基于遙感影像植被指數(shù)變化量分析的冬小麥長(zhǎng)勢(shì)動(dòng)態(tài)監(jiān)測(cè)

陸 洲，羅 明，譚昌偉，徐飛飛，梁 爽，楊 昕

(1.中國(guó)科學(xué)院地理科學(xué)與資源研究所，北京 100101； 2.揚(yáng)州大學(xué)農(nóng)學(xué)院，江蘇揚(yáng)州 225009)

小麥長(zhǎng)勢(shì)是反映小麥生長(zhǎng)狀況和趨勢(shì)的綜合指標(biāo)。應(yīng)大尺度信息獲取的需要，遙感技術(shù)在農(nóng)業(yè)上被廣泛應(yīng)用，以及時(shí)掌握作物的生長(zhǎng)、病蟲害等情況，為農(nóng)業(yè)生產(chǎn)中的調(diào)優(yōu)栽培提供依據(jù)。近年來(lái)，基于不同的方法以作物的光譜反射率監(jiān)測(cè)作物長(zhǎng)勢(shì)狀況的研究在國(guó)內(nèi)外得到了廣泛開(kāi)展[1]。目前，遙感監(jiān)測(cè)中作物生理生化指標(biāo)主要包括葉片含氮量、生物量、葉綠素含量、葉面積指數(shù)等，且大多以植被指數(shù)為因變量[2]。植被指數(shù)是表征地表植被生長(zhǎng)狀況有效而簡(jiǎn)單的度量參數(shù)[3-4]，被廣泛應(yīng)用于開(kāi)展作物苗情長(zhǎng)勢(shì)監(jiān)測(cè)半定量[5]及定量[6]方法研究。

相較傳統(tǒng)的反演模型，當(dāng)前監(jiān)測(cè)模型主要有兩個(gè)方面改進(jìn)：一是對(duì)遙感的數(shù)據(jù)進(jìn)行算法的優(yōu)化[7-10]，如多核支持向量回歸算法[11-12]、偏最小二乘法[11][13]、逐步多元回歸方法[13]及新的遙感算法[14]。二是應(yīng)用更高分辨率或融合其他數(shù)據(jù)源，并取得了不錯(cuò)的效果。如以高分辨率衛(wèi)星數(shù)據(jù)估算小麥葉片氮含量[15]或利用高光譜數(shù)據(jù)監(jiān)測(cè)農(nóng)學(xué)指標(biāo)[16-20]；利用遙感獲取的空間數(shù)據(jù)集成生理生態(tài)模型(DSSAT-CSM)監(jiān)測(cè)小麥的各長(zhǎng)勢(shì)參數(shù)[21]；將衛(wèi)星數(shù)據(jù)融合地面氣象資料[22]，探索識(shí)別冬小麥生育期。遙感影像反映作物對(duì)太陽(yáng)輻射的反射和吸收差異[23]，故影像特征的變化可體現(xiàn)作物生長(zhǎng)的動(dòng)態(tài)。然而，當(dāng)前的作物遙感監(jiān)測(cè)大多直接針對(duì)某一個(gè)時(shí)期內(nèi)遙感參量與生長(zhǎng)指標(biāo)的定量分析，對(duì)不同時(shí)期間冬小麥生長(zhǎng)動(dòng)態(tài)變化的研究較少，尤其在作物關(guān)鍵生育階段，針對(duì)生長(zhǎng)動(dòng)態(tài)的分析研究尚顯不足，難以適應(yīng)實(shí)際生產(chǎn)需求，因而研究關(guān)鍵生育階段作物生長(zhǎng)變化量的遙感監(jiān)測(cè)勢(shì)在必行。

為進(jìn)一步提升長(zhǎng)勢(shì)監(jiān)測(cè)模型的機(jī)理性和應(yīng)用性，優(yōu)化定量監(jiān)測(cè)的方法，本研究以GF-WFV數(shù)據(jù)為遙感影像源，綜合分析冬小麥孕穗-開(kāi)花期主要長(zhǎng)勢(shì)變化量參數(shù)和產(chǎn)量及其與植被指數(shù)變化量間的定量關(guān)系，篩選敏感植被指數(shù)變化量參數(shù)，構(gòu)建及評(píng)價(jià)監(jiān)測(cè)模型，以期實(shí)現(xiàn)基于GF-WFV遙感影像對(duì)冬小麥孕穗-開(kāi)花期長(zhǎng)勢(shì)動(dòng)態(tài)的監(jiān)測(cè)。

1 試驗(yàn)區(qū)概況與數(shù)據(jù)源

1.1 試驗(yàn)區(qū)概況

研究區(qū)為江蘇省揚(yáng)州泰州區(qū)域(簡(jiǎn)稱揚(yáng)泰地區(qū))，位于江蘇中部，南靠長(zhǎng)江，總面積12 421 km2，地處119°1′E～120°32′，31°56′～33°25′，是江蘇省主要的冬小麥產(chǎn)區(qū)之一。亞熱帶溫潤(rùn)季風(fēng)氣候，碟形平原洼地，年均降水量1 000 mm左右，年日照量2 200 h左右，以水稻土為主，常年主要農(nóng)作物為冬小麥、水稻、玉米和油菜。

1.2 農(nóng)學(xué)數(shù)據(jù)獲取

2017年試驗(yàn)在江蘇省揚(yáng)泰地區(qū)的高郵市、江都區(qū)、興化市和姜堰區(qū)進(jìn)行，每縣區(qū)設(shè)置采樣點(diǎn)15個(gè)，共計(jì)60個(gè)采樣點(diǎn)。2018年試驗(yàn)在江蘇省揚(yáng)泰地區(qū)的寶應(yīng)縣、高郵市、江都區(qū)、興化市、姜堰區(qū)和泰興市進(jìn)行，每縣區(qū)設(shè)置采樣點(diǎn)13～15個(gè)，共計(jì)81個(gè)采樣點(diǎn)。兩年采樣點(diǎn)均分布在大片冬小麥種植區(qū)，相對(duì)均勻且分散，具有代表性，位于連片田塊中間。采樣點(diǎn)區(qū)域小麥均長(zhǎng)勢(shì)均勻，無(wú)大面積病蟲害。

于冬小麥孕穗期和開(kāi)花期，采用定位裝置獲取樣點(diǎn)的GPS信息，并拍照記錄。在各取樣點(diǎn)選15～20株冬小麥，取生長(zhǎng)發(fā)育正常、無(wú)病蟲害、無(wú)干枯的葉片，暗處保存，并及時(shí)送至實(shí)驗(yàn)室。測(cè)定冬小麥的LAI(比葉重法[24])、地上部生物量(AB，aboveground biomass，稱重法測(cè)定[25])、葉片含氮量(LNC，凱氏定氮法測(cè)定[26])以及鮮葉葉綠素含量(CHL，分光光度計(jì)法測(cè)定[27])。并于成熟后采用五點(diǎn)取樣法測(cè)定單產(chǎn)。

1.3 影像數(shù)據(jù)及處理

本研究所用遙感影像為國(guó)產(chǎn)高分1號(hào)衛(wèi)星多光譜影像，于中國(guó)資源衛(wèi)星應(yīng)用中心免費(fèi)獲取。高分1號(hào)衛(wèi)星于2013年發(fā)射升空，其搭載的四個(gè)WFV傳感器均包含藍(lán)、綠、紅和近紅外四個(gè)波段，空間分辨率16 m，重訪周期為4 d，可滿足農(nóng)業(yè)基本需要[28]。結(jié)合冬小麥生長(zhǎng)物候，同步地面取樣(表1)。采用ENVI5.3對(duì)GF-WFV影像進(jìn)行預(yù)處理?；谘芯康貐^(qū)1∶100 000地形圖對(duì)HJ-CCD影像進(jìn)行幾何粗校正，然后再利用地面實(shí)測(cè)的GPS控制點(diǎn)對(duì)GF-WFV影像進(jìn)行幾何精校正，以保證GF-WFV影像的精度能夠小于1個(gè)像元；大氣校正和反射率轉(zhuǎn)換采用經(jīng)驗(yàn)線性法轉(zhuǎn)換[29]進(jìn)行；在研究區(qū)選擇代表性水體作為低反射定標(biāo)物，空曠水泥路面作為高反射定標(biāo)物。采用軟件定標(biāo)模塊對(duì)GF-WFV影像進(jìn)行定標(biāo)，利用絕對(duì)定標(biāo)系數(shù)將DN值圖像轉(zhuǎn)換為輻亮度圖像的公式為L(zhǎng)ε(λε)=Gain*(DN + Bias)，其中Gain為定標(biāo)斜率，DN 為衛(wèi)星載荷觀測(cè)值， Bias為定標(biāo)截距，Lε(λε)為輻亮度，轉(zhuǎn)換后單位為W·m-2·s-1。

1.4 數(shù)據(jù)分析與利用

首先，利用ENVI系統(tǒng)的IDL(interactive data language，交互式數(shù)據(jù)語(yǔ)言)工具提取定位點(diǎn)在孕穗期和開(kāi)花期影像上對(duì)應(yīng)波段的反射率值，依據(jù)植被指數(shù)(表2)及植被指數(shù)變化量的計(jì)算公式，計(jì)算植被指數(shù)變化量。然后，以2018年試驗(yàn)數(shù)據(jù)為訓(xùn)練樣本，研究冬小麥孕穗-開(kāi)花期主要長(zhǎng)勢(shì)變化量參數(shù)和產(chǎn)量及其與植被指數(shù)變化量間的定量關(guān)系，以逐步回歸方法確定目標(biāo)長(zhǎng)勢(shì)變化量參數(shù)；并分析目標(biāo)長(zhǎng)勢(shì)變化量參數(shù)與植被指數(shù)變化量的定量關(guān)系，篩選敏感植被指數(shù)變化量參數(shù)，構(gòu)建以敏感植被指數(shù)參數(shù)為自變量、目標(biāo)長(zhǎng)勢(shì)變化量為因變量的遙感監(jiān)測(cè)模型。最后，將2017年試驗(yàn)數(shù)據(jù)作為檢驗(yàn)樣本，以決定系數(shù)(r2)和均方根誤差(RMSE)為評(píng)價(jià)參數(shù)，綜合評(píng)價(jià)監(jiān)測(cè)模型的定量化水平和可信度，建立預(yù)測(cè)值和實(shí)測(cè)值間的1∶1關(guān)系，并制作主要長(zhǎng)勢(shì)變化量及長(zhǎng)勢(shì)等級(jí)分布空間量化分布圖。

△VI=|VI1-VI2|,△GP=|GP1-GP2|

式中，VI(vegetation index)為植被指數(shù)，ΔVI 為植被指數(shù)變化量，VI1為開(kāi)花期植被指數(shù)，VI2為孕穗期植被指數(shù)，其中GP(growth parameter)為長(zhǎng)勢(shì)參數(shù)，ΔGP為長(zhǎng)勢(shì)變化量，GP1為開(kāi)花期長(zhǎng)勢(shì)參數(shù)，GP2為孕穗期長(zhǎng)勢(shì)參數(shù)，GP在本研究中指LNC、CHL、AB和LAI。

表1 影像的各參數(shù)

表2 研究選用的植被指數(shù)

2 結(jié)果與分析

2.1 小麥長(zhǎng)勢(shì)變化量指標(biāo)的篩選

對(duì)2018年數(shù)據(jù)(表3)相關(guān)分析結(jié)果(表4)可知，冬小麥產(chǎn)量與孕穗-開(kāi)花期ΔCHL呈顯著相關(guān)，與ΔLNC、ΔAB和ΔLAI呈極顯著正相關(guān)，其中與ΔLNC的關(guān)系最密切(r=0.818)；ΔLNC與ΔAB和ΔLAI呈極顯著正相關(guān)。通過(guò)逐步回歸分析，選擇ΔLNC和ΔCHL為自變量建立產(chǎn)量(Y)預(yù)測(cè)模型，模型為Y=3 694.9+ 1 911.838 ΔLNC+3 473.508 ΔCHL，F(xiàn)=87.919，r2= 0.69。

表3 冬小麥長(zhǎng)勢(shì)統(tǒng)計(jì)結(jié)果

表4 冬小麥產(chǎn)量和孕穗-開(kāi)花期長(zhǎng)勢(shì)變化量間的相關(guān)系數(shù)(2018年，n=81)

2.2 小麥長(zhǎng)勢(shì)變化量與植被指數(shù)變化量的關(guān)系及監(jiān)測(cè)模型建立

相關(guān)分析(表5)發(fā)現(xiàn)，在冬小麥孕穗-開(kāi)花期，ΔLNC與ΔNRI呈顯著相關(guān)，與ΔNDVI、ΔGNDVI、ΔSIPI、ΔPSRI、ΔRVI和ΔSAVI均呈極顯著相關(guān)，其中與ΔNDVI關(guān)系最密切(r= 0.853)；ΔCHL與ΔSIPI、ΔPSRI和ΔDVI呈顯著相關(guān)，與ΔNDVI、ΔNRI、ΔGNDVI、ΔRVI和ΔSAVI均呈極顯著相關(guān)，其中與ΔRVI關(guān)系最密切(r=0.837)。因此，在孕穗-開(kāi)花期以ΔNDVI和ΔRVI分別作為監(jiān)測(cè)ΔLNC和ΔCHL的最敏感衛(wèi)星遙感植被指數(shù)變量，并通過(guò)線性回歸分析，建立孕穗-開(kāi)花期冬小麥主要長(zhǎng)勢(shì)變化量監(jiān)測(cè)模型(圖1)。

2.3 冬小麥主要長(zhǎng)勢(shì)變化量監(jiān)測(cè)模型的和驗(yàn)證

為評(píng)價(jià)所建立的主要長(zhǎng)勢(shì)變化量遙感監(jiān)測(cè)模型的可靠性，以2017年試驗(yàn)數(shù)據(jù)為檢驗(yàn)樣本，分析孕穗-開(kāi)花期主要長(zhǎng)勢(shì)變化量預(yù)測(cè)值與實(shí)測(cè)值的定量關(guān)系，并繪制1∶1關(guān)系圖(圖2)，以r2和RMSE為指標(biāo)對(duì)模型精度進(jìn)行檢驗(yàn)。結(jié)果表明，所建立的主要長(zhǎng)勢(shì)變化量預(yù)測(cè)值與實(shí)測(cè)值之間均具有密切關(guān)系，r2和RMSE均達(dá)到理想水平，且F>F0.05，線性關(guān)系顯著。由此表明，在孕穗-開(kāi)花期以ΔNDVI和ΔRVI分別作為監(jiān)測(cè)ΔLNC和ΔCHL的最敏感衛(wèi)星遙感植被指數(shù)變量是可行的，所建監(jiān)測(cè)模型可靠，且精度較高，尤其在孕穗-開(kāi)花期基于ΔNDVI監(jiān)測(cè)ΔLNC最可靠，即r2最大，RMSE較理想，其值分別為0.70、0.39。

表5 冬小麥孕穗-開(kāi)花期植被指數(shù)變化量和篩選的長(zhǎng)勢(shì)變化量參數(shù)的相關(guān)系數(shù)(2018年，n=81)

圖1 孕穗-開(kāi)花期冬小麥主要長(zhǎng)勢(shì)變化量的遙感監(jiān)測(cè)模型

圖2 監(jiān)測(cè)模型可靠性檢驗(yàn)

2.4 冬小麥長(zhǎng)勢(shì)變化量指標(biāo)專題圖

利用2018年冬小麥孕穗期和開(kāi)花期GF-WFV影像，依據(jù)表1、植被指數(shù)和長(zhǎng)勢(shì)變化量計(jì)算公式及長(zhǎng)勢(shì)預(yù)測(cè)模型生成ΔLNC和ΔCHL敏感植被指數(shù)變化量數(shù)值，逐像元求算；結(jié)合冬小麥的物候特征，運(yùn)用多期閾值限定的方法進(jìn)行冬小麥種植區(qū)域分類，以樣本驗(yàn)證保證提取精度，對(duì)植被指數(shù)變化量數(shù)值圖進(jìn)行掩膜；然后疊加揚(yáng)泰地區(qū)行政區(qū)劃矢量數(shù)據(jù)，繪制2018年揚(yáng)泰地區(qū)冬小麥孕穗-開(kāi)花期ΔLNC和ΔCHL的空間量化遙感估測(cè)圖(圖3)。依據(jù)產(chǎn)量預(yù)測(cè)模型和長(zhǎng)勢(shì)模型，生成長(zhǎng)勢(shì)空間分布量化分級(jí)遙感估算圖(圖4)。

將△LNC和△CHL監(jiān)測(cè)模型代入冬小麥產(chǎn)量模型，建立冬小麥長(zhǎng)勢(shì)動(dòng)態(tài)(G)監(jiān)測(cè)模型，則G=8 538.268△NDVI+639.125ΔRVI+ 3 533.617；利用基于△NDVI的△LNC監(jiān)測(cè)模型及基于△RVI的△CHL監(jiān)測(cè)模型計(jì)算，將長(zhǎng)勢(shì)分為長(zhǎng)勢(shì)差(G<5 345.52),長(zhǎng)勢(shì)一般(G為 5 345.52～6 648.79和長(zhǎng)勢(shì)旺(G>6 648.79)三級(jí)。從圖3、圖4來(lái)看，研究區(qū)ΔLNC大部分以0.5%～1%為主，冬小麥長(zhǎng)勢(shì)一般;在寶應(yīng)的中部及南部地區(qū)、江都東部、興化南部等地區(qū)，ΔLNC以大于1%為主，冬小麥長(zhǎng)勢(shì)旺；在寶應(yīng)北部和高郵中部等地區(qū)，ΔLNC小于0.5%，冬小麥長(zhǎng)勢(shì)差。研究區(qū)ΔCHL大部分以0.2～0.3 mg·L-1FW為主，冬小麥長(zhǎng)勢(shì)長(zhǎng)勢(shì)一般；在寶應(yīng)的中部及南部地區(qū)、江都東部、興化南部等地區(qū)，以大于0.3 mg·L-1FW為主，冬小麥長(zhǎng)勢(shì)旺。在寶應(yīng)北部和高郵中部等地區(qū)，ΔCHL小于0.2 mg·L-1FW，冬小麥長(zhǎng)勢(shì)差。

圖3 孕穗-開(kāi)花期冬小麥主要長(zhǎng)勢(shì)變化量的遙感監(jiān)測(cè)等級(jí)分布空間的量化表達(dá)

圖4 孕穗-開(kāi)花期冬小麥長(zhǎng)勢(shì)遙感監(jiān)測(cè)等級(jí)分布空間的量化表達(dá)

3 討 論

高分辨率影像對(duì)地物的識(shí)別能力較強(qiáng)，能夠反映更豐富的地物細(xì)節(jié)，但在覆蓋區(qū)域的尺度及時(shí)效性上無(wú)法適應(yīng)農(nóng)作物連續(xù)監(jiān)測(cè)的需求，且費(fèi)用較高，不適合在作物生產(chǎn)中推廣應(yīng)用。中國(guó)自高分專項(xiàng)實(shí)施以來(lái)，高分系列衛(wèi)星陸續(xù)投入使用，所獲數(shù)據(jù)質(zhì)量不斷提高，部分?jǐn)?shù)據(jù)已免費(fèi)提供給用戶使用，成為區(qū)域性作物長(zhǎng)勢(shì)遙感監(jiān)測(cè)可靠的數(shù)據(jù)源。為平衡空間分辨率和時(shí)間分辨率，本研究選用時(shí)效性強(qiáng)且免費(fèi)的GF-WFV衛(wèi)星影像。GF-WFV多光譜影像空間分辨率為16 m，時(shí)間分辨率為4 d，單景影像掃描幅寬為800 km，基本滿足本研究區(qū)域種植結(jié)構(gòu)復(fù)雜、冬小麥田塊較小且分散零碎的生產(chǎn)現(xiàn)狀需求。

作物的生長(zhǎng)監(jiān)測(cè)已取得了較好進(jìn)展，但大多集中在單一時(shí)期內(nèi)遙感參數(shù)和農(nóng)學(xué)指標(biāo)的定量關(guān)系上[6,30-32]，模型易過(guò)度依賴于NDVI等參量，較少?gòu)纳韺用嫔钊胩矫鬟@種定量關(guān)系的機(jī)理性，導(dǎo)致模型的時(shí)空拓展性較差。作物因生長(zhǎng)發(fā)育會(huì)在影像上呈現(xiàn)光譜特征的變化，而這種變化間接反映作物生長(zhǎng)發(fā)育進(jìn)程。本研究通過(guò)串聯(lián)冬小麥孕穗期和開(kāi)花期，分析這兩個(gè)時(shí)期間生長(zhǎng)參數(shù)的變化量與植被指數(shù)變化量的定量關(guān)系，實(shí)現(xiàn)冬小麥生長(zhǎng)變化量的動(dòng)態(tài)監(jiān)測(cè)。有研究表明，遙感監(jiān)測(cè)的結(jié)果一般在小麥拔節(jié)期以后較為理想[30]。孕穗期和開(kāi)花期是冬小麥生長(zhǎng)兩個(gè)關(guān)鍵時(shí)期。孕穗期是決定冬小麥穗數(shù)和穗粒數(shù)的關(guān)鍵時(shí)期；開(kāi)花期是冬小麥體內(nèi)新陳代謝最旺盛生長(zhǎng)時(shí)期，正是小麥產(chǎn)量形成的關(guān)鍵時(shí)期。因此，監(jiān)測(cè)冬小麥孕穗-開(kāi)花期的生長(zhǎng)變化量對(duì)最終產(chǎn)量的估算具有重要的指導(dǎo)意義。

本研究在生長(zhǎng)量變化量指標(biāo)的篩選上與以往研究較為不同，通過(guò)探討了主要生長(zhǎng)變化量與產(chǎn)量間的定量關(guān)系，逐步回歸確定對(duì)產(chǎn)量貢獻(xiàn)較大的生長(zhǎng)變化量指標(biāo)，進(jìn)一步增強(qiáng)了遙感的機(jī)理性和重演性，體現(xiàn)了本研究的創(chuàng)新點(diǎn)。本研究主要生長(zhǎng)變化量指標(biāo)及最終長(zhǎng)勢(shì)以空間分布形式直觀分級(jí)量化顯示，直接反映區(qū)域范圍內(nèi)冬小麥的生長(zhǎng)狀況，從而為田間生產(chǎn)的調(diào)優(yōu)栽培提供可靠的生長(zhǎng)動(dòng)態(tài)信息，便于管理者定性和定量分析，為制定一系列措施提供參考。相較地面采集高光譜數(shù)據(jù)的方式，本研究所使用的衛(wèi)星遙感數(shù)據(jù)具有覆蓋范圍大、工作量小、處理分析快速的特點(diǎn)，與作物生長(zhǎng)同步，客觀反映作物的生長(zhǎng)現(xiàn)狀，實(shí)現(xiàn)了信息的粒度由“點(diǎn)”到“面”的快速轉(zhuǎn)化。

本研究所用的光學(xué)遙感影像分析，較激光等主動(dòng)遙感對(duì)于垂直結(jié)構(gòu)分布只能提供有限信息，導(dǎo)致從光學(xué)影像上提取的長(zhǎng)勢(shì)信息容易出現(xiàn)區(qū)域性光譜信號(hào)飽和[33]。此外，局限于光譜特征所帶來(lái)的“同物異譜”和“異物同譜”，降低了遙感監(jiān)測(cè)結(jié)果的實(shí)用性。為充分利用遙感信息，提高監(jiān)測(cè)的準(zhǔn)確性，應(yīng)充分考慮田塊全尺度信息、農(nóng)事信息、作物信息和物候信息，集成融合多時(shí)相、多維、多源遙感數(shù)據(jù)，建立區(qū)域尺度下機(jī)理性定量模型，增強(qiáng)遙感監(jiān)測(cè)的適用性與可信度。