作物产量预测的遥感方法

җ农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀农业与技术㊀㊀㊀㊀㊀㊀㊀2019,Vol.39,No.16㊀㊀㊀

作物产量预测的遥感方法

洪㊀昕

(江苏省徐州市铜山区农业技术推广中心,江苏徐州221000)

摘㊀要:粮食安全问题由于关系到国计民生而一直备受关注,粮食产量预测作为保证粮食安全的重要环节也同样不容忽视㊂长时间以来,很多研究者都针对此课题进行了广泛而深入的研究并取得了一定成果㊂遥感技术的快速发展为实现大规模的作物产量预测提供了快速㊁精确的方法㊂文章主要介绍了多源遥感数据融合技术㊁目前常用的遥感估产模型以及将遥感技术与作物生长模型同化进行作物产量预测的方法,并分析了遥感技术在作物产量预测上面临的问题,为遥感估产技术指出了未来的重点发展方向㊂

关键词:遥感技术;产量预测;多源遥感数据融合;估产模型;同化

中图分类号:S-03㊀㊀㊀㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀㊀㊀㊀DOI:10.19754/j.nyyjs.20190830016

前言

快速㊁精确的作物产量预测,对国家制定粮食政策,进行价格宏观调控,实现乡村经济的振兴以及粮食进出口贸易等都具有重要意义,也是我国研究者一直关注的重大课题㊂传统的对作物产量进行预测的方法主要有农学估产法㊁统计估产法以及气象统计法等,这些方法往往只适用于小面积估产㊂20世纪70年代以来,因为具有宏观㊁动态和快速等特点,遥感技术在农业生产上得到了广泛的应用,为农作物长势的监测以及籽粒产量的预测提供了有效的途径㊂遥感估产是在分析处理遥感影像的基础上,提取作物的种植面积㊁获取其空间分布信息㊁光谱信息㊁植被指数,研究作物光谱特征和产量构成要素间的相关性,结合地理信息系统GIS和全球定位系统GPS,建立不同条件下作物的估产模型,实现对作物产量的预测㊂常用的植被指数有:归一化植被指数NDVI㊁差值植被指数DVI㊁比值植被指数RVI等㊂其中,

NDVI是应用最为广泛的指标,其与作物的叶面积指数LAI相关性较好,在作物生长监测中常被用来反映作物的生长状况㊂

近年来,农作物遥感估产的研究获得了较大的突破,主要体现在:从田间小面积的作物估产发展到宏观大面积的作物估产;从只利用单一遥感信息源发展到多种遥感信息源的综合利用;从单纯建立光谱参数与作物籽粒产量间的统计模型,发展到将作物生长发育的机理过程也考虑进去,使作物产量的预测精度不断提高㊂其中,遥感技术与作物生长模型的结合,是未来进行大面积农作物生长监测和产量预测的研究重点和发展方向,而数据同化算法为二者的结合提供了有效手段㊂

1㊀多源遥感数据的融合

多源遥感信息的融合是对同一地区的多个传感器的扫描影像进行综合,通过互补信息的有机集成,实现单一信息源对被感知对象或环境解释中可能存在的多义性㊁不完全性㊁不确定性及误差的控制,从而最大限度的利用各种信息源所提供的信息,使遥感技术在特征信息提取㊁分类等方面的有效性得到提高㊂如将NOAA/AVHRR(低空间分辨率遥感影像)和

Landsat-TM(中空间分辨率遥感影像)结合来提取水稻的种植面积,相比于农业统计数据,精度可以达到91.6%[1];王娣[2]在武穴梅川镇实验区内开展基于地面高光谱数据和无人机平台多光谱数据的水稻估产研究,发现利用主成分分析法获得的多平台综合估产模型与地面或无人机平台的最优模型相比,效果有一定提高㊂

2㊀常见的作物遥感估产模型

作物遥感估产技术大体可分为3个步骤:通过分析遥感影像数据估算作物种植面积;通过分析遥感影像数据提取作物相应的植被指数,以进行作物长势状况的监测;构建植被指数和作物产量以及其它气象㊁农学参数等资料的单产估算模型,再经过进一步的计算得到总产㊂目前,常见的遥感估产模型有以下3种,其中以遥感为主要信息源的综合估产模型最受关注㊂

74

㊀㊀㊀2019,Vol.39,No.16㊀㊀㊀㊀㊀农业与技术㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀җ农业科学

2.1㊀植被指数与产量的统计模式及结合环境因子的统计模式

㊀㊀这种模式在早期主要是建立单个生育期的光谱指数和产量间的直接统计回归模型,机理性较弱;于是,Rudorff等[3]和侯英雨等[4]考虑到积温和降雨等气象因子,建立起光谱-气象复合模型,在一定程度上提高了估产的精度㊂近年来,由于各地区基于MO-DIS的作物产量预测基本实现了业务化的运行,因此采用逐步回归的方法筛选构建的基于冬小麦关键生育期旬NDVI与最终产量间关系的模型应用较广泛㊂此外,Osborne等[5]通过地面高光谱技术对玉米的生物量和氮含量指标进行了监测,并基于此构建了各生育期光谱数据和最终籽粒产量间的关系模型㊂随着这些研究的深入,作物产量的预测方法也得到了更为深入的发展㊂

2.2㊀产量构成要素预测模式

这种模式主要通过研究产量形成的生物学机理,以找到影响产量形成的主要因子及其发生作用的关键时期,并由此建立遥感信息与产量构成因子之间关系的动态模型㊂如:薛利红等[6]通过研究水稻生长发育特征及其产量三要素形成过程的生物学机理,建立了水稻冠层光谱特征㊁产量构成因子以及产量之间的相关关系㊂侯新杰等[7]对棉花产量形成关键时期的高光谱特征参数和产量构成因子进行了相关分析,发现棉花产量构成因子中单位面积总铃数㊁单铃重与红边参数等均有较好的相关性㊂

2.3㊀以遥感为主要信息源的综合估产模型

近年来,大量以遥感技术为主并结合其它技术的新型综合估产模型不断涌现,如将遥感技术与作物生长模型相结合的估产模式㊂杨星卫等[8]㊁王人潮等[9]在水稻的遥感估产研究中融入作物生长模型,得到了比较理想的结果㊂Moriondo等[10]将卫星遥感反演的NDVI数据和CROPSYST模型模拟的NDVI数据相结合来预测小麦产量,模型模拟值与实测值间的相关系数达到了0.77~0.73㊂Dente等[11]通过将CERES-Wheat生长模型模拟的叶面积指数与遥感反演的叶面积指数同化以改善区域小麦单产的预测,实验效果较好㊂王航等[12]通过同化和更新策略相结合的新算法耦合遥感信息和水稻生长模型(RiceGrow),以实现更精准的水稻产量预测㊂张建华[13]通过将遥感技术和农业气象数值模拟技术结合的新思路进行作物估产,有效提高了遥感估产的精度㊂

3㊀遥感技术与作物生长模型同化方法研究数据同化算法能够将遥感观测数据与作物生长模型进行有效地耦合,是大尺度作物产量预测领域的研究热点,根据其原理可以分为基于统计估计理论的顺序同化方法和基于最优控制的全局拟合法㊂此外,作物生长模型参数最优估计的方法,包括SCE-UA㊁SA 和POWELL算法等,也常被用于作物生长模型和遥感数据的同化研究㊂

3.1㊀顺序同化法

顺序同化法包括:最优插值㊁粒子滤波(Particle filter,PF)㊁Kalman滤波系列㊁集合卡尔曼滤波(Ensemble Kalman filter,EnKF)等,其中EnKF算法的应用最广泛㊂如:陈思宁等[14]应用EnKF算法将MODIS-LAI和WOFOST模型耦合来预测我国东北地区玉米的产量,结果显示,经过同化算法处理后模型模拟的玉米产量精度比未同化的模拟产量精度显著提高㊂黄健熙等[15]利用EnKF算法来同化修正后的MODIS反演的叶面积指数和WOFOST模型模拟的叶面积指数,使区域粮食产量的预测精度提高㊂

3.2㊀全局拟合法

全局拟合法主要是指变分算法,包括了三维变分3DVAR算法及四维变分4DVAR算法等㊂其中,以4DVAR算法的技术最为成熟,且应用较为广泛㊂如:解毅等[16]基于4DVAR算法,通过同化冬小麦主要生育时期CERES-Wheat模型模拟的和Landsat数据反演的LAI来对关中平原冬小麦的单产进行预测,发现同化算法能够充分结合模型模拟LAI和遥感反演LAI 各自的优势,从而使小麦估产精度提高㊂

3.3㊀影响同化方法精度的因素

叶面积指数(LAI)可以指示作物截获太阳辐射能进行CO2同化及干物质积累的能力,是进行籽粒潜在产量评估的重要指标㊂目前很多同化估产研究通过同化遥感反演的LAI及作物生长模型模拟的LAI来预测区域作物的产量㊂除叶面积指数外,土壤水分㊁蒸散发(evapotranspiration,ET)㊁蒸发胁迫指数(ESI)和地上生物量等状态变量均和籽粒产量密切相关㊂因此,很多研究者采取同化多个与籽粒产量相关性较好的状态变量的方法来提高作物产量预测的精度㊂如: Huang等[17]在基于SCE-UA算法的MODIS-LAI㊁MODIS-ET和SWAP模型的同化研究中发现,同时同化MODIS-LAI和MODIS-ET对于冬小麦单产预测的精度要高于仅同化MODIS-LAI或MODIS-ET的预测精度㊂

然而,不同状态变量对产量预测的影响在作物的不同生长发育时期也是不同的㊂Anderson等[18]通过分析巴西2003 2013年间主要作物各生育期的ESI与预测产量之间的相关性,发现作物关键生育期的ESI

84