基于無人機(jī)高光譜影像的田塊尺度玉米估產(chǎn)與生育時(shí)期優(yōu)選

摘要：為實(shí)現(xiàn)東北黑土區(qū)田塊尺度上玉米產(chǎn)量的精準(zhǔn)估算與生育時(shí)期優(yōu)選，本研究以我國東北黑土區(qū)的春玉米為研究對(duì)象，選取吉林省梨樹縣的長期定位玉米試驗(yàn)田，于2019、2020年利用無人機(jī)采集玉米3個(gè)關(guān)鍵生育時(shí)期（拔節(jié)期、吐絲期、成熟期）的冠層高光譜影像，選取10種與產(chǎn)量顯著相關(guān)的窄波段植被指數(shù)，并結(jié)合作物農(nóng)學(xué)參數(shù)與施肥信息，分別采用逐步回歸、隨機(jī)森林（RF）和極度梯度提升樹（XGBoost）算法構(gòu)建玉米產(chǎn)量估算模型。最后通過決定系數(shù)（R2）、均方根誤差（RMSE）和歸一化均方根誤差（NRMSE）對(duì)產(chǎn)量模型進(jìn)行精度評(píng)價(jià)，以篩選出最優(yōu)估產(chǎn)模型。結(jié)果表明：3種產(chǎn)量預(yù)測(cè)模型中XGBoost模型估算精度較優(yōu)，其2019年吐絲期的R2、RMSE 和NRMSE 分別為0.93、1 054.17 kg·hm-2和11.68%。同時(shí)，3種模型均表現(xiàn)為在吐絲期估算精度最優(yōu)，最佳模型——2019年吐絲期的XGBoost模型中用于玉米產(chǎn)量估算的指示因子——植被指數(shù)R-M、作物農(nóng)學(xué)參數(shù)與施肥信息的特征重要性分別為19.72%、4.70%、62.41%。研究表明，結(jié)合無人機(jī)影像與機(jī)器學(xué)習(xí)算法并融合多源輔助信息可提高田塊尺度玉米產(chǎn)量的估算精度，為農(nóng)業(yè)生產(chǎn)中的作物產(chǎn)量精準(zhǔn)預(yù)估提供數(shù)據(jù)支撐與科學(xué)參考。

關(guān)鍵詞：無人機(jī)；高光譜影像；田塊尺度；玉米；產(chǎn)量；機(jī)器學(xué)習(xí)

中圖分類號(hào)：S513；S127 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-6819（2025）01-0079-11 doi： 10.13254/j.jare.2023.0634

我國作為世界農(nóng)業(yè)大國之一，擁有2億～3億的小型農(nóng)戶家庭[1]，在數(shù)量和面積有限的耕地上確保糧食安全并實(shí)現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義。東北黑土區(qū)作為我國重要的糧食生產(chǎn)優(yōu)勢(shì)區(qū)及商品糧供給地，也是小型農(nóng)戶的集中分布區(qū)，其土壤養(yǎng)分含量豐富，物理性狀優(yōu)良。春玉米是東北黑土區(qū)的主要糧食作物之一，每年玉米產(chǎn)量占全國總產(chǎn)量的1/4，黑土區(qū)的玉米產(chǎn)量直接影響到我國東北“糧倉”的安全問題[2]。因此，及時(shí)準(zhǔn)確地預(yù)估東北黑土區(qū)田塊尺度的玉米產(chǎn)量對(duì)于優(yōu)化農(nóng)田管理方式、保障國家糧食安全等具有重要指導(dǎo)意義。

玉米產(chǎn)量的傳統(tǒng)估算方法多采用實(shí)地采樣法，其費(fèi)時(shí)、費(fèi)力，且具有破壞性，難以由單點(diǎn)擴(kuò)大到區(qū)域尺度。遙感技術(shù)具有監(jiān)測(cè)面積大、動(dòng)態(tài)、快速等優(yōu)勢(shì)，在農(nóng)作物精準(zhǔn)估產(chǎn)方面逐漸得到廣泛應(yīng)用。其中無人機(jī)因分辨率高、時(shí)效性強(qiáng)，彌補(bǔ)了衛(wèi)星重訪周期長、易受天氣干擾等不足，近幾年在對(duì)田間作物長勢(shì)的監(jiān)測(cè)中效果較好，已被廣泛應(yīng)用于對(duì)多種作物如玉米[3]、水稻[4]等的長勢(shì)監(jiān)測(cè)與產(chǎn)量估算中。無人機(jī)遙感平臺(tái)搭載的傳感器目前多為RGB數(shù)碼相機(jī)、熱紅外、多光譜和高光譜相機(jī)等，其中高光譜遙感操作簡(jiǎn)單方便，可實(shí)時(shí)進(jìn)行大面積監(jiān)測(cè)，使得目標(biāo)物的光譜信息可被有效獲取與精細(xì)表達(dá)，有望進(jìn)一步提高作物產(chǎn)量的估算精度[5]。但是，由于高光譜影像的數(shù)據(jù)量巨大，目前采用何種模型方法可有效挖掘其中隱藏的光譜特征，以表征作物在不同生長階段的生理特征狀況，并選擇合適的生育期提前預(yù)估其產(chǎn)量信息，仍具有一定的挑戰(zhàn)。

近年來，植被指數(shù)已被廣泛用于對(duì)作物長勢(shì)監(jiān)測(cè)、產(chǎn)量預(yù)測(cè)等領(lǐng)域[6-7]。其中，基于可見光和近紅外波段的植被指數(shù)應(yīng)用最為廣泛[8]，如歸一化差異植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和增強(qiáng)型植被指數(shù)（Enhanced Vegetation Index，EVI）等[9]。隨著高光譜遙感技術(shù)的發(fā)展，窄波段植被指數(shù)逐漸被開發(fā)并應(yīng)用于對(duì)植被狀況的監(jiān)測(cè)中，且表現(xiàn)得比寬波段植被指數(shù)更為敏感。例如，Marshall等[10]比較了寬波段植被指數(shù)和窄波段植被指數(shù)在估算作物生物量中的表現(xiàn)，結(jié)果表明窄波段植被指數(shù)可以解釋的作物變異情況比寬波段植被指數(shù)多3%～33%。然而，窄波段植被指數(shù)在對(duì)東北黑土區(qū)玉米產(chǎn)量估算中的表現(xiàn)尚不清楚。

國內(nèi)外很多學(xué)者嘗試?yán)枚喾N模型進(jìn)行作物產(chǎn)量的精確估算，常見的有多元線性回歸（Multiple LinearRegression，MLR）[11]、偏最小二乘回歸（Partial LeastSquares Regression，PLSR）[12]等經(jīng)典統(tǒng)計(jì)模型和支持向量機(jī)（Support Vector Machines，SVM）[13]、隨機(jī)森林（Random Forest，RF）[14]等機(jī)器學(xué)習(xí)模型。目前應(yīng)用線性模型的研究較為廣泛，如韓文霆等[15]采用牛頓-梯形積分和最小二乘法構(gòu)建了夏玉米產(chǎn)量的6種線性模型，最優(yōu)估算精度達(dá)到R2=0.80，RMSE=413.29 kg·hm-2。但是，由于作物產(chǎn)量與指示因子的關(guān)系未必均表現(xiàn)為線性，因此近年來非線性模型方法也開始受到研究者的關(guān)注。如申洋洋等[16]利用72種植被指數(shù)建立多種冬小麥產(chǎn)量的估算模型，發(fā)現(xiàn)RF模型的估算精度優(yōu)于逐步多元線性回歸（Stepwise Multiple LinearRegression，SMLR）和PLSR模型。

由于各地的作物品種、地形和氣候等條件不盡相同，田間輪作與間作方式復(fù)雜多樣，我國農(nóng)田土壤在一定范圍內(nèi)又表現(xiàn)出高度的空間異質(zhì)性，因此探討結(jié)合田間管理等信息的產(chǎn)量估算預(yù)期可提升對(duì)作物產(chǎn)量的估算精度。Zhang等[1]通過由衛(wèi)星遙感影像提取的植被指數(shù)，結(jié)合地表溫度、累積降水和標(biāo)準(zhǔn)化降水指數(shù)，構(gòu)建估產(chǎn)模型，并確定了輸入變量的最優(yōu)組合和玉米產(chǎn)量估算的最佳方法。張少華等[17]基于溫度參數(shù)、坡度信息和植被指數(shù)等多模態(tài)數(shù)據(jù)構(gòu)建小麥的估產(chǎn)模型，發(fā)現(xiàn)多種數(shù)據(jù)相融合的模型估算效果更優(yōu)。相關(guān)研究表明，在提取植被指數(shù)的同時(shí)，加入一些作物輔助信息或可提高對(duì)作物產(chǎn)量的估算精度。然而，目前在田塊尺度將土壤屬性、植株特征及農(nóng)田管理措施等因素加入產(chǎn)量估算模型，以提高作物產(chǎn)量估算精度的研究還鮮有報(bào)道。

綜上，本研究以位于吉林省梨樹縣不同施氮處理的玉米試驗(yàn)田為研究區(qū)，基于在玉米關(guān)鍵生育時(shí)期采集的無人機(jī)高光譜影像，利用提取的多種窄波段植被指數(shù)，并融入植株長勢(shì)、施肥處理等輔助信息，采用線性模型（SMLR）與機(jī)器學(xué)習(xí)模型（RF，XGBoost）構(gòu)建產(chǎn)量估算模型，最終實(shí)現(xiàn)對(duì)東北黑土區(qū)田塊尺度上玉米產(chǎn)量的精準(zhǔn)估算與預(yù)估生育時(shí)期優(yōu)選。本研究結(jié)果可為精準(zhǔn)農(nóng)田養(yǎng)分管理與產(chǎn)量預(yù)測(cè)提供基礎(chǔ)數(shù)據(jù)與技術(shù)支持，為保護(hù)黑土地資源及保障國家糧食安全提供決策信息。

1 材料與方法

1.1 研究區(qū)概況與試驗(yàn)設(shè)計(jì)

梨樹縣（123°45′～124°53′E，43°02′～43°46′N）隸屬于吉林省四平市，地勢(shì)東南高、西北低。該縣域?qū)俦睖貛О霛駶櫞箨懠撅L(fēng)性氣候，四季分明，雨熱同季，作物生長期日照、降水較充足，年均日照時(shí)數(shù)2 644.2h，其中作物生長季節(jié)為4—9 月，平均日照8 h。試驗(yàn)于2019、2020 年在吉林省四平市梨樹縣（圖1）的付家街（b）、王家橋（c）和三棵樹（d）3個(gè)小區(qū)進(jìn)行，其土壤類型分別為砂土、沖積土和黏土。2019及2020年當(dāng)?shù)赜衩咨冢?月1日—10月1日）的平均氣溫和總降水量分別為20.62°、15.53 ℃和2 951、585.4 mm。如圖1所示，3個(gè)試驗(yàn)地分別包含有15個(gè)小區(qū)，每個(gè)小區(qū)的面積為60 m2（10.0 m×6.0 m），每兩個(gè)小區(qū)間的溝距為0.6 m。3個(gè)試驗(yàn)地共設(shè)5個(gè)施氮水平（0 N：0 kg·hm-2，168 N：168 kg·hm-2，240 N：240 kg·hm-2，270 N：270 kg·hm-2，312 N：312 kg·hm-2）（圖1），其中氮肥一半基施，一半追施；磷肥[Ca（H2PO4）2 ]與鉀肥（K2SO4）作為基肥一次性施用，磷肥與鉀肥分別施用P2O5 100kg·hm-2和K2O 120 kg·hm-2；追肥在拔節(jié)期施于距壟約15 cm、深0～10 cm 的土層中。本試驗(yàn)中各小區(qū)玉米供試品種均為良玉99，遺傳性狀及指標(biāo)相同，種植密度為每公頃65 000株，且未采取灌溉措施，未噴灑農(nóng)藥。

1.2 植株樣品的采集與測(cè)定

為測(cè)定不同生育時(shí)期植株的全氮含量、株高、鮮質(zhì)量、干質(zhì)量，保證田間采集的數(shù)據(jù)均勻且具代表性，分別于3個(gè)關(guān)鍵生育時(shí)期在各小區(qū)中心1 m2 區(qū)域內(nèi)任意取3株玉米（圖2），取上述各指標(biāo)的平均值作為一組數(shù)據(jù)，共獲得270個(gè)小區(qū)樣本。其中，葉片的全氮含量用KDY-9 820型凱氏定氮儀測(cè)量[4]；株高為從地表到頂葉的距離，對(duì)整個(gè)植株樣本稱量，得到鮮質(zhì)量，在80 ℃烤箱中烘干至恒質(zhì)量，稱量得干質(zhì)量。于成熟期測(cè)產(chǎn)，將玉米棒脫粒曬干至恒質(zhì)量，然后根據(jù)各小區(qū)的平均產(chǎn)量與作物種植密度計(jì)算各小區(qū)的產(chǎn)量，共獲取90組產(chǎn)量數(shù)據(jù)。

1.3 無人機(jī)影像的采集與預(yù)處理

無人機(jī)飛行試驗(yàn)在天氣晴朗、無風(fēng)無云的環(huán)境下進(jìn)行，分別于2019年6月23日、8月1日和9月28日，及2020年6月28日、8月14日和9月24日的10：00—15：00使用大疆S1 000六旋翼無人機(jī)，并搭載CubertGmbH 公司的UHD 185 傳感器進(jìn)行影像的采集（圖3）。飛行高度為100 m，旁向重疊度與航向重疊度分別為60%、80%。采用畫幅式實(shí)時(shí)成像光譜儀生成影像，空間分辨率是5 cm，光譜范圍450～920 nm，帶寬4nm，光譜通道126個(gè)。光譜儀鏡頭為聚焦25 mm，對(duì)應(yīng)的視場(chǎng)角約為13°。

本研究采集并拼接1 809張高光譜圖像，獲得影像后采用Agisoft Photoscan Pro軟件進(jìn)行圖像排列、密集點(diǎn)云構(gòu)建、正射影像生成等操作。然后，利用ENVI5.1軟件中的FLAASH（Fast Line-of-sight-AtmosphericAnalysis of Spectral Hypercubes）模塊進(jìn)行大氣校正，從而消除部分誤差。在ArcGIS 10.6 軟件中均勻選取30個(gè)地面控制點(diǎn)對(duì)影像進(jìn)行幾何精準(zhǔn)校正，使均方根誤差（RMSE）均小于0.5個(gè)像元。

1.4 指示因子的選取

根據(jù)文獻(xiàn)查詢結(jié)果，初步選取43種可表征玉米產(chǎn)量的窄波段植被指數(shù)，經(jīng)與各小區(qū)的產(chǎn)量實(shí)測(cè)值進(jìn)行相關(guān)分析，最終確定10種與產(chǎn)量顯著相關(guān)的窄波段植被指數(shù)（表1）。另外，同時(shí)選取相關(guān)植株特征（植株全氮、株高、鮮質(zhì)量、干質(zhì)量）及施肥信息作為產(chǎn)量的估算指標(biāo)，加入后續(xù)產(chǎn)量估算模型，并對(duì)所有數(shù)據(jù)集進(jìn)行離差標(biāo)準(zhǔn)化處理。

1.5 玉米產(chǎn)量的估算模型

為了比較不同生育時(shí)期玉米產(chǎn)量的估算效果，本研究分別建立了2019年和2020年拔節(jié)期、吐絲期、成熟期及全生育期的玉米產(chǎn)量估算模型。按7∶3的比例將數(shù)據(jù)全集分為訓(xùn)練和測(cè)試數(shù)據(jù)集，分別采用逐步回歸、隨機(jī)森林和XGBoost模型對(duì)付家街、王家橋和三棵樹村的玉米產(chǎn)量進(jìn)行估算。上述所有模型均在R軟件中實(shí)現(xiàn)。

1.5.1 逐步回歸模型

逐步回歸模型是作物生理參數(shù)反演的常用方法，先從各變量中自動(dòng)選取相對(duì)最重要的變量，由大到小依次引入回歸方程，每引入一個(gè)解釋變量，同時(shí)對(duì)剩余變量進(jìn)行檢驗(yàn)，去除不顯著的自變量，多次重復(fù)操作，直至建立最優(yōu)多元線性回歸方程[28]。

1.5.2 隨機(jī)森林模型

隨機(jī)森林（RF）是一套基于決策樹分類器的融合算法，利用Bootstrap 重抽樣方法從原始樣本數(shù)據(jù)集中重復(fù)隨機(jī)抽取多個(gè)樣本，對(duì)每個(gè)Bootstrap樣本數(shù)據(jù)采用完全分裂方式構(gòu)建決策樹，然后將決策樹中出現(xiàn)的最佳結(jié)果作為最終預(yù)測(cè)結(jié)果[29]。

1.5.3 XGBoost模型

XGBoost是一種梯度提升樹模型，與獨(dú)立訓(xùn)練每棵樹的RF 模型不同，XGBoost 通過優(yōu)化損失函數(shù)和復(fù)雜度來改進(jìn)目標(biāo)優(yōu)化函數(shù)，可以防止過度擬合，在采樣點(diǎn)稀疏的情況下也能做出穩(wěn)定的預(yù)測(cè)[30]。

1.6 指示因子的重要性評(píng)價(jià)

特征重要性指變量對(duì)模型擬合精度貢獻(xiàn)率的大小，值越大表示越重要，比如在RF模型中，其特征重要性為相對(duì)重要性，總和為1[31]。RF模型可以根據(jù)驗(yàn)證集的預(yù)算誤差對(duì)各指示因子的相對(duì)重要性進(jìn)行排序，其計(jì)算公式如下：

2 結(jié)果與分析

2.1 指示因子與產(chǎn)量的相關(guān)性分析

在玉米關(guān)鍵生育時(shí)期將光譜指數(shù)、作物農(nóng)學(xué)參數(shù)、土壤屬性和施肥等指示因子與產(chǎn)量進(jìn)行相關(guān)性分析，并繪制相關(guān)性熱圖（圖4）。由此篩選得出12個(gè)與產(chǎn)量顯著相關(guān)的指示因子，分別包括10種植被指數(shù)、施肥量和株高，因有機(jī)質(zhì)等土壤屬性與產(chǎn)量均表現(xiàn)為不顯著相關(guān)，故其不再參與后續(xù)的模型構(gòu)建。如圖4所示，本試驗(yàn)所選指示因子在各生育時(shí)期均與產(chǎn)量呈顯著相關(guān)（Plt;0.05）。在2019年拔節(jié)期，施肥、Maccioni與產(chǎn)量的相關(guān)系數(shù)最高，分別為0.76、0.54（Plt;0.001），2019年吐絲期、成熟期及2020年拔節(jié)期、吐絲期各因子均與產(chǎn)量表現(xiàn)為顯著相關(guān)（Plt;0.01），2020年成熟期，除NDI、R-M、VOG外，其他因子亦均與產(chǎn)量呈顯著相關(guān)關(guān)系（Plt;0.01）。總體上，施肥與玉米產(chǎn)量的相關(guān)性最強(qiáng)；在吐絲期各指示因子與產(chǎn)量的相關(guān)性相對(duì)較強(qiáng)。

2.2 玉米產(chǎn)量估算模型的構(gòu)建與驗(yàn)證

本研究通過逐步回歸、RF、XGBoost 模型，基于2019年和2020年獲取的玉米冠層光譜指數(shù)、作物農(nóng)學(xué)參數(shù)、施肥，構(gòu)建了玉米3個(gè)關(guān)鍵生育時(shí)期及全生育期的產(chǎn)量估算模型，各預(yù)測(cè)模型在不同生育時(shí)期的精度評(píng)價(jià)結(jié)果如表2 所示。XGBoost 模型在2019年吐絲期估算結(jié)果最佳，R2 和RMSE 分別為0.93、1 054.17 kg·hm-2；RF模型對(duì)2019年成熟期的估算精度最高，R2是0.90，RMSE 是1 123.63 kg·hm-2；逐步回歸模型最佳估算結(jié)果在2020年吐絲期，其R2和RMSE分別為0.88、1 354.73 kg·hm-2。綜合兩年數(shù)據(jù)來看，XGBoost 模型表現(xiàn)最佳，逐步回歸與RF 模型的精度略低，但也可滿足對(duì)產(chǎn)量估算的精度要求。

為了驗(yàn)證玉米產(chǎn)量的估算精度，本研究利用最佳產(chǎn)量估算模型（XGBoost）數(shù)據(jù)驗(yàn)證集，得到不同生育時(shí)期玉米產(chǎn)量實(shí)測(cè)值與預(yù)測(cè)值的散點(diǎn)圖（圖5）。如圖5 所示，2019 年吐絲期的產(chǎn)量估算結(jié)果最佳（R2=0.93，RMSE=1 054.17 kg · hm-2，NRMSE=11.68%）；2020年吐絲期和成熟期估產(chǎn)精度相似，均明顯高于拔節(jié)期。兩年均表現(xiàn)為在吐絲期玉米產(chǎn)量的估算精度達(dá)到最高。此外，2019、2020年全生育期三個(gè)模型的R2 處于0.71～0.81 之間，RMSE 處于1 603.34～4 948.33 kg·hm-2，NRMSE 處于18.14%～55.99%。兼顧時(shí)效性與經(jīng)濟(jì)性，推薦將吐絲期作為玉米產(chǎn)量預(yù)測(cè)的最佳時(shí)期。

2.3 各指示因子的重要性評(píng)分

本研究選取在各生育時(shí)期產(chǎn)量估算精度最佳的XGBoost模型進(jìn)行指示因子相對(duì)重要性評(píng)分的計(jì)算，并將模型中各指示因子的相對(duì)重要性進(jìn)行統(tǒng)計(jì)，結(jié)果如圖6所示。由圖6可見，在3類指示因子中，不同生育時(shí)期的植被指數(shù)、株高、施肥與玉米產(chǎn)量的相關(guān)性略有不同。在2019 年各生育時(shí)期和2020 年全生育期，均表現(xiàn)為施肥對(duì)估產(chǎn)模型的貢獻(xiàn)率最高。總體上，施肥、株高、Maccioni 3個(gè)指示因子的特征重要性評(píng)分最高。施肥對(duì)產(chǎn)量估算模型的貢獻(xiàn)率在2019年拔節(jié)期最高，為68.16%；株高的貢獻(xiàn)率在2020年成熟期達(dá)到最高，為41.47%；植被指數(shù)Maccioni 在2020年吐絲期對(duì)產(chǎn)量估算模型的貢獻(xiàn)率最高，為60.14%。2019年吐絲期的XGBoost模型中用于玉米產(chǎn)量估算的指示因子——植被指數(shù)R-M、作物農(nóng)學(xué)參數(shù)與施肥信息的特征重要性分別為19.72%、4.70%、62.41%。

3 討論

遙感技術(shù)憑借高效、無損、監(jiān)測(cè)范圍大等特點(diǎn)，在農(nóng)作物估產(chǎn)方面表現(xiàn)突出，已成為精準(zhǔn)農(nóng)業(yè)的研究熱點(diǎn)。本研究選取高光譜影像作為數(shù)據(jù)源，探討結(jié)合施肥、作物農(nóng)學(xué)參數(shù)等指標(biāo)對(duì)玉米產(chǎn)量估算精度的影響，并對(duì)比了線性模型與機(jī)器學(xué)習(xí)模型在產(chǎn)量估算中的適用性?，F(xiàn)階段大多研究利用衛(wèi)星遙感技術(shù)進(jìn)行產(chǎn)量預(yù)估，但因其空間分辨率較低，只適用于大范圍測(cè)產(chǎn)，在小區(qū)域監(jiān)測(cè)應(yīng)用中效果并不理想。無人機(jī)兼具高效和高空間分辨率等特點(diǎn)，為快速、精準(zhǔn)估測(cè)作物產(chǎn)量提供了新的手段和途徑。本研究利用無人機(jī)平臺(tái)搭載高光譜相機(jī)獲取玉米在不同生育時(shí)期的影像數(shù)據(jù)，具有快速、精準(zhǔn)等優(yōu)點(diǎn)，這表明通過無人機(jī)高光譜影像進(jìn)行估產(chǎn)具有優(yōu)勢(shì)和潛力。韓文霆等[15]基于多時(shí)相無人機(jī)遙感植被指數(shù)構(gòu)建夏玉米產(chǎn)量估算的6種線性模型，單一生育時(shí)期中，表現(xiàn)最優(yōu)的植被指數(shù)為EVI2（R2=0.72，RMSE 為485.46 kg·hm-2）。本試驗(yàn)采用逐步回歸模型進(jìn)行玉米產(chǎn)量估算，其中單生育時(shí)期的最佳估算精度為R2=0.88，RMSE=1 354.73kg·hm-2，NRMSE=15.96%。目前研究中現(xiàn)有的產(chǎn)量估算模型多采用光譜信息、結(jié)構(gòu)信息、紋理信息和氣象信息中的一種或多種組合估算作物產(chǎn)量[33]。張少華等[17]利用多光譜遙感數(shù)據(jù)，通過多模態(tài)數(shù)據(jù)相互融合并建立小麥的估產(chǎn)模型，結(jié)果表明將開花期溫度參數(shù)、坡度信息和植被指數(shù)相融合的RF模型估算效果最好（R2=0.89，RMSE=420.06 kg·hm-2）；Zhang 等[1]結(jié)合衛(wèi)星衍生氣候數(shù)據(jù)以及植被指數(shù)，利用深度學(xué)習(xí)方法構(gòu)建玉米產(chǎn)量估算模型，解釋了70%的產(chǎn)量變化，這些研究表明在提取植被指數(shù)的同時(shí)融入某些相關(guān)輔助信息或可提高對(duì)作物產(chǎn)量的估算精度。因此，本研究嘗試結(jié)合植被指數(shù)與作物農(nóng)學(xué)參數(shù)、施肥等信息進(jìn)行田塊尺度玉米產(chǎn)量的估算，以期提高對(duì)作物產(chǎn)量的估算精度。

作物的光譜反射率隨生育時(shí)期的變更而有所變化，基于波段計(jì)算的植被指數(shù)能間接反映作物在不同生育時(shí)期內(nèi)的生長狀態(tài)；在不同生育時(shí)期植株的全氮、鮮質(zhì)量、干質(zhì)量、株高都有明顯變化，作物各器官的發(fā)育均影響玉米的最終產(chǎn)量；在相似的地力條件下，不同的施肥管理措施對(duì)作物產(chǎn)量具有較強(qiáng)影響。由于各生育時(shí)期內(nèi)玉米的生長狀態(tài)不同，這些指標(biāo)也隨之變化，因此基于各生育時(shí)期生成產(chǎn)量估算模型的精度也各不相同。拔節(jié)期為玉米的主要營養(yǎng)生長階段，其特征暫時(shí)還不明顯，不能完全反映后期產(chǎn)量器官的發(fā)育狀況，模型估算精度一般較低；吐絲期是玉米由營養(yǎng)生長轉(zhuǎn)為生殖生長的關(guān)鍵時(shí)期，所需養(yǎng)分較多，干物質(zhì)積累最快，一般此時(shí)玉米單生育時(shí)期的估產(chǎn)預(yù)算模型精度較高；在成熟期，營養(yǎng)物質(zhì)向籽粒轉(zhuǎn)移，葉綠素含量下降，通過影像提取的植被指數(shù)與作物產(chǎn)量的相關(guān)性降低[15]，而部分作物農(nóng)學(xué)參數(shù)與產(chǎn)量的相關(guān)性上升，所以在此生育時(shí)期的估產(chǎn)模型還需要綜合多因素來考量，以期達(dá)到較優(yōu)的預(yù)估效果。本研究結(jié)果表明，整體上吐絲期的估產(chǎn)效果表現(xiàn)最優(yōu)，此外，與拔節(jié)期和成熟期相比，全生育期的模型精度相對(duì)較低。這是由于2019 年和2020年當(dāng)?shù)赜衩资艿綐颖緮?shù)量、人為因素及異常氣候條件如臺(tái)風(fēng)、強(qiáng)降雨、高溫等因素影響，嚴(yán)重影響玉米生長，導(dǎo)致產(chǎn)量估算精度未達(dá)到預(yù)期效果。

為了更好地探討不同模型對(duì)玉米產(chǎn)量的估算效果，本研究基于光譜指數(shù)、作物農(nóng)學(xué)參數(shù)和施肥信息建立逐步回歸、RF和XGBoost 3種模型，并比較其對(duì)估算玉米產(chǎn)量的性能表現(xiàn)，結(jié)果表明機(jī)器學(xué)習(xí)算法要優(yōu)于線性回歸模型，這與Leroux等[34]的研究結(jié)果相一致。逐步回歸模型雖可以描述變量與產(chǎn)量的線性關(guān)系，但會(huì)受到較多限制因素的影響，比如自變量之間的多重共線性，以及大多數(shù)自變量與產(chǎn)量間并非單純的線性關(guān)系，易造成估產(chǎn)模型的精度不高等問題[35]。RF 模型善于處理具有復(fù)雜非線性關(guān)系的數(shù)據(jù)，使產(chǎn)量模型的估算能力增強(qiáng)，且RF 模型訓(xùn)練速度快，可以處理高維度數(shù)據(jù)，具有較高的準(zhǔn)確性與穩(wěn)定性。本研究綜合模型評(píng)價(jià)結(jié)果表明，XGBoost模型更適用于對(duì)田塊尺度玉米產(chǎn)量的估算，其模型估算最優(yōu)結(jié)果為R2=0.93，RMSE=1 054.17 kg·hm-2，表明其在融合多種輔助信息進(jìn)行作物產(chǎn)量估算方面具有很大優(yōu)勢(shì)，或可考慮作為田塊尺度玉米產(chǎn)量估算的有效方法?；跓o人機(jī)高光譜影像并結(jié)合田間輔助信息，且采用合適的機(jī)器學(xué)習(xí)方法，可以精準(zhǔn)、高效地對(duì)田塊尺度的作物產(chǎn)量進(jìn)行估算。

4 結(jié)論

本研究基于在玉米關(guān)鍵生育時(shí)期獲取的無人機(jī)高光譜影像，通過逐步回歸、RF和XGBoost模型將植被指數(shù)、作物農(nóng)學(xué)參數(shù)和施肥信息相結(jié)合以進(jìn)行田塊尺度上玉米產(chǎn)量的精準(zhǔn)估算及預(yù)估生育時(shí)期的優(yōu)選。結(jié)論如下：

（1）植被指數(shù)、作物農(nóng)學(xué)參數(shù)和施肥在不同生育時(shí)期與產(chǎn)量的相關(guān)性有所不同，但大部分都表現(xiàn)為與產(chǎn)量顯著相關(guān)（Plt;0.01）?？傮w上，施肥對(duì)產(chǎn)量預(yù)測(cè)模型精度的貢獻(xiàn)率要相對(duì)高于作物農(nóng)學(xué)參數(shù)及植被指數(shù)，且CIre等表現(xiàn)優(yōu)異。

（2）對(duì)比3種不同的建模方法，XGBoost模型表現(xiàn)出較高的作物產(chǎn)量估算精度與穩(wěn)定性?？梢姡瑱C(jī)器學(xué)習(xí)等智能算法具有較強(qiáng)的大數(shù)據(jù)處理能力，且能對(duì)變量之間存在的非線性關(guān)系進(jìn)行深入挖掘。

（3）對(duì)比不同生育時(shí)期，產(chǎn)量模型的估算精度由高到低依次為吐絲期、成熟期、拔節(jié)期，同時(shí)在吐絲期各模型的NRMSE 均低于21%，因此可將其作為玉米產(chǎn)量預(yù)估的最佳生育時(shí)期，提高產(chǎn)量模型估算性能。

參考文獻(xiàn)：

[1] ZHANG L L， ZHANG Z， LUO Y C， et al. Integrating satellite-derived

climatic and vegetation indices to predict smallholder maize yield

using deep learning[J]. Agricultural and Forest Meteorology， 2021， 311：

108666.

[2] SUN T， LI Z Z. Alfalfa-corn rotation and row placement affects yield，

water use， and economic returns in northeast China[J]. Field Crops

Research， 2019， 241：107558.

[3] 蘇偉， 侯寧， 李琪， 等. 基于Sentinel-2遙感影像的玉米冠層葉面積

指數(shù)反演[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（1）：151-156. SU W， HOU

N， LI Q， et al. Retrieving leaf area index of corn canopy based on

Sentinel-2 remote sensing image[J]. Transactions of the Chinese Society

for Agricultural Machinery， 2018， 49（1）：151-156.

[4] DUAN B， FANG S H， GONG Y， et al. Remote estimation of grain yield

based on UAV data in different rice cultivars under contrasting

climatic zone[J]. Field Crops Research， 2021， 267：108148.

[5] 王飛龍， 王福民， 胡景輝， 等. 基于相對(duì)光譜變量的無人機(jī)遙感水稻

估產(chǎn)及產(chǎn)量制圖[J]. 遙感技術(shù)與應(yīng)用， 2020， 35（2）：458-468.

WANG F L， WANG F M， HU J H， et al. Estimating and mapping rice

yield using UAV-hyperspectral imager based relative spectral variates

[J]. Remote Sensing Technology and Application， 2020， 35（2）：458-

468.

[6] ZHANG Y， XIA C Z， ZHANG X Y， et al. Estimating the maize biomass

by crop height and narrowband vegetation indices derived from UAVbased

hyperspectral images[J]. Ecological Indicators， 2021， 129：

107985-.

[7] KAMIR E， WALDNER F， HOCHMAN Z. Estimating wheat yields in

Australia using climate records， satellite image time series and

machine learning methods[J]. ISPRS Journal of Photogrammetry and

Remote Sensing， 2020， 160：124-135.

[8] BENAMI E， JIN Z N， CARTER M R， et al. Uniting remote sensing，

crop modelling and economics for agricultural risk management[J].

Nature Reviews Earth amp; Environment， 2021， 2：140-159.

[9] 黃祥麟. 青藏高原生長季植被NDVI對(duì)氣候變化的響應(yīng)研究[D]. 成

都：成都理工大學(xué)， 2020：11 -12. HUANG X L. Response of

vegetation NDVI to climate change in growing season of Qinghai Tibet

Plateau[D]. Chengdu：Chengdu University of Technology， 2020：11-12.

[10] MARSHALL M， THENKABAIL P. Advantage of hyperspectral EO-1

Hyperion over multispectral IKONOS， GeoEye-1， WorldView-2，

Landsat ETM + ， and MODIS vegetation indices in crop biomass

estimation[J]. ISPRS Journal of Photogrammetry and Remote Sensing，

2015， 108：205-218.

[11] 李朋磊， 張驍， 王文輝， 等. 基于高光譜和激光雷達(dá)遙感的水稻產(chǎn)

量監(jiān)測(cè)研究[J]. 中國農(nóng)業(yè)科學(xué)， 2021， 54（14）：2965-2976. LI P L，

ZHANG X， WANG W H， et al. Assessment of terrestrial laser

scanning and hyperspectral remote sensing for the estimation of rice

grain yield[J]. Scientia Agricultura Sinica， 2021， 54（14）：2965-2976.

[12] 朱婉雪， 李仕冀， 張旭博， 等. 基于無人機(jī)遙感植被指數(shù)優(yōu)選的田

塊尺度冬小麥估產(chǎn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（11）：78-86.

ZHU W X， LI S J， ZHANG X B， et al. Estimation of winter wheat

yield using optimal vegetation indices from unmanned aerial vehicle

remote sensing[J]. Transactions of the Chinese Society of Agricultural

Engineering， 2018， 34（11）：78-86.

[13] TIAN H R， WANG P X， TANSEY K， et al. An LSTM neural network

for improving wheat yield estimates by integrating remote sensing data

and meteorological data in the Guanzhong Plain， PR China[J].

Agricultural and Forest Meteorology， 2021， 310：108629.

[14] 陶惠林， 馮海寬， 楊貴軍， 等. 基于無人機(jī)數(shù)碼影像和高光譜數(shù)據(jù)

的冬小麥產(chǎn)量估算對(duì)比[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（23）：111-

118. TAO H L， FENG H K， YANG G J， et al. Comparison of winter

wheat yields estimated with UAV digital image and hyperspectral data

[J]. Transactions of the Chinese Society of Agricultural Engineering，

2019， 35（23）：111-118.

[15] 韓文霆， 彭星碩， 張立元， 等. 基于多時(shí)相無人機(jī)遙感植被指數(shù)的

夏玉米產(chǎn)量估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（1）：148-155. HAN

W T， PENG X S， ZHANG L Y， et al. Summer maize yield estimation

based on vegetation index derived from multi-temporal UAV remote

sensing[J]. Transactions of the Chinese Society for Agricultural

Machinery， 2020， 51（1）：148-155.

[16] 申洋洋， 陳志超， 胡昊， 等. 基于無人機(jī)多時(shí)相遙感影像的冬小麥

產(chǎn)量估算[J]. 麥類作物學(xué)報(bào)， 2021， 41（10）：1298-1306. SHEN Y

Y， CHEN Z C， HU H， et al. Estimation of winter wheat yield based on

UAV multi - temporal remote sensing image[J]. Journal of Triticeae

Crops， 2021， 41（10）：1298-1306.

[17] 張少華， 段劍釗， 賀利， 等. 基于無人機(jī)平臺(tái)多模態(tài)數(shù)據(jù)融合的小

麥產(chǎn)量估算研究[J]. 作物學(xué)報(bào)， 2022， 48（7）：1746-1760. ZHANG

S H， DUAN J Z， HE L， et al. Wheat yield estimation from UAV

platform based on multi-modal remote sensing data fusion[J]. Acta

Agronomica Sinica， 2022， 48（7）：1746-1760.

[18] LI F， MISTELE B， HU Y C， et al. Remotely estimating aerial N status

of phenologically differing winter wheat cultivars grown in contrasting

climatic and geographic zones in China and Germany[J]. Field Crops

Research， 2012， 138：21-32.

[19] GITELSON A A， KEYDAN G P， MERZLYAK M N. Three-band

model for noninvasive estimation of chlorophyll， carotenoids， and

anthocyanin contents in higher plant leaves[J]. Geophysical Research

Letters， 2006， 33（11）：431-433.

[20] GITELSON A A， KAUFMAN Y J， MERZLYAK M N. Use of a green

channel in remote sensing of global vegetation from EOS-MODIS[J].

Remote Sensing of Environment， 1996， 58（3）：289-298.

[21] MACCIONI A， AGATI G， MAZZINGHI P， et al. New vegetation

indices for remote measurement of chlorophylls based on leaf

directional reflectance spectra[J]. Journal of Photochemistry and

Photobiology， B：Biology， 2001， 61（1/2）：52-61.

[22] DATT B. A new reflectance index for remote sensing of chlorophyll

content in higher plants：tests using Eucalyptus leaves[J]. Journal of

Plant Physiology， 1999， 154（1）：30–36.

[23] KEARNEY M S， ROGERS A S， TOWNSHEND J R G， et al.

Developing a model for determining coastal marsh“health”[C]. Third

Thematic Conference on Remote Sensing for Marine and Coastal

Environments， Seattle：Washington， 1995.

[24] MISTELE B， GUTSER R， SCHMIDHALTER U， et al. Validation of

field-scaled spectral measurements of the nitrogen status in winter

wheat[C]. International Conference on Precision Agriculture amp; Other

Precision Resources Management， 2004.

[25] GUPTA R K， VIJAYAN D， PRASAD T S， et al. Comparative analysis

of red-edge hyperspectral indices[J]. Advances in Space Research，

2003， 32（11）：2217-2222.

[26] GITELSON A A， VINA A， CIGANDA V， et al. Remote estimation of

canopy chlorophyll content in crops[J]. Geophysical Research Letters，

2005， 32（8）：403.

[27] VOGELMANN J E， ROCK B N， MOSS D M， et al. Red edge spectral

measurements from sugar maple leaves[J]. International Journal of

Remote Sensing， 1993， 14（8）：1563–1575.

[28] 張智韜， 王海峰， KARNIELI Arnon， 等. 基于嶺回歸的土壤含水率

高光譜反演研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（5）：240-248.

ZHANG Z T， WANG H F， ARNON K， et al. Inversion of soil moisture

content from hyperspectra based on ridge regression[J]. Transactions

of the Chinese Society for Agricultural Machinery， 2018， 49（5）：240-

248.

[29] 張?zhí)忑垼?吳珊， 湯宏勝， 等. 化學(xué)計(jì)量學(xué)在激光誘導(dǎo)擊穿光譜分析

中的研究進(jìn)展[J]. 分析化學(xué)， 2015， 43（6）：939-948. ZHANG T L，

WU S， TANG H S， et al. Progress of chemometrics in laser-induced

breakdown spectroscopic analysis[J]. Chinese Journal of Analytical

Chemistry， 2015， 43（6）：939-948.

[30] 范詩語， 耿子悅， 田芮綺， 等. 基于集成學(xué)習(xí)的上市企業(yè)違約風(fēng)險(xiǎn)

評(píng)價(jià)[J]. 統(tǒng)計(jì)與管理， 2021， 36（2）：62-68. FAN S Y， GENG Z Y，

TIAN R Q， et al. Default risk assessment of listed companies based on

in tegrated learning[J]. Statistics and Management， 201， 36（2）：62-

68.

[31] 方馨蕊， 溫兆飛， 陳吉龍， 等. 隨機(jī)森林回歸模型的懸浮泥沙濃度

遙感估算[J]. 遙感學(xué)報(bào)， 2019， 23（4）：756-772. FANG X R， WEN

Z F， CHEN J L， et al. Remote sensing estimation of suspended

sediment concentration based on Random Forest regression model[J].

Journal of Remote Sensing， 2019， 23（4）：756-772.

[32] ANGERMUELLER C， PARNAMAA T， PARTS L， et al. Deep

learning for computational biology[J]. Molecular Systems Biology，

2016， 12（7）：878.

[33] 劉媛. 基于時(shí)序無人機(jī)遙感影像的玉米產(chǎn)量估算研究[D]. 淮南：

安徽理工大學(xué)， 2023. LIU Y. Study on corn yield estimation based

on time series UAV remote sensing images[D]. Huainan：Anhui

University of Science and Technology， 2023.

[34] LEROUX L， CASTETS M， BARON C， et al. Maize yield estimation in

west Africa from crop process-induced combinations of multi-domain

remote sensing indices[J]. European Journal of Agronomy， 2019， 108：

11-26.

[35] XU J X， MA J， TANG Y N， et al. Estimation of sugarcane yield using

a machine learning approach based on UAV-LiDAR data[J]. Remote

Sensing， 2020， 12（17）：2823.