基于積溫-輻射與LAI積分面積模型的玉米成熟期預測

黃健熙 王佳麗 黃 然 黃 海 蘇 偉 朱德海

(1.中國農業大學土地科學與技術學院， 北京 100083； 2.農業農村部農業災害遙感重點實驗室， 北京 100083)

0 引言

傳統的成熟期預測方法是以野外觀測為基礎的目視觀察法[1]，即通過地面定點觀測作物的生長狀況來預判成熟，但由于區域局限性強，需要消耗大量的時間、人力和物力，難以進行大尺度作物成熟情況的時空分析[2]。UMBER等[3]從氣溫等作物成熟期影響因素出發，對香蕉的成熟期進行預測，研究證實了有效積溫在作物成熟期預測中的決定性作用，文中還提出進行香蕉成熟期預測的有效總積溫的計算方法。PERRY等[4]通過分析蘋果生育期內熱量累積與對應成熟期的相關關系，建立成熟期預測模型，并將該預測模型運用到當前年份該地區香蕉成熟期預測中，該模型的平均誤差在8.25 d以內，精度可達1 d。FRIIS等[5]選取氣溫與土壤溫度為預測變量，分階段進行回歸分析，最終構建豌豆的成熟期預測模型，實現了對豌豆的成熟期預測。近年來，國內外學者研究出一些作物成熟期預測的方法與模型：如應用氣象統計模型研究溫度、光周期、降水等因子對作物的影響，實現作物成熟期的預測，該模型雖簡單易用、驅動參數少，但代表性不強，區域推廣較難[6-8]；基于作物生長模型可以從作物生長機理出發，描述作物生長發育與產量形成的過程，并以作物產量或品質(或兩者綜合)為目標構建代價函數，反向求解優化作物的收獲時間，實現作物成熟期的預測，但大區域范圍的作物生長模型標定與校準困難使其存在一定的局限性[6-7]；基于遙感獲取作物成熟期的信息，是遙感在精準農業中的一個重要應用，但單純的遙感方法對遙感數據的時間和空間分辨率都有嚴格要求，受到云和衛星軌道的影響，獲取大區域作物關鍵生育期所需的中等分辨率遙感數據難以在數據質量上滿足要求[7]。

雖然氣象統計模型[6-9]、作物生長模型[10]與遙感監測[11-16]這3種方式都存在一定弊端，但是如果進行有機結合，利用遙感獲取的物候判定值[17]和作物生長模型的驅動方法，基于現實狀況與作物生長趨勢實現成熟期預測，這樣既能夠在大空間區域上進行推廣[18]，又能簡化驅動模型，將集合預報數據引入玉米成熟期預報，能夠有效地解決目前時效性差、缺乏空間分布以及缺少定量描述等瓶頸問題[19]。

本研究選擇東北地區玉米主產區，綜合運用遙感數據、氣象數據和氣象集合預報數據，設計出兩種不同的驅動模型，第1種為積溫-輻射模型，主要選擇有效積溫和太陽輻射作為玉米成熟期預報的主要判別因素，在預報起始點之后逐日更新各像元氣象數據和氣象預報數據，提前10 d對研究區玉米成熟期進行動態預測，當各像元內玉米從抽雄期開始，有效積溫和太陽輻射滿足積溫-輻射模型要求時，則判定玉米達到了成熟條件[6-7]；第2種為LAI積分面積模型，主要選擇乳熟期至當前預測日期生育階段內LAI積分面積占抽雄至當前日期LAI積分總面積百分比作為玉米成熟期預報的主要判別因素，并引進改進的冠層結構動力學模型(CSDM)來模擬預測年份LAI的時間軌跡，該模型融合了一些作物生長發育的生長與衰老因子，并通過計算積分面積百分比的方式消除部分地區之間溫度、水分、光照、土壤條件和礦質營養之間的差距，是一種基于作物生長和衰老規律建立的關于積分面積比值的動態預測模型。本研究采用上述兩種模型對區域玉米成熟期進行預測，并進行對比分析。

1 研究區域概況與數據

1.1 研究區域概況

本文選取黑龍江省、吉林省、遼寧省為研究區，地理范圍為38°17′～53°23′N，118°44′～135°10′E。研究區玉米種植區域與農業氣象站點分布如圖1所示。其中玉米種植區采用本課題組已有分類結果[20]。

圖1 研究區玉米種植區域和農業氣象站分布Fig.1 Distribution of corn planting area and agricultural meteorological stations in study area

研究區玉米播種時間在4月20日—5月10日之間，成熟期在9月10日—10月15日之間。研究區玉米播種期與當年氣象情況相關性極高，由于遼寧省在3省中熱量條件相對充足，4月中上旬即可播種，之后逐漸向北，吉林省和黑龍江省于5月1日左右進入播種高峰期，個別低洼地塊5月15—20日播種。

1.2 數據源及預處理

1.2.1MODIS數據

農作物長勢和物候的監測需要較高的時間和空間分辨率，因此本文選擇時間分辨率為4 d、空間分辨率為500 m的MCD15A3H產品，該產品包括LAI和光合有效輻射(Fraction of photosynthetically active radiation，FPAR)數據，本文主要使用該產品中的LAI數據。由于搭載MODIS的TERRA和AQUA衛星每天過境兩次，能提供逐日的LAI數據，為了提高 LAI/FPAR 數據精度，MCD15A3H產品數據在每4 d內選擇一次“最佳”像素合成，使用Sinusoidal投影，文件格式為HDF-EOS。

獲取研究區域2012—2015年的MCD15A3H產品(軌道號分別為h25v03、h26v03、h26v04、h27v04、h27v05)，每年共 48個時相的LAI影像。利用MRT(MODIS Reprojection Tool)對MODIS LAI影像進行鑲嵌、投影轉換等預處理，統一輸出為Albers等積投影的LAI數據，其中，第1、2緯線和中央經線分別采用27、45、105等參數。利用研究區域矢量邊界對投影后的LAI數據進行裁剪，構建研究區域2012—2015年每一像素的LAI時間序列。

1.2.2農業氣象資料和地面氣象數據

農業氣象資料主要記錄研究區內各個站點的經緯度和高度信息、區站號、作物名、生育期名稱及其具體日期。本研究統計分析2012—2014年的玉米生育期數據，獲取玉米在抽雄期、乳熟期和成熟期的具體日期，并將其轉換為年積日，為接下來的玉米成熟期預測提供數據基礎。

地面氣象數據中主要記錄站點信息和氣象要素信息，本研究中主要使用日平均氣溫和日照時數兩個氣象要素。地面氣象數據從中國氣象科學數據共享服務網(http:∥data.cma.cn/site/index.html)下載，由于本研究使用的地面氣象數據和農業氣象資料中的地面氣象站點與農業氣象站點之間空間坐標不重合，造成兩套數據之間不相匹配，需要將地面氣象數據中的氣象要素經過空間插值得到農業氣象站點尺度上相應的平均氣溫和太陽輻射數據，本研究中采用的空間插值方法為ArcGIS中的反距離權重插值法(IDW)。利用空間插值法所得到的地面氣象柵格數據，可計算預測年份中各玉米像元對應的逐日積溫和太陽總輻射。

1.2.3數值天氣預報

數值天氣預報(Numerical weather prediction)又被稱為天氣數值預測或數值預報，是利用當前天氣狀況作為輸入數據從而得到未來幾天內天氣狀況的手段[21-22]。集合天氣預報結合改進的平均值預報方法，協調集合預報離散度與控制預報方法，可方便地確定天氣事件發生概率，并提高對極端天氣事件的預報能力?，F階段世界各國均已廣泛開展，逐漸集成包含多國數值天氣預報在內的TIGGE資料，其中數據來源主要包括歐洲中期天氣預報中心(ECMWF)、加拿大氣象中心(CMC)、中國氣象局(CMA)等提供的集合預報數據[23-25]。

為構建衛星遙感與數值天氣預報結合的玉米成熟期預測模型，本研究使用歐洲中期天氣預報中心(ECMWF)的氣象預報數據，獲得研究區數值天氣預報的GRIB格式的初始數據，將其重采樣為空間分辨率為500 m的柵格數據，使之與MODIS LAI數據及空間插值后的地面氣象要素數據在空間分辨率上相匹配，以便建立有效積溫和太陽總輻射的逐日成熟期預測模型。目前該數據預報時效最長為16 d，經驗證預報數據日平均氣溫誤差小于3℃，日照時數誤差在0.8 h以內，滿足精度要求。該數據均可從歐洲中期天氣預報中心網站(https:∥apps.ecmwf.int)下載。

2 研究方法

2.1 積溫-輻射模型

積溫-輻射模型以農業氣象資料為基礎數據，分別獲得2012—2014年3年的抽雄期到成熟期平均積溫分布和太陽總輻射分布，并以其結果作為判別研究區內玉米成熟的閾值[9]，最后，在預測年份采用農業氣象資料和基于TIGGE的氣象集合預報數據進行玉米成熟期的動態預測[9-10]。

2.1.1有效積溫模型的構建

有效積溫(T)是對作物生長發育起作用的部分溫度(本研究區玉米發育溫度閾值為10℃)的總和，表示作物生長發育過程中累積的熱量，它直接決定了作物的生長速度和物候期形成，是衡量熱量條件對作物生長發育影響的重要標尺。具體計算公式如下

(1)

式中Ti——日平均溫度，℃

T0——玉米生長發育的基礎溫度，本文取10℃

m——抽雄到成熟期的時間，d

有效積溫模型的要求為當抽雄期至當前預測日期的有效積溫達到過去3年的平均有效積溫時，則判定該像元玉米達到成熟期所需的積溫條件。

從遙感提取的抽雄期開始，將每個像元氣象數據中的有效日平均氣溫(高于玉米生長發育溫度閾值部分)進行累加，計算各像元有效積溫；預測點之后的有效日平均氣溫用氣象集合預報數據中的氣溫預報值代替，得到抽雄期至當前預測日期內研究區內各像元有效積溫分布，然后用有效積溫模型對其進行逐像元判定。

2.1.2太陽輻射模型的構建

太陽輻射總量指太陽輻射到達地面的有效總量，本研究采用聯合國糧農組織(FAO)給出的計算公式將地面氣象站點觀測的日照時數轉換為太陽輻射總量。具體計算公式為

(2)

其中

(3)

ωs=arccos(-tanftanδ)

(4)

式中Rs——太陽輻射總量，MJ/(m2·d)

n——實際日照時數，h

N——最大天文日照時數，h

as、bs——經驗常數，分別取0.25和0.5

Ra——碧空太陽總輻射，MJ/(m2·d)

Gsc——太陽常數，0.082 0 MJ/(m2·min)

dr——日-地相對距離

f——緯度，rad

ωs——太陽時角，rad

δ——太陽赤緯，rad

太陽輻射模型的要求為當抽雄期至當前預測日期的太陽輻射總量達到過去3年的平均太陽輻射量時，則判定該像元玉米達到成熟期所需的輻射條件。

每個像元從遙感提取的抽雄期日期開始，將該像元氣象數據中的日照時數轉換為獲得的太陽輻射，并進行累加，計算各像元太陽輻射總量；預測點之后的太陽輻射用氣象集合預報數據中的日照時數轉換值代替，得到抽雄期至當前預測日期內研究區內各像元太陽輻射分布，然后用太陽輻射模型對其進行逐像元判定[9-10]。

圖2 積溫-輻射模型構建流程圖Fig.2 Flow chart of construction of accumulated temperature-radiation model

綜上所述，積溫-輻射模型就是以農業氣象資料為基礎數據，分別獲得2012—2014年抽雄期到成熟期平均積溫分布和太陽總輻射分布，并以其結果作為判別研究區內玉米成熟的閾值，最后，在預測年份采用農業氣象資料和基于TIGGE的氣象集合預報數據進行玉米成熟期的動態預測，當有效積溫和太陽總輻射二者均滿足積溫-輻射模型的要求時則判定該像元玉米達到成熟條件，按照以上方法可得到研究區內所有像元的成熟期預測值。積溫-輻射模型構建流程圖如圖2所示。

2.2 LAI曲線積分面積模型

以S-G濾波后的MODIS LAI時間序列曲線為基礎，結合農業氣象資料獲得2012—2014年研究區玉米生育期數據，計算乳熟期至成熟期的積分面積占抽雄期至成熟期的積分總面積的百分比均值Rave作為研究區玉米的成熟閾值，計算公式如下

(5)

式中S0——玉米抽雄期日期

Sa——玉米乳熟期日期

Sb——玉米成熟期日期

LAI——葉面積指數

預測年份Rpre的計算公式如下

(6)

式中Rpre——當前年份研究區玉米乳熟期至當前預測日期生育階段內積分面積占抽雄期至當前日期積分總面積百分比

Sc——當前預測日期

在預報區間內逐日以LAI曲線計算Rpre，當Rpre≥Rave時，即認為該像元玉米達到成熟條件，對應的日期即為玉米成熟期。

在計算預測年份Rpre之前，需要對預測年份LAI曲線進行模擬，本研究在提取研究區玉米抽雄期之后，結合氣象觀測數據和氣象集合預報數據得到各生育期內有效積溫，通過擬合改進的冠層結構動力學模型(CSDM)來模擬LAI的時間軌跡，并以此曲線作為預測年份的LAI曲線，進而計算預測年份Rpre。LAI曲線擬合模型為

(7)

式中A——LAI的最大值

J——LAI曲線下降部分拐點位置的有效積溫

k——相對衰老率

綜上所述，LAI曲線積分面積模型就是以S-G濾波后的MODIS LAI時間序列曲線和農業氣象資料為基礎數據，獲得2012—2014年3年平均的Rave，并以其結果作為判別研究區內玉米成熟的閾值。最后，在預測年份采用CSDM模型擬合的LAI曲線、農業氣象資料，并結合基于TIGGE的氣象集合預報數據進行玉米成熟期的動態預測，LAI曲線積分面積模型構建流程圖如圖3所示。

圖3 LAI曲線積分面積模型構建流程圖Fig.3 Flow chart of construction of LAI curve integral area model

3 結果與分析

3.1 積溫-輻射模型對玉米成熟期的預測

圖4 積溫-輻射模型預測的玉米成熟期分布圖Fig.4 Distribution map of maize maturity stage predicted by accumulated temperature-radiation model

采用積溫-輻射模型，以農業氣象資料和S-G濾波后的MODIS LAI時間序列曲線為數據源，分別獲得研究區內2012—2014年3年的抽雄期到成熟期平均積溫分布和太陽總輻射分布，并以其結果作為判別研究區內玉米成熟的閾值，最后，在預測年份采用農業氣象資料和基于TIGGE的氣象集合預報數據進行玉米成熟期的動態預測。從整體區域上來看(圖4)，隨著緯度的升高玉米成熟期逐漸推遲，一般最先抽雄的區域對應著最先成熟的區域，如遼寧省燈塔、朝陽、岫巖、瓦房店等地，在9月上旬左右開始成熟，最晚的地區包括黑龍江省和吉林省的海倫、樺南、雙陽、遼源等地，在10月中旬成熟，因緯度及當地特定的自然條件，可使最早成熟區域與最晚成熟區域成熟日期相差一個月左右。

3.2 LAI曲線積分面積模型對玉米成熟期的預測

在構建CSDM模型時，LAI最大值A已由動態閾值法提取出，J和k由過去3年S-G濾波后的MODIS LAI時間序列曲線求平均值得出，預測年份內的逐日有效積溫T由兩部分構成，在預測點之前使用預測年份的農業氣象資料所記錄的日平均氣溫，在預測點之后使用歐洲中期天氣預報中心(ECMWF)的逐日集合預報資料，二者結合用以計算預測年份Rpre，用2012—2014年3年平均的Rave對Rpre進行判定，得到成熟期預測結果如圖5所示。

圖5 LAI曲線積分面積模型預測的玉米成熟期分布圖Fig.5 Distribution map of maize maturity stage predicted by LAI curve integral area model

本方法結合氣象觀測數據和氣象集合預報數據得到各生育期內有效積溫，通過擬合改進的冠層結構動力學模型(CSDM)來模擬預測年份LAI的時間軌跡，并以此曲線作為預測年份的LAI曲線，進而計算預測年份Rpre，為成熟期預測工作提供了基礎。

選擇龍江、海倫、農安、遼源、朝陽、莊河6個農業氣象站點，提取其通過改進的冠層結構動力學模型(CSDM)所擬合的預測年份LAI的時間軌跡，結合LAI曲線積分模型預測玉米成熟期日期，對比S-G濾波后的MODIS LAI曲線和模擬的LAI曲線，結果如圖6所示。圖中龍江、海倫兩個站點的模擬LAI曲線與S-G濾波后的MODIS LAI曲線在下降部分拐點位置相交，相交點之前模擬LAI值大于S-G濾波后的MODIS LAI值，相交點之后模擬LAI值小于S-G濾波后的MODIS LAI值，此規律在一定程度上造成相對衰老率k偏高，導致龍江、海倫兩個站點的成熟期預測值提前。如圖7中，農安和遼源兩個站點出現抽雄-成熟期全階段性的模擬LAI值大于S-G濾波后的MODIS LAI值或模擬LAI值小于S-G濾波后的MODIS LAI值的現象，在一定程度上修正了S-G濾波后的MODIS LAI曲線拐點位置不明確造成的成熟期預測誤差，農安和遼源兩個站點的成熟期預測值與農業氣象資料記錄的觀測值偏差較小，均在1 d之內。如圖8中，朝陽、莊河兩個站點自抽雄期開始模擬LAI值大于S-G濾波后的MODIS LAI值，趨勢穩定，曲線斜率變化相對緩慢，此規律在一定程度上造成相對衰老率k偏低，導致朝陽、莊河兩個站點的成熟期預測值滯后。

圖6 成熟期預測值提前示例Fig.6 Ahead-of-time example of maturity stage forecast

圖7 成熟期預測值準確示例Fig.7 On-time example of maturity stage forecast

圖8 成熟期預測值滯后示例Fig.8 Behind-of-time example of maturity stage forecast

3.3 結果分析

本文所采用的積溫-輻射模型對區域玉米成熟期預測的方法和基于時間序列LAI曲線積分面積的區域玉米成熟期預測方法，均考慮遙感和農業氣象資料兩種數據分別在時間和空間上的優勢，同時充分利用氣象集合預報數據的預測性能，利用遙感獲取的作物生育期時間序列曲線與物候判定值，參考農業氣象站點記錄的物候信息，再結合氣象集合預報數據將其溫度信息融入遙感生成的時間序列曲線中，最終通過兩種不同的預測模型來預測同一年份同一地區的玉米成熟期。

積溫-輻射模型主要選擇有效積溫和太陽輻射作為玉米成熟期預報的主要判別因素，尚未充分考慮品種、水分、養分等條件的差異。預測結果決定系數R2為0.77，均方根誤差(RMSE)為3.3 d。

LAI曲線積分面積模型主要選擇乳熟期至當前預測日期生育階段內LAI積分面積占抽雄期至當前日期LAI積分總面積百分比作為玉米成熟期預報的主要判別因素，并引進改進的冠層結構動力學模型(CSDM)來模擬預測年份LAI的時間軌跡，該模型融合了一些作物生長發育的生長與衰老因子，并通過計算積分面積百分比的方式消除部分地區之間溫度、水分、光照、土壤條件和礦質營養之間的差距，是一種基于作物生長和衰老規律建立的關于積分面積比值的動態預測模型。預測結果決定系數R2為0.87，均方根誤差(RMSE)為2.5 d。

兩種模型均存在一定的預測誤差的原因在于，MODIS LAI空間分辨率較低，受混合像元影響較大，加之實驗中采用步長為4 d的MODIS LAI產品數據，會出現2 d的誤差，即使通過S-G濾波和氣象集合預報數據將成熟期確定到以天為單位的尺度上，仍會導致成熟期預測出現偏差的現象；其次，雖然農業氣象站對作物物候期觀測嚴格按照有關標準規范進行，但因受環境等客觀條件的影響，記錄的物候資料也會有一定的誤差，會對驗證結果產生影響。

3.4 精度驗證

將兩種模型的預測結果作為成熟期預測值，與農業氣象站點記錄的成熟期觀測值進行比較。研究區內共有28個農業氣象站點，分別為龍江、海倫、肇東、巴彥、佳木斯、樺南、集賢、饒河、肇源、雙城、賓縣、方正、尚志、五常、農安、榆樹、舒蘭、公主嶺、雙陽、遼源、梅河口、通化縣、彰武、朝陽、燈塔、岫巖、瓦房店、莊河。兩種模型預測的玉米成熟期日期預測值與觀測值對比結果如表1所示。

為驗證兩種成熟期預測模型的預測精度并對這兩個模型進行對比，本研究選擇決定系數R2和均方根誤差(RMSE)作為評價指標。其中決定系數R2用來評價成熟期預測值與觀測值之間的線性相關程度，RMSE用來衡量本研究中所構建的模型對研究區內玉米成熟期預測值與相應實地觀測值之間的偏差，決定系數R2越高，RMSE越低，說明模型的成熟期預測值與農業氣象資料記錄的成熟期觀測值之間偏差越小，模型的預測精度越高；反之，模型的預測精度越低。

兩種模型的預測結果表明，積溫-輻射模型和LAI曲線積分面積模型預測研究區玉米成熟期都是可行的。將兩種模型的成熟期預測結果分別進行回歸分析，積溫-輻射模型預測研究區玉米成熟期的回歸方程為y=0.885 7x+30.251，決定系數R2為0.77，RMSE為3.3 d；LAI曲線積分面積模型預測研究區玉米成熟期的回歸方程為y=0.956 2x+11.635，決定系數R2為0.87，RMSE為2.5 d。LAI曲線積分面積模型整體預測精度高于積溫-輻射模型預測精度。

表1 兩種模型對玉米成熟期日期預測值與 觀測值對比Tab.1 Comparison of corn maturity date from two prediction models and observational date d

4 討論

4.1 成熟期影響因素

溫度、光照、水分、空氣、養分和土壤6個因素是影響玉米生長發育的主要環境因素，具有各自獨特作用且不可替代，同時它們之間相互作用、互為補償，具有可調劑性，密不可分，共同影響玉米生育進程。了解并掌握這些環境因素與玉米生育的關系，通過改變環境因素來調控玉米生育進程，從而實現高產、優質和高效的目的。

4.2 模型誤差

通過對比本研究所選擇的決定系數R2和RMSE兩個精度驗證指標，可計算出LAI曲線積分面積模型的相關系數R2比積溫-輻射模型高0.1，RMSE比積溫-輻射模型低0.8 d，在時效和精度上最優。為分析其中原因，本研究選取3 km和5 km的驗證窗口，對研究區內各個農業氣象站點分別建立半徑為3 km和5 km的緩沖區并統計玉米像元占總像元的百分比Rm。綜合考慮農業氣象站點周圍玉米種植區分布以及驗證窗口半徑等影響成熟期預測的因素，對兩種模型的誤差進行進一步的分析。

研究區內28個農業氣象站點的地理位置及不同驗證窗口對應的玉米種植區分布如圖9所示，其中每個農業氣象站點地理位置圖下方左、右兩圖分別為3 km和5 km驗證窗口內的玉米像元分布。統計結果表明：

(1)3 km驗證窗口內，Rm≤20%的農業氣象站點為龍江、肇東、佳木斯、集賢、肇源、賓縣、五常、農安、公主嶺、遼源、通化縣、彰武、朝陽、岫巖、瓦房店、莊河16個農業氣象站點；20%

(2)5 km驗證窗口內，Rm≤20%的農氣站點為龍江、佳木斯、集賢、肇源、賓縣、遼源、通化縣、彰武、朝陽、岫巖、瓦房店11個農氣站點；20%

如圖9所示，樺南、榆樹、舒蘭、雙陽、梅河口、燈塔農業氣象站點距離農田較近，半徑為5 km的驗證窗口內玉米像元占總像元的百分比普遍高于40%，在一定程度上減小了混合像元的影響。佳木斯、集賢、肇源、賓縣、彰武、瓦房店農業氣象站點周圍的建筑、其他植被類型比較多，半徑為5 km的驗證窗口內玉米像元占總像元的百分比普遍低于20%，均易產生混合像元的影響，致使模型預測的成熟期日期與實測成熟期偏差較大。肇東、五常、農安、公主嶺、莊河農業氣象站點在半徑為3 km的驗證窗口內玉米像元占總像元的百分比低于20%，然而在半徑為5 km的驗證窗口內玉米像元占總像元的百分比高于20%，說明成熟期預測結果受驗證窗口半徑的影響，采用半徑為5 km的驗證窗口更容易獲得準確的成熟期預測值。

兩種模型對2015年研究區玉米成熟期預測值與農業氣象資料記錄的玉米成熟期觀測值之間的誤差如表2所示，經統計研究區內28個農業氣象站點的玉米成熟期誤差可得，積溫-輻射模型的誤差普遍大于LAI曲線積分面積模型的誤差。LAI曲線積分面積模型比積溫-輻射模型在成熟期預報上取得了更高的精度，該研究表明LAI曲線積分面積模型在預測玉米成熟期方面具有較大的應用潛力。本研究使用分辨率500 m的MODIS-LAI產品空間分辨率較低，容易受到遙感數據的混合像元效應影響，現階段仍然無法消除地塊之間的差異，而且本研究使用的LAI時間序列是由步長為4 d的MODIS數據合成，即使通過S-G濾波和氣象集合預報數據將成熟期確定到以天為單位的尺度上，仍會導致成熟期預測出現偏差的現象。另外，雖然農業氣象站對作物物候期觀測嚴格按照有關標準規范進行，但因受環境等客觀條件的影響，記錄的物候資料也會有一定的誤差，會對驗證結果產生影響。

圖9 農業氣象站點地理位置與玉米種植區分布Fig.9 Distribution map of agro-meteorological stations and corn growing area

4.3 研究展望

本文提出了基于LAI曲線積分面積模型的區域玉米成熟期預測方法，經驗證該模型預測精度優良，在大區域作物成熟期預測方面具有較高的適用性，但本研究仍存在一些可進一步改善的地方，今后將在后續的研究工作中加以完善。

4.3.1預測模型的選擇

本研究介紹的兩種模型中，積溫-輻射模型主要選擇有效積溫和太陽輻射兩個判別因素來判定玉米是否達到模型中已設定成熟期的要求，以氣象條件為主，尚未充分考慮玉米品種分布、水分和土壤養分等條件存在的區域性差異；LAI曲線積分面積模型中，選擇乳熟期至當前預測日期生育階段內LAI積分面積占抽雄至當前日期LAI積分總面積百分比作為玉米成熟期預報的主要判別因素，并引進改進的冠層結構動力學模型(CSDM)來模擬預測年份LAI的時間軌跡，該模型融合了一些作物生長發育的生長與衰老因子，并通過計算積分面積百分比的方式消除部分地區之間溫度、水分、光照、土壤條件和礦質營養之間的差距，最終達到了良好的預測精度，有效地克服了當前成熟期預測在空間分辨率和預測時效性差尚無法滿足精準農業要求的局限性，并引入氣象集合預報數據，充分考慮作物種植區氣候變化，為指導區域作物農機的調度以及防止突發情況做準備，經驗證該方法適合于區域范圍作物成熟期預測。但該方法還存在一些缺點，比如復雜數據來源導致模型輸入數據之間尺度難以統一且容易造成誤差，作物生長和衰老規律與成熟期預測模型融合度不夠等。今后的研究工作中可以增加成熟期預測模型的復雜度，引入多重因子對成熟期預測值進行綜合判定，或者參考運用作物生長模型來進行成熟期的預測。

表2 成熟期預測誤差對比Tab.2 Comparison of prediction error of maturity date

4.3.2遙感數據的選擇

MODIS遙感數據的優勢在于能夠獲取大面積且時間上呈連續分布的影像序列，相比傳統預測方法能夠實現大區域玉米的成熟期預測；但限于該產品有限的空間分辨率，現階段仍然無法消除地塊間差異。目前，中等空間分辨率數據的日益豐富，特別是Sentinel-2、Landsat 8 OLI、GF1、GF6，有望實現10～30 m空間分辨率的成熟期預測。

4.3.3氣象數據精度有待提高

由于本研究使用的地面氣象數據和農業氣象資料中的地面氣象站點與農業氣象站點的空間坐標不重合，造成兩套數據之間不相匹配；經過空間插值得到的農業氣象站點尺度的平均氣溫和太陽輻射數據與對應的真實值存在一定的偏差；另外，本研究使用的數值天氣預報數據的空間分辨率較低，而且受預報時效影響，氣象預報數據與真實值之間也存在一定的偏差，這將導致成熟期預測誤差進一步增大，對最終的成熟期動態預測結果造成影響。為此，提高農業氣象資料與氣象預報數據的精度是準確預測成熟期的另一個改進方向。

5 結論

(1)積溫-輻射模型和LAI曲線積分面積模型均可用于預測玉米成熟期。2個模型均以研究區內玉米抽雄期初始日期為起始日期，逐日逐像元更新氣象數據和氣象集合預報數據。積溫-輻射模型通過各像元內抽雄期開始的有效積溫和太陽總輻射是否滿足玉米抽雄-成熟期的有效積溫和太陽總輻射模型的要求來判斷玉米是否達到成熟條件。LAI曲線積分面積模型通過擬合改進的冠層結構動力學模型(CSDM)來模擬LAI的時間軌跡，并以此曲線作為預測年份的LAI曲線。當各像元內玉米乳熟期至當前預測日期LAI積分面積占抽雄期至當前預測日期積分總面積百分比達到模型的要求時，則判斷玉米達到了成熟條件。以上兩個模型均可對研究區玉米成熟期進行逐日動態預測，且預測精度較高。

(2)利用LAI曲線積分面積模型預測玉米成熟期的精度優于積溫-輻射模型。將LAI曲線積分面積模型和積溫-輻射模型的玉米成熟期預測結果分別與農業氣象資料記錄的成熟期觀測值進行回歸分析，其R2分別為0.87和0.77， RMSE分別為2.5 d和3.3 d。