遙感技術(shù)在我國冬小麥產(chǎn)量估算中的應(yīng)用研究進(jìn)展

涂巧針，李 旭，劉釔廷，吳保升

（塔里木大學(xué)信息學(xué)院，新疆阿拉爾 843017）

冬小麥?zhǔn)俏覈闹匾?jīng)濟(jì)作物之一，其播種面積約為全國糧食總播種面積的1/5[1]。收割之前，適時精確的估算糧食作物生產(chǎn)水平既有利于我國國家糧食戰(zhàn)略的調(diào)整和制訂，也有利于進(jìn)一步完善糧食作物管理，合理調(diào)整種植業(yè)布局，深入發(fā)掘其生產(chǎn)潛力，為我國進(jìn)一步調(diào)整糧油儲備結(jié)構(gòu)提供科技支撐。實現(xiàn)我國糧食安全目標(biāo)，將對我國糧食市場的宏觀調(diào)節(jié)、糧食出口貿(mào)易發(fā)展產(chǎn)生重大意義[2]。

由于冬小麥分布區(qū)廣泛，北方地區(qū)復(fù)雜，對播種面積、生產(chǎn)和統(tǒng)計資料的獲取一般要利用常規(guī)的估產(chǎn)手段，包括統(tǒng)計手段和傳統(tǒng)的土壤監(jiān)測手段，其速度慢、工程量大、成本高，無法滿足對冬小麥的監(jiān)測需求。遙感資料具備覆蓋面大、檢測周期短、資料豐富、現(xiàn)勢性好、代價低等優(yōu)點，可以迅速和精確地對冬小麥進(jìn)行估產(chǎn)。遙感估產(chǎn)是一種使用衛(wèi)星傳感器記錄作物表面信號，并利用資料采集與數(shù)據(jù)分析所獲取的農(nóng)作物表面光譜特征，確定作物種類，監(jiān)控作物的生長過程，從而構(gòu)建將作物光譜數(shù)據(jù)與農(nóng)業(yè)生產(chǎn)過程相互聯(lián)系的新科技手段[3]。

1 農(nóng)作物遙感估產(chǎn)研究概況

美國首先開展的大面積作物遙感技術(shù)估產(chǎn)，效果也最為顯著。美國早在1974年就開始實施“大規(guī)模耕地估產(chǎn)實驗” 即LACIE 規(guī)劃（Large Area Crop Inventory and Experiment）和“利用空間遙感技術(shù)開展農(nóng)產(chǎn)品和資源利用研究” 即AGRISARS 規(guī)劃（Agriculture and Resources Inventory Surveys through Aerospace Remote Sensing）[4]。這是遙感技術(shù)在農(nóng)業(yè)上應(yīng)用的成功典型案例，極大的推動了農(nóng)業(yè)遙感技術(shù)的發(fā)展。此后，意大利、俄羅斯、英國、日本和其他多個國家也相繼開展農(nóng)業(yè)遙感技術(shù)相關(guān)的研究工作。2002 年，美國農(nóng)業(yè)部與NASA 再次合作，首次將MODIS 數(shù)據(jù)應(yīng)用到了農(nóng)業(yè)遙感研究中并采用Landsat數(shù)據(jù)對多個州進(jìn)行了農(nóng)作物監(jiān)測實驗，到2010年實現(xiàn)了基于遙感的長期農(nóng)業(yè)監(jiān)測。目前，經(jīng)過多年的實驗研究，國外農(nóng)業(yè)遙感技術(shù)已經(jīng)逐步走向成熟。

我國的農(nóng)業(yè)遙感研究起步較晚。1981 年，我國使用遙感技術(shù)成功預(yù)測了冬小麥的實際生產(chǎn)。1983 年，我國研發(fā)了估算京津冀地區(qū)冬小麥產(chǎn)量的技術(shù)方法，在此后的3年里，GIS系統(tǒng)已經(jīng)被廣泛應(yīng)用于黃淮海地區(qū)冬小麥的產(chǎn)量估算研究中。通過開發(fā)，我國遙感技術(shù)在農(nóng)作物長勢監(jiān)測與產(chǎn)量估測領(lǐng)域的應(yīng)用逐步走向完善。為更好推動我國農(nóng)業(yè)遙感科技的開發(fā)，中國科學(xué)院制定了“九五”重大科研項目，結(jié)合“3S”（RS，GPS，GIS）技術(shù)推動我國的農(nóng)業(yè)遙感向著周期更短、精度更高、成本更低的方向深入發(fā)展。2008 年，中科院和中華糧網(wǎng)合作將農(nóng)業(yè)遙感獲得的產(chǎn)量成果等推向了服務(wù)應(yīng)用，使該項技術(shù)得到了更為廣泛的應(yīng)用[5]。

2 冬小麥估產(chǎn)應(yīng)用的遙感資料

冬小麥估產(chǎn)中應(yīng)用的遙感資料主要有資源衛(wèi)星資料、氣象衛(wèi)星資料、航空遙感和地面遙感資料等。1）資源衛(wèi)星資料。Landsat 系列數(shù)據(jù)憑借優(yōu)勢，從20 世紀(jì)70年代開始就成為農(nóng)業(yè)遙感領(lǐng)域應(yīng)用最多的數(shù)據(jù)源之一，極大地推動了農(nóng)業(yè)遙感監(jiān)測技術(shù)。除此之外，CBERS 衛(wèi)星也是常見的資源衛(wèi)星，但由于衛(wèi)星重訪周期長、作物生育期可用數(shù)據(jù)有限等原因，限制了這一類衛(wèi)星數(shù)據(jù)的用途。2）氣象衛(wèi)星資料。氣象衛(wèi)星重訪周期快，因此氣象衛(wèi)星多基于作物的季相節(jié)律信息形成時間序列數(shù)據(jù)，被應(yīng)用于大規(guī)模的作物遙感監(jiān)測。AVHRR 是最早的氣象衛(wèi)星，1987 年美國基于該數(shù)據(jù)進(jìn)行農(nóng)作物估產(chǎn)試驗。之后，美國發(fā)射中分辨率成像儀（MODIS）用于觀測全球植被，相比之前的氣象衛(wèi)星，MODIS 數(shù)據(jù)擁有了更高的空間、光譜分辨率，從而大大增強了對地觀測能力，為大面積作物遙感識別提供了重要的數(shù)據(jù)支撐。但由于氣象衛(wèi)星空間分辨率較低，導(dǎo)致這類數(shù)據(jù)的總體提取精度不高。3）航空遙感和地面遙感資料[6]。

各種遙感數(shù)據(jù)既有優(yōu)點，也有不足之處。千懷遂按照各類資料源的清晰度（空氣清晰度和時間清晰度）和空中云層，將我國小麥估產(chǎn)的資料源類型劃分為陸地衛(wèi)星型、陸地衛(wèi)星為主型、氣象衛(wèi)星為主型和氣象衛(wèi)星型[7]。根據(jù)遙感技術(shù)數(shù)據(jù)的實際使用效果考慮，AVHRR 數(shù)據(jù)主要用來觀察冬小麥的發(fā)育狀況，利用相應(yīng)的綠度指標(biāo)建立產(chǎn)量預(yù)測模型。由于高分辨率的優(yōu)勢，雖然TM 數(shù)據(jù)已廣泛用作大冬小麥面積數(shù)據(jù)的獲取手段，但因為生產(chǎn)成本較高，目前還難以實現(xiàn)基于TM數(shù)據(jù)的大面積小麥監(jiān)測與生產(chǎn)預(yù)測。

3 冬小麥光譜特性

根據(jù)中國西北干燥、半干旱地區(qū)的玉米生長發(fā)育情況，通過田間樣點取樣和室內(nèi)研究的方法，研究了不同生產(chǎn)階段冬小麥生理生化數(shù)據(jù)和冠層光譜反射率[8-9]。通過研究，冬小麥在冠層原始光譜反射率趨勢與不同生產(chǎn)階段基本相同，均在可見光波段反射率很低，分別在550 nm 和400 nm，670 nm 波段形成了1 個反射峰和2 個吸收谷，原因主要是基于葉片葉綠素對陸光的強烈反射，對藍(lán)色和紅光都具有強烈的吸收功能。在670 nm 后反射率急劇增大，在700～900 nm 的近紅外波束中產(chǎn)生了1 個反射率大于0.34 的高反射峰值，主要在起身期到抽穗期之間，冬小麥冠層覆蓋度變化較大，在不同層位的葉內(nèi)對太陽光產(chǎn)生了多次反射，主要是由于葉片的細(xì)胞內(nèi)部多次反射、散射引起的。在1 300～2 500 nm 的短波紅外范圍內(nèi)，冠層原始反射率逐漸降低。但是，由于施氮量的提高，在700～1 000 nm之間的近紅外波束，在冬小麥冠層葉片密度增加，冠層結(jié)構(gòu)變得更加復(fù)雜，使得近紅外部分的反射總量增加，光譜反射率增大，而在可見光350～670 nm區(qū)域內(nèi)差異不顯著。

4 冬小麥遙感估產(chǎn)過程

對冬小麥的遙感技術(shù)估算過程，一般可以分成以下8個步驟[10]。

1）遙感信息的獲取與處理。遙感信息源的選用，首先要考察能否達(dá)到工藝要求，同時還要兼顧經(jīng)濟(jì)性。

2）遙感估產(chǎn)區(qū)劃。冬小麥生長發(fā)育條件動態(tài)觀測和估算的遙感技術(shù)的一個重大應(yīng)用，根據(jù)需要對自然環(huán)境條件、社會環(huán)境條件與冬小麥生長發(fā)育條件相同的地區(qū)進(jìn)行劃分，優(yōu)化了冬小麥生長發(fā)育條件的觀測與估測模型的建立。

3）地面采集點布設(shè)及觀測。遙感估產(chǎn)的數(shù)據(jù)大部分來自遙感數(shù)據(jù)，但僅僅依靠遙感數(shù)據(jù)獲取精確的冬小麥播種規(guī)模與數(shù)量是不夠的。必須從土壤中收集適當(dāng)?shù)臉悠罚米鬟b感信息的補充與驗證。

4）建立數(shù)據(jù)庫。在遙感估產(chǎn)中，建立數(shù)據(jù)庫系統(tǒng)是一個相當(dāng)關(guān)鍵的基礎(chǔ)工作。背景數(shù)據(jù)庫主要具有2 種功能：①農(nóng)業(yè)遙感信息的劃分提供背景信息，以增強農(nóng)業(yè)劃分的正確性。②在難以獲得農(nóng)業(yè)遙感信息的狀況下，它可以支持模擬數(shù)據(jù)分析技術(shù)，從歷史數(shù)據(jù)和現(xiàn)實調(diào)查樣本中獲取的農(nóng)作物數(shù)據(jù)加以處理，從而得出當(dāng)年的農(nóng)作物實際種植面積和產(chǎn)量數(shù)據(jù)。

5）冬小麥種植面積的提取。冬小麥播種面積的提取，是估算全國糧食作物生產(chǎn)能力的重要基礎(chǔ)。TM數(shù)據(jù)適用于對GIS 所支持的NOAA 數(shù)據(jù)的像素分解以及作物種子的提取數(shù)據(jù)的計算機自動分類。

6）冬小麥長勢及災(zāi)害監(jiān)測。檢測的主要手段，是通過植被指數(shù)的變動以及與歷史數(shù)據(jù)的對比，檢測各個生長季的植被指數(shù)。能夠準(zhǔn)確掌握各個生長期冬小麥的發(fā)育狀況，并能夠根據(jù)發(fā)生狀態(tài)預(yù)測冬小麥的發(fā)育變化趨勢。

7）建立冬小麥遙感估產(chǎn)模型。建立估產(chǎn)模型是冬小麥產(chǎn)量估算的關(guān)鍵。

8）估算冬小麥總產(chǎn)并對其精度進(jìn)行評估。通過遙感估算綜合技術(shù)估計冬小麥，由于"精度"可以代表了估算成果的可靠性，為保證結(jié)果的準(zhǔn)確度水平，應(yīng)該把各個環(huán)節(jié)錯誤的概率減至最小化。

5 冬小麥遙感估產(chǎn)的方法

在農(nóng)業(yè)實踐中，植被指數(shù)一般作為判斷植物生長發(fā)育情況的重要指標(biāo)。一個最基本的方法就是把植被指數(shù)特性與作物生產(chǎn)特性聯(lián)系起來，方法最好使用回歸方程，而模型試驗指標(biāo)則可以采用模型擬合系數(shù)。

目前，遙感產(chǎn)量估算的方式主要包括統(tǒng)計建模（經(jīng)驗?zāi)Ｐ停┓āC理模型法、半經(jīng)驗（半機理）模擬方法等。1）統(tǒng)計建模（經(jīng)驗?zāi)Ｐ停┓ㄍㄟ^選擇能夠反映冬小麥生長發(fā)育階段的遙感技術(shù)特征的數(shù)據(jù)，如遙感植地系數(shù)、葉面積系數(shù)、植被的凈初級生產(chǎn)力等，從而構(gòu)建出與冬小麥生產(chǎn)有關(guān)的數(shù)學(xué)模型，由于具有簡單、統(tǒng)計簡便的優(yōu)點，因此比較普遍地運用在冬小麥遙感估產(chǎn)。2）機理模型法根據(jù)生物相似性原理，研究冬小麥生長與發(fā)育的物理機制、物理環(huán)境與自然因素等，以物理學(xué)規(guī)律的數(shù)學(xué)模型研究冬小麥生長與發(fā)育、產(chǎn)量形成的原理，并在某種假設(shè)情況下，形成對冬小麥估產(chǎn)的數(shù)值模擬模型，最常見的作物生長模式為DSSAT、WOFOST、CERES-Wheat 等[11-14]。機理模型的應(yīng)用領(lǐng)域廣泛，但參數(shù)修正難度較大，在特定狀態(tài)下有些參數(shù)不能修正。3）半經(jīng)驗（半機理）模擬方法。半經(jīng)驗（半機理）模型相較于機理模型有所簡化，但是模型輸入中需要的2 個關(guān)鍵變量（光能利用效率、作物收獲指數(shù)），都難以在時空分布中進(jìn)行準(zhǔn)確地定量模擬。

統(tǒng)計模型法因為操作簡便，已成為迅速開展冬小麥遙感估產(chǎn)的重要常規(guī)方式，并獲得了廣泛應(yīng)用。它主要通過建立關(guān)于植被指數(shù)和冬小麥產(chǎn)量的線性或非線性回歸方程，然后經(jīng)過對比分析它們的相互關(guān)系，并選擇影響最大的植被指數(shù)和冬小麥產(chǎn)量的回歸方程，成為冬小麥生產(chǎn)預(yù)測模型。考慮到不同植物植被指數(shù)的共同作用，產(chǎn)量估算的準(zhǔn)確性相對較低。近年來，機器學(xué)習(xí)算法被應(yīng)用于建立作物性狀的遙感估測模式。其中，BP神經(jīng)網(wǎng)絡(luò)、支持向量機和隨機森林算法能基于單一時相進(jìn)行遙感分類并達(dá)到較高的準(zhǔn)確率，有效解決了衛(wèi)星影像有限的問題，同時打破了傳統(tǒng)方法中僅依靠波段反射率來實現(xiàn)信息提取的局限性，實現(xiàn)了冬小麥遙感識別最佳特征的優(yōu)化。

6 冬小麥產(chǎn)量估算模型

國內(nèi)外研究者在作物估產(chǎn)模型上已有深入的研究，針對冬小麥種植的區(qū)域環(huán)境差異研發(fā)出了不同的估產(chǎn)模型，具體可以分為直接和間接2 種類型（見表1）。江東等給出了基于人工神經(jīng)網(wǎng)絡(luò)的農(nóng)作物遙感估產(chǎn)模型[15]。朱再春等采用信息擴散方法，結(jié)合農(nóng)業(yè)關(guān)鍵時期的遙感數(shù)據(jù)構(gòu)建的冬小麥估產(chǎn)模式，更好地模擬了冬小麥在遙感估產(chǎn)中歸一化植被指數(shù)與產(chǎn)量之間的非線性關(guān)系[16]。程千等使用偏小二乘回歸法、支持向量機回歸法和隨機森林回歸3 個機器學(xué)習(xí)算法在估算冬小麥產(chǎn)量中，總結(jié)出RFR 模式有著良好的穩(wěn)定性[17]。陶惠林等采用多元線性回歸的MLR 模型、隨機森林RF 模型在植物不同生長期的12 種光譜參數(shù)的產(chǎn)量估測，得出MLR 模型預(yù)測準(zhǔn)確度更高，如挑旗期、開花期、灌漿期等，與產(chǎn)量相關(guān)最好的分別為TCARI/OSAVI、SR、TCARI/OSAVI。就生長期而言，效果最佳的是灌漿期[18]。林少喆等通過對比以植物含氮率、植物含水率、水氮耦合為中間參量構(gòu)建估產(chǎn)模型，發(fā)現(xiàn)采用水氮耦合的高光譜估產(chǎn)模型準(zhǔn)確率最高，模型最為穩(wěn)定，在灌漿期時效果亦為最好[19]。而張松等比較直接與間接模型的精度，采用LAI、SPAD，地上干生物量作為中間量進(jìn)行估產(chǎn)，對比表明采用LAI 構(gòu)建的間接模型效果較好，而估產(chǎn)的最佳時間則是開花期[20]。

表1 冬小麥產(chǎn)量估測模型表

7 討論與展望

研究者們對農(nóng)作物估產(chǎn)的研究成果不盡相同，今后要分生育期地考慮冬小麥產(chǎn)量預(yù)測，以更精確地掌握產(chǎn)量預(yù)測生育階段。另外，有些方面需要更深層次地研究，但由于冬小麥種類、生長期、生產(chǎn)地域的差異等原因，估產(chǎn)監(jiān)測模型仍無法大范圍推進(jìn)，因此必須盡量完善模型適用性，并研究提升模型精度的途徑，分生育時期進(jìn)行生長指數(shù)的監(jiān)測和估產(chǎn)模型的構(gòu)建。在反演小麥產(chǎn)量方法中，農(nóng)學(xué)參數(shù)也可借助一些生理生化指標(biāo)來進(jìn)行估產(chǎn)。

遙感技術(shù)在現(xiàn)代農(nóng)業(yè)中的應(yīng)用已獲得初步成功，而更進(jìn)一步深層次的應(yīng)用仍擁有著巨大的發(fā)展前景。因此，需要根據(jù)我國國內(nèi)現(xiàn)階段和未來現(xiàn)代農(nóng)業(yè)技術(shù)的發(fā)展趨勢，充分地開展農(nóng)業(yè)長遠(yuǎn)規(guī)劃研究和加強現(xiàn)代農(nóng)產(chǎn)品應(yīng)用同傳統(tǒng)遙感技術(shù)之間的聯(lián)系，從而利用現(xiàn)代遙感技術(shù)的巨大空間和農(nóng)業(yè)科技資源優(yōu)勢，對中國今后現(xiàn)代農(nóng)業(yè)的發(fā)展將起到很大的促進(jìn)作用。