CN114202702B - 基于D-fG参数遥感获取的冬小麦动态收获指数遥感估算方法 - Google Patents

Abstract

本发明公开了一种基于D‑f_G参数遥感获取的冬小麦动态收获指数遥感估算方法，本发明基于冬小麦田间控制实验，在提出开花期至成熟期期间不同时期累积的地上生物量与对应时期地上生物量间比值动态参数D‑f_G基础上，通过作物冠层高光谱数据构建的窄波段光谱指数NDSI与D‑f_G间的相关关系筛选出D‑f_G估算的敏感波段中心和最佳波段组合，从而实现利用冠层高光谱对D‑f_G的准确估算。最终，基于D‑f_G参数遥感信息和实测D‑f_G与实测动态作物收获指数(Dynamic Harvest Index，D‑HI)间定量关系，实现基于冠层高光谱遥感的冬小麦作物收获指数最优估算，以期进一步提高冬小麦收获指数估算精度和水平，为大范围内利用遥感卫星技术进行农作物收获指数高精度获取提供理论基础和技术借鉴。

Description

基于D-fG参数遥感获取的冬小麦动态收获指数遥感估算方法

技术领域

本发明涉及的是一种基于冠层高光谱敏感波段D-f_G参数遥感获取的冬小麦动态收获指数遥感估算方法。

背景技术

收获指数(Harvest Index，HI)，又称经济系数，指作物收获时经济产量(籽粒、果实)与生物产量之比，该指数反映了同化产物在籽粒和营养器官之间的分配比例。对粮食作物(如小麦、玉米等)来说，收获指数即籽粒产量占地上生物学产量的百分比，其中地上生物学产量指的是地上总干物质量(Donald，1962；Donald and Hamblin，1976；潘晓华等，2007)。由于作物收获指数在作物产量模拟与估算(Fan et al.，2017；Hu et al.， 2019；Lorenz et al.，2010)、作物品种选育(Hay，1995；Rivera-Amado et al.，2019)、作物生长栽培环境评价(Porker et al.，2020；Yang and Zhang，2010)、作物固碳能力评价(Chen etal.，2021；Unkovich et al.，2010)以及农业对气候变化响应等方面能够起到重要的指示作用，其概念一经提出，便成为国内外学者的研究热点(Walter et al.，2018；姬兴杰等，2010)。

目前，农作物收获指数估算主要从田间尺度和区域尺度2种情况进行了深入研究。基于田间尺度作物HI估算中，一些学者主要从农学和作物学角度开展作物收获指数的模拟估算以及环境胁迫因子(如高温、水分亏缺、土壤养分缺失或过量等)对作物收获指数形成的影响等方面进行深入研究(Fletcher and Jamieson，2009；Kemanian et al.，2007；Soltani et al.，2005)。如Fletcher和Jamieson(2009)开展了小麦收获指数随时间变化的动态模拟及其影响因素研究，研究结果表明小麦收获指数的变化速率与作物灌浆初期的作物地上生物量和灌浆过程中作物生长速率密切相关，且小麦收获指数随时间呈现曲线变化，这对开展冬小麦收获指数的动态模拟与估算具有重要指导作用。Kemanian等 (2007)以小麦、大麦和高粱为研究作物，根据作物HI与作物开花后干物质积累量占整个生长季总干物质量的比例(f_G)呈线性或曲线关系，在田间尺度建立了f_G与HI之间的统计模型，实现了田间尺度作物收获指数的准确模拟和估计。同时，Li等(2011) 在中国山东省禹城市基于不同氮水平下冬小麦田间控制实验，利用作物开花后的干物质积累量占整个生长季总干物质量的比例(f_G)等实测数据开展了冬小麦HI估算方法研究，取得了较好的作物收获指数模拟结果。上述研究结果对利用f_G参数进行作物收获指数估算具有重要的参考意义，但由于上述研究仅考虑了成熟期作物f_G参数和成熟期作物收获指数，均未考虑f_G参数和收获指数的动态变化对作物收获指数估算和模拟的精度影响，从而一定程度上影响了收获指数估算结果的稳定性和估算精度的进一步提高。此外，一些学者基于作物开花至成熟时段的蒸腾量占整个生育期总蒸腾量的比例开展了小麦 HI估算研究(Li et al.，2011；Richards andTownley-Smith，1987；Sadras and Connor，1991)，研究中所提方法对水分亏缺条件下的冬小麦HI进行了有效的估算，但在水分充足而存在其它环境因子胁迫(如氮素胁迫)条件下，作物HI估算仍需要进一步深入研究。

基于区域尺度开展作物HI的估算中，传统方法采用以点代面法、空间插值法获取区域作物收获指数(任建强等.2010)。其中，以点代面法是将定点试验获得的多年收获指数均值作为区域收获指数；空间插值法是将实际调查多点作物收获指数进行空间内插得到当年收获指数区域空间分布。近些年来，随着遥感技术的快速发展，遥感技术凭借其覆盖范围大、快速和准确获取地表作物参数信息的优势，为准确获取区域作物收获指数空间信息提供了可靠的技术手段(Campoy et al.，2020；Walter et al.，2018)。其中，国内外学者基于遥感卫星获取的能够反映作物长势状况的时序植被遥感信息(如归一化植被指数和叶面积指数等)开展了一系列的作物收获指数估算研究(Li et al.，2011；Moriondo et al.，2007)。如Moriondo等人(2007)将冬小麦全生育期划分为发芽-开花和开花-成熟两个阶段，根据开花前后两个时段NDVI均值，构建模型1-NDVI_post/NDVI_pre估算HI 的空间分布，该方法可通过遥感手段获取冬小麦生长季的NDVI数据，对利用遥感信息获取区域尺度HI具有重要借鉴意义。同时，该方法也被中国学者进一步应用，如Du 等(2009)利用MERIS NDVI时序数据在山东禹城开展了区域冬小麦收获指数的反演和验证，并将区域冬小麦收获指数成果应用于作物产量估算研究。任建强等(2010)以中国黄淮海平原地区冬小麦为研究对象，以小麦开花期-乳熟期NDVI累积值和返青-开花前NDVI累积值的比值来表征冬小麦收获指数，通过建立该比值与实测收获指数间统计模型较好地估算了区域尺度上冬小麦的收获指数。上述方法简单易行，所需遥感数据时间序列较短且较易获取，有利于方法的实际应用，但上述方法均只针对成熟期收获指数的估算，均未实现收获指数变化动态变化过程指标信息的获取，这还有待进一步加强研究。

因此，现有技术存在缺陷，需要改进。

发明内容

本发明所要解决的技术问题是针对现有技术的不足提供一种基于冠层高光谱敏感波段D-f_G参数遥感获取的冬小麦动态收获指数遥感估算方法。

本发明的技术方案如下：

一种基于D-f_G参数遥感获取的冬小麦动态收获指数遥感估算方法，包括以下步骤：

A1、根据地面实测动态生物量数据，构建作物开花期-成熟期期间不同时期累积的地上生物量与对应时期地上生物量间比值动态参数D-f_G；

D-f_G计算方法如下：

式中，∑W_post为冬小麦开花期-成熟期期间不同时期累积的地上生物量(kg/hm²)；

∑W_whole为采样时期对应的全部地上生物量(kg/hm²)；t为采样时间，W_t为t采样时间的干物质量的重量(kg/hm²)，W_a为开花期干物质量的重量(kg/hm²)，D-f_G,t表示t采样时间的比值参数；

A2、基于地面作物冠层高光谱数据构建的任意两个冠层高光谱窄波段光谱指数NDSI，建立NDSI与冬小麦D-f_G之间的线性模型；

A3、然后绘制并分析NDSI与冬小麦D-f_G间的拟合精度R²二维图；

A4、通过确定R²极大值区域和极大值区域重心，从而得到对冬小麦D-f_G敏感的波段中心；

A5、确定D-f_G估算最优波段组合；

A6、基于NDSI和D-f_G关系的D-f_G遥感估算模型；

A7、D-f_G的遥感估算；

A8、获得基于D-f_G和D-HI关系的动态收获指数估算模型；

A9、D-HI的遥感估算。

所述的方法，所述步骤A4，根据R²极大值区域重心法获得敏感波段中心，从而确定D-f_G估算的敏感波段，即在冠层高光谱每个波段对应的窄波段光谱指数NDSI和D-f_G间相关性计算基础上，根据相关系数满足统计显著性要求的阈值确定极大值区域，在此基础上，计算相关系数极大值区域的重心，从而获得NDSI与D-f_G参数相关性较大的光谱波段中心和波段组合；具体过程如下：

首先，在绘制NDSI与冬小麦D-f_G间拟合R²二维图的基础上，确定NDSI与冬小麦D-f_G间相关性高的波段区域；其次，在该区域内寻找R²极大值点，并遍历该点8邻域内满足显著性条件的所有点，并将这些点的集合标记为R²极大值区域Ω；最后，计算R²极大值区域的重心，将其作为每个R²极大值区域的敏感波段中心；重心的计算公式(7)如下：

式中，f(u,v)为波段坐标为(u,v)的R²值，Ω为极大值区域，

敏感波段中心坐标。

所述的方法，所述步骤A4，对冬小麦D-f_G敏感的6个敏感波段中心包括λ(443nm，506nm)、λ(442nm，635nm)、λ(732nm，834nm)、λ(787nm，804nm)、λ(810nm， 877nm)和λ(861nm，985nm)。

所述的方法，所述步骤A6，基于NDSI和D-f_G关系的D-f_G遥感估算模型为：

D-f_G,t＝m×NDSI_i，j，t+n (5)

其中，i、j为分别为350nm～1000nm间高光谱波段，t为不同取样时间，m和n为拟合后得到线性方程中的拟合参数；根据该公式计算求出作物开花期至t时期累积地上生物量与t生育期地上生物量间比值参数D-f_G,t。

所述的方法，所述步骤A8，获得基于D-f_G和D-HI关系的动态收获指数估算模型为：

D-HI_t＝HI₀+s×D-f_G,t (6)

其中，HI₀为截距，即在作物开花期之后生物量不发生变化情况下动态收获指数的值，即当D-f_G,t为0时，D-HI收获指数的值；s为D-HI与D-f_G线性关系中的斜率常数。

所述的方法，所述步骤A8，根据开花期—成熟期期间不同采集时间的动态冬小麦地上生物量数据和灌浆过程中籽粒产量动态数据，计算冬小麦小区128个样本点的D-f_G和动态收获指数D-HI，在此基础上，利用公式(6)对D-f_G和动态收获指数D-HI间的相关性进行拟合，得到D-f_G和动态收获指数D-HI间估算模型，具体如下：

D-HI_t＝0.1018+0.8093*D-f_G,t

一种基于冬小麦动态收获指数的冬小麦产量估算方法，所述冬小麦动态收获指数采用任一上述方法获得。

本发明方法具有以下有益效果：

(1)由静态f_G参数发展为动态f_G参数

前人研究基于f_G的作物收获指数估算研究只考虑作物开花期-成熟期累积地上生物量与成熟期地上生物量间比值，而该参数由于未考虑作物生长过程中籽粒产量动态变化，因此，该参数属于静态参数。考虑到已有基于静态f_G(S-f_G)的作物收获指数估算研究中，由于建模数据和验证数据时间年份较短，因此，可能导致收获指数估算模型会存在稳定性不高的问题，针对这一情况，本发明进一步将一般的静态参数S-f_G，发展为考虑开花期-成熟期期间不同生育时期累积的地上生物量与对应时期地上生物量间比值的动态参数D-f_G(Dynamic f_G)。由于考虑了作物开花期-成熟期间动态D-f_G，这在一定程度上可以考虑作物生长动态变化过程信息，且可以增加每年的建模样本数量，从而可以利用较短年份建模数据获得稳定性和精度水平均较高的作物收获指数估算模型和估算结果。

(2)提出了基于遥感技术获取f_G参数信息的技术方法

一般获取f_G的方式是在田间尺度通过地面人工观测作物地上生物量获得，本发明在将静态S-f_G发展为动态D-f_G基础上，通过冠层高光谱获得NDSI遥感信息，然后利用重心模型对D-f_G遥感估算敏感波段进行筛选，实现了D-f_G参数的遥感估算。本发明所提出的基于冠层光谱敏感波段中心构建NDSI的D-f_G遥感估算技术方法可为无人机遥感和大范围内利用遥感卫星技术进行D-f_G参数遥感获取奠定技术基础，也为田间尺度基于实测S-f_G的作物收获指数估算方法升尺度应用提供了新的思路和技术方法。

(3)提出了基于动态f_G参数遥感获取的动态收获指数遥感估测技术方法

针对已有传统的基于f_G参数作物收获指数估算全部采用地面实测数据来实现，而无法利用遥感信息实现该方法升尺度区域应用，且已有利用遥感信息估算作物收获指数研究一般只进行农作物成熟期收获指数估算，而对作物收获指数动态变化过程考虑不足，一定程度上影响了作物收获指数估算精度的进一步提高，因此，在充分利用遥感数据获得动态f_G参数遥感信息基础上，本发明提出了考虑灌浆期—成熟期不同时期作物生物量变化和籽粒形成过程的动态作物收获指数遥感估算方法，一定程度上提高了作物收获指数遥感估算模型的稳定性和精度，突破了传统的基于f_G参数作物收获指数估算方法无法利用遥感信息进行升尺度应用的瓶颈，实现了基于动态f_G参数遥感获取的动态收获指数遥感高精度估测。

附图说明

图1为研究区位置及试验小区布设；

图2为试验小区不同生育期冬小麦冠层高光谱曲线；

图3为技术路线图；

图4为基于NDSI估算作物D-f_G的遥感敏感波段中心确定示意图；

图5为S-f_G和成熟期收获指数G-HI间的线性关系模型；

图6为基于实测S-f_G的成熟期作物收获指数估算精度验证；

图7为正常水平施肥和灌水处理(N2W2)冬小麦NDSI二维分布(2020年)；a.开花期(5月10日)，b.灌浆前期(5月18日)，c.灌浆中期(5月24日)，d.灌浆后期 (6月3日)，e.成熟期(6月19日)；

图8为NDSI与冬小麦D-f_G间的拟合R²二维图；

图9为NDSI与冬小麦D-f_G间的拟合R²二维等值线图；

图10为基于敏感波段中心构建的NDSI与D-f_G间模型构建；

图11为基于敏感波段中心的D-f_G估算结果验证；

图12为基于D-f_G遥感参数的D-HI估算模型建立；

图13为基于高光谱敏感波段D-f_G参数的D-HI估算结果验证；

图14为基于高光谱敏感波段D-f_G参数的成熟期D-HI估算结果验证；

图10、图11、图13、图14中各图对应的敏感波段中心：a(443nm，506nm)、b (442nm，635nm)、c(732nm，834nm)、d(787nm，804nm)、e(810nm，877nm)、f (861nm，985nm)；

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

1材料与方法

1.1研究区域与试验设计

本发明田间试验设在北京市顺义区农业环境综合试验示范基地(116°92′～116°94′E，40°05′～40°06′N)。该研究区属于暖温带半湿润大陆季风气候，年平均气温约11.5℃，年平均降水量约625mm，年日照约2750小时，无霜期195天左右。该研究区的主要种植制度为冬小麦-夏玉米一年两熟制。研究区位置图见图1。

为了获得具有不同长势和生长状态的冬小麦观测作物，考虑到研究区目前冬小麦长势和产量主要受施肥和灌溉影响，特别是氮素和土壤水分对冬小麦长势和产量具有重要控制作用，因此，本发明设计试验主要考虑氮肥和水分两种因素。冬小麦试验于2019 年10月至2020年6月。试验选用小麦品种为轮选987，底肥为过磷酸钙、硫酸钾(P₂O₅为135kg/hm²、K₂O为90kg/hm²)。试验设置了4种供氮水平：N0(不施氮肥)、N1(施氮量160kg/hm²)、N2(施氮量为240kg/hm²)、N3(施氮量为320kg/hm²)。氮肥量分两次施用，即播种时底肥和返青期追肥各施用一半的肥量，追肥时间为冬小麦返青-拔节期。整个生育期灌溉水量处理分为四个水平：W0(0mm)、W1(100mm)、W2(150mm)、 W3(200mm)。其中，W2为整个生育期当地冬小麦正常灌水总量。冬小麦灌水共计4 次，灌水时间分别为冬前、返青期、拔节期、孕穗期,平均每个小区每次灌水0mm、25mm、 37.5mm和50mm。冬小麦试验其他栽培管理与当地传统冬小麦管理措施保持一致。在冬小麦全生育期共设置4个不同施氮量和4个不同水分处理，共16个处理，每个处理设置3个重复，共48个试验小区，每个小区面积为30m²(5m×6m)。本发明中，控制实验的播种时间为2019年10月9日，冬小麦抽穗-开花期为2020年5月上旬、灌浆- 乳熟期(2020年5月中旬至6月上旬)、成熟期(2020年6月中旬)。

1.2数据获取与处理

地面数据采集主要包括各个小区内冬小麦地上鲜生物量、地上干生物量和冬小麦冠层高光谱数据等指标的观测，采集数据过程中，主要选择天气晴朗无云、太阳光强度稳定的日期开展地面数据采集工作。最终，本发明在2020年5月10日(开花期)、5 月18日(灌浆前期)、5月24日(灌浆中期)、6月3日(灌浆后期)和6月19日(成熟期)共开展5次地面数据采集工作。试验共48个小区，根据每个小区内共布设2个采样点，共进行5次样品采集，为了保证数据采集质量，每个小区内在开花期选择长势基本一致的10个小麦植株区域(约1行20cm)，并系上标签作为记号，供小麦开花-成熟期期间的每个采样点进行冬小麦地上鲜生物量和冠层高光谱数据采集。为了准确获得每个小区的地上鲜生物量、地上干生物量数据和冠层光谱数据，分别将每个小区内2个样点获得的数据进行平均处理，从而提高参与建模和模型验证的地面观测数据质量。

(1)地上生物量的获取

每次地面观测时，在各个小区内标记点处分别取20cm行长的冬小麦地上部分为样本，然后将采集的冬小麦样本用自封袋封存并运回实验室进行分析。在实验室中，首先称量各取样点小麦的总鲜重并记录；其次，将各个取样点的茎叶穗分开，分别放进纸袋并称量茎叶穗的鲜重；第三，将分离的小麦茎叶穗放入烘箱105℃下杀青处理30min，再将样本在85℃条件烘干至恒重，记录各个小区观测样点茎叶穗的干重称量结果。最后，得到各个小区样点的干生物量重。

(2)动态收获指数的获取

在获得各个小区采样点20cm行长的冬小麦茎叶穗干重基础上，分别对各个采样点小麦穗进行脱粒处理，然后称取并记录各个样点的籽粒重量。最后，计算冬小麦籽粒灌浆过程中各个地面观测时间的冬小麦收获指数。由于籽粒灌浆过程中，作物收获指数逐步形成且随时间变化收获指数也呈现动态变化，因此，本发明将冬小麦籽粒灌浆过程中各个地面观测时间的冬小麦收获指数称为动态收获指数(Dynamic Harvest Index，D-HI)。

式中，t为灌浆至成熟期期间的地面采样时间，W_z，t、W_J，t、W_Y，t、W_S，t分别为灌浆至成熟期期间t采样时间冬小麦籽粒、茎、叶、穗的干重，D-HI_t为灌浆至成熟期期间t采样时间的动态收获指数。

(3)冠层高光谱数据测量

冠层高光谱测量主要利用美国ASD Field Spec 4光谱辐射仪对48个小区内长势均匀区域进行地面光谱采集，该光谱仪测量范围为350-2500nm。其中，350-1000nm波长内采样间隔为1.4nm，1000nm-2500nm波长内采样间隔为2nm，重采样后数据间隔为 1nm。每次测量前用标准白板进行校正，测量时探头垂直向下，光谱装置探头视角为25°视角，探头距离作物冠层顶部高度约为0.5m。每个小区取2个采样点，每个样点最优时间间隔读取5个光谱数据，取其均值作为该小区的光谱反射率值，以降低噪声干扰和随机性。本发明中，作物冠层光谱采集在当地时间10:00—14:00且天气状况良好、阳光照射充足条件下进行。

冠层高光谱数据的预处理主要包括光谱平均及光谱平滑处理。其中，光谱数据均值处理利用ViewSpecPro软件，其平均值作为相应采样点的反射光谱值。光谱平滑处理主要利用ENVI软件中9点加权移动平均法对光谱反射率数据进行平滑去噪处理。最终，得到观测小区各个采样点冬小麦冠层高光谱反射率数据。48个试验小区的光谱经过平均和平滑后的不同生育期冬小麦冠层高光谱曲线如图2所示。

1.3研究方法

1.3.1基本概念

(1)动态收获指数

一般的收获指数(Harvest Index，HI)只考虑成熟期作物籽粒产量占地上部总干物质量的百分比(Donald and Hamblin 1976)，该指数为作物收获指数的最大值，即最终收获指数。为了提高作物收获指数估算的精度，提高作物收获指数模型的稳定性，本发明除了考虑成熟期收获指数，还同时考虑了作物收获指数逐步形成和随时间变化的收获指数动态信息，本发明称为动态收获指数(Dynamic Harvest Index，D-HI)。为了区分所提的D-HI指标，本发明将一般的收获指数定义为G-HI(General Harvest Index)。对粮食作物(如小麦、玉米等)来说，动态收获指数即指从作物籽粒形成开始，在逐步灌浆到成熟过程中，逐步增加的作物籽粒产量占作物地上部干物质量百分比的动态变化过程，该指数在籽粒形成后随作物生长发育时间的逐渐增加而增加，直到达到收获指数最大值。

(2)动态f_G参数

一般的作物开花期-成熟期累积地上生物量与成熟期地上生物量间比值参数f_G为静态参数(Static f_G，S-f_G)且只应用于成熟期的f_G计算，而缺少开花期-成熟期之间f_G参数的动态过程研究，这导致利用较短年份试验获取的f_G静态参数与作物收获指数间相关关系可能存在关系不稳定的现象，从而一定程度降低了作物收获指数的估算精度。为了提高作物收获指数估算模型的稳定性和估算精度，本发明在原来静态f_G参数基础上，提出一个动态f_G指标，即考虑开花期-成熟期期间不同时期累积的地上生物量与对应时期地上生物量间比值动态参数D-f_G(Dynamic f_G)。该指标D-f_G计算方法如下：

式中，∑W_post为冬小麦开花期-成熟期期间不同时期累积的地上生物量(kg/hm²)；∑W_whole为采样时期对应的全部地上生物量(kg/hm²)；t为采样时间，W_t为t采样时间的干物质量的重量(kg/hm²)，W_a为开花期干物质量的重量(kg/hm²)，D-f_G,t表示t采样时间的比值参数。

(3)冠层高光谱窄波段光谱指数NDSI

大量农作物遥感监测研究表明，归一化植被指数(NDVI)与作物地上生物量和作物籽粒产量间存在较强的相关性(任建强等，2015；冯美臣等，2010)，同时，近年来该指数在作物收获指数遥感估算中也得到了一定应用且获得了较好的研究结果，因此，本发明也使用最常用的归一化植被指数进行动态收获指数遥感估算研究。NDVI的计算公式为：

NDVI＝(ρ_nir-ρ_red)/(ρ_nir+ρ_red) (3)

式中，nir和red分别表示近红外和红光波段，ρ_nir和ρ_red分别表示近红外波段光谱反射率和红光波段光谱反射率。当近红外波段反射率和红光波段反射率不限制在电磁波谱的近红外区域和红光区域，而是针对高光谱任意两波段进行组合时，可以用高光谱窄波段光谱指数(normalized spectral index,NDSI)进行表示，具体如下：

NDSI＝(ρ_i-ρ_j)/(ρ_i+ρ_j) (4)

式中，i、j分别为高光谱波段对应的波长、ρ_i和ρ_j分别为i、j波长所对应的光谱反射率。其中，NDSI值域范围为[-1,1]。为了便于研究作物冠层高光谱窄波段光谱指数与 f_G的相关关系，考虑到作物冠层光谱在1350～1415nm和1800～1950nm受大气和水蒸气影响较大，且本发明主要针对可见光—近红外波段范围进行研究，因此，本发明在 350～1000nm的波段范围(含650个波段)进行D-f_G估算的遥感敏感波段筛选及动态作物收获指数遥感估算。

1.3.2总体技术路线

首先，根据地面实测生物量数据，构建作物开花期-成熟期累积地上生物量与成熟期地上生物量间比值参数为静态参数(S-f_G)和开花期-成熟期期间不同时期累积的地上生物量与对应时期地上生物量间比值动态参数(D-f_G)。然后，基于地面作物冠层高光谱数据构建的任意两个冠层高光谱窄波段光谱指数(NDSI)，建立NDSI与冬小麦D-f_G之间的线性模型；然后绘制并分析NDSI与冬小麦D-f_G间的拟合精度R²二维图；在此基础上，通过确定R²极大值区域和极大值区域重心，从而得到对冬小麦f_G敏感的波段中心；最后，构建动态收获指数D-HI和参数D-f_G的最佳模型。其次，根据地面实测生物量数据，构建基于S-f_G的收获指数估算模型。最后，利用预留的收获指数验证数据集进行验证，并对两种方法构建的作物收获指数估算模型进行精度对比分析。具体技术路线如图3。

1.3.3基于高光谱敏感波段D-f_G参数获取的作物动态收获指数估算

1.3.3.1作物动态收获指数估算模型构建

本发明提出了基于D-f_G遥感信息的动态收获指数D-HI遥感估算方法。把动态参数D-f_G作为中间变量，首先确定NDSI与D-f_G之间模型，根据其模型确定对冬小麦f_G敏感的波段中心；然后确定D-f_G和动态收获指数D-HI间统计关系模型；最后，根据筛选出的敏感波段中心，即可确定相对应的D-f_G，进而估算作物收获指数，并进行精度验证。作物动态收获指数的计算方法如下：

D-f_G,t＝m×NDSI_i，j，t+n (5)

D-HI_t＝HI₀+s×D-f_G,t (6)

公式(5)主要用于NDSI与D-f_G的模型构建。其中，i、j为分别为350nm～1000nm 间高光谱波段，t为不同取样时间，m和n为拟合后得到线性方程中的拟合参数。根据该公式计算求出作物开花期至t时期累积地上生物量与t生育期地上生物量间比值参数 D-f_G,t。

公式(6)主要用于D-f_G与D-HI间模型构建。其中，HI₀为截距，即在作物开花期之后生物量不发生变化情况下动态收获指数的值，即当D-f_G,t为0时，D-HI收获指数的值；s为D-HI与D-f_G线性关系中的斜率常数。根据该公式可计算求出处于t生育期时动态收获指数。

1.3.3.2D-f_G遥感估算的冠层高光谱敏感波段中心确定

本发明利用遥感技术获取作物开花期-成熟期期间不同时期累积的地上生物量与对应时期地上生物量间比值动态参数D-f_G信息，从而利用实测的D-f_G与作物动态收获指数间相关关系，实现基于D-f_G遥感信息的作物收获指数准确估算。研究中，在获得冬小麦冠层高光谱和实测冬小麦D-f_G参数基础上，开展基于高光谱遥感窄波段光谱指数 NDSI的冬小麦D-f_G遥感估算研究。由于高光谱数据波段众多且波段间的相关性较高，导致光谱信息冗余度增加，为提高D-f_G参数遥感估算模型的准确性，本发明需要利用窄波段光谱指数NDSI对D-f_G参数敏感的波段中心和光谱波段进行筛选。

由于在NDSI与D-f_G间的R²二维图中，R²极大值区域并不是均匀分布的，R²极大值点与R²极大值区域重心不一定完全重合，导致R²极大值点对应波段不一定与最优波段中心重合。因此，为保证利用所选波段中心构建的NDSI可以获得高精度D-f_G估算结果，进而使得作物收获指数估算结果更具有稳定性，本发明根据R²极大值区域重心法获得敏感波段中心，从而确定D-f_G估算的敏感波段，即在冠层高光谱每个波段对应的窄波段光谱指数NDSI和D-f_G间相关性计算基础上，根据相关系数满足统计显著性要求的阈值确定极大值区域，在此基础上，计算相关系数极大值区域的重心，从而获得NDSI 与D-f_G参数相关性较大的光谱波段中心和波段组合。具体过程如下：

首先，在绘制NDSI与冬小麦D-f_G间拟合R²二维图的基础上，确定NDSI与冬小麦D-f_G间相关性高的波段区域；其次，在该区域内寻找R²极大值点，并遍历该点8邻域内满足显著性条件的所有点，并将这些点的集合标记为R²极大值区域Ω；最后，计算R²极大值区域的重心，将其作为每个R²极大值区域的敏感波段中心。冬小麦D-f_G敏感波段中心确定示意图如图4，重心的计算公式(7)如下：

式中，f(u,v)为波段坐标为(u,v)的R²值，Ω为极大值区域，

敏感波段中心坐标。

1.3.4基于实测S-f_G的成熟期作物收获指数(G-HI)估算

为了与改进前作物收获指数估算精度进行对比，本发明利用Kemanian等人(2007)提出的作物开花至成熟时段的干物质累积量占整个生育期总累积量的比例系数(S-f_G) 与成熟期收获指数(G-HI)线性关系模型进行基于实测S-f_G的成熟期作物收获指数G-HI 估算，采用线性模型形式如下：

G-HI＝HI₀+k×S-f_G (8)

式中，G-HI为收获期的作物收获指数，HI₀为线性关系中的截距；k为线性关系中的斜率；S-f_G为作物开花-成熟时段内干物质累积量占整个生育期内总累积量的的比例。

1.3.5作物收获指数估算模型精度评价

为了评价作物收获指数估算过程中f_G(包括S-f_G和D-f_G)估算精度和收获指数(包括G-HI和D-HI)估算精度，本发明选取决定系数(coefficient of determination，R²)、均方根误差(root mean square error，RMSE)、归一化均方根误差(normalized root meansquare error，NRMSE)和平均相对误差(mean relative error，MRE)进行收获指数估算模型精度的检验。其中，R²表示模拟值与实测值的拟合程度，取值范围为0～1。R²越高，越接近于1，说明模型的拟合效果越好，反之，R²越低，越接近于0，说明模型的拟合效果越差。RMSE表示模拟值与实测值的偏离程度，均方根误差值越大，表示模拟值与实测值偏离越大，即模拟效果越差；反之，均方根误差值越小，表示模拟效果越好。 NRMSE是指均方根误差与实测值平均值之比。MRE是指各相对误差绝对值之和的平均值，表示模拟值与实测值的平均偏离程度。当NRMSE和MRE<10％时，判断模拟结果精度为极好；当10％<NRMSE和MRE<20％时，判断模拟结果精度为良好；当 20％<NRMSE和MRE<30％时，判断模拟结果精度为一般；当NRMSE和MRE>30％时，判断模拟结果精度为较差，判断标准优先考虑NRMSE值的大小，具体公式如下：

式中，x_i为f_G(如S-f_G和D-f_G)或HI(如G-HI和D-HI)的实测值；y_i为冬小麦 f_G(如S-f_G和D-f_G)或HI(如G-HI和D-HI)的估测值；

分别为x_i，y_i的均值，n 为样本数。

2结果与分析

2.1基于实测S-f_G的成熟期作物收获指数(G-HI)估算

研究中，根据6月19日冬小麦成熟期的地上生物量数据和小麦籽粒单位面积产量，计算获得各个小区成熟期冬小麦平均实测收获指数；然后，将2020年5月10日采集的冬小麦开花期地上生物量作为基准，计算获得冬小麦开花-成熟时段内干物质累积量占整个生育期内总累积量的的比例S-f_G参数。在此基础上，根据公式(8)构建了冬小麦开花-成熟时段内干物质累积量占整个生育期内总累积量的的比例S-f_G与成熟期收获指数构建模型。研究中，根据建模数据集与验证数据集比例为2:1的原则，随机将其中一个冬小麦田间控制实验重复处理组实测的S-f_G和G-HI作为验证数据集(共16个数据样本)，其余2个实验重复处理组实测的S-f_G和G-HI作为建模数据集(共32个数据样本)。其中，由图5可知，S-f_G和收获指数HI构建的线性模型决定系数为0.5058。通过预留的验证数据集进行验证得到RMSE为0.0603，NRMSE和MRE分别为11.78％、11.31％，如图6所示。

2.2基于高光谱敏感波段D-f_G参数获取的作物收获指数遥感估算

2.2.1不同控制实验处理的冬小麦冠层高光谱NDSI计算结果

在对每次地面观测不同实验处理小区采集的作物冠层高光谱数据预处理基础上，根据公式(4)计算并绘制每次地面观测各个实验处理小区任意两波段组合的窄波段光谱指数(NDSI)。其中，在350～1000nm高光谱范围内任意两波段间组合及相关NDSI 值共有650×650个。本发明仅展示冬小麦控制实验中正常水平施肥和灌水处理(N2W2) 的5次地面观测数据计算获得的冠层高光谱NDSI结果。图7所示的5幅NDSI分布图是冬小麦控制实验中正常水平施肥和灌水处理(N2W2)冬小麦开花期、灌浆前期、灌浆后期、灌浆后期和成熟期等不同生育期NDSI计算结果。其中，横坐标(λ₁)、纵坐标 (λ₂)均为作物冠层高光谱波长，波长范围为350～1000nm，横、纵轴构成二维空间所对应的点为任意两波段λ₁、λ₂所对应的反射率计算的NDSI值。

2.2.2基于NDSI的D-f_G估算冠层高光谱敏感波段中心确定

(1)基于NDSI与D-f_G的相关性的R²二维分布图

本发明首先计算获得5月18日、5月24日、6月3日、6月19日四次地面观测各个小区的NDSI和D-f_G等数据指标，其中，D-f_G的计算以5月10日作为开花期冬小麦地上生物量为基准。在此基础上，构建了NDSI和D-f_G间的统计关系模型。其中，48 个小区共进行四次地面观测，最终累计获得192个小区地面观测数据样本，数据指标包括NDSI和D-f_G。根据建模数据集与验证数据集比例为2:1的原则，随机将其中一个冬小麦田间控制实验重复处理组计算获得NDSI和D-f_G作为验证数据集(共64个小区地面观测数据样本)，其余2个实验重复处理组计算获得NDSI和D-f_G作为建模数据集(共 128个小区地面数据样本)。

最终，利用Matlab软件获得了NDSI与D-f_G的拟合精度R²二维图(如图8所示)，其中，横坐标(λ₁)、纵坐标(λ₂)为350～1000nm波长范围间隔1nm的作物冠层高光谱波长，横、纵轴构成R²二维空间所对应的点共计650×650个，且每个R²二维空间点是对应两波段(λ₁，λ₂)组合所构建的NDSI值与实测D-f_G间的拟合精度R²。其中，每个R²二维空间点是由128个小区一定波长的两波段组合构建的NDSI与对应小区D-f_G构建线性模型的决定系数。由图8可知，拟合精度R²以(350，350)、(1000，1000) 两点间连线呈轴对称分布，从中可以得到NDSI对D-f_G相关性较大的区域及相关波段信息。在(350，350)、(1000，1000)两点间对称轴上侧，从图8中虚线方框内深红色部分可以看出，NDSI与冬小麦D-f_G间呈现高度相关的主要有两个区域，区域包括横轴 370～550nm和纵轴480～720nm、横轴750～970nm和纵轴770～1000nm范围的二维区域，其中，R²达到0.75以上，这为D-f_G估算冠层高光谱敏感波段中心确定奠定了基础。

(2)D-f_G估算冠层高光谱敏感波段中心确定

研究中，通过查找相关系数显著性检验表，当样本数量n＝128时，在0.05显著性水平上，当R²>0.030时，NDSI与D-f_G呈现显著相关关系；在0.01显著性水平上，当 R²>0.051时，NDSI与D-f_G呈现极显著相关关系。为了保证敏感波段中心确定的精度和可靠性，因此，本发明选择了符合R²>0.051的R²二维区域进行研究，在图8中寻找 R²>0.051的极大值点，遍历该点8邻域内所有R²>0.051的点，将这些点的集合标记为极大值区域，并以R²＝0.1为梯度显示R²的分布区域，为了更直观的显示敏感波段的分布范围，这里对R²≥0.6的结果进行显示，如图9所示。

为了提高所选高光谱敏感波段中心估算D-f_G的精度，进而提高估算收获指数的准确性，本发明选择了R²>0.8的R²二维区域进行敏感波段中心的确定研究。Ω_A～Ω_F为满足R²＞0.8的R²极大值区域，具体结果如下：Ω_A范围在横轴400～500nm和纵轴 480～540nm之间；Ω_B范围在横轴370～550nm和纵轴550～720nm之间；Ω_C范围在横轴 720～750nm和纵轴720～980nm之间；Ω_D范围在横轴770～810nm和纵轴790～820nm之间；Ω_E范围在横轴770～870nm和纵轴830～930nm之间；Ω_F范围在横轴750～970nm和纵轴950～1000nm之间。在确定NDSI与D-f_G的敏感区域后，根据公式(7)计算得到每一个R²极大值区域的中心(λ₁，λ₂)，其中，λ₁为极大值区域中心横坐标，λ₂极大值区域中心纵坐标。最终，得到Ω_A～Ω_F极大值区域重心分别为A(443nm，506nm)、B (442nm，635nm)、C(732nm，834nm)、D(787nm，804nm)、E(810nm，877nm) 和F(861nm，985nm)。

2.2.3基于冠层光谱敏感波段中心构建NDSI的D-f_G遥感估算

根据2.2.2筛选出的D-f_G估算冠层高光谱敏感波段中心结果分别计算冠层高光谱窄波段光谱指数NDSI。其中，6个敏感波段中心结果包括λ(443nm，506nm)、λ(442nm，635nm)、λ(732nm，834nm)、λ(787nm，804nm)、λ(810nm，877nm)和λ(861nm， 985nm)。然后，根据公式(5)利用128个小区地面观测数据样本的NDSI数据与冬小麦D-f_G构建线性模型，并用其余64个小区地面观测数据样本作为验证数据集进行精度验证。基于敏感波段中心构建的NDSI与D-f_G间统计关系及D-f_G估算精度具体结果如表 1、图10和图11所示。从表1中可以看出，筛选出的6个D-f_G估算冠层高光谱敏感波段中心构建的NDSI拟合D-f_G在P<0.01水平上均达到极显著水平，模型决定系数R²在 0.8138～0.8613之间。通过预留验证数据集对所建立的NDSI与D-f_G间统计模型进行验证可知，筛选出的6个D-f_G估算冠层高光谱敏感波段中心构建的NDSI和D-f_G间统计模型均具有较好的D-f_G估算效果，估算D-f_G均达到了高精度水平。其中，RMSE在 0.0267～0.0411之间，NRMSE在9.27％～14.27％之间，MRE在8.81％～14.26％之间。其中，筛选出的敏感波段中心(732nm，834nm)构建的NDSI估测冬小麦D-f_G精度最高，其决定系数R²达了0.9522，NRMSE和MRE和分别为9.27％、8.81％；其次，筛选出的敏感波段中心(443nm，506nm)构建的NDSI估测冬小麦D-f_G精度达到较高水平，其决定系数R²为0.9347，NRMSE和MRE和分别为10.94％、9.86％；筛选出的敏感波段中心(861nm，985nm)构建的NDSI估测冬小麦D-f_G精度相对较低，其决定系数R²为 0.8981，NRMSE和MRE和分别为14.27％、14.26％。

表1基于敏感波段中心构建的NDSI与D-f_G间统计关系及D-f_G估算精度

注：拟合方程中x为波段λ₁，λ₂构建的NDSI，y为拟合的冬小麦D-f_G。N为样本数量。

**表示在p＜0.01水平下极显著相关。

2.2.4基于高光谱敏感波段D-f_G参数获取的D-HI遥感估算模型建立及验证

基于NDSI与D-f_G间的相关性，本发明利用冠层高光谱筛选出D-f_G参数估算敏感波段中心；然后，利用敏感波段中心构建的NDSI指数，实现了准确的D-f_G遥感估算。在此基础上，基于实测的D-f_G和D-HI间统计关系模型，利用D-f_G遥感参数信息实现动态收获指数D-HI的遥感估算。最终，利用预留的验证数据对D-HI遥感估算模型进行验证。

2.2.4.1基于D-f_G遥感参数的D-HI估算模型建立

根据开花期—成熟期期间不同采集时间的动态冬小麦地上生物量数据和灌浆过程中籽粒产量动态数据，计算冬小麦小区128个样本点的D-f_G和动态收获指数D-HI，在此基础上，利用公式(6)对D-f_G和动态收获指数D-HI间的相关性进行拟合，得到D-f_G和动态收获指数D-HI间估算模型，具体如下：

D-HI_t＝0.1018+0.8093*D-f_G,t

研究表明，本发明中实测冬小麦D-f_G与作物动态收获指数之间呈现显著的线性关系，其中，动态D-f_G和动态收获指数D-HI构建的线性模型决定系数达到为0.9679(图 12)，这为开展基于动态D-f_G的动态收获指数估算奠定了良好基础。

2.2.4.2基于D-f_G遥感参数的D-HI估算模型验证

在基于D-f_G遥感参数的D-HI估算模型建立基础上，利用预留的64组验证数据中光谱信息计算出每个遥感敏感波段中心相应的NDSI。其中，每个波段中心可以获得64 个NDSI代入数据。在此基础上，将上述NDSI代入表1中对应NDSI与D-f_G间统计模型中，从而获得每个敏感波段中心对应的64个D-f_G遥感参数。然后，将上述D-f_G遥感参数代入图12中基于D-f_G参数的D-HI遥感估算模型，从而获得每个敏感波段中心的 64个D-HI估算结果，并进行D-HI的遥感估算结果精度验证。其中，利用预留的64个 D-HI数据分别对不同敏感波段条件下的D-HI的遥感估算结果进行精度评价。

(1)冬小麦动态收获指数总体精度验证

本发明在λ(443nm，506nm)、λ(442nm，635nm)、λ(732nm，834nm)、λ(787nm， 804nm)、λ(810nm，877nm)和λ(861nm，985nm)等6个遥感敏感波段中心构建的 NDSI估算D-f_G条件下，分别对每个冠层高光谱敏感波段中心进行D-f_G参数遥感估算的动态作物收获指数结果进行精度验证。最终，开花期—成熟期不同采样时期冬小麦动态收获指数总体验证结果如图13和表2所示。从表2可以看出，6个遥感敏感波段中心构建的NDSI估算D-f_G条件下，利用冠层高光谱获得的D-f_G参数遥感信息可以实现动态作物收获指数的准确估计。从D-HI估算总体精度评价指标结果可知，在筛选出的6个冠层高光谱敏感波段中心条件下，基于高光谱敏感波段D-f_G参数的D-HI估算结果验证均达到了高精度水平，其拟合精度R²在0.9169～0.9584之间，RMSE在0.0380～0.0507之间，NRMSE在10.83％～14.45％之间，MRE在9.62％～13.99％之间。其中，基于高光谱敏感波段中心λ(732nm，834nm)估算D-f_G参数的D-HI估测结果精度最高，NRMSE 和MRE分别为10.83％、9.62％；其次，基于高光谱敏感波段中心λ(443nm，506nm) 估算D-f_G参数的D-HI估测结果精度较高，NRMSE和MRE分别为11.60％、10.24％；基于高光谱敏感波段中心λ(861nm，985nm)估算D-f_G参数的D-HI估测结果精度相对较低，NRMSE和MRE分别为14.45％、13.99％。

表2基于D-f_G遥感参数的D-HI估算模型总体精度验证

(2)灌浆至成熟期不同生育时期冬小麦D-HI估算模型精度验证

本发明在利用预留的64组验证数据分析开花期—成熟期不同采样时期冬小麦动态收获指数遥感估算总体精度外，还分别针对5月18日、5月24日、6月3日和6月19 日等不同采样日期对应的灌浆前期、灌浆中期、灌浆后期的D-HI估算模型结果分别进行精度评价，具体结果如表3—表6所示。其中，预留的64组数据中，每次采样日期对应的验证数据为16组。

A.不同灌浆阶段冬小麦D-HI估算模型精度验证

在冬小麦灌浆前期(表3)，通过遥感估算收获指数与实测作物收获指数间拟合精度R²在0.3128～0.5819之间，RMSE在0.0273～0.0393之间，NRMSE在13.21％～19.04％之间，MRE在11.50％～17.94％之间。其中，基于高光谱敏感波段中心λ(732nm，834nm) 估算D-f_G参数的灌浆前期D-HI估测结果精度最高，NRMSE和MRE分别为13.21％、 11.50％；其次，基于高光谱敏感波段中心λ(443nm，506nm)估算D-f_G参数的D-HI 估测结果精度较高，NRMSE和MRE分别为13.82％、11.92％；基于高光谱敏感波段中心λ(861nm，985nm)估算D-f_G参数的D-HI估测结果精度相对较低，NRMSE和MRE 分别为19.04％、17.94％。

在冬小麦灌浆中期(表4)，通过遥感估算收获指数与实测作物收获指数间拟合精度R²在0.3597～0.4391之间，RMSE在0.0321～0.0437之间，NRMSE在11.27％～15.36％之间，MRE在9.05％～13.18％之间。其中，基于高光谱敏感波段中心λ(732nm，834nm) 估算D-f_G参数的灌浆前期D-HI估测结果精度最高，NRMSE和MRE分别为11.27％、 9.05％；其次，基于高光谱敏感波段中心λ(443nm，506nm)估算D-f_G参数的D-HI估测结果精度较高，NRMSE和MRE分别为11.69％、9.17％；基于高光谱敏感波段中心λ (861nm，985nm)估算D-f_G参数的D-HI估测结果精度相对较低，NRMSE和MRE分别为15.36％、13.18％。

在冬小麦灌浆后期(表5)，通过遥感估算收获指数与实测作物收获指数间拟合精度R²在0.4928～0.5964之间，RMSE在0.0396～0.0565之间，NRMSE在9.92％～14.16％之间，MRE在8.66％～13.40％之间。其中，基于高光谱敏感波段中心λ(732nm，834nm) 估算D-f_G参数的灌浆前期D-HI估测结果精度最高，NRMSE和MRE分别为9.92％、 8.66％；其次，基于高光谱敏感波段中心λ(443nm，506nm)估算D-f_G参数的D-HI估测结果精度较高，NRMSE和MRE分别为10.92％、9.95％；基于高光谱敏感波段中心λ (861nm，985nm)估算D-f_G参数的D-HI估测结果精度相对较低，NRMSE和MRE分别为14.16％、13.40％。

B.成熟期冬小麦D-HI遥感估算模型精度验证与传统方法比较

在冬小麦成熟期(表6和图14)，通过遥感估算收获指数与实测作物收获指数间拟合精度R²在0.2724～0.6762之间，RMSE在0.0492～0.0601之间，NRMSE在9.62％～11.74％之间，MRE在9.27％～11.43％之间。其中，基于高光谱敏感波段中心λ(732nm，834nm) 估算D-f_G参数的成熟期D-HI估测结果精度最高，NRMSE和MRE分别为9.62％、9.27％；其次，基于高光谱敏感波段中心λ(443nm，506nm)估算D-f_G参数的D-HI估测结果精度较高，NRMSE和MRE分别为10.33％、9.92％；基于高光谱敏感波段中心λ(861nm， 985nm)估算D-f_G参数的D-HI估测结果精度相对较低，NRMSE和MRE分别为11.74％、11.43％。通过与章节2.1部分传统基于实测S-f_G的成熟期G-HI估算结果的对比看，本发明所提方法基于高光谱敏感波段中心λ(732nm，834nm)估算D-f_G参数估测成熟期的收获指数精度比传统的实测S-f_G的G-HI估算精度RMSE提高0.0111，NRMSE提高 2.16％，MRE提高2.04％，这说明了本发明利用遥感技术改进传统的实测S-f_G的G-HI 估算方法的有效性。

总体看，本发明所提基于高光谱敏感波段D-f_G参数获取的D-HI遥感估算方法获取的不同灌浆阶段(灌浆前期、灌浆中期和灌浆后期)动态收获指数以及成熟期收获指数均达到了较高水平的精度结果，且不同生育时期获取的动态收获指数最高精度排序为灌浆前期<灌浆中期<灌浆后期<成熟期，以上精度评价结果充分说明了本发明所提 D-HI遥感估算方法的可行性，这对通过考虑作物动态生长信息准确获取动态收获指数信息及成熟期收获指数具有重要意义。此外，与常见的成熟期作物收获指数遥感估算结果相比(Moriondo etal.,2007；任建强等，2010；)，本发明所提方法获得的成熟期收获指数估算结果与常见遥感估算方法间结果具有一致性，如从利用高光谱敏感波段中心估算D-f_G参数的D-HI估测结果精度结果看，最高D-HI估算精度的敏感波段中心λ(732nm， 834nm)主要位于红光和近红外波段，而上述中心组成的NDSI与传统估算作物收获指数采用的NDVI波段组合基本相同，这证明了本发明所提基于高光谱敏感波段D-f_G参数获取的D-HI遥感估算方法与以往利用NDVI进行作物收获指数估算具有一定的一致性。

表3基于D-f_G遥感参数的D-HI估算模型灌浆前期收获指数精度验证(5月18日)

注：N代表验证数据集中灌浆前期实测D-HI的样本数量。**表示在p＜0.01水平下极显著相关，*表示在p＜0.05 水平下显著相关。

表4基于D-f_G遥感参数的D-HI估算模型灌浆中期收获指数精度验证(5月24日)

注：N代表验证数据集中灌浆中期实测D-HI的样本数量。**表示在p＜0.01水平下极显著相关，*表示在p＜0.05 水平下显著相关。

表5基于D-f_G遥感参数的D-HI估算模型灌浆后期收获指数精度验证(6月3日)

注：N代表验证数据集中灌浆后期实测D-HI的样本数量。**表示在p＜0.01水平下极显著相关，*表示在p＜0.05 水平下显著相关。

表6基于D-f_G遥感参数的D-HI估算模型成熟期收获指数精度验证(6月19日)

注：N代表验证数据集中成熟期实测D-HI的样本数量。**表示在p＜0.01水平下极显著相关，*表示在p＜0.05 水平下显著相关。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (7)

1.一种基于D-f_G参数遥感获取的冬小麦动态收获指数遥感估算方法，其特征在于，包括以下步骤：

A1、根据地面实测动态生物量数据，构建作物开花期-成熟期期间不同时期累积的地上生物量与对应时期地上生物量间比值动态参数D-f_G；

D-f_G计算方法如下：

式中，∑W_post为冬小麦开花期-成熟期期间不同时期累积的地上生物量(kg/hm²)；∑W_whole为采样时期对应的全部地上生物量(kg/hm²)；t为采样时间，W_t为t采样时间的干物质量的重量(kg/hm²)，W_a为开花期干物质量的重量(kg/hm²)，D-f_G,t表示t采样时间的比值参数；

A2、基于地面作物冠层高光谱数据构建的任意两个冠层高光谱窄波段光谱指数NDSI，建立NDSI与冬小麦D-f_G之间的线性模型；

A3、绘制并分析NDSI与冬小麦D-f_G间的拟合精度R²二维图；

A4、通过确定R²极大值区域和极大值区域重心，从而得到对冬小麦D-f_G敏感的波段中心；

A5、确定D-f_G估算最优波段组合；

A6、基于NDSI和D-f_G关系的D-f_G遥感估算模型；

A7、D-f_G的遥感估算；

A8、获得基于D-f_G和动态收获指数D-HI关系的动态收获指数估算模型；

A9、D-HI的遥感估算。

2.根据权利要求1所述的方法，其特征在于，所述步骤A4，根据R²极大值区域重心法获得敏感波段中心，从而确定D-f_G估算的敏感波段，即在冠层高光谱每个波段对应的窄波段光谱指数NDSI和D-f_G间相关性计算基础上，根据相关系数满足统计显著性要求的阈值确定极大值区域，在此基础上，计算相关系数极大值区域的重心，从而获得NDSI与D-f_G参数相关性较大的光谱波段中心和波段组合；具体过程如下：

首先，在绘制NDSI与冬小麦D-f_G间拟合R²二维图的基础上，确定NDSI与冬小麦D-f_G间相关性高的波段区域；其次，在该区域内寻找R²极大值点，并遍历该点8邻域内满足显著性条件的所有点，并将这些点的集合标记为R²极大值区域Ω；最后，计算R²极大值区域的重心，将其作为每个R²极大值区域的敏感波段中心；重心的计算公式(7)如下：

式中，f(u,v)为波段坐标为(u,v)的R²值，Ω为极大值区域，

敏感波段中心坐标。

3.根据权利要求1所述的方法，其特征在于，所述步骤A4，对冬小麦D-f_G敏感的6个敏感波段中心包括λ(443nm，506nm)、λ(442nm，635nm)、λ(732nm，834nm)、λ(787nm，804nm)、λ(810nm，877nm)和λ(861nm，985nm)。

4.根据权利要求1所述的方法，其特征在于，所述步骤A6，基于NDSI和D-f_G关系的D-f_G遥感估算模型为：

D-f_G,t＝m×NDSI_i，j，t+n (5)

其中，i、j为分别为350nm～1000nm间高光谱波段，t为不同取样时间，m和n为拟合后得到线性方程中的拟合参数；根据该公式计算求出作物开花期至t时期累积地上生物量与t生育期地上生物量间比值参数D-f_G,t。

5.根据权利要求1所述的方法，其特征在于，所述步骤A8，获得基于D-f_G和D-HI关系的动态收获指数估算模型为：

D-HI_t＝HI₀+s×D-f_G,t (6)

其中，HI₀为截距，即在作物开花期之后生物量不发生变化情况下动态收获指数的值，即当D-f_G,t为0时，D-HI收获指数的值；s为D-HI与D-f_G线性关系中的斜率常数。

6.根据权利要求5所述的方法，其特征在于，所述步骤A8，根据开花期—成熟期期间不同采集时间的动态冬小麦地上生物量数据和灌浆过程中籽粒产量动态数据，计算冬小麦小区128个样本点的D-f_G和动态收获指数D-HI，在此基础上，利用公式(6)对D-f_G和动态收获指数D-HI间的相关性进行拟合，得到D-f_G和动态收获指数D-HI间估算模型，具体如下：

D-HI_t＝0.1018+0.8093*D-f_G,t。

7.一种基于冬小麦动态收获指数的冬小麦产量估算方法，其特征在于，所述冬小麦动态收获指数采用权利要求1-6任一所述方法获得。

Images