基于Landsat TM遥感数据的山核桃产量预测——以浙江临安市为例

栗晓禹,黄兴召,王雪军,高作锋

(1.国家林业局调查规划院设计院,北京 100714；2.安徽农业大学 林学与园林学院,合肥 230036)

基于Landsat TM遥感数据的山核桃产量预测
——以浙江临安市为例

栗晓禹1,黄兴召2,王雪军1,高作锋1

(1.国家林业局调查规划院设计院,北京 100714；2.安徽农业大学 林学与园林学院,合肥 230036)

以浙江省临安市的山核桃为研究对象,基于2008—2011年连续4年的样地实测产量为基础,利用每年4个生长时期的Landsat TM遥感数据,系统地分析比较每个生长时期的植被指数与产量的关系。研究结果表明:NDVI 在各个生长期均与产量的相关性最高；SAVI与产量的相关性居中,DVI最低。以每个时期的NDVI为因子,建立不同时期山核桃产量的预估模型。各时期模型的预估效果为果实膨大期>花芽分化及授粉期>采摘至落叶期>休眠期。以不同时期的NDVI为因子,利用逐步回归,建立多因子的山核桃产量的预估模型。最优预估模型为y=126.51x2+26.61x1+12.56x3-67.42(R2=0.642,SEE=12.17),为山核桃产量的预测提供可行,快速,有效的方法。

山核桃；生长期；遥感；逐步回归；模型

山核桃(CaryacathayensisSarg.)是我国特有的高档干果和木本油料树种,主要分布于浙、皖交界的天目山区。山核桃常年产量1.4万t,一产产值超过7亿元。有近7万农户从事山核桃生产经营,主产区农户的收入70%以上来源于山核桃。目前,对山核桃产量的预测方法主要有两种:一是基于时间序列的模拟,即山核桃产量与年份之间的关系[1]；另一种是基于气象因子的模拟,即产量与气温、降雨量、降雨时间等因子的关系[2]。但是,这两种方法都没有充分考虑山核桃自身特性对产量的影响,且数据的获取为需要进行大量的资料收集,工作量大,成本高,不适于大范围动态监测[3]。遥感影像数据与植物本身的生理特性密切相关,主要包括叶面积指数、生物量、叶绿素含量、土壤有机质含量等指标。而且该数据覆盖广,更新速度快[4-5]。因此,利用遥感影像数据进行山核桃产量的模拟预测,同时兼备预测因子与山核桃自身特性相关及预测因子时效性强、覆盖度广两项优点。

基于遥感影像预估经济林产量[6],主要考虑两个方面:一是全面掌握研究对象的生长变化规律,特别是关键生长期对产量的影响,是进行产量预测的基础[7]。在对山核桃年生长周期的研究中,花芽分化期花序形成过程[8]、授粉后的坐果率高[9],果实膨大过程中的叶片营养[10]都影响产量。二是掌握不同年份的产量。经济林与农作物不同,其产量存在“大小年”和隔年结果现象,利用1年的生长季建立的预估模型无法准确估算产量。

为此,本研究以浙江省临安市的山核桃为研究对象,以连续4年的样地实测产量和每年4个山核桃主要生长期的遥感影像数据为数据源。在系统分析各时期数据对山核桃产量的影响的基础上,采用逐步回归建立山核桃产量预测模型,以期识别不同时期遥感数据在山核桃产量估算的差异,并且对山核桃的管理和产量具有现实的指导意义。

1 材料与方法

1.1 研究区概况

研究区位于浙江省西北部的临安市,东经118°51′～119°52′,北纬 29°56′～30°23′,是山核桃的中心产区。该区属亚热带季风气候,年平均气温16℃,极端最高气温41.7℃,极端最低气温-13.3℃,年平均有效积温5 774℃,年平均降水量1 350～1 500mm,年平均日照时数1 774h,无霜期235d。海拔高度在140～1 037m之间。

1.2 样地设置及产量数据收集

本研究根据临安市山核桃的分布特点,利用临安市森林资源分布情况(图1),于2008年设置山核桃样地6个,样地大小100m×100m。样地中心位置通过GPS记录以与遥感影像相匹配,并详细记录各样地的镇、村、小地名及农户名。于每年山核桃采收完成后,通过问卷调查,记录各样地农户的山核桃产量。共收集2008—2011年4年的产量(表1),以备后期数据模拟。模拟中,将数据按3:1随机分类分别作为建模和验证数据。

图1 山核桃样地分布图

年份2008200920102011产量/(kg/亩)32～6723～5528～6134～68

1.3 遥感数据获取及植被指数计算

本研究利用Landsat5 TM卫星获取各样地的遥感影像,该影像提供可见—近红外(V-NIR)、短波红外(SWIR)和热红外(TIR)共7个波段的遥感数据。为确定山核桃不同生长期与产量的关系,根据山核桃年生长规律(表2)[8],将山核桃每年的生长季分为4个主要生长期:花芽分化及授粉期、果实膨大期、采摘至落叶期和休眠期。以Landsat5 TM反射率影像为基础,于2008—2011年,在山核桃的每个生长时期,通过几何位置匹配提取对应各样地中心GPS坐标像元各波段的反射率,共计获取96条光谱曲线,作为植被指数的计算依据。

表2 山核桃年生长规律

根据不同波段的反射率,计算植被指数。植被指数是植被遥感中应用最为广泛的方法。本文分别选择应用最为广泛的DVI(Difference Vegetation Index)、NDVI (Normalized Difference Vegetation index)和SAVI(Soil Adjusted Vegetation Index)3个植被指数与草地生理参数进行相关性分析。

DVI=ρNIR-ρR

(1)

(2)

(3)

式中:ρNIR为近红外波段反射率,ρR红光波段反射率,L为土壤调节系数,L取值为1。

1.4 山核桃产量预测模型的建立 验证与评价

首先基于4个主要生长期的植被指数与产量的相关性,寻找不同时期的最优估产植被指数。然后,以最优的植被指数为因子,分别建立每个时期的山核桃产量方程。最后,利用逐步回归,建立最优的山核桃产量预估模型,实现对山核桃产量的模拟预测。

利用逐步回归建立最优的山核桃产量预估模型时,模型拟合结果采用决定系数(R2)、估计值的标准误差(SEE)来评价。其中R2和SEE的计算公式:

(4)

(5)

2 结果与分析

2.1 不同生长期山核桃植被指数与产量的相关性比较

计算不同时期的植被指数DVI，NDVI和SAVI,将3个植被指数分别与产量进行相关分析,筛选不同时期与产量相关性最高的植被指数。结果如表3所示,4个时期的各植被指数均与产量之间存在着明显的相关性。其中,NDVI 在各个生长期均与产量的相关性最高；SAVI与产量的相关性居中,DVI最低。另外,3个植被指数在4个时期与产量的相关性由高到底依次均为:果实膨大期、花芽分化及授粉期、采摘至落叶期、休眠期。

表3 不同发育期各植被指数与产量的相关性

2.2 不同生长期的山核桃产量模型

以每个时期的NDVI为因子,分别建立不同时期山核桃产量的预估模型。建模过程中将数据按3∶1分类,分别用于建模和验证。如图2所示,4个时期的NDVI与产量存在明显的线性关系。通过建立的预估模型可知,GM1(花芽分化及授粉期)和GM2(果实膨大期)两个时期的模型拟合效果较好,相关系数均在0.5以上,估计值的标准误差在18左右；GM3(采摘至落叶期)的模型拟合效果居中,相关系数和估计值的标准误差分别为0.435和19.54； GM4(休眠期)的模型拟合效果较差,相关系数和估计值的标准误差分别为0.435和19.54。由此可以得出,花芽分化及授粉期和果实膨大期是预估山核桃产量最为重要的时期。

图2 不同生长期山核桃收获与NDVI关系模型

2.3 基于逐步回归的山核桃产量模型

以不同时期的NDVI为因子,以各时期NDVI与产量的相关系数为参照,利用逐步回归,建立多因子的山核桃产量的预估模型。结果如表4所示,当模型含有x1(花芽分化及授粉期)、x2(果实膨大期)、x3(采摘至落叶期)和x4(花芽分化及授粉期)所有因子时,P>0.05,无统计意义。另外3个模型(P<0.05),随着因子的增多,模型的相关系数不断增加,估计值的标准误差也逐步减小。同时,3个模型之间存在显著差异。因此,花芽分化及授粉期、果实膨大期和采摘至落叶期均对山核桃的产量存在影响,现实生产中应注重这3个时期。

表4 山核桃产量与NDVI的逐步回归结果

3 结论

基于连续4年的样地实测山核桃产量数据和每年4个生长时期的Landsat5TM遥感数据,系统的分析比较每个时期的植被指数与产量的关系,利用逐步回归,建立最优的山核桃产量预估模型,得出以下结论:

1) 通过分析4个生长时期的DVI,NDVI,SAVI植被指数与产量的相关性,发现NDVI在各时期的相关性均高于DVI和SAVI。因此,以NDVI为因子,分别建立不同时期山核桃产量的预估模型,各时期模型的预估效果为:果实膨大期>花芽分化及授粉期>采摘至落叶期>休眠期。

2) 不同时期的NDVI为因子,利用逐步回归,建立多因子的山核桃产量的预估模型。最优预估模型为y=126.51x2+26.61x1+12.56x3-67.42(R2=0.642,SEE=12.17),包含花芽分化及授粉期、果实膨大期和采摘至落叶期的方程。

利用连续多年的实测山核桃产量数据建模,可以有效避免产量“大小年”对模型的影响；利用不同时期的遥感数据,可以全面考虑各时期对产量的影响,从而找出关键生长期。利用逐步回归建立的最优模型,模型可以快速,简便地预估山核桃产量。同时,花芽分化及授粉期、果实膨大期和采摘至落叶期与山核桃的产量最为相关,现实的生产中应加强3个时期的林地管理,保证山核桃产量。

[1]詹森梁,赵伟明,叶立前,等.临安市山核桃产量大小年特征的时间序列研究[J].华东森林经理,2004,18(4):13-16.

[2]焦洁洁,李绍进,黄坚钦,等.影响山核桃产量气象因子的调查与分析 [J].果树学报,2012,29(5):13-16.

[3]Purevdor J T S,Tateishi R,Ishiyama T,et al.Relationships between percent vegetation cover and vegetation indices[J].International Journal of Remote Sensing,1998,19(8):3519.

[4]王志辉,丁丽霞.基于叶片高光谱特性分析的树种识别[J].光谱学与光谱分析,2010,30(7):1825-1829.

[5]顾志宏.基于高光谱的大麦籽粒蛋白质含量遥感预测[J].光谱学与光谱分析,2012,32(2):435-438.

[6]Weber V S,Arausb J L,Cairnsc J E,et al.Prediction of grain yield using reflectance spectra of canopy and leaves in maiz[J].Field Crops Research,2012,128：82-90.

[7]叶旭军,Kenshi S,何勇.基于机载高光谱成像的柑橘产量预测模型研究[J].光谱学与光谱分析,2010,30(5):1259-1300.

[8]黄坚钦,夏国华.图说山核桃生态栽培技术[D].杭州：浙江科学技术出版社,2008:36-41.

[9]黄有军,王正加,郑炳松,等.山核桃雄蕊发育的解剖学研究[J].浙江林学院学报,2006,23(1):56-60.

[10]黎章矩.山核桃栽培与加工[D].北京：中国农业科学技术出版社,2003：131.

Estimation of Hickory Yield Based on Landsat TM Remote Sensing Data

LI Xiaoyu1,HUANG Xingzhao2,WANG Xuejun1,GAO Zuofeng1

(1.AcademyofForestInventoryandPlanning,SFA,Beijing100714,China;2.SchoolofForestryandLandscapeArchitecture,AnhuiAgriculturalUniversity,Hefei230036,China)

To establish the hickory yield model and vegetation index,the actual yield from 2008 to 2011 and Landsat TM remote sensing data of four growth stages in every year were used to systematically compare their relationship in hickory source region in Lin’an of Zhejiang Province.The results show that the NDVI of each growth stage has higher correlation with yield than SAVI，DVI.The model of each growth stage was built to predict hickory yield which used NDVI.The accuracy of four models was as follows: fruit expanding stage>flower bud differentiation and pollination stage>picking to defoliation stage>dormancy stage.Using the stepwise regression that the NDVI of every growth stage were factors,the model of hickory yield was established.The optimal model wasy=126.51x2+26.61x1+12.56x3-67.42(R2=0.642,SEE=12.17) which provided a feasible,rapid and effective method to predict the hickory production.

hickory,growth stage,remote sensing,stepwise regression,model

2017-04-10；

2017-05-15

国家高技术发展计划(863计划)(2013AA102605)；国家自然科学基金(31170637)

栗晓禹(1982-)，女，辽宁本溪人，工程师，硕士，研究方向：森林经理。Email:lixiaoyu@afip.com.cn

黄兴召(1985-)，山东济宁人，男，讲师，博士，研究方向:森林生态系统管理。Email:xingzhaoh@ahua.edu.cn

S727.3；TP79

A

1002-6622(2017)04-0131-04

10.13466/j.cnki.lyzygl.2017.04.020