论文部分内容阅读
摘要选取黑河流域中游的甘州、临泽县（区）为研究区，以反映区域内主要作物（玉米和春小麦）关键生长期的HJ1A/B卫星影像为数据源，反演归一化植被指数（NDVI）等表征植被长势的多种植被指数，并利用时序NDVI数据结合主要作物的物候特征提取出玉米分布信息。在此基础上，利用回归模型建立实测LAI与各植被指数及植被覆盖度的经验关系，获得LAI分布信息；通过建立气温与太阳辐射同纬度、经度及高程之间的统计回归模型，分别模拟得到其空间分布；利用水体指数反演得到对应玉米各生长期的水分条件指数（WI）。最后，利用最佳时相的LAI数据结合累积气温、累积太阳辐射与水分条件构建出LAI环境估产模型，估算得到2012年研究区玉米产量及其分布。结果表明，基于LAI环境模型估算的玉米产量，单产水平主要集中在6 500～7 500 kg/hm2，平均为6 793.65 kg/hm2，略大于张掖市种子管理局提供的玉米产量均值水平6 750 kg/hm2。
关键词估产模型；叶面积指数；环境因子；生物量；玉米
中图分类号S127文献标识码A文章编号0517-6611（2015）31-350-04
Maize Yield Estimation Based on RS in the Middle Reaches of Heihe River Basin
ZHAI Shichang，WANG Xueqiang，XIE Yaowen（College of Earth and Environmental Sciences，Lanzhou University，Lanzhou，Gansu 730000）
AbstractSelecting the Heihe River in Ganzhou and Linze County as the study area， and using the HJ1A / B satellite images which can reflect the region’s major crops （corn and spring wheat） critical growth phase as a data source to inverting the vegetation indexes. Combined with main crop phonological characteristics of the study area， the information of maize distribution was extracted by the timeseries NDVI. The regression models for measured LAI with vegetation indices and vegetation coverage were established， and the distribution information for the LAI was acquired with the empirical relationship. The distribution of temperature and solar radiation was simulated respectively through the establishment of statistical regression models with latitude， longitude and elevation as independent variables and meteorological data as dependent variables. The moisture index （WI） corresponding to each growing season of maize was estimated by normalized water index. The LAIEnvironmental Factors Model was constructed by LAI in the best phase for crop yield estimation and the major environmental factors. Ultimately， the maize production of the study area in 2012 was estimated respectively by the model. The results showed that the maize yield estimated by the LAIEnvironmental Factors Model was mainly range from 6 500 kg/m2 to 7 500 kg/m2. The average value of 6 793.65 kg/m2， which was slightly larger than 6 750 kg/m2， the mean level of maize production provided by the Zhangye Seed Authority.
Key wordsYield estimation model； LAI； Environmental factors； Biomass；Maize
作物估產是国家制定农业政策的必要参考数据。利用多时相、较高分辨率的遥感数据结合影响玉米生长发育的环境因子建模，可以有效地掌握该区域的玉米种植面积及其产量，这对当地政府制定合理的种植结构调整政策具有重要参考价值。
利用遥感技术进行作物估产始于1974～1977年美国的LACIE计划。经过近40年的探究，遥感估产的研究无论从机理性与综合性，还是从应用性与广泛性方面，都获得了不同程度的发展[1-4]。按照遥感参数是否单独作为估产模型的因子变量，可以将遥感作物估产方法分为2类：一是只用遥感参数与作物产量建立对应关系；二是将遥感数据与温度、水分条件、日照强度等非遥感数据相结合构建估产模型[5-6]。 笔者选择黑河流域中游地区临泽县和甘州区（不包括安阳乡和花寨镇）的农业绿洲区作为研究区，在总结前人进行作物遥感估产常用方法的基础上，拟利用遥感信息结合环境因子，利用时序LAI模拟作物生长发育过程，结合气温、太阳辐射以及水分条件等建立LAI环境产量估算模型对2012年黑河流域干流中游盆地的玉米产量进行估测。
1研究方法与数据来源
1.1技术路线利用NDVI时序数据结合研究区主要作物的物候特征对玉米分布信息进行提取。通过将各植被指数NDVI、RVI、MSAVI、EVI、HJVI及植被覆盖度与实测LAI建立回归模型反演得到LAI，从而建立基于作物关键生长期的时序LAI。利用统计回归模型建立气温与太阳辐射同经度、纬度及高程之间统计关系模拟得到其空间分布；利用水体指数反演对应玉米各生育期的水分条件指数（WI）；由此得到LAI环境产量模型中的累积气温、累积太阳辐射、水分条件以及LAI生物量模型中的气温胁迫、水分胁迫及作物吸收的有效太阳辐射等。最后利用模型分别反演得到2012年研究区玉米产量分布，并对结果进行评价。其技术流程见图1。
1.2模型建立LAI环境产量模型表示为：
Yield=F（LAIpot，TAt，RAt，WIt）
式中，Yield为玉米作物单产，LAIpot、TAt、RAt、WIt分别表示对应玉米在最佳时相的叶面积指数、自最佳时相对应的生育期到成熟期的累积温度、累积太阳辐射以及水分条件。
1.3数据来源及预处理
1.3.1影像资料。该研究所用的影像数据为HJ1卫星影像，空间分辨率为30 m，且基本可以保证其时相。该卫星包括A、B两星座，于2008年9月6日成功发射。两星座联合完成对地刈幅宽为700 km的推扫成像，共4个光谱波段。结合影像质量及云覆盖程度，选择对应研究区主要农作物（玉米和小麦）关键生育期2012年4月到9月，共10期数据。
对遥感数据源需要进行辐射校正、几何校正等预处理。
辐射校正包括辐射定标和大气校正。辐射定标过程采用中
国资源卫星应用中心公布的辐射定标系数。大气校正过程对所有的影像利用FLAASH模块进行了校正处理，将气溶胶模式设为乡村（Rural）模式，按影像获取时间季节将大气模式分别设成对应的MLW模式与MLS模式，在多光谱数据参数设置中选择由中国资源卫星应用中心提供的波谱响应函数。几何精校正过程，以甘州区与临泽县的1∶10万地形图作为参考，利用地形图进行控制点选择。通过计算得到几何校正过程中总体均方差误差，保证校正误差小于1个像元。经过几何精校正后，利用研究区矢量边界对各期影像进行裁切，获得研究区的影像。
1.3.2实测数据与实地调查数据。研究所使用的实测数据主要用于模型拟合与结果检验，包括2012年的黑河流域中游LAI2000测量的LAI数据集、盈科绿洲加密观测区作物管理参数数据集。实地调查数据为在遍布研究区各乡镇且具体到地块级别的调查结果，包括地块位置信息（经度和纬度）、玉米的种植面积、产量（单产与总产）、种植密度（带距、行距与株距）、播种时间、收获时间以及包括灌溉、施肥等的作物管理情况。
由于实测数据、实地调查数据以及气象数据都为表格数据，因此需要对其进行空间化。实测数据是按照固定样本实测点不同测量时间进行记录的，由于样点数量有限，要舍弃某一时间未记录或大部分样点缺失的记录，然后根据其经纬度进行空间化。实地调查数据主要用于玉米分布信息提取结果检验以及玉米估产结果整体水平的评价，要剔除个别脱离总体水平的样点，最后进行空间化。
1.3.3气象数据。气象数据主要为中国气象科学数据共享服务网提供的2012年地面气候资料日值站点数据集与气象辐射日值数据集。利用以上数据集进行气温及太阳入射辐射总量的空间分布模拟，用于建模分析。
安徽农业科学2015年
2结果与分析
2.1作物长势遥感指标反演及玉米分布信息提取
2.1.1作物长势遥感指标及其反演。利用植被指数的时间序列数据可以实时监测作物在整个生长发育过程中的长势状态，遥感植被长势指标与作物产量有着密切的关系。该研究使用到以下植被指数：
（1）归一化植被指数。
NDVI=（ρNIR-ρRed）/（ρNIR+ρRed）
（2）比值植被指数。
RVI=ρNIR/ρRed
（3）修正型土壤调整植被指数。
MSAVI=（2.0×ρNIR+1-（2.0×ρNIR+1）2-8.0×（ρNIR-ρRed））/2.0
（4）增强型植被指数。
EVI=2.5×（ρNIR-ρRed）/（ρNIR+6.0×ρRed-7.5×ρBlue+1）
（5）环境植被指数。
HJVI=2.0×（ρNIR-ρRed）/（7.0×ρGreen-7.5×ρBlue+1）
（6）植被覆盖度（VCF）。植被覆盖度指的是植被的垂直投影面积在单位面积的比例，是衡量作物的长势指标之一。该研究采用线性光谱混合模型（LSMM）进行研究区的植被覆盖度反演。
LSMM模型获取植被覆盖度的过程[8]，是指将像元内各地物的类别、光谱响应和所占比用线性方程分解表达。在该模型中，假设像元在某波段的反射率是各端元的反射率與各自所占比加权线性组合。模型表示为：
ρc=∑n1Fiρi，c+Ec
式中，ρc是整个像元在波段c的反射率；ρi.c是第i种端元在c波段反射率；Ec表示拟合误差；Fi为第i种端元占像元比。该模型保证各端元比例的和为1，即∑n1 Fi =1，且每种组分比范围属于（0，1），即0≤Fi≤1。假设各像元包括植被同其他地物，且为线性关系，利用该模型获得植被所占比是植被覆盖度。研究假设单个像元是由裸土、低反射率地物、高反射率地物和植被4种组分线性而成，HJ1卫星影像有4个波段，端元数量等于遥感影像的波段数，因此可以通过最小二乘法求解出相应结果，从而获得植被覆盖度及其分布。 获得植被覆盖度分布信息后，在研究区内选择一块验证区，获取对应区域的高分辨率（17级）的Google影像，通过计算30 000个30 m×30 m网格单元内的植被信息所占百分比，以此作为“真实”植被覆盖度信息进行精度评价。精度验证结果表明利用该方法提取的植被覆盖度效果较好。
（7）叶面积指数（LAI）。叶面积指是指在单位地表面积内所有绿色叶子的单面面积总和[7]。一般而言，利用遥感技术估算叶面积指数的方法大致分為3类：统计模型法、查找表法、物理模型反演方法。
该研究采用统计模型法获取各期LAI。在获得各植被遥感指标和LAI实地测量数据后，选择合适的指标与实测LAI值进行回归分析，建立其与LAI的经验关系，并依据该经验关系获得LAI空间分布信息。该研究选取6种指标来与实测LAI建立相应关系。
经过回归分析可以发现，随着自变量指标的增多，多元回归拟合效果也在提高。因此，利用以下模型进行LAI反演：
LAI=13.382HJVI-5.756VCF2+10.249MSAVI-0.33RVI-4.872EVI+3.457NDVI-3.489
模型判定系数R2为0.787，对拟合效果进行的F检验结果通过0.05的显著性水平检验，表明该模型达到显著水平。由此提取出研究区玉米LAI分布图。
2.1.2玉米分布信息提取。通过逐步剥离对玉米分布信息进行提取。首先，选择作物长势相对较好的一期NDVI数据，通过对比发现，7月8日的NDVI数据最符合，按照大津法[9]阈值分割获取能够将植被与非植被区分开的阈值，最终阈值为0.22。
然后，利用植被的物候特征对玉米信息进行提取。
（1）选择小麦分蘖期的NDVI数据，即NDVI0428，此时玉米地的NDVI值很小，通过阈值分割设定其阈值为0.14，保留NDVI小于0.14的区域。
（2）小麦在6月上旬达到抽穗期，其NDVI值接近最高值，此时玉米处于三叶期与拔节期之间，其NDVI值小于小麦的；到7月中旬，玉米达到抽雄期，其NDVI值接近最高值，此时小麦处于成熟期，NDVI值下降。因此选择NDVI0515、NDVI0602、NDVI07143期数据进行组合，保留符合NDVI0515 （3）玉米在乳熟期到成熟期期间，NDVI值呈下降趋势，通过对研究区农户进行调查访谈，得知自9月27日以后已经陆续开始对玉米进行收获，因而保留NDVI0815>NDVI0927的区域。
（4）通过观察9月27日的NDVI数据发现，林地以及其他作物（主要为经济作物）的NDVI值大于玉米地的，设阈值为0.42，保留符合小于该阈值的区域。
（5）借助IDL在所有玉米关键期组合成的时序NDVI中，选择出当NDVI最大值在玉米达到拔节与抽雄期时的所有像元，作为玉米信息提取的参考。
通过实地样点调查验证，玉米样点215个，小麦样点150个，林地与其他作物样点分别为21个和40个，其中有3个玉米样点错分为其他作物，4个小麦样点错分为玉米，验证结果表明该方法提取的玉米分布信息较为准确。
2.2LAI环境产量估算LAI环境产量估算模型将影响作物产量的形成的因素归为两部分，一部分是玉米产量形成的物质基础，表征玉米本身的生物物理因素的叶面积指数，用以反映玉米产量能够达到的最高上限；另一部分是影响玉米生长发育的环境因子，包括累积气温、累积太阳辐射及水分条件，该部分对玉米最终产量的形成具有限制作用。将该两部分与实测产量建立统计模型，最终获得玉米产量分布信息。
2.2.1环境因子的空间分布模拟。作物的生长状况主要受累积气温、水分和光照等环境因素的影响。该研究选择累积气温、累积太阳辐射作为影响作物生长及发育的气象因子；利用遥感反演水分条件指数来指示影响作物生长的水分条件；将三者通过与作物LAI组合建模来估算本研究区玉米产量及其分布。
由于研究区内气象站点有限且存在地形差异，传统的空间插值结果在局部误差较大。而一个区域的气象因子与该地区的高程、经度和纬度具有较好的线性相关关系[10]。因此，通过将研究区及其周边的12个气象站点在玉米各主要生长期内对应的累积气温与经度、纬度及海拔建立多元线性回归模型对累积气温空间分布进行插值模拟。其中海拔数据选择30 m空间分辨率的DEM数据，经度与纬度数据通过对应像元大小的30 m网格中心点生成经度的与纬度分布的栅格数据。
（1）累积气温（TA）空间分布模拟。公式为：
TA=A×latitude+B×longitude+C×height+D
式中，TA表示某一时期内的气温累积量，A、B、C、D分别为纬度、经度、高程的系数及常数。通过检验，各生长期的累积气温拟合效果很好。
（2）累积太阳辐射（RA）空间分布模拟。公式为：
RA=a×latitude+b×longitude+c×height+d
通过检验可以发现，利用该方法拟合结果除在各生育期的判定系数R2都相对较高，说明利用该方法模拟各生长期的累积太阳辐射可行。
（3）水分条件指数（WI）空间分布模拟。利用影像波段组合反演出各生长期的NDWI，由于该指数在绿色植被覆盖范围基本为负值，该研究利用WIt=（1+NDWIt）/（1+NDWImax）表示水分条件指数，其取值范围在（0，1]，其中NDWImax表示作物整个生长期内最大水体指数。由此得到玉米不同生育期的WI，同累积气温及累积太阳辐射一起作为LAI环境估产模型的主要参数变量。
2.2.2作物估产最佳时相选择。选择叶面积指数中对玉米长势信息贡献最大，且对后期作物产量形成影响最大时期作为估产的最佳时相。一般认为，在该时期的LAI值与产量的相关性较高。利用不同时期的玉米LAI与其实测产量做相关性分析。通过将各期的LAI与玉米产量做相关性分析，发现在7月14日时的相关系数达到最大并达到0.794，此时，玉米处于抽雄期，能够较快地积累干物质量。根据相关性分析并结合玉米干物质量累积规律，将7月14日（抽雄期）作为研究区玉米估产的最佳时相。 2.2.3玉米产量估算及结果.利用玉米最佳时相的LAI，抽雄期至成熟期的累积气温、累积太阳辐射以及水分条件同实地调查的玉米产量构建多元回归模型，其中，水分条件为抽雄期至成熟期的均值。根据产量与各因子的统计经验关系，模拟得到研究区玉米产量分布（图2）。
Yield=499.883×LAI0714+3.935×TA-2.688×RA-7 874.974×WI+9 990.873
模型判定系數R2为0.725，通过对拟合效果进行的F检验，结果通过0.05的显著性水平检验，表明该模型达到显著水平。结果表明利用遥感和环境因子建立LAI环境模型进行产量估测结果是可信的。
根据该模型得到研究区玉米的单产水平主要集中在6 500～7 500 kg/hm2范围内。其中，玉米单产最高值为
8 526.77 kg/hm2，最低值为4 002.18 kg/hm2，平均值为
6 793.65 kg/hm2，略大于张掖市种子管理局提供的玉米产量均值水平6 750.00 kg/hm2。
为了验证估产效果，采用甘州区与临泽县53个样点的产量数据对结果进行了评价。模拟结果基本可以拟合调查产量的分布趋势。根据统计得到模拟结果的平均误差为-662.086 kg/hm2，平均相对误差为9.63%，表明该模型可以用于研究区作物估产，具有一定可信度。
3结论
该研究以黑河流域中游的临泽县和甘州区大部为研究区，利用对应其内主要作物（玉米和小麦）关键生育期的HJ1A/B卫星影像，分别基于LAI环境模型对研究区的玉米产量进行了估算，通过检验表明模型结果可信，获得如下主要结论：
（1）LAI环境模型实质上是一种基于潜在胁迫因子产量模式的模型，其结果具有一定精度，但由于其依靠经验统计模型，不适于区域移植及外推。
（2）利用LAI环境模型估算得到研究区玉米产量空间分布，模型判定系数R2为0.725，并通过0.05的显著性水平检验。利用该模型得到玉米的单产水平主要集中在6 500～7 500 kg/hm2。其中，玉米单产最高值为8 526.77 kg/hm2，最低值为4 002.18 kg/hm2，平均值为6 793.65 kg/hm2/hm2，略大于张掖市种子管理局提供的玉米单产均值水平6 750 kg/hm2。
参考文献
[1] 孙九林.中国农作物遥感动态监测与估产总论[M].北京：中国科学技术出版社，1996.
[2] 万恩璞，徐希孺.中国玉米遥感动态监测与估产[M].北京：中国科学出版社，1996.
[3] 徐新刚，吴炳方，蒙继华，等.农作物单产遥感估算模型研究进展[J].农业工程学报，2008，24（2）：290-298.
[4] 李思佳，孙艳楠，李蒙，等.国内外农作物遥感估产的研究进展[J].世界农业，2013（5）：125-127.
[5] 王人潮，黄敬峰.水稻遥感估产[M].北京：中国农业出版社，2002.
[6] 李佛琳，李本逊，曹卫星.作物遥感估产的现状及其展望[J].云南农业大学学报，2005，20（5）：680-684.
[7] FANG H，LIANG S，KUUSK A.Retrieving leaf area index using a genetic algorithm with a canopy radiative transfer model[J].Remote sensing of environment，2003，85（3）：257-270.
[8] 王广军，杜海清，杨玲，等.基于LSMM模型的精确地物覆盖类型的提取方法[J].遥感信息，2005（1）：8-10.
[9] 吴冰，秦志远.自动确定图像二值化最佳阈值的新方法[J].测绘学院学报，2001，18（4）：283-286.
[10] 林忠辉，莫兴国，李宏轩.中国陆地区域气象要素空间插值 [J].地理学报，2002，57（1）：47-56.
关键词估产模型；叶面积指数；环境因子；生物量；玉米
中图分类号S127文献标识码A文章编号0517-6611（2015）31-350-04
Maize Yield Estimation Based on RS in the Middle Reaches of Heihe River Basin
ZHAI Shichang，WANG Xueqiang，XIE Yaowen（College of Earth and Environmental Sciences，Lanzhou University，Lanzhou，Gansu 730000）
AbstractSelecting the Heihe River in Ganzhou and Linze County as the study area， and using the HJ1A / B satellite images which can reflect the region’s major crops （corn and spring wheat） critical growth phase as a data source to inverting the vegetation indexes. Combined with main crop phonological characteristics of the study area， the information of maize distribution was extracted by the timeseries NDVI. The regression models for measured LAI with vegetation indices and vegetation coverage were established， and the distribution information for the LAI was acquired with the empirical relationship. The distribution of temperature and solar radiation was simulated respectively through the establishment of statistical regression models with latitude， longitude and elevation as independent variables and meteorological data as dependent variables. The moisture index （WI） corresponding to each growing season of maize was estimated by normalized water index. The LAIEnvironmental Factors Model was constructed by LAI in the best phase for crop yield estimation and the major environmental factors. Ultimately， the maize production of the study area in 2012 was estimated respectively by the model. The results showed that the maize yield estimated by the LAIEnvironmental Factors Model was mainly range from 6 500 kg/m2 to 7 500 kg/m2. The average value of 6 793.65 kg/m2， which was slightly larger than 6 750 kg/m2， the mean level of maize production provided by the Zhangye Seed Authority.
Key wordsYield estimation model； LAI； Environmental factors； Biomass；Maize
作物估產是国家制定农业政策的必要参考数据。利用多时相、较高分辨率的遥感数据结合影响玉米生长发育的环境因子建模，可以有效地掌握该区域的玉米种植面积及其产量，这对当地政府制定合理的种植结构调整政策具有重要参考价值。
利用遥感技术进行作物估产始于1974～1977年美国的LACIE计划。经过近40年的探究，遥感估产的研究无论从机理性与综合性，还是从应用性与广泛性方面，都获得了不同程度的发展[1-4]。按照遥感参数是否单独作为估产模型的因子变量，可以将遥感作物估产方法分为2类：一是只用遥感参数与作物产量建立对应关系；二是将遥感数据与温度、水分条件、日照强度等非遥感数据相结合构建估产模型[5-6]。 笔者选择黑河流域中游地区临泽县和甘州区（不包括安阳乡和花寨镇）的农业绿洲区作为研究区，在总结前人进行作物遥感估产常用方法的基础上，拟利用遥感信息结合环境因子，利用时序LAI模拟作物生长发育过程，结合气温、太阳辐射以及水分条件等建立LAI环境产量估算模型对2012年黑河流域干流中游盆地的玉米产量进行估测。
1研究方法与数据来源
1.1技术路线利用NDVI时序数据结合研究区主要作物的物候特征对玉米分布信息进行提取。通过将各植被指数NDVI、RVI、MSAVI、EVI、HJVI及植被覆盖度与实测LAI建立回归模型反演得到LAI，从而建立基于作物关键生长期的时序LAI。利用统计回归模型建立气温与太阳辐射同经度、纬度及高程之间统计关系模拟得到其空间分布；利用水体指数反演对应玉米各生育期的水分条件指数（WI）；由此得到LAI环境产量模型中的累积气温、累积太阳辐射、水分条件以及LAI生物量模型中的气温胁迫、水分胁迫及作物吸收的有效太阳辐射等。最后利用模型分别反演得到2012年研究区玉米产量分布，并对结果进行评价。其技术流程见图1。
1.2模型建立LAI环境产量模型表示为：
Yield=F（LAIpot，TAt，RAt，WIt）
式中，Yield为玉米作物单产，LAIpot、TAt、RAt、WIt分别表示对应玉米在最佳时相的叶面积指数、自最佳时相对应的生育期到成熟期的累积温度、累积太阳辐射以及水分条件。
1.3数据来源及预处理
1.3.1影像资料。该研究所用的影像数据为HJ1卫星影像，空间分辨率为30 m，且基本可以保证其时相。该卫星包括A、B两星座，于2008年9月6日成功发射。两星座联合完成对地刈幅宽为700 km的推扫成像，共4个光谱波段。结合影像质量及云覆盖程度，选择对应研究区主要农作物（玉米和小麦）关键生育期2012年4月到9月，共10期数据。
对遥感数据源需要进行辐射校正、几何校正等预处理。
辐射校正包括辐射定标和大气校正。辐射定标过程采用中
国资源卫星应用中心公布的辐射定标系数。大气校正过程对所有的影像利用FLAASH模块进行了校正处理，将气溶胶模式设为乡村（Rural）模式，按影像获取时间季节将大气模式分别设成对应的MLW模式与MLS模式，在多光谱数据参数设置中选择由中国资源卫星应用中心提供的波谱响应函数。几何精校正过程，以甘州区与临泽县的1∶10万地形图作为参考，利用地形图进行控制点选择。通过计算得到几何校正过程中总体均方差误差，保证校正误差小于1个像元。经过几何精校正后，利用研究区矢量边界对各期影像进行裁切，获得研究区的影像。
1.3.2实测数据与实地调查数据。研究所使用的实测数据主要用于模型拟合与结果检验，包括2012年的黑河流域中游LAI2000测量的LAI数据集、盈科绿洲加密观测区作物管理参数数据集。实地调查数据为在遍布研究区各乡镇且具体到地块级别的调查结果，包括地块位置信息（经度和纬度）、玉米的种植面积、产量（单产与总产）、种植密度（带距、行距与株距）、播种时间、收获时间以及包括灌溉、施肥等的作物管理情况。
由于实测数据、实地调查数据以及气象数据都为表格数据，因此需要对其进行空间化。实测数据是按照固定样本实测点不同测量时间进行记录的，由于样点数量有限，要舍弃某一时间未记录或大部分样点缺失的记录，然后根据其经纬度进行空间化。实地调查数据主要用于玉米分布信息提取结果检验以及玉米估产结果整体水平的评价，要剔除个别脱离总体水平的样点，最后进行空间化。
1.3.3气象数据。气象数据主要为中国气象科学数据共享服务网提供的2012年地面气候资料日值站点数据集与气象辐射日值数据集。利用以上数据集进行气温及太阳入射辐射总量的空间分布模拟，用于建模分析。
安徽农业科学2015年
2结果与分析
2.1作物长势遥感指标反演及玉米分布信息提取
2.1.1作物长势遥感指标及其反演。利用植被指数的时间序列数据可以实时监测作物在整个生长发育过程中的长势状态，遥感植被长势指标与作物产量有着密切的关系。该研究使用到以下植被指数：
（1）归一化植被指数。
NDVI=（ρNIR-ρRed）/（ρNIR+ρRed）
（2）比值植被指数。
RVI=ρNIR/ρRed
（3）修正型土壤调整植被指数。
MSAVI=（2.0×ρNIR+1-（2.0×ρNIR+1）2-8.0×（ρNIR-ρRed））/2.0
（4）增强型植被指数。
EVI=2.5×（ρNIR-ρRed）/（ρNIR+6.0×ρRed-7.5×ρBlue+1）
（5）环境植被指数。
HJVI=2.0×（ρNIR-ρRed）/（7.0×ρGreen-7.5×ρBlue+1）
（6）植被覆盖度（VCF）。植被覆盖度指的是植被的垂直投影面积在单位面积的比例，是衡量作物的长势指标之一。该研究采用线性光谱混合模型（LSMM）进行研究区的植被覆盖度反演。
LSMM模型获取植被覆盖度的过程[8]，是指将像元内各地物的类别、光谱响应和所占比用线性方程分解表达。在该模型中，假设像元在某波段的反射率是各端元的反射率與各自所占比加权线性组合。模型表示为：
ρc=∑n1Fiρi，c+Ec
式中，ρc是整个像元在波段c的反射率；ρi.c是第i种端元在c波段反射率；Ec表示拟合误差；Fi为第i种端元占像元比。该模型保证各端元比例的和为1，即∑n1 Fi =1，且每种组分比范围属于（0，1），即0≤Fi≤1。假设各像元包括植被同其他地物，且为线性关系，利用该模型获得植被所占比是植被覆盖度。研究假设单个像元是由裸土、低反射率地物、高反射率地物和植被4种组分线性而成，HJ1卫星影像有4个波段，端元数量等于遥感影像的波段数，因此可以通过最小二乘法求解出相应结果，从而获得植被覆盖度及其分布。 获得植被覆盖度分布信息后，在研究区内选择一块验证区，获取对应区域的高分辨率（17级）的Google影像，通过计算30 000个30 m×30 m网格单元内的植被信息所占百分比，以此作为“真实”植被覆盖度信息进行精度评价。精度验证结果表明利用该方法提取的植被覆盖度效果较好。
（7）叶面积指数（LAI）。叶面积指是指在单位地表面积内所有绿色叶子的单面面积总和[7]。一般而言，利用遥感技术估算叶面积指数的方法大致分為3类：统计模型法、查找表法、物理模型反演方法。
该研究采用统计模型法获取各期LAI。在获得各植被遥感指标和LAI实地测量数据后，选择合适的指标与实测LAI值进行回归分析，建立其与LAI的经验关系，并依据该经验关系获得LAI空间分布信息。该研究选取6种指标来与实测LAI建立相应关系。
经过回归分析可以发现，随着自变量指标的增多，多元回归拟合效果也在提高。因此，利用以下模型进行LAI反演：
LAI=13.382HJVI-5.756VCF2+10.249MSAVI-0.33RVI-4.872EVI+3.457NDVI-3.489
模型判定系数R2为0.787，对拟合效果进行的F检验结果通过0.05的显著性水平检验，表明该模型达到显著水平。由此提取出研究区玉米LAI分布图。
2.1.2玉米分布信息提取。通过逐步剥离对玉米分布信息进行提取。首先，选择作物长势相对较好的一期NDVI数据，通过对比发现，7月8日的NDVI数据最符合，按照大津法[9]阈值分割获取能够将植被与非植被区分开的阈值，最终阈值为0.22。
然后，利用植被的物候特征对玉米信息进行提取。
（1）选择小麦分蘖期的NDVI数据，即NDVI0428，此时玉米地的NDVI值很小，通过阈值分割设定其阈值为0.14，保留NDVI小于0.14的区域。
（2）小麦在6月上旬达到抽穗期，其NDVI值接近最高值，此时玉米处于三叶期与拔节期之间，其NDVI值小于小麦的；到7月中旬，玉米达到抽雄期，其NDVI值接近最高值，此时小麦处于成熟期，NDVI值下降。因此选择NDVI0515、NDVI0602、NDVI07143期数据进行组合，保留符合NDVI0515
（4）通过观察9月27日的NDVI数据发现，林地以及其他作物（主要为经济作物）的NDVI值大于玉米地的，设阈值为0.42，保留符合小于该阈值的区域。
（5）借助IDL在所有玉米关键期组合成的时序NDVI中，选择出当NDVI最大值在玉米达到拔节与抽雄期时的所有像元，作为玉米信息提取的参考。
通过实地样点调查验证，玉米样点215个，小麦样点150个，林地与其他作物样点分别为21个和40个，其中有3个玉米样点错分为其他作物，4个小麦样点错分为玉米，验证结果表明该方法提取的玉米分布信息较为准确。
2.2LAI环境产量估算LAI环境产量估算模型将影响作物产量的形成的因素归为两部分，一部分是玉米产量形成的物质基础，表征玉米本身的生物物理因素的叶面积指数，用以反映玉米产量能够达到的最高上限；另一部分是影响玉米生长发育的环境因子，包括累积气温、累积太阳辐射及水分条件，该部分对玉米最终产量的形成具有限制作用。将该两部分与实测产量建立统计模型，最终获得玉米产量分布信息。
2.2.1环境因子的空间分布模拟。作物的生长状况主要受累积气温、水分和光照等环境因素的影响。该研究选择累积气温、累积太阳辐射作为影响作物生长及发育的气象因子；利用遥感反演水分条件指数来指示影响作物生长的水分条件；将三者通过与作物LAI组合建模来估算本研究区玉米产量及其分布。
由于研究区内气象站点有限且存在地形差异，传统的空间插值结果在局部误差较大。而一个区域的气象因子与该地区的高程、经度和纬度具有较好的线性相关关系[10]。因此，通过将研究区及其周边的12个气象站点在玉米各主要生长期内对应的累积气温与经度、纬度及海拔建立多元线性回归模型对累积气温空间分布进行插值模拟。其中海拔数据选择30 m空间分辨率的DEM数据，经度与纬度数据通过对应像元大小的30 m网格中心点生成经度的与纬度分布的栅格数据。
（1）累积气温（TA）空间分布模拟。公式为：
TA=A×latitude+B×longitude+C×height+D
式中，TA表示某一时期内的气温累积量，A、B、C、D分别为纬度、经度、高程的系数及常数。通过检验，各生长期的累积气温拟合效果很好。
（2）累积太阳辐射（RA）空间分布模拟。公式为：
RA=a×latitude+b×longitude+c×height+d
通过检验可以发现，利用该方法拟合结果除在各生育期的判定系数R2都相对较高，说明利用该方法模拟各生长期的累积太阳辐射可行。
（3）水分条件指数（WI）空间分布模拟。利用影像波段组合反演出各生长期的NDWI，由于该指数在绿色植被覆盖范围基本为负值，该研究利用WIt=（1+NDWIt）/（1+NDWImax）表示水分条件指数，其取值范围在（0，1]，其中NDWImax表示作物整个生长期内最大水体指数。由此得到玉米不同生育期的WI，同累积气温及累积太阳辐射一起作为LAI环境估产模型的主要参数变量。
2.2.2作物估产最佳时相选择。选择叶面积指数中对玉米长势信息贡献最大，且对后期作物产量形成影响最大时期作为估产的最佳时相。一般认为，在该时期的LAI值与产量的相关性较高。利用不同时期的玉米LAI与其实测产量做相关性分析。通过将各期的LAI与玉米产量做相关性分析，发现在7月14日时的相关系数达到最大并达到0.794，此时，玉米处于抽雄期，能够较快地积累干物质量。根据相关性分析并结合玉米干物质量累积规律，将7月14日（抽雄期）作为研究区玉米估产的最佳时相。 2.2.3玉米产量估算及结果.利用玉米最佳时相的LAI，抽雄期至成熟期的累积气温、累积太阳辐射以及水分条件同实地调查的玉米产量构建多元回归模型，其中，水分条件为抽雄期至成熟期的均值。根据产量与各因子的统计经验关系，模拟得到研究区玉米产量分布（图2）。
Yield=499.883×LAI0714+3.935×TA-2.688×RA-7 874.974×WI+9 990.873
模型判定系數R2为0.725，通过对拟合效果进行的F检验，结果通过0.05的显著性水平检验，表明该模型达到显著水平。结果表明利用遥感和环境因子建立LAI环境模型进行产量估测结果是可信的。
根据该模型得到研究区玉米的单产水平主要集中在6 500～7 500 kg/hm2范围内。其中，玉米单产最高值为
8 526.77 kg/hm2，最低值为4 002.18 kg/hm2，平均值为
6 793.65 kg/hm2，略大于张掖市种子管理局提供的玉米产量均值水平6 750.00 kg/hm2。
为了验证估产效果，采用甘州区与临泽县53个样点的产量数据对结果进行了评价。模拟结果基本可以拟合调查产量的分布趋势。根据统计得到模拟结果的平均误差为-662.086 kg/hm2，平均相对误差为9.63%，表明该模型可以用于研究区作物估产，具有一定可信度。
3结论
该研究以黑河流域中游的临泽县和甘州区大部为研究区，利用对应其内主要作物（玉米和小麦）关键生育期的HJ1A/B卫星影像，分别基于LAI环境模型对研究区的玉米产量进行了估算，通过检验表明模型结果可信，获得如下主要结论：
（1）LAI环境模型实质上是一种基于潜在胁迫因子产量模式的模型，其结果具有一定精度，但由于其依靠经验统计模型，不适于区域移植及外推。
（2）利用LAI环境模型估算得到研究区玉米产量空间分布，模型判定系数R2为0.725，并通过0.05的显著性水平检验。利用该模型得到玉米的单产水平主要集中在6 500～7 500 kg/hm2。其中，玉米单产最高值为8 526.77 kg/hm2，最低值为4 002.18 kg/hm2，平均值为6 793.65 kg/hm2/hm2，略大于张掖市种子管理局提供的玉米单产均值水平6 750 kg/hm2。
参考文献
[1] 孙九林.中国农作物遥感动态监测与估产总论[M].北京：中国科学技术出版社，1996.
[2] 万恩璞，徐希孺.中国玉米遥感动态监测与估产[M].北京：中国科学出版社，1996.
[3] 徐新刚，吴炳方，蒙继华，等.农作物单产遥感估算模型研究进展[J].农业工程学报，2008，24（2）：290-298.
[4] 李思佳，孙艳楠，李蒙，等.国内外农作物遥感估产的研究进展[J].世界农业，2013（5）：125-127.
[5] 王人潮，黄敬峰.水稻遥感估产[M].北京：中国农业出版社，2002.
[6] 李佛琳，李本逊，曹卫星.作物遥感估产的现状及其展望[J].云南农业大学学报，2005，20（5）：680-684.
[7] FANG H，LIANG S，KUUSK A.Retrieving leaf area index using a genetic algorithm with a canopy radiative transfer model[J].Remote sensing of environment，2003，85（3）：257-270.
[8] 王广军，杜海清，杨玲，等.基于LSMM模型的精确地物覆盖类型的提取方法[J].遥感信息，2005（1）：8-10.
[9] 吴冰，秦志远.自动确定图像二值化最佳阈值的新方法[J].测绘学院学报，2001，18（4）：283-286.
[10] 林忠辉，莫兴国，李宏轩.中国陆地区域气象要素空间插值 [J].地理学报，2002，57（1）：47-56.