基于MODIS NDVI的冬小麦收获指数遥感提取

刘剑锋， 方 鹏， 陈 琳， 张喜旺

(1.黄河水利职业技术学院，河南开封 475004； 2.河南大学黄河中下游数字地理技术教育部重点实验室，河南开封 475004)

收获指数(harvest index)是影响农作物产量十分重要的理化参数，也是诸多作物估产模型的关键参数之一。作物收获指数是农作物在收获期的籽粒总质量和作物总生物量的比值，反映了作物光合同化产物在籽粒和营养器官上的分配比例。根据作物生理学理论，生物量表示作物生理潜力，籽粒质量由籽粒库容限定，所以收获指数标志着经济产物与同化产物的效率，也反映了源的生理效能，源、库、流在一定程度上会影响作物的产量。现代小麦育种不断关注小麦收获指数与小麦生物量的关系。一些研究表明，收获指数与产量之间是正相关的，收获指数不断提高也会促进小麦产量的增长。因此，关注和研究冬小麦收获指数，对于准确理解冬小麦生理机制和冬小麦增产、估产具有重要意义。

传统农业大多通过实地测量方法获取小麦收获指数，这种方法费时、费力、效率较低而且难以大范围获取小麦收获指数。也有部分学者通过气象资料分析构建冬小麦气象模型来计算收获指数。这种方法综合考虑了各个气象因素对收获指数的影响力，但是需要大量的年际气象累积数据，而且能否适用于小区域还有待验证。除此之外，更多的农业研究者关注的是小麦生长自然环境、遗传基因等因素对小麦收获指数的影响，而鲜见利用遥感技术提取小麦收获指数。

遥感技术的快速发展为诸多研究领域提供了新的研究手段，但国内外利用遥感数据提取冬小麦收获指数的文章偏少，可用模型精度也不高。Moriondo等通过分析冬小麦开花期至成熟期和出苗期到开花期的归一化植被指数(NDVI)变化关系，建立了收获指数与NDVI的模型，但侧重考虑生长过程中温度和水的负面影响，因此适应水分胁迫较大的地区，对于其他区域的效果有待验证。Walter等采用新颖的摄影测量方法，通过数字摄影相机和相关软件建立小面积的小麦3D点云图来预测生物量、植株高度、收获指数，取得了较好的效果。但摄影相机成像区域较小，难以大面积推广。Richards等通过对干旱环境下冬小麦生物量、叶面积、收获指数等关系的分析，提出了一种非线性的模型来计算收获指数，因此适用于干旱环境，且具有经验偏差。Li等综合分析了现有的几类冬小麦收获指数反演模型在不同土壤氮肥条件下的反演精度，指出了利用NDVI反演冬小麦收获指数是最可行的。任建强等基于NDVI时序数据，提出了一种冬小麦生殖阶段与营养阶段比值的收获指数参数模型，但该模型忽略了冬小麦生殖生长阶段的籽粒质量也是总生物量的一部分，也导致了反演结果偏低。

总体而言，国内外利用遥感卫星数据提取冬小麦收获指数的研究偏少，精度普遍偏低。为了改进收获指数遥感反演模型，提高利用卫星数据反演冬小麦收获指数精度，从而更加深入地解析遥感数据与收获指数的关联机制，本研究依据前人研究基础，提出了一种新的构建收获指数的参数模型，建立了参数模型与实测数据的定量关系，以期为冬小麦收获指数遥感反演工作提供思路。

1 研究区与数据

1.1 研究区

馆陶县地处华北平原，与山东省接壤，临近河南省，地理位置为36°46′35″～36°27′8″N，115°7′12″～115°28′ 5″E，总面积456 km。馆陶县属于古河道冲积平原，地势西南高，东北低，平均海拔约为 40 m。县内有卫运河和章河流经，卫运河县界内全长40.5 km，章河全长4.2 km，属季节性河流。气候为典型的暖温带半湿润大陆性季风气候，夏季炎热干燥，冬季寒冷，日照充足，四季分明，年平均气温14 ℃，全年无霜期200 d，年日照2 557 h。良好的自然条件和气候条件，使其成为华北平原重要的冬小麦种植区(图1)。

1.2 数据

1.2.1 遥感影像数据 本研究所使用的遥感影像数据为16 d合成的MODIS13Q1 VI数据，来源于美国地质调查局(USGS，https：//earthexplorer.usgs.gov/)，选取250 m分辨率的NDVI。该数据采用限定视角内最大值合成法(CV-MVC)，在合成时间段内拥有更大的NDVI像元值、更小的观测视角、更接近星下点，并且能最大程度地减小双向反射的影响，使合成的NDVI数据精度更高。时间段分别为2015年10月16日至2016年6月25日、2016年10月16日至2017年6月25日、2017年10月16日至2018年6月25日。每期数据16景影像，共计48景影像。

1.2.2 实测收获指数 本研究采用2016年、2017年、2018年连续3年的地面实测收获指数数据。考虑到MODIS 13Q1 NDVI数据的空间分辨率为 250 m，研究区内设置10个边长为250 m的大样方，每个样方内设置5个样点。每个样点实测种植密度并取10株样本，烘箱设置温度为105 ℃杀青1 h，再用80 ℃烘干24 h至恒质量，得到小麦的所有干质量生物量。通过实测每株的籽粒质量和生物量获取实测收获指数。

1.2.3 冬小麦空间分布 基于外业调查资料，利用Landsat遥感影像进行冬小麦种植区识别，获得2016—2018年的河北省馆陶县冬小麦种植区分布数据。

2 研究方法

2.1 时序数据平滑处理

MODIS NDVI虽然经过最大值合成，但提取的时序数据噪声依然很大，呈现明显的锯齿状波动，从而影响定量反演冬小麦收获指数的精度。针对这种情况，经比较现有方法的优缺点，本研究选取Savitzky-Golay滤波对时序数据进行平滑处理，以便更清晰地描述冬小麦生长关键时期时间序列特征曲线的变化。处理模型如下：

(1)

式中：+是拟合之前的第(+)个NDVI时间序列数据；′是拟合之后的NDVI时间序列数据；为滑动窗口的宽度；为滤波器长度；为滤波卷积系数。

2.2 模型构建

2.2.1 模型理论基础 从作物生理学角度看，作物收获指数是收获期籽粒总质量和作物地上总生物量的比值，实质上反映了作物干物质在籽粒和营养器官上的分配比例。冬小麦在一个生长周期内要经过漫长的生长阶段，其中返青期至开花期、开花期至乳熟期是最重要的2个生长阶段。返青期至开花期阶段，小麦营养生长器官发育完善，奠定了小麦生长过程的生物量基础；而在开花期至乳熟期阶段，小麦营养生长器官发育达到极致后，小麦干物质逐渐集中到籽粒部分，这是小麦产量形成的关键阶段。基于这2个关键阶段开展收获指数研究成为探讨遥感反演方法的焦点。

2.2.2 现有模型存在的问题 国内外相关研究不多，本研究对现有收获指数模型进行合理改进和优化，提出了一种新的模型，以期实现模型在精度方面的提升。

目前城建模型如公式(2)、公式(3)所示。

=-×(1-/)。

(2)

式中：为收获指数模拟参数；为理论最大收获指数，取值0.48；为收获指数最大值和最小值之差，取值0.18；为开花期到成熟期NDVI均值；为返青期到开花期NDVI均值。该模型考虑到冬小麦生长过程水分胁迫对收获指数的影响，因此最大收获指数当作某一常数以减轻水分胁迫带来的负面影响。然而，该模型的区域适应性不足，且获取困难。

=∑/∑NDVI。

(3)

式中：为收获指数模拟参数；∑为冬小麦开花期到乳熟期的NDVI累计值；∑为返青期到开花期的NDVI累计值。该模型依据冬小麦生长阶段的时序NDVI累计值计算收获指数，在区域尺度获取冬小麦收获指数也是可行的。然而，只考虑到生物量与营养生长阶段有关，而忽略了生殖生长阶段所产生的籽粒质量也是生物量的一部分这一关键问题。

2.2.3模型构建 基于上述分析，根据作物生理学和农学理论，冬小麦地上总生物量不仅包括营养生长阶段的干物质在茎杆部分的分配，还包括生殖生长阶段的干物质在籽粒部分的分配。因此，利用与+的比值建立的参数模型，不仅具有严谨的理论基础，而且实际反演冬小麦收获指数时更加简单易行。

由于NDVI与生物量之间的相关性，以及现有模型的经验，本研究依照冬小麦生长期内营养生长阶段和生殖生长阶段的时序NDVI特征曲线的变化，建立参数模型，公式如下。

(4)

式中：为收获指数模拟参数；是冬小麦开花期至成熟期的NDVI均值，用以表征冬小麦生殖生长阶段生产的籽粒质量；是冬小麦返青期到开花期的NDVI均值，用以表征冬小麦生长阶段的生产生物量。

3 结果与分析

3.1 提取模型参数

利用平滑后的2016年和2017年的NDVI时间序列，基于收获指数参数模型(2)、(3)、(4)计算得到冬小麦收获指数模拟参数，如图2、图3、图4所示。

经统计，在上述2期的收获指数空间分布图中，模型(2)所提取的收获指数范围为0.35～0.65，模型(3)提取的参数范围为0.36～0.65，模型(4)提取的参数范围为0.43～0.66。由于模型都是依据NDVI时间序列数据变化来响应冬小麦营养生长阶段和生殖生长阶段的变化，都具农学理论支撑，所得数据基本合理。

3.2 模拟参数与实测值的拟合

基于上述计算结果，以样方为基础与实测值进行回归分析，探测各模型的拟合程度，结果如图5、图6、图7所示。

由图5可知，基于模型(2)的模拟参数与实测收获指数的拟合结果，2016年为0.289 3，2017年为0.302 1。总体而言，利用模型(2)反演得到的收获指数具有一定的精度，但是并不高。该模型最初是由Moriondo等提出并将其应用到意大利格罗塞托省和福贾省的小麦收指数研究。该区域气候类型为典型的地中海气候，夏季炎热干燥，降水较少，小麦受水分限制较大；冬季温和多雨，适合小麦生长。与我国华北平原相比，该区域在冬季气温偏高，降水较多，具有良好的小麦生长条件，且该区域种植的冬小麦没有返青期，因此该模型应用到华北平原冬小麦种植区域的收获指数反演时精度偏低。

图6、图7为基于模型(3)和(4)得到的模拟参数与实测收获指数的拟合结果。2016年分别为0.389 2和0.423 0；2017年分别为0.590 4和0.676 6。

与模型(2)相比，模型(3)和(4)侧重考虑了冬小麦的生长机制和农学基础，根据冬小麦NDVI曲线变化与冬小麦生物量变化的关系来构建收获指数反演模型，具有较强的理论支撑。因此，拟合优度有了很大的提高。而且模型(4)在模型(3)的基础上进行了改进，具有更加严谨的农学依据。

综合上述分析可知，本研究构建的参数模型与实测收获指数数据拟合程度最高，其最高达到0.676 6。进而证明了参数模型反演收获指数的优越性。

3.3 预测模型建立

根据2016—2017年实测数据以及的计算结果，构建预测冬小麦收获指数的线性预测函数，如式(5)所示。

=0057 2+0511 2。

(5)

式中：为预测的收获指数；为从时序数据中提取的参数。

3.4 收获指数空间分布

根据模型(4)计算得到的2018年研究区冬小麦模拟参数，带入公式(5)中，并以冬小麦种植区为掩模，提取得到2018年馆陶县冬小麦收获指数空间分布，如图8所示。可以看出，2018年的冬小麦收获指数范围主要集中在0.53～0.54，与2018年实测的馆陶县冬小麦收获指数数值分布基本一致，反演精度较高。从空间分布情况看，中部较高，四周偏低；北部冬小麦收获指数比南部冬小麦收获指数高。

将2018年实测的冬小麦收获指数与预测结果进行分析，结果如图9所示。可以看出，预测结果与2018年实测的收获指数呈现出明显的线性关系，为0.632 9。分析结果表明，通过参数模型建立的2018年冬小麦收获指数模型能很好地反映实际的收获指数情况。

4 结语

利用遥感技术开展作物收获指数的研究尚不够成熟，目前的研究精度普遍不高，因此很有进行深入研究的必要。本研究依据农学和作物生理学原理，利用冬小麦营养生长阶段与全生育阶段的NDVI均值之比，作为构建与收获指数相关的参数模型，相对于现有模型，理论上更加合理。从验证结果看，该模型反演精度也最高，为今后的冬小麦收获指数反演提供了一种可行的方法。

但是在利用遥感技术反演冬小麦收获指数时，还应注意以下问题：(1)目前国内外对于收获指数的研究很少涉及到作物生长环境因素对作物收获指数的影响，如气温、降水、蒸散发等环境因素。在今后的研究中应加以重视。(2)MODIS13Q1 NDVI虽然经过最大值合成法处理，但依然存在一定的精度问题。通过Savitzky-Golay滤波对NDVI时间序列数据进行平滑，剔除部分异常值，获得更接近实际的冬小麦时序特征曲线对于研究收获指数具有明显的益处。最后，本研究提出的研究方案，从理论上来讲，也可用于玉米、水稻、高粱等粮食作物，有待进一步研究。