葛 艷，李存軍，周靜平，胡海棠，陳曉寧，何小安

(1.西安科技大學(xué)測(cè)繪科學(xué)與技術(shù)學(xué)院，陜西西安 710054； 2.北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097)

小麥在我國(guó)廣泛種植，是第二大糧食作物。播期(即播種日期)是小麥產(chǎn)量與品質(zhì)的一個(gè)重要影響因素，適期播種是冬小麥高產(chǎn)優(yōu)質(zhì)的關(guān)鍵。近年來，隨著全球氣候的變暖及種植技術(shù)的發(fā)展，冬小麥適宜播期有所變化，與過去相比總體表現(xiàn)為適當(dāng)?shù)耐七t[1-2]。在不同地區(qū)，因地域復(fù)雜性與種植分散性，冬小麥播期有所不同；在同一地區(qū)不同地塊，受土壤墑情、天氣狀況及人為因素的影響，冬小麥播期亦有所不同。

及時(shí)準(zhǔn)確地獲取區(qū)域作物播期信息有助于農(nóng)業(yè)遙感估產(chǎn)、基于遙感的農(nóng)業(yè)生產(chǎn)管理和病蟲害防治決策等。播期對(duì)冬小麥遙感估產(chǎn)精度的提高至關(guān)重要，是遙感數(shù)據(jù)與作物模型同化的直接輸入?yún)?shù)[3]，是利用生產(chǎn)力模型(如GPP、NPP)對(duì)冬小麥進(jìn)行遙感估產(chǎn)的一個(gè)間接參數(shù)，也是利用遙感數(shù)據(jù)分析區(qū)域作物增產(chǎn)因素、挖掘糧食潛力[4]和作物水分利用效率[5]等的重要輔助信息；播期可協(xié)助農(nóng)業(yè)生產(chǎn)管理，對(duì)播期的盡早監(jiān)測(cè)可在當(dāng)年指導(dǎo)農(nóng)民對(duì)因播期早而易遭凍害的“老弱苗”進(jìn)行重點(diǎn)防控，對(duì)因播期晚而抗逆性差的“晚弱苗”提早肥水管理，來年亦可指導(dǎo)農(nóng)民適時(shí)播種小麥[6]；播期可輔助病蟲害防治決策，播期影響作物種群的消長(zhǎng)及病蟲害的發(fā)生，小麥蚜蟲、赤霉病、紋枯病等的發(fā)生與播種日期的早晚息息相關(guān)[7-8]，播期信息的盡早獲取有助于病蟲害易發(fā)區(qū)早期預(yù)警并針對(duì)性地指導(dǎo)農(nóng)民開展防控措施。

傳統(tǒng)的冬小麥播期監(jiān)測(cè)主要以田間調(diào)查為主，在越冬至返青期這一特定時(shí)間窗口進(jìn)行目視觀測(cè)，以葉片數(shù)量與正常播期葉片數(shù)量的差異及麥苗的大小為依據(jù)人為主觀推斷早播與晚播。該方法雖簡(jiǎn)單易行，但費(fèi)時(shí)耗力，周期長(zhǎng)，覆蓋面小，不易及時(shí)、準(zhǔn)確、客觀地獲取冬小麥播期信息，難以滿足農(nóng)業(yè)管理部門或技術(shù)推廣部門決策管理的需要。不斷發(fā)展的遙感技術(shù)為冬小麥播期的大區(qū)域、低成本監(jiān)測(cè)提供了新的科學(xué)技術(shù)手段,國(guó)內(nèi)外學(xué)者對(duì)此進(jìn)行了探索性研究。當(dāng)前主要利用植被信息強(qiáng)的冬小麥生長(zhǎng)中后期[9-11]和全生育期遙感影像[4,12]開展監(jiān)測(cè)，冬小麥生長(zhǎng)前期的稀疏分布、光譜信息的相對(duì)較弱，給直接利用生長(zhǎng)前期遙感數(shù)據(jù)及時(shí)準(zhǔn)確監(jiān)測(cè)播期帶來了很大挑戰(zhàn)。本文擬對(duì)國(guó)內(nèi)外學(xué)者在該領(lǐng)域開展的一些研究成果進(jìn)行總結(jié)歸納，對(duì)現(xiàn)存研究方法的不足進(jìn)行分析梳理，并對(duì)播期遙感監(jiān)測(cè)的發(fā)展趨勢(shì)進(jìn)行展望。

1 冬小麥播期遙感監(jiān)測(cè)研究進(jìn)展

目前，冬小麥播期遙感監(jiān)測(cè)方法主要是利用全生育期遙感數(shù)據(jù)，基于冬小麥物候監(jiān)測(cè)方法擬合播期和直接利用冬小麥生長(zhǎng)中前期的遙感數(shù)據(jù)進(jìn)行監(jiān)測(cè)。

1.1 利用全生育期遙感數(shù)據(jù)基于冬小麥物候監(jiān)測(cè)方法擬合播期

物候是指植被受氣候、水文、土壤等因素的影響而出現(xiàn)的以年為準(zhǔn)周期的自然現(xiàn)象[13]。近年來，植被物候特征遙感提取技術(shù)已成功應(yīng)用于土地覆蓋的監(jiān)測(cè)、耕地種植制度的判別、作物關(guān)鍵生育期的確定及遙感估產(chǎn)精度的提高[14]等方面。遙感直觀感知冬小麥播期的時(shí)間主要是生長(zhǎng)前期的越冬期和返青期，返青后冬小麥差異體現(xiàn)在群體長(zhǎng)勢(shì)和產(chǎn)量上，物候期差異已不明顯，而待拔節(jié)封壟后，不同播期小麥光譜已無顯著差異，可借鑒植被物候遙感監(jiān)測(cè)方法，通過對(duì)冬小麥關(guān)鍵生育期的確定，間接推斷播期[12]。因此，物候特征遙感提取技術(shù)的發(fā)展為小麥播期遙感監(jiān)測(cè)奠定了基礎(chǔ)。

目前，常用的植被物候遙感監(jiān)測(cè)的數(shù)據(jù)源主要有NOAA/AVHRR[15]、SPOT/VEGETATION[16]、MODIS[17]、Landsat[18]及融合的多源遙感數(shù)據(jù)，如MODIS與Landsat[19-20]。植被物候遙感監(jiān)測(cè)使用的時(shí)間序列植被指數(shù)主要有歸一化差值植被指數(shù)NDVI、增強(qiáng)型植被指數(shù)EVI等，其所反映的植物生長(zhǎng)節(jié)律可用于植物物候期的確定。

利用時(shí)序遙感數(shù)據(jù)提取植被物候期特征的常用方法為閾值法、滑動(dòng)平均法、擬合法等[21-24]。閾值法是利用設(shè)定的閾值提取植被物候期。Justice等[25]采用固定閾值法將植被生長(zhǎng)季起始期對(duì)應(yīng)的NDVI閾值設(shè)為0.099；White等[26]利用動(dòng)態(tài)閾值法將相對(duì)綠度指數(shù)度指數(shù)RGI閾值設(shè)為0.5來提取植被生長(zhǎng)季開始和結(jié)束日期?；瑒?dòng)平均法是利用NDVI時(shí)序曲線與滑動(dòng)平均曲線的交叉來確定植被物候。常守志等[27]利用傅里葉級(jí)數(shù)平滑MODIS-NDVI數(shù)據(jù)，綜合動(dòng)態(tài)閾值法對(duì)農(nóng)田物候進(jìn)行了監(jiān)測(cè)。Reed等平滑AVHRR-NDVI數(shù)據(jù)，提取了農(nóng)作物、森林和草地的返青期和衰老期并計(jì)算了生長(zhǎng)季長(zhǎng)度[28]。擬合法近年來發(fā)展較快，是利用平滑函數(shù)模型對(duì)時(shí)序遙感數(shù)據(jù)進(jìn)行擬合和提取物候信息，主要包括Logistic函數(shù)法、非對(duì)稱高斯函數(shù)法。Zhang等[29]利用MODIS時(shí)序數(shù)據(jù)，采用分段式Logistic函數(shù)分別擬合確定了美國(guó)東北部植被的生長(zhǎng)階段、衰老階段，并計(jì)算了起始期、成熟期、衰落期和休眠期。鹿琳琳等[30]從SPOT/VEGETATION-NDVI時(shí)間序列數(shù)據(jù)中利用雙高斯函數(shù)擬合法提取冬小麥返青期、抽穗期及成熟期，并與TIMESAT軟件提取結(jié)果、實(shí)地物候觀測(cè)結(jié)果進(jìn)行了比較，結(jié)果表明，該法擬合效果更好，提取結(jié)果更符合實(shí)際。

借鑒植被物候監(jiān)測(cè)方法，國(guó)外學(xué)者嘗試?yán)萌谶b感數(shù)據(jù)對(duì)冬小麥播期進(jìn)行擬合。Lobell等[4]2010年利用小麥生長(zhǎng)季多時(shí)相Landsat/ETM+數(shù)據(jù)(包括植被峰值)監(jiān)測(cè)了印度西北部小麥播期，借助所構(gòu)建的播期與產(chǎn)量關(guān)系模型，推斷出當(dāng)?shù)禺?dāng)年適宜播種期為11月10日，與地面觀測(cè)結(jié)果非常接近。Lobell等[12]2013年進(jìn)一步對(duì)印度恒河平原小麥播期開展研究，使用TIMESAT軟件分別擬合2000-2010年MODIS-NDVI、SPOT/VEGETATION-EVI時(shí)序數(shù)據(jù)曲線，提取了小麥的返青期(擬合曲線最小值增長(zhǎng)到整體增幅的10%所對(duì)應(yīng)的時(shí)間點(diǎn))，并利用作物生長(zhǎng)模型CERES-Wheat模擬播期與返青期的關(guān)系，從而間接推算播期。

1.2 直接利用冬小麥生長(zhǎng)中前期的遙感數(shù)據(jù)監(jiān)測(cè)播期

僅利用小麥生長(zhǎng)中前期的遙感數(shù)據(jù)監(jiān)測(cè)播期，國(guó)內(nèi)外學(xué)者對(duì)此進(jìn)行了初步嘗試。

Liu等[9]、劉良云等[10]利用冬小麥返青-拔節(jié)期Landsat/TM-NDVI數(shù)據(jù)提取植被指數(shù)并與播期進(jìn)行統(tǒng)計(jì)相關(guān)分析，結(jié)果表明，拔節(jié)期的NDVI與播期呈負(fù)相關(guān)(R2=0.352 7，n=20),并以此為基礎(chǔ)構(gòu)建了冬小麥遙感估產(chǎn)優(yōu)化模型；Song等[11]選取冬小麥生長(zhǎng)前期(分蘗期至越冬期)一期Landsat TM和兩期HJ-1A/B影像組成多時(shí)相遙感數(shù)據(jù)，對(duì)提取的冬小麥種植區(qū)的NDVI、RDVI、SAVI和DVI指數(shù)分別與播期進(jìn)行相關(guān)分析，基于與播期最相關(guān)原則選擇11月下旬DVI數(shù)據(jù)構(gòu)建了北京地區(qū)冬小麥播期遙感監(jiān)測(cè)模型。李明君等[31]利用作物生長(zhǎng)模型和耦合PROSAIL輻射傳輸模型模擬了冬小麥生長(zhǎng)前期冠層光譜并對(duì)播期遙感監(jiān)測(cè)的最佳時(shí)相進(jìn)行了判別。

Vyas等[32]以1 km空間分辨率的INSAT遙感數(shù)據(jù)為數(shù)據(jù)源構(gòu)建9月1日至12月31日的NDVI時(shí)序曲線，將其呈現(xiàn)持續(xù)正斜率的最小NDVI值所對(duì)應(yīng)的時(shí)間點(diǎn)定義為衛(wèi)星最早能探測(cè)的小麥生長(zhǎng)時(shí)間，使用閾值法提取該時(shí)間點(diǎn)，并利用差值法間接推斷了播期。由于生長(zhǎng)前期的小麥植被光譜信息較弱，Marinho等使用MODIS數(shù)據(jù)，借鑒Pekel等[33]報(bào)道的荒漠稀疏植被遙感監(jiān)測(cè)方法，對(duì)MIR、NIR和R波段進(jìn)行RGB合成，并進(jìn)行色彩空間變換提取色調(diào)H,利用構(gòu)建的H-NDVI二維空間實(shí)現(xiàn)了弱光譜信息的冬小麥種植區(qū)自動(dòng)準(zhǔn)確提取及生長(zhǎng)起始時(shí)間的監(jiān)測(cè)，并以村為單位，通過概率分析間接推斷出播期[34]。

2 現(xiàn)存問題分析

近年來國(guó)內(nèi)外學(xué)者主要集中于運(yùn)用多光譜數(shù)據(jù)對(duì)冬小麥播期遙感監(jiān)測(cè)方法開展研究，并取得了一定的成果，但現(xiàn)存的方法都存在一定的不足。

2.1 基于物候方法擬合播期受冬小麥物候提取結(jié)果的影響大

基于植被物候方法的播期監(jiān)測(cè)，受植被物候遙感監(jiān)測(cè)結(jié)果影響大。冬小麥物候遙感監(jiān)測(cè)結(jié)果的準(zhǔn)確性受多種因素的影響，如使用的遙感數(shù)據(jù)、采用的預(yù)處理方法及遙感物候識(shí)別方法等。

基于遙感技術(shù)的冬小麥物候監(jiān)測(cè)使用的MODIS、SPOT/ VEGETATION等衛(wèi)星傳感器數(shù)據(jù)的時(shí)間分辨率較高，但空間分辨率較低，難以在田塊尺度上開展播期遙感監(jiān)測(cè)，且在多種植被類型混合情況下較難準(zhǔn)確識(shí)別冬小麥種植區(qū)，難以對(duì)冬小麥的物候期進(jìn)行準(zhǔn)確提取；為構(gòu)建時(shí)間上一致、空間上可比的植被指數(shù)數(shù)據(jù)集，通常對(duì)收集的時(shí)序遙感數(shù)據(jù)進(jìn)行幾何校正、輻射定標(biāo)和大氣校正等常規(guī)預(yù)處理，但較少針對(duì)性地對(duì)植被波段數(shù)據(jù)作BRDF的大氣校正，而對(duì)植被指數(shù)時(shí)序數(shù)據(jù)去噪重建時(shí)，如何根據(jù)研究區(qū)域選擇合適的算法仍需深入探究。冬小麥物候遙感識(shí)別方法中，閾值法閾值設(shè)置的合理準(zhǔn)確與否受時(shí)間、地域及人為經(jīng)驗(yàn)等因素的約束；滑動(dòng)平均法精度相對(duì)較高，能較穩(wěn)定、可靠地對(duì)一年一生長(zhǎng)季的植被指數(shù)時(shí)序數(shù)據(jù)進(jìn)行計(jì)算，但對(duì)時(shí)間間隔的選擇、滑動(dòng)窗口的設(shè)置較為敏感[35]。擬合法在使用上較為靈活，易受函數(shù)初始值和影像時(shí)間分辨率影響，函數(shù)擬合精度影響物候特征提取精度[36]。因此，冬小麥物候遙感監(jiān)測(cè)方法存在的諸多難題，在很大程度上會(huì)制約基于物候監(jiān)測(cè)方法的播期遙感監(jiān)測(cè)結(jié)果精度的提高。

2.2 基于全生育期遙感數(shù)據(jù)監(jiān)測(cè)冬小麥播期的時(shí)間滯后

農(nóng)業(yè)遙感、生產(chǎn)管理和病蟲害防治等對(duì)在冬小麥生長(zhǎng)前期盡早獲取區(qū)域播期信息有強(qiáng)烈要求，而基于植被物候方法的播期監(jiān)測(cè)雖可為農(nóng)業(yè)物候和作物關(guān)鍵期遙感監(jiān)測(cè)提供便利，但需冬小麥全生育期遙感數(shù)據(jù)(至少包括小麥生育量頂峰時(shí)期植被光譜信號(hào)最大的數(shù)據(jù))，對(duì)盡早監(jiān)測(cè)區(qū)域播期來說，當(dāng)季冬小麥處于生長(zhǎng)前期時(shí)尚無后期遙感數(shù)據(jù)，待冬小麥生育期結(jié)束后開展播期監(jiān)測(cè)屬事后監(jiān)測(cè)，其結(jié)果不具備時(shí)效性，無法為提高小麥產(chǎn)量而進(jìn)行科學(xué)決策提供理論指導(dǎo)，播期遙感監(jiān)測(cè)的現(xiàn)實(shí)意義無法體現(xiàn)，因而不能滿足對(duì)播期提前監(jiān)測(cè)的要求。

2.3 基于前期遙感數(shù)據(jù)監(jiān)測(cè)冬小麥播期精度有待提高

冬小麥在經(jīng)歷越冬期生長(zhǎng)的基本停止后，到第二年春天，隨著氣溫的回升開始迅速生長(zhǎng)，LAI急劇升高，植被覆蓋度逐漸增大直至完全覆蓋地表，致使不同播期光譜可分性隨之降低，甚至無法對(duì)播期信息進(jìn)行區(qū)分。因此，對(duì)冬小麥播期光譜信號(hào)的感知與區(qū)分主要集中在越冬前期至返青期，且這一時(shí)期是基于生物學(xué)表觀特征直接區(qū)分不同播期的唯一時(shí)間窗口。但冬小麥生長(zhǎng)前期植被分布稀疏，覆蓋度較小，光譜信號(hào)較弱，受植被豐度和土壤顏色、水分含量等土壤背景因素的干擾較大。要利用遙感的手段在冬小麥生長(zhǎng)前期實(shí)現(xiàn)大面積、準(zhǔn)確的播期監(jiān)測(cè)，選擇生育期內(nèi)哪一時(shí)相的遙感數(shù)據(jù)對(duì)應(yīng)的不同播期光譜信息可分性相對(duì)更好，選擇何種光譜指數(shù)與播期構(gòu)建何種定量關(guān)系可取得更為理想的監(jiān)測(cè)效果，當(dāng)前尚較少對(duì)此開展深入研究。

2.4 播期遙感監(jiān)測(cè)結(jié)果的農(nóng)學(xué)機(jī)理性支持及與生產(chǎn)應(yīng)用的結(jié)合有待加強(qiáng)

一方面，現(xiàn)有播期遙感監(jiān)測(cè)方法需要加強(qiáng)農(nóng)學(xué)機(jī)理性支持和解釋。冬小麥播期是否合適，其確定的農(nóng)學(xué)依據(jù)是冬前苗情是否健壯和越冬期是否安全，不同生態(tài)型冬小麥品種對(duì)播期的適應(yīng)性有差別。一般情況下，冬小麥品種對(duì)播期有一定適應(yīng)性，晚播時(shí)可以通過加大播量增加群體密度獲得較高的穗數(shù)和產(chǎn)量，即使播期差異很大，但返青后冬小麥差異并不大，生長(zhǎng)前期長(zhǎng)勢(shì)差異較大是主要表現(xiàn)，從而不同播期冬小麥冠層光譜存在可分性，應(yīng)綜合農(nóng)學(xué)機(jī)理和遙感機(jī)制研究播期遙感監(jiān)測(cè)方法和提高監(jiān)測(cè)精度。另一方面，播期遙感監(jiān)測(cè)應(yīng)提高生產(chǎn)應(yīng)用，在生長(zhǎng)中前期及時(shí)獲取區(qū)域小麥播期信息，從而為越冬期水肥管理和病蟲害預(yù)警提供支撐。

3 發(fā)展趨勢(shì)展望

對(duì)于利用遙感技術(shù)實(shí)現(xiàn)冬小麥播期的監(jiān)測(cè)，近年來已得到一定發(fā)展。盡管如此，現(xiàn)存的冬小麥播期遙感監(jiān)測(cè)方法面臨監(jiān)測(cè)精度不高、監(jiān)測(cè)時(shí)間滯后等不足，需從以下幾方面深化研究。

3.1 高時(shí)空分辨率遙感數(shù)據(jù)的利用

隨著航天遙感平臺(tái)與傳感器的改進(jìn)，一批新型短重訪周期、高時(shí)空分辨率遙感數(shù)據(jù)經(jīng)歷從無到有且日益豐富，為播期遙感監(jiān)測(cè)的發(fā)展提供了新的機(jī)遇。

田塊尺度冬小麥播期遙感監(jiān)測(cè)的開展對(duì)遙感數(shù)據(jù)的獲取時(shí)間、包含的波段及空間分辨率都有一定的要求[37]。國(guó)內(nèi)環(huán)境與災(zāi)害監(jiān)測(cè)預(yù)報(bào)小衛(wèi)星(HJ-1)、高分衛(wèi)星(GF)、資源衛(wèi)星(ZY-1 02C、ZY-3)等的發(fā)射可提供米級(jí)、亞米級(jí)高時(shí)空分辨率數(shù)據(jù)，國(guó)外分發(fā)的WorldView衛(wèi)星還可提供專用于作物監(jiān)測(cè)紅邊波段的遙感數(shù)據(jù)，Planet Labs衛(wèi)星星座可實(shí)現(xiàn)超高分辨率衛(wèi)星數(shù)據(jù)的快速獲取。Jain等[38]已嘗試?yán)?014-2015、2015-2016年小麥生長(zhǎng)季多時(shí)相高空間分辨率(2 m)、高時(shí)間分辨率(2周)SkySat小微衛(wèi)星遙感數(shù)據(jù)對(duì)印度比哈爾地區(qū)各地塊冬小麥播期進(jìn)行監(jiān)測(cè)。新數(shù)據(jù)源的增加在為冬小麥播期的盡早監(jiān)測(cè)及精度的改善提供可能的同時(shí)，也為數(shù)據(jù)的合理選擇帶來了挑戰(zhàn)，如何從海量高質(zhì)量遙感數(shù)據(jù)中為獲得播期最佳監(jiān)測(cè)效果選擇合適的數(shù)據(jù)仍需深入研究。

3.2 多尺度傳感器遙感數(shù)據(jù)融合算法的應(yīng)用

目前基于植被物候監(jiān)測(cè)方法的播期監(jiān)測(cè)使用的時(shí)序植被指數(shù)數(shù)據(jù)時(shí)間分辨率高，但空間分辨率低，混合像元的存在使得冬小麥種植區(qū)難以準(zhǔn)確提取，進(jìn)而導(dǎo)致播期監(jiān)測(cè)結(jié)果難以與實(shí)際地塊相匹配。近年來，多尺度傳感器遙感數(shù)據(jù)融合算法的發(fā)展為提高播期監(jiān)測(cè)的精度提供了新的理論依據(jù)[39]。

為了融合MODIS與Landsat/TM數(shù)據(jù)，Gao等發(fā)展了STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)融合算法[40]，生成與MODIS數(shù)據(jù)時(shí)間相對(duì)應(yīng)的模擬Landsat數(shù)據(jù)并成功應(yīng)用于物候監(jiān)測(cè)[41]、森林?jǐn)_動(dòng)監(jiān)測(cè)[42]和土地分類結(jié)果精度的提高[43]。一些學(xué)者對(duì)STARFM算法進(jìn)行了改進(jìn)。鄔明權(quán)等[44]設(shè)計(jì)了STDFA(Spatial and Temporal Data Fusion Model)遙感數(shù)據(jù)時(shí)空融合算法。Huang等[45]提出了SPSTFM(Sparse-representation-based Spatio Temporal Reflectance Fusion Model)基于稀疏表示法的時(shí)空反射率融合模型。Shen等[46]考慮傳感器的差異發(fā)展了時(shí)空融合模型。這些多源多尺度傳感器遙感數(shù)據(jù)融合算法的設(shè)計(jì)和完善，使得具備“雙高”特征的遙感數(shù)據(jù)應(yīng)運(yùn)而生，這將大大促進(jìn)田塊尺度和大區(qū)域冬小麥播期遙感監(jiān)測(cè)精度的提高。

3.3 冬小麥生長(zhǎng)前期不同播期光譜信息的挖掘

非成像高光譜遙感能夠獲取作物冠層或葉片的光譜數(shù)據(jù)，其微小差異可揭示作物生理生化的細(xì)微變化。在同一時(shí)刻，因播期有所差異，冬小麥基本光譜特性總的“峰-谷”形態(tài)變化雖基本相似，但葉的新老、疏密等因素會(huì)導(dǎo)致其生物量、結(jié)構(gòu)、組分發(fā)生變化，從而引起不同播期冬小麥冠層光譜信息的差異。前人主要運(yùn)用多光譜數(shù)據(jù)對(duì)冬小麥播期進(jìn)行遙感監(jiān)測(cè)，對(duì)不同播期冬小麥冠層生長(zhǎng)前期的光譜分布規(guī)律及差異的研究則較少。遙感圖像是對(duì)地物種類及其組合方式的瞬時(shí)反映。通過獲取并分析冬小麥生長(zhǎng)前期不同時(shí)相地面高分辨率光譜數(shù)據(jù)，選擇不同播期光譜信息差異最大的時(shí)相，將為播期監(jiān)測(cè)數(shù)據(jù)優(yōu)選提供參考和依據(jù)。植被反射光譜是對(duì)植被進(jìn)行遙感研究和各種模擬的基礎(chǔ)數(shù)據(jù)，是地面實(shí)驗(yàn)數(shù)據(jù)與遙感影像數(shù)據(jù)的橋梁，將基于地面高光譜數(shù)據(jù)建立的播期遙感估測(cè)模型，應(yīng)用于航空、航天等遙感數(shù)據(jù)中，對(duì)模型的宏觀應(yīng)用價(jià)值進(jìn)行評(píng)價(jià)，綜合分析篩選播期遙感監(jiān)測(cè)效果較好的光譜或模型；同時(shí)，為與衛(wèi)星數(shù)據(jù)對(duì)接，也可將不同播期地面高光譜數(shù)據(jù)根據(jù)影像數(shù)據(jù)的波段響應(yīng)函數(shù)生成寬波段多光譜模擬數(shù)據(jù)，用于冬小麥播期遙感監(jiān)測(cè)時(shí)相及光譜優(yōu)選。因此，為了在冬小麥生長(zhǎng)前期既能實(shí)現(xiàn)播期的盡早監(jiān)測(cè)，又能實(shí)現(xiàn)播期遙感監(jiān)測(cè)精度的提高，亟待利用冬小麥生長(zhǎng)前期地面高光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)的挖掘，對(duì)不同播期冬小麥生長(zhǎng)前期光譜響應(yīng)差異機(jī)制和變化規(guī)律、播期監(jiān)測(cè)最佳時(shí)相及最優(yōu)光譜等開展深入探索，從而為利用航空、航天多光譜數(shù)據(jù)開展播期遙感監(jiān)測(cè)提供參考。

隨著遙感數(shù)據(jù)源來源的擴(kuò)展和質(zhì)量的提升，數(shù)據(jù)處理方法技術(shù)的改進(jìn)，如何將田間實(shí)驗(yàn)觀測(cè)數(shù)據(jù)、模型模擬數(shù)據(jù)與遙感影像數(shù)據(jù)相結(jié)合，通過信息挖掘，以能最大限度反應(yīng)冬小麥播期的最佳時(shí)相與最優(yōu)光譜的判別結(jié)果為基礎(chǔ)，從豐富的數(shù)據(jù)源中挑選合適的遙感數(shù)據(jù)用于冬小麥播期監(jiān)測(cè)，實(shí)現(xiàn)觀測(cè)空間尺度的擴(kuò)展，是未來研究的一大重要內(nèi)容。

3.4 冬小麥生長(zhǎng)前期光譜與上茬作物時(shí)序遙感數(shù)據(jù)的綜合

在農(nóng)業(yè)生產(chǎn)中，受人為因素的影響，上茬作物成熟收獲早，冬小麥可能提前播種；反之，為提高上茬作物產(chǎn)量而對(duì)其晚收獲，則將導(dǎo)致冬小麥晚播，從而造成與上茬作物正常收獲、冬小麥適期播種的時(shí)序變化規(guī)律存在著差異。為了在小麥生長(zhǎng)當(dāng)季盡可能早地利用已有數(shù)據(jù)對(duì)播期實(shí)現(xiàn)遙感監(jiān)測(cè)，雖無法獲取生長(zhǎng)中后期的當(dāng)季冬小麥遙感數(shù)據(jù)，但上茬作物時(shí)序遙感數(shù)據(jù)是可獲取的，上茬作物成熟至冬小麥生長(zhǎng)前期的時(shí)序數(shù)據(jù)在一定程度上可以反映播期的早晚。在對(duì)不同播期的冬小麥生長(zhǎng)前期光譜進(jìn)行深入挖掘優(yōu)選播期監(jiān)測(cè)的最佳時(shí)相和最優(yōu)光譜基礎(chǔ)上，增加上茬作物時(shí)序遙感數(shù)據(jù)實(shí)現(xiàn)播期監(jiān)測(cè)時(shí)間窗口的前移，研究表征冬小麥播期的新型遙感光譜指數(shù)，二者集成建模，可在一定程度上彌補(bǔ)冬小麥生長(zhǎng)前期植被光譜信號(hào)較弱的劣勢(shì)，既能滿足盡早監(jiān)測(cè)的需求，又能在一定程度上提高播期監(jiān)測(cè)的精度，是未來播期遙感監(jiān)測(cè)的重要研究方向。

3.5 遙感數(shù)據(jù)和作物模型同化方法的借鑒

從使用的數(shù)據(jù)源以及遙感監(jiān)測(cè)手段看，遙感數(shù)據(jù)與作物模型的有機(jī)結(jié)合近年來應(yīng)用到作物長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量估測(cè)等方面[47]，是作物播期遙感監(jiān)測(cè)又一重要方法。趙艷霞等[48]以棉花為研究對(duì)象，比較了復(fù)合形演化、模擬退火、微分演化三種同化反演播期效果，并利用MODIS數(shù)據(jù)和COSIM模型選擇復(fù)合型演化同化算法對(duì)新疆北部棉花主產(chǎn)區(qū)的棉花空間分布進(jìn)行制圖。以水稻為研究對(duì)象，Wang等[49]使用環(huán)境星CCD數(shù)據(jù)和RiceGrow生長(zhǎng)模型，采用PSO和SCE-UA同化算法制作了江蘇如皋縣水稻的播期(移栽期)分布圖；De-Bernardis等[50]則利用雙極化雷達(dá)時(shí)序遙感數(shù)據(jù)，分別利用粒子濾波同化算法、擴(kuò)展卡爾曼濾波同化算法對(duì)水稻播期進(jìn)行估算，研究發(fā)現(xiàn)濾波同化算法估算播期精度更高。遙感數(shù)據(jù)與作物模型同化方法監(jiān)測(cè)播期，國(guó)內(nèi)外學(xué)者以棉花、水稻為研究對(duì)象已開展初步研究，為冬小麥播期監(jiān)測(cè)提供了新思路。因冬小麥的生長(zhǎng)規(guī)律有其獨(dú)特性，其植被光譜和生物量具有雙峰特點(diǎn)，如何借鑒遙感數(shù)據(jù)和作物模型同化的方法估算冬小麥播期，是未來研究的新發(fā)展方向。

[1]崔彥生,韓江偉,曹 剛,等.冬前積溫對(duì)河北省中南部麥區(qū)冬小麥適宜播期的影響[J].中國(guó)農(nóng)學(xué)通報(bào),2008,24(7):195.

CUI Y S,HAN J W,CAO G,etal.Effect of per-winter positive accumulated temperature on suitable planting dates of winter wheat in south centre area of Hebei [J].ChineseAgriculturalScienceBulletin,2008,24(7):195.

[2]DING D Y,FENG H,ZHAO Y,etal.Modifying winter wheat sowing date as an adaptation to climate change on the loess plateau [J].AgronomyJournal,2016,108(1):53.

[3]TRIPATHY R,CHAUDHARI K N,MUKHERJEE J,etal.Forecasting wheat yield in Punjab state of India by combining crop simulation model WOFOST and remotely sensed inputs [J].RemoteSensingLetters,2013,4(1):19.

[4]LOBELL D B,ORTIZ-MONASTERIO J I,LEE A S.Satellite evidence for yield growth opportunities in Northwest India [J].FieldCropsResearch,2010,118(1):13.

[5]DUCHEMIN B,FIEUZAL R,RIVERA M A,etal.Impact of sowing date on yield and water use efficiency of wheat analyzed through spatial modeling and FORMOSAT-2 images [J].RemoteSensing,2015,7(5):5951.

[6]DE-BERNARDIS C G,VICENTE-GUIJALBA F,MARTINEZ-MARIN T,etal.Estimation of key dates and stages in rice crops using dual-polarization SAR time series and a particle filtering approach [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2015,8(3):1008.

[7]楊 光,張 英,陳若禮,等.播期和種植密度對(duì)小麥紋枯病發(fā)病程度的影響[J].中國(guó)植保導(dǎo)刊,2007,27(8):17.

YANG G,ZHANG Y,CHENG R L,etal.Effect of sowing data and planting density on disease indexes of wheat sheath blight [J].ChinaPlantProtection,2007,27(8):17.

[8]韓二賓,張?jiān)苹?程登發(fā),等.小麥播種期對(duì)麥蚜及七星瓢蟲的影響[J].植物保護(hù),2012,38(5):147.

HAN E B,ZHANG Y H,CHENG D F,etal.Influences of the wheat sowing time on the quantity of aphids and the population ofCoccinellaseptempunctata[J].PlantProtection,2012,38(5):147.

[9]LIU L,WANG J,SONG X,etal.Study on winter wheat yield estimation model based on NDVI and seedtime [C]//IGARSS,2004:4045.

[10]劉良云,趙春江,王紀(jì)華,等.冬小麥播期的衛(wèi)星遙感及應(yīng)用[J].遙感信息,2005(1):28.

LIU L Y,ZHAO C J,WANG J H,etal.Satellite remote sensing of winter wheat seedtime and its application [J].RemoteSensingInformation,2005(1):28.

[11]SONG X,HUANG W,CUI B,etal.Winter wheat seedtime monitoring through satellite remote sensing data [C]//International Conference on Computer and Computing Technologies in Agriculture.Springer Berlin Heidelberg,2016:362.

[12]LOBELL D B,ORTIZ-MONASTERIO J I,SIBLEY A M,etal.Satellite detection of earlier wheat sowing in India and implications for yield trends [J].AgriculturalSystems,2013,115(2):137.

[13]李正國(guó),唐華俊,楊 鵬,等.植被物候特征的遙感提取與農(nóng)業(yè)應(yīng)用綜述[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃,2012,33(5):20.

LI Z G,TANG H J,YANG P,etal.Progress in remote sensing of vegetation phenology and its application in agriculture [J].ChineseJournalofAgriculturalResourcesandRegionalPlanning,2012,33(5):20.

[14]方修琦,余衛(wèi)紅.物候?qū)θ蜃兣憫?yīng)的研究綜述[J].地球科學(xué)進(jìn)展,2002,17(5):714.

FANG X Q,YU W H.Progress in the studies on the phenological responding to global warming [J].AdvanceinEarthSciences,2002,17(5):714.

[15]MAIGNAN F,BRON F M,BACOUR C,etal.Interannual vegetation phenology estimates from global AVHRR measurements:Comparison with in situ data and applications [J].RemoteSensingofEnvironment,2008,112(2):496.

[16]GUYON D,GUILLOT M,VITASSE Y,etal.Monitoring elevation variations in leaf phenology of deciduous broad leaf forests from SPOT/VEGETATION time-series [J].RemoteSensingofEnvironment,2011,115(2):615.

[17]HMIMINA G,DUFRNE E,PONTAILLER J Y,etal.Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes:An investigation using ground-based NDVI measurements [J].RemoteSensingofEnvironment,2013,132(6):145.

[18]MELAAS E K,FRIEDL M A,ZHU Z.Detecting interannual variation in deciduous broadleaf forest phenology using Landsat TM/ETM+ data [J].RemoteSensingofEnvironment,2013,132:176.

[19]ISAACSON B N,SERBIN S P,TOWNSEND P A.Detection of relative differences in phenology of forest species using Landsat and MODIS [J].LandscapeEcology,2012,27(4):529.

[20]WALKER J J,DE BEURS K M,WYNNE R H.Dryland vegetation phenology across an elevation gradient in Arizona,USA,investigated with fused MODIS and Landsat data [J].RemoteSensingofEnvironment,2014,144(1):85.

[21]夏傳福,李 靜,柳欽火.植被物候遙感監(jiān)測(cè)研究進(jìn)展[J].遙感學(xué)報(bào),2013,17(1):1.

XIA C F,LI J,LIU Q H.Review of advances in vegetation phenology monitoring by remote sensing [J].JournalofRemoteSensing,2013,17(1):1.

[22]陳效逑,王林海.遙感物候?qū)W研究進(jìn)展 [J].地理科學(xué)進(jìn)展,2009,28(1):33.

CHENG X Q,WANG L H.Progress in remote sensing phenological research [J].ProgressinGeography,2009,28(1):33.

[23]武永峰,李茂松,宋吉青.植物物候遙感監(jiān)測(cè)研究進(jìn)展 [J].氣象與環(huán)境學(xué)報(bào),2008,24(3):51.

WU Y F,LI M S,SONG J Q.Advance in vegetation phenology monitoring based on remote sensing [J].JournalofMeteorologyandEnvironment,2008,24(3):51.

[24]張學(xué)霞,葛全勝,鄭景云.遙感技術(shù)在植物物候研究中的應(yīng)用綜述 [J].地球科學(xué)進(jìn)展,2003,18(4):534.

ZHANG X X,GE Q S,ZHENG J Y.Overview on the vegetation phenology using the remote sensing [J].AdvanceinEarthSciences,2003,18(4):534.

[25]JUSTICE C O,TOWNSHEND J R G,HOLBEN B N,etal.Analysis of the phenology of global vegetation using meteorological satellite data [J].InternationalJournalofRemoteSensing,1985,6(8):1271.

[26]WHITE M A,THORNTON P E,RUNNING S W.A continental phenology model for monitoring vegetation responses to interannual climatic variability [J].GlobalBiogeochemicalCycles,1997,11(2):217.

[27]常守志,王宗明,宋開山,等.基于NDVI數(shù)據(jù)的三江平原農(nóng)田物候監(jiān)測(cè)[J].遙感技術(shù)與應(yīng)用,2011,26(1):82.

CHANG S Z,WANG Z M,SONG K S,etal.Monitoring cropland phenology in sanjiang plain based on NDVI data [J].RemoteSensingTechnologyandApplication,2011,26(1):82.

[28]REED B C,BROWN J F,VANDERZEE D,etal.Measuring phenological variability from satellite imagery [J].JournalofVegetationScience,1994,5(5):703.

[29]ZHANG X,FRIEDL M A,SCHAAF C B,etal.Monitoring vegetation phenology using MODIS [J].RemoteSensingofEnvironment,2003,84(3):471.

[30]鹿琳琳,郭華東.基于SPOT/VEGETATION時(shí)間序列的冬小麥物候提取方法[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(6):174.

LU L L,GUO H D.Extraction method of winter wheat phenology from time series of SPOT/VEGETATION data [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2009,25(6):174.

[31]李明君,李存軍,淮賀舉,等.基于模擬光譜數(shù)據(jù)的冬小麥播期遙感監(jiān)測(cè)最佳時(shí)相研究[J].麥類作物學(xué)報(bào),2015,35(8):1148.

LI M J,LI C J,HUAI H J,etal.The best phase selection for monitoring winter wheat sowing time using remote sensing data based on simulated spectral data [J].JournalofTriticeaeCrops,2015,35(8):1148.

[32]VYAS S,NIGAM R,PATEL N K,etal.Extracting regional pattern of wheat sowing dates using multispectral and high temporal observations from Indian geostationary satellite [J].JournaloftheIndianSocietyofRemoteSensing,2013,41(4):855.

[33]PEKEL J F,CECCATO P,VANCUTSEM C,etal.Development and application of multi-temporal colorimetric transformation to monitor vegetation in the desert locust habitat [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2011,4(2):318.

[34]MARINHO E,VANCUTSEM C,FASBENDER D,etal.From remotely sensed vegetation onset to sowing dates:aggregating pixel-level detections into village-level sowing probabilities [J].RemoteSensing,2014,6(11):10947.

[35]HUDSON I L,KEATLEY M R.Phenological Research:Methods for environmental and climate change analysis [M].Germany:Springer,2010:147.

[36]范德芹,趙學(xué)勝,朱文泉,等.植物物候遙感監(jiān)測(cè)精度影響因素研究綜述[J].地理科學(xué)進(jìn)展,2016,35(3):304.

FAN D Q,ZHAO X S,ZHU W Q,etal.Review of influencing factors of accuracy of plant phenology monitoring based on remote sensing data [J].ProgressinGeography,2016,35(3):304.

[37]王紀(jì)華,趙春江,黃文江.農(nóng)業(yè)定量遙感基礎(chǔ)與應(yīng)用[M].北京:科學(xué)出版社,2008:259.

WANG J H,ZHAO C J,HUANG W J,etal.Foundation and application of agricultural quantitative remote sensing [M].Beijing:Science Press,2008:259.

[38]JAIN M,SRIVASTAVA A K,JOON R K,etal.Mapping smallholder wheat yields and sowing dates using micro-satellite data [J].RemoteSensing,2016,8(10):860.

[39]史 舟,梁宗正,楊媛媛,等.農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(2):247.

SHI Z,LIANG Z Z,YANG Y Y,etal.Status and prospect of agricultural remote sensing [J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2015,46(2):247.

[40]GAO F,MASEK J,SCHWALLER M,etal.On the blending of the Landsat and MODIS surface reflectance:Predicting daily Landsat surface reflectance [J].IEEETransactionsonGeoscienceandRemoteSensing,2006,44(8):2207.

[41]WALKER J J,BEURS K M D,WYNNE R H,etal.Evaluation of Landsat and MODIS data fusion products for analysis of dryland forest phenology [J].RemoteSensingofEnvironment,2012,117(1):381.

[42]GAULTON R,HILKER T,WULDER M A,etal.Characterizing stand-replacing disturbance in western Alberta grizzly bear habitat,using a satellite-derived high temporal and spatial resolution change sequence [J].ForestEcologyandManagement,2011,261(4):865.

[43]WATTS J D,POWELL S L,LAWRENCE R L,etal.Improved classification of conservation tillage adoption using high temporal and synthetic satellite imagery [J].RemoteSensingofEnvironment,2011,115(1):66.

[44]鄔明權(quán),王 潔,牛 錚,等.融合MODIS與Landsat數(shù)據(jù)生成高時(shí)間分辨率Landsat數(shù)據(jù)[J].紅外與毫米波學(xué)報(bào),2012,31(1):80.

WU M Q,WANG J,NIU Z,etal.A model for spatial and temporal data fusion [J].JournalofInfraredMillimeterWaves,2012,31(1):80.

[45]HUANG B,SONG H.Spatiotemporal reflectance fusion via sparse representation [J].IEEETransactionsonGeoscienceandRemoteSensing,2012,50(10):3707.

[46]SHEN H,WU P,LIU Y,etal.A spatial and temporal reflectance fusion model considering sensor observation differences [J].InternationalJournalofRemoteSensing,2013,34(12):4367.

[47]RUI L I,LI C,DONG Y,etal.Assimilation of remote sensing and crop model for LAI estimation based on ensemble Kaiman Filter [J].AgriculturalSciencesinChina,2011,10(10):1595.

[48]趙艷霞,秦 軍,周秀驥.遙感信息與棉花模型結(jié)合反演模型初始值和參數(shù)的方法研究[J].棉花學(xué)報(bào),2005,17(5):280.

ZHAO Y X,QIN J,ZHOU X J.Study on combinations of remote sensing and cotton model to retrieve initial inputs and parameters [J].CottonScience,2005,17(5):280.

[49]WANG H,ZHU Y,LI W,etal.Integrating remotely sensed leaf area index and leaf nitrogen accumulation with RiceGrow model based on particle swarm optimization algorithm for rice grain yield assessment [J].JournalofAppliedRemoteSensing,2014,8(1):083674.

[50]DE-BERNARDIS C G,VICENTE-GUIJALBA F,MARTINEZ-MARIN T,etal.Estimation of key dates and stages in rice crops using dual-polarization SAR time series and a particle filtering approach [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2015,8(3):1008.