基于冠層NDVI數(shù)據(jù)的北方粳稻產(chǎn)量模型研究

許童羽，洪 雪，陳春玲，*，周云成，曹英麗，于豐華，李 娜

(1.沈陽農(nóng)業(yè)大學(xué) 遼寧省農(nóng)業(yè)信息化工程技術(shù)中心，遼寧 沈陽 110161； 2.沈陽農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，遼寧 沈陽 110161)

?

基于冠層NDVI數(shù)據(jù)的北方粳稻產(chǎn)量模型研究

許童羽1，2，洪 雪2，陳春玲1，2，*，周云成1，2，曹英麗1，2，于豐華2，李 娜2

(1.沈陽農(nóng)業(yè)大學(xué) 遼寧省農(nóng)業(yè)信息化工程技術(shù)中心，遼寧 沈陽 110161； 2.沈陽農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院，遼寧 沈陽 110161)

以沈陽農(nóng)業(yè)大學(xué)試驗(yàn)田為研究區(qū)域，將無人機(jī)遙感技術(shù)與人工結(jié)合，采集2015年夏季粳稻生長全過程的冠層NDVI數(shù)據(jù)。首先，利用二元定距變量相關(guān)分析的方法對(duì)單天和各旬、各月冠層NDVI與產(chǎn)量進(jìn)行相關(guān)性分析；然后，利用線性回歸和Square(或Cubic)曲線分別對(duì)相關(guān)性較好的單天和各旬與產(chǎn)量建模，并對(duì)回歸模型進(jìn)行檢驗(yàn)，驗(yàn)證模型精度，同時(shí)將效果較好的幾個(gè)模型進(jìn)行對(duì)比分析。結(jié)果表明，單獨(dú)用一個(gè)變量建模，Square(或Cubic)曲線模型優(yōu)于一次線性回歸模型，6月中旬和8月上旬的組合模型是估產(chǎn)最理想的模型，其判定系數(shù)(R2)為0.771，相對(duì)誤差(RE)為4.06%，均方根誤差(RMSE)為0.474 t·hm-2，精度較高，具有可行性，據(jù)此確定北方粳稻最佳估產(chǎn)時(shí)間是6月中旬的分蘗盛期和8月上旬的抽穗期。

粳稻；NDVI；相關(guān)性；回歸分析

水稻產(chǎn)量是各級(jí)政府進(jìn)行決策、生產(chǎn)部門指導(dǎo)農(nóng)業(yè)生產(chǎn)、流通領(lǐng)域安排糧食收購和銷售、交通部門安排運(yùn)輸計(jì)劃的重要經(jīng)濟(jì)信息，因此，及時(shí)準(zhǔn)確地預(yù)報(bào)水稻產(chǎn)量具有重要的實(shí)用價(jià)值[1]。粳稻是北方主要糧食作物，培育高產(chǎn)水稻品種是提高水稻單產(chǎn)、增加總產(chǎn)、提高稻作效益的主要措施[2]，其中，估產(chǎn)是育種好壞的一個(gè)重要指標(biāo)。水稻產(chǎn)量預(yù)報(bào)包括估算水稻實(shí)際種植面積、監(jiān)測(cè)長勢(shì)與預(yù)報(bào)產(chǎn)量。傳統(tǒng)水稻估產(chǎn)采用人工區(qū)域調(diào)查方法，速度慢、工作量大、成本高，很難及時(shí)、大范圍獲取水稻的長勢(shì)與產(chǎn)量信息；水稻遙感估產(chǎn)具有宏觀、快速、準(zhǔn)確和成本低等優(yōu)點(diǎn)[3]，潛力很大。近年來，無人機(jī)遙感技術(shù)因具有機(jī)動(dòng)靈活、高效快速、精細(xì)準(zhǔn)確和作業(yè)成本低、按需獲取數(shù)據(jù)且空間分辨率高的優(yōu)勢(shì)，發(fā)展迅速，已經(jīng)成為農(nóng)情監(jiān)測(cè)的重要手段[4-5]。將其用于水稻估產(chǎn)，有望降低勞動(dòng)力和科研成本，提高農(nóng)業(yè)育種信息安全，提高估產(chǎn)精度和育種準(zhǔn)確度。

歸一化植被指數(shù)(normalized difference vegetation index，NDVI)是目前應(yīng)用最廣泛的植被指數(shù)，它是利用綠色植物對(duì)紅光波段和近紅外波段的吸收率和反射率的光譜特性計(jì)算得到的植被指數(shù)，可體現(xiàn)作物的生物量、產(chǎn)量以及健康狀況等[6-10]。利用不同的遙感數(shù)據(jù)獲得的歸一化植被指數(shù)進(jìn)行作物產(chǎn)量的早期預(yù)測(cè)，結(jié)果表明該方法具有較高的可靠性[11-15]。李飛等[16]分析了冬小麥關(guān)鍵生育期的長勢(shì)并進(jìn)行估產(chǎn)，相對(duì)誤差在-3.93%～4.72%；高中靈等[17]提出了一種融合分區(qū)概念和時(shí)間序列NDVI相似性分析的棉花估產(chǎn)方法；陳鵬飛等[18]運(yùn)用冬小麥生長時(shí)期NDVI變化速率建立與產(chǎn)量的回歸模型，誤差較小。前述研究顯示，單產(chǎn)模型應(yīng)該結(jié)合最佳時(shí)相來建立。黃敬峰等[19]利用GIS技術(shù)結(jié)合水稻的農(nóng)學(xué)參數(shù)與光譜參數(shù)以及水稻產(chǎn)量與光譜參數(shù)的關(guān)系來確定水稻遙感估產(chǎn)的最佳時(shí)相。本研究以沈陽農(nóng)業(yè)大學(xué)的水稻田為研究對(duì)象，基于無人機(jī)遙感數(shù)據(jù)，嘗試構(gòu)建水稻冠層NDVI估產(chǎn)模型，以期為相關(guān)研究提供參考。

1 材料與方法

1.1 試驗(yàn)材料

選擇沈陽農(nóng)業(yè)大學(xué)的一塊水稻試驗(yàn)田為研究對(duì)象，總面積10 hm2(41°11′51″—43°2′13″N，122°25′9″—123°48′24″E)。該區(qū)域?qū)儆跍貛О霛駶櫞箨懶詺夂?，降水集中，四季分明，有利于水稻生長。供試品種為東北地區(qū)廣泛種植的粳稻沈稻47。沈稻47苗期健壯，分蘗力強(qiáng)，可達(dá)350～400穗·m-2，成株高105 cm左右，半直立穗型，株型緊湊，葉片直立，適宜鐵嶺、沈陽、遼陽、鞍山、營口、盤錦、錦州等市所轄縣區(qū)種植。

1.2 數(shù)據(jù)獲取與計(jì)算

多旋翼無人機(jī)飛行速度可控，飛行高度可調(diào)且可以低空飛行，同時(shí)多旋翼無人機(jī)不受起飛降落場(chǎng)地的限制，飛行載荷較大，可同時(shí)攜帶多種農(nóng)用傳感器，因而更適于大規(guī)模作物育種小區(qū)(2～5 m2)厘米級(jí)分辨率信息獲取[20]。故使用八旋翼無人機(jī)作為遙感平臺(tái)，搭載ADC多光譜照相機(jī)和GPS定位儀，飛行高度10 m，圖像地面分辨率1 cm，采用四邊飛行路線。所用冠層NDVI測(cè)量儀SpectroSense2+是英國Skye公司的一款被動(dòng)式的NDVI測(cè)量儀，測(cè)量高度距離粳稻冠層1.8 m，通過測(cè)量太陽輻射相應(yīng)波段的入射光強(qiáng)以及植被冠層的反射光強(qiáng)獲得數(shù)據(jù)。無人機(jī)拍攝地面樣本觀測(cè)點(diǎn)分布如圖1所示，根據(jù)測(cè)量的數(shù)值計(jì)算出相應(yīng)的歸一化植被指數(shù)。

NDVI=(NIR+R)/(NIR-R)。

(1)

式(1)中，NIR(660 nm)和R(740 nm)分別為近紅外光譜通道和紅光光譜通道反射率[21]。

圖1 無人機(jī)采集樣本點(diǎn)分布圖Fig.1 Distribution of UAV sample points

試驗(yàn)數(shù)據(jù)分別測(cè)于分蘗期(6月)、拔節(jié)期(7月)、抽穗期(8月)、成熟期(9月)，分13個(gè)長方形區(qū)域(每個(gè)區(qū)域6 m×2 m)，每個(gè)區(qū)域取其對(duì)角線交叉點(diǎn)作為一個(gè)樣本點(diǎn)。于每天12：00—14：00之間分別用SpectroSense2+測(cè)量儀和無人機(jī)測(cè)取相應(yīng)數(shù)據(jù)，地面樣本控制點(diǎn)對(duì)應(yīng)無人機(jī)GPS定位，提取數(shù)據(jù)，得到相應(yīng)樣本觀測(cè)點(diǎn)的粳稻冠層NDVI。在粳稻成熟時(shí)收割烘干脫粒，測(cè)定所取樣本產(chǎn)量。用無人機(jī)遙感數(shù)據(jù)進(jìn)行建模，儀器采集數(shù)據(jù)進(jìn)行驗(yàn)證。

1.3 研究方法

利用SPSS v19.0，對(duì)2015年6—9月的單天、各旬和各月NDVI數(shù)據(jù)與粳稻產(chǎn)量分別進(jìn)行相關(guān)性分析[22]，選出相關(guān)性最好的與產(chǎn)量建立回歸模型和多元回歸模型，利用逐步回歸方法挑選粳稻的關(guān)鍵生育期，從而確定最佳估產(chǎn)時(shí)間，最后對(duì)其進(jìn)行誤差分析，篩選出最佳估產(chǎn)模型。

1.4 模型的建立與檢驗(yàn)

采用線性回歸分析方法和Square曲線或Cubic曲線回歸分析方法分別對(duì)水稻冠層單天、各旬和各月NDVI數(shù)據(jù)與產(chǎn)量進(jìn)行回歸建模分析。

用判定系數(shù)(coefficient of determination，R2)對(duì)模型擬合度進(jìn)行檢驗(yàn)，R2越大說明模型精度越高；用相對(duì)誤差(relative error，RE)和均方根誤差(root mean squared error，RMSE)兩個(gè)指標(biāo)來驗(yàn)證模型的準(zhǔn)確性。

2 結(jié)果與分析

2.1 粳稻生長關(guān)鍵期冠層NDVI與理論產(chǎn)量的相關(guān)性分析

用二元定距變量相關(guān)分析方法分別對(duì)粳稻單天、各旬和各月NDVI數(shù)據(jù)與產(chǎn)量進(jìn)行相關(guān)性分析，粳稻單天NDVI與產(chǎn)量間皮爾森相關(guān)系數(shù)較高的時(shí)間段主要集中在6月上旬(r=0.672)、6月中旬(r=0.556)、8月上旬(r=0.776)(表1)，單日數(shù)據(jù)中以6月11日(r=0.817)和8月4日(r=0.780)的相關(guān)系數(shù)最高，說明在分蘗盛期和抽穗期對(duì)粳稻估產(chǎn)效果較好。

2.2 不同生育期粳稻NDVI與理論產(chǎn)量的估算模型

選擇6月和8月的旬?dāng)?shù)據(jù)以及6月11日、8月4日的單日數(shù)據(jù)建模。從表2可以看出，以單天NDVI數(shù)據(jù)進(jìn)行估產(chǎn)，Square(或Cubic)曲線模型比一次線性模型R2高?？紤]到單一時(shí)相數(shù)據(jù)產(chǎn)量模型具有偶然性，加之6月份粳稻還未進(jìn)入施肥期，因此該模型不具有代表性。以6月中上旬(分蘗期)與8月上旬(抽穗期)數(shù)據(jù)為基礎(chǔ)構(gòu)建的模型R2較高，但6月中上旬由于水體干擾等，誤差較大，因此，不宜單獨(dú)用作估產(chǎn)模型。將6月和8月各旬?dāng)?shù)據(jù)分別相結(jié)合，建立估產(chǎn)模型，R2分別為0645、0.677。綜上，雖然不能單依6月份數(shù)據(jù)建立準(zhǔn)確的產(chǎn)量預(yù)估模型，但可以確定粳稻估產(chǎn)的最佳時(shí)期是水稻分蘗期和抽穗期，而且基于Square(或Cubic)曲線構(gòu)建的模型相關(guān)性優(yōu)于一次線性模型。因此，可以嘗試在6月中旬和8月上旬利用無人機(jī)進(jìn)行遙感數(shù)據(jù)獲取用于估產(chǎn)，以縮短測(cè)試時(shí)間，降低科研成本，提高估產(chǎn)精度。

2.3 復(fù)合估產(chǎn)模型

利用以上數(shù)據(jù)，將各個(gè)時(shí)期分別組合，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，建立粳稻單產(chǎn)的復(fù)合模型，由R2、F值和顯著性(表3)可以看出，6月上中旬的估產(chǎn)效果不顯著，其他組合構(gòu)建的模型均達(dá)到顯著水平，其中，6月11日和8月4日的復(fù)合估產(chǎn)模型的相關(guān)系數(shù)(R2)達(dá)0.821，顯著性為0.000。從其他4組回歸模型中可以確定，粳稻最佳估產(chǎn)時(shí)間為6月(分蘗期)和8月(抽穗期)，且以抽穗期為主，因?yàn)槌樗肫谑撬緺I養(yǎng)吸收最完全的時(shí)期，是產(chǎn)量形成的最關(guān)鍵時(shí)期。

表1 北方粳稻生育期NDVI與理論產(chǎn)量相關(guān)性分析結(jié)果

Table 1 Correlation analysis between theoreticaljaponicarice yield and NDVI data

時(shí)期Date相關(guān)系數(shù)Coefficient時(shí)期Date相關(guān)系數(shù)Coefficient時(shí)期Date相關(guān)系數(shù)Coefficient時(shí)期Date相關(guān)系數(shù)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 冠層NDVI與水稻理論產(chǎn)量之間的回歸分析

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

時(shí)期Date回歸模型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分別代表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 冠層NDVI復(fù)合數(shù)據(jù)與水稻產(chǎn)量的線性回歸估產(chǎn)模型

Table 3 Multiple yield estimation regression models of canopy NDVI data

時(shí)期Date回歸模型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月回歸模型中x1、x2、x3、x4、x5、x6分別代表6月份和8月份各旬所對(duì)應(yīng)的NDVI。

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

利用儀器采集樣本數(shù)據(jù)對(duì)估產(chǎn)模型進(jìn)行檢驗(yàn)比較，并對(duì)線性回歸模型精度進(jìn)行檢驗(yàn)，結(jié)果見表4。利用6月和8月的NDVI數(shù)據(jù)得到的產(chǎn)量模型相對(duì)誤差為34.06%，預(yù)測(cè)標(biāo)準(zhǔn)誤差為3.324 t·hm-2，誤差較大。以6月11日和8月4日數(shù)據(jù)為基礎(chǔ)構(gòu)建的復(fù)合模型誤差最低，但是單天估產(chǎn)模型偶然性太大，考慮到這兩天分別處在6月中旬和8月上旬，故可在6月中旬和8月上旬連續(xù)幾天采集無人機(jī)遙感數(shù)據(jù)，既可以避免單天數(shù)據(jù)的偶然性，也可以避免整月采集數(shù)據(jù)的煩瑣和帶來的誤差。綜上，以6月中旬+8月上旬NDVI數(shù)據(jù)為基礎(chǔ)構(gòu)建估產(chǎn)模型較為理想。

表4 基于無人機(jī)遙感的北方粳稻估產(chǎn)模型驗(yàn)證

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

時(shí)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 結(jié)論與討論

遙感技術(shù)的迅猛發(fā)展和廣泛應(yīng)用為農(nóng)作物面積、長勢(shì)的宏觀動(dòng)態(tài)監(jiān)測(cè)和估產(chǎn)提供了一種新的方法。本研究基于沈稻47各時(shí)期NDVI數(shù)據(jù)，建立其與理論產(chǎn)量的最適模型。結(jié)果表明，用無人機(jī)遙感獲取的粳稻冠層NDVI數(shù)據(jù)可以進(jìn)行估產(chǎn)建模；但是，由于粳稻生長受到溫濕度、水體、土壤等多因素的影響，其NDVI數(shù)據(jù)在這個(gè)過程中出現(xiàn)一些波動(dòng)，導(dǎo)致粳稻冠層NDVI數(shù)據(jù)與產(chǎn)量在7月(孕穗期)并沒有呈現(xiàn)良好的相關(guān)關(guān)系。對(duì)不同生育期粳稻冠層NDVI與產(chǎn)量的相關(guān)性進(jìn)行分析并做相應(yīng)檢驗(yàn)，結(jié)果發(fā)現(xiàn)，復(fù)合估產(chǎn)模型的預(yù)測(cè)效果顯著優(yōu)于其他模型。用逐步回歸方法剔除相關(guān)性較差的模型，確定最佳估產(chǎn)時(shí)間為6月中旬和8月上旬?；谏鲜鰯?shù)據(jù)構(gòu)建的復(fù)合模型，決定系數(shù)為0.771，相對(duì)誤差為4.06%，標(biāo)準(zhǔn)差為0.474 t·hm-2，精度較高，具有可行性。與現(xiàn)有的人工估產(chǎn)和衛(wèi)星遙感估產(chǎn)相比，本研究所提出的基于無人機(jī)遙感采集粳稻冠層數(shù)據(jù)估產(chǎn)的方法可以隨時(shí)方便地獲取粳稻表面冠層NDVI數(shù)據(jù)，降低了科研經(jīng)費(fèi)和人工成本，而且估產(chǎn)作業(yè)對(duì)象面積可小可大，準(zhǔn)確度高，為水稻育種等小規(guī)模估產(chǎn)提供了良好的參考，更具實(shí)用性。但本研究只是初步探索的階段性成果，仍有待進(jìn)一步優(yōu)化完善。

[1] 黃敬峰， 楊忠恩， 王人潮， 等. 基于GIS的水稻遙感估產(chǎn)模型研究[J]. 遙感技術(shù)與應(yīng)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] 陳溫福， 潘文博， 徐正進(jìn). 我國粳稻生產(chǎn)現(xiàn)狀及發(fā)展趨勢(shì)[J]. 沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào)， 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] 李衛(wèi)國， 李花. 水稻衛(wèi)星遙感估產(chǎn)研究現(xiàn)狀與對(duì)策[J].江蘇農(nóng)業(yè)學(xué)報(bào)，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. 無人機(jī)遙感系統(tǒng)的研究進(jìn)展與應(yīng)用前景[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)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] 劉剛， 許宏健， 馬海濤， 等. 無人機(jī)航測(cè)系統(tǒng)在應(yīng)急服務(wù)保障中的應(yīng)用與前景[J]. 測(cè)繪與空間地理信息， 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] 馮美臣， 肖璐潔， 楊武德， 等. 基于遙感數(shù)據(jù)和氣象數(shù)據(jù)的水旱地冬小麥產(chǎn)量估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 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] 曹衛(wèi)彬， 劉姣娣， 趙良斌，等. 北疆棉花遙感估產(chǎn)最佳時(shí)相選擇研究[J]. 中國棉花， 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] 李飛， 楊小平， 毛暉. 基于MODIS-NDVI數(shù)據(jù)的甘肅臨夏州的春小麥遙感估產(chǎn)[J]. 陜西農(nóng)業(yè)科學(xué)， 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] 高中靈， 徐新剛， 王紀(jì)華，等. 基于時(shí)間序列NDVI相似性分析的棉花估產(chǎn)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 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] 陳鵬飛， 楊飛， 杜佳. 基于環(huán)境減災(zāi)衛(wèi)星時(shí)序歸一化植被指數(shù)的冬小麥產(chǎn)量估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 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] 黃敬峰， 王人潮， 蔣亨顯， 等. 基于GIS的浙江省水稻遙感估產(chǎn)最佳時(shí)相選擇[J]. 應(yīng)用生態(tài)學(xué)報(bào)， 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] 金偉， 葛宏立， 杜華強(qiáng)， 等. 無人機(jī)遙感發(fā)展與應(yīng)用概況[J]. 遙感信息， 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] 吳文斌， 楊鵬， 唐華俊，等. 基于NDVI數(shù)據(jù)的華北地區(qū)耕地物候空間格局[J]. 中國農(nóng)業(yè)科學(xué)， 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] 白文龍， 張福平. 基于SPOT VGT/NDVI的陜西省關(guān)中地區(qū)冬小麥遙感估產(chǎn)[J]. 資源開發(fā)與市場(chǎng)， 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)

(責(zé)任編輯 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

國家重點(diǎn)研發(fā)項(xiàng)目(2016YFD0200600)

許童羽(1967—)，男，遼寧義縣人，博士，教授，主要從事農(nóng)業(yè)航空技術(shù)研究。E-mail: yatongmu@163.com

*通信作者，陳春玲，E-mail: snccl@163.com

S127

A

1004-1524(2016)10-1790-06

浙江農(nóng)業(yè)學(xué)報(bào)ActaAgriculturaeZhejiangensis， 2016，28(10): 1790-1795

許童羽，洪雪，陳春玲，等. 基于冠層NDVI數(shù)據(jù)的北方粳稻產(chǎn)量模型研究[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2016，28(10)： 1790-1795.