基于综合指标的农作物长势遥感监测研究——以松嫩平原为例

赵 鑫，那 晓 东

(寒区地理环境监测与空间信息服务黑龙江省重点实验室/哈尔滨师范大学，黑龙江 哈尔滨150025)

0 引言

世界人口的不断增长以及气候的不断变化带来严重的全球粮食安全问题，及时获取农作物长势信息对农业生产预警、农业政策抉择以及农作物产量估算等具有重要意义[1-5]。近年来，基于光学遥感卫星影像提取的归一化差异植被指数(NDVI)、增强植被指数(EVI)等突破了田间观察的时空限制[6-9]，成为农作物长势监测的重要指标[10-14]。然而，以往相关研究多基于单一的植被指数结合阈值法评价农作物长势，具有一定主观性且监测精度略有不足。为此，Teng提出基于差值模型的农作物长势监测方法：将待监测年份植被指数与历史时期植被指数数据集的平均值进行对比，以反映实时的农作物长势[15]。我国学者针对不同的农作物类型分别构建了多年平均植被指数数据集，并采用差值模型对玉米、水稻以及大豆等农作物的长势状况进行监测与评估[3,16,17]；张春兰等为解决植被指数选取较单一的问题，通过多个农作物长势参量表征冬小麦长势状况[18，19]，但研究时段较短(两年)，且长势参数的普适性及其在大范围区域的适用性有待进一步验证。

综上，目前研究多利用单一指标进行农作物长势监测，基于综合指标进行农作物长势监测的研究相对较少，且多数研究时段较短。因此，本文提出一种新的农作物长势综合监测指标GI (Growth Index)，通过建立松嫩平原近20年的历史综合植被指数数据库对该指标进行验证，并与产量数据进行对比分析，从而利用松嫩平原遥感影像快速获取该区域农作物长势信息。

1 研究区与数据

1.1 研究区概况

松嫩平原(位于121°40′～128°30′E,42°30′～51°20′N)是中国东北三大平原之一，是中国重要商品粮生产基地之一，其耕地面积约为559万hm2(图1)。该地区属温带大陆性季风气候，海拔80～1 670 m，东部被长白山环绕，西邻大兴安岭，北靠小兴安岭，年均温在0～5 ℃之间，年均降水量为380～610 mm，其中约80%集中在夏季(5-10月)，即农作物生长期[20]。松嫩平原作为典型的农田生态系统，自20世纪90年代初以来，农业环境发生明显变化，对耕地种植和农业生态系统结构及功能产生消极影响[21]，使其农业可持续性面临重大挑战。由于黑河市、齐齐哈尔市、绥化市、大庆市、哈尔滨市、白城市、松原市、长春市、四平市9个市农作物耕地面积约占松嫩平原的90%，因此本文选取这9个市作为研究区。

图1 2019年松嫩平原耕地利用现状Fig.1 Status of cultivated land use in the Songnen Plain in 2019

1.2 数据获取与预处理

1.2.1 MODIS遥感数据 MODIS遥感数据源自美国 NASA LPDAAC EOS数据中心[22]，其中分辨率成像光谱仪植被指数产品(MOD13)可以提供全球植被状况的时空比较，时间分辨率为16 d，可用于监测陆地光合植被活动，支持物候变化检测和生物物理解释[23,24]。为满足监测时效性，本文选取松嫩平原2000-2019年生长季(第120天至第304天)的MOD13Q1产品。对遥感数据利用MODIS Reprojection Tool software (MRT)及ArcGIS进行波段提取、拼接、裁剪、重采样(空间分辨率为250 m)和投影转换(由 Sinusoidal 投影转换为经纬度投影，投影参数：第一标准纬线为25°0′0″N，第二标准纬线为47°0′0″N，中央经线为105°0′0″E)等预处理。为消除云、雨、大气对数据的影响，采用S-G滤波器(式(1))[25]逐像素重建研究区的植被指数时间序列数据，滤波使用的二项式拟合次数为1，通过多次试验观察及S-G滤波法原理，选择最佳拟合滑动半窗口为5。通过滤波后得到的遥感图像灰度值变化平稳，显著改善了原始数据的质量问题。

(1)

式中：Y为原始植被指数值；Y*为合成植被指数值；Ci为第i个植被指数值的滤波系数；N=2n+1为过滤器(平滑窗口)包含的数据数量；索引j为原始纵坐标数据表的运行索引。

1.2.2 土地利用数据及产量数据 2000-2019年松嫩平原农作物覆盖信息数据源于中国科学院资源与环境数据中心(http://www.resdc.cn)提供的1∶10万土地利用现状数据，该数据基于Landsat TM影像通过人工目视解译获取，精度达90%以上。为统一影像分辨率，本文通过最近邻法将数据分辨率重采样为250 m。土地利用类型包含耕地、林地、草地、水域、城乡工矿居民用地以及未利用地6个一级类型及25个二级类型，其中耕地包括水田和旱地两种[26](图1)。2000-2019年松嫩平原的播种面积及产量数据源于黑龙江省统计局和吉林省统计局。松嫩平原近20年的农作物统计年鉴显示，该区域主要的大宗作物有玉米、水稻、大豆、春小麦等粮食产物，作物种植结构以及各作物的播种面积虽有年际变化但变化不大，因此本文忽略了农作物种植结构对最终单产的影响。

2 研究方法

2.1 农作物长势综合监测指标构建

植被指数普遍应用在植被种类判别、植被长势评估以及经济作物产量估算等研究中[27]。利用时空序列遥感数据获取合理表达植被动态变化的估计值，可科学、准确评估农作物长势状况[28]。本研究参考文献[6,13,29-32]，选取6种常用的监测农作物长势的植被指数(表1)与2000-2019年农作物生长季的产量数据进行主成分分析与回归分析，结果显示NDVI和EVI两种植被指数可在99.93%的程度上解释历年的农作物产量变化，因此，本文采用NDVI和EVI构建综合监测指标。其中，NDVI能有效表征植被发育时的数据信息，可展现不同农作物物候期的表现形式，从而获取农作物长势信息[32]；EVI能敏感地监测茂密植被和稀疏植被生长与衰落状况，可以较真实、稳定地表现农作物生长过程[6]。

表1 不同植被指数计算公式Table 1 Formulas of various vegetation indices

综合监测指标构建流程为：首先对生长季各月份的NDVI和EVI进行归一化(式(2))；然后通过调整参数设计9组实验，分别赋予系数a(NDVI)和b(EVI)不同的数值，求出各指标的最佳R2值，得到两个最佳系数与最佳回归模型；最后利用式(3)获取最优的综合监测指标GI。

UiZ=XZ/max(XZ)

(2)

GIZ=aUi1Z+bUi2Z

(3)

式中：Ui、X分别为第i类指数的归一化值和原始值，i1为NDVI值，i2为EVI值；a、b分别为NDVI、EVI的系数，取值范围均为0.1～0.9；Z为生长季的月份，本文中取5～10。

2.2 差值模型构建

本文采用可以体现农作物长势年际变化的差值模型对农作物长势进行实时监测与评价。首先，在农作物生长季内，以月为单位构建2000-2018年平均农作物长势综合监测指标数据库以及2019年农作物长势综合监测指标数据库；然后计算2019年各月农作物长势综合监测指标值与2000-2018年多年各月农作物长势综合监测指标均值之差，得到各月农作物长势监测差值空间分布。本文在正态分布的基础上考虑降雨量、时间周期等，将长势状况分为极好(3GI/2，1]、好(GI，3GI/2]、正常(GI/2，GI]、差(GI/4，GI/2]和极差[0，GI/4]5个等级。

3 结果分析

3.1 农作物长势综合监测指标构建结果分析

首先在ArcGIS中进行系数选取实验，以近20年9个市的农作物生长季长势监测指标与产量数据进行线性回归分析(表2)。可以看出，当NDVI的系数取0.7、EVI的系数取0.3时，R2值最高，所解释的农作物长势状况最准确，故本文用该系数组合计算GI。

表2 不同系数的植被指数与产量的回归模型Table 2 Regression models of vegetation indices and yield with different coefficients

利用ArcGIS 10.5和ENVI 5.3软件计算得到2000-2018年及2019年5-10月松嫩平原综合监测指标GI的空间分布对比图(图2)以及农作物长势监测差值结果空间分布图(图3)，可以看出：2019年5月松嫩平原的春小麦、水稻、玉米和大豆正处于播种期，GI值最低，农作物整体长势一般；6月由于降雨量低于往年平均水平，导致春播农作物长势劣于往年同期，长势整体呈下降趋势，松嫩平原北部及东南部地区长势降幅较大，齐齐哈尔与黑河大部以及绥化北部受前期低温影响，返青较晚，导致GI值较低，长势相比往年差，哈尔滨南部以及长春、四平大部地区均为极差类别，其中，大庆、哈尔滨北部以及松原受良好水热条件影响，优势明显；7、8月松嫩平原春玉米由吐丝阶段进入乳熟阶段，大豆由开花期转为结荚鼓粒期，整体农作物长势显著高于2000-2018年同期水平，其中，西北部地区长势好于东南部地区，齐齐哈尔以及大庆长势较好，其他城市长势与往年持平； 9月春玉米慢慢进入乳熟及成熟期，大部分大豆位于成熟期，松嫩平原的农作物长势居中，长势好与差的耕地面积各占50%，主要是西部长势较好，东部长势较差，东南部(哈尔滨、长春及四平)长势变化显著，整体上看，9月松嫩平原作物长势比近年平均水平偏高；10月松嫩平原大部分农作物处于收获后期，受雨夹雪的影响，农作物长势低于平均水平。但总体上看，松嫩平原9个市农作物长势呈偏好态势。

图2 2000-2018年5-10月GI均值与2019年5-10月GI值对比Fig.2 Comparison between the average GI from May to October in 2000-2018 and the GI from May to October in 2019

图3 2019年5-10月松嫩平原农作物长势监测差值空间分布Fig.3 Spatial distribution of crop growth monitoring differences in the Songnen Plain from May to October in 2019

3.2 农作物长势综合监测指标精度验证

3.2.1 2019年松嫩平原各市农作物产量验证 对松嫩平原9个市历年的单产数据进行统计，由于松嫩平原每年耕种的粮食产物种类与数量变化不大，除旱涝等灾害的影响外，其他情况基本不会影响农作物长势及产量，加之8月是农作物长势最茂盛时期，因此，本文分别计算2019年农作物8月3种指数(GI、NDVI、EVI)的月均值，将其与单产数据建立线性、指数、对数以及幂4种回归模型(表3)。可以看出，4种回归模型均显示GI与单产值的相关性更高，说明GI适用于监测松嫩平原植被高覆盖地区以及植被长势茂盛时期的农作物长势状况。

表3 各指数与单产之间的4种回归模型Table 3 Four regression models between each index and per unit yield

3.2.2 2000-2019年松嫩平原农作物总产量验证 从黑龙江省、吉林省统计局获取松嫩平原9个市2000-2019年的农作物总产量数据(表4)。可以看出，松嫩平原历年农作物总产量在2 939.9～8 543.6万t之间，往年总产量均值为5 931.7万t，其中2003年、2007年和2009年由于严重旱灾导致作物产量急剧下降。通过GI对2019年松嫩平原农作物生长季的长势状况进行监测，得到与往年相比仅有小部分地区长势欠佳(图2)，预测其2019年的农作物产量高于往年(图3)，而通过总产量的对比也验证了这一结果。因此，GI可以及时评估农作物长势状况并可对最终产量起到指示作用。

表4 2000-2019年松嫩平原农作物总产量统计Table 4 Total crop yield in the Songnen Plain from 2000 to 2019 单位：万t

4 结论与讨论

本文结合NDVI和EVI构建了一种新的农作物长势综合监测指标GI，通过建立近20年的历史综合植被指标数据库，应用差值模型将2019年的农作物长势指标与历史同期的平均长势指标进行对比分析，最后将长势状况分为极好、好、正常、差、极差5类，用以评价松嫩平原2019年的农作物生长季长势。结论如下：1)2019年5-10月松嫩平原农作物长势呈“前期较差，中期较好，后期略差”的趋势，整体好于2000-2018年同期，2019年松嫩平原的农作物与过去20年相比产量保持稳定，可确保国内农产品供应充裕；2)松嫩平原中西部、东北部和西南部农作物长势好于过去20年平均长势，东南部部分地区农作物长势基本与过去持平，沿松花江流域市域(哈尔滨中部、松原北部及大庆东南部)农作物长势较好，缘于该地区水资源较丰富；3)单产及总产量验证均表明，GI可以及时评估农作物长势状况，且该方法精度更高、操作简单，具有一定普适性，可为农作物长势状况监测提供一种新思路，并为农作物产量的预测预报以及农作物灾情的预警提供重要的科学依据。

本研究由于缺乏历年耕地中精确的作物种类以及各类农作物种植的空间分布信息，会影响农作物长势状况监测以及未来农作物产量的预测精度，未来将利用更准确的农作物种植结构与布局信息获取农作物长势的时空分布变化。