作物產(chǎn)量預(yù)測(cè)的遙感方法

洪昕

摘 要：糧食安全問(wèn)題由于關(guān)系到國(guó)計(jì)民生而一直備受關(guān)注，糧食產(chǎn)量預(yù)測(cè)作為保證糧食安全的重要環(huán)節(jié)也同樣不容忽視。長(zhǎng)時(shí)間以來(lái)，很多研究者都針對(duì)此課題進(jìn)行了廣泛而深入的研究并取得了一定成果。遙感技術(shù)的快速發(fā)展為實(shí)現(xiàn)大規(guī)模的作物產(chǎn)量預(yù)測(cè)提供了快速、精確的方法。文章主要介紹了多源遙感數(shù)據(jù)融合技術(shù)、目前常用的遙感估產(chǎn)模型以及將遙感技術(shù)與作物生長(zhǎng)模型同化進(jìn)行作物產(chǎn)量預(yù)測(cè)的方法，并分析了遙感技術(shù)在作物產(chǎn)量預(yù)測(cè)上面臨的問(wèn)題，為遙感估產(chǎn)技術(shù)指出了未來(lái)的重點(diǎn)發(fā)展方向。

關(guān)鍵詞：遙感技術(shù);產(chǎn)量預(yù)測(cè);多源遙感數(shù)據(jù)融合;估產(chǎn)模型;同化

中圖分類號(hào)：S-03 ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

DOI：10.19754/j.nyyjs.20190830016

前言

快速、精確的作物產(chǎn)量預(yù)測(cè)，對(duì)國(guó)家制定糧食政策，進(jìn)行價(jià)格宏觀調(diào)控，實(shí)現(xiàn)鄉(xiāng)村經(jīng)濟(jì)的振興以及糧食進(jìn)出口貿(mào)易等都具有重要意義，也是我國(guó)研究者一直關(guān)注的重大課題。傳統(tǒng)的對(duì)作物產(chǎn)量進(jìn)行預(yù)測(cè)的方法主要有農(nóng)學(xué)估產(chǎn)法、統(tǒng)計(jì)估產(chǎn)法以及氣象統(tǒng)計(jì)法等，這些方法往往只適用于小面積估產(chǎn)。20世紀(jì)70年代以來(lái)，因?yàn)榫哂泻暧^、動(dòng)態(tài)和快速等特點(diǎn)，遙感技術(shù)在農(nóng)業(yè)生產(chǎn)上得到了廣泛的應(yīng)用，為農(nóng)作物長(zhǎng)勢(shì)的監(jiān)測(cè)以及籽粒產(chǎn)量的預(yù)測(cè)提供了有效的途徑。

遙感估產(chǎn)是在分析處理遙感影像的基礎(chǔ)上，提取作物的種植面積、獲取其空間分布信息、光譜信息、植被指數(shù)，研究作物光譜特征和產(chǎn)量構(gòu)成要素間的相關(guān)性，結(jié)合地理信息系統(tǒng)GIS和全球定位系統(tǒng)GPS，建立不同條件下作物的估產(chǎn)模型，實(shí)現(xiàn)對(duì)作物產(chǎn)量的預(yù)測(cè)。常用的植被指數(shù)有：歸一化植被指數(shù)NDVI、差值植被指數(shù)DVI、比值植被指數(shù)RVI等。其中， NDVI是應(yīng)用最為廣泛的指標(biāo)，其與作物的葉面積指數(shù)LAI相關(guān)性較好，在作物生長(zhǎng)監(jiān)測(cè)中常被用來(lái)反映作物的生長(zhǎng)狀況。

近年來(lái)，農(nóng)作物遙感估產(chǎn)的研究獲得了較大的突破，主要體現(xiàn)在：從田間小面積的作物估產(chǎn)發(fā)展到宏觀大面積的作物估產(chǎn);從只利用單一遙感信息源發(fā)展到多種遙感信息源的綜合利用;從單純建立光譜參數(shù)與作物籽粒產(chǎn)量間的統(tǒng)計(jì)模型，發(fā)展到將作物生長(zhǎng)發(fā)育的機(jī)理過(guò)程也考慮進(jìn)去，使作物產(chǎn)量的預(yù)測(cè)精度不斷提高。其中，遙感技術(shù)與作物生長(zhǎng)模型的結(jié)合，是未來(lái)進(jìn)行大面積農(nóng)作物生長(zhǎng)監(jiān)測(cè)和產(chǎn)量預(yù)測(cè)的研究重點(diǎn)和發(fā)展方向，而數(shù)據(jù)同化算法為二者的結(jié)合提供了有效手段。

1 多源遙感數(shù)據(jù)的融合

多源遙感信息的融合是對(duì)同一地區(qū)的多個(gè)傳感器的掃描影像進(jìn)行綜合，通過(guò)互補(bǔ)信息的有機(jī)集成，實(shí)現(xiàn)單一信息源對(duì)被感知對(duì)象或環(huán)境解釋中可能存在的多義性、不完全性、不確定性及誤差的控制，從而最大限度的利用各種信息源所提供的信息，使遙感技術(shù)在特征信息提取、分類等方面的有效性得到提高。如將NOAA/AVHRR（低空間分辨率遙感影像）和Landsat-TM（中空間分辨率遙感影像）結(jié)合來(lái)提取水稻的種植面積，相比于農(nóng)業(yè)統(tǒng)計(jì)數(shù)據(jù)，精度可以達(dá)到91.6%[1];王娣[2]在武穴梅川鎮(zhèn)實(shí)驗(yàn)區(qū)內(nèi)開(kāi)展基于地面高光譜數(shù)據(jù)和無(wú)人機(jī)平臺(tái)多光譜數(shù)據(jù)的水稻估產(chǎn)研究，發(fā)現(xiàn)利用主成分分析法獲得的多平臺(tái)綜合估產(chǎn)模型與地面或無(wú)人機(jī)平臺(tái)的最優(yōu)模型相比，效果有一定提高。

2 常見(jiàn)的作物遙感估產(chǎn)模型

作物遙感估產(chǎn)技術(shù)大體可分為3個(gè)步驟：通過(guò)分析遙感影像數(shù)據(jù)估算作物種植面積;通過(guò)分析遙感影像數(shù)據(jù)提取作物相應(yīng)的植被指數(shù)，以進(jìn)行作物長(zhǎng)勢(shì)狀況的監(jiān)測(cè);構(gòu)建植被指數(shù)和作物產(chǎn)量以及其它氣象、農(nóng)學(xué)參數(shù)等資料的單產(chǎn)估算模型，再經(jīng)過(guò)進(jìn)一步的計(jì)算得到總產(chǎn)。目前，常見(jiàn)的遙感估產(chǎn)模型有以下3種，其中以遙感為主要信息源的綜合估產(chǎn)模型最受關(guān)注。

2.1 植被指數(shù)與產(chǎn)量的統(tǒng)計(jì)模式及結(jié)合環(huán)境因子的統(tǒng)計(jì)模式 ?這種模式在早期主要是建立單個(gè)生育期的光譜指數(shù)和產(chǎn)量間的直接統(tǒng)計(jì)回歸模型，機(jī)理性較弱;于是，Rudorff等[3]和侯英雨等[4]考慮到積溫和降雨等氣象因子，建立起光譜-氣象復(fù)合模型，在一定程度上提高了估產(chǎn)的精度。近年來(lái)，由于各地區(qū)基于MODIS的作物產(chǎn)量預(yù)測(cè)基本實(shí)現(xiàn)了業(yè)務(wù)化的運(yùn)行，因此采用逐步回歸的方法篩選構(gòu)建的基于冬小麥關(guān)鍵生育期旬NDVI與最終產(chǎn)量間關(guān)系的模型應(yīng)用較廣泛。此外，Osborne等[5]通過(guò)地面高光譜技術(shù)對(duì)玉米的生物量和氮含量指標(biāo)進(jìn)行了監(jiān)測(cè)，并基于此構(gòu)建了各生育期光譜數(shù)據(jù)和最終籽粒產(chǎn)量間的關(guān)系模型。隨著這些研究的深入，作物產(chǎn)量的預(yù)測(cè)方法也得到了更為深入的發(fā)展。

2.2 產(chǎn)量構(gòu)成要素預(yù)測(cè)模式

這種模式主要通過(guò)研究產(chǎn)量形成的生物學(xué)機(jī)理，以找到影響產(chǎn)量形成的主要因子及其發(fā)生作用的關(guān)鍵時(shí)期，并由此建立遙感信息與產(chǎn)量構(gòu)成因子之間關(guān)系的動(dòng)態(tài)模型。如：薛利紅等[6]通過(guò)研究水稻生長(zhǎng)發(fā)育特征及其產(chǎn)量三要素形成過(guò)程的生物學(xué)機(jī)理，建立了水稻冠層光譜特征、產(chǎn)量構(gòu)成因子以及產(chǎn)量之間的相關(guān)關(guān)系。侯新杰等[7]對(duì)棉花產(chǎn)量形成關(guān)鍵時(shí)期的高光譜特征參數(shù)和產(chǎn)量構(gòu)成因子進(jìn)行了相關(guān)分析，發(fā)現(xiàn)棉花產(chǎn)量構(gòu)成因子中單位面積總鈴數(shù)、單鈴重與紅邊參數(shù)等均有較好的相關(guān)性。

2.3 以遙感為主要信息源的綜合估產(chǎn)模型

近年來(lái)，大量以遙感技術(shù)為主并結(jié)合其它技術(shù)的新型綜合估產(chǎn)模型不斷涌現(xiàn)，如將遙感技術(shù)與作物生長(zhǎng)模型相結(jié)合的估產(chǎn)模式。楊星衛(wèi)等[8]、王人潮等[9]在水稻的遙感估產(chǎn)研究中融入作物生長(zhǎng)模型，得到了比較理想的結(jié)果。Moriondo等[10]將衛(wèi)星遙感反演的NDVI數(shù)據(jù)和CROPSYST模型模擬的NDVI數(shù)據(jù)相結(jié)合來(lái)預(yù)測(cè)小麥產(chǎn)量，模型模擬值與實(shí)測(cè)值間的相關(guān)系數(shù)達(dá)到了0.77～0.73。Dente等[11]通過(guò)將CERES-Wheat生長(zhǎng)模型模擬的葉面積指數(shù)與遙感反演的葉面積指數(shù)同化以改善區(qū)域小麥單產(chǎn)的預(yù)測(cè)，實(shí)驗(yàn)效果較好。王航等[12]通過(guò)同化和更新策略相結(jié)合的新算法耦合遙感信息和水稻生長(zhǎng)模型（RiceGrow），以實(shí)現(xiàn)更精準(zhǔn)的水稻產(chǎn)量預(yù)測(cè)。張建華[13]通過(guò)將遙感技術(shù)和農(nóng)業(yè)氣象數(shù)值模擬技術(shù)結(jié)合的新思路進(jìn)行作物估產(chǎn)，有效提高了遙感估產(chǎn)的精度。

3 遙感技術(shù)與作物生長(zhǎng)模型同化方法研究

數(shù)據(jù)同化算法能夠?qū)⑦b感觀測(cè)數(shù)據(jù)與作物生長(zhǎng)模型進(jìn)行有效地耦合，是大尺度作物產(chǎn)量預(yù)測(cè)領(lǐng)域的研究熱點(diǎn)，根據(jù)其原理可以分為基于統(tǒng)計(jì)估計(jì)理論的順序同化方法和基于最優(yōu)控制的全局?jǐn)M合法。此外，作物生長(zhǎng)模型參數(shù)最優(yōu)估計(jì)的方法，包括SCE-UA、SA和POWELL算法等，也常被用于作物生長(zhǎng)模型和遙感數(shù)據(jù)的同化研究。

3.1 順序同化法

順序同化法包括：最優(yōu)插值、粒子濾波（Particle filter，PF）、Kalman濾波系列、集合卡爾曼濾波（Ensemble Kalman filter，EnKF）等，其中EnKF算法的應(yīng)用最廣泛。如：陳思寧等[14]應(yīng)用EnKF算法將MODIS-LAI和WOFOST模型耦合來(lái)預(yù)測(cè)我國(guó)東北地區(qū)玉米的產(chǎn)量，結(jié)果顯示，經(jīng)過(guò)同化算法處理后模型模擬的玉米產(chǎn)量精度比未同化的模擬產(chǎn)量精度顯著提高。黃健熙等[15]利用EnKF算法來(lái)同化修正后的MODIS反演的葉面積指數(shù)和WOFOST模型模擬的葉面積指數(shù)，使區(qū)域糧食產(chǎn)量的預(yù)測(cè)精度提高。

3.2 全局?jǐn)M合法

全局?jǐn)M合法主要是指變分算法，包括了三維變分3DVAR算法及四維變分4DVAR算法等。其中，以4DVAR算法的技術(shù)最為成熟，且應(yīng)用較為廣泛。如：解毅等[16]基于4DVAR算法，通過(guò)同化冬小麥主要生育時(shí)期CERES-Wheat模型模擬的和Landsat數(shù)據(jù)反演的LAI來(lái)對(duì)關(guān)中平原冬小麥的單產(chǎn)進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)同化算法能夠充分結(jié)合模型模擬LAI和遙感反演LAI各自的優(yōu)勢(shì)，從而使小麥估產(chǎn)精度提高。

3.3 影響同化方法精度的因素

葉面積指數(shù)（LAI）可以指示作物截獲太陽(yáng)輻射能進(jìn)行CO2同化及干物質(zhì)積累的能力，是進(jìn)行籽粒潛在產(chǎn)量評(píng)估的重要指標(biāo)。目前很多同化估產(chǎn)研究通過(guò)同化遙感反演的LAI及作物生長(zhǎng)模型模擬的LAI來(lái)預(yù)測(cè)區(qū)域作物的產(chǎn)量。除葉面積指數(shù)外，土壤水分、蒸散發(fā)（evapotranspiration，ET）、蒸發(fā)脅迫指數(shù)（ESI）和地上生物量等狀態(tài)變量均和籽粒產(chǎn)量密切相關(guān)。因此，很多研究者采取同化多個(gè)與籽粒產(chǎn)量相關(guān)性較好的狀態(tài)變量的方法來(lái)提高作物產(chǎn)量預(yù)測(cè)的精度。如：Huang等[17]在基于SCE-UA算法的MODIS-LAI、MODIS-ET和SWAP模型的同化研究中發(fā)現(xiàn)，同時(shí)同化MODIS-LAI和MODIS-ET對(duì)于冬小麥單產(chǎn)預(yù)測(cè)的精度要高于僅同化MODIS-LAI或MODIS-ET的預(yù)測(cè)精度。

然而，不同狀態(tài)變量對(duì)產(chǎn)量預(yù)測(cè)的影響在作物的不同生長(zhǎng)發(fā)育時(shí)期也是不同的。Anderson等[18]通過(guò)分析巴西2003—2013年間主要作物各生育期的ESI與預(yù)測(cè)產(chǎn)量之間的相關(guān)性，發(fā)現(xiàn)作物關(guān)鍵生育期的ESI和最終產(chǎn)量間的相關(guān)性最大。Huang等[19]及Dente等[11]均對(duì)小麥不同生育時(shí)期的LAI對(duì)于產(chǎn)量估測(cè)的影響程度進(jìn)行了評(píng)估，得出了相似結(jié)論，即抽穗期的LAI和小麥產(chǎn)量間的相關(guān)性最大，成熟期LAI和籽粒產(chǎn)量間的相關(guān)性較低。因此，在作物的不同生育階段選擇同化與產(chǎn)量相關(guān)性較大的變量能夠有效提高作物產(chǎn)量預(yù)測(cè)的精度。

4 問(wèn)題與展望

多源遙感數(shù)據(jù)的融合對(duì)增加作物生長(zhǎng)監(jiān)測(cè)及產(chǎn)量預(yù)測(cè)準(zhǔn)確性具有重要意義，但在實(shí)際應(yīng)用中仍然存在一些難題，如試驗(yàn)誤差的控制。大氣效應(yīng)、數(shù)據(jù)源質(zhì)量、預(yù)處理效果等均會(huì)造成遙感數(shù)據(jù)有一定誤差;而試驗(yàn)研究中遙感圖像光譜的獲取、地面光譜測(cè)量和理化測(cè)試等過(guò)程也是誤差的來(lái)源。因此多源遙感數(shù)據(jù)的融合勢(shì)必造成誤差的疊加及傳播，下一步的研究重點(diǎn)應(yīng)放在如何有效地進(jìn)行誤差估計(jì)和減小誤差對(duì)監(jiān)測(cè)精度的影響上。

雖然將作物生長(zhǎng)模型與遙感技術(shù)同化在作物產(chǎn)量預(yù)測(cè)上具有很大優(yōu)勢(shì)，但是由于作物模型在不同地區(qū)模擬，都需要當(dāng)?shù)氐臍庀?、土壤、作物的相關(guān)準(zhǔn)確數(shù)據(jù)，從而保證模擬的結(jié)果準(zhǔn)確可靠;而我國(guó)地域廣闊，雖然為作物生長(zhǎng)模型提供了非常大的應(yīng)用空間，但是獲取不同地點(diǎn)數(shù)據(jù)所耗的人力及物力也成為了其應(yīng)用普及的阻礙。因此建議國(guó)家設(shè)立專門服務(wù)于這項(xiàng)技術(shù)的相關(guān)部門，為研究者提供準(zhǔn)確的開(kāi)放數(shù)據(jù)，以提高模型的適用性，同時(shí)也使其在農(nóng)業(yè)資源的管理中發(fā)揮更大的作用。

區(qū)域大尺度作物長(zhǎng)勢(shì)及產(chǎn)量預(yù)測(cè)研究日益受到重視，大尺度的數(shù)據(jù)同化意味著計(jì)算量的增大，數(shù)據(jù)同化的效率漸已成為學(xué)者關(guān)注的重要問(wèn)題，因此對(duì)同化算法進(jìn)行改進(jìn)和完善，提高其運(yùn)行速度，增加同化模型的實(shí)用性成為必然趨勢(shì)。

參考文獻(xiàn)

[1] FANG Hongliang， WU Bingfang， LIU Haiyan，et al.. Using NOAAAVHRR and Land sat TM to estimate rice area year-by-year[J]. Int. j. remote sensing， 1998， 19（3）： 521-525.

[2] 王娣.高光譜與多光譜遙感水稻估產(chǎn)研究[D]. 武漢：武漢大學(xué)，2017：63.

[3] Rudorff B F T， Batista G T. Spectral response of wheat and its relationship to agronomic variables in the tropical region [J]. Remote Sensing of Environment， 1990，31（1）：53-63.

[4] 侯英雨，王石立.基于作物植被指數(shù)和溫度的產(chǎn)量估算模型研究[J].地理學(xué)與國(guó)土研究，2002，18（3）：105-107.

[5] Osborne S L， Schepers J S， Francis D D， Schlemmer M R. Use of spectral radiance to estimate in-season biomass and grain yield in nitrogen- and water-stressed corn[J]. Crop Science， 2002， 42（1）：165-171.

[6] 薛利紅，曹衛(wèi)星，羅衛(wèi)紅.基于冠層反射光譜的水稻產(chǎn)量預(yù)測(cè)模型[J].遙感學(xué)報(bào)， 2005， 9（1）：100-105.

[7] 侯新杰，蔣桂英，白麗，等.高光譜遙感特征參數(shù)與棉花產(chǎn)量及其構(gòu)成因子的關(guān)系研究[J].遙感信息，2008（2）：10-16.

[8] 楊星衛(wèi)，薛正平，陸賢.水稻遙感動(dòng)力估產(chǎn)模擬初探[J]. 遙感學(xué)報(bào)，1994，9（4）：280-286.

[9] 王人潮，黃敬峰.水稻遙感估產(chǎn)[M].中國(guó)農(nóng)業(yè)出版社，2002.

[10] Moriondo M， Maselli F， Bindi M. A simple model of regional wheat yield based on NDVI data[J]. European Journal of Agronomy， 2007，26（3）：266-274.

[11] Dente L， Satalino G， Mattia F， et al. Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield[J]. Remote Sensing of Environment， 2008， 112（4）：1395-1407.

[12] 王航，朱艷，馬孟莉，等.基于更新和同化策略相結(jié)合的遙感信息與水稻生長(zhǎng)模型耦合技術(shù)的研究[J]. 生態(tài)學(xué)報(bào)，2012，32（14）：4505-4515.

[13] 張建華.作物估產(chǎn)的遙感-數(shù)值模擬方法[J].干旱區(qū)資源與環(huán)境，2000，14（2）：82-86.

[14] 陳思寧，趙艷霞，申雙和，等.基于PyWOFOST作物模型的東北玉米估產(chǎn)及精度評(píng)估[J]. 中國(guó)農(nóng)業(yè)科學(xué)， 2013， 46（14）：2880-2893.

[15] 黃健熙，武思杰，劉興權(quán)，等.基于遙感信息與作物模型集合卡爾曼濾波同化的區(qū)域冬小麥產(chǎn)量預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（4）：142-148.

[16] 解毅，王鵬新，劉峻明，等.基于四維變分和集合卡爾曼濾波同化方法的冬小麥單產(chǎn)估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（1）：187-195.

[17] Huang J， Tian L， Liang S， et al. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model[J]. Agricultural and Forest Meteorology， 2015（204）：106-121.

[18] Anderson M C， Zolin C A， Sentelhas P C， et al. The evaporative stress index as an indicator ofagricultural drought in Brazil： An assessment based on crop yield impacts[J]. Remote Sensing of Environment， 2016（174）：82-99.

[19] Huang J， Ma H， Su W， et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2015， 8（8）：4060-4071.