結(jié)合數(shù)據(jù)融合算法的光能利用率模型反演水稻地上部生物量

廖靖 胡月明 趙理 馬昊翔 王璐 張洪亮

摘要：水稻作為世界范圍內(nèi)的重要糧食作物，其生長狀況與產(chǎn)量信息的快速、精確獲取，對保障耕地資源安全與糧食安全具有重要意義。本研究探索結(jié)合數(shù)據(jù)融合算法的光能利用率模型反演水稻地上部生物量，將增強(qiáng)型空間和時(shí)間自適應(yīng)反射融合模型（ ESTARFM）預(yù)測的水稻關(guān)鍵生長期數(shù)據(jù)，驅(qū)動(dòng)EC-LUE（Eddy covariance-light useefficiency）模型反演水稻地上部生物量，分別驗(yàn)證2個(gè)模型的精度。結(jié)果顯示，ESTARFM算法預(yù)測值與真實(shí)值的Pearson相關(guān)系數(shù)為0.668（ P<量O.001），對于中型耕地（11- 50個(gè)Landsat像元），ESTARFM算法預(yù)測精度最為理想。EC-LUE模型反演的水稻地上部生物量預(yù)測值與地面實(shí)測值Pearson相關(guān)系數(shù)為0.630（ P<0.001）。EC-LUE模型驅(qū)動(dòng)數(shù)據(jù)的空間分辨率與時(shí)間分辨率是制約反演結(jié)果精度的關(guān)鍵因素。

關(guān)鍵字：影像融合;光能利用率模型;水稻地上部生物量;遙感反演

中圖分類號：TP75

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號： 1000-4440（ 2019） 03-0594-08

水稻生產(chǎn)在全球糧食安全評估[1]、農(nóng)業(yè)水資源利用[2-3]、溫室氣體排放[4-6]等研究中具有重要地位。水稻作為中國重要的糧食作物"1，水稻地上部生物量模擬與預(yù)測是水稻估產(chǎn)[8-11]、農(nóng)業(yè)氣象災(zāi)害預(yù)警[12-13]、耕地產(chǎn)能監(jiān)測與評價(jià)14-15]等一系列相關(guān)研究中的重要參數(shù)之一。相比于經(jīng)驗(yàn)?zāi)Ｐ停ü夂仙a(chǎn)力模型、Wagenigen模型[16]、農(nóng)業(yè)生態(tài)區(qū)法（ AEZ） [17-18]以及基于過程的生長模型（WOFOST[19-20]、APSIM[21-22]等），作物光能利用率（LUE）模型簡化了植物光合作用與呼吸作用的復(fù)雜生理反應(yīng)，被認(rèn)為是擁有較大發(fā)展空間，能夠在更廣范圍內(nèi)進(jìn)行作物生產(chǎn)力估算的一種模型。Eddy covariance-light use efficiency（ EC-LUE）模型被開發(fā)適用于普遍生物群落的逐日總初級生產(chǎn)力（ GPP）估算，該模型基于渦度塔通量數(shù)據(jù)，并采用在各種生物群落中幾乎不變的模型參數(shù)（即潛在的光能利用效率與最佳植被的生長溫度）[23]。EC-LUE模型估算農(nóng)田GPP仍有較大不確定性，有研究針對模型模擬的農(nóng)田GPP精度進(jìn)行驗(yàn)證，提出了相應(yīng)的模型改進(jìn)策略[24-26]。

EC-LUE模型需要輸入更精細(xì)的作物生長數(shù)據(jù)（如ⅣDVI）來模擬中、小尺度農(nóng)田GPP。為了滿足精細(xì)分辨率監(jiān)測地表季節(jié)性景觀變化的能力，Gao等開發(fā)了空間和時(shí)間自適應(yīng)反射融合模型（ Spatial andtemporal adaptive reflectance fusion model，STARFM），將Landsat數(shù)據(jù)與MODIS數(shù)據(jù)進(jìn)行融合，以預(yù)測擁有Landsat空間分辨率下的日常表面反射率[27]。Zhu等開發(fā)了一種增強(qiáng)型STARFM方法（Enhanced spatialand temporal adaptive reflectance fusion model， ESTAR-FM），通過2個(gè)時(shí)間點(diǎn)之間觀測到的反射率趨勢和改進(jìn)光譜解混合理論，以更好地預(yù)測異質(zhì)景觀的反射率變化[28-29]。ESTARFM被證明在小區(qū)域中準(zhǔn)確度要高于同類方法[30]，以及在預(yù)測農(nóng)田蒸散量[31]、冬小麥生物量[32]、河岸森林監(jiān)測[33]等異質(zhì)景觀的實(shí)證研究中有良好表現(xiàn)。直接將植被指數(shù)進(jìn)行時(shí)空數(shù)據(jù)融合得到的精度，高于先對各波段進(jìn)行時(shí)空數(shù)據(jù)融合再計(jì)算的植被指數(shù)的精度[34]。

本研究探索結(jié)合ESTARFM算法的EC-LUE模型對水稻地上部干物質(zhì)質(zhì)量反演的方法，通過ES-TARFM算法獲取晚稻關(guān)鍵生長期的NDVI，作為EC-LUE模型的驅(qū)動(dòng)數(shù)據(jù)。檢驗(yàn)2個(gè)模型的精度，分別分析2個(gè)模型在預(yù)測耕地異質(zhì)景觀NDVI、反演晚稻地上部生物量的適用性，并討論本研究方法的優(yōu)勢與限制。

1 研究區(qū)概況

增城市位于廣東省中部、廣州市東部（圖1），地理坐標(biāo)：北緯23°05′- 23°37′，東經(jīng)113°32′ - 114°00′，地處南亞熱帶，北回歸線經(jīng)過市境北部，屬海洋性季風(fēng)氣候，多年平均氣溫為21.6℃，極端高溫為38.2℃，極端低溫為-1.9℃。氣候特點(diǎn)為炎熱多雨，長夏無冬，全年可栽培作物。水資源豐富，耕地多為赤紅地和河谷沖積地，適宜種植水稻等農(nóng)作物【35]。

2 數(shù)據(jù)獲取與研究方法

2.1 數(shù)據(jù)

2.1.1 影像數(shù)據(jù) Landsat 8 0perational land imager（ OLI）（本研究不涉及TIRS傳感器）提供了30 m空間分辨率的LITP級地表反射率科學(xué)數(shù)據(jù)產(chǎn)品。影像預(yù)處理包括輻射定標(biāo)、Fast line-of-sightatmospheric analysis of hypercubes（ FLAASH@）大氣校正、幾何校正，選取Quality assessment band中標(biāo)記為“未受到儀器或云層影響”像素作為掩膜，反向去除影像中的云及云陰影。

MODIS09GA數(shù)據(jù)集提供了500 m空間分辨率的逐日地表反射率。影像預(yù)處理包括投影轉(zhuǎn)換、重采樣與幾何校正，根據(jù)1-4-3波段組合來判斷研究區(qū)是否有云，選取云量最小時(shí)刻的MOD09GA數(shù)據(jù)，用數(shù)據(jù)集的質(zhì)量波段做云掩膜。

2.1.2 氣象數(shù)據(jù)通過國家氣象局氣象觀測站記錄的研究區(qū)逐日日均氣溫、顯熱通量、潛熱通量數(shù)據(jù)，采用AUNSPLINE氣象插值軟件進(jìn)行插值‘36]。光合有效輻射（PAR）數(shù)據(jù)利用MODIS lB數(shù)據(jù)結(jié)合MODIS地表反射率產(chǎn)品和雙向反射模型（BRDFmodel）參數(shù)產(chǎn)品，通過檢索輻射傳輸模型計(jì)算出的查找表來反演得到【36-40]。

2.1.3 地上部生物量采集 2016年11月2日（第307 d）、11月7日（第312 d），分2次對研究區(qū)晚稻田進(jìn)行生物量采樣，采樣數(shù)量為30塊晚稻田，采樣點(diǎn)分布見圖1。取樣面積1 mxl m，與地面齊平收割稻株地上部分。在實(shí)驗(yàn)室內(nèi)，將采集的水稻樣品放置入烘干箱內(nèi)，在110 0C下殺青50 min，后將溫度調(diào)整為85℃，持續(xù)10 h，至樣品質(zhì)量不再變化后取出稱質(zhì)量。

2.2 研究方法

2.2.1 基于EC-LUE模型的晚稻地上部生物量反演

Yuan等開發(fā)了渦度協(xié)方差一光利用效率（EC-LUE）模型來模擬日常植被GPP[23，41]。模型由4個(gè)變量驅(qū)動(dòng)：歸一化植被指數(shù)（ ND VI），光合有效輻射（PAR），氣溫（T）以及顯熱與潛熱通量的鮑溫比。由于潛在的LUE在各種土地覆蓋類型中是不變的，因此EC-LUE模型對于每日GPP在大面積上的映射具有很大的優(yōu)勢。

根據(jù)輻射傳遞模型，Myneni等發(fā)現(xiàn)，對于大量不同的植被一土壤一大氣條件，fPAR和NDVI之間存在線性關(guān)系[42]：

fPAR= axNDVl+b

（2）

其中a與b是經(jīng)驗(yàn)系數(shù)。fPAR和NDVI之間的截距一般為負(fù)，當(dāng)fPAR為零時(shí)，a與b的比值表示裸土NDVI。根據(jù)前人的研究，a和b定為1.240和-0.168[23，43].NDVI從遙感影像數(shù)據(jù)獲得。

EC-LUE模型假定所有生物群落之間存在通用的8max，并通過溫度或水分脅迫來降低，同時(shí)假設(shè)溫度與水分對植被光能利用率的影像遵循李比希定律，即植被的實(shí)際光能利用率（ε）僅受到任何給定時(shí)間的最大限制性因素影響：

2.2.2 基于ESTARFM的晚稻關(guān)鍵生長期數(shù)據(jù)融合

ESTARFM算法實(shí)現(xiàn)有4個(gè)主要步驟。首先，使用2個(gè)具有精細(xì)分辨率的圖像來搜索與本地窗口中的中心像素相似的像素。其次，計(jì)算所有相似像素（Wi）的權(quán)重。第三，通過線性回歸確定轉(zhuǎn)換系數(shù)（Vi）。最后，使用Wi與Vi來計(jì)算所需預(yù)測日期的粗分辨率圖像的精細(xì)分辨率反射率。同時(shí)，研究結(jié)果表明，將植被指數(shù)直接進(jìn)行時(shí)空數(shù)據(jù)融合的精度，要高于單個(gè)波段進(jìn)行時(shí)空數(shù)據(jù)融合再計(jì)算植被指數(shù)所得到的精度，因?yàn)橄拗屏苏`差的傳遞[34]。那么在預(yù)測時(shí)刻tp處的最終預(yù)測的精細(xì)分辨率NDVI計(jì)算為：

2.2.3 精度檢驗(yàn)

2.2.3.1 ESTARFM算法精度檢驗(yàn) 定量評估2對原始影像與預(yù)測影像，繪制原始影像與預(yù)測影像的NDVI線性回歸模型的殘差，評估預(yù)測精度。然后選擇一組定量相關(guān)性度量方法，即Pearson相關(guān)系數(shù)，加上線性回歸模型的斜率、截距值和R2，在像元尺度上分析原始的與預(yù)測的NDVI值之間的差異，使用的誤差指數(shù)是均方根誤差（RMSE）。對晚稻NDVI融合數(shù)據(jù)與真實(shí)數(shù)據(jù)進(jìn)行交叉檢查33]。

前人研究得出異質(zhì)景觀的面積與ESTARFM預(yù)測精度有很強(qiáng)相關(guān)性，因?yàn)槠渲苯佑绊慐STARFM算法中對純像元的尋找“難易”程度[36]。按照已有的研究區(qū)土地利用數(shù)據(jù)以及面向?qū)ο蠓诸惙椒ǎㄡ槍andsat數(shù)據(jù)），按單個(gè)耕地地塊的面積進(jìn)行分類，即小型耕地（10個(gè)Landsat像元及以下）、中型耕地（11- 50個(gè)Landsat像元）、大型耕地（51個(gè)Landsat像元及以上），分別進(jìn)行影像融合算法精度檢查，以評估地塊面積大小對ESTARFM算法預(yù)測精度的影響。

2.2.3.2 EC-LUE模型精度檢驗(yàn)用均方根差，平均絕對誤差，Pearson相關(guān)系數(shù)，線性回歸模型的斜率、截距值和R2，對EC-LUE模型的晚稻地上部生物量估算結(jié)果進(jìn)行精度檢驗(yàn)。通過當(dāng)年的實(shí)地采樣數(shù)據(jù)進(jìn)行精度檢驗(yàn)，評估EC-LUE模型對晚稻地上部生物量預(yù)測結(jié)果的準(zhǔn)確性。

3 結(jié)果與分析

3.1 ESTARFM方法精度檢驗(yàn)

根據(jù)土地利用現(xiàn)狀圖，提取研究區(qū)耕地對應(yīng)時(shí)刻的NDVI，評估ESTARFM算法的預(yù)測精度（圖2）。精度驗(yàn)證時(shí)刻在第262 d附近，處于作物旺盛生長的時(shí)期，因此NDVI預(yù)測值與真實(shí)值的重合部分都集中分布在右上角。整體來看，耕地預(yù)測值與真實(shí)值的Pearson相關(guān)系數(shù)為0.668 （P<0.001），RMSE為0.005，一元回歸擬合線的斜率為0.713、截距為0.197、R2為0.304（圖2a），ESTARFM算法表現(xiàn)出對研究區(qū)耕地NDVI預(yù)測的良好效果。

耕地面積對ESTARFM算法精度影響結(jié)果顯示，中型耕地（11-50個(gè)Landsat像元）的NDVI估計(jì)值更接近真實(shí)值，Pearson相關(guān)系數(shù)為0.718 （P<0.001），RMSE為0.009，一元回歸擬合線的斜率為0.659、截距為0.208、R2為0.315。對于大型耕地（51個(gè)Landsat像元及以上），NDVI估計(jì)值與真實(shí)值的Pearson相關(guān)系數(shù)為0.656 （P

研究區(qū)耕地種植作物種類繁多，種植作物類型的不同導(dǎo)致的耕地混合像元是普遍存在的，當(dāng)精細(xì)影像（30 m空間分辨率）中小型耕地大量存在混合像元的情況下，ESTARFM算法很難在粗分辨率影像（ MODIS）中找到純凈的“水稻”像元，預(yù)測值與真實(shí)值差異顯著。此外，對于大型耕地來說，過于寬廣的單一作物種植區(qū)域會(huì)存在種植時(shí)間差，同物異譜“混合像元”，將不同生長狀態(tài)的相同類型作物視為同一生長狀態(tài)，也會(huì)造成ESTARFM算法的誤差。而11至50個(gè)像元組成的中型耕地更“不容易”受到混合像元的干擾，算法精度最高。因此在結(jié)合ESTARFM算法進(jìn)行晚稻地上部生物量反演時(shí)，本研究選取面積介于11至50個(gè)Landsat像元的水稻田塊進(jìn)行。

3.2 晚稻地上部生物量反演精度檢驗(yàn)

2016年研究區(qū)晚稻地上部生物量實(shí)測值在1 250 g/m2與2 850 g/m2之間，預(yù)測值在1 300 g/m2與2 400 g/1112之間，Pearson相關(guān)系數(shù)為0.630 （P<0.001），平均絕對誤差為240. 35 g/m2，標(biāo)準(zhǔn)誤差0.108，一元回歸擬合線的斜率為1.157、截距為-41.111，整體上看，晚稻地上部生物量被低估了（圖3）。

局部來看，EC-LUE模型低估了擁有高地上部生物量的晚稻地塊，實(shí)測值在2 500 g/m2以上的地塊，預(yù)測值在2 000 g/m2到2 300 g/m2之間;對擁有中等地上部生物量的晚稻地塊，即實(shí)測值在2 000g/m2左右的，EC-LUE模型整體低估了這些地塊的地上部生物量，預(yù)測值在1500 g/m2與1700 g/m2之間。

3.3 晚稻地上部生物量累積特征

結(jié)合2016年在基地對晚稻完整生長周期的地上部生物量采集數(shù)據(jù)（圖4），水稻地上部干物質(zhì)累積規(guī)律：在移栽后晚稻地上部干物質(zhì)質(zhì)量會(huì)微弱下降，后逐漸增加（約第240 d到260 d）;分蘗期干物質(zhì)質(zhì)量增速加快（大約第260 d至280 d），穗形成期干物質(zhì)累積增速達(dá)到最大值（第290 d附近），成熟期前后干物質(zhì)質(zhì)量達(dá)到頂峰并逐漸穩(wěn)定（310 d附近）。而本研究中EC-LUE模型的輸人數(shù)據(jù)時(shí)間為2016年的第224 d到310 d，基本涵蓋了水稻分蘗、穗形成、抽穗結(jié)實(shí)等干物質(zhì)累積的重點(diǎn)時(shí)期。

4 討論

4.1 晚稻地上部生物量累積特征

本研究探索利用ESTARFM算法融合得到時(shí)間分辨率更密集的晚稻NDVI數(shù)據(jù)，輸入EC-LUE模型以估算研究區(qū)晚稻地上部生物量的方法。結(jié)果顯示，ESTARFM算法融合的耕地NDVI數(shù)據(jù)精度較高，且與地塊面積密切相關(guān)，因此研究選取面積介于11至50個(gè)Landsat像元的水稻田塊進(jìn)行地上生物量反演。將補(bǔ)充后更為頻繁的NDVI時(shí)間序列數(shù)據(jù)輸入EC-LUE模型，得到的晚稻地上部生物量預(yù)測值，與地面實(shí)測值的相關(guān)性檢驗(yàn)結(jié)果為強(qiáng)相關(guān)，Pearson相關(guān)系數(shù)0.630 （P1+zhEx3LyBhUoCu6iZYivzKN++9ZJMZZ8Flr+kDUInY=

本研究將EC-LUE模型運(yùn)行時(shí)間設(shè)置為2016年的第224 d到310 d，持續(xù)90 d左右，涵蓋了分蘗、穗形成、抽穗結(jié)實(shí)等水稻干物質(zhì)累積的重點(diǎn)時(shí)期。這段時(shí)期內(nèi)水稻干物質(zhì)質(zhì)量的變化，包含了一個(gè)完整水稻生長期累積的絕大部分干物質(zhì)質(zhì)量。因此，本研究用ESTARFM算法估計(jì)的晚稻田NDVI，基本完整覆蓋了晚稻關(guān)鍵生長期，可以作為光能利用率模型的輸入數(shù)據(jù)。 4.2 晚稻地上部生物量反演精度

前人對EC-LUE模型的改進(jìn)與驗(yàn)證幾乎都在通量站點(diǎn)觀測進(jìn)行，而通量站均一的地表覆蓋類型，導(dǎo)致EC-LUE模型即使是用8 d l km空間分辨率的MODIS（MOD13） NDVI數(shù)據(jù)，也可以平均解釋全球36個(gè)FLUXNET站點(diǎn)大約90%的GPP變異性[45]。因此，EC-LUE模型被認(rèn)為適用于模擬幾乎所有類型生態(tài)系統(tǒng)的GPP。本研究探索將EC-LUE模型從點(diǎn)推廣到面，對模型大部分?jǐn)?shù)據(jù)進(jìn)行了插值、融合處理，從模型反演晚稻地上部生物量的結(jié)果來看，該方法還有待進(jìn)一步提升，這主要包括模型輸入數(shù)據(jù)時(shí)間分辨率和空間分辨率兩方面。

更密集的影像數(shù)據(jù)會(huì)有助于評估由ESTARFM算法融合得到的非逐日NDVI輸人數(shù)據(jù)對水稻最終地上部生物量的模擬誤差影響程度，因?yàn)榉侵鹑蛰斎霐?shù)據(jù)可能會(huì)縮短水稻高生長期，從而導(dǎo)致EC-LUE模型低估了水稻地上部生物量。更精細(xì)的影像數(shù)據(jù)與氣象數(shù)據(jù)，可以進(jìn)一步提升本研究方法對水稻這種中小尺度生態(tài)系統(tǒng)GPP的模擬精度。

參考文獻(xiàn)：

[1] ELERT E. Rice by the numbers：a good grain.[J].Nature， 2014，514（ 7524）：50-51.

[2]彭如夢，朱安，張思潔，等.節(jié)水灌溉方式對水稻產(chǎn)量和稻田土壤性狀的影響綜述[J].江蘇農(nóng)業(yè)科學(xué)，2018，46（ 23）： 31-35.

[3] BOUMAN B.How much water does rice use？ [J]. Rice Today.2009（1）：15.

[4]周煒，張?jiān)婪?，朱普平，等，種植制度對長江下游稻田溫室氣體排放的影響[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2017，33（2）：340-345.

[5] SASS R L，CICERONE R J.Photosvnthate allocations in riceplants： food production or atmospheric methane？ [J]. PNAS，2002， 99（ 19）： 11993-11995.

[6]劉建君，陳紅，黑龍江省水稻生產(chǎn)碳足跡分析[J].南方農(nóng)業(yè)學(xué)報(bào)，2018，49（8）：1667-1673.

[7]陳勁松，黃健熙，林琿，等.基于遙感信息和作物生長模型同化的水稻估產(chǎn)方法研究[J].中國科學(xué)：信息科學(xué)，2010， 40（增刊）：173-183.

[8] ATA-UL-KARIM S T，LIU X. LU Z，et al-In-season estimationof rice grain yield using critical nitrogen dilution curve[J].FieldCrops Research， 2016， 195： 1-8.

[9] 彭代亮.基于統(tǒng)計(jì)與MODIS數(shù)據(jù)的水稻遙感估產(chǎn)方法研究[D]。杭州：浙江大學(xué)，2009.

[10]寧佐榮.基于MODIS數(shù)據(jù)的低山丘陵區(qū)水稻估產(chǎn)模型研究[D].重慶：西南大學(xué)，2014.

[11] ZHANG Y. YANC B. LIU X. et al.Estimation of rice grain yieldfrom dual-polarization Radarsat-2 SAR data by integrating a ricecanopy scattering model and a genetic algorithm[J].IntemationalJoumal of Applied Earth Observation&Geoinformation，2017，57： 75-85.

[12]孫雯，氣候變暖對中國水稻生產(chǎn)的影響[D].南京：南京農(nóng)業(yè)大學(xué)，2011.

[13]張峰.川渝地區(qū)農(nóng)業(yè)氣象干旱風(fēng)險(xiǎn)區(qū)劃與損失評估研究[D].杭州：浙江大學(xué)，2013.

[14]柯躍進(jìn)，胡學(xué)玉，易卿，等.水稻秸稈生物炭對耕地土壤有機(jī)碳及其C02釋放的影響[J].環(huán)境科學(xué)，2014. 35（1）：93-99.

[15]陳印軍，易小燕，方琳娜，等.中國耕地資源與糧食增產(chǎn)潛力分析[J].中國農(nóng)業(yè)科學(xué)，2016，49（6）：1117-1131.

[16] VAN I'ITERSUM M K. LEFFELAAR P A， VAN K H， et al-Onapproaches and applications of the Wageningen crop models[J].European Journal of Agronomy， 2003， 18（3）：201-234.

[17]姜群鷗，基于AEZ模型的中國農(nóng)業(yè)生產(chǎn)力的估算及其對耕地利用變化的響應(yīng)[D].長沙：中南大學(xué)，2008.

[18]于大江，劉成忠，徐文強(qiáng).基于農(nóng)業(yè)生態(tài)區(qū)法（AEZ）模型的甘肅省玉米生產(chǎn)潛力分析[J].甘肅農(nóng)業(yè)大學(xué)學(xué)報(bào)，2012. 47（4）：73-77.

[19] VAN DIEPEN C A. WOLF J，VAN KEULEN H. et al.WOFOST：a simulation model of crop production[J].Soil Use andManagement， 1989.5（1）：16-24.

[20]許小路.基于WOFOST模型的高溫?zé)岷K省水稻生長及產(chǎn)量的影響模擬[D].南京：南京信息T程大學(xué)，2015.

[21] WANC E， ROBERTSON M J， HAMMER G L， et al.Development of a generic crop model template in the cropping sys-tem model APSIM[J].European Journal of Agronomy， 2002， 18（1）：121-140.

[22] KEATING B A. CARBERRY P S，HAMMER G L，et al.An o-verview of APSIM， a model designed for farming systemssimulation[J] . European Journal of Agronomy， 2003 ， 18 （ 3 ） ：267-288.

[23] YUAN W P. LIU S C. ZHOU G S， et al. Deriving a light use effi- ciency model from eddy covariance flux data for predicting dailygross primary production across biomes [ J ] . A～Ticultural & Forest Meteorology， 2007 ， 143 （ 3 ） ： 189-207.

[24]CITELSON A A. PENG Y， ARKEBAUER T J， et al. Productivi-ty. absorbed photosyntheticaLly active radiation. and light use effi-ciency in crops： implications for remote sensing of crop primaryproduction [J] . Joumal of Plant Physiology， 2015 ， 177 ： 100-109.

[25] CITELSON A A. PENG Y. HUEMMRICH K F. Relationship be-tween fraction of radiation absorbed by photosynthesizing maize andsoybean canopies and NDVI from remotely sensed data taken atclose range and from MODIS 250 m resolution data[ J]. RemoteSensing of Environment， 2014， 147（ 10） ： 108-120.

[26] JIN C， XIAO X. WAGLE P. et al. Effects of in-situ andreanalysis climate data on estimation of cropland gross primary pro-duction using the Vegetation Photosynthesis Model [ J ].Agricultural & Forest Meteorology . 2015 ， 213（ 25 ） ： 240-250.

[27] CAO F， MASEK J， SCHWALLER M， et al. On the blending ofthe Landsat and MODIS surface reflectance ： predicting daily Land-sat surface reflectance [J] . IEEE Transactions on Ceoscience & Remote Sensing， 2006 . 44（ 8） ： 2207-2218.

[28] ZHU X， CHEN J， GAO F， et al. An enhanced spatial and tempo-ral adaptive reflectance fusion model for complex heterogeneous re-gions [J]. Remote Sensing of Environment， 2010， 114 （ ll） ：2610-2623.

[29] 11 X， LINC F， FOODY C M， et al. Cenerating a series of finespatial and temporal resolution land cover maps by fusing coarsespatial resolution remotely sensed images and fine spatial resolutionland cover maps[J] . Remote Sensing of Environment. 2017 . 196 ：293-311.

[30] EMELYANOVA I V， MCVICAR T R. VAN NIEL T C， et al. As-sessing the accuracy of blending Landsat-MODIS surfacereflectances in two landscapes with contrasting spatial and temporaldynamics： A framework for algorithm selection [J]. RemoteSensing of Environment， 2013， 133（ 12） ： 193-209.

[31] BAI L.CAI J. LIU Y. et al. Responses of field evapotranspirationto the changes of cropping pattern and groundwater depth in largeirrigation district of Yellow River basin [J] . Agricultural WaterManagement， 2017. 188 ： l-ll.

[32] DONG T， LIU J. QIAN B. et al. Estimating winter wheat biomassby assimilating leaf area index derived from fusion of Landsat-8 andMODIS data [J]. Intemational Journal of Applied EarthObservation and Ceoinformation， 2016. 49： 63-74.

[33] GARTNER P， FORSTER M， KLEINSCHMIT B. The benefit ofsynthetically generated RapidEye and Landsat 8 data fusion timeseries for riparian forest disturbance monitoring [J]. RemoteSensing of Environment. 2016， 177： 237-247.

[34] JARIHANI A， MCVICAR T， VAN NIEL T， et al. Blendinglandsat and MODIS data to generate multispectral indices：a Com-padson of 'index-then-blend' and 'blend-then-index'approaches[J].Remote Sensing，2014，6（10）：9213-9238.

[35]林怡輝，安建國.增城年鑒[M].廣州：廣東旅游出版社，2016.

[36]牛忠恩，閆慧敏，黃玫，等，基于MODIS.0LI遙感數(shù)據(jù)融合技術(shù)的農(nóng)田生產(chǎn)力估算[J].自然資源學(xué)報(bào)，2016，31（5）： 875.885.

[37]WANG H，JIA G，F(xiàn)U C，et al.Dedving maximal light use em-ciency fmm cooIdinated nux measurements and satellite data for re-gional gross primary production modeling[J].Remote Sensing ofEnvironment，2010，114（10）：2248-2258.

[38]WANG Z，XIAO X，YAN X.Modeling gross primary production ofmaize cmpland and degmded grassland in northeastern China[J].Agricuhural and Forest Meteorology，2010，150（9）：1160-1167.

[39]YAN H M，F(xiàn)U Y L，XIAO X M，et al.Modeling gross pdmaryproductivity for winter wheat-maize double cropping system usingMODIS time sedes and C02 eddy nux tower data.[J].AgricuhIlreEcosystems&Environment，2009，129（4）：391-400.

[40]ZHANG Y，YU Q，JIANG J，et al.Calibration of TeITa/MODISgross pdmary production over an irrigated cropland on the NorthChina Plain and an alpine meadow on the Tibetan Plateau [J].Clobal Change Biology， 2010， 14（4） ： 757-767.

[41] YUAN W， LIU S， YU G. et al. Clobal estimates of evapotranspi- ration and gross primary production based on MODIS and globalmeteorology data [J] . Remote Sensing of Environment ， 2010， 114（7） ： 1416-1431.

[42] MYNENI R B， WILLIAMS D L. On the relationship between FA-PAR and NDVI[J]. Remote Sensing of Environment. 1994. 49（3） ： 200-211.

[43] MISSON， MONSON R K， SCHMID H P， et al. Midday values ofgross C02 flux and li#t use efficiency during sateLlite overpassescan be used to directly estimate eight-day mean flux [J] . Agricul-tural & Forest Meteorology， 2005 ， 131（ 1） ： 1-12.

[44] POTTER C S. RANDERSON J T. FIELD C B， et al. Terrestrialecosystem production： a process model based on global satelliteand surface data [J]. Global Biogeochemical Cycles， 1993， 7（4） ： 811-841.

[45] YUAN W， CHEN Y， XIA J. et al. Estimating crop yield using asatellite-based light use efficiency model [ J ]. EcologicalIndicators， 2016， 60 ： 702-709.