基于无人机遥感的水稻产量估测

田婷 张青 张海东 何其全 季方芳 朱琳

（苏州市农业科学院/江苏太湖地区农业科学研究所，江苏 苏州 215155；第一作者：491016158@qq.com）

水稻是我国重要的粮食作物，其长势的快速无损监测和产量及时准确预报具有重要价值，可为粮食供需平衡、农业经营管理、农业政策制定等提供有效支撑。传统的估产采用人工调查，耗时长、速度慢、成本高，无法快速及时的获取作物长势信息和产量；卫星遥感技术又存在重访周期长、天气条件限制等问题。而近两年，随着无人机行业的快速发展，无人机作为一种低成本的遥感平台很好的弥补了卫星遥感的不足。无人机遥感具有时效高、空间分辨率高、机动灵活、可以按需获取等优点，已迅速发展成为作物长势监测的重要手段。

基于植被指数的作物长势监测，已广泛应用于遥感领域。作物所有重要的植被信息可以由不同的波段组合而成，利用绿色植物对不同波段的吸收率和反射率的光谱特性计算得到的指数称为植被指数。裴信彪等[1]利用无人机搭载光谱仪对水稻关键生育期进行监测，结果显示比值植被指数RVI和归一化植被指数NDVI 都可以反映叶绿素含量。隋丽娜等[2]利用孕穗期与乳熟期的差值植被指数对水稻单产进行预测，模型精度较高。许童羽等[3]利用无人机遥感技术采集粳稻生长全过程的冠层NDVI 数据，对单天和各旬、各月冠层NDVI与产量进行相关性分析，结果表明，6月中旬和8月上旬的组合模型是估产最理想的模型。刘珊珊等[4]利用MODIS 数据，提出一种基于时间序列的NDVI 的水稻估产模型，预测产量精度较高。本研究以苏州地区的水稻田为研究对象，基于无人机遥感平台，尝试筛选最优植被指数和最佳的无人机遥感作业时期，建立适宜于苏州及太湖流域的水稻估产模型，从而为苏州农业园区尺度规模化水稻长势与产量快速评估提供技术支撑。

1 材料与方法

1.1 研究区概况

研究区位于苏州市吴中区临湖镇湖桥村，该区域属于北亚热带湿润性季风气候类型，四季分明、温暖湿润、日照充足、降水丰沛，适合水稻的生长。无人机作业区域及采样点分布如图1 所示，位于苏州湖嘉水稻生产基地试验区内，水稻品种为苏香粳100，田间管理参照当地一般生产田进行。试验区内地面平整均匀度不一致，前期测定的土壤养分存在差别，加上播种方式存在差异，导致作物长势和产量存在较大差异，具有良好的梯度，适合进行本研究。

1.2 数据获取

本试验采用大疆多旋翼飞行平台M100，搭载的传感器为parrot Sequoia 多光谱相机，共有4个120 w 像素窄带和同步化单色传感器，可采集波段数据有绿（550 nm）、红（660 nm）、红边（735 nm）、近红外（790 nm）。利用大疆地面站DJI GS PRO 航线飞行，设置航向重叠率为90%，旁向重叠率为80%，飞行高度为120 m，地面分辨率为0.14 m。

无人机数据采集于2018年水稻生长季，采集日期为7月5日、7月29日、8月24日、9月21日和10月10日，分别为水稻生长的分蘖初期、拔节期、抽穗期、乳熟期、成熟期。作业当天晴朗无云，数据采集时间集中在10∶00—12∶00。每次飞行前，都需要采集白板数据，用于后期的辐射校正。试验区内随机设置27个地面采样点，其中18个用于建模，9个用于验证（图1）。采样面积为1 m×1 m，地面采样点对应无人机GPS 定位，用于后期提取数据。利用Pix4DMapper 对无人机数据进行辐射校正、图像拼接等，得到四波段正射反射率图。利用Arcgis 10.2 进行植被指数计算，提取观测点对应的植被指数数值。10月11日对27个样方收割测产。

图1 研究区采样点分布

1.3 研究方法

1.3.1 植被指数

为了筛选出适合水稻估产的植被指数，本研究根据多光谱相机的波段，选择了以下8 种常用的植被指数，计算公式如表1。

表1 本文采用的植被指数

1.3.2 水稻估产模型建立和检验

利用SPSS 19.0，对水稻5个生育期的植被指数数据与产量进行相关性分析，选出相关性最好的关键生育期的植被指数与产量进行一元线性及多元线性回归分析，构建关键生育期的8 种植被指数与水稻产量的拟合关系。用判定系数和均方根误差对模型拟合度进行初步的精度评价；最后利用验证样本对所构建的产量估算模型进行精度验证和评价，从而确定最佳估产时间，筛选出最佳估产模型。

2 结果与分析

2.1 水稻产量和主要生育期植被指数统计特征

研究区水稻产量的频数分布图见图2。水稻实测产量数据显示，不同取样点产量的空间异质性显著，其中最低产量为4 902.45 kg/hm2，最高产量为8 004.00 kg/hm2，图中曲线表示水稻产量数据的分布符合正态分布，样本数据呈现出不同梯度，具有较好的代表性。

图2 水稻产量频数分布

对5个生育期8 种植被指数按时间序列进行统计特征分析。由图3可知，所有植被指数的均值从水稻分蘖期到成熟期都是一个先增大再减小的过程。其中NDVI、RVI、DVI、SAVI、OSAVI、EVI2、MSAVI2 都 是 从分蘖期到抽穗期逐渐增大在抽穗期达到最高，抽穗期后的乳熟期和成熟期都呈现显著减小趋势并且减小幅度较大。GNDVI 从分蘖期到拔节期显著增加，在拔节期达到最高，随后开始减小。

图3 水稻不同生育期植被指数统计特征

表2 不同生育期植被指数与产量的相关性分析

2.2 生长关键期冠层植被指数与产量的相关性分析

对水稻各生育期植被指数与产量进行相关性分析，植被指数与产量间皮尔森相关系数较高的时段为抽穗期、乳熟期和成熟期，说明在生长后期对水稻估产效果较好。在水稻抽穗期，植被指数RVI与产量的相关系数最高，达到了0.842。在水稻乳熟期，各植被指数与产量的相关系数也都比较高，在0.7 以上。

2.3 水稻主要生育期产量遥感模型构建

将抽穗期、乳熟期、成熟期8 种植被指数与水稻产量进行线性回归以及多元线性回归分析。由表3可知，水稻抽穗期的产量预测模型，基于NDVI、RVI、DVI、GNDVI、MSAVI2 指数的多元线性拟合模型具有最高的决定系数和较低的均方根误差（R2=0.754，RMSE=444.142），基于RVI 单一植被指数的一元线性拟合模型具有较高的决定系数和最低的均方根误差（R2=0.741，RMSE=394.446），这两个预测模型在水稻抽穗期表现较优。水稻乳熟期产量预测模型，基于NDVI、RVI、GNDVI、MSAVI2 指数的多元线性拟合模型具有最高的决定系数和较低的均方根误差（R2=0.726，RMSE=450.512），基于NDVI 单一植被指数的一元线性拟合模型具有较高的决定系数和最低的均方根误差（R2=0.697，RMSE=426.353），这两个预测模型在水稻乳熟期表现较优。水稻成熟期产量预测模型，基于NDVI、RVI、GNDVI、MSAVI2 指数的多元线性拟合模型具有最高的决定系数和较低的均方根误差（R2=0.674，RMSE=491.272），基于DVI 单一植被指数的一元线性拟合模型具有较高的决定系数和最低的均方根误差（R2=0. 624，RMSE=475.535），这两个预测模型在水稻乳熟期表现较优。

表3 水稻产量与各生育期植被指数拟合模型

2.4 产量估算模型验证

选取9个验证样本，对水稻抽穗期、乳熟期、成熟期的6个产量较优拟合模型进行验证。将各个时期的多元线性模型和一元线性模型进行对比，发现基于多个植被指数的多元线性估产模型的R2比一元线性估产模型高，且RMSE 更低。抽穗期的预测精度最高，验证样本的R2均达到了0.7 以上，成熟期的预测精度相对较低。综上，估产模型R2最高达0.738，RMSE 最低为400.537，其对应的估产模型为抽穗期的多元线性模型，该模型为产量y=12305.170×NDVI+129.675×RVI-637.056×DVI+2613.405×GNDVI-2100.527×MSAVI2-7303.814。

图4 基于水稻不同生育期植被指数的产量估测值和实际值关系图

3 讨论

本文选取水稻生长的5个关键时期进行研究分析。水稻生长前期，由于作物的覆盖率小，土壤、杂草等信息干扰较大，该时期不适合水稻估产。在水稻生长中后期，从抽穗期到成熟期，作物由营养生长向生殖生长过度，作物群体状况已趋于稳定，该阶段估产效果较好。水稻抽穗期是产量形成的关键期，利用该时期的光谱信息进行估产效果最好。

基于植被指数对作物产量进行反演，是一种常见的监测手段。其中归一化植被指数NDVI 使用最为广泛，很多研究认为，NDVI与产量相关，进行产量估测最普遍的方式是在NDVI与作物产量之间建立经验模型，该方法操作简单，便于推广[13-15]。在植被覆盖度较低时，NDVI可以较为准确的估测作物长势和生物量，当覆盖度较高时，准确度会下降。因此，本研究选取了8种常用的植被指数对水稻产量进行估测，研究结果表明，不同生育期不同植被指数估产效果有所差异，就单一植被指数的一元线性拟合模型而言，抽穗期基于RVI 的拟合模型较优，乳熟期基于NDVI 的拟合模型较优，成熟期基于DVI 的拟合模型较优。

本研究基于关键生育期多种植被指数估测水稻产量，结果表明，基于多个植被指数的多元线性模型比单一植被指数的一元线性模型的效果好，这与刘莉等的研究结果一致[16-17]。原因可能是单一植被指数建立的线性模型在面对作物覆盖不均匀的区域时，其精度和灵敏度降低，不能全面准确的反应产量信息，而多元线性回归模型将多个植被指数相结合，在一定程度上提高了产量估算的精度[16]。

4 结论

本研究基于无人机不同生育期多光谱数据对水稻产量进行估测，结论如下：就生育期而言，表现最好的是 抽 穗 期，基 于 植 被 指 数NDVI、RVI、DVI、GNDVI、MSAVI2 的多元线性模型R2=0.741、RMSE=444.142，验证精度最佳。研究结果表明，利用无人机搭载多光谱相机可以快速无损的获取水稻冠层光谱信息，对水稻产量进行估测具有可行性，对于农场尺度农田信息管理和精准农业实施等方面具有显著的推动意义。后续研究可以利用无人机搭载高光谱仪进行水稻长势监测，对比不同传感器的估产性能，进一步提高估产精度。在不同环境条件下试验不同的水稻品种，建立更为普适的估产模型。