基于波段組合優(yōu)化光譜指數(shù)的冬小麥LAI估算

吾木提·艾山江， 尼加提·卡斯木， 買買提·沙吾提

(1.伊犁師范大學資源與生態(tài)研究所，新疆伊寧 835000； 2.伊犁師范大學生物與地理科學學院，新疆伊寧 835000；3.新疆大學地理與遙感科學學院，新疆烏魯木齊 830046)

葉面積指數(shù)(LAI)為單位土地面積上的總植物葉面積，是植被樹冠結構特征的最基本參數(shù)之一。在植被的光合作用、呼吸作用、蒸騰作用、碳循環(huán)以及降水攔截等過程中，LAI可以起到調控作用；它也被用于評估作物的健康程度、營養(yǎng)供應和產量水平等。因此，準確、快速地估算作物的LAI不僅有利于作物長期監(jiān)測，還有利于作物綜合管理和在精確農業(yè)中的應用。

隨著遙感技術的飛速發(fā)展，它在國內外以其規(guī)模大、實時觀測、客觀性強、成本低、無損和高效等優(yōu)勢被廣泛采納，用于作物重要參數(shù)的定量估算。自20世紀70年代以來，Wiegand等開始研究光譜特性和LAI之間的關系。目前，利用遙感數(shù)據(jù)估算作物LAI的主要方法是確定作物有限敏感植被指數(shù)與LAI之間的相關性，通過使用線性或非線性關系來進行估算。植被指數(shù)是通過幾個敏感光譜帶的組合建立的，能夠減少背景噪聲信息的影響，與LAI具有良好的相關性，且能簡單有效地反映植被狀況。孟禹弛等結合冬小麥不勝生育期(返青期、拔節(jié)期、抽穗期、開花期)冠層光譜數(shù)據(jù)，分析了LAI與原始光譜及其一階微分的相關性，并計算相關植被指數(shù)，建立了不同生育期的冬小麥LAI的高光譜遙感估算模型。陳雪洋等利用地面實測光譜數(shù)據(jù)，探討不同植被指數(shù)[歸一化植被指數(shù)(NDVI)、比值植被指數(shù)(RVI)、土壤調節(jié)植被指數(shù)(SAVI)、增強型植被指數(shù)(EVI)]和紅邊參數(shù)構建的反演冬小麥LAI的高光譜模型。李軍玲等利用不同生育時期冬小麥冠層高光譜以及使用LAI2200冠層分析系統(tǒng)采集LAI數(shù)據(jù)，通過不同形式的數(shù)學變換以及特征變量的計算，構建了冬小麥LAI估算模型。

高光譜數(shù)據(jù)具有數(shù)百或數(shù)千個窄波段，為作物LAI開發(fā)非常靈敏的植被指數(shù)提供了更多的可能。諸多研究學者已經完善了傳統(tǒng)光譜植被指數(shù)，并利用高光譜數(shù)據(jù)的光譜分辨率和連續(xù)性開發(fā)了新的數(shù)據(jù)分析技術。在高光譜數(shù)據(jù)中提供大量信息，解決相鄰頻段之間的多共性問題，并選擇包含作物LAI信息的敏感波段，以開發(fā)更可靠的高光譜植被指數(shù)，是提高作物葉面積指數(shù)估算精度的關鍵。目前，對冬小麥的LAI高光譜估算中，對光譜數(shù)據(jù)進行數(shù)學變換以及計算多種植被指數(shù)的研究較多；而利用高光譜數(shù)據(jù)的光譜分辨率優(yōu)勢，對兩波段植被指數(shù)的波段組合進行優(yōu)化，并尋求符合當?shù)丨h(huán)境的LAI敏感波段組合植被指數(shù)等方面的研究較少。鑒于此，本研究通過不同轉化形態(tài)的冠層高光譜反射數(shù)據(jù)以及冬小麥在拔節(jié)階段的LAI相關數(shù)據(jù)分析，探索不同生長階段和LAI水平對冬小麥的光譜特性的影響；使用波段組合優(yōu)化算法，篩選3種不同類型數(shù)據(jù)下(包括原始光譜、一階導數(shù)、連續(xù)統(tǒng)去除)對LAI敏感的最佳波段組合方式，并構建LAI估算模型，為精準農業(yè)估算作物參數(shù)提供理論基礎。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)地理位置為89°13′～91°22′E，42°25′～45°29′N)，位于新疆維吾爾自治區(qū)奇臺縣，年平均氣溫5.5 ℃，年平均無霜期153 d，年平均降水量269.4 mm，屬于沙漠干旱氣候。該地區(qū)主要作物以冬小麥為主，播種時間為2017年9月25日。根據(jù)冬小麥的關鍵生長期和當?shù)靥鞖鈼l件，于2018年4—6月，在起身、拔節(jié)、開花等階段采集樣品。地面觀測在東西方向每隔20 m和南北方向30 m，在130 m×420 m的地塊進行。采用5點采樣法進行采樣，共有78個抽樣點，并用GPS記錄取樣點的坐標(圖1)。

1.2 數(shù)據(jù)采集與預處理

在起身和拔節(jié)階段，冬小麥冠層的高光譜數(shù)據(jù)由ASD FieldSpec3光譜儀進行測量，光譜測量于北京時間10：00—14：00無云照射中進行。每隔3～5 min 對標準化白板進行校準。為每個樣本收集了10條光譜曲線，測量間隔為0.1 s，平均值作為此示例的光譜數(shù)據(jù)。高光譜數(shù)據(jù)的預處理部分中，因受邊緣帶350～399 nm和2 401～2 500 nm的高光噪聲，以及紅外波段1 343～1 452 nm和1 766～1 958 nm 的現(xiàn)場環(huán)境影響，將該區(qū)域進行刪除。其余的光譜曲線，由Savitzky-Golay方法進行平滑，再利用一階導數(shù)(first-order derivative，F(xiàn)OD)和連續(xù)統(tǒng)去除(continuum removal，CR)等數(shù)學方法完成高光譜數(shù)據(jù)的變換。

1.3 葉面積指數(shù)的確定

基于數(shù)字圖像處理技術的攝影方法可用于估算LAI。本研究是通過掃描方法計算LAI，采樣區(qū)域設置為，莖總數(shù)設置為。5根莖從樣本區(qū)取出，作為掃描方法的小麥樣本(圖2)。將1張A4白紙放在平面寫字板上，面積為(21 cm×29.7 cm)，用膠水將葉子放在紙上，以確保葉子之間沒有重疊。在研究中，利用ECOSYS FS-1125 MFP多功能掃描儀掃描所有貼有樣品的A4紙。分辨率設置為600×600 dpi，掃描的照片被保存為TIFF格式。使用ENVI打開上述TIFF文件，使用“決策樹”的分類方法將綠葉和白紙分開，然后分別計算白紙占用的像素數(shù)(PZ)和綠葉占用的像素數(shù)(PY)。A4紙占用的實際像素數(shù)為+。LAI計算公式如下：

(1)

1.4 兩波段植被指數(shù)的篩選

本研究通過文獻統(tǒng)計方法選取了傳統(tǒng)典型的30種兩波段植被指數(shù)，選取結果見表1?？紤]到高光譜全波段信息的兩兩組合計算，選取了4種可進行波段組合優(yōu)化的植被指數(shù)，選取結果見表2。兩波段組合計算過程通過實驗組在Java平臺上開發(fā)的軟件(two-band combination of optimized indices software V1.0，登記號：2018SR281300)來實現(xiàn)。

表1 傳統(tǒng)典型的30種兩波段植被指數(shù)

表2 兩波段優(yōu)化植被指數(shù)

1.5 灰色相關性分析

在灰色相關分析系統(tǒng)中，相關程度描述了系統(tǒng)發(fā)展過程中因素的相對變化。該方法對系統(tǒng)發(fā)展變化的定量描述和比較，是衡量參考序列與反映系統(tǒng)行為特征的影響因子序列之間相關程度的方法。

在研究中，冬小麥LAI在聯(lián)合階段被用作參考陣列，30種兩波段植被指數(shù)作為灰色相關分析的比較陣列。具體步驟如下：

(1)冬小麥LAI數(shù)據(jù)的無維處理。

(2)相關系數(shù)的計算。

根據(jù)式(2)計算參考陣列與比較陣列之間的灰色相關系數(shù)。

(2)

式中：0()是參考陣列與比較陣列之間的相關系數(shù)；Δ和Δ分別是最小絕對差值和最大絕對差額；為分辨系數(shù)；0()ΔΔ是標識系數(shù)，其值在0～1之間，一般為0.5。

(3)灰色相關度計算。

根據(jù)式(3)計算灰色相關度。

(3)

(4)灰色相關度

根據(jù)相關程度，對30種兩波段植被指數(shù)的進行排序。

1.6 模型評價

本研究通過利用單變量回歸(線性、指數(shù)性、冪函數(shù)、二次多項式)和多變量回歸(PLSR)來進行數(shù)據(jù)建模，對所建立的模型進行穩(wěn)定性和預測能力的驗證可確保模型質量，模型的驗證指標見表3。其中，相對分析誤差(RPD)值超過2.0時，說明該模型具有較好的預測能力。

表3 模型驗證指標

2 結果與分析

2.1 冬小麥LAI的統(tǒng)計分析及其光譜響應

本研究中，經過統(tǒng)計發(fā)現(xiàn)，冬小麥葉面積指數(shù)的取值范圍是0.16～8.98，從拔節(jié)期到開花期，葉面積指數(shù)的平均值為5.15。隨著生長階段的發(fā)展，LAI呈現(xiàn)逐步增大的趨勢，其最大值(8.98)在開花期出現(xiàn)，此時的平均值為7.24，變異系數(shù)為11%；LAI的最小值(0.16)在起身期出現(xiàn)，此時的平均值為1.80，變異系數(shù)是54%(圖3)。根據(jù)試驗田內冬小麥的生長階段發(fā)現(xiàn)， 冬小麥LAI在拔節(jié)期之前小于4，覆蓋率低，小麥植株矮?。粡陌喂?jié)到開花期，大部分在4～6之間，覆蓋率和植株高度明顯提高；開花期之后LAI基本達到了6以上，覆蓋率和植株高度也達到最大值，這也與冬小麥在不同生育期內的長勢情況有著密切的關系，隨著冬小麥的生長，它的葉面積、葉片數(shù)以及葉片層數(shù)等都出現(xiàn)不同程度的增加，導致冬小麥的覆蓋率和植株高度等各不相同。

不同生育期冬小麥冠層高光譜特性如圖4所示，可以看出，冬小麥不同生育期的反射率在可見光區(qū)域(400～750 nm)沒有明顯變化；在750～1 330 nm 的近紅外區(qū)域，隨著生育期的不斷推進，出現(xiàn)較明顯的變化，即反射率逐步增大，反射光譜曲線的位置逐步升高。這可能是由于冬小麥從拔節(jié)到開花期的覆蓋率增加，葉片不同層發(fā)生光的多重反射，葉片吸收可見光區(qū)域的能量，使得近紅外區(qū)域總能量增加所導致，在該區(qū)域中，970 nm和 1 200 nm 附近出現(xiàn)了吸水谷，1 080 nm附近出現(xiàn)了反射峰。

從圖4-b、圖4-d可以看出，一階導數(shù)變換后的光譜可以突出波長位置的最大和最小反射率。在紅邊(670～780 nm)區(qū)域內，隨著生育期的不斷推進，冬小麥冠層光譜的上升速度明顯增加，每個生育期的紅邊特征表現(xiàn)出明顯的差異。從起身期到開花期，紅邊位置分別在726、731、733 nm處出現(xiàn)，表現(xiàn)為向著長波方向移動的趨勢，這也通常被稱作“紅移”。在圖4-c中，隨著生育期的發(fā)展，在970、1 200 nm處吸水深度逐步增加，其中1 200 nm處加深幅度更大。

不同LAI水平冬小麥冠層高光譜特性如圖5所示，總體分析發(fā)現(xiàn)，LAI對近紅外波段(750～1 150 nm)的影響較為明顯。隨著LAI的增大，冬小麥的冠層高光譜反射率明顯增大，即LAI越大，冬小麥冠層反射近紅外光的能力就越強(圖5-a)。從圖5-b、圖5-d可以看出，一階導數(shù)變換中，紅邊光譜在LAI的影響下顯示出明顯的規(guī)律性，而紅邊位置隨著LAI值的增加而“紅移”。從圖5-c可以看出，在連續(xù)統(tǒng)去除變換中，冠層高光譜反射率受LAI的影響較強烈，在400～680 nm的區(qū)域內，LAI與連續(xù)去除光譜反射率成反比。

2.2 傳統(tǒng)雙波段植被指數(shù)與LAI的灰色關聯(lián)度分析

對基于不同光譜變換下計算的傳統(tǒng)雙波段植被指數(shù)與LAI之間進行灰色關聯(lián)度分析，并選取與LAI的灰色關聯(lián)度最穩(wěn)定的植被指數(shù)作為進一步建模的獨立變量?；疑P聯(lián)度(GCR)結果如表4所示。在原始光譜數(shù)據(jù)計算的植被指數(shù)中，NDVI的關聯(lián)度最高，GCD=0.899 1；在一階導數(shù)光譜數(shù)據(jù)計算的植被指數(shù)中，VOG1的關聯(lián)度最高，GCD=0.883 8；在連續(xù)統(tǒng)去除光譜數(shù)據(jù)計算的植被指數(shù)中，MSR的關聯(lián)度最高，GCD=0.919 0。

表4 LAI與已發(fā)布的植被指數(shù)之間的GCD

2.3 篩選最佳雙波段組合優(yōu)化光譜指數(shù)

基于3種光譜變換數(shù)據(jù)的波段組合優(yōu)化植被指數(shù)與LAI進行相關性分析，并構建了二維熱圖(圖6、 圖7、 圖8)。在400～2 400 nm兩兩波段組合當中，敏感波段組合區(qū)域基本上出現(xiàn)在可見和近紅外(VIS-NIR)光譜波段。對于原數(shù)據(jù)而言(圖6)，LAI敏感的波段組合植被指數(shù)是NDSI、RSI、CI、NPDI；對于一階導數(shù)變換而言(圖7)，LAI敏感的波段組合植被指數(shù)是NDSI、RSI、CI、NPDI；對于連續(xù)統(tǒng)去除而言(圖8)，LAI敏感的波段組合植被指數(shù)是NDSI、RSI、CI、NPDI。

2.4 冬小麥LAI估算模型建立與驗證

單變量LAI估算模型的參數(shù)由波段組合優(yōu)化植被指數(shù)和傳統(tǒng)的植被指數(shù)構建，從不同數(shù)據(jù)變換類型中選取的最佳植被指數(shù)和LAI估算模型如表5所示。在選取最佳關聯(lián)度植被指數(shù)中，基于原始光譜計算的NDVI和基于連續(xù)統(tǒng)去除變換的MSR參數(shù)分別構建的二次多項式模型結果較好，和結果分別是0.743和0.413；在優(yōu)化的單變型模型，基于一階導數(shù)變換的RSI變量構建的二次多項式模型表現(xiàn)出較好的結果，為0.809，為0.401，比傳統(tǒng)植被指數(shù)構建模型的擬合效果有所提升。

表5 基于優(yōu)化的新型HVIs對葉面積指數(shù)(LAI)估算的單變型模型

RSI(736 nm,737 nm)y=-4 167.288 6x2+7 870.725 7x-3 708.073 60.7010.469CI(686 nm,744 nm)y=-0.019 5x2+0.824 9x-0.953 70.7710.411NPDI(693 nm,744 nm)y=-0.027 6x2+1.090 2x-2.998 60.7510.428

多變量回歸LAI估算模型是由最佳波段組合以及最佳關聯(lián)度的不同植被指數(shù)分別構建，從不同數(shù)據(jù)變換類型中選取的最佳植被指數(shù)和LAI估算模型如表6所示。

表6 基于新優(yōu)化已出版的Hvis估算LAI

在選取最佳關聯(lián)度植被指數(shù)中，基于連續(xù)統(tǒng)去除變換的MSR、SAVI、NDVI參數(shù)構建的PLSR模型表現(xiàn)較好，和結果分別是0.740和0.434；在波段組合優(yōu)化植被指數(shù)中，基于連續(xù)統(tǒng)去除變換后優(yōu)化的NDSI、RSI、CI參數(shù)構建的PLSR模型表現(xiàn)較好的能力，為0.854，為0.358。

為了評估單變量和多變量模型的預測精度，基于驗證數(shù)據(jù)集選擇、RMSE和RPD作為預測準確性的指標(圖9)。在估算LAI的單變量模型中，基于一階導數(shù)變換的RSI變量構建的二次多項式模型擬合效果較好，估算精度為=0.779，=0469和=2.037；在LAI估算的多變量模型中，基于3種變換的最佳波段組合的NDSI、RSI、CI參數(shù)構建的PLSR模型擬合效果最佳，模型精度為=0.817、=0428和=2.250；該估算模型在冬小麥拔節(jié)階段估算LAI結果最突出，作為本研究的最佳估算LAI模型。

3 討論與結論

LAI是光合作用、呼吸作用和降水攔截過程中的一個重要變量，作為全球植被的基本屬性，已被全球氣候變化研究界列為重要的氣候變量。近年來，高光譜遙感數(shù)據(jù)廣泛應用于農作物LAI估算。為充分發(fā)揮冠層高光譜數(shù)據(jù)在冬小麥LAI估算方面的優(yōu)勢和潛力，本次通過深入研究高光譜數(shù)據(jù)的波段組合優(yōu)化選擇方法，尋找冬小麥LAI估算最佳兩波段組合，并構建估算模型。

在本研究中，以干旱半干旱地區(qū)冬小麥為研究對象，收集了冬小麥的樹冠高光譜反射數(shù)據(jù)，測量了不同生長階段的LAI數(shù)據(jù)，并采用數(shù)學變換的方式對冠層高光譜數(shù)據(jù)進行預處理，計算傳統(tǒng)典型的30種兩波段植被指數(shù)和4種波段組合優(yōu)化植被指數(shù)，建立了基于優(yōu)化的植被指數(shù)的經驗模型，通過不同形式的波段組合克服了單波段的限制。結果表明，在LAI估算的單變量模型中基于一階導數(shù)變換的RSI變量構建的二次多項式模型表現(xiàn)較好的結果，為0.809，RMSE為0.401。比傳統(tǒng)植被指數(shù)構建模型的擬合效果有所提升，此結果與高林等的研究結論一致。而在LAI估算的多變量模型中，基于3種變換的最佳波段組合的NDSI、RSI、CI參數(shù)構建的PLSR模型擬合效果最佳，模型精度為=0.817、=0428和=2.250；建模方法的選擇對作物生理參數(shù)遙感定量反轉的準確性有一定的影響，不同模型反轉精度的定量比較和評價，為進一步發(fā)揮高光譜數(shù)據(jù)在農作物LAI估算中的潛力提供了科學依據(jù)。

雖然本研究取得了一定的成果，但仍然存在不足之處：由于試驗條件有限，沒有充分考慮到其他因素。今后，有必要進一步分析LAI與葉水分等其他參數(shù)的關系，消除其耦合效應對作物樹冠譜的影響，提高作物LAI的檢索精度。因此，利用高光譜遙感數(shù)據(jù)對葉面積指數(shù)預測技術進行改進，顯然是今后的一項重大任務。