基于多生育期MODIS-NDVI的區(qū)域冬小麥遙感估產(chǎn)研究

李 冰,黎世民,周 磊,黃燦輝,王來剛*

(1.河南省農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)經(jīng)濟(jì)與信息研究所，河南 鄭州 450002； 2.鄭州澍青醫(yī)學(xué)高等?？茖W(xué)校，河南 鄭州 450000； 3.河南省農(nóng)業(yè)遙感監(jiān)測(cè)中心，河南 鄭州 450002)

基于多生育期MODIS-NDVI的區(qū)域冬小麥遙感估產(chǎn)研究

李 冰1,2,黎世民1,周 磊3,黃燦輝3,王來剛1*

(1.河南省農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)經(jīng)濟(jì)與信息研究所，河南 鄭州 450002； 2.鄭州澍青醫(yī)學(xué)高等?？茖W(xué)校，河南 鄭州 450000； 3.河南省農(nóng)業(yè)遙感監(jiān)測(cè)中心，河南 鄭州 450002)

以河南省開封市為研究區(qū)，采用2005—2013年種植區(qū)域冬小麥生育期內(nèi)16 d合成的250 m空間分辨率的歸一化植被指數(shù)(NDVI)之和，與冬小麥產(chǎn)量數(shù)據(jù)進(jìn)行相關(guān)分析，篩選得到最佳遙感估產(chǎn)時(shí)相，建立單變量回歸模型；同時(shí)，基于冬小麥生長(zhǎng)的各個(gè)關(guān)鍵時(shí)期NDVI構(gòu)建多元回歸模型，再通過主成分分析方法對(duì)多元回歸模型參數(shù)進(jìn)行改進(jìn)，得到新的估產(chǎn)模型；最后使用開封市2014年的產(chǎn)量數(shù)據(jù)對(duì)估產(chǎn)模型進(jìn)行驗(yàn)證，旨在構(gòu)建具有較高精度的估產(chǎn)模型，從而更好地指導(dǎo)小麥生產(chǎn)。結(jié)果顯示，3種估產(chǎn)模型的估產(chǎn)誤差均控制在10.55%內(nèi)，根據(jù)3個(gè)模型得到研究區(qū)內(nèi)冬小麥最佳產(chǎn)量預(yù)測(cè)時(shí)段為3月下旬，即拔節(jié)期；3個(gè)模型中，主成分回歸估產(chǎn)模型的產(chǎn)量擬合精度最高，達(dá)93.12%，具有一定的實(shí)用價(jià)值。

遙感估產(chǎn)； MODIS； NDVI； 回歸模型; 冬小麥

糧食生產(chǎn)作為人類社會(huì)可持續(xù)發(fā)展最基本的物質(zhì)條件，對(duì)于每一個(gè)國(guó)家和地區(qū)都舉足輕重[1]。雖然我國(guó)每年糧食產(chǎn)量均處于上升趨勢(shì)，但是由于人口不斷增多，耕地面積逐漸減少，糧食問題依然非常嚴(yán)峻。小麥?zhǔn)俏覈?guó)主要的糧食作物，我國(guó)是世界上種植小麥面積最大、產(chǎn)量最高的國(guó)家。因此，對(duì)小麥長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)，并準(zhǔn)確地預(yù)估小麥產(chǎn)量，具有重要的現(xiàn)實(shí)意義，其可為政府相關(guān)部門科學(xué)地制定糧食政策、調(diào)整國(guó)家糧食儲(chǔ)備以及制定糧食進(jìn)出口計(jì)劃提供重要信息[2]。

20世紀(jì)70年代以來，由于航天水平不斷提高，遙感探測(cè)技術(shù)迅速發(fā)展成一種新興的科學(xué)技術(shù)。衛(wèi)星遙感技術(shù)以其探測(cè)周期短、覆蓋范圍大、資料豐富、時(shí)效性強(qiáng)、費(fèi)用消耗低等優(yōu)勢(shì)[3]，被普遍應(yīng)用于小麥的產(chǎn)量估測(cè)研究中，取得了大量的研究成果。王東偉[4]、閆巖等[5]通過遙感影像進(jìn)行葉面積指數(shù)(LAI)的反演，建立作物生長(zhǎng)模型，從而實(shí)現(xiàn)對(duì)冬小麥長(zhǎng)勢(shì)的監(jiān)測(cè)。任建強(qiáng)等[6]構(gòu)建冬小麥產(chǎn)量形成關(guān)鍵期3—5月的小麥干質(zhì)量與植物凈初級(jí)生產(chǎn)力(NPP)的關(guān)系模型，并對(duì)小麥產(chǎn)量進(jìn)行預(yù)測(cè)，取得了較好的結(jié)果。黎銳等[7]基于多時(shí)相Landsat TM 影像得到的歸一化植被指數(shù)(NDVI)，運(yùn)用支持向量回歸(SVR)方法構(gòu)建模型，預(yù)測(cè)冬小麥產(chǎn)量，與常規(guī)多元回歸方法相比，有效地提高了估產(chǎn)精度。朱再春等[8]利用光譜角聚類法(光譜角制圖和K均值結(jié)合)劃分試驗(yàn)區(qū)，通過回歸分析建立了冬小麥產(chǎn)量和生育期內(nèi)16 d合成的增強(qiáng)化植被指數(shù)(EVI)之間的關(guān)系模型。當(dāng)前利用NDVI建立回歸模型進(jìn)行作物估產(chǎn)的研究中，多是基于某個(gè)特定區(qū)域。各個(gè)區(qū)域的氣候條件不同，估產(chǎn)時(shí)期的選擇也不同，若選擇冬小麥生長(zhǎng)的典型時(shí)相進(jìn)行分析，信息會(huì)有缺失[9]，若選用整個(gè)生長(zhǎng)關(guān)鍵期的NDVI信息，則忽略了因素之間存在共線性的影響。針對(duì)以上問題，利用2005—2013年多時(shí)相的中高時(shí)空分辨率的TM和MODIS多光譜影像數(shù)據(jù)，分析開封市小麥生育期內(nèi)各個(gè)時(shí)相的NDVI數(shù)據(jù)與統(tǒng)計(jì)年鑒產(chǎn)量數(shù)據(jù)之間的相關(guān)性，選擇最佳時(shí)期建模，再選取生長(zhǎng)期內(nèi)所有NDVI值與產(chǎn)量進(jìn)行多元回歸，豐富信息數(shù)據(jù)，最后，利用主成分回歸分析方法對(duì)模型進(jìn)行優(yōu)化，旨在構(gòu)建具有較高精度的估產(chǎn)模型，從而更好地指導(dǎo)小麥生產(chǎn)。

1 材料和方法

1.1 研究區(qū)概況

開封市地處黃河中下游平原東部，太行山脈的東南方向，位于河南省中東部，介于113°52′15"～115°15′42″E、34°11′45"～35°01′20″N，面積約6 444 km2，氣候?yàn)榕瘻貛Т箨懶约撅L(fēng)氣候，雨熱同期，降雨集中，四季分明，年均氣溫為 14.52 ℃，平均降水量為 627.5 mm，多年平均日照時(shí)數(shù)為 2 267.6 h，年均無(wú)霜期為 221 d。開封市自然條件適宜，其所轄的蘭考縣、尉氏縣、杞縣等5縣都是我國(guó)重要的商品糧和小麥生產(chǎn)基地。該區(qū)的糧食作物以小麥、玉米為主，實(shí)行一年兩熟輪作制度。

1.2 數(shù)據(jù)來源及處理

1.2.1 數(shù)據(jù)來源 本研究所用的2005—2013年冬小麥關(guān)鍵生育時(shí)期，即2月下旬至5月下旬的0.2～0.8的MODIS-NDVI數(shù)據(jù)從美國(guó)航空航天數(shù)據(jù)中心共享網(wǎng)(https://ladsweb.nascom.nasa.gov/)獲得，空間分辨率為250 m。2005—2013年3—5月份的TM影像從美國(guó)地質(zhì)勘測(cè)局共享的Landsat 5(http://glovis.usgs.gov/)下載，空間分辨率為30 m。另外，本研究種植區(qū)的提取數(shù)據(jù)來源于河南省行政區(qū)劃矢量圖，開封市地區(qū)的冬小麥種植面積和產(chǎn)量數(shù)據(jù)來源于2005—2014年《河南省統(tǒng)計(jì)年鑒》。

1.2.2 數(shù)據(jù)處理

1.2.2.1 遙感數(shù)據(jù)預(yù)處理 本研究所選用的NDVI數(shù)據(jù)主要為TERRA/MODIS 的16 d合成植被指數(shù)數(shù)據(jù)產(chǎn)品(MODIS13Q1)，經(jīng)過大氣校正、幾何校正等預(yù)處理。利用開封市的行政區(qū)劃矢量圖掩膜提取得到研究區(qū)內(nèi)NDVI影像圖。利用GIS的空間分析技術(shù)剔除NDVI值中的云值及噪聲點(diǎn)。冬小麥種植區(qū)的提取主要是基于高空間分辨率的TM影像。本研究所用的遙感影像數(shù)據(jù)均采用Albers投影(正軸等積割圓錐投影)，全部重采樣為250 m分辨率。

1.2.2.2 冬小麥種植區(qū)提取 通過分析比較研究區(qū)域內(nèi)所有農(nóng)作物的類別和物候期，研究區(qū)冬小麥在春季具有區(qū)別于其他農(nóng)作物的時(shí)相特征，故選用覆蓋開封市的2005—2013年3—5月的2景TM影像。以開封市土地利用類型圖作為參考，運(yùn)用非監(jiān)督分類方法對(duì)研究區(qū)進(jìn)行分類，再基于4、3、2波段和5、4、3波段進(jìn)行人工解譯分類修正，通過合并相似類別，獲得研究區(qū)的冬小麥種植區(qū)圖。

1.2.2.3 冬小麥種植區(qū)NDVI的提取 利用ArcGIS 10.1的操作平臺(tái)，對(duì)獲得的冬小麥種植區(qū)圖進(jìn)行處理，使小麥種植區(qū)柵格屬性均為1，其余為0，通過與NDVI遙感影像進(jìn)行疊加分析，得到研究區(qū)內(nèi)冬小麥種植區(qū)的NDVI數(shù)據(jù)，并計(jì)算每年冬小麥生長(zhǎng)期內(nèi)該區(qū)域介于0.2～0.8的NDVI之和作為研究指標(biāo)。通過分析研究區(qū)內(nèi)冬小麥的物候期、耕作制度及水熱等氣候條件，在2—5月小麥進(jìn)行間作或套種的作物較少，故可直接研究NDVI與冬小麥產(chǎn)量的關(guān)系。

1.3 冬小麥遙感估產(chǎn)模型構(gòu)建

本研究選取2005—2013年開封市冬小麥產(chǎn)量數(shù)據(jù)與小麥生長(zhǎng)關(guān)鍵時(shí)期的MODIS-NDVI數(shù)據(jù)構(gòu)建模型。首先，將開封市2005—2013年2—5月的16 d合成的MODIS-NDVI影像圖與每年的冬小麥種植區(qū)圖進(jìn)行疊加，得到冬小麥種植區(qū)的NDVI影像，再計(jì)算介于0.2～0.8全部NDVI數(shù)據(jù)之和。通過對(duì)每年不同時(shí)期的NDVI值與冬小麥產(chǎn)量之間的相關(guān)性進(jìn)行分析比較，選擇與產(chǎn)量相關(guān)性最高的NDVI指標(biāo)作為自變量，得到以冬小麥產(chǎn)量為因變量的單變量的回歸估產(chǎn)模型；然后基于多元回歸分析方法，利用整個(gè)關(guān)鍵生育時(shí)期的NDVI值，建立估產(chǎn)模型，并運(yùn)用主成分分析方法對(duì)冬小麥生長(zhǎng)期內(nèi)2月下旬到5月下旬NDVI值進(jìn)行分析，得到優(yōu)化的綜合指標(biāo)，進(jìn)而研究綜合指標(biāo)與冬小麥產(chǎn)量的關(guān)系；最后，通過開封市2014年的冬小麥產(chǎn)量數(shù)據(jù)和提取得到的NDVI數(shù)據(jù)驗(yàn)證所構(gòu)建模型的精度及穩(wěn)定性。整體技術(shù)路線如圖1所示。

圖1 冬小麥遙感估產(chǎn)模型構(gòu)建流程

2 結(jié)果與分析

2.1 冬小麥NDVI與產(chǎn)量的相關(guān)性分析

對(duì)2005—2013年小麥產(chǎn)量和其重要時(shí)期的NDVI進(jìn)行相關(guān)性分析(表1)發(fā)現(xiàn)，冬小麥產(chǎn)量與其研究區(qū)內(nèi)各個(gè)主要時(shí)相的NDVI均有一定的相關(guān)性。其中，3月下旬NDVI與產(chǎn)量之間的相關(guān)性最好，2月下旬次之，即從2月下旬開始，冬小麥產(chǎn)量與NDVI的相關(guān)性逐漸升高，3月下旬達(dá)到最好，之后相關(guān)性逐步下降。

2.2 冬小麥NDVI與產(chǎn)量的回歸模型的構(gòu)建

根據(jù)表1相關(guān)性分析結(jié)果以及開封市的氣候條件和冬小麥物候歷，選擇使用3月下旬NDVI數(shù)據(jù)(介于0.2～0.8的NDVI之和，x)建立其與冬小麥產(chǎn)量(y)的回歸模型,見式(1)。

y=a+bx

(1)

其中，a、b是回歸參數(shù)。使用2005—2013年冬小麥產(chǎn)量數(shù)據(jù)和3月下旬拔節(jié)期的NDVI進(jìn)行線性統(tǒng)計(jì)回歸，得到的線性回歸分析結(jié)果見式(2)。

y=30.273x+810 478.075 (2)表1 小麥生長(zhǎng)關(guān)鍵期NDVI與產(chǎn)量的相關(guān)系數(shù)

該方程的R2為0.512，擬合效果較好；F為7.342，大于F0.05(5.59),說明該模型顯著。冬小麥的生長(zhǎng)是一個(gè)連續(xù)過程，應(yīng)綜合考慮冬小麥各關(guān)鍵生育時(shí)期的生長(zhǎng)狀況對(duì)產(chǎn)量的影響。因此，將每年2月下旬、3月上下旬、4月上下旬、5月上下旬NDVI(介于0.2～0.8的NDVI之和)為自變量x1、x2、x3、x4、x5、x6、x7，冬小麥產(chǎn)量為因變量y，建立多元回歸方程見式(3)。

y=a+b1x1+b2x2+b3x3+b4x4+b5x5+b6x6+b7x7

(3)

其中，a、b1、b2、b3、b4、b5、b6、b7是多元回歸模型的參數(shù)，運(yùn)用最小二乘法對(duì)方程中各參數(shù)的值進(jìn)行估計(jì)。使用2005—2013年冬小麥產(chǎn)量數(shù)據(jù)和2月下旬、3月上下旬、4月上下旬、5月上下旬的冬小麥種植區(qū)域內(nèi)0.2～0.8的NDVI之和進(jìn)行多元回歸，得到的多元回歸統(tǒng)計(jì)模型見式(4)。

y=-35.211x1-1.707x2+107.018x3-42.528x4+5.330x5+9.022x6-16.630x7+553 842.091

(4)

模型的R2是0.976，說明多元回歸方程的擬合度為97.6%，具有一定的穩(wěn)定性。

2.3 冬小麥NDVI與產(chǎn)量主成分回歸優(yōu)化模型的構(gòu)建

主成分分析是主成分回歸分析的關(guān)鍵內(nèi)容，對(duì)原始變量進(jìn)行線性變換從而得到較少的新的指標(biāo)，所獲得的新指標(biāo)變量之間相互獨(dú)立并且具有很高的代表性。對(duì)冬小麥關(guān)鍵生育時(shí)期NDVI進(jìn)行主成分分析，并利用多元回歸方法對(duì)得到的綜合變量進(jìn)行分析得到式(5)。

y=a+b1F1+b2F2+b3F3+…+bnFn

(5)

F1、F2、…、Fn是主成分分析得到的主成分，y是因變量，a、b1、b2、…、bn為方程的參數(shù)。通過計(jì)算回歸方程中各主成分的載荷，以及原始變量與求取的綜合變量之間的線性關(guān)系，獲得7個(gè)初始變量在回歸方程中各自的回歸參數(shù)。

選用方差膨脹因子對(duì)構(gòu)建的多元回歸方程進(jìn)行共線性分析，結(jié)果表明，除4月上旬NDVI的和x4，5月上旬NDVI的和x6及5月下旬NDVI的和x7這三者的方差膨脹因子小于10以外，其他幾個(gè)指標(biāo)的方差膨脹因子均大于10，所以擬合的回歸方程存在有較強(qiáng)的多重共線性問題。對(duì)7個(gè)自變量進(jìn)行主成分分析，提取得到2個(gè)主成分及其相應(yīng)線性關(guān)系式見式(6)、(7)。

F1=0.110x1+0.261x2+0.632x3+0.816x4+0.756x5+0.885x6+0.644x7

(6)

F2=0.951x1+0.880x2+0.748x3-0.131x4-0.336x5-0.152x6-0.485x7

(7)

利用得到的主成分F1、F2作為自變量，冬小麥產(chǎn)量為因變量進(jìn)行回歸分析，得到方程見式(8)。

y=970 904.38+3.769F1+7.484F2

(8)

該方程的R2為0.884，表明該方程有較好的擬合精度。將上式中的2個(gè)主成分F1和F2分別轉(zhuǎn)化為7個(gè)初始變量，得到用自變量表示的回歸方程見式(9)。

y=7.376x1+4.491x2+8.903x3+5.979x4+5.931x5+8.707x6+2.686x7+970 904.38

(9)

2.4 冬小麥估產(chǎn)模型的驗(yàn)證

為了檢驗(yàn)估產(chǎn)模型是否具有可行性以及各自的準(zhǔn)確性，利用2014年開封市的冬小麥產(chǎn)量數(shù)據(jù)和其NDVI數(shù)據(jù)對(duì)建立的3個(gè)模型分別進(jìn)行驗(yàn)證，得到結(jié)果如表2所示。從表2可以看出，3個(gè)遙感估產(chǎn)模型的誤差均是負(fù)值，相對(duì)預(yù)測(cè)誤差在6.88%～10.55%。模型1是基于小麥產(chǎn)量和與產(chǎn)量相關(guān)性最大的3月份下旬的NDVI數(shù)據(jù)構(gòu)建的一元回歸模型，其相對(duì)誤差為-10.55%，對(duì)產(chǎn)量的預(yù)測(cè)相對(duì)較準(zhǔn)確。分析開封市作物生長(zhǎng)的物候期得知，3月下旬冬小麥正處在拔節(jié)期，這一時(shí)期對(duì)冬小麥穗粒數(shù)和穗數(shù)的多少起著關(guān)鍵作用，對(duì)最終產(chǎn)量的形成相當(dāng)重要。

與模型1相比，綜合利用冬小麥生長(zhǎng)各個(gè)時(shí)期的NDVI值建立的多元回歸模型具有更高的R2，預(yù)測(cè)精度更高，其產(chǎn)量的擬合精度為92.92%，可能是由于該方法系統(tǒng)考慮了不同時(shí)期的NDVI狀態(tài)，涵蓋更加豐富、全面的信息，有較好的靈敏度，綜合、全面地反映冬小麥在各個(gè)生長(zhǎng)時(shí)期的情況，因此，模型2的產(chǎn)量估測(cè)度較模型1有了很大提高。分析模型2中各個(gè)變量的回歸系數(shù)可以發(fā)現(xiàn)，拔節(jié)期(3月下旬)的NDVI數(shù)據(jù)的回歸系數(shù)最大，即其對(duì)產(chǎn)量的影響最大，且和產(chǎn)量之間呈正相關(guān)關(guān)系，與相關(guān)分析的結(jié)果吻合，開封市拔節(jié)期是冬小麥產(chǎn)量預(yù)估的最佳生育時(shí)期，其次為返青期和孕穗期。

構(gòu)建的冬小麥生長(zhǎng)關(guān)鍵期內(nèi)NDVI值的主成分回歸產(chǎn)量預(yù)測(cè)模型主要是對(duì)所建立的多元回歸模型的優(yōu)化，將原來的7個(gè)變量進(jìn)行線性組合，轉(zhuǎn)換為2個(gè)相互獨(dú)立且代表性好的綜合主成分因子。主成分分析得到的2個(gè)綜合主成分因子的載荷矩陣如表3所示，比較分析所提取的2個(gè)主成分，其中，第一主成分能更好地反映冬小麥抽穗期至成熟期的信息，即包含4月上下旬和5月上下旬的NDVI數(shù)據(jù)，而第二主成分主要是2月下旬和3月上下旬的NDVI數(shù)據(jù)，處于冬小麥的返青期至拔節(jié)期。綜上，通過主成分分析對(duì)變量進(jìn)行科學(xué)整合，得到了代表冬小麥生育期的2個(gè)關(guān)鍵時(shí)期的NDVI，分別是代表冬小麥從抽穗期至成熟期內(nèi)生長(zhǎng)狀態(tài)的第一主成分，及表示返青期至拔節(jié)期的第二主成分，2個(gè)主成分均有很高的代表性。主成分回歸模型的估產(chǎn)水平最高，精度達(dá)到93.12%。對(duì)比分析該模型各個(gè)系數(shù)可知，3月下旬的NDVI的系數(shù)最大，從而再次驗(yàn)證3月下旬(拔節(jié)期)對(duì)產(chǎn)量的形成影響最大。

表2 冬小麥估產(chǎn)模型驗(yàn)證結(jié)果

表3 主成分因子載荷矩陣

3 結(jié)論與討論

作物每個(gè)物候期的生長(zhǎng)狀況均與其最終產(chǎn)量的形成密切有關(guān)[10]。選擇與冬小麥產(chǎn)量形成相關(guān)的重要物候期NDVI作為本研究的分析指標(biāo)，用于最終產(chǎn)量的預(yù)測(cè)，建立最佳觀測(cè)期NDVI與最終產(chǎn)量的回歸模型及各生育時(shí)期NDVI和產(chǎn)量的多元回歸模型，并在多元模型基礎(chǔ)上，有效提取涵蓋原變量的綜合變量，經(jīng)由回歸統(tǒng)計(jì)分析，得到最佳遙感估產(chǎn)模型。

1)通過2005—2013年冬小麥關(guān)鍵生長(zhǎng)時(shí)期(2—5月)的NDVI與產(chǎn)量的相關(guān)性分析發(fā)現(xiàn)，3月下旬(拔節(jié)期)為開封市冬小麥估產(chǎn)的最佳時(shí)期，且多元回歸模型和主成分回歸模型中拔節(jié)期(3月下旬)NDVI值的回歸系數(shù)最大，證實(shí)了拔節(jié)期是研究區(qū)域內(nèi)冬小麥最佳估產(chǎn)期。

2)比較基于最佳估產(chǎn)期和生長(zhǎng)關(guān)鍵期NDVI分別建立的一元回歸模型和多元回歸模型，后者的擬合優(yōu)度R2是0.976，估產(chǎn)精度為92.92%，均高于前者。據(jù)此可知，綜合考慮冬小麥不同生育時(shí)期NDVI狀態(tài)，對(duì)于提高估產(chǎn)模型的穩(wěn)定性和預(yù)測(cè)精度均有幫助。

3)采用主成分回歸法優(yōu)化多元回歸模型可以有效提高模型的估產(chǎn)精度，估測(cè)精度達(dá)到93.12%，在3個(gè)模型中估產(chǎn)效果最好。說明選用冬小麥所有生長(zhǎng)關(guān)鍵時(shí)期的NDVI信息并科學(xué)地提取綜合指標(biāo)進(jìn)行回歸建模，能達(dá)到更高的預(yù)測(cè)精度。

本研究所構(gòu)建的3種估產(chǎn)模型，均可以利用NDVI進(jìn)行冬小麥估產(chǎn)，估產(chǎn)誤差均控制在10.55%內(nèi)，證明了利用NDVI進(jìn)行冬小麥估產(chǎn)的可行性，但在研究過程中還存在有很多不足，有待進(jìn)一步的論證和完善。

1)研究中冬小麥種植區(qū)域的提取受TM影像數(shù)據(jù)源的影響，每年所依據(jù)的影像在時(shí)相上并不完全統(tǒng)一，并且，研究區(qū)部分地區(qū)種植有蒜苗等其他蔬菜，易于混淆，造成遙感解譯的誤差，使得每年提取的冬小麥種植面積與實(shí)際面積的統(tǒng)計(jì)值存有差異。因此，可以選擇更高時(shí)空分辨率的遙感數(shù)據(jù)或采用其他輔助數(shù)據(jù)，來提取獲得冬小麥種植區(qū)域。

2)本研究選用NDVI數(shù)據(jù)進(jìn)行冬小麥產(chǎn)量估測(cè)，主要是因?yàn)槠鋺?yīng)用較為廣泛。而增強(qiáng)化植被指數(shù)EVI將抗大氣植被指數(shù)和土壤調(diào)節(jié)植被指數(shù)進(jìn)行耦合從而實(shí)現(xiàn)對(duì)植被信息優(yōu)化[11]，并降低了植被冠層背景不穩(wěn)定和大氣衰減的影響[12]，可在今后的冬小麥估產(chǎn)研究中進(jìn)行應(yīng)用。

3)冬小麥產(chǎn)量受多個(gè)因素的影響，如水熱條件、土壤質(zhì)量等，可以以植被指數(shù)為基礎(chǔ)引入氣候等相關(guān)因素進(jìn)行綜合分析，這有待進(jìn)一步的研究。

[1] 金濤.中國(guó)糧食生產(chǎn)時(shí)空變化及其耕地利用效應(yīng)[J].自然資源學(xué)報(bào),2014,29(6):911-919.

[2] 杜天昊.基于MODIS-NDVI的河南省冬小麥估產(chǎn)模型研究[D].重慶：重慶大學(xué),2013.

[3] 趙庚星,余松烈.冬小麥遙感估產(chǎn)研究進(jìn)展[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2001,32(1):107-111.

[4] 王東偉.遙感數(shù)據(jù)與作物生長(zhǎng)模型同化方法及其應(yīng)用研究[D].北京：北京師范大學(xué),2008.

[5] 閆巖,柳欽火,劉強(qiáng),等.基于遙感數(shù)據(jù)與作物生長(zhǎng)模型同化的冬小麥長(zhǎng)勢(shì)監(jiān)測(cè)與估產(chǎn)方法研究[J].遙感學(xué)報(bào),2006,10(5):804-811.

[6] 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):111-117.

[7] 黎銳,李存軍,徐新剛,等.基于支持向量回歸(SVR)和多時(shí)相遙感數(shù)據(jù)的冬小麥估產(chǎn)[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(7):114-117.

[8] 朱再春,陳聯(lián)裙,張錦水,等.MODISEVI時(shí)間序列數(shù)據(jù)和光譜角聚類的冬小麥遙感估產(chǎn)分區(qū)方法研究[J].光譜學(xué)與光譜分析,2012,32(7):1899-1903.

[9] 任建強(qiáng),陳仲新,唐華俊.基于MODIS-NDVI的區(qū)域冬小麥遙感估產(chǎn)——以山東省濟(jì)寧市為例[J].應(yīng)用生態(tài)學(xué)報(bào),2006,17(12):2371-2375.

[10] 任建強(qiáng),陳仲新,唐華俊,等.長(zhǎng)時(shí)間序列NOAA-NDVI數(shù)據(jù)在冬小麥區(qū)域估產(chǎn)中的應(yīng)用[J].遙感技術(shù)與應(yīng)用,2007,22(3):326-332.

[11] 王長(zhǎng)耀,林文鵬.基于MODISEVI的冬小麥產(chǎn)量遙感預(yù)測(cè)研究[J].農(nóng)業(yè)工程學(xué)報(bào),2005,21(10):90-94.

[12] Huete A,Didan K,Miura T,etal.Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J].Remote Sensing of Environment,2002,83(1/2):195-213.

Regional Scale Yield Estimation of Winter Wheat by Remote Sensing Using MODIS-NDVI Data in Different Growth Stages

LI Bing1,2,LI Shimin1,ZHOU Lei3,HUANG Canhui3,WANG Laigang1*

(1.Institute of Agricultural Economics and Information,Henan Academy of Agricultural Sciences,Zhengzhou 450002,China; 2.Zhengzhou Shuqing Medical College,Zhengzhou 450000,China;3.Remote Sensing Monitoring Center of Agriculture of Henan Province,Zhengzhou 450002,China)

This study took Kaifeng city of Henan province as study area.The correlation between the sum of 16 d synthetic 250 m normalized difference vegetation index(NDVI) in winter wheat growth stages from 2005 to 2013 and winter wheat yield was analyzed to obtain the best phase of yield estimation by remote sensing to construct single variable regression model.Meanwhile,the multiple regression model based on NDVI of winter wheat in different growth stages was constructed.Then,the principal component analysis method was used to improve the parameters of multiple regression model.Finally,the yield data of Kaifeng city in 2014 was used to verify the yield estimation model,aiming to build the yield estimation model with higher precision,so as to better guide the wheat production.The results showed that the estimation errors of three models were controlled within 10.55%,according to the three models,the optimal period of yield estimation of winter wheat was in late March,ie,jointing stage,the principal component regression estimation model had the highest fitting precision of 93.12%,and had some practical value.

yield estimation by remote sensing； MODIS； NDVI； regression model； winter wheat

2017-01-15

河南省科技攻關(guān)重點(diǎn)項(xiàng)目(172102110090)；河南省農(nóng)業(yè)科學(xué)院自主創(chuàng)新項(xiàng)目(2017ZC60)

李 冰(1980-)，女，河南開封人，講師，碩士，主要從事遙感圖像自動(dòng)分類研究。E-mail:42383949@qq.com

*通訊作者：王來剛(1979-)，男，河南輝縣人，副研究員，博士，主要從事農(nóng)業(yè)遙感應(yīng)用研究。E-mail:wlaigang@sina.com

S512.1；S126

A

1004-3268(2017)06-0150-06