摘 要:【目的】研究基于UAS-8無人機(jī)采集數(shù)據(jù),運(yùn)用歸一化植被指數(shù)(Normalized Difference Vegetation Index)模型估測玉米產(chǎn)量,為大田無人機(jī)多光譜預(yù)測玉米產(chǎn)量提供理論依據(jù)。
【方法】以新疆18份春播玉米為研究對象,獲取開花期多光譜圖像,經(jīng)過輻射校正、大氣校正、建立掩膜、提取NDVI圖,計(jì)算植被覆蓋率,得到區(qū)光譜反射率和歸一化植被指數(shù)實(shí)際數(shù)值,將NDVI值與田間實(shí)測產(chǎn)量值進(jìn)行模型擬合。
【結(jié)果】冪函數(shù)Y = 23 411.46-10 997.99 / X(R2 = 0.488 6),二次函數(shù)為Y = 39 003.00-117 963.03X + 103 130.25X2(R2 =0.562),正反比函數(shù)(Inverse Proportional Function)為Y2 = 2 840.5 X/(1-X)(R2 = 0.495),利用偏最小二乘回歸(Partial Least Squares Regression),其線性函數(shù) Y = 24 458.22X-9 620.55(R2 =0.521)。
【結(jié)論】在數(shù)值0.5~0.8區(qū)間,NDVI與玉米產(chǎn)量具有較高的相關(guān)性,線性函數(shù)方程N(yùn)DVI值可預(yù)測玉米的產(chǎn)量。
關(guān)鍵詞:玉米;產(chǎn)量;歸一化植被指數(shù)(NDVI);偏最小二乘回歸(PLSR)
中圖分類號:S512 文獻(xiàn)標(biāo)志碼:A 文章編號:1001-4330(2024)04-0845-07
0 引 言
【研究意義】玉米各個生長發(fā)育時期受多種環(huán)境因素的影響,光、溫、水是決定玉米產(chǎn)量的重要環(huán)境因子,且與玉米生長期的冠層結(jié)構(gòu)密切相關(guān)。實(shí)時監(jiān)測作物生長狀況可提供準(zhǔn)確有效的農(nóng)藝管理措施,隨著光譜分辨率遙感技術(shù)的發(fā)展,為監(jiān)測農(nóng)業(yè)災(zāi)害奠定了基礎(chǔ)[1]。遙感技術(shù)可以獲得田塊大尺度的土壤養(yǎng)分含量不同時期作物的長勢和產(chǎn)量數(shù)據(jù)變化,構(gòu)建快速、低成本的精準(zhǔn)管理分區(qū)技術(shù)體系,更為精準(zhǔn)定時、定位、定量、定配方施肥。低空無人機(jī)遙感技術(shù)在農(nóng)作物生長狀況的監(jiān)測、評估、應(yīng)用的作用越發(fā)明顯[2]。【前人研究進(jìn)展】NDVI是反應(yīng)農(nóng)作物長勢和養(yǎng)分信息的重要參數(shù)之一,無人機(jī)遙感平臺研究表明,大豆[3]、高粱[4,5]和玉米[6]的生物量與NDVI值之間呈線性相關(guān)。已有文獻(xiàn)將NDVI值用于跟蹤生物量、氮水平和葉面積指數(shù)等[7-9]。在干旱脅迫下,NDVI與產(chǎn)量的密切關(guān)系已得到證實(shí)[10-12]。NDVI水平越高,營養(yǎng)期生長速度越快,生物量積累越多,籽粒灌漿期越長,可以延緩成熟期葉片的衰老,從而提高產(chǎn)量[13]。獲取作物最重要的生育時期的實(shí)時信息[14]。利用遙感數(shù)據(jù)對產(chǎn)量估計(jì)和預(yù)測的研究取得了研究進(jìn)展[15]。利用遙感數(shù)據(jù)對作物產(chǎn)量進(jìn)行建模分為三類:第一類是基于作物和作物相關(guān)變量(如溫度、降水量、蒸發(fā)量和植被指數(shù)等)之間的統(tǒng)計(jì)關(guān)系的經(jīng)驗(yàn)?zāi)P停?6];第二類是半經(jīng)驗(yàn)?zāi)P?,如光能利用率模型或者生產(chǎn)效率模型,依據(jù)作物生長機(jī)理或者作物生理過程應(yīng)用于作物產(chǎn)量的經(jīng)驗(yàn)公式[15];第三類是基于遙感數(shù)據(jù)和農(nóng)業(yè)氣象或植物生理模型相結(jié)合的物理模型。作物的最終產(chǎn)量受眾多環(huán)境因素影響,通常使用遙感數(shù)據(jù)得到產(chǎn)量相關(guān)變量,但是最終產(chǎn)量與產(chǎn)量相關(guān)變量之間一定是線性關(guān)系[17]?!颈狙芯壳腥朦c(diǎn)】傳統(tǒng)的作物生長監(jiān)測方法只能獲取部分區(qū)域上的信息,不能滿足大面積檢測需求,農(nóng)業(yè)生產(chǎn)上迫切需要大面積、快速、動態(tài)、無損的監(jiān)測方法。有必要研究基于無人機(jī)數(shù)據(jù)運(yùn)用歸一化植被指數(shù)(Normalized Difference Vegetation Index)模型估測玉米產(chǎn)量?!緮M解決的關(guān)鍵問題】通過無人機(jī)多光譜遙感系統(tǒng),獲取玉米成熟期的多光譜影像。拼接圖像后經(jīng)過矯正提取玉米植被指數(shù)信息后,結(jié)合玉米成熟后的測產(chǎn)分析,與無人機(jī)多光譜遙感技術(shù)得到的NDVI進(jìn)行相關(guān)性比較,為大田玉米作物產(chǎn)量及其表型組數(shù)據(jù)的無人機(jī)遙感估算提供理論依據(jù)。
1 材料與方法
1.1 材 料
以新疆18份春播玉米種質(zhì)為材料,按照新疆北疆膜下滴灌栽培模式,田間設(shè)置株距為20 cm,每穴2粒大小行設(shè)計(jì),平均行距55 cm,每個品種種植6行,重復(fù)4次。于2021年4月25日播種,出苗完全后人工間苗,確保出苗率98%以上。采集信息包括:密度、公頃株數(shù)、作物品種、苗情、株穗數(shù)、穗粒數(shù)及千粒重。無人機(jī)飛行高度50 m,分別在玉米苗期、花期、灌漿期,選擇在午間天氣晴朗、無風(fēng)條件下采集數(shù)據(jù)。利用田間實(shí)測的千粒重、小區(qū)實(shí)收產(chǎn)量計(jì)算玉米單產(chǎn)。表1
1.2 方 法
1.2.1 圖像獲取設(shè)備
采用UAS-8無人機(jī)采集圖像數(shù)據(jù)。多光譜相機(jī)可實(shí)現(xiàn)全像素5張每秒,采集5個波段的圖像信息。
1.2.2 圖像獲取過程
利用Mission Planner無人機(jī)軟件在試驗(yàn)田小區(qū)內(nèi)生成航線,自動飛行、自動拍攝并完成相關(guān)數(shù)據(jù)接收、處理和發(fā)送。在航線和航點(diǎn)規(guī)劃時,相鄰圖像的重復(fù)率應(yīng)設(shè)置在65%~90%,在該范圍內(nèi)重復(fù)率越高圖像拼接精度越高,選取航向重疊率約為70%,并剔除重復(fù)率過低的圖像。
1.2.3 無人機(jī)影像處理
獲取的圖像利用Pix4Dmapper多光譜反射率轉(zhuǎn)換軟件進(jìn)行輻射校正。使用Pix4Dmapper軟件進(jìn)行拼接處理 ,將經(jīng)過輻射校正完的影像導(dǎo)入到Pix4Dmapper軟件,選擇農(nóng)業(yè)多光譜處理模板,輸出并保存各生育期的正射影像?;ㄆ谡溆跋襁M(jìn)行幾何校正,再以始花期影像為參考,對其他生育時期的正射影像進(jìn)行配準(zhǔn)。將經(jīng)過拼接、幾何校正后的正射影像導(dǎo)入到Arc GIS 10.6軟件中,利用試驗(yàn)小區(qū)矢量文件對玉米開花期多光譜正射影像進(jìn)行掩膜提取,保留試驗(yàn)區(qū)域。通過ENVI 5.3軟件完成光譜反射率的提取。圖1,表2,表3
1.3 數(shù)據(jù)處理
利用玉米在苗期、花期、灌漿期的平均NDVI值和玉米產(chǎn)量進(jìn)行回歸分析。采用二次函數(shù)( Quadratic Function)、正反比函數(shù)( Inverse Proportional Function)、線性函數(shù)( Linear Function)和冪函數(shù) (Power Function),選擇趨勢符合理論基礎(chǔ)、數(shù)據(jù)擬合較好的模型作為產(chǎn)量的預(yù)測模型。
2 結(jié)果與分析
2.1 產(chǎn)量與NDVI相關(guān)模型擬合
四種模型中,二次模型(Y1)是拋物線方程,在NDVI 為5.5左右具有極小值,當(dāng)NDVI值小于5.5時,NDVI減小會得到更大的預(yù)測產(chǎn)量,二次拋物線模型不能用于以NDVI預(yù)測產(chǎn)量。
理論上NDVI等于零時產(chǎn)量一定等于0, 隨著NDVI不斷增大,產(chǎn)量將隨之增加。因此,正反比模型(Y2) 在較大的NDVI范圍預(yù)測產(chǎn)量, 將不會出現(xiàn)過大的誤差,該模型的擬合決定系數(shù)R2為0.495 。
在NDVI值0.5~0.8 的試驗(yàn)區(qū)間,產(chǎn)量和NDVI的關(guān)系近似直線(Y3,R2=0.521),但如果測得的NDVI值小于0.5,則預(yù)測產(chǎn)量會顯著偏低。
冪函數(shù)模型(Y4),呈現(xiàn)出一條近似飽和曲線的關(guān)系,且當(dāng)NDVI小于0.55時,預(yù)測產(chǎn)量也會顯著偏低。
二次模型(Y1)、直線模型(Y3)和冪函數(shù)模型(Y4),在 NDVI 0.5~0.8區(qū)間都有較好的擬合度,但均存在NDVI低于0.5后的產(chǎn)量預(yù)測風(fēng)險。最可信的產(chǎn)量預(yù)測模型應(yīng)當(dāng)是符合NDVI為0產(chǎn)量也為0的生物學(xué)理論基礎(chǔ)模型,即模型Y2;而線性模型(Y3) 因簡單且擬合效果較好,可以在NDVI 0.5~0.8的區(qū)間使用。圖2,表4
2.2 精度檢驗(yàn)
研究表明,冪函數(shù)絕對誤差的最大值最小,為2 374.54 kg/hm2。正反比函數(shù)絕對誤差的最小值最小,為5.94 kg/hm2。在相對誤差的結(jié)果中,線性函數(shù)的最大值、最小值和均值更為均衡,離散程度也最小。四種估產(chǎn)模型中線性函數(shù)的精度最高。表5
冪函數(shù)的平均偏差最小,為1 227.69。線性函數(shù)的均方根誤差最小,為390.41。線性函數(shù)的標(biāo)準(zhǔn)偏差也最小,為1 656.41,線性函數(shù)的精度最高。表6
3 討 論
3.1
一元非線性回歸(univariate nonlinear regres-sion)亦稱一元曲線回歸一種簡單的非線性回歸。偏最小二乘回歸(Partial Least Squares Regression)主要是單因素或者多因素對單自變量或者多自變量的回歸建模,一般使用典型相關(guān)分析、主成分分析和多元線性回歸分析。利用PLSR的標(biāo)準(zhǔn)回歸系數(shù)比較各個自變量之間重要性,為了使模型R2更接近1,所以盡量減少自變量個數(shù)并剔除標(biāo)準(zhǔn)系數(shù)最小的自變量,最后利用非標(biāo)準(zhǔn)回歸系數(shù)建立回歸模型。田明璐等[18]構(gòu)建棉花花鈴期葉綠素含量反演模型,結(jié)果表明偏最小二乘回歸精度高。孟沌超等[19]利用無人機(jī)獲取無人機(jī)影像得到多種植被指數(shù),基于一元線性回歸和偏最小二乘回歸建立葉綠素含量反演模型,結(jié)果表明偏最小二乘回歸模型精度最高。研究中利用一元非線性回歸和偏最小二乘回歸,結(jié)果表明線性函數(shù)的精度最高(R2 =0.521)。
3.2
現(xiàn)階段農(nóng)作物產(chǎn)量預(yù)測較為成熟,但是衛(wèi)星遙感在檢測中有許多局限性,如受天氣影響,時效性差,效率低等[20] 。在研究中利用無人機(jī)進(jìn)行圖像采集,在低空區(qū)域獲取作物冠層的光譜數(shù)據(jù),具有精度高,便于操作的有點(diǎn),也能很好的規(guī)避天氣變化的影響。
同一植物由于其內(nèi)部所含葉綠素、水分以及其自身結(jié)構(gòu)會隨著生育期進(jìn)行變化,導(dǎo)致其光譜特性也會變化,新疆玉米區(qū)種植密度較大,株數(shù)在7 000~8 000株/667m2,不同種植密度對植被覆蓋指數(shù)也有影響。鄒楠等[21]設(shè)置3個玉米種植密度,密度處理分別為6×104、12×104、18×104株/hm2,玉米在12×104和18×104株/hm2的密度下對光譜反射率具有極顯著的相關(guān)性。試驗(yàn)設(shè)置的種植密度在對不同品種提取的光譜特征同樣具有顯著的相關(guān)性。
3.3
賀佳等[22]研究表明,在一定范圍內(nèi)LAI會隨著水肥的增加而增加,過量水肥LAI不再增長。玉米的拔節(jié)期到成熟期,LAI呈現(xiàn)“低-高-低”的態(tài)勢。賀佳等[22]認(rèn)為玉米抽雄期能更好地估測玉米LAI。在研究中利用無人機(jī)影像獲取NDVI數(shù)據(jù),建立與其理論產(chǎn)量的最適模型,但是受制于玉米生長的微環(huán)境、水體、土壤和當(dāng)?shù)貧夂虻榷喾N因素的影響,其NDVI數(shù)據(jù)在這一過程中出現(xiàn)一些波動,導(dǎo)致玉米冠層NDVI數(shù)據(jù)與產(chǎn)量在成熟期未呈現(xiàn)良好的相關(guān)關(guān)系。
基于無人機(jī)影像和產(chǎn)量構(gòu)建回歸反演模型,模型且有較好的反演能力,有一定的可信度。但也有不足,利用的建模方法較少,在后續(xù)的研究能夠多用一些建模方法如支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等。其次利用的植被指數(shù)單一,在后續(xù)的研究中可以利用到比值植被指數(shù)(RVI)、增強(qiáng)植被指數(shù)(EVI)、綠光歸一化植被指數(shù)(GNDVI)等。
4 結(jié) 論
采用4種模型估測產(chǎn)量,篩選出線性模型預(yù)測產(chǎn)量:Y = 24 458.22 NDVI-9 620.55,預(yù)測區(qū)間NDVI= 0.5~0.8,擬合R2 =0.521。利用無人機(jī)影像NDVI值預(yù)測玉米產(chǎn)量具有可行性。
參考文獻(xiàn)(References)
[1]李學(xué)國. 基于無人機(jī)遙感光譜圖像的小麥玉米長勢精準(zhǔn)監(jiān)測研究[D]. 泰安: 山東農(nóng)業(yè)大學(xué), 2019.LI Xueguo. Study on Precise Monitoring of Wheat and Corn Growth Based on Remote Sensing Image of Unmanned Aerial Vehicle[D]. Taian: Shandong Agricultural University, 2019.
[2] 陳懷亮, 李穎, 張紅衛(wèi). 農(nóng)作物長勢遙感監(jiān)測業(yè)務(wù)化應(yīng)用與研究進(jìn)展[J]. 氣象與環(huán)境科學(xué), 2015, 38(1): 95-102.CHEN Huailiang, LI Ying, ZHANG Hongwei. Operational application and research review of crop growth monitoring with remote sensing[J]. Meteorological and Environmental Sciences, 2015, 38(1): 95-102.
[3] 高林, 楊貴軍, 王寶山, 等. 基于無人機(jī)遙感影像的大豆葉面積指數(shù)反演研究[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報, 2015, 23(7): 868-876.GAO Lin, YANG Guijun, WANG Baoshan, et al. Soybean leaf area index retrieval with UAV(unmanned aerial vehicle) remote sensing imagery[J]. Chinese Journal of Eco-Agriculture, 2015, 23(7): 868-876.
[4] Han X Z, Thomasson J A, Bagnall G C, et al. Measurement and calibration of plant-height from fixed-wing UAV images[J]. Sensors, 2018, 18(12): 4092.
[5]Shafian S, Rajan N, Schnell R, et al. Using a fixed wing UAV remote sensing system for Sorghum Crop Phenotyping [A]//2016: B53H-B612H.
[6] Geipel J, Link J, Claupein W. Combined spectral and spatial modeling of corn yield based on aerial images and crop surface models acquired with an unmanned aircraft system[J]. Remote Sensing, 2014, 6(11): 10335-10355.
[7] Magney T S, Eitel J U H, Huggins D R, et al. Proximal NDVI derived phenology improves in-season predictions of wheat quantity and quality[J]. Agricultural and Forest Meteorology, 2016, 217: 46-60.
[8] Foster A J, Kakani V G, Mosali J. Estimation of bioenergy crop yield and N status by hyperspectral canopy reflectance and partial least square regression[J]. Precision Agriculture, 2017, 18(2): 192-209.
[9] Samborski S M, Gozdowski D, Walsh O S, et al. Winter wheat genotype effect on canopy reflectance: implications for using NDVI for In-season nitrogen topdressing recommendations[J]. Agronomy Journal, 2015, 107(6): 2097-2106.
[10] Rutkoski J, Poland J, Mondal S, et al. Canopy temperature and vegetation indices from high-throughput phenotyping improve accuracy of pedigree and genomic selection for grain yield in wheat[J]. G3 Genes|Genomes|Genetics, 2016, 6(9): 2799-2808.
[11] Kumar S, Rder M S, Singh R P, et al. Mapping of spot blotch disease resistance using NDVI as a substitute to visual observation in wheat (Triticum aestivum L.)[J]. Molecular Breeding, 2016, 36(7): 95.
[12] Kyratzis A, Skarlatos D, Fotopoulos V, et al. Investigating correlation among NDVI index derived by unmanned aerial vehicle photography and grain yield under late drought stress conditions[J]. Procedia Environmental Sciences, 2015, 29: 225-226.
[13] Babar M A, Reynolds M P, van Ginkel M, et al. Spectral reflectance indices as a potential indirect selection criteria for wheat yield under irrigation[J]. Crop Science, 2006, 46(2): 578-588.
[14] 陳晨. 基于無人機(jī)圖像的小麥生物量與產(chǎn)量的估測研究[D]. 揚(yáng)州: 揚(yáng)州大學(xué), 2019.CHEN Chen. Estimation of Wheat Biomass and Yield Based on UAV Images[D]. Yangzhou: Yangzhou University, 2019.
[15] Chen Y, Donohue R J, McVicar T R, et al. Nationwide crop yield estimation based on photosynthesis and meteorological stress indices[J]. Agricultural and Forest Meteorology, 2020, 284: 107872.
[16] Chakrabarti S, Bongiovanni T, Judge J, et al. Assimilation of SMOS soil moisture for quantifying drought impacts on crop yield in agricultural regions[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(9): 3867-3879.
[17] Sakamoto T. Incorporating environmental variables into a MODIS-based crop yield estimation method for United States corn and soybeans through the use of a random forest regression algorithm[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 160: 208-228.
[18] 田明璐, 班松濤, 常慶瑞, 等. 基于無人機(jī)成像光譜儀數(shù)據(jù)的棉花葉綠素含量反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2016, 47(11): 285-293.TIAN Minglu, BAN Songtao, CHANG Qingrui, et al. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV-based imaging spectroradiometer[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 285-293.
[19] 孟沌超. 基于無人機(jī)可見光影像的棉花氮素和葉綠素反演方法研究[D]. 淄博: 山東理工大學(xué), 2021.MENG Dunchao. Study on inversion method of cotton nitrogen and chlorophyll based on UAV visible light image[D].Zibo: Shandong University of Technology, 2021.
[20] 劉小輝. 基于無人機(jī)影像的小麥葉綠素含量及產(chǎn)量定量反演研究[D]. 合肥: 安徽大學(xué), 2019.LIU Xiaohui. Inversion of Wheat Chlorophyll Content and Yield Based on Unmanned Aerial Vehicle Images[D]. Hefei: Anhui University, 2019.
[21] 鄒楠, 楊文杰, 肖春華, 等. 種植密度對玉米冠層高光譜特征的響應(yīng)研究[J]. 石河子大學(xué)學(xué)報(自然科學(xué)版), 2017, 35(6): 687-692.ZOU Nan, YANG Wenjie, XIAO Chunhua, et al. Response of planting density to hyperspectral characteristics of maize canopy[J]. Journal of Shihezi University (Natural Science), 2017, 35(6): 687-692.
[22] 賀佳, 王來剛, 郭燕, 等. 基于無人機(jī)多光譜遙感的玉米LAI估算研究[J]. 農(nóng)業(yè)大數(shù)據(jù)學(xué)報, 2021, 3(4): 20-28.HE Jia, WANG Laigang, GUO Yan, et al. Research on maize LAI estimation based on UAV multispectral remote sensing [J]. Journal of Agricultural Big Data, 2021, 3(4): 20-28.