小麥生物量和真實葉面積指數的高光譜遙感估算模型

侯學會，牛 錚，黃 妮，許時光

(1.中國科學院遙感與數字地球研究院遙感科學國家重點實驗室，數字地球重點實驗室，北京 100094;2.中國科學院研究生院，北京100049)

小麥生物量和真實葉面積指數的高光譜遙感估算模型

侯學會1，2，牛 錚1，黃 妮1，許時光1

(1.中國科學院遙感與數字地球研究院遙感科學國家重點實驗室，數字地球重點實驗室，北京 100094;2.中國科學院研究生院，北京100049)

利用大田小麥的參數數據和冠層光譜數據，基于光譜一階微分技術和光譜響應函數，構建等效MODIS植被指數，建立小麥生物量(本文指總干生物量，下同)和真實葉面積指數的高光譜遙感估算模型。結果表明:①小麥生物量與冠層光譜在552 nm，721 nm處呈現最顯著相關關系，葉面積指數與冠層光譜的相關性在400～1100 nm范圍內較顯著;②紅邊位置與生物量的關系最為顯著，相關系數R為0.818;③6種等效MODIS植被指數中，增強型植被指數對生物量最為敏感;④紅邊位置估算小麥總生物量的指數模型最優，決定系數R2為0.829;⑤增強型植被指數與小麥葉面積指數的指數模型擬合度最強，決定系數R2為0.94。利用實測光譜模擬MODIS等效反射率構建植被指數反演小麥參數的方法，可為利用衛星數據進行大面積、無破壞和及時獲取地面植被信息研究提供重要手段。

小麥;生物量;真實葉面積指數;高光譜遙感

0 引言

葉面積指數(leaf area index，LAI)是表征植被冠層結構最基本的參量之一，通常作為遙感估測作物產量和土壤水分蒸散量模型的輸入參數［1］。生物量是作物長勢監測的一個重要指標［2－3］，與LAI有密切關系。生物量可以反映作物長勢，作為監測和估測作物產量的基本因子，農田生物量是全球碳循環的重要組成部分，對農田作物生物量進行監測，可以為陸地生態系統中的能量平衡和能量流動研究提供基礎數據。

對LAI和生物量的小尺度測量，傳統的抽樣統計方法已經做了很多有效的工作，但抽樣方法需大量人力和物力，且時間周期長，覆蓋面積小。遙感技術的出現以及圖譜合一的高光譜遙感數據的獲取，使得對大范圍地表植被理化生物學性狀的分析成為可能。Casanova［4］，Hansen［5］利用實測光譜數據，分別建立了水稻、小麥的地上生物量和LAI的高光譜估算模型;Thenkabil等［6］基于不同作物的地面測量光譜研究發現，650～700 nm，500～550 nm及900～940 nm等3個范圍的譜段是估算作物地上總干重的敏感譜段;宋開山等［7］建立了以比值植被指數為變量的大豆地上鮮生物量的高光譜估算模型;黃春燕等［8－9］利用高光譜數據估算棉花地上鮮生物量;張霞等［10］利用地面實測光譜數據構建MODIS光譜指數，通過構建歸一化差異光譜指數和再次歸一化光譜指數對小麥地上部分的干重進行了分析，其效果明顯優于MODIS自身的NDVI和EVI產品。

研究表明，在小麥生育期內，約有30% ～60%光合碳轉運到根系中［11］，但目前對包括小麥根系在內的總生物量的研究鮮見報道。本文利用實測作物地面高光譜數據，選取關鍵光譜參數，并根據MODIS波段響應函數，模擬MODIS前4個通道的等效光譜，建立多種植被指數，通過相關分析，建立小麥總干生物量和真實葉面積指數的高光譜遙感估算模型，為利用衛星遙感數據進行大面積、無破壞和及時監測小麥生長狀況和正確估算農田生態系統碳儲量提供科學參考。

1 材料與方法

1.1 實驗設計

實驗區位于北京市昌平區小湯山國家精準農業基地(E116.44°，N40.18°)。實驗作物為京東 12 號小麥，2010年10月播種，大田種植，正常水肥管理。自2011－04－02至2011－06－02期間，每隔5～9 d，隨機在大田里選取樣本點進行小麥光譜和生物量相關參數(地上、地下生物量和LAI)測量，其中，2011－04－02的實驗選取4個40 cm×40 cm的樣本，2011－04－09至2011－06－02實驗選取8個20 cm×20 cm的樣本進行分析(表1)。

表1 實驗小麥光譜測量情況及其對應的小麥生育期Tab.1 Spectral measurement of experimental wheat and its corresponding wheat growth period

1.2 小麥冠層光譜與參數獲取

采用ASD FieldSpec Pro Fr2500便攜式光譜儀進行小麥冠層光譜測量，光譜范圍為400～2500 nm，光譜分辨率為1 nm。測量時選擇晴朗無云的天氣，時間控制在10:00～12:00。測量時傳感器探頭垂直向下，距離冠層頂部垂直高度約100 cm左右。光譜采樣以5個光譜數據為一組，即每個樣本每次記錄5個光譜，以其平均值作為該區小麥的光譜反射率值。在對每個樣本光譜測量之前，都先進行白板校正。

采集樣本光譜時同步進行小麥參數采樣。地上生物量采用收獲法、地下生物量采用挖掘法獲取。在實驗室內，將小麥植株的莖、葉分開，洗凈根，分別稱量小麥植株各器官的鮮重、干重，取同次實驗中樣本數據的平均值作為該生長期小麥的生物量值，并計算單位面積的生物量。小麥LAI值以干重法測得。

1.3 光譜分析

1.3.1 紅邊位置提取

采用一階微分分析法，提取紅邊內(680～760 nm)最大一階微分值對應的波長，即紅邊位置(red edge position，REP)。光譜的一階微分近似計算方法為

式中:λi為紅邊內每個波段的波長;為波長 λi的一階微分值;Rλi+1和 Rλi－1為波長 λi+1和 λi－1的反射率; Δλ 為 λi－1到 λi+1的波長間隔。

1.3.2 綠峰和紅谷位置的確定

綠峰峰值RG為綠光范圍內(510～560 nm)最大的光譜反射率，其對應的波長位置標示為λG;紅光吸收谷RG是620～760 nm范圍內最小的光譜反射率，對應波長位置記為λR;建立綠峰與紅谷的比值RG/RR和綠峰與紅谷的歸一化值(RG－RR)/(RG+RR)。

1.3.3 植被指數構建

MODIS信號的響應依賴于其波段的光譜響應函數，而地面觀測的高光譜數據是連續的。為此，將ASD光譜儀測量獲得的連續的高光譜反射率數據轉換為MODIS傳感器的等效反射率。轉換模型為

式中:Req為模擬的等效測量反射率;RASD(λ)為ASD光譜儀測量獲得的高光譜反射率;fMOD(λ)為傳感器目標波段的光譜響應函數。

根據該光譜響應函數，將ASD光譜儀測量的光譜反射率轉換為MODIS傳感器的前3個波段的等效反射率，即紅波段(B1，620～670 nm)、近紅外波段(B2，841～876 nm)及藍波段(B3，459 ～479 nm)以構建植被指數。圖1為MODIS傳感器在藍波段、紅波段和近紅外波段的光譜響應函數。

利用模擬的等效反射率，構建幾種植被指數，如表2所示。

表2 幾種植被指數定義Tab.2 Definitions of several vegetation indices

表 2 中:Rnir，Rred，Rblue分別對應模擬的MODIS波段的等效反射率;L是冠層背景的調整因子;C1和C2是權重系數，用于減小大氣氣溶膠影響。對L，C1和 C2取值近似為 1，6.0 和 7.5［12］。

本文所有的數據在EXCEL中進行錄入，采用Matlab 2009和SPSS 17.0進行相關分析處理。

2 結果與分析

2.1 小麥生物量和LAI隨時間變化趨勢

圖2為小麥生物量和LAI隨時間(小麥生育期)的變化趨勢。

圖2 小麥生物量(左)和LAI(右)隨生育期的變化Fig.2 Changes of biomass(left)and LAI(right)of wheat with growth stages

由圖2可見，小麥生物量隨生育期總體呈上升趨勢，在2011－05－28之前，即拔節期至灌漿期，總生物量迅速上升，這是因為隨著葉片數量增加和葉面積擴大，光合速率大大提高，使得各構件生物量迅速積累。在成熟初期，即2011－05－28以后，由于葉片和莖稈逐漸老化變黃，光合作用能力下降，生成的光合產物低于自身消耗，乃至脫落，小麥生物量呈現很小的下降趨勢。

LAI的變化隨小麥生長期呈拋物線型變化。在2011－04－28之前，即孕穗期之前，葉面積迅速增加，大大提高光合作用速率，為小麥植株其他器官提供營養;孕穗期之后，隨著營養向生殖器官的快速轉移，葉片逐漸老化變黃、脫落，因而LAI呈現下降趨勢。

2.2 小麥生物量、LAI與冠層光譜間的相關分析

圖3為小麥生物量，LAI與冠層光譜的相關系數。

圖3 小麥生物量、LAI與冠層光譜的相關系數Fig.3 Correlation between the biomass，LAI of wheat and spectrum

從圖3中可以看出，在400～1100 nm波長范圍內，冠層光譜與LAI的相關性都極為顯著。在400～726 nm之間，冠層光譜與 LAI呈負相關，在511 nm處達到最大值，相關系數為－0.939;在727～1100 nm波段范圍內，冠層光譜與LAI呈正相關，最大值出現在760 nm處，相關系數為0.959。小麥生物量與冠層光譜的相關性不如LAI顯著，在400～733 nm波段范圍內，小麥生物量與冠層光譜呈負相關關系，其中，在540～575 nm，700～730 nm之間形成2個波谷，以552 nm和721 nm處為最大，分別為－0.625和 －0.837; 在734～1100 nm 波段，小麥生物量與冠層光譜之間呈正相關關系，但相關性不顯著。總體上看，在400～722 nm和731～1100 nm之間，LAI與冠層光譜的相關性均達到0.05顯著性檢驗水平，而小麥生物量與冠層光譜的相關性僅在525～727 nm這一波長范圍內通過了0.05顯著性檢驗水平。

2.3 小麥生物量、LAI與冠層光譜參數、植被指數間的相關分析

本文基于原始光譜和一階微分光譜與小麥生物量相關系數較大的特征波段及其組合定義小麥冠層光譜參數，其與小麥總生物量、LAI間的相關關系如表3所示。

表3 小麥生物量、LAI與冠層光譜參數間的相關關系Tab.3 Correlation between biomass，LAI of wheat and hyperspectral parameters

從表3可以看出，光譜參數與LAI的相關性都極為顯著，均通過0.01顯著性檢驗水平，其中，(RG－RR)/(RG+RR)與 LAI的相關性最大，為0.943。而小麥生物量僅與REP的相關性通過0.01顯著性檢驗水平，相關系數為0.818，小麥生物量與RG，RR呈顯著的負相關關系，與(RG－RR)/(RG+RR)的相關系數也通過了0.05顯著性檢驗水平。

在模擬MODIS數據構建的6種植被指數(表4)中，只有RVI與小麥生物量的相關性不明顯，沒有通過顯著性檢驗水平;NDVI，EVI，DVI，RDVI，MSAVI與小麥生物量的相關性較好，均通過了0.05的顯著性檢驗水平。其中，以EVI與小麥生物量的相關系數最大，為0.657，這說明藍光波段和冠層背景調整因子的加入在一定程度上抑制了大氣和背景影響，從而提高了EVI對生物量的靈敏度。LAI與構建的6種植被指數的相關都極為顯著，相關系數達到0.92以上，均通過0.01顯著性檢驗水平。

表4 小麥生物量、LAI與植被指數之間的相關關系Tab.4 Correlation between biomass，LAI of wheat and vegetation indices

2.4 冠層光譜參數、植被指數與小麥生物量、LAI之間的估算模型

基于上述分析結果，以顯著性相關關系為原則，從表3，4中選出與小麥生物量和LAI相關系數都較大的REP，RG，RR和EVI等4個冠層光譜參數。以該4個光譜參數為自變量，小麥總干生物量和LAI為因變量，分別構建小麥總生物量和LAI遙感監測的線性和指數模型，結果如圖4所示。

圖4 小麥生物量高光譜遙感估算模型Fig.4 Hyperspectral remote sensing estimation models of biomass of wheat

從圖4可以看出，總體上來講，利用REP，RG，RR和EVI等4個冠層光譜參數構建的指數模型進行小麥總干生物量估算的效果明顯優于其線性模型，說明小麥生物量與其冠層光譜參數之間并不是簡單的線性關系。其中，利用REP構建的指數模型進行小麥總干生物量估算的決定系數最大，R2=0.829，且經F檢驗達到95%的顯著水平，明顯優于其他光譜參數的小麥生物量遙感估算模型。說明REP在一定程度上能消除環境影響，更能精確地反演植被參數［12－14］。

圖5是利用REP，RG，RR和EVI等4個冠層光譜參數為自變量構建的小麥LAI遙感估算模型。

圖5 小麥LAI高光譜遙感估算模型Fig.5 Hyperspectral remote sensing estimation models of LAI of wheat

分析圖5可以得出，利用REP，RG，RR和EVI構建小麥LAI高光譜遙感估算模型的線性和指數形式的擬合度都較優，決定系數R2均在0.6以上。其中，利用EVI與小麥LAI建立的指數形式

光譜遙感估算模型的擬合度最強。二者線性模型的擬合度也在0.91以上，且通過顯著性檢驗水平。說明利用增強型植被指數可以很好地反演植被LAI。

3 結論

本文分析了從起身期到成熟期的京東12號小麥總生物量和LAI的變化趨勢，并根據地面實測冠層高光譜數據，利用光譜一階微分技術和根據光譜效應構建的等效MODIS寬波段植被指數，建立了小麥總干生物量和LAI的高光譜遙感估算模型。

1)整個生育期內，總生物量總體呈上升趨勢，但成熟初期，有一個很小的下降趨勢。LAI在整個研究時間段內呈拋物線型變化。在400～1100 nm波段范圍內，冠層光譜參數與LAI的相關性都極為顯著，小麥生物量與冠層光譜參數的相關性不如與LAI顯著，僅在525～727 nm波段內通過了0.05顯著性檢驗水平。

2)通過光譜一階微分技術篩選出的5個關鍵波段及其2種組合中，以紅邊位置與小麥生物量的關系最為顯著，模擬的 NDVI，EVI，DVI，RDVI，MSAVI與小麥總生物量的關系都通過了0.05的顯著性檢驗水平。在構建的等效MODIS寬波段植被指數中，以EVI對生物量的靈敏度最大，與前人的研究結果較為一致［10］。LAI與篩選出的5個關鍵波段及其2種組合以及構建的6種植被指數的相關性都較為顯著，均通過0.01顯著性檢驗水平。

3)參數REP與小麥生物量之間具有較好的線性相關關系，等效MODIS—EVI與小麥LAI的指數模型的擬合度最好，可分別用來進行小麥生物量和LAI的遙感估算。

4)本研究通過波段響應函數將實測數據擬合成MODIS前3個通道的反射率，構建植被指數反演小麥參數，進一步豐富了利用高光譜遙感監測小麥生長狀況的技術方法，為利用衛星遙感數據進行大面積、無破壞和及時獲取地面植被信息研究提供了有效手段。

［1］Chen J M，Josef C.Retrieving Leaf Area Index of Boreal Conifer Forests Using Landsat TM Images［J］.Remote Sensing of Environment，1996，55(2)，153 －162.

［2］Bai J H，Li S K，Wang K R，et al.Estimating Aboveground Fresh Biomass of Different Cotton Canopy Types with Homogeneity Models Based on Hyper Spectrum Parameters［J］.Agricultural Sciences in China，2007，6(4):437 －445.

［3］李衛國，趙春江，王紀華，等.遙感和生長模型相結合的小麥長勢監測研究現狀與展望［J］.國土資源遙感，2007(2):6－9.Li W G，Zhao C J，Wang J H，et al.Research Situation and Prospects of Wheat Condition Monitoring Based on Growth Model and Remote Sensing［J］.Remote Sensing for Land and Resources，2007(2):6－9(in Chinese with English Abstract).

［4］Casanova D，Epema G F，Goudriaan J.Monitoring Rice Reflectance at Field Level for Estimating Biomass and LAI［J］.Field Crops Research，1998，55(1/2):83 －92.

［5］Hansen P M，Schjoerring J K.Reflectance Measurement of Canopy Biomass and Nitrogen Status in Wheat Crops Using Normalized Difference Vegetation Indices and Partial Least Squares Regression［J］.Remote Sensing of Environment，2003，86(4):542 － 553.

［6］Thenkabil P S，Smith R B，De Pauw E.Hyperspectral Vegetation Indices and Their Relationships with Agricultural Crop Characteristics［J］.Remote Sensing of Environment，2000，71(2):158 －182.

［7］宋開山，張 柏，李 方，等.高光譜反射率與大豆葉面積及地上鮮生物量的相關分析［J］.農業工程學報，2005，21(1):36 －40.Song K S，Zhang B，Li F，et al.Correlative Analysis of Hyperspectral Reflectance，Soybean LAI and Above Ground Biomass［J］.Transaction of the Chinese Society of Agricultural Engineering，2005，21(1):36 －40(in Chinese with English Abstract).

［8］黃春燕，王登偉，曹連莆，等.棉花地上鮮生物量的高光譜估算模型研究［J］.農業工程學報，2007，23(3):131 －135.Huang C Y，Wang D K，Cao L P，et al.Models for Estimating Cotton Above Ground Fresh Biomass Using Hyperspectral Data［J］.Transaction of the Chinese Society of Agricultural Engineering，2007，23(3):131 －135(in Chinese with English Abstract).

［9］柏軍華，李少昆，王克如，等.基于近地高光譜棉花生物量遙感估算模型［J］.作物學報，2007，33(2):311 －316.Bai J H，Li S K，Wang K R，et al.Estimation Models of Cotton A-bove Ground Fresh Biomass Based on Filed Hyperspectral Remote Sensing［J］.Acta Agronomica Sinca，2007，33(2):311 － 316(in Chinese with English Abstract).

［10］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.Zhang X，Zhang B，Wei Z，et al.Study on Spectral Indices of MODIS for Wheat Growth Monitoring［J］.Journal of Image and Graphics，2005，10(4):420 －424(in Chinese with English Abstract).

［11］金 劍，王光華，劉曉冰，等.作物生育期內光合碳在地下部的分配及轉化［J］.生態學雜志，2008，27(8):1393 －1399.Jin J，Wang G H，Liu X B，et al.Allocation and Transformation of Photosynthetic Carbon in Belowground Part of Crops During Their Growth Period:A Review［J］.Chinese Journal of Ecology，2007，27(8):1393－1399(in Chinese with English Abstract).

［12］Huete A，Justice C，Leeuwen W V.MODIS Vegetation Index(MOD13)Version 3.Algorithm Theoretical Basis Document［M/OL］.University of Vimginia，1999，32 － 33［2012 － 09 －15］.http://modis.gsfc.nasa.gov/data/atbd/atbd_mod13.pdf.

［13］Danson F M，Plummer S E.Red－edge Response to Forest Leaf Area Index［J］.International Journal of Remote Sensing，1995，16(1):183－188.

［14］Chen Q，Huang J F，Wang R C，et al.Analyses of the Correlation Between Rice LAI and Simulated MODIS Vegetation Indics，Red Edge Position［J］Transactions of the Chinese Society of Agricultural Engineering，19(5):104 －108.

［15］王大成，張東彥，趙晉陵，等.基于紅邊位置提取驗證成像與非成像高光譜數據的一致性［J］.光譜學與光譜分析，2011，31(9):2450－2454.Wang D C，Zhang D Y，Zhao J L，et al.Using Extraction of Red Edge Position to Validate Consistency of Hyperspectral Imaging and Non － imaging Data［J］.Spectroscopy and Spectral Analysis，2011，31(9):2450 －2454(in Chinese with English Abstract).

The Hyperspectral Remote Sensing Estimation Models of Total Biomass and True LAI of Wheat

HOU Xue － hui1，2，NIU Zheng1，HUANG Ni1，XU Shi－ guang1
(1.The State Key Laboratory of Remote Sensing Science，Laboratory of Digital Earth Sciences，Institute of Remote Sensing and Digital Earth，Chinese Academy of Sciences，Beijing 100094，China;2.Graduate University of Chinese Academy of Science，Beijing 100049，China)

Based on the spectral first order differential techniques and equivalent MODIS vegetation index according to spectral response function using the field sampling survey，this paper built the hyperspectral remote sensing estimation models for total biomass and LAI of wheat named Jingdong 12.The research shows that:①the largest correlation between total dry biomass and canopy spectra lies at 552 nm and 721 nm，and the relationship between LAI and canopy spectral is significant in the band range of 400～1100 nm;②the relationship between red edge position(REP)and wheat biomass is most significant，with R being 0.818; ③in the 6 vegetation indices similarly to MODIS－VI，EVI is most sensitive to total dry biomass;④the linear model using REP estimation biomass is the best，with R2being 0.6694.Exponential model between LAI and EVI has the strongest fitting degree，with R2being 0.94.Using field spectral data and band response function to retrieve wheat parameters can provide important research methods for making use of satellite remote sensing data characterized by large area，non－destruction and acquisition of timely ground vegetation information.

wheat;total biomass;true leaf area index;hyperspectral remote sensing

TP 79

A

1001－070X(2012)04－0030－06

2012－02－05;

2012－05－16

國家重點基礎研究發展規劃項目(編號:2013CB733405，2010CB950603)。

10.6046/gtzyyg.2012.04.06

侯學會(1987－)，女，在讀博士研究生，研究方向為全球變化遙感。E－mail:sxhouxh@126.com。

牛 錚(1965－)，男，研究員，博士生導師，主要研究方向為全球變化遙感。E－mail:niuz@irsa.ac.cn。

(責任編輯:李 瑜)