摘要：农作物物候期遥感提取与分析是精准农业和粮食安全监测的重要基础，能够为作物田间管理、产量预测和灾害评估提供关键的时序信息。本文系统介绍了农作物物候期遥感提取的技术方法体系，从NDVI等植被指数时间序列构建出发，详细阐述了阈值法、导数法、拟合法和累计频率法等物候提取算法的原理与适用条件。深入分析了多源遥感数据（光学、SAR、高光谱）在物候监测中的互补优势，以及物候信息在作物类型识别、长势评价和气候变化响应研究中的应用。结合时维遥感在主要粮食作物物候监测中的实践经验，探讨了物候遥感从定性描述到定量反演的技术发展趋势。

农作物物候监测的意义与遥感优势

农作物物候是指作物在气候和环境影响下呈现的周期性生长发育现象，如播种、出苗、返青、拔节、抽穗、灌浆、成熟等关键生育阶段。物候期是连接气候因子与作物生长过程的关键节点，准确掌握物候信息对于合理安排农事活动、科学评估作物长势和精准预测粮食产量具有重要指导意义。

传统的物候观测依赖于人工目视记录，存在观测站点稀疏、空间代表性不足、主观性强等局限。遥感技术的出现为物候监测提供了全新的解决方案——通过周期性获取地表植被状况信息，构建时间序列植被指数曲线，从中提取作物各生育期的起止时间，实现物候信息的空间连续和客观定量获取。

遥感物候监测的核心优势在于其面状覆盖能力。一颗中分辨率遥感卫星的单景影像可覆盖数万平方公里，足以覆盖整个农业主产区的物候空间分异格局。同时，长时序遥感数据（如AVHRR NDVI自1981年至今、MODIS自2000年至今）还可用于分析物候的年际变化趋势，评估气候变化对作物生长周期的影响。

植被指数时间序列构建与降噪处理

植被指数是作物物候遥感提取的基础指标。归一化植被指数（NDVI）是最经典的植被指数，通过近红外波段与红光波段的归一化比值反映植被绿度和生长活力，其计算公式为NDVI=（NIR-R）/（NIR+R）。NDVI时间序列曲线通常呈现单峰或双峰的季节变化特征，峰值对应作物最大绿度期（通常为灌浆期前后），谷值对应作物收获或休耕期。

然而，原始NDVI时间序列受云污染、大气气溶胶、传感器观测几何变化和双向反射分布效应等因素影响，存在大量噪声和异常值，必须进行严格的降噪处理才能用于物候提取。常用的降噪方法包括：

S-G滤波（Savitzky-Golay滤波） 通过局部多项式最小二乘拟合实现时间序列的平滑处理，在保留物候变化趋势的同时有效抑制高频噪声，是应用最广泛的NDVI时序降噪方法之一。其关键参数包括窗口大小和多项式阶数——窗口越大平滑效果越强但可能模糊物候转折点，多项式阶数越高拟合灵活性越强但降噪效果减弱。

HANTS（谐波分析法） 利用傅里叶级数对NDVI时间序列进行谐波拟合，通过剔除偏离拟合曲线的异常点并迭代重拟合，实现噪声的稳健去除。该方法特别适用于具有明显年周期特征的作物物候分析。

Whittaker平滑器通过平衡时间序列的保真度和粗糙度实现平滑处理，计算效率高且对不等间隔时间序列具有天然适应性，在Sentinel-2等不规则时间序列的物候提取中表现优异。

物候期遥感提取的主要算法

基于降噪后的植被指数时间序列，可以采用多种算法提取作物各物候期的日期。常用的物候提取算法包括：

阈值法是最直观的物候提取方法，通过设定植被指数的固定阈值或动态阈值来确定物候期。固定阈值法采用统一的NDVI值（如0.2或0.3）作为生长季起始标准，方法简单但受区域和作物类型影响较大，通用性较差。动态阈值法将当年NDVI最小值与最大值之间的一定比例（如20%或50%）对应的日期定义为物候期，具有更好的区域适应性，是目前业务化应用中采用最多的方法。

导数法通过计算NDVI时间序列的一阶导数或二阶导数来识别物候转折点。一阶导数的最大值对应生长最快的时刻（绿度上升期），一阶导数由正转负的过零点对应NDVI峰值（最大绿度期）。导数法对物候转折点的识别精度较高，但对时间序列的平滑度要求严格，噪声残余可能导致虚假极值点。

Logistic曲线拟合法假设作物生长过程遵循S形生长曲线，利用双Logistic函数或非对称高斯函数对NDVI时间序列进行参数化拟合，通过拟合曲线的数学特征（如拐点、极值点）精确提取物候期。该方法具有明确的物理解释和较高的拟合精度，是目前学术界最为推崇的物候提取方法。

累计频率法将NDVI时间序列转换为年度累积值占全年总量的百分比，以特定百分比对应的日期定义物候期。例如，以累积NDVI达到全年总量10% 的日期作为生长季起始期，达到90% 的日期作为生长季结束期。该方法对噪声具有一定的平均效应，鲁棒性较强。

主要粮食作物的物候遥感提取实践

冬小麦是中国最重要的越冬作物，其物候期遥感提取具有特殊的复杂性。冬小麦的NDVI时间序列呈双峰特征——第一个峰值出现在冬前分蘖盛期（11-12月），冬季NDVI下降至低谷（越冬休眠期），春季返青后NDVI再次上升至第二个更高的峰值（灌浆期，4-5月）。因此，冬小麦物候提取需要特别关注返青期这一关键节点，通常采用返青后NDVI达到冬季最小值与春季最大值差值的20-30% 对应的日期作为返青期判定标准。

水稻的物候提取则面临南方多云雨地区的特殊挑战。在光学数据严重缺失的情况下，SAR时序数据成为水稻物候监测的有效替代方案。水稻移栽期的特征是田面覆水导致SAR后向散射系数骤降，分蘖期后随植株生长体散射增强，后向散射系数逐渐上升。通过SAR时序曲线的拐点检测可以精确提取水稻移栽期和分蘖期。

玉米作为典型的春播作物，其NDVI时间序列呈标准单峰特征。从播种到成熟，NDVI经历快速上升期（拔节至抽雄）、高位平台期（灌浆）和快速下降期（成熟收获）三个阶段。利用Logistic曲线拟合法提取玉米各物候期的精度通常可达±5天以内。

时维遥感在黄淮海平原冬小麦物候监测项目中，利用MODIS NDVI时间序列结合双Logistic拟合方法，实现了返青期、拔节期、抽穗期和成熟期的自动化提取，与农业气象站物候观测记录的偏差在7天以内，达到了业务化应用的精度要求。

多源遥感数据协同的物候监测

单一遥感数据源在物候监测中存在固有局限：低分辨率数据（如MODIS）时间分辨率高但空间分辨率粗，难以捕捉地块尺度的物候差异；高分辨率数据空间细节丰富但重访周期长，物候转折点的定位精度受限。多源遥感协同成为突破这一瓶颈的重要策略。

时空融合方法是解决空间与时间分辨率矛盾的关键技术。STARFM、ESTARFM和FSDAF等时空融合算法通过融合低分辨率高频次数据与高分辨率低频次数据，合成兼具高空间和高时间分辨率的时序数据集，从而在地块尺度实现精细化的物候提取。研究表明，基于时空融合数据的物候提取精度比单独使用低分辨率数据提升了30%以上。

SAR与光学数据的协同在多云地区物候监测中具有独特价值。在光学数据缺失的时间段，SAR时序数据可有效填充物候信息的空白。研究显示，光学-SAR联合物候提取方案可将生长季起始期的提取偏差从单独使用光学数据的12天降低至5天以内。

高光谱遥感的窄波段植被指数（如红边位置指数、叶绿素红边指数）对作物生理状态的变化更为敏感，可用于提取传统宽波段植被指数难以捕获的细物候事件，如胁迫响应期、衰老起始期等。

物候信息在精准农业中的应用

物候遥感提取结果在精准农业多个领域发挥着重要作用：

作物类型识别方面，不同作物的物候节律存在显著差异，物候特征（如生长季长度、峰值出现时间、NDVI上升速率等）可作为分类的重要判据，显著提高作物识别精度。利用物候特征进行作物分类的精度通常比单一时相分类提升10-15个百分点。

长势评价与产量预测方面，物候期的提前或推迟是作物生长异常的直接指示器。返青期提前通常意味着冬季偏暖、积温充足，有利于增产；而灌浆期缩短则可能导致千粒重下降，影响最终产量。通过分析物候期偏离正常年份的幅度，可以定性或定量评估作物长势状况。研究证实，利用物候参数（生长季长度、峰值NDVI等）构建的冬小麦产量遥感预测模型，决定系数R²可达0.78以上。

气候变化响应分析方面，长时序物候遥感数据是评估气候变化对作物生长影响的重要工具。基于1982-2020年AVHRR NDVI数据的物候趋势分析表明，中国北方冬小麦返青期总体呈提前趋势，平均每10年提前约3-5天，与冬季升温趋势高度一致。这类分析为农业气候适应策略的制定提供了科学依据。

灾害影响评估方面，农业灾害（如低温冷害、高温热害、干旱）往往导致作物物候异常——低温延迟发育进程、高温加速灌浆缩短生育期、干旱抑制生长延缓物候推进。通过对比灾后与正常年份的物候差异，可以定量评估灾害对作物发育进程的影响程度，为灾损评估和理赔提供客观依据。

物候遥感技术面临的挑战与发展方向

当前，农作物物候遥感提取仍面临若干技术挑战。混合像元问题在低分辨率影像中尤为突出，一个像元内可能包含多种作物或作物与自然植被的混合，导致提取的物候期偏离真实值。种植制度复杂性也是重要挑战——一年两熟、一年三熟区的多季作物物候提取需要精细的时间序列分解策略。

未来物候遥感技术的发展方向主要包括：一是高分高频卫星星座的建设，如中国计划发射的农业遥感专项卫星，将实现米级分辨率、5天重访的农业物候监测能力；二是深度学习物候提取，利用LSTM、Transformer等时序深度学习模型自动学习物候特征，提高物候提取的精度和鲁棒性；三是物候-模型耦合，将遥感物候信息与作物生长模型（如WOFOST、DSSAT）同化融合，实现作物生长过程的动态模拟和产量预测；四是全球物候产品的标准化与业务化，为国际粮食安全监测和农业气候适应提供统一的数据支撑。

结语

农作物物候期遥感提取与分析方法经过数十年的发展，已形成了从数据预处理、时序构建、降噪平滑到物候提取的完整技术体系。阈值法、导数法、Logistic拟合法等经典算法各有优势与局限，需根据作物类型、数据源特征和精度要求灵活选用。多源遥感协同、时空融合和深度学习等前沿技术正推动物候遥感从区域试验走向全球业务化。时维遥感将继续致力于农作物物候遥感技术的创新与应用，为精准农业管理、粮食产量预测和农业气候适应提供高精度的物候信息产品和技术服务。