張瀟元，張立福，張霞，王樹東，田靜國，翟涌光

（1中國科學院遙感與數(shù)字地球研究所，北京 100101；2中國地質(zhì)大學地球科學與資源學院，北京 100083）

不同光譜植被指數(shù)反演冬小麥葉氮含量的敏感性研究

張瀟元1,2，張立福1，張霞1，王樹東1，田靜國1，翟涌光1

（1中國科學院遙感與數(shù)字地球研究所，北京 100101；2中國地質(zhì)大學地球科學與資源學院，北京 100083）

【目的】氮素是作物生長發(fā)育過程中最重要的營養(yǎng)元素之一，研究葉氮含量反演的有效光譜指標設置，為應用高光譜植被指數(shù)反演作物葉氮含量，以及作物的實時監(jiān)測與精確診斷提供重要依據(jù)。【方法】以冬小麥為例，選取涵蓋冬小麥全生育期不同覆蓋程度225組冠層光譜與葉氮含量數(shù)據(jù)，通過遙感方法建立模型，模擬了不同光譜指標，即中心波長、信噪比和波段寬度對定量模型的影響，通過模型精度評價指標決定系數(shù)（coefficient of determination，R2）、根均方差（root mean square error，RMSE）、平均絕對誤差（mean absolute error，MAE）、平均相對誤差（mean relative error，MRE）和顯著性檢驗水平（P＜0.01）確定最優(yōu)模型及最佳指標，分析光譜指標對葉氮含量定量模型反演的敏感性和有效性?！窘Y(jié)果】反演冬小麥葉氮含量的最佳植被指數(shù)為 MTCI_B，與實測葉氮含量的相關(guān)性最好（R2=0.7674，RMSE =0.5511%，MAE =0.4625%，MRE =11.11個百分點，且P＜0.01），對應的最佳指標為中心波長420 nm、508 nm和405 nm，波段寬度1 nm，信噪比大于70 DB；高覆蓋狀況反演的最優(yōu)指數(shù)為RVIinf_r（R2=0.6739，RMSE =0.2964%，MAE =0.2851%，MRE =6.44個百分點，且P＜0.01），最優(yōu)中心波長為826 nm和760 nm；低覆蓋狀況反演的最優(yōu)指數(shù)為MTCI（R2=0.8252，RMSE =0.4032%，MAE =0.4408%，MRE =12.22個百分點，且P＜0.01），最優(yōu)中心波長為750 nm、693 nm和680 nm；應用最適于高低覆蓋的植被指數(shù)RVIinf_r和MTCI構(gòu)建的聯(lián)合反演模型（R2=0.9286，RMSE =0.3416%，MAE =0.2988%，MRE =7.16個百分點，且P＜0.01），明顯優(yōu)于最佳單一指數(shù)MTCI_B；模擬Hyperion和HJ1A-HSI傳感器數(shù)據(jù)，聯(lián)合反演模型精度（R2為0.92—0.93，RMSE在0.37%—0.39%，MAE為0.285%左右，MRE約為7.00個百分點）明顯優(yōu)于單一植被指數(shù)反演精度（R2為0.79—0.81，RMSE為0.63%—0.66%，MAE為0.455%左右，MRE約為10.90個百分點）。【結(jié)論】利用高光譜植被指數(shù)可有效實現(xiàn)作物葉氮含量反演，作物葉氮含量定量反演對不同光譜指標—中心波長、信噪比和波段寬度，具有較強敏感性。應用多指數(shù)聯(lián)合反演模型，可顯著提高反演精度，并且聯(lián)合反演模型在不同高光譜傳感器下有一定普適性。

葉氮反演；光譜指標；冬小麥；植被指數(shù)；高光譜遙感

0 引言

【研究意義】氮素（Nitrogen）是直接反映植被營養(yǎng)狀況及代謝的重要組分[1]，因此應用高光譜數(shù)據(jù)，選擇適宜反演模型和光譜指標定量反演氮素濃度是快速、無損監(jiān)測作物葉片氮素營養(yǎng)的關(guān)鍵技術(shù)之一，對作物生長狀態(tài)的精確診斷和實時調(diào)控具有重要意義[2-5]。【前人研究進展】TIAN[6]等基于不同氮素水平和多個田間試驗，提出了以3個藍光波段構(gòu)建的植被指數(shù)R434/(R496×R401)，通過光譜反射率與水稻葉層氮濃度相關(guān)分析，得出該指數(shù)對葉層氮濃度具有較好預測效果；WANG等[7]利用4年小麥和水稻的光譜數(shù)據(jù)，通過引入423 nm處的藍波段，對歸一化植被指數(shù)（NDVI）進行了改進，提出三波段植被指數(shù)(R924-R703+2×R423)/(R924+R703-2×R423)，R2分別為0.870和0.857，SE為0.052和0.148，有效提高了反演精度。SHIRATSUCHI等[8]分析了不同灌溉水平植被指數(shù)對水分脅迫的影響，表明 MTCI和DATT是受水分脅迫影響最小的植被指數(shù)，是用于區(qū)分施氮量對玉米氮素營養(yǎng)影響的最佳指標?！颈狙芯壳腥朦c】已有研究主要集中于不同植被指數(shù)對葉片氮素反演的影響，不同反演模型與不同數(shù)據(jù)源對植被葉片氮素反演精度的影響還少有定論。本研究以此為切入點，研究不同光譜植被指數(shù)和不同光譜指標導致植被反演及光譜敏感性分析的不確定性，即在高光譜觀測模式下，缺少中心波長、波段寬度、信噪比光譜指標對葉片氮素反演模型的定量化評估。【擬解決的關(guān)鍵問題】以北京市小湯山冬小麥葉氮含量反演為例，結(jié)合光譜重采樣和噪聲模擬等方法，通過地面模擬試驗，研究中心波長、波譜寬度和信噪比指標變化對反演結(jié)果的影響，分析不同光譜指數(shù)反演作物葉片氮素的敏感性。研究結(jié)果有助于確立基于不同高光譜觀測模式進行植被葉片氮素營養(yǎng)和生長狀況實時監(jiān)測的關(guān)鍵技術(shù)，為不同觀測模式下高光譜反演作物葉片氮素關(guān)鍵指標的設計提供依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于北京小湯山國家精準農(nóng)業(yè)示范基地，地處北緯40°10′—40°11′，東經(jīng)116°26′—116°27′，年平均氣溫約為14℃，年均降水量約480 mm，屬溫帶大陸性季風氣候。研究區(qū)內(nèi)小麥種植面積約為100 hm2，經(jīng)過科學的管理，2001—2002年研究區(qū)內(nèi)冬小麥整體生長狀態(tài)良好。

1.2 數(shù)據(jù)采集與處理

研究采用的數(shù)據(jù)是涵蓋研究區(qū)冬小麥全生育周期的冠層光譜和葉片氮素含量數(shù)據(jù)，采集時間為 2001年4月—6月，2002年4月—5月底。

在預先設定的農(nóng)田中均布采樣點，進行冬小麥光譜和葉片氮含量的測量。冠層光譜測量儀器為 ASD Fieldspec FR2500光譜儀，其光譜分辨率分別為3 nm（350—1000 nm）和10 nm（1 000—2 500 nm），實際采樣間隔1 nm。測量時間為北京時間上午10：00—14：00，天氣晴朗，無風或者風速很小。探頭距地面約130 cm處垂直測定，視場角25°，重復測量，取20次平均值作為每個樣本點的冠層光譜數(shù)據(jù)。冬小麥冠層光譜測量后，同步進行理化組分采樣。用半微量凱氏定氮法測定葉片氮含量，每個樣品重復測3次，取平均值作為冬小麥葉片氮含量。

選取225組涵蓋冬小麥全生育期不同覆蓋程度的冠層光譜與葉氮含量數(shù)據(jù)，隨機抽取130組用于研究建模，95組用于模型驗證。

1.3 模型與方法

1.3.1 葉片氮含量反演模型 單一植被指數(shù)：高光譜植被指數(shù)法反演作物葉氮含量是目前最常用的方法之一[9-11]。由于高光譜植被指數(shù)往往受不同土壤背景和高覆蓋因素影響，導致反演精度較差[9]。通過查閱相關(guān)資料及前人研究結(jié)果，利用大量實驗數(shù)據(jù)以及結(jié)果對比分析，最終優(yōu)選出14種代表性植被指數(shù)（表 1）。其中，在一定程度上能克服土壤背景影響的植被指數(shù)有SAVI、OSAVI、TCARI/OSAVI等[12-14]，減少飽和性影響的植被指數(shù)有 NDVIg_b、NDRE、CI等[15-17]，減少水分脅迫的植被指數(shù)有DATT和MTCI[8,18]。

多指數(shù)聯(lián)合反演模型：單一植被指數(shù)會受到土壤背景、飽和性等因素的影響，在作物葉片氮素含量反演應用中具有一定局限性。因此，通過分析植被指數(shù)與高低覆蓋下葉氮含量的相關(guān)性，按照簡單、有效、可操作原則，進一步確定分段分界點，進行葉氮含量分段聯(lián)合反演。

1.3.2 光譜指標適用性分析 通過設置不同波段范圍、模擬不同波段寬度和添加高斯白噪聲等分析方法，構(gòu)建不同光譜指標組合下的植被指數(shù)，并與實測葉氮含量數(shù)據(jù)進行相關(guān)性分析，研究中心波長、波段寬度、信噪比等光譜指標對模型反演的有效性。

中心波長：選擇的中心波長波段范圍為Blue（400—460 nm），Green（500—560 nm），Red（620—680 nm），NIR（760—850 nm）以及紅邊（680—750 nm），用其構(gòu)建植被指數(shù)，分析不同中心波長組合模型估測值與實測葉氮含量的相關(guān)性，通過計算模型精度評價指標值確定最優(yōu)模型及最佳指標。

表1 反演作物葉氮含量的高光譜指數(shù)Table 1 Hyperspectral indices for crop leaf nitrogen content inversions

精度評價指標平均絕對誤差（MAE）的計算公式：

式中，n為參與計算的樣本數(shù)，Cmi、Cpi分別為第i個樣本的葉氮含量實測值和估測值。

精度評價指標平均相對誤差（MRE）的計算公式：

波段寬度：在確定各植被指數(shù)最優(yōu)中心波長基礎(chǔ)上，采用高斯分布光譜重采樣的方法，得到3、5、10、15和20 nm的波譜分辨率數(shù)據(jù)，分析不同波譜寬度對反演作物葉片氮素含量的影響。

信噪比：利用圖像和信號處理常用的噪聲模擬方法，向波段中添加信噪比（SNR）分別為1、5、10、15、20、25、30、35、40、50、60、70、80、90和100 DB的高斯白噪聲（Additive White Gaussian Noise），分析適于反演的信噪比設置。

1.3.3 衛(wèi)星數(shù)據(jù)模擬與反演模型適用性分析Hyperion和HJ衛(wèi)星數(shù)據(jù)是目前常用的有效高光譜數(shù)據(jù)[23]。結(jié)合實測光譜數(shù)據(jù)，通過光譜響應函數(shù)模擬兩種衛(wèi)星高光譜數(shù)據(jù)。通過模擬數(shù)據(jù)構(gòu)建植被指數(shù)，分析各光譜指標對模擬數(shù)據(jù)反演的影響，并運用多植被指數(shù)聯(lián)合反演模型估算葉片氮素含量，分析模型在各傳感器平臺的適用性。

2 結(jié)果

2.1 最優(yōu)中心波長選擇

2.1.1 單一指數(shù)最優(yōu)中心波長選擇 通過計算不同中心波長組合構(gòu)建的指數(shù)與葉氮含量的決定系數(shù)R2，得到每種指數(shù)反演葉氮含量的最優(yōu)中心波長。表2表明，MTCI_B對于反演冬小麥葉氮含量最優(yōu)中心波長組合為 420、508和 405 nm，相關(guān)性最好，R2=0.7674，RMSE=0.5511%，MAE=0.4625%，MRE=11.11個百分點。進一步分析，其在415—430、500—520和400—410 nm 波段可較好反演冬小麥葉氮含量，R2均達0.72以上。750、690和680 nm附近波段構(gòu)建的受水分脅迫較小的指數(shù)DATT能夠較好反演冬小麥葉氮含量，R2=0.7504，RMSE=0.5881%，MAE=0.4633%，MRE=11.81個百分點。本試驗中mND705和mSR705反演葉片氮素較好的中心波長組合是 746 nm、698 nm和470 nm。

通過計算相關(guān)性和各精度評價指標，進一步分析其他指數(shù)可知適用于減少土壤背景指數(shù)中心波長位于840—850、740—750、720—730和545—560 nm，R2在0.60—0.70，RMSE在0.63%—0.69%，MAE在0.50%—0.58%，MRE在 12.50—15.60個百分點之間，P＜0.01；適用于減少飽和性指數(shù)的中心波長位于 840—850和760—770 nm，R2為0.70—0.75，RMSE在0.59%—0.61%，MAE在0.45%—0.50%，MRE在11.50—11.80個百分點之間，P＜0.01；適用于減少水分脅迫指數(shù)的中心波長位于840—850、740—750和680—690 nm，R2為0.70—0.75，RMSE在0.58%—0.62%，MAE在0.45%—0.50%，MRE在11.50—12.50個百分點之間，P＜0.01。

表2 各高光譜指數(shù)反演葉氮含量的最優(yōu)中心波長Table 2 The best center wavelength of hyperspectral indices for leaf nitrogen content inversion

2.1.2 適用于高、低覆蓋指數(shù)最優(yōu)中心波長選擇 通過大量試驗對比分析，不斷調(diào)整NDVI分界值，得出高低覆蓋程度下植被指數(shù)與葉氮含量的散點分布圖（圖 1），發(fā)現(xiàn) NDVI＜0.70采樣點的葉氮含量與MTCI_B、MTCI、NDRE等指數(shù)相關(guān)性較強，R2在0.80以上，RMSE為0.405%左右。而NDVI≥0.70采樣點的葉氮含量與RVIinf_r、CHIrededge、MSR等指數(shù)相關(guān)性較強，R2在0.67以上，RMSE在0.280%左右。最后逐點對比，參考野外采集點照片，將樣本點分為高低覆蓋兩種樣本集。分別按照單一指數(shù)中心波長選擇以及最優(yōu)指數(shù)確定的方法，對適用于高低覆蓋的植被指數(shù)及其最優(yōu)中心波長進行選擇。

圖1 高低覆蓋下優(yōu)選指數(shù)與葉氮含量圖Fig. 1 Scatterplot between optimal indexes and leaf nitrogen content of high and low degree of coverage

針對高低覆蓋兩種樣本集，分別計算各指數(shù)最優(yōu)中心波長組合，如表3、4所示。根據(jù)相關(guān)性及模型精度評價指標，進一步分析表3可得MTCI和MTCI_B是比較適于低覆蓋的植被指數(shù)，反演的最佳中心波長組合分別為750、693、680 nm和420、511、401 nm，R2在0.80以上，RMSE在0.403%—0.426%，MAE在0.440%—0.470%，MRE在12.0—13.0個百分點之間，P＜0.01；在低覆蓋下，適宜于土壤調(diào)節(jié)性指數(shù)SAVI和 OSAVI的中心波長在 840—850 nm和 760—770 nm，相關(guān)性較高且較穩(wěn)定。

同理，進一步分析表4可得，RVIinf_r和CHIrededge是比較適宜高覆蓋反演的植被指數(shù)，最優(yōu)中心波長組合均為826 nm和760 nm；RVIinf_r和CHIrededge可在820—835 nm和750—760 nm波段范圍較好反演高覆蓋葉氮含量，R2均在0.65以上，較穩(wěn)定，RMSE在0.296%—0.313%，MAE在0.285%—0.290%，MRE在6.40—6.45個百分點之間，P＜0.01；在高覆蓋下，能有效克服飽和性指數(shù)RVIinf_r、NDRE和CHIrededge的最佳中心波長位于820—830 nm和760—770 nm，R2較穩(wěn)定，均為0.65以上；適宜高覆蓋反演的植被指數(shù)相關(guān)性普遍低于適宜低覆蓋指數(shù)的相關(guān)性。

通過計算各指數(shù)在高低不同覆蓋下最優(yōu)中心波長的差值，得到圖 2。結(jié)果表明，各指數(shù)最適宜高低覆蓋的最佳中心波長有所差異，即各指數(shù)在不同覆蓋條件下敏感波段不同；高低覆蓋下最優(yōu)中心波長差值較大的三個指數(shù)分別為MTCI、mND705和mSR705，表明這3個指數(shù)對不同覆蓋程度葉氮含量較敏感；MTCI 3個波段差值均較大，近紅外波段差值最大，為98 nm；mND705和 mSR705指數(shù)僅在近紅外波段差值較大，為120 nm，其他兩波段最優(yōu)中心波長差值分別為 8 nm和0 nm；其余指數(shù)在不同覆蓋條件下最優(yōu)中心波長較一致，差值在0—20 nm，且存在差異波段一般為近紅外波段。

表3 低覆蓋情況下各高光譜指數(shù)的最優(yōu)中心波長Table 3 The best center wavelength of hyperspectral indices for low coverage

表4 高覆蓋情況下各高光譜指數(shù)的最優(yōu)中心波長Table 4 The best center wavelength of Hyperspectral indices for high coverage

2.2 信噪比對植被指數(shù)反演的適用性分析

由圖3可知信噪比（SNR）在20 DB時，指數(shù)MTCI和mND705的R2相對變化量開始下降，且在20—50 DB，決定系數(shù)R2變化量下降明顯，在SNR=50 DB時，相對于無噪聲數(shù)據(jù)而言，R2變化幅度不超過5%，且 P＜0.01，表明這些指數(shù)具有較好抗噪能力，能適用于有噪聲干擾環(huán)境的葉片氮素含量反演；指數(shù)DATT、MTCI_B和NDVIg_b的R2變化量分別在SNR= 35、40和50 DB時開始下降，R2變化量在信噪比SNR≥70 DB時降到5%左右，抗噪能力相對較差；指數(shù)TCARI/OSAVI在SNR=35 DB時，R2開始急劇下降，R2變化量在50 DB時降至5%以下，表明其對信噪比指標變化最敏感；相對于無噪聲數(shù)據(jù)而言，其余指數(shù)R2變化量在SNR＞50 DB后均降至10%及以下，表現(xiàn)出較好抗噪能力。

圖2 各指數(shù)在高低覆蓋下最優(yōu)中心波長差值（高覆蓋值-低覆蓋值）Fig. 2 The histogram of best center wavelength difference for each index (the value of high-low coverage)

圖3 不同信噪比下植被指數(shù)與葉氮含量的決定系數(shù)變化Fig. 3 The change in coefficient of determination of measured leaf nitrogen and VIs under different SNR

圖4為模擬Hyperion和HJ1A-HIS衛(wèi)星數(shù)據(jù)下不同信噪比對各指數(shù)的影響。由于HJ1A-HSI和Hyperion衛(wèi)星圖像光譜沒有小于450 nm的波段數(shù)據(jù)，因此，在分析衛(wèi)星數(shù)據(jù)時，將指數(shù)MTCI_B排除，應用剩余13個指數(shù)進行分析。結(jié)果表明信噪比對模擬的衛(wèi)星數(shù)據(jù)與實測數(shù)據(jù)整體影響表現(xiàn)一致，SNR在0—20 DB時，R2相對變化量均較大，維持在90%—100%；20—70 DB是R2變化量的下降區(qū)間；70 DB以后，各指數(shù)R2相對變化量基本降為 0%；指數(shù) DATT和 NDVIg_b在SNR=35和40 DB時，R2相對變化量開始下降，與實測數(shù)據(jù)一致，但模擬數(shù)據(jù)中指數(shù)DATT在信噪比為60 DB時，R2相對變化量已降至5%左右，表現(xiàn)較好；與實測數(shù)據(jù)不同，TCARI/OSAVI在SNR=40—60 DB時，R2急劇下降，下降區(qū)間向后推遲10 DB，且在SNR＞60 DB之后表現(xiàn)較佳；模擬 Hyperion數(shù)據(jù)時，指數(shù)MTCI和mND705的優(yōu)勢消失；而指數(shù)mSR705較實測數(shù)據(jù)表現(xiàn)更佳，在SNR=50 DB時，R2相對變化量降至5%以下，而在實測數(shù)據(jù)中，SNR=60 DB時，R2變化量才降至 5%；相對于實測數(shù)據(jù)，模擬數(shù)據(jù)中各指數(shù)的變化趨勢及變化范圍更一致，尤其對于模擬的Hyperion數(shù)據(jù)。

2.3 波段寬度對植被指數(shù)反演的適用性分析

由圖 5可知適于減少土壤背景影響的植被指數(shù)SAVI和OSAVI受波段寬度影響較大，最適宜的波段寬度小于等于10 nm，在波段寬度大于5 nm以后，R2相對變化量開始顯著增大，且相比其余指數(shù)，隨波譜寬度增加，R2相對變化量呈明顯上升趨勢；對于NDVIg_b、mND705、mSR705等指數(shù)，適宜的波寬數(shù)據(jù)可達20 nm及以上，隨波段寬度的增加，其R2變化量很小，當波寬大于5 nm時，R2變化量呈現(xiàn)小幅上升，波寬為20 nm時，R2變化量仍小于5%；不同波段寬度數(shù)據(jù)構(gòu)建的植被指數(shù)，在波譜寬度小于15 nm時，R2變化量均小于10%且P＜0.01。因此，適宜反演的波段寬度一般不超過15 nm，10 nm以內(nèi)最佳，各指數(shù)的反演精度不隨波段寬度的增加而明顯降低。

圖4 不同信噪比下模擬衛(wèi)星數(shù)據(jù)各指數(shù)與葉氮含量的決定系數(shù)變化Fig. 4 The change in coefficient of determination of measured leaf nitrogen and VIs for simulating data under different SNR

圖 5 不同波段寬度下植被指數(shù)與葉氮含量的決定系數(shù)變化Fig. 5 The change in coefficient of determination of measured leaf nitrogen and VIs under different band width

圖6為模擬Hyperion和HJ1A-HSI衛(wèi)星數(shù)據(jù)下不同波寬數(shù)據(jù)對各植被指數(shù)的影響。結(jié)果表明與實測數(shù)據(jù)一致，能有效減少土壤背景影響的指數(shù) SAVI和OSAVI受波段寬度影響較大；NDVIg_b、mND705、mSR705等指數(shù)適宜的波寬數(shù)據(jù)同樣可達 20 nm及以上，隨波段寬度增加，R2變化量呈小幅上升趨勢，波寬為 20 nm時，R2變化量仍小于 5%；對于模擬的Hyperion數(shù)據(jù)，各指數(shù)R2相對變化量在波寬大于10 nm時才有顯著上升趨勢，而對于模擬的HSI數(shù)據(jù)，各指數(shù)R2相對變化量在波寬大于5 nm時就開始大幅上升，模擬的 HSI數(shù)據(jù)中各指數(shù) R2相對變化量普遍高于Hyperion數(shù)據(jù)，約為Hyperion數(shù)據(jù)R2變化量的兩倍；對模擬的Hyperion數(shù)據(jù)適宜反演的波段寬度一般不超過20 nm，15 nm以內(nèi)最佳，波譜寬度小于20 nm時各指數(shù)R2變化量均小于10%且P＜0.01；對模擬的HSI數(shù)據(jù)，適宜反演的波段寬度一般不超過15 nm，10 nm以內(nèi)最佳；各指數(shù)反演精度不隨波段寬度的增加而明顯降低。

2.4 多指數(shù)聯(lián)合反演葉片氮素分析

2.4.1 聯(lián)合反演模型在實測數(shù)據(jù)的應用 在最優(yōu)中心波長選擇分析的基礎(chǔ)上和不考慮噪聲的條件下，選擇表3、表4中最適宜高、低覆蓋情況的兩指數(shù)RVIinf_r和MTCI作為聯(lián)合反演的植被指數(shù)，其中，RVIinf_r的光譜指標為中心波長826 nm和760 nm，波譜寬度1 nm，MTCI的中心波長為750 nm、693 nm和680 nm，波譜寬度1 nm。

結(jié)果表明，以RVIinf_r和MTCI建立的聯(lián)合反演模型（表5），能有效提高反演精度，其決定系數(shù)R2達到0.9286，RMSE=0.3416%，MAE=0.2988%，MRE=7.16個百分點且 P＜0.01。對比最優(yōu)單一植被指數(shù)各模型精度評價指標均顯著提高。

圖6 不同波段寬度下模擬衛(wèi)星數(shù)據(jù)植被指數(shù)與葉氮含量的決定系數(shù)變化Fig. 6 The change in coefficient of determination of measured leaf nitrogen and VIs for simulating data under different band width

應用驗證數(shù)據(jù)集的95組樣本進行驗證，驗證結(jié)果如圖7所示。反演的最佳單一植被指數(shù)為MTCI_B，R2=0.8408，各精度評價指標分別為RMSE=0.5237%，MAE=0.4336%，MRE=10.38個百分點且P＜0.01。應用RVIinf_r和MTCI構(gòu)建的多植被指數(shù)聯(lián)合反演模型，R2=0.9316，RMSE=0.3524%，MAE=0.2995%，MRE=7.20個百分點且 P＜0.01，其模型精度明顯優(yōu)于最佳單一植被指數(shù)MTCI_B。

圖7 模型反演結(jié)果Fig. 7 The inversion result of model

2.4.2 聯(lián)合反演模型在模擬衛(wèi)星數(shù)據(jù)的應用 聯(lián)合反演模型在模擬衛(wèi)星傳感器數(shù)據(jù)中的應用，如圖8、9所示。結(jié)果表明對于模擬的Hyperion衛(wèi)星傳感器數(shù)據(jù)，最優(yōu)單一植被指數(shù)NDVIg_b的決定系數(shù)R2=0.8060，各模型評價指標分別為RMSE=0.6315%，MAE=0.4538%，MRE=10.68個百分點；對于聯(lián)合反演模型，決定系數(shù)R2提高到 0.9270，各精度評價指標分別為 RMSE= 0.3892%，MAE=0.2882%，MRE=7.02個百分點，結(jié)果明顯優(yōu)于單一植被指數(shù)模型；對模擬的HSI衛(wèi)星傳感器數(shù)據(jù)，指數(shù) NDVIg_b決定系數(shù) R2=0.7951，RMSE=0.6546%，MAE=0.4587%，MRE=11.03個百分點；應用多指數(shù)聯(lián)合反演模型，R2高達0.9349，RMSE=

0.3734%，MAE=0.2814%，MRE=6.91個百分點，模型精度得到顯著提高，且相比于Hyperion數(shù)據(jù)，HSI數(shù)據(jù)結(jié)果更優(yōu)；應用結(jié)果表明在不同光譜指標設置的傳感器下聯(lián)合反演模型具有較好適用性。

表5 反演葉氮含量的最佳高光譜指數(shù)與模型Table 5 The best hyperspectral indices for leaf nitrogen content inversions

圖8 模擬Hyperion數(shù)據(jù)反演結(jié)果Fig. 8 The inversion result of simulating Hyperion data

圖9 模擬HSI數(shù)據(jù)反演結(jié)果Fig. 9 The inversion result of simulating HSI data

3 討論

為了滿足面向葉氮含量反演的不同觀測模式需求，需要對光譜指標適用性進行有效評估。本研究重點定量分析了不同光譜植被指數(shù)對反演冬小麥葉氮含量的影響，研究了光譜指標設置對光譜植被指數(shù)反演的有效性和適用性。

反演冬小麥葉氮含量的最優(yōu)中心波長隨植被指數(shù)和作物種類的不同而有所差異，以3個藍光波段構(gòu)建的植被指數(shù)MTCI_B是應用單一植被指數(shù)反演效果最好的指數(shù)，與 TIAN[6]等的研究結(jié)果一致。本試驗中mND705和mSR705的最優(yōu)中心波長與定義的750 nm、705 nm和445 nm有所差異，原因是SIMS等[19]在提出修正指數(shù)mND705和mSR705時，研究對象為美國加州地區(qū)樹木的葉綠素，因此針對北京地區(qū)冬小麥葉氮含量反演，該指數(shù)最優(yōu)中心波長為 746 nm、698 nm和470 nm。

對樣本數(shù)據(jù)進行對比分析，NDVI≥0.70的數(shù)據(jù)均為4月中旬到5月中旬采集，為小麥生長最旺盛時期。因此，將NDVI是否大于0.70作為區(qū)別采樣區(qū)高低覆蓋狀態(tài)的判斷依據(jù)，與前人研究結(jié)果一致[24-25]。不同覆蓋程度下，各指數(shù)反演葉片氮素的效果不同，且同一植被指數(shù)在不同覆蓋程度下最佳中心波長亦存在差異。

在噪聲分析中，各指數(shù)的抗噪聲能力規(guī)律明顯。隨信噪比增加，各指數(shù)R2相對變化量呈遞減趨勢。其中，MTCI和mND705的抗噪能力最好，能適用于有噪聲干擾環(huán)境的葉片氮素反演。在實際應用中，不同程度噪聲的數(shù)據(jù)應注意選擇不同指數(shù)進行反演，以得到最佳的反演效果。

相比于噪聲而言，波段寬度對指數(shù)反演冬小麥葉氮含量的影響較小，并且各指數(shù)反演精度不隨波段寬度增加而明顯降低。因此，當試驗數(shù)據(jù)的波寬數(shù)據(jù)不大于15 nm情況下，反演冬小麥葉片氮素含量可以得到較好效果。

基于 HJ1A-HSI與 Hyperion衛(wèi)星的光譜響應函數(shù)，結(jié)合實測地面高光譜數(shù)據(jù)，對衛(wèi)星傳感器數(shù)據(jù)進行模擬，結(jié)果表明模擬傳感器數(shù)據(jù)和真實數(shù)據(jù)下各指數(shù)反演結(jié)果基本一致，在不考慮圖像質(zhì)量、大氣、噪聲等情況下，反演模型在各傳感器數(shù)據(jù)下具有較好適用性。在信噪比及波段寬度指標分析中，Hyperion和HSI傳感器數(shù)據(jù)結(jié)果存在差異的原因是HSI數(shù)據(jù)平均光譜分辨率為4.23 nm，Hyperion光譜分辨率為10 nm。

此外，本文是通過地面模擬試驗進行的，更多考慮光譜指標對反演的影響，但在實際傳感器設置中，需要考慮大氣、空間分辨率、傳感器信噪比等復雜因素的影響。

4 結(jié)論

4.1 中心波長為420 nm、508 nm和405 nm，波段寬度為1 nm，信噪比大于70 DB的植被指數(shù)MTCI_B是用于反演的最佳單一植被指數(shù)。

4.2 對于減少飽和性影響的NDRE和CHIrededge等植被指數(shù)而言，適于反演的中心波長位于840—850 nm和760—770 nm，波段寬度一般小于10 nm，信噪比大于60 DB。

4.3 對于減少土壤背景影響的 SAVI和 TCARI/ OSAVI等指數(shù)，適宜中心波長位于840—850 nm、740—750 nm、720—730 nm和545—560 nm，波段寬度一般小于5 nm，信噪比大于50 DB。

4.4 RVIinf_r是反演高覆蓋狀況葉氮含量最好的指數(shù)，最優(yōu)中心波長為826 nm和760 nm，可在826—835 nm和750—760 nm波段較好反演高覆蓋葉氮含量；MTCI是反演低覆蓋狀況最好的指數(shù)，中心波長為750 nm、693 nm和680 nm，并且應用兩者建立的多指數(shù)聯(lián)合反演模型，顯著提高了反演精度。

4.5 通過模擬高光譜傳感器數(shù)據(jù)，表明聯(lián)合反演模型在不同光譜指標的高光譜平臺下有較好適用性。

[1] ZHU Y, LI Y X, FENG W, TIAN Y C, YAO X, CAO W X. Monitoring leaf nitrogen in wheat using canopy reflectance spectra, Canadian Journal of Plant Science, 2006, 86(4): 1037-1046.

[2] 李振海, 徐新剛, 金秀良, 張竟成, 宋曉宇, 宋森楠. 基于氮素運轉(zhuǎn)原理和GRA-PLS算法的冬小麥籽粒蛋白質(zhì)含量遙感預測. 中國農(nóng)業(yè)科學, 2014, 47(19): 3780-3790.

LI Z H, XU X G, JIN X L, ZHANG J C, SONG X Y, SONG S N. Remote sensing prediction of winter wheat protein content based on nitrogen translocation and GRA-PLS method. Scientia Agricultura Sinica, 2014, 47(19): 3780-3790. (in Chinese)

[3] FENG W, YAO X, ZHU Y, TIAN Y C, CAO W X. Monitoring leaf nitrogen status with hyperspectral reflectance in wheat. European Journal of Agronomy, 2008, 28(3): 394-404.

[4] 袁金國, 牛錚. 基于Hyperion高光譜圖像的氮和葉綠素制圖. 農(nóng)業(yè)工程學報, 2007, 23(4): 172-177.

YUAN J G, NIU Z. Nitrogen and chlorophyll mapping based on Hyperion hyperspectral image. Transactions of the Chinese Society of Agricultural Engineering, 2007, 23(4): 172-177. (in Chinese)

[5] BOEGH E, SOEGAARD H, BROGE N, HASAGER C B, JENSEN N O, SCHELDE K, THOMSEN A. Airborne multispectral data for quantifying leaf area index, nitrogen concentration, and photosynthetic efficiency in agriculture. Remote Sensing of Environment, 2002, 81(2): 179-193.

[6] TIAN Y C, YAO X, YANG J, CAO W X, HANNAWAY D B, ZHU Y. Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentration with ground-and spacebased hyperspectral reflectance. Field Crops Research, 2011, 120(2): 299-310.

[7] WANG W, YAO X, YAO X F, TIAN Y C, LIU X J, NI J, CAO W X, ZHU Y. Estimating leaf nitrogen concentration with three-band vegetation indices in rice and wheat. Field Crops Research, 2012, 129(11): 90-98.

[8] SHIRATSUCHI L, FERGUSON R, SHANAHAN J, ADAMCHUK V, RUNDQUIST D, MARX D, SLATER G. Water and nitrogen effects on active canopy sensor vegetation indices. Agronomy Journal, 2011, 103(6): 1815-1826.

[9] 王莉雯, 衛(wèi)亞星. 植被氮素濃度高光譜反演研究進展. 光譜學與光譜分析, 2013, 33(10): 2823-2827.

WANG L W, WEI Y X. Progress in inversion of vegetation nitrogen concentration by hyperspectral remote sensing. Spectroscopy and Spectral Analysis, 2013, 33(10): 2823-2827. (in Chinese)

[10] HERRMANN I, KARNIELI A, BONFIL D J. SWIR-based spectral indices for assessing nitrogen content in potato fields. International Journal of Remote Sensing, 2010, 31(19): 5127-5143.

[11] HABOUDANE D, MILLER J R, TREMBLAY N, ZARCO-TEJADA P J, DEXTRAZE L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sensing of Environment, 2002, 81(2/3): 416-426.

[12] HUETE A, DIDAN K, MIURA T, RODRIGUEZ E P, GAO X, FERREIRA L G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 2002, 83(1): 195-213.

[13] RONDEAUX G, STEVEN M, BARET F. Optimization of soiladjusted vegetation indices. Remote Sensing of Environment, 1996, 55(2): 95-107.

[14] WU C Y, NIU Z, TANG Q, HUANG W J. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation. Agricultural and Forest Meteorology, 2008, 148(8): 1230-1241.

[15] HANSEN P M, SCHJOERRING J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression. Remote Sensing of Environment, 2003, 86(4): 542-553.

[16] FITZGERALD G, RODRIGUEZ D, O’LEARY G. Measuring and predicting canopy nitrogen nutrition in wheat using a spectral index-The canopy chlorophyll content index (CCCI). Field Crops Research, 2010, 116(3): 318-324.

[17] GUPTA R K, VIJAYAN D, PRASAD T S. New hyperspectral vegetation characterization parameters. Advances in Space Research, 2001, 28(1): 201-206.

[18] DASH J, CURRAN P J. MTCI: The MERIS terrestrial chlorophyll index. International Journal of Remote Sensing, 2004, 25(23): 5403-5413.

[19] SIMS D A, GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sensing of Environment, 2002, 81(2): 337-354.

[20] CHEN J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications. Canadian Journal of Remote Sensing, 1996, 22(3): 229-242.

[21] YAO X, ZHU Y, TIAN Y C, FENG W, CAO W X. Exploring hyperspectral bands and estimation indices for leaf nitrogen accumulation in wheat. International Journal of Applied Earth Observation and Geoinformation, 2010, 12(2): 89-100.

[22] GITELSON A A, VINA A, CIGANDA V, RUNDQUIST D C, ARKEBAUER T J. Remote estimation of canopy chlorophyll content in crops. Geophysical Research Letters, 2005, 32(8): 93-114.

[23] 王來剛, 王備戰(zhàn), 馮偉, 鄭濤, 馮曉, 鄭國清. SPOT-5與HJ遙感影像用于冬小麥氮素監(jiān)測的效果對比. 麥類作物學報, 2011, 31(2): 331-336.

WANG L G, WANG B Z, FENG W, ZHENG T, FENG X, ZHENG G Q. Comparative analysis of monitoring winter wheat nitrogen with SPOT-5 and HJ image. Journal of Triticeae Crops, 2011, 31(2): 331-336. (in Chinese)

[24] CARLSON T N, RIPLEY D A. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment, 1997, 62(3): 241-252.

[25] LU H, RAUPACH M R, MCVICAR T R, BARRETT D J. Decomposition of vegetation cover into woody and herbaceous components using AVHRR NDVI time series. Remote Sensing of Environment, 2003, 86(1): 1-18.

（責任編輯 楊鑫浩）

Sensitivity of Different Spectral Vegetation Index for Estimating Winter Wheat Leaf Nitrogen

ZHANG XiaoYuan1,2, ZHANG LiFu1, ZHANG Xia1, WANG ShuDong1, TIAN JingGuo1, ZHAI YongGuang1
(1Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101;2School of Earth Sciences and Resources, China University of Geosciences, Beijing 100083)

【Objective】Nitrogen is one of the most important nutrients in crop growth and development. The objective of this paper is to study the setting of effective index of leaf nitrogen content inversion in order to provide an important basis for the application of hyperspectral vegetation index of leaf nitrogen content estimation, and for real-time monitoring and accuratediagnosis of crops.【Method】A total of 225 groups of canopy reflectance and leaf nitrogen content data which covering the whole winter wheat growth period and under different levels of coverage, were collected to simulate different spectral index like different central wavelengths, SNR and band width indicators, and to analyze the influence of different observation pattern on quantitative models. And then, the indicators of accuracy evaluation, coefficient of determination, root mean square error, mean absolute error, mean relative error and P＜0.01 were used to select the optimal model and the best indicators, and the sensitivity and effectiveness of leaf nitrogen content quantitative models inversion were analyzed with different spectral indicators.【Result】MTCI_B was the best vegetation index for leaf nitrogen content inversion with the center wavelengths of 420 nm, 508 nm and 405 nm, band width of 1nm, SNR greater than 70 DB; the correlation with measured nitrogen content was preferably (R2=0.7674, RMSE=0.5511% , MAE=0.4625%, MRE=11.11 percentage points and P＜0.01). RVIinf_rwas the best index for inversion of high coverage with the optimal center wavelengths 826 nm and 760 nm (R2=0.6739, RMSE=0.2964%, MAE=0.2851%, MRE=6.44 percentage points and P＜0.01). MTCI was the best index for inversion of low coverage nitrogen (R2=0.8252, RMSE=0.4032%, MAE=0.4408%, MRE=12.22 percentage points and P＜0.01), corresponding to the optimal center wavelengths 750 nm, 693 nm and 680 nm. Using hyperspectral vegetation indexes RVIinf_rand MTCI to build a joint inversion model, the model accuracy evaluation result (R2=0.9286, RMSE=0.3416%, MAE=0.2988%, MRE=7.16 percentage points and P＜0.01) was significantly better than the best single index MTCI_B. When the optimal model was used to simulate Hyperion and HJ1A-HSI data, the accuracy of the joint model (R2reached 0.92-0.93, RMSE were between 0.37%-0.39%) was better than the single vegetation index (R2were 0.79-0.81, RMSE were between 0.63%-0.66%).【Conclusion】A good estimation of crop leaf nitrogen content could be realized by using hyperspectral vegetation index, quantitative inversion of crop leaf nitrogen content had a strong sensitivity with different spectral indexes, center wavelength, SNR, and band width. Application of multi-exponential joint inversion model significantly improved the accuracy of the inversion. And the joint inversion model had a certain degree of universality in different hyperspectral sensors.

leaf nitrogen inversion; spectral index; winter wheat; vegetation index; hyperspectral remote sensing

2016-06-16；接受日期：2016-09-30

國家自然科學基金（41371359，41671362）、廣西空間信息與測繪重點實驗室開放基金（151400727）、高分辨率對地觀測系統(tǒng)重大專項（30-Y30B13-9003-14/16，11-Y20A40-9002-15/17）

聯(lián)系方式：張瀟元，E-mail：zhangxy_16@163.com。通信作者王樹東，E-mail：wangsd@radi.ac.cn