基于GF-1數據的夏玉米FPAR遙感動態估算

賀 佳 郭 燕 張 彥 楊秀忠 劉 婷 王來剛

(1.河南省農業科學院農業經濟與信息研究所,鄭州 450002；2.農作物種植監測與預警河南省工程實驗室，鄭州 450002)

0 引言

光合有效輻射吸收比率(Fraction of absorbed photosynthetically active radiation，FPAR)是植被冠層綠色部分吸收的光合有效輻射(Photosynthetically active radiation，PAR)占到達冠層頂部PAR的比例，一般定義為植被對波長在400～700 nm間太陽輻射能量的吸收比率，是直接反映植被冠層對光能截獲能力與吸收能力的重要參數，是聯合國全球氣候觀測系統認定的反映全球氣候變化的50個關鍵參量之一[1-3]。

FPAR估算主要包括物理模型與經驗模型兩種方法。物理模型法主要是通過植被冠層結構或輻射傳輸模型模擬太陽光經過植被冠層的散射、反射過程來獲取FPAR。如文獻[4-5]將MODIS地表反射率與混合模型反演的LAI數據結合設計了基于多源遙感數據的FPAR估算；VERGER等[6]利用歐空局CHIRS/PROBA數據反演FPAR并得到PROBA-VFPAR產品；LI等[7]利用Landsat-5數據結合輻射傳輸模型模擬反射率估算冠層FPAR誤差小于0.05。這種將遙感數據與輻射傳輸模型結合的FPAR估算是基于復雜的PAR過程實現的，雖然具有較高的估算精度，但在實際應用中有較大難度。近年來逐漸有高光譜數據應用于FPAR估算[8-10]。但這些研究多基于田間小區冠層尺度，在區域尺度估算適應性有待進一步驗證。隨著空間遙感技術的發展，學者利用不同的衛星影像，提取光譜反射率構建植被指數，進一步開展大尺度的FPAR估算[11-13]。這種基于敏感波段構建植被指數估算FPAR的方法，由于參數較少，操作方便，在生產中得到廣泛應用[14-15]。這些研究多基于國外中低分辨率的衛星數據開展。

隨著中國高分系列衛星的使用，為光合有效輻射估算及業務化生產提供了新的契機。王利民等[16-17]使用GF-1影像獲取PAR的總體精度超過92.63%，這為國產高分辨率衛星在FPAR估算奠定了基礎。但FPAR的變化受植被類型、生態環境等多種因素綜合影響，而農作物作為生態系統的重要組成部分，其生產活動對FPAR有重要影響。為了進一步研究GF-1 WFV數據在作物FPAR估算中的適應性，科學評估農作物的生產潛力，本文基于連續2年不同氮肥梯度與不同品種類型的夏玉米冠層高光譜反射率模擬國產高分辨率GF-1 WFV的多光譜反射率，分析夏玉米冠層FPAR指標與模擬GF-1 WFV波段及植被指數的定量關系，探索GF-1 WFV數據對區域尺度夏玉米FPAR動態估算的適用性與穩定性，為實現利用GF-1 WFV數據估算作物生產潛力奠定技術基礎。

1 數據獲取與處理

1.1 研究區概況

1.1.1試驗地概況

試驗在中國農業科學院新鄉綜合試驗基地進行，地處113°46′8.10″E，35°8′3.67″N，海拔78.9 m，屬溫帶大陸性季風型氣候，年平均溫度14.2℃，無霜期210 d，年日照時數約2 407.7 h，年蒸發量約2 000.0 mm，年平均降水量585.0 mm，年均無霜期200.5 d。土壤為黃河沖積物發育潮土，0～20 cm堿解氮質量比68.65 mg/kg、速效磷質量比9.21 mg/kg、速效鉀質量比71.12 mg/kg、有機質質量比10.21 mg/kg。

1.1.2試驗設計

小區試驗于2019—2020年實施，采取隨機區組設計，每年設置2個玉米品種，5個氮肥水平，2組重復，共計20個小區。2個玉米品種分別為鄭單958(ZD958)、登海605(DH605)；5個氮肥(46% N尿素)水平分別為N0(0 kg/hm2)、N1(75 kg/hm2)、N2(150 kg/hm2)、N3(225 kg/hm2)、N4(300 kg/hm2)，總氮肥60%作為基肥，40%作為追肥，磷、鉀肥施用量均為120 kg/hm2；種植密度為67 500 株/hm2，行距0.60 m，株距0.25 m；其它管理方式按照豫北平原高產玉米措施管理。

區域尺度的夏玉米FPAR估算試驗于2020年6—9月進行。面向研究區域布設調查樣區40個，樣區尺寸大于300 m×300 m，樣區內為純玉米種植，管理方式按照當地農戶常規生產管理進行。于夏玉米拔節期、抽雄期、灌漿期、成熟期采集地面冠層光譜及光合有效輻射數據。研究區位置及拔節期(2020年7月20日)原始遙感影像見圖1。

圖1 研究區位置和玉米拔節期原始遙感影像Fig.1 Location of study area and original remote sensing image of maize jointing stage

1.2 冠層高光譜數據采集

利用美國 Analytical Spectral Devices(ASD)公司 Field-spec Pro FR-2500型背掛式野外高光譜輻射測量儀采集玉米冠層高光譜反射率。冠層光譜反射率在天氣晴朗、無風時測量，適宜時間為10:00—14:00。測量時傳感器探頭垂直向下，光譜儀視場角為7.5°，距冠層頂垂直高度0.25～0.30 m，地面視場范圍直徑為0.5 m。每個觀測點記錄10個采樣光譜。試驗小區與大田樣區每個采集點分別重復3次，取算術平均值作為該采集點光譜反射率。同步利用厘米級差分 GPS采集樣點詳細地理信息位置。

1.3 FPAR數據采集

PAR采集與冠層光譜反射率采集同步。在同一取樣范圍內，以美國Decagon公司AccuPARPAR/LAIceptometer型植物冠層分析儀(modelLP-80型)測量，PAR采集時利用差分GPS同步采集詳細地理信息位置。每個測量點測3次，取算術平均值為該觀測點PAR值，根據計算公式求得FPAR值。

Fpar=Apar/Pparci

(1)

其中Apar=Pparci-Pparcr-(Ppargi-Ppargr)

式中Fpar——光合有效輻射吸收比率

Apar——植物吸收性光合有效輻射量

Pparci——冠層上部光合有效輻射入射量

Pparcr——冠層上部光合有效輻射反射量

Ppargi——冠層底部光合有效輻射入射量

Ppargr——冠層底部光合有效輻射反射量

1.4 GF-1WFV數據獲取、處理與模擬寬波段反射率

GF-1衛星搭載有4個16 m空間分辨率寬視場(Wide field view，WFV)傳感器WFV1～4，單傳感器幅寬200 km，同時成像時幅寬800 km。影像包括藍(450～520 nm)、綠(520～590 nm)、紅(630～690 nm)與近紅外(770～890 nm)4個波段，重訪周期4 d。

本文采用2020年6月1日至9月30日與地面數據采集日期基本一致的GF-1 WFV數據4景進行玉米FPAR反演，云量小于10%。玉米FPAR反演的GF-1 WFV數據信息見表1。

表1 玉米FPAR反演的GF-1 WFV數據信息Tab.1 Information of GF-1 WFV images for FPAR estimation

在ENVI環境下，對 GF-1 WFV影像進行輻射定標、大氣校正、正射校正等預處理。由于GF-1 WFV與ASD的波普寬度不同，因此根據GF-1 WFV的光譜響應函數對ASD實測光譜反射率進行重采樣，獲取與GF-1 WFV相對應的模擬光譜反射率[18]，重采樣公式為

(2)

式中R——模擬衛星寬波段的反射率

λmin、λmax——傳感器光譜探測的起始、終止波長

S(λ)——傳感器在波長λ的光譜響應函數值

R(λ)——玉米冠層光譜在波長λ的反射率

1.5 植被指數

由于可見光與近紅外波段的光譜反射率對植被PAR表現較為突出，可見光主要表征植被葉片色素對PAR的吸收信息，近紅外波段表征葉片結構對PAR的投射信息。本文在前人研究的基礎上，根據FPAR對光譜響應特征，基于衛星模擬光譜反射率數據，篩選了歸一化差值植被指數(NDVI)[19]、比值植被指數(RVI)[20]、差值植被指數(DVI)[21]、垂直植被指數(PVI)[21]、土壤調整植被指數(SAVI)[22]、復歸一化植被指數(RNDVI)[23]、綠色比值植被指數(GRVI)[24]、標準葉綠素指數(NPCI)[25]、優化土壤調整植被指數(OSAVI)[26]、土壤調節植被指數(MTVI2)[26]、葉綠素指數(CIgreen)[27]、寬范圍動態植被指數(WDRVIgreen)[27]、增強型植被指數(EVI)[28]、可見光大氣阻抗植被指數(VARI)[29]、綠色歸一化植被指數(GNDVI)[29]、調整土壤亮度的植被指數(TSAVI)[30]、綜合植被指數(TCARI/OSAVI)[31]等17種對FPAR敏感的寬波段植被指數構建FPAR估算模型。

1.6 數據處理與分析

本文連續2年采集冠層光譜反射率、FPAR有效數據共計200組，以小區夏玉米高光譜反射率模擬GF-1 WFV多光譜反射率，分析二者間的定量關系；在此基礎上構建寬波段植被指數，并分析其與FPAR的相關性，選擇與FPAR呈極顯著相關(P<0.01)且具有較高相關系數的寬波段植被指數用于FPAR估算，以70%樣本為訓練集建立FPAR估算模型，30%樣本為驗證集對估算模型精度進行驗證，評價模型的估算精度；通過綜合評判篩選最適夏玉米FPAR估算模型，并基于最適模型進行FPAR動態估算及空間分布制圖。

2 估算模型建立與驗證

2.1 不同生育期玉米冠層FPAR的動態特征

不同生育時期夏玉米FPAR動態特征見圖2。拔節期FPAR為0.349～0.618，抽雄期為0.613～0.932，灌漿期為0.580～0.806，成熟期為0.482～0.751，最大值在抽雄期，為0.932，最小值在拔節期，為0.349。拔節期FPAR較小是因為玉米正處營養生長階段，覆蓋度較小；進入抽雄期葉片全展，覆蓋度增加，FPAR也隨之達到最大；灌漿期后，進入生殖生長階段，營養物質向穗部轉移，葉片逐漸衰老，冠層覆蓋度降低，FPAR呈降低趨勢。

圖2 不同生育期夏玉米冠層FPAR變化特征Fig.2 Variation of FPAR for summer maize at different growth stages

2.2 模擬反射率與GF-1 WFV反射率的定量關系

圖3為基于ASD高光譜反射率模擬的GF-1反射率與GF-1 WFV多光譜反射率的定量關系。由圖3可知，模擬反射率與GF-1 WFV多光譜反射率在藍、綠、紅、近紅外波段均呈現極顯著相關性(P<0.01)，不同波段相關系數|R|分別為0.967、0.971、0.980、0.985(**表示極顯著)，模擬反射率與實測反射率的決定系數R2分別為0.935、0.944、0.960、0.969；說明模擬反射率與GF-1 WFV多光譜反射率具有高度一致性。

圖3 模擬反射率與GF-1 WFV反射率的定量關系Fig.3 Relationship between simulated and GF-1 WFV reflectance

2.3 FPAR與寬波段植被指數的相關性分析

基于模擬反射率構建寬波段植被指數，并分析其與FPAR的相關性(表2)。由表2可知，拔節期FPAR除了與GRVI、NPCI、CIgreen、WDRVIgreen、GNDVI沒有達到顯著相關水平以外，與其它12種植被指數均達到顯著或極顯著相關性(P<0.05或P<0.01)，|R|為0.639～0.873，與TCARI/OSAVI相關性最高；抽穗期與灌漿期FPAR與所選的17種植被指數均達到顯著或極顯著差異(P<0.05或P<0.01)，|R|分別為0.422～0.903、0.565～0.904，該階段最大|R|均為EVI；成熟期FPAR除了與GRVI、NPCI沒有顯著相關以外，與其它15種植被指數均達到顯著或極顯著相關性(P<0.05或P<0.01)，|R|最大達到0.925(MTVI2)。將不同生育時期的FPAR與植被指數匯總對應，分析多生育期的FPAR與植被指數相關性，GRVI、NPCI、GNDVI與FPAR的相關性稍差，|R|<0.5，呈現弱相關或低度相關；其它14種植被指數則呈現顯著或極顯著相關(P<0.05或P<0.01)。綜合對比不同階段FPAR與植被指數的相關性，在不同生育時期與多生育期中，EVI、MTVI2、VARI、TCARI/OSAVI等4種植被指數與FPAR均呈現極顯著相關，且|R|為0.813～0.925，具有高度相關性。這是由于這4種植被指數均是由藍光、綠光、紅光、近紅外中任意3種光譜信息構建，能更好地表達FPAR與可見光或近紅外波段的信息。

表2 不同生育期夏玉米FPAR與植被指數的相關系數Tab.2 Correlation coefficients between FPAR and vegetation index of maize from jointing to maturity

2.4 玉米FPAR估算模型及驗證

2.4.1玉米FPAR估算模型

通過相關分析，本文以EVI、MTVI2、VARI、TCARI/OSAVI等4種3波段植被指數為自變量(x)，以FPAR為因變量(y)，構建FPAR的一元線性回歸模型(Linear regression，記作FPARLR)與多元逐步回歸模型(Multiple stepwise regression，記作FPARMSR)估算模型，通過對比模型的決定系數與標準誤差，評價估算精度。

表3為基于GF-1 WFV寬波段植被指數構建的夏玉米FPAR估算模型。對比FPARLR與FPARMSR的決定系數與標準誤差，在不同生育期與多生育期，FPARLR的決定系數相對較低，FPARMSR的決定系數較高；在同一生育時期內，FPARMSR估算精度優于FPARLR；對比不同回歸模型，單一生育時期的FPAR估算精度優于多生育期的統一模型。

表3 夏玉米不同生育期FPAR估算模型Tab.3 FPAR estimation models of summer maize at different growth stages

2.4.2玉米FPAR模型驗證

利用驗證集對FPAR估算模型精度進行驗證(表4)，并對比實測值與估算值間的R2、RMSE、RE(圖4)，結果發現：FPARMSR較FPARLR具有一定的優勢。對比單一生育期與多生育期的FPAR估算模型，發現單一生育期FPARMSR的R2大于FPARLR，RMSE與RE小于FPARLR。多生育期模型雖然具有一定的通用性，但是在建模過程受植被指數或建模訓練集數量的影響，存在一定的飽和性，影響模型精度；不同生育時期中，以抽雄期、灌漿期FPAR估算效果較好，這與該階段冠層結構密閉，群體覆蓋度較大有關，受背景噪聲影響較小。

圖4 不同生育期夏玉米FPAR動態分布Fig.4 Spatial distribution about FPAR of summer maize at different growth stages

表4 FPAR 估算模型精度檢驗Tab.4 Accuracy test of FPAR value estimation models

2.5 基于GF-1數據的夏玉米FPAR動態估算

利用最大似然法對研究區拔節期GF-1 WFV影像進行分類，提取玉米種植面積，并以地面樣區對分類結果進行驗證，用戶精度與制圖精度分別為92.53%、93.64%，滿足本文FPAR遙感估算需求。以提取的夏玉米種植面積為掩膜，在不同生育時期以FPARMSR估算FPAR動態變化，并繪制FPAR空間分布，最后以實測FPAR與空間分布圖上同一位置獲取的FPAR估算值進行擬合，結果發現：在不同生育時期FPAR的變化趨勢與小區試驗一致，拔節期、抽雄期、灌漿期、成熟期的FPAR最大值分別為0.620、0.933、0.831、0.816，最小值分別為0.340、0.611、0.578、0.471；FPAR模型估算值與地面實測值擬合的決定系數R2分別為0.824、0.856、0.847、0.819；相對誤差RE分別為13.37%、8.41%、10.65%、11.13%。表明基于GF-1 WFV數據能較好地估算區域尺度的玉米FPAR。

圖4為基于GF-1 WFV估算的新鄉縣玉米拔節期至成熟期FPAR時空分布圖。由圖4可知：研究區玉米FPAR高值區域主要集中分布在西部及西南部，這是由于該區域是玉米主產區，種植面積集中，管理措施完善，群體長勢較好；圖4a、4d分別為拔節期與成熟期的玉米FPAR，拔節期群體稀疏，冠層覆蓋度較小；成熟期植株營養向穗部轉移，FPAR相對較小；圖4b、4c為抽雄期、灌漿期FPAR，由于該階段群體密閉，長勢較好，截獲太陽輻射能力較強，FPAR相對較高。

3 討論

FPAR是植被冠層吸收利用光能的重要參數，是定量描述植被光合作用、生產潛力的重要參數。隨著高分辨率遙感衛星的投入使用，從區域到全球尺度的FPAR估算被更廣泛的應用于農作物估產、農業生產力評估、生態系統碳循環等領域[32]。植被對太陽光能的吸收反射主要集中在可見光與近紅外波段[33]，可見光波段與植被理化性狀及色素分布有關，如紅光波段對光能的吸收能力在光譜上表現為明顯的吸收波谷，紅波段呈現出明顯的吸收波谷；近紅外波段與植被葉片結構密切相關，該波段內輻射吸收較少，所以具有較高的反射率。正是由于植被對光能在這些波段的吸收與反射特征，所以可利用不同波段的反射率構建植被指數建立光譜與FPAR的定量關系，實現FPAR的估算[34]。

(1)本文對經預處理的GF-1 WFV數據提取與地面實測高光譜反射率點位一致的多光譜反射率，對比分析寬波段反射率與窄波段反射率的相關性，結果發現藍、綠、紅、近紅外波段模擬反射率與GF-1 WFV反射率間具有較高的相關系數與決定系數，說明二者具有高度一致性。因此，可以基于GF-1 WFV的光譜響應函數對近地高光譜數據進行重采樣，獲取與GF-1 WFV傳感器一致的多光譜反射率，并構建寬波段植被指數，進行作物生理生態參數的定量分析。這一結果與前人研究結果[35]基本一致。

(2)本文在前人關于PAR研究基礎上，篩選了降低土壤噪聲、大氣噪聲等不同波段組合的17種植被指數，與FPAR均達到顯著或極顯著相關性，這是由于所選植被指數均是基于藍、綠、紅等可見光及近紅外波段構建，而FPAR對可見光及近紅外波段的光譜信息更為敏感[36]。對比不同類型植被指數與FPAR的定量關系發現，基于3波段構建的植被指數與FPAR的相關性優于2波段，說明了適當增加波段信息有利于改善估算精度[37-39]。

(3)對比不同形式的FPAR估算模型，結果發現FPARMSR估算精度與驗證精度都較FPARLR有所改善，這是由于參與構建多元逐步回歸模型的植被指數在不同程度上降低了大氣噪聲、土壤背景、植被覆蓋度等因素的影響，并避免建模過程中不同參數之間的共線性問題，改善了模型精度[40]。另外，本文通過對比單一生育期與多生育期的模型估算精度，發現多生育期模型雖然具有一定的通用性，但是其模型估算精度與驗證精度略差，這是由于多生育期建模數據集過大，存在一定的飽和性導致模型精度降低。

(4)將不同生育期FPAR估算模型應用于相對研究區FPAR估算，并以實測值進行驗證，結果表明基于多元逐步回歸模型估算的FPAR與實測值高度吻合，但是這一驗證精度略差于模型估算精度，出現這種情況的原因與地面采樣點的地理信息位置精度以及GF-1 WFV在大氣校正、幾何校正過程中的預處理精度有一定的關系，另外GF-1 WFV反射率在一定程度上受混合像元的影響，導致估算結果存在一定的誤差[41]。

本文通過高光譜反射率模擬GF-1 WFV多光譜反射率，構建寬波段植被指數估算了夏玉米不同生育時期FPAR動態變化，這種方法簡便高效，是開展區域尺度FPAR估算的主要手段。但是FPAR受太陽高度角、植被類型、地形地貌等不確定因素的影響，導致估算模型的適用性與推廣性受到一定限制。因此，在后期研究中進一步考慮FPAR估算的不確定性，進一步改善FPAR估算的普適性與機理性。隨著天宮一號、珠海一號等高光譜遙感影像的投入使用，基于高光譜數據或其它窄波段數據設計的植被指數不斷出現，但是不同傳感器的中心波段、光譜響應曲線等均存在一定差異，本研究僅僅對GF-1 WFV寬波段植被指數估算了FPAR，該方法是否能滿足其它高分辨率遙感衛星對FPAR估算應用，仍有待進一步研究驗證。

4 結論

(1)模擬衛星寬波段光譜反射率與GF-1 WFV實測光譜反射率間的相關系數|R|為0.967～0.985，決定系數為0.935～0.969，二者具有高度一致性。

(2)基于EVI、MTVI2、VARI、TCARI/OSAVI等3波段植被指數與不同生育期FPAR具有極顯著相關性，且相關系數|R|為0.813～0.925。

(3)基于優選3波段植被指數構建FPAR多元逐步回歸估算模型的決定系數R2為0.762～0.843，驗證模型的決定系數R2為0.839～0.880，估算及驗證精度都較一元回歸模型有所提高，說明適當增加建模信息，能有效改善FPAR估算精度。

(4)基于優選模型估算區域尺度FPAR空間分布及動態變化，估算值與實測值間決定系數R2為0.819～0.856，相對誤差RE為8.41%～13.37%。說明不同生育期FPAR多元逐步回歸模型能較好估算夏玉米FPAR動態變化。