MODIS遥感产品在三江源地区草产量估测中的应用

图1 研究区地理位置示意图

Fig.1 Location of the study area

1.2 数据源介绍

遥感数据源为MODIS中等空间分辨率成像光谱仪数据。MODIS通过其0.4~14 μm的36个光谱通道实现全光谱范围覆盖,空间分辨率包含3个等级: 250 m,500 m和1 000 m,每1~2 d即可实现一次全球覆盖。本文选取的MODIS产品数据包含: MCD12Q1——土地覆盖类型(Land_Cover_Type1, LC)、MOD11A2——地表温度(land surface temperature, LST)&发射率(Emissivity)、MOD13A2——NDVI&EVI、MOD15A2——叶面积指数(leaf area index, LAI)&光合有效辐射吸收比率(fraction of absorbed photosynthetically active radiation, FPAR)、MOD17A2——总初级生产力(gross primary productivity, GPP)共140景,上述MODIS陆地产品数据的详细信息如表1所示。产品数据的存储格式均为HDF,参考椭球为WGS 1984椭球,投影为中国地区Albers投影。

表1 MODIS陆地产品数据信息

Tab.1 Information of MODIS land products

数据名称	产品	空间分辨率/m	时间分辨率/d	DN值数据范围	缩放因子
MCD12Q1	LC	500	365	0~254	无
MOD11A2	LST Emission	1 000	8	7 500~65 535 1~255	0.02 0.002
MOD13A2	NDVI EVI	1 000	16	-2 000~10 000	0.000 1
MOD15A2	LAI FPAR	1 000	8	0~100	0.1 0.01
MOD17A2	GPP	1 000	8	0~32 700	0.000 1

新窗口打开| 下载CSV

2 MODIS数据处理

选取研究区2009年4月中旬—10月初期间11期140景数据,通过MODIS 投影工具(MODIS reprojection tool,MRT)进行了数据批量预处理,并基于ArcGIS软件建模,对数据进行了统计分析。

对各草地监测站区域内MODIS产品数据进行统计分析,得到NDVI,EVI,LAI,FPAR和GPP因子在各生长期的均值及整个生长期内的LST均值。预处理结果包含研究区2009年第113—273天共11期草地生长期内的6种MODIS产品监测数据,前5种因子分别如图2—6所示。

图2

图2 NDVI时间序列

Fig.2 NDVI time series

图3

图3 EVI时间序列

Fig.3 EVI time series

图4

图4 LAI时间序列

Fig.4 LAI time series

图5

图5 FPAR时间序列

Fig.5 FPAR time series

图6

图6 GPP时间序列

Fig.6 GPP time series

由图2可知,NDVI越高,草越旺盛,生长状况越好,反之,植被越稀疏,生长状况越弱。时间上,由初夏到秋末NDVI总体呈先增后减趋势,研究区中部尤为明显,第145—161天NDVI大幅度增加; 空间上,东部处于匀速增加阶段,西部较稳定。

由图3可知,在时间上,由初夏到秋末EVI总体呈现先增后减的趋势; 空间上,研究区东南部EVI值高于西北部,且在植被生长过程中西北部EVI变化缓慢。

由图4可知,LAI越大,单位面积内植被叶片数量越多。时间上,由初夏到秋末LAI总体呈上升趋势; 空间上,东西差异较大,在三江源地区西部区域相对稳定,处于较低水平,中部和东部地区都有明显的上升趋势。

由图5可知,FPAR越大,草对光能的利用率越高; 反之,草对光能的利用率越小; 光能利用率的高低间接影响着草产量的分布。在时间上,由初夏到秋末FPAR总体呈先增后减趋势,在研究区中部区域尤为突出; 空间上,西部光能利用率偏低。随时间推移,中南部地区逐渐向光能利用率高的水平过渡,增长趋势明显。

由图6可知,GPP越大,植被光合作用固定有机物含量越高; 反之,植被光合作用固定有机物含量越低。在时间上,由初夏到秋末GPP总体呈先增后减趋势; 空间上,西部GPP偏低,东部光能利用率高,变化不明显。

将各个遥感监测因子在每个生长期的均值导出统计数据为自变量X,其中包含11个时期的上述5种MODIS产品及整个生长期内的LST均值共56个解释因子。草地监测站2009年6—8月实测草产量为因变量Y,共3个被解释因子。

3 草产量模拟方法

3.1 多元线性回归

多元线性回归分析是用于模拟一个被解释变量与多个解释变量之间的关系模型,主要根据样本的观测值估计回归模型中各个解释变量的系数,其中最常用的方法为最小二乘估计。

多元线性回归的基本形式为

(1)

Y_{i} = a_{1} X_{1 i} + a_{2} X_{2 i} + a_{3} X_{3 i} + \dots + a_{k} X_{ki} + b_{i}

式中: $Y_{i}$ 为第i个样本的被解释变量; $a_{1}$ , $a_{2}$ ,, $a_{k}$ 为k个回归系数; $X_{1 i}$ , $X_{2 i}$ ,…, $X_{ki}$ 为 $k$ 个解释变量; $b_{i}$ 为回归常数。

对于每个样本构建式(1)所示方程,即

(2) $[\begin{array}{l} Y_{1} \\ Y_{2} \\ ︙ \\ Y_{n} \end{array}] = [\begin{array}{l} X_{11} \\ X_{12} \\ ︙ \\ X_{1 n} \end{array} \begin{array}{l} X_{21} \\ X_{22} \\ ︙ \\ X_{2 n} \end{array} \begin{array}{l} X_{31} \\ X_{32} \\ ︙ \\ X_{3 n} \end{array} \begin{array}{l} \dots \\ \dots \\ ︙ \\ \dots \end{array} \begin{array}{l} X_{k 1} \\ X_{k 2} \\ ︙ \\ X_{kn} \end{array}] [\begin{array}{l} a_{1} \\ a_{2} \\ ︙ \\ a_{k} \end{array}] + [\begin{array}{l} b_{1} \\ b_{2} \\ ︙ \\ b_{n} \end{array}]$ 。

再根据最小二乘法,即误差平方和最小原则,求得回归方程各个系数,得到产量预测模型。

3.2 PLS

与多元线性回归模型不同的是,PLS考虑了变量之间的相关性,通过提取变量的主成分削弱变量之间的相互影响,使模拟结果更可靠。

PLS与主成分分析类似,都是通过自变量与权阵的加权和得到几个正交分量进行降维,在具体的提取及系数确定过程中有所差别。该方法首先对原始解释因子进行分析,得到一阶成分。一阶成分拥有对所选解释因子的最大解释能力; 将所得第一个成分对解释因子拟合后的残差作为新的解释因子,得到二阶成分。以相同的方式循环操作,得到更高阶成分,用于对草产量的拟合。通过成分的提取可消除解释因子之间的相关性,减弱部分解释因子噪声的干扰,使拟合精度有所提高。PLS主要计算步骤如下:

1)将站点实测草产量数据定义为一个n维列变量 $Y_{n \times 1}$ ,提取的自变量定义为矩阵 $X_{n \times m}$ ,将 $X_{n \times m}$ 和 $Y_{n \times 1}$ 进行中心化处理得到新的变量 $X_{0}$ 和 $Y_{0}$ ,即

(3)

Y = (y_{1}, y_{2}, \dots, y_{n})^{T}

(4) $X_{n \times m} = [\begin{array}{l} X_{11} & \dots & X_{1 m} \\ ︙ & ⋱ & ︙ \\ X_{n 1} & \dots & X_{nm} \end{array}]$ 。

2)提取 $X_{0}$ 第一个主成分分量 $α_{1}$ ,即

(5)

α_{1} = X_{0} a_{1}

式中a₁为单位特征向量,可由拉格朗日定理求得。

3)建立 $X_{0}$ 与 $Y_{0}$ 对 $α_{1}$ 的回归,即

(6)

\{\begin{array}{l} X_{0} = α_{1} P_{1} + X_{1} \\ Y_{0} = α_{1} Q_{1} + Y_{1} \end{array}

式中: $P_{1}$ 和 $Q_{1}$ 分别为 $X_{0}$ 和 $Y_{0}$ 的回归系数向量; $X_{1}$ 和 $Y_{1}$ 为回归一次后的残差矩阵。

4)循环输出结果。用 $X_{1}$ 和 $Y_{1}$ 代替 $X_{0}$ 和 $Y_{0}$ 提取二阶成分 $α_{2}$ ,直至提取 $r$ 个成分。其中,阶数 $r$ 通过“交叉有效性”来确定,最终回归方程为

(7) ${\hat{Y}}_{0} = γ_{1} α_{1} + γ_{2} α_{2} + \dots + γ_{r} α_{r} + a$ 。

式中: ${\hat{Y}}_{0}$ 为草产量预测值; $γ_{1}, \dots, γ_{r}$ 为回归系数; $a$ 为常数项。

3.3 精度评价原理

基于2009年构建的草产量估测模型,选用2011年草产量数据进行精度验证。以牧草生长期(4月中旬—10月初)作为研究时间段,选取地面站点草产量实测数据作为每个县级行政区的平均草产量,自变量包含生长期内所选取6种MODIS产品的全部8(16)d合成数据,统计得56个变量( $X$ )。结合2011年6—8月间实测草产量数据( $Y$ )分析2011年拟合结果( $\hat{Y}$ )与实测产量( $Y$ )在生长期内的草产量变化趋势的相似度与每月产量具体值的差异性,完成对草产量预测结果的精度验证。

为定量化描述预测结果的好坏,选取决定系数( $R^{2}$ )、期望误差(expect error,EE)和均方根误差(root mean square error,RMSE)进行精度验证,表达式分别为

(8)

R^{2} = \frac{\overset{n}{\sum_{i = 1}} ({\hat{y}}_{i} - {\bar{y}}_{i})^{2}}{\overset{n}{\sum_{i = 1}} (y_{i} - {\bar{y}}_{i})^{2}}

(9)

EE = \pm 0.2 Yiel d_{Measured}

(10)

RMSE = \sqrt[]{\frac{1}{n} \overset{n}{\sum_{i = 1}} ({\hat{y}}_{i} - y_{i})^{2}}

式中: $y_{i}$ 为样本实测值; ${\hat{y}}_{i}$ 为样本预测值; ${\overset{—}{y}}_{i}$ 为样本均值; $Yiel d_{Measured}$ 为草产量实测值。

4 模型建立与分析

4.1 多元线性回归模型

使用多元线性回归方法进行草产量模拟。针对不同月份影响因素的差异性,分别与选取当月实测值相关性较大的5个参量作为解释变量,建立解释变量与实测值的多元线性回归模型。具体模型如表2所示,3个月的草产量实际值分别表示为Y₁,Y₂,Y₃; 解释变量表示为X_ab的形式,以X_FPAR₁₂₉为例,表示第129天的FPAR产品作为解释变量之一,其中FPAR为MODIS的产品名,129为数据获取日期(年积日)。3个不同时间段拟合结果不同,在不同时间段,对草产量影响占主导地位的因素也不同。

表2 多元线性回归模型

Tab.2 Multivariable linear regression model

时间	多元线性回归模型
6月	Y₁=-14.8-8 186.5X_FPAR129-3 812.3X_GPP145+8 584.0X_GPP193+5 555.0X_LAI129-970.0X_NDVI129
7月	Y₂=-182.1+6 025.7X_FPAR129+1 061.8X_FPAR257-1 770.8X_LAI129-229.0X_LAI257+273.8X_NDVI129
8月	Y₃=173.4-10 626.5X_FPAR129-1 495.2X_FPAR257+6 243.5X_LAI129+727.1X_LAI257-430.0X_NDVI129

新窗口打开| 下载CSV

4.2 PLS模型

4.2.1 累计解释能力与交叉有效性

为去除各个解释因子之间的相关性,对解释因子进行了成分提取。对于提取的成分要对解释因子具有最大解释能力,即能概括性地表达解释因子中所包含的信息。以提取的成分为跳板建立草产量解释因子与实测草产量之间的关系。

在草产量估计中,从解释因子中提取多个主成分,分析这些成分与草产量的关系。图7显示前8个主成分分量的累计解释能力,分别为从Comp[1]~Comp[8],R²Y为选取主成分与草产量的解释能力,R²Y的值越趋近于1,拟合数据越准确; Q²为成分与模型的交叉有效性,Q²越接近于1,预测效果越好。

图7

图7 主成分分量累计解释能力

Fig.7 Principal component contribution

用于模拟分析的成分个数增多,累计解释能力增加,模型交叉有效性先呈上升的趋势,之后成分数继续增加,拟合精度不再发生较大变化。如果用于模型拟合的成分数逐渐增多时,就意味着综合成分对模型的解释性越强,所包含解释因子的信息量也就越丰富,模型拟合精度相应就会得到提升; 但当成分数达到一定程度,包含信息量达到饱和,成分数继续增加,信息量的变化不再像之前那样明显。预测精度随成分个数的增加,拟合精度迅速增加,之后逐渐趋于平衡。在主成分分量对模型的累计解释能力>80%且交叉有效性>60%的前提下,选取前5个主成分分量进行最终草产量预测。

4.2.2 X与Y的相关关系

将56个解释因子作为解释变量,2009年6—8月草产量作为被解释变量。选用解释变量与被解释变量的一阶主成分为代表,验证草产量与解释因子之间的相关性。一阶主成分相比于其他数据能较完整地概括数据的信息,对复杂的数据进行降维。采用t[1]/u[1]平面图可以判断两者的相关关系(图8),其中横坐标为解释因子的一阶成分t[1],纵坐标为草产量一阶主成分u[1],从总体趋势中可以看出模型选取的6种MODIS产品与草产量之间存在较好的相关性,t[1]/u[1]平面图表明用PLS实现草产量估算是可行的。

图8

图8 t[1]/u[1]平面图

Fig.8 t[1]/u[1]plane

4.2.3 X对Y的解释作用

草产量由多种解释因子共同决定,地位较高的因子起决定性作用。用变量投影重要性指标(variable importance for the projection, VIP)作为自变量对因变量的影响地位的测度,其中VIP平方和等于模型中因子的项数,因此平均VIP等于1。VIP越高变量贡献值越高,对预测值的解释能力越强。当VIP<1时,该变量解释能力较弱(图9)。

图9

图9 变量投影重要性指标

Fig.9 Variable projection importance index

解释因子按重要性由高到低、从左到右进行排序。其中对草产量影响最显著的指标是2009年第129天的LAI及2009年第129天的FPAR数据。从总体趋势来看,植物生长期内GPP对草产量的影响较大,随时间变化波动小,NDVI,EVI和LAI对草产量的影响随时间变化波动大。

4.2.4 t1/t2平面图与T²椭圆

使用解释因子前2个主成分分量t1和t2分别作为横纵坐标绘制其相关系数散点图,其作用与主成分分析中的主平面图类似,图10中样本点越接近表明2个样本在原自变量空间的高维性质越相近。图10中的椭圆为T²椭圆,为95%置信区间,椭圆中的采样点分布越集中,表示原始样本数据分布越均匀,误差越小; 分布越离散,则误差越大。若有样本点偏离范围,处于椭圆外,可判定为异常值。由图10可看出所选样本的数据在T²椭圆中分布较为均匀,误差较小,不存在异常值,因此所选因子构建模型的估算结果与实测数据之间不会产生太大偏差,无需改动。

图10

图10 t[1]/t[2]平面图

Fig.10 t[1]/t[2] plane

4.2.5 数据重构质量

通过监测点在X(Y)上的标准化模型距离检查每个生态监测站在X(Y)上的重构质量,可以对预测质量进行评估(图11—12),2幅图的横坐标均为各个草地生态监测站点,其中,图11纵坐标为监测点在Y上的模型距离(DModY); 图12纵坐标为监测点在X上的模型距离(DModX)。

图11

图11 监测点在Y上的标准化模型距离

Fig.11 Standard model distance of monitoring points on Y

图12

图12 监测点在X上的标准化模型距离

Fig.12 Standard model distance of monitoring points on X

从图11—12可以看出,杂多县在Y上的DModY距离较大,囊谦县在X上的DModX距离也处于游离状态,表明两者重构质量不理想。

4.2.6 预测结果

基于公式(7)得模型常数项如表3所示。

表3 模型常数项

Tab.3 Constants of model

解释因子	模型(6月)	模型(7月)	模型(8月)
常数项(a)	1.316 54	1.672 89	1.582 48

新窗口打开| 下载CSV

为了更直观地显示各期产品对草产量的预测建模的含义解释,绘制了2009年6月草产量模型的系数(图13),2009年7月和8月份类似。

图13

图13 2009年6月草产量估算模型系数

Fig.13 Coefficients of estimation model in June 2009

从图13可以看出,建立的草产量预测模型中各个解释因子的系数,零值以下为负,以上为正,当系数为正时,说明该解释因子与草产量成正相关; 当系数为负时,说明该解释因子与草产量成负相关,相关系数越高,说明该因子越重要。总体结果与VIP重要性指标分析基本吻合。

4.2.7 精度验证

为检验草产量估测模型的鲁棒性,基于2009年数据建立的草产量预测模型,使用2011年的数据进行精度验证。以2011年预测草产量为X轴、实测草产量为Y轴绘制实测草产量与预测草产量之间散点图(图14),可以直观对比预测模型的精度和拟合稳定性。图14中分别为2011年6—8月多元线性回归分析结果和PLS分析结果,黑色虚线表示草产量 $EE$ ,处于虚线以上的点表示草产量预测值高于期望值,虚线以下的点表示预测值低于期望值,虚线之间的点表示满足期望误差。在草产量预测值/实测值散点图中,利用PLS构建草产量预测模型体现了很好的稳定性,总体上能反应两者的线性关系,与多元线性回归相比,PLS具有较高的 $R^{2}$ ( $0.829 ~ 0.878$ )和较低的RMSE( $42.457 ~ 93.674$ kg·hm^-2)。

图14

图14 多元线性回归与PLS对比5 结论

Fig.14 Comparison of miltiple linear regression and PLS

本研究以MODIS产品数据(NDVI,EVI,FPAR,LAI,GPP,LST)为数据源,基于多元线性回归法与偏最小二乘回归(PLS)分别建立了2009年6—8月的三江源地区草产量预测模型,并用2011年相应数据进行了验证,结果表明:

1)基于PLS的草产量预测模型对该地区的适用性高于多元线性回归,整体呈现出较好的相关性。

2)基于PLS,利用MODIS产品数据可以有效地实现三江源地区草产量估算。解决了三江源地区因子间相关性较大、环境恶劣、样本少且采样困难的问题。

3)在研究所选取的MODIS 产品中,草产量与GPP及LAI的相关性较大。

4)草产量预测结果以6月份效果最佳,其中R²为0.878,均方根误差为42.457 kg/hm²。

志谢: 感谢国家地球系统科学数据共享平台提供的数据资源。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

刘珍环, 李正国, 唐鹏钦 , 等.

近30年中国水稻种植区域与产量时空变化分析

[J]. 地理学报, 2013,68(5):680-693.

DOI:10.11821/xb201305009 URL [本文引用: 1]

Rice is one of the most important staples in China. Rice's spatial-temporal distributions, which are vital to agricultural, environmental and food security research, are affected by natural conditions as well as social-economic developments. In recent years, most of agricultural land use change studies are focused on cultivated land change and its impact, while few are focused on arable crop area change because crop sown area estimates are based on statistics by administrative units, and such data lack accurate information on spatial and temporal variations. Other estimates are based on remote sensing, such data limited by spatial resolution which is difficult to capture the finer information of crops. Thus, multi-source data integration has become an effective way to determine spatial distributions of crops. Spatial Production Allocation Model (SPAM) is a multi-source data integration model that integrated arable land distribution, administrative unit statistics of crop data, agricultural irrigation data, and crop suitable data. It applied a cross-entropy method to allocate the statistics data of crop area and production down to such a fine spatial location, such as a pixel. This research uses the SPAM-China model to get a series of spatial distributions of rice area and production with a 10-km pixel at national scale, based on long-term county-and province-level agricultural statistics since the early 1980s, and then, analyzes the pattern of spatial and temporal changes. The results show that there are significant changes in rice in China during 1980-2010. Overall, more than 50% of rice area decreased, while nearly 70% of rice production increased in the change region during 1980-2010. Spatially, most of the increased area and production were in Northeast China, especially, in Jilin and Heilongjiang, most of the decreased area and production were located in southeastern China, especially, in rapidly urbanized provinces of Guangdong, Fujian and Zhejiang. Thus, the centroid of rice area was moved to northeast approximately 230 km since 1980, and rice production around 320 km, which means rice production moves northeastward faster than rice area because of the significant rice yield increase in Northeast China. The results also show that rice area change has a decisive impact on rice production change. Approximately 54.5% of the increase in rice production is due to the expansion of sown area, while around 83.2% of the decrease in rice production is due to shrinkage of rice area. This implies that rice production increased may be due to area expansion and other non-area factors, but reduced rice production could largely be attributed to rice area decrease.

Liu Z

, Li Z

, Tang P

, et al.

Spatial-temporal changes of rice area and production in China during 1980—2010

[J]. Acta Geographica Sinica, 2013,68(5):680-693.

[2]

陈仲新, 任建强, 唐华俊 , 等.

农业遥感研究应用进展与展望

[J]. 遥感学报, 2016,20(5):748-767.

DOI:10.11834/jrs.20166214 URL [本文引用: 1]

得益于中国自主遥感卫星、无人机遥感和物联网等技术的发展,中国农业遥感研究与应用在过去20年取得了显著进步,中国农业遥感信息获取呈现出天地网一体化的趋势;农业定量遥感在关键参数遥感反演技术方法与应用方面取得进展;作物面积、长势、产量、灾害遥感监测的理论与技术方法取得突破,农业遥感技术应用领域不断拓展。本文从农业遥感信息获取、农业定量遥感、农业灾害遥感、作物遥感识别与制图、作物长势遥感监测与产量预测、农业土地资源遥感等方面对中国农业遥感科研与应用进行了总结综述。

Chen Z

, Ren J

, Tang H

, et al.

Progress and perspectives on agricultural remote sensing research and applications in China

[J]. Journal of Remote Sensing, 2016,20(5):748-767.

[3]

侯英雨, 王健林, 毛留喜 , 等.

美国玉米和小麦产量动态预测遥感模型

[J]. 生态学杂志, 2009,28(10):2142-2146.

粮食安全问题一直倍受世界各国关注，及时、准确地了解其他国家或地区的粮食生产状况，对于中国粮食贸易和粮食宏观调控，具有十分重要的意义。本文以美国冬小麦和玉米为研究对象，在分析各作物空间分布及生长季节的基础上，利用土地利用数据剔除非耕地信息，使提取的归一化植被指数（NDVI）客观地反映各作物的生长状况。以1998—2007年的SPOT VEGETATION旬最大值合成NDVI资料为数据源，研究了美国玉米和小麦生长季的旬NDVI与产量的关系，确定了不同月份的建模因子，分别建立了美国玉米和冬小麦不同月份的产量动态预报模型。通过对各模型估算产量与实际产量进行比较，各模型预报结果的相对误差大部分在3%以内，精度较高，说明建立的作物产量动态预报模型实用可行，能够投入产量预报业务应用。

Hou Y

, Wang J

, Mao L

, et al.

Dynamic prediction model of corn and wheat yield in USA based on remote sensing

[J]. Chinese Journal of Ecology, 2009,28(10):2142-2146.

[4]

任建强, 陈仲新, 唐华俊 , 等.

基于遥感信息与作物生长模型的区域作物单产模拟

[J]. 农业工程学报, 2011,27(8):257-264.

DOI:10.3969/j.issn.1002-6819.2011.08.045 URL Magsci [本文引用: 1]

利用外部数据同化作物生长模型提高区域作物单产模拟精度是近年来的研究热点。该文以遥感反演的叶面积指数（LAI）作为结合点，以黄淮海粮食主产区典型县市夏玉米为研究对象，在区域尺度利用全局优化的复合形混合演化（SCE-UA）算法进行了遥感反演LAI信息同化EPIC（environmental policy integrated climate）模型的夏玉米作物单产模拟研究，最后进行区域作物单产模拟精度验证。结果表明，整合SCE-UA全局优化算法的EPIC模型通过同化遥感反演的LAI进行夏玉米单产模拟的平均相对误差为4.37%，RMSE为0.44 t/ hm2。同时，通过与实际调查数据对比可知，模型模拟的夏玉米播种日期、种植密度和纯氮施用量的均方根误差（RMSE）分别为4.16 d、1.0株/m2和40.64 kg/hm2，模拟的夏玉米播种日期的绝对误差为3 d，模拟的夏玉米种植密度和纯氮施用量的平均相对误差分别为-7.78%和-10.60%。上述误差可满足大范围农作物单产模拟的要求，证明了利用SCE-UA全局优化算法的EPIC模型同化遥感反演LAI数据进行区域作物单产模拟的可行性。

Ren J

, Chen Z

, Tang H

, et al.

Regional crop yield simulation based on crop growth model and remote sensing data

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011,27(8):257-264.

[5]

胡莹瑾, 崔海明 .

基于RS和GIS的农作物估产方法研究进展

[J]. 国土资源遥感, 2014,26(4):1-7.doi: 10.6046/gtzyyg.2014.04.01.

实时获取农作物长势及产量等信息对于现代农业的发展具有重要意义。近年来，随着遥感技术（remote sensing，RS）和地理信息系统（geographic information system，GIS）广泛应用于农作物估产领域，相继出现了一些较为实用的估产方法，主要有结合辅助数据的估产方法、基于植被指数的估产方法、基于特定模型的估产方法和基于农作物估产平台（软件）的开发等。其中，基于植被指数的估产方法又分为单一和多植被指数估产2类方法。在对近年来该领域大量文献深入研究的基础上，着重就几类热点方法展开论述，并对每类方法的优势和缺陷进行了评述，最后对该领域需要进一步研究的方向进行了探讨和展望，以期为后续研究提供参考。

Hu Y

, Cui H

Process in the study of crop estimation methods based on remote sensing and geographic information system

[J]. Remote Sensing for Land and Resourses, 2014,26(4):1-7.doi: 10.6046/gtzyyg.2014.04.01.

[6]

郭连云, 赵年武, 田辉春 .

气候变暖对三江源区高寒草地牧草生育期的影响

[J]. 草业科学, 2011,28(4):618-625.

URL Magsci [本文引用: 1]

利用1961-2010年青海省兴海县基准气候站气象资料和1999-2010年西北针茅（Stipa sareptana var.krylovii）牧草生育期观测资料，分析了气候变暖对西北针茅牧草生育期的影响。结果表明，近50年来，兴海地区年和牧草生长季（4-9月）平均气温整体呈极显著上升趋势，降水量明显增多，日照时数极显著（P<0.01）减少；21世纪以来，牧草生长季平均气温持续升高，降水量极显著增多，日照时数微弱增多。西北针茅返青期、抽穗期、成熟期和黄枯期均呈逐年提前的变化趋势，其中黄枯期提前趋势显著。牧草开花期则呈延迟趋势。多元逐步回归分析表明，3月平均气温和0℃至返青日的累计温度对返青期的影响较大；5月平均气温和牧草返青-抽穗期累计降水量对抽穗期的影响较大；5月平均气温对开花期影响最大； 4、7月平均气温对成熟期影响最大；≥5℃终日日数、7月平均气温和成熟-黄枯期累计日照时数对黄枯期的影响较大。

Guo L

, Zhao N

, Tian H

Impacts of climatic warming on reproductive stages of forages growing in alpine grassland of the Three River Sources Areas

[J]. Pratacultural Science, 2011,28(4):618-625.

DOI:10.11829\j.issn.1001-0629.2014-0319 Magsci [本文引用: 1]

[7]

黄爱纤, 张新跃, 唐川江 , 等.

川西北牧区水热条件牧草产量的相关性

[J]. 草业科学, 2015,32(5):754-759.

<pre>本研究通过对川西北12个主要牧区县2006-2013年间降水、气温与牧草产量的相关性分析及多元回归分析，分析水热条件对天然草原牧草产量的影响及其定量关系。结果表明，除3-5月外，总体上各时期降水与牧草产量存在显著正相关性，相关性强弱顺序为：6-9月（ρ=0.192,P<0.05）>6-8月（ρ=0.187,P<0.1）>3-9月（ρ=0.171,P<0.1）；牧草产量随3-5月气温升高有增加的趋势，降水影响不明显； 6-9月降水量每增加1 mm，牧草干草产量增加17.1 kg·hm-2，3-5月月平均气温每增加1 ℃，干草产量增加585.1 kg·hm-2。</pre>

Huang A

, Zhang X

, Tang C

, et al.

Correlation between grassland hydrothermal conditions and forage yield of pastoral area in Northwest Sichuan

[J]. Pratacultural Science, 2015,32(5):754-759.

[8]

任建强, 陈仲新, 周清波 , 等.

MODIS植被指数的美国玉米单产遥感估测

[J]. 遥感学报, 2015,19(4):568-577.

DOI:10.11834/jrs.20154146 URL [本文引用: 1]

针对中国开展的国外农作物产量遥感估测大多依靠中低分辨率耕地信息、省级(州级)或国家级作物产量统计数据的现状,本文以美国玉米为例,探讨利用多年中高分辨率作物分布信息、时序遥感植被指数和县级作物产量统计数据开展国外重点地区作物单产遥感估测技术研究,以期进一步提高中国对国外农作物产量监测精度和精细化水平。首先,利用美国农业部国家农业统计局(NASS/USDA)生产的作物分布数据(CDL)获得多个年份玉米空间分布图,并对相应年份250 m分辨率16天合成的MODIS-NDVI时序数据进行掩膜处理,统计获得每年各县域内玉米主要生育期NDVI均值;其次,以各州为估产区,以多年县级玉米统计单产和县域内玉米主要生育期NDVI均值为基础,建立各州玉米主要生育期NDVI与玉米单产间关系模型;然后,通过主要生育期玉米单产和玉米植被指数间拟合程度,筛选确定各州玉米最佳估产期和最佳估产模型。最终,利用最佳估产模型实现美国各州玉米单产估测和全国玉米单产推算。其中,建模数据覆盖时间为2007年—2010年,验证数据为2011年。结果表明,应用最佳估产模型的2011年美国各州玉米单产估测相对误差在-4.16%—4.92%,均方根误差在148.75—820.93 kg/ha,各州估测结果计算获得全国玉米单产的相对误差仅为2.12%,均方根误差为285.57 kg/ha。可见,本研究的作物单产遥感估测技术方法具有一定可行性,可准确估测全球重点地区作物单产信息。

Ren J

, Chen Z

, Zhou Q

, et al.

MODIS vegetation index data used for estimating corn yield in USA

[J]. Journal of Remote Sensing, 2015,19(4):568-577.

[9]

Becker-Reshef

, Vermote

, Lindeman

, et al. A generalized regression-based model for forecasting for winter wheat yields in Kansas and Ukraine using MODIS data[J].Remote Sensing of Environment, 2010(114):1312-1323.

[10]

Mkhabela M

, Bullock

, Raj

, et al. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data[J].Agricultural and Forest Meteorology, 2011(151):385-393.