冬小麦生物量高光谱遥感监测模型研究

【目的】高光谱遥感能快速、实时、无损监测作物长势。研究不同氮磷水平下冬小麦不同生育时期地上部生物量高光谱遥感监测模型,可提高地上部生物量高光谱监测精度。【方法】在西北农林科技大学连续进行了 5 年田间定位试验,设置 5 个施氮水平 (N, 0, 75, 150, 225 和 300 kg/hm2) 和 4 个磷施用水平 (P₂O₅, 0, 60, 120 和 180 kg/hm2),选用不同抗旱类型冬小麦品种,测定了从拔节期至成熟期生物量与冠层光谱反射率,通过相关分析、回归分析等统计方法,建立并筛选基于不同植被指数的冬小麦不同生育时期生物量分段遥感监测模型。【结果】冬小麦生物量与光谱反射率在 670 nm 和 930 nm 附近具有较高相关性,在可见光和近红外波段处均有敏感波段;在拔节期、孕穗期、抽穗期、灌浆期、成熟期,生物量与归一化绿波段差值植被指数 (GNDVI)、比值植被指数 (RVI)、修正土壤调节植被指数 (MSAVI)、红边三角植被指数 (RTVI) 和修正三角植被指数Ⅱ (MTVIⅡ) 均达极显著相关性 (P < 0.01),相关系数 (r) 范围为 0.923～0.979;在不同生育时期,分别基于 GNDVI、RVI、MSAVI、RTVI 和 MTVIⅡ 能建立较好的生物量分段监测模型,决定系数 (R2) 分别为 0.987、0.982、0.981、0.985、0.976;估计标准误差 SE 分别为 0.157、0.153、0.163、0.133、0.132;预测值与实测值间相对误差 (RE) 分别为 8.47%、7.12%、7.56%、8.21%、8.65%;均方根误差 (RMSE), 分别为 0.141 kg/m2、0.113 kg/m2、0.137 kg/m2、0.176 kg/m2、0.187 kg/m2。【结论】在拔节期、孕穗期、抽穗期、灌浆期、成熟期可以用 GNDVI、RVI、MSAVI、RTVI 和 MTVIⅡ 监测冬小麦生物量,具有较好的年度间重演性和品种间适用性。同时,分段监测模型较统一监测模型具有较好的监测效果及验证效果,能有效改善高光谱遥感监测模型精度。     

不同生育时期冬小麦叶面积指数高光谱遥感监测模型

高光谱遥感能快速无损获取植被冠层信息,是实现作物长势实时监测的重要技术。为研究不同氮磷水平下冬小麦不同生育时期叶面积指数高光谱遥感监测模型,提高叶面积指数高光谱监测精度,该研究连续5 a定位测定黄土高原旱地不同氮磷水平和不同冬小麦品种各生育时期冠层光谱反射率与叶面积指数,通过相关分析、回归分析等统计方法,构建不同生育时期冬小麦叶面积指数监测模型。结果表明:不同氮磷水平下,冬小麦叶面积指数随施肥量增加呈递增趋势,随生育时期改变呈抛物线趋势变化;随着氮磷供应量的增加,冠层光谱反射率在可见光波段显著降低2%~5%(P0.05),在近红外波段显著增加4%~10%(P0.05);不同生育时期叶面积指数与优化土壤调整植被指数、增强型植被指数Ⅱ、新型植被指数、修正归一化差异植被指数、修正简单比值植被指数均达极显著相关(P0.01);拔节期、孕穗期、抽穗期、灌浆期和成熟期叶面积指数分别与优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数拟合效果较好,决定系数分别为0.952、0.979、0.989、0.960和0.993;以不同年份独立数据验证模型表明,所建预测模型均有较好的验证结果,相对误差分别为13.0%、13.5%、12.8%、12.6%和14.0%,均方根误差分别为:0.313、0.336、0.316、0.316、0.324。因此,优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数能有效评价拔节期、孕穗期、抽穗期、灌浆期和成熟期冬小麦叶面积指数。同时,叶面积指数分段监测模型较统一监测模型精度有所改善。该结果为实现不同肥力水平下冬小麦不同生育时期长势精确监测提供理论依据和技术支撑。     

基于多生育期光谱变量的水稻直链淀粉含量监测

直链淀粉含量是评价稻米品质的重要指标之一,其累积生长过程是多生育期、多因素综合作用的结果。为了探究多生育期信息引入对水稻籽粒直链淀粉含量监测模型的影响,实现水稻品质信息的大规模准确监测。该研究选取水稻孕穗期、抽穗期、灌浆期和成熟期这4个有关水稻籽粒形成发育的生育期的冠层光谱,分析原光谱、植被指数、高光谱特征参数,及其变换形式与水稻籽粒直链淀粉含量的相关性,筛选得到相关性较好的光谱变量,并利用逐步回归的方法进行建模,建立基于多生育期光谱变量的直链淀粉含量预测模型。结果表明:一阶导数、差值植被指数(Difference Vegetation Index,DVI)、比值植被指数(Ratio Vegetation Index, RVI)及成熟期特征参数表现出较高敏感性,最适用于直链淀粉含量预测的生育期为成熟期,而多生育期信息的综合利用能显著提高模型预测精度,最佳多生育期预测模型为孕穗-抽穗-成熟期组合模型,建模决定系数(Coefficient of Determination, R^2)为0.708,均方根误差(Root Mean Square Error, RMSE)为0.711%,平均绝对百分比误差(Mean Absolute Percent Error, MAPE)为3.22%,验证R2为0.631,RMSE为0.768%,MAPE为3.99%,证明该模型能较为精确地预测籽粒直链淀粉含量,为稻米品质指标大尺度统计监测提供一定的技术支撑和应用基础。     

不同水氮条件下冬小麦生育期NDVI和光合速率的变化

在不同水氮条件下,分析了冬小麦生育期归一化植被指数(Normalized difference vegetable index:NDVI)和光合速率的变化及两者和籽粒产量的关系,结果表明:(1)灌水对拔节期与孕穗期的NDVI值以及扬花期与灌浆期的光合速率有显著影响(p<0.05);起身水+孕穗水+灌浆水处理(I3)的孕穗期NDVI值和灌浆期光合速率平均比起身水处理(I1)分别显著增高6.7%和8.0%,起身水+扬花水处理(I2)的扬花期光合速率平均比起身水处理(I1)显著增高5.5%。(2)施氮对NDVI值和光合速率的影响均达到极显著水平;0～270 kg/hm2范围内,增加施氮能显著提高拔节期NDVI值以及灌浆期光合速率,但随着生育期的推进,增加施氮对NDVI值的提高作用逐渐下降。(3)拔节期NDVI值和光合速率与冬小麦籽粒产量相关性最高,相关系数分别达到0.968和0.864。     

基于无人机多光谱影像的水稻氮营养监测

探究消费级无人机多光谱影像对不同生态点、不同品种水稻氮营养监测建模精确度和普适度的影响,对于实现区域水稻氮营养精确管理与应用有重要意义。该研究分别在云南省西双版纳勐遮镇(供试品种：云粳37)与重庆市北碚区(供试品种：极优6 135)2个试验点设置不同氮水平田间试验,利用大疆精灵4多光谱无人机于水稻分蘖期、拔节期和抽穗期采集水稻冠层多光谱图像,采用凯氏定氮法测定水稻植株冠层氮含量(canopy nitrogen content,CNC)并计算地上部氮累积量(plant nitrogen accumulation,PNA);分别利用植被指数、偏最小二乘回归(partial least squares regression,PLSR)、随机森林(random forest,RF)、反向传播神经网络(back-propagation neural network,BPNN)对单一试验点、单品种和不同试验点、多品种水稻建立氮营养监测模型并探究模型的迁移能力。拔节期和抽穗期的模型精度较高(归一化植被指数NDVI或近红外归一化植被指数NNVI,R²为0.68～0.88),而分蘖...     

机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量

冬小麦叶片氮含量与叶片光合作用和营养状况密切相关,直接影响植株生长发育,而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关,直接影响茎秆质量及植株的抗倒伏能力。然而,有关对冬小麦茎秆氮含量估算研究较为有限,限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。为精准估算冬小麦不同器官（叶片、茎秆）氮含量,该研究通过2年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期、灌浆期）和3种施氮水平条件下（N1、N2和N3）的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD (soil and plant analyzer development, SPAD)值。分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性,并结合5种常用的机器学习算法：随机森林回归（random forest regression,RFR）、支持向量回归（support vector regression,SVR）、偏最小二乘回归（partial least squares regression,PLSR）、高斯过程回归（gaussian process regression,GPR）、深度神经网络回归（deep neural networks,DNN）构建冬小麦叶片和茎秆氮含量估算模型。结果表明：高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。在灌浆期,最佳植被指数双峰冠层植被指数 DCNI（double-peak canopy nitrogen index）对叶片氮含量的敏感性最高,R²为0.866。对茎秆氮含量,在抽穗期的敏感性最高,最佳植被指数归一化叶绿素比值指数 NPQI（normalized phaeophytinization index）与氮含量相关系数R²＝0.677。施氮水平的提升增加了光谱植被指数对茎秆氮含量的敏感性。结合SPAD值的机器学习算法提升了氮含量的估算精度,对叶片氮含量,在不同生育期和施氮水平条件下估算精度提升了1%～7%,其中在全生育期的归一化均方根误差NRMSE从0.254提升到0.214,抽穗期的NRMSE提升最大,从0.201提升到0.128。对茎秆氮含量,全生育期的NRMSE从0.443提升到0.400,抽穗期的NRMSE提升最大,从0.323提升到0.268。在全生育期,结合SPAD值的DNN模型对叶片（R²=0.782、NRMSE=0.214）和茎秆（R²=0.802、NRMSE=0.400）氮含量的估算精度最佳。研究说明,SPAD值与光谱植被指数结合有利于提升冬小麦不同生育期和施氮水平条件下叶片和茎秆氮含量的估算精度。     

施钼对不同钼效率冬小麦叶片呼吸作用相关酶的影响

以冬小麦钼高效(97003)和钼低效(97014)品种为供试材料,采用土培方法,研究施钼对冬小麦分蘖期、拔节期、孕穗期和灌浆期功能叶多酚氧化酶(PPO)、抗坏血酸氧化酶(AAO)、乙醇酸氧化酶(GO)等呼吸作用相关酶类活性变化的影响。结果表明,施钼后,PPO活性在4个生育期均降低;AAO活性在分蘖期和拔节期降低,而在孕穗期和灌浆期上升;GO活性则在分蘖期、拔节期和孕穗期降低,而在灌浆期升高。钼对不同钼效率冬小麦叶片呼吸作用酶的影响存在着差异。施钼有利于促进冬小麦分蘖期和拔节期碳水化合物的积累,从而促进生物量的提高,而在孕穗期和灌浆期由于植株生长中心的转移,呼吸作用酶变化复杂。     

结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度

【目的】 冠层高光谱全波段信息可以在小麦拔节期快速无损地估算叶片的氮含量。本研究结合连续投影算法 (SPA) 和偏最小二乘 (PLS) 技术,筛选了冬小麦拔节期冠层光谱对叶片氮含量的敏感特征波段,以期为冬小麦关键生育期氮素含量的遥感估算提供理论依据和技术支持。 【方法】 以陕西关中地区2015—2016年冬小麦小区试验为基础,基于连续投影算法 (SPA) 提取冬小麦叶片全氮含量的冠层光谱敏感波段,并结合偏最小二乘 (PLS) 回归法建立基于敏感特征波段的冬小麦拔节期叶片氮含量估算模型。 【结果】 SPA算法从冬小麦338～2510 nm的冠层光谱中优选出了1985 nm、2474 nm、1751 nm、1916 nm、2507 nm、1955 nm、2465 nm和344 nm共计8个叶片全氮含量的敏感特征波段,波段数目下降了98.9%,有效降低了光谱信息的冗余;基于敏感特征波段构建的叶片氮含量偏最小二乘回归模型的决定系数和均方根误差分别为0.82和0.28,模型验证方程的决定系数和均方根误差分别为0.84和0.21,模型的相对预测偏差大于2,具有较高的精度和良好的预测能力。 【结论】 与常用植被指数的叶片氮含量估算模型相比,连续投影算法 (SPA) 结合偏最小二乘 (PLS) 方法的叶片氮含量估算精度更高,稳定性更强,可以作为冬小麦拔节期叶片氮含量的高光谱估算方法。      

冬小麦氮平衡指数与籽粒蛋白质含量空间结构及关系

氮素的吸收对其最终籽粒蛋白质含量具有重要的影响。该研究以冬小麦为研究对象,运用地质统计学方法研究分析了冬小麦胁迫荧光参数氮平衡指数(nitrogen balance index,NBI)与籽粒蛋白质的空间结构并且建立了半方差函数。采用指示值等值线法分析了4个生育阶段的综合氮平衡指数(NBI)与籽粒蛋白质含量的关系。研究结果表明:氮平衡指数(NBI)与籽粒蛋白质含量数据符合正态分布;具有明显的区域化变量特征和较好的空间结构;冬小麦各生育期胁迫荧光参数氮平衡指数(NBI)与籽粒蛋白质含量的相关系数均表现较好,在灌浆中后期达到最大值(r=0.828);适宜氮平衡指数维持较长时间有利于较高籽粒蛋白质含量的形成,且综合氮平衡指数与籽粒蛋白质含量表现出相同的空间分布。该研究确定的冬小麦氮平衡指数(NBI)与籽粒蛋白质含量的空间结构和关系为作物大田氮肥管理、籽粒蛋白质预测等提供参考。     

冬小麦叶片绿度时空变异特征研究

应用地统计学方法测定分析海河低平原区农田冬小麦关键生育期叶片绿度时空变异特征结果表明,冬小麦叶片绿度时间变化趋势为拔节期<孕穗期<抽穗期<灌浆期;各生育时期叶片绿度在180m×720m空间存在变异性,其相关距离为145.4~320.0m;块金效应占各自总方差的25%~79%,经验半方差可用球状模型模拟。     

基于赤池信息准则的冬小麦植株氮含量高光谱估算

为了快速、准确地测定冬小麦植株氮含量,利用2014?2015年的冬小麦冠层反射光谱数据构建了16种氮素或叶绿素敏感光谱指数,基于变量投影重要性(variable importance projection,VIP)-偏最小二乘(partial least squares,PLS)-赤池信息准则(Akaike’s information criterion,AIC)整合模型构建了不同生育期植株氮含量最佳回归模型,并用2012?2013年挑旗期数据对模型进行了验证。结果表明:在AIC下,拔节期以4个植被指数为自变量的模型最优;挑旗期以5个植被指数为自变量的模型最优;开花期以4个植被指数为自变量的模型最优;灌浆期以6个植被指数为自变量的模型最优。4个生育期建模的决定系数(R2)和均方根误差(RMSE)分别为0.71、0.86、0.75、0.46和0.23%、0.13%、0.12%、0.15%,以挑旗期决定系数为最大。挑旗期验证集的R2和RMSE分别为0.81和0.41%,预测模型和验证模型均具有较高的估算精度和可靠性,研究结果为选择小麦合适的生育期估算小麦植株氮营养状况提供参考。     

Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation

Leaf chlorophyll content, a good indicator of photosynthesis activity, mutations, stress and nutritional state, is of special significance to precision agriculture. Recent studies have demonstrated the feasibility of retrieval of chlorophyll content from hyperspectral vegetation indices composed by the reflectance of specific bands. In this paper, a set of vegetation indices belonged to three classes (normalized difference vegetation index (NDVI), modified simple ratio (MSR) index and the modified chlorophyll absorption ratio index (MCARI, TCARI) and the integrated forms (MCARI/OSAVI and TCARI/OSAVI)) were tested using the PROSPECT and SAIL models to explore their potentials in chlorophyll content estimation. Different bands combinations were also used to derive the modified vegetation indices. In the sensitivity study, four new formed indices (MSR[705,750], MCARI[705,750], TCARI/OSAVI[705,750] and MCARI/OSAVI[705,750]) were proved to have better linearity with chlorophyll content and resistant to leaf area index (LAI) variations by taking into account the effect of quick saturation at 670 nm with relatively low chlorophyll content. Validation study was also conducted at canopy scale using the ground truth data in the growth duration of winter wheat (chlorophyll content and reflectance data). The results showed that the integrated indices TCARI/OSAVI[705,750] and MCARI/OSAVI[705,750] are most appropriate for chlorophyll estimation with high correlation coefficients R² of 0.8808 and 0.9406, respectively, because more disturbances such as shadow, soil reflectance and nonphotosynthetic materials are taken into account. The high correlation between the vegetation indices obtained in the developmental stages of wheat and Hyperion data (R² of 0.6798 and 0.7618 for TCARI/OSAVI[705,750] and MCARI/OSAVI[705,750], respectively) indicated that these two integrated index can be used in practice to estimate the chlorophylls of different types of corns.     

不同生育期水稻叶面积指数的高光谱遥感估算模型

2011年和2012年通过大田试验,利用便携式野外光谱仪实测水稻冠层不同生育时期的高光谱数据,同时使用SUNSCAN冠层分析系统采集水稻冠层叶面积指数（LAI）;采用光谱微分技术和统计分析技术,分别分析高光谱反射率及其植被指数与LAI之间的关系,建立LAI估算模型并进行模拟结果对比。结果表明：水稻抽穗-成熟期,利用光谱值的对数形式对LAI值的模拟效果较好,分蘖-抽穗期利用光谱反射率模拟LAI变化过程的效果不理想。 在利用各种植被指数估算LAI方法中,水稻分蘖-抽穗期以修改型土壤调整植被指数MSAVI[758,805]对LAI的估算效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.7754）,估算精度较高。在抽穗-成熟期,也以修改型土壤调整植被指数MSAVI[758,817]对LAI的模拟效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.6488）,估算精度较高。说明修改型土壤调整植被指数（MSAVI）能更好地模拟水稻不同生育期的叶面积指数,按照分蘖-抽穗期、抽穗-成熟期两个生育阶段分别建立水稻冠层LAI的高光谱估算模型能够提高LAI估算的准确度,研究结果也证实了分生育阶段建模的必要性。     

基于综合指标的冬小麦长势无人机遥感监测

作物长势监测可以及时获取作物的长势信息,该文尝试建立新型长势指标,监测小麦总体长势情况。将反映小麦长势的叶面积指数(leaf area index,LAI)、叶片叶绿素含量、植株氮含量、植株水分含量和生物量5个指标按照均等权重综合成一个指标,综合长势指标(comprehensive growth index,CGI)。利用450~882 nm范围内单波段和任意两个波段构建归一化光谱指数(normalized difference spectral index,NDSI),比值光谱指数(ratio spectral index,RSI)和简单光谱指数(simple spectral index,SSI),计算CGI与光谱指数的相关性,筛选出相关性好的光谱指数,结合偏最小二乘回归(partial least squares regression,PLSR)建立反演模型。以CGI为指标,运用无人机高光谱影像对2015年小麦多生育期的长势监测。结果表明:1)冬小麦各生育期,总体上CGI与光谱指数的决定系数R~2均好于各项单独指标与相应光谱指数的R~2。仅孕穗期CGI和RSI(754,694)的R~2比叶绿素和RSI(486,518)的R~2低,开花期的CGI和R570的R~2比生物量和R834的R~2低以及灌浆期CGI和SSI(582,498)的R~2比植株含水量和SSI(790,862)的R~2低。2)拔节期,孕穗期,开花期,灌浆期和全生育期PLSR模型的建模R~2分别为0.70,0.72,0.78,0.78和0.61。拔节期,孕穗期和开花期的无人机CGI影像验证模型的均方根误差RMSE(root mean square error)分别为0.050,0.032和0.047。CGI与相应光谱指数的R~2高于单独各项指标与相应光谱指数的R~2,光谱指数能够很好反映CGI包含的信息。无人机高光谱影像反演CGI精度较高,能够判断出小麦总体的长势差异,可为监测小麦长势提供参考。     

无人机多光谱遥感反演冬小麦SPAD值

为研究无人机多光谱遥感5个波段光谱反射率反演冬小麦SPAD（Soil and Plant Analyzer Development）值的可行性,该研究采用六旋翼无人机搭载五波段多光谱相机,采集冬小麦拔节期、孕穗期、抽穗期、开花期的冠层光谱影像并提取反射率特征参数,建立SPAD值的反演模型。结果表明,当波长范围在蓝光、绿光和红光波段,冬小麦拔节期、孕穗期和开花期的无人机多光谱影像反射率参数与SPAD值呈负相关关系,而在抽穗期,二者呈正相关;当波长范围为红边及近红外波段,在整个生长期,二者均呈现正相关关系。该研究构建冬小麦SPAD值反演模型采用了主成分回归、逐步回归和岭回归法,经对比发现基于逐步回归法构建的模型效果最优,该模型的校正决定系数为0.77,主成分回归法次之,岭回归法较差。此外,冬小麦抽穗期多光谱反射率反演SPAD值效果最显著,3种回归模型的校正决定系数分别为0.72、0.74和0.77。该研究可为无人机多光谱遥感监测作物长势、实现精准农业生产管理提供技术依据。     

磷营养胁迫对冬小麦冠层光谱的影响

因为磷素重要的营养作用,其胁迫的存在影响冬小麦的正常生长。借助地面遥感仪器获取冬小麦在磷营养胁迫下的多个生育期里的冠层光谱数据并对其影响特征进行了分析。利用因子分析方法提取主因子与含有丰富信息的光谱变量,并结合极显著水平(0.01)的均值比较与检验过程考察了冬小麦冠层光谱,确定了对磷营养胁迫敏感的光谱波段:760nm,810nm和870nm与950nm,并在此基础上结合冬小麦对磷素的吸收利用特征选定了运用冠层光谱敏感波段反射率探测和区分磷营养胁迫的关键生育期:拔节期。结果同时表明,对冬小麦磷营养胁迫而言,近红外区间(760nm~1100nm)光谱反射特征的区分能力要强于可见光区。本文同时指出了研究与发展利用遥感技术进行营养胁迫监测的方法和着重点。     

不同磷肥水平的小麦冠层多光谱特征研究

利用便携式冠层光谱仪对小麦进行连续观测获取光谱数据。本文分析了小麦在不同P肥施用水平及生育期变化情况下冠层的光谱响应特征,运用t-检验等统计方法获得了小麦冠层光谱对不同P肥水平的敏感波段,并由此找到判断P肥施用是否合理的关键生育期。结果表明小麦冠层光谱的近红外波段(810~1100nm)对P素的相应关系优于可见光波段,870nm等近红外波段为小麦P素敏感波段;从拔节期到孕穗期前后为其P素丰缺状况光谱诊断的关键生育期;归一化植被指数(NDVI)也可与小麦产量建立很好的回归方程。     

基于卫星光谱尺度反射率的冬小麦生物量估算

为探索基于光学卫星遥感数据的冬小麦地上生物量估算方法,本研究通过3年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期和灌浆期）和3种施氮水平下的地上生物量以及对应的近地冠层高光谱反射率数据。通过将高光谱数据重采样为具有红边波段的RapidEye、Sentinel-2和WorldView-2卫星波段反射率数据,构建任意两波段归一化植被指数。同时,将卫星波段反射率数据与6种机器学习和深度学习算法相结合,构建冬小麦生物量估算模型。研究结果表明：任意两波段构建的最佳植被指数在冬小麦开花期对生物量的敏感性最强（决定系数R2为0.50～0.56）。在不同施氮水平条件下,高施氮水平增强了植被指数对生物量的敏感性。Sentinel-2波段数据所构建的植被指数优于其他两颗卫星波段数据。对6种机器学习和深度学习算法,总的来说,基于深度神经网络（Deep Neural Networks,DNN）算法所构建的模型要优于其他算法。在单一生育期中,在拔节期（R2为0.69～0.78,归一化均方根误差为26%～31%）和开花期（R2为0.69～0.70,归一化均方根误差为24%～25%）的估算精度最高。Sentinel-2波段数据与DNN算法结合的估算精度最高,在全生育期中预测精度R2为0.70。施氮水平的提高同样增强了DNN模型的估算精度,3颗卫星波段数据在300 kg/hm2施氮条件下的预测精度R2都在0.71以上,均方根误差小于219 g/m2。研究结果揭示了光学卫星遥感数据在不同生育期和施氮条件下估算冬小麦生物量的潜力。