基于遙感與氣象數據的冬小麥主產區籽粒蛋白質含量預報

王琳 梁健 孟范玉 孟煬 張永濤 李振海

摘要：開展小麥籽粒蛋白質含量的監測預報研究對于指導農戶調優栽培、企業分類收儲、期貨小麥價格、進口政策調整等具有重要意義。本研究以冬小麥主產區（河南省、山東省、河北省、安徽省和江蘇省）為研究區域，構建了冬小麥籽粒蛋白質含量多層線性預測模型，并實現了2019年冬小麥蛋白質含量預報。為了解決預測模型在年際擴展和空間擴展存在偏差的問題，在蛋白質含量估算模型中考慮了氣象因素（溫度、降水、輻射量）、冬小麥筋型、抽穗一開花期增強型植被指數（EVI）等因素。結果表明，融合3個氣象因素的蛋白質含量估算模型建模集精度（R=0.39，RMSE=1.04%）與驗證集精度（R=0.43、RMSE=0.94%）均高于融合2個氣象因子的估算模型和單個氣象因子的估算模型。將蛋白質含量估算模型應用冬小麥主產區的蛋白質含量遙感估算，得到了2019年冬小麥主產區品質預報圖，并形成黃淮海地區冬小麥品質分布專題圖。本研究結果可同時為后續小麥種植區劃和實現綠色、高產、優質、高效糧食生產提供數據支撐。

關鍵詞：冬小麥;籽粒蛋白質含量;遙感;多層線性模型;氣象數據

中圖分類號：S127;S512.1+1文獻標志碼：A文章編號：202103-SA007

引用格式：王琳，梁健，孟范玉，孟煬，張永濤，李振海.基于遙感與氣象數據的冬小麥主產區籽粒蛋白質含量預報[J].智慧農業（中英文），2021， 3（2）： 15-22.

WANG Lin， LIANG Jian， MENG Fanyu， MENG Yang， ZHANG Yongtao， LI Zhenhai. Estimating grain protein content of winter wheat in producing areas based on remote sensing and meteorological. data[J]. Smart Agriculture，2021， 3（2）： 15-22. （in Chinese with English abstract）

1引言

隨著社會經濟的日益發展和生活水平的不斷提高，當前人們對農產品的需求已經從“有沒有”“夠不夠”轉向“好不好”“優不優”。但是，中國農業大而不強、多而不優的問題依然存在。2019年，農業農村部、國家發展和改革委員會、科學技術部等聯合發布的《國家質量興農戰略規劃（2018—2022）》中提出“推進農業由增產導向轉向提質導向”和“走質量興農之路”等發展目標。籽粒蛋白質含量是小麥品質評價的關鍵指標，而品質的高低決定小麥收購價格、加工用途和使用價值等[1]。因此，開展小麥籽粒蛋白質含量的監測預報研究，對于指導農戶調優栽培、企業分類收儲、期貨小麥價格、進口政策調整等具有重要意義[2]。

基于作物籽粒蛋白質含量（Grain Protein Content，GPC）遙感監測預報的研究目前已得到探索和初步應用，可以歸納為4類：（1）基于“遙感信息-籽粒蛋白質含量”模式的經驗模型，該模型通過分析作物關鍵生育時期的遙感信息（敏感波段、植被指數、紅邊參數等光譜特征）直接構建作物GPC統計經驗模型[3-7];（2）基于“遙感信息-農學參數-籽粒蛋白質含量”模式的定量模型，該模型根據遙感信息與關鍵生育期農學參數之間的定量關系及農學參數與GPC之間的定量關系，構建GPC預測模型[8-10];（3）基于遙感數據和生態因子的GPC半機理模型，該模型考慮了作物氮素運轉機理和生態因子對GPC的影響，改善了模型的年際擴展性和空間轉移性[11-14];（4）基于遙感信息和作物模型結合的機理解釋模型，該模型綜合考慮籽粒蛋白質形成過程中各種生態因子的影響，通過遙感信息和作物生長模型耦合的同化方法，調整模型模擬變量與遙感觀測值的誤差達到最小，以調整作物模型的初始參數和狀態變量，進而實現GPC的預測[14，15]。綜合分析以上各類方法與模型的選擇，前兩類模型研究較多，操作簡單且易實現，但機理解釋性不強，在區域間和年際間擴展應用過程中監測結果偏差較大;同化模型方法考慮過多的輸入變量，并且復雜的同化算法、品質生長模型本地化精度和高耗時運算時間問題，限制了該類方法的區域大面積應用[16]。Li等[12]和Xu等[13]通過綜合考慮影響品質遙感預報模型中環境變異因素及品種筋型因子，引入分層線性模型（Hierarchical. Linear Models，HLM）解釋籽粒蛋白質含量-遙感-環境的嵌套問題，構建基于開花期的冬小麥品質預測模型，很好地解決了模型年際擴展和空間擴展存在較大偏差的問題。因此，發展以遙感信息（反映作物養分狀況）與環境因子（體現時空變異）結合的GPC半機理預測方法，構建普適性及適用于時空擴展的籽粒蛋白質遙感預測模型具有可行性。

本研究擬在前期構建的冬小麥品質分層遙感預測的基礎上[12，13]，初步嘗試在全國冬小麥主產區（河南省、山東省、河北省、安徽省和江蘇省）開展GPC模型的構建，以期實現冬小麥品質收獲前預測。

2數據與方法

2.1冬小麥研究區

試驗分別于2008年、2009年和2019年在全國冬小麥5個主產省（河南省、山東省、河北省、安徽省和江蘇省）進行數據采集，包括樣點取樣及測試、小麥品種及筋型確定、氣象數據收集和遙感數據獲取，共獲取樣品898個，去除異常點后得到樣品864個，其中2008年200個，2009年283個，2019年381個，測樣點分布如圖1 所示。其中，強筋小麥86個，強筋和中筋混合區小麥249個，中筋小麥380個，中筋和弱筋混合區小麥2個，弱筋小麥147個。

2.2數據獲取

2.2.1冬小麥籽粒蛋白質測定

在冬小麥成熟期，獲取農戶冬小麥樣品和樣點經緯度，每個農戶收割3個樣點，每個樣點1m，經過自然晾曬、風干、稱重和求均值。最后利用近紅外谷物分析儀FOSS Infratec 1241（Tecator，赫加奈斯，瑞典）測定冬小麥GPC（14%干基）并記錄。

2.2.2冬小麥品種及筋型確定

在冬小麥樣品測試過程中，同時記錄農戶種植冬小麥的品種信息，通過查詢品種的信息確定品種的強/中/弱筋特性。區域品質預報過程中，考慮品種的多樣性及復雜性，參考2001年農業部發布的《中國小麥品質區劃方案》所指定的依據和原則，利用全國農業技術推廣服務中心收集匯總的品種推廣數據，以及以縣為單位發布的當年主推品種，確定每個縣種植小麥筋型特性。最終形成以縣為單位的冬小麥品質區劃圖。

2.2.3EOS/MODIS遙感影像

以抽穗—開花期為時間節點進行冬小麥品質預報，本研究選擇基于中分辨率成像光譜儀（Moderate-resolution Imaging Spectroradiometer，MODIS）遙感影像構建的增強型植被指數（Enhanced Vegetation Index，EVI）進行建模[13]。如公式（1）。

EVI=2.5×（R-R）/（R+6×R-7.5×R）（1）

其中，R、R和R分別代表近紅外波段、紅光波段和藍光波段的反射率。為消除區域物候差異與有云覆蓋影響，分別獲取2019年和2020年4月—5月MODIS數據，分析獲取對應像元最大值作為抽穗—開花期的影像結果。

2.2.4氣象數據

冬小麥研究區的氣象柵格數據從歐洲中期預報中心（European Center for Medium-Range Weather Forecasts，ECMWF）（http：//www.ecmwf.int/）獲取。本研究氣象數據主要包括4月份的月積溫（℃·日）、月太陽輻射量（MJ/m）和月總降雨量（mm），選擇這3個氣象因子進行冬小麥品質預報是因為研究區內冬小麥從起身期到開花期約為一個月時間（不分年份），而該生育階段包括的拔節期、挑旗期、抽穗期及開花期是冬小麥生長最重要的生育時期，對于群體的建成、穗粒數以及養分積累具有決定作用。利用Python 3.7（Python Software Foundation，波特蘭，美國）及Matlab 2014（Mathworks Inc，納蒂克，美國）分別進行數據下載及讀取。

2.3冬小麥品質預報模型

分層線性模型（Hierarchical. Linear Model，HLM）是一種考慮了數據嵌套結構（例如學生鑲嵌于班級）的最小二乘回歸分析，然而相比一般最小二乘回歸分析，HLM在針對數據之間的不獨立性時，將數據集分層、綜合分析層內數據（第一層模型）以及層內與層外數據（第二層模型）之間的關系[17]。

在考慮籽粒品質的區域及年際模型構建時，地域及年際之間的環境因素（第二層模型）對品質的影響會造成遙感信息與品質模型（第一層模型）的差異，因此考慮HLM模型進行品質預測建模具有可行性[12，13]。本研究中，第一層模型是基于GPC與植被指數和籽粒筋型構建，公式如下。

GPC=β+β·EVI+β·Glu+r（2）

其中，GPC為籽粒蛋白質含量;Glu為冬小麥品種筋型值。本研究依據Li等[12]的研究，強筋、中強筋和弱筋小麥品質分別取值1、2和3，后期在區域應用過程中有強筋和中筋種植區與中筋和弱筋種植區，分別取值1.5和2.5。EVI為增強型植被指數，Xu等[13]研究表明EVI與冬小麥品質較其他植被指數具有更好的相關性，因此本研究直接選擇了EVI指數作為模型輸入參數。β、β和β分別為第一層模型的截距、植被指數系數和品種筋型系數。r表示隨機誤差。第二層模型基于第一層模型中的模型系數與外部氣象數據（溫度、降水、輻射量）的歸一化值構建，如公式（3）。

β=γ+γ·nRad+γ·nTem+γ·nPre+μ（3）

其中，nRad、nTem和nPre分別為每個柵格4月份月太陽輻射量歸一化值、月積溫歸一化值和月總降雨量歸一化值;β分別對應第一層模型中截距、增強型植被指數系數和品種筋型系數;γ為第二層級的截距，γ、γ和γ分別為第二層級總輻射量、總降水量和積溫的模型系數，μ則表示為隨機誤差。氣象數據的歸一化見公式（4）（以Rad為例）。

nRad=（Rad-Rad）/（Rad-Rad）（4）

其中，Rad、Rad和Rad為分別每個柵格4月份月太陽輻射量、最大太陽輻射量和最小太陽輻射量，MJ/m。為進一步測試模型，考慮不同的氣象因子組合并對比模型的精度，以確定最優的氣象因子。模型的構建與驗證通過Matlab 2014實現。

2.4統計分析

經過異常點剔除后獲得2008年、2009年和2019年樣點數據共計864組，將三年數據混合后隨機選擇其中80%數據用于建模（共計691組），剩下20%數據用于模型精度驗證（共計173組）。利用Matlab 2014實現對冬小麥GPC預測值與實測值之間的統計分析。采用決定系數R和均方根誤差驗證預測模型的精確度與可靠性。R值越接近于1，說明模型擬合程度越高。RMSE值越小，說明模型預測能力越強，穩定性好且可靠性高。另外，為進一步分析冬小麥品質預測模型中各個自變量因子對最終GPC的貢獻度，采用相對重要性分析法（Dominance Analysis）[18]對模型中各個自變量因子對GPC的相對重要性進行計算和排序。

3結果與分析

3.1冬小麥品質區劃分析

參考《中國小麥品質區劃方案》所指定的依據和原則，結合5個冬小麥主產省各自的品質區劃，以及當前主推品種的面積及市縣分布，最終形成冬小麥品質區劃分布圖（圖2）。

總體來看，強筋小麥主要以北部地區種植為主，如河北中南部、河南省北部、山東省臨沂市和濱州市等。中筋小麥以山東省種植面積最廣、河南南部地區、江蘇省北部和安徽省北部等也有分布。弱筋小麥則主要分布在江蘇南部及沿海地區、安徽中南部及河南南部地區等。通過調查發現，冬小麥的品質區劃除了與生態因子（氣象及土壤等）相關以外，也與品種推廣和政府決策相關，例如2019年山東省濟麥22、魯原502和山農28號等中筋品種推廣占總面積的95.3%，雖然山東省適合強筋和中強筋小麥種植，但綜合來看強筋小麥品種占比不大。另外，在政府決策方面，2019年河北省發布的《河北省強筋小麥產業提質增效推進方案（2019—2022年）》確定以藁城、趙縣、欒城、元氏、柏鄉、隆堯、任縣、寧晉、南和、沙河、大名、肥鄉等為主要推廣區縣。本研究所確定的小麥品質區劃專題圖是在小麥品質區劃和2019年各市縣的主推品種調查分析后形成的。在確定過程中，受縣級單位信息發布不全、部分市縣品種復雜等影響，在最終確定品種筋型過程中，以市為單位確定較多，后續的研究及調查過程中需要更精確的品種推廣范圍，以確定準確的冬小麥筋型分布信息，為后續的品質預測模型提供可靠的筋型空間分布信息。

3.2GPC預報模型的氣象因子選擇

以不同的氣象因子參與分層線性模型進行冬小麥GPC預報模型構建，并對比模型精度進行氣象因子的評價（表1）。結果表明，單獨一個氣象因子進行品質預報時，以nRad為輸入變量構建的冬小麥GPC預報模型精度（R=0.31，RMSE=1.12%）均高于分別以nTem和nPre為輸入變量構建的冬小麥GPC預報模型。兩個氣象因子參與冬小麥GPC預報模型的精度有一定的提高，以nRad和nPre組合構建的冬小麥GPC預報模型較好（R=0.38，RMSE=1.05%）。三個氣象因子共同參與冬小麥GPC預報精度最佳，模型的R和RMSE分別為0.39和1.04%。考慮到冬小麥籽粒蛋白質形成過程中受輻射量、溫度和降水的綜合影響，在區域大面積模型構建過程中，氣象因子存在較大的空間變異性。有關氣象因子對GPC預報模型在不同尺度范圍上的影響，有必要在品質關聯的氣象要素的指標篩選及關聯度分析等方面進行進一步研究，特別是氣象因素在區域的空間變異。

進一步通過相對重要性分析GPC預報模型中各個自變量因子對GPC預測的貢獻。從表2結果中可以看出，冬小麥品種對GPC的影響是最大的，Glu相對重要性達到75.31%，品種的遺傳特性直接決定品質的高低，考慮到較大的研究區域，品種的多樣性對模型結果具有較高的相關性;氣象因子對GPC的重要性依次為輻射量（nRad）、溫度（nTem）和降水量（nPre），相對重要性分別為10.05%、7.61%和6.54%;遙感信息重要性最低。但是，當以局部區域（以河北省冬小麥研究區為例）為研究區時，局部區域的品種多樣性減少，Glu的相對重要性降低到48.22%;同時由于局部區域的氣象條件變異減小，除nRad比重相對增加外，nTem和nPre依次減少;反之，體現作物長勢及養分差異的EVI的相對重要性增加（22.65%）。

通過以上分析初步得到以下結論。模型中各個自變量因子對GPC的貢獻度在不同的研究尺度有所差異：局部區域品種與氣象因子差異較小，植株長勢及養分的變異對GPC的結果影響更大;反之，大范圍區域品種與氣象因子的較大差異，導致植株長勢及養分的變異對GPC的結果影響降低。當然，本研究在樣點收集過程中通過示范區（2008年和2009年）和農戶協助收集（2019年）獲得，樣點空間代表性不強，對結論的解釋還有待進一步驗證。另外，本研究氣象因子選擇4月份數據作為模型輸入，主要考慮到該生育階段包括的拔節期、挑旗期、抽穗期及開花期是冬小麥生長最重要的生育時期，對于群體的建成、穗粒數以及養分積累具有決定作用。對于區域應用而言，由于區域間該生育時期時長差異，后期在進一步品質預測的研究中，需結合區域物候提取，進而精確獲取冬小麥關鍵生育時期的氣象數據。

3.3冬小麥GPC預報模型

以3個氣象因子為輸入變量構建冬小麥GPC預報模型作為初步的區域預報模型。圖3是GPC 估算模型建模集和驗證集的實測值與估算值關系圖。建模集的R為0.39，RMSE為1.04%，可以看出樣點數據中高估的樣點數據多于被低估的樣點數據，尤其是部分2009年北京樣點和江蘇樣點，但大部分樣點是集中在1：1線的周圍;驗證集的R為0.43， RMSE為0.94%;所有樣本數據（建模集+驗證集）實測值與估算值的R為0.40，RMSE為1.03%。結果表明，結合遙感與氣象數據的分層線性預測模型在區域GPC預測上具有可行性，并且模型的預測穩定性較高。

3.4冬小麥GPC區域預報

將GPC模型由樣點數據推及到面域范圍，得到2019年冬小麥GPC估算圖（圖4）。越紅的地區代表GPC越高，綠色代表GPC偏低，基本呈現從北到南冬小麥品質逐漸降低的趨勢。2019 年黃淮海地區冬小麥GPC最高的地區是河北省、山東省北部以及河南省中部和北部，基本在13.6%以上，其中河北省大部分及河南省北部GPC達到14.6%以上;山東省西部、河南省東部與西南部地區、安徽省北部與江蘇省北部地區GPC基本在12.3%～13.6%之間。GPC最低的地區是江蘇省東南部沿海地區與河南省東南部地區，GPC基本低于12.3%。

4結論

本研究在864個冬小麥實測品質樣點（2008年、2009年和2019年）基礎上，利用分層線性模型構建了冬小麥GPC估算模型對2019年冬小麥主產區（河南省、山東省、河北省、安徽省和江蘇省）范圍內的冬小麥GPC進行估算。估算模型分為兩層：第一層模型是基于GPC、EVI和冬小麥籽粒筋型構建;第二層模型是基于第一層模型中的模型系數與外部氣象數據（溫度nTem、降水nPre、輻射量nRad）的歸一化值構建。GPC估算模型建模集精度R為0.39，RMSE為1.04%;驗證集精度R為0.43，RMSE為0.94%。將GPC估算模型應用于冬小麥主產區的GPC遙感估算，最終得到2019年冬小麥主產區品質預報圖。結果證明，構建的籽粒蛋白質遙感預測模型具有較好的普適性和時空擴展性。

本研究以MODIS影像（空間分辨率為250m）為例初步在大尺度黃淮海地區冬小麥種植區開展應用，粗分辨率的遙感影像數據在冬小麥面積提取方面存在混合像元的問題在本研究中未進行深入探討。因此，在接下來的研究中有必要開展高分辨率影像數據（Landsat-TM. Sentinel-2或者高分系列衛星數據等）在冬小麥品質預報的應用。

參考文獻：

[1]王紀華，李存軍，劉良云，等.作物品質遙感監測預報研究進展[J].中國農業科學，2008， 41（9）： 2633-2640. WANG J， LI C， LIU L， et al. Estimating grain protein content in winter wheat with multi-temporal. hyperspectral. measurements[J]. Scientia Agricultura Sinica， 2008， 41（9）：2633-2640.

[2]李少昆，譚海珍，王克如，等.小麥籽粒蛋白質含量遙感監測研究進展[J].農業工程學報，2009， 25（2）： 310-315.

LI S， TAN H， WANG K， et al. Research progress in wheat grain protein content monitoring using remote sensing[J]. Transactions of the CSAE， 2009， 25（2）： 310-315.

[3] JIN X， XU X， FENG H， et al. Estimation of grain protein content in winter wheat by using three methods with hyperspectral. data[J]. International. Journal. of Agriculture & Biology， 2014， 16（3）： 498-504.

[4] ONOYAMA H， RYU C， SUGURI M， et al. Estimation of rice protein content before harvest using ground- based hyperspectral. imaging and region of interest analysis[J]. Precision Agriculture， 2017， 19： 721-734.

[5] RODRIGUES F A， BLASCH G， DEFOURNY P， et al. Multi-temporal. and spectral. analysis of high-resolution hyperspectral. airborne imagery for precision agriculture： Assessment of wheat grain yield and grain protein content[J]. Remote Sensing， 2018， 10： ID 930.

[6] XU X， LI C， DONG Y， et al. Estimating grain protein content in winter wheat with multi-temporal. hyperspectral. measurements[J]. Sensor Letters， 2014， 12： 1-5.

[7] BARMEIER G， HOFER K， SCHMIDHALTER U. Mid-season prediction of grain yield and protein content of spring barley cultivars using high-throughput spectral. sensing[J]. European Journal. of Agronomy， 2017， 90： 108-116.

[8]陳鵬飛，王吉順，潘鵬，等.基于氮素營養指數的冬小麥籽粒蛋白質含量遙感反演[J].農業工程學報，2011，27（9）：75-80.

CHEN P， WANG J， PAN P， et al. Remote detection of wheat grain protein content using nitrogen nutrition index[J]. Transactions of the CSAE， 2011， 27（9）： 75-80

[9]屈莎，李振海，邱春霞，等.基于開花期氮素營養指標的冬小麥籽粒蛋白質含量遙感預測[J].農業工程學報，2017， 33（12）：186-193.

QU S， LI Z， QIU C， et al. Remote sensing prediction of winter wheat grain protein content based on nitrogen nutrition index at anthesis stage[J]. Transactions of the CSAE， 2017，33（12）： 186-193.

[10] ZHAO H， SONG X， YANG G， et al. Monitoring of nitrogen and grain protein content in winter wheat based on sentinel-2A data[J]. Remote Sensing， 2019， 11（14）： ID 1724.

[11]李振海，徐新剛，金秀良，等.基于氮素運轉原理和GRA-PLS算法的冬小麥籽粒蛋白質含量遙感預測[J].中國農業科學，2014， 47（19）： 3780-3790.

LI Z， XU X， JIN X， et al. Remote sensing prediction of winter wheat protein content based on nitrogen translocation and GRA-PLS method[J]. Scientia Agricultura Sinica， 2014， 47（19）： 3780-3790.

[12] LI Z， TAYLOR J， YANG H， et al. A hierarchical. interannual. wheat yield and grain protein prediction model using spectral. vegetative indices and meteorological. data[J]. Field Crops Research， 2020， 248： ID 107711.

[13] XU X， TENG C， ZHAO Y， et al. Prediction of wheat grain protein by coupling multisource remote sensing imagery and ECMWF data[J]. Remote Sensing， 2020，12（8）： ID 1349.

[14] LI Z， JIN X， ZHAO C， et al. Estimating wheat yield and quality by coupling the DSSAT-CERES model andproximal. remote sensing[J]. European Journal. of Agronomy， 2015， 71： 53-62.

[15] LI Z， WANG J， XU X， et al. Assimilation of two variables derived from hyperspectral. data into the DSSAT- CERES model for grain yield and quality estima- tion[J]. Remote Sensing， 2015， 7（9）： 12400-12418.

[16]李振海，楊貴軍，王紀華，等.作物籽粒蛋白質含量遙感監測預報研究進展[J].中國農業信息，2018， 30（1）： 46-54.

LI Z， YANG G， WANG J， et al. Remote sensing of grain protein content in cereal： A review[J]. China Agricultural. Informatics， 2018， 30（1）： 46-54.

[17] FELDSTAIN A， WOLTMAN H， MACKAY J C， et al. An introduction to hierarchical. linear modeling[J]. Tutorials in Quantitative Methods for Psychology， 2012， 8 （1）： 62-69.

[18] YE D， NG Y K， LIAN Y. Culture and happiness[J]. Social. Indicators Research， 2015， 123（2）： 519-547.

Estimating Grain Protein Content of Winter Wheat in Producing Areas Based on Remote Sensing and Meteorological. Data

WANG Lin1，2， LIANG Jian3， MENG Fanyu4， MENG Yang1，2， ZHANG Yongtao5， LI Zhenhai1，2*

（1. Key Laboratory of Quantitative Remote Sensing in Ministry of Agriculture and Rural. Affairs/Beijing Research Center for Information Technology in Agriculture， Beijing 100097， China; 2. National. Engineering Research Center for Information Technology in Agriculture， Beijing 100097， China; 3. National. Agro-tech Extension and Service Center， Beijing 100125， China; 4. Beijing Agriculture Technology Extension Station， Beijing 100029， China; 5. Jiangsu Nonidt Agricultural. Science and Technology Co. Ltd， Nanjing 210001， China）

Abstract： With the rapid development of economy and people's living standards， people's demands for crops have changed from quantity to quality. The rise and rapid development of remote sensing technology provides an effective method for crop monitoring. Accurately predicting wheat quality before harvest is highly desirable to optimize management for farmers， grading harvest and categorized storage for the enterprise， future trading price， and policy planning. In this research， the main producing areas of winter wheat （Henan， Shandong， Hebei， Anhui and Jiangsu provinces） were chosed as the research areas， with collected 898 samples of winter wheat over growing seasons of 2008， 2009 and 2019. A Hierarchical. Linear model （HLM） for estimating grain protein content （GPC） of winter wheat at heading-flowering stage was constructed to estimate the GPC of winter wheat in 2019 by using meteorological. factors， remote sensing imagery and gluten type of winter wheat， where remote sensing data and gluten type were input variables at the first level of HLM and the meteorological. data was used as the second level of HLM. To solve the problem of deviation in interannual. and spatial. expansion of GPC estimation model， maximum values of Enhanced Vegetation Index （EVI） from April to May calculated by moderate-resolution-imaging spectroradiometer were computed to represent the crop growth status and used in the GPC estimation model. Critical. meteorological. factors （temperature， precipitation，radiation） and their combinations for GPS estimation were compared and the best estimation model was used in this study. The results showed that the accuracy of GPC considering three meteorological. factors performed higher accuracy （Calibrated set： R=0.39， RMSE=1.04%; Verification set： R=0.43， RMSE=0.94%） than the others GPC model with two meteorological. factors or single meteorological. factor. Therefore， three meteorological. factors were used as input variables to build a winter wheat GPC forecast model for the regional. winter wheat GPC forecast in this research. The GPC estimation model was applied to the GPC remote sensing estimation of the main winter wheat-producing areas， and the GPC prediction map of the main winter wheat producing areas in 2019 was obtained， which could obtain the distribution of winter wheat quality in the Huang-Huai-Hai region. The results of this study could provide data support for subsequent wheat planting regionalization to achieve green， high- yield， high-quality and efficient grain production.

Key words： winter wheat; grain protein content （GPC）; remote sensing; hierarchical. linear model （HLM）; meteorological. data

（登陸www.smartag.net.cn免費獲取電子版全文）

作者簡介：王琳（1995—），女，碩士研究生，研究方向為遙感信息處理與分析。E-mail：17852320332@163.com。

*通訊作者：李振海（1989—），男，博士，高級工程師，研究方向為農業遙感與信息技術。電話：010-51503215。E-mail：lizh323@126.com。