劉真真，張喜旺，陳云生，張傳才，秦 奮，曾紅偉

?

基于CASA模型的區(qū)域冬小麥生物量遙感估算

劉真真1,2，張喜旺1,2※，陳云生1,2，張傳才1,2，秦 奮1,2，曾紅偉3

（1. 黃河中下游數(shù)字地理技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，開封 475004；2. 河南大學(xué)環(huán)境與規(guī)劃學(xué)院，開封 475004； 3. 中國科學(xué)院遙感與數(shù)字地球研究所，北京 100094）

該文對(duì)原始CASA（carnegie-ames-stanford-approach）模型中歸一化植被指數(shù)（normalized difference vegetation index，NDVI）最值提取方法及光合有效輻射吸收比（fraction of absorbed photosynthetically active radiation，F(xiàn)PAR）的算法進(jìn)行了深入分析，并通過綜合分析大量國內(nèi)外文獻(xiàn)，更加科學(xué)合理的確定了最大光能利用率的取值，最終確立了適合該研究區(qū)的CASA模型。該文以河北省邯鄲市3個(gè)縣域冬小麥為研究對(duì)象，以HJ-1A/B星遙感數(shù)據(jù)產(chǎn)品為數(shù)據(jù)支撐，采用CASA模型對(duì)研究區(qū)2014年冬小麥生物量進(jìn)行了估算和精度驗(yàn)證，結(jié)果表明：研究區(qū)冬小麥生物量平均值為1 485 g/m2，50%以上區(qū)域在1 500～2 000 g/m2之間。冬小麥實(shí)測生物量與預(yù)測生物量相關(guān)性達(dá)到顯著水平，2為0.811 5。經(jīng)過50組數(shù)據(jù)分析對(duì)比，平均相對(duì)誤差為2.13%，其中，最大值為11.54%，最小值為0.33%；平均預(yù)測生物量為1 807.54 g/m2，與平均實(shí)測生物量1 720.74 g/m2相比，絕對(duì)誤差為86.80 g/m2，為估算區(qū)域冬小麥產(chǎn)量提供理論支撐。

生物量；遙感；作物；CASA；HJ-1A/B；最大光能利用率；冬小麥

0 引 言

生物量通常是指某一時(shí)間段、某一區(qū)域或特定區(qū)域、單位面積內(nèi)植被在光合作用下所產(chǎn)生的有機(jī)物質(zhì)總量或干質(zhì)量。對(duì)于作物而言，生物量可以反映作物自身生長狀況及其所處自然環(huán)境的生態(tài)變化情況，是衡量作物生產(chǎn)力的重要指標(biāo)，也是影響作物產(chǎn)量和收益的關(guān)鍵因素。傳統(tǒng)的作物生物量估測采用實(shí)測法，該方法不僅耗時(shí)耗力，并且對(duì)樣地具有破壞性，不適合長期的長勢監(jiān)測等研究，更不適合大區(qū)域尺度的推廣[1-2]。隨著學(xué)者對(duì)作物生物量研究的不斷深入，以及現(xiàn)代遙感技術(shù)的誕生和發(fā)展，遙感憑借自身快速、準(zhǔn)確性、實(shí)時(shí)性、及對(duì)作物零破壞等優(yōu)勢[3]，逐漸成為了生物量預(yù)測的主要技術(shù)手段。此外，遙感方法能夠獲取作物空間分布信息，可有效降低空間異質(zhì)性對(duì)生物量的影響，提高了估算精度[4]。通過總結(jié)前人研究成果，可將遙感技術(shù)支持下的生物量估算方法分為以下幾類：基于傳統(tǒng)光學(xué)數(shù)據(jù)簡單統(tǒng)計(jì)分析的估算方法、基于高光譜數(shù)據(jù)的估算方法、基于雷達(dá)數(shù)據(jù)的估算方法、基于作物生長模型的估算方法、基于凈初級(jí)生產(chǎn)力（net primary productivity, NPP）的估算方法等[5]，其中基于NPP的生物量估算方法頗受學(xué)者歡迎，常見的NPP估算模型主要有氣候生產(chǎn)力模型[6]、生理生態(tài)過程模型[7]、光能利用率參數(shù)模型[8-9]、作物生長模型[10]等。

CASA模型在參數(shù)模型中最具代表性，也是本文進(jìn)行冬小麥NPP估算所使用的主要模型。CASA模型屬于光能利用率模型，其充分考慮環(huán)境條件以及植被本身特征，主要以遙感（remote sensing, RS）和地理信息系統(tǒng)（geographic information system, GIS）為技術(shù)手段，通過遙感數(shù)據(jù)、溫度、降水、太陽輻射等氣象數(shù)據(jù)以及植被類型、土壤類型共同來驅(qū)動(dòng)。其自身有以下優(yōu)勢：其一，模型的適用性強(qiáng)，它不僅適用于區(qū)域尺度，也適用于全國乃至全球尺度的凈初級(jí)生產(chǎn)力估算，并且CASA模型相對(duì)簡單，需要輸入的參數(shù)較少，大部分參數(shù)均容易獲取，便于進(jìn)行計(jì)算和處理，節(jié)省時(shí)間和成本；其二，遙感數(shù)據(jù)覆蓋范圍廣，時(shí)間分辨率高，并且現(xiàn)在的遙感數(shù)據(jù)種類越來越豐富，利用遙感數(shù)據(jù)獲得NDVI、FPAR等必須參數(shù)，可以脫離地面站點(diǎn)資料的條件束縛；其三，可以實(shí)現(xiàn)區(qū)域尺度上的NPP估測，進(jìn)而能分析NPP的空間分布，還可進(jìn)行NPP動(dòng)態(tài)監(jiān)測等，已經(jīng)成為了一項(xiàng)分析NPP季節(jié)、年際變化不可或缺的技術(shù)手段[11]。然而，CASA模型應(yīng)用于小區(qū)域，如縣級(jí)尺度的研究并不多見，本文將通過分辨率為30 m的HJ1A/HJ1B衛(wèi)星影像，來獲取所需參數(shù)，并利用冬小麥NPP和實(shí)測地面調(diào)查數(shù)據(jù)進(jìn)行縣域冬小麥生物量預(yù)測研究，為小麥估產(chǎn)打下基礎(chǔ)。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于河北省南端偏東，邯鄲市境內(nèi)。如圖1所示，包括曲周縣、邱縣、館陶縣三縣，地處114°51′03″～115°28′15″E，36°27′00″～36°57′51″N，土地總面積約1 582 km2，東西跨56.5 km，縱長跨56.6 km。研究區(qū)屬于暖溫帶半濕潤大陸性季風(fēng)氣候，該區(qū)域是中國主要的糧食生產(chǎn)基地之一，其中館陶縣是黑小麥主要種植區(qū)。研究區(qū)主要糧食作物輪作方式為冬小麥和夏玉米一年兩熟，根據(jù)河北省農(nóng)村統(tǒng)計(jì)年鑒數(shù)據(jù)[12]得知，2014年研究區(qū)農(nóng)作物播種總面積約176 387 hm2，同比減少了0.3%，小麥播種面積57 149 hm2，其中曲周、邱縣、館陶縣分別占總小麥播種面積的48.64%、15.43%和35.93%，小麥總產(chǎn)量為411557 t，同比增長1.4%，研究區(qū)域內(nèi)近幾年小麥總產(chǎn)量及平均單產(chǎn)總體呈上升趨勢，小麥生長狀況良好，2014年研究區(qū)域內(nèi)無重大災(zāi)情。

1.2 數(shù)據(jù)及預(yù)處理

1）遙感影像數(shù)據(jù)

從中國資源衛(wèi)星應(yīng)用中心http://www.cresda.com下載的HJ1A或HJ1B 2級(jí)產(chǎn)品。下載影像時(shí)遵循研究區(qū)無云或少云的原則進(jìn)行篩選下載。時(shí)間從2014年3月初到2014年5月底，經(jīng)過篩選留取質(zhì)量較好的影像共9景，用于3、4、5月份NDVI的提取。為了使得試驗(yàn)結(jié)果更加精確，本文對(duì)HJ-1A/B影像數(shù)據(jù)進(jìn)行了幾何精校正以及大氣校正，其中大氣校正過程在ENVI5.1軟件中完成，包括輻射定標(biāo)、建立波譜響應(yīng)函數(shù)和FLAASH大氣校正三部分。

2）矢量數(shù)據(jù)

矢量數(shù)據(jù)包括由黃河下游科學(xué)數(shù)據(jù)中心（http://henu.geodata.cn)提供的河北省省界、市界、縣界等數(shù)據(jù)；2014年4月空間分辨率為16 m的中國高分1號(hào)遙感衛(wèi)星影像，經(jīng)過專業(yè)人員人工目視判讀、實(shí)地考察解譯而成的農(nóng)作物分布數(shù)據(jù)，提取冬小麥種植區(qū)并利用經(jīng)過處理的GVG (GIS&Video&GPS)[13]采集數(shù)據(jù)對(duì)冬小麥種植區(qū)精度進(jìn)行評(píng)估和校正。經(jīng)實(shí)際調(diào)查，2014年4月研究區(qū)小麥種植區(qū)套種情況一般是在田地的首尾種植其他作物，田間套種情況極少，并且研究區(qū)所使用的小麥分布數(shù)據(jù)是由經(jīng)驗(yàn)豐富的解譯人員結(jié)合實(shí)地調(diào)查數(shù)據(jù)而得，因此本研究區(qū)不考慮小麥混合像元問題。

3）氣象數(shù)據(jù)

本文所使用的月均溫和月降水?dāng)?shù)據(jù)由中國氣象數(shù)據(jù)網(wǎng)http://data.cma.cn/site/index.html提供。數(shù)據(jù)表明，2014年研究區(qū)月平均最高氣溫出現(xiàn)在7月份，月平均最低氣溫出現(xiàn)在1月份，年平均溫度約為14 ℃；2014年研究區(qū)降雨多集中在7到9月份，其中最高降雨量出現(xiàn)在9月。這與研究區(qū)實(shí)際情況相一致。

4）外業(yè)采樣數(shù)據(jù)

研究區(qū)所使用的外業(yè)采樣數(shù)據(jù)包括2種，一種是GVG野外采樣系統(tǒng)采集數(shù)據(jù)，采集時(shí)間為2014年5月，主要包括采樣點(diǎn)經(jīng)緯度、高程、作物類別等信息，用于上述土地覆被解譯數(shù)據(jù)精度檢驗(yàn)。另一種數(shù)據(jù)是冬小麥物理化參數(shù)采樣調(diào)查數(shù)據(jù)，樣區(qū)分布在館陶縣，采樣時(shí)間為2014年6月初（小麥?zhǔn)崭钋埃?，采集的樣品?jīng)過烘箱烘干、內(nèi)業(yè)測量等處理收集所需信息，主要包括每個(gè)樣點(diǎn)的經(jīng)緯度信息，小麥的干質(zhì)量（生物量）、小麥種植密度、單株穂數(shù)、每穗平均粒數(shù)、百粒質(zhì)量等基本采樣信息。

2 研究方法

2.1 CASA模型介紹

CASA模型最早是在1993年由Potter等[14]提出，該模型主要通過2個(gè)參數(shù)計(jì)算植被凈初級(jí)生產(chǎn)力NPP，即植被所能吸收的光合有效輻射（absorbed photosynthetic active radiation，APAR）和實(shí)際光能利用率，計(jì)算表達(dá)式如下

式中表示時(shí)間；表示像元；APAR()表示像元在月份吸收的光合有效輻，MJ/m2；SOL()指月份象元處的太陽總輻射量，MJ/m2；FPAR()為植被層對(duì)入射光合有效輻射（PAR）的吸收比例；常數(shù)0.5表示植被所能利用的太陽有效輻射比率（波長為0.38～0.71m），即光合有效輻射PAR占太陽總輻射SOL的比例；()表示像元在月份的實(shí)際光能利用率，g/MJ；NPP（）表示像元在月份的凈初級(jí)生產(chǎn)力，g/m2。

2.2 估算實(shí)際光能利用率

光能利用率（radiation use efficiency）是植物某一生長時(shí)段內(nèi)累積干物質(zhì)量與該時(shí)段植物冠層吸收的光合有效輻射量的比值。也可以認(rèn)為是植被所吸收的光合有效輻射PAR在光合作用的推動(dòng)下轉(zhuǎn)化為有機(jī)碳的效率。在理想條件下，人們通常認(rèn)為植被具有最大光能利用率，然而實(shí)際情況中，光能利用率受植被的種類、土壤濕度、氣溫和降水等因素的影響，它對(duì)于小區(qū)域范圍內(nèi)同種作物基本趨于常數(shù)[15]，但對(duì)于大范圍作物來講，實(shí)際光能利用率具有空間變異性。這些差異是由于光利用率受溫度、降水、土壤類型、營養(yǎng)供給、疾病、個(gè)體發(fā)育、基因型差異和植物維持與生長的不同能量分配等因素的影響造成的[16]。研究表明值主要在0.42～3.8 g/MJ間變化[17]。研究區(qū)實(shí)際光能利用率的計(jì)算是結(jié)合1993年Field提出的光能利用率計(jì)算模型[14,18]以及1995年周廣勝和張新時(shí)建立的區(qū)域?qū)嶋H蒸散模型[19]計(jì)算而來，其計(jì)算公式如下

式中W()為像元在月份的水分脅迫影響變量，該變量用來表示NPP受水分條件的影響程度。T1()和T2)是像元在月份的溫度脅迫影響變量，ε是指在光照充足、水熱條件適宜的理想狀態(tài)下，植被對(duì)光合有效輻射的利用率，本文取常數(shù)。

最大光能利用率*是實(shí)際光能利用率中的重要參數(shù)，不同的植被，最大光能利用率有所不同。本文通過分析大量文獻(xiàn)結(jié)合研究區(qū)溫度、降水、光照、地勢等條件，確定適合本研究區(qū)的最大光能利用率。Ruimy等[20]根據(jù)不同生態(tài)系統(tǒng)間光能利用率的差異，將光能利用率視為不同的常數(shù)；Potter等[14]和Field等[21-22]認(rèn)為全球植被最大光能利用率為0.389 g/MJ；Raymond等[23]認(rèn)為光能利用率的上限為3.5 g/MJ；GLO-PEM(Global Production Efficiency Model)模型[16]，根據(jù)C3和C4植物固碳途徑的差異，對(duì)C3和C4類型植物分別取不同的*值。彭少麟等[24]利用GIS和RS對(duì)廣東植被光利用率進(jìn)行估算時(shí), 所取的最大光利用率為1.25 g/MJ；朱文泉等[17]采用改進(jìn)的最小二乘法對(duì)中國主要植被的最大光能利用率進(jìn)行了系統(tǒng)的模擬，其利用植被分類精度對(duì)模擬結(jié)果進(jìn)行分析來測試最大光能利用率對(duì)分類精度的敏感性，以此來驗(yàn)證模擬結(jié)果的穩(wěn)定性，并將模擬結(jié)果與Running等[25]采用生理生態(tài)過程模型得出的模擬結(jié)果作對(duì)比分析，來驗(yàn)證模擬結(jié)果的可靠性。而對(duì)于Running等對(duì)最大光能利用率的確定是基于全球尺度的，應(yīng)用于區(qū)域尺度不一定適用，并且其樣點(diǎn)數(shù)據(jù)大都在北美地區(qū)，對(duì)中國是否適用還有待考量；康婷婷[26]對(duì)中國農(nóng)田近11 a的最大光能利用率進(jìn)行模擬分析，其最大光能利用率均值在1.18～1.49 g/MJ之間，各省的最大光能利用率變化范圍在0.57～2.02 g/MJ，并得出河北省邯鄲市區(qū)域最大光能利用率均值，11 a間每年增幅在0.06 g/MJ以上；此外，在沒有環(huán)境脅迫情況下，小麥的光能利用率范圍在1.46～2.93 g/MJ之間[27-28]，大麥的光能利用率在1.79～2.33 g/MJ之間[27,29]。

最大光能利用率在不同的植物類別，不同作物品種間，差異均較大。比如，C3作物（小麥、大豆、水稻、棉花等）光能利用率最高可達(dá)3.0 g/MJ，C4作物（玉米、高粱、粟、黍等）光能利用率可達(dá)4.8 g/MJ[20]。本研究區(qū)研究對(duì)象為冬小麥，屬于C3作物，根據(jù)C3作物最適光能利用率范圍以及最大光能利用率上限，結(jié)合研究區(qū)區(qū)域及研究對(duì)象特點(diǎn)，將最大光能利用率取值為2.8 g/MJ。

2.3 參數(shù)的確定

2.3.1 FPAR參數(shù)率定

在原有的CASA模型算法中，計(jì)算FPAR所使用的數(shù)據(jù)是具有千米級(jí)別的NOAA/AVHRR產(chǎn)品，并且研究區(qū)域是全球尺度。與前者相比，本研究區(qū)是縣域尺度，若使用NOAA/AVHRR產(chǎn)品顯然不能滿足要求，原始FPAR模型算法也不一定適用，因此本文采用環(huán)境資源衛(wèi)星HJ-1A/B產(chǎn)品，空間分辨率為30 m。近年來學(xué)者不斷對(duì)模型進(jìn)行改進(jìn)，提出了更加被認(rèn)可的FPAR計(jì)算模型，如公式（2）所示，模型根據(jù)FPAR與NDVI存在的線性關(guān)系，利用NDVI、NDVI最值與相應(yīng)的FPAR最值來確定二者關(guān)系，關(guān)系式[20]如下

光合有效輻射吸收比FPAR也可以由比值植被指數(shù)SR、SR最值、FPAR最值來確定，公式如下

（3）

FPARmax與FPARmin與植被類型無關(guān)，其大小分別為0.95和0.001，他們分別表示植被處于全覆蓋和無植被（裸地）狀態(tài)下FPAR的值[17]；SR是比值植被指數(shù)，其值與植被類型有關(guān)。在本文中，=小麥時(shí)，SR,min和SR,max取值由NDVI,min和NDVImax決定。其中NDVI最大值是指植被達(dá)到完全覆蓋、植被光合作用最旺盛時(shí)的值，并非是指某一植被實(shí)際的NDVI的最大值，NDVI最小值是指無植被或者在荒地、裸地狀態(tài)下，NDVI最小值[17]。

SR(,)與歸一化植被指數(shù)NDVI(,)關(guān)系式如下

對(duì)上述前人改進(jìn)的2種FPAR算法引入修正系數(shù)，通過參數(shù)率定法來確定本研究區(qū)FPAR計(jì)算方法，公式如下所示

式中FPARNDVI為式（2）所估算的結(jié)果；FPARSR為式（3）所估算的結(jié)果；為2種方法間的調(diào)整系數(shù)，在本研究中統(tǒng)一定為0.5（即取二者的平均值）。

通過對(duì)比FPARNDVI和FPARSR所估算結(jié)果，發(fā)現(xiàn)由NDVI所估算的FPARNDVI與實(shí)測值相比偏高，而由SR所估算的FPARSR與實(shí)測值相比偏低，但后者誤差小于前者，通過對(duì)式（5）中修正系數(shù)取值（0.1～0.9）的測試，當(dāng)取0.5時(shí)，實(shí)測值與FPAR相關(guān)性最好。因此，本研究最終將式（3）和式（4）組合起來，取其平均值作為FPAR的估算值。

2.3.2 NDVI最值的確定

以往NDVI最值（NDVImax和NDVImin）多是在全球或全國尺度上，以NOAA/AVHRR NDVI為數(shù)據(jù)基礎(chǔ)，來進(jìn)行NDVI最值的提取，而本文的研究區(qū)域是縣域尺度，使用NOAA/AVHRR NDVI數(shù)據(jù)顯然不太合適，因此需要更高分辨率的遙感數(shù)據(jù)進(jìn)行NDVI最值提取。本文參考朱文泉等[17]求取NDVImax的方法，取由HJ-1A/B數(shù)據(jù)提取而來的研究區(qū)冬小麥NDVI最大值概率分布圖95%下側(cè)分位數(shù)和5%下側(cè)分位數(shù)作為NDVImax和NDVImin，算法原理如下：

設(shè)連續(xù)隨機(jī)變量的分布函數(shù)為()，密度函數(shù)為()。實(shí)數(shù)滿足0<<1時(shí)，的下側(cè)分位數(shù)是使{<}=()=的數(shù)。

本文結(jié)合研究區(qū)NDVI分布情況來確定研究區(qū)冬小麥的NDVI最值，獲取流程如下：

1）用最大化合成法求取研究區(qū)各像元的NDVI最大值；

2）提取小麥像元，建立NDVI最大值概率分布圖，取95%下側(cè)分位數(shù)，即為NDVImax；

3）NDVImin獲取方法與最大值獲取方法相似，NDVImin是指無植被或者在荒地、裸地狀態(tài)下NDVI概率分布的5%下側(cè)分位數(shù)。

取95%下側(cè)分位數(shù)和5%下側(cè)分位數(shù)在一定程度上消除了遙感影像噪聲引起的誤差，二者取值在MATLAB軟件環(huán)境下編程實(shí)現(xiàn)。通過計(jì)算，本研究中NDVImax取0.803，NDVImin取0.15。

2.4 冬小麥生物量估算模型

本文結(jié)合宋富強(qiáng)等[30]和任建強(qiáng)等[15,31]計(jì)算小麥產(chǎn)量方法，推導(dǎo)出本文所使用的冬小麥生物量估算模型，冬小麥單位面積生物量的估算模型如下

由公式（6）可以看出，生物量和累積NPP呈較好的線性相關(guān)性。其中，為小麥單位面積生物量，g/m2；∑NPP為冬小麥3月至5月NPP累積值，g/m2；為植物C素含量與植物干物質(zhì)量間轉(zhuǎn)化系數(shù)，對(duì)于一種作物而言，為常數(shù)[15]，冬小麥生物體C素含量約為45%，則其值約為2.22；為0.9，指作物地上部分生物量占整株生物量的比例[31]；是指作物籽粒收獲后儲(chǔ)藏期的含水量系數(shù)，對(duì)于冬小麥而言，值為12.5%[32]。

3 結(jié)果分析與驗(yàn)證

3.1 主要參數(shù)結(jié)果與分析

3.1.1 關(guān)鍵生育期NDVI變化趨勢

圖2為2014年研究區(qū)冬小麥3月至5月NDVI變化情況，其中白色區(qū)域?yàn)榉嵌←湻N植區(qū)。其中3月至5月的NDVI是由當(dāng)月上旬、中旬、下旬各一景影像的NDVI值通過最大化合成法（maximum value composites，MVC）合成的月NDVI。由圖可以看出，從3月開始到5月份冬小麥從返青期逐漸過渡到灌漿期等，其間經(jīng)歷返青拔節(jié)期、抽穗期、揚(yáng)花期，NDVI逐漸增大，3月與4、5月NDVI對(duì)比差異明顯。3月份曲周縣中部NDVI相對(duì)其他區(qū)域偏低，原因是由于種植較為稀疏。整體上看，研究區(qū)冬小麥3月份生長狀況基本一致，平均NDVI為0.47，大部分區(qū)域NDVI都在0.4～0.6范圍內(nèi)。到4月份，小麥葉片面積在該期間達(dá)到最大，NDVI最大值也隨之出現(xiàn)，4月份冬小麥NDVI均值為0.68，與3月份相比增長了44%，說明冬小麥從3月到4月，小麥增長迅速，生長發(fā)育良好。5月NDVI均值為0.70，與4月相差不大，因?yàn)樵摃r(shí)期冬小麥正處在灌漿乳熟階段，是籽粒形成的關(guān)鍵階段，由圖可以看出5月份，館陶縣北部以及南部部分區(qū)域NDVI值處在0.8以上，小麥生長狀態(tài)佳。

3.1.2 光合有效輻射吸收比FPAR

如圖3為2014年3-5月冬小麥光合有效輻射吸收比FPAR分布情況。由圖3可以看出3月FPAR值與4月和5月相比偏低，F(xiàn)PAR多處于0.3～0.4之間。到4月，F(xiàn)PAR逐漸增大，此時(shí)研究區(qū)冬小麥FPAR大都在0.5以上，進(jìn)入5月份FPAR繼續(xù)增大，直到小麥停止光合作用；平均FPAR最大值出現(xiàn)在5月，為0.71，3、4月份平均FPAR分別為0.34和0.66。此外，可以發(fā)現(xiàn)5月份館陶縣FPAR北部和南部要比曲周和邱縣高，說明館陶縣的小麥長勢優(yōu)于曲周和邱縣。館陶縣小麥長勢呈現(xiàn)南北高的態(tài)勢，原因是受地理位置和地勢等因素影響，相比之下，北部和南部水熱條件和土壤條件較適宜小麥生長，長勢比研究區(qū)其他區(qū)域要好，同時(shí)也是高產(chǎn)和穩(wěn)產(chǎn)區(qū)域。

3.1.3 實(shí)際光能利用率ε

如圖4所示，在同一個(gè)月份、同種作物、小區(qū)域情況下，實(shí)際光能利用率變化并不明顯，但它可能會(huì)受地勢、水分、溫度等呈現(xiàn)微小差別。由圖可知，在同一月份，實(shí)際光能利用率變化幅度不明顯，其中，3月份光能利用率在0.91～0.96 g/MJ之間，4月份光能利用率在1.75～1.79 g/MJ之間，5月份光能利用率在1.21～1.31 g/MJ之間。不同月份相比，4月光能利用率明顯高于3月和5月，原因是由于4月份冬小麥正處于生長發(fā)育較快的時(shí)期，植被光合作用能力強(qiáng)，溫度及水熱條件適宜小麥等植被生長。3月－5月份研究區(qū)光能利用率空間分布趨勢，館陶縣的光能利用率優(yōu)于邱縣和曲周，整體呈現(xiàn)西北低東南高的空間分布差異。

3.2 NPP估算結(jié)果分析

計(jì)算得到的研究區(qū)冬小麥3到5月NPP如圖5所示，從圖中可以看出，3月NPP與4月和5月NPP相比差異較大，3月份，小麥處于返青期，小麥葉片面積逐漸增大，大部分區(qū)域NPP主要在0～200 g/m2之間，其中處于100 g/m2以內(nèi)小麥象元居多，3月份平均NPP為78 g/m2。進(jìn)入4月份，冬小麥葉片面積繼續(xù)增大，進(jìn)入生長旺盛期，NPP也隨之增大，此期間90%以上區(qū)域冬小麥NPP都在200～400 g/m2之間，其中處于200～300 g/m2冬小麥象元占總小麥象元的33.73%，處于300～400 g/m2冬小麥象元占總小麥象元的56.72%，4月平均NPP為297 g/m2與3月相比增加了好幾倍，說明小麥長勢處于較好的上升狀態(tài)。到5月份小麥逐漸進(jìn)入開花期、灌漿期、乳熟期等，此期間大部分的NPP都在250 g/m2以上，5月平均NPP為320 g/m2，與4月相比，增加了7.74%。這與小麥不同時(shí)期生長發(fā)育的生理狀態(tài)是一致的，小麥長勢良好。

生長期中3月、4月和5月是冬小麥獲得高產(chǎn)穩(wěn)產(chǎn)的關(guān)鍵時(shí)期，本文選用產(chǎn)量形成關(guān)鍵期3月、4月、5月的NPP累積值來估算研究區(qū)冬小麥單位面積生物量，如圖6為冬小麥3月至5月NPP累積結(jié)果分布圖，3月、4月、5月的冬小麥NPP占3至5月NPP累積總和比例分別為11.23%、42.71%、46.06%，可見2014年研究區(qū)冬小麥在產(chǎn)量形成過程中生長狀況良好。

3.3 生物量估算結(jié)果及驗(yàn)證

3.3.1 生物量估算結(jié)果分析

冬小麥生物體中含碳量在45%左右，則值約為2.22，根據(jù)這種轉(zhuǎn)換關(guān)系，將冬小麥產(chǎn)量形成關(guān)鍵期3月至5月累積NPP乘以轉(zhuǎn)換系數(shù)，并加入系數(shù)和即可得到研究區(qū)冬小麥生物量（干物質(zhì)量）。如圖7所示，館陶縣小麥長勢要優(yōu)于曲周和邱縣，這種差異與實(shí)際情況相一致，歷年來館陶縣都是冬小麥高產(chǎn)和穩(wěn)產(chǎn)區(qū)，該地區(qū)黑小麥種植歷年來逐漸增加，根據(jù)調(diào)查顯示，黑小麥的產(chǎn)量要高于一般小麥品種的產(chǎn)量。此外，如圖8不同干物質(zhì)量區(qū)間像元個(gè)數(shù)所占比例可知，50%以上像元值在1 500～2 000 g/m2之間，整個(gè)研究區(qū)冬小麥干物質(zhì)量平均值為1 485 g/m2。由圖可以看出，冬小麥長勢館陶縣最好，館陶縣區(qū)域內(nèi)長勢地域趨勢無明顯差別，曲周中部像元值較低，長勢稍差，其他區(qū)域長勢良好，整體上看，整個(gè)研究區(qū)域小麥生長發(fā)育良好。

3.3.2 生物量估算結(jié)果驗(yàn)證

本文所用的實(shí)測樣點(diǎn)數(shù)據(jù)位于館陶縣境內(nèi)，共50個(gè)樣點(diǎn)，經(jīng)過內(nèi)業(yè)處理，得到各個(gè)樣點(diǎn)實(shí)測生物量。

為了使驗(yàn)證結(jié)果更加可靠，取采樣點(diǎn)周圍60 m范圍內(nèi)的像元均值作為相應(yīng)采樣點(diǎn)處的預(yù)測值，冬小麥實(shí)測樣點(diǎn)處的生物量與預(yù)測單生物量對(duì)比結(jié)果如圖9所示，2為0.811 5，可知預(yù)測結(jié)果較為理想。50組數(shù)據(jù)經(jīng)過分析對(duì)比，得表1，其中，最大相對(duì)誤差為11.54%，最小相對(duì)誤差為0.33%，將所有相對(duì)誤差進(jìn)行平均得平均相對(duì)誤差為2.13%；將50個(gè)實(shí)測生物量與預(yù)測值分別進(jìn)行平均，得平均預(yù)測生物量為1 807.54 g/m2，與實(shí)測平均生物量1 720.74 g/m2相比，絕對(duì)誤差為86.80 g/m2，與任建強(qiáng)等[15]預(yù)測結(jié)果相比，稍優(yōu)于后者結(jié)果。說明本文基于改進(jìn)的CASA模型的估產(chǎn)研究，在一定區(qū)域內(nèi)具有可行性，為今后進(jìn)行區(qū)域估產(chǎn)提供了較好的基礎(chǔ)。

表1 館陶縣預(yù)測冬小麥生物量精度分析

4 結(jié)論與討論

1）以空間分辨率為30 m的HJ-1A/B產(chǎn)品為數(shù)據(jù)支撐。與以往估產(chǎn)廣泛采用的分辨率為250 m的MODIS影像或者分辨率達(dá)千米級(jí)的NOAA-AVHRR影像相比，本文采用空間分辨率為30 m的環(huán)境資源衛(wèi)星HJ-1A/B星影像，有利于提高提取參數(shù)的準(zhǔn)確性，結(jié)果能更好地反映相關(guān)參數(shù)和冬小麥產(chǎn)量的空間分布，對(duì)于區(qū)域遙感估產(chǎn)具有重要的參考價(jià)值。此外，HJ-1A/B衛(wèi)星影像相對(duì)于同等空間分辨率的衛(wèi)星產(chǎn)品（如，Landsat 8）有較高的觀測頻率，即使在經(jīng)常有云的天氣也能獲得無云或少云的影像產(chǎn)品，文中對(duì)預(yù)測的冬小麥生物量部分區(qū)域進(jìn)行了精度驗(yàn)證，平均相對(duì)誤差為2.13%，為下一步進(jìn)行小麥單位產(chǎn)量估算打下了較好的基礎(chǔ)。

2）在不同尺度、不同環(huán)境、不同植被類型條件下CASA模型中的參數(shù)具有一定的差異性。本文充分考慮了研究區(qū)冬小麥生長狀況及區(qū)域氣候等因素，量身定制參數(shù)模型中NDVImax和NDVImin，從一定程度上提高了參數(shù)取值的準(zhǔn)確性；實(shí)際光能利用率的計(jì)算，本文考慮了冬小麥光能利用率在不同月份的差異性，得出了冬小麥3、4、5月份實(shí)際光能利用率的空間分布；最大光能利用率是求取植被凈初級(jí)生產(chǎn)力NPP的重要參數(shù)，本文通過對(duì)大量文獻(xiàn)的分析與研究，并結(jié)合研究區(qū)自身區(qū)域特點(diǎn)如氣候、地勢、植被類型等，將其取值為2.8 g/MJ。

論文的下一步研究方向有以下幾方面：其一，用同樣的方法對(duì)該區(qū)域及統(tǒng)一尺度的不同區(qū)域多年的冬小麥進(jìn)行生物量預(yù)測，測試模型的穩(wěn)定性和準(zhǔn)確性；其二，深入研究冬小麥?zhǔn)斋@指數(shù)空間差異性特征，為冬小麥單位產(chǎn)量估算打基礎(chǔ)；其三，通過多源數(shù)據(jù)融合技術(shù)，充分利用不同遙感數(shù)據(jù)的優(yōu)點(diǎn)進(jìn)行遙感產(chǎn)量估測，以有效解決遙感估產(chǎn)中數(shù)據(jù)缺失、空間分辨率低、時(shí)間分辨率低等遙感產(chǎn)品的不足，充分發(fā)揮不同遙感產(chǎn)品優(yōu)勢，提高遙感產(chǎn)品利用效率。

[1] Redjadj C, Dupare A, Lavorel S, et al. Estimating herbaceous plant biomass in mountain grasslands: A comparative study using three different methods[J]. Alpine Botany, 2012, 122(1): 57－63.

[2] 張文龍. 鎮(zhèn)域尺度農(nóng)田生態(tài)系統(tǒng)地上生物量遙感估算及地表有機(jī)碳儲(chǔ)量研究[D]. 泰安：山東農(nóng)業(yè)大學(xué)，2011.

Zhang Wenlong. Researches on Remote Sensing Estimation of Aboveground Biomass and Land Surface Organic Carbon Storage in farmland ecosystem at Town Scale[D]. Taian: Shandong Agricultural University, 2011. (in Chinese with English abstract)

[3] 袁曉波，牛得草，吳淑娟，等. 黃土高原典型草原地上生物量估測模型[J]. 生態(tài)學(xué)報(bào)，2016，36(13)：1－11.

Yuan Xiaobo, Niu Decao, Wu Shujuan, et al. Estimation of aboveground biomass in the grassland of the Loess Plateau，Northern China[J]. Acta Ecologica Sinica, 2016, 36(13): 1－11. (in Chinese with English abstract)

[4] 王新云，郭藝歌，何杰. 基于多源遙感數(shù)據(jù)的草地生物量估算方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(11)：159－166，294.

Wang Xinyun, Guo Yige, He Jie. Estimation of above-ground biomass of grassland based on multi-source remote sensing data[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2014, 30(11): 159－166, 294. (in Chinese with English abstract)

[5] 杜鑫，蒙繼華，吳炳方. 作物生物量遙感估算研究進(jìn)展[J]. 光譜學(xué)與光譜分析，2010(11)：3098－3102.

Du Xin, Meng Jihua, Wu Bingfang. Overview on monitoring crop biomass with remote sensing[J]. Spectroscopy and Spectral Analysis, 2010(11): 3098－3102. (in Chinese with English abstract)

[6] 王勝蘭. 基于5種氣候生產(chǎn)力模型的烏魯木齊地區(qū)NPP計(jì)算分析[J]. 沙漠與綠洲氣象，2008(4)：40－44.

Wang Shenglan. Computation and analysis about NPP in Urumqi area based on 5 Kinds climate-productivity model[J]. Desert and Oasis Meteorology, 2008(4): 40－44. (in Chinese with English abstract)

[7] 鄒薇，劉鐵梅，潘永龍，等. 基于生理生態(tài)過程的大麥 頂端發(fā)育和物候期模擬模型[J]. 生態(tài)學(xué)報(bào)，2009，29(2)：815－823.

Zhou Wei, Liu Tiemei, Pan Yonglong, et al. A process -based si mulation model on apical development and phenological stages in barley: Model description[J]. Acta Ecologica Sinica, 2009, 29(2): 815－823. (in Chinese with English abstract)

[8] 徐新剛，吳炳方，蒙繼華，等. 農(nóng)作物單產(chǎn)遙感估算模型研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24(2)：290－298.

Xu Xingang, Wu Bingfang, Meng Jihua, et al. Research advances in crop yield estimation models based on remote sensing[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2008，24(2)：290－298. (in Chinese with English abstract)

[9] 李海亮，羅微，李世池，等. 基于遙感信息和凈初級(jí)生產(chǎn)力的天然橡膠估產(chǎn)模型[J]. 自然資源學(xué)報(bào)，2012，27(9)：1610－1621.

Li Hailiang, Luo Wei, Li Shichi, et al. Estimation model of natural rubber yield based on net primary production and remote sensing[J]. Journal of Natural Resources, 2012, 27(9): 1610－1621. (in Chinese with English abstract)

[10] 王東偉，王錦地，梁順林. 作物生長模型同化MODIS反射率方法提取作物葉面積指數(shù)[J]. 中國科學(xué):地球科學(xué)，2010，40(1)：73－83.

Wang Dongwei, Wang Jindi, Liang Shunlin. Retrieving crop leaf area index by assimilation of MODIS data into crop growth model[J]. Sci China Earth Sci, 2010, 40(1): 73－83. (in Chinese with English abstract)

[11] 馮險(xiǎn)峰，劉高煥，陳述彭，等. 陸地生態(tài)系統(tǒng)凈第一性生產(chǎn)力過程模型研究綜述[J]. 自然資源學(xué)報(bào)，2004，19(3)：369－378.

Feng Xianfeng, Liu Gaohuan, Chen Shupeng, et al. Study on process model of net primary productivity of terrestrial ecosystems[J]. Journal of Natural Resources, 2004, 19(3): 369－378. (in Chinese with English abstract)

[12] 河北省統(tǒng)計(jì)局. 2015年河北省農(nóng)村統(tǒng)計(jì)年鑒[M]. 北京：中國統(tǒng)計(jì)出版社，2015.

[13] 吳炳方，田亦陳，李強(qiáng)子. GVG農(nóng)情采樣系統(tǒng)及其應(yīng)用[J]. 遙感學(xué)報(bào)，2004，8(6)：570－580.

Wu Bingfang, Tian Yichen, Li Qiangzi. GVG- a crop type proportion sampling instrument[J]. Journal of Remote Sensing, 2004, 8(6): 570－580. (in Chinese with English abstract)

[14] Potter C S, Randerson J T, Field C B, et al. Terrestrial ecosystem production: A process model based on global satellite and surface data[J]. Global Biochemical Cycle, 1993(7): 811－841.

[15] 任建強(qiáng)，陳仲新，唐華俊，等. 基于植物凈初級(jí)生產(chǎn)力模型的區(qū)域冬小麥估產(chǎn)研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2006，22(5)：111－116.

Ren Jianqiang, Chen Zhongxin, Tang Huajun, et al. Regional yield estimation for winter wheat based on net primary production model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(5): 111－116. (in Chinese with English abstract)

[16] Prince S D, Goward S N. Global primary production: A remote sensing approach[J]. Journal of Biogeography, 1995, 22: 815－835.

[17] 朱文泉，潘耀忠，何浩，等.中國典型植被最大光利用率模擬[J]. 科學(xué)通報(bào)，2006，51(6)：700－706.

Zhu Wenquan, Pan Yaozhong, He Hao, et al. China's largest light utilization simulation of typical vegetation[J]. Chinese Science Bulletin, 2006, 51(6): 700－706. (in Chinese with English abstract)

[18] 米曉飛. HJ-1衛(wèi)星NPP反演及其空間展布研究[D]. 焦作：河南理工大學(xué)，2010.

Mi Xiaofei. NPP Retrieval Based on HJ-1 and Spatial Distribution Study[D].Jiaozuo: Henan Polytechnic University, 2010. (in Chinese with English abstract)

[19] 周廣勝，張新時(shí). 自然植被凈第一性生產(chǎn)力模型初探[J]. 植物生態(tài)學(xué)報(bào)，1995(3)：193－200.

Zhou Guangsheng, Zhang Xinshi. A natural vegetation NPP Model[J]. Journal of Plant Ecology, 1995(3): 193－200. (in Chinese with English abstract)

[20] Ruimy A, Dedieu G, Saugier B. Methodology for the estimation of terrestrial net primary production from remotely sensed data[J]. Journal of Geophysical Research, 1994, 99: 5263－5284.

[21] Field C B, Behrenfeld M J, Randerson J T, et al. Primary production of the biosphere: Integrating terrestrial and oceanic components[J]. Science, 1998, 281: 237－240.

[22] Field C B, Randerson J T, Malmstr?m C M. Global net primary production: Combining ecology and remote sensing[J]. Remote Sensing of Environment, 1995, 51: 74－88.

[23] Raymond E, Hunt J R. Relationship between woody biomass and PAR conversion efficiency for estimating net primary production from NDVI[J]. International Journal of Remote Sensing, 1994, 15: 1725－1730.

[24] 彭少麟，郭志華，王伯蓀. 利用GIS和RS估算廣東植被光利用率[J]. 生態(tài)學(xué)報(bào)，2000，20(6)：903－909.

Peng Shaolin, Guo Zhihua, Wang Bosun. Use of GIS and RS to estimate the light utilization efficiency of the vegetation in Guangdong China[J]. Acta Ecologica Sinica, 2000, 20(6): 903－909. (in Chinese with English abstract)

[25] Running S W, Thornton P E, Nemani R, et al. Global Terrestrial Gross and Net Primary Productivity from the Earth Observing System[M]. In: Sala O, Jackson R, Mooney H, eds. Methods in Ecosystem Science. New York: Springer Verlag, 2000: 44－57.

[26] 康婷婷.中國農(nóng)田凈初級(jí)生產(chǎn)力和最大光能利用率參數(shù)時(shí)空特征分析[D]. 南京：南京大學(xué)，2014.

Kang Tingting. Study on the Spatial and Temporal Variations of Net Primary Productivity and Maximum Light Use Efficiency of Croplands in China[D]. Nanjing: Nanjing University, 2014. (in Chinese with English abstract)

[27] Gregory P J, Tennant D, Belford R K. Root and shoot growth and water and light use efficiency of barley and wheat crops grown on a shallow duplex soil in a Mediterranean-type environment[J]. Journal of the Australian Institute of Agricultural Science, 1992, 43: 555－573.

[28] Yunusa I A M, Siddique K H M, Belford R K, et al. Effect of canopy structure on efficiency of radiation interceptionand use in spring wheat cultivars during the pre-anthesis period ina mediterranean-type environment[J]. Field Crops Research, 1993, 35: 113－122.

[29] Jamieson P D, Martin R J, Francis G S, et al. Drought effects on biomass production and radiation-use efficiency in barley[J]. Field Crops Research, 1995, 43: 77－86.

[30] 宋富強(qiáng)，鄭壯麗，王令超. 基于CASA模型的河南省冬小麥估產(chǎn)研究[J]. 河南科學(xué)，2012，30(10)：1467－1468.

Song Fuqiang, Zheng Zhuangli, Wang Lingchao. Yield estimation for winter wheat of henan province based on CASA model[J]. Henan Science, 2012, 30(10): 1467－1468. (in Chinese with English abstract)

[31] 任建強(qiáng)，劉杏認(rèn)，陳仲新，等.基于作物生物量估計(jì)的區(qū)域冬小麥單產(chǎn)預(yù)測[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2009(4)：872－878.

Ren Jianqiang, Liu Xingren, Chen Zhongxin, et al. Production of winter wheat yield based on crop biomass estimation at regional scale[J]. Chinese Journal of Applied Ecology, 2009(4): 872－878. (in Chinese with English abstract)

[32] 閆慧敏，劉紀(jì)遠(yuǎn)，曹明奎.中國農(nóng)田生產(chǎn)力變化的空間格局及地形控制作用[J]. 地理學(xué)報(bào)，2007，62(2)：171－180.

Yan Huimin, Liu Jiyuan, Cao Mingkui. Spatial Pattern and topographic control of China's agricultural productivity variability[J]. Acta Geographica Sinica, 2007, 62(2): 171－180. (in Chinese with English abstract)

Remote sensing estimation of biomass in winter wheat based on CASA model at region scale

Liu Zhenzhen1,2, Zhang Xiwang1,2※, Chen Yunsheng1,2, Zhang Chuancai1,2, Qin Fen1,2, Zeng Hongwei3

(1475004; 2.475004; 3.100094)

Remote sensing can dynamically monitor crop, in real-time, all-weather, also simulate process of crop growth by extracting remote sensing parameters. It was the first step to estimate NPP (net primary productivity) for biomass estimation, and the CASA(Carnegie-Ames-Stanford Approach) model, one of the most popular biomass estimation model, was used for NPP estimation of winter wheat to realize the winter wheat biomass estimation in study area. We analyzed deeply and developed both the NDVI extracting method and FPAR algorithm based on the original CASA model. After comprehensively absorbing the experience of related literature, and the maximum value of light energy utilization efficiency was determined. Then we got an improved CASA model which was suitable for study area. The quantile fractile with winter wheat NDVI maximum probability distribution was extracted to determine NDVImaxand NDVImin, and previous algorithm of improved FPAR with a correction factor was used in this paper. Solar radiation (SOL) around the area of the site data were used for the interpolation by natural neighbor spatial interpolation method. Temperature, precipitation and other meteorological data in the study area were used to calculate the real light energy utilization efficiency. Finally, we entered the above parameters into the improved CASA model to calculate winter wheat NPP.The study area is located in Handan city, Hebei province. The winter wheat at the county scale was taken as the research object. HJ-1A/B products were used as data support to estimate the winter wheat NPP and biomass of study area in 2014. The accuracy was verified. Results showed that the average NPP in March, April, May were 78, 297 and 320 g/m2, respectively. The difference was caused by growth characteristics of winter wheat in different periods. In March, winter wheat was in the green period, the leaf area of winter wheat increased gradually. In April, winter wheat was in exuberant growth period, leaf area was continued to increase, and the NPP also increased. In May, the winter wheat was gradually into flowering, grain filling, and milk stage etc, during the time most parts of NPP was more than 250 g/m2, which was consistent with wheat physiological characteristic, it showed that winter wheat grew well. And the average biomass of winter wheat in the study area was 1 485 g/m2, more than half of study area was between 1 500 and 2 000 g/m2. The correlation between measured biomass and predicted biomass of winter wheat reached significant level,2was 0.811 5, and the average relative error was 2.13%, the maximum error was 11.54%, the minimum error was 0.33%. Average predicted biomass was 1 807.54 g/m2, the absolute error was 86.80 g/m2, compared with the average measured biomass 1 720.74 g/m2. This study can provide theoretical support for estimating both winter wheat biomass and yield at country scale.

biomass; remote sensing; crops; CASA; HJ-1A/B; maximum light energy utilization efficiency; winter wheat

10.11975/j.issn.1002-6819.2017.04.031

S1

A

1002-6819(2017)-04-0225-09

2016-06-17

2017-01-23

國家高技術(shù)研究發(fā)展計(jì)劃（863計(jì)劃）（2012AA12A307）；糧食公益性行業(yè)科研專項(xiàng)（201313009-2，201413003-7）；河南省科技廳科技攻關(guān)項(xiàng)目（152102110047）；國家自然科學(xué)基金青年項(xiàng)目（41401457）

劉真真，女，河南周口人，主要從事農(nóng)業(yè)遙感研究。開封 河南大學(xué)，475004。Email：liuzhenzhengis@foxmail.com

張喜旺，男，河南省輝縣人，副教授，主要從事農(nóng)業(yè)與生態(tài)環(huán)境遙感和GIS應(yīng)用等研究。開封 河南大學(xué)，475004。Email：zxiwang@163.com

劉真真，張喜旺，陳云生，張傳才，秦 奮，曾紅偉. 基于CASA模型的區(qū)域冬小麥生物量遙感估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(4)：225－233. doi：10.11975/j.issn.1002-6819.2017.04.031 http://www.tcsae.org

Liu Zhenzhen, Zhang Xiwang, Chen Yunsheng, Zhang Chuancai, Qin Fen, Zeng Hongwei. Remote sensing estimation of biomass in winter wheat based on CASA model at region scale[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(4): 225－233. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.04.031 http://www.tcsae.org