結合數據融合算法的光能利用率模型反演水稻地上部生物量

廖靖 胡月明 趙理 馬昊翔 王璐 張洪亮

摘要：水稻作為世界范圍內的重要糧食作物，其生長狀況與產量信息的快速、精確獲取，對保障耕地資源安全與糧食安全具有重要意義。本研究探索結合數據融合算法的光能利用率模型反演水稻地上部生物量，將增強型空間和時間自適應反射融合模型（ ESTARFM）預測的水稻關鍵生長期數據，驅動EC-LUE（Eddy covariance-light useefficiency）模型反演水稻地上部生物量，分別驗證2個模型的精度。結果顯示，ESTARFM算法預測值與真實值的Pearson相關系數為0.668（ P<量O.001），對于中型耕地（11- 50個Landsat像元），ESTARFM算法預測精度最為理想。EC-LUE模型反演的水稻地上部生物量預測值與地面實測值Pearson相關系數為0.630（ P<0.001）。EC-LUE模型驅動數據的空間分辨率與時間分辨率是制約反演結果精度的關鍵因素。

關鍵字：影像融合;光能利用率模型;水稻地上部生物量;遙感反演

中圖分類號：TP75

文獻標識碼：A

文章編號： 1000-4440（ 2019） 03-0594-08

水稻生產在全球糧食安全評估[1]、農業水資源利用[2-3]、溫室氣體排放[4-6]等研究中具有重要地位。水稻作為中國重要的糧食作物"1，水稻地上部生物量模擬與預測是水稻估產[8-11]、農業氣象災害預警[12-13]、耕地產能監測與評價14-15]等一系列相關研究中的重要參數之一。相比于經驗模型（光合生產力模型、Wagenigen模型[16]、農業生態區法（ AEZ） [17-18]以及基于過程的生長模型（WOFOST[19-20]、APSIM[21-22]等），作物光能利用率（LUE）模型簡化了植物光合作用與呼吸作用的復雜生理反應，被認為是擁有較大發展空間，能夠在更廣范圍內進行作物生產力估算的一種模型。Eddy covariance-light use efficiency（ EC-LUE）模型被開發適用于普遍生物群落的逐日總初級生產力（ GPP）估算，該模型基于渦度塔通量數據，并采用在各種生物群落中幾乎不變的模型參數（即潛在的光能利用效率與最佳植被的生長溫度）[23]。EC-LUE模型估算農田GPP仍有較大不確定性，有研究針對模型模擬的農田GPP精度進行驗證，提出了相應的模型改進策略[24-26]。

EC-LUE模型需要輸入更精細的作物生長數據（如ⅣDVI）來模擬中、小尺度農田GPP。為了滿足精細分辨率監測地表季節性景觀變化的能力，Gao等開發了空間和時間自適應反射融合模型（ Spatial andtemporal adaptive reflectance fusion model，STARFM），將Landsat數據與MODIS數據進行融合，以預測擁有Landsat空間分辨率下的日常表面反射率[27]。Zhu等開發了一種增強型STARFM方法（Enhanced spatialand temporal adaptive reflectance fusion model， ESTAR-FM），通過2個時間點之間觀測到的反射率趨勢和改進光譜解混合理論，以更好地預測異質景觀的反射率變化[28-29]。ESTARFM被證明在小區域中準確度要高于同類方法[30]，以及在預測農田蒸散量[31]、冬小麥生物量[32]、河岸森林監測[33]等異質景觀的實證研究中有良好表現。直接將植被指數進行時空數據融合得到的精度，高于先對各波段進行時空數據融合再計算的植被指數的精度[34]。

本研究探索結合ESTARFM算法的EC-LUE模型對水稻地上部干物質質量反演的方法，通過ES-TARFM算法獲取晚稻關鍵生長期的NDVI，作為EC-LUE模型的驅動數據。檢驗2個模型的精度，分別分析2個模型在預測耕地異質景觀NDVI、反演晚稻地上部生物量的適用性，并討論本研究方法的優勢與限制。

1 研究區概況

增城市位于廣東省中部、廣州市東部（圖1），地理坐標：北緯23°05′- 23°37′，東經113°32′ - 114°00′，地處南亞熱帶，北回歸線經過市境北部，屬海洋性季風氣候，多年平均氣溫為21.6℃，極端高溫為38.2℃，極端低溫為-1.9℃。氣候特點為炎熱多雨，長夏無冬，全年可栽培作物。水資源豐富，耕地多為赤紅地和河谷沖積地，適宜種植水稻等農作物【35]。

2 數據獲取與研究方法

2.1 數據

2.1.1 影像數據 Landsat 8 0perational land imager（ OLI）（本研究不涉及TIRS傳感器）提供了30 m空間分辨率的LITP級地表反射率科學數據產品。影像預處理包括輻射定標、Fast line-of-sightatmospheric analysis of hypercubes（ FLAASH@）大氣校正、幾何校正，選取Quality assessment band中標記為“未受到儀器或云層影響”像素作為掩膜，反向去除影像中的云及云陰影。

MODIS09GA數據集提供了500 m空間分辨率的逐日地表反射率。影像預處理包括投影轉換、重采樣與幾何校正，根據1-4-3波段組合來判斷研究區是否有云，選取云量最小時刻的MOD09GA數據，用數據集的質量波段做云掩膜。

2.1.2 氣象數據通過國家氣象局氣象觀測站記錄的研究區逐日日均氣溫、顯熱通量、潛熱通量數據，采用AUNSPLINE氣象插值軟件進行插值‘36]。光合有效輻射（PAR）數據利用MODIS lB數據結合MODIS地表反射率產品和雙向反射模型（BRDFmodel）參數產品，通過檢索輻射傳輸模型計算出的查找表來反演得到【36-40]。

2.1.3 地上部生物量采集 2016年11月2日（第307 d）、11月7日（第312 d），分2次對研究區晚稻田進行生物量采樣，采樣數量為30塊晚稻田，采樣點分布見圖1。取樣面積1 mxl m，與地面齊平收割稻株地上部分。在實驗室內，將采集的水稻樣品放置入烘干箱內，在110 0C下殺青50 min，后將溫度調整為85℃，持續10 h，至樣品質量不再變化后取出稱質量。

2.2 研究方法

2.2.1 基于EC-LUE模型的晚稻地上部生物量反演

Yuan等開發了渦度協方差一光利用效率（EC-LUE）模型來模擬日常植被GPP[23，41]。模型由4個變量驅動：歸一化植被指數（ ND VI），光合有效輻射（PAR），氣溫（T）以及顯熱與潛熱通量的鮑溫比。由于潛在的LUE在各種土地覆蓋類型中是不變的，因此EC-LUE模型對于每日GPP在大面積上的映射具有很大的優勢。

根據輻射傳遞模型，Myneni等發現，對于大量不同的植被一土壤一大氣條件，fPAR和NDVI之間存在線性關系[42]：

fPAR= axNDVl+b

（2）

其中a與b是經驗系數。fPAR和NDVI之間的截距一般為負，當fPAR為零時，a與b的比值表示裸土NDVI。根據前人的研究，a和b定為1.240和-0.168[23，43].NDVI從遙感影像數據獲得。

EC-LUE模型假定所有生物群落之間存在通用的8max，并通過溫度或水分脅迫來降低，同時假設溫度與水分對植被光能利用率的影像遵循李比希定律，即植被的實際光能利用率（ε）僅受到任何給定時間的最大限制性因素影響：

2.2.2 基于ESTARFM的晚稻關鍵生長期數據融合

ESTARFM算法實現有4個主要步驟。首先，使用2個具有精細分辨率的圖像來搜索與本地窗口中的中心像素相似的像素。其次，計算所有相似像素（Wi）的權重。第三，通過線性回歸確定轉換系數（Vi）。最后，使用Wi與Vi來計算所需預測日期的粗分辨率圖像的精細分辨率反射率。同時，研究結果表明，將植被指數直接進行時空數據融合的精度，要高于單個波段進行時空數據融合再計算植被指數所得到的精度，因為限制了誤差的傳遞[34]。那么在預測時刻tp處的最終預測的精細分辨率NDVI計算為：

2.2.3 精度檢驗

2.2.3.1 ESTARFM算法精度檢驗 定量評估2對原始影像與預測影像，繪制原始影像與預測影像的NDVI線性回歸模型的殘差，評估預測精度。然后選擇一組定量相關性度量方法，即Pearson相關系數，加上線性回歸模型的斜率、截距值和R2，在像元尺度上分析原始的與預測的NDVI值之間的差異，使用的誤差指數是均方根誤差（RMSE）。對晚稻NDVI融合數據與真實數據進行交叉檢查33]。

前人研究得出異質景觀的面積與ESTARFM預測精度有很強相關性，因為其直接影響ESTARFM算法中對純像元的尋找“難易”程度[36]。按照已有的研究區土地利用數據以及面向對象分類方法（針對Landsat數據），按單個耕地地塊的面積進行分類，即小型耕地（10個Landsat像元及以下）、中型耕地（11- 50個Landsat像元）、大型耕地（51個Landsat像元及以上），分別進行影像融合算法精度檢查，以評估地塊面積大小對ESTARFM算法預測精度的影響。

2.2.3.2 EC-LUE模型精度檢驗用均方根差，平均絕對誤差，Pearson相關系數，線性回歸模型的斜率、截距值和R2，對EC-LUE模型的晚稻地上部生物量估算結果進行精度檢驗。通過當年的實地采樣數據進行精度檢驗，評估EC-LUE模型對晚稻地上部生物量預測結果的準確性。

3 結果與分析

3.1 ESTARFM方法精度檢驗

根據土地利用現狀圖，提取研究區耕地對應時刻的NDVI，評估ESTARFM算法的預測精度（圖2）。精度驗證時刻在第262 d附近，處于作物旺盛生長的時期，因此NDVI預測值與真實值的重合部分都集中分布在右上角。整體來看，耕地預測值與真實值的Pearson相關系數為0.668 （P<0.001），RMSE為0.005，一元回歸擬合線的斜率為0.713、截距為0.197、R2為0.304（圖2a），ESTARFM算法表現出對研究區耕地NDVI預測的良好效果。

耕地面積對ESTARFM算法精度影響結果顯示，中型耕地（11-50個Landsat像元）的NDVI估計值更接近真實值，Pearson相關系數為0.718 （P<0.001），RMSE為0.009，一元回歸擬合線的斜率為0.659、截距為0.208、R2為0.315。對于大型耕地（51個Landsat像元及以上），NDVI估計值與真實值的Pearson相關系數為0.656 （P

研究區耕地種植作物種類繁多，種植作物類型的不同導致的耕地混合像元是普遍存在的，當精細影像（30 m空間分辨率）中小型耕地大量存在混合像元的情況下，ESTARFM算法很難在粗分辨率影像（ MODIS）中找到純凈的“水稻”像元，預測值與真實值差異顯著。此外，對于大型耕地來說，過于寬廣的單一作物種植區域會存在種植時間差，同物異譜“混合像元”，將不同生長狀態的相同類型作物視為同一生長狀態，也會造成ESTARFM算法的誤差。而11至50個像元組成的中型耕地更“不容易”受到混合像元的干擾，算法精度最高。因此在結合ESTARFM算法進行晚稻地上部生物量反演時，本研究選取面積介于11至50個Landsat像元的水稻田塊進行。

3.2 晚稻地上部生物量反演精度檢驗

2016年研究區晚稻地上部生物量實測值在1 250 g/m2與2 850 g/m2之間，預測值在1 300 g/m2與2 400 g/1112之間，Pearson相關系數為0.630 （P<0.001），平均絕對誤差為240. 35 g/m2，標準誤差0.108，一元回歸擬合線的斜率為1.157、截距為-41.111，整體上看，晚稻地上部生物量被低估了（圖3）。

局部來看，EC-LUE模型低估了擁有高地上部生物量的晚稻地塊，實測值在2 500 g/m2以上的地塊，預測值在2 000 g/m2到2 300 g/m2之間;對擁有中等地上部生物量的晚稻地塊，即實測值在2 000g/m2左右的，EC-LUE模型整體低估了這些地塊的地上部生物量，預測值在1500 g/m2與1700 g/m2之間。

3.3 晚稻地上部生物量累積特征

結合2016年在基地對晚稻完整生長周期的地上部生物量采集數據（圖4），水稻地上部干物質累積規律：在移栽后晚稻地上部干物質質量會微弱下降，后逐漸增加（約第240 d到260 d）;分蘗期干物質質量增速加快（大約第260 d至280 d），穗形成期干物質累積增速達到最大值（第290 d附近），成熟期前后干物質質量達到頂峰并逐漸穩定（310 d附近）。而本研究中EC-LUE模型的輸人數據時間為2016年的第224 d到310 d，基本涵蓋了水稻分蘗、穗形成、抽穗結實等干物質累積的重點時期。

4 討論

4.1 晚稻地上部生物量累積特征

本研究探索利用ESTARFM算法融合得到時間分辨率更密集的晚稻NDVI數據，輸入EC-LUE模型以估算研究區晚稻地上部生物量的方法。結果顯示，ESTARFM算法融合的耕地NDVI數據精度較高，且與地塊面積密切相關，因此研究選取面積介于11至50個Landsat像元的水稻田塊進行地上生物量反演。將補充后更為頻繁的NDVI時間序列數據輸入EC-LUE模型，得到的晚稻地上部生物量預測值，與地面實測值的相關性檢驗結果為強相關，Pearson相關系數0.630 （P1+zhEx3LyBhUoCu6iZYivzKN++9ZJMZZ8Flr+kDUInY=

本研究將EC-LUE模型運行時間設置為2016年的第224 d到310 d，持續90 d左右，涵蓋了分蘗、穗形成、抽穗結實等水稻干物質累積的重點時期。這段時期內水稻干物質質量的變化，包含了一個完整水稻生長期累積的絕大部分干物質質量。因此，本研究用ESTARFM算法估計的晚稻田NDVI，基本完整覆蓋了晚稻關鍵生長期，可以作為光能利用率模型的輸入數據。 4.2 晚稻地上部生物量反演精度

前人對EC-LUE模型的改進與驗證幾乎都在通量站點觀測進行，而通量站均一的地表覆蓋類型，導致EC-LUE模型即使是用8 d l km空間分辨率的MODIS（MOD13） NDVI數據，也可以平均解釋全球36個FLUXNET站點大約90%的GPP變異性[45]。因此，EC-LUE模型被認為適用于模擬幾乎所有類型生態系統的GPP。本研究探索將EC-LUE模型從點推廣到面，對模型大部分數據進行了插值、融合處理，從模型反演晚稻地上部生物量的結果來看，該方法還有待進一步提升，這主要包括模型輸入數據時間分辨率和空間分辨率兩方面。

更密集的影像數據會有助于評估由ESTARFM算法融合得到的非逐日NDVI輸人數據對水稻最終地上部生物量的模擬誤差影響程度，因為非逐日輸入數據可能會縮短水稻高生長期，從而導致EC-LUE模型低估了水稻地上部生物量。更精細的影像數據與氣象數據，可以進一步提升本研究方法對水稻這種中小尺度生態系統GPP的模擬精度。

參考文獻：

[1] ELERT E. Rice by the numbers：a good grain.[J].Nature， 2014，514（ 7524）：50-51.

[2]彭如夢，朱安，張思潔，等.節水灌溉方式對水稻產量和稻田土壤性狀的影響綜述[J].江蘇農業科學，2018，46（ 23）： 31-35.

[3] BOUMAN B.How much water does rice use？ [J]. Rice Today.2009（1）：15.

[4]周煒，張岳芳，朱普平，等，種植制度對長江下游稻田溫室氣體排放的影響[J].江蘇農業學報，2017，33（2）：340-345.

[5] SASS R L，CICERONE R J.Photosvnthate allocations in riceplants： food production or atmospheric methane？ [J]. PNAS，2002， 99（ 19）： 11993-11995.

[6]劉建君，陳紅，黑龍江省水稻生產碳足跡分析[J].南方農業學報，2018，49（8）：1667-1673.

[7]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方法研究[J].中國科學：信息科學，2010， 40（增刊）：173-183.

[8] ATA-UL-KARIM S T，LIU X. LU Z，et al-In-season estimationof rice grain yield using critical nitrogen dilution curve[J].FieldCrops Research， 2016， 195： 1-8.

[9] 彭代亮.基于統計與MODIS數據的水稻遙感估產方法研究[D]。杭州：浙江大學，2009.

[10]寧佐榮.基于MODIS數據的低山丘陵區水稻估產模型研究[D].重慶：西南大學，2014.

[11] ZHANG Y. YANC B. LIU X. et al.Estimation of rice grain yieldfrom dual-polarization Radarsat-2 SAR data by integrating a ricecanopy scattering model and a genetic algorithm[J].IntemationalJoumal of Applied Earth Observation&Geoinformation，2017，57： 75-85.

[12]孫雯，氣候變暖對中國水稻生產的影響[D].南京：南京農業大學，2011.

[13]張峰.川渝地區農業氣象干旱風險區劃與損失評估研究[D].杭州：浙江大學，2013.

[14]柯躍進，胡學玉，易卿，等.水稻秸稈生物炭對耕地土壤有機碳及其C02釋放的影響[J].環境科學，2014. 35（1）：93-99.

[15]陳印軍，易小燕，方琳娜，等.中國耕地資源與糧食增產潛力分析[J].中國農業科學，2016，49（6）：1117-1131.

[16] VAN I'ITERSUM M K. LEFFELAAR P A， VAN K H， et al-Onapproaches and applications of the Wageningen crop models[J].European Journal of Agronomy， 2003， 18（3）：201-234.

[17]姜群鷗，基于AEZ模型的中國農業生產力的估算及其對耕地利用變化的響應[D].長沙：中南大學，2008.

[18]于大江，劉成忠，徐文強.基于農業生態區法（AEZ）模型的甘肅省玉米生產潛力分析[J].甘肅農業大學學報，2012. 47（4）：73-77.

[19] VAN DIEPEN C A. WOLF J，VAN KEULEN H. et al.WOFOST：a simulation model of crop production[J].Soil Use andManagement， 1989.5（1）：16-24.

[20]許小路.基于WOFOST模型的高溫熱害對江蘇省水稻生長及產量的影響模擬[D].南京：南京信息T程大學，2015.

[21] WANC E， ROBERTSON M J， HAMMER G L， et al.Development of a generic crop model template in the cropping sys-tem model APSIM[J].European Journal of Agronomy， 2002， 18（1）：121-140.

[22] KEATING B A. CARBERRY P S，HAMMER G L，et al.An o-verview of APSIM， a model designed for farming systemssimulation[J] . European Journal of Agronomy， 2003 ， 18 （ 3 ） ：267-288.

[23] YUAN W P. LIU S C. ZHOU G S， et al. Deriving a light use effi- ciency model from eddy covariance flux data for predicting dailygross primary production across biomes [ J ] . A～Ticultural & Forest Meteorology， 2007 ， 143 （ 3 ） ： 189-207.

[24]CITELSON A A. PENG Y， ARKEBAUER T J， et al. Productivi-ty. absorbed photosyntheticaLly active radiation. and light use effi-ciency in crops： implications for remote sensing of crop primaryproduction [J] . Joumal of Plant Physiology， 2015 ， 177 ： 100-109.

[25] CITELSON A A. PENG Y. HUEMMRICH K F. Relationship be-tween fraction of radiation absorbed by photosynthesizing maize andsoybean canopies and NDVI from remotely sensed data taken atclose range and from MODIS 250 m resolution data[ J]. RemoteSensing of Environment， 2014， 147（ 10） ： 108-120.

[26] JIN C， XIAO X. WAGLE P. et al. Effects of in-situ andreanalysis climate data on estimation of cropland gross primary pro-duction using the Vegetation Photosynthesis Model [ J ].Agricultural & Forest Meteorology . 2015 ， 213（ 25 ） ： 240-250.

[27] CAO F， MASEK J， SCHWALLER M， et al. On the blending ofthe Landsat and MODIS surface reflectance ： predicting daily Land-sat surface reflectance [J] . IEEE Transactions on Ceoscience & Remote Sensing， 2006 . 44（ 8） ： 2207-2218.

[28] ZHU X， CHEN J， GAO F， et al. An enhanced spatial and tempo-ral adaptive reflectance fusion model for complex heterogeneous re-gions [J]. Remote Sensing of Environment， 2010， 114 （ ll） ：2610-2623.

[29] 11 X， LINC F， FOODY C M， et al. Cenerating a series of finespatial and temporal resolution land cover maps by fusing coarsespatial resolution remotely sensed images and fine spatial resolutionland cover maps[J] . Remote Sensing of Environment. 2017 . 196 ：293-311.

[30] EMELYANOVA I V， MCVICAR T R. VAN NIEL T C， et al. As-sessing the accuracy of blending Landsat-MODIS surfacereflectances in two landscapes with contrasting spatial and temporaldynamics： A framework for algorithm selection [J]. RemoteSensing of Environment， 2013， 133（ 12） ： 193-209.

[31] BAI L.CAI J. LIU Y. et al. Responses of field evapotranspirationto the changes of cropping pattern and groundwater depth in largeirrigation district of Yellow River basin [J] . Agricultural WaterManagement， 2017. 188 ： l-ll.

[32] DONG T， LIU J. QIAN B. et al. Estimating winter wheat biomassby assimilating leaf area index derived from fusion of Landsat-8 andMODIS data [J]. Intemational Journal of Applied EarthObservation and Ceoinformation， 2016. 49： 63-74.

[33] GARTNER P， FORSTER M， KLEINSCHMIT B. The benefit ofsynthetically generated RapidEye and Landsat 8 data fusion timeseries for riparian forest disturbance monitoring [J]. RemoteSensing of Environment. 2016， 177： 237-247.

[34] JARIHANI A， MCVICAR T， VAN NIEL T， et al. Blendinglandsat and MODIS data to generate multispectral indices：a Com-padson of 'index-then-blend' and 'blend-then-index'approaches[J].Remote Sensing，2014，6（10）：9213-9238.

[35]林怡輝，安建國.增城年鑒[M].廣州：廣東旅游出版社，2016.

[36]牛忠恩，閆慧敏，黃玫，等，基于MODIS.0LI遙感數據融合技術的農田生產力估算[J].自然資源學報，2016，31（5）： 875.885.

[37]WANG H，JIA G，FU C，et al.Dedving maximal light use em-ciency fmm cooIdinated nux measurements and satellite data for re-gional gross primary production modeling[J].Remote Sensing ofEnvironment，2010，114（10）：2248-2258.

[38]WANG Z，XIAO X，YAN X.Modeling gross primary production ofmaize cmpland and degmded grassland in northeastern China[J].Agricuhural and Forest Meteorology，2010，150（9）：1160-1167.

[39]YAN H M，FU Y L，XIAO X M，et al.Modeling gross pdmaryproductivity for winter wheat-maize double cropping system usingMODIS time sedes and C02 eddy nux tower data.[J].AgricuhIlreEcosystems&Environment，2009，129（4）：391-400.

[40]ZHANG Y，YU Q，JIANG J，et al.Calibration of TeITa/MODISgross pdmary production over an irrigated cropland on the NorthChina Plain and an alpine meadow on the Tibetan Plateau [J].Clobal Change Biology， 2010， 14（4） ： 757-767.

[41] YUAN W， LIU S， YU G. et al. Clobal estimates of evapotranspi- ration and gross primary production based on MODIS and globalmeteorology data [J] . Remote Sensing of Environment ， 2010， 114（7） ： 1416-1431.

[42] MYNENI R B， WILLIAMS D L. On the relationship between FA-PAR and NDVI[J]. Remote Sensing of Environment. 1994. 49（3） ： 200-211.

[43] MISSON， MONSON R K， SCHMID H P， et al. Midday values ofgross C02 flux and li#t use efficiency during sateLlite overpassescan be used to directly estimate eight-day mean flux [J] . Agricul-tural & Forest Meteorology， 2005 ， 131（ 1） ： 1-12.

[44] POTTER C S. RANDERSON J T. FIELD C B， et al. Terrestrialecosystem production： a process model based on global satelliteand surface data [J]. Global Biogeochemical Cycles， 1993， 7（4） ： 811-841.

[45] YUAN W， CHEN Y， XIA J. et al. Estimating crop yield using asatellite-based light use efficiency model [ J ]. EcologicalIndicators， 2016， 60 ： 702-709.