農(nóng)業(yè)信息化課程論文

1、遙感技術在農(nóng)作物估產(chǎn)中的應用摘要：遙感估產(chǎn)是基于作物特有的波譜反射特征，利用遙感手段對作物產(chǎn)量進行監(jiān)測預報的一種技術，在農(nóng)業(yè)發(fā)展中具有傳統(tǒng)的統(tǒng)計方法不可比擬的優(yōu)勢，能客觀、動態(tài)、快速、精準地獲得農(nóng)作物長勢、產(chǎn)量等信息。遙感技術必須與其它工具相結合，才能更好地估產(chǎn)。本文主要研究了遙感技術在農(nóng)作物估產(chǎn)中的應用，先介紹了遙感估產(chǎn)的基本原理和方法，分析了幾種與遙感技術結合的估產(chǎn)模型的優(yōu)劣；然后以冬小麥和玉米為例，介紹了兩種遙感估產(chǎn)模型；最后，分析了現(xiàn)有遙感估產(chǎn)存在的問題和遙感估產(chǎn)的發(fā)展方向，為遙感估產(chǎn)的進一步研究提供了方向和思路。關鍵字：遙感技術，農(nóng)業(yè)，估產(chǎn)The Application of Rem

2、ote Sensing Technology in Estimating Crop YieldAbstract Estimating crop yield by remote sensing is a technology monitoring and forecasting crop yield by remote sensing based on specific spectrum characteristics of crop. It has incomparable advantages compared with traditional statistical methods in

3、the development of agriculture and it can acquire growing and yield information of crops in a object,dynamic,fast and accurate way. To estimating crop yield better, remote sensing technology must be combined with other technologies. In this paper, the application of remote sensing technology in esti

4、mating crop yield is introduced. To begin with, the basic theory and method of estimating crop yield by remote sensing are mentioned, then the merits and demerits of the estimating models integrated into remote sensing are analyzed. Finally, the existing problems and prospect are statemented, which

5、proposed direction and thoughts for next researches.Key words Remote Sensing Technology,Agriculture,Yield Estimation目 錄1引言-32遙感估產(chǎn)的原理和方法-3 2.1基本原理和方法-3 2.2遙感估產(chǎn)方法評價-3 2.3作物估產(chǎn)模型比較-43主要糧食作物估產(chǎn)模型-5 3.1冬小麥產(chǎn)量分階段預測模型-5 3.1.1技術流程-5 3.1.2合理取樣數(shù)估計和樣方布設方法-6 3.1.3估產(chǎn)方法-6 3.1.4模型分析-7 3.2玉米產(chǎn)量估算模型-8 3.2.1模型中應用的技術介紹-8

6、3.2.2處理方法-8 3.2.3信息提取-9 3.2.4模型與優(yōu)化算法-94現(xiàn)有遙感估產(chǎn)方法存在的問題和發(fā)展方向-11 4.1遙感估產(chǎn)方法存在的問題-11 4.2遙感估產(chǎn)的發(fā)展方向-115結束語-12參考文獻-131引言作物產(chǎn)量預測是農(nóng)業(yè)生產(chǎn)管理的重要內(nèi)容，也是國家制定農(nóng)業(yè)政策所不可缺少的重要農(nóng)業(yè)情報。對于農(nóng)戶及企業(yè)來說，在農(nóng)業(yè)生產(chǎn)各階段中能正確預測收成也是非常重要的，因此世界各國均投入了較大的人力、物力和財力，進行作物產(chǎn)量預測試驗研究，取得了較好的預測效果。在眾多農(nóng)作物估產(chǎn)的技術中，遙感技術具有宏觀、動態(tài)、快速、準確等優(yōu)點，可以在短時間內(nèi)連續(xù)獲取大范圍農(nóng)作物產(chǎn)量信息，是最有前景的農(nóng)作物估產(chǎn)

7、方法之一。民以食為天。隨著人口的增加、氣候的波動和可利用資源的減少，糧食安全問題一直備受關注。及時、準確地了解一個國家或一個地區(qū)的糧食產(chǎn)量和年際變化，對于在國際糧食市場中占有主動權和管理者采取有效管理措施至關重要。遙感技術可以快速、準確、動態(tài)獲取農(nóng)業(yè)所需空間信息差異參數(shù)，大大提高了統(tǒng)計業(yè)務工作效率和科技水平，無疑地對實現(xiàn)國家及時、準確地掌握糧食生產(chǎn)狀況、糧食宏觀調(diào)控和在國際農(nóng)產(chǎn)品貿(mào)易中爭取到主動權具有重要意義。2遙感估產(chǎn)的原理和方法2.1基本原理和方法 作物遙感估產(chǎn)是通過裝置于衛(wèi)星上的多波段地物光譜掃描儀，去獲取作物各生育期的光譜數(shù)據(jù)，并依此推斷作物產(chǎn)量，因此確定作物光譜特征與產(chǎn)量之間的數(shù)量關

8、系，是作物遙感估產(chǎn)的基礎。作物遙感估產(chǎn)主要包括 3個部分，第一，用遙感數(shù)據(jù)對作物進行分層；第二，用遙感數(shù)據(jù)計算作物面積；第三，用遙感數(shù)據(jù)監(jiān)測作物長勢，結合農(nóng)業(yè)、天氣氣候等資料綜合估算平均單產(chǎn)，由面積和單產(chǎn)計算出總產(chǎn)。2.2遙感估產(chǎn)方法評價 作物遙感估產(chǎn)具有快速、宏觀、經(jīng)濟和客觀等優(yōu)點，因此日益被各國所重視。目前，遙感估產(chǎn)已從試驗研究階段逐步進入實際業(yè)務使用階段。國內(nèi)外遙感估產(chǎn)的方法很多，基本可分為利用空間遙感資料（航天、航空資料）的作物估產(chǎn)和利用地面遙感資料（地面野外光譜測定）的作物估產(chǎn)，但不論哪一種方法，仍然存在以下問題： 第一，遙感不能直接感知作物產(chǎn)量，只能通過測定作物光譜反射率來感知葉面

9、積指數(shù)，但各種作物葉，面積指數(shù)與其經(jīng)濟產(chǎn)量之間并不一定都有直接的聯(lián)系。從 1977年以來，美國開始尋找反射率與產(chǎn)量的定量關系，盡管采用了多種方法探索這種關系，但一直收獲很小。國內(nèi)外進行了許多植被指數(shù)與產(chǎn)量之間關系的研究，多集中于牧草及禾本科等作物上，而那些葉面積與產(chǎn)量相關較差的作物，就很難直接用遙感方法來估產(chǎn)。因此遙感技術必須與其它工具相結合，才能更好地估產(chǎn)。 第二，純粹用遙感數(shù)據(jù)來估產(chǎn)，也只能稱為監(jiān)測產(chǎn)量，更確切地說是監(jiān)測作物葉面積或長勢，因此大多數(shù)遙感估產(chǎn)方法是把植被指數(shù)與天氣氣候條件相結合，利用統(tǒng)計方法建立一個綜合的估產(chǎn)模型。在一個農(nóng)業(yè)氣象產(chǎn)量數(shù)值模擬模式中所能考慮的影響作物產(chǎn)量的因素是

10、很多的，如光合作用、呼吸作用、蒸騰作用等等，但其中最主要的因素是光合作用。 一般表示作物光合作用能力大小主要有葉面積指數(shù) LAI和光合有效輻射吸收量APAR等。因此，通過遙感資料來導出 LAI和APAR，并將它們輸入模擬模式，是衛(wèi)星遙感預測產(chǎn)量的方法途徑之一。本文第二章第三節(jié)中對各種作物估產(chǎn)的指標模型進行了探討，認為通過計算農(nóng)作物的凈第一性生產(chǎn)力，實現(xiàn)大范圍農(nóng)作物產(chǎn)量估算和預報較為合適。2.3作物估產(chǎn)模型比較 目前，作物估產(chǎn)的方法有抽樣調(diào)查、氣象模型、遙感估產(chǎn)、作物生長模擬模型等多種。其中抽樣調(diào)查與氣象模型估產(chǎn)，方法相對成熟、穩(wěn)定，已業(yè)務應用多年，由于是統(tǒng)計模型，估產(chǎn)結果仍有相當?shù)牟淮_定性。人

11、類的認識不會永遠停留在一個水平上，總是要不斷創(chuàng)新，做到有所發(fā)展，有所前進，因此機理性大面積估產(chǎn)模型應運而生。 由于農(nóng)作物的葉面積指數(shù)（LAI，leaf area index）是決定作物光合作用速率的重要因子，LAI 越高，單位面積的作物穗數(shù)就越多作物截獲的光合有效輻射就越大1，因此，很多學者利用各種植被指數(shù)，例如 SR（simple ratio）、NDVI（normalized difference vegetation index）、TCI（temperature condition index）、VCI（vegetation condition index）等，與作物的LAI和生物量的正相

12、關關系，建立植被指數(shù)與作物產(chǎn)量的線性或非線性估算模型2-3，從而實現(xiàn)對農(nóng)作物產(chǎn)量的估算和預報。然而，這種建立在植被指數(shù)與作物生物量關系基礎上的統(tǒng)計模型，當研究區(qū)改變時，模型的形式也會隨之改變，模型的適用性就要重新被檢驗。隨著人們對農(nóng)作物產(chǎn)量遙感估算認識的不斷深入，眾多學者又采用作物的凈第一性生產(chǎn)力（NPP，net primary productivity）來估算農(nóng)作物的產(chǎn)量。在對 NPP 進行模擬時，大多采用光能利用率模型。然而，這類方法仍然不能跳出統(tǒng)計模型的框架，并沒有從機理上解釋植被生產(chǎn)力的變化機制。因此，近年來一些學者試圖從機理上研究農(nóng)作物的生產(chǎn)力。鄔定榮、馬玉平、謝文霞等利用荷蘭瓦赫寧

13、根大學開發(fā)的WOFOST模型對華北平原冬小麥和浙江水稻的生長過程進行適用性研究，并對模擬結果進行了驗證，認為經(jīng)過區(qū)域化后的WOFOST 模型能夠很好地模擬作物的生長過程；但是該模型在對農(nóng)作物的光合作用過程進行模擬時，模型的側重點在于對作物生長過程的模擬，對作物產(chǎn)量的估算沒有做詳盡的討論；馮險峰利用北部生態(tài)系統(tǒng)生產(chǎn)力模擬（BEPS，boreal ecosystem productivity simulator）模型模擬得到了全國陸地生態(tài)系統(tǒng)的NPP，并分析了不同土地覆被類型之間NNP的差異，但是模擬得到的農(nóng)田生態(tài)系統(tǒng)的 NPP 還是建立在森林生態(tài)系統(tǒng)的基礎之上，而且也沒有把NNP進一步推算到農(nóng)作

14、物的產(chǎn)量上；于強等將作物冠層按 LAI 劃分為若干層次，該模型對冠層光合作用的理論研究、作物生長的數(shù)學模擬等有一定的意義，但是該方法僅是停留在理論模擬階段，還沒有將其付諸于大范圍的應用。并且，該方法也沒有進一步發(fā)展，以最終得到作物的產(chǎn)量。因此，從理論上尋求一種基于作物光合作用機理的農(nóng)作物產(chǎn)量估算模型，走出各式各樣統(tǒng)計模型的框架4，成為農(nóng)業(yè)估產(chǎn)領域的研究焦點。 隨著人們對作物產(chǎn)量形成機理探討的深入，將農(nóng)作物光合和呼吸作用的過程模型和衛(wèi)星遙感相結合，通過計算農(nóng)作物的凈第一性生產(chǎn)力，實現(xiàn)大范圍農(nóng)作物產(chǎn)量估算和預報，已經(jīng)成為一種可能。3主要糧食作物估產(chǎn)模型3.1冬小麥產(chǎn)量分階段預測模型 關于作物產(chǎn)量遙

15、感監(jiān)測預報，早期的研究大多是在分析光譜信息與作物長勢或產(chǎn)量形成關系的基礎上通過統(tǒng)計預報等途徑建立回歸模型而進行的。但由于作物每一生長時段內(nèi)周圍環(huán)境的可變性，只通過作物某一生長階段的瞬時信息預測成熟期產(chǎn)量會出現(xiàn)很大偏差，因此綜合作物生長過程的估產(chǎn)算法應運而生。 農(nóng)業(yè)部遙感應用中心建立的全國農(nóng)作物遙感監(jiān)測業(yè)務化運行系統(tǒng)中，作物產(chǎn)量預測采用的農(nóng)業(yè)遙感估產(chǎn)法主要是以作物面積提取和單產(chǎn)模型預測為基礎，結合土壤水分狀況評價和作物長勢分析，進而對作物產(chǎn)量進行綜合預測和預報。其對農(nóng)作物單產(chǎn)預測的時效性和精確度要求較高，需要在作物生長的不同階段及時獲得作物生長動態(tài)及產(chǎn)量信息，從而實時調(diào)整作物生產(chǎn)預報情報，以便更

16、好地為上級管理部門提供決策支持信息，進而為我國農(nóng)業(yè)遙感監(jiān)測產(chǎn)量提供預警服務。3.1.1技術流程 農(nóng)作物產(chǎn)量由農(nóng)作物生長狀況決定，農(nóng)作物生長狀況主要受到其內(nèi)在遺傳因子和外在環(huán)境條件的雙重影響。其中遺傳因子的影響作用主要通過其產(chǎn)量構成因子即穗數(shù)、粒數(shù)和粒質(zhì)量進行外部表達，同時受到外在環(huán)境條件如土壤狀況、氣象條件和管理措施的綜合作用。很早就有研究人員提出可以利用產(chǎn)量構成因子來解釋遺傳和環(huán)境因子如何在作物發(fā)育的不同階段影響作物收獲產(chǎn)量，隨著對生殖生長量化理解的深入，發(fā)現(xiàn)利用三因子模型來模擬和預測籽粒產(chǎn)量及其構成方面是有用的。因此，在對傳統(tǒng)農(nóng)學產(chǎn)量測定方法改進的基礎上，根據(jù)農(nóng)業(yè)部冬小麥遙感監(jiān)測時間表，分

17、別在冬小麥生長的抽穗期(前期)、灌漿期(中期)、收獲期(后期)進行數(shù)據(jù)的取樣和測定，以滿足農(nóng)作物遙感監(jiān)測不同時效的預警需求，流程如下圖所示：3.1.2合理取樣數(shù)估計和樣方布設方法采用常用的Cochran針對區(qū)域純隨機取樣而構造的合理取樣數(shù)量計算公式：式中n:最佳取樣數(shù)量 t:與顯著性水平相對應的標準正態(tài)偏差 Rstd :樣本標準差 d:樣本平均值與相對誤差的乘積， 由于隨機變量總體標準差未知，只能用樣本方差來代替。根據(jù)產(chǎn)量調(diào)查資料，計算得到該縣冬小麥產(chǎn)量估測的合理取樣數(shù)量。 由于產(chǎn)量的區(qū)域平均變化率常小于田塊尺度的變化率，所以為了減小誤差，要求所有樣方點盡量均勻分布，并且在同一田塊內(nèi)采用3點斜

18、線取樣法進行重復取樣，每個樣方點都用GPS逐一定位。 在冬小麥生長的3個主要階段即抽穗期、灌漿期和收獲期，對冬小麥的平均行距及1m2樣方內(nèi)的有效穗數(shù)、穗粒數(shù)和千粒質(zhì)量進行實地調(diào)查，同時記錄農(nóng)戶聯(lián)系信息和相關管理信息。根據(jù)實際抽測產(chǎn)量值劃分產(chǎn)量水平等級，確定權重，求得估測產(chǎn)量；待完全收獲后，調(diào)查農(nóng)戶收獲產(chǎn)量，以便驗證。3.1.3估產(chǎn)方法 以玉冬小麥為試驗材料，以冬小麥產(chǎn)量構成三因子即單位面積有效穗數(shù)(以下簡稱穗數(shù))、穗粒數(shù)、千粒質(zhì)量為研究對象，采用隨機抽樣和重復抽樣的方法進行樣點布設。傳統(tǒng)農(nóng)學產(chǎn)量預測模型為：式中Y：理論單產(chǎn)值，kshm2 x1：穗數(shù) x2：穗粒數(shù) x3千粒質(zhì)量，g f:去除收獲

19、和晾曬損耗的實收產(chǎn)量系數(shù)，一般取0.85 由于產(chǎn)量構成因子之一的畝穗數(shù)在作物生育中期就可獲得，那么在假設后期作物不會受到明顯的氣象災害或病蟲害的影響下，利用單因子預產(chǎn)模型可以提前預測冬小麥產(chǎn)量。給出單因子預產(chǎn)模型的定義：利用實測作物的單位面積(666.7 m2)莖數(shù)結合作物管理水平、葉面積系數(shù)和當年的氣象條件，按莖數(shù)的80一95成穗(根據(jù)經(jīng)驗和當?shù)厣a(chǎn)條件，若作物種植密度過大，單位面積穗數(shù)超過60萬以上，需要考慮穗粒數(shù)和千粒質(zhì)量的遞減因素，結合品種特性做系數(shù)調(diào)整)，進行量綱換算后，得到估測產(chǎn)量值的一種方法。關于土、氣、肥、水的配合說明如下：一般的地力要求，土壤有機質(zhì)含量在1以上，全氮0 1，有

20、效磷2.5-4.9 gm2，酌施鉀肥和微肥。葉面積系數(shù)要求苗期為0.81.2，拔節(jié)期為3.0左右，抽穗期5.06.0；土壤含水率保持在田間持水率的60左右為宜。將傳統(tǒng)的作物單產(chǎn)預測模型改造為單因子預產(chǎn)模型:式中a:經(jīng)驗系數(shù)同理，雙因子預產(chǎn)模型是指在冬小麥生長中期(灌漿期乳熟期)，假設當年冬小麥千粒質(zhì)量為常年千粒質(zhì)量，只需實地測定冬小麥的穗數(shù)和穗粒數(shù)，再與常年千粒質(zhì)量相乘。經(jīng)過系數(shù)訂正后即可得到冬小麥的雙因子預產(chǎn)值。雙因子預測模型為:式中b常年千粒質(zhì)量，g雙因子預產(chǎn)模型是在假設冬小麥千粒質(zhì)量與常年千粒質(zhì)量相同的條件下進行的。千粒質(zhì)量作為常數(shù)值出現(xiàn)，考慮到多種因素會對常年千粒質(zhì)量產(chǎn)生影響，此處建議

21、采用近5年調(diào)查千粒質(zhì)量的平均值作為常年千粒質(zhì)量。3.1.4模型分析 單因子預產(chǎn)模型的應用最好選擇在作物單位面積穗數(shù)基本穩(wěn)定不變的時期進行。所以利用單因子預產(chǎn)模型，適宜在農(nóng)戶對冬小麥進行水肥管理措施實施后進行，根據(jù)試驗經(jīng)驗，一般選擇在抽穗中后期為宜，從而可以將產(chǎn)量預報的時間提前。 雙因子預產(chǎn)模型適合在作物穗粒數(shù)基本穩(wěn)定的階段進行，穗粒數(shù)主要由小穗(碼)數(shù)和小穗粒數(shù)決定。因此，最佳應用雙因子預產(chǎn)模型的時間應該在灌漿期后期，此時籽粒退化數(shù)基本穩(wěn)定，有利于穗粒數(shù)的測量。 應用上述方法時，要結合當?shù)刈魑锏膶嶋H農(nóng)時歷進行，同時需要提前對作物的生長特性、作物管理水平、常年產(chǎn)量狀況以及當年的氣象狀況有適度的了

22、解，在作物生長不同階段的氣象災害或病蟲害均可能對產(chǎn)量產(chǎn)生影響，應密切關注。3.2玉米產(chǎn)量估算模型3.2.1模型中應用的技術介紹 目前，作物生長模型，如CERES-Maize（crop environment resource synthesis-Maize）模型，已經(jīng)在農(nóng)作物生長評估、精準農(nóng)業(yè)、農(nóng)田管理決策、氣候變化影響等領域得到了廣泛地應用。 遙感信息與作物生長模型集成的方法分為驅(qū)動法和同化法。其中，同化法受到了更多的關注。在同化過程中可以同化遙感反演值，也可以直接同化光譜反射率，而在同化后者時，植被冠層反射率模型，如SAIL模型（scattering by arbitrarily incl

23、ined leaves），需要與作物生長模型相耦合。目前，中分辨率成像光譜儀（moderate resolution imaging spectroradiometer, MODIS）數(shù)據(jù)作為主要的遙感數(shù)據(jù)源被廣泛應用于區(qū)域農(nóng)作物長勢監(jiān)測和產(chǎn)量估算研究。不過在農(nóng)田地塊較小、分布較為零散、破碎化程度較高的區(qū)域，很難保證 MODIS 像元是純像元，此時需要結合更高空間分辨率的遙感影像進行數(shù)據(jù)同化研究。以往的同化估產(chǎn)研究往往只針對某一年的遙感數(shù)據(jù)估算農(nóng)作物的單位產(chǎn)量，缺乏分析遙感數(shù)據(jù)和同化算法在年內(nèi)作物產(chǎn)量及年際間產(chǎn)量差估測中的作用。3.2.2處理方法 以 2013、2014和2015年3個玉米生長

24、季為研究時段，提出了基于多時相 MODIS和TM觀測數(shù)據(jù)的區(qū)域玉米產(chǎn)量同化估算方案。 將TM、MODIS和土地利用圖進行空間配準，對土地利用圖與MODIS數(shù)據(jù)進行疊加，判斷MODIS像元中旱地作物所占的比例。利用MODIS數(shù)據(jù)分別在像元和亞像元尺度提取玉米作物種植面積和空間分布，結合可用的TM遙感觀測，提取 MODIS 像元和亞像元尺度的玉米冠層反射率信息，構成時間序列遙感觀測數(shù)據(jù)集。 將氣象數(shù)據(jù)、土壤數(shù)據(jù)、田間觀測和玉米品種遺傳參數(shù)作為模型輸入?yún)?shù)，驅(qū)動 CERES-Maize 模型，模擬玉米的生長發(fā)育進程。為了將遙感觀測到的玉米生長期間作物冠層方向反射波譜的時間序列變化信息用于區(qū)域玉米產(chǎn)量

25、估算，采用遙感數(shù)據(jù)和作物生長模型同化的方法，通過葉面積指數(shù)（leaf area index，LAI）將作物生長模型CERES-Maize與冠層反射率模型 SAIL 相耦合，利用耦合模型模擬得到遙感觀測時的冠層反射率。通過對CERES-Maize 和 SAIL 模型參數(shù)的敏感性分析確定待優(yōu)化參數(shù)。針對玉米作物所在的 MODIS 像元和亞像元，利用時間序列遙感觀測反射率和 SCE-UA 算法（shuffled complex evolution method developed at the University of Arizona）優(yōu)化模型的待優(yōu)化參數(shù)，得到參數(shù)的最優(yōu)估計值，進而估算 2013

26、、2014 和 2015 年玉米產(chǎn)量，結合玉米產(chǎn)量統(tǒng)計數(shù)據(jù)對同化估產(chǎn)結果進行驗證。在此基礎上，通過比較年際間及年內(nèi)產(chǎn)量的時空變化，進一步探討利用時間序列遙感信息與同化方法估算作物產(chǎn)量的能力，分析時間序列遙感數(shù)據(jù)在年內(nèi)產(chǎn)量及年際間產(chǎn)量差估測過程中的作用。3.2.3信息提取 隨著玉米作物的生長，LAI 逐漸增大，且在玉米吐絲期達到最大，隨后LAI呈逐漸減小的趨勢。提取 2013、2014和2015年 DOY169、177、185、193、201、209、217、225、233、241共10次旱地作物覆蓋的NBAR（nadir BRDF-adjusted reflectance）像元及亞像元的紅光和

27、近紅外波段反射率，計算比值植被指數(shù)（ratio vegetation index，RVI）。RVI的計算公式為： 式中：NIR代表遙感近紅外波段反射率，R代表紅光波段反射率。 考慮到某些日期受天氣等因素影響，難免存在質(zhì)量不好的像元，導致時間序列 RVI 存在波動現(xiàn)象，利用S-G濾波（Savitzky-Golay）9對 RVI 進行平滑，得到 RVI 時間序列變化廓線。對玉米作物覆蓋的像元（或亞像元）而言，時間序列 RVI 應該遵循玉米 LAI 的變化規(guī)律。旱地作物中玉米占相當大的比例，其吐絲期一般在 7 月下旬左右，因此，玉米作物覆蓋的像元（或亞像元）RVI 應該也在 7 月下旬左右達到最大。

28、如果旱地純像元（或亞像元）RVI 遵從這一規(guī)律，則視為玉米覆蓋的像元（或亞像元）。統(tǒng)計三年玉米覆蓋的 MODIS 像元數(shù)、含有玉米信息的 MODIS 混合像元。利用MODIS數(shù)據(jù)估算的三年玉米種植面積和統(tǒng)計面積之間的相對誤差，若其誤差在 10%以內(nèi)，說明了利用本文建議的方法估算玉米種植面積是可行的。3.2.4模型與優(yōu)化算法 CERES-Maize模型源自農(nóng)業(yè)技術推廣決策支持系統(tǒng)，是經(jīng)過大量試驗資料驗證過的、動態(tài)的、機理性強的玉米作物生長模型，可以模擬土壤水分平衡、氮素平衡、物候發(fā)育和作物生長過程等。驅(qū)動CERES-Maize模型需要氣象數(shù)據(jù)、土壤數(shù)據(jù)、作物管理數(shù)據(jù)和品種遺傳參數(shù)。模型中氣象數(shù)據(jù)

29、包括日太陽輻射、日最高氣溫、日最低氣溫和日降水量，其中溫度和降水數(shù)據(jù)來自于氣象站點，太陽輻射由日照時數(shù)通過埃斯屈朗公式轉換得到；土壤性質(zhì)數(shù)據(jù)包括田間持水量、土壤容重、有機碳含量、土壤粒徑百分比等描述土壤水文和化學的參數(shù)，將CERES-Maize 模型應用到區(qū)域尺度，需要對其進行區(qū)域校準，即對特定地區(qū)確定代表性品種的過程。目前大多數(shù)研究主要基于大量的地面觀測數(shù)據(jù)，利用試錯法校準作物生長模型。在區(qū)域尺度且地面觀測數(shù)據(jù)較少的情況下，不適于應用試錯法。考慮到一定地理范圍內(nèi)，受溫度和日照條件影響，同種作物的種植習慣及生長發(fā)育過程均固定在一定時間段內(nèi)。在CERES-Maize模型中，品種遺傳參數(shù)幼苗期生長

30、特性參數(shù)、光周期敏感參數(shù)、灌漿期特性參數(shù)和出葉間隔特性參數(shù)決定了玉米的生育時期，單株最大籽粒數(shù)和潛在灌漿速率參數(shù)僅影響作物產(chǎn)量。選擇某年為基準年，將種植日期、幼苗期生長特性參數(shù)、光周期敏感參數(shù)、灌漿期特性參數(shù)和出葉間隔特性參數(shù)分別在各自取值區(qū)間內(nèi)均勻采樣10000次，然后將不同的參數(shù)采樣組合代入CERES-Maize模型進行模擬，判斷落入到玉米合理生育時期的采樣組合，經(jīng)過反復試驗，確定出滿足榆樹市玉米生育時期的遺傳參數(shù)取值范圍。將主推玉米品種最大籽粒數(shù)的平均值作為CERES-Maize 模型中單株最大籽粒數(shù)的取值，結合該年地面實測產(chǎn)量數(shù)據(jù)，在幼苗期生長特性參數(shù)、光周期敏感參數(shù)、灌漿期特性參數(shù)和

31、PHINT取區(qū)間中值、單株最大籽粒數(shù)固定的情況下，模擬玉米產(chǎn)量，然后和地面實測產(chǎn)量相比較，當模擬和實測產(chǎn)量基本吻合時，潛在灌漿速率參數(shù)的取值作為該參數(shù)的校準值8。 SCE-UA 算法是在控制隨機搜索方法和遺傳算法基礎上發(fā)展起來的，此外還引入了復雜形分割與混合的思想，通過采用競爭演化和復合型混合的概念，繼承了全局搜索和復合型演化的特性。SCE-UA 算法靈活、應用面廣泛，不拘泥于具體問題，對非線性優(yōu)化問題能夠獲得準確的優(yōu)化結果。代價函數(shù)的表達式如下： 式中，J(x)為要求解的代價函數(shù)，向量x代表待優(yōu)化參數(shù)的取值；向量xb代表待優(yōu)化參數(shù)的數(shù)學期望值；B為向量x的誤差協(xié)方差矩陣；i為遙感觀測的次數(shù)；

32、n為經(jīng)質(zhì)量控制后的總遙感觀測次數(shù)；向量yi 為第i次遙感觀測紅光和近紅外反射率數(shù)據(jù)，無量綱；Ri為向量yi的誤差協(xié)方差矩陣；LAIi為CERES-Maize 模型模擬的第i次遙感觀測時刻的LAI,m 2 /m 2；H(·)為SAIL模型；上標T表示矩陣的轉置。 待優(yōu)化參數(shù)包括種植日期、種植密度、光周期敏感參數(shù)、葉片紅光和近紅外波段反射率。其中，種植日期和種植密度的標準差根據(jù)當?shù)赜衩追N植情況及實地調(diào)查情況確定；光周期敏感參數(shù)的標準差根據(jù)CERES-Maize模型區(qū)域校準及模擬情況給定；葉片紅光和近紅外波段反射率的標準差主要參考實地測量及中國典型地物波譜數(shù)據(jù)庫中玉米組分波譜設定；遙感觀測

33、反射率的誤差主要根據(jù)文獻9-10設定；B和Ri均設為對角陣。選用SCE-UA優(yōu)化算法求解式，優(yōu)化成功后與最小代價函數(shù)值對應的種植日期、種植密度、光周期敏感參數(shù)、葉片紅光和近紅外波段反射率等 5 個參數(shù)取值稱為“最優(yōu)值”。將種植日期、種植密度和光周期敏感參數(shù)的“最優(yōu)值”，連同其他輸入?yún)?shù)一起輸入到CERES-Maize模型，模擬得到數(shù)據(jù)同化后的產(chǎn)量結果。4現(xiàn)有遙感估產(chǎn)方法存在的問題和發(fā)展方向4.1遙感估產(chǎn)方法存在的問題 在政府部門的大力支持和眾多學者的努力下，我國的作物遙感估產(chǎn)方法雖然建立了較好的理論與技術體系，取得了一定的研究與應用成果,但與發(fā)達國家相比,在應用的深度與廣度上仍存在很大差距。

34、首先是遙感數(shù)據(jù)源的選取和精度的控制方面?，F(xiàn)在用來進行估產(chǎn)的遙感影像主要有:NOAA/AVHRR、EOS/MODIS以及Landsat/TM影像等。高的遙感估產(chǎn)精度需要有高的空間分辨率，時間分辨率和光譜分辨率信息源的保障。由于受估產(chǎn)成本的限制，一般大范圍農(nóng)作物遙感估產(chǎn)多采用廉價的衛(wèi)星數(shù)據(jù)，如NOAA/AVHRR、EOS/MODIS等資料。時間分辨率雖然很高，但相對的空間分辨率比較差,很難準確提取農(nóng)作物的分布和面積信息。小范圍的農(nóng)作物遙感估產(chǎn)若采用價格較昂貴的衛(wèi)星資料，如SPOT影像，空間上精度提高了，時間分辨率卻降低了，不能對小麥等作物進行連續(xù)的觀測監(jiān)測，最終還是會影響估產(chǎn)精度。 其次，絕大部分

35、作物遙感估產(chǎn)模型在小區(qū)試驗中都能取得較高的精度，但其大面積估產(chǎn)時不能滿足專業(yè)化要求。究其原因，這些遙感估產(chǎn)模型多是依據(jù)植被指數(shù)與農(nóng)學參數(shù)間的相關性而建立的回歸模型，具有很強的經(jīng)驗性，普適性較差。今后在作物遙感估產(chǎn)模型構建中，應考慮模型的機理性與普適性，以增強估產(chǎn)模型在區(qū)域間或年份間的通用性。 另外，缺乏可面向?qū)嶋H應用的遙感估產(chǎn)信息系統(tǒng)。遙感估產(chǎn)信息系統(tǒng)是對作物的整個生長過程進行系統(tǒng)監(jiān)測和管理，利用程序語言工具，將遙感數(shù)據(jù)、地形數(shù)據(jù)、氣象數(shù)據(jù)、品種資源數(shù)據(jù)和社會經(jīng)濟數(shù)據(jù)進行綜合集成，可以實現(xiàn)數(shù)據(jù)管理、信息查詢、長勢分析、產(chǎn)量估測以及決策服務等功能的計算機信息管理系統(tǒng)。近年來，在作物遙感監(jiān)測信息系

36、統(tǒng)研制與開發(fā)方面取得一些進展，但不太成熟。4.2遙感估產(chǎn)的發(fā)展方向 準確、迅速、全面的信息交流將是數(shù)字農(nóng)業(yè)發(fā)展的必然趨勢。將遙感技術和其他信息技術集成，建立面向農(nóng)業(yè)生產(chǎn)的農(nóng)作物估產(chǎn)信息系統(tǒng)，可以為糧食部門或農(nóng)業(yè)生產(chǎn)管理者提供信息化、智能化的農(nóng)情決策服務。 針對農(nóng)作物遙感估產(chǎn)的研究現(xiàn)狀和存在的一些問題，在遙感技術和相關信息技術的發(fā)展基礎上，應加快農(nóng)作物感估產(chǎn)的信息化集成應用的步伐，在以下幾個方面開展研究：第一，利用現(xiàn)有的數(shù)據(jù)源提高估產(chǎn)精度；第二，利用數(shù)據(jù)反演綜合氣候環(huán)境因子進行農(nóng)作物遙感估產(chǎn)；第三，極端氣候條件下的產(chǎn)量評估；第四，開展遙感估產(chǎn)技術的信息化集成研究，提供專業(yè)化服務。5結束語 遙感估產(chǎn)模型的構建是農(nóng)作物遙感估產(chǎn)的核心問題。構建農(nóng)作物遙感估產(chǎn)模型時，獲取遙感信息作為輸入變量，直接或者間接表達作物生長發(fā)育形成過程的影響因素