邵小東，蔣樣明，王 拓，趙輝輝，侯秋強，李利平，杜 鑫，李賢峰，官群榮，石冠偉，童耀民，凡 榮，丁 鵬，李慶偉

基于GLOPEM-CEVSA的煙葉產(chǎn)量遙感監(jiān)測模型研究

邵小東1，蔣樣明2*，王 拓2，趙輝輝2，侯秋強1，李利平2，杜 鑫2，李賢峰1，官群榮1，石冠偉2，童耀民1，凡 榮1，丁 鵬1，李慶偉1

（1.云南省煙草公司紅河州公司，云南 彌勒 652300；2.中國科學院空天信息創(chuàng)新研究院，北京 100094）

為解決傳統(tǒng)煙葉產(chǎn)量遙感監(jiān)測模式依據(jù)因素單一，未考慮不同品種根、莖、葉各部位干物質(zhì)比例等難題，提升監(jiān)測精度，本文基于煙草碳循環(huán)過程及生理生態(tài)學特征，建立GLOPEM-CEVSA煙葉產(chǎn)量遙感監(jiān)測模型，將生態(tài)系統(tǒng)過程模型CEVSA和生產(chǎn)效率模型GLO-PEM耦合，實現(xiàn)煙草碳周轉(zhuǎn)、碳固定、碳分配等碳循環(huán)過程模擬，實現(xiàn)GPP、NPP與煙葉產(chǎn)量估算。結(jié)果表明，成熟期煙草NPP在99%置信級別與煙葉鮮質(zhì)量顯著相關(guān)（=0.94），遙感監(jiān)測模型估算的產(chǎn)量與樣方實測結(jié)果具有較高的符合度（Ⅰ類煙誤差為9.644%，Ⅱ類煙誤差為4.316%，Ⅲ類煙誤差為8.495%），表明該估產(chǎn)模型可以較好地完成煙葉產(chǎn)量估算，研究有助于煙葉制定種植計劃，強化收購管理、宏觀調(diào)控與決策。

煙草；GLOPEM-CEVSA模型；煙葉產(chǎn)量；煙葉產(chǎn)量遙感監(jiān)測；煙草NPP

我國各地區(qū)烤煙移栽面積和產(chǎn)量年際間的波動十分明顯[1]。實時掌握煙葉種植面積、空間分布、生長狀況，精準預(yù)測煙葉產(chǎn)量是煙草種植規(guī)劃與收購的重要依據(jù)。隨著衛(wèi)星遙感技術(shù)的發(fā)展，利用遙感技術(shù)進行農(nóng)作物產(chǎn)量預(yù)測的方法逐漸占據(jù)重要地位。國內(nèi)外學者利用遙感技術(shù)進行作物估產(chǎn)的研究主要集中在水稻、玉米、小麥等作物上[2-6]，在煙草方面的研究較少。劉明芹[7]基于資源三號衛(wèi)星數(shù)據(jù)，應(yīng)用植被指數(shù)與產(chǎn)量的相關(guān)關(guān)系建立了山區(qū)套種煙草產(chǎn)量估測模型，王帥等[8]基于無人機多光譜遙感數(shù)據(jù)，選用5種植被指數(shù)構(gòu)建煙草植被指數(shù)估產(chǎn)模型，符勇等[9]基于雷達數(shù)據(jù)，采用葉面積指數(shù)與適宜性等參數(shù)，構(gòu)建了旺長期、成熟期煙草產(chǎn)量估測模型，賈保順等[10]基于烤煙冠層光譜數(shù)據(jù)發(fā)現(xiàn)與地上鮮生物量相關(guān)性最強的波段為550 nm，相關(guān)性最強的植被指數(shù)為RVI（1050，550）。朱興等[11]發(fā)現(xiàn)煙草產(chǎn)量最重要的影響因子是年降水量，岳旭等[12]研究發(fā)現(xiàn)江西省烤煙產(chǎn)量與平均氣溫、降水量、相對濕度和日照時數(shù)的相關(guān)性存在明顯差異，張慢慢等[13]研究發(fā)現(xiàn)光照、溫度、水分等氣象因素，氮素、鉀素、磷素、微量元素等施肥因素以及品種因素是影響烤煙產(chǎn)量的主要因素，孫延國等[14]基于光溫因素構(gòu)建了煙草生長發(fā)育模型，為明確有效積溫、溫光效應(yīng)等對煙草生長影響提供參考。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)為云南省紅河哈尼族彝族自治州，地處低緯度亞熱帶高原型濕潤季風氣候區(qū)，具有獨特的高原型立體氣候特征。干、雨季節(jié)區(qū)分明顯，每年5—10月為雨季，降雨量占全年降雨量的80%以上，且時空分布極不均勻。海拔2000 m以上的山區(qū)，年平均氣溫16.3 ℃，平均年降雨量2026.5 mm。海拔2000 m以下的山間盆地、河谷地帶，年平均氣溫分別為17.2 ℃、23.4 ℃，平均年降雨量817.2、1688.7 mm（圖1）。立體氣候?qū)煵蓍L勢與煙葉產(chǎn)量具有顯著影響，采用傳統(tǒng)的遙感監(jiān)測模式無法準確實現(xiàn)煙葉產(chǎn)量估算。

1.2 研究方案

GLOPEM-CEVSA煙草估產(chǎn)模型是建立在煙草碳循環(huán)過程及生理生態(tài)學理論基礎(chǔ)上的遙感-過程耦合模型?；诙嘣粗蟹直媛蔬b感衛(wèi)星數(shù)據(jù)、氣象數(shù)據(jù)結(jié)合地面?zhèn)鞲衅鞅O(jiān)測數(shù)據(jù)反演煙草生長過程中的光、溫、水、土等環(huán)境數(shù)據(jù)；應(yīng)用多源高精度遙感衛(wèi)星數(shù)據(jù)監(jiān)測煙田面積、植被指數(shù)、葉面積指數(shù)、植被覆蓋度等。基于煙草光能利用率原理，利用衛(wèi)星遙感反演的煙草光合有效輻射比例FPAR，模擬煙草光合有效輻射APAR，獲得煙草GPP。

圖1 研究區(qū)地理區(qū)位圖（填充色區(qū)為研究范圍）

煙草光合作用固定的碳，一部分通過自養(yǎng)呼吸Ra釋放到大氣中，其余分配到根、莖、葉中。根據(jù)煙草生物量和氣溫、煙草維持性呼吸系數(shù)與溫度的關(guān)系模擬煙草維持性呼吸Rm、生長性呼吸Rg、自養(yǎng)呼吸Ra，構(gòu)建煙草的凈初級生產(chǎn)力NPP估算模型。通過對采集的煙草樣方數(shù)據(jù)進行成分分析，確定煙草根、莖、葉各部位干物質(zhì)量、碳含量，煙葉產(chǎn)量與NPP的相關(guān)關(guān)系，建立基于煙草NPP的煙葉產(chǎn)量估算模型，實現(xiàn)煙葉估產(chǎn)。最后，基于重點示范區(qū)無人機航拍數(shù)據(jù)監(jiān)督識別獲取煙草長勢及估產(chǎn)數(shù)據(jù)，對煙葉估產(chǎn)模型進行驗證與優(yōu)化?？傮w而言，模型以遙感數(shù)據(jù)和氣象數(shù)據(jù)作為驅(qū)動數(shù)據(jù)，將生態(tài)系統(tǒng)過程模型CEVSA和生產(chǎn)效率模型GLO-PEM耦合，實現(xiàn)煙草碳周轉(zhuǎn)、碳固定、碳分配等碳循環(huán)過程的模擬，實現(xiàn)GPP、NPP與煙葉產(chǎn)量估算。技術(shù)方案如圖2所示。

1.3 煙草冠層光譜及農(nóng)藝性狀數(shù)據(jù)采集

2021年7月8日至7月14日（煙草成熟期），在紅河州彌勒市、瀘西縣等選擇各類長勢的煙田樣方20個，樣本60個。應(yīng)用SVC全波段光譜儀采集煙葉冠層光譜數(shù)據(jù)；TYS-3N型葉綠素測定儀采集煙葉冠層葉綠素含量、氮含量、葉面濕度及溫度；尼康D7000相機采集煙葉冠層覆蓋情況照片；鋼卷尺測量煙株高度、煙株間距、壟間距；英衡電子秤測量煙株上部葉、中部葉、下部葉和莖的鮮質(zhì)量等；通過專業(yè)檢驗機構(gòu)檢測獲得總氮、煙堿、總糖、還原糖、鉀、氯、淀粉、磷、硼、鎂、鋅、鈣、鐵等13種物質(zhì)含量；大疆無人機采集樣方及重點示范區(qū)航拍數(shù)據(jù)，作業(yè)范圍約6404 hm2，煙田地塊數(shù)為4318塊，面積為4404.37 hm2。根據(jù)生產(chǎn)統(tǒng)計指標，綜合田間長勢、預(yù)計產(chǎn)量、打頂留葉數(shù)、受災(zāi)情況等因素給出煙葉長勢等級評估。

圖2 研究技術(shù)方案

1.4 煙草冠層覆蓋度遙感監(jiān)測模型建立

對樣方區(qū)數(shù)碼相機采集的影像幾何校正，計算植被綠度指數(shù)（GI=2G-R-B），選擇閾值25二值化，計算煙葉冠層覆蓋度，用于驗證基于航拍的煙葉冠層覆蓋度。

基于樣方及重點示范區(qū)航拍數(shù)據(jù)，計算歸一化植被指數(shù)NDVI，采用植被指數(shù)二分模型公式（1），計算航拍區(qū)煙葉冠層覆蓋度：

基于多源遙感衛(wèi)星數(shù)據(jù)，構(gòu)建煙葉冠層覆蓋度遙感監(jiān)測模型：

1.5 GLOPEM-CEVSA煙草估產(chǎn)模型

煙草葉片和土壤水分狀況對煙草氣孔導(dǎo)度至關(guān)重要，隨著空氣干燥，氣孔逐漸關(guān)閉，煙草生長變慢，空氣相對濕度對煙草生長的影響表示為：

地表氣溫對煙草生長的影響表示為：

煙草氣孔導(dǎo)度會隨著土壤水分的減少而降低，從而影響煙草生長。土壤濕度的影響表示為[18]：

1.5.4 煙葉估產(chǎn) 采用公式11實現(xiàn)煙葉產(chǎn)量與煙草NPP轉(zhuǎn)換：

2 結(jié) 果

2.1 煙草農(nóng)藝性狀特征及與煙葉產(chǎn)量的關(guān)系

基于樣方試驗數(shù)據(jù)，采用統(tǒng)計分析軟件，應(yīng)用compare means均值統(tǒng)計分析、T線性相關(guān)度檢驗及雙變量相關(guān)性分析，獲得煙草農(nóng)藝性狀特征分析結(jié)果（表1）和煙草農(nóng)藝性狀相關(guān)性分析結(jié)果（表2）。

由表1可知，長勢等級從I類到IV類，煙草覆蓋度、NDVI、株高、煙草NPP、地上部分鮮質(zhì)量、煙葉鮮質(zhì)量等依次顯著減少。由表2可知，上述6個參數(shù)在99%置信級別與煙草長勢等級顯著相關(guān)，相關(guān)系數(shù)分別為0.91、0.68、0.79、0.70、0.71、0.63。應(yīng)用本文介紹的多源遙感衛(wèi)星技術(shù)，可以獲得煙草覆蓋度、NDVI、煙草NPP、地上部分生物量、煙葉生物量；應(yīng)用無人機遙感監(jiān)測技術(shù)可獲得株高?？梢曰谶@6個參數(shù)，參考表1設(shè)置Ⅰ類煙、Ⅱ類煙、Ⅲ類煙、Ⅳ類煙長勢評估的閾值，評估煙草長勢。

表1 煙草農(nóng)藝性狀特征統(tǒng)計分析

注：煙葉產(chǎn)量采用煙葉平均干鮮比1∶7.5。Note: Use average dry fresh ratio(1∶7.5) of tobacco leaves to calculate the tobacco yield.

由表2可知，煙草NPP在99%置信級別與煙葉鮮質(zhì)量顯著相關(guān)（相關(guān)性為0.94），基于煙草成熟期的煙葉鮮質(zhì)量，采用煙葉平均干鮮比1∶7.5，可預(yù)估煙葉產(chǎn)量。因此，可以通過反演煙草NPP，應(yīng)用公式（11）估產(chǎn)。

2.2 煙草估產(chǎn)模型參數(shù)

根據(jù)上述參考文獻及試驗研究確定相關(guān)參數(shù)后，煙葉估產(chǎn)模型可表達成：

NPP為煙草移栽后至煙草成熟期的累積煙草凈初級生產(chǎn)力。

2.3 煙草估產(chǎn)模型應(yīng)用

基于2021年4月1日至7月14日的Sentinel2、高分系列衛(wèi)星（GF01、GF06、GF02）、資源衛(wèi)星ZY3B等多源高精度衛(wèi)星數(shù)據(jù)，反演煙區(qū)植被指數(shù)NDVI、葉面積指數(shù)LAI；采用煙草種植面積智能識別模型[22]獲取紅河州煙田面積，針對煙田采用公式（2）反演植被覆蓋度FVC。針對重點示范區(qū)，基于航拍數(shù)據(jù)計算NDVI，采用公式（1）計算煙田FVC。樣方區(qū)根據(jù)煙株高度，上、中、下煙葉數(shù)、煙葉覆蓋度、大田煙草整齊度等因素綜合評估長勢；航拍區(qū)由專業(yè)人員結(jié)合NDVI、FVC、株高結(jié)合視覺效果，評估煙草長勢，共提取4318塊煙田的長勢評估數(shù)據(jù)；紅河州煙區(qū)則基于遙感監(jiān)測獲得NDVI、FVC及煙田面積，結(jié)合表1設(shè)定不同煙葉長勢等級的FVC、NDVI指標范圍，評估煙葉長勢分布，且采用航拍區(qū)監(jiān)督識別結(jié)果進行校正，獲得云南省紅河州2021年煙葉長勢等級空間分布數(shù)據(jù)（圖3）。

表2 煙草農(nóng)藝性狀相關(guān)性分析

注：表中數(shù)值為煙草農(nóng)藝性狀的皮爾遜相關(guān)系數(shù)，**表示在 0.01水平相關(guān)性顯著，*表示在0.05水平相關(guān)性顯著。

Note: The values in the table are Pearson correlation of tobacco agronomic characters, ** indicates significant correlation at the level of 0.01, * indicates significant correlation at the level of 0.05.

基于移栽后至成熟期的煙草NPP，應(yīng)用公式（12）估算2021年紅河州的煙葉產(chǎn)量（圖5）?；跇臃絽^(qū)長勢監(jiān)測、估產(chǎn)結(jié)果與實測數(shù)據(jù)進行相關(guān)性分析與精度評估，結(jié)果顯示估產(chǎn)模型計算結(jié)果與實測煙葉產(chǎn)量在99%置信級別具有強相關(guān)性，相關(guān)系數(shù)為0.95（表2）；Ⅰ類煙評估誤差為9.644%，標準偏差為2.423%；Ⅱ類煙評估誤差為4.316%，標準偏差為4.582%；Ⅲ類煙評估誤差為8.495%，標準偏差為6.304%；Ⅳ類煙評估誤差為38.116%，標準偏差為5.423%（表1）。

圖3 云南省紅河州2021年7月14日煙葉長勢等級監(jiān)測

圖4 云南省紅河州2021年7月14日煙田區(qū)域NPP監(jiān)測

圖5 云南省紅河州2021年煙田產(chǎn)量空間分布監(jiān)測

3 討 論

本文研究發(fā)現(xiàn)在煙草成熟期不同長勢等級的煙草覆蓋度FVC、NDVI、株高、煙草NPP、地上部分鮮質(zhì)量、煙葉鮮質(zhì)量等依次顯著減少，且與煙草長勢等級顯著相關(guān)，相關(guān)系數(shù)分別為0.91、0.68、0.79、0.70、0.71、0.63。應(yīng)用本文介紹的多源遙感衛(wèi)星技術(shù)與無人機遙感監(jiān)測技術(shù)，可以獲得上述6個參數(shù)，參考表1設(shè)置長勢評估參數(shù)閾值，如覆蓋度閾值可設(shè)為（>81，81～71，71～62，<62）。以各參數(shù)與煙草長勢等級相關(guān)系數(shù)為權(quán)重系數(shù)進行歸一化，評估煙草長勢。相對于符勇等[9]、賈保順等[10]主要基于LAI、NDVI進行煙草長勢與估產(chǎn)評估而言，本文融合多源遙感衛(wèi)星數(shù)據(jù)、無人機航拍數(shù)據(jù)，反演的NDVI、FVC等與煙葉長勢顯著相關(guān)的6個關(guān)鍵指標，分析結(jié)果更加精準，且有效表征了煙草生長過程的田間生態(tài)過程。

生態(tài)系統(tǒng)過程模型基于作物生理過程機制，將多種因素對作物生長的影響作為一個整體構(gòu)建模擬系統(tǒng)，定量化反映光照、溫度、水分、土壤、施肥等環(huán)境因素及田間管理措施對作物生長的影響[23]。這些因素同樣顯著影響著煙草的光合作用、呼吸作用以及干物質(zhì)積累[13]。孫延國等[14]基于溫光效應(yīng)構(gòu)建了煙草葉片生長模擬模型，分析了生長時間、有效積溫、溫光效應(yīng)對煙草下、中、上部葉片面積變化的影響。本文梳理了煙草的碳循環(huán)過程及生理生態(tài)學特征，探討了煙草遙感估產(chǎn)機理；綜合考慮了煙草移栽至成熟期的太陽輻射、地表氣溫、土壤水分、降水量、土壤類型等氣候、環(huán)境因素對煙草生長的作用。構(gòu)建的模型以遙感數(shù)據(jù)和氣象數(shù)據(jù)作為驅(qū)動數(shù)據(jù)，將生態(tài)系統(tǒng)過程模型CEVSA和生產(chǎn)效率模型GLO-PEM耦合，基于煙草光利用率模擬煙草GPP；基于煙草呼吸作用與煙草循環(huán)基本原理，模擬煙草NPP；基于煙草根、莖、葉各部位干物質(zhì)量與碳分配，建立煙葉估產(chǎn)模型，結(jié)合煙田面積遙感監(jiān)測數(shù)據(jù)，實現(xiàn)了煙葉產(chǎn)量估算。模型機理解釋性比現(xiàn)有文獻單純基于葉面積指數(shù)、適宜性與產(chǎn)量的相關(guān)性構(gòu)建的估產(chǎn)模型更好；模型估產(chǎn)數(shù)據(jù)與樣方實測數(shù)據(jù)高度相符(Ⅰ、Ⅱ、Ⅲ類煙平均估產(chǎn)精度為95.63%)，比現(xiàn)有文獻的估產(chǎn)精度92%有明顯提高[9]，表明應(yīng)用該估產(chǎn)模型可以較好地完成煙葉產(chǎn)量估算，為制定收購計劃及精準管理提供支持。

施肥對煙草長勢及估產(chǎn)有重要影響，如氮素是決定煙草產(chǎn)量的首要元素，增施氮肥可增大烤煙葉面積系數(shù)，提高光合效率和煙葉產(chǎn)量；鉀素能促進煙葉干物質(zhì)積累，擴大葉面積和增加煙葉厚度，提高煙葉產(chǎn)量；磷素適量時，煙株生長快，葉面積增大，厚度增加，產(chǎn)量提高。本文估產(chǎn)模型沒有考慮施肥的影響，后續(xù)將從施肥方案的角度優(yōu)化煙葉估產(chǎn)模型。

4 結(jié) 論

結(jié)果表明，煙草成熟期Ⅰ類煙、Ⅱ類煙、Ⅲ類煙、Ⅳ類煙的煙草覆蓋度、煙草NDVI、煙草NPP、株高、煙草地上部分生物量、煙葉生物量等具有顯著差異，應(yīng)用上述6種遙感反演參數(shù)，設(shè)置合理的參數(shù)閾值范圍，可以較好地評估煙葉長勢等級。

應(yīng)用GLOPEM-CEVSA煙草估產(chǎn)模型，采用煙草移栽至煙草成熟期的光溫水土（地表溫度、有效積溫、累計太陽輻射、降雨量、土壤濕度等）、煙草光能利用特征（FPAR、PAR、光能利用率等）、煙草生態(tài)表征特征（NDVI、植被覆蓋度FVC等）、結(jié)合煙田面積監(jiān)測數(shù)據(jù)，模擬煙草NPP，在此基礎(chǔ)上計算獲得的煙葉產(chǎn)量與樣方實測煙葉產(chǎn)量高度相符，表明應(yīng)用該估產(chǎn)模型可以較好地完成煙葉產(chǎn)量估算。

[1] 李富欣，許自成，趙建州，等. 河南省烤煙生產(chǎn)波動及其成因分析[J]. 中國煙草學報，2008，14（2）：39-45，49.

LI F X, XU Z C, ZHAO J Z, et al. Analysis of factors influencing flue-cured tobacco production in Henan province[J]. Acta Tabacaria Sinica, 2008, 14(2): 39-45, 49.

[2] 高林，楊貴軍，王寶山，等. 基于無人機遙感影像的大豆葉面積指數(shù)反演研究[J]. 中國生態(tài)農(nóng)業(yè)學報，2015，23（7）：868-876.

GAO L, YANG G J, WANG B S, et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle) remote sensing imagery[J]. Chinese Journal of Eco-Agriculture, 2015, 23(7): 868-876.

[3] 解毅，王鵬新，王蕾，等. 基于作物及遙感同化模型的小麥產(chǎn)量估測[J]. 農(nóng)業(yè)工程學報，2016，32（20）：179-186.

XIE Y, WANG P X, WANG L, et al. Estimation of wheat yield based on crop and remote sensing assimilation models[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(20): 179-186.

[4] 王娟，張杰，張優(yōu)，等. 基于SPOT-5衛(wèi)星影像的水稻信息提取方法研究：以德陽市旌陽區(qū)為例[J]. 西南農(nóng)業(yè)學報，2017，30（4）：861-868.

WANG J, ZHANG J, ZHANG Y, et al. Extraction method research of rice information based on SPOT-5 satellite images: taking Jingyang district, Deyang city, Sichuan province as example[J]. Southwest China Journal of Agricultural Sciences, 2017, 30(4): 861-868.

[5] 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]. 遙感學報，2015，19（4）：568-577.

REN J Q, CHEN Z X, ZHOU Q B, et al. MODIS vegetation index data used for estimating corn yield in USA[J]. Journal of Remote Sensing.Journal of Remote Sensing, 2015, 19(4): 568-577.

[6] 王愷寧，王修信. 多植被指數(shù)組合的冬小麥遙感估產(chǎn)方法研究[J]. 干旱區(qū)資源與環(huán)境，2017，31（7）：44-49.

WANG K N, WANG X X. Research on winter wheat yield estimation with the multiply remote sensing vegetation index combination[J]. Journal of Arid Land Resources and Environment, 2017, 31(7): 44-49.

[7] 劉明芹. 基于資源三號遙感影像的復(fù)雜山區(qū)套種煙草產(chǎn)量估測模型研究[D]. 泰安：山東農(nóng)業(yè)大學，2016：76-80.

LIU M Q. Study on yield estimate model of relay-cropping tobacco in hilly regions based on ZY-3 remote sensing images[D]. Tai’an: Shandong Agricultural University, 2016: 76-80.

[8] 王帥，郭治興，梁雪映，等. 基于無人機多光譜遙感數(shù)據(jù)的煙草植被指數(shù)估產(chǎn)模型研究[J]. 山西農(nóng)業(yè)科學 2021，49（2）：195-203.

WANG S, GUO Z X, LIANG X Y, et al. Study on yield estimation model of tobacco vegetation index based on UAV multi-spectral remote sensing data[J]. Journal of Shanxi Agricultural Sciences, 2021, 49(2): 195-203.

[9] 符勇，周忠發(fā)，賈龍浩，等. 基于SAR技術(shù)的貴州喀斯特山區(qū)煙草估產(chǎn)模型[J]. 湖北農(nóng)業(yè)科學，2014，53（9）：2156-2159.

FU Y, ZHOU Z F, JIA L H, et al. Tobacco yield estimation model in GUIZHOU karst mountain based on the technology of SAR[J]. Hubei Agricultural Sciences, 2014, 53(9): 2156-2159.

[10] 賈保順，馬宇，李鵬，等. 烤煙冠層光譜參數(shù)與地上生物量的相關(guān)性研究[J]. 安徽農(nóng)業(yè)科學，2012，40（2）：652-654.

JIA B S, MA Y, LI P, et al. Study on correlation of aboveground biomass with canopy reflectance spectrum parameters of flue-cured tobacco ()[J]. Journal of Anhui Agri. Sci., 2012, 40(2): 652-654.

[11] 朱興，趙虎. 安徽省煙草產(chǎn)量影響因子的灰色關(guān)聯(lián)分析[J]. 湖北農(nóng)業(yè)科學，2012，51（11）：2242-2244.

ZHU X, ZHAO H. Gray relational analysis of the impact factors of tobacco production in Anhui province[J]. Hubei Agricultural Sciences, 2012, 51(11): 2242-2244.

[12] 岳旭，羅音浩，張正揚，等. 江西省烤煙產(chǎn)量與氣候因子相關(guān)關(guān)系分析[J]. 氣象與減災(zāi)研究，2019，42（3）：236-239.

YUE X, LUO Y H, ZHANG Z Y, et al. Analysis on the relationship between flue-cured tobacco yield and meteorological factors in Jiangxi province[J]. Meteorology and Disaster Reduction Research, 2019, 42(3): 236-239.

[13] 張慢慢，邵惠芳，鄭勁民，等. 烤煙產(chǎn)量的主要影響因素及預(yù)測方法研究進展[J]. 江西農(nóng)業(yè)學報，2014，26（10）：76-80

ZHANG M M, SHAO H F, ZHENG J M, et al. Research advances in main influencing factors and prediction methods for flue-cured tobacco yield [J]. Acta Agriculturae Jiangxi, 2014, 26(10): 76-80.

[14] 孫延國，馬興華，姜濱，等. 煙草溫光特性研究與利用：Ⅱ.氣象因素對山東主栽烤煙品種生長發(fā)育及產(chǎn)質(zhì)量的影響[J]. 中國煙草科學，2020，41（3）：44-52.

SUN Y G, MA X H, JIANG B, et al. Investigation and utilization of temperature and light characteristics of tobacco: Ⅱ. Effects of meteorological factors on growth, development, yield and quality of main varieties in Shandong tobacco-growing areas[J]. Chinese Tobacco Science, 2020, 41(3): 44-52.

[15] ZENG F W, COLLATZ G J, PINZON J E, et al. Evaluating and quantifying the climate-driven inter annual variability in global inventory modeling and mapping studies (GIMMS) normalized difference vegetation index (NDVI3g) at global scales[J]. Remote Sensing, 2013, 5(8): 3918-3950.

[16] 黎微微，胡斯勒圖，陳洪濱，等. 利用MODIS資料計算不同云天條件下的地表太陽輻射[J]. 遙感技術(shù)與應(yīng)用，2017，32（4）：643-650.

LI W W, HUSI L T, CHEN H B, et al. Estimation of surface solar radiation using MODIS satellite data and RSTAR model[J]. Remote Sensing Technology and Application, 2017, 32(4): 643-650.

[17] 王春雨. 基于GLOPEM-CEVSA模型的孟印緬地區(qū)糧食產(chǎn)量差及其影響因素分析[D]. 曲阜：曲阜師范大學，2019.

WANG C Y. Analysis on grain yield difference and its influencing factors in Bangladesh, India and Myanmar based on GLOPEM-CEVSA model [D]. Qufu: Qufu Normal University, 2019.

[18] CAO M K, STEPHEN D P, JENNIFER S, et al. Remotely sensed inter annual variations and trends in terrestrial net primary productivity 1981—2000[J]. Ecosystems, 2004, 7: 233-242.

[19] CHEN J M. Spatial scaling of a remotely sensed surface parameter by contexture-three land atmospheric modeling experiments[J]. Remote Sensing of Environment, 1999, 69(1): 30-42.

[20] 和勛. 初烤煙葉水分管理存在的問題及控制[J]. 中國農(nóng)業(yè)信息，2017（13）：16-18.

HE X. Problems and control of moisture management of flue-cured tobacco leaves [J]. China Agricultural Information, 2017, 13: 16-18.

[21] 徐增漢，肖振杰，馮永新，等. 云煙85不同葉位和不同部位烤后煙葉碳氮含量和碳氮比的差異性研究[J].西南農(nóng)業(yè)學報，2016，29（5）：1161-165.

XU Z H, XIAO Z J, FENG Y X, et al. Differences of carbon content and nitrogen content and carbon and nitrogen ration of Yunyan 85 at different positions[J]. Southwest China Journal of Agricultural Sciences, 2016, 29(5): 1161-165.

[22] 蔣樣明，崔偉宏，董前林. 基于智能生態(tài)細胞的遙感信息提取方法[J]. 紅外，2011，32（8）：18-24.

JIANG Y M, CUI W H, DONG Q L. Remote sensing information extraction method based on smart ecological cells[J]. Infraded, 2011, 32(8): 18-24.

[23] 孫揚越，申雙和. 作物生長模型的應(yīng)用研究進展[J]. 中國農(nóng)業(yè)氣象，2019，40（7）：444-459.

SUN Y Y, SHEN S H. Research progress in application of crop growth models [J]. Chinese Journal of Agrometeorology, 2019, 40(7): 444-459.

Study on Remote Sensing Monitoring Model of Tobacco Yield Based on GLOPEM-CEVSA

SHAO Xiaodong1, JIANG Yangming2*, WANG Tuo2, ZHAO Huihui2, HOU Qiuqiang1, LI Liping2, DU Xin2, LI Xianfeng1, Guan Qunrong1, SHI Guanwei2, TONG Yaomin1, FAN Rong1, DING Peng1, LI Qingwei1

(1. Honghe Prefecture Branch of Yunnan Tobacco Company, Mile, Yunnan 652300, China; 2. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China)

In order to solve the problems of the traditional tobacco yield remote sensing monitoring model, which ignores the proportion of dry matter in different parts of roots, stems and leaves of different varieties. It is difficult to improve the monitoring accuracy. In this study we established a GLOPEM-CEVSA tobacco yield remote sensing monitoring model based on the carbon cycle process and physiological and ecological characteristics of tobacco. By coupling the ecosystem process model CEVSA and the production efficiency model GLO-PEM, carbon cycle processes such as tobacco carbon turnover, carbon fixation and carbon distribution were stimulated, and GPP, NPP and tobacco yield were estemated. The results showed that NPP of tobacco was significant correlated with fresh weight of tobacco leaves in maturation period at the 99% confidence level (correlation was 0.94), and tobacco yield estimated by the monitoring model was in good agreement with the measured data (the error is 9.644% for class I tobacco, 4.316% for class II tobacco and 8.495% for class III tobacco). The results indicated that the tobacco yield remote sensing monitoring model based on GLOPEM-CEVSA can be used for tobacco yield estimation. The results from this study can be helpful in making tobacco planting plan, strengthening purchase management, macro-control and decision-making.

tobacco; GLOPEM-CEVSA model; tobacco yield; tobacco yield remote sensing monitor; tobacco NPP

10.13496/j.issn.1007-5119.2022.06.014

S572

A

1007-5119（2022）06-0095-09

中國煙草總公司云南省公司重點項目（2021530000241030）

邵小東（1980-），男，博士，高級工程師，主要研究方向為智慧煙草農(nóng)業(yè)。E-mail：shaoxiaodong@aliyun.com

，E-mail：jym_wm@126.com

2022-03-29

2022-10-25