张 松，冯美臣，杨武德，王 超，孙 慧，贾学勤，武改红

（山西农业大学农学院，山西太谷 030801）

冬小麦是我国主要的粮食作物之一，快速、准确地监测冬小麦产量能够为国家粮食安全提供一定的技术保障[1]。传统的测产方式耗时费力，而高光谱遥感技术为快速、准确地监测作物产量提供了有效的技术途径[2]。曹伟等[3]利用Green Seeker获取的植被指数NDVI和RVI建立了冬小麦产量的预测模型。王爽等[4]研究发现，利用冬小麦灌浆期的归一化植被指数及产量构成因素进行产量预测的结果最好。TENNAKOON等[5]利用遥感数据中多个波段的反射率，建立了水稻估产模型。QUARMAY等[6]利用累积NDVI分别监测了冬小麦、玉米和水稻等作物的产量。王长耀等[7]利用植被指数NDVI和EVI对美国的冬小麦产量进行了预测。

利用高光谱遥感估产主要有3种方法：经验模型法、机理模型法和半机理模型法。其中，经验模型主要是选取能够表现冬小麦长势的高光谱特征参数，建立与冬小麦产量的回归模型，计算简单，模型明了；机理模型法和半机理模型法主要以DSSAT，APSIM，SWAP，WOFOST等[8-11]作物生长模型为基础，结合遥感技术对模型进行优化，该方法适用范围较广，但使用时需要校正相关参数，在极端条件下一些参数的校正会比较困难。

统计模型由于其操作简单，广泛应用于预测冬小麦产量上，但主要是建立单一的植被指数与冬小麦籽粒产量的回归方程，或是基于全生育时期的冬小麦籽粒产量模型。而基于多植被指数或是不同生育时期的冬小麦估产研究较少。

本研究针对不同栽培条件下的冬小麦，采集不同生育时期的冠层光谱数据，建立适合的冬小麦产量监测模型，对比不同生育时期的模型精度，以期为冬小麦产量监测提供一定的理论依据。

1 材料和方法

1.1 试验地概况

试验于山西省太谷县山西农业大学农业部华北黄土高原地区作物栽培与耕地保育科学观测实验站（E112°34′16.96″，N37°25′19.81″）和巨鑫生态园区（E112°29′31.96″，N37°23′40.44″）进行。

1.2 试验材料

本研究共选择7个冬小麦品种，分别为：长4738、京冬 12、晋太 9923、鲁麦 14、济麦 22、京冬 17和6902。供试氮肥为尿素，磷肥为过磷酸钙，钾肥为硫酸钾。

1.3 试验设计

冬小麦不同肥料试验设计如表1所示。

表1 冬小麦不同肥料试验设计

1.4 冬小麦产量测定

冬小麦成熟后，每个小区取1 m2的冬小麦进行产量测定。收获后的冬小麦脱粒、风干后，称其籽粒质量。

1.5 冬小麦冠层光谱测定

本研究采用美国ASD公司的FieldSpec 3光谱仪进行冬小麦冠层光谱测定，在冬小麦拔节期、孕穗期、抽穗期、灌浆期、成熟期5个时期进行冠层光谱的定点采集。每个小区采集15条光谱数据，剔除异常值后，取平均值作为该小区的光谱数据。

1.6 植被指数的选择

在前人研究的基础上，选择与冬小麦产量相关性较大的植被指数，通过相关性分析，选取多个植被指数建立冬小麦产量的预测模型。本研究主要采用的植被指数及其来源列于表2。

表2 植被指数计算公式及来源

1.7 数据分析

利用Excel计算各个生育时期的植被指数及相关性分析，采用SPSS 22对各生育时期的植被指数与冬小麦产量进行回归分析，并建立多元线性方程。利用校正均方根误差（RMSEC）、验证均方根误差（RMSEV）和决定系数（RC2和 RV2）来评价模型。

2 结果与分析

2.1 冬小麦籽粒产量数据分析

将132个样本按照2∶1分为校正集和验证集，其中，校正集样本数为88个，验证集样本数为44个。冬小麦籽粒产量的描述性统计分析结果列于表3。

由表3可知，本研究中冬小麦样本的产量最高为 10 227.00 kg/hm2，最低为 1 063.43 kg/hm2，变异系数为42.68%。表明该样本集具有一定的代表性。

表3 冬小麦籽粒产量的描述性统计分析

2.2 冬小麦籽粒产量和植被指数的相关性分析

由表4可知，在拔节期、孕穗期、抽穗期和灌浆期，本研究所选的所有植被指数与冬小麦籽粒产量均呈极显著相关（P＜0.01），其中，SIPI与冬小麦籽粒产量呈极显著负相关（P＜0.01）；在成熟期，mNDVI与冬小麦籽粒产量没有显著相关（P＞0.05），NDCI，NDI，TVIBL，MCARI1，GREEN-NDVI，REP，mSRI和PPR与冬小麦籽粒产量呈极显著相关（P＜0.01），其中，REP与冬小麦籽粒产量呈极显著负相关（P＜0.01），NDVI705和SIPI与冬小麦籽粒产量呈显著正相关（P＜0.05）。

表4 不同生育时期植被指数与籽粒产量的相关性分析（n＝132）

2.3 冬小麦产量的光谱监测

建立11个植被指数与产量的多元线性回归模型，不同时期的植被指数建立冬小麦籽粒产量监测模型的表现列于表5。

表5 冬小麦产量监测模型的评价

由表5可知，不同生育时期植被指数所建立的冬小麦籽粒产量预测模型效果差异较为明显，其中，孕穗期和抽穗期的模型效果相对较优，校正集RC2分别为0.78和0.77，RMSEC分别为1 131.42和1 015.59，验证集 RV2分别为 0.76 和 0.79，RMSEV分别为1 062.57和1 104.64。拔节期建立的预测模型次之，灌浆期和成熟期植被指数建立的预测模型R2较差，RMSEC和RMSEV均低于拔节期、孕穗期和抽穗期。但从作物生产角度考虑，应选择拔节期监测冬小麦产量。拔节期监测冬小麦产量能够为冬小麦整个生育期提供快速、准确的田间管理决策。

3 讨论与结论

3.1 讨论

粮食产量的监测对于保障国家粮食安全至关重要，冬小麦作为我国主要粮食作物之一，提高冬小麦产量监测的精度具有重要意义。本研究采集不同肥料处理下、不同生育时期的植被指数，通过多元线性方程建立植被指数与冬小麦籽粒产量的预测模型，结果表明，利用拔节期植被指数能够更好的监测冬小麦籽粒产量。

从作物生产角度考虑，植被指数在一定程度上能够反映植株的生长状况，拔节期监测的冬小麦产量能够反映出冬小麦植株氮素营养状况，从而制定相应的水肥施用计划，改善冬小麦长势状况，达到增产增收的目的。

从生育时期考虑，在拔节期由于冬小麦还未封垄，植被覆盖度较低，土壤背景很大程度上影响了冠层光谱，从而影响植被指数的准确性[20]。孕穗期和抽穗期的冬小麦已经封垄，冠层光谱信息几乎全部来自于植株冠层，植被指数能够较好地反映出冬小麦长势。冬小麦在灌浆期由于部分叶片开始发黄，或是病虫害的影响，植被指数不能较好反映植株的长势情况[21]。成熟期的冬小麦叶片完全变黄萎蔫，裸露的土壤对高光谱采集有一定的影响。

多植被指数预测冬小麦籽粒产量比单一的植被指数预测效果要好，是由于多植被指数能够实现对冬小麦长势信息的互补[2]，多植被指数的选择也是影响冬小麦估产精度的重要原因之一，主要选择与冬小麦籽粒产量相关性较大的植被指数，后续研究中应对多植被指数种类及个数的选择做进一步的研究。

3.2 结论

本研究比较了不同生育时期的植被指数监测冬小麦籽粒产量，结果表明，不同时期的多植被指数均能监测冬小麦籽粒产量，从生育时期考虑，孕穗期和抽穗期植被指数的监测效果较优，拔节期的监测效果次之，灌浆期和成熟期的监测效果较差；从作物生产角度考虑，拔节期植被指数能够更好地监测冬小麦籽粒产量。

参考文献：

［1］董飞，党建友，王姣爱，等.播种方式对冬小麦产量构成、品质及水分利用率的影响[J].山西农业科学，2017，45（6）：944-948.

［2］王恺宁，王修信.多植被指数组合的冬小麦遥感估产方法研究[J].干旱区资源与环境，2017，31（7）：44-49.

［3］曹伟，张娜.基于Green Seeker对小麦植被指数与产量形成模型的研究[J].华北农学报，2015，30（Z）：383-389.

［4］王爽，黄冲，孙振宇，等.基于高光谱遥感监测条锈病下的混种小麦产量分析[J].农业工程学报，2010，26（7）：199-204.

［5］ TENNAKOON S B，MURTY V VN，EIUMNOH A.Estimation of cropped area and grain yield of rice using remote sensing data[J].International Journal ofRemote Sensing，1992，13（3）：427-439．

［6］QUARMAY N A，MILNES M，HINDLE T L，et al.The use of multi-temporal NDVI measurement from AVHRR data for crop yield estimation and prediction[J].International Journal of Remote Sensing，1993，14（2）：199-210.

［7］王长耀，林文鹏.基于MODISEVI的冬小麦产量遥感预测研究[J].农业工程学报，2005，21（10）：90-94.

［8］黄健熙，马鸿元，田丽燕，等.基于时间序列LAI和ET同化的冬小麦遥感估产方法比较 [J].农业工程学报，2015，31（4）：197-203.

［9］黄健熙，李昕璐，刘帝佑，等.顺序同化不同时空分辨率LAI的冬小麦估产对比研究[J].农业机械学报，2015，46（1）：240-248.

［10］ PADILLA F L M，MAAS S J，GONZALEZ-DUGO M P，et al．Monitoringregional wheat yield in Southern Spain usingthe GRAMI model and satellite imagery [J].Field Crops Research，2012，130（3）：145-154.

［11］HUANG JIANXI，SEDANO FERNANDO，HUANG YANBO，et al.Assimilatinga synthetic Kalman filter leafarea indexseries intothe WOFOST model to improve regional winter wheat yield estimation[J].Agricultural and Forest Meteorology，2016，216（1）：188-202.

［12］SIMDA，GAMONJ A.Relationships between leafpigment content and spectral reflectance across a wide range of species leaf structures and developmental stages[J].Remote SensingofEnvironment，2002，81（2/3）：331-354.

［13］ MISHRA S，MISHRA D R.Normalized difference chlorophyll index：A novel model for remote estimation of chlorophyll-a concentration in turbid productive waters[J].Remote SensingofEnvironment，2012，117：394-406.

［14］BROGE N H，LEBLANC E.Comparing prediction power and stabilityofbroadband and hyperspectral vegetation indices for estimation ofgreen leafarea indexand canopychlorophyll density[J].Remote SensingofEnvironment，2001，76（2）：156-172.

［15］ HABOUDANE D，MILLER J R，TREMBLAY N，et al.Integrated narrow-band vegetation indices for prediction of cropchlorophyll content for application toprecision agriculture[J].Remote Sensing ofEnvironment，2002，81（2/3）：416-426.

［16］GITELSON A A，MERZLYAK MN.Signature analysis of leaf reflectance spectra：Algorithm development for remote sensing of chlorophyll[J].Journal of Plant Physiology，1996，148（3/4）：494-500.

［17］MISTELE B，SCHMIDHALTER U.Estimating the nitrogen nutrition index using spectral canopy reflectance measurements[J].European Journal ofAgronomy，2008，29（4）：184-190.

［18］ PENUELAS J，BARET F，FILELLA I.Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance[J].Photosynthetica，1995，31：221-230.

［19］METTERNICHT G.Vegetation indices derived from high-resolution airborne videography for precision crop management[J].International Journal ofRemote Sensing，2003，24（14）：2855-2877.

［20］陈晓娜，赵庚星，周雪，等.基于高光谱的小麦冠层叶绿素（SPAD值）估测模型[J].天津农业科学，2018，24（2）：60-65，79.

［21］李冰，黎世民，周磊，等.基于多生育期MODIS-NDVI的区域冬小麦遥感估产研究 [J].河南农业科学，2017，46（6）：150-155.