基于高分二號—NDVI的大豆遙感估產的時相選擇

張淮棟 陳爭光 張成龍

摘要：根據植被指數的時間變化規(guī)律以及不同時期的植被指數與產量之間的相關性，確立適用于東北地區(qū)的大豆遙感估產的最佳時期。7月下旬至8月中旬獲取的作物NDVI與作物產量之間的相關性最強，并且不同時期的NDVI之間的相關性非常弱，在利用NDVI預測大豆單產時要采用7月下旬和8月中旬兩個時期的NDVI。NDVI與大豆單產之間存在線性正相關關系，NDVI與大豆單產的相關性并不是很高，表明NDVI并不是惟一與大豆單產有關的變量。

關鍵詞：大豆；植被指數；NDVI；遙感；估產

中圖分類號：S565.1 文獻標識碼：A 文章編號：0439-8114（2018）06-0103-05

DOI：10.14088/j.cnki.issn0439-8114.2018.06.026

Abstract： According to the temporal variation of vegetation index and the correlation between vegetation index and yield in different periods， the best time for soybean yield estimation in Northeast China will be established. The correlation between crop NDVI and crop yield obtained from late July to mid-August was the strongest， and the correlation between NDVI in different periods was very weak. When NDVI was used to predict soybean yield， the of NDVI late July and mid-August was used. There is a linear positive correlation between NDVI and soybean yield， and the correlation between NDVI and soybean yield is not very high， indicating that NDVI is not the only variable related to soybean yield.

Key words： soybean； vegetation index； NDVI； remote sensing； estimation of yield

隨著社會的發(fā)展和生活水平的改善，大豆作為工農業(yè)生產資料和食品原料，需求量與日俱增，中國僅生產飼料所需的豆粕就在1 000萬t以上，并且每年急需1 000萬t以上高油大豆以滿足大中型榨油企業(yè)的原料需求。與世界范圍內都存在巨大的大豆需求量形成鮮明對比的是，大豆的生產區(qū)域存在明顯的不均勻性，在2001年的世界大豆總產量分布中，美國占42%，其中有80%用于出口和工農業(yè)生產資料[1]，巴西占24%、阿根廷占16%、中國占8%、印度占3%、其他占5%。世界范圍內巨大的大豆需求量與大豆生產區(qū)的不均勻性導致大豆及其制品的國際貿易異常活躍，其貿易量位居國際農產品貿易的前例，并一直處于上漲趨勢中。中國的大豆生產區(qū)域極不均勻，北方春大豆區(qū)域包括黑龍江、吉林、遼寧、內蒙古等地，面積約400多萬hm2，產量約占總產的45.7%。無論是從種植面積還是產量來看，黑龍江省都是大豆重要生產省份，及時準確地預測大豆產量具有重要的經濟意義和社會意義[2]。

隨著理論、技術和方法的不斷改進，農作物產量的估算方法先后經歷了抽樣調查、統(tǒng)計分析階段、氣象統(tǒng)計模型階段和衛(wèi)星遙感數據估產階段。調查是統(tǒng)計分析方法的基礎，而調查又存在人力消耗大、工作成本高、工作量大、時效性弱、研究結果滯后等問題[3]，因此該方法只適合于在小范圍內進行作物估產。隨著航空航天技術的發(fā)展，逐漸形成多平臺、多波段的特點，成為一種廣泛應用于包括農業(yè)科學在內的各種領域的新興科技手段。遙感技術在種植面積計算、長勢監(jiān)測和產量估算等方面應用的基礎在于作物在紅波段反射率很低而近紅外波段反射率很高，利用這種反射率特征可以計算出許多植被指數來表示作物的生態(tài)特征。利用遙感技術進行農業(yè)估產是根據不同作物具有不同的波譜反射特征，同時，作物的健康狀況也影響波譜的反射特征，利用搭載在遙感平臺上的傳感器獲得的光譜數據信息，通過多種多樣的圖像處理方法將遙感傳感器收集的光譜數據處理形成能夠反映出作物生長信息的植被指數作為估算作物產量的指標[4]。根據研究方式的差異，遙感估產方法可以分為基于時間的作物遙感估產和基于空間的作物遙感估產。利用遙感技術進行農業(yè)估產時既可以利用植被指數直接計算產量[5]，也可以先利用植被指數反演作物的葉面積指數（LAI）和生物量等生長信息，再經由其他產量估算模型來進行作物產量的估算。在農作物的生長周期內，植被指數將發(fā)生明顯的變化，為了提高估產精度和提前估產時間，選擇合適的遙感時相至關重要。本研究將以地塊為計算單位，通過植被指數時間變化規(guī)律以及植被指數與產量的相關性確定東北春大豆的最佳估產時間。

1 數據源與遙感數據處理

本研究使用的遙感數據來自于中國在2014年8月19日發(fā)射的太陽同步回歸軌道遙感衛(wèi)星“高分二號”上所攜帶的兩臺傳感器PMS1和PMS2，PMS的全稱為Panchromatic Multispectral Spectro radiometer（全色＼多光譜相機）[6]。PMS是一種多光譜光學遙感儀器，可以將電磁波0.45～0.89 μm內的光譜數據分成4個光學通道并記錄成遙感值，同時該傳感器的掃描寬度為45 km，視場角達到±35°，空間分辨率為4 m。除了能夠獲取多光譜影像外，PMS傳感器的另一個顯著特征是可以生成更高空間分辨率的全色影像：光譜范圍為0.45～0.89 μm，空間分辨率為1 m。衛(wèi)星過長的重返周期是阻礙遙感影像應用的一個重要問題，在成像條件惡劣的情況下衛(wèi)星的成像周期會成倍增加，而PMS傳感器最短可在5 d內獲取一次全球觀測數據，在如此短的重返周期內獲取如此高的空間分辨率影像，克服了以往高空間分辨率數據的不足，保證了成像的最佳條件。PMS的波段范圍分別對應著藍波段、綠波段、紅波段和近紅外波段，對于植被而言，紅波段和近紅外波段信息是最為常用的兩種信息，并且這兩個通道的星下點分辨率為4 m，可以清晰地顯示出植被特征的空間異質性。對于黑河地區(qū)來說，農業(yè)生產經營主要以農場為單位，農場將耕地劃分成若干個地塊，每個地塊的尺寸在幾百米到幾千米之間，因此每個地塊由數十到數百個象元覆蓋，由此可見PMS的4 m分辨率比較適合東北地區(qū)進行農業(yè)遙感估產。

原始遙感圖像未經處理，存在著蝴蝶結效應和條紋效應等問題，為了解決這些問題需要利用經緯度信息進行圖像校正和處理。PMS是一種擺掃式掃描儀，生成的圖像是在掃描寬度內逐條掃描最終拼接而成，然而地球的球面特性導致PMS掃描后的圖像在疊加時兩條相鄰的掃描帶在邊緣位置會產生重疊現(xiàn)象，形成所謂的蝴蝶結效應。在圖像處理中，通常用星歷表法消除蝴蝶結效應，該方法是根據衛(wèi)星軌道記錄的地理信息將每條掃描條帶數據按照其實際地理坐標投影到標準地理網格上，從而達到攝圖像與實際位置相匹配而去除蝴蝶結效應的目的[7]。PMS在生成數據時采用多個探測器并排掃描的方式，這種掃描方式造成探測器各個通道收集的光譜信息不能夠同時完成，造成受到儀器誤差和傳輸錯誤的影響，地面接收的影像中不同的通道間存在差異，造成圖像出現(xiàn)條紋效應。

PMS數據不僅以像元為單位記錄地表的光譜信息，同時也詳細地記錄了拍攝圖像時的經緯度信息。遙感影像的每一像素中既存放著灰度值信息也存放著對應空間分辨率下的經緯度信息，也正是同一像素記錄著兩種性質信息的特征使得使用少量地面控制點就可以進行幾何糾正，達到方便處理和校正圖像并提高遙感精度的目的[8-10]。

2 不同時期的NDVI之間的相關性及NDVI與大豆產量的關系分析

遙感技術獲得的NDVI表示了遙感影像獲取瞬間的農作物的長勢情況，通過多時相遙感影像可以獲得農作物在不同時期的長勢，不同時期的長勢又代表了農作物在該時期內的物質積累狀況。作物產量決定于作物營養(yǎng)生殖狀態(tài)的好壞，因此需要探究對作物營養(yǎng)生殖能夠起到至關重要的物質積累時期，為此需要探究哪個或哪幾個時期的NDVI與作物產量的關系最為密切。同時，作物生長是一個逐漸積累的過程，不同時期獲得的NDVI具有一定的時間相關性，在相關性較高的情況下可以用一個時刻的NDVI估算其他時刻的NDVI。建立模型的基本思路是在保證模型精度的前提下盡量減少模型中參量的數量以便達到簡化模型的目的，減少產量估算模型中NDVI日期的數量，因此需要對不同時刻的NDVI之間的相關性進行分析。相關分析中通常用相關系數表示兩個變量之間的線性相關程度，因此在相關分析之前先要判斷變量之間是否存在線性關系。

1）線性關系的判定又可以從整體和單點兩個尺度上進行，圖1和圖2分別從整體和單點兩個尺度上顯示了不同時期的NDVI之間的散點圖。圖1顯示出7月初獲得的NDVI與其他時刻獲取的NDVI之間的相關關系并不顯著，這表明無法用7月上旬的NDVI估算其他時刻的NDVI，也無法用其他時刻的NDVI估算7月上旬的NDVI。因此，僅從NDVI之間的相關性來看大豆的產量遙感估算模型中應該將7月上旬的NDVI作為一個變量。除了7月上旬獲取的NDVI與其他時刻獲取的NDVI外，其他時刻獲取的NDVI之間存在較強的線性關系，并且兩個時刻的間隔時間越短則兩時刻獲取的NDVI之間的線性關系越強，這種變化趨勢表明，其他時刻的NDVI可以根據已知時刻的NDVI進行估算。

各地塊的NDVI在作物生長周期內的變化趨勢見圖2。從圖2中NDVI的變化趨勢可以發(fā)現(xiàn)，NDVI在大豆的生長期內呈現(xiàn)出拋物線形式增長趨勢，即越接近生長后期，NDVI的變化越弱，NDVI在7月下旬以后會出現(xiàn)緩慢下降的趨勢。圖2還顯示出個別地塊的NDVI變化趨勢與總體的變化趨勢不符，具有明顯的歧異特性：圖中1所代表的曲線，在7月20日的NDVI明顯小于相鄰日期的NDVI，并且該曲線在8月31日出現(xiàn)明顯的下滑；圖中2所代表的曲線，在7月12日對應的NDVI明顯小于相鄰日期的NDVI。NDVI曲線的異常表示該點的NDVI已經不能真實地反映出NDVI與作物產量之間的關系，因此在研究某一時刻的NDVI與產量的關系時應去除該時刻存在異常的NDVI，而在探究不同時刻的NDVI與產量的關系時應去除出現(xiàn)過異常情況的NDVI，對于去除異常前后某一時刻的NDVI與作物產量之間的關系的變化分別顯示在圖3和圖4中。

從圖3中可以看出，不同時期的NDVI與產量之間都不存在明顯的線性關系，因此無法直接對NDVI與產量之間的關系做相關性分析，造成這種現(xiàn)象的原因在于一些異常點的存在弱化了NDVI與產量之間的關系。圖3中圓圈中的點明顯地偏離了NDVI與產量之間的正相關關系，如7月20的NDVI與產量之間的關系中圓圈內的點NDVI很小，理論上應對應較低的作物產量，但在圖中卻對應較高的產量，這與產量估算的基本原理相違背，因此在建立模型時應將這些點去除。去除異常點后，NDVI與產量之間的關系顯示在圖4中，對比圖3和圖4可以發(fā)現(xiàn)，在去除異常點后各時期的NDVI與產量之間的線性關系明顯增強。

2）不同時刻獲取的NDVI之間的關系。農作物的NDVI表示作物的生長狀態(tài)，但是其不是某一時刻的狀態(tài)而是一定時間段內生長狀態(tài)的綜合表現(xiàn)，因此在不同時刻獲取的NDVI間存在不同程度的相關性，若兩個時刻的NDVI具有較高的相關性則可以進一步減少參與建立估產模型的數量。表1顯示了不同時期獲取的NDVI之間的相關系數。

表1清晰地顯示出不同時刻獲得NDVI具有很強的相關性，并且在多數情況下時間間隔越短則兩時刻的NDVI之間的相關性越強。但是也有例外，7月20日獲取的NDVI與28日獲取的NDVI之間的相關性要小于7月20日獲取的NDVI與8月13日獲取的NDVI之間的相關性，同時，7月28日獲取的NDVI與8月13日獲取的NDVI之間的相關性更小，從相關性中可以看出，7月28日獲取的NDVI不適合用于建立產量估算的遙感模型。

從表2中還可以發(fā)現(xiàn)，相鄰兩個日期的NDVI之間的相關系數最大；隨著時間跨度增加，NDVI之間的相關性逐漸增加，這表明時間跨度越大則兩個時刻的NDVI之間的線性關系越弱，這也證明了圖2中顯示的NDVI在時間上的非線性變化。通過對比不同列中相關系數最大值的變化可以發(fā)現(xiàn)，隨著NDVI獲取日期的逐漸延后，相關系數的最大值逐漸減小；這表明隨著NDVI獲取日期的逐漸延后，兩相鄰日期獲取的NDVI之間的線性相關性越弱。

3）NDVI與大豆產量的相關關系。由于在大豆生長的各個時期，遙感獲取的NDVI會隨著生長期的不同而發(fā)生改變，選取對產量敏感的若干個生長時期的NDVI參與產量估算遙感模型的計算可以在保持估算精度的前提下減少模型參數的數量，便于模型的應用。表3顯示了不同生長時期的NDVI與產量之間的相關關系。

表3清晰地顯示出7月中旬到下旬的NDVI與產量關系較為密切，并且兩者之間為正相關關系，即NDVI越大這產量越高；與7月中旬到下旬相比，7月上旬和8八月的NDVI與產量的相關性減弱很多，在本研究中幾乎不存在相關性。從表4中可以看出，在5個時間段內選取3個時間段的NDVI既可以保證估算的精度也可以減少模型的參數數量。

對比表3和表4可以發(fā)現(xiàn)，在去除異常點的影響后，NDVI與產量之間的相關性顯著增強。7月中旬到8月中旬獲取的NDVI與產量之間的相關性明顯高于7月上旬的相關性，結合7月上旬的NDVI與其他時刻的NDVI之間的相關性不顯著的特征可得到在利用遙感影像估算大豆產量時可以忽略7月上旬的遙感影像。由于7月28日獲取的NDVI與產量之間的相關性最高，因此在估算產量時應盡量獲取該時刻的遙感影像，根據相關系數的變化趨勢可以看出選取7月中旬到8月中旬的遙感影像可以顯著地提高產量估算的精度。

3 討論

影響大豆單產的因素很多，可以分為人為因素和自然因素，人為因素通過水肥管理最大限度的滿足作物生長的要求，自然因素則通過滿足作物的光合條件改善作物長勢并達到提高作物產量的目的。大豆的生長周期可以被細分為若干個更能夠體現(xiàn)生長狀態(tài)的時期，作物在開花期之前的生長主要物質的積累過程，該過程為作物產量的形成提供營養(yǎng)基礎。理論上，作物在物質積累過程中積累的干物質越多，則作物的單產越高，遙感技術可以在較大范圍內對作物的長勢進行監(jiān)測，從而對作物的產量進行估算。

4 結論

1）7月下旬到8月中旬獲取的作物NDVI與作物產量之間的相關性最強，并且不同時期的NDVI之間的相關性非常弱，因此，在用NDVI預測大豆單產時要采用7月下旬和8月中旬兩個時期的NDVI。

2）NDVI與大豆單產之間存在線性正相關關系，NDVI與大豆單產的相關性并不是很高，這表明NDVI并不是惟一與大豆單產有關的變量。

參考文獻：

[1] 季志強，蓋顏欣，王 奇，等.國內外大豆生產概況及大豆育種的發(fā)展方向[J].農業(yè)科技通訊，2010（7）：8-10.

[2] 王連錚.國內外大豆生產及育種的進展[J].種子世界，2000（11）：3-5.

[3] 杜天昊.基于MODIS-NDVI的河南省冬小麥估產模型研究[D].重慶：重慶大學，2013.

[4] 蒙繼華.農作物長勢遙感監(jiān)測指標研究[D].北京：中國科學院遙感應用研究所，2006.

[5] LIU W T，KOGAN F. Monitoring Brazilian soybean production using NOAA/AVHRR based vegetation condition indices[J].International Journal of Remote Sensing，2002，23（6）：1161-1179.

[6] 徐 文，龍小祥，李慶鵬.“高分二號”衛(wèi)星相機影像輻射質量評價[J].航天返回與遙感，2015，36（4）：1-9.

[7] 劉良明，文雄飛，余 凡，等.MODIS數據Bowtie效應快速消除算法研究[J].國土資源遙感，2007（2）：10-15.

[8] 張京紅，景毅剛.遙感圖像處理系統(tǒng)ENVI及其在MODIS數據處理中的應用[J].陜西氣象，2004（1）：27-29.

[9] 程武學，潘開志，楊存建.葉面積指數（LAI）測定方法研究進展[J].四川林業(yè)科技，2010，31（3）：51-54.

[10] 黃敬峰，王人潮，王秀珍，等.冬小麥遙感估產多種模型研究[J].浙江大學學報（農業(yè)與生命科學版），1999，25（5）：512-523.