基于遥感技术的小型农场小麦产量估算：以Sentinel-2时间序列数据为例

《Remote Sensing Applications: Society and Environment》：Remote Sensing-Based Wheat Yield Estimation for Small Farms Using Sentinel-2 Time Series Data

准确估算农田小麦产量对农业政策制定至关重要。本研究基于Sentinel-2 MSI卫星数据，构建了包含WDRVI（绿度）、NGRDI（叶绿素含量）和NDWI2（水分胁迫）的多植被指数非线性回归模型，通过分析印度拉贾斯坦邦贾布尔纳尔地区2020-2021年Rabi季小麦生长各阶段数据，发现这三个指数在除收获期和冠根启动期外的所有生长阶段均与产量呈现显著正相关（Spearman相关系数ρ>0.6）。模型验证显示，2020-2021年Rabi季预测精度达RMSE 0.38吨/公顷、R2 0.78，证实了高分辨率遥感数据在农田尺度产量估算中的有效性。

　　这项研究旨在利用遥感数据开发一种多变量非线性模型，以在田间尺度上预测小麦产量。准确的小麦产量估算对于制定与市场策略、贸易决策、储存计划和粮食安全相关的政策至关重要。然而，在田间尺度上利用遥感数据进行作物产量估算仍然面临诸多挑战。为了克服这一难题，研究者在印度拉贾斯坦邦的Kanwar Ka Bas村庄进行了实地调查，该村庄位于Jaipur区，属于拉贾斯坦邦的III-A农业气候区，具有半干旱的气候特征。研究使用了无云的Sentinel-2 MSI卫星图像，这些图像覆盖了小麦生长期间，用于生成多种植被指数的时间序列，这些植被指数被分为三类：绿色度、叶绿素含量和干旱度指标。

通过Spearman秩相关系数（ρ）评估了植被指数与小麦产量之间的关系，涵盖了不同生长阶段及其组合，特别是在Rabi季节（11月至3月）的2020-2021年期间。随后，研究者利用最显著的植被指数构建了单变量和多变量回归模型，以预测产量。模型的性能通过统计指标进行评估，包括均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R2）。研究结果表明，Wide Dynamic Range Vegetation Index（WDRVI）、Normalized Green-Red Difference Index（NGRDI）和Normalized Difference Water Index-2（NDWI2）在结合不同生长阶段（除收获和冠根启动阶段外）的情况下，与小麦产量表现出较强的关联性。其中，表现最佳的多变量回归模型在2019-2020年Rabi季节预测小麦产量时，RMSE为0.38吨/公顷，R2为0.78，这展示了基于遥感数据的植被指数在不同农业环境中估算田间小麦产量的潜力。

研究的背景表明，预测作物生物量和产量对于农业管理具有重要意义。早期预测能够帮助识别潜在威胁，如病虫害、养分缺乏或水分胁迫，这些威胁可能导致作物减产。及时采取纠正措施有助于减少产量损失，同时支持作物保险计划的制定，使保险公司和农民能够在不利事件发生时准确评估补偿金额。此外，产量预测还为农民提供了实施适当农业实践的早期预警，有助于作物健康监测、供应链管理和农业政策的制定。对于国家而言，这种预测能力对于经济建设和粮食安全策略也具有重要贡献。

尽管已有多种方法用于作物产量估算，例如作物收割实验法、作物模拟模型和基于遥感数据的植被指数模型，但每种方法都有其局限性。作物收割实验法虽然较为准确和可靠，但在大规模应用时却显得繁琐、耗时且需要大量人力。作物模拟模型在产量估算中广泛应用，但其准确性依赖于大量的输入数据，这在异质性作物种植条件下会受到限制。近年来，遥感技术作为作物健康监测、氮素缺乏和水分胁迫检测的变革性工具，被证明在作物产量估算方面具有显著优势。将遥感数据衍生的植被指数整合到回归模型中，不仅提高了作物产量预测的可靠性，还增强了对初级生产力的监测能力。

不同类型的植被指数，如归一化植被指数（NDVI）、土壤调整植被指数（SAVI）、NGRDI、增强植被指数（EVI）、绿色叶绿素植被指数（GCVI）等，被广泛用于作物产量监测和预测。然而，作物产量不仅依赖于植被指数，还受到作物生长阶段的影响。研究发现，特定植被指数与作物产量之间的强相关性在不同生长阶段之间存在显著差异。例如，NDVI和EVI在棉花开花阶段对产量预测更为重要，而玉米的产量估算则在播种后65-75天最为关键。因此，选择能够覆盖所有生长阶段的植被指数仍然是一个挑战。

遥感数据衍生的植被指数可以从多光谱和高光谱数据中获得，这些指数能够精确检测作物因形态、生理或生化变化而产生的胁迫情况，这些情况是预测潜在产量损失的关键指标。尽管遥感技术具有这种潜力，但在将其应用于田间尺度的产量预测时，仍然受到空间分辨率粗略和时间数据获取有限的限制。目前，大多数产量预测模型基于粗分辨率的MODIS数据（250米）或30-60米的Landsat数据，这限制了其在小规模农田监测中的应用。特别是在像印度这样的国家，平均农田面积约为1.2公顷，这种粗分辨率的平台难以捕捉小农户地块中的细尺度变化。因此，高分辨率的卫星数据在作物健康监测和产量估算中发挥着关键作用。在这一背景下，Copernicus Sentinel-2 MSI卫星数据因其10米的空间分辨率和5天的重访周期，能够有效解决这些限制。

研究的主要目标包括评估不同类型的植被指数（如绿色度、氮素和干旱度）在小麦产量估算中的互补性能，以及构建一个整合多变量的非线性产量估算模型框架，适用于田间尺度。研究的实施过程中，首先对研究区域进行了详细的分析，该区域位于Jaipur区的Jhotwara Panchayat Samiti行政区域内，地理坐标介于26°23'N至27°51'N纬度和74°55'E至75°50'E经度之间。该地区土壤类型以沙质土壤为主，具有半干旱的气候特征，夏季炎热。

为了收集观测数据，研究者进行了两次田间调查，使用GPS GNSS接收器记录每个作物地块的位置、作物类型和Rabi季节的产量，时间范围为2019-2020年和2020-2021年。作物产量信息来源于农户的农场记录簿，这些记录簿是农户日常农场管理的一部分，提供了关于投入（如肥料使用）和产出（如作物产量）的信息。为了确保报告的产量数据的可靠性，研究者还进行了作物收割实验，以验证数据的准确性。

通过敏感性分析，研究者探讨了遥感指数、作物生长阶段和实际作物产量之间的关系。Sentinel-2 MSI数据被用于捕捉小麦作物的生长阶段，研究者对17种植被指数在不同生长阶段及其组合下的关系进行了分析，使用Spearman秩相关系数进行评估。研究生成了一张热图，以展示Spearman秩相关系数的变化趋势，如图5所示。热图清晰地显示了不同植被指数与实际产量之间的关系模式，特别是在Rabi季节的2020-2021年期间。

讨论部分指出，这项研究展示了基于遥感数据的植被指数在田间尺度上预测作物产量的有效性。关键的植被指数，如WDRVI、NGRDI和NDWI2，分别代表了作物的绿色度、叶绿素含量和干旱度等生长特性，被选用于产量预测模型。通过敏感性分析，研究者发现并非所有植被指数都对产量建模有显著贡献。相反，有三种指数被识别为对产量预测最为关键。这些指数在结合不同生长阶段（除收获和冠根启动阶段外）的情况下，与实际产量表现出较强的相关性。

研究的结论表明，通过整合田间数据和基于遥感的非线性回归模型，可以有效预测小麦作物的产量。这些关键的植被指数，即WDRVI、NGRDI和NDWI2，是通过高分辨率的Sentinel-2 MSI卫星数据获取的。敏感性分析显示，这些选定的植被指数与实际产量在“except_har_cri”阶段（即除收获和冠根启动阶段外）之间表现出良好的相关性。因此，基于遥感数据的植被指数在田间尺度上具有较高的应用价值，特别是在监测作物生长和预测产量方面。

研究的局限性和未来研究方向指出，本研究仅使用了Kanwar Ka Bas村庄的两年（2019-2020年和2020-2021年）的Rabi季节作物数据进行模型开发和验证。为了进一步提高模型的效率和准确性，可以考虑使用更多年份和更多地区的数据集。此外，将气象因素如降雨和温度纳入到产量预测模型中，将有助于更全面地评估影响产量的环境条件。未来的研究还可以关注多地区数据、动态作物日历和农业气象因素的整合，以提升产量预测的精度和适用性。

研究的作者贡献声明表明，Mahesh Kumar Jat负责论文的撰写、审阅和编辑，以及监督、项目管理、方法论和调查工作。Sudesh Singh Choudhary则负责论文的原始撰写、可视化、验证、方法论、调查、形式分析、数据管理、概念设计。研究的参考文献部分提到了一些未引用的文献，如Gitelson和Merzlyak（1994）、Gitelson等（2005）、Hazell（2013）、Li等（2024）、Liao等（2023）、Mezera等（2021）、Potgieter等（2018）、Rodriguez等（2006）和Van Klompenburg等（2020）。

研究的声明部分表明，作者们声明他们没有已知的可能影响研究结果的财务利益或个人关系。数据可用性声明指出，研究数据将在请求时提供。代码可用性声明表明，研究中使用的代码将在合理请求后提供给通讯作者。伦理声明指出，作者们声明，根据他们的知识，该提交没有潜在的伦理问题。最后，致谢部分感谢了当地农民在田间数据收集和作物收割实验中的支持，以及Malaviya国家理工学院（MNIT）Jaipur校区为研究提供的实验室设施。