基于CASA模型的区域冬小麦生物量遥感估算

刘真真，张喜旺，陈云生，张传才，秦 奋，曾红伟



基于CASA模型的区域冬小麦生物量遥感估算

刘真真1,2，张喜旺1,2※，陈云生1,2，张传才1,2，秦 奋1,2，曾红伟3

（1. 黄河中下游数字地理技术教育部重点实验室，开封 475004；2. 河南大学环境与规划学院，开封 475004； 3. 中国科学院遥感与数字地球研究所，北京 100094）

该文对原始CASA（carnegie-ames-stanford-approach）模型中归一化植被指数（normalized difference vegetation index，NDVI）最值提取方法及光合有效辐射吸收比（fraction of absorbed photosynthetically active radiation，FPAR）的算法进行了深入分析，并通过综合分析大量国内外文献，更加科学合理的确定了最大光能利用率的取值，最终确立了适合该研究区的CASA模型。该文以河北省邯郸市3个县域冬小麦为研究对象，以HJ-1A/B星遥感数据产品为数据支撑，采用CASA模型对研究区2014年冬小麦生物量进行了估算和精度验证，结果表明：研究区冬小麦生物量平均值为1 485 g/m2，50%以上区域在1 500～2 000 g/m2之间。冬小麦实测生物量与预测生物量相关性达到显著水平，2为0.811 5。经过50组数据分析对比，平均相对误差为2.13%，其中，最大值为11.54%，最小值为0.33%；平均预测生物量为1 807.54 g/m2，与平均实测生物量1 720.74 g/m2相比，绝对误差为86.80 g/m2，为估算区域冬小麦产量提供理论支撑。

生物量；遥感；作物；CASA；HJ-1A/B；最大光能利用率；冬小麦

0 引 言

生物量通常是指某一时间段、某一区域或特定区域、单位面积内植被在光合作用下所产生的有机物质总量或干质量。对于作物而言，生物量可以反映作物自身生长状况及其所处自然环境的生态变化情况，是衡量作物生产力的重要指标，也是影响作物产量和收益的关键因素。传统的作物生物量估测采用实测法，该方法不仅耗时耗力，并且对样地具有破坏性，不适合长期的长势监测等研究，更不适合大区域尺度的推广[1-2]。随着学者对作物生物量研究的不断深入，以及现代遥感技术的诞生和发展，遥感凭借自身快速、准确性、实时性、及对作物零破坏等优势[3]，逐渐成为了生物量预测的主要技术手段。此外，遥感方法能够获取作物空间分布信息，可有效降低空间异质性对生物量的影响，提高了估算精度[4]。通过总结前人研究成果，可将遥感技术支持下的生物量估算方法分为以下几类：基于传统光学数据简单统计分析的估算方法、基于高光谱数据的估算方法、基于雷达数据的估算方法、基于作物生长模型的估算方法、基于净初级生产力（net primary productivity, NPP）的估算方法等[5]，其中基于NPP的生物量估算方法颇受学者欢迎，常见的NPP估算模型主要有气候生产力模型[6]、生理生态过程模型[7]、光能利用率参数模型[8-9]、作物生长模型[10]等。

CASA模型在参数模型中最具代表性，也是本文进行冬小麦NPP估算所使用的主要模型。CASA模型属于光能利用率模型，其充分考虑环境条件以及植被本身特征，主要以遥感（remote sensing, RS）和地理信息系统（geographic information system, GIS）为技术手段，通过遥感数据、温度、降水、太阳辐射等气象数据以及植被类型、土壤类型共同来驱动。其自身有以下优势：其一，模型的适用性强，它不仅适用于区域尺度，也适用于全国乃至全球尺度的净初级生产力估算，并且CASA模型相对简单，需要输入的参数较少，大部分参数均容易获取，便于进行计算和处理，节省时间和成本；其二，遥感数据覆盖范围广，时间分辨率高，并且现在的遥感数据种类越来越丰富，利用遥感数据获得NDVI、FPAR等必须参数，可以脱离地面站点资料的条件束缚；其三，可以实现区域尺度上的NPP估测，进而能分析NPP的空间分布，还可进行NPP动态监测等，已经成为了一项分析NPP季节、年际变化不可或缺的技术手段[11]。然而，CASA模型应用于小区域，如县级尺度的研究并不多见，本文将通过分辨率为30 m的HJ1A/HJ1B卫星影像，来获取所需参数，并利用冬小麦NPP和实测地面调查数据进行县域冬小麦生物量预测研究，为小麦估产打下基础。

1 研究区概况与数据

1.1 研究区概况

研究区位于河北省南端偏东，邯郸市境内。如图1所示，包括曲周县、邱县、馆陶县三县，地处114°51′03″～115°28′15″E，36°27′00″～36°57′51″N，土地总面积约1 582 km2，东西跨56.5 km，纵长跨56.6 km。研究区属于暖温带半湿润大陆性季风气候，该区域是中国主要的粮食生产基地之一，其中馆陶县是黑小麦主要种植区。研究区主要粮食作物轮作方式为冬小麦和夏玉米一年两熟，根据河北省农村统计年鉴数据[12]得知，2014年研究区农作物播种总面积约176 387 hm2，同比减少了0.3%，小麦播种面积57 149 hm2，其中曲周、邱县、馆陶县分别占总小麦播种面积的48.64%、15.43%和35.93%，小麦总产量为411557 t，同比增长1.4%，研究区域内近几年小麦总产量及平均单产总体呈上升趋势，小麦生长状况良好，2014年研究区域内无重大灾情。

1.2 数据及预处理

1）遥感影像数据

从中国资源卫星应用中心http://www.cresda.com下载的HJ1A或HJ1B 2级产品。下载影像时遵循研究区无云或少云的原则进行筛选下载。时间从2014年3月初到2014年5月底，经过筛选留取质量较好的影像共9景，用于3、4、5月份NDVI的提取。为了使得试验结果更加精确，本文对HJ-1A/B影像数据进行了几何精校正以及大气校正，其中大气校正过程在ENVI5.1软件中完成，包括辐射定标、建立波谱响应函数和FLAASH大气校正三部分。

2）矢量数据

矢量数据包括由黄河下游科学数据中心（http://henu.geodata.cn)提供的河北省省界、市界、县界等数据；2014年4月空间分辨率为16 m的中国高分1号遥感卫星影像，经过专业人员人工目视判读、实地考察解译而成的农作物分布数据，提取冬小麦种植区并利用经过处理的GVG (GIS&Video&GPS)[13]采集数据对冬小麦种植区精度进行评估和校正。经实际调查，2014年4月研究区小麦种植区套种情况一般是在田地的首尾种植其他作物，田间套种情况极少，并且研究区所使用的小麦分布数据是由经验丰富的解译人员结合实地调查数据而得，因此本研究区不考虑小麦混合像元问题。

3）气象数据

本文所使用的月均温和月降水数据由中国气象数据网http://data.cma.cn/site/index.html提供。数据表明，2014年研究区月平均最高气温出现在7月份，月平均最低气温出现在1月份，年平均温度约为14 ℃；2014年研究区降雨多集中在7到9月份，其中最高降雨量出现在9月。这与研究区实际情况相一致。

4）外业采样数据

研究区所使用的外业采样数据包括2种，一种是GVG野外采样系统采集数据，采集时间为2014年5月，主要包括采样点经纬度、高程、作物类别等信息，用于上述土地覆被解译数据精度检验。另一种数据是冬小麦物理化参数采样调查数据，样区分布在馆陶县，采样时间为2014年6月初（小麦收割前），采集的样品经过烘箱烘干、内业测量等处理收集所需信息，主要包括每个样点的经纬度信息，小麦的干质量（生物量）、小麦种植密度、单株穂数、每穗平均粒数、百粒质量等基本采样信息。

2 研究方法

2.1 CASA模型介绍

CASA模型最早是在1993年由Potter等[14]提出，该模型主要通过2个参数计算植被净初级生产力NPP，即植被所能吸收的光合有效辐射（absorbed photosynthetic active radiation，APAR）和实际光能利用率，计算表达式如下

式中表示时间；表示像元；APAR()表示像元在月份吸收的光合有效辐，MJ/m2；SOL()指月份象元处的太阳总辐射量，MJ/m2；FPAR()为植被层对入射光合有效辐射（PAR）的吸收比例；常数0.5表示植被所能利用的太阳有效辐射比率（波长为0.38～0.71m），即光合有效辐射PAR占太阳总辐射SOL的比例；()表示像元在月份的实际光能利用率，g/MJ；NPP（）表示像元在月份的净初级生产力，g/m2。

2.2 估算实际光能利用率

光能利用率（radiation use efficiency）是植物某一生长时段内累积干物质量与该时段植物冠层吸收的光合有效辐射量的比值。也可以认为是植被所吸收的光合有效辐射PAR在光合作用的推动下转化为有机碳的效率。在理想条件下，人们通常认为植被具有最大光能利用率，然而实际情况中，光能利用率受植被的种类、土壤湿度、气温和降水等因素的影响，它对于小区域范围内同种作物基本趋于常数[15]，但对于大范围作物来讲，实际光能利用率具有空间变异性。这些差异是由于光利用率受温度、降水、土壤类型、营养供给、疾病、个体发育、基因型差异和植物维持与生长的不同能量分配等因素的影响造成的[16]。研究表明值主要在0.42～3.8 g/MJ间变化[17]。研究区实际光能利用率的计算是结合1993年Field提出的光能利用率计算模型[14,18]以及1995年周广胜和张新时建立的区域实际蒸散模型[19]计算而来，其计算公式如下

式中W()为像元在月份的水分胁迫影响变量，该变量用来表示NPP受水分条件的影响程度。T1()和T2)是像元在月份的温度胁迫影响变量，ε是指在光照充足、水热条件适宜的理想状态下，植被对光合有效辐射的利用率，本文取常数。

最大光能利用率*是实际光能利用率中的重要参数，不同的植被，最大光能利用率有所不同。本文通过分析大量文献结合研究区温度、降水、光照、地势等条件，确定适合本研究区的最大光能利用率。Ruimy等[20]根据不同生态系统间光能利用率的差异，将光能利用率视为不同的常数；Potter等[14]和Field等[21-22]认为全球植被最大光能利用率为0.389 g/MJ；Raymond等[23]认为光能利用率的上限为3.5 g/MJ；GLO-PEM(Global Production Efficiency Model)模型[16]，根据C3和C4植物固碳途径的差异，对C3和C4类型植物分别取不同的*值。彭少麟等[24]利用GIS和RS对广东植被光利用率进行估算时, 所取的最大光利用率为1.25 g/MJ；朱文泉等[17]采用改进的最小二乘法对中国主要植被的最大光能利用率进行了系统的模拟，其利用植被分类精度对模拟结果进行分析来测试最大光能利用率对分类精度的敏感性，以此来验证模拟结果的稳定性，并将模拟结果与Running等[25]采用生理生态过程模型得出的模拟结果作对比分析，来验证模拟结果的可靠性。而对于Running等对最大光能利用率的确定是基于全球尺度的，应用于区域尺度不一定适用，并且其样点数据大都在北美地区，对中国是否适用还有待考量；康婷婷[26]对中国农田近11 a的最大光能利用率进行模拟分析，其最大光能利用率均值在1.18～1.49 g/MJ之间，各省的最大光能利用率变化范围在0.57～2.02 g/MJ，并得出河北省邯郸市区域最大光能利用率均值，11 a间每年增幅在0.06 g/MJ以上；此外，在没有环境胁迫情况下，小麦的光能利用率范围在1.46～2.93 g/MJ之间[27-28]，大麦的光能利用率在1.79～2.33 g/MJ之间[27,29]。

最大光能利用率在不同的植物类别，不同作物品种间，差异均较大。比如，C3作物（小麦、大豆、水稻、棉花等）光能利用率最高可达3.0 g/MJ，C4作物（玉米、高粱、粟、黍等）光能利用率可达4.8 g/MJ[20]。本研究区研究对象为冬小麦，属于C3作物，根据C3作物最适光能利用率范围以及最大光能利用率上限，结合研究区区域及研究对象特点，将最大光能利用率取值为2.8 g/MJ。

2.3 参数的确定

2.3.1 FPAR参数率定

在原有的CASA模型算法中，计算FPAR所使用的数据是具有千米级别的NOAA/AVHRR产品，并且研究区域是全球尺度。与前者相比，本研究区是县域尺度，若使用NOAA/AVHRR产品显然不能满足要求，原始FPAR模型算法也不一定适用，因此本文采用环境资源卫星HJ-1A/B产品，空间分辨率为30 m。近年来学者不断对模型进行改进，提出了更加被认可的FPAR计算模型，如公式（2）所示，模型根据FPAR与NDVI存在的线性关系，利用NDVI、NDVI最值与相应的FPAR最值来确定二者关系，关系式[20]如下

光合有效辐射吸收比FPAR也可以由比值植被指数SR、SR最值、FPAR最值来确定，公式如下

（3）

FPARmax与FPARmin与植被类型无关，其大小分别为0.95和0.001，他们分别表示植被处于全覆盖和无植被（裸地）状态下FPAR的值[17]；SR是比值植被指数，其值与植被类型有关。在本文中，=小麦时，SR,min和SR,max取值由NDVI,min和NDVImax决定。其中NDVI最大值是指植被达到完全覆盖、植被光合作用最旺盛时的值，并非是指某一植被实际的NDVI的最大值，NDVI最小值是指无植被或者在荒地、裸地状态下，NDVI最小值[17]。

SR(,)与归一化植被指数NDVI(,)关系式如下

对上述前人改进的2种FPAR算法引入修正系数，通过参数率定法来确定本研究区FPAR计算方法，公式如下所示

式中FPARNDVI为式（2）所估算的结果；FPARSR为式（3）所估算的结果；为2种方法间的调整系数，在本研究中统一定为0.5（即取二者的平均值）。

通过对比FPARNDVI和FPARSR所估算结果，发现由NDVI所估算的FPARNDVI与实测值相比偏高，而由SR所估算的FPARSR与实测值相比偏低，但后者误差小于前者，通过对式（5）中修正系数取值（0.1～0.9）的测试，当取0.5时，实测值与FPAR相关性最好。因此，本研究最终将式（3）和式（4）组合起来，取其平均值作为FPAR的估算值。

2.3.2 NDVI最值的确定

以往NDVI最值（NDVImax和NDVImin）多是在全球或全国尺度上，以NOAA/AVHRR NDVI为数据基础，来进行NDVI最值的提取，而本文的研究区域是县域尺度，使用NOAA/AVHRR NDVI数据显然不太合适，因此需要更高分辨率的遥感数据进行NDVI最值提取。本文参考朱文泉等[17]求取NDVImax的方法，取由HJ-1A/B数据提取而来的研究区冬小麦NDVI最大值概率分布图95%下侧分位数和5%下侧分位数作为NDVImax和NDVImin，算法原理如下：

设连续随机变量的分布函数为()，密度函数为()。实数满足0<<1时，的下侧分位数是使{<}=()=的数。

本文结合研究区NDVI分布情况来确定研究区冬小麦的NDVI最值，获取流程如下：

1）用最大化合成法求取研究区各像元的NDVI最大值；

2）提取小麦像元，建立NDVI最大值概率分布图，取95%下侧分位数，即为NDVImax；

3）NDVImin获取方法与最大值获取方法相似，NDVImin是指无植被或者在荒地、裸地状态下NDVI概率分布的5%下侧分位数。

取95%下侧分位数和5%下侧分位数在一定程度上消除了遥感影像噪声引起的误差，二者取值在MATLAB软件环境下编程实现。通过计算，本研究中NDVImax取0.803，NDVImin取0.15。

2.4 冬小麦生物量估算模型

本文结合宋富强等[30]和任建强等[15,31]计算小麦产量方法，推导出本文所使用的冬小麦生物量估算模型，冬小麦单位面积生物量的估算模型如下

由公式（6）可以看出，生物量和累积NPP呈较好的线性相关性。其中，为小麦单位面积生物量，g/m2；∑NPP为冬小麦3月至5月NPP累积值，g/m2；为植物C素含量与植物干物质量间转化系数，对于一种作物而言，为常数[15]，冬小麦生物体C素含量约为45%，则其值约为2.22；为0.9，指作物地上部分生物量占整株生物量的比例[31]；是指作物籽粒收获后储藏期的含水量系数，对于冬小麦而言，值为12.5%[32]。

3 结果分析与验证

3.1 主要参数结果与分析

3.1.1 关键生育期NDVI变化趋势

图2为2014年研究区冬小麦3月至5月NDVI变化情况，其中白色区域为非冬小麦种植区。其中3月至5月的NDVI是由当月上旬、中旬、下旬各一景影像的NDVI值通过最大化合成法（maximum value composites，MVC）合成的月NDVI。由图可以看出，从3月开始到5月份冬小麦从返青期逐渐过渡到灌浆期等，其间经历返青拔节期、抽穗期、扬花期，NDVI逐渐增大，3月与4、5月NDVI对比差异明显。3月份曲周县中部NDVI相对其他区域偏低，原因是由于种植较为稀疏。整体上看，研究区冬小麦3月份生长状况基本一致，平均NDVI为0.47，大部分区域NDVI都在0.4～0.6范围内。到4月份，小麦叶片面积在该期间达到最大，NDVI最大值也随之出现，4月份冬小麦NDVI均值为0.68，与3月份相比增长了44%，说明冬小麦从3月到4月，小麦增长迅速，生长发育良好。5月NDVI均值为0.70，与4月相差不大，因为该时期冬小麦正处在灌浆乳熟阶段，是籽粒形成的关键阶段，由图可以看出5月份，馆陶县北部以及南部部分区域NDVI值处在0.8以上，小麦生长状态佳。

3.1.2 光合有效辐射吸收比FPAR

如图3为2014年3-5月冬小麦光合有效辐射吸收比FPAR分布情况。由图3可以看出3月FPAR值与4月和5月相比偏低，FPAR多处于0.3～0.4之间。到4月，FPAR逐渐增大，此时研究区冬小麦FPAR大都在0.5以上，进入5月份FPAR继续增大，直到小麦停止光合作用；平均FPAR最大值出现在5月，为0.71，3、4月份平均FPAR分别为0.34和0.66。此外，可以发现5月份馆陶县FPAR北部和南部要比曲周和邱县高，说明馆陶县的小麦长势优于曲周和邱县。馆陶县小麦长势呈现南北高的态势，原因是受地理位置和地势等因素影响，相比之下，北部和南部水热条件和土壤条件较适宜小麦生长，长势比研究区其他区域要好，同时也是高产和稳产区域。

3.1.3 实际光能利用率ε

如图4所示，在同一个月份、同种作物、小区域情况下，实际光能利用率变化并不明显，但它可能会受地势、水分、温度等呈现微小差别。由图可知，在同一月份，实际光能利用率变化幅度不明显，其中，3月份光能利用率在0.91～0.96 g/MJ之间，4月份光能利用率在1.75～1.79 g/MJ之间，5月份光能利用率在1.21～1.31 g/MJ之间。不同月份相比，4月光能利用率明显高于3月和5月，原因是由于4月份冬小麦正处于生长发育较快的时期，植被光合作用能力强，温度及水热条件适宜小麦等植被生长。3月－5月份研究区光能利用率空间分布趋势，馆陶县的光能利用率优于邱县和曲周，整体呈现西北低东南高的空间分布差异。

3.2 NPP估算结果分析

计算得到的研究区冬小麦3到5月NPP如图5所示，从图中可以看出，3月NPP与4月和5月NPP相比差异较大，3月份，小麦处于返青期，小麦叶片面积逐渐增大，大部分区域NPP主要在0～200 g/m2之间，其中处于100 g/m2以内小麦象元居多，3月份平均NPP为78 g/m2。进入4月份，冬小麦叶片面积继续增大，进入生长旺盛期，NPP也随之增大，此期间90%以上区域冬小麦NPP都在200～400 g/m2之间，其中处于200～300 g/m2冬小麦象元占总小麦象元的33.73%，处于300～400 g/m2冬小麦象元占总小麦象元的56.72%，4月平均NPP为297 g/m2与3月相比增加了好几倍，说明小麦长势处于较好的上升状态。到5月份小麦逐渐进入开花期、灌浆期、乳熟期等，此期间大部分的NPP都在250 g/m2以上，5月平均NPP为320 g/m2，与4月相比，增加了7.74%。这与小麦不同时期生长发育的生理状态是一致的，小麦长势良好。

生长期中3月、4月和5月是冬小麦获得高产稳产的关键时期，本文选用产量形成关键期3月、4月、5月的NPP累积值来估算研究区冬小麦单位面积生物量，如图6为冬小麦3月至5月NPP累积结果分布图，3月、4月、5月的冬小麦NPP占3至5月NPP累积总和比例分别为11.23%、42.71%、46.06%，可见2014年研究区冬小麦在产量形成过程中生长状况良好。

3.3 生物量估算结果及验证

3.3.1 生物量估算结果分析

冬小麦生物体中含碳量在45%左右，则值约为2.22，根据这种转换关系，将冬小麦产量形成关键期3月至5月累积NPP乘以转换系数，并加入系数和即可得到研究区冬小麦生物量（干物质量）。如图7所示，馆陶县小麦长势要优于曲周和邱县，这种差异与实际情况相一致，历年来馆陶县都是冬小麦高产和稳产区，该地区黑小麦种植历年来逐渐增加，根据调查显示，黑小麦的产量要高于一般小麦品种的产量。此外，如图8不同干物质量区间像元个数所占比例可知，50%以上像元值在1 500～2 000 g/m2之间，整个研究区冬小麦干物质量平均值为1 485 g/m2。由图可以看出，冬小麦长势馆陶县最好，馆陶县区域内长势地域趋势无明显差别，曲周中部像元值较低，长势稍差，其他区域长势良好，整体上看，整个研究区域小麦生长发育良好。

3.3.2 生物量估算结果验证

本文所用的实测样点数据位于馆陶县境内，共50个样点，经过内业处理，得到各个样点实测生物量。

为了使验证结果更加可靠，取采样点周围60 m范围内的像元均值作为相应采样点处的预测值，冬小麦实测样点处的生物量与预测单生物量对比结果如图9所示，2为0.811 5，可知预测结果较为理想。50组数据经过分析对比，得表1，其中，最大相对误差为11.54%，最小相对误差为0.33%，将所有相对误差进行平均得平均相对误差为2.13%；将50个实测生物量与预测值分别进行平均，得平均预测生物量为1 807.54 g/m2，与实测平均生物量1 720.74 g/m2相比，绝对误差为86.80 g/m2，与任建强等[15]预测结果相比，稍优于后者结果。说明本文基于改进的CASA模型的估产研究，在一定区域内具有可行性，为今后进行区域估产提供了较好的基础。

表1 馆陶县预测冬小麦生物量精度分析

4 结论与讨论

1）以空间分辨率为30 m的HJ-1A/B产品为数据支撑。与以往估产广泛采用的分辨率为250 m的MODIS影像或者分辨率达千米级的NOAA-AVHRR影像相比，本文采用空间分辨率为30 m的环境资源卫星HJ-1A/B星影像，有利于提高提取参数的准确性，结果能更好地反映相关参数和冬小麦产量的空间分布，对于区域遥感估产具有重要的参考价值。此外，HJ-1A/B卫星影像相对于同等空间分辨率的卫星产品（如，Landsat 8）有较高的观测频率，即使在经常有云的天气也能获得无云或少云的影像产品，文中对预测的冬小麦生物量部分区域进行了精度验证，平均相对误差为2.13%，为下一步进行小麦单位产量估算打下了较好的基础。

2）在不同尺度、不同环境、不同植被类型条件下CASA模型中的参数具有一定的差异性。本文充分考虑了研究区冬小麦生长状况及区域气候等因素，量身定制参数模型中NDVImax和NDVImin，从一定程度上提高了参数取值的准确性；实际光能利用率的计算，本文考虑了冬小麦光能利用率在不同月份的差异性，得出了冬小麦3、4、5月份实际光能利用率的空间分布；最大光能利用率是求取植被净初级生产力NPP的重要参数，本文通过对大量文献的分析与研究，并结合研究区自身区域特点如气候、地势、植被类型等，将其取值为2.8 g/MJ。

论文的下一步研究方向有以下几方面：其一，用同样的方法对该区域及统一尺度的不同区域多年的冬小麦进行生物量预测，测试模型的稳定性和准确性；其二，深入研究冬小麦收获指数空间差异性特征，为冬小麦单位产量估算打基础；其三，通过多源数据融合技术，充分利用不同遥感数据的优点进行遥感产量估测，以有效解决遥感估产中数据缺失、空间分辨率低、时间分辨率低等遥感产品的不足，充分发挥不同遥感产品优势，提高遥感产品利用效率。

[1] Redjadj C, Dupare A, Lavorel S, et al. Estimating herbaceous plant biomass in mountain grasslands: A comparative study using three different methods[J]. Alpine Botany, 2012, 122(1): 57－63.

[2] 张文龙. 镇域尺度农田生态系统地上生物量遥感估算及地表有机碳储量研究[D]. 泰安：山东农业大学，2011.

Zhang Wenlong. Researches on Remote Sensing Estimation of Aboveground Biomass and Land Surface Organic Carbon Storage in farmland ecosystem at Town Scale[D]. Taian: Shandong Agricultural University, 2011. (in Chinese with English abstract)

[3] 袁晓波，牛得草，吴淑娟，等. 黄土高原典型草原地上生物量估测模型[J]. 生态学报，2016，36(13)：1－11.

Yuan Xiaobo, Niu Decao, Wu Shujuan, et al. Estimation of aboveground biomass in the grassland of the Loess Plateau，Northern China[J]. Acta Ecologica Sinica, 2016, 36(13): 1－11. (in Chinese with English abstract)

[4] 王新云，郭艺歌，何杰. 基于多源遥感数据的草地生物量估算方法[J]. 农业工程学报，2014，30(11)：159－166，294.

Wang Xinyun, Guo Yige, He Jie. Estimation of above-ground biomass of grassland based on multi-source remote sensing data[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2014, 30(11): 159－166, 294. (in Chinese with English abstract)

[5] 杜鑫，蒙继华，吴炳方. 作物生物量遥感估算研究进展[J]. 光谱学与光谱分析，2010(11)：3098－3102.

Du Xin, Meng Jihua, Wu Bingfang. Overview on monitoring crop biomass with remote sensing[J]. Spectroscopy and Spectral Analysis, 2010(11): 3098－3102. (in Chinese with English abstract)

[6] 王胜兰. 基于5种气候生产力模型的乌鲁木齐地区NPP计算分析[J]. 沙漠与绿洲气象，2008(4)：40－44.

Wang Shenglan. Computation and analysis about NPP in Urumqi area based on 5 Kinds climate-productivity model[J]. Desert and Oasis Meteorology, 2008(4): 40－44. (in Chinese with English abstract)

[7] 邹薇，刘铁梅，潘永龙，等. 基于生理生态过程的大麦 顶端发育和物候期模拟模型[J]. 生态学报，2009，29(2)：815－823.

Zhou Wei, Liu Tiemei, Pan Yonglong, et al. A process -based si mulation model on apical development and phenological stages in barley: Model description[J]. Acta Ecologica Sinica, 2009, 29(2): 815－823. (in Chinese with English abstract)

[8] 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 Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2008，24(2)：290－298. (in Chinese with English abstract)

[9] 李海亮，罗微，李世池，等. 基于遥感信息和净初级生产力的天然橡胶估产模型[J]. 自然资源学报，2012，27(9)：1610－1621.

Li Hailiang, Luo Wei, Li Shichi, 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. (in Chinese with English abstract)

[10] 王东伟，王锦地，梁顺林. 作物生长模型同化MODIS反射率方法提取作物叶面积指数[J]. 中国科学:地球科学，2010，40(1)：73－83.

Wang Dongwei, Wang Jindi, Liang Shunlin. Retrieving crop leaf area index by assimilation of MODIS data into crop growth model[J]. Sci China Earth Sci, 2010, 40(1): 73－83. (in Chinese with English abstract)

[11] 冯险峰，刘高焕，陈述彭，等. 陆地生态系统净第一性生产力过程模型研究综述[J]. 自然资源学报，2004，19(3)：369－378.

Feng Xianfeng, Liu Gaohuan, Chen Shupeng, et al. Study on process model of net primary productivity of terrestrial ecosystems[J]. Journal of Natural Resources, 2004, 19(3): 369－378. (in Chinese with English abstract)

[12] 河北省统计局. 2015年河北省农村统计年鉴[M]. 北京：中国统计出版社，2015.

[13] 吴炳方，田亦陈，李强子. GVG农情采样系统及其应用[J]. 遥感学报，2004，8(6)：570－580.

Wu Bingfang, Tian Yichen, Li Qiangzi. GVG- a crop type proportion sampling instrument[J]. Journal of Remote Sensing, 2004, 8(6): 570－580. (in Chinese with English abstract)

[14] Potter C S, Randerson J T, Field C B, et al. Terrestrial ecosystem production: A process model based on global satellite and surface data[J]. Global Biochemical Cycle, 1993(7): 811－841.

[15] 任建强，陈仲新，唐华俊，等. 基于植物净初级生产力模型的区域冬小麦估产研究[J]. 农业工程学报，2006，22(5)：111－116.

Ren Jianqiang, Chen Zhongxin, Tang Huajun, et al. Regional yield estimation for winter wheat based on net primary production model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(5): 111－116. (in Chinese with English abstract)

[16] Prince S D, Goward S N. Global primary production: A remote sensing approach[J]. Journal of Biogeography, 1995, 22: 815－835.

[17] 朱文泉，潘耀忠，何浩，等.中国典型植被最大光利用率模拟[J]. 科学通报，2006，51(6)：700－706.

Zhu Wenquan, Pan Yaozhong, He Hao, et al. China's largest light utilization simulation of typical vegetation[J]. Chinese Science Bulletin, 2006, 51(6): 700－706. (in Chinese with English abstract)

[18] 米晓飞. HJ-1卫星NPP反演及其空间展布研究[D]. 焦作：河南理工大学，2010.

Mi Xiaofei. NPP Retrieval Based on HJ-1 and Spatial Distribution Study[D].Jiaozuo: Henan Polytechnic University, 2010. (in Chinese with English abstract)

[19] 周广胜，张新时. 自然植被净第一性生产力模型初探[J]. 植物生态学报，1995(3)：193－200.

Zhou Guangsheng, Zhang Xinshi. A natural vegetation NPP Model[J]. Journal of Plant Ecology, 1995(3): 193－200. (in Chinese with English abstract)

[20] Ruimy A, Dedieu G, Saugier B. Methodology for the estimation of terrestrial net primary production from remotely sensed data[J]. Journal of Geophysical Research, 1994, 99: 5263－5284.

[21] 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.

[22] Field C B, Randerson J T, Malmström C M. Global net primary production: Combining ecology and remote sensing[J]. Remote Sensing of Environment, 1995, 51: 74－88.

[23] Raymond E, Hunt J R. Relationship between woody biomass and PAR conversion efficiency for estimating net primary production from NDVI[J]. International Journal of Remote Sensing, 1994, 15: 1725－1730.

[24] 彭少麟，郭志华，王伯荪. 利用GIS和RS估算广东植被光利用率[J]. 生态学报，2000，20(6)：903－909.

Peng Shaolin, Guo Zhihua, Wang Bosun. Use of GIS and RS to estimate the light utilization efficiency of the vegetation in Guangdong China[J]. Acta Ecologica Sinica, 2000, 20(6): 903－909. (in Chinese with English abstract)

[25] Running S W, Thornton P E, Nemani R, et al. Global Terrestrial Gross and Net Primary Productivity from the Earth Observing System[M]. In: Sala O, Jackson R, Mooney H, eds. Methods in Ecosystem Science. New York: Springer Verlag, 2000: 44－57.

[26] 康婷婷.中国农田净初级生产力和最大光能利用率参数时空特征分析[D]. 南京：南京大学，2014.

Kang Tingting. Study on the Spatial and Temporal Variations of Net Primary Productivity and Maximum Light Use Efficiency of Croplands in China[D]. Nanjing: Nanjing University, 2014. (in Chinese with English abstract)

[27] Gregory P J, Tennant D, Belford R K. Root and shoot growth and water and light use efficiency of barley and wheat crops grown on a shallow duplex soil in a Mediterranean-type environment[J]. Journal of the Australian Institute of Agricultural Science, 1992, 43: 555－573.

[28] Yunusa I A M, Siddique K H M, Belford R K, et al. Effect of canopy structure on efficiency of radiation interceptionand use in spring wheat cultivars during the pre-anthesis period ina mediterranean-type environment[J]. Field Crops Research, 1993, 35: 113－122.

[29] Jamieson P D, Martin R J, Francis G S, et al. Drought effects on biomass production and radiation-use efficiency in barley[J]. Field Crops Research, 1995, 43: 77－86.

[30] 宋富强，郑壮丽，王令超. 基于CASA模型的河南省冬小麦估产研究[J]. 河南科学，2012，30(10)：1467－1468.

Song Fuqiang, Zheng Zhuangli, Wang Lingchao. Yield estimation for winter wheat of henan province based on CASA model[J]. Henan Science, 2012, 30(10): 1467－1468. (in Chinese with English abstract)

[31] 任建强，刘杏认，陈仲新，等.基于作物生物量估计的区域冬小麦单产预测[J]. 应用生态学报，2009(4)：872－878.

Ren Jianqiang, Liu Xingren, Chen Zhongxin, et al. Production of winter wheat yield based on crop biomass estimation at regional scale[J]. Chinese Journal of Applied Ecology, 2009(4): 872－878. (in Chinese with English abstract)

[32] 闫慧敏，刘纪远，曹明奎.中国农田生产力变化的空间格局及地形控制作用[J]. 地理学报，2007，62(2)：171－180.

Yan Huimin, Liu Jiyuan, Cao Mingkui. Spatial Pattern and topographic control of China's agricultural productivity variability[J]. Acta Geographica Sinica, 2007, 62(2): 171－180. (in Chinese with English abstract)

Remote sensing estimation of biomass in winter wheat based on CASA model at region scale

Liu Zhenzhen1,2, Zhang Xiwang1,2※, Chen Yunsheng1,2, Zhang Chuancai1,2, Qin Fen1,2, Zeng Hongwei3

(1475004; 2.475004; 3.100094)

Remote sensing can dynamically monitor crop, in real-time, all-weather, also simulate process of crop growth by extracting remote sensing parameters. It was the first step to estimate NPP (net primary productivity) for biomass estimation, and the CASA(Carnegie-Ames-Stanford Approach) model, one of the most popular biomass estimation model, was used for NPP estimation of winter wheat to realize the winter wheat biomass estimation in study area. We analyzed deeply and developed both the NDVI extracting method and FPAR algorithm based on the original CASA model. After comprehensively absorbing the experience of related literature, and the maximum value of light energy utilization efficiency was determined. Then we got an improved CASA model which was suitable for study area. The quantile fractile with winter wheat NDVI maximum probability distribution was extracted to determine NDVImaxand NDVImin, and previous algorithm of improved FPAR with a correction factor was used in this paper. Solar radiation (SOL) around the area of the site data were used for the interpolation by natural neighbor spatial interpolation method. Temperature, precipitation and other meteorological data in the study area were used to calculate the real light energy utilization efficiency. Finally, we entered the above parameters into the improved CASA model to calculate winter wheat NPP.The study area is located in Handan city, Hebei province. The winter wheat at the county scale was taken as the research object. HJ-1A/B products were used as data support to estimate the winter wheat NPP and biomass of study area in 2014. The accuracy was verified. Results showed that the average NPP in March, April, May were 78, 297 and 320 g/m2, respectively. The difference was caused by growth characteristics of winter wheat in different periods. In March, winter wheat was in the green period, the leaf area of winter wheat increased gradually. In April, winter wheat was in exuberant growth period, leaf area was continued to increase, and the NPP also increased. In May, the winter wheat was gradually into flowering, grain filling, and milk stage etc, during the time most parts of NPP was more than 250 g/m2, which was consistent with wheat physiological characteristic, it showed that winter wheat grew well. And the average biomass of winter wheat in the study area was 1 485 g/m2, more than half of study area was between 1 500 and 2 000 g/m2. The correlation between measured biomass and predicted biomass of winter wheat reached significant level,2was 0.811 5, and the average relative error was 2.13%, the maximum error was 11.54%, the minimum error was 0.33%. Average predicted biomass was 1 807.54 g/m2, the absolute error was 86.80 g/m2, compared with the average measured biomass 1 720.74 g/m2. This study can provide theoretical support for estimating both winter wheat biomass and yield at country scale.

biomass; remote sensing; crops; CASA; HJ-1A/B; maximum light energy utilization efficiency; winter wheat

10.11975/j.issn.1002-6819.2017.04.031

S1

A

1002-6819(2017)-04-0225-09

2016-06-17

2017-01-23

国家高技术研究发展计划（863计划）（2012AA12A307）；粮食公益性行业科研专项（201313009-2，201413003-7）；河南省科技厅科技攻关项目（152102110047）；国家自然科学基金青年项目（41401457）

刘真真，女，河南周口人，主要从事农业遥感研究。开封 河南大学，475004。Email：liuzhenzhengis@foxmail.com

张喜旺，男，河南省辉县人，副教授，主要从事农业与生态环境遥感和GIS应用等研究。开封 河南大学，475004。Email：zxiwang@163.com

刘真真，张喜旺，陈云生，张传才，秦 奋，曾红伟. 基于CASA模型的区域冬小麦生物量遥感估算[J]. 农业工程学报，2017，33(4)：225－233. doi：10.11975/j.issn.1002-6819.2017.04.031 http://www.tcsae.org

Liu Zhenzhen, Zhang Xiwang, Chen Yunsheng, Zhang Chuancai, Qin Fen, Zeng Hongwei. Remote sensing estimation of biomass in winter wheat based on CASA model at region scale[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(4): 225－233. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.04.031 http://www.tcsae.org