冬小麥播期遙感監測研究現狀與展望

葛 艷，李存軍，周靜平，胡海棠，陳曉寧，何小安

(1.西安科技大學測繪科學與技術學院，陜西西安 710054； 2.北京農業信息技術研究中心，北京 100097)

小麥在我國廣泛種植，是第二大糧食作物。播期(即播種日期)是小麥產量與品質的一個重要影響因素，適期播種是冬小麥高產優質的關鍵。近年來，隨著全球氣候的變暖及種植技術的發展，冬小麥適宜播期有所變化，與過去相比總體表現為適當的推遲[1-2]。在不同地區，因地域復雜性與種植分散性，冬小麥播期有所不同；在同一地區不同地塊，受土壤墑情、天氣狀況及人為因素的影響，冬小麥播期亦有所不同。

及時準確地獲取區域作物播期信息有助于農業遙感估產、基于遙感的農業生產管理和病蟲害防治決策等。播期對冬小麥遙感估產精度的提高至關重要，是遙感數據與作物模型同化的直接輸入參數[3]，是利用生產力模型(如GPP、NPP)對冬小麥進行遙感估產的一個間接參數，也是利用遙感數據分析區域作物增產因素、挖掘糧食潛力[4]和作物水分利用效率[5]等的重要輔助信息；播期可協助農業生產管理，對播期的盡早監測可在當年指導農民對因播期早而易遭凍害的“老弱苗”進行重點防控，對因播期晚而抗逆性差的“晚弱苗”提早肥水管理，來年亦可指導農民適時播種小麥[6]；播期可輔助病蟲害防治決策，播期影響作物種群的消長及病蟲害的發生，小麥蚜蟲、赤霉病、紋枯病等的發生與播種日期的早晚息息相關[7-8]，播期信息的盡早獲取有助于病蟲害易發區早期預警并針對性地指導農民開展防控措施。

傳統的冬小麥播期監測主要以田間調查為主，在越冬至返青期這一特定時間窗口進行目視觀測，以葉片數量與正常播期葉片數量的差異及麥苗的大小為依據人為主觀推斷早播與晚播。該方法雖簡單易行，但費時耗力，周期長，覆蓋面小，不易及時、準確、客觀地獲取冬小麥播期信息，難以滿足農業管理部門或技術推廣部門決策管理的需要。不斷發展的遙感技術為冬小麥播期的大區域、低成本監測提供了新的科學技術手段,國內外學者對此進行了探索性研究。當前主要利用植被信息強的冬小麥生長中后期[9-11]和全生育期遙感影像[4,12]開展監測，冬小麥生長前期的稀疏分布、光譜信息的相對較弱，給直接利用生長前期遙感數據及時準確監測播期帶來了很大挑戰。本文擬對國內外學者在該領域開展的一些研究成果進行總結歸納，對現存研究方法的不足進行分析梳理，并對播期遙感監測的發展趨勢進行展望。

1 冬小麥播期遙感監測研究進展

目前，冬小麥播期遙感監測方法主要是利用全生育期遙感數據，基于冬小麥物候監測方法擬合播期和直接利用冬小麥生長中前期的遙感數據進行監測。

1.1 利用全生育期遙感數據基于冬小麥物候監測方法擬合播期

物候是指植被受氣候、水文、土壤等因素的影響而出現的以年為準周期的自然現象[13]。近年來，植被物候特征遙感提取技術已成功應用于土地覆蓋的監測、耕地種植制度的判別、作物關鍵生育期的確定及遙感估產精度的提高[14]等方面。遙感直觀感知冬小麥播期的時間主要是生長前期的越冬期和返青期，返青后冬小麥差異體現在群體長勢和產量上，物候期差異已不明顯，而待拔節封壟后，不同播期小麥光譜已無顯著差異，可借鑒植被物候遙感監測方法，通過對冬小麥關鍵生育期的確定，間接推斷播期[12]。因此，物候特征遙感提取技術的發展為小麥播期遙感監測奠定了基礎。

目前，常用的植被物候遙感監測的數據源主要有NOAA/AVHRR[15]、SPOT/VEGETATION[16]、MODIS[17]、Landsat[18]及融合的多源遙感數據，如MODIS與Landsat[19-20]。植被物候遙感監測使用的時間序列植被指數主要有歸一化差值植被指數NDVI、增強型植被指數EVI等，其所反映的植物生長節律可用于植物物候期的確定。

利用時序遙感數據提取植被物候期特征的常用方法為閾值法、滑動平均法、擬合法等[21-24]。閾值法是利用設定的閾值提取植被物候期。Justice等[25]采用固定閾值法將植被生長季起始期對應的NDVI閾值設為0.099；White等[26]利用動態閾值法將相對綠度指數度指數RGI閾值設為0.5來提取植被生長季開始和結束日期。滑動平均法是利用NDVI時序曲線與滑動平均曲線的交叉來確定植被物候。常守志等[27]利用傅里葉級數平滑MODIS-NDVI數據，綜合動態閾值法對農田物候進行了監測。Reed等平滑AVHRR-NDVI數據，提取了農作物、森林和草地的返青期和衰老期并計算了生長季長度[28]。擬合法近年來發展較快，是利用平滑函數模型對時序遙感數據進行擬合和提取物候信息，主要包括Logistic函數法、非對稱高斯函數法。Zhang等[29]利用MODIS時序數據，采用分段式Logistic函數分別擬合確定了美國東北部植被的生長階段、衰老階段，并計算了起始期、成熟期、衰落期和休眠期。鹿琳琳等[30]從SPOT/VEGETATION-NDVI時間序列數據中利用雙高斯函數擬合法提取冬小麥返青期、抽穗期及成熟期，并與TIMESAT軟件提取結果、實地物候觀測結果進行了比較，結果表明，該法擬合效果更好，提取結果更符合實際。

借鑒植被物候監測方法，國外學者嘗試利用全生育期遙感數據對冬小麥播期進行擬合。Lobell等[4]2010年利用小麥生長季多時相Landsat/ETM+數據(包括植被峰值)監測了印度西北部小麥播期，借助所構建的播期與產量關系模型，推斷出當地當年適宜播種期為11月10日，與地面觀測結果非常接近。Lobell等[12]2013年進一步對印度恒河平原小麥播期開展研究，使用TIMESAT軟件分別擬合2000-2010年MODIS-NDVI、SPOT/VEGETATION-EVI時序數據曲線，提取了小麥的返青期(擬合曲線最小值增長到整體增幅的10%所對應的時間點)，并利用作物生長模型CERES-Wheat模擬播期與返青期的關系，從而間接推算播期。

1.2 直接利用冬小麥生長中前期的遙感數據監測播期

僅利用小麥生長中前期的遙感數據監測播期，國內外學者對此進行了初步嘗試。

Liu等[9]、劉良云等[10]利用冬小麥返青-拔節期Landsat/TM-NDVI數據提取植被指數并與播期進行統計相關分析，結果表明，拔節期的NDVI與播期呈負相關(R2=0.352 7，n=20),并以此為基礎構建了冬小麥遙感估產優化模型；Song等[11]選取冬小麥生長前期(分蘗期至越冬期)一期Landsat TM和兩期HJ-1A/B影像組成多時相遙感數據，對提取的冬小麥種植區的NDVI、RDVI、SAVI和DVI指數分別與播期進行相關分析，基于與播期最相關原則選擇11月下旬DVI數據構建了北京地區冬小麥播期遙感監測模型。李明君等[31]利用作物生長模型和耦合PROSAIL輻射傳輸模型模擬了冬小麥生長前期冠層光譜并對播期遙感監測的最佳時相進行了判別。

Vyas等[32]以1 km空間分辨率的INSAT遙感數據為數據源構建9月1日至12月31日的NDVI時序曲線，將其呈現持續正斜率的最小NDVI值所對應的時間點定義為衛星最早能探測的小麥生長時間，使用閾值法提取該時間點，并利用差值法間接推斷了播期。由于生長前期的小麥植被光譜信息較弱，Marinho等使用MODIS數據，借鑒Pekel等[33]報道的荒漠稀疏植被遙感監測方法，對MIR、NIR和R波段進行RGB合成，并進行色彩空間變換提取色調H,利用構建的H-NDVI二維空間實現了弱光譜信息的冬小麥種植區自動準確提取及生長起始時間的監測，并以村為單位，通過概率分析間接推斷出播期[34]。

2 現存問題分析

近年來國內外學者主要集中于運用多光譜數據對冬小麥播期遙感監測方法開展研究，并取得了一定的成果，但現存的方法都存在一定的不足。

2.1 基于物候方法擬合播期受冬小麥物候提取結果的影響大

基于植被物候方法的播期監測，受植被物候遙感監測結果影響大。冬小麥物候遙感監測結果的準確性受多種因素的影響，如使用的遙感數據、采用的預處理方法及遙感物候識別方法等。

基于遙感技術的冬小麥物候監測使用的MODIS、SPOT/ VEGETATION等衛星傳感器數據的時間分辨率較高，但空間分辨率較低，難以在田塊尺度上開展播期遙感監測，且在多種植被類型混合情況下較難準確識別冬小麥種植區，難以對冬小麥的物候期進行準確提?。粸闃嫿〞r間上一致、空間上可比的植被指數數據集，通常對收集的時序遙感數據進行幾何校正、輻射定標和大氣校正等常規預處理，但較少針對性地對植被波段數據作BRDF的大氣校正，而對植被指數時序數據去噪重建時，如何根據研究區域選擇合適的算法仍需深入探究。冬小麥物候遙感識別方法中，閾值法閾值設置的合理準確與否受時間、地域及人為經驗等因素的約束；滑動平均法精度相對較高，能較穩定、可靠地對一年一生長季的植被指數時序數據進行計算，但對時間間隔的選擇、滑動窗口的設置較為敏感[35]。擬合法在使用上較為靈活，易受函數初始值和影像時間分辨率影響，函數擬合精度影響物候特征提取精度[36]。因此，冬小麥物候遙感監測方法存在的諸多難題，在很大程度上會制約基于物候監測方法的播期遙感監測結果精度的提高。

2.2 基于全生育期遙感數據監測冬小麥播期的時間滯后

農業遙感、生產管理和病蟲害防治等對在冬小麥生長前期盡早獲取區域播期信息有強烈要求，而基于植被物候方法的播期監測雖可為農業物候和作物關鍵期遙感監測提供便利，但需冬小麥全生育期遙感數據(至少包括小麥生育量頂峰時期植被光譜信號最大的數據)，對盡早監測區域播期來說，當季冬小麥處于生長前期時尚無后期遙感數據，待冬小麥生育期結束后開展播期監測屬事后監測，其結果不具備時效性，無法為提高小麥產量而進行科學決策提供理論指導，播期遙感監測的現實意義無法體現，因而不能滿足對播期提前監測的要求。

2.3 基于前期遙感數據監測冬小麥播期精度有待提高

冬小麥在經歷越冬期生長的基本停止后，到第二年春天，隨著氣溫的回升開始迅速生長，LAI急劇升高，植被覆蓋度逐漸增大直至完全覆蓋地表，致使不同播期光譜可分性隨之降低，甚至無法對播期信息進行區分。因此，對冬小麥播期光譜信號的感知與區分主要集中在越冬前期至返青期，且這一時期是基于生物學表觀特征直接區分不同播期的唯一時間窗口。但冬小麥生長前期植被分布稀疏，覆蓋度較小，光譜信號較弱，受植被豐度和土壤顏色、水分含量等土壤背景因素的干擾較大。要利用遙感的手段在冬小麥生長前期實現大面積、準確的播期監測，選擇生育期內哪一時相的遙感數據對應的不同播期光譜信息可分性相對更好，選擇何種光譜指數與播期構建何種定量關系可取得更為理想的監測效果，當前尚較少對此開展深入研究。

2.4 播期遙感監測結果的農學機理性支持及與生產應用的結合有待加強

一方面，現有播期遙感監測方法需要加強農學機理性支持和解釋。冬小麥播期是否合適，其確定的農學依據是冬前苗情是否健壯和越冬期是否安全，不同生態型冬小麥品種對播期的適應性有差別。一般情況下，冬小麥品種對播期有一定適應性，晚播時可以通過加大播量增加群體密度獲得較高的穗數和產量，即使播期差異很大，但返青后冬小麥差異并不大，生長前期長勢差異較大是主要表現，從而不同播期冬小麥冠層光譜存在可分性，應綜合農學機理和遙感機制研究播期遙感監測方法和提高監測精度。另一方面，播期遙感監測應提高生產應用，在生長中前期及時獲取區域小麥播期信息，從而為越冬期水肥管理和病蟲害預警提供支撐。

3 發展趨勢展望

對于利用遙感技術實現冬小麥播期的監測，近年來已得到一定發展。盡管如此，現存的冬小麥播期遙感監測方法面臨監測精度不高、監測時間滯后等不足，需從以下幾方面深化研究。

3.1 高時空分辨率遙感數據的利用

隨著航天遙感平臺與傳感器的改進，一批新型短重訪周期、高時空分辨率遙感數據經歷從無到有且日益豐富，為播期遙感監測的發展提供了新的機遇。

田塊尺度冬小麥播期遙感監測的開展對遙感數據的獲取時間、包含的波段及空間分辨率都有一定的要求[37]。國內環境與災害監測預報小衛星(HJ-1)、高分衛星(GF)、資源衛星(ZY-1 02C、ZY-3)等的發射可提供米級、亞米級高時空分辨率數據，國外分發的WorldView衛星還可提供專用于作物監測紅邊波段的遙感數據，Planet Labs衛星星座可實現超高分辨率衛星數據的快速獲取。Jain等[38]已嘗試利用2014-2015、2015-2016年小麥生長季多時相高空間分辨率(2 m)、高時間分辨率(2周)SkySat小微衛星遙感數據對印度比哈爾地區各地塊冬小麥播期進行監測。新數據源的增加在為冬小麥播期的盡早監測及精度的改善提供可能的同時，也為數據的合理選擇帶來了挑戰，如何從海量高質量遙感數據中為獲得播期最佳監測效果選擇合適的數據仍需深入研究。

3.2 多尺度傳感器遙感數據融合算法的應用

目前基于植被物候監測方法的播期監測使用的時序植被指數數據時間分辨率高，但空間分辨率低，混合像元的存在使得冬小麥種植區難以準確提取，進而導致播期監測結果難以與實際地塊相匹配。近年來，多尺度傳感器遙感數據融合算法的發展為提高播期監測的精度提供了新的理論依據[39]。

為了融合MODIS與Landsat/TM數據，Gao等發展了STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)融合算法[40]，生成與MODIS數據時間相對應的模擬Landsat數據并成功應用于物候監測[41]、森林擾動監測[42]和土地分類結果精度的提高[43]。一些學者對STARFM算法進行了改進。鄔明權等[44]設計了STDFA(Spatial and Temporal Data Fusion Model)遙感數據時空融合算法。Huang等[45]提出了SPSTFM(Sparse-representation-based Spatio Temporal Reflectance Fusion Model)基于稀疏表示法的時空反射率融合模型。Shen等[46]考慮傳感器的差異發展了時空融合模型。這些多源多尺度傳感器遙感數據融合算法的設計和完善，使得具備“雙高”特征的遙感數據應運而生，這將大大促進田塊尺度和大區域冬小麥播期遙感監測精度的提高。

3.3 冬小麥生長前期不同播期光譜信息的挖掘

非成像高光譜遙感能夠獲取作物冠層或葉片的光譜數據，其微小差異可揭示作物生理生化的細微變化。在同一時刻，因播期有所差異，冬小麥基本光譜特性總的“峰-谷”形態變化雖基本相似，但葉的新老、疏密等因素會導致其生物量、結構、組分發生變化，從而引起不同播期冬小麥冠層光譜信息的差異。前人主要運用多光譜數據對冬小麥播期進行遙感監測，對不同播期冬小麥冠層生長前期的光譜分布規律及差異的研究則較少。遙感圖像是對地物種類及其組合方式的瞬時反映。通過獲取并分析冬小麥生長前期不同時相地面高分辨率光譜數據，選擇不同播期光譜信息差異最大的時相，將為播期監測數據優選提供參考和依據。植被反射光譜是對植被進行遙感研究和各種模擬的基礎數據，是地面實驗數據與遙感影像數據的橋梁，將基于地面高光譜數據建立的播期遙感估測模型，應用于航空、航天等遙感數據中，對模型的宏觀應用價值進行評價，綜合分析篩選播期遙感監測效果較好的光譜或模型；同時，為與衛星數據對接，也可將不同播期地面高光譜數據根據影像數據的波段響應函數生成寬波段多光譜模擬數據，用于冬小麥播期遙感監測時相及光譜優選。因此，為了在冬小麥生長前期既能實現播期的盡早監測，又能實現播期遙感監測精度的提高，亟待利用冬小麥生長前期地面高光譜數據進行數據的挖掘，對不同播期冬小麥生長前期光譜響應差異機制和變化規律、播期監測最佳時相及最優光譜等開展深入探索，從而為利用航空、航天多光譜數據開展播期遙感監測提供參考。

隨著遙感數據源來源的擴展和質量的提升，數據處理方法技術的改進，如何將田間實驗觀測數據、模型模擬數據與遙感影像數據相結合，通過信息挖掘，以能最大限度反應冬小麥播期的最佳時相與最優光譜的判別結果為基礎，從豐富的數據源中挑選合適的遙感數據用于冬小麥播期監測，實現觀測空間尺度的擴展，是未來研究的一大重要內容。

3.4 冬小麥生長前期光譜與上茬作物時序遙感數據的綜合

在農業生產中，受人為因素的影響，上茬作物成熟收獲早，冬小麥可能提前播種；反之，為提高上茬作物產量而對其晚收獲，則將導致冬小麥晚播，從而造成與上茬作物正常收獲、冬小麥適期播種的時序變化規律存在著差異。為了在小麥生長當季盡可能早地利用已有數據對播期實現遙感監測，雖無法獲取生長中后期的當季冬小麥遙感數據，但上茬作物時序遙感數據是可獲取的，上茬作物成熟至冬小麥生長前期的時序數據在一定程度上可以反映播期的早晚。在對不同播期的冬小麥生長前期光譜進行深入挖掘優選播期監測的最佳時相和最優光譜基礎上，增加上茬作物時序遙感數據實現播期監測時間窗口的前移，研究表征冬小麥播期的新型遙感光譜指數，二者集成建模，可在一定程度上彌補冬小麥生長前期植被光譜信號較弱的劣勢，既能滿足盡早監測的需求，又能在一定程度上提高播期監測的精度，是未來播期遙感監測的重要研究方向。

3.5 遙感數據和作物模型同化方法的借鑒

從使用的數據源以及遙感監測手段看，遙感數據與作物模型的有機結合近年來應用到作物長勢監測、產量估測等方面[47]，是作物播期遙感監測又一重要方法。趙艷霞等[48]以棉花為研究對象，比較了復合形演化、模擬退火、微分演化三種同化反演播期效果，并利用MODIS數據和COSIM模型選擇復合型演化同化算法對新疆北部棉花主產區的棉花空間分布進行制圖。以水稻為研究對象，Wang等[49]使用環境星CCD數據和RiceGrow生長模型，采用PSO和SCE-UA同化算法制作了江蘇如皋縣水稻的播期(移栽期)分布圖；De-Bernardis等[50]則利用雙極化雷達時序遙感數據，分別利用粒子濾波同化算法、擴展卡爾曼濾波同化算法對水稻播期進行估算，研究發現濾波同化算法估算播期精度更高。遙感數據與作物模型同化方法監測播期，國內外學者以棉花、水稻為研究對象已開展初步研究，為冬小麥播期監測提供了新思路。因冬小麥的生長規律有其獨特性，其植被光譜和生物量具有雙峰特點，如何借鑒遙感數據和作物模型同化的方法估算冬小麥播期，是未來研究的新發展方向。

[1]崔彥生,韓江偉,曹 剛,等.冬前積溫對河北省中南部麥區冬小麥適宜播期的影響[J].中國農學通報,2008,24(7):195.

CUI Y S,HAN J W,CAO G,etal.Effect of per-winter positive accumulated temperature on suitable planting dates of winter wheat in south centre area of Hebei [J].ChineseAgriculturalScienceBulletin,2008,24(7):195.

[2]DING D Y,FENG H,ZHAO Y,etal.Modifying winter wheat sowing date as an adaptation to climate change on the loess plateau [J].AgronomyJournal,2016,108(1):53.

[3]TRIPATHY R,CHAUDHARI K N,MUKHERJEE J,etal.Forecasting wheat yield in Punjab state of India by combining crop simulation model WOFOST and remotely sensed inputs [J].RemoteSensingLetters,2013,4(1):19.

[4]LOBELL D B,ORTIZ-MONASTERIO J I,LEE A S.Satellite evidence for yield growth opportunities in Northwest India [J].FieldCropsResearch,2010,118(1):13.

[5]DUCHEMIN B,FIEUZAL R,RIVERA M A,etal.Impact of sowing date on yield and water use efficiency of wheat analyzed through spatial modeling and FORMOSAT-2 images [J].RemoteSensing,2015,7(5):5951.

[6]DE-BERNARDIS C G,VICENTE-GUIJALBA F,MARTINEZ-MARIN T,etal.Estimation of key dates and stages in rice crops using dual-polarization SAR time series and a particle filtering approach [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2015,8(3):1008.

[7]楊 光,張 英,陳若禮,等.播期和種植密度對小麥紋枯病發病程度的影響[J].中國植保導刊,2007,27(8):17.

YANG G,ZHANG Y,CHENG R L,etal.Effect of sowing data and planting density on disease indexes of wheat sheath blight [J].ChinaPlantProtection,2007,27(8):17.

[8]韓二賓,張云慧,程登發,等.小麥播種期對麥蚜及七星瓢蟲的影響[J].植物保護,2012,38(5):147.

HAN E B,ZHANG Y H,CHENG D F,etal.Influences of the wheat sowing time on the quantity of aphids and the population ofCoccinellaseptempunctata[J].PlantProtection,2012,38(5):147.

[9]LIU L,WANG J,SONG X,etal.Study on winter wheat yield estimation model based on NDVI and seedtime [C]//IGARSS,2004:4045.

[10]劉良云,趙春江,王紀華,等.冬小麥播期的衛星遙感及應用[J].遙感信息,2005(1):28.

LIU L Y,ZHAO C J,WANG J H,etal.Satellite remote sensing of winter wheat seedtime and its application [J].RemoteSensingInformation,2005(1):28.

[11]SONG X,HUANG W,CUI B,etal.Winter wheat seedtime monitoring through satellite remote sensing data [C]//International Conference on Computer and Computing Technologies in Agriculture.Springer Berlin Heidelberg,2016:362.

[12]LOBELL D B,ORTIZ-MONASTERIO J I,SIBLEY A M,etal.Satellite detection of earlier wheat sowing in India and implications for yield trends [J].AgriculturalSystems,2013,115(2):137.

[13]李正國,唐華俊,楊 鵬,等.植被物候特征的遙感提取與農業應用綜述[J].中國農業資源與區劃,2012,33(5):20.

LI Z G,TANG H J,YANG P,etal.Progress in remote sensing of vegetation phenology and its application in agriculture [J].ChineseJournalofAgriculturalResourcesandRegionalPlanning,2012,33(5):20.

[14]方修琦,余衛紅.物候對全球變暖響應的研究綜述[J].地球科學進展,2002,17(5):714.

FANG X Q,YU W H.Progress in the studies on the phenological responding to global warming [J].AdvanceinEarthSciences,2002,17(5):714.

[15]MAIGNAN F,BRON F M,BACOUR C,etal.Interannual vegetation phenology estimates from global AVHRR measurements:Comparison with in situ data and applications [J].RemoteSensingofEnvironment,2008,112(2):496.

[16]GUYON D,GUILLOT M,VITASSE Y,etal.Monitoring elevation variations in leaf phenology of deciduous broad leaf forests from SPOT/VEGETATION time-series [J].RemoteSensingofEnvironment,2011,115(2):615.

[17]HMIMINA G,DUFRNE E,PONTAILLER J Y,etal.Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes:An investigation using ground-based NDVI measurements [J].RemoteSensingofEnvironment,2013,132(6):145.

[18]MELAAS E K,FRIEDL M A,ZHU Z.Detecting interannual variation in deciduous broadleaf forest phenology using Landsat TM/ETM+ data [J].RemoteSensingofEnvironment,2013,132:176.

[19]ISAACSON B N,SERBIN S P,TOWNSEND P A.Detection of relative differences in phenology of forest species using Landsat and MODIS [J].LandscapeEcology,2012,27(4):529.

[20]WALKER J J,DE BEURS K M,WYNNE R H.Dryland vegetation phenology across an elevation gradient in Arizona,USA,investigated with fused MODIS and Landsat data [J].RemoteSensingofEnvironment,2014,144(1):85.

[21]夏傳福,李 靜,柳欽火.植被物候遙感監測研究進展[J].遙感學報,2013,17(1):1.

XIA C F,LI J,LIU Q H.Review of advances in vegetation phenology monitoring by remote sensing [J].JournalofRemoteSensing,2013,17(1):1.

[22]陳效逑,王林海.遙感物候學研究進展 [J].地理科學進展,2009,28(1):33.

CHENG X Q,WANG L H.Progress in remote sensing phenological research [J].ProgressinGeography,2009,28(1):33.

[23]武永峰,李茂松,宋吉青.植物物候遙感監測研究進展 [J].氣象與環境學報,2008,24(3):51.

WU Y F,LI M S,SONG J Q.Advance in vegetation phenology monitoring based on remote sensing [J].JournalofMeteorologyandEnvironment,2008,24(3):51.

[24]張學霞,葛全勝,鄭景云.遙感技術在植物物候研究中的應用綜述 [J].地球科學進展,2003,18(4):534.

ZHANG X X,GE Q S,ZHENG J Y.Overview on the vegetation phenology using the remote sensing [J].AdvanceinEarthSciences,2003,18(4):534.

[25]JUSTICE C O,TOWNSHEND J R G,HOLBEN B N,etal.Analysis of the phenology of global vegetation using meteorological satellite data [J].InternationalJournalofRemoteSensing,1985,6(8):1271.

[26]WHITE M A,THORNTON P E,RUNNING S W.A continental phenology model for monitoring vegetation responses to interannual climatic variability [J].GlobalBiogeochemicalCycles,1997,11(2):217.

[27]常守志,王宗明,宋開山,等.基于NDVI數據的三江平原農田物候監測[J].遙感技術與應用,2011,26(1):82.

CHANG S Z,WANG Z M,SONG K S,etal.Monitoring cropland phenology in sanjiang plain based on NDVI data [J].RemoteSensingTechnologyandApplication,2011,26(1):82.

[28]REED B C,BROWN J F,VANDERZEE D,etal.Measuring phenological variability from satellite imagery [J].JournalofVegetationScience,1994,5(5):703.

[29]ZHANG X,FRIEDL M A,SCHAAF C B,etal.Monitoring vegetation phenology using MODIS [J].RemoteSensingofEnvironment,2003,84(3):471.

[30]鹿琳琳,郭華東.基于SPOT/VEGETATION時間序列的冬小麥物候提取方法[J].農業工程學報,2009,25(6):174.

LU L L,GUO H D.Extraction method of winter wheat phenology from time series of SPOT/VEGETATION data [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2009,25(6):174.

[31]李明君,李存軍,淮賀舉,等.基于模擬光譜數據的冬小麥播期遙感監測最佳時相研究[J].麥類作物學報,2015,35(8):1148.

LI M J,LI C J,HUAI H J,etal.The best phase selection for monitoring winter wheat sowing time using remote sensing data based on simulated spectral data [J].JournalofTriticeaeCrops,2015,35(8):1148.

[32]VYAS S,NIGAM R,PATEL N K,etal.Extracting regional pattern of wheat sowing dates using multispectral and high temporal observations from Indian geostationary satellite [J].JournaloftheIndianSocietyofRemoteSensing,2013,41(4):855.

[33]PEKEL J F,CECCATO P,VANCUTSEM C,etal.Development and application of multi-temporal colorimetric transformation to monitor vegetation in the desert locust habitat [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2011,4(2):318.

[34]MARINHO E,VANCUTSEM C,FASBENDER D,etal.From remotely sensed vegetation onset to sowing dates:aggregating pixel-level detections into village-level sowing probabilities [J].RemoteSensing,2014,6(11):10947.

[35]HUDSON I L,KEATLEY M R.Phenological Research:Methods for environmental and climate change analysis [M].Germany:Springer,2010:147.

[36]范德芹,趙學勝,朱文泉,等.植物物候遙感監測精度影響因素研究綜述[J].地理科學進展,2016,35(3):304.

FAN D Q,ZHAO X S,ZHU W Q,etal.Review of influencing factors of accuracy of plant phenology monitoring based on remote sensing data [J].ProgressinGeography,2016,35(3):304.

[37]王紀華,趙春江,黃文江.農業定量遙感基礎與應用[M].北京:科學出版社,2008:259.

WANG J H,ZHAO C J,HUANG W J,etal.Foundation and application of agricultural quantitative remote sensing [M].Beijing:Science Press,2008:259.

[38]JAIN M,SRIVASTAVA A K,JOON R K,etal.Mapping smallholder wheat yields and sowing dates using micro-satellite data [J].RemoteSensing,2016,8(10):860.

[39]史 舟,梁宗正,楊媛媛,等.農業遙感研究現狀與展望[J].農業機械學報,2015,46(2):247.

SHI Z,LIANG Z Z,YANG Y Y,etal.Status and prospect of agricultural remote sensing [J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2015,46(2):247.

[40]GAO F,MASEK J,SCHWALLER M,etal.On the blending of the Landsat and MODIS surface reflectance:Predicting daily Landsat surface reflectance [J].IEEETransactionsonGeoscienceandRemoteSensing,2006,44(8):2207.

[41]WALKER J J,BEURS K M D,WYNNE R H,etal.Evaluation of Landsat and MODIS data fusion products for analysis of dryland forest phenology [J].RemoteSensingofEnvironment,2012,117(1):381.

[42]GAULTON R,HILKER T,WULDER M A,etal.Characterizing stand-replacing disturbance in western Alberta grizzly bear habitat,using a satellite-derived high temporal and spatial resolution change sequence [J].ForestEcologyandManagement,2011,261(4):865.

[43]WATTS J D,POWELL S L,LAWRENCE R L,etal.Improved classification of conservation tillage adoption using high temporal and synthetic satellite imagery [J].RemoteSensingofEnvironment,2011,115(1):66.

[44]鄔明權,王 潔,牛 錚,等.融合MODIS與Landsat數據生成高時間分辨率Landsat數據[J].紅外與毫米波學報,2012,31(1):80.

WU M Q,WANG J,NIU Z,etal.A model for spatial and temporal data fusion [J].JournalofInfraredMillimeterWaves,2012,31(1):80.

[45]HUANG B,SONG H.Spatiotemporal reflectance fusion via sparse representation [J].IEEETransactionsonGeoscienceandRemoteSensing,2012,50(10):3707.

[46]SHEN H,WU P,LIU Y,etal.A spatial and temporal reflectance fusion model considering sensor observation differences [J].InternationalJournalofRemoteSensing,2013,34(12):4367.

[47]RUI L I,LI C,DONG Y,etal.Assimilation of remote sensing and crop model for LAI estimation based on ensemble Kaiman Filter [J].AgriculturalSciencesinChina,2011,10(10):1595.

[48]趙艷霞,秦 軍,周秀驥.遙感信息與棉花模型結合反演模型初始值和參數的方法研究[J].棉花學報,2005,17(5):280.

ZHAO Y X,QIN J,ZHOU X J.Study on combinations of remote sensing and cotton model to retrieve initial inputs and parameters [J].CottonScience,2005,17(5):280.

[49]WANG H,ZHU Y,LI W,etal.Integrating remotely sensed leaf area index and leaf nitrogen accumulation with RiceGrow model based on particle swarm optimization algorithm for rice grain yield assessment [J].JournalofAppliedRemoteSensing,2014,8(1):083674.

[50]DE-BERNARDIS C G,VICENTE-GUIJALBA F,MARTINEZ-MARIN T,etal.Estimation of key dates and stages in rice crops using dual-polarization SAR time series and a particle filtering approach [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2015,8(3):1008.