不同灌溉條件下冬小麥葉面積指數的高光譜監測

孫 慧 ，馮美臣 ，李廣信 ，王 超 ，肖璐潔，楊武德

（1.山西農業大學旱作工程研究所，山西太谷030801；2.山西省農業科學院作物科學研究所，山西太原030031）

葉面積指數（Leaf area index，LAI）是指單位土地面積上植物綠色葉片面積的總和。LAI作為一種表征植物冠層結構的重要參數，與植物的光合作用、蒸騰作用、呼吸作用等生理生化過程密切相關[1]。LAI既是一種衡量作物長勢的指標，又是決定作物生物量和產量大小的重要因素[2-4]，實時準確地估測LAI對小麥的生產具有重要的意義。

高光譜遙感具有光譜分辨率高、波段連續性強和光譜信息量大的顯著特點，可以直接獲取植物的冠層信息，對信息進行微弱光譜差異的定量分析，其已經被應用于作物長勢等方面的監測研究中[5-8]。在作物LAI的遙感監測中，國內外學者進行了大量的研究。HANSEN等[9]研究證明了植被光譜與LAI的關系密切。張曉艷等[10]通過研究花生冠層光譜與LAI的關系，結果發現，LAI與680～750 nm導數光譜反射率相關性較好。黃春燕等[11]研究證明，紅邊參數可用來估測棉花的LAI，其中以紅邊面積建立的模型預測精度最高。李映雪等[12]研究發現，冬小麥光譜參數與LAI的關系密切，可利用RVI（810，510）和DVI（810，560）反演小麥LAI。田永超等[13]研究了不同波段組合植被指數與LAI的關系，結果得到水稻LAI估測的最優光譜指數DI（854，760）。梁亮等[14]對比分析了18種光譜指數與小麥LAI的關系，最終建立了基于OSAVI的小麥LAI監測模型。陳雪洋等[15]通過對比不同波段組合的植被指數與LAI的相關性，以最優植被指數為自變量成功預測了冬小麥的LAI。束美艷等[16]構建了新型植被指數RRWVI，實現并提高了冬小麥LAI的預測精度。

植被指數能夠有效地綜合有關的光譜信號，減少非植被信息的影響，并增強對植被生物理化參數反應的敏感程度。目前，以植被指數為自變量建立回歸模型，因其簡便易行，仍被大量應用于LAI的監測中。但全波段反射率組合的光譜指數與LAI的關系還缺乏系統的研究。

本研究將冬小麥冠層光譜400～2 450 nm范圍內的原始光譜反射率和一階導數光譜反射率的任意兩波段進行組合，計算所得的光譜指數（NDVI，DVI和RVI）與冬小麥LAI的關系，旨在篩選出不同光譜指數的最優波段組合。此外，建立基于最優波段組合光譜指數的冬小麥LAI的監測模型，得出應用于LAI監測的最優光譜指數和監測模型。

1 材料和方法

1.1 試驗材料

供試冬小麥品種為京冬17。

1.2 試驗設計

本試驗于2015—2017年在山西農業大學農作站內（N37°25′，E 112°33′）進行。試驗在水分池中進行（根據FAO標準建立），供試土壤為石灰性黃褐土，土壤的容重是1.42 g/cm3，田間持水量為24.24%。其中，土壤有機質含量為9.84 g/kg，堿解氮含量為56.17 mg/kg，速效磷含量為21.35 mg/kg，速效鉀含量為174.85mg/kg。試驗采用隨機區組設計，共設5個灌溉處理（表1），重復3次，小區面積為2 m×3 m，共15個小區。每次灌溉的上限為田間持水量的80%。各處理均位于防雨棚中，全生育時期防止降水，雨養處理依據降雨量數據進行補給。各小區試驗施肥量為純氮150 kg/hm2、磷肥150 kg/hm2、鉀肥150 kg/hm2，肥料全部作為底肥一次性施入。

表1 本試驗中冬小麥的灌溉處理

1.3 測定指標及方法

1.3.1 冠層光譜的測定 在冬小麥主要生育時期進行冠層光譜反射率的采集。冬小麥冠層光譜反射率采用美國ASD公司的FieldSpec 3.0光譜儀測定，測定波段為350～2 500 nm，視場角度為25°，其中，350～1 000 nm間的光譜采樣間隔為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。測量選擇晴朗無風無云的天氣，時間為 10：00—14：00，觀測時，探頭水平向下，距冬小麥冠層1 m。為了減少光譜測定的誤差，每個小區選取3個測量點，每點獲取10個冠層光譜反射率，平均后作為本采樣點的冠層光譜反射率，每次測量前使用白板（40 cm×40 cm，BaSO4）進行光譜反射率的校正。

1.3.2 葉面積指數的測定 采用比重法測定葉面積指數。

1.4 數據分析

1.4.1 光譜指數的計算 為了尋找新的波段組合，本研究將400～2 450 nm的波段進行隨機組合，按下面的公式計算得到新的光譜指數。

其中，NDVI為歸一化植被指數，DVI為差值植被指數，RVI為比值植被指數，Ri和Rj分別表示i，j nm處的冠層光譜反射率，FDRi和FDRj表示i，j nm處的冠層光譜反射率的一階導數。

1.4.2 模型驗證參數 本研究利用決定系數（R2）、均方根誤差（Root mean squared error，RMSE）和預測殘差（Residual prediction deviation，RPD）對模型的表現進行綜合評定。

其中，yi和分別為 LAI的實測值和預測值，為LAI實測值的平均值，n為樣本數，SD為標準差。

2 結果與分析

2.1 冬小麥葉面積指數與冠層光譜的關系

圖1為冬小麥LAI與冠層光譜的原始光譜反射率和一階導數光譜反射率的相關系數。從圖1可以看出，原始光譜反射率與LAI的相關系數在400～729 nm和1335～2 450 nm處呈極顯著負相關，在636 nm處相關性最好，相關系數為-0.74；在739～1 155 nm范圍內呈極顯著正相關，在814 nm處相關性最好，相關系數為0.64；而LAI與一階導數光譜反射率的相關系數波動較大，其正相關最大值出現在743 nm處，相關系數為0.78，負相關最大值出現在438 nm處，相關系數為-0.79。

2.2 LAI與原始光譜指數的關系

本研究對比分析了冬小麥LAI與3種光譜指數（NDVI，DVI和RVI）的線性回歸方程的決定系數（R2）（圖2）。從圖2可以看出，光譜指數與LAI的相關性越高，其R2就越大（黑色）。因歸一化光譜指數NDVI和差值光譜指數DVI的數值是對稱的，所以本研究只顯示等高線圖的上三角矩陣。NDVI，DVI，RVI與冬小麥LAI有較高的相關性（R2＞0.6）。冬小麥LAI與NDVI和RVI的R2等高線圖呈現相似的分布，相關性較好的波段組合范圍均為420～460nm與 630～680 nm，510～640 nm與 600～1 300 nm，590～680nm與1500～1750nm（圖2-A，C）。NDVI，RVI的最優波段組合分別為 NDVI（473，486）和RVI（743，568），決定系數R2都達到了0.68。而DVI對LAI敏感的波段組合范圍較少，R2較高的波段組合區域為420～460 nm與440～520 nm。DVI與LAI相關性最好的波段組合為435，447 nm，決定系數R2達到 0.64。

2.3 LAI與導數光譜指數的關系

從圖3可以看出，導數光譜指數與LAI的敏感區分布較原始光譜反射率的光譜指數敏感范圍小，且不連續。3種導數光譜指數與LAI相關性較大的范圍各不相同，其中，以FDDVI的敏感范圍最大，相關性較好的波段組合為720～760 nm與全波段組合；FDDVI（718，723）與冬小麥 LAI的線性方程的決定系數最大，達到0.70。

2.4 基于最優波段組合光譜指數的冬小麥LAI監測模型的構建與驗證

本研究選取了R2最大的原始光譜指數和導數光譜指數作為最優光譜指數。經過篩選，最終得到最優光譜指數為 NDVI（473，486）；DVI（435，447）；RVI（743，568）；FDNDVI（521，566）；FDDVI（718，723）和FDRVI（721，507），并以此為自變量，與LAI進行線性與非線性關系（冪函數，對數函數，二次多項式方程等）的擬合。為了檢驗所構建的LAI監測模型的精確性和穩定性，將所采集的冬小麥樣品隨機劃分為校正集與驗證集，選取1/3的試驗數據作為模型的驗證集。各模型表現列于表1。

從表1可以看出，各監測模型都能對LAI進行較好的預測，R2均達到0.68以上，RPD大于1.7。各監測模型均以非線性模型表現最優。其中，以NDVI（473，486）和 FDDVI（718，723）為自變量構建的冬小麥葉面積指數的監測模型表現最優，校正集的R2，RMSE和RPD分別為0.70，1.34和1.83。利用獨立的樣本數據對預測模型精度進行驗證，各模型驗證精度R2均在0.57以上，RPD均大于1.52。綜上所述，利用最優光譜指數可以較好地實現對冬小麥LAI的預測。綜合考慮模型校正與驗證的結果，LAI的最優模型是以DVI（435，447）為自變量的指數模型 y＝10.669e-701.9x。

3 結論與討論

LAI是作物長勢監測和產量估測的重要參數。本研究通過研究不同灌溉條件下冬小麥冠層光譜反射率以及光譜指數與LAI的關系，構建和篩選出用于冬小麥LAI監測的最優光譜指數和最優模型。結果表明，冬小麥冠層光譜以及導數光譜反射率與LAI的關系密切。冠層光譜反射率在可見光和近紅外區域與LAI呈極顯著負相關；在近紅外區與LAI呈極顯著正相關[12]。最優波段組合的原始光譜指數和導數光譜指數與LAI相關性較好，以此為自變量建立的線性或非線性回歸方程R2均達到0.64以上，RPD均大于1.6，可以用于冬小麥LAI的定量監測。其中，各監測模型均以非線性模型表現最優，可能是由于在LAI較高時，光譜指數出現飽和現象[17-18]。通過對比監測模型校正與驗證的表現，得到冬小麥LAI監測的最優模型是以光譜指數DVI（435，447）為自變量的指數模型y＝10.669e-701.9x。

表1 基于最優光譜指數的冬小麥LAI的監測模型

導數光譜處理是最常用的光譜預處理方法之一，其可以減小背景噪聲的影響，區分反射重疊峰，放大某些細微的變化。一些學者利用導數光譜指數實現了LAI[13]、葉片水分[19-20]和葉綠素含量[21]的估測。不同灌溉處理下冬小麥的水分狀況不同，LAI受到明顯的影響，其冠層光譜反射率受土壤背景影響較大。但與原始光譜指數對比，導數光譜指數在提高其與目標變量的相關性以及模型精度方面表現不穩定，其還有待進一步研究。