利用3S技术定量估测张家港市2005—2008年小麦生产力

李辉　李建龙　王钊齐等

摘 要：为了科学准确地、动态地大面积估测江苏省张家港市小麦的生产力，利用TM和IRS-P6遥感影像，采用NDVI值比较区分法，应用3S技术对张家港市2005—2008年小麦的生产力变化进行了动态估测。结果表明，遥感估测张家港市2005—2008年小麦平均种植面积的精度结果为97%以上；小麦平均产量精度结果为93.55%；利用3S技术进行张家港市小麦总产遥感估测值与地面统计值差异低于8%；遥感估测张家港市小麦总产量呈逐年上升的趋势，而耕作面积相对稳定。总之，基于近4年遥感数据所获取的张家港市小麦总产量的变化情况建立模型，可以估测出张家港市城市化发展对当地小麦供需平衡的影响不大。

关键词：3S技术；遥感估产；小麦；估产精度；估产模型；NDVI

中图分类号： F061.1 文献标识码：A DOI 编码：10.3969/j.issn.1006-6500.2014.11.016

农业是国民经济的基础，这决定了农业是粮食安全和经济安全的基础。利用农业科学技术可以建立城市粮食安全系统，科学地指导粮食生产，估测粮食产量，对可能发生的问题及时提供解决方案，能够有效地提高城市可持续发展水平。张家港市是一个以农业为主的新兴城市，在进入21世纪的前10年，张家港市处于快速的农村城市化阶段[1]。随着城市化发展，人民生活水平有了较大幅度改善，但也带来了诸多生态环境问题。农业用地不断萎缩，粮食安全问题直接影响着张家港市的可持续发展。因此动态地大面积监测农作物长势和种植面积，科学准确地预报农作物的产量等活动，对张家港市合理利用耕地资源、控制耕地面积进一步减少，对张家港市各部门制定粮食调配计划，对确保张家港市粮食安全可持续发展，为张家港市进行农业决策提供及时、准确直观的现代化农业信息管理平台都具有重大意义。

近几十年来，遥感技术快速发展，尤其是近年来基于3S技术的估产方法，为农作物长势的大面积动态监测、准确定位种植面积、预报农作物产量，提供了一个全新的研究手段和创新平台[2-14]。利用3S技术进行农作物估产与利用非遥感的传统估产模式相比，如农学估产模式、气象估产模式、统计估产模式[15]，能避开很多复杂的中间过程，如影响产量的气候条件[16]、病虫害、水肥等，以及农学参数与产量的大量抽样和统计计算，从而用遥感资料与农作物产量建立直接的关系模型。遥感技术能够准确、定量、高效、宏观地评价农作物产量变化情况[17]。因此，3S估产技术与其它估产技术相比，有着更为广阔的技术优势。为此，得到了各国、各地区的广泛应用和迅速发展。

国际上，农作物产量的估测始于20世纪初，首先从小麦开始。20世纪70年代，美国国家航空航天局（NASA）、农业部（USDA） 、国家海洋大气局（NOAA）利用遥感技术联合制定并开展“大面积作物调查试验”计划（LACIE），对世界主要小麦产区生产力进行估算试验，精度达90%以上。欧盟利用NDVI与土地覆盖集成和小样方方法，建立了农作物估测系统，用于实施欧盟区的共同农业政策。前苏联、法国、德国、澳大利亚、加拿大、巴西、阿根毛廷、印度、日本、泰国等也开展了对一些主要农作物的遥感估产研究[18-20]。我国从20世纪80年代开始，首先以小麦为研究对象，进行粮食作物遥感估产的研究。“七五”期间，国家气象局开展了北方11省市冬小麦长势监测和产量预测研究，江苏省农科院、福建省气象科学研究所等对相关地区进行了水稻监测和估产。此后数十年，我国农作物遥感估产研究快速发展，全国不同研究院所对不同农作物进行了大面积动态地长势监测和估产，陆续建立了一系列农作物估产模型，精度不断提高[21]，主要可以归纳为3类遥感估产模式[22]：“光谱信息—植被指数—长势信息—产量”模式[23]；“光谱—水分与氮素—产量”模式[24]；“光谱信息—植被指数—长势信息—生长模型—产量”模式[25]。此外，农作物遥感估产中引入了一些新技术和方法，如杨小唤[26]将灰色理论方法用于小麦的遥感估产中；白锐峥[27]、刘婷等[28]研究了基于3S技术的小麦估产方法。

笔者基于张家港市2005—2008年的TM5影像和IRS-P6影像资料，采用NDVI值比较区分法，利用3S技术定量估测了张家港市8镇1区2005—2008年的小麦生产力，建立小麦单产估产模型，同时进行地面小麦生产力统计，并做了精度分析与校正。实现了利用3S技术快速、准确、客观估测张家港市小麦生产力的目标，可为张家港市将来发展精细农业和实现农业系统管理科学化、定量化，提供理论依据和新技术创新平台。

1 材料和方法

1.1 研究地概况

江苏省张家港市地处北纬31°43′～32°02′，东经120°21′～120°52′，位于长江下游南岸，江苏省东南部，为苏州市下辖县级市，也是长江和沿海两大经济带交汇处的新兴港口工业城市，2012年户籍总人口91.02万。全市总面积998.48 km2，其中，陆地面积785.55 km2。陆地东西最大直线距离44.58 km，南北最大直线距离为33.71 km。北宽南窄，呈倒三角形。地势低平，土地肥沃。全年平均气温16.5 ℃，历年平均降水量1 050.5 mm，属亚热带季风气候。张家港市是苏州稻麦一年三熟和晚稻、小麦、油菜一年两熟、小麦、油菜一年两熟并重的栽培区，其中主要种植的作物包括小麦、水稻、油菜和棉花等[29]。张家港市下辖8镇1区，其县政府位于杨舍镇，同时该镇也是张家港市区所在地。

1.2 主要技术路线

利用3S技术，以农业系统管理工程理论为指导，实现ETM信息与MODIS信息及不同时相“天地”资料的叠加分析。基于农作物遥感绿度值，即归一化植被指数NDVI（Normalized difference vegetation index）、垂直植被指数PVI（Perpendicular vegetation index）和比值植被指数RVI（Ratio vegetation index），不同生育期产量资料与植被盖度的相关性，通过农业生产上的产量趋势分析，和不同种类的农作物识别、分层、播种面积提取方法研究，分析农作物生长、遥感动态监测农作物长势。加工与处理空间数据和制作图件，进而在地面调查统计和遥感资料数据信息处理的交互方式下，构建可运行决策支持系统及各类农作物单产估测模型，科学准确地、动态地大面积估测江苏省张家港市小麦的生产力[2-8]。

1.3 遥感资料数据处理

购买张家港市2005年3月23日TM5影像，2005年9月29日IRS-P6影像，2006年5月3日IRS-P6影像，2006年9月18日TM5影像，2007年1月24日TM5影像，2008年5月2日TM5影像和2008年7月5日TM5影像（购买于中国科学院对地观测中心）。时间分辨率小于20 d，空间分辨率小于30 m。用ERDAS8.7软件将这些遥感信息源数据转化成IMAGE格式，以便于ERDAS识别。为了对遥感影像进行地理校正和投影坐标类型的转换，我们从张家港市国土资源局获取2004年、2005年、2006年和2007年的土地利用图。所有遥感影像及土地利用图均采用UTM-WGS84坐标系。利用了国际上使用较多，发展较为成熟的6S模型（Second simulation of the satellite signal in the solar spectrum）对各时期遥感图片进行大气辐射校正。

1.4 利用3S技术估测小麦种植面积

1.4.1 小麦种植面积提取 本研究基于两景卫星图片资料逐步叠加，逐步限制，利用监督分类法提取小麦种植面积。本研究将土地利用图和遥感影像图进行叠加分析，首先除去非农业用地，然后再进行非监督分类[30]，最后根据实际地面样带调查的解译标志进行目视解译，基本可以去除小麦农田中的非植被用地。

1.4.2 精度验证 为了确定实际的土地利用状况，以便验证遥感估测小麦面积的精度，在小麦的生长期内，利用张家港市土地利用图和GPS，合理布设若干条样条，调查土地利用图上的农田地区，准确地对较大面积的农田地块进行定位，以用作监督分类中的训练样本、检测样本和非监督分类中的检测样本。

1.5 利用3S技术建立小麦单产估测模型

1.5.1 小麦单产监测样区布置 依据各乡镇小麦种植条件、生态环境和随机均匀性，选取面积大小1 hm2的小麦监测样区22个。利用土地利用图和GPS对样区进行准确定位，在小麦成熟时，每个样区随机采集2～5个采样点（每点1 m2）对样地进行单产调查。当小麦收割后，调查每块样地的实际总产量数据，用于对实际产量的校正和精度验证。

1.5.2 小麦单产估测模型建立 笔者主要以与小麦产量相关性较好的生长期[30]的卫片资料为基础，建立关键生育期的小麦单产的遥感（植被指数形式）估测模型。因为利用小麦抽穗期前后的遥感资料建立产量模型精度最高，综合考虑实际天气状况、遥感影像接收情况和张家港市小麦的物候期，本试验选取最佳的小麦产量估测的时相为3月底—5月初。分析遥感资料，提取小麦相应生育期的NDVI和地面实际统计产量，建立地面产量与NDVI间的相关模型。

1.5.3 精度分析与校正 对张家港市2005—2008年小麦单产与NDVI进行相关性分析，进而建立各时期小麦的单产估测模型。将不同乡镇的布点数据分为两组，一组用于建立单产估产模型，另一组用于对模型进行验证。

1.6 数据处理与分析

本试验遥感资料数据用ERDAS8.7软件和ArcGIS9.0软件提取处理和分析，试验数据用Excel2007软件进行统计处理和图表制作、SPSS Statistics 17软件进行统计处理后进行ANOVA单因素多重差异分析，均值差的显著性水平为0.05。

2 结果与分析

2.1 利用3S技术估测小麦实际种植面积的结果与分析

根据地面样线调查所选定的检测样本对最终分类结果精度作进一步分析，结果表明，张家港市2005年小麦耕种面积为1.43万hm2；2006年小麦耕种面积为1.63万hm2；2007年小麦耕种面积为2.06万hm2；2008年小麦耕种面积为2.07万hm2。总体上小麦平均分类精度为94%。

总体上，张家港地区小麦遥感估测面积和地面调查面积的差异为3.51%，即小麦遥感估测面积与地面统计面积相比为97.6%。对于不同的乡镇，遥感估测面积和地面调查面积间的差异性表现出了较大的变动，差异较大的乡镇达到了30%，如就平均结果来看，面积比率最大的乡镇为大兴镇和常阴沙，其面积比率分别为34.08%和26.68%。

2.2 利用3S技术估测小麦单产的结果与分析

其中，估测2005年小麦平均单产为20.5 kg·hm-2；估测2006年小麦平均单产为24.03 kg·hm-2；估测2007年小麦平均单产为20.32 kg·hm-2；估测2008年小麦平均单产为22.81 kg·hm-2。从整个张家港地区来看，遥感估测单产和地面调查单产差异小于10%，即估产精度大于90%，其中，2007与2008年小麦差异分别为-7.72%和5.19%。遥感估产小麦平均精度为93.55%，能够满足估测所需要的精度。

2.3 小麦总产量遥感估测的结果与分析

根据单产估测模型与估测的小麦的种植面积，可以计算出张家港市不同乡镇的总产情况。表中：A为土地总面积，AY为遥测小麦面积，AD为地面统计小麦面积，MYd为遥测小麦单产，MDd为地面统计小麦平均单产，MYz为遥测小麦总产，MDz为地面统计小麦总产，AR为面积比率，MdR为单产比率，MzR为总产比率。部分计算公式为：面积比率=（遥测面积-地面统计面积）/地面统计面积×100%，单产比率=（遥测单产-地面统计单产）/地面统计单产×100%，总产比率=（遥测总产-地面统计总产）/地面统计总产×100%。

笔者对利用3S技术估测的小麦总产数据和张家港市统计局发布的官方统计资料数据作对比与分析研究。2005年遥感估测小麦张家港市总产为65 463 t，差异为1.11%；2006年遥感估测小麦张家港市总产为88 012 t，差异为1.74%；2007年遥感估测小麦张家港市总产为94 334 t，差异为-6.57%。2008年遥感估测小麦张家港市总产为105 881 t，差异为7.66%。但对于不同的乡镇，变异较大，如大兴镇，2008年小麦总产比率为49.26%。这表明，利用3S技术进行遥感估测值与地面统计值间差异不大。

小麦的估产存在一定误差的可能原因是，本研究的小麦单产模型是基于小麦生育期内遥感资料信息和地面实际调查指标间的关联性实现的，模型的经验性较强，在张家港市不同乡镇和不同年份的适用性不同。此外，经调查发现，原标记为农田的地块，当前的可能利用类型有多种，如上半年可能为小麦、油菜、菜地、林地、塑料大棚，甚至是建筑用地，而下半年可能为小麦、棉花、菜地、玉米、大豆、林地、塑料大棚等。

2.4 小麦总产量多年变化的趋势分析

3 结 论

（1）小麦种植面积的精确估算，会直接影响到小麦产量估测的精度。在研究中，为了区分不同作物，笔者使用小麦不同时相的遥感图像，利用反射光谱明显差异的特点对遥感图像进行处理。此外，利用了NDVI值比较区分法将与小麦生育期相近的作物，如油菜等作物类型有效地区分开来。

（2）2005年小麦耕种面积为1.43万hm2，2006年小麦耕种面积为1.63万hm2，2007年小麦耕种面积为2.06万hm2；2008年小麦耕种面积为2.07万hm2。从整个张家港地区来看，估测小麦种植面积的精度为97.6%。

（3）遥测小麦平均单产2005年为4 612.5 kg·hm-2，2006年为5 407.5 kg·hm-2，2007为4 572 kg·hm-2，2008年为5 116.5 kg·hm-2，从整个张家港地区来看，遥感估测单产和地面调查单产差异小于10%，即估产精度大于90%；其中，2007与2008年小麦差异分别为-7.72%和5.19%；遥感估产小麦平均精度为93.55%。

（4）基于4年遥感数据所获取的张家港市小麦总产量的变化情况建立模型，可以估测出张家港市城市化发展对当地小麦供需平衡的影响不大，小麦总产量仍然呈现上升趋势，而耕作面积相对比较稳定。

本研究采用高分辨率影像遥感资料，结合GPS辅以土地利用图对样区进行准确定位，并进行估产研究，大大提高小麦生产力遥感估测的精度。总之，做好农作物遥感估产的研究，进一步提高估产精度，对张家港市农业部门制定生产管理决策和粮食的宏观调控都具有重要意义。

参考文献：

[1] 干晓宇， 周波， 李建龙， 等. 张家港市不同城市化阶段的城市景观格局响应及驱动力分析[J].安徽农业科学， 2011， 39（33）： 20 641-20 645.

[2] 国土资源部遥感中心.第二次全国土地调查总体方案[R]. 北京：国土资源部遥感中心， 2007：1-8.

[3] 全斌， 杨肖琪， 刘绍鸿， 等. 漳州市土地覆被变化的遥感动态监测及驱动力分析[J]. 水土保持研究， 2005， 12（3）： 154-157.

[4]李述， 刘勇. 基于多特征的遥感影像土地利用/覆盖分类：以腾格里沙漠东南边缘地区为例[J]. 遥感技术与应用， 2006， 21（2）： 154-158.

[5]张宝雷， 宋孟强， 周万村. GIS支持下三峡库区主要地类自动分类方法研究[J]. 遥感技术与应用， 2006， 21（1）： 71-76.

[6] 韩春建， 吴克宁， 冯新伟， 等. 基于“3S”技术的县级土地利用现状更新调查[J]. 中国农学通报， 2006， 22（8）： 560-564.

[7]位欣， 陈翠芳， 陈华. 城市土地利用变化及其驱动力分析[J]. 资源环境与工程， 2006， 20（4） ：482-486.

[8]张海龙， 蒋建军， 解修平， 等. 近25年来西安地区土地利用变化及驱动力研究[J]. 资源科学， 2006， 28（4）： 71-77.

[9] 何丹， 刁承泰. 重庆江津市土地利用变化及社会驱动力分析[J]. 水土保持研究， 2006， 13（2）： 24-26，41.

[10] 粟正刚， 陈金泉， 郭世珠. 赣州市章贡区土地利用数据库建设[J]. 江西测绘， 2006 （3）： 4-5，9.

[11] 刘海启. 美国农业遥感技术应用现状简介[J]. 国土资源遥感， 1997 （3）： 56-60.

[12]许文波， 田亦陈. 作物种植面积遥感提取方法的研究进展[J]. 云南农业大学学报， 2005， 20（1）： 94-98.

[13]冯美臣， 杨武德. 小麦遥感估产研究进展与发展趋势[J]. 作物研究， 2005 （4）： 251-254.

[14] 王振中. 3S技术集成及其在土地管理中的应用[J]. 测绘科学， 2005， 30（4）： 62-64.

[15]王人潮， 王坷， 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.

[16]肖乾广， 周嗣松， 陈维英， 等. 用气象卫星数据对冬小麦进行估产的试验[J]. 环境遥感， 1986， 1（4）： 260-269.

[17]冯伟， 朱艳， 田永超， 等. 基于高光谱遥感的小麦籽粒产量预测模型研究[J]. 麦类作物学报， 2007， 27（6）： 1 076-1 084.

[18]陈述彭. 遥感应用[M]. 北京： 科学技术出版社， 1990：20-32.

[19]MacDonald R B， Hall F G. Global crop forecasting[J]. Science， 1980， 208（4 445）： 670-679.

[20] 陈水森. 基于波谱库的作物纯像元识别与种植面积遥感估算[D].北京： 中国科学院， 2005： 12-19.

[21] 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.

[22] 李卫国， 李正金， 申双和. 小麦遥感估产研究现状及趋势分析[J]. 江苏农业科学， 2009 （2）： 6-7.

[23] 任建强，陈仲新，唐华俊.基于MODIS-NDVI的区域冬小麦遥感估产——以山东省济宁市为例[J].应用生态学报， 2006， 17（12）：2 371-2 375.

[24] 冯伟，朱艳，田永超，等.基于高光谱遥感的小麦籽粒产量预测模型研究[J].麦类作物学报，2007，27（6）：1 076-1 084.

[25] 李卫国，王纪华，赵春江，等.基于遥感信息和产量形成过程的小麦估产模型[J].麦类作物学报，2007，27（5）：904-907.

[26] 杨小唤. 冬小麦遥感估产的灰色理论方法探讨[J]. 遥感技术与研究， 1991， 6（1）： 2-8.

[27] 白锐峥. 3S系统支持下的山西省冬小麦估产方法研究[J]. 中国农业资源与区划， 2002， 23（2）： 54-56.

[28] 刘婷， 任银玲， 杨春华. ”3S”技术在河南省冬小麦遥感估产中的应用研究[J]. 河南科学， 2001， 19（4）： 429-432.

[29] 张家港市史志办. 张家港年鉴1991—2007[M]. 北京： 中国文献出版社.

[30] 李石华， 王金亮， 毕艳， 等. 遥感图像分类方法研究综述[J]. 国土资源遥感， 2005（2）： 1-6.

小麦的估产存在一定误差的可能原因是，本研究的小麦单产模型是基于小麦生育期内遥感资料信息和地面实际调查指标间的关联性实现的，模型的经验性较强，在张家港市不同乡镇和不同年份的适用性不同。此外，经调查发现，原标记为农田的地块，当前的可能利用类型有多种，如上半年可能为小麦、油菜、菜地、林地、塑料大棚，甚至是建筑用地，而下半年可能为小麦、棉花、菜地、玉米、大豆、林地、塑料大棚等。

2.4 小麦总产量多年变化的趋势分析

3 结 论

（1）小麦种植面积的精确估算，会直接影响到小麦产量估测的精度。在研究中，为了区分不同作物，笔者使用小麦不同时相的遥感图像，利用反射光谱明显差异的特点对遥感图像进行处理。此外，利用了NDVI值比较区分法将与小麦生育期相近的作物，如油菜等作物类型有效地区分开来。

（2）2005年小麦耕种面积为1.43万hm2，2006年小麦耕种面积为1.63万hm2，2007年小麦耕种面积为2.06万hm2；2008年小麦耕种面积为2.07万hm2。从整个张家港地区来看，估测小麦种植面积的精度为97.6%。

（3）遥测小麦平均单产2005年为4 612.5 kg·hm-2，2006年为5 407.5 kg·hm-2，2007为4 572 kg·hm-2，2008年为5 116.5 kg·hm-2，从整个张家港地区来看，遥感估测单产和地面调查单产差异小于10%，即估产精度大于90%；其中，2007与2008年小麦差异分别为-7.72%和5.19%；遥感估产小麦平均精度为93.55%。

（4）基于4年遥感数据所获取的张家港市小麦总产量的变化情况建立模型，可以估测出张家港市城市化发展对当地小麦供需平衡的影响不大，小麦总产量仍然呈现上升趋势，而耕作面积相对比较稳定。

本研究采用高分辨率影像遥感资料，结合GPS辅以土地利用图对样区进行准确定位，并进行估产研究，大大提高小麦生产力遥感估测的精度。总之，做好农作物遥感估产的研究，进一步提高估产精度，对张家港市农业部门制定生产管理决策和粮食的宏观调控都具有重要意义。

参考文献：

[1] 干晓宇， 周波， 李建龙， 等. 张家港市不同城市化阶段的城市景观格局响应及驱动力分析[J].安徽农业科学， 2011， 39（33）： 20 641-20 645.

[2] 国土资源部遥感中心.第二次全国土地调查总体方案[R]. 北京：国土资源部遥感中心， 2007：1-8.

[3] 全斌， 杨肖琪， 刘绍鸿， 等. 漳州市土地覆被变化的遥感动态监测及驱动力分析[J]. 水土保持研究， 2005， 12（3）： 154-157.

[4]李述， 刘勇. 基于多特征的遥感影像土地利用/覆盖分类：以腾格里沙漠东南边缘地区为例[J]. 遥感技术与应用， 2006， 21（2）： 154-158.

[5]张宝雷， 宋孟强， 周万村. GIS支持下三峡库区主要地类自动分类方法研究[J]. 遥感技术与应用， 2006， 21（1）： 71-76.

[6] 韩春建， 吴克宁， 冯新伟， 等. 基于“3S”技术的县级土地利用现状更新调查[J]. 中国农学通报， 2006， 22（8）： 560-564.

[7]位欣， 陈翠芳， 陈华. 城市土地利用变化及其驱动力分析[J]. 资源环境与工程， 2006， 20（4） ：482-486.

[8]张海龙， 蒋建军， 解修平， 等. 近25年来西安地区土地利用变化及驱动力研究[J]. 资源科学， 2006， 28（4）： 71-77.

[9] 何丹， 刁承泰. 重庆江津市土地利用变化及社会驱动力分析[J]. 水土保持研究， 2006， 13（2）： 24-26，41.

[10] 粟正刚， 陈金泉， 郭世珠. 赣州市章贡区土地利用数据库建设[J]. 江西测绘， 2006 （3）： 4-5，9.

[11] 刘海启. 美国农业遥感技术应用现状简介[J]. 国土资源遥感， 1997 （3）： 56-60.

[12]许文波， 田亦陈. 作物种植面积遥感提取方法的研究进展[J]. 云南农业大学学报， 2005， 20（1）： 94-98.

[13]冯美臣， 杨武德. 小麦遥感估产研究进展与发展趋势[J]. 作物研究， 2005 （4）： 251-254.

[14] 王振中. 3S技术集成及其在土地管理中的应用[J]. 测绘科学， 2005， 30（4）： 62-64.

[15]王人潮， 王坷， 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.

[16]肖乾广， 周嗣松， 陈维英， 等. 用气象卫星数据对冬小麦进行估产的试验[J]. 环境遥感， 1986， 1（4）： 260-269.

[17]冯伟， 朱艳， 田永超， 等. 基于高光谱遥感的小麦籽粒产量预测模型研究[J]. 麦类作物学报， 2007， 27（6）： 1 076-1 084.

[18]陈述彭. 遥感应用[M]. 北京： 科学技术出版社， 1990：20-32.

[19]MacDonald R B， Hall F G. Global crop forecasting[J]. Science， 1980， 208（4 445）： 670-679.

[20] 陈水森. 基于波谱库的作物纯像元识别与种植面积遥感估算[D].北京： 中国科学院， 2005： 12-19.

[21] 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.

[22] 李卫国， 李正金， 申双和. 小麦遥感估产研究现状及趋势分析[J]. 江苏农业科学， 2009 （2）： 6-7.

[23] 任建强，陈仲新，唐华俊.基于MODIS-NDVI的区域冬小麦遥感估产——以山东省济宁市为例[J].应用生态学报， 2006， 17（12）：2 371-2 375.

[24] 冯伟，朱艳，田永超，等.基于高光谱遥感的小麦籽粒产量预测模型研究[J].麦类作物学报，2007，27（6）：1 076-1 084.

[25] 李卫国，王纪华，赵春江，等.基于遥感信息和产量形成过程的小麦估产模型[J].麦类作物学报，2007，27（5）：904-907.

[26] 杨小唤. 冬小麦遥感估产的灰色理论方法探讨[J]. 遥感技术与研究， 1991， 6（1）： 2-8.

[27] 白锐峥. 3S系统支持下的山西省冬小麦估产方法研究[J]. 中国农业资源与区划， 2002， 23（2）： 54-56.

[28] 刘婷， 任银玲， 杨春华. ”3S”技术在河南省冬小麦遥感估产中的应用研究[J]. 河南科学， 2001， 19（4）： 429-432.

[29] 张家港市史志办. 张家港年鉴1991—2007[M]. 北京： 中国文献出版社.

[30] 李石华， 王金亮， 毕艳， 等. 遥感图像分类方法研究综述[J]. 国土资源遥感， 2005（2）： 1-6.

小麦的估产存在一定误差的可能原因是，本研究的小麦单产模型是基于小麦生育期内遥感资料信息和地面实际调查指标间的关联性实现的，模型的经验性较强，在张家港市不同乡镇和不同年份的适用性不同。此外，经调查发现，原标记为农田的地块，当前的可能利用类型有多种，如上半年可能为小麦、油菜、菜地、林地、塑料大棚，甚至是建筑用地，而下半年可能为小麦、棉花、菜地、玉米、大豆、林地、塑料大棚等。

2.4 小麦总产量多年变化的趋势分析

3 结 论

（1）小麦种植面积的精确估算，会直接影响到小麦产量估测的精度。在研究中，为了区分不同作物，笔者使用小麦不同时相的遥感图像，利用反射光谱明显差异的特点对遥感图像进行处理。此外，利用了NDVI值比较区分法将与小麦生育期相近的作物，如油菜等作物类型有效地区分开来。

（2）2005年小麦耕种面积为1.43万hm2，2006年小麦耕种面积为1.63万hm2，2007年小麦耕种面积为2.06万hm2；2008年小麦耕种面积为2.07万hm2。从整个张家港地区来看，估测小麦种植面积的精度为97.6%。

（3）遥测小麦平均单产2005年为4 612.5 kg·hm-2，2006年为5 407.5 kg·hm-2，2007为4 572 kg·hm-2，2008年为5 116.5 kg·hm-2，从整个张家港地区来看，遥感估测单产和地面调查单产差异小于10%，即估产精度大于90%；其中，2007与2008年小麦差异分别为-7.72%和5.19%；遥感估产小麦平均精度为93.55%。

（4）基于4年遥感数据所获取的张家港市小麦总产量的变化情况建立模型，可以估测出张家港市城市化发展对当地小麦供需平衡的影响不大，小麦总产量仍然呈现上升趋势，而耕作面积相对比较稳定。

本研究采用高分辨率影像遥感资料，结合GPS辅以土地利用图对样区进行准确定位，并进行估产研究，大大提高小麦生产力遥感估测的精度。总之，做好农作物遥感估产的研究，进一步提高估产精度，对张家港市农业部门制定生产管理决策和粮食的宏观调控都具有重要意义。

参考文献：

[1] 干晓宇， 周波， 李建龙， 等. 张家港市不同城市化阶段的城市景观格局响应及驱动力分析[J].安徽农业科学， 2011， 39（33）： 20 641-20 645.

[2] 国土资源部遥感中心.第二次全国土地调查总体方案[R]. 北京：国土资源部遥感中心， 2007：1-8.

[3] 全斌， 杨肖琪， 刘绍鸿， 等. 漳州市土地覆被变化的遥感动态监测及驱动力分析[J]. 水土保持研究， 2005， 12（3）： 154-157.

[4]李述， 刘勇. 基于多特征的遥感影像土地利用/覆盖分类：以腾格里沙漠东南边缘地区为例[J]. 遥感技术与应用， 2006， 21（2）： 154-158.

[5]张宝雷， 宋孟强， 周万村. GIS支持下三峡库区主要地类自动分类方法研究[J]. 遥感技术与应用， 2006， 21（1）： 71-76.

[6] 韩春建， 吴克宁， 冯新伟， 等. 基于“3S”技术的县级土地利用现状更新调查[J]. 中国农学通报， 2006， 22（8）： 560-564.

[7]位欣， 陈翠芳， 陈华. 城市土地利用变化及其驱动力分析[J]. 资源环境与工程， 2006， 20（4） ：482-486.

[8]张海龙， 蒋建军， 解修平， 等. 近25年来西安地区土地利用变化及驱动力研究[J]. 资源科学， 2006， 28（4）： 71-77.

[9] 何丹， 刁承泰. 重庆江津市土地利用变化及社会驱动力分析[J]. 水土保持研究， 2006， 13（2）： 24-26，41.

[10] 粟正刚， 陈金泉， 郭世珠. 赣州市章贡区土地利用数据库建设[J]. 江西测绘， 2006 （3）： 4-5，9.

[11] 刘海启. 美国农业遥感技术应用现状简介[J]. 国土资源遥感， 1997 （3）： 56-60.

[12]许文波， 田亦陈. 作物种植面积遥感提取方法的研究进展[J]. 云南农业大学学报， 2005， 20（1）： 94-98.

[13]冯美臣， 杨武德. 小麦遥感估产研究进展与发展趋势[J]. 作物研究， 2005 （4）： 251-254.

[14] 王振中. 3S技术集成及其在土地管理中的应用[J]. 测绘科学， 2005， 30（4）： 62-64.

[15]王人潮， 王坷， 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.

[16]肖乾广， 周嗣松， 陈维英， 等. 用气象卫星数据对冬小麦进行估产的试验[J]. 环境遥感， 1986， 1（4）： 260-269.

[17]冯伟， 朱艳， 田永超， 等. 基于高光谱遥感的小麦籽粒产量预测模型研究[J]. 麦类作物学报， 2007， 27（6）： 1 076-1 084.

[18]陈述彭. 遥感应用[M]. 北京： 科学技术出版社， 1990：20-32.

[19]MacDonald R B， Hall F G. Global crop forecasting[J]. Science， 1980， 208（4 445）： 670-679.

[20] 陈水森. 基于波谱库的作物纯像元识别与种植面积遥感估算[D].北京： 中国科学院， 2005： 12-19.

[21] 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.

[22] 李卫国， 李正金， 申双和. 小麦遥感估产研究现状及趋势分析[J]. 江苏农业科学， 2009 （2）： 6-7.

[23] 任建强，陈仲新，唐华俊.基于MODIS-NDVI的区域冬小麦遥感估产——以山东省济宁市为例[J].应用生态学报， 2006， 17（12）：2 371-2 375.

[24] 冯伟，朱艳，田永超，等.基于高光谱遥感的小麦籽粒产量预测模型研究[J].麦类作物学报，2007，27（6）：1 076-1 084.

[25] 李卫国，王纪华，赵春江，等.基于遥感信息和产量形成过程的小麦估产模型[J].麦类作物学报，2007，27（5）：904-907.

[26] 杨小唤. 冬小麦遥感估产的灰色理论方法探讨[J]. 遥感技术与研究， 1991， 6（1）： 2-8.

[27] 白锐峥. 3S系统支持下的山西省冬小麦估产方法研究[J]. 中国农业资源与区划， 2002， 23（2）： 54-56.

[28] 刘婷， 任银玲， 杨春华. ”3S”技术在河南省冬小麦遥感估产中的应用研究[J]. 河南科学， 2001， 19（4）： 429-432.

[29] 张家港市史志办. 张家港年鉴1991—2007[M]. 北京： 中国文献出版社.

[30] 李石华， 王金亮， 毕艳， 等. 遥感图像分类方法研究综述[J]. 国土资源遥感， 2005（2）： 1-6.