不同生育時期冬小麥葉面積指數地面高光譜遙感模型研究

李軍玲,彭記永

(中國氣象局·河南省農業氣象保障與應用技術重點實驗室/河南省氣象科學研究所，河南鄭州 450003)

葉面積指數(LAI)指單位地表面積上綠色葉面積的倍數[1]，是描述植物冠層功能過程的重要參量。LAI的傳統地面測量方法不但具有破壞性，而且比較費時費力[2-3]。遙感監測具有實時、迅速、長時間、大面積等特點，已成為估算LAI的主要技術手段。高光譜遙感數據擁有更多的波段和更高的波譜分辨率，能夠提供精細化的光譜信息[4-5]，具有簡便快速、非破壞性等優點，并且能夠將地面觀測點數據轉換為具有一定空間分辨率的面數據，目前被廣泛應用。

目前，已有大量研究基于光譜特征與植被LAI之間的關系[6-7]探討LAI的遙感估測。白蘭東等[8]以輻射傳輸方程PROSAIL為基礎，模擬不同觀測天頂角和不同葉面積指數下的植被冠層光譜，建立基于多角度遙感的植被指數與LAI的線性關系；黃敬峰等[9]用紅邊參數建立了開花前以及開花后不同時期油菜葉面積指數的估算模型。但多數研究只是基于一定的參數建立線性模型，很少考慮更多參數或模型類型并從中進行最優選擇。楊福芹等[10]通過灰色關聯分析對所選取的植被指數進行比較，并篩選出植被LAI的最優估算模型。由于作物全生育期光譜特征會有不同程度的變化，如果用一種參數模型模擬整個生育期的LAI，勢必會降低模擬精度，因而有學者通過大田試驗，選擇光譜反射率及其變換形式和植被指數對LAI進行相關性分析及模擬，分別建立水稻分蘗-抽穗期及抽穗-成熟期LAI的模擬模型[5]。另外，光譜分辨率對植被LAI的模擬精度也有影響。對不同光譜分辨率和波段組合的5種冬小麥冠層光譜數據進行比較分析，當波段選擇恰當、輸入參數不確定性較小時，光譜分辨率較高的數據表現出更優的LAI反演精度與穩定性[11]。

為了利用高光譜遙感數據獲得LAI最優估算模型，本研究在原始光譜基礎上進行倒數對數、一階導數、二階導數變換，并選取基于高光譜位置變量、面積變量和植被指數變量的常見高光譜特征指數進行建模，和以往研究相比，光譜變量多樣，模型覆蓋面廣，并通過模型精度比較從中選擇出最優估算模型；另外，目前黃淮地區冬小麥LAI模擬研究還未見分生育時期建立模型，本研究擬分拔節-孕穗、開花-乳熟期進行建模并進行模型的比較；最后為獲得更優的LAI反演精度和穩定性，本研究選擇使用高光譜分辨率的便攜式地物光譜儀(ASD)進行數據采集和分析。

1 材料與方法

1.1 數據采集

1.1.1 數據1

試驗地點定在滎陽大田區域，為保證代表性，選擇連片區域在500 m×500 m的地段，分別在拔節-孕穗期(4月2日和4月6日)和開花-乳熟期(4月26日和4月28日)進行數據采集。

拔節-孕穗期和開花-乳熟期分別在研究區域選擇9個采樣單元，其中好、中、差不同長勢的各3個，采樣單元一般為30 m×30 m。在每個采樣單元，選擇具有代表性、均勻、無病蟲危害的樣本點3個，因此每個生育時期樣本數為27，在采樣點進行冠層光譜和LAI測定。

(1)光譜測定：使用 ASD便攜式光譜儀(美國)進行冬小麥冠層反射光譜數據的采集，波長范圍 325～1 075 nm，光譜采樣間隔約 1.5 nm。注意盡可能覆蓋1 m×1 m直徑范圍，要求覆蓋范圍和測量葉面積區域重疊。選擇晴朗無云或少云的天氣，在 10：00-13：00 進行測定。測點距冠層頂部垂直高度約 1 m，每次每個采樣點測定 5 條光譜反射曲線，取 5 條曲線的平均值作為該采樣點的冠層反射率曲線圖。測量前均用白板進行標定。

(2)葉面積指數測定：與光譜數據采集同步，使用LAI2200冠層分析系統(美國)對葉面積指數進行數據采集，測5次，求平均值。

1.1.2 數據2

針對鶴壁地區，下載近期高分衛星資料(空間分辨率16 m)，計算NDVI，找到連片冬小麥分布區域，根據實地調查的冬小麥長勢進行NDVI分類，本研究分為好、中、差三種類型。按照1.1.1部分的方法進行相關數據的采集，拔節-孕穗期和開花-乳熟期分別在研究區域選擇9個采樣單元，根據NDVI分類圖選擇好、中、差不同長勢的各3個單元，每個采樣單元選擇樣本點3個，因此每個生育時期樣本數為27。

1.2 數據處理

1.2.1 光譜的倒數對數、一階導數和二階導數轉換

對每個樣點的冬小麥冠層反射率(ρ)數據進行處理，計算相應的倒數對數、一階導數和二階導數。

倒數對數=lg(1/ρ)

一階導數ρ′(λi)=dρ/dλ=[ρ(λi+1) -ρ(λi-1) ]/2Δλ

二階導數ρ′′(λi)=d2ρ/dλ2=[ρ′(λi+1) -ρ′(λi-1) ]/2Δλ

式中，λi為每個波段的波長；ρ′(λi)為波長λi的一階導數光譜；ρ′′(λi) 為波長λi的二階導數光譜。Δλ為波長λi-1至λi的間隔。

1.2.2 高光譜特征變量選擇

常見的高光譜特征變量有基于高光譜位置變量、面積變量和植被指數變量3種類型[12]，其中基于光譜位置的變量有藍邊幅值(Db)和藍邊位置(λb)、黃邊幅值(Dy)和黃邊位置(λy)、紅邊幅值(Dr)和紅邊位置(λr)、綠峰反射率(Rg)和綠峰位置(λg)、紅谷反射率(Rr)和紅谷位置(λr)。基于光譜面積變量有藍邊面積(SDb)、黃邊面積(SDy)、紅邊面積(SDr)和綠峰面積(SDg)。

基于光譜植被指數的變量[13]有：

VI1=Rg/Rr，即綠峰反射率Rg與紅谷反射率Rr的比值指數；

VI2=(Rg-Rr)/(Rg+Rr)，即綠峰反射率Rg與紅谷反射率Rr的歸一化指數；

VI3=SDr/SDb，即紅邊面積SDr與藍邊面積SDb的比值指數；

VI4=SDr/SDy，即紅邊面積SDr與黃邊面積SDy的比值指數；

VI5=(SDr-SDb)/(SDr+SDb)，即紅邊面積SDr與藍邊面積SDb的歸一化指數；

VI6=(SDr-SDy)/(SDr+SDy)，即紅邊面積SDr與黃邊面積SDy的歸一化指數。

1.2.3 模型構建及檢驗

對各樣點冬小麥冠層光譜反射率進行倒數對數、一階導數、二階導數變換以及高光譜特征變量的計算，以數據1資料為基礎，利用數理統計軟件SPSS13.0對高光譜特征變量[13-14]與葉面積指數進行相關分析，選擇相關系數較大的光譜特征變量，利用線性、對數、指數、二次函數模擬建立單變量葉綠素估算模型，再選擇相關系數較大的光譜特征變量進行多元逐步回歸分析，建立葉面積指數的多元回歸模型。

利用數據2資料對所建立的LAI高光譜估算模型進行驗證，并采用均方根誤差(RMSE)、相對誤差(NRMSE)和決定系數(r2)評價模型的模擬效果。

式中，Yi和Xi分別為估測值和觀測值，n為樣本數。

2 結果與分析

2.1 小麥LAI與光譜的相關性

相關分析(圖1和圖2)表明，小麥LAI與冠層原始光譜反射率在可見光范圍內呈負相關，在近紅外范圍內呈正相關，說明LAI越高，可見光波段內的光譜反射率越低，近紅外的光譜反射率越高，而光譜的倒數對數(以下稱為倒數對數光譜)表現則相反。光譜的一階導數(以下稱為一階導數光譜)在700～800 nm范圍內與LAI的相關系數波動稍小，且大部分波段相關性通過0.01水平顯著性檢驗。光譜的二階導數(以下稱為二階導數光譜)相關系數整體波動較大，且只有少部分波段相關性通過0.01水平顯著性檢驗。根據圖1將拔節-孕穗期選取波段676 nm處倒數對數光譜、750 nm處一階導數光譜、877 nm處二階導數光譜作為光譜變化敏感參量，根據圖2將開花-乳熟期選取波段352 nm處倒數對數光譜、431 nm處一階導數光譜、678 nm處二階導數光譜作為光譜變化敏感參量，這些波段與葉面積指數的相關系數均通過0.01水平的顯著性檢驗，且相關系數最大。

圖1 拔節-孕穗期LAI與高光譜反射率及其倒數對數、一階導數和二階導數的相關系數Fig.1 Correlation coefficients of LAI with spectral reflectivity and the logarithm of reciprocal, first-order derivative, second derivative from jointing to heading stage

2.2 小麥LAI與高光譜特征變量間的相關性

從表1可以看出，拔節-抽穗期LAI與除藍邊位置、紅邊位置外的所有高光譜變量間顯著相關，其中LAI與Dr、SDr、VI3、VI5、VI6的相關系數大于0.85。開花-乳熟期LAI與除藍邊幅值、藍邊位置、黃邊幅值、黃邊位置、綠峰位置、紅谷位置以及VI6外的所有高光譜變量顯著相關，其中LAI與Rr、VI1、VI2、VI3、VI5的相關系數大于0.7。因此，拔節-抽穗期選擇變量Dr、SDr、VI3、VI5、VI6作為LAI估算模型的自變量；開花-乳熟期選擇變量Rr、VI1、VI2、VI3、VI5作為LAI估算模型的自變量。

圖2 開花-乳熟期與高光譜反射率及其倒數對數、一階導數和二階導數的相關系數Fig.2 Correlation coefficients of LAI with spectral reflectivity and the logarithm of reciprocal, first-order derivative, second derivative from flowering to milking stage

2.3 LAI估算模型的建立和檢驗

2.3.1 葉面積指數估算的單變量模型

利用上述所選參數分別建立線性、對數、指數、二次函數的單變量LAI估算模型，方程均通過0.05水平顯著性檢驗(表2和表3)。在拔節-孕穗期，大部分參數的二次模型r2較大，其中VI3、VI5、lg(1/ρ676)、dρ750/dλ750的二次模型r2超過0.6；從驗證結果看，dρ750/dλ750的RMSE值最小，其次是VI5。因此，認為以dρ750/dλ750為自變量的二次模型Y=0.656+108.321 dρ750/dλ750+20 634.481(dρ750/dλ750)2最優，擬合與預測精度均最高，其次為以VI5為自變量的二次模型。在開花-乳熟期，大部分參數的指數模型r2較大，其中Rr、VI3、VI5的指數模型r2超過0.7；從驗證結果看，VI5的RMSE值最小，其次是VI3。因此，認為以VI5為自變量的指數模型Y=0.000 114e11.4VI5最優，其擬合與預測精度均最高，其次為以VI3為自變量的指數模型。

表1 不同發育期LAI與高光譜變量間的相關系數Table 1 Correlation coefficients between LAI and hyperspectral variables

表2 拔節-孕穗期LAI與高光譜變量的擬合模型參數Table 2 Fitting model parameters of LAI and hyperspectral variables from jointing to heading stage

表3 開花-乳熟期LAI與高光譜變量的擬合模型參數Table 3 Fitting model parameters of LAI and hyperspectral variables from flowering to milking stage

2.3.2 LAI估算的多元回歸模型

農作物葉片中各種生化物質對應特定的光譜吸收特征，是進行波段選擇的基本依據。但這些化學成分相互混合在一起，彼此間加強或削弱了各自的吸收特征。因此，估測某一生化成分時只用單一波段是不全面的，需要進行波段選擇和重組[16-17]。鑒于此，對表2和表3中的8個變量進行多元逐步回歸分析，建立LAI的多元回歸模型。

拔節-孕穗期：Y=-34.517+940.241dρ750/dλ750-13.026SDr +33.692VI6。r2=0.925，P<0.01，F=53.545，RMSE=0.315。

2.3.3 模型比較和選擇

拔節-孕穗期多元回歸模型的決定系數在0.9以上，大于單變量最優模型；RMSE小于單變量最優模型，因此認為光譜數據能夠完整獲取的情況下，拔節-孕穗期應選擇多元回歸模型對葉面積指數進行模擬計算。開花-乳熟期多元回歸模型的決定系數略小于單變量最優模型，但RMSE小于單變量最優模型，因此開花-乳熟期在光譜數據能夠完整獲取的情況下，應優先使用多元回歸模型。

3 討 論

利用高光譜遙感數據估算小麥、棉花和水稻的葉面積指數已經有很多研究。本研究對高光譜數據進行倒數對數、一階導數、二階導數變換，并選取基于高光譜位置變量、面積變量和植被指數變量的常見高光譜特征指數和LAI進行相關性分析及模型精度比較，以篩選冬小麥最優LAI估算模型。研究表明，與單純進行RVI、DVI、NDVI等常規植被指數反演LAI相比，從不同曲線特征進行高光譜位置、面積和植被指數分析會更加直接和全面[18-20]。另外，針對黃淮地區冬小麥LAI模擬研究目前還未見分生育時期建立模型的報道。本研究對拔節-孕穗、開花-乳熟期分別進行建模，結果證實了分生育時期建模的必要性。每個生育時期的敏感波段不同，尋找每個生育時期最敏感的波段和指數分別進行建立模型，才能提高葉面積指數估算的精度。這與辛明月等[5]研究結果相似。本研究由于采樣時間限制，只在冬小麥拔節-孕穗、開花-乳熟期各進行了兩個時次的數據采集，可能代表性不夠強；針對特定的時間、研究區建立的經驗模型是否具備普適性還需進一步探討；另外，滎陽地區連片冬小麥種植區面積有限，要進行大尺度遙感葉面積指數反演有難度，后期將主要針對鶴壁萬畝方試驗基地進行遙感數據反演等研究。