基于多光谱遥感的冬小麦与大麦生长物候特征解析及其在精准农业中的应用

本研究针对气候变化下大范围农田作物生长监测难题，创新性地利用Sentinel-2高分辨率遥感数据，结合双逻辑曲线拟合方法，构建了小麦和大麦关键物候期（旗叶期、开花期等）的遥感识别模型。研究通过验证APSIM模型模拟结果与实地观测数据，证实NDVI曲线特征峰值（R2=0.7）与右肩点（R2=0.85）可准确指示旗叶期和开花期，为澳大利亚超过2000万公顷的雨养农业区提供了可扩展的精准农业管理方案。

　　

在全球气候变化加剧的背景下，农业生产面临前所未有的挑战。温度、降水和极端天气事件的变化显著影响作物生长模式，尤其是冬小麦和大麦等主要谷类作物的物候进程。传统农业依赖人工观测和积累经验来判定作物生长阶段，但这种方法存在劳动强度大、主观性强、难以规模化等缺陷。同时，现有的作物模型如APSIM（Agricultural Production Systems sIMulator）虽然能模拟特定点的作物生长，但需要详尽的土壤、气候和管理数据，难以在大范围内推广应用。

为解决这些难题，Yan Zhao团队在《in silico Plants》发表的研究中，开创性地将Sentinel-2卫星的高分辨率（10米）多光谱数据与创新的双逻辑曲线拟合算法相结合，开发了一套自动化作物物候监测系统。研究人员在澳大利亚西部、南部和昆士兰设立验证试验区，通过部署野外摄像头和微型气象站获取每日作物生长图像和环境数据，同时结合农艺师的定期观测记录。利用Google Earth Engine平台处理Sentinel-2影像，计算NDVI（归一化植被指数）等植被指数，并比较了多种曲线拟合方法（包括高斯过程回归、样条函数等），最终选择计算效率高且能保留关键生长动态的双逻辑模型进行时间序列填补。

研究采用的关键技术包括：1）基于Sentinel-2的NDVI时间序列分析；2）双逻辑曲线拟合算法填补数据空缺；3）从拟合曲线中提取9个生长曲线特征（GCF），如季节开始（SoS）、绿化起始（G）、峰值（Peak）等；4）将遥感特征与APSIM模拟的热时间累积及实地观测物候期进行统计对比验证。

研究结果部分显示：

APSIM模拟验证

APSIM对旗叶期（R²=0.83，RMSE=5天）和开花期（R²=0.83，RMSE=5.78天）的模拟与实地观测高度吻合，为遥感特征验证提供了可靠基准。

生长曲线特征与物候期关联

NDVI曲线峰值与旗叶期呈现强相关性（R²=0.7，RMSE=7.66天），右肩点（R）则准确指示开花期（R²=0.69，RMSE=10天）。热时间累积分析进一步证实，小麦达到旗叶期和开花期所需的热单位与NDVI特征显著相关（R²=0.8和0.86）。

全国范围验证

在2021-2022年澳大利亚110个和73个农田的独立验证中，该方法对旗叶期（R²=0.57-0.58）、开花期（R²=0.7-0.85）、成熟期（R²=0.73-0.85）的预测保持稳定精度。

空间异质性制图

研究展示了836公顷麦田的物候空间变异制图案例，同一田块内旗叶期出现时间差异达15天，凸显了亚田块尺度精准管理的必要性。

这项研究的创新性在于首次将高时空分辨率遥感与作物模型、实地观测多源数据融合，解决了大范围农田作物生长动态监测的难题。双逻辑曲线拟合方法的优化使NDVI时间序列能准确捕捉作物生长的细微变化，而生长曲线特征的数学定义则为物候期识别提供了客观标准。该技术体系不仅可支持施肥、病虫害防治等农事决策的精准调度，还能为气候变化下的适应性管理提供数据支撑。尽管存在空间分辨率限制和小麦/大麦模型通用性等挑战，这项研究为全球粮食主产区的智慧农业发展提供了重要技术范式。