基于无人机多光谱的荞麦产量估测研究

徐鑫， 郝瑶， 唐恬， 方小梅， 易泽林

西南大学 农学与生物科技学院，重庆 400715

荞麦是蓼科荞麦属的一年生草本植物, 也称净肠草、 乌麦、 三角麦等, 具有生育期短、 耐贫瘠、 适应性强等特点． 我国是荞麦发源地, 种植历史悠久． 荞麦兼具食用和药用价值, 被誉为“21世纪人类的健康食品”, 能够起到降低血压、 血糖和血脂的作用, 具有优秀的营养保健价值和食疗功效, 也是国际粮农组织公认的杰出食药兼用粮食种类之一．

精准农业的发展依赖于详细可靠的农田状况信息, 如作物长势状况、 营养状况、 杂草分布、 病虫害分布等． 然而, 传统的田间作物信息获取方法存在耗时耗力、 破坏性强、 时效性差等缺点, 严重阻碍了大规模作物生长的实时监测． 而随着低空高通量表型平台的出现, 这一过程得到了改进[1-5]． 无人机遥感技术是现代比较新型的技术手段之一, 即可以通过无人机设备, 直接遥控无人机的行驶, 同时通过CPS, GIS等信息技术手段, 对特定地方实施扫描, 以便于获取相关数据．

在农业领域中, 无人机遥感技术应用广泛． 王乃斌等[6]在研究中提出用绿度指数、 绿度变化率等指标, 在分析冬小麦水、 肥、 气、 热等条件的基础上, 构建了大尺度小麦遥感产量估测模型． 吉书琴等[7]采用NOAA卫星遥感影像数据, 挑选水稻最适估产生长时期, 利用植被指数构建了水稻产量估测模型, 估产精度较好． 张玉萍等[8]利用遥感卫星获取了单品种小麦和多品种小麦不同施氮量后的冠层光谱数据, 并利用植被指数、 一阶微分参数和小麦产量建立了遥感估产模型． 结果表明, 单品种小麦和多品种小麦估产模型的预测精度较高, 可用于估产试验． 申洋洋等[9]通过采集冬小麦关键生育期5种多光谱数据, 计算72种植被指数, 并基于偏最小二乘法、 随机森林法构建了不同的估产模型． 经误差评价, 基于随机森林法建立的小麦抽穗期估产模型效果最佳． 对估产精度的分析表明, 无人机多光谱获得的植被指数有助于提高小麦估产效果． 韩文霆等[10]选取6种植被指数分别与夏玉米4个单一生育期、 多生育期建模, 并结合实际产量筛选建立了基于绿色归一化差异植被指数(Green Normalized Difference Vegetation Index, GNDVI)的最优估产模型． 结果显示, 多生育期的多光谱估产优于单一生育期, 优化后的估产模型可快速评估作物长势和产量． 王恺宁等[11]利用卫星遥感数据, 计算出4种植被指数, 并建立了线性和非线性回归模型, 用于预测小麦的产量． 其中, 非线性回归模型的准确性更高, 非线性支持向量机(SVM)模型的准确性更高, 达到了R2=0.79的水平． Tao等[12]采集冬小麦拔节期、 挑旗期、 开花期等3个时期的无人机高光谱影像, 用3种方法回归建模后发现偏最小二乘法建立的回归模型估产最准确(R2=0.77)． Han等[13]结合无人机影像和多元线性回归、 支持向量机、 人工神经网络和随机森林等4种机器学习算法来估测玉米生物量, 发现随机森林算法模型具有较高的精度和较低的误差(R2=0.94,RMSE=0.50)．

综上所述, 我们能够发现学界对于将无人机运用于农业中的技术已经逐步走向成熟, 估产方法及模型的建立也更加多元化． 传统的荞麦产量估测方法往往耗时长且成本较高, 而利用无人机多光谱技术, 可以快速获取植被信息, 并提高产量估测的效率, 从而更好地预测产量, 降低经营成本和劳动力消耗． 同时由于目前荞麦多生长在山地, 人工测产具有一定的难度, 本研究基于无人机多光谱来建立荞麦的估产模型, 以期为荞麦及无人机估产等行业提供借鉴经验与启示．

1 试验材料与方法

1.1 田间试验设计

试验于2020-2022年在西南大学合川农场试验基地进行, 试验地属亚热带季风气候, 海拔204 m． 试验地土壤为砂壤土, 其中pH值为6.53, 有机质质量分数为6.77 g/kg, 碱解氮质量分数为58.3 mg/kg, 速效磷质量分数为50.61 mg/kg, 速效钾质量分数为162.37 mg/kg． 该区域地形平坦, 上空区域宽阔, 无高大树木遮挡, 十分适合用无人机对荞麦进行遥感监控． 同时, 该地光热条件良好, 土壤质地优秀, 肥力充足, 荞麦生长态势良好．

供试苦荞品种为zim00312(生育期90～100 d, K1)、 酉荞6号(生育期110～120 d, K2); 甜荞品种为乌克兰大粒荞(生育期60～70 d, T1)、 酉荞2号(生育期80～90 d, T2), 由重庆荞麦产业体系提供, 酉荞6号和酉荞2号为重庆市审定品种, zim00312由中国农业科学院作物科学研究所提供, 乌克兰大粒荞为国外引进品种． 种子均为上一季收获的新种子, 发芽率80%以上, 播种前人工挑选种子, 除去泥土等杂质和杂种子． 供试肥料为复合肥(嘉施利化肥有限公司, N-P2O5-KO: 15-15-15, 总养分≥45%)、 纳米有机肥(成都正光纳米有机肥, 氮磷钾总养分含量≥5%, 有机质≥45%), 经过测定, 纳米有机肥中的N, P, K含量分别为2.94%, 0.98%, 1.34%．

本试验采用裂区试验设计, 主区是甜荞2个品种和苦荞2个品种, 一共4个品种, 裂区是6个肥料处理与对照． 小区面积为6.68 m2(长4 m, 宽1.67 m), 3次重复, 人工条播, 基本苗90万株/hm2, 每个小区出苗600株, 行距33 cm, 种植6行, 每行100株苗, 区组间隔50 cm． 播种前将2种肥料作为基肥一次性施入, 并按常规管理． 期间进行3次重复试验． 试验田中的荞麦同时进行肥效试验, 共6种处理, 因此每个品种有6×3=18个小区, 4个品种共72个小区．

1.2 数据获取方法

1.2.1 图像获取设备

采集图像所用的设备是相机分辨率为1 240万像素的大疆精灵Phantom 4无人机, 分别在荞麦的苗期、 花期、 成熟期进行飞行作业, 垂直采集荞麦试验田的冠层图像(图1), 持续飞行时间约20 min．

图1 无人机飞行区域

每次飞行采取距离地面30 m的高度进行拍摄作业, 由于荞麦植株较细, 无人机起飞以及降落时, 机翼旋转产生的风流会导致荞麦植株倾斜, 故飞行高度不能过低, 而太高又会导致无法获得精确数据, 故设置飞行高度为30 m, 尽量减小数据的误差．

1.2.2 图像获取过程

无人机影像获取时期分别是荞麦的苗期、 花期和成熟期, 且在晴朗少风天气的中、 下午拍摄, 为确保飞机在飞行过程中的安全性及数据可用性, 飞机在安装后设定了航点、 航线、 飞行高度以及图像重复率等参数． 该试验采用DJI GS Pro实现了指定地区航线的自动生成、 飞行、 拍摄并完成有关数据的收发． 鉴于需要在短时间内得到所有需要的影像, 该无人机的飞行方式为“S”形航线． 在完成图像采集之后使用软件Pix4DMapper制作正射影像、 DSM以及三维点云等数据, 并对相邻图像进行特征匹配, 实现相邻图像之间的无缝拼接． 将配准后的影像进行切割, 切割出需要研究的区域[14]．

1.2.3 产量测定

待籽粒70%～80%成熟时对各小区进行单独收获并实测小区产量, 然后折合成每公顷产量(kg/hm2)． 于收获前3天随机取5株长势一致且未倒伏的植株, 测定其单株粒数、 单株粒质量和千粒质量． 每个小区3次重复, 取平均值．

1.3 数据分析

1.3.1 植被指数的选择

基于苗期、 花期及成熟期的正射图像, 利用ArcGIS提取各小区冠层图像的RGB通道值． 查阅相关文献, 梳理前人在研究中选择的最优光谱指数, 本研究选用了8个颜色指数(ExG, ExGR, ExR, GLI, MGRVI, RGBVI, NDI, VARI)和7个植被指数(DVI, EVI2, GNDVI, NDVI, OSAVI, RVI, SAVI)用于图像数据分析, 具体图像光谱参数定义如表1所示．

表1 本研究采用的颜色指数及作物指数

1.3.2 相关系数的计算

相关系数是用来反映变量之间线性相关关系密切程度的统计指标． 在使用ArcGIS将各个作物指数计算后, 导出数据表, 在Microsoft Excel软件中使用VLOOK UP函数将统计好的产量数据与作物指数对应的数据相匹配, 然后再用Correl函数计算产量和各作物光谱指数的相关性系数．

2 结果与分析

本研究在4个荞麦品种的3个不同生育时期, 选取了15个光谱指数, 与实测产量进行相关性分析, 以确定估算生物量的最优作物指数． 不同作物指数和生育期与不同品种产量的相关系数R如表2～表8所示, 其中R绝对值只要大于0.75就可以认为2个变量的线性相关关系有统计学意义, 且R值越接近1, 意味着作物指数与产量的相关性越高．

表2 荞麦苗期作物指数与产量的相关系数R

2.1 相同时期各品种产量与作物指数的相关性

2.1.1 苗期作物指数与各品种产量的相关性

荞麦在苗期基于无人机图像的各作物指数与产量的相关系数R值经计算后如表2所示． 分析表2可知, 荞麦T2品种的产量和绝大多数作物指数的相关关系均有统计学意义, 除GNDVI外的相关系数为0.19, 其余的绝对值都在0.75左右, 其中NDI和VARI的相关性最高, 均达到了0.82． GNDVI和K1品种产量的相关性有统计学意义, 而其他3个品种的产量与这15个作物指数的相关性则较低, 且没有任何一个单一的作物指数与4个品种的产量显著相关．

2.1.2 花期作物指数与各品种产量的相关性

荞麦在花期基于无人机图像的各作物指数与产量的相关系数R值经计算后如表3所示． 分析表3可知, 荞麦花期的作物指数与4个品种荞麦产量的相关关系均无统计学意义, 荞麦T2品种的产量与作物指数的相关性和其他3个品种比起来相对高一点, 而K1品种在花期与大多数作物指数的相关系数都为负值．

表3 荞麦花期作物指数与产量的相关系数R

2.1.3 成熟期作物指数与各品种产量的相关性

荞麦成熟期基于无人机图像的各作物指数与产量的相关系数R值经计算后如表4所示． 从表4可以看出, 荞麦成熟期的作物指数与K1品种产量的相关性相对较高, 均在0.70左右, 而此时T2品种则与之前时期的结果相反, 与各作物指数的相关性均较低． 总体来看, 在成熟期时各个作物指数和苦荞品种(K1和K2)产量的相关性较高, 而和甜荞品种(T1和T2)产量的相关性较低．

表4 荞麦成熟期作物指数与产量的相关系数R

2.2 不同时期相同品种产量与作物指数的相关性

2.2.1 不同时期甜荞1号(T1)产量与作物指数的相关性

从表5中可以看出3个生育时期的15个作物指数与甜荞1号的产量相关性都不高, 其中成熟期的相关性普遍较低． 但从总体上来看, ExR与该品种产量的相关性较好, 均为负相关．

表5 甜荞1号(T1)不同时期产量与作物指数的相关系数R

2.2.2 不同时期甜荞2号(T2)产量与作物指数的相关性

从表6中可以看出, 各作物指数与甜荞2号的产量相关性主要差异在于生长时期, 其中苗期相关性最高, 花期次之, 成熟期最低． 而相同时期各个指数之间的差异并不太大, 且和甜荞1号一样, 各个时期的相关系数中成熟期的数值普遍较低, 这种情况的出现可能与品种有一定的关系．

表6 甜荞2号(T2)不同时期产量与作物指数的相关系数R

2.2.3 不同时期苦荞1号(K1)产量与作物指数的相关性

分析表7可知, 苦荞1号在成熟期与各作物指数的相关性都比较高, 而花期较特殊, 在花期该品种的产量与绝大多数作物指数呈负相关． 而GNDVI在所有作物指数中与K1品种产量的相关性较高．

表7 苦荞1号(K1)不同时期产量与作物指数的相关系数R

2.2.4 不同时期苦荞2号(K2)产量与作物指数的相关性

从表8中可以看出苦荞2号在成熟期和苗期与各作物指数的相关性稍微高于花期, 而作物指数ExG和ExGR在3个时期与该品种的相关性均比较高, 因此相对于其他指数, 这2个指数可以更好地估测该品种的产量．

表8 苦荞2号(K2)不同时期产量与作物指数的相关系数R

2.3 产量估算模型验证

甜荞不同生育时期的产量与作物指数进行分析后选取最优作物指数构建线性拟合函数(图2a), 甜荞在苗期、 花期以及成熟期被选择用来建立模型的作物指数分别为VARI, DVI和GNDVI, 其中苗期VARI与产量的相关系数较大, 接近0.7, 虽然均方根误差比花期DVI的大, 但总体看来在苗期用VARI对该品种建立的估产模型拟合程度更高．

图2 荞麦不同生育时期产量估算模型

苦荞不同生育时期的产量与作物指数进行分析后选取最优作物指数构建线性拟合函数(图2b)． 苦荞在苗期、 花期被选择用来建立模型的作物指数均为GNDVI, 成熟期选择的则是RVI． 其中, 苗期和成熟期与产量的相关系数均较大, 同时均方根误差也比较大, 建立的估产模型拟合程度较高．

综上所述, 无论甜荞还是苦荞, 苗期进行无人机多光谱产量估测效果较佳, 甜荞选择作物指数VARI, 建立的监测模型(y=1.269 4x+0.351,R2=0.675)最佳; 苦荞选择作物指数GNDVI, 建立的监测模型(y=6.545 9x-1.604,R2=0.56 7)最佳．

3 讨论

无人机遥感系统对于精准农业的发展有着重大的意义, 因为它可以快速而准确地估算作物产量． 由于高光谱传感器能够获得更多波段的光谱信息[28], 因此目前使用无人机高光谱遥感系统进行作物产量估测的研究比较多． 多项研究表明, 作物产量和图像颜色特征、 纹理特征存在相关性并能够拟合模型进而估测产量, 如龚红菊[29]验证了基于纹理特征估算水稻产量的可行性, 张静等[30]结合棉花冠层图像的颜色指数特征和纹理特征对产量进行估算并得到较稳定的模型． 本研究选择不同时期不同品种荞麦冠层图形的作物指数特征对荞麦产量进行估算并得到较稳定的模型, 表明利用无人机多光谱技术对荞麦进行产量估测的方法具有较高的精度和可行性．

根据以往学者对无人机遥感系统的研究发现: 光谱作物指数虽然能部分地反映作物产量情况, 但是产量模型建立时最优作物指数的选取仍面临一些关键性问题． 已经被定义的作物指数有DVI, NDVI, SAVI等40余种, 但并不是每种作物指数都能准确反映某一品种作物的生长状况, 在没有考虑作物指数和产量相关性的情况下, 多个作物指数融合会使光谱信息趋于饱和, 降低估测模型的准确性, 如韩文霆等[10]利用多旋翼无人机多光谱遥感平台, 构建了基于多种植被指数和多种生育期对应的夏玉米实测产量的6种线性模型, 可以快速预测产量． 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[31], 在植被覆盖度较低时, NDVI可以较为准确地估测作物长势和生物量, 当覆盖度较高时, 准确度会下降[31-32], 如冯美臣等[33]利用冠层光谱数据提取植被指数NDVI, 结合作物产量数据, 构建出用于产量估测的复合回归方程． 本研究选用了8个颜色指数和7个植被指数用于图像数据分析, 在不同生育期, 选取相关系数最高的作物指数构建线性拟合函数, 筛选出适合进行产量估算的时期, 得出最终的产量估测模型, 为荞麦产量遥感监测提供了技术支撑．

由于试验条件的限制以及气候等不可控因素, 本研究存在以下几点不足之处: ① 荞麦产量的数据获取存在人工采集和统计方面的误差, 我们需要在数据处理步骤中, 增加数据异常值与误差的识别处理过程, 以提高数据准确性． ② 受到条件限制, 我们在本次研究中使用的作物指数不够全面, 导致不同颜色指数和作物指数间相关性较强, 不能够进行多元线性回归分析, 从而影响了研究结果的深入程度． 在未来的研究方案设计中, 应该系统地选择全面的作物指数． ③ 相关性计算时我们只考虑了单纯的线性回归方法, 计算了相关系数R值, 未能考虑到更多复杂模型的相关性计算方式, 从而无法全面深入地分析数据相关性． 在以后的研究中, 应当研究更多算法．

4 结论

本研究探讨了荞麦4个品种3个不同生育时期的作物指数与产量的相关性, 结果表明, 苗期作物指数和甜荞2号产量的相关性大多数有或极有统计学意义, 其中NDI以及VARI和甜荞2号产量的相关性最高． 花期作物指数同样是和甜荞2号产量的相关性最好, 但都不如苗期时的相关度高． 成熟期作物指数和甜荞2号产量的相关系数大幅度下降, 而与苦荞产量的相关系数有所上升． 而在相同品种不同时期的作物指数与产量的相关性分析中, ExR与甜荞1号产量的相关性较好, 均为负相关; 甜荞2号产量与各个时期作物指数的相关性随着时间而递减; 苦荞1号在成熟期与各个作物指数的相关性都比较高, 其中GNDVI在所有作物指数中与K1品种产量的相关性相对较高; 对于苦荞2号来说, 则是ExG和ExGR等2个作物指数在3个时期与其相关性均比较高． 基于简单易操作的原则, 构建了甜荞的估产模型(y=1.269 4x+0.351,R2=0.675)和苦荞的估产模型(y=6.545 9x-1.604,R2=0.567), 为荞麦产量遥感监测提供技术支撑．