吴亚鹏, 贺利, 王洋洋, 刘北城, 王永华, 郭天财, 冯伟^,*河南农业大学农学院/国家小麦工程技术研究中心, 河南郑州 450046

Dynamic model of vegetation indices for biomass and nitrogen accumulation in winter wheat

WU Ya-Peng, HE Li, WANG Yang-Yang, LIU Bei-Cheng, WANG Yong-Hua, GUO Tian-Cai, FENG Wei^,*College of Agronomy/National Engineering Research Center for Wheat, Henan Agricultural University, Zhengzhou 450046, Henan, China

通讯作者: *冯伟, E-mail: fengwei78@126.com

收稿日期:2018-11-25接受日期:2019-04-15网络出版日期:2019-05-10

基金资助:

本研究由“十三五”国家重点研发计划项目.2016YFD0300604 国家自然科学基金项目.31671624 国家现代农业(小麦)产业技术体系建设专项资助.CARS-03-01-22

Received:2018-11-25Accepted:2019-04-15Online:2019-05-10

Fund supported:

This study was supported by grants from the “Thirteenth Five-year Plan” of National Key Research Project of China.2016YFD0300604 the National Natural Science Foundation of China.31671624 the China Agricultural Research System.CARS-03-01-22

作者简介 About authors
E-mail:wyp18237183802@163.com。









摘要
利用遥感技术实时监测小麦生长状况, 依据监测结果适时促控, 可提高产量。本研究以高产小麦品种周麦27为试验材料, 在不同试验地点设置了水氮耦合的大田试验, 筛选出了适宜监测冬小麦地上部氮积累量和生物量的植被指数, 并构建了不同产量水平下优选植被指数的动态模型。结果表明, (1)不同的水氮耦合模式显著影响小麦冠层光谱变化, 在350~700 nm和750~900 nm表现相反的反应特征; (2)对2个农学生长指标反应敏感且兼容性好的植被指数主要有修正型红边比率(mRER)、土壤调整植被指数[SAVI (825, 735)]、红边叶绿素指数(CI_red-edge)和归一化差异光谱指数(NDSI), 其与产量间相关性较好的时期为拔节至灌浆中期; (3)双Logistic模型可以很好地拟合植被指数的动态变化, 高产和超高产水平下拟合精度较高(R² > 0.82), 而低产水平下相对较低(R² = 0.608~0.736)。比较而言, CI_red-edge和SAVI (825, 735)用于评价小麦长势较为适宜。研究结果对作物因地定产、以苗管理、分类促控具有重要意义。
关键词： 冬小麦;高光谱遥感;植被指数;产量;动态模型

Abstract
Using remote sensing technology to monitor and timely promote and control wheat growth in real time may improve the yield. In this study, the water-nitrogen coupling test was set up at different locations using a high yield cultivar Zhoumai 27. The suitable vegetation indices for monitoring above ground nitrogen uptake and biomass of winter wheat were selected and the dynamic models with preferred vegetation indices at different yield levels were established. The results showed that (1) different water-nitrogen coupling patterns significantly affected the canopy spectral changes of wheat, with the opposite characteristics at 350-700 nm and 750-900 nm; (2) The modified red-edge ratio (mRER), soil-adjusted vegetation index [SAVI (825, 735)], red edge chlorophyll index (CI_red-edge) and normalized difference spectral index (NDSI) were the main vegetation indices sensitive to the two agronomic growth indices and with a good compatibility, and the stages well correlated with yield were from jointing to mid-filling; (3) the double Logistic model could fit the dynamic changes of vegetation index very well, and the fitting accuracy was higher at high and super high yield levels (R² > 0.825), but lower at low yield level (R² = 0.608-0.736). In comparison, CI_red-edge and SAVI (825, 735) were more suitable for evaluating wheat growth. The results of this study are of great significance for evaluating crop yield faced on growing situation in the field, seedling management, and promoting or controlling plant growth according to classification in wheat production.
Keywords：winter wheat;hyperspectral remote sensing;vegetation indices;yield;dynamic models


PDF (759KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
吴亚鹏, 贺利, 王洋洋, 刘北城, 王永华, 郭天财, 冯伟. 冬小麦生物量及氮积累量的植被指数动态模型研究[J]. 作物学报, 2019, 45(8): 1238-1249. doi:10.3724/SP.J.1006.2019.81084
WU Ya-Peng, HE Li, WANG Yang-Yang, LIU Bei-Cheng, WANG Yong-Hua, GUO Tian-Cai, FENG Wei. Dynamic model of vegetation indices for biomass and nitrogen accumulation in winter wheat[J]. Acta Agronomica Sinica, 2019, 45(8): 1238-1249. doi:10.3724/SP.J.1006.2019.81084


在农业生态系统中, 氮素是作物生长发育所必须的关键元素, 而氮有效性往往需要精细的作物管理^[1]。氮素的缺失会显著降低作物产量和品质, 生产中为了追求作物高产, 氮肥施用过量, 不但污染环境, 还会降低收益^[2,3]。地上部氮素积累量是衡量作物氮素状况的主要指标, 可用于氮肥的优化管理^[4]。地上部生物量是反映作物长势的重要群体指标, 是产量的物质基础^[5,6]。因此, 实时掌握作物生长状况对于作物生产的精确管理意义重大。

遥感技术以其快速、无损和大面积的巨大优势, 成为监测作物生长状况和空间变异性的重要手段^[7]。有研究表明, SPAD值可以表征植株氮素营养状况, 通过比较实际值与参考阈值来推荐施肥量, 可以显著提高氮肥利用率, 但阈值需要通过试验来确定, 这在一定程度上限制了其在实际生产中的应用^[8]。氮营养指数(NNI)也可表征作物实时的氮素状况, 并已成功应用于小麦、玉米等多种作物的氮肥调控, 但该方法仍需植株破坏性测定^[9,10,11]。基于冠层光谱反射率的植被指数, 在反映作物氮素状况和长势方面显示出巨大优势。前人相继发展了双峰冠层氮指数(DCNI)、归一化差异光谱指数(NDSI)、优化三角植被指数(OTVI)和修正型红边比率(mRER)用于监测作物氮素状况^[12,13,14], 同时也发现红边位置的对数方程、比值植被指数 (RVI)、修正土壤调节植被指数(MSAVI)、红边三角植被指数 (RTVI) 和修正三角植被指数(MTVI2)能较好地估算作物生物量状况^[15,16]。尽管农学参数间存在很好的相关性, 但对不同生理生化参数反应敏感的植被指数间仍存在一定差异, 能够综合指示作物生长及氮素状况的植被指数在生产实践中将具有更大的指导价值。有关这方面的研究, 前人也开展了一些研究工作^[17,18], 但因试验条件的不同, 这些研究结果的适用性及可靠性还需要不同生态区域的检验评价。

作物生长模拟模型描述作物生长、发育和产量形成过程及其对环境的反应^[19]。目前应用较多的作物模型如CERES和APSIM等可有助于更好地理解、预测和调控作物生长和产量^[20,21]。王康等^[22]建立了冬小麦根系吸氮耦合模拟模型, 较好反映冬小麦吸氮过程。曹静等^[23]建立了水稻和小麦适宜氮素营养指标动态的相对变化曲线, 为不同环境、品种和生产条件下的稻麦管理调控提供指导。庄东英等^[24]将遥感信息与生物量模型(WBM)结合, 较好地预测了冬小麦生物量。帅细强等^[25]建立了气象产量统计模型, 实现了双季稻产量动态预测。这些生长模型往往需要输入较多参数, 而输入参数的准确性在一定程度上影响模型决策的效果^[26], 而利用遥感观测的植被指数将更有利于对作物进行实时动态监测与评价。研究表明, 构建植被指数的时序模型在植被分类、作物制图、产量估算及物候学监测等方面发挥重要作用^[27,28]。Fischer^[29]采用双Logistic函数描述NOAA/AVHRR数据的NDVI变化, 证明了在区域尺度上植被指数的时序模型可以较好评价作物生长特征。Zheng等^[27]使用作物Landsat-NDVI时间序列信息较好地区分灌溉作物类型。Skakun等^[30]将MODIS-NDVI时序信息与高斯模型结合对冬季作物进行制图。Franch等^[31]研究表明, 利用MODIS- NDVI的时序模型能够在小麦收获前2个月进行可靠的产量预测。Zhang等^[32]和Zheng等^[33]利用多个Logistic函数拟合的植被指数年际动态很好地估计了植被物候期。因此, 在作物全生育期内利用适宜的植被指数来监测作物长势, 并构建植被指数随生育进程的动态模型, 对实时掌握作物生长状况, 进行精确管理调控具有重要的理论意义和生产指导价值。

小麦是我国三大粮食作物之一, 而河南省是我国小麦主产及优势产区, 为国家粮食安全做出了巨大贡献。因此, 本研究在河南2个不同生态区域以冬小麦为研究对象, 比较分析了多种植被指数估算地上部氮积累量和生物量的效果, 构建不同产量水平下优选植被指数的适宜动态模型, 以期为小麦生产因地定产、以苗管理、分类促控提供技术支撑。

1 材料与方法

1.1 试验设计

针对六倍体冬小麦(Triticum aestivum L.)在中国河南省的2个地点进行了4个试验, 涉及到不同年份、不同地点、不同施氮量、灌水频率的处理, 具体情况如下:

试验1: 于2015—2016年在河南省新乡市原阳县河南农业大学科教园区(35°6'N, 113°56'E)进行。供试品种为周麦27, 前茬作物为玉米, 收获后秸秆粉碎还田。试验地土壤为潮土, 播种前0~20 cm土层pH为8.4, 含有机质16.7 g kg^-1、全氮0.82 g kg^-1、速效磷12.0 mg kg^-1和速效钾128.9 mg kg^-1。试验为随机区组裂区设计, 主区为3个灌水频次, 分别为W0 (不浇水)、W1 (拔节期浇一次)、W2 (拔节期和开花期各浇一次), 副区为5个氮肥梯度, 分别为0 (N0)、90 (N6)、180 (N12)、270 (N18)和360 (N24) kg hm^-2 纯氮, 其中50%为播种前基肥, 50%为拔节期追肥。各处理分别施用120 kg hm^-2的P₂O₅和90 kg hm^-2的K₂O, 磷钾肥全部一次性基施。试验小区面积为39 m², 行间距为 20 cm, 基本苗为3.5×10⁶株 hm^-2, 重复3次。其余栽培管理措施同一般小麦高产田。在小麦越冬期至灌浆后期共9个生育时期进行光谱测定和采样, 成熟期测产。

试验2: 于2016—2017年在河南省新乡市原阳县河南农业大学科教园区(35°6'N, 113°56'E)进行。供试品种为周麦27, 前茬作物为玉米, 收获后秸秆粉碎还田。试验地土壤为潮土, 播种前0~20 cm土层pH 为8.0, 含有机质13.2 g kg^-1、全氮0.81 g kg^-1、速效磷13.6 mg kg^-1和速效钾156.2 mg kg^-1。基本苗为3.6×10⁶株hm^-2。其他试验设计、栽培管理措施和取样时期与试验1一致。

试验3: 于2016—2017年在河南省周口市商水县国营农场(33°33'N, 114°37'E)进行。供试品种为周麦27, 前茬作物为玉米, 收获后秸秆粉碎还田。试验地土壤为沙姜黑土, 播种前0~20 cm土层pH 为7.7, 含有机质20.5 g kg^-1、全氮1.16 g kg^-1、速效磷14.6 mg kg^-1和速效钾123.4 mg kg^-1。试验为随机区组裂区设计, 主区为2个灌水频次, 分别为W0 (不浇水)、W1 (拔节期浇一次), 副区为5个氮肥梯度, 施肥配置与试验1一致。试验小区面积为72 m², 行间距为20 cm, 基本苗为2.7×10⁶株hm^-2, 重复 3 次。其他试验设计、栽培管理措施和取样时期与试验1一致。

试验4: 于2017—2018 年在河南省周口市商水县国营农场(33°33'N, 114°37'E)进行。供试品种为周麦27, 前茬作物为玉米, 收获后秸秆粉碎还田。试验地土壤为砂姜黑土, 播种前0~20 cm土层pH 为7.3, 含有机质25.0 g kg^-1、全氮1.69 g kg^-1、速效磷22.6 mg kg^-1和速效钾139.6 mg kg^-1。基本苗为2.9×10⁶株 hm^-2。其他试验设计、栽培管理措施和取样时期与试验3一致。

1.2 冠层光谱反射率的测定

小麦冠层光谱反射率于10: 00-14: 00 (北京时间)选择晴朗、无风或风速很小的天气, 采用ASD FieldSpec手持光谱仪(Analytical Spectral Devices Inc., USA), 从小麦冠层上方约1米的高度垂直测量。光谱仪传感器视场角为25°, 分辨率为3.5 nm, 采样间隔为1.6 nm。该光谱仪的工作范围为325~ 1075 nm。为了获得更有代表性的冠层反射率, 在每个小区的3个样点垂直向下对准两行麦垄中间测量光谱, 每个地点采集5条光谱, 并将这15条光谱平均作为整个小区的光谱样本。此外, 测量过程中用BaSO₄制成的40 cm × 40 cm标准白板及时对每组目标的观测前后进行校正。

1.3 生理指标的测定

1.3.1 植株生物量的测定 为与所测光谱匹配, 从每个试验小区的光谱采样处采集3个面积为0.2 m² (长0.5 m, 双行, 行距20 cm)的小麦植株(共0.6 m²), 合并作为该小区的样本。将小麦样本按器官分离, 在105℃下杀青30 min并在80℃下烘干至恒重后称重, 进而折算为单位土地面积的干物重(t hm^-2), 地上部生物量(AGDW)为各器官生物量之和, 粉碎后用自封袋密闭低温保存, 供生物化学组分测定。

1.3.2 植株氮积累量的测定 采用K1100全自动凯氏定氮仪按照凯氏定氮法测定植株不同组织器官全氮含量, 各器官生物量(t hm^-2)与其氮含量(N%)的乘积即为各器官的氮积累量(g m^-2), 各器官氮积累量之和即为地上部氮积累量(AGNU)。

1.4 植被指数动态模型的建立

累积生长度日(accumulated growing degree days, AGDD)是描述植被指数动态变化的时间变量, 是从播种日期到各取样日期生长度日的累加^[31,34]。原阳和商水两年的逐日气象资料由河南省气象局提供, 包括日最高气温(℃)、日最低气温(℃)。

(1) $\text{AGDD}=\sum\nolimits_{i=1}^{n}{\left( \frac{{{T}_{\max }}+{{T}_{\min }}}{2}-{{T}_{\text{base}}} \right)}$
式中, T_max和T_min分别是当日最高温度和最低温度, T_base是小麦开始生物学活动的基点温度, 这里取0℃^[35]。

本研究中, 采用双Logistic模型拟合植被指数时间序列的动态变化, 在MATLAB 9.0平台支持下编程实现, 模型参数由拟合方程输出, 参照Fischer^[29]模型公式。

(2) $y\left( t \right)={{y}_{0}}+\frac{{{a}_{1}}}{1+{{\text{e}}^{-\frac{t-{{t}_{1}}}{{{b}_{1}}}}}}-\frac{{{a}_{2}}}{1+{{\text{e}}^{-\frac{t-{{t}_{2}}}{{{b}_{2}}}}}}$
式中, y₀是播种日期当天裸露土壤的植被指数的值, 在这里作为作物生长的初始背景值。第一个Logistic函数代表生长过程, 第二个Logistic函数代表衰老过程。y₀+a₁是时间序列内植被指数的最大值, a₂是y₀+a₁与成熟期植被指数的差值; 1/b₁和1/b₂分别是作物生长过程和衰老过程中2个Logistic模型拐点处的斜率, 也是最大速度, 与这2个拐点对应的时间数据分别是t₁和t₂。

1.5 数据处理与分析

1.5.1 植被指数 为了增强对植被理化参数等生态功能参量反应的敏感程度, 已有报道构建了许多光谱指数, 并成功应用于氮素、叶绿素和叶面积指数^{[13-14,36-39]}等。本研究归纳了已见报道的多个光谱指数(表1)。

1.5.2 数据处理分析 通过软件ViewSpecPro将田间采取的光谱数据输出为光谱反射率, 再采用Savitzky-Golay滤波平滑法通过OriginPro 8.0将原始光谱反射率进行降噪处理。利用MATLAB 9.0 (MathWorks, Inc., USA)分析植被指数与生理指标的相关性。通过比较决定系数(R²)和均方根误差(RMSE)的差异, 评价植被指数的总体性能。较高的R²值和较低的RMSE表明指数在估计生理指标时具有较好的精度。

(3) $\text{RMSE}=\sqrt{\frac{1}{n}\times \sum\nolimits_{i=1}^{n}{{{\left( {{P}_{i}}-{{O}_{i}} \right)}^{2}}}}$
Table 1
表1
表1优选植被指数的计算方法和参考文献
Table 1Calculation methods and references of optimal vegetation indices

植被指数 Vegetation index	计算公式 Calculation formula	参考文献 Reference
NDVI (810, 680)	(R810-R680)/(R810+R680)	Rouse et al. (1974)[40]
NDVI (810, 560)	(R810-R560)/(R810+R560)	Rouse et al. (1974)[40]
NDRE	(R790-R720)/(R790+R720)	Fitzgerald et al. (2006)[41]
RVI (810, 560)	R810/R560	Pearson et al. (1972)[42]
SR705	R750/R705	Gitelson and Merzlyak (1994)[43]
CIred-edge	(R840-870)/(R720-730)-1	Gitelson et al. (2005)[36]
CIgreen	(R840-870)/R550-1	Gitelson et al. (2005)[36]
MTCI	(R754-R709)/(R709-R681)	Dash and Curran (2004)[37]
OTVI	0.5×[204×(R776-R754) -22×(R754-R550)]	Li et al. (2013)[13]
SAVI (825, 735)	(1-0.08)×(R825-R735)/(R825+R735-0.08)	Huete (1988)[38]
NDSI	(R788-R756)/(R788+R756)	Li et al. (2013)[13]
VOG3	(R734-R747)/(R715+R720)	Zarco-Tejada et al. (2001)[39]
mRER	(R759-1.8×R419)/(R742-1.8×R419)	Feng et al. (2015)[14]
REP	700+40×[(R670+R780)/2-R700]/(R740-R700)	Guyot and Baret (1988)[44]
EVI2	2.5×(R800-R660)/(1+R800+2.4×R660)	Jiang et al. (2008)[45]

R₈₁₀, R₆₈₀, and R₆₆₀ are the spectral reflectance at 810, 680, and 660 nm. NDVI: normalized difference vegetation index; NDRE: normalized difference red edge; RVI: ratio vegetation index; SR705: red-edge simple ratio; CI_red-rdge: red edge chlorophyll index; CI_green: green chlorophyll index; MTCI: MERIS terrestrial chlorophyll index; OTVI: optimized triangle vegetation index; SAVI: soil-adjusted vegetation index; NDSI: normalized difference spectral index; VOG3: Vogelmann index 3; mRER: modified red-edge ratio; REP: red edge position; EVI2: 2-band enhanced vegetation index.
R₈₁₀、R₆₈₀和R₆₆₀是波长810、680和660 nm处的光谱反射率。NDVI: 归一化差异植被指数; NDRE: 归一化差异红边指数; RVI: 比值植被指数; SR705: 红边简单比率; CI_red-rdge: 红边叶绿素指数; CI_green: 绿光叶绿素指数; MTCI: MERIS陆地叶绿素指数; OTVI: 优化三角植被指数; SAVI: 土壤调整植被指数; NDSI: 归一化差异光谱指数; VOG3: Vogelmann指数3; mRER: 修正型红边比率; REP: 红边位置; EVI2: 2波段增强型植被指数。

新窗口打开|下载CSV

式中, P_i和O_i分别是预测值和观测值, n是样本数。

2 结果与分析

2.1 不同水氮处理对冠层光谱的影响

以试验1开花期冠层光谱反射率为例, 不同的水氮处理显著影响冠层光谱的反射特征, 且在不同的波段区域表现出不同的光谱响应(图1)。在350~ 700 nm波段区域内, 冠层光谱反射率随着施氮水平增加而降低, 但在高氮肥水平下趋于饱和; 相反, 在750~900 nm波段区域内, 随着施氮水平增加而升高, 处理间差异较显著, 表明该区域对不同氮素水平下小麦长势反应比较敏感。水分条件的改善显著促进氮肥的效应发挥, 提高植株生长速率。随着灌水增加, 冠层反射率在350~700 nm范围降低, 而在750~900 nm内增加。

图1

新窗口打开|下载原图ZIP|生成PPT
图1不同水氮处理下的冠层光谱变化

W0: 不灌溉; W1: 拔节期灌溉一次; W2: 拔节期和开花期各灌溉一次。
Fig. 1Canopy spectral changes under different water and nitrogen treatments

W0: no irrigation; W1: irrigation once at jointing; W2: irrigation twice at jointing and anthesis. N0: 0; N6, 90 kg N hm^-2; N12: 180 kg N hm^-2; N18: 270 kg N hm^-2; N24: 360 kg N hm^-2.

2.2 小麦氮积累量和生物量与植被指数之间的关系

由于灌浆中后期植株加速衰老, 此时植被指数与地上部氮积累量和生物量间相关性较差, 将4个试验从越冬至灌浆中期的测定数据进行总体相关分析。依据回归分析的决定系数和均方根差, 从已有植被指数中筛选出与地上部氮积累量和生物量密切相关的15个植被指数(图2)。对于地上部氮积累量(AGNU)而言, 15个植被指数中有7个植被指数均给出了较高的R² (>0.75), 其中, mRER和红边叶绿素指数(CI_red-edge)有最高的预测精度(R² = 0.798, 0.794)和最低的均方根差(RMSE = 3.639, 3.676)。而对于地上部生物量(AGDW)来说, 15个植被指数中有5个植被指数的R²高于0.65, 以NDSI表现最优, R²和RMSE分别为0.711和2.375, 其次为土壤调整植被指数SAVI (825, 735), R²和RMSE 分别为0.674和2.540。比较而言, 植株氮积累量与植被指数的关系明显优于生物量。综合来看, 无论是对AGNU还是AGDW, mRER、SAVI (825, 735)、CI_red-edge和NDSI均具有较好的指示表现。图3展示了4个优选植被指数与小麦氮积累量和生物量之间的定量关系, 表明利用以上优选的植被指数可以很好地表征小麦植株生长状况。

图2

新窗口打开|下载原图ZIP|生成PPT
图2与小麦氮积累量和生物量关系较好的植被指数间比较(n = 400)

AGNU: 地上部氮积累量; AGDW: 地上部生物量; 其他缩写同表1。
Fig. 2Comparison of vegetation indices with good relationships with nitrogen accumulation and biomass of wheat (n = 400)

AGNU: above ground N uptake; AGDW: above ground dry weight; other abbreviations are the same as those given in Table 1.

图3

新窗口打开|下载原图ZIP|生成PPT
图3小麦氮积累量和生物量与植被指数之间的定量关系(n = 400)

Fig. 3Quantitative relationships of nitrogen accumulation and biomass with vegetation indices in wheat

缩写同表1。Abbreviations are the same as those given in Table 1.

2.3 不同水氮处理对植被指数的影响

以试验2为例, 选用对植株氮积累量和生物量指示性较好的mRER、SAVI (825, 735)、CI_red-edge和NDSI, 分析不同水氮处理的影响。由图4可知, 随着AGDD增加, 4个植被指数总体呈现先增后减的趋势; 在冬小麦生长前期, 不同施氮处理对植被指数的影响较小, 而AGDD约大于700后, 植被指数随着施氮量的增加而升高, 处理间差异较显著。此外, 随着灌水增加, 植被指数亦呈现增加的趋势, 尤其灌水与不灌水间差异较显著。在冬小麦生长后期, 不同水氮处理间mRER趋于饱和, 而CI_red-edge、NDSI和SAVI (825, 735)则差异较显著。

图4

新窗口打开|下载原图ZIP|生成PPT
图4不同水氮处理下植被指数的动态变化

AGDD: 累积生长度日; 其他缩写同表1和图1。
Fig. 4Dynamic changes of vegetation indices under different water and nitrogen treatments

AGDD: accumulated growing degree days; other abbreviations are the same as those given in Table 1 and Fig. 1.

2.4 适宜表征小麦生长的植被指数与籽粒产量之间的关系

选用对植株氮积累量和生物量指示性较好的mRER、SAVI (825, 735)、CI_red-edge和NDSI, 分析其与小麦成熟期籽粒产量间关系。由表2可知, 植被指数与小麦产量之间的R²随着生育时期的推进总体呈现先增后降的趋势, 越冬期最差, 而在拔节期至灌浆中期一直保持较高水平(R² > 0.66), 其中, 孕穗至开花期的R²均在0.80以上, 抽穗期达到最大值(R² > 0.84)。灌浆后期, 植被指数对植株生长的指示性变差, 导致植被指数与产量间相关性明显降低(R² = 0.341~0.592), 但相关性依然达到极显著水平。光谱参数间比较, 从返青至灌浆中期, 以SAVI (825,735)表现最好, CI_red-edge次之, mRER在返青至孕穗期相关性相对较好, 而在开花至灌浆中期相关性相对较差。可见, 在小麦旺盛生长期, 利用植被指数可以较好评价小麦生长及产量状况, 尤其抽穗期最为适宜。

Table 2
表2
表2不同时期植被指数与小麦产量间线性决定系数(n = 50)
Table 2Linear determination coefficients between vegetation indices and yield at different stages in wheat (n = 50)

植被指数 Vegetation index	越冬期 Wintering	返青期 Regreening	拔节期 Jointing	孕穗期 Booting	抽穗期 Heading	开花期 Anthesis	灌浆前期 Initial-filling	灌浆中期 Mid-filling	灌浆后期 Late-filling
mRER	0.005	0.454***	0.817***	0.815***	0.862***	0.800***	0.781***	0.669***	0.358***
CIred-edge	0.328***	0.604***	0.830***	0.825***	0.845***	0.829***	0.836***	0.681***	0.360***
NDSI	0.022	0.211***	0.681***	0.813***	0.871***	0.807***	0.827***	0.739***	0.592***
SAVI (825, 735)	0.325***	0.649***	0.825***	0.833***	0.876***	0.847***	0.867***	0.736***	0.341***

^***表示 P < 0.001显著水平。缩写同表1。^***: significant at P < 0.001. Abbreviations are the same as those given in Table 1.

新窗口打开|下载CSV

2.5 不同产量水平下植被指数的适宜动态模型

由以上分析可知, 4个优选的植被指数与产量间相关性在大多数生育时期都保持较高的水平, 因而将植被指数按照不同的产量水平分成低产(<6000 kg hm^-2)、中产(6000~7500 kg hm^-2)、高产(7500~9000 kg hm^-2)和超高产(> 9000 kg hm^-2)。结合作物生长发育规律, 使用双Logistic模型拟合作物生育进程中植被指数的动态变化, 图5表明, 随着AGDD的增加, 不同产量水平下4个植被指数均呈现先增后减的动态变化规律。表3表明, 小麦生长过程中最大速度1/b₁和衰老过程中最大速度1/b₂均因植被指数而异, NDSI和SAVI (825,735)的最大速度均以超高产水平最高, 而mRER和CI_red-edge则以中产水平最高, 4个植被指数则均在低产水平下最小。4个植被指数生长拐点和衰老拐点均在低产水平下最早出现, 表明较短的生育进程是小麦低产的一个原因。衰老拐点出现的时间依次为中产、超高产和高产。生长拐点出现的时间不仅受植被指数类型的影响, 同时也因产量水平而异。对于NDSI和SAVI (825, 735)来说, 生长拐点的出现时间依次为中产、超高产和高产, 而mRER和CI_red-edge则随着产量水平提高而滞后。从拟合精度看, 产量水平越高, 模型精度越高, 低产水平的R²相对较差(0.608~0.736), 而超高产水平的R²较高(0.882~0.957); 植被指数间比较, 整体而言, CI_red-edge和SAVI (825, 735)拟合精度相对较高, 其次为mRER, 而NDSI最差。

图5

新窗口打开|下载原图ZIP|生成PPT
图5不同产量水平下植被指数的动态模型

Fig. 5Dynamic models of vegetation indices under different yield levels

缩写同表1和图4。Abbreviations are the same as those given in Table 1 and Fig. 4.


Table 3
表3
表3不同产量水平下植被指数的双Logistic模型参数
Table 3Double Logistic model parameters of vegetation indices under different yield levels

产量水平 Yield level	植被指数 Vegetation index	y0	a1	a2	t1 (℃ d)	t2 (℃ d)	b1 (℃ d)	b2 (℃ d)	R2	RMSE
低产 Low yield	mRER	1.018	0.103	0.073	497.99	1560.38	207.55	266.55	0.608	0.024
	CIred-edge	0.105	0.541	0.570	650.37	1818.35	218.81	258.45	0.736	0.110
	NDSI	0.015	0.010	0.010	856.32	1817.99	211.89	242.12	0.637	0.003
	SAVI (825, 735)	0.067	0.078	0.107	762.94	1870.95	156.52	327.55	0.700	0.023
中产 Medium yield	mRER	1.029	0.269	0.249	766.34	1854.98	142.29	148.59	0.788	0.051
	CIred-edge	0.165	1.401	1.580	792.61	1881.39	124.23	169.07	0.822	0.293
	NDSI	0.015	0.032	0.036	911.92	1973.14	134.91	185.07	0.735	0.008
	SAVI (825, 735)	0.064	0.223	0.250	797.02	1940.42	149.19	191.40	0.862	0.036
高产 High yield	mRER	1.026	0.354	0.356	778.57	1905.52	143.95	161.59	0.878	0.048
	CIred-edge	0.175	2.003	2.324	814.39	1908.69	136.04	192.63	0.891	0.268
	NDSI	0.016	0.044	0.051	919.84	2024.15	119.12	186.65	0.827	0.007
	SAVI (825, 735)	0.074	0.265	0.328	811.25	1995.09	124.05	183.68	0.917	0.034
超高产 Super high yield	mRER	1.021	0.415	0.430	815.03	1900.98	160.16	167.94	0.957	0.037
	CIred-edge	0.186	2.246	2.493	815.88	1890.37	144.05	170.35	0.954	0.202
	NDSI	0.017	0.048	0.055	917.39	1996.33	90.17	160.00	0.882	0.006
	SAVI (825, 735)	0.092	0.270	0.327	809.89	1950.72	86.97	153.58	0.950	0.023

缩写同表1。Abbreviations are the same as those given in Table 1.

新窗口打开|下载CSV

3 讨论

3.1 作物生长指标与植被指数之间的关系

及时掌握作物长势及氮素营养状况, 适时促控, 是精确作物管理的必然要求。地上部氮积累量和植株生物量可以有效反映作物长势, 指示作物的氮素营养状况, 遥感监测作物长势显得尤为重要。由于红边区域从最低吸收到最高反射的剧烈变化^[46], 对叶面积、叶绿素和植被长势等均表现敏感^[47,48,49]。植被指数中增加蓝光波段(低饱和吸收)可以降低大气效应, 从而提高生理生化参数的估算能力^[50,51]。Li等^[52]研究表明, 红边指数冠层叶绿素含量指数(CCCI)、Meris陆地叶绿素指数(MTCI)、归一化差异红边指数(NDRE)和 CI_red-edge均能很好地估测夏玉米植株氮积累量。本实验室前期构建的mRER含有红边和蓝光波段, 是估测小麦地上部氮积累量的最佳植被指数^[14]。Cho等^[53]报道, 以红边位置(REP)监测牧草生物量优于归一化差异植被指数(NDVI)。宋开山等^[54]研究表明, 红边区680~760 nm的导数光谱与大豆地上鲜生物量相关性显著。王秀珍等^[55]指出, 以蓝边内一阶微分总和(490~530 nm)与红边内一阶微分总和(680~780 nm)构成的RVI是估算水稻地上鲜生物量的最佳参数。这些研究均表明红边和蓝光波段对评价植被长势和氮素状况均十分有用。本研究发现, mRER、CI_red-edge、NDSI和SAVI (825, 735)等既能较好地估测冬小麦地上部氮积累量, 又能很好地反映地上部生物量, 对植株生长指标的兼容性显著提高, 这十分有利于综合评价小麦生长状况。

3.2 植被指数与小麦产量之间的关系

在收获作物之前大范围预测作物产量, 对粮食供需平衡、贸易、农业政策的制定具有重要的意义。预测作物产量的方法有很多, 如气象模型、农学模型和遥感模型, 但由于产量影响因素的复杂性常导致气象模型和农学模型对大范围作物产量预测的不可靠性, 从而使得遥感模型成为主要的估算方法^[56]。自以遥感预测作物产量以来, 前人已做了很多研究。王延颐^[57]研究表明, 垂直植被指数(PVI)与水稻产量三要素(单位面积穗数、穗粒数、千粒重)之间具有较好的相关性。Dempewolf等^[58]研究表明, 与NDVI和增强型植被指数(EVI)相比, 宽动态范围植被指数(WDRVI)能够提供更加准确的产量预测。Mkhabela等^[59]报道, MODIS-NDVI数据可以有效地用于预测加拿大作物产量。本研究比较了植被指数与小麦产量之间的相关性在不同生育时期间差异, 在拔节期至灌浆中期一直表现较为敏感(R² > 0.66), 其中, 孕穗至开花期的R²均在0.80以上, 尤其抽穗期最为敏感(R² > 0.84)。以上有关敏感时期的结果与前人较为一致, Ren等^[60]采用MODIS-NDVI数据对冬小麦产量预测的敏感时期也为孕穗至抽穗期; 黄楠等^[61]指出, 玉米抽穗期NDVI与产量之间相关性最好。这些研究结果均表明了作物旺盛生长期的植被指数能够很好地反映作物产量状况, 这为根据植被指数的变化进行作物管理促控、提高产量提供了理论依据和技术支持。

3.3 植被指数动态模型的应用性

在农业生产中, 遥感多时相数据多用于作物制图、产量估算及物候学监测等方面。作物生长具有时序动态性, 不同时期表现出不同特征, 充分利用时期间差异及多时期信息可提高对作物制图、产量、物候等评价精度。Wardlow和Egbert以MODIS- NDVI时间序列数据为输入参数, 美国中部大平原玉米和大豆的制图精度达80%以上^[62]。Chu等^[63]基于MODIS-NDVI时间序列数据对冬小麦的分类准确率达到87.07%, 种植面积的准确率为90.09%。基于小麦和水稻作物生长前期、中期及后期分别与穗数、穗粒数和千粒重密切相关, 研究者相继建立了不同生育时期遥感估产模型, 但是多时期复合估产模型更全面反映产量形成过程, 其估算精度好于单一时期估算模型^[64,65]。Johnson^[66]基于时间系列遥感数据产品对玉米和大豆的产量预测R²达到0.7以上。Zhang等^[32]表明通过寻找植被指数平滑时间剖面的局部最小或最大变化率, 能够准确确立物候转换日期。Zheng等^[33]利用地面植被指数时序模型提取的水稻生育期信息, 对灌溉及施肥管理具有重要指导价值。Magney等^[67]发现, 将NDVI时间序列数据与关键物候指标结合, 大大提高了产量和生物量的早期预测能力。植被指数时序数据被同化到作物生长模型中, 能够提高作物估产的精度^[68,69]。

作物长势及株型显著影响植被指数, 进而影响时序模型的参数。目前生产上大面积推广的多为紧凑型、半紧凑型高产品种, 植被指数的时序动态主要由长势及产量水平决定。本研究依据生产实践将植被指数按照不同的产量水平分为低产(< 6000 kg hm^-2)、中产(6000~7500 kg hm^-2)、高产(7500~9000 kg hm^-2)和超高产(> 9000 kg hm^-2), 分别代表了小麦当前生产中不同的产量水平^[70,71]。本研究采用双Logistic模型拟合算法, 较好地拟合了小麦冠层植被指数动态轨迹, 但拟合效果因产量水平而异。在低产水平下, 时序模型的准确性相对较差, 而高产以上水平下拟合精度较高, 这可能与产量水平越低, 影响产量的不确定性障碍因子越多有关。已有的作物适宜植被指数动态模型多采用生育天数作为时间轴^[29,32,72], 本研究采用AGDD作为时间轴建立动态模型, 可以较好地消除不同年份和生态点对小麦植被指数时序模型的影响, 且模型参数少, 生物学意义明确。生长和衰老的最大速度均以低产水平最小, 生长拐点出现的时间依次为低产、中产和高产(超高产), 而衰老拐点出现的时间依次为低产、中产、超高产和高产, 这表明较长的生育进程及较高的生长速度是小麦高产的一个原因。在小麦生产中, 通过植被指数时序模型的本地化构建, 比较作物生长关键生育时期的植被指数差异, 生产者可以依据目标产量及实时长势, 适时管理调控, 为作物因地定产、以苗管理、分类促控提供理论依据和技术支持。

4 结论

针对冬小麦地上部氮积累量和植株生物量筛选出兼容性较强的植被指数——mRER、SAVI (825, 735)、CI_red-edge和NDSI, 并确立了相应的监测模型。优选的植被指数在小麦生长旺盛期能够较好地反映产量状况, 以抽穗期最为敏感。采用双Logistic模型算法确立了4个植被指数在不同产量水平下适宜动态模型, 综合考虑植被指数的监测精度、与产量间关系以及动态模型拟合精度, CI_red-edge和SAVI (825, 735)可较好地用于评价冬小麦的生长状况。研究结果为田间实践操作中利用遥感技术实时精确获取作物生长状况, 为作物因地定产、以苗管理、分类促控提供了技术参考。但是, 小麦产量受土壤、地域、气候及生产水平影响较大, 本研究所确立的不同产量水平下植被指数的适宜动态模型还需在不同生态区域检验其适用性和可靠性。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] Ladha J K, Pathak H P, Krupnik T J, Six J, Kessel C V . Efficiency of fertilizer nitrogen in cereal production: retrospect and prospect
Adv Agron, 2005,87:85-156.
DOI:10.1016/S0065-2113(05)87003-8URL [本文引用: 1]

[2] Hatfield J L, Gitelson A A, Schepers J S, Walthall C L . Application of spectral remote sensing for agronomic decisions
Agron J, 2008,100:117-131.
[本文引用: 1]

[3] Lemaire G, Jeuffroy M H, Gastal F . Diagnosis tool for plant and crop N status in vegetative stage
Eur J Agron, 2008,28:614-624.
DOI:10.1016/j.eja.2008.01.005URL [本文引用: 1]

[4] Mistele B, Schmidhalter U . Estimating the nitrogen nutrition index using spectral canopy reflectance measurements
Eur J Agron, 2008,29:184-190.
DOI:10.1016/j.eja.2008.05.007URL [本文引用: 1]

[5] Plénet D, Lemaire G . Relationships between dynamics of nitrogen uptake and dry matter accumulation in maize crops. Determination of critical N concentration
Plant Soil, 2000,216:65-82.
[本文引用: 1]

[6] 李卫国, 赵春江, 王纪华, 刘良云 . 遥感和生长模型相结合的小麦长势监测研究现状与展望
国土资源遥感, 2007, (2):6-9.
[本文引用: 1]

Li W G, Zhao C J, Wang J H, Liu L Y . Research situation and prospects of wheat condition monitoring based on growth model and remote sensing
Remote Sens Land Resour, 2007, (2):6-9 (in Chinese with English abstract).
[本文引用: 1]

[7] Hansen P M, Schjoerring J K . Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression
Remote Sens Environ, 2003,86:542-553.
DOI:10.1016/S0034-4257(03)00131-7URL [本文引用: 1]

[8] Huang J L, He F, Cui K H, Buresh R J, Xu B, Gong W H, Peng S B . Determination of optimal nitrogen rate for rice varieties using a chlorophyll meter
Field Crops Res, 2008,105:70-80.
DOI:10.1016/j.fcr.2007.07.006URL [本文引用: 1]

[9] Justes E, Mary B, Jean-Marc M, Machet J M, Huché-Thélier L . Determination of a critical nitrogen dilution curve for winter wheat crops
Ann Bot(London), 1994,74:397-407.
[本文引用: 1]

[10] Zhao B, Ata-Ul-Karim S T, Liu Z D, Ning D F, Xiao J F, Liu Z G, Qin A Z, Nan J Q, Duan A W . Development of a critical nitrogen dilution curve based on leaf dry matter for summer maize
Field Crops Res, 2017,208:60-68.
DOI:10.1016/j.fcr.2017.03.010URL [本文引用: 1]

[11] He Z Y, Qiu X L, Ata-Ul-Karim S T, Li Y D, Liu X J, Cao Q, Zhu Y, Cao W X, Tang L . Development of a critical nitrogen dilution curve of double cropping rice in south China
Front Plant Sci, 2017,8:1-14.
[本文引用: 1]

[12] Chen P F, Haboudane D, Tremblay N, Wang J H, Vigneault P, Li B G . New spectral indicator assessing the efficiency of crop nitrogen treatment in corn and wheat
Remote Sens Environ, 2010,114:1987-1997.
DOI:10.1016/j.rse.2010.04.006URL [本文引用: 1]

[13] Li F, Mistele B, Hu Y C, Chen X P, Schmidhalter U . Comparing hyperspectral index optimization algorithms to estimate aerial N uptake using multi-temporal winter wheat datasets from contrasting climatic and geographic zones in China and Germany
Agric Forest Meteorol, 2013,180:44-57.
DOI:10.1016/j.agrformet.2013.05.003URL [本文引用: 4]

[14] Feng W, Guo B B, Zhang H Y, He L, Zhang Y S, Wang Y H, Zhu Y J, Guo T C . Remote estimation of above ground nitrogen uptake during vegetative growth in winter wheat using hyperspectral red-edge ratio data
Field Crops Res, 2015,180:197-206.
DOI:10.1016/j.fcr.2015.05.020URL [本文引用: 4]

[15] Gitelson A A, Kaufman Y J, Stark R, Rundquist D . Novel algorithms for remote estimation of vegetation fraction
Remote Sens Environ, 2002,80:76-87.
DOI:10.1016/S0034-4257(01)00289-9URL [本文引用: 1]

[16] 贺佳, 刘冰峰, 郭燕, 王来刚, 郑国清, 李军 . 冬小麦生物量高光谱遥感监测模型研究
植物营养与肥料学报, 2017,23:313-323.
[本文引用: 1]

He J, Liu B F, Guo Y, Wang L G, Zheng G Q, Li J . Biomass estimation model of winter wheat (Triticum aestivum L.) using hyperspectral reflectances
J Plant Nutr Fert, 2017,23:313-323 (in Chinese with English abstract).
[本文引用: 1]

[17] Mistele B, Schmidhalter U . Tractor-based quadrilateral spectral reflectance measurements to detect biomass and total aerial nitrogen in winter wheat
Agron J, 2010,102:499-506.
DOI:10.2134/agronj2009.0282URL [本文引用: 1]

[18] Li F, Mistele B, Hu Y C, Chen X P, Schmidhalter U . Optimising three-band spectral indices to assess aerial N concentration, N uptake and aboveground biomass of winter wheat remotely in China and Germany
ISPRS J Photogramm, 2014,92:112-123.
DOI:10.1016/j.isprsjprs.2014.03.006URL [本文引用: 1]

[19] 马波, 田军仓 . 作物生长模拟模型研究综述
节水灌溉, 2010, (2):1-5.
[本文引用: 1]

Ma B, Tian J C . A review on crop growth simulation model research
Water Sav Irrig, 2010, (2):1-5 (in Chinese with English abstract).
[本文引用: 1]

[20] Jones J W, Hoogenboom G, Porter C H, Boote K J, Batchelor W D, Hunt L A, Wilkens P W, Singh U, Gijsman A J, Ritchie J T . The DSSAT cropping system model
Eur J Agron, 2003,18:235-265.
DOI:10.1016/S1161-0301(02)00107-7URL [本文引用: 1]

[21] Mccown R L, Hammer G L, Hargreaves J N G, Holzworth D P, Freebairn D M . APSIM: a novel software system for model development, model testing and simulation in agricultural systems research
Agric Syst, 1996,50:255-271.
DOI:10.1016/0308-521X(94)00055-VURL [本文引用: 1]

[22] 王康, 沈荣开, 王富庆 . 冬小麦生长及根系吸氮的动态模拟研究
灌溉排水学报, 2002,21(1):6-10.
[本文引用: 1]

Wang K, Shen R K, Wang F Q . Dynamic simulation research of winter wheat growth and root nitrogen uptake
J Irrig Drain, 2002,21(1):6-10 (in Chinese with English abstract).
[本文引用: 1]

[23] 曹静, 刘小军, 汤亮, 曹卫星, 朱艳 . 稻麦适宜氮素营养指标动态的模型设计
应用生态学报, 2010,21:359-364.
[本文引用: 1]

Cao J, Liu X J, Tang L, Cao W X, Zhu Y . Model designing for suitable nitrogen index dynamics of rice and wheat
Chin J Appl Ecol, 2010,21:359-364 (in Chinese with English abstract).
[本文引用: 1]

[24] 庄东英, 李卫国, 武立权 . 冬小麦生物量卫星遥感估测研究
干旱区资源与环境, 2013,27(10):158-162.
[本文引用: 1]

Zhuang D Y, Li W G, Wu L Q . Estimating winter wheat biomass based on satellite remote sensing
J Arid Land Resour Environ, 2013,27(10):158-162 (in Chinese with English abstract).
[本文引用: 1]

[25] 帅细强, 王石立, 马玉平, 李迎春 . 基于水稻生长模型的气象影响评价和产量动态预测
应用气象学报, 2008,19:71-81.
[本文引用: 1]

Shuai X Q, Wang S L, Ma Y P, Li Y C . Assessment of meteorologic condition effects and dynamic yield forecasting based on rice growth model
J Appl Meteorol Sci, 2008,19:71-81 (in Chinese with English abstract).
[本文引用: 1]

[26] Dorigo W A, Zurita-Milla R, de Wit A J W, Brazile J, Singh R, Schaepman M E . A review on reflective remote sensing and data assimilation techniques for enhanced agroecosystem modeling
Int J Appl Earth Obs, 2007,9:165-193.
DOI:10.1016/j.jag.2006.05.003URL [本文引用: 1]

[27] Zheng B J, Myint S W, Thenkabail P S, Aggarwal R M . A support vector machine to identify irrigated crop types using time-series Landsat NDVI data
Int J Appl Earth Obs, 2015,34:103-112.
DOI:10.1016/j.jag.2014.07.002URL [本文引用: 2]

[28] Shao Y, Ren J, Campbell J B . 9.04-Multitemporal remote sensing data analysis for agricultural application
Compreh Remote Sens, 2018,9:29-38.
[本文引用: 1]

[29] Fischer A . A model for the seasonal variations of vegetation indices in coarse resolution data and its inversion to extract crop parameters
Remote Sens Environ, 1994,48:220-230.
DOI:10.1016/0034-4257(94)90143-0URL [本文引用: 3]

[30] Skakun S, Franch B, Vermote E, Roger J C, Beckerreshef I, Justice C, Kussul N . Early season large-area winter crop mapping using MODIS NDVI data, growing degree days information and a Gaussian mixture model
Remote Sens Environ, 2017,195:244-258.
DOI:10.1016/j.rse.2017.04.026URL [本文引用: 1]

[31] Franch B, Vermote E F, Becker-Reshef I, Claverie M, Huang J, Zhang J, Justice C, Sobrino J A . Improving the timeliness of winter wheat production forecast in the United States of America, Ukraine and China using MODIS data and NCAR Growing Degree Day information
Remote Sens Environ, 2015,161:131-148.
DOI:10.1016/j.rse.2015.02.014URL [本文引用: 2]

[32] Zhang X Y, Friedl M A, Schaaf C B, Strahler A H, Hodges J C F, Gao F, Reed B C, Huete A . Monitoring vegetation phenology using MODIS
Remote Sens Environ, 2003,84:471-475.
DOI:10.1016/S0034-4257(02)00135-9URL [本文引用: 3]

[33] Zheng H B, Cheng T, Yao X, Deng X Q, Tian Y C, Cao W X, Zhu Y . Detection of rice phenology through time series analysis of ground-based spectral index data
Field Crops Res, 2016,198:131-139.
DOI:10.1016/j.fcr.2016.08.027URL [本文引用: 2]

[34] Russelle M P, Wilhelm W W, Olson R A, Power J F . Growth analysis based on degree days
Crop Sci, 1984,24:28-32.
DOI:10.2135/cropsci1984.0011183X002400010007xURL [本文引用: 1]

[35] McMaster G S, Smika D E . Estimation and evaluation of winter wheat phenology in the central Great Plains
Agric Forest Meteorol, 1988,43:1-18.
DOI:10.1016/0168-1923(88)90002-0URL [本文引用: 1]

[36] Gitelson A A, Vi?a A, Ciganda A, Rundquist D C, Arkebauer T J . Remote estimation of canopy chlorophyll content in crops
Geophys Res Lett, 2005,32:1-4.
[本文引用: 3]

[37] Dash J, Curran P J . The MERIS terrestrial chlorophyll index
Int J Remote Sens, 2004,25:5403-5413.
DOI:10.1080/0143116042000274015URL [本文引用: 1]

[38] Huete A R . A soil-adjusted vegetation index (SAVI)
Remote Sens Environ, 1988,25:295-309.
DOI:10.1016/0034-4257(88)90106-XURL [本文引用: 1]

[39] Zarco-Tejada P J, Miller J R, Noland T L, Mohammed G H . Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data
IEEE T Geosci Remote, 2001,39:1491-1507.
DOI:10.1109/36.934080URL [本文引用: 2]

[40] Rouse J W, Haas R H, Schell J A, Deering D W. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation
In: NASA/GSFC, Type III Final Report, Greenbelt, MD, USA, 1974. pp 371-373.
[本文引用: 2]

[41] Fitzgerald G J, Rodriguez D, Christensen L K, Belford R, Sadras V O, Clarke T R . Spectral and thermal sensing for nitrogen and water status in rainfed and irrigated wheat environments
Precis Agric, 2006,7:233-248.
DOI:10.1007/s11119-006-9011-zURL [本文引用: 1]

[42] Pearson R L, Miller D L. Remote mapping of standing crop biomass for estimation of the productivity of the short-grass prairie
In: Proceedings of the Eighth International Symposium on Remote Sensing of Environment, Vol. 2, 1972. pp 1357-1381.
[本文引用: 1]

[43] Gitelson A, Merzlyak M N . Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. Spectral features and relation to chlorophyll estimation
J Plant Physiol, 1994,143:286-292.
[本文引用: 1]

[44] Guyot G, Baret F . Utilisation de la haute resolution spectrale pour suivre L’etat des couverts vegetaux
Spec Signat Object Remote, 1988,287:279.
[本文引用: 1]

[45] Jiang Z, Huete A R, Didan K, Miura T . Development of a two-band enhanced vegetation index without a blue band
Remote Sens Environ, 2008,112:3833-3845.
DOI:10.1016/j.rse.2008.06.006URL [本文引用: 1]

[46] Horler D N H, Dockray M, Barber J . The red edge of plant leaf reflectance
Int J Remote Sens, 1983,4:273-288.
DOI:10.1080/01431168308948546URL [本文引用: 1]

[47] Herrmann I, Pimstein A, Karnieli A, Cohen Y, Alchanatis V, Bonfil D J . LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands
Remote Sens Environ, 2011,115:2141-2151.
DOI:10.1016/j.rse.2011.04.018URL [本文引用: 1]

[48] Hunt Jr E R, Doraiswamy P C, McMurtrey J E, Daughtry C S, Perry E M, Akhmedov B . A visible band index for remote sensing leaf chlorophyll content at the canopy scale
Int J Appl Earth Obs, 2013,21:103-112.
DOI:10.1016/j.jag.2012.07.020URL [本文引用: 1]

[49] 唐延林, 王人潮, 黄敬峰, 孔维姝, 程乾 . 不同供氮水平下水稻高光谱及其红边特征研究
遥感学报, 2004,8:185-192.
[本文引用: 1]

Tang Y L, Wang R C, Huang J F, Kong W S, Cheng Q . Hyperspectral data and their relationships correlative to the pigment contents for rice under different nitrogen support level
J Remote Sens, 2004,8:185-192 (in Chinese with English abstract).
[本文引用: 1]

[50] Tian Y C, Yao X, Yang J, Cao W X, Hannaway D B, Zhu Y . Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentration with ground- and space-based hyperspectral reflectance
Field Crops Res, 2011,120:299-310.
DOI:10.1016/j.fcr.2010.11.002URL [本文引用: 1]

[51] Huete A, Didan K, Miura T, Rodriguez E P, Gao X, Ferreira L G . Overview of the radiometric and biophysical performance of the MODIS vegetation indices
Remote Sens Environ, 2002,83:195-213.
DOI:10.1016/S0034-4257(02)00096-2URL [本文引用: 1]

[52] Li F, Miao Y X, Feng G H, Yuan F, Yue S C, Gao X W, Liu Y Q, Liu B, Ustin S L, Chen X P . Improving estimation of summer maize nitrogen status with red edge-based spectral vegetation indices
Field Crops Res, 2014,157:111-123.
DOI:10.1016/j.fcr.2013.12.018URL [本文引用: 1]

[53] Cho M A, Skidmore A, Corsi F, Wieren S E V, Sobhan I . Estimation of green grass/herb biomass from airborne hyperspectral imagery using spectral indices and partial least squares regression
Int J Appl Earth Obs, 2007,9:414-424.
DOI:10.1016/j.jag.2007.02.001URL [本文引用: 1]

[54] 宋开山, 张柏, 李方, 段洪涛, 王宗明 . 高光谱反射率与大豆叶面积及地上鲜生物量的相关分析
农业工程学报, 2005,21(1):38-42.
[本文引用: 1]

Song K S, Zhang B, Li F, Duan H T, Wang Z M . Correlative analyses of hyperspectral reflectance, soybean LAI and aboveground biomass
Trans CSAE, 2005,21(1):38-42 (in Chinese with English abstract).
[本文引用: 1]

[55] 王秀珍, 黄敬峰, 李云梅, 王人潮 . 水稻地上鲜生物量的高光谱遥感估算模型研究
作物学报, 2003,29:16-22.
[本文引用: 1]

Wang X Z, Huang J F, Li Y M, Wang R C . Study on hyperspectral remote sensing estimation models for the ground fresh biomass of rice
Acta Agron Sin, 2003,29:16-22 (in Chinese with English abstract).
[本文引用: 1]

[56] 焦险峰, 杨邦杰, 裴志远, 王飞 . 基于植被指数的作物产量监测方法研究
农业工程学报, 2005,21(4):104-108.
Magsci [本文引用: 1]
在作物收获以前进行大范围的作物长势评价与作物产量估测，对粮食供需平衡、贸易、农业政策制定非常重要。该文收集了1984年到2002年的NOAA卫星和农业统计资料，计算耕地范围的植被状态指数VCI、温度状态指数TCI和植被生长状态指数VHI，分析了遥感植被指数与作物产量间的相关关系，分别建立了基于植被指数的线性回归模型和非线性回归模型。结果表明，遥感植被指数与作物产量间存在较好的相关性，其非线性回归模型在拟合精度上高于线性回归模型。研究目的是利用卫星资料得出应用于监测作物长势的植被指数，建立作物产量监测模型，应用于农作物遥感监测业务化运行系统。
Jiao X F, Yang B J, Pei Z Y, Wang F . Monitoring crop yield using NOAA/AVHRR-based vegetation indices
Trans CSAE, 2005,21(4):104-108 (in Chinese with English abstract).
Magsci [本文引用: 1]
在作物收获以前进行大范围的作物长势评价与作物产量估测，对粮食供需平衡、贸易、农业政策制定非常重要。该文收集了1984年到2002年的NOAA卫星和农业统计资料，计算耕地范围的植被状态指数VCI、温度状态指数TCI和植被生长状态指数VHI，分析了遥感植被指数与作物产量间的相关关系，分别建立了基于植被指数的线性回归模型和非线性回归模型。结果表明，遥感植被指数与作物产量间存在较好的相关性，其非线性回归模型在拟合精度上高于线性回归模型。研究目的是利用卫星资料得出应用于监测作物长势的植被指数，建立作物产量监测模型，应用于农作物遥感监测业务化运行系统。

[57] 王延颐 . 植被指数与水稻长势及产量结构要素关系的研究
国土资源遥感, 1996, (1):56-59.
[本文引用: 1]

Wang Y Y . The relationship between vegetation index and rice growth and rice yield components
Remote Sens Land Resour, 1996, (1):56-59 (in Chinese with English abstract).
[本文引用: 1]

[58] Dempewolf J, Adusei B, Becker-Reshef I, Hansen M, Potapov P, Khan A, Barker B . Wheat yield forecasting for Punjab Province from vegetation index time series and historic crop statistics
Remote Sens, 2014,6:9653-9675.
DOI:10.3390/rs6109653URL [本文引用: 1]

[59] Mkhabela M S, Bullock P, Raj S, Wang S, Yang Y . Crop yield forecasting on the Canadian Prairies using MODIS NDVI data
Agric Forest Meteorol, 2011,151:385-393.
DOI:10.1016/j.agrformet.2010.11.012URL [本文引用: 1]

[60] Ren J Q, Chen Z X, Zhou Q B, Tang H J . Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong, China
Int J Appl Earth Obs, 2008,10:403-413.
DOI:10.1016/j.jag.2007.11.003URL [本文引用: 1]

[61] 黄楠, 王强, 王鹏, 张国庆, 刘凌菲 . 应用归一化植被指数的玉米产量预测研究
黑龙江农业科学, 2014, (2):130-132.
[本文引用: 1]

Huang N, Wang Q, Wang P, Zhang G Q, Liu L F . Maize yield prediction research based on the NDVI
Heilongjiang Agric Sci, 2014, (2):130-132 (in Chinese with English abstract).
[本文引用: 1]

[62] Wardlow B D, Egbert S L . Large-area crop mapping using time-series MODIS 250 m NDVI data: an assessment for the U.S. Central Great Plains
Remote Sens Environ, 2008,112:1096-1116.
DOI:10.1016/j.rse.2007.07.019URL [本文引用: 1]

[63] Chu L, Liu Q S, Huang C, Liu G H . Monitoring of winter wheat distribution and phenological phases based on MODIS time- series: a case study in the Yellow River Delta, China
J Integr Agric, 2016,15:2403-2416.
DOI:10.1016/S2095-3119(15)61319-3URL [本文引用: 1]

[64] 冯伟, 朱艳, 田永超, 姚霞, 郭天财, 曹卫星 . 基于高光谱遥感的小麦籽粒产量预测模型研究
麦类作物学报, 2007,27:1076-1084.
[本文引用: 1]

Feng W, Zhu Y, Tian Y C, Yao X, Guo T C, Cao W X . Model for predicting grain yield with canopy hyperspectal remote sensing in wheat
J Triticeae Crop, 2007,27:1076-1084 (in Chinese with English abstract).
[本文引用: 1]

[65] 唐延林, 黄敬峰, 王人潮, 王福民 . 水稻遥感估产模拟模式比较
农业工程学报, 2004,20(1):166-171.
Magsci [本文引用: 1]
通过大田小区试验，测定了2个品种、3个供氮水平处理的水稻抽穗后不同时期冠层的光谱反射率、叶面积指数及最后的理论产量和实际产量，模拟MSS、TM、SPOT、资源一号CCD相机、IKONOS、MODIS和高光谱的波段来构建光谱差值植被指数DVI、比值植被指数RVI、差值归一化植被指数NDVI和绿度G，并模拟建立遥感估产模式。结果表明：单变量估产模式以差值植被指数DVI效果最好，蜡熟期估产效果要优于抽穗期和灌浆期；多时期复合估产模式估产效果要优于单一生育期；成熟期各种数据的DVI估产模式具有相近估产精度，达91%以上，其中MSS波段的估产精度最高。
Tang Y L, Huang J F, Wang R C, Wang F M . Comparsion of yield estimation simulated models of rice by remote sensing
Trans CSAE, 2004,20(1):166-171 (in Chinese with English abstract).
Magsci [本文引用: 1]
通过大田小区试验，测定了2个品种、3个供氮水平处理的水稻抽穗后不同时期冠层的光谱反射率、叶面积指数及最后的理论产量和实际产量，模拟MSS、TM、SPOT、资源一号CCD相机、IKONOS、MODIS和高光谱的波段来构建光谱差值植被指数DVI、比值植被指数RVI、差值归一化植被指数NDVI和绿度G，并模拟建立遥感估产模式。结果表明：单变量估产模式以差值植被指数DVI效果最好，蜡熟期估产效果要优于抽穗期和灌浆期；多时期复合估产模式估产效果要优于单一生育期；成熟期各种数据的DVI估产模式具有相近估产精度，达91%以上，其中MSS波段的估产精度最高。

[66] Johnson D M . An assessment of pre- and within-season remotely sensed variables for forecasting corn and soybean yields in the United States
Remote Sens Environ, 2014,141:116-128.
DOI:10.1016/j.rse.2013.10.027URL [本文引用: 1]

[67] Magney T S, Eitel J U H, Huggins D R, Vierling L A . Proximal NDVI derived phenology improves in-season predictions of wheat quantity and quality
Agric Forest Meteorol, 2016,217:46-60.
DOI:10.1016/j.agrformet.2015.11.009URL [本文引用: 1]

[68] Ma H Y, Huang J X, Zhu D H, Liu J M, Su W, Zhang C, Fan J L . Estimating regional winter wheat yield by assimilation of time series of HJ-1 CCD NDVI into WOFOST-ACRM model with Ensemble Kalman Filter
Math Comput Model, 2013,58:759-770.
DOI:10.1016/j.mcm.2012.12.028URL [本文引用: 1]

[69] Fang H L, Liang S L, Hoogenboom G . Integration of MODIS LAI and vegetation index products with the CSM-CERES-Maize model for corn yield estimation
Int J Remote Sens, 2011,32:1039-1065.
DOI:10.1080/01431160903505310URL [本文引用: 1]

[70] 王绍中, 季书勤, 张德奇, 李秀民, 吕平安 . 河南省小麦栽培技术的演变与发展
河南农业科学, 2007,36(10):19-26.
DOI:10.3969/j.issn.1004-3268.2007.10.005Magsci [本文引用: 1]
概述了57年（1949-2006年）来河南省小麦栽培技术的发展过程,总结了河南省小麦不同生产阶段、不同产量水平运用的综合栽培技术;全面展示了河南小麦由低产？中产？高产？超高产的关键栽培技术,尤其是近期每公顷产量9000-10500kg水平的典型栽培技术,对河南省乃至黄淮南片麦区今后的小麦高产栽培都有一定的参考价值。
Wang S Z, Ji S Q, Zhang D Q, Li X M, Lyu P A . Evolution and development of wheat cultivation techniques in Henan Province
J Henan Agric Sci, 2007,36(10):19-26.
DOI:10.3969/j.issn.1004-3268.2007.10.005Magsci [本文引用: 1]
概述了57年（1949-2006年）来河南省小麦栽培技术的发展过程,总结了河南省小麦不同生产阶段、不同产量水平运用的综合栽培技术;全面展示了河南小麦由低产？中产？高产？超高产的关键栽培技术,尤其是近期每公顷产量9000-10500kg水平的典型栽培技术,对河南省乃至黄淮南片麦区今后的小麦高产栽培都有一定的参考价值。

[71] 王永华, 郭天财, 朱云集, 王晨阳, 康国章 . 河南省不同类型麦区小麦丰产高效栽培技术规程
河南农业科学, 2006,35(5):14-18.
[本文引用: 1]

Wang Y H, Guo T C, Zhu Y J, Wang C Y, Kang G Z . Regulations for high yield and high efficiency cultivation of wheat in different wheat regions of Henan province
J Henan Agric Sci, 2006,35(5):14-18 (in Chinese with English abstract).
[本文引用: 1]

[72] Duveiller G, Lopez-Lozano R, Cescatti A . Exploiting the multi-angularity of the MODIS temporal signal to identify spatially homogeneous vegetation cover: a demonstration for agricultural monitoring applications
Remote Sens Environ, 2015,166:61-77.
DOI:10.1016/j.rse.2015.06.001URL [本文引用: 1]