基于Sentinel-2A影像干旱區(qū)棉花葉片SPAD數(shù)字制圖

唐普恩,丁建麗,3,*,葛翔宇,張振華

1 新疆大學(xué)資源與環(huán)境科學(xué)學(xué)院, 烏魯木齊 8300462 新疆大學(xué)綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室, 烏魯木齊 8300463 新疆大學(xué)智慧城市與環(huán)境建模自治區(qū)普通高校重點(diǎn)實(shí)驗(yàn)室, 烏魯木齊 830046

新疆作為中國最大的棉花種植基地,其棉花產(chǎn)量能夠左右國際棉價(jià),在我國棉花產(chǎn)業(yè)中占有舉足輕重的作用。而棉花作為新疆的主要經(jīng)濟(jì)作物,對(duì)新疆農(nóng)業(yè)經(jīng)濟(jì)和社會(huì)發(fā)展也至關(guān)重要[1]。植被生長(zhǎng)過程中,葉綠素是參與光合作用的重要色素,其既體現(xiàn)著植物的生理狀態(tài),又決定著光合作用的強(qiáng)弱,是生態(tài)系統(tǒng)活力的重要體現(xiàn)[2]。葉綠素濃度直接影響植物代謝活動(dòng)、生長(zhǎng)周期、產(chǎn)量形成,是評(píng)價(jià)植物長(zhǎng)勢(shì)的重要指標(biāo)[3- 5]。葉綠素含量的高低直接或間接的反映自然環(huán)境的脅迫作用,特別是干旱區(qū)獨(dú)有的土壤高鹽背景下鹽脅迫會(huì)直接影響植物的生理生長(zhǎng)指標(biāo)和離子吸收,抑制植被光合吸收速率。植被葉片的葉綠素相對(duì)含量(SPAD)可直接用以衡量其實(shí)際葉綠素含量的高低,植物葉片的SPAD值易于與高光譜數(shù)據(jù)實(shí)現(xiàn)準(zhǔn)確對(duì)應(yīng)[6]。因此,快速易行的掌握葉綠素含量空間狀況對(duì)干旱區(qū)制定科學(xué)的水肥一體化管理、潛在災(zāi)害脅迫 監(jiān)測(cè)具有重大現(xiàn)實(shí)意義。

傳統(tǒng)實(shí)驗(yàn)室測(cè)量葉綠素的方法復(fù)雜、成本高、效率低,且不具備實(shí)時(shí)、大面積監(jiān)測(cè)能力,遙感技術(shù)的實(shí)施應(yīng)用恰逢其時(shí),利用遙感技術(shù)可以快速、大尺度、高效的捕獲農(nóng)作物信息,很好的彌補(bǔ)了傳統(tǒng)手段的不足[7- 8]。國內(nèi)外研究學(xué)者利用高光譜技術(shù)對(duì)植被葉綠素含量進(jìn)行監(jiān)測(cè)方面取得了很多成果。Lu等認(rèn)為由紅色和近紅外反射率組合計(jì)算的可見光與植被的生物物理和生物化學(xué)特性有很好的相關(guān)性[9]。郭超凡等建立葉面尺度下不同包絡(luò)線去除衍生轉(zhuǎn)換光譜也葉綠素含量估算模型[10]。田明璐等使用多遠(yuǎn)逐步回歸與線性回歸構(gòu)建多種光譜參數(shù)建立與葉綠素相對(duì)含量的反演模型中,發(fā)現(xiàn)前者精度優(yōu)于后者[11]。馮偉等研究了小麥葉片色素密度與冠層高光譜參數(shù)的定量關(guān)系,認(rèn)為群體葉片色素密度的敏感波段主要分布在可見光區(qū), 而紅邊區(qū)域?qū)?shù)光譜表現(xiàn)更顯著[12]。李成等[13]發(fā)現(xiàn)紅邊和近紅外波段構(gòu)建的植被指數(shù)的蘋果樹冠層葉綠素含量估算模型更準(zhǔn)確,更穩(wěn)定。已被證明光譜與葉綠素含量間存在機(jī)理,特別是在紅邊波段,由于作物在紅光波段的強(qiáng)吸收以及在近紅外波段的強(qiáng)反射,在680—760 nm的光譜范圍內(nèi),紅光波段反射率下降,近紅外波段陡然上升,形成“吸收谷”,是綠色作物光譜最為明顯的特征。紅邊波段在實(shí)踐中光譜指數(shù)通常被視為遙感光譜數(shù)據(jù)與制備生理化學(xué)參數(shù)檢測(cè)橋梁。這些光譜指數(shù)的設(shè)計(jì),將不良影響降低的同時(shí)具備較好簡(jiǎn)潔性、魯棒性和準(zhǔn)確性。然而,由于植物葉片結(jié)構(gòu)和觀測(cè)角度等因素的影響,基于經(jīng)驗(yàn)統(tǒng)計(jì)的方法可能表征較差。另外,基于物理的輻射傳輸機(jī)理模型根據(jù)葉片和土壤特性,冠層結(jié)構(gòu)和陽光傳感器的幾何形狀模擬冠層內(nèi)的光傳播,并提供對(duì)光與植被之間相互作用的有價(jià)值的物理理解,也被廣泛用于植被重要的生理參數(shù)的反演(如葉綠素、氮含量、葉面積指數(shù)(LAI)、類胡蘿卜素等)[14- 16]。李振海等比較了僅使用SAIL+PROSPECT(PROSAIL)冠層反射率模型與農(nóng)學(xué)先驗(yàn)知識(shí)(APK)關(guān)聯(lián)的結(jié)果,經(jīng)分析證實(shí)了PROSAIL模型反演生物物理變量的操作潛力[17]。但其容易受地域、植被類型、生長(zhǎng)季變化等因素影響,致使其用于遙感像元尺度反演時(shí)存有較大誤差,且模型普適性較差[18- 19],但植被中的其他生理化學(xué)參數(shù)與葉綠素間具有很強(qiáng)的協(xié)同性和相關(guān)性,如葉片是植被光合作用的主要器官,葉面積大小和作用時(shí)間都與健康狀態(tài)有關(guān),而葉綠素又是植被生長(zhǎng)狀況和光合作用的重要指標(biāo)。類胡蘿卜素與也葉綠素在光譜反射中存在遮蔽影響。

在干旱區(qū)復(fù)雜的下墊面和鹽分脅迫的背景下,單獨(dú)一種方法或一種屬性的協(xié)變量是無法滿足精準(zhǔn)農(nóng)業(yè)的需求。基于此,本文以囊括3個(gè)紅邊波段的Sentinel- 2A為本底,聯(lián)合最適光譜指數(shù)和基于PROSAIL物理模型的生物協(xié)變量集成估算棉花葉片SPAD值。以期獲取高精度、高分辨率區(qū)域葉綠素分布,服務(wù)以精準(zhǔn)農(nóng)業(yè)為抓手的一帶一路核心區(qū)農(nóng)業(yè)信息化。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

研究區(qū)位于新疆維吾爾自治區(qū)昌吉回族自治州(包含瑪納斯縣,沙灣縣和石河子市),地處天山北麓中段,準(zhǔn)格爾盆地中部古爾班通古特沙漠南緣,地理坐標(biāo)范圍44°20′—45°20′ N,85°20′—86°40′ E。氣候、地貌、水文條件、植被具有明顯的垂直地帶性分布[20- 21],海拔由南向北遞減,瑪納斯河流域主要形成“山地-綠洲-荒漠”系統(tǒng)流域,綠洲主要以片狀或帶狀分散在山前沖積平原和沖洪積扇扇緣[22]。年平均氣溫4—7℃,極端最高氣溫43℃,極端最低氣溫-42℃,多年平均降雨量150—200 mm,多年平均蒸發(fā)量達(dá)1500—2100 mm,屬于典型的溫帶大陸性干旱半干旱氣候。

1.1.1土壤特征

研究區(qū)內(nèi)的土壤類型十分豐富主要有灰漠土、棕鈣土、風(fēng)沙土、沼澤土、草甸土、鹽土、灌耕土和灌淤土等。由于干旱少雨、植被稀疏,大多數(shù)土壤呈現(xiàn)出鹽堿化、有機(jī)質(zhì)少、沙性大和粘重板結(jié)等現(xiàn)象。但由于農(nóng)業(yè)生產(chǎn)活動(dòng)的發(fā)展,使得土壤逐漸熟化,有機(jī)質(zhì)增加,土地承載力與環(huán)境容量提高,使得研究區(qū)成為了重要的農(nóng)業(yè)生產(chǎn)基地。本研究主要以棉花為研究對(duì)象,其種植地土壤屬性如表1所示。

表1 研究區(qū)內(nèi)土壤屬性

1.1.2植被類型

不同質(zhì)地的土壤其理化性質(zhì)差異性大,所以生長(zhǎng)的植被也會(huì)有所不同。研究區(qū)內(nèi)平原植被主要以人工種植作物棉花(Gossypiumhirssittum)、玉米(Corn)為主,天然植被主要是耐鹽耐旱植物如紅柳(Redwillow)、胡楊(Populuseuphratica)、豬毛菜(Salsola)、鹽爪爪(Kalidiumfoliatum)等。

1.2 數(shù)據(jù)采集

1.2.1棉花葉片SPAD值

為估算模型構(gòu)建和驗(yàn)證葉綠素精度,課題組在2019年7月進(jìn)行野外調(diào)查,沿瑪納斯河流域根據(jù)地形地貌選取具有典型代表的104個(gè)樣點(diǎn)并采樣。利用日本美能達(dá)公司生產(chǎn)的SPAD快速葉綠素測(cè)定儀,在面積為10 m×10 m的樣方內(nèi),從東、西、南、北方向的四個(gè)角和中間位置上對(duì)植株冠層的上、中、下采集20片健康、大小均勻的葉片測(cè)定SPAD值,并將五個(gè)點(diǎn)20個(gè)測(cè)定值的算術(shù)平均值作為對(duì)應(yīng)樣方內(nèi)特定植被葉片的SPAD值。

1.2.2影像數(shù)據(jù)

歐洲委員會(huì)和歐空總署局聯(lián)合倡議研發(fā)的全球環(huán)境與安全監(jiān)測(cè)計(jì)劃的第二顆衛(wèi)星,Sentinel- 2A、B衛(wèi)星分別于2015年6月23日、2017年3月7日發(fā)射成功,雙星在軌運(yùn)行的重返周期為5d,最佳分辨率可達(dá)10 m[23],其遙感影像擁有13個(gè)分辨率不同的光譜波段(10、20、60 m),包括可見光、紅邊、近紅外、水汽、卷云以及短波紅外波段(表2)。根據(jù)采樣時(shí)間及云量(< 5%),擇取2019年7月26日、28日兩景影像(https：//scihub.copernicus. eu/dhus/#/home)。首先將下載的兩景影像經(jīng)Sen2Cor模塊對(duì)影像實(shí)時(shí)輻射定標(biāo)和大氣校正,再利用SNAP軟件使用三次內(nèi)插卷積(Cubic convolution interpolation)的方法對(duì)大氣校正后的波段進(jìn)行空間分辨率為10 m的重采樣,之后轉(zhuǎn)入ENVI 5.1提取本研究所用9波段(B2、B3、B4、B5、B6、B7、B8a、B11、B12),然后將其在ArcGIS 10.0使用 (Gram-Schmidt Pan Sharpening)融合方法將研究區(qū)內(nèi)兩景影像拼接、融合,并按照研究區(qū)范圍使用取子區(qū)(subset)功能將影像裁剪。

表2 Sentinel- 2A影像波段光譜參數(shù)

1.3 最適光譜指數(shù)

本研究選擇Sentinel- 2A影像(B2、B3、B4、B5、B6、B7、B8a、B11、B12)9個(gè)光譜波段,其中包含3個(gè)紅邊波段,在農(nóng)作物植株葉綠素含量估算中具有很大的應(yīng)用潛力。因此,本研究在借鑒現(xiàn)有植被指數(shù)構(gòu)建方法的基礎(chǔ)上,引入紅邊波段替代可見光波段或者近紅外波段,利用紅邊波段與近紅外波段或者紅波段的光譜反射特征表達(dá)不同葉綠素含量的差異。構(gòu)建NDVI、DVI和RVI光譜指數(shù),以采樣點(diǎn)的棉花葉片SPAD值來反應(yīng)Sentinel- 2A影像像元的數(shù)據(jù),計(jì)算其與棉花葉片SPAD值相關(guān)性,以期找到評(píng)估葉綠素含量的最適光譜指數(shù),如表3所示。

表3 植被指數(shù)

1.4 PROSAIL輻射傳輸模型

PROSAIL模型是將PROSPECT與SAIL模型的集成,已成功應(yīng)用于不同的生態(tài)系統(tǒng)(如森林和作物)常用于植被生化物理參數(shù)的反演[26-29]。將PROSPECT模型的輸出的葉片反射率和透射率,作為SAIL模型的輸入?yún)?shù),再結(jié)合土壤反射率、葉面積指數(shù)、葉傾角分布、太陽天頂角,觀測(cè)天頂角等相關(guān)參數(shù),即可得到植被冠層的反射率和透射率。遙感影像通過大氣校正,也可以獲取地表植被冠層反射率,將遙感影像與植被參數(shù)葉綠素通過物理過程聯(lián)系起來,生成一個(gè)包含所有可能的反射率的數(shù)據(jù)集,完成了模型模擬過程[30]。

本研究所用波段的光譜反射率在490—870 nm之間,在該波段范圍內(nèi)LAI、葉綠素以及干物質(zhì)含量均為敏感參數(shù),將其確定為可變參數(shù),類胡蘿卜素在模型中表現(xiàn)為不敏感,設(shè)為固定值,反演參數(shù)主要通過野外實(shí)測(cè)、文獻(xiàn)查閱、經(jīng)驗(yàn)值及LOPEX94數(shù)據(jù)庫獲得[31],表4為參數(shù)設(shè)置。

表4 PROSAIL模型參數(shù)設(shè)置

1.5 棉花葉片SPAD值的模型構(gòu)建

在構(gòu)建棉花葉片SPAD值的反演模型,是通過R- 3.6.2中sample函數(shù)k-s劃分70%(n=72)的建模集和30%(n=32)的驗(yàn)證集并用set.seed函數(shù)固定選中的數(shù)據(jù)集。

隨機(jī)森林算法(Random forest,RF)作為一種較新的集成學(xué)習(xí)算法,是由Breiman[32]提出的基于決策樹分類器融合算法,算法可以綜合利用多種特征變量建模并評(píng)價(jià),可以看成由多個(gè)弱預(yù)測(cè)器(決策樹)集成的強(qiáng)預(yù)測(cè)器。在隨機(jī)森林模型中[31],通過選擇原始數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)集(即校準(zhǔn)數(shù)據(jù)集)的隨機(jī)樣本,使用確定性算法構(gòu)建每棵樹,每一棵樹都依賴一個(gè)隨機(jī)向量,通過對(duì)數(shù)據(jù)集的列變量和行變量觀測(cè)進(jìn)行隨機(jī)化,生成多個(gè)分類樹,最終將分類樹結(jié)果進(jìn)行綜合。本文研究使用R- 3.6.2中隨機(jī)森林工具包對(duì)棉花葉綠素SPAD值進(jìn)行預(yù)測(cè)分類,并產(chǎn)生重要變量性估計(jì),研究模型的重要性分類指標(biāo)由平均下降精度參數(shù)(Mean Decrease Accuracy)提供[33]。

本文將野外測(cè)得的植被葉綠素SPAD值作為模型因變量,將最適光譜指數(shù)(DVI、NDVI、RVI),Sentinel- 2A中9個(gè)波段(B2、B3、B4、B5、B6、B7、B8a、B11、B12),基于物理模型生物協(xié)變量(葉面積LAI、冠層含水量LAI-Cw、冠層葉綠素LAI-Cab、植被覆蓋度fcover、光合有效輻射fapar)共計(jì)17個(gè)特征參數(shù)分別作為自變量并構(gòu)建3種方案(表5),在R- 3.6.2中利用隨機(jī)森林按照設(shè)計(jì)方案對(duì)采樣地的棉花建立植被葉片SPAD的估算模型。

表5 建模方案

1.6 模型精度評(píng)價(jià)

本研究為了評(píng)估上述3種預(yù)測(cè)模型的性能,選取了以下幾種常用的模型驗(yàn)證標(biāo)準(zhǔn)。分別為決定系數(shù)(Determination coefficients,R2)、均方根誤差(Root mean squared error, RMSE)、一致性相關(guān)系數(shù)(Concordance correlation coefficient,ρc),研究思路如圖1所示。

圖1 研究流程圖Fig.1 Research flow process

圖2 樣本統(tǒng)計(jì)分析圖Fig.2 Sample statistical analysis chart

2 結(jié)果與分析

由圖2可知棉花葉片SPAD值全集均值為59.02,變異系數(shù)為0.092,變異系數(shù)小,說明數(shù)據(jù)離散程度小較為集中。如圖2所示,棉花葉片SPAD值全集、建模集、驗(yàn)證集在統(tǒng)計(jì)特征中保持相似的統(tǒng)計(jì)形態(tài),均值分別為：59.02、58.66、59.38,SD分別為5.43、5.25、5.43,由此可見樣本劃分合理。

2.1 棉花葉片SPAD值與高光譜植被指數(shù)的相關(guān)性

圖3為棉花葉片SPAD值與Sentinel- 2A波段(B2、B3、B4、B5、B6、B7、B8a、B11、B12)兩個(gè)隨機(jī)光譜波段的2D指數(shù)(DVI、NDVI、RVI)關(guān)系。右側(cè)的彩條表示r大小,深紅、深藍(lán)代表SPAD值與波段組合正、負(fù)相關(guān)性較高。結(jié)果表明,DVI、NDVI、RVI與棉花葉片SPAD值高度相關(guān)性的波段主要集中在紅邊(Red edge)波段(B5、B6)和近紅邊(Narrow NIR)波段B8a處。RVI與棉花葉片SPAD值相關(guān)性最高其為0.767,P**=0.195,其表達(dá)式B8a/B5。NDVI其r為0.720,DVI其r為0.692。說明紅邊波段對(duì)棉花葉綠素有較高的響應(yīng),3種指數(shù)在相應(yīng)波段下對(duì)棉花葉片SPAD值均具有較高相關(guān)性。

圖3 棉花葉片SPAD值與Sentinel- 2A(B2、B3、B4、B5、B6、B7、B8a、B11、B12)中任意兩波段構(gòu)建的DVI、NDVI、RVI的相關(guān)系數(shù)Fig.3 Correlation coefficient between SPAD value of cotton leaves and DVI、NDVI、RVI constructed in any two bands of sentinel- 2A (B2、B3、B4、B5、B6、B7、B8a、B11、B12) B2：藍(lán)光 Blue band；B3：綠光 Green band；B4：紅光 Red band；B5：植被紅邊Vegetation Red Edge band；B6：植被紅邊Vegetation Red Edge band；植被紅邊B7：Vegetation Red Edge band；B8a：近紅外(窄)Narrow NIR band；B11：短波紅外SWIR band；B12：短波紅外SWIR band

2.2 特征變量重要性分析

本研究通過隨機(jī)森林進(jìn)行建模,并對(duì)參與不同方案建模的特征變量做出重要性分析,通過圖4可以發(fā)現(xiàn)在三種方案中,紅邊波段的貢獻(xiàn)率都大于6%,由紅邊波段參與構(gòu)建的最適光譜指數(shù)在重要性占比中也較高,這也說明了紅邊波段與葉綠素響應(yīng)度較強(qiáng)；此外三方案中RVI與LAI-Cab的貢獻(xiàn)始終最大其占比均超過了10%,在方案3中重要性分別10.22%和10.56%,由此可見植被指數(shù)與物理模型對(duì)于估算葉綠素含量的貢獻(xiàn)兩者均較為重要,皆不可忽視。

圖4 特征變量重要性Fig.4 The importance of characteristic variablesM1:方案1; M2:方案2; M3:方案3;LAI：葉面積指數(shù) Leaf area index；LAI-Cw：冠層含水量 Canopy water content；LAI-Cab冠層葉綠素 Canopy chlorophyll；fcover：植被覆蓋度 Vegetation coverage；fapar：光合有效輻射 Photosynthetically active radiation；

2.3 棉花葉片SPAD值的估算模型評(píng)價(jià)結(jié)果

根據(jù)表6可知在所有棉花葉片SPAD估算模型中,由驗(yàn)證集效果可知,方案3 >方案1 >方案2,其中方案3 (R2= 0.8258,RMSE=3.5660,ρc= 0.7205)的效果甚佳。比單一的使用最適光譜指數(shù)或物理模型生物協(xié)變量構(gòu)建的模型精度提高0.05—0.07左右,這說明將Sentinel- 2A波段與植被指數(shù)、物理模型集成進(jìn)行優(yōu)勢(shì)互補(bǔ)可以提高棉花葉片SPAD值估算精度。同時(shí)一致性ρc也為三個(gè)方案中最高的。

表6 棉花葉片SPAD預(yù)測(cè)值與實(shí)測(cè)值分布

圖5 棉花葉片SPAD預(yù)測(cè)值與實(shí)測(cè)值相關(guān)性及精度驗(yàn)證Fig.5 Correlation and accuracy verification of SPAD predicted value and measured value of cotton leaves

圖6 葉片SPAD遙感監(jiān)測(cè)圖Fig.6 Remote sensing monitoring map of blade SPAD

3 討論

作物葉片的SPAD值反映了作物葉綠素含量的相對(duì)高低,通過了解葉綠素含量及其變化,對(duì)作物的營養(yǎng)診斷、長(zhǎng)勢(shì)監(jiān)測(cè)及產(chǎn)量估算具有重要意義[34]。本研究以Sentinel- 2A為數(shù)據(jù)源,將PROSALL模型與最適光譜指數(shù)進(jìn)行結(jié)合對(duì)棉花葉片SPAD值進(jìn)行估算研究。

本文將3種方案進(jìn)行對(duì)比后,選擇方案3繪制圖6葉片SPAD遙感監(jiān)測(cè)圖,由圖6可知研究區(qū)內(nèi)葉綠素的空間分布大致為中部高四周低,其主要受水源、土壤鹽分、土壤有機(jī)質(zhì)及灌溉方式影響,研究區(qū)的西北角及東北角屬于沙漠地區(qū),土壤水分少、鹽分高、有機(jī)質(zhì)含量低對(duì)棉花生長(zhǎng)有一定抑制作用。研究區(qū)內(nèi)的某些零星區(qū)域葉綠素偏高,是由于種植其他作物對(duì)其估算具有一定不準(zhǔn)確性。同時(shí)通過表1可以發(fā)現(xiàn)土壤屬性存在較大差異會(huì)對(duì)所生長(zhǎng)植被的生理參數(shù)產(chǎn)生較大影響。因此,今后研究要對(duì)棉花葉綠素進(jìn)行空間進(jìn)行分析,除了要掌握主要水源分布,還應(yīng)將土壤性質(zhì)(鹽分、水分、有機(jī)質(zhì)等)作為重要的參考因素作為土壤特征變量參與建模,同時(shí)也要了解作物的種植分布特點(diǎn)。

Sentinel- 2A具有豐富的光譜波段信息,選取特征波段構(gòu)建光譜指數(shù)在不同程度上抵消了由環(huán)境變化而引起的噪聲,可以用來定量估算作物的理化參數(shù)[35]。因此,本研究利用Matlab,選取最優(yōu)光譜波段構(gòu)建3個(gè)2D最適光譜指數(shù)(DVI、NDVI、RVI),由于選取的最優(yōu)波段均為紅邊波段與葉綠素具有較強(qiáng)的響應(yīng),且采樣時(shí)棉花正處于花鈴期,此時(shí)棉花生長(zhǎng)旺盛,葉片呈深綠色,對(duì)光譜的反射率較高。這與洪帥[36]等研究的結(jié)果一致,棉花的生育時(shí)期冠層葉片的葉綠素含量與紅邊指數(shù)的相關(guān)性較高。但僅構(gòu)建3種光譜指數(shù)無法充分利用高光譜數(shù)據(jù),從而在一定程度上限制估算模型的精度[10],充分利用高光譜數(shù)據(jù)構(gòu)建多種光譜指數(shù)之后進(jìn)行最優(yōu)篩選以提高模型精度值得今后研究。

在對(duì)3種模型方案不同的特征變量進(jìn)行重要性分析,易知紅邊波段與基于紅邊波段構(gòu)建的光譜指數(shù)對(duì)估算模型有著關(guān)鍵作用。生物協(xié)變量中LAI-Cab貢獻(xiàn)最大,其在物理模型中就是表示葉綠素,同時(shí)也說明了物理模型對(duì)葉綠素估算起到一定作用。在以最適光譜指數(shù)和物理模型生物協(xié)變量構(gòu)建的方案1、方案2中,RVI與LAI-Cab重要性占比為13.90%、15.24%,但在方案3中兩者占比雖依舊為最大但卻有所下降,可能是由于在特征變量增多的原因,未對(duì)變量進(jìn)行篩選,往后的研究上應(yīng)在優(yōu)選特征變量的基礎(chǔ)上進(jìn)行建模[37]。另外,PROSAIL模型反演過程中受到自身參數(shù)不確定性及敏感性以及植被生理參數(shù)之間的相互作用可能帶來誤差影響,本研究由于采樣條件有限,故敏感參數(shù)設(shè)置僅為L(zhǎng)AI、Cab,沒有考慮其他參數(shù)[38],從而會(huì)影響模型精度,今后研究可多獲取參數(shù)實(shí)測(cè)值來解決。

本研究構(gòu)建的三種模型方案,都是基于隨機(jī)森林回歸算法估算棉花葉片SPAD值的,出現(xiàn)了低值高估、高值低估的現(xiàn)象,同時(shí)給出不同變量對(duì)模型影響評(píng)分,在建模時(shí)進(jìn)行參數(shù)優(yōu)化,可以很好地學(xué)習(xí)特征變量與SPAD值關(guān)系,提高模型的預(yù)測(cè)精度。這與前人所做出的結(jié)果一致[39]。但構(gòu)建的模型要想快速的監(jiān)測(cè)棉花葉綠素含量,還需要獲取多年數(shù)據(jù)進(jìn)行改進(jìn)。其次,本文研究區(qū)以新疆人工綠洲為主,它是由綠洲農(nóng)田和綠洲聚落生態(tài)系統(tǒng)構(gòu)成的人工生態(tài)系統(tǒng)主要受人類控制,在人類精心維護(hù)下,綠洲人工生態(tài)系統(tǒng)內(nèi)部生態(tài)環(huán)境趨于優(yōu)化,生態(tài)穩(wěn)定性較強(qiáng),而生態(tài)環(huán)境的影響通常以作物物候周期為尺度表現(xiàn)在作物生理化學(xué)參數(shù)上。基于此,本文嘗試通過對(duì)棉花物候周期中的某一時(shí)期的SPAD高精度制圖可能,在后續(xù)研究中將棉花的而整個(gè)物候周期作為研究的重點(diǎn),從而了解生態(tài)環(huán)境對(duì)于棉花生長(zhǎng)的影響,通過整個(gè)物候周期生理參數(shù)的變化來分析生態(tài)環(huán)境的質(zhì)量發(fā)展變化,以期實(shí)現(xiàn)對(duì)干旱區(qū)作物生長(zhǎng)狀況的實(shí)時(shí)監(jiān)測(cè),為精準(zhǔn)農(nóng)業(yè)提供新的技術(shù)途徑。

4 結(jié)論

本文以Sentinel- 2A為高光譜數(shù)據(jù)源,將Sentinel- 2A光譜波段、植被指數(shù)和PROSAIL模型三者進(jìn)行組合構(gòu)建棉花葉片SPAD值的估算模型。利用Sentinel- 2A光譜波段在構(gòu)建植被指數(shù)時(shí)可以發(fā)現(xiàn)建立的2D指數(shù)(DVI、NDVI、RVI)與棉花葉片SPAD值相關(guān)系數(shù)最好的波段在紅邊波段(B5、B6)和近紅邊波段(B8a)處,說明紅邊波段與葉綠素含量響應(yīng)明顯,基于紅邊波段構(gòu)建的植被指數(shù)對(duì)估算模型起到關(guān)鍵作用。在構(gòu)建的3個(gè)方案模型中,利用實(shí)測(cè)數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證,結(jié)果表明：將Sentinel- 2A光譜波段、植被指數(shù)和PROSAIL模型三者利用隨機(jī)森林算法構(gòu)建的模型表現(xiàn)出了最佳SPAD預(yù)測(cè)能力,實(shí)現(xiàn)了棉花葉片SPAD值的遙感監(jiān)測(cè)。綜上所述,單一的以經(jīng)驗(yàn)?zāi)Ｐ椭脖恢笖?shù)或物理模型構(gòu)建的反演方法對(duì)植被葉綠素含量具有一定的預(yù)測(cè)能力,但將兩者在隨機(jī)森林中集成的模型可以提高干旱區(qū)和半干旱區(qū)棉花葉片SPAD值的預(yù)測(cè)精度,可以推廣至其他植物的葉綠素監(jiān)測(cè),為合理水肥配置,精準(zhǔn)種植,農(nóng)作物生長(zhǎng)過程監(jiān)測(cè)提供數(shù)據(jù)支撐,促進(jìn)精準(zhǔn)農(nóng)業(yè)蓬勃發(fā)展。