gòu)建產(chǎn)量預(yù)測模型，結(jié)果表明多種植被指數(shù)隨著冬小麥的生長預(yù)測精度不斷提高，且隨機(jī)森林回歸模型預(yù)測效果最好；牛慶林等[8]將可見光與多光譜植被指數(shù)相結(jié)合，使用逐步回歸和隨機(jī)森林回歸方法對冬小麥葉片值進(jìn)行預(yù)測，該方法表現(xiàn)出較好的預(yù)測結(jié)果。逐步回歸可從大量已有變量中篩選出對模型影響較大的變量[9]并剔除冗余變量，進(jìn)而構(gòu)建預(yù)測模型?！厩腥朦c】隨機(jī)森林預(yù)測模型精度高于線性預(yù)測模型[10]，但隨機(jī)森林生成的模型不直觀，無法用數(shù)學(xué)公式表達(dá)，被認(rèn)為是“黑箱”模型，但其提供其他方式，諸如變量的重要性用來協(xié)助解釋模型，因此Prasad等[11]稱隨機(jī)森林為“灰箱”模型。

【擬解決的關(guān)鍵問題】本研究以抽穗期、開花期和灌漿期3個生育期的冬小麥為研究對象，通過無人機(jī)多光譜影像技術(shù)獲取3個時期冬小麥多光譜數(shù)據(jù)并構(gòu)建多種植被指數(shù)，隨后利用逐步回歸和隨機(jī)森林方法構(gòu)建各生育期產(chǎn)量預(yù)測模型，以實現(xiàn)在收獲前對冬小麥產(chǎn)量進(jìn)行精準(zhǔn)預(yù)測。

1 材料與方法

1.1 試驗區(qū)概況與試驗設(shè)計

試驗于2020—2021年在中國農(nóng)業(yè)科學(xué)院新鄉(xiāng)試驗基地（35.2°N，113.8°E）進(jìn)行。該地為平原區(qū)域，地處黃河和海河兩大流域，土壤肥沃且光照充足，屬暖溫帶大陸性季風(fēng)氣候，年平均氣溫為14 ℃，年平均降水量573.4 mm，適宜冬小麥生長。表層土壤質(zhì)地為輕質(zhì)壤土，地下水埋深超過10 m。采用大型平移式噴灌機(jī)變量噴灑水肥，設(shè)置6個不同的施氮（N）肥處理，氮肥選用尿素，施肥水平分別為N0（不施加氮肥）、N1（60 kg/hm2）、N2（120 kg/hm2）、N3（180 kg/hm2）、N4（240 kg/hm2農(nóng)民習(xí)慣用量）和N5（300 kg/hm2，過量施氮），每30個小區(qū)1個處理，共180個小區(qū)，試驗小區(qū)布置如圖1所示。施氮肥在拔節(jié)期和抽穗期2個時期進(jìn)行，各施肥量按2∶1劃分，施加氮肥的質(zhì)量濃度為0.3%。小區(qū)規(guī)格3 m×1.4 m，相鄰小區(qū)左右間隔0.2 m，前后間隔1 m。于2020年10月初按試驗小區(qū)播種，2021年6月初按試驗小區(qū)收獲，自然曬干稱質(zhì)量得到各小區(qū)實測產(chǎn)量。

圖1 試驗小區(qū)布置圖

1.2 無人機(jī)影像獲取及處理

本試驗搭載平臺采用大疆經(jīng)緯M210型四旋翼無人機(jī)，無人機(jī)質(zhì)量為4.69 kg，最大承載質(zhì)量1.45 kg，續(xù)航時間約20 min。無人機(jī)搭載Red Edge MX多光譜相機(jī)于抽穗期（2021年4月17日）、開花期（2021年4月28日）和灌漿期（2021年5月8日）對冬小麥冠層拍攝多光譜影像，使用大疆GSPro地面站規(guī)劃航線，多光譜相機(jī)設(shè)置為與地面垂直，等時間間隔拍照模式。飛行高度為30 m，航向重疊率85%，旁向重疊率80%，影像空間分辨率為2 mm。光譜影像具有5個通道，分別為紅（Red，）、綠（Green，）、藍(lán)（Blue，）、近紅外（Near infrared，）和紅邊（Red edge，），波段信息如表1所示。

表1 Red Edge MX型多光譜相機(jī)波段信息

在無人機(jī)飛行作業(yè)后利用Pix4Dmapper軟件對獲取的影像進(jìn)行校正拼接。通過ArcGIS10.2計算多光譜植被指數(shù)并繪制感興趣區(qū)提取小區(qū)植被指數(shù)均值。

1.3 植被指數(shù)選取

植被指數(shù)是由光譜中多個波段組合而成，在對地面植被狀況進(jìn)行度量方面比單波段具有更好的靈敏性。本試驗選取植被提取顏色指數(shù)（Color Index of Vegetation Extraction，）、差異植被指數(shù)（Difference vegetation index，）、過綠指數(shù)（Excess Green，）、過綠減過紅指數(shù)（Excess Green-Excess Red，-）、過紅指數(shù)（Excess Red，）、修改型土壤調(diào)查植被指數(shù)（Modified Soil-adjusted Vegetation Index 2，2）、歸一化差異植被指數(shù)（Normalized Difference Index，）、歸一化植被指數(shù)（Normalized Difference Vegetation Index，）、重歸一化植被指數(shù)（Re-normalized Vegetation Index，）、比值植被指數(shù)（Ratio Vegetation Index，）、土壤調(diào)節(jié)植被指數(shù)（Soil-adjusted Vegetation Index，）、歸一化差分植被指數(shù)（Normalized Difference Vegetation Index，）共12個植被指數(shù)，如表2所示。

表2 植被指數(shù)及計算式

1.4 分析方法

本研究通過逐步回歸[22]算法構(gòu)建的模型篩選特征間影響較小的特征向量組合，再利用隨機(jī)森林算法[23]構(gòu)建預(yù)測模型。逐步回歸是一種對線性回歸模型自變量選擇的方法，其基本思想是逐個將特征變量引入回歸模型中，在每引入1個特征變量時對模型進(jìn)行1次檢驗，若引入的特征變量使模型內(nèi)其他特征變量的解釋顯著性降低，則剔除該特征變量，重復(fù)此過程，直至不再有對模型貢獻(xiàn)大的特征變量引入模型，也沒有對模型貢獻(xiàn)小的特征變量從模型中被剔除，此時模型為最優(yōu)模型[24]。對模型特征選擇的標(biāo)準(zhǔn)選用赤池信息準(zhǔn)則（Akaike information criterion，）[8]，值越小，表示模型內(nèi)各個特征變量的解釋性就越好，每個特征變量之間對彼此重要性的影響程度越小。選用值最小的模型既為最優(yōu)模型。隨機(jī)森林的思想是集成學(xué)習(xí)，是機(jī)器學(xué)習(xí)的一大分支，由多棵樹組成，其基本單元是決策樹[25]。其在訓(xùn)練過程中，從訓(xùn)練集中有放回地隨機(jī)抽取樣本，重復(fù)多次，生成多棵決策樹，對每棵決策樹通過傳遞隨機(jī)變量來預(yù)測結(jié)果，從而得到多種結(jié)果，對這些結(jié)果計算平均值便得到隨機(jī)森林回歸的最終預(yù)測結(jié)果。隨機(jī)森林通過平均決策樹的預(yù)測結(jié)果降低過擬合的風(fēng)險，并且受噪聲影響較小[26]。

1.5 模型評價指標(biāo)

隨機(jī)選取數(shù)據(jù)的3/4作為訓(xùn)練集，剩余1/4作為驗證集。以驗證集決定系數(shù)（2）、均方根誤差（）、歸一化均方根誤差（）和作為預(yù)測模型的精度評價標(biāo)準(zhǔn)。2越大表明植被指數(shù)與產(chǎn)量的擬合性越好；和越小表明模型預(yù)測效果越好；越小表明模型特征最少同時可以最好的解釋數(shù)據(jù)。

2 結(jié)果與分析

2.1 植被指數(shù)與產(chǎn)量相關(guān)性

使用3個生育期的12個植被指數(shù)與產(chǎn)量進(jìn)行相關(guān)性分析。使用、、、、和12個光譜指數(shù)分別建立3個生育期產(chǎn)量的隨機(jī)森林回歸模型，詳見表3。

由表3可看出，3個生育期中，灌漿期的大部分植被指數(shù)與產(chǎn)量的相關(guān)性最高，抽穗期的大部分植被指數(shù)與產(chǎn)量的相關(guān)性最低。-、、與產(chǎn)量的相關(guān)性較低，除抽穗期的-與產(chǎn)量無顯著相關(guān)外，相關(guān)系數(shù)范圍為0.22～0.45，其余9個植被指數(shù)在3個生育期中與產(chǎn)量的相關(guān)性均大于0.5。在抽穗期和開花期，的相關(guān)性均最高，絕對值分別為0.57和0.67；在灌漿期，2的相關(guān)性最高，絕對值為0.59，此外、、的相關(guān)系數(shù)均達(dá)到0.58。由此可見，本文選用的12個植被指數(shù)與產(chǎn)量均具有較強(qiáng)的相關(guān)性，可以用來對冬小麥的產(chǎn)量進(jìn)行估測。

表3 不同生育期植被指數(shù)與產(chǎn)量相關(guān)性分析

2.2 基于逐步回歸分析方法預(yù)測產(chǎn)量

將、、、、和各植被指數(shù)作為輸入變量，以產(chǎn)量為輸出變量建立逐步回歸模型，結(jié)果見表4。在3個生育期，2范圍分別在0.351～0.412、0.436～0.538、0.439～0.486，值范圍分別在0.569～0.584、0.488～0.588、0.593～0.624 t/hm2，值范圍分別在16.324%～17.305%、14.396%～17.145%、17.365%～17.993%。綜上，開花期的模型精度在包含5個輸入變量（、、、、）時最佳，2為0.526，值為0.488 t/hm2，值為14.396%，值為288.152。

2.3 基于逐步回歸篩選變量后的隨機(jī)森林回歸模型精度

通過逐步回歸篩選出每個生育期值最小的5個預(yù)測模型后，根據(jù)每個模型的輸入特征變量構(gòu)建對應(yīng)的隨機(jī)森林回歸模型，并計算各個預(yù)測模型的2、和，如表5所示。

為了篩選最優(yōu)預(yù)測模型，對各個預(yù)測模型進(jìn)行綜合評定，以預(yù)測模型的2、、和為評定指標(biāo)。在3個生育期，2范圍分別在0.501～0.669、0.638～0.708、0.629～0.755，值范圍分別在0.457～0.552、0.453～0.520、0.425～0.522 t/hm2，值范圍分別在13.053%～15.820%、12.877%～14.584%、12.093%～14.656%。其中，在灌漿期預(yù)測模型的綜合評定精度最好，精度最好的2個預(yù)測模型分別包含全部特征變量和7個輸入特征變量（、、、、、、），2分別為0.755和0.734，、分別為0.425 t/hm2、12.093%和0.439 t/hm2、12.441%，值分別為306.180和295.005。在開花期，精度最好的2個預(yù)測模型分別包含5個輸入特征變量（、、、、2）和2個輸入特征變量（、），2分別為0.708和0.685，和分別為0.471 t/hm2、13.288%和0.453 t/hm2、12.877%，值分別為293.319和299.338。在抽穗期，精度最好的2個預(yù)測模型分別包含4個輸入特征變量（、、2、）和全部特征變量，2分別為0.645和0.669，、分別為0.496 t/hm2、14.263%和0.481 t/hm2、13.743%，值分別為315.303和323.129。

表4 冬小麥不同生育期逐步回歸線性預(yù)測模型

表5 冬小麥不同生育期篩選變量后的隨機(jī)森林回歸模型

同時使用3個生育期的共51個輸入特征變量篩選出值較小的模型，并構(gòu)建隨機(jī)森林回歸模型，如表6所示。使用_1、_2和_3后綴以區(qū)分不同時期的植被指數(shù)，分別對應(yīng)抽穗期、開花期和灌漿期。

由表6可看出，精度最好的預(yù)測模型包含5個輸入特征（1、1、3、3、3），2達(dá)到0.76，為0.402 t/hm2，為11.488%，與只考慮單生育期所構(gòu)建的預(yù)測模型3個評價指標(biāo)相比，均表現(xiàn)出較好的精度。

表6 冬小麥3個生育期篩選變量后的隨機(jī)森林回歸模型

圖2為不同氮肥處理下冬小麥產(chǎn)量預(yù)測值與實測值對比，圖2中估測值分別選取每個時期估測效果最優(yōu)的訓(xùn)練模型。抽穗期選用、、2、多特征變量組合模型，開花期選用、、、、2多特征變量組合模型，灌漿期選用、、、、、、多特征變量組合模型。從圖2可以看出，N4處理冬小麥產(chǎn)量最高，平均達(dá)到9.374 t/hm2，隨著施氮量的減少，產(chǎn)量呈下降趨勢，但在N1處理時略有提高。N0處理冬小麥平均產(chǎn)量為5.964 t/hm2，比N4處理降低36.377%。冬小麥產(chǎn)量預(yù)測值與實測值相對比，N1處理和N4處理預(yù)測值偏小，其余施氮處理時，預(yù)測值偏大。N5處理時預(yù)測值的分布范圍與實測值的接近，其余處理下預(yù)測值的分布范圍均比實測值的小。由于試驗所用冬小麥品種較多，不同品種產(chǎn)量不同，因而產(chǎn)量數(shù)據(jù)分布分散，尤其氮營養(yǎng)虧缺嚴(yán)重時更為明顯。

圖2 不同氮肥處理下產(chǎn)量實測值與預(yù)測值對比

3 討 論

使用逐步回歸篩選出的特征變量作為輸入的線性產(chǎn)量回歸模型精度較差，但可以對植被特征進(jìn)行降維，篩選出對模型影響較大的特征組合[4]。隨機(jī)森林較傳統(tǒng)的回歸算法精度和穩(wěn)定性更高。本研究表明，隨機(jī)森林應(yīng)用在作物表型評估中能夠提升模型性能，王麗愛等[27]以8個植被指數(shù)為輸入特征變量分析多個生育期小麥葉片值與植被指數(shù)間的相關(guān)性，構(gòu)建隨機(jī)森林回歸模型，并以支持向量回歸模型和反向傳播神經(jīng)網(wǎng)絡(luò)回歸模型為對照模型，研究表明隨機(jī)森林回歸模型的預(yù)測精度最高。王慶等[28]通過甜菜葉叢冠層的結(jié)構(gòu)特征和光譜特征構(gòu)建地上部和塊根鮮質(zhì)量和塊根含糖率隨機(jī)森林和偏最小二乘預(yù)測模型，研究顯示隨機(jī)森林回歸模型在精度上高于偏最小二乘回歸模型?；诖?，本研究先通過逐步回歸篩選特征變量，再使用隨機(jī)森林算法，在特征變量間相互影響較小的前提下，得到精度較高的隨機(jī)森林回歸模型，并在此前提下，通過對預(yù)測模型的分析，能夠大致得出哪些特征變量對預(yù)測模型更重要且對精度影響更高，進(jìn)而從這些特征變量中尋找出與產(chǎn)量之間的聯(lián)系，探究該特征變量對產(chǎn)量預(yù)測精度解釋性較強(qiáng)的原因。

在、、、和這是5個波段中和的建模精度較高，的建模精度較低。原因是綠波段的反射率對葉片葉綠素量敏感，反映了葉片葉綠素量水平，葉綠素量植株光合作用的重要影響因素，在很大程度上決定了作物產(chǎn)量[29]。在作物快成熟時既在灌漿期左右會出現(xiàn)紅邊位移[30]現(xiàn)象，作物生長狀態(tài)好，紅邊位置會出現(xiàn)紅移，反之會出現(xiàn)藍(lán)移，并且紅邊反射率曲線斜率大，導(dǎo)致紅邊與產(chǎn)量具有較大的相關(guān)性。同時這一結(jié)果印證了一些研究者提出紅邊與葉片葉綠素即綠波段有關(guān)系的觀點[30-31]。在灌漿期的預(yù)測模型精度較高的原因是紅邊位移現(xiàn)象主要發(fā)生在該時期。

開花期和灌漿期冬小麥的營養(yǎng)生長已基本完成，產(chǎn)量也基本定型，葉片對土地覆蓋程度高，裸土較少，此時冬小麥的性狀與產(chǎn)量相關(guān)性較高。開花期之前的生育期受外界因素影響較大，不是對產(chǎn)量進(jìn)行預(yù)測的最佳時期。成熟期冬小麥開始變黃，莖稈葉基本變干，葉片枯萎葉面積減少，裸土增多，因此不建議作為觀測時期。

在逐步回歸以及隨機(jī)森林回歸所構(gòu)建的預(yù)測模型中，灌漿期表現(xiàn)出較高的預(yù)測精度。灌漿期時，冬小麥籽粒長度先達(dá)到最大，隨后寬度和厚度明顯增加，是決定粒質(zhì)量和產(chǎn)量的關(guān)鍵時期[32]，這一生理特征決定了該時期對產(chǎn)量預(yù)測的精準(zhǔn)性。

本研究僅使用了多光譜5個波段，沒有對多光譜波段以外對產(chǎn)量敏感的指數(shù)進(jìn)行研究，下一步可以考慮引入高光譜指數(shù)對產(chǎn)量的預(yù)測模型進(jìn)行優(yōu)化，以期達(dá)到更高的預(yù)測精度。

4 結(jié) 論

1）開花期和灌漿期的植被指數(shù)與產(chǎn)量均具有較強(qiáng)的相關(guān)性，所構(gòu)建的隨機(jī)森林預(yù)測模型最大2均大于0.7。

2）灌漿期的植被指數(shù)對產(chǎn)量的預(yù)測效果最好，構(gòu)建的最優(yōu)預(yù)測模型的2達(dá)到0.73，輸入特征變量為、、、、、和組合，同時對比同時期其他特征變量組合較低。

3）同時考慮3個生育期的指標(biāo)相比單個生育期所構(gòu)建的隨機(jī)森林預(yù)測模型精度有所提升，保證較低的同時2可達(dá)到0.76。

4）本研究中，過量施氮以及氮肥虧缺均導(dǎo)致冬小麥產(chǎn)量降低。與N4處理相比，N0處理將造成冬小麥產(chǎn)量下降約1/3。

[1] FENG P, WANG B, LIU D L, et al. Dynamic wheat yield forecasts are improved by a hybrid approach using a biophysical model and machine learning technique[J]. Agricultural and Forest Meteorology, 2020, 285: 107 922.

[2] FENG L W, WANG Y M, ZHANG Z, et al. Geographically and temporally weighted neural network for winter wheat yield prediction[J]. Remote Sensing of Environment, 2021, 262: 112 514.

[3] 孫剛, 黃文江, 陳鵬飛, 等. 輕小型無人機(jī)多光譜遙感技術(shù)應(yīng)用進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報, 2018, 49(3): 1-17.

SUN Gang, HUANG Wenjiang, CHEN Pengfei, et al. Advances in UAV-based multispectral remote sensing applications[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 1-17.

[4] KUMAR S, ATTRI S D, SINGH K K. Comparison of Lasso and stepwise regression technique for wheat yield prediction[J]. Journal of Agrometeorology, 2019, 21(2): 188-192.

[5] 王來剛, 鄭國清, 郭燕, 等. 融合多源時空數(shù)據(jù)的冬小麥產(chǎn)量預(yù)測模型研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2022, 53(1): 198-204, 458.

WANG Laigang, ZHENG Guoqing, GUO Yan, et al. Prediction of winter wheat yield based on fusing multi-source spatio-temporal data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(1): 198-204, 458.

[6] FEI S P, ADEEL H M, HE Z H, et al. Assessment of ensemble learning to predict wheat grain yield based on UAV-multispectral Reflectance[J]. Remote Sensing, 2021, 13(12): 2 338.

[7] 程千, 徐洪剛, 曹引波, 等. 基于無人機(jī)多時相植被指數(shù)的冬小麥產(chǎn)量估測[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2021, 52(3): 160-167.

CHENG Qian, XU Honggang, CAO Yinbo, et al. Grain yield prediction of winter wheat using multi-temporal UAV based on multispectral vegetation index[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(3): 160-167.

[8] 牛慶林, 馮海寬, 周新國, 等. 冬小麥SPAD值無人機(jī)可見光和多光譜植被指數(shù)結(jié)合估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2021, 52(8): 183-194.

NIU Qinglin, FENG Haikuan, ZHOU Xinguo, et al. Combining UAV visible light and multispectral vegetation indices for estimating SPAD value of winter wheat[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(8): 183-194.

[9] GUIMARAES B V C, DONATO S L R, ASPIAZU I, et al. Regression models for productivity prediction in cactus pear cv. Gigante[J]. Revista Brasileira De Engenharia Agricola E Ambiental, 2020, 24(11): 721-727.

[10] LI X, LV X, HE Y F, et al. Application of random forest in identifying winter wheat using Landsat8 imagery[J]. Engenharia Agricola, 2021, 41(6): 619-633.

[11] PRASAD A M, IVERSON L R, LIAW A. Newer classification and regression tree techniques: bagging and random forests for ecological prediction[J]. Ecosystems, 2006, 9(2): 181-199.

[12] 李長春, 牛慶林, 楊貴軍, 等. 基于無人機(jī)數(shù)碼影像的大豆育種材料葉面積指數(shù)估測[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2017, 48(8): 147-158.

LI Changchun, NIU Qinglin, YANG Guijun, et al. Estimation of leaf area index of soybean breeding materials based on UAV Digital Images[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(8): 147-158.

[13] CHOLULA U, SILVA J A D, MARCONI T, et al. Forecasting yield and lignocellulosic composition of energy cane using unmanned aerial systems[J]. Agronomy, 2020, 10(5): 718.

[14] ZHAO Y. The Segmentation of plants on RGB images with index based color analysis[C]. Wuhan: 2021 5th International Conference on Robotics and Automation Sciences (ICRAS), 2021: 221-225.

[15] PISMAN T I, ERUNOVA M G, BOTVICH I Y, et al. Informative value of spectral vegetation indices for assessment of weediness of agricultural crops according to ground-based and satellite data[J]. Issledovanie Zemli iz Kosmosa, 2021(3): 55-66.

[16] 蔡文婷, 趙書河, 王亞梅, 等. 結(jié)合Sentinel-2光譜與紋理信息的冬小麥作物茬覆蓋度估算[J]. 遙感學(xué)報, 2020, 24(9): 1 108-1 119.

CAI Wenting, ZHAO Shuhe, WANG Yamei, et al. Estimation of winter wheat residue cover using spectral and textural information from Sentinel-2 data[J]. Journal of Remote Sensing, 2020, 24(9): 1 108-1 119.

[17] DARIUS J, DAINIUS S, AURELIJA K, et al. Comparative analysis of the environmental impact of conventional and precision spring wheat fertilization under various meteorological conditions[J]. Journal of Environmental Management, 2021, 296: 113 150.

[18] IHUOMA S O, MADRAMOOTOO C A. Narrow-band reflectance indices for mapping the combined effects of water and nitrogen stress in field grown tomato crops[J]. Biosystems Engineering, 2020, 192: 133-143.

[19] YANG T C, LU J S, LIAO F, et al. Retrieving potassium levels in wheat blades using normalised spectra[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102: 102 412.

[20] ATTILA N, ANDREA S, DAVID A O, et al. Wheat yield forecasting for the tisza river catchment using Landsat 8 NDVI and SAVI time series and reported crop statistics[J]. Agronomy, 2021, 11(4): 652.

[21] LAOSUWAN T, UTTARUK Y. Carbon sequestration assessment of the orchards using satellite data[J]. Journal of Ecological Engineering, 2017, 18(1): 11-17.

[22] WANG G Q, ZHANG X J, YINGLAN A, et al. A spatio-temporal cross comparison framework for the accuracies of remotely sensed soil moisture products in a climate-sensitive grassland region[J]. Journal of Hydrology, 2021, 597: 126 089.

[23] RIBEIRO M N, CARVALHO I A, FONSECA G A, et al. Quality control of fresh strawberries by a random forest model. [J]. Journal of the Science of Food and Agriculture, 2021, 101(11): 4 514-4 522.

[24] 李長春, 施錦錦, 馬春艷, 等. 基于小波變換和分?jǐn)?shù)階微分的冬小麥葉綠素含量估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2021, 52(8): 172-182.

LI Changchun, SHI Jinjin, MA Chunyan, et al. Estimation of chlorophyll content in winter wheat based on wavelet transform and fractional differential[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(8): 172-182.

[25] NUR H L, TOMOYA W, TSUTOMU M, et al. Machine learning techniques to predict soybean plant density using UAV and satellite-based remote sensing[J]. Remote Sensing, 2021, 13(13): 2 548.

[26] 李長春, 陳偉男, 王宇, 等. 基于多源Sentinel數(shù)據(jù)的縣域冬小麥種植面積提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2021, 52(12): 207-215.

LI Changchun, CHEN Weinan, WANG Yu, et al. Extraction of winter wheat planting area in county based on multi-sensor sentinel data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(12): 207-215.

[27] 王麗愛, 馬昌, 周旭東, 等. 基于隨機(jī)森林回歸算法的小麥葉片SPAD值遙感估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2015, 46(1): 259-265.

WANG Liai, MA Chang, ZHOU Xudong, et al. Estimation of wheat leaf SPAD value using RF algorithmic model and remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 259-265.

[28] 王慶, 車熒璞, 柴宏紅, 等. 基于無人機(jī)影像的冠層光譜和結(jié)構(gòu)特征監(jiān)測甜菜長勢[J]. 農(nóng)業(yè)工程學(xué)報, 2021, 37(20): 90-98.

WANG Qing, CHE Yingpu, CHAI Honghong, et al. Monitoring of sugar beet growth using canopy spectrum and structural characteristics with UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(20): 90-98.

[29] ZHAO R M, AN L L, SONG D, et al. Detection of chlorophyll fluorescence parameters of potato leaves based on continuous wavelet transform and spectral analysis[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 259: 119 768.

[30] QIAN B X, HUANG W J, YE H C, et al. Inversion of winter wheat chlorophyll contents based on improved algorithms for red edge position[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(23): 162-170.

[31] HORLER D N H, DOCKRAY M, BARBER J. The red edge of plant leaf reflectance[J]. International Journal of Remote Sensing, 1983, 4(2): 273-288.

[32] 吳啟俠, 譚京紅, 朱建強(qiáng), 等. 花后漬水對不同耐漬型冬小麥籽粒灌漿特性的影響[J]. 農(nóng)業(yè)工程學(xué)報, 2021, 37(18): 74-81.

WU Qixia, TAN Jinghong, ZHU Jianqiang, et al. Effects of waterlogging after anthesis on the grain filling characteristics of winter wheat with different waterlogging tolerances[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(18): 74-81.

Using Unmanned Aerial Vehicle to Evaluate the Effect of Nitrogen Fertilization on Winter Wheat Yield

DING Fan1, CHEN Zhen2, LI Changchun1*, CHENG Qian2, FEI Shuaipeng2, LI Jingbo1, XU Honggang2, LI Zongpeng3

(1. Henan Polytechnic University, Jiaozuo 454003, China; 2.Farmland Irrigation Research Institute, Chinese Academy of Agricultural Sciences, Xinxiang 453002, China; 3. Henan Agricultural University, Zhengzhou 450002, China)

【Objective】Precision agriculture requires a quick and accurate evaluation of the response of yield to managements at different growing stages, which is challenging at the large scales because of the heterogeneity of plants and soils. Remote sensing technologies can plug this gap, and the purpose of this paper is to investigate the feasibility of using unmanned aerial vehicle (UAV) to evaluate the variation in winter wheat yield in response to change in nitrogen fertilization.【Method】Canopy spectral information of winter wheat under different nitrogen fertilizations was measured using a multispectral sensor mounted on a UAV at heading, flowering and filling stages, from which we extracted the vegetation indexes. Stepwise regression and random forest models were used to screen the optimal indexes for estimating the wheat yield.【Result】Combination of green (), blue (), modified soil-adjusted vegetation index 2 (2) and soil-adjusted vegetation index () at heading stage works best to predict the yield with low(Akaike Information Criterion) and2=0.65. Combination of excess green (), near infrared (), normalized difference index (),and modified soil-adjusted vegetation index 2 () at flowering stage is the best when using the random forest algorithm to predict the yield with lowand2=0.71. The random forest regression model using all vegetation features at filling stages gave the most accurate prediction of the yield with2=0.76, compared with2=0.76 when using,,, excess red (), normalized difference vegetation index (), ratio vegetation index () and normalized difference vegetation index () only. Prediction usingat heading stage,at flowering stage,at filling stage,at filling stage, and excess green-excess red () at filling stage predicted a yield with2=0.76. 【Conclusion】Combination of the vegetation indexes measured using multispectral sensors at different growing stages can predict the ultimate winter wheat yield, but the accuracy varies. Best results are achievable using a combination of different indexes measured at different growing stages.

multispectral; vegetation index; stepwise regression; random forest; yield prediction

1672 - 3317（2023）01 - 0024 - 07

S127

A

10.13522/j.cnki.ggps.2022141

丁凡, 陳震, 李長春, 等. 不同施氮處理下無人機(jī)光譜感知冬小麥產(chǎn)量[J]. 灌溉排水學(xué)報, 2023, 42(1): 24-30.

DING Fan, CHEN Zhen, LI Changchun, et al. Using Unmanned Aerial Vehicle to Evaluate the Effect of Nitrogen Fertilization on Winter Wheat Yield[J]. Journal of Irrigation and Drainage, 2023, 42(1): 24-30.

2022-02-09

河南省高?？萍紕?chuàng)新團(tuán)隊支持計劃項目（22IRTSTHN008）；國家自然科學(xué)基金項目（41871333）

丁凡（1997-），男。碩士研究生，主要從事農(nóng)業(yè)遙感長勢監(jiān)測與評估研究。E-mail: 212004020067@home.hpu.edu.cn

李長春（1976-），男。教授，主要從事農(nóng)業(yè)遙感長勢監(jiān)測與評估研究。E-mail: lichangchun610@126.com

責(zé)任編輯：白芳芳