一、引言

水稻產(chǎn)量是各級**進(jìn)行決策、生產(chǎn)部門指導(dǎo)農(nóng)業(yè)生產(chǎn)、流通領(lǐng)域安排糧食收購和銷售、交通部門安排運(yùn)輸計(jì)劃的重要經(jīng)濟(jì)信息，因此，及時(shí)準(zhǔn)確地預(yù)報(bào)水稻產(chǎn)量具有重要的實(shí)用價(jià)值。粳稻是北方主要糧食作物，培育高產(chǎn)水稻品種是提高水稻單產(chǎn)、增加總產(chǎn)、提高稻作效益的主要措施，其中，估產(chǎn)是育種好壞的一個(gè)重要指標(biāo)。水稻產(chǎn)量預(yù)報(bào)包括估算水稻實(shí)際種植面積、監(jiān)測長勢與預(yù)報(bào)產(chǎn)量。傳統(tǒng)水稻估產(chǎn)采用人工區(qū)域調(diào)查方法，速度慢、工作量大、成本高，很難及時(shí)、大范圍獲取水稻的長勢與產(chǎn)量信息；水稻遙感估產(chǎn)具有宏觀、快速、準(zhǔn)確和成本低等優(yōu)點(diǎn)，潛力很大。近年來，無人機(jī)遙感技術(shù)因具有機(jī)動靈活、高效快速、精細(xì)準(zhǔn)確和作業(yè)成本低、按需獲取數(shù)據(jù)且空間分辨率高的優(yōu)勢，發(fā)展迅速，已經(jīng)成為農(nóng)情監(jiān)測的重要手段。將其用于水稻估產(chǎn)，有望降低勞動力和科研成本，提高農(nóng)業(yè)育種信息安全，提高估產(chǎn)精度和育種準(zhǔn)確度。

歸一化植被指數(shù)（NDVI）是目前應(yīng)用*****的植被指數(shù)，它是利用綠色植物對紅光波段和近紅外波段的吸收率和反射率的光譜特性計(jì)算得到的植被指數(shù)，可體現(xiàn)作物的生物量、產(chǎn)量以及健康狀況等。利用不同的遙感數(shù)據(jù)獲得的歸一化植被指數(shù)進(jìn)行作物產(chǎn)量的早期預(yù)測，結(jié)果表明該方法具有較高的可靠性。

本研究以沈陽農(nóng)業(yè)大學(xué)的水稻田為研究對象，基于無人機(jī)遙感數(shù)據(jù)，嘗試構(gòu)建水稻冠層NDVI估產(chǎn)模型，以期為相關(guān)研究提供參考。

二、材料與方法

2.1實(shí)驗(yàn)材料

選擇沈陽農(nóng)業(yè)大學(xué)的一塊水稻試驗(yàn)田為研究對象，總面積10hm²。該區(qū)域?qū)儆跍貛О霛駶櫞箨懶詺夂?，降水集中，四季分明，有利于水稻生長。供試品種為東北地區(qū)***種植的粳稻沈稻47。沈稻47苗期健壯，分蘗力強(qiáng)，可達(dá)350～400穗·m^-2，成株高105cm左右，半直立穗型，株型緊湊，葉片直立，適宜鐵嶺、沈陽、遼陽、鞍山、營口、盤錦、錦州等市所轄縣區(qū)種植。

2.2數(shù)據(jù)獲取與計(jì)算

多旋翼無人機(jī)飛行速度可控，飛行高度可調(diào)且可以低空飛行，同時(shí)多旋翼無人機(jī)不受起飛降落場地的限制，飛行載荷較大，可同時(shí)攜帶多種農(nóng)用傳感器，因而更適于大規(guī)模作物育種小區(qū)（2～5m²）厘米級分辨率信息獲取。故使用八旋翼無人機(jī)作為遙感平臺，搭載多光譜照相機(jī)和GPS定位儀，飛行高度10m，圖像地面分辨率1cm，采用四邊飛行路線。通過測量太陽輻射相應(yīng)波段的入射光強(qiáng)以及植被冠層的反射光強(qiáng)獲得數(shù)據(jù)。無人機(jī)拍攝地面樣本觀測點(diǎn)分布如圖1所示，根據(jù)測量的數(shù)值計(jì)算出相應(yīng)的歸一化植被指數(shù)。NDVI=（NIＲ+Ｒ）/（NIＲ-Ｒ）。（1)式（1）中，NIＲ（660nm）和Ｒ（740nm）分別為近紅外光譜通道和紅光光譜通道反射率。

圖1無人機(jī)采集樣本點(diǎn)分布圖

試驗(yàn)數(shù)據(jù)分別測于分蘗期（6月）、拔節(jié)期（7月）、抽穗期（8月）、成熟期（9月），分13個(gè)長方形區(qū)域（每個(gè)區(qū)域6m×2m），每個(gè)區(qū)域取其對角線交叉點(diǎn)作為一個(gè)樣本點(diǎn)。于每天12:00—14:00提取數(shù)據(jù)，得到相應(yīng)樣本觀測點(diǎn)的粳稻冠層NDVI。在粳稻成熟時(shí)收割烘干脫粒，測定所取樣本產(chǎn)量。用無人機(jī)遙感數(shù)據(jù)進(jìn)行建模，儀器采集數(shù)據(jù)進(jìn)行驗(yàn)證。

2.3研究方法

對2015年6-9月的單天、各旬和各月NDVI數(shù)據(jù)與粳稻產(chǎn)量分別進(jìn)行相關(guān)性分析，選出相關(guān)性比較好的與產(chǎn)量建立回歸模型和多元回歸模型，利用逐步回歸方法挑選粳稻的關(guān)鍵生育期，從而確定比較好估產(chǎn)時(shí)間，***對其進(jìn)行誤差分析，篩選出比較好估產(chǎn)模型。

2.4模型的建立于檢驗(yàn)

采用線性回歸分析方法和Square曲線或Cubic曲線回歸分析方法分別對水稻冠層單天、各旬和各月NDVI數(shù)據(jù)與產(chǎn)量進(jìn)行回歸建模分析。用判定系數(shù)（Ｒ2)對模型擬合度進(jìn)行檢驗(yàn)，Ｒ2越大說明模型精度越高；用相對誤差（ＲE）和均方根誤差（RMSE）兩個(gè)指標(biāo)來驗(yàn)證模型的準(zhǔn)確性。

三、結(jié)果與分析

3.1粳稻生長關(guān)鍵期冠層NDVI與理論產(chǎn)量的相關(guān)性分析

用二元定距變量相關(guān)分析方法分別對粳稻單天、各旬和各月NDVI數(shù)據(jù)與產(chǎn)量進(jìn)行相關(guān)性分析，粳稻單天NDVI與產(chǎn)量間皮爾森相關(guān)系數(shù)較高的時(shí)間段主要集中在6月上旬（r=0.672）、6月中旬（r=0.556）、8月上旬（r=0.776）（表1），單日數(shù)據(jù)中以6月11日（r=0.817）和8月4日（r=0.780）的相關(guān)系數(shù)比較高，說明在分蘗盛期和抽穗期對粳稻估產(chǎn)效果較好。

3.2不同生育期粳稻NDVI與理論產(chǎn)量的估算模型

選擇6月和8月的旬?dāng)?shù)據(jù)以及6月11日、8月4日的單日數(shù)據(jù)建模。從表2可以看出，以單天NDVI數(shù)據(jù)進(jìn)行估產(chǎn)，Square（或Cubic）曲線模型比一次線性模型Ｒ2高?？紤]到單一時(shí)相數(shù)據(jù)產(chǎn)量模型具有偶然性，加之6月份粳稻還未進(jìn)入施肥期，因此該模型不具有代表性。以6月中上旬（分蘗期）與8月上旬（抽穗期）數(shù)據(jù)為基礎(chǔ)構(gòu)建的模型Ｒ2較高，但6月中上旬由于水體干擾等，誤差較大，因此，不宜單獨(dú)用作估產(chǎn)模型。將6月和8月各旬?dāng)?shù)據(jù)分別相結(jié)合，建立估產(chǎn)模型，Ｒ2分別為0645、0.677。綜上，雖然不能單依6月份數(shù)據(jù)建立準(zhǔn)確的產(chǎn)量預(yù)估模型，但可以確定粳稻估產(chǎn)的比較好時(shí)期是水稻分蘗期和抽穗期，而且基于Square（或Cubic）曲線構(gòu)建的模型相關(guān)性優(yōu)于一次線性模型。因此，可以嘗試在6月中旬和8月上旬利用無人機(jī)進(jìn)行遙感數(shù)據(jù)獲取用于估產(chǎn)，以縮短測試時(shí)間，降低科研成本，提高估產(chǎn)精度。

3.3復(fù)合估產(chǎn)模型

利用以上數(shù)據(jù)，將各個(gè)時(shí)期分別組合，如6月11日和8月4日、6月上旬和中旬、6月上旬和8月上旬、6月中旬和8月上旬、6月和8月，建立粳稻單產(chǎn)的復(fù)合模型，由Ｒ2、F值和***性（表3）可以看出，6月上中旬的估產(chǎn)效果不***，其他組合構(gòu)建的模型均達(dá)到***水平，其中，6月11日和8月4日的復(fù)合估產(chǎn)模型的相關(guān)系數(shù)（Ｒ2)達(dá)0.821，***性為0.000。

表1北方粳稻生育期NDVI與理論產(chǎn)量相關(guān)性分析結(jié)果

表2冠層NDVI與水稻理論產(chǎn)量之間的回歸分析

從其他4組回歸模型中可以確定，粳稻比較好估產(chǎn)時(shí)間為6月（分蘗期)和8月（抽穗期），且以抽穗期為主，因?yàn)槌樗肫谑撬緺I養(yǎng)吸收**完全的時(shí)期，是產(chǎn)量形成的**關(guān)鍵時(shí)期。

表3冠層NDVI復(fù)合數(shù)據(jù)與水稻產(chǎn)量的線性回歸估產(chǎn)模型

利用儀器采集樣本數(shù)據(jù)對估產(chǎn)模型進(jìn)行檢驗(yàn)比較，并對線性回歸模型精度進(jìn)行檢驗(yàn)，結(jié)果見表4。利用6月和8月的NDVI數(shù)據(jù)得到的產(chǎn)量模型相對誤差為34.06%，預(yù)測標(biāo)準(zhǔn)誤差為3.324t·hm^-2，誤差較大。以6月11日和8月4日數(shù)據(jù)為基礎(chǔ)構(gòu)建的復(fù)合模型誤差比較低，但是單天估產(chǎn)模型偶然性太大，考慮到這兩天分別處在6月中旬和8月上旬，故可在6月中旬和8月上旬連續(xù)幾天采集無人機(jī)遙感數(shù)據(jù)，既可以避**天數(shù)據(jù)的偶然性，也可以避免整月采集數(shù)據(jù)的煩瑣和帶來的誤差。綜上，以6月中旬+8月上旬NDVI數(shù)據(jù)為基礎(chǔ)構(gòu)建估產(chǎn)模型較為理想。

表4基于無人機(jī)遙感的北方粳稻估產(chǎn)模型驗(yàn)證

四、結(jié)論與討論

遙感技術(shù)的迅猛發(fā)展和廣泛應(yīng)用為農(nóng)作物面積、長勢的宏觀動態(tài)監(jiān)測和估產(chǎn)提供了一種新的方法。本研究基于沈稻47各時(shí)期NDVI數(shù)據(jù)，建立其與理論產(chǎn)量的**適模型。結(jié)果表明，用無人機(jī)遙感獲取的粳稻冠層NDVI數(shù)據(jù)可以進(jìn)行估產(chǎn)建模；但是，由于粳稻生長受到溫濕度、水體、土壤等多因素的影響，其NDVI數(shù)據(jù)在這個(gè)過程中出現(xiàn)一些波動，導(dǎo)致粳稻冠層NDVI數(shù)據(jù)與產(chǎn)量在7月（孕穗期）并沒有呈現(xiàn)良好的相關(guān)關(guān)系。對不同生育期粳稻冠層NDVI與產(chǎn)量的相關(guān)性進(jìn)行分析并做相應(yīng)檢驗(yàn)，結(jié)果發(fā)現(xiàn)，復(fù)合估產(chǎn)模型的預(yù)測效果***優(yōu)于其他模型。用逐步回歸方法剔除相關(guān)性較差的模型，確定比較好估產(chǎn)時(shí)間為6月中旬和8月上旬?；谏鲜鰯?shù)據(jù)構(gòu)建的復(fù)合模型，決定系數(shù)為0.771，相對誤差為4.06%，標(biāo)準(zhǔn)差為0.474t·hm^-2，精度較高，具有可行性。與現(xiàn)有的人工估產(chǎn)和衛(wèi)星遙感估產(chǎn)相比，本研究所提出的基于無人機(jī)遙感采集粳稻冠層數(shù)據(jù)估產(chǎn)的方法可以隨時(shí)方便地獲取粳稻表面冠層NDVI數(shù)據(jù)，降低了科研經(jīng)費(fèi)和人工成本，而且估產(chǎn)作業(yè)對象面積可小可大，準(zhǔn)確度高，為水稻育種等小規(guī)模估產(chǎn)提供了良好的參考，更具實(shí)用性。但本研究只是初步探索的階段性成果，仍有待進(jìn)一步優(yōu)化完善。

推薦：

無人機(jī)高光譜成像系統(tǒng)iSpecHyper-VM100

iSpecHyper-VM系列無人機(jī)高光譜成像系統(tǒng)配合定制開發(fā)的高性能穩(wěn)定云臺，能夠有效降低飛行過程中無人機(jī)抖動引起的圖像扭曲與模糊。該系統(tǒng)與大疆M350RTK無人機(jī)完美適配，廣泛應(yīng)用于農(nóng)業(yè)、林業(yè)、水環(huán)境等行業(yè)領(lǐng)域，系統(tǒng)支持配件升級及定制化開發(fā)，為教育科研、智慧農(nóng)業(yè)、目標(biāo)識別、***反偽裝等行業(yè)**應(yīng)用領(lǐng)域提供了高性價(jià)比解決方案。