基于NDVI時間序列數據的施肥方式遙感識別方法

劉煥軍，武丹茜，孟令華，Susan Ustin，崔 楊，楊昊軒，張新樂

基于NDVI時間序列數據的施肥方式遙感識別方法

劉煥軍1,2，武丹茜1，孟令華2，Susan Ustin3，崔 楊1，楊昊軒1，張新樂1※

（1. 東北農業大學公共管理與法學院，哈爾濱 150030；2. 中國科學院東北地理與農業生態研究所，長春 130102；3. Center for Spatial Technologies and Remote Sensing(CSTARS), Department for Land, AIR, and Water Resources, University of California, Davis, United States 95616）

農產品生產過程時空動態監測是有機/綠色農產品認證亟待解決的問題，不同施肥方式的時空精準識別是解決該問題的關鍵。本文以美國加州大學戴維斯分校長期定位實驗為基本材料，利用時間序列Landsat 8和Sentinel-2影像研究長期施肥實驗下不同施肥處理輪作地塊的植被指數時間序列，對比分析不同施肥處理NDVI的差異以及NDVI與產量的相關性。結果表明：1）不同施肥處理下的NDVI時間序列曲線總體趨勢相似，有機肥與化肥處理NDVI時間序列曲線差異較大；2）不同施肥處理NDVI隨作物生長期呈現規律變化，生長初期和后期有機肥處理NDVI均值高于化肥處理，生長中期化肥處理高于有機肥處理；3）不同施肥處理下的NDVI與產量之間相關系數隨作物生長期有規律變化，應用植被指數進行遙感估產需要考慮不同施肥處理的影響。研究成果初步探討了利用不同施肥處理NDVI時間序列差異、NDVI與產量相關性差異區分有機肥與其他施肥方式，有望為有機/綠色農業的時空動態監測與認證提供遙感技術支持，深化遙感技術在農業領域應用。

施肥，遙感，施肥方式，作物，時間序列，NDVI

0 引 言

隨著以綠色發展為導向的農業供給側結構性改革的推進，綠色、優質、安全的理念越來越深入人心，發展有機農業成為堅持可持續發展、保護環境的需要。2016年農業部與財政部聯合印發了《建立以綠色生態為導向的農業補貼制度改革方案》建立以綠色生態為導向的農業補貼，隨之開展了減化肥、減農藥、減除草劑“三減”行動，以促進農業可持續發展。綠色/有機農業作為可持續農業的必經之路，目前在生產過程監控、產品認證等方面仍存在很多問題。遙感技術作為目前唯一能夠在大范圍內實現快速獲取時空動態地表信息的手段，對于發展高產高效和環境友好型現代農業的重要性已被普遍認可[1-2]。但是現階段遙感技術只能輔助進行小范圍農產品質量監測，而對于有機農產品生產過程中大范圍施肥方式進行精準識別方面的研究仍缺失[3-5]。

受有機肥和化肥肥效釋放速率、不同肥料對土壤理化性質的影響，農作物在生長過程中對水肥存在響應差異，因而需利用時間序列遙感監測以實現不同施肥處理的時空動態監測。但由于受單一傳感器回訪周期及天氣狀況等限制，難以實現對同一區域的持續監測。Landsat 8與Sentinel-2是常用的中等分辨率衛星遙感影像，針對兩種傳感器間的差異，各國學者開展了廣泛研究，認為大氣校正后二者影像間輻射一致性有所提高，利用Sentinel-2A影像“8a”波段進行NDVI計算能有效減少傳感器間差異[6-7]。植被指數時間序列分析方法被廣泛利用于作物分類及農作物種植結構提取，而針對農產品質量的應用存在缺失[8-12]。已有的不同肥料試驗小區一般較小，導致中等空間分辨率遙感影像難以對其監測，受云雨影響時間分辨率較低，時間序列遙感影像獲取困難。本文研究區內的試驗小區各自獨立且面積較大（0.4 hm2），為利用遙感影像監測作物生長情況提供了監測條件，且研究區地處美國地中海氣候帶，為獲取整個生長期的時間序列遙感影像提供了良好的氣候條件。

本研究以不同施肥處理長期定位試驗下，玉米和番茄在化肥、化肥+綠肥、有機肥+綠肥3種不同處理中的歸一化植被指數（normalized differential vegetation index，NDVI）時間序列為研究對象[13]，從高分辨率時間序列遙感數據集構建、不同施肥方式的時間序列遙感數據特征分析、不同施肥方式的作物長勢差異及其產量的影響3個子目標出發，探索時間序列遙感數據對作物不同施肥方式的表達潛力，進一步為有機/綠色農業的認定、重要生產過程的監測以及農作物估產提供理論依據與技術支持。

1 數據與方法

1.1 研究區概況與數據獲取

1.1.1 研究區概況

研究區Russell Ranch Sustainable Agriculture Facility（RRSAF）位于美國加利福尼亞州中央山谷（圖1），為美國加州大學戴維斯分校的可持續農業設施世紀試驗區。RRSAF位于Putah河流的沖積平原上，土壤類型為粉質壤土和粉質黏土壤土，水源為Clear湖和Cache Creek 引水大壩。RRSAF為地中海氣候，冬季溫和多雨，夏季炎熱干燥，最低溫出現在12月，最高溫出現在7月，冬季最低月平均氣溫為2.9℃，夏季最高月平均氣溫為33.7 ℃，平均年降水量440 mm。多數研究小區種植一年一季的作物，部分小區冬季種植冬小麥。

圖1 研究地塊位置與影像

1.1.2 試驗設計

為了區分作物產量在長期不同施肥模式下的響應，了解長期施肥模式下不同施肥處理的作物長勢差異，故設計該試驗。試驗始自1994年，為分區塊狀設計，包括72個空間獨立的地塊（圖1），獨立面積約為0.4 hm2。在試驗開始前進行了激光平整，為防止地塊之間的地表徑流和侵蝕，地塊周圍設置了凸起的護堤。研究區包含了12種不同種植制度的輪作試驗，隨機分配在不同地塊，輪作作物包括玉米、番茄、小麥、豆科作物、蘇丹草等，每2～3年更換1次輪作作物，地塊施肥及灌溉方式不變。本研究選取2016—2017年的玉米（maize）-番茄（tomato）輪作地塊作為研究重點，每年共3個處理，分別為CMT（全灌溉＋化肥）、LMT（全灌溉＋化肥＋綠肥）、OMT（全灌溉＋有機肥＋綠肥），詳見表1，每種處理共3次重復，其中A輪作制度偶數年（2016）種植玉米奇數年（2017）種植番茄，B輪作制度偶數年（2016）種植番茄奇數年（2017）種植玉米。

表1 輪作處理方式

注：CMT管理方式為全灌溉＋化肥、LMT為全灌溉＋化肥＋綠肥、OMT為全灌溉＋有機肥＋綠肥；OMT處理的農產品已獲取有機認證。

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.

供試驗化肥為NPK復合肥，含15%N、15%P2O5、15% K2O，肥料為水溶肥，平均肥效10～15d，CMT與LMT施肥量及施肥日期相同；有機肥為雞糞堆肥，在種植前一天一次性投入，生長期不再加施有機肥。LMT與OMT處理在冬季增施綠肥（WCC），每0.4hm2土地施綠肥（WCC）組合為90 kg/hm2的蠶豆、22.5 kg/hm2長毛豬籠草和22.5 kg/hm2燕麥。綠肥于11月10日左右種植，次年3月左右收割。3種處理的玉米品種為ST7570RR，番茄品種為Heinz 8504，conventional。

受氣候原因影響，生長期降水量少，因而3種輪作處理均在生長期進行全灌溉，灌溉日期與灌溉量相同（圖 2）。2016年玉米在4月8日種植，9月14日收獲；2017年番茄4月17日種植，8月20日收獲。

圖2 灌溉量及化肥處理的施肥量

1.2 資料數據

1.2.1 產量數據

2016年玉米為機器收割（型號JD9600），每個地塊選取712 m2范圍收獲產量作為地塊代表產量，其中CMT處理3次重復平均產量為1 023.3 kg，LMT處理3次重復平均產量為967.4 kg，OMT處理3次重復平均產量為685.9 kg。

1.2.2 遙感影像數據獲取

根據研究區玉米生長期特點，選取2016年3—9月及2017年4—9月的Landsat 8 OLI及Sentinel-2A的時間序列遙感影像，2016年共14幅，2017年共16幅（表2）。

表2 遙感影像獲取時間

1.2.3 遙感數據預處理

利用研究區矢量圖裁剪，得到研究區范圍的影像數據。為驗證Sentinel-2A及Landsat 8 OLI傳感器之間的相關性，本研究選取2016年6月25日的Sentinel-2A及2016年6月27日的Landsat 8 OLI2種傳感器影像，比較其在3×3像元范圍內不同長勢的NDVI，對2種傳感器進行交叉驗證[14]。對Sentinel-2A影像及Landsat 8 OLI影像分別進行輻射定標、大氣校正，利用ENVI 5.1將Landsat 8 OLI影像重采樣為10 m。

1.2.4 植被指數計算

本文采用應用最為廣泛的歸一化植被指數研究。運用ENVI 5.1通過波段運算得到2年影像的植被指數，Landsat 8 OLI使用B4、B5波段，Sentinel-2A使用B4、B8a波段。由于地塊邊界存在混合像元，為保證像元內地物類型精確、同時可代表地物特征，通過建立漁網從每種處理的每個地塊選取中心6個純像元提取NDVI值，各處理共得18個點，對其取平均值作為該種處理的NDVI值。

1.3 研究方法

不同施肥方式使得作物在生長過程中對肥料的響應存在差異，反映在作物長勢的優劣，利用遙感影像獲取與作物生長密切相關的植被指數，建立植被指數與長勢之間的相互關系[15]，監測不同施肥方式下的作物生長狀況，從而為利用遙感技術辨別不同施肥方式提供思路。本文對長期施肥條件下進行3種施肥處理作物的植被指數進行時間序列分析，以及對NDVI差異較大的時相進行顯著性差異分析，利用NDVI與實測產量進行相關分析，以期通過不同施肥處理植被指數時間序列曲線表現的差異，并結合具有顯著差異的關鍵時相及不同施肥處理NDVI與產量之間的相關關系，進而分辨在長期施肥試驗條件下的不同施肥處理，并找尋最適應該試驗區的最優施肥管理模式。數理統計分析利用SPSS 19.0軟件實現。

2 結果與分析

2.1 Landsat 8與Sentinel-2交叉驗證結果

通過對2種傳感器進行交叉認證，發現單個像元的NDVI變化差異在0.03范圍內，3×3像元范圍的NDVI變化差異大部分在0.05范圍內（圖3），差異較小，說明兩種傳感器獲取的影像可以作為互補使用，有利于對時間序列進行深入研究分析。

圖3 Landsat_8_OLI與Sentinel_2A2種傳感器植被指數變化差異

2.2 不同施肥處理下NDVI時間序列特征分析

圖4a、4b分別為玉米和番茄3種處理NDVI平均值時間序列圖。由圖4a可以看出：玉米3種處理總體NDVI曲線趨勢一致，可區分玉米出苗期（100～131 d）、拔節期（131～177 d）、吐絲期（177～195 d）、灌漿乳熟期（197～219 d）、植株成熟（219～250 d）等不同生長階段。對不同處理的NDVI時間序列曲線分別研究，發現OMT處理與CMT、LMT有較大差異，在201～227 d OMT處理的地塊NDVI值明顯高于其他2種處理，之后3種處理的NDVI又趨向一致。將3種處理兩兩對比發現，在均種植冬季綠肥時，OMT地塊在131～177 d之間及201 d之后NDVI值均高于LMT地塊，特別在131 d和201 d表現明顯，而吐絲期則LMT處理NDVI高；在均施化肥的情況下，是否種植冬季綠肥對NDVI影響不大，對玉米長勢無明顯影響。玉米不同處理的NDVI時間序列表現為：出苗期、拔節期及進入灌漿乳熟期后OMT處理NDVI值高于CMT和LMT處理，長勢更好；吐絲期OMT長勢劣于CMT和LMT。植株成熟期OMT處理NDVI高的原因是停止灌溉后3種施肥方式的土壤保水能力不同，導致植株變黃速度存在差異。

從圖4b中可以看出：番茄不同處理的NDVI曲線之間波動差異大，可區分番茄幼苗期（108～170 d）、開花坐果期（170～190 d）、快速結果期（190～210 d）、果實膨大期（210～230 d）、果實著色成熟（230～250 d）等不同生長階段。針對不同處理曲線規律分析，發現3種處理曲線總體呈現先上升后下降的趨勢，CMT和LMT處理的植被指數在190 d達到頂峰，而OMT處理最高點出現在181 d，相比較另2個化肥處理，NDVI峰值提前1周出現，表明OMT處理的地塊更早進入開花期。之后3種處理NDVI曲線一直保持下降趨勢，直至果實成熟。對不同處理進行兩兩對比，發現在均種植冬季綠肥的情況下，從108～170 d及230 d之后，OMT處理的地塊總體NDVI值略高于LMT地塊，長勢較好；170～210 d番茄開始結果并逐漸進入膨大階段，兩種處理NDVI曲線變動較大。在均施化肥的條件下，種植綠肥對NDVI的影響表現為：前期與后期LMT地塊NDVI值略高，這表明增施冬季綠肥的番茄植株長勢更好。番茄不同處理的NDVI時間序列表現為，從開始播種到181 d、以及番茄果實成熟后，OMT處理NDVI值高于其他地塊，中期CMT和LMT處理NDVI超過OMT處理。

綜合2種作物不同施肥處理的NDVI時間序列曲線可以發現，在相同地塊2年輪作不同作物，有機肥和化肥處理的NDVI時間序列均有相似表現，即作物生長前期（開始播種～180 d）及后期（200～240 d）有機肥處理的地塊NDVI值偏高，而生長中期（180～200 d）則化肥處理的地塊NDVI值較高。

a. 玉米

a. Maize

b. 番茄

2.3 不同處理NDVI平均值顯著性差異分析

通過上文對3種處理NDVI進行分析，可以看出玉米與番茄3種處理的NDVI具有一定差異。通過對NDVI進行均值處理后，發現玉米131和201 d的OMT處理的NDVI均值明顯高于CMT處理與LMT處理，對這2個關鍵時相的NDVI值進行顯著性差異分析發現，OMT分別與CMT和LMT處理存在顯著性差異，而CMT和LMT處理間無顯著性差異；番茄種植149 d時3種處理間差異性較明顯（表3）。

結合2016年玉米產量分析，發現OMT、CMT、LMT處理3次重復平均產量分別為685.9 kg、1 023.3 kg、967.4 kg，OMT處理的產量明顯低于另2種處理，而CMT和LMT間產量相差不大，這與上述玉米3種處理間顯著性差異結果一致。

表3 131 d與201 d不同處理NDVI平均值

注：同行數字后標不同小寫字母者表示差異達顯著水平（＜0.05）。

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

2.4 NDVI時間序列與產量相關性分析

從2016年玉米NDVI與產量相關系數時間序列圖（圖5）可以看出，當有機肥處理NDVI低于化肥處理時，玉米處于吐絲期，NDVI與產量呈正相關；當玉米處于出苗期、拔節期、灌漿乳熟期及植株成熟幾個生長階段時，有機肥處理NDVI高于化肥處理，此時NDVI與產量為負相關。負相關性最高的點出現在131和201 d，相關系數分別為-0.87和-0.91，此時可以看出有機肥NDVI曲線遠高于化肥處理，差值約為7%～8%。131 d時玉米由出苗期進入拔節期，OMT處理的地塊因連續多年施用有機肥，土壤內有機質含量較多，因而植株生長速度快于另兩種處理，綜合產量數據分析，2種化肥處理的產量均高于有機肥處理，產量和NDVI相關系數與植被指數呈此消彼長的態勢，因而在131 d時NDVI與產量呈現顯著負相關；在201 d時，玉米進入灌漿乳熟階段，因有機肥肥效長于化肥的原因，NDVI表現為OMT處理高于兩種化肥處理，但OMT處理的最終產量低于CMT和LMT處理，所以產量與NDVI出現負相關現象。

當化肥NDVI高于有機肥處理時NDVI與產量之間為正相關，在179 d二者NDVI差值最大，此時相關系數為0.69，相關性較高。此時玉米正值吐絲期，該時期是提高產量、改善品質的重要階段，對營養物質需求旺盛。CMT及LMT處理的玉米在120～166 d經過了5次施肥，養分得到了充足的積累，而OMT處理因施用有機肥肥力較低導致生長中期養分不足，因此出現OMT處理的NDVI低于CMT和LMT處理，且兩個化肥處理的產量均高于有機肥處理，所以表現為產量與NDVI呈顯著正相關。

當3種處理NDVI值接近時，表明3種處理下的玉米長勢接近，因而與產量的相關系數變小。

玉米不同生長階段的NDVI對產量的相關性存在不同表現。玉米處于出苗期時為正相關且相關性較低；從出苗期進入拔節期時，相關系數為極顯著負相關，之后隨著玉米植株生長而逐漸變低，并由負相關轉為正相關；當玉米處于吐絲期，這一階段相關系數為正，并在179 d達到0.69；灌漿乳熟期時，NDVI與產量的相關性為負，在201 d時相關系數為-0.91達到最高；植株成熟階段NDVI與產量相關系數再次轉為正相關。

注：**代表在0.01水平上顯著相關， *代表在0.05水平上顯著相關。

3 討 論

本研究證明了遙感技術在不同施肥處理時空動態監測、有機農產品認證方面的潛力，深化了遙感在農業領域的應用。針對不同施肥處理的長期定位試驗，各國學者都開展了廣泛的研究[16-20]，但尚未有研究說明遙感監測的植被指數與長期施肥試驗中不同施肥處理之間的相關性。本研究區位于美國加州，不同施肥試驗已持續20年以上，該地區因氣候原因夏季降水少、云量小，在作物生長期可以獲取時間序列的遙感影像，因而對于利用遙感手段研究地中海氣候下不同施肥處理的影響具有較強代表性，結合時間序列分析方法可以更直接的監測作物生長期的長勢狀況，揭示不同施肥處理作物響應時空變化規律。

不同作物在不同施肥處理下植被指數時間序列呈現規律性變化。通過對相同地塊2016年和2017年不同作物3種施肥處理NDVI時間序列的對比結果可以看出，玉米與番茄NDVI時間序列曲線隨時間變化差異較大。表現為玉米與番茄的總體NDVI曲線都呈現先上升后下降的拋物線趨勢，玉米3種處理間NDVI曲線差異不大，有機肥處理的地塊在生長前期和后期NDVI值高于化肥處理的地塊，表明20余年長期施用有機肥的地塊長勢更好，且有機肥肥效持續時間優于化肥，因而在種植后期有機肥處理的地塊NDVI值高于化肥處理地塊，在生長中期化肥處理的地塊NDVI值高于有機肥處理地塊，原因是在這一時期化肥處理地塊進行了多次追肥，且肥效釋放較快，對玉米長勢產生較大影響；番茄不同處理的NDVI時間序列曲線前期和后期差別較小，在中期波動幅度最大，表現為前期有機肥處理的NDVI值高于化肥處理，中期化肥處理的NDVI值較高，這種表現的原因是不同施肥處理導致番茄開花結果的時間先后不同，果實生長速度有異，因而在NDVI曲線上顯示出較大的波動變化，而后期所有處理中番茄均到達成熟期，NDVI值在此時又逐漸趨向一致。

不同施肥處理植被指數與產量的相關系數隨時間呈顯著的正、負相關變化。玉米的不同生長階段NDVI與產量的相關系數存在不同表現，吐絲期時呈正相關，而出苗期、拔節期、灌漿乳熟期及植株成熟幾個生長階段時，NDVI與產量為負相關。已有研究發現作物生長初期和后期產量與植被指數的相關性很小，作物生長中期植被指數與產量一般呈正相關[21]。與已有研究的結論不同，本研究發現不同施肥處理時，NDVI與產量的相關系數隨時間的變化是復雜的，表現為：當有機肥處理NDVI高于化肥處理時為負相關，NDVI差值與負相關系數呈同向變動；在化肥NDVI高于有機肥處理時與產量的相關性為正相關，NDVI差值最大時與產量的正相關性最大。另研究發現，產量與NDVI相關系數為負且絕對值越大的幾個時期（出苗期、拔節期、灌漿乳熟期），有機肥處理的NDVI值明顯高于其他兩個施化肥處理，因而筆者認為可以將生長期內NDVI與產量呈現極顯著負相關的幾個關鍵時相，作為利用遙感手段區分施用有機肥處理的主要時期，從而發揮遙感技術對于在長期定位施肥的條件下區分不同施肥方式的積極作用，為監測有機農業生產過程及有機認證提供技術支持。

玉米不同施肥處理的最終產量存在差異，結合植被指數時間序列曲線可以看出，3種處理的玉米長勢總體優劣順序為OMT、CMT、LMT，而最終產量則為CMT> LMT>OMT。長勢與產量2種指標可以在一定程度上反映該試驗中不同施肥方式的優劣，CMT處理的產量盡管最高，但單一施用化肥會對土壤性狀產生不利影響，造成土壤營養物質流失、肥力下降、土壤板結，影響該地區農業生產；OMT處理使用了有機方式種植，雖對保護土壤具有積極意義，但有限的好處不足以彌補產量的下降，有機肥處理仍不是最優的施肥方式；LMT處理的地塊雖長勢相較于另2種略差，但產量卻與CMT處理相差不大，且綠肥可以有效儲存土壤水分，有助于保水固土、減少水土流失、改善土壤肥力，對于農業生產具有積極作用，是3種施肥處理中最適應該地區農業可持續發展的施肥方式。

本研究是利用地中海氣候下連續20年以上不同施肥處理試驗地塊的植被指數，從中分析得到植被指數與施肥方式的規律。而在長期輪作施肥試驗的初始時期、其他不同氣候條件下的地區的NDVI與產量之間的相關性規律仍有待討論。

4 結 論

本文利用10 m空間分辨率的時間序列遙感影像，基于植被指數時間序列的方法，對長期定位試驗中不同施肥處理下作物在生長期中的表現進行研究，得出如下結論：

1）遙感技術可以用于不同施肥處理的監測與識別，為有機農產品生產過程的時空動態監測提供技術支持。

2）不同施肥處理作物植被指數時間序列呈現規律性變化，一般作物生長前期（出苗期、拔節期）、后期（灌漿乳熟期、植株成熟）有機肥處理植被指數高，中期（吐絲期）化肥處理植被指數高，指示了施肥措施差異及其導致的土壤理化性質與作物生理參數時序變化。

3）不同施肥處理植被指數與產量的相關系數隨時間呈現規律性變化，并不是單調的正相關關系。應用植被指數進行遙感估產時，需要考慮時相以及不同施肥處理（尤其是有機肥）的影響。

4）化肥+冬季綠肥的施肥方式在保障農業可持續的同時獲得較多產量，此種施肥方式更適合該地區的農業生產。

[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] 黃玉萍，Renfu Lu，戚超，陳坤杰. 波長比和近紅外光譜的番茄品質檢測方法[J]. 光譜學與光譜分析，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] 楊小玲. 高光譜圖像技術檢測玉米種子品質研究[D]. 杭州：浙江大學，2016. Yang Xiaoling. Detection of Maize Seed Quality Using Hyperspectral Imaging[D]. Hangzhou: Zhejiang University, 2016. (in Chinese with English abstract)

[5] 張新玉，王穎杰，劉若西，等. 近紅外光譜技術應用于玉米單籽粒蛋白質含量檢測分析的初步研究[J]. 中國農業大學學報，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] 鐘函笑，邊金虎，李愛農. Landsat-8 OLI與Sentinel-2A MSI山區遙感影像輻射一致性研究[J]. 遙感技術與應用，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，劉慶生，劉高煥，等. 基于MODIS時序NDVI主要農作物種植信息提取研究[J]. 自然資源學報，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] 王文靜，張霞，趙銀娣，等. 綜合多特征的Landsat-8時序遙感圖像棉花分類方法[J]. 遙感學報，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] 韓衍欣，蒙繼華，徐晉. 基于NDVI與物候修正的大豆長勢評價方法[J]. 農業工程學報，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] 平躍鵬，臧淑英. 基于MODIS時間序列及物候特征的農作物分類[J]. 自然資源學報，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] 楊閆君，占玉林，田慶久，等. 基于GF-1/WFVNDVI時間序列數據的作物分類[J]. 農業工程學報，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] 劉煥軍，孟令華，張新樂，等. 基于時間序列Landsat影像的棉花估產模型[J]. 農業工程學報，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，楊玲波，劉佳，等. GF-1和MODIS影像冬小麥長勢監測指標NDVI的對比[J]. 作物學報，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] 趙秉強，張夫道. 我國的長期肥料定位實驗研究[J]. 植物營養與肥料學報，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. 長期土壤肥力實驗的科學價值[J]. 植物營養與肥料學報，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] 溫延臣，李燕青，袁亮，等. 長期不同施肥制度土壤肥力特征綜合評價方法[J]. 農業工程學報，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] 焦險峰，楊邦杰，裴志遠，等. 基于植被指數的作物產量監測方法研究[J]. 農業工程學報，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

國家自然科學基金（41671438）；吉林省科技發展計劃項目（20170301001NY）；中國科學院科技服務網絡計劃（KFJ-STS-ZDTP-048-04-02）

劉煥軍，副教授，博士。主要研究方向：地物高光譜遙感。Email：huanjunliu@yeah.net.

張新樂，副教授，博士。主要研究方向：生態遙感。Email：zhangxinle@gmail.com.

10.11975/j.issn.1002-6819.2019.17.020

S513，S506

A

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

劉煥軍，武丹茜，孟令華，Susan Ustin，崔 楊，楊昊軒，張新樂. 基于NDVI時間序列數據的施肥方式遙感識別方法[J]. 農業工程學報，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