基于無人機高光譜遙感數據的冬小麥產量估算

陶惠林 徐良驥 馮海寬，3 楊貴軍，4 楊小冬 牛亞超

(1.北京農業信息技術研究中心農業農村部農業遙感機理與定量遙感重點實驗室， 北京 100097；2.安徽理工大學測繪學院， 淮南 232001； 3.國家農業信息化工程技術研究中心， 北京 100097；4.北京市農業物聯網工程技術研究中心， 北京 100097)

0 引言

作為我國的主要作物之一，冬小麥在糧食系統中一直扮演著重要的角色，因此對冬小麥的研究變得愈發重要[1-3]。作物的產量關乎國家糧食安全和人民的生活水平[4-8]，傳統方式測量產量不僅耗時、耗力，還會對作物造成損壞[9-10]。近些年，遙感技術發展迅速，憑借其具有宏觀、動態、快速、準確等優點，在農業領域開始廣泛應用。根據平臺類型的不同，遙感技術分為衛星遙感、航空遙感和近地遙感。衛星遙感可以用于大面積的作物監測，但運行周期長，獲取的影像分辨率不高，存在混合像元，不利于農業管理者進行有效的作物監測[11-15]。近地遙感由于受高度限制，無法獲取正射影像。航空遙感平臺分為載人飛機和無人機，而無人機相比載人飛機更具有成本優勢，還具有出色的可操作性和更高的安全性[16-18]。對比衛星遙感和近地遙感，無人機遙感空間分辨率較高，可以生成正射影像，具有低成本、高效、測量靈活等特點，已廣泛應用于農業環境監測[19-21]。常見的無人機遙感平臺攜帶的傳感器主要分為數碼相機、多光譜相機和高光譜相機，就空間分辨率和獲取的波段信息而言，高光譜相機優于數碼相機和多光譜相機，在農業上對作物的生長監測也更加準確。

關于無人機高光譜的產量估算主要是直接基于植被指數或基于植被指數結合回歸技術來實現[22-29]。文獻[22]基于無人機高光譜影像，采用21種植被指數估算產量，發現選用的植被指數和大豆生長密切相關。文獻[23]基于高光譜影像，采用不同植被指數預測玉米產量。文獻[24]利用無人機遙感數據和不同植被指數估算產量，其中歸一化差異植被指數估算產量能力最佳。文獻[25]利用無人機高光譜數據結合不同的植被指數，并通過最小二乘法估算冬小麥產量，發現最優估算指數是EVI2(Enhanced vegetation index without a blue band)。文獻[26]證明采用人工神經網絡(ANN)方法估算產量的效果優于僅基于植被指數的估算。文獻[27]利用PLS-MLR和PLS-ANN估算柑橘產量，探究最佳的產量預測方法和模型的穩定性。文獻[28]基于無人機高光譜影像，利用不同的回歸技術估算冬小麥產量，預測的效果較高。

以上研究均為分析單個或多個植被指數對產量估算的影響，利用高光譜的波段信息探討估算產量能力的研究卻鮮見報道。無人機高光譜具有較多的波段，可以充分獲取作物冠層信息，更能準確反映作物生理生化信息。由于無人機高光譜的多波段特點，因此具有數碼相機和多光譜相機所沒有的特征信息(如紅邊區域，此區域也包含了很多的作物信息)。本文以國家精準農業研究示范基地的冬小麥為研究對象，利用無人機高光譜遙感平臺，基于植被指數、基于植被指數結合紅邊參數，并利用偏最小二乘回歸(Partial least squares regression，PLSR)分別構建產量估算模型，評估無人機高光譜紅邊區域的估算產量效果，以探討提高產量估算精度的方法，為快速、高效的作物產量監測提供參考。

1 材料與方法

1.1 研究區概況

試驗區位于北京市昌平區小湯山鎮的國家精準農業研究示范基地，地處東經116°34′～117°0′，北緯40°0′～40°21′，該區域地勢平坦，平均海拔約為36 m，屬于溫帶半濕潤大陸性季風氣候，全年的平均溫度為11.8℃，年降雨量為644 mm，年平均日照時數為2 684 h。

1.2 試驗設計

試驗選用2個品種冬小麥，分別為京麥9843(J9843)和中麥175(ZM175)，同時，設置了不同的氮素和水分灌溉處理。氮素分為4種水平：N1(0 kg/hm2)、N2(195 kg/hm2)、N3(390 kg/hm2)、N4(585 kg/hm2)；水分為3種水平：W0(僅降雨)、W1(675 m3/hm2)、W2(1 012.5 m3/hm2)，按正交試驗設計，對以上的每種處理方式重復3次，每種處理為16個小區，共48個小區，試驗區位置和設計如圖1所示。

圖1 研究區位置和試驗設計Fig.1 Study area location and experimental design

1.3 地面數據獲取及處理

地面實測過程中，于冬小麥成熟期獲取產量數據。為了保證采集的數據均勻和有代表性，在每個小區的對角線交點處取1 m2區域進行采樣，分別獲取了48個小區樣本，將獲取的樣本放入袋中帶回實驗室，將樣本曬至恒定質量后，稱取各小區的冬小麥產量，產量單位kg/hm2，共獲取48組產量數據。

1.4 無人機高光譜遙感數據的獲取與處理

在冬小麥拔節期(2015年4月21日)、挑旗期(2015年4月26日)、開花期(2015年5月13日)和灌漿期(2015年5月22日)進行了無人機飛行試驗。采用DJI S1000型八旋翼無人機，機身凈質量 4.2 kg，載物質量6 kg，攜帶2塊18 000 mA·h (25 V)電池，能夠持續飛行30 min，飛行高度為80 m，速度為8 m/s，為了獲取穩定冬小麥冠層光譜反射率，選擇晴朗無云的天氣，于12:00開始試驗。搭載的傳感器為Cubert UHD185 Firefly型成像光譜儀，簡稱UHD185，主要參數如表1所示。

表1 成像光譜儀主要參數Tab.1 Main parameters of imaging spectrometer

將獲取的無人機高光譜進行預處理，主要包括影像校正、影像拼接和反射率提取。在進行高光譜影像校正時，需要將影像的DN(Digital number)值轉換為地表反射率[29]。利用德國Cubert Cube-Pilot軟件將不同生育期的全色圖像和高光譜圖像，生成融合后的高光譜影像，生成的影像空間分辨率為2 cm；再通過俄羅斯Agisoft PhotoScan 軟件完成高光譜影像的拼接工作。

1.5 研究方法

1.5.1分析方法

利用偏最小二乘回歸(Partial least squares regression，PLSR)方法構建不同生育期的產量估算模型。PLSR結合了主成分分析和典型相關分析的特點，特別當變量個數較多時，存在多重相關性，而觀測變量數據較少時，利用PLSR建立的模型具有傳統的典型回歸分析所沒有的優點。通過將自變量和因變量標準化，得到相關系數矩陣和主成分對，建模中采用了數據降維技術，并且可以消除多個變量的共線性問題，將多個自變量減少為幾個互不相關的潛變量[30-31]。

1.5.2植被指數選取

目前對植被指數的研究眾多，在已有的研究成果上，選取了MSR、NDVI、OSAVI、TCARI、MCARI、EVI2、GNDVI、RVI、LCI共9種與產量相關的植被指數[32-43]，構建植被指數與產量之間的遙感監測模型。

1.5.3紅邊參數選取

由于葉綠素吸收、葉片和冠層散射的作用，在670～750 nm波段范圍，植被的光譜反射率從低值迅速增加到較高值，此區域被稱為紅邊區域[44]。為了研究紅邊區域對作物產量估算的影響，選取了5個紅邊參數進行產量模型構建。分別選取了紅邊位置(REP)、紅邊振幅(Dr)、最小振幅(Drmin)、紅邊振幅/最小振幅(Dr/Drmin)和紅邊面積(SDr)。紅邊位置為680～750 nm范圍光譜最大一階微分的波長[45]；紅邊振幅為紅邊位置的一階微分[46]；最小振幅為最小紅邊振幅[41]；紅邊面積為紅邊區域的所有光譜一階微分的和[47]。

1.5.4模型精度驗證

為了構建產量的估算模型，使用不同生育期的重復1和重復2小區作為建模集樣本，剩余重復3小區作為驗證集樣本，即選用每個生育期的2/3樣本建模(32個樣本)，剩余1/3樣本驗證(16個樣本)。為了評價所構建的產量模型，選取了決定系數(Coefficient of determination，R2)、均方根誤差(Root mean squared error，RMSE)和標準均方根誤差(Normalized root mean squared error，NRMSE)3種評價指標來驗證模型精度[48]。R2越大說明模型的擬合效果越好，RMSE與NRMSE越小說明模型預測的精度越高。

2 結果分析

2.1 植被指數、紅邊參數和產量相關性分析

將選取的植被指數、紅邊參數分別與冬小麥產量進行相關性分析，得到不同生育期的相關性分析結果(樣本數n=48)，如表2所示。從表2可知，對于植被指數，從拔節期到灌漿期，大部分植被指數與產量相關性表現為逐漸增強，并且大部分植被指數與產量為極顯著相關(0.01水平顯著)。拔節期TCARI為顯著相關，OSAVI、MCARI和EVI2無顯著相關，剩余植被指數都為極顯著相關；挑旗期除MCARI外，其余植被指數均表現為0.01水平顯著相關；開花期大部分植被指數和產量之間的相關性增強，其中TCARI為無顯著相關，MCARI為顯著相關；灌漿期植被指數和紅邊參數與產量相關性變高，對于植被指數，相關性表現和開花期相似，TCARI表現無顯著相關，MCARI表現顯著相關。

表2 不同生育期植被指數、紅邊參數與產量相關系數Tab.2 Correlation between vegetation indices, red edge parameters and yield at different growth stages

大部分紅邊參數與產量為極顯著相關(0.01水平顯著)。拔節期除Dr和SDr為無顯著相關外，剩余紅邊參數都為極顯著相關；挑旗期紅邊參數中Dr表現0.05水平顯著相關，SDr表現無顯著相關；開花期紅邊參數中僅Drmin為無顯著相關，其余紅邊參數均為極顯著相關；灌漿期紅邊參數均表現為極顯著相關。

分析不同生育期的植被指數以及紅邊參數與產量的相關性：拔節期相關系數絕對值最高為0.511，對應的是紅邊參數REP；挑旗期相關系數絕對值最大為Drmin，為0.740；開花期相關性系數最大為0.776，為植被指數GNDVI；灌漿期也是GNDVI的相關系數絕對值最高，為0.793。

2.2 單參數估算模型建立

根據表2的相關性結果，可以發現在不同生育期，植被指數LCI、GNDVI、NDVI、MSR、RVI都呈現極顯著相關，紅邊參數REP和Dr/Drmin也表現為極顯著，說明這7個參數在冬小麥各個生育期都有較強的相關性。將這7個參數分別與產量之間建立線性關系，結果如表3所示。根據表3，從拔節期到灌漿期，開花期和灌漿期中的植被指數與產量的回歸效果優于拔節期和挑旗期。而紅邊參數與產量的回歸關系變化無規律。拔節期建模的R2最大為0.20，對應的是REP和Dr/Drmin，比較RMSE和NRMSE，同時驗證REP的R2最大，所以REP估算產量效果較好。挑旗期建模和驗證R2最高的為Dr/Drmin，分別為0.51與0.64，RMSE與NRMSE最低，此生育期估算產量效果最好的參數為Dr/Drmin。開花期GNDVI估算產量效果最好，建模R2、RMSE和NRMSE分別為0.55、901.63 kg/hm2與14.77%。灌漿期GNDVI在建模中表現最佳，其R2為此生育期最高值，RMSE和NRMSE為最低值，建模R2、RMSE和NRMSE分別為0.53、929.49 kg/hm2與15.22%。不同生育期各參數構建的產量估算模型表現差異較大，這是由于植被指數和紅邊參數在各生育期與產量的敏感性不同，導致對產量估算的效果也不一樣。

表3 植被指數、紅邊參數與產量的回歸關系Tab.3 Regression relationship between vegetation indices, red edge parameters and yield

2.3 基于植被指數、植被指數結合紅邊參數的產量估算模型構建

為了評價PLSR和植被指數以及植被指數結合紅邊參數估算產量的能力，利用表3中選取的5個植被指數和2個紅邊參數，通過PLSR方法構建冬小麥不同生育期的基于植被指數與植被指數結合紅邊參數的產量估算模型，估算精度分別見表4和表5。由表4和表5可以看出，4個生育期中，開花期的產量估算表現為最佳(R2=0.74，RMSE為684.49 kg/hm2，NRMSE為11.21%)。對于基于植被指數結合紅邊參數的產量估算，從拔節期到開花期，R2表現為一直增加，RMSE和NRMSE一直減小；從開花期到灌漿期，R2表現為開始減小，RMSE和NRMSE開始增加，4個生育期的產量估算表現和基于植被指數的產量估算表現一致。其中不同生育期，開花期的R2最高，RMSE和NRMSE最低，此生育期的產量估算精度最高(R2=0.80，RMSE為595.90 kg/hm2，NRMSE為9.76%)，為最佳的估算產量時期。對比基于植被指數和基于植被指數結合紅邊參數的產量估算效果，均表現出開花期的產量估算效果最佳，同時不同生育期的基于植被指數結合紅邊參數的產量估算精度高于基于植被指數的產量估算精度。

表4 基于植被指數的產量估算精度Tab.4 Yield estimation accuracy based on vegetation indices

表5 基于植被指數和紅邊參數的產量估算精度Tab.5 Yield estimation accuracy based on vegetation indices and red edge parameters

為了驗證基于植被指數和基于植被指數結合紅邊參數估算產量的精度，利用驗證集數據進行驗證，得到基于植被指數以及基于植被指數和紅邊參數的不同生育期產量實測值與預測值的關系，如圖2、3所示。根據圖2、3，比較基于植被指數的產量實測值與預測值關系，4個生育期產量模型的R2也是先增加后降低，在開花期達到最高，RMSE和NRMSE的變化為先降低后增加，模型評價指標的變化趨勢和估算產量精度模型一致，說明了模型驗證效果較好。比較基于植被指數和紅邊參數的實測值與預測值關系，從拔節期到開花期產量模型的R2、RMSE和NRMSE的變化和基于植被指數一致，另外基于植被指數和紅邊參數的驗證效果優于基于植被指數，這個結果和產量估算精度保持一致。

圖2 基于植被指數的冬小麥不同生育期產量實測值與預測值關系Fig.2 Relationships between measured and predicted yields of winter wheat at different growth stages based on vegetation indices

圖3 基于植被指數和紅邊參數的冬小麥不同生育期產量實測值與預測值關系Fig.3 Relationships between measured and predicted winter wheat yields at different growth stages based on vegetation indices and red edge parameters

2.4 產量分布

比較基于植被指數、基于植被指數和紅邊參數的產量模型，其中在開花期，基于植被指數和紅邊參數構建的產量估算模型最佳，利用此生育期的產量模型，生成基于植被指數和紅邊參數的冬小麥開花期產量預測分布圖，見圖4。從圖4可知，重復1、重復2和重復3區域產量分布差異明顯，其中重復2區域產量高于重復1和重復3區域，而重復1區域也高于重復3區域，與施肥與水分處理有關，整體上，開花期產量分布范圍是3 500～9 000 kg/hm2。根據實際測量的產量結果，重復2區域產量高于重復1和重復3區域，并且開花期實測產量主要為3 500～9 000 kg/hm2，結果和基于產量估算模型預測得的產量分布一致，說明了估算產量模型可行。

圖4 開花期產量預測分布圖Fig.4 Distribution of yield prediction at flowering stage

3 討論

目前，估算作物產量大多為利用衛星遙感或實地測量的方式獲取，衛星遙感技術可以監測大區域的作物產量，但空間分辨率低，對于小區域的產量分布監測效果不明顯；地面測量消耗大量人力物力，不能高效地監測產量。本文基于無人機獲取數據具有高效和較高的空間分辨率的特點，同時根據高光譜具有多波段的特征，利用無人機高光譜獲取了冬小麥不同生育期的影像數據，融入了高光譜的特有波段區域(紅邊區域)，獲取了較好的產量估算效果，為作物產量的準確和快速估算提供了新的方法。

3.1 基于單個植被指數或紅邊參數的產量估算

不同生育期的植被指數，大部分都與產量之間表現為極顯著相關，隨著生育期，植被指數與產量的相關性增強；而紅邊參數在不同生育期與產量的相關性也主要呈極顯著，但從拔節期到灌漿期，相關性變化無規律。原因可能是選取的植被指數在各個生育期對產量敏感性較高，紅邊參數中有個別與產量敏感性較好。正是因為敏感性不同，所以在構建產量模型時需要對參與建模的植被指數和紅邊參數進行挑選。利用挑選出的植被指數和紅邊參數構建產量估算模型，發現單個的植被指數或紅邊參數的產量估算效果有較大差異，拔節期、挑旗期和灌漿期中都是單個的紅邊參數表現為較佳的產量估算效果，而僅僅開花期單個植被指數表現為最佳，說明了紅邊參數對作物產量預測有很強的能力。文獻[49]證明了紅邊參數能夠很好地反演作物的LAI。而本文發現了紅邊參數對冬小麥有很好的產量估算效果，這就意味著紅邊參數不僅可以預測LAI，還可以預測產量，更好地探究了紅邊參數與作物產量之間的關系，為提高作物產量的估算精度提供一種新的方法。

3.2 基于植被指數和紅邊參數的PLSR方法產量估算

通過PLSR方法，分別構建基于植被指數、基于植被指數和紅邊參數的產量模型，發現利用PLSR構建的產量模型優于單個植被指數或單個紅邊參數構建的模型。文獻[50]發現了多個植被指數結合PLSR方法能夠很好地估算作物參數，估算效果強于僅單個植被指數的估算。文獻[51]也證明了利用PLSR方法能夠很好地提高反演作物葉綠素含量的精度。這些結果和本研究保持一致，通過PLSR冬小麥產量估算效果得到了提高，但也發現了紅邊參數對估算產量精度的影響，將植被指數結合紅邊參數估算產量，在不同生育期，基于植被指數和紅邊參數的產量模型都優于基于植被指數的模型，并且均提高了估算精度，說明了紅邊參數對作物產量估算有積極的促進作用，能夠很好地用于預測作物產量。

在以后的研究中，應該探究更多的波段信息，分析不同的波段信息下冬小麥的產量估算效果，另外還可以試驗不同的作物，驗證基于無人機高光譜條件下不同作物下的產量估算能力。

4 結束語

在不同生育期，植被指數和紅邊參數與產量的相關性差異明顯，但大部分都呈現極顯著相關。利用優選的植被指數和紅邊參數建立不同生育期的單參數產量估算模型，拔節期、挑旗期、開花期和灌漿期的最佳產量估算參數分別為REP、Dr/Drmin、GNDVI與GNDVI，對應的建模R2分別為0.20、0.51、0.55和0.53。基于植被指數或植被指數結合紅邊參數，并利用PLSR構建各生育期的產量估算模型，均在開花期表現最佳(R2分別為0.74和0.80)，與基于植被指數和基于植被指數結合紅邊參數的產量模型相比，使用PLSR提高了產量估算精度。同時，基于植被指數結合紅邊參數的產量估算模型在冬小麥不同生育期均表現出優于基于植被指數的產量模型。