基于关键发育期的冬小麦长势遥感监测方法

利用遥感方法识别中国冬小麦关键发育期并基于识别发育期进行长势监测。通过冬小麦主产区271个气象站2005-2010年的农业气象资料和同期MODIS-EVI(增强植被指数)遥感资料,综合分析EVI时间序列与冬小麦返青、抽穗和成熟期的关系,使用最大变化斜率法、窗口转折点法和简单转折点法识别冬小麦关键发育期。然后基于遥感识别抽穗期数据,使用相邻年抽穗期EVI值比较方法对冬小麦2006-2010年长势进行遥感监测。遥感识别冬小麦主要发育期均方根均值为14.61d,平均绝对偏差均值为11.2d;冬小麦遥感长势监测结果显示基于识别抽穗期的遥感长势监测方法监测效果好于传统长势监测方法。     

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。     

基于变化向量分析的冬小麦长势变化监测研究

现有的农作物长势遥感监测的基本思路是利用NDVI曲线形态变化与作物苗情变化的响应关系,提取特征参数,推测作物的生长发育状况.但由于表征NDVI时间序列曲线的特征参数较多,难以对所有特征参数进行全面变化分析.本研究引进变化向量分析理论,以东部五省冬小麦为研究对象,以1999-2005年SPOT-VGT的旬最大合成NDVI数据为主要数据源,采用Savizky-Golay滤波器重构NDVI时间序列,进而构建基于变化向量分析的长势监测模型,分别对研究区的年际与年内长势变化进行时间和空间上的定量分析.研究表明,变化向量分析方法能有效地从空间域和时间域反映东部五省冬小麦长势变化规律,以单一综合性指标综合了NDVI时间序列曲线的大多数特征参数,为农作物长势遥感监测提供了一种新的研究思路.     

农作物长势的定义与遥感监测

监测作物生长过程的状况与趋势,即长势监测是农业遥感更为重要的任务。其目的是：１）为田间管理提供及时的信息;２）早期估计产量。该文以冬小麦为例,根据实地调查与北方数省的资料,用作物的个体与群体特征定义作物长势,讨论了遥感监测的可能性,提出了基于植被指数与植被表面温度的长势遥感监测的评估模型与诊断模型的概念与算法。     

理化复合参数和神经网络结合的冬小麦长势遥感监测

准确、及时地监测区域作物长势状况对农业规划和政策的制定与调整具有重要的意义。遥感技术作为一种收集大面积作物长势信息的有效手段,正日益受到关注。为提高冬小麦长势遥感监测的准确性和全面性,该研究基于田间实测的冬小麦拔节期地上鲜生物量（aboveground fresh biomass,AFB）、叶面积指数（leaf area index,LAI）、叶片叶绿素相对含量（soil and plant analyzer development,SPAD）和叶片氮含量（leaf nitrogen content,LNC）4种生长相关理化参数,利用熵值法获取各参数权重构建冬小麦理化复合参数（physico-chemical composite parameter,PCCP）。利用显著性检验和籽粒产量数据分析复合参数在量化冬小麦长势方面的性能。然后,以Sentinel-2A作为数据源,分析不同遥感指数与LAI、SPAD、AFB、LNC和PCCP的相关性。选取相关性较高的遥感指数作为反向传播（back propagation,BP）人工神经网络（artificial neural networks,ANN）的输入,建立冬小麦长势遥感监测模型,对PCCP进行估计。评价模型精度并用于监测研究区冬小麦长势分布特征。赋权结果表明,作物物理参数的权重大于生化参数,其中LAI的权重最大,为0.387,AFB和SPAD次之,LNC的权重最小,为0.105;PCCP性能评估结果表明,与单一理化参数相比,PCCP值能更好地揭示作物长势状况的差异,其与最终籽粒产量的相关性更好, 决定系数提高0.035～0.468,均方根误差减少46.2～520.0 kg/hm²;在遥感监测过程中,PCCP比单一理化参数有更好的应用潜力,BP-ANN长势遥感监测模型模拟PCCP精度较高,在测试集中决定系数为0.830,均方根误差为0.080;研究区冬小麦总体长势稳定且分布集中,呈现"中部差,南北好"的空间分布特征。因此,构建作物理化复合参数用于量化作物长势是提高长势监测可靠性和准确性的一种有效方式,可为冬小麦田间管理提供科学依据,服务于发展智慧农业和建设农业强国的战略需求。     

基于双波段作物长势分析仪的东北水稻长势监测

为了实现水稻精细栽培和变量管理的目的,利用独立开发的双波段作物长势分析仪,进行了水稻生长监测的试验与分析。传感器分别在610与1220 nm处测量太阳光与作物冠层反射光的强度,进而计算光谱反射率。利用双波段作物长势分析仪于2008年在黑龙江省农垦总局建三江分局2处水稻试验田,在分蘖期与抽穗早期进行了氮肥胁迫试验,结果表明水稻叶片氮浓度及生物质干质量与RVI、NDVI都具有很高的相关性,但与NDVI的相关性比与RVI的更高。分蘖期的测量结果表明,NDVI与施肥量的相关性非常显著,R2大于0.94。但NDVI并不与施肥量成线性相关,过量的施氮量反而会引起NDVI值的降低。分蘖期、抽穗早期的NDVI值都与最终产量有着显著的相关,其中抽穗早期的NDVI与产量的决定系数（R2）达到了0.96。分析结果显示利用双波段作物长势分析仪监测水稻冠层,可达到控制投入和提高产量的目的,为水稻的精细栽培提供理论与技术支持。     

基于S G滤波的陕西关中地区冬小麦生育期遥感识别和长势监测

采用SPOT VGT S10产品数据,通过S G滤波处理,重构NDVI时间序列,分析陕西关中地区冬小麦返青期和抽穗期在遥感影像上NDVI时序曲线变化特征,对冬小麦的返青期和抽穗期进行遥感识别。通过与站点观测的生育期数据比较,遥感识别的均方根误差大部分在±20d之内,返青期均方根误差（RMSE）为14.29d,抽穗期RMSE为9.16d,表明基于SPOT VGT数据对关中地区冬小麦返青期和抽穗期进行遥感识别是可行的。采用差值模型基于环境减灾小卫星（HJ星）数据进行渭南市2012年冬小麦抽穗期长势监测研究,结果显示大部分地区2012年冬小麦长势稍好于2011年,经与实地调查资料比较,监测结果与实际情况基本一致。采用HJ星数据进行冬小麦长势监测,结果纹理清晰,且以同源数据提取的冬小麦种植面积作为掩膜剔除非麦区域,降低了重采样带来的误差,用其进行长势监测研究具有明显优势。     

基于遥感的国外作物长势监测与产量趋势估计

国外重点产粮区的作物长势和产量增长趋势信息对于中国政府决策和制订合理的粮食政策具有重要意义,但由于地域的限制、生产方式的差异以及国外可获取的气象资料有限,气象模型和农学模型在国外估产方面尚存在不足,遥感以其便捷、快速、客观的优势已被越来越多地采用进行国外作物长势监测和产量估计。该文以美国玉米和印度水稻为例,探讨了基于1kmSPOT-VGT遥感资料进行作物长势监测和产量趋势估计的方法,并结合当地气象条件对其结果进行了分析。经检验,利用该方法得到的长势状况及空间分布与实际基本一致,产量增长趋势预测准确率为100%;在作物生长旺盛季节,植株覆盖密度较大时,EVI比NDVI能更真实地反映作物的长势状况。该研究可为国外作物长势遥感监测与产量估算业务应用提供参考。     

基于TM和MODIS数据的水旱地冬小麦面积提取和长势监测

采用Mahalanobis Distance分类法提取了冬小麦种植面积,通过搭建决策树结构进行了不同灌溉类型冬小麦种植面积的提取,通过两个年份不同生育时期MODIS-NDVI的比较,分析了NDVI时间曲线与冬小麦长势的响应规律和水旱地冬小麦年同期长势。结果表明：2007年临汾地区冬小麦总种植面积为234778.5 hm2,提取精度为96.96%,其中水地种植面积为107488.3 hm2,提取精度为86.15%,旱地冬小麦为127290.2 hm2,提取精度为86.16%。生育期内,水地冬小麦整体长势好于旱地冬小麦,通过NDVI变化斜率比较,表明随着生育期的推进,水地冬小麦NDVI达到峰值前的上升速度远大于旱地冬小麦,峰值后水地冬小麦NDVI下降速度小于旱地冬小麦。     

利用Landsat TM遥感数据监测冬小麦开花期主要长势参数

为精准农业技术体系中的小麦农艺处方管理决策提供详尽的全局性信息,该文以2007－2009年试验实测数据为基础,以Landsat TM影像为遥感数据源,分析了试验样点开花期冬小麦主要长势参数与品质和产量间以及与卫星遥感变量间的相关性,分别建立及评价了TM影像遥感变量监测冬小麦开花期SPAD值、生物量、叶面积指数和叶片氮含量的模型。结果表明：冬小麦开花期,选用作物氮反射指数、近红外波段反射率和归一化植被指数这些遥感变量分别反演冬小麦SPAD值、生物量、叶面积指数和叶片氮含量是可行的;SPAD值、生物量、叶面积指数和叶片氮含量遥感监测模型的精度较高,均方根误差分别为3.12、216.5 kg/hm2、0.269和0.162,以此为基础,制作出具有实际农学意义的冬小麦开花期不同等级SPAD值、生物量、叶面积指数和叶片氮含量遥感监测专题图,实现了主要长势参数空间分布量化表达。基于卫星影像的农田面状信息获取技术克服了点状信息的不足,为农业生产管理决策及时提供信息支持,使该研究技术更利于大面积应用和推广。     

基于根系加权土壤水分有效性的冬小麦水分生产函数

为了准确评估作物水分亏缺程度及其敏感性动态对作物产量的影响,该研究结合基于根系加权土壤水分有效性的植物水分亏缺指数（Plant Water Deficit Index,PWDI）与基于归一化热单元指数的S型累积水分敏感指数,建立了3种不同形式的作物水分生产函数（Crop Water Production Function,CWPF）,即Blank加法模型（PWDI-B）、Jensen（PWDI-J）和Rao（PWDI-R）乘法模型。通过2 a冬小麦栽培田间蒸渗仪试验（北京昌平）和1 a冬小麦栽培田间滴灌试验（山东黄河三角洲）,优化了土壤水分胁迫修正系数中参数,进而对PWDI估算精度及CWPF产量估算效果进行检验与评价。结果表明：蒸渗仪试验基于根系加权估算的PWDI与实测值吻合良好,决定系数R2为0.78,标准化均方根误差（Normalized Root Mean Squared Error,NRMSE）为0.16;滴灌试验PWDI均值与作物株高（r=?0.95）、生物量及产量（r≤?0.79）均具有较好的相关性,表明根系加权PWDI能较准确地反映不同试验条件下冬小麦的水分亏缺程度及其对作物生长的影响;此外,无论是蒸渗仪试验还是滴灌试验,所建的3个CWPF对冬小麦产量的估算精度均在可接受范围内（R2≥0.78,NRMSE≤0.11）,且PWDI-R估算精度依次高于PWDI-J、PWDI-B、以及线性回归模型（即PWDI均值与产量的线性拟合模型）。因此,根系加权PWDI与S型水分敏感指数累积函数融合可用于合理构建冬小麦水分生产函数,其中PWDI-R乘法模型可优先推荐用于研究区冬小麦产量估算和灌溉制度优化,从而为当地冬小麦田间水分管理提供理论依据。     

调亏灌溉对冬小麦生理机制及水分利用效率的影响

在人工控制试验条件下，采用子母盆栽土培法，以冬小麦为试验材料进行了调亏灌溉试验研究。结果表明，适时适度的水分调亏显著抑制蒸腾速率，而光合速率下降不明显，复水后光合速率又具有超补偿效应，光合产物具有超补偿积累，且有利于向籽粒运转与分配；抑制营养生长，促进生殖生长。冬小麦调亏灌溉的适宜时段为三叶—返青，调亏度为40%～60%田间持水率(θ_F)，历时约55 d；平均比对照增产0.88%～8.25%，节水12.80～18.55%，水分利用效率提高15.96%～32.98%。     

基于NDVI加权指数的冬小麦种植面积遥感监测

该文针对农业信息服务中冬小麦种植面积调查业务的现状与需求,提出了一种基于NDVI（normal difference vegetation index）时间序列的冬小麦NDVI加权指数（WNDVI,weighted NDVI index）影像算法,可在训练样本、验证样本选择的基础上实现冬小麦面积的自动提取,并以河北省安平县及周边地区2013－2014年度冬小麦面积提取为例,采用GF-1/WFV（wide field view）数据进行了算法实现。算法的主要思路是在时序影像基础上,通过冬小麦NDVI加权指数影像的构建,扩大冬小麦地类与其他地类的差异,结合自适应的阈值获取方法,区分冬小麦地类,获取冬小麦作物面积。算法包括冬小麦时间序列影像的获取、基于网格的样本点设置、构建冬小麦 NDVI 加权指数影像、迭代确定冬小麦NDVI加权指数提取阈值、精度验证这5个部分。影像的获取根据冬小麦的生长时间确定,保证每月1景GF-1/WFV无云影像,并进行预处理及NDVI计算;同时将研究区划分为一定数量的网格,每个网格再等分为2×2个子网格,根据目视解译、专家知识、实地调查等方法,确定左上网格中心点及右下网格中心点的地物类型。统计该期所有左上网格点冬小麦及其他地物的NDVI均值,冬小麦NDVI大于其他地物的将该期影像的权值设置为1,否则设置为?1,将所有时相NDVI影像进行加权平均,即可获取冬小麦NDVI加权指数影像。获取冬小麦NDVI加权指数影像后,还需设置合适的阈值提取冬小麦。该文选用右下网格点目视解译分类结果作为阈值提取依据,具体方法是将冬小麦指数从小到大按照一定间隔划分,作为冬小麦 NDVI 加权指数提取阈值,将各阈值二值法运用,与右下网格点的冬小麦提取的目视解译结果对比,精度最高的就是最优冬小麦 NDVI 加权指数分割阈值。在所有网格中,以初始识别获取的冬小麦面积为准,等概率选择10个样方作为精度验证样方进行验证。精度验证结果表明分类总体精度达到94.4%,Kappa系数达0.88。该文通过构建冬小麦NDVI加权指数,将比较复杂的多个参数转换为一个参数,并且农学意义明确,相比传统的NDVI时序影像进行冬小麦面积的提取,具有自动化程度高、面积提取精度高、分类结果稳定的特点,已经在全国农作物面积遥感监测业务中进行了应用。     

基于产量响应诊断冬小麦水分亏缺适宜土层及其水分阈值

明确作物产量对水分亏缺的响应是实施非充分灌溉的科学基础。该文在华北气候下,通过设置不同灌水次数造成处理间的土壤供水差异,探讨了大田冬小麦籽粒产量与不同生育时期、不同土层深度的土壤水分之间的关系,系统分析了影响小麦产量的水分阈值,提出了适宜的土壤水分诊断深度。结果表明:不论从土壤水分动态、还是从全生育期平均水分来看,亏水处理与充分供水对照在浅层土壤的水分差异最大,且随土层深度增加而减小。0~0.4、0~0.8、0~1.2 m的水分差异分别在19.7%~36.5%、9.3%~21.7%和2.9%~9.7%之间。此外,土壤水分变异程度随土层深度增加而减小。不同生育期、不同深度的水分与小麦产量关系多为开口向下的抛物线函数,但函数关系的显著程度随生育期及土层深度而变化,其中0~0.4 m的水分与产量关系最为密切。影响小麦产量的水分阈值随生育进程呈下降趋势。自拔节孕穗至乳熟期,0~0.4、0~0.6、0~1.0、0~1.2及0~1.6 m的水分阈值由田间持水率的83.1%~95%下降到72.3%~90.0%。依据处理间土壤水分动态差异、全生育期平均水分差异、不同土层的水分变异程度、土壤水分与小麦产量关系显著性程度4方面的分析,该文提出0~0.4 m为适宜的水分亏缺诊断深度,相应在拔节孕穗、抽穗、开花、灌浆初期、灌浆中期、灌浆后期、乳熟期的水分阈值分别为95.0%、98.4%、79.9%、73.7%、88.6%、79.6%和75.7%。该结果对小麦亏缺灌溉管理具有实际指导意义。     

基于节水高产优质目标的冬小麦适宜水分亏缺模式

为了探讨不同生育期水分亏缺对冬小麦产量和蛋白质形成的影响,同时确定出节水、高产、优质目标下冬小麦各生育期适宜的水分亏缺水平,开展了防雨棚下的冬小麦人工控水试验。该研究在返青期、拔节期、抽穗扬花期和灌浆成熟期设置2个水分亏缺水平即轻度亏水L(含水率控制在55%~60%田间持水量,相应土壤水吸力为375~448 k Pa)和中度亏水M(含水率控制在45%~50%田间持水量,土壤水吸力为586~687 k Pa);另设全生育期不亏水对照处理CK(含水率控制在65%~70%田间持水量,土壤水吸力为256~305 k Pa)。研究结果显示,同CK相比,亏水处理使得灌浆持续期缩短2.72%~15.78%,达到最大灌浆速度的时间提前2.33%~14.58%;除灌浆成熟期轻度亏水、中度亏水处理外,其他处理均使得最大灌浆速率和平均灌浆速率增加,其最大值分别为15.77%和12.09%。亏水处理没有改变蛋白质形成的基本趋势,均呈"V"字形;但亏水程度不同,蛋白质含量及产量不同,在拔节期、抽穗扬花期和灌浆成熟期,随着亏水程度加重,蛋白质含量升高,蛋白质含量最高为灌浆成熟期中度亏水处理(质量分数为14.33%),最低为拔节期轻度亏水处理(质量分数为12.88%);蛋白质产量最高为全生育期不亏水对照处理CK(1047.30 kg/hm2),最低为拔节期轻度亏水处理(802.77 kg/hm2)。结果表明,兼顾冬小麦产量与蛋白质产量的适宜亏水模式依次为:返青期轻度亏水、返青期中度亏水、灌浆成熟期轻度亏水、抽穗扬花期轻度亏水、拔节期中度亏水、拔节期轻度亏水。研究结果为相关区域冬小麦高产、优质栽培和水分调控提供理论依据和数据支持。     

调亏灌溉条件下冬小麦籽粒灌浆特征及其模拟模型

在移动式防雨棚下,采用盆栽土培方法,以冬小麦（Triticum aestivum L.）为试验材料进行了调亏灌溉（regulated deficit irrigation,RDI）试验研究,目的在于了解RDI对冬小麦籽粒灌浆特性的影响,并对其进行模拟,为建立冬小麦RDI指标与模式提供理论依据与技术参数。试验采用二因素（水分调亏阶段和调节亏水度）随机区组设计。结果表明,RDI条件下冬小麦籽粒灌浆过程符合“缓-快-慢”的“S”型生长曲线,并可用Richards方程进行较好的模拟;不同水分调亏处理间最大灌浆速率及其出现时间、平均灌浆速率、灌浆持续期、活跃生长期和3个灌浆阶段灌浆持续期,以及最终千粒质量等特征参数差异达显著水平;其中,越冬期轻度调亏具有最高的平均灌浆速率（每百粒0.234 g/d）、最大灌浆速率（每百粒0.369 g/d）、最高的第3阶段灌浆速率（每百粒0.099 g/d）和最高的千粒质量（58.46 g）。经相关和逐步回归分析灌浆参数与千粒质量的关系,结果表明,多数参数间存在着显著或极显著的相关性,其中,与千粒质量有显著或极显著相关关系的参数有最大灌浆速率、平均灌浆速率、活跃生长期和第3阶段灌浆速率等。     

ASD Field Spec3野外便携式高光谱仪诊断冬小麦氮营养

氮素营养诊断关键在于氮营养指数(nitrogen nutrient index,NNI)预测。对于冬小麦氮营养指数预测模型而言,如何选取预处理方法和建模方法不一而足,不同预处理和模型选取对预测结果精度的影响程度目前还不清楚。该研究以ASD Field Spec3野外便携式高光谱仪采集乐陵市冬小麦冠层高光谱数据,采用10种光谱预处理方法并结合3种模型(偏最小二乘回归、BP神经网络和随机森林算法)建立多种冬小麦氮营养指数高光谱预测模型。对比模型预测精度表明最佳的高光谱建模方法为随机森林算法结合SG卷积平滑预处理所建模型(预测集R2=0.795,RMSE=0.125,RE=11.7%)精度高、可靠性强,是筛选出最佳的冬小麦氮营养指数高光谱预测模型。该研究结果对冬小麦氮营养指数高光谱预测建模具有科学价值,为筛选最优高光谱预处理方法和预测模型提供技术参考。     

中国冬小麦需水量时空特征分析

作物需水量是科学确定灌溉时期和灌溉量的重要依据。该文基于中国冬小麦种植区22个省(市、自治区)356个气象站点的气候资料以及冬小麦生育期资料,采用FAO推荐的Penman-Monteith公式和作物系数计算了中国冬小麦1961-2010年全生育期及不同生育阶段的需水量,明确了研究区域内冬小麦需水量的空间分布特征和年代际变化特征,并结合降水量时空分布特征,综合分析冬小麦生长季内水分满足情况。研究结果表明:除播种-越冬(出苗)生育阶段冬小麦降水量空间分布特征不明显外,全生育期及各生育阶段冬小麦降水量空间分布特征均为东南沿海地区高西北内陆地区低的分布特征;除返青(出苗)-拔节生育阶段冬小麦需水量空间分布特征不明显外,全生育期及其他各生育阶段空间分布特征均呈西北高东南低的分布趋势;冬小麦全生育期和各生育阶段需水量近50a来均呈下降趋势,尤其是全生育期及开花-成熟生育阶段内需水量下降趋势更明显,返青(出苗)-拔节生育阶段下降速率较少;若不考虑灌溉条件,从全国尺度来看,华南冬麦区和长江下游冬麦区水分满足情况较好,其他区域冬小麦各个生育阶段的降水条件均不能满足水分需求。比较各区域典型站点冬小麦水分满足情况,北部冬麦区、黄淮冬麦区、新疆冬春麦区和西南冬麦区水分亏缺比较严重,比较水分亏缺严重区域的冬小麦各个生育阶段的水分满足情况看出,相对水分亏缺程度较轻的为播种-越冬生育阶段,开花-成熟生育阶段冬小麦的水分亏缺程度最严重,该生育阶段是决定冬小麦千粒重的关键期,有灌溉条件地区适时灌溉,对保证高产稳产具有重要意义。     

基于GF-1影像NDVI年度间相关分析的冬小麦面积变化监测

为实现区域冬小麦种植面积变化的快速监测,减少监测难度,提高监测效率和精度,该文提出一种基于年际NDVI相关关系的监测方法(relationship analysis of normal difference vegetation index,rNDVI)。选择河北省黄骅市、孟村县、海兴县3个县市为研究区,基于2014年4月14日、2017年4月26日两个时期的GF-1/WFV数据,基于rNDVI方法,通过将样本点两年度的NDVI值构建二维空间,采用最小二乘法拟合的方法获得不变地物点的上下包络线方程,进而得到冬小麦变化区域的监测阈值,提取冬小麦种植增加和减少区域,实现对研究区域的变化监测。结果表明,采用rNDVI算法总体精度分别为90.60%,Kappa系数为0.84,相比传统的先最大似然分类后再提取冬小麦种植变化区域的方法,总体精度与Kappa系数分别提高了6.6个百分点和16.7%。对冬小麦增加区域、冬小麦减少区域的变化监测结果进行分析,发现基于rNDVI的变化监测方法可以有效提高裸地、线状道路、破碎的冬小麦地块等区域的变化识别能力,提高监测精度。同时分别利用2014年3月1日和2017年3月12日、2014年5月17日与2017年5月20日两对GF-1/WFV数据进行基于rNDVI的冬小麦变化区域监测,结果表明3月份的监测精度较低,主要是由于3月份冬小麦长势尚不明显,5月份与4月份的总体精度相近,主要是由于5月份冬小麦NDVI已较高,易于识别。上述研究结果表明,基于rNDVI的冬小麦变化快速监测方法可以有效监测区域冬小麦种植面积的变化情况,算法简单高效,且能够在种植结构相对单一的冬小麦分布区域保持较高精度,能够满足农情遥感监测信息快速获取的需要。