第２５卷第２期２００９年２月
农业工程学报
ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣＳＡＥ
、，０１．２５Ｎｏ．２
Ｆｅｂ．２００９１３１基于３Ｓ和实测相结合的冬小麦估产研究
杨武德１，宋艳暾１，宋晓彦１，丁光伟２
（１．山西农业大学农学院，太谷０３０８０１；２．ＤｅｐａｒｔｍｅｎｔｏｆＣｈｅｍｉｓｔｒｙ，ＮｏｒｔｈｅｒｎＳｔａｔｅＵｎｉｖｅｒｓｉｔｙ，Ａｂｅｒｄｅｅｎ，ＳＤ５７４０１，ＵＳＡ）
摘要：该文运用３Ｓ集成技术（地理信息系统、遥感和全球定位系统），进行冬小麦产量估测的应用研究。结果表明，
３月下旬是运城地区冬小麦面积监测的最佳时相，４月上、中旬是该区冬小麦产量估算的最佳时期。用遥感信息中的ＴＭ
提取冬小麦面积，ＡＶＨＲＲ提取绿度信息，效果较好。根据归一化植被指数的大小把冬小麦分为３类，同类麦田在不同区域的实测产量差异很大。分析研究区域自然地理特征和关键期气象资料，以归一化植被指数、极高温度、相对湿度为
主因子建立了冬小麦遥感—气象一产量综合模型。
关键词：冬小麦，估产，遥感，全球定位系统，地理信息系统
中图分类号：ＴＰ７９，Ｓ１６５＋．２７文献标识码：Ａ文章编号：１００２－６８１９（２００９）－２－０１３１－０５
杨武德，宋艳暾，宋晓彦，等．基于３ｓ和实测相结合的冬小麦估产研究［Ｊ］．农业工程学报，２００９，２５（２）：１３１—１３５．
ＹａｎｇＷｕｄｅ，ＳｏｎｇＹａｎｔｕｎ，ＳｏｎｇＸｉａｏｙａｎ，ｃｔａ１．Ｗｉｎｔｅｒｗｈｅａｔｙｉｅｌｄ
ｅｓｔｉｍａｔｉｎｇｂａｓｅｄｏｎ３Ｓｉｎｔｅｇｒａｔｉｏｎａｎｄｆｉｅｌｄｍｅａｓｕｒｅｍｅｎｔ［Ｊ］．
ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣＳＡＥ．２００９，２５（２）：１３ｌ—１３５．（ｉｎＣｈｉｎｅｓｅｗｉｔｈＥｎｇｌ【ｉｓｈａｂｓｔｒａｃｔ）０引言１材料和方法
随着中国进入ＷＴＯ，国内外农产品市场需求发生了变化，农业种植结构大幅调整，因而，作物面积和产量逐年波动很大，客观形势要求及时掌握中国土地和粮食产量信息，为粮食安全和国民经济的宏观决策提供科学依据。国际上，利用遥感与地理信息系统在土地监测和粮食估产方面进行了大量的卓有成效的研究，取得了很好的结果，如美国农业部执行的ＬＡＣＩＥ、ＡＧＲＩＳＴＡＲＳ计划等，并由此带来了巨大的经济、社会效益【ｌ，２】。中国“八五”开始就开展了“中国主要农作物遥感估产研究”的国家攻关课题立项，采取遥感和信息系统一体化的方法，在一些重要产粮区进行小麦、水稻、玉米的遥感估产研究，取得了一些经验［４１。“九五”以来继续进行了相关研究，特别是３ｓ＿．ＲＳ（ＲｅｍｏｔｅＳｅｎｓｉｎｇ遥感）、ＧＩＳ
（ＧｅｏｇｒａｐｈｉｃａｌＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍ地理信息系统）、ＧＰＳ（ＧｌｏｂａｌＰｏｓｉｔｉｏｎｉｎｇＳｙｓｔｅｍ全球定位系统）的结合，使遥感估产取得了很大进步【３】。国内外关于作物遥感估产有许多研究报道卜１１】，但这些研究过多地依赖了遥感信息。作物产量的形成是和动态的环境因子变化密切相关，从作物遥感估产的最佳时相期到成熟期，环境因子对产量影响很大，如北方的干热风。本研究旨在利用３Ｓ—ＲＳ、ＧＩＳ和ＧＰＳ一体化集成技术，考虑影响当地冬小麦产量的干热风等气象因子，建立冬小麦估产模型，实现区域小麦面积和产量预测，旨在为冬小麦生产的管理、决策和宏观调控提供依据。
收稿日期：２００７－０９－０１修订日期：２００８－０８－２９
基金项目：山西省科技攻关项目（２００６０３１１１４）；山西省气象局开放式研究基金项目（￥Ｘ０５３００１）；山西省教育厅科技开发项目（２０２１）
作者简介：杨武德（１９６０一），男，山西河津人，博士，教授，博士生导师，主要从事作物生态和农业信息技术研究。太谷山西农业大学农学院，
０３０８０１．Ｆ．ａｍｉｌ：ｇ粗ｕｙｗｄ＠１２６．ｃ咖１．１研究区域概况
运城地区位于山西省西南端，属暖温带大陆性季风气候。年均温１２．８℃，年降水量５５５ｔｕｎａ，年均无霜期２０８ｄ，土地面积占全省总土地面积的９．７％。耕地面积为８２．６３万ｈｍ２，占全省总耕地面积的２１．１％。该区是山西省小麦生产基地，干热风是影响区内小麦生产主要自然灾害。其中运城、永济、临猗和万荣县是运城地区主要小麦产区。１．２数据信息源
Ｌａｎｄｓａｔ／ＴＭ数据由中国遥感卫星地面站提供，２００１年３月２１日Ｌａｎｄｓａｔ７ＴＭ数据光盘，ＴＭ数据主要用于面积提取。ＮＯＡＡ／ＡＶＨＲＲ数据由山西省气象研究所提供冬小麦生长季节ＮＯ从一１４资料。为克服远离星下点ＡＶＨＲＲ数据分辨率降低，图像产生几何畸变的不足，资料选取研究区位于卫星扫描带三分之二以内数据：为消除大气的影响，尽量选取晴空资料。符合条件的时相有：２００１年４月２日、４月７日、４月１７日。ＮＯＡＡ／ＡＶＨＲＲ数据用于绿度提取，通过３个时相平均获得植被指数。
地理信息背景资料包括运城地区土地利用详查资料；运城地区土地利用变更资料；运城地区１：１０００００土壤图：运城地区１：１０００００地形图；运城地区１：４０００００行政区划图；永济、临猗、运城、万荣１：２０００００区划图。
用ＧＰＳ４５便携式全球卫星导航定位仪确定６８个３ｈｍ２左右的冬小麦生长情况野外监测点，取得相关苗情、产量、定位点经纬度等观测数据。
由山西省运城气象局提供气象数据，包括各县２００１年４、５、６月日最高、最低温度和日均温，每日定时降水量、主要降雨过程、太阳辐射、相对湿度和日照时数等指标。
冬小麦生育状况由农田样地的实际测量观察获得，主要包括冬小麦生育期、冬小麦生长状况、产量结构、
１３２农业工程学报２００９矩
产量和主要农业气象灾害等。
１．３数据处理方法
１．３．１矢量化空间数据库构建
本试验采用数字化仪矢量化方法进行了研究区域图件的矢量输入，包括四县市行政多边形图层、主要水系、公路和铁路线图层和等高线图层，以用于研究区域遥感影像的提取、地面控制点（ＧＣＰ）的选取、遥感图像几何精纠正及投影变换ＴＩＣ点的确定等。利用ＧＰＳ野外采样取得ＴＩＣ点及相应的地理坐标值。
１．３．２属性数据库建立
本试验通过ＣＩＴＹＳＴＡＲＧＩＳ内部提供的建库模块与ＡＣＣＥＳＳ共同编制数据字段建立属性数据库，用于后期图像运算、查询和输出统计图表。ＧＰＳ数据的处理是通过ＧＰＳ定位仪所提供的软件完成野外样点定位及相关数据的转换和录入工作。
１．３．３遥感图像处理
包括如下几方面【１２】：
１）辐射矫正：遥感图像做了两方面的处理，对由于大气影响的矫正，采用系统内提供的直方图均衡化处理，同时进行了２％线性拉伸处理；对由于噪声和磁带误码造成的影响采用斑点消除处理。
２）几何纠正：用地面控制点（ＧＣＰ）方法进行纠正。同样标准的遥感图像可以生成ＧＣＰ文件进行几何纠正，亮度值采用“双线性插值法”。
３）图像增强：采用多波段合成方法，用最佳指数因子法确定最佳波段组合。
４）研究区域提取：利用经统一配准和投影的边界矢量图层对各波段的图像进行切割得到所需图像。
５）监督分类：本试验主要利用阈值法，将光谱数值经过特定运算构造多维绿度空间，各类地物有不同层次的空间分布，选择合适的绿度模式（判别函数），用平面切割多维绿度空间，以不同阈值分层，精确提取各类地物。通过建立地面调查资料并形成训练区文件进行最大似然法分类，同时结合目视解译得到冬小麦种植面积。
６）归一化植被指数提取：许多研究表明，ＮＤＶＩ可以部分消除由于照明条件、倾斜、观测姿态所造成的各通道反射率的改变，而且ＮＤＶＩ基本不依赖卫星的观测角，并消除了单位干扰，因此选用ＮＤＶＩ。本试验ＮＤＶＩ指数提取主要运用图像算术运算，通过对ＮＯＡＡ资料处理计算野外采样点平均ＮＤＶＩ值。
本试验采用多元回归建立估产模型。
２结果与分析
２．１估产区冬小麦最佳时相选择
最佳时相遥感图像的选择是农作物估产中的关键环节之一。根据本项试验的设计要求，时相的选择必须考虑两个方面，一是根据山西省晋南地区主要农作物的物候历对不同作物加以区别；其二是要选择冬小麦产量形成的主要时期，且该时期植被指数与小麦产量高度相关。
通过野外采样点调查及前人研究表明，晋南地区主要作物的物候历如表ｌ所示，从表ｌ可以看出，在３月下旬至４月上旬，农田中夏玉米、棉花尚未播种，油菜正处于开花时期，且面积很小，可忽略不计，只有冬小麦处于旺盛生长期，因此，把３月下旬作为面积监测的最佳时相。冬小麦在拔节到抽穗期，植被指数与产量相关性最高，这一时期的植被指数出现了一个比较稳定的区域【１３１，因此把４月上、中旬（拔节到抽穗期）确定为冬小麦产量估算的最佳时期。
表１晋南主要作物物候历
Ｔａｂｌｅ１ＰｈｏｎｏｌｏｇｉｃａｌｃａｌｅｎｄａｒｏｆｍａｉｎｃｒｏｐｓｉｎｔｈｅｓｏｕｔｈｏｆＳｈａｎｘｉ月３４５６７８９１０
旬３ｌ２３ｌ２３ｌ２３ｌ２３ｌ２３ｌ２３１２３
●
冬小麦拔节抽穗乳熟收获播种
夏玉米播种拔节抽穆乳熟收获
棉花播种出苗现蕾花铃吐絮
油菜开花成熟收获播种
２．２冬小麦识别及面积提取
遥感图像的地物识别如图ｌ，计算机像元统计结果见表２，可以看出，冬小麦像元总数１８９．９万个，总面积为１７万ｈｍ２，占整个估产区土地总面积的３７．４％，裸地占土地总面积的４８．５％，山脉占土地总面积６．２％，河流湖泊占土地总面积１．８％，城镇用地占土地总面积的６．１％。
归一化植被指数（ＮＤＶＩ）的大小反映了植被叶面积指数和生物量的高低，因而可以反映作物群体长势。如图２所示，根据归一化植被指数由大到小等分３份，长势良好的为冬小麦ｌ，长势中等为冬小麦２，长势差为冬小麦３。运城市区域内，冬小麦１的分布区域，主要集中在硝池、盐湖周围和运城市及各村镇中心的内圈，冬小麦２和冬小麦３主要分布在远离城市和村镇的区域，这与当地调查的实际情况和理论上的分布情况相符合。计
表２估产区土地利用面积
Ｔａｂｌｅ２Ｌａｎｄｕｓｅａｒｅａｉｎｙｉｅｌｄｅｓｔｉｍａｔｉｎｇｒｅｇｉｏｎ
第２期杨武德等：基于３Ｓ和实测相结合的冬小麦估产研究１３３
算机统计结果如表３所示，利用植被指数对估产区冬小
麦面积进行长势分类，长势良好的冬小麦面积占整个冬
小麦面积的２８．４％，长势中等的占３３．４％，长势差的占比
例最大，为３８．２％，冬小麦长势分类面积结果是：冬小麦
３＞冬小麦２＞冬小麦Ｉ。
图１估产区土地利用图
Ｆｉｇ．１Ｉ．ａｎｄｕｓｅｍａｐｉｎｙｉｅｌｄｅｓｔｉｍａｔｉｎｇｒｅｇｉｏｎ
图２冬小麦分类图（以运城市为例）
Ｆｉｇ．２
Ｗｉｎｔｅｒｗｈｅａｔｃｌａｓｓｉｆｉｃａｔｉｏｎ（ｔａｋｉｎｇ
Ｙｕｎｃｈｅｎ．ｇ
ａｓａｃａｓｅ）表３冬小麦分类及面积
ＴａｂＩｅ３Ｗｉｎｔｅｒｗｈｅａｔｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｉｔｓａｒｅａ
２．３冬小麦估产模型
干热风是影响晋南地区小麦产量的主要灾害因子，其开始危害指标为：日最高气温３０℃，１４时相对湿度３０％，风速２～３ｍ／ｓ。因此，选取冬小麦灌浆一成熟期（干热风易发生时段）的日平均最高温度、相对湿度和归一化植被指数为因子，回归分析结果如下：
Ｙ＝１８５．３１＋９５６．４ｘｌ－２．９０ｘ２＋０．７２ｘ３（ｒ－－Ｏ．９７８）式中１卜一冬小麦产量，ｋｇ／ｈｍ２：工１——ＮＤⅥ归一化植被指数；ｚ广灌浆一成熟期日平均最高温度，℃；工３——灌浆一成熟期日平均相对湿度，％。用模拟值与建模实测值进行精度检验，精度为９２．７％，用模拟值与剩余实测值（占总数据的２５％）进行精度检验，精度为８６．４％。
在此模型中，植被指数与冬小麦最终产量表现出较高的正效应，成熟期的极端最高温度与冬小麦产量呈负效应，这与实际情况相吻合。成熟期相对湿度与产量是正效应，表明此阶段高湿度对冬小麦的高产是有利的。高温低湿形成的干热风和冬小麦产量为负效应。
２．４冬小麦产量估算
通过利用拔节至抽穗期的植被指数对估产区内冬小麦长势进行分级，分别得到冬小麦长势分级面积，再利用遥感一气象综合模型分别对４县市冬小麦单产和总产量进行计算，结果见表４和表５。由表４可以看出，在同一县市，冬小麦１、２、３分别对应高、中、低单产水平，如运城市，高低产田单产相差２７７０ｋｇ／ｈｍ２。同类麦田在不同县市，单产相差很大，如冬小麦１，永济和万荣相差３６０２ｋｇ／ｈｍ２。一类麦田单产顺序是：永济市＞运城市＞临猗县＞万荣县；二类麦田单产水平：永济市＞运城市＞临猗县＞万荣县；三类麦田单产水平：永济市＞临猗县＞运城市＞万荣县。由表５可以看出，冬小麦１的产量为运城市＞永济市＞临猗县＞万荣县；冬小麦２的产量为运城市＞临猗县＞永济市＞万荣县；冬小麦３的产量为临猗县＞运城市＞永济市＞万荣县；总产量为运城市＞临猗县＞永济市＞万荣县。估产区冬小麦总产量约为５６．５万ｔ。
表４不同长势冬小麦单产
Ｔａｂｌｅ４Ｗｈｅａｔｙｉｅｌｄｕｎｄｅｒｄｉｆｆｅｒｅｎｔｇｒｏｗｔｈｖｉｇｏｒ
ｋｇ?ｈｍ＂２
１３４农业工程学报２００９住
表５不同长势冬小麦总产量
Ｔａｂｌｅ５Ｗｈｅａｔｔｏｔａｌｙｉｅｌｄｕｎｄｅｒｄｉｆｆｅｒｅｎｔｇｒｏｗｔｈｖｉｇｏｒ
３结论与讨论
１）研究表明，运用３Ｓ集成技术进行冬小麦估产是可行的。利用高空间分辨率的ＬａｎｄｓａｔＴＭ遥感数据和高时间分辨率的ＮＯＡＡＡＶＨＲＲ遥感数据相结合的方式可以发挥彼此的优点，能够提高冬小麦的解译精度；将ＧＰＳ数据应用到野外观测点，可为其提供精确的地理定位，同时与该定位样方有关的所有资料和数据都可以与其叠加产生出单个信息无法揭示的信息，为深入研究提供了技术支持；由于作物估产应用、处理的数据量很大，既包括各种地理基础地图、气象资料图、土地利用图和遥感图像，又有通过各种处理手段获取的新的信息、数据和图像，往往数据量以ＧＢ为单位，运用ＧＩＳ作为作物估产中数据处理和分析的中枢，可以有效地管理、支持各种来源的海量数据的交换和运算，提高工作效率。
２）用遥感信息建立作物单产模式，多数研究使用单一的植被指数，但大量的试验表明，植被指数仅仅反映了遥感最佳时相前作物的长势，对灌浆期光谱资料不能完全反映出来，高叶面积指数、高植被指数并不代表高产【１４，１５】。而且产量的形成是和动态的环境因子变化密切相关，从作物遥感估产的最佳时相期到成熟期，环境因子对产量具有很大影响，在本试验中，相同植被指数等级的不同县市，单产相差很大，如永济和万荣两县高、中、低产麦田单产相差分别为３６０２、２６７８和２０３９ｋｇ／ｈｍ２。
３）本试验在建立估产模型时，考虑了最佳时相后冬小麦生长环境的主要气象因子和灾害因子，建立了遥感一气象综合模型。从模型分析可知，在灌浆一成熟期，构成干热风的高温、低湿等气象因子对冬小麦产量产生负效应。在估产研究区域，这一阶段的高温和低湿气象条件常常相伴发生，这是导致该地区冬小麦产量减少的重要因子。
［参考文献］
【１】ＶａｎＬａｎｅｓＨ．八ＲｅｉｎｄｓＧＪ．ＰｈｙｓｉｃａｌｌａｎｄｅｖａｌｕａｔｉｏｎｍｅｔｈｏｔｉｓａｎｄＧＩＳｔｏｅｘｐｌｏｒｅ也ｅｃｒｏｐｇｒｏｗｔｈｐｏｔｅｎｔｉａｌａｎｄｉｔｓｅｆｆｅｃｔｓｗｉｔｈｉｎｔｈｅＥｕｒｏｐｅａｎｃｏｍｍｕｎｉｔｉｅｓ［Ｙ１．ＡｇｒｉｃｕｌｔｕｒａｌＳｙｓｔｅｍｓ，１９９２，３９：３０７－－３２８．
【２】ＭａｒｂｌｅＤＦ．Ｇｅｏｇｒａｐｈｉｃａｌｉｎｆｏｒｍａｔｉｏｎｓｙｓｔｅｍ：ＡｎＯｖｅｒｖｉｅｗ［Ａ】．ＰｒｏｃｅｅｄｉｎｇｓｏｆＰｅｅｏｒａ９ｓｙｍｐｏｓｉｕｍｏｎｓｐａｔｉａｌｉｎｆｏｒｍａｔｉｏｎｔｅｃｈｎｏｌｏｇｉｅｓｆｏｒｒｅｍｏｔｅ￥ｅｎｓｉｎｇｔｏｄａｙａｎｄ
ｔｏｍｏｒｒｏｗ［Ｃ］．Ｍａｒｙｌａｎｄ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙＰｒｅｓｓ，
１９８４．１８—２４．
［３】汪卫民．Ｒｓ和ＧＩＳ在农业领域中的应用与展望【Ｊ】．计算机与农业，１９９８，（２）：４—７．
ＷａｎｇＷｅｉｍｉｎ．ＡｐｐｌｉｃａｔｉｏｎａｎｄｅｘｐｅｃｔａｔｉｏｎｏｆＲＳａｎｄＧＩＳｉｎａｇｒｉｃｕｌｔｕｒｅ【Ｊ】．ＣｏｍｐｕｔｅｒａｎｄＡｇｒｉｃｕｌｔｕｒｅ，１９９８，（２）：４－－７．（ｉｎＣｈｉｎｅｓｅｗｉｔｈＥｎｇｌｉｓｈａｂｓｔｒａｃｔ）
［４】林艳．ＮＯＡＡ卫星玉米遥感估产方法的研究［Ｊ】．华北农学报，１９９６，１１（４）：９３－－９８．
ＬｉｎＹａｈ．ＡｓｔｕｄｙｏｆｃｏｒｎｙｉｅｌｄｅｓｔｉｍａｔｉｏｎｂｙｕｓｉｎｇＮＯＡＡｓａｔｅｌｌｉｔｅｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａ［ｆ１．ＡｃｔａＡｇｒｉｃｕｌｔｕｒａｅＢｏｒｅａｌｉ?Ｓｉｎｉｃａ，１９９６，ｌｌ（４）：９３－－９８．（ｉｎＣｈｉｎｅｓｅ丽ｔｈＥｎｇｌｉｓｈａｂｓｔｒａｃｔ）
［５】５ＲａｓｍｕｓｓｅｎＭＳ．ＯｐｅｒａｔｉｏｎａｌｙｉｅｌｄｆｏｒｅｃａｓｔｕｓｉｎｇＡＶＨＲＲＮＤＶＩｄａｔａ：Ｒｅｄｕｃｔｉｏｎｏｆｅｎｖｉｒｏｎｍｅｎｔａｌａｎｄｉｎｔｅｒ－ａｎｎｕａｌｖａｒｉａｂｉｌｉｔｙ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ．１９９７，１８（５）：１０５９—１０７７．
【６】ＣａｒｌｓｏｎＴＮ，ＲｉｐｌｅｙＤＡ．ＯｎｔｈｅｒｅｌａｔｉｏｎｂｅｔｗｅｅｎＮＤＶＩ，ｆｒａｃｔｉｏｎａｌｖｅｇｅｔａｔｉｏｎＣＯＶｅｒａｎｄｌｅａｆａｒｅａｉｎｄｅｘ［Ｊ】．ＲｅｍｏｔｅＳｅｎｓｉｎｇ
ｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９７．６２：２４１－－２５２．
【７】Ｎｉｅｖｅｓ＾ＤｏｌｏｒｓＶ
Ｊａｎｍｅ
Ｃ，ｅｔａ１．Ｓｐｅｃｔｒａｌｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓａｓｎｏｎｄｅｓｔｒｕｅｔｉｖｅｔｏｏｌｓｆｏｒｄｅｔｅｒｍｉｎｉｎｇｄｕｒｕｍｗｈｅａｔｙｉｅｌｄ［Ｊ］．ＡｇｒｏｎｏｍｙＪｏｕｒｎａｌ，２０００，９２：８３－－９１．
【８】ＢｏｋｅｎＶＫＳｈａｙｋｅｗｉｃｈＣＦ．Ｉｍｐｒｏｖｉｎｇａｌｌｏｐｅｒａｔｉｏｎａｌｗｈｅａｔｙｉｅｌｄｍｏｄｅｌｕｓｉｎｇｐｈｅｎｏｌｏｇｉｃａｌｐｈａｓｅ－ｂａｓｅｄ
ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅ
ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ［Ｊ】．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００２，２３（２９）：４１５５－－４１６８．【９】ＬｙｄｉａＳ，ＩｏｌａｎｄａＦ，ＪｏｓｅｐＰ．Ｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｂｉｏｍａｓｓａｎｄｙｉｅｌｄｏｆｗｉｎｔｅｒｗｈｅａｔｕｎｄｅｒｄｉｆｆｅｒｅｎｔｎｉｔｒｏｇｅｎｓｕｐｐｌｉｅｓ［Ｊ］．Ｃｒ叩Ｓｃｉｅｎｃｅ，２０００，４０：７２３—７３１．
［１０】ＬａｂｕｓＭＰ，ＮｉｅｌｓｅｎＧＡＬａｗｒｅｎｃｅＲＬ，ｅｔ
ａ１．Ｗｈｅａｔｙｉｅｌｄｅｓｔｉｍａｔｅｓｕｓｉｎｇｍｕｌｔｉ—ｔｅｍｐｏｒａｌＮＤＶＩｓａｔｅｌｌｉｔｅｉｍａｇｅｒｙ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００２，２３（２０）：４１６９—４１８０．
［１ｌ】ＬｏｂｅｌｌＤＢ，ＡｓｎｅｒＧＰ，Ｏｒｔｉｚ－ＭｏｎａｓｔｅｄｏＪＩ，ｅｔａ１．ＲｅｍｏｔｅｓｅｎｓｉｎｇｏｆｒｅｇｉｏｎａｌｃｒｏｐｐｒｏｄｕｃｔｉｏｎｉｎｔｈｅＹａｑｕｉＶａｌｌｅｙ，Ｍｅｘｉｃｏ：Ｅｓｔｉｍａｔｅｓａｎｄｕｎｃｅｒｔａｉｎｔｉｅｓ［Ｊ］．Ａｇｒｉｃｕｌｔｕｒｅ，Ｅｃｏｓｙｓｔｅｍｓ
ａｎｄＥｎｖｉｒｏｎｍｅｎｔ，２００３，９４：２０５－－２２０．
【１２】仇肇悦．遥感技术应用［Ｍ】．武汉：武汉大学出版社，１９９８．ＱｉｕＺｈａｏｙｕｅ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＴｅｃｈｎｏｌｏｇｙＡｐｐｌｉｃａｔｉｏｎ【ＭＩ．Ｗｕｈａｎ：ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ．（ｉｎＣｈｉｎｅｓｅ）
【１３】千怀遂．农作物遥感估产最佳时相的选择研究［Ｊ】．生态学报，１９９８，１８（１）；４８—５５．
ＱｉａｎＨｕａｉｓｕｉ．Ｓｅｌｅｃｔｉｏｎｏｆｔｈｅｏｐｔｉｍｕｍｔｅｍｐｏｒａｌｆｏｒｃｒｏｐｅｓｔｉｍａｔｉｏｎｕｓｉｎｇｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａ［Ｊ］．ＡｃｔａＥｃｏｌｏｇｉａＳｉｎｉｃａ，１９９８，１８（１）：４８—５５．（ｉｎＣｈｉｎｅｓｅｗｉｔｈＥｎｇｌｉｓｈａｂｓｔｒａｃｔ）
【１４】ＭａｎｊｕｎａｔｈＫＫＰｏｔｄａｒＭＢ．ＬａｒｇｅａｒｅａｏｐｅｒａｔｉｏｎａｌｗｈｅａｔｙｉｅｌｄｍｏｄｅｌｄｅｖｅｌｏｐｍｅｎｔａｎｄｖａｌｉｄａｔｉｏｎｂａｓｅｄＯｎｓｐｅｃｔｒａｌａｎｄｍｅｔｅｏｒｏｌｏｇｉｃａｌｄａｔａ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００２，２３（１５、：３０２３－－３０３８．
【１５】ＤａｖｉｄＢ，ＬｏｂｅｌｌＪ，ＩｖａｎＯＭ，ｅｔａ１．Ｃｏｍｂｉｎｉｎｇｆｉｅｌｄｓｕｒｖｅｙｓ。
ｒｅｍｏｔｅｓｅｎｓｉｎｇ，ａｎｄｒｅｇｒｅｓｓｉｏｎｌｌ＇ｅｅｓｔｏｕｎｄｅｒｓｔａｎｄｙｉｅｌｄｒａｒｉａｔｉｏｕｓｉＩｌ卸ｉｒｒｉｇａｔｅｄｗｈｅａｔｌａｎｄｓｃａｐｅ［ｊ］．ＡｇｒｏｎｏｍｙＪｏｕｒｎａｌ，２００５，９７：２４１—２４９．
第２期杨武德等：基于３ｓ和实测相结合的冬小麦估产研究１３５
Ｗｉｎｔｅｒｗｈｅａｔｙｉｅｌｄｅｓｔｉｍａｔｉｎｇｂａｓｅｄｏｎ３Ｓｉｎｔｅｇｒａｔｉｏｎａｎｄｆｉｅｌｄ
ｍｅａｓｕｒｅｍｅｎｔ
＇ｆａｎｇＷｕｄｅｌ，ＳｏｎｇＹａｎｔｕｎｌ，ＳｏｎｇＸｉａｏｙａｎｌ，ＤｉｎｇＧｕａｎｇｗｅｉ２
（１．ＣｏｌｌｅｇｅｏｆＡｇｒｉｃｕｌｔｕｒｅ，ＳｈａｎｘｉＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｔａ／ｇｕ０３０８０１，Ｃｈｉｎａ；
２．ＤｅｐａｒｔｍｅｎｔｏｆＣｈｅｍｉｓｔｒｙ，ＮｏｒｔｈｅｒｎＳｔａｔｅＵｎｉｖｅｒｓｉｔｙ，Ａｂｅｒｄｅｅｎ，ＳＤ５７４０１，ＵＳＡ）
Ａｂｓｔｒａｃｔ：ＩｎｔｅｇｒａｔｉｏｎｔｅｃｈｎｏｌｏｇｙｏｆＧＩＳ．ＲＳａｎｄＧＰＳｗｅｒｅｕｓｅｄｔｏｅｓｔｉｍａｔｅｙｉｅｌｄｏｆｗｉｎｔｅｒｗｈｅａｔｉｎＹｕｎｃｈｅｎｇｏｆＳｈａｎｘｉ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｌａｓｔｔｅｎｄａｙｓｏｆＭａｒｃｈｗｅｒｅｔｈｅｏｐｔｉｍｕｍｔｉｍｅｆｏｒａｒｅａｅｓｔｉｍａｔｉｏｎｏｆｗｉｎｔｅｒｗｈｅａｔ．ＴｈｅｆｉｒｓｔａｎｄｓｅｃｏｎｄｔｅｎｄａｙｓｏｆＡｐｒｉｌｗｅｒｅｔｈｅｂｅｓｔｐｅｒｉｏｄｆｏｒｅｓｔｉｍａｔｉｎｇｙｉｅｌｄ．ＩｔｗａｓｍｏｒｅｅｆｆｅｃｔｉｖｅｆｏｒｉｎｆｏｒｍａｔｉｏｎｏｆｗｉｎｔｅｒｗｈｅａｔａｒｅａｅｘｔｒａｃｔｉｏｎｗｉｍＴＭｄａｔａａｎｄｉｎｆｏｒｍａｔｉｏｎｏｆｇｒｅｅｎｌｅｖｅｌｅｘｔｒａｃｔｉｏｎｗｉｔｈＡｖｌ｛ＲＲ．ＡｃｃｏｒｄｉｎｇｔｏｔｈｅａｍｏｕｎｔｏｆＮＤＶＩ．ｗｉｎｔｅｒｗｈｅａｔｗａｓｄｉｖｉｄｅｄｉｎｔｏ３ｔｙｐｅｓａｎｄｅａｃｈｔｙｐｅｏｆｗｈｅａｔｈａｄｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｔｙｉｅｌｄｉｎｄｉｆｆｅｒｅｎｔｒｅｇｉｏｎ．Ａｆｔｅｒａｎａｌｙｚｉｎｇｔｈｅｆｅａｔｕｒｅｓｏｆｐｈｙｓｉｃａｌｇｅｏｇｒａｐｈｙａｎｄｋｅｙｄａｔａｏｆｍｅｔｅｏｒｏｌｏｇｙ，ａｓｙｎｔｈｅｓｉｓｍｏｄｅｌｗａｓｅｓｔａｂｌｉｓｈｅｄｂａｓｅｄｏｎｔｈｅｍａｉｎｆａｃｔｏｒｓｏｆＮＤＶＩ．ｔｅｍｐｅｒａｔｕｒｅ。ａｎｄｈｕｍｉｄｉｔｙ．
Ｋｅｙｗｏｒｄｓ：ｗｉｎｔｅｒｗｈｅａｔ，ｙｉｅｌｄｅｓｔｉｍａｔｉｎｇ，ｒｅｍｏｔｅｓｅｎｓｉｎｇ，ｇｌｏｂａｌｐｏｓｉｔｉｏｎｉｎｇｓｙｓｔｅｍ，ｇｅｏｇｒａｐｈｉｃａｌｉｎｆｏｒｍａｔｉｏｎｓｙｓｔｅｍ
杨武德，等．基于３Ｓ和实测相结合的冬小麦估产研究（图１，２）
ＹａｎｇＷｕｄｅ，ｅｔａ１．Ｗｉｎｔｅｒｗｈｅａｔｙｉｅｌｄｅｓｔｉｍａｔｉｎｇｂａｓｅｄｏｎ３Ｓｉｎｔｅｇｒａｔｉｏｎａｎｄｆｉｅｌｄｍｅａｓｕｒｅｍｅｎｔ（Ｆｉｇｕｒｅ１，２）
图１估产区土地利用图
Ｆｉｇ．１Ｌａｎｄｕｓｅｍａｐｉｎｙｉｅｌｄｅｓｔｉｍａｔｉｎｇｒｅｇｉｏｎ图２冬小麦分类图（以运城市为例）
图例
■■估广。区外［］城镇Ｉ冬小壶
［二山脉＿裸地『湖泊
图例
■一冬，
】冬，
基于3S和实测相结合的冬小麦估产研究
作者：杨武德， 宋艳暾， 宋晓彦， 丁光伟， Yang Wude， Song Yantun， Song Xiaoyan，Ding Guangwei
作者单位：山西农业大学农学院,太谷,030801
刊名：
农业工程学报
英文刊名：TRANSACTIONS OF THE CHINESE SOCIETY OF AGRICULTURAL ENGINEERING
年，卷(期)：2009，25(2)
被引用次数：0次
参考文献(15条)
1.Van Lanen H.A.Reinds G J Physical land evaluation methods and GIS to explore the crop growth potential and its effects within the European communities 1992
2.Marble D F Geographical information system:An Overview 1984
3.汪卫民RS和GIS在农业领域中的应用与展望 1998(02)
4.林艳NOAA卫星玉米遥感估产方法的研究 1996(41)
5.Rasmussen M S Operational yield forecast using AVHRR NDVI data:Reduction of environmental and
inter-annual variability 1997(05)
6.Carlson T N.Ripley D A On the relation between NDVI,fractional vegetation cover and leaf area index 1997
7.Nieves A.Dolors V.Janme C Spectral vegetation indices as nondestructive tools for determining durum wheat yield 2000
8.Boken V K.Shaykewich C E Improving an operational wheat yield model using phenological phase-based normalized difference vegetation index 2002(29)
9.Lydia S.Iolanda F.Josep P Remote sensing of biomass and yield of winter wheat under different nitrogen supplies 2000
https://www.doczj.com/doc/5116330786.html,hns M P.Nielsen G https://www.doczj.com/doc/5116330786.html,wrence R L Wheat yield estimates using multi-temporal NDVI satellite imagery 2002(20)
11.Lobell D B.Asner G P.Ortiz-Monasterin J I Remote sensing of regional crop production in the Yaqui Valley,Mexico:Estimates and uncertainties 2003
12.仇肇悦遥感技术应用 1998
13.千怀遂农作物遥感估产最佳时相的选择研究[期刊论文]-生态学报 1998(01)
14.Manjunath K R.Potdar M B Large area operational wheat yield model development and validation based on spectral and meteorological data 2002(15)
15.David B.Lobell J.Ivan O M Combining field surveys,remote sensing,and regression trees to understand yield rariations in an irrigated wheat landscape 2005
相似文献(10条)
1.期刊论文秦元伟.赵庚星.姜曙千.程晋南.孟岩.李百红.许国臣.韩吉光.Qin Yuanwei.Zhao Gengxing.Jiang Shuqian.Cheng Jinnan.Meng Yan.Li Baihong.Xu Guochen.Han Jiguang基于中高分辨率卫星遥感数据的县域冬小
麦估产-农业工程学报2009,25(7)
随着人口的增加和耕地面积的不断减少,粮食安全问题一直备受关注.该文以山东省广饶县为研究区,探讨基于中高分辨率卫星遥感数据的县域冬小麦估产技术.采用陆地卫星和中巴资源卫星(CBERS)中高分辨率遥感图像,选择冬小麦信息较为突出的4个相似时相,经几何精校正、掩膜、相对辐射校正等预
植被指数分布情况及其与产量的关系,分别构建了基于像元比值植被指数之和(∑RVI)及不同长势区归一化植被指数(NDVI)的冬小麦估产模型.结果显示:各时相冬小麦种植面积的提取精度均在96%以上,且具有较好的空间精度;二种估产模型的估产精度分别达到了96%以上和94.74%,效果较好.研究为县域冬小麦产量的预测提供了有效方法,能更好地指导冬小麦生产和粮食政策的制定,对区域农业可持续发展和粮食安全有积极价值.
2.学位论文任建强基于遥感技术的冬小麦区域估产模型研究2006
随着我国人口不断增加，耕地资源不断减少，以及世界经济一体化格局的逐步形成，国内粮食安全和宏观调控政策的实施等问题再次摆在国人面前，这样使得原本处于重要地位的大面积作物估产和农情监测工作就显得更加重要。冬小麦是我国的主要粮食作物之一，因此，对具有13亿人口的农业人国，针对农作物进行长势监测和产量早期预报和估算，特别是对冬小麦进行长势监测和产量估计具有重要意义。
目前，我国的作物估产已进入业务化运行阶段，但在估产精度、估产方法和理论方面仍需进一步提高、改进和探索。本研究立足于估产工作中的关键问题，即冬小麦区域估产模型的建立，并在"3S"技术支持下进行研究，以期为全国性冬小麦估产业务化运行服务。通过在区域范围内对估产系统中的主要模型，即气象估产模型、遥感估产经验模型和基于生理参数NPP的机理性遥感估产模型进行研究，主要结论如下：
(1)在GIS技术支持下，利用长期气象站点数据和县级冬小麦产量数据，进行了县级气象估产模型和大尺度气象估产模型的建立和应用研究工作，并对不同尺度下的气象估产模型的运行效果进行了对比分析。
在气象估产模型建立中，运用了站点气象数据生成的．5000 m栅格空间气象数据和县级冬小麦产量数据，通过叠加耕地图，考虑了耕地上气象因素的均值对县域内冬小麦产量形成的作用，这与仅利用站点气象数据和县级冬小麦产量数据建立关系的气象估产建模方法相比，具有更强的科学性。
在气象估产模型的建立中，气象因素的选择主要考虑气象因子对产量的累积效应，同时考虑了对产量形成起重要作用的温度、降水和日照等关键气象因素。为了配合实际产量监测工作的需要，本研究从3月下旬至5月下旬建立气象估产模型的间隔时间为一旬，因此，共分7个时段建立模型。模型建立尺度分两种，即县级尺度和将研究区45个县(市)作为整体研究的区域尺度。为了实现不同尺度气象模型间的可比性，模型建立中所采用时段和选择的因素均相同。
通过模型的应用验证，研究区内县级气象估产模型的相对误差在-9.99％～9.87％之间，相对误差绝对值在0.01％～10.00％之间，平均相对误差绝对值在5.02％～5.91％之间。而研究区内大尺度气象估产模型相对误差和相对误差绝对值均减小，相对误差在-3.50％～2.41％之间，相对误差绝对值在0.26％～3.50％之间，平均相对误差绝对值仅为2.55％。可见，将研究区作为整体研究的区域尺度气象估产模型各种误差均减小，而且模型运行的稳定性更高，因此，大尺度气象估产模型更适合业务化估产工作的实际需要，这也为气象估产工作中先分区后估产的工作方法提供了一定的理论依据。
与遥感估产方法受作物长势影响而使估产精度随之呈动态变化的特点相比，气象估产模型则不受作物长势的影响，估产精度不仅较高，而且稳定性强，因此，气象估产方法无疑是利用遥感方法进行人范围估产的有益补充。
(2)运用了能够有效度量植被长势演变过程的归一化植被指数(NDVI)和县级冬小麦产量数据，进行了遥感估产经验模型的研究。
在利用250 m分辨率的MODIS-NDVI进行估产的研究中，运用Savitzky-Golay滤波技术，有效去除了NDVI数据中云及异常值的影响，使NDVI数据更好地反映了作物的长势变化，为提高估产精度奠定了基础。研究中进一步考虑了NDVI对植被覆盖度的敏感性和饱和性的特点，选取0.1～0.8范同内MODIS-NDVI进行了产量预测研究。并建立了部分生育期旬平均NDVI、月平均NDVI与冬小麦单产的关系，通过与实际统计产量对比，单产估计相对误差在
1.36％～11.05％之间，其中，利用月NDVI的估产精度从整体上优于旬NDVI估产精度。旬NDVI估产相对误差变化范围在1.62％～11.05％之间；月NDVI数据估产相对误差变化范围较小，仅在1.36％～5.18％间变化。
通过研究MODIS-NDVI估产经验模型的相关系数和模型相对误差动态变化，确定了利用MODIS-NDVI估产的最佳时期，即4月上旬～5月下旬是利用月NDVI估产的最佳时期，估产相对误差在1.36％～4.69％之间变化；而4月中旬至5月上旬是利用旬数据进行估产的最佳时期，估产相对误差在
1.62％～3.23％之间变化。这对于提高冬小麦收获前盼产量估计精度具有重要意义。
同时，研究利用了近20年8 km月NOAA-NDVI数据和县级冬小麦产量统计数据进行区域冬小麦产量预测研究。并利用县域内月NDVI(0.2～0.8)之和与产量建立的关系来估算冬小麦产量。与分辨率较高的MODIS-NDVI估产精度相比，估产精度较低，其估产相对误差在-12.87％～-7.12％间。但对于更大范围作物产量监测(如全球尺度)而言，利用NOAA-NDVI估产仍然具有较重要的意义。而且针对MODIS数据时间序列较短的特点，K时间序列NOAA-NDVI数据依然是MODIS-NDVI数据的有益补充。
(3)进行了遥感估产机理性模型的研究，即研究利用NPP参数模型进行冬小麦产量估计。研究中首先通过计算冬小麦关键生育期内累积的NPP，再利用C素与冬小麦干物质间转化系数，将NPP的量转化为冬小麦干物质的数量，然后通过收获指数校正，最终得到冬小麦产量的空间分布数据。
在计算研究区内累积．NPP时，采用覆盖全球的TOMS传感器紫外反射率计算光合有效辐射(PAR)的方法，这对于实现大范围作物估产，甚至全球范围的作物估产具有重要意义。同时，运用NASA提供的计算光合有效辐射的算法，即采用分辨率较高的MODIS-NDVI数据计算光合有效辐射分量(fPAR)。与以往采用的NOAA-AVHRR数据计算fPAR相比，对提高光合有效辐射的计算精度有重要意义，从而为提高作物产量估算精度奠定了基础。
通过与田间实际调查的冬小麦生物量和产量进行比较，对预测的NPP和预测的产量结果进行了验证，结果表明研究区内实际生物量平均为1496.60 g·m<'-2>，通过NPP计算的生物量平均为1432.25 g·m<'-2>，绝对误差为-64.35 g．m<'-2>，相对误差为-4.30％。研究区内预测产量与实际产量绝对误差平均为-173.89 kg·hm<'-2>，平均相对误差为-4.41％，其精度可以满足目前农作物估产工作的要求，进一步说明了利用估算NPP的方法进行冬小麦估产的可行性。
(4)在当前充分利用多源数据进行作物估产的主流趋势下，分析了当前农作物估产系统构成，讨论了目前估产工作中的气象估产模型、遥感估产模型和作物生长模型的各自特点和优势，进一步说明了在估产系统中充分发挥各种模型的特长，形成模型闻优势互补的必要性。同时，结合估产工作的实际需要和各种估产模型的特点，研究讨论了各种主要估产模型的整合模式及优选估产模型的先后顺序，并针对本研究中估产模型的研究结果，将模型间整合模式进行了细化研究，进一步完善了目前我国估产系统中主要估产模型的整合模式。
3.期刊论文任建强.陈仲新.唐华俊.REN Jianqiang.CHEN Zhongxin.TANG Huajun基于MODIS-NDVI的区域冬小麦遥
感估产——以山东省济宁市为例-应用生态学报2006,17(12)
以黄淮海平原冬小麦主产区山东省济宁市为研究实例,利用遥感方法,采用250 m分辨率经过Savitzky-Golay滤波技术平滑处理的MODIS-NDVI遥感数据对冬小麦产量进行预测.研究选取了冬小麦关键生育期内0.2～0.8范围的旬NDVI数据,并建立了其与冬小麦产量的关系.同时,采用逐步回归方法筛选建立冬小麦关键生育期旬NDVI与冬小麦产量间关系的估产模型.利用地面实测冬小麦产量数据,对所建的估产模型进行精度检验,结果表明,估产相对误差在-3.6%～3.9%之间.表明利用Savitzky-Golay滤波技术平滑后的作物关键生育期内MODIS-NDVI遥感数据进行冬小麦估产,其方法精度较高,具有一定的可行性.
4.期刊论文江晓波.李爱农.周万村3S一体化技术支持下的西南地区冬小麦估产——以安宁河谷四县为例-地理研
究2002,21(5)
农作物遥感估产已经是广泛应用的技术,但由于西南地区复杂的地貌类型以及遥感信息源等因素的限制,农作物估产方面的研究起步较晚,因而研究山区的农作物遥感估产对西南地区有重要的理论价值和现实意义.安宁河谷为一南北走向的山间盆地,是四川省第二大粮食生产基地.本文运用遥感(Remote Sensing)、地理信息系统(GIS)和全球定位系统(GPS)--简称3S,采取全数字式判读方式提取冬小麦的播种面积,进行野外点、线采样,并利用数理统计方法,建立了该地区的冬小麦估产模型.
5.学位论文余福水EPIC模型应用于黄淮海平原冬小麦估产的研究——以栾城为例2007
本文针对我国粮食安全中粮食估产问题,选择我国粮食主产区之一的黄淮海平原为研究区域,以提高冬小麦产量估测精度与技术水平为日标,探索利用作物生长模型与空间信息技术结合进行区域作物产量估计的技术方法.
本文首先综述分析各类作物估产方法.综合考虑农业生产的独特性和不同估产方法的优缺点,本文最终选取作物生长模拟模型估产方法.由于
EPIC(Erosion Productivity Impact Calculator)模型较准确模拟了作物生长的全过程并考虑了其它因素对作物牛长的影响,而且其估产具有较高的精度,本文探讨了其应用于黄淮海平原冬小麦产量估计的可行性.其次对研究区域的选择本着单点研究的基础向区域研究拓展的思路,选取具有较好研究基础的河北栾城作为单点模型校准的试验区,选取具有良好空问数据基础的河北石衡邢试验区为区域试验区.在单点模型校准研究中,首先对EPIC模型进行模型校正,实现模型的本地化;接着根据实测产量数据,对模型进行了参数校准、部分参数的灵敏度分析等工作;然后对EPIC模型进行了空间化,使其能够应用于大
EPIC模型能够很好地模拟栾城生态实验站冬麦长势和产量.10年预测平均产量要比10年实测平均产量要低0.05t/ha,相对误差为0.74﹪,各年的相对误差在.5.8﹪～2.9~/0之问变化.预测产量的均方根误差(RMSE)为0.18t/ha,达到实测产量平均值(6.72t/ha)的2.68﹪,这个误差范围要低于EPIC模型通常误差范围之内(15﹪).模拟产量和实测产量两者之间的决定系数R<'2>为0.8433.较准确的能量一生物量转换因子、收获指数、潜热等参数或者温度、太阳辐射等输入数据有利于提高模型最终的模拟精度.模型模拟最终精度值受田问管理文件的影响较大.对于区域作物产量估计时最终模拟的决定系数R<'2>,考虑了田问管理数据存在地区差异时的值要比没有考虑田问管理数据存在地区差异时的值高,两者分别为0.4596和0.0001.当模型需要的数据均为实测数据的时候,EPIC模型能够很好地应用于黄淮海平原冬小麦产量估计.
本文对作物生长模型本身、作物模型和遥感信息结合等方面进行了探讨,获得了一些初步结论.但是由于本研究涉及的方而较多,限于资料和时问的相对缺乏、方法上不足,还存在一些问题有待于下一步深入探讨.如模型对气象数据的模拟、模型对越冬期作物生长的模拟、遥感数据与作物模型尺度转换和空间匹配、模型中更多参数遥感数据反演等.
6.期刊论文卢艳丽.胡昊.白由路.王磊.王贺.杨俐苹.LU Yan-li.HU Hao.BAI You-lu.WANG Lei.WANG He.YANG Li-
ping植被覆盖度对冬小麦冠层光谱的影响及定量化估产研究-麦类作物学报2010,30(1)
为避免土壤背景对冠层光谱的干扰,提高冬小麦定量化估产精度,以河北廊坊中低产田条件下的冬小麦为研究对象,利用ASD Field Spec高光谱仪定点获取冬小麦冠层光谱信息,分析了田间植被覆盖度和冠层NDVI在生育期内的变化,并利用植被覆盖度对冠层NDVI进行了校正.结果表明,通过三基色即RGB、色度和亮度可将数字图像中冬小麦和土壤背景进行分割,从而获得单位面积上冬小麦的覆盖百分比.而通过覆盖度校正后的植被指数即C-NDVI能够更具针对性地反映植株冠层氮素信息.在本试验条件下利用灌浆中期的C-NDVI与产量进行一元回归或利用全生育期的C-NDVI与产量进行多元回归均取得了较好的效果,决定系数分别为0.849和0.853.由于多元回归模型考虑了不同时期的C-NDVI的变化,因此模型具有更强的可靠性和稳定性,较适合于冬小麦定量化估产.
7.期刊论文任建强.陈仲新.唐华俊.石瑞香.Ren Jianqiang.Chen Zhongxin.Tang Huajun.Shi Ruixiang基于植物
净初级生产力模型的区域冬小麦估产研究-农业工程学报2006,22(5)
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=aNDVI+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.
8.学位论文江晓波西南地区冬小麦遥感估产研究—以四川省为例2000
该论文运用遥感和GIS等先进的技术手段,采取人机交互的方式提取耕地面积.由于在冬小麦生长旺盛时期,耕地中除了冬小麦以外还大量地种植油菜及蔬菜等作物,所以要运用野外采样来获取冬小麦以外还大量地种植油菜及蔬菜等作物,所以要运用野外采样来获取冬小麦的播种成数,从而获得冬小麦实际的播种面积.以统计学和概率论为数学基础,将四川省各县的冬小麦单划单元,分析影响冬小麦产量形成的主要固子,包括冬小麦品种、气象、地形、土壤、水文等,将冬小麦产量分为两个部分,一部分是时间趋热产量,一部分是气象产量.影响时间趋热产量的因子主要和农业生产技术水平的进步、冬小麦的品种、田间耕作条件地改善等相关;影响气象产量的因子即是气象因子,包括温度、降水、日照以及气象灾害因子,如极端温度、旱涝等.通过对冬小麦产量影响因子的分析,最终建立冬小麦的气象-产量模型和遥感模型.并且对所建立的模型的精度进行评价.
9.期刊论文赵庚星.余松烈.ZHAO Geng-Xing.YU Song-lie冬小麦遥感估产研究进展-山东农业大学学报(自然科
学版)2001,32(1)
本文对冬小麦遥感估产的研究现状及进展进行了分析。内容包括应用的信息源类型、冬小麦产量估测模型的建立、冬小麦面积信息的提取等，并就冬小麦估产有关问题进行了探讨。
10.期刊论文张智韬.李援农.陈俊英.刘昕.ZHANG Zhi-tao.LI Yuan-nong.CHEN Jun-ying.LIU Xin关中西部灌区
冬小麦遥感估产初探-干旱地区农业研究2005,23(5)
根据冬小麦生长特点与产量的关系,认为小麦扬花期至灌浆期为最佳监测时期,利用遥感影像(TM)进行了绿度指数(GDVI)计算与分析,建立了GDVI与小麦产量的关系,完成了小麦估产.通过与实际产量进行比较,其估产精度可达88.90%以上.
本文链接：https://www.doczj.com/doc/5116330786.html,/Periodical_nygcxb200902025.aspx
授权使用：中国农业大学(zgnydx)，授权号：29bccbf8-d2de-45d5-a2bc-9ded00ee9537
下载时间：2010年9月10日