冬小麦播期遥感监测研究现状与展望

葛 艳，李存军，周静平，胡海棠，陈晓宁，何小安

(1.西安科技大学测绘科学与技术学院，陕西西安 710054； 2.北京农业信息技术研究中心，北京 100097)

小麦在我国广泛种植，是第二大粮食作物。播期(即播种日期)是小麦产量与品质的一个重要影响因素，适期播种是冬小麦高产优质的关键。近年来，随着全球气候的变暖及种植技术的发展，冬小麦适宜播期有所变化，与过去相比总体表现为适当的推迟[1-2]。在不同地区，因地域复杂性与种植分散性，冬小麦播期有所不同；在同一地区不同地块，受土壤墒情、天气状况及人为因素的影响，冬小麦播期亦有所不同。

及时准确地获取区域作物播期信息有助于农业遥感估产、基于遥感的农业生产管理和病虫害防治决策等。播期对冬小麦遥感估产精度的提高至关重要，是遥感数据与作物模型同化的直接输入参数[3]，是利用生产力模型(如GPP、NPP)对冬小麦进行遥感估产的一个间接参数，也是利用遥感数据分析区域作物增产因素、挖掘粮食潜力[4]和作物水分利用效率[5]等的重要辅助信息；播期可协助农业生产管理，对播期的尽早监测可在当年指导农民对因播期早而易遭冻害的“老弱苗”进行重点防控，对因播期晚而抗逆性差的“晚弱苗”提早肥水管理，来年亦可指导农民适时播种小麦[6]；播期可辅助病虫害防治决策，播期影响作物种群的消长及病虫害的发生，小麦蚜虫、赤霉病、纹枯病等的发生与播种日期的早晚息息相关[7-8]，播期信息的尽早获取有助于病虫害易发区早期预警并针对性地指导农民开展防控措施。

传统的冬小麦播期监测主要以田间调查为主，在越冬至返青期这一特定时间窗口进行目视观测，以叶片数量与正常播期叶片数量的差异及麦苗的大小为依据人为主观推断早播与晚播。该方法虽简单易行，但费时耗力，周期长，覆盖面小，不易及时、准确、客观地获取冬小麦播期信息，难以满足农业管理部门或技术推广部门决策管理的需要。不断发展的遥感技术为冬小麦播期的大区域、低成本监测提供了新的科学技术手段,国内外学者对此进行了探索性研究。当前主要利用植被信息强的冬小麦生长中后期[9-11]和全生育期遥感影像[4,12]开展监测，冬小麦生长前期的稀疏分布、光谱信息的相对较弱，给直接利用生长前期遥感数据及时准确监测播期带来了很大挑战。本文拟对国内外学者在该领域开展的一些研究成果进行总结归纳，对现存研究方法的不足进行分析梳理，并对播期遥感监测的发展趋势进行展望。

1 冬小麦播期遥感监测研究进展

目前，冬小麦播期遥感监测方法主要是利用全生育期遥感数据，基于冬小麦物候监测方法拟合播期和直接利用冬小麦生长中前期的遥感数据进行监测。

1.1 利用全生育期遥感数据基于冬小麦物候监测方法拟合播期

物候是指植被受气候、水文、土壤等因素的影响而出现的以年为准周期的自然现象[13]。近年来，植被物候特征遥感提取技术已成功应用于土地覆盖的监测、耕地种植制度的判别、作物关键生育期的确定及遥感估产精度的提高[14]等方面。遥感直观感知冬小麦播期的时间主要是生长前期的越冬期和返青期，返青后冬小麦差异体现在群体长势和产量上，物候期差异已不明显，而待拔节封垄后，不同播期小麦光谱已无显著差异，可借鉴植被物候遥感监测方法，通过对冬小麦关键生育期的确定，间接推断播期[12]。因此，物候特征遥感提取技术的发展为小麦播期遥感监测奠定了基础。

目前，常用的植被物候遥感监测的数据源主要有NOAA/AVHRR[15]、SPOT/VEGETATION[16]、MODIS[17]、Landsat[18]及融合的多源遥感数据，如MODIS与Landsat[19-20]。植被物候遥感监测使用的时间序列植被指数主要有归一化差值植被指数NDVI、增强型植被指数EVI等，其所反映的植物生长节律可用于植物物候期的确定。

利用时序遥感数据提取植被物候期特征的常用方法为阈值法、滑动平均法、拟合法等[21-24]。阈值法是利用设定的阈值提取植被物候期。Justice等[25]采用固定阈值法将植被生长季起始期对应的NDVI阈值设为0.099；White等[26]利用动态阈值法将相对绿度指数度指数RGI阈值设为0.5来提取植被生长季开始和结束日期。滑动平均法是利用NDVI时序曲线与滑动平均曲线的交叉来确定植被物候。常守志等[27]利用傅里叶级数平滑MODIS-NDVI数据，综合动态阈值法对农田物候进行了监测。Reed等平滑AVHRR-NDVI数据，提取了农作物、森林和草地的返青期和衰老期并计算了生长季长度[28]。拟合法近年来发展较快，是利用平滑函数模型对时序遥感数据进行拟合和提取物候信息，主要包括Logistic函数法、非对称高斯函数法。Zhang等[29]利用MODIS时序数据，采用分段式Logistic函数分别拟合确定了美国东北部植被的生长阶段、衰老阶段，并计算了起始期、成熟期、衰落期和休眠期。鹿琳琳等[30]从SPOT/VEGETATION-NDVI时间序列数据中利用双高斯函数拟合法提取冬小麦返青期、抽穗期及成熟期，并与TIMESAT软件提取结果、实地物候观测结果进行了比较，结果表明，该法拟合效果更好，提取结果更符合实际。

借鉴植被物候监测方法，国外学者尝试利用全生育期遥感数据对冬小麦播期进行拟合。Lobell等[4]2010年利用小麦生长季多时相Landsat/ETM+数据(包括植被峰值)监测了印度西北部小麦播期，借助所构建的播期与产量关系模型，推断出当地当年适宜播种期为11月10日，与地面观测结果非常接近。Lobell等[12]2013年进一步对印度恒河平原小麦播期开展研究，使用TIMESAT软件分别拟合2000-2010年MODIS-NDVI、SPOT/VEGETATION-EVI时序数据曲线，提取了小麦的返青期(拟合曲线最小值增长到整体增幅的10%所对应的时间点)，并利用作物生长模型CERES-Wheat模拟播期与返青期的关系，从而间接推算播期。

1.2 直接利用冬小麦生长中前期的遥感数据监测播期

仅利用小麦生长中前期的遥感数据监测播期，国内外学者对此进行了初步尝试。

Liu等[9]、刘良云等[10]利用冬小麦返青-拔节期Landsat/TM-NDVI数据提取植被指数并与播期进行统计相关分析，结果表明，拔节期的NDVI与播期呈负相关(R2=0.352 7，n=20),并以此为基础构建了冬小麦遥感估产优化模型；Song等[11]选取冬小麦生长前期(分蘖期至越冬期)一期Landsat TM和两期HJ-1A/B影像组成多时相遥感数据，对提取的冬小麦种植区的NDVI、RDVI、SAVI和DVI指数分别与播期进行相关分析，基于与播期最相关原则选择11月下旬DVI数据构建了北京地区冬小麦播期遥感监测模型。李明君等[31]利用作物生长模型和耦合PROSAIL辐射传输模型模拟了冬小麦生长前期冠层光谱并对播期遥感监测的最佳时相进行了判别。

Vyas等[32]以1 km空间分辨率的INSAT遥感数据为数据源构建9月1日至12月31日的NDVI时序曲线，将其呈现持续正斜率的最小NDVI值所对应的时间点定义为卫星最早能探测的小麦生长时间，使用阈值法提取该时间点，并利用差值法间接推断了播期。由于生长前期的小麦植被光谱信息较弱，Marinho等使用MODIS数据，借鉴Pekel等[33]报道的荒漠稀疏植被遥感监测方法，对MIR、NIR和R波段进行RGB合成，并进行色彩空间变换提取色调H,利用构建的H-NDVI二维空间实现了弱光谱信息的冬小麦种植区自动准确提取及生长起始时间的监测，并以村为单位，通过概率分析间接推断出播期[34]。

2 现存问题分析

近年来国内外学者主要集中于运用多光谱数据对冬小麦播期遥感监测方法开展研究，并取得了一定的成果，但现存的方法都存在一定的不足。

2.1 基于物候方法拟合播期受冬小麦物候提取结果的影响大

基于植被物候方法的播期监测，受植被物候遥感监测结果影响大。冬小麦物候遥感监测结果的准确性受多种因素的影响，如使用的遥感数据、采用的预处理方法及遥感物候识别方法等。

基于遥感技术的冬小麦物候监测使用的MODIS、SPOT/ VEGETATION等卫星传感器数据的时间分辨率较高，但空间分辨率较低，难以在田块尺度上开展播期遥感监测，且在多种植被类型混合情况下较难准确识别冬小麦种植区，难以对冬小麦的物候期进行准确提取；为构建时间上一致、空间上可比的植被指数数据集，通常对收集的时序遥感数据进行几何校正、辐射定标和大气校正等常规预处理，但较少针对性地对植被波段数据作BRDF的大气校正，而对植被指数时序数据去噪重建时，如何根据研究区域选择合适的算法仍需深入探究。冬小麦物候遥感识别方法中，阈值法阈值设置的合理准确与否受时间、地域及人为经验等因素的约束；滑动平均法精度相对较高，能较稳定、可靠地对一年一生长季的植被指数时序数据进行计算，但对时间间隔的选择、滑动窗口的设置较为敏感[35]。拟合法在使用上较为灵活，易受函数初始值和影像时间分辨率影响，函数拟合精度影响物候特征提取精度[36]。因此，冬小麦物候遥感监测方法存在的诸多难题，在很大程度上会制约基于物候监测方法的播期遥感监测结果精度的提高。

2.2 基于全生育期遥感数据监测冬小麦播期的时间滞后

农业遥感、生产管理和病虫害防治等对在冬小麦生长前期尽早获取区域播期信息有强烈要求，而基于植被物候方法的播期监测虽可为农业物候和作物关键期遥感监测提供便利，但需冬小麦全生育期遥感数据(至少包括小麦生育量顶峰时期植被光谱信号最大的数据)，对尽早监测区域播期来说，当季冬小麦处于生长前期时尚无后期遥感数据，待冬小麦生育期结束后开展播期监测属事后监测，其结果不具备时效性，无法为提高小麦产量而进行科学决策提供理论指导，播期遥感监测的现实意义无法体现，因而不能满足对播期提前监测的要求。

2.3 基于前期遥感数据监测冬小麦播期精度有待提高

冬小麦在经历越冬期生长的基本停止后，到第二年春天，随着气温的回升开始迅速生长，LAI急剧升高，植被覆盖度逐渐增大直至完全覆盖地表，致使不同播期光谱可分性随之降低，甚至无法对播期信息进行区分。因此，对冬小麦播期光谱信号的感知与区分主要集中在越冬前期至返青期，且这一时期是基于生物学表观特征直接区分不同播期的唯一时间窗口。但冬小麦生长前期植被分布稀疏，覆盖度较小，光谱信号较弱，受植被丰度和土壤颜色、水分含量等土壤背景因素的干扰较大。要利用遥感的手段在冬小麦生长前期实现大面积、准确的播期监测，选择生育期内哪一时相的遥感数据对应的不同播期光谱信息可分性相对更好，选择何种光谱指数与播期构建何种定量关系可取得更为理想的监测效果，当前尚较少对此开展深入研究。

2.4 播期遥感监测结果的农学机理性支持及与生产应用的结合有待加强

一方面，现有播期遥感监测方法需要加强农学机理性支持和解释。冬小麦播期是否合适，其确定的农学依据是冬前苗情是否健壮和越冬期是否安全，不同生态型冬小麦品种对播期的适应性有差别。一般情况下，冬小麦品种对播期有一定适应性，晚播时可以通过加大播量增加群体密度获得较高的穗数和产量，即使播期差异很大，但返青后冬小麦差异并不大，生长前期长势差异较大是主要表现，从而不同播期冬小麦冠层光谱存在可分性，应综合农学机理和遥感机制研究播期遥感监测方法和提高监测精度。另一方面，播期遥感监测应提高生产应用，在生长中前期及时获取区域小麦播期信息，从而为越冬期水肥管理和病虫害预警提供支撑。

3 发展趋势展望

对于利用遥感技术实现冬小麦播期的监测，近年来已得到一定发展。尽管如此，现存的冬小麦播期遥感监测方法面临监测精度不高、监测时间滞后等不足，需从以下几方面深化研究。

3.1 高时空分辨率遥感数据的利用

随着航天遥感平台与传感器的改进，一批新型短重访周期、高时空分辨率遥感数据经历从无到有且日益丰富，为播期遥感监测的发展提供了新的机遇。

田块尺度冬小麦播期遥感监测的开展对遥感数据的获取时间、包含的波段及空间分辨率都有一定的要求[37]。国内环境与灾害监测预报小卫星(HJ-1)、高分卫星(GF)、资源卫星(ZY-1 02C、ZY-3)等的发射可提供米级、亚米级高时空分辨率数据，国外分发的WorldView卫星还可提供专用于作物监测红边波段的遥感数据，Planet Labs卫星星座可实现超高分辨率卫星数据的快速获取。Jain等[38]已尝试利用2014-2015、2015-2016年小麦生长季多时相高空间分辨率(2 m)、高时间分辨率(2周)SkySat小微卫星遥感数据对印度比哈尔地区各地块冬小麦播期进行监测。新数据源的增加在为冬小麦播期的尽早监测及精度的改善提供可能的同时，也为数据的合理选择带来了挑战，如何从海量高质量遥感数据中为获得播期最佳监测效果选择合适的数据仍需深入研究。

3.2 多尺度传感器遥感数据融合算法的应用

目前基于植被物候监测方法的播期监测使用的时序植被指数数据时间分辨率高，但空间分辨率低，混合像元的存在使得冬小麦种植区难以准确提取，进而导致播期监测结果难以与实际地块相匹配。近年来，多尺度传感器遥感数据融合算法的发展为提高播期监测的精度提供了新的理论依据[39]。

为了融合MODIS与Landsat/TM数据，Gao等发展了STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)融合算法[40]，生成与MODIS数据时间相对应的模拟Landsat数据并成功应用于物候监测[41]、森林扰动监测[42]和土地分类结果精度的提高[43]。一些学者对STARFM算法进行了改进。邬明权等[44]设计了STDFA(Spatial and Temporal Data Fusion Model)遥感数据时空融合算法。Huang等[45]提出了SPSTFM(Sparse-representation-based Spatio Temporal Reflectance Fusion Model)基于稀疏表示法的时空反射率融合模型。Shen等[46]考虑传感器的差异发展了时空融合模型。这些多源多尺度传感器遥感数据融合算法的设计和完善，使得具备“双高”特征的遥感数据应运而生，这将大大促进田块尺度和大区域冬小麦播期遥感监测精度的提高。

3.3 冬小麦生长前期不同播期光谱信息的挖掘

非成像高光谱遥感能够获取作物冠层或叶片的光谱数据，其微小差异可揭示作物生理生化的细微变化。在同一时刻，因播期有所差异，冬小麦基本光谱特性总的“峰-谷”形态变化虽基本相似，但叶的新老、疏密等因素会导致其生物量、结构、组分发生变化，从而引起不同播期冬小麦冠层光谱信息的差异。前人主要运用多光谱数据对冬小麦播期进行遥感监测，对不同播期冬小麦冠层生长前期的光谱分布规律及差异的研究则较少。遥感图像是对地物种类及其组合方式的瞬时反映。通过获取并分析冬小麦生长前期不同时相地面高分辨率光谱数据，选择不同播期光谱信息差异最大的时相，将为播期监测数据优选提供参考和依据。植被反射光谱是对植被进行遥感研究和各种模拟的基础数据，是地面实验数据与遥感影像数据的桥梁，将基于地面高光谱数据建立的播期遥感估测模型，应用于航空、航天等遥感数据中，对模型的宏观应用价值进行评价，综合分析筛选播期遥感监测效果较好的光谱或模型；同时，为与卫星数据对接，也可将不同播期地面高光谱数据根据影像数据的波段响应函数生成宽波段多光谱模拟数据，用于冬小麦播期遥感监测时相及光谱优选。因此，为了在冬小麦生长前期既能实现播期的尽早监测，又能实现播期遥感监测精度的提高，亟待利用冬小麦生长前期地面高光谱数据进行数据的挖掘，对不同播期冬小麦生长前期光谱响应差异机制和变化规律、播期监测最佳时相及最优光谱等开展深入探索，从而为利用航空、航天多光谱数据开展播期遥感监测提供参考。

随着遥感数据源来源的扩展和质量的提升，数据处理方法技术的改进，如何将田间实验观测数据、模型模拟数据与遥感影像数据相结合，通过信息挖掘，以能最大限度反应冬小麦播期的最佳时相与最优光谱的判别结果为基础，从丰富的数据源中挑选合适的遥感数据用于冬小麦播期监测，实现观测空间尺度的扩展，是未来研究的一大重要内容。

3.4 冬小麦生长前期光谱与上茬作物时序遥感数据的综合

在农业生产中，受人为因素的影响，上茬作物成熟收获早，冬小麦可能提前播种；反之，为提高上茬作物产量而对其晚收获，则将导致冬小麦晚播，从而造成与上茬作物正常收获、冬小麦适期播种的时序变化规律存在着差异。为了在小麦生长当季尽可能早地利用已有数据对播期实现遥感监测，虽无法获取生长中后期的当季冬小麦遥感数据，但上茬作物时序遥感数据是可获取的，上茬作物成熟至冬小麦生长前期的时序数据在一定程度上可以反映播期的早晚。在对不同播期的冬小麦生长前期光谱进行深入挖掘优选播期监测的最佳时相和最优光谱基础上，增加上茬作物时序遥感数据实现播期监测时间窗口的前移，研究表征冬小麦播期的新型遥感光谱指数，二者集成建模，可在一定程度上弥补冬小麦生长前期植被光谱信号较弱的劣势，既能满足尽早监测的需求，又能在一定程度上提高播期监测的精度，是未来播期遥感监测的重要研究方向。

3.5 遥感数据和作物模型同化方法的借鉴

从使用的数据源以及遥感监测手段看，遥感数据与作物模型的有机结合近年来应用到作物长势监测、产量估测等方面[47]，是作物播期遥感监测又一重要方法。赵艳霞等[48]以棉花为研究对象，比较了复合形演化、模拟退火、微分演化三种同化反演播期效果，并利用MODIS数据和COSIM模型选择复合型演化同化算法对新疆北部棉花主产区的棉花空间分布进行制图。以水稻为研究对象，Wang等[49]使用环境星CCD数据和RiceGrow生长模型，采用PSO和SCE-UA同化算法制作了江苏如皋县水稻的播期(移栽期)分布图；De-Bernardis等[50]则利用双极化雷达时序遥感数据，分别利用粒子滤波同化算法、扩展卡尔曼滤波同化算法对水稻播期进行估算，研究发现滤波同化算法估算播期精度更高。遥感数据与作物模型同化方法监测播期，国内外学者以棉花、水稻为研究对象已开展初步研究，为冬小麦播期监测提供了新思路。因冬小麦的生长规律有其独特性，其植被光谱和生物量具有双峰特点，如何借鉴遥感数据和作物模型同化的方法估算冬小麦播期，是未来研究的新发展方向。

[1]崔彦生,韩江伟,曹 刚,等.冬前积温对河北省中南部麦区冬小麦适宜播期的影响[J].中国农学通报,2008,24(7):195.

CUI Y S,HAN J W,CAO G,etal.Effect of per-winter positive accumulated temperature on suitable planting dates of winter wheat in south centre area of Hebei [J].ChineseAgriculturalScienceBulletin,2008,24(7):195.

[2]DING D Y,FENG H,ZHAO Y,etal.Modifying winter wheat sowing date as an adaptation to climate change on the loess plateau [J].AgronomyJournal,2016,108(1):53.

[3]TRIPATHY R,CHAUDHARI K N,MUKHERJEE J,etal.Forecasting wheat yield in Punjab state of India by combining crop simulation model WOFOST and remotely sensed inputs [J].RemoteSensingLetters,2013,4(1):19.

[4]LOBELL D B,ORTIZ-MONASTERIO J I,LEE A S.Satellite evidence for yield growth opportunities in Northwest India [J].FieldCropsResearch,2010,118(1):13.

[5]DUCHEMIN B,FIEUZAL R,RIVERA M A,etal.Impact of sowing date on yield and water use efficiency of wheat analyzed through spatial modeling and FORMOSAT-2 images [J].RemoteSensing,2015,7(5):5951.

[6]DE-BERNARDIS C G,VICENTE-GUIJALBA F,MARTINEZ-MARIN T,etal.Estimation of key dates and stages in rice crops using dual-polarization SAR time series and a particle filtering approach [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2015,8(3):1008.

[7]杨 光,张 英,陈若礼,等.播期和种植密度对小麦纹枯病发病程度的影响[J].中国植保导刊,2007,27(8):17.

YANG G,ZHANG Y,CHENG R L,etal.Effect of sowing data and planting density on disease indexes of wheat sheath blight [J].ChinaPlantProtection,2007,27(8):17.

[8]韩二宾,张云慧,程登发,等.小麦播种期对麦蚜及七星瓢虫的影响[J].植物保护,2012,38(5):147.

HAN E B,ZHANG Y H,CHENG D F,etal.Influences of the wheat sowing time on the quantity of aphids and the population ofCoccinellaseptempunctata[J].PlantProtection,2012,38(5):147.

[9]LIU L,WANG J,SONG X,etal.Study on winter wheat yield estimation model based on NDVI and seedtime [C]//IGARSS,2004:4045.

[10]刘良云,赵春江,王纪华,等.冬小麦播期的卫星遥感及应用[J].遥感信息,2005(1):28.

LIU L Y,ZHAO C J,WANG J H,etal.Satellite remote sensing of winter wheat seedtime and its application [J].RemoteSensingInformation,2005(1):28.

[11]SONG X,HUANG W,CUI B,etal.Winter wheat seedtime monitoring through satellite remote sensing data [C]//International Conference on Computer and Computing Technologies in Agriculture.Springer Berlin Heidelberg,2016:362.

[12]LOBELL D B,ORTIZ-MONASTERIO J I,SIBLEY A M,etal.Satellite detection of earlier wheat sowing in India and implications for yield trends [J].AgriculturalSystems,2013,115(2):137.

[13]李正国,唐华俊,杨 鹏,等.植被物候特征的遥感提取与农业应用综述[J].中国农业资源与区划,2012,33(5):20.

LI Z G,TANG H J,YANG P,etal.Progress in remote sensing of vegetation phenology and its application in agriculture [J].ChineseJournalofAgriculturalResourcesandRegionalPlanning,2012,33(5):20.

[14]方修琦,余卫红.物候对全球变暖响应的研究综述[J].地球科学进展,2002,17(5):714.

FANG X Q,YU W H.Progress in the studies on the phenological responding to global warming [J].AdvanceinEarthSciences,2002,17(5):714.

[15]MAIGNAN F,BRON F M,BACOUR C,etal.Interannual vegetation phenology estimates from global AVHRR measurements:Comparison with in situ data and applications [J].RemoteSensingofEnvironment,2008,112(2):496.

[16]GUYON D,GUILLOT M,VITASSE Y,etal.Monitoring elevation variations in leaf phenology of deciduous broad leaf forests from SPOT/VEGETATION time-series [J].RemoteSensingofEnvironment,2011,115(2):615.

[17]HMIMINA G,DUFRNE E,PONTAILLER J Y,etal.Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes:An investigation using ground-based NDVI measurements [J].RemoteSensingofEnvironment,2013,132(6):145.

[18]MELAAS E K,FRIEDL M A,ZHU Z.Detecting interannual variation in deciduous broadleaf forest phenology using Landsat TM/ETM+ data [J].RemoteSensingofEnvironment,2013,132:176.

[19]ISAACSON B N,SERBIN S P,TOWNSEND P A.Detection of relative differences in phenology of forest species using Landsat and MODIS [J].LandscapeEcology,2012,27(4):529.

[20]WALKER J J,DE BEURS K M,WYNNE R H.Dryland vegetation phenology across an elevation gradient in Arizona,USA,investigated with fused MODIS and Landsat data [J].RemoteSensingofEnvironment,2014,144(1):85.

[21]夏传福,李 静,柳钦火.植被物候遥感监测研究进展[J].遥感学报,2013,17(1):1.

XIA C F,LI J,LIU Q H.Review of advances in vegetation phenology monitoring by remote sensing [J].JournalofRemoteSensing,2013,17(1):1.

[22]陈效逑,王林海.遥感物候学研究进展 [J].地理科学进展,2009,28(1):33.

CHENG X Q,WANG L H.Progress in remote sensing phenological research [J].ProgressinGeography,2009,28(1):33.

[23]武永峰,李茂松,宋吉青.植物物候遥感监测研究进展 [J].气象与环境学报,2008,24(3):51.

WU Y F,LI M S,SONG J Q.Advance in vegetation phenology monitoring based on remote sensing [J].JournalofMeteorologyandEnvironment,2008,24(3):51.

[24]张学霞,葛全胜,郑景云.遥感技术在植物物候研究中的应用综述 [J].地球科学进展,2003,18(4):534.

ZHANG X X,GE Q S,ZHENG J Y.Overview on the vegetation phenology using the remote sensing [J].AdvanceinEarthSciences,2003,18(4):534.

[25]JUSTICE C O,TOWNSHEND J R G,HOLBEN B N,etal.Analysis of the phenology of global vegetation using meteorological satellite data [J].InternationalJournalofRemoteSensing,1985,6(8):1271.

[26]WHITE M A,THORNTON P E,RUNNING S W.A continental phenology model for monitoring vegetation responses to interannual climatic variability [J].GlobalBiogeochemicalCycles,1997,11(2):217.

[27]常守志,王宗明,宋开山,等.基于NDVI数据的三江平原农田物候监测[J].遥感技术与应用,2011,26(1):82.

CHANG S Z,WANG Z M,SONG K S,etal.Monitoring cropland phenology in sanjiang plain based on NDVI data [J].RemoteSensingTechnologyandApplication,2011,26(1):82.

[28]REED B C,BROWN J F,VANDERZEE D,etal.Measuring phenological variability from satellite imagery [J].JournalofVegetationScience,1994,5(5):703.

[29]ZHANG X,FRIEDL M A,SCHAAF C B,etal.Monitoring vegetation phenology using MODIS [J].RemoteSensingofEnvironment,2003,84(3):471.

[30]鹿琳琳,郭华东.基于SPOT/VEGETATION时间序列的冬小麦物候提取方法[J].农业工程学报,2009,25(6):174.

LU L L,GUO H D.Extraction method of winter wheat phenology from time series of SPOT/VEGETATION data [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2009,25(6):174.

[31]李明君,李存军,淮贺举,等.基于模拟光谱数据的冬小麦播期遥感监测最佳时相研究[J].麦类作物学报,2015,35(8):1148.

LI M J,LI C J,HUAI H J,etal.The best phase selection for monitoring winter wheat sowing time using remote sensing data based on simulated spectral data [J].JournalofTriticeaeCrops,2015,35(8):1148.

[32]VYAS S,NIGAM R,PATEL N K,etal.Extracting regional pattern of wheat sowing dates using multispectral and high temporal observations from Indian geostationary satellite [J].JournaloftheIndianSocietyofRemoteSensing,2013,41(4):855.

[33]PEKEL J F,CECCATO P,VANCUTSEM C,etal.Development and application of multi-temporal colorimetric transformation to monitor vegetation in the desert locust habitat [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2011,4(2):318.

[34]MARINHO E,VANCUTSEM C,FASBENDER D,etal.From remotely sensed vegetation onset to sowing dates:aggregating pixel-level detections into village-level sowing probabilities [J].RemoteSensing,2014,6(11):10947.

[35]HUDSON I L,KEATLEY M R.Phenological Research:Methods for environmental and climate change analysis [M].Germany:Springer,2010:147.

[36]范德芹,赵学胜,朱文泉,等.植物物候遥感监测精度影响因素研究综述[J].地理科学进展,2016,35(3):304.

FAN D Q,ZHAO X S,ZHU W Q,etal.Review of influencing factors of accuracy of plant phenology monitoring based on remote sensing data [J].ProgressinGeography,2016,35(3):304.

[37]王纪华,赵春江,黄文江.农业定量遥感基础与应用[M].北京:科学出版社,2008:259.

WANG J H,ZHAO C J,HUANG W J,etal.Foundation and application of agricultural quantitative remote sensing [M].Beijing:Science Press,2008:259.

[38]JAIN M,SRIVASTAVA A K,JOON R K,etal.Mapping smallholder wheat yields and sowing dates using micro-satellite data [J].RemoteSensing,2016,8(10):860.

[39]史 舟,梁宗正,杨媛媛,等.农业遥感研究现状与展望[J].农业机械学报,2015,46(2):247.

SHI Z,LIANG Z Z,YANG Y Y,etal.Status and prospect of agricultural remote sensing [J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2015,46(2):247.

[40]GAO F,MASEK J,SCHWALLER M,etal.On the blending of the Landsat and MODIS surface reflectance:Predicting daily Landsat surface reflectance [J].IEEETransactionsonGeoscienceandRemoteSensing,2006,44(8):2207.

[41]WALKER J J,BEURS K M D,WYNNE R H,etal.Evaluation of Landsat and MODIS data fusion products for analysis of dryland forest phenology [J].RemoteSensingofEnvironment,2012,117(1):381.

[42]GAULTON R,HILKER T,WULDER M A,etal.Characterizing stand-replacing disturbance in western Alberta grizzly bear habitat,using a satellite-derived high temporal and spatial resolution change sequence [J].ForestEcologyandManagement,2011,261(4):865.

[43]WATTS J D,POWELL S L,LAWRENCE R L,etal.Improved classification of conservation tillage adoption using high temporal and synthetic satellite imagery [J].RemoteSensingofEnvironment,2011,115(1):66.

[44]邬明权,王 洁,牛 铮,等.融合MODIS与Landsat数据生成高时间分辨率Landsat数据[J].红外与毫米波学报,2012,31(1):80.

WU M Q,WANG J,NIU Z,etal.A model for spatial and temporal data fusion [J].JournalofInfraredMillimeterWaves,2012,31(1):80.

[45]HUANG B,SONG H.Spatiotemporal reflectance fusion via sparse representation [J].IEEETransactionsonGeoscienceandRemoteSensing,2012,50(10):3707.

[46]SHEN H,WU P,LIU Y,etal.A spatial and temporal reflectance fusion model considering sensor observation differences [J].InternationalJournalofRemoteSensing,2013,34(12):4367.

[47]RUI L I,LI C,DONG Y,etal.Assimilation of remote sensing and crop model for LAI estimation based on ensemble Kaiman Filter [J].AgriculturalSciencesinChina,2011,10(10):1595.

[48]赵艳霞,秦 军,周秀骥.遥感信息与棉花模型结合反演模型初始值和参数的方法研究[J].棉花学报,2005,17(5):280.

ZHAO Y X,QIN J,ZHOU X J.Study on combinations of remote sensing and cotton model to retrieve initial inputs and parameters [J].CottonScience,2005,17(5):280.

[49]WANG H,ZHU Y,LI W,etal.Integrating remotely sensed leaf area index and leaf nitrogen accumulation with RiceGrow model based on particle swarm optimization algorithm for rice grain yield assessment [J].JournalofAppliedRemoteSensing,2014,8(1):083674.

[50]DE-BERNARDIS C G,VICENTE-GUIJALBA F,MARTINEZ-MARIN T,etal.Estimation of key dates and stages in rice crops using dual-polarization SAR time series and a particle filtering approach [J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2015,8(3):1008.