翟世常 王學強 頡耀文

摘要選取黑河流域中游的甘州、臨澤縣（區(qū)）為研究區(qū)，以反映區(qū)域內主要作物（玉米和春小麥）關鍵生長期的HJ1A/B衛(wèi)星影像為數據源，反演歸一化植被指數（NDVI）等表征植被長勢的多種植被指數，并利用時序NDVI數據結合主要作物的物候特征提取出玉米分布信息。在此基礎上，利用回歸模型建立實測LAI與各植被指數及植被覆蓋度的經驗關系，獲得LAI分布信息；通過建立氣溫與太陽輻射同緯度、經度及高程之間的統(tǒng)計回歸模型，分別模擬得到其空間分布；利用水體指數反演得到對應玉米各生長期的水分條件指數（WI）。最后，利用最佳時相的LAI數據結合累積氣溫、累積太陽輻射與水分條件構建出LAI環(huán)境估產模型，估算得到2012年研究區(qū)玉米產量及其分布。結果表明，基于LAI環(huán)境模型估算的玉米產量，單產水平主要集中在6 500～7 500 kg/hm2，平均為6 793.65 kg/hm2，略大于張掖市種子管理局提供的玉米產量均值水平6 750 kg/hm2。

關鍵詞估產模型；葉面積指數；環(huán)境因子；生物量；玉米

中圖分類號S127文獻標識碼A文章編號0517-6611（2015）31-350-04

Maize Yield Estimation Based on RS in the Middle Reaches of Heihe River Basin

ZHAI Shichang，WANG Xueqiang，XIE Yaowen（College of Earth and Environmental Sciences，Lanzhou University，Lanzhou，Gansu 730000）

AbstractSelecting the Heihe River in Ganzhou and Linze County as the study area， and using the HJ1A / B satellite images which can reflect the regions major crops （corn and spring wheat） critical growth phase as a data source to inverting the vegetation indexes. Combined with main crop phonological characteristics of the study area， the information of maize distribution was extracted by the timeseries NDVI. The regression models for measured LAI with vegetation indices and vegetation coverage were established， and the distribution information for the LAI was acquired with the empirical relationship. The distribution of temperature and solar radiation was simulated respectively through the establishment of statistical regression models with latitude， longitude and elevation as independent variables and meteorological data as dependent variables. The moisture index （WI） corresponding to each growing season of maize was estimated by normalized water index. The LAIEnvironmental Factors Model was constructed by LAI in the best phase for crop yield estimation and the major environmental factors. Ultimately， the maize production of the study area in 2012 was estimated respectively by the model. The results showed that the maize yield estimated by the LAIEnvironmental Factors Model was mainly range from 6 500 kg/m2 to 7 500 kg/m2. The average value of 6 793.65 kg/m2， which was slightly larger than 6 750 kg/m2， the mean level of maize production provided by the Zhangye Seed Authority.

Key wordsYield estimation model； LAI； Environmental factors； Biomass；Maize

作物估產是國家制定農業(yè)政策的必要參考數據。利用多時相、較高分辨率的遙感數據結合影響玉米生長發(fā)育的環(huán)境因子建模，可以有效地掌握該區(qū)域的玉米種植面積及其產量，這對當地政府制定合理的種植結構調整政策具有重要參考價值。

利用遙感技術進行作物估產始于1974～1977年美國的LACIE計劃。經過近40年的探究，遙感估產的研究無論從機理性與綜合性，還是從應用性與廣泛性方面，都獲得了不同程度的發(fā)展[1-4]。按照遙感參數是否單獨作為估產模型的因子變量，可以將遙感作物估產方法分為2類：一是只用遙感參數與作物產量建立對應關系；二是將遙感數據與溫度、水分條件、日照強度等非遙感數據相結合構建估產模型[5-6]。

筆者選擇黑河流域中游地區(qū)臨澤縣和甘州區(qū)（不包括安陽鄉(xiāng)和花寨鎮(zhèn)）的農業(yè)綠洲區(qū)作為研究區(qū)，在總結前人進行作物遙感估產常用方法的基礎上，擬利用遙感信息結合環(huán)境因子，利用時序LAI模擬作物生長發(fā)育過程，結合氣溫、太陽輻射以及水分條件等建立LAI環(huán)境產量估算模型對2012年黑河流域干流中游盆地的玉米產量進行估測。

1研究方法與數據來源

1.1技術路線利用NDVI時序數據結合研究區(qū)主要作物的物候特征對玉米分布信息進行提取。通過將各植被指數NDVI、RVI、MSAVI、EVI、HJVI及植被覆蓋度與實測LAI建立回歸模型反演得到LAI，從而建立基于作物關鍵生長期的時序LAI。利用統(tǒng)計回歸模型建立氣溫與太陽輻射同經度、緯度及高程之間統(tǒng)計關系模擬得到其空間分布；利用水體指數反演對應玉米各生育期的水分條件指數（WI）；由此得到LAI環(huán)境產量模型中的累積氣溫、累積太陽輻射、水分條件以及LAI生物量模型中的氣溫脅迫、水分脅迫及作物吸收的有效太陽輻射等。最后利用模型分別反演得到2012年研究區(qū)玉米產量分布，并對結果進行評價。其技術流程見圖1。

1.2模型建立LAI環(huán)境產量模型表示為：

Yield=F（LAIpot，TAt，RAt，WIt）

式中，Yield為玉米作物單產，LAIpot、TAt、RAt、WIt分別表示對應玉米在最佳時相的葉面積指數、自最佳時相對應的生育期到成熟期的累積溫度、累積太陽輻射以及水分條件。

1.3數據來源及預處理

1.3.1影像資料。該研究所用的影像數據為HJ1衛(wèi)星影像，空間分辨率為30 m，且基本可以保證其時相。該衛(wèi)星包括A、B兩星座，于2008年9月6日成功發(fā)射。兩星座聯(lián)合完成對地刈幅寬為700 km的推掃成像，共4個光譜波段。結合影像質量及云覆蓋程度，選擇對應研究區(qū)主要農作物（玉米和小麥）關鍵生育期2012年4月到9月，共10期數據。

對遙感數據源需要進行輻射校正、幾何校正等預處理。

輻射校正包括輻射定標和大氣校正。輻射定標過程采用中

國資源衛(wèi)星應用中心公布的輻射定標系數。大氣校正過程對所有的影像利用FLAASH模塊進行了校正處理，將氣溶膠模式設為鄉(xiāng)村（Rural）模式，按影像獲取時間季節(jié)將大氣模式分別設成對應的MLW模式與MLS模式，在多光譜數據參數設置中選擇由中國資源衛(wèi)星應用中心提供的波譜響應函數。幾何精校正過程，以甘州區(qū)與臨澤縣的1∶10萬地形圖作為參考，利用地形圖進行控制點選擇。通過計算得到幾何校正過程中總體均方差誤差，保證校正誤差小于1個像元。經過幾何精校正后，利用研究區(qū)矢量邊界對各期影像進行裁切，獲得研究區(qū)的影像。

1.3.2實測數據與實地調查數據。研究所使用的實測數據主要用于模型擬合與結果檢驗，包括2012年的黑河流域中游LAI2000測量的LAI數據集、盈科綠洲加密觀測區(qū)作物管理參數數據集。實地調查數據為在遍布研究區(qū)各鄉(xiāng)鎮(zhèn)且具體到地塊級別的調查結果，包括地塊位置信息（經度和緯度）、玉米的種植面積、產量（單產與總產）、種植密度（帶距、行距與株距）、播種時間、收獲時間以及包括灌溉、施肥等的作物管理情況。

由于實測數據、實地調查數據以及氣象數據都為表格數據，因此需要對其進行空間化。實測數據是按照固定樣本實測點不同測量時間進行記錄的，由于樣點數量有限，要舍棄某一時間未記錄或大部分樣點缺失的記錄，然后根據其經緯度進行空間化。實地調查數據主要用于玉米分布信息提取結果檢驗以及玉米估產結果整體水平的評價，要剔除個別脫離總體水平的樣點，最后進行空間化。

1.3.3氣象數據。氣象數據主要為中國氣象科學數據共享服務網提供的2012年地面氣候資料日值站點數據集與氣象輻射日值數據集。利用以上數據集進行氣溫及太陽入射輻射總量的空間分布模擬，用于建模分析。

安徽農業(yè)科學2015年

2結果與分析

2.1作物長勢遙感指標反演及玉米分布信息提取

2.1.1作物長勢遙感指標及其反演。利用植被指數的時間序列數據可以實時監(jiān)測作物在整個生長發(fā)育過程中的長勢狀態(tài)，遙感植被長勢指標與作物產量有著密切的關系。該研究使用到以下植被指數：

（1）歸一化植被指數。

NDVI=（ρNIR-ρRed）/（ρNIR+ρRed）

（2）比值植被指數。

RVI=ρNIR/ρRed

（3）修正型土壤調整植被指數。

MSAVI=（2.0×ρNIR+1-（2.0×ρNIR+1）2-8.0×（ρNIR-ρRed））/2.0

（4）增強型植被指數。

EVI=2.5×（ρNIR-ρRed）/（ρNIR+6.0×ρRed-7.5×ρBlue+1）

（5）環(huán)境植被指數。

HJVI=2.0×（ρNIR-ρRed）/（7.0×ρGreen-7.5×ρBlue+1）

（6）植被覆蓋度（VCF）。植被覆蓋度指的是植被的垂直投影面積在單位面積的比例，是衡量作物的長勢指標之一。該研究采用線性光譜混合模型（LSMM）進行研究區(qū)的植被覆蓋度反演。

LSMM模型獲取植被覆蓋度的過程[8]，是指將像元內各地物的類別、光譜響應和所占比用線性方程分解表達。在該模型中，假設像元在某波段的反射率是各端元的反射率與各自所占比加權線性組合。模型表示為：

ρc=∑n1Fiρi，c+Ec

式中，ρc是整個像元在波段c的反射率；ρi.c是第i種端元在c波段反射率；Ec表示擬合誤差；Fi為第i種端元占像元比。該模型保證各端元比例的和為1，即∑n1 Fi =1，且每種組分比范圍屬于（0，1），即0≤Fi≤1。假設各像元包括植被同其他地物，且為線性關系，利用該模型獲得植被所占比是植被覆蓋度。研究假設單個像元是由裸土、低反射率地物、高反射率地物和植被4種組分線性而成，HJ1衛(wèi)星影像有4個波段，端元數量等于遙感影像的波段數，因此可以通過最小二乘法求解出相應結果，從而獲得植被覆蓋度及其分布。

獲得植被覆蓋度分布信息后，在研究區(qū)內選擇一塊驗證區(qū)，獲取對應區(qū)域的高分辨率（17級）的Google影像，通過計算30 000個30 m×30 m網格單元內的植被信息所占百分比，以此作為“真實”植被覆蓋度信息進行精度評價。精度驗證結果表明利用該方法提取的植被覆蓋度效果較好。

（7）葉面積指數（LAI）。葉面積指是指在單位地表面積內所有綠色葉子的單面面積總和[7]。一般而言，利用遙感技術估算葉面積指數的方法大致分為3類：統(tǒng)計模型法、查找表法、物理模型反演方法。

該研究采用統(tǒng)計模型法獲取各期LAI。在獲得各植被遙感指標和LAI實地測量數據后，選擇合適的指標與實測LAI值進行回歸分析，建立其與LAI的經驗關系，并依據該經驗關系獲得LAI空間分布信息。該研究選取6種指標來與實測LAI建立相應關系。

經過回歸分析可以發(fā)現，隨著自變量指標的增多，多元回歸擬合效果也在提高。因此，利用以下模型進行LAI反演：

LAI=13.382HJVI-5.756VCF2+10.249MSAVI-0.33RVI-4.872EVI+3.457NDVI-3.489

模型判定系數R2為0.787，對擬合效果進行的F檢驗結果通過0.05的顯著性水平檢驗，表明該模型達到顯著水平。由此提取出研究區(qū)玉米LAI分布圖。

2.1.2玉米分布信息提取。通過逐步剝離對玉米分布信息進行提取。首先，選擇作物長勢相對較好的一期NDVI數據，通過對比發(fā)現，7月8日的NDVI數據最符合，按照大津法[9]閾值分割獲取能夠將植被與非植被區(qū)分開的閾值，最終閾值為0.22。

然后，利用植被的物候特征對玉米信息進行提取。

（1）選擇小麥分蘗期的NDVI數據，即NDVI0428，此時玉米地的NDVI值很小，通過閾值分割設定其閾值為0.14，保留NDVI小于0.14的區(qū)域。

（2）小麥在6月上旬達到抽穗期，其NDVI值接近最高值，此時玉米處于三葉期與拔節(jié)期之間，其NDVI值小于小麥的；到7月中旬，玉米達到抽雄期，其NDVI值接近最高值，此時小麥處于成熟期，NDVI值下降。因此選擇NDVI0515、NDVI0602、NDVI07143期數據進行組合，保留符合NDVI0515

（3）玉米在乳熟期到成熟期期間，NDVI值呈下降趨勢，通過對研究區(qū)農戶進行調查訪談，得知自9月27日以后已經陸續(xù)開始對玉米進行收獲，因而保留NDVI0815>NDVI0927的區(qū)域。

（4）通過觀察9月27日的NDVI數據發(fā)現，林地以及其他作物（主要為經濟作物）的NDVI值大于玉米地的，設閾值為0.42，保留符合小于該閾值的區(qū)域。

（5）借助IDL在所有玉米關鍵期組合成的時序NDVI中，選擇出當NDVI最大值在玉米達到拔節(jié)與抽雄期時的所有像元，作為玉米信息提取的參考。

通過實地樣點調查驗證，玉米樣點215個，小麥樣點150個，林地與其他作物樣點分別為21個和40個，其中有3個玉米樣點錯分為其他作物，4個小麥樣點錯分為玉米，驗證結果表明該方法提取的玉米分布信息較為準確。

2.2LAI環(huán)境產量估算LAI環(huán)境產量估算模型將影響作物產量的形成的因素歸為兩部分，一部分是玉米產量形成的物質基礎，表征玉米本身的生物物理因素的葉面積指數，用以反映玉米產量能夠達到的最高上限；另一部分是影響玉米生長發(fā)育的環(huán)境因子，包括累積氣溫、累積太陽輻射及水分條件，該部分對玉米最終產量的形成具有限制作用。將該兩部分與實測產量建立統(tǒng)計模型，最終獲得玉米產量分布信息。

2.2.1環(huán)境因子的空間分布模擬。作物的生長狀況主要受累積氣溫、水分和光照等環(huán)境因素的影響。該研究選擇累積氣溫、累積太陽輻射作為影響作物生長及發(fā)育的氣象因子；利用遙感反演水分條件指數來指示影響作物生長的水分條件；將三者通過與作物LAI組合建模來估算本研究區(qū)玉米產量及其分布。

由于研究區(qū)內氣象站點有限且存在地形差異，傳統(tǒng)的空間插值結果在局部誤差較大。而一個區(qū)域的氣象因子與該地區(qū)的高程、經度和緯度具有較好的線性相關關系[10]。因此，通過將研究區(qū)及其周邊的12個氣象站點在玉米各主要生長期內對應的累積氣溫與經度、緯度及海拔建立多元線性回歸模型對累積氣溫空間分布進行插值模擬。其中海拔數據選擇30 m空間分辨率的DEM數據，經度與緯度數據通過對應像元大小的30 m網格中心點生成經度的與緯度分布的柵格數據。

（1）累積氣溫（TA）空間分布模擬。公式為：

TA=A×latitude+B×longitude+C×height+D

式中，TA表示某一時期內的氣溫累積量，A、B、C、D分別為緯度、經度、高程的系數及常數。通過檢驗，各生長期的累積氣溫擬合效果很好。

（2）累積太陽輻射（RA）空間分布模擬。公式為：

RA=a×latitude+b×longitude+c×height+d

通過檢驗可以發(fā)現，利用該方法擬合結果除在各生育期的判定系數R2都相對較高，說明利用該方法模擬各生長期的累積太陽輻射可行。

（3）水分條件指數（WI）空間分布模擬。利用影像波段組合反演出各生長期的NDWI，由于該指數在綠色植被覆蓋范圍基本為負值，該研究利用WIt=（1+NDWIt）/（1+NDWImax）表示水分條件指數，其取值范圍在（0，1]，其中NDWImax表示作物整個生長期內最大水體指數。由此得到玉米不同生育期的WI，同累積氣溫及累積太陽輻射一起作為LAI環(huán)境估產模型的主要參數變量。

2.2.2作物估產最佳時相選擇。選擇葉面積指數中對玉米長勢信息貢獻最大，且對后期作物產量形成影響最大時期作為估產的最佳時相。一般認為，在該時期的LAI值與產量的相關性較高。利用不同時期的玉米LAI與其實測產量做相關性分析。通過將各期的LAI與玉米產量做相關性分析，發(fā)現在7月14日時的相關系數達到最大并達到0.794，此時，玉米處于抽雄期，能夠較快地積累干物質量。根據相關性分析并結合玉米干物質量累積規(guī)律，將7月14日（抽雄期）作為研究區(qū)玉米估產的最佳時相。

2.2.3玉米產量估算及結果.利用玉米最佳時相的LAI，抽雄期至成熟期的累積氣溫、累積太陽輻射以及水分條件同實地調查的玉米產量構建多元回歸模型，其中，水分條件為抽雄期至成熟期的均值。根據產量與各因子的統(tǒng)計經驗關系，模擬得到研究區(qū)玉米產量分布（圖2）。

Yield=499.883×LAI0714+3.935×TA-2.688×RA-7 874.974×WI+9 990.873

模型判定系數R2為0.725，通過對擬合效果進行的F檢驗，結果通過0.05的顯著性水平檢驗，表明該模型達到顯著水平。結果表明利用遙感和環(huán)境因子建立LAI環(huán)境模型進行產量估測結果是可信的。

根據該模型得到研究區(qū)玉米的單產水平主要集中在6 500～7 500 kg/hm2范圍內。其中，玉米單產最高值為

8 526.77 kg/hm2，最低值為4 002.18 kg/hm2，平均值為

6 793.65 kg/hm2，略大于張掖市種子管理局提供的玉米產量均值水平6 750.00 kg/hm2。

為了驗證估產效果，采用甘州區(qū)與臨澤縣53個樣點的產量數據對結果進行了評價。模擬結果基本可以擬合調查產量的分布趨勢。根據統(tǒng)計得到模擬結果的平均誤差為-662.086 kg/hm2，平均相對誤差為9.63%，表明該模型可以用于研究區(qū)作物估產，具有一定可信度。

3結論

該研究以黑河流域中游的臨澤縣和甘州區(qū)大部為研究區(qū)，利用對應其內主要作物（玉米和小麥）關鍵生育期的HJ1A/B衛(wèi)星影像，分別基于LAI環(huán)境模型對研究區(qū)的玉米產量進行了估算，通過檢驗表明模型結果可信，獲得如下主要結論：

（1）LAI環(huán)境模型實質上是一種基于潛在脅迫因子產量模式的模型，其結果具有一定精度，但由于其依靠經驗統(tǒng)計模型，不適于區(qū)域移植及外推。

（2）利用LAI環(huán)境模型估算得到研究區(qū)玉米產量空間分布，模型判定系數R2為0.725，并通過0.05的顯著性水平檢驗。利用該模型得到玉米的單產水平主要集中在6 500～7 500 kg/hm2。其中，玉米單產最高值為8 526.77 kg/hm2，最低值為4 002.18 kg/hm2，平均值為6 793.65 kg/hm2/hm2，略大于張掖市種子管理局提供的玉米單產均值水平6 750 kg/hm2。

參考文獻

[1] 孫九林.中國農作物遙感動態(tài)監(jiān)測與估產總論[M].北京：中國科學技術出版社，1996.

[2] 萬恩璞，徐希孺.中國玉米遙感動態(tài)監(jiān)測與估產[M].北京：中國科學出版社，1996.

[3] 徐新剛，吳炳方，蒙繼華，等.農作物單產遙感估算模型研究進展[J].農業(yè)工程學報，2008，24（2）：290-298.

[4] 李思佳，孫艷楠，李蒙，等.國內外農作物遙感估產的研究進展[J].世界農業(yè)，2013（5）：125-127.

[5] 王人潮，黃敬峰.水稻遙感估產[M].北京：中國農業(yè)出版社，2002.

[6] 李佛琳，李本遜，曹衛(wèi)星.作物遙感估產的現狀及其展望[J].云南農業(yè)大學學報，2005，20（5）：680-684.

[7] FANG H，LIANG S，KUUSK A.Retrieving leaf area index using a genetic algorithm with a canopy radiative transfer model[J].Remote sensing of environment，2003，85（3）：257-270.

[8] 王廣軍，杜海清，楊玲，等.基于LSMM模型的精確地物覆蓋類型的提取方法[J].遙感信息，2005（1）：8-10.

[9] 吳冰，秦志遠.自動確定圖像二值化最佳閾值的新方法[J].測繪學院學報，2001，18（4）：283-286.

[10] 林忠輝，莫興國，李宏軒.中國陸地區(qū)域氣象要素空間插值 [J].地理學報，2002，57（1）：47-56.