基于GF-1時序植被指數的水稻產量遙感估算

朱立昌

摘 要：為了建立基于農場尺度的遙感數據水稻估產模型，運用2016年安徽省盛農農場的GF-1/WFV影像獲取3個水稻關鍵生育期（拔節孕穗期、抽穗揚花期和灌漿成熟期）數據，分析建立植被指數與產量之間的相關性，篩選各生育期的最佳植被指數，構建估產回歸模型。結果表明：（1）不同生育期的最佳植被指數與估產模型不同：拔節孕穗期最佳指數MSAVI，模型為乘冪模型（R2=0.691）;抽穗揚花期為DVI，乘冪模型（R2=0.743）;灌漿成熟期為WDRVI，多項式模型（R2=0.592）。（2）用多元線性構建的水稻全生育期模型R2=0.708。

關鍵詞：時序;植被指數;水稻;估產模型

中圖分類號 S511 文獻標識碼 A 文章編號 1007-7731（2022）05-0146-04

Abstract： To establish a yield estimation model for rice based on farm-scale remote sensing data， GF-1/WFV imagery of Shengnong Farm in Anhui Province in 2016 was used to acquire data for three key rice fertility stages（the pulling and gestation stage， the tasseling and flowering stage， and the filling and maturity stage）， analyze the correlation between establishing vegetation indices and yield， screen the best vegetation indices for each fertility stage， and construct a yield estimation regression model. The results showed that：（1）the best vegetation indices and yield estimation models were different for different fertility stages： MSAVI for the pulling and gestation stage with a multiplicative power model（R2=0.691）; DVI for the tasseling and flowering stage with a multiplicative power model（R2=0.743）; and WDRVI for the filling maturity stage with a polynomial model（R2=0.592）.（2）Rice full-fertility model constructed with multivariate linearity R2=0.708.

Key words： Time series; Vegetation index; Rice; Yield estimation model

水稻是我國保障民生和經濟發展的主要糧食作物之一，約占糧食作物種植總面積的29%[1]。傳統水稻估產難以滿足現代農業水稻估產中對稻田信息全面、實時、快速的獲取[2]。遙感技術恰恰解決了這一難題，提高了監測的時效性、準確性及普適性，現已被廣泛用于農業資源調查、農情長勢監測、產量與品質預測等領域中[3]。近20年來，時序遙感技術引起了國內外學者的關注，在作物全過程監測預測中，針對植被指數的遙感估產領域占有重要地位[4]。植被指數是將遙感地物光譜資料經數學方法處理后獲得用以反映植被狀況的特征量[5]。高分一號衛星（簡稱GF-1）是衛星數據中應用最廣泛的數據源之一，被廣泛用于作物估產研究中[6-8]。劉雅清等[6]基于GF-1/WFV時序數據結合NDVI與NDWI指數，用決策樹方法實現綠洲作物識別。孫姝娟[9]等用時間序列諧波分析平滑處理的GF-1/WFV EVI時序數據，構建了水稻信息識別的決策樹模型。王正興、郭妮等[10-11]指出用比值算法獲得的NDVI以植被指數的飽和為代價來減少大氣影響。本研究以馬鞍山盛農農場GF-1/WFV多光譜數據為數據源，經波段組合提取22種植被指數并計算其與水稻生物量相關關系，比較指數、線性、對數、多項式、乘冪模型，優選決定系數后獲得關鍵生育期最佳估產模型，最終建立關鍵生育期內的最佳植被指數與全生育期水稻產量的多元回歸方程，構建全生育期水稻產量遙感估算模型。

1 材料與方法

1.1 研究區概況與供試材料 盛農農場位于安徽省東部馬鞍山市（118°21′38″～118°52′44″E，31°46′42″～31°17′26″N），屬于亞熱帶季風氣候，年均溫16.1℃，年降水量1060.7mm。研究區內作物為水稻、小麥、大豆和油菜。2016年水稻主要栽培品種為南粳46和鎮糯19。

1.2 數據獲取與處理 對比Landsat-8和GF-1的傳感器特性，結合水稻生長特征，選擇如表1所示的適時有較高空間分辨率的遙感影像數據。在種植密度為10cm×30cm的研究區內，選取不同品種和不同生長狀況下分布均勻的采樣點，共計116個，每個采樣點附近采集4株長勢一致的水稻植株。

1.3 研究指標 每塊條田屬一類，116個采樣點計47類，取條田中采樣點植被指數的平均值作為該類下的植被指數，選取的植被指數見表2。

以決定系數（Cofficient of determination，R2）、均方根誤差（Root mean squared error，RMSE）作為估算模型的評價指標[12]。

2 結果與分析

2.1 關鍵生育期最佳植被指數的相關性 用拔節孕穗期、抽穗揚花期和灌漿成熟期的水稻不同生長階段數據估產，如表3所示。由表3可知：拔節孕穗期內MSAVI均值與水稻產量的相關性為0.802，呈極顯著相關;MERIS均值為0.463，為弱相關。抽穗揚花期內DVI均值與產量的相關性為0.848，呈極顯著相關;MERIS均值為0.727，為顯著性相關。灌漿成熟期內WDRVI平均值與水稻產量的相關性為0.986，呈極顯著性相關，MERIS均值為0.915，呈極顯著相關，但從整體來看相關性最低。

2.2 關鍵生育期水稻產量估算模型 優選關鍵生育期最佳植被指數，用回歸分析構建各關鍵生育期基于最佳植被指數的產量模型，如表4所示。比較決定系數R2和均方根誤差RMSE，確定關鍵生育期內的最佳模型。

2.3 關鍵生育期水稻產量估算模型驗證 為驗證估算模型的準確性，將20個驗證樣本的產量與實際產量進行擬合，如表5所示。均方根誤差越小，精度越好;R2越高，精度越好。表中R2高，RMSE低，符合實際，可以驗證關鍵生育期內模型選取的準確性。關鍵生育期水稻產量反演見圖1。

2.4 全生育期的多元線性方程 因關鍵生育期最佳植被指數構建的水稻產量模型，估算全生育期水稻產量精度較低，而為保持精度穩定，將各時期最佳植被指數作自變量，產量作因變量，構建多元線性回歸方程：

Y=-313.898x+167.678y+227.347z+143.191 （1）

式中，Y為預估產，x為MSAVI均值，y為WDRVI均值，z為DVI均值，RMSE為256.787，決定系數為0.708，F檢驗為38.138。

全生育期水稻產量反演見圖2。

3 小結

本研究利用22種植被指數，基于2016年GF-1號WFV衛星影像數據，經篩選R2和RMSE，確定關鍵生育期的3種植被指數后建立了估產模型，并利用多元線性回歸確定了全生育期的多元回歸模型。研究結果可以為同類研究在選擇植被指數時提供參考，也為水稻關鍵生育期快速估產提供科學方法。

參考文獻

[1]孫利.中國的種植業概要[J].地理教育，2008（01）：15.

[2]李丹.基于MODIS數據遼寧省水稻面積提取技術及估產模型的研究[D].沈陽：沈陽農業大學，2016.

[3]茍喻.重慶市水稻估產要素及模型研究[D].重慶：西南大學，2015.

[4]趙兵杰.基于GF-1與Landsat-8的種植結構提取與產量估測[D].邯鄣：河北工程大學，2019.

[5]衛煒，吳文斌，李正國，等.時間序列植被指數重構方法比對研究[J].中國農業資源與區劃，2014，35（1）：34-43.

[6]劉雅清，王磊，趙希妮，等.基于GF-1/WFV時間序列的綠洲作物類型提取[J].干旱研究，2019，36（03）：781-789.

[7]SONG Qian，ZHOU Qing bo. Mapping regional cropping patterns by using GF-1 WFV sensor data[J].Journal of Integrative Agriculture，2017，16（02）：337-347.

[8]魏鵬飛，徐新剛，楊貴軍，等.基于多時相影像植被指數變化特征的作物遙感分類[J].中國農業科技導報，2019，21（02）：54-61.

[9]孫姝娟，李民錄，王萍，等.基于GF-1/WFV EVI時間序列數據的水稻種植面積提取[J].福建農業學報，2018，33（06）：575-580.

[10]王正興，劉闖，HUETE Alfredo.植被指數研究進展：從AVHRR-NDVI到MODIS-EVI[J].生態學報，2003（05）：979-987.

[11]郭鈮.植被指數及其研究進展[J].干旱氣象，2003（04）：71-75.

[12]陶惠林，馮海寬，徐良驥，等.基于無人機高光譜遙感數據的冬小麥生物量估算[J].江蘇農業學報，2020，36（05）：1154-1162.

（責編：張宏民）