水稻作为我国的主栽作物,它的种植面积变化、长势优劣以及产量丰缺历来备受各级政府和社会大众的高度重视,也是国家和区域制定粮食政策和经济发展计划的重要依据。因此,水稻产量影响因素方面的研究、种植面积的监测以及水稻产量的估算对我国粮食安全具有重要意义。遥感数据具有更新及时、覆盖全面、客观准确的优势,它的广泛应用使得水稻长势的实时监测、大面积快速估产成为可能。近年来,基于遥感数据和以遥感技术为主的3S技术在水稻面积监测和产量估算方面的研究已经取得了一些成绩。但是地形复杂地区由于受田块破碎、气候变化、耕作制度差异、地形复杂和遥感数据质量等因素的影响,它的大面积水稻估产具有一定的局限性,估产精度普遍不高。重庆位于中国的西南部,属于典型的丘陵山地地貌,地形复杂、地势起伏大,区域问海拔差异显著,水田分布较为分散,水罔图斑破碎。且该区域气候条件潮湿、云量较大,雾气较重,遥感影像受云雾等的干扰较大,更增加了研究区大面积水稻估产的难度。目前为止对重庆市的水稻估产研究较少。重庆作为最年轻的直辖市,城市化水平不高,农业是经济发展的基础产业,水稻生产又在农业中占有重要地位,因此,弄清研究区的水稻分布特征、影响水稻估产的要素以及利用遥感影像数据和估产要素及时、准确的估算水稻产量,对重庆市的农业及经济发展具有重要的现实意义,也为其他丘陵山地水稻估产精度的提高和估产的产业化提供参考。本研究以重庆市为研究区域,利用Savizky-Golay滤波法对2003-2012年重庆市的MODIS-NDVI(Moderate Resolution Imaging Spectroradiometer-Normalized Difference Vegetation Index)数据进行去噪处理,建立不同区域尺度的水稻产量估算模型；然后通过对重庆市水稻种植区生态环境数据和水稻产量数据的分析,确定对水稻估产起主要作用的生态因子,并将这些估产要素加入上述模型,构建不同区域尺度水稻产量遥感数据与生态因子的复合模型,提高估算精度。主要方法和结论如下：(1)重庆市水稻种植区地形分布特征研究根据重庆市农业技术推广总站公布的种植业分区并考虑重庆市行政区划的完整性,将研究区划分为渝西丘陵区、渝中低山丘陵区、渝东南中低山区、渝东北中山区4个生态分区。分别从高程、坡度、坡向和坡位4个方面研究水稻种植区的地形分布特征。结果表明：不同的生态分区水稻种植区表现出不同的地形分布特征。渝西地区水稻种植面积占全市的48.7%,其中海拔200-400m、坡度6°以下、坡向为东向和东南向以及平坡位的区域水稻种植最为集中。渝中地区水稻种植面积占全市的35.1%,其水稻主要种植在海拔300-500m、坡度15°以下、坡向为西北向以及中坡位的区域。渝东南地区水稻种植面积占全市的7.4%,该区域水稻主要种植在海拔300-900m和坡度6-25°的区域,其中海拔300-400m和坡度6-15°的区域种植最多,坡向分布以东南和西向居多,坡位以中坡位居多。渝东北水稻种植面积占全市面积的8.8%,其水稻主要种植在海拔1000m以下和坡度6-25°的区域,其中海拔600-800m和坡度6-15°的区域分布最多,坡向分布以正南向最多,坡位以中坡位居多。(2)重庆市水稻种植区气候分布特征利用常规统计方法统计1985-2012年重庆市年均和水稻大田生育期(4-9月)的均温、同照、降水以及各年的变化差异。结果表明：重庆在近30年间,年平均气温17.52℃,日照时数1163.3h,降水量约1105mm；水稻大田生育期的平均气温23.75℃,同照时数838.46h,降水量约850mm。无论是年均还是在水稻大田生育期降水量的变异系数最大,分别为11.41%和15.78%。通过Mann-Kendall趋势检验法计算得出近30年来重庆市年均温在0.05的水平上呈显著上升趋势,降水量虽然有所下降,但是下降趋势不明显；同照上升趋势不明显；水稻大田生育期的均温在0.01的水平上呈显著上升趋势；降水量和同照呈下降趋势,但是下降趋势不明显。本研究还通过薄盘样条插值方法对水稻大田生育期各个气象因子进行空问结构模拟。结果表明：水稻的大田生育期多年平均气温以河谷和丘陵平坝等低海拔区域较高,随着海拔高度的增加,平均气温下降。水稻大罔生育期的同照以渝东北最强,相应日照时数最多,渝中地区次之,渝东南地区最少。水稻的大田生育期的降水随着时间推移降雨量逐渐增多,到6、7月份达到最大,然后又呈下降趋势。4-5月降水量主要集中在渝东南和渝中地区,其次是渝东北,渝西地区降水量最少。6月渝东南的降水量明显高于其他区域,7-9月渝东北降水量增加,有大于渝东南的趋势。(3)重庆市水稻种植区产量时空分布特征及影响因素研究通过一次线性模型建立重庆市水稻单产、总产与时间的关系,结果表明：1985-2012年近30年水稻单产呈显著上升趋势,水稻播种面积随时间呈显著下降的趋势；水稻总产有略微下降趋势,但是不显著。在长时间序列上,相关性分析结果表明降水与水稻单产呈显著正相关(P<0.1)。通径分析结果表明温差和日照对水稻产量有较大的直接作用,但是他们对水稻产量的作用又通过其他的气象因子被削弱。综合结果说明研究区在降水充足(灌溉条件有保障)的条件下,对水稻产量最重要的影响因素是温差和日照。利用2003-2012年重庆市各区县的水稻产量调查数据计算汇总得到不同生态分区下水稻产量统计数据。从空问分布特征看,水稻单产表现为渝西丘陵区>渝中低山丘陵区>渝东南低山丘陵区>渝东北中山区；水稻播种面积表现为渝西丘陵区>渝中低山丘陵区>渝东北中山区>渝东南低山丘陵区；水稻总产表现为渝西丘陵区>渝中低山丘陵区>渝东北中山区>渝东南低山丘陵区。为了进一步弄清水稻估产的主要影响因素,本研究以2008年的各乡镇产量地形气候数据为数据源,利用分类回归树(Classification And Regression Trees, CART)模型计算各个生态因子对水稻产量的相对重要性,结果表明：海拔高度相对较低,高差不大的区域,生态因子对水稻产量的影响以地形为主,如渝西地区。海拔高度相对较高,地形起伏大的区域,立体气候显著,生态因子对水稻产量的影响以气候为主,例如渝中、渝东北和渝东南地区。所有生态分区地形因子中又以坡度对水稻产量的影响最大。渝东南地区气候因子对水稻产量的影响以同照为主,而渝西、渝中和渝东北地区气候因子对水稻产量的影响以均温为主。(4)重庆市NDVI时空分布特征利用2003-2012年重庆市MODIS-NDVI数据,研究重庆市NDVI时空分布特征,重庆市年均NDVI值在0.54-0.59之间波动,十年间植被覆盖整体呈上升趋势,说明重庆市植被覆盖整体情况良好。NDVI空问分布特征表现为：渝东北>渝东南>渝中>渝西。利用大罔生育期水稻纯像元NDVI变化曲线研究不同生态分区、不同高程的水稻生长周期的差异。研究表明渝西、渝中和渝东北地区在NDVI达到最大值之前,同一时相的NDVI值低海拔地区通常高于高海拔地区,印证了低海拔地区的水稻生长发育时间要早于高海拔地区。渝东南地区与其他三个生态分区水稻NDVI变化曲线出现了明显的差异,渝东南地区水稻种植区NDVI达到最大值的时间整体比其他地区晚一个时相。印证了渝东南地区水稻的大田生育期相比同海拔的其他生态分区要延迟。水稻种植区NDVI与气候的关系表现为：5-6月NDVI与同照时数、平均温度显著正相关,与降水呈负相关；7、8月份NDVI与日照时数、平均温度显著负相关,与降水显著正相关。4月和9月仅同照与NDVI显著正相关。为了进一步研究NDVI与气候的关系,本研究利用干旱指数模型对2006年的特大旱情进行干旱精细化空间分布结构模拟,利用2006年干旱分级图分别提取相应区域的水稻种植区纯像元各时相的NDVI值,得到不同旱情区域NDVI变化曲线,结果表明干旱越严重的区域水稻种植区NDVI值下降越快,水稻种植区NDVI的下降趋势很好的表现出NDVI对干旱气候的响应。(5)基于县域尺度的水稻产量估算模型重庆特殊的地形地貌导致水田图斑分布较破碎,存在大量的混合像元,由于同一个县域范围,水稻的气候环境、土壤环境、管理水平等具有相似性,那么同区域内水稻的NDVI变化也具有相似性,因此本研究利用2003-2011年重点观察样区277个大田生育期水稻纯像元的各年各时相NDVI均值来代替该纯像元所在县的各年各时相水稻种植区NDVI均值,且利用NDVI均值乘以修正后的水稻种植区的面积之结果(ANDVI)来构建水稻产量估算模型,具体方法如下：1)多视角建立水稻估产模型。分区域和生态分区建立水稻估产模型。2)多方法建立水稻估产模型。利用逐步回归、BP神经网络、随机森林及支持向量机4种方法建立水稻估产模型。3)多因子建立水稻估产模型。分别建立ANDVI与水稻产量的估产模型以及ANDVI、气象数据与水稻产量的复合模型。并在此基础上,利用最优估产模型预测2012年县域水稻产量。结果表明基于分区的水稻产量估算模型比区域的水稻产量估算模型精度具有不同程度的提高；神经网络模型和支持向量机模型都表现出了较高的拟合精度,但是综合来看支持向量机模型更胜一筹；ANDVI与气候的水稻估产复合模型比单纯的ANDVI模型估算精度更高。为获取水稻估产的最佳时相,将水稻大田生育期的各时相对应的ANDVI值分别作为输入参数,利用区域和生态分区的水稻产量估算最优模型建模,通过拟合精度比较,指出县域尺度整个重庆区域水稻产量的最佳估算时相为1 85时相,渝西地区水稻估算的最佳时相仍然为185时相,渝中和渝东北为201,渝东南为217。各个生态分区由于气候、地形等条件不同,各个生育期的时间有一定的差异,所以水稻估算的最佳时相不同,但是都是处在水稻营养和生殖生长并进阶段。(6)基于乡镇尺度的水稻产量估算模型为了探索250m分辨率的NDVI数据对乡镇级水稻产量的估算能力,以2008年的重庆乡镇级产量数据为例,同样基于区域和生态分区两种思路,建立2008年各个乡镇大田生育期ANDVI与水稻总产以及ANDVI、地形和气候因子与水稻总产的逐步回归、BP神经网络、随机森林及支持向量机模型,取得了较好的拟合效果,并利用水稻产量最优遥感拟合模型对2009年乡镇级水稻产量进行预测。结果表明基于生态分区的遥感模型更具有适应性。而加入了气象和地形因子的生态分区遥感模型最优,再次说明了温度、降水、日照等气候条件以及地形条件对水稻产量影响的重要性。另外在乡镇尺度水稻产量估算模型中神经网络模型表现出了最优的拟合性能。为进一步确定不同区域最佳估算时相的差异性,以2008年水稻大田生育期的各时相对应的ANDVI值分别作为输入参数,利用区域和分区的水稻估产最优模型建模,结果表明：2008年乡镇尺度的区域水稻产量最佳估算时相为169时相。在各个生态分区中,渝西地区水稻估算的最佳时相为169时相,渝中和渝东北为185时相,渝东南为201时相。相比县域的多年数据拟合情况,均提前了一个时相,但是却体现出了同样的规律性,即渝中、渝东北地区最佳预测时相相同且比渝西地区晚一个时相,渝东南地区最佳预测时相比渝西晚两个时相；且最佳预测时期都是处在水稻生长发育的第二个阶段一一营养和生殖生长并进阶段。(7)基于村级尺度的水稻产量估算模型为研究250m分辨率NDVI对村级产量估算的适用性,并考察土壤因子对水稻估产模型的影响,本章以2007年重庆市合川的村级数据为例,收集了合川村级的产量数据、地形数据和土壤数据。由于小区域气候变化不明显,本章忽略气候变化对水稻产量的影响。首先利用CART模型计算各生态因子对水稻产量相对重要性。结果表明土壤因子对水稻产量的影响大于地形因子。土壤因子中碱解氮、速效钾和pH值的相对重要性达到了50%。地形因子中仅有坡度对水稻产量的相对重要性超过了50%。利用双线性插值法将NDVI数据重采样为空间分辨率为30m的影像图,通过合川1：l万土地利用现状数据提取水田分布。分别采用逐步回归、神经网络、支持向量机回归和随机森林4种方法建立村级ANDVI水稻产量估算模型和ANDVI与生态因子(选择对水稻产量相对重要性大于50%的因子进入模型)的复合估算模型。并利用水稻产量最优遥感拟合模型对2008年合川村级水稻产量进行预测。结果表明采用神经网络建立的ANDVI与生态因子的复合模型,决定系数为0.732,相对均方根误差为25.8%,具有最优的拟合性能。利用最优的ANDVI水稻产量估算模型求得合川村级水稻产量估算的最佳时相为185时相。