摘 要 建立一種高效監(jiān)測油菜地上部生物量（Aboveground biomass ， AGB）的無損方法用于反映作物生長狀況。以浙油50和灃油737等2個油菜品種為研究對象，通過無人機搭載多光譜儀獲取油菜的多光譜影像，提取油菜冠層5個單波段反射率和10個植被指數(shù)，篩選與油菜地上部生物量相關性顯著的光譜特征參數(shù)，采用隨機森林（RF）、BP神經網絡（BP）、支持向量機（SVM）3種方法建立地上部生物量估測模型。采用決定系數(shù)R2（Coefficient of determination）、均方根誤差（Root mean square error， RMSE）和相對分析誤差（Relative predication deviation， RPD）對模型的估算精度進行評價。浙油50、灃油737、浙油50+灃油737的地上部生物量估算模型在測試集上，均表現(xiàn)為RF模型R2最大、RMSE值最小、RPD值最大，分別為0.609、0.238 kg·m-2、1.600；0.725、0.364 kg·m-2、1.919；0.627、0.423 kg·m-2、1.639。通過無人機采集作物多光譜影像，可以構建基于光譜特征參數(shù)的作物地上部生物量估算模型，隨機森林模型精度最佳，為研究的最佳建模方法。

關鍵詞 油菜地上部生物量；無人機多光譜遙感；BP神經網絡；隨機森林；支持向量機

中圖分類號：P231；S565.4 文獻標志碼：A DOI：10.19415/j.cnki.1673-890x.2024.13.037

油菜是我國第一大油料作物[1]，據(jù)統(tǒng)計，2021年我國油菜的種植面積達到6.53×106 hm2，產油量達到1.30×107" t，約占我國油料作物產油量的50%。油菜為我們提供了優(yōu)質的植物油和營養(yǎng)[1-2]，發(fā)展油菜生產是保障中國食用油供給安全的根本途徑[3]。

地上部生物量是作物光合作用的產物，能夠反映作物的生長狀況和群體大小[4-5]。傳統(tǒng)的作物地上生物量測量方法需要進行田間破壞性取樣和室內分析處理，不但效率低，而且消耗大量的人力和物力[6]，近年來，無人機遙感技術在農業(yè)中得到廣泛應用，國內外諸多學者基于無人機遙感技術開展了一系列作物生物量的估算。通過遙感獲取冠層光譜數(shù)據(jù)并計算植被指數(shù)，成為了目前生物量無損測量的主要方法之一。張領先等、肖武等利用無人機多光譜影像，在傳統(tǒng)植被指數(shù)的基礎上引入紅邊波段，采用一元回歸、多元逐步回歸和反向傳播神經網絡算法建立了玉米的生物量反演模型[7-8] 。NA等評估了冬季作物生物量的遙感技術，開發(fā)了統(tǒng)計模型，根據(jù)過綠植被指數(shù)、植被分數(shù)和基于作物表面模型的株高值估算了大麥和小麥的干質量，結果表明，可以通過無人機影像對冬季作物的生物量進行評估和作物生長監(jiān)測[9]。隨著算法的不斷成熟，一些學者嘗試利用機器學習算法提高地上生物量的估算精度，如劉楊等利用多元線性回歸、支持向量機、人工神經網絡算法估算馬鈴薯地上生物量，得出各生育期利用多元線性回歸方法構建的地上部生物量估算模型效果最佳[10]。徐云飛等利用多元線性回歸（Multiple Linear Regression，MLR）、隨機森林（Random Forest，RF）和極限學習機（Extreme Learning Machine， ELM）3種機器學習算法，估算小麥地上部生物量，得出生物量的最優(yōu)預測模型為隨機森林模型[11]。俞靜等利用反向傳播神經網絡（BPNN）、卷積神經網絡（CNN）及Elman神經網絡3種機器學習算法構建礦區(qū)草本植物生物量估測模型，結果表明，基于多特征組構建的BPNN模型表現(xiàn)出最優(yōu)性能，其決定系數(shù)為0.841 4，均方根誤差值為11.8125 g·m-1，同時對3種模型進行交叉驗證，進一步證明了基于多特征組的BPNN模型更加穩(wěn)定，反演精度最優(yōu)[12]。王晗等利用隨機森林、支持向量機、遺傳算法優(yōu)化支持向量機（GA-SVM）和粒子群優(yōu)化支持向量機（PSO-SVM）構建不同生長階段冬油菜地上部生物量估算模型，結果表明，全生長階段和生殖生長階段紅光波段反射率顯著性最強且穩(wěn)定，相關系數(shù)分別達到0.835和0.754，PSO-SVM模型更適合用于反演關中地區(qū)冬油菜不同生長時期的AGB[13]。

本研究基于大疆精靈4多光譜版無人機拍攝的多光譜影像，提取計算采樣區(qū)單波段反射率、10種光譜植被指數(shù)建立油菜地上部生物量估測模型，分析當前主流的隨機森林、BP神經網絡等建模方法在油菜地上部生物量估測建模中的可行性，旨在獲得一種簡便準確的估算作物地上部生物量的實時監(jiān)測方法。

1" 材料與方法

1.1" 研究區(qū)概況

試驗地點位于浙江省余杭區(qū)良渚，地處北亞熱帶南緣季風氣候區(qū)，冬夏長春秋短，溫暖濕潤，四季分明，光照充足，雨量充沛，年平均氣溫15.3～16.2 ℃，年平均降雨量1 150～1 550 mm。

1.2" 試驗布置

試驗區(qū)油菜品種為浙油50和灃油737，2022年10月20日播種，試驗設2個處理，3次重復，共6個小區(qū)，每個小區(qū)面積20 m2（2 m×10 m），無人機采集油菜圖像在油菜苗期、蕾薹期、花期、綠熟期、黃熟期、完熟期進行。

1.3" 數(shù)據(jù)獲取方法

1.3.1" 無人機系統(tǒng)及影像獲取

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)，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（RedEdge 730±16 nm）和近紅外（Nir 840±26 nm）波段的多光譜成像。在油菜苗期（2023年2月15日）、油菜蕾薹期（2023年2月28日、3月13日）、油菜花期（2023年3月26日、4月8日、4月18日）、油菜綠熟期（2023年4月26日、5月9日）、油菜黃熟期（2023年5月15日、5月23日）、油菜完熟期（2023年5月29日、6月2日），共12期，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，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。

1.3.2" 地面數(shù)據(jù)獲取及處理

無人機采樣的同時進行油菜地上部生物量的測量。選取每個小區(qū)均勻且有代表性的0.5 m×0.5 m區(qū)域進行采樣，清除表面泥垢，去除根部，放進干燥箱105 ℃下殺青30 min，在70 ℃干燥至恒質量，用電子秤測定其干質量，用單位面積的油菜干物質量表示地上部生物量（kg·m-2）

1.4" 光譜指數(shù)構建與選擇

根據(jù)植被的光譜吸收與反射特性，將光譜影像不同波段反射率之間進行線性或非線性組合形成的無量綱指標參數(shù)稱為植被光譜指數(shù)，該指數(shù)是對地表植被狀況簡單、有效的經驗度量，同時能夠體現(xiàn)植被在可見光、近紅外波段反射與土壤背景之間的差異[14]。有研究表明[13]，植株地上部生物量與歸一化植被指數(shù)（NDVI）、綠色歸一化植被指數(shù)（GNDVI）、比值植被指數(shù)（RVI）、土壤調節(jié)植被指數(shù)（OSAVI）和修正葉綠素吸收反射率植被指數(shù)（MCARI）等經驗植被指數(shù)密切相關，計算時分別用參數(shù)NDVI、GNDVI、RVI、OSAVI 、MCARI表示，因此，選取10種植被光譜指數(shù)構建模型（見表1）。

1.5" 模型構建方法和評價指標

根據(jù)相關性分析的結果，選擇與油菜地上部生物量顯著相關的光譜特征參數(shù)為自變量，油菜含水量為因變量，按照7∶3把建模數(shù)據(jù)隨機劃分為訓練集和測試集，36個樣本中25個用于訓練，11個用于測試，72個樣本中50個用于訓練，22個用于測試。采用隨機森林、BP神經網絡、支持向量機3種方法建立含水量估測模型，采用決定系數(shù)R2、均方根誤差和相對分析誤差對模型的估算精度進行評價。其中，R2越大，RMSE越小，說明該模型精度越好，該模型估算作物地上部生物量的效果就好。當RPD＜1.4時，模型無法預測樣本；當RPD在1.4～2時，模型可以粗略預測樣本；當RPD≥2時，模型能夠很好地對樣本進行估測[25]。

式中，[xi]、[x]、[yi]、[R2]分別表示實測值、實測均值、估測值、決定系數(shù)，[n]表示估算模型或驗證模型的樣本數(shù)量。

2" 結果與分析

2.1" 不同品種油菜地上部生物量統(tǒng)計

不同品種油菜的地上部生物量特征（見表2）。浙油50的36個油菜樣本地上部生物量值為0.285～3.263 kg·m-2，平均值為1.252 kg·m-2，標準差為0.840 kg·m-2；灃油737的36個樣本地上部生物量值為0.352～3.972 kg·m-2，平均值為1.327 kg·m-2，標準差為0.859 kg·m-2；浙油50+灃油737的72個樣本地上部生物量值為0.285～3.972 kg·m-2，平均值為1.289 kg·m-2，標準差為0.844 kg·m-2?？梢?，不同品種油菜地上部生物量有差異。

2.2" 光譜特征參數(shù)與油菜地上部生物量的相關性分析

為提高后續(xù)建立反演模型的準確性和可靠性，本研究使用統(tǒng)計分析軟件SPSS 25.0的Pearson相關性分析工具，通過雙尾檢驗分析光譜特征參數(shù)與油菜地上部生物量的相關關系，結果見表3?？梢钥闯觯阌?0的光譜特征參數(shù)R、OSAVI、MCARI與油菜地上部生物量的相關系數(shù)達到顯著水平（p＜0.05），NDVI、GNDVI、RVI、MSR、CIre、NRI、IPVI與油菜地上部生物量的相關性達到極顯著水平（p＜0.01）；灃油737的光譜特征參數(shù)OSAVI、NRI、IPVI與油菜地上部生物量的相關系數(shù)達到顯著水平（p＜0.05），B、R、NDVI、GNDVI、RVI、MCARI、MSR、CIre與油菜地上部生物量的相關性達到極顯著水平（p＜0.01）；浙油50+灃油737的光譜特征參數(shù)B、Nir與油菜地上部生物量的相關系數(shù)達到顯著水平（p＜0.05），R、NDVI、GNDVI、RVI、OSAVI、MCARI、MSR、CIre、NRI、IPVI與油菜地上部生物量的相關性達到極顯著水平（p＜0.01）。這些光譜特征參數(shù)與油菜地上部生物量相關性較強，可用于建立地上部生物量估算模型。

2.3" 油菜地上部生物量估算模型的構建

2.3.1" 浙油50地上部生物量估算模型的構建

基于36個建模樣本，以選取的10個光譜特征參數(shù)為自變量，地上部生物量值為因變量，分別采用BP神經網絡、隨機森林、支持向量機構建反演模型。3種建模方法建立的油菜地上部生物量反演模型的計算精度不同（見表4），其中隨機森林模型建模精度R2為0.609， RMSE為0.238 kg·m-2， RPD為1.600，與BP神經網絡和支持向量機模型相比，隨機森林模型建模精度R2最大，更接近1，RMSE最小，RPD最大，因而該模型建模精度較高。利用測試集地上部生物量估測值與實測值數(shù)據(jù)繪制實測值與估測值的關系圖（見圖1）。

2.3.2" 灃油737地上部生物量估算模型的構建

基于36個建模樣本，以選取的11個光譜特征參數(shù)為自變量，地上部生物量值為因變量，分別采用BP神經網絡、隨機森林、支持向量機構建反演模型。3種建模方法建立的油菜地上部生物量反演模型的計算精度不同（見表4），其中隨機森林模型建模精度R2為0.725， RMSE為0.364 kg·m-2， RPD為1.919，與BP神經網絡和支持向量機模型相比，隨機森林模型建模精度R2最大，更接近1，RMSE最小，RPD最大，因而該模型建模精度較高。利用測試集地上部生物量估測值與實測值數(shù)據(jù)繪制實測值與估測值的關系圖（見圖2）。

2.3.3" 浙油50+灃油737地上部生物量估算模型構建

基于72個建模樣本，以選取的12個光譜特征參數(shù)為自變量，地上部生物量值為因變量，分別采用BP神經網絡、隨機森林、支持向量機構建反演模型。3種建模方法建立的油菜地上部生物量反演模型的計算精度不同（見表4），其中隨機森林模型建模精度R2為0.627， RMSE為0.423 kg·m-2， RPD為1.639。與BP神經網絡和支持向量機模型相比，隨機森林模型的R2最大，更接近1，RMSE最小，RPD最大，因而該模型建模精度較高。利用測試集地上部生物量估測值與實測值數(shù)據(jù)繪制實測值與估測值的關系圖（見圖3）。

3" 討論與結論

3.1" 討論

研究采用了多光譜無人機進行研究，盡管設備便攜、容易操作且成本較低，但是其光譜波段少，數(shù)據(jù)組合獲取的光譜指數(shù)也不多，與多光譜相比，多光譜具有波段多、光譜分辨率高等優(yōu)點[26]，通過高光譜技術進行作物地上部生物量估算可能需要進一步研究。

研究通過相關性分析進行光譜特篩選，利用BP神經網絡、隨機森林、支持向量機3種建模方法進行建模，其中隨機森林模型的R2最大，更接近1，RMSE最小，RPD最大，因而該模型建模精度最高，這與馮應祥等的研究結果相同[27]。

油菜地上部生物量定量建模反演還沒有統(tǒng)一的標準模型，研究是針對浙江地區(qū)油菜地上部生物量的建模反演研究，雖然實測樣本數(shù)量及模型精度有待進一步提高，但得到的模型仍能有效地反映油菜田間生長情況，表明該方法可用于油菜田間管理，因而在后續(xù)研究中將進一步加大樣本量及采用不同地區(qū)種植的油菜，以提高監(jiān)測模型的準確度和適應性。

3.2" 結論

研究發(fā)現(xiàn)油菜地上部生物量值與5個單波段光譜特征參數(shù)呈正相關，與其他10個指數(shù)光譜特征參數(shù)呈負相關，基于相關性分析選取的與油菜地上部生物量顯著相關的光譜特征參數(shù)，分別采用BP神經網絡、隨機森林、支持向量機3種建模方法構建油菜地上部生物量反演模型，其中隨機森林模型的R2最大、更接近1，RMSE最小、RPD最大、模型精度最佳。

參考文獻：

[1] 中華人民共和國國家統(tǒng)計局工業(yè)統(tǒng)計司. 中國工業(yè)統(tǒng)計年鑒-2014 [M]. 北京： 中國統(tǒng)計出版社， 2015.

[2] 何微， 李俊， 王曉梅， 等. 全球油菜產業(yè)現(xiàn)狀與我國油菜產業(yè)問題、對策[J]. 中國油脂， 2022， 47（2）： 1-7.

[3] 沈金雄， 傅廷棟. 我國油菜生產、改良與食用油供給安全[J]. 中國農業(yè)科技導報， 2011， 13（1）： 1-8.

[4] 柏軍華， 李少昆， 王克如， 等. 基于近地高光譜棉花生物量遙感估算模型[J]. 作物學報， 2007， 33（2）： 311-316.

[5] 王大成， 王紀華， 靳寧， 等. 用神經網絡和高光譜植被指數(shù)估算小麥生物量[J]. 農業(yè)工程學報， 2008， 24（S2）： 196-201.

[6] 馮文斌. 基于無人機多光譜遙感的夏玉米長勢監(jiān)測及產量估測 [D]. 泰安： 山東農業(yè)大學， 2022.

[7] 張領先， 陳運強， 李云霞， 等. 可見光光譜的冬小麥苗期地上生物量估算[J]. 光譜學與光譜分析， 2019， 39（08）： 2501-2506.

[8] 肖武， 陳佳樂， 笪宏志， 等. 基于無人機影像的采煤沉陷區(qū)玉米生物量反演與分析 [J]. 農業(yè)機械學報， 2018， 49（8）： 169180.

[9] NA S， PARK C， HO S K， et al. Development of biomass evaluation model of winter crop using RGB imagery based on unmanned aerial vehicle[J]. Korean Journal of Remote Sensing， 2018， 34（5）： 709-720.

[10] 劉楊， 黃玨， 孫乾， 等. 利用無人機數(shù)碼影像估算馬鈴薯地上生物量 [J]. 遙感學報， 2021， 25（9）： 2004-2014.

[11] 徐云飛， 程琦， 魏祥平， 等. 變異系數(shù)法結合優(yōu)化神經網絡的無人機冬小麥長勢監(jiān)測[J].農業(yè)工程學報， 2021， 37（20）： 71-80.

[12] 俞靜， 張世文， 芮婷婷， 等. 基于無人機遙感的多特征組礦區(qū)草本植物地上生物量反演 [J]. 草業(yè)科學， 2024， 41（1）： 35-48.

[13] 王晗， 向友珍， 李汪洋， 等. 基于無人機多光譜遙感的冬油菜地上部生物量估算 [J]. 農業(yè)機械學報， 2023， 54（8）： 218-229.

[14] 孫剛， 黃文江， 陳鵬飛， 等. 輕小型無人機多光譜遙感技術應用進展[J]. 農業(yè)機械學報， 2018， 49（3）： 1-17.

[15] ROUSE J W. Monitoring the vernal advancement of retrogradation （green wave effect） of natural vegetation[D]. State of Texas： Texas Aamp;M University， 1974.

[16] 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.

[17] SCHUERGER A C， CAPELLE G A， DI BENEDETTO J A， et al. Comparison of two hyperspectral imaging and two laser-induced fluorescence instruments for the detection of zinc stress and chlorophyll concentration in bahia grass （Paspalum notatum Flugge.）[J]. Remote Sensing of Environment， 2003， 84（4）： 572-588.

[18] RONDEAUX G， STEVEN M， BARET F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment， 1996， 55（2）： 95-107.

[19] HABOUDANE D， MILLER J R， TREMBLAY N， et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environment， 2002， 81（2-3）： 416-426.

[20] CHEN J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications[J]. Canadian Journal of Remote Sensing， 1996， 22（3）： 229-242.

[21] GITELSON A A， VI?A A， ARKEBAUER T J， et al.Remote estimation of leaf area index and green leaf biomass in maize canopies[J]. Geophysical Research Letters， 2003， 30（5）： 1248.

[22] TUCKER C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment， 1979， 8（2）： 127-150.

[23] 向友珍， 安嘉琪， 趙笑， 等. 基于無人機多光譜遙感的大豆生長參數(shù)和產量估算[J]. 農業(yè)機械學報， 2023， 54（8）： 230-239.

[24] 黃春燕， 王登偉， 陳冠文， 等. 基于高光譜植被指數(shù)的棉花地上生物量估算模型研究 [C]// 中國科協(xié)2005年學術年會“新疆現(xiàn)代農業(yè)論壇” 論文專集. 石河子， 2005： 43-45， 54.

[25] JIN X， YANG G， XU X， et al. Combined multi-temporal optical and radar parameters for estimating LAI and biomass in winter wheat using HJ and RADARSAR-2 data[J]. Remote Sensing， 2015， 7（10）： 13251-13272.

[26] 童慶禧， 張兵， 鄭蘭芬. 高光譜遙感： 原理、技術與應用 [M]. 北京： 高等教育出版社， 2006.

[27] 馮應祥. 基于無人機遙感的棉花苗情監(jiān)測模型構建與系統(tǒng)研發(fā) [D]. 石河子： 石河子大學， 2023.

（責任編輯：敬廷桃）

收稿日期：2023-12-18

基金項目：浙江省三農九方項目（2023SNJF005）; 國家油菜產業(yè)技術體系（CARS12）。

作者簡介：董澤宇（2000—），在讀碩士， 主要研究方向為資源利用。 E-mail：1306832055@qq.com。

*為通信作者， E-mail：lsqzky@163.com。