论文推荐｜基于无人机高光谱数据的小麦生物量估测

小麦地上部生物量（以下简称生物量）是反映作物生长状况的重要指标之一。为了实现小麦的最佳生长和减少环境污染，农民需要通过不同生育时期的生物量信息来判断小麦长势，进一步指导施肥。而且在接近生育后期时估算作物的生物量还可用于产量预测。在传统手段上准确测定作物生物量需要破坏性取样，这不仅费时费力，而且通常不适用于大面积监测。

随着科学技术的发展，遥感技术逐渐被用于农业监测，为在局部和区域尺度上定量估测作物生物量提供了一种经济高效的方法。同时，近乎连续光谱的高光谱传感器的出现，为准确估测生物量等作物理化指标开辟了新的道路。随着无人机（UAV）硬件和软件的快速发展，基于无人机平台的遥感监测越来越多地用作数据收集工具，其操作简单、超高的软硬件集成度、灵活的飞行高度等特点可以快速获取大量遥感数据，而且较低的飞行高度大大提高了遥感数据的空间分辨率。

早期一些RGB相机和多光谱相机计算的颜色指数或植被指数（VI）在估测农学参数时存在一定限制，如基于多光谱的红波段和近红外波段得到的归一化差异植被指数（NDVI），它在估测生物量或叶面积指数时容易出现饱和现象。因此，它不能用来准确估测非常密集的冠层生物量。然而，基于高光谱计算的植被指数被认为对量化植被生物量更加敏感。研究结果表明，由特定波段构建的归一化差异植被指数（NDVI）可以提高生物量估测精度。

目的

寻找不同生育时期生物量敏感植被指数，构建多时期生物量估测模型，提高生物量估测精度。

方法

以设置不同品种、氮肥梯度和密度处理的小麦大田试验为基础，利用无人机平台搭载高光谱相机获取不同时期小麦冠层反射光谱数据，提取植被指数（表1）。对植被指数与生物量进行相关性分析，构建各生育期生物量的偏最小二乘回归模型（PLSR），融合3个生育时期数据构建生物量全生育期估测模型。

结果

◆各生育期植被指数与生物量的相关性

分别对拔节期、孕穗期、开花期和全生育期的植被指数和生物量进行相关性分析，结果见表2。拔节期、孕穗期、开花期样本数均为24个，全生育期样本数为72个。

从表2可以看出，拔节期17种植被指数中与生物量相关性最低的是WBI指数，相关系数仅为-0.286，其余指数与生物量的相关性均达到极显著相关水平，其中相关系数最高的是DVI和RDVI指数，相关系数均为0.784。孕穗期TCARI指数与生物量的相关性最低，相关系数为0.188，未达到显著相关水平；除NPCI指数和MCARI指数与生物量只达到显著相关水平外，其余植被指数均与生物量均达到极显著相关水平，其中相关系数最高的指数是GNDVI，系数为0.766。开花期有4个植被指数与生物量达到极显著相关水平，相关系数最大的是WBI，为-0.642。全生育期除GNDVI与生物量相关性未达到显著水平、NPCI达到显著水平外，其余15种植被指数与生物量的相关性均达到极显著相关，其中相关系数最高的是WI指数，相关系数为-0.799。

◆基于显著相关植被指数的小麦生物量模型构建

根据前述相关分析的结果可知，在小麦拔节期、孕穗期和全生育期各有16种植被指数与生物量达到显著相关水平，在小麦开花期有8种植被指数与生物量达到显著相关水平。该研究以达到显著相关为筛选标准，利用各生育期与生物量达到显著相关水平的植被指数构建偏最小二乘回归模型，并绘制训练集生物量1∶1线图（图 1）。

注：A.拔节期；B.孕穗期；C.开花期；D.全生育期。

图1 各生育期小麦生物量PLSR估测模型训练集(1∶1) 

从图1可以看出，各时期生物量的估测值和真实值均较为均匀的对称分布在1∶1线两侧，图1D（全生育期）和1B（孕穗期）中各点围绕1∶1线分布更加紧凑，线性趋势更为明显，图1A（拔节期）中各点分布更为松散，松散程度最高的是图1C（开花期）。与之对应的是各生育期生物量模型的决定系数（R²）,R²最高的是全生育期为0.82，孕穗期精度次之，R²为0.72，拔节期和开花期R²分别为0.61和0.54。孕穗期、拔节期、开花期生物量模型均方根误差（RMSE）依次为461.74、472.05、742.97kg/hm²,R²越高则RMSE越低，但R²最高的全生育期模型的RMSE反而也是最高，为818.60kg/hm²。

◆基于显著相关植被指数的小麦生物量模型验证

表3是各生育期小麦生物量PLSR估测模型中各植被指数对应的权重和常数项。利用各生育期预留的小麦生物量验证数据代入到模型中对各生物量估测模型进行精度验证，同时绘制真实值和估测值的1∶1线图（图2）。

注：A.拔节期；B.孕穗期；C.开花期；D.全生育期。

图2 各生育期小麦生物量PLSR估测模型验证集(1∶1)

从图2可以看出，图2D中各点分布最靠近1∶1线，而且均匀分布在线的两侧，50%左右的点几乎分布在线上；图2A、B中各点分布也较为均匀，图2C中各点分布效果最差。各生育期PLSR模型的验证精度均较建模精度有所提高，拔节期、孕穗期、开花期和全生育期的R²分别为0.68、0.82、0.57和0.93，较建模R²分别提高0.07、0.10、0.03和0.11，RMSE分别为354.92、402.09、652.86和519.67kg/hm²，较建模RMSE分别降低了117.13、59.65、90.11和298.93kg/hm²。

结论

利用全生育期数据构建生物量估测模型精度最优。该研究所构建的小麦生物量预测模型可为田间作物长势监测以及农业管理决策提供有效参考。