遙感光譜指標(biāo)和神經(jīng)網(wǎng)絡(luò)結(jié)合的冬小麥地上部生物量估測(cè)

張傳波，李衛(wèi)國(guó)，張 宏，李 偉，馬廷淮，張琤琤，陳 華

(1.江蘇大學(xué)農(nóng)業(yè)工程學(xué)院，江蘇鎮(zhèn)江 212013；2.江蘇省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，江蘇南京 210014；3.江蘇大學(xué)流體機(jī)械工程技術(shù)研究中心，江蘇鎮(zhèn)江 212013；4.南京信息工程大學(xué)，江蘇南京 210044)

地上部生物量(aboveground biomass,AGB)是作物光合作用的產(chǎn)物，能夠反映作物的生長(zhǎng)狀況和群體大小，是作物產(chǎn)量估測(cè)的重要依據(jù)或指標(biāo)。AGB實(shí)地取樣往往費(fèi)時(shí)費(fèi)力，并會(huì)對(duì)作物造成一定破壞，難以適用于大范圍的快速估測(cè)，不利于及時(shí)輔助作物生長(zhǎng)管理措施調(diào)整。遙感技術(shù)具有快速、高效和宏觀的特點(diǎn)，可以及時(shí)、有效、大范圍監(jiān)測(cè)作物生長(zhǎng)狀況，如在作物病蟲(chóng)害估測(cè)、產(chǎn)量估算和長(zhǎng)勢(shì)監(jiān)測(cè)方面已有較多應(yīng)用。由于土壤和植被之間的差異，作物紅光、綠光和近紅外光輻射包含了大量與作物AGB有關(guān)的信息，已有較多學(xué)者利用遙感技術(shù)進(jìn)行作物AGB估測(cè)研究。如宋開(kāi)山等通過(guò)分析冠層光譜反射率、導(dǎo)數(shù)光譜與大豆AGB的相關(guān)性，建立了比值植被指數(shù)(RVI)與大豆AGB的遙感估算模型。Casanova等將水稻光譜反射率與光合作用過(guò)程結(jié)合建立水稻AGB估測(cè)模型，實(shí)現(xiàn)對(duì)AGB有效估測(cè)。Hansen等利用冬小麥高光譜反射率計(jì)算出NDVI，基于偏最小二乘法對(duì)冬小麥AGB進(jìn)行估測(cè)。Bao等用最佳擬合方法建立了冬小麥AGB與光譜參數(shù)之間的關(guān)系模型，進(jìn)而對(duì)冬小麥AGB估測(cè)。賀佳等發(fā)現(xiàn)，在冬小麥拔節(jié)期、孕穗期、抽穗期、灌漿期、成熟期可以用歸一化綠波段差值植被指數(shù)、比值植被指數(shù)、修正土壤調(diào)節(jié)植被指數(shù)、紅邊三角植被指數(shù)和修正三角植被指數(shù)Ⅱ監(jiān)測(cè)冬小麥AGB。以上研究主要是通過(guò)分析遙感光譜信息與作物AGB之間的關(guān)系，建立基于單個(gè)遙感光譜指標(biāo)的經(jīng)驗(yàn)性作物AGB估測(cè)模型，以實(shí)現(xiàn)快速、便捷的作物AGB估測(cè)。由于研究區(qū)域環(huán)境及獲取的遙感影像類型不同，經(jīng)驗(yàn)性的作物AGB估測(cè)模型較難適用于不同研究區(qū)域的作物AGB估測(cè)。

隨著人工智能技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)因其優(yōu)秀的容錯(cuò)性、自學(xué)習(xí)、自適應(yīng)和自組織能力在農(nóng)業(yè)生產(chǎn)領(lǐng)域被廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)可以通過(guò)對(duì)大量輸入信息的訓(xùn)練和學(xué)習(xí)，最大程度建立解決問(wèn)題的模型，因此在復(fù)雜的農(nóng)田土壤背景和較多的AGB影響因素下，有必要利用BP神經(jīng)網(wǎng)絡(luò)探索多個(gè)影響因素與作物AGB之間的關(guān)系，但有關(guān)將多個(gè)遙感光譜指標(biāo)與BP神經(jīng)網(wǎng)絡(luò)結(jié)合估測(cè)冬小麥AGB的研究報(bào)道尚不多見(jiàn)。

本研究在江蘇省泰州興化市、鹽城市大豐區(qū)和宿遷沭陽(yáng)縣布設(shè)冬小麥AGB遙感估測(cè)試驗(yàn)，在獲取冬小麥冠層REF(近紅外光譜反射率)、REF(紅光光譜反射率)、葉面積指數(shù)(LAI)以及AGB的基礎(chǔ)上，通過(guò)分析波段反射率、植被指數(shù)和冬小麥LAI與AGB之間的相關(guān)關(guān)系，綜合相關(guān)性較好的遙感光譜指標(biāo)建立基于BP神經(jīng)網(wǎng)絡(luò)的冬小麥AGB估測(cè)模型，并與回歸統(tǒng)計(jì)模型進(jìn)行比較，以建立高效、便捷的縣域冬小麥AGB遙感估測(cè)方法，以期為冬小麥長(zhǎng)勢(shì)監(jiān)測(cè)和水肥管理措施調(diào)整提供科學(xué)參考。

1 材料和方法

1.1 試驗(yàn)區(qū)選擇和數(shù)據(jù)獲取

在江蘇省泰州泰興市(蘇南)、鹽城市大豐區(qū)(蘇中)和宿遷市沭陽(yáng)縣(蘇北)布設(shè)冬小麥AGB估測(cè)試驗(yàn)。2021年3月26日-30日(冬小麥拔節(jié)期)，用Juno ST(美國(guó))手持GPS儀在泰興市、大豐區(qū)和沭陽(yáng)縣各定位選擇20個(gè)試驗(yàn)樣點(diǎn)(圖1)，每個(gè)試驗(yàn)樣點(diǎn)間隔約1～2 km，試驗(yàn)樣點(diǎn)田塊面積不少于9×10m(300 m×300 m)。4月16日(冬小麥抽穗期)，在泰興市進(jìn)行相同定位試驗(yàn)樣點(diǎn)數(shù)據(jù)獲取。在每個(gè)試驗(yàn)樣點(diǎn)田塊中間位置采用梅花對(duì)角線法(或5點(diǎn)采樣法)用GreenSeeker(美國(guó))光譜儀分別測(cè)量冬小麥冠層REFnir和REF，測(cè)量5次，取其平均值作為單個(gè)試驗(yàn)樣點(diǎn)的光譜信息數(shù)據(jù)。在測(cè)量冬小麥冠層光譜信息對(duì)應(yīng)位置，用Sun Scan作物冠層分析儀按照梅花對(duì)角線法測(cè)定每個(gè)試驗(yàn)樣點(diǎn)的葉面積指數(shù)5次，取其平均值作為每個(gè)試驗(yàn)樣點(diǎn)冬小麥葉面積指數(shù)。在測(cè)量冬小麥冠層光譜信息對(duì)應(yīng)位置的每個(gè)試驗(yàn)樣點(diǎn)隨機(jī)選取20個(gè)冬小麥莖蘗裝入編號(hào)袋，在室內(nèi)置于烘箱105 ℃殺青20 min，75 ℃烘干至恒重，稱取重量，并求取試驗(yàn)樣點(diǎn)每個(gè)莖蘗生物量均值，統(tǒng)計(jì)試驗(yàn)樣點(diǎn)每平方尺冬小麥莖蘗數(shù)，利用每個(gè)冬小麥莖蘗生物量均值最終可換算出試驗(yàn)田塊冬小麥AGB。試驗(yàn)區(qū)冬小麥供試品種為蘇麥13、蘇麥18和蘇麥9023，田間管理措施與一般大田相同。

圖1 江蘇省行政邊界和試驗(yàn)樣點(diǎn)分布概況

1.2 植被指數(shù)計(jì)算

利用Green Seeker光譜儀在試驗(yàn)區(qū)樣點(diǎn)測(cè)得冬小麥冠層REF和REF，并計(jì)算NDVI、DVI、RVI、SAVI和OSAVI：

NDVI=(REF-REF)/(REF+REF)

DVI=REF-REF

RVI=REF/REF

SAVI=[(REF-REF)/(REF+REF+S)](1+)

OSAVI=(1+0.16)(REF-REF)/(REF+REF+ 0.16)

式中為土壤調(diào)節(jié)系數(shù)，取值范圍為0～1，當(dāng)=0.5時(shí)可以將綠色植被中土壤變化影響降至最低。

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層和輸出層組成(如圖2所示)，每一層包含很多個(gè)神經(jīng)元。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程分為信號(hào)正向傳播和誤差反向傳播。正向傳播時(shí)，先利用標(biāo)準(zhǔn)歸一化函數(shù)mapminmax對(duì)輸入數(shù)據(jù)和輸出數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)壓縮到(0，1)范圍內(nèi)，然后各層神經(jīng)元按照一定學(xué)習(xí)規(guī)則對(duì)處理后的數(shù)據(jù)進(jìn)行運(yùn)算，經(jīng)過(guò)輸入層傳遞至隱含層再傳遞至輸出層。如果實(shí)際輸出未到達(dá)期望輸出，計(jì)算輸出數(shù)值誤差后，將誤差反向傳播，同時(shí)對(duì)每一層權(quán)值和閾值進(jìn)行調(diào)整，再次對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行運(yùn)算，直到實(shí)際輸出滿足期望輸出后通過(guò)反歸一化處理，將模型估測(cè)數(shù)值輸出。本研究通過(guò)構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)對(duì)冬小麥AGB進(jìn)行估測(cè)。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.4 冬小麥AGB估測(cè)模型建立與驗(yàn)證

沭陽(yáng)縣和大豐區(qū)40個(gè)試驗(yàn)樣點(diǎn)數(shù)據(jù)用于模型建立，泰興市冬小麥拔節(jié)期與抽穗期的各20個(gè)試驗(yàn)樣點(diǎn)數(shù)據(jù)用于模型驗(yàn)證。

在Excel軟件中，分析7個(gè)遙感光譜指標(biāo)(REF、REF、NDVI、DVI、RVI、SAVI、OSAVI)與AGB間相關(guān)關(guān)系，選擇與冬小麥AGB相關(guān)性較好的遙感光譜指標(biāo)作為建立冬小麥AGB估測(cè)模型的輸入變量。在MATLAB軟件中，利用40個(gè)試驗(yàn)樣點(diǎn)冬小麥遙感光譜指標(biāo)、LAI和AGB數(shù)據(jù)分別建立BP神經(jīng)網(wǎng)絡(luò)冬小麥AGB估測(cè)模型(AGB)和多元線性回歸冬小麥AGB估測(cè)模型(AGB)。建模完成后，分別將將泰興市冬小麥拔節(jié)期與抽穗期的各20個(gè)試驗(yàn)區(qū)樣點(diǎn)數(shù)據(jù)輸入AGB和AGB估測(cè)模型計(jì)算冬小麥AGB估測(cè)值。將冬小麥AGB估測(cè)值和對(duì)應(yīng)試驗(yàn)區(qū)樣點(diǎn)實(shí)測(cè)值進(jìn)行線性擬合，根據(jù)、RMSE和ARE對(duì)冬小麥AGB和AGB估測(cè)模型精度進(jìn)行評(píng)價(jià)，值越大，RMSE和ARE值越小，冬小麥AGB估測(cè)模型的估測(cè)精度越高。、RMSE和ARE的計(jì)算公式如下：

2 結(jié)果與分析

2.1 冬小麥AGB實(shí)測(cè)值變異分析

60個(gè)試驗(yàn)樣點(diǎn)冬小麥AGB實(shí)測(cè)值變化范圍為492.5～6 718.1 kg·hm，多數(shù)集中在 2 020.3～3 952.8 kg·hm。大豐區(qū)試驗(yàn)點(diǎn)冬小麥AGB實(shí)測(cè)值平均為2 876.6 kg·hm，相對(duì)于平均值的變異幅度為-76.4%～51.1%。沭陽(yáng)縣試驗(yàn)點(diǎn)冬小麥AGB實(shí)測(cè)值平均為3 037.6 kg·hm，變異幅度為-56.6%～58.3%。泰興市試驗(yàn)點(diǎn)冬小麥AGB實(shí)測(cè)值平均值2 272.8 kg·hm，變異幅度為-78.3%～195.6%。由于受到冬小麥種植密度、病蟲(chóng)害及初始拔節(jié)時(shí)間的影響，部分試驗(yàn)樣點(diǎn)冬小麥AGB實(shí)測(cè)值出現(xiàn)較大波動(dòng)，其中泰興市試驗(yàn)樣點(diǎn)冬小麥AGB實(shí)測(cè)值的變異幅度最大，大豐區(qū)次之，沭陽(yáng)縣最小。

2.2 遙感光譜指標(biāo)與冬小麥生物量之間的關(guān)系

相關(guān)性分析結(jié)果(表1)表明，不同冬小麥遙感光譜指標(biāo)(REF、REF、NDVI、DVI、RVI、SAVI和OSAVI)間及其與AGB間均存在一定的相關(guān)性，且相關(guān)程度有所不同。如REF與NDVI、DVI、RVI、SAVI和OSAVI間均呈負(fù)相關(guān)。REF、NDVI、DVI、RVI、SAVI和OSAVI兩兩之間呈正相關(guān)，其中SAVI與OSAVI間的相關(guān)性最高，相關(guān)系數(shù)為0.98。不同遙感光譜指標(biāo)與AGB間的相關(guān)性均較好，且由強(qiáng)到弱依次為RVI >NDVI>OSAVI>REF>SAVI> DVI>REF；其中，NDVI、RVI和OSAVI與AGB間呈極顯著正相關(guān)，REF、DVI 和SAVI與AGB間呈顯著正相關(guān)，REF與AGB呈顯著負(fù)相關(guān)。綜合以上分析結(jié)果，本研究選擇5個(gè)遙感光譜指標(biāo)(REF、NDVI、RVI、SAVI和OSAVI)作為建立BP神經(jīng)網(wǎng)絡(luò)冬小麥AGB估測(cè)模型和多元線性回歸冬小麥AGB估測(cè)模型的自變量。

圖3 試驗(yàn)樣點(diǎn)冬小麥AGB實(shí)測(cè)值

表1 遙感光譜指標(biāo)與冬小麥AGB之間的相關(guān)系數(shù)

2.3 冬小麥葉面積指數(shù)與AGB之間的關(guān)系

冬小麥LAI是反映冬小麥生群體郁閉程度大小的重要生長(zhǎng)指標(biāo)，與物質(zhì)積累過(guò)程關(guān)系緊密。研究區(qū)冬小麥LAI主要分布在1.3～3.3之間，與AGB間存在明顯相關(guān)性，相關(guān)系數(shù)為0.782，且呈冪函數(shù)關(guān)系(=1 640.9,為0.611)(圖4)。因此，本研究考慮選擇LAI作為冬小麥AGB估測(cè)模型建立的自變量。

圖4 冬小麥LAI與AGB之間的關(guān)系

2.4 冬小麥AGB估測(cè)模型的建立

以LAI及5個(gè)遙感光譜指標(biāo)(REF、NDVI、RVI、SAVI和OSAVI)為自變量，利用沭陽(yáng)縣和大豐區(qū)40個(gè)試驗(yàn)區(qū)樣點(diǎn)數(shù)據(jù)建立多元線性回歸冬小麥AGB估測(cè)模型(AGB)：

AGB=4 068.9REF-67 392.8NDVI+135RVI-85 020.1SAVI+175 980OSAVI+ 592.5LAI-1 206.8

同時(shí)在MATLAB軟件中，利用與線性回歸AGB建模相同的樣點(diǎn)數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)冬小麥AGB估測(cè)模型(AGB)，選擇trainlm、tansig和purelin分別作為BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練函數(shù)、隱含層傳遞函數(shù)及輸出層函數(shù)，并利用提前停止法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，防止出現(xiàn)過(guò)擬合現(xiàn)象。根據(jù)隱含層節(jié)點(diǎn)數(shù)經(jīng)驗(yàn)公式可知，隱含層節(jié)點(diǎn)數(shù)為3～13。AGB模型建立完成后，選擇不同的節(jié)點(diǎn)數(shù)對(duì)試驗(yàn)區(qū)驗(yàn)證樣點(diǎn)冬小麥AGB進(jìn)行估測(cè)(表2)。根據(jù)AGB估測(cè)值和對(duì)應(yīng)AGB實(shí)測(cè)值擬合效果，選擇最大、RMSE最小的節(jié)點(diǎn)數(shù)作為最佳隱含層節(jié)點(diǎn)數(shù)。

由表2可知，在不同隱含層節(jié)點(diǎn)數(shù)建立的冬小麥AGB估測(cè)模型的精度不同。節(jié)點(diǎn)數(shù)為4時(shí)，估測(cè)模型的最大(0.918)，RMSE值最小(582.9 kg·hm)。節(jié)點(diǎn)數(shù)為10時(shí)，估測(cè)模型的最小(0.437)，RMSE最大(1 581.5 kg·hm)。因此，選擇合適的隱含層節(jié)點(diǎn)數(shù)有利于提高估測(cè)模型精度。根據(jù)冬小麥AGB估測(cè)結(jié)果選擇估測(cè)模型的結(jié)構(gòu)為(6，4，1)(6表示6個(gè)輸入變量即REF、NDVI、RVI、SAVI、OSAVI和LAI；4表示模型隱含層節(jié)點(diǎn)數(shù)；1表示模型輸出變量AGB)，選取隱含層節(jié)點(diǎn)數(shù)為4時(shí)估測(cè)模型與其隱含層權(quán)重、偏差分別見(jiàn)表3和表4。

表2 不同隱含層節(jié)點(diǎn)數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)冬小麥AGB的估測(cè)精度

表3 BP神經(jīng)網(wǎng)絡(luò)冬小麥AGB估測(cè)模型

表4 BP神經(jīng)網(wǎng)絡(luò)冬小麥AGB估測(cè)模型的權(quán)重和偏差

2.5 冬小麥AGB估測(cè)模型精度評(píng)價(jià)

利用泰興市冬小麥拔節(jié)期和抽穗期的各20個(gè)試驗(yàn)區(qū)樣點(diǎn)的數(shù)據(jù)，分別對(duì)估測(cè)模型AGB和AGB的精度進(jìn)行驗(yàn)證。泰興市冬小麥拔節(jié)期AGB實(shí)測(cè)值變化范圍為492.5～6 718.1 kg·hm，多數(shù)集中在758.2～5 091.8 kg·hm范圍內(nèi)。兩個(gè)模型AGB和AGBBP對(duì)AGB的估測(cè)值變化范圍分別為622.2～5 064.6和753～5 577.5 kg·hm，多數(shù)分別集中于950.1～3 744.3和763.3～4 148.3 kg·hm范圍(圖5a和圖5b)，模型AGB的估測(cè)值比較接近實(shí)測(cè)值。估測(cè)模型AGB的為0.784，RMSE為871.1 kg·hm，ARE為 32.6%，樣點(diǎn)估測(cè)值多數(shù)分散在1∶1線兩側(cè)。估測(cè)模型AGB的為0.918，RMSE為582.9 kg·hm，ARE為18.4%，樣點(diǎn)估測(cè)值較為均勻的集中在1∶1線兩側(cè)。

泰興市冬小麥拔節(jié)期AGB實(shí)測(cè)值變化范圍為2 067.8～7 919.5 kg·hm，多數(shù)集中于 5 469.1～7 016.0 kg·hm。估測(cè)模型AGB的估測(cè)值較分散，為0.175，RMSE為1 676.7 kg·hm，ARE為33.1%(圖5c)。圖5d中AGB的估測(cè)值離1∶1線較近，為0.545，RMSE為1 140.4 kg·hm，ARE為20.5%(圖5d)。因此，估測(cè)模型AGB的估測(cè)精度也在抽穗期明顯高于估測(cè)模型AGB，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)可以通過(guò)不斷迭代將模型自變量和因變量進(jìn)行非線性擬合，能夠有效提高冬小麥AGB估測(cè)精度。

圖5 冬小麥AGB估測(cè)模型AGBRA(a和c)和AGBBP(b和d)的估測(cè)值和實(shí)測(cè)值比較

3 討 論

目前，有關(guān)遙感估測(cè)冬小麥AGB的研究主要是選擇單個(gè)或幾個(gè)遙感光譜敏感指標(biāo)，利用回歸分析和神經(jīng)網(wǎng)絡(luò)方法建立較為簡(jiǎn)單的回歸模型和神經(jīng)網(wǎng)絡(luò)模型，雖然能夠?qū)值囟←淎GB進(jìn)行估測(cè)，但其在異域的適用性還有待驗(yàn)證與完善。將遙感光譜指標(biāo)和長(zhǎng)勢(shì)指標(biāo)共同作為冬小麥AGB估測(cè)模型自變量，可以降低遙感光譜指標(biāo)對(duì)農(nóng)田土壤背景的敏感性，減小冬小麥AGB估測(cè)模型的誤差。冬小麥生長(zhǎng)需要經(jīng)歷多個(gè)生長(zhǎng)階段，拔節(jié)期是莖稈生長(zhǎng)的重要階段，也是構(gòu)建群體有效莖蘗數(shù)關(guān)鍵期，對(duì)水肥豐缺非常敏感。該階段生物量積累的好壞對(duì)后期穗分化、孕穗、揚(yáng)花乃至灌漿均有較大影響，選擇冬小麥這一關(guān)鍵期進(jìn)行AGB估測(cè)研究，對(duì)于及時(shí)獲取冬小麥生長(zhǎng)動(dòng)態(tài)和輔助生產(chǎn)管理措施調(diào)整頗顯重要。本研究利用冬小麥多個(gè)遙感光譜指標(biāo)與LAI分別建立了冬小麥AGB估測(cè)模型AGB和AGB，并分別對(duì)泰州泰興市冬小麥拔節(jié)期與抽穗期AGB進(jìn)行模型精度驗(yàn)證。冬小麥拔節(jié)期模型AGB的估測(cè)精度為67.4%，模型AGB的估測(cè)精度為81.6%。與冬小麥模型AGB比較，模型AGB的估測(cè)精度提高了 14.2%。冬小麥抽穗期模型AGB的估測(cè)精度為66.9%，模型AGB的估測(cè)精度為 79.5%。與冬小麥模型AGB比較，模型AGB的估測(cè)精度提高了12.6%，說(shuō)明利用BP神經(jīng)網(wǎng)絡(luò)建立的冬小麥AGB估測(cè)模型能夠更有效估測(cè)冬小麥拔節(jié)期和抽穗期AGB。

衛(wèi)星遙感技術(shù)具有及時(shí)、高效和大范圍等監(jiān)測(cè)特點(diǎn)，利用衛(wèi)星遙感影像提取冬小麥遙感光譜指標(biāo)數(shù)據(jù)，結(jié)合冬小麥AGB估測(cè)模型AGB，可以實(shí)現(xiàn)大面積冬小麥AGB估測(cè)，為縣域冬小麥長(zhǎng)勢(shì)監(jiān)測(cè)與產(chǎn)量估算提供有效參考。通過(guò)分析冬小麥AGB衛(wèi)星遙感估測(cè)信息，可快速了解研究區(qū)域冬小麥空間分布與生長(zhǎng)狀況，有針對(duì)性地調(diào)整冬小麥水肥管理措施，進(jìn)而實(shí)現(xiàn)糧食豐產(chǎn)增收。對(duì)冬小麥多個(gè)生長(zhǎng)階段生長(zhǎng)狀況進(jìn)行監(jiān)測(cè)，可以考慮將BP神經(jīng)網(wǎng)絡(luò)方法、多時(shí)期冬小麥遙感光譜指標(biāo)和長(zhǎng)勢(shì)指標(biāo)進(jìn)行綜合分析，進(jìn)一步改進(jìn)或優(yōu)化冬小麥估測(cè)模型AGB，探索冬小麥多個(gè)生長(zhǎng)階段(揚(yáng)花期和灌漿期等)生物量遙感估測(cè)的通用方法。