縣域冬小麥生物量動態變化遙感估測研究

尹 雯，李衛國，申雙和，董瑩瑩，王志明，陳 華

(1.南京信息工程大學應用氣象學院,江蘇南京 210044； 2.江蘇省農業科學院農業信息研究所,江蘇南京 210014； 3.中國科學院遙感與數字地球研究所，北京 100094)

冬小麥生物量和葉面積指數是反映冬小麥長勢好壞的重要農學參數，其中生物量是冬小麥進行遙感產量估測的重要依據指標[1]。作為與光合作用、干物質積累相關的重要生理生態參數，生物量與葉面積指數不僅能反映冬小麥生長動態信息，還是冬小麥生長模型的重要指標參量[2-4]。利用遙感技術快速、無損、實時地大范圍監測冬小麥生物量和葉面積指數，能夠及時地了解縣域冬小麥生長動態，便于采取相應的農田調控管理措施，實現增產目的。

有關利用遙感技術監測作物長勢的研究已取得顯著進展。在作物長勢遙感監測中所利用的遙感監測模型大致可分為兩大類。第一類是經驗性回歸模型，即利用作物長勢指標(如LAI、生物量等)與各種植被指數間的相關關系，建立回歸模型。利用經驗性模型估算生物量、LAI簡單方便，容易獲取，但時空上適用性較弱。如陳雪洋等[5]利用HJ星數據，分析了歸一化植被指數(NDVI)、比值植被指數(RVI)、土壤調節植被指數(SAVI)及增強型植被指數(EVI)與LAI間的相關關系，建立由比值植被指數(RVI)反演的冬小麥LAI模型。王備戰等[6]基于SPOT-5影像，對冬小麥拔節期生物量和NDVI、RVI進行定量關系研究，并建立了生物量反演模型。金正婷[7]利用冬小麥抽穗期的HJ影像，建立了植被指數與冬小麥長勢指標間的關系模型。第二類是具有機理性的估測模型，即利用遙感反演信息與生長模型相耦合，通過優化模型參數，對作物長勢進行監測。如劉 峰等[8]通過構建遙感數據與CERES-Wheat作物生長模型的同化系統，較好地估算了冬小麥LAI。葛廣秀[9]利用HJ星影像，結合光合生產模型，構建了冬小麥LAI的遙感估測模型。李衛國等[10]利用TM數據反演冬小麥LAI，對冬小麥估產模型進行參數優化，有效實現對冬小麥生長估測。將遙感反演信息與作物生長模型相耦合進行作物生長監測，由于其綜合考慮了作物品種、氣候環境因素以及作物生理生態過程，因而具有監測范圍廣、適用性好的特點，能高精度地實現對作物生長估測[11]。前人研究多數是利用單景遙感影像作為數據源，通過反演作物LAI，與作物生長模型相耦合進行某個時相作物生長監測，而有關利用多時相遙感數據并重構作物長勢指標估測模型進行縣域作物長勢動態變化的研究則鮮有報道。

本研究以江蘇省沭陽縣冬小麥為研究對象，選用兩景不同時期的HJ-1A/1B多光譜影像數據，基于冬小麥生物量形成的生理生態過程，重構冬小麥生物量遙感估測模型。利用植被指數反演的LAI數據，對冬小麥生物量遙感估測模型進行參數修訂，在對縣域冬小麥拔節期生物量空間分布進行監測的基礎上，進一步估測冬小麥抽穗期生物量空間分布特征及其動態變化特點，以期探索一種適合縣域冬小麥長勢動態變化遙感估測的有效方法。

1 材料與方法

1.1 試驗區域和數據調查

試驗選擇江蘇省沭陽縣為研究區，其位于33°53′N～34°25′N和118°30′E～119°10′E之間。研究區小麥種植品種主要為揚麥16號和寧麥13號。在冬小麥拔節期和抽穗期調查種植模式、群體莖蘗數、生物量、LAI等作物生長信息。試驗樣點選取30個，每個樣點均選擇種植面積大、能代表附近冬小麥長勢的田塊。采用Green Seeker冠層光譜儀和Sun Scan葉面積指數儀分別測量試驗樣點冬小麥的地物光譜信息(包括紅光反射率和近紅外反射率)和冬小麥葉面積指數(LAI)。每個試驗樣點以對角線法測定五次，取平均值作為該樣點的數據。為了減少不良光照條件的影響，冬小麥光譜采集時間定于10點至14點進行。另外，試驗樣點取地上部植株于取樣袋中，置室內烘箱105 ℃殺青20 min，75 ℃烘干并稱取重，計算每公頃的生物量。氣象數據由當地氣象部門提供。

1.2 遙感數據的獲取與處理

遙感影像數據從中國資源衛星應用網站下載，選取2014年3月21日和2014年4月4日的兩景HJ衛星影像。HJ星又稱環境減災衛星[12]，包括A、B兩顆光學小衛星，其搭載的CCD傳感器空間分辨率為30 m×30 m，含有藍光、綠光、紅光和近紅外四個光譜波段。A、B兩顆衛星組網后幅寬為700 km，重訪周期為兩天。在EARDAS遙感影像處理軟件中，首先利用帶有投影坐標的遙感影像作為參考圖像，對已獲取的兩幅遙感影像進行多項式幾何校正，然后結合地面實測GPS建立的試驗樣點對衛星影像進行幾何精校正，確保校正誤差小于0.5個像元，在ENVI軟件中進行FLASHH大氣校正。最后利用沭陽縣行政邊界矢量圖截取沭陽縣研究區范圍。

1.3 冬小麥生物量模型描述

冬小麥生物量是指冬小麥在經過光合作用同化后產生的干物質質量，是表征冬小麥群體長勢的重要參數之一，主要包括根、莖、葉和籽粒。參照李衛國等[13-14]的冬小麥估產模型算法，對冬小麥地上部生物量模型(Winter wheat above ground biomass model，WABM)描述如下：

在小麥生育期內，地上部分生物量可由下式得出：

(1)

式(1)中，WABi是第i天地上部生物量(單位為kg·hm-2)，WAB1(出苗第一天的地上部干物重)定義為播種量(kg·hm-2)的一半?！鱓ABi為第i天地上部生物量日增重(單位為kg·hm-2·d-1)，i為從播種到成熟期的天數(d)，n為品種生育期(d)。

△WABi的算法為：

△WABi=△PHDi-RGi-RMi

(2)

式(2)中，ΔPHDi、RGi和RMi分別表示第i天冬小麥群體光合同化量(kg·hm-2·d-1)、生長呼吸消耗量(kg·hm-2·d-1)和維持呼吸消耗量(kg·hm-2·d-1)。生長呼吸消耗量(RGi)和維持呼吸消耗量(RMi)按如下算法計算：

RGi=△PHDi×Rg

(3)

RMi=WABi×Rm×Q10(T-25)/10

(4)

式(3)和(4)中，Rg為冬小麥生長呼吸系數；Rm為維持呼吸系數；Q10為呼吸作用的溫度系數，T表示日平均溫度(℃)。

日光合同化量(ΔPHDi)的算法描述如下：

DL×δ×min(NF，WF)

(5)

式(5)中，K為群體消光系數，LAIi為第i天的葉面積指數，B、A是模型參數，δ為CH2O和CO2間的轉換系數，取值0.68。NF、WF分別表示氮素和水分影響因子，其具體算法參考李衛國等[10]的方法。dPAR是日光合有效輻射，即能被綠色植物吸收用來進行光合作用的太陽輻射能量。它是植物生命活動、有機物質合成和生物量積累的主要能量來源。植株能吸收并能利用的太陽輻射只占總太陽輻射的47%～48%。dPAR(MJ·m-2)算法如下所示：

dPAR=A×dR×0.47×(1-α)/DL

(6)

式(6)中，dR表示每日太陽總輻射量(MJ·m-2)，α表示冬小麥群體反射率(%)。

DL為日長(h)，可通過下列算法獲取：

DL=2×arccos(-Tanψ×Tanβ)/15

(7)

式(7)中，ψ為地理緯度(°)，β為太陽赤緯，具體算法如下所述：

β=23.5×sin[360×(d+284)/365]

(8)

式(8)中，d為儒歷日(d=1，2，3，…，365)。

1.4 植被指數計算

歸一化植被指數(NDVI)和比值植被指數(RVI)的計算公式如下：

式中，ρNIR為近紅外波段反射率，ρRED為紅光波段反射率。

2 結果與分析

2.1 冬小麥拔節期葉面積指數監測結果

首先通過利用GPS樣點的矢量數據提取沭陽縣衛星遙感影像的紅光波段反射率和近紅外波段反射率，計算影像的NDVI和RVI散點值。將提取的NDVI和RVI散點值與試驗觀測的LAI數據進行圖形擬合(圖1)。由圖1可以看出，冬小麥拔節初期LAI變化范圍為1.5～3.5，大部分LAI處在2.0～3.2范圍。LAI與兩種植被指數之間擬合度較好，均呈指數型正相關關系。其中，NDVI與LAI的關系模型為LAI=0.693 5×e(2.346 6×NDVI)，r2為0.926 7；RVI與LAI的關系模型為LAI=0.923 8×e(0.231 4×RVI)，決定系數為0.883 1。由于NDVI與LAI的相關關系好于RVI，因此選擇NDVI作為反演冬小麥拔節初期LAI的最佳植被指數。

利用所建立的指數回歸方程，在ENVI的BAND MATH模塊中將拔節期的遙感影像上的NDVI值轉化成LAI值，并在EARDAS的MODELER模塊和ArcGIS中制作冬小麥拔節期LAI分級監測圖。結合當地縣級農業部門常用的LAI長勢分級方法，依據LAI的大小將冬小麥長勢分為三個等級：第一級(用LAI-Ⅰ符號表示)，LAI≥3，表示冬小麥長勢旺盛；第二級(LAI-Ⅱ)，2≤LAI<3，表示冬小麥長勢正常；第三級(LAI-Ⅲ)，當LAI<2，表示冬小麥長勢較弱(如圖2所示)。從圖2可以看出，沭陽縣冬小麥拔節期三個長勢等級的田塊均有分布。其中，長勢旺盛(LAI-Ⅰ)的田塊較少，主要分布在大片種植區內和新沂河河灘上；長勢正常(LAI-Ⅱ)的田塊所占比重較大，主要集中在西南部和西北部成片種植區，如悅來、耿圩、隴集、茆圩等地；長勢較差(LAI-Ⅲ)的田塊集中在縣城的東北部，如高墟、青伊湖、桑墟、西圩等鄉鎮，這可能是由于這些鄉鎮播種較晚，同時3月份氣溫較低，冬小麥生長較為遲緩。

2.2 冬小麥拔節期生物量遙感估測結果

利用沭陽試驗區樣點的初始品種參數、氣象資料(日平均溫度、太陽輻射)等數據，運行冬小麥生物量模型(WABM)，得到冬小麥拔節期樣點生物量估測值。比較樣點生物量估測值與觀測值，二者之間存在誤差，因此進行冬小麥生物量模型參數調整。將冬小麥拔節期樣點生物量觀測值和LAI遙感反演值作為冬小麥生物量模型的約束條件，利用最小二乘法調整模型參數，得到新的模型參數信息數據(表1)。將新的模型參數輸入冬小麥生物量估測模型，重新估測冬小麥拔節期樣點生物量數據。

為驗證模型參數修訂后冬小麥生物量的估測效果，利用沭陽縣樣點冬小麥生物量模型估測值和樣點觀測值數據建立1∶1的關系圖(圖3)。從圖3可以看出，冬小麥拔節期生物量估測值范圍為2 054.3 ～4 828.3 kg·hm-2，平均為3 148 kg·hm-2，冬小麥生物量觀測值范圍為1 962.5～4 568.4 kg·hm-2，平均為3 045.5 kg·hm-2，RMSE為214.8 kg·hm-2，r2為0.919，表明模型參數修訂后冬小麥生物量模型估測效果較好。

為進行沭陽全縣冬小麥生物量遙感估測，需要建立樣點NDVI與生物量估測值之間的遙感轉換模型(YWBWT)：YWBWT=374.8×e(3.165 4×NDVI)。在EARDAS軟件MODELER模塊中，利用生物量遙感轉換模型進行沭陽全縣冬小麥生物量遙感估測預算，得到生物量遙感估測圖(圖4)。依據當地縣級農業部門常用的冬小麥生物量長勢分級方法，可將冬小麥長勢分為三級：第一級(生物量-Ⅰ級)，生物量>4 000 kg·hm-2，表示長勢旺盛；第二級(生物量-Ⅱ級)，3 000 kg·hm-2≤生物量<4 000 kg·hm-2，表示長勢正常；第三級(生物量-Ⅲ級)，生物量≤2 500 kg·hm-2，表示長勢較弱(圖4)。在ArcGIS中對沭陽縣冬小麥不同生物量等級的田塊分布面積進行統計，列于表2。從表2中可以看出，長勢正常的田塊面積為61 310.0 hm2，占總種植面積的72.2%；長勢較弱的田塊面積為19 174.8 hm2，占總種植面積的22.6%。結合圖4可以看出，長勢較弱的冬小麥主要分布在東北部的高墟、西圩、青伊湖等鄉鎮，這些地區需加強農田管理，以促進冬小麥拔節期生長。冬小麥長勢正常的田塊主要分布在沭陽縣西南和東南部，這些區域麥田多為集中連片，田間水肥管理較為合理。長勢旺盛的冬小麥田塊所占比重不大，約占總種植面積的5.2%，主要分布于新沂河河灘上。

圖1 NDVI和RVI兩種植被指數與冬小麥拔節期LAI的關系

參數 Parameter名稱 Name取值 ValueRg生長呼吸系數 Coefficientofgrowthrespiration0.350Rm維持呼吸系數 Coefficientofmaintainrespiratory0.019Q10呼吸作用的溫度系數 Temperaturecoefficientofrespiration2B最大光合速率 Maximumphotosyntheticrate/(kg·hm-2)21A模型調整系數 Modeladjustmentfactor4.90α小麥群體反射率 Wheatpopulationreflectance/%8K消光系數 Extinctioncoefficient0.680LAI1初始葉面積指數 Initialleafareaindex0.320WAB1初始生物量 Initialbiomass/(kg·hm-2)75

圖2 冬小麥拔節期生物量觀測值與估測值間的關系

圖3 沭陽縣冬小麥拔節期LAI的遙感估測結果

2.3 冬小麥抽穗期生物量動態變化

利用參數修訂后的冬小麥生物量模型(WABM)對抽穗期冬小麥生物量進行估測，并按照冬小麥生物量大小進行三級劃分。第一級(生物量-Ⅰ級)，生物量>6 000 kg·hm-2，表示長勢旺盛。第二級(生物量-Ⅱ級)，5 000 kg·hm-2≤ 生物量<6 000 kg·hm-2，表示長勢正常。第三級(生物量-Ⅲ級)，生物量≤5 000 kg·hm-2，表示長勢較弱(圖5)。從圖5看出，沭陽縣冬小麥抽穗期長勢較為均勻，長勢正常的田塊居多。長勢旺盛的冬小麥田塊分布較少，主要位于新沂河河灘、劉集和悅來等少數幾個鄉鎮。長勢較弱的田塊分布較為零星，主要分布在沭陽縣東南部道路兩旁以及城郊附近的農田，可能是因為這些地區小麥田塊較為零散，農田管理相對滯后所致。

表2 沭陽縣冬小麥拔節期不同生物量等級的種植面積分布Table 2 Distribution of planting area of different biomass grades of winter wheat at jointing stage

圖4 沭陽縣冬小麥拔節期生物量的遙感估測結果

圖5 沭陽縣冬小麥抽穗期生物量的遙感估測結果

為進一步研究兩個生育期間冬小麥生物量的動態變化，將冬小麥抽穗期生物量遙感影像圖和冬小麥拔節期遙感影像圖在ENVI軟件中進行減運算，并根據生物量變化大小分為三個等級。第一級(變化量-Ⅰ級)，生物量>3 000 kg·hm-2，表示冬小麥長勢變化極快。第二級(變化量-Ⅱ級)，2 500 kg·hm-2≤生物量<3 000 kg·hm-2，表示冬小麥長勢變化快。第三級(生物量-Ⅲ級)，生物量≤2 500 kg·hm-2，表示冬小麥長勢變化正常(圖6)。從圖6和沭陽縣冬小麥抽穗期不同生物量變化等級的種植面積(表3)可以看出，冬小麥長勢變化正常的田塊分布較廣，占全縣冬小麥種植面積的70.6%，主要分布在縣區的西北、中部和南部鄉鎮。長勢變化快的田塊面積為20 108.7 hm2，占總種植面積的23.4%，主要分布在縣區的東北部，如西圩、青伊湖、官塘以及華沖等鄉鎮。長勢變化極快的田塊面積為5 159.6 hm2，占總種植面積的5.9%，主要集中在沭陽縣東北的高墟、青伊湖農場等幾個鄉鎮。冬小麥拔節期氣溫回升和降雨增多，促進了植株拔節以及麥穗的分化生長，使得冬小麥生物量快速增加，當地農田水肥管理措施也起到明顯作用。對于一些長勢變化極快的麥田，需要加強有效的監護管理，以防長勢過旺產生倒伏引起產量下降。

3 討 論

前人利用遙感方法對作物長勢估測做了很多研究，多數研究是利用單景或多景遙感影像數據對作物長勢進行經驗性估測[7,15-16]，也有研究將植被指數反演LAI與生長模型結合對作物生物量或產量進行估測，其主要注重模型參數的調整和對模型精準度的評價[13,17-18]。隨著地球空間信息技術的不斷發展，多遙感數據已逐漸成為估算冬小麥生物量的客觀信息基礎，特別需要研發一整套能宏觀、及時動態地在時間和空間尺度上估測縣域冬小麥生物量的遙感方法或技術體系，有效服務于縣域大田作物的生產管理與決策。本研究基于不同時相的HJ星遙感影像，利用植被指數反演冬小麥LAI，并將其作為冬小麥生物量模型與遙感數據的耦合點，結合冬小麥生理生態過程，調整冬小麥生物量模型參數，利用參數修訂后的冬小麥生物量模型對縣域冬小麥生物量進行估測。結果表明，冬小麥拔節期生物量估測值范圍為2 054.3～4 828.3 kg·hm-2，平均為3 148 kg·hm-2，冬小麥生物量觀測值范圍為1 962.5～ 4 568.4 kg·hm-2，平均為3 045.5 kg·hm-2，RMSE為214.8 kg·hm-2，說明冬小麥生物量模型模擬精度較好。從冬小麥抽穗期生物量遙感監測圖看出，抽穗期生物量較拔節期發生明顯變化，其中長勢變化快的田塊面積為20 108.7 hm2，占總種植面積的23.4%。春季氣候因素的轉好以及肥水的有效管理對冬小麥營養與生殖共生階段的生長起到明顯促進作用。

表3 沭陽縣冬小麥抽穗期不同生物量變化等級的種植面積分布Table 3 Distribution of planting area of different biomass variation grades of Winter Wheat at heading stage

選用兩景不同生育期的遙感影像，結合冬小麥生物量模型，較好地估測了冬小麥拔節到抽穗階段的生物量空間信息，同時獲得了該生育階段冬小麥生物量的空間動態變化，該方法可為縣級農業部門及時獲取縣域冬小麥生長信息提供技術參考。本研究只選取了拔節期和抽穗期兩個生育期的生物量為研究對象，由于冬小麥齊穗后生物量和LAI隨生育期的變化有所不同，該方法是否適用于估測更長生育期間冬小麥生物量的動態變化，還需進一步深入研究。

[1]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,2008,260.

WANG J H,ZHAO C J,HUANG W J.Foundation and application of agricultural quantitative remote sensing [M].Beijing:Science Press,2008:260.

[2]王 航,朱 艷,馬孟莉,等.基于更新和同化策略相結合的遙感信息與水稻生長模型耦合技術的研究[J].生態學報,2012,(14):4506.

WANG H,ZHU Y,MA M L,etal.Coupling remotely sensed information with a rice growth model by combining updating and assimilation strategies [J].ActaEcologicaSinica,2012,32(14):4506．

[3]侯學會,牛 錚,黃 妮,等.小麥生物量和真實葉面積指數的高光譜遙感估算模型[J].國土資源遙感,2012,95(4):34.

HOU X H,NIU Z,HUANG N,etal.The hyperspectral remote sensing estimation models of total biomass and true LAI of wheat [J].RemoteSensingforLand&Resources,2012,95(4):34.

[4]姜志偉,陳仲新,任建強,等.粒子濾波同化方法在CERES-Wheat作物模型估產中的應用[J].農業工程學報,2012,(14):138.

JIANG Z W,CHEN Z X,REN J Q,etal.Estimation of crop yield using CERES-Wheat model based on particle filter data assimilation method [J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2012,28(14):138.

[5]陳雪洋,蒙繼華,杜 鑫,等.基于環境星CCD數據的冬小麥葉面積指數遙感監測模型研究[J].國土資源遙感,2010，84(2):58.

CHEN X Y,MENG J H,DU X,etal.The monitoring of the winter wheat leaf area index based on HJ-1CCD dada [J].RemoteSensingforLand&Resources,2010,84(2):58.

[6]王備戰,馮 曉,溫 暖,等.基于SPOT-5影像的冬小麥拔節期生物量及氮積累量監測[J].中國農業科學,2012,45(15):3055.

WANG B Z,FENG X,WEN N,etal.Monitoring biomass and N accumulation at jointing stage in winter wheat based on SPOT-5 images [J].ScientiaAgriculturaSinica,2012,45(15):3055.

[7]金正婷.利用衛星遙感估測冬小麥長勢和赤霉病的研究[D].南京:南京信息工程大學,2016:30.

JIN Z T.Study on estimating winter wheat growth and Fusarium head blight using satellite remote sensing [D].Nanjing:Nanjing University of Information Science and Technology,2016:30.

[8]劉 峰,李存軍,董瑩瑩,等.基于遙感數據與作物生長模型同化的作物長勢監測[J].農業工程學報,2011,27(10):105.

LIU F,LI C J,DONG Y Y,etal.Monitoring crop growth based on assimilation of remote sensing data and crop simulation model [J].TransactionsoftheCSAE,2011,27(10):105.

[9]葛廣秀.冬小麥長勢與紋枯病遙感監測研究[D].南京:南京信息工程大學,2015:27.

GE G X.The study on monitoring winter wheat growth and rhizoctoniasolani based on remote sensing [D].Nanjing:Nanjing University of Information Science and Technology,2015:27.

[10]李衛國,王紀華,趙春江,等.基于遙感信息和產量形成過程的小麥估產模型[J].麥類作物學報,2007,27(5):907.

LI W G,WANG J H,ZHAO C J,etal.A model of estimating winter wheat yield based on TM image and yield formation [J].JournalofTriticeaeCrops,2007,27(5):907.

[11]李存軍,王紀華,王 嫻,等.遙感數據和作物模型集成方法與應用前景[J].農業工程學報,2008,24(11):295．

LI C J,WANG J H,WANG X,etal.Methods for integration of remote sensing data and crop model and their prospects in agricultural application [J].TransactionsoftheCSAE,2008,24(11):295.

[12]李衛國,李 花.利用HJ-1A衛星遙感影像進行水稻產量分級監測預報研究[J].中國水稻科學,2010,24(4):386．

LI W G,LI H.Estimating rice yield by HJ-1A satellite images [J].ChineseJournalofRiceScience,2010,24(4):386.

[13]莊東英,李衛國,武立權.冬小麥生物量衛星遙感估測研究[J].干旱區資源與環境,2013,27(10):159.

ZHUANG D Y,LI W G,WU L Q.Estimating winter wheat biomass based on satellite remote sensing [J].JournalofAridLandResourcesandEnvironment,2013,27(10):159.

[14]高亮之,金之慶,鄭國清,等.小麥栽培模擬優化決策系統(WCSODS)[J].江蘇農業學報,2000,16(2):68.

GAO L Z,JIN Z Q,ZHENG G Q,etal.Wheat cultivation simulation-optimization-decision making system(WCSODS) [J].JiangsuJournalofAgricultureandSciense,2000,16(2):68.

[15]李衛國,王紀華,李存軍,等.冬小麥花期生理形態指標與衛星遙感光譜特征的相關性分析[J].麥類作物學報,2009,29(1):82.

LI W G,WANG J H,LI C J,etal.Correlation relationship between satellite remote sensing spectral information and eco-physiology indexes of winter wheat at flowering period [J].JournalofTriticeaeCrops,2009,29(1):82.

[16]葛廣秀,李衛國,景元書.基于NDVI密度分割的冬小麥種植面積提取[J].麥類作物學報,2014,34(7):997.

GE G X,LIW G,JING Y S.Area of winter wheat extracted on NDVI density slicing [J].JournalofTriticeaeCrops,2014,34(7):997.

[17]李衛國,王紀華,趙春江,等.基于定量遙感反演與生長模型耦合的水稻產量估測研究[J].農業工程學報,2008,24(7):130.

LI W G,WANG J H,ZHAO C J,etal.Estimating rice yield based on quantitative remote sensing inversion and growth model coupling [J].TransactionsoftheCSAE,2008,24(7):130.

[18]黃 彥,朱 艷,王 航,等.基于遙感與模型耦合的冬小麥生長預測[J].生態學報,2011,31(4):1082.

HUANG Y,ZHU Y,WANG H,etal.Predicting winter wheat growth based on integrating remote sensing and crop growth modeling techniques [J].ActaEcologicaSinica,2011,31(4):1082.