基于近地高光譜遙感的小麥葉片生長參數(shù)動態(tài)模型研究

李曉，吳亞鵬，賀利,3，段劍釗,3，王永華,3，馮偉,3

(1.河南農(nóng)業(yè)大學理學院，河南 鄭州 450002；2.河南農(nóng)業(yè)大學農(nóng)學院，河南 鄭州 450046; 3.國家小麥工程技術(shù)研究中心，河南 鄭州 450046)

葉片氮含量(LNC)是表征作物生長及氮素營養(yǎng)狀況的有效指標，對作物生長發(fā)育及產(chǎn)量品質(zhì)的形成具有重要影響。葉面積指數(shù)(LAI)是植株所有綠葉面積與對應的土地表面積的比率，是反映作物群體結(jié)構(gòu)特征及長勢好壞的重要參數(shù)。由于缺乏簡便易行的監(jiān)測診斷技術(shù)，導致當前小麥追肥時期與生長需求不吻合，追肥數(shù)量隨意性大，嚴重影響了作物生長發(fā)育，氮肥利用效率較低。因此，加強對作物LNC和LAI狀況的動態(tài)監(jiān)測對于作物生產(chǎn)管理意義重大。

由于快速、無損和大面積的巨大優(yōu)勢，運用遙感測定技術(shù)對作物生長及氮素狀況進行實時動態(tài)監(jiān)測一直是農(nóng)業(yè)科學家及種植管理者非常關(guān)注的熱點問題。不同土壤質(zhì)地顯著影響土壤理化特性以及冠層光譜反射率，通過兩波段優(yōu)化組合技術(shù)確立了不同土壤條件下小麥葉片氮含量監(jiān)測模型[1]。依據(jù)藍光的光學特性，構(gòu)建的修正藍光比值植被指數(shù)(mSR491)在地面和高空尺度上均能夠較好指示水稻LNC[2]。雙峰面積歸一化差值(NDDA)比多數(shù)紅邊類指數(shù)能更準確地估計小麥LNC[3]。觀測角度對冠層光譜影響較大，角度不敏感植被指數(shù)(AIVI)能削弱視場角的影響，更精準地估測小麥LNC[4]。調(diào)整型土壤植被指數(shù)(SAVI)和優(yōu)化的土壤調(diào)整型植被指數(shù)(OSAVI)減弱土壤影響，進而提高了反射率與LAI間關(guān)系[5]。非線性植被指數(shù)(NLI)和修正非線性植被指數(shù)(MNLI)減輕了目標物反演的飽和性，能夠更加線性表達與LAI的關(guān)系[6]。HABOUDANE等[7]基于反射率波段對葉綠素含量不敏感的選擇性特性，提出了修正型三角植被指數(shù)(MTVI1和MTVI2)和修正型葉綠素吸收指數(shù)(MCARI1和MCARI2)，其中MTVI2和MCARI2被證明是預測LAI的最佳指數(shù)。這表明許多研究對LNC和LAI的光譜學反演均取得了比較滿意的效果，但各自結(jié)果常因試驗條件及材料的不同，其適用性及可靠性還需要在不同生長條件下檢驗與評價。

作物生長的模擬模型是采用系統(tǒng)分析學的原理和計算機模擬的方法對作物生長、發(fā)育、器官建成、產(chǎn)量形成及其對所處環(huán)境反映的數(shù)字化描述，作物生長模擬模型已廣泛應用在理解、預測和調(diào)控作物生長和產(chǎn)量方面。前人相關(guān)研究表明，選擇指示性強的植被指數(shù)，確立時序動態(tài)模型在植物分類、作物器官建成以及產(chǎn)量預報等方面具有十分重要的理論價值和應用前景，運用植被指數(shù)的遙感動態(tài)模型將有助于作物生長監(jiān)測與評價[8]。WARDLOW等[9]提出，衛(wèi)星時間序列的歸一化植被指數(shù)(NDVI)和增強型植被指數(shù)(EVI)在堪薩斯州西南部的一般農(nóng)田、夏季作物和灌溉/非灌溉作物分類方面表現(xiàn)較好。ZHANG等[10]利用MODIS地表溫度和植被指數(shù)時間序列數(shù)據(jù)實現(xiàn)了水稻種植區(qū)制圖。NAGY等[11]提出基于衛(wèi)星NDVI的時間序列數(shù)據(jù)，可在收獲前6～8周預測干旱造成的產(chǎn)量損失。這些研究均表明了植被指數(shù)時序模型的廣泛應用性。因此，選擇適宜的能夠敏感反應作物長勢的植被指數(shù)，并依據(jù)生長建模技術(shù)構(gòu)建植被指數(shù)的時序軌跡方程，有利于實時動態(tài)了解作物產(chǎn)量形成過程，同時進行應變管理與精確調(diào)控。

河南是中國小麥重要的集中種植區(qū)和商品制品調(diào)出區(qū)，小麥總產(chǎn)占全國近30%。該區(qū)小麥生長的好壞直接關(guān)系全國人民生活水平和國家糧食安全。本研究在河南的南部和北部分別選擇兩個不同的試驗地點，以大面積種植的周麥27為試驗材料，篩選出了對小麥生長反應敏感的植被指數(shù)，并利用相關(guān)性和回歸建模方法確立了不同產(chǎn)量層次下對葉片生長敏感的植被指數(shù)時序動態(tài)模型，旨在為本地化小麥田間的應變管理及精確調(diào)控提供決策依據(jù)和技術(shù)支撐。

1 材料與方法

1.1 試驗設計

本研究選擇豫南的商水和豫北的原陽同步進行，具體涉及到不同年份、不同施氮量和灌水頻次的處理。

試驗 1：在豫北灌區(qū)的原陽縣河南農(nóng)業(yè)大學科教園區(qū)連續(xù)進行2季小麥試驗(2019—2021年)。采用大面積推廣應用的周麥27為材料，前茬作物為玉米，秸稈粉碎全量還田。土壤類型為沙質(zhì)潮土，耕層pH值為 8.3、有機質(zhì)為15.5 g·kg-1、速效鉀為137.4 mg·kg-1、全氮為0.84 g·kg-1和速效磷為13.4 mg·kg-1。試驗隨機區(qū)組設計，灌水設為3個頻次：W0(生育期內(nèi)不澆水)、W1(拔節(jié)期澆水1次)和W2(拔節(jié)期和開花期各澆水1次)；氮肥設為5個梯度：0(N0)、90(N6)、180(N12)、270(N18)以及360(N24)kg·hm-2，基肥和追肥數(shù)量各占50%，分別安排在播種前基施和拔節(jié)期結(jié)合澆水追肥。小區(qū)面積為6 m×7 m=42 m2，行距20 cm，3次重復，基本苗定為3.5×106株·hm-2。其他種植管理措施與一般高產(chǎn)麥田一致。

試驗2：在豫東南補灌區(qū)的河南省商水縣國營農(nóng)場進行連續(xù)2季小麥試驗(2017—2019年)。種植的小麥品種為周麥27，頭茬作物是夏玉米，將秸稈粉碎全量還田。土壤類型為砂姜黑土，耕層pH 7.5、速效磷18.6 mg·kg-1、速效鉀131.5 mg·kg-1、有機質(zhì)22.5 g·kg-1和全氮1.36 g·kg-1。隨機區(qū)組設計，灌水處理設2個頻次：W0(生育期內(nèi)不澆水)和W1(拔節(jié)期灌水)；氮肥處理設為5個水平：0(N0)、90(N6)、180(N12)、270(N18)以及360(N24)kg·hm-2，基追數(shù)量各50%，分別在基施和拔節(jié)期結(jié)合澆水追肥進行。小區(qū)面積為8 m×9 m=72 m2，行距20 cm，3次重復，基本苗設定為2.8×106株·hm-2。其他種植管理措施與一般高產(chǎn)麥田一致。

1.2 冠層光譜反射率的測定

小麥冠層的高光譜反射率采用地物ASD FieldSpec手持光譜儀(Analytical Spectral Devices Inc.,Boulder,CO,USA)進行測定，從小麥冠層到光譜探頭約1 m。光譜測量在上午10：00―14：00(北京時間)，要求天氣晴朗、無風或微風進行。光譜測定儀的視場角固定為25°，光譜分辨率為3.5 nm。高光譜波段的測定波譜區(qū)間為325～1 075 nm。在具體田間測定時同一個小區(qū)隨機選擇3個代表性樣點，每個樣點連續(xù)收集5條譜線，剔除異樣后計算反射率的平均值。同時，在光譜測量過程中采用光譜儀配套且定標過的BaSO4材料制作的0.40 m×0.40 m白板對每個小區(qū)反射率進行校正。光譜測定時期分別為越冬期、返青期、拔節(jié)期、孕穗期、抽穗期、開花期、灌漿前期、灌漿中期及灌漿后期。

1.3 生理指標的測定

1.3.1 葉片氮含量的測定 與光譜測定同步進行小麥植株破壞性取樣。在每個小區(qū)選擇3個有代表性的面積0.2 m2(50 cm長，兩行，行距20 cm)的小麥群體進行合并取樣。小麥植株按照器官進行分離，在105 ℃條件下殺青30 min，隨后在80 ℃條件下烘干，采用小型粉碎機粉碎。采用凱氏定氮法測定葉片的全氮含量(LNC/%)[12]。

1.3.2 葉面積指數(shù)的測定 將試驗材料及時帶回實驗室，參照DAUGHTRY[13]的方法測定葉面積指數(shù)。從每個處理樣本中選擇5株小麥，采用方格法測量頂部3張展開綠葉面積(LA)，統(tǒng)計所有葉片所覆蓋1 mm2方格的總個數(shù)。在計算LA時，葉邊緣覆蓋不足一半的方格不計數(shù)，而計算葉邊緣覆蓋超過一半的方格。將鮮葉測定完葉面積后烘干至恒重。一個小區(qū)的葉面積指數(shù)(LAI)的計算公式如下:

(1)

式中：DW1和DW2分別為頂部3張葉片和剩余葉片的干質(zhì)量；S為每個小區(qū)的取樣面積；LA為綠葉面積。

1.3.3 籽粒產(chǎn)量的測定 在籽粒成熟期，每個小區(qū)實收5 m2測產(chǎn)，折算單位面積產(chǎn)量。將產(chǎn)量水平等級劃分為4類：低產(chǎn)(LY,< 6 000 kg·hm-2)、中產(chǎn)(MY,6 000～7 500 kg·hm-2)、高產(chǎn)(HY,7 500～9 000 kg·hm-2)和超高產(chǎn)(SHY,> 9 000 kg·hm-2)。

1.4 植被指數(shù)動態(tài)模型的建立

累積生長度日(AGDD)為作物在一定時期內(nèi)溫度動態(tài)變化的累積性描述變量，具體指播種出苗日期到測定當日的連續(xù)生長累加值。逐日氣象資料主要包括日最高氣溫/℃、日最低氣溫/℃。AGDD由以下公式計算：

(2)

式中：Tmax和Tmin生育期內(nèi)每日最高及最低溫度；Tbase為小麥生理活動的基點溫度，這里取0 ℃。

采用兩個LOGISTIC模型相互連接的方法模擬小麥冠層植被指數(shù)隨著時間和積溫進程的動態(tài)變化過程。該模擬在MATLAB 9.0軟件平臺下進行，模擬方程參照FISCHER[14]形式，如下所示：

(3)

式中：y0為出苗前裸露土壤的光譜值(基礎值)，表示小麥開始生長的背景值。第一階段的LOGISTIC函數(shù)表示逐漸生長的過程，而第二階段的LOGISTIC方程則表征植株自開花后逐漸衰老的過程。y0+a1為時間序列內(nèi)光譜數(shù)值的最大值，a2為生長過程最大光譜值與成熟期冠層光譜數(shù)值之差；1/b1和1/b2分別指作物生長過程和衰老過程中2個LOGISTIC曲線相交拐點處的斜率，也是最大速度，與這2個拐點對應的時間分別為t1和t2,t為作物生長對應的時間。

1.5 數(shù)據(jù)處理與分析

1.5.1 植被指數(shù) 從已有的文獻資料中查閱了許多光譜指數(shù)，這些植被指數(shù)在作物氮素水平、葉綠素含量以及葉面積大小等指標方面反演應用較為廣泛[3-4,7]。本試驗依據(jù)前人文獻總結(jié)歸納了多個遙感植被指數(shù)，如表1。

表1 選用植被指數(shù)的公式及出處

1.5.2 數(shù)據(jù)分析 水氮處理導致各小區(qū)小麥生長差異明顯，長勢參數(shù)分布范圍寬、變化幅度大，生產(chǎn)代表性強，為相關(guān)分析及模型構(gòu)建提供數(shù)據(jù)支撐。本研究采用MATLAB 9.0軟件對光譜反射率以及植被指數(shù)與小麥生長及相關(guān)生理參數(shù)進行相關(guān)及回歸建模分析?；跊Q定系數(shù)(R2)和均方根誤差(RMSE)模型參數(shù)間的差異分析，對入選的植被指數(shù)進行總體性能評價。RMSE由以下公式計算：

(4)

式中：Pi和Oi為估算值和測定值;n為測定樣本數(shù)目。

2 結(jié)果與分析

2.1 小麥葉片氮含量和葉面積指數(shù)與高光譜反射率間的相關(guān)性

將不同時期及試驗的小麥LNC和LAI與冠層光譜反射率進行匯總，分析生長指標與光譜間的相關(guān)關(guān)系(圖1)。結(jié)果表明，小麥葉面積指數(shù)與高光譜反射率間相關(guān)性高于葉片氮含量，二者呈同步變化趨勢。LNC和LAI與近紅外短波段735～1 075 nm呈顯著正相關(guān)關(guān)系，而與可見光波段350～730 nm呈顯著負相關(guān)關(guān)系。其中，對于LNC來說，在750～920 nm波段內(nèi)相關(guān)系數(shù)為高峰區(qū)(r>0.48)，在768 nm波段處最高；而在515～715 nm波段內(nèi)相關(guān)系數(shù)呈現(xiàn)低谷(r<-0.55)，尤其在701 nm波段處最低；而對于LAI而言，760～925 nm范圍內(nèi)相關(guān)系數(shù)為峰值(r>0.65)，817 nm處最高；505～710 nm范圍內(nèi)相關(guān)系數(shù)為低谷(r<-0.65)，588 nm處最低。

圖1 小麥葉片氮含量、葉面積指數(shù)與冠層光譜反射率的相關(guān)性

2.2 小麥葉片氮含量和葉面積指數(shù)與植被指數(shù)間的關(guān)系

按照回歸分析給出的決定系數(shù)和均方根差，共篩選28個植被指數(shù)(圖2)。對于LNC而言，有9個植被指數(shù)給出了較高的R2(>0.75)，以AIVI表現(xiàn)最優(yōu)，R2和RMSE分別為0.789和0.416，其次為RES和mND924，R2和RMSE分別為0.782和0.423。而對于LAI來說，亦有9個植被指數(shù)的R2高于 0.70，其中，ONLI、CIgreen、GM-1和RVI(810,560)給出最好的預測精度(R2= 0.734,0.733,0.729和0.727)和最低的均方根差(RMSE=0.950,0.953,0.958和0.962)，而MSR(800,670)稍次。相比較而言，LNC與植被指數(shù)的關(guān)系優(yōu)于LAI。以ONLI、CIgreen和MSR(800,670)作為代表作圖3，展示葉片氮含量與葉面積指數(shù)與植被指數(shù)之間的定量關(guān)系(R2>0.72)，其中，RES與LNC之間為負相關(guān)關(guān)系，其余的光譜植被指數(shù)都表現(xiàn)出正相關(guān)關(guān)系。利用這些植被指數(shù)能夠較好地描述小麥葉片的生長狀況。

注：mND705為改進紅邊標準化植被指數(shù)；NPCI為葉綠素歸一化植被指數(shù)；DCNI為雙峰冠層氮指數(shù)；NDDA為雙峰標準化植被指數(shù)；LIC1為Lichtenthaler指數(shù)；Carter1為Carter指數(shù)；Readone為窄波段反射比率；RES為紅邊對稱度；mSR491為修正藍光比值植被指數(shù)；mND924為改進近紅外標準化植被指數(shù)；REP為紅邊位置；AIVI為角度不敏感植被指數(shù)；mRER為修正性紅邊比率；Green-NDVI為綠色歸一化植被指數(shù)；NDRE為標準化差異紅邊指數(shù)；SAVI(825,735)為土壤調(diào)節(jié)植被指數(shù)；RVI(810,560)為比值植被指數(shù)；MTCI為中分辨率陸地葉綠素成像指數(shù)；MTVI2為修改三角植被指數(shù)；CIred-edge為紅邊葉綠素植被指數(shù)；CIgreen為綠光葉綠素植被指數(shù)；mSR705為改進紅邊比值植被指數(shù)；WDRVI為廣域動態(tài)變化植被指數(shù)；VOG3為Vogelmann紅邊指數(shù)；GM-1為Gitelson-Merzlyak指數(shù)；MSR(800,670)為修正簡單比率；VIopt為最優(yōu)化氮素植被指數(shù)；ONLI為優(yōu)化非線性植被指數(shù)。

圖3 小麥葉片氮含量和葉面積指數(shù)與植被指數(shù)間定量關(guān)系

2.3 適宜表征小麥葉片生長的植被指數(shù)與籽粒產(chǎn)量間的關(guān)系

選用對LNC(AIVI、RES、mND924)和LAI(ONLI、CIgreen、MSR(800,670))指示性較好植被指數(shù)，分析其與小麥產(chǎn)量間的相關(guān)關(guān)系(表2)。由結(jié)果可知，整體而言，隨著生育時期的逐漸推進，光譜植被指數(shù)與小麥收獲期籽粒產(chǎn)量間的R2呈現(xiàn)出先增加而后降低的動態(tài)變化，其中，越冬期和灌漿后期的線性方程的決定系數(shù)最低(R2=0.084～0.368)，但相關(guān)系數(shù)仍然達到顯著水平，而在小麥拔節(jié)期至灌漿中期，決定系數(shù)均處于較高的相關(guān)水平(R2>0.62)，其中，R2在孕穗―灌漿前期均達0.81以上水平，尤其在灌漿前期達峰值(R2>0.85)。植被指數(shù)間比較，從返青期至灌漿盛期，對于LNC而言，表現(xiàn)為RES最優(yōu)，其次為AIVI；而對于LAI，則以CIgreen表現(xiàn)最好，ONLI次之?？梢姡谛←溚⑸L期，利用對LNC或LAI有較好指示性的植被指數(shù)可以較好地評價預測小麥產(chǎn)量狀況，尤以灌漿前期最為適宜。

表2 冠層光譜植被指數(shù)與小麥籽粒產(chǎn)量間線性決定系數(shù)

2.4 不同產(chǎn)量水平下植被指數(shù)的動態(tài)軌跡模型

優(yōu)選出6個與產(chǎn)量相關(guān)性較好的植被指數(shù)，采用雙LOGISTIC模型技術(shù)來擬合作物生長過程中植被指數(shù)的軌跡變化(圖4)。從圖4結(jié)果可知，隨著生長度日AGDD的不斷增加，不同產(chǎn)量層次的變化軌跡有所差異，除紅邊對稱度RES外，其余5個植被指數(shù)均表現(xiàn)為先緩慢增加而后逐漸降低的動態(tài)變化，而RES則表現(xiàn)相反特征。由圖4中(a—c)

圖4 優(yōu)化植被指數(shù)在不同產(chǎn)量水平下動態(tài)軌跡模擬

可知，高產(chǎn)和超高產(chǎn)條件下植被指數(shù)的動態(tài)變化曲線幾乎重合。表3為優(yōu)選的植被指數(shù)在不同產(chǎn)量水平條件下雙LOGISTIC擬合參數(shù)情況。隨著生長度日的推進，小麥生長的最大速度|1/b1|和衰老過程的最大速度|1/b2|均會因植被指數(shù)的類型及其入選波段而有所差異，反映LNC的AIVI、RES和mND924的最大速度無論在生長過程還是衰老過程均以超高產(chǎn)水平最高；而反映LAI的ONLI、CIgreen和MSR(800,670)的最大速度在生長過程以高產(chǎn)水平最高，在衰老進程中則以中等產(chǎn)量水平最優(yōu)；低產(chǎn)水平與高產(chǎn)水平的動態(tài)變化相對一致。6個植被指數(shù)在生長階段和衰老進度中最大速度均最小。進一步考察植被指數(shù)出現(xiàn)拐點的具體時間，則會因不同條件而異，選用的6個植被指數(shù)均在低產(chǎn)水平下衰老拐點最早出現(xiàn)，衰老拐點在其他產(chǎn)量層次下出現(xiàn)的時間早晚依次為中產(chǎn)>高產(chǎn)>超高產(chǎn)。AIVI、RES和mND924生長拐點出現(xiàn)的時間由早到晚依次為超高產(chǎn)>高產(chǎn)>低產(chǎn)>中產(chǎn)，而ONLI、CIgreen和MSR(800,670)則表現(xiàn)為隨著產(chǎn)量水平的提高而逐漸后移。從擬合模型的精度看，隨著產(chǎn)量水平逐漸提高，模型精度逐漸增加，而在低產(chǎn)水平下，模型R2表現(xiàn)較差(0.629～0.704)，而在超高產(chǎn)水平下，模擬R2較高(0.916～0.971)；植被指數(shù)間比較，整體而言，監(jiān)測LNC的植被指數(shù)擬合精度高于LAI。對于LNC來說，AIVI和mND924的擬合精度相對較高，而對于LAI而言，擬合精度相對較高的則為ONLI和CIgreen。

表3 植被指數(shù)在不同產(chǎn)量水平下的雙Logistic方程的模型參數(shù)

3 結(jié)論與討論

葉片氮含量和葉面積指數(shù)是判別作物生長好壞的重要參數(shù)，遙感監(jiān)測葉片LNC和LAI始終是學術(shù)界關(guān)注的熱點問題。LI等[35]構(gòu)建了含有2個紅邊波段的雙指數(shù)差值，提出了一種新的非正午觀測葉綠素含量的光譜觀測模式，有效避免農(nóng)田土壤背景對葉綠素含量估算的影響。WANG等[22]構(gòu)建的mND924監(jiān)測稻麥LNC更有魯棒性。以上研究顯示出紅邊和藍光波段對于評價作物氮素豐缺具有重要作用。而關(guān)于葉面積和生物量，不同光質(zhì)波段的植被指數(shù)其監(jiān)測的效果不同。由于冠層葉綠素含量與LAI呈良好關(guān)系，與NDVI光譜參數(shù)相比，MERIS葉綠素指數(shù)(MTCI)、綠光葉綠素指數(shù)(CIgreen)以及紅邊葉綠素指數(shù)(CIred-edge)對LAI更為敏感[36]。含有綠光和紅光波段的MTVI2以及歸一化差值物候指數(shù)NDPI被較多的研究證明對葉面積及生物量的變化敏感，能夠準確地反演LAI[7,37]。這些研究均表明，紅邊、綠光和紅光波段在評價作物LAI及生物量方面均有較好效果。本研究通過對多種植被指數(shù)進行篩選比較，得到了與以上前人相似的結(jié)果，發(fā)現(xiàn)AIVI、RES和mND924能很好地估測冬小麥LNC，而ONLI、CIgreen和MSR(800,670)能較好地反映LAI，這對小麥生長狀況監(jiān)測與評價具有重要指導價值。

在作物生產(chǎn)中，遙感技術(shù)被廣泛應用，尤其是多時相數(shù)據(jù)對作物分類、長勢監(jiān)測、面積提取以及產(chǎn)量估算取得了明顯效果。SAEED等[38]基于MODIS-NDVI數(shù)據(jù)實現(xiàn)了巴基斯坦旁遮普省的小麥產(chǎn)量預測，部分地區(qū)預測精度達到0.95。CHEN等[39]基于MODIS時間序列數(shù)據(jù)確定作物類型(如大豆、棉花和玉米)和種植模式(如大豆-玉米、大豆-棉花、大豆-牧場和單一作物等)的總體準確率分別達73%和86%。TAO等[40]基于時間序列MODIS-EVI數(shù)據(jù)，利用華北平原冬前物候特征繪制冬小麥分布圖。PAN等[41]利用MODIS-EVI時間序列數(shù)據(jù)在亞像素尺度上估計作物面積。TORNOS等[42]提出MODIS-NDVI時序模型能更有效地檢測埃布羅三角洲的水稻抽穗期和洪澇風險。這些研究結(jié)果均表明，植被指數(shù)的時序模型在農(nóng)業(yè)生產(chǎn)中具有很強的實用性，必將在未來智慧農(nóng)業(yè)領(lǐng)域里發(fā)揮其巨大的應用價值。當前小麥生產(chǎn)中，大面積推廣利用的品種類型多為緊湊型和半緊湊型品種，其冠層反射率及植被指數(shù)的時序動態(tài)模型受小麥長勢長相、生產(chǎn)條件及產(chǎn)量水平共同決定。依據(jù)產(chǎn)量水平進行有針對性的管理措施有利于適宜的冠層結(jié)構(gòu)形成，以及小麥長勢向著目標產(chǎn)量設計的方向發(fā)展，搭建豐產(chǎn)框架。冠層結(jié)構(gòu)及長勢指標隨著生育進程的動態(tài)軌跡反映在冠層光譜上也具有明顯的時序性，依據(jù)遙感測量數(shù)據(jù)模擬這種時序動態(tài)對因產(chǎn)量層次、地力水平實施應變調(diào)控管理具有十分重要的理論意義和應用價值。項方林等[43]基于雙LOGISTIC函數(shù)擬合時序植被指數(shù)并提取曲線特征參數(shù)，該模型具有良好估測單產(chǎn)的潛力。李鑫格等[44]確立了長江中下游麥區(qū)小麥冠層NDRE適宜時序曲線，能夠?qū)崟r無損監(jiān)測冬小麥的長勢動態(tài)。本研究依據(jù)相關(guān)性和回歸分析的方法篩選出能夠敏感反應葉片氮含量及葉面積的植被指數(shù)，并采用雙LOGISTIC模擬模型算法，能夠較好地擬合小麥冠層植被指數(shù)的曲線動態(tài)。當然，植被指數(shù)的動態(tài)軌跡隨光譜參數(shù)類型及產(chǎn)量水平而異，擬合精度則隨著產(chǎn)量水平的不斷提升而增加，其原因可能是產(chǎn)量水平越低，影響作物生長及產(chǎn)量形成的障礙性因子可能越多。模型參數(shù)的生長和衰老最大速率均在低產(chǎn)水平條件下表現(xiàn)最低，而在該產(chǎn)量水平下衰老拐點發(fā)生的時間也最早。這種結(jié)果顯示出生長速度慢、生育時期短可能是小麥低產(chǎn)的主要原因。本試驗參考以前文獻報道的時序模型建立方法，以小麥植被指數(shù)為自變量，生育時間作為時間變量軸，動態(tài)模擬軌跡曲線。以AGDD作為軌跡模型的時間軸，能夠消除或者減輕試驗年份、生態(tài)地點因溫度差異對小麥生長及冠層植被指數(shù)的時序模型參數(shù)的影響，產(chǎn)量形成的相關(guān)指標意義明確、模型參數(shù)的針對性好、應用指導性強。因此，在小麥種植管理實踐中，利用雙Logistic模型技術(shù)對獲取的植被指數(shù)進行時序本地化模型構(gòu)建，種植管理者能夠根據(jù)目標產(chǎn)量的制定及長勢指標的時序動態(tài)設計，對小麥關(guān)鍵生育時期的植被指數(shù)進行差異化調(diào)控，為實時應變管理和精確促控提供參考依據(jù)和技術(shù)支持。

本研究針對冬小麥LNC和LAI分別篩選出適宜的植被指數(shù)及其監(jiān)測模型，篩選的6個植被指數(shù)均可全程監(jiān)測冬小麥生長狀況。采用雙LOGISTIC模型方法對獲取的植被指數(shù)進行動態(tài)模擬，依據(jù)生產(chǎn)中產(chǎn)量水平等級劃分進行分別擬合，所得到的植被指數(shù)時序模型的擬合精度高，針對性強，這為小麥生產(chǎn)管理中利用遙感技術(shù)進行作物實時應變管理和因苗分類促控提供參考依據(jù)。然而，小麥產(chǎn)量的形成是多因素作用的結(jié)果，例如土壤、地點、氣候、生產(chǎn)條件及種植水平，本研究所構(gòu)建的面向河南本地化應用的植被指數(shù)動態(tài)軌跡模型還需進一步檢驗與優(yōu)化。