基于GF-1時序植被指數(shù)的水稻產(chǎn)量遙感估算

朱立昌

摘 要：為了建立基于農(nóng)場尺度的遙感數(shù)據(jù)水稻估產(chǎn)模型，運(yùn)用2016年安徽省盛農(nóng)農(nóng)場的GF-1/WFV影像獲取3個水稻關(guān)鍵生育期（拔節(jié)孕穗期、抽穗揚(yáng)花期和灌漿成熟期）數(shù)據(jù)，分析建立植被指數(shù)與產(chǎn)量之間的相關(guān)性，篩選各生育期的最佳植被指數(shù)，構(gòu)建估產(chǎn)回歸模型。結(jié)果表明：（1）不同生育期的最佳植被指數(shù)與估產(chǎn)模型不同：拔節(jié)孕穗期最佳指數(shù)MSAVI，模型為乘冪模型（R2=0.691）;抽穗揚(yáng)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(gòu)建的水稻全生育期模型R2=0.708。

關(guān)鍵詞：時序;植被指數(shù);水稻;估產(chǎn)模型

中圖分類號 S511 文獻(xiàn)標(biāo)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(jīng)濟(jì)發(fā)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(tǒng)水稻估產(chǎn)難以滿足現(xiàn)代農(nóng)業(yè)水稻估產(chǎn)中對稻田信息全面、實(shí)時、快速的獲取[2]。遙感技術(shù)恰恰解決了這一難題，提高了監(jiān)測的時效性、準(zhǔn)確性及普適性，現(xiàn)已被廣泛用于農(nóng)業(yè)資源調(diào)查、農(nóng)情長勢監(jiān)測、產(chǎn)量與品質(zhì)預(yù)測等領(lǐng)域中[3]。近20年來，時序遙感技術(shù)引起了國內(nèi)外學(xué)者的關(guān)注，在作物全過程監(jiān)測預(yù)測中，針對植被指數(shù)的遙感估產(chǎn)領(lǐng)域占有重要地位[4]。植被指數(shù)是將遙感地物光譜資料經(jīng)數(shù)學(xué)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(wèi)星（簡稱GF-1）是衛(wèi)星數(shù)據(jù)中應(yīng)用最廣泛的數(shù)據(jù)源之一，被廣泛用于作物估產(chǎn)研究中[6-8]。劉雅清等[6]基于GF-1/WFV時序數(shù)據(jù)結(jié)合NDVI與NDWI指數(shù)，用決策樹方法實(shí)現(xiàn)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(shù)據(jù)，構(gòu)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(shù)的飽和為代價來減少大氣影響。本研究以馬鞍山盛農(nóng)農(nóng)場GF-1/WFV多光譜數(shù)據(jù)為數(shù)據(jù)源，經(jīng)波段組合提取22種植被指數(shù)并計算其與水稻生物量相關(guān)關(guān)系，比較指數(shù)、線性、對數(shù)、多項式、乘冪模型，優(yōu)選決定系數(shù)后獲得關(guān)鍵生育期最佳估產(chǎn)模型，最終建立關(guān)鍵生育期內(nèi)的最佳植被指數(shù)與全生育期水稻產(chǎn)量的多元回歸方程，構(gòu)建全生育期水稻產(chǎn)量遙感估算模型。

1 材料與方法

1.1 研究區(qū)概況與供試材料 盛農(nóng)農(nóng)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(fēng)氣候，年均溫16.1℃，年降水量1060.7mm。研究區(qū)內(nèi)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(zhèn)糯19。

1.2 數(shù)據(jù)獲取與處理 對比Landsat-8和GF-1的傳感器特性，結(jié)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(shù)據(jù)。在種植密度為10cm×30cm的研究區(qū)內(nèi)，選取不同品種和不同生長狀況下分布均勻的采樣點(diǎn)，共計116個，每個采樣點(diǎn)附近采集4株長勢一致的水稻植株。

1.3 研究指標(biāo) 每塊條田屬一類，116個采樣點(diǎn)計47類，取條田中采樣點(diǎn)植被指數(shù)的平均值作為該類下的植被指數(shù)，選取的植被指數(shù)見表2。

以決定系數(shù)（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(biāo)[12]。

2 結(jié)果與分析

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

2.2 關(guān)鍵生育期水稻產(chǎn)量估算模型 優(yōu)選關(guān)鍵生育期最佳植被指數(shù)，用回歸分析構(gòu)建各關(guān)鍵生育期基于最佳植被指數(shù)的產(chǎn)量模型，如表4所示。比較決定系數(shù)R2和均方根誤差RMSE，確定關(guān)鍵生育期內(nèi)的最佳模型。

2.3 關(guān)鍵生育期水稻產(chǎn)量估算模型驗(yàn)證 為驗(yàn)證估算模型的準(zhǔn)確性，將20個驗(yàn)證樣本的產(chǎn)量與實(shí)際產(chǎn)量進(jìn)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(shí)際，可以驗(yàn)證關(guān)鍵生育期內(nèi)模型選取的準(zhǔn)確性。關(guān)鍵生育期水稻產(chǎn)量反演見圖1。

2.4 全生育期的多元線性方程 因關(guān)鍵生育期最佳植被指數(shù)構(gòu)建的水稻產(chǎn)量模型，估算全生育期水稻產(chǎn)量精度較低，而為保持精度穩(wěn)定，將各時期最佳植被指數(shù)作自變量，產(chǎn)量作因變量，構(gòu)建多元線性回歸方程：

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

式中，Y為預(yù)估產(chǎn)，x為MSAVI均值，y為WDRVI均值，z為DVI均值，RMSE為256.787，決定系數(shù)為0.708，F(xiàn)檢驗(yàn)為38.138。

全生育期水稻產(chǎn)量反演見圖2。

3 小結(jié)

本研究利用22種植被指數(shù)，基于2016年GF-1號WFV衛(wèi)星影像數(shù)據(jù)，經(jīng)篩選R2和RMSE，確定關(guān)鍵生育期的3種植被指數(shù)后建立了估產(chǎn)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(jié)果可以為同類研究在選擇植被指數(shù)時提供參考，也為水稻關(guān)鍵生育期快速估產(chǎn)提供科學(xué)方法。

參考文獻(xiàn)

[1]孫利.中國的種植業(yè)概要[J].地理教育，2008（01）：15.

[2]李丹.基于MODIS數(shù)據(jù)遼寧省水稻面積提取技術(shù)及估產(chǎn)模型的研究[D].沈陽：沈陽農(nóng)業(yè)大學(xué)，2016.

[3]茍喻.重慶市水稻估產(chǎn)要素及模型研究[D].重慶：西南大學(xué)，2015.

[4]趙兵杰.基于GF-1與Landsat-8的種植結(jié)構(gòu)提取與產(chǎn)量估測[D].邯鄣：河北工程大學(xué)，2019.

[5]衛(wèi)煒，吳文斌，李正國，等.時間序列植被指數(shù)重構(gòu)方法比對研究[J].中國農(nóng)業(yè)資源與區(qū)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(shù)變化特征的作物遙感分類[J].中國農(nóng)業(yè)科技導(dǎo)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(shù)據(jù)的水稻種植面積提取[J].福建農(nóng)業(yè)學(xué)報，2018，33（06）：575-580.

[10]王正興，劉闖，HUETE Alfredo.植被指數(shù)研究進(jìn)展：從AVHRR-NDVI到MODIS-EVI[J].生態(tài)學(xué)報，2003（05）：979-987.

[11]郭鈮.植被指數(shù)及其研究進(jìn)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(jī)高光譜遙感數(shù)據(jù)的冬小麥生物量估算[J].江蘇農(nóng)業(yè)學(xué)報，2020，36（05）：1154-1162.

（責(zé)編：張宏民）