基于SWAP模型同化遙感數(shù)據(jù)的黑龍江南部春玉米產(chǎn)量監(jiān)測

王利民，姚保民，劉 佳，楊玲波，楊福剛

基于SWAP模型同化遙感數(shù)據(jù)的黑龍江南部春玉米產(chǎn)量監(jiān)測

王利民1，姚保民1，劉 佳1※，楊玲波2，楊福剛1

（1. 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081；2. 浙江大學(xué)環(huán)境與資源學(xué)院，杭州 310012）

農(nóng)作物種植類型的地理分布差異，氣候條件差異、土壤環(huán)境不同等因素的影響，需要開展農(nóng)作物生長模型參數(shù)區(qū)域化、本地化的研究工作；通過改善區(qū)域氣象數(shù)據(jù)空間化方法以提升插值精度的研究，也需要得到應(yīng)用的重視。針對以上問題，該文以SWAP（soil-water-atmosphere-plant model，土壤-水-大氣-作物模型）模型為基礎(chǔ)，以中國黑龍江省南部地區(qū)作為研究區(qū)域，以其主要農(nóng)作物春玉米為目標(biāo)作物，確定研究春玉米的作物生長模型參數(shù)，并綜合考慮緯度及海拔對氣溫的影響情況，研究將協(xié)同克里金（coKriging）方法引入作物生長模型氣象數(shù)據(jù)插值獲取中，從而提高模型輸入?yún)?shù)中氣象數(shù)據(jù)精度，并以葉面積指數(shù)（leaf area index，LAI）及蒸散發(fā)（evapotranspire，ET）數(shù)據(jù)作為同化遙感數(shù)據(jù)源，通過優(yōu)化玉米灌溉量和出苗日期，獲取了研究區(qū)2013年的玉米產(chǎn)量空間分布成果，與統(tǒng)計資料結(jié)果對比，玉米總產(chǎn)量監(jiān)測結(jié)果的2達(dá)到了0.939 4，均方根誤差（root mean squared error，RMSE）達(dá)到了148 065 t，平均絕對誤差（mean absolute error，MAE）為114 335 t。研究區(qū)15個縣市區(qū)的預(yù)測單產(chǎn)和統(tǒng)計單產(chǎn)之間的決定系數(shù)達(dá)到了0.724 5，RMSE為598.5 kg/hm2，MAE為531.5 kg/hm2。研究結(jié)果表明，利用SWAP模型，以協(xié)同克里金方法獲取氣象數(shù)據(jù)空間插值成果作為輸入數(shù)據(jù)，通過同化LAI和ET遙感數(shù)據(jù)，可以有效進(jìn)行黑龍江南部區(qū)域的玉米產(chǎn)量遙感監(jiān)測，為區(qū)域作物生長及生產(chǎn)力的遙感監(jiān)測預(yù)測提供參考。

作物；遙感；模型；玉米；葉面積指數(shù)；蒸散發(fā)；協(xié)同克里金；同化；SWAP模型

0 引 言

玉米是中國主要的大宗農(nóng)作物之一，其種植面積常年位居中國農(nóng)作物種植面積的首位，2016年中國的玉米種植面積達(dá)到3 676.8萬hm2[1]。近年來，隨著中國種植業(yè)結(jié)構(gòu)調(diào)整政策的不斷推進(jìn)，尤其是在中國“鐮刀彎”地區(qū)調(diào)減玉米種植面積，增加豆類等作物面積成為優(yōu)化中國種植業(yè)結(jié)構(gòu)的重要舉措，監(jiān)測大尺度區(qū)域玉米作物的種植及生長情況，對中國農(nóng)業(yè)政策的制定、調(diào)整及評估具有重要的意義[2]。然而，當(dāng)前區(qū)域尺度的作物面積及產(chǎn)量信息獲取的傳統(tǒng)手段——統(tǒng)計調(diào)查，已逐漸難以適應(yīng)新形勢下對于農(nóng)業(yè)信息及時、準(zhǔn)確、客觀獲取的要求，利用遙感手段進(jìn)行農(nóng)情信息的快速、精確、低成本獲取，逐漸成為大尺度區(qū)域作物信息獲取的重要來源及研究方向[3-5]。采用同化技術(shù)結(jié)合遙感數(shù)據(jù)與作物生長模型是實現(xiàn)大尺度、高頻率、高精度的農(nóng)作物產(chǎn)量監(jiān)測預(yù)測的有效途徑。

作物生長模型使用嚴(yán)格的數(shù)學(xué)模型方法，考慮對作物生長具有關(guān)鍵影響的光、溫、水、土、肥及田間管理等因素，描述作物從播種到收獲的整個發(fā)育期的生長過程，并模擬作物不同發(fā)育期內(nèi)的各項生理、生化參數(shù)，從而為科學(xué)、合理、定量模擬作物生長提供可靠的手段[6]。當(dāng)前最常用的作物生長模型包括WOFOST（world food studies）、DSSAT（decision support system for agrotechnology transfer）、SWAP（soil-water-atmosphere-plant model）等[7-9]。作物生長模型具有機(jī)理性強(qiáng)、精度較高等優(yōu)勢，然而，其主要是針對地塊尺度上的作物生長狀態(tài)模擬，而在大尺度區(qū)域上的應(yīng)用則受到了土壤條件、作物類型、田間管理等參數(shù)不同及難以獲取等因素的影響而受到制約。而遙感數(shù)據(jù)具有覆蓋范圍大、數(shù)據(jù)時效性好、成本低等一系列優(yōu)勢，通過數(shù)據(jù)同化技術(shù)，將遙感數(shù)據(jù)與作物生長模型進(jìn)行耦合，從而實現(xiàn)作物生長模型在大尺度區(qū)域上的應(yīng)用，逐漸成為解決區(qū)域尺度作物生長監(jiān)測的主要技術(shù)方向[10-12]，相關(guān)的同化算法主要包括以集合卡爾曼濾波（ensemble Kalman filter，EnKF）為代表的更新同化算法和以復(fù)合型混合演化算法（shuffled complex evolution method developed at the University of Arizona，SCE-UA）為代表的參數(shù)優(yōu)化同化算法[6]。Cheng等研究了基于WOFOST模型和時序HJ-1衛(wèi)星數(shù)據(jù)同化的地塊尺度玉米產(chǎn)量估算方法，獲得了較高的精度，反演產(chǎn)量的相對誤差為-0.99%，均方根誤差為530.81kg/hm2[13]；黃健熙等研究使用了EnKF方法，同化MODIS LAI產(chǎn)品和WOFOST模型，實現(xiàn)了衡水市冬小麥產(chǎn)量的估測，均方根誤差達(dá)880kg/hm2[12]；姜浩則研究了基于SWAP模型及SCE-UA算法同化MODIS LAI數(shù)據(jù)的2017年華北地區(qū)冬小麥產(chǎn)量預(yù)測方法，2達(dá)到0.511，均方根誤差423 kg/hm2[14]。在作物生長模型與遙感數(shù)據(jù)同化進(jìn)行作物監(jiān)測領(lǐng)域內(nèi)，當(dāng)前研究及應(yīng)用較多的為WOFOST模型[15-21]，SWAP模型等其他模型的研究則相對較少[10,14,22]，尤其是針對玉米作物。

當(dāng)前作物生長模型同化遙感數(shù)據(jù)的相關(guān)研究主要集中在同化算法、同化參數(shù)等的研究中[23-27]，而對作物生長模型影響較大的氣象因子研究相對較少。大部分作物生長模型所需要輸入的氣象數(shù)據(jù)是由地面固定氣象站點(diǎn)獲取，并使用插值方法獲取[28]，僅少部分是通過其他手段如TRMM（tropic rainfall measurement mission）數(shù)據(jù)獲取[9]。而當(dāng)前作物生長模型應(yīng)用中，常用的氣象數(shù)據(jù)插值方法主要是反距離權(quán)重、普通克里金插值等方法[12,20-21,28-29]。反距離加權(quán)插值法根據(jù)距離的遠(yuǎn)近對數(shù)據(jù)進(jìn)行插值，具有計算簡便、對數(shù)據(jù)分布無要求等特點(diǎn)；克里金插值法以屬性變化是隨空間位置變化存在自相關(guān)關(guān)系為依據(jù)，并假設(shè)樣本點(diǎn)的變異函數(shù)是對待估樣本取值的無偏、最優(yōu)估計為前提進(jìn)行插值，結(jié)果平滑性較好，能夠明顯降低歧異值對樣本整體分布的影響[30]。然而，這兩種方法都未能充分考慮到氣溫等數(shù)據(jù)除了空間自相關(guān)性外，與其他因素，如海拔、緯度等存在密切的關(guān)系，從而導(dǎo)致其插值結(jié)果可能與實際地面溫度存在偏離，導(dǎo)致作物生長模型輸入數(shù)據(jù)誤差進(jìn)而影響精度。綜合考慮緯度、植被、海拔等多方面因素對氣象要素的影響，進(jìn)而實現(xiàn)氣象數(shù)據(jù)的高精度獲取及輸入，將對作物生長模型的優(yōu)化及作物生長監(jiān)測具有重要的意義。

針對以上需求，本文以中國玉米的主產(chǎn)區(qū)之一，東北平原黑龍江省西南部的哈爾濱附近作為主要研究區(qū)，進(jìn)行基于SWAP模型的玉米產(chǎn)量遙感同化監(jiān)測研究，通過使用協(xié)同克里金（coKriging）方法，綜合考慮緯度、海拔等氣象要素對氣溫等氣象數(shù)據(jù)的影響，實現(xiàn)SWAP模型的本地化作物參數(shù)標(biāo)定，并使用MODIS ET及LAI數(shù)據(jù)作為輸入遙感數(shù)據(jù)，通過同化作物出苗日期和灌溉量，實現(xiàn)了研究區(qū)玉米產(chǎn)量的監(jiān)測，并與統(tǒng)計年鑒資料進(jìn)行對比，進(jìn)行精度驗證，評價SWAP模型同化遙感數(shù)據(jù)在東北區(qū)域玉米產(chǎn)量監(jiān)測上的可行性和準(zhǔn)確性，為大尺度區(qū)域作物生長與生產(chǎn)力遙感監(jiān)測預(yù)測提供支撐。

1 研究區(qū)概況

研究區(qū)位于黑龍江省南部，地處中國東北平原北部、松嫩平原南部，橫跨哈爾濱、綏化和伊春3個地級市，總面積約52 457 km2，約占黑龍江省總面積的11%，緯度范圍45.1°～47.6°N，經(jīng)度范圍125.3°～129.4°E。研究區(qū)大部分為平原地貌，地勢低洼，僅在東部存在部分山區(qū)，主要河流為松花江和嫩江。研究區(qū)四季分明，冬季漫長寒冷，夏季短暫清涼，屬于溫帶大陸性氣候區(qū)，冬季1月平均氣溫約-19 ℃，夏季7月平均氣溫約23 ℃。年平均降水量在500～600 mm左右，降水主要集中在夏季。研究區(qū)的土壤類型主要為黑土和草甸土，土壤養(yǎng)分含量豐富，適合于各種農(nóng)作物生長。研究區(qū)是中國商品糧的主要產(chǎn)地之一，主要作物類型為玉米和水稻，其他如大豆、瓜果等也有少量種植。研究區(qū)位于中國“鐮刀彎”地區(qū)中的東北冷涼區(qū)，屬于需要調(diào)減玉米種植面積的主要地區(qū)之一，監(jiān)測研究區(qū)玉米種植及生長情況具有重要的意義。2013年研究區(qū)的玉米種植面積約為185萬 hm2，產(chǎn)量為1 448萬 t，約占黑龍江省玉米種植面積和總產(chǎn)量的30%。研究區(qū)春玉米的播種時間一般為5月上旬，5月20日左右進(jìn)入出苗期，并在9月下旬進(jìn)入成熟期，總生長期約125 d。范圍及所包括的縣城如圖1a所示。

2 研究數(shù)據(jù)及預(yù)處理

2.1 氣象數(shù)據(jù)及其預(yù)處理

氣象數(shù)據(jù)從中國氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)獲得，包括2013年全年東北的逐日最高溫、最低溫、日照時數(shù)、水汽壓、風(fēng)速和降水量等氣象要素數(shù)據(jù)以及各氣象臺站的地理坐標(biāo)位置。同時，使用Angstrom公式將原始?xì)庀髷?shù)據(jù)中的日照時數(shù)數(shù)據(jù)轉(zhuǎn)化為輻射量數(shù)據(jù)[31]，以滿足SWAP模型對于輸入數(shù)據(jù)的要求。具體的計算公式如下

式中R為太陽輻射量，MJ/(m2·d)；a和b為經(jīng)驗系數(shù)，分別設(shè)為0.29和0.42；為日照時數(shù)，h，即氣象站點(diǎn)記錄值；為當(dāng)?shù)禺?dāng)日的最大日照時長，h，計算公式如公式（2）所示；R為大氣上界入射輻射量，MJ/(m2·d)，計算公式如公式（3）所示。

式中d為日地距離系數(shù)；G為太陽常數(shù)，其值為0.082 0 MJ/(m2·min)；為太陽赤緯，（°）；ω為太陽時角，（°）；是氣象站點(diǎn)的緯度，（°）。其中，、ω可以從氣象站點(diǎn)的緯度及觀測日期（儒略歷）計算，公式如下

2.2 土壤數(shù)據(jù)

土壤數(shù)據(jù)資料參考使用了中國科學(xué)院南京土壤研究所制作的1km空間分辨率的中國土壤類型數(shù)據(jù)[32-33]，，該數(shù)據(jù)包含了土壤類型（主要黑土及草甸土）、土壤砂粒含量、土壤粉粒含量、土壤黏粒含量、有機(jī)質(zhì)、全氮、全磷、全鉀含量等參數(shù)，如圖2所示：

a. 砂粒a. Coarse sandb. 粉砂b. Siltc. 黏粒c. Clay

d. 有機(jī)質(zhì)d. Organic mattere. 全氮e. Total nitrogenf. 全磷f. Total phoshporusg.全鉀g. Total potassium

2.3 地面實測數(shù)據(jù)

在玉米作物生長的早期和中期，分別在研究區(qū)實地獲取春玉米作物及當(dāng)?shù)氐耐寥赖葦?shù)據(jù)。地面調(diào)查工作主要包括地物類型樣本點(diǎn)照片采集、土壤和作物生長早期光譜曲線采集、葉面積指數(shù)采集、土壤含水率數(shù)據(jù)采集、土壤樣本采集等，獲取了作物識別樣本點(diǎn)600多個，并采集部分樣本點(diǎn)位置土壤樣本及測量葉面積指數(shù)，分析水分、養(yǎng)分含量（表1），并對當(dāng)?shù)赜衩椎奈锖蚱?、種植結(jié)構(gòu)、作物產(chǎn)量等進(jìn)行了走訪調(diào)查。

其中，土壤水分測量包含土壤10 cm深的土壤剖面含水率，即相應(yīng)深度的土壤水含量。葉面積指數(shù)使用LAI2200（美國LI-COR）植物冠層分析儀采集獲取。

表1 土壤樣本養(yǎng)分、含水率及玉米葉面積指數(shù)值統(tǒng)計

2.4 基于MODIS遙感數(shù)據(jù)的LAI、ET產(chǎn)品數(shù)據(jù)

下載獲取2013年5月1日~2013年10月1日之間的MODIS LAI和ET數(shù)據(jù)產(chǎn)品。其中，葉面積指數(shù)使用MODIS LAI標(biāo)準(zhǔn)產(chǎn)品中的MOD15A2產(chǎn)品，為8 d合成產(chǎn)品，空間分辨率為1 000 m。ET數(shù)據(jù)使用的是MOD16A2產(chǎn)品，為8 d合成，空間分辨率也是1 000 m。數(shù)據(jù)統(tǒng)一轉(zhuǎn)換為UTM坐標(biāo)系，圖1b給出了2013年第257天的LAI數(shù)據(jù)[34]。

在MODIS LAI和ET產(chǎn)品數(shù)據(jù)中，因為云層、水汽、氣溶膠等的影響，造成LAI及ET的數(shù)據(jù)存在缺失及噪音現(xiàn)象，因此需要對數(shù)據(jù)產(chǎn)品進(jìn)行去噪處理，剔除異常數(shù)據(jù)。本研究使用基于上包絡(luò)線的Savitzky-Golay（S-G）濾波對LAI和ET數(shù)據(jù)集進(jìn)行濾波處理，去除噪聲，并對缺失數(shù)據(jù)進(jìn)行填補(bǔ)，形成完整的數(shù)據(jù)集。

同時，根據(jù)前人研究，由于MODIS影像混合像元等因素的影響，其LAI產(chǎn)品的峰值大小明顯小于地面實測數(shù)據(jù)。本研究通過利用MODIS LAI數(shù)據(jù)與地面實測數(shù)據(jù)進(jìn)行擬合，對LAI的峰值大小進(jìn)行調(diào)整。MODIS原始LAI峰值數(shù)據(jù)基本在2～3之間，而玉米的葉面積指數(shù)實測值基本在4～7之間，存在顯著的低估。由于本文僅獲取了兩次LAI實測值，無法使用Logistic公式進(jìn)行LAI觀測值的調(diào)整?？紤]到地面實測的LAI數(shù)據(jù)包括了生長初期LAI數(shù)據(jù)和基本成熟時期的LAI指數(shù)，而在早期，實測LAI和MODIS觀測LAI之間差異并不顯著，本研究根據(jù)前后兩次實測LAI與遙感觀測LAI比值的變化趨勢，進(jìn)行LAI調(diào)整系數(shù)的計算，方法如下：

首先，以第一個時間節(jié)點(diǎn)的遙感觀測LAI數(shù)據(jù)作為最小值基準(zhǔn)，以第二個時間節(jié)點(diǎn)的遙感觀測LAI數(shù)據(jù)作為最大值基準(zhǔn)，利用、對第個時間點(diǎn)的遙感觀測LAI值x進(jìn)行歸一化，得到歸一化后的各時間點(diǎn)LAI觀測值l；其次，獲取第一時間節(jié)點(diǎn)的實測LAI數(shù)據(jù)，和第二時間節(jié)點(diǎn)的實測LAI數(shù)據(jù)；計算實測值倍數(shù)與觀測值之間的比值/和；最后根據(jù)增大倍數(shù)次根號函數(shù)擬合的原則，調(diào)整LAI增大的倍數(shù)，得到最終調(diào)整后的觀測LAI值y。具體公式計算調(diào)整后的LAI值如下

式中為根號的次數(shù)，本研究使用=5，使LAI調(diào)整值變化兩端更加平緩。圖3為調(diào)整后的LAI值，可以看出，調(diào)整后的LAI的大小與實際情況更加吻合，有利于進(jìn)行模型LAI模擬值和觀測值的評估。

2.5 作物空間分布數(shù)據(jù)

使用Landsat-8時序數(shù)據(jù)，采用隨機(jī)森林分類方法，基于地面調(diào)查及Google Earth高分辨率影像方法選取樣本數(shù)據(jù)，進(jìn)行研究區(qū)的玉米作物提取，結(jié)果如圖1所示，總體分類精度為93.2%。同時與2013年研究區(qū)各縣市的玉米種植面積統(tǒng)計資料進(jìn)行對比（圖4），結(jié)果表明，各縣市的作物面積監(jiān)測結(jié)果和統(tǒng)計結(jié)果基本都在1∶1線附近，2達(dá)到了0.951 2。作物空間分布數(shù)據(jù)主要用于SWAP模型作物區(qū)域的裁剪及區(qū)域總產(chǎn)量的計算，其計算過程此處不做贅述。

圖3 MODIS LAI濾波前后及調(diào)整后的值對比

圖4 玉米種植面積遙感監(jiān)測結(jié)果與統(tǒng)計資料結(jié)果對比

3 研究方法

本文研究的總體技術(shù)路線如圖5所示，下文將對具體技術(shù)內(nèi)容進(jìn)行介紹。

3.1 基于coKriging方法的空間氣象數(shù)據(jù)獲取

在單點(diǎn)尺度的SWAP模型中，輸入的各類氣象數(shù)據(jù)其往往可由當(dāng)?shù)貧庀笳军c(diǎn)直接觀測數(shù)據(jù)得到。然而，在區(qū)域尺度連續(xù)作物模型應(yīng)用中，為了獲取空間連續(xù)分布的氣象數(shù)據(jù)，需要將點(diǎn)分布的氣象站點(diǎn)觀測數(shù)據(jù)轉(zhuǎn)化為面狀連續(xù)的氣象數(shù)據(jù)。本文選用協(xié)同克里金（coKriging）方法[30,35-36]，通過引入與氣溫數(shù)據(jù)存在高度相關(guān)性的海拔數(shù)據(jù)和緯度數(shù)據(jù)，將離散分布的氣溫數(shù)據(jù)轉(zhuǎn)化為面狀數(shù)據(jù)，進(jìn)而輸入SWAP模型中用于作物生長發(fā)育過程模擬。

協(xié)同克里金方法的公式如下所示

式中λi和λj是變量的權(quán)重系數(shù)，分別表示x0處主變量Z1(x1i)和協(xié)同變量Z2(x2j)的貢獻(xiàn)程度，由觀測點(diǎn)的距離、變量變異函數(shù)及協(xié)變異函數(shù)決定。n1和n2分別表示在x0附近用于估值的區(qū)域化變量個數(shù)。x1i、x2j分別是x0附近的用于估值的第i個主變量值和第j個協(xié)同變量值。

在本研究中，考慮到研究區(qū)氣象站點(diǎn)數(shù)量相對較少，為了提高精度，使用了東北及華北一部分的全部氣象站點(diǎn)數(shù)據(jù)參與coKriging空間插值計算。同時，主要對SWAP模型中較為重要的日最高氣溫和日最低氣溫使用coKriging插值，考慮的相關(guān)變量包括了緯度和DEM數(shù)據(jù)，DEM數(shù)據(jù)分辨率為30 m，來源為GDEM（global digital elevation model）。而對于其他氣象參數(shù)如水汽壓、日照時數(shù)等氣象數(shù)據(jù)，依然使用普通克里金方法進(jìn)行插值。

3.2 SWAP模型參數(shù)標(biāo)定

本研究使用SWAP模型作為玉米作物產(chǎn)量監(jiān)測的主要模型。SWAP模型是荷蘭Wageningen University and Research Center開發(fā)的用于模擬田塊尺度的非飽和帶水流及鹽分運(yùn)移、熱量傳遞和作物生長與產(chǎn)量的模型[37-38]。該模型為有作物生長條件下的土壤水分運(yùn)動模擬模型，適用于多層土壤，并能夠考慮地下水動態(tài)變化的影響，模型中采用的模擬方法包括詳細(xì)作物生長模擬、簡單作物生長模擬兩種方式，詳細(xì)模擬方式可以模擬作物的生長過程，而簡單模擬方式僅可以模擬作物的最終產(chǎn)量。本文使用詳細(xì)作物模擬方法，其以1 d為步長，模擬作物的生理生態(tài)過程，包括作物發(fā)育期、CO2同化、呼吸作用、作物蒸騰、干物質(zhì)分配、土壤水分平衡等。對于研究區(qū)玉米參數(shù)，其中，比葉面積（specific leaf area，SLA）參數(shù)參考劉維等[26]研究結(jié)果，TSUM0、TSUM1、TSUM2參數(shù)則通過作物物候期結(jié)合氣溫數(shù)據(jù)計算獲取，TDWI、LAIEM等參數(shù)通過實地調(diào)查獲取，RGRLAI、SPAN、CVL、CVO、CVR、CVS等參數(shù)則主要參考模型默認(rèn)參數(shù)及李琪等[39]、陳思寧等[11]、張素青等[25]研究結(jié)果并通過“試錯法”獲取[40]，其余如DVSI、DVSEND 、RML、RMO、RMR、RMS參數(shù)使用SWAP模型玉米默認(rèn)參數(shù)，各參數(shù)如表2和表3所示，表中DVS（development stage）指的是作物生長發(fā)育階段，無量綱。

表2 研究區(qū)玉米比葉面積參數(shù)設(shè)置

表3 研究區(qū)玉米SWAP模型參數(shù)設(shè)置

3.3 遙感數(shù)據(jù)與模型同化方法

使用SWAP模型，通過同化MODIS LAI及ET數(shù)據(jù)產(chǎn)品，獲取區(qū)域尺度高精度的玉米作物單產(chǎn)信息。SWAP 模型輸入的參數(shù)主要有氣象、土壤、作物和田間管理等，各參數(shù)對作物的發(fā)育和產(chǎn)量形成影響的差異不同，該研究僅選擇那些對作物產(chǎn)量較為敏感的參數(shù)進(jìn)行優(yōu)化。針對玉米，主要選擇灌溉量和出苗日期作為模型的主要優(yōu)化參數(shù)。一般而言，春玉米的出苗日期在有限區(qū)域內(nèi)較為一致，根據(jù)調(diào)查及查閱相關(guān)資料[41]，該文將研究區(qū)春玉米出苗日期初始值設(shè)置為5月20日；而研究區(qū)的春玉米灌溉制度較為復(fù)雜，一般在濕潤年份以雨養(yǎng)為主，在一般年份則會在拔節(jié)期或抽穗期進(jìn)行少量灌溉[42]。為簡化模型運(yùn)算，該文設(shè)置SWAP模型春玉米灌溉日期為6月30日，灌溉量初始值設(shè)置為70 mm。在SWAP運(yùn)行過程中，將根據(jù)同化方法和代價函數(shù)，不斷嘗試修正出苗日期及灌溉量，使得模型模擬LAI及ET結(jié)果與遙感數(shù)據(jù)趨勢盡可能一致，并最終實現(xiàn)區(qū)域產(chǎn)量的同化反演。

該文中，同化方法選擇使用SCE-UA方法，該方法由美國亞利桑那大學(xué)Duan等[43-44]于20世紀(jì)90年代提出，該算法是下山單純形算法的發(fā)展，采用多個單純形并行地搜索解空間的策略，這種策略被證明有助于克服下山單純形算法可能會收斂于局部最小的缺點(diǎn)[45]。SCE-UA算法可以有效地解決高維度參數(shù)的全局性優(yōu)化問題，能快速獲取全局最優(yōu)解并避免陷入局部最優(yōu)現(xiàn)象，具有良好的全局優(yōu)化性能和效率[43]。

同化代價函數(shù)的選取方面，由于MODIS的LAI產(chǎn)品數(shù)據(jù)存在較高的低估，且本文校正LAI的方法僅有兩個生育期的數(shù)據(jù)，難以有效保證LAI值的準(zhǔn)確性，因此模型同化的代價函數(shù)選用了黃健熙等[46]提出的基于一階差分的代價函數(shù)。該方法利用遙感LAI監(jiān)測數(shù)值與模型模擬LAI之間的單調(diào)性作為目標(biāo)函數(shù)，通過最小化兩者之間的單調(diào)性差異，達(dá)到優(yōu)化模型輸入?yún)?shù)。這一方法可以避免直接對觀測LAI和模擬LAI值的大小的比較，從而避免因為遙感LAI低估可能造成的模型誤差。其計算公式如式（11）所示，Dif為第個觀測值或模擬值處一階差分的正負(fù)性，則代表LAI或ET，threshold為閾值，取決于遙感數(shù)據(jù)的精度。獲取這一數(shù)據(jù)后，將所有觀測時間的觀測值正負(fù)性與模擬值正負(fù)性進(jìn)行對比，兩者越接近則表明參數(shù)優(yōu)化效果越好[46]。

使用SCE-UA方法不斷調(diào)整SWAP模型的輸入?yún)?shù)（本文為出苗日期及灌溉量），當(dāng)代價函數(shù)達(dá)到最小或迭代超過一定次數(shù)限制（1 000次）時，所獲得的參數(shù)即為優(yōu)化參數(shù)。使用優(yōu)化參數(shù)輸入模型，最后輸出結(jié)果即為玉米作物的產(chǎn)量信息。值得注意的是，SWAP模型能在作物成熟前，以1 d間隔輸出作物實時產(chǎn)量數(shù)據(jù)，可用來評價不同時間段作物的長勢情況。

3.4 精度驗證

精度驗證使用黑龍江統(tǒng)計局編著的《黑龍江縣（市）農(nóng)村經(jīng)濟(jì)社會統(tǒng)計概要2014》中黑龍江各縣市農(nóng)作物種植面積和產(chǎn)量數(shù)據(jù)作為基準(zhǔn)資料，計算包括春玉米面積識別精度及春玉米產(chǎn)量反演平均絕對誤差（mean absolute error，MAE）、均方根誤差（root mean square error，RMSE）及決定系數(shù)2。

4 結(jié)果與分析

4.1 氣象數(shù)據(jù)空間化結(jié)果

使用coKriging方法，在氣象站點(diǎn)日最高氣溫、日最低氣溫基礎(chǔ)數(shù)據(jù)上，考慮DEM及緯度因子，插值獲取氣溫數(shù)據(jù)的空間分布柵格數(shù)據(jù)。同時，也使用普通克里金方法，對氣溫數(shù)據(jù)進(jìn)行了插值，并使用舍一法交叉驗證對插值的精度進(jìn)行對比。圖6和圖7是6月10日最高氣溫及最低氣溫普通克里金插值及協(xié)同克里金插值的結(jié)果，可以看到，兩者直接存在較為顯著的差異，且協(xié)同克里金呈現(xiàn)相對更加復(fù)雜細(xì)致的氣溫分布趨勢。氣溫整體呈現(xiàn)從東南至西北逐漸降低的趨勢。根據(jù)舍一法交叉驗證結(jié)果表明，最低氣溫普通克里金插值結(jié)果的平均標(biāo)準(zhǔn)誤差（average standard error）為1.51 ℃，而對應(yīng)的協(xié)同克里金法的平均標(biāo)準(zhǔn)誤差僅為0.31 ℃；最高氣溫普通克里金插值結(jié)果的平均標(biāo)準(zhǔn)誤差為1.14 ℃，而對應(yīng)的協(xié)同克里金法的平均標(biāo)準(zhǔn)誤差僅為0.30 ℃。結(jié)果表明，相比普通克里金方法，考慮DEM和緯度因素的協(xié)同克里金方法可以獲得更加精確的氣溫空間化插值數(shù)據(jù)產(chǎn)品，這對于依賴于氣溫數(shù)據(jù)作為驅(qū)動作物生長發(fā)育期計算模擬的作物生長模型具有重要的意義，有利于提高作物生長模型輸入數(shù)據(jù)的精度，進(jìn)而提高模型作物長勢和反演精度。

圖6 2013年6月10日最高氣溫插值結(jié)果

圖7 2013年6月10日最低氣溫插值結(jié)果

4.2 玉米長勢及產(chǎn)量模擬結(jié)果

根據(jù)SWAP模型同化LAI和ET數(shù)據(jù)，獲取研究區(qū)逐日玉米產(chǎn)量預(yù)測結(jié)果，分別選取位于生長早期的2013年8月1日和旺盛時期的2013年8月19日的玉米產(chǎn)量預(yù)測結(jié)果，并使用Natural break方法，將其分為5級，用于分析不同時期研究區(qū)春玉米的長勢模型模擬結(jié)果（圖8）。

從圖中可以看出，在2013年8月1日，研究區(qū)的西南部，主要包括雙城以及肇東市南部地區(qū)的玉米長勢相對最好，而在研究區(qū)的中部地區(qū)，長勢較好，研究區(qū)的北部則長勢一般。8月1日的長勢情況整體呈現(xiàn)從南到北逐漸降低的過程，這主要是由于研究區(qū)春玉米物候期差異決定的，受積溫差異影響，南部玉米生長相對較早，而北部相對較晚。而在2013年8月19日，隨著玉米長勢的逐漸變化，研究區(qū)的中部玉米長勢逐漸變好，長勢分級出現(xiàn)西南-東北逐漸降低的趨勢。

圖8 研究區(qū)春玉米長勢模型模擬結(jié)果

根據(jù)SWAP模型同化遙感數(shù)據(jù)獲取研究區(qū)玉米的單產(chǎn)分布圖，結(jié)果如圖9所示，可以看出，研究區(qū)玉米單產(chǎn)呈現(xiàn)出較強(qiáng)的區(qū)域差異。統(tǒng)計玉米平均單產(chǎn)，得到研究區(qū)玉米單產(chǎn)均值為7 831 kg/hm2。從圖上可以發(fā)現(xiàn)，研究區(qū)中部地區(qū)單產(chǎn)最高，達(dá)到了8 800 kg/hm2以上，而在南部的雙城北部，哈爾濱市轄區(qū)南部，以及中部的呼蘭、蘭西、北林交界區(qū)域玉米單產(chǎn)相對較低，在6 118 ~7 756 kg/hm2之間。分析其主要原因，可能是由于該區(qū)域8月份中旬出現(xiàn)的強(qiáng)降雨天氣導(dǎo)致了最后階段玉米產(chǎn)量受到一定的影響。

收集研究區(qū)15個縣市區(qū)2013年玉米產(chǎn)量的統(tǒng)計信息，并根據(jù)SWAP模型擬合獲取的區(qū)域作物產(chǎn)量空間分布圖，統(tǒng)計各行政區(qū)劃內(nèi)的玉米產(chǎn)量（包括單產(chǎn)和總產(chǎn)），對比統(tǒng)計產(chǎn)量和預(yù)測產(chǎn)量，評價模型精度。結(jié)果如圖10所示，從圖中可以看出，春玉米的預(yù)測產(chǎn)量與統(tǒng)計產(chǎn)量較為接近，2達(dá)到0.939 4，均方根誤差RMSE為148 065 t，平均絕對誤差MAE為114 335 t。在單產(chǎn)上，研究區(qū)15個縣市區(qū)的模型預(yù)測單產(chǎn)與統(tǒng)計結(jié)果之間的決定系數(shù)達(dá)到了0.724 5，RMSE為598.5 kg/hm2，MAE為531.5 kg/hm2。精度評價表明基于SWAP模型同化遙感數(shù)據(jù)進(jìn)行黑龍江南部區(qū)域尺度玉米作物產(chǎn)量估算的準(zhǔn)確性和適應(yīng)性。

圖9 2013年研究區(qū)玉米單產(chǎn)SWAP模型同化預(yù)測結(jié)果空間分布圖

圖10 2013年研究區(qū)各縣市玉米產(chǎn)量預(yù)測與統(tǒng)計結(jié)果對比

5 討 論

SWAP作物生長模型在單點(diǎn)尺度的作物生長模擬中有著重要的應(yīng)用，以其高效率、高精度、機(jī)理明確等優(yōu)點(diǎn)，為田間管理、水肥控制等技術(shù)研究提供了一種便捷、低成本的技術(shù)手段；而遙感數(shù)據(jù)具有覆蓋范圍大、獲取成本低等優(yōu)勢；通過將面狀的遙感數(shù)據(jù)與傳統(tǒng)的單點(diǎn)尺度作物生長模型進(jìn)行耦合，結(jié)合大尺度、區(qū)域化的模型參數(shù)優(yōu)化獲取，可以實現(xiàn)作物生長模型在區(qū)域尺度的應(yīng)用。該文以SWAP模型區(qū)域化應(yīng)用為出發(fā)點(diǎn)，從遙感數(shù)據(jù)獲取、遙感數(shù)據(jù)預(yù)處理、農(nóng)作物類型空間分布圖制作、氣象數(shù)據(jù)空間化、模型參數(shù)選擇，以及數(shù)據(jù)同化、結(jié)果精度驗證等方面進(jìn)行了完整的研究與分析，并獲得了較高的監(jiān)測精度。

由于農(nóng)作物類型地理空間分布及其影響因子的復(fù)雜性，更大尺度上，更為通用的遙感數(shù)據(jù)與作物生長模型耦合的數(shù)據(jù)、方法等方面還有待更為深入的研究。在同化技術(shù)所需的遙感數(shù)據(jù)獲取方面，該文選用了MODIS LAI及ET遙感產(chǎn)品數(shù)據(jù)，考慮到MODIS產(chǎn)品的分辨率相對較低，在精細(xì)農(nóng)業(yè)中的應(yīng)用有一定的局限；在今后的研究中，可進(jìn)一步結(jié)合使用中高分辨率的衛(wèi)星遙感數(shù)據(jù)如HJ-1、Landsat等進(jìn)行作物生長模型同化研究[47-48]；并且MODIS LAI產(chǎn)品在相比實際作物L(fēng)AI值往往存在一定的低估[49]，如果不選用合適的預(yù)處理技術(shù)或同化技術(shù)，可能會對同化結(jié)果造成影響，當(dāng)前有一些研究逐漸開始嘗試結(jié)合冠層反射率[50]、冠層溫度[51]以及土壤調(diào)節(jié)植被指數(shù)SAVI（soil adjusted vegetion index）等指數(shù)[52]來改善類似的缺點(diǎn)。

在氣象數(shù)據(jù)插值方面，當(dāng)前作物生長模型的氣象數(shù)據(jù)處理過程中，往往直接使用較為簡單、快捷的反距離權(quán)重插值或者普通克里金插值，僅僅考慮了氣象數(shù)據(jù)的空間自相關(guān)性。在大尺度區(qū)域應(yīng)用中，氣象數(shù)據(jù)往往會與其他因子存在較強(qiáng)的相關(guān)性[36,53]，如氣溫與緯度、海拔的關(guān)系密切[54-55]，不考慮這一因素，可能導(dǎo)致插值結(jié)果與實際的偏離。針對氣溫這個表示作物生長發(fā)育階段的重要參數(shù)，該文在研究中使用了協(xié)同克里金插值代替普通克里金插值方法，最低氣溫插值結(jié)果的平均標(biāo)準(zhǔn)誤差由1.51 ℃降低到0.31 ℃，最低氣溫插值結(jié)果的平均標(biāo)準(zhǔn)誤差由1.14 ℃降低到0.30 ℃，表明該方法可以有效提高氣溫數(shù)據(jù)插值的精度，從而為作物生長模型提供精確的輸入數(shù)據(jù)。在后續(xù)的研究中，可以嘗試結(jié)合NDVI、緯度、TRMM（tropical rainfall measuring mission）降雨數(shù)據(jù)等，使用協(xié)同克里金、地理加權(quán)回歸克里金（Geographically weighted regression Kriging）等方法[49]，進(jìn)一步提高作物生長模型所需的降水等數(shù)據(jù)的精度，以達(dá)到進(jìn)一步提高區(qū)域作物生長模型對作物產(chǎn)量監(jiān)測與預(yù)測的精度。

6 結(jié) 論

本文以中國玉米的主產(chǎn)區(qū)之一，黑龍江省南部地區(qū)為研究區(qū)，對SWAP模型春玉米模擬進(jìn)行了參數(shù)的本地化研究，并使用SCE-UA同化算法，基于MODIS的LAI和ET數(shù)據(jù)集，使用一階差分代價函數(shù)，進(jìn)行了作物生長模型與遙感數(shù)據(jù)的同化。結(jié)果表明，研究區(qū)內(nèi)15個縣、市、區(qū)的玉米產(chǎn)量與統(tǒng)計產(chǎn)量直接基本吻合，總產(chǎn)量的2為0.939 4，均方根誤差RMSE為148 065 t，平均絕對誤差MAE為114 335 t，單產(chǎn)的決定系數(shù)達(dá)到了0.724 5，RMSE為598.5 kg/hm2，MAE為531.5 kg/hm2。表明基于SWAP模型同化MODIS數(shù)據(jù)進(jìn)行黑龍江南部區(qū)域春玉米產(chǎn)量監(jiān)測的準(zhǔn)確性和適用性。

[1]中國統(tǒng)計出版社. 中國農(nóng)村統(tǒng)計年鑒[M]. 北京：中國統(tǒng)計出版社，2017.

[2]余曉洋，田帥，呂一，等. 基于Shift-Share模型的“鐮刀彎”地區(qū)糧食增產(chǎn)結(jié)構(gòu)變動分析：兼論玉米種植結(jié)構(gòu)調(diào)整[J].中國農(nóng)業(yè)資源與區(qū)劃，2017，38(5)：14－20. Yu Xiaoyang, Tian Shuai, Lv Yi, et al. Structure variation of grain yield in “sickle bend” region based on shift-share model[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2017, 38(5): 14－20. (in Chinese with English abstract)

[3]劉佳，王利民，姚保民，等. 基于多時相OLI數(shù)據(jù)的寧夏大尺度水稻面積遙感估算[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(15)：200－209. Liu Jia, Wang Limin, Yao Baomin, et al. Ningxia rice area remote sensing estimation on large scale based on multi-temporal OLI data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(15): 200－209. (in Chinese with English abstract)

[4]Massey Richard, Sankey Temuulen T, Congalton Russell G, et al. MODIS phenology-derived, multi-year distribution of conterminous US crop types[J]. Remote Sensing of Environment, 2017, 198: 490－503.

[5]Zhong Liheng, Gong Peng, Biging Gregory S. Efficient corn and soybean mapping with temporal extendability: A multi-year experiment using Landsat imagery[J]. Remote Sensing of Environment, 2014, 140: 1－13.

[6]黃健熙，黃海，馬鴻元，等. 遙感與作物生長模型數(shù)據(jù)同化應(yīng)用綜述[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(21)：144－156. Huang Jianxi, Huang Ha, Ma Hongyuan, et al. Review on data assimilation of remote sensing and crop growth models[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 144－156. (in Chinese with English abstract)

[7]Diepen C A, Wolf J, Keulen H, et al. WOFOST: A simulation model of crop production[J]. Soil Use & Management, 2010, 5(1): 16－24.

[8]Shafiei Mojtaba, Ghahraman Bijan, Saghafian Bahram, et al. Uncertainty assessment of the agro-hydrological SWAP model application at field scale: A case study in a dry region[J]. Agricultural Water Management, 2014, 146: 324－334.

[9]Ovando Gustavo, Sayago Silvina, Bocco Mónica. Evaluating accuracy of DSSAT model for soybean yield estimation using satellite weather data[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2018, 138: 208－217.

[10]Huang Jianxi, Ma Hongyuan, Liu Junming, et al. Regional winter wheat yield estimation by assimilating MODIS ET and LAI products into SWAP model [C]// Agro-Geoinformatics 2013 Second International Conference on, IEEE, 2013. (Agro-Geoinformatics).

[11]陳思寧，趙艷霞，申雙和. 基于集合卡爾曼濾波的PyWOFOST模型在東北玉米估產(chǎn)中的適用性驗證[J]. 中國農(nóng)業(yè)氣象，2012，33(2)：245－253. Chen Sining, Zhao Yanxia, Sheng Shuanghe. Applicability of PyWOFOST model based on ensemble Kalman filter in Simulating maize yield in Northeast China[J]. Chinese Journal of Agrometeorology, 2012, 33(2): 245－253. (in Chinese with English abstract)

[12]黃健熙，武思杰，劉興權(quán)，等. 基于遙感信息與作物模型集合卡爾曼濾波同化的區(qū)域冬小麥產(chǎn)量預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(4)：142－148. Huang Jianxi, Wu Sijie, Liu Xinquan, et al. Regional winter wheat yield forecasting based on assimilation of remote sensing data and crop growth model with Ensemble Kalman method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(4): 142－148. (in Chinese with English abstract)

[13]Cheng Zhiqiang, Meng Jihua, Wang Yiming. Improving spring maize yield estimation at field scale by assimilating time-series HJ-1 CCD data into the WOFOST model using a new method with fast algorithms[J]. Remote Sensing, 2016, 8(4): 303.

[14]姜浩. 基于作物模型同化遙感物候信息的冬小麥估產(chǎn)方法研究[D]. 成都：電子科技大學(xué)，2011. Jiang Hao. Study on Winter Wheat Yield Estimation Method Based on Remote Sensing Phenological Information Assimilated by Crop Model[D]. Chengdu: University of Electronic Science and Technology of China, 2011. (in Chinese with English abstract)

[15]李秀芬，馬樹慶，宮麗娟，等. 基于WOFOST的東北地區(qū)玉米生育期氣象條件適宜度評價[J]. 中國農(nóng)業(yè)氣象，2013，34(1)：43－49. Li Xiufen, Ma Shuqing, Gong Lijuan, et al. Evaluation of meteorological suitability degree during maize growth period based on WOFOST in Northeast China[J]. Chinese Journal of Agrometeorology, 2013, 34(1): 43－49. (in Chinese with English abstract)

[16]欒慶祖，葉彩華，莫志鴻，等. 基于WOFOST模型的玉米干旱損失評估：以北京為例[J]. 中國農(nóng)業(yè)氣象，2014，35(3)：311－316. Luan Qingzu, Ye Caihua, Mo Zhihong, et al. Maize yield loss assessment for drought based on WOFOST model: A case study in Beijing[J]. Chinese Journal of Agrometeorology, 2014, 35(3): 311－316. (in Chinese with English abstract)

[17]Cheng Zhiqiang, Meng Jihua, Qiao Yanyou, et al. Preliminary study of soil available nutrient simulation using a modified WOFOST model and time-series remote sensing observations[J]. Remote Sensing, 2018, 10(1): 64.

[18]Ceglar Andrej, Kajfe?-Bogataj Lu?ka. Simulation of maize yield in current and changed climatic conditions: Addressing modelling uncertainties and the importance of bias correction in climate model simulations[J]. European Journal of Agronomy, 2012, 37(1): 83－95.

[19]Huang Jianxi, Tian Liyan, Liang Shunlin, et al. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model[J]. Agricultural & Forest Meteorology, 2015, 204: 106－121.

[20]Zhao Yanxia, Chen Sining, Shen Shuanghe. Assimilating remote sensing information with crop model using ensemble Kalman filter for improving LAI monitoring and yield estimation[J]. Ecological Modelling, 2013, 270(2): 30－42.

[21]王麗媛. 遙感數(shù)據(jù)與作物模型同化的冬小麥估產(chǎn)研究[D]. 杭州：浙江大學(xué)，2018. Wang Liyuan. Estimating Winter Wheat Yield by Assimilation of Remote Sensing Data into Crop Growth Model[D]. Hangzhou: Zhejiang University, 2018. (in Chinese with English abstract)

[22]Huang Jianxi, Ma Hongyuan, Su Wei, et al. Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(8): 4060－4071.

[23]Dong Taifeng, Liu Jiangui, Qian Budong, et al. Estimating winter wheat biomass by assimilating leaf area index derived from fusion of Landsat-8 and MODIS data[J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 49: 63－74.

[24]陳勁松，黃健熙，林琿，等. 基于遙感信息和作物生長模型同化的水稻估產(chǎn)方法研究[J]. 中國科學(xué)：信息科學(xué)，2010，40(S1)：173－183. Chen Jingsong, Huang Jianxi, Lin Hun, et al. Rice yield estimation by assimilation remote sensing into crop growth model[J]. Science China Information Sciences, 2010, 40(S1): 173－183. (in Chinese with English abstract)

[25]張素青，張建濤，李繼蕊，等. WOFOST模型在河南省夏玉米主產(chǎn)區(qū)的校準(zhǔn)與驗證[J]. 河南農(nóng)業(yè)科學(xué)，2014，43(8)：152－156. Zhang Suqin, Zhang Jiantao, Li Jirui, et al. Calibration and validation of WOFOST in main maize-producting region in Henan[J]. Journal of Henan Agricultural Sciences, 2014, 43(8): 152－156. (in Chinese with English abstract)

[26]劉維，侯英雨，吳門新，等. WOFOST模型在東北春玉米產(chǎn)區(qū)的驗證與適應(yīng)性評價[J]. 氣象與環(huán)境科學(xué)，2017，40(3)：9－15. Liu Wei, Hou Yingyu, Wu Menxing, et al. Validation and adaptability evaluation of WOFOST model in spring maize area of Northeast[J]. Meteorological and Environmental Sciences, 2017, 40(3): 9－15. (in Chinese with English abstract)

[27]Wang Liyuan, Huang Jingfeng, Gao Ping, et al. Estimating winter wheat yield by assimilation of MODIS LAI into WOFOST model with Ensemble Kalman Filter[C]// 2017 6th International Conference on Agro-Geoinformatics, IEEE, 2017.

[28]黃健熙，馬鴻元，田麗燕，等. 基于時間序列LAI和ET同化的冬小麥遙感估產(chǎn)方法比較[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(4)：197－203. Huang Jianxi, Ma Hongyuan, Tian Liyan, et al. Comparison of remote sensing yield estimation methods for winter wheat based on assimilating time-sequence LAI and ET[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 197－203. (in Chinese with English abstract)

[29]石淑芹. 基于多源數(shù)據(jù)的吉林省玉米生產(chǎn)力區(qū)劃研究[D]. 北京：中國農(nóng)業(yè)科學(xué)院，2009. Shi Shuqin. Maize Productivity Regionalization in Jilin Province Based on Multiple Source Data[D]. Beijing: Chinese Academy of Agricultural Sciences, 2009. (in Chinese with English abstract)

[30]盧月明. 面向大氣污染指數(shù)分析的時空協(xié)同克里金插值方法[D]. 北京：中國測繪科學(xué)研究院，2018. Lu Yueming. Spatio-temporal Cokriging Interpolation for Air Pollution Index Analysis[D]. Beijing: Chinese Academy of Surveying and Mapping, 2018. (in Chinese with English abstract)

[31]Allen Richard G, Pereira Luis S, Raes Dirk, et al. Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56[Z]. FAO, Rome, 1998, 300(9): D5109.

[32]史學(xué)正，于東升，高鵬，等. 中國土壤信息系統(tǒng)(SISChina)及其應(yīng)用基礎(chǔ)研究[J]. 土壤，2007，39(3):329－333. Shi Xuezheng, Yu Dongsheng, Gao Peng, et al. Soil information system of China (SISChina) and its application[J]. Soils, 2007, 39(3): 329－333. (in Chinese with English abstract)

[33]國家科技基礎(chǔ)條件平臺—國家地球系統(tǒng)數(shù)據(jù)共享服務(wù)平臺-土壤科學(xué)數(shù)據(jù)中心：http://soil.geodata.cn.

[34]NASA LANDS DAAC[EB/OL]. [2019-05-26]. https://ladsweb. modaps.eosdis.nasa.gov/search/

[35]Guo Qingyan, Zhang Min, Yang Xiandong, et al. Spatial interpolation of monthly mean temperatures based on cokriging method[C]// International Symposium on Computational Science and Computing, Springer. 2018.

[36]Park Sunyurp. Integration of satellite‐measured LST data into cokriging for temperature estimation on tropical and temperate islands[J]. International Journal of Climatology, 2011, 31(11): 1653－1664.

[37]Wageningen University and Research--Soil Water Atmosphere Plant[EB/OL]. [2019-05-26] https://www.swap.alterra.nl/.

[38]Kroes J G, van Dam J C, Bartholomeus R P, et al. SWAP version 4; Theory description and user manual[ZOL]. Wageningen, Wageningen Environmental Research, 2017, Report 2780. [2019-05-26]Available at: http://library.wur.nl/ WebQuery/wurpubs/fulltext/416321

[39]李琪，胡秋麗，朱大威，等. 基于WOFOST模型的吉林省春玉米干旱復(fù)水模擬研究[J]. 農(nóng)業(yè)現(xiàn)代化研究，2019，40(1)：155－162. Li Qi, Hu Qiuli, Zhu Dawei, et al. Simulation of drought and rewatering of spring maize based on WOFOST model in Jilin Province[J]. Research of Agricultural Modernization, 2019, 40(1): 155－162. (in Chinese with English abstract)

[40]蔡福，米娜，紀(jì)瑞鵬，等. 基于錦州春玉米田間試驗的WOFOST模型參數(shù)的確定及性能評價[J]. 生態(tài)學(xué)雜志，2019，38(4)：1238－1248. Cai Fu, Mi Na, Ji Ruipeng, et al. Determination of crop parameters for WOFOST model and its performance evaluation based on field experiment of spring maize in Jinzhou, Liaoning[J]. Chinese Journal of Ecology, 2019, 38(4): 1238－1248. (in Chinese with English abstract)

[41]李正國，楊鵬，唐華俊，等. 近20年來東北三省春玉米物候期變化趨勢及其對溫度的時空響應(yīng)[J]. 生態(tài)學(xué)報，2013，33(18)：5818－5827. Li Zhenguo, Yang Peng, Tang Huajun, et al. Trends of spring maize phenophases and spatio-temporal responses to temperature in three provinces of Northeast China during the past 20 years[J]. Acta Ecologica Sinica, 2013, 33(18): 5818－5827. (in Chinese with English abstract)

[42]肖俊夫，劉小飛，劉祖貴，等. 我國春玉米產(chǎn)區(qū)灌溉問題分析與研究[C]//北京，玉米產(chǎn)業(yè)技術(shù)大會，2008.

[43]Gupta V K. Optimal use of the SCE-UA global optimization method for calibrating watershed models[J]. Journal of Hydrology, 1994, 158(3/4): 265－284.

[44]Duan Qingyun. The Shuffled Complex Evolution (SCE-UA) Method[D]. Tucson: University of Arizona Tucson, 1992.

[45]欒承梅. 流域水文模型參數(shù)優(yōu)化問題研究[D]. 南京：河海大學(xué)，2006. Luan Chengmei. Study on Automatic Optimization of Hydrologic Models' Parameters[D]. Nanjing: Hohai University, 2006. (in Chinese with English abstract)

[46]黃健熙，馬鴻元，田麗燕，等. 基于時間序列LAI和ET同化的冬小麥遙感估產(chǎn)方法比較[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(4)：197－203. Huang Jianxi, Ma Hongyuan, Tian Liyan, et al. Comparison of remote sensing yield estimation methods for winter wheat based on assimilating time-sequence LAI and ET[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 197-203. (in Chinese with English abstract)

[47]陳艷玲，顧曉鶴，宮阿都，等. 基于遙感信息和WOFOST模型參數(shù)同化的冬小麥單產(chǎn)估算方法研究[J]. 麥類作物學(xué)報，2018，38(9)：121－130. Chen Yanling, Gu Xiaohe, Gong Adou, et al. Estimation of winter wheat assimilation based on remote sensing information and WOFOST crop model[J]. Journal of Triticeae Crops, 2018, 38(9): 121－130. (in Chinese with English abstract)

[48]Huang Jianxi, Tian Liyan, Liang Shunlin, et al. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model[J]. Agricultural & Forest Meteorology, 2015, 204: 106－121.

[49]徐勝男. 基于遙感數(shù)據(jù)修正WOFOST模型的江蘇省冬小麥生長模擬研究[D]. 南京：南京信息工程大學(xué)，2016. Xu Shennan. Simulation of Winter Wheat in Jiangsu Province with the Modified WOFOST Model Based on Remote Sensing Data[D]. Nanjing: Nanjing University of Information Science & Technology, 2016. (in Chinese with English abstract)

[50]Bouman B A M. Linking physical remote sensing models with crop growth simulation models, applied for sugar beet[J]. International Journal of Remote Sensing, 1992, 13(14): 2565－2581.

[51]王純枝，宇振榮，辛景峰，等. 基于遙感和作物生長模型的作物產(chǎn)量差估測[J]. 農(nóng)業(yè)工程學(xué)報，2005，21(7)：84－89. Wang Chunzhi, Yu Zhenrong, Xin Jingfeng, et al. Yield gap estimation by combining remote sensing and crop growth model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(7): 84－89. (in Chinese with English abstract)

[52]吳伶，劉湘南，周博天，等. 多源遙感與作物模型同化模擬作物生長參數(shù)時空域連續(xù)變化[J]. 遙感學(xué)報，2012，16(6)：1173－1191. Wu Ling, Liu Xiangnan, Zhou Botian, et al. Spatial-time continuous changes simulation of crop growth parameters with multi-source remote sensing data and crop growth model[J]. Journal of Remote Sensing, 2012, 16(6): 1173－1191. (in Chinese with English abstract)

[53]Chen Yuanyuan, Huang Jingfeng, Sheng Shaoxue, et al. A new downscaling-integration framework for high-resolution monthly precipitation estimates: Combining rain gauge observations, satellite-derived precipitation data and geographical ancillary data[J]. Remote Sensing of Environment, 2018, 214: 154－172.

[54]程朋，任鴻瑞. 山西高原氣溫空間插值分析[J]. 河北師范大學(xué)學(xué)報：自然科學(xué)版，2016，40(1)：73－79. Cheng Peng, Ren Hongrui. Spatial interpolation analysis of annual average air temperature in Shanxi Plateau[J]. Journal of Hebei Normal University: Natural Science Edition, 2016, 40(1): 73－79. (in Chinese with English abstract)

[55]Ishida T, Kawashima S. Use of cokriging to estimate surface air temperature from elevation[J]. Theoretical and Applied Climatology, 1993, 47(3): 147－157.

Maize yield monitoring in Southern Heilongjiang based on SWAP model assimilative remote sensing data

Wang Limin1, Yao Baomin1, Liu Jia1※, Yang Lingbo2, Yang Fugang1

(1.,,, 100081; 2.,310012)

Crop yield monitoring and forecast has great impact on food security, ecological environment, and farmers’ incomes. Crop growth and yield monitoring and forecast by using crop growth model has the advantages of clear mechanism, high precision, and high monitoring frequency, but its monitoring scale is usually limited to land block level. Along with the fast development of remote sensing satellite technology, using remote sensing data combined with crop growth model to accurately monitor regional crop growth and yield in a large regional scale has gradually become an important means of regional level and even national level crop growth monitoring. However, due to differences in crop types, climatic conditions, soil conditions and monitoring areas, the regionalization and localization of crop growth model is the major bottleneck of crop growth monitoring by using crop growth model combined with remote sensing data, and it is urgent to conduct targeted studies on the identification of assimilation parameters of crop growth model, pre-processing of meteorological data, and the setting of crop parameters. Based on soil-water-atmosphere-plant model (SWAP), and by taking the major commodity grain production base of China, Northeast China Region as a study region, in this the paper, we conducted a study by taking the major crop of spring maize of the region as its target crop. Firstly, we used Landsat to obtain maize () planting area in the study area, and used it as the basic data for estimating the total maize yield in the study area. The overall accuracy of maize area classification was 93.2%, with2 of 0.951 2. By considering the influence of latitude and altitude on temperature, in the study, we used the coKriging method in crop growth model meteorological data interpolation acquisition, so as to improve the precision of input parameters of the model. The result showed that the average standard error of minimum temperature of coKriging method was 0.31 ℃, while that of the Kriging method was 1.51 ℃. The average standard error of maximum temperature of coKriging method was 0.30 ℃, while that of the Kriging method was 1.14 ℃. In the study, leaf area index (LAI) and evapotranspiration (ET) were used as assimilative remote sensing data sources, and we proposed a novel method to adjust the LAI product of MODIS to make it closer to actual value. By optimizing maize irrigation and crop emergence date, we obtained spatial distribution result of maize yield of the study area of 2013. The monitoring result was compared with the statistical data. The2 reached 0.939 4, with RMSE of 148 065 t, and MAE of 114 335 t. Moreover, the correlation coefficient of predicted yield and statistical yield reached 0.724 5, with RMSE of 598.5 kg/hm2, and MAE of 531.5 kg/ hm2。The study result showed that, using SWAP model, taking meteorological data spatial interpolation results obtained by using coKriging method as input data and assimilation of LAI and ET remote sensing, can effectively conduct corn yield remote sensing monitoring of the study region, which provided reference for the remote sensing monitoring and forecast of crop growth and productivity of the region.

crops; remote sensing; models; corn; leaf area index (LAI); evapotranspiration; coKriging; assimilation; SWAP model

王利民，姚保民，劉 佳，楊玲波，楊福剛. 基于SWAP模型同化遙感數(shù)據(jù)的黑龍江南部春玉米產(chǎn)量監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(22)：285－295. doi：10.11975/j.issn.1002-6819.2019.22.034 http://www.tcsae.org

Wang Limin, Yao Baomin, Liu Jia, Yang Lingbo, Yang Fugang. Maize yield monitoring in Southern Heilongjiang based on SWAP model assimilative remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(22): 285－295. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.22.034 http://www.tcsae.org

2019-04-19

2019-06-26

國家重點(diǎn)研發(fā)計劃“糧食作物生長監(jiān)測診斷與精確栽培技術(shù)”課題“作物生長與生產(chǎn)力衛(wèi)星遙感監(jiān)測預(yù)測”（2016YFD0300603）

王利民，博士,研究員，主要從事農(nóng)業(yè)遙感監(jiān)測業(yè)務(wù)運(yùn)行研究。Email：wanglimin01@caas.cn

劉 佳，研究員，主要從事農(nóng)業(yè)遙感監(jiān)測業(yè)務(wù)運(yùn)行研究。Email：liujia06@caas.cn

10.11975/j.issn.1002-6819.2019.22.034

S252+.9

A

1002-6819(2019)-22-0285-11