陳 震,程 千,徐洪剛,黃修橋

(中國農(nóng)業(yè)科學(xué)院農(nóng)田灌溉研究所/河南省節(jié)水農(nóng)業(yè)重點(diǎn)實(shí)驗(yàn)室,河南 新鄉(xiāng) 453002)

截至2020年,我國農(nóng)業(yè)綜合機(jī)械化率達(dá)到71.25%,較“十二五”計(jì)劃末期提高7.43%,但機(jī)械化主要集中在耕種收方面,作物水肥管理的機(jī)械化、精準(zhǔn)化程度不高。水肥對作物的正常生長發(fā)育至關(guān)重要,因此水肥自動(dòng)化精準(zhǔn)管理是農(nóng)業(yè)發(fā)展的重要方向[1]。隨著農(nóng)業(yè)現(xiàn)代化的發(fā)展,精準(zhǔn)灌溉、智慧灌溉已可以有效實(shí)現(xiàn)水肥自動(dòng)化、精準(zhǔn)化管理,也是當(dāng)前研究熱點(diǎn)[2-4]。如何方便、快速、準(zhǔn)確、可靠地獲取作物灌溉信息、助力實(shí)施智慧灌溉是當(dāng)前急需解決的關(guān)鍵問題之一。不少研究表明光譜可以有效提取作物冠層信息,光譜植被指數(shù)能夠反演作物生長生理指標(biāo)[5-6],進(jìn)而判斷田間水肥情況[7-9]。無人機(jī)遙感系統(tǒng)可以精準(zhǔn)獲取作物的表型信息,為農(nóng)田信息獲取提供了新手段。通過作物冠層表型信息反演水肥狀況及其潛在影響,可為大田精準(zhǔn)化、信息化灌溉施肥提供技術(shù)和理論支撐。

株高一般指植株根部至主莖頂端之間的距離,是反映作物長勢主要的個(gè)體指標(biāo)之一。日本學(xué)者Watanabe等[10]采用無人機(jī)遙感可見光和多光譜影像提取大豆株高,結(jié)合人工測量值,提出了消減因低矮植株受高大植株遮擋導(dǎo)致的株高提取不準(zhǔn)確問題的方法,發(fā)現(xiàn)擬合模型R2在0.6左右。Holman等[11]計(jì)算冬小麥不同生育時(shí)期各試驗(yàn)小區(qū)的株高并與人工測量值擬合,發(fā)現(xiàn)無人機(jī)影像提取的株高值與地面觀測株高值相關(guān)性顯著,R2均高于0.95,表明采用數(shù)字表面模型(Digital surface model,DSM)計(jì)量株高是可行的。玉米植株高大、無分蘗,這一形態(tài)特征導(dǎo)致株高對其長勢的影響顯著,玉米株高的監(jiān)測對于農(nóng)田生產(chǎn)管理意義重大。楊進(jìn)等[12]利用高清RGB圖像點(diǎn)云反演和多光譜DEM提取玉米群體的高度,發(fā)現(xiàn)RGB和多光譜圖像均能反映玉米株高差異。生育階段不同對玉米株高監(jiān)測精度具有較大影響,生育前期和生育后期群體株高被嚴(yán)重低估。Ji等[13]研究基于無人機(jī)可見光的蠶豆株高反演精度,結(jié)果表明可見光圖像提取的株高最大值中,80%的數(shù)據(jù)集規(guī)格與地面測量值的擬合程度最好,其相關(guān)性系數(shù)(R)、均方根誤差(RMSE)和歸一化均方根誤差(NRMSE)分別為0.9915、1.4411 cm和5.02%。隨著研究的深入,研究手段從最初的激光雷達(dá)獲取三維點(diǎn)云發(fā)展到消費(fèi)級無人機(jī)光譜影像獲取DSM,株高得以僅通過影像的DSM提取[14],作物冠層高度也能被高效精準(zhǔn)估算,農(nóng)業(yè)管理成本大大降低,為農(nóng)業(yè)領(lǐng)域相關(guān)研究提供了切實(shí)有效的數(shù)據(jù)支撐。

植株生物量按部位分為地上生物量和地下生物量,地上生物量(Above ground biomass, AGB)指作物地上部分積累的物質(zhì)總量,用于表征作物生長狀況和預(yù)測作物產(chǎn)量,狹義的生物量既可以是地上部分鮮質(zhì)量也可以是干質(zhì)量。目前通過光譜估算AGB的模型主要有經(jīng)驗(yàn)?zāi)Ｐ?、作物生長模型和半機(jī)理模型[15]。任建強(qiáng)等[16]篩選出對冬小麥地上干生物量敏感的光譜波段中心,并在此基礎(chǔ)上構(gòu)建反演模型,結(jié)果表明波段B18、波段B82構(gòu)建的模型精度最高。劉明星等[17]采用植被指數(shù)反演冬小麥LAI進(jìn)而估算地上生物量,2年數(shù)據(jù)模擬地上生物量的R2均在0.8以上。Lu等[18]基于無人機(jī)RGB影像,利用逐步多元線性回歸和3種機(jī)器學(xué)習(xí)算法評價(jià)了植被指數(shù)、冠層高度及其組合在小麥AGB預(yù)測中的表現(xiàn),結(jié)果發(fā)現(xiàn)兩者組合提高了小麥AGB的預(yù)測準(zhǔn)確度。鄧江等[19]通過分析無人機(jī)近紅外影像的植被指數(shù)在棉花各生育時(shí)期的AGB估算效果,得出了不同生育時(shí)期的最佳二元線性擬合模型,相關(guān)系數(shù)R2均在0.79以上。Kross等[15]對估算玉米和大豆葉面積指數(shù)和生物量的植被指數(shù)進(jìn)行評估,發(fā)現(xiàn)累積植被指數(shù)在估算地上總干生物量方面表現(xiàn)突出,尤其是玉米(CV≤ 20%)。陶惠林等[20]利用可見光指數(shù)構(gòu)建了多生育時(shí)期融合的生物量估算模型,結(jié)果表明多生育時(shí)期融合模型反演精度優(yōu)于單生育時(shí)期模型,逐步回歸生物量估算模型估算效果最佳。

綜上可知,無人機(jī)光譜反演作物生物量精度較高,通過無人機(jī)光譜感知冠層株高、生物量,探尋不同水肥處理情景下作物生理生長響應(yīng)特征,為精準(zhǔn)灌溉、智慧灌溉提供可靠的信息數(shù)據(jù)支撐,具有非常重要的研究意義。本研究以華北地區(qū)夏玉米為研究對象,借助無人機(jī)遙感平臺獲取光譜數(shù)據(jù),重點(diǎn)探究不同水肥處理下大田夏玉米光譜反演模型精度,以期為判斷該地區(qū)水肥虧缺程度提供數(shù)據(jù)支持,為制定合理的水肥管理制度提供理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

試驗(yàn)于2020—2021年在河南省新鄉(xiāng)市中國農(nóng)業(yè)科學(xué)院七里營綜合試驗(yàn)基地(35°13′N,113°76′E)進(jìn)行,該基地處于華北平原的人民勝利渠灌區(qū),農(nóng)業(yè)種植結(jié)構(gòu)以冬小麥-夏玉米輪作為主,是夏玉米的重要種植區(qū)。該地區(qū)為溫帶大陸性季風(fēng)氣候,多年平均降水量600 mm左右,夏季高溫多雨,7—9月降水量占全年降水量的65%～75%。試驗(yàn)區(qū)土壤類型為輕質(zhì)壤土,表層土壤體積質(zhì)量1.47 g·cm-3,0～1 m土層平均田間體積持水率為30.98%。試驗(yàn)田灌溉水源為地下水,埋深超過10 m。為保證同一種植年份播種時(shí)土壤養(yǎng)分的一致性,兩年試驗(yàn)選擇不同地塊(圖1,見202頁)。

圖1 試驗(yàn)區(qū)地理位置

1.2 試驗(yàn)設(shè)計(jì)

夏玉米于2020年6月20日播種,供試品種為‘太玉339’;2021年6月10日播種,供試品種為‘農(nóng)大108’。種植行距0.60 m,株距0.25 m,行向?yàn)槟媳狈较?。兩年收獲時(shí)間均為9月27日,2020年全生育期96 d,2021年全生育期106 d。兩年試驗(yàn)設(shè)置相同的灌溉處理,地塊面積和施肥處理略有不同。播種后各處理大水漫灌一次,以保證玉米的出苗率。苗期以后灌溉方式為滴灌,設(shè)置3個(gè)灌溉梯度,灌水定額分別為0(W0)、30 mm(W1)和70 mm(W2)。灌水量由支管上的水表控制。在夏玉米的拔節(jié)期、喇叭口期、抽雄期和灌漿期,分別灌水一次。

2020年,每個(gè)灌溉梯度下設(shè)置5種施肥方式:CK(基施復(fù)合肥600 kg· hm-2,追肥0 kg· hm-2)、N(全生育期氮肥N 250 kg· hm-2)、K(全生育期鉀肥K2O 120 kg· hm-2)、NK(全生育期氮肥N 250 kg· hm-2+鉀肥K2O 120 kg· hm-2)、NPK(全生育期氮肥N 250 kg· hm-2+磷肥P2O530 kg ·hm-2+鉀肥K2O 120 kg· hm-2),共15個(gè)處理,每個(gè)處理1個(gè)小區(qū),3次重復(fù),隨機(jī)區(qū)組排列,共45個(gè)小區(qū);小區(qū)面積為12 m2(4.0 m×3.0 m),間距1.2 m(圖2a)。CK小區(qū)僅施基肥,其余小區(qū)按設(shè)置的施肥量50%基施,50%追施。基施使用復(fù)合肥,施用量均為600 kg· hm-2;追施使用尿素CO(NH2)2、過磷酸鈣Ca(H2PO4)2·H2O、氯化鉀KCL,拔節(jié)期和抽雄期各追肥1次,每次追肥量占各處理全生育期施肥量的25%,將肥料水溶后均勻噴灑在試驗(yàn)小區(qū)內(nèi)。

2021年,每個(gè)灌溉梯度下設(shè)置4種施肥方式:CK、N、PK和NPK,同一元素的施肥量與2020年相同,12個(gè)處理,每個(gè)處理5次重復(fù),共60個(gè)小區(qū);小區(qū)面積為3.6 m2(2.0 m×1.8 m),間距為1.2 m(圖2b)。玉米整個(gè)生長期分3次施肥,播種、喇叭口期、抽雄期各施一次,各處理每次施用其生育期總量的1/3,將肥料水溶后均勻噴灑在試驗(yàn)小區(qū)內(nèi)。

1.3 數(shù)據(jù)獲取與處理

選擇晴朗無風(fēng)的天氣進(jìn)行無人機(jī)圖像以及地面數(shù)據(jù)的采集,以降低天氣對影像獲取的影響,具體采集日期見表1。無人機(jī)數(shù)據(jù)采集時(shí)間集中在北京時(shí)間的11∶00—14∶00,地面數(shù)據(jù)采集時(shí)間集中在9∶00—14∶00。每個(gè)小區(qū)選擇6株玉米測量株高,其平均值代表該小區(qū)實(shí)際株高。生物量測定玉米地上部植株鮮質(zhì)量。

圖2 試驗(yàn)區(qū)布置示意圖

表1 無人機(jī)飛行采集日期

1.3.1 光譜影像獲取 多光譜相機(jī)選用美國MicaSense RedEdge-MX五通道多光譜相機(jī),相機(jī)質(zhì)量232 g,焦距5.5 mm,視場角47.2°,地物分辨率位于離地高度120 m可達(dá)8 cm。RedEdge-MX多光譜相機(jī)波段信息見表2。搭載平臺選擇DJI M210V2型無人機(jī),無人機(jī)飛行高度30 m,重疊度80%,利用DJI Pilot和DJI GSPro規(guī)劃航線控制無人機(jī)自主飛行作業(yè)。于每次起飛前和降落后對相機(jī)自帶輻射標(biāo)定板拍照,用以圖像拼接時(shí)的輻射定標(biāo)作業(yè)。

1.3.2 光譜影像預(yù)處理 借助Pix4D mapper完成多光譜以及熱紅外圖像拼接以及輻射定標(biāo)作業(yè)。不同時(shí)期的影像在地理位置上有所差別,利用ArcGis 10.2對拼接完成的圖像進(jìn)行地理配準(zhǔn),方便批量化處理。由于圖像中包含試驗(yàn)區(qū)以外的區(qū)域,需繪制試驗(yàn)小區(qū)的掩膜文件,疊加于配準(zhǔn)后的光譜影像上批量提取出所有的試驗(yàn)小區(qū)。

1.3.3 光譜植被指數(shù)提取 植被指數(shù)是指通過波段的組合形成的增強(qiáng)植被信息,反映植被在可見光、近紅外等波段反射與土壤背景之間差異的指標(biāo)。其原理是綠色植被或者農(nóng)作物在可見光紅、藍(lán)光波段表現(xiàn)為強(qiáng)吸收特性,在近紅外、綠波段則表現(xiàn)為強(qiáng)反射。植被指數(shù)的構(gòu)建能夠?qū)崿F(xiàn)植被生長狀況的定量表達(dá)。本研究借鑒前人成果[21-22],選取并計(jì)算5種植被指數(shù),各指數(shù)及其計(jì)算公式見表3。

1.3.4 株高提取 在無人機(jī)遙感中,植株的上限可利用數(shù)字表面模型(Digital surface model,DSM)確定,地面高程變化則依靠裸土?xí)r的光譜圖像數(shù)字表面模型確定。首先通過無人機(jī)可見光影像生成試驗(yàn)田的DSM,記作DSM0,得到試驗(yàn)田地表高程的變化情況,作為之后株高提取的地表基準(zhǔn)面,在ti(i=1,2,3,4)時(shí)期生成的DSMi(i=1,2,3,4),與DSM0作差可以得到對應(yīng)ti時(shí)期玉米的高度變化情況,計(jì)算公式如下:

H=DSMi-DSM0

(1)

由于光譜DSM記錄的是整個(gè)試驗(yàn)區(qū)的高程信息,較低位置的葉片以及雜草等其他地物的高程信息對冠層上限的提取影響較大。為消除這一影響,對比可見光確定上部冠層的最低高程,利用ArcGis獲得各試驗(yàn)小區(qū)上部冠層DSM圖像。對提取后的圖像分區(qū)統(tǒng)計(jì)均值,代表各小區(qū)冠層上限。

1.4 數(shù)據(jù)分析流程

本研究數(shù)據(jù)從獲取到可視化展示的流程及使用的軟件如圖3所示。第1步,通過DJI Pilot和DJI GSPro控制無人機(jī)獲取圖像;第2步,借助Pix4D和Argisoft Photoscan完成圖像拼接及輻射校正;第3步利用ENVI、ArcGis、QGIS處理光譜并提取數(shù)據(jù);第4步結(jié)合地面觀測數(shù)據(jù)在ArcGis、QGIS、Excel、Spass、R語言中進(jìn)行相應(yīng)的統(tǒng)計(jì)分析;第5步主要借助R語言編程實(shí)現(xiàn)文中相關(guān)模型的構(gòu)建;最后,通過ArcGis、Excel、R語言及Origin對所有分析結(jié)果進(jìn)行可視化表達(dá)。另外,文中所展示的各類流程圖及示意圖通過Inkscape、Visio和PhotoShop繪制。

表2 Rededge MX多光譜相機(jī)光譜波段

表3 多光譜植被指數(shù)

2 結(jié)果與分析

2.1 不同處理下夏玉米株高變化

表4為3個(gè)灌溉處理情境下不同時(shí)期夏玉米株高均值及標(biāo)準(zhǔn)差。2020年,隨著生育時(shí)期的推進(jìn),夏玉米株高不斷增加,7月30日平均值已增至200.00 cm左右。夏玉米各生育時(shí)期株高均隨灌水量的增加而增加,W2處理株高均值4個(gè)時(shí)期分別比W0處理高6.96、9.13、17.49、28.69 cm,比W1處理高3.74、7.65、10.84、11.92 cm;W1處理株高均值4個(gè)時(shí)期分別比W0處理高3.23、1.48、6.66、16.77 cm。2021年7月15日各處理株高變化規(guī)律與上年度基本相同。但7月15日后連續(xù)暴雨導(dǎo)致試驗(yàn)中斷,至7月30日采集數(shù)據(jù)時(shí)規(guī)律有所變化,W0處理株高均值為137.69 cm,略高于W1處理株高(135.00 cm);此后,隨生育時(shí)期推進(jìn),W1處理夏玉米平均高度逐漸接近W0處理,8月4日兩處理差值縮小到了0.13 cm;8月11日(吐絲期)W1處理株高均值較W0處理提高了0.13 cm。兩年不同灌水處理情景下的株高變化表明,水分虧缺程度顯著影響夏玉米植株的生長發(fā)育,株高一定程度上反映了灌水量能否滿足作物生長所需。

圖3 數(shù)據(jù)處理流程

表4 3 個(gè)灌溉處理情境下不同時(shí)期玉米株高均值及標(biāo)準(zhǔn)差

隨著生育時(shí)期的進(jìn)行,3個(gè)灌溉水平下株高標(biāo)準(zhǔn)差有增加的趨勢,可能是施肥處理不同導(dǎo)致各小區(qū)間株高出現(xiàn)差異。為驗(yàn)證這一結(jié)論,將各生育時(shí)期玉米株高隨施肥處理的變化情況作圖,以散點(diǎn)表示每個(gè)時(shí)期株高分布情況,柱表示每個(gè)時(shí)期株高平均值。從圖4可以看出,2020年施肥處理小區(qū)株高均高于CK,且NPK處理最高。2021年7月30日CK處理的株高最大,表現(xiàn)異于其他時(shí)期,可能是因?yàn)楸┯陮?dǎo)致此階段未進(jìn)行灌溉追肥,水分充足情境下植株生長發(fā)育受限因素減少,株高與施肥的相關(guān)性減弱。但是8月份以后,施肥處理小區(qū)的株高均值逐漸接近并最終高于CK。以上結(jié)果進(jìn)一步表明玉米株高受施肥的影響,其變化情況可以作為夏玉米肥料虧缺的判斷依據(jù)。

2.2 不同生育時(shí)期株高提取分析

圖5為不同生育時(shí)期夏玉米株高地面觀測值與多光譜DSM計(jì)算值對比圖,吐絲期以后株高增量較小,因此本研究僅討論吐絲期之前的株高變化。對比同一生育時(shí)期兩種方法得到的株高值發(fā)現(xiàn),大部分小區(qū)株高DSM計(jì)算值低于地面觀測值,2020年各生育時(shí)期觀測值與計(jì)算值平均差值分別為25.95、5.03、38.04、29.54 cm,2021年平均差值分別為8.97、8.58、33.00、68.86 cm;可能是因?yàn)榈孛嬗^測時(shí)測量莖基部到植株最高點(diǎn)的高度,而光譜計(jì)算的是整個(gè)上部冠層的平均高度。此外,抽雄吐絲期地面觀測時(shí)記錄的為莖基部到雄穗最高點(diǎn)的高度,而光譜計(jì)算時(shí)雄穗所占像元較少,大部分像元為植株葉片區(qū)域,這可能是造成2021年8月11日株高地面觀測值與多光譜DSM計(jì)算值差異較大的主要原因。對比不同生育時(shí)期的株高,光譜計(jì)算值與地面觀測值具有相似的變化趨勢,初步表明多光譜影像能夠用于表征夏玉米植株高度。

圖4 5 個(gè)施肥處理下不同生育時(shí)期玉米株高

圖5 不同時(shí)期玉米株高地面觀測值與影像計(jì)算值

2.3 光譜計(jì)量株高的準(zhǔn)確性分析

為驗(yàn)證多光譜DSM計(jì)量夏玉米株高的準(zhǔn)確性,對株高的地面觀測值和DSM計(jì)算值進(jìn)行一元線性擬合。圖6為夏玉米株高地面觀測值與光譜計(jì)算值之間的相關(guān)性散點(diǎn)圖。由圖6可以看出,光譜計(jì)算值與地面觀測值之間表現(xiàn)出很強(qiáng)的相關(guān)性,2020年4個(gè)時(shí)期兩者的相關(guān)系數(shù)R2分別達(dá)到了0.354、0.483、0.672、0.702,2021年則分別為0.314、0.410、0.426、0.466。2021年兩者相關(guān)性低于2020年,可能是兩年觀測株高時(shí)采用了同一標(biāo)準(zhǔn),而兩年種植玉米品種不同造成株型差異,2020年玉米植株為緊湊型,2021年為披散型,株型不同導(dǎo)致影像提取效果有所不同。隨生育時(shí)期推進(jìn),光譜計(jì)算值與地面觀測值相關(guān)程度不斷增大,說明隨著玉米的生長,同一小區(qū)不同植株的高度趨向于統(tǒng)一,符合客觀規(guī)律。不同生育時(shí)期光譜計(jì)算值與地面觀測值的相關(guān)性分析表明,影像計(jì)算出的株高具有較高的可靠性和精準(zhǔn)度,可用于大田株高的觀測以及田間作物管理。圖7為生育時(shí)期融合后兩種計(jì)量方法所得株高的相關(guān)關(guān)系,由圖7可知,生育時(shí)期融合后株高觀測值與光譜計(jì)算值呈指數(shù)相關(guān),相關(guān)性顯著提升,兩年的R2分別為0.946和0.906。此規(guī)律表明生育時(shí)期融合可以顯著地增加地面觀測值與光譜數(shù)據(jù)之間的相關(guān)性。

2.4 夏玉米生物量與植被指數(shù)相關(guān)性分析

為分析植被指數(shù)與夏玉米生物量的相關(guān)關(guān)系,建立不同時(shí)期植被指數(shù)與生物量的一元線性回歸模型,并統(tǒng)計(jì)各回歸模型間相關(guān)性(表5)。從表5可以看出,2020年7月24日各植被指數(shù)均與生物量在P<0.0001水平上顯著相關(guān),相關(guān)系數(shù)不小于0.625;2020年8月26日和9月24日植被指數(shù)均與生物量在P<0.01水平上顯著相關(guān),相關(guān)系數(shù)絕對值不小于0.412。3個(gè)時(shí)期相關(guān)系數(shù)絕對值最大的指數(shù)分別為GOSAVI(7月24日)、NNIR(8月26日)、MCARI(9月24日)。綜合來看,2020年植被指數(shù)與生物量之間的相關(guān)性不高,可能是每個(gè)小區(qū)取樣量偏少,結(jié)果隨機(jī)性較大。因此,對2021年的試驗(yàn)進(jìn)行了改進(jìn),即每處理固定1個(gè)取樣小區(qū),共計(jì)12個(gè)小區(qū),每小區(qū)取3株玉米測量地上部分鮮質(zhì)量,其均值代表該小區(qū)實(shí)際生物量,結(jié)果表明,2021年各植被指數(shù)和生物量間相關(guān)性較2020年有所提升,相關(guān)系數(shù)均高于0.587。

圖7 生育時(shí)期融合后地面測量株高與光譜影像提取株高間相關(guān)關(guān)系

表5 植被指數(shù)與生物量皮爾遜相關(guān)系數(shù)

2.5 不同處理下夏玉米生物量反演

采用SVR、Cubist、RF這3種機(jī)器學(xué)習(xí)算法,將5種植被指數(shù)作為輸入變量,生物量作為輸出變量,構(gòu)建夏玉米不同生育時(shí)期生物量反演模型,反演結(jié)果如表6、7、8所示。其中,2021年單生育時(shí)期數(shù)據(jù)集樣本量未達(dá)到機(jī)器學(xué)習(xí)算法建模的要求,因此將其3個(gè)生育時(shí)期融合為一個(gè)數(shù)據(jù)集。由此,兩年用于模型構(gòu)建的數(shù)據(jù)集具有相近的規(guī)模,同時(shí)可以觀察生育時(shí)期融合對生物量反演精度的影響。

由表6、7、8可知,3種算法構(gòu)建的模型生物量擬合精度相較于單一植被指數(shù)均有不同程度的提升。Cubist模型樹算法在2020年不同生育時(shí)期的測試集上具有最優(yōu)的表現(xiàn),模型R2分別為0.542、0.511、0.346,對應(yīng)的RMSE分別為87.41、135.77、154.06;7月24日模型反演精度明顯優(yōu)于其余2個(gè)生育時(shí)期,且隨著生育時(shí)期的進(jìn)行,模型穩(wěn)定性逐漸降低(表7)。2021年生育時(shí)期融合后,模型精度大幅度提升,3個(gè)模型在測試集上的R2達(dá)到了0.942、0.941、0.934,RMSE低至59.47、64.43、65.53,表明生育時(shí)期融合對模型精度的影響極為顯著。這與株高表現(xiàn)出了相同的變化規(guī)律,單一生育時(shí)期各小區(qū)差距相對較小,而生育時(shí)期之間各指標(biāo)差異大,擴(kuò)大數(shù)據(jù)跨度可以降低小范圍誤差的影響,這是導(dǎo)致生育時(shí)期融合后模型精度大幅提升的主要原因。以上分析表明基于無人機(jī)多光譜數(shù)據(jù)反演不同水肥條件下的夏玉米生物量的方法具有可行性。

表6 SVR模型反演夏玉米生物量結(jié)果

表7 Cubist模型反演夏玉米生物量結(jié)果

表8 RF模型反演夏玉米生物量結(jié)果

3 討 論

本研究發(fā)現(xiàn),通過多光譜點(diǎn)云數(shù)據(jù)DSM提取的夏玉米株高與地面觀測值相關(guān)程度較高,可以滿足評估夏玉米長勢差異的要求。光譜數(shù)據(jù)提取的株高普遍小于地面觀測值,可能是由于株高光譜計(jì)算值為冠層高度平均值,而地面觀測值為植株高度最大值,即植株自地表至最高點(diǎn)的高度。這一差異在2021年玉米抽雄期表現(xiàn)更加明顯,因?yàn)榇藭r(shí)地面觀測記錄的是莖基部到雄穗的高度。光譜提取的株高稱為冠層高度更為合理,光譜記錄的冠層高度信息更加適用于農(nóng)田生產(chǎn)管理,因?yàn)槠洳粌H可以快速高效獲取整片農(nóng)田中作物的長勢差異、體現(xiàn)作物冠層異質(zhì)性,還能規(guī)避人工記錄導(dǎo)致的隨機(jī)誤差,同時(shí)還提高了光譜圖像的利用程度,節(jié)約生產(chǎn)管理成本,更加適應(yīng)農(nóng)田現(xiàn)代化精準(zhǔn)管理,可以作為一種有效反演株高的方法推廣使用[12,20]。

本研究發(fā)現(xiàn),不同灌溉和施肥處理會對夏玉米株高、生物量產(chǎn)生影響。由于夏玉米采用的灌溉方式為滴灌且每次灌水量并未達(dá)到田間持水量,因此所有試驗(yàn)小區(qū)都存在不同程度的水分虧缺現(xiàn)象,水分虧缺程度W2

本文通過不同的機(jī)器學(xué)習(xí)算法構(gòu)建了夏玉米生物量反演模型,比較模型之間的反演精度,最終發(fā)現(xiàn)Cubist模型樹算法具有最好的預(yù)測精度。未來試驗(yàn)中應(yīng)增加樣本量以擴(kuò)大數(shù)據(jù)集規(guī)模,從而驗(yàn)證集成學(xué)習(xí)算法在反演夏玉米生物量上的表現(xiàn)。同時(shí),生育時(shí)期融合后各模型的反演精度大幅提升,實(shí)際生產(chǎn)中應(yīng)積累不同時(shí)期的數(shù)據(jù),增加模型穩(wěn)定性,不斷提高光譜監(jiān)測效果。

4 結(jié) 論

1)不同灌溉施肥處理顯著影響夏玉米株高,DSM計(jì)算的株高值與田間觀測值均在P<0.0001水平極顯著相關(guān),2020年不同時(shí)期決定系數(shù)R2分別為0.354、0.483、0.672、0.702,2021年不同時(shí)期R2分別為0.314、0.410、0.426、0.466。

2)生育時(shí)期融合能大幅提高光譜反演株高的精度,兩年的擬合優(yōu)度分別為0.946和0.906。

3)多光譜植被指數(shù)與不同水肥處理下的夏玉米生物量相關(guān)性較好,利用Cubist算法構(gòu)建的2020年玉米生物量反演模型表現(xiàn)最優(yōu),3個(gè)日期測試集R2分別為0.542、0.511、0.346。生育時(shí)期融合可以顯著提高模型的反演精度,3種算法構(gòu)建的模型(SVR模型、Cubist模型和RF模型)在2021年生育時(shí)期融合數(shù)據(jù)集上均表現(xiàn)較優(yōu),在測試集上的R2分別達(dá)到0.942、0.941、0.934。