基于EVI-RBF的玉米长势监测及产量预测

唐俊 赵成萍 周新志 李博

摘要：近年来，农作物长势监测和产量预测研究大多是通过建立复杂的生长模型来实现的，而这往往不具有较强的推广性。本研究建立了一种基于植被指数和产量统计数据的玉米长势监测及产量预测方法。以玉米为研究对象，利用MODIS09A1数据建立其2000-2018年的增强型植被指数（EVI）时间序列，并将该序列作为径向基（RBF）神经网络的输入参数，下一阶段的EVI值或玉米产量作为网络的输出参数，完成玉米的长势监测及产量预测。该方法被成功应用到黑龙江省哈尔滨市宾县的玉米研究中，对玉米EVI值的预测精度达到了90.0%以上，产量预测相较于传统的线性回归模型也有明显提高，预测精度达到了98.6%。依赖植被指数和产量统计数据的长势监测及产量预测方法有较大的应用推广前景。

关键词：MODIS09A1;EVI-RBF;玉米;长势;产量

中图分类号：S127;S513文献标识码：A文章编号：1000-4440（2020）03-0577-07

Maize growth monitoring and yield prediction based on EVI-RBF

TANG Jun1，ZHAO Cheng-ping1，ZHOU Xin-zhi1，LI Bo2

（1.Electronic Information School， Sichuan University， Chengdu 610065， China;2.Joint Laboratory of Water Conservancy Informatization， Sichuan University， Chengdu 610065， China）

Abstract：In recent years， the research of maize growth monitoring and yield prediction is mostly achieved by building complex growth models， but these methods are not easy to be popularized. To overcome the problem， a method of maize growth monitoring and yield prediction was established based on vegetation index and statistical yield data. Taking maize as the research object， the enhanced vegetation index（EVI） time sequence from 2000 to 2018 of the maize was established by using MODIS09A1 data. Moreover， this time sequence was taken as the input parameter of radial basis function （RBF） neural network， and the values of EVI or maize yield in the next stage were taken as the output parameters. This method has been successfully applied to the research on maize in Binxian County， Harbin City， Heilongjiang province， with the prediction accuracy of over 90% for the value of EVI. Compared with the results based on conventional linear regression forecasting method， the prediction accuracy of yield based on the proposed method in this study was significantly improved. In conclusion， the method of growth monitoring and yield prediction based on vegetation index and statistical yield data has a great application prospect.

Key words：MODIS09A1;EVI-RBF;maize;growth;yield

監测作物生长状况，预测作物产量对国家粮食安全和农业可持续发展至关重要[1]。遥感技术已被广泛用于作物生长状况监测以及产量预测研究[2]，特别是植被指数，如归一化差异植被指数（NDVI）已被广泛用于产量预测[3-4]。此外，叶面积指数（LAI）[5]、增强型植被指数（EVI）[6-7]、标准化差异水指数（NDWI）[2]等也用于预测作物产量。长期以来，作物生长状况的信息是通过实地调查获得的，虽然这种方法调查的信息准确，但耗费了大量的时间、人力、物力，调查效率较低，而且其调查领域受到限制。随着地理空间科学技术的发展，遥感技术越来越多地应用于作物生长状况监测[8-10]。基于遥感技术的长势监测方法发展迅速，主要包括影像分类法、同期对比法、作物生长过程监测法、作物生长过程模型法等。同期对比法通过建立与作物生长密切相关的植被指数序列，结合辅助统计数据，比较历年间的差异，以达到监测长势的目的，该法简单易行，在一定时间内得到了较为广泛的应用。近年来，更多研究考虑将植被指数以外的辅助环境变量（如太阳辐射、温度、土壤湿度等）融入作物生长过程模型。Seo等[11]通过NDVI及作物生长过程模型模拟生物量，监测作物长势。

作物产量可采用多种模型进行估算，如基于半物理遥感的作物产量模型，基于卫星指数的作物产量模型，基于相关加权的农业气象模型以及作物模拟模型。很多研究使用作物生长模型在不同尺度上进行作物长势监测和产量预测[12-16]。Parida等[17]通过建立种植面积与产量的线性回归模型，完成了产量预测。Guo等[18]通过提高样本集的精度，更准确地预测小麦生长指标和产量。Pede等[19]利用卫星衍生的地表温度推导生长度日，进而预测玉米的平均产量。Jha等[20]使用气象数据完成了水稻产量的预测。Nevavuori等[21]利用无人机获取的多光谱数据，开发了一个基于卷积神经网络（CNN）的深度学习框架，完成了玉米产量的预测。Niedbala等[22]基于气象数据和化肥效应完成了冬小麦产量的预测。Li等[23]结合积温、EVI及气象统计数据建立模型，完成了玉米产量的预测。Skakun等[24]利用Landsat 8和Sentinel-2数据建立冬小麦产量评估经验模型，研究反射率和各植被指数与产量的关系。农作物产量预测研究方法大致可分为改进模型、改进数据质量以及应用神经网络或机器学习等。

在每个区域建立作物生长模型是不切实际的，因为该模型需要除遥感数据以外的大量辅助数据，而这些辅助数据一般获取困难，使得该法的推广性不强。本研究拟基于EVI时间序列和产量统计数据建立EVI-RBF模型及产量-RBF模型，其中EVI-RBF模型用于预测EVI值，进而预测长势，而产量-RBF模型则用于预测产量，以期完成作物长势及产量的高精度预测，协助有关部门提前调控农业生产活动，实现增产增收。

1材料与方法

1.1研究区域概况

图1显示，研究区域位于黑龙江省中部的宾县。宾县地处松花江南岸，地跨东经126°55′41″～128°19′17″，北纬45°30′37″～46°01′20″，总面积3 844.6 km2，主要作物有水稻、大豆、玉米等，其中玉米是典型的一年一熟制，4月底至5月初为玉米的播种期，9月底至10月初为玉米的收割期。

1.2数据源

本研究以Terra/Aqua上的MODIS陆地三级标准数据产品-地表反射率产品（MODIS09A1）为主要数据源。此数据源的特点是空间分辨率适中，可免费获取，时间间隔为8 d，包含7个反射率波段，其中波段1～2的空间分辨率为250 m，波段3～7空间分辨率为500 m。整个宾县的研究区域需要h26v04和h27v04共2景MODIS影像实现全覆盖。从美国USGS EROS数据中心下载了黑龙江省哈尔滨市宾县2000-2018年玉米所有生长阶段（4月23日到10月16日）的图像，并基于Google Earth Engine平台对MODIS数据进行批量拼接和裁剪工作。

1.3技术路线

图2显示，本研究采用MODIS09A1数据，经投影转换、数据重采样和图像裁剪后，获取可用的反射率数据，再利用多时相阈值法筛选出仅包含玉米的区域，进而提取玉米的EVI值，并建立玉米2000-2018年的EVI时间序列，该序列不仅能够用于监测作物长势，还可以应用到预测模型中。在EVI-RBF模型中完成EVI值的预测，将预测的EVI值与同期EVI值进行差异比较并完成长势划分，进而实现长势的预测。同时，也可以将EVI时间序列输入到产量-RBF模型中，完成玉米产量的预测。

NDVI：归一化差异植被指数;LSWI：地表水分指数;EVI：增强型植被指数;RBF：径向基。

1.3.1数据预处理MODIS09A1数据已经经过了云筛选、大气校正及几何校正[25]，但还需要对遥感图像做如下处理：

（1）利用ENVI软件将下载的图像投影转换至WGS84坐标系。

（2）数据重采样。采用重采样精度最高的三次卷积法将500 m分辨率波段重采样至250 m。

（3）图像裁剪。以宾县的行政边界为基础，利用ArcGIS软件导出宾县的SHP文件，利用此SHP文件对重采样后的图像进行裁剪。

（4）玉米区域筛选。利用裁剪的宾县遥感图像，结合宾县当地的种植模式，基于公式（1）、公式（2）提取的地表水分指数（LSWI）和NDVI，采用多时相阈值法进一步去除干扰区域。

（5）计算EVI值。通过公式（3）计算筛选出图像的EVI值，以供后续研究使用。

其中，ρNIR、ρRED、ρBLUE、ρSWIR1分别表示近红外波段、红光波段、蓝光波段及短波紅外1波段的反射率。

使用MODIS09A1数据简化了预处理过程，对每副图像数据的处理仅需要180 s，缩短了对县级尺度农作物长势监测的预处理时间。

1.3.2长势监测长势监测包含作物长势过程监测和作物实时监测。作物长势过程监测通过建立植被指数时间序列，形成作物生长过程的动态曲线，对比曲线的差异，分析作物的整体长势，同时结合产量的统计数据进行验证。作物实时监测则是通过比较历史同时段植被指数，对差异值进行分级、统计，反映作物的实时生长状况[26-27]。

本研究利用建立的EVI时间序列，通过对比研究当年、前一年、丰产年的数据，完成作物长势过程监测。在作物实时监测的基础上，不再对实时的同期图像进行差异等级划分，而是根据历史数据库同时段图像的EVI均值对作物长势进行划分，可以更直观地了解作物长势的历史差异，同时可增强后续研究工作中对EVI值预测的实际意义。

1.3.3预测模型径向基（RBF）神经网络的设计简单，并且具有良好的局部逼近性能，所以常常用于解决非线性问题[28]。图3显示，EVI时间序列与作物长势、产量均存在较大联系，而这种联系往往不是线性的，故可将EVI时间序列作为径向基神经网络输入参数，产量或者EVI值作为网络输出参数，得到产量-RBF模型和EVI-RBF模型。