基于GIS与遥感技术的印度哈里亚纳邦Hisar地区主粮作物产量空间变异性评估

为解决小麦种植面积和产量预测精度不足的问题，研究人员利用Sentinel-2多时相卫星数据，结合最大似然分类器(MLM)和修正Monteith模型，对印度Hisar地区Barwala区块2019-2020年Rabi季小麦进行空间评估。结果显示：种植面积估算相对偏差仅-1.07%，产量预测偏差9.3%，验证了高分辨率遥感在农业决策支持中的潜力，为区域粮食安全监测提供新方法。

　　

在全球粮食安全面临挑战的背景下，准确预测农作物产量成为农业管理的核心问题。印度作为世界第二大小麦生产国，其哈里亚纳邦贡献了全国12%的产量，但传统统计方法存在滞后性和空间分辨率不足的缺陷。尤其在小麦生长关键期，决策者亟需高精度数据来调控粮食储备、价格政策和国际贸易。

针对这一需求，国内HARSAC（哈里亚纳邦空间应用中心）的研究团队创新性地将卫星遥感技术与生理模型相结合，在《Revue Internationale de Geomatique》发表了关于Hisar地区小麦产量空间变异性的研究。该工作通过整合多源数据与作物生长机理模型，实现了从宏观尺度到田间尺度的精准监测突破。

研究主要采用三项关键技术：首先利用Sentinel-2卫星13个波段的多时相数据（2019年11月至2020年4月），通过最大似然分类器(MLM)完成小麦种植区提取；其次基于修正Monteith模型，耦合光合有效辐射(PAR)、吸收性光合有效辐射比例(fAPAR)和地表水分指数(LSWI)等参数计算净初级生产力(NPP)；最后通过收获指数(HI)将生物量转化为经济产量，建立首个区块级小麦产量空间分布图。

3.1 作物分类与识别
研究捕捉到小麦在近红外波段(NIR)的独特反射特征，3月影像显示其NDVI值达峰值0.271，与同期处于收获期的芥菜形成显著光谱差异。通过监督分类生成的冬小麦掩膜面积30,803公顷，与政府统计偏差仅-1.07%，验证了时序遥感数据在作物识别中的可靠性。

3.2.1 种植面积估算
分类结果经地面验证点校正后，生产者精度(PA)达93.32%。空间分布显示小麦集中分布于运河灌溉区，而城镇周边存在明显低产带，揭示出基础设施对农业生产的关键影响。

3.2.2 产量评估
模型输出的产量梯度图（30-50 q/ha）显示：40-50 q/ha高产区占主导（54.6%），与Bhakra运河系统的空间分布高度吻合；水分胁迫指数(LSWI)分析表明，SWIR-1波段对冠层含水量的敏感性是产量变异的主要驱动因素。最终估算平均产量5,451.65 q/ha，较官方数据偏差9.3%，证实半物理模型在区域应用的可行性。

3.2.3 精度验证
通过混淆矩阵评估，小麦分类的用户精度(UA)达100%，整体分类精度95%。产量模型中，光能利用效率(ε=1.1 g/MJ)和水分胁迫系数的动态校准是提升精度的关键。

这项研究的重要意义在于：首次在区块尺度实现"面积-产量"双要素的协同反演，为印度FASAL（空间农业预测）计划提供了可推广的技术框架。提出的NPP累积算法（NPP=PAR×fAPAR×ε×W_stress）突破了传统经验模型的局限，尤其适用于灌溉农业区的精准管理。未来通过融合微波遥感数据，可进一步解决云层覆盖对光学监测的制约，推动全球粮食安全预警系统的发展。