胡瑩瑾, 崔海明

(河北旅游職業(yè)學(xué)院,承德 067000)

0 引言

現(xiàn)階段,對農(nóng)作物產(chǎn)量的估算方法大體上有農(nóng)業(yè)氣象預(yù)報方法、基于農(nóng)學(xué)理論的預(yù)報方法、統(tǒng)計方法以及基于遙感(remote sensing,RS)和地理信息系統(tǒng)(geographic information system,GIS)的估產(chǎn)方法等4類[1-3]。其中，基于RS和GIS的估產(chǎn)方法能夠?qū)崿F(xiàn)對農(nóng)作物大面積實時化高精度估算，相對于傳統(tǒng)估產(chǎn)方法具有實時、準(zhǔn)確的優(yōu)勢，近年來得到了大量的研究應(yīng)用。國際上在該領(lǐng)域的代表性研究有20世紀(jì)70年代美國開展的“大面積農(nóng)作物估產(chǎn)實驗”(large area crop inventory experiment,LACIE)計劃[4]和20世紀(jì)90年代歐盟開展的遙感數(shù)據(jù)應(yīng)用于農(nóng)業(yè)統(tǒng)計的十年研究項目(monitoring agriculture with remote sensing,MARS)計劃[5]。本文在對近年來該領(lǐng)域大量文獻(xiàn)深入研究的基礎(chǔ)上，對結(jié)合輔助數(shù)據(jù)的估產(chǎn)方法、基于植被指數(shù)的估產(chǎn)方法、基于特定模型的估產(chǎn)方法以及基于估產(chǎn)軟件(平臺)的研發(fā)等幾類主要的估產(chǎn)方法的優(yōu)勢和缺點進(jìn)行論述，并對該領(lǐng)域的研究方向進(jìn)行了展望，以期為后續(xù)研究提供參考。

1 結(jié)合輔助數(shù)據(jù)的估產(chǎn)方法

1.1 空間數(shù)據(jù)倉庫估產(chǎn)方法

空間數(shù)據(jù)倉庫(spatial data warehouse,SDW)[6]是GIS與數(shù)據(jù)倉庫技術(shù)有機(jī)結(jié)合的產(chǎn)物，通過對海量數(shù)據(jù)進(jìn)行統(tǒng)一的格式轉(zhuǎn)換、存儲和集成操作，為特定主體的應(yīng)用提供數(shù)據(jù)支持、決策和分析。SDW主要特征有：

1)數(shù)據(jù)量大。該類數(shù)據(jù)來源，一是基于“3S(GPS,RS,GIS)”所獲取的實時化海量數(shù)據(jù)，二是統(tǒng)計調(diào)查數(shù)據(jù)、時間序列和空間序列數(shù)據(jù)。

2)數(shù)據(jù)具增值功能。對于不同格式的數(shù)據(jù)能進(jìn)行統(tǒng)一變換，并且對于大量冗余信息能進(jìn)行相應(yīng)的去除，從而保持?jǐn)?shù)據(jù)的現(xiàn)實性和實用性，為空間信息應(yīng)用提供高質(zhì)量的數(shù)據(jù)。

3)高度集成化。SDW采用統(tǒng)一的命名規(guī)則和編碼結(jié)構(gòu)，能對GIS的各項功能進(jìn)行高度的集成化處理，消除各類原始數(shù)據(jù)間所存在的矛盾。

4)應(yīng)用領(lǐng)域廣。從本質(zhì)上說，SDW是一個分析決策平臺，數(shù)據(jù)的來源及其類型決定了平臺的應(yīng)用對象，因此隨著數(shù)據(jù)量的日益豐富，該平臺的應(yīng)用領(lǐng)域正在不斷拓寬。

李宏麗等[7]將空間數(shù)據(jù)倉庫技術(shù)應(yīng)用到農(nóng)作物估產(chǎn)領(lǐng)域，取得的研究成果具有以下特點： ①海量數(shù)據(jù)集成，將基礎(chǔ)地理數(shù)據(jù)、作物種植數(shù)據(jù)、地面觀測數(shù)據(jù)以及經(jīng)濟(jì)部門的各類統(tǒng)計數(shù)據(jù)和媒體數(shù)據(jù)進(jìn)行有效集成； ②建立多維化數(shù)據(jù)模型，該模型包括氣象信息、地面信息、時間信息、作物類型、區(qū)域信息、土地類型、空間度量、遙感信息、單位產(chǎn)量、總產(chǎn)量等10個數(shù)據(jù)指標(biāo)； ③預(yù)測的針對性和靈活性強(qiáng)，在實際應(yīng)用中模型可根據(jù)具體需要，在上述10個指標(biāo)中針對性地選擇若干個指標(biāo)，即可獲得所需的預(yù)測結(jié)果，十分方便靈活。

1.2 動態(tài)窗口數(shù)據(jù)估產(chǎn)方法

該類方法的基本思路是，通過對待估產(chǎn)地域農(nóng)作物種植區(qū)域的有效分類，以估計不同作物的種植面積，實現(xiàn)對作物產(chǎn)量的精確估計。通過選取具一定代表性的樣方，對樣方中的作物類型、種植面積比例等數(shù)據(jù)進(jìn)行統(tǒng)計，再將統(tǒng)計結(jié)果視作待估產(chǎn)區(qū)域的統(tǒng)計值，因此要求樣方的選取必須具有很強(qiáng)的代表性。樣方的尺寸、形狀以及數(shù)量等因素制約著作物估產(chǎn)的最終精度。針對樣方的選取問題，馬麗等[8]采用SPOT5遙感影像數(shù)據(jù)，選取大小為500 m×500 m的樣方作為研究對象，通過實地調(diào)查獲得樣方中花生、玉米、水稻等作物的種植面積等信息，再用決策樹分類法實現(xiàn)對全區(qū)域玉米種植區(qū)信息的提取，最終實現(xiàn)對玉米產(chǎn)量的精確估計。該方法優(yōu)勢在于： ①通過野外調(diào)查獲取第一手?jǐn)?shù)據(jù)，將其視作統(tǒng)計數(shù)據(jù)和估產(chǎn)的輔助數(shù)據(jù)，比較真實可靠； ②借助遙感分類方法，實現(xiàn)對待估產(chǎn)作物種植區(qū)域的精確提取，排除了其他作物的干擾，針對性強(qiáng)。但該方法所獲取的輔助數(shù)據(jù)畢竟來源于所選樣方，由于樣方區(qū)域數(shù)量有限性，僅能大體上代表整個研究區(qū)域的作物特征信息，這在一定程度上限制了該方法的應(yīng)用。受上述方法啟發(fā)，韓松等[9]提出了一種基于地塊窗口數(shù)據(jù)的遙感估產(chǎn)方法。該方法以行政村作為地塊窗口范圍，通過實地調(diào)查的方法獲取該區(qū)域中作物類型及種植面積比例，同時利用TM遙感影像進(jìn)行非監(jiān)督分類，獲取區(qū)域內(nèi)土地利用類型和各類作物種植面積信息。在此基礎(chǔ)上借助研究區(qū)域統(tǒng)計年鑒數(shù)據(jù)建立估產(chǎn)模型，實現(xiàn)了對該區(qū)域中玉米和花生產(chǎn)量的估算。該方法中農(nóng)作物總體種植面積是通過TM影像分類獲得的，由于分類過程中對于各類土地類型進(jìn)行過合并取舍處理，所獲取的作物種植面積與真實情形存在一定的差異，成了制約該方法估產(chǎn)精度的一個重要因素。

2 基于植被指數(shù)的估產(chǎn)方法

2.1 基于單一植被指數(shù)估產(chǎn)方法

2.1.1 歸一化植被指數(shù)估產(chǎn)

植被指數(shù)反映了綠色植物的葉子、植被冠層在不同生長階段的光譜特征，通過與作物產(chǎn)量建立回歸估算模型，是目前農(nóng)作物產(chǎn)量估算的主流研究方法。劉姣娣等[10]采用歸一化植被指數(shù)(normalized diffience vegetation index,NDVI)以及比值植被指數(shù)(ratio vegetation indix,RVI)對新疆棉花產(chǎn)量進(jìn)行了預(yù)測。該研究的側(cè)重點在于： ①棉花最佳估產(chǎn)時期的確定，通過對棉花在各個時期內(nèi)光譜反射率的定量比較，確定了棉花在生鈴期為最佳估產(chǎn)時期； ②植被指數(shù)的選擇，通過與南疆、北疆棉花在5個時期內(nèi)所獲得的RVI，NDVI值與產(chǎn)量進(jìn)行定量比較，采用相關(guān)性較高的NDVI值進(jìn)行預(yù)測； ③多類預(yù)測模型的建立，采用棉花5個生長時期的NDVI值與實際產(chǎn)量進(jìn)行回歸分析，建立了冪函數(shù)、二次多項式函數(shù)、指數(shù)以及對數(shù)函數(shù)等4類回歸模型，從而得出了各品種棉花估產(chǎn)的不同估算期。此外，賀振[11]、解文歡[12]及白文龍[13]等也采用該方法分別對河南和黑龍江部分地區(qū)的農(nóng)作物進(jìn)行了估產(chǎn)研究。

2.1.2 增強(qiáng)型植被指數(shù)估產(chǎn)

農(nóng)作物在不同的生長階段對應(yīng)的植被指數(shù)呈現(xiàn)不同的特征。如水稻在生長過程中，特別是在抽穗期由于冠層被水稻幾乎完全覆蓋，NDVI容易出現(xiàn)飽和現(xiàn)象； 而增強(qiáng)型植被指數(shù)(enhanced vegetation index，EVI)由于引入了藍(lán)光波段，能有效克服上述飽和現(xiàn)象，降低大氣以及氣溶膠等因素的干擾，因而成為研究水稻估產(chǎn)的理想工具。相對于其他遙感數(shù)據(jù)而言，MODIS數(shù)據(jù)具有獲取成本低、實時性等特點，彭代亮等[14]提出了一種基于MODIS數(shù)據(jù)的EVI水稻產(chǎn)量估算方法。該方法主要步驟有： ①采用2005年1∶10 000比例尺土地利用現(xiàn)狀圖提取水稻種植區(qū)域，并將提取結(jié)果近似作為研究區(qū)域的水稻種植面積； ②計算2005—2007年3 a內(nèi)水稻5個生長期間內(nèi)的EVI均值A(chǔ)EVI(average EVI)； ③將AEVI分別與水稻種植面積進(jìn)行線性回歸建立產(chǎn)量預(yù)測模型。該方法的缺陷在于僅僅采用了3 a的水稻種植面積數(shù)據(jù)，忽略了研究區(qū)域長時間段內(nèi)水稻種植面積的變化量，而且也未考慮氣候、土壤等因素的影響，因此該預(yù)測模型要達(dá)到大面積推廣應(yīng)用的程度，還有很多工作要做。

2.1.3 溫度植被角度指數(shù)估產(chǎn)

目前遙感估產(chǎn)的主要方法是采用農(nóng)作物近紅外波段的波譜指數(shù)來建立估產(chǎn)模型。該類方法忽視了地標(biāo)溫度對于農(nóng)作物產(chǎn)量的影響。若將該因素考慮到估產(chǎn)模型中，無疑會提高模型的準(zhǔn)確性。發(fā)自這樣的設(shè)想，Moran等[15]將溫度因素與光譜植被指數(shù)相結(jié)合，基于蒸散量進(jìn)行了農(nóng)作物估算研究，并建立二者的定量函數(shù)關(guān)系模型。Lambin等[16]將溫度因素與NDVI相結(jié)合，對非洲土地覆蓋變化規(guī)律進(jìn)行研究，取得了較好效果。但目前基于溫度因素的估產(chǎn)方法研究還較少，為此，林文鵬等[17]在充分發(fā)揮MODIS數(shù)據(jù)的時間分辨率優(yōu)勢的基礎(chǔ)上，綜合了傳統(tǒng)植被指數(shù)與溫度因素的關(guān)系，定義了溫度植被角度指數(shù)(temperature vegetation angle index,TVAL)和增強(qiáng)型溫度植被角度指數(shù)(enhanced TVAI,ETVAI)2類新型植被指數(shù)，實現(xiàn)了對河北邢臺地區(qū)冬小麥的產(chǎn)量估算。其結(jié)果表明，相對于NDVI和EVI，該方法的估算效果更優(yōu)，提高了估產(chǎn)模型的精確性。

2.2 基于多植被指數(shù)估產(chǎn)方法

植物在可見光以及近紅外波段譜反射特性都可以通過各類植被指數(shù)體現(xiàn)，但各類植被指數(shù)由于特點不同，所反映的植物的生產(chǎn)發(fā)育情形也有所側(cè)重。若能綜合幾類植被指數(shù)的特點與產(chǎn)量建立回歸模型，理論上能夠提高產(chǎn)量預(yù)測的精度?；谶@樣的設(shè)想，郭熙等[18]提出了一種基于TM影像的多植被指數(shù)的水稻產(chǎn)量估算方法。該方法通過對研究區(qū)域抽取20個樣點，獲取各樣點水稻產(chǎn)量實測數(shù)據(jù)，并進(jìn)行GPS測量； 然后通過軟件計算出樣點中5種植被指數(shù)，即比值植被指數(shù)(RVI)、差值植被指數(shù)(different vegetation index,DVI)、歸一化植被指數(shù)(NDVI)、綠度植被指數(shù)(green vegetation index,GVI)和土壤調(diào)節(jié)植被指數(shù)(soil adjusted vegetation index,SAVI)的數(shù)值； 最后對各植被指數(shù)值與產(chǎn)量建立一元二次方程和指數(shù)方程，通過相關(guān)性的比較分析，選用相關(guān)程度最好的基于NDVI的一元二次預(yù)測模型作為最終的水稻預(yù)測模型。研究結(jié)果表明，該模型獲得了較高的預(yù)測精度。該方法最大特色在于引入了多類植被指數(shù)參與模型建立，但不足之處也是明顯的： ①該方法采用TM影像解譯方法獲得水稻種植面積值，沒有有效地解決混合像元問題，因而所獲得的種植面積誤差較大； ②盡管引入多類植被指數(shù)，但其在研究中的作用僅作為相關(guān)性的比較，并未有效顯示出各植被指數(shù)的特點； ③建立一元二次方程和指數(shù)方程模型時盡管依據(jù)相關(guān)性最大原則，選取基于NDVI的一元二次模型作為最終預(yù)測模型，但一般來說作物在不同的生產(chǎn)期中相關(guān)性是不斷變化的，并且僅憑相關(guān)性這一指標(biāo)就判斷回歸模型的優(yōu)劣，難以令人信服。

對上述存在的問題，學(xué)者們也做了一些工作。程乙峰等[19]提出一種基于葉面積指數(shù)(leaf area index,LAI)以及NDVI的棉花估產(chǎn)方法。該方法的特點有： ①將LAI和NDVI均作為自變量與棉花產(chǎn)量建立回歸模型，可以充分利用二者的特點，使回歸模型能最大限度地體現(xiàn)棉花生長特性； ②給出了棉花在花蕾期、花鈴期以及吐絮期的回歸模型，研究表明在花鈴期預(yù)測精度最高，其次是花蕾期和吐絮期。但該研究中回歸模型較為單一，基于線性回歸模型的花鈴期棉花預(yù)測精度最高，而這樣的精度是否也適合非線性回歸模型，仍需要進(jìn)一步討論。對此，張艷楠等[20]對多植被指數(shù)在草原生物量估算方面進(jìn)行了研究，采用14類植被指數(shù)對草地生物量(鮮重、干重)建立了4類回歸(線性、對數(shù)、冪、指數(shù))模型。研究結(jié)果表明，當(dāng)生物量最低時，采用一元線性回歸模型效果較好； 當(dāng)生物量持續(xù)增大時，可結(jié)合一元線性模型與指數(shù)模型進(jìn)行預(yù)測； 當(dāng)生物量較大時，可采用指數(shù)模型進(jìn)行預(yù)測產(chǎn)量。

總體上說，現(xiàn)有的估測方法僅對一定區(qū)域內(nèi)單一作物(如玉米、水稻)等進(jìn)行產(chǎn)量估算，而事實上，研究區(qū)域內(nèi)往往存在2類甚至更多類植物，如何對混播植物的產(chǎn)量以及總產(chǎn)量分別加以估算是該領(lǐng)域的一個難題。對此，王建光等[21]針對草地中苜蓿和無芒雀麥混播情況下估產(chǎn)方法進(jìn)行了研究，設(shè)計出4類新型植被指數(shù)，并結(jié)合已有的9類植被指數(shù)，在高光譜遙感數(shù)據(jù)的支持下，分別建立了苜蓿產(chǎn)量估算模型、無芒雀麥產(chǎn)量估算模型以及總產(chǎn)量估算模型。該項研究對于混播農(nóng)作物的產(chǎn)量估算，提供了一個新的研究方向。

3 基于特定模型的估產(chǎn)方法

3.1 過程模型估產(chǎn)方法

植被純第一性生產(chǎn)力(net primary productivity,NPP)[22-23]指標(biāo)反映的是農(nóng)作物在成長過程中在一定時間、一定面積內(nèi)的所有有機(jī)物含量的綜合。作為農(nóng)作物的產(chǎn)量則是NPP的一個部分，兩者聯(lián)系緊密，因此，通過采用特定模型來對NPP進(jìn)行估算，為農(nóng)作物產(chǎn)量估算提供了新的思路?，F(xiàn)有的計算NPP模型計算法主要有： 統(tǒng)計模型法(statistical model method)、過程模型法(process based model method)以及參數(shù)模型法(parameter model method)[24]，其中，過程模型法由于充分考慮了農(nóng)作物的生理特征等因素，計算得的NPP更符合實際情況，從而應(yīng)用最為廣泛。CASA(carnegie ames stanford approach)模型是過程模型的一類，該模型認(rèn)為NPP計算結(jié)果依賴于農(nóng)作物吸收的光合有效輻射量以及其光能轉(zhuǎn)化率2個參數(shù)。宋富強(qiáng)等[25]對CASA模型稍加改進(jìn)，在MODIS數(shù)據(jù)和大量氣象、土地利用現(xiàn)狀數(shù)據(jù)的支持下，實現(xiàn)了對河南省2010年冬小麥產(chǎn)量的準(zhǔn)確估算，建立了NPP與小麥產(chǎn)量的轉(zhuǎn)換模型。但該研究不足之處在于，采用的土地利用數(shù)據(jù)為2000年左右數(shù)據(jù)，由于在這10 a之間，土地利用發(fā)生較大變化，采用較陳舊數(shù)據(jù)作為輔助數(shù)據(jù)估算，精度勢必會受到影響。

3.2 WOFOST模型估產(chǎn)法

遙感技術(shù)的深入發(fā)展為基于模型的農(nóng)作物估產(chǎn)方法提供了大量實時、精確的數(shù)據(jù)，給該類方法的發(fā)展注入了活力。PyWOFOST模型是通過將WOFOST(world food study)模型與Python編譯器進(jìn)行無縫集成而形成的作物估產(chǎn)模型，適合于概率集成建模以及各類復(fù)雜參數(shù)的優(yōu)化等分析操作。遙感技術(shù)與該類估產(chǎn)模型的有機(jī)結(jié)合主要通過以下2種方法： ①采用驅(qū)動結(jié)合法將大量遙感數(shù)據(jù)直接輸入到估產(chǎn)模型中，通過相關(guān)計算獲得估產(chǎn)結(jié)果； ②采用同化結(jié)合法，根據(jù)具體情形有針對性地修改和調(diào)整模型中的相關(guān)參數(shù)，并選用與農(nóng)作物產(chǎn)量密切相關(guān)的數(shù)據(jù)輸入其模型中，從而完成產(chǎn)量的計算。顯而易見，后一種方法更為理想，也是目前研究的主要方向。但該類估產(chǎn)模型也存在著不確定性，包括模型數(shù)據(jù)(遙感數(shù)據(jù)、氣象數(shù)據(jù)及土壤數(shù)據(jù)等)的不確定性，以及在不同時期、不同地點各類數(shù)據(jù)對最終產(chǎn)量影響的不確定性等?；诖?，陳思寧等[26]將卡爾曼濾波方法引入到PyWOFOST模型中，并結(jié)合LAI、相關(guān)氣象和遙感數(shù)據(jù)，在進(jìn)行相關(guān)數(shù)據(jù)同化的基礎(chǔ)上，研究了該類模型對于東北地區(qū)玉米估產(chǎn)的精確性。研究結(jié)果反映出該類模型的估產(chǎn)精度與實測值較為吻合。但采用該模型實現(xiàn)對大范圍的農(nóng)作物估產(chǎn)，大量基礎(chǔ)數(shù)據(jù)的獲取仍然是一個棘手問題。

遙感技術(shù)與WOFOST相結(jié)合，通過反演作物L(fēng)AI值實現(xiàn)對作物產(chǎn)量的估測，但當(dāng)遙感數(shù)據(jù)某些技術(shù)指標(biāo)不夠理想時，采用該方法估測出的產(chǎn)量與實測值間的誤差勢必會較大。為此，黃健熙等[27]通過研究，提出了一種基于低分辨率遙感數(shù)據(jù)與WOFOST模型相結(jié)合的小麥產(chǎn)量預(yù)測方法。該方法的主要步驟有： 首先，用實測的小麥LAI來修正基于MODIS遙感影像數(shù)據(jù)獲得的LAI； 然后，采用WOFOST模型模擬LAI，并通過采用集合卡爾曼濾波算法(ensemble kalman filtering，EnKF)對修正后的MODIS的LAI進(jìn)行同化； 最后，將同化后的LAI驅(qū)動WOFOST模型，實現(xiàn)對小麥產(chǎn)量的測算。該方法為低分辨率遙感數(shù)據(jù)應(yīng)用于農(nóng)作物產(chǎn)量的精確估算提供了一個較好思路。但該方法僅計算出了LAI，僅憑LAI估算作物產(chǎn)量難免與現(xiàn)實存在一定的誤差。如能夠采用多源的遙感數(shù)據(jù)對作物的多個變量(LAI、土壤水分等)進(jìn)行反演，必將有助于提高作物產(chǎn)量的遙感估測精度。

3.3 BEPS 模型估產(chǎn)法

北部生態(tài)系統(tǒng)生產(chǎn)力模擬模型(boreal ecosystem productivity simulator,BEPS)是由Running等[28]在FOREST-BGC(forest biogeochemical cycles)模型的基礎(chǔ)上發(fā)展而來。該模型對于由能量傳輸、碳循環(huán)、水循環(huán)以及生理調(diào)節(jié)等4類子模型構(gòu)成，首先被用于模擬加拿大北方生森林生態(tài)系統(tǒng)生產(chǎn)力，后來陸續(xù)應(yīng)用于陸地生態(tài)系統(tǒng)生產(chǎn)力的模擬研究?；贐EPS模型的農(nóng)作物估產(chǎn)需要解決2個關(guān)鍵問題： ①如何改變傳統(tǒng)BEPS模型中籠統(tǒng)地將森林冠層劃分為受光和背光兩類葉片； ②如何將農(nóng)作物的NPP值有效地轉(zhuǎn)變成作物的產(chǎn)量。對此，王培娟等[29]進(jìn)行了相關(guān)研究，通過將傳統(tǒng)的BEPS模型中兩片大葉模型改成多層—兩片大葉模型； 采用收獲指數(shù)(harvest index,HI)將作物NPP換算成作物產(chǎn)量，從而實現(xiàn)了對華北冬小麥產(chǎn)量的精確估算。

3.4 支持向量機(jī)估產(chǎn)模型

支持向量機(jī)(support vector machine,SVM)方法作為一種新型統(tǒng)計機(jī)器學(xué)習(xí)方法近年來在農(nóng)業(yè)病蟲害監(jiān)測、農(nóng)產(chǎn)品識別以及農(nóng)業(yè)估產(chǎn)方面日漸得到研究應(yīng)用。SVM主要分成支持向量機(jī)分類(support vector machine classification,SVC)和支持向量機(jī)回歸(support vector machine regression,SVR)2類。針對傳統(tǒng)估產(chǎn)方法如人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)農(nóng)業(yè)估產(chǎn)受到各類因素制約，估產(chǎn)效果不理想的狀況，黎銳等[30]將SVR方法引入到農(nóng)業(yè)估產(chǎn)領(lǐng)域，通過SVR方法構(gòu)建估產(chǎn)模型，采用Landsat TM影像生成NDVI對北京郊區(qū)冬小麥進(jìn)行產(chǎn)量估算。研究結(jié)果表明，該方法估測結(jié)果優(yōu)于多元回歸法，精度較高。

4 基于農(nóng)作物估產(chǎn)軟件(平臺)的研發(fā)

以上探討的各類農(nóng)作物估產(chǎn)方法，在相關(guān)研究中取得了較為理想的效果，但這些方法大多局限于學(xué)術(shù)層面的研究和小區(qū)域?qū)嶒灐Ｒ嬲龑崿F(xiàn)對農(nóng)作物估產(chǎn)的產(chǎn)業(yè)化，推動我國農(nóng)作物估產(chǎn)能力的整體提升，有必要基于相關(guān)平臺開發(fā)估產(chǎn)軟件，將現(xiàn)有的估產(chǎn)方法進(jìn)行分類篩選，并有機(jī)集成到估產(chǎn)軟件中去，其意義將十分重大。但由于系統(tǒng)開發(fā)難度較大，加之相關(guān)估產(chǎn)方法還未十分成熟，近期難以進(jìn)行產(chǎn)業(yè)化推廣，此項工作任重而道遠(yuǎn)。目前基于農(nóng)作物估產(chǎn)軟件開發(fā)的相關(guān)研究進(jìn)展不是很顯著，其中熊勤學(xué)等[31]的研究較有代表性，在交互式開發(fā)語言(interactive data langue,IDL)支持下，運用ION(IDL on internet)技術(shù)，開發(fā)了基于Web的農(nóng)作物遙感估產(chǎn)軟件。該系統(tǒng)主要具備數(shù)據(jù)分析和處理2大功能，雖然整體上仍不夠完善，距離大規(guī)模普及應(yīng)用還有相當(dāng)一段距離，但該研究已提供了一個整體框架，在某種程度上起到了“開拓和示范”性的作用。

5 結(jié)論與討論

綜合以上分析，基于RS和GIS的農(nóng)作物估產(chǎn)方法的研究盡管取得了較大進(jìn)展，但存在的問題不容忽視。筆者認(rèn)為，在今后的研究中可在以下方面多做工作：

1)重視數(shù)據(jù)的來源和實時性問題。實現(xiàn)對農(nóng)作物產(chǎn)量高精度估算要依賴于數(shù)據(jù)。相關(guān)的數(shù)據(jù)一方面來源于遙感數(shù)據(jù)，目前應(yīng)用較多的有Landsat和MODIS等影像數(shù)據(jù)，由于各類遙感影像數(shù)據(jù)分辨率、成像周期等的差別，在實際應(yīng)用中，要在考慮經(jīng)濟(jì)成本的同時選用技術(shù)指標(biāo)合適的遙感數(shù)據(jù)； 另一方面要依賴于已有的大量統(tǒng)計資料和豐富的實測數(shù)據(jù)(如土壤水分、作物種植面積等)，這樣估算結(jié)果才可能精確可靠。

2)農(nóng)作物估產(chǎn)模型有待于進(jìn)一步細(xì)化?，F(xiàn)有的各類估產(chǎn)模型大多側(cè)重于一類或少數(shù)影響因素來進(jìn)行作物產(chǎn)量估算。事實上，影響作物產(chǎn)量的因素繁多，如土壤、氣候及溫度等因素，盡管現(xiàn)有的某些估產(chǎn)模型可以獲得較理想的精度，但如果能綜合考慮多種影響因素進(jìn)一步細(xì)化，無疑對提高農(nóng)作物估產(chǎn)精度，是大有裨益的。

3)估產(chǎn)方法的普適性需要進(jìn)一步論證。本文所論述的各類估產(chǎn)方法，雖然對于一定區(qū)域的農(nóng)作物的產(chǎn)量取得了較高精度的估算，但仍存在如下主要問題： ①各類估產(chǎn)方法有區(qū)域性限制，在研究區(qū)以外地區(qū)某方法是否也具有同樣的精度，需要進(jìn)一步論證; ② 受作物種類的限制，多數(shù)估產(chǎn)方法僅對一類作物(如小麥，水稻等)適用。雖然不同作物種類的生長特點存在較大差異，但在上述估產(chǎn)方法基礎(chǔ)上找到對于多類作物產(chǎn)量均有較好估算精度的、普適性強(qiáng)的方法，是完全有可能的，當(dāng)然還需要進(jìn)行深入的論證和研究。

4)加速農(nóng)作物估產(chǎn)軟件系統(tǒng)的開發(fā)。農(nóng)作物估產(chǎn)方法研究的終極目標(biāo)在于產(chǎn)業(yè)化的推廣應(yīng)用，因此，該領(lǐng)域研究的落腳點應(yīng)該是各類方法的篩選、集成、軟件系統(tǒng)開發(fā)和應(yīng)用推廣上。為此，需要各相關(guān)部門的全力支持和廣大科研人員的不懈努力。

參考文獻(xiàn)(References)：

[1] 李衛(wèi)國,李正金,申雙和.小麥遙感估產(chǎn)研究現(xiàn)狀及趨勢分析[J].江蘇農(nóng)業(yè)科學(xué),2009(2):6-7,27.

Li W G,Li Z J,Shen S H.Analysis on the research present situation and trend of remote sensing in wheat yield estimation[J].Jiangsu Agriculture Science,2009(2):6-7,27.

[2] 王延頤,高慶芳.稻田光譜與水稻長勢及產(chǎn)量結(jié)構(gòu)要素關(guān)系的研究[J].國土資源遙感,1996,8(1):51-55.

Wang Y Y,Gao Q F.The relationship between spactrum in paddy fields and rice growth and yield coponents[J].Remote Sensing for Land and Resources,1996,8(1):51-55.

[3] 趙銳,湯君友,何隆華.江蘇省水稻長勢遙感監(jiān)測與估產(chǎn)[J].國土資源遙感,2002,14(3):9-11.

Zhao R,Tang J Y,He L H.A discussion on growing state survey and yield estimation of paddy in Jiangsu Province by means of remote sensing[J].Remote Sensing for Land and Resources,2002,14(3):9-11.

[4] 劉海啟.美國農(nóng)業(yè)遙感技術(shù)應(yīng)用狀況概述[J].中國農(nóng)業(yè)資源與區(qū)劃,1999,20(2):56-60.

Liu H Q.Applications of remote sensing in agriculture in the United States[J].Journal of China Agriculture Resources and Regional Planning,1999,20(2):56-60.

[5] 李佛琳,李本遜,曹衛(wèi)星.作物遙感估產(chǎn)的現(xiàn)狀及其展望[J].云南農(nóng)業(yè)大學(xué)學(xué)報,2005,20(5):680-684.

Li F L,Li B X,Cao W X.Status and prospect of crop-yield assess by remote sensing[J].Journal of Yunnan Agricultural University,2005,20(5):680-684.

[6] 蘇天赟,崔愛菊,梁瑞才,等.海洋地球物理空間數(shù)據(jù)倉庫系統(tǒng)的設(shè)計與實現(xiàn)[J].地球物理學(xué)進(jìn)展,2011,26(4):1478-1484.

Su T Y,Cui A J,Liang R C,et al.Design and development of marine geophysics spatial data warehouse systems[J].Progress in Geophysics,2011,26(4):1478-1484.

[7] 李宏麗,彭沛全,方立剛.基于空間數(shù)據(jù)倉庫的農(nóng)作物估產(chǎn)研究[J].農(nóng)機(jī)化研究,2007(3):162-164,167.

Li H L,Peng P Q,Fang L G.Research of crop yield estimation based on spatial data warehouse[J].Journal of Agricultural Mechanization Research,2007(3):162-164,167.

[8] 馬麗,顧曉鶴,徐新剛,等.地塊數(shù)據(jù)支持下的玉米種植面積遙感測量方法[J].農(nóng)業(yè)工程學(xué)報,2009,25(8):141-151.

Ma L,Gu X H,Xu X G,et al.Remote sensing measurement of corn planting area based on field-data[J].Transactions of the CSAE,2009,25(8):141-151.

[9] 韓松,賀立源,黃魏,等.地塊窗口支持下作物的遙感估產(chǎn)[J].華中農(nóng)業(yè)大學(xué)學(xué)報,2011,30(2):206-209.

Han S,He L Y,Huang W,et al.Remote sensing yield estimation of crop based on field window[J].Journal of Huanzhong Agricultural University,2011,30(2):206-209.

[10]劉姣娣,曹衛(wèi)彬,李華,等.基于植被指數(shù)的新疆棉花遙感估產(chǎn)模型研究[J].石河子大學(xué)學(xué)報:自然科學(xué)版,2011,29(2):153-157.

Liu J D,Cao W B,Li H et al.The research of cotton yield estimation based on vegetation index using remote sensing in Xinjiang[J].Journal of Shihezi University:Natural Science,2011,29(2):153-157.

[11]賀振,賀俊平.基于NOAA-NDVI的河南省冬小麥遙感估產(chǎn)[J].干旱區(qū)資源與環(huán)境,2013,27(5):46-52.

He Z,He J P.Estimation of winter wheat yield based on the NOAA-NDVI data[J].Journal of Arid Land Resources and Environment,2013,27(5):46-52.

[12]解文歡,張有智,吳黎.基于植被指數(shù)對望奎縣糧食作物產(chǎn)量預(yù)測方法研究[J].黑龍江農(nóng)業(yè)科學(xué),2011(4):113-115.

Xie W H,Zhang Y Z,Wu L.Forecast methods of crop production in Wangkui County based on the normalized difference vegetation index[J].Heilongjiang Agricultural Science,2011(4):113-115.

[13]白文龍,張福平.基于SPOT VGT/NDVI的陜西省關(guān)中地區(qū)冬小麥遙感估產(chǎn)[J].資源開發(fā)與市場,2012,28(6):483-485,528.

Bai W L,Zhang F P.Estimation of winter wheat yield in Guanzhong area of Shaanxi Province using SPOT VGT/NDVI[J].Resource Development and Market,2012,28(6):483-485,528.

[14]彭代亮,黃敬峰,孫華生,等.基于Terra與Aqua MODIS增強(qiáng)型植被指數(shù)的縣級水稻總產(chǎn)遙感估算[J].中國水稻科學(xué),2010,24(5):516-522.

Peng D L,Huang J F,Sun H S,et al.County level rice yield estimation based on combination of Terra and Aqua MODIS EVIS[J].Chinese Journal of Rice Science,2010,24(5):516-522.

[15]Moran M S,Clarke T R,Inoue Y,et al.Estimating crop water deficit using the relation between surface-air temperature and spectral vegetation index[J].Remote Sensing Environment,1994,49(3):246-263.

[16]Lambin E F,Ehrich D.The surface temperature-vegetation index space for land cover and land-cover change analysis[J].International Journal of Remote Sensing,1996,17(3):463-487.

[17]林文鵬,黃敬峰,胡小猛,等.基于MODIS溫度植被角度指數(shù)的農(nóng)作物估產(chǎn)模型研究[J].紅外與毫米波學(xué)報,2010,29(6):476-480.

Lin W P,Huang J F,Hu X M,et al.Crop yield forecast based on MODIS temperature-vegetation angle index[J].Journal of Infrared and Millimeter Waves,2010,29(6):476-480.

[18]郭熙,黃俊,朱安繁,等.基于TM影像的南方丘陵區(qū)早稻估產(chǎn)研究——以奉新縣為例[J].江西農(nóng)業(yè)大學(xué)學(xué)報,2010,32(6):1103-1108.

Guo X,Huang J,Zhu A F,et al.A study on early rice yield estimation based on TM image in sourthern hill regions：A case study of Fengxin Country[J].Acta Agriculture Universitatis Jiangxiensis,2010,32(6):1103-1108.

[19]程乙峰,貢璐,張雪妮,等.新疆北疆棉花多元符合遙感估產(chǎn)模型研究[J].新疆農(nóng)業(yè)科學(xué),2012,49(8):1497-1502.

Cheng Y F,Gong L,Zhang X N,et al.Study of the remote sensing cotton yield estimation model in northern Xinjiang[J].Xinjiang Agricultural Sciences,2012,49(8):1497-1502.

[20]張艷楠,牛建明,張慶,等.植被指數(shù)在典型草原生物量遙感估測應(yīng)用中的問題探討[J].草業(yè)學(xué)報,2012,21(1):229-238.

Zhang Y N,Niu J M,Zhang Q,et al.A discussion on applications of vegetation index for estimation aboveground biomass of typical steppe[J].Acta Prataculturae Sinica,2012,21(1):229-238.

[21]王建光,呂小東,姚貴平,等.苜蓿和無芒雀麥混播草地高光譜遙感估產(chǎn)研究[J].中國草地學(xué)報,2013,35(1):35-41.

Wang J G,Lyu X D,Yao G P,et al.Estimation of fresh forae yield of mixed sowing pastures of alfalfa and smooth-brome with hyperspectral remote sensing[J].Chinese Journal Grassland,2013,35(1):35-41.

[22]Tao F L,Yokozawa M,Zhang Z,et al.Remote sensing of crop production in China by production efficiency models:Models comparisons,estimates and uncertainties[J].Ecological Modelling,2005,183(4),:385-396.

[23]李海亮,羅微,李世池,等.基于遙感信息和凈初級生產(chǎn)力的天然橡膠估產(chǎn)模型[J].自然資源學(xué)報,2012,27(9):1610-1621.

Li H L,Luo W,Li S C,et al.Estimation model of natural rubber yield based on net primary production and remote sensing[J].Journal of Natural Resources,2012,27(9):1610-1621.

[24]Ruimy A,Saugier B,Dedieu D.Methodology for the estimation of terrestrial net primary production from remotely sensed data[J].Journal of Geophysical Research,1994,99(D3):5263-5283.

[25]宋富強(qiáng),鄭壯麗,王令超.基于CASA模型的河南省冬小麥估產(chǎn)研究[J].河南科學(xué),2012,30(10):1466-1471.

Song F Q,Zhang Z L,Wang L C.Yield estimation for winter wheat of Henan Province based on CASA model[J].Henan Sciences,2012,30(10):1466-1471.

[26]陳思寧,趙艷霞,申雙和.基于集合卡爾曼濾波的PyWOFOST模型在東北玉米估產(chǎn)中的適用性驗證[J].中國農(nóng)業(yè)氣象,2012,33(2):245-253.

Chen S N,Zhao Y X,Shen S H.Applicability of PyWOFOST model based on ensemble Kalman filter in simulating maize yield in northeast China[J].Chinese Journal of Agrometeorology,2012,33(2):245-253.

[27]黃健熙,武思杰,劉興權(quán),等.基于遙感信息與作物模型集合卡爾曼濾波同化的區(qū)域冬小麥產(chǎn)量預(yù)測[J].農(nóng)業(yè)工程學(xué)報,2012,28(4):142-148.

Huang J X,Wu S J,Liu X Q,et al.Regional winter wheat yield forecasting based on assimilation of remote sensing data and crop growth model with ensemble Kalman method[J].Transactions of the CSAE,2012,28(4):142-148.

[28]Running S W,Coughlan J C.A general model of forest ecosystem processes for regional applications hydrologic balance,canopy gas exchange and primary production processes[J].Ecological Modelling,1988,42(2):125-154.

[29]王培娟,謝東輝,張佳華,等.BEPS模型在華北平原冬小麥估產(chǎn)中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報,2009,25(10):148-153.

Wang P J,Xie D H,Zhang J H,et al.Application of BEPS model in estimation winter wheat yield in north China plain[J].Transactions of the CSAE,2009,25(10):148-153.

[30]黎銳,李存軍,徐新剛,等.基于支持向量回歸(SVR)和多時相遙感數(shù)據(jù)的冬小麥估產(chǎn)[J].農(nóng)業(yè)工程學(xué)報,2009,25(7):114-117.

Li R,Li C J,Xu X G,et al.Winter wheat yield estimation based on support vector machine regression and multi-temporal remote sensing data[J].Transactions of the Chinese Society of Agricultural Engineering,2009,25(7):114-117.

[31]熊勤學(xué),黃敬峰.基于Web的農(nóng)作物遙感估產(chǎn)軟件平臺開發(fā)的技術(shù)研究[J].安徽農(nóng)業(yè)科學(xué),2009,37(13):6114-6116,6125.

Xiong Q X,Huang J F.Research on the software platform technique of crop yield estimation based on Web[J].Journal of Anhui Agriculture Sciences,2009,37(13):6114-6116,6125.