CN109117977B - 基于相对遥感变量及相对产量信息的水稻遥感估产方法 - Google Patents

Abstract

一种基于相对遥感变量及相对产量信息的水稻遥感估产方法，所述方法包括以下步骤：1消除环境影响的相对遥感变量；2相对产量变量的构建；3基于相对遥感变量和相对产量变量的水稻估产模型构建；4目标地块的“产量相对值”计算；5目标水稻单产估测。该方法有效的消除了遥感估产由于不同年份和不同区域的气候、土壤、栽培和田间管理等条件的不同对估产结果产生较大影响，为精确进行农作物估产提供了一种新的思路和方法。

Description

基于相对遥感变量及相对产量信息的水稻遥感估产方法

技术领域

本发明利用遥感技术获取的农作物反射辐射值或反射率，以相同时期某一长势稳定的农作物田块为基准，涉及一种基于遥感数据的相对农作物估产方法，实现农作物的田间精确估产。

背景技术

粮食供给的稳定与社会经济的发展密切相关，粮食生产安全历来也是各个国家高度重视得问题。急剧增加的人口数量、耕地面积的减少、水资源污染和水资源短缺、环境的恶化、全球气候的变暖，严重影响农业生产和危及粮食安全。粮食安全目前已成为许多国家和地区的面临的最大的挑战。在当今复杂多变条件下，精准地粮食产量信息获取对于国家粮食安全、农业政策的制定、国家粮食价格的调控、水资源的合理调配具有重要的指导意义。

目前，利用卫星遥感数据进行区域农作物生产力估算时，最常用的是基于遥感光谱信息的农作物估产统计模型，旨在利用遥感技术获取农作物的反射辐射值或反射率建立不同时期植被指数与产量关系，从而得到目标年份的估产结果。

但是该估产方法缺陷在于利用历史年份数据进行建模，我们知道不同年份不同区域的气候、土壤、栽培和田间管理等条件存在差异，从而导致农作物的生长状态、生育期、产量等要素也有较大的不同。若以历史年份的农作物在其当年的生长条件下获得的遥感参数来预测与历史年份不同的生长条件下的目标年份的生产力，其结果往往会产生较大的误差。

发明内容

为了克服已有水稻遥感估产方法的准确性较差的不足，本发明提出了一种基于相对遥感变量及相对产量信息的水稻遥感估产方法，有效消除遥感估产由于不同年份和不同区域的气候、土壤、栽培和田间管理等条件的不同对估产结果产生较大影响，

本发明解决其技术问题所采用的技术方案是：

一种基于相对遥感变量及相对产量信息的水稻遥感估产方法，包括以下步骤：

1)消除环境影响的相对遥感变量

选择研究区内一个种植均匀且长势良好的田块作为基准田块，将不同时期获得的基准田块植被指数作为“植被指数基准值”，而后将研究区内其他田块的植被指数均除以基准田块的“植被指数基准值”，得到“植被指数相对值”，即相对植被指数，计算公式为：

式中，ΔVI为相对植被指数，VI_S为植被指数基准值，VI为除基准田外其他田块的植被指数；

2)相对产量变量的构建

利用之前选定的基准田块，将该田块水稻产量值作为“产量基准值”，而后将研究区内其他田块的产量均除以基准田块的“产量基准值”，得到“产量相对值”，相对产量信息；

式中，RY为相对产量，Yield_S为产量基准值，Yield为除基准田外其他田块的产量值；

3)基于相对遥感变量和相对产量变量的水稻估产模型构建

将步骤1)和步骤2)中获得的不同时期的“植被指数相对值”作为自变量和“产量相对值”作为因变量进行建模，得到拟合函数；

RY＝f(ΔVI) (3)

4)目标地块的“产量相对值”计算

利用步骤1)中的公式(1)计算目标地块不同时期的“植被指数相对值”，将其带入步骤3)中构建的模型获得的目标地块的拟合“产量相对值”；

5)目标水稻单产估测

依据公式(4)计算目标地块水稻产量；

EY＝FRY×Yield_S (4)

式中，EY为预测产量，FRY为步骤4)得到的拟合“产量相对值”，Yield_S为产量基准值。

进一步，所述步骤3)中用于拟合建模的统计模型可以采用线性、指数、对数、幂函数或多项式等多种形式。

本发明的有益效果主要表现在：有效消除遥感估产由于不同年份和不同区域的气候、土壤、栽培和田间管理等条件的不同对估产结果产生较大影响，准确性较高。

附图说明

图1是农作物相对估产计算过程图解。

图2是实测产量与预测产量对比图。

图3是基于相对遥感变量及相对产量信息的水稻遥感估产方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种基于相对遥感变量及相对产量信息的水稻遥感估产方法，包括以下步骤：

1)消除环境影响的相对遥感变量

选择研究区内一个种植均匀且长势良好的田块作为基准田块，将不同时期获得的基准田块植被指数作为“植被指数基准值”，而后将研究区内其他田块的植被指数均除以基准田块的“植被指数基准值”，得到“植被指数相对值”，即相对植被指数，计算公式为：

式中，ΔVI为相对植被指数，VI_S为植被指数基准值，VI为除基准田外其他田块的植被指数；

2)相对产量变量的构建

利用之前选定的基准田块，将该田块水稻产量值作为“产量基准值”，而后将研究区内其他田块的产量均除以基准田块的“产量基准值”，得到“产量相对值”，相对产量信息；

式中，RY为相对产量，Yield_S为产量基准值，Yield为除基准田外其他田块的产量值；

3)基于相对遥感变量和相对产量变量的水稻估产模型构建

将步骤1)和步骤2)中获得的不同时期的“植被指数相对值”作为自变量和“产量相对值”作为因变量进行建模，得到拟合函数。

RY＝f(ΔVI) (3)

4)目标地块的“产量相对值”计算

利用步骤1)中的公式(1)计算目标地块不同时期的“植被指数相对值”，将其带入步骤3)中构建的模型获得的目标地块的拟合“产量相对值”；

5)目标水稻单产估测

依据公式(4)计算目标地块农作物产量。

EY＝FRY×Yield_S (4)

式中，EY为预测产量，FRY为步骤4)得到的拟合“产量相对值”，Yield_S为产量基准值。

进一步，所述步骤3)中，采用线性、指数、对数、幂函数或多项式拟合。

该实验区共22块实验田，根据需要利用无人机装载的高光谱成像仪获得不同时期的遥感数据——水稻反射辐射值。我们选择了孕穗期、抽穗期和乳熟期三个时期的辐射值。然后利用该辐射值计算出各实验田的归一化植被指数(NDVI)，并以1号田的NDVI为标准，计算所有实验的田的相对NDVI。同样的，以1号田的产量值作为标准，计算所有实验田的产量相对值。计算结果如表1所示。

表1

将孕穗期、抽穗期和乳熟期三个时期的相对NDVI值作为三个自变量x₁、x₂、x₃，产量相对值作为因变量y。经过测试，该组实验数据采用多元线性拟合的效果最好，R²达到了0.83，拟合方程为：

y＝-1.064+0.196x₁+2.042x₂-0.232x₃

而后将y乘以1号田的实测产量即可得到各个实验田的预测产量。由于数据量的限制，我们利用上述拟合方程，采用留一交叉验证法对2号至22号实验田分别进行估产计算(实验田1为基准田块，不参与计算)，并与实际产量作对比，结果如表2和图2所示，平均相对误差达到了0.01％，估产结果较为理想。

表2。

Claims (2)

1.基于相对遥感变量及相对产量信息的水稻遥感估产方法，其特征在于，所述方法包括以下步骤：

1)消除环境影响的相对遥感变量

选择研究区内一个种植均匀且长势良好的田块作为基准田块，将不同时期获得的基准田块植被指数作为“植被指数基准值”，而后将研究区内其他田块的植被指数均除以基准田块的“植被指数基准值”，得到“植被指数相对值”，即相对植被指数，计算公式为：

式中，ΔVI为相对植被指数，VI_S为植被指数基准值，VI为除基准田外其他田块的植被指数；

2)相对产量变量的构建

利用之前选定的基准田块，将该田块水稻产量值作为“产量基准值”，而后将研究区内其他田块的产量均除以基准田块的“产量基准值”，得到“产量相对值”，相对产量信息；

式中，RY为相对产量，Yield_S为产量基准值，Yield为除基准田外其他田块的产量值；

3)基于相对遥感变量和相对产量变量的水稻估产模型构建

将步骤1)和步骤2)中获得的不同时期的“植被指数相对值”作为自变量和“产量相对值”作为因变量进行建模，得到拟合函数；

RY＝f(ΔVI) (3)

4)目标地块的“产量相对值”计算

利用步骤1)中的公式(1)计算目标地块不同时期的“植被指数相对值”，将其带入步骤3)中构建的模型获得的目标地块的拟合“产量相对值”；

5)目标水稻单产估测

依据公式(4)计算目标地块水稻产量；

EY＝FRY×Yield_S (4)

式中，EY为预测产量，FRY为步骤4)得到的拟合“产量相对值”，Yield_S为产量基准值。

2.如权利要求1所述的基于相对遥感变量及相对产量信息的水稻遥感估产方法，其特征在于，所述步骤3)中用于拟合建模的统计模型可以采用线性、指数、对数、幂函数或多项式等多种形式。

Images