郭 銳 朱秀芳 李石波 侯陳瑤

(1.北京師范大學(xué)地表過程與資源生態(tài)國(guó)家重點(diǎn)實(shí)驗(yàn)室， 北京 100875；2.北京師范大學(xué)地理科學(xué)學(xué)部遙感科學(xué)與工程研究院， 北京 100875；3.中國(guó)地質(zhì)大學(xué)土地科學(xué)技術(shù)學(xué)院， 北京 100083)

0 引言

遙感農(nóng)業(yè)監(jiān)測(cè)具有觀測(cè)范圍大、時(shí)間分辨率高、數(shù)據(jù)客觀可靠的優(yōu)點(diǎn)，比工作量大、成本高、效率低的傳統(tǒng)估產(chǎn)方式節(jié)省了時(shí)間和成本，為農(nóng)作物估產(chǎn)提供了科學(xué)有效的手段[1-2]。

利用遙感進(jìn)行作物產(chǎn)量估算的方法主要包括：遙感統(tǒng)計(jì)估產(chǎn)模型、干物質(zhì)-產(chǎn)量模型和作物模型模擬。遙感統(tǒng)計(jì)估產(chǎn)模型通過建立遙感變量與產(chǎn)量之間的關(guān)系表達(dá)式來進(jìn)行產(chǎn)量估算[3-5]；干物質(zhì)-產(chǎn)量模型先基于遙感數(shù)據(jù)估算作物的地上生物量，再通過收獲指數(shù)轉(zhuǎn)換成作物的經(jīng)濟(jì)產(chǎn)量[6-7]；遙感作物模型模擬是將遙感數(shù)據(jù)作為模型校正的數(shù)據(jù)源之一，對(duì)作物模型進(jìn)行參數(shù)本地化后，在氣象、土壤、作物種植信息等數(shù)據(jù)的驅(qū)動(dòng)下進(jìn)行作物生長(zhǎng)模擬和產(chǎn)量的估算[8-10]。3種方法中第1種方法最簡(jiǎn)單，對(duì)數(shù)據(jù)的要求最低，后兩種方法機(jī)理性更強(qiáng)，要求大量輸入數(shù)據(jù)，操作更復(fù)雜。

在遙感統(tǒng)計(jì)估產(chǎn)模型中，使用最多的輸入變量是植被指數(shù)。植被指數(shù)可以反映植被的生產(chǎn)力和健康狀況，研究表明，植被指數(shù)與作物產(chǎn)量之間高度相關(guān)[11-12]。以往研究中用到的植被指數(shù)包括歸一化植被指數(shù)(NDVI)[13-15]、增強(qiáng)型植被指數(shù)(EVI)[16]、葉面積指數(shù)(LAI)[17]、垂直植被指數(shù)(PVI)[18]、植被條件指數(shù)(VCI)[19]、光合有效輻射(APAR)[20]等。盡管利用植被構(gòu)建遙感估產(chǎn)模型取得了成功，但也存在一些問題，比如NDVI在植被高覆蓋區(qū)容易飽和，對(duì)災(zāi)害(如干旱、病蟲害)的響應(yīng)滯后，不能很好地反映農(nóng)業(yè)管理和科技進(jìn)步帶來的產(chǎn)量增加趨勢(shì)[21]。

另外，隨著遙感數(shù)據(jù)產(chǎn)品的進(jìn)一步豐富，發(fā)布了大量環(huán)境變量遙感產(chǎn)品(如溫度、土壤濕度、降水量和蒸散發(fā)量)，有研究開始綜合使用環(huán)境變量和植被指數(shù)遙感產(chǎn)品建立統(tǒng)計(jì)估產(chǎn)模型。例如， PRASAD等[22]利用NDVI、VCI和條件溫度指數(shù)(TCI)等遙感數(shù)據(jù)對(duì)植被的健康狀況和土壤生產(chǎn)力進(jìn)行評(píng)估，并構(gòu)建了作物估產(chǎn)模型。DABROWSKA-ZIELINSKA等[23]利用早春和初夏兩個(gè)時(shí)期的VCI和TCI進(jìn)行波蘭作物生長(zhǎng)狀況的評(píng)估與作物產(chǎn)量的估計(jì)。上述研究都表明，加入環(huán)境變量對(duì)作物估產(chǎn)具有積極作用。

本文以山東省冬小麥為例，綜合使用技術(shù)產(chǎn)量、植被指數(shù)和環(huán)境變量構(gòu)建統(tǒng)計(jì)估產(chǎn)模型，同時(shí)在監(jiān)測(cè)模式和預(yù)報(bào)模式下進(jìn)行模型的應(yīng)用和驗(yàn)證，以期為冬小麥實(shí)時(shí)產(chǎn)量預(yù)報(bào)提供方法參考。

1 研究區(qū)及數(shù)據(jù)獲取

1.1 研究區(qū)概況

研究區(qū)域?yàn)樯綎|省(圖1)，屬暖溫帶季風(fēng)氣候，氣候條件穩(wěn)定，冬季寒冷干燥，夏季高溫多雨，光照資源豐富，適合農(nóng)業(yè)種植，主要的種植作物有冬小麥、棉花、玉米。山東省的小麥種植面積常年保持在20萬(wàn)hm2，小麥總產(chǎn)量約占全國(guó)小麥產(chǎn)量的18%，是我國(guó)僅次于河南省的小麥生產(chǎn)省。干旱是影響山東省冬小麥產(chǎn)量的一大因素，但隨著種植方法與灌溉技術(shù)的不斷進(jìn)步，山東省冬小麥抵抗干旱、病蟲害等災(zāi)害的能力逐漸增強(qiáng)，整體小麥產(chǎn)量呈現(xiàn)穩(wěn)中有升的趨勢(shì)。

圖1 研究區(qū)域圖Fig.1 Study area map

1.2 數(shù)據(jù)獲取與預(yù)處理

本文使用的遙感數(shù)據(jù)為500 m分辨率地表反射率(Surface reflectance)8 d合成產(chǎn)品MOD09A1和500 m分辨率全球陸地蒸發(fā)蒸騰(Global terrestrial evapotranspiration)8 d合成產(chǎn)品MOD16A2，均下載自LAADS DAAC(https:∥ladsweb.modaps.eosdis.nasa.gov/)，取水平第27景、垂直第5景數(shù)據(jù)，位于102.2°～128.8°E、29.3°～40.0°N之間，得到包括河南、山東等省份在內(nèi)的影像。數(shù)據(jù)時(shí)間為2007—2017年，時(shí)間間隔為8 d/景，共計(jì)308幅影像。

MOD09A1產(chǎn)品提供了MODIS傳感器500 m分辨率1～7波段表面反射率8 d合成的數(shù)據(jù)產(chǎn)品，投影為正弦曲線投影，數(shù)據(jù)集中的每個(gè)像素包含了8 d內(nèi)盡可能準(zhǔn)確的觀測(cè)值。由于MODIS數(shù)據(jù)產(chǎn)品中未包含500 m分辨率的8 d合成EVI數(shù)據(jù)，為了統(tǒng)一遙感數(shù)據(jù)的時(shí)間與空間分辨率，本文基于MOD09A1數(shù)據(jù)計(jì)算得到研究中所使用的500 m分辨率的8 d合成增強(qiáng)型植被指數(shù)(EVI)數(shù)據(jù)。

MOD16A2產(chǎn)品數(shù)據(jù)集中包含了實(shí)際蒸騰和潛在蒸騰，ET和PET表示500 m分辨率8 d內(nèi)單位面積通過蒸騰散失水分(0.012 5 kg/(m2·d))的總和。其中ET表示不同植被覆蓋度條件下植被區(qū)域和非植被區(qū)域的加權(quán)平均蒸騰量；PET表示在假設(shè)水分供應(yīng)不受限制的情況下，某一固定下墊面可能達(dá)到的最大蒸騰量。

使用的非遙感數(shù)據(jù)包括中國(guó)多時(shí)期土地利用土地覆被遙感監(jiān)測(cè)數(shù)據(jù)集(CNLUCC)[24]、山東省矢量邊界數(shù)據(jù)、山東省作物物候觀測(cè)數(shù)據(jù)和山東省歷史產(chǎn)量統(tǒng)計(jì)數(shù)據(jù)等。使用的耕地掩膜數(shù)據(jù)由中國(guó)多時(shí)期土地利用土地覆被遙感監(jiān)測(cè)數(shù)據(jù)集(CNLUCC)中一級(jí)類型為耕地的像元(一級(jí)類型編號(hào)為1)提取并二值化后獲得。數(shù)據(jù)的預(yù)處理主要包括遙感影像的投影轉(zhuǎn)換、數(shù)據(jù)裁剪、像元篩選等。

2 研究方案與方法

2.1 研究方案

本文的研究方案包括：①計(jì)算增強(qiáng)型植被指數(shù)(EVI)和作物水分脅迫指數(shù)(CWSI)。利用山東省2007—2017年冬小麥生育期內(nèi)的MODIS傳感器地表反射率產(chǎn)品(MOD09A1)計(jì)算各縣區(qū)平均累計(jì)增強(qiáng)型植被指數(shù)(EVI), 利用同時(shí)期蒸騰散發(fā)產(chǎn)品(MOD16A2)計(jì)算各縣區(qū)平均累計(jì)水分脅迫指數(shù)(CWSI)。②確定技術(shù)產(chǎn)量因子。技術(shù)產(chǎn)量反映了該地區(qū)的平均農(nóng)業(yè)生產(chǎn)技術(shù)水平以及抗災(zāi)能力。結(jié)合山東省2007—2017年縣級(jí)歷史產(chǎn)量統(tǒng)計(jì)數(shù)據(jù)，利用時(shí)間序列趨勢(shì)方法計(jì)算技術(shù)產(chǎn)量。③建立估產(chǎn)模型。使用最小二乘線性回歸法分別進(jìn)行山東省市級(jí)尺度和省級(jí)尺度的冬小麥產(chǎn)量預(yù)測(cè)模型的構(gòu)建。④模型的應(yīng)用及精度驗(yàn)證。分別在監(jiān)測(cè)模式和預(yù)報(bào)模式下進(jìn)行估產(chǎn)模型的應(yīng)用及精度驗(yàn)證。技術(shù)路線見圖2。

圖2 技術(shù)路線圖Fig.2 Technical flowchart

2.2 平均累計(jì)指數(shù)計(jì)算

2.2.1平均作物水分脅迫指數(shù)(CWSI)

作物水分脅迫指數(shù)(CWSI)由500 m分辨率全球陸地蒸發(fā)蒸騰8 d合成產(chǎn)品MOD16A2計(jì)算得到。作物水分脅迫指數(shù)可以反映植被不同生長(zhǎng)狀況下蒸騰量的變化和生長(zhǎng)環(huán)境的干旱程度[25]，計(jì)算式為

(1)

式中CWSI——作物水分脅迫指數(shù)

ET——實(shí)際蒸騰量

PET——潛在蒸騰量

縣級(jí)平均CWSI具體計(jì)算過程如下：首先，利用耕地掩膜數(shù)據(jù)對(duì)CWSI數(shù)據(jù)進(jìn)行掩膜處理，得到山東省耕地范圍內(nèi)的CWSI數(shù)據(jù)。之后，利用山東省縣級(jí)行政邊界矢量數(shù)據(jù)，分別提取每個(gè)縣區(qū)對(duì)應(yīng)的共計(jì)11年、每年14期的所有耕地像元的CWSI平均值，將求得的平均值作為該縣區(qū)該年該期的脅迫指數(shù)。最后，統(tǒng)計(jì)縣級(jí)生育期內(nèi)的累計(jì)平均脅迫指數(shù)，對(duì)缺失3期及3期以下的數(shù)據(jù)(缺失期數(shù)不超過總期數(shù)的20%)使用該縣區(qū)其他年份的多年平均值作為替代，構(gòu)成完整的生育期脅迫指數(shù)數(shù)據(jù)；對(duì)于缺失3期及3期以上的數(shù)據(jù)(缺失期數(shù)超過總期數(shù)的20%)，則判定該地區(qū)該年的數(shù)據(jù)缺失過多，舍棄該年的數(shù)據(jù)，不參與后續(xù)的估產(chǎn)建模。最后求得共135個(gè)縣區(qū)、每個(gè)縣區(qū)共11年(除數(shù)據(jù)缺失年份)的生育期內(nèi)的累計(jì)平均脅迫指數(shù)。

2.2.2平均增強(qiáng)型植被指數(shù)(EVI)

之前有研究對(duì)比了NDVI、LAI、EVI、GPP(總初級(jí)生產(chǎn)力)和LST(地表溫度)等變量對(duì)作物產(chǎn)量估計(jì)的影響，指出EVI在多種作物估產(chǎn)的應(yīng)用中效果最優(yōu)[11]。因此，本研究中利用500 m分辨率表面反射率8 d合成的數(shù)據(jù)產(chǎn)品(MOD09A1)進(jìn)行了EVI的計(jì)算[26]，計(jì)算式為

(2)

式中EVI——增強(qiáng)型植被指數(shù)

ρRED——紅波段反射率

G——增益參數(shù)，取2.5

ρNIR——近紅外波段反射率

ρBLUE——藍(lán)波段反射率

L——增益參數(shù)，取1

C1——大氣修正紅光校正參數(shù)，取6.0

C2——大氣修正藍(lán)光校正參數(shù)，取7.5

然后使用TIMESAT軟件對(duì)EVI時(shí)間序列進(jìn)行平滑，去除圖像噪聲[27-28]，計(jì)算縣級(jí)平均EVI和生育期內(nèi)的累計(jì)平均EVI。其計(jì)算過程同2.2.1節(jié)中縣級(jí)累計(jì)平均CWSI的計(jì)算過程。

2.3 技術(shù)產(chǎn)量計(jì)算

技術(shù)產(chǎn)量代表研究區(qū)域長(zhǎng)期的社會(huì)生產(chǎn)力發(fā)展水平所決定的產(chǎn)量分量。本文使用時(shí)間序列趨勢(shì)分析的算法求取技術(shù)產(chǎn)量[29]。該方法將整個(gè)時(shí)間序列內(nèi)的歷史產(chǎn)量，在某個(gè)與滑動(dòng)步長(zhǎng)時(shí)間內(nèi)進(jìn)行線性擬合，形成一條線性函數(shù)的直線。隨著滑動(dòng)直線不斷向后移動(dòng)，不斷生成新的擬合直線。在直線滑動(dòng)完成后，各時(shí)間點(diǎn)上均對(duì)應(yīng)有大于或等于1個(gè)直線的模擬值，再對(duì)各時(shí)間點(diǎn)上的模擬值求平均值，即得到技術(shù)產(chǎn)量。這種模擬方法既不損失樣本序列的年數(shù)，也避免了主觀假定長(zhǎng)時(shí)間序列產(chǎn)量變化的曲線類型，是一種較為實(shí)用的趨勢(shì)模擬方法。

2.4 估產(chǎn)模型構(gòu)建

以2017年之前縣級(jí)數(shù)據(jù)作為建模樣本輸入，基于最小二乘法的多元線性回歸方法分別建立了省級(jí)和市級(jí)估產(chǎn)模型。省級(jí)尺度上的估產(chǎn)可以反映山東省整體的農(nóng)作物生產(chǎn)力，對(duì)于大范圍監(jiān)測(cè)冬小麥長(zhǎng)勢(shì)與實(shí)時(shí)估算小麥產(chǎn)量有一定的理論意義。市級(jí)估產(chǎn)可以反映不同市域范圍內(nèi)由于農(nóng)作物生產(chǎn)技術(shù)、氣候和土壤條件所導(dǎo)致的產(chǎn)量差異，對(duì)于各市政府針對(duì)性地進(jìn)行科學(xué)生產(chǎn)管理與農(nóng)業(yè)政策制定有積極的作用。

對(duì)于山東省市級(jí)冬小麥單產(chǎn)估產(chǎn)模型，去除了樣本點(diǎn)低于50個(gè)的城市(威海市、日照市、萊蕪市)以及遙感數(shù)據(jù)有嚴(yán)重缺失的城市(濱州市)，最終保留了共13個(gè)城市的樣本數(shù)據(jù)，完成山東省市級(jí)小麥單產(chǎn)估產(chǎn)建模，得到13個(gè)市級(jí)線性回歸方程。

對(duì)于山東省省級(jí)冬小麥單產(chǎn)估產(chǎn)模型，首先對(duì)全省所有縣區(qū)的數(shù)據(jù)樣本進(jìn)行篩選，去除數(shù)據(jù)缺失和存在異常值的樣本點(diǎn)，最終保留736個(gè)樣本，完成山東省省級(jí)小麥單產(chǎn)估產(chǎn)建模，得到1個(gè)省級(jí)線性回歸方程。

2.5 模型應(yīng)用與精度驗(yàn)證

以2017年山東省小麥產(chǎn)量數(shù)據(jù)為驗(yàn)證樣本，采用監(jiān)測(cè)和預(yù)報(bào)兩種模式進(jìn)行估產(chǎn)模型的應(yīng)用與驗(yàn)證。監(jiān)測(cè)模式面向生長(zhǎng)季結(jié)束后的最終產(chǎn)量估算，需在小麥生長(zhǎng)季結(jié)束后獲得全生長(zhǎng)季完整的遙感數(shù)據(jù)后才能進(jìn)行；而預(yù)報(bào)模式是在小麥生長(zhǎng)季節(jié)開始后進(jìn)行實(shí)時(shí)的產(chǎn)量預(yù)測(cè)。

對(duì)于監(jiān)測(cè)模式，首先對(duì)各市和全省范圍內(nèi)所包含的縣所對(duì)應(yīng)的2017年縣級(jí)累計(jì)平均EVI、縣級(jí)累計(jì)平均CWSI和技術(shù)產(chǎn)量數(shù)據(jù)分別求取市級(jí)和省級(jí)的平均值，以2017年的生長(zhǎng)季內(nèi)(第65天到第169天)市級(jí)累計(jì)平均EVI、市級(jí)累計(jì)平均CWSI和估算的2017年的各市的技術(shù)產(chǎn)量數(shù)據(jù)為輸入，分別代入對(duì)應(yīng)的市級(jí)估產(chǎn)模型中進(jìn)行各市的冬小麥單產(chǎn)估算，將省級(jí)累計(jì)平均EVI、累計(jì)平均CWSI和技術(shù)產(chǎn)量代入省級(jí)估產(chǎn)模型進(jìn)行全省的冬小麥的單產(chǎn)估算。

預(yù)報(bào)模式在小麥生長(zhǎng)季節(jié)開始時(shí)就進(jìn)行預(yù)測(cè)。然而在生長(zhǎng)季初期，模型所需的整個(gè)生長(zhǎng)季的累計(jì)平均EVI和CWSI是未知的。為此，對(duì)于未知時(shí)間段的EVI和CWSI采用多年平均值進(jìn)行代替。例如，生長(zhǎng)季一開始(第65天)就進(jìn)行產(chǎn)量監(jiān)測(cè)時(shí)，第65天的EVI和CWSI用2017年的實(shí)測(cè)數(shù)據(jù)，而后的第73天到第165天用歷史平均值替代，最終得到完整的生長(zhǎng)季的累計(jì)平均EVI和CWSI。隨著季節(jié)的推進(jìn)，當(dāng)前生長(zhǎng)季越來越多的觀測(cè)值被納入模型，預(yù)報(bào)模型的結(jié)果會(huì)越來越接近監(jiān)測(cè)模式的結(jié)果。本文在生長(zhǎng)季中選取3個(gè)時(shí)間點(diǎn)進(jìn)行預(yù)報(bào)模式下的模型應(yīng)用，分別是返青期結(jié)束(第89天)、拔節(jié)期結(jié)束(第121天)和乳熟期結(jié)束(第145天)時(shí)。預(yù)報(bào)模式下市級(jí)與省級(jí)模型的應(yīng)用方法同監(jiān)測(cè)模式所述過程。

本文中估產(chǎn)精度評(píng)價(jià)的指標(biāo)包括絕對(duì)誤差(Absolute error，AE)和絕對(duì)相對(duì)精度(Absolute relative accuracy，ARA)，計(jì)算式為

YAE=|Ye-Ya|

(3)

(4)

式中Ye——山東省2017年冬小麥模型估計(jì)產(chǎn)量

Ya——山東省2017年冬小麥統(tǒng)計(jì)數(shù)據(jù)的真實(shí)產(chǎn)量

3 結(jié)果與分析

3.1 自變量與小麥產(chǎn)量的相關(guān)性分析

對(duì)2007—2017年縣級(jí)小麥產(chǎn)量數(shù)據(jù)分別與其對(duì)應(yīng)縣區(qū)生育期內(nèi)的技術(shù)產(chǎn)量、累計(jì)平均EVI、累計(jì)平均CWSI進(jìn)行相關(guān)性分析，結(jié)果如表1所示。

各市小麥產(chǎn)量和技術(shù)產(chǎn)量因子之間的相關(guān)性最高，相關(guān)系數(shù)均不小于0.974，顯著性概率均高于0.01水平；其次與產(chǎn)量相關(guān)度較高的是累計(jì)平均EVI，相關(guān)系數(shù)均在0.522～0.867之間，也在0.01水平顯著；累計(jì)平均CWSI與產(chǎn)量的相關(guān)系數(shù)在0.370～0.650之間，大部分通過0.01水平的顯著性檢驗(yàn)。

對(duì)全省小麥產(chǎn)量數(shù)據(jù)與全省范圍內(nèi)的生育期內(nèi)的各指數(shù)也進(jìn)行相關(guān)性分析。其中與產(chǎn)量相關(guān)性最高的同樣是技術(shù)產(chǎn)量，相關(guān)系數(shù)高達(dá)0.993，在0.01水平顯著；累計(jì)平均EVI與產(chǎn)量的相關(guān)性達(dá)到了0.780，在0.01水平顯著；累計(jì)平均CWSI與產(chǎn)量的相關(guān)性相對(duì)較低，為0.388，在0.05水平顯著。

由表1可以看出，技術(shù)產(chǎn)量、累計(jì)平均EVI、累計(jì)平均CWSI與實(shí)際產(chǎn)量都有良好的相關(guān)性，均可作為對(duì)冬小麥單產(chǎn)估計(jì)進(jìn)行建模的因子。

表1 小麥產(chǎn)量與技術(shù)產(chǎn)量、累計(jì)平均EVI、累計(jì)平均CWSI的相關(guān)系數(shù)Tab.1 Correlation coefficients between wheat yield and trend yield, cumulative EVI and cumulative CWSI

3.2 小麥估產(chǎn)模型

以各縣技術(shù)產(chǎn)量Yt、累計(jì)平均EVI和累計(jì)平均CWSI為自變量，以相應(yīng)縣的實(shí)際歷史產(chǎn)量為因變量，基于最小二乘多元線性回歸法建立了2007—2017年山東省13個(gè)市和1個(gè)全省的產(chǎn)量估算模型，如表2所示。估產(chǎn)模型的R2均不小于0.962并且在0.01水平顯著。其中，泰安市小麥單產(chǎn)估算模型R2最高(0.990)，濟(jì)南市小麥單產(chǎn)估算模型R2最低(0.962)，全省小麥產(chǎn)量估算模型R2為0.985。

表2 冬小麥估產(chǎn)模型Tab.2 Winter wheat yield estimation model

3.3 小麥估產(chǎn)模型的應(yīng)用與評(píng)價(jià)

對(duì)山東省各個(gè)城市和全省的產(chǎn)量估算模型分別在監(jiān)測(cè)模式和預(yù)測(cè)模式下進(jìn)行應(yīng)用，單產(chǎn)估算結(jié)果如表3所示，精度驗(yàn)證結(jié)果如表4所示。

表3 2017年山東省小麥產(chǎn)量監(jiān)測(cè)和預(yù)報(bào)結(jié)果Tab.3 Monitoring and forecasting results of wheat yield of Shandong Province in 2017 kg/hm2

表4 模型精度驗(yàn)證結(jié)果Tab.4 Model accuracy verification results

監(jiān)測(cè)模式下精度驗(yàn)證結(jié)果表明，所構(gòu)建的模型在市級(jí)和省級(jí)作物單產(chǎn)估測(cè)中都很可靠。全省范圍內(nèi)的估產(chǎn)精度為96.91%。各市的估測(cè)精度均不小于89.64%，其中模型精度最高為菏澤市，高達(dá)99.31%，估產(chǎn)精度最低為濟(jì)寧市，為89.64%。

預(yù)報(bào)模式下的精度驗(yàn)證結(jié)果表明，在大多數(shù)地區(qū)，隨著生育期內(nèi)時(shí)間的推進(jìn)，現(xiàn)勢(shì)遙感數(shù)據(jù)不斷加入模型，預(yù)報(bào)模式下估產(chǎn)模型的精度逐步提高，越來越逼近監(jiān)測(cè)模式下模型的估產(chǎn)結(jié)果。全省3個(gè)時(shí)間點(diǎn)的預(yù)報(bào)精度分別達(dá)到了96.44%、97.13%、96.91%。各市中，青島市預(yù)報(bào)精度最高，3個(gè)時(shí)間點(diǎn)的預(yù)報(bào)精度均達(dá)到了99%以上。

4 討論

針對(duì)小麥的生長(zhǎng)特點(diǎn)和研究區(qū)域特點(diǎn)，結(jié)合歷史產(chǎn)量數(shù)據(jù)和遙感數(shù)據(jù)，對(duì)山東省小麥產(chǎn)量進(jìn)行建模，并進(jìn)行了監(jiān)測(cè)模式和預(yù)報(bào)模式下的應(yīng)用和驗(yàn)證。該模型在農(nóng)業(yè)遙感產(chǎn)量估算中有一定的參考價(jià)值。分析本文對(duì)產(chǎn)量預(yù)測(cè)建模的方法和結(jié)果，可能會(huì)對(duì)建模結(jié)果產(chǎn)生影響的因素有：

(1)采用累計(jì)平均EVI和累計(jì)平均水分脅迫指數(shù)反映環(huán)境因素對(duì)冬小麥產(chǎn)量的影響，但在實(shí)際生產(chǎn)過程中，小麥產(chǎn)量會(huì)受到多種環(huán)境因素的影響，以及各種人為因素造成的產(chǎn)量波動(dòng)。而這部分影響因素在本文的模型中難以用遙感數(shù)據(jù)表達(dá)和預(yù)測(cè)。

(2)使用特定的作物掩膜可以改善作物估產(chǎn)模型的精度[30]，但由于特定作物的空間分布每年均變化，獲取時(shí)間序列內(nèi)每年特定作物的掩膜數(shù)據(jù)工作量大，且存在分類誤差，每年的誤差和分布也會(huì)不同，作物分布圖的誤差也會(huì)傳遞到后續(xù)的模型中。耕地掩膜相對(duì)于冬小麥掩膜更容易獲取。此外，有研究指出使用耕地掩膜替代特定作物的掩膜是可行的[1]。綜上考慮，本文對(duì)冬小麥像元篩選時(shí)，使用耕地掩膜，可能導(dǎo)致作物的特異性被忽略，參與運(yùn)算的像元中混雜了其他作物或裸地的信息，從而影響估產(chǎn)模型的精度。

(3)本文技術(shù)產(chǎn)量是對(duì)估產(chǎn)模型精度具有重要影響的變量。在估算技術(shù)產(chǎn)量的過程中，所使用的時(shí)間序列長(zhǎng)度和計(jì)算方法是影響技術(shù)產(chǎn)量估算精度的兩個(gè)重要因素。只使用了近10年的冬小麥歷史產(chǎn)量數(shù)據(jù)進(jìn)行技術(shù)產(chǎn)量的估算。長(zhǎng)時(shí)間序列的歷史產(chǎn)量有助于提高技術(shù)產(chǎn)量的精度，但在縣、村級(jí)精細(xì)規(guī)模上，長(zhǎng)時(shí)間序列的歷史產(chǎn)量數(shù)據(jù)獲取困難。

(4)由于云雨等不良天氣的影響，部分地區(qū)的數(shù)據(jù)存在缺失值。在計(jì)算縣級(jí)平均EVI和CWSI的過程中，僅選取了在同期數(shù)據(jù)中EVI、CWSI均無(wú)缺失情況的像元參與平均計(jì)算，減少了參與建模的像元數(shù)量。若采取插值方法對(duì)缺失像元進(jìn)行插補(bǔ)，可以得到全覆蓋的數(shù)據(jù)集，同時(shí)插值的誤差也會(huì)傳遞到估產(chǎn)模型中，通過插值得到全覆蓋的數(shù)據(jù)是否可以提高建模精度還需進(jìn)一步討論。

(5)僅針對(duì)山東省范圍內(nèi)數(shù)據(jù)進(jìn)行模型的構(gòu)建與應(yīng)用，在預(yù)報(bào)模式中選取了山東省冬小麥生育期的3個(gè)時(shí)間節(jié)點(diǎn)進(jìn)行產(chǎn)量預(yù)報(bào)，并認(rèn)為在全省范圍內(nèi)冬小麥的生育期節(jié)點(diǎn)均一致。若有更詳細(xì)的，如分縣的生育期數(shù)據(jù)，則可按照各縣具體的生育期時(shí)間階段進(jìn)行模型輸入變量的計(jì)算。

5 結(jié)論

(1)技術(shù)產(chǎn)量、EVI和CWSI與冬小麥產(chǎn)量具有顯著相關(guān)性，可以作為冬小麥估產(chǎn)建模的因子。結(jié)果表明，技術(shù)產(chǎn)量與冬小麥實(shí)際產(chǎn)量的相關(guān)性最高，在估產(chǎn)模型中為主要影響因子，體現(xiàn)了研究區(qū)域的客觀種植條件和農(nóng)作物生產(chǎn)水平；累計(jì)平均EVI與冬小麥實(shí)際產(chǎn)量的相關(guān)性次之，主要表現(xiàn)了作物的實(shí)際生長(zhǎng)狀況；累計(jì)平均CWSI與冬小麥實(shí)際產(chǎn)量的相關(guān)性相對(duì)最低，主要體現(xiàn)了研究區(qū)域的氣候條件、土壤水分和干旱災(zāi)害等情況。

(2)基于技術(shù)產(chǎn)量、EVI和CWSI建立的省級(jí)和市級(jí)估產(chǎn)模型的R2均不小于0.962。監(jiān)測(cè)模式的驗(yàn)證結(jié)果表明，本研究所構(gòu)建的模型對(duì)市級(jí)和省級(jí)作物單產(chǎn)的估測(cè)都有較高的適用性，采用技術(shù)產(chǎn)量與遙感數(shù)據(jù)結(jié)合的模式可以實(shí)現(xiàn)高精度估產(chǎn)；預(yù)報(bào)模式驗(yàn)證結(jié)果表明，采用現(xiàn)勢(shì)數(shù)據(jù)和歷史數(shù)據(jù)結(jié)合的方式可實(shí)現(xiàn)冬小麥實(shí)時(shí)產(chǎn)量預(yù)報(bào)。本研究可以為作物生長(zhǎng)狀況監(jiān)測(cè)提供參考依據(jù)。