蘭 銘，費帥鵬，禹小龍，李 雷，夏先春，肖永貴，孟亞雄

(1.甘肅農(nóng)業(yè)大學農(nóng)學院，甘肅蘭州 730070 ；2.中國農(nóng)業(yè)科學院作物科學研究所，北京 100081)

小麥是我國主要糧食作物之一，其產(chǎn)量的高效、無損、準確預測可為作物田間管理和農(nóng)業(yè)管理部門政策調(diào)控提供依據(jù)。利用小麥冠層光譜反射特征可有效實現(xiàn)產(chǎn)量估測[1]。無人機遙感平臺憑借其快速靈活的特點，能夠高通量獲取作物冠層生長信息，并對產(chǎn)量做出評估，在農(nóng)業(yè)監(jiān)測和作物產(chǎn)量估測應用方面受到廣泛關注[2-4]。

基于無人機平臺搭載的傳感器對作物葉面積指數(shù)、生物量、葉綠素、產(chǎn)量等性狀進行評估，表現(xiàn)出了較高的精度[5-7]。不同的傳感器獲取的數(shù)據(jù)信息存在差異，如多光譜成像設備波段一般在400～900 nm之間，主要包括藍光、綠光、紅光、紅邊和近紅外等，通過不同波長的光與植物細胞或組織之間的反射、吸收、透射等相互作用來定量估算作物表型參數(shù)[8]，可快速、準確地反映作物長勢信息以及作物對脅迫的反應等[9]。熱紅外成像設備波段范圍一般為7 500～13 500 nm，不受光照影響，較多用于作物冠層溫度測定，其獲取影像速度快、反應靈敏，已成為獲取作物冠層溫度的主要方式[10-11]。單一傳感器獲取的作物信息可能存在偏差，結合光譜與熱紅外數(shù)據(jù)構建評估模型相比使用單一數(shù)據(jù)能夠增加模型的整體估算性能，如在藜麥鹽脅迫潛力研究中，將無人機熱紅外和高光譜數(shù)據(jù)融合進行土壤鹽分預測，r2最高能達到0.64，模型預測精度顯著高于單一光譜相機數(shù)據(jù)模型[12]。對大豆的葉綠素a含量進行預測評估，將熱紅外、多光譜和RGB傳感器數(shù)據(jù)融合構建的模型RMSE優(yōu)于兩種數(shù)據(jù)融合的模型[13]。

隨著無人機遙感技術在農(nóng)業(yè)應用領域的迅速發(fā)展，提高作物性狀估測準確率成為研究的重點。近年來，利用遙感數(shù)據(jù)作為機器學習算法輸入特征，在建立作物性狀評估模型時表現(xiàn)出較高的預測精度和魯棒性。機器學習算法可以準確地分析光譜數(shù)據(jù)和識別作物生長信息，在生理參數(shù)估算與作物長勢監(jiān)測方面應用較多[14]。近年來，機器學習算法被廣泛應用于構建作物性狀的遙感估測模型。其中支持向量機(support vector machine,SVM)是一種用于分類及回歸時具有優(yōu)異模型性能的算法，解析小樣本數(shù)據(jù)時合適而有效，近年來被用于多個遙感領域，在冬小麥、玉米、水稻等作物表型參數(shù)評估領域得到廣泛應用[15-17]。在對小麥白粉病遙感研究中，用SVM算法構建的診斷模型精準度可達93.33%[18]。在小麥種子品質(zhì)預測研究中，利用SVM算法構建的模型精度達到 95.5%[19]。本研究利用冬小麥不同灌溉處理下，拔節(jié)期、挑旗期、抽穗期與灌漿期的多光譜和熱紅外動態(tài)數(shù)據(jù)，構造了多個光譜指數(shù)，以SVM 構建冬小麥產(chǎn)量估測模型，判斷多光譜數(shù)據(jù)與熱紅外數(shù)據(jù)在冬小麥產(chǎn)量估測的效果，以期為無人機遙感平臺在農(nóng)業(yè)生產(chǎn)管理中的應用提供參考。

1 材料與方法

1.1 試驗設計

選用黃淮麥區(qū)南片和北片主栽品種30份，于2019-2020冬小麥生長季種植于中國農(nóng)業(yè)科學院新鄉(xiāng)試驗基地(113.8°E,35.2°N)。河南新鄉(xiāng)冬小麥全生育期灌溉量一般為170～200 mm[20]。本試驗共設置三種灌溉處理(表1)，灌溉量分別為240 mm(處理1)、190 mm(處理2)和145 mm(處理3)。每種灌溉設置兩個重復，每份材料以小區(qū)種植，每個小區(qū)面積為11.2 m2(8 m×1.4 m)。為保證小區(qū)產(chǎn)量的可靠性，出苗后對缺苗斷壟處移栽補苗，確保苗全苗勻。肥料管理按照當?shù)刎S產(chǎn)田標準進行(復合肥作為底肥使用，在返青期和抽穗期追肥施用尿素)，并防治病蟲害及雜草。小麥成熟后收獲各小區(qū)并測定產(chǎn)量。

表1 不同灌溉條件的灌溉量

1.2 數(shù)據(jù)獲取

使用大疆公司生產(chǎn)的DJI M210無人機搭載多光譜相機rededge MX和熱紅外相機ZENMUSE XT2(表2)，選擇晴朗無云、光照條件較好時(北京時間11:00至14:00)，于2020年冬小麥拔節(jié)期(4月14日)、挑旗期(4月23日)、抽穗期(4月30日)、灌漿期(5月10日)執(zhí)行飛行任務。對獲取的多光譜和熱紅外數(shù)據(jù)進行預處理，預處理主要包括利用Pix4D軟件進行影像拼接、輻射定標，用QGIS軟件提取每個小區(qū)的冠層光譜反射率和冠層溫度。冬小麥成熟后，使用小區(qū)聯(lián)合收割機(Wintersteiger Classic) 進行收獲，晾曬后籽粒含水量約為12.5% 時稱重。

表2 熱紅外和多光譜相機的主要參數(shù)

1.3 光譜指數(shù)

光譜指數(shù)是由不同波段的反射率以代數(shù)形式組合成的一種參數(shù)，可降低條件背景對光譜數(shù)據(jù)的干擾，比單波段具有更高的靈敏性[21]。本研究選用的光譜指數(shù)包括改良三角植被指數(shù)(modified triangular vegetation index 2，MTVI2)、重歸一化植被指數(shù)(re-normalized vegetation index，RDVI)、差值植被指數(shù)(difference vegetation index，DVI)、歸一化植被指數(shù)(normalized difference vegetation index，NDVI)、作物干旱指數(shù)(crop water stress index，CWSI)和非線性指數(shù)(non-linear index，NLI)，降低土壤背景對光譜影像的光譜指數(shù)包括優(yōu)化土壤調(diào)節(jié)植被指數(shù)(optimizing soil regulation vegetation index，OSAVI)、增強型植被指數(shù)(enhanced vegetation index，EVI)、土壤調(diào)整植被指數(shù)(soil adjustment vegetation index，SAVI)，還包括轉(zhuǎn)化葉綠素吸收反射指數(shù)(transformed chlorophyll absorption in reflectance index，TCARI)(表3)。其中CWSI由熱紅外數(shù)據(jù)計算得到，其他9個植被指數(shù)均由多光譜數(shù)據(jù)計算得到。

表3 光譜指數(shù)及計算公式

1.4 數(shù)據(jù)統(tǒng)計分析與模型精度評價

用R語言計算光譜指數(shù)與產(chǎn)量相關性，基于支持向量機(SVM)算法建立產(chǎn)量預測模型，并進行共線性分析。用方差膨脹因子(variance inflation factor，VIF)判斷多重共線性，若VIF大于10，則數(shù)據(jù)之間具有多重共線性[27]。

(1)

(1)式中r2為決定系數(shù)。

通過SAS 4.2進行方差分析。使用10折交叉驗證方法進行精度驗證。首先，將數(shù)據(jù)隨機平均的劃分為10組，其中9組用作模型訓練，1組用于驗證，此過程重復10次，相當于用同一個模型對一個數(shù)據(jù)集進行不同的測試，但每個訓練的數(shù)據(jù)集又不全一樣，從而擴充數(shù)據(jù)集以增加模型的泛化能力。用10次驗證結果的r2和RMSE的平均值作為精度評價指標。

(2)

(3)

2 結果與分析

2.1 灌水對小麥產(chǎn)量的影響

三種水分處理下冬小麥產(chǎn)量分布不同(圖1)。在處理1下，85%小區(qū)的產(chǎn)量超過6 t·hm-2，且多分布在7～8 t·hm-2范圍；在處理2下，83.34%小區(qū)產(chǎn)量分布在5～8 t·hm-2范圍，且多分布在6～7 t·hm-2范圍；在處理3下，86.67%小區(qū)產(chǎn)量分布在6 t·hm-2之下，且多分布在4～5 t·hm-2范圍。由此可見小麥產(chǎn)量受灌水影響較大。

柱形上方的數(shù)字為小麥產(chǎn)量在區(qū)間內(nèi)的小區(qū)個數(shù)。

2.2 光譜指數(shù)方差分析

方差分析(表4)表明，在冬小麥四個生育時期，各光譜指數(shù)的環(huán)境效應均達到0.001顯著水平，只有CWSI的基因型效應及基因型×環(huán)境互作效應在拔節(jié)期分別達到0.05和0.01顯著水平，說明本研究所選的冬小麥光譜指數(shù)主要受灌水的影響，受遺傳及遺傳與環(huán)境的影響微弱。

表4 四個生育時期光譜指數(shù)的方差分析(F值)

2.3 產(chǎn)量與植被指數(shù)相關性

相關性分析(表5)表明，在處理1下，拔節(jié)期MTVI2、TCARI和NLI與小麥產(chǎn)量均顯著相關；挑旗期NDVI、NLI和TCARI與籽粒產(chǎn)量均顯著相關；抽穗期MTVI2、OSAVI、TCARI、NDVI和NLI與產(chǎn)量均顯著相關；灌漿期TCARI與產(chǎn)量呈顯著負相關。在處理2下，拔節(jié)期、挑旗期、抽穗期、灌漿期NDVI、OSAVI、RDVI、NLI和SAVI與產(chǎn)量均顯著相關，并且相關性系數(shù)絕對值均超過0.50。在處理3下，挑旗期OSAVI、RDVI和SAVI與產(chǎn)量均呈顯著負相關；抽穗期和灌漿期除TCARI和SAVI以外其余植被指數(shù)均與產(chǎn)量顯著相關，且OSAVI、RDVI與產(chǎn)量相關性均較高，相關關系分別為-0.71和-0.70。光譜指數(shù)NDVI、OSAVI、RDVI和NLI在不同處理下和生育期內(nèi)都與產(chǎn)量具有相關性，其中抽穗期相關系數(shù)高于0.5。這說明光譜指數(shù)與冬小麥產(chǎn)量密切相關，可以用于小麥產(chǎn)量預測分析。

表5 三個不同水處理下植被指數(shù)與小麥產(chǎn)量的相關性

2.4 光譜指數(shù)的共線性

經(jīng)共線性分析，在小麥拔節(jié)期、挑旗期和抽穗期，光譜指數(shù)SAVI的方差膨脹因子(VIF)均最大(表6)，在灌漿期，光譜指數(shù)RDVI的VIF最大，而四個生育時期CWSI的VIF均最小?？傮w來看，光譜指數(shù)DVI、EVI、MTVI2、NDVI、OSAVI、RDVI、SAVI和TVI的VIF均大于10，存在嚴重多重共線性，光譜指數(shù)CWSI在四個生育時期的VIF均小于10且在各個生育時期均最低，不存在多重共線性。

表6 光譜指數(shù)在四個時期的方差膨脹因子(VIF)

2.5 模型精度比較

2.5.1 基于多光譜數(shù)據(jù)的冬小麥估產(chǎn)模型精度

基于利用多光譜數(shù)據(jù)得到的9個光譜指數(shù)，用SVM算法分別構建三種處理下四個生育時期冬小麥產(chǎn)量估測模型，并利用獨立數(shù)據(jù)對其精度進行驗證(表7和圖2)。從表7可以看出，在同一生育時期，處理2下模型擬合效果均最好，r2和RMSE分別為0.40～0.61和0.28～0.60 t·hm-2；處理3擬合效果均最差，r2和RMSE分別為0.29～0.54和0.35～0.70 t·hm-2。在同一處理下，拔節(jié)期的擬合效果均最差，r2和RMSE分別為0.29～0.36和0.60～0.70 t·hm-2；灌漿期擬合效果最好，r2和RMSE分別為0.54～0.61和0.28～0.60 t·hm-2。經(jīng)驗證，模型預測精度在不同處理和時期的變化規(guī)律與建模精度一致，但預測精度低于建模精度。

表7 多光譜數(shù)據(jù)的冬小麥產(chǎn)量預測模型比較

2.5.2 基于多光譜和熱紅外的冬小麥估產(chǎn)模型精度

利用多光譜數(shù)據(jù)和熱紅外數(shù)據(jù)共同構建冬小麥產(chǎn)量估測模型，并對其精度進行驗證(表8)。在同一時期，處理2的模型擬合精度和預測精度總體表現(xiàn)均最好。在同一處理下，模型的擬合精度和預測精度均隨生育時期的推后而提高。與基于多光譜數(shù)據(jù)的模型相比，加入熱紅外數(shù)據(jù)后，模型擬合和預測精度在各時期均不同程度地提高，且模型擬合精度與預測精度的差值也縮小，說明模型精度和穩(wěn)定性均得到改善，其中模型在處理2下表現(xiàn)最好。

表8 融合多光譜和熱紅外數(shù)據(jù)的冬小麥產(chǎn)量預測模型比較

3 討 論

在冬小麥的生長發(fā)育過程中，拔節(jié)期灌溉量的多少決定作物的穗數(shù)和粒數(shù)。在240 mm水分灌溉條件(處理1)下，拔節(jié)期光譜指數(shù)不能完全反映產(chǎn)量形成過程中器官干物質(zhì)的積累特點[29]，導致這個時期光譜指數(shù)與產(chǎn)量相關性較低。抽穗期和灌漿期是將光合作用產(chǎn)生的淀粉和蛋白質(zhì)等有機物從營養(yǎng)器官轉(zhuǎn)移到籽粒中的主要階段，光譜指數(shù)可反映最終籽粒產(chǎn)量情況，與產(chǎn)量的相關性較高[30]，且模型的預測精度較準確。同時，作物植被指數(shù)受環(huán)境條件影響，特別是水分處理影響。所以處理1的冬小麥產(chǎn)量高于處理2和處理3。然而，水分匱缺或過度灌溉容易造成作物產(chǎn)量出現(xiàn)較大變化，使產(chǎn)量估測模型受到影響。本試驗中，處理2和處理3的r2較為接近，但處理3的RMSE較大，表明其預測值與測量的產(chǎn)量真實值之間偏差較大，因此處理2下模型的精度比處理1和處理3高。

多光譜傳感器僅有6個固定波段，不同光譜指數(shù)間存在一定的共線性，所以本試驗中光譜指數(shù)SAVI、RDVI、DVI、NDVI、NLI的VIF均大于10，呈現(xiàn)多重共線性。但是，只要產(chǎn)量預測模型擬合程度好，預測結果就將不受多重共線性問題的影響[31]。光譜指數(shù)CWSI在各個生育時期的VIF均小于10，共線性較低，表明CWSI與其他9個光譜數(shù)據(jù)之間信息重疊度較低，且CWSI還能夠反映作物生長期內(nèi)的水分狀況變化。光譜指數(shù)由不同波段的光譜反射率構造而成，能夠降低土壤背景及光照變化對光譜數(shù)據(jù)精度的影響，從而更好地反映作物生長狀況。而不同植被指數(shù)可反映出作物不同的生物特性，例如NDVI主要用于估算植被變化[10]，SAVI間接反映作物的冠層溫度，可減少土壤背景對冠層反射率的影響[32]，TCARI對葉綠素含量變化具有較強的敏感性[22]，CWSI可反映作物冠層的水分狀況[26]等，使用多個植被指數(shù)構建產(chǎn)量預測模型時作物信息數(shù)據(jù)較為豐富，同時還可減少干擾數(shù)據(jù)在構建模型時的比重，故能夠獲得較高的產(chǎn)量預測精度。

熱紅外數(shù)據(jù)與作物的冠層溫度關系密切，反映作物冠層的能量平衡狀況和作物與大氣之間的能量交換，這與作物冠層能量的吸收和釋放有關[32-33]。溫度升高影響植物的蒸騰和光合作用等生理過程，充足的供水會加強葉片的蒸騰速率，降低葉片冠層溫度，而水分脅迫降低了葉片蒸騰速率，使得葉片冠層溫度升高[32]，與作物產(chǎn)量有間接的關系。冠層溫度數(shù)據(jù)與多光譜數(shù)據(jù)具有異質(zhì)性，將二者結合后可形成信息互補，有利于提高小麥產(chǎn)量預測模型的精度。

4 結 論

三種灌溉條件下構建的模型相互比較，240 mm和190 mm灌溉條件下加入熱紅外數(shù)據(jù)構建的產(chǎn)量估測模型的r2相近，但240 mm灌溉條件下構建的模型RMSE偏大。190 mm灌溉條件下利用多光譜數(shù)據(jù)和熱紅外數(shù)據(jù)共同構建的模型更為穩(wěn)定，更適合估測冬小麥產(chǎn)量。利用熱紅外數(shù)據(jù)和多光譜數(shù)據(jù)在灌漿期共同構建的模型精度較高，更適合用于冬小麥的產(chǎn)量估算。