结合数据融合算法的光能利用率模型反演水稻地上部生物量

廖靖 胡月明 赵理 马昊翔 王璐 张洪亮

摘要：水稻作为世界范围内的重要粮食作物，其生长状况与产量信息的快速、精确获取，对保障耕地资源安全与粮食安全具有重要意义。本研究探索结合数据融合算法的光能利用率模型反演水稻地上部生物量，将增强型空间和时间自适应反射融合模型（ ESTARFM）预测的水稻关键生长期数据，驱动EC-LUE（Eddy covariance-light useefficiency）模型反演水稻地上部生物量，分别验证2个模型的精度。结果显示，ESTARFM算法预测值与真实值的Pearson相关系数为0.668（ P<量O.001），对于中型耕地（11- 50个Landsat像元），ESTARFM算法预测精度最为理想。EC-LUE模型反演的水稻地上部生物量预测值与地面实测值Pearson相关系数为0.630（ P<0.001）。EC-LUE模型驱动数据的空间分辨率与时间分辨率是制约反演结果精度的关键因素。

关键字：影像融合;光能利用率模型;水稻地上部生物量;遥感反演

中图分类号：TP75

文献标识码：A

文章编号： 1000-4440（ 2019） 03-0594-08

水稻生产在全球粮食安全评估[1]、农业水资源利用[2-3]、温室气体排放[4-6]等研究中具有重要地位。水稻作为中国重要的粮食作物"1，水稻地上部生物量模拟与预测是水稻估产[8-11]、农业气象灾害预警[12-13]、耕地产能监测与评价14-15]等一系列相关研究中的重要参数之一。相比于经验模型（光合生产力模型、Wagenigen模型[16]、农业生态区法（ AEZ） [17-18]以及基于过程的生长模型（WOFOST[19-20]、APSIM[21-22]等），作物光能利用率（LUE）模型简化了植物光合作用与呼吸作用的复杂生理反应，被认为是拥有较大发展空间，能够在更广范围内进行作物生产力估算的一种模型。Eddy covariance-light use efficiency（ EC-LUE）模型被开发适用于普遍生物群落的逐日总初级生产力（ GPP）估算，该模型基于涡度塔通量数据，并采用在各种生物群落中几乎不变的模型参数（即潜在的光能利用效率与最佳植被的生长温度）[23]。EC-LUE模型估算农田GPP仍有较大不确定性，有研究针对模型模拟的农田GPP精度进行验证，提出了相应的模型改进策略[24-26]。

EC-LUE模型需要输入更精细的作物生长数据（如ⅣDVI）来模拟中、小尺度农田GPP。为了满足精细分辨率监测地表季节性景观变化的能力，Gao等开发了空间和时间自适应反射融合模型（ Spatial andtemporal adaptive reflectance fusion model，STARFM），將Landsat数据与MODIS数据进行融合，以预测拥有Landsat空间分辨率下的日常表面反射率[27]。Zhu等开发了一种增强型STARFM方法（Enhanced spatialand temporal adaptive reflectance fusion model， ESTAR-FM），通过2个时间点之间观测到的反射率趋势和改进光谱解混合理论，以更好地预测异质景观的反射率变化[28-29]。ESTARFM被证明在小区域中准确度要高于同类方法[30]，以及在预测农田蒸散量[31]、冬小麦生物量[32]、河岸森林监测[33]等异质景观的实证研究中有良好表现。直接将植被指数进行时空数据融合得到的精度，高于先对各波段进行时空数据融合再计算的植被指数的精度[34]。

本研究探索结合ESTARFM算法的EC-LUE模型对水稻地上部干物质质量反演的方法，通过ES-TARFM算法获取晚稻关键生长期的NDVI，作为EC-LUE模型的驱动数据。检验2个模型的精度，分别分析2个模型在预测耕地异质景观NDVI、反演晚稻地上部生物量的适用性，并讨论本研究方法的优势与限制。

1 研究区概况

增城市位于广东省中部、广州市东部（图1），地理坐标：北纬23°05′- 23°37′，东经113°32′ - 114°00′，地处南亚热带，北回归线经过市境北部，属海洋性季风气候，多年平均气温为21.6℃，极端高温为38.2℃，极端低温为-1.9℃。气候特点为炎热多雨，长夏无冬，全年可栽培作物。水资源丰富，耕地多为赤红地和河谷冲积地，适宜种植水稻等农作物【35]。

2 数据获取与研究方法

2.1 数据

2.1.1 影像数据 Landsat 8 0perational land imager（ OLI）（本研究不涉及TIRS传感器）提供了30 m空间分辨率的LITP级地表反射率科学数据产品。影像预处理包括辐射定标、Fast line-of-sightatmospheric analysis of hypercubes（ FLAASH@）大气校正、几何校正，选取Quality assessment band中标记为“未受到仪器或云层影响”像素作为掩膜，反向去除影像中的云及云阴影。

MODIS09GA数据集提供了500 m空间分辨率的逐日地表反射率。影像预处理包括投影转换、重采样与几何校正，根据1-4-3波段组合来判断研究区是否有云，选取云量最小时刻的MOD09GA数据，用数据集的质量波段做云掩膜。

2.1.2 气象数据通过国家气象局气象观测站记录的研究区逐日日均气温、显热通量、潜热通量数据，采用AUNSPLINE气象插值软件进行插值‘36]。光合有效辐射（PAR）数据利用MODIS lB数据结合MODIS地表反射率产品和双向反射模型（BRDFmodel）参数产品，通过检索辐射传输模型计算出的查找表来反演得到【36-40]。

2.1.3 地上部生物量采集 2016年11月2日（第307 d）、11月7日（第312 d），分2次对研究区晚稻田进行生物量采样，采样数量为30块晚稻田，采样点分布见图1。取样面积1 mxl m，与地面齐平收割稻株地上部分。在实验室内，将采集的水稻样品放置入烘干箱内，在110 0C下杀青50 min，后将温度调整为85℃，持续10 h，至样品质量不再变化后取出称质量。

2.2 研究方法

2.2.1 基于EC-LUE模型的晚稻地上部生物量反演

Yuan等开发了涡度协方差一光利用效率（EC-LUE）模型来模拟日常植被GPP[23，41]。模型由4个变量驱动：归一化植被指数（ ND VI），光合有效辐射（PAR），气温（T）以及显热与潜热通量的鲍温比。由于潜在的LUE在各种土地覆盖类型中是不变的，因此EC-LUE模型对于每日GPP在大面积上的映射具有很大的优势。

根据辐射传递模型，Myneni等发现，对于大量不同的植被一土壤一大气条件，fPAR和NDVI之间存在线性关系[42]：

fPAR= axNDVl+b

（2）

其中a与b是经验系数。fPAR和NDVI之间的截距一般为负，当fPAR为零时，a与b的比值表示裸土NDVI。根据前人的研究，a和b定为1.240和-0.168[23，43].NDVI从遥感影像数据获得。

EC-LUE模型假定所有生物群落之间存在通用的8max，并通过温度或水分胁迫来降低，同时假设温度与水分对植被光能利用率的影像遵循李比希定律，即植被的实际光能利用率（ε）仅受到任何给定时间的最大限制性因素影响：

2.2.2 基于ESTARFM的晚稻关键生长期数据融合

ESTARFM算法实现有4个主要步骤。首先，使用2个具有精细分辨率的图像来搜索与本地窗口中的中心像素相似的像素。其次，计算所有相似像素（Wi）的权重。第三，通过线性回归确定转换系数（Vi）。最后，使用Wi与Vi来计算所需预测日期的粗分辨率图像的精细分辨率反射率。同时，研究结果表明，将植被指数直接进行时空数据融合的精度，要高于单个波段进行时空数据融合再计算植被指数所得到的精度，因为限制了误差的传递[34]。那么在预测时刻tp处的最终预测的精细分辨率NDVI计算为：

2.2.3 精度检验

2.2.3.1 ESTARFM算法精度检验 定量评估2对原始影像与预测影像，绘制原始影像与预测影像的NDVI线性回归模型的残差，评估预测精度。然后选择一组定量相关性度量方法，即Pearson相关系数，加上线性回归模型的斜率、截距值和R2，在像元尺度上分析原始的与预测的NDVI值之间的差异，使用的误差指数是均方根误差（RMSE）。对晚稻NDVI融合数据与真实数据进行交叉检查33]。

前人研究得出异质景观的面积与ESTARFM预测精度有很强相关性，因为其直接影响ESTARFM算法中对纯像元的寻找“难易”程度[36]。按照已有的研究区土地利用数据以及面向对象分类方法（针对Landsat数据），按单个耕地地块的面积进行分类，即小型耕地（10个Landsat像元及以下）、中型耕地（11- 50个Landsat像元）、大型耕地（51个Landsat像元及以上），分别进行影像融合算法精度检查，以评估地块面积大小对ESTARFM算法预测精度的影响。

2.2.3.2 EC-LUE模型精度检验用均方根差，平均绝对误差，Pearson相关系数，线性回归模型的斜率、截距值和R2，对EC-LUE模型的晚稻地上部生物量估算结果进行精度检验。通过当年的实地采样数据进行精度检验，评估EC-LUE模型对晚稻地上部生物量预测结果的准确性。

3 结果与分析

3.1 ESTARFM方法精度检验

根据土地利用现状图，提取研究区耕地对应时刻的NDVI，评估ESTARFM算法的预测精度（图2）。精度验证时刻在第262 d附近，处于作物旺盛生长的时期，因此NDVI预测值与真实值的重合部分都集中分布在右上角。整体来看，耕地预测值与真实值的Pearson相关系数为0.668 （P<0.001），RMSE为0.005，一元回归拟合线的斜率为0.713、截距为0.197、R2为0.304（图2a），ESTARFM算法表现出对研究区耕地NDVI预测的良好效果。

耕地面积对ESTARFM算法精度影响结果显示，中型耕地（11-50个Landsat像元）的NDVI估计值更接近真实值，Pearson相关系数为0.718 （P<0.001），RMSE为0.009，一元回归拟合线的斜率为0.659、截距为0.208、R2为0.315。对于大型耕地（51个Landsat像元及以上），NDVI估计值与真实值的Pearson相关系数为0.656 （P

研究区耕地种植作物种类繁多，种植作物类型的不同导致的耕地混合像元是普遍存在的，当精细影像（30 m空间分辨率）中小型耕地大量存在混合像元的情况下，ESTARFM算法很难在粗分辨率影像（ MODIS）中找到纯净的“水稻”像元，预测值与真实值差异显著。此外，对于大型耕地来说，过于宽广的单一作物种植区域会存在种植时间差，同物异谱“混合像元”，将不同生长状态的相同类型作物视为同一生长状态，也会造成ESTARFM算法的误差。而11至50个像元组成的中型耕地更“不容易”受到混合像元的干扰，算法精度最高。因此在结合ESTARFM算法进行晚稻地上部生物量反演时，本研究选取面积介于11至50个Landsat像元的水稻田块进行。

3.2 晚稻地上部生物量反演精度检验

2016年研究区晚稻地上部生物量实测值在1 250 g/m2与2 850 g/m2之间，预测值在1 300 g/m2与2 400 g/1112之间，Pearson相关系数为0.630 （P<0.001），平均绝对误差为240. 35 g/m2，标准误差0.108，一元回归拟合线的斜率为1.157、截距为-41.111，整体上看，晚稻地上部生物量被低估了（图3）。

局部来看，EC-LUE模型低估了拥有高地上部生物量的晚稻地块，实测值在2 500 g/m2以上的地块，预测值在2 000 g/m2到2 300 g/m2之间;对拥有中等地上部生物量的晚稻地块，即实测值在2 000g/m2左右的，EC-LUE模型整体低估了这些地块的地上部生物量，预测值在1500 g/m2与1700 g/m2之间。

3.3 晚稻地上部生物量累积特征

结合2016年在基地对晚稻完整生长周期的地上部生物量采集数据（图4），水稻地上部干物质累积规律：在移栽后晚稻地上部干物质质量会微弱下降，后逐渐增加（约第240 d到260 d）;分蘖期干物质质量增速加快（大约第260 d至280 d），穗形成期干物质累积增速达到最大值（第290 d附近），成熟期前后干物质质量达到顶峰并逐渐稳定（310 d附近）。而本研究中EC-LUE模型的输人数据时间为2016年的第224 d到310 d，基本涵盖了水稻分蘖、穗形成、抽穗结实等干物质累积的重点时期。

4 讨论

4.1 晚稻地上部生物量累积特征

本研究探索利用ESTARFM算法融合得到时间分辨率更密集的晚稻NDVI数据，输入EC-LUE模型以估算研究区晚稻地上部生物量的方法。结果显示，ESTARFM算法融合的耕地NDVI数据精度较高，且与地块面积密切相关，因此研究选取面积介于11至50个Landsat像元的水稻田块进行地上生物量反演。将补充后更为频繁的NDVI时间序列数据输入EC-LUE模型，得到的晚稻地上部生物量预测值，与地面实测值的相关性检验结果为强相关，Pearson相关系数0.630 （P1+zhEx3LyBhUoCu6iZYivzKN++9ZJMZZ8Flr+kDUInY=

上部生物量反演精度提升是值得期待的，也进一步扩展该模型适用范围。

本研究将EC-LUE模型运行时间设置为2016年的第224 d到310 d，持续90 d左右，涵盖了分蘖、穗形成、抽穗结实等水稻干物质累积的重点时期。这段时期内水稻干物质质量的变化，包含了一个完整水稻生长期累积的绝大部分干物质质量。因此，本研究用ESTARFM算法估计的晚稻田NDVI，基本完整覆盖了晚稻关键生长期，可以作为光能利用率模型的输入数据。 4.2 晚稻地上部生物量反演精度

前人对EC-LUE模型的改进与验证几乎都在通量站点观测进行，而通量站均一的地表覆盖类型，导致EC-LUE模型即使是用8 d l km空间分辨率的MODIS（MOD13） NDVI数据，也可以平均解释全球36个FLUXNET站点大约90%的GPP变异性[45]。因此，EC-LUE模型被认为适用于模拟几乎所有类型生态系统的GPP。本研究探索将EC-LUE模型从点推广到面，对模型大部分数据进行了插值、融合处理，从模型反演晚稻地上部生物量的结果来看，该方法还有待进一步提升，这主要包括模型输入数据时间分辨率和空间分辨率两方面。

更密集的影像数据会有助于评估由ESTARFM算法融合得到的非逐日NDVI输人数据对水稻最终地上部生物量的模拟误差影响程度，因为非逐日输入数据可能会缩短水稻高生长期，从而导致EC-LUE模型低估了水稻地上部生物量。更精细的影像数据与气象数据，可以进一步提升本研究方法对水稻这种中小尺度生态系统GPP的模拟精度。

参考文献：

[1] ELERT E. Rice by the numbers：a good grain.[J].Nature， 2014，514（ 7524）：50-51.

[2]彭如梦，朱安，张思洁，等.节水灌溉方式对水稻产量和稻田土壤性状的影响综述[J].江苏农业科学，2018，46（ 23）： 31-35.

[3] BOUMAN B.How much water does rice use？ [J]. Rice Today.2009（1）：15.

[4]周炜，张岳芳，朱普平，等，种植制度对长江下游稻田温室气体排放的影响[J].江苏农业学报，2017，33（2）：340-345.

[5] SASS R L，CICERONE R J.Photosvnthate allocations in riceplants： food production or atmospheric methane？ [J]. PNAS，2002， 99（ 19）： 11993-11995.

[6]刘建君，陈红，黑龙江省水稻生产碳足迹分析[J].南方农业学报，2018，49（8）：1667-1673.

[7]陈劲松，黄健熙，林珲，等.基于遥感信息和作物生长模型同化的水稻估产方法研究[J].中国科学：信息科学，2010， 40（增刊）：173-183.

[8] ATA-UL-KARIM S T，LIU X. LU Z，et al-In-season estimationof rice grain yield using critical nitrogen dilution curve[J].FieldCrops Research， 2016， 195： 1-8.

[9] 彭代亮.基于統计与MODIS数据的水稻遥感估产方法研究[D]。杭州：浙江大学，2009.

[10]宁佐荣.基于MODIS数据的低山丘陵区水稻估产模型研究[D].重庆：西南大学，2014.

[11] ZHANG Y. YANC B. LIU X. et al.Estimation of rice grain yieldfrom dual-polarization Radarsat-2 SAR data by integrating a ricecanopy scattering model and a genetic algorithm[J].IntemationalJoumal of Applied Earth Observation&Geoinformation，2017，57： 75-85.

[12]孫雯，气候变暖对中国水稻生产的影响[D].南京：南京农业大学，2011.

[13]张峰.川渝地区农业气象干旱风险区划与损失评估研究[D].杭州：浙江大学，2013.

[14]柯跃进，胡学玉，易卿，等.水稻秸秆生物炭对耕地土壤有机碳及其C02释放的影响[J].环境科学，2014. 35（1）：93-99.

[15]陈印军，易小燕，方琳娜，等.中国耕地资源与粮食增产潜力分析[J].中国农业科学，2016，49（6）：1117-1131.

[16] VAN I'ITERSUM M K. LEFFELAAR P A， VAN K H， et al-Onapproaches and applications of the Wageningen crop models[J].European Journal of Agronomy， 2003， 18（3）：201-234.

[17]姜群鸥，基于AEZ模型的中国农业生产力的估算及其对耕地利用变化的响应[D].长沙：中南大学，2008.

[18]于大江，刘成忠，徐文强.基于农业生态区法（AEZ）模型的甘肃省玉米生产潜力分析[J].甘肃农业大学学报，2012. 47（4）：73-77.

[19] VAN DIEPEN C A. WOLF J，VAN KEULEN H. et al.WOFOST：a simulation model of crop production[J].Soil Use andManagement， 1989.5（1）：16-24.

[20]许小路.基于WOFOST模型的高温热害对江苏省水稻生长及产量的影响模拟[D].南京：南京信息T程大学，2015.

[21] WANC E， ROBERTSON M J， HAMMER G L， et al.Development of a generic crop model template in the cropping sys-tem model APSIM[J].European Journal of Agronomy， 2002， 18（1）：121-140.

[22] KEATING B A. CARBERRY P S，HAMMER G L，et al.An o-verview of APSIM， a model designed for farming systemssimulation[J] . European Journal of Agronomy， 2003 ， 18 （ 3 ） ：267-288.

[23] YUAN W P. LIU S C. ZHOU G S， et al. Deriving a light use effi- ciency model from eddy covariance flux data for predicting dailygross primary production across biomes [ J ] . A～Ticultural & Forest Meteorology， 2007 ， 143 （ 3 ） ： 189-207.

[24]CITELSON A A. PENG Y， ARKEBAUER T J， et al. Productivi-ty. absorbed photosyntheticaLly active radiation. and light use effi-ciency in crops： implications for remote sensing of crop primaryproduction [J] . Joumal of Plant Physiology， 2015 ， 177 ： 100-109.

[25] CITELSON A A. PENG Y. HUEMMRICH K F. Relationship be-tween fraction of radiation absorbed by photosynthesizing maize andsoybean canopies and NDVI from remotely sensed data taken atclose range and from MODIS 250 m resolution data[ J]. RemoteSensing of Environment， 2014， 147（ 10） ： 108-120.

[26] JIN C， XIAO X. WAGLE P. et al. Effects of in-situ andreanalysis climate data on estimation of cropland gross primary pro-duction using the Vegetation Photosynthesis Model [ J ].Agricultural & Forest Meteorology . 2015 ， 213（ 25 ） ： 240-250.

[27] CAO F， MASEK J， SCHWALLER M， et al. On the blending ofthe Landsat and MODIS surface reflectance ： predicting daily Land-sat surface reflectance [J] . IEEE Transactions on Ceoscience & Remote Sensing， 2006 . 44（ 8） ： 2207-2218.

[28] ZHU X， CHEN J， GAO F， et al. An enhanced spatial and tempo-ral adaptive reflectance fusion model for complex heterogeneous re-gions [J]. Remote Sensing of Environment， 2010， 114 （ ll） ：2610-2623.

[29] 11 X， LINC F， FOODY C M， et al. Cenerating a series of finespatial and temporal resolution land cover maps by fusing coarsespatial resolution remotely sensed images and fine spatial resolutionland cover maps[J] . Remote Sensing of Environment. 2017 . 196 ：293-311.

[30] EMELYANOVA I V， MCVICAR T R. VAN NIEL T C， et al. As-sessing the accuracy of blending Landsat-MODIS surfacereflectances in two landscapes with contrasting spatial and temporaldynamics： A framework for algorithm selection [J]. RemoteSensing of Environment， 2013， 133（ 12） ： 193-209.

[31] BAI L.CAI J. LIU Y. et al. Responses of field evapotranspirationto the changes of cropping pattern and groundwater depth in largeirrigation district of Yellow River basin [J] . Agricultural WaterManagement， 2017. 188 ： l-ll.

[32] DONG T， LIU J. QIAN B. et al. Estimating winter wheat biomassby assimilating leaf area index derived from fusion of Landsat-8 andMODIS data [J]. Intemational Journal of Applied EarthObservation and Ceoinformation， 2016. 49： 63-74.

[33] GARTNER P， FORSTER M， KLEINSCHMIT B. The benefit ofsynthetically generated RapidEye and Landsat 8 data fusion timeseries for riparian forest disturbance monitoring [J]. RemoteSensing of Environment. 2016， 177： 237-247.

[34] JARIHANI A， MCVICAR T， VAN NIEL T， et al. Blendinglandsat and MODIS data to generate multispectral indices：a Com-padson of 'index-then-blend' and 'blend-then-index'approaches[J].Remote Sensing，2014，6（10）：9213-9238.

[35]林怡輝，安建国.增城年鉴[M].广州：广东旅游出版社，2016.

[36]牛忠恩，闫慧敏，黄玫，等，基于MODIS.0LI遥感数据融合技术的农田生产力估算[J].自然资源学报，2016，31（5）： 875.885.

[37]WANG H，JIA G，FU C，et al.Dedving maximal light use em-ciency fmm cooIdinated nux measurements and satellite data for re-gional gross primary production modeling[J].Remote Sensing ofEnvironment，2010，114（10）：2248-2258.

[38]WANG Z，XIAO X，YAN X.Modeling gross primary production ofmaize cmpland and degmded grassland in northeastern China[J].Agricuhural and Forest Meteorology，2010，150（9）：1160-1167.

[39]YAN H M，FU Y L，XIAO X M，et al.Modeling gross pdmaryproductivity for winter wheat-maize double cropping system usingMODIS time sedes and C02 eddy nux tower data.[J].AgricuhIlreEcosystems&Environment，2009，129（4）：391-400.

[40]ZHANG Y，YU Q，JIANG J，et al.Calibration of TeITa/MODISgross pdmary production over an irrigated cropland on the NorthChina Plain and an alpine meadow on the Tibetan Plateau [J].Clobal Change Biology， 2010， 14（4） ： 757-767.

[41] YUAN W， LIU S， YU G. et al. Clobal estimates of evapotranspi- ration and gross primary production based on MODIS and globalmeteorology data [J] . Remote Sensing of Environment ， 2010， 114（7） ： 1416-1431.

[42] MYNENI R B， WILLIAMS D L. On the relationship between FA-PAR and NDVI[J]. Remote Sensing of Environment. 1994. 49（3） ： 200-211.

[43] MISSON， MONSON R K， SCHMID H P， et al. Midday values ofgross C02 flux and li#t use efficiency during sateLlite overpassescan be used to directly estimate eight-day mean flux [J] . Agricul-tural & Forest Meteorology， 2005 ， 131（ 1） ： 1-12.

[44] POTTER C S. RANDERSON J T. FIELD C B， et al. Terrestrialecosystem production： a process model based on global satelliteand surface data [J]. Global Biogeochemical Cycles， 1993， 7（4） ： 811-841.

[45] YUAN W， CHEN Y， XIA J. et al. Estimating crop yield using asatellite-based light use efficiency model [ J ]. EcologicalIndicators， 2016， 60 ： 702-709.