《基于Landsat8 OLI的不同年际尺度玉米估产研究》-农学论文，农业论文-论文范文参考-科学狗论文网

标题

基于Landsat8 OLI的不同年际尺度玉米估产研究

范文

彭田田范燕敏武红旗吕昱贺梦婕皇甫蓓炯

摘要：探究农作物产量遥感估测模型年际尺度的适用性，可为快速估产提供参考依据。以新疆维吾尔自治区奇台县为研究区，利用Landsat8 OLI遥感影像提取的玉米不同生育期植被指数，结合2016年、2017年、2016—2017年实地调查的玉米地块的产量信息作回歸分析，建立基于县域的产量模型，讨论估产的最佳生育期，比较不同植被指数、不同回归模型的估产精度，最后再根据2018年的产量信息对各模型进行精度验证，探究不同模型年际尺度的适用性。结果表明，乳熟期的归一化植被指数（NDVI）与产量之间的相关性最高，相关系数为0.751，达到极显著水平（P<0.01）;构建年际尺度的NDVI、作物氮反应指数（NRI）、增强归一化植被指数（ENDVI）与玉米单产的逐步回归模型预测R2达到0.727 1。基于不同年际尺度的遥感数据建立的模型进行产量预测具有一定的可行性。

关键词：遥感;年际尺度;生育期;植被指数;估产模型

中图分类号： TP79;S127 ?文献标志码： A ?文章编号：1002-1302（2020）23-0214-06

农业是人类一切生产的首要条件。然而根据联合国粮农组织（FAO）的数据，到2050年，全球粮食产量须要增加70%，才能满足日益增长的全球需求[1]，农业在21世纪面临重大挑战。全球、国家和区域规模的及时、准确的作物产量信息在农业和形成粮食安全决策等一系列方面有极为重要的作用[2]。随着科技的发展，信息技术被广泛应用于农业生产[3]。特别是从地球观测（EO）卫星问世以来，人们认识到遥感技术在农业监测方面具有独特的优势[4]。

近年来，遥感技术发展突飞猛进，并出现在农业生产研究中，这奠定了遥感估产的技术基础[5]。遥感估产是基于绿色作物对光谱的反射特征，利用植被指数来反演作物的生长信息，并建立生长信息与产量间的关系来获取作物的产量。植被指数是对地表植被状况简单、有效和经验的度量，已广泛用来定性和定量评价植被覆盖情况及其生长活力。国内外许多学者利用植被指数进行了作物估产的研究，并取得了较好的成果[6-10]。最常用的遥感估产方法是统计模型法，它具有操作实施简单灵活、计算简便的优点[11]。如任建强等利用中分辨率成像光谱仪（MODIS）-归一化植被指数（NDVI）时序数据建立了美国大尺度范围的玉米估产模型，相对误差仅为2.12%[12];刘珊珊等利用Pearson相关系数选取与水田相对应的NDVI时间序列，并建立了5种不同函数关系的水稻估产模型[13];王雅鑫等通过天津市静海县的冬小麦的NDVI、绿度指数（GDVI）等植被指数对产量进行了预测[14];欧阳玲等利用多源多时相遥感影像，综合植被光谱的9种指数和地面采样数据，开展了作物种植结构监测研究[15];安秦等利用MODIS数据比值植被指数（RVI）开展了吉林省德惠市玉米估产研究[16];刘红超等通过关键生育期的MODIS植被指数NDVI和增强型植被指数（EVI）累计值，建立了冬小麦产量预测模型[17];孟令华通过Landsat 5 TM与Landsat 7 ETM影像，构建了时间序列植被指数曲线，确立了棉花估产的最佳时相和估产因子[18]。闫昱光研究了机载多光谱相机拍摄的拔节期水稻冠层图像植被指数和生长参数特征与水稻产量间的关系，并利用局部加权线性回归算法与分位数回归算法分别进行了水稻估产建模的研究与尝试[19];张长城等通过采用GF-1遥感卫星影像和MODIS-NDVI产品，针对禹城市夏玉米建立了基于环境产量模型和生物量模型的2种估产模型[20]。

估产模型有气象模型、净初级第一生产力模型，还有遥感植被指数模型，由于遥感的快速发展，遥感数据源越来越多，基于植被指数的估产模型由于其灵活、易于实现、估测精度高等特点，使得农作物遥感估产越来越普遍。大多数遥感估产利用各种植被指数进行反演得到单一年限的作物产量估测模型，忽略了气候等因素年际间的波动会导致估产模型的不稳定。玉米是世界上重要的粮食作物，玉米产量占我国粮食总产量的40%。灾害、粮食产量损失的预测对国计民生、国家的长治久安具有重要意义。奇台县是新疆的玉米种植大县之一，本研究利用2016—2018年玉米实际产量数据与玉米关键生育期Landsat 8 OLI影像数据提取的7种植被指数建立估产模型，通过不同生育期模型的决定系数和拟合程度，确定玉米的最佳估产生育期、最优估产植被指数、最佳估产回归模型，评价奇台县玉米估产模型在不同年际尺度上的稳定性。以期建立一种稳定、准确、简便、快速的玉米遥感估产模型，为农业决策提供快捷、准确的数据支撑，也为建设我国的农业信息化道路提供辅助信息。

1 材料与方法

1.1 研究区概况

奇台县位于新疆维吾尔自治区东北部，天山北麓，准噶尔盆地东南缘，县城西距乌鲁木齐市 195 km，是新疆昌吉州的边境县。地跨89.208°～91.375°E，43.409°～45.487°N，地理环境独特，地形地貌复杂多变，南依天山，北部是北塔山。地势南北高，中间低。有高山、丘陵、平原、沙漠等多种地貌。县域总面积为16 664.596 km2，辖7县8乡，属中温带大陆性半荒漠干旱性气候，海拔为506～4 104 m，年平均无霜期为153 d，年平均气温为 5.5 ℃ 左右，多年平均降水量为269.4 mm。光照充足，适宜多种作物生长。

奇台县土地肥沃，是农牧生产的黄金地带，适宜小麦、玉米、黄芪、葫芦、葵花等作物的生长，是新疆著名的小麦、玉米生产基地，也是国家重要的商品粮食生产基地。奇台县土地利用类型主要为耕地，面积约13.33万hm2，其中南部山区的农田依赖降水，俗称“望天田”，其他农田依赖滴灌。奇台县光热资源十分适宜杂交玉米制种，同时也是国家级杂交玉米种子生产基地之一[21]。在正常年份，玉米于4月下旬播种，5月中旬出苗，6月下旬至7月上旬拔节，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 数据获取与处理

1.2.1 遥感数据获取及处理根据奇台县的气候条件，7月上旬至9月中上旬对应玉米的拔节期、抽雄期、乳熟期，这3个生育期是与玉米产量最为密切的关键期[15]，因此本研究选用2016—2018年7—9月Landsat8 OLI影像（下载自美国USGS网站http：//glovis.usgs.gov/），幅宽为185 km，重访周期为 16 d，空间分辨率为30 m，尽量选择研究区域无云或少云的高质量影像。因奇台县最北部为沙漠，中部为玉米主栽区，最南部为丘陵、山地，不适宜玉米的种植，因此研究区设在奇台县中部。覆盖奇台县玉米主栽区的2景影像条带号分别为141/029、141/030，共获得2016—2018年覆盖作物生育期的12期影像数据，影像相关信息见表1。

首先，将不同年份关键生育期的Landsat8 OLI影像进行预处理，利用ENVI 5.3遥感处理软件进行大气辐射校正、几何校正、融合、裁剪、图像拼接、去云处理和波段计算等操作，其具体参数设置见文献[22]。

1.2.2 实地调查及矢量数据 2019年6月25日至9月26日，开展实地问卷调查及资料收集，野外调查时采用奥维地图记录调查样地的作物类型、生育期、地块经纬度等，共获取玉米调查样地43块，包括2016年7块样地，2017年19块样地，2018年17块样地。

其他数据包括：奇台县玉米播种面积以及产量统计数据，奇台县行政区划矢量边界、农作物的物候历等。

1.2.3 植被指数计算在ArcGIS 10.6中将矢量化的样地结合植被指数通过分区统计得到各样地植被指数的均值。最后利用SPSS 17.0进行建模与统计分析。

植被指数是表征地表植被覆盖和长势的参考量，与作物长势、生物量和产量等有密切关系。

为了探究不同指数对估产模型的敏感性能力，归纳国内外使用较多的植被特征参数，在Landsat 8 OLI的11个原始波段反射率中，选取其中4个波段进行7种植被指数的计算（表2）。

1.3 玉米遥感估产模型的建立

为了评估不同指数与产量之间的相关性得到最佳估产生育期，本研究使用皮尔逊相关系数度量各指数与产量之间的相关性（线性相关），其变化范围为-1～1。

为体现遥感估产建模的快捷性、准确性和易操作性，采用多元逐步回归分析，挑选出对因变量有顯著影响的自变量，且避免了参数之间严重的共线性问题。

1.4 精度验证

通过决定系数（R2）、调整决定系数（R2）（R2adjusted）、均方根误差（RMSE）、精度（Accuracy）对预测的精度进行评价。相关计算公式如下：

R2越接近于1，模型拟合程度越好。由于用R2评价模型拟合的好坏有一定的局限性，即使向模型中增加的变量没有统计学意义，R2仍然会增大。因此须要校正，即调整的决定系数。调整的R2增加了对方程中引入自变量的“监督”，当有统计学意义的变量进入方程式，可使调整的R2增大，而当无统计学意义的变量进入方程时，调整的R2反而减小。因此，调整的R2是衡量方程优劣的重要指标。RMSE越小，Accuracy越大，表明模型预测能力强，稳定性好且精度高。

2 结果与分析

2.1 最佳估产时期的确定

通过分析2016—2018年玉米拔节期、抽雄期、乳熟期的植被指数与产量间的相关性，确定最佳估产时期。

植被指数随着作物的生长发育表现出一定的趋势。由表3可知，各植被指数均与产量呈极显著或显著正相关。其中，拔节期除EVI外，其他植被指数与产量的相关系数在各生育期中均最低，ENDVI、GNDVI、NDVI、OSAVI表现出随着生育进程的延长相关系数逐渐增大，ENDVI、GNDVI、NDVI与产量的相关性最高，尤以乳熟期的相关系数最大，表明乳熟期是利用植被指数进行估产的最佳时期。

2.2 基于不同年际尺度的玉米估产模型

为了克服不同植被指数的缺点，选取多种植被指数，在相关性分析的基础上，与实际产量建立多元线性逐步回归估产模型，将实际产量与估测产量进行对比分析和精度验证，确定当年的最佳估产回归模型。根据2016—2017年调查地块产量信息和提取的乳熟期的植被指数，做逐步回归建立产量模型，并进行验证，获得各年度关键生育期的最佳估产模型。

由表4可看出，在基于各年度的最佳估产模型中，精度最低的为2016—2017年的模型，其相关系数为0.916，Accuracy为80.110%。最精确的为2016年模型，其RMSE为0.580 t/hm2。其次，在植被指数方面，不同年度的模型中均有NDVI参与建模，证明NDVI与产量有密切联系。另外，ENDVI也参与了建模，表明其与产量之间也有较强的相关性。

2.3 不同年际尺度估产模型的适用性

由于3个模型的验证精度均是相对于各自年份而言，所以无法进行模型的比较。本研究使用2018年的数据对各个模型进行验证分析，比较各模型在年际尺度上的适用性。

综合来看，通过各年际的最佳估产模型对2018年的实际产量进行验证，从结果（图1、图2、图3）中可见，2016年的估产模型，验证r2为0.706 2，估产精度相对较低，与另外2种模型相差较大。基于2017年的估产模型和基于2年数据建立的估产模型验证精度较高，其r2分别为0.757 1、0.727 1。

3 讨论

3.1 不同生育期植被指数对玉米估产的影响

养分的积累是作物产量形成的前提与基础[29]。玉米从抽丝期即开始生殖生长，积累干物质和生物量，在9月下旬处于收获期，营养器官衰弱，作物生长已经停滞。韩文霆等研究表明，在进行玉米最佳估产生育期的选择时，与产量相关性最大的为乳熟期[30]，本研究对各植被指数与产量进行相关性分析，也印证了此观点。

3.2 不同植被指数的估产精度

植被指数受很多条件的影响。韩文霆等在对夏玉米不同植被指数估产模型研究中发现，在单生育期估产精度最高的植被指数为GNDVI，r2为0.72[30];安秦等利用多时相MODIS遥感影像建立了RVI与玉米产量的预测模型，相关系数达到0.825[16]。NDVI在高植被覆盖区易出现饱和情况，对农作物的监测有着一定的限制作用，本研究中利用多种遥感植被指数，可从多角度弥补各植被指数的缺陷。在建立的玉米估产模型中，基于NDVI、ENDVI、NRI的估产模型精度最高，使用的增强型归一化植被指数（ENDVI）在玉米的估产研究中表现出了较高的相关性。由此看出，在玉米估产模型中植被指数具有地域性。

3.3 玉米估产模型的参数选取

影响玉米产量的因素有很多，安秦通过玉米的净初级生产力（NPP）累计值以及玉米的收获指数对玉米进行了产量估算研究，证明了基于光能利用率模型的玉米估产在研究区具有一定的可行性[31];王一博基于多源遥感数据以及实地采样土壤有机质数据，使用CASA模型，估算玉米种植区耕地土壤有机质含量，结合NPP积累量与土壤有机质数据估算了伊通县玉米面积产量[32]。蒋磊等根据遥感蒸散发模型和遥感作物识别结果获取河套灌区玉米生育期日蒸散发量，选取3种常用水分生产函数模型，建立玉米估产模型并取得了较好的结果[33]。以上这些方法均能获得很好的估产精度，但是数据获取較难，参数过多，在不同地方使用时还须要调整参数。本研究选取Landsat8 OLI遥感影像，采用NDVI、ENDVI、NRI建立玉米估产模型，获得了较高的估产精度，此方法简单高效、适用性强，且在作物监测方面较为成熟。

3.4 估产模型年际尺度的适用性

本研究利用2016年与2017年玉米乳熟期植被指数建立的产量模型预测2018年的产量，预测r2为0.727 1，说明基于年际尺度的产量模型进行估产具有一定的可行性。

4 结论

农作物遥感估产方法日趋成熟，不仅可以实现大面积的产量估算，而且数据获取简易、方便、及时、高效[34]。本研究利用Landsat 8 OLI遥感影像和野外调查数据，通过植被指数与产量的相关性分析，采用逐步回归方法构建了奇台县基于年际尺度玉米产量估算模型。本研究发现，玉米的乳熟期各植被指数与产量的相关性最高，因此乳熟期可以作为估产建模的最佳生育期。其次，利用2016年、2017年、2016—2017年建立的模型，分别对2018年的玉米实际产量进行模型精度验证，探究模型年际尺度的适用性，结果显示各年度最佳模型的预测r2均达到0.7以上，特别是基于2016—2017年的整合模型，r2达到0.727 1，说明基于NDVI、ENDVI、NRI等3种指数的估产模型在年际尺度上具有一定的适用性。因此，基于最佳实相的年际尺度的玉米估产模型可以快速、有效地评估作物的产量，为农业信息化监测和管理提供便捷的途径。

参考文献：

[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]苏仁忠. 遥感技术在农业信息化中的应用[J]. 农业工程，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，陈联裙，张锦水，等. 基于信息扩散和关键期遥感数据的冬小麦估产模型[J]. 农业工程学报，2011，27（2）：187-193.

[12]任建强，陈仲新，周清波，等. MODIS植被指數的美国玉米单产遥感估测[J]. 遥感学报，2015，19（4）：568-577.

[13]刘珊珊，牛超杰，边琳，等. 基于NDVI的水稻产量遥感估测[J]. 江苏农业科学，2019，47（3）：193-198.

[14]王雅鑫，修丽娜. 基于TM数据的天津市静海县小麦产量估算研究[J]. 内蒙古科技与经济，2018（14）：16-18，21.

[15]欧阳玲，毛德华，王宗明，等. 基于GF-1与Landsat8 OLI影像的作物种植结构与产量分析[J]. 农业工程学报，2017，33（11）：147-156

[16]安秦，陈圣波，孙士超. 基于多时相MODIS-RVI的玉米遥感估产研究[J]. 地理空间信息，2018，16（3）：14-16.

[17]刘红超，梁燕，张喜旺. 多时相影像的冬小麦种植面积提取及估产[J]. 遥感信息，2017，32（5）：87-92.

[18]孟令华. 基于时间序列遥感影像的棉田估产模型[D]. 哈尔滨：东北农业大学，2018.

[19]闫昱光. 基于多光谱图像的水稻估产模型研究[D]. 哈尔滨：东北农业大学，2019.

[20]张长城，常军，王赫彬. 基于环境产量模型和生物产量模型的禹城市夏玉米遥感估产研究[J]. 绿色科技，2019（6）：189-193.

[21]张超，金虹杉，刘哲，等. 基于GF遥感数据纹理分析识别制种玉米[J]. 农业工程学报，2016，32（21）：183-188.

[22]王瀚征. 基于非监督分类与决策树相结合的 30 m 分辨率土地利用遥感反演研究[D]. 石家庄：河北师范大学，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]华瑞，李俊华，王立坤，等. 不同滴灌施肥策略对玉米产量、养分吸收及效益的影响[J]. 新疆农业科学，2016，53（1）：68-76.

[30]韩文霆，彭星硕，张立元，等. 基于多时相无人机遥感植被指数的夏玉米产量估算[J]. 农业机械学报，2020，51（1）：148-155.

[31]安秦. 长春地区玉米产量遥感估算方法研究[D]. 长春：吉林大学，2018.

[32]王一博. 基于多源遥感数据的伊通县玉米估产与生长发育分析[D]. 中国矿业大学，2019.

[33]蒋磊，尚松浩，杨雨亭，等. 基于遥感蒸散发的区域作物估产方法[J]. 农业工程学报，2019，35（14）：90-97.

[34]廖靖，胡月明，赵理，等. 结合数据融合算法的光能利用率模型反演水稻地上部生物量[J]. 江苏农业学报，2019，35（3）：594-601.刘新宇，陈东雷，张鑫，等. 基于模糊控制算法与4G-LTE的植物工厂远程监控系统设计[J]. 江苏农业科学，2020，48（23）：220-226.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。