1、基于SPOT-5 影像的冬小麥拔節期生物量及氮積累量監測1王備戰 1，2，溫暖 3，（1 山西2農學院，山西太谷 030801；省農業農業經濟與信息中心，鄭州450008；3經濟與管理學院，鄭州 450002）摘 要：【目的】建立基于 SPOT-5 遙感信息的冬小麥拔節期地上部生物量和氮積累量的遙感監測模型，為利用 SPOT-5 影像進行大面積小麥生產力和氮素調控提供依據?！痉椒ā糠治龆←湴喂澠诘厣喜可锪亢偷e累量與同期 SPOT-5 光譜參數之間的定量關系，篩選出適宜的光譜參數，建立并評價冬小麥拔節期地上部生物量和氮積累量的遙感監測模型?！窘Y果】綠光、紅光和近紅外波段反射率與冬小麥拔節期

2、地上部生物量和氮積累量的相關系數均達到極顯著水平。其中，近紅外波段反射率對地上部生物量反應最敏感，綠光波段反射率則對地上部氮積累量反應最敏感。利用歸一化植被指數（NDVI）為變量建立地上部生物量指數函數遙感監測模型表現最優，決定系數（R2）達到 0.696*，均誤差（RMSE）達到 258.92 kg/hm2。利用近紅外和綠光波段反射率的比值為變量建立地上部氮積累量線性函數遙感監測模型表現最優，R2 達到 0.717*，RMSE 達到 19.24 kg/hm2。依據上述模型，制作了 區冬小麥拔節期地上部生物量和氮積累量遙感監測專題圖?！窘Y論】SPOT-5 影像在冬小麥拔節期小麥長勢監測中能夠獲

3、得較高精度，具有廣泛的應用前景。：冬小麥；SPOT-5；拔節期；生物量；氮積累量；監測模型Monitoring Biomass and N Accumulation at Joing Stage inWer Wheat Based on SPOT-5 ImagesWANG Bei-zhan1，FENG Xiao2, WEN Nuan3，Wu-de1(1. College of Agriculture, Shanxi Agriculture University, Taigu 030801, Chain; 2 . Agricultural Economy andInformation Resea

4、rch Center, Henan Academy of Agricultural Scien, Zhengzhou 450008, Chain；3 .College ofEconomics and Management, Henan Agriculturaiversity, Zhengzhou 450002, China)Abstract: 【Objective】Establishing above-ground biomass weight, N accumulation of werwheajoing period monitoring equations based on SPOT-5

5、 images to provide reference forprediction of productivity and nitrogen regulation to the large scale wheat production.【Method】Using SPOT-5 images and test data, the relationships wereyzed betn spectral parameterand above-ground biomass weight, N accumulation of wer wheajoing period, then themonitor

6、ing equations were established【. Result】The correlation betn reflectance of green, red,near-infrared band and above-ground biomass weight, N accumulation reached 0.01 significantlevel all. Reflectance of near-infrared band had the mossitive response for above-ground收稿日期：基金項目：省重點科技攻關項目（029102110042）；

7、山西省科技攻關項目（20110311038）作者簡介：王備戰（1969），男，開封人，博士，主要從事作物生態和農業。山西太谷 山西農業大學農學院，030801。通訊作者：: wangb（1960），男，山西河，教授，博士生導師，主要從事作物生態和農業。山西太谷 山西農學院，030801。:biomass weight, and reflectance of red band had the mossitive response for above-ground NNDVI inversed plant above-groundaccumulation. The exponential func

8、tion mbiomass weight optimum,were 0.696*based onR2andt of RMSE were 258.92 kg/hm2. Theexponential function mbased on the reflectance ratio of near-infrared band to red bandinversed plant above-ground N accumulation optimum, R2 were 0.717* andt of RMSE were19.24 kg/hm2. Based on the monitoring ms, th

9、e thematic maps were produced to monitorabove-ground biomass and N accumulation at joing stage.【can achieve high Preciin growth monitoring of wer whea wide application prospect.】Using SPOT-5 imagesjoing period and is aKey words: wer wheat; SPOT-5; joing stage; biomass; nitrogen accumulation; monitor

10、ing m0引言【意義】利用遙感技術，快速、無損、省時省力地監測作物長勢、氮素營養狀況以及環境脅迫的各種信息，據此對作物進行相應的調控措施管理，可有效減少投入物質施用量、增加產量、改善品質、降低生產成本、減少環境污染?！厩叭诉M展】國內外許多學者利用不同的遙感信息源對小麥長勢和氮素營養進行監測，并取得了顯著進展1-7。目前，對于地面遙感進行小麥生長監測的已基本成熟8-13。雖然地面遙感受環境影響小，精度較高，但覆蓋范圍小，設備價格昂貴，但在農作物監測中大范圍推廣應用存在較大。與地面遙感相比，遙感具有覆蓋范圍大、獲取便利的優點，在大尺度的作物生產管理中具有重要的應用價值。高精度逐漸發展起來14-1

11、7?！颈镜某晒Πl射，使利用遙感技術進行作物監測的切入點】生物量可以表征作物長勢狀況，對光能利用、干物質生產及產量形成具有重要作用。氮素是植物生命活動以及作物產量和品質影響最為顯著的營養元一18,19，氮積累量是生物量和全氮含量的綜合反映，可作為作物氮素營養和籽粒生產力的重要指標3。拔節期是小麥生長過程中肥水管理的關鍵時期，通過實時監測其長勢及營養狀況，從而進行相應的肥水管理及調控非常重要。SPOT-5多光譜段分辨率為 10 米，重訪周期 5 天，在農業遙感應用方面具有廣闊的應用前景。而目前，我國在利用 SPOT-5 遙感影像進行小麥長勢及營養監測方面較少。【擬解決的關鍵問題】本文通過分析 SP

12、OT-5 光譜參數與冬小麥拔節期地上部生物量和氮積累量之間的定量關系，篩選監測拔節期冬小麥地上部生物量和氮積累量的敏感光譜參數，構建并檢驗基于敏感光譜參數的遙感監測模型，并制作區冬小麥拔節期地上部生物量和氮積累量遙感監測專題圖，為利用 SPOT-5 影像進行大面積小麥生產力1 材料與方法1.1 試驗設計與數據獲取和氮素調控提供依據。試驗 1：2008-2009 年度在安陽縣農科所試驗田（11878 E，3204 N）進行。供試品種為16。前茬玉米田，土壤耕層有機質 1.71%，全氮 0.12%，速效氮 26.78mgkg-1，速效磷 9.46 mgkg-1，速效鉀 182.38 mgkg-1，

13、PH 值 8.31。裂區試驗設計，主處理設 2 種氮肥運籌方式 10 和 32（基肥拔節期追肥）；副處理設 3 個氮素水平，分別為 100、200和 300kghm-2，另設不施N 肥處理為空白對照。各處理配施 90 kghm-2 P2O5，磷肥全部用作基肥。試驗為隨機區組排列，2 次重復，小區面積 6060=3600 m2，行距 20 cm。其他栽培管理措施同當地一般高產麥田。小區邊界等位置信息由 Trimble 公司產品GPS Pathfinder背掛式 GPS獲取。于 3 月 22 日進行拔節期地上部生物量及氮積累量測定。在每個樣點選取 3 處有代表性的植株各 20 株，每處取地上部分，

14、在 105下殺青 30min，并在 80下烘干后稱重。將植株后采用凱氏定氮法測定全氮含量，計算地上部氮積累量。該試驗數據全部用于建立模型。試驗 2：2008-2009 年度在省安陽縣各鄉鎮選擇分布分散、有代表性的樣點 37 個。選取的每個樣點一般為一戶種植的田塊，面積不小于 90 m90 m，樣點與道路距離在 100m以上，樣點邊界等位置信息獲取方式同試驗 1。小麥品種主要為16、矮抗 58 和366。于 3 月 22 日與 3 月 23 日進行拔節期取樣，室內測試分析地上部生物量及氮積累量，方法同試驗 1。從 37 個樣點中按樣點位置分散選取 17 個樣點數據與試驗 1 數據一同用于建立模型

15、，其他 20 個樣點數據用于檢驗模型。1.2 遙感影像數據獲取及預處理遙感數據為 2009 年 3 月 19 日的 SPOT-5 HRV 過境影像。利用 ERDAS Imagine 軟件對遙感數據進行幾何精校正，在 區范圍內選擇 30 個具有明顯特征且均勻分布的地面控制點，幾何校正計算模型為二次方多項式，采用了鄰近像元重采樣的方法，投影參數選擇Krasovsky 參考橢球下的 Albers 投影，校正誤差控制在 1 個像元之內。在完成對 SPOT5 遙感影像幾何糾正基礎上，對其進行地物輻射亮度和地物反射率計算20，而后采用 ENVI 附帶的基于輻射傳輸模型 MODTRAN 的大氣校正模塊 FL

16、AASH21，將視反射率數據轉換為地面反射率影像。1.3 光譜參數的選擇與構建表 1 為 SPOT-5 HRV 的波段特征參數。本選擇 B1、B2 和 B3 波段參與分析，其具體數值利用 ERDAS 軟件中的 M數，具體算法見表 2。Maker 模塊提取。基于這 3 個波段構建了 12 個光譜參表 1 SPOT-5 傳感器波段特征Table 1 Spectral characteristic of SPOT-5波譜范圍Wavelength/nm空間分辨率 Spatial Resolution /m波段Wavebands主要應用領域Main application fieldsB1 B2 B3B

17、44906106106807808901580175010101020探測健康植物綠色反射率，區分植被類型和評估作物長勢測量植物綠色素吸收率，進行植物分類測定生物量和作物長勢，區分植被類型探測植物含水量及土壤濕度，區別云與雪表 2 SPOT-5 影像光譜參數Table 2 Broadbang vegeion indiused for SPOT-5 imageryysis光譜參數Spectral parameter計算公式Algorithm formulaR B3 / R B2R B3 - R B 2(R B3 - R B 2 ) /(R B3 + R B 2 )1.5(RB3 - RB 2 )

18、/(RB3 + RB 2 + 0.5)(1 + 0.16)(R B3 - R B 2 )/ (R B 3 + R B 2 + 0.16)NDVI DVI(R B3 - R B1 ) /(R B3 + R B1 ) (R B1 - R B 2 ) /(R B1 + R B 2 ) R B3 / R B1R B1 / R B 2 R B3 - R B1 R B1 - R B 2比值植被指數 RVI差值植被指數 DVI 歸一化植被指數 NDVI土壤調整植被指數 SAVI優化土壤調節植被指數 OSAVI再歸一化植被指數 RDVI綠色歸一化植被指數 GNDVI綠度植被指數 VI其他植被指數The oth

19、er vegeiom index注：R 代表反射率。Notes: R represent the reflectivity.1.4 數據分析與利用以試驗 1 中的全部數據和試驗 2 中選取的 17 個樣點數據為基礎，分析冬小麥拔節期地上部生物量和氮積累量與 SPOT-5 遙感變量間的相關性，通過回歸分析建立遙感監測模型，采用的曲線估計模型包括一元線性、對數函數、指數函數與冪函數四種。利用試驗 2 中選取的 20 個樣點數據對所建模型進行評價，采用均誤差（RMSE）進行檢驗，并通過繪制實測值與監測值之間的 11 關系圖，檢驗監測模型的可靠性。2 結果與分析2.1 拔節期冬小麥地上部生物量及氮積累

20、量與光譜參數的相關性分析對拔節期冬小麥地上部生物量及氮積累量與光譜參數進行相關性分析，結果表明(表 3)，地上部生物量及氮積累量與單波段光譜反射率的相關性均達到了極顯著水平，其中生物量與B3 的相關性最好，氮積累量與 B1 相關性最好?；?B3 和 B2 兩波段組合及基于 B3 和 B1兩波段組合建立的光譜參數與生物量及氮積累量的相關性較之單一波段反射率均有明顯提高，并且 B3 和 B2 兩波段組合對生物量反應較 B3 和 B1 兩波段組合敏感；B3 和 B1 兩波段組合則對氮積累量反應較 B3 和 B2 兩波段組合敏感。同時還發現，基于 B2 和 B1 兩波段組合建立的光譜參數對生物量及氮

21、積累量反應的靈敏度較之單一波段反射率不僅未增強，反而大大降低。與 NDVI 相比，改進植被指數 SAVI 和 OSAVI 均未提高對生物量和氮積累量反應的敏感性。綜合以上分析，篩選 RVI 和 NDVI拔節期冬小麥地上部生物量，篩選R B3 / R B1 和 GNDVI拔節期冬小麥地上部氮積累量。表 3 拔節期地上生物量和氮積累量與光譜參數間的相關性Table 3 Correlation betn Biomass and N accumulation and Spectral parameter at jo ing stage (2009, n=24)光譜參數Spectral paramete

22、r生物量Biomass氮積累量N accumulationB1 B2 B3 RVI DVI NDVI SAVIOSAVI RDVI GNDVI VIR B3 / R B1R B1 / R B 2 R B3 - R B1 R B1 - R B 2-0.702*-0.682* 0.712*0.819*0.783*0.827*0.797*0.801*0.803*0.787*-0.254 0.794*-0.242 0.767*-0.409*-0.797*-0.709* 0.670*0.814*0.767*0.794*0.784*0.763*0.779*0.843*-0.358 0.847*-0.344

23、 0.811*-0.521*注：*表示通過 0.01 顯著性檢驗；*表示通過 0.05 顯著性檢驗。Notes: * indicates passing the significant testof 0.01; * indicates passing the significant test of 0.05.2.2 拔節期冬小麥地上部生物量遙感監測模型基于篩選的 RVI 和 NDVI 采用一元線性、對數函數、指數函數與冪函數 4 種曲線估計依次建立拔節期冬小麥地上部生物量遙感監測模型見表 4。從表中可以看出，各監測模型決定系數均比較高，且差異很小。其中，利用 NDVI 為變量建立的指數函數和利

24、用 RVI 為變量建立的冪函數監測模型擬合效果最好，決定系數（R2）分別達到 0.696 和 0.688。從建立的基于 RVI 和 NDVI 的生物量變化散點圖（圖 1）可以看出，冬小麥拔節期地上部生物量介于 3603.675568.14 kg/hm2 之間，同期 SPOT-5 影像的 RVI 在 1.422.52 之間，NDVI 在 0.170.43 之間。樣點群體大小差異明顯，表明樣點選取具有較強的代表性，能夠基本反映當時 區地上部生物量狀況。地上部生物量隨 NDVI 和 RVI 均呈現顯著正相關的變化趨勢。表 4 拔節期地上部生物量與光譜參數的定量關系Table4ive relation

25、ship betn above-ground biomass weight and spectral parameter at jo ing stage(2009, n=24)光譜參數Spectral parameter模型類型Types of m回歸方程EquationR2sy = 2250.9e0 386xy = 2950.3x0 7290.682*指數ExponentialRVI0.688*冪函數ery = 1809.3x + 1273.90.678*線性Liney = 3398.2Ln(x) + 2558.20.675*對數Logarithmicy = 2905.6e1 552x0.6

26、96*指數Exponentialy = 7916.2x0 4370.682*冪函數erNDVIy = 7247.4x + 2484.40.684*線性Liney = 2018.1Ln(x) + 7136.10.626*對數Logarithmic注：*表示通過 0.01 顯著性檢驗；*表示通過 0.05 顯著性檢驗。Notes: * indicates passing the significant testof 0.01; * indicates passing the significant test of 0.05.圖 1 拔節期地上部生物量與 NDVI 和 RVI 植被指數的關系Fig.

27、1 Relationship betn above-ground biomass weight and NDVI、RVI at jo ing stage2.3 拔節期冬小麥地上部氮積累量遙感監測模型基于篩選的R B3 / R B1 和 GNDVI 采用一元線性、對數函數、指數函數與冪函數 4 種曲線估計依次建立拔節期冬小麥地上部生物量遙感監測模型見表 5。從表中可以看出，除了利用 GNDVI 建立的冪函數和對數函數監測模型外，其他監測模型決定系數均較高。其中，基于 RB3/RB1 建立的線性函數和對數函數監測模型以及基于 GNDVI 建立的線性函數監測模型擬合效果最好，R2 分別達到 0.71

28、7、0.713 和 0.711。從建立的基于 RB3/RB1 和 GNDVI 的氮積累量變化散點圖（圖 2）可以看出，冬小麥拔節期地上部氮積累量介于 108.75205.05 kg/hm2之間，樣點差異較為明顯，能夠基本反映當時安陽縣地上部氮積累量狀況。同期 SPOT-5 HRV影像的 RB3/RB1 在 1.002.14 之間，GNDVI 在 0.000.36 之間，樣點差異較為明顯，表明樣點選取具有較強的代表性，能夠基本反映當時區地上部氮積累量狀況。表 5 拔節期地上部氮積累量與光譜參數的定量關系Table5ive relationship betn nitrogen accumulati

29、on above and spectral parameter at jo ing stage(2009, n=24)光譜參數Spectral parameter模型類型Types of m回歸方程EquationR2sR B3 / R B1y = 68.787e0 536x0.687*指數Exponential生物量 Biomass(kghm-2)生物量 Biomass(kghm-2)6000y = 2905.6e1.552x5500R2 = 0.696500045004000350030000.10.20.30.40.5歸一化植被指數NDVI6000y = 2950.3x0.7295500

30、R2 = 0.6885000450040003500300011.522.53比值植被指數RVIy = 111.27x0 8260.699*冪函數ery = 84.566x + 28.8980.717*線性Liney = 128.97Ln(x) + 105.320.713*對數Logarithmicy = 110.3e1 731x0.699*指數Exponentialy = 167.06x0 0530.308*冪函數erGNDVIy = 269.65x + 104.050.711*線性Liney = 7.485Ln(x) + 167.070.257*對數Logarithmic注：*表示通過 0

31、.01 顯著性檢驗；*表示通過 0.05 顯著性檢驗。Notes:* indicates passing the significant testof 0.01; * indicates passing the significant test of 0.05.圖 2 拔節期地上部氮積累量與R B3 / R B1 和 GNDVI 植被指數的關系n above-ground N accumulation and R B3 / R B1 、GNDVI at jo ing stageFig.2 Relationship bet2.4 模型驗證利用試驗 2 中分散選取的 20 個樣點數據對上述建立的冬

32、小麥拔節期地上部生物量及氮積累量監測模型采用 RMSE 進行檢驗。檢驗結果表明，利用 NDVI 指數函數建立的地上部生物量遙感監測模型（y = 2905.6e1 552x）以及利用 RB3/RB1 線性函數建立的地上部氮積累量遙感監測模型（y = 84.566x + 28.898）檢驗效果最好，RMSE 值分別為 258.92 kg/hm2 和 19.24kg/hm2。圖 3 為基于上述兩模型構建的值與實測值間的 1：1 關系圖，監測值與實測值之間較為吻合。以上檢驗表明，建立的模型監測冬小麥拔節期地上部生物量及氮積累量是可行的。2.5 拔節期冬小麥地上部生物量和氮積累量遙感監測專題圖圖 4 為

33、利用 2009 年 3 月 19 日 SPOT-5 影像數據及上述經檢驗后的監測模型制作的區冬小麥拔節期地上部生物量和氮積累量遙感監測專題圖。從圖中可以看出，區冬小麥拔節期地上部生物量與氮積累量均呈現西低東高趨勢，柏莊鎮以東地區冬小麥種植面積較大，地上部生物量值多數在 3000 kg/hm2 以上，地上部氮積累量值多數在 120 kg/hm2 以上；柏莊鎮以西地區冬小麥種植較少，地上部生物量值以 3000 kg/hm2 以下為主，地上部氮積累量值以 120 kg/hm2 以下為主。圖中顯示的冬小麥拔節期地上部生物量與氮積累量空間分氮積累量Nitrogenaccumulation（kghm-2)

34、氮積累量Nitrogenaccumulation（kghm-2)210 y = 84.566x + 28.898200R2 = 0.7171901801701601501401301201101000.511.522.5RB3/RB1y = 269.65x + 104.05 R2 = 0.711180170160150140130120110100.10.20.30.4綠色歸一化植被指數GNDVI布量化情況與實際一致，能夠較理想地實現冬小麥拔節期地上部生物量和氮積累量空間分布量化的可視表達，從而為指導大面積小麥生產上的生產力和氮素調控提供依據。圖 3值與實測值比較Fig.3 Compariso

35、n of monitored value with measured圖 4區冬小麥拔節期地上部生物量和氮積累量遙感監測專題圖Fig.4 Thematic maps for monitoring plant above-ground biomass weight,N accumulation of w er wheajo ing stage3利用遙感數據作物長勢監測時，有些者考慮作物物候期影響，不同物候期使用不同的長勢遙感監測指標，通常比建立的適用于整個期的通用指標能獲得更好的監測效果5,22-23。本等5利用 TM建立的拔節期地上部生物量監測模型選擇的光譜參數與影像估測冬小麥拔節期地上部生物量

36、選擇的光譜參數一致，均為 NDVI，不同的是其建立的是線性模型，而本建立的是指數模型。李衛國等4利用 TM 影像提取的遙感變量對冬小麥拔節期生物量進行遙感監測的分析表明 RVI 比 NDVI 具有明顯的監測優勢。而本對SPOT-5 遙感影像光譜參數的分析表明，在對于地上部生物量的監測上，NDVI 要比 RVI 稍有優勢。3分析小麥植株氮素積累量與高光譜參數的關系結果表明，通過近紅外和生值物量Predicted biomass value（kghm-2）氮值積累量Predicted nitrogen accumulationvalue（kghm-2）210RMSE=19.24190N=20170

37、150130y=84.566RB3/RB1+28.8110110130150170190210氮積累量實測值Observed nitrogen accumulation value（kghm-2）6000RMSE=258.925500N=20500045004000y = 2905.6e1.552NDVI35003500 4000 4500 5000 5500 6000生物量實測值Observed biomass value（kghm-2）綠波段組合比值植被指數對植株氮積累量反應敏感，能夠顯著提高方程擬合效果，本結果與其也是一致的。本制作的區冬小麥拔節期地上部生物量和氮積累量遙感監測專題圖，實

38、現了空間尺度上對冬小麥拔節期地上部生物量和氮素營養信息的表達，對指導大面積小麥生產上的生產力和氮素調控起到重要作用。相比地面遙感，利用遙感進行作物監測不僅具有經濟、方便可操作性強的優勢，還能夠實現作物參數空間分布量化可視表達圖的快速制作，更好地滿足對農田信息獲取的實際需求，對于區域尺度的農業管理決策具有重要作用。但利用各種遙感信息進行作物生長監測時，由于影響作物冠層光譜反射率的眾多，情況復雜，有認為不同時空條件、不同遙感源物冠層光譜反射特征的影響因子不同，所建立的作物遙感監測模型往往不適用于建模外的時空條件。因此，利用技術還有待進一步提高5,24,25。本遙感進行作物監測的可靠性和普及性受到極

39、大限制，是在同一地區、同一年度下進行的，建立的模型應用于其他地區、不同年份是否合適，如何修訂，還需要進一步。如何消除眾多對作物遙感監測的影響，建立通用的作物光譜監測模型是實現通過遙感進行作物監測的關鍵所在。在今后的中，可采用融合多源遙感數據、耦合作物生長模型、分析遙感信息的空間相關性等構建機理性更強的定量化模型，提高遙感監測精度和可靠性。4 結論拔節期是冬小麥田間管理的重要時期，實時監測這一時期的長勢及營養狀況具有重要意義。本分析冬小麥拔節期地上部生物量和氮積累量與 SPOT-5 遙感影像光譜參數之間的定量關系，結果表明，綠光、紅光和近紅外波段反射率與冬小麥拔節期地上部生物量和氮積累量的相關系

40、數均達到極顯著水平。其中，近紅外波段反射率對地上部生物量反應最敏感，綠光波段反射率則對地上部氮積累量反應最敏感。利用歸一化植被指數（NDVI）為變量構建的地上部生物量指數函數遙感監測模型，以及利用近紅外和綠光波段反射率的比值為變量構建地上部氮積累量線性函數遙感監測模型均達到了較高的精度。依據上述模型制作的區冬小麥拔節期地上部生物量和氮積累量遙感監測專題圖為指導大面積小麥生產力和氮素調控提供了依據。Referen1Babar M A, Reynolds M P, Van Ginkel M, et al. Spectral reflectance to estimate genetic varia

41、tion for in-season biomass, leaf chlorophyll, and canopy temperature in wheatJ. Crop Science, 2006, 46: 1046-1057.Hansen P M, Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen s us in wheat2crops using normalized difference vege ion indiof Environmen, 2003, 86: 542-553.and part

42、ial least squares regresJ. Remote Sensing3. 基于高光譜遙感的小麥氮素營養及生長指標監測南京: 南京農學院, 2007.Feng Wei. Monitoring nitrogen s us and growth characters with hyperspectral remote sensing in wheat.Nanjing: College of Agriculture, Nanjing Agriculturaiversity, 2007.遙感的冬小麥拔節期長勢監測. 麥類作物學報,4李衛國, 趙,. 基于2007, 27(3): 523-5

43、27.Li W G, Zhao C J, Wang J H, Liu L Y, Song X Y. Monitoring the growth condition of w er wheat in jo ing stage based on land sat TM image. Journal of Triticeae Crops, 2007, 27(3): 523-527.5, 王 妍, 童 璐,. 基于 Landsat TM 影像的冬小麥拔節期主要長勢參數遙感監測中國農業科學, 2011, 44(7): 1358-1366.Tan C W, Wang J H, Zhu X K, Wang

44、Y, Wang J C, Tong L, Guo W S. Monitoring main growth s us parameters at jo ing stage in w er wheat based on landsat TM images. Scientia Agricultura Sinica, 2011, 44(7): 1358-1366.裴志遠, 楊邦杰. 多時相歸一化植被指數 NDVI 的時空特征提取與作物長勢模型設計. 農業工程學報,2000, 16(5): 20-22.6Pei Z Y,B J.ysis of multi-temporal and multi-spati

45、al character of NDVI and crop condition mions of the CSAE,2000, 16(5):20-22.sdevelopment. Tran7,Wu W B,. 用 NOAA 圖像監測冬小麥長勢的方法. 中國農業資源與區劃, 2001, 22(2): 58-61.G X. A study of method of monitoring the w er wheat growth by using NOAA image.ChiJournal of Agricultural Resourand Regional Planning, 2001, 22(

46、2): 58-61.8Hansen P M, Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen s us in wheatcrops using normalized difference vege ion indiof Environment, 2003, 86(1): 542-553.and partial least squares regresJ. Remote Sensing9, 曹28(2): 172-177., 張 憲. 小麥葉片氮素狀況與光譜特性的相關性. 植物生態學報, 2004,X

47、ue L H, Cao W X, Luo W H, Zhang X. Correlation betn leaf nitrogen s us and canopy spectralcharacteristics in wheat. Acta Phytoecologica Sinica, 2004, 28(2): 172-177.10,. 基于冬小麥植被指數的氮肥調控技術. 土壤學報, 2007, 44(3):550-555.Zhang J H, Zhang J B, Li L P. Nitrogen regulation technology based on canopy spectral

48、property of w erwheat. Actdologica Sinica, 2007, 44(3): 550-555.11雪, 朱 艷,2006,17(8):1443-1447, 曹. 小麥葉面積指數與冠層反射光譜的定量關系 .應用生態學報,Li Y X, Zhu Y, Dai T B, Tian Y C, Cao W X.ive relationships betn leaf area index and canopyreflectanpectra of wheat. ChiJournal of App,d Ecology, 2006,17(8):1443-144712趙,. 用多

49、角度光譜信息反演冬小麥含量垂直分布. 農業工程學報, 2006 ,22(6):104-109.Zhao C J, Huang W J, Wang J H, Liu L Y, Song X Y , Ma Z H , Li C J. Extracting w er wheat chlorophyllconcentration vertical distribution based on bidirectional canopy reflected spectrum. TranCSAE, 2006 ,22(6):104-109.ions of the13姚 霞, 曹, 朱 艷. 不同算法紅邊位置監測

50、小麥冠層氮素營養指標的比較. 中國農業科學, 2010,43(13):2661-2667.YAO X,Tian Y C,Liu X J, Cao W X,Zhu Y. Comparative Study on Monitoring Canopy Leaf Nitrogen S uson Red Edgeition with Different Algorithms in Wheat.Scientia Agricultura Sinica,2010,43(13):2661-2667.剛, 王備戰,14, 鄭 濤,. SPOT-5 與HJ 遙感影像用于冬小麥氮素監測的效果對比. 麥類作物學報, 2

51、011, 31(2): 331-336.Wang L G, Wang B Z, Feng W, Zheng T, Feng X,Zheng G Q. Comparativeysis of Monitoring W erWheat Nitrogen with SPOT-5 and HJ Image. Journal of Triticeae Crops, 2011, 31(2): 331-336.15, 管 仲. 基于 Hyperion 影像的水稻冠層生化參量反演. 遙感學報,2009, 13(6): 1114-1121.Chen J Y, Tian Q J, QI X Y, Liu X C,

52、Guan Z. Rice canopy biochemical concentration retrievals based on Hyperion data. Journal of Remote Sensing, 2009, 13(6): 1114-1121.16 Boegh E, Soegaard H, Broge N, Hasager C B, Jensen N O, Schelde K, Thomsen A. Airborne multispectraldata forfying leaf area index, nitrogen concentration, and photosynthetic efficiency in agriculture.Remote Sensing of Environment, 2002, 81 (1): 179-193.17,子, 張 磊. 全球農作物長勢遙感監測系統的設計和實現. 世界科技與發展,2006, 28(3): 41-44.Meng J H, Wu B F, Li Q Z, Zhang L. Design and implemen ion of a global crop growth monitor