基于物候信息的山东省冬小麦长势遥感监测

侯学会， 隋学艳， 姚慧敏， 梁守真， 王 猛

(1.山东省农业可持续发展研究所,济南 250100； 2.农业部华东都市农业重点实验室,济南 250100)

0 引言

作物长势监测是农情监测最核心的内容之一。作物长势信息客观描述了作物生长、土壤墒情、肥力及植物营养的综合状况，是作物估产的必要前提。遥感技术因其可获得在空间和时间上的连续信息，已成为大范围作物长势监测的有效手段[1]。国内外很多组织建立了政府性的农作物遥感监测系统，为相关部门及时提供农情信息[2]。

植被指数，如归一化差值植被指数(normalized difference vegetation index，NDVI)、增强型植被指数(enhanced vegetation index，EVI)和归一化差值红外指数(normalized difference infrared index，NDII)等，是利用遥感技术研究植被长势的主要指标[3-4]。国内外学者基于遥感技术进行作物长势监测已经取得了一系列成果。黄青等[5]基于MODIS NDVI 数据，通过与近5 a 作物长势的平均状况对比，发现2013年东北地区不同作物长势在整个生育期内的时空分布存在较大差异； 邹文涛等[6]利用MODIS NDVI 序列数据，综合采用实时监测、过程监测和时间序列聚类监测方法，以2008―2012年间平均长势为基础，对印度2013年作物长势进行监测，优化了Cropwatch作物长势监测方法； Esquerdo等[7]、Duveiller等[8]和Becker-Reshef等[9]也基于SPOT-VGT，NOAA-AVHRR和MODIS遥感影像开展了大范围的作物长势监测。但综合来看，目前已有的成果一般都是根据作物多年平均长势状况对当年相应时间点或时间段的作物长势进行研究，而在大范围的作物长势监测时，不同区域的作物会因所处物候期的不同导致长势出现差异； 且受气候因子和人为因素的影响，同一区域作物的物候在时间序列上也会发生变化，这种因为物候变化产生的长势差异与作物本身长势状况的变化混在一起，增加了对作物长势在时间序列上变化分析的不确定性。因此，开展大区域、长时间序列作物长势监测研究，首先需要对作物长势参数进行物候修正，以消除或减少物候差异对作物长势监测结果的影响。

本文以山东省冬小麦为研究对象，以MODIS 8 d合成反射率数据为主要数据源，结合地面调查数据，在提取2001―2015年间冬小麦抽穗期的基础上，进行抽穗期冬小麦长势监测； 并对冬小麦长势状况的时空格局进行分析，初步探索如何消除长时间和大区域作物长势监测中物候差异的影响。

1 数据源与预处理

1.1 遥感数据源

本文使用的遥感数据为8 d最大值合成的MODIS反射率数据集——MOD09A1，空间分辨率为500 m，从MODIS数据免费分发网站(https: //ladsweb.nascom.nasa.gov/search/)获得，数据覆盖每年的3―5月，年际范围为2001―2015年。MOD09A1的原始数据为HDF格式的Sinusoidal投影，利用MRT软件对MOD09A1进行预处理，提取植被指数构建所需的4个波段(B1―3和B6)的反射率和质量标记文件refl_500m_qc，并转为tiff格式，投影到Albers坐标系下。根据表1，基于反射率数据计算得到NDVI，EVI，NDII，产品改进-NDVI(product improve-NDVI,PI_NDVI)和产品改进-EVI(product improve-EVI,PI_EVI)等 5种常用的植被指数； 然后基于像元质量文件，利用Savitzky-Golay滤波法对时序植被指数进行像元尺度上的去噪处理[10-11]，进一步去除影像中的噪声，提高监测精度。为了与验证数据使用的儒略日一致，将滤波之后的8 d合成植被指数重采样为1 d的数据。

表1 各种植被指数的定义Tab.1 Definitions of several vegetation indices

表1中，Rnir，Rred，Rblue和Rswir分别为MOD09A1数据中B1,B2,B3和B6波段的反射率值；L为冠层背景的调整因子;C1和C2分别为权重系数，用于减少大气气溶胶影响。文中L,C1和C2分别取值为1.0，6.0和7.5[13]。

1.2 冬小麦种植区

本文中的冬小麦种植区依据中科院地理所发布的2005年山东省土地利用数据中的耕地数据进行掩模运算得到(图1)。

图1 山东省冬小麦种植区分布及农业台站位置

因为冬小麦种植面积变化不是本文研究的重点，因此本文未对研究时间段内冬小麦种植区的分布变化对研究精度的影响进行分析。

1.3 地面验证数据

利用中国气象科学数据共享网(http: //data.cma.cn/)获得的山东省11个站点(图1)的冬小麦2001―2013年间的物候数据，对提取的研究时间段内山东省冬小麦抽穗期进行验证。冬小麦地面物候观测数据为“年/月/日”格式，为了与利用遥感数据提取的第N天数据对应，利用Excel中days360()函数将年/月/日转换成儒略日。

2 研究方法

2.1 冬小麦抽穗期数据提取

基于遥感技术的作物物候提取方法已有很多，本文基于滤波重构后的逐日植被指数时间序列提取植被指数(vegetation index，VI)峰值出现的时间，作为冬小麦抽穗期的时间标识。NDVI是目前基于遥感进行作物物候提取的最常用指标，但在植被生长旺盛时期，NDVI易出现饱和； 而EVI因加入了蓝光波段，可降低土壤背景和大气因素的影响，消除NDVI易饱和的缺陷[16]。 因此，本文基于NDVI和EVI时序数据，分别进行山东省冬小麦抽穗期提取； 然后根据11个农业台站观测的冬小麦抽穗期数据，依据相关系数r、平均绝对误差MAE、偏差bias和纳什系数NSE，对2种指数的提取结果进行判定，选择提取精度较高的指标作为本文冬小麦抽穗期提取的遥感指标。

2.2 冬小麦长势状况判定

首先，逐像元计算出2001―2015年间抽穗期的NDVI，EVI，NDII，PI_NDVI和PI_EVI值； 然后，计算所有年份抽穗期中各指数均值； 最后，提取各指数的逐年距平值(即指数值与指数均值的差值)。正距平指数表示植被长势比多年平均状况好，负距平指数则表示植被长势比多年平均状况差。陈维英等[17]基于平均植被指数(average VI，AVI)对干旱状况进行了分级，(-0.2,-0.1)表示干旱，(-0.6,-0.3)表示严重干旱。以此为参考，结合地面调查资料，本文将山东省冬小麦长势分为5个等级。由于缺少直接表征冬小麦长势的地面验证数据，据已有研究，与其他生长期相比，小麦抽穗期的综合长势情况与产量呈显著相关[18]。因此，为了评价各植被指数在山东省小麦长势监测中的适应性，首先，计算出研究区每年的各指数和； 然后依据山东省统计局发布的2001―2014年间山东省冬小麦产量数据，评价各指数监测山东省冬小麦长势精度的适宜性； 从而选择出能表征山东省小麦长势状况的遥感指标，并对近15 a以来的山东省抽穗期冬小麦长势进行评价。

山东省冬小麦长势等级划分如表2所示。

表2 山东省冬小麦长势划分等级Tab.2 Grade of growth of winter wheats inShandong Province

3 结果分析与验证

3.1 2001―2015年山东省冬小麦抽穗期分析

3.1.1 冬小麦抽穗期遥感监测结果验证

根据经纬度分别提取农业台站站点的冬小麦抽穗期NDVI和EVI监测结果，并利用站点数据进行验证，结果如图2所示。

(a) NDVI指数 (b) EVI指数

图2冬小麦抽穗期遥感提取结果与地面实测数据对比

Fig.2Comparisonbetweenheadingdatesofwinterwheatextractedusingremotesensingdataandgroundmeasureddata

基于NDVI和EVI提取的冬小麦抽穗期与地面实测数据均呈极显著相关关系(NDVI：r=0.469，p<0.001； EVI：r=0.559，p<0.001)，说明二者均可作为冬小麦抽穗期遥感判识指标。分析二者提取结果的其他评价指标，基于EVI提取的MAE为9.45，小于基于NDVI提取结果(MAE=10.1)； 且基于EVI提取结果的bias和NSE分别为0.06和-2.39，优于基于NDVI提取结果的0.07和-2.64。说明本文基于EVI指数提取的冬小麦抽穗期优于基于NDVI指数提取的冬小麦抽穗期，可以作为研究区冬小麦抽穗期长势评价的依据。

3.1.2 近15 a冬小麦抽穗期时空格局

图3分别示出基于EVI提取的山东省近15 a以来冬小麦抽穗期均值的空间分布(图3(a))和时间变化趋势(图3(b))。根据图3(a)可知，山东省冬小麦抽穗期主要集中在年积日第100―120天(即4月中旬―下旬)，并从南向北、自西向东逐渐推迟； 从时间变化(图3(b))来看，近15 a以来山东省冬小麦抽穗期的时间变化趋势并不明显，变化在-0.5～0.5 d/a的区域占冬小麦种植区总面积的63%以上，但仅有0.07%区域的冬小麦抽穗期变化达到显著水平。

(a) 冬小麦抽穗期均值 (b) 冬小麦抽穗期时间变化

图32001—2015年山东省冬小麦抽穗期时空格局

Fig.3Spatio-temporalpatternofheadingdatesofwinterwheatinShandongProvinceduring2001—2015

3.2 2001―2015年山东省冬小麦长势评价

3.2.1 冬小麦长势时空格局

表3示出研究区各植被指数值逐像元累积之和与2001―2014年间山东省冬小麦总产量数据的相关关系。

表3 各植被指数表征的长势与产量相关关系Tab.3 Correlation between VIs and yield of winter wheat

根据表3，综合考虑作物绿度和水分指数(PI_NDVI和PI_EVI)与作物产量的相关性达到显著水平，优于只考虑绿度的指数(NDVI和EVI)和只考虑水分的指数(NDII)，其中以PI_NDVI的相关关系最优，为极显著相关(r=0.727，p=0.003)。因此，本文以PI_NDVI为指标，对近15 a以来的山东省冬小麦长势提取结果进行评价。

为更好地反映山东省冬小麦长势演变，本文取研究区每年PI_NDVI的均值代表该年山东省冬小麦整体长势，结果如图4所示。从图4可以看出，山东省冬小麦抽穗期间长势在2001―2015年间整体呈上升趋势，年变化趋势为0.006(r=0.442)； 年际间波动较大，如2004和2014年全省小麦抽穗期时长势明显优于其他年份，2004和2014年PI_NDVI的距平值分别为0.214 5和0.209 3，分别比近15 a平均距平值高218.25%和210.53%，这可能主要是因为2004年2月份[19]和2014年2月份[20]山东全省降水偏多，且气温偏高，为冬小麦越冬期之后的生长提供了适宜的生长环境，使小麦长势较常年好。其余年份长势状况差别不明显，比较接近于多年平均状况(PI_NDVI=0.067 4)。

图4 2001—2015年山东省冬小麦抽穗期

图5为2001—2015年山东省冬小麦抽穗期长势的空间分布。

(a) 2001年 (b) 2002年 (c) 2003年(d) 2004年

(e) 2005年 (f) 2006年 (g) 2007年

图5-12001—2015年山东省冬小麦抽穗期长势空间分布

Fig.5-1Distributionofgrowthconditionofwinterwheatduringheadingdatesfrom2001to2015inShandongProvince

(h) 2008年 (i) 2009年 (j) 2010年(k) 2011年

(l) 2012年 (m) 2013年 (n) 2014年(o) 2015年

图5-22001—2015年山东省冬小麦抽穗期长势空间分布

Fig.5-2Distributionofgrowthconditionofwinterwheatduringheadingdatesfrom2001to2015inShandongProvince

从总体来看，近15 a山东省冬小麦长势很差的区域所占比重很小，2002年占比0.32%、2005年占比0.89%、2008年占比0.51%、2010年占比0.69%、2013年占比1.07%。部分区域的小麦长势严重低于多年均值，主要分布在鲁西地区； 但2013年受春季大范围干旱的影响，小麦长势很差的区域范围较广，鲁西、鲁中和鲁南地区均有出现，长势较差的区域占当年冬小麦种植面积的20.36%。但从总体上来看，在研究时间段内，绝大部分区域的冬小麦长势都比较一致，长势与15 a间平均长势持平的区域占63%以上，其中以2009年所占比重最大(达 92.94%)，而2013年所占比重仅为63.56%。虽然2015年冬小麦整体长势不如2014年(图4)，但2015年冬小麦长势好于多年平均的区域所占比重最大(达27.85%)。

从空间分布来看，鲁西南地区冬小麦长势在整体上比较一致，除2001年和2002年鲁西南部分地区小麦长势较差外，其余年份的小麦长势比较一致； 而鲁西北地区的小麦长势总体上呈上升趋势。这可能是因为鲁西地区是山东省主要农业区，政府在该地区对农田水利设施的投入较多，基本上能保障农田需水； 而鲁东地区冬小麦长势状况在年际间波动较大，这与该地区作物主要靠雨水供养有关，降水较少的年份小麦长势明显差于正常年份。

3.2.2 评价结果验证

冬小麦长势是降水、墒情/干旱状况的综合反映。本文利用已有的相关研究对山东省冬小麦长势评价结果进行验证。据杨丽萍等[21]的研究，2008年4月上旬山东全省平均降水量为15.9 mm，比常年偏多148%； 但鲁西北大部、半岛及鲁中地区平均降水量在10 mm以下，墒情较低。而基于遥感数据和地面实测数据反演结果显示，2008年4月上旬山东省大部分地区墒情适宜，鲁北、鲁中及半岛地区土壤墒情低，出现了一定的干旱，鲁北地区旱情尤为严重，这与本文结果基本一致。另外，刘畅等[22]基于气象观测资料分析指出，2014年春季在山东省冬小麦主产区的鲁西北和鲁南大部分地区降水较常年偏多，且气温较常年较高，日照时数偏多，导致冬小麦生长期进程加快； 段海霞等[23]的研究指出2014年4月上旬山东省出现不同程度的旱情，但到4月下旬旱情已得到缓解，仅鲁中和鲁西的部分地区出现轻微干旱。而本文研究得出2014年山东省冬小麦92%以上区域长势好于多年平均或持平，仅鲁中和鲁西的部分地区呈现长势较差状况，这与刘畅等人基于气候资料分析的结果比较一致。据2012年山东省气候影响评价，2012年初夏山东省农田干旱总面积约为120万hm2，其中重旱面积12.4万hm2。而本文基于MOD09A1数据反演冬小麦长势，得到2012年抽穗期冬小麦比多年平均长势差的面积为149.14万hm2，长势较差区域面积为7.47万hm2。尽管因研究空间尺度、数据源和监测时间以及统计对象的差异导致本文研究结论与已有成果在空间特性上略有差异，但本文结论与前人成果仍具有一定的可比性。因此，本文的监测结果基本上反映了研究区冬小麦的长势状况，具有一定的可靠性。

4 结论

本文基于MODIS 8 d最大值合成反射率数据，在提取冬小麦抽穗期的前提下，分析了2001―2015年间山东省冬小麦抽穗期时长势状况。

1)用加入蓝光波段构建的EVI指数提取的山东省冬小麦抽穗期具有一定的可靠性。冬小麦抽穗期主要集中在4月中、下旬，且从南向北、从西向东逐渐推迟。

2)遥感监测的冬小麦长势是植被绿度和水分综合信息的反映，基于PI_NDVI指数，近15 a间山东省冬小麦长势状况整体呈上升趋势； 但年际间波动较大，且因受自然气候因素和人工田间管理的影响，相同年份、不同区域的冬小麦长势存在显著差异，但大部分区域与多年状况持平。

3)与自然植被不同，冬小麦长势状况受自然气候因素和田间管理综合影响，尤其是近年来山东省加大农田基本设施建设，在平原地区基本上能保证农田需水，因此导致基于自然气候因素分析农田作物农情的精度不高。如何结合田间管理提高农情遥感监测精度，需要进一步深入研究。

参考文献(References)：

[1] 蒙继华,杜 鑫,张 淼,等.物候信息在大范围作物长势遥感监测中的应用[J].遥感技术与应用,2014,29(2):278-285.

Meng J H,Du X,Zhang M,et al.Integrating crop phenophase information in large-area crop condition evaluation with remote sensing[J].Remote Sensing Technology and Application,2014,29(2):278-285.

[2] 吴炳方,蒙继华,李强子.国外农情遥感监测系统现状与启示[J].地球科学进展,2010,25(10):1003-1012.

Wu B F,Meng J H,Li Q Z.Review of overseas crop monitoring systems with remote sensing[J].Advances in Earth Science,2010,25(10):1003-1012.

[3] 赵 虎,杨正伟,李 霖,等.作物长势遥感监测指标的改进与比较分析[J].农业工程学报,2011,27(1):243-249.

Zhao H,Yang Z W,Li L,et al.Improvement and comparative analysis of indices of crop growth condition monitoring by remote sensing[J].Transactions of the Chinese Society of Agricultaual Engineering,2011,27(1):243-249.

[4] Guindin-Garcia N,Gitelson A A,Arkebauer T J,et al.An evaluation of MODIS 8- and 16-day composite products for monitoring maize green leaf area index[J].Agricultural and Forest Meteorology,2012,161:15-25.

[5] 黄 青,唐华俊,周清波,等.东北地区主要作物种植结构遥感提取及长势监测[J].农业工程学报,2010,26(9):218-223.

Huang Q,Tang H J,Zhou Q B,et al.Remote-sensing based monitoring of planting structure and growth condition of major crops in Northeast China[J].Transactions of the Chinese Society of Agricultaual Engineering,2010,26(9):218-223.

[6] 邹文涛,吴炳方,张 淼,等.农作物长势综合监测——以印度为例[J].遥感学报,2015,19(4):539-549.

Zou W T,Wu B F,Zhang M,et al.Synthetic method for crop condition analysis:A case study in India[J].Journal of Remote Sensing,2015,19(4):539-549.

[7] Esquerdo J C D M,Zullo Júnior J,Antunes J F G.Use of NDVI/AVHRR time-series profiles for soybean crop monitoring in Brazil[J].International Journal of Remote Sensing,2011,32(13):3711-3727.

[8] Duveiller G,López-Lozano R,Baruth B.Enhanced processing of 1-km spatial resolution fAPAR time series for sugarcane yield forecasting and monitoring[J].Remote Sensing,2013,5(3):1091-1116.

[9] Becker-Reshef B,Vermote E,Lindeman M,et al.A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J].Remote Sensing of Environment,2010,114(6):1312-1323.

[10] Chen J,Jonsson P,Tamura M,et al.A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter[J].Remote Sensing of Environment,2004,91(3/4):332-344.

[11] 吴文斌,杨 鹏,唐华俊,等.两种NDVI时间序列数据拟合方法比较[J].农业工程学报,2009,25(11):183-188.

Wu W B,Yang P,Tang H J,et al.Comparison of two fitting methods of NDVI time series datasets[J].Transactions of the Chinese Society of Agricultaual Engineering,2009,25(11):183-188.

[12] Rouse Jr J W,Haas R H,Schell J A,et al.Monitoring vegetation systems in the Great Plains with ERTS[C]//Proceedings of the 3rd Earth Resources Technology Satellite-1 Symposium. College Station,TX,United States:NASA,1974:3010-3017.

[13] Huete A,Justice C,Liu H.Development of vegetation and soil indices for MODIS-EOS[J].Remote Sensing of Environment,1994,49(3):224-234.

[14] Hardisky M A,Klemas V,Smart R M.The influence of soil salinity,growth form,and leaf moisture on the spectral radiance of Spartina alterniflora canopies[J].Photogrammetric Engineering and Remote Sensing,1983,49(1):77-83.

[15] Gonsamo A,Chen J M.Continuous observation of leaf area index at Fluxnet-Canada sites[J].Agricultural and Forest Meteorology,2014,189-190:168-174.

[16] Liu H Q,Huete A.A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J].IEEE Transactions on Geoscience and Remote Sensing,1995,33(2):457-465.

[17] 陈维英,肖乾广,盛永伟.距平植被指数在1992年特大干旱监测中的应用[J].环境遥感,1994,9(2):106-112.

Chen W Y,Xiao Q G,Sheng Y W.Application of the anomaly vegetation index to monitoring heavy drought in 1992[J].Remote Sensing of Environment China,1994,9(2):106-112.

[18] 肖伟中.小麦长势与产量信息空间变异性及相关性研究[D].镇江:江苏大学,2009.

Xiao W Z.Research on Spatial Variability and Relationships of Wheat Growth and Yield[D].Zhenjiang:Jiangsu University,2009.

[19] 耿 勃,张 飒.2003年冬季(2003年12月—2004年2月)山东天气评述[J].山东气象,2004,24(1):48-50.

Geng B,Zhang S.Weather review of the winter 2003(Dec.2003-Feb.2004) in Shandong Province[J].Journal of Shandong Meteorology,2004,24(1):48-50.

[20] 韩永清,刘 畅,王 娜,等.2013年冬季(2013年12月—2014年2月)山东天气评述[J].山东气象,2014,34(1):77-79.

Han Y Q,Liu C,Wang N,et al.A review on the weather of Shandong in the winter of 2013(December,2013—February,2014)[J].Journal of Shandong Meteorology,2014,34(1):77-79.

[21] 杨丽萍,隋学艳,杨 洁,等.山东省春季土壤墒情遥感监测模型构建[J].山东农业科学,2009(5):17-20.

Yang L P,Sui X Y,Yang J,et al.Construction of remote sensing monitoring model for spring soil moisture in Shandong Province[J].Shandong Agricultural Sciences,2009(5):17-20.

[22] 刘 畅,王 娜,孟祥新.2014年春季(2014年3—5月)山东天气评述[J].山东气象,2014,34(2)：62-64．

Liu C,Wang N,Meng X X.A review on the weather of Shandong in the spring of 2014 ( from March to May,2014)[J].Journal of Shandong Meteorology,2014,34(2)：62-64．

[23] 段海霞,王素萍,冯建英.2014年全国干旱状况及其影响与成因[J].干旱气象,2015,33(2):349-360.

Duan H X,Wang S P,Feng J Y.Drought events and its influence in 2014 in China[J].Journal of Arid Meteorology,2015,33(2):349-360.