盧闖，胡海棠，覃苑，2，淮賀舉，李存軍*

（1.北京市農(nóng)林科學(xué)院信息技術(shù)研究中心，北京 100097；2.遼寧科技大學(xué)，遼寧鞍山 114051）

我國(guó)東北平原是世界四大黑土區(qū)之一，發(fā)揮著“糧食穩(wěn)壓器”的重要作用。近幾十年來，隨著機(jī)械化的發(fā)展和耕地資源的開墾利用，該地區(qū)農(nóng)業(yè)生產(chǎn)逐步實(shí)現(xiàn)了集約化，但農(nóng)田管理愈發(fā)單一，廣袤的農(nóng)田往往采取相同的管理措施，而實(shí)際上土壤在空間上具有很大的變異性，黑土區(qū)“漫川漫崗”的地形特點(diǎn)進(jìn)一步增大了土壤的空間變異程度，很大程度限制土地的產(chǎn)出率和投入農(nóng)資的高效利用[1-2]。因此，提高農(nóng)田管理的針對(duì)性是當(dāng)?shù)剞r(nóng)業(yè)可持續(xù)發(fā)展的重要內(nèi)容。

農(nóng)田管理分區(qū)是根據(jù)各種因素的相似性和差異性，將地塊劃分成不同的子區(qū)域來指導(dǎo)變量管理，可顯著提高農(nóng)田利用潛力。在分區(qū)數(shù)據(jù)源方面，基于土壤養(yǎng)分測(cè)試數(shù)據(jù)的分區(qū)方法準(zhǔn)確度較高，但大尺度農(nóng)田的密集采樣工作繁瑣，采集效率低下且分析費(fèi)用高昂[3-4]。植被指數(shù)能夠表征作物生長(zhǎng)信息，有學(xué)者利用較易獲取的高空遙感影像進(jìn)行作物長(zhǎng)勢(shì)監(jiān)測(cè)和分區(qū)，張澤等[5]根據(jù)Landsat-5 TM歸一化植被指數(shù)劃分棉田管理區(qū)，分區(qū)結(jié)果與產(chǎn)量的符合度為75.47%；Breunig等[6]基于PlanetScope影像對(duì)黑麥等作物田進(jìn)行分區(qū)，分區(qū)間地上生物量和作物產(chǎn)量差異顯著；Amanda等[7]利用2期大豆植被指數(shù)將地塊分為2個(gè)管理區(qū)，分區(qū)間土壤有效磷、黏土和粉土含量存在顯著差異。以上研究均證實(shí)了使用遙感影像進(jìn)行分區(qū)的有效性和合理性，但高空遙感影像獲取依賴于衛(wèi)星的運(yùn)轉(zhuǎn)周期，獲取過程中存在分辨率粗糙和氣象干擾等影響因素，分區(qū)精度有待進(jìn)一步提高。近年來無人機(jī)技術(shù)的迅速發(fā)展為農(nóng)田遙感應(yīng)用研究提供了新的數(shù)據(jù)源，低空遙感影像在克服天氣因素、提高分辨率、實(shí)時(shí)測(cè)量、控制成本等方面具有顯著優(yōu)勢(shì)，有研究利用無人機(jī)影像對(duì)作物進(jìn)行營(yíng)養(yǎng)診斷，發(fā)現(xiàn)近地影像不僅能夠準(zhǔn)確反映作物長(zhǎng)勢(shì)情況，還能間接反映與作物長(zhǎng)勢(shì)密不可分的土壤狀況[8-9]，因此利用關(guān)鍵生育期的無人機(jī)影像進(jìn)行精準(zhǔn)管理分區(qū)具有一定的應(yīng)用前景。

1 試驗(yàn)方法

1.1 試驗(yàn)區(qū)概況

試驗(yàn)地點(diǎn)位于黑龍江省北安市趙光農(nóng)場(chǎng)，試驗(yàn)地屬于寒溫帶季風(fēng)氣候，年均氣溫-0.5℃，無霜期120 d，年均降雨量670 mm，年均日照時(shí)數(shù)2 700 h。選取典型地塊作為研究區(qū)（圖1），面積約為30.8 hm2，地塊中心經(jīng)緯度為48.04°N、126.73°E，試驗(yàn)地高程變化為296.04—312.27 m，高差16.23 m，2017年種植作物為春玉米，品種選用恒基利馬格蘭種業(yè)華美2號(hào)，播種時(shí)間為2017年5月8日，種植方式為大壟雙行栽培，壟距110 cm，壟上行間距44 cm，株距20 cm，播種密度90 000株·hm-2。底 肥 一 次 性 施 入 氮 肥60 kg N·hm-2，磷 肥80 kg P2O5·hm-2，鉀肥50 kg K2O·hm-2，底肥分別為尿素、磷酸二銨、氯化鉀。2017年6月24日追施尿素，壟上中間開溝施肥。2017年9月25日收獲測(cè)產(chǎn)，玉米生育期內(nèi)其他管理措施與當(dāng)?shù)卮筇镆恢隆?/p>

1.2 數(shù)據(jù)獲取

1.2.1 無人機(jī)影像采集 2017年7月22日，利用無人機(jī)獲取多光譜影像，此時(shí)正值春玉米吐絲期，葉面積指數(shù)達(dá)到生育期內(nèi)最大值，玉米長(zhǎng)勢(shì)與植被指數(shù)相關(guān)性達(dá)到最大，并很大程度上決定了最終產(chǎn)量[12]。采用大疆S1000+型八旋翼無人機(jī)，機(jī)身凈質(zhì)量4.4 kg，最大載物質(zhì)量11 kg，續(xù)航時(shí)間15 min，搭載Parrot Sequoia多光譜相機(jī)。獲取4個(gè)波段的信息：綠光（green，G）波長(zhǎng)550 nm，帶寬40 nm；紅光（red，R）波長(zhǎng)660 nm，帶寬40 nm；紅邊光（red edge，RE）波長(zhǎng)735 nm，帶寬10 nm；近紅外 光（near infrared，NIR）波 長(zhǎng)790 nm，帶 寬40 nm。航拍時(shí)間為10∶00—11∶00，天氣晴朗無云、風(fēng)力較小，設(shè)置飛行航線為S型，飛行3個(gè)架次，共計(jì)9條航線，單條航線長(zhǎng)度1 140 m，覆蓋度70%×70%，飛行高度100 m，飛行速度5 m·s-1。采集完成后，將影像數(shù)據(jù)導(dǎo)入Pix4D Mapper進(jìn)行拼接處理，影像重采樣為2 m分辨率。

1.2.2 土壤數(shù)據(jù)測(cè)定 在室內(nèi)利用ArcGIS預(yù)設(shè)115個(gè)50 m間隔的采樣點(diǎn)，確定各點(diǎn)經(jīng)緯度（圖1）。2017年4月23日春玉米播種前，利用GPS定位，使用TDR和電導(dǎo)率速測(cè)儀（Spectrum，美國(guó)）在田間測(cè)定土壤體積含水率和電導(dǎo)率，每個(gè)點(diǎn)位3次重復(fù)取平均值，同時(shí)用3點(diǎn)取樣混合法采集0—20 cm耕層土壤樣品，帶回實(shí)驗(yàn)室測(cè)定土壤有 機(jī) 質(zhì)（organic matter，OM）、堿 解 氮（alkali nitrogen，AN）、速效磷（available phosphorus，AP）、速效鉀（available kalium，AK）、pH[12]。

圖1 研究區(qū)域Fig.1Research area

1.2.3 玉米生長(zhǎng)性狀及產(chǎn)量 2017年7月23日獲取115個(gè)點(diǎn)位的玉米生長(zhǎng)數(shù)據(jù)。每個(gè)點(diǎn)位選取3株玉米，測(cè)定株高、莖粗，帶回實(shí)驗(yàn)室烘干后測(cè)定地上生物量；采用手持式SPAD-502型葉綠素計(jì)（美能達(dá)，日本）測(cè)定上位展開葉的葉綠素相對(duì)含量SPAD值，每個(gè)點(diǎn)位選取6株取平均值；采用LAI-2200C冠層分析儀（美國(guó)，LI-COR）測(cè)定冠層葉面積指數(shù)。

2017年9月25日玉米成熟后獲取產(chǎn)量數(shù)據(jù)，每個(gè)點(diǎn)位收獲6顆玉米果穗，曬干脫粒稱重，折算成單元格產(chǎn)量。

1.3 分區(qū)方法

無人機(jī)影像與土壤屬性數(shù)據(jù)類型不同，為了充分利用數(shù)據(jù)所包含的信息，分別選擇適用于無人機(jī)影像和土壤屬性的算法進(jìn)行分區(qū)。

1.3.1 基于無人機(jī)影像的管理分區(qū) 從春玉米吐絲期多光譜影像中選取歸一化植被指數(shù)（normal differential vegetation index,NDVI）、優(yōu)化土壤調(diào)節(jié)植被指數(shù)（optimized soil adjusted vegetation index，OSAVI）、歸一化差異紅色邊緣指數(shù)（normalized difference red edge index，NDREI）、比值植被指數(shù)(ratio vegetation index，RVI)、差 值 植 被 指 數(shù)(difference vegetation index，DVI)、土壤調(diào)節(jié)植被指數(shù)（soil-adjusted vegetation index，SAVI）、重歸一化植被指數(shù)（renormalized difference vegetation index，RDVI）共7種植被指數(shù)[13]，利用ENVI 5.1提取115個(gè)點(diǎn)位周圍5 m圓形區(qū)域的植被指數(shù)均值，分析其與春玉米生長(zhǎng)的相關(guān)關(guān)系。ECognition是基于目標(biāo)信息的提取軟件，采用面向?qū)ο蠓椒商岣邤?shù)據(jù)的自動(dòng)識(shí)別精度，為保證空間的緊致度和邊界的光滑度，在軟件中將形狀和光譜的權(quán)重設(shè)置為1∶1，將分割尺度范圍定在10~100內(nèi)，以5為步長(zhǎng)執(zhí)行分割操作。通過計(jì)算每個(gè)分割尺度的平均分割評(píng)價(jià)指數(shù)，得出其最大值，確定為此參數(shù)下的最優(yōu)分割尺度，計(jì)算公式如下。

由心電圖結(jié)果發(fā)現(xiàn)，F(xiàn)HCM親屬中G+/P-組Ⅰ、aVR、aVF導(dǎo)聯(lián)QRS時(shí)限及V1、V2導(dǎo)聯(lián)R波振幅均顯著大于對(duì)照組(G-/P-組)，差異有統(tǒng)計(jì)學(xué)意義(P<0.05)；V4～V6導(dǎo)聯(lián)R波振幅均小于對(duì)照組(G-/P-組)，差異有統(tǒng)計(jì)學(xué)意義(P<0.05)。見圖1。T波改變(T波低平、T波倒置、T波雙向)發(fā)生率在兩組中差異有統(tǒng)計(jì)學(xué)意義(P<0.05)，左室肥厚、異常Q波、碎裂QRS波發(fā)生率兩組比較，差異均無統(tǒng)計(jì)學(xué)意義(P>0.05)。兩組的心率、PR間期、QRS電軸、QTc間期比較，差異均無統(tǒng)計(jì)學(xué)意義(P>0.05)。見表1。

式中，σL為斑塊內(nèi)像元值的標(biāo)準(zhǔn)差，n為所有像元的個(gè)數(shù)，CLi表示斑塊內(nèi)像元i的像元值，根據(jù)光譜指數(shù)確定，CL表示斑塊內(nèi)的像元均值；L為對(duì)象邊界長(zhǎng)度，Li為與第i個(gè)相鄰對(duì)象的公共邊長(zhǎng)度，C’Li為第i個(gè)相鄰斑塊的像元均值，N為與當(dāng)前對(duì)象鄰接的斑塊個(gè)數(shù)；SEI為分割評(píng)價(jià)指數(shù)，ASEI為平均分割評(píng)價(jià)指數(shù)，A為整個(gè)目標(biāo)田塊的斑塊總面積，Ai為第i個(gè)斑塊的面積，m為斑塊的總數(shù)量。

SEI通過對(duì)象間的同質(zhì)性（公式1）和異質(zhì)性（公式2）來判斷對(duì)象與鄰域間的異同，理想的結(jié)果應(yīng)該與其標(biāo)準(zhǔn)差成反比，而與平均差分的絕對(duì)值成正比。SEIi表示第i個(gè)對(duì)象的分割評(píng)價(jià)指數(shù)。為了避免小面積對(duì)象對(duì)評(píng)價(jià)引起的不穩(wěn)定性，使對(duì)象面積的大小對(duì)評(píng)價(jià)有著不同的貢獻(xiàn)，在引入了對(duì)象面積后計(jì)算研究區(qū)域所有對(duì)象的SEI平均值而得到ASEI。當(dāng)ASEI指數(shù)達(dá)到最大值A(chǔ)SEImax時(shí)，對(duì)應(yīng)的分割尺度為最優(yōu)分割尺度。

1.3.2 基于土壤數(shù)據(jù)的管理分區(qū) 模糊均值聚類具有無監(jiān)督、軟分類、信息豐富等優(yōu)勢(shì)，在土壤領(lǐng)域被廣泛使用[16]，MZA 1.0軟件采用模糊無監(jiān)督分類方法，可對(duì)多個(gè)輸入變量進(jìn)行分類[17]，輸出的模糊性能指數(shù)（fuzzy performance index，F(xiàn)PI）和歸一化分類熵（normalized classification entropy，NCE）可幫助確定最佳分區(qū)數(shù)，當(dāng)2個(gè)指標(biāo)同時(shí)達(dá)到最小值時(shí)所對(duì)應(yīng)的分類數(shù)即為最佳分類數(shù)。本研究參數(shù)設(shè)置：最大迭代次數(shù)=300，收斂標(biāo)準(zhǔn)=0.000 1，最小分區(qū)數(shù)=2，最大分區(qū)數(shù)=8，模糊指數(shù)=1.5。

1.3.3 分區(qū)結(jié)果驗(yàn)證 使用軟件SPSS 18.0分別對(duì)2種分區(qū)方法下的產(chǎn)量、土壤屬性進(jìn)行統(tǒng)計(jì)分析和交叉驗(yàn)證，比較分區(qū)間差異，同時(shí)比較分區(qū)內(nèi)變異系數(shù)，評(píng)價(jià)分區(qū)效果。

在2種方法下，固定的田間樣點(diǎn)會(huì)被劃入相同或不同的分區(qū)級(jí)別，分別統(tǒng)計(jì)2種分區(qū)方法的落點(diǎn)數(shù)，根據(jù)公式（5）計(jì)算樣點(diǎn)重合率，借此反映2種分區(qū)的空間重合關(guān)系。

式中，Mi為基于無人機(jī)影像的第i級(jí)分區(qū)的落點(diǎn)數(shù)，Si為基于土壤屬性的第i級(jí)分區(qū)的落點(diǎn)數(shù)。

2 結(jié)果與分析

2.1 土壤屬性分析

描述性統(tǒng)計(jì)結(jié)果如表1所示，除pH外的其他屬性變異系數(shù)均大于10%，屬于中等程度變異，具有管理分區(qū)的必要，從均值來看土壤養(yǎng)分含量豐富，該地塊具有較大的節(jié)肥潛力，管理分區(qū)可提高土壤養(yǎng)分的利用率。

表1 土壤屬性描述性統(tǒng)計(jì)Table 1 Descriptive statistics of soil property

2.2 基于無人機(jī)影像的管理分區(qū)結(jié)果分析

2.2.1 植被指數(shù)與春玉米生長(zhǎng)性狀相關(guān)性分析如表2所示，歸一化紅邊植被指數(shù)NDRE與春玉米葉面積指數(shù)、地上生物量、株高均具有極顯著的相關(guān)性（P＜0.01），適合用來表征玉米長(zhǎng)勢(shì)的差異并作為數(shù)據(jù)源進(jìn)行后續(xù)處理?；贜DRE進(jìn)行多尺度分割（multiresolution segmentation），通過比較不同的分割尺度從而在最適宜的尺度層中提取相似的地物類別，分割的原則為分割對(duì)象內(nèi)部同質(zhì)性高，對(duì)象之間則有較高的異質(zhì)性[14-15]。

表2 植被指數(shù)與春玉米生長(zhǎng)性狀的相關(guān)性Table 2 Correlation between vegetation index and spring maize growth indicators

2.2.2 分割尺度分析 從分割評(píng)價(jià)指數(shù)曲線（圖2A）可以看出，隨著分割尺度的增大，斑塊數(shù)量逐漸減少，評(píng)價(jià)指數(shù)總體表現(xiàn)為先增大后降低，后趨于平穩(wěn)的趨勢(shì)。當(dāng)分割尺度為45 m時(shí)，評(píng)價(jià)指數(shù)達(dá)到最大值0.23，為該田塊的最優(yōu)分割尺度，此時(shí)的分割斑塊數(shù)為38個(gè)，分割后的斑塊分布如圖2B所示。

圖2 基于無人機(jī)影像的多尺度分割結(jié)果Fig.2 Calculated Segmentation evaluation index and patchesbased on UAV images

2.2.3 分割結(jié)果聚類 在形狀要素的影響下，斑塊間的指數(shù)會(huì)具有一定的同質(zhì)性，因此有必要對(duì)斑塊進(jìn)行聚類以合并同質(zhì)性較高的區(qū)域。對(duì)所有斑塊的NDRE均值進(jìn)行模糊聚類，如圖3所示，F(xiàn)PI和NCE在聚類數(shù)為4時(shí)最小（圖3A），將38個(gè)斑塊合并為4個(gè)管理分區(qū)（圖3B），經(jīng)合并后空間連續(xù)性更強(qiáng)，方便農(nóng)田管理。將4個(gè)分區(qū)分別命名為M1、M2、M3和M4，M1主要分布于地塊北部的洼地以及地塊南部的坡背區(qū)域，M2分布于地塊西北部及中部的坡肩位置，M3和M4分別分布于地塊西部和東北部的坡趾區(qū)域。

圖3 基于無人機(jī)影像的管理分區(qū)結(jié)果Fig.3 Optimal management zones based on UAV images

2.3 基于土壤屬性的聚類分區(qū)結(jié)果

2.3.1 主成分分析 為反映不同土壤屬性之間的關(guān)系及其對(duì)分區(qū)的影響，利用主成分分析對(duì)重疊信息進(jìn)行壓縮，對(duì)7個(gè)土壤屬性進(jìn)行主成分分析（表3）表明，前3個(gè)主成分特征值大于1，累計(jì)貢獻(xiàn)率達(dá)到88.28%，可作為后續(xù)分析的主成分。從因子載荷（表4）可以看出，PC1主要反映土壤有機(jī)質(zhì)和堿解氮變化的信息，PC2中土壤有效磷和速效鉀的載荷占據(jù)主導(dǎo)地位，PC3中土壤水分載荷最大，反映了研究區(qū)土壤水分的信息。

表3 土壤屬性主成分分析Table 3 Principal Component analysis of soil variables and factor loadings

表4 主成分因子載荷Table 4 Principal component factor loads

2.3.2 模糊聚類結(jié)果分析 將前3個(gè)主成分作為輸入變量利用MZA1.0軟件進(jìn)行模糊聚類，得到不同分區(qū)數(shù)下的FPI和NCE，如圖4A所示，當(dāng)分區(qū)數(shù)為4時(shí)FPI和NCE值最小，因此最優(yōu)分區(qū)數(shù)為4個(gè)，分別命名為S1、S2、S3和S4。S1主要位于東南部地勢(shì)較高的坡頂以及坡肩區(qū)域，S2分區(qū)主要位于地塊西北部的洼地，S3和S4分別分布于地塊西部和東北部（圖4B）。

圖4 基于土壤屬性的管理分區(qū)結(jié)果Fig.4 Optimal management zones based on soil properties

2.4 不同方法分區(qū)結(jié)果對(duì)比

2.4.1 不同分區(qū)方法間樣點(diǎn)重合率分析 對(duì)比基于土壤和無人機(jī)影像的分區(qū)結(jié)果可以看出，2種結(jié)果不僅都為四級(jí)分區(qū)，在空間分布上也具有一定的相似性。經(jīng)統(tǒng)計(jì)，2種結(jié)果的M1和S1分區(qū)包含田間樣點(diǎn)數(shù)分別為14、28，其中12個(gè)樣點(diǎn)同時(shí)分布于M1和S1中，重合率為40.00%（表5），重合區(qū)域主要為地塊南部的坡背區(qū)域；M2和S2分區(qū)的重合率為46.51%，M3和S3分區(qū)重合率為57.45%，農(nóng)田西部的坡趾區(qū)域是M3和S3的一致區(qū)域；M4和S4的重合率為59.38%，重合區(qū)域主要分布于農(nóng)田東北部。從整個(gè)農(nóng)田地塊來看，基于無人機(jī)影像、土壤屬性2種分區(qū)結(jié)果的重合率為51.32%。

表5 不同分區(qū)方法間樣點(diǎn)重合率Table 5 Comparison of the percentage of points classified by different strategies

2.4.2 不同分區(qū)方法效果分析 為評(píng)價(jià)2種分區(qū)方法的效果，對(duì)各分區(qū)間春玉米產(chǎn)量、土壤養(yǎng)分和土壤含水率的差異進(jìn)行了方差分析，結(jié)果如表6所示，基于無人機(jī)影像為數(shù)據(jù)源的分區(qū)，M1、M2、M3、M4各分區(qū)間產(chǎn)量差異顯著；4個(gè)分區(qū)土壤水分較為接近，其中M1分區(qū)內(nèi)土壤水分變異系數(shù)較大，達(dá)到19.68%；土壤有機(jī)質(zhì)、堿解氮、速效鉀、速效磷含量在M1、M2、M3分區(qū)間差異顯著，M4和M3無顯著差異，區(qū)內(nèi)土壤養(yǎng)分變異性均有所降低，以土壤有機(jī)質(zhì)為例，M1、M2、M3、M4有機(jī)質(zhì)變異系數(shù)分別較農(nóng)田整體變異性降低31.82%、14.36%、35.50%、30.10%，說明基于無人機(jī)影像的分區(qū)方法可以使管理分區(qū)內(nèi)土壤養(yǎng)分差異減小，適宜在同一分區(qū)內(nèi)實(shí)施相同管理。

基于土壤屬性為數(shù)據(jù)源的分區(qū)，S1、S2、S3分區(qū)間產(chǎn)量差異顯著，土壤養(yǎng)分排序均為S4＞S3＞S2＞S1，各分區(qū)間差異均達(dá)到顯著水平，變異系數(shù)降低幅度較大，其中S1、S2、S3、S4分區(qū)土壤有機(jī)質(zhì)的變異系數(shù)分別較農(nóng)田整體變異降低43.48%、51.81%、63.58%、41.18%；土壤含水率排序?yàn)镾2＞S4＞S3＞S1。

3 討論

分區(qū)管理的目的是因地制宜調(diào)整施肥等管理措施，優(yōu)化農(nóng)業(yè)資源利用。針對(duì)土壤差異進(jìn)行分區(qū)是目前的常用方法，但因土壤數(shù)據(jù)不便獲取而應(yīng)用局限性較大。作物長(zhǎng)勢(shì)一方面反映土壤本底差異，另一方面也反映了其他環(huán)境要素如高程、地形、微氣候差異等，其所表征的綜合信息可為分區(qū)提供重要參考[18]。Chang等[19]利用手持式光譜儀Greenseeker采集了煙草的歸一化植被指數(shù)（NDVI），得到的5個(gè)管理區(qū)之間土壤養(yǎng)分和產(chǎn)量均差異顯著，為指導(dǎo)煙田施肥決策提供了依據(jù)。有研究表明，紅邊波段更能穿透作物冠層，對(duì)LAI變化敏感，歸一化紅邊植被指數(shù)（NDREI）更加適用于分區(qū)[20-21]，本研究同樣表明，NDREI與作物生長(zhǎng)具有較好的相關(guān)性，作為數(shù)據(jù)源將農(nóng)田分為4個(gè)管理分區(qū)；從產(chǎn)量實(shí)測(cè)結(jié)果來看分區(qū)內(nèi)的產(chǎn)量變異性均有所降低，分區(qū)間產(chǎn)量差異顯著（表6），這表明了利用無人機(jī)影像判斷作物產(chǎn)量的差異及進(jìn)行分區(qū)的可行性。

表6 分區(qū)間春玉米產(chǎn)量及土壤養(yǎng)分和含水率差異Table 6 Variance analysis of spring maize yield and soil properties among management zones

除產(chǎn)量表現(xiàn)出明顯的分區(qū)效果外，分區(qū)內(nèi)的土壤養(yǎng)分也向均一化方向發(fā)展，分區(qū)間土壤養(yǎng)分異質(zhì)性明顯，表明當(dāng)土壤樣品難以獲取時(shí)基于無人機(jī)影像的分區(qū)結(jié)果對(duì)于土壤養(yǎng)分管理同樣具有一定的參考意義，對(duì)比基于無人機(jī)影像數(shù)據(jù)和土壤數(shù)據(jù)劃分管理分區(qū)的結(jié)果也可以看出，三級(jí)分區(qū)M3與S3、四級(jí)分區(qū)M4與S4具有較高的相似性，進(jìn)一步說明利用無人機(jī)影像進(jìn)行分區(qū)和養(yǎng)分管理的可能性。值得注意的是，M1與S1、M2與S2重合度相對(duì)較低，土壤水分可能是造成2種方法差別的主要原因：水分過高或過低都會(huì)對(duì)作物生長(zhǎng)產(chǎn)生脅迫，在坡耕地條件下土壤水分還具有較強(qiáng)的時(shí)空間動(dòng)態(tài)變化特征[22-23]，對(duì)于基于土壤數(shù)據(jù)的分區(qū)方法，只將1個(gè)時(shí)期的土壤水分作為參考要素可能會(huì)帶來誤差，本研究中S1和S2分區(qū)內(nèi)土壤水分的變異性較小，而產(chǎn)量變異性相對(duì)較大，可見播前土壤水分和產(chǎn)量的變化并不一致?；谟跋竦姆謪^(qū)結(jié)果對(duì)土壤水分管理也存在一定偏差，M1和M2分區(qū)內(nèi)的產(chǎn)量變異性較小而土壤水分變異性較大，可能是1個(gè)時(shí)期的影像對(duì)水分盈虧狀態(tài)的評(píng)估不足，考慮到分區(qū)精度的提升，還需加強(qiáng)基于多期無人機(jī)影像的分區(qū)研究以提高分區(qū)的精度和指導(dǎo)性。

在實(shí)際應(yīng)用中，基于無人機(jī)影像得到的4個(gè)分區(qū)具有較好的連續(xù)性，便于集中管理，也能夠滿足不同幅寬農(nóng)機(jī)具進(jìn)行作業(yè)路徑設(shè)計(jì)，在不同區(qū)域可以采取針對(duì)性的管理措施。對(duì)于長(zhǎng)勢(shì)較差的M1分區(qū)，可適當(dāng)增加施肥量以滿足作物對(duì)速效養(yǎng)分的需求；此外，對(duì)于研究區(qū)的旱作雨養(yǎng)農(nóng)業(yè)需額外關(guān)注地形特征對(duì)作物長(zhǎng)勢(shì)的影響，根據(jù)高程和坡度變化調(diào)節(jié)降水的再分配過程，M1分區(qū)中位于地塊北部的洼地可通過平整土地、提高深松深度等措施以避免土壤淹水，地塊南部的坡背區(qū)域水分易流失，可增大秸稈還田量改良土壤的持水性能。M2區(qū)域玉米籽粒達(dá)到了當(dāng)季的目標(biāo)產(chǎn)量，在后茬作物管理中可保持常規(guī)的施肥量。長(zhǎng)勢(shì)較好的M3和M4區(qū)域可適當(dāng)減少施肥以避免奢侈吸收，保證經(jīng)濟(jì)產(chǎn)量并提高產(chǎn)投比，M3和M4分區(qū)內(nèi)地形起伏相對(duì)較小，能夠保證適宜的土壤含水率。

本研究的主要目的是在土壤樣品不易獲取時(shí)為分區(qū)提供低成本、快捷的實(shí)施方法，對(duì)于分區(qū)后的農(nóng)田管理措施多為定性分析，由于影響產(chǎn)量的多種因子間具有共線性，下一步的研究還需要結(jié)合多源數(shù)據(jù)探尋各因子對(duì)產(chǎn)量的影響閾值，并制定詳細(xì)完備的分區(qū)管理技術(shù)參數(shù)。