田婷 張青 張海東 何其全 季方芳 朱琳

（蘇州市農(nóng)業(yè)科學(xué)院/江蘇太湖地區(qū)農(nóng)業(yè)科學(xué)研究所，江蘇 蘇州 215155；第一作者：491016158@qq.com）

水稻是我國(guó)重要的糧食作物，其長(zhǎng)勢(shì)的快速無(wú)損監(jiān)測(cè)和產(chǎn)量及時(shí)準(zhǔn)確預(yù)報(bào)具有重要價(jià)值，可為糧食供需平衡、農(nóng)業(yè)經(jīng)營(yíng)管理、農(nóng)業(yè)政策制定等提供有效支撐。傳統(tǒng)的估產(chǎn)采用人工調(diào)查，耗時(shí)長(zhǎng)、速度慢、成本高，無(wú)法快速及時(shí)的獲取作物長(zhǎng)勢(shì)信息和產(chǎn)量；衛(wèi)星遙感技術(shù)又存在重訪(fǎng)周期長(zhǎng)、天氣條件限制等問(wèn)題。而近兩年，隨著無(wú)人機(jī)行業(yè)的快速發(fā)展，無(wú)人機(jī)作為一種低成本的遙感平臺(tái)很好的彌補(bǔ)了衛(wèi)星遙感的不足。無(wú)人機(jī)遙感具有時(shí)效高、空間分辨率高、機(jī)動(dòng)靈活、可以按需獲取等優(yōu)點(diǎn)，已迅速發(fā)展成為作物長(zhǎng)勢(shì)監(jiān)測(cè)的重要手段。

基于植被指數(shù)的作物長(zhǎng)勢(shì)監(jiān)測(cè)，已廣泛應(yīng)用于遙感領(lǐng)域。作物所有重要的植被信息可以由不同的波段組合而成，利用綠色植物對(duì)不同波段的吸收率和反射率的光譜特性計(jì)算得到的指數(shù)稱(chēng)為植被指數(shù)。裴信彪等[1]利用無(wú)人機(jī)搭載光譜儀對(duì)水稻關(guān)鍵生育期進(jìn)行監(jiān)測(cè)，結(jié)果顯示比值植被指數(shù)RVI和歸一化植被指數(shù)NDVI 都可以反映葉綠素含量。隋麗娜等[2]利用孕穗期與乳熟期的差值植被指數(shù)對(duì)水稻單產(chǎn)進(jìn)行預(yù)測(cè)，模型精度較高。許童羽等[3]利用無(wú)人機(jī)遙感技術(shù)采集粳稻生長(zhǎng)全過(guò)程的冠層NDVI 數(shù)據(jù)，對(duì)單天和各旬、各月冠層NDVI與產(chǎn)量進(jìn)行相關(guān)性分析，結(jié)果表明，6月中旬和8月上旬的組合模型是估產(chǎn)最理想的模型。劉珊珊等[4]利用MODIS 數(shù)據(jù)，提出一種基于時(shí)間序列的NDVI 的水稻估產(chǎn)模型，預(yù)測(cè)產(chǎn)量精度較高。本研究以蘇州地區(qū)的水稻田為研究對(duì)象，基于無(wú)人機(jī)遙感平臺(tái)，嘗試篩選最優(yōu)植被指數(shù)和最佳的無(wú)人機(jī)遙感作業(yè)時(shí)期，建立適宜于蘇州及太湖流域的水稻估產(chǎn)模型，從而為蘇州農(nóng)業(yè)園區(qū)尺度規(guī)模化水稻長(zhǎng)勢(shì)與產(chǎn)量快速評(píng)估提供技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于蘇州市吳中區(qū)臨湖鎮(zhèn)湖橋村，該區(qū)域?qū)儆诒眮啛釒駶?rùn)性季風(fēng)氣候類(lèi)型，四季分明、溫暖濕潤(rùn)、日照充足、降水豐沛，適合水稻的生長(zhǎng)。無(wú)人機(jī)作業(yè)區(qū)域及采樣點(diǎn)分布如圖1 所示，位于蘇州湖嘉水稻生產(chǎn)基地試驗(yàn)區(qū)內(nèi)，水稻品種為蘇香粳100，田間管理參照當(dāng)?shù)匾话闵a(chǎn)田進(jìn)行。試驗(yàn)區(qū)內(nèi)地面平整均勻度不一致，前期測(cè)定的土壤養(yǎng)分存在差別，加上播種方式存在差異，導(dǎo)致作物長(zhǎng)勢(shì)和產(chǎn)量存在較大差異，具有良好的梯度，適合進(jìn)行本研究。

1.2 數(shù)據(jù)獲取

本試驗(yàn)采用大疆多旋翼飛行平臺(tái)M100，搭載的傳感器為parrot Sequoia 多光譜相機(jī)，共有4個(gè)120 w 像素窄帶和同步化單色傳感器，可采集波段數(shù)據(jù)有綠（550 nm）、紅（660 nm）、紅邊（735 nm）、近紅外（790 nm）。利用大疆地面站DJI GS PRO 航線(xiàn)飛行，設(shè)置航向重疊率為90%，旁向重疊率為80%，飛行高度為120 m，地面分辨率為0.14 m。

無(wú)人機(jī)數(shù)據(jù)采集于2018年水稻生長(zhǎng)季，采集日期為7月5日、7月29日、8月24日、9月21日和10月10日，分別為水稻生長(zhǎng)的分蘗初期、拔節(jié)期、抽穗期、乳熟期、成熟期。作業(yè)當(dāng)天晴朗無(wú)云，數(shù)據(jù)采集時(shí)間集中在10∶00—12∶00。每次飛行前，都需要采集白板數(shù)據(jù)，用于后期的輻射校正。試驗(yàn)區(qū)內(nèi)隨機(jī)設(shè)置27個(gè)地面采樣點(diǎn)，其中18個(gè)用于建模，9個(gè)用于驗(yàn)證（圖1）。采樣面積為1 m×1 m，地面采樣點(diǎn)對(duì)應(yīng)無(wú)人機(jī)GPS 定位，用于后期提取數(shù)據(jù)。利用Pix4DMapper 對(duì)無(wú)人機(jī)數(shù)據(jù)進(jìn)行輻射校正、圖像拼接等，得到四波段正射反射率圖。利用Arcgis 10.2 進(jìn)行植被指數(shù)計(jì)算，提取觀測(cè)點(diǎn)對(duì)應(yīng)的植被指數(shù)數(shù)值。10月11日對(duì)27個(gè)樣方收割測(cè)產(chǎn)。

圖1 研究區(qū)采樣點(diǎn)分布

1.3 研究方法

1.3.1 植被指數(shù)

為了篩選出適合水稻估產(chǎn)的植被指數(shù)，本研究根據(jù)多光譜相機(jī)的波段，選擇了以下8 種常用的植被指數(shù)，計(jì)算公式如表1。

表1 本文采用的植被指數(shù)

1.3.2 水稻估產(chǎn)模型建立和檢驗(yàn)

利用SPSS 19.0，對(duì)水稻5個(gè)生育期的植被指數(shù)數(shù)據(jù)與產(chǎn)量進(jìn)行相關(guān)性分析，選出相關(guān)性最好的關(guān)鍵生育期的植被指數(shù)與產(chǎn)量進(jìn)行一元線(xiàn)性及多元線(xiàn)性回歸分析，構(gòu)建關(guān)鍵生育期的8 種植被指數(shù)與水稻產(chǎn)量的擬合關(guān)系。用判定系數(shù)和均方根誤差對(duì)模型擬合度進(jìn)行初步的精度評(píng)價(jià)；最后利用驗(yàn)證樣本對(duì)所構(gòu)建的產(chǎn)量估算模型進(jìn)行精度驗(yàn)證和評(píng)價(jià)，從而確定最佳估產(chǎn)時(shí)間，篩選出最佳估產(chǎn)模型。

2 結(jié)果與分析

2.1 水稻產(chǎn)量和主要生育期植被指數(shù)統(tǒng)計(jì)特征

研究區(qū)水稻產(chǎn)量的頻數(shù)分布圖見(jiàn)圖2。水稻實(shí)測(cè)產(chǎn)量數(shù)據(jù)顯示，不同取樣點(diǎn)產(chǎn)量的空間異質(zhì)性顯著，其中最低產(chǎn)量為4 902.45 kg/hm2，最高產(chǎn)量為8 004.00 kg/hm2，圖中曲線(xiàn)表示水稻產(chǎn)量數(shù)據(jù)的分布符合正態(tài)分布，樣本數(shù)據(jù)呈現(xiàn)出不同梯度，具有較好的代表性。

圖2 水稻產(chǎn)量頻數(shù)分布

對(duì)5個(gè)生育期8 種植被指數(shù)按時(shí)間序列進(jìn)行統(tǒng)計(jì)特征分析。由圖3可知，所有植被指數(shù)的均值從水稻分蘗期到成熟期都是一個(gè)先增大再減小的過(guò)程。其中NDVI、RVI、DVI、SAVI、OSAVI、EVI2、MSAVI2 都 是 從分蘗期到抽穗期逐漸增大在抽穗期達(dá)到最高，抽穗期后的乳熟期和成熟期都呈現(xiàn)顯著減小趨勢(shì)并且減小幅度較大。GNDVI 從分蘗期到拔節(jié)期顯著增加，在拔節(jié)期達(dá)到最高，隨后開(kāi)始減小。

圖3 水稻不同生育期植被指數(shù)統(tǒng)計(jì)特征

表2 不同生育期植被指數(shù)與產(chǎn)量的相關(guān)性分析

2.2 生長(zhǎng)關(guān)鍵期冠層植被指數(shù)與產(chǎn)量的相關(guān)性分析

對(duì)水稻各生育期植被指數(shù)與產(chǎn)量進(jìn)行相關(guān)性分析，植被指數(shù)與產(chǎn)量間皮爾森相關(guān)系數(shù)較高的時(shí)段為抽穗期、乳熟期和成熟期，說(shuō)明在生長(zhǎng)后期對(duì)水稻估產(chǎn)效果較好。在水稻抽穗期，植被指數(shù)RVI與產(chǎn)量的相關(guān)系數(shù)最高，達(dá)到了0.842。在水稻乳熟期，各植被指數(shù)與產(chǎn)量的相關(guān)系數(shù)也都比較高，在0.7 以上。

2.3 水稻主要生育期產(chǎn)量遙感模型構(gòu)建

將抽穗期、乳熟期、成熟期8 種植被指數(shù)與水稻產(chǎn)量進(jìn)行線(xiàn)性回歸以及多元線(xiàn)性回歸分析。由表3可知，水稻抽穗期的產(chǎn)量預(yù)測(cè)模型，基于NDVI、RVI、DVI、GNDVI、MSAVI2 指數(shù)的多元線(xiàn)性擬合模型具有最高的決定系數(shù)和較低的均方根誤差（R2=0.754，RMSE=444.142），基于RVI 單一植被指數(shù)的一元線(xiàn)性擬合模型具有較高的決定系數(shù)和最低的均方根誤差（R2=0.741，RMSE=394.446），這兩個(gè)預(yù)測(cè)模型在水稻抽穗期表現(xiàn)較優(yōu)。水稻乳熟期產(chǎn)量預(yù)測(cè)模型，基于NDVI、RVI、GNDVI、MSAVI2 指數(shù)的多元線(xiàn)性擬合模型具有最高的決定系數(shù)和較低的均方根誤差（R2=0.726，RMSE=450.512），基于NDVI 單一植被指數(shù)的一元線(xiàn)性擬合模型具有較高的決定系數(shù)和最低的均方根誤差（R2=0.697，RMSE=426.353），這兩個(gè)預(yù)測(cè)模型在水稻乳熟期表現(xiàn)較優(yōu)。水稻成熟期產(chǎn)量預(yù)測(cè)模型，基于NDVI、RVI、GNDVI、MSAVI2 指數(shù)的多元線(xiàn)性擬合模型具有最高的決定系數(shù)和較低的均方根誤差（R2=0.674，RMSE=491.272），基于DVI 單一植被指數(shù)的一元線(xiàn)性擬合模型具有較高的決定系數(shù)和最低的均方根誤差（R2=0. 624，RMSE=475.535），這兩個(gè)預(yù)測(cè)模型在水稻乳熟期表現(xiàn)較優(yōu)。

表3 水稻產(chǎn)量與各生育期植被指數(shù)擬合模型

2.4 產(chǎn)量估算模型驗(yàn)證

選取9個(gè)驗(yàn)證樣本，對(duì)水稻抽穗期、乳熟期、成熟期的6個(gè)產(chǎn)量較優(yōu)擬合模型進(jìn)行驗(yàn)證。將各個(gè)時(shí)期的多元線(xiàn)性模型和一元線(xiàn)性模型進(jìn)行對(duì)比，發(fā)現(xiàn)基于多個(gè)植被指數(shù)的多元線(xiàn)性估產(chǎn)模型的R2比一元線(xiàn)性估產(chǎn)模型高，且RMSE 更低。抽穗期的預(yù)測(cè)精度最高，驗(yàn)證樣本的R2均達(dá)到了0.7 以上，成熟期的預(yù)測(cè)精度相對(duì)較低。綜上，估產(chǎn)模型R2最高達(dá)0.738，RMSE 最低為400.537，其對(duì)應(yīng)的估產(chǎn)模型為抽穗期的多元線(xiàn)性模型，該模型為產(chǎn)量y=12305.170×NDVI+129.675×RVI-637.056×DVI+2613.405×GNDVI-2100.527×MSAVI2-7303.814。

圖4 基于水稻不同生育期植被指數(shù)的產(chǎn)量估測(cè)值和實(shí)際值關(guān)系圖

3 討論

本文選取水稻生長(zhǎng)的5個(gè)關(guān)鍵時(shí)期進(jìn)行研究分析。水稻生長(zhǎng)前期，由于作物的覆蓋率小，土壤、雜草等信息干擾較大，該時(shí)期不適合水稻估產(chǎn)。在水稻生長(zhǎng)中后期，從抽穗期到成熟期，作物由營(yíng)養(yǎng)生長(zhǎng)向生殖生長(zhǎng)過(guò)度，作物群體狀況已趨于穩(wěn)定，該階段估產(chǎn)效果較好。水稻抽穗期是產(chǎn)量形成的關(guān)鍵期，利用該時(shí)期的光譜信息進(jìn)行估產(chǎn)效果最好。

基于植被指數(shù)對(duì)作物產(chǎn)量進(jìn)行反演，是一種常見(jiàn)的監(jiān)測(cè)手段。其中歸一化植被指數(shù)NDVI 使用最為廣泛，很多研究認(rèn)為，NDVI與產(chǎn)量相關(guān)，進(jìn)行產(chǎn)量估測(cè)最普遍的方式是在NDVI與作物產(chǎn)量之間建立經(jīng)驗(yàn)?zāi)Ｐ?，該方法操作?jiǎn)單，便于推廣[13-15]。在植被覆蓋度較低時(shí)，NDVI可以較為準(zhǔn)確的估測(cè)作物長(zhǎng)勢(shì)和生物量，當(dāng)覆蓋度較高時(shí)，準(zhǔn)確度會(huì)下降。因此，本研究選取了8種常用的植被指數(shù)對(duì)水稻產(chǎn)量進(jìn)行估測(cè)，研究結(jié)果表明，不同生育期不同植被指數(shù)估產(chǎn)效果有所差異，就單一植被指數(shù)的一元線(xiàn)性擬合模型而言，抽穗期基于RVI 的擬合模型較優(yōu)，乳熟期基于NDVI 的擬合模型較優(yōu)，成熟期基于DVI 的擬合模型較優(yōu)。

本研究基于關(guān)鍵生育期多種植被指數(shù)估測(cè)水稻產(chǎn)量，結(jié)果表明，基于多個(gè)植被指數(shù)的多元線(xiàn)性模型比單一植被指數(shù)的一元線(xiàn)性模型的效果好，這與劉莉等的研究結(jié)果一致[16-17]。原因可能是單一植被指數(shù)建立的線(xiàn)性模型在面對(duì)作物覆蓋不均勻的區(qū)域時(shí)，其精度和靈敏度降低，不能全面準(zhǔn)確的反應(yīng)產(chǎn)量信息，而多元線(xiàn)性回歸模型將多個(gè)植被指數(shù)相結(jié)合，在一定程度上提高了產(chǎn)量估算的精度[16]。

4 結(jié)論

本研究基于無(wú)人機(jī)不同生育期多光譜數(shù)據(jù)對(duì)水稻產(chǎn)量進(jìn)行估測(cè)，結(jié)論如下：就生育期而言，表現(xiàn)最好的是 抽 穗 期，基 于 植 被 指 數(shù)NDVI、RVI、DVI、GNDVI、MSAVI2 的多元線(xiàn)性模型R2=0.741、RMSE=444.142，驗(yàn)證精度最佳。研究結(jié)果表明，利用無(wú)人機(jī)搭載多光譜相機(jī)可以快速無(wú)損的獲取水稻冠層光譜信息，對(duì)水稻產(chǎn)量進(jìn)行估測(cè)具有可行性，對(duì)于農(nóng)場(chǎng)尺度農(nóng)田信息管理和精準(zhǔn)農(nóng)業(yè)實(shí)施等方面具有顯著的推動(dòng)意義。后續(xù)研究可以利用無(wú)人機(jī)搭載高光譜儀進(jìn)行水稻長(zhǎng)勢(shì)監(jiān)測(cè)，對(duì)比不同傳感器的估產(chǎn)性能，進(jìn)一步提高估產(chǎn)精度。在不同環(huán)境條件下試驗(yàn)不同的水稻品種，建立更為普適的估產(chǎn)模型。