遙感技術在作物生長監測與估產中的應用綜述

劉 彥，關 欣，羅 珊，謝紅霞

（湖南農業大學資源環境學院，湖南 長沙 410128）

遙感估產是根據生物學原理，在收集分析各種糧食作物不同光譜特征的基礎上，通過衛星傳感器記錄的地表信息，辨別作物類型，監測作物長勢，并在作物收獲前，預測作物的產量的技術。該技術在對作物進行識別和提取播種面積的前提下，對長勢進行監測并預報產量[1]。

傳統作物估產采用人工區域調查方法，速度慢、工作量大、成本高。現代衛星遙感技術（以下簡稱遙感）具有宏觀、快速、準確、動態的優點，目前已被廣泛應用于各種糧食作物產量的估算之中。不同類型的作物波譜特性不同，依光譜數據的差異，在衛星照片上可區分出農田及不同的作物類型、并據此判斷作物的生長狀況，進行長勢監測，進而對最終的產量進行預測預報[2]。主要的遙感監測方法和模型介紹如下。

1 國外研究進展

1.1 基本概況

利用遙感預測農作物的產量始于20世紀70年代，當時歐美的一些國家就已分別建立了自己的農作物長勢遙感監測系統，及時提供作物生長信息[3]。目前，這些歐美國家均已建立了龐大的農作物業務化監測、估產系統。遙感技術也已形成多星種、多傳感器、多分辨率共同發展的局面[4]。

YANG Xiao-Hua等提出遙感應用于農業檢測的主要目標是一些特征值的估計，這種監測依賴于植物的光譜反射。改進測算方法通常要靠從特殊的狹窄波段獲取的光譜信息，高光譜數據用分光輻射度計來收集。基于衍生反射的廣義回歸神經網絡是最好的預測LAI和葉片葉綠素密度的模型[5]。

迄今為止，美國農業部的全球農業遙感估產系統、加拿大的全球作物監測系統和歐盟的MARS作物監測系統均獲得了比較成功的應用。就農作物遙感監測運行系統而言，美國農業部國家農業統計局運行的國內遙感估產系統，以分層遙感抽樣為主，而美國農業部外國農業局運行的全球遙感監測系統，可以對全球不同國家的糧食作物、棉花等農產品進行動態監測；歐盟建立的農作物估產系統用于實施歐盟區的共同農業政策，同時應用ERSI/2雷達數據估算東南亞地區水稻產量；此外，法國、德國、泰國、澳大利亞、巴西等國家也相繼開展了作物估產工作，并取得了可喜的進展[6]。

1.2 基本模型

在運用遙感進行作物生長監測與估產中，首先要建立許多有關作物的生長模型，這一直是植物數學模型研究的重點之一。國外的作物生長模型出現于20世紀60年代，較有名的有荷蘭的PS123模型（1992年開發），用于定量化土地生產力評價的普適模型，模型可適用于多種作物生產力計算。這一模型本身要求的參數較簡單，且綜合考慮了作物光合作用、呼吸作用及輻射、水分等因素的影響，以溫度決定的發育階段為控制變量，通過生長周期內按一定時間間隔循環計算得出作物生產力和產量。該系統的數據易于獲取或估計，已在多個國家被修正和應用。荷蘭作物模型的特點是強調作物模型的生物機理[7]。

國外不僅發展了不同的單產模型，而且還采用了不同的遙感資料估算作物的種植面積。如澳大利亞用陸地衛星MSS數據對新南威爾士的莫著畢季區雙季稻種植面積的估算，精度達到98%[8]。

迄今為止，國外許多學者已成功建立了數百種遙感監測模型，包括農作物、森林等多種植物的數學模型。其中，美國建立的模型影響很大，如GOSSYM模型、SIMCOT模型等，特別是CERES模型，綜合考慮了氣象因子、土壤水分和土壤氮素對作物生長的影響，模擬的環境條件已經基本接近作物生長實際環境條件。專家利用CERES模型研制的DSSAT系統，已經在全世界數十個國家和地區推廣和應用。STICS是法國科學家開發出的作物生長模型。該模型以天為時間步長,根據土壤水分和氮素平衡、氣象數據以及作物管理措施模擬作物生長和發育狀況[9]。

2 國內研究現狀

2.1 基本概況

從1983年起，我國在農作物遙感估產方面的研究進展明顯。從冬小麥單一作物估產發展到小麥、水稻和玉米等多種農作物遙感估產，從小區域到橫跨11省市的遙感估產，均已建立了專業的遙感估產系統，如南京農業遙感分中心的南方水稻遙感估產系統，可準確進行農作物種植面積的提取、長勢的動態監測、作物的識別和產量的預報等工作，為國家制定糧食政策提供準確和有效的保障。遙感技術與GIS、GPS和ES的結合，發展出了可實現作物生產的精確管理，提高作物產量和品質的4S一體化系統[4]，從而形成了具有我國特色的有效的農情速報與農作物估產技術體系，關鍵技術已達世界領先水平。但是農作物遙感監測需要長期的時間積累，需要知識、經驗和技術的有機結合才能得到較好的成果[8]。

2.2 監測技術、方法

國內也已形成一系列農作物遙感監測的技術方法，構建了許多有關作物長勢監測、產量及品質預測的業務運行系統。如中科院地理所和浙江大學分別建立了“江漢平原水稻遙感估產集成系統”和“浙江省水稻衛星遙感估產運行系統”實現了對水稻種植面積、單產和總產的預測預報；楊邦杰等建成了“中國農情遙感速報系統”，完成了對全國主要農作物的估產。吳炳方等通過年際間遙感圖像的差值,以時序NDVI圖像構建作物生長過程,實現了農作物生長過程監測,建立了農作物長勢遙感監測系統[3]。

目前國內外均比較重視高光譜遙感技術，是因為它具有以下優勢：（1）可以快速準確地獲取農田作物生長狀態的實時信息，為實施精準農業提供重要的技術支撐；（2）能夠獲取作物的葉面積指數,克服了傳統方法的弊端，并減少對作物葉片的破壞性，從而實時、快速、準確地獲取農田信息；（3）能夠較好地監測葉綠素含量，葉綠素密度、植被紅邊特性以及其他色素含量等重要信息；（4）快速、無損和準確地監測葉片的碳氮比狀況，有助于進行實時的生長診斷及管理調控，實現作物生產過程中的高產、優質和高效。我國有很多研究都是借助于這些方法對作物的生長、產量信息[10]等進行推算。

歸一化植被指數NDVI是遙感監測地面植物生長和分布的一種好方法，它能較好抑制大氣路徑和觀測方向的影響，即削弱大氣層和地形陰影的影響，提高對土壤背景的鑒別能力。有學者提出采用基于周期性特點時間序列的諧函數處理方法，用于數據的平滑處理，去除云噪聲的負面影響，而且提出了利用時序NDVI數據提取作物生長過程方法[11]。

2.3 基本模型

在建立模型方面，中國的學者也有許多成績。高亮之等研制了適用于水稻形態發育的水稻鐘模型，鄭志明等以ORYZA為基礎，建立了HDRICE，并對灌溉水稻的生長發育進行了模擬；嚴力蛟等利用氮行為模型ORYZA-0和Price（1979）規則系統數學優化程序的結合及通過田間試驗獲得的模型參數和生成元函數，模擬了氮在土壤—水稻中的運行軌跡；呂永成等提出了一種基于專家系統（ES）和GIS的水稻優質高產栽培計算機模擬優化決策咨詢系統,并通過了測試與試驗驗證，取得了較好的效果[9]。

我國關于作物模擬方面的研究雖然起步較晚，但完善速度快。以往的研究大多集中于分析影像數據的光譜信息與水稻的LAI、生物量或產量間關系，然后建立回歸模型。這在很大程度上受到時空條件的限制，遙感預測成熟期產量時往往會出現較大偏差，并且模型年際間變化也給遙感估產帶來很多的不確定性。為解決這個問題，李衛國等提出定量遙感反演的方法，對生長模型相關參數的獲取提供可靠的LAI、生物量、冠層溫度等信息源[12]。

遙感與作物模型結合，實現作物生長的動態模擬和預報，是目前國內外關注的熱點。通過遙感與模型的結合，估算出實際產量，通過作物模型模擬出潛在生產力，可分析出潛在生產力與實際產量間的差距。在此基礎上,通過尋找限制當前產量的因素，可為提高產量提供政策建議和方法指導。宇振榮等對建立遙感—作物模擬復合模型的原理、方法進行了探討，并在點上進行了校正。利用NOAA衛星遙感估算地面植物冠層溫度并計算冠層與大氣間溫差，進而計算PS123模型所需作物實際蒸騰和水分脅迫系數，建立遙感—作物模擬復合模型PSX，從而可以在多點、不同土壤類型上，對區域作物產量及產量差進行估測和分析。利用PS-X模型進行產量估測,在平原地區的精度可達90%以上[7]。

考慮到遙感估產難以揭示作物生長發育和產量形成的內在機理，作物模擬在區域應用時初始值的獲取和參數的區域化存在很多困難，有學者考慮將兩者互補結合。馬玉平等在Wofost模型本地化和區域化的基礎上，首次利用同化法的思路探討了MODIS遙感信息與華北冬小麥生長模擬模型結合的可行性和方法,初步建立了潛在生產水平（水分適宜條件）下區域遙感—作物模擬框架模型（WSPFRS模型），該研究為下一步實際水分供應條件下基于遙感信息的冬小麥區域生長模擬研究奠定了基礎。但該研究涉及多個學科，很多環節、過程和模型都可能不夠完善。如采用什么分辨率等問題均需繼續深入細致探討[13]。

為實現作物生長預測和精確管理，朱洪芬等提出了一套完整的基于遙感信息的作物長勢監測模型，實現了對主要作物的生理和生化參數的定量化反演，將遙感監測模型與管理知識模型耦合，不再需要歷史遙感圖像的積累，即可在生長關鍵時期進行作物生長狀況的監測和診斷。同時，建立了廣適性作物適宜生長指標的管理知識模型，利用系統設計原理與組件化程序設計思想，為不同條件下作物栽培過程中的苗情診斷與生長調控提供了定量化的動態指標體系[3]。

為解決傳統的作物生長模型難以模擬大田的實際產量的問題，宇振榮等提出利用遙感估算區域冠層溫度，并計算水分脅迫系數，來近似估計作物實際生長速率和產量。因冠層溫度與周圍環境溫度之差是作物氣孔關閉的程度和與之相關的同化作用活性的一個指標，它不僅反映了土壤水分對作物生長的影響，在一定程度上也反映了其他因素對作物生長的影響[14]。

張建華在分析遙感估產、數值模擬估產方法的基礎上，提出了新思路，即利用遙感與農業氣象數值模擬技術相結合的辦法來進行作物估產研究，這樣能更好地大面積估產[15]。農作物單產估算數據作為遙感估產的主要產品之一，其估算可行性和精度的高低直接影響到糧食總產量的整體預測精度，同時也會影響到決策支持部門的認可程度。為此，有學者總結了五個基本思路：模型搜集整理、篩選與膨化、單點模擬與檢驗、空間外推與區域單產估算的技術過程[16]，從5個方面對其可信度和可行性作評價分析。

3 遙感在作物生長監測與估產中存在的問題及展望

與歐美國家相比，我國在運行農情速報與農作物估產技術體系時的規范化和可靠性不夠。目前，監測范圍僅限于國內的大宗作物，且監測信息的服務領域較少，主要限于國家決策部門，而歐盟則利用監測信息核查農業補貼的發放，美國用于指導農戶生產[7]。

高光譜遙感技術獲取的信息只反映了地表或作物群體表面瞬間物理狀況，而作物生長發育和產量形成、個體與群體生長發育狀況的關系、作物與氣候土壤環境的相互作用等內在機制尚難以揭示,因此需加強遙感信息和作物模型的結合，推進其在作物監測中的應用研究,充分發揮二者的綜合優勢[11]。

在利用遙感估算區域冠層溫度，并計算水分脅迫系數，來近似地估計作物實際生長速率和產量等方面，現有研究局限于對估算冠層溫度的方法，建立遙感—作物模擬復合模型的基本原理，以及建立該模型所涉及的計算方法等的探討，而利用遙感方法計算實際作物產量和整體研究方法還有待進一步的驗證[15]。

在對遙感與作物模型結合的研究上，利用NOAA衛星遙感、PS123模型，建立遙感—作物模擬復合模型PS-X在實踐中收到了好的成效。在此基礎上，若能將高時間分辨率的靜止氣象衛星與極軌氣象衛星結合，改進作物模型中的時間內插技術，將更有助于區域估產、產量差分析和早期預警應用，這有待進一步的研究[7]。

在遙感信息與作物生長模式結合的研究上，人們雖然取得了一些成果,但也存在一些問題。如，將遙感信息應用于模型時所需的多個參數和初始條件如何獲取，遙感信息和農學以及生態學進行信息連接時的時空匹配問題如何解決，信息如何轉換等，這些問題目前尚無系統的和成熟的結論，仍需做進一步的研究和探討[9]。

現有的農作物長勢遙感監測系統多偏重于遙感估產與監測，較少涉及作物長勢診斷與調控功能，難以實現作物生長動態及營養和水分狀況的實時診斷與調控。高空間分辨率遙感影像的時間分辨率較低，加之天氣條件的影響，很難在作物生長的關鍵時期獲取高質量的遙感影像。另外，農作物遙感監測系統的運行需要以大量歷史遙感圖像為基礎，從而制約了其在農業生產上的應用與推廣。目前，用來支持區域尺度的作物生長預測和精確管理的研究僅處于初級階段，今后需進一步利用不同區域和時相的遙感圖像及農學參數進行數據測試來完善之[3]。

作物單產估算的可行性和數據精度的高低直接影響到糧食總產量的整體預測精度，而相當一部分估產研究中，對單產估算的檢驗分析，常常以統計數據為精度衡量標準來評價單產估算準確程度。統計數據由于一些人為因素的干擾，與實際有出入，因此以統計數據作為檢驗精度的依據，會對精度的合理分析產生影響。此外，估產的重要作用就是在作物成熟收割前進行產量預報，此時的作物統計數據是不可得的，只能等作物成熟收割入庫后才能得知，這樣要及時檢驗估算產量的精度就無法實現[15]。

[1]關江東，王乃斌，楊小喚.我國糧食作物衛星遙感估產的研究[J].自然雜志，1999，21（6）：351.

[2]王建華.高瞻遠矚，糧食作物的衛星遙感估產 [J].百科知識，1999，（5）：18.

[3]朱洪芬，田永超，等.基于遙感的作物生長監測與調控系統研究[J].麥類作物學報，2008，28（4）：674-679.

[4]田麗萍，薛 林，等.遙感在作物估產中的應用[J].安徽農業科學，2007，35（3）：936-938.

[5]YANG Xiao—Hua，WANG Fu—Min，et al.Comparison Between Radial Basis Function Neural Network and Regression Model for Estimation of Rice Biophysical Parameters Using Remote Sensing[J].Pedosphere.2009,19（2）：176—188.

[6]李佛琳，李本遜，曹衛星.作物遙感估產的現狀及其展望[J].云南農業大學學報，2005，20（5）：680-683.

[7]王純枝，宇振榮，Driessen P M，等.基于遙感和作物生長模型的作物產量差估測[J].農業工程學報，2005，21（7）：84-87.

[8]郭建茂.基于遙感與作物生長模型的冬小麥生長模擬研究[D].南京：南京理工大學，2007.

[9]蔣阿寧，劉克禮，趙春江，等.基于遙感數據和作物生長模型的小麥變量施肥研究進展 [J].遙感技術與應用，2006，21（6）：601-603.

[10]李映雪，謝曉金，徐德福.高光譜遙感技術在作物生長監測中的應用研究進展[J].麥類作物學報，2009，29（1）：174-178.

[11]張 峰，吳炳方，等.區域作物生長過程的遙感提取方法[J].遙感學報 2004，8（6）：519-527.

[12]李衛國，王紀華，等.基于定量遙感反演與生長模型耦合的水稻產量估測研究[J].農業工程學報，2008，24（7）：128-130.

[13]MA Yu-ping，WANG Shili.Establishment of Winter Wheat Regional Sim ulation Model Based on Remote Sensing Data and Its Application[J].ACTA METEOROLOGICA SINICA，2006，20（40）：447-458.

[14]宇振榮，Driessen P M.基于遙感反演作物冠層溫度的作物生長模擬和預報[J].中國農業大學學報，2003，（8）：71-75.

[15]徐新剛.遙感估產中農作物估算單產精度檢驗評價方法[D].北京：中國科學院，2004.