基于遺傳算法的條件植被溫度指數(shù)的時間尺度轉換方法

白雪嬌, 王鵬新, 張樹譽, 李 俐, 景毅剛, 劉峻明

(1.中國農業(yè)大學 信息與電氣工程學院, 北京 100083; 2.陜西省氣象局, 西安 710014)

干旱持續(xù)時間長、強度大、影響范圍廣，是影響農業(yè)生產能力的主要氣候因素，加強干旱的監(jiān)測預警和影響評估，對農業(yè)生產及其發(fā)展具有重要意義。隨著具有空間連續(xù)性的多源遙感技術的發(fā)展，為實時、精確、動態(tài)和大范圍反演地面信息提供了技術手段，在旱情監(jiān)測預警和影響評估等方面得到廣泛的應用[1-2]。關中平原是陜西省自然條件最好的地區(qū)和農業(yè)、果業(yè)生產基地，但其地處內陸、遠離海洋，對干旱的響應極為敏感，農業(yè)干旱的季節(jié)性和區(qū)域性特征明顯，成為區(qū)域農業(yè)生產的主要障礙因子[3-4]。國內外研究者利用改進型的垂直干旱指數(shù)(MPDI)、植被水分脅迫指數(shù)(VWSI)等指標和CERES-Wheat模型等進行了較多旱情的監(jiān)測預警和影響評估研究[5-7]，發(fā)展了豐富的旱情遙感監(jiān)測預警和影響評估的理論和方法。條件植被溫度指數(shù)(VTCI)綜合了反射和輻射信息，可準確地進行區(qū)域級干旱監(jiān)測研究，已被國內外學者廣泛應用于旱情監(jiān)測、影響評估和作物產量估測[8-11]。

冬小麥越冬后的生育時期包括返青、拔節(jié)、抽穗、灌漿和乳熟等時期。干旱發(fā)生時段和程度不同造成的減產率也不同，拔節(jié)期和抽穗期受旱會影響穗粒數(shù)及成熟期提前，灌漿期和成熟期受旱會影響千粒重和籽粒品質[12]。研究冬小麥生長規(guī)律及不同生育時期干旱對產量的影響程度能在一定程度上提供干旱對產量影響的有用信息，如能綜合利用不同生育時期多時相VTCI對產量的影響信息，對其賦予一定的權重進行時間尺度轉換為一個綜合了多時相干旱信息的加權VTCI值，勢必可以提高冬小麥估產和干旱影響評估的精度。關鍵是如何確定不同生育時期旱情對冬小麥產量影響的權重系數(shù)。多指標權重的確定方法大致分為主觀賦權法和客觀賦權法兩大類。主觀賦權法如專家調查法、層次分析法等，是基于決策者經驗判斷或主觀認識決定指標權重，主觀因素介入過多而使得評價結果主觀性和隨意性較大；客觀賦權法如變異系數(shù)法、主成分分析法，是基于指標間關系和其包含的信息量通過建立一定的數(shù)學模型來確定指標權重，評價結果數(shù)學基礎較強而忽略了實際情況[13-14]。為兼顧兩類方法的優(yōu)點同時規(guī)避其局限性，綜合集成主、客觀信息的組合賦權法和其他權重集成優(yōu)化模型得到了廣泛應用。遲道才等[15]運用博弈論的綜合賦權方法將主客觀賦權法相融合對東港灌區(qū)的運行狀況進行了評價研究。王書吉等[16]綜合主客觀賦權法的優(yōu)點提出基于單位化約束條件的綜合集成賦權法，確定了關中大型灌區(qū)的節(jié)水改造綜合評價指標。曹永強等[17]采用一種基于離差最大化原理的組合賦權方法確定了農業(yè)干旱風險綜合評價指標的權重。

本文采用窮舉法(EA)和遺傳算法(GA)求算各生育時期權重系數(shù)對冬小麥主要生育期內多時相VTCI進行時間尺度轉換以評估干旱對產量的影響。窮舉法的基本思想是依題目的條件確定問題解的大致搜索范圍，對所有可能的情況逐個驗證[18]。窮舉法應用很多，如公元五世紀我國數(shù)學家張丘建在其《算經》一書中提出的“百雞問題”，一些密碼破譯、刪余卷積碼好碼的搜索等。窮舉法可得到問題的最優(yōu)解且算法簡單，但運算量大導致計算效率低下。遺傳算法是一種基于自然選擇的模擬優(yōu)化算法，它模擬自然進化的高效率搜索解決復雜的優(yōu)化問題，因其通用、實用和高效的特點而被應用于各個領域，尤其對解決一些機器學習、信號處理和組合優(yōu)化問題如旅行商問題[19]、作業(yè)車間調度問題[20]等有獨特的優(yōu)越性。本文利用遺傳算法解決最優(yōu)權重搜索，可實現(xiàn)快速收斂至全局最優(yōu)解之目的。當前基于窮舉法和遺傳算法原理的算法在電子、電力和人工生命等領域應用較多，但應用于多時相遙感數(shù)據(jù)的時間尺度轉換研究方面還不多見。

以關中平原冬小麥為研究對象，基于關中平原2008—2014年Aqua MODIS VTCI時間序列數(shù)據(jù)，以不同生育時期干旱對冬小麥單產的影響為基準，首先采用窮舉法、遺傳算法和課題組前期研究成果基于因子權重排序法與熵值法的歸一組合賦權法(CAFE)[10]求解不同生育時期干旱對產量的影響的權重值，然后根據(jù)3種方法獲得的權重值對冬小麥主要生育期多時相VTCI進行時間尺度轉換獲取綜合加權VTCI值，對其進行精度評價。以窮舉法所得結果為參考對比分析遺傳算法和基于因子權重排序法與熵值法的歸一組合賦權法，為高效求解不同生育時期干旱對產量的影響的最佳權重提供可行的方法，提高基于多時相VTCI遙感數(shù)據(jù)時間尺度轉換的干旱影響評估研究的精度。

1 數(shù)據(jù)來源與研究方法

1.1 研究區(qū)概況

關中平原位于陜西省中部，海拔高度325～800 m，總面積約5.55萬km2。關中平原質疏松肥沃，又有涇、渭和洛等河流提供水源，十分適宜耕作，是陜西省最重要的農耕區(qū)。關中平原年平均溫度6～13.6℃，年均降水量500～600 mm，屬暖溫帶半干旱氣候，四季分明，雨熱同期，冬春降水較少，是氣候變化的敏感區(qū)，春、伏旱頻繁發(fā)生，受旱成災面積總體在波動中上升，造成糧食減產。將各市行政邊界的矢量圖與研究區(qū)域的遙感影像疊加，對研究區(qū)域按照各市的行政邊界進行市屬的劃分，得到關中平原分市概況圖(圖1)。由于楊凌示范區(qū)面積較小，故將其劃分到咸陽市境內。

圖1研究區(qū)概況圖

1.2 數(shù)據(jù)來源及預處理

1.2.1 數(shù)據(jù)來源 本文數(shù)據(jù)源主要是2008—2014年3—5月Aqua MODIS數(shù)據(jù)產品，包括日反射率產品(MYD09 GA)和日LST產品(MYD11 A1)。冬小麥單產數(shù)據(jù)來源于歷年的《陜西省統(tǒng)計年鑒》。

1.2.2 條件植被溫度指數(shù)的生成 條件植被溫度指數(shù)(VTCI)是基于遙感反演的歸一化植被指數(shù)(NDVI)和地表溫度(LST)的散點圖呈三角形區(qū)域分布的基礎上提出的，主要用于監(jiān)測旱情。計算方法為[2,9]：

(1)

LSTmax(NDVIi)=a+bNDVIi

(2)

LSTmin(NDVIi)=a′+b′NDVIi

(3)

式中：NDVIi為第i個時期(旬)某一像素的NDVI值；LST(NDVIi)為某一像素的NDVI值為NDVIi時的LST值；LSTmax(NDVIi)為研究區(qū)域內當NDVIi值等于某一特定值時LST的最大值；LSTmin(NDVIi)為研究區(qū)域內當NDVIi值等于某一特定值時LST的最小值；a，b，a′和b′為待定系數(shù)，由研究區(qū)域內的NDVI和LST的散點圖近似獲得。

應用多年的旬NDVI和LST最大值合成產品確定每旬多年共同熱邊界LSTmax，應用多年的旬NDVI最大值合成產品和LST最大、最小值合成產品確定每旬多年共同的冷邊界LSTmin。VTCI取值范圍為0，1，VTCI值越小，旱情越嚴重，VTCI值越大，則相反。

計算關中平原從2008—2014年3—5月共63旬的VTCI數(shù)據(jù)。根據(jù)越冬后冬小麥的生長情況，將越冬后的生育時期劃分為返青期(3月上旬—3月中旬)、拔節(jié)期(3月下旬—4月中旬)、抽穗—灌漿期(4月下旬—5月上旬)和乳熟期(5月中旬—5月下旬)4個主要生育時期，取某一生育時期內多旬VTCI的平均值作為該生育時期的VTCI，再依據(jù)關中平原分市VTCI概況圖統(tǒng)計出關中平原各市主要生育時期的VTCI。銅川市由于占所選研究區(qū)域內面積較小，統(tǒng)計結果代表性差，因此文中不做研究。

1.3 研究方法

不同生育時期發(fā)生的干旱對冬小麥生長發(fā)育的影響是不同的，對最終產量的影響程度也是不同的。所以在實際應用中需考慮不同生育時期的干旱對冬小麥生長的影響程度，將不同生育時期多時相VTCI遙感數(shù)據(jù)進行時間尺度轉換生成綜合VTCI值以合理評估干旱對冬小麥生產的影響。

時間尺度轉換權重優(yōu)化的目標是使基于各生育時期干旱對產量的影響權重獲得的加權VTCI與冬小麥單產的相關性最大，數(shù)學模型為：

VTCIwi=wT×VTCIT+wE×VTCIE+wH×VTCIH+wM×VTCIM

(4)

(5)

wT+wE+wH+wM=1

(6)

約束條件：干旱的發(fā)生時段和程度不同，對作物生長發(fā)育和產量的影響也不同。返青期主要是生根、長葉和分蘗，需水量較小，干旱對小麥產量的影響最小，甚至在某種情況下會促進冬小麥生長速率；拔節(jié)期為水分虧缺敏感期，這一時期干旱對小麥產量的影響最大；抽穗—灌漿期小麥以生殖生長為主，也是需水的關鍵期；乳熟期由于穗粒結構已經形成，對水分虧缺表現(xiàn)出一定的耐旱性，干旱對產量影響相對較小。各生育時期干旱對產量影響的權重值范圍如下：

-0.5

0

0

-0.5

(7)

1.3.1 窮舉法 窮舉法(Exhaustive Attack Method, EA)是基于計算機特點而進行解題的思維方法。一般是根據(jù)問題中的約束條件，在研究對象是由有限個元素構成的集合時，將所有可能的情況一一列舉出來，然后逐一加以分析、處理，并驗證結果是否滿足給定的條件，列舉完所有對象，問題將最終得以解決[18]。算法的工作流程：(1) 確定搜索空間，即列舉出所有符合情況的wT，wE，wHF和wM；(2) 確定符合窮舉規(guī)則的條件；(3) 確定能使搜索過程優(yōu)化的條件，以縮小搜索范圍，減少搜索時間；(4) 遍歷所有解，獲取符合條件的最優(yōu)解。

1.3.2 遺傳算法 遺傳算法(Genetic Algorithm,GA)通過選擇、交叉和變異三個基本算子模擬自然界的選擇與遺傳機理尋求最優(yōu)解。以GA為代表的智能算法較傳統(tǒng)優(yōu)化算法如窮舉法和啟發(fā)式算法等，具有很好的收斂性，計算時間少且魯棒性高，在優(yōu)化計算中得到廣泛的應用。算法的工作流程：(1) 隨機產生一組初始群體，其中的每個個體(染色體)代表問題的一個潛在解，即一組wT，wE，wHF和wM，并設置迭代次數(shù)kmax=200；(2) 確定控制參數(shù)px和pm，計算群體中每個個體相應的適應度值以找出最優(yōu)個體；(3) 隨機從種群中選擇個體按一定概率交叉和變異；(4) 計算目標函數(shù)，判斷進化是否結束，否則轉步驟(2)。

1.4 精度評價方法

本文應用Pearson相關系數(shù)(Correlation coefficient)、估計值的標準誤差(Std.Error of the estimate)和F檢驗分析比較回歸模型精度，并應用相對誤差(relative error，RE)與均方根誤差(root mean square error，RMSE)比較冬小麥的估測單產與年鑒統(tǒng)計單產之間的差異，以此評價不同賦權方法確定的權重應用于關中平原冬小麥主要生育期多時相VTCI時間尺度轉換的精度。

(8)

(9)

式中：Gi是冬小麥估測單產；n是樣本個數(shù)。

2 結果與分析

2.1 不同賦權方法獲取的權重結果對比

分別采用CAFE，EA和GA獲取關中平原各市和4市整體的冬小麥返青期、拔節(jié)期、抽穗—灌漿期和乳熟期干旱對產量的影響權重值，見表1。3種方法獲得的拔節(jié)期干旱對產量的影響的權重值最大，其次是抽穗—灌漿期的權重值，乳熟期和返青期的權重值較小(除4市整體)，這與冬小麥實際生長規(guī)律和他人研究結果相一致[21]。在拔節(jié)期冬小麥的營養(yǎng)器官生長旺盛，對水分吸收利用越加明顯，是生長的關鍵期，在該生育時期發(fā)生干旱會造成根、莖、葉生長速率降低和影響冬小麥的有效小穗數(shù)。抽穗灌漿期，冬小麥由營養(yǎng)生長轉向生殖生長，在抽穗灌漿期發(fā)生干旱會使得穗粒數(shù)減少，籽粒癟小，粒重明顯降低，是影響小麥生長發(fā)育的又一關鍵時期。在返青期冬小麥生長緩慢，對水分的需求量較小，由于作物的補償生長效應，在返青期發(fā)生干旱對產量影響不大，在某種情況下甚至可以促進冬小麥生長發(fā)育和提高產量。冬小麥在乳熟期，營養(yǎng)物質向籽粒運輸?shù)倪^程結束，植株逐漸枯萎，根系開始死亡，因此在乳熟期發(fā)生干旱對產量影響較小。各市同一生育時期干旱對產量影響的權重值不同，這是由于不同地理位置、地形地貌影響下的旱情的主要影響因子氣溫和降水的時間分布和空間分布不同，同時各市灌溉地分布和面積不同。寶雞和4市整體采用EA和GA獲得的返青期干旱對產量影響的權重值分別為-0.01和-0.05，但其絕對值較小，這是由于干旱后的復水補償效應，關中平原易發(fā)生春旱，嚴重影響小穗數(shù)和穗粒數(shù)，而根據(jù)歷年實地調研發(fā)現(xiàn)，關中平原大部分地區(qū)會在此期間進行春灌，正好解除了返青期水分脅迫和緩解了土壤水分的不足，有利于冬小麥生長發(fā)育。咸陽采用EA和GA獲得的乳熟期干旱對產量影響的權重值均為0，西安采用EA和GA獲得的乳熟期干旱對產量影響的權重值分別為0，0.01，均小于其返青期的權重值，這是由于咸陽和西安兩市地處關中平原中部，冬小麥生長后期降水較多，同時，地下水儲量豐富、灌溉渠系發(fā)達，灌溉面積較大缺灌溉條件較好，冬小麥生長后期水分供應充分，使得其乳熟期干旱對產量影響的權重值小于返青期。渭南由于其境內旱作地分布較多而使得拔節(jié)期干旱對產量影響的權重值遠大于其他生育時期，采用EA和GA獲得權重值相等，為0.83。

根據(jù)3種方法的計算原理，關中平原冬小麥不同生育時期干旱對產量影響的最優(yōu)權重值可由EA獲得。CAFE確定的干旱對產量影響的權重值與EA確定的權重值相差較大，同時其經時間尺度轉換后獲得的加權VTCI與冬小麥單產的相關性整體低于EA和GA，這可能是受CAFE中因子權重排序法數(shù)據(jù)處理過程中權重范圍設置區(qū)間和熵值法忽略了不同生育時期發(fā)生干旱對冬小麥產量的不同影響程度的影響。而GA獲得的不同生育時期干旱對產量的影響的權重值與最優(yōu)權重值相等或相近，相關性亦均較高，可見，賦權方法GA獲取的不同生育時期干旱對產量影響的權重值的精度和性能幾乎與窮舉法相同，且優(yōu)于CAFE。從數(shù)據(jù)處理過程及其耗時上看，GA搜索到的最優(yōu)解比EA和CAFE的方案簡約易行，以咸陽市為例，EA用了18h13m，而GA只用41 s，時間比為1 600倍。綜合實際算例的統(tǒng)計來看，GA獲得的干旱對產量影響的權重值與最優(yōu)權重值的最大相差不超過0.01，與EA相比，GA的時間代價比窮舉法大為降低，計算效率是EA的幾百倍不等。從實際問題角度，GA求解冬小麥生育時期優(yōu)化賦權問題遠優(yōu)于EA和CAFE。

表1 不同賦權方法獲得的權重值及其精度分析

注：*表示在0.1水平顯著，**表示在0.05水平顯著，***表示在0.01水平顯著。渭南、咸陽、寶雞和西安的樣本量n=6，4市綜合的樣本量n=24。F4,0.1=0.729，F(xiàn)4,0.05=0.811，F(xiàn)4,0.01=0.917，F(xiàn)22,0.1=0.344，F(xiàn)22,0.05=0.404，F(xiàn)22,0.01=0.515。

除渭南市的權重值外，由3種方法確定的干旱對冬小麥各生育時期產量影響的權重值時間尺度轉換后獲得的VTCI與冬小麥單產的線性相關性均達到顯著相關，均通過了F檢驗，其中EA和GA確定地權重值獲得的尺度轉換后的VTCI與冬小麥單產的相關系數(shù)均大于CAFE，估計值標準誤差均小于CAFE，因此EA和GA能更好的反映關中平原冬小麥各生育時期VTCI與產量的線性相關性，在分析冬小麥主要生育時期干旱對產量的影響中具有較大的適用性，而CAFE的計算結果略差。GA與EA僅估計值標準誤差和顯著系數(shù)值存在微小差異，以綜合實際算例的統(tǒng)計來看，GA與EA的估計值標準誤差最大相差為0.12 kg/hm2，顯著系數(shù)值均相等，結合上文時間復雜度和計算效率分析，說明GA對關中平原各生育時期權重值的確定較為合理，能夠較準確地反映關中平原冬小麥主要生育時期的旱情對產量的影響程度，可用于開展基于多時相VTCI數(shù)據(jù)的時間尺度轉換的關中平原干旱影響評估研究。

2.2 不同賦權方法獲取的冬小麥估測單產和精度評價

采用CAFE，EA和GA確定的干旱對產量影響的權重值經時間尺度轉換后獲得加權VTCI值，計算2008—2014年關中平原各市的估測單產，結合歷年《陜西省統(tǒng)計年鑒》的單產統(tǒng)計數(shù)據(jù)對估產結果的精度進行評價(表2)。結果表明，關中平原各市的單產估測結果與年鑒統(tǒng)計的單產較均為接近。GA獲取的單產的RMSE和RE均較低且皆小于CAFE，與EA的結果相近或相等。各市及4市綜合的估測單產的RMSE均小于300 kg/hm2，RE除4市綜合外均小于5.0%，其中咸陽和西安的RMSE僅分別為102.98 kg/hm2和123.64 kg/hm2，RE僅分別為1.95%和1.93%。GA與EA相比RMSE的最大相差為0.18 kg/hm2，RE最大相差為0.02%。進一步表明了采用GA獲取的關中平原冬小麥生育時期的干旱對產量的影響的權重較為合理，應用于估產的精度較高，GA更適合于基于多時相VTCI數(shù)據(jù)的時間尺度轉換的關中平原干旱影響評估。

表2 2008-2014年冬小麥估測單產與統(tǒng)計單產對比

以上結果均表明采用GA求解冬小麥生育時期優(yōu)化賦權問題優(yōu)于EA和CAFE，其結果應用于估產的精度較高。估算分析干旱年2013年和2014年關中平原各市冬小麥的產量(據(jù)氣象部門報道，2013年陜西省遭遇了自1961年以來最嚴重的一次氣候干旱，所以采用2013年和2014年產量進行精度評價)，并與年鑒統(tǒng)計單產對比分析進行精度評價，見表3。結果表明，除2014年寶雞市估測結果外，各市的單產估測結果與年鑒統(tǒng)計的單產較為接近，精度較高。2013年各市估測單產與統(tǒng)計產量的絕對誤差的值域范圍為12.32～120.95 kg/hm2，相對誤差的值域范圍為0.32%～3.66%，精度均較高。2014年各市絕對誤差的值域范圍為7.70～440.93 kg/hm2，相對誤差的值域范圍為0.22%～10.46%，除寶雞市外，渭南市、咸陽市和西安市的精度均較高。這是由于2014年3月中、下旬和4月上旬寶雞市地區(qū)發(fā)生了較嚴重的干旱，對處于返青期末期和拔節(jié)期的冬小麥的生長產生了嚴重的影響，根、莖和葉生長速率降低且有效小穗數(shù)減少，雖然抽穗—灌漿期和乳熟期水分條件較好，但仍對產量產生了嚴重的影響。綜上所述GA應用于估產的精度較高且魯棒性較好，適合于基于多時相VTCI數(shù)據(jù)的時間尺度轉換的關中平原干旱影響評估。

表3 基于遺傳算法的2013年、2014年冬小麥估測單產與統(tǒng)計單產對比

3 討 論

3種方法中EA可得到最優(yōu)解，GA和CAFE只能得到近似最優(yōu)解或滿意解。CAFE兼顧了主觀賦權法的主觀偏好和減小了客觀賦權法的客觀隨意性，其經時間尺度轉換后獲得的加權VTCI除渭南市外均與冬小麥單產的相關性較高，但CAFE確定的權重值與EA確定的最優(yōu)權重值相差較大，且其經時間尺度后獲得的加權VTCI與冬小麥單產的回歸分析結果精度較差，這可能是由于CAFE中因子權重排序法將返青期、拔節(jié)期、抽穗—灌漿期和乳熟期干旱對產量的影響權重范圍分別設置為0～0.1，0.4～0.5，0.3～0.4，0～0.2[10]，區(qū)間范圍較小，賦權過程中不能遍歷到所有結果，同時，熵值法不能體現(xiàn)不同生育時期的干旱對小麥的生長發(fā)育的影響的不同程度，使得此方法只能獲得滿意解，結果精度較差。雖然EA可以得到最優(yōu)的權重，從而獲得最準確的能夠反映關中平原冬小麥不同生育時期干旱對冬小麥生產及其單產的影響的權重值以進行時間尺度轉換研究，且運算簡單，但是EA由于需要遍歷每一組可能的權重值尋找最優(yōu)結果，其運算復雜度隨權重范圍呈指數(shù)增長，計算量大而使得有效性差，所以EA多用于評價其他方法的參考。而GA將問題參數(shù)編碼為染色體后進行優(yōu)化，從一個種群開始，不斷地產生和測試新一代的種群，擴大了搜索范圍，且可以利用染色體長度控制數(shù)據(jù)精度，可較精確、快速地完成最優(yōu)權重值優(yōu)化問題的求解，GA能較好地解決了EA和CAFE的限制問題，在多時相VTCI數(shù)據(jù)時間尺度轉換的實際應用中更簡單、有效、適用。

本文研究發(fā)現(xiàn)渭南市3種賦權方法的結果均未通過F檢驗，可能是渭南市旱作地較多，發(fā)生干旱后恢復能力差[4]，同時，近些年果業(yè)的發(fā)展，大量農田變?yōu)閳@地或果樹與農作物間種，使得3種賦權方法確定的權重值獲得尺度轉換后的VTCI與冬小麥產量的相關性較差。

返青期適度旱后及時復水不會造成產量較低，反而由于復水補償效應促進冬小麥的生長發(fā)育和收獲指數(shù)的提高，說明返青期發(fā)生一定程度內干旱后適度供水，有利于冬小麥產量和水分利用效率的提高，實現(xiàn)水資源的高效利用和指導農業(yè)生產。不同生育期干旱對產量的影響權重值的大小能夠反映各生育時期VTCI數(shù)據(jù)所攜帶干旱對產量影響程度的信息，可依此權重值大小來確定能有效反映旱情對冬小麥產量影響的敏感VTCI時相，以指導田間管理和選擇少數(shù)關鍵遙感時相開展干旱影響評估和冬小麥估產。同時，考慮冬小麥生長機理及非干旱因素對冬小麥產量的影響，更加準確合理的確定冬小麥各主要生育時期的權重，結合氣候特征、人類活動的影響等以得到更加科學、合理的干旱對農業(yè)生產的影響評估。

4 結 論

作物長勢和最終產量與其主要生育期發(fā)生的干旱程度密切相關，VTCI是綜合地表主要參數(shù)歸一化植被指數(shù)和地表溫度的干旱指標，能夠準確地監(jiān)測旱情狀況。本文針對關中平原冬小麥主要生育期VTCI的時間尺度轉化問題進行了建模分析，研究了求解該問題的CAFE，EA和GA 3種方法獲取的權重值。3種方法獲取的冬小麥返青期、拔節(jié)期、抽穗—灌漿期和乳熟期干旱對產量的影響的權重值均較為合理。為提升求解效率，以EA計算得的全局最優(yōu)解為標準，對比分析了3種賦權方法，CAFE確定的干旱對產量影響的權重值與最優(yōu)權重值相差較大，且其經時間尺度轉換后獲得的VTCI與冬小麥單產的回歸分析精度整體低于EA和GA。GA獲得的權重與最優(yōu)權重值基本吻合，精度均較高，同時，GA獲得的關中平原各市的單產估測結果與年鑒統(tǒng)計的單產較為接近，RMSE和RE均較低。GA接近于EA的精度和性能，而時間復雜度大大低于EA。GA能夠為基于多時相VTCI數(shù)據(jù)時間尺度轉換的干旱影響評估研究提供有效的賦權方法。

參考文獻:

[1] Kongan F N. Application of vegetation index and brightness temperature for drought detection [J]. Advances in Space Research, 1995,15(11):91-100.

[2] 王鵬新,龔健雅,李小文.條件植被溫度指數(shù)及其在干旱監(jiān)測中的應用[J].武漢大學學報:信息科學版,2001,26(5):412-418.

[3] 白雪嬌,王鵬新,解毅,等.基于結構相似度的關中平原旱情空間分布特征[J].農業(yè)機械學報,2015,46(11):348-354.

[4] 李夢娜,錢會,喬亮.關中地區(qū)農業(yè)干旱脆弱性評價[J].資源科學,2016,38(1):155-165.

[5] 馮海霞,秦其明,蔣洪波,等.基于HJ-1A/1BCCD數(shù)據(jù)的干旱監(jiān)測[J].農業(yè)工程學報,2011,27(S1):358-365.

[6] Ghulam A, Li Z L, Qin Q M, et al. Estimating crop water stress with ETM+NIR and SWIR data [J]. Agricultural and Forest Meteorology, 2008,148(11):1679-1695.

[7] 曹陽,楊婕,熊偉,等.1962—2010年潛在干旱對中國冬小麥產量影響的模擬分析[J].農業(yè)工程學報,2014(7):128-139.

[8] Patel N R, Parida B R, Venus V, et al. Analysis of agricultural drought using vegetation temperature condition index(VTCI)from Terra/MODIS satellite data [J]. Environmental Monitoring & Assessment, 2011,184(12):7153-7163.

[9] Sun W, Wang P X, Zhang S Y, et al. Using the vegetation temperature condition index for time series drought occurrence monitoring in the Guanzhong Plain, PR China[J]. International Journal of Remote Sensing, 2008,29(17/18):5133-5144.

[10] 王蕾.基于條件植被溫度指數(shù)的冬小麥生育時期干旱影響評估研究[D].北京:中國農業(yè)大學信息與電氣工程學院,2015.

[11] 田苗,王鵬新,張樹譽,等.基于條件植被溫度指數(shù)的冬小麥產量預測[J].農業(yè)機械學報,2014,45(2):239-245.

[12] Foulkes M J, Sylvester-Bradley R, Weightman R, et al. Identifying physiological traits associated with improved resistance in winter wheat[J]. Field Crops Research, 2007,103(1):11-24.

[13] 陳華友.多屬性決策中基于離差最大化的組合賦權方法[J].系統(tǒng)工程與電子技術,2004,26(2):194-197.

[14] 倪九派,李萍,魏朝富,等.基于AHP和熵權法賦權的區(qū)域土地開發(fā)整理潛力評價[J].農業(yè)工程學報,2009,25(5):202-209.

[15] 王書吉,費良軍,雷雁斌,等.綜合集成賦權法在灌區(qū)節(jié)水改造效益評價中的應用[J].農業(yè)工程學報,2008,24(12):48-51.

[16] 遲道才,馬濤,李松.基于博弈論的可拓評價方法在灌區(qū)運行狀況評價中的應用[J].農業(yè)工程學報,2008,24(8):36-39.

[17] 曹永強,李香云,馬靜,等.基于可變模糊算法的大連市農業(yè)干旱風險評價[J].資源科學,2011,33(5):983-988.

[18] 黃國強,陸宇平,南英,等.多目標連續(xù)小推力深空探測器軌道全局優(yōu)化[J].系統(tǒng)工程與電子技術,2012,34(8):1652-1659.

[19] Lin W, Delgadofirs Y G, Gause D C, et al. Hybrid newton-raphson genetic algorithm for the traveling salesman problem[J]. Cybernetics and Systems, 1995,26(4):387-412.

[20] Park B J, Choi H R, Kim H S. A hybrid genetic algorithm for the job shop scheduling problems [J]. Computers & Industrial Engineering, 2003,45(4):597-613.

[21] 祁有玲,張富倉,李開峰,等.不同生育期水分虧缺及氮營養(yǎng)對冬小麥生長和產量的影響[J].灌溉排水學報,2009,28(1):24-27.