尹 雯，李衛(wèi)國(guó)，申雙和，董瑩瑩，王志明，陳 華

(1.南京信息工程大學(xué)應(yīng)用氣象學(xué)院,江蘇南京 210044； 2.江蘇省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所,江蘇南京 210014； 3.中國(guó)科學(xué)院遙感與數(shù)字地球研究所，北京 100094)

冬小麥生物量和葉面積指數(shù)是反映冬小麥長(zhǎng)勢(shì)好壞的重要農(nóng)學(xué)參數(shù)，其中生物量是冬小麥進(jìn)行遙感產(chǎn)量估測(cè)的重要依據(jù)指標(biāo)[1]。作為與光合作用、干物質(zhì)積累相關(guān)的重要生理生態(tài)參數(shù)，生物量與葉面積指數(shù)不僅能反映冬小麥生長(zhǎng)動(dòng)態(tài)信息，還是冬小麥生長(zhǎng)模型的重要指標(biāo)參量[2-4]。利用遙感技術(shù)快速、無(wú)損、實(shí)時(shí)地大范圍監(jiān)測(cè)冬小麥生物量和葉面積指數(shù)，能夠及時(shí)地了解縣域冬小麥生長(zhǎng)動(dòng)態(tài)，便于采取相應(yīng)的農(nóng)田調(diào)控管理措施，實(shí)現(xiàn)增產(chǎn)目的。

有關(guān)利用遙感技術(shù)監(jiān)測(cè)作物長(zhǎng)勢(shì)的研究已取得顯著進(jìn)展。在作物長(zhǎng)勢(shì)遙感監(jiān)測(cè)中所利用的遙感監(jiān)測(cè)模型大致可分為兩大類。第一類是經(jīng)驗(yàn)性回歸模型，即利用作物長(zhǎng)勢(shì)指標(biāo)(如LAI、生物量等)與各種植被指數(shù)間的相關(guān)關(guān)系，建立回歸模型。利用經(jīng)驗(yàn)性模型估算生物量、LAI簡(jiǎn)單方便，容易獲取，但時(shí)空上適用性較弱。如陳雪洋等[5]利用HJ星數(shù)據(jù)，分析了歸一化植被指數(shù)(NDVI)、比值植被指數(shù)(RVI)、土壤調(diào)節(jié)植被指數(shù)(SAVI)及增強(qiáng)型植被指數(shù)(EVI)與LAI間的相關(guān)關(guān)系，建立由比值植被指數(shù)(RVI)反演的冬小麥LAI模型。王備戰(zhàn)等[6]基于SPOT-5影像，對(duì)冬小麥拔節(jié)期生物量和NDVI、RVI進(jìn)行定量關(guān)系研究，并建立了生物量反演模型。金正婷[7]利用冬小麥抽穗期的HJ影像，建立了植被指數(shù)與冬小麥長(zhǎng)勢(shì)指標(biāo)間的關(guān)系模型。第二類是具有機(jī)理性的估測(cè)模型，即利用遙感反演信息與生長(zhǎng)模型相耦合，通過(guò)優(yōu)化模型參數(shù)，對(duì)作物長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)。如劉 峰等[8]通過(guò)構(gòu)建遙感數(shù)據(jù)與CERES-Wheat作物生長(zhǎng)模型的同化系統(tǒng)，較好地估算了冬小麥LAI。葛廣秀[9]利用HJ星影像，結(jié)合光合生產(chǎn)模型，構(gòu)建了冬小麥LAI的遙感估測(cè)模型。李衛(wèi)國(guó)等[10]利用TM數(shù)據(jù)反演冬小麥LAI，對(duì)冬小麥估產(chǎn)模型進(jìn)行參數(shù)優(yōu)化，有效實(shí)現(xiàn)對(duì)冬小麥生長(zhǎng)估測(cè)。將遙感反演信息與作物生長(zhǎng)模型相耦合進(jìn)行作物生長(zhǎng)監(jiān)測(cè)，由于其綜合考慮了作物品種、氣候環(huán)境因素以及作物生理生態(tài)過(guò)程，因而具有監(jiān)測(cè)范圍廣、適用性好的特點(diǎn)，能高精度地實(shí)現(xiàn)對(duì)作物生長(zhǎng)估測(cè)[11]。前人研究多數(shù)是利用單景遙感影像作為數(shù)據(jù)源，通過(guò)反演作物L(fēng)AI，與作物生長(zhǎng)模型相耦合進(jìn)行某個(gè)時(shí)相作物生長(zhǎng)監(jiān)測(cè)，而有關(guān)利用多時(shí)相遙感數(shù)據(jù)并重構(gòu)作物長(zhǎng)勢(shì)指標(biāo)估測(cè)模型進(jìn)行縣域作物長(zhǎng)勢(shì)動(dòng)態(tài)變化的研究則鮮有報(bào)道。

本研究以江蘇省沭陽(yáng)縣冬小麥為研究對(duì)象，選用兩景不同時(shí)期的HJ-1A/1B多光譜影像數(shù)據(jù)，基于冬小麥生物量形成的生理生態(tài)過(guò)程，重構(gòu)冬小麥生物量遙感估測(cè)模型。利用植被指數(shù)反演的LAI數(shù)據(jù)，對(duì)冬小麥生物量遙感估測(cè)模型進(jìn)行參數(shù)修訂，在對(duì)縣域冬小麥拔節(jié)期生物量空間分布進(jìn)行監(jiān)測(cè)的基礎(chǔ)上，進(jìn)一步估測(cè)冬小麥抽穗期生物量空間分布特征及其動(dòng)態(tài)變化特點(diǎn)，以期探索一種適合縣域冬小麥長(zhǎng)勢(shì)動(dòng)態(tài)變化遙感估測(cè)的有效方法。

1 材料與方法

1.1 試驗(yàn)區(qū)域和數(shù)據(jù)調(diào)查

試驗(yàn)選擇江蘇省沭陽(yáng)縣為研究區(qū)，其位于33°53′N～34°25′N和118°30′E～119°10′E之間。研究區(qū)小麥種植品種主要為揚(yáng)麥16號(hào)和寧麥13號(hào)。在冬小麥拔節(jié)期和抽穗期調(diào)查種植模式、群體莖蘗數(shù)、生物量、LAI等作物生長(zhǎng)信息。試驗(yàn)樣點(diǎn)選取30個(gè)，每個(gè)樣點(diǎn)均選擇種植面積大、能代表附近冬小麥長(zhǎng)勢(shì)的田塊。采用Green Seeker冠層光譜儀和Sun Scan葉面積指數(shù)儀分別測(cè)量試驗(yàn)樣點(diǎn)冬小麥的地物光譜信息(包括紅光反射率和近紅外反射率)和冬小麥葉面積指數(shù)(LAI)。每個(gè)試驗(yàn)樣點(diǎn)以對(duì)角線法測(cè)定五次，取平均值作為該樣點(diǎn)的數(shù)據(jù)。為了減少不良光照條件的影響，冬小麥光譜采集時(shí)間定于10點(diǎn)至14點(diǎn)進(jìn)行。另外，試驗(yàn)樣點(diǎn)取地上部植株于取樣袋中，置室內(nèi)烘箱105 ℃殺青20 min，75 ℃烘干并稱取重，計(jì)算每公頃的生物量。氣象數(shù)據(jù)由當(dāng)?shù)貧庀蟛块T提供。

1.2 遙感數(shù)據(jù)的獲取與處理

遙感影像數(shù)據(jù)從中國(guó)資源衛(wèi)星應(yīng)用網(wǎng)站下載，選取2014年3月21日和2014年4月4日的兩景HJ衛(wèi)星影像。HJ星又稱環(huán)境減災(zāi)衛(wèi)星[12]，包括A、B兩顆光學(xué)小衛(wèi)星，其搭載的CCD傳感器空間分辨率為30 m×30 m，含有藍(lán)光、綠光、紅光和近紅外四個(gè)光譜波段。A、B兩顆衛(wèi)星組網(wǎng)后幅寬為700 km，重訪周期為兩天。在EARDAS遙感影像處理軟件中，首先利用帶有投影坐標(biāo)的遙感影像作為參考圖像，對(duì)已獲取的兩幅遙感影像進(jìn)行多項(xiàng)式幾何校正，然后結(jié)合地面實(shí)測(cè)GPS建立的試驗(yàn)樣點(diǎn)對(duì)衛(wèi)星影像進(jìn)行幾何精校正，確保校正誤差小于0.5個(gè)像元，在ENVI軟件中進(jìn)行FLASHH大氣校正。最后利用沭陽(yáng)縣行政邊界矢量圖截取沭陽(yáng)縣研究區(qū)范圍。

1.3 冬小麥生物量模型描述

冬小麥生物量是指冬小麥在經(jīng)過(guò)光合作用同化后產(chǎn)生的干物質(zhì)質(zhì)量，是表征冬小麥群體長(zhǎng)勢(shì)的重要參數(shù)之一，主要包括根、莖、葉和籽粒。參照李衛(wèi)國(guó)等[13-14]的冬小麥估產(chǎn)模型算法，對(duì)冬小麥地上部生物量模型(Winter wheat above ground biomass model，WABM)描述如下：

在小麥生育期內(nèi)，地上部分生物量可由下式得出：

(1)

式(1)中，WABi是第i天地上部生物量(單位為kg·hm-2)，WAB1(出苗第一天的地上部干物重)定義為播種量(kg·hm-2)的一半。△WABi為第i天地上部生物量日增重(單位為kg·hm-2·d-1)，i為從播種到成熟期的天數(shù)(d)，n為品種生育期(d)。

△WABi的算法為：

△WABi=△PHDi-RGi-RMi

(2)

式(2)中，ΔPHDi、RGi和RMi分別表示第i天冬小麥群體光合同化量(kg·hm-2·d-1)、生長(zhǎng)呼吸消耗量(kg·hm-2·d-1)和維持呼吸消耗量(kg·hm-2·d-1)。生長(zhǎng)呼吸消耗量(RGi)和維持呼吸消耗量(RMi)按如下算法計(jì)算：

RGi=△PHDi×Rg

(3)

RMi=WABi×Rm×Q10(T-25)/10

(4)

式(3)和(4)中，Rg為冬小麥生長(zhǎng)呼吸系數(shù)；Rm為維持呼吸系數(shù)；Q10為呼吸作用的溫度系數(shù)，T表示日平均溫度(℃)。

日光合同化量(ΔPHDi)的算法描述如下：

DL×δ×min(NF，WF)

(5)

式(5)中，K為群體消光系數(shù)，LAIi為第i天的葉面積指數(shù)，B、A是模型參數(shù)，δ為CH2O和CO2間的轉(zhuǎn)換系數(shù)，取值0.68。NF、WF分別表示氮素和水分影響因子，其具體算法參考李衛(wèi)國(guó)等[10]的方法。dPAR是日光合有效輻射，即能被綠色植物吸收用來(lái)進(jìn)行光合作用的太陽(yáng)輻射能量。它是植物生命活動(dòng)、有機(jī)物質(zhì)合成和生物量積累的主要能量來(lái)源。植株能吸收并能利用的太陽(yáng)輻射只占總太陽(yáng)輻射的47%～48%。dPAR(MJ·m-2)算法如下所示：

dPAR=A×dR×0.47×(1-α)/DL

(6)

式(6)中，dR表示每日太陽(yáng)總輻射量(MJ·m-2)，α表示冬小麥群體反射率(%)。

DL為日長(zhǎng)(h)，可通過(guò)下列算法獲?。?/p>

DL=2×arccos(-Tanψ×Tanβ)/15

(7)

式(7)中，ψ為地理緯度(°)，β為太陽(yáng)赤緯，具體算法如下所述：

β=23.5×sin[360×(d+284)/365]

(8)

式(8)中，d為儒歷日(d=1，2，3，…，365)。

1.4 植被指數(shù)計(jì)算

歸一化植被指數(shù)(NDVI)和比值植被指數(shù)(RVI)的計(jì)算公式如下：

式中，ρNIR為近紅外波段反射率，ρRED為紅光波段反射率。

2 結(jié)果與分析

2.1 冬小麥拔節(jié)期葉面積指數(shù)監(jiān)測(cè)結(jié)果

首先通過(guò)利用GPS樣點(diǎn)的矢量數(shù)據(jù)提取沭陽(yáng)縣衛(wèi)星遙感影像的紅光波段反射率和近紅外波段反射率，計(jì)算影像的NDVI和RVI散點(diǎn)值。將提取的NDVI和RVI散點(diǎn)值與試驗(yàn)觀測(cè)的LAI數(shù)據(jù)進(jìn)行圖形擬合(圖1)。由圖1可以看出，冬小麥拔節(jié)初期LAI變化范圍為1.5～3.5，大部分LAI處在2.0～3.2范圍。LAI與兩種植被指數(shù)之間擬合度較好，均呈指數(shù)型正相關(guān)關(guān)系。其中，NDVI與LAI的關(guān)系模型為L(zhǎng)AI=0.693 5×e(2.346 6×NDVI)，r2為0.926 7；RVI與LAI的關(guān)系模型為L(zhǎng)AI=0.923 8×e(0.231 4×RVI)，決定系數(shù)為0.883 1。由于NDVI與LAI的相關(guān)關(guān)系好于RVI，因此選擇NDVI作為反演冬小麥拔節(jié)初期LAI的最佳植被指數(shù)。

利用所建立的指數(shù)回歸方程，在ENVI的BAND MATH模塊中將拔節(jié)期的遙感影像上的NDVI值轉(zhuǎn)化成LAI值，并在EARDAS的MODELER模塊和ArcGIS中制作冬小麥拔節(jié)期LAI分級(jí)監(jiān)測(cè)圖。結(jié)合當(dāng)?shù)乜h級(jí)農(nóng)業(yè)部門常用的LAI長(zhǎng)勢(shì)分級(jí)方法，依據(jù)LAI的大小將冬小麥長(zhǎng)勢(shì)分為三個(gè)等級(jí)：第一級(jí)(用LAI-Ⅰ符號(hào)表示)，LAI≥3，表示冬小麥長(zhǎng)勢(shì)旺盛；第二級(jí)(LAI-Ⅱ)，2≤LAI<3，表示冬小麥長(zhǎng)勢(shì)正常；第三級(jí)(LAI-Ⅲ)，當(dāng)LAI<2，表示冬小麥長(zhǎng)勢(shì)較弱(如圖2所示)。從圖2可以看出，沭陽(yáng)縣冬小麥拔節(jié)期三個(gè)長(zhǎng)勢(shì)等級(jí)的田塊均有分布。其中，長(zhǎng)勢(shì)旺盛(LAI-Ⅰ)的田塊較少，主要分布在大片種植區(qū)內(nèi)和新沂河河灘上；長(zhǎng)勢(shì)正常(LAI-Ⅱ)的田塊所占比重較大，主要集中在西南部和西北部成片種植區(qū)，如悅來(lái)、耿圩、隴集、茆圩等地；長(zhǎng)勢(shì)較差(LAI-Ⅲ)的田塊集中在縣城的東北部，如高墟、青伊湖、桑墟、西圩等鄉(xiāng)鎮(zhèn)，這可能是由于這些鄉(xiāng)鎮(zhèn)播種較晚，同時(shí)3月份氣溫較低，冬小麥生長(zhǎng)較為遲緩。

2.2 冬小麥拔節(jié)期生物量遙感估測(cè)結(jié)果

利用沭陽(yáng)試驗(yàn)區(qū)樣點(diǎn)的初始品種參數(shù)、氣象資料(日平均溫度、太陽(yáng)輻射)等數(shù)據(jù)，運(yùn)行冬小麥生物量模型(WABM)，得到冬小麥拔節(jié)期樣點(diǎn)生物量估測(cè)值。比較樣點(diǎn)生物量估測(cè)值與觀測(cè)值，二者之間存在誤差，因此進(jìn)行冬小麥生物量模型參數(shù)調(diào)整。將冬小麥拔節(jié)期樣點(diǎn)生物量觀測(cè)值和LAI遙感反演值作為冬小麥生物量模型的約束條件，利用最小二乘法調(diào)整模型參數(shù)，得到新的模型參數(shù)信息數(shù)據(jù)(表1)。將新的模型參數(shù)輸入冬小麥生物量估測(cè)模型，重新估測(cè)冬小麥拔節(jié)期樣點(diǎn)生物量數(shù)據(jù)。

為驗(yàn)證模型參數(shù)修訂后冬小麥生物量的估測(cè)效果，利用沭陽(yáng)縣樣點(diǎn)冬小麥生物量模型估測(cè)值和樣點(diǎn)觀測(cè)值數(shù)據(jù)建立1∶1的關(guān)系圖(圖3)。從圖3可以看出，冬小麥拔節(jié)期生物量估測(cè)值范圍為2 054.3 ～4 828.3 kg·hm-2，平均為3 148 kg·hm-2，冬小麥生物量觀測(cè)值范圍為1 962.5～4 568.4 kg·hm-2，平均為3 045.5 kg·hm-2，RMSE為214.8 kg·hm-2，r2為0.919，表明模型參數(shù)修訂后冬小麥生物量模型估測(cè)效果較好。

為進(jìn)行沭陽(yáng)全縣冬小麥生物量遙感估測(cè)，需要建立樣點(diǎn)NDVI與生物量估測(cè)值之間的遙感轉(zhuǎn)換模型(YWBWT)：YWBWT=374.8×e(3.165 4×NDVI)。在EARDAS軟件MODELER模塊中，利用生物量遙感轉(zhuǎn)換模型進(jìn)行沭陽(yáng)全縣冬小麥生物量遙感估測(cè)預(yù)算，得到生物量遙感估測(cè)圖(圖4)。依據(jù)當(dāng)?shù)乜h級(jí)農(nóng)業(yè)部門常用的冬小麥生物量長(zhǎng)勢(shì)分級(jí)方法，可將冬小麥長(zhǎng)勢(shì)分為三級(jí)：第一級(jí)(生物量-Ⅰ級(jí))，生物量>4 000 kg·hm-2，表示長(zhǎng)勢(shì)旺盛；第二級(jí)(生物量-Ⅱ級(jí))，3 000 kg·hm-2≤生物量<4 000 kg·hm-2，表示長(zhǎng)勢(shì)正常；第三級(jí)(生物量-Ⅲ級(jí))，生物量≤2 500 kg·hm-2，表示長(zhǎng)勢(shì)較弱(圖4)。在ArcGIS中對(duì)沭陽(yáng)縣冬小麥不同生物量等級(jí)的田塊分布面積進(jìn)行統(tǒng)計(jì)，列于表2。從表2中可以看出，長(zhǎng)勢(shì)正常的田塊面積為61 310.0 hm2，占總種植面積的72.2%；長(zhǎng)勢(shì)較弱的田塊面積為19 174.8 hm2，占總種植面積的22.6%。結(jié)合圖4可以看出，長(zhǎng)勢(shì)較弱的冬小麥主要分布在東北部的高墟、西圩、青伊湖等鄉(xiāng)鎮(zhèn)，這些地區(qū)需加強(qiáng)農(nóng)田管理，以促進(jìn)冬小麥拔節(jié)期生長(zhǎng)。冬小麥長(zhǎng)勢(shì)正常的田塊主要分布在沭陽(yáng)縣西南和東南部，這些區(qū)域麥田多為集中連片，田間水肥管理較為合理。長(zhǎng)勢(shì)旺盛的冬小麥田塊所占比重不大，約占總種植面積的5.2%，主要分布于新沂河河灘上。

圖1 NDVI和RVI兩種植被指數(shù)與冬小麥拔節(jié)期LAI的關(guān)系

參數(shù) Parameter名稱 Name取值 ValueRg生長(zhǎng)呼吸系數(shù) Coefficientofgrowthrespiration0.350Rm維持呼吸系數(shù) Coefficientofmaintainrespiratory0.019Q10呼吸作用的溫度系數(shù) Temperaturecoefficientofrespiration2B最大光合速率 Maximumphotosyntheticrate/(kg·hm-2)21A模型調(diào)整系數(shù) Modeladjustmentfactor4.90α小麥群體反射率 Wheatpopulationreflectance/%8K消光系數(shù) Extinctioncoefficient0.680LAI1初始葉面積指數(shù) Initialleafareaindex0.320WAB1初始生物量 Initialbiomass/(kg·hm-2)75

圖2 冬小麥拔節(jié)期生物量觀測(cè)值與估測(cè)值間的關(guān)系

圖3 沭陽(yáng)縣冬小麥拔節(jié)期LAI的遙感估測(cè)結(jié)果

2.3 冬小麥抽穗期生物量動(dòng)態(tài)變化

利用參數(shù)修訂后的冬小麥生物量模型(WABM)對(duì)抽穗期冬小麥生物量進(jìn)行估測(cè)，并按照冬小麥生物量大小進(jìn)行三級(jí)劃分。第一級(jí)(生物量-Ⅰ級(jí))，生物量>6 000 kg·hm-2，表示長(zhǎng)勢(shì)旺盛。第二級(jí)(生物量-Ⅱ級(jí))，5 000 kg·hm-2≤ 生物量<6 000 kg·hm-2，表示長(zhǎng)勢(shì)正常。第三級(jí)(生物量-Ⅲ級(jí))，生物量≤5 000 kg·hm-2，表示長(zhǎng)勢(shì)較弱(圖5)。從圖5看出，沭陽(yáng)縣冬小麥抽穗期長(zhǎng)勢(shì)較為均勻，長(zhǎng)勢(shì)正常的田塊居多。長(zhǎng)勢(shì)旺盛的冬小麥田塊分布較少，主要位于新沂河河灘、劉集和悅來(lái)等少數(shù)幾個(gè)鄉(xiāng)鎮(zhèn)。長(zhǎng)勢(shì)較弱的田塊分布較為零星，主要分布在沭陽(yáng)縣東南部道路兩旁以及城郊附近的農(nóng)田，可能是因?yàn)檫@些地區(qū)小麥田塊較為零散，農(nóng)田管理相對(duì)滯后所致。

表2 沭陽(yáng)縣冬小麥拔節(jié)期不同生物量等級(jí)的種植面積分布Table 2 Distribution of planting area of different biomass grades of winter wheat at jointing stage

圖4 沭陽(yáng)縣冬小麥拔節(jié)期生物量的遙感估測(cè)結(jié)果

圖5 沭陽(yáng)縣冬小麥抽穗期生物量的遙感估測(cè)結(jié)果

為進(jìn)一步研究?jī)蓚€(gè)生育期間冬小麥生物量的動(dòng)態(tài)變化，將冬小麥抽穗期生物量遙感影像圖和冬小麥拔節(jié)期遙感影像圖在ENVI軟件中進(jìn)行減運(yùn)算，并根據(jù)生物量變化大小分為三個(gè)等級(jí)。第一級(jí)(變化量-Ⅰ級(jí))，生物量>3 000 kg·hm-2，表示冬小麥長(zhǎng)勢(shì)變化極快。第二級(jí)(變化量-Ⅱ級(jí))，2 500 kg·hm-2≤生物量<3 000 kg·hm-2，表示冬小麥長(zhǎng)勢(shì)變化快。第三級(jí)(生物量-Ⅲ級(jí))，生物量≤2 500 kg·hm-2，表示冬小麥長(zhǎng)勢(shì)變化正常(圖6)。從圖6和沭陽(yáng)縣冬小麥抽穗期不同生物量變化等級(jí)的種植面積(表3)可以看出，冬小麥長(zhǎng)勢(shì)變化正常的田塊分布較廣，占全縣冬小麥種植面積的70.6%，主要分布在縣區(qū)的西北、中部和南部鄉(xiāng)鎮(zhèn)。長(zhǎng)勢(shì)變化快的田塊面積為20 108.7 hm2，占總種植面積的23.4%，主要分布在縣區(qū)的東北部，如西圩、青伊湖、官塘以及華沖等鄉(xiāng)鎮(zhèn)。長(zhǎng)勢(shì)變化極快的田塊面積為5 159.6 hm2，占總種植面積的5.9%，主要集中在沭陽(yáng)縣東北的高墟、青伊湖農(nóng)場(chǎng)等幾個(gè)鄉(xiāng)鎮(zhèn)。冬小麥拔節(jié)期氣溫回升和降雨增多，促進(jìn)了植株拔節(jié)以及麥穗的分化生長(zhǎng)，使得冬小麥生物量快速增加，當(dāng)?shù)剞r(nóng)田水肥管理措施也起到明顯作用。對(duì)于一些長(zhǎng)勢(shì)變化極快的麥田，需要加強(qiáng)有效的監(jiān)護(hù)管理，以防長(zhǎng)勢(shì)過(guò)旺產(chǎn)生倒伏引起產(chǎn)量下降。

3 討 論

前人利用遙感方法對(duì)作物長(zhǎng)勢(shì)估測(cè)做了很多研究，多數(shù)研究是利用單景或多景遙感影像數(shù)據(jù)對(duì)作物長(zhǎng)勢(shì)進(jìn)行經(jīng)驗(yàn)性估測(cè)[7,15-16]，也有研究將植被指數(shù)反演LAI與生長(zhǎng)模型結(jié)合對(duì)作物生物量或產(chǎn)量進(jìn)行估測(cè)，其主要注重模型參數(shù)的調(diào)整和對(duì)模型精準(zhǔn)度的評(píng)價(jià)[13,17-18]。隨著地球空間信息技術(shù)的不斷發(fā)展，多遙感數(shù)據(jù)已逐漸成為估算冬小麥生物量的客觀信息基礎(chǔ)，特別需要研發(fā)一整套能宏觀、及時(shí)動(dòng)態(tài)地在時(shí)間和空間尺度上估測(cè)縣域冬小麥生物量的遙感方法或技術(shù)體系，有效服務(wù)于縣域大田作物的生產(chǎn)管理與決策。本研究基于不同時(shí)相的HJ星遙感影像，利用植被指數(shù)反演冬小麥LAI，并將其作為冬小麥生物量模型與遙感數(shù)據(jù)的耦合點(diǎn)，結(jié)合冬小麥生理生態(tài)過(guò)程，調(diào)整冬小麥生物量模型參數(shù)，利用參數(shù)修訂后的冬小麥生物量模型對(duì)縣域冬小麥生物量進(jìn)行估測(cè)。結(jié)果表明，冬小麥拔節(jié)期生物量估測(cè)值范圍為2 054.3～4 828.3 kg·hm-2，平均為3 148 kg·hm-2，冬小麥生物量觀測(cè)值范圍為1 962.5～ 4 568.4 kg·hm-2，平均為3 045.5 kg·hm-2，RMSE為214.8 kg·hm-2，說(shuō)明冬小麥生物量模型模擬精度較好。從冬小麥抽穗期生物量遙感監(jiān)測(cè)圖看出，抽穗期生物量較拔節(jié)期發(fā)生明顯變化，其中長(zhǎng)勢(shì)變化快的田塊面積為20 108.7 hm2，占總種植面積的23.4%。春季氣候因素的轉(zhuǎn)好以及肥水的有效管理對(duì)冬小麥營(yíng)養(yǎng)與生殖共生階段的生長(zhǎng)起到明顯促進(jìn)作用。

表3 沭陽(yáng)縣冬小麥抽穗期不同生物量變化等級(jí)的種植面積分布Table 3 Distribution of planting area of different biomass variation grades of Winter Wheat at heading stage

選用兩景不同生育期的遙感影像，結(jié)合冬小麥生物量模型，較好地估測(cè)了冬小麥拔節(jié)到抽穗階段的生物量空間信息，同時(shí)獲得了該生育階段冬小麥生物量的空間動(dòng)態(tài)變化，該方法可為縣級(jí)農(nóng)業(yè)部門及時(shí)獲取縣域冬小麥生長(zhǎng)信息提供技術(shù)參考。本研究只選取了拔節(jié)期和抽穗期兩個(gè)生育期的生物量為研究對(duì)象，由于冬小麥齊穗后生物量和LAI隨生育期的變化有所不同，該方法是否適用于估測(cè)更長(zhǎng)生育期間冬小麥生物量的動(dòng)態(tài)變化，還需進(jìn)一步深入研究。

[1]王紀(jì)華,趙春江,黃文江.農(nóng)業(yè)定量遙感基礎(chǔ)與應(yīng)用[M].北京:科學(xué)出版社,2008,260.

WANG J H,ZHAO C J,HUANG W J.Foundation and application of agricultural quantitative remote sensing [M].Beijing:Science Press,2008:260.

[2]王 航,朱 艷,馬孟莉,等.基于更新和同化策略相結(jié)合的遙感信息與水稻生長(zhǎng)模型耦合技術(shù)的研究[J].生態(tài)學(xué)報(bào),2012,(14):4506.

WANG H,ZHU Y,MA M L,etal.Coupling remotely sensed information with a rice growth model by combining updating and assimilation strategies [J].ActaEcologicaSinica,2012,32(14):4506．

[3]侯學(xué)會(huì),牛 錚,黃 妮,等.小麥生物量和真實(shí)葉面積指數(shù)的高光譜遙感估算模型[J].國(guó)土資源遙感,2012,95(4):34.

HOU X H,NIU Z,HUANG N,etal.The hyperspectral remote sensing estimation models of total biomass and true LAI of wheat [J].RemoteSensingforLand&Resources,2012,95(4):34.

[4]姜志偉,陳仲新,任建強(qiáng),等.粒子濾波同化方法在CERES-Wheat作物模型估產(chǎn)中的應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào),2012,(14):138.

JIANG Z W,CHEN Z X,REN J Q,etal.Estimation of crop yield using CERES-Wheat model based on particle filter data assimilation method [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2012,28(14):138.

[5]陳雪洋,蒙繼華,杜 鑫,等.基于環(huán)境星CCD數(shù)據(jù)的冬小麥葉面積指數(shù)遙感監(jiān)測(cè)模型研究[J].國(guó)土資源遙感,2010，84(2):58.

CHEN X Y,MENG J H,DU X,etal.The monitoring of the winter wheat leaf area index based on HJ-1CCD dada [J].RemoteSensingforLand&Resources,2010,84(2):58.

[6]王備戰(zhàn),馮 曉,溫 暖,等.基于SPOT-5影像的冬小麥拔節(jié)期生物量及氮積累量監(jiān)測(cè)[J].中國(guó)農(nóng)業(yè)科學(xué),2012,45(15):3055.

WANG B Z,FENG X,WEN N,etal.Monitoring biomass and N accumulation at jointing stage in winter wheat based on SPOT-5 images [J].ScientiaAgriculturaSinica,2012,45(15):3055.

[7]金正婷.利用衛(wèi)星遙感估測(cè)冬小麥長(zhǎng)勢(shì)和赤霉病的研究[D].南京:南京信息工程大學(xué),2016:30.

JIN Z T.Study on estimating winter wheat growth and Fusarium head blight using satellite remote sensing [D].Nanjing:Nanjing University of Information Science and Technology,2016:30.

[8]劉 峰,李存軍,董瑩瑩,等.基于遙感數(shù)據(jù)與作物生長(zhǎng)模型同化的作物長(zhǎng)勢(shì)監(jiān)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2011,27(10):105.

LIU F,LI C J,DONG Y Y,etal.Monitoring crop growth based on assimilation of remote sensing data and crop simulation model [J].TransactionsoftheCSAE,2011,27(10):105.

[9]葛廣秀.冬小麥長(zhǎng)勢(shì)與紋枯病遙感監(jiān)測(cè)研究[D].南京:南京信息工程大學(xué),2015:27.

GE G X.The study on monitoring winter wheat growth and rhizoctoniasolani based on remote sensing [D].Nanjing:Nanjing University of Information Science and Technology,2015:27.

[10]李衛(wèi)國(guó),王紀(jì)華,趙春江,等.基于遙感信息和產(chǎn)量形成過(guò)程的小麥估產(chǎn)模型[J].麥類作物學(xué)報(bào),2007,27(5):907.

LI W G,WANG J H,ZHAO C J,etal.A model of estimating winter wheat yield based on TM image and yield formation [J].JournalofTriticeaeCrops,2007,27(5):907.

[11]李存軍,王紀(jì)華,王 嫻,等.遙感數(shù)據(jù)和作物模型集成方法與應(yīng)用前景[J].農(nóng)業(yè)工程學(xué)報(bào),2008,24(11):295．

LI C J,WANG J H,WANG X,etal.Methods for integration of remote sensing data and crop model and their prospects in agricultural application [J].TransactionsoftheCSAE,2008,24(11):295.

[12]李衛(wèi)國(guó),李 花.利用HJ-1A衛(wèi)星遙感影像進(jìn)行水稻產(chǎn)量分級(jí)監(jiān)測(cè)預(yù)報(bào)研究[J].中國(guó)水稻科學(xué),2010,24(4):386．

LI W G,LI H.Estimating rice yield by HJ-1A satellite images [J].ChineseJournalofRiceScience,2010,24(4):386.

[13]莊東英,李衛(wèi)國(guó),武立權(quán).冬小麥生物量衛(wèi)星遙感估測(cè)研究[J].干旱區(qū)資源與環(huán)境,2013,27(10):159.

ZHUANG D Y,LI W G,WU L Q.Estimating winter wheat biomass based on satellite remote sensing [J].JournalofAridLandResourcesandEnvironment,2013,27(10):159.

[14]高亮之,金之慶,鄭國(guó)清,等.小麥栽培模擬優(yōu)化決策系統(tǒng)(WCSODS)[J].江蘇農(nóng)業(yè)學(xué)報(bào),2000,16(2):68.

GAO L Z,JIN Z Q,ZHENG G Q,etal.Wheat cultivation simulation-optimization-decision making system(WCSODS) [J].JiangsuJournalofAgricultureandSciense,2000,16(2):68.

[15]李衛(wèi)國(guó),王紀(jì)華,李存軍,等.冬小麥花期生理形態(tài)指標(biāo)與衛(wèi)星遙感光譜特征的相關(guān)性分析[J].麥類作物學(xué)報(bào),2009,29(1):82.

LI W G,WANG J H,LI C J,etal.Correlation relationship between satellite remote sensing spectral information and eco-physiology indexes of winter wheat at flowering period [J].JournalofTriticeaeCrops,2009,29(1):82.

[16]葛廣秀,李衛(wèi)國(guó),景元書(shū).基于NDVI密度分割的冬小麥種植面積提取[J].麥類作物學(xué)報(bào),2014,34(7):997.

GE G X,LIW G,JING Y S.Area of winter wheat extracted on NDVI density slicing [J].JournalofTriticeaeCrops,2014,34(7):997.

[17]李衛(wèi)國(guó),王紀(jì)華,趙春江,等.基于定量遙感反演與生長(zhǎng)模型耦合的水稻產(chǎn)量估測(cè)研究[J].農(nóng)業(yè)工程學(xué)報(bào),2008,24(7):130.

LI W G,WANG J H,ZHAO C J,etal.Estimating rice yield based on quantitative remote sensing inversion and growth model coupling [J].TransactionsoftheCSAE,2008,24(7):130.

[18]黃 彥,朱 艷,王 航,等.基于遙感與模型耦合的冬小麥生長(zhǎng)預(yù)測(cè)[J].生態(tài)學(xué)報(bào),2011,31(4):1082.

HUANG Y,ZHU Y,WANG H,etal.Predicting winter wheat growth based on integrating remote sensing and crop growth modeling techniques [J].ActaEcologicaSinica,2011,31(4):1082.