冬小麦产量的高光谱遥感监测综述

李 转 彭致功 李王成* 丁 杰

（1、宁夏大学土木与水利工程学院，宁夏 银川 750021 2、中国水利水电科学研究院流域水循环模拟与调控国家重点实验室，北京 100038）

遥感作为现阶段主流的监测技术，在农业方面有着重要的作用，有利于精准农业科学决策的制定。而高光谱遥感作为一种非破坏性、快速、实时的监测手段，在冬小麦长势监测中具有重要应用价值[1]。冬小麦作为重要的粮食作物，其供求矛盾影响着国家安全与稳定，因此，实现对冬小麦的长势监测及准确的产量评估具有重要意义[2]。本文通过分析高光谱对关键农学参数监测及估产模型的研究进展，达到冬小麦产量反演的目的。

1 叶面积指数高光谱监测

在遥感长势监测中，叶面积指数是最常用的用于表征作物生长发育情况的综合参数[3]。目前，叶面积指数反演模型中用到较多的植被指数为归一化植被指数NDVI、比值植被指数RVI、垂直植被指数PVI、OSAVI等，其中NDVI[4]使用更广泛。陈雪洋等[5]研究植被指数NDVI、RVI、SAVI、EVI建立的LAI监测模型，NDVI估算精度最高。夏天等[6]得出植被指数RVI、DVI、GRVI、EVI、NDVI、SAVI与LAI关系密切，相关性均达极显著水平，在避免NDVI饱和的情况下，NDVI模拟精度是最好的，适合LAI反演。可见，NDVI会受到限制，为了在作物茂密的情况下仍能使用NDVI，必须对其改造，保证更精确地估算LAI。为此，曹仕等[7]以NDVI为基础，提出了一种归一化综合植被指数NCVI，由NDVI与DSWI相乘得到，用其建立反演模型更能代表植被的生理生态特征。此外，李鑫川等[8]用植被指数与短波红外水分指数分别相乘，构建的新指数可提高与LAI相关性，扩大LAI适用范围，与sLAIDI*相乘得到新指数估算效果最佳，构建的模型表现好。束美艳等[9]由标准差分红边指数NORE与水分敏感指数WI的比值构建新型植被指数RRWVI，提高了冬小麦LAI高光谱模型反演精度。

2 基于冬小麦产量的高光谱监测方法

反演作物产量可以分为直接和间接两种，一是利用光谱参数或植被指数构建经验模型直接反演，形成“光谱特征参数－产量”或“植被指数－产量”的路径，二是借助中间量构建的间接反演模型，如“光谱特征参数－农学参数－产量”技术路线。因光谱参数可较好地反演农学参数，利用模型传递性，农学参数也能较好地监测作物产量。方法一：依靠统计学规律进行建模，模型简单，操作方便，由于其不能对作物产量进行机理性解释，因此在不同年限和不同地区间的推广应用比较困难；方法二：利用农学参数，间接估测作物产量，通过引入农学参数使模型具有一定的机理，增加模型的适用性，但从统计学角度分析，模型的传递在一定程度上导致模型精度的降低。

表1 反演叶面积指数的植被指数表

3 高光谱对产量的直接监测

许多研究通过直接的高光谱监测来估测小麦产量。王恺宁等[10]发现高光谱植被指数可估测小麦产量，在建立样点多植被指数组合与实测产量非线性模型进行遥感估产时，SVM模型估产精度最高。肖乾广等[11]认为小麦单产估测的最佳时机为抽穗期前后，其中植被指数NDVI表现最好。张松等[12]比较了不同生育期植被指数对冬小麦籽粒产量的监测效果，认为孕穗期和抽穗期植被指数的监测效果最好，拔节期次之，灌浆期和成熟期效果最差。陶惠林等[13]研究得出，在不同生育期，7个植被指数LCI、GNDVI、NDVI、MSR、RVI、REP及Dr/Drmin均与产量呈极显著相关，将其与产量建立单参数回归模型，得到不同生育期的最佳植被指数不尽相同，因此在建立估产模型时要考虑生育期的差别。与单个植被指数建立估产模型相比，由PLSR方法构建的基于植被指数、基于植被指数和红边参数相结合的产量模型，显著提高了模型的精度，在开花期模型预测效果最好。陶惠林等[14]运用多元线性回归MLR模型、随机森林RF模型在不同生育期进行12个光谱参数的产量估算，得到MLR模型精度更高，在挑旗期、开花期、灌浆期，与产量相关性最好的分别是TCARI/OSAVI、SR、TCARI/OSAVI。对生育期来说，效果最好的是灌浆期。

4 高光谱对产量的间接监测

借助高光谱满足实时、快速、准确、无损害地获取作物长势信息的需求，从而间接预测产量。何亚娟等[15]采用“植被指数-LAI-产量”间接路径进行甘蔗的估产，先分析了LAI与NDVI的相关性，得出两者在不同生育期均是显著正相关，尤其在全生育期和分蘖期相关最高。再探讨分蘖期的LAI与产量的关系，建立二次函数估产模型，且精度较高。冯伟等[16]通过“光谱参数-叶片氮素营养-籽粒产量”路径，分别以叶片氮含量、叶面积氮积累量及叶面积氮指数作为中间农学参数来预测籽粒产量，得到叶面积氮指数为桥梁的路径估产效果更好，并根据小麦灌浆前期、拔节期和成熟期特征光谱指数的累积值，建立了小麦籽粒产量预测模型。林少喆等[17]通过比较以植株含氮量、植株含水率、水氮耦合为中间参数建立的估产模型，得出基于水氮耦合的高光谱估产模型精度最高，模型最稳定，灌浆期效果为最佳。张松等[18]比较直接和间接模型的精度，利用LAI、SPAD、地上干生物量为中间量进行估产，对比显示利用LAI建立的间接模型效果较好，估产的最好时期为开花期。

5 结论与展望

综上，学者们对最佳估产生育期的研究不尽相同，分别得到灌浆期、拔节期、开花期为最佳估产阶段，今后要分生育期考虑冬小麦产量预测，更准确的把握预测阶段。此外，仍一些方面需进一步研究，由于冬小麦品种、生育期、地区的不同等因素，估产监测模型难以大范围推广，为此尽量完善模型适用范围，深入研究提高模型精度的方法，分生育时段进行生长指标的监测和建立估产模型，如构建分生育期估产模型等。反演小麦产量方法中，农学参数也可借助其他生理生化指标来进行估产。选择时要考虑高光谱的对该指标的监测效果、传递模型信息能力以及模型在生育期内的差异。

表2 冬小麦产量估算模型表