基于Landsat8 OLI的不同年際尺度玉米估產研究

彭田田 范燕敏 武紅旗 呂昱 賀夢婕 皇甫蓓炯

摘要：探究農作物產量遙感估測模型年際尺度的適用性，可為快速估產提供參考依據。以新疆維吾爾自治區奇臺縣為研究區，利用Landsat8 OLI遙感影像提取的玉米不同生育期植被指數，結合2016年、2017年、2016—2017年實地調查的玉米地塊的產量信息作回歸分析，建立基于縣域的產量模型，討論估產的最佳生育期，比較不同植被指數、不同回歸模型的估產精度，最后再根據2018年的產量信息對各模型進行精度驗證，探究不同模型年際尺度的適用性。結果表明，乳熟期的歸一化植被指數（NDVI）與產量之間的相關性最高，相關系數為0.751，達到極顯著水平（P<0.01）;構建年際尺度的NDVI、作物氮反應指數（NRI）、增強歸一化植被指數（ENDVI）與玉米單產的逐步回歸模型預測R2達到0.727 1。基于不同年際尺度的遙感數據建立的模型進行產量預測具有一定的可行性。

關鍵詞：遙感;年際尺度;生育期;植被指數;估產模型

中圖分類號： TP79;S127 ?文獻標志碼： A ?文章編號：1002-1302（2020）23-0214-06

農業是人類一切生產的首要條件。然而根據聯合國糧農組織（FAO）的數據，到2050年，全球糧食產量須要增加70%，才能滿足日益增長的全球需求[1]，農業在21世紀面臨重大挑戰。全球、國家和區域規模的及時、準確的作物產量信息在農業和形成糧食安全決策等一系列方面有極為重要的作用[2]。隨著科技的發展，信息技術被廣泛應用于農業生產[3]。特別是從地球觀測（EO）衛星問世以來，人們認識到遙感技術在農業監測方面具有獨特的優勢[4]。

近年來，遙感技術發展突飛猛進，并出現在農業生產研究中，這奠定了遙感估產的技術基礎[5]。遙感估產是基于綠色作物對光譜的反射特征，利用植被指數來反演作物的生長信息，并建立生長信息與產量間的關系來獲取作物的產量。植被指數是對地表植被狀況簡單、有效和經驗的度量，已廣泛用來定性和定量評價植被覆蓋情況及其生長活力。國內外許多學者利用植被指數進行了作物估產的研究，并取得了較好的成果[6-10]。最常用的遙感估產方法是統計模型法，它具有操作實施簡單靈活、計算簡便的優點[11]。如任建強等利用中分辨率成像光譜儀（MODIS）-歸一化植被指數（NDVI）時序數據建立了美國大尺度范圍的玉米估產模型，相對誤差僅為2.12%[12];劉珊珊等利用Pearson相關系數選取與水田相對應的NDVI時間序列，并建立了5種不同函數關系的水稻估產模型[13];王雅鑫等通過天津市靜海縣的冬小麥的NDVI、綠度指數（GDVI）等植被指數對產量進行了預測[14];歐陽玲等利用多源多時相遙感影像，綜合植被光譜的9種指數和地面采樣數據，開展了作物種植結構監測研究[15];安秦等利用MODIS數據比值植被指數（RVI）開展了吉林省德惠市玉米估產研究[16];劉紅超等通過關鍵生育期的MODIS植被指數NDVI和增強型植被指數（EVI）累計值，建立了冬小麥產量預測模型[17];孟令華通過Landsat 5 TM與Landsat 7 ETM影像，構建了時間序列植被指數曲線，確立了棉花估產的最佳時相和估產因子[18]。閆昱光研究了機載多光譜相機拍攝的拔節期水稻冠層圖像植被指數和生長參數特征與水稻產量間的關系，并利用局部加權線性回歸算法與分位數回歸算法分別進行了水稻估產建模的研究與嘗試[19];張長城等通過采用GF-1遙感衛星影像和MODIS-NDVI產品，針對禹城市夏玉米建立了基于環境產量模型和生物量模型的2種估產模型[20]。

估產模型有氣象模型、凈初級第一生產力模型，還有遙感植被指數模型，由于遙感的快速發展，遙感數據源越來越多，基于植被指數的估產模型由于其靈活、易于實現、估測精度高等特點，使得農作物遙感估產越來越普遍。大多數遙感估產利用各種植被指數進行反演得到單一年限的作物產量估測模型，忽略了氣候等因素年際間的波動會導致估產模型的不穩定。玉米是世界上重要的糧食作物，玉米產量占我國糧食總產量的40%。災害、糧食產量損失的預測對國計民生、國家的長治久安具有重要意義。奇臺縣是新疆的玉米種植大縣之一，本研究利用2016—2018年玉米實際產量數據與玉米關鍵生育期Landsat 8 OLI影像數據提取的7種植被指數建立估產模型，通過不同生育期模型的決定系數和擬合程度，確定玉米的最佳估產生育期、最優估產植被指數、最佳估產回歸模型，評價奇臺縣玉米估產模型在不同年際尺度上的穩定性。以期建立一種穩定、準確、簡便、快速的玉米遙感估產模型，為農業決策提供快捷、準確的數據支撐，也為建設我國的農業信息化道路提供輔助信息。

1 材料與方法

1.1 研究區概況

奇臺縣位于新疆維吾爾自治區東北部，天山北麓，準噶爾盆地東南緣，縣城西距烏魯木齊市 195 km，是新疆昌吉州的邊境縣。地跨89.208°～91.375°E，43.409°～45.487°N，地理環境獨特，地形地貌復雜多變，南依天山，北部是北塔山。地勢南北高，中間低。有高山、丘陵、平原、沙漠等多種地貌。縣域總面積為16 664.596 km2，轄7縣8鄉，屬中溫帶大陸性半荒漠干旱性氣候，海拔為506～4 104 m，年平均無霜期為153 d，年平均氣溫為 5.5 ℃ 左右，多年平均降水量為269.4 mm。光照充足，適宜多種作物生長。

奇臺縣土地肥沃，是農牧生產的黃金地帶，適宜小麥、玉米、黃芪、葫蘆、葵花等作物的生長，是新疆著名的小麥、玉米生產基地，也是國家重要的商品糧食生產基地。奇臺縣土地利用類型主要為耕地，面積約13.33萬hm2，其中南部山區的農田依賴降水，俗稱“望天田”，其他農田依賴滴灌。奇臺縣光熱資源十分適宜雜交玉米制種，同時也是國家級雜交玉米種子生產基地之一[21]。在正常年份，玉米于4月下旬播種，5月中旬出苗，6月下旬至7月上旬拔節，7月下旬至8月中旬抽雄，乳熟于8月下旬至9月上旬，成熟于9月中下旬。

1.2 數據獲取與處理

1.2.1 遙感數據獲取及處理 根據奇臺縣的氣候條件，7月上旬至9月中上旬對應玉米的拔節期、抽雄期、乳熟期，這3個生育期是與玉米產量最為密切的關鍵期[15]，因此本研究選用2016—2018年7—9月Landsat8 OLI影像（下載自美國USGS網站http：//glovis.usgs.gov/），幅寬為185 km，重訪周期為 16 d，空間分辨率為30 m，盡量選擇研究區域無云或少云的高質量影像。因奇臺縣最北部為沙漠，中部為玉米主栽區，最南部為丘陵、山地，不適宜玉米的種植，因此研究區設在奇臺縣中部。覆蓋奇臺縣玉米主栽區的2景影像條帶號分別為141/029、141/030，共獲得2016—2018年覆蓋作物生育期的12期影像數據，影像相關信息見表1。

首先，將不同年份關鍵生育期的Landsat8 OLI影像進行預處理，利用ENVI 5.3遙感處理軟件進行大氣輻射校正、 幾何校正、 融合、裁剪、圖像拼接、去云處理和波段計算等操作，其具體參數設置見文獻[22]。

1.2.2 實地調查及矢量數據 2019年6月25日至9月26日，開展實地問卷調查及資料收集，野外調查時采用奧維地圖記錄調查樣地的作物類型、生育期、地塊經緯度等，共獲取玉米調查樣地43塊，包括2016年7塊樣地，2017年19塊樣地，2018年17塊樣地。

其他數據包括：奇臺縣玉米播種面積以及產量統計數據，奇臺縣行政區劃矢量邊界、農作物的物候歷等。

1.2.3 植被指數計算 在ArcGIS 10.6中將矢量化的樣地結合植被指數通過分區統計得到各樣地植被指數的均值。最后利用SPSS 17.0進行建模與統計分析。

植被指數是表征地表植被覆蓋和長勢的參考量，與作物長勢、生物量和產量等有密切關系。

為了探究不同指數對估產模型的敏感性能力，歸納國內外使用較多的植被特征參數，在Landsat 8 OLI的11個原始波段反射率中，選取其中4個波段進行7種植被指數的計算（表2）。

1.3 玉米遙感估產模型的建立

為了評估不同指數與產量之間的相關性得到最佳估產生育期，本研究使用皮爾遜相關系數度量各指數與產量之間的相關性（線性相關），其變化范圍為-1～1。

為體現遙感估產建模的快捷性、準確性和易操作性，采用多元逐步回歸分析，挑選出對因變量有顯著影響的自變量，且避免了參數之間嚴重的共線性問題。

1.4 精度驗證

通過決定系數（R2）、調整決定系數（R2）（R2adjusted）、均方根誤差（RMSE）、精度（Accuracy）對預測的精度進行評價。相關計算公式如下：

R2越接近于1，模型擬合程度越好。由于用R2評價模型擬合的好壞有一定的局限性，即使向模型中增加的變量沒有統計學意義，R2仍然會增大。因此須要校正，即調整的決定系數。調整的R2增加了對方程中引入自變量的“監督”，當有統計學意義的變量進入方程式，可使調整的R2增大，而當無統計學意義的變量進入方程時，調整的R2反而減小。因此，調整的R2是衡量方程優劣的重要指標。RMSE越小，Accuracy越大，表明模型預測能力強，穩定性好且精度高。

2 結果與分析

2.1 最佳估產時期的確定

通過分析2016—2018年玉米拔節期、抽雄期、乳熟期的植被指數與產量間的相關性，確定最佳估產時期。

植被指數隨著作物的生長發育表現出一定的趨勢。由表3可知，各植被指數均與產量呈極顯著或顯著正相關。其中，拔節期除EVI外，其他植被指數與產量的相關系數在各生育期中均最低，ENDVI、GNDVI、NDVI、OSAVI表現出隨著生育進程的延長相關系數逐漸增大，ENDVI、GNDVI、NDVI與產量的相關性最高，尤以乳熟期的相關系數最大，表明乳熟期是利用植被指數進行估產的最佳時期。

2.2 基于不同年際尺度的玉米估產模型

為了克服不同植被指數的缺點，選取多種植被指數，在相關性分析的基礎上，與實際產量建立多元線性逐步回歸估產模型，將實際產量與估測產量進行對比分析和精度驗證，確定當年的最佳估產回歸模型。根據2016—2017年調查地塊產量信息和提取的乳熟期的植被指數，做逐步回歸建立產量模型，并進行驗證，獲得各年度關鍵生育期的最佳估產模型。

由表4可看出，在基于各年度的最佳估產模型中，精度最低的為2016—2017年的模型，其相關系數為0.916，Accuracy為80.110%。最精確的為2016年模型，其RMSE為0.580 t/hm2。其次，在植被指數方面，不同年度的模型中均有NDVI參與建模，證明NDVI與產量有密切聯系。另外，ENDVI也參與了建模，表明其與產量之間也有較強的相關性。

2.3 不同年際尺度估產模型的適用性

由于3個模型的驗證精度均是相對于各自年份而言，所以無法進行模型的比較。本研究使用2018年的數據對各個模型進行驗證分析，比較各模型在年際尺度上的適用性。

綜合來看，通過各年際的最佳估產模型對2018年的實際產量進行驗證，從結果（圖1、圖2、圖3）中可見，2016年的估產模型，驗證r2為0.706 2，估產精度相對較低，與另外2種模型相差較大。基于2017年的估產模型和基于2年數據建立的估產模型驗證精度較高，其r2分別為0.757 1、0.727 1。

3 討論

3.1 不同生育期植被指數對玉米估產的影響

養分的積累是作物產量形成的前提與基礎[29]。玉米從抽絲期即開始生殖生長，積累干物質和生物量，在9月下旬處于收獲期，營養器官衰弱，作物生長已經停滯。韓文霆等研究表明，在進行玉米最佳估產生育期的選擇時，與產量相關性最大的為乳熟期[30]，本研究對各植被指數與產量進行相關性分析，也印證了此觀點。

3.2 不同植被指數的估產精度

植被指數受很多條件的影響。韓文霆等在對夏玉米不同植被指數估產模型研究中發現，在單生育期估產精度最高的植被指數為GNDVI，r2為0.72[30];安秦等利用多時相MODIS遙感影像建立了RVI與玉米產量的預測模型，相關系數達到0.825[16]。NDVI在高植被覆蓋區易出現飽和情況，對農作物的監測有著一定的限制作用，本研究中利用多種遙感植被指數，可從多角度彌補各植被指數的缺陷。在建立的玉米估產模型中，基于NDVI、ENDVI、NRI的估產模型精度最高，使用的增強型歸一化植被指數（ENDVI）在玉米的估產研究中表現出了較高的相關性。由此看出，在玉米估產模型中植被指數具有地域性。

3.3 玉米估產模型的參數選取

影響玉米產量的因素有很多，安秦通過玉米的凈初級生產力（NPP）累計值以及玉米的收獲指數對玉米進行了產量估算研究，證明了基于光能利用率模型的玉米估產在研究區具有一定的可行性[31];王一博基于多源遙感數據以及實地采樣土壤有機質數據，使用CASA模型，估算玉米種植區耕地土壤有機質含量，結合NPP積累量與土壤有機質數據估算了伊通縣玉米面積產量[32]。蔣磊等根據遙感蒸散發模型和遙感作物識別結果獲取河套灌區玉米生育期日蒸散發量，選取3種常用水分生產函數模型，建立玉米估產模型并取得了較好的結果[33]。以上這些方法均能獲得很好的估產精度，但是數據獲取較難，參數過多，在不同地方使用時還須要調整參數。本研究選取Landsat8 OLI遙感影像，采用NDVI、ENDVI、NRI建立玉米估產模型，獲得了較高的估產精度，此方法簡單高效、適用性強，且在作物監測方面較為成熟。

3.4 估產模型年際尺度的適用性

本研究利用2016年與2017年玉米乳熟期植被指數建立的產量模型預測2018年的產量，預測r2為0.727 1，說明基于年際尺度的產量模型進行估產具有一定的可行性。

4 結論

農作物遙感估產方法日趨成熟，不僅可以實現大面積的產量估算，而且數據獲取簡易、方便、及時、高效[34]。本研究利用Landsat 8 OLI遙感影像和野外調查數據，通過植被指數與產量的相關性分析，采用逐步回歸方法構建了奇臺縣基于年際尺度玉米產量估算模型。本研究發現，玉米的乳熟期各植被指數與產量的相關性最高，因此乳熟期可以作為估產建模的最佳生育期。其次，利用2016年、2017年、2016—2017年建立的模型，分別對2018年的玉米實際產量進行模型精度驗證，探究模型年際尺度的適用性，結果顯示各年度最佳模型的預測r2均達到0.7以上，特別是基于2016—2017年的整合模型，r2達到0.727 1，說明基于NDVI、ENDVI、NRI等3種指數的估產模型在年際尺度上具有一定的適用性。因此，基于最佳實相的年際尺度的玉米估產模型可以快速、有效地評估作物的產量，為農業信息化監測和管理提供便捷的途徑。

參考文獻：

[1]FAO. FAO's director-general on how to feed the world in 2050[J]. Population and Development Review，2009，35（4）：837-839.

[2]Franch B，Vermote E F，Skakun S，et al. Remote sensing based yield monitoring：application to winter wheat in United States and Ukraine[J]. International Journal of Applied Earth Observation & Geoinformation，2019，76：112-127.

[3]蘇仁忠. 遙感技術在農業信息化中的應用[J]. 農業工程，2018，8（6）：45-47.

[4]MaCdonald R B. A summary of the history of the development of automated remote sensing for agricultural applications[J]. IEEE Transactions on Geoscience and Remote Sensing，1984，22（6）：473-482.

[5]Wang R Y，Bowling L C，Cherkauer K A. Estimation of the effects of climate variability on crop yield in the Midwest USA[J]. Agricultural and Forest Meteorology，2016，216：141-156.

[6]Bolton D K，Friedl M A. Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics[J]. Agricultural and Forest Meteorology，2013，173：74-84.

[7]Kogan F，Kussul N，Adamenko T，et al. Winter wheat yield forecasting in Ukraine based on Earth observation，meteorological data and biophysical models[J]. International Journal of Applied Earth Observation and Geoinformation，2013，23：192-203.

[8]Becker-Reshef I，Vermote E，Lindeman M，et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment，2010，114（6）：1312-1323.

[9]Ren J Q，Chen Z X，Zhou Q B，et al. Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong，China[J]. International Journal of Applied Earth Observation and Geoinformation，2008，10（4）：403-413.

[10]Prasad A K，Chai L，Singh R P，et al. Crop yield estimation model for Iowa using remote sensing and surface parameters[J]. International Journal of Applied Earth Observation and Geoinformation，2006，8（1）：26-33.

[11]朱再春，陳聯裙，張錦水，等. 基于信息擴散和關鍵期遙感數據的冬小麥估產模型[J]. 農業工程學報，2011，27（2）：187-193.

[12]任建強，陳仲新，周清波，等. MODIS植被指數的美國玉米單產遙感估測[J]. 遙感學報，2015，19（4）：568-577.

[13]劉珊珊，牛超杰，邊 琳，等. 基于NDVI的水稻產量遙感估測[J]. 江蘇農業科學，2019，47（3）：193-198.

[14]王雅鑫，修麗娜. 基于TM數據的天津市靜海縣小麥產量估算研究[J]. 內蒙古科技與經濟，2018（14）：16-18，21.

[15]歐陽玲，毛德華，王宗明，等. 基于GF-1與Landsat8 OLI影像的作物種植結構與產量分析[J]. 農業工程學報，2017，33（11）：147-156

[16]安 秦，陳圣波，孫士超. 基于多時相MODIS-RVI的玉米遙感估產研究[J]. 地理空間信息，2018，16（3）：14-16.

[17]劉紅超，梁 燕，張喜旺. 多時相影像的冬小麥種植面積提取及估產[J]. 遙感信息，2017，32（5）：87-92.

[18]孟令華. 基于時間序列遙感影像的棉田估產模型[D]. 哈爾濱：東北農業大學，2018.

[19]閆昱光. 基于多光譜圖像的水稻估產模型研究[D]. 哈爾濱：東北農業大學，2019.

[20]張長城，常 軍，王赫彬. 基于環境產量模型和生物產量模型的禹城市夏玉米遙感估產研究[J]. 綠色科技，2019（6）：189-193.

[21]張 超，金虹杉，劉 哲，等. 基于GF遙感數據紋理分析識別制種玉米[J]. 農業工程學報，2016，32（21）：183-188.

[22]王瀚征. 基于非監督分類與決策樹相結合的 30 m 分辨率土地利用遙感反演研究[D]. 石家莊：河北師范大學，2016.

[23]Rouse J W，Haas R H，Schell J A. Monitoring the vernal advancement of retrogradation （green wave effect） of natural vegetation[EB/OL]. （1974-03-28）[2020-02-20]. https：//core.ac.uk/download/pdf/42893165.pdf.

[24]Chen P F，Haboudane D，Tremblay N，et al. New spectral indicator assessing the efficiency of crop Nitrogen treatment in corn and wheat[J]. Remote Sensing of Environment，2010，114（9）：1987-1997.

[25]Liu H Q，Huete A R. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Tansactions on Geoscience & Remote Sensing，1995，33（2）：457-465.

[26]Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment，1996，55（2）：95-107.

[27]Penuelas J，Baret F，Filella I. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance[J]. Photosynthetica，1995，31（2）：221-230.

[28]Bausch W C，Duke H R. Remote sensing of plant nitrogen status in corn[J]. Transactions of the ASAE，1996，39（5）：1869-1875.

[29]華 瑞，李俊華，王立坤，等. 不同滴灌施肥策略對玉米產量、養分吸收及效益的影響[J]. 新疆農業科學，2016，53（1）：68-76.

[30]韓文霆，彭星碩，張立元，等. 基于多時相無人機遙感植被指數的夏玉米產量估算[J]. 農業機械學報，2020，51（1）：148-155.

[31]安 秦. 長春地區玉米產量遙感估算方法研究[D]. 長春：吉林大學，2018.

[32]王一博. 基于多源遙感數據的伊通縣玉米估產與生長發育分析[D]. 中國礦業大學，2019.

[33]蔣 磊，尚松浩，楊雨亭，等. 基于遙感蒸散發的區域作物估產方法[J]. 農業工程學報，2019，35（14）：90-97.

[34]廖 靖，胡月明，趙 理，等. 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[J]. 江蘇農業學報，2019，35（3）：594-601.劉新宇，陳東雷，張 鑫 ，等. 基于模糊控制算法與4G-LTE的植物工廠遠程監控系統設計[J]. 江蘇農業科學，2020，48（23）：220-226.