遥感技术在我国冬小麦产量估算中的应用研究进展

涂巧针，李 旭，刘钇廷，吴保升

（塔里木大学信息学院，新疆阿拉尔 843017）

冬小麦是我国的重要经济作物之一，其播种面积约为全国粮食总播种面积的1/5[1]。收割之前，适时精确的估算粮食作物生产水平既有利于我国国家粮食战略的调整和制订，也有利于进一步完善粮食作物管理，合理调整种植业布局，深入发掘其生产潜力，为我国进一步调整粮油储备结构提供科技支撑。实现我国粮食安全目标，将对我国粮食市场的宏观调节、粮食出口贸易发展产生重大意义[2]。

由于冬小麦分布区广泛，北方地区复杂，对播种面积、生产和统计资料的获取一般要利用常规的估产手段，包括统计手段和传统的土壤监测手段，其速度慢、工程量大、成本高，无法满足对冬小麦的监测需求。遥感资料具备覆盖面大、检测周期短、资料丰富、现势性好、代价低等优点，可以迅速和精确地对冬小麦进行估产。遥感估产是一种使用卫星传感器记录作物表面信号，并利用资料采集与数据分析所获取的农作物表面光谱特征，确定作物种类，监控作物的生长过程，从而构建将作物光谱数据与农业生产过程相互联系的新科技手段[3]。

1 农作物遥感估产研究概况

美国首先开展的大面积作物遥感技术估产，效果也最为显著。美国早在1974年就开始实施“大规模耕地估产实验” 即LACIE 规划（Large Area Crop Inventory and Experiment）和“利用空间遥感技术开展农产品和资源利用研究” 即AGRISARS 规划（Agriculture and Resources Inventory Surveys through Aerospace Remote Sensing）[4]。这是遥感技术在农业上应用的成功典型案例，极大的推动了农业遥感技术的发展。此后，意大利、俄罗斯、英国、日本和其他多个国家也相继开展农业遥感技术相关的研究工作。2002 年，美国农业部与NASA 再次合作，首次将MODIS 数据应用到了农业遥感研究中并采用Landsat数据对多个州进行了农作物监测实验，到2010年实现了基于遥感的长期农业监测。目前，经过多年的实验研究，国外农业遥感技术已经逐步走向成熟。

我国的农业遥感研究起步较晚。1981 年，我国使用遥感技术成功预测了冬小麦的实际生产。1983 年，我国研发了估算京津冀地区冬小麦产量的技术方法，在此后的3年里，GIS系统已经被广泛应用于黄淮海地区冬小麦的产量估算研究中。通过开发，我国遥感技术在农作物长势监测与产量估测领域的应用逐步走向完善。为更好推动我国农业遥感科技的开发，中国科学院制定了“九五”重大科研项目，结合“3S”（RS，GPS，GIS）技术推动我国的农业遥感向着周期更短、精度更高、成本更低的方向深入发展。2008 年，中科院和中华粮网合作将农业遥感获得的产量成果等推向了服务应用，使该项技术得到了更为广泛的应用[5]。

2 冬小麦估产应用的遥感资料

冬小麦估产中应用的遥感资料主要有资源卫星资料、气象卫星资料、航空遥感和地面遥感资料等。1）资源卫星资料。Landsat 系列数据凭借优势，从20 世纪70年代开始就成为农业遥感领域应用最多的数据源之一，极大地推动了农业遥感监测技术。除此之外，CBERS 卫星也是常见的资源卫星，但由于卫星重访周期长、作物生育期可用数据有限等原因，限制了这一类卫星数据的用途。2）气象卫星资料。气象卫星重访周期快，因此气象卫星多基于作物的季相节律信息形成时间序列数据，被应用于大规模的作物遥感监测。AVHRR 是最早的气象卫星，1987 年美国基于该数据进行农作物估产试验。之后，美国发射中分辨率成像仪（MODIS）用于观测全球植被，相比之前的气象卫星，MODIS 数据拥有了更高的空间、光谱分辨率，从而大大增强了对地观测能力，为大面积作物遥感识别提供了重要的数据支撑。但由于气象卫星空间分辨率较低，导致这类数据的总体提取精度不高。3）航空遥感和地面遥感资料[6]。

各种遥感数据既有优点，也有不足之处。千怀遂按照各类资料源的清晰度（空气清晰度和时间清晰度）和空中云层，将我国小麦估产的资料源类型划分为陆地卫星型、陆地卫星为主型、气象卫星为主型和气象卫星型[7]。根据遥感技术数据的实际使用效果考虑，AVHRR 数据主要用来观察冬小麦的发育状况，利用相应的绿度指标建立产量预测模型。由于高分辨率的优势，虽然TM 数据已广泛用作大冬小麦面积数据的获取手段，但因为生产成本较高，目前还难以实现基于TM数据的大面积小麦监测与生产预测。

3 冬小麦光谱特性

根据中国西北干燥、半干旱地区的玉米生长发育情况，通过田间样点取样和室内研究的方法，研究了不同生产阶段冬小麦生理生化数据和冠层光谱反射率[8-9]。通过研究，冬小麦在冠层原始光谱反射率趋势与不同生产阶段基本相同，均在可见光波段反射率很低，分别在550 nm 和400 nm，670 nm 波段形成了1 个反射峰和2 个吸收谷，原因主要是基于叶片叶绿素对陆光的强烈反射，对蓝色和红光都具有强烈的吸收功能。在670 nm 后反射率急剧增大，在700～900 nm 的近红外波束中产生了1 个反射率大于0.34 的高反射峰值，主要在起身期到抽穗期之间，冬小麦冠层覆盖度变化较大，在不同层位的叶内对太阳光产生了多次反射，主要是由于叶片的细胞内部多次反射、散射引起的。在1 300～2 500 nm 的短波红外范围内，冠层原始反射率逐渐降低。但是，由于施氮量的提高，在700～1 000 nm之间的近红外波束，在冬小麦冠层叶片密度增加，冠层结构变得更加复杂，使得近红外部分的反射总量增加，光谱反射率增大，而在可见光350～670 nm区域内差异不显著。

4 冬小麦遥感估产过程

对冬小麦的遥感技术估算过程，一般可以分成以下8个步骤[10]。

1）遥感信息的获取与处理。遥感信息源的选用，首先要考察能否达到工艺要求，同时还要兼顾经济性。

2）遥感估产区划。冬小麦生长发育条件动态观测和估算的遥感技术的一个重大应用，根据需要对自然环境条件、社会环境条件与冬小麦生长发育条件相同的地区进行划分，优化了冬小麦生长发育条件的观测与估测模型的建立。

3）地面采集点布设及观测。遥感估产的数据大部分来自遥感数据，但仅仅依靠遥感数据获取精确的冬小麦播种规模与数量是不够的。必须从土壤中收集适当的样品，用作遥感信息的补充与验证。

4）建立数据库。在遥感估产中，建立数据库系统是一个相当关键的基础工作。背景数据库主要具有2 种功能：①农业遥感信息的划分提供背景信息，以增强农业划分的正确性。②在难以获得农业遥感信息的状况下，它可以支持模拟数据分析技术，从历史数据和现实调查样本中获取的农作物数据加以处理，从而得出当年的农作物实际种植面积和产量数据。

5）冬小麦种植面积的提取。冬小麦播种面积的提取，是估算全国粮食作物生产能力的重要基础。TM数据适用于对GIS 所支持的NOAA 数据的像素分解以及作物种子的提取数据的计算机自动分类。

6）冬小麦长势及灾害监测。检测的主要手段，是通过植被指数的变动以及与历史数据的对比，检测各个生长季的植被指数。能够准确掌握各个生长期冬小麦的发育状况，并能够根据发生状态预测冬小麦的发育变化趋势。

7）建立冬小麦遥感估产模型。建立估产模型是冬小麦产量估算的关键。

8）估算冬小麦总产并对其精度进行评估。通过遥感估算综合技术估计冬小麦，由于"精度"可以代表了估算成果的可靠性，为保证结果的准确度水平，应该把各个环节错误的概率减至最小化。

5 冬小麦遥感估产的方法

在农业实践中，植被指数一般作为判断植物生长发育情况的重要指标。一个最基本的方法就是把植被指数特性与作物生产特性联系起来，方法最好使用回归方程，而模型试验指标则可以采用模型拟合系数。

目前，遥感产量估算的方式主要包括统计建模（经验模型）法、机理模型法、半经验（半机理）模拟方法等。1）统计建模（经验模型）法通过选择能够反映冬小麦生长发育阶段的遥感技术特征的数据，如遥感植地系数、叶面积系数、植被的净初级生产力等，从而构建出与冬小麦生产有关的数学模型，由于具有简单、统计简便的优点，因此比较普遍地运用在冬小麦遥感估产。2）机理模型法根据生物相似性原理，研究冬小麦生长与发育的物理机制、物理环境与自然因素等，以物理学规律的数学模型研究冬小麦生长与发育、产量形成的原理，并在某种假设情况下，形成对冬小麦估产的数值模拟模型，最常见的作物生长模式为DSSAT、WOFOST、CERES-Wheat 等[11-14]。机理模型的应用领域广泛，但参数修正难度较大，在特定状态下有些参数不能修正。3）半经验（半机理）模拟方法。半经验（半机理）模型相较于机理模型有所简化，但是模型输入中需要的2 个关键变量（光能利用效率、作物收获指数），都难以在时空分布中进行准确地定量模拟。

统计模型法因为操作简便，已成为迅速开展冬小麦遥感估产的重要常规方式，并获得了广泛应用。它主要通过建立关于植被指数和冬小麦产量的线性或非线性回归方程，然后经过对比分析它们的相互关系，并选择影响最大的植被指数和冬小麦产量的回归方程，成为冬小麦生产预测模型。考虑到不同植物植被指数的共同作用，产量估算的准确性相对较低。近年来，机器学习算法被应用于建立作物性状的遥感估测模式。其中，BP神经网络、支持向量机和随机森林算法能基于单一时相进行遥感分类并达到较高的准确率，有效解决了卫星影像有限的问题，同时打破了传统方法中仅依靠波段反射率来实现信息提取的局限性，实现了冬小麦遥感识别最佳特征的优化。

6 冬小麦产量估算模型

国内外研究者在作物估产模型上已有深入的研究，针对冬小麦种植的区域环境差异研发出了不同的估产模型，具体可以分为直接和间接2 种类型（见表1）。江东等给出了基于人工神经网络的农作物遥感估产模型[15]。朱再春等采用信息扩散方法，结合农业关键时期的遥感数据构建的冬小麦估产模式，更好地模拟了冬小麦在遥感估产中归一化植被指数与产量之间的非线性关系[16]。程千等使用偏小二乘回归法、支持向量机回归法和随机森林回归3 个机器学习算法在估算冬小麦产量中，总结出RFR 模式有着良好的稳定性[17]。陶惠林等采用多元线性回归的MLR 模型、随机森林RF 模型在植物不同生长期的12 种光谱参数的产量估测，得出MLR 模型预测准确度更高，如挑旗期、开花期、灌浆期等，与产量相关最好的分别为TCARI/OSAVI、SR、TCARI/OSAVI。就生长期而言，效果最佳的是灌浆期[18]。林少喆等通过对比以植物含氮率、植物含水率、水氮耦合为中间参量构建估产模型，发现采用水氮耦合的高光谱估产模型准确率最高，模型最为稳定，在灌浆期时效果亦为最好[19]。而张松等比较直接与间接模型的精度，采用LAI、SPAD，地上干生物量作为中间量进行估产，对比表明采用LAI 构建的间接模型效果较好，而估产的最佳时间则是开花期[20]。

表1 冬小麦产量估测模型表

7 讨论与展望

研究者们对农作物估产的研究成果不尽相同，今后要分生育期地考虑冬小麦产量预测，以更精确地掌握产量预测生育阶段。另外，有些方面需要更深层次地研究，但由于冬小麦种类、生长期、生产地域的差异等原因，估产监测模型仍无法大范围推进，因此必须尽量完善模型适用性，并研究提升模型精度的途径，分生育时期进行生长指数的监测和估产模型的构建。在反演小麦产量方法中，农学参数也可借助一些生理生化指标来进行估产。

遥感技术在现代农业中的应用已获得初步成功，而更进一步深层次的应用仍拥有着巨大的发展前景。因此，需要根据我国国内现阶段和未来现代农业技术的发展趋势，充分地开展农业长远规划研究和加强现代农产品应用同传统遥感技术之间的联系，从而利用现代遥感技术的巨大空间和农业科技资源优势，对中国今后现代农业的发展将起到很大的促进作用。