多光谱与热红外数据融合在冬小麦产量估测中的应用

兰 铭，费帅鹏，禹小龙，李 雷，夏先春，肖永贵，孟亚雄

(1.甘肃农业大学农学院，甘肃兰州 730070 ；2.中国农业科学院作物科学研究所，北京 100081)

小麦是我国主要粮食作物之一，其产量的高效、无损、准确预测可为作物田间管理和农业管理部门政策调控提供依据。利用小麦冠层光谱反射特征可有效实现产量估测[1]。无人机遥感平台凭借其快速灵活的特点，能够高通量获取作物冠层生长信息，并对产量做出评估，在农业监测和作物产量估测应用方面受到广泛关注[2-4]。

基于无人机平台搭载的传感器对作物叶面积指数、生物量、叶绿素、产量等性状进行评估，表现出了较高的精度[5-7]。不同的传感器获取的数据信息存在差异，如多光谱成像设备波段一般在400～900 nm之间，主要包括蓝光、绿光、红光、红边和近红外等，通过不同波长的光与植物细胞或组织之间的反射、吸收、透射等相互作用来定量估算作物表型参数[8]，可快速、准确地反映作物长势信息以及作物对胁迫的反应等[9]。热红外成像设备波段范围一般为7 500～13 500 nm，不受光照影响，较多用于作物冠层温度测定，其获取影像速度快、反应灵敏，已成为获取作物冠层温度的主要方式[10-11]。单一传感器获取的作物信息可能存在偏差，结合光谱与热红外数据构建评估模型相比使用单一数据能够增加模型的整体估算性能，如在藜麦盐胁迫潜力研究中，将无人机热红外和高光谱数据融合进行土壤盐分预测，r2最高能达到0.64，模型预测精度显著高于单一光谱相机数据模型[12]。对大豆的叶绿素a含量进行预测评估，将热红外、多光谱和RGB传感器数据融合构建的模型RMSE优于两种数据融合的模型[13]。

随着无人机遥感技术在农业应用领域的迅速发展，提高作物性状估测准确率成为研究的重点。近年来，利用遥感数据作为机器学习算法输入特征，在建立作物性状评估模型时表现出较高的预测精度和鲁棒性。机器学习算法可以准确地分析光谱数据和识别作物生长信息，在生理参数估算与作物长势监测方面应用较多[14]。近年来，机器学习算法被广泛应用于构建作物性状的遥感估测模型。其中支持向量机(support vector machine,SVM)是一种用于分类及回归时具有优异模型性能的算法，解析小样本数据时合适而有效，近年来被用于多个遥感领域，在冬小麦、玉米、水稻等作物表型参数评估领域得到广泛应用[15-17]。在对小麦白粉病遥感研究中，用SVM算法构建的诊断模型精准度可达93.33%[18]。在小麦种子品质预测研究中，利用SVM算法构建的模型精度达到 95.5%[19]。本研究利用冬小麦不同灌溉处理下，拔节期、挑旗期、抽穗期与灌浆期的多光谱和热红外动态数据，构造了多个光谱指数，以SVM 构建冬小麦产量估测模型，判断多光谱数据与热红外数据在冬小麦产量估测的效果，以期为无人机遥感平台在农业生产管理中的应用提供参考。

1 材料与方法

1.1 试验设计

选用黄淮麦区南片和北片主栽品种30份，于2019-2020冬小麦生长季种植于中国农业科学院新乡试验基地(113.8°E,35.2°N)。河南新乡冬小麦全生育期灌溉量一般为170～200 mm[20]。本试验共设置三种灌溉处理(表1)，灌溉量分别为240 mm(处理1)、190 mm(处理2)和145 mm(处理3)。每种灌溉设置两个重复，每份材料以小区种植，每个小区面积为11.2 m2(8 m×1.4 m)。为保证小区产量的可靠性，出苗后对缺苗断垄处移栽补苗，确保苗全苗匀。肥料管理按照当地丰产田标准进行(复合肥作为底肥使用，在返青期和抽穗期追肥施用尿素)，并防治病虫害及杂草。小麦成熟后收获各小区并测定产量。

表1 不同灌溉条件的灌溉量

1.2 数据获取

使用大疆公司生产的DJI M210无人机搭载多光谱相机rededge MX和热红外相机ZENMUSE XT2(表2)，选择晴朗无云、光照条件较好时(北京时间11:00至14:00)，于2020年冬小麦拔节期(4月14日)、挑旗期(4月23日)、抽穗期(4月30日)、灌浆期(5月10日)执行飞行任务。对获取的多光谱和热红外数据进行预处理，预处理主要包括利用Pix4D软件进行影像拼接、辐射定标，用QGIS软件提取每个小区的冠层光谱反射率和冠层温度。冬小麦成熟后，使用小区联合收割机(Wintersteiger Classic) 进行收获，晾晒后籽粒含水量约为12.5% 时称重。

表2 热红外和多光谱相机的主要参数

1.3 光谱指数

光谱指数是由不同波段的反射率以代数形式组合成的一种参数，可降低条件背景对光谱数据的干扰，比单波段具有更高的灵敏性[21]。本研究选用的光谱指数包括改良三角植被指数(modified triangular vegetation index 2，MTVI2)、重归一化植被指数(re-normalized vegetation index，RDVI)、差值植被指数(difference vegetation index，DVI)、归一化植被指数(normalized difference vegetation index，NDVI)、作物干旱指数(crop water stress index，CWSI)和非线性指数(non-linear index，NLI)，降低土壤背景对光谱影像的光谱指数包括优化土壤调节植被指数(optimizing soil regulation vegetation index，OSAVI)、增强型植被指数(enhanced vegetation index，EVI)、土壤调整植被指数(soil adjustment vegetation index，SAVI)，还包括转化叶绿素吸收反射指数(transformed chlorophyll absorption in reflectance index，TCARI)(表3)。其中CWSI由热红外数据计算得到，其他9个植被指数均由多光谱数据计算得到。

表3 光谱指数及计算公式

1.4 数据统计分析与模型精度评价

用R语言计算光谱指数与产量相关性，基于支持向量机(SVM)算法建立产量预测模型，并进行共线性分析。用方差膨胀因子(variance inflation factor，VIF)判断多重共线性，若VIF大于10，则数据之间具有多重共线性[27]。

(1)

(1)式中r2为决定系数。

通过SAS 4.2进行方差分析。使用10折交叉验证方法进行精度验证。首先，将数据随机平均的划分为10组，其中9组用作模型训练，1组用于验证，此过程重复10次，相当于用同一个模型对一个数据集进行不同的测试，但每个训练的数据集又不全一样，从而扩充数据集以增加模型的泛化能力。用10次验证结果的r2和RMSE的平均值作为精度评价指标。

(2)

(3)

2 结果与分析

2.1 灌水对小麦产量的影响

三种水分处理下冬小麦产量分布不同(图1)。在处理1下，85%小区的产量超过6 t·hm-2，且多分布在7～8 t·hm-2范围；在处理2下，83.34%小区产量分布在5～8 t·hm-2范围，且多分布在6～7 t·hm-2范围；在处理3下，86.67%小区产量分布在6 t·hm-2之下，且多分布在4～5 t·hm-2范围。由此可见小麦产量受灌水影响较大。

柱形上方的数字为小麦产量在区间内的小区个数。

2.2 光谱指数方差分析

方差分析(表4)表明，在冬小麦四个生育时期，各光谱指数的环境效应均达到0.001显著水平，只有CWSI的基因型效应及基因型×环境互作效应在拔节期分别达到0.05和0.01显著水平，说明本研究所选的冬小麦光谱指数主要受灌水的影响，受遗传及遗传与环境的影响微弱。

表4 四个生育时期光谱指数的方差分析(F值)

2.3 产量与植被指数相关性

相关性分析(表5)表明，在处理1下，拔节期MTVI2、TCARI和NLI与小麦产量均显著相关；挑旗期NDVI、NLI和TCARI与籽粒产量均显著相关；抽穗期MTVI2、OSAVI、TCARI、NDVI和NLI与产量均显著相关；灌浆期TCARI与产量呈显著负相关。在处理2下，拔节期、挑旗期、抽穗期、灌浆期NDVI、OSAVI、RDVI、NLI和SAVI与产量均显著相关，并且相关性系数绝对值均超过0.50。在处理3下，挑旗期OSAVI、RDVI和SAVI与产量均呈显著负相关；抽穗期和灌浆期除TCARI和SAVI以外其余植被指数均与产量显著相关，且OSAVI、RDVI与产量相关性均较高，相关关系分别为-0.71和-0.70。光谱指数NDVI、OSAVI、RDVI和NLI在不同处理下和生育期内都与产量具有相关性，其中抽穗期相关系数高于0.5。这说明光谱指数与冬小麦产量密切相关，可以用于小麦产量预测分析。

表5 三个不同水处理下植被指数与小麦产量的相关性

2.4 光谱指数的共线性

经共线性分析，在小麦拔节期、挑旗期和抽穗期，光谱指数SAVI的方差膨胀因子(VIF)均最大(表6)，在灌浆期，光谱指数RDVI的VIF最大，而四个生育时期CWSI的VIF均最小。总体来看，光谱指数DVI、EVI、MTVI2、NDVI、OSAVI、RDVI、SAVI和TVI的VIF均大于10，存在严重多重共线性，光谱指数CWSI在四个生育时期的VIF均小于10且在各个生育时期均最低，不存在多重共线性。

表6 光谱指数在四个时期的方差膨胀因子(VIF)

2.5 模型精度比较

2.5.1 基于多光谱数据的冬小麦估产模型精度

基于利用多光谱数据得到的9个光谱指数，用SVM算法分别构建三种处理下四个生育时期冬小麦产量估测模型，并利用独立数据对其精度进行验证(表7和图2)。从表7可以看出，在同一生育时期，处理2下模型拟合效果均最好，r2和RMSE分别为0.40～0.61和0.28～0.60 t·hm-2；处理3拟合效果均最差，r2和RMSE分别为0.29～0.54和0.35～0.70 t·hm-2。在同一处理下，拔节期的拟合效果均最差，r2和RMSE分别为0.29～0.36和0.60～0.70 t·hm-2；灌浆期拟合效果最好，r2和RMSE分别为0.54～0.61和0.28～0.60 t·hm-2。经验证，模型预测精度在不同处理和时期的变化规律与建模精度一致，但预测精度低于建模精度。

表7 多光谱数据的冬小麦产量预测模型比较

2.5.2 基于多光谱和热红外的冬小麦估产模型精度

利用多光谱数据和热红外数据共同构建冬小麦产量估测模型，并对其精度进行验证(表8)。在同一时期，处理2的模型拟合精度和预测精度总体表现均最好。在同一处理下，模型的拟合精度和预测精度均随生育时期的推后而提高。与基于多光谱数据的模型相比，加入热红外数据后，模型拟合和预测精度在各时期均不同程度地提高，且模型拟合精度与预测精度的差值也缩小，说明模型精度和稳定性均得到改善，其中模型在处理2下表现最好。

表8 融合多光谱和热红外数据的冬小麦产量预测模型比较

3 讨 论

在冬小麦的生长发育过程中，拔节期灌溉量的多少决定作物的穗数和粒数。在240 mm水分灌溉条件(处理1)下，拔节期光谱指数不能完全反映产量形成过程中器官干物质的积累特点[29]，导致这个时期光谱指数与产量相关性较低。抽穗期和灌浆期是将光合作用产生的淀粉和蛋白质等有机物从营养器官转移到籽粒中的主要阶段，光谱指数可反映最终籽粒产量情况，与产量的相关性较高[30]，且模型的预测精度较准确。同时，作物植被指数受环境条件影响，特别是水分处理影响。所以处理1的冬小麦产量高于处理2和处理3。然而，水分匮缺或过度灌溉容易造成作物产量出现较大变化，使产量估测模型受到影响。本试验中，处理2和处理3的r2较为接近，但处理3的RMSE较大，表明其预测值与测量的产量真实值之间偏差较大，因此处理2下模型的精度比处理1和处理3高。

多光谱传感器仅有6个固定波段，不同光谱指数间存在一定的共线性，所以本试验中光谱指数SAVI、RDVI、DVI、NDVI、NLI的VIF均大于10，呈现多重共线性。但是，只要产量预测模型拟合程度好，预测结果就将不受多重共线性问题的影响[31]。光谱指数CWSI在各个生育时期的VIF均小于10，共线性较低，表明CWSI与其他9个光谱数据之间信息重叠度较低，且CWSI还能够反映作物生长期内的水分状况变化。光谱指数由不同波段的光谱反射率构造而成，能够降低土壤背景及光照变化对光谱数据精度的影响，从而更好地反映作物生长状况。而不同植被指数可反映出作物不同的生物特性，例如NDVI主要用于估算植被变化[10]，SAVI间接反映作物的冠层温度，可减少土壤背景对冠层反射率的影响[32]，TCARI对叶绿素含量变化具有较强的敏感性[22]，CWSI可反映作物冠层的水分状况[26]等，使用多个植被指数构建产量预测模型时作物信息数据较为丰富，同时还可减少干扰数据在构建模型时的比重，故能够获得较高的产量预测精度。

热红外数据与作物的冠层温度关系密切，反映作物冠层的能量平衡状况和作物与大气之间的能量交换，这与作物冠层能量的吸收和释放有关[32-33]。温度升高影响植物的蒸腾和光合作用等生理过程，充足的供水会加强叶片的蒸腾速率，降低叶片冠层温度，而水分胁迫降低了叶片蒸腾速率，使得叶片冠层温度升高[32]，与作物产量有间接的关系。冠层温度数据与多光谱数据具有异质性，将二者结合后可形成信息互补，有利于提高小麦产量预测模型的精度。

4 结 论

三种灌溉条件下构建的模型相互比较，240 mm和190 mm灌溉条件下加入热红外数据构建的产量估测模型的r2相近，但240 mm灌溉条件下构建的模型RMSE偏大。190 mm灌溉条件下利用多光谱数据和热红外数据共同构建的模型更为稳定，更适合估测冬小麦产量。利用热红外数据和多光谱数据在灌浆期共同构建的模型精度较高，更适合用于冬小麦的产量估算。