基于开花期卫星遥感数据的大田小麦估产方法比较

谭昌伟，杜颖，童璐，周健，罗明，颜伟伟，陈菲



基于开花期卫星遥感数据的大田小麦估产方法比较

谭昌伟，杜颖，童璐，周健，罗明，颜伟伟，陈菲

（扬州大学江苏省作物遗传生理国家重点实验室培育点/粮食作物现代产业技术协同创新中心，江苏扬州 225009）

【目的】卫星遥感具有覆盖范围广、获取速度快、信息量大、动态性强等优势，能够及时准确地获取作物产量信息，反映作物产量空间变化趋势。遥感技术作物估产已成为现代农业生产中研究热点。通过改善遥感估产建模方法，以实现进一步提高大田作物遥感估产精度，为宏观了解不同区域作物产量形成情况及变化趋势提供直观、可靠的参考。【方法】论文结合2011—2012年江苏省大丰、兴化、姜堰、泰兴、仪征5个县区的定点观测试验，以国产卫星产品HJ-1A/1B影像为遥感数据，于小麦开花期开展大田定位观测区卫星遥感植被指数、关键生长指标与收获期单产间的定量分析。通过对产量与小麦生长指标以及植被指数进行定量关系分析，进一步增强遥感反演的机理性和重演性。将卫星遥感变量与小麦产量进行相关关系分析作为遥感估产的直接建模方法，间接建模方法则是选取与产量相关性较好的遥感变量以及与遥感变量相关性较好的主要苗情指标，利用筛选得到的敏感遥感变量，首先监测对应的小麦生长指标，结合该小麦生长指标与产量间的定量关系，进而建立间接估产模型，利用此模型进行小麦遥感间接估产。利用直接和间接建模方法，以相关性最高为原则，筛选估算产量的敏感卫星遥感变量。以2012年试验数据为建模样本，采用线性回归分析方法，分析小麦开花期苗情指标、产量与卫星遥感变量两两之间的相关性，分别构建以遥感植被指数为基础的大田小麦估产模型，与地面实测结果一起建立模型共同分析。以2011年试验数据为验证样本，选取评价指标拟合度（2）和均方根误差（）,对两类模型的估算精度进行验证和比较，以提高遥感反演的定量化水平和可信度。【结果】分别以差值植被指数（difference vegetation index，DVI）和比值植被指数（ratio vegetation index，RVI）为基础的单因子直接估产模型的均方根误差（root mean square error，）为918 kg·hm-2和1 399.5 kg·hm-2，以DVI和RVI遥感变量构建双变量估产模型的为1 036.5 kg·hm-2，以归一化植被指数（normalized difference vegetation index，NDVI）和叶片氮积累量为基础构建的间接估产模型的为805.5 kg·hm-2，说明开花期HJ-1A/1B影像估算小麦区域产量是可行的，且精度较高；经比较，以NDVI和叶片氮积累量为基础的间接估产模型精度明显高于直接估产模型，相较于DVI直接估产模型降低了112.5 kg·hm-2，相较于RVI直接估产模型降低了594 kg·hm-2，相较于双因子模型降低了231 kg·hm-2。【结论】国产卫星HJ-1A/B可以较好满足估测小麦产量要求，且利用间接方法建立作物遥感估产模型要好于直接方法，研究结果为利用遥感技术更为准确估算大田小麦产量提供了一种新的途径。

小麦；HJ-1A/1B；开花期；产量；估算模型

0 引言

【研究意义】及时、准确地估算作物产量有利于保障国家粮食安全、制定合理的粮食价格及宏观调控政策。当前作物估产方法主要包括人工实地测产法、统计测报法、气象预报法和遥感估产法等。其中，人工实地测产法精度较高，但耗时费工、成本高，难以大面积应用；统计测报法主要依靠数学方程测报产量，易受天气条件影响导致测报产量存在偏差；气象预报法在较小种植区产量预报精度高，但在大面积种植区由于地区天气差异大将导致估产精度偏低；遥感因具有覆盖范围广、获取速度快、信息量大、动态性强等优势，在作物估产、品质预报、长势监测等领域中发挥巨大的作用[1-5]。【前人研究进展】国内外众多学者在不同情况下对小麦估产研究，包括作物长势监测、产量估算、病虫害影响以及水肥影响等方面，取得一定进展[6-11]。王培娟等[12]讨论了利用BEPS模型估算小麦产量的适用性和局限性，将原先BEPS模型中两片大叶模型改造为多层-两片大叶模型。杨武德等[13]以归一化植被指数、极高温度、相对湿度为主因子建立了小麦遥感-气象-产量综合模型。陈鹏飞等[14]发现依赖HJ-1A/1B遥感影像，重建小麦NDVI时序曲线，求算其生长季最大NDVI及其变化速率，所建立估产模型是可靠的。王纯枝等[15]利用冠层温度信息近似地估计区域作物实际生长速率和产量，进而建立了遥感-作物模拟复合模型，提出了估算区域作物实际产量的方法。朱再春等[16]发现利用信息扩散方法构建的遥感估产模型稳定性和精度都明显提高，该方法能较好地模拟小麦遥感估产中归一化植被指数和产量之间的非线性关系。谭昌伟等[17-18]运用PLS算法构建多变量遥感估产模型，PLS算法模型估产的效果要好于LR和PCA算法，估算精度比LR算法分别提高了25%以上和20%以上，比PCA算法分别提高了15%以上和11%以上。刘良云等[19]利用小麦病害发生前期的卫星遥感数据建立了早期估产模型，定量计算了条锈病和白粉病的产量损失，减产幅度超过30%。王长耀等[20]开展了基于MODIS_EVI的小麦产量遥感估算研究，结果表明EVI明显比NDVI能更好与产量建立回归模型，且估算时间比美国国家统计局估算时间提前约半个月。任建强等[21]利用时序归一化植被指数（NDVI）生成的NDVI累积参数比值（HINDVI_SUM），建立HINDVI_SUM与地面实测小麦收获指数的定量关系，可实现小麦收获指数的定量反演。冯美臣等[22]利用遥感和气象数据建立模型对小麦进行单产和总产估测。李振海等[23]发现DSSAT作物模型结合遥感同化和气象预报在灌浆期能够实现区域尺度小麦产量和GPC预报。【本研究切入点】以往作物遥感估产以国外遥感数据源为主，很少使用国产遥感数据；估产模型过多使用NDVI，其他遥感植被指数使用较少；相关研究多数集中在全生育期，几乎不考虑不同生育阶段的估产效果；主要基于直接建模方法进行遥感估产。本研究在综合分析国内外相关遥感估产研究基础上，针对特定生育期，对比分析了使用遥感植被指数直接估产方法和通过反演关键生长参数间接估产方法的精度，以增强小麦卫星遥感估产的可靠性。【拟解决的关键问题】本研究利用与小麦开花期对应的国产卫星产品HJ-1A/1B影像数据，定量分析遥感植被指数、关键生长参数与收获期产量间的关系，筛选用于估产的敏感遥感植被指数，利用直接和间接模型建立方法，分别构建及验证以遥感植被指数为基础的大田小麦估产模型，并比较模型的估产精度，旨在探索一种应用于大田小麦生产的更准确的遥感估产方法和技术途径。

1 材料与方法

1.1 试验设计及数据获取

2012年选取江苏省大丰、兴化、姜堰和泰兴4个县（区）作为试验观测区，每县布设样本观测点15—18个，总计68个样本观测点，采用天宝智能手持式GPS仪获取每个样本采集点的经度、纬度和海拔等地理位置数据，调查内容主要包括小麦生育时期长势情况、品种类型、以及病虫害状况等方面。在和卫星过境时间准同步的基础上，于小麦开花期和成熟期取样，取样后及时送至实验室进行LAI（比叶重法）、地上干生物量（称重法，以下称为生物量）、SPAD（SPAD-502仪测定法）、叶片含水量（烘干前后称重法）、叶片含氮量（凯氏定氮法）和叶片氮积累量（叶片含氮量与单位土地面积上叶片干重的乘积）这些农学参数测定，成熟期产量依据考种结果计算得到。遥感数据选用2012年4月23日（开花期）过境的HJ-1A/1B影像，该试验数据作为训练样本建立估产模型。

2011年选取江苏省泰兴、姜堰和仪征3个县（区）作为试验观测区，每县布设样本观测点18—20个，总计59个样本观测点，其他与2012年试验一致。遥感数据选用2011年4月25日（开花期）过境的HJ-1A/1B影像，该试验数据作为验证样本评价估产模型。

1.2 影像数据预处理

运用ENVI5.0即遥感影像处理系统功能模块对采取的卫星数据进行初步的处理，遥感影像预处理包括辐射定标、大气校正、几何精校正等方面，在获取卫星遥感影像后，先利用江苏1﹕100 000地形图来对它进行几何粗校正，再根据利用天宝智能手持式GPS仪获取每个样本采集点的经度、纬度和海拔等地理位置数据对其进行几何精校正，同时要保证几何精校正的误差小于1个像元。最后可以根据地面定标的实测反射率数据与卫星遥感影像原始波段亮度值，利用经验线性法进行大气辐射校正[17]。

1.3 数据分析与利用

表1为本研究选用的常用卫星遥感植被指数，结合实测的GPS定位取样点，综合使用ENVI5.1和ArcGIS10.2系统提取相对应的光谱波段亮度值，并在Excel中通过波段对应的波段组合，计算出卫星遥感植被指数。利用2012年试验的遥感和农学数据，采用线性回归分析方法，分析小麦开花期苗情指标、产量与卫星遥感变量两两之间的相关性，建立遥感估产模型。利用2011年试验数据对所建立的估产模型进行评价，评价指标选取拟合度（2）和均方根误差（）[18]，并绘制出产量估算值与实测值间的1﹕1关系图。

2 结果

2.1 开花期小麦主要苗情指标间与产量间的相关性

由表2分析表明，当小麦处于开花期，LAI与叶片含氮量及生物量间的关系达到极显著水平；SPAD与叶片含氮量、叶片氮积累量及叶片含水量间的关系达到显著水平；生物量与叶片含氮量及叶片氮积累量的关系显著；产量与叶片含氮量、叶片氮积累量及LAI间的关系达到极显著水平，与生物量呈显著相关，其中产量与叶片氮积累量的相关系数为0.736，说明叶片氮积累量与产量的关系最密切。小麦的开花期主要苗情指标和产量间有较强相关性，因此，通过遥感技术监测小麦苗情指标，进而间接估算小麦产量是可行的。

表1 常用卫星遥感植被指数

B1、B2、B3和B4分别代表HJ-1A/1B影像蓝、绿、红、近红外波段的反射率。下同

B1, B2, B3 and B4 denoted spectrum reflectance of HJ-1A/1B images at blue, green, red and near infrared bands, respectively. The same as below

表2 开花期主要苗情指标间及产量间的相关性（2012年，n=68）

*和**分别表示差异达显著（＜0.05）和极显著（＜0.01）水平，n代表总样本数量。下同

*, significant at<0.05, **, significant at<0.01, n: Total samples number. The same as below

2.2 开花期小麦主要苗情指标与遥感变量间的相关性

由表3可知，叶片含氮量、叶片氮积累量、LAI和SPAD与所选的遥感变量间的相关性均达到显著或极显著水平，其中LAI与RVI的相关性最好，值为0.672，SPAD与B3的关系最好，值为0.548，叶片含氮量与NDVI的相关性最好，值为0.603，叶片氮积累量与NDVI的相关性最好，值为0.635。开花期可以分别选用遥感变量RVI、B3、NDVI和NDVI监测LAI、SPAD、叶片含氮量和叶片氮积累量，因此，结合表2分析，说明通过遥感变量监测主要苗情指标，借助主要苗情指标与产量间的显著关系能够实现间接估算小麦产量。

2.3 开花期小麦遥感变量与成熟期产量间的相关性

分析表4发现，产量与所选用的遥感变量间的关系均达到极显著水平，其中以与DVI的相关性最好，值为0.638，其次是RVI，值为0.637。说明通过敏感遥感变量直接估算小麦产量也是可行的。

表3 开花期主要苗情指标与遥感变量间的相关性（2012年，n=68）

表4 小麦产量与遥感变量间的相关性（2012年，n=68）

2.4 小麦产量直接估算模型建立

2.4.1 单因子估产模型

（1）模型建立

依据上述分析结果，以关系最显著为原则，得到小麦开花期用于直接估算产量的敏感遥感变量，并建立以敏感遥感变量为自变量的产量直接估算单因子模型（表5）。

表5 产量估算单因子模型

（2）模型可靠性检验

图1和图2分别为以DVI和RVI为自变量建立的单因子直接估产模型可靠性检验，检验指标为2和。检验后发现，由单因子直接估产模型得到的产量估测值与实测值间存在极显著关系，DVI估算模型的2为0.495，为918 kg·hm-2；RVI估算模型的2为0.56，为1 399.5 kg·hm-2，说明可以利用DVI和RVI为基础的单因子直接估产模型，于开花期直接估算小麦产量。进一步分析图1和图2发现，若单产低于4 500 kg·hm-2, 选择以DVI为基础的单因子直接估产模型更为可靠；若单产高于4 500 kg·hm-2, 选择以RVI为基础的单因子直接估产模型更为可靠。

2.4.2 双因子直接估产模型

（1）模型建立

产量的提前估算可以依据单因子表达的卫星遥感变量与产量间的相关关系。为了达到进一步提高估产模型精度的目的，选择与产量相关性最大的两个遥感变量，通过逐步线性回归分析，筛选出DVI和RVI两个遥感量，并建立以DVI和RVI为自变量的双因子直接估产模型（表6），相对单因子估产模型，相关性进一步增强，值为0.65。

（2）模型可靠性检验

前文研究表明在开花期小麦单因子遥感变量虽然能较好地估算产量，但估算值局限性较大，为了进一步提高估产模型可靠性，采用2011年试验数据对所建立的双因子直接估产模型可靠性进行验证。双因子直接估产模型可靠性检验结果如图3所示，分析发现双因子直接估产模型估算精度与DVI单因子直接估产模型较为接近；但明显好于RVI单因子直接估产模型，降低了363kg.hm-2。

表6 双因子直接估产模型

2.5 小麦产量间接估算模型建立

（1）模型建立

通过前文的研究发现，构建间接估产模型应当选取与产量相关性较好的遥感变量以及与遥感变量相关性较好的主要苗情指标。利用筛选得到的遥感变量NDVI，首先监测叶片氮积累量，结合叶片氮积累量与产量间的定量关系，进而实现建立间接估产模型（表7），利用此模型进行小麦遥感估产。

表7 间接估产模型

（2）模型可靠性检验

为体现间接估产模型的可靠性，需要对估产模型进行可靠性检验，通过利用2011年试验得到的产量实测值和利用间接估产模型推算的估算值进行定量分析，采用进行模型可靠性检验（图4）。检验后发现，利用间接估产模型推得的产量估算值与实测值间为极显著相关，且2和均比较理想，值为805.5 kg·hm-2。说明在小麦开花期结合室内叶片氮积累量测定，采用间接估产模型估算小麦产量比直接估产模型更为准确。

图4 产量间接估算模型可靠性检验

3 讨论

及时、准确、大范围小麦估产，对于小麦生产、种植规划以及保障国家粮食安全等方面具有重要的指导意义。然而产量估算任务较为复杂，同时也是一项长期的任务，需要考虑估算估产结果的可靠性[21-23]。当前作物遥感估产中，NOAA-AVHRR、EOS-MODIS等国外遥感数据源应用较广[20,33-34]，国产HJ-1A/1B应用相对较少，尽管HJ-1A/1B分辨率不高，但在作物实际生产中的应用也较为普遍[14,17-18]。以往估产模型过多使用NDVI进行直接估算产量，其他遥感植被指数使用较少；相关研究多数集中在全生育期，几乎不考虑不同生育阶段的估产效果，本研究在小麦开花期开展了基于HJ-1A/1B影像的小麦估产方法研究，涉及不同遥感植被指数，分析直接估产方法和间接估产方法的差别，目的是进一步提高小麦卫星遥感估产的可靠性，为小麦生产中及时获取产量信息提供一种新的途径。

开花期是冬小麦体内新陈代谢最旺盛的生长时期，正是小麦产量形成的关键时期，也是病虫害和气象灾害高发期，科学合理的肥水调控对防治小花退化、提高结实率以及增加穗粒数具有重要作用，因此，该期加强肥水管理及病虫害防治对增加小麦穗粒重、防止小麦后期早衰以及提高小麦产量具有重要作用。由此表明，该项研究选用开花期进行卫星遥感估产对冬小麦实际生产具有十分重要的指导意义。本研究结合前人的研究基础，阐释了小麦遥感估产模型的构建及检验过程，增强了小麦遥感估产方法的机理性和可靠性。选用叶片氮积累量作为间接估算模型使用的小麦苗情参数，与前人研究较为一致[17,34]，优点是估产结果稳定可靠，其原理是依据小麦农学特性，利用HJ-1A/1B卫星传感器收集到反映小麦属性光谱特征参量NDVI，进而应用NDVI监测出小麦叶片氮积累量，最终结合小麦产量与叶片氮积累量间的农学关系实现卫星遥感估产；本研究建立直接遥感估产模型，没有过多依赖NDVI，而是选用RVI与DVI这两个遥感变量建立双因子估产模型，该方法是以往研究未涉及的。研究所使用的样本数不一致，是因为样本筛选过程中有些损坏或差异较大的样品被丢弃所导致的。笔者利用卫星遥感技术快速高效获取大田作物生产信息，有效地解决了“点”数据观测任务重的弊端，更加有助于作物估产技术“点”数据到“面”数据转换的广泛示范。小麦产量的影响因素较多，诸如品种、栽培条件、土壤、气候因素等。建立估产模型应该加入这些影响因素，以增强遥感估产模型的时间维特性和空间维特性。由于研究只选取小麦开花期研究产量估算模型，没有和小麦其余生育时期进行比对，开花期是否为建立模型最优时期还有待验证。

4 结论

分别以DVI和RVI为基础的单因子直接估产模型的为918 kg·hm-2和1 399.5kg·hm-2，以DVI和RVI遥感变量构建的双变量估产模型的为1 036.5 kg·hm-2，以NDVI和叶片氮积累量为基础构建的间接估产模型的为805.5 kg·hm-2，经对比分析表明，利用小麦开花期的HJ-1A/1B影像提取敏感遥感变量估算收获期小麦产量是可行的，但以NDVI和叶片氮积累量为基础的间接估算模型的估算精度更为准确，比DVI直接估产模型降低了112.5 kg·hm-2，比RVI直接估产模型降低了594 kg·hm-2，比双因子模型降低了231 kg·hm-2。

References

[1] 周清波. 国内外农情遥感现状与发展趋势. 中国农业资源与区划, 2004, 25(5): 9-14.

Zhou Q B. Status and tendency for development in remote sensing of agriculture situation.,2004, 25(5): 9-14. (in Chinese)

[2] Rasmussen M S. Assessment of millet yields and production in northern Burkina Faso using integrated NDVI from the AVHRR., 1992, 13(18): 3431-3442.

[3] Rasmussen M S. Operational yield forecast using AVHRR NDVI data: Reduction of environmental and inter-annual variability., 1997, 18(5): 1059-1077.

[4] 焦险峰, 杨邦杰, 裴志远, 王飞. 基于植被指数的作物产量监测方法研究. 农业工程学报, 2005, 21(4): 104-108.

Jiao X F, Yang B J, Pei Z Y, Wang F. Monitoring crop yield using NOAA/AVHRR-based vegetation indices., 2005, 21(4): 104-108. (in Chinese)

[5] Anup K P, Chai L, Singh R P, Menas K. Crop yield estimation model for Iowa using remote sensing and surface parameters., 2006, 8(1): 26-33.

[6] Salazar L, Kogan F, Roytman L. Use of remote sensing data for estimation of winter wheat yield in the United States., 2007, 28(17): 3795-3911.

[7] Mehdi M, Ali R S, Shahrokh Z. Estimation of yield and dry matter of winter wheat using logistic model under different irrigation water regimes and nitrogen application rates., 2014, 60(12): 1661-1676.

[8] Domenikiotis C, Spiliotopoulos M, Tsiros E, Dalezios N R. Early cotton yield assessment by the use of the NOAA/AVHRR derived vegetation condition index (VCI) in Greece., 2004, 25(14): 2807-2819.

[9] Hochheim K P, Barber D G. Spring wheat yield estimation for western Canada using NOAA NDVI data., 1998, 24(1): 17-27.

[10] 任建强, 陈仲新, 唐华俊. 基于MODIS-NDVI的区域小麦遥感估产—以山东省济宁市为例. 应用生态学报, 2006, 17(12): 2371-2375.

Ren J Q, Chen Z X, Tang H J. Regional scale remote sensing- based yield estimation of winter wheat by using MODIS-NDVI data: A case study of Jining city in Shandong province.,2006, 17(12): 2371-2375. (in Chinese)

[11] 陈艳玲, 顾晓鹤, 董燕生, 胡圣武, 张秋阳, 赵静. 利用有效积温提高冬小麦估产精度的研究. 麦类作物学报, 2014, 34(8): 1130-1135.

Chen Y L, Gu X H, Dong Y S, Hu S W, Zhang Q Y, Zhao J. Prediction of winter wheat yield based on remote sensing with accumulated temperature.,2014, 34(8): 1130-1135. (in Chinese)

[12] 王培娟, 谢东辉, 张佳华, 孙睿, 陈声海, 朱启疆. BEPS模型在华北平原冬小麦估产中的应用. 农业工程学报, 2009, 25(10): 148-153.

Wang P J, Xie D H, Zhang J H, Sun R, Chen S H, Zhu Q J. Application of BEPS model in estimating winter wheat yield in North China Plain.2009, 25(10): 148-153. (in Chinese)

[13] 杨武德, 宋艳暾, 宋晓彦, 丁光伟. 基于3S和实测相结合的冬小麦估产研究. 农业工程学报, 2009, 25(2): 131-135.

Yang W D, Song Y T, Song X Y, Ding G W. Winter wheat yield estimating based on 3S integration and field measurement., 2009, 25(2): 131-135. (in Chinese)

[14] 陈鹏飞, 杨飞, 杜佳. 基于环境减灾卫星时序归一化植被指数的小麦产量估测. 农业工程学报, 2013, 29(11): 124-131.

Chen P F, Yang F, Du J. Yield forecasting for winter wheat using time series NDVI from HJ satellite.2013, 29(11): 124-131. (in Chinese)

[15] 王纯枝, 宇振荣, 辛景峰, Driessen P M, 刘云慧. 基于遥感和作物生长模型的作物产量差估测. 农业工程学报, 2005, 21(7): 84- 89.

Wang C Z, Yu Z R, Xin J F, Driessen P M, Liu Y H. Yield gap estimation by combining remote sensing and crop growth model.,2005, 21(7): 84-89. (in Chinese)

[16] 朱再春, 陈联裙, 张锦水, 潘耀忠, 朱文泉. 基于信息扩散和关键期遥感数据的冬小麦估产模型. 农业工程学报, 2011, 27(2): 187-193.

Zhu Z C, Chen L Q, Zhang J S, Pan Y Z, Zhu W Q. Winter wheat yield estimation model based on information diffusion and remote sensing data at major growth stages., 2011, 27(2): 187-193. (in Chinese)

[17] 谭昌伟, 罗明, 杨昕, 马昌, 严翔, 周健, 杜颖, 王雅楠. 运用PLS算法由HJ-1A/1B遥感影像估测区域小麦理论产量. 中国农业科学, 2015, 48(20): 4033-4041.

Tan C W, Luo M, Yang X, Ma C, Yan X, Zhou J, Du Y, Wang Y N. Remote sensing estimation of winter wheat theoretical yield on regional scale using partial least squares regression algorithm based on HJ-1A/1B images., 2015, 48(20): 4033-4041. (in Chinese)

[18] 谭昌伟, 罗明, 杨昕, 马昌, 周健, 杜颖, 王雅楠. 运用PLS算法由HJ-1A/1B遥感影像估测区域小麦实际单产. 农业工程学报, 2015, 31(15): 161-166.

Tan C W, Luo M, Yang X, Ma C, Zhou J, Du Y, Wang Y N. Remote sensing estimation of wheat practical yield on regional scale using partial least squares regression algorithm based on HJ-1A/1B images., 2015, 31(15): 161-166. (in Chinese)

[19] 刘良云, 宋晓宇, 李存军, 齐腊, 黄文江, 王纪华. 冬小麦病害与产量损失的多时相遥感监测. 农业工程学报, 2009, 25(1): 137-143.

Liu L Y, Song X Y, Li C J, Qi L, Huang W J, Wang J H. Monitoring and evaluation of the diseases of and yield winter wheat from multi-temporal remotely-sensed data., 2009, 25(1): 137-143. (in Chinese)

[20] 王长耀, 林文鹏. 基于MODIS_EVI的冬小麦产量遥感估算研究. 农业工程学报, 2005, 21(10): 90-94.

Wang C Y, Lin W P. Winter wheat yield estimation based on MODIS-EVI., 2005, 21(10): 90-94. (in Chinese)

[21] 任建强, 陈仲新, 周清波, 唐华俊. 基于时序归一化植被指数的冬小麦收获指数空间信息提取. 农业工程学报, 2010, 26(8): 160-167.

Ren J Q, Chen Z X, Zhou Q B, Tang H J. Retrieving the spatial-explicit harvest index for winter wheat from NDVI time series data., 2010, 26(8): 160-167. (in Chinese)

[22] 冯美臣, 肖璐洁, 杨武德, 丁光伟. 基于遥感数据和气象数据的水旱地小麦产量估测. 农业工程学报, 2010, 26(11): 183-188.

Feng M C, Xiao L J, Yang W D, Ding G W. Predicting grain yield of irrigation-land and dry-land winter wheat based on remote sensing data and meteorological data., 2010, 26(11): 183-188. (in Chinese)

[23] 李振海. 基于遥感数据和气象预报数据的DSSAT模型小麦产量和品质预报[D]. 杭州: 浙江大学, 2016.

Li Z H. Predicting winter wheat yield and quality by integrating of remote sensing data and the weather forecast data into the DSSAT model[D]. Hangzhou: Zhejiang University, 2016. (in Chinese)

[24] Bouman B A M. Linking physical remote sensing models with crop growth simulation models, applied for sugar beet., 1992, 13(14): 2565-2581.

[25] Serrano J, Filella I, Penuelas J. Remote sensing of biomass and yieldof winter wheat under different nitrogen supplies. Crop Science, 2000, 40(3): 723-731.

[26] Huete A R. A soil-adjusted vegetation index(SAVI). Remote Sensing of, 1988, 25(3): 259-309.

[27] Rondeaux G, Steven M D, Baret F. Optimization of soil adjustedvegetation indices. Remote Sensing of Environment, 1996, 55(2): 95-107.

[28] Schleicher T D, Bausch W C, Delgado J A, Ayers P D. Evaluation andrefinement of the nitrogen reflectance index (NRI) for site-specificfertilizer management//ASAE Annual International Meeting Report. ASAE Paper No. 01-11151. St. Joseph, MI, USA, 2001.

[29] Sims D A, Gamon J A. Relationships between leaf pigment contentand spectral reflectance across a wide range of species, leaf structuresand developmental stages. Remote Sensing of Environment, 2002, 81(2/3): 337-354.

[30] Penuelas J, Baret F, Fillella I. Semi-empirical indices to assesscarotenoids/chlorophyll a ratio from leaf spectral reflectance. Photosynthetica, 1995, 31(2): 221-230.

[31] Daughtry C S T, Walthall C L, Kim M S, Brown d e Colstoun E, McMurtrey J E. Estimating corn foliar chlorophyll content from leaf and canopy reflectance., 2000, 74(2): 229-239.

[32] Jordan C F. Derivation of leaf-area index from quality of light on theforest floor. Ecology, 1969, 50(4): 663-666.

[33] Pearson R L, Miller D L. Remote mapping of standing crop biomass forestimation of the productivity of the shortgrass prairie// Proceedings. Michigan: Ann Arbor, 1972: 1357-1381.

[34] Rasmussen M S. Operational yield forecast using AVHRR NDVI data: Reduction of environmental and inter-annual variability., 1997, 18(5): 1059-1077.

（责任编辑 杨鑫浩）

Comparison of the Methods for Predicting Wheat Yield Based on Satellite Remote Sensing Data at Anthesis

TAN ChangWei, DU Ying, TONG Lu, ZHOU Jian, LUO Ming, YAN WeiWei, CHEN Fei

(Jiangsu Key Laboratory of Crop Genetics and Physiology, Yangzhou University/Co-Innovation Center for Modern Production Technology of Grain Crops, Yangzhou 225009, Jiangsu)

【Objective】With the advantages of wide coverage, high speed, large amount of information and strong dynamics, satellite remote sensing technology can obtain crop yield timely and accurately, reflect the spatial change trend of field crop yield. The remote sensing technology has become a hot research topic in agricultural production to estimate crop yield. Through improving the method of establishing remote sensing estimation yield models, this research aims to make further efforts to improve the accuracy of predicting crop yield and provide an intuitive and reliable reference for the macro understanding of crop yield formation and changes in different regions.【Method】In this paper, based on experimental data obtained from 2011-2012 in the fixed-point observation experiment in 5 counties of Jiangsu province (Dafeng, Xinghua, Jiangyan, Taixing, Yizheng), remote sensing data of HJ-1A/1B satellite images were used to analyze the quantitative correlations between the remote sensing vegetation index, key growth index and wheat yield per unit area at anthesis in order to further enhance the mechanism and reproducibility of remote sensing inversion models. The direct model building method was used to analyze the correlation between satellite remote sensing variables and wheat yield directly. While the indirect model building methods needed to choose remote sensing variables which closely related with yield, and choose growth indices which closely related with the remote sensing variables. Firstly, the corresponding wheat growth indices were monitored by using the sensitive remote sensing variables. Then, the indirect estimation model could be established and worked for the indirect remote sensing estimation in wheat yield. Based on the remote sensing vegetation index and the highest relationship, sensitive remote sensing variables were selected to estimate wheat yield, and the wheat yield estimation model, which was built and analyzed with ground measuring results in 2012, was analyzed with the linear regression analysis method and established by using direct and indirect model building methods. Based on the evaluation indexes:Rand, the accuracy of the two models was validated and compared using the observed data in 2011 in order to increase the quantitative level and reliability of remote sensing inversion models.【Result】Single factor models based on difference vegetation index (DVI) or ratio vegetation index (RVI) extracted from HJ-1A/1B image could predict the yield directly with root mean square error () of 918 kg·hm-2and 1 399.5 kg·hm-2. A two-factor model based on DVI and RVI could predict the yield directly withof 1 036.5 kg·hm-2. Theof the indirect yield model based on normalized difference vegetation index (NDVI) and leaf nitrogen accumulation was 805.5 kg·hm-2. It was concluded that the HJ-1A/1B image at flowering stage was feasible and the precision was high. The accuracy of the indirect yield estimation model based on NDVI and leaf nitrogen accumulation was significantly higher than that of the direct estimation model. Thedecreased by 112.5 kg·hm-2, 594 kg·hm-2and 231 kg·hm-2with the comparison of DVI direct estimation model, RVI direct estimation model and two-factor model, respectively. 【Conclusion】It was confirmed that HJ-1A/B, the satellite made in China, can meet the requirement of wheat yield estimation. Compared to the direct method, it is more feasible to predict field crop yield through remote sensing model based on the indirect method. The results provide a new way to accurately estimate field wheat yield using remote sensing technology.

wheat; HJ-1A/1B; anthesis; yield; prediction models

2016-12-14；接受日期：2017-03-07

国家自然科学基金（41271415）、江苏高校优势学科建设工程（PAPD）、江苏省农业自主创新资金（CX(16)1042）、苏州市农业科技创新项目（SNG201643）、扬州市科技计划（YZ2016242）、扬州大学科技创新团队

谭昌伟，E-mail：tanwei010@126.com