摘要：為實現(xiàn)東北黑土區(qū)田塊尺度上玉米產(chǎn)量的精準(zhǔn)估算與生育時期優(yōu)選，本研究以我國東北黑土區(qū)的春玉米為研究對象，選取吉林省梨樹縣的長期定位玉米試驗田，于2019、2020年利用無人機采集玉米3個關(guān)鍵生育時期（拔節(jié)期、吐絲期、成熟期）的冠層高光譜影像，選取10種與產(chǎn)量顯著相關(guān)的窄波段植被指數(shù)，并結(jié)合作物農(nóng)學(xué)參數(shù)與施肥信息，分別采用逐步回歸、隨機森林（RF）和極度梯度提升樹（XGBoost）算法構(gòu)建玉米產(chǎn)量估算模型。最后通過決定系數(shù)（R2）、均方根誤差（RMSE）和歸一化均方根誤差（NRMSE）對產(chǎn)量模型進(jìn)行精度評價，以篩選出最優(yōu)估產(chǎn)模型。結(jié)果表明：3種產(chǎn)量預(yù)測模型中XGBoost模型估算精度較優(yōu)，其2019年吐絲期的R2、RMSE 和NRMSE 分別為0.93、1 054.17 kg·hm-2和11.68%。同時，3種模型均表現(xiàn)為在吐絲期估算精度最優(yōu)，最佳模型——2019年吐絲期的XGBoost模型中用于玉米產(chǎn)量估算的指示因子——植被指數(shù)R-M、作物農(nóng)學(xué)參數(shù)與施肥信息的特征重要性分別為19.72%、4.70%、62.41%。研究表明，結(jié)合無人機影像與機器學(xué)習(xí)算法并融合多源輔助信息可提高田塊尺度玉米產(chǎn)量的估算精度，為農(nóng)業(yè)生產(chǎn)中的作物產(chǎn)量精準(zhǔn)預(yù)估提供數(shù)據(jù)支撐與科學(xué)參考。

關(guān)鍵詞：無人機；高光譜影像；田塊尺度；玉米；產(chǎn)量；機器學(xué)習(xí)

中圖分類號：S513；S127 文獻(xiàn)標(biāo)志碼：A 文章編號：2095-6819（2025）01-0079-11 doi： 10.13254/j.jare.2023.0634

我國作為世界農(nóng)業(yè)大國之一，擁有2億～3億的小型農(nóng)戶家庭[1]，在數(shù)量和面積有限的耕地上確保糧食安全并實現(xiàn)農(nóng)業(yè)可持續(xù)發(fā)展具有重要意義。東北黑土區(qū)作為我國重要的糧食生產(chǎn)優(yōu)勢區(qū)及商品糧供給地，也是小型農(nóng)戶的集中分布區(qū)，其土壤養(yǎng)分含量豐富，物理性狀優(yōu)良。春玉米是東北黑土區(qū)的主要糧食作物之一，每年玉米產(chǎn)量占全國總產(chǎn)量的1/4，黑土區(qū)的玉米產(chǎn)量直接影響到我國東北“糧倉”的安全問題[2]。因此，及時準(zhǔn)確地預(yù)估東北黑土區(qū)田塊尺度的玉米產(chǎn)量對于優(yōu)化農(nóng)田管理方式、保障國家糧食安全等具有重要指導(dǎo)意義。

玉米產(chǎn)量的傳統(tǒng)估算方法多采用實地采樣法，其費時、費力，且具有破壞性，難以由單點擴(kuò)大到區(qū)域尺度。遙感技術(shù)具有監(jiān)測面積大、動態(tài)、快速等優(yōu)勢，在農(nóng)作物精準(zhǔn)估產(chǎn)方面逐漸得到廣泛應(yīng)用。其中無人機因分辨率高、時效性強，彌補了衛(wèi)星重訪周期長、易受天氣干擾等不足，近幾年在對田間作物長勢的監(jiān)測中效果較好，已被廣泛應(yīng)用于對多種作物如玉米[3]、水稻[4]等的長勢監(jiān)測與產(chǎn)量估算中。無人機遙感平臺搭載的傳感器目前多為RGB數(shù)碼相機、熱紅外、多光譜和高光譜相機等，其中高光譜遙感操作簡單方便，可實時進(jìn)行大面積監(jiān)測，使得目標(biāo)物的光譜信息可被有效獲取與精細(xì)表達(dá)，有望進(jìn)一步提高作物產(chǎn)量的估算精度[5]。但是，由于高光譜影像的數(shù)據(jù)量巨大，目前采用何種模型方法可有效挖掘其中隱藏的光譜特征，以表征作物在不同生長階段的生理特征狀況，并選擇合適的生育期提前預(yù)估其產(chǎn)量信息，仍具有一定的挑戰(zhàn)。

近年來，植被指數(shù)已被廣泛用于對作物長勢監(jiān)測、產(chǎn)量預(yù)測等領(lǐng)域[6-7]。其中，基于可見光和近紅外波段的植被指數(shù)應(yīng)用最為廣泛[8]，如歸一化差異植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和增強型植被指數(shù)（Enhanced Vegetation Index，EVI）等[9]。隨著高光譜遙感技術(shù)的發(fā)展，窄波段植被指數(shù)逐漸被開發(fā)并應(yīng)用于對植被狀況的監(jiān)測中，且表現(xiàn)得比寬波段植被指數(shù)更為敏感。例如，Marshall等[10]比較了寬波段植被指數(shù)和窄波段植被指數(shù)在估算作物生物量中的表現(xiàn)，結(jié)果表明窄波段植被指數(shù)可以解釋的作物變異情況比寬波段植被指數(shù)多3%～33%。然而，窄波段植被指數(shù)在對東北黑土區(qū)玉米產(chǎn)量估算中的表現(xiàn)尚不清楚。

國內(nèi)外很多學(xué)者嘗試?yán)枚喾N模型進(jìn)行作物產(chǎn)量的精確估算，常見的有多元線性回歸（Multiple LinearRegression，MLR）[11]、偏最小二乘回歸（Partial LeastSquares Regression，PLSR）[12]等經(jīng)典統(tǒng)計模型和支持向量機（Support Vector Machines，SVM）[13]、隨機森林（Random Forest，RF）[14]等機器學(xué)習(xí)模型。目前應(yīng)用線性模型的研究較為廣泛，如韓文霆等[15]采用牛頓-梯形積分和最小二乘法構(gòu)建了夏玉米產(chǎn)量的6種線性模型，最優(yōu)估算精度達(dá)到R2=0.80，RMSE=413.29 kg·hm-2。但是，由于作物產(chǎn)量與指示因子的關(guān)系未必均表現(xiàn)為線性，因此近年來非線性模型方法也開始受到研究者的關(guān)注。如申洋洋等[16]利用72種植被指數(shù)建立多種冬小麥產(chǎn)量的估算模型，發(fā)現(xiàn)RF模型的估算精度優(yōu)于逐步多元線性回歸（Stepwise Multiple LinearRegression，SMLR）和PLSR模型。

由于各地的作物品種、地形和氣候等條件不盡相同，田間輪作與間作方式復(fù)雜多樣，我國農(nóng)田土壤在一定范圍內(nèi)又表現(xiàn)出高度的空間異質(zhì)性，因此探討結(jié)合田間管理等信息的產(chǎn)量估算預(yù)期可提升對作物產(chǎn)量的估算精度。Zhang等[1]通過由衛(wèi)星遙感影像提取的植被指數(shù)，結(jié)合地表溫度、累積降水和標(biāo)準(zhǔn)化降水指數(shù)，構(gòu)建估產(chǎn)模型，并確定了輸入變量的最優(yōu)組合和玉米產(chǎn)量估算的最佳方法。張少華等[17]基于溫度參數(shù)、坡度信息和植被指數(shù)等多模態(tài)數(shù)據(jù)構(gòu)建小麥的估產(chǎn)模型，發(fā)現(xiàn)多種數(shù)據(jù)相融合的模型估算效果更優(yōu)。相關(guān)研究表明，在提取植被指數(shù)的同時，加入一些作物輔助信息或可提高對作物產(chǎn)量的估算精度。然而，目前在田塊尺度將土壤屬性、植株特征及農(nóng)田管理措施等因素加入產(chǎn)量估算模型，以提高作物產(chǎn)量估算精度的研究還鮮有報道。

綜上，本研究以位于吉林省梨樹縣不同施氮處理的玉米試驗田為研究區(qū)，基于在玉米關(guān)鍵生育時期采集的無人機高光譜影像，利用提取的多種窄波段植被指數(shù)，并融入植株長勢、施肥處理等輔助信息，采用線性模型（SMLR）與機器學(xué)習(xí)模型（RF，XGBoost）構(gòu)建產(chǎn)量估算模型，最終實現(xiàn)對東北黑土區(qū)田塊尺度上玉米產(chǎn)量的精準(zhǔn)估算與預(yù)估生育時期優(yōu)選。本研究結(jié)果可為精準(zhǔn)農(nóng)田養(yǎng)分管理與產(chǎn)量預(yù)測提供基礎(chǔ)數(shù)據(jù)與技術(shù)支持，為保護(hù)黑土地資源及保障國家糧食安全提供決策信息。

1 材料與方法

1.1 研究區(qū)概況與試驗設(shè)計

梨樹縣（123°45′～124°53′E，43°02′～43°46′N）隸屬于吉林省四平市，地勢東南高、西北低。該縣域?qū)俦睖貛О霛駶櫞箨懠撅L(fēng)性氣候，四季分明，雨熱同季，作物生長期日照、降水較充足，年均日照時數(shù)2 644.2h，其中作物生長季節(jié)為4—9 月，平均日照8 h。試驗于2019、2020 年在吉林省四平市梨樹縣（圖1）的付家街（b）、王家橋（c）和三棵樹（d）3個小區(qū)進(jìn)行，其土壤類型分別為砂土、沖積土和黏土。2019及2020年當(dāng)?shù)赜衩咨冢?月1日—10月1日）的平均氣溫和總降水量分別為20.62°、15.53 ℃和2 951、585.4 mm。如圖1所示，3個試驗地分別包含有15個小區(qū)，每個小區(qū)的面積為60 m2（10.0 m×6.0 m），每兩個小區(qū)間的溝距為0.6 m。3個試驗地共設(shè)5個施氮水平（0 N：0 kg·hm-2，168 N：168 kg·hm-2，240 N：240 kg·hm-2，270 N：270 kg·hm-2，312 N：312 kg·hm-2）（圖1），其中氮肥一半基施，一半追施；磷肥[Ca（H2PO4）2 ]與鉀肥（K2SO4）作為基肥一次性施用，磷肥與鉀肥分別施用P2O5 100kg·hm-2和K2O 120 kg·hm-2；追肥在拔節(jié)期施于距壟約15 cm、深0～10 cm 的土層中。本試驗中各小區(qū)玉米供試品種均為良玉99，遺傳性狀及指標(biāo)相同，種植密度為每公頃65 000株，且未采取灌溉措施，未噴灑農(nóng)藥。

1.2 植株樣品的采集與測定

為測定不同生育時期植株的全氮含量、株高、鮮質(zhì)量、干質(zhì)量，保證田間采集的數(shù)據(jù)均勻且具代表性，分別于3個關(guān)鍵生育時期在各小區(qū)中心1 m2 區(qū)域內(nèi)任意取3株玉米（圖2），取上述各指標(biāo)的平均值作為一組數(shù)據(jù)，共獲得270個小區(qū)樣本。其中，葉片的全氮含量用KDY-9 820型凱氏定氮儀測量[4]；株高為從地表到頂葉的距離，對整個植株樣本稱量，得到鮮質(zhì)量，在80 ℃烤箱中烘干至恒質(zhì)量，稱量得干質(zhì)量。于成熟期測產(chǎn)，將玉米棒脫粒曬干至恒質(zhì)量，然后根據(jù)各小區(qū)的平均產(chǎn)量與作物種植密度計算各小區(qū)的產(chǎn)量，共獲取90組產(chǎn)量數(shù)據(jù)。

1.3 無人機影像的采集與預(yù)處理

無人機飛行試驗在天氣晴朗、無風(fēng)無云的環(huán)境下進(jìn)行，分別于2019年6月23日、8月1日和9月28日，及2020年6月28日、8月14日和9月24日的10：00—15：00使用大疆S1 000六旋翼無人機，并搭載CubertGmbH 公司的UHD 185 傳感器進(jìn)行影像的采集（圖3）。飛行高度為100 m，旁向重疊度與航向重疊度分別為60%、80%。采用畫幅式實時成像光譜儀生成影像，空間分辨率是5 cm，光譜范圍450～920 nm，帶寬4nm，光譜通道126個。光譜儀鏡頭為聚焦25 mm，對應(yīng)的視場角約為13°。

本研究采集并拼接1 809張高光譜圖像，獲得影像后采用Agisoft Photoscan Pro軟件進(jìn)行圖像排列、密集點云構(gòu)建、正射影像生成等操作。然后，利用ENVI5.1軟件中的FLAASH（Fast Line-of-sight-AtmosphericAnalysis of Spectral Hypercubes）模塊進(jìn)行大氣校正，從而消除部分誤差。在ArcGIS 10.6 軟件中均勻選取30個地面控制點對影像進(jìn)行幾何精準(zhǔn)校正，使均方根誤差（RMSE）均小于0.5個像元。

1.4 指示因子的選取

根據(jù)文獻(xiàn)查詢結(jié)果，初步選取43種可表征玉米產(chǎn)量的窄波段植被指數(shù)，經(jīng)與各小區(qū)的產(chǎn)量實測值進(jìn)行相關(guān)分析，最終確定10種與產(chǎn)量顯著相關(guān)的窄波段植被指數(shù)（表1）。另外，同時選取相關(guān)植株特征（植株全氮、株高、鮮質(zhì)量、干質(zhì)量）及施肥信息作為產(chǎn)量的估算指標(biāo)，加入后續(xù)產(chǎn)量估算模型，并對所有數(shù)據(jù)集進(jìn)行離差標(biāo)準(zhǔn)化處理。

1.5 玉米產(chǎn)量的估算模型

為了比較不同生育時期玉米產(chǎn)量的估算效果，本研究分別建立了2019年和2020年拔節(jié)期、吐絲期、成熟期及全生育期的玉米產(chǎn)量估算模型。按7∶3的比例將數(shù)據(jù)全集分為訓(xùn)練和測試數(shù)據(jù)集，分別采用逐步回歸、隨機森林和XGBoost模型對付家街、王家橋和三棵樹村的玉米產(chǎn)量進(jìn)行估算。上述所有模型均在R軟件中實現(xiàn)。

1.5.1 逐步回歸模型

逐步回歸模型是作物生理參數(shù)反演的常用方法，先從各變量中自動選取相對最重要的變量，由大到小依次引入回歸方程，每引入一個解釋變量，同時對剩余變量進(jìn)行檢驗，去除不顯著的自變量，多次重復(fù)操作，直至建立最優(yōu)多元線性回歸方程[28]。

1.5.2 隨機森林模型

隨機森林（RF）是一套基于決策樹分類器的融合算法，利用Bootstrap 重抽樣方法從原始樣本數(shù)據(jù)集中重復(fù)隨機抽取多個樣本，對每個Bootstrap樣本數(shù)據(jù)采用完全分裂方式構(gòu)建決策樹，然后將決策樹中出現(xiàn)的最佳結(jié)果作為最終預(yù)測結(jié)果[29]。

1.5.3 XGBoost模型

XGBoost是一種梯度提升樹模型，與獨立訓(xùn)練每棵樹的RF 模型不同，XGBoost 通過優(yōu)化損失函數(shù)和復(fù)雜度來改進(jìn)目標(biāo)優(yōu)化函數(shù)，可以防止過度擬合，在采樣點稀疏的情況下也能做出穩(wěn)定的預(yù)測[30]。

1.6 指示因子的重要性評價

特征重要性指變量對模型擬合精度貢獻(xiàn)率的大小，值越大表示越重要，比如在RF模型中，其特征重要性為相對重要性，總和為1[31]。RF模型可以根據(jù)驗證集的預(yù)算誤差對各指示因子的相對重要性進(jìn)行排序，其計算公式如下：

2 結(jié)果與分析

2.1 指示因子與產(chǎn)量的相關(guān)性分析

在玉米關(guān)鍵生育時期將光譜指數(shù)、作物農(nóng)學(xué)參數(shù)、土壤屬性和施肥等指示因子與產(chǎn)量進(jìn)行相關(guān)性分析，并繪制相關(guān)性熱圖（圖4）。由此篩選得出12個與產(chǎn)量顯著相關(guān)的指示因子，分別包括10種植被指數(shù)、施肥量和株高，因有機質(zhì)等土壤屬性與產(chǎn)量均表現(xiàn)為不顯著相關(guān)，故其不再參與后續(xù)的模型構(gòu)建。如圖4所示，本試驗所選指示因子在各生育時期均與產(chǎn)量呈顯著相關(guān)（Plt;0.05）。在2019年拔節(jié)期，施肥、Maccioni與產(chǎn)量的相關(guān)系數(shù)最高，分別為0.76、0.54（Plt;0.001），2019年吐絲期、成熟期及2020年拔節(jié)期、吐絲期各因子均與產(chǎn)量表現(xiàn)為顯著相關(guān)（Plt;0.01），2020年成熟期，除NDI、R-M、VOG外，其他因子亦均與產(chǎn)量呈顯著相關(guān)關(guān)系（Plt;0.01）?？傮w上，施肥與玉米產(chǎn)量的相關(guān)性最強；在吐絲期各指示因子與產(chǎn)量的相關(guān)性相對較強。

2.2 玉米產(chǎn)量估算模型的構(gòu)建與驗證

本研究通過逐步回歸、RF、XGBoost 模型，基于2019年和2020年獲取的玉米冠層光譜指數(shù)、作物農(nóng)學(xué)參數(shù)、施肥，構(gòu)建了玉米3個關(guān)鍵生育時期及全生育期的產(chǎn)量估算模型，各預(yù)測模型在不同生育時期的精度評價結(jié)果如表2 所示。XGBoost 模型在2019年吐絲期估算結(jié)果最佳，R2 和RMSE 分別為0.93、1 054.17 kg·hm-2；RF模型對2019年成熟期的估算精度最高，R2是0.90，RMSE 是1 123.63 kg·hm-2；逐步回歸模型最佳估算結(jié)果在2020年吐絲期，其R2和RMSE分別為0.88、1 354.73 kg·hm-2。綜合兩年數(shù)據(jù)來看，XGBoost 模型表現(xiàn)最佳，逐步回歸與RF 模型的精度略低，但也可滿足對產(chǎn)量估算的精度要求。

為了驗證玉米產(chǎn)量的估算精度，本研究利用最佳產(chǎn)量估算模型（XGBoost）數(shù)據(jù)驗證集，得到不同生育時期玉米產(chǎn)量實測值與預(yù)測值的散點圖（圖5）。如圖5 所示，2019 年吐絲期的產(chǎn)量估算結(jié)果最佳（R2=0.93，RMSE=1 054.17 kg · hm-2，NRMSE=11.68%）；2020年吐絲期和成熟期估產(chǎn)精度相似，均明顯高于拔節(jié)期。兩年均表現(xiàn)為在吐絲期玉米產(chǎn)量的估算精度達(dá)到最高。此外，2019、2020年全生育期三個模型的R2 處于0.71～0.81 之間，RMSE 處于1 603.34～4 948.33 kg·hm-2，NRMSE 處于18.14%～55.99%。兼顧時效性與經(jīng)濟(jì)性，推薦將吐絲期作為玉米產(chǎn)量預(yù)測的最佳時期。

2.3 各指示因子的重要性評分

本研究選取在各生育時期產(chǎn)量估算精度最佳的XGBoost模型進(jìn)行指示因子相對重要性評分的計算，并將模型中各指示因子的相對重要性進(jìn)行統(tǒng)計，結(jié)果如圖6所示。由圖6可見，在3類指示因子中，不同生育時期的植被指數(shù)、株高、施肥與玉米產(chǎn)量的相關(guān)性略有不同。在2019 年各生育時期和2020 年全生育期，均表現(xiàn)為施肥對估產(chǎn)模型的貢獻(xiàn)率最高?？傮w上，施肥、株高、Maccioni 3個指示因子的特征重要性評分最高。施肥對產(chǎn)量估算模型的貢獻(xiàn)率在2019年拔節(jié)期最高，為68.16%；株高的貢獻(xiàn)率在2020年成熟期達(dá)到最高，為41.47%；植被指數(shù)Maccioni 在2020年吐絲期對產(chǎn)量估算模型的貢獻(xiàn)率最高，為60.14%。2019年吐絲期的XGBoost模型中用于玉米產(chǎn)量估算的指示因子——植被指數(shù)R-M、作物農(nóng)學(xué)參數(shù)與施肥信息的特征重要性分別為19.72%、4.70%、62.41%。

3 討論

遙感技術(shù)憑借高效、無損、監(jiān)測范圍大等特點，在農(nóng)作物估產(chǎn)方面表現(xiàn)突出，已成為精準(zhǔn)農(nóng)業(yè)的研究熱點。本研究選取高光譜影像作為數(shù)據(jù)源，探討結(jié)合施肥、作物農(nóng)學(xué)參數(shù)等指標(biāo)對玉米產(chǎn)量估算精度的影響，并對比了線性模型與機器學(xué)習(xí)模型在產(chǎn)量估算中的適用性?，F(xiàn)階段大多研究利用衛(wèi)星遙感技術(shù)進(jìn)行產(chǎn)量預(yù)估，但因其空間分辨率較低，只適用于大范圍測產(chǎn)，在小區(qū)域監(jiān)測應(yīng)用中效果并不理想。無人機兼具高效和高空間分辨率等特點，為快速、精準(zhǔn)估測作物產(chǎn)量提供了新的手段和途徑。本研究利用無人機平臺搭載高光譜相機獲取玉米在不同生育時期的影像數(shù)據(jù)，具有快速、精準(zhǔn)等優(yōu)點，這表明通過無人機高光譜影像進(jìn)行估產(chǎn)具有優(yōu)勢和潛力。韓文霆等[15]基于多時相無人機遙感植被指數(shù)構(gòu)建夏玉米產(chǎn)量估算的6種線性模型，單一生育時期中，表現(xiàn)最優(yōu)的植被指數(shù)為EVI2（R2=0.72，RMSE 為485.46 kg·hm-2）。本試驗采用逐步回歸模型進(jìn)行玉米產(chǎn)量估算，其中單生育時期的最佳估算精度為R2=0.88，RMSE=1 354.73kg·hm-2，NRMSE=15.96%。目前研究中現(xiàn)有的產(chǎn)量估算模型多采用光譜信息、結(jié)構(gòu)信息、紋理信息和氣象信息中的一種或多種組合估算作物產(chǎn)量[33]。張少華等[17]利用多光譜遙感數(shù)據(jù)，通過多模態(tài)數(shù)據(jù)相互融合并建立小麥的估產(chǎn)模型，結(jié)果表明將開花期溫度參數(shù)、坡度信息和植被指數(shù)相融合的RF模型估算效果最好（R2=0.89，RMSE=420.06 kg·hm-2）；Zhang 等[1]結(jié)合衛(wèi)星衍生氣候數(shù)據(jù)以及植被指數(shù)，利用深度學(xué)習(xí)方法構(gòu)建玉米產(chǎn)量估算模型，解釋了70%的產(chǎn)量變化，這些研究表明在提取植被指數(shù)的同時融入某些相關(guān)輔助信息或可提高對作物產(chǎn)量的估算精度。因此，本研究嘗試結(jié)合植被指數(shù)與作物農(nóng)學(xué)參數(shù)、施肥等信息進(jìn)行田塊尺度玉米產(chǎn)量的估算，以期提高對作物產(chǎn)量的估算精度。

作物的光譜反射率隨生育時期的變更而有所變化，基于波段計算的植被指數(shù)能間接反映作物在不同生育時期內(nèi)的生長狀態(tài)；在不同生育時期植株的全氮、鮮質(zhì)量、干質(zhì)量、株高都有明顯變化，作物各器官的發(fā)育均影響玉米的最終產(chǎn)量；在相似的地力條件下，不同的施肥管理措施對作物產(chǎn)量具有較強影響。由于各生育時期內(nèi)玉米的生長狀態(tài)不同，這些指標(biāo)也隨之變化，因此基于各生育時期生成產(chǎn)量估算模型的精度也各不相同。拔節(jié)期為玉米的主要營養(yǎng)生長階段，其特征暫時還不明顯，不能完全反映后期產(chǎn)量器官的發(fā)育狀況，模型估算精度一般較低；吐絲期是玉米由營養(yǎng)生長轉(zhuǎn)為生殖生長的關(guān)鍵時期，所需養(yǎng)分較多，干物質(zhì)積累最快，一般此時玉米單生育時期的估產(chǎn)預(yù)算模型精度較高；在成熟期，營養(yǎng)物質(zhì)向籽粒轉(zhuǎn)移，葉綠素含量下降，通過影像提取的植被指數(shù)與作物產(chǎn)量的相關(guān)性降低[15]，而部分作物農(nóng)學(xué)參數(shù)與產(chǎn)量的相關(guān)性上升，所以在此生育時期的估產(chǎn)模型還需要綜合多因素來考量，以期達(dá)到較優(yōu)的預(yù)估效果。本研究結(jié)果表明，整體上吐絲期的估產(chǎn)效果表現(xiàn)最優(yōu)，此外，與拔節(jié)期和成熟期相比，全生育期的模型精度相對較低。這是由于2019 年和2020年當(dāng)?shù)赜衩资艿綐颖緮?shù)量、人為因素及異常氣候條件如臺風(fēng)、強降雨、高溫等因素影響，嚴(yán)重影響玉米生長，導(dǎo)致產(chǎn)量估算精度未達(dá)到預(yù)期效果。

為了更好地探討不同模型對玉米產(chǎn)量的估算效果，本研究基于光譜指數(shù)、作物農(nóng)學(xué)參數(shù)和施肥信息建立逐步回歸、RF和XGBoost 3種模型，并比較其對估算玉米產(chǎn)量的性能表現(xiàn)，結(jié)果表明機器學(xué)習(xí)算法要優(yōu)于線性回歸模型，這與Leroux等[34]的研究結(jié)果相一致。逐步回歸模型雖可以描述變量與產(chǎn)量的線性關(guān)系，但會受到較多限制因素的影響，比如自變量之間的多重共線性，以及大多數(shù)自變量與產(chǎn)量間并非單純的線性關(guān)系，易造成估產(chǎn)模型的精度不高等問題[35]。RF 模型善于處理具有復(fù)雜非線性關(guān)系的數(shù)據(jù)，使產(chǎn)量模型的估算能力增強，且RF 模型訓(xùn)練速度快，可以處理高維度數(shù)據(jù)，具有較高的準(zhǔn)確性與穩(wěn)定性。本研究綜合模型評價結(jié)果表明，XGBoost模型更適用于對田塊尺度玉米產(chǎn)量的估算，其模型估算最優(yōu)結(jié)果為R2=0.93，RMSE=1 054.17 kg·hm-2，表明其在融合多種輔助信息進(jìn)行作物產(chǎn)量估算方面具有很大優(yōu)勢，或可考慮作為田塊尺度玉米產(chǎn)量估算的有效方法?；跓o人機高光譜影像并結(jié)合田間輔助信息，且采用合適的機器學(xué)習(xí)方法，可以精準(zhǔn)、高效地對田塊尺度的作物產(chǎn)量進(jìn)行估算。

4 結(jié)論

本研究基于在玉米關(guān)鍵生育時期獲取的無人機高光譜影像，通過逐步回歸、RF和XGBoost模型將植被指數(shù)、作物農(nóng)學(xué)參數(shù)和施肥信息相結(jié)合以進(jìn)行田塊尺度上玉米產(chǎn)量的精準(zhǔn)估算及預(yù)估生育時期的優(yōu)選。結(jié)論如下：

（1）植被指數(shù)、作物農(nóng)學(xué)參數(shù)和施肥在不同生育時期與產(chǎn)量的相關(guān)性有所不同，但大部分都表現(xiàn)為與產(chǎn)量顯著相關(guān)（Plt;0.01）?？傮w上，施肥對產(chǎn)量預(yù)測模型精度的貢獻(xiàn)率要相對高于作物農(nóng)學(xué)參數(shù)及植被指數(shù)，且CIre等表現(xiàn)優(yōu)異。

（2）對比3種不同的建模方法，XGBoost模型表現(xiàn)出較高的作物產(chǎn)量估算精度與穩(wěn)定性?？梢?，機器學(xué)習(xí)等智能算法具有較強的大數(shù)據(jù)處理能力，且能對變量之間存在的非線性關(guān)系進(jìn)行深入挖掘。

（3）對比不同生育時期，產(chǎn)量模型的估算精度由高到低依次為吐絲期、成熟期、拔節(jié)期，同時在吐絲期各模型的NRMSE 均低于21%，因此可將其作為玉米產(chǎn)量預(yù)估的最佳生育時期，提高產(chǎn)量模型估算性能。

參考文獻(xiàn)：

[1] ZHANG L L， ZHANG Z， LUO Y C， et al. Integrating satellite-derived

climatic and vegetation indices to predict smallholder maize yield

using deep learning[J]. Agricultural and Forest Meteorology， 2021， 311：

108666.

[2] SUN T， LI Z Z. Alfalfa-corn rotation and row placement affects yield，

water use， and economic returns in northeast China[J]. Field Crops

Research， 2019， 241：107558.

[3] 蘇偉， 侯寧， 李琪， 等. 基于Sentinel-2遙感影像的玉米冠層葉面積

指數(shù)反演[J]. 農(nóng)業(yè)機械學(xué)報， 2018， 49（1）：151-156. SU W， HOU

N， LI Q， et al. Retrieving leaf area index of corn canopy based on

Sentinel-2 remote sensing image[J]. Transactions of the Chinese Society

for Agricultural Machinery， 2018， 49（1）：151-156.

[4] DUAN B， FANG S H， GONG Y， et al. Remote estimation of grain yield

based on UAV data in different rice cultivars under contrasting

climatic zone[J]. Field Crops Research， 2021， 267：108148.

[5] 王飛龍， 王福民， 胡景輝， 等. 基于相對光譜變量的無人機遙感水稻

估產(chǎn)及產(chǎn)量制圖[J]. 遙感技術(shù)與應(yīng)用， 2020， 35（2）：458-468.

WANG F L， WANG F M， HU J H， et al. Estimating and mapping rice

yield using UAV-hyperspectral imager based relative spectral variates

[J]. Remote Sensing Technology and Application， 2020， 35（2）：458-

468.

[6] ZHANG Y， XIA C Z， ZHANG X Y， et al. Estimating the maize biomass

by crop height and narrowband vegetation indices derived from UAVbased

hyperspectral images[J]. Ecological Indicators， 2021， 129：

107985-.

[7] KAMIR E， WALDNER F， HOCHMAN Z. Estimating wheat yields in

Australia using climate records， satellite image time series and

machine learning methods[J]. ISPRS Journal of Photogrammetry and

Remote Sensing， 2020， 160：124-135.

[8] BENAMI E， JIN Z N， CARTER M R， et al. Uniting remote sensing，

crop modelling and economics for agricultural risk management[J].

Nature Reviews Earth amp; Environment， 2021， 2：140-159.

[9] 黃祥麟. 青藏高原生長季植被NDVI對氣候變化的響應(yīng)研究[D]. 成

都：成都理工大學(xué)， 2020：11 -12. HUANG X L. Response of

vegetation NDVI to climate change in growing season of Qinghai Tibet

Plateau[D]. Chengdu：Chengdu University of Technology， 2020：11-12.

[10] MARSHALL M， THENKABAIL P. Advantage of hyperspectral EO-1

Hyperion over multispectral IKONOS， GeoEye-1， WorldView-2，

Landsat ETM + ， and MODIS vegetation indices in crop biomass

estimation[J]. ISPRS Journal of Photogrammetry and Remote Sensing，

2015， 108：205-218.

[11] 李朋磊， 張驍， 王文輝， 等. 基于高光譜和激光雷達(dá)遙感的水稻產(chǎn)

量監(jiān)測研究[J]. 中國農(nóng)業(yè)科學(xué)， 2021， 54（14）：2965-2976. LI P L，

ZHANG X， WANG W H， et al. Assessment of terrestrial laser

scanning and hyperspectral remote sensing for the estimation of rice

grain yield[J]. Scientia Agricultura Sinica， 2021， 54（14）：2965-2976.

[12] 朱婉雪， 李仕冀， 張旭博， 等. 基于無人機遙感植被指數(shù)優(yōu)選的田

塊尺度冬小麥估產(chǎn)[J]. 農(nóng)業(yè)工程學(xué)報， 2018， 34（11）：78-86.

ZHU W X， LI S J， ZHANG X B， et al. Estimation of winter wheat

yield using optimal vegetation indices from unmanned aerial vehicle

remote sensing[J]. Transactions of the Chinese Society of Agricultural

Engineering， 2018， 34（11）：78-86.

[13] TIAN H R， WANG P X， TANSEY K， et al. An LSTM neural network

for improving wheat yield estimates by integrating remote sensing data

and meteorological data in the Guanzhong Plain， PR China[J].

Agricultural and Forest Meteorology， 2021， 310：108629.

[14] 陶惠林， 馮海寬， 楊貴軍， 等. 基于無人機數(shù)碼影像和高光譜數(shù)據(jù)

的冬小麥產(chǎn)量估算對比[J]. 農(nóng)業(yè)工程學(xué)報， 2019， 35（23）：111-

118. TAO H L， FENG H K， YANG G J， et al. Comparison of winter

wheat yields estimated with UAV digital image and hyperspectral data

[J]. Transactions of the Chinese Society of Agricultural Engineering，

2019， 35（23）：111-118.

[15] 韓文霆， 彭星碩， 張立元， 等. 基于多時相無人機遙感植被指數(shù)的

夏玉米產(chǎn)量估算[J]. 農(nóng)業(yè)機械學(xué)報， 2020， 51（1）：148-155. HAN

W T， PENG X S， ZHANG L Y， et al. Summer maize yield estimation

based on vegetation index derived from multi-temporal UAV remote

sensing[J]. Transactions of the Chinese Society for Agricultural

Machinery， 2020， 51（1）：148-155.

[16] 申洋洋， 陳志超， 胡昊， 等. 基于無人機多時相遙感影像的冬小麥

產(chǎn)量估算[J]. 麥類作物學(xué)報， 2021， 41（10）：1298-1306. SHEN Y

Y， CHEN Z C， HU H， et al. Estimation of winter wheat yield based on

UAV multi - temporal remote sensing image[J]. Journal of Triticeae

Crops， 2021， 41（10）：1298-1306.

[17] 張少華， 段劍釗， 賀利， 等. 基于無人機平臺多模態(tài)數(shù)據(jù)融合的小

麥產(chǎn)量估算研究[J]. 作物學(xué)報， 2022， 48（7）：1746-1760. ZHANG

S H， DUAN J Z， HE L， et al. Wheat yield estimation from UAV

platform based on multi-modal remote sensing data fusion[J]. Acta

Agronomica Sinica， 2022， 48（7）：1746-1760.

[18] LI F， MISTELE B， HU Y C， et al. Remotely estimating aerial N status

of phenologically differing winter wheat cultivars grown in contrasting

climatic and geographic zones in China and Germany[J]. Field Crops

Research， 2012， 138：21-32.

[19] GITELSON A A， KEYDAN G P， MERZLYAK M N. Three-band

model for noninvasive estimation of chlorophyll， carotenoids， and

anthocyanin contents in higher plant leaves[J]. Geophysical Research

Letters， 2006， 33（11）：431-433.

[20] GITELSON A A， KAUFMAN Y J， MERZLYAK M N. Use of a green

channel in remote sensing of global vegetation from EOS-MODIS[J].

Remote Sensing of Environment， 1996， 58（3）：289-298.

[21] MACCIONI A， AGATI G， MAZZINGHI P， et al. New vegetation

indices for remote measurement of chlorophylls based on leaf

directional reflectance spectra[J]. Journal of Photochemistry and

Photobiology， B：Biology， 2001， 61（1/2）：52-61.

[22] DATT B. A new reflectance index for remote sensing of chlorophyll

content in higher plants：tests using Eucalyptus leaves[J]. Journal of

Plant Physiology， 1999， 154（1）：30–36.

[23] KEARNEY M S， ROGERS A S， TOWNSHEND J R G， et al.

Developing a model for determining coastal marsh“health”[C]. Third

Thematic Conference on Remote Sensing for Marine and Coastal

Environments， Seattle：Washington， 1995.

[24] MISTELE B， GUTSER R， SCHMIDHALTER U， et al. Validation of

field-scaled spectral measurements of the nitrogen status in winter

wheat[C]. International Conference on Precision Agriculture amp; Other

Precision Resources Management， 2004.

[25] GUPTA R K， VIJAYAN D， PRASAD T S， et al. Comparative analysis

of red-edge hyperspectral indices[J]. Advances in Space Research，

2003， 32（11）：2217-2222.

[26] GITELSON A A， VINA A， CIGANDA V， et al. Remote estimation of

canopy chlorophyll content in crops[J]. Geophysical Research Letters，

2005， 32（8）：403.

[27] VOGELMANN J E， ROCK B N， MOSS D M， et al. Red edge spectral

measurements from sugar maple leaves[J]. International Journal of

Remote Sensing， 1993， 14（8）：1563–1575.

[28] 張智韜， 王海峰， KARNIELI Arnon， 等. 基于嶺回歸的土壤含水率

高光譜反演研究[J]. 農(nóng)業(yè)機械學(xué)報， 2018， 49（5）：240-248.

ZHANG Z T， WANG H F， ARNON K， et al. Inversion of soil moisture

content from hyperspectra based on ridge regression[J]. Transactions

of the Chinese Society for Agricultural Machinery， 2018， 49（5）：240-

248.

[29] 張?zhí)忑垼?吳珊， 湯宏勝， 等. 化學(xué)計量學(xué)在激光誘導(dǎo)擊穿光譜分析

中的研究進(jìn)展[J]. 分析化學(xué)， 2015， 43（6）：939-948. ZHANG T L，

WU S， TANG H S， et al. Progress of chemometrics in laser-induced

breakdown spectroscopic analysis[J]. Chinese Journal of Analytical

Chemistry， 2015， 43（6）：939-948.

[30] 范詩語， 耿子悅， 田芮綺， 等. 基于集成學(xué)習(xí)的上市企業(yè)違約風(fēng)險

評價[J]. 統(tǒng)計與管理， 2021， 36（2）：62-68. FAN S Y， GENG Z Y，

TIAN R Q， et al. Default risk assessment of listed companies based on

in tegrated learning[J]. Statistics and Management， 201， 36（2）：62-

68.

[31] 方馨蕊， 溫兆飛， 陳吉龍， 等. 隨機森林回歸模型的懸浮泥沙濃度

遙感估算[J]. 遙感學(xué)報， 2019， 23（4）：756-772. FANG X R， WEN

Z F， CHEN J L， et al. Remote sensing estimation of suspended

sediment concentration based on Random Forest regression model[J].

Journal of Remote Sensing， 2019， 23（4）：756-772.

[32] ANGERMUELLER C， PARNAMAA T， PARTS L， et al. Deep

learning for computational biology[J]. Molecular Systems Biology，

2016， 12（7）：878.

[33] 劉媛. 基于時序無人機遙感影像的玉米產(chǎn)量估算研究[D]. 淮南：

安徽理工大學(xué)， 2023. LIU Y. Study on corn yield estimation based

on time series UAV remote sensing images[D]. Huainan：Anhui

University of Science and Technology， 2023.

[34] LEROUX L， CASTETS M， BARON C， et al. Maize yield estimation in

west Africa from crop process-induced combinations of multi-domain

remote sensing indices[J]. European Journal of Agronomy， 2019， 108：

11-26.

[35] XU J X， MA J， TANG Y N， et al. Estimation of sugarcane yield using

a machine learning approach based on UAV-LiDAR data[J]. Remote

Sensing， 2020， 12（17）：2823.