冬小麥播期遙感監(jiān)測研究現(xiàn)狀與展望

葛 艷，李存軍，周靜平，胡海棠，陳曉寧，何小安

(1.西安科技大學測繪科學與技術學院，陜西西安 710054； 2.北京農業(yè)信息技術研究中心，北京 100097)

小麥在我國廣泛種植，是第二大糧食作物。播期(即播種日期)是小麥產量與品質的一個重要影響因素，適期播種是冬小麥高產優(yōu)質的關鍵。近年來，隨著全球氣候的變暖及種植技術的發(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?shù)耐七t[1-2]。在不同地區(qū)，因地域復雜性與種植分散性，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。

及時準確地獲取區(qū)域作物播期信息有助于農業(yè)遙感估產、基于遙感的農業(yè)生產管理和病蟲害防治決策等。播期對冬小麥遙感估產精度的提高至關重要，是遙感數(shù)據(jù)與作物模型同化的直接輸入?yún)?shù)[3]，是利用生產力模型(如GPP、NPP)對冬小麥進行遙感估產的一個間接參數(shù)，也是利用遙感數(shù)據(jù)分析區(qū)域作物增產因素、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)助農業(yè)生產管理，對播期的盡早監(jiān)測可在當年指導農民對因播期早而易遭凍害的“老弱苗”進行重點防控，對因播期晚而抗逆性差的“晚弱苗”提早肥水管理，來年亦可指導農民適時播種小麥[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[7-8]，播期信息的盡早獲取有助于病蟲害易發(fā)區(qū)早期預警并針對性地指導農民開展防控措施。

傳統(tǒng)的冬小麥播期監(jiān)測主要以田間調查為主，在越冬至返青期這一特定時間窗口進行目視觀測，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。該方法雖簡單易行，但費時耗力，周期長，覆蓋面小，不易及時、準確、客觀地獲取冬小麥播期信息，難以滿足農業(yè)管理部門或技術推廣部門決策管理的需要。不斷發(fā)展的遙感技術為冬小麥播期的大區(qū)域、低成本監(jiān)測提供了新的科學技術手段,國內外學者對此進行了探索性研究。當前主要利用植被信息強的冬小麥生長中后期[9-11]和全生育期遙感影像[4,12]開展監(jiān)測，冬小麥生長前期的稀疏分布、光譜信息的相對較弱，給直接利用生長前期遙感數(shù)據(jù)及時準確監(jiān)測播期帶來了很大挑戰(zhàn)。本文擬對國內外學者在該領域開展的一些研究成果進行總結歸納，對現(xiàn)存研究方法的不足進行分析梳理，并對播期遙感監(jiān)測的發(fā)展趨勢進行展望。

1 冬小麥播期遙感監(jiān)測研究進展

目前，冬小麥播期遙感監(jiān)測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)測方法擬合播期和直接利用冬小麥生長中前期的遙感數(shù)據(jù)進行監(jiān)測。

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

物候是指植被受氣候、水文、土壤等因素的影響而出現(xiàn)的以年為準周期的自然現(xiàn)象[13]。近年來，植被物候特征遙感提取技術已成功應用于土地覆蓋的監(jiān)測、耕地種植制度的判別、作物關鍵生育期的確定及遙感估產精度的提高[14]等方面。遙感直觀感知冬小麥播期的時間主要是生長前期的越冬期和返青期，返青后冬小麥差異體現(xiàn)在群體長勢和產量上，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)測方法，通過對冬小麥關鍵生育期的確定，間接推斷播期[12]。因此，物候特征遙感提取技術的發(fā)展為小麥播期遙感監(jiān)測奠定了基礎。

目前，常用的植被物候遙感監(jiān)測的數(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)測使用的時間序列植被指數(shù)主要有歸一化差值植被指數(shù)NDVI、增強型植被指數(shù)EVI等，其所反映的植物生長節(jié)律可用于植物物候期的確定。

利用時序遙感數(shù)據(jù)提取植被物候期特征的常用方法為閾值法、滑動平均法、擬合法等[21-24]。閾值法是利用設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季起始期對應的NDVI閾值設為0.099；White等[26]利用動態(tài)閾值法將相對綠度指數(shù)度指數(shù)RGI閾值設為0.5來提取植被生長季開始和結束日期?；瑒悠骄ㄊ抢肗DVI時序曲線與滑動平均曲線的交叉來確定植被物候。常守志等[27]利用傅里葉級數(shù)平滑MODIS-NDVI數(shù)據(jù)，綜合動態(tài)閾值法對農田物候進行了監(jiān)測。Reed等平滑AVHRR-NDVI數(shù)據(jù)，提取了農作物、森林和草地的返青期和衰老期并計算了生長季長度[28]。擬合法近年來發(fā)展較快，是利用平滑函數(shù)模型對時序遙感數(shù)據(jù)進行擬合和提取物候信息，主要包括Logistic函數(shù)法、非對稱高斯函數(shù)法。Zhang等[29]利用MODIS時序數(shù)據(jù)，采用分段式Logistic函數(shù)分別擬合確定了美國東北部植被的生長階段、衰老階段，并計算了起始期、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軟件提取結果、實地物候觀測結果進行了比較，結果表明，該法擬合效果更好，提取結果更符合實際。

借鑒植被物候監(jiān)測方法，國外學者嘗試利用全生育期遙感數(shù)據(jù)對冬小麥播期進行擬合。Lobell等[4]2010年利用小麥生長季多時相Landsat/ETM+數(shù)據(jù)(包括植被峰值)監(jiān)測了印度西北部小麥播期，借助所構建的播期與產量關系模型，推斷出當?shù)禺斈赀m宜播種期為11月10日，與地面觀測結果非常接近。Lobell等[12]2013年進一步對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到整體增幅的10%所對應的時間點)，并利用作物生長模型CERES-Wheat模擬播期與返青期的關系，從而間接推算播期。

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

僅利用小麥生長中前期的遙感數(shù)據(jù)監(jiān)測播期，國內外學者對此進行了初步嘗試。

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)并與播期進行統(tǒng)計相關分析，結果表明，拔節(jié)期的NDVI與播期呈負相關(R2=0.352 7，n=20),并以此為基礎構建了冬小麥遙感估產優(yōu)化模型；Song等[11]選取冬小麥生長前期(分蘗期至越冬期)一期Landsat TM和兩期HJ-1A/B影像組成多時相遙感數(shù)據(jù)，對提取的冬小麥種植區(qū)的NDVI、RDVI、SAVI和DVI指數(shù)分別與播期進行相關分析，基于與播期最相關原則選擇11月下旬DVI數(shù)據(jù)構建了北京地區(qū)冬小麥播期遙感監(jiān)測模型。李明君等[31]利用作物生長模型和耦合PROSAIL輻射傳輸模型模擬了冬小麥生長前期冠層光譜并對播期遙感監(jiān)測的最佳時相進行了判別。

Vyas等[32]以1 km空間分辨率的INSAT遙感數(shù)據(jù)為數(shù)據(jù)源構建9月1日至12月31日的NDVI時序曲線，將其呈現(xiàn)持續(xù)正斜率的最小NDVI值所對應的時間點定義為衛(wèi)星最早能探測的小麥生長時間，使用閾值法提取該時間點，并利用差值法間接推斷了播期。由于生長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]報道的荒漠稀疏植被遙感監(jiān)測方法，對MIR、NIR和R波段進行RGB合成，并進行色彩空間變換提取色調H,利用構建的H-NDVI二維空間實現(xiàn)了弱光譜信息的冬小麥種植區(qū)自動準確提取及生長起始時間的監(jiān)測，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

近年來國內外學者主要集中于運用多光譜數(shù)據(jù)對冬小麥播期遙感監(jiān)測方法開展研究，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果的影響大

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

基于遙感技術的冬小麥物候監(jiān)測使用的MODIS、SPOT/ VEGETATION等衛(wèi)星傳感器數(shù)據(jù)的時間分辨率較高，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，且在多種植被類型混合情況下較難準確識別冬小麥種植區(qū)，難以對冬小麥的物候期進行準確提取；為構建時間上一致、空間上可比的植被指數(shù)數(shù)據(jù)集，通常對收集的時序遙感數(shù)據(jù)進行幾何校正、輻射定標和大氣校正等常規(guī)預處理，但較少針對性地對植被波段數(shù)據(jù)作BRDF的大氣校正，而對植被指數(shù)時序數(shù)據(jù)去噪重建時，如何根據(jù)研究區(qū)域選擇合適的算法仍需深入探究。冬小麥物候遙感識別方法中，閾值法閾值設置的合理準確與否受時間、地域及人為經驗等因素的約束；滑動平均法精度相對較高，能較穩(wěn)定、可靠地對一年一生長季的植被指數(shù)時序數(shù)據(jù)進行計算，但對時間間隔的選擇、滑動窗口的設置較為敏感[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)測方法存在的諸多難題，在很大程度上會制約基于物候監(jiān)測方法的播期遙感監(jiān)測結果精度的提高。

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

農業(yè)遙感、生產管理和病蟲害防治等對在冬小麥生長前期盡早獲取區(qū)域播期信息有強烈要求，而基于植被物候方法的播期監(jiān)測雖可為農業(yè)物候和作物關鍵期遙感監(jiān)測提供便利，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期植被光譜信號最大的數(shù)據(jù))，對盡早監(jiān)測區(qū)域播期來說，當季冬小麥處于生長前期時尚無后期遙感數(shù)據(jù)，待冬小麥生育期結束后開展播期監(jiān)測屬事后監(jiān)測，其結果不具備時效性，無法為提高小麥產量而進行科學決策提供理論指導，播期遙感監(jiān)測的現(xiàn)實意義無法體現(xiàn)，因而不能滿足對播期提前監(jiān)測的要求。

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

冬小麥在經歷越冬期生長的基本停止后，到第二年春天，隨著氣溫的回升開始迅速生長，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，甚至無法對播期信息進行區(qū)分。因此，對冬小麥播期光譜信號的感知與區(qū)分主要集中在越冬前期至返青期，且這一時期是基于生物學表觀特征直接區(qū)分不同播期的唯一時間窗口。但冬小麥生長前期植被分布稀疏，覆蓋度較小，光譜信號較弱，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前期實現(xiàn)大面積、準確的播期監(jiān)測，選擇生育期內哪一時相的遙感數(shù)據(jù)對應的不同播期光譜信息可分性相對更好，選擇何種光譜指數(shù)與播期構建何種定量關系可取得更為理想的監(jiān)測效果，當前尚較少對此開展深入研究。

2.4 播期遙感監(jiān)測結果的農學機理性支持及與生產應用的結合有待加強

一方面，現(xiàn)有播期遙感監(jiān)測方法需要加強農學機理性支持和解釋。冬小麥播期是否合適，其確定的農學依據(jù)是冬前苗情是否健壯和越冬期是否安全，不同生態(tài)型冬小麥品種對播期的適應性有差別。一般情況下，冬小麥品種對播期有一定適應性，晚播時可以通過加大播量增加群體密度獲得較高的穗數(shù)和產量，即使播期差異很大，但返青后冬小麥差異并不大，生長前期長勢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，應綜合農學機理和遙感機制研究播期遙感監(jiān)測方法和提高監(jiān)測精度。另一方面，播期遙感監(jiān)測應提高生產應用，在生長中前期及時獲取區(qū)域小麥播期信息，從而為越冬期水肥管理和病蟲害預警提供支撐。

3 發(fā)展趨勢展望

對于利用遙感技術實現(xiàn)冬小麥播期的監(jiān)測，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)測方法面臨監(jiān)測精度不高、監(jiān)測時間滯后等不足，需從以下幾方面深化研究。

3.1 高時空分辨率遙感數(shù)據(jù)的利用

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

田塊尺度冬小麥播期遙感監(jiān)測的開展對遙感數(shù)據(jù)的獲取時間、包含的波段及空間分辨率都有一定的要求[37]。國內環(huán)境與災害監(jiān)測預報小衛(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、亞米級高時空分辨率數(shù)據(jù)，國外分發(fā)的WorldView衛(wèi)星還可提供專用于作物監(jiān)測紅邊波段的遙感數(shù)據(jù)，Planet Labs衛(wèi)星星座可實現(xiàn)超高分辨率衛(wèi)星數(shù)據(jù)的快速獲取。Jain等[38]已嘗試利用2014-2015、2015-2016年小麥生長季多時相高空間分辨率(2 m)、高時間分辨率(2周)SkySat小微衛(wèi)星遙感數(shù)據(jù)對印度比哈爾地區(qū)各地塊冬小麥播期進行監(jiān)測。新數(shù)據(jù)源的增加在為冬小麥播期的盡早監(jiān)測及精度的改善提供可能的同時，也為數(shù)據(jù)的合理選擇帶來了挑戰(zhàn)，如何從海量高質量遙感數(shù)據(jù)中為獲得播期最佳監(jiān)測效果選擇合適的數(shù)據(jù)仍需深入研究。

3.2 多尺度傳感器遙感數(shù)據(jù)融合算法的應用

目前基于植被物候監(jiān)測方法的播期監(jiān)測使用的時序植被指數(shù)數(shù)據(jù)時間分辨率高，但空間分辨率低，混合像元的存在使得冬小麥種植區(qū)難以準確提取，進而導致播期監(jiān)測結果難以與實際地塊相匹配。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)時間相對應的模擬Landsat數(shù)據(jù)并成功應用于物候監(jiān)測[41]、森林擾動監(jiān)測[42]和土地分類結果精度的提高[43]。一些學者對STARFM算法進行了改進。鄔明權等[44]設計了STDFA(Spatial and Temporal Data Fusion Model)遙感數(shù)據(jù)時空融合算法。Huang等[45]提出了SPSTFM(Sparse-representation-based Spatio Temporal Reflectance Fusion Model)基于稀疏表示法的時空反射率融合模型。Shen等[46]考慮傳感器的差異發(fā)展了時空融合模型。這些多源多尺度傳感器遙感數(shù)據(jù)融合算法的設計和完善，使得具備“雙高”特征的遙感數(shù)據(jù)應運而生，這將大大促進田塊尺度和大區(qū)域冬小麥播期遙感監(jiān)測精度的提高。

3.3 冬小麥生長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微變化。在同一時刻，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、疏密等因素會導致其生物量、結構、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。前人主要運用多光譜數(shù)據(jù)對冬小麥播期進行遙感監(jiān)測，對不同播期冬小麥冠層生長前期的光譜分布規(guī)律及差異的研究則較少。遙感圖像是對地物種類及其組合方式的瞬時反映。通過獲取并分析冬小麥生長前期不同時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相，將為播期監(jiān)測數(shù)據(jù)優(yōu)選提供參考和依據(jù)。植被反射光譜是對植被進行遙感研究和各種模擬的基礎數(shù)據(jù)，是地面實驗數(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模型，應用于航空、航天等遙感數(shù)據(jù)中，對模型的宏觀應用價值進行評價，綜合分析篩選播期遙感監(jiān)測效果較好的光譜或模型；同時，為與衛(wèi)星數(shù)據(jù)對接，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)測時相及光譜優(yōu)選。因此，為了在冬小麥生長前期既能實現(xiàn)播期的盡早監(jiān)測，又能實現(xiàn)播期遙感監(jiān)測精度的提高，亟待利用冬小麥生長前期地面高光譜數(shù)據(jù)進行數(shù)據(jù)的挖掘，對不同播期冬小麥生長前期光譜響應差異機制和變化規(guī)律、播期監(jiān)測最佳時相及最優(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)測提供參考。

隨著遙感數(shù)據(jù)源來源的擴展和質量的提升，數(shù)據(jù)處理方法技術的改進，如何將田間實驗觀測數(shù)據(jù)、模型模擬數(shù)據(jù)與遙感影像數(shù)據(jù)相結合，通過信息挖掘，以能最大限度反應冬小麥播期的最佳時相與最優(yōu)光譜的判別結果為基礎，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，實現(xiàn)觀測空間尺度的擴展，是未來研究的一大重要內容。

3.4 冬小麥生長前期光譜與上茬作物時序遙感數(shù)據(jù)的綜合

在農業(yè)生產中，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，為提高上茬作物產量而對其晚收獲，則將導致冬小麥晚播，從而造成與上茬作物正常收獲、冬小麥適期播種的時序變化規(guī)律存在著差異。為了在小麥生長當季盡可能早地利用已有數(shù)據(jù)對播期實現(xiàn)遙感監(jiān)測，雖無法獲取生長中后期的當季冬小麥遙感數(shù)據(jù)，但上茬作物時序遙感數(shù)據(jù)是可獲取的，上茬作物成熟至冬小麥生長前期的時序數(shù)據(jù)在一定程度上可以反映播期的早晚。在對不同播期的冬小麥生長前期光譜進行深入挖掘優(yōu)選播期監(jiān)測的最佳時相和最優(yōu)光譜基礎上，增加上茬作物時序遙感數(shù)據(jù)實現(xiàn)播期監(jiān)測時間窗口的前移，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冬小麥生長前期植被光譜信號較弱的劣勢，既能滿足盡早監(jiān)測的需求，又能在一定程度上提高播期監(jiān)測的精度，是未來播期遙感監(jiān)測的重要研究方向。

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)測手段看，遙感數(shù)據(jù)與作物模型的有機結合近年來應用到作物長勢監(jiān)測、產量估測等方面[47]，是作物播期遙感監(jiān)測又一重要方法。趙艷霞等[48]以棉花為研究對象，比較了復合形演化、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模型選擇復合型演化同化算法對新疆北部棉花主產區(qū)的棉花空間分布進行制圖。以水稻為研究對象，Wang等[49]使用環(huán)境星CCD數(shù)據(jù)和RiceGrow生長模型，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]則利用雙極化雷達時序遙感數(shù)據(jù)，分別利用粒子濾波同化算法、擴展卡爾曼濾波同化算法對水稻播期進行估算，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)測播期，國內外學者以棉花、水稻為研究對象已開展初步研究，為冬小麥播期監(jiān)測提供了新思路。因冬小麥的生長規(guī)律有其獨特性，其植被光譜和生物量具有雙峰特點，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.冬前積溫對河北省中南部麥區(qū)冬小麥適宜播期的影響[J].中國農學通報,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.播期和種植密度對小麥紋枯病發(fā)病程度的影響[J].中國植保導刊,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,張云慧,程登發(fā),等.小麥播種期對麥蚜及七星瓢蟲的影響[J].植物保護,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,王紀華,等.冬小麥播期的衛(wèi)星遙感及應用[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,唐華俊,楊 鵬,等.植被物候特征的遙感提取與農業(yè)應用綜述[J].中國農業(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.物候對全球變暖響應的研究綜述[J].地球科學進展,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)測研究進展[J].遙感學報,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.遙感物候學研究進展 [J].地理科學進展,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)測研究進展 [J].氣象與環(huán)境學報,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]張學霞,葛全勝,鄭景云.遙感技術在植物物候研究中的應用綜述 [J].地球科學進展,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)的三江平原農田物候監(jiān)測[J].遙感技術與應用,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時間序列的冬小麥物候提取方法[J].農業(yè)工程學報,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)測最佳時相研究[J].麥類作物學報,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,趙學勝,朱文泉,等.植物物候遙感監(jiān)測精度影響因素研究綜述[J].地理科學進展,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]王紀華,趙春江,黃文江.農業(yè)定量遙感基礎與應用[M].北京:科學出版社,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.農業(yè)遙感研究現(xiàn)狀與展望[J].農業(yè)機械學報,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,王 潔,牛 錚,等.融合MODIS與Landsat數(shù)據(jù)生成高時間分辨率Landsat數(shù)據(jù)[J].紅外與毫米波學報,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合反演模型初始值和參數(shù)的方法研究[J].棉花學報,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.