基于无人机载高光谱空间尺度优化的大豆育种产量估算

赵晓庆，杨贵军 ，刘建刚，张小燕，徐 波，王艳杰，赵春江，盖钧镒

（1. 北京农业信息技术研究中心，北京 100097；2. 国家农业信息化工程技术研究中心，北京 100097；3. 南京农业大学大豆研究所/国家大豆改良中心，南京 210095）

·农业航空工程·

基于无人机载高光谱空间尺度优化的大豆育种产量估算

赵晓庆1,2，杨贵军1,2※，刘建刚1,2，张小燕3，徐 波1,2，王艳杰1,2，赵春江1,2，盖钧镒3

（1. 北京农业信息技术研究中心，北京 100097；2. 国家农业信息化工程技术研究中心，北京 100097；3. 南京农业大学大豆研究所/国家大豆改良中心，南京 210095）

为探讨无人机载高光谱空间尺度对大豆产量预测精度的影响，该文以山东嘉祥圣丰大豆为研究对象，设计以多旋翼无人机为平台搭载Cubert UHD185成像高光谱传感器的无人机遥感农情监测系统，获取了大豆多个生育期的无人机高光谱数据。首先，该研究利用盛荚期-始粒期（R4-R5期）的高光谱影像，由21个不同光谱空间尺度提取的高光谱数据构建植被指数，通过植被指数方差分析结果可知所选冠层植被指数与不同品种大豆植株的生长状况密切相关，但是不同空间尺度下的F值仍存在较为明显的差异；其次，采用偏最小二乘回归建立产量与不同空间尺度的植被指数之间的回归模型，通过模型方程估算精度的曲线变化趋势进一步将最优空间尺度面积确认至9.03～10.13 m2，即当采样空间尺度区域长、宽与小区总长、宽比例介于4.25:5和4.5:5时，所得到的冠层光谱能够尽可能准确地估测大豆产量，此时估算产量和实测产量呈极显著相关（相关系数r=0.811 7，参与建模的样本个数270）。该研究可为使用高、低空高光谱影像进行作物表型信息解析和估产提供参考。

无人机；遥感；传感器；无人机成像光谱仪；采样范围；大豆育种

0 引 言

大豆是世界上最重要的粮食作物之一，最常用来做豆制品、榨取豆油、酿造酱油和提取蛋白质[1]。而近年来，中国的大豆进口量逐年增加，从侧面反映了中国的大豆目前仍具有较大的高产潜力。利用高光谱技术可以进行作物生长监测和产量估测，为实现简单、快速、高效和无损地估产及监测作物生长提供了有效的途径[2-6]。

国内外很多学者分别利用不同的方法，从不同的角度进行大豆产量、叶面积指数（leaf area index，LAI）和地上生物量等遥感反演研究，并取得了一定的进展[2,7-15]。Ma等[2]使用冠层光谱反射率估测大豆产量，发现大豆产量与500～650 nm波段反射率表现为负相关（相关系数r=-0.70～-0.90），与700～800 nm波段反射率表现为正相关（r=0.5～0.8），且在众多植被指数中归一化植被指数（normalized difference vegetation index，NDVI）与大豆产量相关性最高，盛荚期-始粒期（R4-R5）的NDVI与产量的相关性高于盛花期（R2）；Aslan[7]通过研究发现，相比于其他的光谱指数和冠层温度，绿色归一化植被指数（green normalized difference vegetation index，GNDVI，GNDVI）在估测大豆产量、辅助育种方面具有更大的潜力；Chiristenson[8]研究发现冠层光谱反射率数据在探索优质表型技术和大范围、无损育种研究中具有巨大潜力；张宁等[9]应用GreenSeeker主动传感器获取的开花期、结荚期和鼓粒期的NDVI建立大豆产量估测模型，决定系数R2高达0.66；Kaul等[10]利用USDA-NRCS提出的土壤评价指标和周降雨量对玉米和大豆进行估产研究，发现人工神经网络方法（artificial neural networks，ANN）比多元线性回归建立的估产模型更为准确；Weber等[11]基于冠层光谱反射率，使用偏最小二乘回归法（partial least squares regression，PLSR）对玉米籽粒产量进行估测，预测产量和实测产量之间的R2为0.4，且相比水分正常环境的模型精度，水分胁迫环境下的预测模型精度更高。

近年来，大规模商业化大豆育种导致育种材料组合剧增，传统的人工测量方法较为耗时，且测量标准不统一，难以保证数据的时效性和统一性。无人机(unmanned aerial vehicle，UAV)遥感平台具有机动灵活、操作简便、按需获取数据且空间分辨率高等优势，利用无人机实施农情监测已经成为开展育种研究的前沿手段[12,16-18]。尺度问题是地学研究中一项非常重要的任务[19-20]。本文所研究的空间尺度，即无人机遥感影像在空间跨度上的大小。

由于无人机高光谱影像能够包含所探测区域的所有光谱信息，包括有效的大豆光谱、目标阴影和土壤光谱。从高光谱影像上提取小区内大豆冠层的光谱信息时，如果对最大面积范围的光谱取平均值，则会受到小区周围土壤背景噪声影响；若所取面积范围较小，则不能有效地涵盖育种小区的光谱信息。即取样空间尺度较大和较小时，都会影响最后的估产精度。究竟何种无人机高光谱影像空间尺度最优、最能够体现作物群体长势及产量潜力，目前还没有相关报道。

本文以2015年山东省济宁市嘉祥县圣丰大豆为研究材料，通过对21组光谱空间尺度下提取的大豆冠层植被指数做方差分析和建立产量估测模型，确定最优光谱空间尺度。为无人机遥感辅助农作物产量和表型信息获取研究时的最优光谱空间尺度提供科学依据，以期为使用高、低空遥感数据探测农作物产量和表型信息提供参考。

1 试验材料与方法

1.1 研究区概况

研究区位于山东省济宁市嘉祥县，地处鲁中南山地与黄淮海平原交接地带，地理坐标116°06′～116°29′E，35°11＇～35°37＇N，属黄河冲积平原，黏壤土，地势平坦、排灌方便、肥力均匀、地力水平中上等，属暖温带季风区大陆性气候，农作物以小麦、玉米、大豆为主。

1.2 试验材料

为确定无人机成像高光谱最优空间尺度，提高所建立产量估测模型的准确度，本研究选取2015年山东圣丰院士工作站的品系比较试验材料（简称品比区），地理范围为116°22′10″～116°22′20″E，35°25′50″～35° 26′10″N，共 2 75个大豆品种，按照大豆品种生育期的长短，可将品种分为早熟组、中熟组和晚熟组。试验小区均为重复内分组设计，每个材料重复3次，共825个育种小区，每个小区5行，小区面积为5 m×2.5 m，行距50 cm。大豆成熟后，以中间3行的大豆计产，计产面积7.5 m2，收获晒干至恒质量时，称取大豆产量，产量的单位均为 k g/hm2。由于计产过程中人为因素导致部分材料的产量数据缺失，最终完整计产的大豆材料为270个。

1.3 无人机高光谱数据获取与处理

本试验采用八旋翼电动无人机（整机质量为4.2 kg，起飞质量6.0～11.0 kg，续航时间15～20 min）同步搭载Cubert UHD185无人机载成像光谱仪（多光谱传感器在使用均进行去噪、镜头畸变校正处理，其主要参数见表1）进行数据采集试验，光谱仪垂直向下测量。为了获取稳定的大豆冠层高光谱反射率数据，本试验选择晴朗、无云、无风天气，于2015年8月1日—9月30日10:30—13:30共进行了5次飞行试验，所对应的生育期分别为始花期-盛花期（R1-R2），始荚期（R3），盛荚期-始粒期（R4-R5），鼓粒期（R6），鼓粒期-成熟期（R6-R7）,飞行高度100 m，基本涵盖了大豆整个生育期的大豆冠层成像高光谱。

表1 搭载在无人机上的成像高光谱仪主要参数Table 1 Main parameters of digital camera and hyperspectral sensor mounted on UAV

吴琼等[14]发现不同生育期的可见光和近红外区域的光谱反射率与大豆地上生物量、LAI和产量均显著相关，尤其在R4和R5期相关性最高；Ma等[2]认为R4-R5期的大豆冠层光谱NDVI与大豆产量的相关性高于R2期。综合前人研究基础，本文选择R4-R5生育期的高光谱影像进行预处理。预处理主要包括以下2个步骤。

1）高光谱图像的拼接和几何校正。参考Turner等[21-22]的研究，本研究借助全色图像和位置信息对高光谱图像进行拼接，用到的软件包括德国Cubert公司的Cubert-Pilot软件和Agisoft LLC公司研发的Agisoft PhotoScan软件。首先，利用Cubert-Pilot软件对每张高光谱图像和同时采集的相应全色图像进行融合，得到融合后的高光谱影像；其次使用Agisoft PhotoScan软件，借助全色图像的点云数据完成高光谱图像的拼接。拼接好的高光谱影像包含125个波段，即454～950 nm，采样间隔为4 nm，空间分辨率约为5 cm。

2）以小区几何中心为中心，由拼接好的高光谱影像提取冠层光谱反射率。由于育种小区的长为5 m，宽为2.5 m，为了避免空间矢量区域超出小区边界，本文使用ArcGIS软件在拼接好的高光谱影像上划分出每个小区的最大面积矢量（即5.00 m×2.50 m），结合IDL语言对每个小区矢量面积的长和宽均匀地缩放 2 0次，共得到 2 1组采样空间尺度。读取每一个空间尺度下的矢量及其对应的小区编号，提取所有矢量感兴趣区域内所有像元值的光谱反射率分波段平均值，即得到每个小区21个不同空间尺度梯度所对应的冠层光谱反射率（见图 1），可以看出不同空间采样面积所对应的冠层光谱反射率在可见光波段无明显差异，但在近红外区域的差异较为明显。

1.4 研究方法

1.4.1 数据分析流程

无人机载高光谱最佳空间尺度的研究流程见图2，主要包括4个步骤：1）UHD 185成像高光谱影像预处理，主要包括无人机成像高光谱拼接、提取21组不同空间尺度下的光谱反射率并计算植被指数，使用的工具主要包括Cubert-Pilot软件、俄罗斯Agisoft LLC公司研发的Agisoft PhotoScan软件、IDL语言和MATLAB 2010a数学分析软件；2）根据 2 1组空间尺度下提取的大豆冠层植被指数方差分析结果将最优空间尺度缩小至一个较小的范围，用到的工具主要是MATLAB R2010a；3）结合实测大豆产量，建立21组空间尺度下的植被指数与产量的偏最小二乘回归模型（partial least squares regression，PLSR），通过对比模型精度进一步确定最优空间尺度，主要使用MATLAB R2010a编程实现；4）使用最优空间尺度提取的冠层光谱，建立产量与植被指数之间的PLSR模型。

图1 21个不同采样面积所对应的冠层光谱反射率Fig.1 Canopy spectral reflectance of 21 sampling areas

图2 数据分析和处理流程Fig.2 Flowchart of data analysis and processing

1.4.2 植被指数的选择

在已有研究成果基础上，本文选取4种植被指数（具名称和计算方法见表2）建立大豆产量与无人机成像高光谱遥感监测模型。

表2 本文选择的高光谱植被指数Table 2 Hyperspectral vegetation indices used in this study

1.4.3 高光谱模型的建立方法和精度检验

PLSR是在自变量和因变量存在严重多重相关性条件下进行回归建模的一种方法。PLSR集中了主成分分析、典型相关分析和线性回归分析的方法，是一种较为常用的建模方法[28-30]。在PLSR中，主成分提取的终止是通过分析交叉有效性来确定的，交叉有效性定义为

式中PRESSh是从所有n个样本点中剔除第i个样本点后，对剩余的样本点取h个主成分回归建模，再对第i个样本点进行预测的误差平方和；SS(h-1)是用所有n个样本点拟合出的含（h-1）个主成分的回归方程的拟合误差平方和。若，则表示加入主成分th后能够改善模型精度，否则不能。模型的精度可用相关系数（correlationcoefficient，r）、均方根误差（root mean square error，RMSE）评估，根据不同空间取样尺度下的大豆产量模型精度对高光谱空间尺度做进一步的优化选择。

2 结果与分析

2.1 大豆各组试验材料产量的变异

表3为早、中、晚熟组大豆产量的分布和变异情况，由产量分布情况可以看出，中熟组的产量最高（产量均值可达3 622 kg/hm2），晚熟组的产量最低（产量均值为3 250 kg/hm2）。早熟组大豆产量的变异范围为1 656.4～4 757.9 kg/hm2，变异系数（coefficient of variation，CV）最大（16.6%），中熟组大豆产量变异系数次之（16.3%），变异范围为2 056.1～4 917.5 kg/hm2，晚熟组大豆产量CV最小（15.8%），变异范围为2 043.2～4 289.9 kg/hm2。可见，所选材料间的变异幅度较大、差异较大。纵观早、中、晚熟组大豆产量的方差分析结果，早、中、晚熟组的大豆产量均表现为极显著差异（P＜0.01），说明所选品比区试验材料存在极显著差异，适合进行估产建模分析。

2.2 不同采样范围下的植被指数方差分析结果

方差分析又称变异分析和 F 检验，本文所使用的是单因素完全随机设计试验的方差分析方法，分析 2 75个材料的GNDVI、NDVI、比值植被指数(ratio vegetation index,RVI)和修正型二次土壤调节植被指数(modified soil-adjusted vegetation index-2,MSAVI2)在每一个空间取样面积下的差异显著性情况，对比21组空间采样面积处品系间的 F 值及假设检验结果，即可将空间取样面积进行优化选择。方差分析的 F 值、假设检验结果见表4 。GNDVI、NDVI、RVI和MSAVI2的F值最大值分别出现在5.28、8、5.28和10.13 m2处，区组间的假设检验最小值出现在对应的空间尺度处，可见不同植被指数的最优空间尺度不同。由不同空间取样面积提取的品系间植被指数均存在极显著差异（P＜0.01），说明冠层GNDVI、NDVI、RVI和MSAVI2与不同品种大豆植株的生长状况密切相关，但是不同空间尺度下的F值仍存在较为明显的差异，还需通过进一步的估产分析筛选最优空间尺度。

表3 大豆产量的次数分布和变异情况Table 3 Frequency distribution and variation of soybean yield

表4 各植被指数的方差分析F值和P值Table 4 F-values and P-values from analysis of variance(ANOVA) of each vegetation index

2.3 不同空间尺度光谱的产量模型构建与精度检验

基于21组空间尺度范围下的大豆冠层高光谱数据分别与实测产量建立PLSR回归方程，对比不同空间尺度下的模型预测精度，进而确定最优空间尺度。产量和 4 个植被指数的PLSR模型相关系数r随空间尺度面积的变化趋势曲线见图3，相关系数r介于0.795～0.812之间，大豆冠层光谱植被指数与大豆产量极显著相关（P＜0.01，n=270），在空间取样面积小于8 m2时，建模精度随着空间取样面积逐渐增大而增大，且随着取样面积的增大，建模精度逐渐趋于平缓，当光谱取样面积大于10.13 m2后，建模精度随取样面积的增大而减小。光谱空间尺度为4.25 m×2.125 m和4.5 m×2.25 m时，即9.03和10.13 m²时，相关系数r达到最大值，最大相关系数约为0.811 7。可见，在基于无人机高光谱影像辅助大豆估产研究时，所取光谱的空间范围长、宽与小区总长、宽之间的比例应该介于4.25∶5和4.5∶5，这样不仅能够有效降低小区周围土壤背景噪声和边缘阴影光谱的影响，又能够避免大豆冠层信息的缺失。

图3 产量和4个植被指数的PLSR模型相关系数和RMSE随空间采样窗口面积的变化曲线Fig.3 Curve of correlation coefficients and RMSEs of PLSR models based on soybean yields and four vegetation indices along with different spatial sampling areas

以4.5 m×2.25 m为空间取样范围提取的冠层光谱为最终光谱，建立产量与植被指数之间的PLSR模型，所提取的主成分的个数为2，实际产量和预测产量散点分布见图4，所建立大豆估产模型为：

（R2=0.659，RMSE=356.9 kg/hm2，参与建模的样本数为270，P＜0.01）

图4 大豆实际产量和预测产量Fig.4 Measured and estimated soybean yields

3 讨 论

使用无人机遥感平台进行大豆估产，对实现大规模大豆产量高通量快速获取具有重要意义，能够帮助育种学家快速筛选大豆优良品种[12,16]。但是在育种小区面积一定的前提下，以往的研究都是在一个采样范围下提取冠层光谱对冬小麦、玉米和大豆等进行表型信息解析或者产量预测，但是对空间取样范围的大小缺乏介绍或者没有做详细的说明。

本研究基于无人机UHD185光谱成像仪获取的大豆R4-R5期的冠层光谱对最优空间尺度进行了分析，结果表明，基于不同空间尺度计算的波谱数据在近红外波段差异较大，且品系间各植被指数在不同空间尺度处的显著性差异水平不同。本文进一步将不同空间尺度处的大豆冠层植被指数用于估产研究，结果表明，当空间取样区域长、宽接近小区边缘，与育种小区长、宽的比例为4.25∶5～4.5∶5时，所提取的光谱信息最能够反映大豆品系间的产量差异，与大豆产量相关性最高。

本研究中，基于原始高光谱图像的空间分辨率计算各空间取样面积处的光谱信息，进而对空间尺度进行优化选择，在未来的研究中，可以对最优空间取样面积下的光谱进行重采样处理，分析不同分辨率下光谱对大豆估产的影响。同时也可考虑基于不同试验条件下的不同作物，探索无人机高光谱影像的空间尺度规律。另外，高光谱具有较高的光谱分辨率，可针对波谱信息进行深入分析对光谱空间尺度进行优化选择。

4 结 论

1）不同空间尺度处的冠层光谱动态变化明显。本文以其中一个育种小区为例，对其21组空间矢量下提取的光谱反射率进行对比，可以看出不同空间取样面积所对应的冠层光谱反射率在近红外区域差异较为明显，因此在使用无人机高光谱影像进行作物表型信息获取或者估产研究中，必须考虑小区周围土壤背景噪声和边缘阴影光谱对作物小区冠层光谱的影响；

2）通过方差分析方法和估产精度对比，结果表明在本文研究条件下，最优空间尺度的范围为9.03～10.13 m²，即最优的空间取样范围为空间取样区域长、宽与小区总长、宽比例都介于4.25：5和4.5：5。在此范围内提取的光谱信息能够代表小区的大豆冠层光谱，还可以有效避免小区外边缘光谱的干扰，从而更为有效地解析大豆试验材料差异和提高估产精度。

[1] Tester M,Langridge P. Breeding technologies to increase crop production in a changing world[J]. Science,2010,327(5967):818－822.

[2] Ma B L,Dwyer L M,Costa C,et al. Early prediction of soybean yield from canopy reflectance measurements[J]. Agronomy Journal. 2001,93:1227－1234.

[3] 王伟，彭彦昆，马伟，等. 大田冬小麦叶绿素含量的高光谱检测技术[J]. 农业机械学报，2010，41(5)：172－177.Wang Wei,Peng Yankun,Ma Wei,et al. Prediction of chlorophyll content of winter wheat using leaf-level hyperspectral data[J]. Transactions of the Chinese Society for Agricultural Machinery,2010,41(5):172－177.(in Chinese with English abstract)

[4] 杨邦杰，裴志远. 农作物长势的定义与遥感监测[J]. 农业工程学报，1999，15(3)：214－218. Yang Bangjie,Pei Zhiyuan. Definition of crop condition and crop monitoring using remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),1999,15(3):214－218.(in Chinese with English abstract)

[5] 宋晓宇，王纪华，黄文江，等. 变量施肥条件下冬小麦长势及品质变异遥感监测[J]. 农业工程学报，2009,25(9)：155－162 Song Xiaoyu,Wang Jihua,Huang Wenjiang,et al. Monitoring spatial variance of winter wheat growth and grain quality under variable-rate fertilization conditions by remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2009,25(9):155－162.(in Chinese with English abstract)

[6] 赵春江. 农业遥感研究与应用进展[J]. 农业机械学报，2014，45(12)：277－293. Zhao Chunjiang. Advances of research and application in remote sensing for agriculture[J]. Transactions of the Chinese Society for Agricultural Machinery,2014,45(12):277－293.(in Chinese with English abstract)

[7] Aslan H. Using Remote Sensing in Soybean Breeding:Estimating Soybean Grain Yield and Soybean Cyst Nematode Populations[D]. Kansas:Kansas State University,2015.

[8] Christenson B S. Characterization of Soybean Seed Yield Using Optimized Phenotyping[D]. Kansas:Kansas State University,2013.

[9] 张宁，齐波，赵晋陵，等. 应用主动传感器GreenSeeker估测大豆籽粒产量[J]. 作物学报，2014，40(4)：657－666. Zhang Ning,Qi Bo,Zhao Jinling,et al. Prediction for soybean grain yield using active sensor greenseeker[J]. Acta Agronomica Sinica,2014,40(4):657－666.(in Chinese with English abstract)

[10] Kaul M,Hill R L,Walthall C. Artificial neural networks for corn and soybean yield prediction[J]. Agricultural Systems,2005,85(1):1－18.

[11] Weber V S,Araus J L,Cairns J E,et al. Prediction of grain yield using reflectance spectra of canopy and leaves in maize plants grown under different water regimes[J]. Field Crops Research,2012,128(2):82－90.

[12] 高林，杨贵军，王宝山，等. 基于无人机遥感影像的大豆叶面积指数反演研究[J]. 中国生态农业学报，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.(in Chinese with English abstract)

[13] Thenkabail P S,Ward A D,Lyon J G. Landsat-5 thematic mapper models of soybean and corn crop characteristics[J]. International Journal of Remote Sensing,1994,15(1):49－61.

[14] 吴琼，齐波，盖钧镒，等. 高光谱遥感估测大豆冠层生长和籽粒产量的探讨[J]. 作物学报，2013，39(2)：309－318. Wu Qiong,Qi Bo,Gai Junyi,et al. A tentative study on utilization of canopy hyperspectral reflectance to estimate anopy growth and seed yield in soybean[J]. Ronomica Sinica,2013,39(2):309－318.(in Chinese with English abstract)

[15] 宋开山，张柏，王宗明，等. 基于小波分析的大豆叶面积高光谱反演[J]. 生态学杂志，2007，26(10)：1690－1696. Song Kaishan,Zhang Bai,Wang Zongming,et al. Wavelet transformation of insute measured hyperspectral data in Glycinemax LAI estimation[J]. Chinese Journal of Ecology,2007,26(10):1690－1696.(in Chinese with English Abstract)

[16] 杨贵军，李长春，于海洋，等. 农用无人机多传感器遥感辅助小麦育种信息获取[J]. 农业工程学报，2015，31(21)：184－190. Yang Guijun,Li Changchun,Yu Haiyang,et al. UAV based multi-load remote sensing technologies for wheat breeding information acquirement[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2015,31(21):184－190.(in Chinese with English abstract)

[17] 李冰，刘镕源，刘素红. 基于低空无人机遥感的冬小麦覆盖度变化监测[J]. 农业工程学报，2012，28(13)：160－165. Li Bing,Liu Rongyuan,Liu Suhong. Monitoring vegetation coverage variation of winter wheat by low-altitude UAV remote sensing system[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2012,28(13):160－165.(in Chinese with English abstract)

[18] 王利民，刘佳，杨玲波. 基于无人机影像的农情遥感监测应用[J]. 农业工程学报，2013，29(18)：136－145. Wang Limin,Liu Jia,Yang Lingbo. Applications of UAV images on agricultural remote sensing monitoring[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2013,29(18):136－145.(in Chinese with English abstract)

[19] 明冬萍，王群，杨建宇. 遥感影像空间尺度特性与最佳空间分辨率选择[J]. 遥感学报，2008，12(4)：529－537. Ming Dongping,Wang Qun,Yang Jianyu,Spatial scale of remote sensing image and selection of optimal spatial resolution[J]. Journal of Remote Sensing,2008,12(4):529－537.(in Chinese with English abstract)

[20] Geofhey J H. Multiscale Object-specific Analysis:An Integmted Hiemrchical Approach for Landscape Ecology[D]. Canada:University of Montreal,2002．

[21] Turner D,Lucieer A,Wallace L. Direct georeferencing of ultrahigh-resolution UAV imagery[J]. IEEE Transactions on Geoscience and Remote Sensing,2014,52(5):2738－2745.

[22] 高林，杨贵军，于海洋，等. 基于无人机高光谱遥感的冬小麦叶面积指数反演[J]. 农业工程学报，2016，32(22)：113－120. Gao Lin,Yang Guijun,Yu Haiyang,et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remoter sensing[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2016,32(22):113－120.(in Chinese with English abstract)

[23] Aparicio N,Villegas D,Casadesus J,et al. Spectral vegetation indices as non-destructive tools for determining durum wheat yield[J]. Agronomy Journal,2000,92:83－91.

[24] Mkhabela M S,Bullock P,Raj S,et al. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data[J]. Agricultural and Forest Meteorology,2011,115:385－393.

[25] Hasegawa K,Matsuyama H,Tsuzuki H,et al. Improving the estimation of leaf area index by using remotely sensed NDVI with BRDF signatures[J]. Remote Sensing of Environment,2010,114(3):514－519.

[26] Jordan C F. Derivation of leaf area index from quality of light on the forest floor[J]. Ecology,1969,50(4):663－666.

[27] Qi J,Chehbouni A,Huete A R,et al. Modified soil adjusted vegetation index(MSAVI)[J]. Remote Sensing of Environment,1994,48:119－126.

[28] 付元元，王纪华，杨贵军，等. 应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算[J]. 光谱学与光谱分析，2013，32(5)：1315－1319. Fu Yuanyuan,Wang Jihua,Yang Guijun,et al. Band depth analysis and partial least square regression based winter wheat biomass estimation using hyperspectral measurements[J]. Spectroscopy and Spectral Analysis,2013,32(5):1315－1319.(in Chinese with English Abstract)

[29] ElMasry G,Wang N,ElSayed A,et al. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry[J]. Journal of Food Engineering,2007,81(1):98.

[30] Atzberger C,Guerif M,Baret F,et al. Comparative analysis of three chemometric techniques for the spectroradiometric assessment of canopy chlorophyll content in winter wheat[J]. Computers and Electronics in Agriculture,2010,73,165－173.

Estimation of soybean breeding yield based on optimization of spatial scale of UAV hyperspectral image

Zhao Xiaoqing1,2,Yang Guijun1,2,※,Liu Jiangang1,2,Zhang Xiaoyan3,Xu Bo1,2,Wang Yanjie1,2,Zhao Chunjiang1,2,Gai Junyi3
(1. Beijing Research Center for Information Technology in Agriculture,Beijing 100097,China;2. National Engineering Research Center for Information Technology in Agriculture,Beijing 100097,China;3. Soybean Research Institute / National Center for Soybean Improvement,Nanjing Agricultural University,Nanjing 210095,China)

Using unmanned aerial vehicle(UAV) remote sensing monitoring system can rapidly and cost-effectively provide crop physiological traits for crop breeding. UAV equipped with an imaging spectrometer to estimate soybean yield is of great significance for high-throughput and rapid access to large-scale soybean production. However,different sampling areas led to different spectral data,thus affecting the accuracy of soybean grain yield. The objective of this study was to explore the influence of different sampling area on the measuring accuracy of soybean yield,and to analyze the optimum sampling area for estimating soybean grain yield. A 3-by-275 field experiment was performed in 2015,which was arranged in a randomized complete block design with 3 repetitions. An agricultural UAV remote sensing monitoring system was established by a multi-rotor UAV equipped with Cuber UHD185 Firefly imaging spectrometer(Cubert UHD185). Based on this system,the UAV flight experiments were conducted in Jiaxiang County,Shandong Province at multifarious reproductive growth stages,including the period from the initial blossoming stage to the fully blossoming stage(R1-R2),the initial pod stage(R3),from the full pod stage to the initial seed stage(R4-R5),the full seed stage(R6) and from the full seed stage to the mature stage(R6-R7). In order to get stable soybean canopy hyperspectral data,the calm and cloudless weather was selected to conduct the experiment. Hyperspectral data of each block were obtained according to the vector image georeferenced with the hyperspectral image. Since soybean yield was highly correlated with canopy reflectance measured by the UAV with Cubert UHD185 system in R4-R5 stages,the hyperspectral data obtained in R4-R5 stages were used to be further analyzed. Firstly,softwares such as Cubert-Pilot from Cubert Company and Agisoft PhotoScan from Agisoft LLC Company were used to realize image mosaic. The length and width of every block were minified in equal proportion for 20 times,and thus 21 sampling areas were gained,which were then used as vector images to get 21 groups of hyperspectral data. Next,4 vegetation indices,i.e. the green normalized difference vegetation index(GNDVI),the normalized difference vegetation index(NDVI),the ratio vegetation index(RVI) and the modified soil-adjusted vegetation index-2(MSAVI2),were calculated from the spectral information extracted from 21 different sampling areas. Thirdly,analysis of variance(ANOVA) was performed,and the result revealed that the selected canopy vegetation index was closely related to the growing conditions of different soybean varieties. After that,the partial least squares regression(PLSR) models were developed to predict the yield using the 4 vegetation indices obtained from 21 different sampling areas,with the r valueup to 0.8117(the numbe2r of sample points for modeling was 270,P＜0.01). And the best sampling area was further confirmed to 9.03-10.13 m according to the changing trend of correlation coefficients. Namely,when the ratio of length and width of the sampling area to that of the total block was between 4.25:5 and 4.5:5,the obtained canopy spectra could estimate the soybean yield as accurately as possible. The study c2onfirmed that using the UAV with Cubert UHD185 for screening and predicting soybean yield was practical,with the R up to 0.659. The method used in this study to select the optimum sampling area and the result of this study according to the optimum spatial sampling are expected to provide technical support for the analysis of the crop phenotype information using high or low altitude hyperspectral images.

unmanned aerial vehicle;remote sensing;sensors;UAV imaging spectrometer;sampling scale;soybean breeding

10.11975/j.issn.1002-6819.2017.01.015

S252+.9

A

1002-6819(2017)-01-0110-07

赵晓庆，杨贵军，刘建刚，张小燕，徐 波，王艳杰，赵春江，盖钧镒. 基于无人机载高光谱空间尺度优化的大豆育种产量估算[J]. 农业工程学报，2017，33(1)：110－116.

10.11975/j.issn.1002-6819.2017.01.015 http://www.tcsae.org

Zhao Xiaoqing,Yang Guijun,Liu Jiangang,Zhang Xiaoyan,Xu Bo,Wang Yanjie,Zhao Chunjiang,Gai Junyi. Estimation of soybean breeding yield based on optimization of spatial scale of UAV hyperspectral image[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(1):110－116.(in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.01.015 http://www.tcsae.org

2016-10-25

2016-11-18

国家自然科学基金项目（61661136003,41471285）；国家重点研发计划（2016YFD0300602）；北京市农林科学院科技创新能力建设项目（KJCX20170423）

赵晓庆，女，助理工程师，主要从事无人机遥感技术及其农业应用研究。北京 北京农业信息技术研究中心，100097。Email：zhaoxq@nercita.org.cn

※通信作者：杨贵军，男，研究员，主要从事农业定量遥感研究。北京 北京农业信息技术研究中心，100097。Email：guijun.yang@163.com