遥感植被指数和CASA模型估算山东省冬小麦单产

引用本文

张莎, 白雲, 刘琦, 童德明, 徐振田, 赵娜, 王兆雪, 王霄鹏, 李咏沙, 张佳华. 遥感植被指数和CASA模型估算山东省冬小麦单产[J]. 光谱学与光谱分析, 2021,41(1): 257-264.
ZHANG Sha, BAI Yun, LIU Qi, TONG De-ming, XU Zhen-tian, ZHAO Na, WANG Zhao-xue, WANG Xiao-peng, LI Yong-sha, ZHANG Jia-hua. Estimations of Winter Wheat Yields in Shandong Province Based on Remote Sensed Vegetation Indices Data and CASA Model[J]. Spectroscopy and Spectral Analysis, 2021,41(1): 257-264.
Doi:10.3964/j.issn.1000-0593(2021)01-0257-08 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

遥感植被指数和CASA模型估算山东省冬小麦单产

张莎^1,², 白雲^2,^*, 刘琦², 童德明², 徐振田², 赵娜², 王兆雪², 王霄鹏², 李咏沙^1,², 张佳华^3,⁴

1.青岛大学自动化学院, 山东青岛 266071

2.青岛大学计算机科学技术学院遥感信息与数字地球研究中心, 山东青岛 266071

3.中国科学院大学地球与行星科学学院, 北京 100049

4.中国科学院空天信息创新研究院, 北京 100094

*通讯作者 e-mail: baiyun@qdu.edu.cn

作者简介: 张莎, 女, 1988年生, 青岛大学系统科学博士后 e-mail: zhangsha@qdu.edu.cn

收稿日期: 2019-11-25 修回日期: 2020-04-02

基金: 山东省重点研发计划项目(2018GNC110025)和国家自然科学基金项目(41901342)资助

摘要

准确估算区域尺度冬小麦单产对明确区域农业生产现状与保证国家粮食安全有重要意义。光能利用率模型是作物单产估算的常用模型之一, 模型中最大光能利用率( ξ_max)是准确估算作物单产的关键参数, 作物的 ξ_max是否随时间发生变化需要深入探讨。首先使用Savitzky-Golay(S-G)对中分辨率成像光谱仪(MODIS)时序植被指数数据进行滤波, 采用差分法结合光谱突变法提取了山东省2000年—2015年冬小麦种植面积, 并使用市级尺度年鉴统计面积对提取面积进行验证, 然后使用固定 ξ_max和变化 ξ_max分别驱动光能利用率模型(CASA), 结合作物收获指数与冬小麦种植面积获取山东省2000年—2016年冬小麦单产时空分布特征, 探讨最大光能利用率对作物单产模拟的影响。结果表明, 滤波后的时序植被指数数据能够反映冬小麦生长的光谱特征, 差分法与光谱突变法结合提取冬小麦面积具有较好的普适性, 提取的多年冬小麦种植面积与年鉴统计冬小麦播种面积之间的决定系数( R²)达0.71; 变化 ξ_max情景下模拟的多年冬小麦单产与统计单产之间的决定系数更高, 说明冬小麦 ξ_max是随时间变化的, 可能与冬小麦品种更替有关。基于统计与模拟的结果均显示山东省冬小麦单产在2000年—2016年间呈现增加趋势, 两者表现出来的增加速率分别为93.12和149.79 kg·hm^-2·a^-1。在空间上, 山东省冬小麦单产呈现西部高于东部的分布特征。

关键词: 时序遥感植被指数数据; 最大光能利用率; 冬小麦种植面积提取; 冬小麦单产估算; 山东省

中图分类号:S123 文献标志码:A

Estimations of Winter Wheat Yields in Shandong Province Based on Remote Sensed Vegetation Indices Data and CASA Model

ZHANG Sha^1,², BAI Yun^2,^*, LIU Qi², TONG De-ming², XU Zhen-tian², ZHAO Na², WANG Zhao-xue², WANG Xiao-peng², LI Yong-sha^1,², ZHANG Jia-hua^3,⁴

1. School of Automation, Qingdao University, Qingdao 266071, China

2. Remote Sensing Information and Digital Earth Center, College of Computer Science and Technology, Qingdao University, Qingdao 266071, China

3. College of Earth Planetary Science, University of Chinese Academy of Sciences, Beijing 100049, China

4. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China

*Corresponding author

Abstract

Accurate estimation of regional winter wheat yields is of great significance for understanding the agricultural production status and ensuring national food security. Light use efficiency (LUE) model is one of the most used models for crop yield estimation, however an important parameter, maximum light use efficiency ( ξ_max), still remains large uncertainties, and whether the crop ξ_max changes along with time is also to be explored. In this paper, Savitzky-Golay (S-G) method is used to filter the time-series moderate resolution imaging spectroradiometer (MODIS) vegetation indices data, and a quadratic difference method and a spectral mutation method are used to extract the winter wheat planted areas during 2000—2015 in Shandong Province. Then a fixed ξ_max and a changed ξ_max are used to drive the CASA (the Carnegie-Ames-Stanford approach) model for years from 2000 to 2016 respectively. Using harvest index (HI) and winter wheat planted areas, the winter wheat yield during 2000—2016 in Shandong Province are obtained, to explore the effect of ξ_max on estimating winter wheat yield. The results show that the filtered time-series vegetation indices data capture the spectral features of winter wheat during the growth stages, and the extracted method used in this paper shows a good universal property. The extracted winter wheat planted areas agree well with the planted areas from statistical yearbooks at the city level, and the determination coefficient ( R²) between those reaches 0.71, which indicates the extracted winter wheat planted areas are reliable in this paper. The R² between statistical yields and yields estimated with a changed ξ_max is 0.32, which is higher than that between statistical yields and yields estimated with a fixed ξ_max. This indicates that the ξ_max of winter wheat is changed along with time, and the varieties replacement of winter wheat may be responsible for this. Both the statistical and estimated yields of winter wheat during 2000—2016 show increasing trends with increasing rates of 93.12 and 149.79 kg·hm^-2·a^-1, respectively. The winter wheat yields in the western Shandong province are overall higher than those in the eastern study area.

Keyword: Time series remote sensed vegetation indices data; Maximum light use efficiency; Extraction of winter wheat planted areas; Winter wheat yields estimation; Shandong Province

文章图片

引言

冬小麦是世界三大粮食作物之一, 准确模拟冬小麦单产及其空间分布对保证国家粮食安全和挖掘区域可利用的农业资源具有重要意义^[1]。山东省是以农业生产为主的省份之一, 冬小麦是山东省主要的粮食作物之一, 研究山东省冬小麦单产的时空分布特征对明确区域农业生产现状及其发展变化十分重要。

光能利用率模型是估算植被生产力^{[2, 3]}和作物单产^{[4, 5]}的常用模型之一, 如光能利用率(the Carnegie-Ames-Stanford approach, CASA)模型^[3]等。该类模型具有一定的机理性, 且所需输入数据较少, 在区域尺度进行植被生产力或作物单产模拟时易于使用。但是, 目前的研究对模型中的关键参数之一, 最大光能利用率ξ _max, 仍然存在较大的争议和不确定性^{[2, 5, 6, 7]}。在使用光能利用率模型模拟作物单产时, 不同学者对作物最大光能利用率的大小也存在争议。 Lobell^[4]根据实验数据, 测量了1993年— 1994年和1999年— 2000年小麦、玉米和大豆的实际光能利用率在2.1~2.6 g· MJ^-1 PAR之间。任建强等^[5]在研究中取黄淮海平原内石家庄市、邢台市和衡水市冬小麦3-5月份的实际光能利用率为固定常数1.25 g· C· mJ^-1 PAR。由于作物实际光能利用率受作物温度、降水等影响^[6], 由此推断, 研究文献[4, 5]中冬小麦的ξ _max必高于1.25 g· C· mJ^-1 PAR。刘真真等^[8]综合分析大量国内外文献, 将河北省邯郸市南部三县冬小麦ξ _max取值为2.8 g· C· mJ^-1。有研究在两个光能利用率模型中分别设置玉米ξ _max为4.68和6.13 g· C· mJ^-1。史晓亮等^[9]根据实测数据估算了松嫩平原玉米ξ _max为3.08 g· mJ^-1。上述研究中, 通常根据植被类型或作物种类将ξ _max设置为固定常数, 然而已有研究表明同一植被类型的ξ _max也会随时间变化而变化, 比如农作物, 由于品种更替和管理措施水平的提高, 使得农作物的ξ _max得到了一定水平的提升^[9]。采用光能利用率模型模拟作物单产的模型仅模拟一年的作物单产, 可以忽略ξ _max随时间的变化。对于一年或短时间段的模拟, 这种忽略是可以接受的, 但如果使用光能利用率模型模拟长时间序列的作物单产, 就需要考虑ξ _max随时间的变化。然而目前这一方面的研究还比较缺乏。

本研究以山东省为研究区, 采用固定最大光能利用率(固定ξ _max)和随时间变化的最大光能利用率(变化ξ _max)分别驱动CASA模型模拟研究区内2000年— 2016年植被净初级生产力(net primary productivity, NPP), 结合收获指数(harvest index, HI)模拟冬小麦单产; 将两种情况下模拟得到的冬小麦单产在市级尺度上进行均值统计, 与市级尺度统计单产做相关性分析, 分析最大光能利用率对冬小麦单产估算的影响, 并进一步分析冬小麦单产的时序变化特征。

1 实验部分

1.1 数据与预处理

1.1.1 遥感植被指数数据

使用的遥感植被指数数据包括时序归一化植被指数(normalized difference vegetation index, NDVI)与增强型植被指数(enhanced vegetation index, EVI), 均使用中等分辨率成像光谱仪(moderate resolution imaging spectro-radiometer, MODIS)植被指数产品数据。 MODIS NDVI数据下载自地理空间数据云(http://www.gscloud.cn/), 是MODIS影像中国区合成数据, 时间分辨率为月, 空间分辨率为500 m, 使用2000年— 2016年间数据, 用于输入CASA模型。 MODIS EVI数据下载自Earthdata(https://search.earthdata.nasa.gov/search), 时间分辨率为16 d, 空间分辨率为1 km, 行列号为h27v05, 本文使用2000年— 2015年数据, 用于提取研究区内冬小麦空间分布。

1.1.2 土地利用数据

研究中使用了2000年— 2016年的MODIS土地利用数据, MCD12Q1产品, 其时间分辨率为年, 空间分辨率为500 m。该数据包括5种分类体系, 本文采用第一种分类体系。

工作中还使用了中国科学院资源环境科学数据中心发布的2005年、 2010年和2015年的土地利用数据, 提取其中的旱地分布, 应用于研究区内冬小麦种植面积提取。该数据空间分辨率为1 km。

1.1.3 气象数据

驱动CASA模型需要的气象数据包括: 月平均气温、月降水量和月太阳总辐射。为避免站点数据插值过程带来的不确定性, 使用ERA-Interim气象再分析资料的气温、降水和太阳总辐射数据。该数据时间分辨率为1 d, 空间分辨率为0.125° 。将日尺度气象要素数据合成为月值, 作为CASA模型的输入数据。

将使用到的遥感植被指数数据、土地利用数据和气象数据统一重采样为1 km, 以估算山东省冬小麦单产。

1.1.4 农业气象站点数据

使用了包括研究区及周围省份在内的农业气象站冬小麦播种期和成熟期数据, 构建了多元线性模型模拟冬小麦的播种期和成熟期: DoY_S=0.031P+0.072T+261.5, DoY_M=-0.009T+1.298R+119.7, 其中DoY_S和DoY_M分别表示拟合的播种期DoY(day of year)和成熟期DoY, P, T和R分别表示生育期内的降水(mm)、气温(℃)与总辐射(0.001 W· m^-2)。此外, 还使用了山东省内德州、聊城、菏泽和曹县共4个农业气象站点的多年冬小麦单产记录数据, 用于单产模拟结果的补充验证。这些数据均从中国气象数据网(http://www.nmic.cn/)获取。

1.1.5 统计年鉴数据

所使用的统计年鉴数据包括研究区内各市2000年— 2016年的冬小麦统计单产和冬小麦播种面积数据, 数据来源于2001年— 2017年山东省统计年鉴。

1.2 研究方法

技术路线如图1所示。首先使用差分法结合光谱突变法提取了研究区内冬小麦每年的种植面积分布; 其次使用CASA模型在两种模拟情景下模拟每年的植被NPP; 最后, 结合收获指数和提取的冬小麦面积, 获取2000年— 2016冬小麦单产的时空分布并进行分析。

	Figure Option View Download New Window
	图1 技术路线图Fig.1 Flowchart

1.2.1 冬小麦面积提取方法

在研究时段内, 山东省逐年冬小麦面积分布的提取方法使用了先前研究工作提出的提取流程, 以进一步验证该提取方法的普适性。提取过程中, 使用农业气象站观测播种期与成熟期和气象再分析资料获取的站点气温、降水和辐射建立多元线性回归模型, 以使用气象再分析资料模拟冬小麦播种期和成熟期的空间分布; 采用Savitzky-Golay(S-G)滤波重构时序EVI序列, 根据模拟的播种期和成熟期的空间分布, 截取每个像元在播种期至成熟期之间的重构EVI序列, 采用差分法计算截取后得到的EVI序列的峰值频数; 获取每个像元成熟期前后的EVI, 采用光谱突变法计算其在冬小麦成熟后相较于成熟前的EVI突变情况(Slope); 提取波峰个数为2和光谱下降斜率低于负0.02的像元, 并与旱地分布取交集, 获取冬小麦的空间分布。其中, 光谱突变法计算Slope的公式如式(1)

$Slope = \frac{EV I_{m + 16} - EV I_{m - 16}}{EV I_{m - 16}}$ (1)

式(1)中, EVI_m_-16和EVI_m₊₁₆分别为冬小麦成熟期前、后16 d的EVI值。

1.2.2 CASA模型简介

首先使用光能利用率模型CASA模拟山东省植被NPP, 模型的总体设计如图2所示。 CASA模型最早由Potter^[2]提出, 模型表述如式(2)— 式(4)

$NPP (x, t) = APAR (x, t) \times ξ (x, t)$ (2)

$APAR (x, t) = RSG (x, t) \times FPAR (x, t) \times 0.5$ (3)

$ξ (x, t) = T_{ξ 1} (x, t) \times T_{ξ 2} (x, t) \times W_{ξ} (x, t) \times ξ_{\max}$ (4)

其中, APAR(x, t)为像元x在t月份吸收的光合有效辐射, 单位为MJ· m^-2· mon^-1; ξ (x, t)为像元x在t月份的实际光能利用率, 单位为g· C· mJ^-1。 RSG(x, t)为太阳总辐射, 单位为MJ· m^-2· mon^-1; FPAR(x, t)表示植被对入射光合有效辐射的吸收比例, 无量纲; 0.5表示植被所能利用的光合有效辐射占太阳总辐射的比例。 T_ξ₁(x, t)和T_ξ₂(x, t)表示温度胁迫因子; W_ξ(x, t)为水分胁迫因子; ξ _max为植被最大光能利用率。 FPAR(x, t), T_ξ₁(x, t), T_ξ₂(x, t)和W_ξ(x, t)的计算可见参考文献[3]。

	Figure Option View Download New Window
	图2 CASA模型框架图Fig.2 Frame of CASA model

为探究最大光能利用率对作物单产模拟的影响, 在驱动CASA模型时, 设置了Case1和Case2两种模拟情景, 其中Case1设置ξ _max为不随时间变化的固定值2.8 g· C· mJ^-1, Case2设置ξ _max为随时间变化的序列值。参照前人研究工作, 在Case2中设定2014年冬小麦ξ _max为2.8 g· C· mJ^-1, 按ξ _max每年增加0.03 g· C· mJ^-1· a^-1的速率^[9]推算2000年— 2016年间其他年份的冬小麦最大光能利用率。

1.2.3 冬小麦单产估算、验证与分析

光能利用率模型模拟作物单产的原理如式(5)和式(6)

$Yield (x) = NP P_{sum} (x) \times T_{c} \times HI$ (5)

$NP P_{sum} (x) = \overset{5}{\sum_{t = 3}} NPP (x, t)$ (6)

其中, Yield(x)为像元x的模拟单产(kg· hm^-2); NPP_sum为冬小麦生长季内NPP的和, 根据山东省冬小麦物候特征, 取3月— 5月NPP的和^[5]; T_c为植物体内碳素转换为干物质的转换系数, 取值为2.22^[5]; HI为收获指数, 取其值为0.48, 与已有研究^[5]中的收获指数取值接近; NPP(x, t)为像元x在t月份的NPP模拟值, 单位为g· C· m^-2· mon^-1。

使用提取的冬小麦面积分布掩膜模拟结果, 获取Case1和Case2的冬小麦模拟单产, 采用年鉴统计单产数据分别对两种模拟结果进行验证, 对比验证结果, 选择精度较高的模拟结果作为研究区冬小麦单产, 分析冬小麦单产的时空特征。

2 结果与讨论

2.1 冬小麦面积提取结果

2.1.1 MODIS EVI光谱数据S-G滤波结果

在提取冬小麦种植面积时, 使用了光谱突变法和差分法, 其中的差分法对小峰极其敏感, 在使用差分法之前, 需使用S-G对原始时序MODIS EVI数据进行滤波, 以去除小峰波动对峰值频数统计的影响。图3展示了2014年— 2015年冬小麦生长季内中国科学院禹城综合试验站所在像元的EVI经S-G滤波前后的曲线。可以看出, 滤波前的光谱数据在冬小麦越冬期间存在一些小峰, 滤波后的曲线平滑掉了这些小峰, 更接近真实状况。从滤波后光谱曲线中可以看出, 冬小麦在一个生长季内有2个峰, 分别出现在第305天和次年第113天, 大约对应研究区内冬小麦的分蘖期和开花期, 与实际情况相符。还可以看出, 在第129— 161天时, 冬小麦EVI明显下降, 是由于第161天前后大约为冬小麦成熟期, 在冬小麦成熟收割后, EVI主要表现为裸地的光谱特征, 与成熟前EVI相比发生明显下降。生育期内峰值个数和成熟收割导致的光谱突降, 这两个光谱特征不受年份变化的影响, 也不因区域不同而存在差异, 具有较好的普适性, 本文也正是利用以上这两个光谱特征进行了冬小麦种植面积提取。

	Figure Option View Download New Window
	图3 MODIS EVI光谱数据滤波前后曲线, 以中国科学院禹城综合试验站为例Fig.3 MODIS EVI curves before and after S-G filter at Yucheng Comprehensive Experimental Station, Chinese Academy of Sciences

2.1.2 冬小麦面积提取结果及验证

将所提取的2000年— 2015年冬小麦按市进行汇总, 使用2000年— 2015年年鉴统计的市级冬小麦面积对其进行验证, 验证结果如图4(a)所示。由于数据质量问题, 导致提取的2012年冬小麦面积出现较大误差。剔除掉2012年17个市的提取结果与其他年份3个市的缺失值, 共剩余252个数据对。在后续分析中, 2012年使用了2011年的提取结果。从图4(a)可以看出, 本文提取的山东省2000年— 2015年冬小麦种植面积与相应的年鉴统计面积之间吻合较好, 两者之间的决定系数(R²)达0.71, 平均相对误差(RMSE)为111.03 k· hm², 提取的冬小麦种植面积大部分在90%的置信区间内。为简化文章的图表内容, 本文展示2013年仅一年的提取结果[图4(b)]。

Figure Option
View Download New Window

图4 (a)2000年— 2015年冬小麦提取结果验证与(b)2013年冬小麦种植面积分布
Area_Sta: 年鉴统计冬小麦种植面积; Area_Est: 本文提取的小麦种植面积Fig.4 (a) Validation of extracted winter wheat areas during 2000— 2015, and (b) spatial distribution of extracted winter wheat in 2013
Area_Sta: winter wheat areas from statistical yearbooks; Area_Est: the winter wheat area extracted in this paper

2.2 基于固定ξ _max与变化ξ _max的单产模拟结果验证

使用2000年— 2016年市级统计单产分别验证采用固定ξ _max和变化ξ _max模拟得到的冬小麦单产(图5)。可以看出, 在市级尺度上, 固定ξ _max模拟得到的单产与年鉴统计单产之间的决定系数为0.23, 而变化ξ _max模拟得到的单产与年鉴统计单产之间的决定系数提高到了0.32, 高于已有研究结果^{[10, 11]}。采用变化ξ _max的模拟结果优于固定ξ _max的模拟结果, 这说明在使用光能利用率模型模拟作物单产时, 对于同一种作物采用固定ξ _max会带来较大误差, 应考虑ξ _max在年际间的变化。以下均基于变化ξ _max的模拟结果进行分析。

	Figure Option View Download New Window
	图5 基于(a)固定ξ _max和(b)变化ξ _max的模拟单产与年鉴统计单产的对比 Yield_Sta: 年鉴统计单产; Yield_Est: 模型模拟单产Fig.5 Comparison between estimated and statistical yields Yield_Sta: yields from statistical yearbooks; Yield_Est: estimated yields in this paper

2.3 山东省冬小麦单产模拟结果

2.3.1 冬小麦单产时间变化特征

从图6中可以看出, 采用模型模拟得到的冬小麦单产(a)与冬小麦年鉴统计单产(b)在2000年至2016年间都表现出明显的上升趋势。不同的是, 模拟结果表现出来的上升速率(149.79 kg· hm^-2· a^-1)高于年鉴统计数据表现出来的单产上升速率(93.12 kg· hm^-2· a^-1)。模型模拟结果中, 冬小麦单产在2000年、 2002年和2004年最低, 分别为4 932.61, 4 994.39和4 943.38 kg· hm^-2, 2016年最高, 为8 168.58 kg· hm^-2, 其次为2014年, 为7 631.78 kg· hm^-2。冬小麦年鉴统计单产在2002年最低, 为4 553.55 kg· hm^-2, 在2015年最高, 为6 175 kg· hm^-2。

	Figure Option View Download New Window
	图6 (a)模型模拟与(b)年鉴统计的冬小麦单产的时间变化 Yield_Sta: 年鉴统计单产; Yield_Est: 模型模拟单产Fig.6 The change trend of winter wheat yield based on (a) estimated results in this paper and (b) statistical yield from yearbooks Yield_Sta: yields from statistical yearbooks; Yield_Est: estimated yields in this paper

2.3.2 冬小麦单产空间变化特征

2000年— 2016年山东省冬小麦单产模拟结果如图7所示。可以看出, 各年份间的单产水平存在差异, 其中2000年、 2002年、 2004年与2006年冬小麦单产比较低, 与图6(a)的结果一致。山东省在2000年春季、 2002年、 2006年发生干旱, 导致这几年冬小麦单产偏低。从空间上看, 冬小麦单产在整体上呈现出西部高于东部的特征。而在发生明显干旱的年份(2000年、 2002年和2006年), 冬小麦单产较高的区域主要集中在德州和聊城的部分地区; 在不干旱或无明显干旱发生的其他年份, 山东省冬小麦单产较高的区域主要分布在山东省东部的德州、聊城、菏泽、滨州、济南、济宁和枣庄的大部分地区。

	Figure Option View Download New Window
	图7 2000年— 2016年冬小麦单产及多年平均单产空间分布其中, 2012年冬小麦种植面积使用2011年的提取结果, 2016年冬小麦种植面积使用2015年的提取结果Fig.7 Distribution of estimated winter wheat yield in each year (a— q) and the average (r) The planted winter wheat areas in 2011 and 2015 are used to be as those in 2012 and 2016, respectively

2.4 站点尺度验证冬小麦单产模拟结果

在验证两种模拟情景的冬小麦单产模拟结果时, 使用了所提取的冬小麦种植面积掩膜模拟结果之后, 又在地级市区域尺度取平均值, 是对冬小麦单产模拟结果的区域尺度验证。为进一步验证模拟结果, 使用山东省德州、聊城、菏泽和曹县共4个农业气象站的冬小麦单产记录对两种模拟情景的模拟结果分别进行了验证。由于农业气象站多数座落在城镇或城镇与农田交界处, 导致很多站点在所提取的1 km空间分辨率的冬小麦种植面积空间分布中处于非冬小麦种植区, 因此仅使用了研究区内这4个处于冬小麦种植区的农业气象站点数据。为了降低混合像元的影响, 在提取这4个站点的单产遥感模拟结果时, 使用了窗口半径为7的圆形缓冲区, 将缓冲区范围内像元的均值作为相应站点的单产模拟值。删除掉农业气象站记录缺失或遥感提取显示无冬小麦种植的数据, 最终得到德州站点2000年— 2002年、 2005年— 2006年、 2006年、 2008年— 2010年和2012年, 聊城站点2001年、 2005年— 2010年和2012年, 菏泽站点2001年、 2005年、 2009年和2011年, 曹县站点2001年— 2010年和2013年, 共32站— 年的数据。这32站— 年的农业气象站单产记录和两种模拟情景(固定ξ _max和变化ξ _max)得到的单产之间的R²分别为0.17和0.29, 均分别低于2.2节得到的两种模拟情景下的R²(0.23和0.32), 这是由于混合像元造成的站点尺度与像元尺度不匹配, 但依然呈现出变化ξ _max模拟情景得到的R²高于固定ξ _max模拟情景得到的R², 与2.2节的结果是一致的, 进一步说明了采用变化ξ _max能有效提高CASA模型模拟作物单产的精度。

2.5 对最大光能利用率的讨论

从图6(a)和图7中可以看出, 2016年冬小麦单产明显偏高, 这是由于假设ξ _max随时间的推移而增加, 增加速率为0.03 g· C· mJ^-1· a^-1, 由此计算得到的2016年冬小麦ξ _max为2.86 g· C· mJ^-1, 该值可能高于当前条件下的冬小麦最大光能利用率。作物的最大光能利用率是作物的生理属性之一, 受基因的控制。随着作物育种技术的提高, 作物品种的更替, 作物的ξ _max也在增加。因此, 作物ξ _max会表现出随时间变化而增加的特征。但是, 作物的育种技术和最大光能利用率并非随时间线性增加, 因此使用线性关系描述冬小麦ξ _max随时间的变化存在不足, 作物最大光能利用率的时间变化特征还需要进一步探讨。

此外, 本研究仅考虑了冬小麦ξ _max的时间变化, 对整个研究区来说, 在某一年份使用的仍是一个常数值, 缺乏对冬小麦ξ _max空间差异性的考虑。由于最大光能利用率是作物的生理属性, 如果要考虑它在空间上的差异性, 则需要获取作物品种的空间分布, 而目前这一数据较难获取。在未来的工作中, 如果能够获取不同区域(如地级市)冬小麦播种的主要品种, 可以根据品种分区设定冬小麦的最大光能利用率, 以在模拟冬小麦单产时考虑最大光能利用率的空间差异性。

3 结论

采用MODIS EVI数据、 ERA气象再分析资料和农业气象站观测生育期数据, 使用差分法结合光谱突变法, 提取了山东省冬小麦种植面积; 使用MODIS NDVI数据和气温、降水与辐射数据, 采用固定ξ _max和变化ξ _max分别驱动CASA模型, 结合收获指数与提取的冬小麦种植面积, 模拟了山东省2000年— 2016年冬小麦单产, 主要结论如下:

(1)滤波后的MODIS EVI数据能够较好地反映冬小麦生育期内的光谱特征。光谱突变法与差分法结合能有效提取2000年— 2015年山东省冬小麦种植面积, 具有较好的普适性。在研究时段内, 与年鉴统计面积之间的R²达0.71, RMSE为111. 03 k· hm²。

(2)在市级统计尺度上, 使用固定ξ _max得到的模拟单产与年鉴统计单产之间的R²为0.23, 使用变化ξ _max得到的模拟单产与年鉴统计单产之间的R²提高到了0.32。使用变化最大光能利用率模拟冬小麦单产优于固定最大光能利用率的模拟结果。

(3)山东省冬小麦单产在2000年— 2016年间呈明显上升趋势, 基于统计数据的上升速率和基于模型模拟结果的上升速率分别为93.12和149.79 kg· hm^-2· a^-1。山东省冬小麦单产在空间上呈现西部高于东部的分布特征。

参考文献

文献列表

[1]	HUANG Jian-xi, WU Si-jie, LIU Xing-quan, et al(黄健熙, 武思杰, 刘兴权, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2012, 28(4): 142. [本文引用:1]
[2]	Potter C S, Rand erson J T, Field C B, et al. Global Biogeochemical Cycles, 1993, 7(4): 811. [本文引用:3]
[3]	ZHU Wen-quan, PAN Yao-zhong, ZHANG Jin-shui(朱文泉, 潘耀忠, 张锦水). Journal of Plant Ecology(植物生态学报), 2007, 31(3): 413. [本文引用:3]
[4]	Lobell D B, Asner G P, Ortiz-Monasterio J Ivan, et al. Agriculture, Ecosystems & Environment, 2002, 1944: 1. [本文引用:3]
[5]	REN Jian-qiang, CHEN Zhong-xin, TANG Hua-jun, et al(任建强, 陈仲新, 唐华俊, 等). Transaction of the Chinese Society of Agricultural Engineering(农业工程学报), 2006, 22(5): 111. [本文引用:7]
[6]	ZHU Wen-quan, PAN Yao-zhong, HE Hao, et al(朱文泉, 潘耀忠, 何浩, 等). Chinese Science Bulletin(科学通报), 2006, 51(6): 86. [本文引用:2]
[7]	PENG Shao-lin, GUO Zhi-hua, WANG Bo-sun(彭少麟, 郭志华, 王伯荪). Acta Ecologica Sinica(生态学报), 2000, 20(6): 903. [本文引用:1]
[8]	LIU Zhen-zhen, ZHANG Xi-wang, CHEN Yun-sheng, et al(刘真真, 张喜旺, 陈云生, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(4): 225. [本文引用:1]
[9]	SHI Xiao-liang, YANG Zhi-yong, WANG Xin-shuang, et al(史晓亮, 杨志勇, 王馨爽, 等). Research of Soil and Water Conservation(水土保持研究), 2017, 24(5): 385. [本文引用:3]
[10]	ZHANG Sha, ZHANG Jia-hua, BAI Yun, et al(张莎, 张佳华, 白雲, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2018, 34(11): 150. [本文引用:1]
[11]	Huang Jianxi, Tian Liyan, Liang Shunlin, et al. Agricultural and Forest Meteorology, 2015, 204: 106. [本文引用:1]

2012

0.0

HUANG

Jian-xi

, WU

Si-jie

, LIU

Xing-quan

, et al(黄健熙, 武思杰, 刘兴权, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2012, 28(4): 142.

Regional crop production prediction is a significant component of national food security assessment. Remote sensing has the advantage of acquiring soil surface and crop canopy radiation information, however it is hard to reveal the inherence mechanism of crop growth and yield formation. Crop growth models based on the crop photosynthesis, transpiration, respiration, nutrition are successfully applicable for yield forecasting in simple point scale, however, they are hampered by the deriving of regional crop key input parameters. Data assimilation method which combines crop growth model and remotely sensed data has been proved the most potential approach in regional yield estimation. Hengshui district was taken as the study area. Based on the calibration and regional of WOFOST, the WOFOST model had been used to express the characteristic of time series LAI in crop growth season. To solve the system errors of MODIS-LAI due to the mixed pixels effect, the corrected MODIS-LAI was implemented by combining the field measured LAI data and the MODIS-LAI temporal trend information. Time-series LAI was assimilated through combined corrected MODIS-LAI and WOFOST simulated LAI from green-up to heading stage with EnKF algorithm. The assimilated optimal LAI was used to drive the WOFOST model per-pixel to estimate the regional yield. The results indicated that the precision of yield forecasting was obviously improved with EnKF assimilation, compared with the statistical yield, the coefficient of determination was improved from 0.10 to 0.45 and RMSE was reduced from 2 480 kg/hm2 to 860kg/hm2. The results showed that assimilation of the remotely sensed data into crop growth model with EnKF can provide a reliable approach for prediction regional crop yield and had great potential in agricultural applications. The research can provide an important reference value for the regional crop production estimation.

区域作物产量预测是国家粮食安全评估的重要内容。遥感虽能获取大面积地表信息，却难以反映作物生长发育的内在过程。作物生长模型已经在单点尺度能成功模拟作物的生长发育过程，但是区域尺度作物关键参数的获取仍很困难。遥感信息与作物模型结合的数据同化已经成为区域产量预测的最有效途径。该文选择河北省衡水地区冬小麦为研究对象，在WOFOST模型标定与区域化的基础上，利用WOFOST模型描述冬小麦生育期内叶面积指数（LAI）变化规律。针对MODIS数据的混合像元造成反演的LAI产品偏低的系统误差，利用实测LAI样本点融合MODIS-LAI趋势信息修正MODIS-LAI数据产品。采用集合卡尔曼（EnKF）算法同化冬小麦返青到抽穗期的MODIS-LAI与WOFOST模拟的LAI以获得时间序列最优的LAI，并以此重新驱动WOFOST模型估算区域冬小麦产量。结果表明，EnKF同化后的冬小麦产量比未同化的产量预测精度有显著提高, 与县平均统计产量相比, 在潜在模式下，决定系数由0.13提高到0.38，均方根误差由2 480下降到880 kg/hm2。研究表明，遥感信息与作物模型的EnKF同化是1种有效的作物产量预测方法，并在区域尺度应用上具有广阔的应用潜力。该研究可为区域尺度的作物估产提供参考。

... 引言冬小麦是世界三大粮食作物之一, 准确模拟冬小麦单产及其空间分布对保证国家粮食安全和挖掘区域可利用的农业资源具有重要意义^[1] ...

1993

0.0

... 光能利用率模型是估算植被生产力^[2,3]和作物单产^[4,5]的常用模型之一, 如光能利用率(the Carnegie-Ames-Stanford approach, CASA)模型^[3]等 ...

... _max, 仍然存在较大的争议和不确定性^{[2, 5,6,7]} ...

... CASA模型最早由Potter^[2]提出, 模型表述如式(2)#cod#x02014 ...

2007

0.0

ZHU

Wen-quan

, PAN

Yao-zhong

, ZHANG

Jin-shui

(朱文泉, 潘耀忠, 张锦水). Journal of Plant Ecology(植物生态学报), 2007, 31(3): 413.

Aims Net primary productivity ( NPP ) is a key component of the terrestrial carbon cycle. Model simulation is commonly used to estimate regional and global NPP given difficulties to directly measure NPP at such spatial scales. A number of NPP models have been developed in recent years as research issues related to food security and biotic response to climatic warming have become more compelling. However, large uncertainties still exist because of the complexity of ecosystems and difficulties in determining some key model parameters. Methods We developed an estimation model of NPP based on geographic information system (GIS) and remote sensing (RS) technology. The vegetation types and their classification accuracy are simultaneously introduced to the computation of some key vegetation parameters, such as the maximum value of normalized difference vegetation index (NDVI) for different vegetation types. This can remove some noise from the remote sensing data and the statistical errors of vegetation classification. It also provides a basis for the sensitivity analysis of NPP on the classification accuracy. The maximum light use efficiency ( LUE ) for some typical vegetation types in China is simulated using a modified least squares function based on NOAA/AVHRR remote sensing data and field-observed NPP data. The simulated values of LUE are greater than the value used in the CASA model and less than the values simulated with the BIOME-BGC model. The computation of the water restriction factor is driven with ground meteorological data and remote sensing data, and complex soil parameters are avoided. Results are compared with other studies and models. Important findings The simulated mean NPP in Chinese terrestrial vegetation from 1989-1993 is 3.12 Pg C (1 Pg=10 15 g). The simulated NPP is close to the observed NPP , and the total mean relative error is 4.5%for 690 NPP observation stationsdistributed in the whole country. This illustrates the utility of the model for the estimation of terrestrial primary production over regional scales.

Key Laboratory of Environmental Change and Natural Disaster of Ministry of Education, College of Resources Science and Technology, Beijing Normal University, Beijing 100875, China

该文在综合分析已有光能利用率模型的基础上，构建了一个净初级生产力( NPP )遥感估算模型，该模型体现了3方面的特色：1)将植被覆盖分类引入模型，并考虑植被覆盖分类精度对 NPP 估算的影响，由它们共同决定不同植被覆盖类型的归一化植被指数( NDVI )最大值；2)根据误差最小的原则，利用中国的 NPP 实测数据，模拟出各植被类型的最大光能利用率，使之更符合中国的实际情况；3)根据区域蒸散模型来模拟水分胁迫因子，与土壤水分子模型相比，这在一定程度上对有关参数实行了简化，使其实际的可操作性得到加强。模拟结果表明，1989～1993年中国陆地植被 NPP 平均值为3.12 Pg C (1 Pg=10 15 g)， NPP 模拟值与观测值比较接近，690个实测点的平均相对误差为4.5%；进一步与其它模型模拟结果以及前人研究结果的比较表明，该文所构建的 NPP 遥感估算模型具有一定的可靠性，说明在区域及全球尺度上，利用地理信息系统技术将遥感数据和各种观测数据集成在一起，并对 NPP 模型进行参数校正，基本上可以实现全球范围不同生态系统 NPP 的动态监测。

... 光能利用率模型是估算植被生产力^[2,3]和作物单产^[4,5]的常用模型之一, 如光能利用率(the Carnegie-Ames-Stanford approach, CASA)模型^[3]等 ...

... (x, t)的计算可见参考文献[3] ...

2002

0.0

... 光能利用率模型是估算植被生产力^[2,3]和作物单产^[4,5]的常用模型之一, 如光能利用率(the Carnegie-Ames-Stanford approach, CASA)模型^[3]等 ...

... Lobell^[4]根据实验数据, 测量了1993年#cod#x02014 ...

... 由于作物实际光能利用率受作物温度、降水等影响^[6], 由此推断, 研究文献[4,5]中冬小麦的#cod#x003be ...

2006

0.0

REN

Jian-qiang

, CHEN

Zhong-xin

, TANG

Hua-jun

, et al(任建强, 陈仲新, 唐华俊, 等). Transaction of the Chinese Society of Agricultural Engineering(农业工程学报), 2006, 22(5): 111.

The timely and accurate crop yield data have always been useful to government. Winter wheat is one of the most important crops in China. So, the authors select a widely-used net primary production (NPP) model to estimate the yield of winter wheat in the Huanghuaihai Plain in China. The authors selected the data which come from the critical growth stage which is significant to the final yield of winter wheat. The parameter of photosynthetically active radiation (PAR, 400～700 nm) was calculated using the ultraviolet (UV) reflectance data at 370 nm which come from the Total Ozone Mapping Spectrometer(TOMS). And the fraction of the photosynthetically active radiation (fPAR) can be retrieved from MODIS Normalized Difference Vegetation Index (NDVI) image using the linear regression between the fPAR and NDVI (fPAR＝aNDVI+b). And biological efficiency of PAR conversion to dry matter (ε) is supposed to be a constant in this paper through referring to local experiments in field and published literature. Then the authors used the equation NPP=ε×fPAR×PAR to calculate the winter wheat net primary production. Finally, estimation yield data through converting the calculated NPP to dry matter and multiplying the dry matter by the Harvest Indices (HI) for specific winter wheat varieties were obtained. The authors also analyzed the accuracy of the prediction of NPP. And the accuracy of final yield estimation versus the field yield data was also analyzed. The relative error between the winter wheat biomass calculated from NPP and the actual biomass was -4.30% and relative error between the predicted yield of winter wheat and the actual yield was -4.41%. So the results are satisfactory and using the NPP parameter to estimate winter wheat yield is practical and reliable.

该文以中国冬小麦主要种植区黄淮海平原典型县市的冬小麦为研究对象，以植物净初级生产力模型对冬小麦估产进行研究。其中光合有效辐射数据(PAR)主要通过TOMS传感器紫外反射率月数据来计算获得。并且通过投影转换和内插方法，将分辨率由经度1.25度、纬度1度转为250 m。光合有效辐射分量(fPAR)主要通过250 m分辨率MODIS的最大值合成法生成的NDVI月数据和fPAR之间的统计直线关系(fPAR＝a NDVI＋b)来反演。在研究中光能转化有机质效率(ε)被视为常数，其值通过前人研究结果确定。然后计算冬小麦净初级生产力(NPP＝ε×fPAR×PAR)。文中主要考虑冬小麦产量形成关键期内NPP的形成，然后将累积的NPP转化为作物干物质的量，最后通过冬小麦收获指数修正，得到估计的冬小麦产量。而且利用地面实际调查产量数据对所预测的植物净初级生产力NPP和所预测的产量进行了验证，通过NPP计算的冬小麦生物量与实际生物量间相对误差为-4.30%；预测冬小麦产量与实际小麦产量间相对误差平均为-4.41%，结果令人满意。

... 光能利用率模型是估算植被生产力^[2,3]和作物单产^[4,5]的常用模型之一, 如光能利用率(the Carnegie-Ames-Stanford approach, CASA)模型^[3]等 ...

... _max, 仍然存在较大的争议和不确定性^{[2, 5,6,7]} ...

... 任建强等^[5]在研究中取黄淮海平原内石家庄市、邢台市和衡水市冬小麦3-5月份的实际光能利用率为固定常数1 ...

... 由于作物实际光能利用率受作物温度、降水等影响^[6], 由此推断, 研究文献[4,5]中冬小麦的#cod#x003be ...

... 5月NPP的和^[5] ...

... 22^[5] ...

... 48, 与已有研究^[5]中的收获指数取值接近 ...

2006

0.0

... _max, 仍然存在较大的争议和不确定性^{[2, 5,6,7]} ...

... 由于作物实际光能利用率受作物温度、降水等影响^[6], 由此推断, 研究文献[4,5]中冬小麦的#cod#x003be ...

2000

0.0

PENG

Shao-lin

, GUO

Zhi-hua

, WANG

Bo-sun

(彭少麟, 郭志华, 王伯荪). Acta Ecologica Sinica(生态学报), 2000, 20(6): 903.

By the aid of the ARC/INFO 7 2 1 and ERMapper 5 5,using the ground meteorological data and NOAA AVHRR NDVI data,we estimated the light utilization efficiency( ε )of the vegetation in Guangdong Province,which lies in subtropical and tropical monsoon climate zone The results showed that the maximum achievable light utilization efficiency(0 389gC MJ -1 ),which was calculated by Potter et al and Field et al and etc ,was underestimated in Guangdong The measured annual mean in Guangdon...

在 GIS和 RS工具的支持下 ,利用地面气象数据和卫星遥感数据研究了广东植被的光利用率及其时空分布。结果表明 :Potter和 Field等提出和使用的全球植被月最大光利用率 0 .389g C MJ- 1,对于广东植被来讲 ,此值偏低 ;广东植被的年平均光利用率介于 0 .69～ 1 .0 5g C MJ- 1之间 ,预测值与实测值一致 ,效果较好 ;广东植被光利用率的年变化显著 ,冬半年的平均值约为夏半年的一半 ,这主要是因为该区气温和水分条件季节变化明显的缘故 ;即使是常绿阔叶林 ,其年平均光利用率也有明显差异 ,并且年变化十分显著。

... _max, 仍然存在较大的争议和不确定性^{[2, 5,6,7]} ...

2017

0.0

LIU

Zhen-zhen

, ZHANG

Xi-wang

, CHEN

Yun-sheng

, et al(刘真真, 张喜旺, 陈云生, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(4): 225.

该文对原始CASA（carnegie-ames-stanford-approach）模型中归一化植被指数（normalized difference vegetation index，NDVI）最值提取方法及光合有效辐射吸收比（fraction of absorbed photosynthetically active radiation，FPAR）的算法进行了深入分析，并通过综合分析大量国内外文献，更加科学合理的确定了最大光能利用率的取值，最终确立了适合该研究区的CASA模型。该文以河北省邯郸市3个县域冬小麦为研究对象，以HJ-1A/B星遥感数据产品为数据支撑，采用CASA模型对研究区2014年冬小麦生物量进行了估算和精度验证，结果表明：研究区冬小麦生物量平均值为1 485 g/m2，50%以上区域在1 500～2 000 g/m2之间。冬小麦实测生物量与预测生物量相关性达到显著水平，R2为0.811 5。经过50组数据分析对比，平均相对误差为2.13%，其中，最大值为11.54%，最小值为0.33%；平均预测生物量为1 807.54 g/m2，与平均实测生物量1 720.74 g/m2相比，绝对误差为86.80 g/m2，为估算区域冬小麦产量提供理论支撑。

... 刘真真等^[8]综合分析大量国内外文献, 将河北省邯郸市南部三县冬小麦#cod#x003be ...

2017

0.0

... 史晓亮等^[9]根据实测数据估算了松嫩平原玉米#cod#x003be ...

... _max得到了一定水平的提升^[9] ...

... a^-1的速率^[9]推算2000年#cod#x02014 ...

2018

0.0

... 32, 高于已有研究结果^[10,11] ...

2015

0.0

... 32, 高于已有研究结果^[10,11] ...