基于冠層NDVI數據的北方粳稻產量模型研究

許童羽，洪 雪，陳春玲，*，周云成，曹英麗，于豐華，李 娜

(1.沈陽農業大學 遼寧省農業信息化工程技術中心，遼寧 沈陽 110161； 2.沈陽農業大學 信息與電氣工程學院，遼寧 沈陽 110161)

?

基于冠層NDVI數據的北方粳稻產量模型研究

許童羽1，2，洪 雪2，陳春玲1，2，*，周云成1，2，曹英麗1，2，于豐華2，李 娜2

(1.沈陽農業大學 遼寧省農業信息化工程技術中心，遼寧 沈陽 110161； 2.沈陽農業大學 信息與電氣工程學院，遼寧 沈陽 110161)

以沈陽農業大學試驗田為研究區域，將無人機遙感技術與人工結合，采集2015年夏季粳稻生長全過程的冠層NDVI數據。首先，利用二元定距變量相關分析的方法對單天和各旬、各月冠層NDVI與產量進行相關性分析；然后，利用線性回歸和Square(或Cubic)曲線分別對相關性較好的單天和各旬與產量建模，并對回歸模型進行檢驗，驗證模型精度，同時將效果較好的幾個模型進行對比分析。結果表明，單獨用一個變量建模，Square(或Cubic)曲線模型優于一次線性回歸模型，6月中旬和8月上旬的組合模型是估產最理想的模型，其判定系數(R2)為0.771，相對誤差(RE)為4.06%，均方根誤差(RMSE)為0.474 t·hm-2，精度較高，具有可行性，據此確定北方粳稻最佳估產時間是6月中旬的分蘗盛期和8月上旬的抽穗期。

粳稻；NDVI；相關性；回歸分析

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[1]。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[2]，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[3]，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[4-5]。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(normalized difference vegetation index，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[6-10]。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[11-15]。李飛等[16]分析了冬小麥關鍵生育期的長勢并進行估產，相對誤差在-3.93%～4.72%；高中靈等[17]提出了一種融合分區概念和時間序列NDVI相似性分析的棉花估產方法；陳鵬飛等[18]運用冬小麥生長時期NDVI變化速率建立與產量的回歸模型，誤差較小。前述研究顯示，單產模型應該結合最佳時相來建立。黃敬峰等[19]利用GIS技術結合水稻的農學參數與光譜參數以及水稻產量與光譜參數的關系來確定水稻遙感估產的最佳時相。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。

1 材料與方法

1.1 試驗材料

選擇沈陽農業大學的一塊水稻試驗田為研究對象，總面積10 hm2(41°11′51″—43°2′13″N，122°25′9″—123°48′24″E)。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105 cm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。

1.2 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(2～5 m2)厘米級分辨率信息獲取[20]。故使用八旋翼無人機作為遙感平臺，搭載ADC多光譜照相機和GPS定位儀，飛行高度10 m，圖像地面分辨率1 cm，采用四邊飛行路線。所用冠層NDVI測量儀SpectroSense2+是英國Skye公司的一款被動式的NDVI測量儀，測量高度距離粳稻冠層1.8 m，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(660 nm)和R(740 nm)分別為近紅外光譜通道和紅光光譜通道反射率[21]。

圖1 無人機采集樣本點分布圖Fig.1 Distribution of UAV sample points

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6 m×2 m)，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之間分別用SpectroSense2+測量儀和無人機測取相應數據，地面樣本控制點對應無人機GPS定位，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。

1.3 研究方法

利用SPSS v19.0，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[22]，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。

1.4 模型的建立與檢驗

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(coefficient of determination，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(relative error，RE)和均方根誤差(root mean squared error，RMSE)兩個指標來驗證模型的準確性。

2 結果與分析

2.1 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。

2.2 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?？紤]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。

2.3 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。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1 北方粳稻生育期NDVI與理論產量相關性分析結果

Table 1 Correlation analysis between theoreticaljaponicarice yield and NDVI data

時期Date相關系數Coefficient時期Date相關系數Coefficient時期Date相關系數Coefficient時期Date相關系數Coefficient6月June0.57406-01—06-100.67206-11—06-200.55606-21—06-300.1297月July-0.13007-01—07-10-0.06307-11—07-20-0.11707-21—07-31-0.3208月August0.34608-01—08-100.77608-11—08-200.34608-21—08-310.0289月September0.08209-01—09-100.23309-11—09-200.13909-21—09-30-0.09706-070.66206-080.64006-090.64806-100.57906-110.81706-120.69006-140.60408-010.59508-020.64508-030.72508-040.78008-050.73808-070.74008-080.64308-100.63208-110.624

表2 冠層NDVI與水稻理論產量之間的回歸分析

Table 2 Regression analysis between canopy NDVI data and theoretical rice yield

時期Date回歸模型RegressionmodelR2FSig.06-11y=22239.75x-57600.66722.0790.001y=-349836.45x2+496745.1x-165898.350.85328.9260.00008-04y=53309.4x-37279.650.57317.1190.002y=-916560.9x2+1668045x-7482300.66810.0750.00406-01—06-10y=3609.9x+429.200.4019.0400.012y=-18390x2+92999.1x-106938.90.79919.9310.00006-11—06-20y=2430x-7729.950.2474.9270.048y=-7939.95x2+117078.9x-421185.750.5055.1010.03008-01—08-10y=8769.9x-67139.40.54915.6210.002y=-1710x3+402595.95x-23655160.71512.5220.0026月Juney=3519.9x1+3139.95x2-4470x3+13569.90.6458.2720.0068月Augusty=11369.85x1+480x2-3060x3-69289.350.6779.4000.004

x1、x2、x3分別代表6月或8月各旬的NDVI值 。

x1，x2，x3represented the overall NDVI data of every ten days in June or August .

表3 冠層NDVI復合數據與水稻產量的線性回歸估產模型

Table 3 Multiple yield estimation regression models of canopy NDVI data

時期Date回歸模型RegressionmodelR2FSig.06-11(x1)+08-04(x2)y=15489.9x1+33839.7x2-30869.70.82128.6130.00006-01—06-10(x1)+06-11—06-20(x2)y=2970x1+730.05x2-28800.3584.3510.04406-01—06-10(x1)+08-01—08-10(x2)y=1860x1+6499.95x3-51839.550.60110.0360.00406-11—06-20(x1)+08-01—08-10(x2)y=2080.05x2+8149.95x3-76669.20.77121.2200.0006月+8月June+Augusty=3720x1+3229.95x2-4839.9x3-640.05x4+8179.95x5-3099.9x6-23229.750.8059.2800.008

6月+8月回歸模型中x1、x2、x3、x4、x5、x6分別代表6月份和8月份各旬所對應的NDVI。

x1，x2，x3，x4，x5，x6in the last regression model represented ∑NDVI of every ten-day in June and August.

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3.324 t·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

Table 4 Validation of yield estimation model forjaponicarice in Northern China based on UAV remote sensing

時期DateRE/%RMSE/(t·hm-2)06-11+08-043.630.41606-01—06-10+08-01—08-105.310.62406-11—06-20+08-01—08-104.060.4746月+8月June+August34.063.324

3 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?；谏鲜鰯祿嫿ǖ膹秃夏Ｐ?，決定系數為0.771，相對誤差為4.06%，標準差為0.474 t·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。

[1] 黃敬峰， 楊忠恩， 王人潮， 等. 基于GIS的水稻遙感估產模型研究[J]. 遙感技術與應用， 2002， 17(3):125-128.

HUANG J F， YANG Z E， WANG R C， et al. The rice production forecasting models using NOAA/AVHRR data based on GIS [J].RemoteSensingTechnologyandApplication， 2002， 17(3): 125-128. (in Chinese with English abstract)

[2] 陳溫福， 潘文博， 徐正進. 我國粳稻生產現狀及發展趨勢[J]. 沈陽農業大學學報， 2006， 37(6): 801-805.

CHEN W F， PAN W B， XU Z J. Current situation and trends in production ofjaponicarice in China [J].JournalofShenyangAgriculturalUniversity， 2006， 37(6): 801-805. (in Chinese with English abstract)

[3] 李衛國， 李花. 水稻衛星遙感估產研究現狀與對策[J].江蘇農業學報，2010 (5):444-445.

LI W G， LI H. Status and countermeasures on research of estimating rice yield by satellite remote sensing[J].JiangsuAgriculturalSciences， 2010 (5): 444-445. (in Chinese with English abstract)

[4] 李德仁， 李明. 無人機遙感系統的研究進展與應用前景[J].武漢大學學報(信息科學版)，2014，39(5)：505-513.

LI D R， LI M. Research advance and application prospect of unmanned aerial vehicle remote sensing system [J].GeomaticsandInformationScienceofWuhanUniversity， 2014， 39(5): 505-513. (in Chinese with English abstract)

[5] 劉剛， 許宏健， 馬海濤， 等. 無人機航測系統在應急服務保障中的應用與前景[J]. 測繪與空間地理信息， 2011， 34(4):177-179.

LIU G， XU H J， MA H T， et al. Unmanned aerial system applications and prospects in the protection of emergency services[J].Geomatics&SpatialInformationTechnology, 2011， 34(4): 177-179. (in Chinese with English abstract)

[6] MKHABELA M S， BULLOCK P， RAJ S， et al. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data[J].Agricultural&ForestMeteorology， 2011， 151(3):385-393.

[7] BECKER-RESHEF I， VERMOTE E， LINDEMAN M， et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J].RemoteSensingofEnvironment， 2010， 114(6):1312-1323.

[8] GOWARD S N， TUCKER C J， DYE D G. North American vegetation patterns observed with the NOAA-7 advanced very high resolution radiometer[J].Vegetatio， 1985， 64(1):3-14.

[10] FLYNN E S， DOUGHERTY C T， WENDROTH O. Assessment of pasture biomass with the normalized difference vegetation index from active ground-based sensors[J].AgronomyJournal， 2008， 100(1): 114-121.

[11] KALUBARME M H， POTDAR M B， MANJUNATH K R， et al. Growth profile based crop yield models: a case study of large area wheat yield modelling and its extendibility using atmospheric corrected NOAA AVHRR data[J].InternationalJournalofRemoteSensing， 2003， 24(10):2037-2054.

[12] THENKABAIL P S. Biophysical and yield information for precision farming from near-real-time and historical Landsat TM images[J].InternationalJournalofRemoteSensing， 2003， 24(14):2879-2904.

[13] BAEZGONZALEZ A D， KINIRY J R， MAAS S J， et al. Large-area maize yield forecasting using leaf area index based yield model[J].AgronomyJournal， 2005， 97(2):418-425.

[14] 馮美臣， 肖璐潔， 楊武德， 等. 基于遙感數據和氣象數據的水旱地冬小麥產量估測[J]. 農業工程學報， 2010， 26(11):183-188.

FENG M C， XIAO L J， YANG W D， et al. Predicting grain yield of irrigation-land and dry-land winter wheat based on remote sensing data and meteorological data[J].JournalofAgriculturalEngineering， 2010， 26(11): 183-188. (in Chinese with English abstract)

[15] 曹衛彬， 劉姣娣， 趙良斌，等. 北疆棉花遙感估產最佳時相選擇研究[J]. 中國棉花， 2007， 34(3):10-11.

CAO W B， LIU J D， ZHAO L B， et al. Phase selection for cotton yield estimation in Northern Xinjiang based on remote sensing[J].ChinaCotton， 2007， 34(3): 10-11. (in Chinese)

[16] 李飛， 楊小平， 毛暉. 基于MODIS-NDVI數據的甘肅臨夏州的春小麥遙感估產[J]. 陜西農業科學， 2014， 60(10): 74-77.

LI F， YANG X P， MAO H. Spring wheat yield estimation in Linxiazhou， Gansu based on MODIS_NDVI data by remote sensing[J].ShaanxiJournalofAgriculturalSciences， 2014， 60(10): 74-77. (in Chinese)

[17] 高中靈， 徐新剛， 王紀華，等. 基于時間序列NDVI相似性分析的棉花估產[J]. 農業工程學報， 2012， 28(2):148-153.

GAO Z L， XU X G， WANG J H， et al. Cotton yield estimation based on similarity analysis of time-series NDVI[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2012， 28(2): 148-153. (in Chinese with English abstract)

[18] 陳鵬飛， 楊飛， 杜佳. 基于環境減災衛星時序歸一化植被指數的冬小麥產量估測[J]. 農業工程學報， 2013， 29(11):124-131.

CHEN P F， YANG F， DU J. Yield forecasting for winter wheat using time series NDVI from HJ satellite[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2013， 29(11): 124-131. (in Chinese with English abstract)

[19] 黃敬峰， 王人潮， 蔣亨顯， 等. 基于GIS的浙江省水稻遙感估產最佳時相選擇[J]. 應用生態學報， 2002， 13(3):290-294.

HUANG J F， WANG R C， JIANG H X， et al. Selection of optimum periods for rice estimation using remote sensing data based on GIS[J].ChineseJournalofAppliedEcology， 2002， 13(3): 290-294. (in Chinese with English abstract)

[20] 金偉， 葛宏立， 杜華強， 等. 無人機遙感發展與應用概況[J]. 遙感信息， 2009(1):88-92.

JIN W， GE H L， DU H Q， et al. A review on unmanned aerial vehicle remote sensing and its application[J].RemoteSensingInformation， 2009(1): 88-92. (in Chinese with English abstract)

[21] 吳文斌， 楊鵬， 唐華俊，等. 基于NDVI數據的華北地區耕地物候空間格局[J]. 中國農業科學， 2009， 42(2):552-560.

WU W B， YANG P， TANG H J， et al. Monitoring spatial patterns of cropland phenology in North China based on NOAA NDVI Data[J].ScientiaAgriculturaSinica， 2009， 42(2): 552-560. (in Chinese with English abstract)

[22] 白文龍， 張福平. 基于SPOT VGT/NDVI的陜西省關中地區冬小麥遙感估產[J]. 資源開發與市場， 2012， 28(6):483-485.

BAI W L， ZHANG F P. Estimation of winter wheat yield in Guanzhong area of Shaanxi Province using SPOT VGT/NDVI[J].ResourceDevelopment&Market， 2012， 28(6): 483-485. (in Chinese with English abstract)

(責任編輯 高 峻)

Study on northernjaponicarice yield model based on canopy date of NDVI

XU Tong-yu1，2， HONG Xue2， CHEN Chun-ling1，2，*， ZHOU Yun-cheng1，2， CAO Ying-li1，2， YU Feng-hua2， LI Na2

(1.AgriculturalInformationEngineeringTechnologyCenterinLiaoningProvince，ShenyangAgriculturalUniversity，Shenyang110161，China; 2.CollegeofInformationandElectricalEngineering，ShenyangAgriculturalUniversity，Shenyang110161，China)

In the present study， experimental field in Shenyang Agricultural University was selected as study region， and unmanned aerial vehicle (UAV) remote sensing technology and manual analysis was combined to collect canopy NDVI data of the whole growth ofjaponicarice in the summer of 2015. Firstly， dual distance variable correlation analysis was applied to reveal the relationships between NDVI data of single day， ten day or each month and yield. Then， the yield and NDVI data which showed good correlations were adopted to build models via linear regression and Square or Cubic curve， and validation test of the constructed regression model and precision comparison were carried out. It was shown that it was better to build model with Square or Cubic curve than linear regress when only one variable was used. The model consisted of data collected in June 11thto 20thand August 1stto 10thwas ideal to predict the yield， of which the determination coefficient (R2)， relative error(RE)， and root mean square error (RMSE) were 0.771， 4.06% and 0.474 t·hm-2， respectively. It was of high precision and feasibility. Thus， it was suggested that the most suitable time forjaponicarice yield prediction in Northern China was June 11thto 20thand August 1stto 10th.

japonicarice; NDVI; correlation; regression analysis

http://www.zjnyxb.cn

10.3969/j.issn.1004-1524.2016.10.22

2016-03-16

國家重點研發項目(2016YFD0200600)

許童羽(1967—)，男，遼寧義縣人，博士，教授，主要從事農業航空技術研究。E-mail: yatongmu@163.com

*通信作者，陳春玲，E-mail: snccl@163.com

S127

A

1004-1524(2016)10-1790-06

浙江農業學報ActaAgriculturaeZhejiangensis， 2016，28(10): 1790-1795

許童羽，洪雪，陳春玲，等. 基于冠層NDVI數據的北方粳稻產量模型研究[J]. 浙江農業學報，2016，28(10)： 1790-1795.