不同生育時期冬小麥葉面積指數(shù)地面高光譜遙感模型研究

李軍玲,彭記永

(中國氣象局·河南省農(nóng)業(yè)氣象保障與應用技術(shù)重點實驗室/河南省氣象科學研究所，河南鄭州 450003)

葉面積指數(shù)(LAI)指單位地表面積上綠色葉面積的倍數(shù)[1]，是描述植物冠層功能過程的重要參量。LAI的傳統(tǒng)地面測量方法不但具有破壞性，而且比較費時費力[2-3]。遙感監(jiān)測具有實時、迅速、長時間、大面積等特點，已成為估算LAI的主要技術(shù)手段。高光譜遙感數(shù)據(jù)擁有更多的波段和更高的波譜分辨率，能夠提供精細化的光譜信息[4-5]，具有簡便快速、非破壞性等優(yōu)點，并且能夠?qū)⒌孛嬗^測點數(shù)據(jù)轉(zhuǎn)換為具有一定空間分辨率的面數(shù)據(jù)，目前被廣泛應用。

目前，已有大量研究基于光譜特征與植被LAI之間的關(guān)系[6-7]探討LAI的遙感估測。白蘭東等[8]以輻射傳輸方程PROSAIL為基礎(chǔ)，模擬不同觀測天頂角和不同葉面積指數(shù)下的植被冠層光譜，建立基于多角度遙感的植被指數(shù)與LAI的線性關(guān)系；黃敬峰等[9]用紅邊參數(shù)建立了開花前以及開花后不同時期油菜葉面積指數(shù)的估算模型。但多數(shù)研究只是基于一定的參數(shù)建立線性模型，很少考慮更多參數(shù)或模型類型并從中進行最優(yōu)選擇。楊福芹等[10]通過灰色關(guān)聯(lián)分析對所選取的植被指數(shù)進行比較，并篩選出植被LAI的最優(yōu)估算模型。由于作物全生育期光譜特征會有不同程度的變化，如果用一種參數(shù)模型模擬整個生育期的LAI，勢必會降低模擬精度，因而有學者通過大田試驗，選擇光譜反射率及其變換形式和植被指數(shù)對LAI進行相關(guān)性分析及模擬，分別建立水稻分蘗-抽穗期及抽穗-成熟期LAI的模擬模型[5]。另外，光譜分辨率對植被LAI的模擬精度也有影響。對不同光譜分辨率和波段組合的5種冬小麥冠層光譜數(shù)據(jù)進行比較分析，當波段選擇恰當、輸入?yún)?shù)不確定性較小時，光譜分辨率較高的數(shù)據(jù)表現(xiàn)出更優(yōu)的LAI反演精度與穩(wěn)定性[11]。

為了利用高光譜遙感數(shù)據(jù)獲得LAI最優(yōu)估算模型，本研究在原始光譜基礎(chǔ)上進行倒數(shù)對數(shù)、一階導數(shù)、二階導數(shù)變換，并選取基于高光譜位置變量、面積變量和植被指數(shù)變量的常見高光譜特征指數(shù)進行建模，和以往研究相比，光譜變量多樣，模型覆蓋面廣，并通過模型精度比較從中選擇出最優(yōu)估算模型；另外，目前黃淮地區(qū)冬小麥LAI模擬研究還未見分生育時期建立模型，本研究擬分拔節(jié)-孕穗、開花-乳熟期進行建模并進行模型的比較；最后為獲得更優(yōu)的LAI反演精度和穩(wěn)定性，本研究選擇使用高光譜分辨率的便攜式地物光譜儀(ASD)進行數(shù)據(jù)采集和分析。

1 材料與方法

1.1 數(shù)據(jù)采集

1.1.1 數(shù)據(jù)1

試驗地點定在滎陽大田區(qū)域，為保證代表性，選擇連片區(qū)域在500 m×500 m的地段，分別在拔節(jié)-孕穗期(4月2日和4月6日)和開花-乳熟期(4月26日和4月28日)進行數(shù)據(jù)采集。

拔節(jié)-孕穗期和開花-乳熟期分別在研究區(qū)域選擇9個采樣單元，其中好、中、差不同長勢的各3個，采樣單元一般為30 m×30 m。在每個采樣單元，選擇具有代表性、均勻、無病蟲危害的樣本點3個，因此每個生育時期樣本數(shù)為27，在采樣點進行冠層光譜和LAI測定。

(1)光譜測定：使用 ASD便攜式光譜儀(美國)進行冬小麥冠層反射光譜數(shù)據(jù)的采集，波長范圍 325～1 075 nm，光譜采樣間隔約 1.5 nm。注意盡可能覆蓋1 m×1 m直徑范圍，要求覆蓋范圍和測量葉面積區(qū)域重疊。選擇晴朗無云或少云的天氣，在 10：00-13：00 進行測定。測點距冠層頂部垂直高度約 1 m，每次每個采樣點測定 5 條光譜反射曲線，取 5 條曲線的平均值作為該采樣點的冠層反射率曲線圖。測量前均用白板進行標定。

(2)葉面積指數(shù)測定：與光譜數(shù)據(jù)采集同步，使用LAI2200冠層分析系統(tǒng)(美國)對葉面積指數(shù)進行數(shù)據(jù)采集，測5次，求平均值。

1.1.2 數(shù)據(jù)2

針對鶴壁地區(qū)，下載近期高分衛(wèi)星資料(空間分辨率16 m)，計算NDVI，找到連片冬小麥分布區(qū)域，根據(jù)實地調(diào)查的冬小麥長勢進行NDVI分類，本研究分為好、中、差三種類型。按照1.1.1部分的方法進行相關(guān)數(shù)據(jù)的采集，拔節(jié)-孕穗期和開花-乳熟期分別在研究區(qū)域選擇9個采樣單元，根據(jù)NDVI分類圖選擇好、中、差不同長勢的各3個單元，每個采樣單元選擇樣本點3個，因此每個生育時期樣本數(shù)為27。

1.2 數(shù)據(jù)處理

1.2.1 光譜的倒數(shù)對數(shù)、一階導數(shù)和二階導數(shù)轉(zhuǎn)換

對每個樣點的冬小麥冠層反射率(ρ)數(shù)據(jù)進行處理，計算相應的倒數(shù)對數(shù)、一階導數(shù)和二階導數(shù)。

倒數(shù)對數(shù)=lg(1/ρ)

一階導數(shù)ρ′(λi)=dρ/dλ=[ρ(λi+1) -ρ(λi-1) ]/2Δλ

二階導數(shù)ρ′′(λi)=d2ρ/dλ2=[ρ′(λi+1) -ρ′(λi-1) ]/2Δλ

式中，λi為每個波段的波長；ρ′(λi)為波長λi的一階導數(shù)光譜；ρ′′(λi) 為波長λi的二階導數(shù)光譜。Δλ為波長λi-1至λi的間隔。

1.2.2 高光譜特征變量選擇

常見的高光譜特征變量有基于高光譜位置變量、面積變量和植被指數(shù)變量3種類型[12]，其中基于光譜位置的變量有藍邊幅值(Db)和藍邊位置(λb)、黃邊幅值(Dy)和黃邊位置(λy)、紅邊幅值(Dr)和紅邊位置(λr)、綠峰反射率(Rg)和綠峰位置(λg)、紅谷反射率(Rr)和紅谷位置(λr)?；诠庾V面積變量有藍邊面積(SDb)、黃邊面積(SDy)、紅邊面積(SDr)和綠峰面積(SDg)。

基于光譜植被指數(shù)的變量[13]有：

VI1=Rg/Rr，即綠峰反射率Rg與紅谷反射率Rr的比值指數(shù)；

VI2=(Rg-Rr)/(Rg+Rr)，即綠峰反射率Rg與紅谷反射率Rr的歸一化指數(shù)；

VI3=SDr/SDb，即紅邊面積SDr與藍邊面積SDb的比值指數(shù)；

VI4=SDr/SDy，即紅邊面積SDr與黃邊面積SDy的比值指數(shù)；

VI5=(SDr-SDb)/(SDr+SDb)，即紅邊面積SDr與藍邊面積SDb的歸一化指數(shù)；

VI6=(SDr-SDy)/(SDr+SDy)，即紅邊面積SDr與黃邊面積SDy的歸一化指數(shù)。

1.2.3 模型構(gòu)建及檢驗

對各樣點冬小麥冠層光譜反射率進行倒數(shù)對數(shù)、一階導數(shù)、二階導數(shù)變換以及高光譜特征變量的計算，以數(shù)據(jù)1資料為基礎(chǔ)，利用數(shù)理統(tǒng)計軟件SPSS13.0對高光譜特征變量[13-14]與葉面積指數(shù)進行相關(guān)分析，選擇相關(guān)系數(shù)較大的光譜特征變量，利用線性、對數(shù)、指數(shù)、二次函數(shù)模擬建立單變量葉綠素估算模型，再選擇相關(guān)系數(shù)較大的光譜特征變量進行多元逐步回歸分析，建立葉面積指數(shù)的多元回歸模型。

利用數(shù)據(jù)2資料對所建立的LAI高光譜估算模型進行驗證，并采用均方根誤差(RMSE)、相對誤差(NRMSE)和決定系數(shù)(r2)評價模型的模擬效果。

式中，Yi和Xi分別為估測值和觀測值，n為樣本數(shù)。

2 結(jié)果與分析

2.1 小麥LAI與光譜的相關(guān)性

相關(guān)分析(圖1和圖2)表明，小麥LAI與冠層原始光譜反射率在可見光范圍內(nèi)呈負相關(guān)，在近紅外范圍內(nèi)呈正相關(guān)，說明LAI越高，可見光波段內(nèi)的光譜反射率越低，近紅外的光譜反射率越高，而光譜的倒數(shù)對數(shù)(以下稱為倒數(shù)對數(shù)光譜)表現(xiàn)則相反。光譜的一階導數(shù)(以下稱為一階導數(shù)光譜)在700～800 nm范圍內(nèi)與LAI的相關(guān)系數(shù)波動稍小，且大部分波段相關(guān)性通過0.01水平顯著性檢驗。光譜的二階導數(shù)(以下稱為二階導數(shù)光譜)相關(guān)系數(shù)整體波動較大，且只有少部分波段相關(guān)性通過0.01水平顯著性檢驗。根據(jù)圖1將拔節(jié)-孕穗期選取波段676 nm處倒數(shù)對數(shù)光譜、750 nm處一階導數(shù)光譜、877 nm處二階導數(shù)光譜作為光譜變化敏感參量，根據(jù)圖2將開花-乳熟期選取波段352 nm處倒數(shù)對數(shù)光譜、431 nm處一階導數(shù)光譜、678 nm處二階導數(shù)光譜作為光譜變化敏感參量，這些波段與葉面積指數(shù)的相關(guān)系數(shù)均通過0.01水平的顯著性檢驗，且相關(guān)系數(shù)最大。

圖1 拔節(jié)-孕穗期LAI與高光譜反射率及其倒數(shù)對數(shù)、一階導數(shù)和二階導數(shù)的相關(guān)系數(shù)Fig.1 Correlation coefficients of LAI with spectral reflectivity and the logarithm of reciprocal, first-order derivative, second derivative from jointing to heading stage

2.2 小麥LAI與高光譜特征變量間的相關(guān)性

從表1可以看出，拔節(jié)-抽穗期LAI與除藍邊位置、紅邊位置外的所有高光譜變量間顯著相關(guān)，其中LAI與Dr、SDr、VI3、VI5、VI6的相關(guān)系數(shù)大于0.85。開花-乳熟期LAI與除藍邊幅值、藍邊位置、黃邊幅值、黃邊位置、綠峰位置、紅谷位置以及VI6外的所有高光譜變量顯著相關(guān)，其中LAI與Rr、VI1、VI2、VI3、VI5的相關(guān)系數(shù)大于0.7。因此，拔節(jié)-抽穗期選擇變量Dr、SDr、VI3、VI5、VI6作為LAI估算模型的自變量；開花-乳熟期選擇變量Rr、VI1、VI2、VI3、VI5作為LAI估算模型的自變量。

圖2 開花-乳熟期與高光譜反射率及其倒數(shù)對數(shù)、一階導數(shù)和二階導數(shù)的相關(guān)系數(shù)Fig.2 Correlation coefficients of LAI with spectral reflectivity and the logarithm of reciprocal, first-order derivative, second derivative from flowering to milking stage

2.3 LAI估算模型的建立和檢驗

2.3.1 葉面積指數(shù)估算的單變量模型

利用上述所選參數(shù)分別建立線性、對數(shù)、指數(shù)、二次函數(shù)的單變量LAI估算模型，方程均通過0.05水平顯著性檢驗(表2和表3)。在拔節(jié)-孕穗期，大部分參數(shù)的二次模型r2較大，其中VI3、VI5、lg(1/ρ676)、dρ750/dλ750的二次模型r2超過0.6；從驗證結(jié)果看，dρ750/dλ750的RMSE值最小，其次是VI5。因此，認為以dρ750/dλ750為自變量的二次模型Y=0.656+108.321 dρ750/dλ750+20 634.481(dρ750/dλ750)2最優(yōu)，擬合與預測精度均最高，其次為以VI5為自變量的二次模型。在開花-乳熟期，大部分參數(shù)的指數(shù)模型r2較大，其中Rr、VI3、VI5的指數(shù)模型r2超過0.7；從驗證結(jié)果看，VI5的RMSE值最小，其次是VI3。因此，認為以VI5為自變量的指數(shù)模型Y=0.000 114e11.4VI5最優(yōu)，其擬合與預測精度均最高，其次為以VI3為自變量的指數(shù)模型。

表1 不同發(fā)育期LAI與高光譜變量間的相關(guān)系數(shù)Table 1 Correlation coefficients between LAI and hyperspectral variables

表2 拔節(jié)-孕穗期LAI與高光譜變量的擬合模型參數(shù)Table 2 Fitting model parameters of LAI and hyperspectral variables from jointing to heading stage

表3 開花-乳熟期LAI與高光譜變量的擬合模型參數(shù)Table 3 Fitting model parameters of LAI and hyperspectral variables from flowering to milking stage

2.3.2 LAI估算的多元回歸模型

農(nóng)作物葉片中各種生化物質(zhì)對應特定的光譜吸收特征，是進行波段選擇的基本依據(jù)。但這些化學成分相互混合在一起，彼此間加強或削弱了各自的吸收特征。因此，估測某一生化成分時只用單一波段是不全面的，需要進行波段選擇和重組[16-17]。鑒于此，對表2和表3中的8個變量進行多元逐步回歸分析，建立LAI的多元回歸模型。

拔節(jié)-孕穗期：Y=-34.517+940.241dρ750/dλ750-13.026SDr +33.692VI6。r2=0.925，P<0.01，F(xiàn)=53.545，RMSE=0.315。

2.3.3 模型比較和選擇

拔節(jié)-孕穗期多元回歸模型的決定系數(shù)在0.9以上，大于單變量最優(yōu)模型；RMSE小于單變量最優(yōu)模型，因此認為光譜數(shù)據(jù)能夠完整獲取的情況下，拔節(jié)-孕穗期應選擇多元回歸模型對葉面積指數(shù)進行模擬計算。開花-乳熟期多元回歸模型的決定系數(shù)略小于單變量最優(yōu)模型，但RMSE小于單變量最優(yōu)模型，因此開花-乳熟期在光譜數(shù)據(jù)能夠完整獲取的情況下，應優(yōu)先使用多元回歸模型。

3 討 論

利用高光譜遙感數(shù)據(jù)估算小麥、棉花和水稻的葉面積指數(shù)已經(jīng)有很多研究。本研究對高光譜數(shù)據(jù)進行倒數(shù)對數(shù)、一階導數(shù)、二階導數(shù)變換，并選取基于高光譜位置變量、面積變量和植被指數(shù)變量的常見高光譜特征指數(shù)和LAI進行相關(guān)性分析及模型精度比較，以篩選冬小麥最優(yōu)LAI估算模型。研究表明，與單純進行RVI、DVI、NDVI等常規(guī)植被指數(shù)反演LAI相比，從不同曲線特征進行高光譜位置、面積和植被指數(shù)分析會更加直接和全面[18-20]。另外，針對黃淮地區(qū)冬小麥LAI模擬研究目前還未見分生育時期建立模型的報道。本研究對拔節(jié)-孕穗、開花-乳熟期分別進行建模，結(jié)果證實了分生育時期建模的必要性。每個生育時期的敏感波段不同，尋找每個生育時期最敏感的波段和指數(shù)分別進行建立模型，才能提高葉面積指數(shù)估算的精度。這與辛明月等[5]研究結(jié)果相似。本研究由于采樣時間限制，只在冬小麥拔節(jié)-孕穗、開花-乳熟期各進行了兩個時次的數(shù)據(jù)采集，可能代表性不夠強；針對特定的時間、研究區(qū)建立的經(jīng)驗模型是否具備普適性還需進一步探討；另外，滎陽地區(qū)連片冬小麥種植區(qū)面積有限，要進行大尺度遙感葉面積指數(shù)反演有難度，后期將主要針對鶴壁萬畝方試驗基地進行遙感數(shù)據(jù)反演等研究。