农作物单产遥感估算模型研究进展

农作物单产遥感估算模型研究进展

徐新刚

1,2

，吴炳方，蒙继华，李强子，黄文江，刘良云，王纪华

222111

（1．国家农业信息化工程技术研究中心，北京 100097； 2．中国科学院遥感应用研究所，北京 100101）

摘 要：作物单产估算是农作物估产中的关键技术，也是作物估产的难点之一。遥感技术凭借其宏观、及时和动态等特点已在农作物产量估算中占据着极为重要的地位，运用遥感信息建模估算作物产量已成为区域作物估产的必然要求。在总结农作物单产遥感估算模型研究成果的基础上，将作物单产遥感估算方法划分为四种模式加以详细阐述，分析了用于单产建模的遥感数据源的多元化趋势，讨论了如何有效验证模型估算精度的问题，最后对作物单产遥感估算模型今后的发展趋势作了展望。

关键词：农作物单产；遥感；估算模型；研究进展

中图分类号: S5-3；S126 文献标识码: A 文章编号：1002-6819(2008)-2-0290-09

徐新刚，吴炳方，蒙继华，等．农作物单产遥感估算模型研究进展[J]．农业工程学报，2008，24(2)：290－298． Xu Xingang, Wu Bingfang, Meng Jihua, et al. Research advances in crop yield estimation models based on remote sensing[J]. Transactions of the CSAE, 2008,24(2)：290－298.(in Chinese with English abstract)

0 引 言

自20世纪70年代正式开始应用于估产服务项目，遥感估产技术经历了30多年的探索研究，已经取得长足的发展和进步。作为作物估产核心内容之一的单产遥感估算技术研究，也从初期简单的光谱或指数统计回归模型，发展到今天以作物生理生态机理为基础的区域生长模拟遥感模型阶段，研究不论从机理性、广泛性，还是从综合性、应用性方面，都取得了不同程度的进展

[1-10]

只能从某些角度作大概的归纳分类，以便于理解分析。最常见的遥感单产模型归纳方式以遥感参量是否单独作为模型驱动因子将遥感单产模型分为两大类：一类只用遥感光谱信息与产量建模；另一类是将遥感数据与温度、降水、日照、土壤水分等非遥感信息结合使用构建模型

[8,10]

。这种分类方式尽管简单明了，但过于概括。事实上，

当前以遥感信息构建作物单产估算模型的思路方法，仍然是以现有成熟的作物单产估算方法模型为基础，将遥感信息作为输入变量直接或间接表征这些方法模型中的驱动因子变量来实现作物单产的估算。从某种程度上说，农作物单产遥感建模的实质，是将遥感信息作为输入变量或参数，直接或间接表达作物生长发育和产量形成过程中的影响因素，单独或与其他非遥感信息相结合，依据一定的原理和方法构建单产模型，进而驱动模型运行的过程。本文在总结作物单产遥感估测模型常用思路方法的基础上，试图将这些估算作物单产的遥感模型简要划分为几种模式：产量-遥感光谱指数的简单统计相关模式、潜在-胁迫产量模式、产量构成三要素模式以及作物干物质量-产量模式等。

1.1 产量-遥感光谱指数的简单统计相关模式

产量-遥感光谱指数简单统计相关模式主要指利用产量直接与遥感光谱指数进行简单相关统计分析来估算作物产量。这种模式通常有两种方式：一种是直接以遥感波段作为自变量，使用单波段或多波段为模型驱动因子与产量建立估算模型；另一种是将遥感数据影像各波段组合成各种不同形式的遥感指数，以这些遥感指数直接或间接作为模型驱动因子构建相关统计模型估算产量。

。

驱动单产模型运行所使用的遥感数据无论是从空间分辨率、时间分辨率，还是从光谱分辨率方面都有了更加多元的选择。然而，单产遥感估测模型一个基本的特点就是区域适用性，估算结果反映的是一个区域的平均单产水平，而区域平均单产“真值”是难以获取的，因此，如何有效合理地评价模型的精度是当前应该值得关注的问题。本文就当前基于遥感信息构建农作物单产估测模型的思路方法、遥感数据的选择应用以及模型精度检验等方面的研究现状进行总结，并展望发展趋势。

1 农作物单产遥感估算建模方法

基于遥感信息构建作物单产估测模型的方法多种多样，要想将这些模型作一个硬性的归类，显得有些困难，

收稿日期：2006-12-08 修订日期：2007-03-20

基金项目：国家863计划（2006AA120101）；中国科学院知识创新工程项目（KZCX3-SW-338-21）

作者简介：徐新刚（1976－），男，湖北鄂州人，博士，主要研究方向：遥感与GIS在农业与生态环境中的应用。北京 国家农业信息化工程技术研究中心，100097。E-mail：xxg_xin_gang@126.com

第2期 徐新刚等：农作物单产遥感估算模型研究进展 291

以遥感影像的单个或多个波段数据作为单产模型的驱动因子是一种比较简单的作物单产统计估算方法，在早期的作物单产估算中有一些应用研究。Tennakoon等[11]利用水稻作物成熟期的Lansat TM数据1，3，5，7波段反射值作为单产模型的驱动因子建立多元回归模型计算4，5，水稻作物的单产。Thenkabail等[12]利用TM数据3，7波段组合值，与玉米大豆作物的产量、LAI、湿生物量及干生物量分别进行相关分析，以寻找光谱数据与作物生长变量之间的最好相关关系，结果发现与湿生物量间的相关性最好。这些作物产量模型因充分利用遥感数据高分辨率的优点，都达到了一定的精度，但只利用少数几个时相遥感影像来估算作物产量还有待于深入研究。

选用多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组合方式），产生某些对植被长势、生物量等有一定指示意义的数值——即遥感“植被指数”[9]，作为单产估算模型因子，与作物产量建立统计相关模型估算作物产量是一种非常普遍而便捷的产量计算方法。常用于作物单产估算的遥感植被指数主要有NDVI(归一化植被指数)、PVI（垂直植被指数）、RVI（比值植被指数）、DVI（差值植被指数）、GVI（绿度植被指数）、SAVI（土壤调节植被指数）等。另外，VCI（植被状态指数）、TCI（温度条件指数）等遥感反演指数也常用于作物单产估算统计模型中。早在20世纪70年代后期，将遥感信息变量作为输入模型因子来估算作物产量的研究就已开始。Idso等[13]利用TM数据计算得到的作物成熟率与产量建模来估算谷物产量，他所用的作物成熟率实质上为NDVI不同表达形式；Barnett等[14]则使用MSS遥感数据，运用KT变换得到的GVI与小麦产量建立产量统计相关模型；Quarmay等[15]利用作物生长期内的多时相AVHRR数据，以NDVI累积值作为模型输入变量分别计算小麦、玉米、棉花和水稻产量，取得了很高的精度；Kalubarme等[16]通过提取时序NDVI过程曲线的特征参数，即上升率、下降率、峰值、过程累积值等，与产量进行多元线性回归分析，结果表明这些特征参数与产量间存在着显著的相关性，以此建立的作物产量模型预测印度Punjab和Haryana两个地区的小麦产量，取得了显著效果，精度均在90%以上；池宏康[17]利用冬小麦抽穗期(或开花期)至灌浆末期的NDVI来计算LAD（叶面积持久度），建立了估算小麦产量的指数回归模型；王长耀等[18]则采用来自Terra-MODIS数据集的NDVI和EVI（增强型植被指数），通过一次线性拟合的方法分别对美国的冬小麦产量进行预测，表明了利用EVI建立产量回归方程的稳定性。

产量-遥感光谱指数的简单统计相关产量估算模式的基本特点是：利用作物生长期内的一个或多个时相的遥感数据，以波段组合生成各种不同形式能够表征作物产量影响因素的指标，通过简单的统计学分析方法，建立

起估算作物产量的数学方程模型。这种计算作物产量的方法模式，不考虑作物产量形成的复杂过程，建立的模型简洁明了，计算方便，是一种较为普遍的产量估算模式。但是，这种作物产量估算模式所建立的模型没有明确的生物物理机制，难以真正反映作物的生长发育过程，区域外推的适用性不高。此外，这种模型也忽略了光谱参数是一个多元函数的性质。

正因为如此，研究机理性更强，且能够充分反映作物产量形成过程的产量模型成为必然要求。简单统计产量模型所用的一些遥感指数与产量具有高度相关性，实际是这些指数反映了作物产量形成的某些影响因素，因此，通过统计相关方法用遥感指数来反演作物产量形成的某些因子，并结合其他变量因子，来驱动机理性模型预测作物产量是值得关注的研究方向。 1.2 潜在-胁迫产量模式

潜在-胁迫产量模式的基本思路：影响作物产量形成的因素是复杂的，作物估产模型从本质上讲，应全面考虑这些因素及其关系，但这样做势必使得模型的构建会变得异常复杂，甚至不可能。事实上，影响作物产量的因子或过程可以分为两大类：一类是作物本身的生理因素，它们表现为一系列生物学参数，如叶面积指数、地上生物量、叶绿素浓度等，这些参数是作物产量形成的物质基础，决定作物产量可能达到的最高上限，即潜在产量部分；另一类是作物生长的生态环境条件，如水分、养分、温度、光照以及灾害等，它们对最终产量的形成起作用，即胁迫产量部分。作物产量就是在这两类因素的共同影响下形成的。因此，遥感估产模型的建立过程，就是如何根据遥感数据来获取这些参数驱动模型估算产量的过程[19，20]。换句话说，潜在胁迫产量模型先假定作物处在正常环境状态下，在该环境下的作物产量即为潜在产量，但事实上，作物产量的形成要受到多个制约因素的影响，使得产量会发生增减的波动，这部分波动的产量，即为受到制约因素影响的胁迫产量，因此计算作物产量就是分析这两部分产量。

在应用潜在-胁迫产量模式建立估产模型的过程中，如何确定潜在产量形成的时间是一个关键。一般认为在作物生长期末发育期初，作物叶面积指数LAI达到峰值状态，此时作物出现潜在产量，如果在这个峰值以后，作物在进一步的发育中不再受到任何胁迫，水肥条件能保证作物需要，没有病虫害和其他灾害的影响，则作物最终产量应为潜在产量．但事实上在LAI达到峰值状态以后，各种不确定因素成为产量形成的胁迫因子，导致潜在产量发生波动，并影响最终产量的获取[21]。现有研究表明：作物LAI达到峰值后，水分往往成为一些作物的主要胁迫因子，并导致潜在产量的下降。刘湘南等[19]分别获取玉米生长期的LAI和叶绿素浓度等生物学参数、发育

292 农业工程学报 2008年

期的生态环境指标CWSI（作物缺水指数），从涉及作物潜在和胁迫产量两个方面着手，以TM和AVHRR数据源，建立复合估产模型，得到估算结果的相关系数较高。（应力度日），并以此Hatfield[22]采用MSS数据来反演SDD

计算水分对作物产生的胁迫产量，对于潜在产量的计算，他采用的是经验值；张仁华[23]则利用作物光谱和热红外信息，以小麦LAI达到峰值前的绿度累计值估算作物潜在产量，通过CWSI估算作物胁迫产量，最终得到精度较高的小麦产量，相关系数达到0.92。

潜在-胁迫产量模式的另一个表现为：表达作物潜在产量的生物学参数如LAI、生物量、叶绿素含量等与遥感信息更密切相关，因为遥感信息表现的是植被冠层综合状态信息，而冠层状态也是这些生物学参数的直接反映；另一方面，决定胁迫产量的作物生长环境条件如日照、温度、降水等变化较快，它们作用于作物并使其生物参数发生迅速变化需要相对长的时间，遥感影像信息是一个瞬时作物冠层信息的表达，它可以代表一个相对较长的作物状态，因而可以直接利用气象数据来计算作物胁迫产量，利用遥感信息来获取潜在产量，以这种方式构建的作物二元遥感产量模型也是潜在-胁迫产量模式的一个形式。如Barnett[24]等使用MSS数据, 将小麦产量与绿度GIN（Green Index Number）、气象产量建立二元回归模型，其中气象产量是由气象数据通过气象模型计算得到，精度较单一使用遥感或气象数据的模型明显提高；将冬小麦产量与RVI、Rudorff等[25]使用TM和气象数据，

气象产量进行回归建模，最终结果表明，将遥感信息与气象信息结合建模较之分别单独使用遥感或气象数据的模型，精度有明显改善；Boken等[26]使用AVHRR数据，将春小麦产量与NDVI均值、CMI（累积湿度指数）建二元回归模型。国内一些研究中，常用气象因子来修正单纯的遥感数据产量模型的做法，实质上也是潜在-胁迫产量模式的表现。

此外，一些研究将作物潜在产量归因于农业技术进步因素，这些研究认为：农业技术进步因素是一个稳定因素，促使作物产量稳步变化，如果作物生长环境中没有胁迫因素，作物最终产量就是潜在产量，但事实上作物产量在生长过程中受到诸多环境因素如日照、温度和降水等的制约影响，导致胁迫产量的产生。因此，这种潜在-胁迫产量模型更关注胁迫产量的估算，而对于潜在产量的计算则往往采用简单的归一化方式或者趋势分析来进行。Hayes等[27]将美国玉米作物带各区划单元8年(1985-1992年)同期VCI数据，与标准化作物产量进行相关分析,并建立简单回归模型计算玉米胁迫产量。Liu等[28]以AVHRR为数据源，通过采用将统计上报产量与趋势产量的比值作为胁迫产量序列，与VCI、TCI等数据进行线性拟合建模以监测巴西大豆产量。

总的说来，潜在-胁迫产量模式有一定合理的建模思路，可以灵活地侧重两个产量方面，采用不同的指数来分别表达作物产量。结合作物的生长与发育期，以作物生长期数据计算潜在产量，以发育期数据信息估算胁迫产量，常常是潜在-胁迫产量模式的主要思路，也有一定合理的精度。但是如何有效地确定并估算作物潜在产量和胁迫产量还是一个有待深入研究的问题，因为作物潜在产量和胁迫产量的形成并不是两个的产生过程，而是相互交织影响的，很难有效地从机理上进行量化评价，因此在已有研究中采用潜在-胁迫产量模式时，多是一定程度上的统计分析，仍脱离不了相关统计的主要特征。

1.3 产量构成三要素模式

产量构成三要素模式是从作物产量构成要素——单位面积植株数（穗数）、每株（穗）平均粒数、穗粒重出发，结合作物生育期，以遥感信息来分别表达三者建模的思路方法。

以产量构成三要素模式构建遥感产量模型的研究国（单内比较多见。朱晓红等[29]仔细研究了冬小麦产量构成位面积上的平均穗数、每穗平均拉数和千拉重）与光谱之间的关系，在不同的阶段确定PVI与冬小麦相应产量构成要素之间的定量关系，并最终确定小麦估算模型。王乃斌[30]从冬小麦产量构成三要素的模式出发，以绿度来度量穗数，以拔节至灌浆初期的温度计算穗粒数，以绿度变化率作为千粒重的指标，构建小麦作物产量模型取得一定精度。王延颐[31]分析了光谱指数PVI与水稻每亩穗数、每穗实粒数、千粒重之间的关系，发现垂直植被指数PVI与水稻产量结构各要素以及理论产量之间也具有较好的相关性。侯英雨[32]则利用冬小麦返青初期至抽穗初期的植被指数NDVI累积值与冬小麦穗数密切相关，孕穗-灌浆阶段的温度累积值与穗粒数及粒重相关，建立产量三要素模型估算冬小麦产量。

产量构成三要素模式建立遥感单产模型，思路很明确，即单位产量=单位面积植株数（穗数）×每株（穗）平均粒数×穗粒重，借助于遥感信息，并结合作物生育期度量出三者，就不必考虑作物产量形成的复杂过程，产量估算就成为可能。

事实上，作物产量构成三要素之间的关系其实是作物群体（株\\穗数）与个体（粒数与粒重）之间的辩证关系，人们可以依靠群体大来获得高产，也可以利用粒数多、籽粒重的个体强来获得高产。因此对于确定的耕地区域而言，产量的高低则受制于二者。群体的确定常常可以用LAI来表达，个体的强度则受到植株蒸腾作用的影响，而蒸腾作用往往与水系数相关。正因为如此，将近红外遥感信息与热红外遥感数据有机结合是遥感估产建模的可行解决途径，以近红外遥感数据来反演计算LAI，

第2期 徐新刚等：农作物单产遥感估算模型研究进展 293

表达作物群体信息，以热红外信息度量作物蒸腾状况，反映个体特征，这是值得我们关注的地方[33]。

基于遥感信息的产量构成三要素模式估算作物单产的思路最为简洁明确，但应用该模式估算作物单产时，小范围建立的模型往往有一定的精确度，但是外推时则精度不高。如何将作物生长期内的遥感信息及其辅助数据信息与三要素合理结合起来，当前的研究几乎完全是相关统计的方法，缺乏本质合理的产量形成机理解释。 1.4 作物干物质量-产量模式

以上三种模式建立单产遥感估测模型时，都是将遥感信息及其辅助因子作为模型驱动因子直接与产量相联系建立估算模型估测产量。事实上，遥感的特点表明：遥感数据更直接反映的是地表植被的冠层信息，表达的是作物地面上株体总体状况信息，而不仅仅是与果实相关的器官部分（即产量部分）的状态，因此，基于遥感信息数据估测作物地面上干物质量，然后再依据作物干物质量与果实部分间的关系得到作物产量是更加合理的遥感单产建模的途径，这也是作物干物质量-产量模式的基本思想。

当前，计算作物干物质量的具体方法有多种，概括起来可以简要分为统计模型和物理模型，而物理模型通常可以划分为过程模型和参数模型（光能利用率模型）。统计模型主要是基于遥感信息与作物干物质量之间的简单统计相关关系计算得到作物干物质量，因而统计模型具有输入变量少、计算快等优点，但这些模型或者缺乏严密的生理、生态理论做依据，或者只能对潜在干物质量进行研究，因而不能很好地反映现实，有以点代面的缺点。由于作物一般为一年生或跨年生的植被，因此通过计算作物生长季内的净初级生产力（NPP）作为作物干物质的生态学过程模型和参数模型应运而生。生态学过程模型结合植物的生物学特征和生态系统的动态与功能来模拟系统尺度上的过程，包括植被冠层光合作用、蒸腾作用、土壤湿度变化、碳和氮的动态变化等，TOPOPROD和BEPS模型都是过程模型的代表，过程模型包含了植物生长的生理生态学机理，具有一定的理论基础和较高的精度，是估算自然植被净第一性生产力的一种较为合理的方法，但生态学过程模型都比较复杂，计算时需要根据植被类型确定相应的植被参数。参数模型又称为光利用率模型，以C-FIX和CASA模型为代表，都具NPP=ε×APAR的形式，式中APAR为吸收的光合有效辐射，而ε为光能利用率，参数模型的基本思路为：在理想状态下，植被对光的利用有一个最大的利用率，但实际上植被的光合作用受多种可利用资源的胁迫影响，于是将影响植被光合作用的复杂环境要素以相对综合的要素来表达，Field等[34]的研究可以说是这类模型的理论基础。总的说来，参数模型比统计模型考虑了更多

的因素，但与复杂的生态学过程模型相比却又简化了部分参数，因此参数模型既有一定的生态物理基础，又不涉及过多的输入变量且具有一定的精度，已经得到了广泛的使用[35-41]。

得到干物质量后，如何估算产量是值得研究的一个问题[8-9,42-44]。当前的研究常表现为两种形式：一是将作物产量与干物质量之间的关系看成是近似不变的比值关系，通常以经济系数、收获指数或干物质累积效率等表达，通过将作物干物质量乘以一个系数的方式得到作物产量，这种形式比较简单，不需要考虑复杂的作物干物质向果实器官转化的过程；另一种是从作物干物质量分配规律出发，以数学函数解释干物质量向作物果实部分的转化，并最终得到作物产量，这种形式由于要建立合理的干物质量向作物果实部分的转化函数模型，具有一定的复杂性[44-45]，但有合理的生理生态学解释，当前正逐步成为研究的热点。

此外，基于遥感的作物生长数值模拟模型实际上也是作物干物质-产量模式的一种表现。作物生长数值模拟模型以相似性原理为基础，分析作物生长发育的生理生态过程、物理机制，以数学函数模型揭示作物生长发育、产量形成的物理规律，并在一定假设条件下，确定边界条件，简化模型，寻求合适的数学解法，通过模拟试验调整输入参数，以此建立作物产量模型[45]。基于遥感的作物生长模拟模型就是以遥感数据信息表达生长模拟模型中的一些参数或变量，甚至是一些较难获取的参量[46]，同时结合相应的辅助数据，来建立模拟作物生长发育过程的光合作用模型、呼吸作用模型等子模型，并通过相应的作物器官生长子模型量化作物株体干物质量与果实器官间的关系，最终得到作物果实部分（产量部分）的数量信息。因而，通过作物生长模拟模型来估算作物产量的过程，实质上也是上述提到的基于作物干物质量分配规律，建立表达作物干物质量向作物果实器官部分进行转化的函数模型的过程。

基于遥感数据以作物干物质-产量模式建立作物遥感单产估算模型应该是当前作物单产估算的研究热点。作物产量估算区域往往是大尺度区域，遥感信息的宏观及适时动态性则正好决定了它在大范围区域作物单产估算方面无可争议的优势；同时由于遥感信息更能直接反映作物整体的状况条件，以遥感数据估算作物干物质量比其直接估算作物产量要更加合理。因此，利用遥感数据，以作物干物质-产量模式建立的作物遥感单产估算模型相比其他模式建立的模型具有一定优势。尤其是那些基于一定的作物生理生态机制，但又不涉及过多输入量的估算模型，不仅可以克服上述几种模式不能从本质上合理解释产量形成的不足，而且还能保证必要的精度，操作上也不复杂，更加具有广泛的适用性。

294 农业工程学报 2008年

2 单产建模的遥感数据

具有不同空间、时间、光谱和辐射分辨率的遥感数据不仅是作物遥感单产模型的驱动力因子，而且在很大程度上决定着单产遥感模型的适用区域尺度、模型精度和建模的方法，遥感数据多元化发展趋势也将会促进作物单产遥感模型的研究应用。

1）遥感数据决定单产遥感模型适用的区域尺度 单产遥感模型适用的区域尺度在某种程度上主要是由遥感数据的空间和时间分辨共同影响所导致的。如NOAA-AVHRR、MODIS遥感数据，由于时间分辨高，能够获取足够监测作物产量的时相影像，无论是建立简单统计模式的遥感单产模型，还是其它三种模式的模型，一定程度上都能满足要求，但高时间分辨率的遥感卫星数据却常常是低空间分辨率的数据，像元混合光谱现象严重，在小尺度区域，尤其是种植结构复杂的地区，势必难有好的估算精度；而其在大的区域尺度上，往往由于空间尺度的扩大，区域内部的微部异质性被忽略，其时间分辨率的优势能够得以发挥，常常有较好的估算效果。相反地，高空间分辨率的遥感数据对作物识别精度相对较高，在较小区域尺度上如果时相能有所保障的话，其单产估算往往有较好的表现。因此，不同类型的遥感数据常常决定着模型所适用的区域尺度。

2）遥感数据决定单产遥感模型的精度

单产遥感模型的精度实际上也是与遥感数据的分辨率紧密相联的，就看在建模时如何充分使用它们自身的优势。前述已指出，低空间分辨率的遥感影像数据通常具有充分的时相，非常适合作物产量的估算，因为任何遥感数据只表达了地表瞬时的物理状况，而作物产量的形成是一个日积月累的过程，因此高时间分辨率遥感数据的多时相优势在这里可以体现。但是其低空间分辨的劣势却往往成为估算精度进一步提高的瓶颈；而如果单单使用高分辨率多光谱遥感数据，则往往因天气原因能够获取的作物最佳时相比较少而不能充分反映作物产量形成过程，因此，如果充分利用多种遥感数据，将它们各自的时间和空间分辨率优势融合起来，在此相关基础上建立估算模型必然能够提高模型的估算精度。

3）遥感数据成本决定单产遥感模型的建模方法 决定单产遥感模型的被选择性，除了数据本身的分辨率因素外，成本往往是选择建何种模型的一个重要原因。如20世纪90年代以前，由于卫星遥感技术的，能够利用的遥感数据类型比较单一，当时所能利用的较高分辨率的遥感数据主要是MSS和TM。在当时而言，其较高的空间分辨优势倍受瞩目，但其成本却相当高，使得免费使用的低空间分辨率数据AVHRR则得到了广泛应用。因此，在当时使用TM或MSS数据时，往往只使用少量时相的数据建立基于遥感参数空间分布的遥感

单产模型，而在使用AVHRR时，则常常采用基于时间序列分布的单产模型[11-15]。

4）遥感数据的多元化趋势促进遥感单产模型的研究应用

早期遥感卫星技术不够发达，可利用的数据单一，人们的选择余地小，作物遥感单产估算模型也因此受到。如今，卫星遥感事业已达到一个空前的高度，自20世纪90年代以来，携带各种不同光谱分辨率、空间分辨率、时间分辨率以及辐射分辨率传感器的遥感卫星陆续上天，各不同类型的传感器为遥感技术的应用研究提供了更加丰富多彩的数据来源，使得人们对于某一、两种遥感卫星数据的依赖程度不断减小，人们对遥感数据的选择有了更加多元化的选择。

近10余年来，新的遥感卫星不断发射，已逐步形成多星种、多传感器、多分辨率全面发展的局面，灾害监测卫星、资源环境卫星、气象卫星等，空间分辨率从cm到km级尺度不等，重访周期从1d到30d不等，光谱波段从几个发展到上百个波段范围，同时辐射分辨率也不断提高。其中，高光谱、微波雷达数据以及空间分辨率高且重访周期短的新卫星遥感数据，作为新出现的遥感数据源，为进行新型农作物单产估算模型的研究提供了契机。中国长期依赖于国外高分辨影像数据的局面也正逐步得到改善，一些较高分辨的卫星也陆续上天，如2005年10月27日发射的“北京1号”卫星，具有多光谱中分辨率（32m）及全色高分辨率（4m）双遥感器运行的特点，其多光谱空间分辨率与TM相当，但单景影像覆盖范围高达600km×600km，约为TM平均单景覆盖范围的10倍左右，重访周期为4d，而且作为灾害监测星座（DMC）的成员，与其他小卫星组成星座以后，重访周期可缩短到24h。这些新遥感卫星数据的出现，满足了作物单产估算模型需要连续时空监测数据的要求。

因而，今后用于作物单产建模所需的遥感数据会更加充裕和灵活，精度必然有更大的提高，多元化遥感数据的可供选择，也必然会进一步促进作物产量估算模型的研究。

3 单产遥感模型结果的验证

单产遥感模型估算精度的高低是模型使用者最关心的问题，因此对估算结果进行精度验证以评价估算模型的质量是十分有必要的。前述提到的几种农作物单产遥感估算模型构建模式，其中有许多模型是基于已有单产数据的统计分析模型，也就是将遥感数据及其辅助数据看作自变量，以现有历史单产数据为因变量的基于统计学基础的模型，这些模型所用的历史单产数据来源各异，有来源于统计部门层层上报和抽样调查的产量数据、也有来自气象部门一些气象站点的田块实测产量数据[47]，

第2期 徐新刚等：农作物单产遥感估算模型研究进展 295

数据质量参差不齐，必然会影响所建立的估算模型的精度，更加需要进行模型估算结果的精度评价；而基于一定生理生态机制的单产遥感模型，尽管不使用历史单产数据，而根据一定的作物产量形成规律输入相应参数变量进行产量模拟估算，势必需要对其相应的原理方法进行评价分析，模型估算精度应该是一个首要方面。

事实上，对遥感单产估算模型结果进行验证，应该是一个难点问题。遥感信息的宏观性决定了遥感单产模型所得到估算结果是一个空间区域的平均产量水平，而如何确定并获取区域的单产“真值”也是一件较困难的事情。区域作物单产水平与区域空间尺度紧密相关，不同空间尺度的单产预测值只能代表各自区域范围内作物单产水平的平均值。对于不同空间尺度的区域，如果区域内作物生长环境条件具有相对的均质特征，同种作物品种类型的单产水平差异不大，单产随尺度的变化也不大，通过地面实测是可能获得比较精确的单产值的。但实际上，作物生长环境条件具有明显的区域异质性特征，区域内部、区域与区域之间，作物单产水平随空间范围的变化表现出显著差别，这就为单产数据的地面实测带来很大难度。就具体一个区域范围而言，除非有足够的样本量，而且这些样本均能代表该区域内各作物生长环境条件及作物品种的特征，这样获取的实测单产数据才能作为该区域作物单产的标准数据，否则得到的实测单产数据就不能完全代表该区域的单产水平。而要获得一个区域足够的单产样本量，常常要耗费大量的人力、物力和财力。因此，作物单产预测的精度验证只能选择作物生长环境条件在某种程度上较为均质的区域，取较少的样本进行一般性简单的单产验证。

既然区域作物单产“真值”难以得到，而对作物遥感单产模型的精度检验又是不能回避的问题，因此，在实际当中对模型精度的检验往往采用相对检验方法，较常用的检验方式有以下几种：

1）与区域行政部门的统计数据相比较。以统计数据作为检验依据是一般常见的方法，这里的统计数据主要是指部门（农业部门、粮食部门和统计部门等）所获取的调查统计数据信息，这类数据的获取有两种情况，一种是以行政单元为基础，通过层层上报的方式来获得；另一种是国家统计部门按照抽样理论，通过各级农村社会经济调查队，以抽样估产的方式得到。后者所获得的统计数据的可信度稍高，一般的大区域产量估算研究都曾以此类统计数据作为产量估算的检验标准[8，31]。但是统计数据也有一些不足，如前者由于统计差错、漏报等原因造成统计上来的粮食产量数据往往与实际有一定出入；后者由于小地块精心割样，实测得到的产量往往比大范围的较粗放的收割产量要高一些[47]。此外，统计数据要在作物收割以后较长时间才能得到，而遥感估产是

在收割前预测产量，如果要以统计数据为检验标准，就不能及时地用同期的统计产量来进行精度比较检验，检验滞后。

2）以专题大面积抽样方法来获取检验标准值。检验大区域范围内遥感估算的可行性及其精度，往往是通过专题大面积抽样方法来获取检验标准值。如美国在对国内小麦进行估算时，采用的是数理统计学中的标准分层抽样方法，同时结合农场抽样进行验证，在对其它国家小麦进行估算时则采用的是两阶抽样方法 [48]。“八五”期间，国家遥感估产重点攻关项目“黄淮海平原冬小麦遥感估产”专题中，专设了单产精度检验分析的研究项目，采用多级采样框架布设与分层抽样技术，为单产估测提供精度分析及抽样统计所需的“真值”，应用该技术所获得的1993-1995年黄淮海地区冬小麦平均单产分层抽样的估计精度均在99.7％以上[6]。因此，以这种专题抽样数据为依据的检验，可信度是较高的，但其在人力、财力和物力方面的成本压力也是难以长时间维系的，和统计数据一样，抽样的产量数据也要在作物收割以后才能得到，而遥感估产是在收割前预测产量，这样就不能及时地用同期的抽样产量来进行精度比较检验。

3）以相应地面样点实测结果为验证依据。将遥感估算结果直接与地面实测结果相比较是研究人员常用的检验手段[3, 17, 19, 44]。研究者在获取遥感估测数据时，为检验精度一般直接从相应区域中实测第一手资料作为验证依据，因而检验结果是相当令人可信的。不过，这种方法通常用于小范围的试验地块的尝试性研究。

4）相互比较验证。在区域专题属性信息未知的情况下，采用相互对比验证的方式来评价估算效果也是研究中常用的方法。相互比较验证可分为对同一区域同一数据源采用不同的方法模型和利用不同数据源进行分析对比等情形。如张佳华等人研究建立遥感-光合作物产量模型（RSPCYM）来估算华北平原地区冬小麦产量，为验证该模型是否有可比精度，选择RSPCYM模型的10个样点与Y1模型（被FAO所采用，有较高精度的模型）所计算的相应样点结果进行比较，表明RSPCYM模型对冬小麦光合产量的估测是有比较精度的[41]。不过，在采样相互比较方式进行遥感单产模型的结果验证时，必须要求作为标准一方的结果具有相当可信度，否则验证效果是值得商榷的。

总的说来，由于作物单产是与区域空间地表性质显著相关的变量，“真值”难以获取，对遥感单产模型的结果进行精度验证是一个难点问题，上述提到的几种相对验证方法也各有自身的局限。因此，如何通过有效的方式方法对遥感单产模型估测结果进行合理和充分的精度验证仍然是一个值得关注的课题。

296 农业工程学报 2008年

4 单产遥感模型的发展趋势

随着卫星遥感技术的进一步发展，可利用的卫星遥感数据日益多元化，遥感数据信息的提取手段和方法也不断成熟，基于遥感技术的单产估算模型的研究获得了前所未有的发展机遇，并表现出以下的发展趋势：

1）基于作物产量形成生理生态学机制的单产遥感估算模型研究会得到进一步的加强。早期的单产遥感模型研究多是基于统计学分析的估算模型，从某种程度上来说，这些模型实际上是对遥感信息与作物产量影响因素间响应关系的探索，建立的模型尽管简洁明了，但是没有明确的生物物理机制，难以真正反映作物的生长发育过程，区域外推的适用性不高，不能从根本上解释作物产量形成的本质。因此，基于一定生理生态学原理和方法，用遥感数据反演的参数或变量及其辅助数据作为模型驱动因子，构建新型的具有生理生态学机制的作物单产遥感模型是一种必然趋势。

2）基于作物干物质量-产量模式的单产遥感估算模型会更受青睐。前述已提出，遥感信息更直接反映的是地表植被冠层的信息，而不仅仅是植被果实器官的信息，如果比较作物的产量和地表干物质量，遥感数据更能表达作物的地表干物质量信息。因此对于作物植被而言，采用遥感数据估算作物生长季的干物质量，再根据作物干物质量与产量（果实部分）间的关系，以收获指数或者干物质分配模拟函数来估算最终的作物产量，是建立作物单产遥感估算模型的科学合理的思路。

3）多源遥感数据将综合应用于单产遥感估算模型。作物产量的形成是一个日积月累的过程，这就要求使用连续的遥感监测数据，即遥感数据的时间分辨率要高，要提高估算精度则要求高空间分辨率的遥感数据，目前多是综合利用来自不同数据源的高时间分辨率和低空间分辨的可见光-红外遥感数据来估算作物单产。近年来随着卫星遥感技术不断发展，遥感信息源的质量在时间、空间和光谱分辨率等方面不断提高，一些同时具有较高空间和时间分辨率的遥感数据，如“北京一号”小卫星逐步进入了人们的视野，这为进一步提高单产遥感估算模型的精度带来了可能性。同时，随着高光谱、微波雷达等遥感数据新应用领域的拓展，这些数据也逐步被引入到作物遥感单产估算中来，如使用微波雷达数据测量作物高度，以高光谱数据识别作物品种等，这些遥感数据的综合应用将为今后更精确地估算作物单产提供坚实的基础。

4）如何有效验证作物单产遥感估算模型的精度将成为新课题。无论什么模式的单产遥感估算模型，即使思路方法和所用遥感数据再怎么合理与新颖，没有好的精度都是低效率的模型。目前在模型估算精度评价这方面的所做的工作远远不够，但这也给研究者提出了新课题。

因此，如何有效验证单产遥感估算模型的精度将会在今后的研究中得到重视。

5 结 语

基于遥感数据信息建立遥感单产估算模型，将遥感数据及其辅助数据信息作为模型输入驱动因子来估算作物单产是农作物遥感估产的主要内容之一。遥感作为一种全新的对地宏观监测手段，在农作物产量遥感单产建模估算中已逐步成为一种不可缺的先进手段。

以遥感数据作为模型驱动因子建模的方法很多，本文将常见的遥感单产建模的思路和方法作了简要总结和归纳，将其划分为产量-遥感光谱指数的简单统计相关模式、潜在-胁迫产量模式、产量构成三要素模式以及作物干物质量-产量模式等,分析了各自建模的原理和方法，表明了基于遥感数据建立单产估算模型的优势，尤其是建立具有明确的作物生理生态机制，但又不涉及过多输入参量的干物质量-产量模式作物单产估算模型，将是未来作物遥感估算模型研究的发展方向。一个成熟的作物遥感单产估算模型，不是说涉及的遥感参量越多越好，涉及太多则不仅增大数据的获取难度，而且会形成较大的误差传递效应，在某种程度上会导致模型精度的降低；也不是说需要的输入量越少越好，过少则往往演变成基于统计分析的估算模型，建立的模型不仅空间外推适用性较差，而且常常缺乏有力的作物产量形成的合理解释。

同时，随着卫星遥感技术的发展，遥感数据源多元化趋势的出现，将为遥感数据综合应用于农作物单产遥感估算模型奠定基础，也必然会促进精准单产遥感估算模型的发展。

对遥感单产估算模型的估算精度进行有效验证分析，仍是当前的一个难点，需要作进一步探索研究。

[参 考 文 献]

[1] 吴炳方． 中国农情遥感速报系统[J]． 遥感学报，2004，

8(6)：481－497．

[2] 徐冠华．遥感信息科学的进展和展望[J]． 地理学报，1996，

51(5)：385－397．

[3] 江 东，王乃斌，杨小唤．我国粮食作物卫星遥感估产的

研究[J]．自然杂志，1999，21(6)：351－355．

[4] 李郁竹．冬小麦气象卫星遥感动态监测与估产[M]． 北京：

气象出版社，1993．

[5] 孙九林．中国农作物遥感动态监测与估产总论[M]． 北京：

中国科学技术出版社，1996．

[6] 王乃斌．中国小麦遥感动态监测与估产[M]． 北京：中国

科学技术出版社，1996．

[7] 万恩璞，徐希孺．中国玉米遥感动态监测与估产[M]．北

京：中国科学出版社，1996．

[8] 王人潮，黄敬峰．水稻遥感估产[M]．北京：中国农业出

版社，2002．

第2期 徐新刚等：农作物单产遥感估算模型研究进展 297 [9] 赵英时．遥感应用分析原理与方法[M]．北京：科学出版

社，2003．

[10] 李佛琳，李本逊，曹卫星．作物遥感估产的现状及其展望

[J]．云南农业大学学报，2005，20(5)：680－684． [11] Tennakoon S B, Murty, V V N, Eiumnoh, A． Estimation

of cropped area and grain yield of rice using remote sensing data． International Journal of Remote Sensing，1992，13(3)：427－439． [12] Thenkabail P S, Ward A D, Lyon J G. Landsat-5

thematic mapper models of soybean and corn crop character- istics[J]． International Journal of Remote Sensing， 1994，

15(1)：49－61．

[13] Idso S B, Pinter P J, Jackson J R D, et al． Estimation of

grain yields by remote sensing of crop senescence rates[J]． Remote Sensing of Environment，1980，9：87－

91．

[14] Barnett T L, Thompson D R． Large-area relation of Landsat

MSS and NOAA-6 AVHRR spectral data to wheat yields[J]． Remote Sensing of Environment，1983，13：277

－290．

[15] Quarmay N A, Milnes M, Hindle T L, et al． The use

of multi-temporal NDVI measurement from AVHRR data for crop yield estimation and prediction[J]． International

Journal of Remote Sensing，1993，14(2)：199－210． [16] Kalubarme M H, Potdar M B, Manjunath K R, et al． Growth

profile based crop yield models: a case study of large area wheat yield modeling and its extendibility using atmospheric corrected NOAA AVHRR data[J]． International

Journal of Remote Sensing，2003，234(10)：2037－2054． [17] 池宏康．冬小麦单产的光谱数据估测模型研究[J]．植物生

态学报，1995，19(4)：337－344．

[18] 王长耀，林文鹏．基于MODIS EVI的冬小麦产量遥感预测

研究[J]．农业工程学报，2005，21(10)：90－94． [19] 刘湘南，黄 方．农业信息系统支持下的玉米遥感估产模

型研究[J]．地理学报，1997，17(3)：265－270． [20] 刘湘南，周占鳌．基于生物学原理的玉米遥感估产模型

[J]．东北师大学报自然科学版，1995，2：110－114． [21] Fischer R A． Yield potential in a dwarf spring wheat and the

effect of shading[J]． Crop Science Society of America, 1975，15：607－613．

[22] Hatfield J L． Remote sensing estimate of protential and

actual crop yield[J]． Remote Sensing of Environment，1983：13，301－311．

[23] 张仁华．以作物光谱与热红外信息为基础的复合估产模式

[J]．科学通报，19，17：1331－1334．

[24] Barnett T L, Thompson D R． The use of large-area spectral

data in wheat yield estimation[J]． Remote Sensing of Environment,，1982，12 (6)：509－518．

[25] Rudorff B F T, Batista G T． Wheat yield estimation at the farm level using TM Landsat and agrometeorological data[J]． International Journal of Remote Sensing，1991，

12(12)：2477－2484．

[26] Boken V K, Shaykewich C F． Improving an operational

wheat yield model using phonological phase-based Normalized Difference Vegetation Index[J]． International Journal of Remote Sensing，2002，23(20)：4155－4168． [27] Hayes M J, Decker W L． Using NOAA AVHRR data to

estimate maize production in the United States Corn Belt[J]． International Journal of Remote Sensing，1996，

17 (16)：31－3200．

[28] Liu W T, Kogan F N． Monitoring Brazilian soybean

production using NOAA/AVHRR based vegetation condition indices[J]． International Journal of Remote Sensing，2002，

23 (6)：1161－1179．

[29] 朱晓红，谢昆青，徐希孺，等．冬小麦产量构成分析与遥

感估产[J]．环境遥感，19，4(2)：116－127． [30] 王乃斌，周迎春，林耀明，等．大面积小麦遥感估产模型

的构建与调试方法的研究[J]．环境遥感，1993，8(4)：250－259．

[31] 王延颐．植被指数与水稻长势及产量结构要素关系的研究

[J]．国土资源遥感，1996，3(1)：56－59．

[32] 侯英雨，王石立．基于作物植被指数和温度的产量估算模

型研究[J]．地理学与国土研究，2002，18(3)：105－107． [33] 徐希孺，牛 铮，曹洪凯，等．对建立遥感估产模式的几

点初步认识[J]．环境遥感，1994，9(2)：100－105． [34] Field C B, Randerson J T, Malmstrom C M． Global net primary production: combination ecology and remote sensing[J]． Remote Sensing of Environment，1995，51，

74－88．

[35] Clevers J G P W． A simplified approach for yield prediction

of suger beet based on optical remote sensing data[J]． Remote Sensing of Environment，1997，61，221

－228．

[36] Field C B, Behrenfeld M J, Randerson J T，et al． Primary

production of the biosphere: integrating terrestrial and oceanic components[J]． Science，1998，281，237－240． [37] Lobell D B, Hicke J A, Asner G P, et al． Satellite estimates of productivity and light use efficiency in United Staes agriculture, 1982－98[J]． Glabal Change Biology，2002，

8，722－735．

[38] Bastiaanssen W G M, Ali S． A new crop yield

forecasting model based on satellite measurements applied across the Indus Basin Pakistan[J]． Agriculture, Ecosystem

and Environment,，2003，94，321－340．

[39] Lobell D B, Asner G P, Ortiz-Monasterio J I, et al． Remote sensing of regional crop production in the Yaqui Valley, Mexico: estimates and uncertainties[J]. Agriculture, Ecosystem and Environment，2003，94，205－220． [40] 张佳华．自然植被第一性生产力和作物产量估测模型研究

[J]．上海农业学报，2001，17(3)：83－．

[41] 张佳华，王长耀，符淙斌．遥感信息结合光合特性研究作

物光合产量估测模型[J]．自然资源学报，2000，15(2)：170－174．

[42] 杨星卫，薛正平，陆 贤．水稻遥感动力估产模拟初探

[J]．环境遥感，1994，9(4)：280－286．

[43] 沈掌泉，王 珂，王人潮． 基于水稻生长模拟模型的光

298 农业工程学报 2008年

谱估产研究[J]．遥感技术与应用，1997，12(2)：17－20． [44] 王人潮，王 珂，沈掌泉，等．水稻单产遥感估测建模研

究[J]．遥感学报，1998，2(2)：119－124．

[45] 张建华．作物估产的遥感—数值模拟方法[J]．干旱区资源

与环境，2000，14(2)：82－86．

[46] 谢 云，Kiniry J R．国外作物生长模型发展综述[J]．作物

学报，2002，28（2）：190－195．

[47] 黄进良，徐新刚，吴炳方．农情遥感信息与其他农情信息

的对比分析[J]．遥感学报，2004，8(6)：655－663． [48] 刘海启．美国农业遥感技术应用状况概述[J]． 中国农业

资源与区划，1999，20 (2)：56－60．

Research advances in crop yield estimation models based

on remote sensing

Xu Xingang1, 2，Wu Bingfang2，Meng Jihua2，Li Qiangzi2，Huang Wenjiang1，Liu Liangyun1，Wang Jihua1

(1. National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China;

2. Institute of Remote Sensing Applications, Chinese Academy of Sciences, Beijing 100101, China)

Abstract：The estimation of crop yield per unit area is not only the key technology, but also one of the difficulties for crop production estimation. Remote sensing is playing an increasingly important role in crop yield estimation with its macroscopical, real-time and dynamical dominance. As a result, it will become necessary to use the remote sensing information to construct crop yield models for crop yield estimation on large area scale. On the basis of summarizing the researches of crop yield estimating models at home and abroad, the paper divided crop yield models into four patterns, and expatiated on them respectively. Then, the paper analyzed the diversiform selective tendency of remote sensing data sources, which should extremely meet the need of constructing crop yield models. How to effectively valid the estimating precision of crop yield models was also discussed. Finally, the paper made the forecast for the development tendency of crop yield models.

Key words：crop yield; remote sensing; estimating models