何小安，李存軍，周靜平，趙 葉，葛 艷

（1. 北京農(nóng)業(yè)信息技術(shù)研究中心，北京100097；2. 西安科技大學(xué)，陜西西安710054）

0 引言

冬小麥（Triticum aestivumL.）是我國(guó)重要的糧食作物，研究冬小麥理化生長(zhǎng)信息對(duì)指導(dǎo)農(nóng)業(yè)管理和糧食增產(chǎn)有重大意義［1］。葉面積指數(shù)（Leaf Area Index，LAI）是表征植被長(zhǎng)勢(shì)的重要指標(biāo)，對(duì)研究作物水肥管理、產(chǎn)量估測(cè)、病蟲(chóng)害預(yù)防、長(zhǎng)勢(shì)監(jiān)測(cè)具有重要作用［2-4］。LAI被廣泛應(yīng)用到植物生長(zhǎng)模型、冠層反射模型、能量平衡模型和氣候模型等研究中［5］。近年來(lái)高光譜遙感快速發(fā)展，推動(dòng)了植被理化參數(shù)的高精度反演研究［6-8］，高光譜遙感技術(shù)能夠獲取被測(cè)地物連續(xù)的光譜信息，可以充分顯示光譜特征，獲取更多的信息［9］。

專(zhuān)家和學(xué)者針對(duì)植被LAI動(dòng)態(tài)變化進(jìn)行了大量的研究。吳伶、李子揚(yáng)等通過(guò)構(gòu)建輻射傳輸模型來(lái)提高植被LAI的反演精度，實(shí)現(xiàn)了植被不同生育期LAI的估算研究［10-12］。馮偉、張連蓬、梁亮、高林等建立了葉面積指數(shù)與植被指數(shù)的統(tǒng)計(jì)模型，能有效評(píng)價(jià)植被生長(zhǎng)狀況［13-16］。LAI高光譜遙感反演在冬小麥、玉米、馬鈴薯、大麥、甜菜以及煙葉等作物上都有成功應(yīng)用［17-20］。冬小麥LAI研究主要集中在冬小麥生物量高且植被覆蓋度大的生長(zhǎng)中后期（包括旗葉期、開(kāi)花期），而對(duì)生育前期（如越冬期、拔節(jié)期等）冬小麥LAI的研究則較少。開(kāi)展冬小麥生育前期LAI高光譜反演，對(duì)冬小麥面積監(jiān)測(cè)、越冬期分類(lèi)管理等具有重要意義，如張向前等通過(guò)監(jiān)測(cè)小麥生育前期不同田塊的LAI差異了解整個(gè)區(qū)域小麥的播期情況［21］。由于小麥生育前期植株和葉片較小，植被覆蓋率低，導(dǎo)致麥苗LAI較小，遙感光譜容易受到土壤背景影響。眾多學(xué)者對(duì)高光譜反演中土壤背景影響問(wèn)題進(jìn)行了深入研究。胡新博、Haboudane、Darvishzadeh、Atzberger、Zhao等研究不同波段組合、李鑫川通過(guò)分段的方式選擇敏感植被指數(shù)以減少土壤等背景影響，建立植被指數(shù)與LAI的函數(shù)關(guān)系，進(jìn)行LAI反演，有較高的反演精度［22-28］。而B(niǎo)arati、Wu、虞連玉、馬中剛、夏穎等學(xué)者通過(guò)改進(jìn)植被指數(shù)，或是利用新型建模估算方法提高稀疏植被LAI反演精度［29-33］，降低土壤背景光譜的影響。

近年來(lái)越來(lái)越多的中高分辨率遙感數(shù)據(jù)出現(xiàn)，如CHRIS數(shù)據(jù)、MODIS數(shù)據(jù)、高分?jǐn)?shù)據(jù)等，為小麥生育前期長(zhǎng)勢(shì)監(jiān)測(cè)提供了充足的數(shù)據(jù)源，但針對(duì)小麥生育前期植被覆蓋度低情況下的LAI反演方法研究還較少，生育前期敏感波段和植被指數(shù)篩選的研究有待深入開(kāi)展。

文章以生育前期冬小麥為研究對(duì)象，采用ASD地物光譜儀定期獲取生育前期研究區(qū)內(nèi)冬小麥的高光譜數(shù)據(jù)并實(shí)測(cè)田間小麥LAI，采用單變量回歸、偏最小二乘多變量回歸方法探討生育前期冬小麥不同植被指數(shù)反演LAI的可行性，比較雙波段組合植被指數(shù)和多波段組合植被指數(shù)的反演效果，找出生育前期冬小麥最佳反演指數(shù)，為冬小麥早期長(zhǎng)勢(shì)和苗情監(jiān)測(cè)提供支撐。

1 材料與方法

1.1 實(shí)驗(yàn)設(shè)計(jì)

冬小麥實(shí)驗(yàn)田位于北京市昌平區(qū)小湯山鎮(zhèn)東北部國(guó)家精準(zhǔn)農(nóng)業(yè)示范基地（40°10′55.76″N～40°11′1.48″N，116°26′52.81″E～116°26′53.56″E），實(shí)驗(yàn)田地勢(shì)平坦，土壤類(lèi)型為潮土，小麥品種為“京東17號(hào)”。

實(shí)驗(yàn)安排在2016年9月至2017年3月進(jìn)行。為了造成LAI差異，實(shí)驗(yàn)分4個(gè)實(shí)驗(yàn)小區(qū)，同一小區(qū)播種時(shí)間相同，不同小區(qū)播種時(shí)間不同，播種時(shí)間分別為2016年9月23日、9月30日、10月08日、10月14日4個(gè)日期，每推遲一周播種則小麥播種量增加1.5 kg/hm2。每個(gè)實(shí)驗(yàn)區(qū)大小為10.8 m×45 m，播種時(shí)種肥同播，底肥均是3 kg/hm2。

1.2 數(shù)據(jù)獲取

在冬小麥生育前期進(jìn)行7次田間觀測(cè)實(shí)驗(yàn)，具體日期分別為2016-10-31、2016-11-08、2016-11-15、2016-12-07、2016-12-15、2017-01-11、2017-03-16。4個(gè)實(shí)驗(yàn)小區(qū)中每小區(qū)測(cè)量2個(gè)樣點(diǎn)，每次實(shí)驗(yàn)測(cè)量8組冬小麥冠層高光譜數(shù)據(jù)以及對(duì)應(yīng)的LAI數(shù)據(jù)，7次觀測(cè)共獲取56組數(shù)據(jù)。

1.2.1 LAI實(shí)測(cè)數(shù)據(jù)

實(shí)驗(yàn)采用比葉重法獲取LAI［34］。每個(gè)樣點(diǎn)附近取40 cm×2行的冬小麥樣品放于取樣袋中帶回實(shí)驗(yàn)室測(cè)定。用Yaxin-1241葉面積儀對(duì)挑選的2株比較完整且沒(méi)有枯葉的冬小麥所有葉片測(cè)定面積，裝入取樣袋烘干后稱(chēng)重，最后再將剩下的樣品全部烘干后稱(chēng)重。

LAI計(jì)算公式為：

式（1）中，A為取樣面積，S為葉面積儀測(cè)量的葉片面積，W1葉面積儀測(cè)量的葉片干重，W2為剩下樣品葉片干重。

1.2.2 冬小麥冠層反射光譜的測(cè)定

冬小麥冠層反射光譜的測(cè)定采用ASD FieldSpec Pro FR型地物光譜儀，觀測(cè)時(shí)探頭垂直向下，距離地面1.3 m，25°視場(chǎng)角，地面視場(chǎng)范圍直徑50 cm，測(cè)量時(shí)間為每次觀測(cè)實(shí)驗(yàn)當(dāng)日的11：00 —13：00。觀測(cè)采用輻射亮度模式，光譜波長(zhǎng)范圍為350～2 500 nm， 每個(gè)樣點(diǎn)觀測(cè)重復(fù)測(cè)量20次取平均，每次測(cè)量前后均用標(biāo)準(zhǔn)的BASO4參考板進(jìn)行 校正。

1.3 數(shù)據(jù)分析

采用SPSS軟件進(jìn)行數(shù)據(jù)分析，將得到的光譜反射率數(shù)據(jù)進(jìn)行相關(guān)性分析與基本描述分析，建立實(shí)測(cè)植被LAI數(shù)據(jù)與光譜反射率數(shù)據(jù)的相關(guān)關(guān)系［35］。在該研究中，與LAI進(jìn)行相關(guān)性分析的植被指數(shù)包括2部分，該文構(gòu)造優(yōu)選的新植被指數(shù)、前人研究使用的植被指數(shù)。

1.3.1 已有植被指數(shù)候選

分析前人研究建立的植被指數(shù)，優(yōu)選出28種雙波段植被指數(shù)作為候選植被指數(shù)代表開(kāi)展分析（表1）。這些植被指數(shù)包括土壤調(diào)節(jié)植被指數(shù)、歸一化植被指數(shù)、改進(jìn)型歸一化植被指數(shù)、簡(jiǎn)單比值植被指數(shù)等。這些指數(shù)中有些植被指數(shù)用于消除部分輻射誤差、檢測(cè)植被覆蓋度和植被生長(zhǎng)狀態(tài)，有些對(duì)作物長(zhǎng)勢(shì)比較敏感且與植被生物量、覆蓋度等具有較高相關(guān)性［36-37］。

另選出12種多波段植被指數(shù)作為候選植被指數(shù)進(jìn)行分析（表2），包括改進(jìn)型多波段組合比值植被指數(shù)、對(duì)土壤背景變化極為敏感的改進(jìn)型多波段組合差值植被指數(shù)。已有的研究表明這些指數(shù)能進(jìn)一步消除高光譜反演中土壤背景對(duì)植被長(zhǎng)勢(shì)的影響。

表1 雙波段組合植被指數(shù)Table 1 Vegetation indices of composite dual band

續(xù)表1

表2 多波段組合植被指數(shù)Table 2 Vegetation indices of multi composite band

續(xù)表2

1.3.2 LAI敏感波段及構(gòu)造優(yōu)選的新植被指數(shù)

基于350～2 500 nm全波段實(shí)測(cè)高光譜反射率數(shù)據(jù)，選擇具有代表性的歸一化、差值、改進(jìn)型、比值型的4類(lèi)簡(jiǎn)單雙波段組合植被指數(shù)（NDVI，DVI，OSAVI，RVI），分析生育前期冬小麥冠層光譜反射率變化特征。利用MATLAB繪制4類(lèi)植被指數(shù)與LAI的相關(guān)關(guān)系矩陣圖，分析并篩選LAI敏感波段，優(yōu)選出新的植被指數(shù)。

1.3.3 生育前期冬小麥LAI高光譜反演模型及驗(yàn)證

該文采用單變量模型和偏最小二乘多變量回歸模型進(jìn)行植被指數(shù)與LAI的相關(guān)性分析。

單變量模型以LAI為因變量，利用實(shí)測(cè)的小麥冠層光譜數(shù)據(jù)，以3種類(lèi)型的組合植被指數(shù)為自變量，建立LAI的遙感估算模型，即LAI=f（x），其中x為相應(yīng)植被指數(shù)，在線(xiàn)性回歸、指數(shù)回歸、對(duì)數(shù)回歸、多項(xiàng)式回歸方程中，選擇最優(yōu)方程。

偏最小二乘多變量回歸模型是在單變量模型中選取模型決定系數(shù)較高的多種植被指數(shù)，使用偏最小二乘多元回歸（PLS）進(jìn)行LAI預(yù)測(cè)，以期抑制土壤背景的影響，提高生育前期冬小麥LAI高光譜反演精度。

為選取反演精度最高的模型，用重復(fù)5次的十折交叉驗(yàn)證方法進(jìn)行建模驗(yàn)證，R2以及RMSE作為模型的評(píng)價(jià)指標(biāo)。十折交叉驗(yàn)證中模型數(shù)據(jù)集分成10份，其中9份用于訓(xùn)練，1份用于驗(yàn)證，將10次結(jié)果的差錯(cuò)率（或正確率）的平均值作為對(duì)驗(yàn)證結(jié)果精度的估計(jì)。

2 結(jié)果

2.1 LAI敏感波段及構(gòu)造優(yōu)選的新植被指數(shù)

350～2 500 nm全波段實(shí)測(cè)高光譜反射率構(gòu)建的NDVI、DVI、OSAVI、RVI植被指數(shù)與生育前期冬小麥LAI相關(guān)關(guān)系矩陣如圖1所示。4類(lèi)植被指數(shù)與LAI相關(guān)性分布情況類(lèi)似，在700～1 400 nm包含紅邊波段與近紅波段范圍組合的植被指數(shù)與LAI的相關(guān)性最高，相關(guān)系數(shù)均達(dá)到0.6以上。在1 900～2 500 nm波段范圍，DVI、OSAVI、RVI的相關(guān)系數(shù)達(dá)到0.5以上，但NDVI的相關(guān)系數(shù)比其余3種植被指數(shù)的相關(guān)系數(shù)略低。

圖1 冬小麥LAI與植被指數(shù)相關(guān)關(guān)系矩陣Fig.1 Correlation matrix between wheat LAI and vegetation indices

根據(jù)圖1中4類(lèi)植被指數(shù)NDVI，DVI，OSAVI，RVI與LAI的相關(guān)性，篩選敏感窄波段植被指數(shù)7個(gè)（表3），參與冬小麥植被指數(shù)與LAI的相關(guān)性分析。

表3 LAI敏感波段組合優(yōu)選的新植被指數(shù)Table 3 New vegetation indices of LAI sensitive band composite

2.2 植被指數(shù)與LAI相關(guān)性

47個(gè)植被指數(shù)與冬小麥LAI的相關(guān)系數(shù)見(jiàn)圖2～4。圖2中雙波段組合植被指數(shù)與冬小麥LAI的相關(guān)系數(shù)r的絕對(duì)值均在0.6以上，表明具有顯著相關(guān)關(guān)系。其中PSSRc（800，470），MSR（800，670），PVR（650，550）的相關(guān)系數(shù)達(dá)到0.8以上，表現(xiàn)出與冬小麥LAI存在極顯著相關(guān)。其中PRIb（570，539），PRI（570，531）2個(gè)指數(shù)的相關(guān)系數(shù)r為負(fù)值，|r|＞0.7，表明該指數(shù)與冬小麥LAI存在顯著負(fù)相關(guān)。圖3中多波段組合植被指數(shù)與冬小麥LAI有較好的正或負(fù)相關(guān)性，其中MCARI2（800，670，550）相關(guān)性最大，相關(guān)系數(shù)達(dá)到了0.8以上。圖4中敏感波段組合植被指數(shù)與LAI相關(guān)系數(shù)絕對(duì)值均在0.75以上，其中OSAVI（952，950）相關(guān)系數(shù)為-0.865，DVI（952，950）相關(guān)系數(shù)為-0.863，以及NDVI（950，956）相關(guān)系數(shù)為-0.842。

圖2 雙波段組合植被指數(shù)與LAI相關(guān)系數(shù)折線(xiàn)圖Fig.2 Correlation line graph of vegetation indices of composite dual band and LAI

圖3 多波段組合植被指數(shù)與LAI相關(guān)系數(shù)折線(xiàn)圖Fig.3 Correlation line graph of vegetation indices of multi composite composite band and LAI

圖4 構(gòu)造優(yōu)選的新植被指數(shù) 與LAI相關(guān)系數(shù)折線(xiàn)圖Fig.4 Correlation line graph of new vegetation indices of sensitive band and LAI

2.3 LAI單變量回歸模型

該研究舍棄波段相近的3個(gè)指數(shù)NDVI（950，956），DVI（952，950），OSAVI（952，950）后保留44個(gè)植被指數(shù)，分別建立各植被指數(shù)與LAI之間的指數(shù)回歸、線(xiàn)性回歸、對(duì)數(shù)回歸、多項(xiàng)式回歸和冪數(shù)回歸方程，選擇最優(yōu)方程結(jié)果如表4。同一指數(shù)不同類(lèi)型的回歸模型對(duì)結(jié)果精度存在一定影響，選取擬合度較高、相對(duì)誤差較小的模型為最終估算模型。44個(gè)植被指數(shù)的回歸模型中決定系數(shù)R2為0.416～0.739，均方根誤差為0.431～3.147。

從表4可知，基于RVI（1 868，1 946）和指數(shù)回歸構(gòu)建的LAI估算模型決定系數(shù)為0.739，擬合度最高。比值植被指數(shù)能增強(qiáng)土壤與植被的反射對(duì)比，受土壤的影響較少，與植被物理參數(shù)的線(xiàn)性關(guān)系顯著，因此在生育前期冬小麥LAI的擬合中表現(xiàn)出較高的精度。但是光譜1 830～2 080 nm波段是水分和二氧化碳的強(qiáng)吸收帶，冬小麥冠層反射率受水汽、二氧化碳等影響較大，因而RVI（1 868，1 946）反演LAI的估算模型只能作為參考模型。

雙波段組合植被指數(shù)PVR（650，550）與多波段組合植被指數(shù)VARI（680，555，480）分別以0.730、0.700的決定系數(shù)構(gòu)建的估算模型精度相對(duì)略低。土壤和植被在綠峰和紅邊上植被的反射率差異最明顯［38］，尤其是綠色波段（約560 nm）和紅邊波段（685～765 nm），因此PVR（650，550）代表反射率在綠色波段和紅色波段組合可實(shí)時(shí)反映冬小麥前期長(zhǎng)勢(shì)動(dòng)態(tài)變化。VARI（680，555，480）是NDVI的改進(jìn)，它表示可見(jiàn)光大氣阻抗指數(shù)，使用藍(lán)色波段矯正大氣散射的影響，可以消除水汽對(duì)目標(biāo)物反射光譜的影響。因此基于以上植被指數(shù)構(gòu)建的回歸模型均能取得較好的效果。

綜上所述，受植被葉綠素含量、葉片含水量等影響較大的紅邊范圍內(nèi)的波段（650～750 nm）受土壤背景影響較?。?9］，在冬小麥生長(zhǎng)初期生物量低、植被覆蓋度低的條件下，改進(jìn)型植被指數(shù)綜合考慮了土壤、大氣等因素的影響，對(duì)LAI的總體反演效果較好。

表4 各波段組合植被指數(shù)與LAI的回歸模型Table 4 Regression models of combined vegetation indices and LAI

續(xù)表4

2.4 LAI偏最小二乘多元回歸模型

在44種植被指數(shù)中選取模型決定系數(shù)在0.6以上的20種植被指數(shù)，采用偏最小二乘多元回歸方法建立LAI估算模型，模型構(gòu)建結(jié)果為：

式（1）中，Xi為植被指數(shù)編號(hào)，分別為2，6，……，Y為L(zhǎng)AI預(yù)測(cè)值。

RVI（1 868，1 946），PVR（650，550），VARI（680，555，480），PLS模型實(shí)測(cè)VS預(yù)測(cè)LAI結(jié)果見(jiàn)圖5。單變量模型擬合度最高的是RVI（1 868，1 946）—LAI預(yù)測(cè)模型，但因組合波段易受水汽以及二氧化碳影響，故該模型只作為參考模型。PVR（650，550）— LAI模型的擬合度接近于1，以PVR（650，550）作為自變量進(jìn)行建模，模型最優(yōu)。VARI（680，555，480）—LAI模型也有較好的擬合度。而偏最小二乘多元回歸多變量模型的線(xiàn)性系數(shù)為1且決定系數(shù)R2為0.779，RMSE為0.380，較單變量回歸模型精度有所提高。

圖5 預(yù)測(cè)值與實(shí)測(cè)值擬合結(jié)果Fig.5 Fitting results between predicted and measured value

3 結(jié)論

該研究基于冬小麥生育前期的冠層高光譜數(shù)據(jù)，綜合考慮植被指數(shù)對(duì)土壤背景的敏感性，對(duì)生育前期冬小麥LAI進(jìn)行高光譜反演，構(gòu)建最優(yōu)回歸模型。通過(guò)冬小麥LAI與植被指數(shù)相關(guān)關(guān)系矩陣分析，構(gòu)造優(yōu)選出7個(gè)對(duì)稀疏冬小麥LAI敏感的新植被指數(shù)；該研究中冬小麥生育前期LAI單變量反演較好的植被指數(shù)為PVR（650，550）、VARI（680，555，480）等；偏最小二乘多元回歸多變量模型精度較單一植被指數(shù)也有所 提高。

冬小麥生育前期，植被生長(zhǎng)比較稀疏，LAI較小且分布集中，冬小麥冠層高光譜受土壤背景影響較大，這對(duì)利用高光譜遙感數(shù)據(jù)進(jìn)行冬小麥生育前期LAI估算提出挑戰(zhàn)。該研究針對(duì)一年的冬小麥高光譜數(shù)據(jù)的經(jīng)驗(yàn)?zāi)Ｐ瓦M(jìn)行數(shù)據(jù)分析研究，下一步考慮結(jié)合輻射傳輸模型在理論基礎(chǔ)上對(duì)多年植被指數(shù)做穩(wěn)定性分析驗(yàn)證，同時(shí)利用衛(wèi)星高光譜遙感數(shù)據(jù)進(jìn)行大區(qū)域?qū)嶒?yàn)驗(yàn)證。