基于Hyperion高光譜影像的冬小麥地上干生物量反演

任建強　吳尚蓉　劉　斌　陳仲新　劉杏認　李　賀

(1.中國農業科學院農業資源與農業區劃研究所， 北京 100081； 2.北京洛斯達數字遙感技術有限公司， 北京 100120；3.中國農業科學院農業環境與可持續發展研究所， 北京 100081； 4.中國科學院地理科學與資源研究所， 北京 100101)

0　引言

利用遙感技術準確獲取作物生物量信息對開展農作物長勢監測、區域作物產量估算、農田生態系統和全球碳循環等研究都具有重要意義[1]。目前，通過遙感獲取生物量主要模型包括機理模型、半機理模型和經驗模型[2-4]。其中，經驗模型直接利用遙感特征參量與地上生物量數據建立統計模型，盡管該方法本身涉及作物生物量形成機理較少，但因方法簡單、可操作性強，從而得到了較廣泛的應用。其中，歸一化植被指數(NDVI)、比值植被指數(RVI)、差值植被指數(DVI)等是最常用遙感特征參量[5]。從遙感數據源看，目前農作物生物量估算主要應用多光譜、高光譜和雷達等遙感數據[6-7]，其中，多光譜遙感數據應用最廣泛[8]。高光譜遙感數據由于具有更高光譜分辨率(波段寬度小于10 nm)，使得地表植被光譜分析有更多的波段選擇，為定量分析植物理化變量與光譜特征的關系提供了強有力的數據支撐，也為深入開展作物生物量等關鍵農情參數定量反演提供了豐富信息源。

眾多研究表明，高光譜遙感數據在作物生物量等生物理化參數估算方面比多光譜遙感數據更具特點和優勢，已經成為最有應用潛力的遙感數據類型之一[9]。但由于高光譜原始數據信息量大、波段多且相鄰波段信息相關性高，信息冗余性必然會增加[10-11]。因此，如何進行高光譜敏感波段選取和有效信息提取成為高光譜數據應用的關鍵步驟之一，也是進一步開展植被參數高光譜遙感反演模型研究的重要工作基礎。國內外學者已經開展了一系列高光譜作物參數反演敏感波段選擇、波段組合以及遙感指數篩選研究[12-14]。

綜合看，目前利用高光譜遙感數據進行農作物理化參量遙感反演大多集中應用非成像冠層高光譜[15-17]，少量研究采用航空高光譜遙感影像[18-21]，而利用高光譜衛星遙感數據(如EO-1 Hyperion)的研究相對更少[22]。特別是目前利用高光譜進行作物理化參量反演大多集中在作物冠層含水率、葉綠素(含氮量)、葉面積指數、覆蓋度、生物量等參數[23-26]，其中，作物地上干生物量(Above-ground dry biomass，ADBM)方面的研究相對較少[22]。

本文在糧食主產區黃淮海地區選擇典型試驗區，以冬小麥地上干生物量ADBM為研究對象，以窄波段歸一化植被指數(Narrow band normalized difference vegetation index，N-NDVI)、窄波段比值植被指數(Narrow band ratio vegetation index，N-RVI)、窄波段差值植被指數(Narrow band difference vegetation index，N-DVI)為遙感特征參量，在利用作物冠層高光譜進行作物生物量敏感波段中心優選基礎上，以敏感波段中心篩選結果為指導，利用EO-1 Hyperion高光譜遙感數據和窄波段植被指數開展區域冬小麥地上干生物量遙感反演研究，以期為進一步提高遙感高光譜衛星數據植被理化參數估算精度提供理論依據與技術支撐。

1　研究區域概況

研究區主要位于黃淮海糧食主產區河北省衡水市，地面調查區位于深州市(37°42′36″～38°09′36″N，115°21′36″～115°48′02″E)。該區域屬于溫帶半濕潤季風氣候，區域主要農作物種植制度為冬小麥-夏玉米一年兩熟制。其中，冬小麥種植時間為上年9月下旬至10月上旬，返青期為下年2月下旬至3月上旬，拔節期為4月上旬至4月中旬，孕穗期為4月下旬，抽穗期為5月上旬，乳熟期為5月下旬，成熟期為6月上旬。2014、2015年對深州市7個典型樣方在冬小麥孕穗期、抽穗期和乳熟期進行實地調查6次，累計獲得42個樣方數據和210個調查樣點數據，主要包括作物冠層光譜和作物地上干生物量測量等；另外，調查區內均勻分布7個長期定位調查樣點，用于觀測冬小麥主要生育期地上干生物量指標。研究區及地面試驗采樣點空間分布如圖1所示。

圖1　研究區示意圖Fig.1　Location of study region

圖2　研究技術路線流程Fig.2　Flow chart of research technology route

2　研究方法

首先，在利用作物冠層高光譜數據構建任意兩個窄波段間植被指數N-VIs基礎上，建立N-VI與冬小麥實測地上干生物量間線性模型。其中，本研究涉及的窄波段植被指數包括N-NDVI、N-DVI和N-RVI；其次，繪制N-VIs與冬小麥實測地上干生物量擬合精度R2二維圖；在此基礎上，通過確定R2極大值區域和極大值區域重心，從而確定N-VIs對冬小麥干生物量敏感的波段中心；然后，以基于N-VIs確定的估算冬小麥干生物量的敏感波段中心為指導，選擇預處理后的Hyperion相關敏感波段反射率構建相應N-VIs，并在冬小麥干生物量與Hyperion N-VIs相關性分析基礎上，優選估算生物量精度最高的N-VI及Hyperion相關波段；最終，完成基于Hyperion的區域冬小麥生物量高精度反演和精度驗證，主要技術路線如圖2所示。

2.1　高光譜作物地上干生物量敏感波段選取

2.1.1冠層高光譜窄波段植被指數(N-VIs)

為了便于研究作物冠層高光譜數據構建的任意2個波段間植被指數(N-VI)與生物量的相關關系，本研究選取了計算最為簡單且最常用的歸一化植被指數(NDVI)、差值植被指數(DVI)和比值植被指數(RVI)進行冬小麥生長期內作物生物量估算。具體計算公式為

NDVI=(RNIR-RRED)/(RNIR+RRED)

(1)

DVI=RNIR-RRED

(2)

RVI=RNIR/RRED

(3)

式中RNIR——近紅外光譜反射率

RRED——紅光光譜反射率

常規寬波段植被指數NDVI、DVI和RVI由近紅外和紅光波段構成，而高光譜提供了更加豐富的光譜信息，當近紅外波段或紅光波段不真正限制在電磁波譜的近紅外區域和紅光區域,而是針對高光譜任意波段進行兩兩組合時[13]，便可構成窄波段歸一化植被指數N-NDVI、窄波段比值植被指數N-RVI和窄波段差值植被指數N-DVI。具體計算公式為

N-NDVIij=(Ri-Rj)/(Ri+Rj)

(4)

N-DVIij=Ri-Rj

(5)

N-RVIij=Ri/Rj

(6)

式中i、j——高光譜波段

Ri、Rj——i、j波長所對應的高光譜反射率

獲得的冠層高光譜波長在350～2 500 nm之間，但由于主要針對可見光——近紅外波段范圍開展研究，且冠層光譜在1 350～1 415 nm和1 800～1 950 nm受大氣和水蒸氣影響較大[27]。因此，本研究僅選擇350～1 000 nm范圍光譜(含650個波段)進行敏感波段中心篩選及生物量估算研究。

2.1.2冠層高光譜N-VIs與冬小麥地上干生物量相關性

在研究作物冠層高光譜N-VIs指數與冬小麥地上干生物量間相關性基礎上，建立N-VI與冬小麥干生物量間的擬合R2二維圖。在此基礎上，以表征擬合精度的決定系數(R2)為衡量指標，確定對生物量估算相關性高的波段區域，為冬小麥干生物量估算敏感波段優選提供依據。其中，利用350～1 000 nm波長范圍內的地面作物冠層高光譜數據任意兩波段構建的N-VI分別與地面實測干生物量進行線性擬合，擬合方程為

y=ax+b

(7)

式中x——作物冠層高光譜N-VIs

y——冬小麥地上干生物量，kg/hm2

a——一次項系數b——常數項

表征冬小麥地上干生物量擬合精度的決定系數R2為

(8)

式中oi——實測作物地上生物量，kg/hm2

xi——對應N-VI

R2越接近于1，說明冬小麥地上干生物量與N-VI間線性關系擬合效果越好，擬合精度越高，且R2越大說明所選波段對冬小麥地上干生物量越敏感。

2.1.3作物地上干生物量敏感波段中心確定

由于在N-VI與地上干生物量間的R2二維圖中，R2極大值區域并不是均勻分布，且R2極大值點與R2極大值區域重心不一定完全重合，導致R2極大值點對應波段不一定與最優波段中心重合。因此，為保證利用所選波段中心進行作物生物量估算的結果更具穩定性和準確性，本研究通過確定R2極大值區域重心獲得敏感波段中心。首先，在獲得N-VI與冬小麥地上干生物量間的擬合R2二維圖基礎上，確定N-VI對冬小麥地上干生物量估算相關性高的波段區域；其次，在該區域內尋找R2極大值點，并遍歷該點8鄰域內滿足顯著性要求的所有點，將這些點的集合標記為R2極大值區域Ω；最后，將R2極大值點區域的重心作為每個R2極大值點區域的敏感波段中心。作物地上干生物量敏感波段中心確定示意圖如圖3所示。其中，重心計算公式為

(9)

式中f(u,v)——波段坐標為(u,v)的R2值

圖3　作物地上干生物量敏感波段中心確定示意圖Fig.3　Sketch map of sensitive band center of crop ADBM

由相關系數顯著性檢驗可知，當樣本數量為30時，R2>0.130，N-VIs與實測作物地上干生物量呈顯著相關關系；R2>0.214，N-VIs與實測地上干生物量極顯著相關關系。為了保證本研究敏感波段中心篩選結果的精度和可靠性，本研究采用R2>0.214的極顯著相關關系標準進行敏感波段區域的篩選。篩選過程中，需要在R2二維圖中尋找R2>0.214的極大值點，并遍歷該點8鄰域內R2>0.214的所有點，將這些點的集合標記為極大值區域Ω，并以R2=0.05[28]為梯度顯示R2分布區域。此外，為了提高所選敏感波段估算作物干生物量的精度，并減少工作量，研究中可根據N-VIs與作物地上生物量間擬合R2二維圖的特點，選擇更高擬合精度標準的R2二維區域進行相關敏感波段優選研究。

2.2　作物地上干生物量反演

2.2.1高光譜衛星遙感數據植被指數

在利用作物冠層高光譜數據計算窄波段植被指數N-VIs進行冬小麥生物量估算敏感波段中心篩選基礎上，以敏感波段中心為指導，選擇敏感中心對應的Hyperion波段，并以Hyperion波段反射率計算相應的N-VIs植被指數。

2.2.2高光譜衛星遙感植被指數與地上生物量關系模型建立

在篩選遙感數據波段及構建相應Hyperion窄波段植被指數基礎上，建立Hyperion窄波段植被指數與冬小麥實測地上干生物量間線性模型，方程為

Y=cX+d

(10)

式中X——關鍵生育期的Hyperion N-VIs

Y——關鍵生育期地上干生物量，kg/hm2

c——一次項系數d——常數項

2.2.3基于Hyperion N-VIs的區域冬小麥地上干生物量估算

在建立不同敏感波段下Hyperion N-VIs與冬小麥實測地上干生物量間統計模型基礎上，將Hyperion高光譜遙感數據計算的窄波段植被指數N-VI代入到相關地上干生物量估算模型，從而獲得不同敏感波段下區域冬小麥生物量空間分布結果。在此基礎上，利用預留的實測地上生物量驗證點數據對上述區域冬小麥生物量空間分布結果進行精度驗證。最終，根據精度最高原則，確定冬小麥地上干生物量反演Hyperion最優波段，并將精度最高的生物量估算結果作為區域冬小麥地上生物量估算最佳結果。

2.3　作物地上生物量遙感估算精度驗證

除了常用表征模型精度的決定系數R2外，本研究中作物地上生物量遙感估算模型結果驗證精度評價指標還包括歸一化均方根誤差(Normalized root mean square error，NRMSE)和相對誤差(Relative error，RE)，公式為

(11)

(12)

式中pi——通過窄波段植被指數擬合的作物地上生物量，kg/hm2

n——樣本量

其中，當NRMSE和RE小于10%時，判斷模擬結果精度為極好，NRMSE和RE大于 10%小于20%時模擬結果為好，NRMSE和RE大于20%小于30%時模擬結果為中等，NRMSE和RE大于30%時模擬結果為差[29-30]，判斷標準優先考慮NRMSE，其次為RE。

本研究在作物冠層高光譜干生物量敏感波段中心確定中，主要利用2014年、2015年累計獲得的42個樣方地上干生物量和冬小麥冠層高光譜數據。其中，30個樣方數據用于模型建立，12個樣方數據用于精度驗證；在基于Hyperion高光譜衛星遙感進行區域冬小麥地上干生物量估算研究中，本研究僅獲取到2014年冬小麥孕穗期1景Hyperion高光譜遙感衛星影像。受Hyperion遙感影像幅寬較窄影響，僅覆蓋了2014年地面部分典型樣方中18個調查點和7個長期定位觀測點，因此，研究中僅采用25個點位數據開展Hyperion高光譜遙感干生物量模型建立與精度驗證。其中，15個用于模型建立，10個用于精度驗證。

3　數據獲取與處理

3.1　地面數據采集與處理

3.1.1地面樣方布設與觀測

本研究典型樣方數據采集主要包括GPS定位信息、冬小麥冠層高光譜和冬小麥地上干生物量。研究區共布設7個典型樣方，樣方選擇不僅考慮了小麥樣方在區域內分布的均勻性，而且考慮了小麥長勢和品種的代表性。其中，2014年和2015年共進行6次地面樣方數據采集，具體地面樣方調查時間分別為2014年4月23日(孕穗期)、5月9日(抽穗期)、5月28日(乳熟期)和2015年4月14日(拔節期)、5月7日(抽穗期)和5月27日(乳熟期)。調查中，每個樣方內均勻布置5個采樣點，每個采樣點樣框大小為50 cm×50 cm，在每個樣點分別進行冬小麥地上干生物量和冠層高光譜采集。為準確獲得每個地面樣方的地上干生物量和冠層光譜數據，研究中將5個樣點的干生物量和冠層光譜信息分別進行平均處理，從而獲得更加準確的典型樣方觀測數據，進而提高參與建模和模型驗證的樣方數據質量。

3.1.2地上干生物量和冠層光譜獲取

在冬小麥地上生物量實地調查過程中，在對采樣點進行準確定位基礎上，分別收割樣點中50 cm×50 cm采樣框內冬小麥地上部分并裝入保鮮袋。在實驗室中，對冬小麥植株105℃殺青2 h，并在80℃干燥至恒質量(前后兩次質量差不大于5%)，稱得植株地上部干生物量。在此基礎上計算采樣點單位面積冬小麥地上干生物量(kg/hm2)。

冬小麥冠層光譜利用美國ASD FieldSpec Pro 2500型光譜儀(350～2 500 nm)進行測量。其中，在350～1 000 nm光譜范圍內采樣間隔為1.4 nm(重采樣后間隔為1 nm)，在1 000～2 500 nm光譜范圍內采樣間隔為2 nm。測定光譜在10:00—14:00之間且天氣晴朗無風、陽光照射充足條件下進行。光譜測量過程中，首先將探頭垂直對準參考板進行優化，然后開始樣方內冬小麥冠層光譜的采集。光譜采集時，探頭垂直向下，探頭距離冠層高度約1.2 m，探頭視場角為25°，每個采樣點測量10條高光譜。在此基礎上，利用ViewSpecPro軟件對光譜數據進行平均，并將平均值作為相應采樣點的反射光譜值。此外，利用ENVI Classic軟件中smooth(s1,5)函數9點加權移動平均法對光譜數據進行平滑。最終，得到觀測樣方地面高光譜反射率數據。

3.2　高光譜遙感衛星數據獲取與處理

本研究所用遙感數據為1景EO-1 Hyperion高光譜衛星數據，相關遙感數據由美國地質勘探局網站(http:∥glovis.usgs.gov)下載獲得。Hyperion是美國地球觀測衛星EO-1搭載的高光譜成像儀,是第1臺星載高光譜傳感器，成像幅寬為7.7 km×42 km，空間分辨率為30 m，光譜分辨率為10 nm，共242個波段，光譜范圍為357～2 576 nm。其中，1～70波段覆蓋357～1 058 nm的可見光和近紅外區域，71～242波段覆蓋852～2 576 nm的短波紅外區域。

本研究中利用的Hyperion影像獲取時間為2014年4月23日，影像中心位置為38°01′1.52″N，114°44′6.69″E。Hyperion數據預處理在ENVI Classic Workshop插件下進行，主要包括條紋修復及壞線去除、未標定及水汽吸收嚴重波段剔除、Smile效應校正、大氣校正、幾何校正等。通過對影像的處理，剔除了噪聲波段以及無效波段，有效波段共有176個，分別為波段8～57、波段79～120、波段128～166、波段179～223。本研究中用到的波段主要集中在350～1 000 nm范圍內8～57、79～85波段，其中，波段8～57波長范圍為426.82～925.41 nm，波段79～85波長范圍為932.64～993.17 nm。

3.3　其他輔助數據

本文中涉及其他輔助數據包括研究區冬小麥作物分布圖、作物物候信息、行政邊界(縣級、市級、省級)等。其中，高精度冬小麥作物分布圖由農業部農業遙感重點實驗室(原農業部農業信息技術重點實驗室)提供，該數據由16 m空間分辨率GF-1遙感數據通過目視解譯獲得，通過與地面作物樣方驗證，作物分布圖總體精度和Kappa系數分別為97.53%、0.951 0。由于本研究采用的Hyperion高光譜影像分辨率為30 m，為了提取Hyperion高光譜影像冬小麥地上生物量空間分布信息，本研究通過對16 m空間分辨率作物分布圖進行重采樣，從而獲得與Hyperion高光譜影像一致的空間分辨率，便于提取冬小麥地上生物量空間分布信息。

4　結果與分析

4.1　冠層高光譜估算地上干生物量敏感波段選取

4.1.1冠層高光譜窄波段植被指數N-VIs結果

研究中，在對樣方采集的作物冠層高光譜數據光譜平均及光譜平滑等預處理基礎上，利用Matlab軟件，根據式(4)～(6)，在冬小麥關鍵生育期分別計算并繪制任意兩波段組合的N-NDVI、N-DVI和N-RVI，獲得冬小麥N-NDVI、N-DVI和N-RVI分布，如圖4所示。其中，在350～1 000 nm高光譜范圍內任意兩波段間組合及相關N-NDVI、N-DVI和N-RVI值均為650×650個。圖4所示N-VIs分布圖是用其中一個冬小麥樣方孕穗期、抽穗期和乳熟期等不同生育期N-NDVI、N-DVI和N-RVI計算的二維分布圖。

由圖4a～4f可知，N-NDVI和N-DVI紅色區域為正值，藍色部分為負值，且N-NDVI和N-DVI的絕對值以(350，350)、(1 000，1 000)兩點間連線為軸呈軸對稱分布，因此，在分析時只需研究對稱軸一側N-NDVI和N-DVI即可。以對稱軸下側為例，存在一些N-NDVI和N-DVI變化較為明顯的區域，各個生育期窄波段植被指數變化比較明顯區域N-VIs最小值、最大值和平均值的統計結果如表1所示，該結果符合冬小麥不同生育期內植被指數與冠層光譜的變化規律[31]。由于N-RVI與N-NDVI、N-DVI計算公式形式的不同，任意兩波段構建的N-RVI在分布上不具有對稱性，且在數值上只有正值。由圖4g～4i可以看出，N-RVI數值分布區域界線明顯，數值較大的N-RVI主要分布在橫軸740～1 000 nm范圍、縱軸350～700 nm范圍內，其中，橫軸750～1 000 nm、縱軸350～520 nm范圍和橫軸740～1 000 nm、縱軸600～700 nm范圍兩個區域的N-RVI在冬小麥生育期內變化明顯。各個生育期內窄波段植被指數變化比較明顯的區域，具體指數分布結果如表1所示。

4.1.2冠層高光譜N-VIs與地上干生物量相關性

將650×650個N-NDVI、N-DVI和N-RVI數據分別與30個地面實測干生物量數據建立線性模型，并輸出每個N-VI擬合干生物量的擬合精度R2(圖5)。圖5中橫、縱坐標為作物冠層高光譜波長且波長范圍為350～1 000 nm，R2二維圖內任意點即為該點對應的橫軸(λ1)、縱軸(λ2)2個波段反射率構建的N-VIs與干生物量間擬合精度R2。由圖5可看出，擬合精度R2分布以(350，350)、(1 000，1 000)兩點對角線為軸對稱分布，從R2二維分布區域可以得到N-NDVI、N-DVI和N-RVI對冬小麥干生物量相關性較大的區域及相關波段信息。

4.1.3高光譜窄波段植被指數估算生物量敏感波段中心確定

由于N-VIs與干生物量間R2分布二維圖中極大值區域分布特點各不相同，為了突出極大值區域間界線劃分，也便于更直觀地顯示與生物量敏感的R2區域和敏感波段中心的確定，進一步提高所選敏感波段估算作物干生物量的精度，同時為了減少研究的工作量，本研究在N-NDVI、N-DVI和N-RVI擬合冬小麥干生物量R2二維圖中分別選擇R2≥0.65、R2≥0.60、R2≥0.70的R2二維區域進行相關敏感波段中心確定研究，并確定了相應的極大值區域，如圖6a中A～H、圖6b中A～D、圖6c中A～I為滿足條件的R2極大值區域Ω。為了更直觀地顯示波段敏感區域，本研究在圖6中僅顯示了R2>0.45區域結果。

圖4　冬小麥N-VIs分布二維圖(2014年)Fig.4　Two dimensional distributions of N-VIs of winter wheat (2014)

窄波段植被指數坐標軸范圍/nm孕穗期VIs抽穗期VIs乳熟期VIs橫軸縱軸最小值最大值平均值最小值最大值平均值最小值最大值平均值680～1000350～7200.450.930.870.560.940.890.400.760.74N-NDVI520～580350～5100.370.650.400.350.600.390.250.580.39640～700520～570-0.45-0.30-0.32-0.44-0.30-0.31-0.16-0.06-0.07N-DVI720～1000350～7500.130.520.510.090.410.380.070.270.24760～930830～10000.040.080.060.040.070.050.010.030.02N-RVI750～1000350～52018.0053.0048.0015.0042.0035.008.0025.0019.00740～1000600～70012.0034.0028.0011.0021.0017.004.007.506.00

圖5　N-VIs與冬小麥地上干生物量間擬合R2二維圖Fig.5　Two dimensional maps of R2 values for N-VIs versus ADBM of winter wheat

圖6　N-VIs擬合冬小麥干生物量R2二維等值線Fig.6　R2 contour maps showing relationship between N-VIs and dry winter wheat biomass

在確定N-VIs與干生物量的敏感區域后，根據式(9)分別計算敏感區域Ω的重心作為敏感波段中心。通過計算可知，圖6a中A～H的重心分別為(840 nm，387 nm)、(500 nm，465 nm)、(963 nm，527 nm)、(859 nm，543 nm)、(729 nm，538 nm)、(962 nm，701 nm)、(829 nm，699 nm)、(718 nm，717 nm)；圖6b中A～D的重心分別為(502 nm，454 nm)、(623 nm，428 nm)、(947 nm，593 nm)、(956 nm，736 nm)；圖6c中A～I的重心分別為(439 nm，623 nm)、(506 nm，461 nm)、(538 nm，965 nm)、(553 nm，850 nm)、(550 nm，740 nm)、(721 nm，715 nm)、(730 nm，552 nm)、(818 nm，519 nm)、(970 nm，539 nm)。

4.2　基于Hyperion的區域冬小麥生物量遙感反演

4.2.1Hyperion遙感波段選取與N-VIs計算

在基于冠層高光譜窄波段植被指數(N-VIs)確定冬小麥干生物量高光譜敏感波段中心基礎上，確定不同敏感波段中心所對應的Hyperion波段。其中，由于構建窄波段植被指數的冠層高光譜分辨率為1 nm，因此，構建植被指數的兩個波段中心可能會出現在同一Hyperion波段，這種情況在Hyperion波段選取時予以舍棄。如敏感波段中心(718 nm，717 nm)的2個波段中心將同時出現在Hyperion的B37波段(中心波長721.90 nm，半值波寬10.600 4 nm)，導致構建N-NDVI植被指數一直為零，因此，這種情況敏感波段選取時將予以舍棄。另外，由于Hyperion遙感預處理時剔除了1～7波段(波長范圍355.59～416.64 nm)，因此，敏感波段中心(840 nm，387 nm)也將不予考慮。最終，建立了N-NDVI、N-DVI和N-RVI估算冬小麥生物量敏感波段中心與Hyperion波段對應關系，如表2所示。

根據表2中N-NDVI、N-DVI和N-RVI對應的Hyperion高光譜敏感波段，利用ENVI軟件中Band Math功能進行波段運算，計算Hyperion相關波段所對應的窄波段植被指數。在此基礎上，利用研究區內冬小麥空間分布信息對相關波段構建的N-VIs進行掩膜處理，從而獲得2014年覆蓋影像內冬小麥孕穗期N-VIs空間信息。在此基礎上，對2014年研究區覆蓋影像內冬小麥孕穗期N-VIs最大值、最小值和平均值進行統計，結果如表2所示。由于篇幅限制，本研究僅列出冬小麥孕穗期Hyperion N-VIs結果中全部N-NDVI空間分布圖作為示例，如圖7所示。

4.2.2基于Hyperion的區域生物量反演結果及精度驗證

在計算Hyperion對應窄波段植被指數基礎上，根據地面實測生物量樣方GPS信息提取相應點位的窄波段植被指數，并建立Hyperion窄波段植被指數與冬小麥地上干生物量間關系模型。最后，完成對所構建生物量反演模型的精度驗證。由于Hyperion影像幅寬較窄，只覆蓋了一部分試驗區域，覆蓋區域共包含25個地面實測點，本文中用其中15個實測點數據進行遙感反演模型建立，10個實測點數據進行反演精度驗證。驗證結果如表3所示。

依據2.3節中精度驗證評價標準，由表3可以看出，基于N-NDVI冬小麥地上干生物量估算相對誤差范圍為12.65%～15.46%，歸一化均方根誤差范圍為13.78%～16.73%。其中，以B18(528.57 nm)、B82(962.91 nm)波段構建的N-NDVI估算干生物量精度最高，R2為0.720 6，RE、NRMSE分別為12.65%和13.78%；基于N-RVI冬小麥地上干生物量估算相對誤差范圍為12.77%～19.66%，歸一化均方根誤差范圍為14.53%～18.95%。其中，以B36(711.72 nm)、B37(721.90 nm)波段構建的N-RVI估算干生物量精度最高，R2為0.700 1，RE、NRMSE分別為12.77%和14.53%；基于N-DVI冬小麥地上干生物量估算相對誤差范圍為16.83%～20.81%，歸一化均方根誤差范圍為18.90%～23.22%。其中，以B38(732.07 nm)、B81(952.82 nm)波段構建的N-DVI估算干生物量精度最高，R2為0.692 4，RE、NRMSE分別為16.83%和18.90%。

表2　Hyperion遙感波段選取與N-VIs計算Tab.2　Selection of Hyperion bands and statistic of winter wheat N-VIs in 2014

圖7　冬小麥孕穗期Hyperion N-NDVI空間分布(2014年)Fig.7　Spatial results of Hyperion N-NDVI of winter wheat at booting stage (2014)

表3　基于Hyperion N-VIs的區域冬小麥生物量估算精度(孕穗期，2014年)Tab.3　Accuracy of remote sensing estimated biomass based on Hyperion N-VIs(booting stage，2014)

注：擬合方程中X分別為Hyperion波段λ1、λ2構建的N-VI，Y為對應N-VI擬合冬小麥地上干生物量(單位：kg/hm2)；** 表示通過0.01顯著性檢驗。

圖8　基于Hyperion N-NDVI的冬小麥地上干生物量反演和驗證(孕穗期，2014年)Fig.8　Result of ADBM of winter wheat and their validation based on Hyperion N-NDVI(booting stage, 2014)

圖9　基于Hyperion N-RVI的冬小麥地上干生物量反演和驗證(孕穗期，2014年)Fig.9　Result of ADBM of winter wheat and their validation based on Hyperion N-RVI(booting stage, 2014)

圖10　基于Hyperion N-DVI的冬小麥地上干生物量反演和驗證(孕穗期，2014年)Fig.10　Result of ADBM of winter wheat and their validation based on Hyperion N-DVI(booting stage, 2014)

可見，基于Hyperion高光譜遙感數據的窄波段植被指數在區域冬小麥孕穗期干生物量反演中獲得了較好的精度結果，根據本研究精度評價標準，其總體精度由大到小為：N-NDVI、N-RVI、N-DVI。受篇幅限制，本文僅列出N-NDVI、N-RVI和N-DVI中精度最高的冬小麥地上干生物量反演結果，具體干生物量結果和相關驗證如圖8～10所示。其中，根據本文采用精度最高結果作為區域冬小麥地上干生物量反演結果的規則，本研究最終采用B18(528.57 nm)和波段B82(962.91 nm)構建的Hyperion N-NDVI最高精度生物量估算結果作為區域冬小麥孕穗期干生物量反演結果，即RE、NRMSE分別為12.65%和13.78%，如圖8所示。

5　討論

(1)敏感波段中心確定方法或過程有待進一步完善。本研究敏感波段中心篩選過程中，擬合精度通過線性模型得出，下一步有必要嘗試利用非線性模型開展敏感波段選擇研究；其次，目前本研究只應用了NDVI、DVI和RVI等常見植被指數，其他多波段構成的復雜植被指數(如三角葉綠素植被指數TCI、增強型植被指數EVI等)敏感波段中心篩選工作有待進一步開展；此外，本方法與直接采用極大值點進行高光譜遙感衛星敏感波段選擇相比，作物生物量反演精度間差異也是下一步研究的重點之一。

(2)敏感波段指導高光譜遙感衛星應用存在一定不足，且試驗中忽略了一些外部因素影響。如受數據質量或者遙感傳感器自身特點等多因素影響，所選擇衛星遙感數據波段與篩選出的冠層高光譜敏感波段在數量以及位置上難以一一對應，這使得在遙感反演過程中損失了部分植被指數，這可能會對研究結果產生一定影響。另外，本研究目前僅采用了冬小麥孕穗期1景Hyperion高光譜遙感衛星影像進行區域冬小麥地上干生物量反演研究，盡管能夠滿足本研究冬小麥生物量敏感波段中心確定方法驗證和應用目標，且得到了基于Hyperion N-VIs區域冬小麥孕穗期地上生物量反演精度及其精度排序等應用結果，但利用其他關鍵生育期Hyperion影像窄波段植被指數進行農作物地上干生物量反演精度對比研究將是下一步深入開展的工作。

6　結論

(1)在分析冠層高光譜構建的窄波段植被指數(N-VIs)與冬小麥地上干生物量間相關性基礎上，提出了通過確定擬合精度R2極大值區域重心，從而確定窄波段植被指數對冬小麥干生物量敏感的波段中心。在此基礎上，以敏感波段中心篩選結果為指導，應用估算生物量精度最高的植被指數對應的相關波段開展Hyperion高光譜遙感區域冬小麥干生物量遙感反演和精度驗證研究。通過與實測冬小麥地上干生物量對比，基于冠層高光譜作物生物量敏感波段優選和窄波段植被指數的Hyperion高光譜遙感影像區域冬小麥干生物量估算取得了較好結果，證明本研究方法具有一定可行性。

(2)在冠層高光譜N-VIs與冬小麥干生物量間擬合R2二維圖基礎上，通過計算N-VIs與作物地上干生物量間擬合精度R2二維區域極大值區域重心，分別確定了基于N-VIs的作物地上干生物量反演的高光譜敏感波段中心。通過計算可知，冠層高光譜N-NDVI與干生物量的敏感波段中心為(840 nm，387 nm)、(500 nm，465 nm)、(963 nm，527 nm)、(859 nm，543 nm)、(729 nm，538 nm)、(962 nm，701 nm)、(829 nm，699 nm)、(718 nm，717 nm)；冠層高光譜N-DVI與干生物量的敏感波段中心為(502 nm，454 nm)、(623 nm，428 nm)、(947 nm，593 nm)、(956 nm，736 nm)；冠層高光譜N-RVI與干生物量的敏感波段中心為(439 nm，623 nm)、(506 nm，461 nm)、(538 nm，965 nm)、(553 nm，850 nm)、(550 nm，740 nm)、(721 nm，715 nm)、(730 nm，552 nm)、(818 nm，519 nm)、(970 nm，539 nm)。

(3)在冠層高光譜反演作物生物量敏感波段中心指導下，基于孕穗期Hyperion高光譜遙感數據的窄波段植被指數在區域冬小麥孕穗期干生物量反演中獲得了較為滿意的精度結果，其總體精度由大到小為：N-NDVI、N-RVI、N-DVI。其中，以波段B18(528.57 nm)、波段B82(962.91 nm)構建的Hyperion N-NDVI估算區域冬小麥地上干生物量精度最高，相對誤差(RE)和歸一化均方根誤差(NRMSE)分別為12.65%和13.78%。

1ZHENG D, RADEMACHER J, CHEN J, et al. Estimating aboveground biomass using Landsat 7 ETM+ data across a managed landscape in northern Wisconsin, USA [J]. Remote Sensing of Environment, 2004, 93(3): 402-411.

2杜鑫，蒙繼華，吳炳方. 作物生物量遙感估算研究進展[J]. 光譜學與光譜分析，2010，30(11)：3098-3102.

DU Xin, MENG Jihua, WU Bingfang. Overview on monitoring crop biomass with remote sensing [J]. Spectroscopy and Spectral Analysis, 2010，30(11): 3098-3102. (in Chinese)

3MACHWITZ M, GIUSTARINI L, BOSSUNG C, et al. Enhanced biomass prediction by assimilating satellite data into a crop growth model [J]. Environmental Modelling & Software 2014,62: 437-453.

4杜文勇，何雄奎，SHAMAILA Z，等. 冬小麥生物量和產量的AquaCrop模型預測[J]. 農業機械學報，2011，42(4)：174-178，183.

DU Wenyong, HE Xiongkui, SHAMAILA Z, et al. Yield and biomass prediction testing of AquaCrop model for winter wheat [J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(4): 174-178,183. (in Chinese)

5ANDREA A, PéTER B, CSABA L, et al. Estimating biomass of winter wheat using narrowband vegetation indices for precision agriculture [J]. Journal of Central European Green Innovation, 2015, 3(2): 13-22.

6MARIOTTO I, THENKABAIL P S, HUETE A, et al. Hyperspectral versus multispectral crop-productivity modeling and type discrimination for the HyspIRI mission [J]. Remote Sensing of Environment, 2013, 139: 291-305.

7LIU J, PATTEY E, MILLER J R, et al. Estimating crop stresses, aboveground dry biomass and yield of corn using multi-temporal optical data combined with a radiation use efficiency model [J]. Remote Sensing of Environment, 2010, 114: 1167-1177.

8鄭陽，吳炳方，張淼. Sentinel-2數據的冬小麥地上干生物量估算及評價 [J]. 遙感學報，2017，21(2)：318-328.

ZHENG Yang, WU Bingfang, ZHANG Miao. Estimating the above ground biomass of winter wheat using Sentinel-2 data [J]. Journal of Remote Sensing, 2017, 21(2): 318-328. (in Chinese)

9ZANDLER H, BRENNING A, SAMIMI C. Potential of space-borne hyperspectral data for biomass quantification in an arid environment: advantages and limitations [J]. Remote Sensing, 2015, 7(4): 4565-4580.

10程志慶，張勁松，孟平，等. 植被參數高光譜遙感反演最佳波段提取算法的改進[J]. 農業工程學報，2015，31(12)：179-185.

CHENG Zhiqing, ZHANG Jingsong, MENG Ping, et al. Improvement of algorithm used for extraction hyperspectral feature bands of vegetation [J]. Transactions of the CSAE, 2015, 31(12): 179-185. (in Chinese)

11THENKABAIL P S, ENCLONA E A. Accuracy assessments of hyperspectral waveband performance for vegetation analysis applications [J]. Remote Sensing of Environment, 2004, 91(3): 354-376.

12HANSEN 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.

13王福民, 黃敬峰, 王秀珍, 等. 波段位置和寬度對不同生育期水稻NDVI影響研究[J]. 遙感學報，2008，12(4)：626-632.

WANG Fumin, HUANG Jingfeng, WANG Xiuzhen, et al. Effects of band position and bandwidth on NDVI measurements of rice at different growth stages [J]. Journal of Remote Sensing, 2008, 12(4): 626-632. (in Chinese)

14SIEGMANN B, JARMER T. Comparison of different regression models and validation techniques for the assessment of wheat leaf area index from hyperspectral data [J]. International Journal of Remote Sensing, 2015, 36(18): 4519-4534.

15付元元，王紀華，楊貴軍，等. 應用波段深度分析和偏最小二乘回歸的冬小麥生物量高光譜估算[J]. 光譜學與光譜分析，2013，33(5)：1315-1319.

FU Yuanyuan，WANG Jihua，YANG Guijun，et al. Band depth analysis and partial least square regression based winter wheat biomass estimation using hyperspectral measurements [J]. Spectroscopy and Spectral Analysis, 2013, 33(5):1315-1319. (in Chinese)

16GNYP M L, BARETH G, LI F, et al. Development and implementation of a multiscale biomass model using hyperspectral vegetation indices for winter wheat in the North China Plain [J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 33: 232-242.

17劉冰峰，李軍，賀佳，等. 基于高光譜植被指數的夏玉米地上干物質量估算模型研究[J/OL]. 農業機械學報，2016，47(3)：254-262. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx? file_no=20160336&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2016.03.036.

LIU Bingfeng, LI Jun, HE Jia, et al. Estimation models of above-ground dry matter accumulation of summer maize based on hyperspectral remote sensing vegetation indexes [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 254-262. (in Chinese)

18陳鵬飛，NICOLAS Tremblay，王紀華，等. 估測作物冠層生物量的新植被指數的研究 [J]. 光譜學與光譜分析，2010，30(2)：512-517.

CHEN Pengfei，NICOLAS Tremblay，WANG Jihua，et al. New index for crop canopy fresh biomass estimation [J]. Spectroscopy and Spectral Analysis, 2010, 30(2): 512-517. (in Chinese)

19BENDIG J, YU K, AASEN H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley [J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 39: 79-87.

21田明璐，班松濤，常慶瑞，等. 基于無人機成像光譜儀數據的棉花葉綠素含量反演[J/OL]. 農業機械學報，2016，47(11)：285-293. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20161139&flag=1&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2016.11.039.

TIAN Minglu, BAN Songtao, CHANG Qingrui, et al. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV based imaging spectroradiometer [J].Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 285-293. (in Chinese)

22MARSHALL M, THENKABAIL P S. Advantage of hyperspectral EO-1 Hyperion over multispectral IKONOS, GeoEye-1, WorldView-2, Landsat ETM+, and MODIS vegetation indices in crop biomass estimation [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 108: 205-218.

23FU Y, YANG G, WANG J, et al. Winter wheat biomass estimation based on spectral indices, band depth analysis and partial least squares regression using hyperspectral measurements [J]. Computers and Electronics in Agriculture, 2014, 100: 51-59.

24鄭玲，朱大洲，董大明，等. 多信息融合的冬小麥地上鮮生物量檢測研究[J]. 光譜學與光譜分析，2016，36(6)：1818-1825.

ZHENG Ling，ZHU Dazhou，DONG Daming，et al. Monitoring of winter wheat aboveground fresh biomass based on multi-information fusion technology [J]. Spectroscopy and Spectral Analysis, 2016, 36(6): 1818-1825. (in Chinese)

25LIU K, ZHOU Q, WU W, et al. Estimating the crop leaf area index using hyperspectral remote sensing [J]. Journal of Integrative Agriculture, 2016, 15(2): 475-491.

26李粉玲,常慶瑞. 基于連續統去除法的冬小麥葉片全氮含量估算[J/OL].農業機械學報,2017,48(7):174-179. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170722&flag=1&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2017.07.022.

LI Fenling, CHANG Qingrui. Estimation of winter wheat leaf nitrogen content based on continuum removed spectra [J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7):174-179. (in Chinese)

27PSOMAS A, KNEUBüHLER M, HUBER S, et al. Hyperspectral remote sensing for estimating aboveground biomass and for exploring species richness patterns of grassland habitats [J]. International Journal of Remote Sensing, 2011, 32(4): 9007-9031.

28THENKABAIL 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.

29MICHELE R, NICOLA L, ZINA F. Evaluation and application of the OILCROP-SUN model for sunflower in southern Italy [J]. Agricultural Systems, 2003, 78: 17-30.

30姜志偉，陳仲新，任建強，等. 粒子濾波同化方法在CERES-Wheat作物模型估產中的應用[J]. 農業工程學報, 2012，28(14)：138-146.

JIANG Zhiwei, CHEN Zhongxin, REN Jianqiang, et al. Estimation of crop yield using CERES-Wheat model based on particle filter data assimilation method [J]. Transactions of the CSAE, 2012, 28(14): 138-146. (in Chinese)

31王磊，白由路，盧艷麗，等. 基于Green Seeker的冬小麥NDVI分析與產量估算[J]. 作物學報，2012，38(4): 747-753.

WANG Lei, BAI Youlu, LU Yanli, et al. NDVI analysis and yield estimation in winter wheat based on Green Seeker [J]. Acta Agronomica Sinica, 2012, 38(4): 747-753. (in Chinese)