基于多时相MODIS-RVI的玉米遥感估产研究

安 秦，陈圣波*，孙士超

（1.吉林大学 地球探测科学与技术学院，吉林 长春 130026）

传统的农业产量预测方法效率低、人力物力投入大，而遥感技术具有不直接接触观测目标的特性，使其在农作物产量估算方面具有独特优势。随着遥感技术的发展，其在作物估产研究中发挥着越来越重要的作用[1]。根据原理可将遥感估产模型分为经验统计模型、光能利用率模型、作物生长模拟模型以及耦合模型4类，本文采用经验统计模型。

在遥感估产模型研究的起步阶段，应用最广泛的是经验统计模型，其原理简单、数据容易获取，且在区域估产中精度高，现在依然被广泛使用。王人潮[2]等分别使用RVI和LAI建立了水稻产量预报模型；李卫国[3]等将气候条件加入使用NDVI、RVI建立的回归模型中进行综合分析，建立了小麦的遥感估产模型；范莉[4]等以重庆三峡库区为研究区，根据NDVI与作物产量之间的相关关系建立了水稻的遥感估产模型；秦元伟[5]等分别利用像元RVI和NDVI建立了山东省广饶县的冬小麦遥感估产模型；李建龙[6]等改善了上述遥感估产模型，在张家港市进行了地面调查单产实验，建立了关于NDVI的农作物估产模型，证明了估产算法的有效性。以上研究多以NDVI、RVI、LAI等植被指数为研究对象，大多使用的是单生育期影像，利用多生育期复合的估产研究也相对较多，但使用RVI的多时期复合数据对玉米进行估产的研究较少，本文利用MODIS遥感数据提取RVI，并结合多时相遥感估产方法，开展了吉林省德惠市玉米估产研究，以期使该地区的玉米估产工作更加宏观、高效、动态和准确。

1 研究区概况

吉林省地处东北地区中部，属于北温带湿润—干旱季风气候，年平均降水量为400～800 mm；主要作物包括水稻、玉米和大豆等。本文以吉林省德惠市为研究区，德惠市地处吉林省中北部。

2 数据来源

2.1 遥感资料

MODIS是一款低分辨率成像光谱仪，具有全球免费、光谱范围广、更新频率高等特点，在农作物长势检测和产量估算等方面具有较大优势。本文采用的MOD09Q1 250 m地表反射率8 d合成产品，来源于地理空间数据云网站接收的数据。根据吉林省德惠市的实际情况，在MODIS数据分区块中选择h26v04、h27v04两个投影块。

本文选取了地理空间数据云网站提供的2016年玉米拔节期、抽雄期、乳熟期以及成熟期的MODIS晴空影像，对影像中采样点的植被指数数据和实际产量数据进行统计分析，用以建立预估模型，并利用验证点的玉米产量数据验证模型精度。

2.2 玉米生育期资料

吉林省玉米生育期对应时间如表1所示，4月20 日～7月1日为出苗期，7月1日～8月10日为拔节孕穗期，8月10日～9月20日为灌浆成熟期。研究表明，绿色植物光合作用产生的干物质量在拔节孕穗期是最多的，灌浆成熟期相对减少，出苗期最少[7]，因此玉米的最佳估产时间在7～9月。本文选择拔节期、抽雄期、乳熟期和成熟期4个时期进行估产实验。

表1 吉林省玉米生育期对应时间表

3 研究方法

3.1 植被指数选取

植被指数是利用植被光谱数据生成线性和非线性组合的光谱指数。光谱指数可有效减少其他因素的影响，从而达到增强感兴趣地物信息的目的。植被指数在模拟地表生态过程的变化方面具有重要意义。

RVI是绿色植被的灵敏指示参数，可充分表现绿色植被在近红外和红光波段反射率的差异，达到增强植被与土壤背景辐射差异的目的。RVI与叶干生物量、叶绿素含量相关性较高，可利用该指数检测和估算绿色植被的生物量。但RVI受植被覆盖度的影响，植被覆盖度较高时，RVI对植被非常敏感；而当植被覆盖度低于50%时，RVI的敏感性会明显降低。RVI还受大气条件的影响，大气效应将很大程度地降低其检测植被的灵敏度，因此在使用遥感影像获取RVI数据前需进行大气校正处理。RVI的计算公式为：

式中，B1、B2分别为红光波段和近红外波段的反射率。

3.2 回归方法

对MODIS数据进行预处理后，提取出采样点的植被指数数据，并通过对植被指数进行分析选择估产的最佳时相；再将生育期采样点的植被指数与实际产量数据进行线性回归[8]，获得二者之间的回归关系；最后对所得到的预测结果进行精度验证。

回归分析是统计学中常用的方法之一，通过分析得到因变量与自变量之间的数学关系表达式，并通过统计学理论对得到的关系进行验证。根据这种拟合关系可获得地物的潜在规律，并对其发展趋势做出预测。

4 预测结果与精度评价

4.1 相关性分析

本文通过比较分析相关系数（R2）和均方根误差（RMSE）来选择玉米产量最优的遥感拟合模型。R2称为拟合程度，是判定回归方程效果的一个很好的度量，其范围是0～1，越接近1，回归效果越好。RMSE[9]用以检验模型的预报能力，一般值越小，模型精度越高，预报能力越好。RMSE的计算公式为：

式中，yi为统计单产值； yi'为估计单产值；n为样本数量。

4.2 玉米估产模型建立

为了获得精度较高的玉米估产模型，本文分别建立了玉米单生育期和多生育期的估产回归方程。单生育期估产模型选择的线性回归方程包括一元一次函数、指数函数、对数函数、幂函数和二元一次函数5种类型；多生育期估产模型选择多元一次方程作为线性回归函数类型。单生育期5种回归类型中相关性最好的模型以及多生育期模型见表2。

表2 研究区玉米各生育期模型回归方程

可以看出，采用不同生育期的RVI建立估产模型得到的结果不同。模型l～4是利用单生育期的RVI数据建立的回归方程，其中模型2的拟合系数为0.636，RMSE为8.48，表明利用该模型进行估产预测效果较好。通过多生育期的组合可提高模型的预测精度，其中利用拔节期和抽雄期两个生育期的RVI进行回归所得模型的R2为0.824，RMSE为7.73；利用拔节期、抽雄期和乳熟期3个生育期的RVI进行回归所得模型的R2为0.825，RMSE为7.61；利用拔节期、抽雄期、乳熟期和成熟期4个生育期的RVI进行回归所得模型的R2为0.826，RMSE为7.51。3个多生育期复合模型的拟合系数均达到0.8以上，表明模型相关性高；RMSE均在10以下，表明模型良好。由于模型1、模型3与模型4的R2偏小，因此不再对这3个模型进行分析，只验证剩余的4个模型。

4.3 模型的验证与选择

本文通过2016年16个验证点的实测产量与模型产量之间的相对误差值来验证模型精度。模型预测结果的散点图如图1所示，相对误差图如图2所示。

由图1可知，模型5、模型6和模型7的拟合程度较好，各验证点的相对误差值分布较接近1∶1的参考线，这3个模型均为多生育期模型。由图2可知，模型6获得的预测值与实测值之间的相对误差均在10%以内；模型2的相对误差值较大，有5个点的玉米产量预测相对误差超过了10%。因此，本文选择模型6作为吉林省德惠市玉米估算模型。

图1 各模型玉米验证点单产预测结果散点图

图2 各模型玉米验证点单产预测结果相对误差图

5 结 语

玉米是吉林省的主要作物，寻找一种便捷、高效、低成本的玉米估产方法是现代农业的需求。本文利用光学遥感数据（RVI）的多时相数据对研究区的玉米产量进行了估算。

1）研究区内玉米单产与RVI之间存在较好的相关关系，利用该关系建立玉米估产模型是可行的。

2）通过研究发现，由单生育期的RVI数据获得的玉米估产模型精度较低，而利用多生育期组合模型建立的估产模型可大幅提高模型精度。模型选择和精度验证过程表明，利用拔节期、抽雄期和乳熟期3个生育期的数据共同建立的玉米产量估算模型的结果最好，验证点的相对误差最小。

本文研究只使用了2016年的玉米产量数据，获得的产量估算回归函数还需利用多年数据进行修正和完善，才能获得精度更高的估产模型，进而应用于实际生产中。总体来说，本文对于吉林省德惠市玉米产量的估算有一定的指导意义。

[1] 陈水森,柳钦火,陈良富,等.粮食作物播种面积遥感监测研究进展[J].农业工程学报,2005,21(6):166-171

[2] 王人潮,王珂,沈掌泉,等.水稻单产遥感估测建模研究[J].遥感学报,1998,2(2):119-124

[3] 李卫国,王纪华,赵春江,等.基于遥感信息和产量形成过程的小麦估产模型[J].麦类作物学报,2007,27(5):904-907

[4] 范莉,罗孳孳.基于MODIS-NDVI的水稻遥感估产:以重庆三峡库区为例[J].西南农业学报,2009,22(5):1 416-1 419

[5] 秦元伟,赵庚星,姜曙千,等.基于中高分辨率卫星遥感数据的县域冬小麦估产[J].农业工程学报,2009,25(7):118-123

[6] 李建龙,刚成诚,干晓宇,等.利用“3S”技术估测张家港市主要农作物生产力[J].江苏农业科学,2010(6):512-515

[7] 张树文,郑洪来,赵华昌.长春净月潭遥感实验区玉米遥感估产模式研究[J].遥感技术与应用,1995,10(2):14-19

[8] Thenkabail P S, Ward A D, Lyon J G.Landsat-5 Thematic Mapper Models of Soybean and Corn Crop Characteristics[J].International Journal of Remote Sensing,1994,15(1):49-61

[9] 彭代亮,周炼清,黄敬峰,等.基于抽样调查地块实测数据的省级水稻单产遥感估算[J].农业工程学报,2011,27(9):106-114