查海涅，汪建飛，2*，陳世勇，張振國(guó)，李新偉，劉吉?jiǎng)P，夏定勝

(1.安徽科技學(xué)院 資源與環(huán)境學(xué)院，安徽 鳳陽(yáng) 233100;2.農(nóng)業(yè)部生物有機(jī)肥創(chuàng)制重點(diǎn)實(shí)驗(yàn)室，安徽 蚌埠 233400;3.安徽盛農(nóng)農(nóng)業(yè)集團(tuán)有限公司，安徽 當(dāng)涂 243172）

水稻是世界上最重要的農(nóng)作物之一，中國(guó)有超過(guò)2/3的人口以水稻為主要口糧[1]，及時(shí)、準(zhǔn)確的監(jiān)測(cè)其生長(zhǎng)狀況，對(duì)于指導(dǎo)農(nóng)業(yè)生產(chǎn)、種植規(guī)劃等都具有重要的意義[2]。生物量是反映水稻長(zhǎng)勢(shì)的重要群體指標(biāo)之一，它對(duì)水稻的光合作用、干物質(zhì)產(chǎn)量的形成、以及最終的產(chǎn)量和品質(zhì)都有重要的影響[3]。傳統(tǒng)的人工田間取樣從而獲取水稻的生物量的方法不僅時(shí)效性差，費(fèi)時(shí)費(fèi)力，而且精度不高[4]。近年來(lái)，隨著遙感技術(shù)的不斷發(fā)展，國(guó)內(nèi)外利用遙感技術(shù)估算作物生物量的研究越來(lái)越多，尤其是在植被指數(shù)和特征光譜的應(yīng)用[5]。許多氮素?zé)o損診斷設(shè)備已經(jīng)被開(kāi)發(fā)出來(lái)，例如GreenSeeker，CropCircle，RapidScan等主動(dòng)冠層傳感器[6]。這些商業(yè)傳感器能較好的無(wú)損估測(cè)作物的生物量信息[7－8]，但這些便攜式儀器，只能適用于小面積的生物量估測(cè)，而衛(wèi)星遙感因?yàn)榫哂休^高的空間分辨率、較短訪問(wèn)周期等特點(diǎn)，所以衛(wèi)星遙感在水稻生物量估測(cè)方面具有很大的潛力[9]。

中高分辨率的衛(wèi)星數(shù)據(jù)與作物的生物量具有良好的相關(guān)性。通過(guò)衛(wèi)星數(shù)據(jù)計(jì)算得到的植被指數(shù)(VI)通常被用來(lái)估測(cè)作物的生物量水平[10]。李衛(wèi)國(guó)等利用TM數(shù)據(jù)的比值植被指數(shù)(RVI)比歸一化植被指數(shù)(NDVI)對(duì)冬小麥生物量的估算具有明顯優(yōu)勢(shì)[11]。黃珊喻等利用Formosat－2衛(wèi)星數(shù)據(jù)，監(jiān)測(cè)了三江平原的寒地水稻幼穗分化期的水稻長(zhǎng)勢(shì)信息，結(jié)果表明NDVI，GNDVI等植被指數(shù)與生物量具有較好的相關(guān)性[12]。王備戰(zhàn)等發(fā)現(xiàn)，SPOT－5遙感影像的NDVI要比RVI對(duì)于地上部生物量的估算更加精確[13]。

本研究以GF－1 WFV多光譜數(shù)據(jù)為數(shù)據(jù)源，通過(guò)對(duì)比單波段、逐步多重線性回歸以及NDVI、RVI、DVI等10種常見(jiàn)植被指數(shù)與水稻地上部生物量的相關(guān)關(guān)系，篩選合適的水稻地上部生物量遙感估測(cè)模型，并對(duì)模型進(jìn)行精度評(píng)價(jià)與空間填圖。

1 材料與方法

1.1 研究區(qū)域概況

試驗(yàn)在安徽省馬鞍山市當(dāng)涂縣盛農(nóng)農(nóng)場(chǎng)(31°21＇22"N ～ 31°23＇20"N，118°42＇50"E ～ 118°44＇48"E)進(jìn)行。該區(qū)域處于長(zhǎng)江下游水網(wǎng)地區(qū)，多河流、湖泊，屬長(zhǎng)江水系，屬于北亞熱帶季風(fēng)氣候，年平均溫度15.7℃，≥10℃有效積溫5020℃，日照時(shí)數(shù)2133.2h，年降雨量1056mm，無(wú)霜期230d。農(nóng)場(chǎng)地勢(shì)平坦，高程起伏不超過(guò)3m，平均海拔高度為5.7m，土壤類(lèi)型為長(zhǎng)江沖積物母質(zhì)發(fā)育的潮土，在20世紀(jì)70年代初通過(guò)圍墾造田，形成良田10萬(wàn)畝，主要種植一季水稻[14]。

1.2 農(nóng)學(xué)數(shù)據(jù)獲取

經(jīng)調(diào)查，盛農(nóng)農(nóng)場(chǎng)2015年主栽品種主要為鎮(zhèn)稻11和鎮(zhèn)糯19，種植密度統(tǒng)一為10.4cm×30cm，每穴4～5株基本苗，移栽時(shí)間為6月中下旬，水稻8月初進(jìn)入拔節(jié)期。在大田中選取116個(gè)采樣點(diǎn)，涉及不同品種，不同生長(zhǎng)狀況。采樣時(shí)選取能代表采樣點(diǎn)附近長(zhǎng)勢(shì)的植株4株，同時(shí)利用帶有差分信號(hào)的手持式亞米級(jí)GPS記錄采樣點(diǎn)的空間信息。將獲取的植株帶回實(shí)驗(yàn)室，用水清洗，去除根部與干枯部分，放入烘箱105℃殺青30min，75℃烘干至恒重，稱(chēng)重獲得水稻地上部生物量。經(jīng)過(guò)篩選后，選擇117個(gè)采樣點(diǎn)用于本研究，其中90個(gè)樣本用于建立模型，27個(gè)樣本用于模型驗(yàn)證。

1.3 影像數(shù)據(jù)和GIS數(shù)據(jù)的獲取與預(yù)處理

本研究采用的衛(wèi)星數(shù)據(jù)為資源衛(wèi)星中心提供的高分一號(hào)(GF－1)數(shù)據(jù)。GF－1衛(wèi)星是太陽(yáng)同步回歸軌道衛(wèi)星，軌道高度645km，傾角98.0506°，具有很強(qiáng)的側(cè)擺能力。衛(wèi)星搭載兩臺(tái)2m分辨率全色、8米分辨率的PMS傳感器，四臺(tái)16米分辨率的多光譜WFV傳感器[15]。PMS傳感器寬幅為60km，側(cè)擺時(shí)周期為4 天，不側(cè)擺時(shí)覆蓋周期為41d，多光譜波段為藍(lán)(0.45 ～0.52μm)、綠(0.52 ～0.59μm)、紅(0.63 ～0.69μm)、近紅外(0.77～0.89μm)。WFV 寬幅為800km，覆蓋周期為4d，多光譜波段與 PMS傳感器相同[18]。成功預(yù)定一幅分蘗期的PMS傳感器數(shù)據(jù)和一幅拔節(jié)期的WFV數(shù)據(jù)。兩幅影像獲取的具體時(shí)間分別為2015年7月13日和8月2日。

同時(shí)還收集到該區(qū)域1∶500地形圖一幅。利用地形圖在ArcGIS中建立相應(yīng)數(shù)據(jù)庫(kù)，生產(chǎn)數(shù)字高程模型(DEM)，同時(shí)利用經(jīng)過(guò)幾何校正后的移栽期PMS影像的較高分辨率，以及地物光譜特性明顯等特點(diǎn)，提取農(nóng)場(chǎng)田塊空間分布圖，然后將品種等屬性數(shù)據(jù)添加到田塊數(shù)據(jù)中，并計(jì)算田塊面積?？臻g數(shù)據(jù)均采用Xian80坐標(biāo)系，高斯投影，118度帶。

利用ENVI 5.0對(duì)遙感數(shù)據(jù)進(jìn)行預(yù)處理，首先進(jìn)行輻射定標(biāo)和大氣校正，然后裁剪出研究區(qū)域范圍的影像，再利用地形圖對(duì)研究區(qū)域做幾何校正[16]。

1.4 數(shù)據(jù)分析

利用ENVI5.0和ArcGIS10.2軟件提取GPS采樣點(diǎn)對(duì)應(yīng)的光譜反射率。將提取的反射率值導(dǎo)入到Excel2010中，通過(guò)波段組合提取各種常見(jiàn)的植被指數(shù)。利用SPSS V20計(jì)算單波段、逐步多重線性回歸以及植被指數(shù)與水稻地上部生物量相關(guān)關(guān)系。通過(guò)比較線性、指數(shù)、對(duì)數(shù)和冪回歸模型，選取決定系數(shù)(R2)和均方根誤差(RMSE)、相對(duì)誤差(RE)比較回歸模型的精度。

2 結(jié)果與分析

2.1 單波段與水稻拔節(jié)期地上部生物量相關(guān)分析

GF－1號(hào)衛(wèi)星所采用波段在估測(cè)水稻地上部生物量狀況的相關(guān)性隨著波長(zhǎng)的變化而變化，如圖2。在藍(lán)光波段處，決定系數(shù)R2僅0.3，藍(lán)光波段的光譜反射率與水稻地上部生物量的相關(guān)關(guān)系較差;在綠光和紅光波段處，光譜的反射率與水稻地上部生物量的相關(guān)關(guān)系比藍(lán)光波段處略有提高，決定系數(shù)分別為0.32和0.37;在近紅外處，決定系數(shù)達(dá)到0.61，呈現(xiàn)極顯著相關(guān)，因此在進(jìn)行波段組合時(shí)，一定要優(yōu)先考慮使用近紅外。

2.2 單波段與水稻拔節(jié)期地上部逐步多重線性回歸分析

如表1逐步多重線性回歸分析結(jié)果顯示，對(duì)于拔節(jié)期水稻地上部生物量而言，同時(shí)使用近紅外和綠光波段時(shí)75.9%的變異可以得到有效的解釋?zhuān)虼私t外波段是第一選擇波段，而且同時(shí)使用近紅外和綠光波段時(shí)，會(huì)有效的提高模型的精度，并且近紅外波段和綠光波段組合時(shí)的模型表現(xiàn)均比單波段回歸分析時(shí)好。

表1 基于高分一號(hào)波段的逐步多重線性回歸模型估測(cè)水稻地上部生物量Table 1 Stepwise multiple linear regression models based on GF－1 satellite image bands for estimating rice aboveground biomass

2.3 植被指數(shù)與水稻拔節(jié)期地上部生物量的相關(guān)關(guān)系

光譜指數(shù)法是遙感反演作物生長(zhǎng)參數(shù)的基本方法之一，目前被驗(yàn)證的植被指數(shù)有40多種，本研究根據(jù)GF－1號(hào)衛(wèi)星遙感數(shù)據(jù)的光譜特性和水稻的光學(xué)特性選取了常用的10種植被指數(shù)用來(lái)算水稻生物量，具體算法見(jiàn)表2。

表2 本研究使用的植被指數(shù)Table 2 Definitions of vegetation indices used in the study

利用90個(gè)采樣點(diǎn)組合得到的光譜指數(shù)與實(shí)測(cè)的地上部生物量相結(jié)合，進(jìn)行線性、指數(shù)、對(duì)數(shù)和冪回歸模型分析，選取決定系數(shù)最高的作為預(yù)選模型，利用27個(gè)采樣點(diǎn)的光譜指數(shù)檢驗(yàn)建立的模型并計(jì)算RMSE和RE。結(jié)果如表3，對(duì)于拔節(jié)期水稻地上部生物量而言，R2最好的指數(shù)為優(yōu)化土壤調(diào)節(jié)植被指數(shù)OSAVI，達(dá)到0.711，達(dá)到極顯著水平，散點(diǎn)圖如圖4，其中均方根誤差和相對(duì)誤差都是最小的，分別為0.64 t/hm2和 6.7%;相關(guān)性較好的植被指數(shù)分別為 GNDVI、EVI 、SAVI、NDVI、RVI和 DVI，這些指數(shù)的相關(guān)性也達(dá)到了顯著水平，RMSE也均小于1，相對(duì)誤差控制在10%左右，其中NDVI的表現(xiàn)并不如GNDVI，這表明GNDVI在水稻拔節(jié)期生物量監(jiān)測(cè)方面也具有潛力;RVI和DVI的表現(xiàn)不如NDVI;SAVI和EVI這些能消除土壤背景影響的植被指數(shù)在這里表現(xiàn)也令人滿意，可以作為備選的指數(shù)。但是，植被衰減指數(shù)PSRI的相關(guān)性較差，在拔節(jié)期的水稻無(wú)法采用該指數(shù)。

表3 水稻地上部生物量與光譜指數(shù)間的相關(guān)關(guān)系Table 3 Correlation between biomass and spectral indices

2.4 研究區(qū)水稻拔節(jié)期生物量空間填圖

根據(jù)試驗(yàn)區(qū)邊界圖，采用根據(jù)植被指數(shù)OSAVI與采樣點(diǎn)建立的模型，對(duì)農(nóng)場(chǎng)區(qū)域進(jìn)行空間填圖，結(jié)果如圖5。經(jīng)過(guò)比對(duì)驗(yàn)證點(diǎn)的數(shù)據(jù)，計(jì)算得到均方根誤差RMSE為0.64 t/hm2，相對(duì)誤差RE為10%，顯示拔節(jié)期水稻地上部生物量空間分布與實(shí)際調(diào)查一致，能有效的實(shí)現(xiàn)拔節(jié)期水稻地上部生物量空間分布量化的可視化表達(dá)，可以為農(nóng)場(chǎng)的生產(chǎn)管理提供依據(jù)。

農(nóng)場(chǎng)8月2日拔節(jié)期水稻生物量范圍在0～4.6t/hm2，其中0t/hm2的為種植早秈788的田塊，該區(qū)域已經(jīng)收獲完畢，沒(méi)有作物生長(zhǎng)。西邊田塊地上部生物量略低于東邊地區(qū)，對(duì)照種植品種圖(圖2)，可以大概發(fā)現(xiàn)造成這一差異的主要原因是品種不同。西邊同一品種田塊也出現(xiàn)了明顯差異，這可能是肥水管理的差異造成，后期需要根據(jù)具體的生長(zhǎng)情況進(jìn)行調(diào)控。東邊生物量總體較高可能是自然條件和人工管理都較為優(yōu)異造成，但同時(shí)也需要后期穗肥的總量控制，防止倒伏現(xiàn)象出現(xiàn)。

3 結(jié)論與討論

本研究利用GF－1 WFV衛(wèi)星影像數(shù)據(jù)與實(shí)地采集的拔節(jié)期水稻地上部生物量數(shù)據(jù)建立相關(guān)關(guān)系，結(jié)果表明GF－1 WFV數(shù)據(jù)的近紅外波段與地上部生物量具有良好的相關(guān)性，決定系數(shù)R2為0.61;通過(guò)逐步多重線性回歸分析發(fā)現(xiàn)利用綠光波段和近紅外波段組合的函數(shù)能有效提高模型的精度，模型的R2為0.659;利用10種常見(jiàn)的植被指數(shù)與地上部生物量建立相關(guān)關(guān)系，發(fā)現(xiàn)優(yōu)化土壤調(diào)節(jié)植被指數(shù)OSAVI的R2最高，達(dá)到 0.711。

李衛(wèi)國(guó)等利用TM影像提取的遙感變量對(duì)冬小麥地上部生物量進(jìn)行遙感監(jiān)測(cè)，分析結(jié)果發(fā)現(xiàn)RVI比NDVI更具有優(yōu)勢(shì)[11]，但在本文不論NDVI還是RVI或者DVI相關(guān)性都不如OSAVI好，在水稻拔節(jié)前期，葉片并未全部遮蓋土壤，因此選用可以消除土壤影像的OSAVI或者SAVI，相關(guān)性都比較理想，但是由于SAVI處理數(shù)據(jù)時(shí)較為集中，需要增加系數(shù)調(diào)節(jié)數(shù)據(jù)分布，因此OSAVI更具有優(yōu)勢(shì)。另外WFA數(shù)據(jù)有16米的空間分辨率，而且本研究區(qū)域田塊寬度均大于50m，采樣時(shí)選取田塊中間部分，這樣就容易獲得較為純凈的像元，這比30m分辨率的TM數(shù)據(jù)更具有優(yōu)勢(shì)。

因此利用GF－1的WFV數(shù)據(jù)的植被指數(shù)與實(shí)地采樣數(shù)據(jù)建立相關(guān)關(guān)系可以實(shí)現(xiàn)地上部生物量的定量估測(cè)，為拔節(jié)期水稻的水肥管理提供決策支持。

[1]Dawe D.The contribution of rice research to poverty alleviation[J].Studies in Plant Science，2000，7:3－12.

[2]LETOAN T，RIBBES F，WANG L F，et al.Rice crop mapping and monitoring using ERS －1 data based on experiment and modeling results[J].IEEE Transactions on Geoscience and Remote Sensing，1997，35(1):41 －56.

[3]康文啟，歐陽(yáng)由男，董成瓊，等.水稻動(dòng)態(tài)株型模式及其指標(biāo)探討[J].中國(guó)稻米，2007(1):1－6.

[4]蒙繼華，吳炳方，杜鑫，等.遙感在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用進(jìn)展及展望[J].國(guó)土資源遙感，2011，23(3):1－7.

[5]王來(lái)剛.基于多源遙感信息融合的小麥生長(zhǎng)監(jiān)測(cè)研究[D].南京:南京農(nóng)業(yè)大學(xué)，2012.

[6]TUBANA B，HARRELL D，WALKER T，et al.Relationships of spectral vegetation indices with rice biomass and grain yield at different sensor view angles[J].Agronomy Journal，2011，103(5):1405 －1413.

[7]YAO Yin－kun，MIAO Yu－xin，CAO Qiang，et al.In－Season estimation of rice Nitrogen status with an active crop canopy sensor[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7(11，SI):4403 －4413.

[8]曹強(qiáng).基于主動(dòng)作物冠層傳感器的冬小麥、水稻精準(zhǔn)氮素管理[D].北京:中國(guó)農(nóng)業(yè)大學(xué)，2014:60－77.

[9]SWAIN K C，THOMSON S J，JAYASURIYA H .ADOPTION OF AN UNMANNED HELICOPTER FOR LOW －ALTITUDE REMOTE SENSING TO ESTIMATE YIELD AND TOTAL BIOMASS OF A RICE CROP[J].Transactions of the ASABE，2010，53(1):21－27.

[10]TENNAKOON S B，MURTY V V，EIUMNOH A.ESTIMATION OF CROPPED AREA AND GRAIN－YIELD OF RICE USING REMOTE －SENSING DATA[J].International Journal of Remote Sensing，1992，13(3):427－439.

[11]李衛(wèi)國(guó)，王紀(jì)華，趙春江，等.基于TM影像的冬小麥苗期長(zhǎng)勢(shì)與植株氮素遙感監(jiān)測(cè)研究[J].遙感信息，2007(2):12－15，19.

[12]HUANG Shan－yu，MIAO Yu－xin，ZHAO Guang－ming，et al.Estimating rice Nitrogen status with satellite remote sensing in Northeast China[C]//2013 SECOND INTERNATIONAL CONFERENCE ON AGRO －GEOINFORMATICS(AGRO －GEOINFORMATICS)，2013:548－553.

[13]王備戰(zhàn)，馮曉，溫暖，等.基于SPOT－5影像的冬小麥拔節(jié)期生物量及氮積累量監(jiān)測(cè)[J].中國(guó)農(nóng)業(yè)科學(xué)，2012，45(15):3049－3057.

[14]當(dāng)涂縣人民政府.當(dāng)涂縣簡(jiǎn)介[EB/OL].Http://www.dangtu.gov.cn/SortHtml/1/6943845411.html，2015 －08 －25.

[15]中國(guó)資源衛(wèi)星應(yīng)用中心.高分一號(hào)[EB/OL].Http://www.cresda.com/n16/n1130/n188475/188494.html，2015－08 －25.

[16]周亦.利用高分一號(hào)衛(wèi)星數(shù)據(jù)制作數(shù)字正射影像[D].長(zhǎng)春:吉林大學(xué)，2014.