徐鑫， 郝瑤， 唐恬， 方小梅， 易澤林

西南大學(xué) 農(nóng)學(xué)與生物科技學(xué)院，重慶 400715

蕎麥?zhǔn)寝た剖w麥屬的一年生草本植物, 也稱凈腸草、 烏麥、 三角麥等, 具有生育期短、 耐貧瘠、 適應(yīng)性強(qiáng)等特點(diǎn)． 我國(guó)是蕎麥發(fā)源地, 種植歷史悠久． 蕎麥兼具食用和藥用價(jià)值, 被譽(yù)為“21世紀(jì)人類的健康食品”, 能夠起到降低血壓、 血糖和血脂的作用, 具有優(yōu)秀的營(yíng)養(yǎng)保健價(jià)值和食療功效, 也是國(guó)際糧農(nóng)組織公認(rèn)的杰出食藥兼用糧食種類之一．

精準(zhǔn)農(nóng)業(yè)的發(fā)展依賴于詳細(xì)可靠的農(nóng)田狀況信息, 如作物長(zhǎng)勢(shì)狀況、 營(yíng)養(yǎng)狀況、 雜草分布、 病蟲(chóng)害分布等． 然而, 傳統(tǒng)的田間作物信息獲取方法存在耗時(shí)耗力、 破壞性強(qiáng)、 時(shí)效性差等缺點(diǎn), 嚴(yán)重阻礙了大規(guī)模作物生長(zhǎng)的實(shí)時(shí)監(jiān)測(cè)． 而隨著低空高通量表型平臺(tái)的出現(xiàn), 這一過(guò)程得到了改進(jìn)[1-5]． 無(wú)人機(jī)遙感技術(shù)是現(xiàn)代比較新型的技術(shù)手段之一, 即可以通過(guò)無(wú)人機(jī)設(shè)備, 直接遙控?zé)o人機(jī)的行駛, 同時(shí)通過(guò)CPS, GIS等信息技術(shù)手段, 對(duì)特定地方實(shí)施掃描, 以便于獲取相關(guān)數(shù)據(jù)．

在農(nóng)業(yè)領(lǐng)域中, 無(wú)人機(jī)遙感技術(shù)應(yīng)用廣泛． 王乃斌等[6]在研究中提出用綠度指數(shù)、 綠度變化率等指標(biāo), 在分析冬小麥水、 肥、 氣、 熱等條件的基礎(chǔ)上, 構(gòu)建了大尺度小麥遙感產(chǎn)量估測(cè)模型． 吉書(shū)琴等[7]采用NOAA衛(wèi)星遙感影像數(shù)據(jù), 挑選水稻最適估產(chǎn)生長(zhǎng)時(shí)期, 利用植被指數(shù)構(gòu)建了水稻產(chǎn)量估測(cè)模型, 估產(chǎn)精度較好． 張玉萍等[8]利用遙感衛(wèi)星獲取了單品種小麥和多品種小麥不同施氮量后的冠層光譜數(shù)據(jù), 并利用植被指數(shù)、 一階微分參數(shù)和小麥產(chǎn)量建立了遙感估產(chǎn)模型． 結(jié)果表明, 單品種小麥和多品種小麥估產(chǎn)模型的預(yù)測(cè)精度較高, 可用于估產(chǎn)試驗(yàn)． 申洋洋等[9]通過(guò)采集冬小麥關(guān)鍵生育期5種多光譜數(shù)據(jù), 計(jì)算72種植被指數(shù), 并基于偏最小二乘法、 隨機(jī)森林法構(gòu)建了不同的估產(chǎn)模型． 經(jīng)誤差評(píng)價(jià), 基于隨機(jī)森林法建立的小麥抽穗期估產(chǎn)模型效果最佳． 對(duì)估產(chǎn)精度的分析表明, 無(wú)人機(jī)多光譜獲得的植被指數(shù)有助于提高小麥估產(chǎn)效果． 韓文霆等[10]選取6種植被指數(shù)分別與夏玉米4個(gè)單一生育期、 多生育期建模, 并結(jié)合實(shí)際產(chǎn)量篩選建立了基于綠色歸一化差異植被指數(shù)(Green Normalized Difference Vegetation Index, GNDVI)的最優(yōu)估產(chǎn)模型． 結(jié)果顯示, 多生育期的多光譜估產(chǎn)優(yōu)于單一生育期, 優(yōu)化后的估產(chǎn)模型可快速評(píng)估作物長(zhǎng)勢(shì)和產(chǎn)量． 王愷寧等[11]利用衛(wèi)星遙感數(shù)據(jù), 計(jì)算出4種植被指數(shù), 并建立了線性和非線性回歸模型, 用于預(yù)測(cè)小麥的產(chǎn)量． 其中, 非線性回歸模型的準(zhǔn)確性更高, 非線性支持向量機(jī)(SVM)模型的準(zhǔn)確性更高, 達(dá)到了R2=0.79的水平． Tao等[12]采集冬小麥拔節(jié)期、 挑旗期、 開(kāi)花期等3個(gè)時(shí)期的無(wú)人機(jī)高光譜影像, 用3種方法回歸建模后發(fā)現(xiàn)偏最小二乘法建立的回歸模型估產(chǎn)最準(zhǔn)確(R2=0.77)． Han等[13]結(jié)合無(wú)人機(jī)影像和多元線性回歸、 支持向量機(jī)、 人工神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林等4種機(jī)器學(xué)習(xí)算法來(lái)估測(cè)玉米生物量, 發(fā)現(xiàn)隨機(jī)森林算法模型具有較高的精度和較低的誤差(R2=0.94,RMSE=0.50)．

綜上所述, 我們能夠發(fā)現(xiàn)學(xué)界對(duì)于將無(wú)人機(jī)運(yùn)用于農(nóng)業(yè)中的技術(shù)已經(jīng)逐步走向成熟, 估產(chǎn)方法及模型的建立也更加多元化． 傳統(tǒng)的蕎麥產(chǎn)量估測(cè)方法往往耗時(shí)長(zhǎng)且成本較高, 而利用無(wú)人機(jī)多光譜技術(shù), 可以快速獲取植被信息, 并提高產(chǎn)量估測(cè)的效率, 從而更好地預(yù)測(cè)產(chǎn)量, 降低經(jīng)營(yíng)成本和勞動(dòng)力消耗． 同時(shí)由于目前蕎麥多生長(zhǎng)在山地, 人工測(cè)產(chǎn)具有一定的難度, 本研究基于無(wú)人機(jī)多光譜來(lái)建立蕎麥的估產(chǎn)模型, 以期為蕎麥及無(wú)人機(jī)估產(chǎn)等行業(yè)提供借鑒經(jīng)驗(yàn)與啟示．

1 試驗(yàn)材料與方法

1.1 田間試驗(yàn)設(shè)計(jì)

試驗(yàn)于2020-2022年在西南大學(xué)合川農(nóng)場(chǎng)試驗(yàn)基地進(jìn)行, 試驗(yàn)地屬亞熱帶季風(fēng)氣候, 海拔204 m． 試驗(yàn)地土壤為砂壤土, 其中pH值為6.53, 有機(jī)質(zhì)質(zhì)量分?jǐn)?shù)為6.77 g/kg, 堿解氮質(zhì)量分?jǐn)?shù)為58.3 mg/kg, 速效磷質(zhì)量分?jǐn)?shù)為50.61 mg/kg, 速效鉀質(zhì)量分?jǐn)?shù)為162.37 mg/kg． 該區(qū)域地形平坦, 上空區(qū)域?qū)掗? 無(wú)高大樹(shù)木遮擋, 十分適合用無(wú)人機(jī)對(duì)蕎麥進(jìn)行遙感監(jiān)控． 同時(shí), 該地光熱條件良好, 土壤質(zhì)地優(yōu)秀, 肥力充足, 蕎麥生長(zhǎng)態(tài)勢(shì)良好．

供試苦蕎品種為zim00312(生育期90～100 d, K1)、 酉蕎6號(hào)(生育期110～120 d, K2); 甜蕎品種為烏克蘭大粒蕎(生育期60～70 d, T1)、 酉蕎2號(hào)(生育期80～90 d, T2), 由重慶蕎麥產(chǎn)業(yè)體系提供, 酉蕎6號(hào)和酉蕎2號(hào)為重慶市審定品種, zim00312由中國(guó)農(nóng)業(yè)科學(xué)院作物科學(xué)研究所提供, 烏克蘭大粒蕎為國(guó)外引進(jìn)品種． 種子均為上一季收獲的新種子, 發(fā)芽率80%以上, 播種前人工挑選種子, 除去泥土等雜質(zhì)和雜種子． 供試肥料為復(fù)合肥(嘉施利化肥有限公司, N-P2O5-KO: 15-15-15, 總養(yǎng)分≥45%)、 納米有機(jī)肥(成都正光納米有機(jī)肥, 氮磷鉀總養(yǎng)分含量≥5%, 有機(jī)質(zhì)≥45%), 經(jīng)過(guò)測(cè)定, 納米有機(jī)肥中的N, P, K含量分別為2.94%, 0.98%, 1.34%．

本試驗(yàn)采用裂區(qū)試驗(yàn)設(shè)計(jì), 主區(qū)是甜蕎2個(gè)品種和苦蕎2個(gè)品種, 一共4個(gè)品種, 裂區(qū)是6個(gè)肥料處理與對(duì)照． 小區(qū)面積為6.68 m2(長(zhǎng)4 m, 寬1.67 m), 3次重復(fù), 人工條播, 基本苗90萬(wàn)株/hm2, 每個(gè)小區(qū)出苗600株, 行距33 cm, 種植6行, 每行100株苗, 區(qū)組間隔50 cm． 播種前將2種肥料作為基肥一次性施入, 并按常規(guī)管理． 期間進(jìn)行3次重復(fù)試驗(yàn)． 試驗(yàn)田中的蕎麥同時(shí)進(jìn)行肥效試驗(yàn), 共6種處理, 因此每個(gè)品種有6×3=18個(gè)小區(qū), 4個(gè)品種共72個(gè)小區(qū)．

1.2 數(shù)據(jù)獲取方法

1.2.1 圖像獲取設(shè)備

采集圖像所用的設(shè)備是相機(jī)分辨率為1 240萬(wàn)像素的大疆精靈Phantom 4無(wú)人機(jī), 分別在蕎麥的苗期、 花期、 成熟期進(jìn)行飛行作業(yè), 垂直采集蕎麥試驗(yàn)田的冠層圖像(圖1), 持續(xù)飛行時(shí)間約20 min．

圖1 無(wú)人機(jī)飛行區(qū)域

每次飛行采取距離地面30 m的高度進(jìn)行拍攝作業(yè), 由于蕎麥植株較細(xì), 無(wú)人機(jī)起飛以及降落時(shí), 機(jī)翼旋轉(zhuǎn)產(chǎn)生的風(fēng)流會(huì)導(dǎo)致蕎麥植株傾斜, 故飛行高度不能過(guò)低, 而太高又會(huì)導(dǎo)致無(wú)法獲得精確數(shù)據(jù), 故設(shè)置飛行高度為30 m, 盡量減小數(shù)據(jù)的誤差．

1.2.2 圖像獲取過(guò)程

無(wú)人機(jī)影像獲取時(shí)期分別是蕎麥的苗期、 花期和成熟期, 且在晴朗少風(fēng)天氣的中、 下午拍攝, 為確保飛機(jī)在飛行過(guò)程中的安全性及數(shù)據(jù)可用性, 飛機(jī)在安裝后設(shè)定了航點(diǎn)、 航線、 飛行高度以及圖像重復(fù)率等參數(shù)． 該試驗(yàn)采用DJI GS Pro實(shí)現(xiàn)了指定地區(qū)航線的自動(dòng)生成、 飛行、 拍攝并完成有關(guān)數(shù)據(jù)的收發(fā)． 鑒于需要在短時(shí)間內(nèi)得到所有需要的影像, 該無(wú)人機(jī)的飛行方式為“S”形航線． 在完成圖像采集之后使用軟件Pix4DMapper制作正射影像、 DSM以及三維點(diǎn)云等數(shù)據(jù), 并對(duì)相鄰圖像進(jìn)行特征匹配, 實(shí)現(xiàn)相鄰圖像之間的無(wú)縫拼接． 將配準(zhǔn)后的影像進(jìn)行切割, 切割出需要研究的區(qū)域[14]．

1.2.3 產(chǎn)量測(cè)定

待籽粒70%～80%成熟時(shí)對(duì)各小區(qū)進(jìn)行單獨(dú)收獲并實(shí)測(cè)小區(qū)產(chǎn)量, 然后折合成每公頃產(chǎn)量(kg/hm2)． 于收獲前3天隨機(jī)取5株長(zhǎng)勢(shì)一致且未倒伏的植株, 測(cè)定其單株粒數(shù)、 單株粒質(zhì)量和千粒質(zhì)量． 每個(gè)小區(qū)3次重復(fù), 取平均值．

1.3 數(shù)據(jù)分析

1.3.1 植被指數(shù)的選擇

基于苗期、 花期及成熟期的正射圖像, 利用ArcGIS提取各小區(qū)冠層圖像的RGB通道值． 查閱相關(guān)文獻(xiàn), 梳理前人在研究中選擇的最優(yōu)光譜指數(shù), 本研究選用了8個(gè)顏色指數(shù)(ExG, ExGR, ExR, GLI, MGRVI, RGBVI, NDI, VARI)和7個(gè)植被指數(shù)(DVI, EVI2, GNDVI, NDVI, OSAVI, RVI, SAVI)用于圖像數(shù)據(jù)分析, 具體圖像光譜參數(shù)定義如表1所示．

表1 本研究采用的顏色指數(shù)及作物指數(shù)

1.3.2 相關(guān)系數(shù)的計(jì)算

相關(guān)系數(shù)是用來(lái)反映變量之間線性相關(guān)關(guān)系密切程度的統(tǒng)計(jì)指標(biāo)． 在使用ArcGIS將各個(gè)作物指數(shù)計(jì)算后, 導(dǎo)出數(shù)據(jù)表, 在Microsoft Excel軟件中使用VLOOK UP函數(shù)將統(tǒng)計(jì)好的產(chǎn)量數(shù)據(jù)與作物指數(shù)對(duì)應(yīng)的數(shù)據(jù)相匹配, 然后再用Correl函數(shù)計(jì)算產(chǎn)量和各作物光譜指數(shù)的相關(guān)性系數(shù)．

2 結(jié)果與分析

本研究在4個(gè)蕎麥品種的3個(gè)不同生育時(shí)期, 選取了15個(gè)光譜指數(shù), 與實(shí)測(cè)產(chǎn)量進(jìn)行相關(guān)性分析, 以確定估算生物量的最優(yōu)作物指數(shù)． 不同作物指數(shù)和生育期與不同品種產(chǎn)量的相關(guān)系數(shù)R如表2～表8所示, 其中R絕對(duì)值只要大于0.75就可以認(rèn)為2個(gè)變量的線性相關(guān)關(guān)系有統(tǒng)計(jì)學(xué)意義, 且R值越接近1, 意味著作物指數(shù)與產(chǎn)量的相關(guān)性越高．

表2 蕎麥苗期作物指數(shù)與產(chǎn)量的相關(guān)系數(shù)R

2.1 相同時(shí)期各品種產(chǎn)量與作物指數(shù)的相關(guān)性

2.1.1 苗期作物指數(shù)與各品種產(chǎn)量的相關(guān)性

蕎麥在苗期基于無(wú)人機(jī)圖像的各作物指數(shù)與產(chǎn)量的相關(guān)系數(shù)R值經(jīng)計(jì)算后如表2所示． 分析表2可知, 蕎麥T2品種的產(chǎn)量和絕大多數(shù)作物指數(shù)的相關(guān)關(guān)系均有統(tǒng)計(jì)學(xué)意義, 除GNDVI外的相關(guān)系數(shù)為0.19, 其余的絕對(duì)值都在0.75左右, 其中NDI和VARI的相關(guān)性最高, 均達(dá)到了0.82． GNDVI和K1品種產(chǎn)量的相關(guān)性有統(tǒng)計(jì)學(xué)意義, 而其他3個(gè)品種的產(chǎn)量與這15個(gè)作物指數(shù)的相關(guān)性則較低, 且沒(méi)有任何一個(gè)單一的作物指數(shù)與4個(gè)品種的產(chǎn)量顯著相關(guān)．

2.1.2 花期作物指數(shù)與各品種產(chǎn)量的相關(guān)性

蕎麥在花期基于無(wú)人機(jī)圖像的各作物指數(shù)與產(chǎn)量的相關(guān)系數(shù)R值經(jīng)計(jì)算后如表3所示． 分析表3可知, 蕎麥花期的作物指數(shù)與4個(gè)品種蕎麥產(chǎn)量的相關(guān)關(guān)系均無(wú)統(tǒng)計(jì)學(xué)意義, 蕎麥T2品種的產(chǎn)量與作物指數(shù)的相關(guān)性和其他3個(gè)品種比起來(lái)相對(duì)高一點(diǎn), 而K1品種在花期與大多數(shù)作物指數(shù)的相關(guān)系數(shù)都為負(fù)值．

表3 蕎麥花期作物指數(shù)與產(chǎn)量的相關(guān)系數(shù)R

2.1.3 成熟期作物指數(shù)與各品種產(chǎn)量的相關(guān)性

蕎麥成熟期基于無(wú)人機(jī)圖像的各作物指數(shù)與產(chǎn)量的相關(guān)系數(shù)R值經(jīng)計(jì)算后如表4所示． 從表4可以看出, 蕎麥成熟期的作物指數(shù)與K1品種產(chǎn)量的相關(guān)性相對(duì)較高, 均在0.70左右, 而此時(shí)T2品種則與之前時(shí)期的結(jié)果相反, 與各作物指數(shù)的相關(guān)性均較低． 總體來(lái)看, 在成熟期時(shí)各個(gè)作物指數(shù)和苦蕎品種(K1和K2)產(chǎn)量的相關(guān)性較高, 而和甜蕎品種(T1和T2)產(chǎn)量的相關(guān)性較低．

表4 蕎麥成熟期作物指數(shù)與產(chǎn)量的相關(guān)系數(shù)R

2.2 不同時(shí)期相同品種產(chǎn)量與作物指數(shù)的相關(guān)性

2.2.1 不同時(shí)期甜蕎1號(hào)(T1)產(chǎn)量與作物指數(shù)的相關(guān)性

從表5中可以看出3個(gè)生育時(shí)期的15個(gè)作物指數(shù)與甜蕎1號(hào)的產(chǎn)量相關(guān)性都不高, 其中成熟期的相關(guān)性普遍較低． 但從總體上來(lái)看, ExR與該品種產(chǎn)量的相關(guān)性較好, 均為負(fù)相關(guān)．

表5 甜蕎1號(hào)(T1)不同時(shí)期產(chǎn)量與作物指數(shù)的相關(guān)系數(shù)R

2.2.2 不同時(shí)期甜蕎2號(hào)(T2)產(chǎn)量與作物指數(shù)的相關(guān)性

從表6中可以看出, 各作物指數(shù)與甜蕎2號(hào)的產(chǎn)量相關(guān)性主要差異在于生長(zhǎng)時(shí)期, 其中苗期相關(guān)性最高, 花期次之, 成熟期最低． 而相同時(shí)期各個(gè)指數(shù)之間的差異并不太大, 且和甜蕎1號(hào)一樣, 各個(gè)時(shí)期的相關(guān)系數(shù)中成熟期的數(shù)值普遍較低, 這種情況的出現(xiàn)可能與品種有一定的關(guān)系．

表6 甜蕎2號(hào)(T2)不同時(shí)期產(chǎn)量與作物指數(shù)的相關(guān)系數(shù)R

2.2.3 不同時(shí)期苦蕎1號(hào)(K1)產(chǎn)量與作物指數(shù)的相關(guān)性

分析表7可知, 苦蕎1號(hào)在成熟期與各作物指數(shù)的相關(guān)性都比較高, 而花期較特殊, 在花期該品種的產(chǎn)量與絕大多數(shù)作物指數(shù)呈負(fù)相關(guān)． 而GNDVI在所有作物指數(shù)中與K1品種產(chǎn)量的相關(guān)性較高．

表7 苦蕎1號(hào)(K1)不同時(shí)期產(chǎn)量與作物指數(shù)的相關(guān)系數(shù)R

2.2.4 不同時(shí)期苦蕎2號(hào)(K2)產(chǎn)量與作物指數(shù)的相關(guān)性

從表8中可以看出苦蕎2號(hào)在成熟期和苗期與各作物指數(shù)的相關(guān)性稍微高于花期, 而作物指數(shù)ExG和ExGR在3個(gè)時(shí)期與該品種的相關(guān)性均比較高, 因此相對(duì)于其他指數(shù), 這2個(gè)指數(shù)可以更好地估測(cè)該品種的產(chǎn)量．

表8 苦蕎2號(hào)(K2)不同時(shí)期產(chǎn)量與作物指數(shù)的相關(guān)系數(shù)R

2.3 產(chǎn)量估算模型驗(yàn)證

甜蕎不同生育時(shí)期的產(chǎn)量與作物指數(shù)進(jìn)行分析后選取最優(yōu)作物指數(shù)構(gòu)建線性擬合函數(shù)(圖2a), 甜蕎在苗期、 花期以及成熟期被選擇用來(lái)建立模型的作物指數(shù)分別為VARI, DVI和GNDVI, 其中苗期VARI與產(chǎn)量的相關(guān)系數(shù)較大, 接近0.7, 雖然均方根誤差比花期DVI的大, 但總體看來(lái)在苗期用VARI對(duì)該品種建立的估產(chǎn)模型擬合程度更高．

圖2 蕎麥不同生育時(shí)期產(chǎn)量估算模型

苦蕎不同生育時(shí)期的產(chǎn)量與作物指數(shù)進(jìn)行分析后選取最優(yōu)作物指數(shù)構(gòu)建線性擬合函數(shù)(圖2b)． 苦蕎在苗期、 花期被選擇用來(lái)建立模型的作物指數(shù)均為GNDVI, 成熟期選擇的則是RVI． 其中, 苗期和成熟期與產(chǎn)量的相關(guān)系數(shù)均較大, 同時(shí)均方根誤差也比較大, 建立的估產(chǎn)模型擬合程度較高．

綜上所述, 無(wú)論甜蕎還是苦蕎, 苗期進(jìn)行無(wú)人機(jī)多光譜產(chǎn)量估測(cè)效果較佳, 甜蕎選擇作物指數(shù)VARI, 建立的監(jiān)測(cè)模型(y=1.269 4x+0.351,R2=0.675)最佳; 苦蕎選擇作物指數(shù)GNDVI, 建立的監(jiān)測(cè)模型(y=6.545 9x-1.604,R2=0.56 7)最佳．

3 討論

無(wú)人機(jī)遙感系統(tǒng)對(duì)于精準(zhǔn)農(nóng)業(yè)的發(fā)展有著重大的意義, 因?yàn)樗梢钥焖俣鴾?zhǔn)確地估算作物產(chǎn)量． 由于高光譜傳感器能夠獲得更多波段的光譜信息[28], 因此目前使用無(wú)人機(jī)高光譜遙感系統(tǒng)進(jìn)行作物產(chǎn)量估測(cè)的研究比較多． 多項(xiàng)研究表明, 作物產(chǎn)量和圖像顏色特征、 紋理特征存在相關(guān)性并能夠擬合模型進(jìn)而估測(cè)產(chǎn)量, 如龔紅菊[29]驗(yàn)證了基于紋理特征估算水稻產(chǎn)量的可行性, 張靜等[30]結(jié)合棉花冠層圖像的顏色指數(shù)特征和紋理特征對(duì)產(chǎn)量進(jìn)行估算并得到較穩(wěn)定的模型． 本研究選擇不同時(shí)期不同品種蕎麥冠層圖形的作物指數(shù)特征對(duì)蕎麥產(chǎn)量進(jìn)行估算并得到較穩(wěn)定的模型, 表明利用無(wú)人機(jī)多光譜技術(shù)對(duì)蕎麥進(jìn)行產(chǎn)量估測(cè)的方法具有較高的精度和可行性．

根據(jù)以往學(xué)者對(duì)無(wú)人機(jī)遙感系統(tǒng)的研究發(fā)現(xiàn): 光譜作物指數(shù)雖然能部分地反映作物產(chǎn)量情況, 但是產(chǎn)量模型建立時(shí)最優(yōu)作物指數(shù)的選取仍面臨一些關(guān)鍵性問(wèn)題． 已經(jīng)被定義的作物指數(shù)有DVI, NDVI, SAVI等40余種, 但并不是每種作物指數(shù)都能準(zhǔn)確反映某一品種作物的生長(zhǎng)狀況, 在沒(méi)有考慮作物指數(shù)和產(chǎn)量相關(guān)性的情況下, 多個(gè)作物指數(shù)融合會(huì)使光譜信息趨于飽和, 降低估測(cè)模型的準(zhǔn)確性, 如韓文霆等[10]利用多旋翼無(wú)人機(jī)多光譜遙感平臺(tái), 構(gòu)建了基于多種植被指數(shù)和多種生育期對(duì)應(yīng)的夏玉米實(shí)測(cè)產(chǎn)量的6種線性模型, 可以快速預(yù)測(cè)產(chǎn)量． 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? 該方法操作簡(jiǎn)單, 便于推廣[31], 在植被覆蓋度較低時(shí), NDVI可以較為準(zhǔn)確地估測(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[31-32], 如馮美臣等[33]利用冠層光譜數(shù)據(jù)提取植被指數(shù)NDVI, 結(jié)合作物產(chǎn)量數(shù)據(jù), 構(gòu)建出用于產(chǎn)量估測(cè)的復(fù)合回歸方程． 本研究選用了8個(gè)顏色指數(shù)和7個(gè)植被指數(shù)用于圖像數(shù)據(jù)分析, 在不同生育期, 選取相關(guān)系數(shù)最高的作物指數(shù)構(gòu)建線性擬合函數(shù), 篩選出適合進(jìn)行產(chǎn)量估算的時(shí)期, 得出最終的產(chǎn)量估測(cè)模型, 為蕎麥產(chǎn)量遙感監(jiān)測(cè)提供了技術(shù)支撐．

由于試驗(yàn)條件的限制以及氣候等不可控因素, 本研究存在以下幾點(diǎn)不足之處: ① 蕎麥產(chǎn)量的數(shù)據(jù)獲取存在人工采集和統(tǒng)計(jì)方面的誤差, 我們需要在數(shù)據(jù)處理步驟中, 增加數(shù)據(jù)異常值與誤差的識(shí)別處理過(guò)程, 以提高數(shù)據(jù)準(zhǔn)確性． ② 受到條件限制, 我們?cè)诒敬窝芯恐惺褂玫淖魑镏笖?shù)不夠全面, 導(dǎo)致不同顏色指數(shù)和作物指數(shù)間相關(guān)性較強(qiáng), 不能夠進(jìn)行多元線性回歸分析, 從而影響了研究結(jié)果的深入程度． 在未來(lái)的研究方案設(shè)計(jì)中, 應(yīng)該系統(tǒng)地選擇全面的作物指數(shù)． ③ 相關(guān)性計(jì)算時(shí)我們只考慮了單純的線性回歸方法, 計(jì)算了相關(guān)系數(shù)R值, 未能考慮到更多復(fù)雜模型的相關(guān)性計(jì)算方式, 從而無(wú)法全面深入地分析數(shù)據(jù)相關(guān)性． 在以后的研究中, 應(yīng)當(dāng)研究更多算法．

4 結(jié)論

本研究探討了蕎麥4個(gè)品種3個(gè)不同生育時(shí)期的作物指數(shù)與產(chǎn)量的相關(guān)性, 結(jié)果表明, 苗期作物指數(shù)和甜蕎2號(hào)產(chǎn)量的相關(guān)性大多數(shù)有或極有統(tǒng)計(jì)學(xué)意義, 其中NDI以及VARI和甜蕎2號(hào)產(chǎn)量的相關(guān)性最高． 花期作物指數(shù)同樣是和甜蕎2號(hào)產(chǎn)量的相關(guān)性最好, 但都不如苗期時(shí)的相關(guān)度高． 成熟期作物指數(shù)和甜蕎2號(hào)產(chǎn)量的相關(guān)系數(shù)大幅度下降, 而與苦蕎產(chǎn)量的相關(guān)系數(shù)有所上升． 而在相同品種不同時(shí)期的作物指數(shù)與產(chǎn)量的相關(guān)性分析中, ExR與甜蕎1號(hào)產(chǎn)量的相關(guān)性較好, 均為負(fù)相關(guān); 甜蕎2號(hào)產(chǎn)量與各個(gè)時(shí)期作物指數(shù)的相關(guān)性隨著時(shí)間而遞減; 苦蕎1號(hào)在成熟期與各個(gè)作物指數(shù)的相關(guān)性都比較高, 其中GNDVI在所有作物指數(shù)中與K1品種產(chǎn)量的相關(guān)性相對(duì)較高; 對(duì)于苦蕎2號(hào)來(lái)說(shuō), 則是ExG和ExGR等2個(gè)作物指數(shù)在3個(gè)時(shí)期與其相關(guān)性均比較高． 基于簡(jiǎn)單易操作的原則, 構(gòu)建了甜蕎的估產(chǎn)模型(y=1.269 4x+0.351,R2=0.675)和苦蕎的估產(chǎn)模型(y=6.545 9x-1.604,R2=0.567), 為蕎麥產(chǎn)量遙感監(jiān)測(cè)提供技術(shù)支撐．