基于无人机高光谱数据的小麦生物量估测

要 高光谱因其通道多、数据量大、信息丰富等特点，在小麦农学参数估测方面被广泛应用。对小麦生物量和植被指数进行相关性分析，结果表明17种植被指数中在拔节期、孕穗期和全生育期与生物量达到显著相关水平的植被指数各有16种；拔节期DVI和RDVI指数相关性最高，r均为0.784；孕穗期GNDVI指数相关性最高，r为0.766；全生育期WI指数相关性最高，r为-0.799；与开花期生物量达到显著相关的植被指数有8种，WBI指数相关性最高，r为-0.642。分别利用各时期与生物量达到显著相关的植被指数构建生物量PLSR估测模型，模型的验证R2 和建模R2均是全生育期最高，分别为0.85和0.93，其次是孕穗期、拔节期、开花期。建模RMSE最低的是孕穗期，为461.74 kg/hm2，验证RMSE最低的是拔节期为354.92 kg/hm2。建模和验证R2提升最大的是全生育期，提升了0.11；RMSE下降最多的同样是全生育期，下降了298.93 kg/hm2。总体来看，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。

关键词 小麦；无人机；高光谱；生物量估测；植被指数

中图分类号 S126 文献标识码 A 文章编号 0517-6611（2023）17-0182-05

doi：10.3969/j.issn.0517-6611.2023.17.041

Wheat Biomass Estimation Based on UAV Hyperspectral Data

ZHANG Min LIU Tao SUN Cheng-ming1，2

（1.Jiangsu Key Laboratory of Crop Genetics and Physiology/ Jiangsu Key Laboratory of Crop Cultivation and Physiology，Agricultural College of Yangzhou University，Yangzhou，Jiangsu 225009;2.Jiangsu Co-Innovation Center for Modern Production Technology of Grain Crops，Yangzhou University，Yangzhou，Jiangsu 225009）

Abstract Hyperspectral is widely used in the estimation of agronomic parameters of wheat because of its many channels，large amount of data and rich information.We analyzed the correlation between wheat biomass and vegetation indices，and the analysis showed that 16 vegetation indices were significantly correlated with biomass at each of the 17 vegetation indices，including the pulling，gestation and full-fertility stages;the highest correlation between DVI and RDVI indices was 0.784 at the pulling stage;the highest correlation between GNDVI indices was 0.766 at the gestation stage;the highest correlation between WI indices was -0.799 at the full-fertility stage;and the highest correlation with biomass at the flowering stage.The highest correlations were found for the vegetation indices at flowering，and the highest correlations were found for the WBI indices，with an r of -0.642.The vegetation indices that were significantly correlated with biomass at each period were used to construct the biomass PLSR estimation model.It gradually decreased at the gestation，nodulation and flowering stages.The lowest modeled RMSE was 461.74 kg/hm2 at gestation and the lowest validated RMSE was 354.92 kg/hm2 at nodulation.The largest increase in modeled and validated R2 was at full-gestation，with an increase of 0.11，and the largest decrease in RMSE was also at full-gestation，with a decrease of 298.93 kg/hm2.The biomass estimation model using full-gestation data had the best accuracy.Overall，the accuracy of the biomass estimation model using full fertility data was the optimal.The wheat biomass prediction model constructed could provide an effective reference for crop growth monitoring in the field as well as agricultural management decisions.

Key words Wheat;UAV;Hyperspectral;Biomass estimation;Vegetation index

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［1］。在传统手段上准确测定作物生物量需要破坏性取样［2］，这不仅费时费力，而且通常不适用于大面积监测［3］。

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［4-5］。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［6］。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［7］。

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［8-9］。因此，它不能用来准确估测非常密集的冠层生物量［10］。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［11］。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。Hansen等［12］的研究中表明，基于NDVI（718、720 nm）的线性模型在用于估算冬小麦生物量时准确度很高。Cho等［13］使用机载高光谱图像发现基于NDVI（740、 771 nm）的线性模型用于估测草的生物量时比基于传统NDVI（665、 801 nm）的线性模型精度更高。Ren等［14］研究表明，基于NDVI（693、 862 nm）的线性模型相对于土壤调整植被指数（SAVI）估测的荒漠草原绿色生物量具有更好的估测性能。

鉴于此，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，笔者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，利用高光谱通道多、光谱分辨率高、信息丰富等特点，提取17种不同的植被指数，充分挖掘冠层反射光谱信息；通过将植被指数与生物量进行相关性分析，筛选与生物量相关性达到显著水平的植被指数构建各生育期生物量的偏最小二乘回归模型（PLSR），并将3个生育时期数据融合在一起构建生物量全生育期估测模型，旨在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。

1 材料与方法

1.1 试验地概况

试验于2020—2021年在仪征市大仪镇（119°10′E，32°30′N）进行，试验区全年温暖湿润，雨水充沛，四季分明，属亚热带季风气候地区。常年主导风向为东南风，多年平均降水量约1 014 mm，多年平均气温约15.1 ℃，多年平均日照时长约6 h。

1.2 试验材料

该试验以扬麦23号、镇麦9号和宁麦13号为研究对象。

1.3 试验方法

试验设置4个氮肥梯度：225.0 kg/hm2 （N1处理）、202.5 kg/hm2 （N2处理）、180.0 kg/hm2 （N3处理）、157.5 kg/hm2 （N4处理）；2个条播密度：225万株/hm2 （M1处理）和300万株/hm2 （M2处理）基本苗。肥料采用含氮量44%的树脂包衣控释氮肥（控释期180 d），磷钾肥分别为P2O5含量为12%的过磷酸钙和K2O含量为60%的KCl，施用量均为120 kg/hm2，所有肥料均于播前底施。于2020年11月3日播种，小区面积为18 m2，重复2次，共48小区。

1.4 数据获取方式

1.4.1 小麦地上部生物量测定。

分别于小麦拔节期、孕穗期、开花期进行田间取样。各处理随机选取20株长势均匀的小麦植株，剪掉根系，清水洗净，放入烘箱在105 ℃下杀青30 min后将温度调节到80 ℃继续烘干至恒重，称取干重后换算成单位面积地上部干物重，即地上部生物量。

1.4.2 光谱数据获取过程。

于拔节期、孕穗期、开花期采用DJI M600 PRO无人机搭载GaiaSky-Mini2机载高光谱成像系统获取试验田块高光谱图像数据，飞行高度为100 m，手动规划航线坐标点，采用定点悬停扫描，航向和旁向重复率均为80%，飞行任务开始前校准镜头调整曝光时间，起飞后拍摄地面3张不同反射率灰布，为后期图像反射率校准提供参考标准。每次飞行时间为10：30—11：30，天气晴朗、无强风。

1.5 数据分析方法

1.5.1 光谱数据预处理。

使用SpecView对原始数据依次进行镜头校准、反射率校准、大气校正即可得到校准后的高光谱图像数据。使用HiSpectralSticher软件对校准后的高光谱图像进行拼接。使用Envi 5.3软件并利用Subset Data from ROIs工具对拼接完成的高光谱图像进行裁剪。

1.5.2 植被指数提取。该研究利用MATLAB R2020a软件，通过预处理后的高光谱图像分别计算和提取了每个处理较为常用的17种植被指数（详细植被指数名称见表 1）。关于这些植被指数的研究较多，在小麦的生长监测中早已被证明具有很高的相关性和可靠性。

1.6 建模方法及模型验证指标

为了构建最佳的小麦生物量估测模型，采用偏最小二乘回归（PLSR）进行建模，PLSR融合了主成分分析法和多元线性回归算法，有效地消除了多元线性回归中各变量的共线性，剔除了冗余信息，以提高计算的效率［28］。该研究利用Python 3.9和scikit-learn库进行PLSR建模，训练集和验证集比例为3∶1。通过决定系数（R2）、均方根误差（RMSE）检验模型的精度。