基于無人機多光譜的蕎麥產量估測研究

徐鑫， 郝瑤， 唐恬， 方小梅， 易澤林

西南大學 農學與生物科技學院，重慶 400715

蕎麥是蓼科蕎麥屬的一年生草本植物, 也稱凈腸草、 烏麥、 三角麥等, 具有生育期短、 耐貧瘠、 適應性強等特點． 我國是蕎麥發源地, 種植歷史悠久． 蕎麥兼具食用和藥用價值, 被譽為“21世紀人類的健康食品”, 能夠起到降低血壓、 血糖和血脂的作用, 具有優秀的營養保健價值和食療功效, 也是國際糧農組織公認的杰出食藥兼用糧食種類之一．

精準農業的發展依賴于詳細可靠的農田狀況信息, 如作物長勢狀況、 營養狀況、 雜草分布、 病蟲害分布等． 然而, 傳統的田間作物信息獲取方法存在耗時耗力、 破壞性強、 時效性差等缺點, 嚴重阻礙了大規模作物生長的實時監測． 而隨著低空高通量表型平臺的出現, 這一過程得到了改進[1-5]． 無人機遙感技術是現代比較新型的技術手段之一, 即可以通過無人機設備, 直接遙控無人機的行駛, 同時通過CPS, GIS等信息技術手段, 對特定地方實施掃描, 以便于獲取相關數據．

在農業領域中, 無人機遙感技術應用廣泛． 王乃斌等[6]在研究中提出用綠度指數、 綠度變化率等指標, 在分析冬小麥水、 肥、 氣、 熱等條件的基礎上, 構建了大尺度小麥遙感產量估測模型． 吉書琴等[7]采用NOAA衛星遙感影像數據, 挑選水稻最適估產生長時期, 利用植被指數構建了水稻產量估測模型, 估產精度較好． 張玉萍等[8]利用遙感衛星獲取了單品種小麥和多品種小麥不同施氮量后的冠層光譜數據, 并利用植被指數、 一階微分參數和小麥產量建立了遙感估產模型． 結果表明, 單品種小麥和多品種小麥估產模型的預測精度較高, 可用于估產試驗． 申洋洋等[9]通過采集冬小麥關鍵生育期5種多光譜數據, 計算72種植被指數, 并基于偏最小二乘法、 隨機森林法構建了不同的估產模型． 經誤差評價, 基于隨機森林法建立的小麥抽穗期估產模型效果最佳． 對估產精度的分析表明, 無人機多光譜獲得的植被指數有助于提高小麥估產效果． 韓文霆等[10]選取6種植被指數分別與夏玉米4個單一生育期、 多生育期建模, 并結合實際產量篩選建立了基于綠色歸一化差異植被指數(Green Normalized Difference Vegetation Index, GNDVI)的最優估產模型． 結果顯示, 多生育期的多光譜估產優于單一生育期, 優化后的估產模型可快速評估作物長勢和產量． 王愷寧等[11]利用衛星遙感數據, 計算出4種植被指數, 并建立了線性和非線性回歸模型, 用于預測小麥的產量． 其中, 非線性回歸模型的準確性更高, 非線性支持向量機(SVM)模型的準確性更高, 達到了R2=0.79的水平． Tao等[12]采集冬小麥拔節期、 挑旗期、 開花期等3個時期的無人機高光譜影像, 用3種方法回歸建模后發現偏最小二乘法建立的回歸模型估產最準確(R2=0.77)． Han等[13]結合無人機影像和多元線性回歸、 支持向量機、 人工神經網絡和隨機森林等4種機器學習算法來估測玉米生物量, 發現隨機森林算法模型具有較高的精度和較低的誤差(R2=0.94,RMSE=0.50)．

綜上所述, 我們能夠發現學界對于將無人機運用于農業中的技術已經逐步走向成熟, 估產方法及模型的建立也更加多元化． 傳統的蕎麥產量估測方法往往耗時長且成本較高, 而利用無人機多光譜技術, 可以快速獲取植被信息, 并提高產量估測的效率, 從而更好地預測產量, 降低經營成本和勞動力消耗． 同時由于目前蕎麥多生長在山地, 人工測產具有一定的難度, 本研究基于無人機多光譜來建立蕎麥的估產模型, 以期為蕎麥及無人機估產等行業提供借鑒經驗與啟示．

1 試驗材料與方法

1.1 田間試驗設計

試驗于2020-2022年在西南大學合川農場試驗基地進行, 試驗地屬亞熱帶季風氣候, 海拔204 m． 試驗地土壤為砂壤土, 其中pH值為6.53, 有機質質量分數為6.77 g/kg, 堿解氮質量分數為58.3 mg/kg, 速效磷質量分數為50.61 mg/kg, 速效鉀質量分數為162.37 mg/kg． 該區域地形平坦, 上空區域寬闊, 無高大樹木遮擋, 十分適合用無人機對蕎麥進行遙感監控． 同時, 該地光熱條件良好, 土壤質地優秀, 肥力充足, 蕎麥生長態勢良好．

供試苦蕎品種為zim00312(生育期90～100 d, K1)、 酉蕎6號(生育期110～120 d, K2); 甜蕎品種為烏克蘭大粒蕎(生育期60～70 d, T1)、 酉蕎2號(生育期80～90 d, T2), 由重慶蕎麥產業體系提供, 酉蕎6號和酉蕎2號為重慶市審定品種, zim00312由中國農業科學院作物科學研究所提供, 烏克蘭大粒蕎為國外引進品種． 種子均為上一季收獲的新種子, 發芽率80%以上, 播種前人工挑選種子, 除去泥土等雜質和雜種子． 供試肥料為復合肥(嘉施利化肥有限公司, N-P2O5-KO: 15-15-15, 總養分≥45%)、 納米有機肥(成都正光納米有機肥, 氮磷鉀總養分含量≥5%, 有機質≥45%), 經過測定, 納米有機肥中的N, P, K含量分別為2.94%, 0.98%, 1.34%．

本試驗采用裂區試驗設計, 主區是甜蕎2個品種和苦蕎2個品種, 一共4個品種, 裂區是6個肥料處理與對照． 小區面積為6.68 m2(長4 m, 寬1.67 m), 3次重復, 人工條播, 基本苗90萬株/hm2, 每個小區出苗600株, 行距33 cm, 種植6行, 每行100株苗, 區組間隔50 cm． 播種前將2種肥料作為基肥一次性施入, 并按常規管理． 期間進行3次重復試驗． 試驗田中的蕎麥同時進行肥效試驗, 共6種處理, 因此每個品種有6×3=18個小區, 4個品種共72個小區．

1.2 數據獲取方法

1.2.1 圖像獲取設備

采集圖像所用的設備是相機分辨率為1 240萬像素的大疆精靈Phantom 4無人機, 分別在蕎麥的苗期、 花期、 成熟期進行飛行作業, 垂直采集蕎麥試驗田的冠層圖像(圖1), 持續飛行時間約20 min．

圖1 無人機飛行區域

每次飛行采取距離地面30 m的高度進行拍攝作業, 由于蕎麥植株較細, 無人機起飛以及降落時, 機翼旋轉產生的風流會導致蕎麥植株傾斜, 故飛行高度不能過低, 而太高又會導致無法獲得精確數據, 故設置飛行高度為30 m, 盡量減小數據的誤差．

1.2.2 圖像獲取過程

無人機影像獲取時期分別是蕎麥的苗期、 花期和成熟期, 且在晴朗少風天氣的中、 下午拍攝, 為確保飛機在飛行過程中的安全性及數據可用性, 飛機在安裝后設定了航點、 航線、 飛行高度以及圖像重復率等參數． 該試驗采用DJI GS Pro實現了指定地區航線的自動生成、 飛行、 拍攝并完成有關數據的收發． 鑒于需要在短時間內得到所有需要的影像, 該無人機的飛行方式為“S”形航線． 在完成圖像采集之后使用軟件Pix4DMapper制作正射影像、 DSM以及三維點云等數據, 并對相鄰圖像進行特征匹配, 實現相鄰圖像之間的無縫拼接． 將配準后的影像進行切割, 切割出需要研究的區域[14]．

1.2.3 產量測定

待籽粒70%～80%成熟時對各小區進行單獨收獲并實測小區產量, 然后折合成每公頃產量(kg/hm2)． 于收獲前3天隨機取5株長勢一致且未倒伏的植株, 測定其單株粒數、 單株粒質量和千粒質量． 每個小區3次重復, 取平均值．

1.3 數據分析

1.3.1 植被指數的選擇

基于苗期、 花期及成熟期的正射圖像, 利用ArcGIS提取各小區冠層圖像的RGB通道值． 查閱相關文獻, 梳理前人在研究中選擇的最優光譜指數, 本研究選用了8個顏色指數(ExG, ExGR, ExR, GLI, MGRVI, RGBVI, NDI, VARI)和7個植被指數(DVI, EVI2, GNDVI, NDVI, OSAVI, RVI, SAVI)用于圖像數據分析, 具體圖像光譜參數定義如表1所示．

表1 本研究采用的顏色指數及作物指數

1.3.2 相關系數的計算

相關系數是用來反映變量之間線性相關關系密切程度的統計指標． 在使用ArcGIS將各個作物指數計算后, 導出數據表, 在Microsoft Excel軟件中使用VLOOK UP函數將統計好的產量數據與作物指數對應的數據相匹配, 然后再用Correl函數計算產量和各作物光譜指數的相關性系數．

2 結果與分析

本研究在4個蕎麥品種的3個不同生育時期, 選取了15個光譜指數, 與實測產量進行相關性分析, 以確定估算生物量的最優作物指數． 不同作物指數和生育期與不同品種產量的相關系數R如表2～表8所示, 其中R絕對值只要大于0.75就可以認為2個變量的線性相關關系有統計學意義, 且R值越接近1, 意味著作物指數與產量的相關性越高．

表2 蕎麥苗期作物指數與產量的相關系數R

2.1 相同時期各品種產量與作物指數的相關性

2.1.1 苗期作物指數與各品種產量的相關性

蕎麥在苗期基于無人機圖像的各作物指數與產量的相關系數R值經計算后如表2所示． 分析表2可知, 蕎麥T2品種的產量和絕大多數作物指數的相關關系均有統計學意義, 除GNDVI外的相關系數為0.19, 其余的絕對值都在0.75左右, 其中NDI和VARI的相關性最高, 均達到了0.82． GNDVI和K1品種產量的相關性有統計學意義, 而其他3個品種的產量與這15個作物指數的相關性則較低, 且沒有任何一個單一的作物指數與4個品種的產量顯著相關．

2.1.2 花期作物指數與各品種產量的相關性

蕎麥在花期基于無人機圖像的各作物指數與產量的相關系數R值經計算后如表3所示． 分析表3可知, 蕎麥花期的作物指數與4個品種蕎麥產量的相關關系均無統計學意義, 蕎麥T2品種的產量與作物指數的相關性和其他3個品種比起來相對高一點, 而K1品種在花期與大多數作物指數的相關系數都為負值．

表3 蕎麥花期作物指數與產量的相關系數R

2.1.3 成熟期作物指數與各品種產量的相關性

蕎麥成熟期基于無人機圖像的各作物指數與產量的相關系數R值經計算后如表4所示． 從表4可以看出, 蕎麥成熟期的作物指數與K1品種產量的相關性相對較高, 均在0.70左右, 而此時T2品種則與之前時期的結果相反, 與各作物指數的相關性均較低． 總體來看, 在成熟期時各個作物指數和苦蕎品種(K1和K2)產量的相關性較高, 而和甜蕎品種(T1和T2)產量的相關性較低．

表4 蕎麥成熟期作物指數與產量的相關系數R

2.2 不同時期相同品種產量與作物指數的相關性

2.2.1 不同時期甜蕎1號(T1)產量與作物指數的相關性

從表5中可以看出3個生育時期的15個作物指數與甜蕎1號的產量相關性都不高, 其中成熟期的相關性普遍較低． 但從總體上來看, ExR與該品種產量的相關性較好, 均為負相關．

表5 甜蕎1號(T1)不同時期產量與作物指數的相關系數R

2.2.2 不同時期甜蕎2號(T2)產量與作物指數的相關性

從表6中可以看出, 各作物指數與甜蕎2號的產量相關性主要差異在于生長時期, 其中苗期相關性最高, 花期次之, 成熟期最低． 而相同時期各個指數之間的差異并不太大, 且和甜蕎1號一樣, 各個時期的相關系數中成熟期的數值普遍較低, 這種情況的出現可能與品種有一定的關系．

表6 甜蕎2號(T2)不同時期產量與作物指數的相關系數R

2.2.3 不同時期苦蕎1號(K1)產量與作物指數的相關性

分析表7可知, 苦蕎1號在成熟期與各作物指數的相關性都比較高, 而花期較特殊, 在花期該品種的產量與絕大多數作物指數呈負相關． 而GNDVI在所有作物指數中與K1品種產量的相關性較高．

表7 苦蕎1號(K1)不同時期產量與作物指數的相關系數R

2.2.4 不同時期苦蕎2號(K2)產量與作物指數的相關性

從表8中可以看出苦蕎2號在成熟期和苗期與各作物指數的相關性稍微高于花期, 而作物指數ExG和ExGR在3個時期與該品種的相關性均比較高, 因此相對于其他指數, 這2個指數可以更好地估測該品種的產量．

表8 苦蕎2號(K2)不同時期產量與作物指數的相關系數R

2.3 產量估算模型驗證

甜蕎不同生育時期的產量與作物指數進行分析后選取最優作物指數構建線性擬合函數(圖2a), 甜蕎在苗期、 花期以及成熟期被選擇用來建立模型的作物指數分別為VARI, DVI和GNDVI, 其中苗期VARI與產量的相關系數較大, 接近0.7, 雖然均方根誤差比花期DVI的大, 但總體看來在苗期用VARI對該品種建立的估產模型擬合程度更高．

圖2 蕎麥不同生育時期產量估算模型

苦蕎不同生育時期的產量與作物指數進行分析后選取最優作物指數構建線性擬合函數(圖2b)． 苦蕎在苗期、 花期被選擇用來建立模型的作物指數均為GNDVI, 成熟期選擇的則是RVI． 其中, 苗期和成熟期與產量的相關系數均較大, 同時均方根誤差也比較大, 建立的估產模型擬合程度較高．

綜上所述, 無論甜蕎還是苦蕎, 苗期進行無人機多光譜產量估測效果較佳, 甜蕎選擇作物指數VARI, 建立的監測模型(y=1.269 4x+0.351,R2=0.675)最佳; 苦蕎選擇作物指數GNDVI, 建立的監測模型(y=6.545 9x-1.604,R2=0.56 7)最佳．

3 討論

無人機遙感系統對于精準農業的發展有著重大的意義, 因為它可以快速而準確地估算作物產量． 由于高光譜傳感器能夠獲得更多波段的光譜信息[28], 因此目前使用無人機高光譜遙感系統進行作物產量估測的研究比較多． 多項研究表明, 作物產量和圖像顏色特征、 紋理特征存在相關性并能夠擬合模型進而估測產量, 如龔紅菊[29]驗證了基于紋理特征估算水稻產量的可行性, 張靜等[30]結合棉花冠層圖像的顏色指數特征和紋理特征對產量進行估算并得到較穩定的模型． 本研究選擇不同時期不同品種蕎麥冠層圖形的作物指數特征對蕎麥產量進行估算并得到較穩定的模型, 表明利用無人機多光譜技術對蕎麥進行產量估測的方法具有較高的精度和可行性．

根據以往學者對無人機遙感系統的研究發現: 光譜作物指數雖然能部分地反映作物產量情況, 但是產量模型建立時最優作物指數的選取仍面臨一些關鍵性問題． 已經被定義的作物指數有DVI, NDVI, SAVI等40余種, 但并不是每種作物指數都能準確反映某一品種作物的生長狀況, 在沒有考慮作物指數和產量相關性的情況下, 多個作物指數融合會使光譜信息趨于飽和, 降低估測模型的準確性, 如韓文霆等[10]利用多旋翼無人機多光譜遙感平臺, 構建了基于多種植被指數和多種生育期對應的夏玉米實測產量的6種線性模型, 可以快速預測產量． 很多研究認為, NDVI與產量相關, 進行產量估測最普遍的方式是在NDVI與作物產量之間建立經驗模型, 該方法操作簡單, 便于推廣[31], 在植被覆蓋度較低時, NDVI可以較為準確地估測作物長勢和生物量, 當覆蓋度較高時, 準確度會下降[31-32], 如馮美臣等[33]利用冠層光譜數據提取植被指數NDVI, 結合作物產量數據, 構建出用于產量估測的復合回歸方程． 本研究選用了8個顏色指數和7個植被指數用于圖像數據分析, 在不同生育期, 選取相關系數最高的作物指數構建線性擬合函數, 篩選出適合進行產量估算的時期, 得出最終的產量估測模型, 為蕎麥產量遙感監測提供了技術支撐．

由于試驗條件的限制以及氣候等不可控因素, 本研究存在以下幾點不足之處: ① 蕎麥產量的數據獲取存在人工采集和統計方面的誤差, 我們需要在數據處理步驟中, 增加數據異常值與誤差的識別處理過程, 以提高數據準確性． ② 受到條件限制, 我們在本次研究中使用的作物指數不夠全面, 導致不同顏色指數和作物指數間相關性較強, 不能夠進行多元線性回歸分析, 從而影響了研究結果的深入程度． 在未來的研究方案設計中, 應該系統地選擇全面的作物指數． ③ 相關性計算時我們只考慮了單純的線性回歸方法, 計算了相關系數R值, 未能考慮到更多復雜模型的相關性計算方式, 從而無法全面深入地分析數據相關性． 在以后的研究中, 應當研究更多算法．

4 結論

本研究探討了蕎麥4個品種3個不同生育時期的作物指數與產量的相關性, 結果表明, 苗期作物指數和甜蕎2號產量的相關性大多數有或極有統計學意義, 其中NDI以及VARI和甜蕎2號產量的相關性最高． 花期作物指數同樣是和甜蕎2號產量的相關性最好, 但都不如苗期時的相關度高． 成熟期作物指數和甜蕎2號產量的相關系數大幅度下降, 而與苦蕎產量的相關系數有所上升． 而在相同品種不同時期的作物指數與產量的相關性分析中, ExR與甜蕎1號產量的相關性較好, 均為負相關; 甜蕎2號產量與各個時期作物指數的相關性隨著時間而遞減; 苦蕎1號在成熟期與各個作物指數的相關性都比較高, 其中GNDVI在所有作物指數中與K1品種產量的相關性相對較高; 對于苦蕎2號來說, 則是ExG和ExGR等2個作物指數在3個時期與其相關性均比較高． 基于簡單易操作的原則, 構建了甜蕎的估產模型(y=1.269 4x+0.351,R2=0.675)和苦蕎的估產模型(y=6.545 9x-1.604,R2=0.567), 為蕎麥產量遙感監測提供技術支撐．