本研究以沈陽農業大學的水稻田為研究對象，基于無人機遙感數據，嘗試構建水稻冠層 NDVI 估產模型，以期為相關研究提供參考。

一、引言

水稻產量是各級政府進行決策、生產部門指導農業生產、流通領域安排糧食收購和銷售、交通部門安排運輸計劃的重要經濟信息，因此，及時準確地預報水稻產量具有重要的實用價值。粳稻是北方主要糧食作物，培育高產水稻品種是提高水稻單產、增加總產、提高稻作效益的主要措施，其中，估產是育種好壞的一個重要指標。

水稻產量預報包括估算水稻實際種植面積、監測長勢與預報產量。傳統水稻估產采用人工區域調查方法，速度慢、工作量大、成本高，很難及時、大范圍獲取水稻的長勢與產量信息；水稻遙感估產具有宏觀、快速、準確和成本低等優點，潛力很大。

近年來，無人機遙感技術因具有機動靈活、高效快速、精細準確和作業成本低、按需獲取數據且空間分辨率高的優勢，發展迅速，已經成為農情監測的重要手段。將其用于水稻估產，有望降低勞動力和科研成本，提高農業育種信息安全，提高估產精度和育種準確度。

歸一化植被指數（NDVI）是目前應用最廣泛的植被指數，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算得到的植被指數，可體現作物的生物量、產量以及健康狀況等。利用不同的遙感數據獲得的歸一化植被指數進行作物產量的早期預測，結果表明該方法具有較高的可靠性。

本研究以沈陽農業大學的水稻田為研究對象，基于無人機遙感數據，嘗試構建水稻冠層NDVI估產模型，以期為相關研究提供參考。

材料與方法

2.1實驗材料

選擇沈陽農業大學的一塊水稻試驗田為研究對象，總面積10hm2。該區域屬于溫帶半濕潤大陸性氣候，降水集中，四季分明，有利于水稻生長。供試品種為東北地區廣泛種植的粳稻沈稻47。沈稻47苗期健壯，分蘗力強，可達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、錦州等市所轄縣區種植。

2.2數據獲取與計算

多旋翼無人機飛行速度可控，飛行高度可調且可以低空飛行，同時多旋翼無人機不受起飛降落場地的限制，飛行載荷較大，可同時攜帶多種農用傳感器，因而更適于大規模作物育種小區（2～5m2）厘米級分辨率信息獲取。故使用八旋翼無人機作為遙感平臺，搭載多光譜照相機和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波段的入射光強以及植被冠層的反射光強獲得數據。無人機拍攝地面樣本觀測點分布如圖1所示，根據測量的數值計算出相應的歸一化植被指數。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無人機采集樣本點分布圖

試驗數據分別測于分蘗期（6月）、拔節期（7月）、抽穗期（8月）、成熟期（9月），分13個長方形區域（每個區域6m×2m），每個區域取其對角線交叉點作為一個樣本點。于每天12:00—14:00提取數據，得到相應樣本觀測點的粳稻冠層NDVI。在粳稻成熟時收割烘干脫粒，測定所取樣本產量。用無人機遙感數據進行建模，儀器采集數據進行驗證。

2.3研究方法

對2015年6-9月的單天、各旬和各月NDVI數據與粳稻產量分別進行相關性分析，選出相關性最好的與產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鍵生育期，從而確定最佳估產時間，最后對其進行誤差分析，篩選出最佳估產模型。

2.4模型的建立于檢驗

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數據與產量進行回歸建模分析。用判定系數（Ｒ2)對模型擬合度進行檢驗，Ｒ2越大說明模型精度越高；用相對誤差（ＲE）和均方根誤差（RMSE）兩個指標來驗證模型的準確性。

結果與分析

3.1粳稻生長關鍵期冠層NDVI與理論產量的相關性分析

用二元定距變量相關分析方法分別對粳稻單天、各旬和各月NDVI數據與產量進行相關性分析，粳稻單天NDVI與產量間皮爾森相關系數較高的時間段主要集中在6月上旬（r=0.672）、6月中旬（r=0.556）、8月上旬（r=0.776）（表1），單日數據中以6月11日（r=0.817）和8月4日（r=0.780）的相關系數最高，說明在分蘗盛期和抽穗期對粳稻估產效果較好。

3.2不同生育期粳稻NDVI與理論產量的估算模型

選擇6月和8月的旬數據以及6月11日、8月4日的單日數據建模。從表2可以看出，以單天NDVI數據進行估產，Square（或Cubic）曲線模型比一次線性模型Ｒ2高。考慮到單一時相數據產量模型具有偶然性，加之6月份粳稻還未進入施肥期，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）數據為基礎構建的模型Ｒ2較高，但6月中上旬由于水體干擾等，誤差較大，因此，不宜單獨用作估產模型。將6月和8月各旬數據分別相結合，建立估產模型，Ｒ2分別為0645、0.677。綜上，雖然不能單依6月份數據建立準確的產量預估模型，但可以確定粳稻估產的最佳時期是水稻分蘗期和抽穗期，而且基于Square（或Cubic）曲線構建的模型相關性優于一次線性模型。因此，可以嘗試在6月中旬和8月上旬利用無人機進行遙感數據獲取用于估產，以縮短測試時間，降低科研成本，提高估產精度。

3.3復合估產模型

利用以上數據，將各個時期分別組合，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，建立粳稻單產的復合模型，由Ｒ2、F值和顯著性（表3）可以看出，6月上中旬的估產效果不顯著，其他組合構建的模型均達到顯著水平，其中，6月11日和8月4日的復合估產模型的相關系數（Ｒ2)達0.821，顯著性為0.000。

表1北方粳稻生育期NDVI與理論產量相關性分析結果

表2冠層NDVI與水稻理論產量之間的回歸分析

從其他4組回歸模型中可以確定，粳稻最佳估產時間為6月（分蘗期)和8月（抽穗期），且以抽穗期為主，因為抽穗期是水稻營養吸收最完全的時期，是產量形成的最關鍵時期。

表3冠層NDVI復合數據與水稻產量的線性回歸估產模型

利用儀器采集樣本數據對估產模型進行檢驗比較，并對線性回歸模型精度進行檢驗，結果見表4。利用6月和8月的NDVI數據得到的產量模型相對誤差為34.06%，預測標準誤差為3.324t·hm-2，誤差較大。以6月11日和8月4日數據為基礎構建的復合模型誤差最低，但是單天估產模型偶然性太大，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月上旬連續幾天采集無人機遙感數據，既可以避免單天數據的偶然性，也可以避免整月采集數據的煩瑣和帶來的誤差。綜上，以6月中旬+8月上旬NDVI數據為基礎構建估產模型較為理想。

表4基于無人機遙感的北方粳稻估產模型驗證

結論與討論

遙感技術的迅猛發展和廣泛應用為農作物面積、長勢的宏觀動態監測和估產提供了一種新的方法。本研究基于沈稻47各時期NDVI數據，建立其與理論產量的最適模型。結果表明，用無人機遙感獲取的粳稻冠層NDVI數據可以進行估產建模；

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數據在這個過程中出現一些波動，導致粳稻冠層NDVI數據與產量在7月（孕穗期）并沒有呈現良好的相關關系。對不同生育期粳稻冠層NDVI與產量的相關性進行分析并做相應檢驗，結果發現，復合估產模型的預測效果顯著優于其他模型。用逐步回歸方法剔除相關性較差的模型，確定最佳估產時間為6月中旬和8月上旬。基于上述數據構建的復合模型，決定系數為0.771，相對誤差為4.06%，標準差為0.474t·hm-2，精度較高，具有可行性。

與現有的人工估產和衛星遙感估產相比，本研究所提出的基于無人機遙感采集粳稻冠層數據估產的方法可以隨時方便地獲取粳稻表面冠層NDVI數據，降低了科研經費和人工成本，而且估產作業對象面積可小可大，準確度高，為水稻育種等小規模估產提供了良好的參考，更具實用性。但本研究只是初步探索的階段性成果，仍有待進一步優化完善。

推薦：

無人機高光譜成像系統iSpecHyper-VM100

iSpecHyper-VM系列無人機高光譜成像系統配合定制開發的高性能穩定云臺，能夠有效降低飛行過程中無人機抖動引起的圖像扭曲與模糊。該系統與大疆M350RTK無人機完美適配，廣泛應用于農業、林業、水環境等行業領域，系統支持配件升級及定制化開發，為教育科研、智慧農業、目標識別、軍事反偽裝等行業高端應用領域提供了高性價比解決方案。

審核編輯 黃宇