基于冠层高光谱植被指数的水稻产量预测模型研究

doi:10.3969/j.issn.1006-8082.2023.05.007

中国稻米 ›› 2023, Vol. 29 ›› Issue (5): 38-44.DOI: 10.3969/j.issn.1006-8082.2023.05.007

基于冠层高光谱植被指数的水稻产量预测模型研究

高钰琪¹^,^#(), 许桂玲¹^,^#, 冯跃华¹^,²^,^*(), 王晓珂¹, 任红军¹, 由晓璇¹, 韩志丽¹, 李家乐¹

¹贵州大学农学院，贵阳 550025
²贵州大学山地植物资源保护与种质创新教育部重点实验室，贵阳 550025

收稿日期:2023-05-07 出版日期:2023-09-20 发布日期:2023-09-15
通讯作者: * fengyuehua2006@126.com
作者简介:^#共同第一作者：yqdou123@163.com
基金资助:
国家自然科学基金(32260531);国家重点研发计划项目子课题(2022YFD1901500);国家重点研发计划项目子课题(2022YFD1901505-07);贵州省特色粮油作物栽培与生理生态研究科技创新人才团队(黔科合平台人才[2019]5613号);贵州省高层次创新型人才项目(黔科合平台人才[2018]5632);贵州省高层次创新型人才项目(黔科合平台人才[2018]5632-2);贵州省科技计划项目(黔科合支撑[2019]2303号);公益性行业（农业）科研专项子项目(201503118-03);贵州省普通高等学校粮油作物遗传改良与生理生态特色重点实验室项目(黔教合KY字[2015]333)

Study on Rice Yield Prediction Model Based on Canopy Hyperspectral Vegetation Index

GAO Yuqi¹^,^#(), XU Guiling¹^,^#, FENG Yuehua¹^,²^,^*(), WANG Xiaoke¹, REN Hongjun¹, YOU Xiaoxuan¹, HAN Zhili¹, LI Jiale¹

¹College of Agronomy, Guizhou University, Guiyang 550025, China
²The Key Laboratory of Plant Resource Conservation and Germplasm Innovation in Mountainous Region (Ministry of Education), Guizhou University, Guiyang 550025, China

Received:2023-05-07 Online:2023-09-20 Published:2023-09-15
Contact: * fengyuehua2006@126.com
About author:^#Co-first author: yqdou123@163.com

摘要/Abstract

摘要：

及时、准确、快速的进行粮食产量预测预报对指导农业生产和国家制定粮食政策有重大意义。以不同水稻品种和施氮水平为试验因素，进行两因素裂区设计试验，在水稻拔节期、孕穗期和抽穗期测定其冠层光谱反射率，通过筛选出与产量相关性最高的最佳波段组合，计算最优波段组合组成的12种植被指数，并建立了基于单植被指数和多植被指数组合的水稻产量预测模型。结果表明，孕穗期，在401~723 nm波段范围内水稻冠层原始光谱反射率与产量呈显著负相关关系；各植被指数与产量的相关性达到极显著水平。基于单植被指数构建的水稻产量预测模型，以孕穗期线性模型精度最高（R²=0.436，RMSE=874.57 kg/hm²），最佳植被指数为重归一化植被指数（RDVI），模型表达式为y=7.7E+05×RDVI_{（455，456）}+1.1E+04；基于逐步回归构建的多植被指数产量预测模型同样以孕穗期表现最佳（R²=0.443，RMSE=861.81 kg/hm²），最优植被指数为比值植被指数（RVI）、土壤调节型植被指数（SAVI）和最佳植被指数（VIopt），模型表达式为y=1.8E+05×RVI _{（1661，1687）}-2.1E+05×SAVI _{（1235，1268）}+5.3E+04×VIopt_{（2260，2215）}-3.4E+05。总的来说，多植被指数产量预测模型的拟合精度和预测效果均优于单植被指数产量预测模型，其中以孕穗期模拟效果最好。

关键词: 水稻, 产量, 冠层高光谱, 植被指数, 模型

Abstract:

Timely, accurate and rapid prediction of grain yield is of great significance for guiding agricultural production and formulating national food policy. A split-plot design experiment, taking different rice varieties and nitrogen application levels as experimental factors, was conducted to measure the canopy spectral reflectance at rice jointing stage, booting stage and heading stage. By selecting the best band combination with the highest correlation with yield, 12 vegetation indexes composed of the best band combination were calculated, and a rice yield prediction model based on the combination of single vegetation index and multi vegetation index was established. The results showed that at booting stage, there were a significant negative correlation between the original spectral reflectance of rice canopy and yield in the band of 401~723 nm, the correlation between each vegetation index and yield reached a very significant level. The rice yield prediction model based on single vegetation index has the highest precision (R²=0.436, RMSE=874.57 kg/hm²) in the linear model at booting stage, and the best vegetation index is the normalized vegetation index (RDVI), and the model expression is y=7.7E+05×RDVI_{(455, 456)}+1.1E+04. The multi vegetation index yield prediction model based on stepwise regression also showed the best performance at booting stage (R²=0.443, RMSE=861.81 kg/hm²), the optimal vegetation index was ratio vegetation index (RVI), soil regulated vegetation index (SAVI) and optimal vegetation index (VIopt), and the model expression was y=1.8E+05×RVI_{(1661, 1687)}-2.1E+05×SAVI_{(1235, 1268)}+5.3E+04×VIopt_{(2260, 2215)}-3.4E+05. In general, the fitting accuracy and prediction effect of the multi vegetation index yield prediction model are better than those of the single vegetation index yield prediction model, and the simulation effect at booting stage is the best.

Key words: rice, yield, canopy hyperspectral, vegetation index, model

中图分类号:

S511

高钰琪, 许桂玲, 冯跃华, 王晓珂, 任红军, 由晓璇, 韩志丽, 李家乐. 基于冠层高光谱植被指数的水稻产量预测模型研究[J]. 中国稻米, 2023, 29(5): 38-44.

GAO Yuqi, XU Guiling, FENG Yuehua, WANG Xiaoke, REN Hongjun, YOU Xiaoxuan, HAN Zhili, LI Jiale. Study on Rice Yield Prediction Model Based on Canopy Hyperspectral Vegetation Index[J]. China Rice, 2023, 29(5): 38-44.

图/表 7

表1 植被指数计算公式

表2 水稻产量数据统计分析

图1 不同生育时期水稻冠层原始光谱反射率与产量的相关系数图

图2 不同生育时期植被指数与水稻产量的相关系数

表3 水稻不同生育期植被指数的最优波段组合

表4 不同生育时期单植被指数水稻产量预测模型

表5 不同生育时期植被指数与水稻产量的多元逐步回归模型

参考文献 38

[1]	赵春江. 农业遥感研究与应用进展[J]. 农业机械学报, 2014, 45(12):277-293.
[2]	张勇, 曾玉平, 汪飞星. 中国农产量调查中几种可行的PPS系统抽样设计[J]. 统计与信息论坛, 2005, 20(2):24-30.
[3]	冯明. 湖北省粮食总产气象预报模型[J]. 华中农业大学学报, 2008, 27(1):144-147.
[4]	王秀珍. 冬小麦产量农学预报模式[J]. 沙漠与绿洲气象, 1997, 20(6):19-23.
[5]	LIANG X S, OUYANG J H, LIU Z G, et al. Friction and wear characteristics of BaCr2O4 ceramics at elevated temperatures in sliding against sintered alumina ball[J]. Tribology Letters, 2012, 47(2): 203-209.
[6]	苟喻. 重庆市水稻估产要素及模型研究[D]. 重庆: 西南大学, 2015.
[7]	解毅, 王鹏新, 王蕾, 等. 基于作物及遥感同化模型的小麦产量估测[J]. 农业工程学报, 2016, 32(20):179-186.
[8]	卫炜, 吴文斌, 李正国, 等. 时间序列植被指数重构方法比对研究[J]. 中国农业资源与区划, 2014, 35(1):34-43.
[9]	刘珊珊, 牛超杰, 边琳, 等. 基于NDVI的水稻产量遥感估测[J]. 江苏农业科学, 2019, 47(3):193-198.
[10]	肖璐洁, 杨武德, 冯美臣, 等. 基于高光谱植被指数的冬小麦估产模型[J]. 生态学杂志, 2022, 41(7):1433-1 440.
[11]	李映雪, 谢晓金, 徐德福. 高光谱遥感技术在作物生长监测中的应用研究进展[J]. 麦类作物学报, 2009, 29(1):174-178.
[12]	崔怀洋, 徐晖, 张伟, 等. 基于高光谱的倒伏冬小麦产量预测模型研究[J]. 麦类作物学报, 2015, 35(8):1155-1 160.
[13]	张玉萍, 马占鸿. 氮素和小麦条锈病胁迫下小麦高光谱遥感估产模型研究[J]. 中国农学通报, 2014, 30(36):133-140.
[14]	宋红燕, 胡克林, 彭希. 基于高光谱技术的覆膜旱作水稻植株氮含量及籽粒产量估算[J]. 中国农业大学学报, 2016, 21(8):27-34.
[15]	谢晓金, 李映雪, 李秉柏, 等. 高温胁迫下水稻产量的高光谱估测研究[J]. 中国水稻科学, 2010, 24(2):196-202.
[16]	唐延林, 王纪华, 黄敬峰, 等. 利用水稻成熟期冠层高光谱数据进行估产研究[J]. 作物学报, 2004, 30(8):780-785.
[17]	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):1790-1 795.
[18]	李明磊, 张晓, 王文辉, 等. 基于高光谱和激光雷达遥感的水稻产量监测研究[J]. 中国农业科学, 2021, 54(14):2965-2 976.
[19]	秦占飞, 申健, 谢宝妮, 等. 引黄灌区水稻叶面积指数的高光谱估测模型[J]. 武汉大学学报(信息科学版), 2017, 42(8):1159-1 166.
[20]	PEARSON R L, MILLER L D. Remote Mapping of Standing Crop Biomass for Estimation of Productivity of the Shortgrass Prairie[C]// Proceedings of the English International Symposium on Remote Sensing of Environment, Fort Collins, Colorado: Colorado University, 1972.
[21]	RICHARDSON J A, WIEGAND C L. Distinguishing vegetation from soil background information[J]. Photogrammetric Engineering and Remote Sensing, 1977, 43(12): 1 541-1 552.
[22]	ROUSE J W, HAAS R H, SCHELL J A. Monitoring the vernal advancement and retrogradation (greenwave effect) of natural vegetation[M]. USA: Texas A&M University College Station, 1974.
[23]	HUETE R A. A soil-adjusted vegetation index(SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295-309.
[24]	RONDEAUX G, STEVEN M, BARET F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95-107.
[25]	ROBERT E C. Calculating the vegetation index faster[J]. Remote Sensing of Environment, 1990, 34(1): 71-73.
[26]	JEAN-LOUIS R, FRANCOIS-MARIE B. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375-384.
[27]	BARET F, GUYOT G, MAJOR D J. TSAVI: A vegetation index which minimizes soil brightness effects on LAI and APAR estimation[C]// Proceedings of the 12th Canadian Symposium on Remote Sensing, 1989.
[28]	YANG H B, LI F, WANG W, et al. Estimating above-ground biomass of potato using random forest and optimized hyperspectral indices[J]. Remote Sensing, 2021, doi: 10.3390/rs13122339.
[29]	冯浩, 杨祯婷, 陈浩, 等. 基于无人机多光谱影像的夏玉米SPAD估算模型研究[J]. 农业机械学报, 2022, 53(10):211-219.
[30]	CLEVERS J G P W. Application of a weighted infrared-red vegetation index for estimating leaf area index by correcting for soil moisture[J]. Remote Sensing of Environment, 1989, 9(1): 25-37.
[31]	田东霞, 曹久才. 基于逐步回归法和BP神经网络模型的苹果产量预测[J]. 现代农业科技, 2022(14):131-133.
[32]	吴静珠, 王一鸣, 张小超, 等. 近红外光谱分析中定标集样品挑选方法研究[J]. 农业机械学报, 2006, 37(4):80-82.
[33]	卢艳丽, 胡昊, 白由路, 等. 植被覆盖度对冬小麦冠层光谱的影响及定量化估产研究[J]. 麦类作物学报, 2010, 30(1):96-100.
[34]	王飞龙, 王福民, 胡景辉, 等. 基于相对光谱变量的无人机遥感水稻估产及产量制图[J]. 遥感技术与应用, 2020, 35(2):458-468.
[35]	张松, 冯美臣, 杨武德, 等. 基于高光谱植被指数的冬小麦产量监测[J]. 山西农业科学, 2018, 46(4):572-575.
[36]	ZHOU X, ZHENG H B, XU X Q, et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 246-255.
[37]	周冬琴, 朱艳, 姚霞, 等. 基于水稻冠层光谱特征构建粳型水稻籽粒蛋白质含量预测模型[J]. 作物学报, 2007, 33(8):1219-1 225.
[38]	张威, 潘剑君, 李勇, 等. 基于冠层光谱特征的冬小麦产量估算研究[J]. 土壤通报, 2015, 46(1):169-176.

基于冠层高光谱植被指数的水稻产量预测模型研究

Study on Rice Yield Prediction Model Based on Canopy Hyperspectral Vegetation Index

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 38

相关文章 15

编辑推荐

Metrics

[1]	潘林, 弥春霞, 徐青山, 魏倩倩, 孔亚丽, 朱练峰, 田文昊, 朱春权, 张均华. 解磷细菌解磷机制研究进展及其在水稻上的应用[J]. 中国稻米, 2024, 30(3): 1-9.
[2]	吴梦寅, 蔡炜, 钟笑涵, 杨建昌, 刘立军, 张伟杨. 高温胁迫对水稻籽粒灌浆与稻米品质影响及其机理研究进展[J]. 中国稻米, 2024, 30(3): 10-17.
[3]	陈君, 周洪, 包祖达, 丁杨东, 戴夏萍, 张胜. “设施甜瓜-水稻”水旱轮作高效栽培模式研究[J]. 中国稻米, 2024, 30(3): 102-104.
[4]	方浩俊, 周锡跃. 稻作文化遗产活化赋能乡村游乐产业的几个设计思路[J]. 中国稻米, 2024, 30(3): 107-112.
[5]	邵迪, 丁紫娟, 胡仁, 肖大康, 侯俊, 张鑫, 徐霄, 方慧, 管宇, 李贝, 江天, 张卫峰. 新型高效绿色氮肥管理对水稻产量形成与氮素利用及氨挥发损失的影响[J]. 中国稻米, 2024, 30(3): 18-25.
[6]	谭彪, 任慕瑶, 杨正鹏, 徐佳依, 郑华斌, 唐启源, 王慰亲. GA₃和KNO₂引发处理对水稻芽期生长、淀粉及呼吸代谢的影响[J]. 中国稻米, 2024, 30(3): 40-47.
[7]	刘福强, 向军, 郑华斌, 王慰亲, 陈元伟, 覃斌, 吴文革, 唐启源. 肥密措施对水直播稻苗期杂草发生及产量的影响[J]. 中国稻米, 2024, 30(3): 48-52.
[8]	严松, 高扬, 管立军, 李家磊, 王崑仑, 李波, 周野, 陈凯新, 卢淑雯. 发芽糙米易煮米生产方法的研究[J]. 中国稻米, 2024, 30(3): 53-58.
[9]	李超, 赫兵, 王晓航, 郎红, 吴小阳, 姚亮, 罗立强, 杨德亮, 王帅, 陈殿元, 严光彬. 东北稻区淹水胁迫下水稻反应机理及减灾措施[J]. 中国稻米, 2024, 30(3): 59-62.
[10]	熊雪, 曹雪仙, 向镜, 陈惠哲, 武辉, 张义凯, 王亚梁, 王志刚, 王晶卿, 徐一成, 赵福建, 张玉屏. 水田覆膜直播压槽与覆盖物对水稻出苗的影响[J]. 中国稻米, 2024, 30(3): 63-66.
[11]	方伟, 李欢欢, 林漫婷. 主销区县域粮食生产托管发展调研与思考——以广东省东源县为例[J]. 中国稻米, 2024, 30(3): 72-77.
[12]	王勋, 朱练峰, 张连胜, 汪玉军, 闵佳鑫, 鄂志国. 江苏省1982—2023年审定水稻品种分析[J]. 中国稻米, 2024, 30(3): 88-90.
[13]	王坤庭, 冯源, 刘梦竹, 廖萍, 魏海燕, 胡群, 张洪程. 播种量和秧龄对机插籼粳杂交稻秧苗素质、产量和加工品质的影响[J]. 中国稻米, 2024, 30(3): 91-97.
[14]	李建强, 费冰雁, 赵川. 新型锌肥对水稻产量和品质的影响[J]. 中国稻米, 2024, 30(3): 98-101.
[15]	徐春春, 纪龙, 陈中督, 方福平. 2023年我国水稻产业形势分析及2024年展望[J]. 中国稻米, 2024, 30(2): 1-4.