基于Sentinel-2归一化植被指数时序二阶导数反演饲草产量的方法研究

这篇研究创新性地利用Sentinel-2卫星时序数据，通过归一化植被指数（NDVI）二阶导数确定饲草生长关键期，结合标准水分生产率系数（WP）实现大范围产量估算。方法在西班牙萨拉曼卡7个农田验证中误差低于30%，相关系数超0.75，为精准农业提供高效卫星遥感解决方案。

　　

ABSTRACT

精准估算饲草产量对全球粮食供应链至关重要。本研究利用2021-2022年Sentinel-2时序影像，创新性地将AquaCrop模型中的作物蒸腾系数替换为NDVI插值，通过无人机影像验证的方法扩展到卫星尺度。实验在西班牙萨拉曼卡7个农田展开，结果表明该方法误差低于30%，相关系数达0.75以上，为快速大范围产量估算提供了新范式。

1 Introduction

雨养农业系统面临气候波动和土壤退化等多重挑战，饲草作为牲畜饲料的核心资源，其产量监测尤为关键。传统方法如深度学习作物模型虽精确但复杂度高，而NDVI因其多平台兼容性和直观性成为理想指标。研究团队前期基于无人机NDVI二阶导数的方法（Sánchez et al. 2023）通过识别生长拐点简化了AquaCrop模型，本研究旨在验证该方案在卫星尺度的适用性。

2 Materials and Methods

2.1 Study Area

实验位于西班牙卡斯蒂利亚-莱昂半干旱区，7块农田种植箭筈豌豆（Vicia sativa L.）与燕麦（Avena sativa L.）混作，平均面积6.6公顷。大陆性地中海气候年降水350-400mm，田间管理采用统一深耕施肥标准。

2.2 Data

2.2.1 Direct Yield Data

农户在乳熟期收获后通过田间称重与仓库复称双重验证，2021-2022年单产记录显示最高达7500 kg/ha（508-5地块）。

2.2.2 Satellite Imagery

采用Sentinel-2A/B的Level-2A地表反射率产品（10m分辨率），两年共31景无云影像覆盖生长季，红边与近红外波段用于NDVI计算。

2.3 Methods

2.3.1 NDVI Calculation

经典NDVI公式（NIR-Red）/（NIR+Red）反映植被绿度动态。

2.3.2 Spline Interpolation

三次样条插值生成日尺度NDVI曲线，解决卫星重访间隔问题。

2.3.3 Second Derivative

二阶导数局部极小值锁定生物量积累起止点（t₀与t），如图2所示2022年502地块NDVI曲线拐点对应4月初至5月底。

2.3.4 Forage Yield Estimation

将AquaCrop模型简化为：产量=∑NDVI×WP，其中标准水分生产率WP取18 g/m²。

2.3.5 Statistical Analysis

采用平均绝对误差（MAE%）、归一化均方根误差（RMSD_n%）和皮尔逊相关系数（R）验证，计算中引入观测值均值标准化处理。

3 Results

3.1 NDVI Curves

2021年NDVI曲线平缓（累计降水238.6mm），2022年呈陡峭平台期（降水123.4mm），反映气候对生长模式的显著影响（图3）。

3.2 Validation Statistics

2021年MAE仅14.5%（R=0.89），2022年误差增至27.4%但相关性更强（R=0.95）。整体RMSD_n为26.24%，508-4地块偏差最大（图5）。

4 Discussion

Sentinel-2 Level-2A数据无需专业校正即可使用，双星组网提升时间分辨率。与SAFY模型等相比，本方法RMSD_n优于向日葵估算误差（39%）。农户收割高度不一致可能引入验证误差，但干燥工艺的适应性证明方法鲁棒性。

5 Conclusions

二阶导数法成功实现卫星尺度饲草估产，误差控制在观测值1/3以内。未来需规范地面验证方法，该技术可支持农业统计年鉴编制与政策制定，尤其适用于地中海气候区混作系统。