摘 要：农作物长势的有效监测对于精准农业建设意义重大。基于 Landsat8 卫星影像和同步实验数据，采用双变量相关性分析法筛选植被指数，构建 LAI 反演模型并进行精度评定。结果表明：DVI 与 LAI 的相关性最高，其次为 SAVI 和 EVI，NRI与 LAI 相关性最低。基于 DVI 建立的模型精度最高，模型 R2 为 0.77。研究区冬小麦长势总体良好，其中长势一般的区域占44.37%，长势良好的区域主要分布在扶风县中南部，武功县中部，长势过旺地区主要分布在扶风县西部地区，武功县西北部地区。
关键词：冬小麦；叶面积指数；植被指数；遥感反演；长势监测
DOI:10.19850/j.cnki.2096-4706.2023.06.025
基金项目：河南省高等学校重点科研项目（21A420003，23A420001，22A420003）；河南省重点研发与推广项目（222102320155）
中图分类号：TP391 文献标识码：A 文章编号：2096-4706（2023）06-0098-05
Remote Sensing Growth Monitoring of Winter Wheat Based on Satellite Remote Sensing and Synchronous Ground Experiment Data
CAI Qingkong1, LI Erjun2, WANG Guo1, ZHANG Di 1, CHEN Chao1
(1.College of Civil Engineering, Henan University of Engineering, Zhengzhou 451191, China; 2.School of Humanities, Political Science and Law, Henan University of Engineering, Zhengzhou 451191, China)
Abstract: The effective monitoring of crop growth is of great significance to the construction of precision agriculture. Based on Landsat8 satellite image and synchronous experimental data, bivariate correlation analysis method is used to screen vegetation index, build LAI inversion model and evaluate accuracy. The results show that DVI has the highest correlation with LAI, followed by SAVI and EVI, and NRI has the lowest correlation with LAI. The built model based on DVI has the highest accuracy, with R2 of 0.77. The winter wheat in the study area is growing well in general, of which 44.37% is in the area with general growth. The areas with good growth are mainly distributed in the middle and south central parts of Fufeng County, the middle part of Wugong County, and the areas with excessive growth are mainly distributed in the west part of Fufeng County and the northwest part of Wugong County.
Keywords: winter wheat; leaf area index; vegetation index; remote sensing inversion; growth monitoring
参考文献：
[1] 王纪华，赵春江，黄文江，等 . 农业定量遥感基础与应用[M]. 北京：科学出版社，2008.
[2] 刘占宇，黄敬峰，王福民，等 . 估算水稻叶面积指数的调节型归一化植被指数 [J]. 中国农业科学，2008（10）：3350-3356.
[3] 张佳华，杜育璋，刘学锋，等 . 基于高光谱数据和模型反演植被叶面积指数的进展 [J]. 光谱学与光谱分析，2012，32（12）：3319-3323.
[4] 王毅 . 基于经验模型的叶面积指数反演精度对比 [D]. 成都：成都理工大学，2017.
[5] 苗乃哲 . 基于 LandsatTM 数据的冬小麦不同生育期叶面积指数反演方法精度比较 [D]. 西安：西安科技大学，2012.
[6] 赫晓慧，冯坤，郭恒亮，等 . 基于 PROSAIL 模型和遗传算法优化的 BP 神经网络模型的不同大豆种群叶面积指数反演比较[J]. 河南农业大学学报，2021，55（4）：698-706.
[7] 王枭轩，卢小平，杨泽楠，等 . 基于 PROSAIL 结合 VMG模型的冬小麦叶面积指数反演方法 [J].农业机械学报，2022，53（6）：209-216.
[8] 包刚，覃志豪，周义，等 . 基于高光谱数据和 RBF 神经网络方法的草地叶面积指数反演 [J].国土资源遥感，2012（2）：7-11.
[9] 束美艳，顾晓鹤，孙林，等 . 基于新型植被指数的冬小麦LAI 高光谱反演 [J]. 中国农业科学，2018，51（18）：3486-3496.
[10] 孙华林，耿石英，王小燕，等 . 晚播条件下基于高光谱的小麦叶面积指数估算方法 [J]. 光谱学与光谱分析，2019，39（4）：1199-1206.
[11] MORIONDO M，MASELLI F，BINDI M. A simple model of regional wheat yield based on ndvi data [J].European Journal of Agronomy，2006，26（3）：266-274.
[12] 吾木提 • 艾山江，尼加提 • 卡斯木，买买提 • 沙吾提 . 基于波段组合优化光谱指数的冬小麦 LAI 估算 [J]. 江苏农业科学，2022，50（13）：207-218.
[13] 李军玲，彭记永 . 不同生育时期冬小麦叶面积指数地面高光谱遥感模型研究 [J]. 麦类作物学报，2018，38（8）：979-987.
[14] 刘婷，包广道，张大伟，等 . 基于植被指数的 GF-2 影像防护林快速提取研究 [J]. 森林工程，2018，34（6）：13-19.
[15] 谭昌伟，王纪华，朱新开，等 . 基于 Landsat TM 影像的冬小麦拔节期主要长势参数遥感监测 [J]. 中国农业科学，2011，44（7）：1358-1366.
[16] 李卫国，李正金，杨澄 . 基于 CBERS 遥感的冬小麦长势分级监测 [J]. 中国农业科技导报，2010，12（3）：79-83.
作者简介：蔡庆空（1986—），男，汉族，河南南召人，讲师，博士，研究方向：资源环境遥感、高光谱遥感；李二俊（1986—），女，汉族，河南温县人，讲师，硕士，研究方向：资源环境遥感；王果（1986—），男，汉族，河南内乡人，副教授，博士，研究方向：摄影测量与遥感；张迪（1987—），男，汉族，河南邓州人，副教授，博士，研究方向：摄影测量与遥感；陈超（1989—），男，汉族，河南开封人，讲师，博士，研究方向：摄影测量与遥感。