水稻单位面积颖花数近地面遥感监测方法及其估产应用

Rice leaf area index (LAI) from the early days before the beginning flowering stage to the end of the flowering stage remain relatively stable, so rice flowering process can be regarded as the white rice spikelet join to the stable green background. Whether canopy spectral differences between before and after flowering can be used to monitor rice spikelet number per unit area and be further applied on rice yield estimation? For this problem, our project proposes to use unmanned aerial vehicle (UVA) hypersepctral image and ASD measured canopy spectral reflectance to develop a method used for rice spikelet number estimation and further to establish a new model for rice yield estimation. The project intends to identify the rice spikelet sensitive wavebands and derive the new spikelet-related spectral indices from the spectral dimension, and to extract the endmember abundance using mixed pixel decomposition method from space dimension. And then cumulate all spikelet sensitive vegetation indices and the endmember abundance values in the whole flowering stage, respectively, with the spikelet sensitive vegetation indices and the growth period length information, a new method for the estimation of rice spikelet number per unit area is promising to be constructed. On this basis, according to the agricultural concept, the rice yield equals to the number of rice spikelet per unit area multiply setting rate and thousand kernel weights(TKW), combining with the seed setting rate and TKW information, which can be estimated using meteorological data, a yield-component-based model used for rice yield estimation by near-surface remote sensing data is expected to be established. The proposed new model is composed of the key yield factor directly, it can avoid the lack of indirect model in which the rice growth information is used as proxy of rice yield. The study is expected to further improve the accuracy and stability of rice yield estimation using remote sensing.

水稻近花期叶面积指数保持相对稳定，水稻开花过程可视为将白色水稻颖花加入到稳定的绿色背景中，是否可以利用开花前后的光谱差异监测单位面积颖花数量并进行估产应用？针对该问题，本研究拟利用无人机成像高光谱和地面获取的高光谱数据，从光谱维分析颖花开放前后的光谱差异特征，确定对颖花敏感的特征波段，提出新型颖花光谱指数，从空间维利用混合像元分解方法提取颖花端元丰度；然后分别计算颖花光谱指数和颖花端元丰度的花期累积值，再结合开花前的植被指数、生育期长度等信息，构建单位面积颖花数的遥感监测方法。在此基础上，依据农学中“单位面积颖花数×结实率×千粒重=单位面积产量”这一直观、准确地水稻测产方法，结合利用气象信息估算的结实率、千粒重等产量结构参数，建立一个基于产量结构信息的水稻遥感估产新方法。该方法是对水稻产量构成要素的直接监测并估产，能够避免仅面向作物长势信息监测的间接估产的不足，有望进一步提高估产的精度。

水稻是世界主要粮食作物之一，及时准确地水稻产量预测对国家粮食安全有很重要意义。水稻花期是水稻籽粒形成的重要阶段，与水稻产量密切相关。本研究在四年连续田间试验的基础上，利用无人机高光谱影像挖掘水稻花期光谱信息，探究由水稻开花引起的水稻近地面光谱的变化特征，提出了各类颖花指数，建立了考虑花期信息的水稻遥感估产模型，相较于传统的植被指数模型取得了较好的估产效果，本研究提出的方法进一步提高水稻遥感估产精度，也进一步发展和完善水稻遥感估产方法技术体系。主要结果为：(1)水稻花期光谱特征。水稻颖花遥感信号从花期第五天开始明显增强，花期差值光谱与花期比值光谱的颖花数敏感波段主要集中出现在开花期中后期，随时间推移有从近红外区域向红边区域再向近红外区域的变化趋势。强敏感波段分布较为集中：差值导数光谱开花期晚期的红边与近红外区域，比值导数光谱第十天的绿光区域，花期累积导数光谱强敏感波段位于红边区域。(2)单位面积颖花数监测。纯颖花指数参与的单位面积颖花数最佳估测模型R2最高可达到为0.806。颖花指数的参与能够显著提高模型的估测精度，其中提升效果最好的是分蘖期模型，颖花数模型R2由0.273增加到0.811，MAPE和RMSE分别降低50.94%和48.99%。(3)基于产量结构模型的水稻遥感估产方法。利用不同时期水稻光谱信息研究单位面积颖花数监测方法，并结合结实率、千粒重等产量结构参数，依据“单位面积产量=单位面积颖花数×结实率×千粒重”估算水稻产量。从估产模型结果来看，最佳估产结果为四生育期的植被指数++颖花指数的双指数模型，R2为0.905。(4)基于花期信息的水稻遥感估产方法。采用植被指数结合花期光谱信息直接构建水稻估产模型。具有最佳估产结果为三生育期的双指数模型，R2=0.875，MAPE=5.58%，RMSE=582.70kg/ha。本研究首次提出的基于遥感信息水稻单位面积颖花数监测方法和基于颖花指数与植被指数结合的水稻估产方法，提高了水稻估产精度，提供了水稻遥感估产新思路。