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(xué)理學(xué)院，河南 鄭州 450002；2.河南農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，河南 鄭州 450046; 3.國(guó)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(zhǎng)及氮素營(yíng)養(yǎng)狀況的有效指標(biāo)，對(duì)作物生長(zhǎng)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(duì)應(yīng)的土地表面積的比率，是反映作物群體結(jié)構(gòu)特征及長(zhǎng)勢(shì)好壞的重要參數(shù)。由于缺乏簡(jiǎn)便易行的監(jiān)測(cè)診斷技術(shù)，導(dǎo)致當(dāng)前小麥追肥時(shí)期與生長(zhǎng)需求不吻合，追肥數(shù)量隨意性大，嚴(yán)重影響了作物生長(zhǎng)發(fā)育，氮肥利用效率較低。因此，加強(qiáng)對(duì)作物L(fēng)NC和LAI狀況的動(dòng)態(tài)監(jiān)測(cè)對(duì)于作物生產(chǎn)管理意義重大。

由于快速、無(wú)損和大面積的巨大優(yōu)勢(shì)，運(yùn)用遙感測(cè)定技術(shù)對(duì)作物生長(zhǎng)及氮素狀況進(jìn)行實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)一直是農(nóng)業(yè)科學(xué)家及種植管理者非常關(guān)注的熱點(diǎn)問(wèn)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(guò)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(cè)模型[1]。依據(jù)藍(lán)光的光學(xué)特性，構(gòu)建的修正藍(lán)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(zhǔn)確地估計(jì)小麥LNC[3]。觀測(cè)角度對(duì)冠層光譜影響較大，角度不敏感植被指數(shù)(AIVI)能削弱視場(chǎng)角的影響，更精準(zhǔn)地估測(cè)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(jìn)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(biāo)物反演的飽和性，能夠更加線性表達(dá)與LAI的關(guān)系[6]。HABOUDANE等[7]基于反射率波段對(duì)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(yù)測(cè)LAI的最佳指數(shù)。這表明許多研究對(duì)LNC和LAI的光譜學(xué)反演均取得了比較滿意的效果，但各自結(jié)果常因試驗(yàn)條件及材料的不同，其適用性及可靠性還需要在不同生長(zhǎng)條件下檢驗(yàn)與評(píng)價(jià)。

作物生長(zhǎng)的模擬模型是采用系統(tǒng)分析學(xué)的原理和計(jì)算機(jī)模擬的方法對(duì)作物生長(zhǎng)、發(fā)育、器官建成、產(chǎn)量形成及其對(duì)所處環(huán)境反映的數(shù)字化描述，作物生長(zhǎng)模擬模型已廣泛應(yīng)用在理解、預(yù)測(cè)和調(diào)控作物生長(zhǎng)和產(chǎn)量方面。前人相關(guān)研究表明，選擇指示性強(qiáng)的植被指數(shù)，確立時(shí)序動(dòng)態(tài)模型在植物分類、作物器官建成以及產(chǎn)量預(yù)報(bào)等方面具有十分重要的理論價(jià)值和應(yīng)用前景，運(yùn)用植被指數(shù)的遙感動(dòng)態(tài)模型將有助于作物生長(zhǎng)監(jiān)測(cè)與評(píng)價(jià)[8]。WARDLOW等[9]提出，衛(wèi)星時(shí)間序列的歸一化植被指數(shù)(NDVI)和增強(qiáng)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(shí)間序列數(shù)據(jù)實(shí)現(xiàn)了水稻種植區(qū)制圖。NAGY等[11]提出基于衛(wèi)星NDVI的時(shí)間序列數(shù)據(jù)，可在收獲前6～8周預(yù)測(cè)干旱造成的產(chǎn)量損失。這些研究均表明了植被指數(shù)時(shí)序模型的廣泛應(yīng)用性。因此，選擇適宜的能夠敏感反應(yīng)作物長(zhǎng)勢(shì)的植被指數(shù)，并依據(jù)生長(zhǎng)建模技術(shù)構(gòu)建植被指數(shù)的時(shí)序軌跡方程，有利于實(shí)時(shí)動(dòng)態(tài)了解作物產(chǎn)量形成過(guò)程，同時(shí)進(jìn)行應(yīng)變管理與精確調(diào)控。

河南是中國(guó)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(guó)近30%。該區(qū)小麥生長(zhǎng)的好壞直接關(guān)系全國(guó)人民生活水平和國(guó)家糧食安全。本研究在河南的南部和北部分別選擇兩個(gè)不同的試驗(yàn)地點(diǎn)，以大面積種植的周麥27為試驗(yàn)材料，篩選出了對(duì)小麥生長(zhǎng)反應(yīng)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(duì)葉片生長(zhǎng)敏感的植被指數(shù)時(shí)序動(dòng)態(tài)模型，旨在為本地化小麥田間的應(yīng)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(yàn)設(shè)計(jì)

本研究選擇豫南的商水和豫北的原陽(yáng)同步進(jìn)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(yàn) 1：在豫北灌區(qū)的原陽(yáng)縣河南農(nóng)業(yè)大學(xué)科教園區(qū)連續(xù)進(jìn)行2季小麥試驗(yàn)(2019—2021年)。采用大面積推廣應(yīng)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(jī)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(yàn)隨機(jī)區(qū)組設(shè)計(jì)，灌水設(shè)為3個(gè)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(kāi)花期各澆水1次)；氮肥設(shè)為5個(gè)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(fù)，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(yàn)2：在豫東南補(bǔ)灌區(qū)的河南省商水縣國(guó)營(yíng)農(nóng)場(chǎng)進(jìn)行連續(xù)2季小麥試驗(yàn)(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(jī)質(zhì)22.5 g·kg-1和全氮1.36 g·kg-1。隨機(jī)區(qū)組設(shè)計(jì)，灌水處理設(shè)2個(gè)頻次：W0(生育期內(nèi)不澆水)和W1(拔節(jié)期灌水)；氮肥處理設(shè)為5個(gè)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(jìn)行。小區(qū)面積為8 m×9 m=72 m2，行距20 cm，3次重復(fù)，基本苗設(shè)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(cè)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(jìn)行測(cè)定，從小麥冠層到光譜探頭約1 m。光譜測(cè)量在上午10：00―14：00(北京時(shí)間)，要求天氣晴朗、無(wú)風(fēng)或微風(fēng)進(jìn)行。光譜測(cè)定儀的視場(chǎng)角固定為25°，光譜分辨率為3.5 nm。高光譜波段的測(cè)定波譜區(qū)間為325～1 075 nm。在具體田間測(cè)定時(shí)同一個(gè)小區(qū)隨機(jī)選擇3個(gè)代表性樣點(diǎn)，每個(gè)樣點(diǎn)連續(xù)收集5條譜線，剔除異樣后計(jì)算反射率的平均值。同時(shí)，在光譜測(cè)量過(guò)程中采用光譜儀配套且定標(biāo)過(guò)的BaSO4材料制作的0.40 m×0.40 m白板對(duì)每個(gè)小區(qū)反射率進(jìn)行校正。光譜測(cè)定時(shí)期分別為越冬期、返青期、拔節(jié)期、孕穗期、抽穗期、開(kāi)花期、灌漿前期、灌漿中期及灌漿后期。

1.3 生理指標(biāo)的測(cè)定

1.3.1 葉片氮含量的測(cè)定 與光譜測(cè)定同步進(jìn)行小麥植株破壞性取樣。在每個(gè)小區(qū)選擇3個(gè)有代表性的面積0.2 m2(50 cm長(zhǎng)，兩行，行距20 cm)的小麥群體進(jìn)行合并取樣。小麥植株按照器官進(jìn)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(jī)粉碎。采用凱氏定氮法測(cè)定葉片的全氮含量(LNC/%)[12]。

1.3.2 葉面積指數(shù)的測(cè)定 將試驗(yàn)材料及時(shí)帶回實(shí)驗(yàn)室，參照DAUGHTRY[13]的方法測(cè)定葉面積指數(shù)。從每個(gè)處理樣本中選擇5株小麥，采用方格法測(cè)量頂部3張展開(kāi)綠葉面積(LA)，統(tǒng)計(jì)所有葉片所覆蓋1 mm2方格的總個(gè)數(shù)。在計(jì)算LA時(shí)，葉邊緣覆蓋不足一半的方格不計(jì)數(shù)，而計(jì)算葉邊緣覆蓋超過(guò)一半的方格。將鮮葉測(cè)定完葉面積后烘干至恒重。一個(gè)小區(qū)的葉面積指數(shù)(LAI)的計(jì)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(gè)小區(qū)的取樣面積；LA為綠葉面積。

1.3.3 籽粒產(chǎn)量的測(cè)定 在籽粒成熟期，每個(gè)小區(qū)實(shí)收5 m2測(cè)產(chǎn)，折算單位面積產(chǎn)量。將產(chǎn)量水平等級(jí)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(dòng)態(tài)模型的建立

累積生長(zhǎng)度日(AGDD)為作物在一定時(shí)期內(nèi)溫度動(dòng)態(tài)變化的累積性描述變量，具體指播種出苗日期到測(cè)定當(dāng)日的連續(xù)生長(zhǎng)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(jì)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(dòng)的基點(diǎn)溫度，這里取0 ℃。

采用兩個(gè)LOGISTIC模型相互連接的方法模擬小麥冠層植被指數(shù)隨著時(shí)間和積溫進(jìn)程的動(dòng)態(tài)變化過(guò)程。該模擬在MATLAB 9.0軟件平臺(tái)下進(jìn)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(chǔ)值)，表示小麥開(kāi)始生長(zhǎng)的背景值。第一階段的LOGISTIC函數(shù)表示逐漸生長(zhǎng)的過(guò)程，而第二階段的LOGISTIC方程則表征植株自開(kāi)花后逐漸衰老的過(guò)程。y0+a1為時(shí)間序列內(nèi)光譜數(shù)值的最大值，a2為生長(zhǎng)過(guò)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(zhǎng)過(guò)程和衰老過(guò)程中2個(gè)LOGISTIC曲線相交拐點(diǎn)處的斜率，也是最大速度，與這2個(gè)拐點(diǎn)對(duì)應(yīng)的時(shí)間分別為t1和t2,t為作物生長(zhǎng)對(duì)應(yīng)的時(shí)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(xiàn)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(biāo)方面反演應(yīng)用較為廣泛[3-4,7]。本試驗(yàn)依據(jù)前人文獻(xiàn)總結(jié)歸納了多個(gè)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(dǎo)致各小區(qū)小麥生長(zhǎng)差異明顯，長(zhǎng)勢(shì)參數(shù)分布范圍寬、變化幅度大，生產(chǎn)代表性強(qiáng)，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(duì)光譜反射率以及植被指數(shù)與小麥生長(zhǎng)及相關(guān)生理參數(shù)進(jìn)行相關(guān)及回歸建模分析。基于決定系數(shù)(R2)和均方根誤差(RMSE)模型參數(shù)間的差異分析，對(duì)入選的植被指數(shù)進(jìn)行總體性能評(píng)價(jià)。RMSE由以下公式計(jì)算：

(4)

式中：Pi和Oi為估算值和測(cè)定值;n為測(cè)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(shí)期及試驗(yàn)的小麥LNC和LAI與冠層光譜反射率進(jìn)行匯總，分析生長(zhǎng)指標(biāo)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(shì)。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(jiàn)光波段350～730 nm呈顯著負(fù)相關(guān)關(guān)系。其中，對(duì)于LNC來(lái)說(shuō)，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(duì)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(gè)植被指數(shù)(圖2)。對(duì)于LNC而言，有9個(gè)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(duì)于LAI來(lái)說(shuō)，亦有9個(gè)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(yù)測(cè)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O(shè)NLI、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(fù)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(zhǎng)狀況。

注：mND705為改進(jìn)紅邊標(biāo)準(zhǔn)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(biāo)準(zhǔn)化植被指數(shù)；LIC1為L(zhǎng)ichtenthaler指數(shù)；Carter1為Carter指數(shù)；Readone為窄波段反射比率；RES為紅邊對(duì)稱度；mSR491為修正藍(lán)光比值植被指數(shù)；mND924為改進(jìn)近紅外標(biāo)準(zhǔn)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(biāo)準(zhǔn)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(jìn)紅邊比值植被指數(shù)；WDRVI為廣域動(dòng)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(jiǎn)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(zhǎng)的植被指數(shù)與籽粒產(chǎn)量間的關(guān)系

選用對(duì)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(shí)期的逐漸推進(jìn)，光譜植被指數(shù)與小麥?zhǔn)斋@期籽粒產(chǎn)量間的R2呈現(xiàn)出先增加而后降低的動(dòng)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(dá)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(dá)0.81以上水平，尤其在灌漿前期達(dá)峰值(R2>0.85)。植被指數(shù)間比較，從返青期至灌漿盛期，對(duì)于LNC而言，表現(xiàn)為RES最優(yōu)，其次為AIVI；而對(duì)于LAI，則以CIgreen表現(xiàn)最好，ONLI次之。可見(jiàn)，在小麥旺盛生長(zhǎng)期，利用對(duì)LNC或LAI有較好指示性的植被指數(shù)可以較好地評(píng)價(jià)預(yù)測(cè)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(dòng)態(tài)軌跡模型

優(yōu)選出6個(gè)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(lái)擬合作物生長(zhǎng)過(guò)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(zhǎng)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(duì)稱度RES外，其余5個(gè)植被指數(shù)均表現(xiàn)為先緩慢增加而后逐漸降低的動(dòng)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(dòng)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(dòng)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(zhǎng)度日的推進(jìn)，小麥生長(zhǎng)的最大速度|1/b1|和衰老過(guò)程的最大速度|1/b2|均會(huì)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(wú)論在生長(zhǎng)過(guò)程還是衰老過(guò)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(zhǎng)過(guò)程以高產(chǎn)水平最高，在衰老進(jìn)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(dòng)態(tài)變化相對(duì)一致。6個(gè)植被指數(shù)在生長(zhǎng)階段和衰老進(jìn)度中最大速度均最小。進(jìn)一步考察植被指數(shù)出現(xiàn)拐點(diǎn)的具體時(shí)間，則會(huì)因不同條件而異，選用的6個(gè)植被指數(shù)均在低產(chǎn)水平下衰老拐點(diǎn)最早出現(xiàn)，衰老拐點(diǎn)在其他產(chǎn)量層次下出現(xiàn)的時(shí)間早晚依次為中產(chǎn)>高產(chǎn)>超高產(chǎn)。AIVI、RES和mND924生長(zhǎng)拐點(diǎn)出現(xiàn)的時(shí)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(cè)LNC的植被指數(shù)擬合精度高于LAI。對(duì)于LNC來(lái)說(shuō)，AIVI和mND924的擬合精度相對(duì)較高，而對(duì)于LAI而言，擬合精度相對(duì)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(zhǎng)好壞的重要參數(shù)，遙感監(jiān)測(cè)葉片LNC和LAI始終是學(xué)術(shù)界關(guān)注的熱點(diǎn)問(wèn)題。LI等[35]構(gòu)建了含有2個(gè)紅邊波段的雙指數(shù)差值，提出了一種新的非正午觀測(cè)葉綠素含量的光譜觀測(cè)模式，有效避免農(nóng)田土壤背景對(duì)葉綠素含量估算的影響。WANG等[22]構(gòu)建的mND924監(jiān)測(cè)稻麥LNC更有魯棒性。以上研究顯示出紅邊和藍(lán)光波段對(duì)于評(píng)價(jià)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(cè)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(duì)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(duì)葉面積及生物量的變化敏感，能夠準(zhǔn)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(píng)價(jià)作物L(fēng)AI及生物量方面均有較好效果。本研究通過(guò)對(duì)多種植被指數(shù)進(jìn)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(cè)冬小麥LNC，而ONLI、CIgreen和MSR(800,670)能較好地反映LAI，這對(duì)小麥生長(zhǎng)狀況監(jiān)測(cè)與評(píng)價(jià)具有重要指導(dǎo)價(jià)值。

在作物生產(chǎn)中，遙感技術(shù)被廣泛應(yīng)用，尤其是多時(shí)相數(shù)據(jù)對(duì)作物分類、長(zhǎng)勢(shì)監(jiān)測(cè)、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(shí)現(xiàn)了巴基斯坦旁遮普省的小麥產(chǎn)量預(yù)測(cè)，部分地區(qū)預(yù)測(cè)精度達(dá)到0.95。CHEN等[39]基于MODIS時(shí)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(chǎng)和單一作物等)的總體準(zhǔn)確率分別達(dá)73%和86%。TAO等[40]基于時(shí)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(shí)間序列數(shù)據(jù)在亞像素尺度上估計(jì)作物面積。TORNOS等[42]提出MODIS-NDVI時(shí)序模型能更有效地檢測(cè)埃布羅三角洲的水稻抽穗期和洪澇風(fēng)險(xiǎn)。這些研究結(jié)果均表明，植被指數(shù)的時(shí)序模型在農(nóng)業(yè)生產(chǎn)中具有很強(qiáng)的實(shí)用性，必將在未來(lái)智慧農(nóng)業(yè)領(lǐng)域里發(fā)揮其巨大的應(yīng)用價(jià)值。當(dāng)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(shí)序動(dòng)態(tài)模型受小麥長(zhǎng)勢(shì)長(zhǎng)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(jìn)行有針對(duì)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(zhǎng)勢(shì)向著目標(biāo)產(chǎn)量設(shè)計(jì)的方向發(fā)展，搭建豐產(chǎn)框架。冠層結(jié)構(gòu)及長(zhǎng)勢(shì)指標(biāo)隨著生育進(jìn)程的動(dòng)態(tài)軌跡反映在冠層光譜上也具有明顯的時(shí)序性，依據(jù)遙感測(cè)量數(shù)據(jù)模擬這種時(shí)序動(dòng)態(tài)對(duì)因產(chǎn)量層次、地力水平實(shí)施應(yīng)變調(diào)控管理具有十分重要的理論意義和應(yīng)用價(jià)值。項(xiàng)方林等[43]基于雙LOGISTIC函數(shù)擬合時(shí)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(cè)單產(chǎn)的潛力。李鑫格等[44]確立了長(zhǎng)江中下游麥區(qū)小麥冠層NDRE適宜時(shí)序曲線，能夠?qū)崟r(shí)無(wú)損監(jiān)測(cè)冬小麥的長(zhǎng)勢(shì)動(dòng)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(yīng)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?cái)M合小麥冠層植被指數(shù)的曲線動(dòng)態(tài)。當(dāng)然，植被指數(shù)的動(dòng)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(zhǎng)及產(chǎn)量形成的障礙性因子可能越多。模型參數(shù)的生長(zhǎng)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(diǎn)發(fā)生的時(shí)間也最早。這種結(jié)果顯示出生長(zhǎng)速度慢、生育時(shí)期短可能是小麥低產(chǎn)的主要原因。本試驗(yàn)參考以前文獻(xiàn)報(bào)道的時(shí)序模型建立方法，以小麥植被指數(shù)為自變量，生育時(shí)間作為時(shí)間變量軸，動(dòng)態(tài)模擬軌跡曲線。以AGDD作為軌跡模型的時(shí)間軸，能夠消除或者減輕試驗(yàn)?zāi)攴荨⑸鷳B(tài)地點(diǎn)因溫度差異對(duì)小麥生長(zhǎng)及冠層植被指數(shù)的時(shí)序模型參數(shù)的影響，產(chǎn)量形成的相關(guān)指標(biāo)意義明確、模型參數(shù)的針對(duì)性好、應(yīng)用指導(dǎo)性強(qiáng)。因此，在小麥種植管理實(shí)踐中，利用雙Logistic模型技術(shù)對(duì)獲取的植被指數(shù)進(jìn)行時(shí)序本地化模型構(gòu)建，種植管理者能夠根據(jù)目標(biāo)產(chǎn)量的制定及長(zhǎng)勢(shì)指標(biāo)的時(shí)序動(dòng)態(tài)設(shè)計(jì)，對(duì)小麥關(guān)鍵生育時(shí)期的植被指數(shù)進(jìn)行差異化調(diào)控，為實(shí)時(shí)應(yīng)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(duì)冬小麥LNC和LAI分別篩選出適宜的植被指數(shù)及其監(jiān)測(cè)模型，篩選的6個(gè)植被指數(shù)均可全程監(jiān)測(cè)冬小麥生長(zhǎng)狀況。采用雙LOGISTIC模型方法對(duì)獲取的植被指數(shù)進(jìn)行動(dòng)態(tài)模擬，依據(jù)生產(chǎn)中產(chǎn)量水平等級(jí)劃分進(jìn)行分別擬合，所得到的植被指數(shù)時(shí)序模型的擬合精度高，針對(duì)性強(qiáng)，這為小麥生產(chǎn)管理中利用遙感技術(shù)進(jìn)行作物實(shí)時(shí)應(yīng)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(diǎn)、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(yīng)用的植被指數(shù)動(dòng)態(tài)軌跡模型還需進(jìn)一步檢驗(yàn)與優(yōu)化。