基于NDVI时间序列数据的施肥方式遥感识别方法

刘焕军，武丹茜，孟令华，Susan Ustin，崔 杨，杨昊轩，张新乐

基于NDVI时间序列数据的施肥方式遥感识别方法

刘焕军1,2，武丹茜1，孟令华2，Susan Ustin3，崔 杨1，杨昊轩1，张新乐1※

（1. 东北农业大学公共管理与法学院，哈尔滨 150030；2. 中国科学院东北地理与农业生态研究所，长春 130102；3. Center for Spatial Technologies and Remote Sensing(CSTARS), Department for Land, AIR, and Water Resources, University of California, Davis, United States 95616）

农产品生产过程时空动态监测是有机/绿色农产品认证亟待解决的问题，不同施肥方式的时空精准识别是解决该问题的关键。本文以美国加州大学戴维斯分校长期定位实验为基本材料，利用时间序列Landsat 8和Sentinel-2影像研究长期施肥实验下不同施肥处理轮作地块的植被指数时间序列，对比分析不同施肥处理NDVI的差异以及NDVI与产量的相关性。结果表明：1）不同施肥处理下的NDVI时间序列曲线总体趋势相似，有机肥与化肥处理NDVI时间序列曲线差异较大；2）不同施肥处理NDVI随作物生长期呈现规律变化，生长初期和后期有机肥处理NDVI均值高于化肥处理，生长中期化肥处理高于有机肥处理；3）不同施肥处理下的NDVI与产量之间相关系数随作物生长期有规律变化，应用植被指数进行遥感估产需要考虑不同施肥处理的影响。研究成果初步探讨了利用不同施肥处理NDVI时间序列差异、NDVI与产量相关性差异区分有机肥与其他施肥方式，有望为有机/绿色农业的时空动态监测与认证提供遥感技术支持，深化遥感技术在农业领域应用。

施肥，遥感，施肥方式，作物，时间序列，NDVI

0 引 言

随着以绿色发展为导向的农业供给侧结构性改革的推进，绿色、优质、安全的理念越来越深入人心，发展有机农业成为坚持可持续发展、保护环境的需要。2016年农业部与财政部联合印发了《建立以绿色生态为导向的农业补贴制度改革方案》建立以绿色生态为导向的农业补贴，随之开展了减化肥、减农药、减除草剂“三减”行动，以促进农业可持续发展。绿色/有机农业作为可持续农业的必经之路，目前在生产过程监控、产品认证等方面仍存在很多问题。遥感技术作为目前唯一能够在大范围内实现快速获取时空动态地表信息的手段，对于发展高产高效和环境友好型现代农业的重要性已被普遍认可[1-2]。但是现阶段遥感技术只能辅助进行小范围农产品质量监测，而对于有机农产品生产过程中大范围施肥方式进行精准识别方面的研究仍缺失[3-5]。

受有机肥和化肥肥效释放速率、不同肥料对土壤理化性质的影响，农作物在生长过程中对水肥存在响应差异，因而需利用时间序列遥感监测以实现不同施肥处理的时空动态监测。但由于受单一传感器回访周期及天气状况等限制，难以实现对同一区域的持续监测。Landsat 8与Sentinel-2是常用的中等分辨率卫星遥感影像，针对两种传感器间的差异，各国学者开展了广泛研究，认为大气校正后二者影像间辐射一致性有所提高，利用Sentinel-2A影像“8a”波段进行NDVI计算能有效减少传感器间差异[6-7]。植被指数时间序列分析方法被广泛利用于作物分类及农作物种植结构提取，而针对农产品质量的应用存在缺失[8-12]。已有的不同肥料试验小区一般较小，导致中等空间分辨率遥感影像难以对其监测，受云雨影响时间分辨率较低，时间序列遥感影像获取困难。本文研究区内的试验小区各自独立且面积较大（0.4 hm2），为利用遥感影像监测作物生长情况提供了监测条件，且研究区地处美国地中海气候带，为获取整个生长期的时间序列遥感影像提供了良好的气候条件。

本研究以不同施肥处理长期定位试验下，玉米和番茄在化肥、化肥+绿肥、有机肥+绿肥3种不同处理中的归一化植被指数（normalized differential vegetation index，NDVI）时间序列为研究对象[13]，从高分辨率时间序列遥感数据集构建、不同施肥方式的时间序列遥感数据特征分析、不同施肥方式的作物长势差异及其产量的影响3个子目标出发，探索时间序列遥感数据对作物不同施肥方式的表达潜力，进一步为有机/绿色农业的认定、重要生产过程的监测以及农作物估产提供理论依据与技术支持。

1 数据与方法

1.1 研究区概况与数据获取

1.1.1 研究区概况

研究区Russell Ranch Sustainable Agriculture Facility（RRSAF）位于美国加利福尼亚州中央山谷（图1），为美国加州大学戴维斯分校的可持续农业设施世纪试验区。RRSAF位于Putah河流的冲积平原上，土壤类型为粉质壤土和粉质黏土壤土，水源为Clear湖和Cache Creek 引水大坝。RRSAF为地中海气候，冬季温和多雨，夏季炎热干燥，最低温出现在12月，最高温出现在7月，冬季最低月平均气温为2.9℃，夏季最高月平均气温为33.7 ℃，平均年降水量440 mm。多数研究小区种植一年一季的作物，部分小区冬季种植冬小麦。

图1 研究地块位置与影像

1.1.2 试验设计

为了区分作物产量在长期不同施肥模式下的响应，了解长期施肥模式下不同施肥处理的作物长势差异，故设计该试验。试验始自1994年，为分区块状设计，包括72个空间独立的地块（图1），独立面积约为0.4 hm2。在试验开始前进行了激光平整，为防止地块之间的地表径流和侵蚀，地块周围设置了凸起的护堤。研究区包含了12种不同种植制度的轮作试验，随机分配在不同地块，轮作作物包括玉米、番茄、小麦、豆科作物、苏丹草等，每2～3年更换1次轮作作物，地块施肥及灌溉方式不变。本研究选取2016—2017年的玉米（maize）-番茄（tomato）轮作地块作为研究重点，每年共3个处理，分别为CMT（全灌溉＋化肥）、LMT（全灌溉＋化肥＋绿肥）、OMT（全灌溉＋有机肥＋绿肥），详见表1，每种处理共3次重复，其中A轮作制度偶数年（2016）种植玉米奇数年（2017）种植番茄，B轮作制度偶数年（2016）种植番茄奇数年（2017）种植玉米。

表1 轮作处理方式

注：CMT管理方式为全灌溉＋化肥、LMT为全灌溉＋化肥＋绿肥、OMT为全灌溉＋有机肥＋绿肥；OMT处理的农产品已获取有机认证。

Note: The management mode of CMT is total irrigation + chemical fertilizer, LMT is total irrigation + chemical fertilizer + green manure, and OMT is total irrigation + organic fertilizer + green manure. Agricultural products processed by OMT have been certified organic.

供试验化肥为NPK复合肥，含15%N、15%P2O5、15% K2O，肥料为水溶肥，平均肥效10～15d，CMT与LMT施肥量及施肥日期相同；有机肥为鸡粪堆肥，在种植前一天一次性投入，生长期不再加施有机肥。LMT与OMT处理在冬季增施绿肥（WCC），每0.4hm2土地施绿肥（WCC）组合为90 kg/hm2的蚕豆、22.5 kg/hm2长毛猪笼草和22.5 kg/hm2燕麦。绿肥于11月10日左右种植，次年3月左右收割。3种处理的玉米品种为ST7570RR，番茄品种为Heinz 8504，conventional。

受气候原因影响，生长期降水量少，因而3种轮作处理均在生长期进行全灌溉，灌溉日期与灌溉量相同（图 2）。2016年玉米在4月8日种植，9月14日收获；2017年番茄4月17日种植，8月20日收获。

图2 灌溉量及化肥处理的施肥量

1.2 资料数据

1.2.1 产量数据

2016年玉米为机器收割（型号JD9600），每个地块选取712 m2范围收获产量作为地块代表产量，其中CMT处理3次重复平均产量为1 023.3 kg，LMT处理3次重复平均产量为967.4 kg，OMT处理3次重复平均产量为685.9 kg。

1.2.2 遥感影像数据获取

根据研究区玉米生长期特点，选取2016年3—9月及2017年4—9月的Landsat 8 OLI及Sentinel-2A的时间序列遥感影像，2016年共14幅，2017年共16幅（表2）。

表2 遥感影像获取时间

1.2.3 遥感数据预处理

利用研究区矢量图裁剪，得到研究区范围的影像数据。为验证Sentinel-2A及Landsat 8 OLI传感器之间的相关性，本研究选取2016年6月25日的Sentinel-2A及2016年6月27日的Landsat 8 OLI2种传感器影像，比较其在3×3像元范围内不同长势的NDVI，对2种传感器进行交叉验证[14]。对Sentinel-2A影像及Landsat 8 OLI影像分别进行辐射定标、大气校正，利用ENVI 5.1将Landsat 8 OLI影像重采样为10 m。

1.2.4 植被指数计算

本文采用应用最为广泛的归一化植被指数研究。运用ENVI 5.1通过波段运算得到2年影像的植被指数，Landsat 8 OLI使用B4、B5波段，Sentinel-2A使用B4、B8a波段。由于地块边界存在混合像元，为保证像元内地物类型精确、同时可代表地物特征，通过建立渔网从每种处理的每个地块选取中心6个纯像元提取NDVI值，各处理共得18个点，对其取平均值作为该种处理的NDVI值。

1.3 研究方法

不同施肥方式使得作物在生长过程中对肥料的响应存在差异，反映在作物长势的优劣，利用遥感影像获取与作物生长密切相关的植被指数，建立植被指数与长势之间的相互关系[15]，监测不同施肥方式下的作物生长状况，从而为利用遥感技术辨别不同施肥方式提供思路。本文对长期施肥条件下进行3种施肥处理作物的植被指数进行时间序列分析，以及对NDVI差异较大的时相进行显著性差异分析，利用NDVI与实测产量进行相关分析，以期通过不同施肥处理植被指数时间序列曲线表现的差异，并结合具有显著差异的关键时相及不同施肥处理NDVI与产量之间的相关关系，进而分辨在长期施肥试验条件下的不同施肥处理，并找寻最适应该试验区的最优施肥管理模式。数理统计分析利用SPSS 19.0软件实现。

2 结果与分析

2.1 Landsat 8与Sentinel-2交叉验证结果

通过对2种传感器进行交叉认证，发现单个像元的NDVI变化差异在0.03范围内，3×3像元范围的NDVI变化差异大部分在0.05范围内（图3），差异较小，说明两种传感器获取的影像可以作为互补使用，有利于对时间序列进行深入研究分析。

图3 Landsat_8_OLI与Sentinel_2A2种传感器植被指数变化差异

2.2 不同施肥处理下NDVI时间序列特征分析

图4a、4b分别为玉米和番茄3种处理NDVI平均值时间序列图。由图4a可以看出：玉米3种处理总体NDVI曲线趋势一致，可区分玉米出苗期（100～131 d）、拔节期（131～177 d）、吐丝期（177～195 d）、灌浆乳熟期（197～219 d）、植株成熟（219～250 d）等不同生长阶段。对不同处理的NDVI时间序列曲线分别研究，发现OMT处理与CMT、LMT有较大差异，在201～227 d OMT处理的地块NDVI值明显高于其他2种处理，之后3种处理的NDVI又趋向一致。将3种处理两两对比发现，在均种植冬季绿肥时，OMT地块在131～177 d之间及201 d之后NDVI值均高于LMT地块，特别在131 d和201 d表现明显，而吐丝期则LMT处理NDVI高；在均施化肥的情况下，是否种植冬季绿肥对NDVI影响不大，对玉米长势无明显影响。玉米不同处理的NDVI时间序列表现为：出苗期、拔节期及进入灌浆乳熟期后OMT处理NDVI值高于CMT和LMT处理，长势更好；吐丝期OMT长势劣于CMT和LMT。植株成熟期OMT处理NDVI高的原因是停止灌溉后3种施肥方式的土壤保水能力不同，导致植株变黄速度存在差异。

从图4b中可以看出：番茄不同处理的NDVI曲线之间波动差异大，可区分番茄幼苗期（108～170 d）、开花坐果期（170～190 d）、快速结果期（190～210 d）、果实膨大期（210～230 d）、果实着色成熟（230～250 d）等不同生长阶段。针对不同处理曲线规律分析，发现3种处理曲线总体呈现先上升后下降的趋势，CMT和LMT处理的植被指数在190 d达到顶峰，而OMT处理最高点出现在181 d，相比较另2个化肥处理，NDVI峰值提前1周出现，表明OMT处理的地块更早进入开花期。之后3种处理NDVI曲线一直保持下降趋势，直至果实成熟。对不同处理进行两两对比，发现在均种植冬季绿肥的情况下，从108～170 d及230 d之后，OMT处理的地块总体NDVI值略高于LMT地块，长势较好；170～210 d番茄开始结果并逐渐进入膨大阶段，两种处理NDVI曲线变动较大。在均施化肥的条件下，种植绿肥对NDVI的影响表现为：前期与后期LMT地块NDVI值略高，这表明增施冬季绿肥的番茄植株长势更好。番茄不同处理的NDVI时间序列表现为，从开始播种到181 d、以及番茄果实成熟后，OMT处理NDVI值高于其他地块，中期CMT和LMT处理NDVI超过OMT处理。

综合2种作物不同施肥处理的NDVI时间序列曲线可以发现，在相同地块2年轮作不同作物，有机肥和化肥处理的NDVI时间序列均有相似表现，即作物生长前期（开始播种～180 d）及后期（200～240 d）有机肥处理的地块NDVI值偏高，而生长中期（180～200 d）则化肥处理的地块NDVI值较高。

a. 玉米

a. Maize

b. 番茄

2.3 不同处理NDVI平均值显著性差异分析

通过上文对3种处理NDVI进行分析，可以看出玉米与番茄3种处理的NDVI具有一定差异。通过对NDVI进行均值处理后，发现玉米131和201 d的OMT处理的NDVI均值明显高于CMT处理与LMT处理，对这2个关键时相的NDVI值进行显著性差异分析发现，OMT分别与CMT和LMT处理存在显著性差异，而CMT和LMT处理间无显著性差异；番茄种植149 d时3种处理间差异性较明显（表3）。

结合2016年玉米产量分析，发现OMT、CMT、LMT处理3次重复平均产量分别为685.9 kg、1 023.3 kg、967.4 kg，OMT处理的产量明显低于另2种处理，而CMT和LMT间产量相差不大，这与上述玉米3种处理间显著性差异结果一致。

表3 131 d与201 d不同处理NDVI平均值

注：同行数字后标不同小写字母者表示差异达显著水平（＜0.05）。

Note: Significant differences were found in the same row of numerals with different lower-case letters（＜0.05）.

2.4 NDVI时间序列与产量相关性分析

从2016年玉米NDVI与产量相关系数时间序列图（图5）可以看出，当有机肥处理NDVI低于化肥处理时，玉米处于吐丝期，NDVI与产量呈正相关；当玉米处于出苗期、拔节期、灌浆乳熟期及植株成熟几个生长阶段时，有机肥处理NDVI高于化肥处理，此时NDVI与产量为负相关。负相关性最高的点出现在131和201 d，相关系数分别为-0.87和-0.91，此时可以看出有机肥NDVI曲线远高于化肥处理，差值约为7%～8%。131 d时玉米由出苗期进入拔节期，OMT处理的地块因连续多年施用有机肥，土壤内有机质含量较多，因而植株生长速度快于另两种处理，综合产量数据分析，2种化肥处理的产量均高于有机肥处理，产量和NDVI相关系数与植被指数呈此消彼长的态势，因而在131 d时NDVI与产量呈现显著负相关；在201 d时，玉米进入灌浆乳熟阶段，因有机肥肥效长于化肥的原因，NDVI表现为OMT处理高于两种化肥处理，但OMT处理的最终产量低于CMT和LMT处理，所以产量与NDVI出现负相关现象。

当化肥NDVI高于有机肥处理时NDVI与产量之间为正相关，在179 d二者NDVI差值最大，此时相关系数为0.69，相关性较高。此时玉米正值吐丝期，该时期是提高产量、改善品质的重要阶段，对营养物质需求旺盛。CMT及LMT处理的玉米在120～166 d经过了5次施肥，养分得到了充足的积累，而OMT处理因施用有机肥肥力较低导致生长中期养分不足，因此出现OMT处理的NDVI低于CMT和LMT处理，且两个化肥处理的产量均高于有机肥处理，所以表现为产量与NDVI呈显著正相关。

当3种处理NDVI值接近时，表明3种处理下的玉米长势接近，因而与产量的相关系数变小。

玉米不同生长阶段的NDVI对产量的相关性存在不同表现。玉米处于出苗期时为正相关且相关性较低；从出苗期进入拔节期时，相关系数为极显著负相关，之后随着玉米植株生长而逐渐变低，并由负相关转为正相关；当玉米处于吐丝期，这一阶段相关系数为正，并在179 d达到0.69；灌浆乳熟期时，NDVI与产量的相关性为负，在201 d时相关系数为-0.91达到最高；植株成熟阶段NDVI与产量相关系数再次转为正相关。

注：**代表在0.01水平上显著相关， *代表在0.05水平上显著相关。

3 讨 论

本研究证明了遥感技术在不同施肥处理时空动态监测、有机农产品认证方面的潜力，深化了遥感在农业领域的应用。针对不同施肥处理的长期定位试验，各国学者都开展了广泛的研究[16-20]，但尚未有研究说明遥感监测的植被指数与长期施肥试验中不同施肥处理之间的相关性。本研究区位于美国加州，不同施肥试验已持续20年以上，该地区因气候原因夏季降水少、云量小，在作物生长期可以获取时间序列的遥感影像，因而对于利用遥感手段研究地中海气候下不同施肥处理的影响具有较强代表性，结合时间序列分析方法可以更直接的监测作物生长期的长势状况，揭示不同施肥处理作物响应时空变化规律。

不同作物在不同施肥处理下植被指数时间序列呈现规律性变化。通过对相同地块2016年和2017年不同作物3种施肥处理NDVI时间序列的对比结果可以看出，玉米与番茄NDVI时间序列曲线随时间变化差异较大。表现为玉米与番茄的总体NDVI曲线都呈现先上升后下降的抛物线趋势，玉米3种处理间NDVI曲线差异不大，有机肥处理的地块在生长前期和后期NDVI值高于化肥处理的地块，表明20余年长期施用有机肥的地块长势更好，且有机肥肥效持续时间优于化肥，因而在种植后期有机肥处理的地块NDVI值高于化肥处理地块，在生长中期化肥处理的地块NDVI值高于有机肥处理地块，原因是在这一时期化肥处理地块进行了多次追肥，且肥效释放较快，对玉米长势产生较大影响；番茄不同处理的NDVI时间序列曲线前期和后期差别较小，在中期波动幅度最大，表现为前期有机肥处理的NDVI值高于化肥处理，中期化肥处理的NDVI值较高，这种表现的原因是不同施肥处理导致番茄开花结果的时间先后不同，果实生长速度有异，因而在NDVI曲线上显示出较大的波动变化，而后期所有处理中番茄均到达成熟期，NDVI值在此时又逐渐趋向一致。

不同施肥处理植被指数与产量的相关系数随时间呈显著的正、负相关变化。玉米的不同生长阶段NDVI与产量的相关系数存在不同表现，吐丝期时呈正相关，而出苗期、拔节期、灌浆乳熟期及植株成熟几个生长阶段时，NDVI与产量为负相关。已有研究发现作物生长初期和后期产量与植被指数的相关性很小，作物生长中期植被指数与产量一般呈正相关[21]。与已有研究的结论不同，本研究发现不同施肥处理时，NDVI与产量的相关系数随时间的变化是复杂的，表现为：当有机肥处理NDVI高于化肥处理时为负相关，NDVI差值与负相关系数呈同向变动；在化肥NDVI高于有机肥处理时与产量的相关性为正相关，NDVI差值最大时与产量的正相关性最大。另研究发现，产量与NDVI相关系数为负且绝对值越大的几个时期（出苗期、拔节期、灌浆乳熟期），有机肥处理的NDVI值明显高于其他两个施化肥处理，因而笔者认为可以将生长期内NDVI与产量呈现极显著负相关的几个关键时相，作为利用遥感手段区分施用有机肥处理的主要时期，从而发挥遥感技术对于在长期定位施肥的条件下区分不同施肥方式的积极作用，为监测有机农业生产过程及有机认证提供技术支持。

玉米不同施肥处理的最终产量存在差异，结合植被指数时间序列曲线可以看出，3种处理的玉米长势总体优劣顺序为OMT、CMT、LMT，而最终产量则为CMT> LMT>OMT。长势与产量2种指标可以在一定程度上反映该试验中不同施肥方式的优劣，CMT处理的产量尽管最高，但单一施用化肥会对土壤性状产生不利影响，造成土壤营养物质流失、肥力下降、土壤板结，影响该地区农业生产；OMT处理使用了有机方式种植，虽对保护土壤具有积极意义，但有限的好处不足以弥补产量的下降，有机肥处理仍不是最优的施肥方式；LMT处理的地块虽长势相较于另2种略差，但产量却与CMT处理相差不大，且绿肥可以有效储存土壤水分，有助于保水固土、减少水土流失、改善土壤肥力，对于农业生产具有积极作用，是3种施肥处理中最适应该地区农业可持续发展的施肥方式。

本研究是利用地中海气候下连续20年以上不同施肥处理试验地块的植被指数，从中分析得到植被指数与施肥方式的规律。而在长期轮作施肥试验的初始时期、其他不同气候条件下的地区的NDVI与产量之间的相关性规律仍有待讨论。

4 结 论

本文利用10 m空间分辨率的时间序列遥感影像，基于植被指数时间序列的方法，对长期定位试验中不同施肥处理下作物在生长期中的表现进行研究，得出如下结论：

1）遥感技术可以用于不同施肥处理的监测与识别，为有机农产品生产过程的时空动态监测提供技术支持。

2）不同施肥处理作物植被指数时间序列呈现规律性变化，一般作物生长前期（出苗期、拔节期）、后期（灌浆乳熟期、植株成熟）有机肥处理植被指数高，中期（吐丝期）化肥处理植被指数高，指示了施肥措施差异及其导致的土壤理化性质与作物生理参数时序变化。

3）不同施肥处理植被指数与产量的相关系数随时间呈现规律性变化，并不是单调的正相关关系。应用植被指数进行遥感估产时，需要考虑时相以及不同施肥处理（尤其是有机肥）的影响。

4）化肥+冬季绿肥的施肥方式在保障农业可持续的同时获得较多产量，此种施肥方式更适合该地区的农业生产。

[1] Xue L, Dai T, Cao W, et al. Monitoring Leaf Nitrogen Status in Rice with Canopy Spectral Reflectance[J]. Agronomy Journal, 2004, 96(1): 135－142.

[2] Gianquinto G, Orsini F, Fecondini M, et al. A methodological approach for defining spectral indices for assessing tomatonitrogen status and yield[J]. European Journal of Agronomy, 2011, 35(3): 135－143.

[3] 黄玉萍，Renfu Lu，戚超，陈坤杰. 波长比和近红外光谱的番茄品质检测方法[J]. 光谱学与光谱分析，2018，38(8)：2362－2368. Huang Yuping, Renfu Lu, Qi Chao, Chen Kunjie. Measurement of tomato quality attributes based on wavelength ratio and near-infrared spectroscopy[J]. Spectroscopy and Spectral Analysis, 2018, 38(8): 2362－2368. (in Chinese with English abstract)

[4] 杨小玲. 高光谱图像技术检测玉米种子品质研究[D]. 杭州：浙江大学，2016. Yang Xiaoling. Detection of Maize Seed Quality Using Hyperspectral Imaging[D]. Hangzhou: Zhejiang University, 2016. (in Chinese with English abstract)

[5] 张新玉，王颖杰，刘若西，等. 近红外光谱技术应用于玉米单籽粒蛋白质含量检测分析的初步研究[J]. 中国农业大学学报，2017，22(5)：25－31. Zhang Xinyu, Wang Yingjie, Liu Ruoxi, et al. Application of near-infrared spectroscopy technology to analyze protein content in single kenel maize seed[J]. Journal of China Agricultural University, 2017, 22(5): 25－31. (in Chinese with English abstract)

[6] 钟函笑，边金虎，李爱农. Landsat-8 OLI与Sentinel-2A MSI山区遥感影像辐射一致性研究[J]. 遥感技术与应用，2018，33(03)：428－438. Zhong Hanxiao, Bian Jinhu, Li Ainong. Radiometric consistency between Landsat-8 OLI and Sentia-2 MSI imagery in mountainous terrain[J]. Remote Sensing Technology and Application, 2018, 33(3): 428－438. (in Chinese with English abstract)

[7] Feng Chen. A Preliminary investigation on comparison and transformation of Sentinel-2A MSI and Landsat-8 OLI[C]. ISPRS Technical Commission III on Remote Sensing. Proceedings of the ISPRS Technical Commission III midterm symposium on "Developments, technologies and applications in remote sensing". ISPRS Technical Commission III on Remote Sensing, 2018: 6.

[8] 郭昱杉，刘庆生，刘高焕，等. 基于MODIS时序NDVI主要农作物种植信息提取研究[J]. 自然资源学报，2017，32(10)：1808－1818. Guo Yushan, Liu Qingsheng, Liu Gaohuan, et al. Extraction of main crops in yellow river delta based on MODIS NDVI time series[J]. Journal of Natural Resources, 2017, 32(10): 1808－1818. (in Chinese with English abstract)

[9] 王文静，张霞，赵银娣，等. 综合多特征的Landsat-8时序遥感图像棉花分类方法[J]. 遥感学报，2017，21(1)：115－124. Wang Wenjing, Zhang Xia, Zhao Yindi, et al. Cotton extraction method of integrated multi-features based on multitemporal Landsat-8 images[J]. Journal of Remote Sensing, 2017, 21(1): 115－124. (in Chinese with English abstract)

[10] 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. 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)

[11] 平跃鹏，臧淑英. 基于MODIS时间序列及物候特征的农作物分类[J]. 自然资源学报，2016，31(3)：503－513. Ping Yuepeng, Zang Shuying. Crop identification based on MODIS NDVI time-series data and phenological characteristics[J]. Journal of Natural Resources, 2016, 31(3): 503－513. (in Chinese with English abstract)

[12] 杨闫君，占玉林，田庆久，等. 基于GF-1/WFVNDVI时间序列数据的作物分类[J]. 农业工程学报，2015，31(24)：155－161. Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(24): 155－161. (in Chinese with English abstract)

[13] Schell J A. Monitoring Vegetation Systems in the Great Plains with ERTS[J]. Nasa Special Publication, 1973, 351: 309.

[14] 刘焕军，孟令华，张新乐，等. 基于时间序列Landsat影像的棉花估产模型[J]. 农业工程学报，2015，31(17)：215－220. Liu Huanjun, Meng Linghua, Zhang Xinle, et al. Estimation model of cotton yield with time series Landsat images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(17): 215－220. (in Chinese with English abstract)

[15] 王利民，杨玲波，刘佳，等. GF-1和MODIS影像冬小麦长势监测指标NDVI的对比[J]. 作物学报，2018，44(7)：1043－1054. Wang Limin, Yang Lingbo, Liu Jia, et al. Comparison of growth monitoring index NDVI between GF-1 and MODIS images in winter wheat[J]. Acta Agronomica Sinica, 2018, 44(7): 1043－1054. (in Chinese with English abstract)

[16] 赵秉强，张夫道. 我国的长期肥料定位实验研究[J]. 植物营养与肥料学报，2002，8(增刊)：3－8. Zhao Bingqiang, Zhang Fudao. Long-term fertilizer location test in China[J]. Plant Nutrition and Fertilizer Science, 2002, 8(Supplement): 3－8. (in Chinese with English abstract)

[17] 沈善敏. 长期土壤肥力实验的科学价值[J]. 植物营养与肥料学报，1995，1(1)：1－9. Shen Shanmin. The scientific value of long-term fertility experiment[J]. Plant Nutrition and Fertilizer Science, 1995, 1(1): 1－9.

[18] Yang Z C, Zhao N, Huang F, et al. Long-term effects of different organic and inorganic fertilizer treatments on soil organic carbon sequestration and crop yields on the North China Plain[J]. Soil & Tillage Research, 2015, 146: 47－52.

[19] Yaduvanshi N P S. Effect of five years of rice-wheat cropping and NPK fertilizer use with and without organic and green manures on soil properties and crop yields in a reclaimed sodic soil[J]. Journal of the Indian Society of Soil Science, 2001, 49: 714－719.

[20] 温延臣，李燕青，袁亮，等. 长期不同施肥制度土壤肥力特征综合评价方法[J]. 农业工程学报，2015，31(7)：91－99. Wen Tingchen, Li Yanqing, Yuan Liang, et al. Comprehensive assessment methodology of characteristics of soil fertility under different fertilization regimes in North China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(7): 91－99. (in Chinese with English abstract)

[21] 焦险峰，杨邦杰，裴志远，等. 基于植被指数的作物产量监测方法研究[J]. 农业工程学报，2005，21(4)：104－108. Jiao Xianfeng, Yang Bangjie, Pei Zhiyuan, et al. Monitoring crop yield using NOAA/AVHRR-based vegetation indices[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(4): 104－108. (in Chinese with English abstract)

Remote sensing recognition method of different fertilization methods in NDVI time series

Liu Huanjun1,2,Wu Danqian1, Meng Linghua2, Susan Ustin3, Cui Yang1, Yang Haoxuan1, Zhang Xinle1※

(1.,,150030,;2.,,130102,;(),,,,,, 95616)

Due to the effects of organic fertilizer and chemical fertilizer release rate and different fertilizers on soil physical and chemical properties, there are differences in response of crops to water and fertilizer in the process of growth. Therefore, time series remote sensing monitoring is needed to realize dynamic monitoring of space-time in different fertilization treatments. Remote sensing technology, as a means to rapidly acquire spatial and temporal dynamic surface information in a wide range, has been widely recognized as important for the development of modern agriculture with high yield, high efficiency and environmental friendliness. However, at present, remote sensing technology can only assist in monitoring the quality of small-scale agricultural products, while in the production process of organic agricultural products. The research on accurate identification of large-scale fertilization methods is still lacking. Spatio-temporal dynamic monitoring of agricultural production process is an urgent problem to be solved in organic/green agricultural product certification. Spatio-temporal accurate identification of different fertilization methods is the key to solve this problem. California Central Valley has Mediterranean climate, hot summer and little rain. Its unique climate conditions provide a good climate condition for acquiring remote sensing images of the whole growth period. The experimental plots in this area are independent and large in area (0.4 hm2). This provides a reference for monitoring crop growth using remote sensing images. Taking the long-term positioning experiment of University of California at Davis as the basic material and maize and tomato as the research objects under the long-term positioning experiment of different fertilization treatments, this paper uses Landsat 8 and Soleno-2 image of time series to study the rotation of fertilizer, fertilizer + green manure, organic manure + green manure in three different treatments. The time series of vegetation index in the plot is used to compare and analyze the difference of NDVI among different fertilization treatments and the correlation between NDVI and yield. The results show that: 1) the general trends of NDVI time series curves under different fertilization treatments are similar, and the difference between organic fertilizer and chemical fertilizer treatment NDVI time series curve is obvious; 2) the NDVI of different fertilization treatments changes regularly with crop growth period. The mean value of NDVI in organic fertilizer treatment is higher than that in chemical fertilizer treatment at the initial and late growth stage, and lower than that in chemical fertilizer treatment in the middle growth stage; 3) the correlations coefficients between NDVI and yield change regularly with crop growth period under different fertilization treatments, and the effects of different fertilization treatments should be considered when applying vegetation index to estimating yield by remote sensing; 4) Fertilizer + green manure application methods can ensure agricultural sustainability while obtaining more. The difference of NDVI time series in different fertilization treatments has been proved in the research, in which we can also know the correlation difference of NDVI and yield. The results of research could provide remote sensing technology support for spatio-temporal dynamic monitoring and certification of organic/green agriculture, which could be used to distinguish organic fertilizer from other fertilization methods, and could deepen the application of remote sensing in agriculture.

fertilization; remote sensing; fertilization methods; crops; time series; NDVI

2019-05-07

2019-08-25

国家自然科学基金（41671438）；吉林省科技发展计划项目（20170301001NY）；中国科学院科技服务网络计划（KFJ-STS-ZDTP-048-04-02）

刘焕军，副教授，博士。主要研究方向：地物高光谱遥感。Email：huanjunliu@yeah.net.

张新乐，副教授，博士。主要研究方向：生态遥感。Email：zhangxinle@gmail.com.

10.11975/j.issn.1002-6819.2019.17.020

S513，S506

A

1002-6819(2019)-17-0162-07

刘焕军，武丹茜，孟令华，Susan Ustin，崔 杨，杨昊轩，张新乐. 基于NDVI时间序列数据的施肥方式遥感识别方法[J]. 农业工程学报，2019，35(17)：162－168. doi：10.11975/j.issn.1002-6819.2019.17.020 http://www.tcsae.org

Liu Huanjun,Wu Danqian, Meng Linghua, Susan Ustin, Cui Yang, Yang Haoxuan, Zhang Xinle. Remote sensing recognition method of different fertilization methods in NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(17): 162－168. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.17.020 http://www.tcsae.org