多时相MODIS EVI和NDVI数据对比分析用于大规模水稻估产

摘要：水稻是世界上最重要的粮食作物之一，因此，大规模的水稻产量估计对于规划者制定成功的战略来解决粮食安全和稻谷出口问题至关重要。本研究对多时相中分辨率成像光谱仪(MODIS)增强植被指数(EVI)和归一化差异指数(NDVI)数据进行了比较分析。估计越南湄公河三角洲(MRD)的水稻产量。我们按以下三个主要步骤处理了10年(2002-2011年)的数据：(1)创建平滑的EVI和NDVI数据时间序列，(2)建立作物产量模型；(3)对模型进行验证。基于EVI/NDVI的估测产量与政府的产量统计数据之间的比较结果表明，两个数据集(p值lt;0.001)。基于EVI模型的估算结果略高于基于NDVI模型的估算结果，春冬作物的相关系数(R2)在0.62~0.71之间，夏秋水稻作物的相关系数(R2)在0.4~0.56之间。用于衡量模型精度的均方根误差(RMSE)和平均绝对误差(MAE)揭示了基于EVI的估计产量与政府产量统计数据之间的一致性。冬春和夏秋作物的RMSE值分别为6.9-8.1%和5.4-6.7%，MAE值分别为5.4-6.7%和6.5-9.5%。然而，基于植被指数和植被指数的模型所获得的估测产量之间存在显著的相关性(p值lt;0.001)，表明这两个模型之间的估测产量没有显著差异。本研究论证了利用多时相MODIS EVI数据在水稻收获期前利用MRD中的抽穗期进行大规模估产的优越性，因此该方法可以推广到其他地区。

关键词：MODIS；水稻作物；估产；平滑；湄公河三角洲

1.引言

稻米是世界一半以上人口最重要的粮食作物之一(FAO，2004年)，稻米农业在东南亚国家的经济中扮演着关键角色(Evenson和Rosegant，2003年；Timmer，2009年)，这些国家每年生产约1.5亿吨稻米谷物(或世界稻米产量的25%)(Raitzer等人，2009年)。其中，越南生产了约4000万吨大米(GSO，2010年)，使该国成为世界第二大大米出口国(FAO，2011年)。越南的大米生产主要来自两个三角洲，北部的红河三角洲和南部的湄公河三角洲(MRD)。这两个三角洲的地形大多是高原，据报道，这两个地区是世界上最容易受到气候变化影响的地区之一(Dasgupta等人，2009年；Ericson等人，2006年；政府间气候变化专门委员会，2007年；世界银行，2010年)。气候影响(例如，干旱、洪水、疾病和盐度入侵)可能破坏水稻生产(Masutomi等人，2009；Matthews和Wassmann，2003；Matthews，1995；Matthews等人，1997；Parry等人，1999)，从而破坏大米价格和。制造粮食安全问题(Parry等人，1999年；Parry等人，2005年；Rosenzweig和Parry，1994年)。因此，农业规划者需要对水稻产量进行可靠、大规模的估计，以制定及时、成功的战略，以应对粮食挑战和稻谷出口。

在过去的几十年里，遥感已经成功地用于估测和监测产量，这是因为它能够获取。大区域的时空数据(Barnett和Thompson，1983；Groten，1993；Hamar等人，1996；Hatfield，1983；Johnson，2014年)。在这项研究中，中分辨率成像光谱仪(MODIS)数据被用于水稻估产，因为它们覆盖范围广，光谱和时间分辨率都很高，因此可以及时获得估产信息。MODIS数据已成功地用于产量估计和预测(Bala和Islam，2009年；Doraiswamy等人，2004年；Huang等人，2012年；Mkhabela等人，2011年；Ren等人，2008年；Shunlin等人，2004年；Son等人，2013C)。在里面特别地，研究使用了遥感植被指数，例如归一化差异植被指数(NDVI)(Kastens等人，2005年；Mkhabela等人，2011年；Mkhabela等人，2005年；Moriondo等人，2007年；Quarmby等人，1993年；Ren等人，2008年)，增强型植被指数(EVI)(Bolton和Friedl，2013；KYoung gdo等人，2013；Shunlin等人，2004年)，和土壤调整的植被指数(Savi)(Gontia和Tiwari，2011；Mandal等人，2007；Noureldin等人，2013年；Panda等人，2010年)。

利用近红外(NIR)和红波段的NDVI与冠层背景变化高度相关，因此是目前应用最广泛的作物估产和预测植被指数(Rouse等，1974)。然而，这个指数揭示了与土壤背景亮度相关的一些限制(Bausch，1993；Elvidge和Lyon，1985)，以及在高生物量值下的饱和问题(Carlson和Ripley，1997；Santin-Janin et al.，2009；Stroppiana等人，2012年；Turner等人，1999年)。SAVI可以克服NDVI固有的土壤“噪声”(Huete，1988)，SAVI使用土壤调节因子来解释一阶、非线性、差分近红外和通过树冠的红色辐射传输，从而最大限度地减少土壤亮度变化，并消除对不同土壤进行额外校准的需要(Huete和Liu，1994；Miura等人，2000)。

不同物候期的作物生物量与卫星植被指数的相关程度不同。

不同气候条件下植物生长的物候变化(Cohen等人，2003年；Davi等人，2006年；Kamthonkiat等人，2005年；Wang等人，2005年)。由于最终产量与灌浆期绿色生物量的持续时间有关(Hatfield，1983)，叶片恒定期或抽穗期NDVI的饱和问题可能导致作物产量的估计不准确。植被指数的饱和度和土壤噪声问题可以通过利用生态植被指数来克服，该植被指数是通过分离树冠背景信号和减少大气影响而构建的(Chen等人，2005年；Fangping等人，2007年；Fensholt等人，2004年；Huete等人，2002年；Huete等人，1997年；Miura等人，2001年；Potithep等人，2013年)。因此，环境影响指数是跟踪作物生长物候事件以及评估和监测作物和常绿植被季节变化的有效指标(Fangping等人，2007年；Gurung等人，2009年；Potgieter等人，2007年；Wardlow等人，2007年b)。由于水稻产量与抽穗期的最大生物量高度相关(Lam-Dao，2009)，先前的研究表明，成熟期作物产量与植被指数之间的相关系数最高(Son等人，2013C)，和籽粒灌浆期(BeneDetti和Rossini，1993；Knudby，2004；Labus等人，2002；Shanahan等人，2001；Shibayama和秋山，1991)。因此，我们假设在抽穗期前后EVI/NDVI值的时间积累将与水稻产量显著相关。

这项研究的主要目的是开发一种方法来弥合MODIS EVI的有效性之间的研究差距和NDVI数据用于越南MRD从2002年到2011年的10年间水稻作物的大规模产量估计。预测水稻产量与抽穗期前后EVI/NDVI值的时间积累之间存在显着相关性的假设也得到了检验。

2.研究区域

研究区域位于越南南部，占地约4万平方公里(图1)。大米是主要的经济作物，为该研究地区的1700多万人提供就业和生计(GSO，2011)。这里的气候是热带季风，有两个截然不同的季节：雨季(5-11月)和旱季。雨季(12月-4月)；总降水量的80%以上出现在雨季。水稻产量取决于灌溉的可用性。冬春(11月至12月至2月至3月)和夏秋(4月至5月至7月至8月)是该地区水稻的两个主要种植季节。由于更有利的天气和灌溉条件，冬春作物通常比夏秋作物提供更高的水稻产量(图2)。该地区的水稻品种都是短期品种(90-100天)。水稻播种期后的植株循环特征是通过增加株高和抽穗期的分蘖数来实现。抽穗后，水稻植株停止生长，叶片开始向何处生长并死亡。从播种到抽穗和从抽穗到收获期的时间分别约为60天和30天(Chen等人，2012年)。

图 1.参考越南的国家地理，研究区域显示了三种主要水稻种植制度的时空分布，并覆盖了行政区域边界。

图2.2002-2011年各省统计年鉴中冬春和夏秋作物的平均水稻产量。

3.数据采集

3.1MODIS数据

MODIS/Terra 8天L3全球500m正弦网格V005(MOD09A1)的表面反射率(MOD09A1)是从美国国家航空航天局(National Aeronautics)和美国国家航空航天局(NSA)获得的。这项研究使用了美国国家航空航天局(NASA)2002年至2011年水稻种植季节(2001年11月至2011年12月)的观测数据。之所以选择这一时期，是因为可以获得水稻作物的地面参考数据和区域产量统计数据。MOD09A1产品由MODIS Level-2G产品(MOD09GA)组成，每个像素包含基于高观测覆盖率、低视角的8天内可能的最佳观测角度，无云或云影，以及气溶胶负荷。数据由7个光谱波段组成，空间分辨率为500m。MOD09A1数据之前已经通过几个地面事实和验证努力在广泛分布的一组和时间段内进行了辐射校正和评估(Solano等人，2010年；Vermote等人，2008年；Wardlow等人，2007a；Zhang等人，2003年)，因此准备用于科学调查(Vermote等人，2008年)。

3.2水稻作物产量统计

研究区域内两种主要水稻作物(冬春和夏秋两季)的区域产量统计数据来源于省统计局2002-2011年的水稻种植季节。统计数据被引用为干燥、清洁的稻米产量，其中不包括收获、运输和脱粒过程中的损失，除以一个地区内水稻种植季节的总收获面积。我们还从越南副国家农业规划与预测研究所收集了2002年水稻种植图(比例尺：1：25万)，并用它来验证非水稻区域的掩蔽结果。

4.方法

4.1.创建平滑的植被指数时间序列

使用正弦投影格式化的MODIS数据首先被重新投影到Universal Transverse Mercator坐标系统(48N区)；然后在研究区域内对数据进行子集。EVI和NDVI随后使用以下方程式：

其中红色(620-670 nm)、近红外(841-876 nm)和蓝色(459-479 nm)分别是MODIS带1、2和3。为了创建2002-2011年水稻种植季节这两个指数的时间序列数据，我们首先计算了每8天MODIS图像的这两个指数。对于每个索引，随后创建了468张图像；然后将每个索引的图像堆叠成一个具有468个波段的8天合成场景。

EVI和NDVI数据的时间序列包含一些使用复杂的大气过程无法消除的单独波段噪声。在滤除噪声的情况下，如果蓝色波段的反射率值大于0.2，则首先去除被厚云层污染的像素，然后使用线性插值方法将缺失的值替换为来自时间序列剖面的新值。然后应用经验模式分解(EMD)方法(Huang等人，1998)从时间序列数据中过滤出这种噪声(Chen等人，2011b；Son等人，2013a，b)。将EMD处理后的时间序列数据分解为8

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[596026]，资料为PDF文档或Word文档，PDF文档可免费转换为Word