基于近地遙感的冬小麥生物量動態監測方法

魏慶偉，王福州，張青，陳道培，盧霞

（1.中國氣象局·河南省農業氣象保障與應用技術重點開放實驗室，河南 鄭州 450003；2.鶴壁市氣象局，河南 鶴壁 458030）

作物生物量是指單位面積內作物在一定時間內累積的有機物總量［1］，是反映作物長勢的重要群體指標［2］，也是產量估算的一個重要指標。準確、高效監測冬小麥生物量變化信息有利于掌握其生長狀況和產量形成動態［3，4］，使當地農業部門能夠快速依據農情采取管理措施以提高冬小麥產量，同時也能夠有效提高農業估產效率與精度。

傳統的生物量估測主要通過調查樣點抽樣統計進行，結果準確度較高，但具有一定的破壞性，且耗時費力，難以大面積開展［5］。近年來，蓬勃發展的遙感技術為作物生長監測提供了新的方法和手段［6-8］。基于植被指數的農作物生物量估算是目前廣泛應用的作物生物量遙感監測方法之一［9，10］。植被指數能綜合植被在不同遙感波段的反射特性，與植被生物量存在很強的相關關系［11］。在紅光和近紅外波段上，遙感影像可以反射作物的生長信息，通過這些波段構成的植被指數可實現對冬小麥生物量的動態監測［12］。當前，基于遙感技術的生物量監測研究的數據來源多為衛星遙感數據［13-16］。然而，基于衛星遙感的光譜植被指數容易受到云雨影響，且受遙感數據時空分辨率的影響，植被指數在時間上和空間上存在不連續的現象［17-20］。近地遙感具有時間分辨率高、受大氣條件及云雨等天氣影響小，可野外長時間固定觀測等優勢，而且觀測數據的空間尺度適中，在很大程度上克服了衛星遙感監測所面臨的上述問題，是實現作物生物量監測的有力工具［21，22］。

在已有的近地遙感研究中，多采用圖像傳感器［23-25］或手持光譜儀［26-28］的方式進行作物生物量監測，鮮有采用光譜傳感器長時間野外固定監測農作物生物量的相關研究。SRS-NDVI觀測儀利用安裝在植被冠層上方向上和向下的光強檢測傳感器，分別檢測天空入射和冠層反射的近紅外（810 nm）和紅光（650 nm）光照強度，通過入射和反射光強計算得到植被冠層近紅外與紅光的反射率，然后運用植被指數計算公式得到農田尺度的作物冠層植被指數。本研究以SRS-NDVI觀測儀監測數據為基礎，提出基于近地遙感的冬小麥生物量動態監測方法，旨在探尋最適的冬小麥生物量動態監測方法，為冬小麥全生育期內生物量的準確高效估算提供方法參考。

1 材料與方法

1.1 數據來源

遙感數據使用安裝于河南省鶴壁市農業氣象試驗站試驗田的SRS-NDVI觀測儀的2018—2020年冬小麥生長季內監測數據。SRS-NDVI觀測儀時間分辨率為30 min，適宜的測量光照強度大于5.2 klx［29］，此時獲得的觀測數據具有較強的可靠性，且測量精度隨光照強度的增加而提高。為確保觀測數據的可靠性，選取每日10∶00至14∶30時段內10組觀測數據的平均值計算當日冬小麥植被指數。

冬小麥生物量人工觀測數據由鶴壁市農業氣象試驗站于2018—2020年采用烘干稱重法獲得。在冬小麥關鍵生育期普遍期及旬末進行測定，當旬末與生育期普遍期相差在兩天之內時旬末不再進行生物量測定（2020年返青后只測定生育期普遍期生物量）。隨機選取SRS-NDVI觀測儀附近能夠代表作物整體長勢的冬小麥植株樣本，齊地面采集，每次取3個重復，封裝帶回實驗室，置于烘箱105℃殺青1 h，然后80℃烘干至恒質量（約24 h），記錄干質量，進而計算得到單位面積冬小麥地上部干生物量。

1.2 植被指數

基于植被在紅光和近紅外波段反射率差別較大的光譜特征建立的植被指數，本質上是在綜合考慮各光譜信號的基礎上把多波段反射率做一定的數學變換，使其在增強植被信息的同時，使非植被信號最小化［30］。本研究選取歸一化植被指數（NDVI）、比值植被指數（RVI）、差值植被指數（DVI）、增強型植被指數（EVI2），研究各植被指數與實測冬小麥生物量之間的關系，各植被指數計算公式見表1。

表1 選用的植被指數

1.3 數據處理與模型構建

本研究以SRS-NDVI觀測儀監測到的冬小麥生長季冠層近紅外（810 nm）和紅光（650 nm）反射率數據為基礎，根據相關公式分別計算冬小麥生長季內每日歸一化植被指數（NDVI）、比值植被指數（RVI）、差值植被指數（DVI）、增強型植被指數（EVI2）。由于冬小麥生物量是隨時間逐漸積累增加的過程，為更好地構建植被指數與生物量之間的相關關系，將上述每日植被指數進行求和計算（式1），得到累積植被指數（CVI）動態變化時序數據。

式中CVIt表示冬小麥播種t天的累積植被指數，VIi表示冬小麥播種第i天的植被指數監測值。

對照冬小麥生物量人工觀測日期，提取對應日期的累積植被指數數據，進行不同植被指數與生物量的最優擬合估算。為準確建立生物量監測模型，根據冬小麥生長季生物量增長特點，以返青期為界將冬小麥生物量觀測數據分為兩部分，分別進行植被指數與生物量的曲線擬合分析。

1.4 模型精度評價

為確保模型穩定性和精度，將2018—2019年觀測數據用于建模，2020年觀測數據用于模型驗證。采用決定系數（R2）、均方根誤差（RMSE）和平均相對誤差（MRE）作為模型預測精度的評價標準。其中，R2越接近于1，表示參與評價的變量間相關性越好，參考價值越大；RMSE與MRE越小，表明模型的預測精度和穩定性越高。計算公式如下：

2 結果與分析

2.1 植被指數與冬小麥生物量擬合分析

2.1.1 播種至返青期的擬合分析結果 分別對4種植被指數累積值與冬小麥播種至返青期生物量人工觀測數據進行擬合分析，結果（圖1）發現，所有累積植被指數均與生物量呈顯著的二次非線性相關關系，且R2均大于0.97，RMSE介于9.61～11.38之間；以NDVI和RVI的擬合效果更優，NDVI擬合方程的R2為0.9829，RMSE為9.61，RVI擬合方程的R2為0.9833，RMSE為9.89。

2.1.2 返青至成熟期的擬合分析結果 4種植被指數累積值與冬小麥返青至成熟期生物量的擬合結果見圖2，可以發現，所有累積植被指數均與生物量呈顯著的冪函數非線性相關關系，R2介于0.8639～0.9553之間，RMSE介于150.25～310.23之間，其中，NDVI的表現最優，R2為0.9553，RMSE為150.25。

2.2 模型驗證

2.2.1 播種至返青期估算模型驗證 利用2020年冬小麥播種至返青期生物量觀測數據對估算模型進行驗證，結果如圖3所示，可以看出，所有模型的決定系數（R2）均大于0.96，估算結果均與實測生物量顯著相關，RMSE介于13.04～24.02之間，MRE介于10.51% ～19.57%之間，均具有較好的預測能力，估算精度從高到低依次為NDVI＞RVI＞EVI2＞DVI，其中，NDVI更適于冬小麥播種至返青期生物量的反演。

圖1 冬小麥播種至返青期各植被指數與生物量擬合結果

圖2 冬小麥返青至成熟期各植被指數與生物量擬合結果

2.2.2 返青至成熟期估算模型驗證 利用2020年冬小麥返青至成熟期生物量觀測數據對模型進行驗證，結果（圖4）顯示，所有模型的決定系數（R2）均大于0.96，模型的估算結果與實測生物量顯著相關；RMSE介于118.20～148.01之間，估算精度為NDVI＞EVI2＞DVI＞RVI；MRE介于10.22%～18.57%之間，估算精度為NDVI＞RVI＞EVI2＞DVI。表明冬小麥返青至成熟期生物量的最優反演指數仍為NDVI。

圖3 冬小麥播種至返青期生物量估算模型驗證結果

圖4 冬小麥返青至成熟生物量估算模型驗證結果

3 討論與結論

本研究以2018—2020年SRS-NDVI觀測儀監測到的冬小麥生長季冠層近紅外（810 nm）和紅光（650 nm）反射率數據為基礎，選取歸一化植被指數（NDVI）、比值植被指數（RVI）、差值植被指數（DVI）、增強型植被指數（EVI2），計算逐日累積植被指數（CVI）并建立回歸模型，研究各植被指數與實測冬小麥生物量之間的關系，結果表明：

（1）冬小麥播種至返青期，4種植被指數回歸模型均能較好對生物量進行估算，最優模型為二次多項式。模型精度從高到低依次為NDVI＞RVI＞EVI2＞DVI，其中NDVI模型訓練樣本、驗證樣本R2均大于0.98，訓練樣本RMSE為9.61，驗證樣本RMSE為13.04，平均相對誤差MRE為10.51%。

（2）冬小麥返青至成熟期，4種植被指數回歸模型也能較好對其生物量進行估算，最優模型為冪函數。其中NDVI監測模型精度最高，其模型訓練樣本、驗證樣本R2均大于0.95，訓練樣本RMSE為150.25，驗證樣本RMSE為118.20，平均相對誤差MRE為10.22%。

綜上，基于NDVI的累積植被指數構建冬小麥生物量估測模型是對其進行動態監測的最佳方法，可為作物自動化觀測提供新的思路和方法。由于數據限制，本研究僅對單一站點的冬小麥生物量監測方法進行了研究；而且不同方法對不同作物、不同區域氣候的影響敏感程度不同，監測模型的普適性未得到充分且有效驗證，今后仍需進一步驗證與分析。