作物产量预测的遥感方法

来源:用户上传      作者:

　　摘 要：粮食安全问题由于关系到国计民生而一直备受关注，粮食产量预测作为保证粮食安全的重要环节也同样不容忽视。长时间以来，很多研究者都针对此课题进行了广泛而深入的研究并取得了一定成果。遥感技术的快速发展为实现大规模的作物产量预测提供了快速、精确的方法。文章主要介绍了多源遥感数据融合技术、目前常用的遥感估产模型以及将遥感技术与作物生长模型同化进行作物产量预测的方法，并分析了遥感技术在作物产量预测上面临的问题，为遥感估产技术指出了未来的重点发展方向。
　　关键词：遥感技术;产量预测;多源遥感数据融合;估产模型;同化
　　中图分类号：S-03       文献标识码：A
　　DOI：10.19754/j.nyyjs.20190830016
　　前言
　　快速、精确的作物产量预测，对国家制定粮食政策，进行价格宏观调控，实现乡村经济的振兴以及粮食进出口贸易等都具有重要意义，也是我国研究者一直关注的重大课题。传统的对作物产量进行预测的方法主要有农学估产法、统计估产法以及气象统计法等，这些方法往往只适用于小面积估产。20世纪70年代以来，因为具有宏观、动态和快速等特点，遥感技术在农业生产上得到了广泛的应用，为农作物长势的监测以及籽粒产量的预测提供了有效的途径。
　　遥感估产是在分析处理遥感影像的基础上，提取作物的种植面积、获取其空间分布信息、光谱信息、植被指数，研究作物光谱特征和产量构成要素间的相关性，结合地理信息系统GIS和全球定位系统GPS，建立不同条件下作物的估产模型，实现对作物产量的预测。常用的植被指数有：归一化植被指数NDVI、差值植被指数DVI、比值植被指数RVI等。其中， NDVI是应用最为广泛的指标，其与作物的叶面积指数LAI相关性较好，在作物生长监测中常被用来反映作物的生长状况。
　　近年来，农作物遥感估产的研究获得了较大的突破，主要体现在：从田间小面积的作物估产发展到宏观大面积的作物估产;从只利用单一遥感信息源发展到多种遥感信息源的综合利用;从单纯建立光谱参数与作物籽粒产量间的统计模型，发展到将作物生长发育的机理过程也考虑进去，使作物产量的预测精度不断提高。其中，遥感技术与作物生长模型的结合，是未来进行大面积农作物生长监测和产量预测的研究重点和发展方向，而数据同化算法为二者的结合提供了有效手段。
　　1 多源遥感数据的融合
　　多源遥感信息的融合是对同一地区的多个传感器的扫描影像进行综合，通过互补信息的有机集成，实现单一信息源对被感知对象或环境解释中可能存在的多义性、不完全性、不确定性及误差的控制，从而最大限度的利用各种信息源所提供的信息，使遥感技术在特征信息提取、分类等方面的有效性得到提高。如將NOAA/AVHRR（低空间分辨率遥感影像）和Landsat-TM（中空间分辨率遥感影像）结合来提取水稻的种植面积，相比于农业统计数据，精度可以达到91.6%[1];王娣[2]在武穴梅川镇实验区内开展基于地面高光谱数据和无人机平台多光谱数据的水稻估产研究，发现利用主成分分析法获得的多平台综合估产模型与地面或无人机平台的最优模型相比，效果有一定提高。
　　2 常见的作物遥感估产模型
　　作物遥感估产技术大体可分为3个步骤：通过分析遥感影像数据估算作物种植面积;通过分析遥感影像数据提取作物相应的植被指数，以进行作物长势状况的监测;构建植被指数和作物产量以及其它气象、农学参数等资料的单产估算模型，再经过进一步的计算得到总产。目前，常见的遥感估产模型有以下3种，其中以遥感为主要信息源的综合估产模型最受关注。
　　2.1 植被指数与产量的统计模式及结合环境因子的统计模式  这种模式在早期主要是建立单个生育期的光谱指数和产量间的直接统计回归模型，机理性较弱;于是，Rudorff等[3]和侯英雨等[4]考虑到积温和降雨等气象因子，建立起光谱-气象复合模型，在一定程度上提高了估产的精度。近年来，由于各地区基于MODIS的作物产量预测基本实现了业务化的运行，因此采用逐步回归的方法筛选构建的基于冬小麦关键生育期旬NDVI与最终产量间关系的模型应用较广泛。此外，Osborne等[5]通过地面高光谱技术对玉米的生物量和氮含量指标进行了监测，并基于此构建了各生育期光谱数据和最终籽粒产量间的关系模型。随着这些研究的深入，作物产量的预测方法也得到了更为深入的发展。
　　2.2 产量构成要素预测模式
　　这种模式主要通过研究产量形成的生物学机理，以找到影响产量形成的主要因子及其发生作用的关键时期，并由此建立遥感信息与产量构成因子之间关系的动态模型。如：薛利红等[6]通过研究水稻生长发育特征及其产量三要素形成过程的生物学机理，建立了水稻冠层光谱特征、产量构成因子以及产量之间的相关关系。侯新杰等[7]对棉花产量形成关键时期的高光谱特征参数和产量构成因子进行了相关分析，发现棉花产量构成因子中单位面积总铃数、单铃重与红边参数等均有较好的相关性。
　　2.3 以遥感为主要信息源的综合估产模型
　　近年来，大量以遥感技术为主并结合其它技术的新型综合估产模型不断涌现，如将遥感技术与作物生长模型相结合的估产模式。杨星卫等[8]、王人潮等[9]在水稻的遥感估产研究中融入作物生长模型，得到了比较理想的结果。Moriondo等[10]将卫星遥感反演的NDVI数据和CROPSYST模型模拟的NDVI数据相结合来预测小麦产量，模型模拟值与实测值间的相关系数达到了0.77～0.73。Dente等[11]通过将CERES-Wheat生长模型模拟的叶面积指数与遥感反演的叶面积指数同化以改善区域小麦单产的预测，实验效果较好。王航等[12]通过同化和更新策略相结合的新算法耦合遥感信息和水稻生长模型（RiceGrow），以实现更精准的水稻产量预测。张建华[13]通过将遥感技术和农业气象数值模拟技术结合的新思路进行作物估产，有效提高了遥感估产的精度。 　　3 遥感技术与作物生长模型同化方法研究
　　数据同化算法能够将遥感观测数据与作物生长模型进行有效地耦合，是大尺度作物产量预测领域的研究热点，根据其原理可以分为基于统计估计理论的顺序同化方法和基于最优控制的全局拟合法。此外，作物生长模型参数最优估计的方法，包括SCE-UA、SA和POWELL算法等，也常被用于作物生长模型和遥感数据的同化研究。
　　3.1 顺序同化法
　　顺序同化法包括：最优插值、粒子滤波（Particle filter，PF）、Kalman滤波系列、集合卡尔曼滤波（Ensemble Kalman filter，EnKF）等，其中EnKF算法的應用最广泛。如：陈思宁等[14]应用EnKF算法将MODIS-LAI和WOFOST模型耦合来预测我国东北地区玉米的产量，结果显示，经过同化算法处理后模型模拟的玉米产量精度比未同化的模拟产量精度显著提高。黄健熙等[15]利用EnKF算法来同化修正后的MODIS反演的叶面积指数和WOFOST模型模拟的叶面积指数，使区域粮食产量的预测精度提高。
　　3.2 全局拟合法
　　全局拟合法主要是指变分算法，包括了三维变分3DVAR算法及四维变分4DVAR算法等。其中，以4DVAR算法的技术最为成熟，且应用较为广泛。如：解毅等[16]基于4DVAR算法，通过同化冬小麦主要生育时期CERES-Wheat模型模拟的和Landsat数据反演的LAI来对关中平原冬小麦的单产进行预测，发现同化算法能够充分结合模型模拟LAI和遥感反演LAI各自的优势，从而使小麦估产精度提高。
　　3.3 影响同化方法精度的因素
　　叶面积指数（LAI）可以指示作物截获太阳辐射能进行CO2同化及干物质积累的能力，是进行籽粒潜在产量评估的重要指标。目前很多同化估产研究通过同化遥感反演的LAI及作物生长模型模拟的LAI来预测区域作物的产量。除叶面积指数外，土壤水分、蒸散发（evapotranspiration，ET）、蒸发胁迫指数（ESI）和地上生物量等状态变量均和籽粒产量密切相关。因此，很多研究者采取同化多个与籽粒产量相关性较好的状态变量的方法来提高作物产量预测的精度。如：Huang等[17]在基于SCE-UA算法的MODIS-LAI、MODIS-ET和SWAP模型的同化研究中发现，同时同化MODIS-LAI和MODIS-ET对于冬小麦单产预测的精度要高于仅同化MODIS-LAI或MODIS-ET的预测精度。
　　然而，不同状态变量对产量预测的影响在作物的不同生长发育时期也是不同的。Anderson等[18]通过分析巴西2003—2013年间主要作物各生育期的ESI与预测产量之间的相关性，发现作物关键生育期的ESI和最终产量间的相关性最大。Huang等[19]及Dente等[11]均对小麦不同生育时期的LAI对于产量估测的影响程度进行了评估，得出了相似结论，即抽穗期的LAI和小麦产量间的相关性最大，成熟期LAI和籽粒产量间的相关性较低。因此，在作物的不同生育阶段选择同化与产量相关性较大的变量能够有效提高作物产量预测的精度。
　　4 问题与展望
　　多源遥感数据的融合对增加作物生长监测及产量预测准确性具有重要意义，但在实际应用中仍然存在一些难题，如试验误差的控制。大气效应、数据源质量、预处理效果等均会造成遥感数据有一定误差;而试验研究中遥感图像光谱的获取、地面光谱测量和理化测试等过程也是误差的来源。因此多源遥感数据的融合势必造成误差的叠加及传播，下一步的研究重点应放在如何有效地进行误差估计和减小误差对监测精度的影响上。
　　虽然将作物生长模型与遥感技术同化在作物产量预测上具有很大优势，但是由于作物模型在不同地区模拟，都需要当地的气象、土壤、作物的相关准确数据，从而保证模拟的结果准确可靠;而我国地域广阔，虽然为作物生长模型提供了非常大的应用空间，但是获取不同地点数据所耗的人力及物力也成为了其应用普及的阻碍。因此建议国家设立专门服务于这项技术的相关部门，为研究者提供准确的开放数据，以提高模型的适用性，同时也使其在农业资源的管理中发挥更大的作用。
　　区域大尺度作物长势及产量预测研究日益受到重视，大尺度的数据同化意味着计算量的增大，数据同化的效率渐已成为学者关注的重要问题，因此对同化算法进行改进和完善，提高其运行速度，增加同化模型的实用性成为必然趋势。
　　参考文献
　　[1] FANG Hongliang， WU Bingfang， LIU Haiyan，et al.. Using NOAAAVHRR and Land sat TM to estimate rice area year-by-year[J]. Int. j. remote sensing， 1998， 19（3）： 521-525.
　　[2] 王娣.高光谱与多光谱遥感水稻估产研究[D]. 武汉：武汉大学，2017：63.
　　[3] Rudorff B F T， Batista G T. Spectral response of wheat and its relationship to agronomic variables in the tropical region [J]. Remote Sensing of Environment， 1990，31（1）：53-63.
　　[4] 侯英雨，王石立.基于作物植被指数和温度的产量估算模型研究[J].地理学与国土研究，2002，18（3）：105-107.
　　[5] Osborne S L， Schepers J S， Francis D D， Schlemmer M R. Use of spectral radiance to estimate in-season biomass and grain yield in nitrogen- and water-stressed corn[J]. Crop Science， 2002， 42（1）：165-171. 　　[6] 薛利红，曹卫星，罗卫红.基于冠层反射光谱的水稻产量预测模型[J].遥感学报， 2005， 9（1）：100-105.
　　[7] 侯新杰，蒋桂英，白丽，等.高光谱遥感特征参数与棉花产量及其构成因子的关系研究[J].遥感信息，2008（2）：10-16.
　　[8] 杨星卫，薛正平，陆贤.水稻遥感动力估产模拟初探[J]. 遥感学报，1994，9（4）：280-286.
　　[9] 王人潮，黄敬峰.水稻遥感估产[M].中国农业出版社，2002.
　　[10] Moriondo M， Maselli F， Bindi M. A simple model of regional wheat yield based on NDVI data[J]. European Journal of Agronomy， 2007，26（3）：266-274.
　　[11] Dente L， Satalino G， Mattia F， et al. Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield[J]. Remote Sensing of Environment， 2008， 112（4）：1395-1407.
　　[12] 王航，朱艷，马孟莉，等.基于更新和同化策略相结合的遥感信息与水稻生长模型耦合技术的研究[J]. 生态学报，2012，32（14）：4505-4515.
　　[13] 张建华.作物估产的遥感-数值模拟方法[J].干旱区资源与环境，2000，14（2）：82-86.
　　[14] 陈思宁，赵艳霞，申双和，等.基于PyWOFOST作物模型的东北玉米估产及精度评估[J]. 中国农业科学， 2013， 46（14）：2880-2893.
　　[15] 黄健熙，武思杰，刘兴权，等.基于遥感信息与作物模型集合卡尔曼滤波同化的区域冬小麦产量预测[J]. 农业工程学报，2012，28（4）：142-148.
　　[16] 解毅，王鹏新，刘峻明，等.基于四维变分和集合卡尔曼滤波同化方法的冬小麦单产估测[J]. 农业工程学报，2015，31（1）：187-195.
　　[17] Huang J， Tian L， Liang S， et al. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model[J]. Agricultural and Forest Meteorology， 2015（204）：106-121.
　　[18] Anderson M C， Zolin C A， Sentelhas P C， et al. The evaporative stress index as an indicator ofagricultural drought in Brazil： An assessment based on crop yield impacts[J]. Remote Sensing of Environment， 2016（174）：82-99.
　　[19] Huang J， Ma H， Su W， et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2015， 8（8）：4060-4071.
转载注明来源:https://www.xzbu.com/1/view-15016525.htm