基于新型植被指數的冬小麥LAI高光譜反演

束美艷，顧曉鶴，孫林，朱金山，楊貴軍，王延倉，張麗妍

?

基于新型植被指數的冬小麥LAI高光譜反演

束美艷1,2,3,4，顧曉鶴2,3,4，孫林1，朱金山1，楊貴軍2,3,4，王延倉5，張麗妍2,3,4

（1山東科技大學測繪科學與工程學院,山東青島 266590；2農業部農業遙感機理與定量遙感重點實驗室/北京農業信息技術研究中心，北京 100097；3國家農業信息化工程技術研究中心，北京 100097；4北京市農業物聯網工程技術研究中心，北京 100097；5北華航天工業學院，河北廊坊 065000）

【目的】本研究旨在分析冠層葉片水分含量對作物冠層光譜的影響，構建新型光譜指數來提高作物葉面積指數高光譜反演的精度。【方法】在冬小麥水肥交叉試驗的支持下，分析不同筋性品種、施氮量、灌溉量處理下的冬小麥葉面積指數冠層光譜響應特征，并分析標準化差分紅邊指數（NDRE）、水分敏感指數（WI）與葉面積指數的相關性，據此構建一個新型的植被指數——紅邊抗水植被指數（red-edge resistance water vegetable index, RRWVI）。選取常用的植被指數作為參照，分析RRWVI對于冬小麥多個關鍵生育期葉面積指數的診斷能力，隨機選取約2/3的實測樣本建立基于各種植被指數的葉面積指數高光譜響應模型，未參與建模的樣本用于評價模型精度。【結果】研究結果表明，隨著生育期的推進，冬小麥的葉面積指數呈先增加后降低的變化趨勢，不同的水肥處理對冬小麥葉面積指數具有較大影響。開花期之后冬小麥LAI顯著下降，強筋小麥（藁優2018）在整個生育期葉面積指數均高于中筋小麥（濟麥22）；不同氮水平下冬小麥冠層光譜反射率在近紅外波段（720—1 350 nm）隨著施氮量的增加而增大，與氮肥梯度完全一致，其中2倍氮肥處理的近紅外反射率達到最高；不同生育期下冬小麥冠層光譜反射率變化波形大體一致；各個關鍵生育期的NDRE和WI均存在較高的相關性，而 NDRE與LAI的相關性明顯優于WI，新構建的植被指數RRWVI與LAI的相關性均優于NDRE、WI；雖然8個常用的植被指數均與LAI存在顯著相關，但RRWVI與LAI相關性達到最大，其擬合曲線的決定系數2為0.86。【結論】通過分析各種指數所構建的冬小麥葉面積指數高光譜反演模型，新構建的RRWVI取得了比NDRE、NDVI等常用植被指數更為可靠的反演效果，說明本研究新構建的紅邊抗水植被指數可有效提高冬小麥葉面積指數的精度。

冬小麥；高光譜；紅邊抗水植被指數；葉面積指數；標準化差分紅邊指數；歸一化植被指數

0 引言

【研究意義】冬小麥在我國是僅次于水稻的第二大糧食作物，其播種面積約占糧食播種總面積的1/5。葉面積指數（leaf area index，LAI）與作物的蒸騰作用和光合作用密切相關，是反映作物群體長勢狀況的重要指標[1-3]，快速、無損、精準地監測冬小麥關鍵生育期的葉面積指數，對準確掌握長勢動態、水肥調控、災害監測和產量預測等田間生產管理具有重要意義[4-7]，歷來受到農業管理部門的高度重視。利用農作物植被指數，能夠非破壞性地獲取作物生長狀況，該方法能高效的監測冬小麥長勢動態，但需要以地面實證研究為基礎建立實用的指數，確定其可用性與不確定性[8-10]。當前冬小麥葉面積指數觀測主要可分為田間取樣和遙感監測兩種方式。田間取樣主要是破壞性獲取植株樣本，在室內通過比葉重法或面積量算法來獲取樣本點的LAI，精度較高，但費時費力、代表性較差，僅適用于小范圍區域，且具有一定的主觀性。遙感監測技術具有大面積實時觀測、客觀性強和成本低等特點，目前已成為農業管理部門監測作物生長狀況的主要手段之一。【前人研究進展】近年來高光譜傳感器的迅猛發展，為農作物葉面積指數遙感監測提供了日益豐富的多譜段、多分辨率的數據源[11-12]。農作物葉面積指數的高光譜響應特征分析及敏感光譜指數優選是區域尺度遙感反演的基礎。賀佳等[13]基于冬小麥不同生育時期，建立葉面積指數高光譜遙感監測模型，提高了葉面積指數高光譜監測精度；劉珂等[14]研究利用實測冬小麥冠層高光譜反射率，構造了不同光譜分辨率和波段組合的5種光譜數據，研究解釋了高光譜遙感數據是否能提高植被參數反演精度的問題；李子揚等[15]利用輻射傳輸模型（PROSPECT和SAILH）模擬高光譜冠層反射率數據進行葉面積指數遙感反演，結果顯示所建模型能較好的反映出真實葉面積指數。作物冠層光譜反射率受多種因素的影響，如土壤背景、作物生物物理特性和水肥管理等[16]。通過冠層光譜的多波段信息構建各種植被指數來反演葉面積指數，可有效凸顯作物群體結構信息，降低干擾因素的影響。當前最常用的歸一化植被指數NDVI（normalized difference vegetation index）與葉面積指數具有較好的相關性[17]，但NDVI與土壤背景亮度有很好的關系，較易受到土壤類型的干擾，且NDVI在LAI較高時具有易飽和的缺陷[18]；HUETE等[19]提出的土壤調整指數SAVI（soil-adjusted vegetation index）能有效消除土壤帶來的影響；KAUFMAN等[20]從作物生物物理特性的角度提出了大氣阻抗指數ARVI（atmospherically resistant vegetation index），通過增加藍色波段信息，使得其對大氣阻抗能力優于NDVI。不同的植被指數具有不同的表征能力和局限性，近年來一些學者提出了指數組合的方法來構建新型植被指數，以期提高作物群體參數反演精度。如HABOUDANE等[21]構建的TCARI/OSAVI（transformed chlorophyll absorption in reflectance index/optimized soil-adjusted vegetable index），該指數對葉綠素含量的變化很敏感，對LAI的變化和底層土壤背景具有抵抗性。因此加強葉面積指數的高光譜機理解析，進一步優化植被指數構建方法，有助于提高作物葉面積指數的遙感反演精度，降低土壤、植株水分、葉片色素等干擾因素的影響。【本研究切入點】考慮到作物冠層光譜是作物各種理化特性綜合作用的結果，前人基于高光譜數據反演LAI的研究多是在方法改進上提高葉面積指數反演的精度，而未考慮植株含水量對其的影響。而葉面積指數與植株含水量存在較大的表征差異，即葉面積指數高低與植株含水量高低往往不一致，本研究旨在構建一個能有效避免植株含水量干擾的光譜指數來提升作物葉面積指數的高光譜反演精度。【擬解決的關鍵問題】通過開展冬小麥水肥交叉田間試驗，分析標準化差分紅邊指數NDRE（normalized difference red edge）、水分敏感指數WI（water index）與葉面積指數的相關性，據此構建一個新型的植被指數——紅邊抗水植被指數（red-edge resistance water vegetable index，RRWVI）。與多種常用植被指數對比分析RRWVI對冬小麥葉面積指數反演的可行性和有效性，實現提升冬小麥葉面積指數高光譜反演的精度，以期為區域尺度遙感監測提供方法借鑒。

1 材料與方法

1.1 研究區域與試驗設計

田間試驗設在北京市昌平區小湯山國家精準農業研究示范基地（北緯40°00′—40°21′，東經116°34′—117°00′），海拔高度 36m，研究區域地理位置如圖1所示。試驗地土壤類型為潮土，氣候類型為大陸性季風氣候。試驗時間為2013—2014年小麥生長季，選用2個不同筋性的小麥品種濟麥22（中筋麥）和藳優2018（強筋麥）。設置不同的氮肥梯度和灌溉梯度，其他管理條件完全相同。播種時間為2013年9月27日，播種量為330—345 kg·hm-2。氮肥梯度4個：0（N1）、103.5 kg N·hm-2（1/2正常，N2）、207 kg N·hm-2（正常，N3）、60 kg N·hm-2（2倍正常，N4），基追比1﹕1。水分處理3個：雨養（W1）、正常灌溉（W2）、過量灌溉（2倍正常水，W3），正常水量750 m3·hm-2。小區70 m×65 m，共16個小區，每個小區4個角點采用亞米級GPS進行定位，每區15 m×15 m，試驗設計如圖2。

圖1 研究區地理位置

1.2 數據獲取

開展5次關鍵生育期的田間觀測，分別是返青期（3月25日）、拔節期（4月8日）、孕穗期（4月22日）、開花期（5月5日）和灌漿期（5月22日），各生育期冬小麥生長狀況如圖3所示。室外測量冠層光譜反射率數據，室內測量葉面積指數、葉片含水量和植株含水量。采用美國ASD Fieldspec Pro FR2500光譜儀測定田間冠層光譜數據，波譜范圍為350—2 500 nm，其中350—1 000 nm的光譜采樣間隔為1.4 nm，光譜分辨率為3 nm，1 000—2 500 nm的光譜采樣間隔為2 nm，光譜分辨率為10 nm。冠層光譜測定時間為10：00—14：00，天氣晴朗、無云無風。測量時探頭垂直于冠層上方1 m左右，測定前后均用白板進行標定，每小區測量3個樣點，每個樣點測量10次冠層光譜，取平均值作為該樣本小區的冠層光譜反射率。

圖2 水肥試驗圖

葉面積測量采用比葉重法，針對每一樣本小區，在測量高光譜的相同位置選取具有代表性的10株小麥作為樣品放入密封取樣袋，在室內將葉片和莖迅速稱鮮重，取展開葉片中部寬窄一致的地方，剪成2 cm的小段，用直尺測定總寬度，計算取樣面積，裝入小紙袋烘干后稱重，并將其他剩余綠葉全部烘干后稱重；所有剩余植株綠葉均摘下擦凈烘干后稱重；莖烘干后稱重。LAI計算公式為（1），葉片含水量和植株含水量的計算公式為（2）和（3）：

圖3 冬小麥關鍵生育期圖片

式中，S為標葉面積（cm2）；A為取樣面積（m2）；M為取樣面積上的總株數；10 000是將cm2換算成m2；W1為標葉重（g）；W2為10株的余葉重（g）；W3為剩余植株葉片重（g）；W4為10株葉片總鮮重（g）；W5為10株莖鮮重（g）；W6為10株莖干重（g）。

1.3 數據分析

1.3.1 新植被指數構建 作物光譜反射率“紅邊”是指作物冠層在紅波段的強吸收到近紅外波段多次散射形成高反射的過度波段，紅邊是植被營養、長勢、水分和葉面積等的指示性特點，得到了廣泛應用和證實[22-23]。植被生長旺盛時，紅邊會紅移，當遇病蟲害和水肥脅迫時紅邊會藍移。FITZGERALD等[24]提出了標準化差分紅邊指數NDRE，提高了多種作物理化參數的反演精度，NDRE計算公式如下：

水敏感光譜指數是指葉片水分吸收不同能量波長處的反射率和強度的組合。水分指數WI已經成功用于評估不同含水量的植被種類[25]，其計算公式如下：

葉面積指數是小麥生長狀況的重要群體結構參數，考慮到植株含水量會對葉面積指數高光譜反演造成影響，本文嘗試將NDRE與WI組合運算，構建新型光譜指數—紅邊抗水植被指數（red-edge resistance water vegetable index, RRWVI），旨在提高LAI高光譜反演的精度。RRWVI的計算公式如下：

1.3.2 LAI高光譜反演模型構建與驗證 共計獲取5個生育期70個樣本數據，為了分析構建的新型植被指數對于冬小麥葉面積指數的反演能力，在田間觀測樣本中隨機抽取約2/3（45個）樣本作為訓練樣本，計算RRWVI以及前人研究中常用的植被指數，以未參與建模的約1/3（25個）樣本作為檢驗樣本。考慮到LAI較大時植被指數易飽和的問題，采用指數函數構建冬小麥葉面積指數高光譜反演模型。冠層光譜反射率受大氣吸收、土壤背景、光照等因素的影響，因此選擇的參照植被指數盡量全面，所選植被指數如表1。

1.3.3 精度評價 以未參與建模的約1/3（25個）樣本作為檢驗樣本，評價各個植被指數構建的葉面積指數反演模型，采用決定系數（coefficient of determination，2）、均方根誤差（root mean aquare error，）2個指標對檢驗樣本的預測值和實驗值進行模型精度評價。

式中，Pi為LAI預測值，Qi為LAI觀測值，i為樣本。

2 結果

2.1 冬小麥LAI生育進程分析與高光譜特征分析

首先，分析冬小麥LAI生育進程變化規律（圖4）。隨著生育期的推進冬小麥的葉面積指數先增加后降低，孕穗期達到最大。麥苗越冬以后，當日平均氣溫達到5℃左右時小麥開始返青，此時小麥植株明顯恢復生長，田間麥苗覆蓋率很低，LAI為1.0左右；起身期植株生長發育加快，至拔節期小麥LAI可達3.5左右，與返青期LAI差異顯著，此時光譜響應特征信息明顯，基本能夠反映冬小麥的長勢好壞，該時期是水肥調控的重要時期；孕穗期是小麥旗葉長出的時期，此時LAI在整個生育期達到最大，不同的水肥處理樣本LAI差異較大，在5—8之間；開花期冬小麥從營養生長向生殖生長轉變，LAI較孕穗期有所降低，缺水缺肥處理的樣本生育進程明顯提前，部分樣本葉片變黃、脫落，導致LAI降低，開花期平均LAI在5.5左右；灌漿期植株營養成分向籽粒轉移，冬小麥LAI顯著下降。藁優2018與濟麥22筋性不同，雖同屬于緊湊株型，但前者分蘗能力大于后者，使得整個生育期的LAI表現出藁優2018略高于濟麥22。

其次，分析冬小麥關鍵生育期冠層光譜響應特征。不同生育期、不同冠層結構和不同植株水分均會表現出不同的光譜反射特征。圖5-A顯示了不同氮水平下冬小麥冠層光譜反射率（以藁優2018正常水小麥孕穗期為例），在近紅外波段（720—1 350 nm），冬小麥冠層光譜反射率隨著施氮量的增加而增大，與氮肥梯度完全一致，其中2倍氮肥處理的近紅外反射率達到最高；不同施氮水平下小麥冠層光譜反射率在可見光波段（350—720 nm）差異不明顯。圖5-B顯示了不同生育期下冬小麥冠層光譜反射率（以藁優2018正常水肥處理為例），從圖中可以看出，小麥冠層光譜反射率變化波形大體一致，在可見光波段小麥冠層光譜反射率在550 nm處有較大差異，近紅外區域，從返青期到拔節期光譜反射率升高且達到最高，之后隨著生育期的推進，冠層光譜反射率逐漸下降，在灌漿期達到最低。

表1 常用植被指數計算公式

Ri為i波段的反射率

Rirepresentatives the reflectivity of iband

圖中大寫字母表示LAI在0.01水平下差異顯著，小寫字母表示LAI在0.05水平下差異顯著

2.2 新型光譜指數RRWVI分析

冬小麥不同生育期葉片含水量不同，各個生育期的NDRE和WI均存在較好的相關性（圖6）。因此，本文參考HABOUDANE等[21]創建新型植被指數的方法，猜想葉面積指數很可能與斜率（NDRE/WI）密切相關，據此構建一個新的植被指數—紅邊抗水植被指數（RRWVI），探討該指數與LAI的響應關系。

圖5 不同施氮水平的冬小麥冠層光譜變化（A）和關鍵生育期冬小麥冠層光譜變化（B）

圖6 關鍵生育期NDRE與WI的相關性

2.3 新型光譜指數的LAI反演模型分析

隨機抽取45個樣本作為訓練樣本，計算RRWVI以及前人研究中常用的植被指數，采用指數函數構建冬小麥葉面積指數高光譜反演模型。結果表明，各種植被指數建立的LAI反演模型的決定系數均較高，在0.49—0.83之間，其中新構建的RRWVI模型的決定系數最高，2達到0.83；其次是NDVI，2為0.78，NDRE和SAVI所建模型的2值分別為0.73和0.71；PRI與DVI效果接近，2分別為0.66、0.67；RVI和NPCI的2分別為0.59和0.56。從均方根誤差角度來看，NVI有最大的均方根誤差（=1.905），新構建的植被指數RRWVI有最小的均方根誤差，為1.038。綜合來看，與常用的幾種植被指數相比，新型植被指數RRWVI是一個預測冬小麥LAI前景較好的指數（表2）。

2.4 模型精度驗證

利用剩余的25個樣本進行精度評價，計算檢驗樣本的預測值與實測值之間的決定系數和（圖7）。各個植被指數的反演模型的LAI預測值與實測值一致性均較好，檢驗樣本的決定系數在0.54—0.86，在0.78—1.72。新構建的RRWVI模型的決定系數最高，可達0.86，為0.78，說明該植被指數穩定性較好；其次是NDVI，2為0.842，=0.85；比值植被指數RVI、土壤調節植被指數SAVI和標準化差分紅邊植被指數NDRE的LAI反演精度相當，2在0.75左右，在1.1左右；然后是NVI、DVI、NPCI的精度逐次降低，其中PRI精度最低，2為0.544，為1.72。新構建的植被指數充分顯示了紅邊波段帶在監測冬小麥LAI上的優勢，同時考慮植株水分含量對冠層光譜的影響，提高了冬小麥葉面積指數的反演精度，在所選用的植被指數中監測冬小麥多生育期的葉面積指數效果最佳。

表2 基于植被指數的LAI反演模型對比分析

圖7 基于檢驗樣本的LAI反演模型精度驗證

3 討論

葉面積指數是表征作物冠層結構的重要指標之一，可以反映作物生長發育的動態變化，也是作物遙感估產的重要中間參量。敏感光譜指數優選是區域尺度作物葉面積指數衛星遙感反演的基礎。植株水分是決定作物冠層光譜特征的重要因素之一，會影響作物葉面積指數的光譜診斷能力。反演植株生理生化參數的研究中應用最多的是紅邊參數，通常是指680—750 nm，紅邊會隨葉面積指數、植株水分含量、葉綠素含量等參數的變化而變化。許多學者考慮到光譜指數的響應能力的不同，開展了大量用于葉面積指數反演的光譜指數研究。HATFIELD等[33]研究發現比值植被指數RVI與LAI的相關性較高，能很好的預測冬小麥LAI；GITELSON等[34]提出綠波段比值植被指數GRVI（green ratio vegetation index），利用該指數預測LAI具有較高的精度；為了解決NDVI易受土壤背景的影響的問題，RONDEAUX等[35]提出優化土壤調整植被指數OSAVI。HABOUDANE等[36]將TCARI和OSAVI兩種植被指數結合構建新的植被指數TCARI/OSAVI預測作物葉綠素含量并取得較高的精度。本文嘗試了將應用較為廣泛的NDRE和WI進行數學組合，提出了紅邊抗水植被指數（RRWVI），在田間試驗的支持下，開展了RRWVI、NDRE、WI與LAI的相關性對比分析，并以常用植被指數作為參考，分析了基于RRWVI的冬小麥LAI光譜反演模型精度，取得了優于常用植被指數的反演效果。

本文使用的數據來源于國家精準農業示范基地開展的小區水肥控制試驗，包含了2個品種、4個氮肥梯度和3個灌溉梯度，規范的田間觀測確保了LAI與光譜數據的可靠性，使得本文取得了較為滿意的研究效果。結果顯示新型植被指數RRWVI既適用于不同的筋性品種，又適用于不同的水肥管理條件，具有較好的普適性。本文使用了2種不同的小麥筋性品種進行驗證，今后將嘗試使用更多的小麥品種來評價新型植被指數RRWVI的穩定性和普適性。此外，本文僅考慮了葉片水分對冠層光譜反演LAI的影響，暫未考慮葉綠素對冠層光譜的影響，有必要在今后的研究中分析LAI、葉片水分、葉片葉綠素對冠層光譜的耦合影響，從而進一步提高作物LAI的光譜診斷能力。本文構建的新型植被指數RRWVI使用的光譜波段分別為720、790、900、970 nm，近年來高光譜衛星技術發展迅速，如CHRIS、ARIES-1、HJ-1A HSI、EO-1 Hyperion等高光譜影像均具備這些波段，以及2018年發射成功的高分5號所搭載的全譜段光譜成像儀也能獲取上述波段的影像，因此RRWVI在利用高光譜衛星影像進行區域尺度葉面積指數監測方面具備潛在的應用價值；此外，隨著無人機技術的日益成熟，其攜帶的成像光譜儀具有波段更窄、波段范圍更寬的特點，且空間分辨率更高，RRWVI在利用無人機成像光譜進行園區尺度監測上也具備較大潛力。我們將在后續的研究中進一步驗證新型植被指數RRWVI在衛星高光譜及無人機高光譜影像上的實際應用能力。

4 結論

本文旨在分析冠層葉片水分含量對作物冠層光譜的影響，構建新型光譜指數來提高作物葉面積指數高光譜反演的精度。通過標準化差分紅邊指數（NDRE）、水分敏感指數（WI）與葉面積指數的相關性分析，構建了一個新型的植被指數——紅邊抗水植被指數（red-edge resistance water vegetable index，RRWVI），選取常用的植被指數作為參照，分析RRWVI對于冬小麥葉面積指數的響應能力。與常用的植被指數相比，本文所構建的RRWVI與LAI具有較高的相關性，有效地提高了冬小麥葉面積指數高光譜反演精度，決定系數可達0.83，取得了比NDRE、NDVI等常用植被指數更為可靠的反演效果；利用剩余的1/3樣本進行精度評價，新構建的RRWVI模型的決定系數最高，2可達0.86，RMSE為0.78，說明該植被指數穩定性較好。本文采用指數形式構建的反演模型在一定程度上避免了LAI較大時植被指數易飽和的問題。RRWVI反演冬小麥葉面積指數的同時考慮了植株水分對冠層光譜的影響，可為區域尺度作物葉面積指數的遙感監測提供一種新的方法借鑒。

[1] LEE K S. Hyperspectral versus multispectral data for estimating leaf area index in four different biomes., 2004, 91(3): 508-520.

[2] LI Z W, XIN X P, TANG H, YANG F, CHEN B R, ZHANG B H. Estimating grassland LAI using the random forests approach and landsat imagery in the meadow steppe of Hulunber, China., 2017, 16(2): 286-297.

[3] FAN W J, XU X R, LIU X C, YAN B Y, CUI Y K. Accurate LAI retrieval method based on PROBA/CHRIS data., 2010, 6(6): 7001-7024.

[4] 李衛國, 趙春江, 王紀華, 劉良云, 宋曉宇. 基于衛星遙感的冬小麥拔節期長勢監測. 麥類作物學報, 2007, 27(3): 523-527.

LI W G, ZHAO C J, WANG J H, LIU L Y, SONG X Y. Monitoring the growth condition of winter wheat in jointing stage based on Land Sat TM Image, 2007, 27(3): 523-527. (in Chinese)

[5] Li G, Li X, Li G, Wen W, Wang H, Chen L, Yu J, Deng F. Comparison of spectral characteristics between China HJ1-CCD and Landsat 5 TM imagery., 2013, 6(1): 139-148.

[6] KRISHNAN P, SHARMA R K, DASS A, KUKREJA A, SRIVASTAV R, SINGHAL R J, BANDYOPADHYAY K K, LAL K, MANJAIAH K M, CHHOKARB R S, GILL S C. Web-based crop model: Web InfoCrop-Wheat to simulate the growth and yield of wheat., 2016, 127: 324-335.

[7] SOUDANI K, FRAN?OIS C, MAIRE G L, DANTEC V L, DUFRêNE E. Comparative analysis of IKONOS, SPOT, and ETM+ data for leaf area index estimation in temperate coniferous and deciduous forest stands., 2006, 102(1): 161-175.

[8] 賈學勤, 馮美臣, 楊武德, 王超, 肖璐潔, 孫慧, 武改紅, 張松. 基于多植被指數組合的冬小麥地上干生物量高光譜估測. 生態學雜志, 2018, 37(2): 424-429.

JIA X Q, FENG M C, YANG W D, WANG C, XIAO L J, SUN H, WU G H, ZHANG S. Hyperspectral estimation of aboveground dry biomass of winter wheat based on the combination of vegetation indices, 2018, 37(2): 424-429. (in Chinese)

[9] 田明璐. 西北地區冬小麥生長狀況高光譜遙感監測研究[D]. 楊凌: 西北農林科技大學, 2017.

TIAN M L. Monitoring winter wheat growth conditions in the northeast region of China by using hyperspectral remote sensing[D]. Yangling: Northwest A&F University, 2017. (in Chinese)

[10] 劉洋, 劉榮高, 陳鏡明, 程曉, 鄭光. 葉面積指數遙感反演研究進展與展望. 地球信息科學學報, 2013, 15(5): 734-743.

LIU Y, LIU R G, CHEN J M, CHENG X, ZHENG G. Current status and perspectives of leaf area index retrieval from optical remote sensing data., 2013, 15(5): 734-743. (in Chinese)

[11] GONG P, PU R, BIGING G S, LARRIEU M R. Estimation of forest leaf area index using vegetation indices derived from hyperion hyperspectral data., 2003, 41(6): 1355-1362.

[12] KAUWE M G D, DISNEY M I, QUAIFE T, LEWIS P, WILLIAMS M. An assessment of the modis collection 5 leaf area index product for a region of mixed coniferous forest., 2011, 115(2): 767-780.

[13] 賀佳, 劉冰鋒, 李軍. 不同生育時期冬小麥葉面積指數高光譜遙感監測模型. 農業工程學報, 2014, 30(24): 141-150.

HE J, LIU B F, LI J. Monitoring model of leaf area index of winter wheat based on hyperspectral reflectance at different growth stages., 2014, 30(24): 141-150. (in Chinese)

[14] 劉軻, 周清波, 吳文斌, 陳仲新, 唐華俊. 基于多光譜與高光譜遙感數據的冬小麥葉面積指數反演比較. 農業工程學報, 2016, 32(3): 155-162.

LIU K, ZHOU Q B, WU W B, CHEN Z X, TANG H J. Comparison between multispectral and hyperspectral remote sensing for LAI estimation., 2016, 32(3): 155-162. (in Chinese)

[15] 李子揚, 錢永剛, 申慶豐, 王寧, 劉耀開, 馬靈玲, 孔祥生. 基于高光譜數據的葉面積指數遙感反演. 紅外與激光工程, 2014, 43(3): 944-949.

LI Z Y, QIAN Y G, SHEN Q F,WANG N, LIU Y K, MA L L, KONG X S. Leaf area index retrieval from remotely sensed hyperspectral data.,2014, 43(3): 944-949. (in Chinese)

[16] FENG W, ZHANG H Y, ZHANG Y S, QI S L, HENG Y R, GUO B B, MA D Y, GUO T C. Remote detection of canopy leaf nitrogen concentration in winter wheat by using water resistance vegetation indices from in-situ hyperspectral data., 2016, 198: 238-246.

[17] Gitelson A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation., 2004, 161(2): 165-173.

[18] THENKABAIL P S, SMITH R B, PAUW E D. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics., 2000, 71(2): 158-182.

[19] HUETE, A R, JACKSON R D, POST D F. Spectral response of a plant canopy with different soil backgrounds., 1985, 17(1): 37-53.

[20] KAUFMAN Y J, TANRE D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS., 1992, 30(2): 261-270.

[21] HABOUDANE D, MILLER J R, TREMBLAY N, ZARCO-TEJADA P J, DEXTRAZE L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture., 2002, 81(2): 416-426.

[22] 胡昊, 白由路, 楊俐蘋, 盧艷麗, 王磊, 王賀, 孔慶波. 不同氮營養冬小麥冠層光譜紅邊特征分析. 植物營養與肥料學報, 2009, 15(6): 1317-1323.

HU H, BAI Y L, YANG L P, LU Y L, WANG L, WANG H, KONG Q B. Red edge parameters of winter wheat canopy under different nitrogen levels., 2009, 15(6): 1317-1323. (in Chinese)

[23] 盧艷麗, 李少昆, 白由路, 謝瑞芝, 宮永梅. 冬小麥冠層光譜紅邊參數的變化及其與氮素含量的相關分析. 遙感技術與應用, 2007, 22(1): 1-7.

LU Y L, LI S K, BAI Y L, XIE R Z, GONG Y M. Spectral red edge parametric variation and correlation analysis with N content in winter wheat., 2007, 22(1): 1-7. (in Chinese)

[24] FITZGERALD G J, RODRIGUEZ D, CHRISTENSEN L K, BELFORD R, SADRAS V O, CLARKE T R. Spectral and thermal sensing for nitrogen and water status in rainfed and irrigated wheat environments., 2006, 7(4): 233-248.

[25] PENUELAS J, PINOL J, OGAYA R, FILELLA I. Estimation of plant water concentration by the reflectance water index WI (R900/R970).1997, 18(13): 2869-2875.

[26] ADAMS M L, PHILPOT W D, NORVELL W A. Yellowness index: an application of spectral second derivatives to estimate chlorosis of leaves in stressed vegetation., 1999, 20(18): 3663-3675．

[27] SERRANO L, PENUELAS J, USTIN S L. Remote sensing of nitrogen and lignin in mediterranean vegetation from AVIRIS data: Decomposing biochemical from structural signals., 2002, 81(2): 355-364．

[28] GITELSON A A, KAUFMAN Y J, STARK R, RUNDQUIST D. Novel algorithms for remote estimation of vegetation fraction., 2002, 80(1): 76-87.

[29] HUETE A R. A soil-adjusted vegetation index (SAVI)., 1988, 25(3): 295-309.

[30] SIM D A, GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages., 2002, 81(2): 337-354.

[31] PENUELAS J, GAMON J A, FREDEEN A L, MERINO J, FIELD C B. Reflectance indices associated with physiological changes in nitrogen-and water-limited sunflower leaves., 1994, 48(2): 135-146.

[32] GAMON J A, PENUELAS J, FIELD C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency., 1992, 41(1): 35-44.

[33] HATFIELD J L, KANEMASU E T, ASRAR G, JACKSON R D, PINTERJR P J, REGINATO R J, IDSO S B. Leaf-area estimates from spectral measurements over various planting dates of wheat., 1985, 6(1): 167-175.

[34] GITELSON A A, KAUFMAN Y, MERZLYAK M N. Use of green channel in remote of sensing global vegetation from EOS-MODIS., 1996, 58(3): 289-298.

[35] RONDEAUX G, STEVEN M, BARET F. Optimization of soil- adjusted vegetation indices., 1996, 85(17): 8369-8375.

[36] HABOUDANE D, MILLER J R, PATTEY E, ZARCO-TEJADA P J, STRACHAN I B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture., 2004, 90(3): 337-352.

（責任編輯 楊鑫浩）

High Spectral Inversion of Winter Wheat LAI Based on New Vegetation Index

SHU Meiyan1,2,3,4, GU Xiaohe2,3,4, SUN Lin1, ZHU Jinshan1,YANG Guijun2,3,4, WANG Yancang5,ZHANG Liyan2,3,4

(1College of Geomatics Shandong University of Science and Technology, Qingdao 266590, Shandong;2Key Laboratory of Quantitative Remote Sensing in Agriculture of Ministry of Agriculture/Beijing Research Center for Information Technology in Agriculture, Beijing 100097;3National Engineering Research Center for Information Technology in Agriculture, Beijing 100097;4Beijing Engineering Research Center for Agriculture Internet of Things, Beijing 100097;5North China Institute of Aerospace Engineering, Langfang 065000, Hebei)

【Objection】The purpose of this study was to analyze the effect of leaf water content on crop canopy spectra and to construct a new spectral index, so as to improve the accuracy of high spectral inversion of crop leaf area index (LAI).【Method】 Under the support of winter wheat water-fertilizer cross test, the canopy spectral response characteristics of LAI of winter wheat under different recalcitrant cultivars, nitrogen application rates and irrigation amount were analyzed. Through the correlation analysis among the normalized differential red edge index (NDRE), water sensitivity index (WI) and LAI, the paper developed, a new vegetation index, the red-edge resistance water vegetation index (RRWVI) to inverse winter wheat LAI. Several commonly used vegetation indices were used as a reference to analyze the response ability of RRWVI to diagnose the LAI of many key winter wheat varieties. 2/3 of the measured samples were randomly selected to establish a high spectral response model of LAI based on various vegetation indices and 1/3 of the samples not involved in the modeling were used to evaluate the accuracy of the model. 【Result】The results showed that with the advancement of growth period, the LAI of winter wheat first increased and then decreased, and different water and fertilizer treatments had a greater effect on it.After the flowering stage, the LAI of winter wheat declined significantly, and the LAI of strong gluten wheat (Gaoyou2018) was higher than that of medium-gluten wheat (Jimmy22) during the whole growth period. The spectral reflectance of winter wheat under different nitrogen levels increased with the increase of nitrogen application rate in the near-infrared band (720-1 350 nm), which was completely consistent with the nitrogen fertilizer gradient. The samples with twice-nitrogen treatment had the highest near-infrared reflectance, and the changed in spectral reflectance of winter wheat canopy under different growth stages were generally consistent. There was a high correlation between NDRE and WI in each key growth period, and the correlation between NDRE and LAI was significantly better than that of WI. The correlation between RRWVI and LAI was better than NDRE and WI.Although 8 commonly used vegetation indices are significantly correlated with LAI, RRWVI has the greatest correlation with LAI, and the coefficient of determination2 of the fitting curve reached 0.86.【Conclusion】 By analyzing the hyperspectral inversion model of winter wheat LAI constructed by all kinds of indices, the newly constructed RRWVI achieved a more reliable inversion effect than frequently-used vegetation indices, such as NDRE and NDVI, indicating that the newly constructed red edge water-resistant vegetation index could effectively improve the accuracy of monitoring winter wheat LAI.

winter white; hyperspectral; RRWVI; leaf area index; NDRE; NDVI

10.3864/j.issn.0578-1752.2018.18.005

2018-04-18；

2018-06-13

國家重點研發計劃（2016YFD0300609）、國家自然科學基金（41571323）、北京市自然科學基金（6172011）、北京市農林科學院創新能力建設專項（KJCX20170705）、河北省青年基金（D2017409021）

束美艷，E-mail：2448858578@qq.com。通信作者顧曉鶴，E-mail：guxh@nercita.org.cn