基于衛星遙感與同步地面實驗數據的冬小麥長勢遙感監測

蔡慶空 李二俊 王果 張迪 陳超

摘? 要：農作物長勢的有效監測對于精準農業建設意義重大。基于Landsat8衛星影像和同步實驗數據，采用雙變量相關性分析法篩選植被指數，構建LAI反演模型并進行精度評定。結果表明：DVI與LAI的相關性最高，其次為SAVI和EVI，NRI與LAI相關性最低。基于DVI建立的模型精度最高，模型R2為0.77。研究區冬小麥長勢總體良好，其中長勢一般的區域占44.37%，長勢良好的區域主要分布在扶風縣中南部，武功縣中部，長勢過旺地區主要分布在扶風縣西部地區，武功縣西北部地區。

關鍵詞：冬小麥；葉面積指數；植被指數；遙感反演；長勢監測

中圖分類號：TP391? ? 文獻標識碼：A? ? ? 文章編號：2096-4706（2023）06-0098-05

Remote Sensing Growth Monitoring of Winter Wheat Based on Satellite Remote Sensing and Synchronous Ground Experiment Data

CAI Qingkong1， LI Erjun2， WANG Guo1， ZHANG Di1， CHEN Chao1

（1.College of Civil Engineering， Henan University of Engineering， Zhengzhou? 451191， China;

2.School of Humanities， Political Science and Law， Henan University of Engineering， Zhengzhou? 451191， China）

Abstract： The effective monitoring of crop growth is of great significance to the construction of precision agriculture. Based on Landsat8 satellite image and synchronous experimental data， bivariate correlation analysis method is used to screen vegetation index， build LAI inversion model and evaluate accuracy. The results show that DVI has the highest correlation with LAI， followed by SAVI and EVI， and NRI has the lowest correlation with LAI. The built model based on DVI has the highest accuracy， with R2 of 0.77. The winter wheat in the study area is growing well in general， of which 44.37% is in the area with general growth. The areas with good growth are mainly distributed in the middle and south central parts of Fufeng County， the middle part of Wugong County， and the areas with excessive growth are mainly distributed in the west part of Fufeng County and the northwest part of Wugong County.

Keywords： winter wheat; leaf area index; vegetation index; remote sensing inversion; growth monitoring

0? 引? 言

葉面積指數（Leaf Area Index， LAI）作為農作物長勢監測的重要指標，其數值與產量的高低密切相關，在農作物長勢監測、產量估算等領域應用廣泛[1]。傳統的LAI獲取方法費時費力，成本高，而且需要破壞性采樣。與傳統方法相比，遙感技術具有現勢性、便捷性、時效性、宏觀性等優勢，能快速、準確、動態地獲取農作物的長勢信息，且精度有保證，因此在LAI估測中表現出強大的優勢[2]。目前，常用的LAI反演方法主要有兩種：物理模型法和經驗模型法[3]。物理模型法是在物理學理論的基礎上，模擬植被冠層光譜特征、大氣以及土壤等對電磁波的作用，來實現葉面積指數的反演[4]。苗乃哲等采取物理模型法對北京市通州和順義冬小麥葉面積指數進行反演[5]。赫曉慧等利用PROSAIL模型和遺傳算法優化后的BP神經網絡模型，對大豆種群的LAI進行了反演[6]。王梟軒等針對物理模型抗噪能力差且容易過擬合的問題，提出一種PROSAIL模型結合VMG多元回歸模型反演冬小麥葉面積指數方法，提高了LAI的反演精度[7]。包剛等采用徑向基函數神經網絡的物理模型方法對草地LAI進行了高光譜反演[8]。物理模型法能較好的解釋事物的本質，但物理模型參數較多，且部分參數獲取困難，應用受到一定的限制[4]。經驗模型法具有便捷性、時效性、現勢性、宏觀性等優勢，在農作物長勢監測中應用較為廣泛。束美艷等分析了基于地面實驗采集的冬小麥冠層光譜數據，構建紅邊抗水植被指數，提高了作物LAI的反演精度[9]。孫華林等在正常播期和晚播條件下選取最佳植被指數建立了LAI估算模型[10]。Moriondo等利用冬小麥的NDVI數據對意大利兩個省份的冬小麥進行長勢監測，取得了較高的精度[11]。吾木提·艾山江等基于野外實測的光譜數據，利用植被指數和優化光譜指數，建立了冬小麥LAI的回歸模型，對其進行精度驗證[12]。李軍玲等利用野外試驗獲取的光譜數據與LAI數據，建立了不同生育時期冬小麥葉面積指數的遙感反演模型[13]。經驗模型具有便捷性、時效性、現勢性、宏觀性等優勢在LAI的反演中得到了廣泛的應用。

綜合以上研究，由于受實驗條件的限制，以往LAI的研究大多基于地面實驗采集的光譜數據，構建LAI反演模型，而沒有同步獲取的遙感影像數據，或者是有衛星影像但無同步地面實驗數據，導致無法將地面實驗建立的LAI模型推廣應用至大區域范圍的遙感影像上。論文選取陜西省武功縣和扶風縣為研究區，綜合利用星（Landsat8衛星影像）-地（地面實驗數據）同步實驗數據，構建冬小麥LAI反演模型，結合Landsat8衛星影像將建立的LAI模型推廣應用于遙感影像上，實現大區域范圍的冬小麥長勢遙感監測。

1? 研究區和數據源

1.1? 研究區概況

選取陜西省武功縣和扶風縣為研究區域，如圖1所示，地理位置介于北緯東經間。氣候類型屬溫帶大陸性季風氣候，具有春季溫暖多風，夏季炎熱多雨，秋季涼爽多連陰雨，冬季寒冷少雪等特征，年均氣溫12.9 ℃，年均降水量635.1 mm。區內地勢總體較為平坦，最高點海拔約為540米，最低點海拔約為418米，土壤肥沃，土質類型主要為重壤土和中壤土。境內有渭河，漆水河、湋河、漠浴河流經，降水是水資源的重要來源，占莊稼年水需求量的63.9%。主要種植農作物是小麥、玉米、油菜和各種蔬菜。

1.2? 數據獲取及預處理

論文采用的數據主要包括Landsat8 OLI遙感影像數據和同步獲取的地面實驗數據。Landsat8影像獲取時間為2014年5月11日（http：//www.gscloud.cn/），影像空間分辨率為30米，幅寬185千米，影像條帶號為127/36，云覆蓋度0.3%，天氣晴朗無云。遙感數據的預處理主要包括輻射定標、大氣校正、幾何糾正以及影像裁剪。采用野外實驗時采集的地面控制點對影像進行幾何糾正，糾正誤差控制在1個像元之內。同步獲取的地面實驗數據主要包括：采樣點的地面坐標和葉面積指數，葉面積指數采用LAI2000進行采集，共采集有效實驗樣點37個，其中隨機選取25個樣點作為訓練樣本，其余12個樣本作為檢驗樣本。

2? 冬小麥LAI模型構建及長勢監測

2.1? 植被指數與LAI相關性分析

在借鑒前人研究的基礎上，選取8個與LAI密切相關的植被指數，分別是歸一化植被指數（NDVI）、差值植被指數（DVI）、增強型植被指數（EVI）、土壤調節植被指數（SAVI）、優化的土壤調節植被指數（OSAVI）、比值植被指數（RVI）、綠色歸一化植被指數（GNDVI）和作物氮反應指數（NRI）[5，14，15]。基于植被指數的計算公式，通過波段運算，得到研究區8個植被指數影像。基于采集的樣本點坐標，將樣本點分別導入到各植被指數影像上，提取樣本點位置的植被指數，并將提取的植被指數分為訓練樣本和檢驗樣本。將訓練集樣本點植被指數與葉面積指數導入SPSS軟件，繪制散點圖，并進行Pearson雙變量相關性分析，分析結果如表1所示。

由表1可知，8個植被指數與LAI相關性均達到了顯著性檢驗水平，其中DVI、SAVI和EVI與LAI相關性最高，分別為0.79、0.76和0.76，其次為OSAVI、GNDVI、NDVI和RVI，NRI與LAI相關性最差，相關系數僅為0.53。因此，后續研究中采用NDVI、DVI、EVI、GNDVI、OSAVI、RVI和SAVI進行進一步分析。

2.2? 構建LAI反演模型及精度評定

2.2.1? 建立LAI反演模型

基于訓練集樣本，將LAI與植被指數在SPSS軟件中進行回歸分析。對于每一個植被指數，函數模型選取一元線性模型、二次多項式模型、對數模型、冪函數模型和指數模型5種形式，從中選取R2最大的模型作為該植被指數模型的最終形式，模型建立的結果如表2所示。

由表2可知，從模型類別來看，指數模型和二次多項式模型的擬合效果最好，其次為對數模型和冪函數模型，一元線性模型的擬合效果最差；從植被指數方面來看，DVI、EVI、SAVI模型的反演精度優于其他植被指數，NDVI的擬合效果最差，原因在于冬小麥灌漿期植被密度達到了一定程度，NDVI不再隨小麥生長繼續增長，到了飽和期。DVI、EVI以及SAVI的二次多項式模型反演精度最高，模型決定系數R2分別為0.77、0.74、0.73。

2.2.2? 模型精度評定

為了驗證模型的可靠性和普適性，利用12個驗證集樣本對反演精度最好的3個模型進行精度評定。將利用3個模型反演得到的LAI與驗證集樣本LAI在SPSS軟件中進行Pearson雙變量相關性分析，得出3種模型反演LAI與野外測量LAI的相關系數，其中DVI和SAVI的相關性最高，相關系數均為0.71，EVI的相關系數為0.69。

2.3? 冬小麥種植區域提取

遙感影像上含有不同種類的地物，論文的研究對象是冬小麥，因此需要在影像上提取出冬小麥種植區域。采用監督分類法提取冬小麥種植區域，通過目視判讀，將遙感影像上的地物分為建設用地、林地、水、冬小麥、裸地共5類，采集5類樣本的感興趣區，感興趣區要均勻的分布在影像上而且有一定的代表性，并計算樣本的可分離性。然后進行分類器選擇，論文中選擇支持向量機方法進行監督分類，并對監督分類結果進行后處理，最終得到研究區土地分類圖，如圖2所示。基于監督分類結果將冬小麥種植區域提取出來，為了更直觀的顯示冬小麥的分布情況，將其分為冬小麥區域和非小麥區域并著色，結果如圖3所示。

2.4? 冬小麥長勢監測

基于DVI、EVI以及SAVI的植被指數影像，將建立的二次多項式模型應用到Landsat8遙感影像上，得到研究區葉面積指數分布圖，將葉面積指數分布圖與冬小麥種植區域圖疊加，得到研究區冬小麥種植區域葉面積指數分布圖。結合研究區樣點地面實驗數據和以往研究結果，將冬小麥的長勢情況分為3個等級：長勢一般、長勢良好、長勢過旺[16]，基于此分級標準，將研究區冬小麥葉面積指數分布圖進行分級并著色，得到研究區灌漿期冬小麥長勢監測分布圖，如圖4所示。

為定量分析研究區冬小麥長勢情況，計算三種模型下研究區冬小麥LAI的平均值，并統計三種模型下長勢一般、良好和過旺等級的面積，如表3所示。

由圖4和表3可知，研究區冬小麥LAI的平均值為4.86，屬于長勢良好等級，表明研究區冬小麥總體長勢良好。從整個研究區看，長勢一般區域占總種植面積的44.39%，主要分布在扶風縣北部，原因是研究區西北部地區地勢高，種植條件差；長勢良好的區域占總種植面積的40.13%，主要分布在扶風縣中南部，武功縣中部，該地區水源充足，土地肥沃，靠近楊凌農業高新技術產業示范區，受到示范區的影響，中南部地區的冬小麥種植有較好的農田管理，大部分冬小麥長勢良好；長勢過旺的區域占總種植面積的15.5%，冬小麥長勢過旺地區較為分散，主要分布在扶風縣西部地區，武功縣西北部地區，出現這種情況可能是因為種植密度太大，施肥過多等，生長后期會出現透風性和透光性差。

3? 結? 論

為了對冬小麥長勢進行及時有效的監測，文中選取陜西省武功縣與扶風縣為研究區，綜合遙感影像和同步獲取的地面實驗數據，構建了LAI反演模型，對研究區冬小麥長勢進行遙感監測，取得的主要結論如下：

（1）通過將8個植被指數與葉面積指數進行相關性分析，8個植被指數與LAI相關性達到了顯著性檢驗水平，其中DVI、SAVI和EVI與LAI相關性最高，分別為0.79、0.76和0.76，其次為OSAVI、GNDVI、NDVI和RVI，NRI與LAI相關性最低，相關系數為0.53。

（2）從模型建立形式看，二次多項式模型和指數模型的擬合效果最好，其次為對數模型和冪函數模型，一元線性模型的擬合效果最差。從植被指數方面來看，DVI、EVI、SAVI三種植被指數的擬合效果最好，其中基于DVI的二次多項式模型精度最高，模型R2為0.77，模型反演LAI與實測LAI有較好的相關性。

（3）研究區冬小麥總體長勢良好，其中長勢良好的區域占總種植面積的40.13%，主要分布在扶風縣中南部，武功縣中部；長勢一般的區域占44.37%，主要分布在扶風縣北部地區；長勢過旺的區域占15.5%，長勢過旺地區較為分散，主要分布在扶風縣西部地區，武功縣西北部地區。

參考文獻：

[1] 王紀華，趙春江，黃文江，等.農業定量遙感基礎與應用 [M].北京：科學出版社，2008.

[2] 劉占宇，黃敬峰，王福民，等.估算水稻葉面積指數的調節型歸一化植被指數 [J].中國農業科學，2008（10）：3350-3356.

[3] 張佳華，杜育璋，劉學鋒，等.基于高光譜數據和模型反演植被葉面積指數的進展 [J].光譜學與光譜分析，2012，32（12）：3319-3323.

[4] 王毅.基于經驗模型的葉面積指數反演精度對比 [D].成都：成都理工大學，2017.

[5] 苗乃哲.基于LandsatTM數據的冬小麥不同生育期葉面積指數反演方法精度比較 [D].西安：西安科技大學，2012.

[6] 赫曉慧，馮坤，郭恒亮，等.基于PROSAIL模型和遺傳算法優化的BP神經網絡模型的不同大豆種群葉面積指數反演比較 [J].河南農業大學學報，2021，55（4）：698-706.

[7] 王梟軒，盧小平，楊澤楠，等.基于PROSAIL結合VMG模型的冬小麥葉面積指數反演方法 [J].農業機械學報，2022，53（6）：209-216.

[8] 包剛，覃志豪，周義，等.基于高光譜數據和RBF神經網絡方法的草地葉面積指數反演 [J].國土資源遙感，2012（2）：7-11.

[9] 束美艷，顧曉鶴，孫林，等.基于新型植被指數的冬小麥LAI高光譜反演 [J].中國農業科學，2018，51（18）：3486-3496.

[10] 孫華林，耿石英，王小燕，等.晚播條件下基于高光譜的小麥葉面積指數估算方法 [J].光譜學與光譜分析，2019，39（4）：1199-1206.

[11] MORIONDO M，MASELLI F，BINDI M. A simple model of regional wheat yield based on ndvi data [J].European Journal of Agronomy，2006，26（3）：266-274.

[12] 吾木提·艾山江，尼加提·卡斯木，買買提·沙吾提.基于波段組合優化光譜指數的冬小麥LAI估算 [J].江蘇農業科學，2022，50（13）：207-218.

[13] 李軍玲，彭記永.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 [J].麥類作物學報，2018，38（8）：979-987.

[14] 劉婷，包廣道，張大偉，等.基于植被指數的GF-2影像防護林快速提取研究 [J].森林工程，2018，34（6）：13-19.

[15] 譚昌偉，王紀華，朱新開，等.基于Landsat TM影像的冬小麥拔節期主要長勢參數遙感監測 [J].中國農業科學，2011，44（7）：1358-1366.

[16] 李衛國，李正金，楊澄.基于CBERS遙感的冬小麥長勢分級監測 [J].中國農業科技導報，2010，12（3）：79-83.

作者簡介：蔡慶空（1986—），男，漢族，河南南召人，講師，博士，研究方向：資源環境遙感、高光譜遙感；李二俊（1986—），女，漢族，河南溫縣人，講師，碩士，研究方向：資源環境遙感；王果（1986—），男，漢族，河南內鄉人，副教授，博士，研究方向：攝影測量與遙感；張迪（1987—），男，漢族，河南鄧州人，副教授，博士，研究方向：攝影測量與遙感；陳超（1989—），男，漢族，河南開封人，講師，博士，研究方向：攝影測量與遙感。

收稿日期：2022-10-18

基金項目：河南省高等學校重點科研項目（21A420003，23A420001，22A420003）；河南省重點研發與推廣項目（222102320155）