News & Featured Articles

扬州大学智慧农业研究院孙成明教授课题组基于多源遥感数据估算地上生物量生长曲线参数提升小麦产量估测精度

• 小麦作为全球最重要的粮食作物之一，其产量的精准估测对于保障粮食安全、推动精准农业管理以及应对气候变化具有重要意义。现有研究多依赖单时相或简单时序的遥感特征进行产量预测，虽在一定程度上提升了精度，但对产量形成过程缺乏系统刻画，模型生理解释性不足，限制了其在复杂环境中的稳定应用。实际上，小麦产量的形成是一个动态积累过程，地上生物量（AGB）的连续变化能够直接反映群体生长节律与资源利用状况。因此，如何从生长过程中提取具有明确生理意义的关键参数，并将其有效用于产量估测，成为亟待解决的重要科学问题。

  近期，扬州大学智慧农业研究团队孙成明教授课题组完成的题为“Growth curve parameters of AGB estimated from multi-source remote sensing data enhance wheat yield prediction accuracy”的研究在Journal of Integrative Agriculture（《农业科学学报（英文）》，JIA）优先在线发表。

  该课题组依托田间试验，系统构建了具有显著差异的冬小麦群体。试验通过设置三种种植密度、三种株型差异明显的品种以及四个氮肥水平，形成36个处理组合并进行重复观测，从而在群体结构和生长状态上形成丰富变异。研究以2023–2024年度数据为基础开展模型构建与验证，并结合不同地区与年份的数据对模型进行独立检验，从而系统评估模型的稳定性与泛化能力。

  该研究首先基于实测地上生物量数据拟合Logistic S型生长曲线，从连续生长过程中提取包括最大生长速率、拐点时间及阶段生长速率等在内的一系列关键参数，实现了从静态观测向动态生长机制的转化。在此基础上，进一步融合植被指数、纹理特征、冠层结构参数及冠层温度等多源遥感信息构建地上生物量估算模型，以解决传统植被指数在高覆盖条件下易饱和的问题。最终，将生长曲线参数作为连接遥感信息与产量形成的桥梁变量，引入机器学习模型中，构建了兼具精度与生理意义的小麦产量估测方法。

  
  

  

  阶段划分及关键生长节点示意图

  

  本研究的整体工作流程

  
  

  
  

  

  各生长参数间的相关性及其与产量的关系

  

  不同生长阶段AGB模型实测值与估算值的散点图

  

  产量估测模型的实测值与估测值分布(A)及2024–2025年该模型的验证结果(B)

  研究结果表明，基于实测地上生物量生长曲线参数的产量估测模型具有极高的预测精度，决定系数达到0.97，同时误差显著降低，说明该方法能够有效捕捉产量形成的关键过程。多源遥感驱动的地上生物量估算结果显示，随着生育进程推进，不同信息源之间的互补性逐渐增强，在开花后30天达到最佳估测效果，有效缓解了植被指数饱和带来的限制。在此基础上构建的遥感驱动产量模型同样表现出较高精度，并在不同地区和年份条件下保持稳定，体现出良好的泛化能力。

  总体而言，本研究提出的基于地上生物量生长曲线参数的产量估测方法，不仅显著提高了预测精度，还增强了模型的生理可解释性，为小麦产量估测从经验驱动向机理驱动转变提供了新的思路，也为田间尺度的精准管理与智慧农业应用提供了重要的理论与技术支撑。

  
  

  扬州大学智慧农业研究团队孙成明教授为该论文的通讯作者，博士研究生韩东伟为第一作者。本研究得到了江苏省生物育种钟山实验室项目（ZSBBL -KY2023-05）和江苏省重点研发计划（现代农业领域）（BE2022338和BE2022335）资助。

  
  

  Cite the article:

  Dongwei Han, Weijun Zhang, Muhammad Zain, Shaolong Zhu, Zhaosheng Yao, Jianliang Wang, Yuanyuan Zhao, Tao Liu, Chengming Sun, Wenshan Guo. 2026. Growth curve parameters of AGB estimated from multi-source remote sensing data enhance wheat yield prediction accuracy. Journal of Integrative Agriculture, Doi:10.1016/j.jia.2026.05.005

  
  

Pubdate： 2026-05-27    Viewed： 3