花生葉鮮生物量的高光譜估算模型

顏丙囤+侯學會++梁守真++王猛++陳振++隋學艷

摘要：利用花生生物物理參數和冠層高光譜數據，基于光譜一階微分技術，選取對生物量敏感的波段組成高光譜植被指數，建立花生葉鮮生物量的高光譜遙感估算模型。結果表明，花生葉鮮生物量在綠峰525～556 nm、紅谷645～689 nm和近紅外710～900 nm波段范圍反射光譜與花生葉鮮生物量有極顯著相關關系。高光譜反射率與葉鮮生物量在大部分可見光區和近紅外波段呈顯著相關，并且在可見光紅光波段呈負相關，在近紅外波段呈極顯著正相關?；ㄉ庾V反射率與花生葉鮮生物量相關的近紅外、紅光波段的敏感波段分別為770、673 nm，用這2個波段構建植被指數，組成高光譜歸一化植被指數（NDVI）、比值植被指數（RVI）、差值植被指數（DVI）和再次歸一化植被指數（RDVI），并構建生物量反演模型；相對于NDVI、DVI、RDVI建立的簡單線性函數估測模型，RVI所構建的花生葉鮮生物量估測模型的預測精度較高。

關鍵詞：花生；生物量；高光譜遙感；反射率；估算模型

中圖分類號： S127文獻標志碼： A文章編號：1002-1302（2017）08-0059-03

生物量是作物長勢監測的一項重要指標[1]，可以反映作物長勢，是進行作物長勢評價和估產的基本指標[2]。高光譜遙感已成為研究地表植被的強有力工具[3]，對高光譜數據進行導數變換能消除土壤及大氣等背景因素對目標信號的影響，更加直觀地反映植被生物量以及其他一些信息[4-6]。基于高光譜技術進行作物生物量監測，目前已有很多研究，如宋開山等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[7]，黃春燕等利用高光譜數據估算棉花地上鮮生物量[8]。但綜合前人成果，利用高光譜數據對花生生物量進行估算，為花生長勢分析提供科學依據的研究鮮有報道，在借鑒已有研究成果的基礎上，本試驗基于地面實測高光譜數據，通過回歸分析，研究花生葉鮮生物量的特征波段，并建立模型，為花生的精準栽培提供技術支持與保障[7]。

1材料與方法

1.1試驗設計試驗區位于山東省農業科學院試驗基地（36°41′～37°15′N，116°52′～117°27′E），試驗地南北走向，由南向北依次布置低肥、中肥、高肥、空白4個水平肥料處理（表1），由東向西依次布置山花14號、山花9號，山花15號、花育20號、花育25號、花育46號2個系列6個花生品種，共24個小區，每個小區南北長10 m，東西寬3.2 m，面積32 m2。自2015年7月1日 至9月13日，每隔10 ～20 d在花生的不同生育期（表2），依次在試驗樣區內進行花生光譜和生物量相關參數測量。利用花生品種、施肥量以及生育進程差異產生的生物量差異，結合對花生葉鮮生物量敏感的波段，組成植被指數，構建花生葉鮮生物量的高光譜估算模型。

1.2花生冠層光譜反射率與理化參數獲取

采用FieldSpec Handheld （325～1 075 nm）便攜式光譜儀進行花生冠層光譜測量，光譜范圍為325～1 075 nm，采樣間隔（波段寬）為1.41 nm。光譜采集時間控制在11：00—13：00無風無云的天氣進行，探頭垂直于冠層頂。每處理測定1個

樣點，每樣點獲取4條光譜數據，每條光譜掃描時間0.2 s，以其平均值作為該處理冠層的光譜反射值。為了觀測光譜能夠代表地面狀況，設定觀測點位于花生每壟中間正上方，光譜儀視場角度25°，視場范圍為0.8 m，計算得觀測架高度為 1.8 m，共10墩花生，在各處理測定前后用標準板進行太陽輻射光譜校正[9]。

采集樣本光譜時同步進行花生栽培參數測定。地上生物量采用收獲法，在實驗室內將花生植株的莖、葉分開，分別稱量花生植株各器官的鮮質量，取同次試驗中樣本數據的平均值作為該生長期花生的鮮葉生物量值[10]。

1.3高光譜特征變量分析

紅邊位置：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。由于光譜采樣間隔的離散性，實際導數光譜一般是用差分方法來近似計算[2]；綠峰位置[2]：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； 紅谷位置：紅光吸收谷RR是620～760 nm 范圍內最小的光譜反射率，對應波長位置記為λR；植被指數：植被指數與LAI、生物量之間存在著相關關系，為了分析植被指數與花生葉鮮生物量的關系，本研究構建歸一化植被指數（NDVI）、比值植被指數（RVI）、差值植被指數（DVI）和再次歸一化植被指數（RDVI）（表3）進行花生葉鮮生物量的估算。

2結果與分析

2.1花生葉鮮生物量隨時間變化趨勢

由圖1可見，花生葉單位面積鮮生物量隨生育期延長總體呈先上升后下降的趨勢，苗期葉片生物量快速增長，至7月底苗期后期達到較高值，隨后進入開花下針期，此時葉片生物量仍然增長，但整體的幅度和速度都比較小，至8月底結莢期一直穩定在一個較高的水平，9月上中旬花生莢果飽滿進入成熟期，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，葉片逐漸衰老，花生葉鮮生物量迅速下降[11]。

2.2花生葉鮮生物量與光譜反射率的相關性

比較分析高光譜反射率與葉鮮生物量的相關關系（圖2）發現，在綠峰525～556 nm、紅谷645～689 nm和近紅外 710～900 nm 波段范圍反射光譜與花生葉鮮生物量極顯著相關。原始高光譜反射率與葉鮮生物量在大部分可見光區和近紅外波段呈顯著相關，并且在可見光紅光波段呈負相關，在近紅外波段呈極顯著正相關。

在可見光波段范圍內，綠峰和紅谷波段都達到極顯著相關水平，在綠峰波段的相關系數最大值的絕對值低于紅谷波段的數值，其中在紅光波段630～690 nm范圍內，以673 nm波段的光譜反射率與花生葉鮮生物量的相關系數最大。在近紅外波段范圍內，相關系數在760～900 nm之間變化幅度不大，其中在770 nm位置處相關系數最大，所以選擇770 nm位置處的高光譜反射率值作為近紅外光區與花生葉鮮生物量的敏感波段。

依據以上相關回歸系數確定花生光譜反射率與花生葉鮮生物量相關的近紅外、紅光波段的敏感波段分別為770、673 nm，用這2個波段構建植被指數。

2.3花生葉鮮生物量與高光譜特征變量、植被指數間的相關分析

選取原始高光譜與花生葉鮮生物量相關系數較大的特征波段及其組合定義花生高光譜參數[11]，其與花生葉鮮生物量的相關關系如表4、表5所示。從表4可以看出，花生葉鮮生物量與λG、RG、RR的相關性達極顯著水平，花生葉鮮生物量與其他高光譜特征變量相關性不顯著。在構建的4種植被指數（表5）中，RVI、DVI、NDVI、RDVI與花生葉鮮生物量的相關系數均達極顯著水平。其中，以RVI與花生葉鮮生物量的相關系數最大，為0.839，這說明近紅外波段和紅波段的比值在一定程度上增強了高光譜信息，從而提高了對生物量的靈敏度。

2.4高光譜特征變量、植被指數與花生葉鮮生物量之間的估算模型

從表4、表5中選出與花生葉鮮生物量相關系數都較大的RR、RVI、DVI和RDVI等4個光譜變量為自變量，花生葉鮮生物量為因變量，分別構建花生葉鮮生物量遙感監測的5種估算模型方程，結果見表6。

從表6可以看出，利用植被指數構建的模型進行花生葉鮮生物量估算的效果理想。其中，利用高光譜特征變量RR構建的函數模型，以多項式函數模型最優，估算效果明顯優于其他模型。

在利用植被指數所構建的模型中，相對于DVI和RDVI建立的簡單線性和非線性函數估測模型，RVI構建的花生葉鮮生物量模型的預測精度較高。鑒于線性模型有較為簡單的函數表達形式，較大的決定系數和擬合系數，以及較小的均方根誤差，所以選擇RVI的線性函數表達形式作為花生葉鮮生物量的最適估算模型。

植被指數與花生葉鮮生物量之間不僅存在著簡單線性函數關系，所構建的冪函數和指數函數估測模型同樣也具有較好的預測精度。在函數表達的形式上，線性函數表達形式最為簡單，所以選擇y=166.27x+21.489作為花生葉鮮生物量的遙感估算模型。

3結論

本研究分析了從苗期到成熟期的花生葉鮮生物量變化趨勢，并根據地面實測高光譜數據。整個生育期內，葉片鮮生物量總體呈先上升后下降趨勢，苗期為生物量快速增長階段，開花結莢期至飽果期，葉片鮮生物量維持較高水平，成熟期迅速下降，反射率光譜與葉鮮生物量的相關關系比較穩定。在綠峰525～556 nm、紅谷645～689 nm和近紅外710～900 nm波段范圍反射光譜與花生葉鮮生物量有較高、較穩定的極顯著相關關系。

利用光譜分析技術和構建的植被指數，建立花生葉鮮生物量高光譜遙感估算模型。建立的5個光譜特征變量中，以綠峰與花生葉片鮮生物量的關系最為顯著。建立NDVI、RVI、DVI和RDVI等4個植被指數，并與花生葉片鮮生物量進行相關分析NDVI、RVI、DVI和RDVI等4個植被指數與花生葉片鮮生物量都達到極顯著水平。

參數RR與花生葉鮮生物量之間具有較好的線性相關關系，對比研究以多項式模型最優，RVI、NDVI、DVI和RDVI與花生生物量的函數模型擬合度較好，以RVI建立的簡單線性函數模型最優，可用來進行花生生物量遙感估算。

本研究認為，選取對花生葉片鮮生物量敏感的波段組成高光譜植被指數，是提高模型預測精度的關鍵，在此基礎上，可通過定量模型反演花生葉鮮生物量，進一步豐富利用高光譜遙感監測花生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參考[2，11]。

參考文獻：

[1]Todd S W，Hoffer R M，Milchunas D G. Biomass estimation on grazed and ungrazed rangelands using spectral indices[J]. International Journal of Remote Sensing，1998，19（3）：427-438.

[2]侯學會，牛錚，黃妮，等. 小麥生物量和真實葉面積指數的高光譜遙感估算模型[J]. 國土資源遙感，2012（4）：30-35.

[3]王霄鵬. 黃河三角洲濕地典型植被高光譜遙感研究[D]. 大連：大連海事大學，2014.

[4]Mutanga O，Skidmore A K. Hyperspectral band depth analysis for a better estimation of grass biomass（Cenchrus ciliaris）measured under controlled laboratory conditions[J]. International Journal of Applied Earth Observation and Geoinformation，2004，5（2）：87-96.

[5]Thenkabail 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.

[6]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.

[7]宋開山，張柏，于磊，等. 玉米地上鮮生物量的高光譜遙感估算模型研究[J]. 農業系統科學與綜合研究，2005，21（1）：65-67.

[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.

[9]王猛，張杰，梁守真，等. 玉米倒伏后冠層光譜變化特征分析[J]. 安徽農業科學，2014（31）：11187-11188，11201.

[10]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.

[11]易秋香. 玉米主要生物物理和生物化學參數高光譜遙感估算模型研究[D]. 烏魯木齊：新疆農業大學，2005.