基于Sentinel-2多时相遥感数据的印度哈里亚纳邦小麦种植面积与产量精准估算模型研究

本研究利用Sentinel-2多时相卫星数据，结合改进的Monteith模型（Modified Monteith Model），对印度哈里亚纳邦Barwala区块2019-2020年Rabi季小麦进行种植面积估算（相对偏差-1.07%）和产量预测（相对偏差9.3%），通过PAR（光合有效辐射）、fAPAR（吸收光合有效辐射比例）及LSWI（地表水分指数）等参数构建半物理模型，为区域农业政策制定提供高精度遥感技术支持。

　　

在印度这个农业大国，小麦作为第二大粮食作物，其产量预测直接关系到国家粮食安全和经济政策制定。然而传统作物统计方法依赖人工采样，存在耗时费力、数据滞后等问题。尤其在哈里亚纳邦——这个贡献全国12%小麦产量的"印度粮仓"，快速精准的产量评估对平衡供需、稳定价格至关重要。

印度空间应用中心的研究人员创新性地将目光投向太空，利用欧空局Sentinel-2卫星的高时空分辨率优势（2-3天重访周期，13个光谱波段），对Hisar地区Barwala区块展开研究。通过捕捉小麦从幼苗期到成熟期（2019年11月至2020年4月）的全生长周期光谱特征，结合改进的Monteith模型，首次在区块尺度实现小麦面积与产量的同步精准估算。相关成果发表在《Revue Internationale de Geomatique》期刊，为发展中国家农业遥感监测提供了可复制的技术范式。

研究团队采用三项核心技术：1）基于最大似然分类器（MLC）的监督分类，利用3月峰值生长期的影像区分小麦与芥菜等作物；2）通过NDVI（归一化植被指数）和LSWI构建水分胁迫因子，后者采用近红外（NIR，Band 8）与短波红外（SWIR-1，Band 11）波段计算；3）改进Monteith模型整合PAR（来自MOSDAC门户）、MODIS fAPAR数据及0.4的收获指数（HI），逐旬计算净初级生产力（NPP=PAR×fAPAR×ε×W_stress）。

【作物鉴别与分类】
多时相Sentinel-2数据揭示：3月第一周为小麦营养生长峰值期，其近红外波段反射率显著高于处于收获期的芥菜。光谱特征分析显示，健康小麦在NIR（Band 8）反射率达0.271，而水体在所有波段反射率最低，为分类提供可靠依据。

【产量预估】
模型计算显示区块平均产量为5451.65 kg/ha，空间分布图呈现明显地域差异：运河周边区域产量超50 q/ha，而建成区周边不足30 q/ha。与哈里亚纳邦农业厅统计数据相比，面积估算偏差仅-1.07%，产量预测偏差9.4%，验证了模型的可靠性。

【精度验证】
混淆矩阵分析表明：小麦的生产者精度（PA）达93.32%，用户精度（UA）100%；芥菜的UA为93.75%。总体分类精度95%，Kappa系数0.92，满足农业遥感应用需求。

这项研究的重要意义在于：1）首次证明10米分辨率Sentinel-2数据可用于区块级（476.82 km²）小麦精准监测；2）改进Monteith模型通过整合水分胁迫因子（LSWI）提升干旱区产量预测精度；3）为印度FASAL（空间农业预测）计划提供技术储备。不过研究者也指出，辐射利用效率（ε）的时空异质性及土壤参数缺失可能影响模型普适性，未来需结合无人机与地面传感器构建"空-天-地"一体化监测网络。这项成果不仅适用于小麦，其技术框架还可扩展至水稻、棉花等主要作物，为全球粮食安全预警提供新思路。