王嘉盼，武紅旗，王德俊，軒俊偉，郭 濤，李永康

(1.新疆農(nóng)業(yè)大學(xué)草業(yè)與環(huán)境科學(xué)學(xué)院, 新疆烏魯木齊 830052; 2.新疆土壤與植物生態(tài)過程實(shí)驗(yàn)室,新疆烏魯木齊 830052; 3.新疆草地修復(fù)與環(huán)境信息重點(diǎn)實(shí)驗(yàn)室，新疆烏魯木齊 830052)

小麥作為主要的糧食作物之一[1]，其生產(chǎn)能力對(duì)保障我國人民生活和國家糧食安全具有十分重要的意義[2]。及時(shí)、準(zhǔn)確地掌握小麥產(chǎn)量信息，可為農(nóng)業(yè)管理者和生產(chǎn)者實(shí)現(xiàn)小麥田間和市場(chǎng)管理決策提供科學(xué)技術(shù)指導(dǎo)[3]。目前，作物估產(chǎn)手段主要分為傳統(tǒng)和遙感兩種方式。傳統(tǒng)估產(chǎn)主要通過人工實(shí)地抽樣開展，具有成本高、耗時(shí)費(fèi)力、人工誤差等缺點(diǎn)；遙感技術(shù)憑借其覆蓋范圍廣、更新速度快[4]、無損獲取地物信息[5]等優(yōu)勢(shì)被廣泛應(yīng)用于小麥估產(chǎn)，現(xiàn)已達(dá)到實(shí)用化階段[2,6-7]。低空無人機(jī)可為小尺度遙感影像的獲取提供平臺(tái)，具有操作方便、快速高效、成本較小等特點(diǎn)[8-9]。國內(nèi)外學(xué)者在作物估產(chǎn)方面的研究已取得了豐碩成果[10-14]。如李昂利用無人機(jī)搭載數(shù)碼相機(jī)獲取影像，進(jìn)而構(gòu)建水稻從抽穗期到成熟期的多元線性回歸產(chǎn)量估測(cè)模型，取得了滿意的結(jié)果[15]；王妮利用無人機(jī)平臺(tái)獲取的多光譜數(shù)據(jù)提取植被指數(shù)，構(gòu)建小麥抽穗、開花和灌漿期的多元回歸估產(chǎn)模型，其精度達(dá)到0.65，RRMSE為15%[16]；劉紅超等利用Landsat TM遙感數(shù)據(jù)，建立小麥拔節(jié)后期產(chǎn)量的一元回歸模型，取得了較好的研究成果[17]。譚昌偉等基于國產(chǎn)衛(wèi)星HJ-1A/B遙感數(shù)據(jù)，利用間接方法建立的小麥估產(chǎn)模型精度好于直接方法[18]。目前，多數(shù)研究采用單一方法進(jìn)行建模估產(chǎn)，關(guān)于多生育時(shí)期多種方法之間的對(duì)比分析研究較少。本研究以春小麥關(guān)鍵生育時(shí)期無人機(jī)影像作為數(shù)據(jù)源，結(jié)合地面實(shí)測(cè)生理指標(biāo)，采用一元線性回歸(UR)、多元逐步回歸(SMLR)和主成分回歸(PCAR)方法，探究各生育時(shí)期植被指數(shù)、生理指標(biāo)與小麥產(chǎn)量間的相關(guān)性，評(píng)估篩選與產(chǎn)量顯著相關(guān)的敏感變量，分別構(gòu)建不同時(shí)期的小麥估產(chǎn)模型，以期為及時(shí)掌握小麥田間長勢(shì)信息和產(chǎn)量豐欠變化提供參考。

1 材料與方法

1.1 研究區(qū)概況

本研究以新疆農(nóng)業(yè)大學(xué)三坪實(shí)驗(yàn)教學(xué)基地(43°56′19″～43°56′22″N，87°21′08″～87°21′11″E)為研究區(qū)(圖1)。其地處天山北麓，海拔約 594 m，地勢(shì)南高北低，屬典型中溫帶大陸性干燥氣候，年均降雨量為236 mm，年均氣溫2.8～ 13.0 ℃，土壤類型為灰漠土。供試小麥材料為具有代表性的380份小麥品種，其中每份材料均設(shè)置4個(gè)重復(fù)，每個(gè)重復(fù)區(qū)周邊均有保護(hù)行，所有供試品種均按照編號(hào)進(jìn)行種植，每小區(qū)種植3行，行長2 m，寬0.2 m。整個(gè)試驗(yàn)田種植密度水平均為150萬株·hm-2，其他管理方式與普通大田一致。春小麥于2019年4月上旬播種，同年7月下旬收獲，試驗(yàn)地寬55.8 m，長 65.2 m，共279行，行距0.2 m占地3.64×103m2。

1.2 數(shù)據(jù)來源

1.2.1 無人機(jī)影像獲取及預(yù)處理

試驗(yàn)借助大疆精靈4A無人機(jī)搭載高清數(shù)碼相機(jī)作為數(shù)據(jù)獲取平臺(tái)。田間數(shù)據(jù)采集時(shí)間為抽穗期(6月1日)、灌漿期(6月17日)和成熟期(7月6日)。數(shù)據(jù)采集當(dāng)天晴朗無云，太陽光照強(qiáng)度穩(wěn)定，無人機(jī)飛行高度為20 m，橫縱向重疊度均為80%，影像空間分辨率為0.01 m。影像采用Pix4Dmapper軟件拼接處理，得到春小麥各生育時(shí)期高清數(shù)字正射影像(digital orthophoto map，DOM)，可見光植被指數(shù)通過 ENVI5.1軟件計(jì)算獲得。

1.2.2 地面實(shí)測(cè)數(shù)據(jù)獲取

地面數(shù)據(jù)采集與無人機(jī)作業(yè)同步進(jìn)行，共選取83個(gè)采樣點(diǎn)(圖1)，在各采樣點(diǎn)隨機(jī)選取6株小麥，按照植株冠層的上中下依次測(cè)量，取其平均值作為各采樣點(diǎn)的實(shí)測(cè)數(shù)值。各項(xiàng)生理指標(biāo)[葉綠素相對(duì)含量(SPAD值)、葉片含氮量和葉片含水量]采用SY-S02植株?duì)I養(yǎng)測(cè)定儀測(cè)量，葉面積指數(shù)(LAI)采用LAI-2200冠層分析儀測(cè)量。每個(gè)采樣點(diǎn)共獲取12組數(shù)值，取其平均值作為各采樣點(diǎn)的觀測(cè)值。小麥成熟后，每個(gè)小區(qū)選取1 m2代表性區(qū)域，調(diào)查穗數(shù)，收獲該區(qū)域帶回實(shí)驗(yàn)室測(cè)定穗粒數(shù)和千粒重，計(jì)算各小區(qū)產(chǎn)量數(shù)據(jù)。

圖1 研究區(qū)概況Fig.1 Sketch map of the study area

1.3 研究方法

1.3.1 植被指數(shù)的選取

在遙感研究領(lǐng)域中，植被指數(shù)作為一種對(duì)地表狀況的有效度量手段[19]，可作為模型的輸入變量對(duì)農(nóng)作物進(jìn)行估產(chǎn)。本研究選取10種可見光植被指數(shù)作為自變量參與建模。這些植被指數(shù)分別為歸一化綠藍(lán)差異指數(shù)(mormalized green-blue difference index，NGBDI)[20]、超綠指數(shù)(excess green index，ExG)[21]、超紅指數(shù)(excess red index，ExR)[22]、紅光標(biāo)準(zhǔn)化值(normalized redness intensity，NRI)[23]、綠光標(biāo)準(zhǔn)化值(normalized greenness intensity，NGI)[23]、藍(lán)光標(biāo)準(zhǔn)化值(normalized blueness intensity，NBI)[23]、紅綠比指數(shù)(red-green ratio index，RGRI)[24]、可見光綠葉指數(shù)(visible-band difference vegetation index，VDVI)[25]、紅綠藍(lán)植被指數(shù)(red, green and blue vegetation index，RGBVI)[26]、改進(jìn)型綠紅植被指數(shù)(modified green red vegetation index，MGRVI)[26]。

1.3.2 模型構(gòu)建及驗(yàn)證

利用SPSS軟件從83個(gè)樣本中隨機(jī)抽取55個(gè)作為建模樣本，按照一元回歸(UR)、多元逐步回歸(SMLR)[27]和主成分回歸(PCAR)方法[28]選取合適自變量建立估產(chǎn)模型，用剩余28個(gè)樣本對(duì)所建模型精度進(jìn)行驗(yàn)證并制做實(shí)測(cè)值和模擬值的1∶1散點(diǎn)圖。選取決定系數(shù)(R2)、均方根誤差(RMSE)以及標(biāo)準(zhǔn)均方根誤差(nRMSE)作為模型的評(píng)價(jià)指標(biāo)。R2表示實(shí)測(cè)值和預(yù)測(cè)值的擬合程度，RMSE用來衡量實(shí)測(cè)值和預(yù)測(cè)值之間的離散程度，R2越大，RMSE和nRMSE越小，模型的估算效果越好，反之則越差。

(1)

(2)

(3)

2 結(jié)果與分析

2.1 小麥生理指標(biāo)與產(chǎn)量的相關(guān)性

從相關(guān)分析結(jié)果(表1)看，小麥各生育時(shí)期生理指標(biāo)與產(chǎn)量相關(guān)性均表現(xiàn)為葉片含氮量>LAI>葉片葉綠素相對(duì)含量>葉片含水量。從抽穗期到成熟期，LAI、葉綠素相對(duì)含量、葉片含水量、葉片含氮量與產(chǎn)量的相關(guān)性均呈下降趨勢(shì)。這可能因?yàn)槌樗肫谑切←溕L發(fā)育最旺盛時(shí)期，也是植株對(duì)養(yǎng)分、水分及光照需求最多的時(shí)期，因而該時(shí)期小麥生理特征與產(chǎn)量相關(guān)性高于其他時(shí)期。

表1 不同生育時(shí)期小麥產(chǎn)量與生理指標(biāo)的相關(guān)性Table 1 Correlation of wheat yield and various physiological indices at different growth stages

2.2 小麥植被指數(shù)與產(chǎn)量的相關(guān)性分析

相關(guān)性分析表明，小麥各生育時(shí)期植被指數(shù)與產(chǎn)量的相關(guān)性均達(dá)到顯著或極顯著水平(表2)。其中，單波段植被指數(shù)(NRI、NGI和NBI)與產(chǎn)量的相關(guān)性在三個(gè)時(shí)期都較低。NGI、ExG和ExR與產(chǎn)量呈負(fù)相關(guān)，其他植被指數(shù)呈正相關(guān)。同一生育時(shí)期不同植被指數(shù)與產(chǎn)量的相關(guān)性存在顯著差異，抽穗期、灌漿期和成熟期相關(guān)性最大的植被指數(shù)分別為NGBDI、VDVI和MGRVI，最小的分別為NGI、NRI和NRI；不同生育時(shí)期各植被指數(shù)與產(chǎn)量的相關(guān)性均表現(xiàn)為抽穗期>灌漿期>成熟期。

表2 不同生育期小麥產(chǎn)量與植被指數(shù)的相關(guān)性Table 2 Correlation between wheat yield and vegetation index at different growth stages

2.3 基于生理指標(biāo)的估產(chǎn)模型擬合效果

利用UR、SMLR和PCAR三種回歸方法分別基于生理指標(biāo)構(gòu)建小麥估產(chǎn)模型。UR模型選用與產(chǎn)量相關(guān)性最大的葉片含氮量作為自變量，該模型在各生育時(shí)期的擬合精度表現(xiàn)為抽穗期>灌漿期>成熟期(表3)，其中抽穗期的R2、RMSE和nRMSE分別為0.604、550.42 kg·hm-2和18.76%。SMLR模型在不同時(shí)期所選的自變量不同，各時(shí)期的擬合精度也隨生育進(jìn)程呈下降趨勢(shì)，其中模型抽穗期的R2、RMSE和nRMSE分別為0.811、359.34 kg·hm-2和12.33%。PCAR模型的擬合精度變化規(guī)律與其他兩種模型相似，也以抽穗期擬合效果最佳，R2、RMSE和nRMSE分別為0.644、493.14 kg·hm-2和16.92%。

表3 基于生理指標(biāo)的估產(chǎn)模型擬合精度Table 3 Fitting accuracy of yield estimation model based on physiological indicators

2.4 基于植被指數(shù)的估產(chǎn)模型擬合效果

與生理指標(biāo)相似，基于植被指數(shù)的三類小麥估產(chǎn)模型擬合精度均表現(xiàn)為抽穗期>灌漿期>成熟期(表4)。在抽穗期，UR模型的R2、RMSE和nRMSE分別為0.505、581.78 kg·hm-2和 19.95%，SMLR模型的R2、RMSE和nRMSE分別為0.674、472.06 kg·hm-2和16.19%；PCAR模型的R2、RMSE和nRMSE分別為 0.703、 450.19 kg·hm-2和15.44%。三種模型中，PCAR模型的擬合精度最高。

表4 基于植被指數(shù)的估產(chǎn)模型擬合精度Table 4 Fitting accuracy of yield estimation model based on vegetation index

2.5 結(jié)合生理指標(biāo)和植被指數(shù)的估產(chǎn)模型擬合精度

由于所有候選自變量中葉片含氮量與產(chǎn)量相關(guān)性最高，UR模型最終選用其作為自變量。兩類參數(shù)結(jié)合后，SMLR和PCAR模型的R2在各時(shí)期較單一類型參數(shù)模型均有所提高，RMSE和nRMSE均下降或接近。所有模型相比，抽穗期SMLR模型的擬合效果最好，R2、RMSE和nRMSE分別為0.828、362.53 kg·hm-2和 12.53%(表5)。

表5 結(jié)合生理指標(biāo)和植被指數(shù)的估產(chǎn)模型擬合精度Table 5 Fitting accuracy of yield estimation model combining physiological indicators and vegetation indices

2.6 小麥估產(chǎn)模型的預(yù)測(cè)精度

利用剩余30%樣本對(duì)各時(shí)期小麥估產(chǎn)模型進(jìn)行驗(yàn)證(圖2、圖3和圖4)。無論是以單一類型參數(shù)建立的模型，還是以兩類參數(shù)結(jié)合所建的模型，模型的預(yù)測(cè)精度均表現(xiàn)為抽穗期>灌漿期>成熟期，抽穗期的估產(chǎn)模型估產(chǎn)效果最佳。雖然以植被指數(shù)為自變量構(gòu)建的估產(chǎn)模型整體穩(wěn)定性較好(圖3)，但結(jié)合兩類參數(shù)所建的模型預(yù)測(cè)精度優(yōu)于以單一類型參數(shù)所建模型。從圖4可以看出，其中結(jié)合兩類參數(shù)的模型中，以抽穗期的SMLR模型預(yù)測(cè)精度最高，其R2、RMSE和nRMSE分別為0.776、222.68 kg·hm-2和 7.82%；灌漿期和成熟期的PCAR模型預(yù)測(cè)精度均較低，R2、RMSE和nRMSE分別為0.706、 315.25 kg·hm-2、11.07%和0.583、502.01 kg·hm-2、17.63%(圖2)。因此可在抽穗期基于結(jié)合小麥生理指標(biāo)和植被指數(shù)兩類參數(shù)的SMLR模型進(jìn)行估產(chǎn)。

圖2 基于生理指標(biāo)構(gòu)建的小麥各生育時(shí)期估產(chǎn)模型精度驗(yàn)證Fig.2 Validation of the accuracy of the estimation model for each wheat growth stage based on physiological indexes

圖3 基于植被指數(shù)構(gòu)建的小麥各生育時(shí)期估產(chǎn)模型精度驗(yàn)證Fig.3 Accuracy verification of the yield estimation model for each wheat growth stage based on vegetation indexes

圖4 結(jié)合兩類變量構(gòu)建的小麥各生育時(shí)期估產(chǎn)模型精度驗(yàn)證Fig.4 Accuracy verification of the yield estimation model for each wheat growth stage constructed by combining the two variables

利用抽穗期的無人機(jī)遙感影像，結(jié)合植被指數(shù)與生理指標(biāo)作為自變量構(gòu)建抽穗期的最優(yōu)模型，生成與產(chǎn)量相關(guān)的各敏感變量數(shù)值圖，通過柵格計(jì)算，得到整個(gè)試驗(yàn)地的小麥產(chǎn)量估測(cè)圖(圖5)。由圖5可知，整個(gè)試驗(yàn)地產(chǎn)量主要分布于800～2 000 kg·hm-2范圍內(nèi),與成熟期小麥實(shí)際收獲樣點(diǎn)產(chǎn)量數(shù)據(jù)相接近，其中<200 kg·hm-2的為裸地，符合實(shí)際情況，≥4 000 kg·hm-2的頻率較少，可能與土壤養(yǎng)分狀況、空氣濕度等環(huán)境因素相關(guān)。

圖5 小麥單產(chǎn)預(yù)測(cè)圖Fig.5 Forecast of wheat yield

3 討 論

本研究中，基于無人機(jī)圖像提取的植被特征指數(shù)與小麥產(chǎn)量間的相關(guān)性較高，其中MGRVI、NGBDI、ExR、RGBVI和VDVI與產(chǎn)量的相關(guān)性較好，這與陳晨等[29]得到的結(jié)果基本一致。較灌漿期和成熟期，抽穗期估產(chǎn)效果最優(yōu)，各項(xiàng)生理指標(biāo)與小麥單產(chǎn)均具有較好的敏感性，也印證了劉靜等[30]和劉原峰[31]的研究結(jié)果。基于不同生育時(shí)期的估產(chǎn)模型中，SMLR和PCAR模型整體上都優(yōu)于UR模型，且結(jié)合兩種參數(shù)構(gòu)建的抽穗期SMLR模型擬合精度最高，R2=0.828，相較于單一類型參數(shù)模型的精度都有所提升，但SMLR驗(yàn)證模型較一元回歸和和PCAR模型精度有所降低，可能是由于自變量的增加導(dǎo)致模型結(jié)構(gòu)復(fù)雜產(chǎn)生過擬合的原因，各時(shí)期模型精度整體上相較于譚昌偉等的[3,18]偏低，其原因可能是試驗(yàn)小區(qū)測(cè)產(chǎn)面積小，邊際效應(yīng)明顯，加之測(cè)產(chǎn)時(shí)人工誤差的存在，都對(duì)研究結(jié)果產(chǎn)生一定影響。

本研究基于無人機(jī)平臺(tái)構(gòu)建春小麥各生育時(shí)期的估產(chǎn)模型整體上預(yù)測(cè)能力較好，但還存在一些需要改進(jìn)的地方：(1)盡管采集數(shù)據(jù)時(shí)保證其他條件一致，但由于不同尺度的地物空間異質(zhì)性存在，使得各時(shí)期所得光譜影像數(shù)據(jù)存在一定差異，這也可能是導(dǎo)致整體模型精度偏低的原因，后續(xù)研究需要深入考慮；(2)小麥產(chǎn)量形成更多的是基于其他非線性因素，本研究僅將SMLR、UR和PCAR方法進(jìn)行對(duì)比，應(yīng)該加入隨機(jī)森林、支持向量機(jī)等機(jī)器學(xué)習(xí)算法，以尋求更優(yōu)的估產(chǎn)模型；(3)經(jīng)驗(yàn)?zāi)Ｐ椭饕罁?jù)作物產(chǎn)量與光譜數(shù)據(jù)或者遙感反演作物冠層參數(shù)之間的定量關(guān)系實(shí)現(xiàn)[32]，由于缺少對(duì)作物產(chǎn)量形成的機(jī)理性解釋，也將導(dǎo)致模型精度偏低；(4)植物在不同的波段會(huì)呈現(xiàn)不同的特征，而小麥的響應(yīng)敏感波段不在可見光范圍內(nèi)也是影響模型精度的原因之一，在今后的研究中需要考慮增加多光譜或高光譜數(shù)據(jù)，進(jìn)行不同數(shù)據(jù)源之間的對(duì)比分析，以提高模型精度。