王 靖 彭 漪* 劉小娟 莫佳才 梁 婷

(1.武漢大學(xué) 遙感信息工程學(xué)院，武漢 430079； 2. 武漢大學(xué) 生命科學(xué)學(xué)院，武漢 430072)

水稻是我國重要糧食作物之一，2019—2020年我國水稻的消費量約為2億t，占全世界水稻消費總量的40.8%，水稻生產(chǎn)直接影響到我國的糧食供應(yīng)與世界糧食市場的平穩(wěn)[1]。葉面積指數(shù)(Leaf area index, LAI)是單位土地面積上植株單側(cè)葉片平鋪面積的總和，與作物的色素含量、碳循環(huán)、生物量、物候等生化參數(shù)密切相關(guān)，是表征作物生長狀況以及預(yù)測作物生物量的重要參數(shù)[2]。

傳統(tǒng)葉面積指數(shù)測量方法費時費力，便捷、高效的遙感技術(shù)助力精準(zhǔn)農(nóng)業(yè)。遙感技術(shù)依據(jù)傳感器搭載平臺可大致分為地面平臺和衛(wèi)星平臺2 類。在地面平臺上，通過測量多光譜或高光譜數(shù)據(jù)計算紅邊參數(shù)、植被指數(shù)和其他光譜特征參數(shù)建立LAI反演的經(jīng)驗或半經(jīng)驗?zāi)Ｐ蚚3-5]仍是目前估算LAI的主流方法，地面平臺可獲取高空間分辨率和高時間分辨率的數(shù)據(jù)，但在測量大范圍的田塊時人工成本較高；在衛(wèi)星平臺上，利用影像對LAI的估算也取得了一定的發(fā)展，如MODIS-LAI[6]和GLASS LAI[7]產(chǎn)品已經(jīng)在大范圍得到應(yīng)用。由于衛(wèi)星LAI產(chǎn)品空間分辨率較低，無法為精準(zhǔn)農(nóng)業(yè)提供支撐。無人機兼具有高空間分辨率和高時間分辨率的特點，可以短時間內(nèi)獲取較大范圍的高分辨光譜影像[8]。依據(jù)無人機影像數(shù)據(jù)反演LAI的植被指數(shù)法[9]、改進(jìn)型光譜特征參數(shù)法預(yù)測LAI[10]以及使用無人機影像數(shù)據(jù)的紋理特征估計LAI[11]等方面均已有研究。

基于各種技術(shù)平臺的不同反演方法雖然可以取得較好的反演精確度，但大都只是將單個試驗區(qū)的數(shù)據(jù)分成建模集和驗證集來進(jìn)行反演與精確度驗證，應(yīng)用上受限于試驗區(qū)域的跨度與遙感平臺的限制，對于不同區(qū)域模型的可移植性缺乏驗證。機器學(xué)習(xí)本質(zhì)上屬于基于先驗知識的統(tǒng)計模型，常用的植被指數(shù)經(jīng)驗回歸反演LAI方法也屬于機器學(xué)習(xí)方法的一種[12]。由于機器學(xué)習(xí)模型僅學(xué)習(xí)已知樣本，并基于統(tǒng)計學(xué)知識對結(jié)果進(jìn)行解釋，因此當(dāng)環(huán)境脅迫因素發(fā)生改變，模型訓(xùn)練容易過擬合或欠擬合，再加上不同模型機理的限制，會對不同模型的遷移性產(chǎn)生不同影響[13]。

鄂州與海南區(qū)域跨度大，兩地地理環(huán)境因素差異大，并且試驗區(qū)數(shù)據(jù)包含了不同品種的水稻。因此，為檢測機器學(xué)習(xí)模型反演LAI的可移植性，本研究擬以鄂州與海南兩地的水稻為研究對象，依據(jù)無人機平臺獲取的水稻不同生育期的多光譜影像數(shù)據(jù)，采用鄂州水稻影像光譜數(shù)據(jù)作為建模集，并采用海南試驗區(qū)的水稻影像數(shù)據(jù)作為驗證集，評估海南試驗區(qū)的水稻生長狀況，以期為水稻LAI機器學(xué)習(xí)估計模型的遷移性驗證提供依據(jù)，同時為海南地區(qū)水稻品種選擇提供參考。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域概況

本研究選擇華中及華南地區(qū)2個不同地域、不同氣候類型的試驗區(qū)。

華中試驗區(qū)位于湖北省鄂州市試驗基地(30°22′22.27″ N, 114°45′7.03″ E)，地處長江中游南岸，屬亞熱帶季風(fēng)氣候，夏季高溫多雨，適宜水稻生長。試驗區(qū)分為48個小塊，種植48種不同品種的水稻，總面積約為2 000 m2(圖1(a))。2019年5月11日育秧，6月9日移栽，移栽密度為22.5×106株/km2，施肥適量且均等。

華南試驗區(qū)位于海南省陵水黎族自治縣多品種雜交水稻試驗基地(18°31′47.10″ N，110°03′34.90″ E)，屬典型的熱帶島嶼季風(fēng)型氣候，全年高溫，干濕季分明，土壤肥沃(圖1(b))。試驗區(qū)總面積為518.24 m2，分成了12個小塊，種植了珞優(yōu)9348和豐兩優(yōu)4號2 種水稻，并分別施用了4種不同的氮肥水平，N00、N08、N12和N16分別代表純氮0、12 000、18 000、240 000 kg/km2，氮肥分3次施用，其中基肥(50%)、幼穗分化期(25%)、抽穗期(25%)。磷肥、鉀肥均基肥施用(磷肥：P2O59 000 kg/km2；鉀肥：18 000 kg/km2)。2017年11月10日育秧，12月10日移栽，移栽密度為22.5×106株/km2。

1.2 數(shù)據(jù)獲取

1.2.1無人機影像數(shù)據(jù)

試驗采用大疆公司生產(chǎn)的多軸八旋翼無人機，搭載了Mini MCA 12通道數(shù)碼相機(Mini-MCA 12, Terracam Inc., Chatsworth, CA, USA)，相機每個通道1 280像素×1 024像素，各通道波長及波段寬度見表1。無人機影像數(shù)據(jù)采集盡量選擇在無云無風(fēng)、中午12點左右太陽高度角近似90°的時候進(jìn)行，航高約為200 m。

湖北省鄂州雜交水稻試驗基地選定13個測量日期為：2019-06-26、2019-07-02、2019-07-06、2019-07-16、2019-07-21、2019-07-26、2019-08-01、2019-08-06、2019-08-11、2019-08-17、2019-08-21、2019-08-26、2019-09-02。海南省陵水雜交水稻試驗基地選定9個測量日期為：2018-01-29、2018-02-02、2018-02-07、2018-02-12、2018-02-20、2018-03-03、2018-03-11、2018-03-25、2018-04-01。

圖1 湖北鄂州(a)與海南陵水(b)試驗田Fig.1 Experimental field in Ezhou, Hubei Province (a) and Lingshui, Hainan Province (b)

表1 無人機傳感器12通道中心波長及波段寬度Table 1 Central wavelength and band width of 12 bands of UAV sensor

1.2.2葉面積指數(shù)測量

葉面積指數(shù)的測量使用LAI-2200植物冠層分析儀(LI-COR 2010)(LI-COR Inc., Lincoln, Nebraska, USA)對水稻進(jìn)行非破壞性有效的葉面積值測量。LAI-2200配備魚眼光學(xué)傳感器，其中5 個同心環(huán)的天頂角中心分別為7°、22°、38°、52°和68°，通過測量上下輻射冠層，估算5個角度的冠層光截距和透射率，進(jìn)而使用Beer-Lambert定律來計算葉面積指數(shù)，是室外試驗廣泛使用的葉面積測量儀器[14]。為了避免直射陽光引起的測量誤差，測量時間在06:30—09:30和16:30—19:30進(jìn)行，與MCA無人機測量日期同步。

1.3 數(shù)據(jù)處理

1.3.1幾何校正

Mini MCA多光譜相機為推掃式相機，在實驗室內(nèi)對MCA相機的鏡頭進(jìn)行幾何校正，使得12個波段的多光譜影像位于同一坐標(biāo)系，并消除影像的鏡頭畸變，用以下公式對無人機多光譜影像進(jìn)行幾何校正：

Δx=(x-x0)(k1r2+k2r4+k3r6)+p1(r2+2(x-x0)2)+2p2(x-x0)(y-y0)+α(x-x0)+β(y-y0)

(1)

Δy=(y-y0)(k1r2+k2r4+k3r6)+p2(r2+2(y-y0)2)+2p1(x-x0)(y-y0)

(2)

利用以上公式幾何糾正單波段影像，其他鏡頭根據(jù)相似關(guān)系進(jìn)行配準(zhǔn)。

1.3.2輻射校正

此外，將數(shù)字灰度值(Digital number，DN)轉(zhuǎn)化成具有實際物理意義的地物光譜反射率ρ需要進(jìn)行輻射校正。利用地面標(biāo)準(zhǔn)輻射定標(biāo)版的已知反射率，與影像DN值建立線性回歸模型對影像進(jìn)行輻射定標(biāo)，6塊定標(biāo)毯在可見光至近紅外波段范圍內(nèi)的反射率值依次為：0.03、0.12、0.24、0.36、0.56和0.80，根據(jù)以下公式定標(biāo)：

Ri=DNi×Gaini+Offseti

(3)

式中：Ri為第i波段的地表反射率；i=1,2,…， 12；DNi為傳感器在第i波段的DN值；Gaini為第i波段的增益系數(shù)；Offseti為第i波段的偏置值。

1.3.3水稻分類

圖像預(yù)處理完成后，將每個田塊中所有水稻像元的反射率進(jìn)行平均計算，將平均值作為每個田塊LAI測量值所對應(yīng)的光譜反射率，因此需要先將水稻像元從背景中提取出來。計算像元NDVI，并使用K均值聚類將像元分為植被與非植被2 類，從而提取田塊中的水稻像元。利用目視勾選田塊像元，檢驗分類精確度，均達(dá)到了92%以上。

2 試驗方法

本研究將光譜數(shù)據(jù)及光譜數(shù)據(jù)經(jīng)過計算得到的植被指數(shù)與測量LAI建模，采用傳統(tǒng)植被指數(shù)經(jīng)驗?zāi)Ｐ鸵约皺C器學(xué)習(xí)的方法，完整的技術(shù)路線圖如圖2 所示。

2.1 植被指數(shù)經(jīng)驗?zāi)Ｐ?/h3>

植被指數(shù)提取出植被的光譜反射特征，與葉面積指數(shù)表現(xiàn)出強相關(guān)性?；谥脖恢笖?shù)的經(jīng)驗?zāi)Ｐ托枰_定3個關(guān)鍵要素：光譜特征參數(shù)、經(jīng)驗關(guān)系數(shù)和用于模型參數(shù)計算的葉面積指數(shù)[15]。本研究中使用2種回歸模型：

線性模型：y=ax+b非線性模型：y=alnx+b

式中：y為計算的植被指數(shù)；x為實測的LAI值；a和b分別為待求解的系數(shù)。

選取8種經(jīng)典的植被指數(shù)參與模型反演，如表2 所示，其中ρgreen、ρred、ρrededge、ρNIR所用波段分別為550、670、720、800 nm。

2.2 機器學(xué)習(xí)方法

采用比較常見的用于多元向量擬合的機器學(xué)習(xí)方法，將不同波段組合的光譜反射率作為特征值，投入回歸算法進(jìn)行訓(xùn)練。使用的方法有：貝葉斯嶺(Bayesian ridge, BR)[22]、隨機森林(Random forest, RF)[23]和梯度提升回歸(Gradient boosting regression, GBR)[24]這3種常見的機器學(xué)習(xí)算法。

貝葉斯嶺回歸(BR)的核心思想是貝葉斯估計，嶺回歸則是在貝葉斯線性回歸的損失函數(shù)中加入了一個范數(shù)的懲罰項。貝葉斯嶺回歸不僅可以解決極大似然估計找那個存在的過擬合問題，而且對樣本數(shù)據(jù)的利用率是100%，同時對于樣本中存在多重共線性的情況保持較好的穩(wěn)定性。

隨機森林(RF)是一種以決策樹為基分類器的集成學(xué)習(xí)算法。每棵子樹在訓(xùn)練時從原始的樣本中隨機進(jìn)行有放回的采樣，同時在構(gòu)建決策樹時從總的特征中隨機的選擇一部分特征用于訓(xùn)練。因此隨機森林中基分類器的多樣性不僅來自樣本的擾動，還來自特征的擾動，這就使得最終集成的泛化性能可以通過個體學(xué)習(xí)器之間的差異度的增加而進(jìn)一步提升。

梯度提升回歸(GBR)算法的思想借鑒于梯度提升法，基本原理是根據(jù)當(dāng)前模型損失函數(shù)的負(fù)梯度信息來訓(xùn)練新加入的弱分類器，然后將訓(xùn)練好的弱分類器以累加的形式結(jié)合到現(xiàn)有模型中。GBR算法不需要對數(shù)據(jù)進(jìn)行縮放就可以表現(xiàn)的很好，而且適用于二元特征與連續(xù)特征同時存在的數(shù)據(jù)集。

圖2 技術(shù)路線Fig.2 Technology roadmap

表2 植被指數(shù)計算公式Table 2 Formula of vegetation index

2.3 模型驗證及評價標(biāo)準(zhǔn)

本研究中，鄂州試驗區(qū)共有587個有效樣本，其中抽穗前有381個樣本，滿足正態(tài)分布；海南試驗區(qū)共有215個有效樣本，皆為水稻抽穗前數(shù)據(jù)，其中珞優(yōu)9348有107個樣本，豐兩優(yōu)4號有108個樣本，皆滿足正態(tài)分布。本研究使用K折交叉驗證對模型反演精確度進(jìn)行評估[25]，避免模型對樣本的偏重，直接估計泛化誤差。模型的精確度評價由決定系數(shù)(R2)和變異系數(shù)(CV)來表征。

3 結(jié)果與分析

3.1 鄂州試驗區(qū)建模精確度

K折交叉驗證選擇K=3，將鄂州試驗區(qū)的樣本分成3份，每份包含127個樣本點。選擇MTVI1、EVI2、OSAVI、MTCI、NDRE、CIgreen、NDVI和CIrededge這8種植被指數(shù)，分別用線性函數(shù)和非線性函數(shù)進(jìn)行回歸，結(jié)果見圖3。由圖3可知，除了CIgreen、CIrededge，MTCI這3 種指數(shù)，其他指數(shù)的線性模型精確度都要低于非線性模型。非線性模型精確度最高的植被指數(shù)為EVI2(R2=0.66，CV=29.83%)；線性模型精確度最高的植被指數(shù)為MTCI(R2=0.64，CV=30.96%)。而NDVI(R2=0.25)和CIgreen(R2=0.34)兩種植被指數(shù)，線性和非線性模型的R2都小于0.4，因此后續(xù)海南試驗區(qū)驗證模型精確度不使用這兩種指數(shù)。

從1到12個波段依次增加波段數(shù)量，并列出所有可能的波段組合，然后投入機器學(xué)習(xí)算法。該窮舉法是為了找到機器學(xué)習(xí)最佳的波段組合，判斷最佳波段組合的依據(jù)是CV達(dá)到最小，結(jié)果見圖4。從圖中可以看到，4種機器學(xué)習(xí)算法在波段數(shù)量為1～4 的時候精確度迅速提升，但再隨著波段數(shù)的增加，大約在波段數(shù)>5的時候精確度不再出現(xiàn)明顯提升，在波段數(shù)>9的時候，RF、GBR和BR算法的擬合精確度反而出現(xiàn)下降的情況。

將經(jīng)驗回歸模型中擬合精確度最好的EVI2非線性模型(CV=29.83%)以及MTCI線性模型(CV=30.96%)與其他機器學(xué)習(xí)算法一起進(jìn)行比較，在投入相同的波段數(shù)下，機器學(xué)習(xí)模型的精確度高于植被指數(shù)回歸模型，其中在投入2、3波段數(shù)時GBR模型精確度最優(yōu)，CV分別為28.46%和26.45%。

3.2 海南試驗區(qū)驗證精確度

將海南試驗區(qū)的數(shù)據(jù)輸入用鄂州數(shù)據(jù)集訓(xùn)練好的EVI2、MTCI、MTVI1、CIrededge、NDRE、OSAVI等6 種植被指數(shù)的線性與非線性回歸模型，以及最佳2波段、3波段組合的BR、GBR、RF這3種種機器學(xué)習(xí)模型。共計18個模型。為了消除不同波段量綱的影響，使用CV作為評價標(biāo)準(zhǔn)，結(jié)果見表3。表3比較了鄂州試驗區(qū)的建模精確度和海南試驗區(qū)的驗證精確度：首先，OSAVI的線性與非線性回歸模型在海南試驗區(qū)CV>1 000%，已經(jīng)完全不適用，一定程度上反映鄂州與海南兩地的土壤條件差異；其次，與線性模型與機器學(xué)習(xí)模型相比，非線性的植被指數(shù)模型的推廣性較差。除去MTVI1的非線性擬合模型推廣后依然較為穩(wěn)定(鄂州區(qū)CV=31.96%，海南區(qū)CV=30.73%)，其余非線性植被指數(shù)模型在推廣至海南試驗區(qū)后，CV升高且超過了40%。

x代表LAI，y1代表線性模型的回歸結(jié)果，y2代表非線性模型的回歸結(jié)果。 x represents LAI, y1 represents the regression result of linear model, and y2 represents the regression result of nonlinear model.圖3 8種植被指數(shù)線性與非線性模型模型Fig.3 Linear model and nonlinear model of 8 vegetation index

將海南試驗區(qū)的估計值與真實值進(jìn)行比較，結(jié)果見圖5。首先在試驗設(shè)計之初，測量日期2月12日—2月20日是水稻生長迅猛的時間，由于并未縮短測量間隔，因此造成了LAI 2～3的一段空缺，但這不影響模型的驗證。從圖5中可以發(fā)現(xiàn)： RF算法當(dāng)LAI較高時，易出現(xiàn)偏低估計，且精確度點分布較散。BR算法精確度點分布則出現(xiàn)了偏離的情況，在LAI較低時估計偏低，在LAI較高時則估計偏高。對于植被指數(shù)的線性擬合模型來說，基本上在LAI較低的情況下都會出現(xiàn)估計偏低的情況，對于植被指數(shù)的非線性擬合模型，在LAI較高的情況下估計分散，且估計普遍偏高。

圖4 不同模型隨波段數(shù)變化的CVFig.4 Coefficient of variations (CV) of different models under different number of bands

表3 不同模型鄂州建模集精確度與海南驗證集精確度的比較Table 3 Comparison of the accuracy of different models Ezhou modeling set and Hainan verification set %

圖5 不同模型估計值與真實值得比較Fig.5 Comparison of the estimated values and mesured values of different models

綜上可知：各模型推廣至海南試驗區(qū)后精確度最高的是GBR二波段模型，海南試驗區(qū)的CV為26.58%(鄂州試驗區(qū)CV為28.91%)；植被指數(shù)EVI2的線性模型次之，海南試驗區(qū)的CV為27.90%(鄂州試驗區(qū)CV為33.78%)。

3.3 模型應(yīng)用及評估

在區(qū)分4種施氮差異的基礎(chǔ)上，分別對2個品種驗證模型精確度，然后不區(qū)分品種綜合驗證模型精確度，顯示了EVI2線性經(jīng)驗?zāi)Ｐ秃虶BR二波段模型在2種水稻品種間的精確度差異，得到表4。由表4中可知：對于同一氮水平，使用EVI2線性模型在2個不同品種間的差異最大為5.95%(N16水平下)；在品種間差異較小，而GBR模型在N16水平下，不同品種間的差異達(dá)到12.69%(N16水平下)，品種間差異較大。因此，盡管GBR模型的整體精確度(CV=26.58%)比EVI2經(jīng)驗?zāi)Ｐ?CV=27.90%)高，但EVI2在品種間的差異更小，且單獨驗證不同品種的精確度與統(tǒng)一驗證所有品種間的差異不大，因此可以使用EVI2經(jīng)驗?zāi)Ｐ屯茝V至海南地區(qū)的水稻LAI反演。

表4 EVI2經(jīng)驗?zāi)Ｐ团cGBR二波段模型在海南試驗區(qū)品種差異系數(shù)Table 4 Coefficient of variation between EVI2 empirical model and GBR two band model in Hainan experimental area %

EVI2線性模型推廣至海南試驗區(qū)后各田塊葉面積指數(shù)的分布情況見圖8。隨著水稻的生長，各田塊LAI逐漸增大，2018-02-12—2018-02-20直觀脹現(xiàn)水稻從分蘗期到拔節(jié)期呈現(xiàn)迅猛生長的態(tài)勢。

圖6 2種水稻在4種氮水平下不同日期的LAI估計值比較Fig.6 Comparison of LAI estimates of two rice varieties at different dates under four nitrogen levels

圖6是9個不同時期、2個水稻品種(珞優(yōu)9348和豐兩優(yōu)4號)、4種施氮條件下LAI的均值比較。海南土壤肥沃，土質(zhì)本身含有豐富的氮元素，十分適宜水稻種植，在水稻分蘗期(2018-01-29—2018-02-12)，隨著氮肥量的增加，水稻葉面積指數(shù)反而出現(xiàn)下降的狀況；在水稻拔節(jié)期(2018-02-20—2018-03-25)，水稻葉片迅速生長，LAI迅速達(dá)到一個較高水平(LAI>8)；當(dāng)水稻進(jìn)入孕穗期(2018-03-25—2018-04-01)，葉鞘吸氮量降低，穗吸氮量將顯著提高，累積干物質(zhì)，此時LAI將會降低。另外，在同氮水平下，珞優(yōu)8348的LAI性狀預(yù)測表現(xiàn)明顯高于豐兩優(yōu)4號。該差異在水稻分蘗期十分明顯(2018-01-29—2018-02-12)，但隨著水稻生長，差異減小，在拔節(jié)期(2018-02-20—2018-03-25)兩者差異較小，而隨著進(jìn)入孕穗期(2018-04-01)，差異又迅速增大。N00、N08、N12和N16水平下，珞優(yōu)9348的LAI值分別比豐兩優(yōu)4號超出1.03、0.85、0.56和0.43。

圖7 EVI2線性模型反演海南試驗區(qū)水稻LAIFig.7 EVI2 linear model inversion of rice LAI in Hainan experimental area

4 討論與結(jié)論

4.1 討論

本研究使用無人機獲取的多光譜影像數(shù)據(jù)，通過植被指數(shù)的線性、非線性模型以及機器學(xué)習(xí)模型對水稻建立LAI反演模型，使用鄂州試驗區(qū)的數(shù)據(jù)建模后推廣至海南試驗區(qū)。

利用植被指數(shù)經(jīng)驗?zāi)Ｐ头囱軱AI時，非線性模型優(yōu)于線性模型，這是由于在水稻分蘗中后期，葉片覆蓋度增加越來越慢，導(dǎo)致冠層光譜在紅外波段的反射率增長愈加緩慢，因此LAI與植被指數(shù)之間呈現(xiàn)出非線性關(guān)系[21]。此外，NDVI與CIgreen的經(jīng)驗?zāi)Ｐ途_度較低，是由于水稻分蘗后期葉片迅速遮蓋田地，紅波段反射率迅速下降，而近紅外波段反射率遠(yuǎn)高于紅波段，造成NDVI迅速飽和；而在水稻拔節(jié)期，綠波段變化微小以及比值的構(gòu)造使得CIgreen的樣本點非常的分散。使用機器學(xué)習(xí)模型反演LAI，由于過多的波段數(shù)存在冗余信息，不僅會增加算法復(fù)雜度，且對提升模型精確度沒有幫助。

在水稻葉片迅速生長階段，葉鞘吸氮量占水稻各器官比例最高。不同品種水稻的葉鞘的吸氮能力不同，基本水平保持在80%以上[26]。當(dāng)LAI迅速達(dá)到一個較高水平(LAI>8)時，需要適量追加氮肥。本研究發(fā)現(xiàn)：以海南陵水試驗區(qū)的土質(zhì)為基礎(chǔ)，珞優(yōu)9348適宜添加的氮水平是N08，過量增加氮肥對水稻生長無明顯促進(jìn)；豐兩優(yōu)4號適宜添加的氮水平是N12，N16水平的過量氮肥則會使得水稻LAI下降。

珞優(yōu)9348屬于氮高效品種，對于氮素的吸收利用效率高，抽穗期積累了大量的氮素為灌漿期提供良好基礎(chǔ)，因此是高產(chǎn)品種。從珞優(yōu)9348的葉面積指數(shù)來看，全生育期的高LAI水平有助于水稻的光合作用，干物質(zhì)總量增加。但珞優(yōu)9348氮高效機理尚不清楚。

4.2 結(jié)論

GBR二波段模型(鄂州建模集CV=28.91%，海南驗證集CV=26.58%)與EVI的線性模型(鄂州建模集CV=33.78%，海南驗證集CV=27.90%)具有較好的推廣性；水稻種植施氮需要根據(jù)生長時期進(jìn)行調(diào)整，以海南為例，分蘗期、拔節(jié)期水稻生長可以依賴土壤中的氮元素，分蘗期、孕穗期則需要追加氮肥；同等氮水平下，珞優(yōu)9348是氮元素吸收利用更高效的品種。此外，水稻的葉面積指數(shù)雖然可以一定程度上反映出水稻的生長狀況，但并不能完全指示水稻產(chǎn)量狀況，例如有的水稻會出現(xiàn)徒長的情況，LAI很高但產(chǎn)量很低。因此，有必要進(jìn)一步探究無人機多光譜數(shù)據(jù)與產(chǎn)量的關(guān)系，從無人機原始數(shù)據(jù)到水稻的抽穗期、LAI預(yù)測、產(chǎn)量預(yù)測等形成一條完整便捷的產(chǎn)品鏈，更好地助益農(nóng)業(yè)生產(chǎn)。