1、2023 年 1 月 灌溉排水学报 第 42 卷 第 1 期 Jan.2023 Journal of Irrigation and Drainage No.1 Vol.42 24 文章编号：1672-3317（2023）01-0024-07 不同施氮处理下无人机光谱感知冬小麦产量 丁 凡1，陈 震2，李长春1*，程 千2，费帅鹏2，李景勃1，徐洪刚2，李宗鹏3（1.河南理工大学，河南 焦作 454003；2.中国农业科学院 农田灌溉研究所，河南 新乡 453002；3.河南农业大学，郑州 450002）摘 要：【目的】快速、准确地预测冬小麦产量，构建最佳产量预测模型，对精准农业农田管理有重要应
2、用价值。【方法】以抽穗期、开花期和灌浆期 3 个不同时期的冬小麦为研究对象，通过无人机搭载的多光谱传感器采集冠层光谱信息并提取植被指数。使用逐步回归与随机森林 2 种方法，筛选最优特征并建立产量预测模型。【结果】在抽穗期，绿（Green，G）、蓝（Blue，B）、修改型土壤调查植被指数（Modified Soil-adjusted Vegetation Index 2，MSAVI2）和土壤调节植被指数(Soil-adjusted Vegetation Index，SAVI)组合使用随机森林算法对产量的预测效果最好同时 AIC（Akaike information criterion，赤池信息准
3、则）较低，R2为 0.65。在开花期，过绿指数（Excess Green，ExG）、近红外光（Near Infrared，NIR）、归一化差异植被指数（Normalized Difference Index，NDI）、蓝（Blue，B）和修改型土壤调查植被指数 2（Modified Soil-adjusted Vegetation Index 2，MSAVI2）特征变量组合使用随机森林算法对产量的预测效果最好，同时 AIC 较低，R2为 0.71。在灌浆期，以全部植被特征变量构建的随机森林回归模型对冬小麦产量预测的精度最高，R2达到 0.76，绿（Green，G）、蓝(Blue，B)、过绿指数
4、（Excess Green，ExG）、过红指数（Excess Red，ExR）、归一化植被指数（Normalized Difference Vegetation Index，NDVI）、比值植被指数（Ratio Vegetation Index，RVI）和归一化差分植被指数（Normalized Difference Vegetation Index，TNDVI）特征变量组合的随机森林回归模型 R2较高同时 AIC 较低，R2达到 0.73。同时使用冬小麦 3 个生育期，以抽穗期蓝（Blue，B）、开花期过绿指数（Excess Green，ExG）、灌浆期近红外光（Near Infrared，
5、NIR）、灌浆期归一化差异植被指数（Normalized Difference Index，NDI）和灌浆期过绿减过红指数（Excess Green-Excess Red，ExG-ExR）为特征变量组合构建的随机森林回归模型 R2较高，同时 AIC 较低，R2达到 0.76。【结论】通过逐步回归筛选出特征变量间共线性最小的特征变量组合并利用随机森林构建回归模型具有可行性，能够准确地预测冬小麦产量。关 键 词：多光谱；植被指数；逐步回归；随机森林；产量预测 中图分类号：S127 文献标志码：A doi：10.13522/ki.ggps.2022141 OSID：丁凡,陈震,李长春,等.不同施氮处
6、理下无人机光谱感知冬小麦产量J.灌溉排水学报,2023,42(1):24-30.DING Fan,CHEN Zhen,LI Changchun,et al.Using Unmanned Aerial Vehicle to Evaluate the Effect of Nitrogen Fertilization on Winter Wheat YieldJ.Journal of Irrigation and Drainage,2023,42(1):24-30.0 引 言1【研究意义】冬小麦是我国重要的粮食作物之一，其产量与国民经济发展和人民生活质量具有密切的关系1-2，在冬小麦收获前进行产量预
7、测对国家粮食政策制定、田间管理以及宏观调控具有重要意义。【研究进展】随着无人机技术和轻型多光谱相机技术的发展，低空无人机多光谱遥感技术的应用愈加广泛，在作物生长监测中具有低成本高效率的特点3。由于多光谱传感器光谱分辨率的提升，相邻波段之间的相关性也随之增加，因而会造成数据间产生冗余信息，从而增加了对数据处理的复杂性以及不必要的计 收稿日期：2022-02-09 基金项目：河南省高校科技创新团队支持计划项目（22IRTSTHN008）；国家自然科学基金项目（41871333）作者简介：丁凡（1997-），男。硕士研究生，主要从事农业遥感长势监测与评估研究。E-mail: 通信作者：李长春（197
8、6-），男。教授，主要从事农业遥感长势监测与评估研究。E-mail: 算资源消耗。因此，有必要对多光谱数据进行降维处理4，筛选出对目标性状影响较大的特征。目前，已有诸多国内外学者通过无人机平台对小麦等农作物进行产量预测。王来刚等5使用随机森林算法，构建的融合多源时空数据的冬小麦产量预测模型精度较高；Fei 等6基于冬小麦无人机多光谱数据，通过集成学习方法构建的产量预测模型精度较高；程千等7采集不同水分亏缺条件下冬小麦多光谱图像，通过偏最小二乘、支持向量机和随机森林的方法，利用冬小麦多时相植被指数构建产量预测模型，结果表明多种植被指数随着冬小麦的生长预测精度不断提高，且随机森林回归模型预测效果最
9、好；牛庆林等8将可见光与多光谱植被指数相结合，使用逐步回归和随机森林回归方法对冬小麦叶片 SPAD 值进行预测，该方法表现出较好的预测结果。逐步回归可从大量已有变量中筛选出对模型影响较大的变量9并剔除冗余变量，进而构建预测模型。【切入点】随机森林预测模型精度高于线性丁凡 等：不同施氮处理下无人机光谱感知冬小麦产量 25 预测模型10，但随机森林生成的模型不直观，无法用数学公式表达，被认为是“黑箱”模型，但其提供其他方式，诸如变量的重要性用来协助解释模型，因此Prasad 等11称随机森林为“灰箱”模型。【拟解决的关键问题】本研究以抽穗期、开花期和灌浆期 3 个生育期的冬小麦为研究对象，通过无人
10、机多光谱影像技术获取 3 个时期冬小麦多光谱数据并构建多种植被指数，随后利用逐步回归和随机森林方法构建各生育期产量预测模型，以实现在收获前对冬小麦产量进行精准预测。1 材料与方法 1.1 试验区概况与试验设计 试验于 20202021 年在中国农业科学院新乡试验基地（35.2N，113.8E）进行。该地为平原区域，地处黄河和海河两大流域，土壤肥沃且光照充足，属暖温带大陆性季风气候，年平均气温为 14，年平均降水量 573.4 mm，适宜冬小麦生长。表层土壤质地为轻质壤土，地下水埋深超过 10 m。采用大型平移式喷灌机变量喷洒水肥，设置 6 个不同的施氮（N）肥处理，氮肥选用尿素，施肥水平分别为
11、 N0（不施加氮肥）、N1（60 kg/hm2）、N2（120 kg/hm2）、N3（180 kg/hm2）、N4（240 kg/hm2农民习惯用量）和 N5（300 kg/hm2，过量施氮），每 30 个小区 1 个处理，共 180个小区，试验小区布置如图 1 所示。施氮肥在拔节期和抽穗期 2 个时期进行，各施肥量按 21 划分，施加氮肥的质量浓度为 0.3%。小区规格 3 m1.4 m，相邻小区左右间隔 0.2 m，前后间隔 1 m。于 2020 年 10月初按试验小区播种，2021 年 6 月初按试验小区收获，自然晒干称质量得到各小区实测产量。图 1 试验小区布置图 Fig.1 Layo
12、ut of test area 1.2 无人机影像获取及处理 本试验搭载平台采用大疆经纬M210型四旋翼无人机，无人机质量为 4.69 kg，最大承载质量 1.45 kg，续航时间约 20 min。无人机搭载 Red Edge MX 多光谱相机于抽穗期（2021 年 4 月 17 日）、开花期（2021年 4 月 28 日）和灌浆期（2021 年 5 月 8 日）对冬小麦冠层拍摄多光谱影像，使用大疆 GSPro 地面站规划航线，多光谱相机设置为与地面垂直，等时间间隔拍照模式。飞行高度为 30 m，航向重叠率 85%，旁向重叠率 80%，影像空间分辨率为 2 mm。光谱影像具有 5 个通道，分别
13、为红（Red，R）、绿（Green，G）、蓝（Blue，B）、近红外（Near infrared，NIR）和红边（Red edge，RE），波段信息如表 1 所示。表 1 Red Edge MX 型多光谱相机波段信息 Table 1 Red Edge MX multispectral camera band information 波段名称 中心波长/nm 光谱带宽/nm R 668 10 G 560 20 B 475 20 NIR 840 40 RE 717 10 在无人机飞行作业后利用 Pix4Dmapper 软件对获取的影像进行校正拼接。通过 ArcGIS10.2 计算多光谱植被指数并绘
14、制感兴趣区提取小区植被指数均值。1.3 植被指数选取 植被指数是由光谱中多个波段组合而成，在对地面植被状况进行度量方面比单波段具有更好的灵敏性。本试验选取植被提取颜色指数（Color Index of Vegetation Extraction，CIVE）、差异植被指数（Difference vegetation index，DVI）、过绿指数（Excess Green，ExG）、过绿减过红指数（Excess Green-Excess Red，ExG-ExR）、过红指数（Excess Red，ExR）、修 改 型 土 壤 调 查 植 被 指 数（Modified Soil-adjusted V
15、egetation Index 2，MSAVI2）、归一化差异植被指数（Normalized Difference Index，NDI）、归一化植被指数（Normalized Difference Vegetation Index，NDVI）、重归一化植被指数（Re-normalized Vegetation Index，RDVI）、比值植被指数（Ratio Vegetation Index，RVI）、土 壤 调 节 植 被 指 数（Soil-adjusted Vegetation Index，SAVI）、归一化差分植被指数（Normalized Difference Vegetation I
16、ndex，TNDVI）共 12 个植被指数，如表 2 所示。表 2 植被指数及计算式 Table 2 Vegetation index and calculation formula 植被指数 公式 参考文献 CIVE 0.441R-0.811G+0.385B+18.787 45 12 DVI NIR-R 7错误错误!未未找到引用找到引用源。源。ExG 2G-R-B 13 ExR 1.4R-G 14 ExG-ExR ExG-ExR 14 MSAVI2 2NIR+1-(2NIR+1)2-8(NIR-R)0.5/2 15 NDI(G-R)/(G+R)16 NDVI(NIR-R)/(NIR+R)17 RDVI(NIR-R)/(NIR+R)0.5 18 RVI R/NIR 19 SAVI 1.5(NIR-R)/(NIR+R+0.5)20 TNDVI(NIR-R)/(NIR+R)+0.50.5 21 河南省新乡市N5N4N3N2N1N0灌溉排水学报 http:/ 26 1.4 分析方法 本研究通过逐步回归22算法构建的模型筛选特征间影响较小的特征向量组合，再利用随机森林算法23构建预测模型。逐步
