基于GF-1时序植被指数的水稻产量遥感估算

朱立昌

摘 要：为了建立基于农场尺度的遥感数据水稻估产模型，运用2016年安徽省盛农农场的GF-1/WFV影像获取3个水稻关键生育期（拔节孕穗期、抽穗扬花期和灌浆成熟期）数据，分析建立植被指数与产量之间的相关性，筛选各生育期的最佳植被指数，构建估产回归模型。结果表明：（1）不同生育期的最佳植被指数与估产模型不同：拔节孕穗期最佳指数MSAVI，模型为乘幂模型（R2=0.691）;抽穗扬花期为DVI，乘幂模型（R2=0.743）;灌浆成熟期为WDRVI，多项式模型（R2=0.592）。（2）用多元线性构建的水稻全生育期模型R2=0.708。

关键词：时序;植被指数;水稻;估产模型

中图分类号 S511 文献标识码 A 文章编号 1007-7731（2022）05-0146-04

Abstract： To establish a yield estimation model for rice based on farm-scale remote sensing data， GF-1/WFV imagery of Shengnong Farm in Anhui Province in 2016 was used to acquire data for three key rice fertility stages（the pulling and gestation stage， the tasseling and flowering stage， and the filling and maturity stage）， analyze the correlation between establishing vegetation indices and yield， screen the best vegetation indices for each fertility stage， and construct a yield estimation regression model. The results showed that：（1）the best vegetation indices and yield estimation models were different for different fertility stages： MSAVI for the pulling and gestation stage with a multiplicative power model（R2=0.691）; DVI for the tasseling and flowering stage with a multiplicative power model（R2=0.743）; and WDRVI for the filling maturity stage with a polynomial model（R2=0.592）.（2）Rice full-fertility model constructed with multivariate linearity R2=0.708.

Key words： Time series; Vegetation index; Rice; Yield estimation model

水稻是我國保障民生和经济发展的主要粮食作物之一，约占粮食作物种植总面积的29%[1]。传统水稻估产难以满足现代农业水稻估产中对稻田信息全面、实时、快速的获取[2]。遥感技术恰恰解决了这一难题，提高了监测的时效性、准确性及普适性，现已被广泛用于农业资源调查、农情长势监测、产量与品质预测等领域中[3]。近20年来，时序遥感技术引起了国内外学者的关注，在作物全过程监测预测中，针对植被指数的遥感估产领域占有重要地位[4]。植被指数是将遥感地物光谱资料经数学方法处理后获得用以反映植被状况的特征量[5]。高分一号卫星（简称GF-1）是卫星数据中应用最广泛的数据源之一，被广泛用于作物估产研究中[6-8]。刘雅清等[6]基于GF-1/WFV时序数据结合NDVI与NDWI指数，用决策树方法实现绿洲作物识别。孙姝娟[9]等用时间序列谐波分析平滑处理的GF-1/WFV EVI时序数据，构建了水稻信息识别的决策树模型。王正兴、郭妮等[10-11]指出用比值算法获得的NDVI以植被指数的饱和为代价来减少大气影响。本研究以马鞍山盛农农场GF-1/WFV多光谱数据为数据源，经波段组合提取22种植被指数并计算其与水稻生物量相关关系，比较指数、线性、对数、多项式、乘幂模型，优选决定系数后获得关键生育期最佳估产模型，最终建立关键生育期内的最佳植被指数与全生育期水稻产量的多元回归方程，构建全生育期水稻产量遥感估算模型。

1 材料与方法

1.1 研究区概况与供试材料 盛农农场位于安徽省东部马鞍山市（118°21′38″～118°52′44″E，31°46′42″～31°17′26″N），属于亚热带季风气候，年均温16.1℃，年降水量1060.7mm。研究区内作物为水稻、小麦、大豆和油菜。2016年水稻主要栽培品种为南粳46和镇糯19。

1.2 数据获取与处理 对比Landsat-8和GF-1的传感器特性，结合水稻生长特征，选择如表1所示的适时有较高空间分辨率的遥感影像数据。在种植密度为10cm×30cm的研究区内，选取不同品种和不同生长状况下分布均匀的采样点，共计116个，每个采样点附近采集4株长势一致的水稻植株。

1.3 研究指标 每块条田属一类，116个采样点计47类，取条田中采样点植被指数的平均值作为该类下的植被指数，选取的植被指数见表2。

以决定系数（Cofficient of determination，R2）、均方根误差（Root mean squared error，RMSE）作为估算模型的评价指标[12]。

2 结果与分析

2.1 关键生育期最佳植被指数的相关性 用拔节孕穗期、抽穗扬花期和灌浆成熟期的水稻不同生长阶段数据估产，如表3所示。由表3可知：拔节孕穗期内MSAVI均值与水稻产量的相关性为0.802，呈极显著相关;MERIS均值为0.463，为弱相关。抽穗扬花期内DVI均值与产量的相关性为0.848，呈极显著相关;MERIS均值为0.727，为显著性相关。灌浆成熟期内WDRVI平均值与水稻产量的相关性为0.986，呈极显著性相关，MERIS均值为0.915，呈极显著相关，但从整体来看相关性最低。

2.2 关键生育期水稻产量估算模型 优选关键生育期最佳植被指数，用回归分析构建各关键生育期基于最佳植被指数的产量模型，如表4所示。比较决定系数R2和均方根误差RMSE，确定关键生育期内的最佳模型。

2.3 关键生育期水稻产量估算模型验证 为验证估算模型的准确性，将20个验证样本的产量与实际产量进行拟合，如表5所示。均方根误差越小，精度越好;R2越高，精度越好。表中R2高，RMSE低，符合实际，可以验证关键生育期内模型选取的准确性。关键生育期水稻产量反演见图1。

2.4 全生育期的多元线性方程 因关键生育期最佳植被指数构建的水稻產量模型，估算全生育期水稻产量精度较低，而为保持精度稳定，将各时期最佳植被指数作自变量，产量作因变量，构建多元线性回归方程：

Y=-313.898x+167.678y+227.347z+143.191 （1）

式中，Y为预估产，x为MSAVI均值，y为WDRVI均值，z为DVI均值，RMSE为256.787，决定系数为0.708，F检验为38.138。

全生育期水稻产量反演见图2。

3 小结

本研究利用22种植被指数，基于2016年GF-1号WFV卫星影像数据，经筛选R2和RMSE，确定关键生育期的3种植被指数后建立了估产模型，并利用多元线性回归确定了全生育期的多元回归模型。研究结果可以为同类研究在选择植被指数时提供参考，也为水稻关键生育期快速估产提供科学方法。

参考文献

[1]孙利.中国的种植业概要[J].地理教育，2008（01）：15.

[2]李丹.基于MODIS数据辽宁省水稻面积提取技术及估产模型的研究[D].沈阳：沈阳农业大学，2016.

[3]苟喻.重庆市水稻估产要素及模型研究[D].重庆：西南大学，2015.

[4]赵兵杰.基于GF-1与Landsat-8的种植结构提取与产量估测[D].邯鄣：河北工程大学，2019.

[5]卫炜，吴文斌，李正国，等.时间序列植被指数重构方法比对研究[J].中国农业资源与区划，2014，35（1）：34-43.

[6]刘雅清，王磊，赵希妮，等.基于GF-1/WFV时间序列的绿洲作物类型提取[J].干旱研究，2019，36（03）：781-789.

[7]SONG Qian，ZHOU Qing bo. Mapping regional cropping patterns by using GF-1 WFV sensor data[J].Journal of Integrative Agriculture，2017，16（02）：337-347.

[8]魏鹏飞，徐新刚，杨贵军，等.基于多时相影像植被指数变化特征的作物遥感分类[J].中国农业科技导报，2019，21（02）：54-61.

[9]孙姝娟，李民录，王萍，等.基于GF-1/WFV EVI时间序列数据的水稻种植面积提取[J].福建农业学报，2018，33（06）：575-580.

[10]王正兴，刘闯，HUETE Alfredo.植被指数研究进展：从AVHRR-NDVI到MODIS-EVI[J].生态学报，2003（05）：979-987.

[11]郭铌.植被指数及其研究进展[J].干旱气象，2003（04）：71-75.

[12]陶惠林，冯海宽，徐良骥，等.基于无人机高光谱遥感数据的冬小麦生物量估算[J].江苏农业学报，2020，36（05）：1154-1162.

（责编：张宏民）