基于APSIM模型和遥感数据的冬小麦估产研究

贺付伟

(河南省商丘市气象局，河南 商丘 476000)

过去几十年，农作物生长状况监测和产量预测采用了多种方法。传统的作物估产方法主要包括统计估产法、农学估产法以及气象估产法等。常规的调查统计和农学估产方法需要对研究区域进行实地调研，不仅工作量大，而且大区域应用时需要较多的物力和人力，成本高昂。气象估产方法只考虑气象因子对产量的影响，难以满足大面积区域估产要求的精度。与传统估产方法相比，作物模型和遥感对地观测技术具有时效性强和准确性高等优点，在作物生长监测和产量预估中具有重要的应用价值。作物生长模型经过半个多世纪的发展，已成为评估气候变化、预测作物产量和评价资源利用效率的有效工具。然而，尽管作物生长模型可以输出作物日尺度的生长发育数据且机理性强，但其大多是单点模型，并且各地天气、土壤、作物状况由于下垫面不均匀导致数据获取困难，妨碍了作物生长模型对区域尺度作物生长状况的监测和产量预估。遥感对地观测技术因覆盖范围大、观测周期短、成本较低等优点，为及时、准确地监测大范围粮食作物生长情况和产量评估提供了一种有效的观测途径。但是仅仅使用遥感数据进行农作物监测和产量评估，无法解释作物生长发育和产量形成的机理及受环境影响的机制，且由于遥感数据易受不利天气的影响，难以获得连续的作物生长动态数据。因此，将宏观、快速、动态的遥感数据和作物生长模型结合，为提高区域作物估产精度提供了一种有效的解决途径。

1 材料和方法

1.1 研究区域

本文研究区域为黄淮海冬小麦主产区，见图1，包括河南、山东、河北南部、安徽和江苏北部共5个地区。研究区域为暖温带季风气候，夏季炎热多雨，冬季寒冷干燥。全年≥0℃积温4100～5400℃·d-1，由北向南逐渐递增，普遍能够满足冬小麦-夏玉米轮作要求的热量条件。本地区地域辽阔，小麦播期从北向南逐渐推迟，从10月初开始持续1个月播种结束。成熟期自5月底—6月中旬，由南向北逐渐推迟，个别地区可到6月下旬成熟，全生育期为220～250d。

图1 研究区域图

1.2 数据来源

1.2.1 气候和土壤资料

本研究使用的逐日气象资料来源于中国气象局科学数据共享网中国地面气候资料日值数据集(http://data.cma.cn/)。主要包含的气象要素日值数据有平均气温(℃)、最高气温(℃)、最低气温(℃)、降水量(mm)、日照时数(h)、风速(m·s-1)、相对湿度(%)。作物模型需要输入的土壤数据来源于农业气象试验站和中国土壤数据库(http://www.soil.csdb.cn/)，包括土壤容重(g·cm-3)、田间持水量(mm·mm-1)、凋萎系数(mm·mm-1)、饱和含水量(mm·mm-1)、土壤质地(砂、粉、黏粒的含量)和土壤有机碳含量(%)。

1.2.2 遥感数据

本研究使用2008—2018年的MODIS LAI数据产品为MCD15A3H。该数据产品为经过大气校正和几何校正的陆地4级标准数据产品，时间分辨率为4d，空间分辨率为500m。

1.2.3 种植面积和产量统计数据

本文利用的市级和县级种植面积和产量统计数据来自于统计年鉴。市级数据包含河南、山东和河北市级2010—2015年种植面积及单产、2008—2015年总产。县级数据包含河南2013—2017年种植面积及单产、2008—2017年总产。

1.3 研究方法

1.3.1 太阳总辐射的计算方法

APSIM-Wheat模型输入的气象数据需要逐日太阳总辐射数据，由于大多气象站数据不包括太阳总辐射观测数据，因此，本研究将日照时数转换为太阳总辐射，计算公式：

Ra=37.6×dr×(Ws×sinφ×sinδ+cosφ×cosδ×sinws)

Ws=arccos(-tanφ×tanδ)

式中，Rns是日太阳总辐射，MJ·m-2·d-1；a和b为经验公式，本文取0.25和0.5；Ra是碧空日太阳总辐射，MJ·m-2·d-1；dr是日地相对距离；ws是日照时角；δ是太阳赤纬；φ是当地纬度；J是年内的天数；n是每天日照时数，h；N是最大天文日照时数，h。

1.3.2 APSIM-Wheat模型

APSIM-Wheat模型主要输入数据包括土壤数据、气象数据、作物数据和管理数据，共选取黄淮海区域河北邢台、山东济阳、山东日照、河南南阳和河南商丘5个典型站点，输入的土壤数据包括各层土壤容重(g·cm-3)、饱和含水量(mm·mm-1)、田间持水量(mm·mm-1)、凋萎系数(mm·mm-1)、硝态氮和铵态氮含量(ppm)等。气象数据包括2007—2018年逐日最高气温(℃)、最低气温(℃)、降水量(mm)和总辐射(MJ·m-2·d-1)。本文选取“鲁麦21”作为黄淮海平原的代表品种，该小麦品种的APSIM参数设置如表1所示，包括控制冬小麦生育期的春化敏感系数、光周期敏感系数和灌浆到成熟期所需有效积温，产量控制参数包括每单位茎重谷粒数、最大谷粒重、潜在灌浆速率和光能利用率。管理措施设置如表2所示，包括冬小麦播期、播种密度、灌溉、施肥和播前土壤水分等。将APSIM模型输出的开花期LAI作为冬小麦生长季最大LAI(LAImax)，然后对LAImax进行归一化处理，将模拟产量和归一化LAImax进行回归，得到模拟产量和归一化LAImax的相关关系。

表1 小麦品种参数

表2 APSIM模型的管理设置

1.3.3 基于决策树分类法和MODIS影像数据提取冬小麦种植面积

在黄淮海平原4月下旬—5月上中旬(日序：93-133)期间，冬小麦达到抽穗期，此时叶面积指数LAI达到最大，为冬小麦LAI生长序列的波峰，与同期的作物LAI差异明显。随着冬小麦逐渐成熟，LAI逐渐降低，成熟期达到最低，与林地的LAI差异明显。

本研究对1月1日—7月1日(日序：1-181)的MODIS影像进行分析处理，获得基于像元的LAI时序数列，为减少异常值的影响，对每个像元时序数列进行滑动平均处理。根据LAI时序波谱曲线特征，MODIS影像中冬小麦种植区域提取规则设定如下：冬小麦抽穗期，即MODIS影像LAI时间序列最大值，发生在4月3日—5月13日(日序：93-133)，并设定冬小麦LAImax的最小和最大阈值(1.2～4.2)，区分冬小麦、建筑用地和其它作物；在6月27日(日序：177)LAI时序序列值设定阈值为1，高于设定的阈值，被视为林地，不作为冬小麦提取。

1.3.4 基于MODIS影像数据和作物模型估算产量

遥感估算的产量和归一化LAImax的关系方程可由以下公式得到：

YieldRemote=YieldSim

LAIMax_Norm_Remote=LAIMax_Norm_Sim

YieldSim=a×LAIMax_Norm_Sim+b

YieldRemote=c×LAIMax_Norm_Remote+d

式中，YieldRemote为遥感估算产量，kg·hm-2；YieldSim为模型模拟产量，kg·hm-2；LAIMax_Norm_Remote为遥感归一化LAImax，LAIMax_Norm_Sim为模型模拟归一化LAImax,其中a、b、c、d为线性回归拟合因子。

1.3.5 精度评价

将基于MODIS影像提取的冬小麦种植面积或者产量估算结果，使用ARCGIS几何分区统计功能将像元统计到县级和市级尺度，与统计数据进行对比分析比较，计算决定系数(R2)和均方根误差(RMSE)。R2越大，RMSE越小，MODIS影像提取的冬小麦种植区域或产量估算结果的数据精度越高。

2 结果与分析

2.1 黄淮海平原冬小麦种植面积提取结果验证

图2为基于MODIS影像数据的冬小麦种植面积提取结果和统计面积的比较。结果表明，在市级尺度上种植面积的提取结果和统计面积的复相关系数R2为0.7，回归系数为1.23，相对均方根误差(RMSE)为14.9万hm2，归一化相对均方根误差(NRMSE)为53%，在县级尺度上2者的复相关系数R2为0.7，回归系数为1.17，相对均方根误差(RMSE)为21.2千hm2，归一化相对均方根误差(NRMSE)为45%。市级尺度和县级尺度上均有较好的提取精度，可以满足后续研究的精度要求。

图2 基于MODIS数据和统计数据的市县种植面积比较

2.2 APSIM模拟的归一化LAImax和产量的关系

APSIM模拟的归一化LAImax和产量的相关关系如图3所示，二者关系达到了极显著，复相关系数R2=0.71。模拟产量随着归一化LAImax的增加而增加，每增加单位归一化LAImax值，模拟产量增加10371kg·hm-2。

图3 APSIM模拟产量和归一化LAImax的关系

2.3 基于遥感数据和作物模型的产量估算

将MODIS影像归一化LAImax代入APSIM模型模拟的产量和归一化LAImax关系方程中，得到黄淮海平原像元尺度的冬小麦估算产量，通过ARCGIS软件分区几何统计功能计算各个市县的总产和单产。

2.3.1 总产估算结果的验证

总产估算的验证结果如图4所示。结果表明，在市级尺度上二者的复相关系数R2为0.74，回归系数为1.17，相对均方根误差(RMSE)为95.4万t，归一化相对均方根误差(NRMSE)为54%；县级尺度上二者的复相关系数R2为0.76，回归系数为1.3，相对均方根误差(RMSE)为15.07万t，归一化相对均方根误差(NRMSE)为51%。验证结果反映总产的估计效果较好。

图4 基于遥感数据和作物模型估算的市县总产和统计结果的比较

2.3.2 单产估算结果验证

单产估算的验证结果如图5所示。结果表明，在市级尺度上二者的复相关系数R2为0.31，回归系数为0.88，相对均方根误差(RMSE)为2070kg·hm-2，归一化相对均方根误差(NRMSE)为34%；县级尺度上两者的复相关系数R2为0.46，回归系数为0.88，相对均方根误差(RMSE)为1664kg·hm-2，归一化相对均方根误差(NRMSE)为27%。综合各个统计量结果，相比于总产，单产的估算精度偏低。

图5 基于遥感数据和作物模型估算的市县单产和统计结果的比较

3 结论

3.1 黄淮海平原冬小麦种植面积提取结果验证

基于MODIS影像数据的冬小麦种植面积提取结果与统计市县级种植面积的对比验证结果均良好(R2均>0.7)，满足后续的研究要求。

3.2 APSIM模拟的归一化LAImax和产量的关系

APSIM模拟产量和归一化LAImax呈正相关关系，达到了极显著水平(R2=0.7)。

3.3 基于遥感数据和作物模型的产量估算

基于APSIM模型和MODIS影像数据估产模型的估产结果和统计市县产量的对比验证结果表明，总产验证的精度较好，单产验证的精度稍差。

4 讨论

4.1 种植面积和产量的验证结果讨论

本研究种植面积和总产的验证结果精度较为一致，而单产估计的精度较差，主要由于各个市县的种植面积差异较大，种植面积大的市县往往是种植面积小的市县的几十倍，而各个市县的单产差异相比较种植面积的差异较小，各个市县的总产主要由种植面积决定，总产的验证精度较少地受单产验证精度的影响。单产精度差的原因可能是MODIS影像空间分辨率低，混合像元多导致的。

4.2 与他人研究结果的对比分析

基于MODIS影像的冬小麦种植面积提取结果得知，河南冬小麦种植区域主要在东部，西部种植面积较小，山东中东部种植面积较小，西部种植面积较大，与前人的研究结果类似。

前人基于作物模型与遥感数据耦合估产时，部分研究会结合格点气象数据构建估产模型，以提高估产精度。本文基于APSIM模型和MODIS影像数据构建估产模型时，曾将气象数据和LAImax作为APSIM产量的影响因子，选取了LAImax和4—6月平均辐射、平均降水、平均最高温度、最低温度气象要素变量，与APSIM模拟产量进行相关分析，结果表明，LAImax、气象要素变量与产量都呈正相关关系，都达到了显著水平。气象要素等变量对APSIM模拟产量的影响程度共只占20%左右，而LAImax达到了80%，说明LAImax是影响APSIM模拟产量的主要因素，而气象要素等变量是次要因素。使用气象数据和LAImax，与仅使用LAImax相比，估算产量的精度仅提高了1%～2%左右。为了研究过程的简便，本文构建估产模型时，仅仅使用了LAImax，未使用格点气象数据，并未降低研究结果的精度。