基于無人機多光譜NDVI值估測玉米產量

摘 要：【目的】研究基于UAS-8無人機采集數據，運用歸一化植被指數（Normalized Difference Vegetation Index）模型估測玉米產量，為大田無人機多光譜預測玉米產量提供理論依據。

【方法】以新疆18份春播玉米為研究對象，獲取開花期多光譜圖像，經過輻射校正、大氣校正、建立掩膜、提取NDVI圖，計算植被覆蓋率，得到區光譜反射率和歸一化植被指數實際數值，將NDVI值與田間實測產量值進行模型擬合。

【結果】冪函數Y = 23 411.46-10 997.99 / X（R2 = 0.488 6），二次函數為Y = 39 003.00-117 963.03X + 103 130.25X2（R2 =0.562），正反比函數（Inverse Proportional Function）為Y2 = 2 840.5 X/（1-X）（R2 = 0.495），利用偏最小二乘回歸（Partial Least Squares Regression），其線性函數 Y = 24 458.22X-9 620.55（R2 =0.521）。

【結論】在數值0.5～0.8區間，NDVI與玉米產量具有較高的相關性，線性函數方程NDVI值可預測玉米的產量。

關鍵詞：玉米；產量；歸一化植被指數（NDVI）；偏最小二乘回歸（PLSR）

中圖分類號：S512 文獻標志碼：A 文章編號：1001-4330（2024）04-0845-07

0 引 言

【研究意義】玉米各個生長發育時期受多種環境因素的影響，光、溫、水是決定玉米產量的重要環境因子，且與玉米生長期的冠層結構密切相關。實時監測作物生長狀況可提供準確有效的農藝管理措施，隨著光譜分辨率遙感技術的發展，為監測農業災害奠定了基礎［1］。遙感技術可以獲得田塊大尺度的土壤養分含量不同時期作物的長勢和產量數據變化，構建快速、低成本的精準管理分區技術體系，更為精準定時、定位、定量、定配方施肥。低空無人機遙感技術在農作物生長狀況的監測、評估、應用的作用越發明顯［2］。【前人研究進展】NDVI是反應農作物長勢和養分信息的重要參數之一，無人機遙感平臺研究表明，大豆［3］、高粱［4，5］和玉米［6］的生物量與NDVI值之間呈線性相關。已有文獻將NDVI值用于跟蹤生物量、氮水平和葉面積指數等［7-9］。在干旱脅迫下，NDVI與產量的密切關系已得到證實［10-12］。NDVI水平越高，營養期生長速度越快，生物量積累越多，籽粒灌漿期越長，可以延緩成熟期葉片的衰老，從而提高產量［13］。獲取作物最重要的生育時期的實時信息［14］。利用遙感數據對產量估計和預測的研究取得了研究進展［15］。利用遙感數據對作物產量進行建模分為三類：第一類是基于作物和作物相關變量（如溫度、降水量、蒸發量和植被指數等）之間的統計關系的經驗模型［16］；第二類是半經驗模型，如光能利用率模型或者生產效率模型，依據作物生長機理或者作物生理過程應用于作物產量的經驗公式［15］；第三類是基于遙感數據和農業氣象或植物生理模型相結合的物理模型。作物的最終產量受眾多環境因素影響，通常使用遙感數據得到產量相關變量，但是最終產量與產量相關變量之間一定是線性關系［17］。【本研究切入點】傳統的作物生長監測方法只能獲取部分區域上的信息，不能滿足大面積檢測需求，農業生產上迫切需要大面積、快速、動態、無損的監測方法。有必要研究基于無人機數據運用歸一化植被指數（Normalized Difference Vegetation Index）模型估測玉米產量。【擬解決的關鍵問題】通過無人機多光譜遙感系統，獲取玉米成熟期的多光譜影像。拼接圖像后經過矯正提取玉米植被指數信息后，結合玉米成熟后的測產分析，與無人機多光譜遙感技術得到的NDVI進行相關性比較，為大田玉米作物產量及其表型組數據的無人機遙感估算提供理論依據。

1 材料與方法

1.1 材 料

以新疆18份春播玉米種質為材料，按照新疆北疆膜下滴灌栽培模式，田間設置株距為20 cm，每穴2粒大小行設計，平均行距55 cm，每個品種種植6行，重復4次。于2021年4月25日播種，出苗完全后人工間苗，確保出苗率98%以上。采集信息包括：密度、公頃株數、作物品種、苗情、株穗數、穗粒數及千粒重。無人機飛行高度50 m，分別在玉米苗期、花期、灌漿期，選擇在午間天氣晴朗、無風條件下采集數據。利用田間實測的千粒重、小區實收產量計算玉米單產。表1

1.2 方 法

1.2.1 圖像獲取設備

采用UAS-8無人機采集圖像數據。多光譜相機可實現全像素5張每秒，采集5個波段的圖像信息。

1.2.2 圖像獲取過程

利用Mission Planner無人機軟件在試驗田小區內生成航線，自動飛行、自動拍攝并完成相關數據接收、處理和發送。在航線和航點規劃時，相鄰圖像的重復率應設置在65%～90%，在該范圍內重復率越高圖像拼接精度越高，選取航向重疊率約為70％，并剔除重復率過低的圖像。

1.2.3 無人機影像處理

獲取的圖像利用Pix4Dmapper多光譜反射率轉換軟件進行輻射校正。使用Pix4Dmapper軟件進行拼接處理 ，將經過輻射校正完的影像導入到Pix4Dmapper軟件，選擇農業多光譜處理模板，輸出并保存各生育期的正射影像。花期正射影像進行幾何校正，再以始花期影像為參考，對其他生育時期的正射影像進行配準。將經過拼接、幾何校正后的正射影像導入到Arc GIS 10.6軟件中，利用試驗小區矢量文件對玉米開花期多光譜正射影像進行掩膜提取，保留試驗區域。通過ENVI 5.3軟件完成光譜反射率的提取。圖1，表2，表3

1.3 數據處理

利用玉米在苗期、花期、灌漿期的平均NDVI值和玉米產量進行回歸分析。采用二次函數（ Quadratic Function）、正反比函數（ Inverse Proportional Function）、線性函數（ Linear Function）和冪函數 （Power Function），選擇趨勢符合理論基礎、數據擬合較好的模型作為產量的預測模型。

2 結果與分析

2.1 產量與NDVI相關模型擬合

四種模型中，二次模型（Y1）是拋物線方程，在NDVI 為5.5左右具有極小值，當NDVI值小于5.5時，NDVI減小會得到更大的預測產量，二次拋物線模型不能用于以NDVI預測產量。

理論上NDVI等于零時產量一定等于0， 隨著NDVI不斷增大，產量將隨之增加。因此，正反比模型（Y2） 在較大的NDVI范圍預測產量， 將不會出現過大的誤差，該模型的擬合決定系數R2為0.495 。

在NDVI值0.5～0.8 的試驗區間，產量和NDVI的關系近似直線（Y3，R2=0.521），但如果測得的NDVI值小于0.5，則預測產量會顯著偏低。

冪函數模型（Y4），呈現出一條近似飽和曲線的關系，且當NDVI小于0.55時，預測產量也會顯著偏低。

二次模型（Y1）、直線模型（Y3）和冪函數模型（Y4），在 NDVI 0.5～0.8區間都有較好的擬合度，但均存在NDVI低于0.5后的產量預測風險。最可信的產量預測模型應當是符合NDVI為0產量也為0的生物學理論基礎模型，即模型Y2；而線性模型（Y3） 因簡單且擬合效果較好，可以在NDVI 0.5～0.8的區間使用。圖2，表4

2.2 精度檢驗

研究表明，冪函數絕對誤差的最大值最小，為2 374.54 kg/hm2。正反比函數絕對誤差的最小值最小，為5.94 kg/hm2。在相對誤差的結果中，線性函數的最大值、最小值和均值更為均衡，離散程度也最小。四種估產模型中線性函數的精度最高。表5

冪函數的平均偏差最小，為1 227.69。線性函數的均方根誤差最小，為390.41。線性函數的標準偏差也最小，為1 656.41，線性函數的精度最高。表6

3 討 論

3.1

一元非線性回歸（univariate nonlinear regres-sion）亦稱一元曲線回歸一種簡單的非線性回歸。偏最小二乘回歸（Partial Least Squares Regression）主要是單因素或者多因素對單自變量或者多自變量的回歸建模，一般使用典型相關分析、主成分分析和多元線性回歸分析。利用PLSR的標準回歸系數比較各個自變量之間重要性，為了使模型R2更接近1，所以盡量減少自變量個數并剔除標準系數最小的自變量，最后利用非標準回歸系數建立回歸模型。田明璐等［18］構建棉花花鈴期葉綠素含量反演模型，結果表明偏最小二乘回歸精度高。孟沌超等［19］利用無人機獲取無人機影像得到多種植被指數，基于一元線性回歸和偏最小二乘回歸建立葉綠素含量反演模型，結果表明偏最小二乘回歸模型精度最高。研究中利用一元非線性回歸和偏最小二乘回歸，結果表明線性函數的精度最高（R2 =0.521）。

3.2

現階段農作物產量預測較為成熟，但是衛星遙感在檢測中有許多局限性，如受天氣影響，時效性差，效率低等［20］ 。在研究中利用無人機進行圖像采集，在低空區域獲取作物冠層的光譜數據，具有精度高，便于操作的有點，也能很好的規避天氣變化的影響。

同一植物由于其內部所含葉綠素、水分以及其自身結構會隨著生育期進行變化，導致其光譜特性也會變化，新疆玉米區種植密度較大，株數在7 000～8 000株/667m2，不同種植密度對植被覆蓋指數也有影響。鄒楠等［21］設置3個玉米種植密度，密度處理分別為6×104、12×104、18×104株/hm2，玉米在12×104和18×104株/hm2的密度下對光譜反射率具有極顯著的相關性。試驗設置的種植密度在對不同品種提取的光譜特征同樣具有顯著的相關性。

3.3

賀佳等［22］研究表明，在一定范圍內LAI會隨著水肥的增加而增加，過量水肥LAI不再增長。玉米的拔節期到成熟期，LAI呈現“低-高-低”的態勢。賀佳等［22］認為玉米抽雄期能更好地估測玉米LAI。在研究中利用無人機影像獲取NDVI數據，建立與其理論產量的最適模型，但是受制于玉米生長的微環境、水體、土壤和當地氣候等多種因素的影響，其NDVI數據在這一過程中出現一些波動，導致玉米冠層NDVI數據與產量在成熟期未呈現良好的相關關系。

基于無人機影像和產量構建回歸反演模型，模型且有較好的反演能力，有一定的可信度。但也有不足，利用的建模方法較少，在后續的研究能夠多用一些建模方法如支持向量機、BP神經網絡、隨機森林等。其次利用的植被指數單一，在后續的研究中可以利用到比值植被指數（RVI）、增強植被指數（EVI）、綠光歸一化植被指數（GNDVI）等。

4 結 論

采用4種模型估測產量，篩選出線性模型預測產量：Y = 24 458.22 NDVI-9 620.55，預測區間NDVI= 0.5～0.8，擬合R2 =0.521。利用無人機影像NDVI值預測玉米產量具有可行性。

參考文獻（References）

［1］李學國. 基于無人機遙感光譜圖像的小麥玉米長勢精準監測研究［D］. 泰安： 山東農業大學， 2019.LI Xueguo. Study on Precise Monitoring of Wheat and Corn Growth Based on Remote Sensing Image of Unmanned Aerial Vehicle［D］. Taian： Shandong Agricultural University， 2019.

［2］ 陳懷亮， 李穎， 張紅衛. 農作物長勢遙感監測業務化應用與研究進展［J］. 氣象與環境科學， 2015， 38（1）： 95-102.CHEN Huailiang， LI Ying， ZHANG Hongwei. Operational application and research review of crop growth monitoring with remote sensing［J］. Meteorological and Environmental Sciences， 2015， 38（1）： 95-102.

［3］ 高林， 楊貴軍， 王寶山， 等. 基于無人機遙感影像的大豆葉面積指數反演研究［J］. 中國生態農業學報， 2015， 23（7）： 868-876.GAO Lin， YANG Guijun， WANG Baoshan， et al. Soybean leaf area index retrieval with UAV（unmanned aerial vehicle） remote sensing imagery［J］. Chinese Journal of Eco-Agriculture， 2015， 23（7）： 868-876.

［4］ Han X Z， Thomasson J A， Bagnall G C， et al. Measurement and calibration of plant-height from fixed-wing UAV images［J］. Sensors， 2018， 18（12）： 4092.

［5］Shafian S， Rajan N， Schnell R， et al. Using a fixed wing UAV remote sensing system for Sorghum Crop Phenotyping ［A］//2016： B53H-B612H.

［6］ Geipel J， Link J， Claupein W. Combined spectral and spatial modeling of corn yield based on aerial images and crop surface models acquired with an unmanned aircraft system［J］. Remote Sensing， 2014， 6（11）： 10335-10355.

［7］ Magney T S， Eitel J U H， Huggins D R， et al. Proximal NDVI derived phenology improves in-season predictions of wheat quantity and quality［J］. Agricultural and Forest Meteorology， 2016， 217： 46-60.

［8］ Foster A J， Kakani V G， Mosali J. Estimation of bioenergy crop yield and N status by hyperspectral canopy reflectance and partial least square regression［J］. Precision Agriculture， 2017， 18（2）： 192-209.

［9］ Samborski S M， Gozdowski D， Walsh O S， et al. Winter wheat genotype effect on canopy reflectance： implications for using NDVI for In-season nitrogen topdressing recommendations［J］. Agronomy Journal， 2015， 107（6）： 2097-2106.

［10］ Rutkoski J， Poland J， Mondal S， et al. Canopy temperature and vegetation indices from high-throughput phenotyping improve accuracy of pedigree and genomic selection for grain yield in wheat［J］. G3 Genes|Genomes|Genetics， 2016， 6（9）： 2799-2808.

［11］ Kumar S， Rder M S， Singh R P， et al. Mapping of spot blotch disease resistance using NDVI as a substitute to visual observation in wheat （Triticum aestivum L.）［J］. Molecular Breeding， 2016， 36（7）： 95.

［12］ Kyratzis A， Skarlatos D， Fotopoulos V， et al. Investigating correlation among NDVI index derived by unmanned aerial vehicle photography and grain yield under late drought stress conditions［J］. Procedia Environmental Sciences， 2015， 29： 225-226.

［13］ Babar M A， Reynolds M P， van Ginkel M， et al. Spectral reflectance indices as a potential indirect selection criteria for wheat yield under irrigation［J］. Crop Science， 2006， 46（2）： 578-588.

［14］ 陳晨. 基于無人機圖像的小麥生物量與產量的估測研究［D］. 揚州： 揚州大學， 2019.CHEN Chen. Estimation of Wheat Biomass and Yield Based on UAV Images［D］. Yangzhou： Yangzhou University， 2019.

［15］ Chen Y， Donohue R J， McVicar T R， et al. Nationwide crop yield estimation based on photosynthesis and meteorological stress indices［J］. Agricultural and Forest Meteorology， 2020， 284： 107872.

［16］ Chakrabarti S， Bongiovanni T， Judge J， et al. Assimilation of SMOS soil moisture for quantifying drought impacts on crop yield in agricultural regions［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2014， 7（9）： 3867-3879.

［17］ Sakamoto T. Incorporating environmental variables into a MODIS-based crop yield estimation method for United States corn and soybeans through the use of a random forest regression algorithm［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 160： 208-228.

［18］ 田明璐， 班松濤， 常慶瑞， 等. 基于無人機成像光譜儀數據的棉花葉綠素含量反演［J］. 農業機械學報， 2016， 47（11）： 285-293.TIAN Minglu， BAN Songtao， CHANG Qingrui， et al. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV-based imaging spectroradiometer［J］. Transactions of the Chinese Society for Agricultural Machinery， 2016， 47（11）： 285-293.

［19］ 孟沌超. 基于無人機可見光影像的棉花氮素和葉綠素反演方法研究［D］. 淄博： 山東理工大學， 2021.MENG Dunchao. Study on inversion method of cotton nitrogen and chlorophyll based on UAV visible light image［D］.Zibo： Shandong University of Technology， 2021.

［20］ 劉小輝. 基于無人機影像的小麥葉綠素含量及產量定量反演研究［D］. 合肥： 安徽大學， 2019.LIU Xiaohui. Inversion of Wheat Chlorophyll Content and Yield Based on Unmanned Aerial Vehicle Images［D］. Hefei： Anhui University， 2019.

［21］ 鄒楠， 楊文杰， 肖春華， 等. 種植密度對玉米冠層高光譜特征的響應研究［J］. 石河子大學學報（自然科學版）， 2017， 35（6）： 687-692.ZOU Nan， YANG Wenjie， XIAO Chunhua， et al. Response of planting density to hyperspectral characteristics of maize canopy［J］. Journal of Shihezi University （Natural Science）， 2017， 35（6）： 687-692.

［22］ 賀佳， 王來剛， 郭燕， 等. 基于無人機多光譜遙感的玉米LAI估算研究［J］. 農業大數據學報， 2021， 3（4）： 20-28.HE Jia， WANG Laigang， GUO Yan， et al. Research on maize LAI estimation based on UAV multispectral remote sensing ［J］. Journal of Agricultural Big Data， 2021， 3（4）： 20-28.