基于多時相無人機(jī)遙感植被指數(shù)的夏玉米產(chǎn)量估算

韓文霆 彭星碩 張立元,3 牛亞曉

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100；2.西北農(nóng)林科技大學(xué)水土保持研究所， 陜西楊凌 712100；3.科羅拉多州立大學(xué)土木與環(huán)境工程系， 柯林斯堡 CO 80523)

0 引言

玉米是我國第一大糧食作物，種植面積最大可達(dá)3.811 93×107hm2，年產(chǎn)量2.25×108t，分別占糧食作物總面積和糧食總產(chǎn)量的33.6%和36.1%[1]。及時、準(zhǔn)確預(yù)測玉米產(chǎn)量對農(nóng)業(yè)經(jīng)營管理、糧食政策制定、農(nóng)業(yè)保險、農(nóng)業(yè)用水效率評價具有重要意義，是發(fā)展精準(zhǔn)農(nóng)業(yè)的迫切需求[2-3]。

玉米產(chǎn)量的傳統(tǒng)估算方法多采用地面采樣估算，該方法費(fèi)時、費(fèi)力、具有破壞性，難以擴(kuò)展到大尺度[4]。遙感技術(shù)在作物估產(chǎn)方面具有快速、無損、尺度大的優(yōu)勢，已成為精準(zhǔn)農(nóng)業(yè)的研究熱點(diǎn)[5-6]。在作物遙感估產(chǎn)中，基于衛(wèi)星遙感的作物產(chǎn)量估算具有傳感器種類多、監(jiān)測區(qū)域面積廣等優(yōu)勢。文獻(xiàn)[7]以美國玉米為研究對象，以各州為估產(chǎn)區(qū)，通過歸一化植被指數(shù)(Normalized difference vegetation index，NDVI)與玉米單產(chǎn)間的最佳估產(chǎn)模型對2011年各州玉米單產(chǎn)進(jìn)行了估算，并推算出全國玉米單產(chǎn)，結(jié)果表明，全國玉米單產(chǎn)的相對誤差僅為2.12%；文獻(xiàn)[8]利用重采樣粒子濾波算法同化條件植被溫度指數(shù)(Vegetation temperature condition index，VTCI)和葉面積指數(shù)(Leaf area index ,LAI)，并基于組合熵的方法構(gòu)建加權(quán)VTCI 和LAI 與冬小麥單產(chǎn)的線性回歸模型，同化VTCI和LAI的單產(chǎn)估測結(jié)果(R2=0.531)優(yōu)于單獨(dú)同化VTCI(R2=0.475)或LAI(R2=0.428)的估測結(jié)果。但是，對田塊尺度的作物生長監(jiān)測，在作物關(guān)鍵生育時期，要求遙感影像的采集頻率為1～3 d/次[9]。衛(wèi)星遙感存在時空分辨率低、易受氣象條件限制等問題[10-11]，難以進(jìn)行田塊尺度的作物生長監(jiān)測和產(chǎn)量估算。

無人機(jī)遙感技術(shù)具有時空分辨率高、成本小等優(yōu)勢[12]，提供了一種快速、準(zhǔn)確獲取田塊尺度遙感影像的方法，可以對田塊尺度的作物產(chǎn)量進(jìn)行有效估算[13]。文獻(xiàn)[14]建立了小麥單生育期植被指數(shù)和產(chǎn)量的線性模型，篩選小麥估產(chǎn)的最佳植被指數(shù)和最佳生育期，決定系數(shù)R2最高達(dá)到0.7。文獻(xiàn)[15]結(jié)合產(chǎn)量與植被指數(shù)，建立了指數(shù)模型和Richards非線性回歸模型，偏差信息準(zhǔn)則(Deviance information criterion,DIC)最低為62.87。此外，還可將遙感數(shù)據(jù)與作物生長模型相結(jié)合[16]，或者結(jié)合多源的輔助信息，如作物氮含量、作物水分含量、輻射利用效率、作物高度、葉面積指數(shù)[17]、雷達(dá)數(shù)據(jù)、高重疊率可見光圖像、傾斜成像構(gòu)造的3D 點(diǎn)云等[18-20]。除結(jié)合輔助信息外，還可以綜合作物不同時域的遙感影像。文獻(xiàn)[21]建立了基于多時期水稻遙感數(shù)據(jù)的多元線性回歸模型，其精度高于單一時期模型，決定系數(shù)R2最高達(dá)0.75。無人機(jī)遙感估產(chǎn)模型中加入輔助信息，融合多源和多時相的遙感數(shù)據(jù)，不僅提高了統(tǒng)計經(jīng)驗(yàn)?zāi)Ｐ偷目煽啃耘c可拓展性[22-23]，也提升了作物長勢診斷和估產(chǎn)的精度[24-25]。目前，尚未見針對玉米估產(chǎn)的最優(yōu)植被指數(shù)和無人機(jī)遙感最佳監(jiān)測時期方面的研究。

本文以內(nèi)蒙古自治區(qū)規(guī)?；N植的夏玉米為研究對象，建立各生育期的6種典型植被指數(shù)和夏玉米產(chǎn)量的經(jīng)驗(yàn)統(tǒng)計回歸模型，確定適用于夏玉米估產(chǎn)的最優(yōu)無人機(jī)遙感監(jiān)測時期和最適植被指數(shù)。運(yùn)用閾值濾波法，剔除影響遙感估產(chǎn)精度的土壤像元，評價土壤噪聲對夏玉米無人機(jī)遙感估產(chǎn)的精度影響，以期探索簡便、快速、靈活、準(zhǔn)確的夏玉米遙感估產(chǎn)方法，建立適合研究區(qū)域以及周邊地區(qū)的夏玉米遙感估產(chǎn)模型，為規(guī)?；r(nóng)業(yè)經(jīng)營管理提供決策輔助信息。

1 材料與方法

1.1 實(shí)驗(yàn)地概況

實(shí)驗(yàn)區(qū)域位于內(nèi)蒙古自治區(qū)鄂爾多斯市達(dá)拉特旗昭君鎮(zhèn)(40°26′0.29″N，109°36′25.99″E，海拔1 010 m)。屬于溫帶大陸性氣候，種植作物為夏玉米，屬于春播中晚熟型，一年一熟。播種時間為2018 年5 月中旬，收獲時間為9月。行距58 cm，株距23～30 cm，采用中心軸式噴灌機(jī)進(jìn)行灌溉，實(shí)驗(yàn)小區(qū)布置如圖1所示。實(shí)驗(yàn)地劃分為5個扇形區(qū)域，每個扇形區(qū)域劃分有3個樣方(長×寬為6 m×6 m)[26]。

圖1 無人機(jī)作業(yè)田塊及采樣監(jiān)測點(diǎn)分布Fig.1 Distribution of UAV field and sampling points

1.2 實(shí)驗(yàn)設(shè)計及地面數(shù)據(jù)采集

本研究對5個扇形區(qū)域采用不同的灌溉條件，以田間持水率的不同百分比在營養(yǎng)生長期(Vegetative stages，V期)和生殖生長期(Reproductive stages，R期)進(jìn)行不同梯度的水分處理，作物長勢和產(chǎn)量存在較大的空間差異性，具有良好梯度差異。收獲時，按圖1a中標(biāo)記的位置進(jìn)行采樣測產(chǎn)，采樣面積為3 m2，將收獲的玉米籽粒干燥8 h，得到玉米的干質(zhì)量，測算玉米單產(chǎn)。灌溉和降雨量以及產(chǎn)量如表1所示。

表1 實(shí)驗(yàn)區(qū)降水和灌溉量Tab.1 Precipitation and irrigation in experimental area

1.3 無人機(jī)多光譜系統(tǒng)及遙感圖像采集

多光譜圖像采集采用六旋翼無人機(jī)搭載Red Edge五波段多光譜相機(jī)，如圖2所示，具體波段如表2所示，相機(jī)焦距為5.5 mm，視場角為47.2°，圖像分辨率為1 280像素×960像素。相機(jī)配備了光強(qiáng)傳感器和2個3 m×3 m的灰板。光強(qiáng)傳感器用于校正無人機(jī)航拍過程中外界光線變化對光譜影像造成的影響，灰板具有固定的反射率，可對航拍影像進(jìn)行反射率的校正，從而生成反射率影像，進(jìn)行植被指數(shù)的提取。

圖2 無人機(jī)及相機(jī)Fig.2 UAV and camera

表2 波段中心波長和帶寬
Tab.2 Wavelength and bandwidth

nm

實(shí)驗(yàn)時晴朗無云，平均氣溫28.6℃，相對濕度61.96%，平均風(fēng)速1.12 m/s，微風(fēng)。實(shí)驗(yàn)時間在11：30—14：30。多光譜無人機(jī)飛行高度為70 m，飛行方向?yàn)槟媳狈较颍较?、旁向重疊度分別為80%和70%。將每次實(shí)驗(yàn)按照固定航線拍攝的多幅圖像，以日期為索引導(dǎo)入到瑞士Pix4D 公司的Pix4D mapper軟件中，以實(shí)時動態(tài)測量(Real time kinematic，RTK)的方法獲取地面相控點(diǎn)，導(dǎo)入小圖對應(yīng)的POS 數(shù)據(jù)，在軟件中進(jìn)行初始化處理，幾何校正，構(gòu)建三維模型，提取紋理以及構(gòu)造地物特征，最終生成高清正射多光譜影像。

數(shù)據(jù)于2018年5月29日開始采集，2018年9月7日結(jié)束，共16次實(shí)驗(yàn)，期間覆蓋夏玉米的V3(出苗期)、V6(拔節(jié)期)、VT(抽雄期)、R1(吐絲期)、R2(籽粒建成期)、R3(乳熟期)、R5(蠟熟期)6個關(guān)鍵生育期。由于拼接預(yù)處理后的原始圖像包含除研究區(qū)域以外很大的區(qū)域，為了更加突顯遙感影像的作物特征，需在ENVI 軟件中裁剪處理。根據(jù)可見光影像中的樣方對應(yīng)裁剪出多光譜影像的15塊實(shí)測區(qū)域，每一塊實(shí)測區(qū)域?qū)?yīng)實(shí)驗(yàn)樣地的每一小樣方，裁剪后取每一小樣方的植被指數(shù)均值。

1.4 夏玉米估產(chǎn)方法

研究方法如圖3所示，遙感影像拼接校正后，進(jìn)行波段運(yùn)算得到多種植被指數(shù)，再篩選最優(yōu)植被指數(shù)；基于夏玉米的生長規(guī)律將夏玉米分為不同生育期，比較單生育期和多生育期的模型精度，篩選最佳監(jiān)測生育期；最終采用閾值濾波法剔除土壤像元的干擾，得到無人機(jī)夏玉米最優(yōu)遙感估產(chǎn)模型。

圖3 研究方法流程圖Fig.3 Flow chart of research method

1.4.1植被指數(shù)

結(jié)合無人機(jī)遙感平臺所搭載的傳感器，本文選取了6種常用的無人機(jī)遙感植被指數(shù)和作物的產(chǎn)量構(gòu)建估產(chǎn)模型，即無藍(lán)色波段增強(qiáng)型植被指數(shù)(EVI2)[27]、次生修正土壤調(diào)整植被指數(shù)(MSAVI2)[28]、優(yōu)化土壤調(diào)節(jié)植被指數(shù)[29]、歸一化植被指數(shù)[30]、土壤調(diào)整植被指數(shù)[31]、綠度歸一化植被指數(shù)[32]。

1.4.2單生育期的玉米估產(chǎn)模型

為了能夠迅速、準(zhǔn)確地對玉米產(chǎn)量進(jìn)行估測，本研究采用線性模型和最小二乘法構(gòu)建玉米在不同生育期內(nèi)的植被指數(shù)和作物產(chǎn)量之間的經(jīng)驗(yàn)?zāi)Ｐ?，公式?/p>

Y=aVt+b

(1)

式中Y——產(chǎn)量V——植被指數(shù)

t——植被指數(shù)標(biāo)號

a、b——待定系數(shù)

1.4.3多生育期的玉米估產(chǎn)模型

作物產(chǎn)量是一個有機(jī)物不斷積累的結(jié)果，為了能夠更好地體現(xiàn)相關(guān)機(jī)理，減少偶然誤差，本文將玉米植被指數(shù)和玉米生育期進(jìn)行牛頓-梯形積分，然后基于其積分值和作物產(chǎn)量構(gòu)建模型

Y=cTg+d

(2)

其中

(3)

式中i——采集次序n——采集總次數(shù)

g——植被指數(shù)類型

ti——采集植被指數(shù)時距播種時間，d

Vi——ti時植被指數(shù)

Tg——植被指數(shù)基于全生育期的梯形積分

c、d——待定系數(shù)

1.4.4土壤像元背景干擾剔除

無人機(jī)遙感影像的精度較高，土壤像元在研究區(qū)域的比重較大。為了提取植被像元即分離土壤像元與植被像元，本研究采用最大類間方差法OTSU(Maximization of interclass variance)對拔節(jié)期的NDVI植被指數(shù)影像進(jìn)行閾值分割。OTSU算法是通過統(tǒng)計整個圖像的直方圖特性來實(shí)現(xiàn)全局閾值的自動選取，計算得到分割閾值為0.4[33-34]。根據(jù)閾值通過掩膜處理得到對應(yīng)的掩膜，并將掩膜應(yīng)用于遙感背景中的土壤像元剔除，技術(shù)流程如圖4所示。

圖4 閾值濾波技術(shù)流程圖Fig.4 Threshold filtering process

1.5 精度評價

選取15個采樣點(diǎn)的數(shù)據(jù)對模型精度進(jìn)行驗(yàn)證，采用兩個指標(biāo)對估產(chǎn)模型的精度進(jìn)行評價，即決定系數(shù)R2和均方根誤差RMSE。較高的決定系數(shù)代表較好的擬合程度，但不能完全體現(xiàn)精度；均方根誤差用來衡量觀測值同真值之間的偏差，越小的均方根誤差代表越高的精度。

2 結(jié)果分析

2.1 基于夏玉米不同生育期和多生育期的估產(chǎn)模型評價

選取了玉米4個生育期(拔節(jié)期、抽雄期、吐絲期和蠟熟期)的植被指數(shù)進(jìn)行單生育期作物產(chǎn)量建模，選取了多生育期的植被指數(shù)梯形積分進(jìn)行多生育期作物產(chǎn)量建模。

圖5為4個單生育期和多生育期的決定系數(shù)R2和均方根誤差RMSE評價結(jié)果。圖中S1為拔節(jié)期，S2為抽雄期，S3為吐絲期，S4為蠟熟期，S5為多生育期。從圖5a可以看出，拔節(jié)期的R2都在0.63以上，最高達(dá)到0.72。單生育期的估產(chǎn)模型精度由高到低依次為抽雄期、吐絲期、蠟熟期、拔節(jié)期。多生育期的模型R2普遍高于單生育期的估產(chǎn)模型，最高能夠達(dá)到0.80。圖6為基于無人機(jī)遙感植被指數(shù)的夏玉米4個單生育期和多生育期的估算產(chǎn)量與實(shí)測產(chǎn)量的比較。圖6顯示無論是單生育期還是多生育期的估算產(chǎn)量，大部分都集中在6 000～8 000 kg/hm2，當(dāng)實(shí)測產(chǎn)量低于7 200 kg/hm2時，模型均會出現(xiàn)高估的現(xiàn)象。當(dāng)實(shí)測產(chǎn)量高于7 200 kg/hm2時，模型均會出現(xiàn)低估現(xiàn)象。綜上所述，在4個單生育期內(nèi)，抽雄期的植被指數(shù)作物估產(chǎn)模型決定系數(shù)最高，誤差最??；多生育期的植被指數(shù)估產(chǎn)模型精度高于單生育期的模型。

圖5 基于無人機(jī)遙感的4個單生育期和多生育期的植被指數(shù)估產(chǎn)模型評價Fig.5 Evaluation of yield estimation models based on vegetation index derived from UAV measurements for four single and whole growth periods

2.2 基于夏玉米不同植被指數(shù)的估產(chǎn)模型評價

圖6 基于無人機(jī)遙感4個單生育期和多生育期的植被指數(shù)估算產(chǎn)量和實(shí)測產(chǎn)量比較Fig.6 Comparisons of maize yields as actually measured and estimated by models based on vegetation indices of four single and full growing periods from UAV remote sensing

圖5和圖6顯示,基于不同植被指數(shù)的玉米估產(chǎn)模型精度不同。在拔節(jié)期，各植被指數(shù)的R2在0.1～0.25之間，精度較差，不具備任何實(shí)用意義；在抽雄期只有植被指數(shù)GNDVI和EVI2的R2高于0.7，其余植被指數(shù)的R2均高于0.63；吐絲期各個植被指數(shù)的模型精度僅次于抽雄期，模型精度由高到低依次為GNDVI、EVI2、MSAVI2、NDVI、OSAVI、SAVI；蠟熟期植被指數(shù)的模型精度較低，R2均在0.42以下?；诙嗌谀Ｐ途茸罡叩闹脖恢笖?shù)為EVI2和GNDVI，R2大于0.78，其他植被指數(shù)的R2也均高于0.63。綜上所述，單生育期精度最高的植被指數(shù)為GNDVI，R2為0.72，RMSE為487.20 kg/hm2；多生育期精度最高的植被指數(shù)為EVI2，R2為0.80，RMSE為413.29 kg/hm2，估產(chǎn)模型公式為

Y=14 054TGNDVI+4 632

(4)

Y=136TEVI2+2 527

(5)

2.3 過濾土壤像元后的估產(chǎn)模型評價

為了更好地提高夏玉米的無人機(jī)遙感估產(chǎn)模型，選取了4個單生育期和多生育期的遙感數(shù)據(jù)，進(jìn)行閾值濾波法過濾土壤像元處理。表3、4顯示，經(jīng)過土壤像元濾波處理之后，拔節(jié)期和多生育期的R2提升效果顯著，其中MSAVI2由0.17提升到了0.31；多生育期的模型精度最好，其中 GNDVI的R2最高為0.89，有3個植被指數(shù)的估產(chǎn)模型高于0.87，依次為GNDVI、MASVI2、EVI2；其他的單生育期的R2沒有明顯的差別。RMSE的變化和R2的變化類似，拔節(jié)期和多生育期的RMSE明顯下降，其他單生育期的RMSE變化不明顯。綜上所述，經(jīng)過閾值濾波法過濾土壤像元之后的估產(chǎn)模型，在拔節(jié)期和多生育期的精度提升最高，尤其是多生育期，精度最高的植被指數(shù)為GNDVI，決定系數(shù)R2為0.89，RMSE為299.35 kg/hm2，估產(chǎn)模型為

Y=192.5TGNDVI+5 127

(6)

基于該估產(chǎn)模型的產(chǎn)量示意圖如圖7所示。

3 討論

3.1 不同生育期對夏玉米估產(chǎn)模型的影響

作物對不同光譜的反射率隨著作物生育期的不同而變化，通過波段計算得到的植被指數(shù)可以很好地反映不同生育期內(nèi)作物的特征，這就為通過植被指數(shù)進(jìn)行作物估產(chǎn)奠定了理論基礎(chǔ)。但是由于各個生育期內(nèi)作物的生長狀態(tài)不一樣，基于各個生育期構(gòu)建的估產(chǎn)模型的精度也就存在顯著差異。玉米在拔節(jié)期主要為營養(yǎng)生長，該時期的生長特征并不能完全反映后期產(chǎn)量器官的有機(jī)物質(zhì)積累，因此該生育期的模型精度較低。抽雄期是夏玉米由營養(yǎng)生長轉(zhuǎn)為生殖生長的關(guān)鍵時期，玉米從抽雄前10 d到抽雄后25～30 d是玉米干物質(zhì)積累最快、吸肥最多的階段，從抽雄期到吐絲期期間，玉米的生長特征直接反映作物產(chǎn)量器官的干物質(zhì)積累，在這兩個生育期之間的夏玉米單生育期的估產(chǎn)模型精度最高。在夏玉米成熟期，玉米的營養(yǎng)物質(zhì)向籽粒轉(zhuǎn)移，葉片中的葉綠素含量下降，基于不同波段的植被指數(shù)和作物產(chǎn)量的相關(guān)性下降，所以在玉米的成熟后期估產(chǎn)模型精度下降。

表3 不同生育期和全生育期土壤像元過濾前后R2(n=15)對比Tab.3 Comparison of R2 (n=15) before and after soil pixel filtration in different growth stages and whole growth stages

表4 不同生育期和全生育期土壤像元過濾前后RMSE(n=15)對比Tab.4 Comparison of RMSE (n=15) before and after soil pixel filtration in different growth stages and whole growth stages kg/hm2

圖7 產(chǎn)量示意圖Fig.7 Output diagram

此外，本研究也針對多種植被指數(shù)構(gòu)建了多元線性回歸模型，但模型的誤差很大，這可能是由于模型的過擬合以及參數(shù)的多元共性造成的。如果采用人工神經(jīng)網(wǎng)絡(luò)以及深度學(xué)習(xí)等算法，由于樣本數(shù)過少，導(dǎo)致過擬合現(xiàn)象嚴(yán)重。同時，圖6表明產(chǎn)量大部分都集中在6 000 kg/hm2到8 000 kg/hm2之間，當(dāng)實(shí)測產(chǎn)量低于7 200 kg/hm2時，模型均會出現(xiàn)高估的現(xiàn)象。當(dāng)實(shí)測產(chǎn)量高于7 200 kg/hm2時，模型均會出現(xiàn)低估現(xiàn)象。綜上所述，本研究為了突出無人機(jī)快速、便捷的特點(diǎn)，折中選用了線性模型進(jìn)行建模，在今后的研究中可以根據(jù)植被指數(shù)、紋理特征等參數(shù)結(jié)合實(shí)測產(chǎn)量構(gòu)建非線性模型。

3.2 多生育期夏玉米估產(chǎn)模型精度

文獻(xiàn)[35]指出，在對作物產(chǎn)量進(jìn)行遙感估測時，遙感數(shù)據(jù)如果不是來自于決定作物產(chǎn)量的生育期，最終的估產(chǎn)模型是不準(zhǔn)確的。作物產(chǎn)量是一個干物質(zhì)累積的結(jié)果，單生育期的作物長勢并不能很好地代表作物的產(chǎn)量。因此，本文考慮到作物的營養(yǎng)生長和生殖生長的過程，利用無人機(jī)遙感監(jiān)測作物全生育期長勢，基于夏玉米的生長期，對夏玉米的植被指數(shù)進(jìn)行積分處理。為了凸顯模型的實(shí)用性和無人機(jī)方便、快捷的特點(diǎn)，采用了牛頓-梯形積分和線性模型。通過對比發(fā)現(xiàn)，基于多生育期的作物估產(chǎn)模型精度高于任何一個單生育期的估產(chǎn)模型，基于多生育期的夏玉米估產(chǎn)模型不僅提高了模型的實(shí)用性，還提升了模型的機(jī)理性。在今后的工作中，可以將作物的營養(yǎng)生長和生殖生長分別處理，結(jié)合作物生長機(jī)理，構(gòu)建精度更高、機(jī)理性更強(qiáng)的估產(chǎn)模型。

3.3 不同植被指數(shù)的夏玉米估產(chǎn)模型精度

基于植被指數(shù)對作物的相關(guān)特征進(jìn)行反演，是一種常用的作物監(jiān)測手段。植被指數(shù)多采用差值和比值的形式，可以抵消大部分單一波段的誤差，獲得更佳的植被信息。其中NDVI使用最廣，植物葉片組織對藍(lán)光和紅光輻射有強(qiáng)烈的吸收，但是對于近紅波段具有強(qiáng)烈的反射作用，NDVI采用非線性拉伸的方式增強(qiáng)了近紅波段和紅光波段反射率的對比度。在植被覆蓋度比較低時能夠準(zhǔn)確指示作物的長勢和生物量，但是當(dāng)監(jiān)測地區(qū)的植被量為高飽和狀態(tài)時，NDVI的指示能力會下降。

農(nóng)田尺度的夏玉米為植被覆蓋度較高的區(qū)域。文獻(xiàn)[32]指出，當(dāng)NDVI對植被組成和光合太陽輻射的吸收率很敏感時，應(yīng)添加一個綠色植被指數(shù)，以感知葉綠素的濃度，測量光合作用的速率以及監(jiān)測植物的脅迫。文獻(xiàn)[36]研究發(fā)現(xiàn)，GNDVI的估產(chǎn)效果要好于NDVI、TSAVI，尤其是抽雄期到灌漿期時GNDVI的估產(chǎn)效果最佳。文獻(xiàn)[37]研究表明，在非干旱地區(qū)，EVI2 的估產(chǎn)效果優(yōu)于NDVI，且對于產(chǎn)量差異幅度較大區(qū)域的反演效果更佳。SAVI通過添加土壤調(diào)整系數(shù)，減弱了土壤背景對NDVI的影響，OSAVI和MSAVI2是對SAVI的進(jìn)一步優(yōu)化，其中MSAVI廣泛應(yīng)用在作物的生長和產(chǎn)量的估測。文獻(xiàn)[38]研究指出，MSAVI2能夠更好地消除土壤背景對冠層的反射率影響。以上的研究成果多基于衛(wèi)星遙感數(shù)據(jù)，本研究也發(fā)現(xiàn)GNDVI、EVI2、MSAVI2在玉米生育期的模型精度較高，決定系數(shù)R2在0.87～0.89之間，均方根誤差在300～330 kg/hm2之間。針對不同的作物和不同的地區(qū)，還需進(jìn)一步對相關(guān)的植被指數(shù)和遙感參數(shù)進(jìn)行評選和優(yōu)化。

3.4 土壤像元對夏玉米估產(chǎn)模型的精度影響

通過閾值濾波的方式可以有效地減少土壤像元噪聲對估產(chǎn)模型精度的影響。表3和表4顯示土壤像元噪聲對夏玉米拔節(jié)期和全生育期的估產(chǎn)精度影響顯著，對于抽雄期、吐絲期和蠟熟期的影響較小，這是由于玉米在抽雄灌漿之后葉面積達(dá)到峰值，冠層的郁閉度很高，土壤像元噪聲很少。在今后的工作中，可以發(fā)揮無人機(jī)的高重疊率的特點(diǎn)，構(gòu)建作物冠層的三維立體曲面，從而將玉米的冠層結(jié)構(gòu)信息結(jié)合到玉米作物的估產(chǎn)模型中去。

4 結(jié)束語

通過實(shí)驗(yàn)和數(shù)據(jù)分析，利用無人機(jī)多光譜系統(tǒng)建立了夏玉米估產(chǎn)模型，并分析了土壤像元對不同生育期估產(chǎn)精度的影響，同時針對玉米單生育期和多生育期分別建立估產(chǎn)模型，并分析其精度。研究發(fā)現(xiàn)：不同生育期的玉米估產(chǎn)模型精度存在顯著差異。單生育期中，精度由高到低依次為：抽雄期、吐絲期、蠟熟期、拔節(jié)期。多生育期的估產(chǎn)模型精度高于單生育期的估產(chǎn)模型精度。對遙感數(shù)據(jù)進(jìn)行土壤像元濾波處理之后，拔節(jié)期和多生育期的模型精度得到了顯著提升，而抽雄期、吐絲期和蠟熟期的模型精度并沒有顯著變化?；谕寥老裨獮V波之后的多生育期，運(yùn)用植被指數(shù)GNDVI時，估產(chǎn)模型的結(jié)果最優(yōu)，決定系數(shù)R2能夠達(dá)到0.89。故采用無人機(jī)遙感植被指數(shù)進(jìn)行作物估產(chǎn)，可以迅速、有效地對作物的長勢和產(chǎn)量進(jìn)行估測，為規(guī)模化農(nóng)業(yè)經(jīng)營提供了便捷，同時也為評價用水效率提供了一種估算指標(biāo)。