浙江农业学报Ａｃｔａ Ａｇｒｉｃｕｌｔｕｒａｅ Ｚｈｅｊｉａｎｇｅｎｓｉｓ，２０１６，２８（１０）：１７９０—１７９５ ｈｔｔｐ：／／ｗｗｗ．ｚｊｎｙｘｂ．ｅｎ 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． ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００４・１５２４．２０１６．１０．２２ 基于冠层ＮＤＶＩ数据的北方粳稻产量模型研究 许童羽 ，洪 雪 ，陈春玲 一，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） 摘要：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 Ｉ生分析；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（Ｒ ）为０．７７１，相对误差（艇）为４．０６％，均方根误差（ＲＭＳＥ）为０．４７４ ｔ・ｈｍ～，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。 关键词：粳稻；ＮＤＶＩ；相关性；回归分析 中图分类号：Ｓ１２７ 文献标志码：Ａ 文章编号：１００４－１５２４（２０１６）１０－１７９０－０６ Ｓｔｕｄｙ ｏｎ ｎｏｒｔｈｅｒｎ ｊａｐｏｎｉｃａ ｒｉｃｅ ｙｉｅｌｄ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ｃａｎｏｐｙ ｄａｔｅ ｏｆ ＮＤＶＩ ＸＵ Ｔｏｎｇ—ｙｕ ’ ，ＨＯＮＧ Ｘｕｅ ，ＣＨＥＮ Ｃｈｕｎ．１ｉｎｇ ， ，ＺＨＯＵ Ｙｕｎ—ｃｈｅｎｇ ’＇ ，ＣＡＯ Ｙｉｎｇ—ｌｉ ， ，ＹＵ Ｆｅｎｇ—ｈｕａ２ＬＩ Ｎａ ，（１．Ａｇｒｉｃｕｌｔｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ＂Ｔ￣ｅｈｎｏｌｏｇｙ Ｃｅｎｔｅｒ ｉｎ Ｌｉａｏｎｉｎｇ Ｐｒｏｖｉｎｃｅ，Ｓｈｅｎｙａｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅ￣ｉｔｙ， Ｓｈｅｎｙａｎｇ １１０１６１，Ｃｈｉｎａ；２．Ｃｏｌｌｅｇｅ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｈｅｎｙａｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｈｅｎｙａｎｇ １１０１６１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：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 ｏｆｊａｐｏｎｉｃａ ｒｉｃｅ ｉｎ ｔｈｅ ｓｕｍｍｅｒ ｏｆ ２０１５．Ｆｉｒｓｔｌｙ，ｄｕａｌ ｄｉｓｔａｎｃｅ ｖａｒｉａｂｌｅ ｃｏｒｒｅｌａｔｉｏｎ ａ— ｎａｌｙｓｉｓ 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 ｖａｒｉｂｌｅ ｗａｓ ｕｓｅｄ．Ｔｈｅ ｍｏｄｅｌａ ｃｏｎｓｉｓｔｅｄ ｏｆ ｄａｔａ ｃｏｌｌｅｃｔｅｄ ｉｎ Ｊｕｎｅ １ １ ｔｈ ｔｏ ２０ ａｎｄ Ａｕｇｕｓｔ １ ｔｏ １０ ｗａｓ ｉｄｅａｌ ｔｏ ｐｒｅｄｉｃｔ ｔｈｅ ｙｉｅｌｄ，ｏｆ ｗｈｉｃｈ ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ（Ｒ ），ｒｅｌａｔｉｖｅ ｅｒｒｏｒ（ＲＥ），ａｎｄ ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒ （ＲＭＳＥ）ｗｅｒｅ ０．７７１，４．０６％ａｎｄ ０．４７４ ｔ・ｈｍ～，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｉｔ ｗａｓ ｏｆ ｈｉｇｈ ｐｒｅｃｉｓｉｏｎ ａｎｄ ｆｅａｓｉｂｉｌｉｔｙ．Ｔｈｕｓ，ｉｔ ｗａｓ ｓｕｇｇｅｓｔｅｄ ｔｈａｔ ｔｈｅ ｍｏｓｔ ｓｕｉｔａｂｌｅ ｔｉｍｅ ｆｏｒｊａｐｏｎｉｃａ ｒｉｃｅ ｙｉｅｌｄ ｐｒｅｄｉｃｔｉｏｎ ｉｎ Ｎｏｒｔｈｅｒｎ Ｃｈｉｎａ ｗａｓ Ｊｕｎｅ １ １ “ｔｏ ２０ ａｎｄ Ａｕｇｕｓｔ １ ｔｏ １０ ． 收稿日期：２０１６－０３—１６ 基金项目：国家重点研发项目（２０１６ＹＦＤ０２００６００） 作者简介：许童羽（１９６７一），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 许童羽，等．基于冠层ＮＤＶＩ数据的北方粳稻产量模型研究 Ｋｅｙ ｗｏｒｄｓ：ｊａｐｏｎｉｃａ ｒｉｃｅ；ＮＤＶＩ；ｅｏｌ’ｒｅｌａｔｉｏｎ；ｒｅｇｒｅｓｓｉｏｎ ａｎａｌｙｓｉｓ 水稻产量是各级进行决策、生产部门指 １．１试验材料 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 。 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 ｊ，其中，估产是育种好坏的一个重要指标。 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 ｈｍ （４１。１ １ ５１” ３。２ ｌ３”Ｎ， １２２。２５ ９”一１２３。４８ ２４”Ｅ）。该区域属于温带半湿 润性气候，降水集中，四季分明，有利于水稻 生长。供试品种为东北地【ｘ二广泛种植的粳稻沈 稻４７。沈稻４７苗期健壮，分蘖力强，可达３５０～ ４００穗・ＩＴＩ一，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、 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Ｔ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 ，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 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，飞行载荷较大，可同时携带多种 农刖传感器， 而更适于大规模作物育种小区 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 。将其 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 ｖｅｇｅ－ （２～５ ｍ ）厘米级分辨率信息获取 。 。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 ＣＩＩ］，采用四边飞行路线。所用冠层ＮＤ— ＶＩ测量仪ＳｐｅｃｔｒｏＳｅｎｓｅ２＋是英同Ｓｋｙｅ公司的一 ｔａｔｉｏｎ 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 。］。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¨。。 Ｊ。李飞等¨ 分析了冬 小麦关键生育期的长势并进行估产，相对误差在 一款被动式的ＮＤＶＩ测量仪，测量高度距离粳稻冠 层１．８ ｉｎ，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 相应的归一化植被指数。 ＮＤＶＩ＝（Ｎ／Ｒ＋Ｒ）／（Ｎ／Ｒ—Ｒ）。 （１） ３．９３％～４．７２％；高中灵等¨ 提ｌ叶Ｊ了一种融合 式（１）中，Ｎ／Ｒ（６６０ ｎｌｎ）和 （７４０ ｎｍ）分别 为近红外光谱通道和红光光谱通道反射率 。 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¨ 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¨ ’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 图１ 无人机采集样本点分布图 Ｆｉｇ．１ Ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ＵＡＶ ｓａｍｐｌｅ ｐｏｉｎｔｓ 浙江农业学报第２８卷第１０期 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 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 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 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 １３（ｒ＝０．７８０）的相关系数最高，说明在分蘖盛期 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， 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 仪器采集数据进行验证。 １．３研究方法 选择６月和８月的旬数据以及６月１１日、８ 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 ，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 月４日的单１３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 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Ｒ 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， 分别为０６４５、０．６７７。综上，虽然不能单依６月 采用线性回归分析方法和Ｓｑｕａｒｅ曲线或ｃｕ— ｂｉｃ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（ｃｏｅｆｉｃｉｅｎｔｆ ｏｆ ｄｅｔｅｒｍｉｎａｔｉｏｎ，Ｒ ） 对模型拟合度进行检验，Ｒ 越大说明模型精度越 高；用相对误差（ｒｅｌａｔｉｖｅ ｅｒｒｏｒ，ＲＥ）和均方根误差 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 （ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅｄ ｅｒｒｏｒ，ＲＭＳＥ）两个指标来验证 模型的准确性。 产，以缩短测试时间，降低科研成本，提高估产 ２ 结果与分析 ２．１ 粳稻生长关键期冠层ＮＤＶＩ与理论产量的 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 １３和８月４日、６月上旬和中旬、６月上旬和 相关性分析 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 ｔｈｅｏｒｅｔｉｃａｌ ｊａｐｏｎｉｃａ ｒｉｃｅ ｙｉｅｌｄ ａｎｄ ＮＤＶＩ ｄａｔａ 许童羽，等．基于冠层ＮＤＶＩ数据的北方粳稻产量模型研究 ・１７９３・ １、 ２、 分别代表６月或８月各旬的ＮＤＶＩ值。 ｌ， ２， ｒｅｐｒｅｓｅｎｔｅｄ ｔｈｅ ｏｖｅｒａｌｌ ＮＤＶＩ ｄａｔａ ｏｆ ｅｖｅｒｙ ｔｅｎ ｄａｙｓ ｉｎ Ｊｕｎｅ Ｏｒ Ａｕｇｕｓｔ ８月上旬、６月中旬和８月上旬、６月和８月，建立 达０．８２１，显著性为０．０００。从其他４组回归模型 粳稻单产的复合模型，由 、Ｆ值和显著性（表 中可以确定，粳稻最佳估产时间为６月（分蘖期） ３）可以看出，６月上中旬的估产效果不显著，其他 和８月（抽穗期），且以抽穗期为主，因为抽穗期 组合构建的模型均达到显著水平，其中，６月１１ 是水稻营养吸收最完全的时期，是产量形成的最 日和８月４日的复合估产模型的相关系数（Ｒ ） 关键时期。 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 ６月＋８月回归模型中ｚ１、 ２、 、 ４、 ５、 ６分别代表６月份和８月份各旬所对应的ＮＤＶＩ。 ｌ， ２， ３， ４， ５， ６ ｉｎ 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 表４基于无人机遥感的北方粳稻估产模型验证 验比较，并对线性回归模型精度进行检验，结果 Ｔａｂｌｅ ４ Ｖａｌｉｄａｔｉｏｎ ｏｆ ｙｉｅｌｄ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ ｆｏｒ ｊａｐｏｎｉｃａ 见表４。利用６月和８月的ＮＤＶＩ数据得到的产 ｒｉｃｅ ｉｎ Ｎｏｒｔｈｅｒｎ Ｃｈｉｎａ ｂａｓｅｄ ｏｎ ＵＡＶ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ 量模型相对误差为３４．０６％，预测标准误差为 ３．３２４ ｔ・ｈｍ。。，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 ３ 结论与讨论 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。 遥感技术的迅猛发展和广泛应用为农作物 ・１７９４・ 浙江农业学报第２８卷第１０期 ５０５—５ｌ３． 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 Ｕ Ｄ Ｒ．ＬＩ Ｍ．Ｒｅｓｅａｒｃｈ ａｄｖａｎｃｅ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｓｐｅｃｔ ｏｆ ｕｎｍａｎｎｅｄ ａｅｒｉｌ ａｖｅｈｉｃｌｅ ｅｍｏｔｒｅ ｓｅｎｓｉｎｇ ｓｙｓｔｅｍ［Ｊ］．Ｇｅｏｍａｔｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ｏｆ Ｗｕｈａｎ Ｕｎｉｖｅｒｓｉｔｙ，２０１４，３９（５）： ５０５—５１３．（ｉｎ Ｃｈｉｎｅｓｅ ｗｉｔｈ Ｅｎｇｌｉｓｈ ａｂｓｔｒａｃｔ） 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。 ［５］，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，２０１ｌ， ３４（４）：１７７—１７９． ＬＩＵ Ｇ，ＸＵ Ｈ Ｊ，ＭＡＨＴ，ｅｔａ１．Ｕｎｍａｎｎｅｄ ａｅｒｉａｌ ｓｙｓｔｅｍ ａｐ－ 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～，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。 参考文献（Ｒｅｆｅｒｅｎｃｅｓ）： 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 ａ１．Ｔｈｅ ｒｉｃｅ ｐｒｏ— ｄｕｃｔｉｏｎ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌｓ ｕｓｉｎｇ ＮＯＡＡ／ＡＶＨＲＲ ｄａｔａ ｂａｓｅｄ ｏｎ ＧＩＳ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ， ２００２，１７（３）：１２５—１２８．（ｉｎ Ｃｈｉｎｅｓｅｗｉｔｈ 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 ｏｆｊａｐｏｎｉｃａ ｒｉｃｅ ｉｎ Ｃｈｉｎａ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｓｈｅｎｙ— ａｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ，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． ＬＩＷＧ．ＵＨ．Ｓｔａｔｕｓ ａｎｄ ｏｎ ｒｅｓｅａｒｃｈ ｏｆ ｅｓｔｉ— ｍａｔｉｎｇ ｒｉｃｅ ｙｉｅｌｄ ｂｙ ｓａｔｅｌｌｉｔｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ［Ｊ］．Ｊｉａｎｇｓｕ ａｇｒｉ— ｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓ，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）： ｐｌｉｃａｔｉｏｎｓ ａｎｄ ｐｒｏｓｐｅｃｔｓ ｉｎ ｔｈｅ ｐｒｏｔｅｃｔｉｏｎ ｏｆ ｅｍｅｒｇｅｎｃｙ ｓｅｒｖｉｃｅｓ ［Ｊ］．Ｇｅｏｍａｔｉｃｓ＆Ｓｐａｔｉａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ，２０１１，３４ （４）：１７７—１７９．（ｉｎ Ｃｈｉｎｅｓｅ ｗｉｔｈ Ｅｎｇｌｉｓｈ ａｂｓｔｒａｃｔ） ［６］ＭＫＨＡＢＥＬＡ Ｍ Ｓ，ＢＵＬＬＯＣＫ Ｐ，ＲＡＪ Ｓ，ｅｔ ａ１．Ｃｒｏｐ ｙｉｅｌｄ ｆｏｒｅｃａｓｔｉｎｇ ｏｎ ｔｈｅ Ｃａｎａｄｉａｎ Ｐｒａｉｉｒｅｓ ｕｓｉｎｇ ＭＯＤＩＳ ＮＤＶＩ ｄａｔａ ［Ｊ］．Ａｇｒｉｃｕｌｔｕｒａｌ＆Ｆｏｒｅｓｔ Ｍｅｔｅｏｒｏｌｏｇｙ，２０１Ｉ，１５１（３）：３８５ —３９３． ［７］ＢＥＣＫＥＲ．ＲＥＳＨＥＦ Ｉ，ＶＥＲＭＯＴＥ Ｅ，ＬＩＮＤＥＭＡＮ Ｍ，ｅｔ ａ１． Ａ ｇｅｎｅｒａｌｉｚｅｄ ｒｅｇｒｅｓｓｉｏｎ—ｂａｓｅｄ ｍｏｄｅｌ ｆｏｒ ｆｏｒｅｃａｓｔｉｎｇ ｗｉｎｔｅｒ ｗｈｅａｔ ｙｉｅｌｄｓ ｉｎ Ｋａｎｓａｓ ａｎｄ Ｕｋｒａｉｎｅ ｕｓｉｎｇ ＭＯＤＩＳ ｄａｔａ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆＥｎｖｉｒｏｎｍｅｎｔ，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 ｈｉｓｈ ｒｅｓｏｌｕｔｉｏｎ ｒａｄｉｏｍｅｔｅｒ［Ｊ］．Ｖｅｇｅｔａｔｉｏ，１９８５，６４（１）： ３—１４． ［９］ＭＵＮＯＺ Ｊ Ｄ，ＦＩＮＬＥＹ Ａ Ｏ，ＧＥＨＬ Ｒ，ｅｔ ａ１．Ｎｏｎｌｉｎｅａｒ ｈｉｅｒ－ ａｒｃｈｉｃａｌ ｍｏｄｅｌｓ ｏｆｒ ｐｒｅｄｉｃｔｉｎｇ ｃｏｖｅｒ ｃｒｏｐ ｂｉｏｍａｓｓ ｕｓｉｎｇ ｎｏｒｍａｌ－ ｉｚｅｄ ｄｉｆｅｒｅｎｃｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｆｏＥｎｏｉ－ ｒｏｎｍｅｎｔ，２０１０，１１４（１２）：２８３３—２８４０． ［１Ｏ］ＦＬＹＮＮ Ｅ Ｓ，ＤＯＵＧＨＥＲＴＹ Ｃ Ｔ，ＷＥＮＤＲＯＴＨ Ｏ．Ａｓｓｅｓｓ－ ｍｅｎｔ ｏｆ ｐａｓｔｕｒｅ ｂｉｏｍａｓｓ Ｗｉｔｈ ｔｈｅ ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅ－ ｔａｔｉｏｎ ｉｎｄｅｘ ｆｒｏｍ ａｃｔｉｖｅ ｇｒｏｕｎｄ—ｂａｓｅｄ ｓｅｎｓｏｒｓ［Ｊ］．Ａｇｒｏｎｏｍｙ Ｊｏｕｒｎａｌ，２００８，ｌＯＯ（１）：ｌ１４—１２１． ［１１］ＫＡＬＵＢＡＲＭＥ Ｍ Ｈ，ＰＯＴＤＡＲ Ｍ Ｂ，ＭＡＮＪＵＮＡＴＨ Ｋ Ｒ，ｅｔ ａ１．Ｇｒｏｗｔｈ ｐｒｏｆｉｌｅ ｂａｓｅｄ ｃｒｏｐ ｙｉｅｌｄ ｍｏｄｅｌｓ：ａ ｅａｓｅ ｓｔｕｄｙ ｏｆ ｌａｒｇｅ ａｒｅａ ｗｈｅａｔ ｙｉｅｌｄ ｍｏｄｅｌｌｉｎｇ ｎａｄ ｉｔｓ ｅｘｔｅｎｄｉｂｉｌｉｔｙ ｕｓｉｎｇ ａｔ— ｍｏｓｐｈｅｒｉｃ ｃｏｒｒｅｃｔｅｄ ＮＯＡＡ ＡＶＨＲＲ ｄａｔａ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ 如ｕｒｎａｌ ｏｆＲｅｏｍｔｅ Ｓｅｎｓｉｎｇ，２００３，２４（１０）：２０３７—２０５４． ［１２］ＴＨＥＮＫＡＢＡＩＬ Ｐ Ｓ．Ｂｉｏｐｈｙｓｉｃｌａ ａｎｄ ｙｉｅｌｄ ｉｎｆｏｒｍａｔｉｏｎ ｆｏｒ ｐｒｅｃｉｓｉｏｎ ｆａｒｍｉｎｇ ｆｒｏｍ ｎｅａｒ ｒｅａｌ・・ｔｉｍｅ ａｎｄ ｈｉｓｔｏｒｉｃａｌ Ｌａｎｄｓａｔ ＴＭ ｉｍａｇｅｓ［Ｊ］．Ｉｎｔｅｎｒａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２ｏｏ３，２４（１４）：２８７９—２９０４． ［１３］ ＢＡＥＺＧＯＮＺＡＬＥＺ Ａ Ｄ，ＫＩＮＩＲＹ Ｊ Ｒ，ＭＡＡＳ Ｓ Ｊ，ｅｔ ａ１． Ｌａｒｇｅ－ａｒｅａ ｍａｉｚｅ ｙｉｅｌｄ ｆｏｒｅｃａｓｔｉｎｇ ｕｓｉｎｇ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ ｂａｓｅｄ ｙｉｅｌｄ ｍｏｄｅｌ［Ｊ］．Ａｇｒｏｎｏｍｙ Ｊｏｕｒｎａｌ，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 ａ１．Ｐｒｅｄｉｃｔｉｎｇ ｇｒａｉｎ ｙｉｅｌｄ ｏｆ ｉｒｒｉｇａｔｉｏｎ－ｌａｎｄ ａｎｄ ｄｒｙ－ｌａｎｄ ｗｉｎｔｅｒ ｗｈｅａｔ ｂａｓｅｄ ｏｎ ｒｅ・・ 许童羽，等．基于冠层ＮＤＶＩ数据的北方粳稻产量模型研究 ｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ ａｎｄ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｄａｔａ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆＡｇ— ｒｉｃｕｌｔｕｒａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１０，２６（１１）：１８３—１８８．（ｉｎ Ｃｈｉ— ｎｅｓｅ ｗｉｔｈ Ｅｎｇｌｉｓｈ ａｂｓｔｒａｃｔ） ・１７９５・ 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． ［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 ａ１．Ｐｈａｓｅ ｓｅｌｅｃｔｉｏｎ ｆｏｒ ＨＵＡＮＧ Ｊ Ｆ，ＷＡＮＧ Ｒ Ｃ，ＪＩＡＮＧ Ｈ Ｘ，ｅｔ ａ１．Ｓｅｌｅｃｔｉｏｎ ｏｆ ｏｐｔｉｍｕｍ ｐｅｒｉｏｄｓ ｆｏｒ ｒｉｃｅ ｅｓｔｉｍａｔｉｏｎ ｕｓｉｎｇ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ ｃｏｔｔｏｎ ｙｉｅｌｄ ｅｓｔｉｍａｔｉｏｎ ｉｎ Ｎｏｒｔｈｅｒｎ Ｘｉｎｊｉａｎｇ ｂａｓｅｄ ｏｎ ｒｅｍｏｔｅ ｂａｓｅｄ ｏｎ ＧＩＳ［Ｊ］．Ｃｈｉｅｎｓｅ ＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄＥｃｏｌｏｇｙ，２００２， ｌ３（３）：２９０—２９４．（ｉｎ Ｃｈｉｎｅｓｅ ｗｉｔｈ Ｅｎｇｌｉｓｈ ａｂｓｔｒａｃｔ） ｓｅｎｓｉｎｇ［Ｊ］．Ｃｈｉｎａ Ｃｏｔｔｏｎ，２００７，３４（３）：１０—１１．（ｉｎ Ｃｈｉｎｅｓｅ） ［２０Ｊ 金伟。葛宏立，杜华强，等．无人机遥感发展与应用概况 ［１６］ 李飞，杨小平，毛晖．基于ＭＯＤＩＳ—ＮＤＶＩ数据的甘肃临夏 ［Ｊ］．遥感信息，２００９（１）：８８—９２． 州的春小麦遥感估产［Ｊ］．陕西农业科学，２０１４，６０ ＪＩＮ Ｗ，ＧＥ Ｈ Ｌ，ＤＵ Ｈ Ｑ，ｅｔ ａ１．Ａ ｒｅｖｉｅｗ ｏｎ ｕｎｍａｎｎｅｄ （１０）：７４—７７． ａｅｒｉｌａ ｖｅｈｉｃｌｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ［Ｊ］．Ｒｅｍｏｔｅ Ｕ Ｆ，ＹＡＮＧ Ｘ Ｐ，ＭＡＯ Ｈ．Ｓｐｒｉｎｇ ｗｈｅａｔ ｙｉｅｌｄ ｅｓｔｉｍａｔｉｏｎ ｉｎ Ｓｅｎｓｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ，２００９（１）：８８—９２．（ｉｎ Ｃｈｉｎｅｓｅ ｗｉｔｈ Ｌｉｎｘｉａｚｈｏｕ，Ｇａｎｓｕ ｂａｓｅｄ ｏｎ ＭＯＤＩＳ—，ＮＤＶＩ ｄａｔａ ｂｙ ｒｅｍｏｔｅ Ｅｎｇｌｉｓｈ ａｂｓｔｒａｃｔ） ｓｅｎｓｉｎｇ［Ｊ］．Ｓｈａａｎｘｉ Ｊｏｕｒｎａｌ ｏｆＡｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓ，２０１４， ［２１］ 吴文斌，杨鹏，唐华俊，等．基于ＮＤＶＩ数据的华北地区 ６０（１Ｏ）：７４—７７．（ｉｎ Ｃｈｉｎｅｓｅ） 耕地物候空间格局［Ｊ］．中国农业科学，２００９，４２（２）： ［１７］ 高中灵，徐新刚，王纪华，等．基于时间序列ＮＤＶＩ相似 ５５２—５６０． 性分析的棉花估产［Ｊ］．农业工程学报，２０１２，２８（２）： ＷＵ Ｗ Ｂ，ＹＡＮＧ Ｐ，ＴＡＮＧ Ｈ Ｊ，ｅｔ ａ１．Ｍｏｎｉｔｏｒｉｎｇ ｓｐａｔｉａｌ １４８—１５３． ｐａｔｔｅｒｎｓ ｏｆ ｃｒｏｐｌａｎｄ ｐｈｅｎｏｌｏｇｙ ｉｎ Ｎｏｒｔｈ Ｃｈｉｎａ ｂａｓｅｄ ｏｎ ＮＯ－ ＧＡＯ Ｚ Ｌ，ＸＵ Ｘ Ｇ，ＷＡＮＧ Ｊ Ｈ，ｅｔ ａ１．Ｃｏｔｔｏｎ ｙｉｅｌｄ ｅｓｔｉｍａ－ ＡＡ ＮＤＶＩ Ｄａｔａ［Ｊ］．Ｓｃｉｅｎｔｉａ Ａｇｒｉｃｕｈｕｒａ Ｓｉｎｉｃａ，２００９，４２ ｔｉｏｎ ｂａｓｅｄ ｏｎ ｓｉｍｉｌａｒｉｔｙ ａｎａｌｙｓｉｓ ｏｆ ｔｉｍｅ－ｓｅｒｉｅｓ ＮＤＶＩ［Ｊ］． （２）：５５２—５６０．（ｉｎ Ｃｈｉｎｅｓｅ ｗｉｔｈ Ｅｎｇｌｉｓｈ ａｂｓｔｒａｃｔ） Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｅｎｇｉｅｎｅｒ－ ［２２］ 白文龙，张福平．基于ＳＰＯＴ ＶＧＴ／ＮＤＶＩ的陕西省关中地 ｉｎｇ，２０１２，２８（２）：１４８—１５３．（ｉｎ Ｃｈｉｎｅｓｅ ｗｉｔｈ Ｅｎｇｌｉｓｈ 区冬小麦遥感估产［Ｊ］．资源开发与市场，２０１２，２８（６）： ｂａｓｔｒａｃｔ） ４８３—４８５． ［１８］ 陈鹏飞，杨飞，杜佳．基于环境减灾卫星时序归一化植 ＢＡＩ Ｗ Ｌ，ＺＨＡＮＧ Ｆ Ｐ．Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｗｉｎｔｅｒ ｗｈｅａｔ ｙｉｅｌｄ ｉｎ 被指数的冬小麦产量估测［Ｊ］．农业工程学报，２０１３，２９ Ｇｕａｎｚｈｏｎｇ ａｒｅａ ｏｆ Ｓｈａａｎｘｉ Ｐｒｏｖｉｎｃｅ ｕｓｉｎｇ ＳＰＯＴ ＶＧＴ／ＮＤＶＩ （１１）：１２４—１３１． ［Ｊ］．ＲｅｓｏｕｒｃｅＤｅｖｅｌｏｐｍｅｎｔ＆Ｍａｒｋｅｔ，２０１２，２８（６）：４８３— ＣＨＥＮ Ｐ Ｆ，ＹＡＮＧ Ｆ，ＤＵ Ｊ．Ｙｉｅｌｄ ｆｏｒｅｃａｓｔｉｎｇ ｆｏｒ ｗｉｎｔｅｒ ４８５．（ｉｎ Ｃｈｉｎｅｓｅ ｗｉｔｈ Ｅｎｇｌｉｓｈ ａｂｓｔｒａｃｔ） ｗｈｅａｔ ｕｓｉｎｇ ｔｉｍｅ ｓｅｒｉｅｓ ＮＤＶＩ ｆｒｏｍ ＨＪ ｓａｔｅｌｌｉｔｅ［Ｊ］．Ｔｒａｎｓａｃ－ （责任编辑高峻） ｔｏｉｓｎｏｆｔｅｈＣｈｉｅｎｓｅＳｏｃｉｅｔｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＥｎｇｉｅｎｅｒｉｎｇ，２０１３，
