兩種葉面積指數動態模擬方法的對比研究

張學藝，李劍萍，官景得，秦其明，馬力文，曹 寧

兩種葉面積指數動態模擬方法的對比研究

張學藝1，2，李劍萍1，官景得1，秦其明3，馬力文1，曹 寧1

(1.寧夏氣象防災減災重點實驗室，銀川 750002;2.南京信息工程大學，南京 210044;3.北京大學遙感與地理信息系統研究所，北京 100871)

為了獲得寧夏灌區春小麥葉面積指數(Leaf Area Index，LAI)動態模擬的最佳方法，根據寧夏灌區典型農業試驗觀測站春小麥LAI的大田觀測數據，分別運用農業氣象學和遙感反演等方法模擬春小麥LAI的動態變化，并對兩種方法的模擬精度進行綜合對比分析。結果表明，運用分段函數(三葉至抽穗期運用遙感反演法，抽穗至乳熟期運用農業氣象學法)能最優模擬春小麥全生育期LAI的動態變化。

MODIS;LAI;動態模擬;對比

0 引言

葉面積指數(Leaf Area Index，LAI)是陸面生態系統中最為重要的特征參數之一［1］，也是作物生長模型中重要的生理參數［2］。LAI的動態模擬法按學科可劃分為農業氣象學法和遙感反演法兩種。前者是基于Logistic生長曲線或其修正形式的半經驗公式法，該方法不但具備一定的生物學意義，而且還由于算法引入的氣象因子少(常為生理日數、積溫、日照、降水等農業氣象因子)、模擬效果好和宜于業務推廣而常被用作農業氣象學的LAI動態模擬［3－5］，但其不足之處在于獲取大范圍LAI信息的能力不足;遙感技術被認為是獲取區域尺度LAI信息最為有效的方式，且能夠動態修正生態系統模型模擬過程中的LAI參數，提高模型模擬精度［6］，是當前遙感發展的大趨勢［7］。遙感反演法可分為植被指數法和模型法［8］兩種，植被指數法由于具有方法簡單、輸入參數少、運算時間短及模擬效果好等特點，常被用作LAI反演。基于Logistic生長曲線或其修正形式的LAI動態模擬方法和基于植被指數的遙感反演LAI動態模擬方法分別是農業氣象學和遙感學中常用的且效果都已得到普遍認可的方法。前者的研究時間早且較深入，已形成了比較成熟的理論體系;后者出現較前者晚，雖然理論體系形成較早，但其應用發展遠遠跟不上日新月異的遙感觀測技術的發展。另外，隨著農業信息化的飛速發展，學科間的交叉研究越來越受到關注，耦合方法的研究、數據同化的研究等逐漸成為今后發展的主流。就當前的研究現狀而言，往往是對某一學科領域的某一方面研究比較多，學科間的對比研究相對較少。

本文以永寧國家一級農業試驗站2005～2009年期間同一品種(永良4號)的大田觀測資料以及對應的農業氣象因子、MODIS衛星遙感資料為依據，對比分析了農業氣象學和遙感學兩學科中兩種常用的LAI動態模擬方法在寧夏河套灌區春小麥中的監測及預測應用效果，為今后開展基于LAI這一關鍵參數的科研及業務應用進行探索。

1 觀測區概況及數據處理

1.1 觀測區概況

測區位于寧夏引黃灌區的中部，海拔1 116.7 m，面積20～100 hm2;測區晝夜溫差大、日照時間長;小麥品種為永良4號，屬中晚熟種，是近10 a來寧夏主要的春小麥品種;種植方式為套作條播，播量375 kg/hm2，播種時條播機施磷酸二銨150 kg/hm2、復合肥料300 kg/hm2，其他時段人工撒施尿素300 kg/hm2，黃河水自流灌溉，灌溉量 0.06 m3/m2。測區中心位置如圖1所示。

圖1 觀測點位置Fig.1 The place of observation point

1.2 農業氣象數據處理

農業氣象數據選擇的是2005～2009年間觀測點春小麥發育期的相關數據及LAI的大田觀測數據，其中LAI定義為

式中，Lij、Bij分別為葉片的長度和最大寬度;n為第j個莖蘗春小麥總葉片數;m為測定的總莖蘗數;k為葉面積訂正系數，寧夏地區取0.83［9］;ρ為群體密度。

根據王信里的研究［3］，生理日數(Physical Days，PD)是模擬葉面積指數動態變化的一個較好因子，定義為從出苗至觀測時的天數;根據潘學標［10］的研究，溫帶氣候條件下積溫(Accumulated Temperature，AT)是影響小麥發育的主要因子;根據李福生等的研究［11］，寧夏地區春小麥日照時數(Sunshine Hours，SH)與LAI呈明顯正相關，而寧夏引黃灌區春小麥發育期間水分條件充足，故不考慮降水影響。因此，本文整理了2005～2009年春小麥觀測時段寧夏永寧縣氣象局觀測的逐日平均氣溫和日照時數，并對相關數據進行歸一化處理。歸一化生理日數(Normalized Physical Days，NPD)、歸一化有效積溫(Normalized Effective Accumulated Temperature，NEAT)及歸一化日照時數(Normalized Sunshine Hours，NSH)分別定義為

式中t1、t2分別為出苗日期和測定日期;T、S分別為日平均氣溫和日照時數;PDmax、EATmax及SHmax分別為觀測當年出苗至成熟期最長生理日數、最大有效積溫和最大累積日照時數。

1.3 遙感數據處理

遙感數據為2005～2009年間春小麥LAI測定時段過寧夏境的MODIS/Terra資料。首先，用國家氣象局星地通公司開發的軟件對資料進行定標、反射率/亮溫轉換及去條紋等處理，生成250 m分辨率、2 000像元×1 600像元的寧夏區域局地文件;然后，利用ENVI 4.2的Band Math模塊計算各種植被指數，制作通過GPS調查獲得的LAI測定區域*.ROI文件，從而得到與測點LAI空間尺度相匹配的植被指數平均值。植被指數選取常用的差值植被指數(DVI)、比值植被指數(RVI)、垂直植被指數(PVI)、歸一化植被指數(NDVI)、土壤調節植被指數(SAVI)、轉換型土壤調節植被指數(TSAVI)、增強型植被指數(EVI)、大氣調節植被指數(IAVI)和近年研制出的歸一化差異光譜指數(NDSI)、再次歸一化光譜指數(RDSI)［12］。各種植被指數的表達式分別為

式(3)～ (12)中，ρnir、ρred、ρblue及 ρwater分別對應MODIS第2、1、3及19通道的近紅外、紅光、藍光及水汽通道反射率值;L為土壤調節參數(這里取1);C1=6.0，C2=7.5;a、b 為常數，分別取 10.489 和6.6047;γ為光路輻射訂正系數，變化范圍介于0.65 ～1.21 之間(本文取1.0)。

1.4 數據分析

采用EXCEL進行基礎數據的輸入、輸出及轉換，用SPSS 13.0、Origin 8.0 對數據進行相關性分析及函數模擬。

1.5 模型檢驗

采用決定系數(R2)、均方根誤差(RMSE)［13］和準確度等概念［14］對春小麥LAI的模擬值和實測值之間的符合度進行檢驗。其中，均方根誤差定義為

式中，yi、y'i分別為觀測值與模擬值;N為樣本數。

2 結果分析

2.1 基于農業氣象數據的LAI動態模擬

分別以NPD、NEAT、NSH為指標，用不同函數的線性及非線性統計分析方法對LAI進行模擬，結果表明:三葉至乳熟期以三次曲線模擬效果最好;三葉至抽穗期以冪函數模擬效果最好，且效果明顯提高;抽穗至乳熟期以指數模擬效果最好，但相比前兩個發育期，模擬效果明顯下降(表1)。

表1 用農業氣象學方法模擬春小麥LAI的結果①Tab.1 The simulated results of spring wheat LAI by the agricultural meteorology methods

2.2 基于遙感植被指數法的LAI動態模擬

將基于MODIS數據得到的各種植被指數與LAI進行相關統計分析，結果表明:除RDSI和NDSI兩指數與LAI不相關外，其他植被指數與LAI均呈顯著相關。其中，DVI、EVI與LAI呈冪相關;IAVI與LAI呈指數相關，NDVI、SAVI與LAI呈S型曲線相關，PVI、RVI、TSAVI與 LAI呈三次曲線相關。

此外，對不同發育階段各植被指數與LAI進行統計分析，結果表明:各發育階段NDSI、RDSI及抽穗至乳熟期各植被指數與LAI均不相關;三葉至抽穗期均顯著相關，模擬效果從好至壞依次為NDVI、EVI、IAVI和 DVI，其中，DVI、EVI與 LAI呈冪相關，IAVI、PVI、TSAVI與LAI呈三次曲線相關，NDVI、SAVI與 LAI呈S型曲線相關，RVI與LAI呈逆曲線相關(表2)。

表2 用遙感植被指數法模擬春小麥LAI的結果Tab.2 The simulated results of spring wheat LAI by the remote sensing VI methods

2.3 兩種方法對LAI動態模擬效果的對比

一個最優的模型不僅應具有較高的R2，還應具有較小的 RMSE 和較高的精確度［15］。根據2.1、2.2的研究結果，可分別得到兩種模擬方法的最優模擬模型。

農業氣象學方法的模擬模型為

式中，x1為三葉至抽穗期NSH值;x2為抽穗至乳熟期NSH值。

遙感反演法的模擬模型為

式中，x1為三葉至抽穗期對應NDVI值;x2為抽穗至乳熟期NDVI值。

綜合采用R2、RMSE及準確度3個統計量對兩模擬方法進行效果評價后認為:三葉至乳熟期農業氣象學法綜合模擬精度高于遙感反演法;三葉至抽穗期遙感反演法略好于農業氣象學法;抽穗至乳熟期農業氣象學法好于遙感法，遙感學法模擬LAI效果不理想。具體結果見表3。

表3 不同方法模擬春小麥LAI的結果Tab.3 The simulated results of spring wheat LAI by different methods

2.4 寧夏春小麥LAI最優模擬模型

根據2.3的研究結論，寧夏灌區春小麥三葉至抽穗期用遙感植被指數反演法、抽穗至乳熟期用農業氣象學法的分段模擬LAI效果最好，模型為

式中，x1為三葉至抽穗期NDVI值;x2為抽穗至乳熟期NSH值。

2.5 實例檢驗

對沒有參與建模的2007年觀測數據進行檢驗，用2.4節中的最優模型模擬LAI，并進行綜合精度評價，得 R2=0.967，RMSE=0.415，準確度為1.128 9，說明模型能夠較好地模擬LAI的動態變化(圖2)。

圖2 模型預測的實例檢驗(2007)Fig.2 A test based on the truth example(2007)

3 結論

本文在前人研究基礎上，以2005～2009年寧夏永寧國家一級農業試驗站春小麥大田觀測數據為依據，對比分析評價了農業氣象學和遙感學兩學科中兩種常用的LAI動態模擬方法，得出以下主要結論:

(1)應用農業氣象學方法模擬LAI時，用日照時數為變量的三次曲線模擬效果最好;用遙感植被指數法模擬LAI時，用NDVI為變量的S型曲線模擬效果最好;

(2)兩種LAI動態模擬方法各有優缺點，遙感植被指數法能夠較好地模擬抽穗期以前的LAI動態變化，農業氣象學法能夠比較好地模擬抽穗期以后的LAI動態變化，如果將兩者結合起來就能最優地模擬春小麥全生育期的LAI動態變化。

(3)兩種模型最大的區別是，農業氣象學法模擬空間分辨率低，而且獲得的是點資料信息，而且僅是對LAI的可能性預估;遙感植被指數反演法具有客觀真實的特點，是“看得見”的真實存在的狀態，獲得的是區域面域格點信息。如何提高兩者的耦合研究是當前乃至今后一段時間發展的大趨勢。

［1］ Jiang B，Liang S L，Wang J D，et al.Modeling MODIS LAI Time Series Using Three Statistical Methods［J］.Remote Sensing of Environment，2010，114(7):1432 －1444.

［2］ 陳雪洋，蒙繼華，杜 鑫，等.基于環境星CCD數據的冬小麥葉面積指數遙感監測模型研究［J］.國土資源遙感，2010(2):55－58，62.

［3］ 王信理.在作物干物質積累的動態模擬中如何合理運用Logistic方程［J］.中國農業氣象，1986，7(1):1419.

［4］ 涂修亮，胡秉民，程功煌，等.小麥葉面積指數變化的模擬［J］.作物研究，1999(1):13－14.

［5］ 張 賓，趙 明，董志強，等.作物高產群體LAI動態模擬模型的建立與檢驗［J］.作物學報，2007，33(4):612 －619.

［6］ Propastin P，Erasmi E.A Physically Based Approach to Model LAI from MODIS 250 m Data in a Tropical Region［J］.International Journal of Applied Earth Observation and Geoinformation，2010，12(1):47－59.

［7］ 方秀琴，張萬昌.葉面積指數(LAI)的遙感定量方法綜述［J］.國土資源遙感，2003(3):58－62.

［8］ 李 靜.新疆棉花長勢和旱情定量遙感監測模型與方法研究［D］.北京:中國科學院遙感研究所，2007.

［9］ 國家氣象局.農業氣象觀測規范(上卷)［M］.北京:氣象出版社，1993:28－30.

［10］潘學標.作物模型原理［M］.北京:氣象出版社，2003:1216.

［11］李福生，官景得，呂巡均.寧夏灌區春小麥葉面積變化的氣象條件分析［J］.現代農業科技，2009(21):238 －240.

［12］張 霞，張 兵，衛 征，等.MODIS光譜指數監測小麥長勢變化研究［J］.中國圖象圖形學報，2005，10(4):420 －424.

［13］ Felix Morsdorf，Benjamin K?tz，Erich Meier，et al.Estimation of LAI and Fractional Cover from Small Footprint Airborne Laser Scanning Data Based on Gap Fraction［J］.Remote Sensing of Environment，2006，104(1):50 － 61.

［14］ Hunt L A，Pararajasingham S.CROPSIM － WHEAT:Model Describing the Growth and Development of Wheat［J］.Canadian Journal of Plant Science，1995，75(3):619 －632.

［15］譚昌偉，黃義德，黃文江，等.夏玉米葉面積指數的高光譜遙感植被指數法研究［J］.安徽農業大學學報，2004，31(4):392－397.

A Comparative Study of Two Dynamic Simulated Methods for Spring Wheat Leaf Area Index in Ningxia Irrigation Area

ZHANG Xue － yi1，2，LI Jian － ping1，GUAN Jing － de1，QIN Qi－ ming3，Ma Li－ wen1，CAO Ning1
(1.Ningxia Key Laboratory for Meteorological Disaster Prevention and Reduction，Yinchuan 750002，China;2.Nanjing Information Engineering University，Nanjing 210044，China;3.Institute of Remote Sensing and GIS，Peking University，Beijing 100871，China)

In order to obtain the best dynamic simulation method for the Leaf Area Index(LAI)of the spring wheat in Ningxia irrigation area，the authors，based on the spring wheat LAI data observed over the land from the typical agrometeorological experiment station in Ningxia irrigating area，used the agrometeorological method and the remote sensing inverting method to simulate the dynamic changes of the LAI and then to compare the simulation accuracies of the two kinds of methods.The best simulated model for the spring wheat LAI in the whole growth period was eventually obtained.It is revealed that，when LAI is less than 4.5 and PD is less than 40，the remote sensing inverting method should be adopted for simulation，and when PD is more than 40，the agrometeorological method should be employed，and only by combination of the two methods can the best result be achieved.

MODIS;LAI;Dynamic simulation;Contrast

TP 79

A

1001－070X(2011)03－0043－05

2010－11－24;

2011－05－20

中國氣象局氣象行業科研專項(編號:GYHY200806022)、科技部農業科技成果轉化資金項目(編號:2006GB24160429)及寧夏自治區科技攻關項目(編號:KGZ－16－10－09)共同資助。

張學藝(1978－)，男，研究生在讀，現主要從事農業氣象與生態遙感方面的應用與研究。

(責任編輯:刁淑娟)