近地遥感监测冬小麦关键发育时期的方法研究

魏庆伟，朱黎明，王福州

（1. 中国气象局·河南省农业气象保障与应用技术重点开放实验室，河南郑州 450003；2. 鹤壁市气象局，河南鹤壁 458030；3. 扬州大学水利科学与工程学院，江苏扬州 225009）

冬小麦是我国主要粮食作物之一，对稳定我国粮食结构以及维护粮食安全具有举足轻重的地位[1‑2]。作物发育时期反映了其生长和发育规律[3‑4]，及时准确地获取作物发育时期信息，可用于辅助监测其生长状况，为科学管理作物提供有力依据[5‑7]。对冬小麦发育时期的监测是掌握冬小麦生长发育状态的必要手段，有利于对冬小麦的时空年际变化进行合理分析，进而对其估产模型进行改进[8‑9]。因此，研究冬小麦关键发育时期的提取方法，可实现对冬小麦关键生长阶段的长势监测，对估算冬小麦产量具有重要意义。

按照实现手段来划分，当前作物发育时期观测的方法可分为人工观测法和遥感监测法。其中，传统的人工观测法通常是采用田间人工目视观察，记录作物生长发育的季节变化和年际变化。人工观测法简单易行、观测准确度较高，且观测数据具有较好的连续性和稳定性，但费时费力，受主观影响较大[10‑11]。遥感监测法基于绿色植物光谱理论，认为同一种作物在不同发育时期光谱反射特性不同，进而反映作物生长信息。遥感监测法具有时效高、范围宽、成本低等优点，并能反映地面植被生长发育的季节变化及年际变化等特点[12]。然而，卫星遥感的光谱植被指数容易受云雨影响，导致监测数据波动。此外，受卫星遥感时空分辨率影响，植被指数在时间上和空间上存在不连续现象[13]。近地遥感具有时间分辨率高、受大气条件及云雨等天气影响小、可野外长时间固定观测等优势，而且观测数据的空间尺度适中，在很大程度上克服了卫星遥感监测面临的上述问题，是实现作物发育时期监测的有力工具[14‑16]。目前，已有的近地遥感研究多采用图像传感器的方式进行植被物候期监测[17‑19]，鲜有采用光谱传感器监测农作物发育时期的研究。

本研究以归一化植被指数测量仪（SRS-NDVI）为监测手段，提出基于近地遥感的冬小麦关键发育时期监测方法。首先，获取SRS-NDVI 测量仪监测的NDVI 时序数据，并对数据进行预处理。然后，运用相关方法提取冬小麦关键发育时期，旨在提高冬小麦发育时期监测的准确性和全面性，为冬小麦发育时期的自动化观测提供新思路，为精准农业生产管理提供决策服务。

1 材料和方法

1.1 研究区域

研究区鹤壁市位于河南省北部，太行山东麓向华北平原过渡地带，是黄淮海粮食生产核心区。研究区属于暖温带半湿润型季风气候，年平均气温14.2～15.5 ℃，年平均降水量349.2～970.1 mm，年日照时数1 787.2～2 566.7 h，年平均无霜期220 d。所采用的SRS-NDVI测量仪安装于鹤壁市农业气象试验站试验田（图1），站点所处农田的农业生产方式与该区农业生产方式保持一致。

图1 SRS-NDVI测量仪布设环境Fig.1 Layout environment of SRS-NDVI measurement

1.2 数据获取

研究区冬小麦常年10 月中旬播种，翌年6 月上旬成熟。为获取冬小麦生长季NDVI 曲线，选取2017 年10 月11 日—2018 年6 月10 日和2018 年10月11 日—2019 年6 月10 日的SRS-NDVI 测量仪监测数据。冬小麦发育时期人工观测数据为鹤壁市农业气象试验站2018、2019年农业气象业务所观测的冬小麦各发育日期。人工观测发育期包括播种、出苗、三叶、分蘖、越冬始期、返青、起身、拔节、孕穗、抽穗、开花、乳熟和成熟期，用于近地遥感NDVI监测发育时期结果精度检验。

1.3 观测数据预处理

SRS-NDVI 测量仪安装在试验田植被冠层上方，包含向上和向下的光强检测传感器，该传感器可同时检测天空入射和冠层反射的近红外（810 nm）和红光（650 nm）的光照强度，通过入射和反射光强计算得到植被冠层近红外与红光的反射率，运用NDVI 公式计算得到农田尺度的作物冠层NDVI。研究所用SRS-NDVI 观测仪时间分辨率为30 min，根据杨钧森等[20]的研究结论，SRS-NDVI 观测仪适宜测量条件的光照强度大于5.2 klx，在该条件下观测数据具有较高的可靠性，且测量精度随光照强度增加而提高。为确保观测数据的可靠性，选取每天10:00—14:30 时段内10 组观测数据的平均值作为当日冬小麦植被指数。

冬小麦生长季内农田的NDVI 时序曲线应平稳变化，受冬季或早春时积雪、云与其他不利大气条件的影响，NDVI 观测值降低，使得时间序列NDVI曲线在某一时间段内呈现不规则波动，从而影响了植被参数反演和信息提取的精度。NDVI 时序曲线中的突变点与植被自身的生长规律不相符，属噪声点，需要降低噪音，重构NDVI时序。

目前噪音去除方法主要有邻域差值分析法、滤波法、最大值合成法和曲线拟合法等算法模型[21‑22]。结合冬小麦生长过程NDVI 变化规律，本研究采用邻域差值分析法重构NDVI 时序，并运用S-G 滤波法进行平滑处理。

将i与i+1 连续2 d 观测的植被指数值按照冬小麦生长的时间顺序（从播种期到收获期）作差值处理，两者差值≥0.1 时，取较大值作为第(i+1)天的NDVI 值。重复上述步骤，直至所有相邻差值均<0.1，处理停止。表达式为

式（1）中，Ni为第i天NDVI 观测值，Ni+1为第（i+1）天NDVI观测值。

S-G 滤波法由Savitzky 和Golay 于1964 年提出，之后被广泛地运用于数据流平滑除噪，是一种在时域内基于局域多项式最小二乘法拟合的滤波方法[23‑24]。这种滤波法最大的特点是在滤除噪声的同时可以确保数据的形状、宽度不变。S-G 滤波器由输入的滤波窗口宽度和多项式次数生成，通过对原始序列进行卷积计算来平滑数据，其表达式为

式（2）中，Yj*是时间j处滤波后的NDVI值，Yj+i是NDVI 原始序列中第j处第i个值，Ci是第i个NDVI值滤波时的系数，N是卷积的数目，也等于滤波窗口的宽度（2m+1）。

1.4 NDVI时间序列函数拟合

多项式拟合是用一个多项式展开去拟合包含数个分析格点的一小块分析区域中的所有观测点，得到观测数据的客观分析场，展开系数用最小二乘法拟合确定。结合冬小麦生长季NDVI 时序数据特点，采用四次多项式函数拟合冬小麦的生长曲线。拟合多项式为

式（3）中，t为冬小麦生育累积天数（d），y（t）为冬小麦生育累积天数为t时的NDVI 值，a、b、c、d、e为拟合多项式的系数。

1.5 特征点提取方法

提取作物发育时期常采用的方法主要有动态阈值法、曲线速率法和极值法等。在农作物生长周期中，当从一个生长阶段向另一个生长阶段转换时，函数曲线从一个近线性趋势转向另一个近线性趋势，通过计算植被指数曲线速率极值可以确定冬小麦的发育时期，曲线速率公式为：

式（4）中，dx表示自变量x的单位变化量，dy表示函数y单位变化量，y′表示自变量x增加单位dx时，函数y的变化速率。

动态阈值法使用植被指数定义了作物营养生长和生殖生长的开始期，即在作物生长曲线上升阶段，将距离植被指数最小值为曲线增幅10%的位置定义成作物营养生长的开始期；在作物生长曲线下降阶段，将距离植被指数最小值为曲线增幅90%的位置定义成生殖生长的开始期[25]。

不同区域冬小麦生长规律不同，动态阈值法不能有效全面提取发育时期特征点。因此，本研究提出广义动态阈值法，即植被指数最小值与最大值差值的百分比与冬小麦发育时期进行匹配，确定为某一发育时期的特征点阈值，并以此为基础进行发育时期监测及对比分析。

2 结果与分析

2.1 NDVI时间序列曲线重构

经邻域差值分析法重构NDVI 时序数据、运用S-G 滤波法对重构NDVI 进行平滑处理后，2017—2018 年度生长季冬小麦NDVI 时序数据如图2 所示，2018—2019 年度生长季冬小麦NDVI 时序数据如图3 所示。为了更直观体现NDVI 时间序列曲线预处理效果，选取2019 年冬小麦生育累积天数为120～140 d的数据处理结果进行展示，如图4所示。

图2 2017—2018年度冬小麦生长季NDVI时间序列Fig.2 NDVI time series of winter wheat in the whole growth stage in 2017—2018

图3 2018—2019年度冬小麦生长季NDVI 时间序列Fig.3 NDVI time series of winter wheat in the whole growth stage in 2018—2019

图4 2019年冬小麦NDVI时间序列（生育累积天数120～140 d）Fig.4 NDVI time series of winter wheat in 2019（120—140 d of growing period）

2.2 冬小麦关键发育时期特征点提取

根据常年卫星遥感监测的冬小麦生长季NDVI变化规律：出苗后NDVI 开始逐渐增长，三叶期至越冬期前为快速增长阶段，越冬期NDVI 基本保持不变，返青期后NDVI 再次快速上升，抽穗期达到最大，之后开始逐步下降，乳熟期后NDVI 快速下降，成熟收获后达到最小。为准确提取冬小麦关键发育时期特征点，以冬小麦生育累积天数第83 天为界，将预处理后冬小麦生长季NDVI 时序数据分为两部分，分别进行关键发育时期特征点提取。

根据观测数据所呈现的特点，使用广义动态阈值法提取冬小麦关键发育时期的特征点。首先，将NDVI 曲线上升阶段的曲线增幅10%的位置归类为出苗期和返青期，将越冬前曲线增幅65%的位置归类为分蘖期，将越冬后曲线增幅90%的位置归类为拔节期，再将NDVI 曲线下降阶段的曲线增幅90%的位置归类为乳熟期。然后，使用变化速率法，在NDVI 拟合曲线增长速率最大位置处，提取冬小麦三叶期、起身期；使用极值法，提取越冬始期、抽穗期和成熟期。最终，将1 月1 日前NDVI 拟合函数曲线最大值归类为越冬始期，1 月1 日后NDVI 时序曲线最大值归类为抽穗期，1 月1 日后冬小麦抽穗前的最小值归类为成熟期。2018、2019 年冬小麦各发育时期特征点提取结果如图5—8所示。

图5 2017年10月11日—12月31日冬小麦NDVI时序特征曲线Fig.5 NDVI time series characteristic curve of winter wheat from October 11 to December 31，2017

图6 2018年1月1日—6月10日冬小麦NDVI 时序特征曲线Fig.6 NDVI time series characteristic curve of winter wheat from January 1 to June 10，2018

图7 2018年10月11日—12月31日冬小麦NDVI 时序特征曲线Fig.7 NDVI time series characteristic curve of winter wheat from October 11 to December 31，2018

图8 2019年1月1日—6月10日冬小麦NDVI 时序特征曲线Fig.8 NDVI time series characteristic curve of winter wheat from January 1 to June 10，2019

2.3 冬小麦发育时期提取结果与误差分析

根据NDVI 曲线特征点提取冬小麦发育时期监测日期，并与人工观测日期进行误差对比分析，如表1 所示。由表1 可以看出，2017—2018 年度冬小麦分蘖期（2017 年11 月8 日）NDVI 监测与人工观测日期最吻合，绝对误差为0；越冬始期（2017 年12 月23 日）的误差最大，较人工观测日期晚8 d；其他发育时期绝对误差均≤4 d，平均误差2.7 d。2018—2019 年度冬小麦三叶期（2018 年11 月10 日）、乳熟期（2019 年5 月22 日）NDVI 监测与人工观测日期最吻合，绝对误差为0；出苗期（2018年10月30日）、抽穗期（2019 年4 月14 日）误差较大，NDVI 监测日期较人工观测日期误差分别为6、8 d；其他发育时期绝对误差均≤2 d，平均误差2.3 d。综上，NDVI 时序数据监测发育时期平均误差为2.5 d。

表1 冬小麦发育时期人工与NDVI监测结果对比Tab.1 Comparison of winter wheat growth stage between artificial and NDVI monitoring datec

续表1 冬小麦发育时期人工与NDVI监测结果对比Tab.1（Continued） Comparison of winter wheat growth stage between artificial and NDVI monitoring datec

3 结论与讨论

准确、高效地获取冬小麦发育时期信息，对于提高田间精细管理以及预测产量等具有重要意义。本研究利用SRS-NDVI测量仪观测了鹤壁农业气象试验站2017—2018、2018—2019年度冬小麦生长季的NDVI 时序数据，采用邻域差值分析法重构NDVI时序，并运用S-G 滤波法进行平滑处理。以冬小麦生育累积天数第83天为界，分别使用广义动态阈值法、曲线速率法和极值法提取冬小麦关键发育时期的特征点。研究结果表明，邻域差值分析法可有效去除观测数据的明显异常值，NDVI时序数据经S-G滤波法处理后，与冬小麦的实际生长过程更为吻合，为作物发育时期的准确提取提供了更精准的数据支持。

本研究监测了冬小麦从出苗到成熟共计10 个发育时期类别，较卫星遥感监测能够更为准确、全面监测冬小麦生长季内的关键发育时期，是由于近地遥感SRS-NDVI 观测仪时间分辨率（30 min）明显高于卫星遥感（8～30 d），受大气条件及云雨等天气影响小，能够监测冬小麦NDVI 的细微变化规律，进一步提高冬小麦NDVI 变化精度所致。与卫星遥感监测冬小麦在返青期植被指数增长速率最大的结论不同[7‑8]，本研究发现近地遥感监测冬小麦起身期NDVI 增长速率最大。同时，研究发现，越冬期NDVI 最低值与成熟期NDVI 值吻合度非常高，可以作为判断冬小麦成熟期的依据。2018、2019 年冬小麦生长季NDVI 时序数据监测发育时期平均误差分别为2.7、2.3 d。在已有的研究中，如杨琳等[5]利用MODIS NDVI 数据提取了江苏省冬小麦物候期，识别结果平均误差5.3～8.6 d；孔令寅等[7]基于关键发育期的冬小麦长势遥感监测中，提取的全生育期平均绝对误差为11.2 d；黄健熙等[8]基于遥感和积温数据提取了冬小麦生育期，平均误差为3.8～7.4 d。因此，与已有基于卫星遥感监测冬小麦发育时期的研究相比，本研究采用近地遥感监测冬小麦发育时期精度明显提升。本研究方法能够满足冬小麦发育时期观测要求，可为冬小麦发育时期的自动化观测方法研究提供新思路。由于数据限制，本研究仅对单一站点的冬小麦关键生育时期监测方法进行了研究；而且不同方法对不同区域冬小麦生育期监测的影响敏感程度不同，监测方法的普适性未得到充分且有效验证，今后仍需进一步验证与分析。