本研究聚焦于如何通过遥感数据和植物生长阶段变量（phenological variable, PV）的结合，开发一种用于预测冬小麦茎干生物量（stem dry biomass, SDB）的半机制模型（PVWheat-SDB）。SDB作为农作物地上生物量（above ground biomass, AGB）的重要组成部分，对作物的营养运输和结构支撑具有关键作用。在农业生产中，及时且准确的SDB预测有助于监测作物生长状态，为农业管理提供科学依据，例如精准施肥和灌溉决策，以及对作物产量和碳循环的评估。然而，传统的生物量估算模型往往受限于作物生长阶段的影响，导致其在时空上的迁移性较弱，难以适应不同环境条件和作物品种。
为了解决这一问题，本研究提出了一种基于生长阶段变量和遥感植被指数（vegetation indices, VIs）的SDB预测模型。模型的核心在于利用生长阶段变量作为驱动因素，结合遥感数据中的植被指数，对不同生长阶段的SDB进行预测。植被指数能够反映作物冠层的结构和生化特征，因此可以作为作物生长状态的有效指标。通过分析不同种植条件下植被指数与SDB的变化规律，研究发现，植被指数的变化能够量化茎干生物量增长方程在不同种植条件下的差异，从而为模型构建提供理论依据。
本研究通过三种不同的方法来评估模型的性能：（1）在田间数据集上进行模型校准和验证；（2）使用无人机（unmanned aerial vehicle, UAV）高光谱图像进行模型验证；（3）与现有方法进行对比，评估其优势和适用性。研究发现，基于归一化红边植被指数（NDRE）和累积生长积温（accumulated growing degree days, AGDD）的PVWheat-SDB模型在预测SDB方面表现优异，校准数据集的R²为0.88，均方根误差（RMSE）为75.48 g/m²，归一化均方根误差（nRMSE）为8.04%，平均绝对误差（MAE）为55.36 g/m²；在无人机高光谱图像数据集上的R²为0.82，RMSE为81.76 g/m²，nRMSE为11.22%，MAE为62.82 g/m²。这表明该模型不仅在田间数据上具有较高的预测精度，而且在不同平台的遥感数据上也表现出良好的适应性和可迁移性。
为了进一步验证模型的性能，研究还采用了多阶段植被指数的堆叠策略，即通过整合多个生长阶段的植被指数数据来提升模型的预测精度。结果显示，随着生长阶段的增加，模型的预测误差显著降低。特别是在开花阶段，加入更多生长阶段的数据后，预测误差减少尤为明显。这说明模型在预测作物后续生长阶段的SDB时具有一定的能力，而不仅仅是当前阶段的SDB估算。这种能力对于农业管理者来说尤为重要，因为它们可以根据模型预测结果提前调整田间管理措施，提高农业生产效率。
此外，研究还对比了其他常见的SDB估算方法，如线性回归模型（linear regression, LR）和机器学习回归模型（如偏最小二乘回归和随机森林回归）。结果表明，仅使用生长阶段变量或植被指数的模型在预测SDB时表现较差，而结合两者的方法（如PVWheat-SDB模型）能够显著提高预测精度。例如，基于AGDD的线性回归模型的R²为0.59，RMSE为137.65 g/m²，MAE为106.76 g/m²，nRMSE为14.66%；而基于NDRE的线性回归模型的R²为0.07，RMSE为205.36 g/m²，MAE为176.09 g/m²，nRMSE为21.87%。相比之下，PVWheat-SDB模型在所有评估指标上均表现优异，特别是在R²、RMSE、nRMSE和MAE方面。这说明，结合生长阶段变量和植被指数的方法在预测SDB方面具有更高的准确性。
同时，研究还发现，使用植被指数作为模型的输入变量能够有效捕捉不同种植条件下作物生物量增长方程的差异。例如，NDRE和AGDD的结合能够准确反映不同氮肥梯度下作物茎干生物量的变化趋势。这表明，植被指数不仅能够用于描述当前生长阶段的SDB，还能够作为预测后续生长阶段SDB的依据。这种特性使得PVWheat-SDB模型在农业管理中具有重要的应用价值，特别是在作物生长后期，当生物量增长速率减缓时，模型的预测能力依然保持较高水平。
为了验证模型的可迁移性，研究还使用无人机高光谱图像数据进行模型评估。结果表明，即使在不同的遥感平台下，模型依然能够保持较高的预测精度。这表明，PVWheat-SDB模型不仅适用于田间数据，也能够适应不同平台的遥感数据，从而提升其在农业监测中的适用范围。此外，研究还展示了模型在不同生长阶段的空间分布情况，发现随着生长阶段的推进，SDB呈现出逐渐增加的趋势，但在灌浆阶段略有下降。这说明，SDB的变化不仅与时间有关，还受到作物生长状态的影响，例如氮肥的施用情况。
总体来看，PVWheat-SDB模型在SDB预测方面具有较高的准确性和可迁移性，能够在不同生长阶段和不同种植条件下提供可靠的预测结果。同时，该模型的构建过程较为简洁，且具有良好的可解释性，使其在农业应用中更具优势。此外，研究还探讨了该模型在预测其他作物生物量特征（如AGB）方面的潜力。通过将模型框架应用于AGB预测，研究发现，基于NDRE和AGDD的PVWheat-AGB模型在预测AGB时同样表现出较高的准确性，为农业管理和碳循环监测提供了新的方法。
综上所述，本研究开发的PVWheat-SDB模型为作物茎干生物量的预测提供了一种新的思路，结合生长阶段变量和植被指数，不仅能够提高预测精度，还能够增强模型的时空适应性和可解释性。这一成果对于推动智能农业、精准农业以及碳循环监测具有重要意义。
