摘" 要：玉米作為主要的糧食作物，其產(chǎn)量估產(chǎn)意義較為重大。傳統(tǒng)的產(chǎn)量估算方法均以數(shù)據(jù)抽樣調(diào)查為主，產(chǎn)量估算精度較低。隨著新技術(shù)新方法的不斷涌現(xiàn)，該文以無人機(jī)結(jié)合多光譜遙感技術(shù)，通過采集玉米的拔節(jié)期、吐絲期、乳熟期、蠟熟期4個關(guān)鍵生育期植被指數(shù)的變化，通過產(chǎn)量構(gòu)建分析模型，并驗(yàn)證篩選合理的模型用于產(chǎn)量估算。經(jīng)驗(yàn)證，在乳熟期，依據(jù)RVI、DVI、SAVI構(gòu)建的產(chǎn)量模型精度較高。在蠟熟期，依據(jù)NDVI、RVI、DVI、SAVI構(gòu)建的產(chǎn)量模型較高。通過以上研究，對于在玉米生長過程中，能夠積極結(jié)合數(shù)據(jù)變化，便于高效開展農(nóng)作物種植，估測作物產(chǎn)量具有重要的指導(dǎo)意義。

關(guān)鍵詞：玉米；多光譜；估產(chǎn)模型；植被指數(shù)；無人機(jī)

中圖分類號：S38" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號：2096-9902（2024）04-0001-05

Abstract： Corn， as the main grain crop， has significant significance in estimating its yield. The traditional yield estimation methods are mainly based on data sampling survey， and the accuracy of yield estimation is low. With the continuous emergence of new technologies and new methods， this paper uses UAV based on multi-spectral remote sensing technology to collect the changes of vegetation index in four key growth stages of corn， such as jointing stage， silking stage， milking stage and doughing stage， and construct an analysis model through yield， and verify and screen a reasonable model for yield estimation. It is proved that in the milk stage， the yield model based on RVI， DVI and SAVI has higher accuracy. In the wax ripening stage， the yield model based on NDVI， RVI， DVI and SAVI was higher. Through the above research， it has important guiding significance to actively combine the changes of data in the process of corn growth， facilitate efficient crop planting and estimate crop yield.

Keywords： corn; multispectral; yield estimation model; vegetation index; UAV

基金項(xiàng)目：2023年甘肅省教育廳高校教師創(chuàng)新基金項(xiàng)目（2023B-320）

第一作者簡介：王宗輝（1981-），男，碩士，副教授。研究方向?yàn)闇y繪技術(shù)、園林類專業(yè)人才培養(yǎng)。

*通信作者：裴寶紅（1974-），女，副教授。研究方向?yàn)閳@林及園藝技術(shù)。

玉米作為我國第一大糧食作物，在甘肅省內(nèi)種植面積廣泛，主要分布在甘肅省張掖、慶陽、臨夏等地，其中張掖市2020年玉米種植面積為1.81萬hm2，占總播種面積的25.45%，年產(chǎn)量616.83萬t[1]。傳統(tǒng)的產(chǎn)量估算方法主要以地面數(shù)據(jù)抽樣調(diào)查為主，該方法費(fèi)時、費(fèi)力、具有破壞性，難以擴(kuò)展到大尺度及時、準(zhǔn)確預(yù)測玉米產(chǎn)量[2]。

隨著遙感技術(shù)的興起和精準(zhǔn)農(nóng)業(yè)的發(fā)展，遙感技術(shù)積極應(yīng)用于玉米生長過程中的監(jiān)測及產(chǎn)量的估計(jì)，衛(wèi)星遙感可進(jìn)行大面積的作物生長監(jiān)測得到大規(guī)模的應(yīng)用[3]，但是衛(wèi)星遙感數(shù)據(jù)獲取的局限性，遙感數(shù)據(jù)受天氣的影響明顯，圖像的分辨率低，無法精確獲取農(nóng)作物產(chǎn)量估算的精確數(shù)據(jù)，對農(nóng)作物產(chǎn)量的估計(jì)無法滿足精準(zhǔn)農(nóng)業(yè)的需要。近年來無人機(jī)在各個行業(yè)的大規(guī)模應(yīng)用，其掛載多種類的傳感器為無人機(jī)遙感技術(shù)的應(yīng)用提供了可能。國內(nèi)學(xué)者利用遙感技術(shù)對多種農(nóng)作物產(chǎn)量估測開展了研究，王愷寧等[4]選取灌漿期的衛(wèi)星遙感數(shù)據(jù)計(jì)算４種植被指數(shù)，并建立植被指數(shù)與小麥產(chǎn)量的線性及非線性回歸模型。王爾美等[5]基于Landsat-TM與MODIS衛(wèi)星遙感影像，利用NDVI光譜植被指數(shù)構(gòu)建TM-MODIS多元線性回歸玉米單產(chǎn)估測模型。陶惠林等[6]采集冬小麥拔節(jié)期、挑旗期、開花期無人機(jī)高光譜影像，用3種方法回歸建模估測冬小麥生物量。無人機(jī)遙感技術(shù)借鑒衛(wèi)星遙感的估產(chǎn)方法，由于無人機(jī)機(jī)動性較強(qiáng)、獲取數(shù)據(jù)便捷、數(shù)據(jù)精度高等特點(diǎn)，能夠更為精確地獲取到高分辨率影像，極大地規(guī)避了衛(wèi)星遙感的弊端，也為農(nóng)作物的生長監(jiān)測和產(chǎn)量估計(jì)提供了新的應(yīng)用思路，為精準(zhǔn)農(nóng)業(yè)的發(fā)展提供了數(shù)據(jù)支持。

1" 研究區(qū)概況

研究區(qū)位甘肅省張掖市甘州區(qū)沙井鎮(zhèn)東五村（100°15′E～39°09′N），距離甘州區(qū)27 km。區(qū)域?qū)俅箨懶詺夂?。年平均日照時2 932～3 085 h，交通方便，土地肥沃，年平均氣溫6～8 ℃，4～10月日均溫差在13.4 ℃～18.2 ℃之間。優(yōu)質(zhì)的氣候和土地資源適宜玉米的生長，本次實(shí)驗(yàn)采用人工點(diǎn)播方式，品種選用4月初播種，10月收獲。病蟲害防治統(tǒng)一采用無人機(jī)統(tǒng)一防治管理。

2" 數(shù)據(jù)采集及處理

本試驗(yàn)選用大疆經(jīng)緯M300RTK作為無人飛行平臺，無人機(jī)空中飛行時間55 min，具備智能定位跟蹤功能，打點(diǎn)定位功能可實(shí)現(xiàn)更高效的監(jiān)測任務(wù)。通過DJI X-Port與經(jīng)緯M300系列飛行平臺無縫兼容，為本次項(xiàng)目提供數(shù)據(jù)支持。MS600 Pro支持400～900 nm 6種選配波長任意17種波長任選6種組合使用，本次選用藍(lán)（450 nm）、綠（555 nm）、紅（620 nm）、紅邊1（720 nm）、紅邊2（750 nm）和近紅外（840 nm）組合，在數(shù)據(jù)采集前對灰板拍照以開展輻射校正，同時選擇對應(yīng)數(shù)據(jù)采集時間為11：00—12：00點(diǎn)進(jìn)行數(shù)據(jù)采集。為了更好地提升數(shù)據(jù)有效性，利用大疆DJI GS PRO軟件完成航線規(guī)劃，航向重疊度及旁向重疊率為80%，飛行高度為110 m，地面分辨率為0.16 m開展數(shù)據(jù)采集工作。

結(jié)合玉米的生長周期，根據(jù)研究計(jì)劃，于5月17日—9月28日開展共計(jì)15次數(shù)據(jù)采集，期間覆蓋玉米的拔節(jié)期、吐絲期、乳熟期、蠟熟期4個生育期。數(shù)據(jù)采集以大面積采集為主，采樣樣方選用面積為4 m2（2 m×2 m），地面采樣點(diǎn)對應(yīng)GNSS定位，用根據(jù)數(shù)據(jù)點(diǎn)位裁剪對應(yīng)的樣方，提取其植被指數(shù)。

3" 研究方法

3.1" 技術(shù)路線

研究方法如圖1所示，首先對導(dǎo)出的原始數(shù)據(jù)通過影響拼接、波段合成、影像配準(zhǔn)等操作輸出多光譜影像，通過輻射校正、大氣校正、幾何校正確保數(shù)據(jù)的準(zhǔn)確性和一致性。利用適合的波段組合計(jì)算植被指數(shù)，并輸出植被指數(shù)影像，完成植被指數(shù)的提取，結(jié)合實(shí)際產(chǎn)量構(gòu)建回歸模型，通過精度評定最終形成該區(qū)域玉米產(chǎn)量的最優(yōu)模型。

3.2" 植被指數(shù)的選擇

1）NDVI：Normalized Difference Vegetation Index，NDVI是一種廣泛使用的植被指數(shù)，能夠反映植被覆蓋度和光合作用強(qiáng)度。在玉米估產(chǎn)模型中，NDVI是一個常用的指標(biāo)，能夠提供關(guān)于玉米生長狀況的信息。

2）NDBI：Normalized Difference Build-up Index，NDBI是一種專門用于估算森林地上生物量的植被指數(shù)，其對裸露的地表不敏感。在玉米估產(chǎn)模型中，NDBI可以提供關(guān)于玉米植株內(nèi)部結(jié)構(gòu)的信息，有助于估產(chǎn)。

3）REPI：Red-Edge Position Index，REPI是一種測量紅邊緣位置的植被指數(shù)，能夠反映植被的生長階段和健康狀況。在玉米估產(chǎn)模型中，REPI可以幫助判斷玉米的生長階段和成熟度。

4）GNDVI：Green NDVI，GNDVI是一種基于綠光波段的植被指數(shù)，能夠區(qū)分出綠色植被和非綠色植被。在玉米估產(chǎn)模型中，GNDVI可以幫助區(qū)分玉米和其他非植被覆蓋區(qū)域。

5）OSAVI：Optimized Soil-Adjusted Vegetation Index，OSAVI是一種考慮土壤影響的植被指數(shù)，能夠減小土壤背景的影響，更準(zhǔn)確地反映植被的狀況。在玉米估產(chǎn)模型中，OSAVI可以提高模型的準(zhǔn)確性。

6）PVI：Progressive Vegetation Index，PVI是一種基于多光譜數(shù)據(jù)的植被指數(shù)，能夠反映植被的垂直分布和結(jié)構(gòu)。在玉米估產(chǎn)模型中，PVI可以幫助描述玉米植株的高度和密度，有助于提高估產(chǎn)精度。

7）EVI：Enhanced Vegetation Index，EVI是一種增強(qiáng)型植被指數(shù)，能夠更好地反映植被覆蓋度和光合作用強(qiáng)度。在玉米估產(chǎn)模型中，EVI可以提高模型的靈敏度和準(zhǔn)確性。

8）SAVI：Soil-Adjusted Vegetation Index，SAVI是一種考慮土壤影響的植被指數(shù)，能夠減小土壤背景的影響，更準(zhǔn)確地反映植被的狀況。在玉米估產(chǎn)模型中，SAVI可以提高模型的準(zhǔn)確性。

數(shù)據(jù)分析過程中采用EXECL軟件對數(shù)據(jù)統(tǒng)計(jì)分析并制作圖表。對所有數(shù)據(jù)隨機(jī)選擇80%數(shù)據(jù)構(gòu)建監(jiān)測及產(chǎn)量模型，其他數(shù)據(jù)進(jìn)行檢核。

在基于植被指數(shù)建立的監(jiān)測模型中，我們可以通過計(jì)算R2、RMSE 2個指標(biāo)綜合評價模型的性能。模型的決定系數(shù)R2，其值越接近1，模型具有較高的擬合度，可以較好地反映樣本數(shù)據(jù)的特性。RMSE和MRE 2個指標(biāo)越小，模型預(yù)測的準(zhǔn)確度越高，模型的可信度也就越高。

式中：Xi為預(yù)測值；Yi為實(shí)測值；■i為實(shí)測值的平均值；i為樣本數(shù)，i=1，2，3…，n；n為樣本數(shù)。

3.3" 模型評價指標(biāo)

在基于無人機(jī)多光譜遙感數(shù)據(jù)的植被指數(shù)玉米估產(chǎn)模型研究中，常用的模型評價指標(biāo)包括以下幾個方面。

1）預(yù)測精度：預(yù)測精度是評估模型性能最常用的指標(biāo)之一。其可以通過比較模型預(yù)測的產(chǎn)量和實(shí)際產(chǎn)量來計(jì)算。預(yù)測精度可以用平均絕對誤差（MAE）、均方誤差（MSE）等指標(biāo)來衡量。

2）靈敏度：靈敏度是指模型對于不同條件或因素的響應(yīng)程度。在玉米估產(chǎn)模型中，靈敏度可以用來評估模型對于不同生長階段、氣候條件和土壤類型等因素的響應(yīng)程度。

3）穩(wěn)定性：穩(wěn)定性是指模型在不同情境下的預(yù)測結(jié)果的一致性。在玉米估產(chǎn)模型中，穩(wěn)定性可以用來評估模型在不同年份、不同地塊和不同種植品種等情況下的預(yù)測結(jié)果的穩(wěn)定性。

4）可解釋性：可解釋性是指模型對于其預(yù)測結(jié)果的解釋能力。在玉米估產(chǎn)模型中，可解釋性可以用來評估模型是否能夠提供清晰、易于理解的結(jié)果解釋，幫助人們更好地理解玉米生長和產(chǎn)量形成的機(jī)制。

4" 模型驗(yàn)證

4.1" 產(chǎn)量數(shù)據(jù)分析

根據(jù)研究過程，選定NDVI、RVI、SAVI、OSAVI、EVI和GNDVI等植被指數(shù)作為作物產(chǎn)量的分析指數(shù)。利用EXECL軟件，分析玉米拔節(jié)期、吐絲期、乳熟期、蠟熟期4個生育期的產(chǎn)量進(jìn)行數(shù)據(jù)分析，對關(guān)聯(lián)性較高的指數(shù)與產(chǎn)量進(jìn)行多元線性回歸分析，構(gòu)建產(chǎn)量預(yù)測模型。

經(jīng)過統(tǒng)計(jì)，區(qū)域玉米產(chǎn)量統(tǒng)計(jì)表如圖2所示，根據(jù)調(diào)查，產(chǎn)量頻次最多為23 500～24 000 kg之間，每公頃面積玉米最高產(chǎn)量25 125 kg，最低21 011 kg，整體數(shù)據(jù)呈現(xiàn)正態(tài)分布，樣本數(shù)據(jù)合理，滿足分析要求。

4.2" 植被指數(shù)與產(chǎn)量的相關(guān)性分析

根據(jù)對應(yīng)NDVI等參數(shù)對玉米生長關(guān)鍵期植被指數(shù)，結(jié)合產(chǎn)量開展關(guān)聯(lián)分析，研究對應(yīng)數(shù)據(jù)關(guān)系。根據(jù)表1顯示，拔節(jié)期、抽穗期對應(yīng)的相關(guān)系均在0.3以下，充分反應(yīng)前2個生長期植被指數(shù)與產(chǎn)量關(guān)系不大。后期乳熟期和蠟熟期，對應(yīng)的相關(guān)性較高，均在0.3以上，其中NDVI、RVI、DVI、SAVI相關(guān)性較高，蠟熟期更為明顯，對產(chǎn)量分析具有決定性作用。詳細(xì)見表1。

5" 玉米產(chǎn)量估測模型構(gòu)建與驗(yàn)證

5.1" 乳熟期玉米產(chǎn)量模型構(gòu)建

在產(chǎn)量模型構(gòu)建過程中，選用NDVI、RVI、DVI、SAVI、GNDVI和EVI等指數(shù)，對相關(guān)性較高的乳熟期和蠟熟期指數(shù)分別進(jìn)行一元線性回歸分析，根據(jù)一元線性回歸結(jié)果進(jìn)行多元線性回歸分析，并計(jì)算其對應(yīng)的決定系數(shù)R2和RMSE，具體模型見表2，經(jīng)過計(jì)算，其中單一參數(shù)中，DVI對應(yīng)的模型最佳，多元線性回歸計(jì)算過程中，由于一元線性回歸中GNDVI模型精度較差，推薦選用較高的DVI等參數(shù)構(gòu)建估測模型，建立的模型中選用NDVI、RVI、DVI、SAVI構(gòu)建的模型Y=301.489A1-289.043A2-1 489.512A3-461.056A4+27 864.584，對應(yīng)的決定系數(shù)R2=0.451，RMSE=623.821；選用RVI、DVI、SAVI構(gòu)建的模型Y=-281.387A2-1 491.455A3-217.546A4+27 875.814，對應(yīng)的決定系數(shù)R2=0.462，RMSE=617.901，2個模型比較接近。

模型建立完成后，依據(jù)未參與建模的數(shù)據(jù)進(jìn)行模型數(shù)據(jù)驗(yàn)證，檢驗(yàn)?zāi)Ｐ偷目煽啃浴Ｔ谌槭炱?，NDVI、RVI、DVI、SAVI和RVI、DVI、SAVI建立的模型對應(yīng)的R2為0.451、0.462，RMSE為623.821、617.901，模型建立較為理想。如圖3和圖4所示，經(jīng)數(shù)據(jù)驗(yàn)證，基于RVI、DVI、SAVI建立的模型決定系數(shù)更高，模型確定為Y=-281.387A2-1 491.455A3-217.546A4+27 875.814，能夠更好地滿足產(chǎn)量預(yù)測。

5.2" 蠟熟期玉米產(chǎn)量模型構(gòu)建

在蠟熟期數(shù)據(jù)構(gòu)建產(chǎn)量模型過程中，通過回歸分析，建立模型見表3。根據(jù)決定系數(shù)R2和均方根誤差RMSE判定，利用NDVI、RVI、DVI、SAVI建立的模型Y=-3 691.581A1+655.192A2-261.878A3-5 618.910A4+26" 320.226和NDVI、RVI、SAVI建立的模型Y=-3" 478.211A1+ 651.376A2-6 378.198A4+259 879.209滿足預(yù)測要求，更合理地反映了玉米產(chǎn)量模型。

依據(jù)未參與建模的數(shù)據(jù)進(jìn)行模型數(shù)據(jù)驗(yàn)證，在模型數(shù)據(jù)核查中，一元線性模型模型對應(yīng)的決定系數(shù)R2和均方根誤差RMSE精度較差，不考慮作為建模的依據(jù)；多元線性擬合效果精度更高，如圖5和圖6所示，基于NDVI、RVI、DVI、SAVI的多元線性擬合模型Y=-3 691.581A1+655.192A2-261.878A3-5 618.910A4+26 320.226擬合更好，可以對產(chǎn)量進(jìn)行預(yù)測。

結(jié)合上述分析，在玉米生長的早期，各種植被指數(shù)與產(chǎn)量的相關(guān)性較差，植被指數(shù)對產(chǎn)量的反映效果不好，難以利用此方法在生長早期進(jìn)行產(chǎn)量估測。而在生長中后期，利用植被指數(shù)構(gòu)建回歸模型，可以有效地估測夏玉米的產(chǎn)量。

6" 結(jié)論

玉米作為世界第三大糧食作物，其產(chǎn)量估算具有重要的意義。本文通過多光譜遙感技術(shù)采集玉米拔節(jié)期、吐絲期、乳熟期、蠟熟期4個關(guān)鍵階段遙感數(shù)據(jù)，通過分析，選取NDVI、RVI、SAVI、OSAVI、EVI和GNDVI 6個植被參數(shù)建立模型，同時依據(jù)決定系數(shù)R2、均方根誤差RMSE對模型進(jìn)行評價。模型建立過程中，依據(jù)產(chǎn)量和植被指數(shù)關(guān)聯(lián)關(guān)系進(jìn)行分析，由于拔節(jié)期和抽穗期植被與產(chǎn)量關(guān)聯(lián)性均在0.2～0.3之間，不能作為產(chǎn)量估算的依據(jù)。在乳熟期，依據(jù)RVI、DVI、SAVI 3個指數(shù)建立的模型精度高，Y=-281.387A2-1 491.455A3-217.546A4+27 875.814，R2=0.462，RMSE=617.901。。在蠟熟期，依據(jù)NDVI、RVI、DVI、SAVI 4種植被指數(shù)模型Y=-3 691.581A1+655.192A2-261.878A3-5 618.910A4+26 320.226，R2=0.679，RMSE=471.298。通過研究構(gòu)建的模型能夠精確反映玉米的產(chǎn)量，有效指導(dǎo)玉米生長過程中精細(xì)化管理。

參考文獻(xiàn)：

[1] 甘肅省統(tǒng)計(jì)局.甘肅省統(tǒng)計(jì)年鑒2021[EB/OL].http：//tjj.gansu.gov.cn/tjj/c117468/info_disp.shtml.

[2] 韋海斌.玉米產(chǎn)量測定方法的應(yīng)用探討[J].現(xiàn)代農(nóng)業(yè)，2013（9）：43.

[3] 王來剛，鄭國清，郭燕，等.融合多源時空數(shù)據(jù)的冬小麥產(chǎn)量預(yù)測模型研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（1）：198-204，458.

[4] 王愷寧，王修信.多植被指數(shù)組合的冬小麥遙感估產(chǎn)方法研究[J].干旱區(qū)資源與環(huán)境，2017，31（7）：44-49.

[5] 王爾美，李衛(wèi)國，顧曉鶴，等.基于光譜特征分異的玉米種植面積提取[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2017，33（4）：822-827.

[6] 陶惠林，馮海寬，徐良驥，等.基于無人機(jī)高光譜遙感數(shù)據(jù)的冬小麥生物量估算[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2020，36（5）：1154-1162.