张淮栋 陈争光 张成龙

摘要：根据植被指数的时间变化规律以及不同时期的植被指数与产量之间的相关性，确立适用于东北地区的大豆遥感估产的最佳时期。7月下旬至8月中旬獲取的作物NDVI与作物产量之间的相关性最强，并且不同时期的NDVI之间的相关性非常弱，在利用NDVI预测大豆单产时要采用7月下旬和8月中旬两个时期的NDVI。NDVI与大豆单产之间存在线性正相关关系，NDVI与大豆单产的相关性并不是很高，表明NDVI并不是惟一与大豆单产有关的变量。

关键词：大豆；植被指数；NDVI；遥感；估产

中图分类号：S565.1 文献标识码：A 文章编号：0439-8114（2018）06-0103-05

DOI：10.14088/j.cnki.issn0439-8114.2018.06.026

Abstract： According to the temporal variation of vegetation index and the correlation between vegetation index and yield in different periods， the best time for soybean yield estimation in Northeast China will be established. The correlation between crop NDVI and crop yield obtained from late July to mid-August was the strongest， and the correlation between NDVI in different periods was very weak. When NDVI was used to predict soybean yield， the of NDVI late July and mid-August was used. There is a linear positive correlation between NDVI and soybean yield， and the correlation between NDVI and soybean yield is not very high， indicating that NDVI is not the only variable related to soybean yield.

Key words： soybean； vegetation index； NDVI； remote sensing； estimation of yield

随着社会的发展和生活水平的改善，大豆作为工农业生产资料和食品原料，需求量与日俱增，中国仅生产饲料所需的豆粕就在1 000万t以上，并且每年急需1 000万t以上高油大豆以满足大中型榨油企业的原料需求。与世界范围内都存在巨大的大豆需求量形成鲜明对比的是，大豆的生产区域存在明显的不均匀性，在2001年的世界大豆总产量分布中，美国占42%，其中有80%用于出口和工农业生产资料[1]，巴西占24%、阿根廷占16%、中国占8%、印度占3%、其他占5%。世界范围内巨大的大豆需求量与大豆生产区的不均匀性导致大豆及其制品的国际贸易异常活跃，其贸易量位居国际农产品贸易的前例，并一直处于上涨趋势中。中国的大豆生产区域极不均匀，北方春大豆区域包括黑龙江、吉林、辽宁、内蒙古等地，面积约400多万hm2，产量约占总产的45.7%。无论是从种植面积还是产量来看，黑龙江省都是大豆重要生产省份，及时准确地预测大豆产量具有重要的经济意义和社会意义[2]。

随着理论、技术和方法的不断改进，农作物产量的估算方法先后经历了抽样调查、统计分析阶段、气象统计模型阶段和卫星遥感数据估产阶段。调查是统计分析方法的基础，而调查又存在人力消耗大、工作成本高、工作量大、时效性弱、研究结果滞后等问题[3]，因此该方法只适合于在小范围内进行作物估产。随着航空航天技术的发展，逐渐形成多平台、多波段的特点，成为一种广泛应用于包括农业科学在内的各种领域的新兴科技手段。遥感技术在种植面积计算、长势监测和产量估算等方面应用的基础在于作物在红波段反射率很低而近红外波段反射率很高，利用这种反射率特征可以计算出许多植被指数来表示作物的生态特征。利用遥感技术进行农业估产是根据不同作物具有不同的波谱反射特征，同时，作物的健康状况也影响波谱的反射特征，利用搭载在遥感平台上的传感器获得的光谱数据信息，通过多种多样的图像处理方法将遥感传感器收集的光谱数据处理形成能够反映出作物生长信息的植被指数作为估算作物产量的指标[4]。根据研究方式的差异，遥感估产方法可以分为基于时间的作物遥感估产和基于空间的作物遥感估产。利用遥感技术进行农业估产时既可以利用植被指数直接计算产量[5]，也可以先利用植被指数反演作物的叶面积指数（LAI）和生物量等生长信息，再经由其他产量估算模型来进行作物产量的估算。在农作物的生长周期内，植被指数将发生明显的变化，为了提高估产精度和提前估产时间，选择合适的遥感时相至关重要。本研究将以地块为计算单位，通过植被指数时间变化规律以及植被指数与产量的相关性确定东北春大豆的最佳估产时间。

1 数据源与遥感数据处理

本研究使用的遥感数据来自于中国在2014年8月19日发射的太阳同步回归轨道遥感卫星“高分二号”上所携带的两台传感器PMS1和PMS2，PMS的全称为Panchromatic Multispectral Spectro radiometer（全色＼多光谱相机）[6]。PMS是一种多光谱光学遥感仪器，可以将电磁波0.45～0.89 μm内的光谱数据分成4个光学通道并记录成遥感值，同时该传感器的扫描宽度为45 km，视场角达到±35°，空间分辨率为4 m。除了能够获取多光谱影像外，PMS传感器的另一个显著特征是可以生成更高空间分辨率的全色影像：光谱范围为0.45～0.89 μm，空间分辨率为1 m。卫星过长的重返周期是阻碍遥感影像应用的一个重要问题，在成像条件恶劣的情况下卫星的成像周期会成倍增加，而PMS传感器最短可在5 d内获取一次全球观测数据，在如此短的重返周期内获取如此高的空间分辨率影像，克服了以往高空间分辨率数据的不足，保证了成像的最佳条件。PMS的波段范围分别对应着蓝波段、绿波段、红波段和近红外波段，对于植被而言，红波段和近红外波段信息是最为常用的两种信息，并且这两个通道的星下点分辨率为4 m，可以清晰地显示出植被特征的空间异质性。对于黑河地区来说，农业生产经营主要以农场为单位，农场将耕地划分成若干个地块，每个地块的尺寸在几百米到几千米之间，因此每个地块由数十到数百个象元覆盖，由此可见PMS的4 m分辨率比较适合东北地区进行农业遥感估产。

原始遥感图像未经处理，存在着蝴蝶结效应和条纹效应等问题，为了解决这些问题需要利用经纬度信息进行图像校正和处理。PMS是一种摆扫式扫描仪，生成的图像是在扫描宽度内逐条扫描最终拼接而成，然而地球的球面特性导致PMS扫描后的图像在叠加时两条相邻的扫描带在边缘位置会产生重叠现象，形成所谓的蝴蝶结效应。在图像处理中，通常用星历表法消除蝴蝶结效应，该方法是根据卫星轨道记录的地理信息将每条扫描条带数据按照其实际地理坐标投影到标准地理网格上，从而达到摄图像与实际位置相匹配而去除蝴蝶结效应的目的[7]。PMS在生成数据时采用多个探测器并排扫描的方式，这种扫描方式造成探测器各个通道收集的光谱信息不能够同时完成，造成受到仪器误差和传输错误的影响，地面接收的影像中不同的通道间存在差异，造成图像出现条纹效应。

PMS数据不仅以像元为单位记录地表的光谱信息，同时也详细地记录了拍摄图像时的经纬度信息。遥感影像的每一像素中既存放着灰度值信息也存放着对应空间分辨率下的经纬度信息，也正是同一像素记录着两种性质信息的特征使得使用少量地面控制点就可以进行几何纠正，达到方便处理和校正图像并提高遥感精度的目的[8-10]。

2 不同时期的NDVI之间的相关性及NDVI与大豆产量的关系分析

遥感技术获得的NDVI表示了遥感影像获取瞬间的农作物的长势情况，通过多时相遥感影像可以获得农作物在不同时期的长势，不同时期的长势又代表了农作物在该时期内的物质积累状况。作物产量决定于作物营养生殖状态的好坏，因此需要探究对作物营养生殖能够起到至关重要的物质积累时期，为此需要探究哪个或哪几个时期的NDVI与作物产量的关系最为密切。同时，作物生长是一个逐渐积累的过程，不同时期获得的NDVI具有一定的时间相关性，在相关性较高的情况下可以用一个时刻的NDVI估算其他时刻的NDVI。建立模型的基本思路是在保证模型精度的前提下尽量减少模型中参量的数量以便达到简化模型的目的，减少产量估算模型中NDVI日期的数量，因此需要对不同时刻的NDVI之间的相关性进行分析。相关分析中通常用相关系数表示两个变量之间的线性相关程度，因此在相关分析之前先要判断变量之间是否存在线性关系。

1）线性关系的判定又可以从整体和单点两个尺度上进行，图1和圖2分别从整体和单点两个尺度上显示了不同时期的NDVI之间的散点图。图1显示出7月初获得的NDVI与其他时刻获取的NDVI之间的相关关系并不显著，这表明无法用7月上旬的NDVI估算其他时刻的NDVI，也无法用其他时刻的NDVI估算7月上旬的NDVI。因此，仅从NDVI之间的相关性来看大豆的产量遥感估算模型中应该将7月上旬的NDVI作为一个变量。除了7月上旬获取的NDVI与其他时刻获取的NDVI外，其他时刻获取的NDVI之间存在较强的线性关系，并且两个时刻的间隔时间越短则两时刻获取的NDVI之间的线性关系越强，这种变化趋势表明，其他时刻的NDVI可以根据已知时刻的NDVI进行估算。

各地块的NDVI在作物生长周期内的变化趋势见图2。从图2中NDVI的变化趋势可以发现，NDVI在大豆的生长期内呈现出抛物线形式增长趋势，即越接近生长后期，NDVI的变化越弱，NDVI在7月下旬以后会出现缓慢下降的趋势。图2还显示出个别地块的NDVI变化趋势与总体的变化趋势不符，具有明显的歧异特性：图中1所代表的曲线，在7月20日的NDVI明显小于相邻日期的NDVI，并且该曲线在8月31日出现明显的下滑；图中2所代表的曲线，在7月12日对应的NDVI明显小于相邻日期的NDVI。NDVI曲线的异常表示该点的NDVI已经不能真实地反映出NDVI与作物产量之间的关系，因此在研究某一时刻的NDVI与产量的关系时应去除该时刻存在异常的NDVI，而在探究不同时刻的NDVI与产量的关系时应去除出现过异常情况的NDVI，对于去除异常前后某一时刻的NDVI与作物产量之间的关系的变化分别显示在图3和图4中。

从图3中可以看出，不同时期的NDVI与产量之间都不存在明显的线性关系，因此无法直接对NDVI与产量之间的关系做相关性分析，造成这种现象的原因在于一些异常点的存在弱化了NDVI与产量之间的关系。图3中圆圈中的点明显地偏离了NDVI与产量之间的正相关关系，如7月20的NDVI与产量之间的关系中圆圈内的点NDVI很小，理论上应对应较低的作物产量，但在图中却对应较高的产量，这与产量估算的基本原理相违背，因此在建立模型时应将这些点去除。去除异常点后，NDVI与产量之间的关系显示在图4中，对比图3和图4可以发现，在去除异常点后各时期的NDVI与产量之间的线性关系明显增强。

2）不同时刻获取的NDVI之间的关系。农作物的NDVI表示作物的生长状态，但是其不是某一时刻的状态而是一定时间段内生长状态的综合表现，因此在不同时刻获取的NDVI间存在不同程度的相关性，若两个时刻的NDVI具有较高的相关性则可以进一步减少参与建立估产模型的数量。表1显示了不同时期获取的NDVI之间的相关系数。

表1清晰地显示出不同时刻获得NDVI具有很强的相关性，并且在多数情况下时间间隔越短则两时刻的NDVI之间的相关性越强。但是也有例外，7月20日获取的NDVI与28日获取的NDVI之间的相关性要小于7月20日获取的NDVI与8月13日获取的NDVI之间的相关性，同时，7月28日获取的NDVI与8月13日获取的NDVI之间的相关性更小，从相关性中可以看出，7月28日获取的NDVI不适合用于建立产量估算的遥感模型。

从表2中还可以发现，相邻两个日期的NDVI之间的相关系数最大；随着时间跨度增加，NDVI之间的相关性逐渐增加，这表明时间跨度越大则两个时刻的NDVI之间的线性关系越弱，这也证明了图2中显示的NDVI在时间上的非线性变化。通过对比不同列中相关系数最大值的变化可以发现，随着NDVI获取日期的逐渐延后，相关系数的最大值逐渐减小；这表明随着NDVI获取日期的逐渐延后，两相邻日期获取的NDVI之间的线性相关性越弱。

3）NDVI与大豆产量的相关关系。由于在大豆生长的各个时期，遥感获取的NDVI会随着生长期的不同而发生改变，选取对产量敏感的若干个生长时期的NDVI参与产量估算遥感模型的计算可以在保持估算精度的前提下减少模型参数的数量，便于模型的应用。表3显示了不同生长时期的NDVI与产量之间的相关关系。

表3清晰地显示出7月中旬到下旬的NDVI与产量关系较为密切，并且两者之间为正相关关系，即NDVI越大这产量越高；与7月中旬到下旬相比，7月上旬和8八月的NDVI与产量的相关性减弱很多，在本研究中几乎不存在相关性。从表4中可以看出，在5个时间段内选取3个时间段的NDVI既可以保证估算的精度也可以减少模型的参数数量。

对比表3和表4可以发现，在去除异常点的影响后，NDVI与产量之间的相关性显著增强。7月中旬到8月中旬获取的NDVI与产量之间的相关性明显高于7月上旬的相关性，结合7月上旬的NDVI与其他时刻的NDVI之间的相关性不显著的特征可得到在利用遥感影像估算大豆产量时可以忽略7月上旬的遥感影像。由于7月28日获取的NDVI与产量之间的相关性最高，因此在估算产量时应尽量获取该时刻的遥感影像，根据相关系数的变化趋势可以看出选取7月中旬到8月中旬的遥感影像可以显著地提高产量估算的精度。

3 讨论

影响大豆单产的因素很多，可以分为人为因素和自然因素，人为因素通过水肥管理最大限度的满足作物生长的要求，自然因素则通过满足作物的光合条件改善作物长势并达到提高作物产量的目的。大豆的生长周期可以被细分为若干个更能夠体现生长状态的时期，作物在开花期之前的生长主要物质的积累过程，该过程为作物产量的形成提供营养基础。理论上，作物在物质积累过程中积累的干物质越多，则作物的单产越高，遥感技术可以在较大范围内对作物的长势进行监测，从而对作物的产量进行估算。

4 结论

1）7月下旬到8月中旬获取的作物NDVI与作物产量之间的相关性最强，并且不同时期的NDVI之间的相关性非常弱，因此，在用NDVI预测大豆单产时要采用7月下旬和8月中旬两个时期的NDVI。

2）NDVI与大豆单产之间存在线性正相关关系，NDVI与大豆单产的相关性并不是很高，这表明NDVI并不是惟一与大豆单产有关的变量。

参考文献：

[1] 季志强，盖颜欣，王 奇，等.国内外大豆生产概况及大豆育种的发展方向[J].农业科技通讯，2010（7）：8-10.

[2] 王连铮.国内外大豆生产及育种的进展[J].种子世界，2000（11）：3-5.

[3] 杜天昊.基于MODIS-NDVI的河南省冬小麦估产模型研究[D].重庆：重庆大学，2013.

[4] 蒙继华.农作物长势遥感监测指标研究[D].北京：中国科学院遥感应用研究所，2006.

[5] LIU W T，KOGAN F. Monitoring Brazilian soybean production using NOAA/AVHRR based vegetation condition indices[J].International Journal of Remote Sensing，2002，23（6）：1161-1179.

[6] 徐 文，龙小祥，李庆鹏.“高分二号”卫星相机影像辐射质量评价[J].航天返回与遥感，2015，36（4）：1-9.

[7] 刘良明，文雄飞，余 凡，等.MODIS数据Bowtie效应快速消除算法研究[J].国土资源遥感，2007（2）：10-15.

[8] 张京红，景毅刚.遥感图像处理系统ENVI及其在MODIS数据处理中的应用[J].陕西气象，2004（1）：27-29.

[9] 程武学，潘开志，杨存建.叶面积指数（LAI）测定方法研究进展[J].四川林业科技，2010，31（3）：51-54.

[10] 黄敬峰，王人潮，王秀珍，等.冬小麦遥感估产多种模型研究[J].浙江大学学报（农业与生命科学版），1999，25（5）：512-523.