基于时序NDVI与绿度光谱指数的玉米生长中后期产量估算方法研究

为解决卫星遥感瞬时光谱信息与作物最终产量间的脱节问题，中国科学院遗传与发育生物学研究所团队创新性地构建了NDVI下降率(DR)、日均NDVI积累量(ADA)、时序NDVI标准差(STD)和叶片绿度持续时间(LGD)四个绿度光谱指数(GSIs)。研究证实整合GSIs的梯度提升决策树(GBDT)模型可将产量估算精度提升至R2=0.7，较传统方法提高28%，为农业政策制定和粮食安全监测提供了更可靠的遥感技术方案。

　　

在全球粮食安全面临严峻挑战的背景下，准确预测玉米产量对保障粮食供应至关重要。传统卫星遥感依赖瞬时植被指数如归一化植被指数(NDVI)进行产量估算，却忽视了作物产量形成过程中关键的生理动态变化。尤其在中后期生长阶段，玉米叶片的"持绿性"(stay-green)特征与籽粒灌浆密切相关，但现有模型难以量化这种时序变化特征。

针对这一技术瓶颈，中国科学院遗传与发育生物学研究所的研究团队创新性地提出"绿度光谱指数"(Greenness Spectral Indices, GSIs)概念。通过分析2019-2021年内蒙古通辽市111个田间样本的Harmonized Landsat Sentinel-2(HLS)时序数据，研究团队构建了四个特征指数：NDVI下降率(DR)反映叶片衰老速率，日均NDVI积累量(ADA)表征生物量累积，时序NDVI标准差(STD)量化群体生长波动，叶片绿度持续时间(LGD)评估光合活性周期。

研究采用三项关键技术方法：(1)基于三分位最大合成法处理多云天气导致的影像缺失；(2)运用梯度提升决策树(GBDT)机器学习算法建模；(3)设计跨年度数据一致性/非一致性双场景验证策略。在111个样本(2022年21个，2023年50个，2024年40个)的田间试验中，研究人员系统测量了种植密度(6.0-11.25万株/公顷)、13个品种的农艺性状，并通过72平方米样方实测获得标准含水量14%的最终产量。

研究结果揭示三个重要发现：

1. NDVI-产量关系的阶段性特征

   抽雄吐丝期(Ⅲ期)的NDVI与产量相关性最强(R²=0.65)，而生长初期(Ⅰ-Ⅱ期)和后期(Ⅵ-Ⅸ期)呈现明显的"非一对一"对应关系。高密度群体(9.04±1.14万株/公顷)在灌浆期表现出更缓慢的NDVI下降趋势。

2. 时序NDVI动态模式

   通过构建DR_Ⅲ-Ⅸ、ADA_Ⅲ-Ⅸ、STD_Ⅲ-Ⅸ和LGD四个指数，发现高产群体ADA_Ⅲ-Ⅸ积累量比低产群体高42%，而DR_Ⅲ-Ⅸ衰退速率低17%。

3. GSI的估算增强效果

   在时间序列完整的场景下，整合Ⅲ期NDVI与四个GSIs的模型精度达R²=0.7(rRMSE=12.3%)。即使在收获前一个月(Ⅲ-Ⅵ期)，GSIs仍使R²提升0.023。当模拟气象条件导致数据缺失时，仅用3期(VII-IX)数据构建的GSIs仍可提高精度6.4%。跨年度验证中，面对时间序列不一致(2024年仅5期数据)，GSIs使模型R²从0.32提升至0.41。

这项发表在《Field Crops Research》的研究具有双重突破价值：方法学上首次系统量化了玉米灌浆期冠层动态与产量的生理联系，将遥感指数从"瞬时表征"推进到"过程解析"阶段；应用层面则解决了多云地区卫星数据不连续导致的估算难题。研究提出的GSIs框架可扩展至小麦、水稻等主粮作物，为构建具有生理解释性的智慧农业监测系统提供了新范式。未来通过融合合成孔径雷达(SAR)数据与叶绿素荧光(SIF)等参数，有望进一步突破现有精度瓶颈。