申洋洋，陳志超，胡 昊，盛 莉，周洪奎，婁衛(wèi)東，沈阿林

(1.河南理工大學(xué)測繪與國土信息工程學(xué)院，河南焦作 454000；2.浙江省農(nóng)業(yè)科學(xué)院數(shù)字農(nóng)業(yè)研究所，浙江杭州 310021；3.浙江省農(nóng)業(yè)科學(xué)院環(huán)境資源與土壤肥料研究所，浙江杭州 310021)

冬小麥為我國的主要糧食作物之一[1]，其播種面積占我國糧食播種面積的1/5[2]，因而冬小麥是農(nóng)作物研究的主要對象[3]。作物的產(chǎn)量關(guān)乎人民的生活水平和國家的糧食安全，收獲前及時、準確地監(jiān)測預(yù)報作物產(chǎn)量對于后期田間作物管理、糧食安全、災(zāi)害評估等具有重要意義[4-6]。實地統(tǒng)計調(diào)查是傳統(tǒng)預(yù)測農(nóng)作物產(chǎn)量的主要方法[7-8]，不僅工作量大、效率低，且對作物破壞性大，難以滿足大范圍作物產(chǎn)量預(yù)測的需求[9]。遙感技術(shù)以其覆蓋面積大、受地面條件限制少、非破壞性、信息量豐富等優(yōu)點，在農(nóng)作物監(jiān)測方面得到廣泛應(yīng)用[10]。目前，遙感估產(chǎn)的方法主要是基于經(jīng)驗?zāi)Ｐ汀⑽锢砟Ｐ秃桶虢?jīng)驗?zāi)Ｐ蚚11-14]。與衛(wèi)星和地面遙感相比，無人機遙感可以獲得更高空間分辨率、時間分辨率和光譜分辨率的影像[15-17]，在農(nóng)作物監(jiān)測方面得到迅速發(fā)展，已成為農(nóng)業(yè)遙感數(shù)據(jù)獲取的重要途徑[18]。

近年來，國內(nèi)外學(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[19-23]。隨著研究的不斷深入，越來越多的統(tǒng)計分析方法和機器學(xué)習(xí)算法被用于估測作物產(chǎn)量[24-27]。王愷寧等[28]選取灌漿期的衛(wèi)星遙感數(shù)據(jù)計算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，其中非線性回歸模型精度較高，以非線性支持向量機(SVM)模型精度最好(R2=0.79)。陶惠林等[29]采集冬小麥拔節(jié)期、挑旗期、開花期無人機高光譜影像，用三種方法回歸建模，其中用偏最小二乘法(PLSR)建立的回歸模型估產(chǎn)最準確(R2=0.77)。Han等[30]結(jié)合無人機影像和四種機器學(xué)習(xí)算法(多元線性回歸、支持向量機、人工神經(jīng)網(wǎng)絡(luò)和隨機森林)估測玉米生物量，其隨機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)。劉昌華等[31]以無人機多光譜影像為基礎(chǔ)，提取冬小麥返青期、拔節(jié)期、孕穗期、揚花期冠層多光譜數(shù)據(jù)并建立產(chǎn)量估算模型，其中返青期估算效果較差，拔節(jié)期、孕穗期、揚花期估算效果相近且較好(R2分別為 0.93、0.96、0.94)。趙鑫[32]基于小麥揚花期、灌漿期、成熟期冠層影像提取15種植被指數(shù)和3種顏色特征，使用6種機器學(xué)習(xí)算法建立產(chǎn)量估測模型，其中隨機森林算法模型精度最高(R2=0.74)，灌漿期產(chǎn)量反演模型精度最高。Fu等[33]使用多旋翼無人機采集江蘇省三個地區(qū)的影像數(shù)據(jù)，使用5種線性和非線性方法構(gòu)建小麥產(chǎn)量估算模型，其中在拔節(jié)期、抽穗期、開花期和灌漿期，用歸一化植被指數(shù)(NDVI)構(gòu)建的隨機森林算法模型表現(xiàn)最佳(R2為0.78，RMSE為0.10)。由以上研究結(jié)果可知，不同研究得出的小麥最優(yōu)估產(chǎn)模型不同，因而利用無人機光譜影像進行小麥估產(chǎn)研究需要進一步的深入。本研究以冬小麥拔節(jié)期、孕穗期、抽穗期、灌漿期、成熟期的無人機多光譜影像為數(shù)據(jù)源，并基于植被指數(shù)采用統(tǒng)計分析方法(逐步多元線性回歸、偏最小二乘回歸)和機器學(xué)習(xí)算法(BP神經(jīng)網(wǎng)絡(luò)算法、隨機森林算法、支持向量機算法)對不同時期的產(chǎn)量估算模型進行構(gòu)建和效果評價，以確定最優(yōu)模型，以期為冬小麥高效、快速的產(chǎn)量估算提供技術(shù)和方法。

1 材料與方法

1.1 研究區(qū)概況與試驗設(shè)計

試驗地點位于浙江省寧波市寧海縣茶院鄉(xiāng)(29°18′N,121°34′E)，屬于亞熱帶季風性濕潤氣候，地勢西北高東南低。全年的平均氣溫約 16 ℃，年平均降雨量1 000～1 600 mm，年日照約1 900 h，平均相對濕度78%，氣候溫暖濕潤，四季分明。

供試小麥品種為金運麥1號和揚麥20。試驗設(shè)置0 kg·hm-2、90 kg·hm-2、180 kg·hm-2、270 kg·hm-24個施氮水平。各處理隨機區(qū)組排列，共48個小區(qū)，每個小區(qū)面積40 m2。氮肥為尿素，磷肥為過磷酸鈣，鉀肥為氯化鉀。其中，氮肥分兩次施用，基施40%，拔節(jié)期追施60%。磷肥和鉀肥作為基肥一次性施用，磷肥和鉀肥施用量分別為75 kg P2O5·hm-2和120 kg K2O·hm-2。

1.2 無人機多光譜遙感數(shù)據(jù)的獲取與處理

本研究采用深圳市大疆創(chuàng)新科技有限公司的四旋翼精靈4無人機為數(shù)據(jù)采集平臺，該無人機搭載多光譜成像系統(tǒng)，主要參數(shù)見表1。多光譜相機有6個影像傳感器，其中1個彩色傳感器用于可見光(RGB)成像，5個單色傳感器用于包含藍(B 450±16 nm)、綠(G 560±16 nm)、紅(R 650±16 nm)、紅邊(RE 730±16 nm)和近紅外(NIR 840±26 nm)波段的多光譜成像。試驗安排在2020年冬小麥生長季，在拔節(jié)期(2020年3月16日)、孕穗期(2020年3月26日)、抽穗期(2020年4月2日)、灌漿期(2020年4月24日)和成熟期(2020年5月12日)通過無人機飛行獲取田間多光譜遙感數(shù)據(jù)。數(shù)據(jù)采集當日天空晴朗無云、太陽光照穩(wěn)定。試驗設(shè)置無人機航線6條，相對航高30 m，航向重疊率80%，旁向重疊率70%，地面分辨率為1.5 cm，作業(yè)過程中可同步獲取研究區(qū)RGB和多光譜影像。

表1 無人機和多光譜傳感器的主要參數(shù)Table 1 Key parameters for UAV and multi-spectral sensors

將獲取的多光譜影像檢查無誤后進行處理。使用大疆智圖(DJI Terra)進行建圖航拍，將采集的照片數(shù)據(jù)導(dǎo)入DJI Terra，選擇農(nóng)田場景進行二維重建，得到基于單個波段的正射影像。將拼接完成的單個波段影像導(dǎo)入ENVI 5.3，進行波段合并，得到5個生育時期的多光譜影像。灌漿期的多光譜影像如圖1所示?；赑ython 3.6 提取每個小區(qū)1 m×1 m樣方的平均光譜值并計算72個植被指數(shù)。

圖1 無人機多光譜影像圖Fig.1 UAV multi-spectral image

1.3 地面數(shù)據(jù)獲取及處理

小麥成熟期選取每個小區(qū)均勻且有代表性的1 m2區(qū)域進行采樣，樣品帶回實驗室脫粒，籽粒曬至恒定重量后測定水分含量并稱重，獲得各個小區(qū)冬小麥產(chǎn)量。

1.4 模型構(gòu)建與驗證

依據(jù)多光譜相機五個特征波段數(shù)據(jù)計算利用72個植被指數(shù)值(計算方法等信息主要來源于文獻[34])，分別基于逐步多元線性回歸(stepwise multiple linear regression，SMLR)、偏最小二乘回歸(partial least squares regression，PLSR)、BP神經(jīng)網(wǎng)絡(luò)(back-propagation neural network，BPNN)、隨機森林(random forest，RF)和支持向量機(support vector machine，SVM)五種方法建立小麥估產(chǎn)模型[35-38]。首先，對72個植被指數(shù)與冬小麥產(chǎn)量間及這些植被指數(shù)之間分別進行Pearson相關(guān)分析和偏相關(guān)分析，然后根據(jù)植被指數(shù)與產(chǎn)量間以及植被指數(shù)間的相關(guān)性，對植被指數(shù)進行排序。將排序的72個植被指數(shù)作為輸入因子依次減少植被指數(shù)的個數(shù)進行向后逐步回歸分析，最后建立產(chǎn)量多元線性回歸估測模型。偏最小回歸二乘模型構(gòu)建時使用的是逐步多元線性回歸篩選出來的植被指數(shù)?；跈C器學(xué)習(xí)算法建立模型前，從72個植被指數(shù)中剔除與產(chǎn)量相關(guān)性較低(未達0.05顯著水平)、與其他植被指數(shù)間相關(guān)性較高的植被指數(shù)，將剩余的植被指數(shù)作為機器學(xué)習(xí)算法輸入因子(20個左右)，建立產(chǎn)量估測模型。

相關(guān)性分析使用軟件IBM SPSS Statistics 21，統(tǒng)計分析使用The Unscrambler X和SPSS，機器學(xué)習(xí)算法在Matlab環(huán)境中實現(xiàn)。隨機選擇五個生育時期的67%數(shù)據(jù)作為建模集，剩余數(shù)據(jù)作為驗證集。采用交叉驗證方法建立實測產(chǎn)量與預(yù)測產(chǎn)量之間的關(guān)系，依據(jù)決定系數(shù)(R2)、均方根誤差(RMSE)和相對誤差(RE)對估算模型的預(yù)測能力進行評價。

(1)

(2)

(3)

2 結(jié)果與分析

2.1 基于SMLR和PLSR小麥估產(chǎn)建模和模型驗證效果

從建模效果(表2和表3)看，從拔節(jié)期到灌漿期，SMLR和PLSR模型的擬合精度均較高，以抽穗期最佳，R2、RMSE、RE分別為0.86、0.46 kg·hm-2、11%和0.86、0.49 kg·hm-2、13%；成熟期的擬合精度較差。經(jīng)獨立數(shù)據(jù)驗證，兩類模型的預(yù)測精度在不同時期也均表現(xiàn)不同(圖2和表3)。拔節(jié)期和成熟期的預(yù)測精度均較差，其他時期的預(yù)測精度均較高，均以灌漿期表現(xiàn)最優(yōu)，R2、RMSE和RE分別為0.85、0.91 kg·hm-2、23%和0.83、0.97 kg·hm-2、19%。

表3 基于偏最小二乘回歸的冬小麥不同生育時期產(chǎn)量模型與模型驗證Table 3 Models and model validation of yield estimation at different wheat growth stages based on partial least squares regression

圖2 基于逐步多元線性回歸的冬小麥實測值與預(yù)測值的關(guān)系Fig.2 Relationship between measured and predicted winter wheat values based on stepwise multiple linear regression

表2 不同生育時期植被指數(shù)與小麥產(chǎn)量的逐步多元線性回歸模型Table 2 Stepwise multiple linear regression model of vegetation indices and wheat yield at different growth stages

2.2 基于機器學(xué)習(xí)算法的產(chǎn)量模型及精度驗證

基于BP神經(jīng)網(wǎng)絡(luò)算法、RF算法、SVM算法三種機器學(xué)習(xí)算法建立的模型對于不同生育時期反演精度表現(xiàn)為RF算法>BP神經(jīng)網(wǎng)絡(luò)算法>SVM算法(表4)。經(jīng)驗證，不同算法模型的預(yù)測精度在不同時期表現(xiàn)不盡相同(表5)。孕穗期、抽穗期、灌漿期和成熟期，RF算法預(yù)測精度最高，BP神經(jīng)網(wǎng)絡(luò)算法次之，SVM算法預(yù)測精度最低。拔節(jié)期RF算法預(yù)測精度最高，BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測精度最低。三種算法建立的模型成熟期預(yù)測精度最差，拔節(jié)期略高(R2>0.63)，孕穗期、抽穗期和灌漿期預(yù)測效果接近，且有較好的預(yù)測能力?；贐P神經(jīng)網(wǎng)絡(luò)算法的模型預(yù)測精度在孕穗期表現(xiàn)最優(yōu)(R2、RMSE和RE分別為0.84、0.68 kg·hm-2、28%)，基于RF算法和SVM算法的模型預(yù)測精度在抽穗期表現(xiàn)最優(yōu)，R2、RMSE和RE分別為0.91、 0.35 kg·hm-2、15%；0.79、0.59 kg·hm-2、 15%。

表4 基于機器學(xué)習(xí)算法的冬小麥不同生育時期產(chǎn)量回歸模型Table 4 Regression model of yield at different wheat growth stages based on machine learning algorithm

表5 基于機器學(xué)習(xí)算法的冬小麥不同生育時期產(chǎn)量模型驗證Table 5 Verification of yield at different wheat growth stages based on machine learning algorithm

2.3 最優(yōu)產(chǎn)量估算模型及精度驗證

對比兩種統(tǒng)計分析方法和三種機器學(xué)習(xí)算法，綜合考慮建模精度和驗證精度以及模型的均方根誤差和相對誤差，五種方法中用RF算法建立的模型精度最高，驗證效果總體最優(yōu)。從RF模型的預(yù)測值與實測值的關(guān)系(圖3)看，抽穗期估算效果最好，拔節(jié)期、孕穗期和灌漿期估算效果接近，成熟期的估算效果相對較差。

圖3 基于隨機森林算法的冬小麥產(chǎn)量實測值與預(yù)測值的關(guān)系Fig.3 Relationship between measured and predicted winter wheat yield based on random forest algorithm

3 討 論

無人機作為遙感數(shù)據(jù)獲取的新平臺，具有更高的分辨率，在監(jiān)測作物長勢、產(chǎn)量預(yù)測等精準農(nóng)業(yè)研究中發(fā)揮了重要作用。無人機多光譜數(shù)據(jù)一般含有紅、綠、紅邊和近紅外等遙感所需的重要波段，而且影像處理相對簡單，在農(nóng)業(yè)遙感的應(yīng)用上占據(jù)一定的優(yōu)勢。除了數(shù)據(jù)源，建模算法的選擇對農(nóng)作物參數(shù)的估測精度也有一定的影響，定量評價不同算法建立的預(yù)測模型精度以及選出最優(yōu)的建模方法對農(nóng)業(yè)遙感監(jiān)測具有重要意義。本研究利用無人機多光譜數(shù)據(jù)結(jié)合統(tǒng)計回歸和機器學(xué)習(xí)算法估算冬小麥產(chǎn)量。

對不同生育時期的植被指數(shù)進行相關(guān)性分析后，采用兩種統(tǒng)計分析方法建立植被指數(shù)與產(chǎn)量的回歸模型。本研究通過向后逐步多元線性回歸，以72個植被指數(shù)為變量，每建立一個模型就刪除一個對模型沒有貢獻的變量，直至篩選出最優(yōu)參數(shù)建立模型，該方法保留了對模型有顯著貢獻的變量，降低了模型的復(fù)雜性。偏最小二乘回歸分析的數(shù)學(xué)基礎(chǔ)是主成分分析，是一種集典型相關(guān)分析、多元線性回歸分析和主成分分析于一體的方法。該方法能最大限度地利用所有有效數(shù)據(jù)構(gòu)建回歸模型，且計算量小。兩種統(tǒng)計分析方法的優(yōu)勢是在自變量存在多重相關(guān)性等問題時能建立有效回歸模型，且建立的產(chǎn)量估算模型擬合效果較好，預(yù)測效果不相上下。但因其只能建立數(shù)據(jù)之間的線性關(guān)系，估算精度不高。因此，本研究選擇對非線性類型問題有較好解釋能力的機器學(xué)習(xí)算法進一步研究。

在BP神經(jīng)網(wǎng)絡(luò)、RF、SVM三種機器學(xué)習(xí)算法中，BP神經(jīng)網(wǎng)絡(luò)有非線性映射能力強、自學(xué)習(xí)和自適應(yīng)能力強等特點，是處理復(fù)雜非線性問題的有效手段；SVM算法具有完備的統(tǒng)計學(xué)理論基礎(chǔ)，基于結(jié)構(gòu)風險最小化原則，在解決小樣本、非線性及高維模式識別等問題中有獨特的優(yōu)勢；RF算法是一種結(jié)合大量回歸樹的嵌入學(xué)習(xí)算法，具有快速運算、較強的抗噪聲和不易出現(xiàn)過擬合等優(yōu)點。本研究中，用BP神經(jīng)網(wǎng)絡(luò)、RF算法建立的模型估算效果優(yōu)于統(tǒng)計回歸模型，用SVM算法建立的模型估算效果與統(tǒng)計回歸建立的模型估算效果接近。而在模型驗證時，只有RF模型的估算能力始終優(yōu)于SMLR、PLSR和SVM模型。造成這種結(jié)果的原因可能是用機器學(xué)習(xí)算法建模時會出現(xiàn)過擬合現(xiàn)象，而RF算法的魯棒性和泛化能力強于BP神經(jīng)網(wǎng)絡(luò)[34]。用RF算法建立的產(chǎn)量估算模型效果最優(yōu)，與Han等[30]和Fu等[33]的研究結(jié)果一致。用RF算法建立的估算模型中，抽穗期估產(chǎn)效果最好，成熟期估產(chǎn)效果最差，這與劉昌華等[31]得出的無法確定估產(chǎn)關(guān)鍵生育時期的結(jié)論不一致，與朱婉雪等[39]研究結(jié)果一致。雖然應(yīng)用機器學(xué)習(xí)算法可更好地利用遙感數(shù)據(jù)估算作物產(chǎn)量，但需要進行更多的研究進行以便將遙感數(shù)據(jù)和其他相關(guān)的土壤、天氣和管理信息結(jié)合起來，用于精確估算作物產(chǎn)量。