基于NDVI与物候修正的大豆长势评价方法

韩衍欣，蒙继华，徐 晋



基于NDVI与物候修正的大豆长势评价方法

韩衍欣，蒙继华※，徐 晋

（中国科学院遥感与数字地球研究所，数字地球重点实验室，北京 100101）

及时、准确的作物长势监测可以为宏观决策和农田生产提供作物生长信息，便于及时采取各种田间管理措施，达到科学管理和作物增产的目的。归一化植被指数（normalized difference vegetation index，NDVI）与植被的叶面积指数（leaf area index, LAI）和叶片叶绿素含量关系极为密切，可以用来评价作物的生长状况。为了降低主观因素及物候差异对大豆长势监测的影响，该研究以黑龙江红星农场主要农作物大豆为例，基于历史NDVI数据建立了该区域大豆长势评价的标准。利用NDVI时间序列拟合法提取大豆关键物候期，结合物候监测结果对大豆长势进行修正，最后利用41个地块的单产数据对长势评价结果进行了验证。物候修正前后长势与单产的一致性分别为58.5%、75.6%，容差为1个等级时分别为87.8%、95.1%，表明历史NDVI对大豆长势评价有一定参考意义，但简单同期对比不能完全反映大豆长势真实情况，物候修正可以进一步改善长势评价效果。研究可以为利用遥感进行大豆长势评价提供参考依据。

遥感；作物；时间序列分析；物候；长势；NDVI；大豆

0 引 言

作物长势监测能够为田间管理提供信息，同时为早期估产提供依据，已经成为精准农业研究中的重要内容[1-2]。传统的长势监测方法多为实地调查，不仅耗费大量人力、物力、财力，且很难及时获得大面积的作物长势信息。遥感技术能够获取大面积地表信息，且具有实时性动态性，越来越多地应用于农业生产与管理，在作物识别、面积提取、长势监测、产量估算、灾害评估等领域取得了较大进展[3-6]。通过遥感进行作物长势监测已经成为国内外农业遥感研究的热点[7]。

植被指数能够综合植被在不同遥感波段的反射特性，与作物叶面积指数、生物量等存在极强的相关关系[8-9]，因此前期研究常使用植被指数评价作物长势[10-13]。在应用于农作物长势监测的植被指数中，归一化植被指数（normalized difference vegetation index，NDVI）是最为常用的评价指标[14]。将特定时期的NDVI等遥感数据与过去（上年或多年平均）进行同期对比，是农作物长势遥感监测中较为常用的方法[15-17]。

由于作物长势没有明确的评价标准，进行长势分级时往往需要根据先验知识人为调整，主观因素的影响难以避免。同期对比法只能监测到作物长势的相对好坏，而且物候差异也增加了监测结果的不确定性。物候是指作物生长期受气候和其他环境因子的影响而出现发芽、展叶、开花、结果、落叶等现象，与之对应的作物器官动态时期称为物候期[18-19]。同时期不同区域作物所处物候阶段有所不同，这种物候差异导致遥感参数同期对比并不能很好地反映长势真实情况[20-21]。

为解决上述问题，文章以黑龙江红星农场主要农作物大豆为例，整理了2010−2014年的环境减灾卫星CCD（charge coupled device）多光谱数据和地面观测数据，对红星农场大豆生育期内NDVI变化特点及年际变化进行分析，以NDVI为监测指标初步建立了大豆长势评价的标准。采用NDVI时间序列分析的方法提取了大豆关键生育期，结合遥感监测结果对大豆长势进行物候修正，最后使用单产数据验证长势评价精度。以期降低主观因素及物候差异给长势评价带来的不确定性，实现客观、准确的大豆长势评价。

1 研究区概况

红星农场位于黑龙江省北安市境内，隶属黑龙江农垦总局北安管理局，是一个以旱作农业为主的现代机械化国有农场。该区域中心位置为48°09′N，127°03′E，属寒温带大陆性气候，四季分明，年平均降水量555.3 mm，活动积温2 250.1 ℃；土地面积390 km2，耕地273 km2，土地肥沃，易于耕作，主要种植作物包括大豆、玉米、小麦等。

2 材料与方法

2.1 数据来源及预处理

本研究所使用的数据为国产环境减灾卫星A、B星（HJ-1A/1B）的CCD多光谱数据，该数据具有分辨率较高、重访周期短等特点，适合农田尺度的作物长势监测。研究所用CCD数据时间为2010年5月－2014年10月，基本参数如表1所示。

表1 HJ-1A/1B CCD传感器参数

研究使用的环境减灾卫星数据由中国资源卫星应用中心网站下载，为2A级数据，需要对数据进行进一步处理，数据预处理主要包括几何精纠正、辐射定标、大气纠正、地表反射率计算、重投影和裁剪等关键步骤。

除选取2010－2014年研究区域质量较高的CCD遥感数据外，研究也使用了其他数据辅助分析。首先绘制了红星农场矢量边界和地块边界，用于提取研究区影像；另外由于研究区每年的作物种植计划不同，使用NDVI阈值法进行作物分类并结合实地调查制作研究区作物分布图，用于提取大豆种植区。

2.2 大豆长势评价标准建立

2.2.1 NDVI计算与提取

归一化植被指数NDVI能够较好地反映作物生长状况，因而被广泛地应用于农作物长势监测[14]，其计算公式为

NDVI=(NIR−R)/(NIR+R) （1）

式中NIR为传感器近红外波段反射率，R为传感器红波段反射率，分别对应HJ-1A/1B CCD数据的4波段和3波段。

按照2.1节预处理流程对遥感影像进行处理，采用波段运算方法计算得到NDVI数据，之后利用大豆种植区矢量数据掩膜提取所有大豆地块的NDVI栅格数据。

2.2.2 NDVI统计分析

以2010年至2014年大豆种植区NDVI数据为基础，按年份提取不同时期大豆像元的NDVI值，根据数值大小对NDVI数据排序，统计分析NDVI分位数作为大豆长势分级节点，用于后期建立大豆长势的评价标准。

以时间为横坐标，NDVI值为纵坐标，建立大豆生长过程线，以直观的形式反映作物从播种、出苗、开花、成熟和收获等物理过程，可用于跟踪作物的季节性动态变化。但是由于遥感影像时间分辨率限制和云噪声的影响，大豆生育期内高质量的CCD影像数量有限，不能得到连续的时序植被指数，因此采用线性插值的方法得到每日NDVI数据集。受不同年份大豆播种期的影响，不同年份、相同儒略日大豆所处的物候阶段不同，因此需要根据物候推移（提前或滞后）影响对NDVI过程线进行调整。

2.2.3 评价标准建立

针对大豆长势的监测，选用NDVI为评价指标，将大豆长势分为5个等级：很差、差、中、好、很好。过去5 a对研究区大豆苗情、产量的实地调查结果表明，大豆长势由很差到很好5个等级分别对应的面积比例大体为3%、7%、20%、50%、20%，因此按照2.2.2节的方法对某期NDVI数据升序排列，将NDVI分位数N3%、N10%、N30%、N80%定义为大豆长势分级节点。将NDVI处于 NMin～N3%、>N3%～N10%、>N10%～N30%、>N30%～N80%、>N80%～NMax的大豆像元分别归类到很差、差、中、好、很好5个长势等级。依据线性插值获得每日NDVI分级节点，建立各年份大豆长势分级曲线，将该曲线分为差、中、好、很好4个系列，根据某日对应的4个NDVI分级节点可将大豆地块分为上述5个长势等级。

基于每年NDVI数据建立对应年份大豆长势的分级标准，将历史5 a的NDVI数据统一到儒略日坐标下进行处理，采用5 a平均的方法计算新的长势分级节点。以儒略日为横坐标，大豆长势分级节点值（NDVI）为纵坐标，建立最终的大豆长势分级曲线。

2.3 大豆物候遥感监测方法

目前利用遥感监测作物物候的方法已经相对成熟[22-25]，作物的一些生长阶段可以通过分析NDVI曲线增长速率、峰值等特点直接监测[26]，本研究基于获取的HJ-1A/1B CCD影像，对NDVI时间序列进行去噪重建，分析大豆全生育期的NDVI生长曲线特征，进行大豆关键物候期的遥感监测。

由于受云、气溶胶等的影响，遥感时间序列数据存在很多噪声，给研究带来不便[21]。作物生长是一个缓慢的过程，NDVI不可能出现骤升骤降，因此作者首先根据相邻点进行线性插值替代这些噪声，然后使用Savitzky-Golay（SG）迭代滤波方法进一步降低噪声影响[27]，最后对大豆生育期的NDVI时间序列进行Gaussian拟合，使用拟合的NDVI时间序列数据对大豆关键物候期进行监测。

2.4 大豆长势物候修正

对比分析物候监测结果和物候修正前的大豆长势分布图，选择物候影响的典型地块作为建模地块，建立田块尺度长势（NDVI）和物候的关系。选取受物候影响的典型地块作为建模地块，提取相应的“NDVI-物候”数据对，建立大豆长势的归一化公式，将长势监测结果归一化到大豆关键物候期，从而降低物候差异对长势评价的影响。

3 结果与分析

3.1 长势评价标准

根据2.2节介绍的方法，基于历史NDVI时间序列数据建立了大豆长势分级曲线（图2），作为大豆长势监测与评价的标准。该分级曲线以儒略日为横坐标，NDVI为纵坐标，分很好、好、中、差4个系列。如图2所示，若对200日的大豆长势进行评价，可以获得当日各等级的分级节点N1、N2、N3、N4，根据大豆像元NDVI值的大小将NDVI>N1、N1≥NDVI>N2、N2≥NDVI>N3、N3≥NDVI>N4、NDVI≤N4的像元分别归为长势很好、好、中、差、很差5类。

3.2 物候期遥感监测结果

在东北大豆生长过程中，结荚期是大豆进入生殖生长的重要阶段，对应大豆NDVI生长曲线出现最大值的日期[28]。图3是研究区大豆进入结荚期的时间分布情况。监测结果显示，研究区内大豆进入结荚期的日期以201～215儒略日为最多，在这期间进入结荚期的像元占总像元的89.2%。由图3可以看出，红星农场大豆结荚期在地块内部比较一致，而地块间物候差异比较明显。但是由于研究区范围较小，没有明显的南北气候差异，大豆结荚期并没有呈现明显的空间分异规律。

3.3 物候归一化结果

如图3选择了65个建模地块，结合2014年7月中旬NDVI数据和物候监测结果，分析了结荚期前后长势与物候的关系。由于田块内部长势及物候较为一致，以地块为单位取平均得到各地块的“NDVI-物候”数据对，通过线性回归建立了田块尺度长势和物候的关系。从图4可以看出，大豆长势和物候高度相关，2达到了0.721 2，物候早的大豆地块长势明显好于物候晚的大豆地块。

研究认为，大豆进入结荚期前后长势和物候线性相关，如果某大豆像元对应物候不在结荚期，则通过该线性关系将NDVI归一到结荚期。

通过上述关系，可以对大豆长势进行归一化处理，达到同一物候期评价长势的目的。

3.4 长势评价结果与分析

根据3.1节建立的大豆长势评价标准，开展了2014年结荚期大豆长势遥感监测，结果如图5所示。图5a、5b分别为物候修正前和物候修正后的大豆长势。通过对比可以发现物候修正前后大豆长势发生了明显改变，物候晚的地块长势有所改善。如图5中黑色边线所示的一个典型地块，该地块在物候修正前长势很差，但这主要是由于该地块物候期较晚，经过物候修正后该地块长势等级多为中、好。通过实地调查，该大豆地块产量为0.93 kg/hm2，在该农场处于中等偏上水平，与物候修正后的长势等级相吻合。

研究采集了41个大豆地块（图5中验证地块）的单产数据，以地块尺度长势与单产的一致性为指标验证该方法的准确性。为了合理地描述长势和单产的一致性，首先对研究区过去5 a大豆实际单产数据进行统计分析，依据与长势分级相同的标准，将产量分位数Y3%、Y10%、Y30%、Y80%定义为大豆产量分级节点，将单产处于≤Y3%、>Y3%～Y10%、>Y10%～Y30%、>Y30%～Y80%、>Y80%的地块归为很差、差、中、好、很好5个等级。将单产等级作为长势等级的真值，结合地块尺度的长势等级评价该方法的准确性。如表2建立长势分级结果的混淆矩阵，计算物候修正前后长势与单产的一致性。

表2 41个地块大豆长势分级结果混淆矩阵

根据基于历史数据建立的长势评价标准进行长势分级时，大豆长势等级与单产等级的一致性为58.5%，说明同期对比不能完全反映作物长势的真实情况，需要进一步考虑物候对长势的影响。结合物候遥感监测结果对大豆长势进行修正后，长势与单产的一致性提高到75.6%，降低了物候差异给长势评价带来的不确定性。在容差为1个等级时，物候修正前大豆长势与单产等级的一致性达到87.8%，表明历史长势数据在长势评价中有一定的参考意义；物候修正后的一致性提高到95.1%，同样说明物候信息的加入能够提高长势遥感监测的准确性。

4 结论与讨论

研究以黑龙江红星农场主要农作物大豆为研究对象，以2010－2014年环境减灾卫星CCD影像为主要数据，提出了一种基于NDVI与物候修正的大豆长势评价方法。基于历史5 a的大豆生育期NDVI时间序列数据，建立了研究区大豆长势评价的标准。针对物候的空间差异，对大豆结荚期进行遥感监测，结合物候信息修正了大豆长势，最后比较分析了物候修正前后的大豆长势评价结果。研究得到以下结论

1）经检验，物候修正前长势与单产的一致性为58.5%，说明同期对比未考虑物候导致的长势差异，不能完全反映作物长势真实状况。但是容差为一个等级时，该一致性达到87.8%，表明历史NDVI数据对长势评价有一定的参考性，基于该数据建立评价标准能够降低主观因素的影响。

2）研究区大豆田块内部物候比较一致，而田块间差异较大，结荚日期最大差异15 d左右，没有呈现明显的空间分异规律。分析发现，大豆长势与物候高度相关，物候的影响与作物自身长势差异混合在一起，增加了长势评价的不确定性。

3）时间序列遥感数据可以有效提取作物物候，研究采用拟合法对大豆关键物候期进行了监测，结合监测结果修正了大豆长势。经过物候修正，长势与单产一致性提高到75.6%，容差为1个等级时一致性提高到95.1%，表明利用物候信息可以改善长势评价效果。

本文提出的方法能够很大程度上降低主观因素及物候差异对长势评价的影响，可以为其他作物的长势监测提供重要参考。开展进一步研究时，应将该长势评价方法应用于其他作物，以验证该方法的适用性。

[1] 杨邦杰，裴志远. 农作物长势的定义与遥感监测[J]. 农业工程学报，1999，15(3)：214－218.

Yang Bangjie, Pei Zhiyuan. Definition of crop condition and crop monitoring using remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 1999, 15(3): 214－218. (in Chinese with English abstract)

对此，高校应该进一步解放思想，制定科学有效的就业指导工作计划，不断提升毕业生的就业能力和综合素质，增加其就业优势。高校辅导员作为高校就业指导工作的主要组织者和承担者，直接影响着就业指导工作的最终成效。因此，高校辅导员可以从以下几方面做起，切实做好就业指导工作：

[2] 李花. HJ-1A/B遥感监测水稻长势与产量的研究[D]. 合肥：安徽农业大学，2011.

Li Hua. Rice Growth Monitoring and Yield Forecasting Through HJ-1A/B Images[D]. Hefei: Anhui Agricultural University, 2011. (in Chinese with English abstract)

[3] 蒙继华，吴炳方，杜鑫，等. 遥感在精准农业中的应用进展及展望[J]. 国土资源遥感，2011，23(3)：1－7.

Meng Jihua, Wu Bingfang, Du Xin, et al. A review and outlook of applying remote sensing to precision agriculture[J]. Remote Sensing for Land& Resources, 2011, 23(3): 1－7. (in Chinese with English abstract)

[4] 杨邦杰，裴志远，周清波，等. 我国农情遥感监测关键技术研究进展[J]. 农业工程学报，2002，18(3)：191－194.

Yang Bangjie, Pei Zhiyuan, Zhou Qingbo, et al. Key technologies of crop monitoring using remote sensing at a national scale: progress and problems[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2002, 18(3): 191－194. (in Chinese with English abstract)

[5] Pjjr P, Hatfield J L, Schepers J S, et al. Remote sensing for crop management[J]. Photogrammetric Engineering & Remote Sensing, 2003, 69(6): 647－664.

[6] Wu B, Meng J, Li Q, et al. Remote sensing-based global crop monitoring: experiences with China’s CropWatch system[J]. International Journal of Digital Earth, 2014, 7(2): 113－137.

Qian Yonglan, Hou Yingyun, Yan Hao, et al. Global crop growth condition monitoring and yield trend prediction with remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2012, 28(13): 166－171. (in Chinese with English abstract)

[8] 刘洋，刘荣高，陈镜明，等. 叶面积指数遥感反演研究进展与展望[J]. 地球信息科学学报，2013，15(5)：734－743.

Liu Yang, Liu Ronggao, Chen Jingming, et al. Current status and perspectives of leaf area index retrieval from optical remote sensing data[J]. Journal of Geo-Information Science, 2013, 15(5): 734－743. (in Chinese with English abstract)

[9] 朴世龙，方精云，贺金生，等. 中国草地植被生物量及其空间分布格局[J]. 植物生态学报，2004，28(4)：491－498.

Piao Shilong, Fang Jingyun, He Jinsheng, et al. Spatial distribution of grassland biomass in China[J]. Chinese Journal of Plant Ecology, 2004, 28(4): 491－498. (in Chinese with English abstract)

[10] 吴炳方，张峰，刘成林，等. 农作物长势综合遥感监测方法[J]. 遥感学报，2004，8(6)：498－514.

Wu Bingfang, Zhang Feng, Liu Chenglin, et al. An integrated method for crop condition monitoring[J]. Journal of Remote Sensing, 2004, 8(6): 498－514. (in Chinese with English abstract)

[11] Yu K, Wang Z, Sun L, et al. Crop growth condition monitoring and analyzing in county scale by time series MODIS medium-resolution data[C]//International Conference on Agro-Geoinformatics. New York: IEEE, 2013: 1-6.

[12] 赵虎，杨正伟，李霖，等. 作物长势遥感监测指标的改进与比较分析[J]. 农业工程学报，2011，27(1)：243－249.

Zhao Hu, Yang Zhengwei, Li Lin, et al. Improvement and comparative analysis of indices of crop growth condition monitoring by remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(1): 243－249. (in Chinese with English abstract)

[13] 顾晓鹤，宋国宝，韩立建，等. 基于变化向量分析的冬小麦长势变化监测研究[J]. 农业工程学报，2008，24(4)：159－166.

Gu Xiaohe, Song Guobao, Han Lijian, et al. Monitoring of growth changes of winter wheat based on change vector analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(4): 159－166. (in Chinese with English abstract)

[14] Guindin-Garcia N, Gitelson A A, Arkebauer T J, et al. An evaluation of MODIS 8- and 16-day composite products for monitoring maize green leaf area index[J]. Agricultural and Forest Meteorology, 2012, 161(3): 15－25.

[15] 武建军，杨勤业. 干旱区农作物长势综合监测[J]. 地理研究，2002，21(5)：593－598.

Wu Jianjun, Yang Qinye. Crop monitoring and yield estimation using synthetic methods in arid land[J]. Geographical Research, 2002, 21(5): 593－598. (in Chinese with English abstract)

[16] 黄青，王利民，滕飞. 利用MODIS-NDVI数据提取新疆棉花播种面积信息及长势监测方法研究[J]. 干旱地区农业研究，2011，29(2)：213－217.

Huang Qing, Wang Limin, Teng Fei. MODIS- NDVI-based monitoring of cotton planting areas and growth condition in Xinjiang[J]. Agricultural Research in the Arid Areas, 2011, 29(2): 213－217. (in Chinese with English abstract)

[17] Meng J H, Wu B F. Study on the crop condition monitoring methods with remote sensing[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2008, 37(B8): 945-950..

[18] 王连喜，陈怀亮，李琪，等. 植物物候与气候研究进展[J]. 生态学报，2010，30(2)：447－454.

Wang Lianxi, Chen Huailiang, Li Qi, et al. Research advances in plant phenology and climate[J]. Acta Ecologica Sinica, 2010, 30(2): 447－454. (in Chinese with English abstract)

[19] 张峰，吴炳方，刘成林，等. 利用时序植被指数监测作物物候的方法研究[J]. 农业工程学报，2004，20(1)：155－159.

Zhang Feng, Wu Bingfang, Liu Chenglin, et al. Methods of monitoring crop phenological stages using time series of vegetation indicator[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(1): 155－159. (in Chinese with English abstract)

[20] Meng J H, Wu B F, Li Q Z, et al. Monitoring Crop Phenology with MERIS Data: A Case Study of Winter Wheat in North China Plain[C]// Electromagnetics Acad. Cambridge, 2009: 1225-1228.

[21] 蒙继华，杜鑫，张淼，等. 物候信息在大范围作物长势遥感监测中的应用[J]. 遥感技术与应用，2014，29(2)：278－285.

Meng Jihua, Du Xin, Zhang Miao, et al. Integrating crop phenophase information in large-area crop condition evaluation with remote sensing[J]. Remote Sensing Technology and Application, 2014, 29(2): 278－285. (in Chinese with English abstract)

[22] 鹿琳琳，郭华东. 基于SPOT/VEGETATION时间序列的冬小麦物候提取方法[J]. 农业工程学报，2009，25(6)：174－179.

Lu Linlin, Guo Huadong. Extraction method of winter wheat phenology from time series of SPOT/VEGETATION data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2009, 25(6): 174－179. (in Chinese with English abstract)

[23] 崔凯，蒙继华，左廷英. 遥感作物物候监测方法研究[J]. 安徽农业科学，2012，40(10)：6279－6281.

Cui Kai, Meng Jihua, Zuo Tingying. Monitoring of crop phenology with remote sensing[J]. Journal of Anhui Agricultural Sciences, 2012, 40(10): 6279－6281. (in Chinese with English abstract)

[24] 夏传福，李静，柳钦火. 植被物候遥感监测研究进展[J]. 遥感学报，2013，17(1)：1－16.

Xia Chuanfu, Li Jing, Liu Qinhuo. Review of advances in vegetation phenology monitoring by remote sensing[J]. Journal of Remote Sensing, 2013, 17(1): 1－16. (in Chinese with English abstract)

[25] Pan Z, Huang J, Zhou Q, et al. Mapping crop phenology using NDVI time-series derived from HJ-1 A/B data[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 34(1): 188－197.

[26] Akm Saiful Islam, Sujit Kumar Bala. Assessment of potato phenological characteristics using MODIS-derived NDVI and LAI information[J]. Giscience & Remote Sensing, 2008, 45(4): 443－453.

[27] Chen J, Jönsson P, Tamura M, et al. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky–Golay filter[J]. Remote Sensing of Environment, 2004, 91(3/4): 332－344.

[28] Zhao H, Yang Z, Di L, et al. Crop phenology date estimation based on NDVI derived from the reconstructed MODIS daily surface reflectance data[C]// 2009 17th International Conference on Geoinformatics. New York: IEEE, 2009:1-6.

Soybean growth assessment method based on NDVI and phenological calibration

Han Yanxin, Meng Jihua※, Xu Jin

(100101)

The timely and accurate crop condition monitoring can provide government policy makers and farmers with information of crop growth, so that they can take promptly field management measures to achieve scientific management and crop yield-increasing. With the development of remote sensing technology, crop condition monitoring by remote sensing has become a research hotspot. Former studies have shown that normalized difference vegetation index (NDVI) is highly correlated with leaf area index (LAI) and leaf chlorophyll content, and can be used to indicate the growth condition of crops. However, it is hard to eliminate the influence of objective factors on crop condition monitoring due to the lack of evaluation criteria. Beside the crop growth condition difference itself, the phenophase difference between fields also has a great influence on crop condition monitoring. To address the problems above, a method of assessing soybean condition by using the historical NDVI time series was designed. In this study, the research target is soybean in Hongxing Farm, which is located in Heilongjiang province. Based on the available multi-spectral HJ-1 CCD data, the historical NDVI dataset from the year 2010 to 2014 was collected. The NDVI variation trend in soybean growth season was analyzed and an inter-annual comparison during soybean growth period was implemented which was integrated with ground data. The high-quality images can’t be acquired at day frequency due to the temporal resolution and the cloud influence. A linear interpolation was thus applied to the original data to obtain everyday NDVI dataset. Then a profile, which reflected the soybean growth process was built according to the reconstructed NDVI data from 2010 to 2014. The profile can provide four threshold values every day to categorize soybean condition into five grades which is worst, poor, fair, good and excellent respectively. On the basis of that, the criterion of soybean condition classification was established to assess the growth condition of soybean accurately. A preliminary soybean growth condition map can be produced according to the criterion. Then the critical phenological stages of soybean was extracted based on NDVI time series to reduce the phenophase impact on crop condition monitoring. First, an everyday NDVI dataset at pixel scale in the year 2014 was built using linear interpolation. A simple procedure based on Savitzky-Golay filter and Gaussian function was then implemented to remove the noise in the contaminated NDVI data and fit the growth curve. The result of soybean growth condition monitoring can be calibrated on the basis of the correlation of NDVI and the podding date which can be estimated by analyzing the characteristics of the curve. The yield investigation at field scale was carried out to validate the accuracy of the soybean growth condition assessment method. The results showed that the consistency between soybean condition level and yield level reached 58.5% and increased to 75.6% with the phenological calibration. The pre- and post-calibration consistency were 87.8% and 95.1% respectively when the tolerance was defined as one grade. The proposed method which based on the historical NDVI dataset and the result of key phenophase mapping indicates the ability of reducing the impact of objective factors and phenophase when assessing soybean growth condition.

remote sensing; crops; time series analysis; phenophase; crop condition; NDVI; soybean

10.11975/j.issn.1002-6819.2017.02.024

TP79

A

1002-6819(2017)-02-0177-06

2016-09-26

2016-10-17

中国科学院科技服务网络计划（STS）项目“精准农业技术体系研发及先进设备完善和升级”（KFJ-EW-STS-069）；863计划课题“典型应用领域全球定量遥感产品生产体系”（2013AA12A302）

韩衍欣，男，山东菏泽人。主要从事农作物长势遥感监测研究。北京 中国科学院遥感与数字地球研究所，100101。Email：hanyx@radi.ac.cn

蒙继华，男，新疆石河子人，研究员。主要从事作物遥感监测及精准农业遥感应用研究。北京 中国科学院遥感与数字地球研究所，100101。Email：mengjh@radi.ac.cn

韩衍欣，蒙继华，徐 晋. 基于NDVI与物候修正的大豆长势评价方法[J]. 农业工程学报，2017，33(2)：177－182. doi：10.11975/j.issn.1002-6819.2017.02.024 http://www.tcsae.org

Han Yanxin, Meng Jihua, Xu Jin. Soybean growth assessment method based on NDVI and phenological calibration[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(2): 177－182. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.02.024 http://www.tcsae.org