趙曉慶，楊貴軍 ，劉建剛，張小燕，徐 波，王艷杰，趙春江，蓋鈞鎰

（1. 北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097；2. 國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；3. 南京農(nóng)業(yè)大學(xué)大豆研究所/國家大豆改良中心，南京 210095）

·農(nóng)業(yè)航空工程·

基于無人機(jī)載高光譜空間尺度優(yōu)化的大豆育種產(chǎn)量估算

趙曉慶1,2，楊貴軍1,2※，劉建剛1,2，張小燕3，徐 波1,2，王艷杰1,2，趙春江1,2，蓋鈞鎰3

（1. 北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097；2. 國家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；3. 南京農(nóng)業(yè)大學(xué)大豆研究所/國家大豆改良中心，南京 210095）

為探討無人機(jī)載高光譜空間尺度對大豆產(chǎn)量預(yù)測精度的影響，該文以山東嘉祥圣豐大豆為研究對象，設(shè)計以多旋翼無人機(jī)為平臺搭載Cubert UHD185成像高光譜傳感器的無人機(jī)遙感農(nóng)情監(jiān)測系統(tǒng)，獲取了大豆多個生育期的無人機(jī)高光譜數(shù)據(jù)。首先，該研究利用盛莢期-始粒期（R4-R5期）的高光譜影像，由21個不同光譜空間尺度提取的高光譜數(shù)據(jù)構(gòu)建植被指數(shù)，通過植被指數(shù)方差分析結(jié)果可知所選冠層植被指數(shù)與不同品種大豆植株的生長狀況密切相關(guān)，但是不同空間尺度下的F值仍存在較為明顯的差異；其次，采用偏最小二乘回歸建立產(chǎn)量與不同空間尺度的植被指數(shù)之間的回歸模型，通過模型方程估算精度的曲線變化趨勢進(jìn)一步將最優(yōu)空間尺度面積確認(rèn)至9.03～10.13 m2，即當(dāng)采樣空間尺度區(qū)域長、寬與小區(qū)總長、寬比例介于4.25:5和4.5:5時，所得到的冠層光譜能夠盡可能準(zhǔn)確地估測大豆產(chǎn)量，此時估算產(chǎn)量和實(shí)測產(chǎn)量呈極顯著相關(guān)（相關(guān)系數(shù)r=0.811 7，參與建模的樣本個數(shù)270）。該研究可為使用高、低空高光譜影像進(jìn)行作物表型信息解析和估產(chǎn)提供參考。

無人機(jī)；遙感；傳感器；無人機(jī)成像光譜儀；采樣范圍；大豆育種

0 引 言

大豆是世界上最重要的糧食作物之一，最常用來做豆制品、榨取豆油、釀造醬油和提取蛋白質(zhì)[1]。而近年來，中國的大豆進(jìn)口量逐年增加，從側(cè)面反映了中國的大豆目前仍具有較大的高產(chǎn)潛力。利用高光譜技術(shù)可以進(jìn)行作物生長監(jiān)測和產(chǎn)量估測，為實(shí)現(xiàn)簡單、快速、高效和無損地估產(chǎn)及監(jiān)測作物生長提供了有效的途徑[2-6]。

國內(nèi)外很多學(xué)者分別利用不同的方法，從不同的角度進(jìn)行大豆產(chǎn)量、葉面積指數(shù)（leaf area index，LAI）和地上生物量等遙感反演研究，并取得了一定的進(jìn)展[2,7-15]。Ma等[2]使用冠層光譜反射率估測大豆產(chǎn)量，發(fā)現(xiàn)大豆產(chǎn)量與500～650 nm波段反射率表現(xiàn)為負(fù)相關(guān)（相關(guān)系數(shù)r=-0.70～-0.90），與700～800 nm波段反射率表現(xiàn)為正相關(guān)（r=0.5～0.8），且在眾多植被指數(shù)中歸一化植被指數(shù)（normalized difference vegetation index，NDVI）與大豆產(chǎn)量相關(guān)性最高，盛莢期-始粒期（R4-R5）的NDVI與產(chǎn)量的相關(guān)性高于盛花期（R2）；Aslan[7]通過研究發(fā)現(xiàn)，相比于其他的光譜指數(shù)和冠層溫度，綠色歸一化植被指數(shù)（green normalized difference vegetation index，GNDVI，GNDVI）在估測大豆產(chǎn)量、輔助育種方面具有更大的潛力；Chiristenson[8]研究發(fā)現(xiàn)冠層光譜反射率數(shù)據(jù)在探索優(yōu)質(zhì)表型技術(shù)和大范圍、無損育種研究中具有巨大潛力；張寧等[9]應(yīng)用GreenSeeker主動傳感器獲取的開花期、結(jié)莢期和鼓粒期的NDVI建立大豆產(chǎn)量估測模型，決定系數(shù)R2高達(dá)0.66；Kaul等[10]利用USDA-NRCS提出的土壤評價指標(biāo)和周降雨量對玉米和大豆進(jìn)行估產(chǎn)研究，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)方法（artificial neural networks，ANN）比多元線性回歸建立的估產(chǎn)模型更為準(zhǔn)確；Weber等[11]基于冠層光譜反射率，使用偏最小二乘回歸法（partial least squares regression，PLSR）對玉米籽粒產(chǎn)量進(jìn)行估測，預(yù)測產(chǎn)量和實(shí)測產(chǎn)量之間的R2為0.4，且相比水分正常環(huán)境的模型精度，水分脅迫環(huán)境下的預(yù)測模型精度更高。

近年來，大規(guī)模商業(yè)化大豆育種導(dǎo)致育種材料組合劇增，傳統(tǒng)的人工測量方法較為耗時，且測量標(biāo)準(zhǔn)不統(tǒng)一，難以保證數(shù)據(jù)的時效性和統(tǒng)一性。無人機(jī)(unmanned aerial vehicle，UAV)遙感平臺具有機(jī)動靈活、操作簡便、按需獲取數(shù)據(jù)且空間分辨率高等優(yōu)勢，利用無人機(jī)實(shí)施農(nóng)情監(jiān)測已經(jīng)成為開展育種研究的前沿手段[12,16-18]。尺度問題是地學(xué)研究中一項非常重要的任務(wù)[19-20]。本文所研究的空間尺度，即無人機(jī)遙感影像在空間跨度上的大小。

由于無人機(jī)高光譜影像能夠包含所探測區(qū)域的所有光譜信息，包括有效的大豆光譜、目標(biāo)陰影和土壤光譜。從高光譜影像上提取小區(qū)內(nèi)大豆冠層的光譜信息時，如果對最大面積范圍的光譜取平均值，則會受到小區(qū)周圍土壤背景噪聲影響；若所取面積范圍較小，則不能有效地涵蓋育種小區(qū)的光譜信息。即取樣空間尺度較大和較小時，都會影響最后的估產(chǎn)精度。究竟何種無人機(jī)高光譜影像空間尺度最優(yōu)、最能夠體現(xiàn)作物群體長勢及產(chǎn)量潛力，目前還沒有相關(guān)報道。

本文以2015年山東省濟(jì)寧市嘉祥縣圣豐大豆為研究材料，通過對21組光譜空間尺度下提取的大豆冠層植被指數(shù)做方差分析和建立產(chǎn)量估測模型，確定最優(yōu)光譜空間尺度。為無人機(jī)遙感輔助農(nóng)作物產(chǎn)量和表型信息獲取研究時的最優(yōu)光譜空間尺度提供科學(xué)依據(jù)，以期為使用高、低空遙感數(shù)據(jù)探測農(nóng)作物產(chǎn)量和表型信息提供參考。

1 試驗(yàn)材料與方法

1.1 研究區(qū)概況

研究區(qū)位于山東省濟(jì)寧市嘉祥縣，地處魯中南山地與黃淮海平原交接地帶，地理坐標(biāo)116°06′～116°29′E，35°11＇～35°37＇N，屬黃河沖積平原，黏壤土，地勢平坦、排灌方便、肥力均勻、地力水平中上等，屬暖溫帶季風(fēng)區(qū)大陸性氣候，農(nóng)作物以小麥、玉米、大豆為主。

1.2 試驗(yàn)材料

為確定無人機(jī)成像高光譜最優(yōu)空間尺度，提高所建立產(chǎn)量估測模型的準(zhǔn)確度，本研究選取2015年山東圣豐院士工作站的品系比較試驗(yàn)材料（簡稱品比區(qū)），地理范圍為116°22′10″～116°22′20″E，35°25′50″～35° 26′10″N，共 2 75個大豆品種，按照大豆品種生育期的長短，可將品種分為早熟組、中熟組和晚熟組。試驗(yàn)小區(qū)均為重復(fù)內(nèi)分組設(shè)計，每個材料重復(fù)3次，共825個育種小區(qū)，每個小區(qū)5行，小區(qū)面積為5 m×2.5 m，行距50 cm。大豆成熟后，以中間3行的大豆計產(chǎn)，計產(chǎn)面積7.5 m2，收獲曬干至恒質(zhì)量時，稱取大豆產(chǎn)量，產(chǎn)量的單位均為 k g/hm2。由于計產(chǎn)過程中人為因素導(dǎo)致部分材料的產(chǎn)量數(shù)據(jù)缺失，最終完整計產(chǎn)的大豆材料為270個。

1.3 無人機(jī)高光譜數(shù)據(jù)獲取與處理

本試驗(yàn)采用八旋翼電動無人機(jī)（整機(jī)質(zhì)量為4.2 kg，起飛質(zhì)量6.0～11.0 kg，續(xù)航時間15～20 min）同步搭載Cubert UHD185無人機(jī)載成像光譜儀（多光譜傳感器在使用均進(jìn)行去噪、鏡頭畸變校正處理，其主要參數(shù)見表1）進(jìn)行數(shù)據(jù)采集試驗(yàn)，光譜儀垂直向下測量。為了獲取穩(wěn)定的大豆冠層高光譜反射率數(shù)據(jù)，本試驗(yàn)選擇晴朗、無云、無風(fēng)天氣，于2015年8月1日—9月30日10:30—13:30共進(jìn)行了5次飛行試驗(yàn)，所對應(yīng)的生育期分別為始花期-盛花期（R1-R2），始莢期（R3），盛莢期-始粒期（R4-R5），鼓粒期（R6），鼓粒期-成熟期（R6-R7）,飛行高度100 m，基本涵蓋了大豆整個生育期的大豆冠層成像高光譜。

表1 搭載在無人機(jī)上的成像高光譜儀主要參數(shù)Table 1 Main parameters of digital camera and hyperspectral sensor mounted on UAV

吳瓊等[14]發(fā)現(xiàn)不同生育期的可見光和近紅外區(qū)域的光譜反射率與大豆地上生物量、LAI和產(chǎn)量均顯著相關(guān)，尤其在R4和R5期相關(guān)性最高；Ma等[2]認(rèn)為R4-R5期的大豆冠層光譜NDVI與大豆產(chǎn)量的相關(guān)性高于R2期。綜合前人研究基礎(chǔ)，本文選擇R4-R5生育期的高光譜影像進(jìn)行預(yù)處理。預(yù)處理主要包括以下2個步驟。

1）高光譜圖像的拼接和幾何校正。參考Turner等[21-22]的研究，本研究借助全色圖像和位置信息對高光譜圖像進(jìn)行拼接，用到的軟件包括德國Cubert公司的Cubert-Pilot軟件和Agisoft LLC公司研發(fā)的Agisoft PhotoScan軟件。首先，利用Cubert-Pilot軟件對每張高光譜圖像和同時采集的相應(yīng)全色圖像進(jìn)行融合，得到融合后的高光譜影像；其次使用Agisoft PhotoScan軟件，借助全色圖像的點(diǎn)云數(shù)據(jù)完成高光譜圖像的拼接。拼接好的高光譜影像包含125個波段，即454～950 nm，采樣間隔為4 nm，空間分辨率約為5 cm。

2）以小區(qū)幾何中心為中心，由拼接好的高光譜影像提取冠層光譜反射率。由于育種小區(qū)的長為5 m，寬為2.5 m，為了避免空間矢量區(qū)域超出小區(qū)邊界，本文使用ArcGIS軟件在拼接好的高光譜影像上劃分出每個小區(qū)的最大面積矢量（即5.00 m×2.50 m），結(jié)合IDL語言對每個小區(qū)矢量面積的長和寬均勻地縮放 2 0次，共得到 2 1組采樣空間尺度。讀取每一個空間尺度下的矢量及其對應(yīng)的小區(qū)編號，提取所有矢量感興趣區(qū)域內(nèi)所有像元值的光譜反射率分波段平均值，即得到每個小區(qū)21個不同空間尺度梯度所對應(yīng)的冠層光譜反射率（見圖 1），可以看出不同空間采樣面積所對應(yīng)的冠層光譜反射率在可見光波段無明顯差異，但在近紅外區(qū)域的差異較為明顯。

1.4 研究方法

1.4.1 數(shù)據(jù)分析流程

無人機(jī)載高光譜最佳空間尺度的研究流程見圖2，主要包括4個步驟：1）UHD 185成像高光譜影像預(yù)處理，主要包括無人機(jī)成像高光譜拼接、提取21組不同空間尺度下的光譜反射率并計算植被指數(shù)，使用的工具主要包括Cubert-Pilot軟件、俄羅斯Agisoft LLC公司研發(fā)的Agisoft PhotoScan軟件、IDL語言和MATLAB 2010a數(shù)學(xué)分析軟件；2）根據(jù) 2 1組空間尺度下提取的大豆冠層植被指數(shù)方差分析結(jié)果將最優(yōu)空間尺度縮小至一個較小的范圍，用到的工具主要是MATLAB R2010a；3）結(jié)合實(shí)測大豆產(chǎn)量，建立21組空間尺度下的植被指數(shù)與產(chǎn)量的偏最小二乘回歸模型（partial least squares regression，PLSR），通過對比模型精度進(jìn)一步確定最優(yōu)空間尺度，主要使用MATLAB R2010a編程實(shí)現(xiàn)；4）使用最優(yōu)空間尺度提取的冠層光譜，建立產(chǎn)量與植被指數(shù)之間的PLSR模型。

圖1 21個不同采樣面積所對應(yīng)的冠層光譜反射率Fig.1 Canopy spectral reflectance of 21 sampling areas

圖2 數(shù)據(jù)分析和處理流程Fig.2 Flowchart of data analysis and processing

1.4.2 植被指數(shù)的選擇

在已有研究成果基礎(chǔ)上，本文選取4種植被指數(shù)（具名稱和計算方法見表2）建立大豆產(chǎn)量與無人機(jī)成像高光譜遙感監(jiān)測模型。

表2 本文選擇的高光譜植被指數(shù)Table 2 Hyperspectral vegetation indices used in this study

1.4.3 高光譜模型的建立方法和精度檢驗(yàn)

PLSR是在自變量和因變量存在嚴(yán)重多重相關(guān)性條件下進(jìn)行回歸建模的一種方法。PLSR集中了主成分分析、典型相關(guān)分析和線性回歸分析的方法，是一種較為常用的建模方法[28-30]。在PLSR中，主成分提取的終止是通過分析交叉有效性來確定的，交叉有效性定義為

式中PRESSh是從所有n個樣本點(diǎn)中剔除第i個樣本點(diǎn)后，對剩余的樣本點(diǎn)取h個主成分回歸建模，再對第i個樣本點(diǎn)進(jìn)行預(yù)測的誤差平方和；SS(h-1)是用所有n個樣本點(diǎn)擬合出的含（h-1）個主成分的回歸方程的擬合誤差平方和。若，則表示加入主成分th后能夠改善模型精度，否則不能。模型的精度可用相關(guān)系數(shù)（correlationcoefficient，r）、均方根誤差（root mean square error，RMSE）評估，根據(jù)不同空間取樣尺度下的大豆產(chǎn)量模型精度對高光譜空間尺度做進(jìn)一步的優(yōu)化選擇。

2 結(jié)果與分析

2.1 大豆各組試驗(yàn)材料產(chǎn)量的變異

表3為早、中、晚熟組大豆產(chǎn)量的分布和變異情況，由產(chǎn)量分布情況可以看出，中熟組的產(chǎn)量最高（產(chǎn)量均值可達(dá)3 622 kg/hm2），晚熟組的產(chǎn)量最低（產(chǎn)量均值為3 250 kg/hm2）。早熟組大豆產(chǎn)量的變異范圍為1 656.4～4 757.9 kg/hm2，變異系數(shù)（coefficient of variation，CV）最大（16.6%），中熟組大豆產(chǎn)量變異系數(shù)次之（16.3%），變異范圍為2 056.1～4 917.5 kg/hm2，晚熟組大豆產(chǎn)量CV最?。?5.8%），變異范圍為2 043.2～4 289.9 kg/hm2?？梢?，所選材料間的變異幅度較大、差異較大?？v觀早、中、晚熟組大豆產(chǎn)量的方差分析結(jié)果，早、中、晚熟組的大豆產(chǎn)量均表現(xiàn)為極顯著差異（P＜0.01），說明所選品比區(qū)試驗(yàn)材料存在極顯著差異，適合進(jìn)行估產(chǎn)建模分析。

2.2 不同采樣范圍下的植被指數(shù)方差分析結(jié)果

方差分析又稱變異分析和 F 檢驗(yàn)，本文所使用的是單因素完全隨機(jī)設(shè)計試驗(yàn)的方差分析方法，分析 2 75個材料的GNDVI、NDVI、比值植被指數(shù)(ratio vegetation index,RVI)和修正型二次土壤調(diào)節(jié)植被指數(shù)(modified soil-adjusted vegetation index-2,MSAVI2)在每一個空間取樣面積下的差異顯著性情況，對比21組空間采樣面積處品系間的 F 值及假設(shè)檢驗(yàn)結(jié)果，即可將空間取樣面積進(jìn)行優(yōu)化選擇。方差分析的 F 值、假設(shè)檢驗(yàn)結(jié)果見表4 。GNDVI、NDVI、RVI和MSAVI2的F值最大值分別出現(xiàn)在5.28、8、5.28和10.13 m2處，區(qū)組間的假設(shè)檢驗(yàn)最小值出現(xiàn)在對應(yīng)的空間尺度處，可見不同植被指數(shù)的最優(yōu)空間尺度不同。由不同空間取樣面積提取的品系間植被指數(shù)均存在極顯著差異（P＜0.01），說明冠層GNDVI、NDVI、RVI和MSAVI2與不同品種大豆植株的生長狀況密切相關(guān)，但是不同空間尺度下的F值仍存在較為明顯的差異，還需通過進(jìn)一步的估產(chǎn)分析篩選最優(yōu)空間尺度。

表3 大豆產(chǎn)量的次數(shù)分布和變異情況Table 3 Frequency distribution and variation of soybean yield

表4 各植被指數(shù)的方差分析F值和P值Table 4 F-values and P-values from analysis of variance(ANOVA) of each vegetation index

2.3 不同空間尺度光譜的產(chǎn)量模型構(gòu)建與精度檢驗(yàn)

基于21組空間尺度范圍下的大豆冠層高光譜數(shù)據(jù)分別與實(shí)測產(chǎn)量建立PLSR回歸方程，對比不同空間尺度下的模型預(yù)測精度，進(jìn)而確定最優(yōu)空間尺度。產(chǎn)量和 4 個植被指數(shù)的PLSR模型相關(guān)系數(shù)r隨空間尺度面積的變化趨勢曲線見圖3，相關(guān)系數(shù)r介于0.795～0.812之間，大豆冠層光譜植被指數(shù)與大豆產(chǎn)量極顯著相關(guān)（P＜0.01，n=270），在空間取樣面積小于8 m2時，建模精度隨著空間取樣面積逐漸增大而增大，且隨著取樣面積的增大，建模精度逐漸趨于平緩，當(dāng)光譜取樣面積大于10.13 m2后，建模精度隨取樣面積的增大而減小。光譜空間尺度為4.25 m×2.125 m和4.5 m×2.25 m時，即9.03和10.13 m2時，相關(guān)系數(shù)r達(dá)到最大值，最大相關(guān)系數(shù)約為0.811 7?？梢姡诨跓o人機(jī)高光譜影像輔助大豆估產(chǎn)研究時，所取光譜的空間范圍長、寬與小區(qū)總長、寬之間的比例應(yīng)該介于4.25∶5和4.5∶5，這樣不僅能夠有效降低小區(qū)周圍土壤背景噪聲和邊緣陰影光譜的影響，又能夠避免大豆冠層信息的缺失。

圖3 產(chǎn)量和4個植被指數(shù)的PLSR模型相關(guān)系數(shù)和RMSE隨空間采樣窗口面積的變化曲線Fig.3 Curve of correlation coefficients and RMSEs of PLSR models based on soybean yields and four vegetation indices along with different spatial sampling areas

以4.5 m×2.25 m為空間取樣范圍提取的冠層光譜為最終光譜，建立產(chǎn)量與植被指數(shù)之間的PLSR模型，所提取的主成分的個數(shù)為2，實(shí)際產(chǎn)量和預(yù)測產(chǎn)量散點(diǎn)分布見圖4，所建立大豆估產(chǎn)模型為：

（R2=0.659，RMSE=356.9 kg/hm2，參與建模的樣本數(shù)為270，P＜0.01）

圖4 大豆實(shí)際產(chǎn)量和預(yù)測產(chǎn)量Fig.4 Measured and estimated soybean yields

3 討 論

使用無人機(jī)遙感平臺進(jìn)行大豆估產(chǎn)，對實(shí)現(xiàn)大規(guī)模大豆產(chǎn)量高通量快速獲取具有重要意義，能夠幫助育種學(xué)家快速篩選大豆優(yōu)良品種[12,16]。但是在育種小區(qū)面積一定的前提下，以往的研究都是在一個采樣范圍下提取冠層光譜對冬小麥、玉米和大豆等進(jìn)行表型信息解析或者產(chǎn)量預(yù)測，但是對空間取樣范圍的大小缺乏介紹或者沒有做詳細(xì)的說明。

本研究基于無人機(jī)UHD185光譜成像儀獲取的大豆R4-R5期的冠層光譜對最優(yōu)空間尺度進(jìn)行了分析，結(jié)果表明，基于不同空間尺度計算的波譜數(shù)據(jù)在近紅外波段差異較大，且品系間各植被指數(shù)在不同空間尺度處的顯著性差異水平不同。本文進(jìn)一步將不同空間尺度處的大豆冠層植被指數(shù)用于估產(chǎn)研究，結(jié)果表明，當(dāng)空間取樣區(qū)域長、寬接近小區(qū)邊緣，與育種小區(qū)長、寬的比例為4.25∶5～4.5∶5時，所提取的光譜信息最能夠反映大豆品系間的產(chǎn)量差異，與大豆產(chǎn)量相關(guān)性最高。

本研究中，基于原始高光譜圖像的空間分辨率計算各空間取樣面積處的光譜信息，進(jìn)而對空間尺度進(jìn)行優(yōu)化選擇，在未來的研究中，可以對最優(yōu)空間取樣面積下的光譜進(jìn)行重采樣處理，分析不同分辨率下光譜對大豆估產(chǎn)的影響。同時也可考慮基于不同試驗(yàn)條件下的不同作物，探索無人機(jī)高光譜影像的空間尺度規(guī)律。另外，高光譜具有較高的光譜分辨率，可針對波譜信息進(jìn)行深入分析對光譜空間尺度進(jìn)行優(yōu)化選擇。

4 結(jié) 論

1）不同空間尺度處的冠層光譜動態(tài)變化明顯。本文以其中一個育種小區(qū)為例，對其21組空間矢量下提取的光譜反射率進(jìn)行對比，可以看出不同空間取樣面積所對應(yīng)的冠層光譜反射率在近紅外區(qū)域差異較為明顯，因此在使用無人機(jī)高光譜影像進(jìn)行作物表型信息獲取或者估產(chǎn)研究中，必須考慮小區(qū)周圍土壤背景噪聲和邊緣陰影光譜對作物小區(qū)冠層光譜的影響；

2）通過方差分析方法和估產(chǎn)精度對比，結(jié)果表明在本文研究條件下，最優(yōu)空間尺度的范圍為9.03～10.13 m2，即最優(yōu)的空間取樣范圍為空間取樣區(qū)域長、寬與小區(qū)總長、寬比例都介于4.25：5和4.5：5。在此范圍內(nèi)提取的光譜信息能夠代表小區(qū)的大豆冠層光譜，還可以有效避免小區(qū)外邊緣光譜的干擾，從而更為有效地解析大豆試驗(yàn)材料差異和提高估產(chǎn)精度。

[1] Tester M,Langridge P. Breeding technologies to increase crop production in a changing world[J]. Science,2010,327(5967):818－822.

[2] Ma B L,Dwyer L M,Costa C,et al. Early prediction of soybean yield from canopy reflectance measurements[J]. Agronomy Journal. 2001,93:1227－1234.

[3] 王偉，彭彥昆，馬偉，等. 大田冬小麥葉綠素含量的高光譜檢測技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2010，41(5)：172－177.Wang Wei,Peng Yankun,Ma Wei,et al. Prediction of chlorophyll content of winter wheat using leaf-level hyperspectral data[J]. Transactions of the Chinese Society for Agricultural Machinery,2010,41(5):172－177.(in Chinese with English abstract)

[4] 楊邦杰，裴志遠(yuǎn). 農(nóng)作物長勢的定義與遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報，1999，15(3)：214－218. Yang Bangjie,Pei Zhiyuan. Definition of crop condition and crop monitoring using remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),1999,15(3):214－218.(in Chinese with English abstract)

[5] 宋曉宇，王紀(jì)華，黃文江，等. 變量施肥條件下冬小麥長勢及品質(zhì)變異遙感監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報，2009,25(9)：155－162 Song Xiaoyu,Wang Jihua,Huang Wenjiang,et al. Monitoring spatial variance of winter wheat growth and grain quality under variable-rate fertilization conditions by remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2009,25(9):155－162.(in Chinese with English abstract)

[6] 趙春江. 農(nóng)業(yè)遙感研究與應(yīng)用進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2014，45(12)：277－293. Zhao Chunjiang. Advances of research and application in remote sensing for agriculture[J]. Transactions of the Chinese Society for Agricultural Machinery,2014,45(12):277－293.(in Chinese with English abstract)

[7] Aslan H. Using Remote Sensing in Soybean Breeding:Estimating Soybean Grain Yield and Soybean Cyst Nematode Populations[D]. Kansas:Kansas State University,2015.

[8] Christenson B S. Characterization of Soybean Seed Yield Using Optimized Phenotyping[D]. Kansas:Kansas State University,2013.

[9] 張寧，齊波，趙晉陵，等. 應(yīng)用主動傳感器GreenSeeker估測大豆籽粒產(chǎn)量[J]. 作物學(xué)報，2014，40(4)：657－666. Zhang Ning,Qi Bo,Zhao Jinling,et al. Prediction for soybean grain yield using active sensor greenseeker[J]. Acta Agronomica Sinica,2014,40(4):657－666.(in Chinese with English abstract)

[10] Kaul M,Hill R L,Walthall C. Artificial neural networks for corn and soybean yield prediction[J]. Agricultural Systems,2005,85(1):1－18.

[11] Weber V S,Araus J L,Cairns J E,et al. Prediction of grain yield using reflectance spectra of canopy and leaves in maize plants grown under different water regimes[J]. Field Crops Research,2012,128(2):82－90.

[12] 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.(in Chinese with English abstract)

[13] Thenkabail P S,Ward A D,Lyon J G. Landsat-5 thematic mapper models of soybean and corn crop characteristics[J]. International Journal of Remote Sensing,1994,15(1):49－61.

[14] 吳瓊，齊波，蓋鈞鎰，等. 高光譜遙感估測大豆冠層生長和籽粒產(chǎn)量的探討[J]. 作物學(xué)報，2013，39(2)：309－318. Wu Qiong,Qi Bo,Gai Junyi,et al. A tentative study on utilization of canopy hyperspectral reflectance to estimate anopy growth and seed yield in soybean[J]. Ronomica Sinica,2013,39(2):309－318.(in Chinese with English abstract)

[15] 宋開山，張柏，王宗明，等. 基于小波分析的大豆葉面積高光譜反演[J]. 生態(tài)學(xué)雜志，2007，26(10)：1690－1696. Song Kaishan,Zhang Bai,Wang Zongming,et al. Wavelet transformation of insute measured hyperspectral data in Glycinemax LAI estimation[J]. Chinese Journal of Ecology,2007,26(10):1690－1696.(in Chinese with English Abstract)

[16] 楊貴軍，李長春，于海洋，等. 農(nóng)用無人機(jī)多傳感器遙感輔助小麥育種信息獲取[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(21)：184－190. Yang Guijun,Li Changchun,Yu Haiyang,et al. UAV based multi-load remote sensing technologies for wheat breeding information acquirement[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2015,31(21):184－190.(in Chinese with English abstract)

[17] 李冰，劉镕源，劉素紅. 基于低空無人機(jī)遙感的冬小麥覆蓋度變化監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(13)：160－165. Li Bing,Liu Rongyuan,Liu Suhong. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2012,28(13):160－165.(in Chinese with English abstract)

[18] 王利民，劉佳，楊玲波. 基于無人機(jī)影像的農(nóng)情遙感監(jiān)測應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報，2013，29(18)：136－145. Wang Limin,Liu Jia,Yang Lingbo. Applications of UAV images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2013,29(18):136－145.(in Chinese with English abstract)

[19] 明冬萍，王群，楊建宇. 遙感影像空間尺度特性與最佳空間分辨率選擇[J]. 遙感學(xué)報，2008，12(4)：529－537. Ming Dongping,Wang Qun,Yang Jianyu,Spatial scale of remote sensing image and selection of optimal spatial resolution[J]. Journal of Remote Sensing,2008,12(4):529－537.(in Chinese with English abstract)

[20] Geofhey J H. Multiscale Object-specific Analysis:An Integmted Hiemrchical Approach for Landscape Ecology[D]. Canada:University of Montreal,2002．

[21] Turner D,Lucieer A,Wallace L. Direct georeferencing of ultrahigh-resolution UAV imagery[J]. IEEE Transactions on Geoscience and Remote Sensing,2014,52(5):2738－2745.

[22] 高林，楊貴軍，于海洋，等. 基于無人機(jī)高光譜遙感的冬小麥葉面積指數(shù)反演[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(22)：113－120. Gao Lin,Yang Guijun,Yu Haiyang,et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remoter sensing[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2016,32(22):113－120.(in Chinese with English abstract)

[23] Aparicio N,Villegas D,Casadesus J,et al. Spectral vegetation indices as non-destructive tools for determining durum wheat yield[J]. Agronomy Journal,2000,92:83－91.

[24] Mkhabela M S,Bullock P,Raj S,et al. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data[J]. Agricultural and Forest Meteorology,2011,115:385－393.

[25] Hasegawa K,Matsuyama H,Tsuzuki H,et al. Improving the estimation of leaf area index by using remotely sensed NDVI with BRDF signatures[J]. Remote Sensing of Environment,2010,114(3):514－519.

[26] Jordan C F. Derivation of leaf area index from quality of light on the forest floor[J]. Ecology,1969,50(4):663－666.

[27] Qi J,Chehbouni A,Huete A R,et al. Modified soil adjusted vegetation index(MSAVI)[J]. Remote Sensing of Environment,1994,48:119－126.

[28] 付元元，王紀(jì)華，楊貴軍，等. 應(yīng)用波段深度分析和偏最小二乘回歸的冬小麥生物量高光譜估算[J]. 光譜學(xué)與光譜分析，2013，32(5)：1315－1319. Fu Yuanyuan,Wang Jihua,Yang Guijun,et al. Band depth analysis and partial least square regression based winter wheat biomass estimation using hyperspectral measurements[J]. Spectroscopy and Spectral Analysis,2013,32(5):1315－1319.(in Chinese with English Abstract)

[29] ElMasry G,Wang N,ElSayed A,et al. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry[J]. Journal of Food Engineering,2007,81(1):98.

[30] Atzberger C,Guerif M,Baret F,et al. Comparative analysis of three chemometric techniques for the spectroradiometric assessment of canopy chlorophyll content in winter wheat[J]. Computers and Electronics in Agriculture,2010,73,165－173.

Estimation of soybean breeding yield based on optimization of spatial scale of UAV hyperspectral image

Zhao Xiaoqing1,2,Yang Guijun1,2,※,Liu Jiangang1,2,Zhang Xiaoyan3,Xu Bo1,2,Wang Yanjie1,2,Zhao Chunjiang1,2,Gai Junyi3
(1. Beijing Research Center for Information Technology in Agriculture,Beijing 100097,China;2. National Engineering Research Center for Information Technology in Agriculture,Beijing 100097,China;3. Soybean Research Institute / National Center for Soybean Improvement,Nanjing Agricultural University,Nanjing 210095,China)

Using unmanned aerial vehicle(UAV) remote sensing monitoring system can rapidly and cost-effectively provide crop physiological traits for crop breeding. UAV equipped with an imaging spectrometer to estimate soybean yield is of great significance for high-throughput and rapid access to large-scale soybean production. However,different sampling areas led to different spectral data,thus affecting the accuracy of soybean grain yield. The objective of this study was to explore the influence of different sampling area on the measuring accuracy of soybean yield,and to analyze the optimum sampling area for estimating soybean grain yield. A 3-by-275 field experiment was performed in 2015,which was arranged in a randomized complete block design with 3 repetitions. An agricultural UAV remote sensing monitoring system was established by a multi-rotor UAV equipped with Cuber UHD185 Firefly imaging spectrometer(Cubert UHD185). Based on this system,the UAV flight experiments were conducted in Jiaxiang County,Shandong Province at multifarious reproductive growth stages,including the period from the initial blossoming stage to the fully blossoming stage(R1-R2),the initial pod stage(R3),from the full pod stage to the initial seed stage(R4-R5),the full seed stage(R6) and from the full seed stage to the mature stage(R6-R7). In order to get stable soybean canopy hyperspectral data,the calm and cloudless weather was selected to conduct the experiment. Hyperspectral data of each block were obtained according to the vector image georeferenced with the hyperspectral image. Since soybean yield was highly correlated with canopy reflectance measured by the UAV with Cubert UHD185 system in R4-R5 stages,the hyperspectral data obtained in R4-R5 stages were used to be further analyzed. Firstly,softwares such as Cubert-Pilot from Cubert Company and Agisoft PhotoScan from Agisoft LLC Company were used to realize image mosaic. The length and width of every block were minified in equal proportion for 20 times,and thus 21 sampling areas were gained,which were then used as vector images to get 21 groups of hyperspectral data. Next,4 vegetation indices,i.e. the green normalized difference vegetation index(GNDVI),the normalized difference vegetation index(NDVI),the ratio vegetation index(RVI) and the modified soil-adjusted vegetation index-2(MSAVI2),were calculated from the spectral information extracted from 21 different sampling areas. Thirdly,analysis of variance(ANOVA) was performed,and the result revealed that the selected canopy vegetation index was closely related to the growing conditions of different soybean varieties. After that,the partial least squares regression(PLSR) models were developed to predict the yield using the 4 vegetation indices obtained from 21 different sampling areas,with the r valueup to 0.8117(the numbe2r of sample points for modeling was 270,P＜0.01). And the best sampling area was further confirmed to 9.03-10.13 m according to the changing trend of correlation coefficients. Namely,when the ratio of length and width of the sampling area to that of the total block was between 4.25:5 and 4.5:5,the obtained canopy spectra could estimate the soybean yield as accurately as possible. The study c2onfirmed that using the UAV with Cubert UHD185 for screening and predicting soybean yield was practical,with the R up to 0.659. The method used in this study to select the optimum sampling area and the result of this study according to the optimum spatial sampling are expected to provide technical support for the analysis of the crop phenotype information using high or low altitude hyperspectral images.

unmanned aerial vehicle;remote sensing;sensors;UAV imaging spectrometer;sampling scale;soybean breeding

10.11975/j.issn.1002-6819.2017.01.015

S252+.9

A

1002-6819(2017)-01-0110-07

趙曉慶，楊貴軍，劉建剛，張小燕，徐 波，王艷杰，趙春江，蓋鈞鎰. 基于無人機(jī)載高光譜空間尺度優(yōu)化的大豆育種產(chǎn)量估算[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(1)：110－116.

10.11975/j.issn.1002-6819.2017.01.015 http://www.tcsae.org

Zhao Xiaoqing,Yang Guijun,Liu Jiangang,Zhang Xiaoyan,Xu Bo,Wang Yanjie,Zhao Chunjiang,Gai Junyi. Estimation of soybean breeding yield based on optimization of spatial scale of UAV hyperspectral image[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(1):110－116.(in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.01.015 http://www.tcsae.org

2016-10-25

2016-11-18

國家自然科學(xué)基金項目（61661136003,41471285）；國家重點(diǎn)研發(fā)計劃（2016YFD0300602）；北京市農(nóng)林科學(xué)院科技創(chuàng)新能力建設(shè)項目（KJCX20170423）

趙曉慶，女，助理工程師，主要從事無人機(jī)遙感技術(shù)及其農(nóng)業(yè)應(yīng)用研究。北京 北京農(nóng)業(yè)信息技術(shù)研究中心，100097。Email：zhaoxq@nercita.org.cn

※通信作者：楊貴軍，男，研究員，主要從事農(nóng)業(yè)定量遙感研究。北京 北京農(nóng)業(yè)信息技術(shù)研究中心，100097。Email：guijun.yang@163.com