彭田田 范燕敏 武紅旗 呂昱 賀夢婕 皇甫蓓炯

摘要：探究農(nóng)作物產(chǎn)量遙感估測模型年際尺度的適用性，可為快速估產(chǎn)提供參考依據(jù)。以新疆維吾爾自治區(qū)奇臺縣為研究區(qū)，利用Landsat8 OLI遙感影像提取的玉米不同生育期植被指數(shù)，結(jié)合2016年、2017年、2016—2017年實地調(diào)查的玉米地塊的產(chǎn)量信息作回歸分析，建立基于縣域的產(chǎn)量模型，討論估產(chǎn)的最佳生育期，比較不同植被指數(shù)、不同回歸模型的估產(chǎn)精度，最后再根據(jù)2018年的產(chǎn)量信息對各模型進行精度驗證，探究不同模型年際尺度的適用性。結(jié)果表明，乳熟期的歸一化植被指數(shù)（NDVI）與產(chǎn)量之間的相關(guān)性最高，相關(guān)系數(shù)為0.751，達(dá)到極顯著水平（P<0.01）;構(gòu)建年際尺度的NDVI、作物氮反應(yīng)指數(shù)（NRI）、增強歸一化植被指數(shù)（ENDVI）與玉米單產(chǎn)的逐步回歸模型預(yù)測R2達(dá)到0.727 1?；诓煌觌H尺度的遙感數(shù)據(jù)建立的模型進行產(chǎn)量預(yù)測具有一定的可行性。

關(guān)鍵詞：遙感;年際尺度;生育期;植被指數(shù);估產(chǎn)模型

中圖分類號： TP79;S127 ?文獻(xiàn)標(biāo)志碼： A ?文章編號：1002-1302（2020）23-0214-06

農(nóng)業(yè)是人類一切生產(chǎn)的首要條件。然而根據(jù)聯(lián)合國糧農(nóng)組織（FAO）的數(shù)據(jù)，到2050年，全球糧食產(chǎn)量須要增加70%，才能滿足日益增長的全球需求[1]，農(nóng)業(yè)在21世紀(jì)面臨重大挑戰(zhàn)。全球、國家和區(qū)域規(guī)模的及時、準(zhǔn)確的作物產(chǎn)量信息在農(nóng)業(yè)和形成糧食安全決策等一系列方面有極為重要的作用[2]。隨著科技的發(fā)展，信息技術(shù)被廣泛應(yīng)用于農(nóng)業(yè)生產(chǎn)[3]。特別是從地球觀測（EO）衛(wèi)星問世以來，人們認(rèn)識到遙感技術(shù)在農(nóng)業(yè)監(jiān)測方面具有獨特的優(yōu)勢[4]。

近年來，遙感技術(shù)發(fā)展突飛猛進，并出現(xiàn)在農(nóng)業(yè)生產(chǎn)研究中，這奠定了遙感估產(chǎn)的技術(shù)基礎(chǔ)[5]。遙感估產(chǎn)是基于綠色作物對光譜的反射特征，利用植被指數(shù)來反演作物的生長信息，并建立生長信息與產(chǎn)量間的關(guān)系來獲取作物的產(chǎn)量。植被指數(shù)是對地表植被狀況簡單、有效和經(jīng)驗的度量，已廣泛用來定性和定量評價植被覆蓋情況及其生長活力。國內(nèi)外許多學(xué)者利用植被指數(shù)進行了作物估產(chǎn)的研究，并取得了較好的成果[6-10]。最常用的遙感估產(chǎn)方法是統(tǒng)計模型法，它具有操作實施簡單靈活、計算簡便的優(yōu)點[11]。如任建強等利用中分辨率成像光譜儀（MODIS）-歸一化植被指數(shù)（NDVI）時序數(shù)據(jù)建立了美國大尺度范圍的玉米估產(chǎn)模型，相對誤差僅為2.12%[12];劉珊珊等利用Pearson相關(guān)系數(shù)選取與水田相對應(yīng)的NDVI時間序列，并建立了5種不同函數(shù)關(guān)系的水稻估產(chǎn)模型[13];王雅鑫等通過天津市靜海縣的冬小麥的NDVI、綠度指數(shù)（GDVI）等植被指數(shù)對產(chǎn)量進行了預(yù)測[14];歐陽玲等利用多源多時相遙感影像，綜合植被光譜的9種指數(shù)和地面采樣數(shù)據(jù)，開展了作物種植結(jié)構(gòu)監(jiān)測研究[15];安秦等利用MODIS數(shù)據(jù)比值植被指數(shù)（RVI）開展了吉林省德惠市玉米估產(chǎn)研究[16];劉紅超等通過關(guān)鍵生育期的MODIS植被指數(shù)NDVI和增強型植被指數(shù)（EVI）累計值，建立了冬小麥產(chǎn)量預(yù)測模型[17];孟令華通過Landsat 5 TM與Landsat 7 ETM影像，構(gòu)建了時間序列植被指數(shù)曲線，確立了棉花估產(chǎn)的最佳時相和估產(chǎn)因子[18]。閆昱光研究了機載多光譜相機拍攝的拔節(jié)期水稻冠層圖像植被指數(shù)和生長參數(shù)特征與水稻產(chǎn)量間的關(guān)系，并利用局部加權(quán)線性回歸算法與分位數(shù)回歸算法分別進行了水稻估產(chǎn)建模的研究與嘗試[19];張長城等通過采用GF-1遙感衛(wèi)星影像和MODIS-NDVI產(chǎn)品，針對禹城市夏玉米建立了基于環(huán)境產(chǎn)量模型和生物量模型的2種估產(chǎn)模型[20]。

估產(chǎn)模型有氣象模型、凈初級第一生產(chǎn)力模型，還有遙感植被指數(shù)模型，由于遙感的快速發(fā)展，遙感數(shù)據(jù)源越來越多，基于植被指數(shù)的估產(chǎn)模型由于其靈活、易于實現(xiàn)、估測精度高等特點，使得農(nóng)作物遙感估產(chǎn)越來越普遍。大多數(shù)遙感估產(chǎn)利用各種植被指數(shù)進行反演得到單一年限的作物產(chǎn)量估測模型，忽略了氣候等因素年際間的波動會導(dǎo)致估產(chǎn)模型的不穩(wěn)定。玉米是世界上重要的糧食作物，玉米產(chǎn)量占我國糧食總產(chǎn)量的40%。災(zāi)害、糧食產(chǎn)量損失的預(yù)測對國計民生、國家的長治久安具有重要意義。奇臺縣是新疆的玉米種植大縣之一，本研究利用2016—2018年玉米實際產(chǎn)量數(shù)據(jù)與玉米關(guān)鍵生育期Landsat 8 OLI影像數(shù)據(jù)提取的7種植被指數(shù)建立估產(chǎn)模型，通過不同生育期模型的決定系數(shù)和擬合程度，確定玉米的最佳估產(chǎn)生育期、最優(yōu)估產(chǎn)植被指數(shù)、最佳估產(chǎn)回歸模型，評價奇臺縣玉米估產(chǎn)模型在不同年際尺度上的穩(wěn)定性。以期建立一種穩(wěn)定、準(zhǔn)確、簡便、快速的玉米遙感估產(chǎn)模型，為農(nóng)業(yè)決策提供快捷、準(zhǔn)確的數(shù)據(jù)支撐，也為建設(shè)我國的農(nóng)業(yè)信息化道路提供輔助信息。

1 材料與方法

1.1 研究區(qū)概況

奇臺縣位于新疆維吾爾自治區(qū)東北部，天山北麓，準(zhǔn)噶爾盆地東南緣，縣城西距烏魯木齊市 195 km，是新疆昌吉州的邊境縣。地跨89.208°～91.375°E，43.409°～45.487°N，地理環(huán)境獨特，地形地貌復(fù)雜多變，南依天山，北部是北塔山。地勢南北高，中間低。有高山、丘陵、平原、沙漠等多種地貌?？h域總面積為16 664.596 km2，轄7縣8鄉(xiāng)，屬中溫帶大陸性半荒漠干旱性氣候，海拔為506～4 104 m，年平均無霜期為153 d，年平均氣溫為 5.5 ℃ 左右，多年平均降水量為269.4 mm。光照充足，適宜多種作物生長。

奇臺縣土地肥沃，是農(nóng)牧生產(chǎn)的黃金地帶，適宜小麥、玉米、黃芪、葫蘆、葵花等作物的生長，是新疆著名的小麥、玉米生產(chǎn)基地，也是國家重要的商品糧食生產(chǎn)基地。奇臺縣土地利用類型主要為耕地，面積約13.33萬hm2，其中南部山區(qū)的農(nóng)田依賴降水，俗稱“望天田”，其他農(nóng)田依賴滴灌。奇臺縣光熱資源十分適宜雜交玉米制種，同時也是國家級雜交玉米種子生產(chǎn)基地之一[21]。在正常年份，玉米于4月下旬播種，5月中旬出苗，6月下旬至7月上旬拔節(jié)，7月下旬至8月中旬抽雄，乳熟于8月下旬至9月上旬，成熟于9月中下旬。

1.2 數(shù)據(jù)獲取與處理

1.2.1 遙感數(shù)據(jù)獲取及處理 根據(jù)奇臺縣的氣候條件，7月上旬至9月中上旬對應(yīng)玉米的拔節(jié)期、抽雄期、乳熟期，這3個生育期是與玉米產(chǎn)量最為密切的關(guān)鍵期[15]，因此本研究選用2016—2018年7—9月Landsat8 OLI影像（下載自美國USGS網(wǎng)站http：//glovis.usgs.gov/），幅寬為185 km，重訪周期為 16 d，空間分辨率為30 m，盡量選擇研究區(qū)域無云或少云的高質(zhì)量影像。因奇臺縣最北部為沙漠，中部為玉米主栽區(qū)，最南部為丘陵、山地，不適宜玉米的種植，因此研究區(qū)設(shè)在奇臺縣中部。覆蓋奇臺縣玉米主栽區(qū)的2景影像條帶號分別為141/029、141/030，共獲得2016—2018年覆蓋作物生育期的12期影像數(shù)據(jù)，影像相關(guān)信息見表1。

首先，將不同年份關(guān)鍵生育期的Landsat8 OLI影像進行預(yù)處理，利用ENVI 5.3遙感處理軟件進行大氣輻射校正、 幾何校正、 融合、裁剪、圖像拼接、去云處理和波段計算等操作，其具體參數(shù)設(shè)置見文獻(xiàn)[22]。

1.2.2 實地調(diào)查及矢量數(shù)據(jù) 2019年6月25日至9月26日，開展實地問卷調(diào)查及資料收集，野外調(diào)查時采用奧維地圖記錄調(diào)查樣地的作物類型、生育期、地塊經(jīng)緯度等，共獲取玉米調(diào)查樣地43塊，包括2016年7塊樣地，2017年19塊樣地，2018年17塊樣地。

其他數(shù)據(jù)包括：奇臺縣玉米播種面積以及產(chǎn)量統(tǒng)計數(shù)據(jù)，奇臺縣行政區(qū)劃矢量邊界、農(nóng)作物的物候歷等。

1.2.3 植被指數(shù)計算 在ArcGIS 10.6中將矢量化的樣地結(jié)合植被指數(shù)通過分區(qū)統(tǒng)計得到各樣地植被指數(shù)的均值。最后利用SPSS 17.0進行建模與統(tǒng)計分析。

植被指數(shù)是表征地表植被覆蓋和長勢的參考量，與作物長勢、生物量和產(chǎn)量等有密切關(guān)系。

為了探究不同指數(shù)對估產(chǎn)模型的敏感性能力，歸納國內(nèi)外使用較多的植被特征參數(shù)，在Landsat 8 OLI的11個原始波段反射率中，選取其中4個波段進行7種植被指數(shù)的計算（表2）。

1.3 玉米遙感估產(chǎn)模型的建立

為了評估不同指數(shù)與產(chǎn)量之間的相關(guān)性得到最佳估產(chǎn)生育期，本研究使用皮爾遜相關(guān)系數(shù)度量各指數(shù)與產(chǎn)量之間的相關(guān)性（線性相關(guān)），其變化范圍為-1～1。

為體現(xiàn)遙感估產(chǎn)建模的快捷性、準(zhǔn)確性和易操作性，采用多元逐步回歸分析，挑選出對因變量有顯著影響的自變量，且避免了參數(shù)之間嚴(yán)重的共線性問題。

1.4 精度驗證

通過決定系數(shù)（R2）、調(diào)整決定系數(shù)（R2）（R2adjusted）、均方根誤差（RMSE）、精度（Accuracy）對預(yù)測的精度進行評價。相關(guān)計算公式如下：

R2越接近于1，模型擬合程度越好。由于用R2評價模型擬合的好壞有一定的局限性，即使向模型中增加的變量沒有統(tǒng)計學(xué)意義，R2仍然會增大。因此須要校正，即調(diào)整的決定系數(shù)。調(diào)整的R2增加了對方程中引入自變量的“監(jiān)督”，當(dāng)有統(tǒng)計學(xué)意義的變量進入方程式，可使調(diào)整的R2增大，而當(dāng)無統(tǒng)計學(xué)意義的變量進入方程時，調(diào)整的R2反而減小。因此，調(diào)整的R2是衡量方程優(yōu)劣的重要指標(biāo)。RMSE越小，Accuracy越大，表明模型預(yù)測能力強，穩(wěn)定性好且精度高。

2 結(jié)果與分析

2.1 最佳估產(chǎn)時期的確定

通過分析2016—2018年玉米拔節(jié)期、抽雄期、乳熟期的植被指數(shù)與產(chǎn)量間的相關(guān)性，確定最佳估產(chǎn)時期。

植被指數(shù)隨著作物的生長發(fā)育表現(xiàn)出一定的趨勢。由表3可知，各植被指數(shù)均與產(chǎn)量呈極顯著或顯著正相關(guān)。其中，拔節(jié)期除EVI外，其他植被指數(shù)與產(chǎn)量的相關(guān)系數(shù)在各生育期中均最低，ENDVI、GNDVI、NDVI、OSAVI表現(xiàn)出隨著生育進程的延長相關(guān)系數(shù)逐漸增大，ENDVI、GNDVI、NDVI與產(chǎn)量的相關(guān)性最高，尤以乳熟期的相關(guān)系數(shù)最大，表明乳熟期是利用植被指數(shù)進行估產(chǎn)的最佳時期。

2.2 基于不同年際尺度的玉米估產(chǎn)模型

為了克服不同植被指數(shù)的缺點，選取多種植被指數(shù)，在相關(guān)性分析的基礎(chǔ)上，與實際產(chǎn)量建立多元線性逐步回歸估產(chǎn)模型，將實際產(chǎn)量與估測產(chǎn)量進行對比分析和精度驗證，確定當(dāng)年的最佳估產(chǎn)回歸模型。根據(jù)2016—2017年調(diào)查地塊產(chǎn)量信息和提取的乳熟期的植被指數(shù)，做逐步回歸建立產(chǎn)量模型，并進行驗證，獲得各年度關(guān)鍵生育期的最佳估產(chǎn)模型。

由表4可看出，在基于各年度的最佳估產(chǎn)模型中，精度最低的為2016—2017年的模型，其相關(guān)系數(shù)為0.916，Accuracy為80.110%。最精確的為2016年模型，其RMSE為0.580 t/hm2。其次，在植被指數(shù)方面，不同年度的模型中均有NDVI參與建模，證明NDVI與產(chǎn)量有密切聯(lián)系。另外，ENDVI也參與了建模，表明其與產(chǎn)量之間也有較強的相關(guān)性。

2.3 不同年際尺度估產(chǎn)模型的適用性

由于3個模型的驗證精度均是相對于各自年份而言，所以無法進行模型的比較。本研究使用2018年的數(shù)據(jù)對各個模型進行驗證分析，比較各模型在年際尺度上的適用性。

綜合來看，通過各年際的最佳估產(chǎn)模型對2018年的實際產(chǎn)量進行驗證，從結(jié)果（圖1、圖2、圖3）中可見，2016年的估產(chǎn)模型，驗證r2為0.706 2，估產(chǎn)精度相對較低，與另外2種模型相差較大?；?017年的估產(chǎn)模型和基于2年數(shù)據(jù)建立的估產(chǎn)模型驗證精度較高，其r2分別為0.757 1、0.727 1。

3 討論

3.1 不同生育期植被指數(shù)對玉米估產(chǎn)的影響

養(yǎng)分的積累是作物產(chǎn)量形成的前提與基礎(chǔ)[29]。玉米從抽絲期即開始生殖生長，積累干物質(zhì)和生物量，在9月下旬處于收獲期，營養(yǎng)器官衰弱，作物生長已經(jīng)停滯。韓文霆等研究表明，在進行玉米最佳估產(chǎn)生育期的選擇時，與產(chǎn)量相關(guān)性最大的為乳熟期[30]，本研究對各植被指數(shù)與產(chǎn)量進行相關(guān)性分析，也印證了此觀點。

3.2 不同植被指數(shù)的估產(chǎn)精度

植被指數(shù)受很多條件的影響。韓文霆等在對夏玉米不同植被指數(shù)估產(chǎn)模型研究中發(fā)現(xiàn)，在單生育期估產(chǎn)精度最高的植被指數(shù)為GNDVI，r2為0.72[30];安秦等利用多時相MODIS遙感影像建立了RVI與玉米產(chǎn)量的預(yù)測模型，相關(guān)系數(shù)達(dá)到0.825[16]。NDVI在高植被覆蓋區(qū)易出現(xiàn)飽和情況，對農(nóng)作物的監(jiān)測有著一定的限制作用，本研究中利用多種遙感植被指數(shù)，可從多角度彌補各植被指數(shù)的缺陷。在建立的玉米估產(chǎn)模型中，基于NDVI、ENDVI、NRI的估產(chǎn)模型精度最高，使用的增強型歸一化植被指數(shù)（ENDVI）在玉米的估產(chǎn)研究中表現(xiàn)出了較高的相關(guān)性。由此看出，在玉米估產(chǎn)模型中植被指數(shù)具有地域性。

3.3 玉米估產(chǎn)模型的參數(shù)選取

影響玉米產(chǎn)量的因素有很多，安秦通過玉米的凈初級生產(chǎn)力（NPP）累計值以及玉米的收獲指數(shù)對玉米進行了產(chǎn)量估算研究，證明了基于光能利用率模型的玉米估產(chǎn)在研究區(qū)具有一定的可行性[31];王一博基于多源遙感數(shù)據(jù)以及實地采樣土壤有機質(zhì)數(shù)據(jù)，使用CASA模型，估算玉米種植區(qū)耕地土壤有機質(zhì)含量，結(jié)合NPP積累量與土壤有機質(zhì)數(shù)據(jù)估算了伊通縣玉米面積產(chǎn)量[32]。蔣磊等根據(jù)遙感蒸散發(fā)模型和遙感作物識別結(jié)果獲取河套灌區(qū)玉米生育期日蒸散發(fā)量，選取3種常用水分生產(chǎn)函數(shù)模型，建立玉米估產(chǎn)模型并取得了較好的結(jié)果[33]。以上這些方法均能獲得很好的估產(chǎn)精度，但是數(shù)據(jù)獲取較難，參數(shù)過多，在不同地方使用時還須要調(diào)整參數(shù)。本研究選取Landsat8 OLI遙感影像，采用NDVI、ENDVI、NRI建立玉米估產(chǎn)模型，獲得了較高的估產(chǎn)精度，此方法簡單高效、適用性強，且在作物監(jiān)測方面較為成熟。

3.4 估產(chǎn)模型年際尺度的適用性

本研究利用2016年與2017年玉米乳熟期植被指數(shù)建立的產(chǎn)量模型預(yù)測2018年的產(chǎn)量，預(yù)測r2為0.727 1，說明基于年際尺度的產(chǎn)量模型進行估產(chǎn)具有一定的可行性。

4 結(jié)論

農(nóng)作物遙感估產(chǎn)方法日趨成熟，不僅可以實現(xiàn)大面積的產(chǎn)量估算，而且數(shù)據(jù)獲取簡易、方便、及時、高效[34]。本研究利用Landsat 8 OLI遙感影像和野外調(diào)查數(shù)據(jù)，通過植被指數(shù)與產(chǎn)量的相關(guān)性分析，采用逐步回歸方法構(gòu)建了奇臺縣基于年際尺度玉米產(chǎn)量估算模型。本研究發(fā)現(xiàn)，玉米的乳熟期各植被指數(shù)與產(chǎn)量的相關(guān)性最高，因此乳熟期可以作為估產(chǎn)建模的最佳生育期。其次，利用2016年、2017年、2016—2017年建立的模型，分別對2018年的玉米實際產(chǎn)量進行模型精度驗證，探究模型年際尺度的適用性，結(jié)果顯示各年度最佳模型的預(yù)測r2均達(dá)到0.7以上，特別是基于2016—2017年的整合模型，r2達(dá)到0.727 1，說明基于NDVI、ENDVI、NRI等3種指數(shù)的估產(chǎn)模型在年際尺度上具有一定的適用性。因此，基于最佳實相的年際尺度的玉米估產(chǎn)模型可以快速、有效地評估作物的產(chǎn)量，為農(nóng)業(yè)信息化監(jiān)測和管理提供便捷的途徑。

參考文獻(xiàn)：

[1]FAO. FAO's director-general on how to feed the world in 2050[J]. Population and Development Review，2009，35（4）：837-839.

[2]Franch B，Vermote E F，Skakun S，et al. Remote sensing based yield monitoring：application to winter wheat in United States and Ukraine[J]. International Journal of Applied Earth Observation & Geoinformation，2019，76：112-127.

[3]蘇仁忠. 遙感技術(shù)在農(nóng)業(yè)信息化中的應(yīng)用[J]. 農(nóng)業(yè)工程，2018，8（6）：45-47.

[4]MaCdonald R B. A summary of the history of the development of automated remote sensing for agricultural applications[J]. IEEE Transactions on Geoscience and Remote Sensing，1984，22（6）：473-482.

[5]Wang R Y，Bowling L C，Cherkauer K A. Estimation of the effects of climate variability on crop yield in the Midwest USA[J]. Agricultural and Forest Meteorology，2016，216：141-156.

[6]Bolton D K，F(xiàn)riedl M A. Forecasting crop yield using remotely sensed vegetation indices and crop phenology metrics[J]. Agricultural and Forest Meteorology，2013，173：74-84.

[7]Kogan F，Kussul N，Adamenko T，et al. Winter wheat yield forecasting in Ukraine based on Earth observation，meteorological data and biophysical models[J]. International Journal of Applied Earth Observation and Geoinformation，2013，23：192-203.

[8]Becker-Reshef I，Vermote E，Lindeman M，et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment，2010，114（6）：1312-1323.

[9]Ren J Q，Chen Z X，Zhou Q B，et al. Regional yield estimation for winter wheat with MODIS-NDVI data in Shandong，China[J]. International Journal of Applied Earth Observation and Geoinformation，2008，10（4）：403-413.

[10]Prasad A K，Chai L，Singh R P，et al. Crop yield estimation model for Iowa using remote sensing and surface parameters[J]. International Journal of Applied Earth Observation and Geoinformation，2006，8（1）：26-33.

[11]朱再春，陳聯(lián)裙，張錦水，等. 基于信息擴散和關(guān)鍵期遙感數(shù)據(jù)的冬小麥估產(chǎn)模型[J]. 農(nóng)業(yè)工程學(xué)報，2011，27（2）：187-193.

[12]任建強，陳仲新，周清波，等. MODIS植被指數(shù)的美國玉米單產(chǎn)遙感估測[J]. 遙感學(xué)報，2015，19（4）：568-577.

[13]劉珊珊，牛超杰，邊 琳，等. 基于NDVI的水稻產(chǎn)量遙感估測[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（3）：193-198.

[14]王雅鑫，修麗娜. 基于TM數(shù)據(jù)的天津市靜海縣小麥產(chǎn)量估算研究[J]. 內(nèi)蒙古科技與經(jīng)濟，2018（14）：16-18，21.

[15]歐陽玲，毛德華，王宗明，等. 基于GF-1與Landsat8 OLI影像的作物種植結(jié)構(gòu)與產(chǎn)量分析[J]. 農(nóng)業(yè)工程學(xué)報，2017，33（11）：147-156

[16]安 秦，陳圣波，孫士超. 基于多時相MODIS-RVI的玉米遙感估產(chǎn)研究[J]. 地理空間信息，2018，16（3）：14-16.

[17]劉紅超，梁 燕，張喜旺. 多時相影像的冬小麥種植面積提取及估產(chǎn)[J]. 遙感信息，2017，32（5）：87-92.

[18]孟令華. 基于時間序列遙感影像的棉田估產(chǎn)模型[D]. 哈爾濱：東北農(nóng)業(yè)大學(xué)，2018.

[19]閆昱光. 基于多光譜圖像的水稻估產(chǎn)模型研究[D]. 哈爾濱：東北農(nóng)業(yè)大學(xué)，2019.

[20]張長城，常 軍，王赫彬. 基于環(huán)境產(chǎn)量模型和生物產(chǎn)量模型的禹城市夏玉米遙感估產(chǎn)研究[J]. 綠色科技，2019（6）：189-193.

[21]張 超，金虹杉，劉 哲，等. 基于GF遙感數(shù)據(jù)紋理分析識別制種玉米[J]. 農(nóng)業(yè)工程學(xué)報，2016，32（21）：183-188.

[22]王瀚征. 基于非監(jiān)督分類與決策樹相結(jié)合的 30 m 分辨率土地利用遙感反演研究[D]. 石家莊：河北師范大學(xué)，2016.

[23]Rouse J W，Haas R H，Schell J A. Monitoring the vernal advancement of retrogradation （green wave effect） of natural vegetation[EB/OL]. （1974-03-28）[2020-02-20]. https：//core.ac.uk/download/pdf/42893165.pdf.

[24]Chen P F，Haboudane D，Tremblay N，et al. New spectral indicator assessing the efficiency of crop Nitrogen treatment in corn and wheat[J]. Remote Sensing of Environment，2010，114（9）：1987-1997.

[25]Liu H Q，Huete A R. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Tansactions on Geoscience & Remote Sensing，1995，33（2）：457-465.

[26]Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment，1996，55（2）：95-107.

[27]Penuelas J，Baret F，F(xiàn)ilella I. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance[J]. Photosynthetica，1995，31（2）：221-230.

[28]Bausch W C，Duke H R. Remote sensing of plant nitrogen status in corn[J]. Transactions of the ASAE，1996，39（5）：1869-1875.

[29]華 瑞，李俊華，王立坤，等. 不同滴灌施肥策略對玉米產(chǎn)量、養(yǎng)分吸收及效益的影響[J]. 新疆農(nóng)業(yè)科學(xué)，2016，53（1）：68-76.

[30]韓文霆，彭星碩，張立元，等. 基于多時相無人機遙感植被指數(shù)的夏玉米產(chǎn)量估算[J]. 農(nóng)業(yè)機械學(xué)報，2020，51（1）：148-155.

[31]安 秦. 長春地區(qū)玉米產(chǎn)量遙感估算方法研究[D]. 長春：吉林大學(xué)，2018.

[32]王一博. 基于多源遙感數(shù)據(jù)的伊通縣玉米估產(chǎn)與生長發(fā)育分析[D]. 中國礦業(yè)大學(xué)，2019.

[33]蔣 磊，尚松浩，楊雨亭，等. 基于遙感蒸散發(fā)的區(qū)域作物估產(chǎn)方法[J]. 農(nóng)業(yè)工程學(xué)報，2019，35（14）：90-97.

[34]廖 靖，胡月明，趙 理，等. 結(jié)合數(shù)據(jù)融合算法的光能利用率模型反演水稻地上部生物量[J]. 江蘇農(nóng)業(yè)學(xué)報，2019，35（3）：594-601.劉新宇，陳東雷，張 鑫 ，等. 基于模糊控制算法與4G-LTE的植物工廠遠(yuǎn)程監(jiān)控系統(tǒng)設(shè)計[J]. 江蘇農(nóng)業(yè)科學(xué)，2020，48（23）：220-226.