刘欣谊，仲晓春，陈 晨，刘 涛，孙成明， 李冬双，刘升平，王建军，丁大伟，霍中洋

(1. 江苏省作物遗传生理重点实验室/江苏省作物栽培生理重点实验室，扬州大学农学院，江苏扬州 225009； 2. 江苏省粮食作物现代产业技术协同创新中心，扬州大学，江苏扬州 225009；3. 中国农业科学院农业 信息化研究所，北京 100081；4. 张家港市农业试验站，江苏张家港 215616)

在作物栽培管理过程中，产量预测是十分重要的环节。传统的作物测产是通过田间破坏性取样进行的，费时费力，且容易出现较大的人为误差，因而探索一种快速、准确、无损的作物估产方法十分必要。近年来，随着市场的竞争以及耕地质量的改变，小麦的产量逐年变化较大[1]。根据客观情况，需要及时了解小麦种植的相关信息[2-3]，为国家经济和宏观决策提供科学依据[4]。

目前，前人已经开展了一些关于小麦估产的研究[5-7]。近年来在遥感技术的支持下，作物大面积产量估测逐渐成为研究的热点。遥感估产研究中的直接估产是指直接构建光谱植被指数和产量之间的关系模型，该方法应用前景广阔。在小麦估产模型中归一化植被指数NDVI被大量使用[8-14]，但值得注意的是，随着小麦生育进程的推进，NDVI与产量之间可能会出现不敏感现象[15]。为了提高估产精度，一些研究试图将高时间分辨率图像和高空间分辨率图像结合起来构建相应的产量估测模型[16]。虽然利用卫星获取的高时间分辨率和高空间分辨率图像能够提升小麦产量估测精度，但由于其价格昂贵，且容易受到天气和地形等因素的影响，在应用上还有一定的局限性。而低空无人机平台由于具有操作灵活、数据获取效率高、测试时间可控、图像成本低等优点，在作物遥感监测方面将得到越来越多的应用，因此将无人机平台应用于小麦产量估测是可 行的。

虽然前人利用图像颜色特征开展了一些作物产量估测方面的研究，但基于普通RGB图像的颜色指数指示作物长势的饱和程度不同，对产量估测的效果及潜力也不确定。因此，本研究以不同品种、不同种植密度和不同氮肥水平的小麦田间试验为基础，综合分析基于无人机平台获取的小麦越冬前期和拔节期RGB图像的颜色和纹理特征指数，构建小麦产量预测模型，以期为作物生长前期进行产量预测提供有效技术途径。

1 材料与方法

1.1 田间试验设计

本研究共有2个试验，其中试验1的数据用于构建小麦产量预测模型，试验2的数据用于模型验证。

试验1为品种、种植密度和氮肥三因素随机区组试验，于2016-2017年在扬州大学实验农牧场进行。供试小麦品种为扬麦23号和扬辐麦4号。试验设置3个种植密度水平，分别为100万、150万和200万株·hm-2；设置4个氮肥水平，施氮量分别为0 kg·hm-2(N1)、120 kg·hm-2(N2)、160 kg·hm-2(N3)、200 kg·hm-2(N4)；肥料运筹方式为氮肥按基肥∶壮蘖肥∶拔节肥∶孕穗肥=5∶1∶2∶2的比例施用，磷、钾肥按基肥∶拔节肥=5∶5的比例施用，施用量均为120 kg·hm-2。于2016年11月2日播种，小区面积为16.65 m2，重复2次，共48个小区。

试验2于2017-2018年在张家港进行，供试小麦品种、种植密度、氮肥水平以及肥料运筹方式同试验1。于2017年11月10日播种，小区面积为30 m2，重复2次，共48个小区。

1.2 数据获取方法

1.2.1 图像获取设备

采用大疆 inspire 1 RAW无人机进行图像数据采集。该款无人机搭载的相机分辨率为1 600万像素，可以持续飞行约20 min，遥控器与无线跟焦器连接后，可将控制距离扩展至5 km。

1.2.2 图像获取过程

在小麦生长的前期(越冬前期和拔节期)利用无人机获取田间图像。为了保证飞机飞行的安全性和数据的可用性，需在起飞前对飞机进行航点、航线、飞行高度和图像重复率的设置[17]。

1.2.3 产量测定

小麦成熟后，每个小区取2 m2面积小麦，脱粒后测实产。

1.3 数据分析与利用

1.3.1 无人机影像预处理方法

采用MATLAB R 2014b软件进行无人图像预处理。图像预处理包括图像裁剪、去噪、平滑、锐化等操作。图像裁剪是将拼接好的图像根据不同小区裁剪成大小一致的图像。去噪是指消除数字图像中的噪声，进行平滑和锐化则是减小图像的斜率，提高质量并减小目标物像素提取的损失。

1.3.2 颜色指数选择

图像颜色指数的类型很多。本研究选择了比较常用的8个颜色指数用于无人机图像数据分析，包括可见光大气阻抗植被指数(VARI)、超红植被指数(ExR)、超绿植被指数(ExG)、绿叶植被指数(GLI)、绿红差值指数(ExGR)、归一化差分指数(NDI)、改良绿红植被指数(MGRVI)和红绿蓝植被指数(RGBVI)。

1.3.3 纹理指数提取

通过无人机图像提取4个常用的纹理特征：能量(ASM)、对比度(CON)、相关度(COR)、熵(ENT)。

1.4 模型的构建与评价

基于图像颜色和纹理特征指数与小麦产量的相关性，选择相关系数最大的颜色及纹理特征指数，构建单一或多元的回归模型。然后利用独立的实测产量数据，并基于决定系数(R2)、均方根误差(RMSE)以及1∶1图对模型进行验证和评价(试验2数据)。

2 结果与分析

2.1 基于生育前期图像颜色指数的小麦产量预测模型建立与验证

2.1.1 图像颜色指数与小麦产量的相关性

相关分析(表1)表明，在小麦生育前期，8个无人机图像颜色指数与产量的相关性差异较大。在越冬前期，由于麦苗还没有全部覆盖地面，图像整体质量较差，相关系数总体偏低；ExGR、GLI、MGRVI与产量相关性达到显著水平，ExG、NDI、ExR与产量的相关性达到极显著水平，其中NDI与产量相关性最大，相关系数为0.738。随着生育进程的推进，拔节期的图像质量也随之改善，相关系数较越冬前期明显提升，8个图像颜色指数与最终产量的相关性均达到极显著水平，其中VARI与产量相关性最大，相关系数为0.837。

2.1.2 模型建立

根据相关分析结果，在越冬前期利用颜色指数NDI建立的小麦产量预测模型Y=17 253×NDI+3 534.5，R2=0.542 2，拟合性达到极显著水平。在拔节期利用颜色指数VARI建立的产量预测模型为Y=14 680×VARI+ 3 107.7，R2=0.700 8，拟合性也达到极显著水平。

表1 小麦生育前期无人机图像颜色指数与产量的相关性Table 1 Correlations between color indices of UAV image and wheat yield at early growth stage

2.1.3 模型验证

利用试验2数据对小麦产量预测模型进行验证，并绘制实测值与预测值的1∶1关系图(图1)。由图1可知，实测产量值与模型预测产量值比较接近，二者间趋势基本一致。其中越冬前期和拔节期验证的R2分别为0.540 6和 0.603 4，两个时期预测值与实测值呈极显著正相关(P<0.01)。同时,两个时期的RMSE均较小，分别为671.26和639.78 kg·hm-2。这表明两个时期的估产模型的精度均较高。

图1 基于生育前期图像颜色指数的小麦产量预测模型验证效果(A：越冬前期；B：拔节期)Fig.1 Verification effect of wheat yield prediction model based on color indices at early growth stage (A: early wintering stage; B: jointing stage)

2.2 基于生育前期图像颜色与纹理特征指数的小麦产量预测模型建立和验证

2.2.1 图像纹理特征指数与小麦产量的相关性

经相关分析，4个纹理特征指数与产量的相关性在小麦越冬前期均未达到显著水平，拔节期的相关性有所提升，其中CON、COR与小麦产量分别呈显著和极显著相关(表2)。总体上纹理特征指数与产量的相关性小于图像颜色指数。

表2 小麦生育前期无人机图像纹理特征指数与产量的相关性Table 2 Correlations between texture feature indices of UAV image and wheat yield at early growth stage

2.2.2 模型建立

根据表1和表2的结果，在越冬前期选择相关性最高的纹理特征指数ENT与颜色指数NDI相结合，在拔节期选择纹理特征指数COR与颜色指数VARI相结合，通过回归分析构建产量预测的二元模型。其中，越冬前期小麦产量预测模型为Y=16 343.16×NDI+2 051.14×ENT+19.62，R2为0.623，较单一颜色指数模型提升14.52%。拔节期小麦产量预测模型为Y= 11 900.4×VARI- 1 453.76×COR+540.8，R2为0.744，较单一颜色指数模型提升6.13%。这表明二元模型建模效果更优。

2.2.3 模型验证

利用独立数据对小麦产量二元估测模型进行验证，并绘制实测值与模型预测值的1∶1关系图(图2)。由图2可知，基于越冬前期和拔节期的小麦产量预测值与实测值之间有较好的一致性。其中越冬前期和拔节期模型验证的R2分别为 0.629和0.746，较单一颜色指数模型分别提升 16.27%和23.71%。统计分析表明，两个时期模型预测值与实测值的相关性均达到极显著水平。同时，越冬前期和拔节期的RMSE分别为611.82和510.29 kg·hm-2，较单一颜色指数模型分别减小 8.85%和20.24%。这表明小麦产量二元 估测模型的精度和可靠性高于单一颜色指数 模型。

3 讨 论

作物产量的准确估算与高效预测是农业研究人员关注的主要领域之一[18]。在作物收获前利用信息技术手段进行实时快速估产已成为当前的研究热点。目前，基于不同传感技术监测作物生长的研究很多，也取得了不少的进展[19-23]。但基于RGB图像预测小麦产量的研究还较少。本研究对越冬前期、拔节期颜色指数和纹理特征指数与小麦产量的相关性进行了系统分析，并构建了相应的产量预测模型。结果表明，单一生育时期植被指数与产量有较高相关性，但不同时期之间也有差异。本研究的2个时期中，拔节期图像颜色及纹理特征指数与小麦产量的相关性要好于越冬前期，产量预测模型的效果也较好。

Sakamoto等[24]利用数码相机获取的图像计算植被指数并对水稻产量进行预测，同时分析了数码相机在产量估测上的应用潜力。Wang等[25]利用遥感技术对小麦产量进行了预测，发现在小麦生长后期预测精度较高。李卫国等[26]基于TM影像数据，综合考虑小麦产量形成的生理生态过程，建立了小麦估产模型，但是由于影像分辨率较低，估测的精度不高。本研究结果表明，通过无人机RGB图像中提取的颜色指数和纹理特征指数预测小麦产量时，大部分的颜色指数表现较好，而纹理特征指数效果较差，但二者结合后，效果有明显提升。这与周 祥等[27]得出的结果一致。

本研究基于无人机图像技术实现了对小麦产量的预测且效果较好，但还存在一些需要改进的地方：(1)RGB图像的预处理方法有待进一步加强。随着无人机平台在更大监测区域上的应用，会涉及到监测角度不同和影像拼接等问题，所以预处理流程还需不断完善。另外，预处理方法的普适性也需要进一步加强，其准确性有待进一步验证。(2)无人机现在可以搭载各种不同的相机，如热红外、高光谱相机等，在今后的研究中，应综合利用图像的光谱、颜色和纹理等信息，提高预测精度。(3)影响作物产量的因素众多，如作物的叶绿素含量、叶面积指数以及各种环境条件等，仅仅基于单一的图像数据对产量进行预测是不够的。另外，研究中模型构建采用的是线性回归的方法，但实际情况中还有很多非线性的因素。这些都是在后续的研究中需要充分考虑的。

4 结 论

利用无人机获取小麦生育前期田间图像并构建基于图像颜色和纹理特征指数的小麦产量预测模型。其中越冬前期和拔节期分别利用颜色指数NDI和VARI构建的产量预测模型均具有较好的预测效果。越冬前期颜色指数NDI和纹理特征指数ENT结合、拔节期颜色指数VARI和纹理特征指数COR结合构建的产量预测模型精度优于单一颜色指数模型的精度，因此更适合小麦产量估测。