基于遙感影像植被指數變化量分析的冬小麥長勢動態監測

陸 洲，羅 明，譚昌偉，徐飛飛，梁 爽，楊 昕

(1.中國科學院地理科學與資源研究所，北京 100101； 2.揚州大學農學院，江蘇揚州 225009)

小麥長勢是反映小麥生長狀況和趨勢的綜合指標。應大尺度信息獲取的需要，遙感技術在農業上被廣泛應用，以及時掌握作物的生長、病蟲害等情況，為農業生產中的調優栽培提供依據。近年來，基于不同的方法以作物的光譜反射率監測作物長勢狀況的研究在國內外得到了廣泛開展[1]。目前，遙感監測中作物生理生化指標主要包括葉片含氮量、生物量、葉綠素含量、葉面積指數等，且大多以植被指數為因變量[2]。植被指數是表征地表植被生長狀況有效而簡單的度量參數[3-4]，被廣泛應用于開展作物苗情長勢監測半定量[5]及定量[6]方法研究。

相較傳統的反演模型，當前監測模型主要有兩個方面改進：一是對遙感的數據進行算法的優化[7-10]，如多核支持向量回歸算法[11-12]、偏最小二乘法[11][13]、逐步多元回歸方法[13]及新的遙感算法[14]。二是應用更高分辨率或融合其他數據源，并取得了不錯的效果。如以高分辨率衛星數據估算小麥葉片氮含量[15]或利用高光譜數據監測農學指標[16-20]；利用遙感獲取的空間數據集成生理生態模型(DSSAT-CSM)監測小麥的各長勢參數[21]；將衛星數據融合地面氣象資料[22]，探索識別冬小麥生育期。遙感影像反映作物對太陽輻射的反射和吸收差異[23]，故影像特征的變化可體現作物生長的動態。然而，當前的作物遙感監測大多直接針對某一個時期內遙感參量與生長指標的定量分析，對不同時期間冬小麥生長動態變化的研究較少，尤其在作物關鍵生育階段，針對生長動態的分析研究尚顯不足，難以適應實際生產需求，因而研究關鍵生育階段作物生長變化量的遙感監測勢在必行。

為進一步提升長勢監測模型的機理性和應用性，優化定量監測的方法，本研究以GF-WFV數據為遙感影像源，綜合分析冬小麥孕穗-開花期主要長勢變化量參數和產量及其與植被指數變化量間的定量關系，篩選敏感植被指數變化量參數，構建及評價監測模型，以期實現基于GF-WFV遙感影像對冬小麥孕穗-開花期長勢動態的監測。

1 試驗區概況與數據源

1.1 試驗區概況

研究區為江蘇省揚州泰州區域(簡稱揚泰地區)，位于江蘇中部，南靠長江，總面積12 421 km2，地處119°1′E～120°32′，31°56′～33°25′，是江蘇省主要的冬小麥產區之一。亞熱帶溫潤季風氣候，碟形平原洼地，年均降水量1 000 mm左右，年日照量2 200 h左右，以水稻土為主，常年主要農作物為冬小麥、水稻、玉米和油菜。

1.2 農學數據獲取

2017年試驗在江蘇省揚泰地區的高郵市、江都區、興化市和姜堰區進行，每縣區設置采樣點15個，共計60個采樣點。2018年試驗在江蘇省揚泰地區的寶應縣、高郵市、江都區、興化市、姜堰區和泰興市進行，每縣區設置采樣點13～15個，共計81個采樣點。兩年采樣點均分布在大片冬小麥種植區，相對均勻且分散，具有代表性，位于連片田塊中間。采樣點區域小麥均長勢均勻，無大面積病蟲害。

于冬小麥孕穗期和開花期，采用定位裝置獲取樣點的GPS信息，并拍照記錄。在各取樣點選15～20株冬小麥，取生長發育正常、無病蟲害、無干枯的葉片，暗處保存，并及時送至實驗室。測定冬小麥的LAI(比葉重法[24])、地上部生物量(AB，aboveground biomass，稱重法測定[25])、葉片含氮量(LNC，凱氏定氮法測定[26])以及鮮葉葉綠素含量(CHL，分光光度計法測定[27])。并于成熟后采用五點取樣法測定單產。

1.3 影像數據及處理

本研究所用遙感影像為國產高分1號衛星多光譜影像，于中國資源衛星應用中心免費獲取。高分1號衛星于2013年發射升空，其搭載的四個WFV傳感器均包含藍、綠、紅和近紅外四個波段，空間分辨率16 m，重訪周期為4 d，可滿足農業基本需要[28]。結合冬小麥生長物候，同步地面取樣(表1)。采用ENVI5.3對GF-WFV影像進行預處理。基于研究地區1∶100 000地形圖對HJ-CCD影像進行幾何粗校正，然后再利用地面實測的GPS控制點對GF-WFV影像進行幾何精校正，以保證GF-WFV影像的精度能夠小于1個像元；大氣校正和反射率轉換采用經驗線性法轉換[29]進行；在研究區選擇代表性水體作為低反射定標物，空曠水泥路面作為高反射定標物。采用軟件定標模塊對GF-WFV影像進行定標，利用絕對定標系數將DN值圖像轉換為輻亮度圖像的公式為Lε(λε)=Gain*(DN + Bias)，其中Gain為定標斜率，DN 為衛星載荷觀測值， Bias為定標截距，Lε(λε)為輻亮度，轉換后單位為W·m-2·s-1。

1.4 數據分析與利用

首先，利用ENVI系統的IDL(interactive data language，交互式數據語言)工具提取定位點在孕穗期和開花期影像上對應波段的反射率值，依據植被指數(表2)及植被指數變化量的計算公式，計算植被指數變化量。然后，以2018年試驗數據為訓練樣本，研究冬小麥孕穗-開花期主要長勢變化量參數和產量及其與植被指數變化量間的定量關系，以逐步回歸方法確定目標長勢變化量參數；并分析目標長勢變化量參數與植被指數變化量的定量關系，篩選敏感植被指數變化量參數，構建以敏感植被指數參數為自變量、目標長勢變化量為因變量的遙感監測模型。最后，將2017年試驗數據作為檢驗樣本，以決定系數(r2)和均方根誤差(RMSE)為評價參數，綜合評價監測模型的定量化水平和可信度，建立預測值和實測值間的1∶1關系，并制作主要長勢變化量及長勢等級分布空間量化分布圖。

△VI=|VI1-VI2|,△GP=|GP1-GP2|

式中，VI(vegetation index)為植被指數，ΔVI 為植被指數變化量，VI1為開花期植被指數，VI2為孕穗期植被指數，其中GP(growth parameter)為長勢參數，ΔGP為長勢變化量，GP1為開花期長勢參數，GP2為孕穗期長勢參數，GP在本研究中指LNC、CHL、AB和LAI。

表1 影像的各參數

表2 研究選用的植被指數

2 結果與分析

2.1 小麥長勢變化量指標的篩選

對2018年數據(表3)相關分析結果(表4)可知，冬小麥產量與孕穗-開花期ΔCHL呈顯著相關，與ΔLNC、ΔAB和ΔLAI呈極顯著正相關，其中與ΔLNC的關系最密切(r=0.818)；ΔLNC與ΔAB和ΔLAI呈極顯著正相關。通過逐步回歸分析，選擇ΔLNC和ΔCHL為自變量建立產量(Y)預測模型，模型為Y=3 694.9+ 1 911.838 ΔLNC+3 473.508 ΔCHL，F=87.919，r2= 0.69。

表3 冬小麥長勢統計結果

表4 冬小麥產量和孕穗-開花期長勢變化量間的相關系數(2018年，n=81)

2.2 小麥長勢變化量與植被指數變化量的關系及監測模型建立

相關分析(表5)發現，在冬小麥孕穗-開花期，ΔLNC與ΔNRI呈顯著相關，與ΔNDVI、ΔGNDVI、ΔSIPI、ΔPSRI、ΔRVI和ΔSAVI均呈極顯著相關，其中與ΔNDVI關系最密切(r= 0.853)；ΔCHL與ΔSIPI、ΔPSRI和ΔDVI呈顯著相關，與ΔNDVI、ΔNRI、ΔGNDVI、ΔRVI和ΔSAVI均呈極顯著相關，其中與ΔRVI關系最密切(r=0.837)。因此，在孕穗-開花期以ΔNDVI和ΔRVI分別作為監測ΔLNC和ΔCHL的最敏感衛星遙感植被指數變量，并通過線性回歸分析，建立孕穗-開花期冬小麥主要長勢變化量監測模型(圖1)。

2.3 冬小麥主要長勢變化量監測模型的和驗證

為評價所建立的主要長勢變化量遙感監測模型的可靠性，以2017年試驗數據為檢驗樣本，分析孕穗-開花期主要長勢變化量預測值與實測值的定量關系，并繪制1∶1關系圖(圖2)，以r2和RMSE為指標對模型精度進行檢驗。結果表明，所建立的主要長勢變化量預測值與實測值之間均具有密切關系，r2和RMSE均達到理想水平，且F>F0.05，線性關系顯著。由此表明，在孕穗-開花期以ΔNDVI和ΔRVI分別作為監測ΔLNC和ΔCHL的最敏感衛星遙感植被指數變量是可行的，所建監測模型可靠，且精度較高，尤其在孕穗-開花期基于ΔNDVI監測ΔLNC最可靠，即r2最大，RMSE較理想，其值分別為0.70、0.39。

表5 冬小麥孕穗-開花期植被指數變化量和篩選的長勢變化量參數的相關系數(2018年，n=81)

圖1 孕穗-開花期冬小麥主要長勢變化量的遙感監測模型

圖2 監測模型可靠性檢驗

2.4 冬小麥長勢變化量指標專題圖

利用2018年冬小麥孕穗期和開花期GF-WFV影像，依據表1、植被指數和長勢變化量計算公式及長勢預測模型生成ΔLNC和ΔCHL敏感植被指數變化量數值，逐像元求算；結合冬小麥的物候特征，運用多期閾值限定的方法進行冬小麥種植區域分類，以樣本驗證保證提取精度，對植被指數變化量數值圖進行掩膜；然后疊加揚泰地區行政區劃矢量數據，繪制2018年揚泰地區冬小麥孕穗-開花期ΔLNC和ΔCHL的空間量化遙感估測圖(圖3)。依據產量預測模型和長勢模型，生成長勢空間分布量化分級遙感估算圖(圖4)。

將△LNC和△CHL監測模型代入冬小麥產量模型，建立冬小麥長勢動態(G)監測模型，則G=8 538.268△NDVI+639.125ΔRVI+ 3 533.617；利用基于△NDVI的△LNC監測模型及基于△RVI的△CHL監測模型計算，將長勢分為長勢差(G<5 345.52),長勢一般(G為 5 345.52～6 648.79和長勢旺(G>6 648.79)三級。從圖3、圖4來看，研究區ΔLNC大部分以0.5%～1%為主，冬小麥長勢一般;在寶應的中部及南部地區、江都東部、興化南部等地區，ΔLNC以大于1%為主，冬小麥長勢旺；在寶應北部和高郵中部等地區，ΔLNC小于0.5%，冬小麥長勢差。研究區ΔCHL大部分以0.2～0.3 mg·L-1FW為主，冬小麥長勢長勢一般；在寶應的中部及南部地區、江都東部、興化南部等地區，以大于0.3 mg·L-1FW為主，冬小麥長勢旺。在寶應北部和高郵中部等地區，ΔCHL小于0.2 mg·L-1FW，冬小麥長勢差。

圖3 孕穗-開花期冬小麥主要長勢變化量的遙感監測等級分布空間的量化表達

圖4 孕穗-開花期冬小麥長勢遙感監測等級分布空間的量化表達

3 討 論

高分辨率影像對地物的識別能力較強，能夠反映更豐富的地物細節，但在覆蓋區域的尺度及時效性上無法適應農作物連續監測的需求，且費用較高，不適合在作物生產中推廣應用。中國自高分專項實施以來，高分系列衛星陸續投入使用，所獲數據質量不斷提高，部分數據已免費提供給用戶使用，成為區域性作物長勢遙感監測可靠的數據源。為平衡空間分辨率和時間分辨率，本研究選用時效性強且免費的GF-WFV衛星影像。GF-WFV多光譜影像空間分辨率為16 m，時間分辨率為4 d，單景影像掃描幅寬為800 km，基本滿足本研究區域種植結構復雜、冬小麥田塊較小且分散零碎的生產現狀需求。

作物的生長監測已取得了較好進展，但大多集中在單一時期內遙感參數和農學指標的定量關系上[6,30-32]，模型易過度依賴于NDVI等參量，較少從生理層面深入探明這種定量關系的機理性，導致模型的時空拓展性較差。作物因生長發育會在影像上呈現光譜特征的變化，而這種變化間接反映作物生長發育進程。本研究通過串聯冬小麥孕穗期和開花期，分析這兩個時期間生長參數的變化量與植被指數變化量的定量關系，實現冬小麥生長變化量的動態監測。有研究表明，遙感監測的結果一般在小麥拔節期以后較為理想[30]。孕穗期和開花期是冬小麥生長兩個關鍵時期。孕穗期是決定冬小麥穗數和穗粒數的關鍵時期；開花期是冬小麥體內新陳代謝最旺盛生長時期，正是小麥產量形成的關鍵時期。因此，監測冬小麥孕穗-開花期的生長變化量對最終產量的估算具有重要的指導意義。

本研究在生長量變化量指標的篩選上與以往研究較為不同，通過探討了主要生長變化量與產量間的定量關系，逐步回歸確定對產量貢獻較大的生長變化量指標，進一步增強了遙感的機理性和重演性，體現了本研究的創新點。本研究主要生長變化量指標及最終長勢以空間分布形式直觀分級量化顯示，直接反映區域范圍內冬小麥的生長狀況，從而為田間生產的調優栽培提供可靠的生長動態信息，便于管理者定性和定量分析，為制定一系列措施提供參考。相較地面采集高光譜數據的方式，本研究所使用的衛星遙感數據具有覆蓋范圍大、工作量小、處理分析快速的特點，與作物生長同步，客觀反映作物的生長現狀，實現了信息的粒度由“點”到“面”的快速轉化。

本研究所用的光學遙感影像分析，較激光等主動遙感對于垂直結構分布只能提供有限信息，導致從光學影像上提取的長勢信息容易出現區域性光譜信號飽和[33]。此外，局限于光譜特征所帶來的“同物異譜”和“異物同譜”，降低了遙感監測結果的實用性。為充分利用遙感信息，提高監測的準確性，應充分考慮田塊全尺度信息、農事信息、作物信息和物候信息，集成融合多時相、多維、多源遙感數據，建立區域尺度下機理性定量模型，增強遙感監測的適用性與可信度。