徐春萌，田芷源，陳 威，劉佳佳，白 潔

（1. 北京佳格天地科技有限公司，北京 100190；2. 中國科學院南京土壤研究所，南京 210008；3. 中國農(nóng)業(yè)科學院農(nóng)業(yè)信息研究所，北京 100081； 4. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息服務(wù)技術(shù)重點實驗室，北京 100081）

0 引 言

鑒于中國與國外的糧食貿(mào)易規(guī)模不斷加大，對世界主要農(nóng)作物產(chǎn)量估測的需求日益突出，對估產(chǎn)方法高精度與時效性的要求越來越高[1]，開展客觀、及時、大面積的農(nóng)作物產(chǎn)量預(yù)測研究，可以減少對人工統(tǒng)計數(shù)據(jù)的依賴性，對政府決策具有重要意義。農(nóng)作物單位產(chǎn)量（單產(chǎn)）的預(yù)測研究方法，包括基于統(tǒng)計回歸模型和相似年份聚類法的純氣象研究手段，建立植被指數(shù)與作物單產(chǎn)關(guān)系的純遙感估產(chǎn)方法，以及逐步發(fā)展形成的作物模型同化遙感數(shù)據(jù)的集合預(yù)測方法[2-4]，盡管研究已提出多個作物模型[5-7]。但由于作物模型是基于單個采樣點進行開發(fā)的，在大面積區(qū)域應(yīng)用時仍面臨模型區(qū)域化處理的問題。衛(wèi)星遙感技術(shù)可進行大范圍地表監(jiān)測，并獲取其中的植被指數(shù)[8-10]。遙感-作物模型同化是將遙感數(shù)據(jù)與基于單點尺度的作物模型進行互補，在考慮大豆生育期生長規(guī)律的基礎(chǔ)上，借助遙感植被指數(shù)反演葉面積，融合生育期的氣象時空分布數(shù)據(jù)，實現(xiàn)大面積范圍內(nèi)的大豆單產(chǎn)估測。

農(nóng)業(yè)技術(shù)轉(zhuǎn)讓決策支持系統(tǒng)（the Decision Support System for Agro-technology Transfer，DSSAT）是由美國喬治亞大學組織開發(fā)的[11]，并于20世紀末引入中國，在中國不同地區(qū)進行了適用性驗證[12-14]。DSSAT模型可以對眾多作物種類進行生長模擬，包括玉米、大豆、棉花等重要糧食經(jīng)濟作物[15]。該作物模型采用綠色葉綠素植被指數(shù)（Green Chlorophyll Vegetation Index，GCVI）作為模擬植被生長情況的指標。相比于常用的歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI），GCVI具有當葉面積很高時不會發(fā)生指標飽和的優(yōu)勢[16]。

在國內(nèi)，科研工作者在中國以及國外地區(qū)（比如美國Corn Belt）開展了使用遙感信息及作物模型獲取作物生物量及產(chǎn)量的探索研究[17-19]，積累了一定的技術(shù)方法。隨著作物估產(chǎn)需求的提升，近年來越來越多的研究工作關(guān)注于同化遙感信息獲取詳細產(chǎn)量數(shù)據(jù)（如市縣級、地塊級別）的應(yīng)用方法[20-21]。目前針對主糧作物（玉米和小麥）的試驗較多，而對于其他重要糧食作物，比如大豆估產(chǎn)模型的研究相對缺乏?？紤]到近年中國大豆進口需求的迅速增長，而美國是世界上重要的大豆生產(chǎn)國和中國大豆的進口來源[22]，本研究選取大豆作為作物估產(chǎn)研究對象，將中國吉林省與美國愛荷華州作為研究區(qū)域，在統(tǒng)一的估產(chǎn)技術(shù)路線基礎(chǔ)上，對中美兩國代表產(chǎn)區(qū)的

大豆單產(chǎn)進行研究，比較方法在不同地區(qū)的適用性。本研究通過使用大豆產(chǎn)量統(tǒng)計數(shù)據(jù)和DSSAT作物模型，并融合長時間序列的氣象要素與MODIS中分辨率遙感影像，開展中美代表產(chǎn)區(qū)的大豆單產(chǎn)估測。通過在大面積范圍內(nèi)建立大豆單產(chǎn)估測模型，以期為全球重點區(qū)域的作物產(chǎn)量分析提供技術(shù)參考。

1 材料與方法

1.1 研究區(qū)概況

愛荷華州位于美國中北部黃金帶，在北緯40°～44°，西經(jīng)90°～97°之間，其耕地資源豐富，是美國大豆、玉米、小麥等經(jīng)濟及糧食作物的主產(chǎn)區(qū)之一。全州土地面積14.47萬km2，大豆種植面積約4萬km2。絕大部分地區(qū)地形平坦，從西北向南地勢略微降低，水資源豐富[23]。愛荷華州屬于溫帶大陸性氣候，全年溫差較大，降雨多集中在夏季且空間分布不均衡，大豆生育期間降雨總量為190～580 mm，日平均太陽輻射量為17～24 MJ/m2。

吉林省位于中國東北部黑土區(qū)，在北緯41°～47°，東經(jīng)122°～131°之間，是中國重要的糧食生產(chǎn)地區(qū)之一。全省土地面積18.74萬km2，大豆種植面積約2 000 km2。由東南向西北地勢降低，東部為山地，中西部為平原地貌，河流眾多。吉林屬于溫帶大陸性季風氣候，四季分明，雨熱同期，大豆生育期間降雨總量為150～900 mm，日平均太陽輻射量為14～23 MJ/m2。

1.2 數(shù)據(jù)來源

氣象參數(shù)的模擬資料采用NASA世界能源預(yù)測項目（Prediction of Worldwide Energy Resources，簡稱POWER）所反演的降雨量、日最高溫度以及太陽輻射數(shù)據(jù)，原始氣象觀測資料來源于POWER數(shù)據(jù)網(wǎng)的區(qū)域數(shù)據(jù)資料日值集（https://power.larc.nasa.gov/data-access-viewer/），空間分辨率為0.5°×0.5°。本研究使用ArcGIS10.3軟件以格點數(shù)據(jù)為基礎(chǔ)進行計算，分別獲得愛荷華州和吉林省2008－2017年間每年6－8月的累積降雨量（mm），每年6－8月的日平均太陽輻射量（MJ/m2），以及每年8月的日最高溫度平均值（℃），并采用雙線性空間插值法將空間尺度細化至500 m×500 m。

愛荷華州的大豆分類數(shù)據(jù)來自美國農(nóng)業(yè)部（United States Department of Agriculture，USDA）每年發(fā)布的農(nóng)田數(shù)據(jù)層（Cropland Data Layers，CDL），其空間分辨率為30 m×30 m；使用基于2017年Sentinel-2遙感影像，輔助結(jié)合高分1號數(shù)據(jù)，提取中國吉林省的大豆種植分布數(shù)據(jù)，其空間分辨率為10 m×10 m，分類結(jié)果通過對全省各市縣3 802個實地采樣點進行驗證，精度大于87%，以上數(shù)據(jù)由北京佳格天地科技有限公司與吉林省農(nóng)委合作完成。研究中假設(shè)吉林省2008－2017年大豆種植區(qū)域不變，對其他年份進行統(tǒng)一的大豆分布圖掩膜處理。以上大豆分類數(shù)據(jù)均重采樣至500 m×500 m分辨率。

植被指數(shù)使用遙感影像MODIS MOD09A1數(shù)據(jù)集計算GCVI值，其空間分辨率為500 m×500 m。GCVI的計算式如下：

式中NIR和G指近紅外光波段（光譜范圍841～876 nm）、綠光波段（光譜范圍545～565 nm）反射率。

土壤參數(shù)來自于國際土壤資料與信息中心（https://www.isric.org/）土壤數(shù)據(jù)集。根據(jù)DSSAT模型中大豆模型SOYGRO需要的基礎(chǔ)土壤數(shù)據(jù)進行提取，包括土層深度、各層質(zhì)地（黏粒、粉粒、砂粒含量）、pH值、有機質(zhì)含量、全氮、容重以及持水性能等指標。

田間管理信息選取研究區(qū)域典型大豆品種作為研究對象，通過收集美國農(nóng)業(yè)部發(fā)布的愛荷華州大豆種植數(shù)據(jù)（https://quickstats.nass.usda.gov/）與吉林省6個氣象站點（榆樹、雙陽、敦化、遼源、樺甸、延吉）記錄的生育期數(shù)據(jù)，確定大豆各個生育期的日期。氮肥施用水平從50～300 kg/hm2不等。由于2個研究區(qū)域普遍不具備灌溉條件，因此在進行大范圍估產(chǎn)的情況下將灌溉統(tǒng)一默認為無。

2008－2017年美國愛荷華州大豆單產(chǎn)數(shù)據(jù)來源于美國農(nóng)業(yè)部調(diào)查的愛荷華州大豆產(chǎn)量歷史數(shù)據(jù)（https://quickstats.nass.usda.gov/），以縣為統(tǒng)計單位；中國吉林省大豆產(chǎn)量數(shù)據(jù)來源于吉林省統(tǒng)計局公布的統(tǒng)計年鑒（http://tjj.jl.gov.cn/tjsj/tjnj/），包含各市縣的大豆播種面積和總產(chǎn)量，由此計算大豆單產(chǎn)數(shù)值。

1.3 單產(chǎn)模擬方法

1.3.1 DSSAT模型調(diào)參

本研究選取DSSAT模型中的大豆模型SOYGRO作為模擬工具[24]。按照DSSAT模型的標準與格式，使用歷史年份數(shù)據(jù)（2008－2017年）分別建立氣象文件、土壤與田間管理文件、生育期及產(chǎn)量文件，并通過該模型中的最大似然估計（Generalized Likelihood Uncertainty Estimation，GLUE）模塊對大豆遺傳參數(shù)進行率定，分別對愛荷華州和吉林省構(gòu)建了區(qū)域尺度的大豆模型參數(shù)，結(jié)果如表1所示。

利用歷史年份（2008－2017年）數(shù)據(jù)，通過將大豆生長發(fā)育過程中的關(guān)鍵決定參數(shù)進行任意組合，包括種植日期、氣象數(shù)據(jù)、氮肥水平播種密度、品種參數(shù)等，進而構(gòu)建多場景的大豆生長情況，進行逐日模擬并繪制葉面積指數(shù)（Leaf Area Index, LAI）曲線（模擬起始日期為每年第100天，結(jié)束日期為第365天）。通過分析不同情境下LAI隨時間的變化曲線，設(shè)置了2個28 d大豆生長窗口期：生育早期（每年第201天至第228天）及生育晚期（第229天至第256天）。利用大豆LAI與GCVI的換算關(guān)系，如式（2）所示[25]，可將LAI隨時間變化曲線轉(zhuǎn)化為GCVI隨時間變化的曲線。

結(jié)合歷史年份（2008—2017年）的氣象要素及遙感GCVI指數(shù)，獲得研究區(qū)域內(nèi)的大豆單產(chǎn)模擬向量系數(shù)表。向量系數(shù)表由14列（生育日期、氣象要素、植被指數(shù)等相關(guān)參數(shù)），784行（28 d × 28 d）數(shù)據(jù)構(gòu)成，可通過耦合大豆生長窗口期內(nèi)的氣象要素及遙感植被信息計算得到大豆單位面積產(chǎn)量的估測值。為評價向量系數(shù)表的準確性，將2008—2017年氣象站點的歷史調(diào)查數(shù)據(jù)作為單產(chǎn)真值與單產(chǎn)模擬值（通過向量系數(shù)表計算所得）進行擬合，結(jié)果顯示兩者之間的線性回歸決定系數(shù)R2大于0.80。以上操作是將大豆模型SOYGRO鏈接到Python編譯器，通過Python調(diào)用 SOYGRO的功能庫完成。

表1 愛荷華州和吉林省的作物模型參數(shù)Table 1 Parameters of crop model in Iowa State and Jilin Province

1.3.2 大豆單產(chǎn)模擬

將美國愛荷華州和中國吉林省作為研究區(qū)域，分別獲取2008—2017年基于MODIS影像反演的逐年GCVI植被指數(shù)，以及大豆生育期的氣象要素，假設(shè)土壤性質(zhì)和田間管理模式不變，利用研究區(qū)域所對應(yīng)的大豆向量系數(shù)表，采用式（3）回歸模型對大豆單產(chǎn)進行逐年模擬[26]。

式中Y為大豆單產(chǎn)，kg/hm2；W為生育期內(nèi)的天氣特征（6－8月累積降雨量（mm），6－8月日平均太陽輻射量（MJ/m2），以及8月日最高溫度（℃）向量，RMd為生育期內(nèi)的遙感反演植被指數(shù)GCVI向量，系數(shù)β為向量系數(shù)表中大豆生育早期（第201天至第228天）與生育晚期（第229天至第256天）某一日期組合下的參數(shù)。

利用上述回歸模型，以谷歌地球引擎（Google Earth Engine）作為遙感數(shù)據(jù)計算云平臺，輸入歷史年份（2008－2017年）的氣象要素及遙感GCVI指數(shù)，分別進行2008－2017年美國愛荷華州和中國吉林省每年的大豆單產(chǎn)估測，輸出單產(chǎn)模擬值的空間分辨率為500 m×500 m。

1.3.3 大豆單產(chǎn)精度驗證

大豆單產(chǎn)精度驗證所使用的數(shù)據(jù)集為2008－2017年愛荷華州各縣（n=99）及吉林省各縣（n=32～42）模擬大豆單產(chǎn)的平均值，驗證集為中美兩國政府發(fā)布的統(tǒng)計數(shù)據(jù)。對模擬大豆單產(chǎn)結(jié)果的誤差分析，采用了3項計算指標進行評價：平均誤差（Mean Percentage Error,MPE），均方根誤差（Root Mean Square Error, RMSE），平均偏差（Mean Bias Error, BSE）。計算式如（4）～（6）所示。

式中n為統(tǒng)計縣個數(shù)；mi為作物模型所得到的大豆單產(chǎn)，kg/hm2；di為調(diào)查數(shù)據(jù)代表的大豆單產(chǎn)，kg/hm2。

同時，關(guān)于大豆產(chǎn)量的分縣數(shù)據(jù)，在各年份作物模型的產(chǎn)量值與調(diào)查數(shù)據(jù)之間分別建立了線性回歸模型，使用相關(guān)系數(shù)（r）驗證兩者之間的相關(guān)性。

2 結(jié)果與分析

2.1 美國愛荷華州大豆單產(chǎn)估測

美國愛荷華州2008－2017典型年份的大豆單產(chǎn)估測值空間分布如圖1所示。從圖中可以看出，愛荷華州大豆產(chǎn)量的空間變異性在不同年份存在差異：單產(chǎn)較高的大豆（＞4 000 kg/hm2）在2008年分布于東部和中部地區(qū)，在2011年主要位于東北地區(qū)，在2016年則分布于東部及西南地區(qū)；單產(chǎn)較低的大豆（＜2 000 kg/hm2）主要分布于南部地區(qū)，但在2013年北部地區(qū)的大豆單產(chǎn)也較低。

美國愛荷華州2008－2017年大豆單產(chǎn)的年際變化如圖2所示，模擬結(jié)果表明，大豆單產(chǎn)在2012年最低，僅為（2 139±193）kg/hm2，而在2010年大豆單產(chǎn)最高，為（4 766±970）kg/hm2，其余年份存在一定的產(chǎn)量波動。調(diào)查統(tǒng)計數(shù)據(jù)表明，愛荷華州大豆單產(chǎn)的最低值為2012年的（3 001±430）kg/hm2，而大豆單產(chǎn)最高值為2016年的（3 991±230）kg/hm2。從10 a間的單產(chǎn)波動來看，模擬值與調(diào)查值均呈現(xiàn)出大豆單產(chǎn)在2009年上升，于2011及2012年間下降，隨后在2013至2016年上升，并在2017年再次下降的特征。美國愛荷華州大豆單產(chǎn)模擬值與調(diào)查數(shù)據(jù)的年際變化趨勢較為一致，但作物模型估測的美國愛荷華州大豆單產(chǎn)的年際變化與統(tǒng)計調(diào)查數(shù)據(jù)相比，增減產(chǎn)的變化幅度較大，表現(xiàn)為單產(chǎn)預(yù)測值在高產(chǎn)年份比調(diào)查值更高，但在低產(chǎn)年份比調(diào)查值更低（圖2）。

美國愛荷華州2008－2017年大豆單產(chǎn)估產(chǎn)的驗證結(jié)果如表2所示。

表2 美國愛荷華州2008－2017年大豆單產(chǎn)模擬值與調(diào)查值誤差比較Table 2 Errors of estimated soybean yields compared to investigated values from 2008 to 2017 in Iowa State, USA

綜合來看，美國愛荷華州大豆模擬的單產(chǎn)區(qū)間略大于調(diào)查值，2008－2017大豆單產(chǎn)的模擬值為2 139～4 766 kg/hm2，而調(diào)查單產(chǎn)為3 002～3 991 kg/hm2（圖2），大豆單產(chǎn)估產(chǎn)的平均誤差為8.7%～40.7%，估測值的均方根誤差為369.5～1 618.2 kg/hm2，平均偏差為-863.7～1373.9 kg/hm2（表2）。其中，2010年模型估測的誤差較大，大豆單產(chǎn)的估測值大于單產(chǎn)調(diào)查值1 373.8 kg/hm2；而2011、2014年估測精確度較高，單產(chǎn)的平均偏差略高于100 kg/hm2。從10 a平均來看，2008－2017年美國愛荷華州大豆單產(chǎn)估產(chǎn)的驗證結(jié)果為：平均誤差為16.8%，均方根誤差為762.8 kg/hm2，平均偏差為107.2 kg/hm2，且估測值比調(diào)查值偏大（表2）。

對比2008－2017年美國愛荷華州大豆單產(chǎn)模擬數(shù)據(jù)與調(diào)查數(shù)據(jù)，在縣級尺度上對估產(chǎn)結(jié)果的平均值進行了精度驗證，典型年份線性回歸模型的擬合結(jié)果如圖3所示。遙感信息結(jié)合DSSAT作物模型對美國愛荷華州2008－2017年大豆單產(chǎn)估測值與統(tǒng)計調(diào)查的產(chǎn)量值之間的相關(guān)系數(shù)（r），從0.57到0.78不等。其中，相關(guān)程度較好的為2013年和2008年，最差的年份為2016年。整體來看，各縣的大豆單產(chǎn)模擬值與調(diào)查值相關(guān)程度較好。當愛荷華州大豆單產(chǎn)較高時，回歸模型的相關(guān)系數(shù)較小，當單產(chǎn)較低時，回歸模型的相關(guān)系數(shù)較大，這可能與模型所適用的大豆產(chǎn)量區(qū)間有關(guān)。

2.2 中國吉林省大豆單產(chǎn)估測

中國吉林省2008－2017典型年份大豆單產(chǎn)估測值的空間分布如圖4所示。從圖中可以看出，吉林省大豆產(chǎn)量的空間變異性在不同年份略有差異。單產(chǎn)較高的大豆（＞3 000 kg/hm2）在2012年分布在北部、中部和東部地區(qū)，在其它年份則主要分布于東部地區(qū)；而單產(chǎn)較低的大豆（＜2 000 kg/hm2）除2012年以外主要分布于西部地區(qū)，部分東部地區(qū)單產(chǎn)也較低（圖4）。

中國吉林省2008－2017年大豆單產(chǎn)的年際變化如圖5所示。其中，吉林省大豆單產(chǎn)的估測數(shù)據(jù)顯示，2009年的大豆單產(chǎn)最低，僅為（1 653±544）kg/hm2，2017年大豆單產(chǎn)最高，為（2 766±933）kg/hm2。從10 a變化趨勢來看，中國吉林省大豆單產(chǎn)模擬值在2009年顯著下降，然后在2010年單產(chǎn)回升，直到2013年以后單產(chǎn)再次下降，并在2017年出現(xiàn)單產(chǎn)回升（圖5）。吉林省的調(diào)查統(tǒng)計數(shù)據(jù)表明，大豆單產(chǎn)最低值為2009年的（1 997±667）kg/hm2，最高值為2013年的（2 797±930）kg/hm2。其中，大豆單產(chǎn)調(diào)查值在2009年下降，然后在2010年回升至穩(wěn)定，直到2013年單產(chǎn)略微上升，并于2016年開始下降（圖5）。綜合來看，作物模型估測中國吉林省大豆單產(chǎn)的最低年份與調(diào)查值最低年份相吻合（2009年），且二者反映的高產(chǎn)年份相同（2008、2013、2015年）。除2017年模型認為產(chǎn)量上升以外，估測與調(diào)查所得大豆單產(chǎn)的年際變化波動趨勢幾乎一致。

中國吉林省2008－2017年運用遙感與作物模型計算所得的大豆單產(chǎn)估測值與調(diào)查值驗證結(jié)果如表3所示。綜合來看，2008－2017年中國吉林省大豆單產(chǎn)的模擬值為1 653～2 766 kg/hm2，其產(chǎn)量區(qū)間非常接近于調(diào)查產(chǎn)量1 997～2 797 kg/hm2（圖5），各年間大豆單產(chǎn)估產(chǎn)的平均誤差為24.5%～64.4%，估測單產(chǎn)的均方根誤差為637.8～1 869.7 kg/hm2，單產(chǎn)平均偏差為-655.2～534.1 kg/hm2（表3）。其中，2015、2017年的大豆單產(chǎn)模型估測誤差較大，而2008年的模型估測精確度較高，大豆單產(chǎn)的平均偏差僅為36.0 kg/hm2?？偨Y(jié)2008－2017年的10 a平均值，大豆估產(chǎn)在中國吉林省的驗證結(jié)果為：單產(chǎn)的平均誤差為36.3%，均方根誤差為1 088.4 kg/hm2，平均偏差為-237.9 kg/hm2，且估測值比調(diào)查值偏?。ū?）。

表3 中國吉林省2008－2017年大豆產(chǎn)量模擬值與調(diào)查值誤差比較Table 3 Errors of estimated soybean yields compared to investigated values from 2008 to 2017 in Jilin Province, China

以縣為統(tǒng)計單元，對比了中國吉林省2008－2017年間大豆單產(chǎn)的模擬值與調(diào)查數(shù)據(jù)，并對大豆估產(chǎn)結(jié)果在各縣的平均值進行了精度驗證，其中典型年份線性回歸模型的擬合結(jié)果如圖6所示。遙感信息融合DSSAT作物模型對中國吉林省2008－2017年大豆單產(chǎn)估測值與統(tǒng)計調(diào)查值之間的相關(guān)系數(shù)（r）在0.5～0.6，其中r在2012年最高，且在2009、2016、2017年呈現(xiàn)出較好的相關(guān)性。整體來看，中國吉林省大豆單產(chǎn)模擬值與調(diào)查值的擬合程度較穩(wěn)定，但其回歸模型的相關(guān)系數(shù)相比于美國愛荷華州偏低。值得注意的是，吉林省模型的回歸方程均位于1∶1線右下方，表現(xiàn)為大豆高產(chǎn)時模擬單產(chǎn)比調(diào)查單產(chǎn)小，低產(chǎn)時模擬單產(chǎn)比調(diào)查單產(chǎn)高（圖6）。

3 討 論

本文應(yīng)用DSSAT作物模型同化遙感數(shù)據(jù)對中美兩國大豆主產(chǎn)區(qū)進行了單產(chǎn)估測模擬研究。結(jié)果表明，大豆單產(chǎn)模擬值與調(diào)查統(tǒng)計值之間存在一定的相關(guān)性，且增減產(chǎn)的年際變化趨勢相似；二者在單產(chǎn)的絕對數(shù)值上存在一定偏差。本研究的優(yōu)勢在于，通過將遙感信息融入DSSAT作物模型，首次將大豆估產(chǎn)模型由離散的試驗點推廣至連續(xù)的區(qū)域尺度，并建立起了中美兩國模擬大豆單產(chǎn)的技術(shù)路線。

本研究使用作物模型估測單產(chǎn)的方法存在一定的誤差，這是由于模擬不同年份作物產(chǎn)量時，不僅需要考慮每年氣象因素以及植被長勢發(fā)生變化，而且產(chǎn)量還受其他環(huán)境變量的影響。已有研究表明，在使用DSSAT模型模擬產(chǎn)量時如果僅考慮氣象條件的影響，產(chǎn)量模擬值會存在誤差[27-28]。研究分析，應(yīng)用作物模型估算的作物產(chǎn)量為潛在產(chǎn)量，與實際產(chǎn)量之間存在一定的作物產(chǎn)量差[29]。由于地塊間管理措施不同，以及天氣和土壤狀況存在差異，作物產(chǎn)量差具有時空變化特征。本文中大豆單產(chǎn)的估測值與調(diào)查值之間存在偏差，且差異在各年份、各地區(qū)之間并不相同，可能與地塊間的水分管理措施、土壤及天氣狀況均存在相關(guān)性。因此在大面積范圍內(nèi)應(yīng)用作物產(chǎn)量模型時，建議加強對復(fù)雜且相互影響的田間環(huán)境變量的考慮，這將是提高農(nóng)作物單產(chǎn)估測準確度的有效途徑。

基于遙感信息與DSSAT作物模型，同時進行中美兩國重點地區(qū)長時間序列的大豆單產(chǎn)估測與驗證工作，具備較強的可操作性與一定的準確性。在比較兩國主產(chǎn)區(qū)大豆估產(chǎn)結(jié)果時，2008－2017年美國愛荷華州10 a平均的單產(chǎn)估測誤差要小于吉林省，縣域尺度上美國愛荷華州單產(chǎn)模擬值與真實值的相關(guān)系數(shù)（r）優(yōu)于吉林省，這與兩國的大豆產(chǎn)量區(qū)間、調(diào)查數(shù)據(jù)來源不同等因素有關(guān)。研究認為，使用該技術(shù)路線預(yù)測中美兩國大豆單產(chǎn)并進行產(chǎn)量數(shù)據(jù)對比時，應(yīng)注意大豆高產(chǎn)時單產(chǎn)模擬值偏小，大豆低產(chǎn)時單產(chǎn)模擬值偏大的問題。對其他作物的研究結(jié)果表明，參數(shù)本地化后的DSSAT模型在站點尺度上已達到模擬值與實測值較好的一致性[27]，而本文使用的大豆估產(chǎn)技術(shù)路線可以用作借鑒方法幫助其他農(nóng)作物實現(xiàn)從站點到區(qū)域的產(chǎn)量模擬。

本研究對大豆的模擬誤差，與預(yù)測其他主糧作物的誤差結(jié)果相似，其中模擬玉米及小麥單產(chǎn)的平均誤差為11%～16%，均方根誤差為1 588～1 642 kg/hm2，平均偏差為245～388 kg/hm2[13,19-20]。前人利用純遙感方法進行大豆估產(chǎn)的結(jié)果表明，NDVI不是唯一與大豆單產(chǎn)有關(guān)的變量，兩者之間的相關(guān)性較低[30]。本研究的DSSAT作物模型中加入了氣象因素對于產(chǎn)量影響的考慮，結(jié)合不同生育時期的遙感指數(shù)，進而提高了大豆估產(chǎn)精度與預(yù)測單產(chǎn)年際變化的穩(wěn)定性。

應(yīng)用遙感信息及作物模型的技術(shù)方法，在用于預(yù)測當季作物的潛在產(chǎn)量仍然具有挑戰(zhàn)性。如何根據(jù)天氣預(yù)報與植被生長指標的實時變化，在作物收獲之前獲取產(chǎn)量預(yù)測值，并以此調(diào)整田間管理措施，以及為可能出現(xiàn)的氣象災(zāi)害制定應(yīng)對策略[31-32]，是需要進一步研究解決的問題?；诒疚氖褂玫膮^(qū)域估產(chǎn)技術(shù)路線，建議首先根據(jù)多年的歷史產(chǎn)量數(shù)據(jù)獲取穩(wěn)定的本地作物模型參數(shù)，并不斷積累天氣及其他環(huán)境變量如何影響作物單產(chǎn)變化的數(shù)據(jù)分析案例，進而實現(xiàn)為種植者與決策者做出及時科學預(yù)報的目標。其次在世界范圍內(nèi)，高分辨率對地觀測系統(tǒng)的建立正在逐步加強，尤其是商業(yè)衛(wèi)星的加入，將使得運用高精度遙感影像成為開展作物產(chǎn)量估測工作的發(fā)展趨勢。除本文使用的MODIS影像以外，隨著Sentinel-2，Planet等高分辨率遙感影像的日益積累[33-34]，將提升對全球農(nóng)作物的監(jiān)測能力，為獲得更高精度的作物分布以及產(chǎn)量數(shù)據(jù)提供細節(jié)豐富的影像信息。這將有助于本文所構(gòu)建的DSSAT模型結(jié)合遙感信息以及歷史產(chǎn)量數(shù)據(jù)開展大豆單產(chǎn)估測的技術(shù)路線，得到進一步地推廣應(yīng)用。

4 結(jié) 論

本文在獲取植被指數(shù)、氣象要素、大豆種植空間分布以及種植情況調(diào)查數(shù)據(jù)的基礎(chǔ)上，通過DSSAT模型，在中國吉林省與美國愛荷華州分別對2008－2017年大豆單產(chǎn)進行估測。研究以500 m×500 m柵格單元為估產(chǎn)目標，在一定程度上細化了作物單產(chǎn)的空間變異性，提高了估產(chǎn)結(jié)果的空間分辨率。結(jié)果表明，基于長時序的氣象要素與MODIS遙感影像，結(jié)合種植環(huán)境因子所構(gòu)建的估產(chǎn)技術(shù)路線，能夠反映大豆單產(chǎn)的空間差異性，以及單產(chǎn)在年際間的波動趨勢。估產(chǎn)結(jié)果實現(xiàn)了對中美兩國代表性農(nóng)產(chǎn)區(qū)在大面積范圍內(nèi)的大豆單產(chǎn)模擬，可以為開展全球農(nóng)作物的單產(chǎn)預(yù)估提供參考。

1）2008－2017年間與大豆單產(chǎn)的調(diào)查值相比，應(yīng)用遙感信息融合作物模型計算大豆單產(chǎn)估測值在愛荷華州大豆單產(chǎn)估測時的平均誤差為16.8%，均方根誤差為762.8 kg/hm2，平均偏差為107.2 kg/hm2；吉林省的平均誤差為36.3%，均方根誤差為1 088.4 kg/hm2，平均偏差為-237.9 kg/hm2。通過縣域尺度的精度驗證可知，本文利用作物模型同化遙感數(shù)據(jù)對大豆單位面積產(chǎn)量進行估測的技術(shù)路線具有一定的準確性，且在愛荷華州的模型估測精度要優(yōu)于吉林省。

2）大豆單產(chǎn)在2008－2017年間出現(xiàn)了一定的年際波動：在中國吉林省，模型估測大豆單產(chǎn)出現(xiàn)低產(chǎn)及高產(chǎn)的年份與調(diào)查數(shù)據(jù)相吻合，其增減產(chǎn)的波動趨勢與調(diào)查數(shù)據(jù)的波動相似；在美國愛荷華州，作物模型估測顯示的大豆增減產(chǎn)的趨勢與統(tǒng)計調(diào)查數(shù)據(jù)基本一致。