基于CASA模型的區域冬小麥生物量遙感估算

劉真真，張喜旺，陳云生，張傳才，秦 奮，曾紅偉

?

基于CASA模型的區域冬小麥生物量遙感估算

劉真真1,2，張喜旺1,2※，陳云生1,2，張傳才1,2，秦 奮1,2，曾紅偉3

（1. 黃河中下游數字地理技術教育部重點實驗室，開封 475004；2. 河南大學環境與規劃學院，開封 475004； 3. 中國科學院遙感與數字地球研究所，北京 100094）

該文對原始CASA（carnegie-ames-stanford-approach）模型中歸一化植被指數（normalized difference vegetation index，NDVI）最值提取方法及光合有效輻射吸收比（fraction of absorbed photosynthetically active radiation，FPAR）的算法進行了深入分析，并通過綜合分析大量國內外文獻，更加科學合理的確定了最大光能利用率的取值，最終確立了適合該研究區的CASA模型。該文以河北省邯鄲市3個縣域冬小麥為研究對象，以HJ-1A/B星遙感數據產品為數據支撐，采用CASA模型對研究區2014年冬小麥生物量進行了估算和精度驗證，結果表明：研究區冬小麥生物量平均值為1 485 g/m2，50%以上區域在1 500～2 000 g/m2之間。冬小麥實測生物量與預測生物量相關性達到顯著水平，2為0.811 5。經過50組數據分析對比，平均相對誤差為2.13%，其中，最大值為11.54%，最小值為0.33%；平均預測生物量為1 807.54 g/m2，與平均實測生物量1 720.74 g/m2相比，絕對誤差為86.80 g/m2，為估算區域冬小麥產量提供理論支撐。

生物量；遙感；作物；CASA；HJ-1A/B；最大光能利用率；冬小麥

0 引 言

生物量通常是指某一時間段、某一區域或特定區域、單位面積內植被在光合作用下所產生的有機物質總量或干質量。對于作物而言，生物量可以反映作物自身生長狀況及其所處自然環境的生態變化情況，是衡量作物生產力的重要指標，也是影響作物產量和收益的關鍵因素。傳統的作物生物量估測采用實測法，該方法不僅耗時耗力，并且對樣地具有破壞性，不適合長期的長勢監測等研究，更不適合大區域尺度的推廣[1-2]。隨著學者對作物生物量研究的不斷深入，以及現代遙感技術的誕生和發展，遙感憑借自身快速、準確性、實時性、及對作物零破壞等優勢[3]，逐漸成為了生物量預測的主要技術手段。此外，遙感方法能夠獲取作物空間分布信息，可有效降低空間異質性對生物量的影響，提高了估算精度[4]。通過總結前人研究成果，可將遙感技術支持下的生物量估算方法分為以下幾類：基于傳統光學數據簡單統計分析的估算方法、基于高光譜數據的估算方法、基于雷達數據的估算方法、基于作物生長模型的估算方法、基于凈初級生產力（net primary productivity, NPP）的估算方法等[5]，其中基于NPP的生物量估算方法頗受學者歡迎，常見的NPP估算模型主要有氣候生產力模型[6]、生理生態過程模型[7]、光能利用率參數模型[8-9]、作物生長模型[10]等。

CASA模型在參數模型中最具代表性，也是本文進行冬小麥NPP估算所使用的主要模型。CASA模型屬于光能利用率模型，其充分考慮環境條件以及植被本身特征，主要以遙感（remote sensing, RS）和地理信息系統（geographic information system, GIS）為技術手段，通過遙感數據、溫度、降水、太陽輻射等氣象數據以及植被類型、土壤類型共同來驅動。其自身有以下優勢：其一，模型的適用性強，它不僅適用于區域尺度，也適用于全國乃至全球尺度的凈初級生產力估算，并且CASA模型相對簡單，需要輸入的參數較少，大部分參數均容易獲取，便于進行計算和處理，節省時間和成本；其二，遙感數據覆蓋范圍廣，時間分辨率高，并且現在的遙感數據種類越來越豐富，利用遙感數據獲得NDVI、FPAR等必須參數，可以脫離地面站點資料的條件束縛；其三，可以實現區域尺度上的NPP估測，進而能分析NPP的空間分布，還可進行NPP動態監測等，已經成為了一項分析NPP季節、年際變化不可或缺的技術手段[11]。然而，CASA模型應用于小區域，如縣級尺度的研究并不多見，本文將通過分辨率為30 m的HJ1A/HJ1B衛星影像，來獲取所需參數，并利用冬小麥NPP和實測地面調查數據進行縣域冬小麥生物量預測研究，為小麥估產打下基礎。

1 研究區概況與數據

1.1 研究區概況

研究區位于河北省南端偏東，邯鄲市境內。如圖1所示，包括曲周縣、邱縣、館陶縣三縣，地處114°51′03″～115°28′15″E，36°27′00″～36°57′51″N，土地總面積約1 582 km2，東西跨56.5 km，縱長跨56.6 km。研究區屬于暖溫帶半濕潤大陸性季風氣候，該區域是中國主要的糧食生產基地之一，其中館陶縣是黑小麥主要種植區。研究區主要糧食作物輪作方式為冬小麥和夏玉米一年兩熟，根據河北省農村統計年鑒數據[12]得知，2014年研究區農作物播種總面積約176 387 hm2，同比減少了0.3%，小麥播種面積57 149 hm2，其中曲周、邱縣、館陶縣分別占總小麥播種面積的48.64%、15.43%和35.93%，小麥總產量為411557 t，同比增長1.4%，研究區域內近幾年小麥總產量及平均單產總體呈上升趨勢，小麥生長狀況良好，2014年研究區域內無重大災情。

1.2 數據及預處理

1）遙感影像數據

從中國資源衛星應用中心http://www.cresda.com下載的HJ1A或HJ1B 2級產品。下載影像時遵循研究區無云或少云的原則進行篩選下載。時間從2014年3月初到2014年5月底，經過篩選留取質量較好的影像共9景，用于3、4、5月份NDVI的提取。為了使得試驗結果更加精確，本文對HJ-1A/B影像數據進行了幾何精校正以及大氣校正，其中大氣校正過程在ENVI5.1軟件中完成，包括輻射定標、建立波譜響應函數和FLAASH大氣校正三部分。

2）矢量數據

矢量數據包括由黃河下游科學數據中心（http://henu.geodata.cn)提供的河北省省界、市界、縣界等數據；2014年4月空間分辨率為16 m的中國高分1號遙感衛星影像，經過專業人員人工目視判讀、實地考察解譯而成的農作物分布數據，提取冬小麥種植區并利用經過處理的GVG (GIS&Video&GPS)[13]采集數據對冬小麥種植區精度進行評估和校正。經實際調查，2014年4月研究區小麥種植區套種情況一般是在田地的首尾種植其他作物，田間套種情況極少，并且研究區所使用的小麥分布數據是由經驗豐富的解譯人員結合實地調查數據而得，因此本研究區不考慮小麥混合像元問題。

3）氣象數據

本文所使用的月均溫和月降水數據由中國氣象數據網http://data.cma.cn/site/index.html提供。數據表明，2014年研究區月平均最高氣溫出現在7月份，月平均最低氣溫出現在1月份，年平均溫度約為14 ℃；2014年研究區降雨多集中在7到9月份，其中最高降雨量出現在9月。這與研究區實際情況相一致。

4）外業采樣數據

研究區所使用的外業采樣數據包括2種，一種是GVG野外采樣系統采集數據，采集時間為2014年5月，主要包括采樣點經緯度、高程、作物類別等信息，用于上述土地覆被解譯數據精度檢驗。另一種數據是冬小麥物理化參數采樣調查數據，樣區分布在館陶縣，采樣時間為2014年6月初（小麥收割前），采集的樣品經過烘箱烘干、內業測量等處理收集所需信息，主要包括每個樣點的經緯度信息，小麥的干質量（生物量）、小麥種植密度、單株穂數、每穗平均粒數、百粒質量等基本采樣信息。

2 研究方法

2.1 CASA模型介紹

CASA模型最早是在1993年由Potter等[14]提出，該模型主要通過2個參數計算植被凈初級生產力NPP，即植被所能吸收的光合有效輻射（absorbed photosynthetic active radiation，APAR）和實際光能利用率，計算表達式如下

式中表示時間；表示像元；APAR()表示像元在月份吸收的光合有效輻，MJ/m2；SOL()指月份象元處的太陽總輻射量，MJ/m2；FPAR()為植被層對入射光合有效輻射（PAR）的吸收比例；常數0.5表示植被所能利用的太陽有效輻射比率（波長為0.38～0.71m），即光合有效輻射PAR占太陽總輻射SOL的比例；()表示像元在月份的實際光能利用率，g/MJ；NPP（）表示像元在月份的凈初級生產力，g/m2。

2.2 估算實際光能利用率

光能利用率（radiation use efficiency）是植物某一生長時段內累積干物質量與該時段植物冠層吸收的光合有效輻射量的比值。也可以認為是植被所吸收的光合有效輻射PAR在光合作用的推動下轉化為有機碳的效率。在理想條件下，人們通常認為植被具有最大光能利用率，然而實際情況中，光能利用率受植被的種類、土壤濕度、氣溫和降水等因素的影響，它對于小區域范圍內同種作物基本趨于常數[15]，但對于大范圍作物來講，實際光能利用率具有空間變異性。這些差異是由于光利用率受溫度、降水、土壤類型、營養供給、疾病、個體發育、基因型差異和植物維持與生長的不同能量分配等因素的影響造成的[16]。研究表明值主要在0.42～3.8 g/MJ間變化[17]。研究區實際光能利用率的計算是結合1993年Field提出的光能利用率計算模型[14,18]以及1995年周廣勝和張新時建立的區域實際蒸散模型[19]計算而來，其計算公式如下

式中W()為像元在月份的水分脅迫影響變量，該變量用來表示NPP受水分條件的影響程度。T1()和T2)是像元在月份的溫度脅迫影響變量，ε是指在光照充足、水熱條件適宜的理想狀態下，植被對光合有效輻射的利用率，本文取常數。

最大光能利用率*是實際光能利用率中的重要參數，不同的植被，最大光能利用率有所不同。本文通過分析大量文獻結合研究區溫度、降水、光照、地勢等條件，確定適合本研究區的最大光能利用率。Ruimy等[20]根據不同生態系統間光能利用率的差異，將光能利用率視為不同的常數；Potter等[14]和Field等[21-22]認為全球植被最大光能利用率為0.389 g/MJ；Raymond等[23]認為光能利用率的上限為3.5 g/MJ；GLO-PEM(Global Production Efficiency Model)模型[16]，根據C3和C4植物固碳途徑的差異，對C3和C4類型植物分別取不同的*值。彭少麟等[24]利用GIS和RS對廣東植被光利用率進行估算時, 所取的最大光利用率為1.25 g/MJ；朱文泉等[17]采用改進的最小二乘法對中國主要植被的最大光能利用率進行了系統的模擬，其利用植被分類精度對模擬結果進行分析來測試最大光能利用率對分類精度的敏感性，以此來驗證模擬結果的穩定性，并將模擬結果與Running等[25]采用生理生態過程模型得出的模擬結果作對比分析，來驗證模擬結果的可靠性。而對于Running等對最大光能利用率的確定是基于全球尺度的，應用于區域尺度不一定適用，并且其樣點數據大都在北美地區，對中國是否適用還有待考量；康婷婷[26]對中國農田近11 a的最大光能利用率進行模擬分析，其最大光能利用率均值在1.18～1.49 g/MJ之間，各省的最大光能利用率變化范圍在0.57～2.02 g/MJ，并得出河北省邯鄲市區域最大光能利用率均值，11 a間每年增幅在0.06 g/MJ以上；此外，在沒有環境脅迫情況下，小麥的光能利用率范圍在1.46～2.93 g/MJ之間[27-28]，大麥的光能利用率在1.79～2.33 g/MJ之間[27,29]。

最大光能利用率在不同的植物類別，不同作物品種間，差異均較大。比如，C3作物（小麥、大豆、水稻、棉花等）光能利用率最高可達3.0 g/MJ，C4作物（玉米、高粱、粟、黍等）光能利用率可達4.8 g/MJ[20]。本研究區研究對象為冬小麥，屬于C3作物，根據C3作物最適光能利用率范圍以及最大光能利用率上限，結合研究區區域及研究對象特點，將最大光能利用率取值為2.8 g/MJ。

2.3 參數的確定

2.3.1 FPAR參數率定

在原有的CASA模型算法中，計算FPAR所使用的數據是具有千米級別的NOAA/AVHRR產品，并且研究區域是全球尺度。與前者相比，本研究區是縣域尺度，若使用NOAA/AVHRR產品顯然不能滿足要求，原始FPAR模型算法也不一定適用，因此本文采用環境資源衛星HJ-1A/B產品，空間分辨率為30 m。近年來學者不斷對模型進行改進，提出了更加被認可的FPAR計算模型，如公式（2）所示，模型根據FPAR與NDVI存在的線性關系，利用NDVI、NDVI最值與相應的FPAR最值來確定二者關系，關系式[20]如下

光合有效輻射吸收比FPAR也可以由比值植被指數SR、SR最值、FPAR最值來確定，公式如下

（3）

FPARmax與FPARmin與植被類型無關，其大小分別為0.95和0.001，他們分別表示植被處于全覆蓋和無植被（裸地）狀態下FPAR的值[17]；SR是比值植被指數，其值與植被類型有關。在本文中，=小麥時，SR,min和SR,max取值由NDVI,min和NDVImax決定。其中NDVI最大值是指植被達到完全覆蓋、植被光合作用最旺盛時的值，并非是指某一植被實際的NDVI的最大值，NDVI最小值是指無植被或者在荒地、裸地狀態下，NDVI最小值[17]。

SR(,)與歸一化植被指數NDVI(,)關系式如下

對上述前人改進的2種FPAR算法引入修正系數，通過參數率定法來確定本研究區FPAR計算方法，公式如下所示

式中FPARNDVI為式（2）所估算的結果；FPARSR為式（3）所估算的結果；為2種方法間的調整系數，在本研究中統一定為0.5（即取二者的平均值）。

通過對比FPARNDVI和FPARSR所估算結果，發現由NDVI所估算的FPARNDVI與實測值相比偏高，而由SR所估算的FPARSR與實測值相比偏低，但后者誤差小于前者，通過對式（5）中修正系數取值（0.1～0.9）的測試，當取0.5時，實測值與FPAR相關性最好。因此，本研究最終將式（3）和式（4）組合起來，取其平均值作為FPAR的估算值。

2.3.2 NDVI最值的確定

以往NDVI最值（NDVImax和NDVImin）多是在全球或全國尺度上，以NOAA/AVHRR NDVI為數據基礎，來進行NDVI最值的提取，而本文的研究區域是縣域尺度，使用NOAA/AVHRR NDVI數據顯然不太合適，因此需要更高分辨率的遙感數據進行NDVI最值提取。本文參考朱文泉等[17]求取NDVImax的方法，取由HJ-1A/B數據提取而來的研究區冬小麥NDVI最大值概率分布圖95%下側分位數和5%下側分位數作為NDVImax和NDVImin，算法原理如下：

設連續隨機變量的分布函數為()，密度函數為()。實數滿足0<<1時，的下側分位數是使{<}=()=的數。

本文結合研究區NDVI分布情況來確定研究區冬小麥的NDVI最值，獲取流程如下：

1）用最大化合成法求取研究區各像元的NDVI最大值；

2）提取小麥像元，建立NDVI最大值概率分布圖，取95%下側分位數，即為NDVImax；

3）NDVImin獲取方法與最大值獲取方法相似，NDVImin是指無植被或者在荒地、裸地狀態下NDVI概率分布的5%下側分位數。

取95%下側分位數和5%下側分位數在一定程度上消除了遙感影像噪聲引起的誤差，二者取值在MATLAB軟件環境下編程實現。通過計算，本研究中NDVImax取0.803，NDVImin取0.15。

2.4 冬小麥生物量估算模型

本文結合宋富強等[30]和任建強等[15,31]計算小麥產量方法，推導出本文所使用的冬小麥生物量估算模型，冬小麥單位面積生物量的估算模型如下

由公式（6）可以看出，生物量和累積NPP呈較好的線性相關性。其中，為小麥單位面積生物量，g/m2；∑NPP為冬小麥3月至5月NPP累積值，g/m2；為植物C素含量與植物干物質量間轉化系數，對于一種作物而言，為常數[15]，冬小麥生物體C素含量約為45%，則其值約為2.22；為0.9，指作物地上部分生物量占整株生物量的比例[31]；是指作物籽粒收獲后儲藏期的含水量系數，對于冬小麥而言，值為12.5%[32]。

3 結果分析與驗證

3.1 主要參數結果與分析

3.1.1 關鍵生育期NDVI變化趨勢

圖2為2014年研究區冬小麥3月至5月NDVI變化情況，其中白色區域為非冬小麥種植區。其中3月至5月的NDVI是由當月上旬、中旬、下旬各一景影像的NDVI值通過最大化合成法（maximum value composites，MVC）合成的月NDVI。由圖可以看出，從3月開始到5月份冬小麥從返青期逐漸過渡到灌漿期等，其間經歷返青拔節期、抽穗期、揚花期，NDVI逐漸增大，3月與4、5月NDVI對比差異明顯。3月份曲周縣中部NDVI相對其他區域偏低，原因是由于種植較為稀疏。整體上看，研究區冬小麥3月份生長狀況基本一致，平均NDVI為0.47，大部分區域NDVI都在0.4～0.6范圍內。到4月份，小麥葉片面積在該期間達到最大，NDVI最大值也隨之出現，4月份冬小麥NDVI均值為0.68，與3月份相比增長了44%，說明冬小麥從3月到4月，小麥增長迅速，生長發育良好。5月NDVI均值為0.70，與4月相差不大，因為該時期冬小麥正處在灌漿乳熟階段，是籽粒形成的關鍵階段，由圖可以看出5月份，館陶縣北部以及南部部分區域NDVI值處在0.8以上，小麥生長狀態佳。

3.1.2 光合有效輻射吸收比FPAR

如圖3為2014年3-5月冬小麥光合有效輻射吸收比FPAR分布情況。由圖3可以看出3月FPAR值與4月和5月相比偏低，FPAR多處于0.3～0.4之間。到4月，FPAR逐漸增大，此時研究區冬小麥FPAR大都在0.5以上，進入5月份FPAR繼續增大，直到小麥停止光合作用；平均FPAR最大值出現在5月，為0.71，3、4月份平均FPAR分別為0.34和0.66。此外，可以發現5月份館陶縣FPAR北部和南部要比曲周和邱縣高，說明館陶縣的小麥長勢優于曲周和邱縣。館陶縣小麥長勢呈現南北高的態勢，原因是受地理位置和地勢等因素影響，相比之下，北部和南部水熱條件和土壤條件較適宜小麥生長，長勢比研究區其他區域要好，同時也是高產和穩產區域。

3.1.3 實際光能利用率ε

如圖4所示，在同一個月份、同種作物、小區域情況下，實際光能利用率變化并不明顯，但它可能會受地勢、水分、溫度等呈現微小差別。由圖可知，在同一月份，實際光能利用率變化幅度不明顯，其中，3月份光能利用率在0.91～0.96 g/MJ之間，4月份光能利用率在1.75～1.79 g/MJ之間，5月份光能利用率在1.21～1.31 g/MJ之間。不同月份相比，4月光能利用率明顯高于3月和5月，原因是由于4月份冬小麥正處于生長發育較快的時期，植被光合作用能力強，溫度及水熱條件適宜小麥等植被生長。3月－5月份研究區光能利用率空間分布趨勢，館陶縣的光能利用率優于邱縣和曲周，整體呈現西北低東南高的空間分布差異。

3.2 NPP估算結果分析

計算得到的研究區冬小麥3到5月NPP如圖5所示，從圖中可以看出，3月NPP與4月和5月NPP相比差異較大，3月份，小麥處于返青期，小麥葉片面積逐漸增大，大部分區域NPP主要在0～200 g/m2之間，其中處于100 g/m2以內小麥象元居多，3月份平均NPP為78 g/m2。進入4月份，冬小麥葉片面積繼續增大，進入生長旺盛期，NPP也隨之增大，此期間90%以上區域冬小麥NPP都在200～400 g/m2之間，其中處于200～300 g/m2冬小麥象元占總小麥象元的33.73%，處于300～400 g/m2冬小麥象元占總小麥象元的56.72%，4月平均NPP為297 g/m2與3月相比增加了好幾倍，說明小麥長勢處于較好的上升狀態。到5月份小麥逐漸進入開花期、灌漿期、乳熟期等，此期間大部分的NPP都在250 g/m2以上，5月平均NPP為320 g/m2，與4月相比，增加了7.74%。這與小麥不同時期生長發育的生理狀態是一致的，小麥長勢良好。

生長期中3月、4月和5月是冬小麥獲得高產穩產的關鍵時期，本文選用產量形成關鍵期3月、4月、5月的NPP累積值來估算研究區冬小麥單位面積生物量，如圖6為冬小麥3月至5月NPP累積結果分布圖，3月、4月、5月的冬小麥NPP占3至5月NPP累積總和比例分別為11.23%、42.71%、46.06%，可見2014年研究區冬小麥在產量形成過程中生長狀況良好。

3.3 生物量估算結果及驗證

3.3.1 生物量估算結果分析

冬小麥生物體中含碳量在45%左右，則值約為2.22，根據這種轉換關系，將冬小麥產量形成關鍵期3月至5月累積NPP乘以轉換系數，并加入系數和即可得到研究區冬小麥生物量（干物質量）。如圖7所示，館陶縣小麥長勢要優于曲周和邱縣，這種差異與實際情況相一致，歷年來館陶縣都是冬小麥高產和穩產區，該地區黑小麥種植歷年來逐漸增加，根據調查顯示，黑小麥的產量要高于一般小麥品種的產量。此外，如圖8不同干物質量區間像元個數所占比例可知，50%以上像元值在1 500～2 000 g/m2之間，整個研究區冬小麥干物質量平均值為1 485 g/m2。由圖可以看出，冬小麥長勢館陶縣最好，館陶縣區域內長勢地域趨勢無明顯差別，曲周中部像元值較低，長勢稍差，其他區域長勢良好，整體上看，整個研究區域小麥生長發育良好。

3.3.2 生物量估算結果驗證

本文所用的實測樣點數據位于館陶縣境內，共50個樣點，經過內業處理，得到各個樣點實測生物量。

為了使驗證結果更加可靠，取采樣點周圍60 m范圍內的像元均值作為相應采樣點處的預測值，冬小麥實測樣點處的生物量與預測單生物量對比結果如圖9所示，2為0.811 5，可知預測結果較為理想。50組數據經過分析對比，得表1，其中，最大相對誤差為11.54%，最小相對誤差為0.33%，將所有相對誤差進行平均得平均相對誤差為2.13%；將50個實測生物量與預測值分別進行平均，得平均預測生物量為1 807.54 g/m2，與實測平均生物量1 720.74 g/m2相比，絕對誤差為86.80 g/m2，與任建強等[15]預測結果相比，稍優于后者結果。說明本文基于改進的CASA模型的估產研究，在一定區域內具有可行性，為今后進行區域估產提供了較好的基礎。

表1 館陶縣預測冬小麥生物量精度分析

4 結論與討論

1）以空間分辨率為30 m的HJ-1A/B產品為數據支撐。與以往估產廣泛采用的分辨率為250 m的MODIS影像或者分辨率達千米級的NOAA-AVHRR影像相比，本文采用空間分辨率為30 m的環境資源衛星HJ-1A/B星影像，有利于提高提取參數的準確性，結果能更好地反映相關參數和冬小麥產量的空間分布，對于區域遙感估產具有重要的參考價值。此外，HJ-1A/B衛星影像相對于同等空間分辨率的衛星產品（如，Landsat 8）有較高的觀測頻率，即使在經常有云的天氣也能獲得無云或少云的影像產品，文中對預測的冬小麥生物量部分區域進行了精度驗證，平均相對誤差為2.13%，為下一步進行小麥單位產量估算打下了較好的基礎。

2）在不同尺度、不同環境、不同植被類型條件下CASA模型中的參數具有一定的差異性。本文充分考慮了研究區冬小麥生長狀況及區域氣候等因素，量身定制參數模型中NDVImax和NDVImin，從一定程度上提高了參數取值的準確性；實際光能利用率的計算，本文考慮了冬小麥光能利用率在不同月份的差異性，得出了冬小麥3、4、5月份實際光能利用率的空間分布；最大光能利用率是求取植被凈初級生產力NPP的重要參數，本文通過對大量文獻的分析與研究，并結合研究區自身區域特點如氣候、地勢、植被類型等，將其取值為2.8 g/MJ。

論文的下一步研究方向有以下幾方面：其一，用同樣的方法對該區域及統一尺度的不同區域多年的冬小麥進行生物量預測，測試模型的穩定性和準確性；其二，深入研究冬小麥收獲指數空間差異性特征，為冬小麥單位產量估算打基礎；其三，通過多源數據融合技術，充分利用不同遙感數據的優點進行遙感產量估測，以有效解決遙感估產中數據缺失、空間分辨率低、時間分辨率低等遙感產品的不足，充分發揮不同遙感產品優勢，提高遙感產品利用效率。

[1] Redjadj C, Dupare A, Lavorel S, et al. Estimating herbaceous plant biomass in mountain grasslands: A comparative study using three different methods[J]. Alpine Botany, 2012, 122(1): 57－63.

[2] 張文龍. 鎮域尺度農田生態系統地上生物量遙感估算及地表有機碳儲量研究[D]. 泰安：山東農業大學，2011.

Zhang Wenlong. Researches on Remote Sensing Estimation of Aboveground Biomass and Land Surface Organic Carbon Storage in farmland ecosystem at Town Scale[D]. Taian: Shandong Agricultural University, 2011. (in Chinese with English abstract)

[3] 袁曉波，牛得草，吳淑娟，等. 黃土高原典型草原地上生物量估測模型[J]. 生態學報，2016，36(13)：1－11.

Yuan Xiaobo, Niu Decao, Wu Shujuan, et al. Estimation of aboveground biomass in the grassland of the Loess Plateau，Northern China[J]. Acta Ecologica Sinica, 2016, 36(13): 1－11. (in Chinese with English abstract)

[4] 王新云，郭藝歌，何杰. 基于多源遙感數據的草地生物量估算方法[J]. 農業工程學報，2014，30(11)：159－166，294.

Wang Xinyun, Guo Yige, He Jie. Estimation of above-ground biomass of grassland based on multi-source remote sensing data[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2014, 30(11): 159－166, 294. (in Chinese with English abstract)

[5] 杜鑫，蒙繼華，吳炳方. 作物生物量遙感估算研究進展[J]. 光譜學與光譜分析，2010(11)：3098－3102.

Du Xin, Meng Jihua, Wu Bingfang. Overview on monitoring crop biomass with remote sensing[J]. Spectroscopy and Spectral Analysis, 2010(11): 3098－3102. (in Chinese with English abstract)

[6] 王勝蘭. 基于5種氣候生產力模型的烏魯木齊地區NPP計算分析[J]. 沙漠與綠洲氣象，2008(4)：40－44.

Wang Shenglan. Computation and analysis about NPP in Urumqi area based on 5 Kinds climate-productivity model[J]. Desert and Oasis Meteorology, 2008(4): 40－44. (in Chinese with English abstract)

[7] 鄒薇，劉鐵梅，潘永龍，等. 基于生理生態過程的大麥 頂端發育和物候期模擬模型[J]. 生態學報，2009，29(2)：815－823.

Zhou Wei, Liu Tiemei, Pan Yonglong, et al. A process -based si mulation model on apical development and phenological stages in barley: Model description[J]. Acta Ecologica Sinica, 2009, 29(2): 815－823. (in Chinese with English abstract)

[8] 徐新剛，吳炳方，蒙繼華，等. 農作物單產遙感估算模型研究進展[J]. 農業工程學報，2008，24(2)：290－298.

Xu Xingang, Wu Bingfang, Meng Jihua, et al. Research advances in crop yield estimation models based on remote sensing[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2008，24(2)：290－298. (in Chinese with English abstract)

[9] 李海亮，羅微，李世池，等. 基于遙感信息和凈初級生產力的天然橡膠估產模型[J]. 自然資源學報，2012，27(9)：1610－1621.

Li Hailiang, Luo Wei, Li Shichi, et al. Estimation model of natural rubber yield based on net primary production and remote sensing[J]. Journal of Natural Resources, 2012, 27(9): 1610－1621. (in Chinese with English abstract)

[10] 王東偉，王錦地，梁順林. 作物生長模型同化MODIS反射率方法提取作物葉面積指數[J]. 中國科學:地球科學，2010，40(1)：73－83.

Wang Dongwei, Wang Jindi, Liang Shunlin. Retrieving crop leaf area index by assimilation of MODIS data into crop growth model[J]. Sci China Earth Sci, 2010, 40(1): 73－83. (in Chinese with English abstract)

[11] 馮險峰，劉高煥，陳述彭，等. 陸地生態系統凈第一性生產力過程模型研究綜述[J]. 自然資源學報，2004，19(3)：369－378.

Feng Xianfeng, Liu Gaohuan, Chen Shupeng, et al. Study on process model of net primary productivity of terrestrial ecosystems[J]. Journal of Natural Resources, 2004, 19(3): 369－378. (in Chinese with English abstract)

[12] 河北省統計局. 2015年河北省農村統計年鑒[M]. 北京：中國統計出版社，2015.

[13] 吳炳方，田亦陳，李強子. GVG農情采樣系統及其應用[J]. 遙感學報，2004，8(6)：570－580.

Wu Bingfang, Tian Yichen, Li Qiangzi. GVG- a crop type proportion sampling instrument[J]. Journal of Remote Sensing, 2004, 8(6): 570－580. (in Chinese with English abstract)

[14] Potter C S, Randerson J T, Field C B, et al. Terrestrial ecosystem production: A process model based on global satellite and surface data[J]. Global Biochemical Cycle, 1993(7): 811－841.

[15] 任建強，陳仲新，唐華俊，等. 基于植物凈初級生產力模型的區域冬小麥估產研究[J]. 農業工程學報，2006，22(5)：111－116.

Ren Jianqiang, Chen Zhongxin, Tang Huajun, et al. Regional yield estimation for winter wheat based on net primary production model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(5): 111－116. (in Chinese with English abstract)

[16] Prince S D, Goward S N. Global primary production: A remote sensing approach[J]. Journal of Biogeography, 1995, 22: 815－835.

[17] 朱文泉，潘耀忠，何浩，等.中國典型植被最大光利用率模擬[J]. 科學通報，2006，51(6)：700－706.

Zhu Wenquan, Pan Yaozhong, He Hao, et al. China's largest light utilization simulation of typical vegetation[J]. Chinese Science Bulletin, 2006, 51(6): 700－706. (in Chinese with English abstract)

[18] 米曉飛. HJ-1衛星NPP反演及其空間展布研究[D]. 焦作：河南理工大學，2010.

Mi Xiaofei. NPP Retrieval Based on HJ-1 and Spatial Distribution Study[D].Jiaozuo: Henan Polytechnic University, 2010. (in Chinese with English abstract)

[19] 周廣勝，張新時. 自然植被凈第一性生產力模型初探[J]. 植物生態學報，1995(3)：193－200.

Zhou Guangsheng, Zhang Xinshi. A natural vegetation NPP Model[J]. Journal of Plant Ecology, 1995(3): 193－200. (in Chinese with English abstract)

[20] Ruimy A, Dedieu G, Saugier B. Methodology for the estimation of terrestrial net primary production from remotely sensed data[J]. Journal of Geophysical Research, 1994, 99: 5263－5284.

[21] Field C B, Behrenfeld M J, Randerson J T, et al. Primary production of the biosphere: Integrating terrestrial and oceanic components[J]. Science, 1998, 281: 237－240.

[22] Field C B, Randerson J T, Malmstr?m C M. Global net primary production: Combining ecology and remote sensing[J]. Remote Sensing of Environment, 1995, 51: 74－88.

[23] Raymond E, Hunt J R. Relationship between woody biomass and PAR conversion efficiency for estimating net primary production from NDVI[J]. International Journal of Remote Sensing, 1994, 15: 1725－1730.

[24] 彭少麟，郭志華，王伯蓀. 利用GIS和RS估算廣東植被光利用率[J]. 生態學報，2000，20(6)：903－909.

Peng Shaolin, Guo Zhihua, Wang Bosun. Use of GIS and RS to estimate the light utilization efficiency of the vegetation in Guangdong China[J]. Acta Ecologica Sinica, 2000, 20(6): 903－909. (in Chinese with English abstract)

[25] Running S W, Thornton P E, Nemani R, et al. Global Terrestrial Gross and Net Primary Productivity from the Earth Observing System[M]. In: Sala O, Jackson R, Mooney H, eds. Methods in Ecosystem Science. New York: Springer Verlag, 2000: 44－57.

[26] 康婷婷.中國農田凈初級生產力和最大光能利用率參數時空特征分析[D]. 南京：南京大學，2014.

Kang Tingting. Study on the Spatial and Temporal Variations of Net Primary Productivity and Maximum Light Use Efficiency of Croplands in China[D]. Nanjing: Nanjing University, 2014. (in Chinese with English abstract)

[27] Gregory P J, Tennant D, Belford R K. Root and shoot growth and water and light use efficiency of barley and wheat crops grown on a shallow duplex soil in a Mediterranean-type environment[J]. Journal of the Australian Institute of Agricultural Science, 1992, 43: 555－573.

[28] Yunusa I A M, Siddique K H M, Belford R K, et al. Effect of canopy structure on efficiency of radiation interceptionand use in spring wheat cultivars during the pre-anthesis period ina mediterranean-type environment[J]. Field Crops Research, 1993, 35: 113－122.

[29] Jamieson P D, Martin R J, Francis G S, et al. Drought effects on biomass production and radiation-use efficiency in barley[J]. Field Crops Research, 1995, 43: 77－86.

[30] 宋富強，鄭壯麗，王令超. 基于CASA模型的河南省冬小麥估產研究[J]. 河南科學，2012，30(10)：1467－1468.

Song Fuqiang, Zheng Zhuangli, Wang Lingchao. Yield estimation for winter wheat of henan province based on CASA model[J]. Henan Science, 2012, 30(10): 1467－1468. (in Chinese with English abstract)

[31] 任建強，劉杏認，陳仲新，等.基于作物生物量估計的區域冬小麥單產預測[J]. 應用生態學報，2009(4)：872－878.

Ren Jianqiang, Liu Xingren, Chen Zhongxin, et al. Production of winter wheat yield based on crop biomass estimation at regional scale[J]. Chinese Journal of Applied Ecology, 2009(4): 872－878. (in Chinese with English abstract)

[32] 閆慧敏，劉紀遠，曹明奎.中國農田生產力變化的空間格局及地形控制作用[J]. 地理學報，2007，62(2)：171－180.

Yan Huimin, Liu Jiyuan, Cao Mingkui. Spatial Pattern and topographic control of China's agricultural productivity variability[J]. Acta Geographica Sinica, 2007, 62(2): 171－180. (in Chinese with English abstract)

Remote sensing estimation of biomass in winter wheat based on CASA model at region scale

Liu Zhenzhen1,2, Zhang Xiwang1,2※, Chen Yunsheng1,2, Zhang Chuancai1,2, Qin Fen1,2, Zeng Hongwei3

(1475004; 2.475004; 3.100094)

Remote sensing can dynamically monitor crop, in real-time, all-weather, also simulate process of crop growth by extracting remote sensing parameters. It was the first step to estimate NPP (net primary productivity) for biomass estimation, and the CASA(Carnegie-Ames-Stanford Approach) model, one of the most popular biomass estimation model, was used for NPP estimation of winter wheat to realize the winter wheat biomass estimation in study area. We analyzed deeply and developed both the NDVI extracting method and FPAR algorithm based on the original CASA model. After comprehensively absorbing the experience of related literature, and the maximum value of light energy utilization efficiency was determined. Then we got an improved CASA model which was suitable for study area. The quantile fractile with winter wheat NDVI maximum probability distribution was extracted to determine NDVImaxand NDVImin, and previous algorithm of improved FPAR with a correction factor was used in this paper. Solar radiation (SOL) around the area of the site data were used for the interpolation by natural neighbor spatial interpolation method. Temperature, precipitation and other meteorological data in the study area were used to calculate the real light energy utilization efficiency. Finally, we entered the above parameters into the improved CASA model to calculate winter wheat NPP.The study area is located in Handan city, Hebei province. The winter wheat at the county scale was taken as the research object. HJ-1A/B products were used as data support to estimate the winter wheat NPP and biomass of study area in 2014. The accuracy was verified. Results showed that the average NPP in March, April, May were 78, 297 and 320 g/m2, respectively. The difference was caused by growth characteristics of winter wheat in different periods. In March, winter wheat was in the green period, the leaf area of winter wheat increased gradually. In April, winter wheat was in exuberant growth period, leaf area was continued to increase, and the NPP also increased. In May, the winter wheat was gradually into flowering, grain filling, and milk stage etc, during the time most parts of NPP was more than 250 g/m2, which was consistent with wheat physiological characteristic, it showed that winter wheat grew well. And the average biomass of winter wheat in the study area was 1 485 g/m2, more than half of study area was between 1 500 and 2 000 g/m2. The correlation between measured biomass and predicted biomass of winter wheat reached significant level,2was 0.811 5, and the average relative error was 2.13%, the maximum error was 11.54%, the minimum error was 0.33%. Average predicted biomass was 1 807.54 g/m2, the absolute error was 86.80 g/m2, compared with the average measured biomass 1 720.74 g/m2. This study can provide theoretical support for estimating both winter wheat biomass and yield at country scale.

biomass; remote sensing; crops; CASA; HJ-1A/B; maximum light energy utilization efficiency; winter wheat

10.11975/j.issn.1002-6819.2017.04.031

S1

A

1002-6819(2017)-04-0225-09

2016-06-17

2017-01-23

國家高技術研究發展計劃（863計劃）（2012AA12A307）；糧食公益性行業科研專項（201313009-2，201413003-7）；河南省科技廳科技攻關項目（152102110047）；國家自然科學基金青年項目（41401457）

劉真真，女，河南周口人，主要從事農業遙感研究。開封 河南大學，475004。Email：liuzhenzhengis@foxmail.com

張喜旺，男，河南省輝縣人，副教授，主要從事農業與生態環境遙感和GIS應用等研究。開封 河南大學，475004。Email：zxiwang@163.com

劉真真，張喜旺，陳云生，張傳才，秦 奮，曾紅偉. 基于CASA模型的區域冬小麥生物量遙感估算[J]. 農業工程學報，2017，33(4)：225－233. doi：10.11975/j.issn.1002-6819.2017.04.031 http://www.tcsae.org

Liu Zhenzhen, Zhang Xiwang, Chen Yunsheng, Zhang Chuancai, Qin Fen, Zeng Hongwei. Remote sensing estimation of biomass in winter wheat based on CASA model at region scale[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(4): 225－233. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.04.031 http://www.tcsae.org