不同生育期冬小麥葉面積指數(shù)高光譜遙感估算模型

孟禹弛 +侯學(xué)會(huì)+王猛

摘要：基于地面實(shí)測(cè)的冬小麥的生理生態(tài)參數(shù)數(shù)據(jù)和冠層光譜數(shù)據(jù)，分析返青期、拔節(jié)期、抽穗期、開花期冬小麥葉面積指數(shù)與原始光譜及其一階微分的相關(guān)性，并構(gòu)建基于等效TM數(shù)據(jù)的植被指數(shù)，建立不同生育時(shí)期的冬小麥葉面積指數(shù)（LAI）的高光譜遙感估算模型。結(jié)果表明：（1）返青期、拔節(jié)期、抽穗期的冬小麥LAI與原始光譜相關(guān)性較好，在400～720 nm波長(zhǎng)范圍內(nèi)呈負(fù)相關(guān)，在720～900 nm之間呈正相關(guān)，開花期的冬小麥LAI與冠層光譜相關(guān)性較差；（2）返青期、拔節(jié)期冬小麥LAI與光譜一階微分顯著相關(guān)，分別在480～540 nm、550～580 nm形成波峰、波谷，在670～760 nm范圍內(nèi)形成“平臺(tái)”，相關(guān)系數(shù)達(dá)到0.8以上，但抽穗期、開花期LAI與光譜一階微分的相關(guān)性較差；（3）在等效植被指數(shù)與返青期、拔節(jié)期和抽穗期LAI建立的回歸模型中，分別使用mSRI、RVI與MSAVI2建立的冪函數(shù)模型或指數(shù)模型最佳，最優(yōu)模型分別為y=0.053e4.962x，y=0.409x0.828，y=18.687x3.061，對(duì)應(yīng)的r2分別為0.589、0.648、0.694，開花期不適宜使用等效植被指數(shù)建立遙感監(jiān)測(cè)模型。

關(guān)鍵詞：冬小麥；生育期；葉面積指數(shù)；等效植被指數(shù)；高光譜遙感；估算模型

中圖分類號(hào)： S127文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2017）05-0211-04

葉面積指數(shù)（leaf area index，簡(jiǎn)稱LAI）是陸地植被生態(tài)系統(tǒng)中定量描述葉片面積的幾何結(jié)構(gòu)參量，通常是指單位面積上植物葉片的垂直投影面積的總和[1]。LAI與植物的光合能力密切相關(guān)，是反映植物群體大小的良好指標(biāo)[2]。估算農(nóng)作物的LAI對(duì)作物的生長(zhǎng)狀況與病蟲害監(jiān)測(cè)、產(chǎn)量估算以及田間管理具有重要意義[3]。遙感技術(shù)的出現(xiàn)以及圖譜合一的高光譜遙感數(shù)據(jù)的獲取，使得對(duì)大范圍地表植被理化生物學(xué)性狀的分析成為可能[4]。Casanova等利用實(shí)測(cè)光譜數(shù)據(jù)，分別建立了水稻、小麥的地上生物量、LAI的高光譜估算模型[5]；梁亮等對(duì)18種高光譜指數(shù)進(jìn)行了比較分析，篩選出了對(duì)小麥LAI比較敏感的高光譜指數(shù)OSAVI，并以地面光譜數(shù)據(jù)為樣本建立了小麥LAI的反演模型[6]；夏天等通過(guò)神經(jīng)網(wǎng)絡(luò)法反演冬小麥LAI，預(yù)測(cè)精度達(dá)到99.0%[7]。

目前，高光譜遙感監(jiān)測(cè)作物L(fēng)AI已經(jīng)成為精準(zhǔn)農(nóng)業(yè)研究熱點(diǎn)問(wèn)題之一[8-9]；但根據(jù)地面實(shí)測(cè)光譜數(shù)據(jù)構(gòu)建等效植被指數(shù)并開展不同生育期小麥LAI高光譜遙感監(jiān)測(cè)的研究鮮有報(bào)道。本研究利用地面實(shí)測(cè)光譜數(shù)據(jù)，分析拔節(jié)期、返青期、抽穗期和開花期冬小麥LAI與原始光譜及其一階微分的相關(guān)性，并基于TM數(shù)據(jù)光譜響應(yīng)函數(shù)模擬的等效反射率構(gòu)建了9種植被指數(shù)，建立了冬小麥不同生育期的LAI高光譜遙感估算模型，以期為利用高光譜遙感數(shù)據(jù)進(jìn)行大面積、無(wú)破壞和及時(shí)監(jiān)測(cè)冬小麥生長(zhǎng)狀況提供科學(xué)依據(jù)。

1材料與方法

1.2小麥冠層光譜與參數(shù)獲取

采用ASD FieldSpec Pro Fr2005便攜式光譜儀進(jìn)行小麥冠層光譜測(cè)量，光譜范圍為325～1 075 nm，光譜分辨率為 1 nm。測(cè)量時(shí)選擇晴朗無(wú)云的天氣，測(cè)量時(shí)間控制在 10：30—14：00。測(cè)量時(shí)傳感器探頭垂直向下，距離冠層頂部垂直高度約為1 m。光譜采樣以6條光譜數(shù)據(jù)為1組，即每個(gè)試驗(yàn)小區(qū)每次記錄6條光譜，以其平均值作為該區(qū)該次小麥冠層光譜反射率值。在對(duì)每個(gè)樣本采集光譜之前，均先進(jìn)行白板校正。

采集樣本光譜的同時(shí)進(jìn)行小麥LAI參數(shù)采樣。在每個(gè)試驗(yàn)小區(qū)內(nèi)隨機(jī)選2個(gè)30 cm×30 cm的樣方，將地上所有活體收割裝入保鮮袋，帶回室內(nèi)，將所有小麥植株的莖、葉分開，選取20～23張完整的樣品葉，取其中寬窄較為一致的地方，剪成6～8 cm長(zhǎng)度的小段，用直尺測(cè)量每張葉片的長(zhǎng)度、寬度。分別稱量樣品葉、剩余葉鮮質(zhì)量，按照公式（1），利用比重法獲取每個(gè)樣方的LAI：

[HS2][JZ（]LAI=[SX（]（m1+m2）m1[SX）]×[SX（]S900[SX）]。[JZ）][JY]（1）

式中：m1為裁剪樣品葉的鮮質(zhì)量，g；m2為剩余樣品葉的鮮質(zhì)量，g；S為裁剪樣品葉的總面積，cm2。以2個(gè)樣方LAI均值作為該試驗(yàn)小區(qū)的LAI指標(biāo)。

1.3構(gòu)建等效植被指數(shù)

本研究基于Landsat的波段響應(yīng)函數(shù)，將ASD光譜儀測(cè)量獲得的連續(xù)的高光譜反射率數(shù)據(jù)模擬等效的TM藍(lán)波段（436～528 nm）、紅波段（625～691 nm）、近紅外波段（829～900 nm）的反射率數(shù)據(jù)，以構(gòu)建植被指數(shù)。轉(zhuǎn)換模型為公式（2）：

譜響應(yīng)函數(shù)。

利用模擬的等效反射率和部分原始光譜數(shù)據(jù)，構(gòu)建了9種植被指數(shù)，如表2所示。

3結(jié)論

本研究分析了從返青期到開花期的冬小麥葉面積指數(shù)的變化趨勢(shì)，并根據(jù)地面實(shí)測(cè)光譜數(shù)據(jù)，分析了不同生育時(shí)期內(nèi)的冠層光譜及其一階微分同LAI的相關(guān)系數(shù)，并根據(jù)模擬TM數(shù)據(jù)的等效反射率構(gòu)建的植被指數(shù)與冠層光譜參數(shù)，建立了小麥LAI的高光譜遙感估算模型。

在返青期到抽穗期內(nèi)，小麥LAI呈上升趨勢(shì)，抽穗期后，因小麥葉綠素減少，葉片變黃、脫落，導(dǎo)致LAI緩慢下降。除開花期外，返青期、拔節(jié)期和抽穗期冠層光譜與LAI之間均有較好的相關(guān)性，在400～720 nm范圍內(nèi)，冠層光譜與LAI之間呈負(fù)相關(guān)，在720～900 nm之間呈正相關(guān)。返青期、拔節(jié)期和抽穗期在500～680 nm范圍內(nèi)，相關(guān)性呈先上升后下降的趨勢(shì)；在680～760 nm范圍內(nèi)，相關(guān)系數(shù)由負(fù)轉(zhuǎn)正；在760～900 nm 范圍內(nèi)，相關(guān)系數(shù)平穩(wěn)不變。開花期在整個(gè)波段均呈負(fù)相關(guān)，相關(guān)性較差。

一階微分與LAI相關(guān)系數(shù)曲線中，返青期與拔節(jié)期在480～540 nm、550～580 nm分別形成波峰、波谷；在670～760 nm 范圍，即紅邊范圍內(nèi)形成“平臺(tái)”，相關(guān)系數(shù)達(dá)到0.8以上；抽穗期曲線整體趨勢(shì)同返青期與拔節(jié)期相同，但相關(guān)系數(shù)在-0.6～0.6范圍，比前2個(gè)時(shí)期有所下降；開花期的相關(guān)系數(shù)在整個(gè)波段范圍內(nèi)波動(dòng)較大，在紅邊范圍內(nèi)也不存在明顯的波峰、波谷和紅邊“平臺(tái)”。

在植被指數(shù)與LAI建立的回歸模型中，返青期最佳模型為基于mSRI構(gòu)建的指數(shù)模型，回歸方程為y=0.053e4.962x，r2=0.589；拔節(jié)期以RVI與LAI構(gòu)建的冪函數(shù)模型最佳，最佳回歸方程為y=0.409x0.828，r2=0.648；抽穗期以MSAVI2與LAI構(gòu)建的冪函數(shù)模型最佳，回歸方程為y=18.687x3.061，r2=0.694；開花期由于相關(guān)性較差，不適宜使用等效植被指數(shù)來(lái)建立LAI估算模型。

參考文獻(xiàn)：

[1]陳拉，黃敬峰，王秀珍. 不同傳感器的模擬植被指數(shù)對(duì)水稻葉面積指數(shù)的估測(cè)精度和敏感性分析[J]. 遙感學(xué)報(bào)，2008，12（1）：143-151.

[2]Inoue Y. Synergy of remote sensing and modeling for estimating ecophysiological processes in plant production[J]. Plant Production Science，2003，6（1）：3-16.

[3]Haboudane D，Miller J R，Pattey E，et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies： Modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment，2004，90（3）：337-352.

[4]侯學(xué)會(huì)，牛錚，黃妮，等. 小麥生物量和真實(shí)葉面積指數(shù)的高光譜遙感估算模型[J]. 國(guó)土資源遙感，2012（4）：30-35.

[5]Casanova D，Epema G F，Goudriaan J. Monitoring rice reflectance at field level for estimating biomass and LAI[J]. Field Crops Research，1998，55（1/2）：83-92.

[6]梁亮，楊敏華，張連蓬，等. 小麥葉面積指數(shù)的高光譜反演[J]. 光譜學(xué)與光譜分析，2011，31（6）：1658-1662.

[7]夏天，吳文斌，周清波，等. 冬小麥葉面積指數(shù)高光譜遙感反演方法對(duì)比[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（3）：139-147.

[CM（29][8]Tang H，Brolly M，Zhao F，et al. Deriving and validating Leaf Area[CM）][ZK）][HT][HJ][HT][FL）][LM]

[HT8.]

[KG1*2/3]Index （LAI） at multiple spatial scales through lidar remote sensing： a case study in Sierra National Forest，CA[J]. Remote Sensing of Environment，2014，143（2014）：131-141.

[9]姚付啟，蔡煥杰，王海江，等. 基于平穩(wěn)小波變換的冬小麥覆蓋度高光譜監(jiān)測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43（3）：173-180.[ZK）]

[10]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[J]. International Journal of Remote Sensing，1999，20（18）：3663-3675.

[11][JP2]Liu H Q，Huete A. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE [JP3]Transactions on Geoscience and Remote Sensing，1995，33（2）：457-465.[JP]

[12]Serrano L，Penuelas J，Ustin S L. Remote sensing of Nitrogen and lignin in Mediterranean vegetation from AVIRIS data： decomposing biochemical from structural signals[J]. Remote Sensing of Environment，2002，81（2/3）：355-364.

[13]Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment，2002，80（1）：76-87.

[14]Roujean J L，Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment，1995，51（3）：375-384.

[15]Qi J，Chehbouni A，Huete A R，et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment，1994，48（2）：119-126.

[16]Sims D A，Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages[J]. Remote Sensing of Environment，2002，81（2/3）：337-354.

[17]Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment，1996，55（2）：95-107.

[18]Gitelson A，Merzlyak M N. Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L.and Acer platanoides L.leaves. Spectral features and relation to chlorophyll estimation[J]. Journal of Plant Physiology，1994，143（3）：286-292.

[19]姚付啟. 冬小麥高光譜特征及其生理生態(tài)參數(shù)估算模型研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2012.