遥感技术在作物生长监测与估产中的应用综述

刘 彦，关 欣，罗 珊，谢红霞

（湖南农业大学资源环境学院，湖南 长沙 410128）

遥感估产是根据生物学原理，在收集分析各种粮食作物不同光谱特征的基础上，通过卫星传感器记录的地表信息，辨别作物类型，监测作物长势，并在作物收获前，预测作物的产量的技术。该技术在对作物进行识别和提取播种面积的前提下，对长势进行监测并预报产量[1]。

传统作物估产采用人工区域调查方法，速度慢、工作量大、成本高。现代卫星遥感技术（以下简称遥感）具有宏观、快速、准确、动态的优点，目前已被广泛应用于各种粮食作物产量的估算之中。不同类型的作物波谱特性不同，依光谱数据的差异，在卫星照片上可区分出农田及不同的作物类型、并据此判断作物的生长状况，进行长势监测，进而对最终的产量进行预测预报[2]。主要的遥感监测方法和模型介绍如下。

1 国外研究进展

1.1 基本概况

利用遥感预测农作物的产量始于20世纪70年代，当时欧美的一些国家就已分别建立了自己的农作物长势遥感监测系统，及时提供作物生长信息[3]。目前，这些欧美国家均已建立了庞大的农作物业务化监测、估产系统。遥感技术也已形成多星种、多传感器、多分辨率共同发展的局面[4]。

YANG Xiao-Hua等提出遥感应用于农业检测的主要目标是一些特征值的估计，这种监测依赖于植物的光谱反射。改进测算方法通常要靠从特殊的狭窄波段获取的光谱信息，高光谱数据用分光辐射度计来收集。基于衍生反射的广义回归神经网络是最好的预测LAI和叶片叶绿素密度的模型[5]。

迄今为止，美国农业部的全球农业遥感估产系统、加拿大的全球作物监测系统和欧盟的MARS作物监测系统均获得了比较成功的应用。就农作物遥感监测运行系统而言，美国农业部国家农业统计局运行的国内遥感估产系统，以分层遥感抽样为主，而美国农业部外国农业局运行的全球遥感监测系统，可以对全球不同国家的粮食作物、棉花等农产品进行动态监测；欧盟建立的农作物估产系统用于实施欧盟区的共同农业政策，同时应用ERSI/2雷达数据估算东南亚地区水稻产量；此外，法国、德国、泰国、澳大利亚、巴西等国家也相继开展了作物估产工作，并取得了可喜的进展[6]。

1.2 基本模型

在运用遥感进行作物生长监测与估产中，首先要建立许多有关作物的生长模型，这一直是植物数学模型研究的重点之一。国外的作物生长模型出现于20世纪60年代，较有名的有荷兰的PS123模型（1992年开发），用于定量化土地生产力评价的普适模型，模型可适用于多种作物生产力计算。这一模型本身要求的参数较简单，且综合考虑了作物光合作用、呼吸作用及辐射、水分等因素的影响，以温度决定的发育阶段为控制变量，通过生长周期内按一定时间间隔循环计算得出作物生产力和产量。该系统的数据易于获取或估计，已在多个国家被修正和应用。荷兰作物模型的特点是强调作物模型的生物机理[7]。

国外不仅发展了不同的单产模型，而且还采用了不同的遥感资料估算作物的种植面积。如澳大利亚用陆地卫星MSS数据对新南威尔士的莫著毕季区双季稻种植面积的估算，精度达到98%[8]。

迄今为止，国外许多学者已成功建立了数百种遥感监测模型，包括农作物、森林等多种植物的数学模型。其中，美国建立的模型影响很大，如GOSSYM模型、SIMCOT模型等，特别是CERES模型，综合考虑了气象因子、土壤水分和土壤氮素对作物生长的影响，模拟的环境条件已经基本接近作物生长实际环境条件。专家利用CERES模型研制的DSSAT系统，已经在全世界数十个国家和地区推广和应用。STICS是法国科学家开发出的作物生长模型。该模型以天为时间步长,根据土壤水分和氮素平衡、气象数据以及作物管理措施模拟作物生长和发育状况[9]。

2 国内研究现状

2.1 基本概况

从1983年起，我国在农作物遥感估产方面的研究进展明显。从冬小麦单一作物估产发展到小麦、水稻和玉米等多种农作物遥感估产，从小区域到横跨11省市的遥感估产，均已建立了专业的遥感估产系统，如南京农业遥感分中心的南方水稻遥感估产系统，可准确进行农作物种植面积的提取、长势的动态监测、作物的识别和产量的预报等工作，为国家制定粮食政策提供准确和有效的保障。遥感技术与GIS、GPS和ES的结合，发展出了可实现作物生产的精确管理，提高作物产量和品质的4S一体化系统[4]，从而形成了具有我国特色的有效的农情速报与农作物估产技术体系，关键技术已达世界领先水平。但是农作物遥感监测需要长期的时间积累，需要知识、经验和技术的有机结合才能得到较好的成果[8]。

2.2 监测技术、方法

国内也已形成一系列农作物遥感监测的技术方法，构建了许多有关作物长势监测、产量及品质预测的业务运行系统。如中科院地理所和浙江大学分别建立了“江汉平原水稻遥感估产集成系统”和“浙江省水稻卫星遥感估产运行系统”实现了对水稻种植面积、单产和总产的预测预报；杨邦杰等建成了“中国农情遥感速报系统”，完成了对全国主要农作物的估产。吴炳方等通过年际间遥感图像的差值,以时序NDVI图像构建作物生长过程,实现了农作物生长过程监测,建立了农作物长势遥感监测系统[3]。

目前国内外均比较重视高光谱遥感技术，是因为它具有以下优势：（1）可以快速准确地获取农田作物生长状态的实时信息，为实施精准农业提供重要的技术支撑；（2）能够获取作物的叶面积指数,克服了传统方法的弊端，并减少对作物叶片的破坏性，从而实时、快速、准确地获取农田信息；（3）能够较好地监测叶绿素含量，叶绿素密度、植被红边特性以及其他色素含量等重要信息；（4）快速、无损和准确地监测叶片的碳氮比状况，有助于进行实时的生长诊断及管理调控，实现作物生产过程中的高产、优质和高效。我国有很多研究都是借助于这些方法对作物的生长、产量信息[10]等进行推算。

归一化植被指数NDVI是遥感监测地面植物生长和分布的一种好方法，它能较好抑制大气路径和观测方向的影响，即削弱大气层和地形阴影的影响，提高对土壤背景的鉴别能力。有学者提出采用基于周期性特点时间序列的谐函数处理方法，用于数据的平滑处理，去除云噪声的负面影响，而且提出了利用时序NDVI数据提取作物生长过程方法[11]。

2.3 基本模型

在建立模型方面，中国的学者也有许多成绩。高亮之等研制了适用于水稻形态发育的水稻钟模型，郑志明等以ORYZA为基础，建立了HDRICE，并对灌溉水稻的生长发育进行了模拟；严力蛟等利用氮行为模型ORYZA-0和Price（1979）规则系统数学优化程序的结合及通过田间试验获得的模型参数和生成元函数，模拟了氮在土壤—水稻中的运行轨迹；吕永成等提出了一种基于专家系统（ES）和GIS的水稻优质高产栽培计算机模拟优化决策咨询系统,并通过了测试与试验验证，取得了较好的效果[9]。

我国关于作物模拟方面的研究虽然起步较晚，但完善速度快。以往的研究大多集中于分析影像数据的光谱信息与水稻的LAI、生物量或产量间关系，然后建立回归模型。这在很大程度上受到时空条件的限制，遥感预测成熟期产量时往往会出现较大偏差，并且模型年际间变化也给遥感估产带来很多的不确定性。为解决这个问题，李卫国等提出定量遥感反演的方法，对生长模型相关参数的获取提供可靠的LAI、生物量、冠层温度等信息源[12]。

遥感与作物模型结合，实现作物生长的动态模拟和预报，是目前国内外关注的热点。通过遥感与模型的结合，估算出实际产量，通过作物模型模拟出潜在生产力，可分析出潜在生产力与实际产量间的差距。在此基础上,通过寻找限制当前产量的因素，可为提高产量提供政策建议和方法指导。宇振荣等对建立遥感—作物模拟复合模型的原理、方法进行了探讨，并在点上进行了校正。利用NOAA卫星遥感估算地面植物冠层温度并计算冠层与大气间温差，进而计算PS123模型所需作物实际蒸腾和水分胁迫系数，建立遥感—作物模拟复合模型PSX，从而可以在多点、不同土壤类型上，对区域作物产量及产量差进行估测和分析。利用PS-X模型进行产量估测,在平原地区的精度可达90%以上[7]。

考虑到遥感估产难以揭示作物生长发育和产量形成的内在机理，作物模拟在区域应用时初始值的获取和参数的区域化存在很多困难，有学者考虑将两者互补结合。马玉平等在Wofost模型本地化和区域化的基础上，首次利用同化法的思路探讨了MODIS遥感信息与华北冬小麦生长模拟模型结合的可行性和方法,初步建立了潜在生产水平（水分适宜条件）下区域遥感—作物模拟框架模型（WSPFRS模型），该研究为下一步实际水分供应条件下基于遥感信息的冬小麦区域生长模拟研究奠定了基础。但该研究涉及多个学科，很多环节、过程和模型都可能不够完善。如采用什么分辨率等问题均需继续深入细致探讨[13]。

为实现作物生长预测和精确管理，朱洪芬等提出了一套完整的基于遥感信息的作物长势监测模型，实现了对主要作物的生理和生化参数的定量化反演，将遥感监测模型与管理知识模型耦合，不再需要历史遥感图像的积累，即可在生长关键时期进行作物生长状况的监测和诊断。同时，建立了广适性作物适宜生长指标的管理知识模型，利用系统设计原理与组件化程序设计思想，为不同条件下作物栽培过程中的苗情诊断与生长调控提供了定量化的动态指标体系[3]。

为解决传统的作物生长模型难以模拟大田的实际产量的问题，宇振荣等提出利用遥感估算区域冠层温度，并计算水分胁迫系数，来近似估计作物实际生长速率和产量。因冠层温度与周围环境温度之差是作物气孔关闭的程度和与之相关的同化作用活性的一个指标，它不仅反映了土壤水分对作物生长的影响，在一定程度上也反映了其他因素对作物生长的影响[14]。

张建华在分析遥感估产、数值模拟估产方法的基础上，提出了新思路，即利用遥感与农业气象数值模拟技术相结合的办法来进行作物估产研究，这样能更好地大面积估产[15]。农作物单产估算数据作为遥感估产的主要产品之一，其估算可行性和精度的高低直接影响到粮食总产量的整体预测精度，同时也会影响到决策支持部门的认可程度。为此，有学者总结了五个基本思路：模型搜集整理、筛选与膨化、单点模拟与检验、空间外推与区域单产估算的技术过程[16]，从5个方面对其可信度和可行性作评价分析。

3 遥感在作物生长监测与估产中存在的问题及展望

与欧美国家相比，我国在运行农情速报与农作物估产技术体系时的规范化和可靠性不够。目前，监测范围仅限于国内的大宗作物，且监测信息的服务领域较少，主要限于国家决策部门，而欧盟则利用监测信息核查农业补贴的发放，美国用于指导农户生产[7]。

高光谱遥感技术获取的信息只反映了地表或作物群体表面瞬间物理状况，而作物生长发育和产量形成、个体与群体生长发育状况的关系、作物与气候土壤环境的相互作用等内在机制尚难以揭示,因此需加强遥感信息和作物模型的结合，推进其在作物监测中的应用研究,充分发挥二者的综合优势[11]。

在利用遥感估算区域冠层温度，并计算水分胁迫系数，来近似地估计作物实际生长速率和产量等方面，现有研究局限于对估算冠层温度的方法，建立遥感—作物模拟复合模型的基本原理，以及建立该模型所涉及的计算方法等的探讨，而利用遥感方法计算实际作物产量和整体研究方法还有待进一步的验证[15]。

在对遥感与作物模型结合的研究上，利用NOAA卫星遥感、PS123模型，建立遥感—作物模拟复合模型PS-X在实践中收到了好的成效。在此基础上，若能将高时间分辨率的静止气象卫星与极轨气象卫星结合，改进作物模型中的时间内插技术，将更有助于区域估产、产量差分析和早期预警应用，这有待进一步的研究[7]。

在遥感信息与作物生长模式结合的研究上，人们虽然取得了一些成果,但也存在一些问题。如，将遥感信息应用于模型时所需的多个参数和初始条件如何获取，遥感信息和农学以及生态学进行信息连接时的时空匹配问题如何解决，信息如何转换等，这些问题目前尚无系统的和成熟的结论，仍需做进一步的研究和探讨[9]。

现有的农作物长势遥感监测系统多偏重于遥感估产与监测，较少涉及作物长势诊断与调控功能，难以实现作物生长动态及营养和水分状况的实时诊断与调控。高空间分辨率遥感影像的时间分辨率较低，加之天气条件的影响，很难在作物生长的关键时期获取高质量的遥感影像。另外，农作物遥感监测系统的运行需要以大量历史遥感图像为基础，从而制约了其在农业生产上的应用与推广。目前，用来支持区域尺度的作物生长预测和精确管理的研究仅处于初级阶段，今后需进一步利用不同区域和时相的遥感图像及农学参数进行数据测试来完善之[3]。

作物单产估算的可行性和数据精度的高低直接影响到粮食总产量的整体预测精度，而相当一部分估产研究中，对单产估算的检验分析，常常以统计数据为精度衡量标准来评价单产估算准确程度。统计数据由于一些人为因素的干扰，与实际有出入，因此以统计数据作为检验精度的依据，会对精度的合理分析产生影响。此外，估产的重要作用就是在作物成熟收割前进行产量预报，此时的作物统计数据是不可得的，只能等作物成熟收割入库后才能得知，这样要及时检验估算产量的精度就无法实现[15]。

[1]关江东，王乃斌，杨小唤.我国粮食作物卫星遥感估产的研究[J].自然杂志，1999，21（6）：351.

[2]王建华.高瞻远瞩，粮食作物的卫星遥感估产 [J].百科知识，1999，（5）：18.

[3]朱洪芬，田永超，等.基于遥感的作物生长监测与调控系统研究[J].麦类作物学报，2008，28（4）：674-679.

[4]田丽萍，薛 林，等.遥感在作物估产中的应用[J].安徽农业科学，2007，35（3）：936-938.

[5]YANG Xiao—Hua，WANG Fu—Min，et al.Comparison Between Radial Basis Function Neural Network and Regression Model for Estimation of Rice Biophysical Parameters Using Remote Sensing[J].Pedosphere.2009,19（2）：176—188.

[6]李佛琳，李本逊，曹卫星.作物遥感估产的现状及其展望[J].云南农业大学学报，2005，20（5）：680-683.

[7]王纯枝，宇振荣，Driessen P M，等.基于遥感和作物生长模型的作物产量差估测[J].农业工程学报，2005，21（7）：84-87.

[8]郭建茂.基于遥感与作物生长模型的冬小麦生长模拟研究[D].南京：南京理工大学，2007.

[9]蒋阿宁，刘克礼，赵春江，等.基于遥感数据和作物生长模型的小麦变量施肥研究进展 [J].遥感技术与应用，2006，21（6）：601-603.

[10]李映雪，谢晓金，徐德福.高光谱遥感技术在作物生长监测中的应用研究进展[J].麦类作物学报，2009，29（1）：174-178.

[11]张 峰，吴炳方，等.区域作物生长过程的遥感提取方法[J].遥感学报 2004，8（6）：519-527.

[12]李卫国，王纪华，等.基于定量遥感反演与生长模型耦合的水稻产量估测研究[J].农业工程学报，2008，24（7）：128-130.

[13]MA Yu-ping，WANG Shili.Establishment of Winter Wheat Regional Sim ulation Model Based on Remote Sensing Data and Its Application[J].ACTA METEOROLOGICA SINICA，2006，20（40）：447-458.

[14]宇振荣，Driessen P M.基于遥感反演作物冠层温度的作物生长模拟和预报[J].中国农业大学学报，2003，（8）：71-75.

[15]徐新刚.遥感估产中农作物估算单产精度检验评价方法[D].北京：中国科学院，2004.