基于冠层NDVI数据的北方粳稻产量模型研究

电子说

1.3w人已加入

描述

本研究以沈阳农业大学的水稻田为研究对象,基于无人机遥感数据,尝试构建水稻冠层 NDVI 估产模型,以期为相关研究提供参考。

一、引言

水稻产量是各级政府进行决策、生产部门指导农业生产、流通领域安排粮食收购和销售、交通部门安排运输计划的重要经济信息,因此,及时准确地预报水稻产量具有重要的实用价值。粳稻是北方主要粮食作物,培育高产水稻品种是提高水稻单产、增加总产、提高稻作效益的主要措施,其中,估产是育种好坏的一个重要指标。

水稻产量预报包括估算水稻实际种植面积、监测长势与预报产量。传统水稻估产采用人工区域调查方法,速度慢、工作量大、成本高,很难及时、大范围获取水稻的长势与产量信息;水稻遥感估产具有宏观、快速、准确和成本低等优点,潜力很大。

近年来,无人机遥感技术因具有机动灵活、高效快速、精细准确和作业成本低、按需获取数据且空间分辨率高的优势,发展迅速,已经成为农情监测的重要手段。将其用于水稻估产,有望降低劳动力和科研成本,提高农业育种信息安全,提高估产精度和育种准确度。

归一化植被指数(NDVI)是目前应用最广泛的植被指数,它是利用绿色植物对红光波段和近红外波段的吸收率和反射率的光谱特性计算得到的植被指数,可体现作物的生物量、产量以及健康状况等。利用不同的遥感数据获得的归一化植被指数进行作物产量的早期预测,结果表明该方法具有较高的可靠性。

本研究以沈阳农业大学的水稻田为研究对象,基于无人机遥感数据,尝试构建水稻冠层NDVI估产模型,以期为相关研究提供参考。

材料与方法

2.1实验材料

选择沈阳农业大学的一块水稻试验田为研究对象,总面积10hm2。该区域属于温带半湿润大陆性气候,降水集中,四季分明,有利于水稻生长。供试品种为东北地区广泛种植的粳稻沈稻47。沈稻47苗期健壮,分蘖力强,可达350~400穗·m-2,成株高105cm左右,半直立穗型,株型紧凑,叶片直立,适宜铁岭、沈阳、辽阳、鞍山、营口、盘锦、锦州等市所辖县区种植。

2.2数据获取与计算

多旋翼无人机飞行速度可控,飞行高度可调且可以低空飞行,同时多旋翼无人机不受起飞降落场地的限制,飞行载荷较大,可同时携带多种农用传感器,因而更适于大规模作物育种小区(2~5m2)厘米级分辨率信息获取。故使用八旋翼无人机作为遥感平台,搭载多光谱照相机和GPS定位仪,飞行高度10m,图像地面分辨率1cm,采用四边飞行路线。通过测量太阳辐射相应波段的入射光强以及植被冠层的反射光强获得数据。无人机拍摄地面样本观测点分布如图1所示,根据测量的数值计算出相应的归一化植被指数。NDVI=(NIR+R)/(NIR-R)。(1)式(1)中,NIR(660nm)和R(740nm)分别为近红外光谱通道和红光光谱通道反射率。

模型

图1无人机采集样本点分布图

试验数据分别测于分蘖期(6月)、拔节期(7月)、抽穗期(8月)、成熟期(9月),分13个长方形区域(每个区域6m×2m),每个区域取其对角线交叉点作为一个样本点。于每天12:00—14:00提取数据,得到相应样本观测点的粳稻冠层NDVI。在粳稻成熟时收割烘干脱粒,测定所取样本产量。用无人机遥感数据进行建模,仪器采集数据进行验证。

2.3研究方法

对2015年6-9月的单天、各旬和各月NDVI数据与粳稻产量分别进行相关性分析,选出相关性最好的与产量建立回归模型和多元回归模型,利用逐步回归方法挑选粳稻的关键生育期,从而确定最佳估产时间,最后对其进行误差分析,筛选出最佳估产模型。

2.4模型的建立于检验

采用线性回归分析方法和Square曲线或Cubic曲线回归分析方法分别对水稻冠层单天、各旬和各月NDVI数据与产量进行回归建模分析。用判定系数(R2)对模型拟合度进行检验,R2越大说明模型精度越高;用相对误差(RE)和均方根误差(RMSE)两个指标来验证模型的准确性。

结果与分析

3.1粳稻生长关键期冠层NDVI与理论产量的相关性分析

用二元定距变量相关分析方法分别对粳稻单天、各旬和各月NDVI数据与产量进行相关性分析,粳稻单天NDVI与产量间皮尔森相关系数较高的时间段主要集中在6月上旬(r=0.672)、6月中旬(r=0.556)、8月上旬(r=0.776)(表1),单日数据中以6月11日(r=0.817)和8月4日(r=0.780)的相关系数最高,说明在分蘖盛期和抽穗期对粳稻估产效果较好。

3.2不同生育期粳稻NDVI与理论产量的估算模型

选择6月和8月的旬数据以及6月11日、8月4日的单日数据建模。从表2可以看出,以单天NDVI数据进行估产,Square(或Cubic)曲线模型比一次线性模型R2高。考虑到单一时相数据产量模型具有偶然性,加之6月份粳稻还未进入施肥期,因此该模型不具有代表性。

以6月中上旬(分蘖期)与8月上旬(抽穗期)数据为基础构建的模型R2较高,但6月中上旬由于水体干扰等,误差较大,因此,不宜单独用作估产模型。将6月和8月各旬数据分别相结合,建立估产模型,R2分别为0645、0.677。综上,虽然不能单依6月份数据建立准确的产量预估模型,但可以确定粳稻估产的最佳时期是水稻分蘖期和抽穗期,而且基于Square(或Cubic)曲线构建的模型相关性优于一次线性模型。因此,可以尝试在6月中旬和8月上旬利用无人机进行遥感数据获取用于估产,以缩短测试时间,降低科研成本,提高估产精度。

3.3复合估产模型

利用以上数据,将各个时期分别组合,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,建立粳稻单产的复合模型,由R2、F值和显著性(表3)可以看出,6月上中旬的估产效果不显著,其他组合构建的模型均达到显著水平,其中,6月11日和8月4日的复合估产模型的相关系数(R2)达0.821,显著性为0.000。

表1北方粳稻生育期NDVI与理论产量相关性分析结果

模型

表2冠层NDVI与水稻理论产量之间的回归分析

模型

从其他4组回归模型中可以确定,粳稻最佳估产时间为6月(分蘖期)和8月(抽穗期),且以抽穗期为主,因为抽穗期是水稻营养吸收最完全的时期,是产量形成的最关键时期。

表3冠层NDVI复合数据与水稻产量的线性回归估产模型

模型

利用仪器采集样本数据对估产模型进行检验比较,并对线性回归模型精度进行检验,结果见表4。利用6月和8月的NDVI数据得到的产量模型相对误差为34.06%,预测标准误差为3.324t·hm-2,误差较大。以6月11日和8月4日数据为基础构建的复合模型误差最低,但是单天估产模型偶然性太大,考虑到这两天分别处在6月中旬和8月上旬,故可在6月中旬和8月上旬连续几天采集无人机遥感数据,既可以避免单天数据的偶然性,也可以避免整月采集数据的烦琐和带来的误差。综上,以6月中旬+8月上旬NDVI数据为基础构建估产模型较为理想。

表4基于无人机遥感的北方粳稻估产模型验证

模型

结论与讨论

遥感技术的迅猛发展和广泛应用为农作物面积、长势的宏观动态监测和估产提供了一种新的方法。本研究基于沈稻47各时期NDVI数据,建立其与理论产量的最适模型。结果表明,用无人机遥感获取的粳稻冠层NDVI数据可以进行估产建模;

但是,由于粳稻生长受到温湿度、水体、土壤等多因素的影响,其NDVI数据在这个过程中出现一些波动,导致粳稻冠层NDVI数据与产量在7月(孕穗期)并没有呈现良好的相关关系。对不同生育期粳稻冠层NDVI与产量的相关性进行分析并做相应检验,结果发现,复合估产模型的预测效果显著优于其他模型。用逐步回归方法剔除相关性较差的模型,确定最佳估产时间为6月中旬和8月上旬。基于上述数据构建的复合模型,决定系数为0.771,相对误差为4.06%,标准差为0.474t·hm-2,精度较高,具有可行性。

与现有的人工估产和卫星遥感估产相比,本研究所提出的基于无人机遥感采集粳稻冠层数据估产的方法可以随时方便地获取粳稻表面冠层NDVI数据,降低了科研经费和人工成本,而且估产作业对象面积可小可大,准确度高,为水稻育种等小规模估产提供了良好的参考,更具实用性。但本研究只是初步探索的阶段性成果,仍有待进一步优化完善。

推荐:

无人机高光谱成像系统iSpecHyper-VM100

iSpecHyper-VM系列无人机高光谱成像系统配合定制开发的高性能稳定云台,能够有效降低飞行过程中无人机抖动引起的图像扭曲与模糊。该系统与大疆M350RTK无人机完美适配,广泛应用于农业、林业、水环境等行业领域,系统支持配件升级及定制化开发,为教育科研、智慧农业、目标识别、军事反伪装等行业高端应用领域提供了高性价比解决方案。

模型

审核编辑 黄宇

打开APP阅读更多精彩内容
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉

全部0条评论

快来发表一下你的评论吧 !

×
20
完善资料,
赚取积分