基于無人機多光譜遙感數據的植被指數玉米估產模型研究

摘" 要：玉米作為主要的糧食作物，其產量估產意義較為重大。傳統的產量估算方法均以數據抽樣調查為主，產量估算精度較低。隨著新技術新方法的不斷涌現，該文以無人機結合多光譜遙感技術，通過采集玉米的拔節期、吐絲期、乳熟期、蠟熟期4個關鍵生育期植被指數的變化，通過產量構建分析模型，并驗證篩選合理的模型用于產量估算。經驗證，在乳熟期，依據RVI、DVI、SAVI構建的產量模型精度較高。在蠟熟期，依據NDVI、RVI、DVI、SAVI構建的產量模型較高。通過以上研究，對于在玉米生長過程中，能夠積極結合數據變化，便于高效開展農作物種植，估測作物產量具有重要的指導意義。

關鍵詞：玉米；多光譜；估產模型；植被指數；無人機

中圖分類號：S38" " " 文獻標志碼：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

基金項目：2023年甘肅省教育廳高校教師創新基金項目（2023B-320）

第一作者簡介：王宗輝（1981-），男，碩士，副教授。研究方向為測繪技術、園林類專業人才培養。

*通信作者：裴寶紅（1974-），女，副教授。研究方向為園林及園藝技術。

玉米作為我國第一大糧食作物，在甘肅省內種植面積廣泛，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%，年產量616.83萬t[1]。傳統的產量估算方法主要以地面數據抽樣調查為主，該方法費時、費力、具有破壞性，難以擴展到大尺度及時、準確預測玉米產量[2]。

隨著遙感技術的興起和精準農業的發展，遙感技術積極應用于玉米生長過程中的監測及產量的估計，衛星遙感可進行大面積的作物生長監測得到大規模的應用[3]，但是衛星遙感數據獲取的局限性，遙感數據受天氣的影響明顯，圖像的分辨率低，無法精確獲取農作物產量估算的精確數據，對農作物產量的估計無法滿足精準農業的需要。近年來無人機在各個行業的大規模應用，其掛載多種類的傳感器為無人機遙感技術的應用提供了可能。國內學者利用遙感技術對多種農作物產量估測開展了研究，王愷寧等[4]選取灌漿期的衛星遙感數據計算４種植被指數，并建立植被指數與小麥產量的線性及非線性回歸模型。王爾美等[5]基于Landsat-TM與MODIS衛星遙感影像，利用NDVI光譜植被指數構建TM-MODIS多元線性回歸玉米單產估測模型。陶惠林等[6]采集冬小麥拔節期、挑旗期、開花期無人機高光譜影像，用3種方法回歸建模估測冬小麥生物量。無人機遙感技術借鑒衛星遙感的估產方法，由于無人機機動性較強、獲取數據便捷、數據精度高等特點，能夠更為精確地獲取到高分辨率影像，極大地規避了衛星遙感的弊端，也為農作物的生長監測和產量估計提供了新的應用思路，為精準農業的發展提供了數據支持。

1" 研究區概況

研究區位甘肅省張掖市甘州區沙井鎮東五村（100°15′E～39°09′N），距離甘州區27 km。區域屬大陸性氣候。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。優質的氣候和土地資源適宜玉米的生長，本次實驗采用人工點播方式，品種選用4月初播種，10月收獲。病蟲害防治統一采用無人機統一防治管理。

2" 數據采集及處理

本試驗選用大疆經緯M300RTK作為無人飛行平臺，無人機空中飛行時間55 min，具備智能定位跟蹤功能，打點定位功能可實現更高效的監測任務。通過DJI X-Port與經緯M300系列飛行平臺無縫兼容，為本次項目提供數據支持。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（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，在數據采集前對灰板拍照以開展輻射校正，同時選擇對應數據采集時間為11：00—12：00點進行數據采集。為了更好地提升數據有效性，利用大疆DJI GS PRO軟件完成航線規劃，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開展數據采集工作。

結合玉米的生長周期，根據研究計劃，于5月17日—9月28日開展共計15次數據采集，期間覆蓋玉米的拔節期、吐絲期、乳熟期、蠟熟期4個生育期。數據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），地面采樣點對應GNSS定位，用根據數據點位裁剪對應的樣方，提取其植被指數。

3" 研究方法

3.1" 技術路線

研究方法如圖1所示，首先對導出的原始數據通過影響拼接、波段合成、影像配準等操作輸出多光譜影像，通過輻射校正、大氣校正、幾何校正確保數據的準確性和一致性。利用適合的波段組合計算植被指數，并輸出植被指數影像，完成植被指數的提取，結合實際產量構建回歸模型，通過精度評定最終形成該區域玉米產量的最優模型。

3.2" 植被指數的選擇

1）NDVI：Normalized Difference Vegetation Index，NDVI是一種廣泛使用的植被指數，能夠反映植被覆蓋度和光合作用強度。在玉米估產模型中，NDVI是一個常用的指標，能夠提供關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，其對裸露的地表不敏感。在玉米估產模型中，NDBI可以提供關于玉米植株內部結構的信息，有助于估產。

3）REPI：Red-Edge Position Index，REPI是一種測量紅邊緣位置的植被指數，能夠反映植被的生長階段和健康狀況。在玉米估產模型中，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，能夠區分出綠色植被和非綠色植被。在玉米估產模型中，GNDVI可以幫助區分玉米和其他非植被覆蓋區域。

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

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

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

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

數據分析過程中采用EXECL軟件對數據統計分析并制作圖表。對所有數據隨機選擇80%數據構建監測及產量模型，其他數據進行檢核。

在基于植被指數建立的監測模型中，我們可以通過計算R2、RMSE 2個指標綜合評價模型的性能。模型的決定系數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據的特性。RMSE和MRE 2個指標越小，模型預測的準確度越高，模型的可信度也就越高。

式中：Xi為預測值；Yi為實測值；■i為實測值的平均值；i為樣本數，i=1，2，3…，n；n為樣本數。

3.3" 模型評價指標

在基于無人機多光譜遙感數據的植被指數玉米估產模型研究中，常用的模型評價指標包括以下幾個方面。

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

2）靈敏度：靈敏度是指模型對于不同條件或因素的響應程度。在玉米估產模型中，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程度。

3）穩定性：穩定性是指模型在不同情境下的預測結果的一致性。在玉米估產模型中，穩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測結果的穩定性。

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

4" 模型驗證

4.1" 產量數據分析

根據研究過程，選定NDVI、RVI、SAVI、OSAVI、EVI和GNDVI等植被指數作為作物產量的分析指數。利用EXECL軟件，分析玉米拔節期、吐絲期、乳熟期、蠟熟期4個生育期的產量進行數據分析，對關聯性較高的指數與產量進行多元線性回歸分析，構建產量預測模型。

經過統計，區域玉米產量統計表如圖2所示，根據調查，產量頻次最多為23 500～24 000 kg之間，每公頃面積玉米最高產量25 125 kg，最低21 011 kg，整體數據呈現正態分布，樣本數據合理，滿足分析要求。

4.2" 植被指數與產量的相關性分析

根據對應NDVI等參數對玉米生長關鍵期植被指數，結合產量開展關聯分析，研究對應數據關系。根據表1顯示，拔節期、抽穗期對應的相關系均在0.3以下，充分反應前2個生長期植被指數與產量關系不大。后期乳熟期和蠟熟期，對應的相關性較高，均在0.3以上，其中NDVI、RVI、DVI、SAVI相關性較高，蠟熟期更為明顯，對產量分析具有決定性作用。詳細見表1。

5" 玉米產量估測模型構建與驗證

5.1" 乳熟期玉米產量模型構建

在產量模型構建過程中，選用NDVI、RVI、DVI、SAVI、GNDVI和EVI等指數，對相關性較高的乳熟期和蠟熟期指數分別進行一元線性回歸分析，根據一元線性回歸結果進行多元線性回歸分析，并計算其對應的決定系數R2和RMSE，具體模型見表2，經過計算，其中單一參數中，DVI對應的模型最佳，多元線性回歸計算過程中，由于一元線性回歸中GNDVI模型精度較差，推薦選用較高的DVI等參數構建估測模型，建立的模型中選用NDVI、RVI、DVI、SAVI構建的模型Y=301.489A1-289.043A2-1 489.512A3-461.056A4+27 864.584，對應的決定系數R2=0.451，RMSE=623.821；選用RVI、DVI、SAVI構建的模型Y=-281.387A2-1 491.455A3-217.546A4+27 875.814，對應的決定系數R2=0.462，RMSE=617.901，2個模型比較接近。

模型建立完成后，依據未參與建模的數據進行模型數據驗證，檢驗模型的可靠性。在乳熟期，NDVI、RVI、DVI、SAVI和RVI、DVI、SAVI建立的模型對應的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，經數據驗證，基于RVI、DVI、SAVI建立的模型決定系數更高，模型確定為Y=-281.387A2-1 491.455A3-217.546A4+27 875.814，能夠更好地滿足產量預測。

5.2" 蠟熟期玉米產量模型構建

在蠟熟期數據構建產量模型過程中，通過回歸分析，建立模型見表3。根據決定系數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滿足預測要求，更合理地反映了玉米產量模型。

依據未參與建模的數據進行模型數據驗證，在模型數據核查中，一元線性模型模型對應的決定系數R2和均方根誤差RMSE精度較差，不考慮作為建模的依據；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，可以對產量進行預測。

結合上述分析，在玉米生長的早期，各種植被指數與產量的相關性較差，植被指數對產量的反映效果不好，難以利用此方法在生長早期進行產量估測。而在生長中后期，利用植被指數構建回歸模型，可以有效地估測夏玉米的產量。

6" 結論

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

參考文獻：

[1] 甘肅省統計局.甘肅省統計年鑒2021[EB/OL].http：//tjj.gansu.gov.cn/tjj/c117468/info_disp.shtml.

[2] 韋海斌.玉米產量測定方法的應用探討[J].現代農業，2013（9）：43.

[3] 王來剛，鄭國清，郭燕，等.融合多源時空數據的冬小麥產量預測模型研究[J].農業機械學報，2022，53（1）：198-204，458.

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

[5] 王爾美，李衛國，顧曉鶴，等.基于光譜特征分異的玉米種植面積提取[J].江蘇農業學報，2017，33（4）：822-827.

[6] 陶惠林，馮海寬，徐良驥，等.基于無人機高光譜遙感數據的冬小麥生物量估算[J].江蘇農業學報，2020，36（5）：1154-1162.