王琳 梁健 孟范玉 孟煬 張永濤 李振海

摘要：開展小麥籽粒蛋白質(zhì)含量的監(jiān)測預(yù)報研究對于指導(dǎo)農(nóng)戶調(diào)優(yōu)栽培、企業(yè)分類收儲、期貨小麥價格、進口政策調(diào)整等具有重要意義。本研究以冬小麥主產(chǎn)區(qū)（河南省、山東省、河北省、安徽省和江蘇?。檠芯繀^(qū)域，構(gòu)建了冬小麥籽粒蛋白質(zhì)含量多層線性預(yù)測模型，并實現(xiàn)了2019年冬小麥蛋白質(zhì)含量預(yù)報。為了解決預(yù)測模型在年際擴展和空間擴展存在偏差的問題，在蛋白質(zhì)含量估算模型中考慮了氣象因素（溫度、降水、輻射量）、冬小麥筋型、抽穗一開花期增強型植被指數(shù)（EVI）等因素。結(jié)果表明，融合3個氣象因素的蛋白質(zhì)含量估算模型建模集精度（R=0.39，RMSE=1.04%）與驗證集精度（R=0.43、RMSE=0.94%）均高于融合2個氣象因子的估算模型和單個氣象因子的估算模型。將蛋白質(zhì)含量估算模型應(yīng)用冬小麥主產(chǎn)區(qū)的蛋白質(zhì)含量遙感估算，得到了2019年冬小麥主產(chǎn)區(qū)品質(zhì)預(yù)報圖，并形成黃淮海地區(qū)冬小麥品質(zhì)分布專題圖。本研究結(jié)果可同時為后續(xù)小麥種植區(qū)劃和實現(xiàn)綠色、高產(chǎn)、優(yōu)質(zhì)、高效糧食生產(chǎn)提供數(shù)據(jù)支撐。

關(guān)鍵詞：冬小麥;籽粒蛋白質(zhì)含量;遙感;多層線性模型;氣象數(shù)據(jù)

中圖分類號：S127;S512.1+1文獻標(biāo)志碼：A文章編號：202103-SA007

引用格式：王琳，梁健，孟范玉，孟煬，張永濤，李振海.基于遙感與氣象數(shù)據(jù)的冬小麥主產(chǎn)區(qū)籽粒蛋白質(zhì)含量預(yù)報[J].智慧農(nóng)業(yè)（中英文），2021， 3（2）： 15-22.

WANG Lin， LIANG Jian， MENG Fanyu， MENG Yang， ZHANG Yongtao， LI Zhenhai. Estimating grain protein content of winter wheat in producing areas based on remote sensing and meteorological. data[J]. Smart Agriculture，2021， 3（2）： 15-22. （in Chinese with English abstract）

1引言

隨著社會經(jīng)濟的日益發(fā)展和生活水平的不斷提高，當(dāng)前人們對農(nóng)產(chǎn)品的需求已經(jīng)從“有沒有”“夠不夠”轉(zhuǎn)向“好不好”“優(yōu)不優(yōu)”。但是，中國農(nóng)業(yè)大而不強、多而不優(yōu)的問題依然存在。2019年，農(nóng)業(yè)農(nóng)村部、國家發(fā)展和改革委員會、科學(xué)技術(shù)部等聯(lián)合發(fā)布的《國家質(zhì)量興農(nóng)戰(zhàn)略規(guī)劃（2018—2022）》中提出“推進農(nóng)業(yè)由增產(chǎn)導(dǎo)向轉(zhuǎn)向提質(zhì)導(dǎo)向”和“走質(zhì)量興農(nóng)之路”等發(fā)展目標(biāo)。籽粒蛋白質(zhì)含量是小麥品質(zhì)評價的關(guān)鍵指標(biāo)，而品質(zhì)的高低決定小麥?zhǔn)召弮r格、加工用途和使用價值等[1]。因此，開展小麥籽粒蛋白質(zhì)含量的監(jiān)測預(yù)報研究，對于指導(dǎo)農(nóng)戶調(diào)優(yōu)栽培、企業(yè)分類收儲、期貨小麥價格、進口政策調(diào)整等具有重要意義[2]。

基于作物籽粒蛋白質(zhì)含量（Grain Protein Content，GPC）遙感監(jiān)測預(yù)報的研究目前已得到探索和初步應(yīng)用，可以歸納為4類：（1）基于“遙感信息-籽粒蛋白質(zhì)含量”模式的經(jīng)驗?zāi)Ｐ停撃Ｐ屯ㄟ^分析作物關(guān)鍵生育時期的遙感信息（敏感波段、植被指數(shù)、紅邊參數(shù)等光譜特征）直接構(gòu)建作物GPC統(tǒng)計經(jīng)驗?zāi)Ｐ蚚3-7];（2）基于“遙感信息-農(nóng)學(xué)參數(shù)-籽粒蛋白質(zhì)含量”模式的定量模型，該模型根據(jù)遙感信息與關(guān)鍵生育期農(nóng)學(xué)參數(shù)之間的定量關(guān)系及農(nóng)學(xué)參數(shù)與GPC之間的定量關(guān)系，構(gòu)建GPC預(yù)測模型[8-10];（3）基于遙感數(shù)據(jù)和生態(tài)因子的GPC半機理模型，該模型考慮了作物氮素運轉(zhuǎn)機理和生態(tài)因子對GPC的影響，改善了模型的年際擴展性和空間轉(zhuǎn)移性[11-14];（4）基于遙感信息和作物模型結(jié)合的機理解釋模型，該模型綜合考慮籽粒蛋白質(zhì)形成過程中各種生態(tài)因子的影響，通過遙感信息和作物生長模型耦合的同化方法，調(diào)整模型模擬變量與遙感觀測值的誤差達到最小，以調(diào)整作物模型的初始參數(shù)和狀態(tài)變量，進而實現(xiàn)GPC的預(yù)測[14，15]。綜合分析以上各類方法與模型的選擇，前兩類模型研究較多，操作簡單且易實現(xiàn)，但機理解釋性不強，在區(qū)域間和年際間擴展應(yīng)用過程中監(jiān)測結(jié)果偏差較大;同化模型方法考慮過多的輸入變量，并且復(fù)雜的同化算法、品質(zhì)生長模型本地化精度和高耗時運算時間問題，限制了該類方法的區(qū)域大面積應(yīng)用[16]。Li等[12]和Xu等[13]通過綜合考慮影響品質(zhì)遙感預(yù)報模型中環(huán)境變異因素及品種筋型因子，引入分層線性模型（Hierarchical. Linear Models，HLM）解釋籽粒蛋白質(zhì)含量-遙感-環(huán)境的嵌套問題，構(gòu)建基于開花期的冬小麥品質(zhì)預(yù)測模型，很好地解決了模型年際擴展和空間擴展存在較大偏差的問題。因此，發(fā)展以遙感信息（反映作物養(yǎng)分狀況）與環(huán)境因子（體現(xiàn)時空變異）結(jié)合的GPC半機理預(yù)測方法，構(gòu)建普適性及適用于時空擴展的籽粒蛋白質(zhì)遙感預(yù)測模型具有可行性。

本研究擬在前期構(gòu)建的冬小麥品質(zhì)分層遙感預(yù)測的基礎(chǔ)上[12，13]，初步嘗試在全國冬小麥主產(chǎn)區(qū)（河南省、山東省、河北省、安徽省和江蘇?。╅_展GPC模型的構(gòu)建，以期實現(xiàn)冬小麥品質(zhì)收獲前預(yù)測。

2數(shù)據(jù)與方法

2.1冬小麥研究區(qū)

試驗分別于2008年、2009年和2019年在全國冬小麥5個主產(chǎn)?。ê幽鲜?、山東省、河北省、安徽省和江蘇省）進行數(shù)據(jù)采集，包括樣點取樣及測試、小麥品種及筋型確定、氣象數(shù)據(jù)收集和遙感數(shù)據(jù)獲取，共獲取樣品898個，去除異常點后得到樣品864個，其中2008年200個，2009年283個，2019年381個，測樣點分布如圖1 所示。其中，強筋小麥86個，強筋和中筋混合區(qū)小麥249個，中筋小麥380個，中筋和弱筋混合區(qū)小麥2個，弱筋小麥147個。

2.2數(shù)據(jù)獲取

2.2.1冬小麥籽粒蛋白質(zhì)測定

在冬小麥成熟期，獲取農(nóng)戶冬小麥樣品和樣點經(jīng)緯度，每個農(nóng)戶收割3個樣點，每個樣點1m，經(jīng)過自然晾曬、風(fēng)干、稱重和求均值。最后利用近紅外谷物分析儀FOSS Infratec 1241（Tecator，赫加奈斯，瑞典）測定冬小麥GPC（14%干基）并記錄。

2.2.2冬小麥品種及筋型確定

在冬小麥樣品測試過程中，同時記錄農(nóng)戶種植冬小麥的品種信息，通過查詢品種的信息確定品種的強/中/弱筋特性。區(qū)域品質(zhì)預(yù)報過程中，考慮品種的多樣性及復(fù)雜性，參考2001年農(nóng)業(yè)部發(fā)布的《中國小麥品質(zhì)區(qū)劃方案》所指定的依據(jù)和原則，利用全國農(nóng)業(yè)技術(shù)推廣服務(wù)中心收集匯總的品種推廣數(shù)據(jù)，以及以縣為單位發(fā)布的當(dāng)年主推品種，確定每個縣種植小麥筋型特性。最終形成以縣為單位的冬小麥品質(zhì)區(qū)劃圖。

2.2.3EOS/MODIS遙感影像

以抽穗—開花期為時間節(jié)點進行冬小麥品質(zhì)預(yù)報，本研究選擇基于中分辨率成像光譜儀（Moderate-resolution Imaging Spectroradiometer，MODIS）遙感影像構(gòu)建的增強型植被指數(shù)（Enhanced Vegetation Index，EVI）進行建模[13]。如公式（1）。

EVI=2.5×（R-R）/（R+6×R-7.5×R）（1）

其中，R、R和R分別代表近紅外波段、紅光波段和藍光波段的反射率。為消除區(qū)域物候差異與有云覆蓋影響，分別獲取2019年和2020年4月—5月MODIS數(shù)據(jù)，分析獲取對應(yīng)像元最大值作為抽穗—開花期的影像結(jié)果。

2.2.4氣象數(shù)據(jù)

冬小麥研究區(qū)的氣象柵格數(shù)據(jù)從歐洲中期預(yù)報中心（European Center for Medium-Range Weather Forecasts，ECMWF）（http：//www.ecmwf.int/）獲取。本研究氣象數(shù)據(jù)主要包括4月份的月積溫（℃·日）、月太陽輻射量（MJ/m）和月總降雨量（mm），選擇這3個氣象因子進行冬小麥品質(zhì)預(yù)報是因為研究區(qū)內(nèi)冬小麥從起身期到開花期約為一個月時間（不分年份），而該生育階段包括的拔節(jié)期、挑旗期、抽穗期及開花期是冬小麥生長最重要的生育時期，對于群體的建成、穗粒數(shù)以及養(yǎng)分積累具有決定作用。利用Python 3.7（Python Software Foundation，波特蘭，美國）及Matlab 2014（Mathworks Inc，納蒂克，美國）分別進行數(shù)據(jù)下載及讀取。

2.3冬小麥品質(zhì)預(yù)報模型

分層線性模型（Hierarchical. Linear Model，HLM）是一種考慮了數(shù)據(jù)嵌套結(jié)構(gòu)（例如學(xué)生鑲嵌于班級）的最小二乘回歸分析，然而相比一般最小二乘回歸分析，HLM在針對數(shù)據(jù)之間的不獨立性時，將數(shù)據(jù)集分層、綜合分析層內(nèi)數(shù)據(jù)（第一層模型）以及層內(nèi)與層外數(shù)據(jù)（第二層模型）之間的關(guān)系[17]。

在考慮籽粒品質(zhì)的區(qū)域及年際模型構(gòu)建時，地域及年際之間的環(huán)境因素（第二層模型）對品質(zhì)的影響會造成遙感信息與品質(zhì)模型（第一層模型）的差異，因此考慮HLM模型進行品質(zhì)預(yù)測建模具有可行性[12，13]。本研究中，第一層模型是基于GPC與植被指數(shù)和籽粒筋型構(gòu)建，公式如下。

GPC=β+β·EVI+β·Glu+r（2）

其中，GPC為籽粒蛋白質(zhì)含量;Glu為冬小麥品種筋型值。本研究依據(jù)Li等[12]的研究，強筋、中強筋和弱筋小麥品質(zhì)分別取值1、2和3，后期在區(qū)域應(yīng)用過程中有強筋和中筋種植區(qū)與中筋和弱筋種植區(qū)，分別取值1.5和2.5。EVI為增強型植被指數(shù)，Xu等[13]研究表明EVI與冬小麥品質(zhì)較其他植被指數(shù)具有更好的相關(guān)性，因此本研究直接選擇了EVI指數(shù)作為模型輸入?yún)?shù)。β、β和β分別為第一層模型的截距、植被指數(shù)系數(shù)和品種筋型系數(shù)。r表示隨機誤差。第二層模型基于第一層模型中的模型系數(shù)與外部氣象數(shù)據(jù)（溫度、降水、輻射量）的歸一化值構(gòu)建，如公式（3）。

β=γ+γ·nRad+γ·nTem+γ·nPre+μ（3）

其中，nRad、nTem和nPre分別為每個柵格4月份月太陽輻射量歸一化值、月積溫歸一化值和月總降雨量歸一化值;β分別對應(yīng)第一層模型中截距、增強型植被指數(shù)系數(shù)和品種筋型系數(shù);γ為第二層級的截距，γ、γ和γ分別為第二層級總輻射量、總降水量和積溫的模型系數(shù)，μ則表示為隨機誤差。氣象數(shù)據(jù)的歸一化見公式（4）（以Rad為例）。

nRad=（Rad-Rad）/（Rad-Rad）（4）

其中，Rad、Rad和Rad為分別每個柵格4月份月太陽輻射量、最大太陽輻射量和最小太陽輻射量，MJ/m。為進一步測試模型，考慮不同的氣象因子組合并對比模型的精度，以確定最優(yōu)的氣象因子。模型的構(gòu)建與驗證通過Matlab 2014實現(xiàn)。

2.4統(tǒng)計分析

經(jīng)過異常點剔除后獲得2008年、2009年和2019年樣點數(shù)據(jù)共計864組，將三年數(shù)據(jù)混合后隨機選擇其中80%數(shù)據(jù)用于建模（共計691組），剩下20%數(shù)據(jù)用于模型精度驗證（共計173組）。利用Matlab 2014實現(xiàn)對冬小麥GPC預(yù)測值與實測值之間的統(tǒng)計分析。采用決定系數(shù)R和均方根誤差驗證預(yù)測模型的精確度與可靠性。R值越接近于1，說明模型擬合程度越高。RMSE值越小，說明模型預(yù)測能力越強，穩(wěn)定性好且可靠性高。另外，為進一步分析冬小麥品質(zhì)預(yù)測模型中各個自變量因子對最終GPC的貢獻度，采用相對重要性分析法（Dominance Analysis）[18]對模型中各個自變量因子對GPC的相對重要性進行計算和排序。

3結(jié)果與分析

3.1冬小麥品質(zhì)區(qū)劃分析

參考《中國小麥品質(zhì)區(qū)劃方案》所指定的依據(jù)和原則，結(jié)合5個冬小麥主產(chǎn)省各自的品質(zhì)區(qū)劃，以及當(dāng)前主推品種的面積及市縣分布，最終形成冬小麥品質(zhì)區(qū)劃分布圖（圖2）。

總體來看，強筋小麥主要以北部地區(qū)種植為主，如河北中南部、河南省北部、山東省臨沂市和濱州市等。中筋小麥以山東省種植面積最廣、河南南部地區(qū)、江蘇省北部和安徽省北部等也有分布。弱筋小麥則主要分布在江蘇南部及沿海地區(qū)、安徽中南部及河南南部地區(qū)等。通過調(diào)查發(fā)現(xiàn)，冬小麥的品質(zhì)區(qū)劃除了與生態(tài)因子（氣象及土壤等）相關(guān)以外，也與品種推廣和政府決策相關(guān)，例如2019年山東省濟麥22、魯原502和山農(nóng)28號等中筋品種推廣占總面積的95.3%，雖然山東省適合強筋和中強筋小麥種植，但綜合來看強筋小麥品種占比不大。另外，在政府決策方面，2019年河北省發(fā)布的《河北省強筋小麥產(chǎn)業(yè)提質(zhì)增效推進方案（2019—2022年）》確定以藁城、趙縣、欒城、元氏、柏鄉(xiāng)、隆堯、任縣、寧晉、南和、沙河、大名、肥鄉(xiāng)等為主要推廣區(qū)縣。本研究所確定的小麥品質(zhì)區(qū)劃專題圖是在小麥品質(zhì)區(qū)劃和2019年各市縣的主推品種調(diào)查分析后形成的。在確定過程中，受縣級單位信息發(fā)布不全、部分市縣品種復(fù)雜等影響，在最終確定品種筋型過程中，以市為單位確定較多，后續(xù)的研究及調(diào)查過程中需要更精確的品種推廣范圍，以確定準(zhǔn)確的冬小麥筋型分布信息，為后續(xù)的品質(zhì)預(yù)測模型提供可靠的筋型空間分布信息。

3.2GPC預(yù)報模型的氣象因子選擇

以不同的氣象因子參與分層線性模型進行冬小麥GPC預(yù)報模型構(gòu)建，并對比模型精度進行氣象因子的評價（表1）。結(jié)果表明，單獨一個氣象因子進行品質(zhì)預(yù)報時，以nRad為輸入變量構(gòu)建的冬小麥GPC預(yù)報模型精度（R=0.31，RMSE=1.12%）均高于分別以nTem和nPre為輸入變量構(gòu)建的冬小麥GPC預(yù)報模型。兩個氣象因子參與冬小麥GPC預(yù)報模型的精度有一定的提高，以nRad和nPre組合構(gòu)建的冬小麥GPC預(yù)報模型較好（R=0.38，RMSE=1.05%）。三個氣象因子共同參與冬小麥GPC預(yù)報精度最佳，模型的R和RMSE分別為0.39和1.04%?？紤]到冬小麥籽粒蛋白質(zhì)形成過程中受輻射量、溫度和降水的綜合影響，在區(qū)域大面積模型構(gòu)建過程中，氣象因子存在較大的空間變異性。有關(guān)氣象因子對GPC預(yù)報模型在不同尺度范圍上的影響，有必要在品質(zhì)關(guān)聯(lián)的氣象要素的指標(biāo)篩選及關(guān)聯(lián)度分析等方面進行進一步研究，特別是氣象因素在區(qū)域的空間變異。

進一步通過相對重要性分析GPC預(yù)報模型中各個自變量因子對GPC預(yù)測的貢獻。從表2結(jié)果中可以看出，冬小麥品種對GPC的影響是最大的，Glu相對重要性達到75.31%，品種的遺傳特性直接決定品質(zhì)的高低，考慮到較大的研究區(qū)域，品種的多樣性對模型結(jié)果具有較高的相關(guān)性;氣象因子對GPC的重要性依次為輻射量（nRad）、溫度（nTem）和降水量（nPre），相對重要性分別為10.05%、7.61%和6.54%;遙感信息重要性最低。但是，當(dāng)以局部區(qū)域（以河北省冬小麥研究區(qū)為例）為研究區(qū)時，局部區(qū)域的品種多樣性減少，Glu的相對重要性降低到48.22%;同時由于局部區(qū)域的氣象條件變異減小，除nRad比重相對增加外，nTem和nPre依次減少;反之，體現(xiàn)作物長勢及養(yǎng)分差異的EVI的相對重要性增加（22.65%）。

通過以上分析初步得到以下結(jié)論。模型中各個自變量因子對GPC的貢獻度在不同的研究尺度有所差異：局部區(qū)域品種與氣象因子差異較小，植株長勢及養(yǎng)分的變異對GPC的結(jié)果影響更大;反之，大范圍區(qū)域品種與氣象因子的較大差異，導(dǎo)致植株長勢及養(yǎng)分的變異對GPC的結(jié)果影響降低。當(dāng)然，本研究在樣點收集過程中通過示范區(qū)（2008年和2009年）和農(nóng)戶協(xié)助收集（2019年）獲得，樣點空間代表性不強，對結(jié)論的解釋還有待進一步驗證。另外，本研究氣象因子選擇4月份數(shù)據(jù)作為模型輸入，主要考慮到該生育階段包括的拔節(jié)期、挑旗期、抽穗期及開花期是冬小麥生長最重要的生育時期，對于群體的建成、穗粒數(shù)以及養(yǎng)分積累具有決定作用。對于區(qū)域應(yīng)用而言，由于區(qū)域間該生育時期時長差異，后期在進一步品質(zhì)預(yù)測的研究中，需結(jié)合區(qū)域物候提取，進而精確獲取冬小麥關(guān)鍵生育時期的氣象數(shù)據(jù)。

3.3冬小麥GPC預(yù)報模型

以3個氣象因子為輸入變量構(gòu)建冬小麥GPC預(yù)報模型作為初步的區(qū)域預(yù)報模型。圖3是GPC 估算模型建模集和驗證集的實測值與估算值關(guān)系圖。建模集的R為0.39，RMSE為1.04%，可以看出樣點數(shù)據(jù)中高估的樣點數(shù)據(jù)多于被低估的樣點數(shù)據(jù)，尤其是部分2009年北京樣點和江蘇樣點，但大部分樣點是集中在1：1線的周圍;驗證集的R為0.43， RMSE為0.94%;所有樣本數(shù)據(jù)（建模集+驗證集）實測值與估算值的R為0.40，RMSE為1.03%。結(jié)果表明，結(jié)合遙感與氣象數(shù)據(jù)的分層線性預(yù)測模型在區(qū)域GPC預(yù)測上具有可行性，并且模型的預(yù)測穩(wěn)定性較高。

3.4冬小麥GPC區(qū)域預(yù)報

將GPC模型由樣點數(shù)據(jù)推及到面域范圍，得到2019年冬小麥GPC估算圖（圖4）。越紅的地區(qū)代表GPC越高，綠色代表GPC偏低，基本呈現(xiàn)從北到南冬小麥品質(zhì)逐漸降低的趨勢。2019 年黃淮海地區(qū)冬小麥GPC最高的地區(qū)是河北省、山東省北部以及河南省中部和北部，基本在13.6%以上，其中河北省大部分及河南省北部GPC達到14.6%以上;山東省西部、河南省東部與西南部地區(qū)、安徽省北部與江蘇省北部地區(qū)GPC基本在12.3%～13.6%之間。GPC最低的地區(qū)是江蘇省東南部沿海地區(qū)與河南省東南部地區(qū)，GPC基本低于12.3%。

4結(jié)論

本研究在864個冬小麥實測品質(zhì)樣點（2008年、2009年和2019年）基礎(chǔ)上，利用分層線性模型構(gòu)建了冬小麥GPC估算模型對2019年冬小麥主產(chǎn)區(qū)（河南省、山東省、河北省、安徽省和江蘇?。┓秶鷥?nèi)的冬小麥GPC進行估算。估算模型分為兩層：第一層模型是基于GPC、EVI和冬小麥籽粒筋型構(gòu)建;第二層模型是基于第一層模型中的模型系數(shù)與外部氣象數(shù)據(jù)（溫度nTem、降水nPre、輻射量nRad）的歸一化值構(gòu)建。GPC估算模型建模集精度R為0.39，RMSE為1.04%;驗證集精度R為0.43，RMSE為0.94%。將GPC估算模型應(yīng)用于冬小麥主產(chǎn)區(qū)的GPC遙感估算，最終得到2019年冬小麥主產(chǎn)區(qū)品質(zhì)預(yù)報圖。結(jié)果證明，構(gòu)建的籽粒蛋白質(zhì)遙感預(yù)測模型具有較好的普適性和時空擴展性。

本研究以MODIS影像（空間分辨率為250m）為例初步在大尺度黃淮海地區(qū)冬小麥種植區(qū)開展應(yīng)用，粗分辨率的遙感影像數(shù)據(jù)在冬小麥面積提取方面存在混合像元的問題在本研究中未進行深入探討。因此，在接下來的研究中有必要開展高分辨率影像數(shù)據(jù)（Landsat-TM. Sentinel-2或者高分系列衛(wèi)星數(shù)據(jù)等）在冬小麥品質(zhì)預(yù)報的應(yīng)用。

參考文獻：

[1]王紀(jì)華，李存軍，劉良云，等.作物品質(zhì)遙感監(jiān)測預(yù)報研究進展[J].中國農(nóng)業(yè)科學(xué)，2008， 41（9）： 2633-2640. WANG J， LI C， LIU L， et al. Estimating grain protein content in winter wheat with multi-temporal. hyperspectral. measurements[J]. Scientia Agricultura Sinica， 2008， 41（9）：2633-2640.

[2]李少昆，譚海珍，王克如，等.小麥籽粒蛋白質(zhì)含量遙感監(jiān)測研究進展[J].農(nóng)業(yè)工程學(xué)報，2009， 25（2）： 310-315.

LI S， TAN H， WANG K， et al. Research progress in wheat grain protein content monitoring using remote sensing[J]. Transactions of the CSAE， 2009， 25（2）： 310-315.

[3] JIN X， XU X， FENG H， et al. Estimation of grain protein content in winter wheat by using three methods with hyperspectral. data[J]. International. Journal. of Agriculture & Biology， 2014， 16（3）： 498-504.

[4] ONOYAMA H， RYU C， SUGURI M， et al. Estimation of rice protein content before harvest using ground- based hyperspectral. imaging and region of interest analysis[J]. Precision Agriculture， 2017， 19： 721-734.

[5] RODRIGUES F A， BLASCH G， DEFOURNY P， et al. Multi-temporal. and spectral. analysis of high-resolution hyperspectral. airborne imagery for precision agriculture： Assessment of wheat grain yield and grain protein content[J]. Remote Sensing， 2018， 10： ID 930.

[6] XU X， LI C， DONG Y， et al. Estimating grain protein content in winter wheat with multi-temporal. hyperspectral. measurements[J]. Sensor Letters， 2014， 12： 1-5.

[7] BARMEIER G， HOFER K， SCHMIDHALTER U. Mid-season prediction of grain yield and protein content of spring barley cultivars using high-throughput spectral. sensing[J]. European Journal. of Agronomy， 2017， 90： 108-116.

[8]陳鵬飛，王吉順，潘鵬，等.基于氮素營養(yǎng)指數(shù)的冬小麥籽粒蛋白質(zhì)含量遙感反演[J].農(nóng)業(yè)工程學(xué)報，2011，27（9）：75-80.

CHEN P， WANG J， PAN P， et al. Remote detection of wheat grain protein content using nitrogen nutrition index[J]. Transactions of the CSAE， 2011， 27（9）： 75-80

[9]屈莎，李振海，邱春霞，等.基于開花期氮素營養(yǎng)指標(biāo)的冬小麥籽粒蛋白質(zhì)含量遙感預(yù)測[J].農(nóng)業(yè)工程學(xué)報，2017， 33（12）：186-193.

QU S， LI Z， QIU C， et al. Remote sensing prediction of winter wheat grain protein content based on nitrogen nutrition index at anthesis stage[J]. Transactions of the CSAE， 2017，33（12）： 186-193.

[10] ZHAO H， SONG X， YANG G， et al. Monitoring of nitrogen and grain protein content in winter wheat based on sentinel-2A data[J]. Remote Sensing， 2019， 11（14）： ID 1724.

[11]李振海，徐新剛，金秀良，等.基于氮素運轉(zhuǎn)原理和GRA-PLS算法的冬小麥籽粒蛋白質(zhì)含量遙感預(yù)測[J].中國農(nóng)業(yè)科學(xué)，2014， 47（19）： 3780-3790.

LI Z， XU X， JIN X， et al. Remote sensing prediction of winter wheat protein content based on nitrogen translocation and GRA-PLS method[J]. Scientia Agricultura Sinica， 2014， 47（19）： 3780-3790.

[12] LI Z， TAYLOR J， YANG H， et al. A hierarchical. interannual. wheat yield and grain protein prediction model using spectral. vegetative indices and meteorological. data[J]. Field Crops Research， 2020， 248： ID 107711.

[13] XU X， TENG C， ZHAO Y， et al. Prediction of wheat grain protein by coupling multisource remote sensing imagery and ECMWF data[J]. Remote Sensing， 2020，12（8）： ID 1349.

[14] LI Z， JIN X， ZHAO C， et al. Estimating wheat yield and quality by coupling the DSSAT-CERES model andproximal. remote sensing[J]. European Journal. of Agronomy， 2015， 71： 53-62.

[15] LI Z， WANG J， XU X， et al. Assimilation of two variables derived from hyperspectral. data into the DSSAT- CERES model for grain yield and quality estima- tion[J]. Remote Sensing， 2015， 7（9）： 12400-12418.

[16]李振海，楊貴軍，王紀(jì)華，等.作物籽粒蛋白質(zhì)含量遙感監(jiān)測預(yù)報研究進展[J].中國農(nóng)業(yè)信息，2018， 30（1）： 46-54.

LI Z， YANG G， WANG J， et al. Remote sensing of grain protein content in cereal： A review[J]. China Agricultural. Informatics， 2018， 30（1）： 46-54.

[17] FELDSTAIN A， WOLTMAN H， MACKAY J C， et al. An introduction to hierarchical. linear modeling[J]. Tutorials in Quantitative Methods for Psychology， 2012， 8 （1）： 62-69.

[18] YE D， NG Y K， LIAN Y. Culture and happiness[J]. Social. Indicators Research， 2015， 123（2）： 519-547.

Estimating Grain Protein Content of Winter Wheat in Producing Areas Based on Remote Sensing and Meteorological. Data

WANG Lin1，2， LIANG Jian3， MENG Fanyu4， MENG Yang1，2， ZHANG Yongtao5， LI Zhenhai1，2*

（1. Key Laboratory of Quantitative Remote Sensing in Ministry of Agriculture and Rural. Affairs/Beijing Research Center for Information Technology in Agriculture， Beijing 100097， China; 2. National. Engineering Research Center for Information Technology in Agriculture， Beijing 100097， China; 3. National. Agro-tech Extension and Service Center， Beijing 100125， China; 4. Beijing Agriculture Technology Extension Station， Beijing 100029， China; 5. Jiangsu Nonidt Agricultural. Science and Technology Co. Ltd， Nanjing 210001， China）

Abstract： With the rapid development of economy and people's living standards， people's demands for crops have changed from quantity to quality. The rise and rapid development of remote sensing technology provides an effective method for crop monitoring. Accurately predicting wheat quality before harvest is highly desirable to optimize management for farmers， grading harvest and categorized storage for the enterprise， future trading price， and policy planning. In this research， the main producing areas of winter wheat （Henan， Shandong， Hebei， Anhui and Jiangsu provinces） were chosed as the research areas， with collected 898 samples of winter wheat over growing seasons of 2008， 2009 and 2019. A Hierarchical. Linear model （HLM） for estimating grain protein content （GPC） of winter wheat at heading-flowering stage was constructed to estimate the GPC of winter wheat in 2019 by using meteorological. factors， remote sensing imagery and gluten type of winter wheat， where remote sensing data and gluten type were input variables at the first level of HLM and the meteorological. data was used as the second level of HLM. To solve the problem of deviation in interannual. and spatial. expansion of GPC estimation model， maximum values of Enhanced Vegetation Index （EVI） from April to May calculated by moderate-resolution-imaging spectroradiometer were computed to represent the crop growth status and used in the GPC estimation model. Critical. meteorological. factors （temperature， precipitation，radiation） and their combinations for GPS estimation were compared and the best estimation model was used in this study. The results showed that the accuracy of GPC considering three meteorological. factors performed higher accuracy （Calibrated set： R=0.39， RMSE=1.04%; Verification set： R=0.43， RMSE=0.94%） than the others GPC model with two meteorological. factors or single meteorological. factor. Therefore， three meteorological. factors were used as input variables to build a winter wheat GPC forecast model for the regional. winter wheat GPC forecast in this research. The GPC estimation model was applied to the GPC remote sensing estimation of the main winter wheat-producing areas， and the GPC prediction map of the main winter wheat producing areas in 2019 was obtained， which could obtain the distribution of winter wheat quality in the Huang-Huai-Hai region. The results of this study could provide data support for subsequent wheat planting regionalization to achieve green， high- yield， high-quality and efficient grain production.

Key words： winter wheat; grain protein content （GPC）; remote sensing; hierarchical. linear model （HLM）; meteorological. data

（登陸www.smartag.net.cn免費獲取電子版全文）

作者簡介：王琳（1995—），女，碩士研究生，研究方向為遙感信息處理與分析。E-mail：17852320332@163.com。

*通訊作者：李振海（1989—），男，博士，高級工程師，研究方向為農(nóng)業(yè)遙感與信息技術(shù)。電話：010-51503215。E-mail：lizh323@126.com。