全 文 ：基于叶面积指数反演的区域冬小麦单产遥感估测*
任建强1,2 摇 陈仲新1,2**摇 周清波1,2 摇 唐华俊1,2
( 1 农业部资源遥感与数字农业重点开放实验室, 北京 100081; 2 中国农业科学院农业资源与农业区划研究所, 北京 100081)
摘摇 要摇 利用定量遥感技术反演的叶面积指数(LAI)在中国北方黄淮海地区典型县市进行冬
小麦单产预测研究.为提高数据质量和减少估产误差,利用 Savitzky鄄Golay 滤波技术降低云对
NDVI数据的影响及数据缺失;通过冬小麦实测 LAI进行时序内插,模拟得到实测点每日冬小
麦 LAI,继而获得实测点主要生育时期平均 LAI;在此基础上,建立了冬小麦主要生育时期平
均 LAI与作物单产关系模型,改变目前利用生育时期内某一时间点 LAI 代替整个生育时期
LAI的方法;在模型择优基础上,得到最佳遥感估产关键期———开花期 LAI 与单产统计模型;
最后,利用 MODIS鄄NDVI经验模型反演得到的开花期平均 LAI 进行 2008 年冬小麦单产预测.
结果表明:与地面实测的冬小麦单产相比,研究区估产平均相对误差为 1郾 21% ,RMSE 达到
257郾 33 kg·hm-2,可以满足大范围估产的要求.利用上述方法可以在研究区冬小麦收获前 20
~ 30 d进行准确的单产估计.
关键词摇 遥感摇 冬小麦摇 估产摇 叶面积指数摇 MODIS摇 NDVI
文章编号摇 1001-9332(2010)11-2883-06摇 中图分类号摇 TP79摇 文献标识码摇 A
LAI鄄based regional winter wheat yield estimation by remote sensing. REN Jian鄄qiang1,2,
CHEN Zhong鄄xin1,2, ZHOU Qing鄄bo1,2, TANG Hua鄄jun1,2 ( 1Key Laboratory of Resources Remote鄄
Sensing & Digital Agriculture, Ministry of Agriculture, Beijing 100081, China; 2 Institute of Agricul鄄
tural Resources & Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081,
China) . 鄄Chin. J. Appl. Ecol. ,2010,21(11): 2883-2888.
Abstract: By using retrieved LAI from remotely鄄sensed imagery, this paper studied the regional
winter wheat yield estimation in Huanghuaihai Plain of North China. In order to improve the quality
of remotely sensed data for winter wheat yield estimation, a Savitzky鄄Golay filter was used to smooth
the MODIS鄄NDVI time series data to reduce the cloud contamination and remove the abnormal data.
Then, a Gaussian model was used to simulate the daily crop LAI which was corrected by interpola鄄
ting the measured LAI to get the average LAI values for each phenological stage. Using these LAI
data, the relationships between LAI and crop yield at the main phenological stages of winter wheat
was established. After optimizing the yield estimation model, the optimal time period and the best
model parameters for winter wheat yield estimation in the study area were selected out. Finally, the
established model was applied to estimate winter wheat yield based on the retrieved LAI from MO鄄
DIS鄄NDVI, and the model accuracy was tested. Through the comparison of the predicted yield with
the measured yield in the field, the mean relative error was 1郾 21% , and the RMSE was 257郾 33
kg·hm-2 . The model and the method proposed in this study were promising, and could help to get
the accurate estimated yield of winter wheat in about 20-30 days ahead of the harvest.
Key words: remote sensing; winter wheat; yield estimation; leaf area index; MODIS; NDVI.
*国家高技术研究发展计划项目(2006AA120101)、农业部“948冶计
划项目(2009鄄Z31)、国际科技合作项目(2010DFB10030)、中国农业
科学院农业资源与农业区划研究所中央级公益性科研院所基本科研
业务费专项( IARRP鄄2010鄄02,IARRP鄄2009鄄27)和农业部“全国农情
遥感监测业务化运行冶项目资助.
**通讯作者. E鄄mail: zxchen@ mail. caas. net. cn
2010鄄02鄄25 收稿,2010鄄08鄄19 接受.
摇 摇 作物单产信息对一个国家或地区的粮食安全预
警、粮食流通贸易、管理部门决策及碳循环研究等具
有至关重要的作用. 传统的作物单产预测方法主要
包括统计调查方法、农学预报方法和农业气象预报
方法.进入 20 世纪 70 年代,遥感技术开始被应用于
大面积作物产量预测. 随着定量遥感技术的不断发
展和深入,多时间、多空间、多光谱和多角度的遥感
数据越来越多地被应用于农业资源监测,其特有的
覆盖面积大、探测周期短、即时性强和费用低等特点
应 用 生 态 学 报摇 2010 年 11 月摇 第 21 卷摇 第 11 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Nov. 2010,21(11): 2883-2888
和优势得到充分体现,为大范围作物估产提供了新
的技术手段,并迅速成为作物估产中使用最广泛的
技术之一[1-4] .
目前,利用遥感技术估产的主要方法包括经验
模型法、半经验半机理模型法和作物生长机理模型
法,上述方法各有特点和优势[5] . 经验模型法直接
采用光谱植被指数或冠层遥感反演参数与作物单产
建立关系,其特点是简单易行,涉及作物产量形成机
理较少;半经验半机理模型也称为参数模型,其中
Monteith[6]提出的光能利用效率模型使用最广泛,但
一些参数难以定量模拟[7];作物生长机理模型的最
大特点是机理性强、过程复杂,但模型需要输入较多
的参数,且运行中某些必需参数难以在区域范围内
获得,因此,上述特点一定程度上限制了作物生长模
型在大范围作物估产中的广泛应用. 随着基于遥感
数据同化作物生长模型进行作物产量模拟技术的出
现和应用[8-10],使作物生长模型成为大范围作物单
产预测中更具应用潜力的估产方法.
在大范围业务化作物估产中,既要保证估产模
型具有较高的精度,又要保证模型具有较强的可操
作性,特别是在大区域中自然背景数据和某些关键
参数不能完全满足获取要求的情况下,遥感估产经
验模型尽管有某些局限,但其仍然是一种简便且适
合业务化运行的大范围作物单产预测方法[11-14],其
中,遥感经验模型采用的主要植被指数包括归一化
植被指数(NDVI)、比值植被指数(RVI)和绿度植被
指数(GVI)等.随着定量遥感技术的发展,越来越多
的陆地生物物理量可通过遥感技术获得,如作物叶
面积指数和作物生物量等.有研究表明,作物叶面积
指数是反映作物长势与预报作物产量的重要农学参
数,与作物单产具有稳定的相关关系[15-16],该指数
不仅可以反映作物生长发育的动态特征和健康状
况,而且与许多生态过程直接相关,如作物冠层光量
截取、蒸腾作用、光合作用和呼吸作用等. 但目前基
于作物叶面积指数进行作物单产预测大多是基于主
要生育时期单一时间点的叶面积指数,而未考虑主
要生育时期整个时段内的叶面积指数,这在一定程
度上影响了作物估产精度的提高[2,15-16] .因此,本研
究在遥感技术支持下,以冬小麦主要生育期内平均
叶面积指数遥感反演为基础,在中国粮食主产区黄
淮海平原利用冬小麦关键生育时期平均叶面积指数
开展冬小麦单产预测研究,以期进一步提高作物估
产精度.
1摇 研究地区与研究方法
1郾 1摇 研究区概况
本研究区域 ( 37郾 09毅—38郾 36毅 N, 115郾 19毅—
116郾 53毅 E)位于中国北方粮食生产基地黄淮海平原
区的河北省衡水市 11 个县 (市),覆盖面积 8815
km2(图 1).该区属温带半湿润季风气候,逸0 益年
积温 4200 益 ~ 5500 益,年累积辐射量 5郾 0 伊106 ~
5郾 2伊106 kJ·m-2,无霜期 170 ~ 220 d,年均降水量
500 ~ 900 mm. 主要粮食作物为冬小麦、夏玉米,一
年两熟轮作制度. 研究区冬小麦种植时间为上年 9
月下旬至 10 月上旬,返青时间为下年 3 月上旬至 3
月中旬,起身期为 3 月下旬,拔节期为 4 月上旬至 4
月中旬,孕穗期为 4 月下旬,抽穗期为 5 月上旬,开
花期为 5 月中旬,乳熟期为 5 月下旬至 6 月上旬,成
熟期为 6 月中旬.本研究在 2004、2007 和 2008 年分
别在冬小麦返青期、起身期、拔节期、孕穗期、抽穗
期、开花期、乳熟期进行冬小麦叶面积指数调查和成
熟期最终单产调查,地面实测冬小麦叶面积指数和
单产调查样点累计 117 个(图 1).
1郾 2摇 研究方法
考虑到作物关键生育时期叶面积指数(LAI)与
作物单产具有较好的相关关系,在将 2004、2007 和
2008 年实测 LAI进行时间内插的基础上,得到每日
模拟观测冬小麦 LAI,进而获得各年每个关键生育
时期的平均 LAI;再利用 2004、2007 年的数据建立
冬小麦各主要生育时期平均 LAI与冬小麦相应单产
的关系;在此基础上,通过统计参数筛选出研究区最
佳估产模型和最佳估产生育时期;同时,利用 2004、
2007 年生育时期平均 LAI和相应年份 MODIS鄄NDVI
数据(源于农业部遥感应用中心农情监测业务化运
行存档数据)建立冬小麦最佳估产生育时期LAI定
图 1摇 研究区样点位置示意图
Fig. 1摇 Sketch map of location of sampling sites in study area.
4882 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷
量反演关系;最后,在对 LAI经验反演模型验证的基
础上,利用遥感反演的 LAI对 2008 年研究区冬小麦
单产进行估计,并利用 2008 年的实际调查数据进行
单产预测精度验证,估产精度评价指标采用的评价
参数为相对误差和均方根误差(RMSE).
1郾 3摇 田间冬小麦叶面积指数量测和单产调查
2004、2007 和 2008 年,对衡水地区 11 个县 117
个田间观测样区开展了田间冬小麦 LAI测量和单产
调查.其中,2004、2007 和 2008 年调查样区数量分
别为 29、42 和 46 个.样区布设考虑了冬小麦长势和
单产的代表性以及调查点分布的均匀性. 样区间隔
不小于 5 km,每个样区面积不小于 500 m伊500 m,样
区内种植结构相对单一,利用差分 GPS 对调查样区
进行精确定位.每个样区内的 LAI 和作物单产调查
点不少于 3 个,将均值作为该调查样区 LAI 和单产
数据.其中,LAI调查时间为冬小麦返青期、起身期、
拔节期、孕穗期、抽穗期、开花期和乳熟期等生育时
期的始期,采用手工测量方法调查.冬小麦单产调查
时间为冬小麦完全成熟前的 1 ~ 2 d,对面积 1 m2 的
冬小麦进行实割实测,然后进行脱粒、晾晒和称量,
最后折算出冬小麦单产.
1郾 4摇 实测冬小麦叶面积指数的时序内插
通常以农作物的生育时期为观测时间进行作物
地面观测,由于作物品种和气候等原因导致区域内
同一作物在不同观测点的物候分布具有一定的差异
性,使一定区域内作物同一个生育时期的时间分布
较分散.另外,各个地面观测点在同一个生育时期的
观测时间也不同.因此,为了得到不同观测点相同生
育时期的数据必须将其内插为日数据,然后对相同
生育时期的作物模拟观测值数据进行统计,以得到
不同地点同一生育时期的数据.
在 MATLAB中利用曲线拟合功能下的 Gaussian
模型对 2004、2007、2008 年各调查点不同生育时期
(返青期鄄乳熟期)冬小麦 LAI 进行 LAI鄄时间(儒略
日)模拟,该模型可有效拟合作物生长曲线的基本
特征[17] . 本研究中 Gaussian 模型函数的基本形式
为:y=a1exp {-[( t-b1) / c1] 2}.式中:a1、b1 和 c1 为
常数,分别为 LAI 最大值、LAI 最大值出现时间、函
数曲线宽度,研究区内调查点 a1、b1 和 c1 分别为
4郾 13 ~ 8郾 06、110郾 30 ~ 120郾 90、26郾 04 ~ 39郾 83;t 为时
间(儒略日);y为 LAI.利用 LAI鄄时间拟合模型得到
每日冬小麦 LAI. 统计观测点主要生育时期内每天
冬小麦 LAI平均值,作为该生育时期的平均 LAI,从
而有效减小研究中利用生育时期内某一天的冬小麦
LAI观测值代替相应生育时期冬小麦 LAI 所带来的
偏差.
与 2004、2007 和 2008 年冬小麦实测 LAI 相比,
利用 Gaussian模型模拟观测日地面冬小麦 LAI的平
均相对误差为-1郾 64% ,RMSE 为 0郾 59(图 2). 说明
利用 Gaussian 模型可以很好地拟合冬小麦 LAI鄄时
间曲线,从而保证了由日 LAI 模拟数据计算得到的
冬小麦生育时期平均 LAI的准确性和可靠性.
1郾 5摇 NDVI数据平滑去云处理
本研究所用数据为 10 d 最大值合成的 MODIS鄄
NDVI数据(250 m空间分辨率).虽然采用最大值合
成法可在一定程度上降低云的影响,但云的残留影
响仍然存在. 因此,本文采用 Savitzky鄄Golay 滤波技
术进一步消除 MODIS鄄NDVI 数据受云的影响[18] .该
方法为一种权重滑动平均滤波,其权重取决于滤波
窗口范围内做最小二乘拟合的多项式次数,该滤波
器可应用于任何相同时间间隔、连续且具有一定平
滑特征的数据.平滑时,采用 NDVI 的上包络线来拟
合 NDVI 时序数列的变化趋势,通过迭代过程使
Savitzky鄄Golay平滑达到最好的效果,具体平滑效果
如图3所示 . 其中,图3中箭头所示数据为平滑前
图 2摇 Gaussian模型模拟冬小麦 LAI与田间实测 LAI的比较
Fig. 2摇 Comparison between the simulated LAI of winter wheat
using Gaussian function and the field measured LAI.
图 3摇 Savitzky鄄Golay滤波技术平滑前后冬小麦 MODIS鄄NDVI
的比较
Fig. 3 摇 Comparison between original and smoothed NDVI data
of winter wheat using Savitzky鄄Golay filter.
玉:平滑前 NDVI Original NDVI; 域:平滑后 NDVI Smoothed NDVI.
588211 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 任建强等: 基于叶面积指数反演的区域冬小麦单产遥感估测摇 摇 摇 摇 摇 摇
MOSIS鄄NDVI 数据,可见平滑前 MODIS鄄NDVI 均较
小,且相对于前后两旬的 NDVI 数据而言,NDVI 变
幅较大,这种短时间内 NDVI 较大幅度变化的现象
不符合作物生长渐变规律和 NDVI 平缓变化规律.
但利用 Savitzky鄄Golay平滑后,上述异常数据通过模
拟得到较平滑的 NDVI 时序数据,相对于平滑前
NDVI数据而言,平滑后数据质量大多得到了提高.
基于 Savitzky鄄Golay 滤波技术,本研究得到 2004、
2007 和 2008 年 3 月上旬—6 月上旬质量较高的备
用旬 NDVI数据.
1郾 6摇 冬小麦叶面积指数的遥感定量反演
目前,利用遥感技术反演作物 LAI 的方法主要
有经验模型、辐射传输模型、查表法以及神经网络法
等[19-21],其中,基于遥感植被指数回归分析的经验
模型是应用最广泛的方法之一,归一化植被指数是
应用最广泛的植被指数[22-24] .研究表明,遥感 NDVI
数据在植被或作物生长旺盛时产生一定饱和现象,
增强型植被指数(EVI)可部分解决 NDVI 红光饱和
问题,但本研究中采用的是适合业务化运行的 MO鄄
DIS传感器遥感数据,其中,MODIS EVI 数据的空间
分辨率为 500 m,MODIS NDVI数据的空间分辨率为
250 m.为了提高估产精度,尽可能减少样区内混合
象元的影响,因此,本研究仍采用空间分辨率较高的
250 m MODIS NDVI作为研究数据.
本研究采用 SPSS 11郾 5 曲线估计模块,通过建
立冬小麦估产最佳关键生育时期 LAI与相应生育时
期冬小麦 NDVI 的关系,从而实现冬小麦 LAI 空间
信息的反演.其中,2004 和 2007 年调查点生育时期
平均 LAI数据用于 LAI 遥感反演模型的建立,2008
年调查点生育时期平均 LAI用于验证 LAI遥感反演
精度.在精度验证基础上,利用遥感反演 LAI 进行
2008 年冬小麦单产预测.由于 MODIS NDVI 数据的
分辨率为 250 m,样区面积选择时不小于 500 m伊500
m,且样区内种植结构相对单一,为了减少误差,本
文对实测点 500 m直径缓冲区内的冬小麦 NDVI 进
行均值统计,然后建立冬小麦 NDVI 与冬小麦估产
关键生育时期 LAI间的定量关系. 本研究中使用的
冬小麦分布数据由农业部资源遥感与数字农业重点
实验室提供.
2摇 结果与分析
2郾 1摇 冬小麦主要生育时期叶面积指数与冬小麦单
产的关系
通过模拟 2004 和 2007 年冬小麦主要生育时期
的日 LAI,得到冬小麦各生育时期(返青期、起身期、
拔节期、抽穗期、开花期和乳熟期)平均 LAI,然后利
用 2004 和 2007 年地面实测冬小麦单产数据,建立
冬小麦各生育时期 LAI 与小麦单产间的定量关系,
其线性回归模型为:
Y=aX+b
式中:Y为冬小麦单产(kg·hm-2);X 为作物各生育
时期平均 LAI;a、b为常数.
由表 1 可以看出,研究区冬小麦开花期 LAI 与
小麦单产的关系最显著.
摇 摇 从农学和作物生理角度来看,冬小麦的抽穗鄄成
熟期为生殖生长阶段,此阶段主要决定冬小麦粒重,
其中,冬小麦进入开花受精阶段的生长状况对结实
率具有较大影响.冬小麦的产量形成与干物质累积
与分配密切相关,特别是开花至成熟阶段,正常生长
的冬小麦绿叶是同化物产生的重要来源之一,而此
时同化物大多向籽粒运输和分配,因此,作为重要小
麦群体参数之一的开花期至乳熟期冬小麦 LAI的大
小对于干物质累积的多少和后期产量形成均具有重
要意义.综合农学、作物生理机理及表 1 中数理统计
结果,本研究可以通过模拟冬小麦开花期平均 LAI
对单产进行预测.
2郾 2摇 冬小麦叶面积指数遥感反演及精度验证
通过 2004 和 2007 年实测冬小麦 LAI的时序内
插,得到 2004 和 2007 年各实测点开花期平均 LAI.
然后,建立2004和2007年开花期平均LAI与相应
表 1摇 冬小麦各生育时期平均 LAI与小麦单产(kg·hm-2)
的关系
Tab. 1摇 Relationship between average LAI of each growth
stage and yield (kg·hm-2) of winter wheat (n=71)
生育时期
Growth stage
单产(Y)与 LAI(X)关系
Relationship between
LAI and yield
决定系数
Coefficient of
determination
(R2)
P
返青期
Reviving stage Y=224郾 72X+6762郾 3 0郾 225 0郾 090
起身期
Erecting stage Y=274郾 76X+6240郾 8 0郾 324 0郾 080
拔节期
Jointing stage Y=200郾 55X+5977郾 6 0郾 368 0郾 001
孕穗期
Booting stage Y=178郾 86X+5929郾 0 0郾 585 0郾 001
抽穗期
Heading stage Y=238郾 80X+5627郾 3 0郾 642 0郾 000
开花期
Flowering stage Y=365郾 74X+5337郾 2 0郾 869 0郾 000
乳熟期
Milking stage Y=305郾 14X+6233郾 1 0郾 549 0郾 000
6882 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷
生育时期冬小麦 MODIS鄄NDVI 的定量关系. 由于研
究区冬小麦开花期时间在 5 月中旬(5 月 11—20
日),因此将 5 月中旬 10 d合成最大值MODIS鄄NDVI
作为研究区冬小麦开花期 NDVI 值.为了减少误差,
将实测点对应的 500 m直径缓冲区内 NDVI 均值作
为该点冬小麦 NDVI 值. 冬小麦开花期平均 LAI 与
开花期 NDVI的关系为:
y=0郾 069x+1郾 3843 (n=71,R2 =0郾 7571,
P=0郾 000)
式中:x 为 100 倍的 NDVI 值;y 为冬小麦开花期平
均 LAI.根据此公式,得到 2008 年冬小麦开花期平
均 LAI(图 4).通过与 2008 年实测调查点时序 LAI
内插基础上得到的开花期观测平均 LAI 相比,遥感
反演开花期平均 LAI 的平均相对误差为 2郾 37% ,
RMSE为 0郾 57(图 5).可见,通过该法反演的冬小麦
LAI 精度较高,可以满足大范围冬小麦单产预测的
要求.
2郾 3摇 冬小麦单产预测及精度验证
将由 MODIS鄄NDVI反演得到的 2008 年冬小麦
开花期平均 LAI数据代入冬小麦单产预测模型,得
图 4摇 冬小麦开花期遥感反演叶面积指数
Fig. 4 摇 Retrieved LAI of winter wheat at flowering stage
(2008).
图 5摇 MODIS鄄NDVI反演冬小麦开花期平均 LAI的验证
Fig. 5摇 Validation of the winter wheat LAI retrieved from MO鄄
DIS鄄NDVI.
图 6摇 研究区 2008 年冬小麦单产(kg·hm-2)空间分布
Fig. 6 摇 Distribution of yield ( kg · hm-2 ) of winter wheat
(2008).
图 7摇 2008 年冬小麦单产预测精度验证
Fig. 7摇 Validation of the prediction result of winter wheat yield
in the year (2008).
到 2008 年研究区冬小麦单产空间分布图(图 6).为
了检验冬小麦单产预测结果,将 2008 年实割实测点
对应 500 m直径缓冲区内所预测的平均冬小麦单产
与实割实测冬小麦单产数据对比验证(图 7). 结果
表明,利用遥感反演关键生育时期平均 LAI 进行冬
小麦估产的平均相对误差为 1郾 21% ,相对估产误差
范围为 - 5郾 42% ~ 4郾 83% ,RMSE 为 257郾 33 kg·
hm-2 .
3摇 结摇 摇 语
本研究在冬小麦主要生育时期 LAI与作物单产
统计关系建立和单产预测模型择优基础上,利用
MODIS鄄NDVI 遥感数据反演最佳估产生育时期
LAI,从而预测冬小麦单产,取得了较好的估产效
果,证明利用遥感反演的生育时期 LAI 可以有效地
进行大范围作物单产预测. 由于研究中使用了冬小
麦开花期数据进行作物单产模拟,因此,利用该方法
可以在冬小麦收获前 20 ~ 30 d 内实现大范围冬小
麦单产的准确预测.
作物遥感估产技术是一种空间信息科学和农学
788211 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 任建强等: 基于叶面积指数反演的区域冬小麦单产遥感估测摇 摇 摇 摇 摇 摇
知识的综合应用技术,考虑到作物估产过程中误差
来源众多,且误差具有一定传递性和累积特性,为了
提高估产精度,本研究对误差重要来源之一的数据
预处理过程进行了一定控制.因此,本研究除对利用
作物 LAI估产的方法进行探索外,还采用了多项技
术来提高估产数据的质量和估产精度,如 Savitzky鄄
Golay滤波技术消除 NDVI 数据受云影响及数据缺
失;通过实测 LAI时序数据内插模拟得到每日的作
物 LAI,从而得到主要生育时期 LAI,并利用生育时
期 LAI单产模型的建立,改变了利用主要生育时期
内某一时间 LAI代替整个生育时期 LAI 的方法. 上
述方法无疑对提高作物估产精度有利.另外,本文综
合权衡数据分辨率和减少混合像元的影响,选择采
用 MODIS NDVI数据进行 LAI 反演,但利用 EVI 进
行 LAI反演仍是今后的一个重要研究方向.
参考文献
[1] 摇 Dabrowska鄄Zielinska K, Kogan F, Ciolkosz A, et al.
Modelling of crop growth conditions and crop yield in
Poland using AVHRR鄄based indices. International
Journal of Remote Sensing, 2002, 23: 1109-1123
[2]摇 Ferencz CS, Bognar P, Lichtenberger J, et al. Crop
yield estimation by satellite remote sensing.
International Journal of Remote Sensing, 2004, 25:
4113-4149
[3]摇 Doraiswamy PC, Sinclair TR, Hollinger S, et al. Appli鄄
cation of MODIS derived parameters for regional crop
yield assessment. Remote Sensing of Environment,
2005, 97: 192-202
[4]摇 Ren J鄄Q (任建强), Liu X鄄R (刘杏认), Chen Z鄄X
(陈仲新), et al. Prediction of winter wheat yield
based on crop biomass estimation at regional scale.
Chinese Journal of Applied Ecology (应用生态学报),
2009, 20(4): 872-878 (in Chinese)
[5]摇 Chen Z, Li S, Ren J, et al. Monitoring and manage鄄
ment of agriculture with remote sensing / / Liang SL,
ed. Advances in Land Remote Sensing: System,
Modeling, Inversion and Application. New York:
Springer, 2008: 397-421
[6]摇 Monteith JL. Solar radiation and productivity in tropical
ecosystems. Journal of Applied Ecology, 1972, 9: 747-
766
[7]摇 Bastiaanssen WGM, Ali S. A new crop yield forecasting
model based on satellite measurements applied across
the Indus Basin, Pakistan. Agriculture, Ecosystems and
Environment, 2003, 94: 321-340
[8]摇 Launay M, Guerif M. Assimilating remote sensing data
into a crop model to improve predictive performance for
spatial applications. Agriculture, Ecosystems and
Environment, 2005, 111: 321-339
[9]摇 Doraiswamy PC, Hatfield JL, Jackson TJ, et al. Crop
condition and yield simulations using Landsat and
MODIS. Remote Sensing of Environment, 2004, 92:
548-559
[10]摇 Guerif M, Duke CL. Adjustment procedures of a crop
model to the site specific characteristics of soil and crop
using remote sensing data assimilation. Agriculture,
Ecosystems & Environment, 2000, 81: 57-69
[11] 摇 Shanahan JF, Schepers JS, Francis DD, et al. Use of
remote鄄sensing imagery to estimate corn grain yield.
Agronomy Journal, 2001, 93: 583-589
[12]摇 Rasmussen MS. Operational yield forecast using
AVHRR NDVI data: Reduction of environmental and
inter鄄annual variability. International Journal of Remote
Sensing, 1997, 18: 1059-1077
[13]摇 Ren J, Chen Z, Zhou Q, et al. Regional yield estima鄄
tion for winter wheat with MODIS鄄NDVI data in
Shandong, China. International Journal of Applied
Earth Observation and Geoinformation, 2008, 10: 403-
413
[14]摇 Pinter PJ Jr, Hatfield JL, Schepers JS, et al. Remote
sensing for crop management. Photogrammetric Engi鄄
neering & Remote Sensing, 2003, 69: 647-664
[15]摇 Baez鄄Gonzalez AD, Kiniry JR, Maas SJ, et al. Large鄄
area maize yield forecasting using leaf area index based
yield model. Agronomy Journal, 2005, 97: 418-425
[16] 摇 Zhao Y鄄S (赵英时). Theory and Method of Remote
Sensing Application Analysis. Beijing: Science Press,
2003 (in Chinese)
[17]摇 Jonsson P, Eklundh L. Seasonality extraction by
function fitting to time鄄series of satellite sensor data.
IEEE Transactions on Geoscience and Remote Sensing,
2002, 40: 1824-1932
[18]摇 Chen J, Jonsson P, Tamura M, et al. A simple method
for reconstructing a high鄄quality NDVI time鄄series data
set based on the Savitzky鄄Golay filter. Remote Sensing of
Environment, 2004, 91: 332-344
[19]摇 Fang H, Liang S, Kuusk A. Retrieving leaf area index
using a genetic algorithm with a canopy radiative trans鄄
fer model. Remote Sensing of Environment, 2003, 85:
257-270
[20]摇 Liang S. Quantitative Remote Sensing of Land Surfaces.
New York: John Wiley and Sons, 2004
[21] 摇 Yang W, Shabanov NV, Huang D, et al. Analysis of
leaf area index products from combination of MODIS
Terra and Aqua data. Remote Sensing of Environment,
2006, 104: 297-312
[22]摇 Cheng Q (程摇 乾). Estimation models of rice LAI and
chlorophyll content based on MOD09. Chinese Journal
of Applied Ecology (应用生态学报), 2006, 17(8):
1453-1458 (in Chinese)
[23]摇 Cheng Q (程摇 乾), Huang J鄄F (黄敬峰), Wang R鄄C
(王人潮), et al. Correlation analysis of simulated
MODIS vegetation indices and rice leaf area index and
leaf chlorophyll content. Chinese Journal of Applied
Ecology (应用生态学报), 2004, 15(8): 1363-1367
(in Chinese)
[24]摇 Myneni RB, Nemani RR, Running SW. Estimation of
global leaf area index and absorbed PAR using radiative
transfer models. IEEE Transactions on Geoscience and
Remote Sensing, 1997, 35: 1380-1393
作者简介 摇 任建强,男,1974 年生,博士,副研究员. 主要从
事农业遥感应用研究,发表论文近 30 篇. E鄄mail: heb鄄
jqren1975@ 126. com
责任编辑摇 杨摇 弘
8882 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 21 卷