基于無人機高光譜遙感數(shù)據(jù)的冬小麥產(chǎn)量估算

陶惠林 徐良驥 馮海寬，3 楊貴軍，4 楊小冬 牛亞超

(1.北京農(nóng)業(yè)信息技術(shù)研究中心農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感機理與定量遙感重點實驗室， 北京 100097；2.安徽理工大學測繪學院， 淮南 232001； 3.國家農(nóng)業(yè)信息化工程技術(shù)研究中心， 北京 100097；4.北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心， 北京 100097)

0 引言

作為我國的主要作物之一，冬小麥在糧食系統(tǒng)中一直扮演著重要的角色，因此對冬小麥的研究變得愈發(fā)重要[1-3]。作物的產(chǎn)量關(guān)乎國家糧食安全和人民的生活水平[4-8]，傳統(tǒng)方式測量產(chǎn)量不僅耗時、耗力，還會對作物造成損壞[9-10]。近些年，遙感技術(shù)發(fā)展迅速，憑借其具有宏觀、動態(tài)、快速、準確等優(yōu)點，在農(nóng)業(yè)領(lǐng)域開始廣泛應用。根據(jù)平臺類型的不同，遙感技術(shù)分為衛(wèi)星遙感、航空遙感和近地遙感。衛(wèi)星遙感可以用于大面積的作物監(jiān)測，但運行周期長，獲取的影像分辨率不高，存在混合像元，不利于農(nóng)業(yè)管理者進行有效的作物監(jiān)測[11-15]。近地遙感由于受高度限制，無法獲取正射影像。航空遙感平臺分為載人飛機和無人機，而無人機相比載人飛機更具有成本優(yōu)勢，還具有出色的可操作性和更高的安全性[16-18]。對比衛(wèi)星遙感和近地遙感，無人機遙感空間分辨率較高，可以生成正射影像，具有低成本、高效、測量靈活等特點，已廣泛應用于農(nóng)業(yè)環(huán)境監(jiān)測[19-21]。常見的無人機遙感平臺攜帶的傳感器主要分為數(shù)碼相機、多光譜相機和高光譜相機，就空間分辨率和獲取的波段信息而言，高光譜相機優(yōu)于數(shù)碼相機和多光譜相機，在農(nóng)業(yè)上對作物的生長監(jiān)測也更加準確。

關(guān)于無人機高光譜的產(chǎn)量估算主要是直接基于植被指數(shù)或基于植被指數(shù)結(jié)合回歸技術(shù)來實現(xiàn)[22-29]。文獻[22]基于無人機高光譜影像，采用21種植被指數(shù)估算產(chǎn)量，發(fā)現(xiàn)選用的植被指數(shù)和大豆生長密切相關(guān)。文獻[23]基于高光譜影像，采用不同植被指數(shù)預測玉米產(chǎn)量。文獻[24]利用無人機遙感數(shù)據(jù)和不同植被指數(shù)估算產(chǎn)量，其中歸一化差異植被指數(shù)估算產(chǎn)量能力最佳。文獻[25]利用無人機高光譜數(shù)據(jù)結(jié)合不同的植被指數(shù)，并通過最小二乘法估算冬小麥產(chǎn)量，發(fā)現(xiàn)最優(yōu)估算指數(shù)是EVI2(Enhanced vegetation index without a blue band)。文獻[26]證明采用人工神經(jīng)網(wǎng)絡(ANN)方法估算產(chǎn)量的效果優(yōu)于僅基于植被指數(shù)的估算。文獻[27]利用PLS-MLR和PLS-ANN估算柑橘產(chǎn)量，探究最佳的產(chǎn)量預測方法和模型的穩(wěn)定性。文獻[28]基于無人機高光譜影像，利用不同的回歸技術(shù)估算冬小麥產(chǎn)量，預測的效果較高。

以上研究均為分析單個或多個植被指數(shù)對產(chǎn)量估算的影響，利用高光譜的波段信息探討估算產(chǎn)量能力的研究卻鮮見報道。無人機高光譜具有較多的波段，可以充分獲取作物冠層信息，更能準確反映作物生理生化信息。由于無人機高光譜的多波段特點，因此具有數(shù)碼相機和多光譜相機所沒有的特征信息(如紅邊區(qū)域，此區(qū)域也包含了很多的作物信息)。本文以國家精準農(nóng)業(yè)研究示范基地的冬小麥為研究對象，利用無人機高光譜遙感平臺，基于植被指數(shù)、基于植被指數(shù)結(jié)合紅邊參數(shù)，并利用偏最小二乘回歸(Partial least squares regression，PLSR)分別構(gòu)建產(chǎn)量估算模型，評估無人機高光譜紅邊區(qū)域的估算產(chǎn)量效果，以探討提高產(chǎn)量估算精度的方法，為快速、高效的作物產(chǎn)量監(jiān)測提供參考。

1 材料與方法

1.1 研究區(qū)概況

試驗區(qū)位于北京市昌平區(qū)小湯山鎮(zhèn)的國家精準農(nóng)業(yè)研究示范基地，地處東經(jīng)116°34′～117°0′，北緯40°0′～40°21′，該區(qū)域地勢平坦，平均海拔約為36 m，屬于溫帶半濕潤大陸性季風氣候，全年的平均溫度為11.8℃，年降雨量為644 mm，年平均日照時數(shù)為2 684 h。

1.2 試驗設計

試驗選用2個品種冬小麥，分別為京麥9843(J9843)和中麥175(ZM175)，同時，設置了不同的氮素和水分灌溉處理。氮素分為4種水平：N1(0 kg/hm2)、N2(195 kg/hm2)、N3(390 kg/hm2)、N4(585 kg/hm2)；水分為3種水平：W0(僅降雨)、W1(675 m3/hm2)、W2(1 012.5 m3/hm2)，按正交試驗設計，對以上的每種處理方式重復3次，每種處理為16個小區(qū)，共48個小區(qū)，試驗區(qū)位置和設計如圖1所示。

圖1 研究區(qū)位置和試驗設計Fig.1 Study area location and experimental design

1.3 地面數(shù)據(jù)獲取及處理

地面實測過程中，于冬小麥成熟期獲取產(chǎn)量數(shù)據(jù)。為了保證采集的數(shù)據(jù)均勻和有代表性，在每個小區(qū)的對角線交點處取1 m2區(qū)域進行采樣，分別獲取了48個小區(qū)樣本，將獲取的樣本放入袋中帶回實驗室，將樣本曬至恒定質(zhì)量后，稱取各小區(qū)的冬小麥產(chǎn)量，產(chǎn)量單位kg/hm2，共獲取48組產(chǎn)量數(shù)據(jù)。

1.4 無人機高光譜遙感數(shù)據(jù)的獲取與處理

在冬小麥拔節(jié)期(2015年4月21日)、挑旗期(2015年4月26日)、開花期(2015年5月13日)和灌漿期(2015年5月22日)進行了無人機飛行試驗。采用DJI S1000型八旋翼無人機，機身凈質(zhì)量 4.2 kg，載物質(zhì)量6 kg，攜帶2塊18 000 mA·h (25 V)電池，能夠持續(xù)飛行30 min，飛行高度為80 m，速度為8 m/s，為了獲取穩(wěn)定冬小麥冠層光譜反射率，選擇晴朗無云的天氣，于12:00開始試驗。搭載的傳感器為Cubert UHD185 Firefly型成像光譜儀，簡稱UHD185，主要參數(shù)如表1所示。

表1 成像光譜儀主要參數(shù)Tab.1 Main parameters of imaging spectrometer

將獲取的無人機高光譜進行預處理，主要包括影像校正、影像拼接和反射率提取。在進行高光譜影像校正時，需要將影像的DN(Digital number)值轉(zhuǎn)換為地表反射率[29]。利用德國Cubert Cube-Pilot軟件將不同生育期的全色圖像和高光譜圖像，生成融合后的高光譜影像，生成的影像空間分辨率為2 cm；再通過俄羅斯Agisoft PhotoScan 軟件完成高光譜影像的拼接工作。

1.5 研究方法

1.5.1分析方法

利用偏最小二乘回歸(Partial least squares regression，PLSR)方法構(gòu)建不同生育期的產(chǎn)量估算模型。PLSR結(jié)合了主成分分析和典型相關(guān)分析的特點，特別當變量個數(shù)較多時，存在多重相關(guān)性，而觀測變量數(shù)據(jù)較少時，利用PLSR建立的模型具有傳統(tǒng)的典型回歸分析所沒有的優(yōu)點。通過將自變量和因變量標準化，得到相關(guān)系數(shù)矩陣和主成分對，建模中采用了數(shù)據(jù)降維技術(shù)，并且可以消除多個變量的共線性問題，將多個自變量減少為幾個互不相關(guān)的潛變量[30-31]。

1.5.2植被指數(shù)選取

目前對植被指數(shù)的研究眾多，在已有的研究成果上，選取了MSR、NDVI、OSAVI、TCARI、MCARI、EVI2、GNDVI、RVI、LCI共9種與產(chǎn)量相關(guān)的植被指數(shù)[32-43]，構(gòu)建植被指數(shù)與產(chǎn)量之間的遙感監(jiān)測模型。

1.5.3紅邊參數(shù)選取

由于葉綠素吸收、葉片和冠層散射的作用，在670～750 nm波段范圍，植被的光譜反射率從低值迅速增加到較高值，此區(qū)域被稱為紅邊區(qū)域[44]。為了研究紅邊區(qū)域?qū)ψ魑锂a(chǎn)量估算的影響，選取了5個紅邊參數(shù)進行產(chǎn)量模型構(gòu)建。分別選取了紅邊位置(REP)、紅邊振幅(Dr)、最小振幅(Drmin)、紅邊振幅/最小振幅(Dr/Drmin)和紅邊面積(SDr)。紅邊位置為680～750 nm范圍光譜最大一階微分的波長[45]；紅邊振幅為紅邊位置的一階微分[46]；最小振幅為最小紅邊振幅[41]；紅邊面積為紅邊區(qū)域的所有光譜一階微分的和[47]。

1.5.4模型精度驗證

為了構(gòu)建產(chǎn)量的估算模型，使用不同生育期的重復1和重復2小區(qū)作為建模集樣本，剩余重復3小區(qū)作為驗證集樣本，即選用每個生育期的2/3樣本建模(32個樣本)，剩余1/3樣本驗證(16個樣本)。為了評價所構(gòu)建的產(chǎn)量模型，選取了決定系數(shù)(Coefficient of determination，R2)、均方根誤差(Root mean squared error，RMSE)和標準均方根誤差(Normalized root mean squared error，NRMSE)3種評價指標來驗證模型精度[48]。R2越大說明模型的擬合效果越好，RMSE與NRMSE越小說明模型預測的精度越高。

2 結(jié)果分析

2.1 植被指數(shù)、紅邊參數(shù)和產(chǎn)量相關(guān)性分析

將選取的植被指數(shù)、紅邊參數(shù)分別與冬小麥產(chǎn)量進行相關(guān)性分析，得到不同生育期的相關(guān)性分析結(jié)果(樣本數(shù)n=48)，如表2所示。從表2可知，對于植被指數(shù)，從拔節(jié)期到灌漿期，大部分植被指數(shù)與產(chǎn)量相關(guān)性表現(xiàn)為逐漸增強，并且大部分植被指數(shù)與產(chǎn)量為極顯著相關(guān)(0.01水平顯著)。拔節(jié)期TCARI為顯著相關(guān)，OSAVI、MCARI和EVI2無顯著相關(guān)，剩余植被指數(shù)都為極顯著相關(guān)；挑旗期除MCARI外，其余植被指數(shù)均表現(xiàn)為0.01水平顯著相關(guān)；開花期大部分植被指數(shù)和產(chǎn)量之間的相關(guān)性增強，其中TCARI為無顯著相關(guān)，MCARI為顯著相關(guān)；灌漿期植被指數(shù)和紅邊參數(shù)與產(chǎn)量相關(guān)性變高，對于植被指數(shù)，相關(guān)性表現(xiàn)和開花期相似，TCARI表現(xiàn)無顯著相關(guān)，MCARI表現(xiàn)顯著相關(guān)。

表2 不同生育期植被指數(shù)、紅邊參數(shù)與產(chǎn)量相關(guān)系數(shù)Tab.2 Correlation between vegetation indices, red edge parameters and yield at different growth stages

大部分紅邊參數(shù)與產(chǎn)量為極顯著相關(guān)(0.01水平顯著)。拔節(jié)期除Dr和SDr為無顯著相關(guān)外，剩余紅邊參數(shù)都為極顯著相關(guān)；挑旗期紅邊參數(shù)中Dr表現(xiàn)0.05水平顯著相關(guān)，SDr表現(xiàn)無顯著相關(guān)；開花期紅邊參數(shù)中僅Drmin為無顯著相關(guān)，其余紅邊參數(shù)均為極顯著相關(guān)；灌漿期紅邊參數(shù)均表現(xiàn)為極顯著相關(guān)。

分析不同生育期的植被指數(shù)以及紅邊參數(shù)與產(chǎn)量的相關(guān)性：拔節(jié)期相關(guān)系數(shù)絕對值最高為0.511，對應的是紅邊參數(shù)REP；挑旗期相關(guān)系數(shù)絕對值最大為Drmin，為0.740；開花期相關(guān)性系數(shù)最大為0.776，為植被指數(shù)GNDVI；灌漿期也是GNDVI的相關(guān)系數(shù)絕對值最高，為0.793。

2.2 單參數(shù)估算模型建立

根據(jù)表2的相關(guān)性結(jié)果，可以發(fā)現(xiàn)在不同生育期，植被指數(shù)LCI、GNDVI、NDVI、MSR、RVI都呈現(xiàn)極顯著相關(guān)，紅邊參數(shù)REP和Dr/Drmin也表現(xiàn)為極顯著，說明這7個參數(shù)在冬小麥各個生育期都有較強的相關(guān)性。將這7個參數(shù)分別與產(chǎn)量之間建立線性關(guān)系，結(jié)果如表3所示。根據(jù)表3，從拔節(jié)期到灌漿期，開花期和灌漿期中的植被指數(shù)與產(chǎn)量的回歸效果優(yōu)于拔節(jié)期和挑旗期。而紅邊參數(shù)與產(chǎn)量的回歸關(guān)系變化無規(guī)律。拔節(jié)期建模的R2最大為0.20，對應的是REP和Dr/Drmin，比較RMSE和NRMSE，同時驗證REP的R2最大，所以REP估算產(chǎn)量效果較好。挑旗期建模和驗證R2最高的為Dr/Drmin，分別為0.51與0.64，RMSE與NRMSE最低，此生育期估算產(chǎn)量效果最好的參數(shù)為Dr/Drmin。開花期GNDVI估算產(chǎn)量效果最好，建模R2、RMSE和NRMSE分別為0.55、901.63 kg/hm2與14.77%。灌漿期GNDVI在建模中表現(xiàn)最佳，其R2為此生育期最高值，RMSE和NRMSE為最低值，建模R2、RMSE和NRMSE分別為0.53、929.49 kg/hm2與15.22%。不同生育期各參數(shù)構(gòu)建的產(chǎn)量估算模型表現(xiàn)差異較大，這是由于植被指數(shù)和紅邊參數(shù)在各生育期與產(chǎn)量的敏感性不同，導致對產(chǎn)量估算的效果也不一樣。

表3 植被指數(shù)、紅邊參數(shù)與產(chǎn)量的回歸關(guān)系Tab.3 Regression relationship between vegetation indices, red edge parameters and yield

2.3 基于植被指數(shù)、植被指數(shù)結(jié)合紅邊參數(shù)的產(chǎn)量估算模型構(gòu)建

為了評價PLSR和植被指數(shù)以及植被指數(shù)結(jié)合紅邊參數(shù)估算產(chǎn)量的能力，利用表3中選取的5個植被指數(shù)和2個紅邊參數(shù)，通過PLSR方法構(gòu)建冬小麥不同生育期的基于植被指數(shù)與植被指數(shù)結(jié)合紅邊參數(shù)的產(chǎn)量估算模型，估算精度分別見表4和表5。由表4和表5可以看出，4個生育期中，開花期的產(chǎn)量估算表現(xiàn)為最佳(R2=0.74，RMSE為684.49 kg/hm2，NRMSE為11.21%)。對于基于植被指數(shù)結(jié)合紅邊參數(shù)的產(chǎn)量估算，從拔節(jié)期到開花期，R2表現(xiàn)為一直增加，RMSE和NRMSE一直減??；從開花期到灌漿期，R2表現(xiàn)為開始減小，RMSE和NRMSE開始增加，4個生育期的產(chǎn)量估算表現(xiàn)和基于植被指數(shù)的產(chǎn)量估算表現(xiàn)一致。其中不同生育期，開花期的R2最高，RMSE和NRMSE最低，此生育期的產(chǎn)量估算精度最高(R2=0.80，RMSE為595.90 kg/hm2，NRMSE為9.76%)，為最佳的估算產(chǎn)量時期。對比基于植被指數(shù)和基于植被指數(shù)結(jié)合紅邊參數(shù)的產(chǎn)量估算效果，均表現(xiàn)出開花期的產(chǎn)量估算效果最佳，同時不同生育期的基于植被指數(shù)結(jié)合紅邊參數(shù)的產(chǎn)量估算精度高于基于植被指數(shù)的產(chǎn)量估算精度。

表4 基于植被指數(shù)的產(chǎn)量估算精度Tab.4 Yield estimation accuracy based on vegetation indices

表5 基于植被指數(shù)和紅邊參數(shù)的產(chǎn)量估算精度Tab.5 Yield estimation accuracy based on vegetation indices and red edge parameters

為了驗證基于植被指數(shù)和基于植被指數(shù)結(jié)合紅邊參數(shù)估算產(chǎn)量的精度，利用驗證集數(shù)據(jù)進行驗證，得到基于植被指數(shù)以及基于植被指數(shù)和紅邊參數(shù)的不同生育期產(chǎn)量實測值與預測值的關(guān)系，如圖2、3所示。根據(jù)圖2、3，比較基于植被指數(shù)的產(chǎn)量實測值與預測值關(guān)系，4個生育期產(chǎn)量模型的R2也是先增加后降低，在開花期達到最高，RMSE和NRMSE的變化為先降低后增加，模型評價指標的變化趨勢和估算產(chǎn)量精度模型一致，說明了模型驗證效果較好。比較基于植被指數(shù)和紅邊參數(shù)的實測值與預測值關(guān)系，從拔節(jié)期到開花期產(chǎn)量模型的R2、RMSE和NRMSE的變化和基于植被指數(shù)一致，另外基于植被指數(shù)和紅邊參數(shù)的驗證效果優(yōu)于基于植被指數(shù)，這個結(jié)果和產(chǎn)量估算精度保持一致。

圖2 基于植被指數(shù)的冬小麥不同生育期產(chǎn)量實測值與預測值關(guān)系Fig.2 Relationships between measured and predicted yields of winter wheat at different growth stages based on vegetation indices

圖3 基于植被指數(shù)和紅邊參數(shù)的冬小麥不同生育期產(chǎn)量實測值與預測值關(guān)系Fig.3 Relationships between measured and predicted winter wheat yields at different growth stages based on vegetation indices and red edge parameters

2.4 產(chǎn)量分布

比較基于植被指數(shù)、基于植被指數(shù)和紅邊參數(shù)的產(chǎn)量模型，其中在開花期，基于植被指數(shù)和紅邊參數(shù)構(gòu)建的產(chǎn)量估算模型最佳，利用此生育期的產(chǎn)量模型，生成基于植被指數(shù)和紅邊參數(shù)的冬小麥開花期產(chǎn)量預測分布圖，見圖4。從圖4可知，重復1、重復2和重復3區(qū)域產(chǎn)量分布差異明顯，其中重復2區(qū)域產(chǎn)量高于重復1和重復3區(qū)域，而重復1區(qū)域也高于重復3區(qū)域，與施肥與水分處理有關(guān)，整體上，開花期產(chǎn)量分布范圍是3 500～9 000 kg/hm2。根據(jù)實際測量的產(chǎn)量結(jié)果，重復2區(qū)域產(chǎn)量高于重復1和重復3區(qū)域，并且開花期實測產(chǎn)量主要為3 500～9 000 kg/hm2，結(jié)果和基于產(chǎn)量估算模型預測得的產(chǎn)量分布一致，說明了估算產(chǎn)量模型可行。

圖4 開花期產(chǎn)量預測分布圖Fig.4 Distribution of yield prediction at flowering stage

3 討論

目前，估算作物產(chǎn)量大多為利用衛(wèi)星遙感或?qū)嵉販y量的方式獲取，衛(wèi)星遙感技術(shù)可以監(jiān)測大區(qū)域的作物產(chǎn)量，但空間分辨率低，對于小區(qū)域的產(chǎn)量分布監(jiān)測效果不明顯；地面測量消耗大量人力物力，不能高效地監(jiān)測產(chǎn)量。本文基于無人機獲取數(shù)據(jù)具有高效和較高的空間分辨率的特點，同時根據(jù)高光譜具有多波段的特征，利用無人機高光譜獲取了冬小麥不同生育期的影像數(shù)據(jù)，融入了高光譜的特有波段區(qū)域(紅邊區(qū)域)，獲取了較好的產(chǎn)量估算效果，為作物產(chǎn)量的準確和快速估算提供了新的方法。

3.1 基于單個植被指數(shù)或紅邊參數(shù)的產(chǎn)量估算

不同生育期的植被指數(shù)，大部分都與產(chǎn)量之間表現(xiàn)為極顯著相關(guān)，隨著生育期，植被指數(shù)與產(chǎn)量的相關(guān)性增強；而紅邊參數(shù)在不同生育期與產(chǎn)量的相關(guān)性也主要呈極顯著，但從拔節(jié)期到灌漿期，相關(guān)性變化無規(guī)律。原因可能是選取的植被指數(shù)在各個生育期對產(chǎn)量敏感性較高，紅邊參數(shù)中有個別與產(chǎn)量敏感性較好。正是因為敏感性不同，所以在構(gòu)建產(chǎn)量模型時需要對參與建模的植被指數(shù)和紅邊參數(shù)進行挑選。利用挑選出的植被指數(shù)和紅邊參數(shù)構(gòu)建產(chǎn)量估算模型，發(fā)現(xiàn)單個的植被指數(shù)或紅邊參數(shù)的產(chǎn)量估算效果有較大差異，拔節(jié)期、挑旗期和灌漿期中都是單個的紅邊參數(shù)表現(xiàn)為較佳的產(chǎn)量估算效果，而僅僅開花期單個植被指數(shù)表現(xiàn)為最佳，說明了紅邊參數(shù)對作物產(chǎn)量預測有很強的能力。文獻[49]證明了紅邊參數(shù)能夠很好地反演作物的LAI。而本文發(fā)現(xiàn)了紅邊參數(shù)對冬小麥有很好的產(chǎn)量估算效果，這就意味著紅邊參數(shù)不僅可以預測LAI，還可以預測產(chǎn)量，更好地探究了紅邊參數(shù)與作物產(chǎn)量之間的關(guān)系，為提高作物產(chǎn)量的估算精度提供一種新的方法。

3.2 基于植被指數(shù)和紅邊參數(shù)的PLSR方法產(chǎn)量估算

通過PLSR方法，分別構(gòu)建基于植被指數(shù)、基于植被指數(shù)和紅邊參數(shù)的產(chǎn)量模型，發(fā)現(xiàn)利用PLSR構(gòu)建的產(chǎn)量模型優(yōu)于單個植被指數(shù)或單個紅邊參數(shù)構(gòu)建的模型。文獻[50]發(fā)現(xiàn)了多個植被指數(shù)結(jié)合PLSR方法能夠很好地估算作物參數(shù)，估算效果強于僅單個植被指數(shù)的估算。文獻[51]也證明了利用PLSR方法能夠很好地提高反演作物葉綠素含量的精度。這些結(jié)果和本研究保持一致，通過PLSR冬小麥產(chǎn)量估算效果得到了提高，但也發(fā)現(xiàn)了紅邊參數(shù)對估算產(chǎn)量精度的影響，將植被指數(shù)結(jié)合紅邊參數(shù)估算產(chǎn)量，在不同生育期，基于植被指數(shù)和紅邊參數(shù)的產(chǎn)量模型都優(yōu)于基于植被指數(shù)的模型，并且均提高了估算精度，說明了紅邊參數(shù)對作物產(chǎn)量估算有積極的促進作用，能夠很好地用于預測作物產(chǎn)量。

在以后的研究中，應該探究更多的波段信息，分析不同的波段信息下冬小麥的產(chǎn)量估算效果，另外還可以試驗不同的作物，驗證基于無人機高光譜條件下不同作物下的產(chǎn)量估算能力。

4 結(jié)束語

在不同生育期，植被指數(shù)和紅邊參數(shù)與產(chǎn)量的相關(guān)性差異明顯，但大部分都呈現(xiàn)極顯著相關(guān)。利用優(yōu)選的植被指數(shù)和紅邊參數(shù)建立不同生育期的單參數(shù)產(chǎn)量估算模型，拔節(jié)期、挑旗期、開花期和灌漿期的最佳產(chǎn)量估算參數(shù)分別為REP、Dr/Drmin、GNDVI與GNDVI，對應的建模R2分別為0.20、0.51、0.55和0.53?；谥脖恢笖?shù)或植被指數(shù)結(jié)合紅邊參數(shù)，并利用PLSR構(gòu)建各生育期的產(chǎn)量估算模型，均在開花期表現(xiàn)最佳(R2分別為0.74和0.80)，與基于植被指數(shù)和基于植被指數(shù)結(jié)合紅邊參數(shù)的產(chǎn)量模型相比，使用PLSR提高了產(chǎn)量估算精度。同時，基于植被指數(shù)結(jié)合紅邊參數(shù)的產(chǎn)量估算模型在冬小麥不同生育期均表現(xiàn)出優(yōu)于基于植被指數(shù)的產(chǎn)量模型。