基于EVI-RBF的玉米長勢監測及產量預測

唐俊 趙成萍 周新志 李博

摘要：近年來，農作物長勢監測和產量預測研究大多是通過建立復雜的生長模型來實現的，而這往往不具有較強的推廣性。本研究建立了一種基于植被指數和產量統計數據的玉米長勢監測及產量預測方法。以玉米為研究對象，利用MODIS09A1數據建立其2000-2018年的增強型植被指數（EVI）時間序列，并將該序列作為徑向基（RBF）神經網絡的輸入參數，下一階段的EVI值或玉米產量作為網絡的輸出參數，完成玉米的長勢監測及產量預測。該方法被成功應用到黑龍江省哈爾濱市賓縣的玉米研究中，對玉米EVI值的預測精度達到了90.0%以上，產量預測相較于傳統的線性回歸模型也有明顯提高，預測精度達到了98.6%。依賴植被指數和產量統計數據的長勢監測及產量預測方法有較大的應用推廣前景。

關鍵詞：MODIS09A1;EVI-RBF;玉米;長勢;產量

中圖分類號：S127;S513文獻標識碼：A文章編號：1000-4440（2020）03-0577-07

Maize growth monitoring and yield prediction based on EVI-RBF

TANG Jun1，ZHAO Cheng-ping1，ZHOU Xin-zhi1，LI Bo2

（1.Electronic Information School， Sichuan University， Chengdu 610065， China;2.Joint Laboratory of Water Conservancy Informatization， Sichuan University， Chengdu 610065， China）

Abstract：In recent years， the research of maize growth monitoring and yield prediction is mostly achieved by building complex growth models， but these methods are not easy to be popularized. To overcome the problem， a method of maize growth monitoring and yield prediction was established based on vegetation index and statistical yield data. Taking maize as the research object， the enhanced vegetation index（EVI） time sequence from 2000 to 2018 of the maize was established by using MODIS09A1 data. Moreover， this time sequence was taken as the input parameter of radial basis function （RBF） neural network， and the values of EVI or maize yield in the next stage were taken as the output parameters. This method has been successfully applied to the research on maize in Binxian County， Harbin City， Heilongjiang province， with the prediction accuracy of over 90% for the value of EVI. Compared with the results based on conventional linear regression forecasting method， the prediction accuracy of yield based on the proposed method in this study was significantly improved. In conclusion， the method of growth monitoring and yield prediction based on vegetation index and statistical yield data has a great application prospect.

Key words：MODIS09A1;EVI-RBF;maize;growth;yield

監測作物生長狀況，預測作物產量對國家糧食安全和農業可持續發展至關重要[1]。遙感技術已被廣泛用于作物生長狀況監測以及產量預測研究[2]，特別是植被指數，如歸一化差異植被指數（NDVI）已被廣泛用于產量預測[3-4]。此外，葉面積指數（LAI）[5]、增強型植被指數（EVI）[6-7]、標準化差異水指數（NDWI）[2]等也用于預測作物產量。長期以來，作物生長狀況的信息是通過實地調查獲得的，雖然這種方法調查的信息準確，但耗費了大量的時間、人力、物力，調查效率較低，而且其調查領域受到限制。隨著地理空間科學技術的發展，遙感技術越來越多地應用于作物生長狀況監測[8-10]?；谶b感技術的長勢監測方法發展迅速，主要包括影像分類法、同期對比法、作物生長過程監測法、作物生長過程模型法等。同期對比法通過建立與作物生長密切相關的植被指數序列，結合輔助統計數據，比較歷年間的差異，以達到監測長勢的目的，該法簡單易行，在一定時間內得到了較為廣泛的應用。近年來，更多研究考慮將植被指數以外的輔助環境變量（如太陽輻射、溫度、土壤濕度等）融入作物生長過程模型。Seo等[11]通過NDVI及作物生長過程模型模擬生物量，監測作物長勢。

作物產量可采用多種模型進行估算，如基于半物理遙感的作物產量模型，基于衛星指數的作物產量模型，基于相關加權的農業氣象模型以及作物模擬模型。很多研究使用作物生長模型在不同尺度上進行作物長勢監測和產量預測[12-16]。Parida等[17]通過建立種植面積與產量的線性回歸模型，完成了產量預測。Guo等[18]通過提高樣本集的精度，更準確地預測小麥生長指標和產量。Pede等[19]利用衛星衍生的地表溫度推導生長度日，進而預測玉米的平均產量。Jha等[20]使用氣象數據完成了水稻產量的預測。Nevavuori等[21]利用無人機獲取的多光譜數據，開發了一個基于卷積神經網絡（CNN）的深度學習框架，完成了玉米產量的預測。Niedbala等[22]基于氣象數據和化肥效應完成了冬小麥產量的預測。Li等[23]結合積溫、EVI及氣象統計數據建立模型，完成了玉米產量的預測。Skakun等[24]利用Landsat 8和Sentinel-2數據建立冬小麥產量評估經驗模型，研究反射率和各植被指數與產量的關系。農作物產量預測研究方法大致可分為改進模型、改進數據質量以及應用神經網絡或機器學習等。

在每個區域建立作物生長模型是不切實際的，因為該模型需要除遙感數據以外的大量輔助數據，而這些輔助數據一般獲取困難，使得該法的推廣性不強。本研究擬基于EVI時間序列和產量統計數據建立EVI-RBF模型及產量-RBF模型，其中EVI-RBF模型用于預測EVI值，進而預測長勢，而產量-RBF模型則用于預測產量，以期完成作物長勢及產量的高精度預測，協助有關部門提前調控農業生產活動，實現增產增收。

1材料與方法

1.1研究區域概況

圖1顯示，研究區域位于黑龍江省中部的賓縣。賓縣地處松花江南岸，地跨東經126°55′41″～128°19′17″，北緯45°30′37″～46°01′20″，總面積3 844.6 km2，主要作物有水稻、大豆、玉米等，其中玉米是典型的一年一熟制，4月底至5月初為玉米的播種期，9月底至10月初為玉米的收割期。

1.2數據源

本研究以Terra/Aqua上的MODIS陸地三級標準數據產品-地表反射率產品（MODIS09A1）為主要數據源。此數據源的特點是空間分辨率適中，可免費獲取，時間間隔為8 d，包含7個反射率波段，其中波段1～2的空間分辨率為250 m，波段3～7空間分辨率為500 m。整個賓縣的研究區域需要h26v04和h27v04共2景MODIS影像實現全覆蓋。從美國USGS EROS數據中心下載了黑龍江省哈爾濱市賓縣2000-2018年玉米所有生長階段（4月23日到10月16日）的圖像，并基于Google Earth Engine平臺對MODIS數據進行批量拼接和裁剪工作。

1.3技術路線

圖2顯示，本研究采用MODIS09A1數據，經投影轉換、數據重采樣和圖像裁剪后，獲取可用的反射率數據，再利用多時相閾值法篩選出僅包含玉米的區域，進而提取玉米的EVI值，并建立玉米2000-2018年的EVI時間序列，該序列不僅能夠用于監測作物長勢，還可以應用到預測模型中。在EVI-RBF模型中完成EVI值的預測，將預測的EVI值與同期EVI值進行差異比較并完成長勢劃分，進而實現長勢的預測。同時，也可以將EVI時間序列輸入到產量-RBF模型中，完成玉米產量的預測。

NDVI：歸一化差異植被指數;LSWI：地表水分指數;EVI：增強型植被指數;RBF：徑向基。

1.3.1數據預處理MODIS09A1數據已經經過了云篩選、大氣校正及幾何校正[25]，但還需要對遙感圖像做如下處理：

（1）利用ENVI軟件將下載的圖像投影轉換至WGS84坐標系。

（2）數據重采樣。采用重采樣精度最高的三次卷積法將500 m分辨率波段重采樣至250 m。

（3）圖像裁剪。以賓縣的行政邊界為基礎，利用ArcGIS軟件導出賓縣的SHP文件，利用此SHP文件對重采樣后的圖像進行裁剪。

（4）玉米區域篩選。利用裁剪的賓縣遙感圖像，結合賓縣當地的種植模式，基于公式（1）、公式（2）提取的地表水分指數（LSWI）和NDVI，采用多時相閾值法進一步去除干擾區域。

（5）計算EVI值。通過公式（3）計算篩選出圖像的EVI值，以供后續研究使用。

其中，ρNIR、ρRED、ρBLUE、ρSWIR1分別表示近紅外波段、紅光波段、藍光波段及短波紅外1波段的反射率。

使用MODIS09A1數據簡化了預處理過程，對每副圖像數據的處理僅需要180 s，縮短了對縣級尺度農作物長勢監測的預處理時間。

1.3.2長勢監測長勢監測包含作物長勢過程監測和作物實時監測。作物長勢過程監測通過建立植被指數時間序列，形成作物生長過程的動態曲線，對比曲線的差異，分析作物的整體長勢，同時結合產量的統計數據進行驗證。作物實時監測則是通過比較歷史同時段植被指數，對差異值進行分級、統計，反映作物的實時生長狀況[26-27]。

本研究利用建立的EVI時間序列，通過對比研究當年、前一年、豐產年的數據，完成作物長勢過程監測。在作物實時監測的基礎上，不再對實時的同期圖像進行差異等級劃分，而是根據歷史數據庫同時段圖像的EVI均值對作物長勢進行劃分，可以更直觀地了解作物長勢的歷史差異，同時可增強后續研究工作中對EVI值預測的實際意義。

1.3.3預測模型徑向基（RBF）神經網絡的設計簡單，并且具有良好的局部逼近性能，所以常常用于解決非線性問題[28]。圖3顯示，EVI時間序列與作物長勢、產量均存在較大聯系，而這種聯系往往不是線性的，故可將EVI時間序列作為徑向基神經網絡輸入參數，產量或者EVI值作為網絡輸出參數，得到產量-RBF模型和EVI-RBF模型。