基于GLOPEM-CEVSA的烟叶产量遥感监测模型研究

邵小东，蒋样明，王 拓，赵辉辉，侯秋强，李利平，杜 鑫，李贤峰，官群荣，石冠伟，童耀民，凡 荣，丁 鹏，李庆伟

基于GLOPEM-CEVSA的烟叶产量遥感监测模型研究

邵小东1，蒋样明2*，王 拓2，赵辉辉2，侯秋强1，李利平2，杜 鑫2，李贤峰1，官群荣1，石冠伟2，童耀民1，凡 荣1，丁 鹏1，李庆伟1

（1.云南省烟草公司红河州公司，云南 弥勒 652300；2.中国科学院空天信息创新研究院，北京 100094）

为解决传统烟叶产量遥感监测模式依据因素单一，未考虑不同品种根、茎、叶各部位干物质比例等难题，提升监测精度，本文基于烟草碳循环过程及生理生态学特征，建立GLOPEM-CEVSA烟叶产量遥感监测模型，将生态系统过程模型CEVSA和生产效率模型GLO-PEM耦合，实现烟草碳周转、碳固定、碳分配等碳循环过程模拟，实现GPP、NPP与烟叶产量估算。结果表明，成熟期烟草NPP在99%置信级别与烟叶鲜质量显著相关（=0.94），遥感监测模型估算的产量与样方实测结果具有较高的符合度（Ⅰ类烟误差为9.644%，Ⅱ类烟误差为4.316%，Ⅲ类烟误差为8.495%），表明该估产模型可以较好地完成烟叶产量估算，研究有助于烟叶制定种植计划，强化收购管理、宏观调控与决策。

烟草；GLOPEM-CEVSA模型；烟叶产量；烟叶产量遥感监测；烟草NPP

我国各地区烤烟移栽面积和产量年际间的波动十分明显[1]。实时掌握烟叶种植面积、空间分布、生长状况，精准预测烟叶产量是烟草种植规划与收购的重要依据。随着卫星遥感技术的发展，利用遥感技术进行农作物产量预测的方法逐渐占据重要地位。国内外学者利用遥感技术进行作物估产的研究主要集中在水稻、玉米、小麦等作物上[2-6]，在烟草方面的研究较少。刘明芹[7]基于资源三号卫星数据，应用植被指数与产量的相关关系建立了山区套种烟草产量估测模型，王帅等[8]基于无人机多光谱遥感数据，选用5种植被指数构建烟草植被指数估产模型，符勇等[9]基于雷达数据，采用叶面积指数与适宜性等参数，构建了旺长期、成熟期烟草产量估测模型，贾保顺等[10]基于烤烟冠层光谱数据发现与地上鲜生物量相关性最强的波段为550 nm，相关性最强的植被指数为RVI（1050，550）。朱兴等[11]发现烟草产量最重要的影响因子是年降水量，岳旭等[12]研究发现江西省烤烟产量与平均气温、降水量、相对湿度和日照时数的相关性存在明显差异，张慢慢等[13]研究发现光照、温度、水分等气象因素，氮素、钾素、磷素、微量元素等施肥因素以及品种因素是影响烤烟产量的主要因素，孙延国等[14]基于光温因素构建了烟草生长发育模型，为明确有效积温、温光效应等对烟草生长影响提供参考。

1 材料与方法

1.1 研究区概况

研究区为云南省红河哈尼族彝族自治州，地处低纬度亚热带高原型湿润季风气候区，具有独特的高原型立体气候特征。干、雨季节区分明显，每年5—10月为雨季，降雨量占全年降雨量的80%以上，且时空分布极不均匀。海拔2000 m以上的山区，年平均气温16.3 ℃，平均年降雨量2026.5 mm。海拔2000 m以下的山间盆地、河谷地带，年平均气温分别为17.2 ℃、23.4 ℃，平均年降雨量817.2、1688.7 mm（图1）。立体气候对烟草长势与烟叶产量具有显著影响，采用传统的遥感监测模式无法准确实现烟叶产量估算。

1.2 研究方案

GLOPEM-CEVSA烟草估产模型是建立在烟草碳循环过程及生理生态学理论基础上的遥感-过程耦合模型。基于多源中分辨率遥感卫星数据、气象数据结合地面传感器监测数据反演烟草生长过程中的光、温、水、土等环境数据；应用多源高精度遥感卫星数据监测烟田面积、植被指数、叶面积指数、植被覆盖度等。基于烟草光能利用率原理，利用卫星遥感反演的烟草光合有效辐射比例FPAR，模拟烟草光合有效辐射APAR，获得烟草GPP。

图1 研究区地理区位图（填充色区为研究范围）

烟草光合作用固定的碳，一部分通过自养呼吸Ra释放到大气中，其余分配到根、茎、叶中。根据烟草生物量和气温、烟草维持性呼吸系数与温度的关系模拟烟草维持性呼吸Rm、生长性呼吸Rg、自养呼吸Ra，构建烟草的净初级生产力NPP估算模型。通过对采集的烟草样方数据进行成分分析，确定烟草根、茎、叶各部位干物质量、碳含量，烟叶产量与NPP的相关关系，建立基于烟草NPP的烟叶产量估算模型，实现烟叶估产。最后，基于重点示范区无人机航拍数据监督识别获取烟草长势及估产数据，对烟叶估产模型进行验证与优化。总体而言，模型以遥感数据和气象数据作为驱动数据，将生态系统过程模型CEVSA和生产效率模型GLO-PEM耦合，实现烟草碳周转、碳固定、碳分配等碳循环过程的模拟，实现GPP、NPP与烟叶产量估算。技术方案如图2所示。

1.3 烟草冠层光谱及农艺性状数据采集

2021年7月8日至7月14日（烟草成熟期），在红河州弥勒市、泸西县等选择各类长势的烟田样方20个，样本60个。应用SVC全波段光谱仪采集烟叶冠层光谱数据；TYS-3N型叶绿素测定仪采集烟叶冠层叶绿素含量、氮含量、叶面湿度及温度；尼康D7000相机采集烟叶冠层覆盖情况照片；钢卷尺测量烟株高度、烟株间距、垄间距；英衡电子秤测量烟株上部叶、中部叶、下部叶和茎的鲜质量等；通过专业检验机构检测获得总氮、烟碱、总糖、还原糖、钾、氯、淀粉、磷、硼、镁、锌、钙、铁等13种物质含量；大疆无人机采集样方及重点示范区航拍数据，作业范围约6404 hm2，烟田地块数为4318块，面积为4404.37 hm2。根据生产统计指标，综合田间长势、预计产量、打顶留叶数、受灾情况等因素给出烟叶长势等级评估。

图2 研究技术方案

1.4 烟草冠层覆盖度遥感监测模型建立

对样方区数码相机采集的影像几何校正，计算植被绿度指数（GI=2G-R-B），选择阈值25二值化，计算烟叶冠层覆盖度，用于验证基于航拍的烟叶冠层覆盖度。

基于样方及重点示范区航拍数据，计算归一化植被指数NDVI，采用植被指数二分模型公式（1），计算航拍区烟叶冠层覆盖度：

基于多源遥感卫星数据，构建烟叶冠层覆盖度遥感监测模型：

1.5 GLOPEM-CEVSA烟草估产模型

烟草叶片和土壤水分状况对烟草气孔导度至关重要，随着空气干燥，气孔逐渐关闭，烟草生长变慢，空气相对湿度对烟草生长的影响表示为：

地表气温对烟草生长的影响表示为：

烟草气孔导度会随着土壤水分的减少而降低，从而影响烟草生长。土壤湿度的影响表示为[18]：

1.5.4 烟叶估产 采用公式11实现烟叶产量与烟草NPP转换：

2 结 果

2.1 烟草农艺性状特征及与烟叶产量的关系

基于样方试验数据，采用统计分析软件，应用compare means均值统计分析、T线性相关度检验及双变量相关性分析，获得烟草农艺性状特征分析结果（表1）和烟草农艺性状相关性分析结果（表2）。

由表1可知，长势等级从I类到IV类，烟草覆盖度、NDVI、株高、烟草NPP、地上部分鲜质量、烟叶鲜质量等依次显著减少。由表2可知，上述6个参数在99%置信级别与烟草长势等级显著相关，相关系数分别为0.91、0.68、0.79、0.70、0.71、0.63。应用本文介绍的多源遥感卫星技术，可以获得烟草覆盖度、NDVI、烟草NPP、地上部分生物量、烟叶生物量；应用无人机遥感监测技术可获得株高。可以基于这6个参数，参考表1设置Ⅰ类烟、Ⅱ类烟、Ⅲ类烟、Ⅳ类烟长势评估的阈值，评估烟草长势。

表1 烟草农艺性状特征统计分析

注：烟叶产量采用烟叶平均干鲜比1∶7.5。Note: Use average dry fresh ratio(1∶7.5) of tobacco leaves to calculate the tobacco yield.

由表2可知，烟草NPP在99%置信级别与烟叶鲜质量显著相关（相关性为0.94），基于烟草成熟期的烟叶鲜质量，采用烟叶平均干鲜比1∶7.5，可预估烟叶产量。因此，可以通过反演烟草NPP，应用公式（11）估产。

2.2 烟草估产模型参数

根据上述参考文献及试验研究确定相关参数后，烟叶估产模型可表达成：

NPP为烟草移栽后至烟草成熟期的累积烟草净初级生产力。

2.3 烟草估产模型应用

基于2021年4月1日至7月14日的Sentinel2、高分系列卫星（GF01、GF06、GF02）、资源卫星ZY3B等多源高精度卫星数据，反演烟区植被指数NDVI、叶面积指数LAI；采用烟草种植面积智能识别模型[22]获取红河州烟田面积，针对烟田采用公式（2）反演植被覆盖度FVC。针对重点示范区，基于航拍数据计算NDVI，采用公式（1）计算烟田FVC。样方区根据烟株高度，上、中、下烟叶数、烟叶覆盖度、大田烟草整齐度等因素综合评估长势；航拍区由专业人员结合NDVI、FVC、株高结合视觉效果，评估烟草长势，共提取4318块烟田的长势评估数据；红河州烟区则基于遥感监测获得NDVI、FVC及烟田面积，结合表1设定不同烟叶长势等级的FVC、NDVI指标范围，评估烟叶长势分布，且采用航拍区监督识别结果进行校正，获得云南省红河州2021年烟叶长势等级空间分布数据（图3）。

表2 烟草农艺性状相关性分析

注：表中数值为烟草农艺性状的皮尔逊相关系数，**表示在 0.01水平相关性显著，*表示在0.05水平相关性显著。

Note: The values in the table are Pearson correlation of tobacco agronomic characters, ** indicates significant correlation at the level of 0.01, * indicates significant correlation at the level of 0.05.

基于移栽后至成熟期的烟草NPP，应用公式（12）估算2021年红河州的烟叶产量（图5）。基于样方区长势监测、估产结果与实测数据进行相关性分析与精度评估，结果显示估产模型计算结果与实测烟叶产量在99%置信级别具有强相关性，相关系数为0.95（表2）；Ⅰ类烟评估误差为9.644%，标准偏差为2.423%；Ⅱ类烟评估误差为4.316%，标准偏差为4.582%；Ⅲ类烟评估误差为8.495%，标准偏差为6.304%；Ⅳ类烟评估误差为38.116%，标准偏差为5.423%（表1）。

图3 云南省红河州2021年7月14日烟叶长势等级监测

图4 云南省红河州2021年7月14日烟田区域NPP监测

图5 云南省红河州2021年烟田产量空间分布监测

3 讨 论

本文研究发现在烟草成熟期不同长势等级的烟草覆盖度FVC、NDVI、株高、烟草NPP、地上部分鲜质量、烟叶鲜质量等依次显著减少，且与烟草长势等级显著相关，相关系数分别为0.91、0.68、0.79、0.70、0.71、0.63。应用本文介绍的多源遥感卫星技术与无人机遥感监测技术，可以获得上述6个参数，参考表1设置长势评估参数阈值，如覆盖度阈值可设为（>81，81～71，71～62，<62）。以各参数与烟草长势等级相关系数为权重系数进行归一化，评估烟草长势。相对于符勇等[9]、贾保顺等[10]主要基于LAI、NDVI进行烟草长势与估产评估而言，本文融合多源遥感卫星数据、无人机航拍数据，反演的NDVI、FVC等与烟叶长势显著相关的6个关键指标，分析结果更加精准，且有效表征了烟草生长过程的田间生态过程。

生态系统过程模型基于作物生理过程机制，将多种因素对作物生长的影响作为一个整体构建模拟系统，定量化反映光照、温度、水分、土壤、施肥等环境因素及田间管理措施对作物生长的影响[23]。这些因素同样显著影响着烟草的光合作用、呼吸作用以及干物质积累[13]。孙延国等[14]基于温光效应构建了烟草叶片生长模拟模型，分析了生长时间、有效积温、温光效应对烟草下、中、上部叶片面积变化的影响。本文梳理了烟草的碳循环过程及生理生态学特征，探讨了烟草遥感估产机理；综合考虑了烟草移栽至成熟期的太阳辐射、地表气温、土壤水分、降水量、土壤类型等气候、环境因素对烟草生长的作用。构建的模型以遥感数据和气象数据作为驱动数据，将生态系统过程模型CEVSA和生产效率模型GLO-PEM耦合，基于烟草光利用率模拟烟草GPP；基于烟草呼吸作用与烟草循环基本原理，模拟烟草NPP；基于烟草根、茎、叶各部位干物质量与碳分配，建立烟叶估产模型，结合烟田面积遥感监测数据，实现了烟叶产量估算。模型机理解释性比现有文献单纯基于叶面积指数、适宜性与产量的相关性构建的估产模型更好；模型估产数据与样方实测数据高度相符(Ⅰ、Ⅱ、Ⅲ类烟平均估产精度为95.63%)，比现有文献的估产精度92%有明显提高[9]，表明应用该估产模型可以较好地完成烟叶产量估算，为制定收购计划及精准管理提供支持。

施肥对烟草长势及估产有重要影响，如氮素是决定烟草产量的首要元素，增施氮肥可增大烤烟叶面积系数，提高光合效率和烟叶产量；钾素能促进烟叶干物质积累，扩大叶面积和增加烟叶厚度，提高烟叶产量；磷素适量时，烟株生长快，叶面积增大，厚度增加，产量提高。本文估产模型没有考虑施肥的影响，后续将从施肥方案的角度优化烟叶估产模型。

4 结 论

结果表明，烟草成熟期Ⅰ类烟、Ⅱ类烟、Ⅲ类烟、Ⅳ类烟的烟草覆盖度、烟草NDVI、烟草NPP、株高、烟草地上部分生物量、烟叶生物量等具有显著差异，应用上述6种遥感反演参数，设置合理的参数阈值范围，可以较好地评估烟叶长势等级。

应用GLOPEM-CEVSA烟草估产模型，采用烟草移栽至烟草成熟期的光温水土（地表温度、有效积温、累计太阳辐射、降雨量、土壤湿度等）、烟草光能利用特征（FPAR、PAR、光能利用率等）、烟草生态表征特征（NDVI、植被覆盖度FVC等）、结合烟田面积监测数据，模拟烟草NPP，在此基础上计算获得的烟叶产量与样方实测烟叶产量高度相符，表明应用该估产模型可以较好地完成烟叶产量估算。

[1] 李富欣，许自成，赵建州，等. 河南省烤烟生产波动及其成因分析[J]. 中国烟草学报，2008，14（2）：39-45，49.

LI F X, XU Z C, ZHAO J Z, et al. Analysis of factors influencing flue-cured tobacco production in Henan province[J]. Acta Tabacaria Sinica, 2008, 14(2): 39-45, 49.

[2] 高林，杨贵军，王宝山，等. 基于无人机遥感影像的大豆叶面积指数反演研究[J]. 中国生态农业学报，2015，23（7）：868-876.

GAO L, YANG G J, WANG B S, et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle) remote sensing imagery[J]. Chinese Journal of Eco-Agriculture, 2015, 23(7): 868-876.

[3] 解毅，王鹏新，王蕾，等. 基于作物及遥感同化模型的小麦产量估测[J]. 农业工程学报，2016，32（20）：179-186.

XIE Y, WANG P X, WANG L, et al. Estimation of wheat yield based on crop and remote sensing assimilation models[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(20): 179-186.

[4] 王娟，张杰，张优，等. 基于SPOT-5卫星影像的水稻信息提取方法研究：以德阳市旌阳区为例[J]. 西南农业学报，2017，30（4）：861-868.

WANG J, ZHANG J, ZHANG Y, et al. Extraction method research of rice information based on SPOT-5 satellite images: taking Jingyang district, Deyang city, Sichuan province as example[J]. Southwest China Journal of Agricultural Sciences, 2017, 30(4): 861-868.

[5] 任建强，陈仲新，周清波，等. MODIS 植被指数的美国玉米单产遥感估测[J]. 遥感学报，2015，19（4）：568-577.

REN J Q, CHEN Z X, ZHOU Q B, et al. MODIS vegetation index data used for estimating corn yield in USA[J]. Journal of Remote Sensing.Journal of Remote Sensing, 2015, 19(4): 568-577.

[6] 王恺宁，王修信. 多植被指数组合的冬小麦遥感估产方法研究[J]. 干旱区资源与环境，2017，31（7）：44-49.

WANG K N, WANG X X. Research on winter wheat yield estimation with the multiply remote sensing vegetation index combination[J]. Journal of Arid Land Resources and Environment, 2017, 31(7): 44-49.

[7] 刘明芹. 基于资源三号遥感影像的复杂山区套种烟草产量估测模型研究[D]. 泰安：山东农业大学，2016：76-80.

LIU M Q. Study on yield estimate model of relay-cropping tobacco in hilly regions based on ZY-3 remote sensing images[D]. Tai’an: Shandong Agricultural University, 2016: 76-80.

[8] 王帅，郭治兴，梁雪映，等. 基于无人机多光谱遥感数据的烟草植被指数估产模型研究[J]. 山西农业科学 2021，49（2）：195-203.

WANG S, GUO Z X, LIANG X Y, et al. Study on yield estimation model of tobacco vegetation index based on UAV multi-spectral remote sensing data[J]. Journal of Shanxi Agricultural Sciences, 2021, 49(2): 195-203.

[9] 符勇，周忠发，贾龙浩，等. 基于SAR技术的贵州喀斯特山区烟草估产模型[J]. 湖北农业科学，2014，53（9）：2156-2159.

FU Y, ZHOU Z F, JIA L H, et al. Tobacco yield estimation model in GUIZHOU karst mountain based on the technology of SAR[J]. Hubei Agricultural Sciences, 2014, 53(9): 2156-2159.

[10] 贾保顺，马宇，李鹏，等. 烤烟冠层光谱参数与地上生物量的相关性研究[J]. 安徽农业科学，2012，40（2）：652-654.

JIA B S, MA Y, LI P, et al. Study on correlation of aboveground biomass with canopy reflectance spectrum parameters of flue-cured tobacco ()[J]. Journal of Anhui Agri. Sci., 2012, 40(2): 652-654.

[11] 朱兴，赵虎. 安徽省烟草产量影响因子的灰色关联分析[J]. 湖北农业科学，2012，51（11）：2242-2244.

ZHU X, ZHAO H. Gray relational analysis of the impact factors of tobacco production in Anhui province[J]. Hubei Agricultural Sciences, 2012, 51(11): 2242-2244.

[12] 岳旭，罗音浩，张正扬，等. 江西省烤烟产量与气候因子相关关系分析[J]. 气象与减灾研究，2019，42（3）：236-239.

YUE X, LUO Y H, ZHANG Z Y, et al. Analysis on the relationship between flue-cured tobacco yield and meteorological factors in Jiangxi province[J]. Meteorology and Disaster Reduction Research, 2019, 42(3): 236-239.

[13] 张慢慢，邵惠芳，郑劲民，等. 烤烟产量的主要影响因素及预测方法研究进展[J]. 江西农业学报，2014，26（10）：76-80

ZHANG M M, SHAO H F, ZHENG J M, et al. Research advances in main influencing factors and prediction methods for flue-cured tobacco yield [J]. Acta Agriculturae Jiangxi, 2014, 26(10): 76-80.

[14] 孙延国，马兴华，姜滨，等. 烟草温光特性研究与利用：Ⅱ.气象因素对山东主栽烤烟品种生长发育及产质量的影响[J]. 中国烟草科学，2020，41（3）：44-52.

SUN Y G, MA X H, JIANG B, et al. Investigation and utilization of temperature and light characteristics of tobacco: Ⅱ. Effects of meteorological factors on growth, development, yield and quality of main varieties in Shandong tobacco-growing areas[J]. Chinese Tobacco Science, 2020, 41(3): 44-52.

[15] ZENG F W, COLLATZ G J, PINZON J E, et al. Evaluating and quantifying the climate-driven inter annual variability in global inventory modeling and mapping studies (GIMMS) normalized difference vegetation index (NDVI3g) at global scales[J]. Remote Sensing, 2013, 5(8): 3918-3950.

[16] 黎微微，胡斯勒图，陈洪滨，等. 利用MODIS资料计算不同云天条件下的地表太阳辐射[J]. 遥感技术与应用，2017，32（4）：643-650.

LI W W, HUSI L T, CHEN H B, et al. Estimation of surface solar radiation using MODIS satellite data and RSTAR model[J]. Remote Sensing Technology and Application, 2017, 32(4): 643-650.

[17] 王春雨. 基于GLOPEM-CEVSA模型的孟印缅地区粮食产量差及其影响因素分析[D]. 曲阜：曲阜师范大学，2019.

WANG C Y. Analysis on grain yield difference and its influencing factors in Bangladesh, India and Myanmar based on GLOPEM-CEVSA model [D]. Qufu: Qufu Normal University, 2019.

[18] CAO M K, STEPHEN D P, JENNIFER S, et al. Remotely sensed inter annual variations and trends in terrestrial net primary productivity 1981—2000[J]. Ecosystems, 2004, 7: 233-242.

[19] CHEN J M. Spatial scaling of a remotely sensed surface parameter by contexture-three land atmospheric modeling experiments[J]. Remote Sensing of Environment, 1999, 69(1): 30-42.

[20] 和勋. 初烤烟叶水分管理存在的问题及控制[J]. 中国农业信息，2017（13）：16-18.

HE X. Problems and control of moisture management of flue-cured tobacco leaves [J]. China Agricultural Information, 2017, 13: 16-18.

[21] 徐增汉，肖振杰，冯永新，等. 云烟85不同叶位和不同部位烤后烟叶碳氮含量和碳氮比的差异性研究[J].西南农业学报，2016，29（5）：1161-165.

XU Z H, XIAO Z J, FENG Y X, et al. Differences of carbon content and nitrogen content and carbon and nitrogen ration of Yunyan 85 at different positions[J]. Southwest China Journal of Agricultural Sciences, 2016, 29(5): 1161-165.

[22] 蒋样明，崔伟宏，董前林. 基于智能生态细胞的遥感信息提取方法[J]. 红外，2011，32（8）：18-24.

JIANG Y M, CUI W H, DONG Q L. Remote sensing information extraction method based on smart ecological cells[J]. Infraded, 2011, 32(8): 18-24.

[23] 孙扬越，申双和. 作物生长模型的应用研究进展[J]. 中国农业气象，2019，40（7）：444-459.

SUN Y Y, SHEN S H. Research progress in application of crop growth models [J]. Chinese Journal of Agrometeorology, 2019, 40(7): 444-459.

Study on Remote Sensing Monitoring Model of Tobacco Yield Based on GLOPEM-CEVSA

SHAO Xiaodong1, JIANG Yangming2*, WANG Tuo2, ZHAO Huihui2, HOU Qiuqiang1, LI Liping2, DU Xin2, LI Xianfeng1, Guan Qunrong1, SHI Guanwei2, TONG Yaomin1, FAN Rong1, DING Peng1, LI Qingwei1

(1. Honghe Prefecture Branch of Yunnan Tobacco Company, Mile, Yunnan 652300, China; 2. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China)

In order to solve the problems of the traditional tobacco yield remote sensing monitoring model, which ignores the proportion of dry matter in different parts of roots, stems and leaves of different varieties. It is difficult to improve the monitoring accuracy. In this study we established a GLOPEM-CEVSA tobacco yield remote sensing monitoring model based on the carbon cycle process and physiological and ecological characteristics of tobacco. By coupling the ecosystem process model CEVSA and the production efficiency model GLO-PEM, carbon cycle processes such as tobacco carbon turnover, carbon fixation and carbon distribution were stimulated, and GPP, NPP and tobacco yield were estemated. The results showed that NPP of tobacco was significant correlated with fresh weight of tobacco leaves in maturation period at the 99% confidence level (correlation was 0.94), and tobacco yield estimated by the monitoring model was in good agreement with the measured data (the error is 9.644% for class I tobacco, 4.316% for class II tobacco and 8.495% for class III tobacco). The results indicated that the tobacco yield remote sensing monitoring model based on GLOPEM-CEVSA can be used for tobacco yield estimation. The results from this study can be helpful in making tobacco planting plan, strengthening purchase management, macro-control and decision-making.

tobacco; GLOPEM-CEVSA model; tobacco yield; tobacco yield remote sensing monitor; tobacco NPP

10.13496/j.issn.1007-5119.2022.06.014

S572

A

1007-5119（2022）06-0095-09

中国烟草总公司云南省公司重点项目（2021530000241030）

邵小东（1980-），男，博士，高级工程师，主要研究方向为智慧烟草农业。E-mail：shaoxiaodong@aliyun.com

，E-mail：jym_wm@126.com

2022-03-29

2022-10-25