譚昌偉，杜穎，童璐，周健，羅明，顏偉偉，陳菲

?

基于開花期衛(wèi)星遙感數(shù)據(jù)的大田小麥估產(chǎn)方法比較

譚昌偉，杜穎，童璐，周健，羅明，顏偉偉，陳菲

（揚州大學江蘇省作物遺傳生理國家重點實驗室培育點/糧食作物現(xiàn)代產(chǎn)業(yè)技術協(xié)同創(chuàng)新中心，江蘇揚州 225009）

【目的】衛(wèi)星遙感具有覆蓋范圍廣、獲取速度快、信息量大、動態(tài)性強等優(yōu)勢，能夠及時準確地獲取作物產(chǎn)量信息，反映作物產(chǎn)量空間變化趨勢。遙感技術作物估產(chǎn)已成為現(xiàn)代農(nóng)業(yè)生產(chǎn)中研究熱點。通過改善遙感估產(chǎn)建模方法，以實現(xiàn)進一步提高大田作物遙感估產(chǎn)精度，為宏觀了解不同區(qū)域作物產(chǎn)量形成情況及變化趨勢提供直觀、可靠的參考?！痉椒ā空撐慕Y合2011—2012年江蘇省大豐、興化、姜堰、泰興、儀征5個縣區(qū)的定點觀測試驗，以國產(chǎn)衛(wèi)星產(chǎn)品HJ-1A/1B影像為遙感數(shù)據(jù)，于小麥開花期開展大田定位觀測區(qū)衛(wèi)星遙感植被指數(shù)、關鍵生長指標與收獲期單產(chǎn)間的定量分析。通過對產(chǎn)量與小麥生長指標以及植被指數(shù)進行定量關系分析，進一步增強遙感反演的機理性和重演性。將衛(wèi)星遙感變量與小麥產(chǎn)量進行相關關系分析作為遙感估產(chǎn)的直接建模方法，間接建模方法則是選取與產(chǎn)量相關性較好的遙感變量以及與遙感變量相關性較好的主要苗情指標，利用篩選得到的敏感遙感變量，首先監(jiān)測對應的小麥生長指標，結合該小麥生長指標與產(chǎn)量間的定量關系，進而建立間接估產(chǎn)模型，利用此模型進行小麥遙感間接估產(chǎn)。利用直接和間接建模方法，以相關性最高為原則，篩選估算產(chǎn)量的敏感衛(wèi)星遙感變量。以2012年試驗數(shù)據(jù)為建模樣本，采用線性回歸分析方法，分析小麥開花期苗情指標、產(chǎn)量與衛(wèi)星遙感變量兩兩之間的相關性，分別構建以遙感植被指數(shù)為基礎的大田小麥估產(chǎn)模型，與地面實測結果一起建立模型共同分析。以2011年試驗數(shù)據(jù)為驗證樣本，選取評價指標擬合度（2）和均方根誤差（）,對兩類模型的估算精度進行驗證和比較，以提高遙感反演的定量化水平和可信度?！窘Y果】分別以差值植被指數(shù)（difference vegetation index，DVI）和比值植被指數(shù)（ratio vegetation index，RVI）為基礎的單因子直接估產(chǎn)模型的均方根誤差（root mean square error，）為918 kg·hm-2和1 399.5 kg·hm-2，以DVI和RVI遙感變量構建雙變量估產(chǎn)模型的為1 036.5 kg·hm-2，以歸一化植被指數(shù)（normalized difference vegetation index，NDVI）和葉片氮積累量為基礎構建的間接估產(chǎn)模型的為805.5 kg·hm-2，說明開花期HJ-1A/1B影像估算小麥區(qū)域產(chǎn)量是可行的，且精度較高；經(jīng)比較，以NDVI和葉片氮積累量為基礎的間接估產(chǎn)模型精度明顯高于直接估產(chǎn)模型，相較于DVI直接估產(chǎn)模型降低了112.5 kg·hm-2，相較于RVI直接估產(chǎn)模型降低了594 kg·hm-2，相較于雙因子模型降低了231 kg·hm-2?！窘Y論】國產(chǎn)衛(wèi)星HJ-1A/B可以較好滿足估測小麥產(chǎn)量要求，且利用間接方法建立作物遙感估產(chǎn)模型要好于直接方法，研究結果為利用遙感技術更為準確估算大田小麥產(chǎn)量提供了一種新的途徑。

小麥；HJ-1A/1B；開花期；產(chǎn)量；估算模型

0 引言

【研究意義】及時、準確地估算作物產(chǎn)量有利于保障國家糧食安全、制定合理的糧食價格及宏觀調控政策。當前作物估產(chǎn)方法主要包括人工實地測產(chǎn)法、統(tǒng)計測報法、氣象預報法和遙感估產(chǎn)法等。其中，人工實地測產(chǎn)法精度較高，但耗時費工、成本高，難以大面積應用；統(tǒng)計測報法主要依靠數(shù)學方程測報產(chǎn)量，易受天氣條件影響導致測報產(chǎn)量存在偏差；氣象預報法在較小種植區(qū)產(chǎn)量預報精度高，但在大面積種植區(qū)由于地區(qū)天氣差異大將導致估產(chǎn)精度偏低；遙感因具有覆蓋范圍廣、獲取速度快、信息量大、動態(tài)性強等優(yōu)勢，在作物估產(chǎn)、品質預報、長勢監(jiān)測等領域中發(fā)揮巨大的作用[1-5]?！厩叭搜芯窟M展】國內外眾多學者在不同情況下對小麥估產(chǎn)研究，包括作物長勢監(jiān)測、產(chǎn)量估算、病蟲害影響以及水肥影響等方面，取得一定進展[6-11]。王培娟等[12]討論了利用BEPS模型估算小麥產(chǎn)量的適用性和局限性，將原先BEPS模型中兩片大葉模型改造為多層-兩片大葉模型。楊武德等[13]以歸一化植被指數(shù)、極高溫度、相對濕度為主因子建立了小麥遙感-氣象-產(chǎn)量綜合模型。陳鵬飛等[14]發(fā)現(xiàn)依賴HJ-1A/1B遙感影像，重建小麥NDVI時序曲線，求算其生長季最大NDVI及其變化速率，所建立估產(chǎn)模型是可靠的。王純枝等[15]利用冠層溫度信息近似地估計區(qū)域作物實際生長速率和產(chǎn)量，進而建立了遙感-作物模擬復合模型，提出了估算區(qū)域作物實際產(chǎn)量的方法。朱再春等[16]發(fā)現(xiàn)利用信息擴散方法構建的遙感估產(chǎn)模型穩(wěn)定性和精度都明顯提高，該方法能較好地模擬小麥遙感估產(chǎn)中歸一化植被指數(shù)和產(chǎn)量之間的非線性關系。譚昌偉等[17-18]運用PLS算法構建多變量遙感估產(chǎn)模型，PLS算法模型估產(chǎn)的效果要好于LR和PCA算法，估算精度比LR算法分別提高了25%以上和20%以上，比PCA算法分別提高了15%以上和11%以上。劉良云等[19]利用小麥病害發(fā)生前期的衛(wèi)星遙感數(shù)據(jù)建立了早期估產(chǎn)模型，定量計算了條銹病和白粉病的產(chǎn)量損失，減產(chǎn)幅度超過30%。王長耀等[20]開展了基于MODIS_EVI的小麥產(chǎn)量遙感估算研究，結果表明EVI明顯比NDVI能更好與產(chǎn)量建立回歸模型，且估算時間比美國國家統(tǒng)計局估算時間提前約半個月。任建強等[21]利用時序歸一化植被指數(shù)（NDVI）生成的NDVI累積參數(shù)比值（HINDVI_SUM），建立HINDVI_SUM與地面實測小麥收獲指數(shù)的定量關系，可實現(xiàn)小麥收獲指數(shù)的定量反演。馮美臣等[22]利用遙感和氣象數(shù)據(jù)建立模型對小麥進行單產(chǎn)和總產(chǎn)估測。李振海等[23]發(fā)現(xiàn)DSSAT作物模型結合遙感同化和氣象預報在灌漿期能夠實現(xiàn)區(qū)域尺度小麥產(chǎn)量和GPC預報?！颈狙芯壳腥朦c】以往作物遙感估產(chǎn)以國外遙感數(shù)據(jù)源為主，很少使用國產(chǎn)遙感數(shù)據(jù)；估產(chǎn)模型過多使用NDVI，其他遙感植被指數(shù)使用較少；相關研究多數(shù)集中在全生育期，幾乎不考慮不同生育階段的估產(chǎn)效果；主要基于直接建模方法進行遙感估產(chǎn)。本研究在綜合分析國內外相關遙感估產(chǎn)研究基礎上，針對特定生育期，對比分析了使用遙感植被指數(shù)直接估產(chǎn)方法和通過反演關鍵生長參數(shù)間接估產(chǎn)方法的精度，以增強小麥衛(wèi)星遙感估產(chǎn)的可靠性?！緮M解決的關鍵問題】本研究利用與小麥開花期對應的國產(chǎn)衛(wèi)星產(chǎn)品HJ-1A/1B影像數(shù)據(jù)，定量分析遙感植被指數(shù)、關鍵生長參數(shù)與收獲期產(chǎn)量間的關系，篩選用于估產(chǎn)的敏感遙感植被指數(shù)，利用直接和間接模型建立方法，分別構建及驗證以遙感植被指數(shù)為基礎的大田小麥估產(chǎn)模型，并比較模型的估產(chǎn)精度，旨在探索一種應用于大田小麥生產(chǎn)的更準確的遙感估產(chǎn)方法和技術途徑。

1 材料與方法

1.1 試驗設計及數(shù)據(jù)獲取

2012年選取江蘇省大豐、興化、姜堰和泰興4個縣（區(qū)）作為試驗觀測區(qū)，每縣布設樣本觀測點15—18個，總計68個樣本觀測點，采用天寶智能手持式GPS儀獲取每個樣本采集點的經(jīng)度、緯度和海拔等地理位置數(shù)據(jù)，調查內容主要包括小麥生育時期長勢情況、品種類型、以及病蟲害狀況等方面。在和衛(wèi)星過境時間準同步的基礎上，于小麥開花期和成熟期取樣，取樣后及時送至實驗室進行LAI（比葉重法）、地上干生物量（稱重法，以下稱為生物量）、SPAD（SPAD-502儀測定法）、葉片含水量（烘干前后稱重法）、葉片含氮量（凱氏定氮法）和葉片氮積累量（葉片含氮量與單位土地面積上葉片干重的乘積）這些農(nóng)學參數(shù)測定，成熟期產(chǎn)量依據(jù)考種結果計算得到。遙感數(shù)據(jù)選用2012年4月23日（開花期）過境的HJ-1A/1B影像，該試驗數(shù)據(jù)作為訓練樣本建立估產(chǎn)模型。

2011年選取江蘇省泰興、姜堰和儀征3個縣（區(qū)）作為試驗觀測區(qū)，每縣布設樣本觀測點18—20個，總計59個樣本觀測點，其他與2012年試驗一致。遙感數(shù)據(jù)選用2011年4月25日（開花期）過境的HJ-1A/1B影像，該試驗數(shù)據(jù)作為驗證樣本評價估產(chǎn)模型。

1.2 影像數(shù)據(jù)預處理

運用ENVI5.0即遙感影像處理系統(tǒng)功能模塊對采取的衛(wèi)星數(shù)據(jù)進行初步的處理，遙感影像預處理包括輻射定標、大氣校正、幾何精校正等方面，在獲取衛(wèi)星遙感影像后，先利用江蘇1﹕100 000地形圖來對它進行幾何粗校正，再根據(jù)利用天寶智能手持式GPS儀獲取每個樣本采集點的經(jīng)度、緯度和海拔等地理位置數(shù)據(jù)對其進行幾何精校正，同時要保證幾何精校正的誤差小于1個像元。最后可以根據(jù)地面定標的實測反射率數(shù)據(jù)與衛(wèi)星遙感影像原始波段亮度值，利用經(jīng)驗線性法進行大氣輻射校正[17]。

1.3 數(shù)據(jù)分析與利用

表1為本研究選用的常用衛(wèi)星遙感植被指數(shù)，結合實測的GPS定位取樣點，綜合使用ENVI5.1和ArcGIS10.2系統(tǒng)提取相對應的光譜波段亮度值，并在Excel中通過波段對應的波段組合，計算出衛(wèi)星遙感植被指數(shù)。利用2012年試驗的遙感和農(nóng)學數(shù)據(jù)，采用線性回歸分析方法，分析小麥開花期苗情指標、產(chǎn)量與衛(wèi)星遙感變量兩兩之間的相關性，建立遙感估產(chǎn)模型。利用2011年試驗數(shù)據(jù)對所建立的估產(chǎn)模型進行評價，評價指標選取擬合度（2）和均方根誤差（）[18]，并繪制出產(chǎn)量估算值與實測值間的1﹕1關系圖。

2 結果

2.1 開花期小麥主要苗情指標間與產(chǎn)量間的相關性

由表2分析表明，當小麥處于開花期，LAI與葉片含氮量及生物量間的關系達到極顯著水平；SPAD與葉片含氮量、葉片氮積累量及葉片含水量間的關系達到顯著水平；生物量與葉片含氮量及葉片氮積累量的關系顯著；產(chǎn)量與葉片含氮量、葉片氮積累量及LAI間的關系達到極顯著水平，與生物量呈顯著相關，其中產(chǎn)量與葉片氮積累量的相關系數(shù)為0.736，說明葉片氮積累量與產(chǎn)量的關系最密切。小麥的開花期主要苗情指標和產(chǎn)量間有較強相關性，因此，通過遙感技術監(jiān)測小麥苗情指標，進而間接估算小麥產(chǎn)量是可行的。

表1 常用衛(wèi)星遙感植被指數(shù)

B1、B2、B3和B4分別代表HJ-1A/1B影像藍、綠、紅、近紅外波段的反射率。下同

B1, B2, B3 and B4 denoted spectrum reflectance of HJ-1A/1B images at blue, green, red and near infrared bands, respectively. The same as below

表2 開花期主要苗情指標間及產(chǎn)量間的相關性（2012年，n=68）

*和**分別表示差異達顯著（＜0.05）和極顯著（＜0.01）水平，n代表總樣本數(shù)量。下同

*, significant at<0.05, **, significant at<0.01, n: Total samples number. The same as below

2.2 開花期小麥主要苗情指標與遙感變量間的相關性

由表3可知，葉片含氮量、葉片氮積累量、LAI和SPAD與所選的遙感變量間的相關性均達到顯著或極顯著水平，其中LAI與RVI的相關性最好，值為0.672，SPAD與B3的關系最好，值為0.548，葉片含氮量與NDVI的相關性最好，值為0.603，葉片氮積累量與NDVI的相關性最好，值為0.635。開花期可以分別選用遙感變量RVI、B3、NDVI和NDVI監(jiān)測LAI、SPAD、葉片含氮量和葉片氮積累量，因此，結合表2分析，說明通過遙感變量監(jiān)測主要苗情指標，借助主要苗情指標與產(chǎn)量間的顯著關系能夠實現(xiàn)間接估算小麥產(chǎn)量。

2.3 開花期小麥遙感變量與成熟期產(chǎn)量間的相關性

分析表4發(fā)現(xiàn)，產(chǎn)量與所選用的遙感變量間的關系均達到極顯著水平，其中以與DVI的相關性最好，值為0.638，其次是RVI，值為0.637。說明通過敏感遙感變量直接估算小麥產(chǎn)量也是可行的。

表3 開花期主要苗情指標與遙感變量間的相關性（2012年，n=68）

表4 小麥產(chǎn)量與遙感變量間的相關性（2012年，n=68）

2.4 小麥產(chǎn)量直接估算模型建立

2.4.1 單因子估產(chǎn)模型

（1）模型建立

依據(jù)上述分析結果，以關系最顯著為原則，得到小麥開花期用于直接估算產(chǎn)量的敏感遙感變量，并建立以敏感遙感變量為自變量的產(chǎn)量直接估算單因子模型（表5）。

表5 產(chǎn)量估算單因子模型

（2）模型可靠性檢驗

圖1和圖2分別為以DVI和RVI為自變量建立的單因子直接估產(chǎn)模型可靠性檢驗，檢驗指標為2和。檢驗后發(fā)現(xiàn)，由單因子直接估產(chǎn)模型得到的產(chǎn)量估測值與實測值間存在極顯著關系，DVI估算模型的2為0.495，為918 kg·hm-2；RVI估算模型的2為0.56，為1 399.5 kg·hm-2，說明可以利用DVI和RVI為基礎的單因子直接估產(chǎn)模型，于開花期直接估算小麥產(chǎn)量。進一步分析圖1和圖2發(fā)現(xiàn)，若單產(chǎn)低于4 500 kg·hm-2, 選擇以DVI為基礎的單因子直接估產(chǎn)模型更為可靠；若單產(chǎn)高于4 500 kg·hm-2, 選擇以RVI為基礎的單因子直接估產(chǎn)模型更為可靠。

2.4.2 雙因子直接估產(chǎn)模型

（1）模型建立

產(chǎn)量的提前估算可以依據(jù)單因子表達的衛(wèi)星遙感變量與產(chǎn)量間的相關關系。為了達到進一步提高估產(chǎn)模型精度的目的，選擇與產(chǎn)量相關性最大的兩個遙感變量，通過逐步線性回歸分析，篩選出DVI和RVI兩個遙感量，并建立以DVI和RVI為自變量的雙因子直接估產(chǎn)模型（表6），相對單因子估產(chǎn)模型，相關性進一步增強，值為0.65。

（2）模型可靠性檢驗

前文研究表明在開花期小麥單因子遙感變量雖然能較好地估算產(chǎn)量，但估算值局限性較大，為了進一步提高估產(chǎn)模型可靠性，采用2011年試驗數(shù)據(jù)對所建立的雙因子直接估產(chǎn)模型可靠性進行驗證。雙因子直接估產(chǎn)模型可靠性檢驗結果如圖3所示，分析發(fā)現(xiàn)雙因子直接估產(chǎn)模型估算精度與DVI單因子直接估產(chǎn)模型較為接近；但明顯好于RVI單因子直接估產(chǎn)模型，降低了363kg.hm-2。

表6 雙因子直接估產(chǎn)模型

2.5 小麥產(chǎn)量間接估算模型建立

（1）模型建立

通過前文的研究發(fā)現(xiàn)，構建間接估產(chǎn)模型應當選取與產(chǎn)量相關性較好的遙感變量以及與遙感變量相關性較好的主要苗情指標。利用篩選得到的遙感變量NDVI，首先監(jiān)測葉片氮積累量，結合葉片氮積累量與產(chǎn)量間的定量關系，進而實現(xiàn)建立間接估產(chǎn)模型（表7），利用此模型進行小麥遙感估產(chǎn)。

表7 間接估產(chǎn)模型

（2）模型可靠性檢驗

為體現(xiàn)間接估產(chǎn)模型的可靠性，需要對估產(chǎn)模型進行可靠性檢驗，通過利用2011年試驗得到的產(chǎn)量實測值和利用間接估產(chǎn)模型推算的估算值進行定量分析，采用進行模型可靠性檢驗（圖4）。檢驗后發(fā)現(xiàn)，利用間接估產(chǎn)模型推得的產(chǎn)量估算值與實測值間為極顯著相關，且2和均比較理想，值為805.5 kg·hm-2。說明在小麥開花期結合室內葉片氮積累量測定，采用間接估產(chǎn)模型估算小麥產(chǎn)量比直接估產(chǎn)模型更為準確。

圖4 產(chǎn)量間接估算模型可靠性檢驗

3 討論

及時、準確、大范圍小麥估產(chǎn)，對于小麥生產(chǎn)、種植規(guī)劃以及保障國家糧食安全等方面具有重要的指導意義。然而產(chǎn)量估算任務較為復雜，同時也是一項長期的任務，需要考慮估算估產(chǎn)結果的可靠性[21-23]。當前作物遙感估產(chǎn)中，NOAA-AVHRR、EOS-MODIS等國外遙感數(shù)據(jù)源應用較廣[20,33-34]，國產(chǎn)HJ-1A/1B應用相對較少，盡管HJ-1A/1B分辨率不高，但在作物實際生產(chǎn)中的應用也較為普遍[14,17-18]。以往估產(chǎn)模型過多使用NDVI進行直接估算產(chǎn)量，其他遙感植被指數(shù)使用較少；相關研究多數(shù)集中在全生育期，幾乎不考慮不同生育階段的估產(chǎn)效果，本研究在小麥開花期開展了基于HJ-1A/1B影像的小麥估產(chǎn)方法研究，涉及不同遙感植被指數(shù)，分析直接估產(chǎn)方法和間接估產(chǎn)方法的差別，目的是進一步提高小麥衛(wèi)星遙感估產(chǎn)的可靠性，為小麥生產(chǎn)中及時獲取產(chǎn)量信息提供一種新的途徑。

開花期是冬小麥體內新陳代謝最旺盛的生長時期，正是小麥產(chǎn)量形成的關鍵時期，也是病蟲害和氣象災害高發(fā)期，科學合理的肥水調控對防治小花退化、提高結實率以及增加穗粒數(shù)具有重要作用，因此，該期加強肥水管理及病蟲害防治對增加小麥穗粒重、防止小麥后期早衰以及提高小麥產(chǎn)量具有重要作用。由此表明，該項研究選用開花期進行衛(wèi)星遙感估產(chǎn)對冬小麥實際生產(chǎn)具有十分重要的指導意義。本研究結合前人的研究基礎，闡釋了小麥遙感估產(chǎn)模型的構建及檢驗過程，增強了小麥遙感估產(chǎn)方法的機理性和可靠性。選用葉片氮積累量作為間接估算模型使用的小麥苗情參數(shù)，與前人研究較為一致[17,34]，優(yōu)點是估產(chǎn)結果穩(wěn)定可靠，其原理是依據(jù)小麥農(nóng)學特性，利用HJ-1A/1B衛(wèi)星傳感器收集到反映小麥屬性光譜特征參量NDVI，進而應用NDVI監(jiān)測出小麥葉片氮積累量，最終結合小麥產(chǎn)量與葉片氮積累量間的農(nóng)學關系實現(xiàn)衛(wèi)星遙感估產(chǎn)；本研究建立直接遙感估產(chǎn)模型，沒有過多依賴NDVI，而是選用RVI與DVI這兩個遙感變量建立雙因子估產(chǎn)模型，該方法是以往研究未涉及的。研究所使用的樣本數(shù)不一致，是因為樣本篩選過程中有些損壞或差異較大的樣品被丟棄所導致的。筆者利用衛(wèi)星遙感技術快速高效獲取大田作物生產(chǎn)信息，有效地解決了“點”數(shù)據(jù)觀測任務重的弊端，更加有助于作物估產(chǎn)技術“點”數(shù)據(jù)到“面”數(shù)據(jù)轉換的廣泛示范。小麥產(chǎn)量的影響因素較多，諸如品種、栽培條件、土壤、氣候因素等。建立估產(chǎn)模型應該加入這些影響因素，以增強遙感估產(chǎn)模型的時間維特性和空間維特性。由于研究只選取小麥開花期研究產(chǎn)量估算模型，沒有和小麥其余生育時期進行比對，開花期是否為建立模型最優(yōu)時期還有待驗證。

4 結論

分別以DVI和RVI為基礎的單因子直接估產(chǎn)模型的為918 kg·hm-2和1 399.5kg·hm-2，以DVI和RVI遙感變量構建的雙變量估產(chǎn)模型的為1 036.5 kg·hm-2，以NDVI和葉片氮積累量為基礎構建的間接估產(chǎn)模型的為805.5 kg·hm-2，經(jīng)對比分析表明，利用小麥開花期的HJ-1A/1B影像提取敏感遙感變量估算收獲期小麥產(chǎn)量是可行的，但以NDVI和葉片氮積累量為基礎的間接估算模型的估算精度更為準確，比DVI直接估產(chǎn)模型降低了112.5 kg·hm-2，比RVI直接估產(chǎn)模型降低了594 kg·hm-2，比雙因子模型降低了231 kg·hm-2。

References

[1] 周清波. 國內外農(nóng)情遙感現(xiàn)狀與發(fā)展趨勢. 中國農(nóng)業(yè)資源與區(qū)劃, 2004, 25(5): 9-14.

Zhou Q B. Status and tendency for development in remote sensing of agriculture situation.,2004, 25(5): 9-14. (in Chinese)

[2] Rasmussen M S. Assessment of millet yields and production in northern Burkina Faso using integrated NDVI from the AVHRR., 1992, 13(18): 3431-3442.

[3] Rasmussen M S. Operational yield forecast using AVHRR NDVI data: Reduction of environmental and inter-annual variability., 1997, 18(5): 1059-1077.

[4] 焦險峰, 楊邦杰, 裴志遠, 王飛. 基于植被指數(shù)的作物產(chǎn)量監(jiān)測方法研究. 農(nóng)業(yè)工程學報, 2005, 21(4): 104-108.

Jiao X F, Yang B J, Pei Z Y, Wang F. Monitoring crop yield using NOAA/AVHRR-based vegetation indices., 2005, 21(4): 104-108. (in Chinese)

[5] Anup K P, Chai L, Singh R P, Menas K. Crop yield estimation model for Iowa using remote sensing and surface parameters., 2006, 8(1): 26-33.

[6] Salazar L, Kogan F, Roytman L. Use of remote sensing data for estimation of winter wheat yield in the United States., 2007, 28(17): 3795-3911.

[7] Mehdi M, Ali R S, Shahrokh Z. Estimation of yield and dry matter of winter wheat using logistic model under different irrigation water regimes and nitrogen application rates., 2014, 60(12): 1661-1676.

[8] Domenikiotis C, Spiliotopoulos M, Tsiros E, Dalezios N R. Early cotton yield assessment by the use of the NOAA/AVHRR derived vegetation condition index (VCI) in Greece., 2004, 25(14): 2807-2819.

[9] Hochheim K P, Barber D G. Spring wheat yield estimation for western Canada using NOAA NDVI data., 1998, 24(1): 17-27.

[10] 任建強, 陳仲新, 唐華俊. 基于MODIS-NDVI的區(qū)域小麥遙感估產(chǎn)—以山東省濟寧市為例. 應用生態(tài)學報, 2006, 17(12): 2371-2375.

Ren J Q, Chen Z X, Tang H J. Regional scale remote sensing- based yield estimation of winter wheat by using MODIS-NDVI data: A case study of Jining city in Shandong province.,2006, 17(12): 2371-2375. (in Chinese)

[11] 陳艷玲, 顧曉鶴, 董燕生, 胡圣武, 張秋陽, 趙靜. 利用有效積溫提高冬小麥估產(chǎn)精度的研究. 麥類作物學報, 2014, 34(8): 1130-1135.

Chen Y L, Gu X H, Dong Y S, Hu S W, Zhang Q Y, Zhao J. Prediction of winter wheat yield based on remote sensing with accumulated temperature.,2014, 34(8): 1130-1135. (in Chinese)

[12] 王培娟, 謝東輝, 張佳華, 孫睿, 陳聲海, 朱啟疆. BEPS模型在華北平原冬小麥估產(chǎn)中的應用. 農(nóng)業(yè)工程學報, 2009, 25(10): 148-153.

Wang P J, Xie D H, Zhang J H, Sun R, Chen S H, Zhu Q J. Application of BEPS model in estimating winter wheat yield in North China Plain.2009, 25(10): 148-153. (in Chinese)

[13] 楊武德, 宋艷暾, 宋曉彥, 丁光偉. 基于3S和實測相結合的冬小麥估產(chǎn)研究. 農(nóng)業(yè)工程學報, 2009, 25(2): 131-135.

Yang W D, Song Y T, Song X Y, Ding G W. Winter wheat yield estimating based on 3S integration and field measurement., 2009, 25(2): 131-135. (in Chinese)

[14] 陳鵬飛, 楊飛, 杜佳. 基于環(huán)境減災衛(wèi)星時序歸一化植被指數(shù)的小麥產(chǎn)量估測. 農(nóng)業(yè)工程學報, 2013, 29(11): 124-131.

Chen P F, Yang F, Du J. Yield forecasting for winter wheat using time series NDVI from HJ satellite.2013, 29(11): 124-131. (in Chinese)

[15] 王純枝, 宇振榮, 辛景峰, Driessen P M, 劉云慧. 基于遙感和作物生長模型的作物產(chǎn)量差估測. 農(nóng)業(yè)工程學報, 2005, 21(7): 84- 89.

Wang C Z, Yu Z R, Xin J F, Driessen P M, Liu Y H. Yield gap estimation by combining remote sensing and crop growth model.,2005, 21(7): 84-89. (in Chinese)

[16] 朱再春, 陳聯(lián)裙, 張錦水, 潘耀忠, 朱文泉. 基于信息擴散和關鍵期遙感數(shù)據(jù)的冬小麥估產(chǎn)模型. 農(nóng)業(yè)工程學報, 2011, 27(2): 187-193.

Zhu Z C, Chen L Q, Zhang J S, Pan Y Z, Zhu W Q. Winter wheat yield estimation model based on information diffusion and remote sensing data at major growth stages., 2011, 27(2): 187-193. (in Chinese)

[17] 譚昌偉, 羅明, 楊昕, 馬昌, 嚴翔, 周健, 杜穎, 王雅楠. 運用PLS算法由HJ-1A/1B遙感影像估測區(qū)域小麥理論產(chǎn)量. 中國農(nóng)業(yè)科學, 2015, 48(20): 4033-4041.

Tan C W, Luo M, Yang X, Ma C, Yan X, Zhou J, Du Y, Wang Y N. Remote sensing estimation of winter wheat theoretical yield on regional scale using partial least squares regression algorithm based on HJ-1A/1B images., 2015, 48(20): 4033-4041. (in Chinese)

[18] 譚昌偉, 羅明, 楊昕, 馬昌, 周健, 杜穎, 王雅楠. 運用PLS算法由HJ-1A/1B遙感影像估測區(qū)域小麥實際單產(chǎn). 農(nóng)業(yè)工程學報, 2015, 31(15): 161-166.

Tan C W, Luo M, Yang X, Ma C, Zhou J, Du Y, Wang Y N. Remote sensing estimation of wheat practical yield on regional scale using partial least squares regression algorithm based on HJ-1A/1B images., 2015, 31(15): 161-166. (in Chinese)

[19] 劉良云, 宋曉宇, 李存軍, 齊臘, 黃文江, 王紀華. 冬小麥病害與產(chǎn)量損失的多時相遙感監(jiān)測. 農(nóng)業(yè)工程學報, 2009, 25(1): 137-143.

Liu L Y, Song X Y, Li C J, Qi L, Huang W J, Wang J H. Monitoring and evaluation of the diseases of and yield winter wheat from multi-temporal remotely-sensed data., 2009, 25(1): 137-143. (in Chinese)

[20] 王長耀, 林文鵬. 基于MODIS_EVI的冬小麥產(chǎn)量遙感估算研究. 農(nóng)業(yè)工程學報, 2005, 21(10): 90-94.

Wang C Y, Lin W P. Winter wheat yield estimation based on MODIS-EVI., 2005, 21(10): 90-94. (in Chinese)

[21] 任建強, 陳仲新, 周清波, 唐華俊. 基于時序歸一化植被指數(shù)的冬小麥收獲指數(shù)空間信息提取. 農(nóng)業(yè)工程學報, 2010, 26(8): 160-167.

Ren J Q, Chen Z X, Zhou Q B, Tang H J. Retrieving the spatial-explicit harvest index for winter wheat from NDVI time series data., 2010, 26(8): 160-167. (in Chinese)

[22] 馮美臣, 肖璐潔, 楊武德, 丁光偉. 基于遙感數(shù)據(jù)和氣象數(shù)據(jù)的水旱地小麥產(chǎn)量估測. 農(nóng)業(yè)工程學報, 2010, 26(11): 183-188.

Feng M C, Xiao L J, Yang W D, Ding G W. Predicting grain yield of irrigation-land and dry-land winter wheat based on remote sensing data and meteorological data., 2010, 26(11): 183-188. (in Chinese)

[23] 李振海. 基于遙感數(shù)據(jù)和氣象預報數(shù)據(jù)的DSSAT模型小麥產(chǎn)量和品質預報[D]. 杭州: 浙江大學, 2016.

Li Z H. Predicting winter wheat yield and quality by integrating of remote sensing data and the weather forecast data into the DSSAT model[D]. Hangzhou: Zhejiang University, 2016. (in Chinese)

[24] Bouman B A M. Linking physical remote sensing models with crop growth simulation models, applied for sugar beet., 1992, 13(14): 2565-2581.

[25] Serrano J, Filella I, Penuelas J. Remote sensing of biomass and yieldof winter wheat under different nitrogen supplies. Crop Science, 2000, 40(3): 723-731.

[26] Huete A R. A soil-adjusted vegetation index(SAVI). Remote Sensing of, 1988, 25(3): 259-309.

[27] Rondeaux G, Steven M D, Baret F. Optimization of soil adjustedvegetation indices. Remote Sensing of Environment, 1996, 55(2): 95-107.

[28] Schleicher T D, Bausch W C, Delgado J A, Ayers P D. Evaluation andrefinement of the nitrogen reflectance index (NRI) for site-specificfertilizer management//ASAE Annual International Meeting Report. ASAE Paper No. 01-11151. St. Joseph, MI, USA, 2001.

[29] Sims D A, Gamon J A. Relationships between leaf pigment contentand spectral reflectance across a wide range of species, leaf structuresand developmental stages. Remote Sensing of Environment, 2002, 81(2/3): 337-354.

[30] Penuelas J, Baret F, Fillella I. Semi-empirical indices to assesscarotenoids/chlorophyll a ratio from leaf spectral reflectance. Photosynthetica, 1995, 31(2): 221-230.

[31] Daughtry C S T, Walthall C L, Kim M S, Brown d e Colstoun E, McMurtrey J E. Estimating corn foliar chlorophyll content from leaf and canopy reflectance., 2000, 74(2): 229-239.

[32] Jordan C F. Derivation of leaf-area index from quality of light on theforest floor. Ecology, 1969, 50(4): 663-666.

[33] Pearson R L, Miller D L. Remote mapping of standing crop biomass forestimation of the productivity of the shortgrass prairie// Proceedings. Michigan: Ann Arbor, 1972: 1357-1381.

[34] Rasmussen M S. Operational yield forecast using AVHRR NDVI data: Reduction of environmental and inter-annual variability., 1997, 18(5): 1059-1077.

（責任編輯 楊鑫浩）

Comparison of the Methods for Predicting Wheat Yield Based on Satellite Remote Sensing Data at Anthesis

TAN ChangWei, DU Ying, TONG Lu, ZHOU Jian, LUO Ming, YAN WeiWei, CHEN Fei

(Jiangsu Key Laboratory of Crop Genetics and Physiology, Yangzhou University/Co-Innovation Center for Modern Production Technology of Grain Crops, Yangzhou 225009, Jiangsu)

【Objective】With the advantages of wide coverage, high speed, large amount of information and strong dynamics, satellite remote sensing technology can obtain crop yield timely and accurately, reflect the spatial change trend of field crop yield. The remote sensing technology has become a hot research topic in agricultural production to estimate crop yield. Through improving the method of establishing remote sensing estimation yield models, this research aims to make further efforts to improve the accuracy of predicting crop yield and provide an intuitive and reliable reference for the macro understanding of crop yield formation and changes in different regions.【Method】In this paper, based on experimental data obtained from 2011-2012 in the fixed-point observation experiment in 5 counties of Jiangsu province (Dafeng, Xinghua, Jiangyan, Taixing, Yizheng), remote sensing data of HJ-1A/1B satellite images were used to analyze the quantitative correlations between the remote sensing vegetation index, key growth index and wheat yield per unit area at anthesis in order to further enhance the mechanism and reproducibility of remote sensing inversion models. The direct model building method was used to analyze the correlation between satellite remote sensing variables and wheat yield directly. While the indirect model building methods needed to choose remote sensing variables which closely related with yield, and choose growth indices which closely related with the remote sensing variables. Firstly, the corresponding wheat growth indices were monitored by using the sensitive remote sensing variables. Then, the indirect estimation model could be established and worked for the indirect remote sensing estimation in wheat yield. Based on the remote sensing vegetation index and the highest relationship, sensitive remote sensing variables were selected to estimate wheat yield, and the wheat yield estimation model, which was built and analyzed with ground measuring results in 2012, was analyzed with the linear regression analysis method and established by using direct and indirect model building methods. Based on the evaluation indexes:Rand, the accuracy of the two models was validated and compared using the observed data in 2011 in order to increase the quantitative level and reliability of remote sensing inversion models.【Result】Single factor models based on difference vegetation index (DVI) or ratio vegetation index (RVI) extracted from HJ-1A/1B image could predict the yield directly with root mean square error () of 918 kg·hm-2and 1 399.5 kg·hm-2. A two-factor model based on DVI and RVI could predict the yield directly withof 1 036.5 kg·hm-2. Theof the indirect yield model based on normalized difference vegetation index (NDVI) and leaf nitrogen accumulation was 805.5 kg·hm-2. It was concluded that the HJ-1A/1B image at flowering stage was feasible and the precision was high. The accuracy of the indirect yield estimation model based on NDVI and leaf nitrogen accumulation was significantly higher than that of the direct estimation model. Thedecreased by 112.5 kg·hm-2, 594 kg·hm-2and 231 kg·hm-2with the comparison of DVI direct estimation model, RVI direct estimation model and two-factor model, respectively. 【Conclusion】It was confirmed that HJ-1A/B, the satellite made in China, can meet the requirement of wheat yield estimation. Compared to the direct method, it is more feasible to predict field crop yield through remote sensing model based on the indirect method. The results provide a new way to accurately estimate field wheat yield using remote sensing technology.

wheat; HJ-1A/1B; anthesis; yield; prediction models

2016-12-14；接受日期：2017-03-07

國家自然科學基金（41271415）、江蘇高校優(yōu)勢學科建設工程（PAPD）、江蘇省農(nóng)業(yè)自主創(chuàng)新資金（CX(16)1042）、蘇州市農(nóng)業(yè)科技創(chuàng)新項目（SNG201643）、揚州市科技計劃（YZ2016242）、揚州大學科技創(chuàng)新團隊

譚昌偉，E-mail：tanwei010@126.com