许童羽，洪 雪，陈春玲，*，周云成，曹英丽，于丰华，李 娜

(1.沈阳农业大学 辽宁省农业信息化工程技术中心，辽宁 沈阳 110161； 2.沈阳农业大学 信息与电气工程学院，辽宁 沈阳 110161)



基于冠层NDVI数据的北方粳稻产量模型研究

许童羽1，2，洪 雪2，陈春玲1，2，*，周云成1，2，曹英丽1，2，于丰华2，李 娜2

(1.沈阳农业大学 辽宁省农业信息化工程技术中心，辽宁 沈阳 110161； 2.沈阳农业大学 信息与电气工程学院，辽宁 沈阳 110161)

以沈阳农业大学试验田为研究区域，将无人机遥感技术与人工结合，采集2015年夏季粳稻生长全过程的冠层NDVI数据。首先，利用二元定距变量相关分析的方法对单天和各旬、各月冠层NDVI与产量进行相关性分析；然后，利用线性回归和Square(或Cubic)曲线分别对相关性较好的单天和各旬与产量建模，并对回归模型进行检验，验证模型精度，同时将效果较好的几个模型进行对比分析。结果表明，单独用一个变量建模，Square(或Cubic)曲线模型优于一次线性回归模型，6月中旬和8月上旬的组合模型是估产最理想的模型，其判定系数(R2)为0.771，相对误差(RE)为4.06%，均方根误差(RMSE)为0.474 t·hm-2，精度较高，具有可行性，据此确定北方粳稻最佳估产时间是6月中旬的分蘖盛期和8月上旬的抽穗期。

粳稻；NDVI；相关性；回归分析

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[1]。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[2]，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[3]，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[4-5]。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(normalized difference vegetation index，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[6-10]。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[11-15]。李飞等[16]分析了冬小麦关键生育期的长势并进行估产，相对误差在-3.93%～4.72%；高中灵等[17]提出了一种融合分区概念和时间序列NDVI相似性分析的棉花估产方法；陈鹏飞等[18]运用冬小麦生长时期NDVI变化速率建立与产量的回归模型，误差较小。前述研究显示，单产模型应该结合最佳时相来建立。黄敬峰等[19]利用GIS技术结合水稻的农学参数与光谱参数以及水稻产量与光谱参数的关系来确定水稻遥感估产的最佳时相。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。

1 材料与方法

1.1 试验材料

选择沈阳农业大学的一块水稻试验田为研究对象，总面积10 hm2(41°11′51″—43°2′13″N，122°25′9″—123°48′24″E)。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105 cm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。

1.2 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(2～5 m2)厘米级分辨率信息获取[20]。故使用八旋翼无人机作为遥感平台，搭载ADC多光谱照相机和GPS定位仪，飞行高度10 m，图像地面分辨率1 cm，采用四边飞行路线。所用冠层NDVI测量仪SpectroSense2+是英国Skye公司的一款被动式的NDVI测量仪，测量高度距离粳稻冠层1.8 m，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(660 nm)和R(740 nm)分别为近红外光谱通道和红光光谱通道反射率[21]。

图1 无人机采集样本点分布图Fig.1 Distribution of UAV sample points

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6 m×2 m)，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之间分别用SpectroSense2+测量仪和无人机测取相应数据，地面样本控制点对应无人机GPS定位，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。

1.3 研究方法

利用SPSS v19.0，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[22]，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。

1.4 模型的建立与检验

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(coefficient of determination，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(relative error，RE)和均方根误差(root mean squared error，RMSE)两个指标来验证模型的准确性。

2 结果与分析

2.1 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。

2.2 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。

2.3 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。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1 北方粳稻生育期NDVI与理论产量相关性分析结果

Table 1 Correlation analysis between theoreticaljaponicarice yield and NDVI data

时期Date相关系数Coefficient时期Date相关系数Coefficient时期Date相关系数Coefficient时期Date相关系数Coefficient6月June0.57406-01—06-100.67206-11—06-200.55606-21—06-300.1297月July-0.13007-01—07-10-0.06307-11—07-20-0.11707-21—07-31-0.3208月August0.34608-01—08-100.77608-11—08-200.34608-21—08-310.0289月September0.08209-01—09-100.23309-11—09-200.13909-21—09-30-0.09706-070.66206-080.64006-090.64806-100.57906-110.81706-120.69006-140.60408-010.59508-020.64508-030.72508-040.78008-050.73808-070.74008-080.64308-100.63208-110.624

表2 冠层NDVI与水稻理论产量之间的回归分析

Table 2 Regression analysis between canopy NDVI data and theoretical rice yield

时期Date回归模型RegressionmodelR2FSig.06-11y=22239.75x-57600.66722.0790.001y=-349836.45x2+496745.1x-165898.350.85328.9260.00008-04y=53309.4x-37279.650.57317.1190.002y=-916560.9x2+1668045x-7482300.66810.0750.00406-01—06-10y=3609.9x+429.200.4019.0400.012y=-18390x2+92999.1x-106938.90.79919.9310.00006-11—06-20y=2430x-7729.950.2474.9270.048y=-7939.95x2+117078.9x-421185.750.5055.1010.03008-01—08-10y=8769.9x-67139.40.54915.6210.002y=-1710x3+402595.95x-23655160.71512.5220.0026月Juney=3519.9x1+3139.95x2-4470x3+13569.90.6458.2720.0068月Augusty=11369.85x1+480x2-3060x3-69289.350.6779.4000.004

x1、x2、x3分别代表6月或8月各旬的NDVI值 。

x1，x2，x3represented the overall NDVI data of every ten days in June or August .

表3 冠层NDVI复合数据与水稻产量的线性回归估产模型

Table 3 Multiple yield estimation regression models of canopy NDVI data

时期Date回归模型RegressionmodelR2FSig.06-11(x1)+08-04(x2)y=15489.9x1+33839.7x2-30869.70.82128.6130.00006-01—06-10(x1)+06-11—06-20(x2)y=2970x1+730.05x2-28800.3584.3510.04406-01—06-10(x1)+08-01—08-10(x2)y=1860x1+6499.95x3-51839.550.60110.0360.00406-11—06-20(x1)+08-01—08-10(x2)y=2080.05x2+8149.95x3-76669.20.77121.2200.0006月+8月June+Augusty=3720x1+3229.95x2-4839.9x3-640.05x4+8179.95x5-3099.9x6-23229.750.8059.2800.008

6月+8月回归模型中x1、x2、x3、x4、x5、x6分别代表6月份和8月份各旬所对应的NDVI。

x1，x2，x3，x4，x5，x6in the last regression model represented ∑NDVI of every ten-day in June and August.

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3.324 t·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

Table 4 Validation of yield estimation model forjaponicarice in Northern China based on UAV remote sensing

时期DateRE/%RMSE/(t·hm-2)06-11+08-043.630.41606-01—06-10+08-01—08-105.310.62406-11—06-20+08-01—08-104.060.4746月+8月June+August34.063.324

3 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0.474 t·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。

[1] 黄敬峰， 杨忠恩， 王人潮， 等. 基于GIS的水稻遥感估产模型研究[J]. 遥感技术与应用， 2002， 17(3):125-128.

HUANG J F， YANG Z E， WANG R C， et al. The rice production forecasting models using NOAA/AVHRR data based on GIS [J].RemoteSensingTechnologyandApplication， 2002， 17(3): 125-128. (in Chinese with English abstract)

[2] 陈温福， 潘文博， 徐正进. 我国粳稻生产现状及发展趋势[J]. 沈阳农业大学学报， 2006， 37(6): 801-805.

CHEN W F， PAN W B， XU Z J. Current situation and trends in production ofjaponicarice in China [J].JournalofShenyangAgriculturalUniversity， 2006， 37(6): 801-805. (in Chinese with English abstract)

[3] 李卫国， 李花. 水稻卫星遥感估产研究现状与对策[J].江苏农业学报，2010 (5):444-445.

LI W G， LI H. Status and countermeasures on research of estimating rice yield by satellite remote sensing[J].JiangsuAgriculturalSciences， 2010 (5): 444-445. (in Chinese with English abstract)

[4] 李德仁， 李明. 无人机遥感系统的研究进展与应用前景[J].武汉大学学报(信息科学版)，2014，39(5)：505-513.

LI D R， LI M. Research advance and application prospect of unmanned aerial vehicle remote sensing system [J].GeomaticsandInformationScienceofWuhanUniversity， 2014， 39(5): 505-513. (in Chinese with English abstract)

[5] 刘刚， 许宏健， 马海涛， 等. 无人机航测系统在应急服务保障中的应用与前景[J]. 测绘与空间地理信息， 2011， 34(4):177-179.

LIU G， XU H J， MA H T， et al. Unmanned aerial system applications and prospects in the protection of emergency services[J].Geomatics&SpatialInformationTechnology, 2011， 34(4): 177-179. (in Chinese with English abstract)

[6] MKHABELA M S， BULLOCK P， RAJ S， et al. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data[J].Agricultural&ForestMeteorology， 2011， 151(3):385-393.

[7] BECKER-RESHEF I， VERMOTE E， LINDEMAN M， et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J].RemoteSensingofEnvironment， 2010， 114(6):1312-1323.

[8] GOWARD S N， TUCKER C J， DYE D G. North American vegetation patterns observed with the NOAA-7 advanced very high resolution radiometer[J].Vegetatio， 1985， 64(1):3-14.

[10] FLYNN E S， DOUGHERTY C T， WENDROTH O. Assessment of pasture biomass with the normalized difference vegetation index from active ground-based sensors[J].AgronomyJournal， 2008， 100(1): 114-121.

[11] KALUBARME M H， POTDAR M B， MANJUNATH K R， et al. Growth profile based crop yield models: a case study of large area wheat yield modelling and its extendibility using atmospheric corrected NOAA AVHRR data[J].InternationalJournalofRemoteSensing， 2003， 24(10):2037-2054.

[12] THENKABAIL P S. Biophysical and yield information for precision farming from near-real-time and historical Landsat TM images[J].InternationalJournalofRemoteSensing， 2003， 24(14):2879-2904.

[13] BAEZGONZALEZ A D， KINIRY J R， MAAS S J， et al. Large-area maize yield forecasting using leaf area index based yield model[J].AgronomyJournal， 2005， 97(2):418-425.

[14] 冯美臣， 肖璐洁， 杨武德， 等. 基于遥感数据和气象数据的水旱地冬小麦产量估测[J]. 农业工程学报， 2010， 26(11):183-188.

FENG M C， XIAO L J， YANG W D， et al. Predicting grain yield of irrigation-land and dry-land winter wheat based on remote sensing data and meteorological data[J].JournalofAgriculturalEngineering， 2010， 26(11): 183-188. (in Chinese with English abstract)

[15] 曹卫彬， 刘姣娣， 赵良斌，等. 北疆棉花遥感估产最佳时相选择研究[J]. 中国棉花， 2007， 34(3):10-11.

CAO W B， LIU J D， ZHAO L B， et al. Phase selection for cotton yield estimation in Northern Xinjiang based on remote sensing[J].ChinaCotton， 2007， 34(3): 10-11. (in Chinese)

[16] 李飞， 杨小平， 毛晖. 基于MODIS-NDVI数据的甘肃临夏州的春小麦遥感估产[J]. 陕西农业科学， 2014， 60(10): 74-77.

LI F， YANG X P， MAO H. Spring wheat yield estimation in Linxiazhou， Gansu based on MODIS_NDVI data by remote sensing[J].ShaanxiJournalofAgriculturalSciences， 2014， 60(10): 74-77. (in Chinese)

[17] 高中灵， 徐新刚， 王纪华，等. 基于时间序列NDVI相似性分析的棉花估产[J]. 农业工程学报， 2012， 28(2):148-153.

GAO Z L， XU X G， WANG J H， et al. Cotton yield estimation based on similarity analysis of time-series NDVI[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2012， 28(2): 148-153. (in Chinese with English abstract)

[18] 陈鹏飞， 杨飞， 杜佳. 基于环境减灾卫星时序归一化植被指数的冬小麦产量估测[J]. 农业工程学报， 2013， 29(11):124-131.

CHEN P F， YANG F， DU J. Yield forecasting for winter wheat using time series NDVI from HJ satellite[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2013， 29(11): 124-131. (in Chinese with English abstract)

[19] 黄敬峰， 王人潮， 蒋亨显， 等. 基于GIS的浙江省水稻遥感估产最佳时相选择[J]. 应用生态学报， 2002， 13(3):290-294.

HUANG J F， WANG R C， JIANG H X， et al. Selection of optimum periods for rice estimation using remote sensing data based on GIS[J].ChineseJournalofAppliedEcology， 2002， 13(3): 290-294. (in Chinese with English abstract)

[20] 金伟， 葛宏立， 杜华强， 等. 无人机遥感发展与应用概况[J]. 遥感信息， 2009(1):88-92.

JIN W， GE H L， DU H Q， et al. A review on unmanned aerial vehicle remote sensing and its application[J].RemoteSensingInformation， 2009(1): 88-92. (in Chinese with English abstract)

[21] 吴文斌， 杨鹏， 唐华俊，等. 基于NDVI数据的华北地区耕地物候空间格局[J]. 中国农业科学， 2009， 42(2):552-560.

WU W B， YANG P， TANG H J， et al. Monitoring spatial patterns of cropland phenology in North China based on NOAA NDVI Data[J].ScientiaAgriculturaSinica， 2009， 42(2): 552-560. (in Chinese with English abstract)

[22] 白文龙， 张福平. 基于SPOT VGT/NDVI的陕西省关中地区冬小麦遥感估产[J]. 资源开发与市场， 2012， 28(6):483-485.

BAI W L， ZHANG F P. Estimation of winter wheat yield in Guanzhong area of Shaanxi Province using SPOT VGT/NDVI[J].ResourceDevelopment&Market， 2012， 28(6): 483-485. (in Chinese with English abstract)

(责任编辑 高 峻)

Study on northernjaponicarice yield model based on canopy date of NDVI

XU Tong-yu1，2， HONG Xue2， CHEN Chun-ling1，2，*， ZHOU Yun-cheng1，2， CAO Ying-li1，2， YU Feng-hua2， LI Na2

(1.AgriculturalInformationEngineeringTechnologyCenterinLiaoningProvince，ShenyangAgriculturalUniversity，Shenyang110161，China; 2.CollegeofInformationandElectricalEngineering，ShenyangAgriculturalUniversity，Shenyang110161，China)

In the present study， experimental field in Shenyang Agricultural University was selected as study region， and unmanned aerial vehicle (UAV) remote sensing technology and manual analysis was combined to collect canopy NDVI data of the whole growth ofjaponicarice in the summer of 2015. Firstly， dual distance variable correlation analysis was applied to reveal the relationships between NDVI data of single day， ten day or each month and yield. Then， the yield and NDVI data which showed good correlations were adopted to build models via linear regression and Square or Cubic curve， and validation test of the constructed regression model and precision comparison were carried out. It was shown that it was better to build model with Square or Cubic curve than linear regress when only one variable was used. The model consisted of data collected in June 11thto 20thand August 1stto 10thwas ideal to predict the yield， of which the determination coefficient (R2)， relative error(RE)， and root mean square error (RMSE) were 0.771， 4.06% and 0.474 t·hm-2， respectively. It was of high precision and feasibility. Thus， it was suggested that the most suitable time forjaponicarice yield prediction in Northern China was June 11thto 20thand August 1stto 10th.

japonicarice; NDVI; correlation; regression analysis

http://www.zjnyxb.cn

10.3969/j.issn.1004-1524.2016.10.22

2016-03-16

国家重点研发项目(2016YFD0200600)

许童羽(1967—)，男，辽宁义县人，博士，教授，主要从事农业航空技术研究。E-mail: yatongmu@163.com

*通信作者，陈春玲，E-mail: snccl@163.com

S127

A

1004-1524(2016)10-1790-06

浙江农业学报ActaAgriculturaeZhejiangensis， 2016，28(10): 1790-1795

许童羽，洪雪，陈春玲，等. 基于冠层NDVI数据的北方粳稻产量模型研究[J]. 浙江农业学报，2016，28(10)： 1790-1795.