陳昌為，朱秀芳，蔡毅，郭航

（1北京師范大學地表過程與資源生態(tài)國家重點實驗室，北京 100875；2北京師范大學遙感科學與工程研究院，北京 100875；3北京師范大學地理科學學部，北京 100875；4北京市統(tǒng)計局，北京 100875）

一種基于趨勢單產(chǎn)和遙感修正模型的混合估產(chǎn)模型

陳昌為1,2,3，朱秀芳1,2,3，蔡毅1,2,3，郭航4

（1北京師范大學地表過程與資源生態(tài)國家重點實驗室，北京 100875；2北京師范大學遙感科學與工程研究院，北京 100875；3北京師范大學地理科學學部，北京 100875；4北京市統(tǒng)計局，北京 100875）

【目的】在分析國內(nèi)外農(nóng)作物估產(chǎn)方法的相關研究進展基礎上，將傳統(tǒng)統(tǒng)計估產(chǎn)方法和遙感估產(chǎn)方法相結(jié)合，提出一種新的混合估產(chǎn)模型?！痉椒ā吭撃Ｐ陀哨厔輪萎a(chǎn)、遙感修正單產(chǎn)和隨機誤差項三部分組成，其中趨勢單產(chǎn)利用歷史長時間序列的單產(chǎn)統(tǒng)計數(shù)據(jù)，通過多項式回歸的方法結(jié)合ARIMA模型修正得到，遙感修正單產(chǎn)利用3個作物關鍵生育期NDVI和實測單產(chǎn)多元回歸得到。為驗證所提出估產(chǎn)方法的可行性和精度，利用2015年冬小麥關鍵生育期的三景環(huán)境衛(wèi)星遙感影像和冬小麥實測地塊單產(chǎn)數(shù)據(jù)以及近 30年（1985—2014年）北京市各區(qū)縣的冬小麥單產(chǎn)數(shù)據(jù)，對2015年的北京市的冬小麥單產(chǎn)進行估算，與真實值（2015年單產(chǎn)統(tǒng)計數(shù)據(jù)）對比?！窘Y(jié)果】混合估產(chǎn)模型對北京市的冬小麥單產(chǎn)預測精度達到98.7%，各區(qū)縣估產(chǎn)精度均超過90%，除房山（90.3%）外，各縣單產(chǎn)預測相對精度均超過95%；傳統(tǒng)趨勢單產(chǎn)模型對北京市的冬小麥單產(chǎn)預測精度達到94.75%，但在區(qū)縣尺度上，傳統(tǒng)估產(chǎn)模型預測精度較低，對房山區(qū)的估產(chǎn)精度不足80%； 引入ARIMA模型可以提高傳統(tǒng)趨勢單產(chǎn)模型的精度。修正后的趨勢單產(chǎn)模型冬小麥單產(chǎn)預測精度平均提高了1.59%。本文建立的遙感修正模型，利用三景遙感影像修正結(jié)果最優(yōu)，此方法使冬小麥估產(chǎn)精度整體提升3.55%，尤其是房山、平谷等區(qū)縣，精度明顯提升?！窘Y(jié)論】該模型在市級尺度和縣級尺度上預測冬小麥單產(chǎn)均取得較高精度，充分考慮冬小麥時間尺度和空間尺度上的變化，對農(nóng)作物估產(chǎn)有一定的指導意義。

估產(chǎn)模型；冬小麥；ARIMA模型；歸一化植被指數(shù)

0 引言

【研究意義】冬小麥是中國主要糧食作物之一，及時、準確地估算冬小麥產(chǎn)量，不僅能加強冬小麥生產(chǎn)管理，進一步發(fā)揮其生產(chǎn)潛力，同時能為國家調(diào)整糧食儲備，政府有關部門制定宏觀經(jīng)濟計劃和糧食政策提供有利的數(shù)據(jù)支撐[1]。【前人研究進展】目前農(nóng)作物估產(chǎn)方法總體上可以分為統(tǒng)計預測、農(nóng)學預測、氣象預測和遙感預測四大類[2-6]。統(tǒng)計預測方法通過建立影響作物單產(chǎn)的統(tǒng)計因子與農(nóng)作物單產(chǎn)之間的關系模型來預測糧食產(chǎn)量[6]。統(tǒng)計預測方法整體考慮產(chǎn)量的各種影響因子，不考慮作物產(chǎn)量形成的復雜機理，模型一般簡單；但是也因其沒有明確反映作物生長發(fā)育的過程，導致區(qū)域外推性不高[7-11]。農(nóng)學預測方法是通過模擬作物生長的整個過程，建立作物生長狀況與作物產(chǎn)量構(gòu)成要素之間的關系，進而實現(xiàn)產(chǎn)量預測；不同作物產(chǎn)量構(gòu)成要素不同，如冬小麥的產(chǎn)量構(gòu)成要素包括有效穗數(shù)、每穗粒數(shù)和千粒重。該模型機理比較復雜[12]，對輸入數(shù)據(jù)要求高。氣象預測方法是建立氣象數(shù)據(jù)與作物產(chǎn)量之間的統(tǒng)計關系，并在考慮其他因素的基礎上建立統(tǒng)計模型，最終利用統(tǒng)計模型實現(xiàn)作物單產(chǎn)估算的一類模型的總稱[13-14]。該模型基本滿足農(nóng)作物產(chǎn)量估算精度需求，但也存在著空間外推和空間適用范圍界定難的問題[6]。遙感預測模型是根據(jù)生物學原理，在分析收集農(nóng)作物光譜特征的基礎上，通過光譜來獲取作物的生長信息，并在作物光譜與產(chǎn)量之間建立關聯(lián)[6]。隨著遙感技術(shù)的發(fā)展，尤其高分辨率影像的出現(xiàn)，給農(nóng)作物的估產(chǎn)以及農(nóng)作物的生長狀態(tài)監(jiān)測提供了技術(shù)支持，遙感預測方法已成為大面積估產(chǎn)的主流研究方法[15-16]。該類方法一般通過遙感植被指數(shù)對農(nóng)作物產(chǎn)量進行預測[15-24]。綜合考慮不同估產(chǎn)方法的優(yōu)缺點，采用單一的估產(chǎn)方法弊端較大，

在精度、可行性等方面存在較大的不確定性[2-16]。近年來在農(nóng)作物估產(chǎn)領域，利用多種方法構(gòu)建模型提高農(nóng)作物估產(chǎn)精度成為熱點[25-36]。王培娟等[37]將農(nóng)學、遙感預測方法相結(jié)合用于華北平原冬小麥估產(chǎn)研究，余福水等[38]將氣象、農(nóng)學和遙感預測方法相結(jié)合對黃淮海平原冬小麥產(chǎn)量估計，MIRSCHEL等[39]將統(tǒng)計、農(nóng)學、氣象預測方法和專家知識數(shù)據(jù)庫結(jié)合，對德國東部地區(qū)的多種作物產(chǎn)量估算，HUANG等[40]將農(nóng)學、遙感預測方法結(jié)合，利用改進后的WOFOST模型對美國西部地區(qū)的小麥估產(chǎn)探究，均取得較好的估產(chǎn)精度，但模型機理復雜、且數(shù)據(jù)不易獲取?！颈狙芯壳腥朦c】該領域仍存在一些不足。比如在大尺度估產(chǎn)方法研究中，針對市、縣級尺度的研究較少，而高分辨率像元級尺度的大面積估產(chǎn)的相關研究更少。已有的各種估產(chǎn)方法，優(yōu)缺點明顯，高精度的估產(chǎn)方法普遍比較復雜，應用不方便?！緮M解決的關鍵問題】本文在分析國內(nèi)外農(nóng)作物估產(chǎn)方法的基礎上，將傳統(tǒng)估產(chǎn)方法和遙感估產(chǎn)方法相結(jié)合，提出了一種由趨勢單產(chǎn)、遙感修正單產(chǎn)和隨機誤差項三部分組成的混合估產(chǎn)模型，以期對冬小麥的高精度估產(chǎn)相關研究提供借鑒，對大面積冬小麥估產(chǎn)提供指導。

1 材料與方法

1.1 研究區(qū)概況

北京市地處115.42—117.5°E，39.43—41.05°N，位于華北平原的西北邊緣。歷年物候數(shù)據(jù)和統(tǒng)計數(shù)據(jù)顯示，北京市冬小麥一般在10 月初種植，來年6月中旬收割。根據(jù)常年統(tǒng)計數(shù)據(jù)分析，北京市種植冬小麥的區(qū)縣有12個，其中房山區(qū)，大興區(qū)，通州區(qū)和順義區(qū)是北京市四大冬小麥主產(chǎn)區(qū)[18]。

1.2 研究數(shù)據(jù)

本研究所用到的數(shù)據(jù)如表1所示，包括2015年冬小麥關鍵期的三景環(huán)境衛(wèi)星的遙感影像，用來獲取多時相NDVI；2015年冬小麥種植面積柵格圖，用來獲取研究區(qū)冬小麥種植范圍； 2015年的42個冬小麥實測地塊單產(chǎn)數(shù)據(jù)和近 30年北京市各縣區(qū)冬小麥單產(chǎn)數(shù)據(jù)（該數(shù)據(jù)來源于統(tǒng)計年鑒）其中1985—2014年數(shù)據(jù)用于構(gòu)建模型，2015年數(shù)據(jù)用于驗證模型精度。

表1 估產(chǎn)應用數(shù)據(jù)Table 1 The data of yield estimation applications

冬小麥種植面積柵格圖利用高分一號遙感影像2 m全色波段和16 m多光譜波段影像融合，結(jié)合實地考察和目視解譯進行監(jiān)督分類，利用最近鄰法重采樣成10 m分辨率。

實測地塊單產(chǎn)數(shù)據(jù)是北京市統(tǒng)計局提供，通過選取樣本地塊、冬小麥收割、脫皮、曬干、稱重幾個主要步驟，最后得出樣本地塊的實測單產(chǎn)數(shù)據(jù)。

1.3 混合估產(chǎn)模型

混合估產(chǎn)模型由趨勢單產(chǎn)模型、遙感修正單產(chǎn)模型、隨機誤差項3部分構(gòu)成，見公式（1）。其具體構(gòu)建流程如圖1所示，主要包括3個步驟：（1）基于1985—2014年的冬小麥畝產(chǎn)數(shù)據(jù)，利用多項式回歸的方法，構(gòu)建冬小麥的傳統(tǒng)趨勢單產(chǎn)模型；（2）采用ARIMA模型，對所建的趨勢單產(chǎn)模型的時間序列誤差進行修正；（3）基于實測地塊單產(chǎn)數(shù)據(jù)和對應地塊的NDVI數(shù)據(jù)（由環(huán)境衛(wèi)星影像獲得），通過多元回歸構(gòu)建遙感單產(chǎn)修正模型。

圖1 估產(chǎn)模型流程圖Fig. 1 Flow chart of yield estimation model

式中，Y為本文混合模型預測單產(chǎn)，Yt為趨勢單產(chǎn)模型，Ys為遙感修正單產(chǎn)模型，U0為單產(chǎn)誤差項。Yt表達式如下所示：

式中，Yc表示傳統(tǒng)趨勢單產(chǎn)模型，YARIMA為利用ARIMA模型來修正的趨勢單產(chǎn)的系數(shù)項，U1為趨勢產(chǎn)量與真實產(chǎn)量之間的差值。

1.3.1 傳統(tǒng)趨勢單產(chǎn)模型 傳統(tǒng)趨勢單產(chǎn)模型（Yc）的表達式如下

式中，Ycx表示第 X年的趨勢單產(chǎn)，單位：t·hm-2，X表示年份，利用近30年（1985—2014年）的統(tǒng)計數(shù)據(jù)構(gòu)建模型；a、b、c、d為參數(shù)；U2x表示第X年傳統(tǒng)趨勢模型產(chǎn)生的隨機誤差，X是1985到2014年的單產(chǎn)時間序列，U2x構(gòu)成了傳統(tǒng)趨勢模型的時序隨機誤差項U2。

1.3.2 傳統(tǒng)趨勢單產(chǎn)時序誤差修正模型 ARIMA （p，d，q）模型也稱為差分自回歸移動平均模型，p 為自回歸項，q 為移動平均項數(shù)，d 為時間序列成為平穩(wěn)時所做的差分次數(shù)。

本文針對傳統(tǒng)趨勢單產(chǎn)時序誤差（U2）利用ARIMA模型進行模擬分析，構(gòu)成最終的趨勢產(chǎn)量模型，具體步驟如下：

（1）平穩(wěn)化處理。采用差分的方法，對時間序列進行平穩(wěn)化處理，以得到一個平穩(wěn)隨機序列，進而確定差分次數(shù) d；（2）采用 AIC準則進行定階[41]。確定所建立的ARIMA模型的階數(shù)p 和q。這一過程以自相關系數(shù)和偏自相關系數(shù)分析為基礎。（3）用最小二乘法對ARIMA模型分析，計算模型參數(shù)值；（4）模型的檢驗。對于得到的擬合模型需要進行隨機性檢驗，即檢驗模型的殘差序列是否為白噪聲序列。若殘差序列不是白噪聲序列，模型需重新構(gòu)建。在得到最佳的模型后，根據(jù)時間序列的歷史數(shù)據(jù)，運用ARIMA模型來進行預測。

本研究利用ARIMA模型對趨勢單產(chǎn)誤差時間序列分析，預測2015年的傳統(tǒng)趨勢單產(chǎn)的誤差。

1.3.3 趨勢單產(chǎn)遙感修正模型 趨勢單產(chǎn)誤差（U1）利用遙感數(shù)據(jù)對趨勢單產(chǎn)模型進行修正，遙感修正單產(chǎn)模型（sY）表達式如下：

式中，Ysm表示實測地塊單產(chǎn)數(shù)據(jù)（真值）與趨勢產(chǎn)量之間的差值，單位：t·hm-2，Sn為遙感因子，本文選用作物關鍵期的 NDVI（實測地塊內(nèi)對應像元 NDVI之和），Dmn、Em為參數(shù)矩陣，U3則為遙感修正模型中的隨機誤差項，n表示實測選取的樣本地塊的數(shù)目，m表示選取冬小麥關鍵期的影像的數(shù)目。研究表明[18,42]，作物單產(chǎn)模擬的關鍵時期是產(chǎn)量形成的關鍵期，而作物的水分臨界期是農(nóng)作物產(chǎn)量形成的關鍵時期，大多數(shù)農(nóng)作物的水分臨界期都位于花芽分化的旺盛生長期，其中小麥位于孕穗到抽穗期。本研究分別利用冬小麥關鍵期3到5月一景遙感影像（2015年4 月22日）、兩景遙感影像（2015年4月22日和2015 年5月7日）和三景遙感影像（2015年4月22日、2015年5月7日和2015年5月19日）的NDVI構(gòu)建3個回歸模型，分析3個模型對趨勢單產(chǎn)模型的修正精度。由于實測地塊只有42個，樣本較少，本研究選擇對北京市整體趨勢單產(chǎn)做遙感修正。

1.3.4 檢驗方法 本文采用統(tǒng)計學中的平均偏差AD、相對誤差ME、決定系數(shù)R23個指標評價冬小麥估產(chǎn)結(jié)果。

式中，n表示選擇樣本個數(shù)，Yi表示第i個的地區(qū)的實測單產(chǎn)，F(xiàn)yi表示第i個地區(qū)的預測單產(chǎn)。

式中，F(xiàn)y為預測單產(chǎn)，Yz為實測單產(chǎn)。

式中，F(xiàn)yi、Yi分別表示冬小麥預測單產(chǎn)、實測單產(chǎn)。

2 結(jié)果

2.1 趨勢產(chǎn)量模型構(gòu)建

2.1.1 傳統(tǒng)趨勢單產(chǎn)模型 利用1985—2014年北京市以及各區(qū)縣冬小麥單產(chǎn)數(shù)據(jù)，對北京市以及各區(qū)縣的冬小麥畝產(chǎn)做了統(tǒng)計分析，分別對北京市及各個區(qū)縣冬小麥畝產(chǎn)趨勢利用多項式回歸模型模擬，結(jié)果如下表2所示，模型含義與式（3）相同，Yc為傳統(tǒng)趨勢模型預測單產(chǎn)，單位：t·hm-2，X代表年份，當X為2015時，可以預測出2015年的單產(chǎn)，與2015年統(tǒng)計數(shù)據(jù)對比。

表2 北京市冬小麥單產(chǎn)傳統(tǒng)趨勢模型Table 2 The traditional trend model of winter wheat yield in Beijing

2.1.2 ARIMA修正模型 通過針對傳統(tǒng)趨勢單產(chǎn)模型冬小麥畝產(chǎn)預測值與真實值的差值，構(gòu)建時間序列，利用統(tǒng)計軟件R實現(xiàn)北京市以及各個區(qū)縣的ARIMA模型，滿足AIC準則下，模型中的主要參數(shù)如表3所示。

表3 ARIMA修正模型的參數(shù)Table 3 The parameters of ARIMA correction model

2.2 遙感修正單產(chǎn)模型

趨勢單產(chǎn)模型預測冬小麥畝產(chǎn)值與野外實測冬小麥單產(chǎn)值之間的差值作為因變量，以冬小麥關鍵期遙感影像的NDVI值作為自變量，建立的回歸模型。

利用一景遙感影像構(gòu)建的模型中，即m=1，n=42，系數(shù)如下所示：

F檢驗結(jié)果為2.064，經(jīng)查F檢驗表F0.05(1,40)= 4.085，F(xiàn)＜F0.05(1,40)，說明4月22日的NDVI與冬小麥產(chǎn)量在0.95水平下存在顯著一元線性統(tǒng)計關系。

利用兩景遙感影像構(gòu)建的模型中，即m=2，n=42，系數(shù)如下所示：

F檢驗結(jié)果為2.759，經(jīng)查F檢驗表F0.05(2,39)= 3.238，F(xiàn)＜F0.05(2,39)，說明4月22日和5月7日的NDVI與冬小麥產(chǎn)量在0.95水平下存在顯著二元線性統(tǒng)計關系。

利用三景遙感影像構(gòu)建的模型中，即m=3，n=42，系數(shù)如下所示：

F檢驗結(jié)果為1.812，經(jīng)查F檢驗表F0.05(3,38)= 2.852，F(xiàn)＜F0.05(3,38)，說明冬小麥關鍵期三景遙感影像的NDVI與產(chǎn)量在0.95水平下存在顯著多元線性統(tǒng)計關系。

2.3 應用模型的估產(chǎn)結(jié)果

2.3.1 傳統(tǒng)趨勢單產(chǎn)模型 北京市各區(qū)縣傳統(tǒng)趨勢模型由其相關系數(shù)R2（表2）可以看出，構(gòu)建的多項式回歸模型與真實的冬小麥單產(chǎn)數(shù)據(jù)相關性較高，冬小麥的單產(chǎn)變化符合一定的統(tǒng)計規(guī)律，且通過了顯著性檢驗。

2.3.2 遙感修正模型 利用一景、兩景和三景影像的NDVI對趨勢單產(chǎn)模型修正，將修正之后的混合估產(chǎn)模型估產(chǎn)結(jié)果與 2015年北京市統(tǒng)計年鑒中冬小麥單產(chǎn)數(shù)據(jù)進行對比。結(jié)果表明，利用三景影像修正結(jié)果（精度平均提升 3.55%）優(yōu)于一景影像修正（精度平均提升 2.70%）和兩景影像修正（精度平均提升1.47%）。在市級尺度和縣級尺度上，3種遙感修正模型修正后的混合估產(chǎn)模型估產(chǎn)精度均超過90%。由于利用三景影像修正結(jié)果最穩(wěn)定，對于估產(chǎn)精度提升幅度最大，故本研究選擇三景遙感影像修正模型來構(gòu)建最終的混合估產(chǎn)模型。

2.3.3 三種模型估產(chǎn)結(jié)果對比 以統(tǒng)計數(shù)據(jù)作為真實值，將傳統(tǒng)趨勢產(chǎn)量模型、ARIMA模型修正后的趨勢產(chǎn)量模型和混合估產(chǎn)模型進行對比，結(jié)果見表4。真實值為2015年北京市統(tǒng)計年鑒中冬小麥單產(chǎn)數(shù)據(jù)。

在市級尺度上，傳統(tǒng)趨勢模型、ARIMA修正后的趨勢模型、混合估產(chǎn)模型精度均達到93%以上。而在縣級尺度上，傳統(tǒng)趨勢模型在房山區(qū)（精度78.29%）、平谷區(qū)（精度 84.56%）精度偏低，引入ARIMA模型對傳統(tǒng)趨勢單產(chǎn)模型進行修正，修正后的6個縣估產(chǎn)精度提高，兩個縣估產(chǎn)精度降低，其中懷柔縣精度提升最大，為9.07個百分點，但仍存在房山區(qū)（精度 83.84%）、平谷區(qū)（精度88.33%）精度未達到90%，整體上平均精度提高1.59個百分點，也說明了本研究引入ARIMA模型修正的必要性。傳統(tǒng)趨勢單產(chǎn)模型和ARIMA修正后的趨勢單產(chǎn)模型僅考慮統(tǒng)計學中的意義，能反映出產(chǎn)量變化的整體趨勢，卻很難體現(xiàn)出地域性的差異，并且由突發(fā)自然災害或其他原因引發(fā)的產(chǎn)量變化很難用傳統(tǒng)統(tǒng)計模型預測，故引入遙感修正單產(chǎn)模型，汲取遙感影像具有時效性和空間分辨率高的優(yōu)點，構(gòu)建混合估產(chǎn)模型，與真實值（2015年統(tǒng)計數(shù)據(jù)）比較，最終精度均達到90%以上，混合估產(chǎn)模型與遙感模型修正前的趨勢模型對比，平均估產(chǎn)精度提高3.55%。

總之，混合估產(chǎn)模型在市級尺度上北京市冬小麥估產(chǎn)精度達到 98.7%，除房山的估產(chǎn)精度為90.3%之外，其他區(qū)縣的精度均達到95%以上，滿足縣級尺度估產(chǎn)的要求，整體精度比較高。其中海淀區(qū)由于統(tǒng)計年鑒數(shù)據(jù)不全，沒有完整的單產(chǎn)數(shù)據(jù)，無法進行ARIMA模型和遙感修正單產(chǎn)模型修正處理。

表4 冬小麥估產(chǎn)模型結(jié)果Table 4 The estimated values of winter wheat yield by different estimation models

混合估產(chǎn)模型與傳統(tǒng)趨勢單產(chǎn)模型和趨勢單產(chǎn)模型相對誤差進行對比，如圖2所示，整體誤差大小排序為傳統(tǒng)趨勢單產(chǎn)模型相對誤差?趨勢單產(chǎn)模型相對誤差?混合估產(chǎn)模型相對誤差，反映出混合估產(chǎn)模型精度最高；并且在利用ARIMA模型修正后的趨勢產(chǎn)量模型，相比傳統(tǒng)趨勢單產(chǎn)模型在整體估產(chǎn)精度上有一定程度提高；而利用遙感修正模型修正后的混合估產(chǎn)模型，整體估產(chǎn)精度進一步提升，房山、平谷地區(qū)的估產(chǎn)精度明顯提高。

3 討論

統(tǒng)計預測模型能夠穩(wěn)定反映冬小麥單產(chǎn)變化，但推廣性差，且由于統(tǒng)計數(shù)據(jù)多以行政單元為基礎，基于統(tǒng)計預測模型估算出的作物產(chǎn)量往往尺度較低，只能反映行政單元尺度（如市、縣）作物產(chǎn)量的整體水平；遙感預測模型能夠及時快速地獲得大面積作物信息，并可以預測出像元尺度的產(chǎn)量，但其預測精度不穩(wěn)定。

圖2 相對誤差對比Fig. 2 A contrastive study of relative error

本文提出的混合估產(chǎn)模型綜合考慮了統(tǒng)計預測模型和遙感模型特點，利用長時間序列冬小麥單產(chǎn)統(tǒng)計數(shù)據(jù)，充分考慮冬小麥在時間尺度上的變化趨勢，估算趨勢單產(chǎn)，得到預測年份較低尺度作物產(chǎn)量的估計值，進而利用估測年份實測地塊樣方作物產(chǎn)量與遙感影像反映作物長勢的植被指數(shù)NDVI進行回歸建模，植被指數(shù)NDVI能反映不同空間地域冬小麥長勢的差異，即冬小麥在空間尺度上的變化，進一步修正趨勢單產(chǎn)，得到最終的產(chǎn)量估計值。該模型是時間尺度和空間尺度相結(jié)合的估產(chǎn)模型。

與已有的主流估產(chǎn)方法相比，該方法揚長避短，相比于統(tǒng)計預測模型，該方法能體現(xiàn)出地域性的差異，可以反映出突發(fā)自燃災害或其他原因引發(fā)的產(chǎn)量變化。相比于遙感預測模型，我們的預測方法由于融合了統(tǒng)計學的方法，能更好的反映出產(chǎn)量變化的整體趨勢，使得估產(chǎn)精度更穩(wěn)定。相比農(nóng)學估產(chǎn)模型來說，簡單易操作且估產(chǎn)精度較高。此外，本文方法可以得到不同尺度（北京市市級尺度、各縣區(qū)級尺度、地塊級尺度和像元級尺度）產(chǎn)量估算結(jié)果，例如圖3為利用本文提出的混合估產(chǎn)模型對順義地區(qū)2015年冬小麥產(chǎn)量的估產(chǎn)結(jié)果。這里要特別說明的是由于沒有像元級的實測單產(chǎn)，本文沒有進行像元級別的單產(chǎn)估測結(jié)果精度評價。

圖3 混合估產(chǎn)模型估產(chǎn)結(jié)果Fig. 3 The results by using the hybrid yield estimation model

此外，本文實測地塊只有42個，實測地塊數(shù)量太少在一定程度上影響著模型的精度，可通過增加每個區(qū)縣實測地塊數(shù)量，針對每個區(qū)縣做遙感修正模型，來提高模型精度。

4 結(jié)論

4.1 本文所提出的混合估產(chǎn)模型精度要高于傳統(tǒng)趨勢單產(chǎn)模型，混合估產(chǎn)模型在市級尺度和區(qū)縣級尺度均取得較高精度。具體來說，混合估產(chǎn)模型對北京市的冬小麥單產(chǎn)預測精度達到 98.7%，各區(qū)縣估產(chǎn)精度均超過 90%，除房山（90.3%）外，各縣單產(chǎn)預測相對精度均超過95%；而傳統(tǒng)趨勢單產(chǎn)模型對北京市的冬小麥單產(chǎn)預測精度達到94.75%，但在區(qū)縣尺度上，傳統(tǒng)估產(chǎn)模型預測精度較低，對房山區(qū)的估產(chǎn)精度不足80%。

4.2 在趨勢修正單產(chǎn)模型的建立過程中，引入ARIMA模型可以提高傳統(tǒng)趨勢單產(chǎn)模型的精度。修正后的趨勢單產(chǎn)模型冬小麥單產(chǎn)預測精度平均提高了1.59%。

4.3 本文建立的遙感修正模型，利用三景遙感影像修正結(jié)果最優(yōu)，此方法使冬小麥估產(chǎn)精度整體提升

3.55 %，尤其是房山、平谷等區(qū)縣，精度明顯提升。本文所提出的混合估產(chǎn)模型在市級尺度和縣級尺度上預測冬小麥單產(chǎn)均取得較高精度，充分考慮冬小麥時間尺度和空間尺度上的變化，對農(nóng)作物估產(chǎn)有一定的指導意義。

[1] 張東霞, 張繼賢, 常帆, 梁勇. 遙感技術(shù)在主要糧食作物估產(chǎn)中的應用. 測繪科學, 2014, 39(11): 95-103. ZHANG D X, ZHANG J X, CHANG F, LIANG Y. A review on application of remote sensing technology in main food crop yield estimation. Science of Surveying and Mapping, 2014, 39(11): 95-103. (in Chinese)

[2] 胡瑩瑾, 崔海明. 基于RS和GIS的農(nóng)作物估產(chǎn)方法研究進展. 國土資源遙感, 2014, 26(4): 1-7. HU Y J, CUI H M. Progress in the study of crop yield estimation methods based on remote sensing and geographic information system. Remote Sensing for Land and Resources, 2014, 26(4): 1-7. (in Chinese)

[3] 趙文亮, 賀振, 賀軍平, 朱連奇. 基于MODIS-NDVI的河南省冬小麥產(chǎn)量遙感估測. 地理研究, 2012, 31(12): 2310-2319. ZHAO W L, HE Z, HE J P, ZHU L Q. Remote sensing estimation for winter wheat yield in Henan based on the MODIS-NDVI data. Geographical Research, 2012, 31(12): 2310-2319. (in Chinese)

[4] 徐新剛, 吳炳方, 蒙繼華, 李強子, 黃文江, 劉良云, 王紀華. 農(nóng)作物單產(chǎn)遙感估算模型研究進展. 農(nóng)業(yè)工程學報, 2008, 24(2): 290-298. XU X G, WU B F, MENG J H, LI Q Z, HUANG W J, LIU L Y, WANG J Y. Research advances in crop yield estimation models based on remote sensing. Transactions of the Chinese Society of Agricultural Engineering, 2008, 24(2): 290-298. (in Chinese)

[5] 盧艷麗, 胡昊, 白由路, 王磊, 王賀, 楊俐蘋. 植被覆蓋度對冬小麥冠層光譜的影響及定量化估產(chǎn)研究. 麥類作物學報, 2010, 30(1): 96-100. LU Y L, HU H, BAI Y L, WANG L, WANG H, YANG L P. Effects of vegetation coverage on the canopy spectral and yield quantitative estimation in wheat. Journal of Triticeae Crops, 2010, 30(1): 96-100. (in Chinese)

[6] 孟慶巖, 李強子, 吳炳方. 農(nóng)作物單產(chǎn)預測的運行化方法. 遙感學報, 2004, 8(6): 602-610. MENG Q Y, LI Q Z, WU B F. Operatinal method for crop yield prediction. Journal of Remote Sensing, 2004, 8(6): 602-610. (in Chinese)

[7] 歐文浩, 蘇偉, 薛文振, 夏小蘢. 基于HJ-1衛(wèi)星影像的三大農(nóng)作物估產(chǎn)最佳時相選擇. 農(nóng)業(yè)工程學報, 2010, 26(11): 176 -182. OU W H, SU W, XUE W Z, XIA X L. Selection of optimum phase for yield estimation of three major crops based on HJ-1 satellite images. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(11): 176-182. (in Chinese)

[8] 任建強, 陳仲新, 周清波, 唐華俊. 基于葉面積指數(shù)反演的區(qū)域冬小麥單產(chǎn)遙感估測. 應用生態(tài)學報, 2010, 21(11): 2883-2888. REN J Q, CHEN Z X, ZHOU Q B, TANG H J. LAI-based regional winter wheat yield estimation by remote sensing. Chinese Journal of Applied Ecology, 2010, 21(11): 2883-2888. (in Chinese)

[9] IDSO S B, PINTER P J, JACKSON J R D, REGINATO R J. Estimation of grain yields by remote sensing of crop senescence rates. Remote Sensing of Environment, 1980, 9(1): 87-91.

[10] BENEDETTI R, ROSSINI P. On use of NDVI profiles as a tool for agricultural statistics: The case study of wheat yield estimate and forecast in Emilia Romagna. Remote Sensing of Environment, 1993, 45(3): 311-326.

[11] LI A, LIANG S, WANG A, QIN J. Estimating crop yield from multi-temporal satellite data using multivariate regression and neural network techniques. Photogrammetric Engineering and RemoteSensing, 2007, 73(10): 1149-1157.

[12] ABEDINPOUR M, SARANGI A, RAJPUT T B S, MAN S. Performance evaluation of Aqua Crop model for maize crop in a semi-arid environment. Agricultural Water Management, 2012, 110(3): 55-66.

[13] 程志強, 蒙繼華. 作物單產(chǎn)估算模型研究進展與展望. 中國生態(tài)農(nóng)業(yè)學報, 2015, 23(4): 402-415. CHENG Z Q, MENG J H. Research advances and perspectives on crop yield estimation models. Chinese Journal of Eco-Agriculture, 2015, 23(4): 402-415. (in Chinese)

[14] 張寧, 蓋鈞鎰. 基于GreenSeeker主動遙感的大豆NDVI/RVI分析與籽粒產(chǎn)量估測的初步研究[D]. 南京: 南京農(nóng)業(yè)大學, 2013. ZHANG N, GAI J Y. A preliminary study on yield prediction of soybean based on active remote sensing NDVI/RVI analysis with “GreenSeeker”[D]. Nanjing: Nanjing Agricultural University, 2013. (in Chinese)

[15] LOPRESTI M F, BELLA C M D, DEGIOANNI A J. Relationship between MODIS-NDVI data and wheat yield: A case study in Northern Buenos Aires province, Argentina. Information Processing in Agriculture, 2015, 2(2): 73-84.

[16] ZHAO Y, CHEN X P, CUI Z L, LOBELL D B. Using satellite remote sensing to understand maize yield gaps in the North China Plain. Field Crops Research, 2015, 183: 31-42.

[17] 吳炳方. 全國農(nóng)情檢測與估產(chǎn)的運行化遙感方法. 地理學報, 2000, 55(1):23-35. WU B F. Operational remote sensing methods for agricultural statistics. Acta Geographica Sinica, 2000, 55(1): 23-35. (in Chinese)

[18] 朱再春, 陳聯(lián)裙, 張錦水, 潘耀忠, 朱文泉. 基于信息擴散和關鍵期遙感數(shù)據(jù)的冬小麥估產(chǎn)模型. 農(nóng)業(yè)工程學報, 2011, 27(2): 187-193. ZHU Z C, CHEN L Q, ZHANG J S, PAN Y Z, ZHU W Q. Winter wheat yield estimation model based on information diffusion and remote sensing data at major growth stages. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(2): 187-193. (in Chinese)

[19] 祝高明, 羅紅霞. 基于光譜數(shù)據(jù)和農(nóng)學參數(shù)的柑橘估產(chǎn)研究[D].重慶: 西南大學, 2012. ZHU G M, LUO H X. Research on the estimation of citrus yield based on the spectral data and agronomy parameters[D]. Chongqing: Southwest University, 2012. (in Chinese)

[20] 林文鵬, 黃敬峰, 胡小猛, 趙敏. 基于 MODIS溫度指數(shù)被角度指數(shù)的農(nóng)作物估產(chǎn)模型研究. 紅外與毫米波學報, 2010, 29(6): 476-480. LIN W P, HUANG J F, HU X M, ZHAO M. Crop yield forecase based on MODIS temperature-vegetation angel index. Journal of Infrared and Millimeter Waves, 2010, 29(6): 476-480. (in Chinese)

[21] 錢永蘭, 候英雨, 延昊, 毛留喜, 吳門新, 何延波. 基于遙感的國外作物長勢監(jiān)測與產(chǎn)量趨勢估計. 農(nóng)業(yè)工程學報, 2012, 28(13): 166-171. QIAN Y L, HOU Y Y, YAN H, MAO L X, WU M X, HE Y B. Global crop growth condition monitoring and yield trend prediction with remote sensing. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(13): 166-171. (in Chinese)

[22] 寧佐榮, 劉洪斌. 基于MODIS數(shù)據(jù)的低山丘陵區(qū)水稻估產(chǎn)模型研究[D]. 重慶: 西南大學, 2014. NING Z R, LIU H B. The study on the model of rice yield estimation based on MODIS data in low mountains and hills[D]. Chongqing: Southwest University, 2014. (in Chinese)

[23] 劉揚, 周清波, 劉佳, 鄧輝. 基于遙感和 WebGIS的冬小麥估產(chǎn)支持系統(tǒng). 中國農(nóng)業(yè)科學, 2008, 41(10): 3371-3375. LIU Y, ZHOU Q B, LIU J, DENG H. Study on remote sensing and WebGIS-based winter wheat yield estimating supporting system. Scientia Agricultura Sinica, 2008, 41(10): 3371-3375. (in Chinese)

[24] 程乾. 基于 MODl3產(chǎn)品水稻遙感估產(chǎn)模型研究. 農(nóng)業(yè)工程學報, 2006, 22(3): 79-83. CHENG Q. Models for rice yield estimation using remote sensing data of MOD13. Transactions of the Chinese Society of Agricultural Engineering, 2006, 22(3): 79-83. (in Chinese)

[25] 閆巖. 基于定量遙感產(chǎn)品和作物生長模型同化的農(nóng)作物長勢檢測與估產(chǎn)方法研究[D]. 北京: 中國科學院, 2006. YAN Y. Study on crop growth monitoring and yield prediction by assimilation of quantitative remote sensing product and crop growth model[D]. Beijing: Chinese Academy of Sciences, 2006. (in Chinese)

[26] 浩宇. ORYZA2000模型與遙感信息耦合檢測水稻生長[D]. 南京:南京信息工程大學, 2013. HAO Y. Rice growth monitoring based on ORYZA2000 model and remote sensing data[D]. Nanjing: Nanjing University of Information Science & Technology, 2013. (in Chinese)

[27] LI Z H, JIN X L, ZHAO C J, WANG J H, XU X G, YANG G Y, LI C J, SHEN J X. Estimating wheat yield and quality by coupling the DSSAT-CERES model and proximal remote sensing. European Journal of Agronomy, 2015, 71: 53-62.

[28] HUANG J X, TIAN L Y, MA H Y, BECKER-RESHEF I, HUANG Y B, SU W, ZHANG X D, ZHU D H, WU W B. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model. Agriculturaland Forest Meteorology, 2015, 204: 106-121.

[29] 陳勁松, 黃健熙, 林琿, 裴志遠. 基于遙感信息和作物生長模型同化的水稻估產(chǎn)方法研究. 中國科學(信息科學), 2010, 40(Suppl.1): 173-183. CHEN J S, HUANG J X, LIN H, PEI Z Y. Rice yield estimation by assimilation remote sensing into crop growth model. Science China (Information Sciences), 2010, 40(Suppl.1): 173-183. (in Chinese)

[30] 李妍. 基于WOFOST-HYDRUS耦合模型的玉米遙感估產(chǎn)研究[D].蘭州: 蘭州大學, 2012. LI Y. Study on maize yield estimation using remote sensing technology integrated with coupled WOFOST and HYDRUS models [D]. Lanzhou: Lanzhou University, 2012. (in Chinese)

[31] WANG R Y, BOWLING L C, CHERKAUER K A. Estimation of the effects of climate variability on crop yield in the Midwest USA. Agricultural and Forest Meteorology, 2016, 216: 141-156.

[32] MA Y P, WANG S L, ZHANG L, HOU Y Y, ZHUANG L W, HE Y B, WANG F T. Monitoring winter wheat growth in North China by combining a crop model and remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(4): 426- 437.

[33] DEIHIMFARD R, MAHALLATI M N, KOOCHEKI A. Yield gap analysis in major wheat growing areas of Khorasan province, Iran, through crop modeling. Field Crops Research, 2015, 184: 28-38.

[34] TOUMI J, ER-RAKI S, EZZAHAR J, KHABBA S, JARLAN L, CHEHBOUNI A. Performance assessment of Aqua Crop model for estimating evapotranspiration, soil water content and grain yield of winter wheat in Tensift Al Haouz (Morocco): Application to irrigation management. Agricultural Water Management, 2016, 163(1): 219-235.

[35] VAN LIER Q D J , WENDROTH O, VAN DAM J C. Prediction of winter wheat yield with the SWAP model using pedotransfer functions: An evaluation of sensitivity, parameterization and prediction accuracy. Agricultural Water Management, 2015, 154: 29-42.

[36] YAO F M, TANG Y J, WANG P J, ZHANG J H. Estimation of maize yield by using a process-based model and remote sensing data in the Northeast China Plain. Physics and Chemistry of the Earth, 2015, 87: 142-152.

[37] 王培娟, 謝東輝, 張佳華, 孫睿, 陳聲海, 朱啟疆. BEPS模型在華北平原冬小麥估產(chǎn)中的應用. 農(nóng)業(yè)工程學報, 2009, 25(10): 148-153. WANG P J, XIE D H, ZHANG J H, SUN R, CHEN S H, ZHU Q J. Application of BEPS model in estimating winter wheat yield in North China Plain. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(10): 148-153. (in Chinese)

[38] 余福水. EPIC模型應用于黃淮海平原冬小麥估產(chǎn)的研究—以欒城為例[D]. 北京: 中國農(nóng)業(yè)科學院, 2007. YU F S. Yield estimation of winter wheat with EPIC model in Huang-Huai-Hai Plain—A case study in Luancheng, Hebei[D]. Beijing: Chinese Academy of Agricultural Sciences, 2007. (in Chinese)

[39] MIRSCHEL W, WIELAND R, WENKEL K O, Nendol C, GUDDAT C. YIELDSTAT-A spatial yield model for agricultural crops. European Journal of Agronomy, 2014, 52: 33-46.

[40] HUANG J X, SEDANO F, HUANG Y B, MA H Y, LI X L, LIANG S L, TIAN L Y, ZHUANG X D, FAN J L, WU W B. Assimilating a synthetic Kalman fiter leaf area index series into the WOFOST model to improve regional winter wheat yield estimation. Agricultural and Forest Meteorology, 2016, 216: 188-202.

[41] 王耕, 王嘉麗, 蘇柏靈. 基于ARIMA模型的遼河流域生態(tài)足跡動態(tài)模擬與預測. 生態(tài)壞境學報, 2013, 22(4): 632-638. WANG G, WANG J L, SU B L. Dynamic simulation and prediction of ecological footprint in Liaohe River Basin based on ARIMA model. Ecology and Environmental Sciences, 2013, 22(4): 632-638. (in Chinese)

[42] MARTA A D, ORLANDO F, MANCINI M, GUASCONI F, MOTHA R, QU J, ORLANDINI S. A simplified index for an early estimation of durum wheat yield in Tuscany (Central Italy). Field Crops Research, 2015, 170(1): 1-6.

（責任編輯 楊鑫浩）

A Hybrid Yield Estimation Model Based on the Trend Yield Model and Remote Sensing Correction Yield Model

CHEN ChangWei1,2,3, ZHU XiuFang1,2,3, CAI Yi1,2,3, GUO Hang4
(1State Key Laboratory of Earth Surface Processes and Resource Ecology, Beijing Normal University, Beijing 100875;2Institute of Remote Sensing Science and Engineering, Beijing Normal University, Beijing 100875;3Faculty of Geographical Science, Beijing Normal University, Beijing 100875;4Beijing Municipal Bureau of Statistics, Beijing 100875)

【Objective】 This paper analyzed the advantages and disadvantages of current crop yield estimation methods and proposed a novel hybrid yield estimation model which combines statistical yield estimation and yield estimation methods. 【Method】The model consists of three parts, trend yield estimate (Yt), remote sensing correction yield (Ys) and random error. The trend yield estimation was firstly calculated by using the polynomial regression method based on a long time series data of historical yield and then corrected by ARIMA model, which was set up by using the bias between the trend yield estimates and the historical yields. After that, a multiple linear regression model was set up to further reduce the estimation errors by using the bias between the trend yield estimates (Yt) and the reference yields as dependent variable and NDVI in critical growth period of crop as independent variables. In order to verify the feasibility and accuracy of the new hybrid estimation model, this paper estimated the yield of winter wheat in Beijing in 2015 based on three HJ Imagery obtained in winter wheat growing season, winter wheat yield of 30 sampling fields in 2015, and a nearly 30 years time series data of winter wheat yield (1985-2014) of Beijing. The estimation results from the hybridyield estimation model was then compared with the true yield (2015 statistic winter wheat yield).【Result】The accuracy of winter wheat yield by using novel hybrid yield estimation model was 98.7% at city level and above 90% at country level. Except Fangshan(90.3%), the relative accuracy of yield estimation at the other countries was above 95%. The accuracy of winter wheat yield by using traditional trend yield model in Beijing was 94.75%, but the accuracy by using traditional trend yield model at country level was low, especially was lower 80% in Fangshan. ARIMA model was used for improving the accuracy of the traditional trend yield model. The accuracy of winter wheat yield improved in average by introducing the ARIMA model. For the remote sensing correction model established in this paper, using three remote sensing images for improving the accuracy was better, and this method improved the accuracy of winter wheat yield by 3.55%, especially the accuracy had a significant ascension in Fangshan and Pinggu. 【Conclusion】The accuracy of winter wheat yield by using the novel hybrid estimation model is good at city level and county level. The model considers the change of time and spatial and can be used in crop yield estimation.

yield estimation model; winter wheat; ARIMA model; NDVI

2016-09-22；接受日期：2017-03-13

國家自然科學基金（41401479）

聯(lián)系方式：陳昌為，E-mail：201521190028@mail.bnu.edu.cn。通信作者朱秀芳，E-mail：zhuxiufang@bnu.edu.cn