基于高光譜和激光雷達遙感的水稻產量監測研究

李朋磊，張驍，王文輝，鄭恒彪，姚霞,2，朱艷，曹衛星，程濤,2

基于高光譜和激光雷達遙感的水稻產量監測研究

李朋磊1，張驍1，王文輝1，鄭恒彪1，姚霞1,2，朱艷1，曹衛星1，程濤1,2

1南京農業大學/國家信息農業工程技術中心/江蘇省信息農業重點實驗室/農業農村部農作物系統分析與決策重點實驗室/智慧農業教育部工程研究中心，南京 210095；2江蘇省現代作物生產協同創新中心，南京 210095

快速、準確地估算水稻產量對于肥水精確管理及國家糧食政策的制定至關重要。高光譜與激光雷達遙感作為2種不同的主被動監測技術，為水稻長勢信息獲取提供了多樣化手段。【】對比2種遙感監測手段在不同生態點的獨立數據集中的驗證精度，尋求可移植性強的產量估算模型，對水稻長勢監測提供理論與技術支撐，及為精確農業提供科學指導具有重要意義。本研究通過實施3年（2016—2018年）包含不同地點、不同品種與不同氮素水平的水稻田間試驗，在抽穗后各時期同步獲取點云數據和光譜數據，結合線性回歸與隨機森林回歸來估算產量，探究抽穗后點云數據與光譜數據估算水稻產量的差異；同時評估產量模型在不同數據集的時空可移植性，尋求可移植性強的產量估算模型。利用點云數據估算產量的精度（2= 0.64—0.69）優于光譜數據的估算精度（2= 0.20—0.58）；基于線性回歸的產量估算模型，其驗證精度明顯優于基于隨機森林回歸的產量模型；產量模型在同一生態點的可移植性更強（不同生態點：16.69%—17.85%；同一生態點：11.37%—12.41%）。本研究為抽穗后水稻產量監測提供了新的方法和不同遙感手段的性能比較，為收獲前作物產量的實時估算提供重要支撐。激光雷達技術憑借其全天候工作的特點，在長江中下游水稻產量實時監測中有著較好的應用前景。

水稻；產量；激光雷達；高光譜；回歸模型

0 引言

【研究意義】水稻是當前中國最主要的糧食作物，也是世界上主要的糧食作物之一[1-2]，其產量與國家甚至全世界的糧食安全密切相關，水稻產量的估算對保障農業可持續發展至關重要[3-4]。實時、準確的地面遙感技術已成為農作物長勢及產量監測等農業研究的重要手段[5-6]，同時可為國家糧食安全戰略的制定提供參考依據[7-8]。【前人研究進展】近年來，激光雷達作為一種新興的遙感技術手段[9]，在全天候作物生長監測中發揮著巨大優勢[10-11]。從激光雷達數據中能夠獲取作物結構參數，例如高度特征變量、體積等[11-12]，進而準確估算作物生物量[13-14]，然而還很少用于作物產量估算。由于作物生物量與籽粒產量密切相關，部分學者嘗試利用高度數據估算作物產量，結果發現中等分辨率的全球定位系統高程數據由于精度較差，無法代替由激光雷達技術獲取的點云來估算作物產量[15]。相比定位導航高程數據，無人機激光雷達可以獲取精度相對較高的點云數據。有學者嘗試利用無人機激光雷達來監測作物長勢，但是由于激光點云稀疏且激光點云誤差較大，導致估算結果并不理想[16]。利用高光譜遙感估算作物產量，一直是精確農業研究的熱點，相關學者利用關鍵生育期的植被指數與產量建立回歸關系[17]。有學者還綜合環境因子與植被指數來進行作物產量監測[18]，都得到了較為準確的估算結果。還有學者從產量要素畝穗數、穗粒數、千粒重的形成過程出發，在綜合考慮產量形成生理機制的基礎上，建立了較為可靠的基于植被指數的產量估算模型[19]。作為信號處理領域最有效且常用的方法之一，連續小波變換具有對光譜信號進行多尺度分析的優勢，對高光譜數據進行連續小波變換，可以高效提取不同寬度光譜區間的形狀信息[20]。因此，小波變換在遙感監測領域發揮著重要的作用。很多學者基于小波變換得到的小波特征進行農學參數反演發現，相比植被指數，小波特征能夠進一步提高作物生理生化參數的監測精度[21-22]，有助于葉面積、產量等重要農學參數的估算。【本研究切入點】目前，大部分作物估產研究多基于孕穗期等關鍵生育期或者孕穗—抽穗期等多生育期復合的光譜數據來估算作物產量[23]，忽視了關鍵生育期光譜數據缺失時高光譜遙感技術的表現，很少關注抽穗后光譜數據的產量估算性能。作為一種農業應用中使用較多的遙感手段，其水稻產量估算性能與新興的激光雷達技術相比如何，目前還未見詳細報道。【擬解決的關鍵問題】本研究使用地基激光掃描儀獲取高精度、高密度的點云數據，依此來監測水稻產量，明確抽穗后不同時期2種遙感手段的產量估算精度差異，評價不同統計學方法在產量估算建模中的表現，并利用多年多生態點數據集評價產量估算模型的可移植性。

1 材料與方法

1.1 試驗地點與設計

試驗分別于2016年在江蘇省如皋市試驗基地，2017年和2018年在江蘇省興化市萬畝高產高效糧食產業園進行（圖1）。其中，如皋試驗包含3個氮梯度，分別為0（N0）、100 kg N·hm-2（N1）和200 kg N·hm-2（N2）；2個水稻品種為武運粳24與Y兩優1號；播栽方式為旱育秧人工移栽；3次重復。連續2年在興化進行的水稻互作試驗，2年的施氮量設置和品種相同；4個氮肥梯度分別為0（N0）、135kg·hm-2（N1）、270 kg·hm-2（N2）和405 kg·hm-2（N3）；2個水稻品種分別是南粳9108和甬優2640。2017年水稻試驗包含3種水稻播栽方式，分別是機械直播、缽苗移栽和毯苗移栽。如皋市（120°33′E，32°23′N）和興化市（119°3′E，33°05′N）都屬于四季分明的亞熱帶季風氣候。同時，如皋試驗和興化試驗在土壤特性、主栽品種以及播栽方式等方面的差異對水稻生長產生較大的影響，這對探索普適性強的產量模型具有重要的指導意義。

1.2 數據獲取

本研究所獲取的數據包括地面激光雷達數據、冠層高光譜數據與水稻籽粒產量數據3個部分。田間測試及取樣的時期包括水稻抽穗期、灌漿前期與灌漿后期。使用的激光掃描設備是RIEGL VZ-1000，在取樣當天無風或風速較小的時間段進行激光雷達掃描。2016和2017年的掃描模式為60模式，即角分辨率為0.06°；為獲取更精細的水稻冠層結構信息，2018年掃描模式為40模式，即角分辨率為0.04°。2016年如皋試驗采用10站點掃描方式；由于小區面積的增加，2017年和2018年興化試驗均采用21站點掃描方式，具體掃描點的設置情況如圖2—3所示。使用的高光譜測試儀是ASD FieldSpec Pro FR 2500便攜式高光譜分析儀，在無風、晴朗的中午，當地時間10：00—14：00范圍內獲取光譜數據。產量是在成熟期通過破壞性取樣獲得，在成熟期，每個田塊設定2個取樣點，在每取樣點取1 m2，3次重復，從中割取穗子進行脫粒，測量產量構成要素穗數、穗粒數和千粒重，計算得到每個小區的產量。

氮水平：N0（0），N1（135 kg·hm-2），N2（270 kg·hm-2），N3（405 kg·hm-2）；品種：V1（南粳9108），V2（甬優2640）；播栽方式：P1（直播），P2（缽苗移栽），P3（毯苗移栽）

1.3 特征參數

1.3.1 高光譜數據 基于作物的光譜特性，將多個光譜波段進行線性和非線性組合來構建各種植被指數，能夠簡單、有效地預測作物產量，本研究歸納了常用的與產量預測相關的植被指數（表1）。

連續小波變換的原理是通過平移和縮放母小波函數，與光譜數據進行卷積運算得到小波特征，這些小波特征就可以用于估算產量，連續小波變換的具體公式如下[20]：

表1 估算水稻產量的常用植被指數

式中，()表示母小波函數，a,b()表示平移與縮放后的母小波函數，a表示縮放因子；b表示平移因子，W(a,b)表示小波特征。本研究利用連續小波變換對所獲取的水稻冠層反射率進行處理，將冠層反射率光譜變換到尺度23、24、25和26，得到對產量敏感的小波特征。

1.3.2 激光雷達數據 對獲取的點云數據進行插值生成數字表面模型，從數字表面模型中減去數字高程模型得到該時期的冠層高度模型，從中提取多個結構參數（表2）。

1.4 回歸方法

本研究以2017年興化數據集訓練模型，以2016年如皋數據集和2018年興化數據集驗證模型，各數據集的具體描述見表3。所有的統計分析在Python 3.50軟件中進行，畫圖使用了GraphPad Prism 5.0軟件（GraphPad Software，San Diego，CA，USA）。

1.4.1 線性回歸 線性回歸依據最小二乘法對自變量和因變量建模，該方法運用十分廣泛。其公式定義為：

=1+（3）

式中，表示n×1的矩陣的列向量，即因變量；表示n×1個矩陣的列向量，即自變量；表示回歸系數，表示誤差。在獲取植被指數、小波系數與結構參數后，建立3種特征與產量指標的線性關系，進而篩選各變量中最優指標進行籽粒產量估算。

表2 基于冠層高度模型提取的特征變量

表3 數據集描述

1.4.2 隨機森林回歸 隨機森林（RF）算法[29]是基于統計學習理論，利用Bootstrap重抽樣方法從原始樣本中抽取多個樣本，對每個Bootstrap樣本構建決策樹，然后將決策樹中出現最好的結果作為最終預測結果，是基于決策樹分類器的融合算法。在光譜數據分析的基礎上，本研究將獲取的最優尺度下的小波特征與產量參數進行相關分析，分析小波特征對產量參數的敏感性，提取排名前1%的小波特征參與隨機森林的模型訓練。而激光雷達數據的分析則是將所有提取的結構參數用于隨機森林的模型訓練。

2 結果

2.1 基于光譜及點云數據的產量估算模型構建

2.1.1 光譜估算模型 通過系統分析常用植被指數與水稻產量的相關性發現（表4），（R609/R518）-1、R1200-R440、R800-R550分別為抽穗期、灌漿前期與灌漿后期植被指數系列中表現最好的指數，這3種植被指數均與產量顯著相關（＜0.001）。不同時期對應的最優植被指數與水稻產量的R變化范圍為0.20—0.52（＜0.001）。

表4 水稻產量與已有植被指數的相關性

*<0.01;**<0.001

不同時期對產量敏感的最優小波特征分布在不同位置，在抽穗期、灌漿前期、灌漿后期，對產量敏感的小波特征分別分布在730 nm、1 200 nm、1 185 nm的波段，不同尺度的敏感小波特征較為穩定；其中尺度3監測精度最高，故本研究后續分析基于尺度23的小波特征進行處理（表5）。

抽穗期、灌漿前期與灌漿后期的最優植被指數及敏感小波特征分別與產量的相關性如圖4所示。結果表明，所有時期小波特征與產量的相關性（R= 0.34—0.58）均優于同時期的植被指數與產量的相關性（R= 0.20—0.52）。

表5 水稻產量與小波特征的相關性

2.1.2 激光雷達估算模型 興化試驗區水稻高于如皋試驗區水稻（圖5），且同一研究區在不同生育期獲取的點云數據差異不大，植株結構信息較為穩定（圖6）。Li等[30]發現H與水稻器官生物量和地上部生物量表現出明顯的相關性，故本研究同樣使用H作為水稻產量估算的特征參數。以興化某小區的數據為例，闡述H的詳細含義（圖7）。H指高度直方圖中的95百分位點，相比極高值與最大值，H不容易受到環境干擾；相比極低值與最小值，H又包含足夠的上部冠層信息，更能真實反映植株的結構信息。

圖4 最優植被指數（A、B、C）及最優小波特征（D、E、F）水稻產量的回歸關系

圖5 如皋某小區抽穗后（A、B、C）與興化某小區抽穗后各生育期（D、E、F）的水稻點云數據，顏色依據高度賦值

通過系統分析H與水稻產量的相關性（圖8），發現抽穗后各生育期H均與水稻產量具有較高的相關性（2= 0.64—0.69），且在抽穗后所有時期結構參數H與產量的相關性，均優于同時期敏感小波特征（2= 0.34—0.58）和最優植被指數（2= 0.20—0.52）與產量的相關性。

2.2 光譜估算模型評價

對比不同數據集的檢驗結果發現，基于植被指數的線性估算模型（M1）在如皋數據集的驗證精度（= 20.01%—31.17%），低于在興化數據集的驗證精度（= 16.14%—19.31%）。對比M1與M2發現，即線性的產量模型驗證效果更準確（表6）。基于小波特征的產量模型驗證精度變化規律與基于植被指數的產量模型一致（圖9）。

圖6 興化（A）與如皋（B）某小區的高度直方圖

圖7 結構參數Hmin、H1st、H95th、H99th、Hmax在高度直方圖中的分布

2.3 激光雷達估算模型評價

2.3.1 線性回歸 對比點云數據模型在不同數據集的檢驗結果發現，產量模型在興化數據集的驗證精度（=11.37 %—12.41%），明顯優于模型在如皋數據集的驗證精度（= 16.69%—17.85%）（圖10）。總體上，基于結構參數的線性估算模型明顯優于基于小波特征的線性產量模型。

2.3.2 隨機森林回歸 對比基于結構參數的隨機森林估算模型在不同獨立數據集的檢驗結果發現，產量模型在興化數據集的驗證精度（=15.82%—20.75%），優于模型在如皋數據集的驗證精度（=19.21%—23.62%）（圖11）。對比基于結構參數的估算模型驗證結果發現，基于結構參數的線性估算模型驗證精度（=11.37%—17.85%），優于隨機森林估算模型的驗證精度（=15.82%—23.62%）。

圖8 結構參數在與水稻產量的回歸關系

表6 光譜數據產量模型應用于不同數據集得到的RMSE與RRMSE值

VI代表植被指數，WF代表小波系數，LR代表線性回歸，RF代表隨機森林回歸

VI = vegetation index, WF = wavelet feature, LR = linear regression, RF = random forest

圖9 基于小波特征的線性估算模型在如皋（A、B、C）以及興化（D、E、F）數據集的驗證結果

3 討論

3.1 激光雷達技術監測產量的優勢

在本研究中，植被指數以及小波特征與產量相關性均低于結構參數與產量的相關性，這與預期結果一致。作物所處的生長環境和生化參數（葉綠素、干物質和含水量）影響著作物個體的生長過程和作物的產量[31]。水稻內部所含的多種色素、植株水分以及其結構控制著水稻特殊的光譜響應[32]。水稻在生長發育的不同階段，其內部的結構成分到外部的形態均衡發生一系列變化，因而在不同的生育期選用的光譜指標不同。

圖10 基于結構參數的線性估算模型在如皋（A、B、C）以及興化（D、E、F）的驗證結果

圖11 基于結構參數的隨機森林估算模型在如皋（A、B、C）以及興化（D、E、F）的驗證結果

點云數據可以更準確地估算水稻產量，原因歸結于以下2個方面：一是激光雷達技術可以準確地獲取作物的三維結構信息，與產量等生物物理參數有很高的相關性[33]。二是在抽穗后，激光雷達獲取到的各生育期的點云數據差異不明顯（圖6），因而不同生育期模型較為一致，這使得模型更容易推廣，降低了預測滯后性。此外，本研究也比較了不同生育期的激光雷達估算模型，發現分蘗期、拔節期與孕穗期的產量估算分別為2.03、1.87和1.72 t·hm-2。與本文結果相比，抽穗后各生育期的產量估算精度更高。盡管光譜與空間維度信息的結合可能有助于提高估產精度，但考慮到技術成本和實用性，目前還是集中在單獨使用一種技術，而且如何進行高效融合以顯著提高估算精度也值得深入研究，未來在成本更低的情況下可考慮兩類信息的融合。

3.2 不同條件下的模型可移植性

本研究結果表明，光譜數據的產量模型在如皋數據集的可移植性較差，這是因為光譜數據容易受到多種因素的影響[34]。本研究在2個生態點進行數據獲取，2個生態點在土壤特性、施氮梯度、水稻品種等存在較大差異，這些背景信息會產生光譜疊加，反映在光譜信號中影響數據質量，因而降低了模型的可移植性。

圖12 如皋與興化某小區抽穗后各生育期的高度直方圖

基于點云數據的線性估算模型在興化數據集的驗證精度（= 11.37%—12.41%），明顯高于如皋數據集的驗證精度（= 16.79%—17.85%），這是因為興化生態點的品種一致，而如皋小區的水稻植株明顯低于興化小區的水稻植株。同時，如皋與興化小區在布點方案與種植密度方面存在較大差異，致使激光穿透水稻植株的深度不同，進一步影響了模型精度（圖2—3），所以基于點云數據的線性估算模型在興化數據集的驗證精度更高。

3.3 2種回歸方法的比較 基于線性回歸與隨機森林回歸的產量模型的驗證結果顯示，線性的產量模型驗證精度明顯優于隨機森林產量模型的驗證精度，這與部分研究結果不一致[35]。在本研究中基于隨機森林回歸的產量模型驗證精度較低，可能是以下2個方面的原因導致的。一方面，過多的輸入特征使得運行效率降低而且增加了過擬合的風險，同時少數有效特征的作用也會被掩蓋在許多無用特征之下[36]。另一方面，隨機森林的回歸模型在數據樣本不均衡、有效樣本較少等情況下難以應用。本研究使用的是獨立數據集來評價模型的驗證精度，不同數據集間存在差異導致隨機森林的產量模型驗證精度相對較低，這與部分證明激光雷達技術結合線性回歸的生物量模型可移植性強的研究結果類似[37]。

4 結論

本研究以如皋試驗和興化試驗為基礎，同步獲取點云數據與光譜數據，開展了抽穗后各生育期的水稻光譜數據與點云數據和產量的時空變異特征研究。研究結果表明，基于點云數據的產量模型估算精度，優于基于光譜數據的產量估算模型；線性回歸的產量模型較隨機森林回歸的產量模型更穩定；產量模型在同一生態點的可移植性優于不同生態點的可移植性。激光雷達技術可以在抽穗后直至收獲前對產量進行全天候實時監測，該研究結果可以為精確收獲和糧食收購政策制定等提供有益的技術支撐。

[1] Alola A , Alola U V. The dynamic nexus of crop production and population growth: housing market sustainability pathway. Environmental Science and Pollution Research, 2018, 26: 6472-6480.

[2] UN Food Agriculture Organization. How to feed the word in 2050. Discussion paper prepared for expert forum: 12-13. October 2009, released 23.

[3] INTERPRETERS S. FAO-food and agriculture organization of the united nations. Science, 2013, 118(3077): 13-23.

[4] JULIAN P, MARK B, Sarah M. Food waste within food supply chains: quantification and potential for change to 2050. Philosophical Transactions of the Royal Society of London, 2010, 365(1554): 3065-3081.

[5] LIU J G, PATTEY E, MILLER J R, MCNAIRN H, SMITH A, HU B X. Estimating crop stresses, aboveground dry biomass and yield of corn using multi-temporal optical data combined with a radiation use efficiency model. Remote Sensing of Environment, 2010, 114(6): 1167-1177.

[6] MUTANGA O, Adam E, CHO M A. High density biomass estimation for wetland vegetation using WorldView-2 imagery and random forest regression algorithm. International Journal of Applied Earth Observations and Geoinformation, 2012, 18(1): 399-406.

[7] 亓雪勇, 田慶久. 光學遙感大氣校正研究進展. 國土資源遙感, 2005, 45(4): 4-9.

Qi X Y, TIAN Q J. The advance in the study of atmospheric correction for optical remote sensing. Remote Sensing for Land and Resources, 2005, 45(4): 4-9. (in Chinese)

[8] 唐延林, 黃敬峰, 王人潮, 王福民. 水稻遙感估產模擬模式比較. 農業工程學報, 2004, 3(1): 167-172.

TANG Y L, HUANG J F, WANG R C, WANG F M. Comparsion of yield estimation simulated models of rice by remote sensing. Transactions of The Chinese Society of Agricultural Engineering, 2004, 3(1): 167-172. (in Chinese)

[9] OWERS, C J, ROGERS K, WOODROFFE C D. Terrestrial laser scanning to quantify above-ground biomass of structurally complex coastal wetland vegetation. Estuarine Coastal and Shelf Science, 2018, 204: 164-176.

[10] EITEL J U H, MAGNEY T S, VIERLING L A, BROWN T T, HUGGINS D R. LiDAR based biomass and crop nitrogen estimates for rapid, non-destructive assessment of wheat nitrogen status. Field Crops Research, 2014, 159: 21-32.

[11] TILLY N, HOFFMEISTER D, CAO Q, LENZ-WIEDEMANN V, BARETH G. Precise plant height monitoring and biomass estimation with Terrestrial Laser Scanning in paddy rice. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2013, II-5/W2: 295-300.

[12] TILLY N, AASEN H, BARETH G. Fusion of plant height and vegetation indices for the estimation of barley biomass. Remote Sensing, 2015, 7: 11449-11480.

[13] GUO Q H, WU F F, PANG S X, ZHAO X Q, CHEN L H, LIU J, XUE B L, XU G C, LI L, JING H C. Crop 3D: a platform based on LiDAR for 3D high-throughput crop phenotyping. Scientia Sinica, 2016, 12: 121-141.

[14] LUMME J, KARJALAINEN M, KAARTINEN H, KUKKO A, HYYPP? J, HYYPP? H, JAAKKOLA A, KLEEMOLA J. Terrestrial laser scanning of agricultural crops. International Journal of Remote Sensing, 2008, 26(7): 563-566.

[15] MCKINION J M, WILLERS J L, JENKINS J N. Comparing high density LIDAR and medium resolution GPS generated elevation data for predicting yield stability. Computers and Electronics in Agriculture, 2010, 74(2): 244-249.

[16] LI Z H, WANG J H, XU X G, ZHAO C J, JIN X L, YANG G J, FENG H K. Assimilation of two variables derived from hyperspectral data into the DSSAT-CERES model for grain yield and quality estimation. Remote Sensing, 2015, 35(9): 12400-12418.

[17] 王延頤. 植被指數與水稻長勢及產量結構要素關系的研究. 國土資源遙感, 1996, 2(1): 56-59.

WANG Y Y. The relationship between vegetation index and rice growth and rice yield components. Remote Sensing for Land and Resources, 1996, 2(1): 56-59. (in Chinese)

[18] 李衛國, 王紀華, 趙春江, 李存軍, 王永華. 基于生態因子的冬小麥產量遙感估測研究. 麥類作物學報, 2009, 29(5): 213-220.

LI W G, WANG J H, ZHAO C J, LI C J, WANG Y H. Study on remote sensing estimation of winter wheat yield based on eco-environmental factors. Journal of Triticeae Crop, 2009, 29(5): 213-220. (in Chinese)

[19] 薛利紅, 曹衛星, 羅衛紅. 基于冠層反射光譜的水稻產量預測模型. 遙感學報, 2005, 7(1): 102-107.

XUE L H, CAO W X, LUO W H. Rice yield forecasting model with canopy reflectance spectra. Journal of Remote Sensing, 2005, 7(1): 102-107. (in Chinese)

[20] CHENG T, RIVARD B, SáNCHEZ-AZOFEIFA A G, FéRET J B, JACQUEMOUD S, USTIN S L. Deriving leaf mass per area (LMA) from foliar reflectance across a variety of plant species using continuous wavelet analysis. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87: 28-38.

[21] 宋開山, 劉殿偉, 王宗明, 呂冬梅, 張柏, 任春穎, 杜嘉. 基于小波分析的玉米葉綠素a與LAI高光譜反演模型研究. 農業系統科學與綜合研究, 2011, 3(2): 28-34.

SONG K S, LIU D W, WANG Z M, Lü D M, ZHANG B, REN C Y, DU J. Corn chlorophyll-a concentration and LAI estimation models based on wavelet transformed canopy hyperspectral reflectance. System Sciences and Comprehensive Studies in Agriculture, 2011, 3(2): 28-34. (in Chinese)

[22] 宋開山, 張柏, 王宗明, 劉殿偉, 劉煥軍. 基于小波分析的大豆葉綠素a含量高光譜反演模型. 植物生態學報, 2008, 2(1): 157-165.

SONG K S, ZHANG B, WANG Z M, LIU D W, LIU H J. Soybean chlorophyll a concentration estimation models based on wavelet- transformed, in situ collected, canopy hyperspectral data. Journal of Plant Ecology, 2008, 2(1): 157-165. (in Chinese)

[23] 洪雪. 基于水稻高光譜遙感數據的植被指數產量模型研究[D]. 沈陽: 沈陽農業大學, 2017.

HONG X. Rice yield model research based on vegetation index of hyperspectral remote sensing data[D]. Shenyang: Shenyang Agricultural University, 2017. (in Chinese)

[24] 王娣. 高光譜與多光譜遙感水稻估產研究[D]. 武漢: 武漢大學, 2017.

WANG D. Hyperspectral and multispectral remote sensing study on yield estimation of rice[D]. Wuhan: Wuhan University, 2017. (in Chinese)

[25] 黃春燕, 王登偉, 陳冠文, 袁杰, 祁亞琴, 陳燕, 程誠. 基于高光譜植被指數的棉花干物質積累估算模型研究. 棉花學報, 2006, 18(2): 115-119.

HUANG C Y, WANG D W, CHEN G W, YUAN J, QI Y Q, CHEN Y, CHENG C. Estimation modeling of cotton dry matter accumulation based on hyperspectral vegetation index. Cotton Science, 2006, 18(2): 115-119. (in Chinese)

[26] 許童羽, 洪雪, 陳春玲, 周云成, 曹英麗, 于豐華, 李娜. 基于冠層NDVI數據的北方粳稻產量模型研究. 浙江農業學報, 2016, 28(10): 1790-1795.

XU T Y, HONG X, CHEN C L, ZHOU Y C, CAO Y L, YU F H, LI N. Study on northern japonica rice yield model based on canopy date of NDVI. Acta Agriculturae Zhejiangensis, 2016, 28(10): 1790-1795. (in Chinese)

[27] 宋紅燕, 胡克林, 彭希. 基于高光譜技術的覆膜旱作水稻植株氮含量及籽粒產量估算. 中國農業大學學報, 2016, 4(8): 27-34.

SONG H Y, HU K L, PENG X. Crop nitrogen content diagnosis and yield estimation in ground cover rice production system based on hyperspectral data. Journal of China Agricultural University, 2016, 4(8): 27-34. (in Chinese)

[28] SHIBAYAMA M. AKIYAMA T. Estimating grain yield of maturing rice canopies using high spectral resolution reflectance measurements. Remote Sensing of Environment, 1991, 36(1): 45-53.

[29] BAI J H, LI S K, WANG K R, SUI X Y, CHEN B, WANG F Y. Estimating aboveground fresh biomass of different cotton canopy types with homogeneity models based on hyper spectrum parameters. Agricultural Sciences in China, 2007, 6(4): 437-445.

[30] LI P, ZHANG X, WANG W H, ZHENG H B, YAO X, TIAN Y C, ZHU Y, CAO W X, CHEN Q, CHENG T. Estimating aboveground and organ biomass of plant canopies across the entire season of rice growth with terrestrial laser scanning. International Journal of Applied Earth Observation and Geoinformation, 2020, 91: 102-132.

[31] GITELSON A A, VI?A A, ARKEBAUER T J, RUNDQUIST D C, KEYDAN G P, LEAVITT B, KEYDAN G. Remote estimation of leaf area index and green leaf biomass in maize canopies. Geophysical Research Letters, 2003, 30: 335-343.

[32] HUDAK A T, LEFSKY M A, COHEN W B, BERTERRETCHE M. Integration of LiDAR and Landsat ETM+ data for estimating and mapping forest canopy height. Remote Sensing of Environment, 2015, 82(2/3): 397-416.

[33] WEI F, HUI F, YANG W N, DUAN L F, CHEN G X, XIONG L Z, LIU Q. High-throughput volumetric reconstruction for 3D wheat plant architecture studies. Journal of Innovative Optical Health Sciences, 2016, 9(5): 1650037.

[34] HUANG J F, BLACKBURN G A. Optimizing predictive models for leaf chlorophyll concentration based on continuous wavelet analysis of hyperspectral data. International Journal of Remote Sensing, 2011, 32(24): 9375-9396.

[35] CHEN Q. Modeling aboveground tree woody biomass using national- scale allometric methods and airborne LiDAR. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 106: 95-106.

[36] DAI B, GU C S, ZHAO E, QIN X N. Statistical model optimized random forest regression model for concrete dam deformation monitoring. Structural Control and Health Monitoring, 2018, 25(6):1-15.

[37] TILLY N, HOFFMEISTER D, CAO Q, LENZ-WIEDEMANN V, MIAO Y X, BARETH G. Transferability of models for estimating paddy rice biomass from spatial plant height data. Agriculture, 2015, 5: 538-552.

Assessment of Terrestrial Laser Scanning and Hyperspectral Remote Sensing for the Estimation of Rice Grain Yield

1Nanjing Agricultural University/National Engineering and Technology Center for Information Agriculture (NETCIA) /Jiangsu Key Laboratory for Information Agriculture/Key Laboratory of Crop System Analysis and Decision Making, Ministry of Agriculture and Rural Affairs/Engineering Research Center of Smart Agriculture, Ministry of Education, Nanjing 210095;2Jiangsu Collaborative Innovation Center for Modern Crop Production, Nanjing 210095

【】Non-destructive and accurate estimation of crop biomass and yield is crucial for the quantitative diagnosis of growth status and planning of national food policies. Hyperspectral and Terrestrial Laser Scanning (TLS) remote sensing provide convenient and effective ways to monitor crop condition.【】The aim of this study was to examine the feasibility of developing models with various independent datasets to build a universal yield monitoring model. The expected results can provide theoretical and technical support for rice growth monitoring and scientific guidance of precision agriculture.【】Field plot experiments were conducted in 2016, 2017 and 2018 and involved different study sites, nitrogen (N) rates, planting techniques and rice varieties. Linear regression (LR) and random forest (RF) were evaluated in estimating yield with TLS and spectral data collected since the heading stage, and the feasibility of developing models with various independent datasets was examined to build a universal yield monitoring model.【】 The results showed that TLS models exhibited higher estimation accuracies for yield in the heading stage, early-filling stage and late-filling stage (2: 0.64-0.69) than hyperspectral models (2: 0.20-0.58). Compared to RF, LR modeling yielded significantly higher validation accuracies for growth stages after heading. While the predictive model was transferred to other datasets, the validation accuracies from the same site (: 11.37%-12.41%) were higher than those from a different site (: 16.69%-17.85%).【】The results suggested that TLS was a promising technique to monitor yield at post-heading stages with high accuracy and to overcome the saturation of canopy reflectance signals encountered in optical remote sensing.

rice; yield;LiDAR; hyperspectral; regression model

10.3864/j.issn.0578-1752.2021.14.004

2020-09-01；

2020-11-20

國家重點研發計劃（2016YFD0300601）、國家自然科學基金（41871259）、中國博士后基金（2019M651854）

李朋磊，E-mail：2017101172@njau.edu.cn。通信作者程濤，E-mail：tcheng@njau.edu.cn

（責任編輯 楊鑫浩）