基于GF—1數據的冬小麥不同生育期葉面積指數反演

侯學會　王猛　梁守真　隋學艷

摘要：葉面積指數（LAI）是作物長勢監測的主要指標之一。為分析國產GF-1衛星數據在不同生育期作物長勢監測中的應用價值，本文基于GF-1衛星數據構建5種常用的植被指數，并地面實測冬小麥LAI，開展不同生育期的LAI反演研究。研究發現，基于GF-1數據構建的植被指數能很好地反演冬小麥不同生育期LAI，但精度最優的指數在不同生育期存在差異。EVI構建的冪函數模型在反演全生育期LAI時表現最好，相關系數達到0.9082；冬小麥生長前期，修正土壤信息的OSAVI指數反演精度優于NDVI、EVI、EVI2和RVI，相關系數為0.9110；生長中期，各指數反演LAI的效果較差，僅NDVI、EVI2和OSAVI構建的線性和對數模型的相關系數達到0.05顯著水平，以EVI2構建的對數模型相關系數最高，為0.4827；生長后期，RVI反演LAI效果最好，其指數形式模型的r=0.8143，反演精度較高。本研究結果說明GF-1數據在作物長勢遙感研究中有很大的應用前景，能有效改善中國農業遙感監測長期依賴國外數據的局面，但其LAI反演效果在區域研究中如何，反演結果與Landsat 系列、SPOT 系列、HJ系列等數據相比存在多大差異，還需要進一步的研究與探討。

關鍵詞：葉面積指數；不同生育期；冬小麥；GF-1衛星；反演

中圖分類號：S512.1+1 文獻標識號：A 文章編號：1001-4942（2018）11-0148-06

Abstract Leaf area index （LAI） is one of the most important parameters of crop growth condition. In order to analyze the application value of GF-1 data in crop growth monitoring during different growth stages， the LAI inversion research was carried out based on truth LAI data and five vegetation indices including NDVI，EVI，EVI2，RVI and OSAVI constructed from GF-1 data. It was found that the accuracy of LAI inversion during different growth stages of winter wheat based on GF-1 data were high. However， optimal indexes were different at different growth stages. The power function model constructed by EVI had a great correlation coefficient （r=0.9082） in the LAI inversion of the whole growth period. During earlier growth period of winter wheat， the inversion accuracy of OSAVI index with corrected soil information was better than that of NDVI， EVI， EVI2 and RVI， and the correlation coefficient was 0.9110. The correlation coefficients of linear and logarithmic models constructed by NDVI， EVI2 and OSAVI reached 0.05 significant level. The correlation coefficient of logarithmic model constructed by EVI2 was the highest， which was 0.4827. The RVI index was suitable to inversion LAI during later growth stage. The correlation coefficients of the exponential form model constructed by RVI was the highest （r=0.8143）. The results of this research showed that GF-1 data had great application potential in remote sensing research of crop growth condition， which could effectively change the situation of depending on foreign remote sensing data in the Chinas agricultural monitoring in a long time. But the application effect of the LAI inversion results in regional studies based on GF-1 data and its differences with Landsat、SPOT and HJ data need further study and discussion.

Keywords Leaf area index； Multi-growth stages； Winter wheat； GF-1 satellite

葉面積指數（leaf area index，LAI）是反映作物長勢個體特征和群體特征的關鍵指標，成為作物長勢監測中的主要關注指標之一[1]。遙感技術以其及時有效、無損等優勢成為作物LAI監測的主要手段[2，3]。2013年我國成功發射的GF-1衛星兼顧高時間、高空間分辨率，原則上可以打破對Landsat等國外衛星的嚴重依賴。GF-1衛星在農業遙感中已發揮了重要作用，如在作物種植面積調查方面，劉國棟等[4]根據作物物候歷，建立了基于GF-1數據的農作物種植面積遙感抽樣調查方法，表明GF-1數據完全可以應用于縣級農作物種植面積提取；林子晶等[5]則發現，對HJ星和GF-1數據進行融合，更有利于縣級作物種植面積的準確提取；楊閆君[6]、王利民[7]等則利用GF-1的高時間分辨率特征，構建不同地物的NDVI序列，有助于作物信息提取和早期識別；近幾年國家統計局也多是基于GF-1數據開展農作物種植面積遙感調查業務[8]。GF-1衛星在作物長勢監測中的研究也已有不少，賈玉秋等[9]利用GF-1數據和Landsat 8數據分別進行玉米LAI反演，并對結果進行比較，得出GF-1 衛星的高時間分辨率以及高空間分辨率特征能夠代替傳統中分辨率數據成為農業遙感長勢監測中的重要數據源；李粉玲等[10，11]基于GF-1開展區域上的冬小麥葉片氮含量和SPAD值的遙感估算，結果也較為理想。

在冬小麥的不同生長時期，觀測視場內植被和土壤背景信息不斷變化，使得小麥光譜反射率不斷變化，使用單一遙感參數并不能很好地反演整個生育期的作物長勢信息[12，13]。但目前基于GF-1數據監測作物長勢中，鮮有考慮作物不同生育期的研究。本研究在前人研究的基礎上，以冬小麥為對象，分析不同遙感參數在冬小麥整個生育期和不同生育期對LAI反演的精度和結果差異，以提高GF-1數據對冬小麥的LAI反演精度和長勢監測能力，為利用GF-1衛星監測作物長勢研究提供參考。

1 材料與方法

1.1 研究區概況

田間試驗在中國科學院禹城綜合試驗站進行。該站位于山東省德州市禹城市東南（116.57°E，36.83°N），平均海拔約20 m，土壤屬潮土，成土母質為黃河沖積物，質地以粉砂和輕壤為主，pH值約為8.5，土壤有機質含量為0.6%～1.0%，土壤肥力中等，以地下水為主要灌溉水源。試驗區冬小麥播種時間為2015年10月中旬，大田種植，正常水肥管理。

1.2 地面數據獲取

從冬小麥返青期開始，即2016年3月21日—2016年5月16日期間，在冬小麥的每個關鍵生育期（返青期、拔節期、抽穗期、開花期和灌漿期），進行至少一次地面數據采集，每次選擇小麥長勢均一且面積不小于60 m×60 m的10～17個試驗小區，記錄試驗小區四個角點及中心處的GPS信息，并在每個試驗小區內隨機選兩個30 cm×30 cm的樣方，利用比重法獲取每個樣方的LAI，以兩個樣方LAI均值作為該試驗小區的LAI參數值。

1.3 遙感數據獲取與預處理

GF-1衛星于2013年4月26日發射，搭載了4臺WFV多光譜相機，重訪周期為4 d。自2016年3月18日開始查詢，將GF-1數據獲取時間與地面數據采集時間間隔控制在3 d之內，且確保選取影像云量最小，在試驗段內共獲取GF-1數據6景，見表1。

由于獲取的GF-1 WFV數據為1級的相對輻射校正產品，進行冬小麥LAI反演前需要對不同傳感器獲取的數據進行輻射校正、大氣校正和幾何校正等預處理，以獲得真實的地物光譜信息。本研究在ENVI5.1下對GF-1數據進行預處理，主要步驟如下：①借助影像自帶的RPC（rational polynomial coefficient）文件對每幅原始影像進行幾何粗校正；②利用中國資源衛星中心發布的2016年GF-1 WFV定標文件對所有幾何粗校正后的影像進行輻射定標，將原始DN（digital number）值轉換為輻亮度；③利用FLAASH模型對輻亮度進行大氣校正，得到地表反射率數據；④利用一景經過精校正的Landsat 7（122035）影像，對6景GF-1數據進行幾何精校正，將誤差控制在0.5個像元內。

1.4 植被指數構建

植被LAI的遙感反演，一般是根據地面測得的光譜數據或獲得的衛星數據與實測值進行相關分析，以建立遙感指標與地面實測LAI間的關系。

從圖1可以看出，冬小麥的LAI從返青期開始不斷增加，在抽穗期達到峰值，此后又逐漸降低。根據研究目的和冬小麥整個生育期LAI的變化規律，本研究將冬小麥整個生育期劃分為3個階段：返青期和拔節期為冬小麥生長前期，抽穗期為冬小麥生長中期，開花期和灌漿期為冬小麥生長后期。

本研究基于預處理后的GF-1數據選擇物理意義比較明確的5個植被指數（表2），將地面觀測數據隨機分成兩組，一組用來建立不同生育期的冬小麥LAI與植被指數的相關模型，一組進行模型精度驗證。為簡化回歸模型形式，我們只分析LAI與各植被指數間的一元線性、指數、對數和冪函數形式的相關關系。

2 結果與分析

2.1 冬小麥全生育期不同植被指數的LAI反演結果比較

在整個生育期，基于GF-1數據構建的5種植被指數與LAI的線性、指數、對數和冪函數關系都在P<0.001水平呈極顯著相關關系，且以EVI構建的冪函數模型相關系數最高，達到0.9082，而RVI與LAI的指數關系模型的相關系數最低，為0.7012（表3）。基于EVI的冬小麥全生育期LAI回歸模型見圖2a，利用地面實測數據對該反演模型進行驗證，模型反演得到的LAI與實測LAI之間的相關系數r=0.8393，RMSE=2.4054（圖2b）。

2.2 冬小麥生長前期不同植被指數的LAI反演結果比較

與全生育期相關分析結果類似，冬小麥生長前期5種植被指數與LAI的線性、指數、對數和冪函數關系也都在P<0.001水平下極顯著相關（表4）。但冬小麥生長前期，尤其是返青期，觀測視場內土壤所占比重達到40%左右，隨著冬小麥不斷生長，土壤所占比重逐漸下降，到拔節期時，雖然土壤所占比重明顯降低，但因冬小麥并不能完全覆蓋地面，遙感信號仍摻雜一部分土壤背景信息。因此，在冬小麥生長前期，以修正了土壤背景信息的OSAVI指數與LAI的相關性優于其它4種植被指數，且以冪函數形式的相關關系最為顯著（r=0.9110）（表4）。基于OSAVI的冬小麥生育前期LAI回歸模型見圖3a，將利用該模型反演得到的LAI值與地面實測值進行比較，相關系數r為0.9284，RMSE=0.2706，達到0.001顯著水平（圖3b）。

2.3 冬小麥生長中期不同植被指數的LAI反演結果比較

根據回歸分析，構建的5種植被指數與冬小麥生長中期LAI的相關關系較差，只有NDVI、EVI2和OSAVI的線性和對數模型的回歸系數達到0.05顯著水平，EVI和RVI與LAI的相關關系都沒有通過0.05的顯著性檢驗，其反演LAI指數的相關系數為0.4827，高于其它指數構建的反演模型（表5）。在冬小麥生長中期，LAI達到最大值，觀測視場內以小麥信息為主，土壤背景對小麥冠層反射率基本沒有影響，且各器官生物量迅速增加，因此，EVI2對作物群體生物量較為敏感[19]，該階段基于EVI2監測LAI的效果較好（表5）。基于EVI2指數構建的對數模型見圖4a，用地面實測LAI數據驗證EVI2構建的冬小麥生長中期LAI反演模型，反演值與真實值之間的相關系數r=0.7490，RMSE=0.9152，反演結果較好（圖4b）。

2.4 冬小麥生長后期不同植被指數的LAI反演結果比較

冬小麥生長后期，營養生長逐漸停止，開始以生殖生長為主，LAI逐漸減小，麥穗信息在冠層光譜信息中所占的比重增大，使得近紅外波段反射率較生長前期高[12，20]，而RVI通過校正紅邊參數，對作物觀測光譜反射率進行有效校正，能更好地監測該階段LAI（表6）。基于RVI建立的指數形式的LAI反演模型精度最高，其r=0.8143，且與地面實測LAI數據的相關系數達到0.8088，相對誤差RMSE為0.8226，反演結果較好，通過0.001的顯著性檢驗（圖5）。

3 討論與結論

本研究基于國產GF-1衛星數據構建了5種具有明確物理意義的植被指數，并對冬小麥不同生長階段的LAI進行反演，主要結果如下：

（1）構建的5種植被指數在冬小麥全生育期與LAI不同形式模型的極顯著相關系數都在0.70以上，均可進行LAI遙感反演研究，但以EVI構建的冪函數模型相關系數最高，達到0.9082。

（2）冬小麥生長前期，5種植被指數與LAI的相關關系均優于全生育期，極顯著相關系數達到0.71以上。由于冬小麥生長前期視場內冠層覆蓋特點，以修正土壤背景信息的OSAVI與LAI的冪函數形式的相關關系最為顯著，r=0.9110，且模擬LAI與實測LAI的RMSE較小，為0.2706，模擬精度較高。

（3）5種植被指數反演冬小麥生長中期LAI效果較差，僅NDVI、EVI2和OSAVI構建的線性和對數模型的回歸系數達到0.05顯著水平，以EVI2構建的對數模型相關系數最高，為0.4827。

（4）在冬小麥生長后期，受麥穗對冠層反射率的影響，RVI與LAI的相關關系優于其他4種植被指數，其指數形式模型的r=0.8143，反演精度最高。

GF-1 WFV衛星以4 d的覆蓋周期提供了16 m 空間分辨率的衛星數據，與目前常用的Landsat、SPOT、HJ-CCD等系列相比有很大的優勢。本研究利用GF-1衛星數據構建的5種常用的植被指數與冬小麥不同生育期的LAI都具有較好的相關關系，說明GF-1數據在分生育期的作物長勢遙感研究中也有很大的應用前景，可以改善中國農業遙感監測業務長期依賴國外數據源的局面，且本研究在冬小麥不同生育期采用不同的最佳植被指數進行LAI反演，相比在整個生育期使用單一的植被指數模擬LAI，RMSE明顯降低。

但本研究僅僅是基于GF-1數據在LAI地面點尺度進行的，在區域LAI研究中精度如何，及與Landsat、SPOT、HJ-CCD等系列數據相比存在多大差異，還需要進一步的研究與探討。

參 考 文 獻：

[1] 王東偉，王錦地，梁順林. 作物生長模型同化MODIS反射率方法提取作物葉面積指數[J]. 中國科學：地球科學，2010，40（1）：73-83.

[2] Hasegawa K，Matsuyama H，Tsuzuki H，et al. Improving the estimation of leaf area index by using remotely sensed NDVI with BRDF signatures[J]. Remote Sensing of Environment，2010，114（3）：514.

[3] Liu J，Pattey E，Jego G. Assessment of vegetation indices for regional crop green LAI estimation from Landsat images over multiple growing seasons [J]. Remote Sensing of Environment，2012，123：347.

[4] 劉國棟，鄔明權，牛錚，等. 基于GF-1號衛星數據的農作物種植面積遙感抽樣調查方法[J]. 農業工程學報，2015，31（5）：160-166.

[5] 林子晶，李衛國，申雙和，等. HJ 星和GF1 號數據在水稻種植面積提取中的應用[J]. 江蘇農業學報，2016，32（1）：111-117.

[6] 楊閆君，占玉林，田慶久，等. 基于GF-1/WFV NDVI 時間序列數據的作物分類[J]. 農業工程學報，2015，31（24）：155-161.

[7] 王利民，劉佳，楊福剛，等. 基于GF-1衛星遙感的冬小麥面積早期識別[J]. 農業工程學報，2015，31（11）：194-201.

[8] 國家國防科技工業局. 高分一號在農業領域應用典型案例[EB/OL]. http：//www.gissky.net/Article/3227.htm.2014-08-24.

[9] 賈玉秋，李冰，程永政，等. 基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較[J]. 農業工程學報，2015，31（9）：173-179.

[10]李粉玲，常慶瑞，申健，等. 基于GF-1衛星數據的冬小麥葉片氮含量遙感估算[J]. 農業工程學報，2016，32（9）：157-164.

[11]李粉玲，王力，申健，等. 基于高分一號衛星數據的冬小麥葉片SPAD值遙感估算[J]. 農業機械學報，2015，46（9）：273-281.

[12]趙娟，黃文江，張耀鴻，等. 冬小麥不同生育時期葉面積指數反演方法[J]. 光譜學與光譜分析，2013，33（9）：2546-2552.

[13]趙虎，裴志遠，馬尚杰，等. 利用HJ-1-A/B CCD2 數據反演冬小麥葉面積指數[J]. 農業工程學報，2012，28（10）：172-176.

[14]Zheng G，Moskal L. Retrieving leaf area index （LAI） using remote sensing： theories， methods and sensors[J]. Sensors，2009，9（4）： 2719-2745.

[15]Huete A，Liu H Q，Batchily K，et al. A comparison of vegetation indices over a global set of TM images for EOS-MODIS [J]. Remote Sensing of Environment，1997，59（3）： 440-451.

[16]Jiang Z，Huete A，Didan K，et al. Development of a two-band enhanced vegetation index without a blue band[J]. Remote Sensing of Environment，2008，112（10）： 3833-3845.

[17]Baret F，Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment[J]. Remote Sensing of Environment，1991，35（2/3）： 161-173.

[18]Geneviève R，Steven M D，Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment，1996，55（2）：95-107.

[19]Jiang Z，Huete A R，Didan K，et al. Development of a two band enhanced vegetation index without a blue band[J]. Remote Sensing of Environment，2008，112（10）：3833-3845.

[20]劉良云，王紀華，宋曉宇，等. 小麥倒伏的光譜特征及遙感監測[J]. 遙感學報，2005，9（3）：323-327.