基于MODIS NDVI的冬小麥收獲指數遙感提取

劉劍鋒， 方 鵬， 陳 琳， 張喜旺

(1.黃河水利職業技術學院，河南開封 475004； 2.河南大學黃河中下游數字地理技術教育部重點實驗室，河南開封 475004)

收獲指數(harvest index)是影響農作物產量十分重要的理化參數，也是諸多作物估產模型的關鍵參數之一。作物收獲指數是農作物在收獲期的籽粒總質量和作物總生物量的比值，反映了作物光合同化產物在籽粒和營養器官上的分配比例。根據作物生理學理論，生物量表示作物生理潛力，籽粒質量由籽粒庫容限定，所以收獲指數標志著經濟產物與同化產物的效率，也反映了源的生理效能，源、庫、流在一定程度上會影響作物的產量?，F代小麥育種不斷關注小麥收獲指數與小麥生物量的關系。一些研究表明，收獲指數與產量之間是正相關的，收獲指數不斷提高也會促進小麥產量的增長。因此，關注和研究冬小麥收獲指數，對于準確理解冬小麥生理機制和冬小麥增產、估產具有重要意義。

傳統農業大多通過實地測量方法獲取小麥收獲指數，這種方法費時、費力、效率較低而且難以大范圍獲取小麥收獲指數。也有部分學者通過氣象資料分析構建冬小麥氣象模型來計算收獲指數。這種方法綜合考慮了各個氣象因素對收獲指數的影響力，但是需要大量的年際氣象累積數據，而且能否適用于小區域還有待驗證。除此之外，更多的農業研究者關注的是小麥生長自然環境、遺傳基因等因素對小麥收獲指數的影響，而鮮見利用遙感技術提取小麥收獲指數。

遙感技術的快速發展為諸多研究領域提供了新的研究手段，但國內外利用遙感數據提取冬小麥收獲指數的文章偏少，可用模型精度也不高。Moriondo等通過分析冬小麥開花期至成熟期和出苗期到開花期的歸一化植被指數(NDVI)變化關系，建立了收獲指數與NDVI的模型，但側重考慮生長過程中溫度和水的負面影響，因此適應水分脅迫較大的地區，對于其他區域的效果有待驗證。Walter等采用新穎的攝影測量方法，通過數字攝影相機和相關軟件建立小面積的小麥3D點云圖來預測生物量、植株高度、收獲指數，取得了較好的效果。但攝影相機成像區域較小，難以大面積推廣。Richards等通過對干旱環境下冬小麥生物量、葉面積、收獲指數等關系的分析，提出了一種非線性的模型來計算收獲指數，因此適用于干旱環境，且具有經驗偏差。Li等綜合分析了現有的幾類冬小麥收獲指數反演模型在不同土壤氮肥條件下的反演精度，指出了利用NDVI反演冬小麥收獲指數是最可行的。任建強等基于NDVI時序數據，提出了一種冬小麥生殖階段與營養階段比值的收獲指數參數模型，但該模型忽略了冬小麥生殖生長階段的籽粒質量也是總生物量的一部分，也導致了反演結果偏低。

總體而言，國內外利用遙感衛星數據提取冬小麥收獲指數的研究偏少，精度普遍偏低。為了改進收獲指數遙感反演模型，提高利用衛星數據反演冬小麥收獲指數精度，從而更加深入地解析遙感數據與收獲指數的關聯機制，本研究依據前人研究基礎，提出了一種新的構建收獲指數的參數模型，建立了參數模型與實測數據的定量關系，以期為冬小麥收獲指數遙感反演工作提供思路。

1 研究區與數據

1.1 研究區

館陶縣地處華北平原，與山東省接壤，臨近河南省，地理位置為36°46′35″～36°27′8″N，115°7′12″～115°28′ 5″E，總面積456 km。館陶縣屬于古河道沖積平原，地勢西南高，東北低，平均海拔約為 40 m。縣內有衛運河和章河流經，衛運河縣界內全長40.5 km，章河全長4.2 km，屬季節性河流。氣候為典型的暖溫帶半濕潤大陸性季風氣候，夏季炎熱干燥，冬季寒冷，日照充足，四季分明，年平均氣溫14 ℃，全年無霜期200 d，年日照2 557 h。良好的自然條件和氣候條件，使其成為華北平原重要的冬小麥種植區(圖1)。

1.2 數據

1.2.1 遙感影像數據 本研究所使用的遙感影像數據為16 d合成的MODIS13Q1 VI數據，來源于美國地質調查局(USGS，https：//earthexplorer.usgs.gov/)，選取250 m分辨率的NDVI。該數據采用限定視角內最大值合成法(CV-MVC)，在合成時間段內擁有更大的NDVI像元值、更小的觀測視角、更接近星下點，并且能最大程度地減小雙向反射的影響，使合成的NDVI數據精度更高。時間段分別為2015年10月16日至2016年6月25日、2016年10月16日至2017年6月25日、2017年10月16日至2018年6月25日。每期數據16景影像，共計48景影像。

1.2.2 實測收獲指數 本研究采用2016年、2017年、2018年連續3年的地面實測收獲指數數據。考慮到MODIS 13Q1 NDVI數據的空間分辨率為 250 m，研究區內設置10個邊長為250 m的大樣方，每個樣方內設置5個樣點。每個樣點實測種植密度并取10株樣本，烘箱設置溫度為105 ℃殺青1 h，再用80 ℃烘干24 h至恒質量，得到小麥的所有干質量生物量。通過實測每株的籽粒質量和生物量獲取實測收獲指數。

1.2.3 冬小麥空間分布 基于外業調查資料，利用Landsat遙感影像進行冬小麥種植區識別，獲得2016—2018年的河北省館陶縣冬小麥種植區分布數據。

2 研究方法

2.1 時序數據平滑處理

MODIS NDVI雖然經過最大值合成，但提取的時序數據噪聲依然很大，呈現明顯的鋸齒狀波動，從而影響定量反演冬小麥收獲指數的精度。針對這種情況，經比較現有方法的優缺點，本研究選取Savitzky-Golay濾波對時序數據進行平滑處理，以便更清晰地描述冬小麥生長關鍵時期時間序列特征曲線的變化。處理模型如下：

(1)

式中：+是擬合之前的第(+)個NDVI時間序列數據；′是擬合之后的NDVI時間序列數據；為滑動窗口的寬度；為濾波器長度；為濾波卷積系數。

2.2 模型構建

2.2.1 模型理論基礎 從作物生理學角度看，作物收獲指數是收獲期籽?？傎|量和作物地上總生物量的比值，實質上反映了作物干物質在籽粒和營養器官上的分配比例。冬小麥在一個生長周期內要經過漫長的生長階段，其中返青期至開花期、開花期至乳熟期是最重要的2個生長階段。返青期至開花期階段，小麥營養生長器官發育完善，奠定了小麥生長過程的生物量基礎；而在開花期至乳熟期階段，小麥營養生長器官發育達到極致后，小麥干物質逐漸集中到籽粒部分，這是小麥產量形成的關鍵階段?；谶@2個關鍵階段開展收獲指數研究成為探討遙感反演方法的焦點。

2.2.2 現有模型存在的問題 國內外相關研究不多，本研究對現有收獲指數模型進行合理改進和優化，提出了一種新的模型，以期實現模型在精度方面的提升。

目前城建模型如公式(2)、公式(3)所示。

=-×(1-/)。

(2)

式中：為收獲指數模擬參數；為理論最大收獲指數，取值0.48；為收獲指數最大值和最小值之差，取值0.18；為開花期到成熟期NDVI均值；為返青期到開花期NDVI均值。該模型考慮到冬小麥生長過程水分脅迫對收獲指數的影響，因此最大收獲指數當作某一常數以減輕水分脅迫帶來的負面影響。然而，該模型的區域適應性不足，且獲取困難。

=∑/∑NDVI。

(3)

式中：為收獲指數模擬參數；∑為冬小麥開花期到乳熟期的NDVI累計值；∑為返青期到開花期的NDVI累計值。該模型依據冬小麥生長階段的時序NDVI累計值計算收獲指數，在區域尺度獲取冬小麥收獲指數也是可行的。然而，只考慮到生物量與營養生長階段有關，而忽略了生殖生長階段所產生的籽粒質量也是生物量的一部分這一關鍵問題。

2.2.3模型構建 基于上述分析，根據作物生理學和農學理論，冬小麥地上總生物量不僅包括營養生長階段的干物質在莖桿部分的分配，還包括生殖生長階段的干物質在籽粒部分的分配。因此，利用與+的比值建立的參數模型，不僅具有嚴謹的理論基礎，而且實際反演冬小麥收獲指數時更加簡單易行。

由于NDVI與生物量之間的相關性，以及現有模型的經驗，本研究依照冬小麥生長期內營養生長階段和生殖生長階段的時序NDVI特征曲線的變化，建立參數模型，公式如下。

(4)

式中：為收獲指數模擬參數；是冬小麥開花期至成熟期的NDVI均值，用以表征冬小麥生殖生長階段生產的籽粒質量；是冬小麥返青期到開花期的NDVI均值，用以表征冬小麥生長階段的生產生物量。

3 結果與分析

3.1 提取模型參數

利用平滑后的2016年和2017年的NDVI時間序列，基于收獲指數參數模型(2)、(3)、(4)計算得到冬小麥收獲指數模擬參數，如圖2、圖3、圖4所示。

經統計，在上述2期的收獲指數空間分布圖中，模型(2)所提取的收獲指數范圍為0.35～0.65，模型(3)提取的參數范圍為0.36～0.65，模型(4)提取的參數范圍為0.43～0.66。由于模型都是依據NDVI時間序列數據變化來響應冬小麥營養生長階段和生殖生長階段的變化，都具農學理論支撐，所得數據基本合理。

3.2 模擬參數與實測值的擬合

基于上述計算結果，以樣方為基礎與實測值進行回歸分析，探測各模型的擬合程度，結果如圖5、圖6、圖7所示。

由圖5可知，基于模型(2)的模擬參數與實測收獲指數的擬合結果，2016年為0.289 3，2017年為0.302 1?？傮w而言，利用模型(2)反演得到的收獲指數具有一定的精度，但是并不高。該模型最初是由Moriondo等提出并將其應用到意大利格羅塞托省和福賈省的小麥收指數研究。該區域氣候類型為典型的地中海氣候，夏季炎熱干燥，降水較少，小麥受水分限制較大；冬季溫和多雨，適合小麥生長。與我國華北平原相比，該區域在冬季氣溫偏高，降水較多，具有良好的小麥生長條件，且該區域種植的冬小麥沒有返青期，因此該模型應用到華北平原冬小麥種植區域的收獲指數反演時精度偏低。

圖6、圖7為基于模型(3)和(4)得到的模擬參數與實測收獲指數的擬合結果。2016年分別為0.389 2和0.423 0；2017年分別為0.590 4和0.676 6。

與模型(2)相比，模型(3)和(4)側重考慮了冬小麥的生長機制和農學基礎，根據冬小麥NDVI曲線變化與冬小麥生物量變化的關系來構建收獲指數反演模型，具有較強的理論支撐。因此，擬合優度有了很大的提高。而且模型(4)在模型(3)的基礎上進行了改進，具有更加嚴謹的農學依據。

綜合上述分析可知，本研究構建的參數模型與實測收獲指數數據擬合程度最高，其最高達到0.676 6。進而證明了參數模型反演收獲指數的優越性。

3.3 預測模型建立

根據2016—2017年實測數據以及的計算結果，構建預測冬小麥收獲指數的線性預測函數，如式(5)所示。

=0057 2+0511 2。

(5)

式中：為預測的收獲指數；為從時序數據中提取的參數。

3.4 收獲指數空間分布

根據模型(4)計算得到的2018年研究區冬小麥模擬參數，帶入公式(5)中，并以冬小麥種植區為掩模，提取得到2018年館陶縣冬小麥收獲指數空間分布，如圖8所示。可以看出，2018年的冬小麥收獲指數范圍主要集中在0.53～0.54，與2018年實測的館陶縣冬小麥收獲指數數值分布基本一致，反演精度較高。從空間分布情況看，中部較高，四周偏低；北部冬小麥收獲指數比南部冬小麥收獲指數高。

將2018年實測的冬小麥收獲指數與預測結果進行分析，結果如圖9所示?？梢钥闯?，預測結果與2018年實測的收獲指數呈現出明顯的線性關系，為0.632 9。分析結果表明，通過參數模型建立的2018年冬小麥收獲指數模型能很好地反映實際的收獲指數情況。

4 結語

利用遙感技術開展作物收獲指數的研究尚不夠成熟，目前的研究精度普遍不高，因此很有進行深入研究的必要。本研究依據農學和作物生理學原理，利用冬小麥營養生長階段與全生育階段的NDVI均值之比，作為構建與收獲指數相關的參數模型，相對于現有模型，理論上更加合理。從驗證結果看，該模型反演精度也最高，為今后的冬小麥收獲指數反演提供了一種可行的方法。

但是在利用遙感技術反演冬小麥收獲指數時，還應注意以下問題：(1)目前國內外對于收獲指數的研究很少涉及到作物生長環境因素對作物收獲指數的影響，如氣溫、降水、蒸散發等環境因素。在今后的研究中應加以重視。(2)MODIS13Q1 NDVI雖然經過最大值合成法處理，但依然存在一定的精度問題。通過Savitzky-Golay濾波對NDVI時間序列數據進行平滑，剔除部分異常值，獲得更接近實際的冬小麥時序特征曲線對于研究收獲指數具有明顯的益處。最后，本研究提出的研究方案，從理論上來講，也可用于玉米、水稻、高粱等糧食作物，有待進一步研究。