遙感技術在我國冬小麥產量估算中的應用研究進展

涂巧針，李 旭，劉釔廷，吳保升

（塔里木大學信息學院，新疆阿拉爾 843017）

冬小麥是我國的重要經濟作物之一，其播種面積約為全國糧食總播種面積的1/5[1]。收割之前，適時精確的估算糧食作物生產水平既有利于我國國家糧食戰略的調整和制訂，也有利于進一步完善糧食作物管理，合理調整種植業布局，深入發掘其生產潛力，為我國進一步調整糧油儲備結構提供科技支撐。實現我國糧食安全目標，將對我國糧食市場的宏觀調節、糧食出口貿易發展產生重大意義[2]。

由于冬小麥分布區廣泛，北方地區復雜，對播種面積、生產和統計資料的獲取一般要利用常規的估產手段，包括統計手段和傳統的土壤監測手段，其速度慢、工程量大、成本高，無法滿足對冬小麥的監測需求。遙感資料具備覆蓋面大、檢測周期短、資料豐富、現勢性好、代價低等優點，可以迅速和精確地對冬小麥進行估產。遙感估產是一種使用衛星傳感器記錄作物表面信號，并利用資料采集與數據分析所獲取的農作物表面光譜特征，確定作物種類，監控作物的生長過程，從而構建將作物光譜數據與農業生產過程相互聯系的新科技手段[3]。

1 農作物遙感估產研究概況

美國首先開展的大面積作物遙感技術估產，效果也最為顯著。美國早在1974年就開始實施“大規模耕地估產實驗” 即LACIE 規劃（Large Area Crop Inventory and Experiment）和“利用空間遙感技術開展農產品和資源利用研究” 即AGRISARS 規劃（Agriculture and Resources Inventory Surveys through Aerospace Remote Sensing）[4]。這是遙感技術在農業上應用的成功典型案例，極大的推動了農業遙感技術的發展。此后，意大利、俄羅斯、英國、日本和其他多個國家也相繼開展農業遙感技術相關的研究工作。2002 年，美國農業部與NASA 再次合作，首次將MODIS 數據應用到了農業遙感研究中并采用Landsat數據對多個州進行了農作物監測實驗，到2010年實現了基于遙感的長期農業監測。目前，經過多年的實驗研究，國外農業遙感技術已經逐步走向成熟。

我國的農業遙感研究起步較晚。1981 年，我國使用遙感技術成功預測了冬小麥的實際生產。1983 年，我國研發了估算京津冀地區冬小麥產量的技術方法，在此后的3年里，GIS系統已經被廣泛應用于黃淮海地區冬小麥的產量估算研究中。通過開發，我國遙感技術在農作物長勢監測與產量估測領域的應用逐步走向完善。為更好推動我國農業遙感科技的開發，中國科學院制定了“九五”重大科研項目，結合“3S”（RS，GPS，GIS）技術推動我國的農業遙感向著周期更短、精度更高、成本更低的方向深入發展。2008 年，中科院和中華糧網合作將農業遙感獲得的產量成果等推向了服務應用，使該項技術得到了更為廣泛的應用[5]。

2 冬小麥估產應用的遙感資料

冬小麥估產中應用的遙感資料主要有資源衛星資料、氣象衛星資料、航空遙感和地面遙感資料等。1）資源衛星資料。Landsat 系列數據憑借優勢，從20 世紀70年代開始就成為農業遙感領域應用最多的數據源之一，極大地推動了農業遙感監測技術。除此之外，CBERS 衛星也是常見的資源衛星，但由于衛星重訪周期長、作物生育期可用數據有限等原因，限制了這一類衛星數據的用途。2）氣象衛星資料。氣象衛星重訪周期快，因此氣象衛星多基于作物的季相節律信息形成時間序列數據，被應用于大規模的作物遙感監測。AVHRR 是最早的氣象衛星，1987 年美國基于該數據進行農作物估產試驗。之后，美國發射中分辨率成像儀（MODIS）用于觀測全球植被，相比之前的氣象衛星，MODIS 數據擁有了更高的空間、光譜分辨率，從而大大增強了對地觀測能力，為大面積作物遙感識別提供了重要的數據支撐。但由于氣象衛星空間分辨率較低，導致這類數據的總體提取精度不高。3）航空遙感和地面遙感資料[6]。

各種遙感數據既有優點，也有不足之處。千懷遂按照各類資料源的清晰度（空氣清晰度和時間清晰度）和空中云層，將我國小麥估產的資料源類型劃分為陸地衛星型、陸地衛星為主型、氣象衛星為主型和氣象衛星型[7]。根據遙感技術數據的實際使用效果考慮，AVHRR 數據主要用來觀察冬小麥的發育狀況，利用相應的綠度指標建立產量預測模型。由于高分辨率的優勢，雖然TM 數據已廣泛用作大冬小麥面積數據的獲取手段，但因為生產成本較高，目前還難以實現基于TM數據的大面積小麥監測與生產預測。

3 冬小麥光譜特性

根據中國西北干燥、半干旱地區的玉米生長發育情況，通過田間樣點取樣和室內研究的方法，研究了不同生產階段冬小麥生理生化數據和冠層光譜反射率[8-9]。通過研究，冬小麥在冠層原始光譜反射率趨勢與不同生產階段基本相同，均在可見光波段反射率很低，分別在550 nm 和400 nm，670 nm 波段形成了1 個反射峰和2 個吸收谷，原因主要是基于葉片葉綠素對陸光的強烈反射，對藍色和紅光都具有強烈的吸收功能。在670 nm 后反射率急劇增大，在700～900 nm 的近紅外波束中產生了1 個反射率大于0.34 的高反射峰值，主要在起身期到抽穗期之間，冬小麥冠層覆蓋度變化較大，在不同層位的葉內對太陽光產生了多次反射，主要是由于葉片的細胞內部多次反射、散射引起的。在1 300～2 500 nm 的短波紅外范圍內，冠層原始反射率逐漸降低。但是，由于施氮量的提高，在700～1 000 nm之間的近紅外波束，在冬小麥冠層葉片密度增加，冠層結構變得更加復雜，使得近紅外部分的反射總量增加，光譜反射率增大，而在可見光350～670 nm區域內差異不顯著。

4 冬小麥遙感估產過程

對冬小麥的遙感技術估算過程，一般可以分成以下8個步驟[10]。

1）遙感信息的獲取與處理。遙感信息源的選用，首先要考察能否達到工藝要求，同時還要兼顧經濟性。

2）遙感估產區劃。冬小麥生長發育條件動態觀測和估算的遙感技術的一個重大應用，根據需要對自然環境條件、社會環境條件與冬小麥生長發育條件相同的地區進行劃分，優化了冬小麥生長發育條件的觀測與估測模型的建立。

3）地面采集點布設及觀測。遙感估產的數據大部分來自遙感數據，但僅僅依靠遙感數據獲取精確的冬小麥播種規模與數量是不夠的。必須從土壤中收集適當的樣品，用作遙感信息的補充與驗證。

4）建立數據庫。在遙感估產中，建立數據庫系統是一個相當關鍵的基礎工作。背景數據庫主要具有2 種功能：①農業遙感信息的劃分提供背景信息，以增強農業劃分的正確性。②在難以獲得農業遙感信息的狀況下，它可以支持模擬數據分析技術，從歷史數據和現實調查樣本中獲取的農作物數據加以處理，從而得出當年的農作物實際種植面積和產量數據。

5）冬小麥種植面積的提取。冬小麥播種面積的提取，是估算全國糧食作物生產能力的重要基礎。TM數據適用于對GIS 所支持的NOAA 數據的像素分解以及作物種子的提取數據的計算機自動分類。

6）冬小麥長勢及災害監測。檢測的主要手段，是通過植被指數的變動以及與歷史數據的對比，檢測各個生長季的植被指數。能夠準確掌握各個生長期冬小麥的發育狀況，并能夠根據發生狀態預測冬小麥的發育變化趨勢。

7）建立冬小麥遙感估產模型。建立估產模型是冬小麥產量估算的關鍵。

8）估算冬小麥總產并對其精度進行評估。通過遙感估算綜合技術估計冬小麥，由于"精度"可以代表了估算成果的可靠性，為保證結果的準確度水平，應該把各個環節錯誤的概率減至最小化。

5 冬小麥遙感估產的方法

在農業實踐中，植被指數一般作為判斷植物生長發育情況的重要指標。一個最基本的方法就是把植被指數特性與作物生產特性聯系起來，方法最好使用回歸方程，而模型試驗指標則可以采用模型擬合系數。

目前，遙感產量估算的方式主要包括統計建模（經驗模型）法、機理模型法、半經驗（半機理）模擬方法等。1）統計建模（經驗模型）法通過選擇能夠反映冬小麥生長發育階段的遙感技術特征的數據，如遙感植地系數、葉面積系數、植被的凈初級生產力等，從而構建出與冬小麥生產有關的數學模型，由于具有簡單、統計簡便的優點，因此比較普遍地運用在冬小麥遙感估產。2）機理模型法根據生物相似性原理，研究冬小麥生長與發育的物理機制、物理環境與自然因素等，以物理學規律的數學模型研究冬小麥生長與發育、產量形成的原理，并在某種假設情況下，形成對冬小麥估產的數值模擬模型，最常見的作物生長模式為DSSAT、WOFOST、CERES-Wheat 等[11-14]。機理模型的應用領域廣泛，但參數修正難度較大，在特定狀態下有些參數不能修正。3）半經驗（半機理）模擬方法。半經驗（半機理）模型相較于機理模型有所簡化，但是模型輸入中需要的2 個關鍵變量（光能利用效率、作物收獲指數），都難以在時空分布中進行準確地定量模擬。

統計模型法因為操作簡便，已成為迅速開展冬小麥遙感估產的重要常規方式，并獲得了廣泛應用。它主要通過建立關于植被指數和冬小麥產量的線性或非線性回歸方程，然后經過對比分析它們的相互關系，并選擇影響最大的植被指數和冬小麥產量的回歸方程，成為冬小麥生產預測模型。考慮到不同植物植被指數的共同作用，產量估算的準確性相對較低。近年來，機器學習算法被應用于建立作物性狀的遙感估測模式。其中，BP神經網絡、支持向量機和隨機森林算法能基于單一時相進行遙感分類并達到較高的準確率，有效解決了衛星影像有限的問題，同時打破了傳統方法中僅依靠波段反射率來實現信息提取的局限性，實現了冬小麥遙感識別最佳特征的優化。

6 冬小麥產量估算模型

國內外研究者在作物估產模型上已有深入的研究，針對冬小麥種植的區域環境差異研發出了不同的估產模型，具體可以分為直接和間接2 種類型（見表1）。江東等給出了基于人工神經網絡的農作物遙感估產模型[15]。朱再春等采用信息擴散方法，結合農業關鍵時期的遙感數據構建的冬小麥估產模式，更好地模擬了冬小麥在遙感估產中歸一化植被指數與產量之間的非線性關系[16]。程千等使用偏小二乘回歸法、支持向量機回歸法和隨機森林回歸3 個機器學習算法在估算冬小麥產量中，總結出RFR 模式有著良好的穩定性[17]。陶惠林等采用多元線性回歸的MLR 模型、隨機森林RF 模型在植物不同生長期的12 種光譜參數的產量估測，得出MLR 模型預測準確度更高，如挑旗期、開花期、灌漿期等，與產量相關最好的分別為TCARI/OSAVI、SR、TCARI/OSAVI。就生長期而言，效果最佳的是灌漿期[18]。林少喆等通過對比以植物含氮率、植物含水率、水氮耦合為中間參量構建估產模型，發現采用水氮耦合的高光譜估產模型準確率最高，模型最為穩定，在灌漿期時效果亦為最好[19]。而張松等比較直接與間接模型的精度，采用LAI、SPAD，地上干生物量作為中間量進行估產，對比表明采用LAI 構建的間接模型效果較好，而估產的最佳時間則是開花期[20]。

表1 冬小麥產量估測模型表

7 討論與展望

研究者們對農作物估產的研究成果不盡相同，今后要分生育期地考慮冬小麥產量預測，以更精確地掌握產量預測生育階段。另外，有些方面需要更深層次地研究，但由于冬小麥種類、生長期、生產地域的差異等原因，估產監測模型仍無法大范圍推進，因此必須盡量完善模型適用性，并研究提升模型精度的途徑，分生育時期進行生長指數的監測和估產模型的構建。在反演小麥產量方法中，農學參數也可借助一些生理生化指標來進行估產。

遙感技術在現代農業中的應用已獲得初步成功，而更進一步深層次的應用仍擁有著巨大的發展前景。因此，需要根據我國國內現階段和未來現代農業技術的發展趨勢，充分地開展農業長遠規劃研究和加強現代農產品應用同傳統遙感技術之間的聯系，從而利用現代遙感技術的巨大空間和農業科技資源優勢，對中國今后現代農業的發展將起到很大的促進作用。